【技术实现步骤摘要】
业务指标预测方法、装置、设备和存储介质
[0001]本申请涉及人工智能
,尤其涉及一种业务指标预测方法、装置、设备和存储介质。
技术介绍
[0002]业务指标是互联网服务的重要数据基础,能够实现精准和定制化的业务服务,通常需针对不同的业务场景训练不同的网络模型,以进行对象的特征提取和指标预测,以实现场景业务指标生产,以用于相关服务。由于业务场景的多样化和高度迭代,上述方式需针对每一业务场景进行独立的模型构建和训练,网络训练和更新成本极高,涉及大量资源和时间消耗,泛化性差。
技术实现思路
[0003]本申请提供了一种业务指标预测方法、装置、设备和存储介质,可以有效降低多场景业务指标预测的资源和时间消耗。
[0004]一方面,本申请提供了一种业务指标预测方法,所述方法包括:
[0005]获取业务对象的对象特征、目标业务实体的实体特征、以及所述业务对象与所述目标业务实体间的关联特征,所述对象特征、所述实体特征和所述关联特征为结构化特征;
[0006]将所述对象特征、所述实体特征和所述关联特征输入预训练特征提取网络进行多维特征提取,得到线性特征向量和至少两个深度特征向量;
[0007]基于所述线性特征向量和所述至少两个深度特征向量进行业务指标分类预测,得到指标分类预测结果,所述指标分类预测结果用于指示所述业务对象针对所述目标业务实体执行预设操作的可能性;
[0008]所述预训练特征提取网络是以预设神经网络作为多个业务场景各自对应的预设分类网络的特征提取器,结合所述 ...
【技术保护点】
【技术特征摘要】
1.一种业务指标预测方法,其特征在于,所述方法包括:获取业务对象的对象特征、目标业务实体的实体特征、以及所述业务对象与所述目标业务实体间的关联特征,所述对象特征、所述实体特征和所述关联特征为结构化特征;将所述对象特征、所述实体特征和所述关联特征输入预训练特征提取网络进行多维特征提取,得到线性特征向量和至少两个深度特征向量;基于所述线性特征向量和所述至少两个深度特征向量进行业务指标分类预测,得到指标分类预测结果,所述指标分类预测结果用于指示所述业务对象针对所述目标业务实体执行预设操作的可能性;所述预训练特征提取网络是以预设神经网络作为多个业务场景各自对应的预设分类网络的特征提取器,结合所述多个业务场景各自对应的样本特征和样本标签,对所述预设神经网络和各预设分类网络进行业务场景对应的业务指标预测的约束训练得到的,所述样本特征包括样本对象特征、样本实体特征和样本关联特征。2.根据权利要求1所述的方法,其特征在于,所述预训练特征提取网络包括线性神经网络和至少两个深度网络,所述将所述对象特征、所述实体特征和所述关联特征输入预训练特征提取网络进行多维特征提取,得到线性特征向量和至少两个深度特征向量包括:将所述对象特征、所述实体特征和所述关联特征进行特征拼接,得到拼接特征;将所述拼接特征输入所述线性神经网络进行线性特征提取,得到所述线性特征向量;将所述拼接特征分别输入所述至少两个深度网络中的每一深度网络进行深度特征提取,得到所述至少两个深度网络各自输出的深度特征。3.根据权利要求1所述的方法,其特征在于,所述基于所述线性特征向量和所述至少两个深度特征向量进行业务指标分类预测,得到指标分类预测结果包括:将所述线性特征向量和所述至少两个深度特征向量进行特征融合,得到目标融合特征;将所述目标融合特征输入所述目标业务实体所属目标业务场景所对应的目标分类网络进行业务指标分类预测,得到所述指标分类预测结果。4.根据权利要求1所述的方法,其特征在于,所述获取业务对象的对象特征、目标业务实体的实体特征、以及所述业务对象与所述目标业务实体间的关联特征包括:获取业务对象的对象属性数据、所述目标业务实体的实体属性数据、以及所述业务对象与所述目标业务实体间的历史交互数据;基于所述对象属性数据和所述实体属性数据进行所述业务对象和所述目标业务实体间的关联分析,得到关联数据;分别对所述对象属性数据和所述实体属性数据进行特征处理,得到所述对象特征和所述实体特征;分别对所述历史交互数据和所述关联数据进行特征处理,得到所述关联特征。5.根据权利要求1
‑
4中任一项所述的方法,其特征在于,所述方法还包括:获取样本训练集,所述样本训练集包括多个业务场景各自对应的多个样本对象的样本特征和样本标签,所述样本标签用于表征所述样本对象针对所述业务场景下的样本业务实体执行所述预设操作的指标真值;将所述多个样本对象的样本特征输入所述预设神经网络进行多维特征提取,得到所述
样本特征的样本线性特征向量和至少两个样本深度特征向量;基于所述多个业务场景中每一业务场景对应的预设分类网络,对所述业务场景对应的样本特征的样本线性特征向量和至少两个样本深度特征向量进行分类预测,得到所述样本对对应的预测指标数据;基于所述预测指标数据和所述样本标签,确定所述多个业务场景各自的预设分类网络对应的模型损失;基于所述模型损失训练所述预设神经网络和各预设分类网络,得到所述预训练特征提取网络和所述多个业务场景各自对应的目标分类网络。6.根据权利要求5所述的方法,其特征在于,所述将所述多个样本对象的样本特征输入所述预设神经网络进行多维特征提取,得到所述样本特征的样本线性特征向量和至少两个样本深度特征向量包括:对每一业务场景对应的各样本特征进行样本抽取,得到所述业务场景对应的样本对;将所述业务场景对应的样本对输入所述预设神经网络进行多维特征提取,分别得到所述样本对中各样本特征的样本线性特征向量和至少两个样本深度特征向量。7.根据权利要求6所述的方法,其特征在于,所述基于所述预测指标数据和所述样本标签,确定所述多个业务场景各自的预设分类网络对应的模型损失包括:基于所述样本对中各样本特征的预测指标数据确定第一对比损失;基于所述样本对中各样本特征的预测指标数据、所述样本对对应的样本增强对中各样...
【专利技术属性】
技术研发人员:林炳怀,王丽园,
申请(专利权)人:腾讯科技深圳有限公司,
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。