[发明专利]评分的置信度的确定方法、装置、设备及存储介质

权利要求书

1.一种评分的置信度的确定方法，应用于营销冷启动阶段，其特征在于，包括：

获取多个评分对象中每两个对象之间的三元组关系特征；

获取所述多个评分对象中每一对象的结构化的评分参考数据，其中，所述评分参考数据包括评分对象的基础信息、评分对象的过往执业经历信息；

将所述三元组关系特征和所述评分参考数据中的词，用与词对应的分隔标识进行分隔处理；

将分隔处理后的结果映射到经过训练得到的语言模型向量空间中，得到待输入向量；

将所述待输入向量输入至评分模型中的多头注意力机制模型，得到所述多头注意力机制模型输出的所述每一对象的评分方案的参考权重；

将所述每一对象的评分方案的参考权重，输入至所述评分模型中的经过训练的前馈神经网络模型，得到所述经过训练的前馈神经网络模型输出的所述每一对象对所述评分方案进行评分的置信度。

2.根据权利要求1中所述的方法，其特征在于，所述将所述待输入向量输入至所述评分模型中的多头注意力机制模型，得到所述头注意力机制模型输出的所述每一对象对所述评分方案的参考权重，包括：

将所述待输入向量输入至所述多头注意力机制模型，获取到所述待输入向量与第一权重矩阵相乘，得到的查询矩阵、键矩阵和值矩阵；

基于所述查询矩阵、所述键矩阵和所述值矩阵，计算所述多头注意力机制模型的每一层第二权重矩阵；

对所述多头注意力机制模型的所有层的第二权重矩阵进行合并处理，得到所述参考权重。

3.根据权利要求2所述的方法，其特征在于，所述基于所述查询矩阵、所述键矩阵和所述值矩阵，计算所述多头注意力机制模型的每一层第二权重矩阵，包括：

将所述查询矩阵、所述键矩阵和所述值矩阵输入权重矩阵计算公式，得到所述每一层第二权重矩阵，所述权重矩阵计算公式如下：

其中，为第i层的所述第二权重矩阵，所述查询矩阵为、所述键矩阵为，所述值矩阵为，为缩放因子，为所述的转置矩阵。

4.根据权利要求1中所述的方法，其特征在于，所述将所述每一对象的评分方案的参考权重，输入至所述评分模型中的经过训练的前馈神经网络模型，得到所述经过训练的前馈神经网络模型输出的所述每一对象对所述评分方案进行评分的置信度之前，所述方法包括：

将训练集数据输入至前馈神经网络模型，得到所述前馈神经网络模型针对所述训练集数据的输出结果；

获取所述输出结果与所述训练集数据的实际结果之间的误差；

将所述误差从所述前馈神经网络模型的输出层向隐藏层反向传播，直至传播到所述前馈神经网络模型的输入层；

在反向传播的过程中，根据所述误差调整所述前馈神经网络模型的模型参数的值，不断迭代上述过程，直至所述前馈神经网络模型针对所述训练集数据的目标输出结果与所述实际结果之间的误差满足收敛条件，得到所述经过训练的前馈神经网络模型。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述置信度包括用于表征所述每一对象对所述评分方案进行评分的准确性大于目标准确性的第一置信度，或者用于表征所述每一对象对所述评分方案进行评分的准确性小于所述目标准确性的第二置信度。

6.一种评分的置信度的确定装置，应用于营销冷启动阶段，其特征在于，包括：

获取模块，用于获取多个评分对象中每两个对象之间的三元组关系特征；

所述获取模块，用于获取所述多个评分对象中每一对象的结构化的评分参考数据，其中，所述评分参考数据包括评分对象的基础信息、评分对象的过往执业经历信息；

处理模块，用于将所述三元组关系特征和所述评分参考数据中的词，用与词对应的分隔标识进行分隔处理；将分隔处理后的结果映射到经过训练得到的语言模型向量空间中，得到待输入向量；

所述处理模块，用于将所述待输入向量输入至评分模型中的多头注意力机制模型，得到所述多头注意力机制模型输出的所述每一对象的评分方案的参考权重；将所述每一对象的评分方案的参考权重，输入至所述评分模型中的经过训练的前馈神经网络模型，得到所述经过训练的前馈神经网络模型输出的所述每一对象对所述评分方案进行评分的置信度。