一种训练方法、预测方法、装置及电子设备制造方法及图纸

本申请实施例涉及一种训练方法、预测方法、装置及电子设备。方法包括：将第一样本数据集的第一样本数据和第一样本数据对应的用户社交特征作为第一中间预测模型的输入，得到第一预测结果；将第一样本数据作为第二中间预测模型的输入，得到第二预测结果；将第一样本数据对应的第一预测结果和第二预测结果作为目标预测模型的输入，将第一样本数据对应的标签作为目标预测模型的输出，训练目标预测模型；第一中间预测模型基于第二样本数据集的第二样本数据和第二样本数据对应的历史用户社交特征训练得到；第二中间预测模型基于第三样本数据集的第三样本数据训练得到；第一样本数据集、第二样本数据集和第三样本数据集具有同维度的特征数据。

【技术实现步骤摘要】
一种训练方法、预测方法、装置及电子设备
本申请实施例涉及深度学习
，尤其涉及一种训练方法、预测方法、装置及电子设备。
技术介绍
深度学习是机器学习中一种基于对数据进行表征学习的方法。目前比较常见的深度学习应用是使用深度学习来训练预测模型，预测模型可以对一些信息进行预测。以预测用户相关信息为例，目前训练预测模型的方式是将用户的相关属性抽象成若干个变量(如性别，年龄，地理位置等)，之后根据这些变量联合用户样本数据，进行模型训练。当前阶段，预测模型的开发已相对成熟，基于现有用户的相关属性难以再进一步提预测模型的准确率。
技术实现思路
本申请实施例的目的是提供一种训练方法、预测方法、装置及电子设备，用于提高预测模型的准确率。为了实现上述目的，本申请实施例采用下述技术方案：第一方面，本申请实施例提供一种预测模型的训练方法，包括：将第一样本数据集中的第一样本数据和所述第一样本数据对应的用户社交特征作为第一中间预测模型的输入，预测得到所述第一样本数据对应的第一预测结果，其中，所述第一中间预测模型基于第二样本数据集中的第二样本数据和所述第二样本数据对应的历史用户社交特征训练得到；将所述第一样本数据作为第二中间预测模型的输入，预测得到所述第一样本数据对应的第二预测结果，其中，所述第二中间预测模型基于第三样本数据集中的第三样本数据训练得到；将所述第一样本数据对应的第一预测结果和第二预测结果作为目标预测模型的输入，将所述第一样本数据对应的标签作为所述目标预测模型的输出，对所述目标预测模型进行训练；其中，所述第一样本数据集、所述第二样本数据集和所述第三样本数据集具有相同维度的特征数据。第二方面，本申请实施例提供了一种预测方法，包括：将用户的指定特征数据和所述指定特征数据对应的用户社交特征作为第一中间预测模型的输入，预测得到所述指定特征数据对应的第一预测结果；其中，第一中间预测模型基于第二样本数据集中的第二样本数据和所述第二样本数据对应的历史用户社交特征训练得到；将所述指定特征数据作为第二中间预测模型的输入，预测得到所述指定特征数据对应的第二预测结果，其中，所述第二中间预测模型基于第三样本数据集中的第三样本数据训练得到；将所述指定特征数据对应的第一预测结果和第二预测结果作为目标预测模型的输入，得到所述指定特征数据对应的目标预测结果，其中，所述目标预测模型基于第一样本数据集中的第一样本数据在所述第一中间预测模型和所述第二中间预测模型对应的预测结果训练得到；其中，所述指定特征数据、所述第一样本数据集、所述第二样本数据集和所述第三样本数据集具有相同维度的特征数据。第三方面，本申请实施例提供了一种预测模型的训练方法，包括：将第一样本数据集中的第一样本数据和第一样本数据对应的用户社交特征作为中间预测模型的输入，预测得到所述第一样本数据对应的预测结果，其中，所述中间预测模型基于第二样本数据集中的第二样本数据和所述第二样本数据对应的历史用户社交特征数据训练得到；将所述第一样本数据、所述第一样本数据对应的预测结果作为目标预测模型的输入，将所述第一样本数据对应的标签作为所述目标预测模型的输出，对所述目标预测模型进行训练；其中，所述第一样本数据集和所述第二样本数据集具有相同维度的特征数据。第四方面，本申请实施例提供了一种预测方法，包括：将用户的指定特征数据和所述指定特征数据对应的用户社交特征作为第一中间预测模型的输入，预测得到所述指定特征数据对应的第一预测结果；其中，第一中间预测模型基于第二样本数据集中的第二样本数据和所述第二样本数据对应的历史用户社交特征训练得到；将所述指定特征数据对应的第一预测结果作为目标预测模型的输入，得到所述指定特征数据对应的目标预测结果，其中，所述目标预测模型基于第一样本数据集中的第一样本数据在第一中间预测模型对应的预测结果训练得到；其中，所述指定特征数据、所述第一样本数据集、所述第二样本数据集具有相同维度的特征数据。第五方面，本申请实施例提供了一种预测模型的训练装置，包括：第一预测模块，将第一样本数据集中的第一样本数据和所述第一样本数据对应的用户社交特征作为第一中间预测模型的输入，预测得到所述第一样本数据对应的第一预测结果，其中，所述第一中间预测模型基于第二样本数据集中的第二样本数据和所述第二样本数据对应的历史用户社交特征训练得到；第二预测模块，将所述第一样本数据作为第二中间预测模型的输入，预测得到所述第一样本数据对应的第二预测结果，其中，所述第二中间预测模型基于第三样本数据集中的第三样本数据训练得到；第一训练模型块，将所述第一样本数据对应的第一预测结果和第二预测结果作为目标预测模型的输入，将所述第一样本数据对应的标签作为所述目标预测模型的输出，对所述目标预测模型进行训练；其中，所述第一样本数据集、所述第二样本数据集和所述第三样本数据集具有相同维度的特征数据。第六方面，本申请实施例提供了一种预测装置，包括：第三预测模块，将用户的指定特征数据和所述指定特征数据对应的用户社交特征作为第一中间预测模型的输入，预测得到所述指定特征数据对应的第一预测结果；其中，第一中间预测模型基于第二样本数据集中的第二样本数据和所述第二样本数据对应的历史用户社交特征训练得到；第四预测模块，将所述指定特征数据作为第二中间预测模型的输入，预测得到所述指定特征数据对应的第二预测结果，其中，所述第二中间预测模型基于第三样本数据集中的第三样本数据训练得到；第五预测模块，将所述指定特征数据对应的第一预测结果和第二预测结果作为目标预测模型的输入，得到所述指定特征数据对应的目标预测结果，其中，所述目标预测模型基于第一样本数据集中的第一样本数据在所述第一中间预测模型和所述第二中间预测模型对应的预测结果训练得到；其中，所述指定特征数据、所述第一样本数据集、所述第二样本数据集和所述第三样本数据集具有相同维度的特征数据。第七方面，本申请实施例提供了一种预测模型的训练装置，包括：第六预测模块，将第一样本数据集中的第一样本数据和第一样本数据对应的用户社交特征作为中间预测模型的输入，预测得到所述第一样本数据对应的预测结果，其中，所述中间预测模型基于第二样本数据集中的第二样本数据和所述第二样本数据对应的历史用户社交特征数据训练得到；第二训练模型块，将所述第一样本数据、所述第一样本数据对应的预测结果作为目标预测模型的输入，将所述第一样本数据对应的标签作为所述目标预测模型的输出，对所述目标预测模型进行训练；其中，所述第一样本数据集和所述第二样本数据集具有相同维度的特征数据。第八方面，本申请实施例提供了一种预测装置，包括：第七预测模块，将用户的指定特征数据和所述指定特征数据对应的用户社交特征作为第一中间预测模型的输入，预测得到所述指定特征数据对应的第一预测结果；其中，第一中间预测模型基于第二样本数据集中的第二样本数据和所述第二样本数据对应的历史用户社交特征训练得到；第八预测模块，将所述指定特征数据对应的第一预测结果作为目标预测模型的输入，得到所述指定特征数据对应的目标预测结果，其中，所述目标预测模型基于第一样本数据集中的第一样本数据在第一中间预测模型对应的预测结果训练得到；其中，所述指定特征数据、所述第一样本数据集、所述第二样本数据集具有相同维度的特征数据。第九方面本文档来自技高网...

【技术保护点】
1.一种预测模型的训练方法，包括：将第一样本数据集中的第一样本数据和所述第一样本数据对应的用户社交特征作为第一中间预测模型的输入，预测所述第一样本数据对应的第一预测结果，其中，所述第一中间预测模型基于第二样本数据集中的第二样本数据和所述第二样本数据对应的历史用户社交特征训练得到；将所述第一样本数据作为第二中间预测模型的输入，预测得到所述第一样本数据对应的第二预测结果，其中，所述第二中间预测模型基于第三样本数据集中的第三样本数据训练得到；将所述第一样本数据对应的第一预测结果和第二预测结果作为目标预测模型的输入，将所述第一样本数据对应的标签作为所述目标预测模型的输出，对所述目标预测模型进行训练；其中，所述第一样本数据集、所述第二样本数据集和所述第三样本数据集具有相同维度的特征数据。

【技术特征摘要】
1.一种预测模型的训练方法，包括：将第一样本数据集中的第一样本数据和所述第一样本数据对应的用户社交特征作为第一中间预测模型的输入，预测所述第一样本数据对应的第一预测结果，其中，所述第一中间预测模型基于第二样本数据集中的第二样本数据和所述第二样本数据对应的历史用户社交特征训练得到；将所述第一样本数据作为第二中间预测模型的输入，预测得到所述第一样本数据对应的第二预测结果，其中，所述第二中间预测模型基于第三样本数据集中的第三样本数据训练得到；将所述第一样本数据对应的第一预测结果和第二预测结果作为目标预测模型的输入，将所述第一样本数据对应的标签作为所述目标预测模型的输出，对所述目标预测模型进行训练；其中，所述第一样本数据集、所述第二样本数据集和所述第三样本数据集具有相同维度的特征数据。2.根据权利要求1所述的训练方法，所述第一样本数据对应的用户社交特征是所述第一样本数据的用户在指定图模型对应的节点的特征向量，所述第二样本数据对应的历史用户社交特征是所述第二样本数据的用户在所述指定图模型对应的节点的特征向量；其中，所述指定图模型基于第四样本集中的第四样本数据对应的用户社交信息训练得到，所述指定图模型中节点的特征向量用于表示节点对应的用户的社交关系。3.根据权利要求2所述的训练方法，所述第四样本数据集中的样本数据的发生时间段位于所述第一样本数据集中的样本数据的发生时间段之前。4.根据权利要求1所述的训练方法，所述第二样本数据集中的样本数据的发生时间段位于所述第一样本数据集中的样本数据的发生时间段之前；所述第三样本数据集中的样本数据的发生时间段位于所述第一样本数据集中的样本数据的发生时间段之前。5.根据权利要求1-4中任一项所述的训练方法，所述第一中间预测模型为迭代决策树模型、逻辑回归模型、随机森林模型、朴素贝叶斯型和支持向量机模型中的任一者；所述第二中间预测模型为迭代决策树模型、逻辑回归模型、随机森林模型、朴素贝叶斯型和支持向量机模型中的任一者；所述目标预测模型为迭代决策树模型、逻辑回归模型、随机森林模型、朴素贝叶斯型和支持向量机模型中的任一者。6.根据权利要求1-4中任一项所述的训练方法，所述第一样本数据集、所述第二样本数据集和所述第三样本数据集中的样本数据均为信贷风险样本数据，所述目标预测模型为用于信贷风险预测的深度学习模型。7.一种预测方法，包括：将用户的指定特征数据和所述指定特征数据对应的用户社交特征作为第一中间预测模型的输入，预测得到所述指定特征数据对应的第一预测结果；其中，所述第一中间预测模型基于第二样本数据集中的第二样本数据和所述第二样本数据对应的历史用户社交特征训练得到；将所述指定特征数据作为第二中间预测模型的输入，预测得到所述指定特征数据对应的第二预测结果，其中，所述第二中间预测模型基于第三样本数据集中的第三样本数据训练得到；将所述指定特征数据对应的第一预测结果和第二预测结果作为目标预测模型的输入，得到所述指定特征数据对应的目标预测结果，其中，所述目标预测模型基于第一样本数据集中的第一样本数据在所述第一中间预测模型和所述第二中间预测模型对应的预测结果训练得到；其中，所述指定特征数据、所述第一样本数据集、所述第二样本数据集和所述第三样本数据集具有相同维度的特征数据。8.一种预测模型的训练方法，包括：将第一样本数据集中的第一样本数据和第一样本数据对应的用户社交特征作为中间预测模型的输入，预测得到所述第一样本数据对应的预测结果，其中，所述中间预测模型基于第二样本数据集中的第二样本数据和所述第二样本数据对应的历史用户社交特征数据训练得到；将所述第一样本数据、所述第一样本数据对应的预测结果作为目标预测模型的输入，将所述第一样本数据对应的标签作为所述目标预测模型的输出，对所述目标预测模型进行训练；其中，所述第一样本数据集和所述第二样本数据集具有相同维度的特征数据。9.一种预测方法，包括：将用户的指定特征数据和所述指定特征数据对应的用户社交特征作为中间预测模型的输入，预测得到所述指定特征数据对应的第一预测结果；其中，所述中间预测模型基于第二样本数据集中的第二样本数据和所述第二样本数据对应的历史用户社交特征训练得到；将所述指定特征数据对应的第一预测结果作为目标预测模型的输入，得到所述指定特征数据对应的目标预测结果，其中，所述目标预测模型基于第一样本数据集中的第一样本数据在中间预测模型对应的预测结果训练得到；其中，所述指定特征数据、所述第一样本数据集、所述第二样本数据集具有相同维度的特征数据。10.一种预测模型的训练装置，包括：第一预测模块，将第一样本数据集中的第一样本数据和所述第一样本数据对应的用户社交特征作为第一中间预测模型的输入，预测得到所述第一样本数据对应的第一预测结果，其中，所述第一中间预测模型基于第二样本数据集中的第二样本数据和所述第二样本数据对应的历史用户社交特征训练得到；第二预测模块，将所述第一样本数据作为第二中间预测模型的输入，预测得到所述第一样本数据对应的第二预测结果，其中，所述第二中间预测模型基于第三样本数据集中的第三样本数据训练得到；第一训练模型块，将所述第一样本数据对应的第一预测结果和第二预测结果作为目标预测模型的输入，将所述第一样本数据对应的标签作为所述目标预测模型的输出，对所述目标预测模型进行训练；其中，所述第一样本数据集、所述第二样本数据集和所述第三样本数据集具有相同维度的特征数据。11.一种预测装置，包括：第三预测模块，将用户的指定特征数据和所述指定特征数据对应的用户社交特征作为第一中间预测模型的输入，预测得到所述指定特征数据对应的第一预测结果；其中，第一中间预测模型基于第二样本数据集中的第二样本数据和所述第二样本数据对应的历史用户社交特征训练得到；第四预测模块，将所述指定特征数据作为第二中间预测模型的输入，预测得...

【专利技术属性】
技术研发人员：林建滨，张志强，方精丽，方彦明，周俊，李小龙，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY