本发明专利技术公开了一种深度双塔模型智能匹配算法，所述深度双塔模型至少包括第一子模型以及第二子模型,包括如下步骤：a.通过第一子模型对至少第一用户行为数据以及第一产品数据进行学习处理，并获得学习结果pCTR；b.在执行步骤a的同时或之前或之后通过第二子模型对至少第二用户行为数据以及第二产品数据进行学习处理，并获得学习结果pCVR；c.通过如下公式进行计算获得匹配结果指数：pCTCVR＝pCTR*pCVR。本发明专利技术通过对用户的行为数据以及产品数据进行处理，进而确定在双塔模型下的两个学习结果，并基于所述学习结果确定用户对于保险产品的偏好度，从而精准的指引用户进行产品选择，本发明专利技术操作简单、使用方便，具有极高的商业价值。
An intelligent matching algorithm and device for deep double tower model
【技术实现步骤摘要】
一种深度双塔模型智能匹配算法及装置
本专利技术属于产品风险预测领域，特别涉及一种深度双塔模型智能匹配算法及装置。
技术介绍
现如今，大部分传统的实体行业均已向互联网领域进军，而作为传统的电商平台商品，在互联网模式的大环境下得以快速发展，而作为理财产品、保险产品这些比较偏正式、大型的产品类型，往往在互联网领域不太好发展，其原因至少包括无法向用户在线下销售一样的进行精准的营销。具体地，虽然如此，但互联网+保险仍然成为保险行业当下互联网化的热点，而保险产品、理财产品则希望借助于互联网模式助力保险营销，达成类似电商模型，即保险作为一款产品在App上销售。然而，在这样的销售模式中，如何给不同的用户匹配推荐符合保险产品，至关重要，即如何能够根据不同的用户以及不同的用户所购买的产品、用户的喜好、用户的偏好、用户的行为等等来实现其他产品的精准推荐成为了目前亟待解决的技术问题。目前在现有的技术中，并没有一种能够解决上述技术问题的技术方案，具体地，缺少一种深度双塔模型智能匹配算法及装置。
技术实现思路
针对现有技术存在的技术缺陷，本专利技术的目的是提供一种深度双塔模型智能匹配算法及装置，根据本专利技术的一个方面，提供了一种深度双塔模型智能匹配算法，所述深度双塔模型至少包括第一子模型以及第二子模型,包括如下步骤：a.通过第一子模型对至少第一用户行为数据以及第一产品数据进行学习处理，并获得学习结果pCTR；b.在执行步骤a的同时或之前或之后通过第二子模型对至少第二用户行为数据以及第二产品数据进行学习处理，并获得学习结果pCVR；c.通过如下公式进行计算获得匹配结果指数：pCTCVR＝pCTR*pCVR。优选地，所述第一用户行为数据与所述第二用户行为数据相同。优选地，所述第一产品数据与所述第二产品数据相同。优选地，所述第一子模型和/或所述第二子模型包括如下结构：特质连接embedding层、attention层以及3层全连接网络层。优选地，所述步骤a包括如下步骤：a1.将所述第一用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量；a2.将所述12维embedding向量与第一产品特征拼接起来得到embedding层；a3.将所述embedding层结果输入到attention层网络以确定第一输出结果；a4.将所述第一输出结果输入3层全连接网络进行计算，从而获得所述学习结果pCTR。优选地，所述步骤b包括如下步骤：b1.将所述第二用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量；b2.将所述12维embedding向量与第二产品特征拼接起来得到embedding层；b3.将所述embedding层结果输入到attention层网络以确定第二输出结果；b4.将所述第二输出结果输入3层全连接网络进行计算，从而获得所述学习结果pCVR。根据本专利技术的另一个方面，提供了一种深度双塔模型智能匹配装置，包括：第一处理装置:通过第一子模型对至少第一用户行为数据以及第一产品数据进行学习处理，并获得学习结果pCTR；第二处理装置:在执行步骤a的同时或之前或之后通过第二子模型对至少第二用户行为数据以及第二产品数据进行学习处理，并获得学习结果pCVR；第一计算装置:通过如下公式进行计算获得匹配结果指数：pCTCVR＝pCTR*pCVR。优选地，所述第一处理装置包括：第一获取装置:将所述第一用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量；第三处理装置:将所述12维embedding向量与第一产品特征拼接起来得到embedding层；第一确定装置:将所述embedding层结果输入到attention层网络以确定第一输出结果；第二计算装置:将所述第一输出结果输入3层全连接网络进行计算，从而获得所述学习结果pCTR。优选地，所述第二处理装置包括：第二获取装置:将所述第二用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量；第四处理装置:将所述12维embedding向量与第二产品特征拼接起来得到embedding层；第二确定装置:将所述embedding层结果输入到attention层网络以确定第二输出结果；第三计算装置:将所述第二输出结果输入3层全连接网络进行计算，从而获得所述学习结果pCVR。本专利技术公开了一种深度双塔模型智能匹配算法，所述深度双塔模型至少包括第一子模型以及第二子模型,通过第一子模型对至少第一用户行为数据以及第一产品数据进行学习处理，并获得学习结果pCTR；在执行步骤a的同时或之前或之后通过第二子模型对至少第二用户行为数据以及第二产品数据进行学习处理，并获得学习结果pCVR；通过如下公式进行计算获得匹配结果指数：pCTCVR＝pCTR*pCVR。本专利技术通过对用户的行为数据以及产品数据进行处理，进而确定在双塔模型下的两个学习结果，并基于所述学习结果确定用户对于保险产品的偏好度，从而精准的指引用户进行产品选择，本专利技术操作简单、使用方便，具有极高的商业价值。附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：图1示出了本专利技术的具体实施方式的，一种深度双塔模型智能匹配算法的具体流程示意图；图2示出了本专利技术的第一实施例的，通过第一子模型对至少第一用户行为数据以及第一产品数据进行学习处理，并获得学习结果pCTR的具体流程示意图；图3示出了本专利技术的第二实施例的，通过第二子模型对至少第二用户行为数据以及第二产品数据进行学习处理，并获得学习结果pCVR的具体流程示意图；以及图4示出了本专利技术的具体实施方式的，一种深度双塔模型智能匹配装置的模块连接示意图。具体实施方式为了更好的使本专利技术的技术方案清晰的表示出来，下面结合附图对本专利技术作进一步说明。本领域技术人员理解，针对现有技术的不足，本专利技术公开了一种一种深度双塔模型智能匹配算法以及其对应地控制装置，本专利技术通过构建深度学习模型-“深度双塔模型”来预估用户的pCTR和pCVR，进而提高保险购买率。进一步地，在本专利技术中，“深度双塔模型”是一个多任务深度学习模型，由2个子任务同步训练构成，其中一个模型训练目标是pCTR，另一模型训练模型是pCVR，最后对某个保险产品的偏好分是两个概率的乘积。接下来，本专利技术将通过图1至图3中所示出的具体实施例来对本专利技术的技术方案作进一步具体的描述，图1示出了本专利技术的具体实施方式的，一种深度双塔模型智能匹配算法的具体流程示意图，具体地，本专利技术提供了一种深度双塔模型智能匹配算法，所述深度双塔模型至少包括第一子模型以及第二子模型,包括如下步骤：首本文档来自技高网...
【技术保护点】
1.一种深度双塔模型智能匹配算法，其特征在于，所述深度双塔模型至少包括第一子模型以及第二子模型,包括如下步骤：/na.通过第一子模型对至少第一用户行为数据以及第一产品数据进行学习处理，并获得学习结果pCTR；/nb.在执行步骤a的同时或之前或之后通过第二子模型对至少第二用户行为数据以及第二产品数据进行学习处理，并获得学习结果pCVR；/nc.通过如下公式进行计算获得匹配结果指数：/npCTCVR＝pCTR*pCVR。/n
【技术特征摘要】
1.一种深度双塔模型智能匹配算法，其特征在于，所述深度双塔模型至少包括第一子模型以及第二子模型,包括如下步骤：
a.通过第一子模型对至少第一用户行为数据以及第一产品数据进行学习处理，并获得学习结果pCTR；
b.在执行步骤a的同时或之前或之后通过第二子模型对至少第二用户行为数据以及第二产品数据进行学习处理，并获得学习结果pCVR；
c.通过如下公式进行计算获得匹配结果指数：
pCTCVR＝pCTR*pCVR。
2.根据权利要求1所述的算法，其特征在于，所述第一用户行为数据与所述第二用户行为数据相同。
3.根据权利要求1或2所述的算法，其特征在于，所述第一产品数据与所述第二产品数据相同。
4.根据权利要求1至3中任一项所述的算法，其特征在于，所述第一子模型和/或所述第二子模型包括如下结构：特质连接embedding层、attention层以及3层全连接网络层。
5.根据权利要求4所述的算法，其特征在于，所述步骤a包括如下步骤：
a1.将所述第一用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量；
a2.将所述12维embedding向量与第一产品特征拼接起来得到embedding层；
a3.将所述embedding层结果输入到attention层网络以确定第一输出结果；
a4.将所述第一输出结果输入3层全连接网络进行计算，从而获得所述学习结果pCTR。
6.根据权利要求4所述的算法，其特征在于，所述步骤b包括如下步骤：
b1.将所述第二用户行为数据输入到一个256*64*12的3层子网络，获得一个12维embedding向量；
b2.将所述12维embedding向量与第二产品特征拼接起来得到embedding层；
b3.将所述embedding层结果输入到a...
【专利技术属性】
技术研发人员：沈海先，林砺，朱丙坤，何雪海，
申请(专利权)人：中国太平洋保险集团股份有限公司，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。