[發明專利]模型訓練方法、行為預測方法、裝置、存儲介質及設備

在審

• 申請號: 201910282139.2
• 申請日: 2019-04-09
• 公開（公告）號: CN111797858A
• 公開（公告）日: 2020-10-20
• 發明（設計）人: 陳仲銘;何明
• 申請（專利權）人: OPPO廣東移動通信有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 深圳翼盛智成知識產權事務所(普通合伙) 44300
• 代理人: 黃威

1.一種模型訓練方法，其特征在于，包括：

獲取用戶的歷史行為數據；

將所述歷史行為數據劃分為多個數據段，每一數據段對應一時間段；

根據所述每一數據段獲取至少一個行為向量；

將所述多個數據段的行為向量按照時間先后排列，集合形成訓練數據；

將所述訓練數據輸入到時間序列模型中進行訓練，得到行為預測模型。

2.根據權利要求1所述的模型訓練方法，其特征在于，根據所述每一數據段獲取至少一個行為向量，包括：

根據所述每一數據段中的數據類型選擇對應的特征提取模型；

通過所述特征提取模型從所述數據段中提取出多個特征；

根據每一所述數據段中提取到的多個所述特征確定至少一個行為向量。

3.根據權利要求1所述的模型訓練方法，其特征在于，所述訓練數據輸入到時間序列模型中進行訓練，得到行為預測模型步驟之前，包括：

對所述訓練數據中的每一行為向量進行數據維度對齊處理，以使得處理后的所述每一行為向量的特征數量相等。

4.根據權利要求3所述的模型訓練方法，其特征在于，對所述訓練數據中的每一行為向量進行數據維度對齊處理，以使得處理后的所述每一行為向量的特征數量相等，包括：

依次計算每一行為向量中的特征數量，得到最大特征數量；

從所述訓練數據的多個行為向量中篩選出特征數量未達到最大特征數量的行為向量；

對所述特征數量未達到最大特征數量的每一行為向量進行特征數量填充。

5.根據權利要求1所述的模型訓練方法，其特征在于，將所述多個數據段的行為向量按照時間先后排列，集合形成訓練數據之前，包括：

為每一所述行為向量設置一行為類別標簽。

6.根據權利要求1所述的模型訓練方法，其特征在于，所述將所述訓練數據輸入到時間序列模型中進行訓練，得到行為預測模型之后，包括：

根據所述行為預測模型獲取所述預設時間段的預測結果；

獲取所述預設時間段的真實結果；

采用交叉熵損失函數計算所述預測結果和所述真實結果之間的差異值；

判斷所述差異值是否大于差異閾值；

若所述差異值大于所述差異閾值，對所述行為預測模型進行更新；

若所述差異值小于或等于所述差異閾值，維持所述行為預測模型。

7.一種行為預測方法，其特征在于，包括：

接收用戶行為的預測請求；

根據所述預測請求獲取預設時間段；

根據所述預設時間段和預先訓練好的行為預測模型，預測所述預設時間段的用戶行為；

其中，所述行為預測模型根據用戶的歷史行為數據和時間序列模型進行模型訓練得到。

8.根據權利要求7所述的行為預測方法，其特征在于，所述根據所述預設時間段和預先訓練好的行為預測模型，預測所述預設時間段的用戶行為，包括：

在所述行為預測模型中輸入所述預設時間段；

根據所述預設時間段匹配到至少一個目標行為向量；

獲取所述目標行為向量對應的目標行為類別標簽；

根據所述目標行為類別標簽輸出預設時間段的用戶行為。

9.一種模型訓練裝置，其特征在于，所述裝置包括：

第一獲取模塊，用于獲取用戶的歷史行為數據；

數據劃分模塊，用于將所述歷史行為數據劃分為多個數據段，每一數據段對應一時間段；

第二獲取模塊，用于根據所述每一數據段獲取至少一個行為向量；

數據集合模塊，用于將所述多個數據段的行為向量按照時間先后排列，集合形成訓練數據；

訓練模塊，用于將所述訓練數據輸入到時間序列模型中進行訓練，得到行為預測模型。