业务指标预测方法、装置、设备和存储介质制造方法及图纸

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，涉及人工智能技术领域，可以应用于云技术、人工智能等各种场景，方法包括：获取对象特征、实体特征、以及业务对象与目标业务实体间的关联特征；将对象特征、实体特征和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，以进行业务指标分类预测，得到指标分类预测结果；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，结合多个业务场景各自对应的样本特征和样本标签，对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。本申请能够降低多业务场景的模型训练资源消耗。的模型训练资源消耗。的模型训练资源消耗。

【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。
[0009]另一方面提供了一种业务指标预测装置，所述装置包括：
[0010]获取模块：用于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；
[0011]特征提取模块：用于将所述对象特征、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；
[0012]分类预测模块：用于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；
[0013]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。
[0014]另一方面提供了一种计算机设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的业务指标预测方法。
[0015]另一方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的业务指标预测方法。
[0016]另一方面提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的业务指标预测方法。
[0017]另一方面提供了一种终端，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的业务指标预测方法。
[0018]另一方面提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令被处理器执行时实现如上述的业务指标预测方法。
[0019]本申请提供的业务指标预测方法、装置、设备、存储介质、服务器、终端、计算机程序和计算机程序产品，具有如下技术效果：
[0020]本申请的技术方案首先获取业务对象的对象特征、目标业务实体的实体特征、以及业务对象与目标业务实体间的关联特征，对象特征、实体特征和关联特征为结构化特征，结合对象特征信息、实体特征信息，以及二者间的交联特征实现多维度信息表达，进而提高用于预测的特征向量的信息表达全面性和有效性；然后，将对象特征、实体特征和关联特征输入预训练特征提取网络进行多维特征提取，以得到不同信息维度的线性特征向量和至少两个深度特征向量，进而进行业务指标分类预测，得到指标分类预测结果，能够丰富用于预测的特征向量信息维度，并有利于上述不同特征间的信息交互，提高最终特征向量的信息表达准确性，进而优化模型预测效果，并且采用预训练网络进行特征提取，能够泛化应用至各种不同的指标预测任务，实现特征提取网络共享，无需针对每一业务场景进行单独的特征提取网络训练，降低多场景任务的资源消耗和时间成本，同时降低样本构建难度。此外，该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，结合多个业务场景各自对应的样本特征和样本标签，对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，使得预训练网络具备多场景特征提取能力和泛化性能，同时保持分类网络的场景特异性，优化网络模型学习效果和应用效果。
附图说明
[0021]为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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，对于本领域普通技术人员来讲，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它附图。
[0022]图1是本申请实施例提供的一种应用环境的示意图；
[0023]图2是本申请实施例提供的一种业务指标预测方法的流程示意图；
[0024]图3是本申请实施例提供的另一业务指标预测方法的流程示意图；
[0025]图4是本申请实施例提供的一种神经网络训练方法的流程示意图；
[0026]图5是本申请实施例提供的一种网络结构示意图；
[0027]图6是本申请实施例提供的一种应用实例的业务预测方法流程示意图；
[0028]图7是本申请实施例提供的一种训练框架的结构示意图；
[0029]图8是本申请实施例提供的另一种训练框架的结构示意图；
[0030]图9是本申请实施例提供的另一种训练框架的结构示意图；
[0031]图10是本申请实施例提供一种业务指标预测装置的框架示意图；
[0032]图11是本申请实施例提供的一种业务指标预测方法的电子设备的硬件结构框图。
具体实施方式
[0033]下面将结合本申请实施例中的附图，对本文档来自技高网...

【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：