用户分析模型优化方法及装置制造方法及图纸

本发明专利技术公开了一种用户行为分析模型的优化方法及装置，涉及数据处理技术领域，主要目的在于解决现有用户行为分析模型精确度较低的问题。包括：获取半监督共享模型并将所述半监督共享模型发布至区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地，而所述半监督共享模型用于基于半监督用户数据分析用户行为；接收所述各个节点上传的子模型参数，所述子模型参数为各个节点基于本地数据通过半监督学习得到的；根据所述子模型参数对所述半监督共享模型进行优化。主要用于用户行为分析模型的优化。主要用于用户行为分析模型的优化。主要用于用户行为分析模型的优化。

【技术实现步骤摘要】
用户分析模型优化方法及装置


[0001]本专利技术涉及数据处理
，特别是涉及一种用户分析模型优化方法及装置。

技术介绍

[0002]随着互联网技术不断发展，电子时代已经融入到了身边各行各业中，餐饮、出行、金融等，电商更是与生活紧密相关，其中跨境电子商务建立了生产企业与个体批发商、零售商乃至消费者的直接联系，有效减少了商品流转成本。
[0003]目前，现有对跨境电商用户分析时，由于电商数据分布在多个电商平台中，电商数据不集中，这使得用户分析模型构建能力较差，而在单一电商平台下，由于用户消费习惯与标注成本的问题，良好的数据标签往往很难获取，个人购物记录无法采集并标注足量的训练样本，甚至部分场景中完全没有标签，这使得基于现有用户数据所构建的用户行为分析模型精确度较低。

技术实现思路

[0004]有鉴于此，本专利技术提供一种用户行为分析模型的优化方法及装置、存储介质、终端，主要目的在于解决现有用户行为分析模型精确度较低的问题。
[0005]依据本专利技术一个方面，提供了一种用户行为分析模型的优化方法，包括：
[0006]获取半监督共享模型并将所述半监督共享模型发布至区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地，而所述半监督共享模型用于基于半监督用户数据分析用户行为；
[0007]接收所述各个节点上传的子模型参数，所述子模型参数为各个节点基于本地数据通过半监督学习得到的；
[0008]根据所述子模型参数对所述半监督共享模型进行优化。<br/>[0009]进一步地，所述根据所述子模型参数对所述半监督共享模型的参数进行优化包括：
[0010]根据与所述各个节点分别对应的子模型参数计算加权平均值；
[0011]利用所述加权平均值对所述半监督共享模型的参数进行更新。
[0012]进一步地，所述获取半监督共享模型并将所述半监督共享模型发布至区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地之后，所述方法还包括：
[0013]所述各个节点基于第一数据和第二数据并利用所述半监督共享模型分别进行半监督学习，得到与各个节点分别对应的子模型参数，所述第一数据为与节点对应的标签数据，所述第二数据为与节点对应的非标签数据；
[0014]所述各个节点将所述子模型参数上传至所述区块链网路中。
[0015]进一步地，所述所述各个节点基于第一数据和第二数据并利用所述半监督共享模型分别进行半监督学习包括：
[0016]所述各个节点根据所述第一数据和所述第二数据分别计算第一损失函数和第二损失函数，所述第一损失函数为域混淆损失函数，所述第二损失函数为域分类损失函数；
[0017]当所述第一损失函数和所述第二损失函数达到平衡状态时，将当前模型参数确定为所述子模型参数，所述平衡状态用于标识所述半监督共享模型对所述第一数据和所述第二数据的处理结果满足预设条件。
[0018]进一步地，所述所述各个节点基于第一数据和第二数据并利用所述半监督共享模型分别进行半监督学习还包括：
[0019]所述各个节点基于所述第一数据和所述第二数据分别计算第三损失函数，所述第三损失函数用于标识所述半监督共享模型学习所述第二数据效果；
[0020]根据所述第三损失函数对所述子模型参数进行更新。
[0021]进一步地，所述根据所述子模型参数对所述半监督共享模型进行优化之后，所述方法还包括：
[0022]根据样本数据校验优化后的半监督共享模型是否完全收敛；
[0023]所述获取半监督共享模型并将所述半监督共享模型发布至区块链网络中包括：
[0024]若根据样本数据校验优化后的半监督共享模型未完全收敛，则获取所述优化后的半监督共享模型并发布至所述区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地。
[0025]进一步地，所述方法还包括：
[0026]若根据样本数据校验优化后的半监督共享模型完全收敛，则将所述优化后的半监督共享模型发布至所述区块链网络中，以使得所述各个节点根据所述优化后的半监督共享模型分析用户行为。
[0027]依据本专利技术另一个方面，提供了一种用户行为分析模型的优化装置，包括：
[0028]获取模块，用于获取半监督共享模型；
[0029]发布模块，用于将所述获取模块获取的所述半监督共享模型发布至区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地，而所述半监督共享模型用于基于半监督用户数据分析用户行为；
[0030]接收模块，用于接收所述各个节点上传的子模型参数，所述子模型参数为各个节点基于本地数据通过半监督学习得到的；
[0031]优化模块，用于根据所述子模型参数对所述半监督共享模型进行优化。
[0032]进一步地，所述优化模块包括：
[0033]第一计算单元，用于根据与所述各个节点分别对应的子模型参数计算加权平均值；
[0034]第一更新单元，用于利用所述加权平均值对所述半监督共享模型的参数进行更新。
[0035]进一步地，所述装置还包括：
[0036]半监督学习模块，用于所述各个节点基于第一数据和第二数据并利用所述半监督共享模型分别进行半监督学习，得到与各个节点分别对应的子模型参数，所述第一数据为与节点对应的标签数据，所述第二数据为与节点对应的非标签数据；
[0037]上传模块，用于所述各个节点将所述子模型参数上传至所述区块链网路中。
[0038]进一步地，所述半监督学习模块包括：
[0039]第二计算单元，用于所述各个节点根据所述第一数据和所述第二数据分别计算第一损失函数和第二损失函数，所述第一损失函数为域混淆损失函数，所述第二损失函数为域分类损失函数；
[0040]确定单元，用于当所述第一损失函数和所述第二损失函数达到平衡状态时，将当前模型参数确定为所述子模型参数，所述平衡状态用于标识所述半监督共享模型对所述第一数据和所述第二数据的处理结果满足预设条件。
[0041]进一步地，所述半监督学习模块还包括：
[0042]第三计算单元，用于所述各个节点基于所述第一数据和所述第二数据分别计算第三损失函数，所述第三损失函数用于标识所述半监督共享模型学习所述第二数据效果；
[0043]第二更新单元，用于根据所述第三损失函数对所述子模型参数进行更新。
[0044]进一步地，所述装置还包括：
[0045]校验模块，用于根据样本数据校验优化后的半监督共享模型是否完全收敛。
[0046]进一步地，
[0047]所述发布模块，还用于若根据样本数据校验优化后的半监督共享模型未完全收敛，则获取所述优化后的半监督共享模型并发布至所述区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地。
[0048]进一步地，
[0049]所述发布模块，还用于若本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户行为分析模型的优化方法，其特征在于，包括：获取半监督共享模型并将所述半监督共享模型发布至区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地，而所述半监督共享模型用于基于半监督用户数据分析用户行为；接收所述各个节点上传的子模型参数，所述子模型参数为各个节点基于本地数据通过半监督学习得到的；根据所述子模型参数对所述半监督共享模型进行优化。2.根据权利要求1所述的方法，其特征在于，所述根据所述子模型参数对所述半监督共享模型的参数进行优化包括：根据与所述各个节点分别对应的子模型参数计算加权平均值；利用所述加权平均值对所述半监督共享模型的参数进行更新。3.根据权利要求1所述的方法，其特征在于，所述获取半监督共享模型并将所述半监督共享模型发布至区块链网络中，以使得所述区块链网络中的各个节点将所述半监督共享模型下载至本地之后，所述方法还包括：所述各个节点基于第一数据和第二数据并利用所述半监督共享模型分别进行半监督学习，得到与各个节点分别对应的子模型参数，所述第一数据为与节点对应的标签数据，所述第二数据为与节点对应的非标签数据；所述各个节点将所述子模型参数上传至所述区块链网路中。4.根据权利要求3所述的方法，其特征在于，所述所述各个节点基于第一数据和第二数据并利用所述半监督共享模型分别进行半监督学习包括：所述各个节点根据所述第一数据和所述第二数据分别计算第一损失函数和第二损失函数，所述第一损失函数为域混淆损失函数，所述第二损失函数为域分类损失函数；当所述第一损失函数和所述第二损失函数达到平衡状态时，将当前模型参数确定为所述子模型参数，所述平衡状态用于标识所述半监督共享模型对所述第一数据和所述第二数据的处理结果满足预设条件。5.根据权利要求3或4所述的方法，其特征在于，所述所述各个节点基于第一数据和第二数据并利用所述半监督共享模型分别进行半监督学习还包括：所述各个节点基于所述第一数据和所述第二数据分别计算第三损失函数，所述第三损...

【专利技术属性】
技术研发人员：范进，宋子龙，温志龙，
申请(专利权)人：盐城矩阵运营管理有限公司，
类型：发明
国别省市：