集成学习模型、模型确定方法、预测方法、介质与产品.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115796311A(43)申请公布日2023.03.14(21)申请号202211515321.6(22)申请日2022.11.29(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人谢世明陈鸿曾多沈僮朱家行(74)专利代理机构北京恒博知识产权代理有限公司11528专利代理师范胜祥(51)Int.Cl.G06N20/20(2019.01)G06Q30/0202(2023.01)权利要求书4页说明书16页附图6页(54)发明名称集成学习模型、模型确定方法、预测方法、介质与产品(57)摘要本说明书实施例提供一种基于人群分层的集成学习模型、基于人群分层的集成学习模型的确定方法与装置、基于集成学习模型的预测方法与装置、计算机可读存储介质、电子设备以及计算机程序产品，该模型包括：人群划分部分、包括N个子模型的集成学习部分以及包括N个子模型。通过人群划分部分能够确定目标用户对应的人群特征，进一步地，权重生成部分根据上述目标用户对应的人群特征，能够生成N个子模型分别对应的权重。其中，根据不同的人群特征所确定的N个权重是不同的。最终，根据集成学习部分以及上述N个权重可以完成预测。CN115796311ACN115796311A权利要求书1/4页1.一种基于人群分层的集成学习模型，其中，所述模型包括：人群划分部分，用于根据目标用户的用户特征，确定所述目标用户对应的人群特征；集成学习部分，包括N个子模型，N取值为大于1的整数；权重生成部分，用于根据所述目标用户对应的人群特征，生成所述第i个子模型对应的第i权重，i取值为不大于N的正整数；其中，第i个子模型用于根据所述目标用户的用户特征和营销产品的产品特征，确定关于学习目标的第i预测分支值；所述集成学习部分用于根据所述第i预测分支值和所述第i权重确定预测值。2.根据权利要求1所述的模型，其中，所述人群划分部分包括：特征处理网络和离散隐变量空间；所述特征处理网络，用于处理所述目标用户的用户特征得到目标隐变量；所述离散隐变量空间，用于根据所述目标隐变量确定所述目标用户对应的第一人群特征。3.根据权利要求2所述的模型，其中，所述模型还包括：语义添加部分；所述语义添加部分，用于对所述第一人群特征进行关于学习目标的预测，得到所述目标用户对应的第二人群特征，其中所述第二人群特征中包含关于所述学习目标的语义特征；所述权重生成部分，具体用于根据所述第二人群特征，生成所述第i个子模型对应的第i权重。4.一种基于人群分层的集成学习模型的确定方法，其中，所述基于人群分层的集成学习模型包括：人群划分部分、包括N个子模型的集成学习部分，以及权重生成部分；所述方法包括：将样本用户的用户特征输入所述人群划分部分，通过所述人群划分部分确定所述样本用户对应的人群特征；其中，所述样本用户的用户特征和所述样本用户对应的人群特征，用于确定第一损失函数；将所述样本用户对应的人群特征输入所述权重生成部分，生成第i个子模型对应的第i权重，i取值为不大于N的正整数；通过所述第i第子模型，根据所述样本用户的用户特征和营销产品的产品特征，确定关于学习目标的第i预测分支值；通过所述集成学习部分，根据所述第i预测分支值和所述第i权重确定细粒度样本预测值；其中，所述细粒度样本预测值和所述样本用户对应的实际值，确定第二损失函数；根据所述第一损失函数和所述第二损失函数，确定所述基于人群分层的集成学习模型。5.根据权利要求4所述的方法，其中，所述权重生成部分为门控网络；所述将所述样本用户对应的人群特征输入所述权重生成部分，生成第i个子模型对应的第i权重，包括：将所述样本用户对应的人群特征输入所述门控网络，得到维度为N的样本门向量，所述样本门向量包含第i个子模型对应的第i权重；所述方法还包括：根据预设样本数的所述样本门向量，确定第三损失函数；2CN115796311A权利要求书2/4页所述根据所述第一损失函数和所述第二损失函数，确定所述基于人群分层的集成学习模型，包括：根据所述第一损失函数、所述第二损失函数以及所述第三损失函数，确定所述基于人群分层的集成学习模型。6.根据权利要求4或5所述的方法，其中，所述人群划分部分包括：特征处理网络和离散隐变量空间；所述将样本用户的用户特征输入所述人群划分部分，通过所述人群划分部分确定所述样本用户对应的人群特征，包括：将样本用户的用户特征输入所述特征处理网络进行特征处理，得到样本隐变量；将所述样本隐向量与所述离散隐向量空间中的向量进行比对，得到所述样本用户对应的第一人群特征；其中，所述第一损失函数为根据所述样本隐向量与所述第一人群特征确定的。7.根据权利要求6所述的方法，其中，所述模型还包