[發(fā)明專利]計算機(jī)實現(xiàn)的信息處理方法及裝置

有效

• 申請?zhí)枺?/td>: 201610326891.9
• 申請日: 2016-05-17
• 公開（公告）號: CN107392217B
• 公開（公告）日: 2021-01-01
• 發(fā)明（設(shè)計）人: 單憶南;K·拉加塞圖帕蒂;尹航;畢鵬
• 申請（專利權(quán)）人: 上海點融信息科技有限責(zé)任公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00;G06Q10/04;G06Q40/02
• 代理公司: 北京市金杜律師事務(wù)所 11256
• 代理人: 酆迅

一種計算機(jī)實現(xiàn)的數(shù)據(jù)處理方法和裝置。方法包括：基于M個已完結(jié)用戶事件各自的事件狀態(tài)特征向量和各自的標(biāo)簽，構(gòu)建權(quán)重模型，權(quán)重模型的輸出權(quán)重值指示將預(yù)測的未完結(jié)用戶事件的狀態(tài)概率；響應(yīng)于接收到N個未完結(jié)用戶事件的數(shù)據(jù)，計算各自的事件狀態(tài)特征向量，并利用權(quán)重模型分別計算N個未完結(jié)用戶事件各自的權(quán)重值；基于M個已完結(jié)用戶事件的預(yù)定權(quán)重值和計算的N個未完結(jié)用戶事件各自的權(quán)重值，對這些用戶事件進(jìn)行樣本擴(kuò)展，構(gòu)建擴(kuò)展樣本集合；獲取擴(kuò)展樣本集合中的每個用戶事件各自的評分特征向量和各自的標(biāo)簽，構(gòu)建評分模型；以及接收新用戶事件的數(shù)據(jù)，利用評分模型對新用戶事件進(jìn)行評分并根據(jù)評分進(jìn)行相應(yīng)的數(shù)據(jù)處理。

技術(shù)領(lǐng)域

本公開涉及計算機(jī)信息處理領(lǐng)域，尤其涉及計算機(jī)實現(xiàn)的利用機(jī)器學(xué)習(xí)的用戶事件預(yù)測方法和裝置。

背景技術(shù)

在機(jī)器學(xué)習(xí)領(lǐng)域，要精確地學(xué)習(xí)一個模型，至少需要模型參數(shù)個數(shù)的數(shù)百倍的樣本。機(jī)器學(xué)習(xí)需要的訓(xùn)練樣本量是非常大的，而在很多應(yīng)用情境中，可利用的訓(xùn)練樣本數(shù)量不多。例如，在對用戶事件進(jìn)行評分的場景中，通常需要大量的訓(xùn)練樣本以提高預(yù)測或評分模型的置信度。然而，現(xiàn)實中可使用的訓(xùn)練樣本不足，影響了預(yù)測或評分模型的利用效果。

發(fā)明內(nèi)容

為了解決上面所提出的問題，本公開提供一種利用機(jī)器學(xué)習(xí)來充分利用現(xiàn)有的正在進(jìn)行中的用戶事件，以改進(jìn)對預(yù)測或評分模型的訓(xùn)練過程的技術(shù)方案。

根據(jù)本公開的第一方面，提供一種計算機(jī)實現(xiàn)的數(shù)據(jù)處理方法，包括：基于M個已完結(jié)用戶事件各自的事件狀態(tài)特征向量和各自的標(biāo)簽，構(gòu)建權(quán)重模型，其中M是大于1的整數(shù)，權(quán)重模型的輸出權(quán)重值指示將預(yù)測的未完結(jié)用戶事件的狀態(tài)概率；響應(yīng)于接收到N個未完結(jié)用戶事件的數(shù)據(jù)，計算N個未完結(jié)用戶事件各自的事件狀態(tài)特征向量，并利用權(quán)重模型分別計算N個未完結(jié)用戶事件各自的權(quán)重值，其中N是大于1的整數(shù)；基于M個已完結(jié)用戶事件的預(yù)定權(quán)重值和經(jīng)計算的N個未完結(jié)用戶事件各自的權(quán)重值，對M個已完結(jié)用戶事件和N個未完結(jié)用戶事件進(jìn)行樣本擴(kuò)展，以構(gòu)建擴(kuò)展樣本集合；獲取擴(kuò)展樣本集合中的每個用戶事件各自的評分特征向量和各自的標(biāo)簽，以構(gòu)建評分模型；以及接收新用戶事件的數(shù)據(jù)，利用評分模型對新用戶事件進(jìn)行評分，并根據(jù)評分對新用戶事件進(jìn)行相應(yīng)的數(shù)據(jù)處理。

根據(jù)本公開的實施例，其中事件狀態(tài)特征向量表征用戶事件的行為數(shù)據(jù)特征，并且至少包括以下中的一項或多項：用戶事件的不同行為狀態(tài)的占比，用戶事件的行為狀態(tài)轉(zhuǎn)移的占比。

根據(jù)本公開的實施例，其中基于M個已完結(jié)用戶事件的預(yù)定權(quán)重值和經(jīng)計算的N個未完結(jié)用戶事件各自的權(quán)重值，對M個已完結(jié)用戶事件和N個未完結(jié)用戶事件進(jìn)行樣本擴(kuò)展以構(gòu)建擴(kuò)展樣本集合包括：將N個未完結(jié)用戶事件各自的權(quán)重值劃分區(qū)間；以及根據(jù)M個已完結(jié)用戶事件的預(yù)定權(quán)重值和不同的區(qū)間，將M個已完結(jié)用戶事件和N個未完結(jié)用戶事件以相對應(yīng)的預(yù)定比例擴(kuò)展樣本量，形成擴(kuò)展樣本集合。

根據(jù)本公開的實施例，方法還包括：調(diào)試權(quán)重模型，以獲取合適的權(quán)重閾值；以及響應(yīng)于N個未完結(jié)用戶事件各自的權(quán)重值與權(quán)重閾值的比較結(jié)果，丟棄相應(yīng)權(quán)重值小于權(quán)重閾值的未完結(jié)用戶事件。

根據(jù)本公開的實施例，還通過以下步驟來構(gòu)建權(quán)重模型：基于M個已完結(jié)用戶事件各自的事件狀態(tài)特征向量和各自的至少部分的評分特征向量以及各自的標(biāo)簽，構(gòu)建權(quán)重模型。

根據(jù)本公開的實施例，其中構(gòu)建權(quán)重模型的用戶事件還包括Q個已進(jìn)行進(jìn)度超過第一閾值且相應(yīng)的事件狀態(tài)特征向量的值高于預(yù)定閾值的用戶事件，其中Q是大于1的整數(shù)。

根據(jù)本公開的實施例，方法還包括：在將事件狀態(tài)特征向量用于權(quán)重模型之前，對事件狀態(tài)特征向量的值進(jìn)行編碼以投影到更高維度空間。

根據(jù)本公開的實施例，其中N個未完結(jié)用戶事件包括用戶事件已進(jìn)行進(jìn)度超過第二閾值的用戶事件。