用户预测方法、装置、计算设备及计算机存储介质制造方法及图纸

本申请公开了一种用户预测方法、装置、计算设备及计算机存储介质。方法包括：获取待预测用户的用户特征数据，用户特征数据包含类别型用户特征数据及连续型用户特征数据；利用预先训练的用户预测模型中的第一模型对用户特征数据进行第一预测处理，得到第一输出结果；利用用户预测模型中的第二模型对连续型用户特征数据进行第一预设处理，生成第一稀疏特征；对类别型用户特征数据进行第二预设处理，生成第二稀疏特征；对第一稀疏特征及第二稀疏特征进行第二预测处理，得到第二输出结果；根据第一输出结果和第二输出结果的组合确定待预测用户是否为目标用户。利用两个模型进行处理，将两个模型的结果合并到一起来进行预测，大大提升了预测的准确性。大大提升了预测的准确性。大大提升了预测的准确性。

【技术实现步骤摘要】
用户预测方法、装置、计算设备及计算机存储介质


[0001]本申请涉及计算机
，具体涉及一种用户预测方法、装置、计算设备及计算机存储介质。

技术介绍

[0002]目前，各大网站均推出了付费会员模式，一方面，可以提升平台自身的收益，另一方面，用户购买会员服务后，也能享受更佳的观看体验等。以视频或游戏为例，用户在看视频或者玩游戏时，可能会存在广告，而广告的出现会影响用户的观看体验。各大网站会向用户提供付费免广告等服务，如果能够准确预测潜在的目标用户，便能够有针对性地进行促销信息推送，提高促销成功率。因此，如何准确地挖掘出潜在的目标用户是亟待解决的问题。

技术实现思路

[0003]本申请的目的是提供一种用户预测方法、装置、计算设备及计算机存储介质，以解决现有技术存在的潜在目标用户预测不准确等问题。
[0004]根据本申请实施例的一个方面，提供了一种用户预测方法，包括：
[0005]获取待预测用户的用户特征数据，用户特征数据包含类别型用户特征数据及连续型用户特征数据；
[0006]利用预先训练的用户预测模型中的第一模型对用户特征数据进行第一预测处理，得到第一输出结果；
[0007]利用用户预测模型中的第二模型对连续型用户特征数据进行第一预设处理，生成第一稀疏特征；对类别型用户特征数据进行第二预设处理，生成第二稀疏特征；对第一稀疏特征及第二稀疏特征进行第二预测处理，得到第二输出结果；
[0008]根据第一输出结果和第二输出结果的组合确定待预测用户是否为目标用户。/>[0009]可选地，根据第一输出结果和第二输出结果的组合确定待预测用户是否为目标用户进一步包括：
[0010]将第一输出结果和第二输出结果合并后的目标输出结果输入至用户预测模的输出层；
[0011]输出层根据目标输出结果确定待预测用户对应的预测概率；
[0012]根据预测概率确定待预测用户是否为目标用户。
[0013]可选地，根据预测概率确定待预测用户是否为目标用户进一步包括：
[0014]判断预测概率是否大于或等于预设阈值；
[0015]若是，则确定待预测用户为目标用户；
[0016]若否，则确定待预测用户为非目标用户。
[0017]可选地，对连续型用户特征数据进行第一预设处理，生成第一稀疏特征进一步包括：
[0018]对连续型用户特征数据进行离散化处理，得到离散化用户特征数据；
[0019]对离散化用户特征数据进行独热编码处理，生成第一稀疏特征。
[0020]可选地，对类别型用户特征数据进行第二预设处理，生成第二稀疏特征进一步包括：
[0021]对类别型用户特征数据进行独热编码处理，生成第二稀疏特征。
[0022]可选地，用户预测模型训练过程包括：
[0023]获取样本用户特征数据及对应的标签信息；
[0024]根据样本用户特征数据及标签信息对第一模型、第二模型进行训练，得到用户预测模型。
[0025]可选地，根据样本用户特征数据及标签信息对第一模型、第二模型进行训练，得到用户预测模型进一步包括：
[0026]构建第一模型的决策树，通过决策树将样本用户特征数据按照预设分裂路径进行分裂，得到对应的分裂结果；
[0027]将分裂增益最大的分裂结果确定为第一输出结果；
[0028]根据样本用户特征数据对第二模型进行训练，得到第二输出结果；
[0029]对第一输出结果和第二输出结果的组合进行处理，得到处理结果；
[0030]计算处理结果与标签信息之间的损失，得到模型损失函数，根据模型损失函数更新第一模型的模型参数及第二模型的模型参数；
[0031]迭代执行上述步骤，直至迭代次数达到预设迭代次数，和/或，模型损失函数的输出值小于预设阈值，得到用户预测模型。
[0032]可选地，第二输出结果是经过第二模型嵌入处理后转换得到的稠密向量。
[0033]根据本申请实施例的另一方面，提供了一种用户预测装置，包括：
[0034]获取模块，适于获取待预测用户的用户特征数据，用户特征数据包含类别型用户特征数据及连续型用户特征数据；
[0035]处理模块，适于利用预先训练的用户预测模型中的第一模型对用户特征数据进行第一预测处理，得到第一输出结果；利用用户预测模型中的第二模型对连续型用户特征数据进行第一预设处理，生成第一稀疏特征；对类别型用户特征数据进行第二预设处理，生成第二稀疏特征；对第一稀疏特征及第二稀疏特征进行第二预测处理，得到第二输出结果；
[0036]确定模块，适于根据第一输出结果和第二输出结果的组合确定待预测用户是否为目标用户。
[0037]根据本申请实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；
[0038]存储器用于存放至少一可执行指令，可执行指令使处理器执行上述用户预测方法对应的操作。
[0039]根据本申请实施例的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述用户预测方法对应的操作。
[0040]根据本申请实施例提供的方案，是利用所有的用户特征数据来进行用户的预测，数据更为丰富，由此可以大大提升预测的准确性；另外，是利用两个模型来进行处理，最终将两个模型的输出结果合并到一起来预测某个用户是否为目标用户，由此预测的结果更为
准确，相比于现有技术中其他预测方式，准确率可以提高8％。
[0041]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
[0042]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0043]图1示出了根据本申请中的一个实施例的用户预测方法的流程示意图；
[0044]图2A示出了根据本申请中的另一个实施例的用户预测方法的流程示意图；
[0045]图2B为第一模型中样本用户特征数据分裂的示意图；
[0046]图3示出了根据本申请中的一个实施例的用户预测装置的结构示意图；
[0047]图4示出了根据本申请中的一个实施例的计算设备的结构示意图。
具体实施方式
[0048]下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
[0049本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户预测方法，包括：获取待预测用户的用户特征数据，所述用户特征数据包含类别型用户特征数据及连续型用户特征数据；利用预先训练的用户预测模型中的第一模型对所述用户特征数据进行第一预测处理，得到第一输出结果；利用所述用户预测模型中的第二模型对所述连续型用户特征数据进行第一预设处理，生成第一稀疏特征；对所述类别型用户特征数据进行第二预设处理，生成第二稀疏特征；对所述第一稀疏特征及所述第二稀疏特征进行第二预测处理，得到第二输出结果；根据所述第一输出结果和所述第二输出结果的组合确定所述待预测用户是否为目标用户。2.根据权利要求1所述的方法，其中，所述根据所述第一输出结果和所述第二输出结果的组合确定所述待预测用户是否为目标用户进一步包括：将所述第一输出结果和所述第二输出结果合并后的目标输出结果输入至所述用户预测模的输出层；所述输出层根据所述目标输出结果确定所述待预测用户对应的预测概率；根据所述预测概率确定所述待预测用户是否为目标用户。3.根据权利要求2所述的方法，其中，所述根据所述预测概率确定所述待预测用户是否为目标用户进一步包括：判断所述预测概率是否大于或等于预设阈值；若是，则确定所述待预测用户为目标用户；若否，则确定所述待预测用户为非目标用户。4.根据权利要求1
‑
3中任一项所述的方法，其中，对所述连续型用户特征数据进行第一预设处理，生成第一稀疏特征进一步包括：对所述连续型用户特征数据进行离散化处理，得到离散化用户特征数据；对所述离散化用户特征数据进行独热编码处理，生成第一稀疏特征。5.根据权利要求1
‑
4中任一项所述的方法，其中，对所述类别型用户特征数据进行第二预设处理，生成第二稀疏特征进一步包括：对所述类别型用户特征数据进行独热编码处理，生成第二稀疏特征。6.根据权利要求1
‑
5中任一项所述的方法，其中，所述用户预测模型训练过程包括：获取样本用户特征数据及对应的标签信息；根据所述样本用户特征数据及所述标签信息对第一模型、第二模型进行训练，得到用户预测模型。7.根据权利要求...

【专利技术属性】
技术研发人员：薄海，
申请(专利权)人：上海幻电信息科技有限公司，
类型：发明
国别省市：