训练方法、系统、电子设备及可读介质技术方案

本发明专利技术实施例提供了一种训练方法、系统、电子设备及可读介质，所述方法包括：采用若干模型训练参数对待训练的模型进行训练；所述模型训练参数为分别基于从用户数据中获取的用户相同、维度不同的目标用户数据生成，所述用户数据为所述用户与应用程序的相关数据；当训练后的所述模型满足收敛条件时，将所述模型作为训练完成的用于预测用户卸载所述应用程序的卸载风险程度的卸载预测模型。本发明专利技术实施例可以通过多个维度的用户数据进行模型训练，因此得到能够准确预测用户卸载应用程序的卸载风险程度的卸载预测模型。风险程度的卸载预测模型。风险程度的卸载预测模型。

【技术实现步骤摘要】
训练方法、系统、电子设备及可读介质


[0001]本专利技术实施例涉及数据处理
，特别是涉及一种训练方法、一种卸载预测模型训练系统、一种电子设备以及一种计算机可读介质。

技术介绍

[0002]随着互联网技术的发展，用户通过在手机等移动设备中安装的应用程序(Application，APP)实现网络购物、网络找房、网络找工作等服务，不仅大大提高了人们生活的便利性，也丰富了生活的多样性。
[0003]在用户使用应用程序的过程中，可能会因为使用体验不好，例如推送(Push)数据过于频繁而将应用程序卸载，应用程序的卸载意味着企业花大量经费进行的用户拉新、促活成为泡影，因此只要用户不卸载应用程序，企业还有机会通过推送、外部调起等策略来盘活用户，为用户带来服务实现企业价值。但是，一旦用户卸载了应用程序，若要再次拉回此用户需要花费更高的成本。
[0004]因此，如何准确预测用户卸载应用程序的卸载风险程度，进而制定相应的卸载处理策略，降低企业经营成本，是一个亟待解决的问题。

技术实现思路

[0005]本专利技术实施例是提供一种训练方法、系统、电子设备以及计算机可读存储介质，以解决无法准确预测用户卸载应用程序的卸载风险程度的问题。
[0006]本专利技术实施例公开了一种训练方法，采用若干模型训练参数对待训练的模型进行训练；所述模型训练参数为分别基于从用户数据中获取的用户相同、维度不同的目标用户数据生成，所述用户数据为所述用户与应用程序的相关数据；
[0007]当训练后的所述模型满足收敛条件时，将所述模型作为训练完成的用于预测用户卸载所述应用程序的卸载风险程度的卸载预测模型。
[0008]可选地，所述待训练的模型的模型包括联邦学习聚合模型和联邦学习分模型，涉及联邦学习协作端，所述联邦学习协作端中包括联邦学习聚合模型，所述联邦学习协作端与至少一个联邦学习数据端互相通信，所述联邦学习数据端中包括联邦学习分模型，且本地存储有用户对应的用户数据，所述用户数据为所述用户与应用程序的相关数据；所述采用若干模型训练参数对待训练的模型进行训练，包括：
[0009]接收所述联邦学习数据端发送的梯度数据和损失数据；所述梯度数据和所述损失数据，为所述联邦学习数据端根据本地存储的目标用户数据以及其他联邦学习数据端发送的梯度数据和损失数据，迭代对所述联邦学习分模型训练后生成；其中，所述目标用户数据与其他联邦学习协作端用于对其他联邦学习模型训练的目标用户数据对应的用户相同；
[0010]采用所述梯度数据和所述损失数据对所述联邦学习聚合模型进行训练；
[0011]所述当训练后的所述模型满足收敛条件时，将所述模型作为训练完成的用于预测用户卸载所述应用程序的卸载风险程度的卸载预测模型，包括：
[0012]当训练后的所述联邦学习聚合模型满足收敛条件时，将所述联邦学习聚合模型和所述联邦学习分模型，作为训练完成的用于预测用户卸载所述应用程序的卸载风险程度的卸载预测模型。
[0013]可选地，所述用户数据至少包括：应用程序使用数据、应用程序性能数据、应用程序崩溃数据以及应用程序推送数据、公共基础数据以及卸载状态数据。
[0014]可选地，所述接收所述联邦学习数据端发送的梯度数据和损失数据，包括：
[0015]创建加密密钥和解密密钥；
[0016]向所述联邦学习数据端发送所述加密密钥；
[0017]接收所述联邦学习数据端发送采用所述加密密钥加密后的梯度数据和损失数据；
[0018]采用所述解密密钥对所述加密后的所述梯度数据和所述损失数据进行解密，得到解密后的所述梯度数据和所述损失数据。
[0019]可选地，在所述采用所述梯度数据和所述损失数据对所述联邦学习聚合模型进行训练之后，所述方法还包括：
[0020]当训练后的所述联邦学习聚合模型的损失数据小于预设阈值时，确定为训练后的所述联邦学习聚合模型满足收敛条件。
[0021]可选地，所述用户数据包括卸载状态数据，所述联邦学习数据端，用于向所述应用程序发送推送消息；若未接收到所述应用程序针对所述推送消息的回调消息，则将所述应用程序对应的用户的卸载状态数据记录为已卸载状态；若接收到所述应用程序针对所述推送消息的回调消息，则将所述应用程序对应的用户的卸载状态数据记录为未卸载状态。
[0022]可选地，所述用户数据包括卸载状态数据，所述联邦学习数据端，用于若不能通过其他应用程序打开所述应用程序，则将所述应用程序对应的用户的卸载状态数据记录为已卸载状态；若能够通过其他应用程序打开所述应用程序，则将所述应用程序对应的用户的卸载状态数据记录为未卸载状态。
[0023]本专利技术实施例还公开了一种卸载预测模型训练系统，包括联邦学习协作端和至少一个联邦学习数据端，所述联邦学习协作端中包括联邦学习聚合模型，所述联邦学习数据端中包括联邦学习分模型，且本地存储有用户对应的用户数据，所述用户数据为所述用户与应用程序的相关数据，其中：
[0024]所述联邦学习数据端，用于从所述用户数据中获取目标用户数据；所述目标用户数据与其他联邦学习协作端用于对所述其他联邦学习模型训练的目标用户数据对应的用户相同；获取所述其他联邦学习数据端发送的梯度数据和损失数据；采用所述目标用户数据，以及其他联邦学习数据端发送的梯度数据和损失数据迭代对所述联邦学习分模型进行训练，得到梯度数据和损失数据；
[0025]所述联邦学习协作端，用于接收所述联邦学习数据端发送的梯度数据和损失数据；采用所述梯度数据和所述损失数据对所述联邦学习聚合模型进行训练；当训练后的所述联邦学习聚合模型满足收敛条件时，将所述联邦学习聚合模型和所述联邦学习分模型，作为训练完成的用于预测用户卸载所述应用程序的卸载风险程度的卸载预测模型。
[0026]本专利技术实施例还公开了一种卸载预测方法，所述方法包括：
[0027]获取分卸载风险程度；所述分卸载风险程度为基于待预测用户的用户数据输入至卸载预测模型后所得，所述用户数据为待预测用户与应用程序的相关数据；
[0028]将所述分卸载风险程度输入至所述卸载预测模型，得到所述待预测用户对所述应用程序的聚合卸载风险程度；
[0029]根据所述聚合卸载风险程度生成针对所述待预测用户对应的卸载处理策略。
[0030]可选地，所述卸载预测模型包括训练完成的联邦学习聚合模型和训练完成的联邦学习分模型，所述分卸载风险程度为将待预测用户的用户数据输入至训练完成的联邦学习分模型后所得；所述将所述分卸载风险程度输入至所述卸载预测模型，得到所述待预测用户对所述应用程序的聚合卸载风险程度，包括：将所述分卸载风险程度输入至训练完成的联邦学习聚合模型，得到所述待预测用户对所述应用程序的聚合卸载风险程度。
[0031]本专利技术实施例还公开了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；
[0032]所述存储器，用于存放计算机程序本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种训练方法，其特征在于，包括：采用若干模型训练参数对待训练的模型进行训练；所述模型训练参数为分别基于从用户数据中获取的用户相同、维度不同的目标用户数据生成，所述用户数据为所述用户与应用程序的相关数据；当训练后的所述模型满足收敛条件时，将所述模型作为训练完成的用于预测用户卸载所述应用程序的卸载风险程度的卸载预测模型。2.根据权利要求1所述的方法，其特征在于，所述待训练的模型的模型包括联邦学习聚合模型和联邦学习分模型，涉及联邦学习协作端，所述联邦学习协作端中包括联邦学习聚合模型，所述联邦学习协作端与至少一个联邦学习数据端互相通信，所述联邦学习数据端中包括联邦学习分模型，且本地存储有用户对应的用户数据，所述用户数据为所述用户与应用程序的相关数据；所述采用若干模型训练参数对待训练的模型进行训练，包括：接收所述联邦学习数据端发送的梯度数据和损失数据；所述梯度数据和所述损失数据，为所述联邦学习数据端根据本地存储的目标用户数据以及其他联邦学习数据端发送的梯度数据和损失数据，迭代对所述联邦学习分模型训练后生成；其中，所述目标用户数据与其他联邦学习协作端用于对其他联邦学习模型训练的目标用户数据对应的用户相同；采用所述梯度数据和所述损失数据对所述联邦学习聚合模型进行训练；所述当训练后的所述模型满足收敛条件时，将所述模型作为训练完成的用于预测用户卸载所述应用程序的卸载风险程度的卸载预测模型，包括：当训练后的所述联邦学习聚合模型满足收敛条件时，将所述联邦学习聚合模型和所述联邦学习分模型，作为训练完成的用于预测用户卸载所述应用程序的卸载风险程度的卸载预测模型。3.根据权利要求2所述的方法，其特征在于，所述用户数据至少包括：应用程序使用数据、应用程序性能数据、应用程序崩溃数据以及应用程序推送数据、公共基础数据以及卸载状态数据。4.根据权利要求2所述的方法，其特征在于，所述接收所述联邦学习数据端发送的梯度数据和损失数据，包括：创建加密密钥和解密密钥；向所述联邦学习数据端发送所述加密密钥；接收所述联邦学习数据端发送采用所述加密密钥加密后的梯度数据和损失数据；采用所述解密密钥对所述加密后的所述梯度数据和所述损失数据进行解密，得到解密后的所述梯度数据和所述损失数据。5.根据权利要求2所述的方法，其特征在于，在所述采用所述梯度数据和所述损失数据对所述联邦学习聚合模型进行训练之后，所述方法还包括：当训练后的所述联邦学习聚合模型的损失数据小于预设阈值时，确定为训练后的所述联邦学习聚合模型满足收敛条件。6.根据权利要求2所述的方法，其特征在于，所述用户数据包括卸载状态数据，所述联邦学习数据端，用于向所述应用程序发送推送消息；若未接收到所述应用程序针对所述推送消息的回调消息，则将所述应用程序对应的用户的卸载状态数据记录为已卸载状态；若接收到所述应用程序针对所述推送消息的回调消息，则将所述应用程序对应的用户的卸载

【专利技术属性】
技术研发人员：彭飞，
申请(专利权)人：北京五八信息技术有限公司，
类型：发明
国别省市：