对象评估方法、装置、电子设备、存储介质及程序产品与流程

本技术涉及人工智能与数据处理领域，尤其涉及一种对象评估方法、装置、电子设备、存储介质及程序产品。

背景技术：

1、在企业用户增长与营销转化领域，现有技术通常采用基于用户标识的推荐预测方法，或采用召回与精排结合的分阶段评估架构，对目标用户进行筛选。

2、然而，上述方案普遍依赖历史交互或多阶段链路：前者在冷启动、匿名流量及跨域场景下泛化能力不足，且对文本评论等非结构化语义信息利用不充分；后者存在阶段目标不一致导致的信息损失，并带来较高的维护开销、推理时延与计算资源消耗。

技术实现思路

1、本技术实施例提供一种对象评估方法、装置、电子设备、存储介质及程序产品，以解决上述技术问题。该方案面向待评估对象的评估与筛选需求，结合待评估对象所对应的多源信息进行统一语义表征，并基于所构建的评估机制输出对象与目标场景之间的匹配结果，从而实现对候选对象的有效生成。借助上述技术构思，能够在对象评估过程中提升对多源异构信息的语义利用能力，降低对历史交互和复杂分阶段链路的依赖，更好地兼顾大规模场景下的评估准确性、处理效率与部署成本。

2、第一方面，本技术实施例提供一种对象评估方法，包括：

3、获取待评估对象的多源数据，并将多源数据处理生成语义单元集合；

4、将语义单元集合输入预训练语言模型，基于提示模板对经语义单元映射处理后的数据进行处理，得到对象表示向量；

5、将对象表示向量输入奖励函数模型，得到场景匹配度评分；

6、基于场景匹配度评分和待评估对象，生成候选对象集合。

7、在一个可能的实施例中，获取待评估对象的多源数据，并将多源数据处理生成语义单元集合，具体包括：

8、将多源数据解构为语义单元，语义单元包括键、值和时间戳；

9、将语义单元写入列式存储文件，形成语义单元集合，并将语义单元按键分桶，并按时间戳分区存储。

10、在一个可能的实施例中，将语义单元按键分桶，并按时间戳分区存储之前，还包括：

11、获取业务场景标识；

12、根据业务场景标识确定目标键集合；

13、基于目标键集合生成分桶规则将语义单元写入对应的列式存储文件。

14、在一个可能的实施例中，将语义单元集合输入预训练语言模型，基于提示模板对经语义单元映射处理后的数据进行处理，得到对象表示向量，具体包括：

15、基于提示模版对每个语义单元构造模板文本；

16、将模板文本输入预训练语言模型，提取对应的局部隐状态向量；

17、将多个局部隐状态向量输入轻量融合网络，生成对象表示向量。

18、在一个可能的实施例中，将模板文本输入预训练语言模型，提取对应的局部隐状态向量，具体包括：

19、将每个模板文本输入预训练语言模型，提取对应语义单元的局部隐状态向量；

20、按照对象标识聚合同一对象对应的多个局部隐状态向量，生成候选全局上下文；

21、将候选全局上下文输入预训练语言模型，提取对应的全局隐状态向量；

22、将多个局部隐状态向量输入轻量融合网络，生成对象表示向量，具体包括：

23、将局部隐状态向量和全局隐状态向量输入轻量融合网络，生成对象表示向量。

24、在一个可能的实施例中，将多个局部隐状态向量输入轻量融合网络，生成对象表示向量，具体包括下述内容中的至少一种：

25、根据业务场景标识，为不同键对应的局部隐状态向量分配融合权重，并按照融合权重进行聚合；

26、根据时间戳，对不同时间段对应的局部隐状态向量分配融合权重，并按照融合权重进行聚合；

27、根据键的出现频次，对不同频次对应的局部隐状态向量分配融合权重，并按照融合权重进行聚合。

28、在一个可能的实施例中，将多个局部隐状态向量输入轻量融合网络，生成对象表示向量之后，还包括：

29、读取对象表示向量中各键对应的融合权重；

30、比较预设键组合对应的融合权重关系；

31、对不满足预设关系的对象表示向量写入校验标记；

32、将带有校验标记的对象表示向量写入参数调整队列。

33、在一个可能的实施例中，将对象表示向量输入奖励函数模型，得到场景匹配度评分，具体包括：

34、获取历史样本数据，历史样本数据包括对象表示向量和业务标签；

35、将对象表示向量输入奖励函数模型进行训练，得到训练后的奖励函数模型；

36、将待评估对象的对象表示向量输入训练后的奖励函数模型，输出场景匹配度评分。

37、在一个可能的实施例中，将对象表示向量输入奖励函数模型进行训练，得到训练后的奖励函数模型，具体包括：

38、根据键的出现频次将对象表示向量划分为高频特征部分和低频特征部分；

39、基于高频特征部分训练第一词元分布；

40、基于低频特征部分训练第二词元分布；

41、根据第一词元分布和第二词元分布训练奖励函数模型。

42、在一个可能的实施例中，根据第一词元分布和第二词元分布训练奖励函数模型之前，还包括：

43、统计目标对象对应的语义单元数量；

44、根据语义单元数量确定词元观察窗口长度；

45、基于观察窗口长度截取对应的词元序列；

46、根据截取后的词元序列生成第一词元分布和第二词元分布。

47、在一个可能的实施例中，基于场景匹配度评分和待评估对象，生成候选对象集合，具体包括：

48、按照场景匹配评分的值对多个待评估对象进行排序；

49、根据预设数量截取排序结果中的前序对象；

50、输出前序对象对应的候选对象集合。

51、第二方面，本技术实施例提供一种对象评估装置，包括：

52、获取模块，用于获取待评估对象的多源数据，并将多源数据处理生成语义单元集合；

53、融合表征模块，用于将语义单元集合输入预训练语言模型，基于提示模板对经语义单元映射处理后的数据进行处理，得到对象表示向量；

54、评分模块，将对象表示向量输入奖励函数模型，得到场景匹配度评分；

55、生成模块，用于基于场景匹配度评分和待评估对象，生成候选对象集合。

56、第三方面，本技术实施例提供一种电子设备，包括：存储器，处理器；

57、存储器存储计算机执行指令；

58、处理器执行存储器存储的计算机执行指令，使得处理器执行上述提供的方法。

59、第四方面，本技术实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现上述提供的方法。

60、第五方面，本技术实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述提供的方法。

61、本技术提供一种对象评估方法、装置、电子设备、存储介质及程序产品，该方法通过获取待评估对象的多源数据并处理生成语义单元集合，将语义单元集合输入预训练语言模型，基于提示模板对经语义单元映射处理后的数据进行处理以得到对象表示向量，再将对象表示向量输入奖励函数模型得到场景匹配度评分，并基于场景匹配度评分和待评估对象生成候选对象集合，能够将多源异构数据中的结构化信息与非结构化语义信息进行统一建模和有效利用，提升对象评估对复杂语义特征的刻画能力，进而在大规模对象评估场景下提高评估精度与处理效率，并降低系统维护开销、推理时延及计算资源消耗。