相似人群扩展方法和装置.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CN113762298A(43)申请公布日2021.12.07(21)申请号202010580213.1(22)申请日2020.06.23(71)申请人北京沃东天骏信息技术有限公司地址100176北京市北京经济技术开发区科创十一街18号院2号楼4层A402室申请人北京京东世纪贸易有限公司(72)发明人谢宏斌(74)专利代理机构中原信达知识产权代理有限责任公司11219代理人王安娜王志远(51)Int.Cl.G06K9/62(2006.01)权利要求书3页说明书20页附图5页(54)发明名称相似人群扩展方法和装置(57)摘要本发明公开了相似人群扩展方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取目标对象对应的特定用户，根据特定用户的基础属性数据和行为数据，生成特定用户的特征数据，特定用户包括：种子用户和目标用户；根据特定用户的特征数据，采用随机梯度方法训练对抗网络学习算法的算法模型；基于算法模型，根据目标用户的特征数据，从目标用户中确定目标对象对应的可扩展用户。该实施方式基于对抗网络学习算法对特定用户进行半监督训练，避免无监督学习的适应性阈值选择敏感问题、有监督学习及特种优选方法的过拟合问题，提高训练的算法模型的准确性。CN113762298ACN113762298A权利要求书1/3页1.一种相似人群扩展方法，其特征在于，包括：获取目标对象对应的特定用户，根据所述特定用户的基础属性数据和行为数据，生成所述特定用户的特征数据，所述特定用户包括：种子用户和目标用户；根据所述特定用户的特征数据，采用随机梯度方法训练对抗网络学习算法的算法模型；基于所述算法模型，根据所述目标用户的特征数据，从所述目标用户中确定所述目标对象对应的可扩展用户。2.根据权利要求1所述的方法，其特征在于，所述根据所述特定用户的特征数据，采用随机梯度方法训练对抗网络学习算法的算法模型，包括：初始化对抗网络学习算法的分类模型；根据所述特定用户的特征数据和所述分类模型，通过随机梯度上升方法训练判别参数，获取所述判别参数对应的判别模型；通过随机梯度下降方法，利用所述判别模型的损失函数训练分类参数，根据训练后的分类参数更新所述分类模型；判断所述判别模型和更新后的分类模型是否符合预设条件；若是，则确定所述更新后的分类模型为目标分类模型，确定所述判别模型为目标判别模型；若否，则利用所述特定用户的特征数据和所述更新后的分类模型进行模型训练，直至训练得到的判别模型和分类模型符合预设条件。3.根据权利要求2所述的方法，其特征在于，所述根据所述特定用户的特征数据和所述分类模型，通过随机梯度上升方法训练判别参数，获取所述判别参数对应的判别模型，包括：从所述特定用户中采样至少一个第一分类样本集；将所述至少一个第一分类样本集对应的特征数据输入所述分类模型中，得到所述至少一个第一分类样本集对应的预测分类结果；从所述种子用户和负用户中采样至少一个标记样本集，确定所述至少一个标记样本集对应的真实分类结果，其中，所述种子用户对应的真实分类结果为1，所述负用户对应的真实分类结果为0；利用所述至少一个第一分类样本集对应的预测分类结果和所述至少一个标记样本集对应的真实分类结果，构造判别训练集；通过随机梯度上升方法，根据所述判别训练集训练所述判别参数。4.根据权利要求2所述的方法，其特征在于，所述通过随机梯度下降方法，利用所述判别模型的损失函数训练分类参数，包括：确定所述判别模型的损失函数；从所述特定用户中采样至少一个第二分类样本集；将所述至少一个第二分类样本集对应的特征数据输入所述判别模型的损失函数中，通过随机梯度下降方法训练所述分类参数。5.根据权利要求2所述的方法，其特征在于，所述初始化对抗网络学习算法的分类模型，包括：2CN113762298A权利要求书2/3页获取分类参数的初始值，直接利用所述分类参数的初始值进行初始化；以及从所述种子用户和负用户中采样至少一个分类训练集，利用所述至少一个分类训练集预先训练至少一个初始分类模型，以完成分类模型的初始化。6.根据权利要求5所述的方法，其特征在于，所述获得对抗网络学习算法的目标分类模型和目标判别模型，包括：获得所述至少一个初始分类模型对应的至少一个可选分类模型和至少一个可选判别模型；从所述至少一个可选分类模型和所述至少一个可选判别模型中，确定所述目标分类模型和所述目标判别模型。7.根据权利要求3或5所述的方法，其特征在于，所述方法还包括：从所述目标用户中随机采样所述负用户；以及根据所述种子用户行为数据和所述种子用户的第二行为数据，从所述目标用户中采样所述负用户；其中，所述负用户的第一行为数据与所述种子用户的第一行为数据存在交集，所述负用户的第二行为数据与所述种子用