业务处理方法、装置、设备及介质产品与流程

摘要: 本技术涉及互联网,具体涉及计算机,尤其涉及一种业务处理方法、装置、设备及介质产品。背景技术:1、目前,在诸如电商场景、资源推荐场景等业务场景中,通常会产生一些长...
业务处理方法、装置、设备及介质产品与流程

本技术涉及互联网,具体涉及计算机,尤其涉及一种业务处理方法、装置、设备及介质产品。

背景技术:

1、目前,在诸如电商场景、资源推荐场景等业务场景中,通常会产生一些长序列数据。所谓的长序列数据是指:在数据分析或建模过程中,具有较长的时间跨度、较多的数据点或者较为复杂的排列顺序等特征的数据序列;例如,在电商场景中,会产生数年的每日销售记录,这些每日销售记录按照时间先后顺序进行排列就构成了一个长序列数据。

2、由于长序列数据通常蕴含丰富的信息,因此业务人员通常会获取这些长序列数据,并对这些长序列数据进行统计分析,从而基于统计分析结果来制定相应业务场景中的业务执行策略,并按照相应业务执行策略进行业务执行。可见,现有确定业务执行策略的方式依赖于业务人员对长序列数据的统计分析结果,这样不仅会消耗大量的人力成本,还会因业务人员的个人经验不足而导致统计分析结果不准确,从而影响业务执行策略的准确性。

技术实现思路

1、本技术实施例提供了一种业务处理方法、装置、设备及介质产品,可节省在确定业务执行策略时所消耗的人力成本,以及提升业务执行策略的准确性。

2、一方面,本技术实施例提供了一种业务处理方法,所述方法包括:

3、获取决策树模型的训练样本,所述训练样本包括多个时间点以及每个时间点对应的样本业务数据,所述样本业务数据是在目标业务场景下采集到的;

4、调用所述决策树模型根据所述训练样本进行业务数据预测,得到目标序列数据,所述目标序列数据包括所述每个时间点对应的预测业务数据;第j个时间点对应的预测业务数据根据前j-1个时间点对应的样本业务数据预测得到,j为大于1的整数;

5、基于所述每个时间点对应的样本业务数据和相应预测业务数据之间的差异,优化所述决策树模型的模型参数;

6、在所述决策树模型的模型参数达到收敛后,基于贝叶斯优化算法调整所述决策树模型的超参数,得到目标决策树模型;其中,所述目标决策树模型用于在所述目标业务场景下进行业务数据预测,且预测出的业务数据用于确定所述目标业务场景下的业务执行策略。

7、另一方面,本技术实施例提供了一种业务处理装置,所述装置包括:

8、获取单元,用于获取决策树模型的训练样本,所述训练样本包括多个时间点以及每个时间点对应的样本业务数据,所述样本业务数据是在目标业务场景下采集到的;

9、处理单元,用于调用所述决策树模型根据所述训练样本进行业务数据预测,得到目标序列数据,所述目标序列数据包括所述每个时间点对应的预测业务数据;第j个时间点对应的预测业务数据根据前j-1个时间点对应的样本业务数据预测得到,j为大于1的整数;

10、所述处理单元,还用于基于所述每个时间点对应的样本业务数据和相应预测业务数据之间的差异,优化所述决策树模型的模型参数;

11、所述处理单元,还用于在所述决策树模型的模型参数达到收敛后,基于贝叶斯优化算法调整所述决策树模型的超参数,得到目标决策树模型;其中,所述目标决策树模型用于在所述目标业务场景下进行业务数据预测,且预测出的业务数据用于确定所述目标业务场景下的业务执行策略。

12、在一种实施方式中,处理单元在用于基于贝叶斯优化算法调整所述决策树模型的超参数,得到目标决策树模型时,可具体用于:

13、获取基于贝叶斯优化算法所配置的目标函数,并从所述决策树模型的超参数空间中随机选取m个超参数组合,m为大于1的整数;

14、在所述决策树模型使用第m个超参数组合的情况下,调用所述决策树模型根据测试样本进行业务数据预测,得到目标预测结果;所述测试样本包括多个时间点以及每个时间点对应的样本业务数据,所述目标预测结果包括基于所述测试样本所预测出的所述每个时间点的业务数据,m∈[1,m];

15、调用所述目标函数基于所述目标预测结果和所述测试样本,计算得到所述第m个超参数组合对应的目标函数值,所述目标函数值用于指示:所述决策树模型在使用相应超参数组合时的模型性能;

16、采用所述m个超参数组合对应的目标函数值,构建所述目标函数的代理模型,所述代理模型用于描述所述目标函数的函数值分布情况;

17、通过所述代理模型在所述超参数空间中进行参数寻优,并基于参数寻优结果更新所述决策树模型的超参数,得到目标决策树模型。

18、另一种实施方式中,处理单元在用于在所述决策树模型使用第m个超参数组合的情况下,调用所述决策树模型根据测试样本进行业务数据预测,得到目标预测结果时,具体用于:

19、将所述决策树模型的超参数调整为第m个超参数组合;

20、在调整超参数后,使用训练样本对所述决策树模型进行模型训练,以更新所述决策树模型的模型参数;

21、在模型训练后,调用所述决策树模型根据测试样本进行业务数据预测,得到目标预测结果。

22、另一种实施方式中,处理单元在用于采用所述m个超参数组合对应的目标函数值,构建所述目标函数的代理模型时,具体用于:

23、基于所述m个超参数组合对应的目标函数值,对高斯过程模型的均值函数的函数值进行预测,得到均值函数值;

24、调用协方差函数根据所述m个超参数组合,计算出所述高斯过程模型的协方差矩阵,所述协方差函数用于描述任意两个超参数组合之间的相关性;

25、采用所述均值函数值和所述协方差矩阵,初始化高斯过程模型,并将初始化后的高斯过程模型作为所述目标函数的代理模型。

26、另一种实施方式中,处理单元在用于通过所述代理模型在所述超参数空间中进行参数寻优时,具体用于:

27、从当前已获得的目标函数值中确定最优目标函数值,所述最优目标函数值所指示的模型性能优于其他目标函数值所指示的模型性能;

28、基于所述最优目标函数值以及所述代理模型,构建期望改进采样策略的表达式;

29、在所述超参数空间中搜索使得所述表达式的取值最大的超参数组合,作为最优超参数组合;

30、计算所述最优超参数组合所对应的目标函数值,并基于计算出的目标函数值更新所述代理模型;

31、通过更新后的代理模型在所述超参数空间中进行参数寻优,直至满足寻优停止条件;将在满足所述寻优停止条件时所得到的最优超参数组合,作为参数寻优结果。

32、另一种实施方式中,所述决策树模型包括多个决策树,每个决策树均用于预测业务数据,所述目标序列数据是基于所述多个决策树的预测结果生成的;在优化所述决策树模型的模型参数后,处理单元还可用于:

33、基于所述多个决策树的预测结果以及所述训练样本,计算所述多个决策树中的每个决策树的准确性衡量值;

34、基于所述每个决策树的准确性衡量值,从所述多个决策树中查找弱决策树,所述弱决策树是用于提升所述决策树模型的预测准确性的决策树;

35、对所述弱决策树进行复制,并将复制出的决策树添加至所述决策树模型中,以更新所述决策树模型。

36、另一种实施方式中,每个决策树的预测结果包括:相应决策树对每个时间点的业务数据进行预测所得到的预测值;处理单元在用于基于所述多个决策树的预测结果以及所述训练样本,计算所述多个决策树中的每个决策树的准确性衡量值时,可具体用于:

37、遍历所述多个决策树,确定当前遍历的第h个决策树,h为正整数;

38、基于所述第h个决策树的预测结果和所述训练样本,计算所述每个时间点对应的预测差值;第i个时间点对应的预测差值用于指示:所述第i个时间点对应的样本业务数据和所述第i个时间点对应的预测值之间的差异,i为正整数且小于或等于所述多个时间点的数量;

39、对计算出的各个时间点对应的预测差值进行整合,得到所述第h个决策树的准确性衡量值。

40、另一种实施方式中,处理单元在用于基于所述第h个决策树的预测结果和所述训练样本,计算所述每个时间点对应的预测差值时,可具体用于:

41、从所述第h个决策树的预测结果中获取第i个时间点对应的预测值,从所述目标序列数据中获取所述第i个时间点对应的预测业务数据;

42、对所述第i个时间点对应的预测值和所述第i个时间点对应的预测业务数据进行求和处理,得到所述第i个时间点对应的求和结果;

43、从所述训练样本中获取所述第i个时间点对应的样本业务数据,并对获取到的样本业务数据和所述求和结果进行差值运算,得到所述第i个时间点对应的预测差值。

44、另一种实施方式中,所述训练样本是决策树模型的训练集中的任一个;处理单元还可用于:

45、在目标业务场景下获取p个长序列数据,每个长序列数据包括:t个时间点以及每个时间点对应的样本业务数据,p和t为大于1的整数;

46、对所述p个长序列数据中的每个长序列数据进行特征提取,得到所述每个长序列数据的数据特征;

47、将所述每个长序列数据和相应的数据特征进行组合,得到p个样本;其中,一个样本包括:一个长序列数据和相应长序列数据的数据特征;

48、按照划分比例对所述p个样本进行划分,得到所述决策树模型的训练集和测试集;其中,所述训练集中的样本为训练样本,所述测试集中的样本为测试样本。

49、另一种实施方式中,任一长序列数据的数据特征包括多个特征维度下的特征,所述多个特征维度包括时域维度和频域维度;处理单元在用于将所述每个长序列数据和相应的数据特征进行组合,得到p个样本时,可具体用于:

50、获取参考样本,所述参考样本包括:一个长序列数据以及相应长序列数据在所述多个特征维度下的特征;

51、使用所述参考样本对所述决策树模型进行模型训练,以获得所述多个特征维度中的每个特征维度的重要性得分;其中,任一特征维度的重要性得分是由所述决策树模型根据所述参考样本中的相应特征维度下的特征在模型训练过程中所产生的贡献度计算得到的;

52、基于所述每个特征维度的重要性得分,对所述每个长序列数据对应的数据特征中的各个特征进行筛选,得到所述每个长序列数据的筛选后的数据特征;

53、将所述每个长序列数据和相应筛选后的数据特征进行组合,得到p个样本。

54、另一种实施方式中,在得到目标决策树模型之后,处理单元还可用于:

55、获取所述目标决策树模型的性能评估指标,以及获取用于对所述目标决策树模型进行性能评估的目标数据集;

56、将所述目标数据集划分成k个子集,并遍历所述k个子集,k为大于1的整数;

57、将当前遍历的子集作为测试数据集,并将所述k个子集中除当前遍历的子集以外的k-1个子集作为训练数据集;

58、采用所述训练数据集对所述目标决策树模型进行模型训练,并采用所述测试数据集在所述性能评估指标下,对训练后的目标决策树模型进行性能评估,得到所述性能评估指标下的一个性能评估指标值;

59、继续遍历所述k个子集,直至所述k个子集均被遍历,得到所述性能评估指标下的k个性能评估指标值;

60、若根据所述k个性能评估指标值确定所述目标决策树模型通过性能评估,则保存所述目标决策树模型。

61、另一种实施方式中,所述目标业务场景是电商场景,所述目标业务场景下的业务执行策略包括物品推广策略;任一时间点对应的业务数据包括以下至少一项:在相应时间点产生的物品推广数据,以及在相应时间点产生的对象行为数据;其中,所述对象行为数据用于指示对象对物品所执行的行为;

62、在得到所述目标决策树模型之后,处理单元还可用于:

63、当所述电商场景中产生新的业务数据时,调用所述目标决策树模型基于所述新的业务数据预测目标时间点的业务数据,所述目标时间点是指:位于所述新的业务数据的产生时间点之后的时间点;

64、基于预测出的业务数据确定物品推广策略,并按照确定出的物品推广策略进行物品推广处理。

65、另一种实施方式中,所述目标业务场景是资源推荐场景,所述目标业务场景下的业务执行策略包括资源推荐策略;任一时间点对应的业务数据包括:目标对象在相应时间点播放的媒体资源;

66、在得到所述目标决策树模型之后,处理单元还可用于:

67、调用所述目标决策树模型基于所述目标对象历史产生的业务数据,预测所述目标对象在未来时间点的业务数据,所述未来时间点是指还未到达的时间点;

68、基于预测出的业务数据确定针对所述目标对象的资源推荐策略,并在所述未来时间点到达时,按照确定出的资源推荐策略为所述目标对象推荐媒体资源。

69、再一方面,本技术实施例提供了一种计算机设备,所述计算机设备包括输入接口和输出接口,所述计算机设备还包括:

70、处理器以及计算机存储介质;

71、其中,所述处理器适于实现一条或多条指令,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由所述处理器加载并执行上述所提及的业务处理方法。

72、再一方面,本技术实施例提供了一种计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由处理器加载并执行上述所提及的业务处理方法。

73、再一方面,本技术实施例提供了一种计算机程序产品,该计算机程序产品包括一条或多条指令;所述计算机程序产品中的一条或多条指令被处理器执行时,实现上述所提及的业务处理方法。

74、本技术实施例可通过构建目标决策树模型,实现在目标业务场景下基于该目标决策树模型进行业务数据的预测,从而基于预测出的业务数据确定目标业务场景下的业务执行策略,以此减少策略确定过程中的人为参与,这样不仅可以节省在确定业务执行策略时所消耗的人力成本,还可以减少因人为主观性所导致的业务执行策略不准确的问题,从而提升业务执行策略的准确性。进一步的,在构建目标决策树模型的过程中,使用训练样本对决策树模型进行模型训练来优化决策树模型的模型参数,并在模型参数达到收敛后,基于贝叶斯优化算法来调整决策树模型的超参数,可实现先通过模型参数的优化提升模型性能,从而实现贝叶斯优化算法在一个性能较优的决策树模型上进行超参数调整,以此可提升超参数的调整准确性,得到性能较好的目标决策树模型,从而可进一步提升后续基于目标决策树模型确定业务执行策略的准确性。并且,使用训练样本对决策树模型进行模型训练时,通过调用决策树模型根据训练样本中的前j-1个时间点对应的样本业务数据预测第j个时间点的业务数据的方式,预测出每个时间点对应的预测业务数据,可以实现基于每个时间点对应的样本业务数据和相应预测业务数据之间的差异,优化决策树模型的模型参数,使得整个训练过程无需人为标注训练样本的标签数据,这样可以进一步节省人力成本。