[發明專利]神經網絡模型的訓練方法、人群擴散方法、裝置及設備

有效

• 申請號: 201811023331.1
• 申請日: 2018-09-03
• 公開（公告）號: CN110147882B
• 公開（公告）日: 2023-02-10
• 發明（設計）人: 梁鵬;陳戈;黃東波;姜磊
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/0464;G06N3/084;G06N3/0442
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 張所明

1.一種神經網絡模型的訓練方法，其特征在于，所述方法包括：

根據樣本用戶所屬的種子人群的人群包embedding向量，合并得到所述樣本用戶的人群特征；

將所述樣本用戶的人群特征和用戶畫像特征進行拼接，得到神經網絡模型的輸入層數據；

將所述輸入層數據輸入至神經網絡模型中進行訓練，得到預測誤差；

在未滿足訓練結束條件時，根據反向傳播算法對所述預測誤差進行反向傳播，更新所述神經網絡模型中的權重和所述人群包embedding向量；

在滿足所述訓練結束條件時，結束所述神經網絡模型的訓練。

2.根據權利要求1所述的訓練方法，其特征在于，所述根據樣本用戶所屬的種子人群的人群包embedding向量，合并得到所述樣本用戶的人群特征，包括：

當所述樣本用戶屬于兩個以上的種子人群時，初始化得到所述兩個以上的種子人群的人群包embedding向量；

將所述兩個以上的種子人群的人群包embedding向量的對應維度值進行平均，合并得到所述樣本用戶的人群特征。

3.根據權利要求1所述的訓練方法，其特征在于，所述根據樣本用戶所屬的種子人群的人群包embedding向量，合并得到所述樣本用戶的人群特征，包括：

當所述樣本用戶屬于兩個以上的種子人群時，初始化得到所述兩個以上的種子人群的人群包embedding向量；

將所述兩個以上的種子人群的人群包embedding向量的對應維度值取最大值，合并得到所述樣本用戶的人群特征。

4.根據權利要求2或3所述的訓練方法，其特征在于，所述初始化得到所述兩個以上的種子人群的人群包embedding向量，包括：

采用隨機化方式對所述兩個以上的種子人群的人群包embedding向量進行初始化。

5.根據權利要求1至3任一所述的訓練方法，其特征在于，所述用戶畫像特征包括：人口屬性特征、設備特征、行為特征和標簽特征中的至少一種。

6.根據權利要求1至3任一所述的訓練方法，其特征在于，所述神經網絡模型包括：k個隱藏層和一個分類層，k為正整數；

所述k個隱藏層采用的激活函數是修正線性單元ReLU；

所述分類層是S型生長曲線sigmoid、邏輯斯諦函數softmax、層級聚類hierarchical和采樣邏輯斯諦函數sampled softmax中的任意一種；

其中，所述k個隱藏層是在訓練過程和預測過程中均使用的神經網絡層，所述分類層是僅在所述訓練過程中使用的神經網絡層。

7.根據權利要求1至3任一所述的訓練方法，其特征在于，所述方法還包括：

對于全量用戶中的每個用戶，根據所述用戶所屬的種子人群的人群包embedding向量，合并得到所述用戶的人群特征；

將所述用戶的人群特征和用戶畫像特征進行拼接，得到所述神經網絡模型的輸入層數據；

將所述輸入層數據輸入所述神經網絡模型進行預測，得到所述用戶的用戶embedding向量。

8.一種人群擴散方法，其特征在于，所述方法包括：

獲取m個種子人群的人群包embedding向量，所述種子人群中包括多個樣本用戶，m為正整數；

獲取全量用戶中多個用戶的用戶embedding向量；所述人群包embedding向量和所述用戶embedding向量是通過同一個神經網絡模型得到的，所述神經網絡模型是基于所述樣本用戶的人群特征和用戶畫像特征訓練得到的，所述樣本用戶的人群特征是根據所述樣本用戶所屬的所述種子人群的所述人群包embedding向量得到的；

根據所述人群包embedding向量和所述用戶embedding向量之間的向量相似度，確定對所述種子人群進行擴散的擴散人群。