[发明专利]用户作弊种类预测模型中参数的调整方法、装置及设备

说明书

技术领域

本发明实施例涉及计算机应用技术领域，尤其涉及一种用户作弊种类预测模型中参数的调整方法、装置及电子设备。

背景技术

在O2O(Online To Offlin，在线离线/线上到线下)领域，商户作弊种类这个指标是O2O平台确定如何对商户进行管理的重要依据，例如，平台可根据商户作弊种类确定是否对其进行新用户补贴等操作。

现有技术中，通常采用人工调整特征权重的方式，确定商户作弊种类的预测模型，然后再根据待预测商户的作弊特征数据，通过预先生成的预测模型对该商户的作弊种类进行预测。采用该方式确定预测模型，在分析出作弊特征之后，首先需要根据人为经验确定各个作弊特征的权重，然后再在验证集上验证该预测模型，如果发现结果不合理，则在该模型基础之上再进行调整，直到达到一定的预测准确度。

然而,采用该方式调整特征权重，人工经验的因素参考过大，如果人工的经验错误，则很有可能得到错误的预测模型。此外，人工的经验与业务的熟悉程度非常相关，采用该方式调整特征权重的速度也较慢。

从上述分析可以看出，现有技术存在特征权重调整速度慢且模型预测准确度低的问题。

发明内容

本发明实施例提供了一种用户作弊种类预测模型中参数的调整方法、装置及电子设备，用以解决现有技术中特征权重调整速度慢且模型预测准确度低的问题。

第一方面，本发明实施例中提供了一种用户作弊种类预测模型中参数的调整方法，该方法包括：设置用户作弊种类预测模型中多个特征权重参数的值；获取多个用户各自对应的多个特征数据和实际作弊种类，形成多个训练样本；从所述多个特征权重参数中选取一个特征权重参数；根据所述多个训练样本，确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率；将所述用户作弊种类预测模型中所述当前选取特征权重参数的值调整为所述预测错误率的最小值对应的参数取值；根据所述最小值，判断是否满足第一停止条件；若是，则结束所述方法；若否，则从未调整过的特征权重参数中重新选取一个特征权重参数，作为所述当前选取特征权重参数，返回所述根据所述多个训练样本，并确定所述用户作弊种类预测模型在当前选取特征权重参数的多个参数取值下的预测错误率的步骤。

结合第一方面，本发明在第一方面的第一种实现方式中，所述设置用户作弊种类预测模型中多个特征权重参数的值，采用如下方式：将所述多个特征权重参数的值设置为预设值或随机数。

结合第一方面，本发明在第一方面的第二种实现方式中，所述设置用户作弊种类预测模型中多个特征权重参数的值，采用如下方式：通过机器学习算法,从所述多个训练样本中学习获得所述多个特征权重参数的值。

结合第一方面，本发明在第一方面的第三种实现方式中，所述第一停止条件包括以下条件：所述当前选取特征权重参数对应的所述最小值小于第一预设阈值。

结合第一方面，本发明在第一方面的第四种实现方式中，当调整过至少两个特征权重参数时,所述第一停止条件包括以下条件：所述当前选取特征权重参数和上一次选取特征权重参数各自对应的所述最小值的差值在预设范围内。

结合第一方面，本发明在第一方面的第五种实现方式中，所述预测错误率采用如下步骤确定：通过所述用户作弊种类预测模型获得所述多个用户各自的用户健康度得分；根据所述用户健康度得分和第二预设阈值，确定所述多个用户各自的作弊种类的预测值；比较各个用户的所述实际作弊种类和所述预测值，获得所述实际作弊种类和所述预测值不一致的用户数量；将所述用户数量与所述多个用户的用户总数量的比值作为所述预测错误率。

结合第一方面的第五种实现方式，本发明在第一方面的第六种实现方式中，所述预测值采用如下步骤确定：将所述用户健康度得分归一化；若所述用户健康度得分的归一化值大于或等于所述第二预设阈值，则确定所述预测值为作弊；若所述用户健康度得分的归一化值小于所述第二预设阈值，则确定所述预测值为未作弊。

结合第一方面、第一方面的第一种实现方式、第一方面的第二种实现方式、第一方面的第三种实现方式、第一方面的第四种实现方式、第一方面的第五种实现方式或第一方面的第六种实现方式，本发明在第一方面的第七种实现方式中，所述用户作弊种类预测模型包括基于线性回归模型的用户作弊种类预测模型。