[发明专利]用户状态单分类模型训练方法和装置

说明书

本发明提供了一种用户状态单分类模型训练方法和装置，该方法包括：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；根据所述样本特征向量来估计模型参数，并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。本发明提供的用户状态单分类模型训练方法和装置，分类性能好、人为因素影响小且泛化能力强。

技术领域

本发明涉及计算机信息处理技术领域，特别是涉及一种用户状态单分类模型训练方法和装置。

背景技术

用户状态是一种具有阶段性的用户属性的描述，比如用户状态可以是学生状态、育儿状态、单身状态等等。通过检测用户状态，可以根据用户状态来提供差异性服务，比如仅向具有特定用户状态的用户推送信息或者提供服务，或者向具有和不具有特定用户状态的用户分别推送不同的信息或者提供不同的服务。

目前存在一种比较简单的检测用户状态的方法，需要用户自行设定自己的用户状态并存储下来，这样在需要时便可以读取用户设定的用户状态以达到检测用户状态的目的。但是，这种检测用户状态的方法需要用户手工设定用户状态，需要用户配合，操作繁琐，可行性低。

目前还存在一种检测用户状态的方法，需要事先建立一种打分用的数学模型，然后记录用户一定时间范围内的行为数据，通过分析行为数据而发现用户与需检测的用户状态相关的信息，采用事先建立的数学模型对每个与用户状态相关的信息打分，把多个相关的信息的分值相加得到总分值。通过将该总分值与预设的总分值阈值进行比较便可以判断用户是否处具有某一用户状态。

然而，目前用于检测用户状态的数学模型，需要人工设定打分规则，人为因素影响大。而且，通过打分的方式来检测用户状态，泛化能力太弱，无法检测到潜在用户的用户状态。这里所谓泛化能力(generalization ability)是指机器学习算法对新鲜样本的适应能力。

发明内容

基于此，有必要针对目前用于检测用户状态的数学模型人为因素影响大，而且泛化能力弱的问题，提供一种用户状态单分类模型训练方法和装置。

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；

根据所述样本特征向量来估计模型参数，并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。

一种用户状态单分类模型训练装置，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；

模型参数估计模块，用于根据所述样本特征向量来估计模型参数，并根据估计出的模型参数生成概率密度函数模型；

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。