本发明专利技术涉及人工智能技术领域，提供一种基于人工智能的目标对象匹配方法及相关设备，首先对原始的孪生神经网络进行改进，并基于相似样本对和不相似样本对对改进后的孪生神经网络进行训练，得到学习能力和泛化性能较高的相似度计算模型；其次，在获取多个待匹配对象之后，根据待匹配对象的目标数据为对应的待匹配对象标识目标标签，从而将标识有不同目标标签的待匹配对象进行两两配对，得到多个待匹配对象对；最后使用相似度计算模型计算每个待匹配对象对的相似度，从而根据所述相似度确定所述多个待匹配对象对中的目标待匹配对象对。本发明专利技术能够准确且快速批量的为目标对象进行配对。明能够准确且快速批量的为目标对象进行配对。明能够准确且快速批量的为目标对象进行配对。
【技术实现步骤摘要】
基于人工智能的目标对象匹配方法及相关设备
[0001]本专利技术涉及人工智能
，具体涉及一种基于人工智能的目标对象匹配方法、装置、电子设备及存储介质。
技术介绍
[0002]在保险行业中，保险代理人的个人特征和展业行为特征，在很大程度上影响其成单概率和最终业绩水平。企业通过网上学习平台为保险代理人推荐课程资源，以提高他们的出单率。
[0003]专利技术人在实现本专利技术的过程中发现，现有的推荐系统主要是根据保险代理人的用户特征进行课程推荐，然而对于用户特征相似的两个保险代理人，比如同一个地区同样年龄的代理人，出勤率、走访频率、电访频率等也相似，却可能产生不同的出单结果和业绩，因此，目标对象的配对不准确导致推荐系统的推荐效果也较差。
技术实现思路
[0004]鉴于以上内容，有必要提出一种基于人工智能的目标对象匹配方法、装置、电子设备及存储介质，能够准确的进行目标对象的匹配。
[0005]本专利技术的第一方面提供一种基于人工智能的目标对象匹配方法，所述方法包括：获取多个正样本对及多个负样本对，其中，所述正样本对中的两个样本为相似样本，所述负样本对中的两个样本为不相似样本；获取原始孪生神经网络并对所述原始孪生神经网络进行改进，基于所述多个正样本对及所述多个负样本对对改进后的孪生神经网络进行训练，得到相似度计算模型；获取多个待匹配对象的目标数据，并根据所述目标数据为对应的所述待匹配对象标识目标标签；将标识有不同目标标签的待匹配对象进行两两配对，得到多个待匹配对象对；使用所述相似度计算模型计算每个所述待匹配对象对的相似度，并根据所述相似度确定所述多个待匹配对象对中的目标待匹配对象对。
[0006]在一个可选的实施方式中，所述对所述原始孪生神经网络进行改进包括：获取所述原始孪生神经网络中的N个全连接层；使用卷积层替换前N
‑
1个全连接层；在前N
‑
2个卷积层中的每一个卷积层加入一层最大池化层，并在每个卷积层中加入一层批归一化层，得到改进后的孪生神经网络。
[0007]在一个可选的实施方式中，所述基于所述多个正样本对及所述多个负样本对对改进后的孪生神经网络进行训练，得到相似度计算模型包括：随机选取至少一个目标正样本对及至少一个目标负样本对；对所述目标正样本对中的至少一个特征数据进行擦除处理，及对目标负样本对中的至少一个特征数据进行擦除处理；
根据擦除处理后的目标正样本对和擦除处理后的目标负样本对得到训练样本对集；将所述训练样本对集中的每个训练样本对通过一个卷积层进行特征降维，得到降维特征；将所述降维特征通过ReLU函数进行激活，得到激活特征；将所述激活特征通过下一个卷积层进行升维，得到升维特征；将所述升维特征通过sigmoid函数进行归一化，得到归一化特征；将所述归一化特征通过最大池化操作，得到池化特征；根据所述池化特征对改进后的孪生神经网络进行训练，得到相似度计算模型。
[0008]在一个可选的实施方式中，所述根据所述目标数据为对应的所述待匹配对象标识目标标签包括：将所述目标数据与预设多个数据范围进行匹配；确定与所述目标数据匹配的目标数据范围；将所述目标数据范围对应的标签标识为所述目标数据对应的待匹配对象的目标标签。
[0009]在一个可选的实施方式中，所述根据所述相似度确定所述多个待匹配对象对中的目标待匹配对象对包括：计算标识有第一目标标签对应的待匹配对象的第一数量；计算标识有第二目标标签对应的待匹配对象的第二数量；根据所述第一数量及所述第二数量创建初始矩阵；将所述相似度写入所述初始矩阵中，得到相似度矩阵；搜索所述相似度矩阵的每列中的最大相似度；根据所述最大相似度确定目标待匹配对象对。
[0010]在一个可选的实施方式中，所述获取多个正样本对及多个负样本对包括：获取每个样本的特征数据并将每个样本的特征数据进行标准化处理得到标准数据；将每两个样本进行配对得到多个样本对；根据所述标准数据计算每个所述样本对中两个样本之间的欧氏距离；将欧式距离进行排序，并根据排序后的欧式距离从所述多个样本对中获取所述多个正样本对及所述多个负样本对。
[0011]在一个可选的实施方式中，所述方法还包括：获取所述目标待匹配对象对中标识有所述第二目标标签的目标对象的课程列表；将所述课程列表推荐给所述目标待匹配对象对中标识有所述第一目标标签的目标对象。
[0012]本专利技术的第二方面提供一种基于人工智能的目标对象匹配装置，所述装置包括：获取模块，用于获取多个正样本对及多个负样本对，其中，所述正样本对中的两个样本为相似样本，所述负样本对中的两个样本为不相似样本；训练模块，用于获取原始孪生神经网络并对所述原始孪生神经网络进行改进，基于所述多个正样本对及所述多个负样本对对改进后的孪生神经网络进行训练，得到相似度
计算模型；标识模块，用于获取多个待匹配对象的目标数据，并根据所述目标数据为对应的所述待匹配对象标识目标标签；配对模块，用于将标识有不同目标标签的待匹配对象进行两两配对，得到多个待匹配对象对；计算模块，用于使用所述相似度计算模型计算每个所述待匹配对象对的相似度，并根据所述相似度确定所述多个待匹配对象对中的目标待匹配对象对。
[0013]本专利技术的第三方面提供一种电子设备，所述电子设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述基于人工智能的目标对象匹配方法。
[0014]本专利技术的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于人工智能的目标对象匹配方法。
[0015]综上所述，本专利技术所述的基于人工智能的目标对象匹配方法、装置、电子设备及存储介质，首先对原始的孪生神经网络进行改进，并基于相似样本对和不相似样本对对改进后的孪生神经网络进行训练，得到学习能力和泛化性能较高的相似度计算模型；其次，在获取多个待匹配对象之后，根据待匹配对象的目标数据为对应的待匹配对象标识目标标签，从而将标识有不同目标标签的待匹配对象进行两两配对，得到多个待匹配对象对；最后使用相似度计算模型计算每个待匹配对象对的相似度，从而根据所述相似度确定所述多个待匹配对象对中的目标待匹配对象对。本专利技术能够准确且快速批量的为目标对象进行配对。
附图说明
[0016]图1是本专利技术实施例一提供的基于人工智能的目标对象匹配方法的流程图。
[0017]图2是本专利技术实施例二提供的基于人工智能的目标对象匹配装置的结构图。
[0018]图3是本专利技术实施例三提供的电子设备的结构示意图。
具体实施方式
[0019]为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施例对本专利技术进行详细描述。需要说明的是，在不冲突的情况下，本专利技术的实施例及实施例中的特征可以相互组合。
[0020]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述在一个可选的实施方式本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于人工智能的目标对象匹配方法，其特征在于，所述方法包括：获取多个正样本对及多个负样本对，其中，所述正样本对中的两个样本为相似样本，所述负样本对中的两个样本为不相似样本；获取原始孪生神经网络并对所述原始孪生神经网络进行改进，基于所述多个正样本对及所述多个负样本对对改进后的孪生神经网络进行训练，得到相似度计算模型；获取多个待匹配对象的目标数据，并根据所述目标数据为对应的所述待匹配对象标识目标标签；将标识有不同目标标签的待匹配对象进行两两配对，得到多个待匹配对象对；使用所述相似度计算模型计算每个所述待匹配对象对的相似度，并根据所述相似度确定所述多个待匹配对象对中的目标待匹配对象对。2.如权利要求1所述的基于人工智能的目标对象匹配方法，其特征在于，所述对所述原始孪生神经网络进行改进包括：获取所述原始孪生神经网络中的N个全连接层；使用卷积层替换前N
‑
1个全连接层；在前N
‑
2个卷积层中的每一个卷积层加入一层最大池化层，并在每个卷积层中加入一层批归一化层，得到改进后的孪生神经网络。3.如权利要求2所述的基于人工智能的目标对象匹配方法，其特征在于，所述基于所述多个正样本对及所述多个负样本对对改进后的孪生神经网络进行训练，得到相似度计算模型包括：随机选取至少一个目标正样本对及至少一个目标负样本对；对所述目标正样本对中的至少一个特征数据进行擦除处理，及对目标负样本对中的至少一个特征数据进行擦除处理；根据擦除处理后的目标正样本对和擦除处理后的目标负样本对得到训练样本对集；将所述训练样本对集中的每个训练样本对通过一个卷积层进行特征降维，得到降维特征；将所述降维特征通过ReLU函数进行激活，得到激活特征；将所述激活特征通过下一个卷积层进行升维，得到升维特征；将所述升维特征通过sigmoid函数进行归一化，得到归一化特征；将所述归一化特征通过最大池化操作，得到池化特征；根据所述池化特征对改进后的孪生神经网络进行训练，得到相似度计算模型。4.如权利要求1所述的基于人工智能的目标对象匹配方法，其特征在于，所述根据所述目标数据为对应的所述待匹配对象标识目标标签包括：将所述目标数据与预设多个数据范围进行匹配；确定与所述目标数据匹配的目标数据范围；将所述目标数据范围对应的标签标识为所述目标数据对应的待匹配对象的目标标签。5.如权利要求4所述的基于人...
【专利技术属性】
技术研发人员：袁雅云，张莉，任杰，
申请(专利权)人：平安科技深圳有限公司，
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。