行为预测模型的训练方法及装置.pdf

(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CN112581191A(43)申请公布日2021.03.30(21)申请号202011626281.3G06K9/62(2006.01)(22)申请日2020.08.14G06N3/04(2006.01)G06N3/08(2006.01)(62)分案原申请数据202010819192.42020.08.14(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)发明人庄晨熠张志强刘子奇周俊谭译泽魏建平刘致宁吴郑伟顾进杰漆远张冠男(74)专利代理机构北京亿腾知识产权代理事务所(普通合伙)11309代理人陈婧玥周良玉(51)Int.Cl.G06Q30/02(2012.01)权利要求书5页说明书24页附图6页(54)发明名称行为预测模型的训练方法及装置(57)摘要本说明书实施例提供一种行为预测模型的训练方法，包括：针对目标对象，获取基于多个种子用户形成的多个正样本，其中任意的第一正样本包括，与第一种子用户对应的第一用户特征和正例标签，此标签指示对应用户是被确定为对目标对象做出特定行为的用户；基于多个种子用户各自的用户特征，采用无监督的离群点检测算法，确定第一种子用户的离群分数，作为针对行为预测任务的第一训练权重；利用包括上述多个正样本以及预先获取的多个负样本，对第一行为预测模型进行第一训练，具体包括：将第一用户特征输入第一行为预测模型中，结合得到的行为预测结果和上述正例标签，确定行为预测损失，并利用第一训练权重对其进行加权处理，以训练第一行为预测模型。CN112581191ACN112581191A权利要求书1/5页1.一种行为预测模型的训练方法，包括：针对目标对象，获取基于多个种子用户形成的多个正样本，其中任意的第一正样本包括，与第一种子用户对应的第一用户特征和正例标签，该正例标签指示出，对应用户是被确定为对所述目标对象做出特定行为的用户；基于所述多个种子用户各自的用户特征，采用无监督的离群点检测算法，确定所述第一种子用户的离群分数，作为针对行为预测任务的第一训练权重；利用针对所述行为预测任务的训练样本集，对第一行为预测模型进行第一训练，所述训练样本集包括所述多个正样本以及预先获取的多个负样本；所述第一训练具体包括：将所述第一用户特征输入第一行为预测模型中，得到对应的行为预测结果；基于所述行为预测结果和所述正例标签，确定行为预测损失，并利用所述第一训练权重对该行为预测损失进行加权处理，得到加权损失；利用所述加权损失，训练所述第一行为预测模型。2.根据权利要求1所述的方法，其中，基于所述多个种子用户各自的用户特征，采用无监督的离群点检测算法，确定所述第一种子用户的离群分数，包括：利用所述多个种子用户各自的用户特征，构建孤立森林模型，所述孤立森林模型中包括多棵孤立树，其中每棵孤立树包括用于对种子用户进行划分的多个节点和节点之间的多条边；将所述第一用户特征输入所述孤立森林模型，得到多条路径，其中各条路径为所述第一种子用户在对应的孤立树中从根节点到叶节点经过的边；将所述各条路径中所包含边的数量输入与所述孤立森林模型对应的离群评估函数，得到所述第一种子用户的离群分数。3.根据权利要求1所述的方法，其中，基于所述多个种子用户各自的用户特征，采用无监督的离群点检测算法，确定所述第一种子用户的离群分数，包括：基于所述多个种子用户各自的用户特征,利用密度估计算法，确定所述多个种子用户对应的概率密度函数；利用所述概率密度函数，确定所述第一种子用户对应的概率密度；利用预设的减函数对所述概率密度进行运算，得到所述离群分数。4.根据权利要求1所述的方法，其中，在训练执行所述行为预测任务的行为第一行为预测模型之后，所述方法还包括：获取多个候选用户的多个用户特征，并将该多个用户特征分别输入训练后的第一行为预测模型中，得到对应的多个行为预测结果；基于所述多个行为预测结果，从所述多个候选用户中选出多个目标用户；向所述多个目标用户推送所述目标对象。5.根据权利要求4所述的方法，其中，在向所述多个目标用户推送所述目标对象之后，所述方法还包括：获取针对所述多个目标用户采集的行为反馈数据；基于所述行为反馈数据构建多个训练样本，其中各个训练样本中包括对应目标用户的用户特征和样本标签，该样本标签指示该对应目标用户是否对所述目标对象做出所述特定行为；2CN112581191A权利要求书2/5页利用所述多个训练样本，训练第二行为预测模型。6.根据权利要求5所述的方法，其中，利用所述多个训练样本，训练第二行为预测模型，包括：从所述多个正样本中确定多个选中正样本；利用所述多个训练样本以及所述多个选中正样本，训练第二行为预测模型。7.根据权利要求6