用户行为预测模型的生成方法、用户行为预测方法及装置制造方法及图纸

本公开关于一种用户行为预测模型的生成方法、用户行为预测方法及装置，其中方法通过获取训练样本数据，当训练样本数据为新用户样本数据时，根据将新用户样本数据分别训练第一预测网络和第二预测网络，从而得到训练后的用户行为预测模型。由于第一预测网络是基于新用户样本数据和老用户样本数据训练后得到，第二预测网络则由新用户样本数据进行训练，且能够为第一预测网络和第二预测网络的输出赋予相应的权重，从而使得模型能够学习到用户成长过程中的兴趣变化，不仅能够有效提高模型的泛化能力，还可以提高模型的准确性。还可以提高模型的准确性。还可以提高模型的准确性。

【技术实现步骤摘要】
用户行为预测模型的生成方法、用户行为预测方法及装置


[0001]本公开涉及计算机
，尤其涉及一种用户行为预测模型的生成方法、用户行为预测方法及装置。

技术介绍

[0002]随着计算机技术的发展，越来越多的场合需要预估用户对资源的点击率(Click Through Rate，CTR)、点赞率等用户行为，如在个性化推荐技术中，通过将预估点击率较高的资源推荐给用户，以便提高用户点击资源的概率。
[0003]相关技术中，由于新老用户属性的差异，现有新老用户CTR预估集成模型主要包含两类，一类是静态的集成方法，另一类是动态的集成方法。静态的集成方法是指训练一个全局的权重参数来同时考虑用户的静态属性和行为数据，然而，这种方法对于不同场景下的不同用户，权重参数是一定的，从而忽略了不同用户之间的偏好差异性。而动态的集成方法则只是基于注意力机制在每个场景下为每类特征分配不同的权重，而忽略了用户成长过程中的兴趣变化。因此，现有的新老用户CTR预估集成模型都忽略了用户兴趣的动态变化，从而导致CTR预估的准确性不高。

技术实现思路

[0004]本公开提供一种用户行为预测模型的生成方法、用户行为预测方法及装置，以至少解决相关技术中用户行为预估准确性不高的问题。本公开的技术方案如下：根据本公开实施例的第一方面，提供一种用户行为预测模型的生成方法，包括：获取训练样本数据，所述训练样本数据包括样本账户的属性数据和行为数据；当所述训练样本数据为新用户样本数据时，将所述新用户样本数据输入第一预测网络，得到用户行为的第一预测样本特征，所述第一预测网络的初始网络是通过老用户样本数据训练后得到的；将所述新用户样本数据输入第二预测网络，得到用户行为的第二预测样本特征以及权重数据，所述权重数据包括用于表征所述用户行为的第一预测样本特征和第二预测样本特征分别对应的权重；根据所述第一预测样本特征、第二预测样本特征和权重数据，对所述第一预测网络和第二预测网络进行参数调整，得到训练后的用户行为预测模型。
[0005]在其中一个实施例中，所述方法还包括：当所述训练样本数据为老用户样本数据时，通过所述老用户样本数据对所述第一预测网络进行参数调整。
[0006]在其中一个实施例中，所述训练样本数据中还包括标签信息；所述根据所述第一预测样本特征、第二预测样本特征和权重数据，对所述第一预测网络和第二预测网络进行参数调整，得到训练后的用户行为预测模型，包括：通过所述权重数据对所述第一预测样本特征和所述第二预测样本特征进行加权处理，得到加权处理后的第三预测样本特征；根据所述第一预测样本特征和标签信息确定对应的第一预测损失，以及根据所述第二预测样本
特征、第三预测样本特征和标签信息确定对应的第二预测损失；根据所述第一预测损失对所述第一预测网络进行参数调整，以及根据所述第二预测损失对所述第二预测网络进行参数调整，得到训练后的用户行为预测模型。
[0007]在其中一个实施例中，所述根据所述第一预测样本特征和标签信息确定对应的第一预测损失，包括：对所述第一预测样本特征进行归一化处理，得到对应的第一预测值，根据所述第一预测值和对应的标签信息计算第一预测损失。
[0008]在其中一个实施例中，所述根据所述第二预测样本特征、第三预测样本特征和标签信息确定对应的第二预测损失，包括：对所述第二预测样本特征进行归一化处理，得到对应的第二预测值，根据所述第二预测值和标签信息计算第三预测损失；对所述第三预测样本特征进行归一化处理，得到对应的第三预测值，根据所述第三预测值和标签信息计算第四预测损失；将所述第三预测损失与第四预测损失之和确定为第二预测损失。
[0009]在其中一个实施例中，所述第二预测网络包括用户行为预测子网络和动态调权子网络；所述将所述新用户样本数据输入第二预测网络，得到用户行为的第二预测样本特征以及权重数据，包括：将所述新用户样本数据输入第二预测网络，得到所述第二预测网络中用户行为预测子网络输出的第二预测样本特征，以及所述动态调权子网络输出的权重数据。
[0010]在其中一个实施例中，所述根据所述第一预测损失对所述第一预测网络进行参数调整，以及根据所述第二预测损失对所述第二预测网络进行参数调整，得到训练后的用户行为预测模型，包括：采用所述第一预测损失对所述第一预测网络进行参数调整，以及采用所述第二预测损失对所述用户行为预测子网络进行参数调整，采用所述第四预测损失对所述动态调权子网络进行参数调整，得到训练后的用户行为预测模型。
[0011]在其中一个实施例中，所述新用户样本数据有多条；所述根据所述第一预测损失对所述第一预测网络进行参数调整，以及根据所述第二预测损失对所述第二预测网络进行参数调整，得到训练后的用户行为预测模型，包括：根据每一条所述新用户样本数据分别对应的第一预测损失和第二预测损失，获取多条所述新用户样本数据对应的第一累计预测损失和第二累计预测损失；采用所述第一累计预测损失对所述第一预测网络进行参数调整，以及采用所述第二累计预测损失对所述第二预测网络进行参数调整，得到训练后的用户行为预测模型。
[0012]根据本公开实施例的第二方面，提供一种用户行为预测方法，包括：获取账户数据，所述账户数据包括当前的属性数据和行为数据；当所述账户数据为新用户的账户数据时，将所述新用户的账户数据输入用户行为预测模型，得到预估的所述新用户对当前待推荐的目标资源的操作行为概率，所述用户行为预测模型根据权利要求1至8任一项所述的方法得到。
[0013]在其中一个实施例中，所述用户行为预测模型包括训练后的第一预测网络和第二预测网络；所述将所述新用户的账户数据输入用户行为预测模型，得到预估的所述新用户对当前等推荐的目标资源的操作行为概率，包括：将所述新用户的账户数据输入第一预测网络，得到对应的第一预测特征；将所述新用户的账户数据输入第二预测网络，得到对应的第二预测特征和权重数据，所述权重数据包括用于表征所述账户数据对应的第一预测特征和第二预测特征分别对应的权重；基于所述权重数据对所述第一预测特征和所述第二预测
特征进行加权处理，得到加权处理后的第三预测特征；对所述第三预测特征进行归一化处理，得到所述新用户对当前待推荐的目标资源的操作行为概率。
[0014]根据本公开实施例的第三方面，提供一种用户行为预测模型的生成装置，包括：训练样本数据获取模块，被配置为执行获取训练样本数据，所述训练样本数据包括样本账户的属性数据和行为数据；第一预测模块，被配置为执行当所述训练样本数据为新用户样本数据时，将所述新用户样本数据输入第一预测网络，得到用户行为的第一预测样本特征，所述第一预测网络的初始网络是通过老用户样本数据训练后得到的；第二预测模块，被配置为执行将所述新用户样本数据输入第二预测网络，得到用户行为的第二预测样本特征以及权重数据，所述权重数据包括用于表征所述用户行为的第一预测样本特征和第二预测样本特征分别对应的权重；参数调整模块，被配置为执行根据所述第一预测样本特征、第二预测样本特征和权重数据，对所述第一预测网络和第二预测网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户行为预测模型的生成方法，其特征在于，所述方法包括：获取训练样本数据，所述训练样本数据包括样本账户的属性数据和行为数据；当所述训练样本数据为新用户样本数据时，将所述新用户样本数据输入第一预测网络，得到用户行为的第一预测样本特征，所述第一预测网络的初始网络是通过老用户样本数据训练后得到的；将所述新用户样本数据输入第二预测网络，得到用户行为的第二预测样本特征以及权重数据，所述权重数据包括用于表征所述用户行为的第一预测样本特征和第二预测样本特征分别对应的权重；根据所述第一预测样本特征、第二预测样本特征和权重数据，对所述第一预测网络和第二预测网络进行参数调整，得到训练后的用户行为预测模型。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：当所述训练样本数据为老用户样本数据时，通过所述老用户样本数据对所述第一预测网络进行参数调整。3.根据权利要求1所述的方法，其特征在于，所述训练样本数据中还包括标签信息；所述根据所述第一预测样本特征、第二预测样本特征和权重数据，对所述第一预测网络和第二预测网络进行参数调整，得到训练后的用户行为预测模型，包括：通过所述权重数据对所述第一预测样本特征和所述第二预测样本特征进行加权处理，得到加权处理后的第三预测样本特征；根据所述第一预测样本特征和标签信息确定对应的第一预测损失，以及根据所述第二预测样本特征、第三预测样本特征和标签信息确定对应的第二预测损失；根据所述第一预测损失对所述第一预测网络进行参数调整，以及根据所述第二预测损失对所述第二预测网络进行参数调整，得到训练后的用户行为预测模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一预测样本特征和标签信息确定对应的第一预测损失，包括：对所述第一预测样本特征进行归一化处理，得到对应的第一预测值，根据所述第一预测值和对应的标签信息计算第一预测损失。5.根据权利要求3所述的方法，其特征在于，所述根据所述第二预测样本特征、第三预测样本特征和标签信息确定对应的第二预测损失，包括：对所述第二预测样本特征进行归一化处理，得到对应的第二预测值，根据所述第二预测值和标签信息计算第三预测损失；对所述第三预测样本特征进行归一化处理，得到对应的第三预测值，根据所述第三预测值和标签信息计算第四预测损失；将所述第三预测损失与第四预测损失之和确定为第二预测损失。6.根据权利要求5所述的方法，其特征在于，所述第二预测网络包括用户行为预测子网络和动态调权子网络；所述将所述新用户样本数据输入第二预测网络，得到用户行为的第二预测样本特征以及权重数据，包括：将所述新用户样本数据输入第二预测网络，得到所述第二预测网络中用户行为预测子网络输出的第二预测样本特征，以及所述动态调权子网络输出的权重数据。7.根据权利要求6所述的方法，其特征在于，所述根据所述第一预测损失对所述第一预
测网络进行参数调整，以及根据所述第二预测损失对所述第二预测网络进行参数调整，得到训练后的用户行为预测模型，包括：采用所述第一预测损失对所述第一预测网络进行参数调整，以及采用所述第二预测损失对所述用户行为预测子网络进行参数调整，采用所述第四预测损失对所述动态调权子网络进行参数调整，得到训练后的用户行为预测模型。8.根据权利要求3至7任一项所述的方法，其特征在于，所述新用户样本数据有多条；所述根据所述第一预测损失对所述第一预测网络进行参数调整，以及根据所述第二预测损失对所述第二预测网络进行参数调整，得到训练后的用户行为预测模型，包括：根据每一条所述新用户样本数据分别对应的第一预测损失和第二预测损失，获取多条所述新用户样本数据对应的第一累计预测损失和第二累计预测损失；采用所述第一累计预测损失对所述第一预测网络进行参数调整，以及采用所述第二累计预测损失对所述第二预测网络进行参数调整，得到训练后的用户行为预测模型。9.一种用户行为预测方法，其特征在于，所述方法包括：获取账户数据，所述账户数据包括当前的属性数据和行为数据；当所述账户数据为新用户的账户数据时，将所述新用户的账户数据输入用户行为预测模型，得到预估的所述新用户对当前待推荐的目标资源的操作行为概率，所述用户行为预测模型根据权利要求1至8任一项所述的方法得到。10.根据权利要求9所述的方法，其特征在于，所述用户行为预测模型包括训练后的第一预测网络和第二预测网络；所述将所述新用户的账户数据输入用户行为预测模型，得到预估的所述新用户对当前等推荐的目标资源的操作行为概率，包括：将所述新用户的账户数据输入第一预测网络，得到对应的第一预测特征；将所述新用户的账户数据输入第二预测网络，得到对应的第二预测特征和权重数据，所述权重数据包括用于表征所述账户数据对应的第一预测特征和第二预测特征分别对应的权重；基于所述权重数据对所述第一预测特征和所述第二预测特征进行加权处理，得到加权处理后的第三预测特征；对所述第三预测特征进行归一化处理，得到所述新用户对当前待推荐的目标资源的操作行为概率。11.一种用户行为预测模型的生成装置，其特征在于，所述装置包括：训练样...

【专利技术属性】
技术研发人员：余珊珊，梁东旭，洪立印，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：