(19)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 202210965063.5 (22)申请日 2022.08.12 (71)申请人 中国平安财产保险股份有限公司 地址 518000 广东省深圳市福田区益田路 5033号平安金融中心12、 13、 38、 39、 40 层 (72)发明人 章东平　肖洒　 (74)专利代理 机构 深圳市世联合知识产权代理 有限公司 4 4385 专利代理师 姜妍 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 16/9538(2019.01)G06F 16/9535(2019.01) (54)发明名称 一种智能排序方法、 装置、 计算机设备及存 储介质 (57)摘要 本申请公开了一种智能排序方法、 装置、 计 算机设备及存储介质， 属于人工智能技术领域。 本申请通过从历史排序数据中提取历史排序特 征， 对历史排序特征进行分类， 依次计算各个历 史排序特征组合的权重， 得到若干个特征权重， 基于特征权重为对应历史排序特征组合中的历 史排序特征依次进行赋权， 利用赋权后的历史排 序特征对预设的初始排序模型进行训练， 得到智 能排序模型， 当接收到排序指令时， 获取待处理 事件信息， 并将待处理事件信息导入智能排序模 型， 输出排序结果。 此外， 本申请还涉及区块链技 术， 待处理事件信息可存储于区块链中。 本申请 可以通过训练一个智能排序模型来进行排序， 提 高了排序结果的准确度， 进一步提升用户的使用 体验。 权利要求书2页 说明书13页 附图3页 CN 115392361 A 2022.11.25 CN 115392361 A 1.一种智能排序方法， 其特 征在于， 包括： 获取历史排序数据， 并从所述历史排序数据中提取历史排序特 征； 对所述历史排序特 征进行分类， 得到若干个历史排序特 征组合； 依次计算各个所述历史排序 特征组合的权重， 得到若干个特征权重， 其中， 每一个特征 权重对应一个历史排序特 征组合； 基于所述特 征权重为对应历史排序特 征组合中的历史排序特 征依次进行 赋权； 利用赋权后的所述历史排序特征对预设的初始排序模型进行训练， 得到智能排序模 型； 当接收到排序指令时， 获取待处理事件信息， 并将所述待处理事件信息导入所述智能 排序模型， 输出排序结果。 2.如权利要求1所述的智能排序方法， 其特征在于， 所述历史排序 特征至少包括时效特 征、 价值特征、 频次特征、 距离特征和偏好特征， 所述对所述历史排序特征进 行分类， 得到若 干个历史排序特 征组合， 具体包括： 按照特征类型对所述历史排序 特征进行分类， 得到时效特征组合、 价值特征组合、 频次 特征组合、 距离特 征组合和偏好特 征组合。 3.如权利要求1所述的智能排序方法， 其特征在于， 所述依次计算各个所述历史排序 特 征组合的权 重， 得到若干个特 征权重， 具体包括： 为各个所述历史排序特 征赋予相同的初始权 重； 基于预设的特征权重算法， 调整各个所述历史排序 特征组合中每一个历史排序 特征的 权重； 计算各个所述历史排序 特征组合的权重均值， 得到每一个所述历史排序 特征组合的特 征权重。 4.如权利要求3所述的智能排序方法， 其特征在于， 基于预设的特征权重算法， 调整各 个所述历史排序特 征组合中每一个历史排序特 征的权重， 具体包括： 计算同一类别的历史排序特 征组合中的历史排序特 征的相似度， 得到第一相似度； 计算不同类别的历史排序特 征组合之间的历史排序特 征的相似度， 得到第二相似度； 基于所述第一相似度和所述第二相似度对各个所述历史排序特征组合中每一个历史 排序特征的初始权重进行调整， 得到各个所述历史排序特征组合中每一个历史排序特征的 权重。 5.如权利要求1至4任意一项所述的智能排序方法， 其特征在于， 所述初始排序模型卷 积神经网络模型， 所述初始 排序模型包括包括池化层、 卷积层和全连接层， 所述利用赋权后 的所述历史排序特 征对预设的初始排序模型进行训练， 得到智能排序模型， 具体包括： 通过所述池化层对赋权后的所述历史排序特征进行池化运算， 得到历史排序特征向 量； 通过所述卷积层对所述历史排序特 征向量进行 卷积运算， 得到卷积历史排序特 征； 通过所述全连接层对所述卷积历史排序特 征进行拼接， 输出排序预测结果； 基于所述排序预测结果对所述初始排序模型进行迭代更新， 直至模型拟合， 得到所述 智能排序模型。 6.如权利要求5所述的智能排序方法， 其特征在于， 所述基于所述排序 预测结果对所述权　利　要　求　书 1/2 页 2 CN 115392361 A 2初始排序模型进行迭代更新， 直至模型拟合， 得到所述智能排序模型， 具体包括： 从所述历史排序数据中获取历史排序结果； 比对所述历史排序结果和所述 排序预测结果， 得到排序误差； 基于预设的反向传播 算法在所述初始排序模型的网络层中传递所述 排序误差； 比对所述初始排序模型中各个网络层的误差值与预设误差阈值的大小； 若存在任意一个网络层的误差值大于所述预设误差阈值， 则对所述初始排序模型模型 进行迭代更新， 直到所述初始排序模型模型的所有网络层的误差值均小于或等于预设阈值 为止， 得到所述智能排序模型。 7.如权利要求5所述的智能排序方法， 其特征在于， 所述当接收到排序指令时， 获取待 处理事件信息， 并将所述待处理事件信息导入所述智能排序模型， 输出排序结果， 具体包 括： 当接收到排序指令时， 获取待处理事件信息， 并从所述待处理事件信息中提取待处理 事件的特征； 通过所述智能排序模型的池化层对待处理事件的特征进行池化运算， 得到待处理事件 的特征向量； 通过所述智能排序模型的卷积层对所述待处理事件的特征向量进行卷积运算， 得到所 述待处理事件的卷积特 征； 通过所述智能排序模型的全连接层对所述待处理事件的卷积特征进行拼接， 输出所述 待处理事件对应的排序结果。 8.一种智能排序装置， 其特 征在于， 包括： 特征提取模块， 用于获取历史排序数据， 并从所述历史排序数据中提取历史排序特 征； 特征分类模块， 用于对所述历史排序特 征进行分类， 得到若干个历史排序特 征组合； 权重计算模块， 用于依次计算各个所述历史排序特征组合的权重， 得到若干个特征权 重， 其中， 每一个特 征权重对应一个历史排序特 征组合； 特征赋权模块， 用于基于所述特征权重为对应历史排序 特征组合中的历史排序 特征依 次进行赋权； 模型训练模块， 用于利用赋权后的所述历史排序特征对预设的初始排序模型进行训 练， 得到智能排序模型； 排序预测模块， 用于当接收到排序指令时， 获取待处理事件信 息， 并将所述待处理事件 信息导入所述智能排序模型， 输出排序结果。 9.一种计算机设备， 其特征在于， 包括存储器和处理器， 所述存储器中存储有计算机可 读指令， 所述处理器执行所述计算机可读指 令时实现如权利要求 1至7中任一项 所述的智能 排序方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 可读指令， 所述计算机可读指 令被处理器执行时实现如权利要求 1至7中任一项 所述的智能 排序方法的步骤。权　利　要　求　书 2/2 页 3 CN 115392361 A 3