一种权重确定方法、装置、设备及存储介质与流程

技术特征：
1.一种权重确定方法，包括：获取目标参考因素和各邻近参考因素之间的结构化表示的因素关联数据；其中，所述目标参考因素和所述邻近参考因素对目标对象的属性数据具有影响；确定所述目标参考因素和目标场景之间的需求紧密度数据；其中，所述目标场景具有对所述目标参考因素的使用需求；根据所述因素关联数据和所述需求紧密度数据，确定在所述目标场景下，所述目标参考因素在所述目标对象的各参考因素中的属性支配权重。2.根据权利要求1所述的方法，其中，根据所述因素关联数据和所述需求紧密度数据，确定在所述目标场景下，所述目标参考因素在所述目标对象的各参考因素中的属性支配权重，包括：采用训练好的因素支配网络，根据所述因素关联数据和所述需求紧密度数据，确定在所述目标场景下，所述目标参考因素在所述目标对象的各参考因素中的属性支配权重。3.根据权利要求2所述的方法，其中，所述因素支配网络包括自身影响力提取层、相互影响力提取层和支配权重激活层；所述自身影响力提取层，用于提取所述需求紧密度数据中与所述目标参考因素相关的自身影响力特征；所述相互影响力提取层，用于根据所述因素关联数据，提取所述需求紧密度数据中各参考因素之间的相互影响力特征；所述支配权重激活层，用于根据所述自身影响力特征和所述相互影响力特征，确定所述目标参考因素的属性支配权重。4.根据权利要求3所述的方法，其中，根据所述因素关联数据，提取所述需求紧密度数据中各参考因素之间的相互影响力特征，包括：提取所述需求紧密度数据中与所述目标参考因素相关的涉外影响力特征；根据所述涉外影响力特征和所述因素关联数据，提取所述需求紧密度数据中所述目标参考因素与各所述邻近参考因素之间的局部影响力特征；将所述局部影响力特征和/或所述涉外影响力特征，作为所述相互影响力特征。5.根据权利要求4所述的方法，其特征在于，根据所述自身影响力特征和所述相互影响力特征，确定所述目标参考因素的属性支配权重，包括：将所述局部影响力特征和所述自身影响力特征进行特征融合；采用注意力机制，对融合后的特征和所述涉外影响力特征的均值特征进行处理，得到所述目标参考因素的属性支配权重。6.根据权利要求1所述的方法，其中，确定所述目标参考因素和目标场景之间的需求紧密度数据，包括：采用训练好的场景感知网络，对所述目标参考因素的属性数据和所述目标场景的属性数据进行特征抽取，得到所述需求紧密度数据。7.根据权利要求6所述的方法，其中，所述场景感知网络包括嵌入层和特征抽取层；所述嵌入层，用于分别对所述目标参考因素的属性数据和所述目标场景的属性数据进行降维处理，得到因素嵌入向量和场景嵌入向量；所述特征抽取层，用于对所述目标场景的属性数据、所述因素嵌入向量和所述场景嵌
入向量中的至少一种进行特征抽取，得到所述需求紧密度数据。8.根据权利要求7所述的方法，其中，所述需求紧密度数据包括一阶需求紧密度数据、二阶需求紧密度数据和高阶需求紧密度数据中的至少一种；相应的，对所述目标场景的属性数据、所述因素嵌入向量和所述场景嵌入向量中的至少一种进行特征抽取，得到所述需求紧密度数据，包括下述至少一种：根据所述因素嵌入向量和所述目标场景的属性数据，确定所述一阶需求紧密度数据；根据所述因素嵌入向量和所述场景嵌入向量，确定所述二阶需求紧密度数据；根据所述目标场景的属性数据、所述场景嵌入向量和所述因素嵌入向量，确定所述高阶需求紧密度数据。9.根据权利要求7所述的方法，其中，在所述场景感知网络的模型训练阶段，在对样本参考因素的数据属性进行降维处理，得到样本因素嵌入向量时，包括：分别对各所述样本参考因素的属性数据分时段进行降维处理，得到所述样本因素嵌入向量。10.根据权利要求9所述的方法，还包括：根据相邻时段的样本因素嵌入向量之间的距离，构建损失函数；根据所述损失函数，对所述场景感知网络的网络参数进行优化。11.根据权利要求1-10任一项所述的方法，其中，所述因素关联数据为根据所述目标参考因素和所述邻近参考因素的共现频率构建的矩阵。12.根据权利要求1-10任一项所述的方法，其中，在根据所述因素关联数据和所述需求紧密度数据，确定在所述目标场景下，所述目标参考因素在所述目标对象的各参考因素中的属性支配权重之后，所述方法还包括：确定目标参考因素在目标场景下，所产生的目标对象的目标属性值；采用所述属性支配权重对所述目标属性值进行加权，以更新所述目标属性值。13.根据权利要求1-10任一项所述的方法，其中，所述参考因素为工作技能，所述目标对象的属性数据为岗位薪酬，所述目标场景为企事业单位。14.一种权重确定装置，包括：因素关联数据获取模块，用于获取目标参考因素和各邻近参考因素之间的结构化表示的因素关联数据；其中，所述目标参考因素和所述邻近参考因素对目标对象的属性数据具有影响；需求紧密度数据确定模块，用于确定所述目标参考因素和目标场景之间的需求紧密度数据；其中，所述目标场景具有对所述目标参考因素的使用需求；属性支配权重确定模块，用于根据所述因素关联数据和所述需求紧密度数据，确定在所述目标场景下，所述目标参考因素在所述目标对象的各参考因素中的属性支配权重。15.根据权利要求14所述的装置，其中，所述属性支配权重确定模块，包括：属性支配权重确定单元，用于采用训练好的因素支配网络，根据所述因素关联数据和所述需求紧密度数据，确定在所述目标场景下，所述目标参考因素在所述目标对象的各参考因素中的属性支配权重。16.根据权利要求15所述的装置，其中，所述因素支配网络包括自身影响力提取层、相互影响力提取层和支配权重激活层；
所述自身影响力提取层，用于提取所述需求紧密度数据中与所述目标参考因素相关的自身影响力特征；所述相互影响力提取层，用于根据所述因素关联数据，提取所述需求紧密度数据中各参考因素之间的相互影响力特征；所述支配权重激活层，用于根据所述自身影响力特征和所述相互影响力特征，确定所述目标参考因素的属性支配权重。17.根据权利要求16所述的装置，其中，所述相互影响力提取层，包括：涉外影响力特征提取单元，用于提取所述需求紧密度数据中与所述目标参考因素相关的涉外影响力特征；局部影响力特征提取单元，用于根据所述涉外影响力特征和所述因素关联数据，提取所述需求紧密度数据中所述目标参考因素与各所述邻近参考因素之间的局部影响力特征；相互影响力特征提取单元，用于将所述局部影响力特征和/或所述涉外影响力特征，作为所述相互影响力特征。18.根据权利要求17所述的装置，其中，所述支配权重激活层，包括：特征融合单元，用于将所述局部影响力特征和所述自身影响力特征进行特征融合；属性支配权重确定单元，用于采用注意力机制，对融合后的特征和所述涉外影响力特征的均值特征进行处理，得到所述目标参考因素的属性支配权重。19.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-13中任一项所述的一种权重确定方法。20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-13中任一项所述的一种权重确定方法。

技术总结
本申请公开了一种权重确定方法、装置、设备及存储介质，涉及人工智能技术领域。具体实现方案为：获取目标参考因素和各邻近参考因素之间的结构化表示的因素关联数据；其中，目标参考因素和邻近参考因素影响目标对象的属性数据；确定目标参考因素和目标场景之间的需求紧密度数据；其中，目标场景具备目标参考因素的使用需求；根据因素关联数据和需求紧密度数据，确定在目标场景下，目标参考因素在目标对象的各参考因素中的属性支配权重。本申请实施例在目标场景下，将存在相互影响的参考因素，对目标对象的属性数据的影响程度进行剥离，从而实现了对单一参考因素，在目标场景下对目标对象的属性数据的影响程度的量化。对象的属性数据的影响程度的量化。对象的属性数据的影响程度的量化。


技术研发人员：孙莹 庄福振 祝恒书 宋欣 王鹏
受保护的技术使用者：百度在线网络技术（北京）有限公司
技术研发日：2020.05.22
技术公布日：2021/11/25