[发明专利]用户状态单分类模型训练方法和装置

权利要求书

1.一种用户状态单分类模型训练方法，所述方法包括：

获取已知属于指定用户状态类的至少两个正训练样本；每个正训练样本具有至少两项用户属性信息；

根据每个正训练样本的各项用户属性信息，提取每个正训练样本的样本特征向量；

将所有正训练样本划分为第一类正训练样本和第二类正训练样本；

在模型参数的取值范围内取候选参数值；

根据第一类正训练样本和每个候选参数值分别生成候选用户状态单分类模型，以对第二类正训练样本进行分类并统计分类准确率；

将对应分类准确率最高的候选参数值作为估计出的模型参数；

根据估计出的模型参数生成概率密度函数模型；

生成用户状态单分类模型，所述用户状态单分类模型包括用于接收输入的特征向量并计算出函数值的概率密度函数模型，还包括用于根据计算出的函数值运算出表示是否属于所述指定用户状态类的分类结果的分类判定模型。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取待检测用户标识所对应的至少两项用户属性信息；

根据获取到的用户属性信息提取待检测特征向量；

将所述待检测特征向量输入所述用户状态单分类模型，输出表示是否属于指定用户状态类的分类结果，以确定所述待检测用户标识所对应的用户状态。

3.根据权利要求1所述的方法，其特征在于，所述在模型参数的取值范围内取候选参数值，包括：

在模型参数的取值范围内取预设数量的候选参数值。

4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述概率密度函数模型为以自然常数为底数、分别以每个样本特征向量和输入的特征向量之间的函数为指数的指数函数的和；每个样本特征向量和输入的特征向量之间的函数分别为输入的特征向量与相应的样本特征向量的差的转置取负，再乘以模型参数的负二次幂，再乘以输入的特征向量与相应的样本特征向量的差。

5.根据权利要求3所述的方法，其特征在于，所述概率密度函数模型为以自然常数为底数、分别以每个样本特征向量和输入的特征向量之间的函数为指数的指数函数的和；每个样本特征向量和输入的特征向量之间的函数分别为输入的特征向量与相应的样本特征向量的差的转置取负，再乘以模型参数的负二次幂，再乘以输入的特征向量与相应的样本特征向量的差；在将所有正训练样本划分为第一类正训练样本和第二类正训练样本的步骤之前，所述方法还包括：

计算所有正训练样本的样本特征向量的均值矩阵；

根据所述均值矩阵计算方差矩阵；

将所述方差矩阵代入模型参数函数以获得模型参数的取值范围；所述模型参数函数为样本特征向量的维数的倒数乘以方差矩阵的迹后开平方，再乘以以正训练样本总数为底数且以参数变量与所述维数的商取负为指数的指数函数；所述参数变量具有预设取值范围。

6.一种用户状态单分类模型训练装置，其特征在于，所述装置包括：

正训练样本获取模块，用于获取已知属于指定用户状态类的至少两个正训练样本；每个正训练样本具有至少两项用户属性信息；

样本特征向量提取模块，用于根据每个正训练样本的各项用户属性信息，提取每个正训练样本的样本特征向量；

样本划分模块，用于将所有正训练样本划分为第一类正训练样本和第二类正训练样本；

候选参数值选取模块，用于在模型参数的取值范围内取候选参数值；

分类统计模块，用于根据第一类正训练样本和每个候选参数值分别生成候选用户状态单分类模型，以对第二类正训练样本进行分类并统计分类准确率；

模型参数确定模块，用于将对应分类准确率最高的候选参数值作为估计出的模型参数；

训练执行模块，用于生成用户状态单分类模型，所述用户状态单分类模型包括用于接收输入的特征向量并计算出函数值的概率密度函数模型，还包括用于根据计算出的函数值运算出表示是否属于所述指定用户状态类的分类结果的分类判定模型。