事件转化潜力的确定方法、电子设备、存储介质和产品与流程

1.本公开涉及信息处理领域，尤其是一种事件转化潜力的确定方法、电子设备、存储介质和产品。


背景技术：

2.用户在访问网络平台时，其访问内容等信息可以作为有价值的、待转化的事件，供服务方促成与用户之间的合作关系。
3.目前，针对用户访问平台所产生的待转化的事件，通常只是针对事件类型进行运营方案以及资源分配，但是这种方式可能会造成运营方案或者服务方，在事件转化过程中向转化潜力较小的事件上投入较多的资源和精力，而忽视了高转化潜力的事件，导致了事件转化效率低的低效和业务资源浪费。


技术实现要素：

4.本公开实施例提供一种事件转化潜力的确定方法、电子设备、存储介质和产品，可以确定事件的转化潜力，以便配置相应的业务资源，提升事件转化效率，降低业务资源浪费。
5.本公开实施例的第一方面，提供一种识别事件转化概率的方法，包括：
6.获取当前事件涉及的用户行为信息、服务方行为信息和事件标的物信息；
7.对所述当前事件涉及的用户行为信息、服务方行为信息和事件标的物信息进行特征向量抽取，得到第一特征向量；
8.利用预先训练得到的事件转化潜力模型对所述第一特征向量进行处理，得到所述当前事件的转化潜力信息，以便基于所述转化潜力信息为所述当前事件配置相应的业务资源；
9.其中，所述事件转化潜力模型基于样本事件信息训练得到，所述样本事件信息包括样本事件的用户行为信息、服务方行为信息、事件标的物信息和转化潜力标签。
10.根据本公开的一个实施例，在所述利用预先训练得到的事件转化潜力模型对所述第一特征向量进行处理，得到所述当前事件的转化潜力信息，以便基于所述转化潜力信息为所述当前事件配置相应的业务资源之前，还包括：
11.获取所述样本事件的用户行为信息、服务方行为信息、事件标的物信息和转化潜力标签；
12.对所述样本事件信息的用户行为信息、服务方行为信息和事件标的物信息进行特征向量抽取，得到第二特征向量；
13.根据所述样本事件信息的转化潜力标签，确定与所述样本事件信息的转化潜力标签对应的类别参数；
14.基于预设的模型约束条件，利用所述第二特征向量和所述类别参数进行迭代训练，得到所述事件转化潜力模型；
15.其中，所述事件转化潜力模型为基于粒子群的支持向量机模型，所述模型约束条件限定了所述第二特征向量和所述类别参数之间满足预设条件；在迭代训练所述事件转化潜力模型时，基于上次迭代更新后目标粒子的速度、所述目标粒子的局部最优位置、所述粒子群的全局最优位置和粒子收敛控制参数更新所述目标粒子的速度。
16.根据本公开的一个实施例，所述粒子收敛控制参数包括当前惯性权重；
17.所述基于上次迭代更新后目标粒子的速度、所述目标粒子的局部最优位置、所述粒子群的全局最优位置和粒子收敛控制参数更新所述目标粒子的速度，包括：
18.基于给定的初始惯性权重、给定的最终惯性权重、当前迭代次数和总迭代次数，确定所述当前惯性权重；
19.基于所述当前惯性权重、上次迭代更新后目标粒子的速度、所述目标粒子的局部最优位置、所述粒子群的全局最优位置更新所述目标粒子的速度。
20.根据本公开的一个实施例，通过以下方式更新所述目标粒子的速度：
[0021][0022]
其中，w表示所述当前惯性权重，c1和c2表示学习因子，且c1和c2是给定常数，r1和r2是介于(0,1)的随机数，d表示搜索空间的维数，k表示迭代次数，表示当前粒子第k次迭代时的局部最优位置，表示粒子群第k次迭代时的全局最优位置。
[0023]
根据本公开的一个实施例，所述粒子收敛控制参数包括收敛因子；
[0024]
所述基于上次迭代更新后目标粒子的速度、所述目标粒子的局部最优位置、所述粒子群的全局最优位置和粒子收敛控制参数更新所述目标粒子的速度，包括：
[0025]
基于学习因子确定所述收敛因子，其中，所述学习因子为给定常数；
[0026]
基于所述收敛因子、上次迭代更新后目标粒子的速度、所述当前惯性权重、所述目标粒子的局部最优位置、所述粒子群的全局最优位置更新所述目标粒子的速度。
[0027]
根据本公开的一个实施例，通过以下方式更新所述目标粒子的速度：
[0028][0029]
其中，χ表示所述收敛因子，且c＝c1 c2，c1和c2表示学习因子，且c1和c2是给定常数，r1和r2是介于(0,1)的随机数，d表示搜索空间的维数，k表示迭代次数，表示当前粒子第k次迭代时的局部最优位置，表示粒子群第k次迭代时的全局最优位置。
[0030]
根据本公开的一个实施例，所述粒子收敛控制参数包括当前惯性权重和收敛因子；
[0031]
所述基于上次迭代更新后目标粒子的速度、所述目标粒子的局部最优位置、所述粒子群的全局最优位置和粒子收敛控制参数更新所述目标粒子的速度，包括：
[0032]
基于给定的初始惯性权重、给定的最终惯性权重、当前迭代次数和总迭代次数，确定所述当前惯性权重；
[0033]
基于学习因子确定所述收敛因子，其中，所述学习因子为给定常数；
[0034]
基于所述收敛因子、所述当前惯性权重、上次迭代更新后目标粒子的速度、所述目标粒子的局部最优位置、所述粒子群的全局最优位置更新所述目标粒子的速度。
[0035]
根据本公开的一个实施例，通过以下方式更新所述目标粒子的速度：
[0036][0037]
其中，χ表示所述收敛因子，且c＝c1 c2，w表示所述当前惯性权重，c1和c2表示学习因子，且c1和c2是给定常数，r1和r2是介于(0,1)的随机数，d表示搜索空间的维数，k表示迭代次数，表示当前粒子第k次迭代时的局部最优位置，表示粒子群第k次迭代时的全局最优位置。
[0038]
本公开实施例的第二方面，提供一种电子设备，包括：
[0039]
存储器，用于存储计算机程序；
[0040]
处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现上述第一方面所述的事件转化潜力的确定方法。
[0041]
本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述第一方面所述的事件转化潜力的确定方法。
[0042]
本公开实施例的第四方面，提供一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现上述第一方面所述的事件转化潜力的确定方法。
[0043]
本公开实施例的事件转化潜力的确定方法、电子设备、存储介质和产品，获取当前事件涉及的用户行为信息、服务方行为信息和事件标的物信息之后，对当前事件涉及的用户行为信息、服务方行为信息和事件标的物信息进行特征向量抽取，得到第一特征向量；利用预先训练好的事件转化潜力模型对第一特征向量进行处理，可以得到当前事件的转化潜力信息，便于基于转化潜力信息为当前事件配置相应的业务资源，提升事件转化效率，降低业务资源浪费。
[0044]
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
[0045]
构成说明书的一部分的附图描述了本公开的实施例，并且连同描述一起用于解释本公开的原理。
[0046]
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
[0047]
图1为本公开实施例的事件转化潜力的确定方法的流程示意图；
[0048]
图2为本公开一个实例中最优分类超平面的示意图；
[0049]
图3为本公开实施例的事件转化潜力的确定装置的结构框图；
[0050]
图4为本公开电子设备一个应用实施例的结构示意图。
具体实施方式
[0051]
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本
公开的范围。
[0052]
本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
[0053]
还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
[0054]
还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
[0055]
另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0056]
还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
[0057]
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
[0058]
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0059]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0060]
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的粒子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
[0061]
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
[0062]
首先进行本公开涉及的一些名词进行释义。
[0063]
粒子群：为求解问题初始化的一批随机粒子，也即随机解。
[0064]
粒子：粒子群中的一个，代表一个随机解。
[0065]
目标粒子：代表达到局部最优解的单个粒子。
[0066]
基于粒子群的支持向量机模型：使用粒子群方法的进行最优化求解的支持向量机模型。
[0067]
图1为本公开实施例的事件转化潜力的确定方法的流程示意图。如图1所示，本公开实施例的事件转化潜力的确定方法，包括：
[0068]
s1：获取当前事件涉及的用户行为信息、服务方行为信息和事件标的物信息。
[0069]
在本实施例中，根据用户在指定网站(例如提供房源的网站)上的搜索记录、浏览记录和操作记录可以生成一个待转化的事件，作为当前事件。
[0070]
以用户访问提供房源的网站为例，用户行为信息包括用户的浏览记录、搜索记录和是否委托服务方的记录。服务方的行为信息包括服务方与用户的沟通记录，服务方与用户之间是否提供了某种服务(例如带看指定房源等)的信息。事件标的物信息为满足预设条件(例如用户给出的条件)的房源。
[0071]
s2：对当前事件涉及的用户行为信息、服务方行为信息和事件标的物信息进行特征向量抽取，得到第一特征向量。
[0072]
在本实施例中，可以通过特征提取网络对前事件涉及的用户行为信息、服务方行为信息和事件标的物信息进行特征向量抽取，得到第一特征向量。其中，特征提取网络可以是事件转化潜力模型中的网络，也可以是独立于事件转化潜力模型之外，单独设置的网络。
[0073]
s3：利用预先训练得到的事件转化潜力模型对第一特征向量进行处理，得到当前事件的转化潜力信息，以便基于转化潜力信息为当前事件配置相应的业务资源。其中，事件转化潜力模型基于样本事件信息训练得到。样本事件信息包括用户行为信息、服务方行为信息、事件标的物信息和转化潜力标签。
[0074]
在本实施例中，通过对样本事件信息的用户行为信息、服务方行为信息和事件标的物信息提取特征向量，以样本事件信息的转换潜力标签作为事件转化潜力模型在模型训练时的监督信息，使用对样本事件信息提取出的特征向量进行模型训练，得到事件转化潜力模型。
[0075]
在本实施例中，当前事件的转化潜力信息可以包括转化潜力的分类信息，例如包括高转化潜力和低转化潜力的分类结果。
[0076]
在本实施例中，获取当前事件涉及的用户行为信息、服务方行为信息和事件标的物信息；对当前事件涉及的用户行为信息、服务方行为信息和事件标的物信息进行特征向量抽取，得到第一特征向量；利用预先训练好的事件转化潜力模型对第一特征向量进行处理，可以得到当前事件的转化潜力信息，便于基于转化潜力信息为当前事件配置相应的业务资源，提升事件转化效率，降低业务资源浪费。
[0077]
在本公开一个实施例中，步骤s1包括：
[0078]
s1-1：获取当前事件信息涉及的用户行为信息、服务方行为信息和事件标的物信息。
[0079]
s1-2：对用户行为信息、服务方行为信息和事件标的物信息进行预处理。其中，预处理包括异常数据剔除，具体包括剔除用户行为信息、服务方行为信息和事件标的物信息中多余的空格、无实际意义的表情和无法识别出的数据。
[0080]
s1-3：对预处理后的用户行为信息、服务方行为信息和事件标的物信息进行体征提取和归一化处理，得到第一特征向量。其中，归一化的方式可以采用标准化(standardization)处理或采用最小最大缩放(min-max scaling)处理。
[0081]
在本实施例中，通过异常数据剔除和归一化处理，可以提升识别效率和识别结果的准确率。
[0082]
在本公开的一个实施例中，在步骤s1之前，还包括：
[0083]
s0：训练事件转化潜力模型。
[0084]
具体而言，步骤s0包括：
[0085]
s0-1：获取样本事件的用户行为信息、服务方行为信息、事件标的物信息和转化潜力标签。
[0086]
为保证模型训练后的准确性，本公开实施中的样本事件信息为多个，每个样本事件信息均包括样本事件的用户行为信息、服务方行为信息、事件标的物信息和转化潜力标签。示例性地，当用户针对某个事件标的物与服务方进行接洽后，根据接洽结果可以生成一条样本事件信息，例如用户与服务方针对事件标的物a进行了针对性地、细节性的洽谈后，生成基于该用户、该服务方和事件标的物a的一条样本事件信息。基于该样本事件信息的后续结果(成交或不成交，以及成交时间等)或对该样本事件信息进行分析，由指定人员给出对应该样本事件信息的转化潜力标签。其中，转化潜力标签可以为高转化概率标签或低转化概率标签。
[0087]
在本公开的一个示例中，针对用户通过平台访问房屋中介网站产生样本事件信息的场景，用户行为信息例如可以包括但不限于：用户在最近一段时间内(例如最近30天内)的浏览及登录次数、用户近30天浏览房源并与经纪人进行沟通的信息、用户近30天是否委托过经纪人的信息和用户近90天是否有被经纪人带领实地查看房源的信息。在本示例中，通过用户行为信息，可以得知用户对房屋的需求度(租赁需求度或买卖需求度)。需要说明的是，上述的30天、90天只是一种示例，不做具体的数值限定。
[0088]
在针对用户通过平台访问房屋中介网站产生样本事件信息的场景下，服务人员行为信息例如可以包括但不限于：经纪人的服务评价分、经纪人近30天带看房屋数量和经纪人近90天成交量。在本示例中，通过服务人员行为信息可以得到经纪人的近期服务专业度。需要说明的是，上述的30天和90天只是一种示例，不做具体的数值限定。
[0089]
在针对用户通过平台访问房屋中介网站产生样本事件信息的场景下，商品热度信息例如可以包括但不限于：房源的热度，具体包括近30天内基于房源产生的事件数量和房源近30天内的被带看量。需要说明的是，上述的30天只是一种示例，不做具体的数值限定。
[0090]
s0-2：对样本事件信息的用户行为信息、服务方行为信息和事件标的物信息进行特征向量抽取，得到第二特征向量。
[0091]
在本实施例中，可以通过特征提取网络对样本事件信息的用户行为信息、服务方行为信息和事件标的物信息进行特征向量抽取，得到第二特征向量。其中，可以先对每个样本事件信息进行预处理，剔除掉异常数据(例如用户与服务人员对话中多余的空格、无实际意义的表情和无法识别出的数据等等)后，进行特征向量抽取和归一化处理，得到一个对应的特征向量。需要说明的是，提取第二特征向量的方式与提取第一特征向量的方式相同。
[0092]
s0-3：根据样本事件信息的转化潜力标签，确定与所述样本事件信息的转化潜力标签对应的类别参数。
[0093]
在本公开的一个示例中，采用二分类的支持向量机，可以将转化潜力标签确定为参数yi。其中，yi表示第i个样本事件信息的类别参数且yi∈{-1,1}。
[0094]
s0-4：基于预设的模型约束条件，利用第二特征向量和类别参数进行迭代训练，得到事件转化潜力模型。其中，事件转化潜力模型为基于粒子群的支持向量机模型，模型约束条件限定了第二特征向量和类别参数之间满足预设条件。在迭代训练事件转化潜力模型
时，基于上次迭代更新后目标粒子的速度、目标粒子的局部最优位置、粒子群的全局最优位置和粒子收敛控制参数更新目标粒子的速度。
[0095]
在一种可选的方式中，预设的模型约束条件如下：
[0096][0097]
其中，xi表示第i个样本事件信息对应的特征向量，yi表示第i个样本事件信息的类别参数，xi和yi需要满足上式中的条件。
[0098]
在满足上式中的条件下，基于样本事件信息进行迭代训练。本实施例采用基于粒子群的支持向量机模型作为事件转化潜力模型，在每次进行迭代时，基于上次迭代更新后目标粒子的速度、目标粒子的局部最优位置、粒子群的全局最优位置和粒子收敛控制参数更新目标粒子的速度，模型约束条件中的待求解参数αi和αj为事件转化潜力模型的模型参数，粒子群的全局最优位置用于表征模型约束条件中的待求解参数αi和αj。
[0099]
在本实施例中，迭代训练对的完成条件可以包括：对事件转化潜力模型迭代训练的次数达到预设次数(例如200次)，或者粒子群的全局最优位置满足了预设的最小界限。
[0100]
具体地，步骤s0-4具体包括：
[0101]
s0-4-1：初始化粒子群中粒子的位置和迭代速度。
[0102]
s0-4-2：计算粒子群中粒子的适应度。其中，粒子适应度的公式为：
[0103][0104]
其中，fitness(k)为第k次迭代时，当前粒子的适应度值；n
test
代表测试集中测试样本的个数，n
error
代表第k次迭代时当前粒子对应模型分类错误的个数；所以fitness(k)可以认为是第k次迭代时当前粒子对应模型的分类正确率再乘以100。
[0105]
s0-4-3：基于每个粒子的适应度更新每个粒子的局部最优位置和粒子群中所有粒子的全局最优位置。
[0106]
s0-4-4：基于每个粒子的局部最优位置和粒子群中所有粒子的全局最优位置更新粒子速度和位置。其中，在每次迭代更新粒子的速度时，基于上次迭代更新后目标粒子的速度、标粒子的局部最优位置、粒子群的全局最优位置和粒子收敛控制参数更新目标粒子的速度。
[0107]
s0-4-5：判断是否达到最大迭代次数或者全局最优位置满足了预设的最小界限，如果达到最大迭代次数或者全局最优位置满足了预设的最小界限，则停止迭代，得到事件转化潜力模型，否则继续迭代。
[0108]
在本实施例中，基于具有转化潜力标签的样本事件信息生成的第二特征向量，使用基于粒子群的模型训练方法可以训练出对事件信息给出转化潜力信息的事件转化潜力模型，以便基于事件的转化潜力信息配置相应的业务资源，提升事件转化效率。
[0109]
在本公开的一个实施例中，粒子收敛控制参数包括每次迭代更新时的当前惯性权重。相应地，在步骤s0-4中，基于上次迭代更新后目标粒子的速度、目标粒子的局部最优位置、粒子群的全局最优位置和粒子收敛控制参数更新目标粒子的速度，包括：
[0110]
基于给定的初始惯性权重、给定的最终惯性权重、当前迭代次数和总迭代次数，确定当前惯性权重。具体而言，给定当前惯性权重的确定公式，当前惯性权重的确定公式的参数包括给定的初始惯性权重、给定的最终惯性权重、当前迭代次数和总迭代次数。基于当前惯性权重的确定公式可以确定当前惯性权重。
[0111]
基于当前惯性权重、上次迭代更新后目标粒子的速度、目标粒子的局部最优位置、粒子群的全局最优位置更新目标粒子的速度。具体而言，给定包括当前惯性权重、上次迭代更新后目标粒子的速度、目标粒子的局部最优位置、粒子群的全局最优位置确定目标粒子速度的公式，基于确定目标粒子速度的公式可以确定目标粒子的速度。
[0112]
在本实施例中，由于粒子速度大小与粒子群方法的收敛性有关，如果粒子速度太大，容易偏离全局最优解，陷入局部最优解，因此需对粒子的速度设定上限。本实施例通过惯性权重可以控制粒子速度，提升粒子群的全局最优解的准确率。
[0113]
在本发明的一个实施例中，通过以下方式更新目标粒子的速度：
[0114][0115][0116]
其中，w表示当前惯性权重，c1和c2表示学习因子，且c1和c2是给定常数，r1和r2是介于(0,1)的随机数，d表示搜索空间的维数，k表示迭代次数，表示当前粒子第k次迭代时的局部最优位置，表示粒子群第k次迭代时的全局最优位置，w
min
、w
max
分别为初始惯性权重和最终惯性权重，k为当前迭代次数，k
max
为总迭代次数。
[0117]
在本实施例中，通过包含有惯性权重的方式更新粒子速度，可以有效控制粒子的更新速度，提升粒子群的全局最优位置的准确率。
[0118]
在本公开的另一个实施例中，粒子收敛控制参数包括收敛因子。相应地，在步骤s0-4中，基于上次迭代更新后目标粒子的速度、目标粒子的局部最优位置、粒子群的全局最优位置和粒子收敛控制参数更新目标粒子的速度，包括：
[0119]
基于学习因子确定收敛因子。其中，学习因子为给定常数。具体而言，给定基于学习因子确定收敛因子的公式，由于学习因子为给定常数，因此收敛因子也是一个常数，即收敛因子不随着迭代而变化。
[0120]
基于收敛因子、上次迭代更新后目标粒子的速度、当前惯性权重、目标粒子的局部最优位置、粒子群的全局最优位置更新目标粒子的速度。具体而言，给定基于收敛因子、上次迭代更新后目标粒子的速度、当前惯性权重、目标粒子的局部最优位置、粒子群的全局最优位置确定目标粒子的速度的公式，基于该公式可以计算出目标粒子在本次迭代后的速度。
[0121]
在本实施例中，由于粒子速度大小与粒子群方法的收敛性有关，如果粒子速度太大，容易偏离全局最优解，陷入局部最优解，因此需对粒子的速度设定上限。本实施例通过
收敛因子可以控制粒子速度，提升粒子群的全局最优解的准确率。
[0122]
在本公开的一个实施例中，通过以下方式更新目标粒子的速度：
[0123][0124]
其中，χ表示收敛因子，且c＝c1 c2，c1和c2表示学习因子，且c1和c2是给定常数，r1和r2是介于(0,1)的随机数，d表示搜索空间的维数，k表示迭代次数，表示当前粒子第k次迭代时的局部最优位置，表示粒子群第k次迭代时的全局最优位置。
[0125]
在本实施例中，通过包含有收敛因子的方式更新粒子速度，可以有效控制粒子的更新速度，提升粒子群的全局最优位置的准确率。
[0126]
在本公开的又一个实施例中，粒子收敛控制参数包括每次迭代更新时的当前惯性权重和收敛因子。相应地，在步骤s0-4中，基于上次迭代更新后目标粒子的速度、目标粒子的局部最优位置、粒子群的全局最优位置和粒子收敛控制参数更新目标粒子的速度，包括：
[0127]
基于给定的初始惯性权重、给定的最终惯性权重、当前迭代次数和总迭代次数，确定当前惯性权重。具体而言，给定当前惯性权重的确定公式，当前惯性权重的确定公式的参数包括给定的初始惯性权重、给定的最终惯性权重、当前迭代次数和总迭代次数。基于当前惯性权重的确定公式可以确定当前惯性权重。
[0128]
基于学习因子确定收敛因子，其中，学习因子为给定常数。具体而言，给定基于学习因子确定收敛因子的公式，由于学习因子为给定常数，因此收敛因子也是一个常数，即收敛因子不随着迭代而变化。
[0129]
基于收敛因子、当前惯性权重、上次迭代更新后目标粒子的速度、目标粒子的局部最优位置、粒子群的全局最优位置更新目标粒子的速度。具体而言，给定基于收敛因子、当前惯性权重、上次迭代更新后目标粒子的速度、当前惯性权重、目标粒子的局部最优位置、粒子群的全局最优位置确定目标粒子的速度的公式，基于该公式可以计算出目标粒子在本次迭代后的速度。
[0130]
在本实施例中，由于粒子速度大小与粒子群方法的收敛性有关，如果粒子速度太大，容易偏离全局最优解，陷入局部最优解，因此需对粒子的速度设定上限。本实施例通过惯性权重和收敛因子一起配合可以有效控制粒子速度，提升粒子群的全局最优解的准确率。
[0131]
在本公开的一个实施例中，通过以下方式更新目标粒子的速度：
[0132][0133]
其中，x表示收敛因子，且c＝c1 c2，w表示当前惯性权重，c1和c2表示学习因子，且c1和c2是给定常数，r1和r2是介于(0,1)的随机数，d表示搜索空间的维数，k表示迭代次数，表示当前粒子第k次迭代时的局部最优位置，表示粒子群第k次迭代时的全局最优位置。
[0134]
在本实施例中，基于以上实施例中根据惯性权重和收敛因子的方式，更新粒子速度，可以有效控制粒子的更新速度，提升粒子群的全局最优位置的准确率。
[0135]
需要说明的是，在上述实施例中基于惯性权重确定粒子速度的公式(2)、基于收敛因子确定粒子速度的公式(4)，以及基于惯性权重和收敛因子确定粒子速度的公式(5)之后，均通过以下方式更新每次迭代时粒子的位置：
[0136][0137]
其中，表示第k次迭代时粒子当前位置，表示第k次迭代后粒子的位置。
[0138]
为使本领域技术人员进一步理解本公开上述实施例中基于惯性权重确定粒子速度的公式(1)、基于收敛因子确定粒子速度的公式(3)，以及基于惯性权重和收敛因子确定粒子速度的公式(4)是通过创造性劳动所得出，将给出公式具体的说明过程。
[0139]
1、支持向量机对事件特征向量进行分类
[0140]
对假设存在一些分别属于两个不同类别的样本
[0141]
(x1,y1),(x2,y2)
…
,(xm,ym)，x∈rn，y∈{-1,1}
[0142]
其中，m表示样本数，n表示维数，x表示样本，y表示两个类别。学习的目标就是寻找一个超平面将这些样本正确的分成两类，该超平面可以用式(7)来描述：
[0143]w·
x b＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0144]
对于此超平面，定义线性函数f(x)＝w
·
x b来解决二分类问题：
[0145][0146]
能够将样本数据正确分开的超平面不是唯一的，因此需要确定一个超平面能够最适合的将样本进行分类，因此引出了最优分类超平面的概念。假设样本数据能被某个超平面w
·
x b＝0正确的分开，并且距离超平面最近的数据点与该超平面的距离最大，那么称该超平面为最优分类超平面。
[0147]
图2为本公开一个实例中最优分类超平面的示意图。如图2所示，l1和l2为标准超平面，其中l1:w
·
x b＝1，l2:w
·
x b＝-1。那么l1到l的距离为：
[0148][0149]
由此可以计算出l1到l2的距离为：根据支持向量机理论获取最大间隔，即使其满足：
[0150][0151]
转化为求：
[0152][0153]
为了满足式(11)，需要l1和l2之间不存在样本数据，即需要满足式(11)约束条件：
[0154]
[0155]
式(12)也可以表达为：
[0156]
yi(w
·
xi b)＞1
ꢀꢀꢀꢀ
(13)
[0157]
式(11)进一步等价为：
[0158][0159]
因此求解最优分类超平面的问题可以表示为：
[0160][0161]
式(15)本质上是一个二次规划问题，可以通过拉格朗日函数进行求解，即
[0162][0163]
式中，αi代表拉格朗日乘子。
[0164]
对w，b，αi求偏导并令其等于零可得：
[0165][0166]
依据式(17)可以将式(16)转化为如下凸二次规划问题：
[0167][0168]
进而可得到最优分类超平面如式(19),式中w
*
为权值向量。
[0169][0170]
以上分析过程的前提是样本线性可分的情况下进行的，然而并不是所有的样本点都能满足式(13)的约束条件，此时需要软间隔最大化，引入松弛变量ξi(ξi≥0)，约束条件转化为:
[0171]
yi(w
·
xi b)》1-ξiꢀꢀꢀꢀꢀꢀꢀ
(20)
[0172]
对目标函数引入惩罚项则求解最优分类超平面的问题可以表示为:
[0173][0174]
同样可以通过拉格朗日进行求解，即：
[0175][0176]
其中，αi，μi是拉格朗日乘子，且满足αi≥0，μi≥0。
[0177]
针对式(22)，首先求l(w,b,αi,μi)对w,b,ξ的极小，对w,b,ξ求偏导并整理得(23)。
[0178][0179]
根据式(23)可以将式(22)转化为如式(24)的凸二次规划问题：
[0180][0181]
从而可得到最优的分类超平面：
[0182][0183]
非线性可分支持向量机
[0184]
实际中的很多问题都是非线性的，如商机特征向量就是线性不可分的。当样本数据线性不可分时，不适用非线性问题的求解。但是通过使用非线性核函数φ(x)的方式将非线性训练样本数据投影映射到某个线性可分的高维度的特征空间中，在该高维度的特征空间中搭建最优分类超平面，然后即可利用线性支持向量机方法求解此最优分类超平面，即将低维度的非线性问题转为高维度的线性问题。具体实现过程中，当引入核函数φ(x)后，最优分类超平面的问题可以表示为：
[0185]
[0186]
同理可以通过拉格朗日乘子法进行求解：
[0187][0188]
其中，αi，μi是拉格朗日乘子，并且同时满足αi≥0，μi≥0。
[0189]
针对式(27)，首先求l(w,b,αi,μi)对w,b,ξ的极小，求l(w,b,αi,μi)关于w,b,ξ的偏导数并整理得到是(28)。
[0190][0191]
则联合式(27)和(28)可以转换为如下二次规划问题：
[0192][0193]
式中k(xi·
xj)表示核函数，k(xi·
xj)＝φ(xi)
·
φ(xj)。
[0194]
核函数k(xi·
xj)的引入能够在不直接运算非线性映射函数及权重向量的情况下，就得到最优分类超平面，因此减少了运算过程中的复杂度。
[0195]
最终得到在非线性分类的最优分类超平面为：
[0196][0197]
在使用非线性支持向量机对数据样本进行多分类时，分类结果的准确性与所选择的核函数有着直接的联系，常用的核函数有：
[0198]
线性核函数：k(xi·
xj)＝xi·
xj；
[0199]
多项式核：k(xi·
xj)＝(xi·
xj)d,d≥1；
[0200]
径向基核：
[0201]
moid核：k(xi·
xj)＝tanh(β(xi·
xj) θ),β≥0。
[0202]
2、基于粒子群的方法
[0203]
粒子群优化(pso)方法是一种基于群体智能的优化方法，由于其结构简单、参数调整简单易行以及适合计算机编程处理等优点，目前已成功应用于函数优化、svm参数优化、神经网络训练及系统控制等领域。
[0204]
粒子群方法的数学描述为：
[0205]
假设粒子群的群体规模为n，目标搜索空间的维数为d，粒子i的位置表示为：xi＝(x
i1
,x
i2
,x
i3
,...,x
id
)，速度表示为：vi＝(v
i1
,v
i2
,v
i3
,...,v
id
),粒子i本身的历史最佳位置表示为：pi＝(p
i1
,p
i2
,p
i3
,...,p
id
)，所有粒子的最佳位置表示为：pg＝(p
g1
,p
g2
,p
g3
,...,p
gd
)。则粒子i的速度与位置的更新公式分别如式(7)、(8)所示：
[0206]
[0207]
需要说明的是，式(31)是本公开实施例中更新目标粒子速度公式的基础，即式(31)是式(2)、(4)和(5)的基础。在训练事件转化潜力模型时，根据样本事件信息的预测结果和转化潜力标签之间的差别，调整事件转化潜力模型的参数，具体为调整公式(24)中的参数αi和αj。
[0208]
通过式(31)的生成过程可以说明，本公开实施例中采用的更新目标粒子速度公式可以有效表述粒子群中的粒子速度，契合粒子速度的实际表示，针对性强。
[0209]
图3为本公开实施例的事件转化潜力的确定装置的结构框图。如图3所示，本公开实施例的事件转化潜力的确定装置，包括：信息获取模块310、特征向量提取模块320和事件转化潜力确定模块330。
[0210]
其中，信息获取模块310用于获取当前事件涉及的用户行为信息、服务方行为信息和事件标的物信息；特征向量提取模块320用于对所述当前事件涉及的用户行为信息、服务方行为信息和事件标的物信息进行特征向量抽取，得到第一特征向量；事件转化潜力确定模块330用于利用预先训练得到的事件转化潜力模型对所述第一特征向量进行处理，得到所述当前事件的转化潜力信息，以便基于所述转化潜力信息为所述当前事件配置相应的业务资源；其中，所述事件转化潜力模型基于样本事件信息训练得到，所述样本事件信息包括样本事件的用户行为信息、服务方行为信息、事件标的物信息和转化潜力标签。
[0211]
在本公开一个实施例中，事件转化潜力的确定装置还包括模型训练模块；模型训练模块用于：
[0212]
获取所述样本事件的用户行为信息、服务方行为信息、事件标的物信息和转化潜力标签；
[0213]
对所述样本事件信息的用户行为信息、服务方行为信息和事件标的物信息进行特征向量抽取，得到第二特征向量；
[0214]
根据所述样本事件信息的转化潜力标签，确定与所述样本事件信息的转化潜力标签对应的类别参数；
[0215]
基于预设的模型约束条件，利用所述第二特征向量和所述类别参数进行迭代训练，得到所述事件转化潜力模型；
[0216]
其中，所述事件转化潜力模型为基于粒子群的支持向量机模型，所述模型约束条件限定了所述第二特征向量和所述类别参数之间满足预设条件；在迭代训练所述事件转化潜力模型时，基于上次迭代更新后目标粒子的速度、所述目标粒子的局部最优位置、所述粒子群的全局最优位置和粒子收敛控制参数更新所述目标粒子的速；所述模型约束条件中的待求解参数为所述事件转化潜力模型的模型参数，所述粒子群的全局最优位置用于表征所述待求解参数。
[0217]
在本公开的一个实施例中，所述粒子收敛控制参数包括当前惯性权重；所述模型训练模块用于基于给定的初始惯性权重、给定的最终惯性权重、当前迭代次数和总迭代次数，确定所述当前惯性权重；所述模型训练模块还用于基于所述当前惯性权重、上次迭代更新后目标粒子的速度、所述目标粒子的局部最优位置、所述粒子群的全局最优位置更新所述目标粒子的速度。
[0218]
在本公开的一个实施例中，所述模型训练模块用于通过以下方式更新目标粒子的速度：
[0219][0220]
其中，w表示当前惯性权重，c1和c2表示学习因子，且c1和c2是给定常数，r1和r2是介于(0,1)的随机数，d表示搜索空间的维数，k表示迭代次数，表示当前粒子第k次迭代时的局部最优位置，表示粒子群第k次迭代时的全局最优位置。
[0221]
在本公开的一个实施例中，所述粒子收敛控制参数包括收敛因子；模型训练模块用于基于学习因子确定所述收敛因子，其中，所述学习因子为给定常数；所述模型训练模块还用于基于所述收敛因子、上次迭代更新后目标粒子的速度、所述当前惯性权重、所述目标粒子的局部最优位置、所述粒子群的全局最优位置更新所述目标粒子的速度。
[0222]
在本公开的一个实施例中，所述模型训练模块用于通过以下方式更新目标粒子的速度：
[0223][0224]
其中，χ表示收敛因子，且c＝c1 c2，c1和c2表示学习因子，且c1和c2是给定常数，r1和r2是介于(0,1)的随机数，d表示搜索空间的维数，k表示迭代次数，表示当前粒子第k次迭代时的局部最优位置，表示粒子群第k次迭代时的全局最优位置。
[0225]
在本公开的一个实施例中，所述粒子收敛控制参数包括当前惯性权重和收敛因子；所述模型训练模块用于基于给定的初始惯性权重、给定的最终惯性权重、当前迭代次数和总迭代次数，确定所述当前惯性权重；所述模型训练模块还用于基于学习因子确定所述收敛因子，其中，所述学习因子为给定常数；所述模型训练模块还用于基于所述收敛因子、所述当前惯性权重、上次迭代更新后目标粒子的速度、所述目标粒子的局部最优位置、所述粒子群的全局最优位置更新所述目标粒子的速度。
[0226]
在本公开的一个实施例中，模型训练模块用于通过以下方式更新目标粒子的速度：
[0227][0228]
其中，χ表示收敛因子，且c＝c1 c2，w表示当前惯性权重，c1和c2表示学习因子，且c1和c2是给定常数，r1和r2是介于(0,1)的随机数，d表示搜索空间的维数，k表示迭代次数，表示当前粒子第k次迭代时的局部最优位置，表示粒子群第k次迭代时的全局最优位置。
[0229]
需要说明的是，本公开实施例的事件转化潜力的确定装置的具体实施方式与本公开实施例的事件转化潜力的确定方法的具体实施方式类似，具体参见事件转化潜力的确定方法部分的描述，为了减少冗余，不作赘述。
[0230]
另外，本公开实施例还提供了一种电子设备，包括：
[0231]
存储器，用于存储计算机程序；
[0232]
处理器，用于执行所述存储器中存储的计算机程序，且所述计算机程序被执行时，实现本公开上述任一实施例所述的事件转化潜力的确定方法。
[0233]
图4为本公开电子设备一个应用实施例的结构示意图。如图4所示，电子设备包括一个或多个处理器和存储器。
[0234]
处理器可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
[0235]
存储器可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行所述程序指令，以实现上文所述的本公开的各个事件转化潜力的确定方法以及/或者其他期望的功能。
[0236]
在一个示例中，电子设备还可以包括：输入装置和输出装置，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0237]
此外，该输入设备还可以包括例如键盘、鼠标等等。
[0238]
该输出装置可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0239]
当然，为了简化，图4中仅示出了该电子设备中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
[0240]
除了上述方法和设备以外，本公开的实施例还公开一种计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时实现上述实施例中的事件转化潜力的确定方法。
[0241]
所述计算机程序产品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公开实施例操作的程序代码，所述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。
[0242]
此外，本公开的实施例还公开了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述部分中描述的根据本公开各种实施例的事件转化潜力的确定方法中的步骤。
[0243]
所述计算机可读存储介质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包括但不限于电、磁、光、电磁、红外线、或半导体的系统、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粒子(非穷举的列表)包括：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。
[0244]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0245]
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
[0246]
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0247]
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的粒子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0248]
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
[0249]
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
[0250]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0251]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。