模型训练及需求判断方法、装置、设备、介质及产品与流程

1.本发明涉及计算机技术领域，尤其涉及一种模型训练及需求判断方法、装置、设备、介质及产品。


背景技术：

2.现有供需撮合系统中，需求繁杂多样，虚假需求扰乱市场秩序以及降低平台整体信息质量。在当前供需撮合系统中，虚假需求的判别方式包括两种：其一，借助于人工识别，但人工识别需要较高的人工成本；其二，采用简单规则判断，但需要不断加入新规则，并且，新种类的虚假需求及隐藏的虚假需求难以发现。
3.公开内容
4.有鉴于此，本发明提供一种模型训练及需求判断方法、装置、设备、介质及产品，解决了现有技术中采用人工判断虚假需求的高成本，以及无法识别出新种类以及隐藏的虚假需求的问题。
5.根据本发明的一方面，本发明实施例还提供了一种模型训练方法，包括：
6.根据预先获取的训练样本数据构建对应的原始异构体网络图；其中，所述训练样本数据至少包括：至少两个样本需求，每个样本需求所对应的需求标签，以及每个样本需求所对应的对象信息；
7.对所述原始异构体网络图进行迭代训练，得到对应的隐向量特征；
8.将所述隐向量特征和所述训练样本数据输入至预先创建的原始需求预测模型，得到对应的目标需求预测模型。
9.根据本发明的另一方面，本发明实施例提供了一种需求判断方法，包括：
10.获取待测需求和所述待测需求所对应的对象信息；
11.将所述待测需求和所述对象信息输入至预先创建的目标需求预测模型中，确定所述待测需求的虚假概率；其中，所述目标需求预测模型为根据上述任一实施例所述的模型训练方法进行训练得到。
12.根据本发明的另一方面，本发明实施例还提供了一种模型训练装置，包括：
13.构建模块，用于根据预先获取的训练样本数据构建对应的原始异构体网络图；其中，所述训练样本数据至少包括：至少两个样本需求，每个样本需求所对应的需求标签，以及每个样本需求所对应的对象信息；
14.训练模块，用于对所述原始异构体网络图进行迭代训练，得到对应的隐向量特征；
15.创建模块，用于将所述隐向量特征和所述训练样本数据输入至预先创建的原始需求预测模型，得到对应的目标需求预测模型。
16.根据本发明的另一方面，本发明实施例还提供了一种需求判断装置，包括：
17.获取模块，用于获取待测需求和所述待测需求所对应的对象信息；
18.第一确定模块，用于将所述待测需求和所述对象信息输入至预先创建的目标需求预测模型中，确定所述待测需求的虚假概率；其中，所述目标需求预测模型根据上述任一实
施例所述的模型训练方法进行训练得到。
19.根据本发明的另一方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
20.至少一个处理器；以及
21.与所述至少一个处理器通信连接的存储器；其中，
22.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序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本发明任一实施例所述的需求判断方法或模型训练方法。
23.根据本发明的另一方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的需求判断方法或模型训练方法。
24.根据本发明的另一方面，本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现本发明任一实施例所述的需求判断方法或模型训练方法。
25.本发明实施例的技术方案，通过预先构建的原始异构体网络图，实现需求与需求，需求与对象，以及对象与对象之间的潜在关系，训练得到对应的目标需求预测模型，并通过目标需求预测模型对待测需求的虚假概率进行自动判断，解决了现有技术中采用人工判断虚假需求的高成本，以及无法识别出新种类以及隐藏的虚假需求的问题，在实现对待测需求的虚假概率进行自动判断的基础上，提高了对待测需求的判断准确率。
26.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
27.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
28.图1是本发明一实施例提供的一种需求判断方法的流程图；
29.图2是本发明另一实施例提供的一种需求判断方法的流程图；
30.图3是本发明一实施例提供的一种模型训练方法的流程图；
31.图4是本发明另一实施例提供的一种模型训练方法的流程图；
32.图5是本发明又一实施例提供的一种需求判断方法的流程图；
33.图6是本发明一实施例提供的一种原始异构体网络图的构建示意图；
34.图7是本发明一实施例提供的一种需求节点特征和对象节点特征的配置示意图；
35.图8是本发明一实施例提供的一种边信息的配置示意图；
36.图9是本发明一实施例提供的一种需求判断装置的结构框图；
37.图10是本发明一实施例提供的一种模型训练装置的结构框图；
38.图11是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
39.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
40.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“原始”、“目标”、“第一”以及“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
41.本技术技术方案中对数据的获取、存储、使用和处理等均符合国家法律法规的相关规定。
42.在一实施例中，图1是本发明一实施例提供的一种需求判断方法的流程图，本实施例可适用于自动对供需撮合系统中待测需求的虚假概率进行预测的情况，该方法可以由需求判断装置来执行，该需求判断装置可以采用硬件和/或软件的形式实现，该需求判断装置可配置于电子设备中。示例性地，电子设备可以为个人计算机、ipad等具备数据处理功能的终端设备。如图1所示，该方法包括：
43.s110、获取待测需求和待测需求所对应的对象信息。
44.其中，待测需求指的是在供需撮合系统中需要进行虚假概率测试的需求。在实施例中，每个待测需求均需要人工进行发布。可以理解为，每个待测需求均对应有对象信息。其中，对象信息指的是待测需求的发布方的相关信息。在实际操作过程中，待测需求的发布方可以为个人，也可以为企业。在实施例中，对象信息可以包括但不限于下述之一：对象归属机构、对象类型、对象所属行业；对象资质；对象资产情况；对象在最近时间内的虚假需求发布率。其中，对象归属机构指的是对象在资料登记保存的所在部门。在对象为企业时，对象类型指的是企业的种类；在对象为个人时，对象类型指的是个人所在企业的种类。示例性地，对象类型可以包括但不限于：合资企业、独资企业、国有企业、股份制企业等等。对象所属行业指的是对象所隶属的行业类别，示例性地，对象所属行业可以包括但不限于：农业、林业、牧业、制造业等等。在对象为企业时，对象资质指的是企业有能力完成一项工程的证明书；在对象为个人时，对象类型指的是个人所在企业有能力完成一项工程的证明书。对象资产情况指的是企业或者个人所在企业的相关资产。对象在最近时间内的虚假需求发布率指的是对象在发布最新需求时，在最近一段时间内发布虚假需求的总概率。
45.在实施例中，每个待测需求均对应有相关的需求信息。示例性地，需求信息至少包括下述之一：需求所属模板；需求标题特征向量；需求总浏览次数；需求被设置为意向需求次数；需求被撮合成功次数。其中，需求所属模板指的是根据需求类型所选择的模板。可以理解为，为了更直观地发布需求，可以对不同类型的需求配置不同的模板，并在发布方对需求进行发布时，直接根据需求类型选择对应的需求模板即可。需求标题特征向量，用于表征
需求的类型等关键词。需求总浏览次数指的是该需求被浏览的总次数；需求被设置为意向需求次数指的是该需求被作为候选的总次数；需求被撮合成功次数指的是该需求被成功撮合的次数。可以理解为，每个需求可以被一次或多次进行成功撮合。示例性地，假设对象a发布一个需求1，对象b发布一个需求2，对象c发布一个需求3，该需求1成功与需求2撮合，以及该需求1成功与需求3撮合。
46.s120、将待测需求和对象信息输入至预先创建的目标需求预测模型中，确定待测需求的虚假概率。
47.其中，目标需求预测模型基于原始异构体网络图所对应的隐向量特征进行训练得到。其中，原始异构体网络图由节点和边组成的网络图。其中，节点可以包括：需求节点和对象节点。在实施例中，原始异构网络图可以由一个或多个需求节点，和/或，一个或多个对象节点组成的网络图。在原始异构网络图中，边用于表征需求与需求，需求与对象，以及对象与对象之间的潜在关系。
48.在实施例中，基于原始异构体网络图得到对应的隐向量特征，并基于隐向量特征和训练样本数据对原始需求预测模型，得到对应的目标需求预测模型；然后通过目标需求预测模型对待测需求和对象信息进行预测，得到该待测需求的虚假概率。其中，隐向量特征用于表征每个对象信息和需求信息所对应的隐向量。可以理解为，隐向量特征指的是用于表征不可解释性语言的对象信息和需求信息。虚假概率用于表征待测需求为虚假需求的概率。
49.在实施例中，将待测需求和对象信息输入至目标需求预测模型中，即可确定待测需求与其它需求，和/或，待测需求与其它对象之间的潜在关系，从而可以更加准确地判断出该待测需求是否为虚假需求。
50.本实施例的技术方案，通过预先构建的原始异构体网络图，实现需求与需求，需求与对象，以及对象与对象之间的潜在关系，训练得到对应的目标需求预测模型，并通过目标需求预测模型对待测需求的虚假概率进行自动判断，解决了现有技术中采用人工判断虚假需求的高成本，以及无法识别出新种类以及隐藏的虚假需求的问题，在实现对待测需求的虚假概率进行自动判断的基础上，提高了对待测需求的判断准确率。
51.在一实施例中，图2是本发明另一实施例提供的一种需求判断方法的流程图，本实施例是在上述实施例的基础上，对待测需求的需求标签的确定过程进行说明。如图2所示，本实施例中的需求判断方法，包括：
52.s210、获取待测需求和待测需求所对应的对象信息。
53.s220、将待测需求和对象信息输入至预先创建的目标需求预测模型中，确定待测需求的虚假概率。
54.其中，目标需求预测模型基于原始异构体网络图所对应的隐向量特征进行训练得到。
55.s230、根据虚假概率和预设虚假概率阈值确定待测需求的需求标签。
56.其中，预设虚假概率阈值指的是预先配置的用于确定待测需求的需求标签的门限值。在实际操作过程中，可根据实际的准确性高低对预设虚假概率阈值进行配置。其中，需求标签指的是用于表征待测需求的类型。在实施例中，需求标签可以包括下述之一：虚假需求；真实需求。
57.在实施例中，在待测需求的虚假概率达到预设虚假概率阈值的情况下，可确定待测需求的需求标签为虚假需求。同样地，在待测需求的虚假概率未达到预设虚假概率阈值的情况下，可确定待测需求的需求标签为真实需求。
58.示例性地，假设预设虚假概率阈值为0.5，在待测需求的虚假概率为大于0.5的值的情况下，则确定该待测需求为虚假需求。当然，在对虚假需求的准确性要求较低的情况下，可以增大预设虚假概率阈值的设定，比如，预设虚假概率阈值可以为0.6或者更大的值；或者，在对虚假需求的准确性要求较高的情况下，可以降低预设虚假概率阈值的设定，比如，预设虚假概率阈值可以为0.4或者更小的值。
59.本实施例的技术方案，在上述实施例的基础上，根据虚假概率和预设虚假概率阈值确定待测需求的需求标签，从而可以更直观地查看待测需求是否为虚假需求，进而提升了撮合效率。
60.在一实施例中，图3是本发明一实施例提供的一种模型训练方法的流程图。本实施例可适用于创建目标需求预测模型，以自动对供需撮合系统中待测需求的虚假概率进行预测的情况，该方法可以由模型训练装置来执行，该模型训练装置可以采用硬件和/或软件的形式实现，该模型训练装置可配置于电子设备中。示例性地，电子设备可以为个人计算机、ipad等具备数据处理功能的终端设备。如图3所示，该方法包括：
61.s310、根据预先获取的训练样本数据构建对应的原始异构体网络图。
62.其中，所述训练样本数据至少包括：至少两个样本需求，每个样本需求所对应的需求标签，以及每个样本需求所对应的对象信息。其中，训练样本数据指的是用于对原始需求预测模型进行训练的数据。在实施例中，训练样本数据包括多个训练样本的数据信息，并且，训练样本数据均为已标注需求标签的训练样本。其中，训练样本数据中每个训练样本的需求标签包括下述之一：虚假需求；真实需求。每个样本需求所对应的对象信息，指的是每个样本需求所对应发布对象的相关信息。在实施例中，每个样本需求所对应的对象信息，与待测需求所对应的对象信息，所包含的参数是相同的。相应的，对每个样本需求所对应的对象信息中的各个参数的解释见上述实施例中对应参数的描述，在此不再赘述。
63.在实施例中，获取一些已标注是否为虚假需求的样本数据，作为训练样本数据，并识别并提取训练样本数据中的需求和对象，并将需求和对象作为节点，以构建对应的原始异构体网络图。
64.s320、对原始异构体网络图进行迭代训练，得到对应的隐向量特征。
65.其中，隐向量特征指的是对象节点特征和需求节点特征所对应的不可解释性语言的特征。在实施例中，根据原始异构体网络图中的需求节点特征、对象节点特征和边信息，进行多次迭代训练，以得到每个需求节点和每个对象节点对应的隐向量特征。
66.s330、将隐向量特征和训练样本数据输入至预先创建的原始需求预测模型，得到对应的目标需求预测模型。
67.其中，原始需求预测模型指的是对待测需求进行分类和预测的模型。示例性地，原始需求预测模型可以包括但不限于：knn(k-nearest neighbors)、logistic回归、lda(linear discriminant analysis)、qda(quadratic discriminant analysis)。其中，knn为非参数模型；而logistic回归、lda和qda均为参数模型。
68.在实施例中，将每个需求节点和每个对象节点对应的隐向量特征，以及已标注需
求标签的训练样本数据输入至原始需求预测模型中，以对原始需求预测模型进行训练，得到对应的目标需求预测模型。
69.本实施例的技术方案，通过构建原始异构体网络图，实现需求与需求，需求与对象，对象与对象之间的潜在关联，并通过图渗透关系，挖掘需求内部关联关系，并借助一些已标注需求标签的训练样本数据，对原始需求预测模型，得到对应的目标需求预测模型，解决了人工判断虚假需求所导致的高人力成本，以及采用过于简单粗暴规则判断虚假需求所导致的无法准确识别的问题，以通过目标需求预测模型自动判断待测需求的虚假概率，从而无需人工干预，大量节约了人工成本，以及提升了识别的准确率。
70.在一实施例中，图4是本发明另一实施例提供的一种模型训练方法的流程图。本实施例是在上述实施例的基础上，对原始异构体网络图的构建过程、隐向量特征的确定过程进行说明。本实施例中的模型训练方法，包括：
71.s410、识别并提取训练样本数据中的需求节点特征和对象节点特征。
72.在一实施例中，需求节点特征至少包括下述之一：需求所属模板；需求标题特征向量；需求总浏览次数；需求被设置为意向需求次数；需求被撮合成功次数。需要说明的是，对需求节点特征中各个参数的解释，可参见上述实施例中的描述，在此不再赘述。
73.在一实施例中，对象节点特征至少包括下述之一：对象归属机构；对象类型；对象所属行业；对象在最近时间内的虚假需求发布率。需要说明的黑丝，对对象节点特征中各个参数的解释，可参见上述实施例中对对象信息中所包含各个参数对应的描述，在此不再赘述。
74.s420、根据需求节点特征和对象节点特征构建对应的原始异构体网络图。
75.在实施例中，根据需求节点特征和节点节点特征建立各个需求节点之间、各个需求节点与对象节点之间，以及各个对象节点之间的关联关系，以得到对应的原始异构网络图。
76.s430、识别并提取原始异构体网络图中的边信息。
77.在一实施例中，边信息至少包括下述之一：需求与需求撮合成功；对象发布需求；对象与对象之间的所属关系。其中，需求与需求撮合成功，指的是供方的需求与需方的需求成功匹配。对象发布需求，指的是发布方和需求之间的关系，示例性地，需求1是由发布方1发布的，即需求1与发布方1之间记为对象发布需求的关系。对象与对象之间的所属关系，用于表征两个对象之间的关联。示例性地，对象与对象之间的所属关系，可以为上下级关系。示例性地，假设对象1为客户1，对象2为客户2，对象3为客户经理1，则对象1和对象2可以均为对象3的下属。
78.在实施例中，为了表征需求与需求，需求与对象，以及对象与对象之间的关系，可以采用边信息进行表述。
79.s440、根据边信息、需求节点特征和对象节点特征得到对应的图信息。
80.在实施例中，将边信息、需求节点特征和对象节点特征进行组合，即可得到对应的图信息。
81.s450、根据图信息对原始异构体网络图进行迭代训练，得到每个需求节点和每个对象节点对应的隐向量特征。
82.在一实施例中，s450包括：根据图信息对原始异构体网络图进行迭代训练，得到对
应的目标异构体网络图；根据目标异构体网络图得到每个需求节点和每个对象节点对应的隐向量特征。
83.在实施例中，对原始异构体网络图的多次迭代训练的过程，可以理解为，对两个需求节点、需求节点与对象节点，以及两个对象节点之间的内部关联关系进行不断挖掘的过程。在实施例中，在确定原始异构体网络图中每两个需求节点之间、每个需求节点与每个对象节点之间，以及每两个对象节点之间的内部关联关系之后，可以将每个需求节点特征和每个对象节点对象转换为不可解释性语言，作为每个需求节点和每个对象节点对应的隐向量特征。
84.s460、将隐向量特征和训练样本数据输入至预先创建的原始需求预测模型，得到对应的目标需求预测模型。
85.本实施例的技术方案，在上述实施例的基础上，通过借助异构网络图，将两个需求、需求与对象，以及两个对象之间的隐藏信息进行不断挖掘，实现了对待测需求的自动识别，以及提升了对待测需求的虚假概率进行识别的准确率。
86.在一实施例中，图5是本发明又一实施例提供的一种需求判断方法的流程图。本实施例作为优选实施例，对目标需求预测模型的创建过程，以及采用目标需求预测模型进行虚假预测的过程进行说明。如图5所示，本实施例包括如下步骤：
87.s510、获取已标注需求标签的训练样本数据。
88.示例性地，假设训练样本数据为已经标注是否虚假需求的k个样本数据。其中，训练样本数据表示为：y＝(y1,y2,y3,
…
,yk)。比如，yi＝0表示真实需求；yi＝1表示虚假需求。
89.s520、根据训练样本数据构建对应的原始异构体网络图。
90.示例性地，图6是本发明一实施例提供的一种原始异构体网络图的构建示意图。在实施例中，构建原始异构体网络图，并且该原始异构体网络图中的节点信息采用v表示，并且，节点包括需求节点和对象节点(比如，对象节点为客户节点)。
91.其中，图7是本发明一实施例提供的一种需求节点特征和对象节点特征的配置示意图。
92.如图7所示，需求节点特征由m维需求特征和n维客户特征拼接组成，其中m维需求特征有需求所属模板、需求标题特征向量、需求被浏览次数、需求被设为意向需求次数、需求被撮合成功次数等特征组成，n维客户特征由全0数字组成；即
[0093]vi
＝(v
i1
,v
i2
,v
i3
,
…
,v
im
,v
i(m+1)
,v
i(m+2)
,v
i(m+2)
,
…
,v
i(m+n)
)；
[0094]
其中，v
i(m+1)
～v
i(m+n)
都为0。
[0095]
其中，客户节点特征由m维需求特征和n维客户特征拼接组成，其中m维需求特征由全0数字组成，n维客户特征有客户归属机构特征、客户企业类型、客户资产情况、客户企业资质、客户所属行业、客户最近一段时间发布虚假需求率等特征组成；即
[0096]vj
＝(v
j1
,v
j2
,v
j3
,
…
,v
jm
,v
j(m+1)
,v
j(m+2)
,v
j(m+2)
,
…
,v
j(m+n)
)，v
j1
～v
jm
都为0。
[0097]
s530、识别并提取原始异构体网络图中的边信息。
[0098]
图8是本发明一实施例提供的一种边信息的配置示意图。如图8所示，，构建异构体网络图中的边信息包含三种边关系(e)，分别为需求与需求撮合成功、客户发布需求、客户与客户同客户经理这三种类型，分别用(0 0 1)、(0 1 0)、(1 0 0)表示；比如需求节点i和客户节点j有需求发布关系，则节点i和j中存在边关系e
ij
＝(0 1 0)。
[0099]
s540、根据边信息、需求节点特征和对象节点特征得到对应的图信息。
[0100]
在实施例中，由上述实施例中的节点特征和边关系，得到对应的图信息，即g＝(v,e)。
[0101]
s550、根据图信息对原始异构体网络图进行迭代训练，得到每个需求节点和每个对象节点对应的隐向量特征。
[0102]
在实施例中，根据图信息，进行多次训练迭代，得到各个节点的隐向量特征，如节点i的隐向量特征为hi＝(h
i1
,h
i2
,h
i3
,
…
,h
it
)。
[0103]
s560、将隐向量特征和训练样本数据输入至预先创建的原始需求预测模型，得到对应的目标需求预测模型。
[0104]
s570、将待测需求和对象信息输入至预先创建的目标需求预测模型中，确定待测需求的虚假概率。
[0105]
本实施例的技术方案，采用需求和对象两个不同主体构成，并通过需求发布等边信息将两个需求、需求与对象，以及两个对象之间的关联关系进行绑定，实现了虚假需求的自动判别。
[0106]
在一实施例中，图9是本发明一实施例提供的一种需求判断装置的结构框图，该装置可以由硬件/软件实现。可配置于电子设备中来实现本发明实施例中的一种需求判断方法。如图9所示，该装置包括：获取模块910和第一确定模块920。
[0107]
其中，获取模块910，用于获取待测需求和待测需求所对应的对象信息；
[0108]
第一确定模块920，用于将待测需求和对象信息输入至预先创建的目标需求预测模型中，确定待测需求的虚假概率；其中，目标需求预测模型基于原始异构体网络图所对应的隐向量特征进行训练得到。
[0109]
在一实施例中，需求判断装置，还包括：
[0110]
第二确定模块，用于根据虚假概率和预设虚假概率阈值确定待测需求的需求标签。
[0111]
本发明实施例所提供的需求判断装置可执行本发明任意实施例所提供的需求判断方法，具备执行方法相应的功能模块和有益效果。
[0112]
在一实施例中，图10是本发明一实施例提供的一种模型训练装置的结构框图，该装置可以由硬件/软件实现。可配置于电子设备中来实现本发明实施例中的一种模型训练方法。如图10所示，该装置包括：构建模块1010、训练模块1020和创建模块1030。
[0113]
其中，构建模块1010，用于根据预先获取的训练样本数据构建对应的原始异构体网络图；其中，所述训练样本数据至少包括：至少两个样本需求，每个样本需求所对应的需求标签，以及每个样本需求所对应的对象信息；
[0114]
训练模块1020，用于对原始异构体网络图进行迭代训练，得到对应的隐向量特征；
[0115]
创建模块1030，用于将隐向量特征和训练样本数据输入至预先创建的原始需求预测模型，得到对应的目标需求预测模型。
[0116]
在一实施例中，构建模块1010，包括：
[0117]
第一识别提取单元，用于识别并提取训练样本数据中的需求节点特征和对象节点特征；
[0118]
构建单元，用于根据需求节点特征和对象节点特征构建对应的原始异构体网络
图。
[0119]
在一实施例中，训练模块1020，包括：
[0120]
第二识别提取单元，用于识别并提取原始异构体网络图中的边信息；
[0121]
组成单元，用于根据边信息、需求节点特征和对象节点特征得到对应的图信息；
[0122]
训练单元，用于根据图信息对原始异构体网络图进行迭代训练，得到每个需求节点和每个对象节点对应的隐向量特征。
[0123]
在一实施例中，训练单元，包括：
[0124]
训练子单元，用于根据图信息对原始异构体网络图进行迭代训练，得到对应的目标异构体网络图；
[0125]
确定子单元，用于根据目标异构体网络图得到每个需求节点和每个对象节点对应的隐向量特征。
[0126]
在一实施例中，需求节点特征至少包括下述之一：需求所属模板；需求标题特征向量；需求总浏览次数；需求被设置为意向需求次数；需求被撮合成功次数。
[0127]
在一实施例中，对象节点特征至少包括下述之一：对象归属机构；对象类型；对象所属行业；对象在最近时间内的虚假需求发布率。
[0128]
在一实施例中，边信息至少包括下述之一：需求与需求撮合成功；对象发布需求；对象与对象之间的所属关系。
[0129]
在一实施例中，训练样本数据的需求标签包括下述之一：虚假需求；真实需求。
[0130]
本发明实施例所提供的模型训练装置可执行本发明任意实施例所提供的模型训练方法，具备执行方法相应的功能模块和有益效果。
[0131]
在一实施例中，图11是本发明实施例提供的一种电子设备的结构示意图，如图11所示，示出了可以用来实施本发明的实施例的电子设备的结构连接关系。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0132]
如图11所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0133]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0134]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能
(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如需求判断或模型训练方法。
[0135]
在一些实施例中，需求判断或模型训练方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的需求判断或模型训练方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行需求判断或模型训练方法。
[0136]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0137]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0138]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0139]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0140]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界
面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0141]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0142]
在一实施例中，本发明实施例还包括一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序在被处理器执行时实现本发明任一实施例的需求判断或模型训练方法。
[0143]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0144]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。