跨场景预测模型训练方法及预测方法技术

本说明书公开了一种跨场景预测模型训练方法及预测方法

【技术实现步骤摘要】
跨场景预测模型训练方法及预测方法、装置及存储介质


[0001]本说明书涉及人工智能
，尤其涉及一种跨场景预测模型训练方法及场景预测方法
、
装置及存储介质
。

技术介绍

[0002]近年来，随着信息技术的快速发展，软件服务商为用户提供服务时，会基于相同服务场景下用户的历史行为对用户在该服务场景下未来的行为进行预测，为了优化用户使用体验，软件服务商在每个服务场景下均需要提供各自的用户行为预测服务
。

技术实现思路

[0003]本说明书提供了一种跨场景预测模型训练方法及预测方法
、
装置及存储介质，所述技术方案如下：
[0004]第一方面，本说明书提供了一种跨场景预测模型训练方法，所述方法包括：
[0005]创建初始跨场景预测模型；
[0006]获取样本用户的样本用户特征序列，所述样本用户特征序列基于所述样本用户在至少两个第一样本场景下的样本场景用户行为事件确定；
[0007]基于所述样本用户特征序列和样本场景用户行为事件对所述初始跨场景预测模型进行至少一轮模型训练，在每一轮模型训练过程中确定所述初始跨场景预测模型输出的所述样本用户在第二样本场景下的样本用户行为预测事件；
[0008]基于所述样本用户行为预测事件和样本用户真实行为事件确定模型损失值，采用所述模型损失值对所述初始跨场景预测模型进行模型参数调整，得到目标跨场景预测模型
。
[0009]第二方面，本说明书提供了一种跨场景用户行为预测方法，所述方法包括：
[0010]获取目标用户对应的目标用户特征序列和在目标场景下的目标用户行为事件；
[0011]对所述目标场景用户行为事件和所述目标用户特征序列采用目标跨场景预测模型，确定所述目标用户在参考场景下的参考用户行为预测事件
。
[0012]第三方面，本说明书提供了一种跨场景预测模型训练装置，所述装置包括：
[0013]创建模块，适于创建初始跨场景预测模型；
[0014]确定模块，适于获取样本用户的样本用户特征序列，所述样本用户特征序列基于所述样本用户在至少两个第一样本场景下的样本场景用户行为事件确定；
[0015]预测模块，适于基于所述样本用户特征序列和样本场景用户行为事件对所述初始跨场景预测模型进行至少一轮模型训练，在每一轮模型训练过程中确定所述初始跨场景预测模型输出的所述样本用户在第二样本场景下的样本用户行为预测事件；
[0016]目标跨场景预测模型确定模块，适于基于所述样本用户行为预测事件和样本用户真实行为事件确定模型损失值，采用所述模型损失值对所述初始跨场景预测模型进行模型参数调整，得到目标跨场景预测模型
。
[0017]第四方面，本说明书提供了一种跨场景用户行为预测装置，所述装置包括：
[0018]获取模块，适于获取目标用户对应的目标用户特征序列和在目标场景下的目标用户行为事件；
[0019]参考用户行为预测事件预测模块，适于对所述目标场景用户行为事件和所述目标用户特征序列采用目标跨场景预测模型，确定所述目标用户在参考场景下的参考用户行为预测事件
。
[0020]第五方面，本说明书提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤
。
[0021]第六方面，本说明书提供一种电子设备，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤
。
[0022]第七方面，本说明书提供一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由处理器加载并执行上述的方法步骤
。
[0023]本说明书一些实施例提供的技术方案带来的有益效果至少包括：通过初始跨场景预测模型学习样本用户在至少两个第一样本场景下的样本场景用户行为事件对应的样本用户特征序列，从而学习样本用户的跨场景行为习惯，并基于跨场景行为习惯来预测样本用户的样本场景用户行为事件对应的在第二样本场景下的样本用户行为预测事件，之后，基于样本用户行为预测事件和样本用户真实行为事件确定模型损失值，采用模型损失值对初始跨场景预测模型进行模型参数调整，得到目标跨场景预测模型
。
通过不断的对初始跨场景预测模型进行训练，使得初始跨场景预测模型可以不断进行模型参数调整，进而不断学习样本用户的跨场景行为习惯，从而提高样本用户行为预测事件的预测准确率
。
附图说明
[0024]为了更清楚地说明本说明书或现有技术中的技术方案，下面将对实施例或现有技术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说明书的一些实施例，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
。
[0025]图1本说明书提供的一种跨场景预测模型训练系统的场景示意图；
[0026]图2是为本说明书一个或多个实施例提供了一种跨场景预测模型训练方法的流程示意图；
[0027]图3是本说明书一个或多个实施例提出的一种跨场景预测模型训练方法的另一种实施例的流程示意图；
[0028]图4是本说明书一个或多个实施例提出的一种预测样本用户在第二样本场景下的样本用户行为预测事件的实施例的流程示意图；
[0029]图5是本说明书一个或多个实施例提出的一种确定模型损失值的实施例的流程示意图；
[0030]图6是本说明书一个或多个实施例提出的又一种跨场景预测模型训练方法的实施例的流程示意图；
[0031]图7是本说明书一个或多个实施例提出的另一种确定模型损失值的实施例的流程示意图；
[0032]图8是本说明书一个或多个实施例提出的一种进行模型参数调整的实施例的流程示意图；
[0033]图9是本说明书一个或多个实施例提出的一种进行模型参数调整的实施例的流程示意图；
[0034]图
10
为本说明书一个或多个实施例提供了一种跨场景用户行为预测方法的流程示意图；
[0035]图
11
为本说明书一个或多个实施例提供了一种采用目标跨场景预测模型确定目标用户在参考场景下的参考用户行为预测事件的流程示意图；
[0036]图
12
是本说明书的跨场景预测模型训练装置的结构示意图；
[0037]图
13
是本说明书的跨场景用户行为预测装置的结构示意图；
[0038]图
14
是本说明书提供的一种电子设备的结构示意图；
[0039]图
15
是本说明书提供的操作系统和用户空间的结构示意图；
[0040]图
16
是图
15
中安卓操作系统的架构图；
[0041]图
17
是图
15...

【技术保护点】

【技术特征摘要】
1.
一种跨场景预测模型训练方法，所述方法包括：创建初始跨场景预测模型；获取样本用户的样本用户特征序列，所述样本用户特征序列基于所述样本用户在至少两个第一样本场景下的样本场景用户行为事件确定；基于所述样本用户特征序列和样本场景用户行为事件对所述初始跨场景预测模型进行至少一轮模型训练，在每一轮模型训练过程中确定所述初始跨场景预测模型输出的所述样本用户在第二样本场景下的样本用户行为预测事件；基于所述样本用户行为预测事件和样本用户真实行为事件确定模型损失值，采用所述模型损失值对所述初始跨场景预测模型进行模型参数调整，得到目标跨场景预测模型
。2.
根据权利要求1所述的方法，所述基于所述样本用户特征序列和样本场景用户行为事件对所述初始跨场景预测模型进行至少一轮模型训练，在每一轮模型训练过程中确定所述初始跨场景预测模型输出的所述样本用户在第二样本场景下的样本用户行为预测事件，包括：将所述样本用户特征序列和样本场景用户行为事件输入初始跨场景预测模型进行至少一轮模型训练；在每一轮模型训练过程中通过所述初始跨场景预测模型从所述样本用户特征序列中确定用户跨场景行为特征，并基于所述用户跨场景行为特征和所述样本场景用户行为事件预测所述样本用户在第二样本场景下的样本用户行为预测事件
。3.
根据权利要求2所述的方法，所述基于所述用户跨场景行为特征和所述样本场景用户行为事件预测所述样本用户在第二样本场景下的样本用户行为预测事件，包括：确定在所述样本场景用户行为事件发生前的样本用户历史行为事件；基于所述用户跨场景行为特征确定所述样本场景用户行为事件对应的第一事件激励特征和第一事件抑制特征；基于所述用户跨场景行为特征确定所述样本用户历史行为事件对应的第二事件激励特征和第二事件抑制特征；基于所述第一事件激励特征和所述第一事件抑制特征
、
所述第二事件激励特征和所述第二事件抑制特征预测所述样本用户在第二样本场景下的样本用户行为预测事件
。4.
根据权利要求1所述的方法，所述基于所述样本用户行为预测事件和样本用户真实行为事件确定模型损失值，包括：基于所述初始跨场景预测模型确定所述样本用户行为预测事件的似然估计项；基于所述样本用户真实行为事件对应的真实事件类型和所述样本用户行为预测事件的预测事件类型构建第一损失项；基于所述第一损失项减去所述似然估计项构建第一损失函数并得到所述第一损失函数对应的第一损失值，将所述第一损失值作为模型损失值
。5.
根据权利要求1所述的方法，所述基于所述样本用户特征序列和样本场景用户行为事件对所述初始跨场景预测模型进行至少一轮模型训练，在每一轮模型训练过程中确定所述初始跨场景预测模型输出的所述样本用户在第二样本场景下的样本用户行为预测事件，包括：确定所述样本场景用户行为事件对应的事件时间；
基于所述样本用户特征序列
、
样本场景用户行为事件和所述样本场景用户行为事件对应的事件时间对所述初始跨场景预测模型进行至少一轮模型训练，在每一轮模型训练过程中确定所述初始跨场景预测模型输出的所述样本用户在第二样本场景下的样本用户行为预测事件和与所述样本用户行为预测事件对应的样本用户行为预测事件时间；所述基于所述样本用户行为预测事件和样本用户真实行为事件确定模型损失值，包括：基于所述样本用户行为预测事件和样本用户真实行为事件
、
所述样本用户行为预测事件时间和真实事件时间确定模型损失值
。6.
根据权利要求5所述的方法，所述基于所述样本用户行为预测事件和样本用户真实行为事件
、
所...

【专利技术属性】
技术研发人员：唐浩，
申请(专利权)人：支付宝中国网络技术有限公司，
类型：发明
国别省市：