模型训练方法和装置、问卷推送方法和装置、设备和介质制造方法及图纸

本发明专利技术涉及互联网技术领域，提供一种模型训练方法和装置、问卷推送方法和装置、设备和介质。所述模型训练方法包括步骤：自问卷样本数据中，提取与触发行为关联的第一数据信息、与参与对象关联的第二数据信息和与问卷内容关联的推送信息；根据所述第一数据信息生成标识所述触发行为的第一特征向量，根据所述第二数据信息生成标识所述参与对象的第二特征向量；以及，以所述第一特征向量和所述第二特征向量为输入，以所述推送信息为输出，训练深度学习模型，获得问卷生成模型。本发明专利技术将与触发行为、参与对象和问卷内容相关的数据信息作为训练数据，获得问卷生成模型，实现精准、有效的问卷推送。

【技术实现步骤摘要】
模型训练方法和装置、问卷推送方法和装置、设备和介质
本专利技术涉及互联网
，具体地说，涉及一种模型训练方法和装置、问卷推送方法和装置、设备和介质。
技术介绍
问卷调查是统计调查各种问题的常用方式。传统的问卷调查多采用纸质形式，调查范围和基数有限，且消耗大量人力。随着互联网的发展，问卷调查逐渐转为线上投放，通过问卷网站、电子邮件、短信推广等形式发放问卷。线上投放的方式虽然范围广、基数大、省去人工发放，但是缺乏针对性，能够获得的有效反馈少，也对不想受访的用户造成打扰。基于此，现有技术中发展出针对某一类群体定向投放问卷的方式。例如，将学校相关主题问卷投放给学生群体，将家庭相关主题问卷投放给女性用户群体，将赛车相关主题问卷投放给男性用户群体，等等。但是，现有的定向投放问卷的方式仍然比较单一，没有考虑其他相关因素，无法实现精准的问卷投放。需要说明的是，上述
技术介绍
部分公开的信息仅用于加强对本专利技术的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
有鉴于此，本专利技术提供一种模型训练方法和装置、问卷推送方法和装置、设备和介质，将与触发行为、参与对象和问卷内容相关的数据信息作为训练数据，获得问卷生成模型，实现精准、有效的问卷推送。本专利技术的第一方面提供一种模型训练方法，包括步骤：自问卷样本数据中，提取与触发行为关联的第一数据信息、与参与对象关联的第二数据信息和与问卷内容关联的推送信息；根据所述第一数据信息生成标识所述触发行为的第一特征向量，根据所述第二数据信息生成标识所述参与对象的第二特征向量；以及，以所述第一特征向量和所述第二特征向量为输入，以所述推送信息为输出，训练深度学习模型，获得问卷生成模型。在一些实施例中，所述第一数据信息包括：问卷触发行为的发生时间、设备参数和地点场景中的一种或多种。在一些实施例中，根据所述第一数据信息生成标识所述触发行为的第一特征向量的步骤包括：通过所述深度学习模型的嵌入层将所述第一数据信息映射至向量空间，生成所述第一特征向量；以及，根据所述第一数据信息与所述第一特征向量之间的映射关系，生成第一特征索引表。在一些实施例中，所述第二数据信息包括：问卷参与对象的用户画像、历史问卷完成率和历史问卷浏览数据中的一种或多种。在一些实施例中，根据所述第二数据信息生成标识所述参与对象的第二特征向量的步骤包括：通过所述深度学习模型的嵌入层将所述第二数据信息映射至向量空间，生成所述第二特征向量；以及，根据所述第二数据信息与所述第二特征向量之间的映射关系，生成第二特征索引表。在一些实施例中，所述推送信息包括：问卷的推送方式、题型和答题所需时间中的一种或多种。在一些实施例中，所述推送方式包括：即时界面推送、即时电话推送、预设时间后的界面推送和预设时间后的电话推送中的任一种。本专利技术的第二方面提供一种模型训练装置，基于上述任意实施例所述的模型训练方法，所述模型训练装置包括：数据提取模块，用于自问卷样本数据中，提取与触发行为关联的第一数据信息、与参与对象关联的第二数据信息和与问卷内容关联的推送信息；向量生成模块，用于根据所述第一数据信息生成标识所述触发行为的第一特征向量，根据所述第二数据信息生成标识所述参与对象的第二特征向量；以及模型生成模块，用于以所述第一特征向量和所述第二特征向量为输入，以所述推送信息为输出，训练深度学习模型，获得问卷生成模型。本专利技术的第三方面提供一种问卷推送方法，基于上述任意实施例所述的模型训练方法获得的问卷生成模型，所述问卷推送方法包括步骤：响应于问卷推送请求，提取所述问卷推送请求携带的当前触发行为的数据信息和当前参与对象的数据信息；根据所述当前触发行为的数据信息生成当前触发行为特征向量，根据所述当前参与对象的数据信息生成当前参与对象特征向量；将所述当前触发行为特征向量和所述当前参与对象特征向量输入所述问卷生成模型，获得推送信息与所述当前触发行为和所述当前参与对象匹配的目标问卷；以及，根据所述目标问卷的推送信息，将所述目标问卷推送至发起所述问卷推送请求的目标设备。在一些实施例中，根据所述当前触发行为的数据信息生成当前触发行为特征向量的步骤包括：根据所述当前触发行为的数据信息遍历所述问卷生成模型的第一特征索引表，查找是否有与所述当前触发行为的数据信息匹配的第一数据信息；若是，则以匹配的第一数据信息关联的第一特征向量作为所述当前触发行为特征向量；若否，则通过所述问卷生成模型的嵌入层将所述当前触发行为的数据信息映射至向量空间，生成所述当前触发行为特征向量。在一些实施例中，根据所述当前参与对象的数据信息生成当前参与对象特征向量的步骤包括：根据所述当前参与对象的数据信息遍历所述问卷生成模型的第二特征索引表，查找是否有与所述当前参与对象的数据信息匹配的第二数据信息；若是，则以匹配的第二数据信息关联的第二特征向量作为所述当前参与对象特征向量；若否，则通过所述问卷生成模型的嵌入层将所述当前参与对象的数据信息映射至向量空间，生成所述当前参与对象特征向量。在一些实施例中，将所述目标问卷推送至发起所述问卷推送请求的目标设备的步骤包括：即时地或预设时间后，以界面推送或电话推送的方式，将具有与所述当前触发行为和所述当前参与对象匹配的题型和答题所需时间的目标问卷推送至所述目标设备。本专利技术的第四方面提供一种问卷推送装置，基于上述任意实施例所述的问卷推送方法，所述问卷推送装置包括：请求响应模块，用于响应于问卷推送请求，提取所述问卷推送请求携带的当前触发行为的数据信息和当前参与对象的数据信息；向量转换模块，用于根据所述当前触发行为的数据信息生成当前触发行为特征向量，并根据所述当前参与对象的数据信息生成当前参与对象特征向量；问卷生成模块，用于将所述当前触发行为特征向量和所述当前参与对象特征向量输入所述问卷生成模型，获得推送信息与所述当前触发行为和所述当前参与对象匹配的目标问卷；以及问卷推送模块，用于根据所述目标问卷的推送信息，将所述目标问卷推送至发起所述问卷推送请求的目标设备。本专利技术的第五方面提供一种计算机设备，包括：处理器；存储器，所述存储器中存储有所述处理器的可执行指令；其中，所述处理器被配置为经由执行所述可执行指令来执行上述任意实施例所述的模型训练方法的步骤；或者，所述处理器被配置为经由执行所述可执行指令来执行上述任意实施例所述的问卷推送方法的步骤。本专利技术的第六方面提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现上述任意实施例所述的模型训练方法的步骤；或者，所述程序被执行时实现上述任意实施例所述的问卷推送方法的步骤。本专利技术与现有技术相比的有益效果至少包括：模型训练方法中，将与触发行为、参与对象和问卷内容相关的数据信息作为训练数据，使训练获得的问卷生成模型能够生成问卷内容与触发行为和参与对象精准匹配的问卷；问卷推送方法中，将标识当前触发行为和当前参与对象的特征向量输入训练获得的问卷生成模型，从而获得推送信息与当前触发行为和当前参与对象精准匹配的本文档来自技高网...

【技术保护点】
1.一种模型训练方法，其特征在于，包括步骤：/n自问卷样本数据中，提取与触发行为关联的第一数据信息、与参与对象关联的第二数据信息和与问卷内容关联的推送信息；/n根据所述第一数据信息生成标识所述触发行为的第一特征向量，根据所述第二数据信息生成标识所述参与对象的第二特征向量；以及/n以所述第一特征向量和所述第二特征向量为输入，以所述推送信息为输出，训练深度学习模型，获得问卷生成模型。/n

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括步骤：
自问卷样本数据中，提取与触发行为关联的第一数据信息、与参与对象关联的第二数据信息和与问卷内容关联的推送信息；
根据所述第一数据信息生成标识所述触发行为的第一特征向量，根据所述第二数据信息生成标识所述参与对象的第二特征向量；以及
以所述第一特征向量和所述第二特征向量为输入，以所述推送信息为输出，训练深度学习模型，获得问卷生成模型。


2.如权利要求1所述的模型训练方法，其特征在于，所述第一数据信息包括：问卷触发行为的发生时间、设备参数和地点场景中的一种或多种。


3.如权利要求2所述的模型训练方法，其特征在于，根据所述第一数据信息生成标识所述触发行为的第一特征向量的步骤包括：
通过所述深度学习模型的嵌入层将所述第一数据信息映射至向量空间，生成所述第一特征向量；以及
根据所述第一数据信息与所述第一特征向量之间的映射关系，生成第一特征索引表。


4.如权利要求1所述的模型训练方法，其特征在于，所述第二数据信息包括：问卷参与对象的用户画像、历史问卷完成率和历史问卷浏览数据中的一种或多种。


5.如权利要求4所述的模型训练方法，其特征在于，根据所述第二数据信息生成标识所述参与对象的第二特征向量的步骤包括：
通过所述深度学习模型的嵌入层将所述第二数据信息映射至向量空间，生成所述第二特征向量；以及
根据所述第二数据信息与所述第二特征向量之间的映射关系，生成第二特征索引表。


6.如权利要求1所述的模型训练方法，其特征在于，所述推送信息包括：问卷的推送方式、题型和答题所需时间中的一种或多种。


7.如权利要求6所述的模型训练方法，其特征在于，所述推送方式包括：即时界面推送、即时电话推送、预设时间后的界面推送和预设时间后的电话推送中的任一种。


8.一种模型训练装置，其特征在于，基于权利要求1-7任一项所述的模型训练方法，所述模型训练装置包括：
数据提取模块，用于自问卷样本数据中，提取与触发行为关联的第一数据信息、与参与对象关联的第二数据信息和与问卷内容关联的推送信息；
向量生成模块，用于根据所述第一数据信息生成标识所述触发行为的第一特征向量，根据所述第二数据信息生成标识所述参与对象的第二特征向量；以及
模型生成模块，用于以所述第一特征向量和所述第二特征向量为输入，以所述推送信息为输出，训练深度学习模型，获得问卷生成模型。


9.一种问卷推送方法，其特征在于，基于权利要求1-7任一项所述的模型训练方法获得的问卷生成模型，所述问卷推送方法包括步骤：
响应于问卷推送请求，提取所述问卷推送请求携带的当前触发行为的数据信息和当前参与对象的数据信息；
根据所述当前触发行为的数据信息生成当前触发行为特征向量，根据所述当前参与对象的数据信息生成当前参与对象特征向量；
将所述当前触发行为特征向量和所述当前参与对象特征向量输入所述问卷生成...

【专利技术属性】
技术研发人员：孙茂华，王长春，陈旭伟，陈丹，
申请(专利权)人：上海华客信息科技有限公司，
类型：发明
国别省市：上海;31