[发明专利]基于迁移学习的信息识别模型的识别方法、装置、设备

说明书

本发明实施例公开了一种基于迁移学习的信息识别模型的识别方法、装置、设备及存储介质。该方法包括：获取多个区域的业务数据；分别提取多个区域的业务数据中的第一特征信息；采用预设的特征提取分析模型提取多个区域的第一特征信息中相同的第二特征信息；基于多个区域中包括第二特征信息的业务数据进行训练得到共有参数；将共有参数迁移到区域的预设第二逻辑回归模型上，识别计算各区域的用户携出率。本发明实施例提供的基于迁移学习的信息识别模型的识别方法、装置、设备及存储介质，通过将通用的共有参数迁移至各区域的特征参数中，降低了各区域分别建立识别模型过程中的工作量及时长，提升了识别模型识别过程的精确度。

技术领域

本发明涉及移动通信技术领域，尤其涉及一种基于迁移学习的信息识别模型的识别方法、装置、设备及存储介质。

背景技术

目前通信行业用户的普及逐渐饱和，新增存量的用户主要靠挖对手用户来实现，随着携号转网的实施，为防止携号转网业务对运营商目前的市场带来冲击，迫切需要建立一种数学模型对潜在的携出预警用户进行预测，提前进行维系。

但是目前因为各个区域(省)携出用户的数据量比较少，模型无法充分学习携出用户的特征，模型容易出现欠拟合的现象，预测效果不理想。

若通过对潜在的携出预警用户进行专家打分，因为对业务人员依赖性高，存在较大的主观因素影响，效果也十分不准确。

所以现在在对各个区域单独进行预测时，因为需要单独建立模型的原因，存在重复建立携出用户识别模型，工作量大且耗费时间长，效果欠佳的问题。

发明内容

本发明实施例提供一种基于迁移学习的信息识别模型的识别方法、装置、设备及存储介质，可以根据各个区域的携出用户的特征信息建立通用模型并输出通用参数，再将通用参数迁移到包括各区域特征信息的各区域模型中并进行优化，使用优化后的模型识别各个区域的用户潜在易携出的概率，降低了各区域分别建立识别模型过程中的工作量及时长，提升了识别模型识别过程的精确度。

第一方面，提供了一种基于迁移学习的信息识别模型的训练方法，该信息识别模型用于识别用户潜在易携出的概率，该方法包括：

获取多个区域的业务数据；

分别提取多个区域的业务数据中的第一特征信息；

采用预设的特征提取分析模型提取多个区域的第一特征信息中相同的第二特征信息；

基于多个区域中包括第二特征信息的业务数据进行训练得到第一逻辑回归模型，第一逻辑回归模型包括输出参数；

将第一逻辑回归模型的输出参数分别迁移到至少一个区域的预设第二逻辑回归模型上，基于至少一个区域的业务数据分别对相应区域的预设第二逻辑回归模型进行优化得到优化后的至少一个第二逻辑回归模型。

在第一方面的一些实现方式中，分别提取多个区域的业务数据中的第一特征信息，包括：

分别提取多个区域的业务数据中至少一个第一特征信息。

在第一方面的一些实现方式中，分别提取多个区域的业务数据中至少一个第一特征信息，包括：

分别获取多个区域的业务数据中的至少一个特征信息；

按照至少一个特征信息的重要性进行排序；

获取按重要性排序后，重要性较大的至少一个第一特征信息。

在第一方面的一些实现方式中，分别提取多个区域的业务数据中的第一特征信息，包括：

采用信息价值(Information Value，IV)分析算法、递归特征算法或随机森林算法分别提取多个区域的业务数据中的第一特征信息。