[发明专利]行为预测方法、模型训练方法、装置、服务器及存储介质

权利要求书

1.一种行为的预测方法，其特征在于，所述方法包括：

获取目标用户的用户历史行为数据；

按预设的至少一个第一变量，从所述用户历史行为数据中获得各个第一变量的变量值；所述各个第一变量为预先由人工构造的变量；

对所述用户历史行为数据进行预处理，获得标准格式的用户历史行为数据；

将所述各个第一变量的变量值和标准格式的用户历史行为数据输入预先训练好的行为预测模型中；所述行为预测模型包括第一子模型和第二子模型；

所述第一子模型，对输入的所述标准格式的用户历史行为数据进行处理，获得各个第二变量的变量值；所述第一子模型为预先使用标准格式的第一样本数据集，对初始第一子模型进行训练后获得的；

所述第二子模型，对输入的各个第一变量的变量值和所述各个第二变量的变量值进行处理，获得所述目标用户执行每种行为的预测概率；所述第二子模型为：预先使用第一样本数据集中的各个第一变量的样本变量值和各个第二变量的样本变量值，对初始第二子模型进行训练获得的；所述各个第二变量的样本变量值为：预先使用标准格式的第一样本数据集输入训练完成的所述第一子模型获得的；

从所述第二子模型获得的目标用户执行每种行为的预测概率中，选择预测概率最大的行为，作为预测结果。

2.根据权利要求1所述的方法，其特征在于，所述对所述目标用户的用户历史行为数据进行预处理，获得标准格式的用户历史行为数据的步骤，包括：

将所述目标用户的用户历史行为数据进行所述定长、分类和编码的预处理，获得标准格式的用户历史行为数据。

3.根据权利要求1所述的方法，其特征在于，所述行为预测模型还包括：变量合并层；

所述第一子模型，进一步将获得的获得各个第二变量的变量值输入所述变量合并层；

所述变量合并层，将所述各个第一变量的变量值和各个第二变量的变量值合并后，输入到第二子模型；

所述第二子模型，对合并后的各个第一变量的变量值和所述各个第二变量的变量值进行处理，获得所述目标用户执行每种行为的预测概率。

4.根据权利要求2所述的方法，其特征在于，所述第一子模型的训练过程，包括：

获取第一样本数据集；所述第一样本数据集为时序样本数据集，包括用户历史行为样本数据；

将所述第一样本数据集进行所述定长、分类和编码的预处理，获得标准格式的第一样本数据集；

确定第一子模型架构，所述架构包括：输入层、一层双向循环神经网络RNN、三层全连接层网络BP和输出层；其中，所述输入层、一层双向循环神经网络RNN、三层全连接层网络BP和输出层依次级联组成；所述三层BP包括：第一层BP、第二层BP和第三层BP，所述第一层BP级联在所述一层双向RNN之后，所述第二层BP级联在所述第一层BP之后，所述第三层BP级联在所述第二层BP之后；

从预设超参数范围内随机搜索多个超参数，将所述多个超参数进行组合得到n个超参数组合，基于所述n个超参数组合和所述第一子模型架构确定n个预设第一子模型，每个预设的第一子模型对应一个超参数组合，n为正整数；

随机初始化所述n个预设第一子模型的初始参数，获得n个初始第一子模型；其中，所述n个预设第一子模型的初始参数在预设的参数范围内呈正态分布；

将所述标准格式的第一样本数据集输入所述n个初始第一子模型，进行训练，获得所述n个初始第一子模型训练完成后的模型参数；

所述n个初始第一子模型，分别基于所述训练完成后的模型参数，输出n个样本目标概率集；

根据所述n个初始第一子模型输出的样本目标概率集计算n个特征曲线下的面积AUC；

比较所述n个AUC，将AUC最大值所对应的所述初始第一子模型确定为训练完成的第一子模型。