一种自适应营销事件风险识别方法和系统与流程

本发明属于电力行业的营销事件风险识别领域，具体地说是一种自适应营销事件风险识别方法和系统。

背景技术：

1、随着电力行业的数字化转型，各种营销事件在平台上迅速发展，同时也带来了潜在的风险，对平台的安全性和用户体验构成威胁。传统的营销事件风险识别方法往往面临着多样性和变化性的挑战。

2、现有营销事件风险识别方法的异常检测算法本身存在很多问题：（1）有限的跨领域有效性：现有的算法主要关注特定领域的预测性能，表现可能不佳于其他领域，限制了它们的跨领域有效性。（2）难以应对概念漂移：数据流的不断发展导致概念漂移，即目标领域的属性任意变化。现有算法通常采用增量更新模型的方法，但这种方法仅适应最新的数据点，对于数据流中的任意概念漂移可能无效。（3）依赖人工特征工程：如降维、随机子采样和线性特征变换，以处理复杂的数据。这种依赖性导致次优的结果和有限的可扩展性。（4）难以处理复杂数据流：传统方法中使用预先训练的固定模型或重复创建新模型，无法有效处理复杂且不断发展的数据流。这要么导致效率低下，要么导致模型无法应对数据流的变化。

3、这些问题限制了现有异常检测算法在应对不断变化的数据流和多样性的营销事件风险识别中的应用效果。

技术实现思路

1、针对现有的异常检测算法存在跨领域有效性有限、难以应对概念漂移、依赖人工特征工程以及难以处理复杂数据流等缺点，本发明提供一种自适应营销事件风险识别方法及系统，其采用新的在线深度异常检测算法，以有效识别电力行业中营销事件风险。

2、为实现上述目的，本发明采用如下的技术方案：一种自适应营销事件风险识别方法，其包括：

3、1）营销事件编码：设计一个框架表示网络，将营销内容、营销事件用户评论和用户-营销交互辅助信息编码为表示向量，并将这些表示向量融合到营销事件风险检测中；

4、2）增强域自适应：设计一个带有强化学习代理的增强域自适应学习模型，该增强域自适应学习模型根据从域分类器和营销事件风险检测组件收到的反馈信息修改表示向量；

5、3）创建在线深度异常检测框架，使用增强域自适应学习营销事件风险识别模型的异常检测方法进行实例化，并通过模型池方法允许多个模型自适应地协同工作，实现概念驱动推理和漂移感知的模型池更新，以处理多个且随时间变化的概念漂移；

6、所述的增强域自适应学习营销事件风险识别模型包括营销事件编码和增强域自适应学习模型；

7、4）初始化模型池：从第一批数据流中构建增强域自适应学习营销事件风险识别模型，并初始化模型池；模型池是包含多个基于增强域自适应学习营销事件风险识别模型的集合，它们具有相同的架构但具有不同的参数；

8、5）批处理异常检测：通过计算异常分数来识别每个数据点的异常程度，并使用增强域自适应学习营销事件风险识别模型的可靠性对异常分数进行加权；

9、6）模型池适配：根据模型池的整体可靠性进行更新，如果可靠性足够，则选择最可靠的增强域自适应学习营销事件风险识别模型进行参数更新，否则创建新模型并将新模型合并入模型池。

10、本发明将表示网络和增强域自适应学习模型结合，并将其放入模型池中，实现对不同营销事件数据流的自适应处理。

11、本发明结合了表示网络和增强域自适应学习模型，并引入模型池的概念。表示网络用于提取营销事件的特征表示，而增强域自适应学习模型用于决策和预测。模型池允许多个模型自适应地协同工作，实现概念驱动的推理和漂移感知的模型池更新，以处理多个且随时间变化的概念漂移。

12、进一步地，所述营销事件编码，具体内容如下：

13、1）营销内容的表示：使用预训练的语言表征模型bert加微调的方式对营销内容进行编码，生成营销内容的表示向量；

14、2）营销事件用户评论的表示：使用分层注意力机制（han）+前馈神经网络进行预训练，训练完成后删除前馈神经网络，仅使用分层注意力机制对营销事件用户评论进行编码，生成营销事件用户评论的表示向量；

15、3）用户-营销交互的表示：使用前馈神经网络，将用户-营销交互的二进制向量作为输入，并返回包含有关交互的重要信息的表示，即生成用户-营销交互的表示向量；

16、4）将上述三个表示向量拼接在一起，并通过前馈神经网络生成整个营销事件的表示向量。

17、进一步地，所述增强域自适应，具体内容如下：

18、使用强化学习代理将整个营销事件的表示网络转换为一个新的表示向量，该表示向量能够在域分类器中工作，但不影响营销风险分类器的准确性；

19、强化学习代理通过与环境的交互，选择动作并修改整个营销事件的表示向量的值，修改后的表示向量通过营销风险分类器和域分类器进行评估，得到奖励值用于指导强化学习代理的学习过程。

20、进一步地，所述概念驱动推理，具体内容如下：

21、在线深度异常检测框架使用模型池中模型的最佳组合计算输入数据点的异常分数，在针对不同的数据点优化单个模型的同时，在线深度异常检测框架根据给定的数据点估计每个模型的可靠性，并决定每个模型对最终异常得分的贡献，以最大限度地提高模型池在不同概念中的可用性。

22、更进一步地，所述估计每个模型的可靠性，具体内容如下：

23、在给定模型中反映的概念可能与当前批的概念不同，特别是当概念漂移发生时，在线深度异常检测框架通过比较模型学习到的概念与当前批次的概念估计模型的可靠性，并使用它来计算概念驱动的异常分数。

24、进一步地，所述漂移感知的模型池更新，具体内容如下：

25、在线深度异常检测框架持续监控输入数据点的模型池的可靠性，当模型池被评估为不适合最新的数据点时，在线深度异常检测框架更新模型池，以包含针对新数据点概念优化的新模型，同时保持模型池尽可能紧凑。

26、更进一步地，所述模型池的可靠性，具体内容如下：

27、当一个具有从未见过的新概念的批处理到达时，模型池中没有一个模型能够正确地对该批处理进行推理，因此，在线深度异常检测框架估计模型池的整体可靠性，以决定是否需要更新模型池。

28、进一步地，所述批处理异常检测，具体内容如下：

29、对于每个批次的数据点 b，使用模型池对批次数据中的每个数据点进行异常检测，计算每个数据点的异常分数；通过比较模型学习到的概念与当前批次的概念估计每个模型的可靠性，将每个模型的异常分数与其可靠性进行加权，得到当前批次的最终异常得分。

30、进一步地，所述模型池适配，具体内容如下：

31、1）估计模型池的整体可靠性，即模型池中至少有一个模型可靠的概率；

32、2）如果模型池的可靠性超过预设阈值，选择最可靠的模型，并使用当前批次数据更新该模型的参数；

33、3）如果模型池的可靠性低于预设阈值，创建一个新的模型，将新模型合并入模型池。

34、本发明还提供一种自适应营销事件风险识别系统，其用于实现上述的自适应营销事件风险识别方法。

35、本发明具有的有益效果如下：本发明有效地增强了模型对新型营销事件的风险检测能力，提升跨领域有效性，自适应处理不断变化的数据流。本发明为电力行业提供了一种高效可靠的营销事件风险识别方法，提高了对营销事件风险的准确性识别，增强了平台的安全性和用户体验。