[發明專利]獲取用戶屬性的方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202010106105.0
• 申請日: 2020-02-20
• 公開（公告）號: CN111260419A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 余加騰;丁家文;鄧琛;梁鷹;王剛;趙子穎;黃毓銘
• 申請（專利權）人: 世紀龍信息網絡有限責任公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 盧曉霞

1.一種獲取用戶屬性的方法，其特征在于，所述方法包括：

確定多維度的用戶行為特征；

獲取與所述多維度的用戶行為特征對應的樣本用戶行為數據，以及樣本用戶屬性；所述樣本用戶行為數據為樣本用戶的用戶行為數據；所述樣本用戶屬性為所述樣本用戶的用戶屬性；

將所述樣本用戶行為數據劃分為用戶行為訓練數據集以及用戶行為預測數據集；

基于所述樣本用戶屬性，利用所述用戶行為訓練數據集訓練得到初始預測模型，并獲取所述初始預測模型對所述用戶行為預測數據集的第一預測擬合度；

若所述第一預測擬合度滿足擬合度閾值，則將所述初始預測模型作為目標預測模型；

獲取與所述多維度的用戶行為特征對應的待分析用戶行為數據；所述待分析用戶行為數據為待分析用戶的用戶行為數據；

將所述待分析用戶行為數據輸入所述目標預測模型，得到所述待分析用戶的用戶屬性。

2.根據權利要求1所述的方法，其特征在于，所述基于所述樣本用戶屬性，利用所述用戶行為訓練數據集訓練得到初始預測模型，包括：

基于所述樣本用戶屬性，利用所述用戶行為訓練數據集對訓練模型進行訓練，得到預測損失率以及預測準確率；

根據所述預測損失率以及預測準確率，得到懲罰變量以及平滑梯度；

利用所述懲罰變量、平滑梯度以及所述用戶行為訓練數據集再次對所述訓練模型進行訓練，以使所述訓練模型的模型參數得到更新；

當所述訓練模型的訓練次數達到目標訓練次數時，基于所述訓練模型獲取所述初始預測模型。

3.根據權利要求2所述的方法，其特征在于，所述基于所述訓練模型獲取所述初始預測模型，包括：

獲取所述訓練模型的第二預測擬合度；

若所述第二預測擬合度滿足所述擬合度閾值，則將所述訓練模型作為所述初始預測模型。

4.根據權利要求3所述的方法，其特征在于，所述獲取所述訓練模型的第二預測擬合度之后，還包括：

若所述第二預測擬合度不滿足所述擬合度閾值，則對所述多維度的用戶行為特征進行更新。

5.根據權利要求1所述的方法，其特征在于，所述基于所述樣本用戶屬性，利用所述用戶行為訓練數據集訓練得到初始預測模型之前，還包括：

獲取用于對所述用戶行為訓練數據集進行混洗的最大化混合算子系數以及最小化混合算子系數；

通過混洗池，利用所述最大化混合算子系數以及最小化混合算子系數對所述用戶行為訓練數據集進行混洗，得到噪聲數據集；

所述基于所述樣本用戶屬性，利用所述用戶行為訓練數據集訓練得到初始預測模型，包括：

基于所述樣本用戶屬性，利用所述用戶行為訓練數據集以及所述噪聲數據集訓練得到所述初始預測模型。

6.根據權利要求1所述的方法，其特征在于，所述基于所述樣本用戶屬性，利用所述用戶行為訓練數據集訓練得到初始預測模型，并獲取所述初始預測模型對所述用戶行為預測數據集的第一預測擬合度之后，還包括：

若所述第一預測擬合度不滿足所述擬合度閾值，則對所述多維度的用戶行為特征進行更新。

7.根據權利要求1至6任意一項所述的方法，其特征在于，還包括：

獲取所述待分析用戶的用戶編碼；

根據所述用戶編碼，從預存有所述待分析用戶的用戶屬性的用戶數據庫中獲取與所述用戶編碼對應的所述待分析用戶的用戶屬性。