用户购买行为预测模型的构建方法、装置及计算机设备制造方法及图纸

本发明专利技术公开了一种用户购买行为预测模型的构建方法、装置及计算机设备，主要在于能够提高新场景下用户购买行为的预测精度。其中方法包括：获取与用户购买行为相关联的训练样本集和测试样本集；确定所述训练样本集中各个用户的属性特征向量对应的初始权重，并基于所述初始权重和所述训练样本集，构建初始用户购买行为预测模型；计算所述初始用户购买行为预测模型在所述测试样本集上的错误率；若所述错误率不满足预设要求，则通过更新所述初始权重，不断对所述初始用户行为购买模型进行迭代训练，直至任一迭代层级对应的用户购买行为预测模型的错误率满足预设要求，将其作为所述目标场景下的用户购买行为预测模型输出。场景下的用户购买行为预测模型输出。场景下的用户购买行为预测模型输出。

Construction method, device and computer equipment of user purchase behavior prediction model

【技术实现步骤摘要】
用户购买行为预测模型的构建方法、装置及计算机设备


[0001]本专利技术涉及人工智能领域，尤其是涉及一种用户购买行为预测模型的构建方法、装置及计算机设备。

技术介绍

[0002]用户购买行为的预测一直是各电商品台研究的重要课题，大型电商平台一般都沉淀了千万乃至数亿的用户，积累了海量的用户历史数据，并倾向于从用户历史数据中找出规律，去预测用户未来的购买行为。
[0003]目前，通常通过收集用户在旧场景中的大量历史数据，来构建旧场景下的预测模型，以便基于该预测模型对用户未来的购买行为进行预测。然而，由于在旧场景下已经积累了海量的真实数据，基于这些数据训练的模型可以对用户的购买行为进行有效预测，而对于一些新场景，其仅存在少量与用户购买行为相关的表现数据，利用少量数据构建的预测模型无法实现新场景下对用户购买行为的精准预测。

技术实现思路

[0004]本专利技术提供了一种用户购买行为预测模型的构建方法、装置及计算机设备，主要在于能够提高新场景下用户购买行为的预测精度。
[0005]根据本专利技术的第一个方面，提供一种用户购买行为预测模型的构建方法，包括：
[0006]获取与用户购买行为相关联的训练样本集和测试样本集，其中，所述训练样本集包括目标场景的目标域训练样本集和历史场景的源域训练样本集；
[0007]确定所述训练样本集中各个用户的属性特征向量对应的初始权重，并基于所述初始权重和所述训练样本集，构建初始用户购买行为预测模型；
[0008]计算所述初始用户购买行为预测模型在所述测试样本集上的错误率，其中，所述目标域训练样本集与所述测试样本集属于同一分布，所述源域训练样本集与所述测试样本集属于不同分布；
[0009]若所述错误率不满足预设要求，则通过更新所述初始权重，不断对所述初始用户行为购买模型进行迭代训练，直至任一迭代层级对应的用户购买行为预测模型的错误率满足预设要求，将其作为所述目标场景下的用户购买行为预测模型输出。
[0010]根据本专利技术的第二个方面，提供一种用户购买行为预测模型的构建装置，包括：
[0011]获取单元，用于获取与用户购买行为相关联的训练样本集和测试样本集，其中，所述训练样本集包括目标场景的目标域训练样本集和历史场景的源域训练样本集；
[0012]构建单元，用于确定所述训练样本集中各个用户的属性特征向量对应的初始权重，并基于所述初始权重和所述训练样本集，构建初始用户购买行为预测模型；
[0013]计算单元，用于计算所述初始用户购买行为预测模型在所述测试样本集上的错误率，其中，所述目标域训练样本集与所述测试样本集属于同一分布，所述源域训练样本集与所述测试样本集属于不同分布；
[0014]训练单元，用于若所述错误率不满足预设要求，则通过更新所述初始权重，不断对所述初始用户行为购买模型进行迭代训练，直至任一迭代层级对应的用户购买行为预测模型的错误率满足预设要求，将其作为所述目标场景下的用户购买行为预测模型输出。
[0015]根据本专利技术的第三个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
[0016]获取与用户购买行为相关联的训练样本集和测试样本集，其中，所述训练样本集包括目标场景的目标域训练样本集和历史场景的源域训练样本集；
[0017]确定所述训练样本集中各个用户的属性特征向量对应的初始权重，并基于所述初始权重和所述训练样本集，构建初始用户购买行为预测模型；
[0018]计算所述初始用户购买行为预测模型在所述测试样本集上的错误率，其中，所述目标域训练样本集与所述测试样本集属于同一分布，所述源域训练样本集与所述测试样本集属于不同分布；
[0019]若所述错误率不满足预设要求，则通过更新所述初始权重，不断对所述初始用户行为购买模型进行迭代训练，直至任一迭代层级对应的用户购买行为预测模型的错误率满足预设要求，将其作为所述目标场景下的用户购买行为预测模型输出。
[0020]根据本专利技术的第四个方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
[0021]获取与用户购买行为相关联的训练样本集和测试样本集，其中，所述训练样本集包括目标场景的目标域训练样本集和历史场景的源域训练样本集；
[0022]确定所述训练样本集中各个用户的属性特征向量对应的初始权重，并基于所述初始权重和所述训练样本集，构建初始用户购买行为预测模型；
[0023]计算所述初始用户购买行为预测模型在所述测试样本集上的错误率，其中，所述目标域训练样本集与所述测试样本集属于同一分布，所述源域训练样本集与所述测试样本集属于不同分布；
[0024]若所述错误率不满足预设要求，则通过更新所述初始权重，不断对所述初始用户行为购买模型进行迭代训练，直至任一迭代层级对应的用户购买行为预测模型的错误率满足预设要求，将其作为所述目标场景下的用户购买行为预测模型输出。
[0025]本专利技术提供的一种用户购买行为预测模型的构建方法、装置及计算机设备，与目前直接利用少量样本数据构建新场景下的预测模型的方式相比，本专利技术能够获取与用户购买行为相关联的训练样本集和测试样本集，其中，所述训练样本集包括目标场景的目标域训练样本集和历史场景的源域训练样本集；同时确定所述训练样本集中各个用户的属性特征向量对应的初始权重，并基于所述初始权重和所述训练样本集，构建初始用户购买行为预测模型；此外，计算所述初始用户购买行为预测模型在所述测试样本集上的错误率，其中，所述目标域训练样本集与所述测试样本集属于同一分布，所述源域训练样本集与所述测试样本集属于不同分布；若所述错误率不满足预设要求，则通过更新所述初始权重，不断对所述初始用户行为购买模型进行迭代训练，直至任一迭代层级对应的用户购买行为预测模型的错误率满足预设要求，将其作为所述目标场景下的用户购买行为预测模型输出。在本专利技术中，通过计算初始用户购买行为预测模型的错误率，能够不断对训练样本集中各个属性特征向量对应的权重进行更新，从而能够从历史场景中筛选出目标场景可用的样本数
据，并将其与目标场景下的少量样本数据结合，保证目标场景具有足够多的训练样本，进而能够提高目标场景下用户购买行为预测模型的预测精度。
附图说明
[0026]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0027]图1示出了本专利技术实施例提供的一种用户购买行为预测模型的构建方法流程图；
[0028]图2示出了本专利技术实施例提供的另一种用户购买行为预测模型的构建方法流程图；
[0029]图3示出了本专利技术实施例提供的一种用户购买行为预测模型的构建装置的结构示意图；
[0030]图4示出了本专利技术实施例提供的另一种用户购买行为预测模型的构建装置的结构示意图；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户购买行为预测模型的构建方法，其特征在于，包括：获取与用户购买行为相关联的训练样本集和测试样本集，其中，所述训练样本集包括目标场景的目标域训练样本集和历史场景的源域训练样本集；确定所述训练样本集中各个用户的属性特征向量对应的初始权重，并基于所述初始权重和所述训练样本集，构建初始用户购买行为预测模型；计算所述初始用户购买行为预测模型在所述测试样本集上的错误率，其中，所述目标域训练样本集与所述测试样本集属于同一分布，所述源域训练样本集与所述测试样本集属于不同分布；若所述错误率不满足预设要求，则通过更新所述初始权重，不断对所述初始用户行为购买模型进行迭代训练，直至任一迭代层级对应的用户购买行为预测模型的错误率满足预设要求，将其作为所述目标场景下的用户购买行为预测模型输出。2.根据权利要求1所述的方法，其特征在于，获取与用户购买行为相关联的训练样本集，包括：分别收集所述历史场景下各个用户的基础信息、行为信息、关联信息和消费信息，以及所述目标场景下各个用户的基础信息、行为信息、关联信息和消费信息；根据所述历史场景下各个用户的基础信息、行为信息、关联信息和消费信息，以及所述目标场景下各个用户的基础信息、行为信息、关联信息和消费信息，确定所述历史场景和所述目标场景分别对应的各个属性特征向量；根据所述历史场景下各个用户的实际购买行为和所述目标场景下各个用户的实际购买行为，确定所述历史场景和所述目标场景分别对应的各个属性特征向量的标签；根据所述历史场景下的各个属性特征向量及其对应的标签，以及所述目标场景下的各个属性特征向量及其对应的标签，分别确定所述源域训练样本集和所述目标域训练样本集，其中，所述源域训练样本集中属性特征向量的数量大于所述目标域训练样本集中属性特征向量的数量。3.根据权利要求2所述的方法，其特征在于，所述根据所述历史场景下各个用户的基础信息、行为信息、关联信息和消费信息，以及所述目标场景下各个用户的基础信息、行为信息、关联信息和消费信息，确定所述历史场景和所述目标场景分别对应的各个属性特征向量，包括：基于所述目标场景所针对的人群特征，分别对所述历史场景下各个用户的基础信息、行为信息、关联信息和消费信息，以及所述目标场景下各个用户的基础信息、行为信息、关联信息和消费信息进行信息维度筛选；基于所述历史场景下各个用户筛选后的信息，以及所述目标场景下各个用户筛选后的信息，确定所述历史场景和所述目标场景分别对应的各个属性特征向量。4.根据权利要求2所述的方法，其特征在于，获取与用户购买行为相关联的测试样本集，包括：从所述目标场景对应的各个属性特征向量中抽取未进行标注的预设数量的属性特征向量；根据所述未进行标注的预设数量的属性特征向量，确定所述测试样本集。5.根据权利要求1所述的方法，其特征在于，所述计算所述初始用户购买行为预测模型
在所述测试样...

【专利技术属性】
技术研发人员：刘妍，
申请(专利权)人：大箴杭州科技有限公司，
类型：发明
国别省市：