用户分析模型训练方法、用户标签确定方法和装置制造方法及图纸

本申请涉及一种用户分析模型训练方法、用户标签确定方法和装置。所述方法包括：获取用户分析模型对应的至少一组模型参数作为种群个体；根据各种群个体的预测适应度进行聚类，得到多个子种群，根据各志愿客户端的可靠度进行聚类，得到多个子集群；子种群的预测适应度与匹配的子集群的可靠度正相关；将样本用户数据和子种群中的各种群个体发送给与子种群匹配的子集群中的各志愿客户端，使各志愿客户端反馈实际适应度；根据接收到的实际适应度进行遗传迭代处理，得到更新后的模型参数，直到达到迭代结束条件，得到训练后的目标用户分析模型。采用本方法能够提高用户分析模型的训练效率。率。率。

【技术实现步骤摘要】
用户分析模型训练方法、用户标签确定方法和装置


[0001]本申请涉及人工智能
，特别是涉及一种用户分析模型训练方法、用户标签确定方法和装置。

技术介绍

[0002]用户分析模型可以用于根据用户数据，进行用户画像、用户行为路径分析、用户粘性分析等。对用户分析模型进行训练的过程中，可以利用遗传算法来迭代优化模型参数。为了提高用户分析模型的分析准确度，往往需要使用大量样本用户数据对模型进行训练和优化，因此模型训练对计算资源需求量较大。
[0003]随着越来越多的计算任务对算力有较高的要求，出现了志愿计算项目，即志愿者提供自己的空闲计算资源来帮助需求方计算大型任务的一种分布式计算。需求方可以将大型计算任务拆分后发送给加入志愿计算项目的计算节点（可称为志愿客户端）进行计算，志愿客户端计算完成后将结果回传。
[0004]然而，志愿客户端存在易丢失和不稳定的特性，即志愿客户端可能收到任务后不返回结果，或结果回传时间较晚，因此，通过上述方式对用户分析模型训练，难以保障模型训练效率。

技术实现思路

[0005]基于此，有必要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户分析模型训练方法，其特征在于，所述方法包括：获取目标用户分析模型对应的至少一组模型参数，并将每组所述模型参数作为一个种群个体；根据各所述种群个体的预测适应度对各所述种群个体进行聚类，得到多个子种群，并根据各目标志愿客户端的可靠度对各所述目标志愿客户端进行聚类，得到多个子集群；所述可靠度用于表征所述目标志愿客户端反馈任务响应数据的可靠程度；根据各所述子种群对应的预测适应度和各所述子集群对应的可靠度，确定各所述子种群匹配的子集群，并将样本用户数据和所述子种群中的各种群个体发送给与所述子种群匹配的子集群中的各目标志愿客户端，以使各所述目标志愿客户端根据所述样本用户数据和所述种群个体反馈包含实际适应度的任务响应数据；所述子种群的预测适应度与匹配的子集群的可靠度正相关；根据接收到的实际适应度进行遗传迭代处理，得到更新后的模型参数，并执行所述将每组所述模型参数作为一个种群个体步骤，直到达到迭代结束条件，并基于当前实际适应度最高的模型参数，得到训练后的目标用户分析模型。2.根据权利要求1所述的方法，其特征在于，所述根据各所述种群个体的预测适应度对各所述种群个体进行聚类之前，所述方法还包括：采用蒙特卡洛估计法，构建所述目标用户分析模型的适应度计算函数的近似模型；基于所述近似模型确定各所述种群个体的预测适应度。3.根据权利要求1所述的方法，其特征在于，所述根据各所述种群个体的预测适应度对各所述种群个体进行聚类，得到多个子种群，包括：将各所述种群个体按照预测适应度大小进行排序，得到种群个体序列；根据预设分类策略，对所述种群个体序列进行划分，得到多个子种群。4.根据权利要求1所述的方法，其特征在于，所述根据各目标志愿客户端的可靠度对各所述目标志愿客户端进行聚类，得到多个子集群，包括：获取各目标志愿客户端的历史任务响应数据，并根据所述历史任务响应数据确定可靠度；将各所述目标志愿客户端按照可靠度大小进行排序，得到志愿客户端序列；根据预设分类策略，对所述志愿客户端序列进行划分，得到多个子集群。5.根据权利要求1所述的方法，其特征在于，所述子集群的数目与所述子种群的数目相同；所述根据各所述子种群对应的预测适应度和各所述子集群对应的可靠度，确定各所述子种群匹配的子集群，包括：将各所述子种群按照预测适应度大小排序，得到子种群序列，并将各所述子集群按照可靠度大小排序，得到子集群序列；将所述子种群序列和所述子集群序列中，序号相同的子种群和子集群相匹配。6.根据权利要求1所述的方法，其特征在于，所述根据接收到的实际适应度进行遗传迭代处理，得到更新后的模型参数，包括：接收各所述目标志...

【专利技术属性】
技术研发人员：谭雅文，苏军根，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：