隐性特征标签提取

目录

• 历史聊天训练流程图（文字版可直接画图）
• 工程关键点说明

明白，我给你整理一个完整的“历史聊天去噪 → 信任特征提取 → 成交概率训练”流程图的描述，方便直接做 PPT 或交给工程实现。

---

历史聊天训练流程图（文字版可直接画图）

[历史聊天消息]
       │
       ▼
[去噪处理]
   - 丢弃闲聊/问候/系统消息
   - 保留用户主动询盘/行为相关消息
   - 滑动窗口截取最近 N 会话或天数
   - 文本标准化（小写、符号、单位统一）
       │
       ▼
[消息特征提取]
   - 显性行为特征：问价、对比、加购、checkout
   - 隐性意向特征：
       • 咨询深度
       • 意向演进趋势
       • 决策投入度
       • 信任构建程度（Trust Signals）
       • 决策阻力结构
       • 互动稳定性
       │
       ▼
[会话级 / 用户级聚合]
   - 窗口加权（最近消息权重更高）
   - 时间衰减（老消息影响下降）
   - 输出用户级信任特征和行为特征
       │
       ▼
[标签对齐]
   - 成交概率标签：48h 内是否下单
   - 复购潜力 / 客单价标签
       │
       ▼
[模型训练]
   - MiniLM / DistilBERT 分类器（信任、意向识别）
   - LightGBM 或 Logistic Regression（成交概率预测）
       │
       ▼
[输出]
   - 用户级信任分 / Trust Signals
   - 成交概率（0~1）
   - 用于 Agent 实时策略 & 推送决策

---

工程关键点说明

1. 去噪：先处理数据，保证训练样本质量

2. 消息级特征 + 用户级聚合：同时保留即时和历史信息

3. 信任特征：逐条识别 → 聚合 → 输出数值化特征

4. 标签对齐：训练模型前必须和成交行为严格对应

5. 模型输出：

   • 实时 Agent 使用增量更新特征
   • 历史批量训练更新用户画像与成交概率