【技术实现步骤摘要】
本申请属于大数据分析和识别，尤其涉及一种模型训练方法、用户类别识别方法及装置。
技术介绍
1、随着数据量和数据种类的快速增长，传统的数据挖掘方法在用户身份识别上遇到挑战。大规模数据处理能力的需求不断提升，而依靠人工建模的方式已难以高效且准确地识别潜在用户群体，导致个性化服务不足。
2、现有技术在用户身份识别的效率和准确性上表现不佳，难以满足复杂的业务需求。
3、因此，如何设计出一种快速、精准地挖掘潜在用户的方法称为当前亟待解决的问题。
技术实现思路
1、本申请实施例提供一种模型训练方法、用户类别识别方法及装置，能够训练出一种快速、精准地分析出用户的身份类别的模型。
2、第一方面，本申请实施例提供一种模型训练方法，方法包括：
3、获取多个用户数据样本和每个用户数据样本对应的类别标签；
4、利用预设采样算法，从多个用户数据样本中筛选出多个目标样本，将多个目标样本和多个目标样本对应的类别标签组合得到目标样本集；
5、对多个目标样本进行特征提取得到目标特征，利用预设特征处理算法，识别和聚合目标特征，得到目标特征集合；
6、将多个目标样本对应的目标特征集合输入到待训练的识别模型中，得到相应的类别预测结果；
7、针对每个目标样本，根据类别预测结果与类别标签，计算目标梯度值，并基于目标梯度值对识别模型调整模型参数，识别模型用于根据待识别用户的用户数据确定待识别用户的类别。
8、在第一方面的
9、针对每个目标样本，根据类别预测结果与类别标签之间的偏差，计算每个目标样本的自然梯度值；
10、基于自然梯度值调整识别模型的分布参数。
11、在第一方面的一种可能的实现方式中，方法还包括：
12、获取多个测试样本和多个测试样本对应的真实分类结果；
13、将多个测试样本输入更新后的识别模型，获取多个测试样本对应的测试分类结果；
14、将多个测试样本的测试分类结果与多个测试样本的真实分类进行比对，计算识别模型的识别准确率，当识别准确率达到第一预设阈值时，输出识别模型。
15、在第一方面的一种可能的实现方式中，利用预设采样算法，从多个用户数据样本中筛选出多个目标样本，将多个目标样本和多个目标样本对应的类别标签组合得到目标样本集，包括：
16、将多个用户数据样本输入初始化后的识别模型，获取每个用户数据样本对应的初始类别预测结果；
17、针对每个用户数据样本，基于该用户数据样本对应的初始类别预测结果和该用户数据样本对应的类别标签，确定该用户数据样本的初始梯度值；
18、根据初始梯度值从多个用户数据样本中抽取出预设数量的用户数据样本作为目标样本，组成目标样本集。
19、在第一方面的一种可能的实现方式中，根据初始梯度值从多个用户数据样本中抽取出预设数量的用户数据样本作为目标样本，组成目标样本集，包括：
20、根据初始梯度值的大小对多个用户数据样本进行降序排序，将序列前第一预设数量的用户数据样本作为大梯度样本，从余下的用户数据样本中抽取第二预设数量的用户数据样本作为小梯度样本，将大梯度样本和小梯度样本组合得到目标样本集合。
21、在第一方面的一种可能的实现方式中，在第一方面的一种可能的实现方式中，对多个目标样本进行特征提取得到目标特征，利用预设特征处理算法，识别和聚合目标特征，得到目标特征集合，包括：
22、对多个目标样本进行特征提取，得到初始特征集合；
23、将初始特征集合中的特征进行分组，得到多个特征组合，多个特征组合中每个特征组合的特征冲突数量基于第二预设阈值确定；
24、整合多个特征组合，得到目标特征集合。
25、在第一方面的一种可能的实现方式中，将初始特征集合中的特征进行分组，得到多个特征组合，包括：
26、按预设顺序遍历初始特征集合中的每个特征，针对每个特征，判断将该特征加入已有特征组合后的特征冲突数量是否超过第二预设阈值；
27、当不超过第二预设阈值时，将该特征加入已有特征组合，并更新已有特征组合中的特征冲突数量；
28、当超过第二预设阈值时，基于该特征创建一个新的特征组合。
29、在第一方面的一种可能的实现方式中，方法还包括：
30、利用识别模型对待识别用户的用户数据进行处理，识别出待识别用户的身份类别；
31、将待识别用户的用户数据和待识别用户的身份类别作为新的样本，继续训练识别模型。
32、第二方面，本申请实施例提供一种用户类别识别方法，方法包括：
33、获取待识别用户的用户数据；
34、提取待识别用户的用户数据对应的用户特征；
35、利用识别模型根据用户特征，确定待识别用户的类别，识别模型是通过上述第一方面中任一实现方式的方法训练得到的。
36、第三方面，本申请实施例提供了一种模型训练装置，装置包括：
37、获取模块，用于获取多个用户数据样本和每个用户数据样本对应的类别标签；
38、采样模块，用于利用预设采样算法，从多个用户数据样本中筛选出多个目标样本，将多个目标样本和多个目标样本对应的类别标签组合得到目标样本集；
39、特征处理模块，用于对多个目标样本进行特征提取得到目标特征，利用预设特征处理算法，识别和聚合目标特征，得到目标特征集合；
40、训练模块，用于将多个目标样本对应的目标特征集合输入到待训练的识别模型中，得到类别预测结果；
41、训练模块还用于，针对每个目标样本，根据类别预测结果与类别标签，计算目标梯度值，并基于目标梯度值对识别模型进行训练。
42、第四方面，本申请实施例提供了一种用户类别识别装置，装置包括：
43、获取模块，用于获取待识别用户的用户数据；
44、特征提取模块，用于提取待识别用户的用户数据对应的用户特征；
45、识别模块，用于利用识别模型根据用户特征，确定待识别用户的类别，识别模型是通过上述第一方面任一项实现方式所述的方法训练得到的。
46、第五方面，本申请实施例提供了一种电子设备，设备包括：处理器，以及存储有计算机程序指令的存储器；处理器读取并执行计算机程序指令，以实现上述第一方面或第二方面中任意一项的方法。
47、第六方面，本申请实施例提供了一种计算机存储介质，该计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现上述第一方面或第二方面中任意一项的方法。
48、第七方面，本申请实施例提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序本文档来自技高网...
【技术保护点】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述目标梯度值为自然梯度值；所述针对每个目标样本，根据所述类别预测结果与所述类别标签，计算目标梯度值，并基于所述目标梯度值对所述识别调整模型参数，包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述利用预设采样算法，从所述多个用户数据样本中筛选出多个目标样本，将所述多个目标样本和所述多个目标样本对应的类别标签组合得到目标样本集，包括：
5.根据权利要求4所述的方法，其特征在于，根据所述初始梯度值从所述多个用户数据样本中抽取出预设数量的用户数据样本作为所述目标样本，组成所述目标样本集，包括：
6.根据权利要求1至3中的任一项所述的方法，其特征在于，所述对所述多个目标样本进行特征提取得到目标特征，利用预设特征处理算法，识别和聚合所述目标特征，得到目标特征集合，包括：
7.根据权利要求6所述的方法，其特征在于，所述将所述初始特征集合中的特征进行分组，得到多个特
8.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：
9.一种用户类别识别方法，其特征在于，包括：
10.一种模型训练装置，其特征在于，包括：
11.一种用户类别识别装置，其特征在于，包括：
12.一种计算机设备，其特征在于，所述设备包括：处理器，以及存储有计算机程序指令的存储器；所述处理器读取并执行所述计算机程序指令，以实现如权利要求1至9任意一项所述的方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1至9任意一项所述的方法。
...【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述目标梯度值为自然梯度值；所述针对每个目标样本，根据所述类别预测结果与所述类别标签，计算目标梯度值，并基于所述目标梯度值对所述识别调整模型参数，包括：
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述利用预设采样算法，从所述多个用户数据样本中筛选出多个目标样本，将所述多个目标样本和所述多个目标样本对应的类别标签组合得到目标样本集，包括：
5.根据权利要求4所述的方法，其特征在于，根据所述初始梯度值从所述多个用户数据样本中抽取出预设数量的用户数据样本作为所述目标样本，组成所述目标样本集，包括：
6.根据权利要求1至3中的任一项所述的方法，其特征在于，所述对所述多个目标样本进行特征提取得到目标特...
【专利技术属性】
技术研发人员：冮凯旋，
申请(专利权)人：中国移动通信集团辽宁有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。