基于时序模型的增员信息获取方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及人工智能领域，揭露一种基于时序模型的增员信息获取方法，包括：将历史用户特征集及历史期望特征集进行时序关系添加及分类，以统计用户特征类型组合的用户特征概率及期望特征类型组合的期望特征概率；识别历史用户特征集及历史期望特征集之间的关联关系，并根据关联关系、用户特征概率及期望特征概率将初始训练数据集进行扩展，将得到扩展数据及历史数据作为训练数据集进行增员模型训练；通过训练完成的增员模型输出与候选用户相匹配的目标期望特征。本发明专利技术还涉及一种区块链技术，用户特征集及期望特征集可存储在区块链节点中。本发明专利技术还提出一种基于时序模型的增员信息获取装置、设备以及介质。本发明专利技术可以提高增员效率及增员质量。员效率及增员质量。员效率及增员质量。

【技术实现步骤摘要】
基于时序模型的增员信息获取方法、装置、设备及介质


[0001]本专利技术涉及人工智能领域，尤其涉及一种基于时序模型的增员信息获取方法、装置、设备及存储介质。

技术介绍

[0002]在企业增员的过程中，在考虑候选人的个人特征的同时，企业也对候选人有多个期望指标，通常需要基于历史候选人的信息及期望指标实现智能化增员，传统的增员方法一般是基于候选人的个人特征及期望指标特征训练多个融合的回归模型，并通过训练后的融合模型输出候选人对应的目标期望指标，以实现增员决策。
[0003]但是，由于传统的单个回归模型只能计算出候选人的单个目标期望指标，需要多个模型融合才能得到候选人对应的所有期望指标，使得获取候选人信息的效率较低，进而降低增员的效率；进一步地，传统模型也未考虑多个期望指标中每个期望指标对增员决策的影响程度，使得获取候选人信息的质量不高，进而降低增员的质量。

技术实现思路

[0004]本专利技术提供一种基于时序模型的增员信息获取方法、装置、设备及存储介质，其主要目的是提高增员效率及增员质量。
[0005]为实现上述目的，本专利技术提供了一种基于时序模型的增员信息获取方法，包括：
[0006]获取历史用户特征集及历史期望特征集，分别将所述历史用户特征集及所述历史期望特征集进行时序关系添加，得到历史用户时序特征集及历史期望时序特征集，分别将所述历史用户时序特征集及所述历史期望时序特征集进行分类，得到用户特征类型及期望特征类型；
[0007]分别统计所述用户特征类型之间组合的用户特征概率及所述期望特征类型之间组合的期望特征概率；
[0008]将所述历史用户特征集及所述历史期望特征集作为初始训练数据集，并识别所述历史用户特征集及所述历史期望特征集之间的关联关系，并根据所述关联关系、所述用户特征概率及所述期望特征概率将所述初始训练数据集进行扩展，得到新训练数据集，合并所述初始训练数据集及所述新训练数据集作为目标训练数据集；
[0009]从所述目标训练数据集中获取用户特征集对应的真实期望特征集，根据所述目标训练数据集及所述真实期望特征集对预设的增员模型进行训练，得到训练完成的增员模型；
[0010]获取待增员用户的候选用户特征集，并将所述候选用户特征集输入所述训练完成的增员模型中，得到所述候选用户特征集对应的目标期望特征集，根据所述目标期望特征集对所述待增员用户进行增员决策，得到增员结果。
[0011]可选地，所述利用所述双塔模型中的融合层将所述用户交互矩阵集及所述机构交互矩阵集进行交互拼接，得到目标用户交互特征集，包括：
[0012]利用所述融合层中的膨胀因果卷积层将所述用户交互矩阵集及所述机构交互矩阵集进行拼接，得到初始目标用户交互特征集；
[0013]利用所述融合层中的残差连接层将所述初始用户机构交互特征集进行特征降维，得到所述目标用户交互特征集。
[0014]可选地，所述根据所述关联关系、所述用户特征概率及所述期望特征概率将所述初始训练数据集进行扩展，得到新训练数据集，包括：
[0015]根据所述用户特征概率及所述期望特征概率生成初始新训练数据集；
[0016]根据所述关联关系遍历所述初始新训练数据集中是否存在与历史用户特征集中相同的用户特征；
[0017]当所述初始新训练数据集中不存在与历史用户特征集中相同的用户特征时，计算所述用户特征与所述历史用户特征集中历史用户特征的相似度，根据所述相似度从所述历史用户特征集中查找与所述用户特征相匹配的历史用户特征对应的期望特征；
[0018]将所述用户特征与所述用户特征对应的期望特征加入所述初始新训练数据集，得到所述新训练数据集。
[0019]可选地，所述分别统计所述用户特征类型之间组合的用户特征概率及所述期望特征类型之间组合的期望特征概率，包括：
[0020]利用预设的分类器将所述用户特征类型及所述期望特征类型分别进行用户分类及期望分类，得到所述用户特征类型之间的先验概率及所述期望特征类型之间的先验概率；
[0021]根据所述用户特征类型之间的先验概率确定所述用户特征类型所属类别的用户特征概率，再根据所述期望特征类型之间的先验概确定所述期望特征类型所属类别的期望特征概率。
[0022]可选地，所述分别将所述历史用户时序特征集及所述历史期望时序特征集进行分类，得到用户特征类型及期望特征类型，包括：
[0023]获取所述历史用户时序特征集的用户维度用户类标签，以及获取所述历史期望时序特征集的期望类标签；
[0024]分别将所述用户维度及所述期望维度进行降维，得到低维历史用户特征集及低维历史期望特征集；
[0025]根据所述用户类标签将所述低维历史用户特征集进行离散化，得到所述用户特征类型；
[0026]根据所述期望类标签将所述低维历史期望特征集进行离散化，得到所述期望特征类型。
[0027]可选地，其特征在于，所述根据所述目标训练数据集及所述真实期望特征集对预设的增员模型进行训练，得到训练完成的增员模型，包括：
[0028]利用所述预设的增员模型中的嵌入层将所述目标训练数据集进行位置编码，得到训练数据时序向量，其中所述目标训练数据集包括用户特征集及期望特征集；
[0029]利用所述增员模型中的编码层将所述训练数据时序向量进行编码，得到训练数据特征向量；
[0030]利用所述增员模型中的解码层对所述训练数据特征向量进行解码，得到所述用户
特征集的预测期望特征集；
[0031]利用所述增员模型中的损失函数计算所述预测期望特征集和所述真实期望特征集的损失值，根据所述损失值调整所述增员模型的参数，直到所述损失值满足预设条件时，得到所述训练完成的增员模型。
[0032]可选地，所述利用所述增员模型中的解码层对所述训练数据特征向量进行解码，得到所述用户特征集的预测期望特征集，包括：
[0033]利用所述解码层中的多头注意力机制层对所述训练数据特征向量进行混合点积操作，得到训练数据关联特征向量；
[0034]利用所述解码层中的正则层将所述训练数据关联特征向量进行解码，得到解码训练数据向量；
[0035]将所述解码训练数据向量输入至解码层中的激活函数中输出所述所述用户特征集的的预测期望特征集。
[0036]可选地，所述分别将所述历史用户特征集及所述历史期望特征集进行时序关系添加，得到历史用户时序特征集及历史期望时序特征集，包括：
[0037]获取所述历史用户特征集及所述历史期望特征集中各特征的采集时间，将所述采集时间转换为标准格式，得到各特征的时间戳；
[0038]分别将所述历史用户特征集之间及所述历史期望特征集之间存在时间关联的关联特征添加所述时间戳，并按照所述时间戳顺序将所述关联的特征分别表示为所述历史用户时序特征集及所述历史期望时序特征集。
[0039]为了解决上述问题，本专利技术还提供一种基于时序模型的增员信息获取装置，所述装置包括：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时序模型的增员信息获取方法，其特征在于，所述方法包括：获取历史用户特征集及历史期望特征集，分别将所述历史用户特征集及所述历史期望特征集进行时序关系添加，得到历史用户时序特征集及历史期望时序特征集，分别将所述历史用户时序特征集及所述历史期望时序特征集进行分类，得到用户特征类型及期望特征类型；分别统计所述用户特征类型之间组合的用户特征概率及所述期望特征类型之间组合的期望特征概率；将所述历史用户特征集及所述历史期望特征集作为初始训练数据集，并识别所述历史用户特征集及所述历史期望特征集之间的关联关系，并根据所述关联关系、所述用户特征概率及所述期望特征概率将所述初始训练数据集进行扩展，得到新训练数据集，合并所述初始训练数据集及所述新训练数据集作为目标训练数据集；从所述目标训练数据集中获取用户特征集对应的真实期望特征集，根据所述目标训练数据集及所述真实期望特征集对预设的增员模型进行训练，得到训练完成的增员模型；获取待增员用户的候选用户特征集，并将所述候选用户特征集输入所述训练完成的增员模型中，得到所述候选用户特征集对应的目标期望特征集，根据所述目标期望特征集对所述待增员用户进行增员决策，得到增员结果。2.如权利要求1所述的基于时序模型的增员信息获取方法，其特征在于，所述根据所述关联关系、所述用户特征概率及所述期望特征概率将所述初始训练数据集进行扩展，得到新训练数据集，包括：根据所述用户特征概率及所述期望特征概率生成初始新训练数据集；根据所述关联关系遍历所述初始新训练数据集中是否存在与历史用户特征集中相同的用户特征；当所述初始新训练数据集中不存在与历史用户特征集中相同的用户特征时，计算所述用户特征与所述历史用户特征集中历史用户特征的相似度，根据所述相似度从所述历史用户特征集中查找与所述用户特征相匹配的历史用户特征对应的期望特征；将所述用户特征与所述用户特征对应的期望特征加入所述初始新训练数据集，得到所述新训练数据集。3.如权利要求1所述的基于时序模型的增员信息获取方法，其特征在于，所述分别统计所述用户特征类型之间组合的用户特征概率及所述期望特征类型之间组合的期望特征概率，包括：利用预设的分类器将所述用户特征类型及所述期望特征类型分别进行用户分类及期望分类，得到所述用户特征类型之间的先验概率及所述期望特征类型之间的先验概率；根据所述用户特征类型之间的先验概率确定所述用户特征类型所属类别的用户特征概率，再根据所述期望特征类型之间的先验概确定所述期望特征类型所属类别的期望特征概率。4.如权利要求1所述的基于时序模型的增员信息获取方法，其特征在于，所述分别将所述历史用户时序特征集及所述历史期望时序特征集进行分类，得到用户特征类型及期望特征类型，包括：获取所述历史用户时序特征集的用户维度用户类标签，以及获取所述历史期望时序特
征集的期望类标签；分别将所述用户维度及所述期望维度进行降维，得到低维历史用户特征集及低维历史期望特征集；根据所述用户类标签将所述低维历史用户特征集进行离散化，得到所述用户特征类型；根据所述期望类标签将所述低维历史期望特征集进行离散化，得到所述期望特征类型。5.如权利要求1所述的基于时序模型的增员信息获取方法，其特征在于，所述根据所述目标训练数据集及所述真实期望特征集对预设的增员模型进行训练，得到训练完成的增员模型，包括：利用所述预设的增员模型中的嵌入层将所述目标训练数据集进行位置编码，得到训练数据时序向量，其中所述目标训练数据集包括用户特征...

【专利技术属性】
技术研发人员：任杰，张莉，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：