(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111454987.0 (22)申请日 2021.11.30 (71)申请人 微民保险代理有限公司 地址 518000 广东省深圳市南 山区粤海街 道深南大道 9996号松日鼎盛大厦25楼 (72)发明人 张懿　吴伟佳　李羽　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 代理人 杜维 (51)Int.Cl. G06F 16/9535(2019.01) G06N 20/00(2019.01) G06Q 40/08(2012.01) (54)发明名称 主题预测方法、 装置、 设备、 存储介质及计算 机程序产品 (57)摘要 本申请实施例涉及人工智能领域， 公开一种 主题预测方法包括： 通过训练后的主题预测模 型， 对目标对象的对象特征、 目标对象所关注的 目标产品的物料特征以及预估的目标对象所关 注的多个待预测主题的主题特征进行特征交互 处理， 得到目标对象对应的目标交互向量； 基于 多个待预测主题的主题特征以及目标对象对应 的目标交互向量， 确定多个待预测主题中各个待 预测主题的主题预测概率； 基于各个待预测主题 的主题预测概率， 将多个待预测主题中的目标待 预测主题确定为目标对象所偏好的主题， 目标待 预测主题的主题预测概率大于多个待预测主题 中除目标待预测主题以外的其他待预测主题的 主题预测概率； 可从预估的多个待预测主题中确 定出目标对象所偏好的主题。 权利要求书4页 说明书25页 附图7页 CN 114154065 A 2022.03.08 CN 114154065 A 1.一种主题预测方法， 其特 征在于， 包括： 通过训练后的主题预测模型， 对目标对象的对象特征、 所述目标对象所关注的目标产 品的物料特征以及预估的所述目标对 象所关注的多个待预测主题的主题特征进行特征交 互处理， 得到所述目标对象对应的目标交 互向量； 基于所述多个待预测主题的主题特征以及所述目标对象对应的目标交互向量， 确定所 述多个待 预测主题中各个待预测主题的主题预测概率， 所述各个待预测主题的主题预测概 率指示： 预测得到的所述目标对象对所述各个待预测主题的偏好 程度； 基于所述各个待预测主题的主题预测概率， 将所述多个待预测主题中的目标待预测主 题确定为所述目标对象所偏好的主题， 所述目标待预测主题的主题预测概率大于所述多个 待预测主题中除所述目标待预测主题以外的其 他待预测主题的主题预测概 率。 2.如权利要求1所述的方法， 其特征在于， 所述训练后的主题预测模型是基于训练后的 辅助网络、 训练后的选择注意力机制模块以及训练后的主题网络构建的； 所述通过训练后的主题预测模型， 对目标对象的对象特征、 所述目标对象所关注的目 标产品的物料特征以及预估的所述目标对 象所关注的多个待预测主题的主题特征进行特 征交互处理， 得到所述目标对象对应的目标交 互向量， 包括： 通过所述训练后的辅助网络对所述目标产品的物料特征以及所述目标对象的对象特 征进行特征提取处 理， 得到所述目标对象对应的第一特 征表示向量； 通过所述训练后的主题网络对所述多个待预测主题的主题特征以及所述目标对象的 对象特征进行特征提取处 理， 得到所述目标对象对应的第二特 征表示向量； 通过所述训练后的选择注意力机制模块对所述目标对象的对象特征进行特征提取处 理， 得到所述 目标对象对应的对 象特征表示向量； 对所述 目标对象对应的第一特征表示向 量以及所述目标对象对应的第二特征表示向量进 行注意力交互处理， 得到所述目标对象对 应的辅助交互向量； 以及对所述目标对象对应的第二特征表示向量以及所述目标对象对应 的对象特征表示向量进行注意力交互处理， 得到所述 目标对象对应的主题交互向量； 并将 所述目标对象对应的辅助交互向量与所述目标对象对应的主题交互向量进 行组合， 得到所 述目标对象对应的目标交 互向量。 3.如权利要求1所述的方法， 其特征在于， 所述训练后的主题预测模型是基于训练后的 主题网络构建的； 所述基于所述多个待预测主题的主题特征以及所述目标对象对应的目标交互向量， 确 定所述多个待预测主题中各个待预测主题的主题预测概 率， 包括： 通过所述训练后的主题网络， 将对所述多个待预测主题的主题特征以及所述目标对象 的对象特征进 行特征提取 处理得到的所述目标对象对应的第二特征表示向量， 与所述目标 对象对应的目标交 互向量进行拼接处 理， 得到所述目标对象对应的主题拼接向量； 对所述目标对象对应的主题拼接向量进行概率预测处理， 得到所述多个待预测主题中 各个待预测主题的主题预测概 率。 4.如权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 获取第一训练样本， 所述第一训练样本包括第一训练对象的对象特征、 所述第一训练 对象所关注的多个第一产品的物料特征、 所述第一训练对象所关注的多个训练主题的主题 特征、 所述多个第一产品中各个第一产品的产品偏好标签以及所述多个训练主题中各个训权　利　要　求　书 1/4 页 2 CN 114154065 A 2练主题的主题偏好标签， 所述多个第一产品与所述 目标产品属于同一产品集， 所述多个训 练主题与所述多个待预测主题属于同一主题集； 通过主题预测模型， 对所述第一训练对象的对象特征、 所述多个第一产品的物料特征 以及所述多个训练主题的主题特征进 行特征交互处理， 得到所述第一训练对象对应的产品 交互向量以及所述第一训练对象对应的目标交 互向量； 基于所述多个第 一产品的物料特征以及所述第 一训练对象对应的产品交互向量， 确定 所述多个第一产品中各个第一产品的产品预测概率， 所述各个第一产品的产品预测概率指 示： 预测得到的所述第一训练对象对所述各个第一产品的偏好 程度； 基于所述多个训练主题的主题特征以及所述第 一训练对象对应的目标交互向量， 确定 所述多个训练主题中各个训练主题的主题预测概率， 所述各个训练主题的主题预测概率指 示： 预测得到的所述第一训练对象对所述各个训练主题的偏好 程度； 基于所述各个第一产品的产品偏好标签、 所述各个训练主题的主题偏好标签、 所述各 个第一产品的产品预测概率以及所述各个训练主题的主题预测概率， 对所述主题预测模型 进行训练， 得到所述训练后的主题预测模型。 5.如权利要求4所述的方法， 其特征在于， 所述主题预测模型是基于辅助网络、 选择注 意力机制模块以及主题网络构建的； 所述通过主题预测模型， 对所述第一训练对象的对象特征、 所述多个第一产品的物料 特征以及所述多个训练主题的主题特征进 行特征交互处理， 得到所述第一训练对象对应的 产品交互向量以及所述第一训练对象对应的目标交 互向量， 包括： 通过所述辅助网络对所述多个第一产品的物料特征以及所述第一训练对象的对象特 征进行特征提取处 理， 得到所述第一训练对象对应的第一特 征表示向量； 通过所述主题网络对所述多个训练主题的主题特征以及所述第一训练对象的对象特 征进行特征提取处 理， 得到所述第一训练对象对应的第二特 征表示向量； 通过所述选择注意力 机制模块对所述第 一训练对象的对象特征进行特征提取处理， 得 到所述第一训练对象对应的对象特征表示向量； 对所述第一训练对象对应的第一特征表示 向量以及所述第一训练对象对应的对象特征表示向量进行注意力交互处理， 得到所述第一 训练对象对应的产品交互向量； 对所述第一训练对象对应的第一特征表示向量以及所述第 一训练对象对应的第二特征表示向量进行注意力交互处理， 得到所述第一训练对象对应的 辅助交互向量； 以及对所述第一训练对象对应的第二特征表示向量以及所述第一训练对象 对应的对象特征表示向量进行注意力交互处理， 得到所述第一训练对象对应的主题交互向 量； 并将所述第一训练对象对应的辅助交互向量与所述第一训练对象对应的主题交互向量 进行组合， 得到所述第一训练对象对应的目标交 互向量。 6.如权利要求 4所述的方法， 其特 征在于， 所述主题预测模型 是基于辅助网络构建的； 所述基于所述多个第 一产品的物料特征以及所述第 一训练对象对应的产品交互向量， 确定所述多个第一产品中各个第一产品的产品预测概 率， 包括： 通过所述辅助网络， 将对所述多个第 一产品的物料特征以及所述第 一训练对象的对象 特征进行特征提取 处理得到的所述第一训练对象对应的第一特征表示向量， 与所述第一训 练对象对应的产品交 互向量进行拼接处 理， 得到所述第一训练对象对应的产品拼接向量； 对所述第一训练对象对应的产品拼接向量进行概率预测处理， 得到所述多个第 一产品权　利　要　求　书 2/4 页 3 CN 114154065 A 3