CN111797100A - 模型训练方法和装置、问卷推送方法和装置、设备和介质 - Google Patents
模型训练方法和装置、问卷推送方法和装置、设备和介质 Download PDFInfo
- Publication number
- CN111797100A CN111797100A CN202010631524.6A CN202010631524A CN111797100A CN 111797100 A CN111797100 A CN 111797100A CN 202010631524 A CN202010631524 A CN 202010631524A CN 111797100 A CN111797100 A CN 111797100A
- Authority
- CN
- China
- Prior art keywords
- questionnaire
- data information
- current
- pushing
- feature vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明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。
Description
技术领域
本发明涉及互联网技术领域,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。
背景技术
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,上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,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。
发明内容
有鉴于此,本发明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。
本发明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。
本发明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。
本发明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。
本发明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。
本发明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。
本发明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。
本发明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目标问卷,并根据目标问卷的推送信息推送目标问卷,实现目标问卷的精准、有效推送。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。显而易见地,下面描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出本发明实施例中模型训练方法的步骤示意图;
图2示出本发明实施例中模型训练装置的模块示意图;
图3示出本发明实施例中问卷推送方法的步骤示意图;
图4示出本发明实施例中问卷推送装置的模块示意图;
图5示出本发明实施例中计算机设备的结构示意图;以及
图6示出本发明实施例中计算机可读存储介质的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式。相反,提供这些实施方式使本发明全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构,因而将省略对它们的重复描述。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出实施例中模型训练方法的主要步骤,参照图1所示,本实施例中模型训练方法主要包括:在步骤S110中,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;在步骤S120中,根据第一数据信息生成标识触发行为的第一特征向量,根据第二数据信息生成标识参与对象的第二特征向量;以及在步骤S130中,以第一特征向量和第二特征向量为输入,以推送信息为输出,训练深度学习模型,获得问卷生成模型。
步骤S110中,问卷样本数据可以自一个统计数据库中获取历史问卷,历史问卷包括问卷维度、用户维度、行为维度等多个维度的数据信息,不同维度的数据信息,分别对问卷的反馈数据有着不同的影响。本实施例中,从触发行为、参与对象和问卷内容三个维度出发,分别提取获得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作为训练数据。
在一些实施例中,获取的历史问卷是一段时间内的具有有效反馈数据的问卷,以实现模型的快速训练;在一些实施例中,获取的历史问卷包括一段时间内的具有有效反馈数据的问卷和没有有效反馈数据的问卷,使样本数据更加全面,有利于训练获得更准确的模型。
步骤S120中,对上述提取获得的第一数据信息和第二数据信息进行输入模型前的处理操作,分别生成标识触发行为的第一特征向量和标识参与对象的第二特征向量。当然,推送信息也会经过处理,生成适于作为目标输出信息的数据形式。
步骤S130中,分别以每份历史问卷的标识触发行为的第一特征向量和标识参与对象的第二特征向量作为输入信息,以该份历史问卷的推送信息作为目标输出信息,对深度学习模型进行训练,获得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生成模型。其中,深度学习(DeepLearning)模型是一项已有的机器学习模型,因此不再展开说明。
从而,上述的模型训练方法将与触发行为、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。
在一些实施例中,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。问卷触发行为可以是问卷的浏览行为、点击行为、提交行为等,当用户在终端设备,例如智能手机、平板电脑、台式计算机等对问卷进行操作时,问卷的收集***能自动获得标识用户操作行为的数据信息。设备参数主要标识终端设备的操作环境,例如终端设备类型、操作***、显示界面长宽比等等。地点场景标识终端设备所在地的场景类型,例如办公楼、商场、居民楼等等。通过问卷触发行为的发生时间、设备参数和地点场景,可以准确地分析获得用户操作问卷的具体场景和使用的设备类型。
进一步地,根据第一数据信息生成标识触发行为的第一特征向量的步骤包括:通过深度学习模型的嵌入层将第一数据信息映射至向量空间,生成第一特征向量;以及,根据第一数据信息与第一特征向量之间的映射关系,生成第一特征索引表。嵌入层(Embedding)可以对数据信息进行转换处理,生成适于输入模型的特征向量。第一特征索引表可以键值对(Key-Value)的方式存储第一数据信息与第一特征向量之间的映射关系,以方便后续直接调取使用。
在一个具体的示例中,第一数据信息包括问卷提交行为的发生时间T、设备参数P和地点场景D,发生时间T、设备参数P和地点场景D经Embedding后,首先获得发生时间向量ET、设备参数向量EP和地点场景向量ED,再对获得的向量进行拼接,得到标识触发行为的第一特征向量E1=(ET,EP,ED)。
在一些实施例中,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。其中,用户画像用于标识用户的具体属性,包括用户的性别、年龄、学历、职业、消费偏好等等与问卷反馈数据有关的属性特征。通过用户画像、历史问卷完成率和历史问卷浏览数据,可以准确地分析获得问卷参与对象的属性特征和对问卷的历史反馈情况。
进一步地,根据第二数据信息生成标识参与对象的第二特征向量的步骤包括:通过深度学习模型的嵌入层将第二数据信息映射至向量空间,生成第二特征向量;以及,根据第二数据信息与第二特征向量之间的映射关系,生成第二特征索引表。第二特征向量的生成原理与上述的第一特征向量同理,因此不再展开说明。第二特征索引表也可以键值对(Key-Value)的方式存储第二数据信息与第二特征向量之间的映射关系,以方便后续直接调取使用。
不同用户在不同场景下,对问卷的接受程度是不同的,因此上述实施例通过获得标识触发行为的第一特征向量和标识参与对象的第二特征向量,作为训练模型的输入信息,可以充分考虑到触发行为的场景特征和参与对象的用户特征,提高问卷被用户接受的程度。
在一些实施例中,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。其中推送方式包括: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。问卷形式不同,也会对用户接受程度产生影响。举例来说,用户A正在商场逛街,则可能更加偏好接收电话形式的问卷作答方式;用户B周末位于家中,则应当能够接收较长作答时间的填空答题方式;用户C工作日午休时间,则可能希望在半个小时后,午休结束时再接收到界面推送方式的问卷。因此,提取出问卷的推送方式、题型和答题所需时间等与问卷内容关联的推送信息,参与模型训练,提高问卷推送的用户接受度。
综上,上述实施例的模型训练方法将与触发行为、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。
图2示出实施例中模型训练装置的主要模块,参照图2所示,本实施提供一种模型训练装置200,该模型训练装置200基于上述任意实施例所描述的模型训练方法,包括:数据提取模块210,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220,用于根据第一数据信息生成标识触发行为的第一特征向量,根据第二数据信息生成标识参与对象的第二特征向量;以及模型生成模块230,用于以第一特征向量和第二特征向量为输入,以推送信息为输出,训练深度学习模型,获得问卷生成模型。
其中,数据提取模块210、向量生成模块220和模型生成模块230可分别用于实现上述模型训练方法实施例中的步骤S110~步骤S130,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。
图3示出实施例中问卷推送方法的主要步骤,本实施提供一种问卷推送方法,该问卷推送方法基于上述任意实施例所描述的模型训练方法。参照图3所示,本实施例中问卷推送方法主要包括:在步骤S310中,响应于问卷推送请求,提取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;在步骤S320中,根据当前触发行为的数据信息生成当前触发行为特征向量,根据当前参与对象的数据信息生成当前参与对象特征向量;在步骤S330中,将当前触发行为特征向量和当前参与对象特征向量输入问卷生成模型,获得推送信息与当前触发行为和当前参与对象匹配的目标问卷;以及在步骤S340中,根据目标问卷的推送信息,将目标问卷推送至发起问卷推送请求的目标设备。
步骤S310中,问卷推送请求由用户终端发起,例如,用户在浏览页面时,触发了“查看问卷”链接,则用户终端发起问卷推送请求,该问卷推送请求自动被本实施例的问卷推送方法的执行主体获得。问卷推送请求中至少携带有用户维度和行为维度的数据信息,通过提取,可以获得标识当前触发行为的数据信息和标识当前参与对象的数据信息。当前触发行为与上述模型训练方法实施例中的触发行为同理,当前参与对象与上述模型训练方法实施例中的参与对象同理,因此不再重复说明。
步骤S320中,分别对当前触发行为的数据信息和当前参与对象的数据信息经Embedding处理,获得标识当前触发行为的特征向量和标识当前参与对象的特征向量。其中当前触发行为特征向量和当前参与对象特征向量的生成原理可参照上述模型训练方法实施例中的第一特征向量和第二特征向量的生成原理,此处不再重复说明。
在一些实施例中,为了简化计算,提高响应速度,可以采用模型训练阶段生成的索引表查找获得特征向量。具体来说,生成当前触发行为特征向量的步骤包括:根据当前触发行为的数据信息遍历问卷生成模型的第一特征索引表,查找是否有与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当前触发行为特征向量,而不再需要Embedding处理;若否,则通过Embedding处理将当前触发行为的数据信息映射至向量空间,生成当前触发行为特征向量。同理,生成当前参与对象特征向量的步骤包括:根据当前参与对象的数据信息遍历问卷生成模型的第二特征索引表,查找是否有与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当前参与对象特征向量,不再需要Embedding处理;若否,则通过Embedding处理将当前参与对象的数据信息映射至向量空间,生成当前参与对象特征向量。
步骤S330中,将当前触发行为特征向量和当前参与对象特征向量作为输入,利用问卷生成模型生成推送信息与当前触发行为和当前参与对象匹配的目标问卷。
步骤S340中,根据目标问卷的推送信息,将目标问卷推送至发起问卷推送请求的目标设备。具体包括:根据与当前触发行为和当前参与对象匹配的推送信息,即时地或预设时间后,以界面推送或电话推送的方式,将具有与当前触发行为和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目标设备。
从而,上述实施例的问卷推送方法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,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目标问卷,并根据目标问卷的推送信息推送目标问卷,实现目标问卷的精准、有效推送。
图4示出实施例中问卷推送装置的主要模块,参照图4所示,本实施提供一种问卷推送装置400,该问卷推送装置400基于上述实施例所描述的问卷推送方法,包括:请求响应模块410,用于响应于问卷推送请求,提取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420,用于根据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430,用于将当前触发行为特征向量和当前参与对象特征向量输入问卷生成模型,获得推送信息与当前触发行为和当前参与对象匹配的目标问卷;以及问卷推送模块440,用于根据目标问卷的推送信息,将目标问卷推送至发起问卷推送请求的目标设备。
其中,请求响应模块410、向量转换模块420、问卷生成模块430和问卷推送模块440可分别用于实现上述问卷推送方法实施例中的步骤S310~步骤S340,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目标问卷,并根据目标问卷的推送信息推送目标问卷,实现目标问卷的精准、有效推送。
图5是本发明实施例中计算机设备的结构示意图,应当理解的是,图5仅仅是示意性地示出各个模块,这些模块可以是虚拟的软件模块或实际的硬件模块,这些模块的合并、拆分及其余模块的增加都在本发明的保护范围之内。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为***、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“平台”。
下面参照图5来描述本发明的计算机设备500。图5显示的计算机设备500仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机设备500以通用计算设备的形式表现。计算机设备500的组件可以包括但不限于:至少一个处理单元510、至少一个存储单元520、连接不同平台组件(包括存储单元520和处理单元510)的总线530、显示单元540等。
其中,存储单元存储有程序代码,程序代码可以被处理单元510执行,使得处理单元510执行上述实施例中描述的模型训练方法的步骤,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。处理单元510也可以执行上述实施例中描述的问卷推送方法的步骤,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目标问卷,并根据目标问卷的推送信息推送目标问卷,实现目标问卷的精准、有效推送。
存储单元520可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202,还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一个或多个程序模块5205的程序/实用工具5204,这样的程序模块5205包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
计算机设备500也可以与一个或多个外部设备600通信,外部设备600可以是键盘、指向设备、蓝牙设备等设备中的一种或多种。这些外部设备600使得用户能与该计算机设备500进行交互通信。计算机设备500也能与一个或多个其它计算设备进行通信,所示计算机设备包括路由器、调制解调器。这种通信可以通过输入/输出(I/O)接口550进行。并且,计算机设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器560可以通过总线530与计算机设备500的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备500使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储平台等。
本发明实施例还提供一种计算机可读存储介质,用于存储程序,程序被执行时实现上述实施例描述的模型训练方法的步骤,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。程序被执行时也可以实现上述实施例描述的问卷推送方法的步骤,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目标问卷,并根据目标问卷的推送信息推送目标问卷,实现目标问卷的精准、有效推送。
在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行上述实施例描述的模型训练方法和/或问卷推送方法的步骤。
图6是本发明的计算机可读存储介质的结构示意图。参考图6所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子包括但不限于:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备,例如利用因特网服务提供商来通过因特网连接。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (15)
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。
10.如权利要求9所述的问卷推送方法,其特征在于,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。
11.如权利要求9所述的问卷推送方法,其特征在于,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。
12.如权利要求9所述的问卷推送方法,其特征在于,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。
13.一种问卷推送装置,其特征在于,基于权利要求9-12任一项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。
14.一种计算机设备,其特征在于,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权利要求1-7任一项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权利要求9-12任一项所述的问卷推送方法的步骤。
15.一种计算机可读存储介质,用于存储程序,其特征在于,所述程序被执行时实现权利要求1-7任一项所述的模型训练方法的步骤;或者,所述程序被执行时实现权利要求9-12任一项所述的问卷推送方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010631524.6A CN111797100A (zh) | 2020-07-03 | 2020-07-03 | 模型训练方法和装置、问卷推送方法和装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010631524.6A CN111797100A (zh) | 2020-07-03 | 2020-07-03 | 模型训练方法和装置、问卷推送方法和装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111797100A true CN111797100A (zh) | 2020-10-20 |
Family
ID=72810033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010631524.6A Pending CN111797100A (zh) | 2020-07-03 | 2020-07-03 | 模型训练方法和装置、问卷推送方法和装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111797100A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107291822A (zh) * | 2017-05-24 | 2017-10-24 | 北京邮电大学 | 基于深度学习的问题分类模型训练方法、分类方法及装置 |
CN108460089A (zh) * | 2018-01-23 | 2018-08-28 | 哈尔滨理工大学 | 基于Attention神经网络的多元特征融合中文文本分类方法 |
CN109065100A (zh) * | 2018-08-20 | 2018-12-21 | 广州小云软件科技有限公司 | 一种基于区块链的中医健康个性化问卷智能生成与加密*** |
CN110930203A (zh) * | 2020-02-17 | 2020-03-27 | 京东数字科技控股有限公司 | 信息推荐模型训练方法和装置、信息推荐方法和装置 |
CN111079387A (zh) * | 2019-11-29 | 2020-04-28 | 华中师范大学 | 一种问卷自动化生成方法、装置、计算机设备及存储介质 |
-
2020
- 2020-07-03 CN CN202010631524.6A patent/CN111797100A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107291822A (zh) * | 2017-05-24 | 2017-10-24 | 北京邮电大学 | 基于深度学习的问题分类模型训练方法、分类方法及装置 |
CN108460089A (zh) * | 2018-01-23 | 2018-08-28 | 哈尔滨理工大学 | 基于Attention神经网络的多元特征融合中文文本分类方法 |
CN109065100A (zh) * | 2018-08-20 | 2018-12-21 | 广州小云软件科技有限公司 | 一种基于区块链的中医健康个性化问卷智能生成与加密*** |
CN111079387A (zh) * | 2019-11-29 | 2020-04-28 | 华中师范大学 | 一种问卷自动化生成方法、装置、计算机设备及存储介质 |
CN110930203A (zh) * | 2020-02-17 | 2020-03-27 | 京东数字科技控股有限公司 | 信息推荐模型训练方法和装置、信息推荐方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10073823B2 (en) | Generating a form response interface in an online application | |
CN110727761B (zh) | 对象信息获取方法、装置及电子设备 | |
CN112818224B (zh) | 信息推荐方法、装置、电子设备及可读存储介质 | |
US11914966B2 (en) | Techniques for generating a topic model | |
CN112509690A (zh) | 用于控制质量的方法、装置、设备和存储介质 | |
CN111460085A (zh) | 基于图结构的知识点推荐方法及装置 | |
CN113407851A (zh) | 基于双塔模型的确定推荐信息的方法、装置、设备和介质 | |
CN114244793B (zh) | 信息处理方法、装置、设备及存储介质 | |
WO2017041681A1 (zh) | 一种获取和呈现信息的方法及终端 | |
CN113590756A (zh) | 信息序列生成方法、装置、终端设备和计算机可读介质 | |
CN116775815B (zh) | 对话数据的处理方法、装置、电子设备及存储介质 | |
CN110990007A (zh) | 银行软件功能界面生成方法和装置 | |
CN112182255A (zh) | 用于存储媒体文件和用于检索媒体文件的方法和装置 | |
CN116662495A (zh) | 问答处理方法、训练问答处理模型的方法及装置 | |
CN103049275B (zh) | 一种处理操作指令的方法、装置和设备 | |
CN111797100A (zh) | 模型训练方法和装置、问卷推送方法和装置、设备和介质 | |
CN114022300A (zh) | 社交动态信息的发布方法、装置、存储介质和电子设备 | |
CN112328871B (zh) | 一种基于rpa模块的回复生成方法、装置、设备及存储介质 | |
CN111147353B (zh) | 识别好友的方法及装置、计算机存储介质、电子设备 | |
JP2023554210A (ja) | インテリジェント推奨用のソートモデルトレーニング方法及び装置、インテリジェント推奨方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN112288452B (zh) | 广告预览方法、装置、电子设备及存储介质 | |
CN113988954A (zh) | 理财产品营销方法及装置 | |
CN111198926B (zh) | 业务办理管理方法、装置、电子设备及存储介质 | |
CN110990528A (zh) | 一种问答方法、装置及电子设备 | |
US20190155957A1 (en) | Content generation and targeting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |