[發明專利]用戶消費行為預測模型訓練方法、裝置、設備及存儲介質

有效

• 申請號: 202010093642.6
• 申請日: 2020-02-14
• 公開（公告）號: CN111311000B
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 王鑫;雅斯尼侯穆迪;馬哈市雷;帕特里克羅本特斯特;米珂拉市三塔;楊思逸
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N20/00;G06N10/00
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 張娜;劉芳

1.一種用戶消費行為的預測模型的訓練方法，其特征在于，所述預測模型為廣義線性模型，所述方法包括：

從數據庫獲取訓練數據和測試數據，構成訓練集和測試集，并通過量子隨機存取存儲器將所述訓練數據和所述測試數據映射為量子態，其中任一所述訓練數據和所述測試數據包括多維度輸入特征向量以及對應的用戶消費行為的標注信息，所述多維度輸入特征包括用戶屬性特征和/或目標物品屬性特征；

對于任一訓練數據，根據預設的逆連接函數和學習速率參數以及當前訓練次數所對應的損失量子門，采用量子計算處理器更新損失函數值和權重向量的量子態，以獲取所述預測模型的權重向量的量子態；

對于每一訓練數據得到的權重向量的量子態，根據所述測試數據采用量子計算處理器進行測試，獲取每一訓練數據得到的權重向量的量子態對應的風險值，根據所有風險值中的最小值對應的權重向量的量子態得到訓練后用戶消費行為的預測模型。

2.根據權利要求1所述的方法，其特征在于，所述在根據預設的逆連接函數和學習速率參數以及當前訓練次數所對應的損失量子門，采用量子計算處理器更新損失函數值和權重向量的量子態，以獲取所述預測模型的權重向量的量子態之前，還包括：

獲取預測模型的初始化的權重向量、初始化的損失函數值、初始化的損失量子門、預設的逆連接函數和學習速率參數。

3.根據權利要求2所述的方法，其特征在于，所述根據預設的逆連接函數和學習速率參數以及當前訓練次數所對應的損失量子門，采用量子計算處理器更新當前的損失函數值和權重向量的量子態，包括：

根據當前權重向量、歷史的損失函數值以及所述學習速率參數，采用量子計算處理器獲取權重向量與訓練數據的多維度輸入特征向量之間的第一內積；

根據所述第一內積、所述逆連接函數、所述學習速率參數以及所述訓練數據的標注信息更新損失函數值，并將損失函數值輸入所述當前訓練次數所對應的損失量子門，更新權重向量的量子態。

4.根據權利要求3所述的方法，其特征在于，所述根據當前權重向量、歷史的損失函數值以及所述學習速率參數，采用量子計算處理器獲取權重向量與訓練數據的多維度輸入特征向量之間的第一內積，包括：

根據歷史的損失函數值獲取最大權重向量；

根據所述訓練數據、所述當前權重向量、所述最大權重向量、以及所述學習速率參數，采用量子計算處理器計算與第一內積相關的中間變量；

根據所述與第一內積相關的中間變量獲取所述第一內積。

5.根據權利要求4所述的方法，其特征在于，所述對于每一訓練數據得到的權重向量的量子態，根據所述測試數據采用量子計算處理器進行測試，獲取每一訓練數據得到的權重向量的量子態對應的風險值，包括：

每一訓練數據得到的權重向量的量子態，根據所述測試集中每一測試數據、當前權重向量、所述最大權重向量、以及所述學習速率參數，采用量子計算處理器計算權重向量與測試數據中多維度輸入特征向量之間的第二內積；

根據所述第二內積、所述逆連接函數以及所述測試數據的標注信息得到的權重向量的量子態對應的風險值。

6.根據權利要求5所述的方法，其特征在于，所述根據所述測試集中每一測試數據、當前權重向量、所述最大權重向量、以及所述學習速率參數，采用量子計算處理器計算權重向量與測試數據中多維度輸入特征向量之間的第二內積，包括：

根據所述測試數據、當前權重向量、所述最大權重向量、以及所述學習速率參數，采用量子計算處理器計算與第二內積相關的中間變量；

根據所述與第二內積相關的中間變量獲取所述權重向量與訓練數據中多維度輸入特征向量之間的內積。

7.根據權利要求1-6任一項所述的方法，其特征在于，所述根據所有風險值中的最小值對應的權重向量的量子態得到訓練后用戶消費行為的預測模型，包括：

將所有風險值中的最小值對應的權重向量的量子態映射為權重向量，并根據該權重向量得到訓練后用戶消費行為的預測模型。