[發明專利]預測模型的訓練方法及裝置

在審

• 申請號: 202010014918.7
• 申請日: 2020-01-07
• 公開（公告）號: CN111199429A
• 公開（公告）日: 2020-05-26
• 發明（設計）人: 侯志鵬;陳碧瑩;陳凌;劉磊
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06K9/62
• 代理公司: 北京智信禾專利代理有限公司 11637
• 代理人: 李曉慶

本說明書實施例提供的預測模型的訓練方法及裝置，其中，所述方法包括為采集的每個用戶分配一個權益，并按照權益類型對權益進行劃分；將每種權益類型的權益的權益特征和對應的用戶的用戶特征分為訓練數據和測試數據；基于每種權益類型的訓練數據對每種權益類型對應的初始預測模型進行訓練，得到每種權益類型對應的預測模型；將每種權益類型的測試數據輸入每種權益類型對應的預測模型中得到測試結果，并基于所有測試結果調整預測模型。

技術領域

本說明書實施例涉及模型訓練技術領域，特別涉及一種預測模型的訓練方法。本說明書一個或者多個實施例同時涉及一種預測模型的訓練裝置，一種計算設備，以及一種計算機可讀存儲介質。

背景技術

目前在網絡營銷場景中，為了刺激用戶消費，很多購物平臺均會針對用戶發放紅包、優惠券以及免息券等可以刺激用戶消費的權益，而這些權益均帶有一定的成本，若用戶對這些權益不感興趣，購物平臺發放的這些權益之后并沒有使得用戶基于這些權益在其消費，則會造成權益浪費；因此一種根據用戶特征精確的預測出用戶在不同權益的影響下的響應情況的預測模型，對于權益的合理投放顯得尤為重要。

發明內容

有鑒于此，本說明書施例提供了一種預測模型的訓練方法。本說明書一個或者多個實施例同時涉及一種預測模型的訓練裝置，一種計算設備，以及一種計算機可讀存儲介質，以解決現有技術中存在的技術缺陷。

根據本說明書實施例的第一方面，提供了一種預測模型的訓練方法，包括：

為采集的每個用戶分配一個權益，并按照權益類型對權益進行劃分；

將每種權益類型的權益的權益特征和對應的用戶的用戶特征分為訓練數據和測試數據；

基于每種權益類型的訓練數據對每種權益類型對應的初始預測模型進行訓練，得到每種權益類型對應的預測模型；

將每種權益類型的測試數據輸入每種權益類型對應的預測模型中得到測試結果，并基于所有測試結果調整預測模型。

可選的，所述基于每種權益類型的訓練數據對每種權益類型對應的初始預測模型進行訓練，得到每種權益類型對應的預測模型包括：

基于每種權益類型的訓練數據對每種權益類型對應的初始預測模型進行訓練，得到每種權益類型對應的、輸出用戶特征針對權益特征的響應率的預測模型。

可選的，所述測試結果包括用戶特征針對權益特征的測試響應率；

相應的，所述將每種權益類型的測試數據輸入每種權益類型對應的預測模型中得到測試結果，并基于所有測試結果調整預測模型包括：

將每種權益類型的測試數據輸入每種權益類型對應的預測模型中得到每種權益類型的用戶特征針對權益特征的測試響應率，并基于所述測試響應率調整預測模型。

可選的，所述基于所述測試響應率調整所述預測模型之前，還包括：

獲取每種權益類型的預測模型輸出的用戶特征針對權益特征的預設響應率。

可選的，所述基于所述測試響應率調整預測模型包括：

計算每種權益類型的預測模型輸出的用戶特征針對權益特征的預設響應率與其對應的測試響應率的差值，在所述差值大于等于預設閾值的情況下，基于所述差值調整預測模型。

可選的，所述基于所述測試響應率調整預測模型包括：

對所有權益類型的預測模型輸出的用戶特征針對權益特征的預設響應率進行排序，得到預設響應率的排序結果；

對所有權益類型的預測模型輸出的用戶特征針對權益特征的測試響應率進行排序，得到測試響應率的排序結果；