本发明专利技术公开了一种事件特征提取方法、装置、系统及介质，方法包括：采集事件数据；根据所述事件数据构建事件序列集合；对所述事件序列集合中的每个事件进行编码，得到训练样本集；将所述训练样本集输入至预先构建的向量映射模型中，对所述向量映射模型中的参数矩阵进行训练；将完成训练的参数矩阵中的每个行向量，提取为所述训练样本集中每个事件对应的向量特征。通过对采集到的事件数据进行统一的序列化以及编码处理，得到向量映射模型的原始输入，进一步通过事件的序列训练样本进行模型训练，使得模型训练结束后可得到代表了事件特征信息的参数矩阵，进而实现准确的事件特征提取，可以丰富推荐模型的特征输入，提高推荐效果。果。果。
【技术实现步骤摘要】
一种事件特征提取方法、装置、系统及介质
[0001]本专利技术涉及计算机
，尤其涉及一种事件特征提取方法、装置、系统及介质。
技术介绍
[0002]目前，在金融产品推荐场景中，越来越多地应用大数据智能推荐方式进行自动的产品推荐，但是目前的推荐系统，往往仅以客户侧，物料侧，交互侧的埋点行为数据等作为推荐模型的特征输入，推荐场景中的这类数据经过长时间的积累，已经被充分挖掘，很难对模型效果再有更大提高。
[0003]为了能够进一步提升银行的综合推荐模型的推荐效果，需要引入更多其他业务类型的数据，其中客户经营事件所带来的事件数据作为比客户埋点行为类数据更广、更多元，例如可以通过运营、市场、产品人员自行定义的任何行为作为事件，包括递交申请材料、某某线下活动、车辆试驾、网点沙龙、远程理财产品的咨询等等，这些多元的事件所产生的事件数据非常适合丰富推荐模型的特征表现。
[0004]但是由于事件数据的多元性以及随机性，多数事件难以通过行为埋点获得，使得事件数据的特征提取存在困难。
技术实现思路
[0005]鉴于上述现有技术的不足，本专利技术的目的在于提供可应用于金融科技或其它相关领域的一种事件特征提取方法、装置、系统及介质，旨在实现准确的事件特征提取，以丰富推荐模型的特征输入，提高推荐效果。
[0006]本专利技术的技术方案如下：
[0007]一种事件特征提取方法，包括：
[0008]采集事件数据；
[0009]根据所述事件数据构建事件序列集合；
[0010]对所述事件序列集合中的每个事件进行编码，得到训练样本集；
[0011]将所述训练样本集输入至预先构建的向量映射模型中，对所述向量映射模型中的参数矩阵进行训练；
[0012]将完成训练的参数矩阵中的每个行向量，提取为所述训练样本集中每个事件对应的向量特征。
[0013]在一个实施例中，所述采集事件数据，具体包括：
[0014]当事件发生时，记录事件唯一标识和事件发生时间，所述事件包括原子事件和/或组合事件，所述组合事件包括至少两个原子事件。
[0015]在一个实施例中，所述根据所述事件数据构建事件序列集合，包括：
[0016]将所述事件数据按预设规则划分为多个事件子集；
[0017]对每个事件子集中的事件，按事件发生时间的先后顺序进行排序，生成对应的事
件序列；
[0018]将所有事件子集对应的事件序列构建得到事件序列集合。
[0019]在一个实施例中，所述对所述事件序列集合中的每个事件进行编码，得到训练样本集，具体包括：
[0020]对所述事件序列集合中的每个事件进行独热编码，得到各个事件的V维独热编码作为训练样本集，其中V为所述事件序列集合中事件的数量。
[0021]在一个实施例中，所述将所述训练样本集输入至预先构建的向量映射模型中，对所述向量映射模型中的参数矩阵进行训练，包括：
[0022]获取预先构建的向量映射模型，所述向量映射模型包括输入层、隐藏层和输出层；
[0023]依次将所述训练样本集中每个事件的V维独热编码作为中心事件，输入到所述输入层中；
[0024]将所述中心事件乘以预设的中心事件矩阵，得到对应的中心事件向量；
[0025]将所述中心事件向量乘以预设的周围事件矩阵，得到对应的周围事件关联向量作为所述输出层的输入；
[0026]通过所述输出层对所述周围事件关联向量进行归一化输出，得到周围事件预测结果；
[0027]根据所述周围事件预测结果和目标周围事件对所述中心事件矩阵和所述周围事件矩阵进行参数调节，直到满足预设条件则完成训练。
[0028]在一个实施例中，所述将完成训练的参数矩阵中的每个行向量，提取为所述训练样本集中每个事件对应的向量特征，包括：
[0029]获取已完成训练的向量映射模型中的中心事件矩阵，所述中心事件矩阵为V*N维矩阵，其中N为所述隐藏层中的神经元个数；
[0030]将所述中心事件矩阵中，每个N维的行向量提取为所述训练样本集中每个事件对应的向量特征。
[0031]在一个实施例中，所述将完成训练的参数矩阵中的每个行向量，提取为所述训练样本集中每个事件对应的向量特征之后，方法还包括：
[0032]根据每个事件对应的向量特征构建事件特征池；
[0033]在预设事件发生时从所述事件特征池中调取对应的事件特征，作为预设推荐模型的输入特征。
[0034]一种事件特征提取装置，包括：
[0035]采集模块，用于采集事件数据；
[0036]构建模块，用于根据所述事件数据构建事件序列集合；
[0037]编码模块，用于对所述事件序列集合中的每个事件进行编码，得到训练样本集；
[0038]训练模块，用于将所述训练样本输入至预先构建的向量映射模型中，对所述向量映射模型中的参数矩阵进行训练；
[0039]特征提取模块，用于将完成训练的参数矩阵中的每个行向量，提取为所述训练样本集中每个事件对应的向量特征。
[0040]一种事件特征提取系统，所述系统包括至少一个处理器；以及，
[0041]与所述至少一个处理器通信连接的存储器；其中，
[0042]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述事件特征提取方法。
[0043]一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行上述的事件特征提取方法。
[0044]有益效果：本专利技术公开了一种事件特征提取方法、装置、系统及介质，相比于现有技术，本专利技术实施例通过对采集到的事件数据进行统一的序列化以及编码处理，得到向量映射模型的原始输入，进一步通过事件的序列训练样本进行模型训练，使得模型训练结束后可得到代表了事件特征信息的参数矩阵，进而实现准确的事件特征提取，可以丰富推荐模型的特征输入，提高推荐效果。
附图说明
[0045]下面将结合附图及实施例对本专利技术作进一步说明，附图中：
[0046]图1为本专利技术实施例提供的事件特征提取方法的一个流程图；
[0047]图2为本专利技术实施例提供的事件特征提取方法中步骤S200的流程图；
[0048]图3为本专利技术实施例提供的事件特征提取方法中步骤S400的流程图；
[0049]图4为本专利技术实施例提供的事件特征提取方法中步骤S500的流程图；
[0050]图5为本专利技术实施例提供的事件特征提取方法的另一个流程图；
[0051]图6为本专利技术实施例提供的事件特征提取装置的功能模块示意图；
[0052]图7为本专利技术实施例提供的事件特征提取系统的硬件结构示意图。
具体实施方式
[0053]为使本专利技术的目的、技术方案及效果更加清楚、明确，以下对本本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种事件特征提取方法，其特征在于，包括：采集事件数据；根据所述事件数据构建事件序列集合；对所述事件序列集合中的每个事件进行编码，得到训练样本集；将所述训练样本集输入至预先构建的向量映射模型中，对所述向量映射模型中的参数矩阵进行训练；将完成训练的参数矩阵中的每个行向量，提取为所述训练样本集中每个事件对应的向量特征。2.根据权利要求1所述的事件特征提取方法，其特征在于，所述采集事件数据，具体包括：当事件发生时，记录事件唯一标识和事件发生时间，所述事件包括原子事件和/或组合事件，所述组合事件包括至少两个原子事件。3.根据权利要求1所述的事件特征提取方法，其特征在于，所述根据所述事件数据构建事件序列集合，包括：将所述事件数据按预设规则划分为多个事件子集；对每个事件子集中的事件，按事件发生时间的先后顺序进行排序，生成对应的事件序列；将所有事件子集对应的事件序列构建得到事件序列集合。4.根据权利要求3所述的事件特征提取方法，其特征在于，所述对所述事件序列集合中的每个事件进行编码，得到训练样本集，具体包括：对所述事件序列集合中的每个事件进行独热编码，得到各个事件的V维独热编码作为训练样本集，其中V为所述事件序列集合中事件的数量。5.根据权利要求4所述的事件特征提取方法，其特征在于，所述将所述训练样本集输入至预先构建的向量映射模型中，对所述向量映射模型中的参数矩阵进行训练，包括：获取预先构建的向量映射模型，所述向量映射模型包括输入层、隐藏层和输出层；依次将所述训练样本集中每个事件的V维独热编码作为中心事件，输入到所述输入层中；将所述中心事件乘以预设的中心事件矩阵，得到对应的中心事件向量；将所述中心事件向量乘以预设的周围事件矩阵，得到对应的周围事件关联向量作为所述输出层的输入；通过所述输出层对所述周围事件关联向量进行归一化输出，得到周围事件预测结果；根据所述周围事件预测结果和目标周围事件对所述中心事件矩阵和所述周围事件矩...
【专利技术属性】
技术研发人员：骆昕艳，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
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。