一种用户分类模型的训练、用户分类处理的方法及装置制造方法及图纸

本说明书实施例提供一种用户分类模型的训练、用户分类处理的方法及装置，用户分类模型包括图神经网络、第一分类网络和第二分类网络，该用户分类模型的训练方法包括：获取样本用户，其具有标签数据；在用户关系网络图中，以样本用户为目标节点，利用图神经网络对目标节点进行聚合；将所得的用户表征输入第一分类网络和第二分类网络，得到第一预测值和第二预测值，第一预测值表征样本用户属于由第一类用户和第二类用户构成的第一用户群的概率，第二预测值表征样本用户属于由第二类用户和第三类用户构成的第二用户群的概率；基于第一预测值和/或第二预测值，及标签数据，确定当前损失值；以最小化当前损失值为目标，调整用户分类模型的参数。模型的参数。模型的参数。

【技术实现步骤摘要】
一种用户分类模型的训练、用户分类处理的方法及装置


[0001]本说明书涉及数据处理
，尤其涉及一种用户分类模型的训练、用户分类处理的方法及装置。

技术介绍

[0002]目前，电商以及金融等服务平台为了促进用户在平台的活跃度，一般会制定一些激励政策和激励行为，以提高平台用户针对目标业务的响应积极性，进而提升用户在平台的活跃度。那么，如何确定出对激励政策和激励行为的认同度较高的用户，并对其进行定制化服务至关重要。相应的，如何提供一种用户分类模型的训练方法成为亟待解决的问题。

技术实现思路

[0003]本说明书一个或多个实施例提供了一种用户分类模型的训练、用户分类处理的方法及装置，以实现训练得到用户分类结果准确的用户分类模型。
[0004]根据第一方面，提供一种用户分类模型的训练方法，其中，所述用户分类模型包括图神经网络，第一分类网络和第二分类网络，所述方法包括：
[0005]获取样本用户，其具有标签数据，用于表征所述样本用户针对预定激励行为的响应行为；
[0006]在预先构建的用户关系网络图中，以该样本用户为目标节点，利用所述图神经网络对所述目标节点进行节点表征聚合，得到用户表征；
[0007]将所述用户表征分别输入所述第一分类网络和第二分类网络，得到第一预测值和第二预测值，所述第一预测值表征所述样本用户属于由第一类用户和第二类用户构成的第一用户群的概率，所述第二预测值表征所述样本用户属于由第二类用户和第三类用户构成的第二用户群的概率，其中，第一类用户恒具有所述响应行为，第二类用户仅在所述预定激励行为下具有响应行为，第三类用户恒不具有响应行为；
[0008]基于所述第一预测值和/或所述第二预测值，及所述标签数据，确定当前损失值；
[0009]以最小化所述当前损失值为目标，调整所述用户分类模型的参数。
[0010]根据第二方面，提供一种用户分类处理的方法，包括：
[0011]获取根据第一方面所述的方法训练得到的用户分类模型，其中包括图神经网络，第一分类网络和第二分类网络；
[0012]将各待处理用户输入所述用户分类模型，以利用所述图神经网络，第一分类网络和第二分类网络，确定各待处理用户对应的第一估计值和第二估计值，所述第一估计值表征所对应待处理用户属于由第一类用户和第二类用户构成的第一用户群的概率，所述第二估计值表征所对应待处理用户属于由第二类用户和第三类用户构成的第二用户群的概率，其中，第一类用户恒具有针对预定激励行为的响应行为，第二类用户仅在所述预定激励行为下具有响应行为，第三类用户恒不具有响应行为；
[0013]针对各待处理用户，基于该待处理用户对应的第一估计值和第二估计值，确定是
否针对该待处理用户实施所述预定激励行为。
[0014]根据第三方面，提供一种用户分类模型的训练装置，其中，所述用户分类模型包括图神经网络，第一分类网络和第二分类网络，所述装置包括：
[0015]第一获取模块，配置为获取样本用户，其具有标签数据，用于表征所述样本用户针对预定激励行为的响应行为；
[0016]聚合模块，配置为在预先构建的用户关系网络图中，以该样本用户为目标节点，利用所述图神经网络对所述目标节点进行节点表征聚合，得到用户表征；
[0017]输入得到模块，配置为将所述用户表征分别输入所述第一分类网络和第二分类网络，得到第一预测值和第二预测值，所述第一预测值表征所述样本用户属于由第一类用户和第二类用户构成的第一用户群的概率，所述第二预测值表征所述样本用户属于由第二类用户和第三类用户构成的第二用户群的概率，其中，第一类用户恒具有所述响应行为，第二类用户仅在所述预定激励行为下具有响应行为，第三类用户恒不具有响应行为；
[0018]第一确定模块，配置为基于所述第一预测值和/或所述第二预测值，及所述标签数据，确定当前损失值；
[0019]调整模块，配置为以最小化所述当前损失值为目标，调整所述用户分类模型的参数。
[0020]根据第四方面，提供一种用户分类处理的装置，包括：
[0021]第二获取模块，配置为获取根据第三方面所述的装置训练得到的用户分类模型，其中包括图神经网络，第一分类网络和第二分类网络；
[0022]第二确定模块，配置为将各待处理用户输入所述用户分类模型，以利用所述图神经网络，第一分类网络和第二分类网络，确定各待处理用户对应的第一估计值和第二估计值，所述第一估计值表征所对应待处理用户属于由第一类用户和第二类用户构成的第一用户群的概率，所述第二估计值表征所对应待处理用户属于由第二类用户和第三类用户构成的第二用户群的概率，其中，第一类用户恒具有针对预定激励行为的响应行为，第二类用户仅在所述预定激励行为下具有响应行为，第三类用户恒不具有响应行为；
[0023]第三确定模块，配置为针对各待处理用户，基于该待处理用户对应的第一估计值和第二估计值，确定与所述预定激励行为相关的处理方式。
[0024]根据第五方面，提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面所述的方法。
[0025]根据第六方面，提供一种计算设备，包括存储器和处理器，其中，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面所述的方法。
[0026]根据第七方面，提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第二方面所述的方法。
[0027]根据第八方面，提供一种计算设备，包括存储器和处理器，其中，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第二方面所述的方法。
[0028]根据本说明书实施例提供的方法及装置，首先在用户关系网络图中，以样本用户为目标节点，利用用户分类模型的图神经网络对目标节点进行节点表征聚合，得到聚合有其自身及邻居的属性特征的用户表征，其可以更全面准确的表征样本用户的特点，为用户的准确分类提供基础。接着，将用户表征分别输入用户分类模型的第一分类网络和第二分
类网络，以得到表征样本用户属于由第一类用户(恒具有响应行为)和第二类用户(仅在预定激励行为下具有响应行为)构成的第一用户群的概率的第一预测值，和表征样本用户属于由第二类用户和第三类用户(恒不具有响应行为)构成的第二用户群的概率的第二预测值。然后基于第一预测值和/或第二预测值，及用于表征样本用户针对预定激励行为的响应行为的标签数据，确定当前损失值，以最小化当前损失值为目标，调整用户分类模型的参数，实现对用户分类模型的训练，且图神经网络可以聚合得到可更全面准确的表征样本用户特点的用户表征，第一分类网络和第二分类网络可以联合学习到、确定出仅在预定激励行为下具有响应行为的用户(高需求用户)的能力，使得训练所得的用户分类模型的分类结果更准确。
附图说明
[0029]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户分类模型的训练方法，其中，所述用户分类模型包括图神经网络，第一分类网络和第二分类网络，所述方法包括：获取样本用户，其具有标签数据，用于表征所述样本用户针对预定激励行为的响应行为；在预先构建的用户关系网络图中，以该样本用户为目标节点，利用所述图神经网络对所述目标节点进行节点表征聚合，得到用户表征；将所述用户表征分别输入所述第一分类网络和第二分类网络，得到第一预测值和第二预测值，所述第一预测值表征所述样本用户属于由第一类用户和第二类用户构成的第一用户群的概率，所述第二预测值表征所述样本用户属于由第二类用户和第三类用户构成的第二用户群的概率，其中，第一类用户恒具有所述响应行为，第二类用户仅在所述预定激励行为下具有响应行为，第三类用户恒不具有响应行为；基于所述第一预测值和/或所述第二预测值，及所述标签数据，确定当前损失值；以最小化所述当前损失值为目标，调整所述用户分类模型的参数。2.如权利要求1所述的方法，其中，所述图神经网络包括k个聚合层；所述利用图神经网络对所述目标节点进行节点表征聚合，包括：依次在所述k个聚合层，针对目标节点执行k级向量聚合，其中，每级向量聚合包括，至少基于该目标节点的各个邻居节点的上一级聚合向量确定该目标节点的本级聚合向量，其中各节点的初级聚合向量根据对应用户的属性特征确定。3.如权利要求2所述的方法，至少基于该目标节点的各个邻居节点的上一级聚合向量确定该目标节点的本级聚合向量，包括：基于该目标节点的上一级聚合向量和所述各个邻居节点的上一级聚合向量，确定各个邻居节点相对于该目标节点的权重值；根据该目标节点的上一级聚合向量、所述各个邻居节点的上一级聚合向量及相对于该目标节点的权重值，确定该目标节点的本级聚合向量。4.如权利要求1所述的方法，其中所述样本用户选自用户样本集，所述用户样本集通过以下方式获得：将用户群组划分为未施加所述预定激励行为的对照组和施加了所述预定激励行为的测试组；根据所述用户群组中任意的第一用户所属的组别以及是否进行所述响应行为，确定所述第一用户的第一标签数据。5.如权利要求4所述的方法，其中，所述第一用户属于所述测试组；所述确定所述第一用户的第一标签数据，包括：若所述第一用户具有所述响应行为，将所述第一标签数据设置为包括属于所述第一类用户的第一标签和属于所述第二类用户的第二标签；若所述第一用户不具有所述响应行为，将所述第一标签数据设置为仅包括属于所述第三类用户的第三标签。6.如权利要求4所述的方法，其中，所述第一用户属于所述对照组；所述确定所述第一用户的第一标签数据，包括：若所述第一用户具有所述响应行为，将所述第一标签数据设置为仅包括属于所述第一
类用户的第一标签；若所述第一用户不具有所述响应行为，将所述第一标签数据设置为包括属于所述第二类用户的第二标签和属于所述第三类用户的第三标签。7.如权利要求1所述的方法，所述确定当前损失值，包括：若所述标签数据仅包括属于所述第一类用户的第一标签，基于所述第一预测值及所述标签数据，确定第一损失值；所述调整所述用户分类模型的参数，包括：以最小化所述第一损失值为目标，调整所述图神经网络和所述第一分类网络的参数。8.如权利要求1所述的方法，所述确定当前损失值，包括：若所述标签数据仅包括属于所述第三类用户的第三标签，基于所述第二预测值及所述标签数据，确定第二损失值；所述调整所述用户分类模型的参数，包括：以最小化所述第二损失值为目标，调整所述图神经网络和所述第二分类网络的参数。9.如权利要求1所述的方法，所述确定当前损失值，包括：若所述标签数据包括属于所述第二类用户的第二标签，基于所述第一预测值和所述第二预测值及所述标签数据，确定第三损失值；所述调整所述用户分类模型的参数，包括：以最小化所述第三损失值为目标，调整所述图神经网络、所述第一分类网络以及所述第二分类网络的参数。10.如权利要求1
‑
9中任一项所述的方法，其中，所述预定激励行为包括针对目标业务实施以下之一：发放用户权益，推送附加服务，提供折扣。11.一种用户分类处理的方法，包括：获取根据权利要求1的方法训练得到的用户分类模型，其中包括图神经网络，第一分类网络和第二分类网络；将各待处理用户输入所述用户分类模型，以利用所述图...

【专利技术属性】
技术研发人员：朱定元，王岱鑫，张志强，周俊，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：