[發(fā)明專(zhuān)利]一種用戶(hù)畫(huà)像模型的優(yōu)化方法、介質(zhì)以及設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 201810035915.4
• 申請(qǐng)日: 2018-01-15
• 公開(kāi)（公告）號(hào): CN108280542B
• 公開(kāi)（公告）日: 2021-05-11
• 發(fā)明（設(shè)計(jì)）人: 宋國(guó)慶;羅偉東
• 申請(qǐng)（專(zhuān)利權(quán)）人: 深圳市和訊華谷信息技術(shù)有限公司
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06Q30/02
• 代理公司: 北京酷愛(ài)智慧知識(shí)產(chǎn)權(quán)代理有限公司 11514
• 代理人: 安娜

本發(fā)明提供了一種用戶(hù)畫(huà)像模型的優(yōu)化方法、介質(zhì)以及設(shè)備。所述方法，包括：獲取用戶(hù)行為數(shù)據(jù)；根據(jù)所述行為數(shù)據(jù)，基于預(yù)先建立的第一預(yù)測(cè)模型，獲得第一預(yù)測(cè)結(jié)果；根據(jù)所述第一預(yù)測(cè)結(jié)果和所述行為數(shù)據(jù)，訓(xùn)練優(yōu)化第二預(yù)測(cè)模型。通過(guò)獲取用戶(hù)行為數(shù)據(jù)，根據(jù)第一預(yù)測(cè)模型，得到第一預(yù)測(cè)結(jié)果，并根據(jù)第一預(yù)測(cè)結(jié)果和行為數(shù)據(jù)，訓(xùn)練優(yōu)化第二預(yù)測(cè)模型，通過(guò)給第二預(yù)測(cè)模型增加訓(xùn)練優(yōu)化模型的輸入樣本數(shù)據(jù)類(lèi)型，能夠提高第二預(yù)測(cè)模型預(yù)測(cè)的準(zhǔn)確性；同時(shí)，通過(guò)利用第一預(yù)測(cè)模型的預(yù)測(cè)結(jié)果訓(xùn)練優(yōu)化第二預(yù)測(cè)模型，當(dāng)?shù)谝活A(yù)測(cè)模型變更時(shí)，能夠?qū)崿F(xiàn)對(duì)第二預(yù)測(cè)模型的自動(dòng)訓(xùn)練優(yōu)化，進(jìn)而能夠節(jié)省時(shí)間，減少成本。

技術(shù)領(lǐng)域

本發(fā)明涉及大數(shù)據(jù)機(jī)器學(xué)習(xí)領(lǐng)域，具體涉及一種用戶(hù)畫(huà)像模型的優(yōu)化方法、介質(zhì)以及設(shè)備。

背景技術(shù)

在大數(shù)據(jù)的背景下，我們需要根據(jù)用戶(hù)的行為、性別、年齡等標(biāo)簽進(jìn)行有目的、分類(lèi)別的產(chǎn)品推薦的廣告推送，以實(shí)現(xiàn)用戶(hù)畫(huà)像細(xì)分，精準(zhǔn)營(yíng)銷(xiāo)的目的。隨著互聯(lián)網(wǎng)技術(shù)的不斷升級(jí)，當(dāng)我們使用用戶(hù)數(shù)據(jù)建立用戶(hù)畫(huà)像的時(shí)候，用戶(hù)每時(shí)每刻都會(huì)接受到各種信息，每一瞬間做出的選擇都是不一樣的，很難用一個(gè)固定的模型對(duì)用戶(hù)進(jìn)行分析和行為預(yù)測(cè)。這樣就失去了實(shí)時(shí)性，造成了消息滯后、預(yù)測(cè)結(jié)果不準(zhǔn)確的現(xiàn)象，導(dǎo)致?tīng)I(yíng)銷(xiāo)效果差，廣告推動(dòng)轉(zhuǎn)化率低。如果每次都需要人為的修改模型，手動(dòng)更新的話(huà)，無(wú)論從時(shí)間成本還是人力成本上來(lái)說(shuō)都是巨大的，而且效果也不好。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)中的缺陷，本發(fā)明提供一種用戶(hù)畫(huà)像模型的優(yōu)化方法、介質(zhì)以及設(shè)備，能夠提高預(yù)測(cè)模型的準(zhǔn)確度，能夠節(jié)省模型優(yōu)化時(shí)間，減少成本。

第一方面，本發(fā)明提供了一種用戶(hù)畫(huà)像模型的優(yōu)化方法，包括：

獲取用戶(hù)行為數(shù)據(jù)；

根據(jù)所述行為數(shù)據(jù)，基于預(yù)先建立的第一預(yù)測(cè)模型，獲得第一預(yù)測(cè)結(jié)果；

根據(jù)所述第一預(yù)測(cè)結(jié)果和所述行為數(shù)據(jù)，訓(xùn)練優(yōu)化第二預(yù)測(cè)模型。

可選的，在根據(jù)所述第一行為數(shù)據(jù)，基于預(yù)先建立的第一預(yù)測(cè)模型，獲得第一預(yù)測(cè)結(jié)果的步驟之前，還包括：

獲取樣本數(shù)據(jù)；

對(duì)所述樣本數(shù)據(jù)進(jìn)行分類(lèi)；

對(duì)分類(lèi)后的所述樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，獲得所述樣本數(shù)據(jù)的特征樣本數(shù)據(jù)；

根據(jù)所述特征樣本數(shù)據(jù)，訓(xùn)練第一預(yù)測(cè)模型。

可選的，所述對(duì)所述樣本數(shù)據(jù)進(jìn)行分類(lèi)，包括：

根據(jù)行為模式，對(duì)所述樣本數(shù)據(jù)進(jìn)行分類(lèi)。

可選的，在根據(jù)所述特征樣本數(shù)據(jù)，訓(xùn)練第一預(yù)測(cè)模型的步驟之前，還包括：

對(duì)所述特征樣本數(shù)據(jù)進(jìn)行組合，獲得新特征樣本數(shù)據(jù)；

所述根據(jù)所述特征樣本數(shù)據(jù)，訓(xùn)練第一預(yù)測(cè)模型，包括：

根據(jù)所述新特征樣本數(shù)據(jù)，訓(xùn)練第一預(yù)測(cè)模型。

可選的，在對(duì)所述特征樣本數(shù)據(jù)進(jìn)行組合，獲得新特征樣本數(shù)據(jù)的步驟之后，還包括：

對(duì)所述新特征樣本數(shù)據(jù)進(jìn)行歸一化處理；

所述根據(jù)所述特征樣本數(shù)據(jù)，訓(xùn)練第一預(yù)測(cè)模型，包括：

根據(jù)歸一化處理后的所述新特征樣本數(shù)據(jù)，訓(xùn)練第一預(yù)測(cè)模型。

可選的，在訓(xùn)練第一預(yù)測(cè)模型的步驟之后，還包括：

獲取測(cè)試數(shù)據(jù)；

根據(jù)所述測(cè)試數(shù)據(jù)，計(jì)算所述第一預(yù)測(cè)模型的準(zhǔn)確度分值；

判斷所述準(zhǔn)確度分值是否大于預(yù)設(shè)準(zhǔn)確度閾值；