司机动力画像的生成方法技术

本发明专利技术涉及信息融合技术领域，提供一种司机动力画像的生成方法

【技术实现步骤摘要】
司机动力画像的生成方法、装置、电子设备和存储介质


[0001]本专利技术涉及信息融合
，具体涉及一种司机动力画像的生成方法
、
装置
、
电子设备和存储介质
。

技术介绍

[0002]在共享经济
、
出行平台等行业，司机作为服务提供者的重要角色，其行为和表现直接影响了服务质量和用户体验
。
因此，针对司机的数据分析和画像成为了重要的研究方向
。
通过对司机运力的画像，平台和企业可以了解司机群体的特点，找到问题和瓶颈，并针对性地改进和优化运营策略
。
司机运力画像是现代数据分析和人工智能技术在出行服务行业的应用，旨在帮助企业更好地理解司机群体，优化运营策略，提高服务质量，以满足用户需求和在竞争中脱颖而出
。
[0003]司机运力画像主要用于解决货运司机缺乏信用，难以筛选出信誉良好
、
安全行车的司机的问题
。
司机运力画像的背景源自于现代数据分析和人工智能技术的发展
。
随着大数据和计算能力的不断增强，各种平台和企业开始积累了大量关于司机
、
乘客
、
订单等的数据
。
这些数据蕴含着丰富的信息，如果能够有效地进行分析和挖掘，就能为企业提供更深入的了解和更精准的决策
。

技术实现思路

[0004]为了解决现有技术中的缺陷，本专利技术提供了一种司机动力画像的生成方法及系统
>。
[0005]在一些实施方式中，本专利技术提供了一种司机动力画像的生成方法，包括：获取用户评价目标司机的文本数据和语音数据，并对所述文本数据和所述语音数据进行特征向量化表示；对特征向量化表示后的所述文本数据和所述语音数据进行全局特征提取，得到所述文本数据的全局特征向量表示和所述语音数据的全局特征向量表示；以两阶段的融合交互方式融合所述文本数据的全局特征向量表示和所述语音数据的全局特征向量表示，得到第一表示向量；对不同评价方面词进行特征向量化表示，得到第二表示向量；通过注意力机制构建所述第一表示向量与所述第二表示向量的注意力权重矩阵，得到关于所述第二表示向量的情感表达向量矩阵，以计算得出不同评价方面词的情感极性；基于所述不同评价方面词的情感极性，生成所述目标司机的动力画像
。
[0006]在一些实施方式中，所述获取用户评价目标司机的文本数据和语音数据，并对所述文本数据和所述语音数据进行特征向量化表示，包括：对所述文本数据和所述语音数据进行清洗且根据不同的评价方面词，分别标注相应的评论情感类别，所述评论情感类别包括好评
、
中评
、
差评；
基于
Bert
预训练模型对所述文本数据进行向量化表示：
[0007]基于
Bert
预训练模型进行语音数据
V
的向量化表示：；其中，
T
为所述文本数据的向量化表示，
V
为所述语音数据的向量化表示
。
[0008]在一些实施方式中，所述对特征向量化表示后的所述文本数据和所述语音数据进行全局特征提取，得到所述文本数据的全局特征向量表示和所述语音数据的全局特征向量表示，包括：利用
transformer
分别对
T
进行全局特征的提取，得到所述文本数据的全局特征向量表示：；利用
transformer
分别对
V
进行全局特征的提取，得到所述语音数据的全局特征向量表示：
。
[0009]在一些实施方式中，所述以两阶段的融合交互方式融合所述文本数据的全局特征向量表示和所述语音数据的全局特征向量表示，得到第一表示向量，包括：将所述语音数据的全局特征向量表示输入到
1*1
卷积，得到卷积后的所述语音数据的全局特征向量表示；；第一阶段融合，若卷积后的所述语音数据的全局特征向量表示大于所述文本数据的全局特征向量表示的长度，则采用下采样操作，否则采用上采样操作，使得卷积后的所述语音数据的全局特征向量表示与卷积后的所述文本数据的全局特征向量表示的长度保存一致，将卷积后的所述语音数据的全局特征向量表示与卷积后的所述文本数据的全局特征向量表示进行平均池化操作得到：；第二阶段融合，若卷积后的所述语音数据的全局特征向量表示的长度大于卷积后的所述文本数据的全局特征向量表示的长度，则采用下采样操作，否则采用上采样操作，使得卷积后的所述语音数据的全局特征向量表示与卷积后的所述文本数据的全局特征向量表示的长度保存一致，将卷积后的所述语音数据的全局特征向量表示与卷积后的所述文本数据的全局特征向量表示进行平均池化操作得到：；将上述
、
的进行取最大池化操作，得到所述第一表示向量：
。
[0010]在一些实施方式中，所述以两阶段的融合交互方式融合所述文本数据的全局特征
向量表示和所述语音数据的全局特征向量表示，得到第一表示向量，包括：设计用于评价司机的评价方面词组，所述评论方面词组报考服务态度，服务质量，接单效率，分别表示为；基于
Bert
预训练模型分别将不同的评价方面词组进行特征向量化表示，得到第二表示向量
A
：
。
[0011]在一些实施方式中，所述通过注意力机制构建所述第一表示向量与所述第二表示向量的注意力权重矩阵，得到关于所述第二表示向量的情感表达向量矩阵，包括：将所述第二表示向量
A
作为注意力机制输入的
Q、
将所述第一表示向量
G
作为注意力机制输入的
K、V
得到情感表达向量矩阵：
。
[0012]在一些实施方式中，所述计算得出不同评价方面词的情感极性，包括：基于
MLP
网络结构将所述情感表达向量矩阵进行情感极性分类：好评
、
中评
、
差评 (Positive, neutral, Negative)
：
。
[0013]在一些实施方式中，本专利技术提供一种司机动力画像的生成装置，包括：获取模块，用于获取用户评价目标司机的文本数据和语音数据，并对所述文本数据和所述语音数据进行特征向量化表示；提取模块，用于对特征向量化表示后的所述文本数据和所述语音数据进行全局特征提取，得到所述文本数据的全局特征向量表示和所述语音数据的全局特征向量表示；融合模块，用于以两阶段的融合交互方式融合所述文本数据的全局特征向量表示和所述语音数据的全局特征向量表示，得到第一表示向量；表示模块，用于对不同评价方面词进行特征向量化表示，得到第二表示向量；计算模块，用于通过注意力机制构建所述第一表示向量与所述第二表示向量的注意力权重矩阵，得到关于所述第二表示向量的情感表达向量矩阵，以计算得出不同评价方面词的情感极性；生成模块，用于基于所述不同评价方面词的情感极性，生成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种司机动力画像的生成方法，其特征在于，包括：获取用户评价目标司机的文本数据和语音数据，并对所述文本数据和所述语音数据进行特征向量化表示；对特征向量化表示后的所述文本数据和所述语音数据进行全局特征提取，得到所述文本数据的全局特征向量表示和所述语音数据的全局特征向量表示；以两阶段的融合交互方式融合所述文本数据的全局特征向量表示和所述语音数据的全局特征向量表示，得到第一表示向量；对不同评价方面词进行特征向量化表示，得到第二表示向量；通过注意力机制构建所述第一表示向量与所述第二表示向量的注意力权重矩阵，得到关于所述第二表示向量的情感表达向量矩阵，以计算得出不同评价方面词的情感极性；基于所述不同评价方面词的情感极性，生成所述目标司机的动力画像
。2.
根据权利要求1所述的司机动力画像的生成方法，其特征在于，所述获取用户评价目标司机的文本数据和语音数据，并对所述文本数据和所述语音数据进行特征向量化表示，包括：对所述文本数据和所述语音数据进行清洗且根据不同的评价方面词，分别标注相应的评论情感类别，所述评论情感类别包括好评
、
中评
、
差评；基于
Bert
预训练模型对所述文本数据进行向量化表示：；基于
Bert
预训练模型进行语音数据
V
的向量化表示：；其中，
T
为所述文本数据的向量化表示，
V
为所述语音数据的向量化表示
。3.
根据权利要求2所述的司机动力画像的生成方法，其特征在于，所述对特征向量化表示后的所述文本数据和所述语音数据进行全局特征提取，得到所述文本数据的全局特征向量表示和所述语音数据的全局特征向量表示，包括：利用
transformer
分别对
T
进行全局特征的提取，得到所述文本数据的全局特征向量表示：；利用
transformer
分别对
V
进行全局特征的提取，得到所述语音数据的全局特征向量表示：
。4.
根据权利要求3所述的司机动力画像的生成方法，其特征在于，所述以两阶段的融合交互方式融合所述文本数据的全局特征向量表示和所述语音数据的全局特征向量表示，得到第一表示向量，包括：将所述语音数据的全局特征向量表示输入到
1*1
卷积，得到卷积后的所述语音数据的全局特征向量表示；；
第一阶段融合，若卷积后的所述语音数据的全局特征向量表示大于所述文本数据的全局特征向量表示的长度，则采用下采样操作，否则采用上采样操作，使得卷积后的所述语音数据的全局特征向量表示与卷积后的所述文本数据的全局特征向量表示的长度保存一致，将卷积后的所述语音数据的全局特征向量表示与卷积后的所述文本数据的全局特征向量表示进行平均池化操作得到：；第二阶段融合，若卷积后的所述语音数据的全局特征向量表示的长度大于卷积后的所述文本数据的全局特征向量表示的长度，则采用下采样操作，否则采用上采样操作，使得卷积后的所述语音数据的全局特征向量表示与卷积...

【专利技术属性】
技术研发人员：李珂，侯睿，
申请(专利权)人：上海为旌科技有限公司，
类型：发明
国别省市：