[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

说明书

本发明实施例提供了行为预测方法、模型训练方法、装置、服务器及存储介质，其中，行为预测方法包括：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；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；从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。第一变量和第二变量合并使得变量增加，因而训练的行为预测模型更加精确，使得目标用户行为的预测结果也更加精确。

技术领域

本发明涉及用户数据处理领域，特别是涉及一种行为预测方法、模型训练方法、装置、服务器及存储介质。

背景技术

为了对用户行为进行预测，相关技术中，采集大量的用户已经执行的行为时序数据，将这些行为时序数据作为训练样本对行为预测模型进行训练，使用训练好的行为预测模型对用户未来的行为进行预测。

在训练模型前，通常需要相关工作人员结合实际情况人工构造特征变量，根据人工构造的变量去训练相应的行为预测模型，使用训练好的行为预测模型对用户未来的行为进行预测，计算出用户每种行为的概率，将概率最大的行为作为预测结果。

具体的，模型训练过程通常包括：

通过服务器采集用户已经执行的行为时序数据，作为样本数据集，根据经验人工构造特征变量；再将样本数据集根据人工构造的特征变量的规则进行压缩，得到压缩后的样本数据集；最后将压缩后的样本数据集输入人工选择或者随机搜索的n个超参数组合对应的n个预设神经网络模型，开始进行模型训练。

通过梯度下降的方法进行迭代，计算出每一个预设神经网络模型的模型参数，再计算每一个神经网络模型的样本概率集。

最后计算出每一个神经网络模型的样本概率集的特征曲线下的面积AUC，比较n个AUC，选择AUC值最大的那个预设神经网络模型为最终的神经网络模型。

上述训练过程中，特征变量的构造，直接影响到模型的精确度。由于实际情况下人工构造的特征变量数量有限，导致模型精确度有限。因此，用这样的方式训练出的行为预测模型进行行为预测，最后获得的用户每种行为的概率不够精确，对用户的预测结果也不精确。

发明内容

本发明实施例的目的在于提供一种行为预测方法、模型训练方法、装置、服务器及存储介质，以提高目标用户行为预测的精确性。具体技术方案如下：

一种行为的预测方法，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；