【技术实现步骤摘要】
在线预测模型的训练方法、装置、设备及存储介质
本申请涉及计算机
，具体涉及机器学习
，尤其涉及在线预测模型的训练方法、装置、设备及存储介质。
技术介绍
推荐系统是利用电子商务网站向用户提供物品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。传统的推荐系统基于固定推荐算法，未考虑用户线上实时行为，且对不同渠道的特征未做个性化处理，导致推荐模型泛化能力受限，进而降低了推荐系统的响应率和点击率。
技术实现思路
本申请实施例提供了一种在线预测模型的训练方法、装置、设备及存储介质。根据第一方面，提供了一种在线预测模型的训练方法，包括：获取用户的离线样本特征和在线样本特征，所述离线样本特征包括用户画像特征；基于用户的离线样本特征和在线样本特征，离线训练得到离线推荐模型；获取用户的最新在线特征，以及基于用户的所述最新在线特征，在线训练得到在线学习模型，所述在线学习模型用于使得所述最新在线特...
【技术保护点】
1.一种在线预测模型的训练方法，包括：/n获取用户的离线样本特征和在线样本特征，所述离线样本特征包括用户画像特征；/n基于用户的离线样本特征和在线样本特征，离线训练得到离线推荐模型；/n获取用户的最新在线特征，以及基于用户的所述最新在线特征，在线训练得到在线学习模型，所述在线学习模型用于使得所述最新在线特征适应于作为在线样本特征输入至已经训练好的离线推荐模型；/n将所述离线推荐模型同步至线上，以及将所述在线学习模型输出的所述最新在线特征输入至所述离线推荐模型，生成在线预测模型。/n
【技术特征摘要】
1.一种在线预测模型的训练方法，包括：
获取用户的离线样本特征和在线样本特征，所述离线样本特征包括用户画像特征；
基于用户的离线样本特征和在线样本特征，离线训练得到离线推荐模型；
获取用户的最新在线特征，以及基于用户的所述最新在线特征，在线训练得到在线学习模型，所述在线学习模型用于使得所述最新在线特征适应于作为在线样本特征输入至已经训练好的离线推荐模型；
将所述离线推荐模型同步至线上，以及将所述在线学习模型输出的所述最新在线特征输入至所述离线推荐模型，生成在线预测模型。
2.根据权利要求1所述的方法，所述离线推荐模型包括XGBoost模型或Wide&Deep模型。
3.根据权利要求1所述的方法，所述方法还包括:
将用户的所述最新在线特征同步至离线特征库，其中，所述离线特征库存储有用户的所述离线样本特征。
4.根据权利要求1或3所述的方法，所述方法还包括：
根据用户在线实时行为确定用户的在线样本特征，其中，所述用户在线实时行为包括用户在线操作行为。
5.根据权利要求1或4所述的方法，所述方法还包括：
根据所述在线预测模型的输出确定推荐系统中的推荐排序或点击率预估。
6.根据权利要求4所述的方法，所述离线推荐模型为XGBoost模型，所述基于用户的离线样本特征和在线样本特征，离线训练得到离线推荐模型包括：
将所述离线样本特征输入至XGBoost，生成所述离线样本特征的特征编码；
对所述在线样本特征进行特征编码，以及将所述在线样本特征的特征编码与离线样本特征的组合编码进行拼接；
将拼接结果输入至逻辑回归器中进行预测训练，得到训练好的离线推荐模型。
7.根据权利要求6所述的方法，所述基于用户的所述最新在线特征，在线训练得到在线学习模型，包括：
使用在线机器学习算法(FTRL)调整所述最新在线特征，使得所述最新在线特征适应于作为在线样本特征进行特征编码。
8.根据权利要求4所述的方法，所述离线推荐模型为Wide&Deep模型，所述基于用户的离线样本特征和在线样本特征，离线训练得到离线推荐模型包括：
将用户的所述离线样本特征输入至Deep层；
所述在线样本特征经特征工程后输入至Wide层；
将Wide层特征和Deep层特征拼接后输入至逻辑回归器中进行预测训练，得到训练好的离线推荐模型。
9.根据权利要求8所述的方法，所述基于用户的所述最新在线特征，在线训练得到在线学习模型，包括：
调整Wide层参数，使得所述最新在线特征适应于作为在线样本特征输入至Wide层。
10.一种在线预测模型的训练装置，包括：
获取单元，被配置为获取用户的离线样本特征和在线样本特征，所述离线样本特征包括用户画像特征；
离线训练单元，被配置为基于用户的离线样本特征和在线样本特征，离线训...
【专利技术属性】
技术研发人员：刘昊骋，李原，谢国斌，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。