[發明專利]模型訓練方法和裝置、行為預測方法和裝置、設備、介質

在審

• 申請號: 202210582876.6
• 申請日: 2022-05-26
• 公開（公告）號: CN114912537A
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 殷子墨
• 申請（專利權）人: 中國平安人壽保險股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 廖慧賢

本申請實施例提供了一種模型訓練方法和裝置、行為預測方法和裝置、設備、介質，屬于人工智能技術領域。該方法包括：獲取樣本用戶的樣本數據；樣本數據包括樣本基本信息和樣本行為數據，樣本數據包括歷史行為、歷史次數、歷史時間；并根據歷史時間進行時段分類，得到至少兩個預設時段；計算每一歷史行為的歷史占比；歷史占比是在其中一個預設時段實施歷史行為的歷史次數與在所有預設時段實施歷史行為的歷史次數總和之間的比值；根據歷史占比計算行為評估值；行為評估值用于評估樣本用戶的行為規律性；根據行為評估值從樣本數據篩選出訓練樣本；根據訓練樣本進行模型訓練，得到行為預測模型。本申請實施例能夠提高模型的訓練效率和準確率。

技術領域

本申請涉及人工智能技術領域，尤其涉及一種模型訓練方法和裝置、行為預測方法和裝置、設備、介質。

背景技術

人工智能中的預測方法有很多應用場景，例如天氣預測、溫度預測、趨勢預測(例如商品價格趨勢等)、行為預測等；常用的預測方法的原理包括：通過帶有樣本特征的標注數據對預測模型進行訓練，將待預測的數據輸入到訓練好的預測模型進行預測，得到預測結果。而，通常，帶有樣本特征的標注數據的數據量非常大，模型訓練的成本高(包括時間成本和經濟成本)；且有些標注數據的選取并不合適，對預測模型的訓練效果不好，訓練難度大。

發明內容

本申請實施例的主要目的在于提出一種模型訓練方法和裝置、行為預測方法和裝置、設備、介質，旨在提高模型的訓練效率和準確率。

為實現上述目的，本申請實施例的第一方面提出了一種模型訓練方法，所述模型訓練方法包括：

獲取樣本用戶的樣本數據；所述樣本數據包括所述樣本用戶的樣本基本信息和樣本行為數據，所述樣本行為數據包括歷史行為、對應每一所述歷史行為的歷史次數、歷史時間，所述歷史時間為每一所述歷史行為所發生的時間；

根據所述歷史時間進行時段分類，得到至少兩個預設時段；

計算每一所述歷史行為的歷史占比；所述歷史占比是在其中一個所述預設時段實施所述歷史行為的歷史次數與在所有所述預設時段實施所述歷史行為的歷史次數總和之間的比值；

根據所述歷史占比計算行為評估值；所述行為評估值用于評估所述樣本用戶的行為規律性；

根據所述行為評估值從所述樣本數據篩選出訓練樣本；

根據所述訓練樣本進行模型訓練，得到行為預測模型。

在一些實施例，所述根據所述行為評估值從所述樣本數據篩選出訓練樣本，包括：

獲取預設的參考評估值；

比較所述行為評估值和所述參考評估值之間的大小關系；

將小于所述參考評估值的行為評估值所對應的樣本數據確定為所述訓練樣本。

在一些實施例，在所述獲取預設的參考評估值之前，所述模型訓練方法還包括：計算所述參考評估值，具體包括：

獲取參考用戶的參考數據；其中，所述參考數據包括參考基本信息、參考行為、每一所述參考行為的參考次數和參考時間；所述參考用戶為虛擬用戶，所述參考行為是所述虛擬用戶虛擬的實施行為，所述參考時間是所述虛擬用戶模擬實施每一所述參考行為的模擬時間；

根據所述參考時間進行時段分類，得到參考時段；所述參考次數是所述虛擬用戶在所述參考時段模擬實施每一所述參考行為的模擬次數；

計算每一所述參考行為的參考占比；所述參考占比是每一所述參考行為的參考次數與所有所述參考行為的參考次數總和之間的比值；

根據所述參考占比計算所述參考評估值；所述參考評估值用于評估所述參考用戶的行為規律性。

在一些實施例，所述根據所述訓練樣本進行模型訓練，得到行為預測模型，包括：