[发明专利]训练方法、系统、电子设备及可读介质

说明书

本发明实施例提供了一种训练方法、系统、电子设备及可读介质，所述方法包括：采用若干模型训练参数对待训练的模型进行训练；所述模型训练参数为分别基于从用户数据中获取的用户相同、维度不同的目标用户数据生成，所述用户数据为所述用户与应用程序的相关数据；当训练后的所述模型满足收敛条件时，将所述模型作为训练完成的用于预测用户卸载所述应用程序的卸载风险程度的卸载预测模型。本发明实施例可以通过多个维度的用户数据进行模型训练，因此得到能够准确预测用户卸载应用程序的卸载风险程度的卸载预测模型。

技术领域

本发明实施例涉及数据处理技术领域，特别是涉及一种训练方法、一种卸载预测模型训练系统、一种电子设备以及一种计算机可读介质。

背景技术

随着互联网技术的发展，用户通过在手机等移动设备中安装的应用程序(Application，APP)实现网络购物、网络找房、网络找工作等服务，不仅大大提高了人们生活的便利性，也丰富了生活的多样性。

在用户使用应用程序的过程中，可能会因为使用体验不好，例如推送(Push)数据过于频繁而将应用程序卸载，应用程序的卸载意味着企业花大量经费进行的用户拉新、促活成为泡影，因此只要用户不卸载应用程序，企业还有机会通过推送、外部调起等策略来盘活用户，为用户带来服务实现企业价值。但是，一旦用户卸载了应用程序，若要再次拉回此用户需要花费更高的成本。

因此，如何准确预测用户卸载应用程序的卸载风险程度，进而制定相应的卸载处理策略，降低企业经营成本，是一个亟待解决的问题。

发明内容

本发明实施例是提供一种训练方法、系统、电子设备以及计算机可读存储介质，以解决无法准确预测用户卸载应用程序的卸载风险程度的问题。

本发明实施例公开了一种训练方法，采用若干模型训练参数对待训练的模型进行训练；所述模型训练参数为分别基于从用户数据中获取的用户相同、维度不同的目标用户数据生成，所述用户数据为所述用户与应用程序的相关数据；

当训练后的所述模型满足收敛条件时，将所述模型作为训练完成的用于预测用户卸载所述应用程序的卸载风险程度的卸载预测模型。

可选地，所述待训练的模型的模型包括联邦学习聚合模型和联邦学习分模型，涉及联邦学习协作端，所述联邦学习协作端中包括联邦学习聚合模型，所述联邦学习协作端与至少一个联邦学习数据端互相通信，所述联邦学习数据端中包括联邦学习分模型，且本地存储有用户对应的用户数据，所述用户数据为所述用户与应用程序的相关数据；所述采用若干模型训练参数对待训练的模型进行训练，包括：

接收所述联邦学习数据端发送的梯度数据和损失数据；所述梯度数据和所述损失数据，为所述联邦学习数据端根据本地存储的目标用户数据以及其他联邦学习数据端发送的梯度数据和损失数据，迭代对所述联邦学习分模型训练后生成；其中，所述目标用户数据与其他联邦学习协作端用于对其他联邦学习模型训练的目标用户数据对应的用户相同；

采用所述梯度数据和所述损失数据对所述联邦学习聚合模型进行训练；

所述当训练后的所述模型满足收敛条件时，将所述模型作为训练完成的用于预测用户卸载所述应用程序的卸载风险程度的卸载预测模型，包括：

当训练后的所述联邦学习聚合模型满足收敛条件时，将所述联邦学习聚合模型和所述联邦学习分模型，作为训练完成的用于预测用户卸载所述应用程序的卸载风险程度的卸载预测模型。

可选地，所述用户数据至少包括：应用程序使用数据、应用程序性能数据、应用程序崩溃数据以及应用程序推送数据、公共基础数据以及卸载状态数据。

可选地，所述接收所述联邦学习数据端发送的梯度数据和损失数据，包括：

创建加密密钥和解密密钥；

向所述联邦学习数据端发送所述加密密钥；