[發(fā)明專利]地址興趣面模型的訓練方法、地址的預測方法及裝置

在審

• 申請?zhí)枺?/td>: 202010685497.0
• 申請日: 2020-07-16
• 公開（公告）號: CN111931478A
• 公開（公告）日: 2020-11-13
• 發(fā)明（設計）人: 郭振未;尹飛;趙云杰;胡貴根;張錦;藍媛青;韓榮妹;張定棋
• 申請（專利權）人: 豐圖科技（深圳）有限公司
• 主分類號: G06F40/205
• 分類號: G06F40/205;G06F40/279;G06F40/151;G06N3/08
• 代理公司: 深圳紫藤知識產(chǎn)權代理有限公司 44570
• 代理人: 官建紅

1.一種地址興趣面模型的訓練方法，其特征在于，所述訓練方法包括：

獲取地址文本樣本；

對所述地址文本樣本進行向量化，得到文本內容向量序列和文本詞級向量序列；

對所述文本內容向量序列和文本詞級向量序列進行拼接，得到地址文本向量序列；

基于所述地址文本向量序列對待訓練地址興趣面模型進行訓練，得到目標地址興趣面模型。

2.如權利要求1所述的地址興趣面模型的訓練方法，其特征在于，所述對所述地址文本樣本進行向量化，得到文本內容向量序列和文本詞級向量序列，包括：

對所述地址文本樣本進行分詞，得到多個第一地址文本分詞和所述多個第一地址文本分詞對應的詞級序列；

對所述多個第一地址文本分詞進行向量化，得到所述文本內容向量序列；

對所述詞級序列進行向量化，得到所述文本詞級向量序列。

3.如權利要求2所述的地址興趣面模型的訓練方法，其特征在于，所述對所述地址文本樣本進行分詞，得到多個第一地址文本分詞和所述多個第一地址文本分詞對應的詞級序列，包括：

對所述地址文本樣本進行分詞，得到多個第二地址文本分詞和所述多個第二地址文本分詞的詞級；

對所述多個第二地址文本分詞中詞級滿足預設條件的第二地址文本分詞進行拆分，得到所述多個第一地址文本分詞和所述多個第一地址文本分詞對應的詞級序列。

4.如權利要求3所述的地址興趣面模型的訓練方法，其特征在于，所述基于所述地址文本向量序列對待訓練地址興趣面模型進行訓練，得到目標地址興趣面模型，包括：

基于所述地址文本向量序列獲取待訓練地址興趣面模型的預測值；

獲取所述待訓練地址興趣面模型的預測值與期望值的誤差值；

若所述待訓練地址興趣面模型的預測值與期望值的誤差值小于第一預設值，則結束訓練，得到所述目標地址興趣面模型。

5.如權利要求4所述的地址興趣面模型的訓練方法，其特征在于，所述待訓練地址興趣面模型包括注意力層和/或掩膜層；

所述基于所述地址文本向量序列獲取待訓練地址興趣面模型的預測值，包括：

基于所述注意力層和/或掩膜層和所述地址文本向量序列中各個向量的詞級對所述地址文本向量序列中各個向量進行權重分配，得到權重分配后的地址文本向量序列；

基于所述權重分配后的所述地址文本向量序列獲取所述待訓練地址興趣面模型的預測值。

6.如權利要求5所述的地址興趣面模型的訓練方法，其特征在于，所述訓練方法還包括：

若所述待訓練地址興趣面模型的預測值與期望值的誤差值不小于第一預設值且小于第二預設值，則降低所述待訓練地址興趣面模型的學習率至預設學習率。

7.如權利要求1所述的地址興趣面模型的訓練方法，其特征在于，所述基于所述地址文本向量序列對待訓練地址興趣面模型進行訓練，得到目標地址興趣面模型，之后，包括：

獲取所述待訓練地址興趣面模型訓練過程中有歧義易預測錯的地址文本；

將有歧義易預測錯的地址文本存儲至預設數(shù)據(jù)庫。

8.一種地址的預測方法，其特征在于，所述預測方法包括：

獲取用戶的地址預測請求；

基于所述地址預測請求獲取地址預測文本；

基于預設的目標地址興趣面模型對所述地址預測文本進行預測，得到所述地址預測文本對應的興趣面預測結果，其中，所述預設的目標地址興趣面模型為權利要求1-7任意一項所述的目標地址興趣面模型。

9.如權利要求8所述的地址的預測方法，其特征在于，所述基于預設的目標地址興趣面模型對所述地址預測文本進行預測，得到所述地址預測文本對應的興趣面預測結果，包括：

從預設數(shù)據(jù)庫調用有歧義易預測錯的地址文本；

判斷所述地址預測文本是否為有歧義易預測錯的地址文本；

若所述地址預測文本不為有歧義易預測錯的地址文本，則基于預設的目標地址興趣面模型對所述地址預測文本進行預測，得到所述地址預測文本對應的興趣面預測結果。