基于AI预训练模型的商机评分系统的制作方法

摘要: 本发明涉及人工智能、预训练模型及计算机数据处理,具体为基于ai预训练模型的商机评分系统。背景技术:1、现有的商机评分系统通常以历史商机记录为训练样本,将来源渠道...
基于AI预训练模型的商机评分系统的制作方法

本发明涉及人工智能、预训练模型及计算机数据处理,具体为基于ai预训练模型的商机评分系统。

背景技术:

1、现有的商机评分系统通常以历史商机记录为训练样本,将来源渠道、主体属性、需求描述、交互次数、跟进阶段、状态变更及最终转化结果整理为结构化字段或文本字段,再利用分类模型、排序模型或预训练模型生成商机特征向量,并根据所述特征向量输出转化概率或评分值。对于文本类数据,常见方案是对需求描述、沟通摘要和备注信息进行分词、编码和上下文表示;对于结构化数据,则通过离散化、归一化或嵌入表示后与文本特征拼接,再输入全连接网络或树模型完成训练。部分方案还会按照时间顺序汇总交互记录,以最近一次状态、累计交互频次或阶段停留时长作为时序特征,并通过周期性增量训练适应新增样本。此类方案的评分依据主要来自历史样本中特征与转化结果之间的统计对应关系,模型训练目标通常是缩小预测结果与历史标签之间的差异。

2、较接近的常规技术还会引入预训练模型处理非结构化商机信息,并使用注意力机制提取与成交结果相关的语义片段,再将语义表示与来源标识、处理人员标识、交互强度及状态字段共同输入评分网络。为减少样本不平衡造成的偏差,通常采用类别重加权、过采样或损失函数调整;为改善不同时间批次之间的表现,还会采用滑动时间窗重新训练,或者利用新增样本对原模型进行微调。部分系统进一步构建事件序列,对商机从建立、接触、需求确认到状态变化的过程进行编码,并将序列末端的隐藏状态作为评分依据。然而,现有方案通常将处理动作、来源渠道和主体自身状态放置于同一特征空间中共同学习,缺少对可干预事件、固有属性和后续状态之间依赖边界的区分,也未对假设某一处理事件未发生或采用不同处理方式时的轨迹变化进行受约束推演。

3、评分模型难以从历史数据中分离商机自身状态对后续结果的贡献与来源渠道、历史处理强度及既有处理路径造成的影响。由于训练样本中的处理动作并非随机分配,获得较多处理的商机通常同时积累更多交互记录和状态更新,模型容易将处理投入形成的结果差异学习为商机固有成熟度;来源渠道或采集批次与处理策略长期共现时,预训练模型提取的高维语义表示还会保留这些非本质关联。由此形成的评分值主要反映历史数据中的相关关系,无法判断改变可干预事件后目标状态是否产生相应变化。当渠道构成、处理策略或采集批次发生变化时,同类商机可能获得不一致的评分,且在事件链缺失的情况下,模型仍可能依据局部语义给出偏高的增益判断,导致评分结果不能稳定表征商机状态与后续结果之间的实质关联。

技术实现思路

1、本发明的目的在于提供基于ai预训练模型的商机评分系统,可以解决上述背景技术中的问题。

2、为实现上述目的,本发明采取的技术方案为:

3、基于ai预训练模型的商机评分系统,包括数据处理模块、轨迹表征模块、反事实推演模块、稳定表征提取模块和评分模块;

4、所述数据处理模块基于商机记录的事件时间、主体关系及状态依赖构建商机时序事件图;

5、所述轨迹表征模块使用预训练模型联合编码文本、交互事件和状态节点,输出真实轨迹表征;

6、所述反事实推演模块在保持主体固有属性及事件时序不变时替换可干预节点,输出反事实轨迹表征;

7、所述稳定表征提取模块基于两种轨迹表征提取干预不变表征;

8、所述评分模块由所述干预不变表征生成基础成熟度,由两种轨迹的目标状态差异生成反事实增益量,由支撑路径生成证据完整度,并以所述证据完整度限制所述反事实增益量的评分贡献。

9、优选的,所述商机时序事件图中的每一事件节点由事件内容、事件时间、关联主体、前置状态及后继状态共同表征,节点之间按照时间先后关系、主体关联关系和状态转移关系分别建立时序边、关联边和依赖边;

10、所述数据处理模块基于同一原始记录生成的节点标识建立来源约束,并对缺失中间事件的相邻节点设置待验证连接标记;

11、所述轨迹表征模块对具有待验证连接标记的路径采用受限消息传递,并在对应待验证连接处截断未获完整事件链支持的节点信息。

12、优选的,所述反事实推演模块从所述商机时序事件图中确定与后续状态存在可传播关系的可干预节点,并针对每一可干预节点生成保持事件主体、需求对象及历史状态不变的成对反事实条件;

13、所述反事实推演模块仅重写可干预节点及其依赖后继节点,对超出依赖传播边界的节点保持原始表示,并将重写后的局部子图投影至满足时间顺序约束和状态转移约束的可行轨迹空间,以形成与真实轨迹具有都相对应关系的反事实轨迹表征。

14、优选的,所述稳定表征提取模块根据各商机样本进入不同处理路径的倾向表征建立真实轨迹与反事实轨迹的配对权重,将联合轨迹表征分解为干预稳定子表征、处理路径敏感子表征和来源敏感子表征,并通过跨来源组的排序一致性约束以及不同子表征之间的去相关约束训练所述干预稳定子表征;

15、所述评分模块仅将所述干预稳定子表征和经所述证据完整度约束的反事实增益量输入评分映射层。

16、优选的,所述轨迹表征模块分别沿所述时序边、关联边和依赖边执行类型区分的图消息聚合,并根据事件时间间隔形成短周期状态通道和长周期状态通道;

17、所述短周期状态通道聚合同一交互阶段内的连续事件,所述长周期状态通道聚合跨阶段保留的需求状态,两个状态通道通过共享状态锚点进行对齐;

18、对于具有待验证连接标记的路径,仅在前后节点的语义命题、主体标识及状态方向同时一致时,将对应连接转换为受限依赖边。

19、优选的,所述反事实推演模块配置由历史有效状态转移序列形成的事件语法集合,并根据所述事件语法集合对重写后的局部子图执行序列合法性校验;

20、当所述局部子图中的节点组合不属于所述事件语法集合时,对反事实条件执行最小范围回退,使被修改节点数量和依赖边数量不超过形成合法状态转移所需的最小集合;

21、所述反事实推演模块进一步保持被修改节点之外各节点的预训练语义嵌入与真实轨迹中的对应嵌入一致。

22、优选的,所述稳定表征提取模块以来源标识、处理强度标识和采集批次标识构成干扰变量集合,分别根据所述处理路径敏感子表征和来源敏感子表征重构对应干扰变量,并对所述干预稳定子表征施加干扰变量不可辨识约束;

23、同时,利用成对真实轨迹和反事实轨迹之间未被干预节点的状态一致关系建立循环重构约束,并将与后续状态关联的共享信息保留项和干扰变量信息剔除项共同纳入所述干预稳定子表征的训练目标。

24、优选的,所述证据完整度由支撑所述反事实增益量的事件路径覆盖度、节点来源独立度和状态衔接一致度共同确定;

25、所述事件路径覆盖度根据可干预节点至目标状态节点之间具有有效依赖边的路径比例生成,所述节点来源独立度根据路径节点对应的原始记录指针去重后生成,所述状态衔接一致度根据相邻节点的前置状态与后继状态匹配关系生成;

26、所述评分模块基于所述证据完整度形成连续门控量,对所述反事实增益量进行门控融合。

27、优选的,所述反事实推演模块针对同一可干预节点构建相反方向的第一反事实条件和第二反事实条件,并分别生成第一反事实轨迹与第二反事实轨迹;

28、对所述第一反事实轨迹和所述第二反事实轨迹执行逆向恢复,将对应反事实条件恢复为真实条件后重新生成恢复轨迹,并以所述恢复轨迹与所述真实轨迹在未干预节点上的嵌入一致性筛除不可逆反事实样本;

29、仅将通过所述序列合法性校验和逆向恢复校验的成对反事实轨迹用于计算所述反事实增益量。

30、优选的,所述评分模块建立共享评分基准和增益校正支路,所述共享评分基准根据所述干预稳定子表征生成基础成熟度,所述增益校正支路根据所述真实轨迹与所述反事实轨迹的目标状态差异生成反事实增益量;

31、所述评分模块按照所述证据完整度对所述增益校正支路实施连续门控,并以同一干预稳定子表征在不同来源组及采集批次组中的基础成熟度次序一致关系构造成对次序保持约束。

32、与现有技术相比,本发明的有益效果在于:

33、1.以商机时序事件图限定事件时间、主体关系和状态依赖,将文本内容、交互事件及状态节点经预训练模型统一编码为真实轨迹表征,再在保持主体固有属性和事件时序不变的条件下替换可干预节点,生成与真实轨迹对应的反事实轨迹表征。真实轨迹与反事实轨迹的目标状态差异用于形成反事实增益量,倾向表征、跨来源排序一致性约束及干扰变量不可辨识约束共同分离处理路径敏感信息和来源敏感信息,使基础成熟度由干预不变表征生成。评分过程不再直接把历史处理强度或渠道标识作为商机固有价值的替代量,而是依据受状态依赖边界约束的轨迹差异确定可干预事件对应的增益,并由事件路径覆盖度、节点来源独立度和状态衔接一致度形成证据完整度,对增益分量实施连续门控,使不同来源、不同处理路径及不同采集批次下的同类商机保持统一的评分依据。

34、2.商机时序事件图按照时序边、关联边和依赖边分别传递信息,并对缺失中间事件的连接设置待验证标记,使未获得完整事件链支持的信息不会直接扩散至后继状态;短周期状态通道与长周期状态通道通过共享状态锚点对齐,可保留同一交互阶段内的变化及跨阶段延续的需求状态。反事实局部子图受到事件语法、时间顺序和状态转移关系约束,采用最小范围回退及逆向恢复校验筛除不可逆或不符合历史状态转移规则的轨迹,减少无约束生成造成的状态组合偏差。对来源标识、处理强度标识和采集批次标识实施子表征分解及去相关处理,可限制干扰信息进入评分映射;评分模块将基础成熟度与经证据门控的反事实增益量分支计算,并利用跨来源组和采集批次组的次序保持约束维持评分尺度的一致性,使评分结果具有明确的轨迹依据和可追溯的证据路径。