信息处理方法、装置、存储介质及电子设备制造方法及图纸

本申请实施例公开了一种信息处理方法、装置、存储介质及电子设备。该方法包括：获取待预测产品在当前时间周期内的多条媒体评论信息，提取每一媒体评论信息的嵌入特征作为目标预测模型的输入，获取其隐层表征特征。利用稀疏注意力机制对该隐层表征特征进行稀疏处理，并基于处理后的隐层表征特征确定待预测产品在下一时间周期的目标销量。本方案在预测模型中融合了稀疏注意力机制，实现了媒体评论信息流数据中冗余节点的自适应识别、筛选，使得预测模型更加高效地聚焦于有效媒体评论信息，降低冗余、无效评论对模预测型的影响，提升了模型预测效果。预测效果。预测效果。

【技术实现步骤摘要】
信息处理方法、装置、存储介质及电子设备


[0001]本申请涉及电子设备
，尤其涉及一种信息处理方法、装置、存储介质及电子设备。

技术介绍

[0002]长期以来，销量预测一直是企业进行产品运营的核心关键，准确把握产品未来的销量，不仅能够为产品的生产、库存、定价、销售等带来有力的信息指导，同时也为企业实现稳定的产品价值创造、提升品牌竞争力提供可靠的决策支持。在AI(Artificial Intelligence，人工智能)与互联网技术飞速发展的今天，在线客户评论分析成为企业创造客户价值、提升自身市场竞争力的重要手段。在线评论反映和影响着客户对产品的偏好、需求等，为准确预测产品销量带来新的机遇。
[0003]然而，合理利用在线评论强化销量预测面临关键技术难题。例如，如何充分挖掘评论文本包含的非结构化语义信息，并有效应对评论文本的文本流特性，从而为区分不同评论的预测效果创造条件；又例如，如何对不同评论的预测效果进行区分，从而实现对评论文本流的自适应利用以释放其对产品销量的预测效果。

技术实现思路

[0004]本申请实施例提供一种信息处理方法、装置、存储介质及电子设备，可提高模型预测效果。
[0005]第一方面，本申请实施例提供一种信息处理方法，包括：
[0006]获取待预测产品在当前时间周期内的多条媒体评论信息；
[0007]提取每一所述媒体评论信息的嵌入特征；
[0008]将所述嵌入特征作为目标预测模型的输入，获取所述目标预测模型的隐层表征特征，其中，所述目标预测模型融合了稀疏注意力机制；
[0009]利用稀疏注意力机制对所述隐层表征特征进行处理，得到处理后的隐层表征特征；
[0010]基于处理后的隐层表征特征确定所述待预测产品在下一时间周期的目标销量。
[0011]第二方面，本申请实施例提供了一种信息处理装置，包括：
[0012]第一获取单元，用于获取待预测产品在当前时间周期内的多条媒体评论信息；
[0013]提取单元，用于提取每一所述媒体评论信息的嵌入特征；
[0014]第二获取单元，用于将所述嵌入特征作为目标预测模型的输入，获取所述目标预测模型的隐层表征特征，其中，所述目标预测模型融合了稀疏注意力机制；
[0015]处理单元，用于利用稀疏注意力机制对所述隐层表征特征进行处理，得到处理后的隐层表征特征；
[0016]预测单元，用于基于处理后的隐层表征特征确定所述待预测产品在下一时间周期的目标销量。
[0017]在一实施方式中，所述处理单元用于：
[0018]计算所述隐层表征特征的稀疏权重；
[0019]基于所述稀疏权重对所述隐层表征特征进行加权处理，得到处理后的隐层表征特征。
[0020]在一实施方式中，所述预测单元用于：
[0021]将所有处理后的隐层表征特征进行融合，得到融合表征特征；
[0022]基于所述融合表征特征确定所述待预测产品在下一时间周期的目标销量。
[0023]在一实施方式中，所述提取单元用于：
[0024]将每一所述媒体评论信息作为预训练好的Bert网络的输入，获取所述Bert网络隐含层的输出向量，作为所述媒体评论信息的嵌入特征。
[0025]在一实施方式中，所述信息处理装置还包括：
[0026]转换单元，用于当所述媒体评论信息为非文本信息时，将所述媒体评论信息转换成文本信息后再输入至所述Bert模型中。
[0027]在一实施方式中，所述信息处理装置还包括：
[0028]第三获取单元，用于获取待预测产品在当前时间周期内的多条媒体评论信息之前，获取多个不同样本产品在历史时段中指定时间周期的真实销量、及附属的历史媒体评论信息；
[0029]构建单元，用于基于所述历史媒体评论信息和所述真实销量构建训练样本，得到训练样本集合；
[0030]训练单元，用于根据所述训练样本集合对基于稀疏注意力机制的预设预测模型进行训练，得到所述目标预测模型。
[0031]在一实施方式中，所述构建单元用于：
[0032]从附属的历史媒体评论信息中筛选出满足第一条件的目标媒体评论信息；
[0033]基于同一指定时间周期内的所有目标媒体评论信息与对应的真实销量，生成一条候选样本数据；
[0034]从生成的候选样本数据中筛选出评论数量满足第二条件的目标样本数据，作为训练样本。
[0035]第三方面，本申请实施例还提供了一种计算机可读存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行上述的信息处理方法。
[0036]第四方面，本申请实施例还提供了一种电子设备，包括处理器及存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据，处理器用于执行上述的信息处理方法。
[0037]本申请实施例，通过获取待预测产品在当前时间周期内的多条媒体评论信息，提取每一媒体评论信息的嵌入特征作为目标预测模型的输入，获取其隐层表征特征。利用稀疏注意力机制对该隐层表征特征进行稀疏处理，并基于处理后的隐层表征特征确定待预测产品在下一时间周期的目标销量。本方案在预测模型中融合了稀疏注意力机制，实现了媒体评论信息流数据中冗余节点的自适应识别、筛选，使得预测模型更加高效地聚焦于有效媒体评论信息，降低冗余、无效评论对模预测型的影响，提升了模型预测效果。
附图说明
[0038]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]图1是本申请实施例提供的信息处理方法的一流程示意图。
[0040]图2是本申请实施例提供的预测模型架构示意图。
[0041]图3是本申请实施例提供的信息处理装置的一结构示意图。
[0042]图4是本申请实施例提供的电子设备的一结构示意图。
[0043]图5是本申请实施例提供的电子设备的另一结构示意图。
具体实施方式
[0044]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0045]由于存在相同产品偏好的用户群体，所发布、关注的评论内容在语义分布上存在冗余，加之评论数量的巨大、评论者素质的不同，评论数据中包含很多噪声评论，目前无法对评论流数据中的冗余节点进行筛选，使得冗余评论成为了降低销量预测效果、增加模型复杂度的巨大隐患。
[0046]有基于此，本申请实施例提供一种信息处理方法、装置、存储介质及电子设备，针对存在长序列输入、冗余元素输入、噪声元素输入等情况，在对输入元素加本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息处理方法，其特征在于，包括：获取待预测产品在当前时间周期内的多条媒体评论信息；提取每一所述媒体评论信息的嵌入特征；将所述嵌入特征作为目标预测模型的输入，获取所述目标预测模型的隐层表征特征，其中，所述目标预测模型融合了稀疏注意力机制；利用稀疏注意力机制对所述隐层表征特征进行处理，得到处理后的隐层表征特征；基于处理后的隐层表征特征确定所述待预测产品在下一时间周期的目标销量。2.根据权利要求1所述的信息处理方法，其特征在于，所述利用稀疏注意力机制对所述隐层表征特征进行处理，包括：计算所述隐层表征特征的稀疏权重；基于所述稀疏权重对所述隐层表征特征进行加权处理，得到处理后的隐层表征特征。3.根据权利要求1所述的信息处理方法，其特征在于，所述基于处理后的隐层表征特征确定所述待预测产品在下一时间周期的目标销量，包括：将所有处理后的隐层表征特征进行融合，得到融合表征特征；基于所述融合表征特征确定所述待预测产品在下一时间周期的目标销量。4.根据权利要求1所述的信息处理方法，其特征在于，所述提取每一所述媒体评论信息的嵌入特征，包括：将每一所述媒体评论信息作为预训练好的Bert网络的输入，获取所述Bert网络隐含层的输出向量，作为所述媒体评论信息的嵌入特征。5.根据权利要求4所述的信息处理方法，其特征在于，还包括：当所述媒体评论信息为非文本信息时，将所述媒体评论信息转换成文本信息后再输入至所述Bert模型中。6.根据权利要求1
‑
5任一项所述的信息处理方法，其特征在于，所述获取待预测产品在当前时间周期内的多条媒体评论信息之前，还包括：获取多个不同样本产品在历史时段...

【专利技术属性】
技术研发人员：李祥歌，赵骥，强成仓，石立臣，
申请(专利权)人：深圳依时货拉拉科技有限公司，
类型：发明
国别省市：