动态扩量预测模型的构建方法技术

本发明专利技术提供了一种动态扩量预测模型的构建方法

【技术实现步骤摘要】
动态扩量预测模型的构建方法、预测方法和装置


[0001]本专利技术涉及计算机
，特别是涉及一种动态扩量预测模型的构建方法
、
预测方法和装置
。

技术介绍

[0002]在一些应用场景中，需要根据种子人群进行扩量，例如从预设用户池中找到相似的人群作为目标人群
。
专利文献
1(CN 112508609 A)
公开了一种扩量预测方法，该方法基于用户的画像特征以及用户针对终端上不同数据源执行的操作行为特征来进行扩量预测，能够得到较准确的预测结果
。
然而，还可以从其它角度进行扩量
。

技术实现思路

[0003]针对上述技术问题，本专利技术采用的技术方案为：
[0004]本专利技术实施例提供一种动态扩量模型构建方法，所述方法包括如下步骤：
[0005]S100
，获取训练用户集合中的用户的第一样本数据和第二样本数据；其中，所述训练用户集合包括正样本训练集合和负样本训练集合，所述正样本训练集合由目标人群组成，所述负样本训练集合由不属于目标人群的人群组成；所述第一样本数据包括用户对应的
APP
列表，所述第二样本数据包括用户对应的用户信息；所述用户信息至少包括用户
ID
和用户标签；
[0006]S200
，构建
Wide&Deep
模型；所述
Wide&Deep
模型关联
APP/>向量数据库和用户向量数据库，所述
APP
向量数据库的每行数据包括对应的
APP ID
和对应的
APP
向量，所述用户向量数据库的每行数据包括对应的用户信息和对应的用户向量；
[0007]S300
，将当前批次的样本数据中的第一样本数据输入到
Wide&Deep
模型中的
Deep
深度学习模型中，将第二样本数据输入到
Wide&Deep
模型中的
Wide
线性模型中，以得到所述
Wide&Deep
模型的输出结果；
[0008]S400
，基于当前批次所有样本的输出结果
、
样本标签获取当前损失函数值，并判断所述当前损失函数值是否符合预设的模型训练结束条件，若符合，则执行
S600
，否则，执行
S500
；
[0009]S500
，基于当前损失函数值对当前的初始动态扩量预测模型的网络参数以及对当前批次对应的第一样本数据对应的
APP
向量中的特征值进行调整，以更新所述
APP
向量数据库，并将下一批次的样本数据作为所述当前批次的样本数据，执行
S300
；
[0010]S600
，得到训练好的
Wide&Deep
模型，作为动态扩量预测模型
。
[0011]本专利技术另一实施例提供一种动态扩量预测方法，包括以下步骤：
[0012]获取待预测数据，所述待预测数据包括对应的用户信息和
APP
列表；
[0013]将所述待预测数据输入到对目标人群进行扩量的动态扩量预测模型中进行预测，得到对应的预测结果；其中，所述动态扩量预测模型通过权利要求1至6任一项所述的方法构建得到；
[0014]基于预测结果判断对应的用户是否属于目标人群
。
[0015]本专利技术另一实施例提供一种动态扩量预测装置，包括：
[0016]数据获取模块，用于获取待预测数据；所述待预测数据包括对应的用户信息和
APP
列表；
[0017]预测模块，用于将所述待预测数据输入到对目标人群进行扩量的动态扩量预测模型中进行预测，得到对应的预测结果；其中，所述动态扩量预测模型通过权利要求1至6任一项所述的方法构建得到；
[0018]判断模块，用于基于预测结果判断对应的用户是否属于目标人群
。
[0019]本专利技术至少具有以下有益效果：
[0020]本专利技术实施例提供的动态扩量方法，基于用户安装的
APP、
用户
ID
和用户标签，利用训练好的
Wide&Deep
模型对目标人群进行扩量，由于在对
Wide&Deep
模型的训练过程中，基于训练结果对
APP
向量进行了动态调整，从而能够使得对训练结果具有较大影响的特征的影响更加突出，进而能够提高预测准确性
。
附图说明
[0021]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0022]图1为本专利技术实施例提供的动态扩量预测模型的构建方法的流程图
。
具体实施方式
[0023]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0024]图1为本专利技术实施例提供的动态扩量预测模型的构建方法的流程图
。
[0025]本专利技术实施例提供一种动态扩量模型构建方法，如图1所示，所述方法可包括如下步骤：
[0026]S100
，获取训练用户集合中的用户的第一样本数据和第二样本数据；其中，所述训练用户集合包括正样本训练集合和负样本训练集合，所述正样本训练集合由目标人群组成，所述负样本训练集合由不属于目标人群的人群组成；所述第一样本数据包括用户对应的
APP
列表，所述第二样本数据包括用户对应的用户信息；所述用户信息至少包括用户
ID
和用户标签
。
[0027]在本专利技术实施例中，目标人群可为种子人群，可由需求方提供，例如，偏好视频类的人群
、
偏好游戏类的人群等
。
正样本训练集合中的第一样本数据可基于需求方提供的用户
ID
确定，用户
ID
可以为加密的电话号码
、
设备
ID、IMEI、IDFA
等能够将用户唯一关联起来的信息
。
正样本训练集合中的用户标签可基于需求方提供的用户
ID
确定
。
在本专利技术实施例中，用户标签本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种动态扩量模型构建方法，其特征在于，所述方法包括如下步骤：
S100
，获取训练用户集合中的用户的第一样本数据和第二样本数据；其中，所述训练用户集合包括正样本训练集合和负样本训练集合，所述正样本训练集合由目标人群组成，所述负样本训练集合由不属于目标人群的人群组成；所述第一样本数据包括用户对应的
APP
列表，所述第二样本数据包括用户对应的用户信息；所述用户信息至少包括用户
ID
和用户标签；
S200
，构建
Wide&Deep
模型；所述
Wide&Deep
模型关联
APP
向量数据库和用户向量数据库，所述
APP
向量数据库的每行数据包括对应的
APP ID
和对应的
APP
向量，所述用户向量数据库的每行数据包括对应的用户信息和对应的用户向量；
S300
，将当前批次的样本数据中的第一样本数据输入到
Wide&Deep
模型中的
Deep
深度学习模型中，将第二样本数据输入到
Wide&Deep
模型中的
Wide
线性模型中，以得到所述
Wide&Deep
模型的输出结果；
S400
，基于当前批次所有样本的输出结果
、
样本标签获取当前损失函数值，并判断所述当前损失函数值是否符合预设的模型训练结束条件，若符合，则执行
S600
，否则，执行
S500
；
S500
，基于当前损失函数值对当前的初始动态扩量预测模型的网络参数以及对当前批次对应的第一样本数据对应的
APP
向量中的特征值进行调整，以更新所述
APP
向量数据库，并将下一批次的样本数据作为所述当前批次的样本数据，执行
S300
；
S600
，得到训练好的
Wide&Deep
模型，作为动态扩量预测模型
。2.
根据权利要求1所述的方法，其特征在于，在
S300
中，所述
Deep
线性模型用于执行如下操作：
S301
，基...

【专利技术属性】
技术研发人员：董霖，莫志强，陈志勇，尹雅露，
申请(专利权)人：每日互动股份有限公司，
类型：发明
国别省市：