【技术实现步骤摘要】
本专利技术涉及计算机机器学习，尤其是涉及一种应用均衡表示学习的出行中转排序方法及装置。
技术介绍
1、在中转方案推荐中，由于曝光方案是从大量候选集中选择截取的，收集的训练数据为在用户展示列表中的产品曝光、点击、购买数据，因此存在收集的训练数据与候选数据存在极大偏差的情况。目前存在的方法有，一是直接进行线上的kgb_cvr(know good bad)预估，对候选集按kgb_cvr预估值进行从大到小排列，kgb_cvr预估值，指完全采用已知的曝光后_购买的数据训练得到模型，此时得到的结果存在偏差。二是为了去偏采用已有的拒绝推断技术。然而，两种方法均存在一定的缺陷。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种应用均衡表示学习的出行中转排序方法及装置，以减少了模型的参数估计偏差，提高了购买概率预估的效果。
2、为了实现上述目的，本专利技术实施例采用的技术方案如下：
3、第一方面，本专利技术实施例提供了一种应用均衡表示学习的出行中转排序方法，包括：获取中转方案候选集；其中，中转方案候选集包括多个中转方案；基于预先确定的数据处理模型，对中转方案候选集进行数据处理，得到每个中转方案处理后的特征参数；将每个中转方案处理后的特征参数输入至预先训练好的均衡表示学习神经网络模型中，得到每个中转方案的购买概率预估值；基于购买概率预估值对中转方案进行排序。
4、在一种实施方式中，基于预先确定的数据处理模型，对中转方案候选集进行数据处理，包括：基于预先确定的
5、在一种实施方式中，均衡表示学习神经网络模型包括：均衡表示网络和预估网络；将每个中转方案处理后的特征参数输入至预先训练好的均衡表示学习神经网络模型中，得到每个中转方案的购买概率预估值，包括：将每个中转方案处理后的特征参数输入均衡表示网络，得到均衡表示的特征数据；其中，均衡表示网络包括：第一深度神经网络层和共享层；将均衡表示的特征数据输入预估网络，得到每个中转方案的购买概率预估值；其中，预估网络包括：第二深度神经网络层和sigmoid激活函数层。
6、在一种实施方式中，基于购买概率预估值对中转方案进行排序，包括：按照购买概率预估值从大到小的顺序，对中转方案进行排序；基于排序结果，选择预设数量的中转方案进行列表展示。
7、在一种实施方式中，均衡表示学习神经网络模型的训练包括：获取训练数据集，并对训练数据集进行预处理；基于预处理后的训练数据集对均衡表示学习神经网络模型进行训练得到训练好的均衡表示学习神经网络模型和均衡表示网络。
8、在一种实施方式中，上述方法还包括：基于均衡表示网络对预处理后的训练数据集进行验证。
9、第二方面，本专利技术实施例提供了一种应用均衡表示学习的出行中转排序装置，包括：数据获取模块，用于获取中转方案候选集；其中，中转方案候选集包括多个中转方案；数据处理模块，用于基于预先确定的数据处理模型，对中转方案候选集进行数据处理，得到每个中转方案处理后的特征参数；预估值确定模块，用于将每个中转方案处理后的特征参数输入至预先训练好的均衡表示学习神经网络模型中，得到每个中转方案的购买概率预估值；排序模块，用于基于购买概率预估值对中转方案进行排序。
10、在一种实施方式中，均衡表示学习神经网络模型包括：均衡表示网络和预估网络；预估值确定模块还用于：将每个中转方案处理后的特征参数输入均衡表示网络，得到均衡表示的特征数据；其中，均衡表示网络包括：第一深度神经网络层和共享层；将均衡表示的特征数据输入预估网络，得到每个中转方案的购买概率预估值；其中，预估网络包括：第二深度神经网络层和sigmoid激活函数层。
11、第三方面，本专利技术实施例提供了一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述第一方面提供的任一项的方法的步骤。
12、第四方面，本专利技术实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述第一方面提供的任一项的方法的步骤。
13、本专利技术实施例带来了以下有益效果：
14、本专利技术实施例提供的上述应用均衡表示学习的出行中转排序方法及装置，首先，获取中转方案候选集(中转方案候选集包括多个中转方案)；然后，基于预先确定的数据处理模型，对中转方案候选集进行数据处理，得到每个中转方案处理后的特征参数；接着，将每个中转方案处理后的特征参数输入至预先训练好的均衡表示学习神经网络模型中，得到每个中转方案的购买概率预估值；最后，基于购买概率预估值对中转方案进行排序。上述方法利用均衡表示学习神经网络模型确定中转方案的购买概率预估值，均衡表示学习神经网络模型由均衡表示网络和预估网络组成，能够充分减小中转方案候选集与训练集之间的数据偏差，提高购买概率预估的效果。
15、本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
16、为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种应用均衡表示学习的出行中转排序方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于预先确定的数据处理模型，对所述中转方案候选集进行数据处理，包括：
3.根据权利要求1所述的方法，其特征在于，所述均衡表示学习神经网络模型包括：均衡表示网络和预估网络；
4.根据权利要求1所述的方法，其特征在于，基于所述购买概率预估值对所述中转方案进行排序，包括：
5.根据权利要求1所述的方法，其特征在于，所述均衡表示学习神经网络模型的训练包括：
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
7.一种应用均衡表示学习的出行中转排序装置，其特征在于，包括：
8.根据权利要求7所述的装置，其特征在于，所述均衡表示学习神经网络模型包括：均衡表示网络和预估网络；
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至6任一项所述的方法的步骤。
10.一种计算机
...【技术特征摘要】
1.一种应用均衡表示学习的出行中转排序方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于预先确定的数据处理模型，对所述中转方案候选集进行数据处理，包括：
3.根据权利要求1所述的方法，其特征在于，所述均衡表示学习神经网络模型包括：均衡表示网络和预估网络；
4.根据权利要求1所述的方法，其特征在于，基于所述购买概率预估值对所述中转方案进行排序，包括：
5.根据权利要求1所述的方法，其特征在于，所述均衡表示学习神经网络模型的训练包括：
6.根据权利要求5所述的方法，其特征在于，所述方法...
【专利技术属性】
技术研发人员：王安琪，马和平，
申请(专利权)人：同程网络科技股份有限公司，
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。