[发明专利]神经网络模型的训练方法、人群扩散方法、装置及设备

权利要求书

1.一种神经网络模型的训练方法，其特征在于，所述方法包括：

根据样本用户所属的种子人群的人群包embedding向量，合并得到所述样本用户的人群特征；

将所述样本用户的人群特征和用户画像特征进行拼接，得到神经网络模型的输入层数据；

将所述输入层数据输入至神经网络模型中进行训练，得到预测误差；

在未满足训练结束条件时，根据反向传播算法对所述预测误差进行反向传播，更新所述神经网络模型中的权重和所述人群包embedding向量；

在满足所述训练结束条件时，结束所述神经网络模型的训练。

2.根据权利要求1所述的训练方法，其特征在于，所述根据样本用户所属的种子人群的人群包embedding向量，合并得到所述样本用户的人群特征，包括：

当所述样本用户属于两个以上的种子人群时，初始化得到所述两个以上的种子人群的人群包embedding向量；

将所述两个以上的种子人群的人群包embedding向量的对应维度值进行平均，合并得到所述样本用户的人群特征。

3.根据权利要求1所述的训练方法，其特征在于，所述根据样本用户所属的种子人群的人群包embedding向量，合并得到所述样本用户的人群特征，包括：

当所述样本用户属于两个以上的种子人群时，初始化得到所述两个以上的种子人群的人群包embedding向量；

将所述两个以上的种子人群的人群包embedding向量的对应维度值取最大值，合并得到所述样本用户的人群特征。

4.根据权利要求2或3所述的训练方法，其特征在于，所述初始化得到所述两个以上的种子人群的人群包embedding向量，包括：

采用随机化方式对所述两个以上的种子人群的人群包embedding向量进行初始化。

5.根据权利要求1至3任一所述的训练方法，其特征在于，所述用户画像特征包括：人口属性特征、设备特征、行为特征和标签特征中的至少一种。

6.根据权利要求1至3任一所述的训练方法，其特征在于，所述神经网络模型包括：k个隐藏层和一个分类层，k为正整数；

所述k个隐藏层采用的激活函数是修正线性单元ReLU；

所述分类层是S型生长曲线sigmoid、逻辑斯谛函数softmax、层级聚类hierarchical和采样逻辑斯谛函数sampled softmax中的任意一种；

其中，所述k个隐藏层是在训练过程和预测过程中均使用的神经网络层，所述分类层是仅在所述训练过程中使用的神经网络层。

7.根据权利要求1至3任一所述的训练方法，其特征在于，所述方法还包括：

对于全量用户中的每个用户，根据所述用户所属的种子人群的人群包embedding向量，合并得到所述用户的人群特征；

将所述用户的人群特征和用户画像特征进行拼接，得到所述神经网络模型的输入层数据；

将所述输入层数据输入所述神经网络模型进行预测，得到所述用户的用户embedding向量。

8.一种人群扩散方法，其特征在于，所述方法包括：

获取m个种子人群的人群包embedding向量，所述种子人群中包括多个样本用户，m为正整数；

获取全量用户中多个用户的用户embedding向量；所述人群包embedding向量和所述用户embedding向量是通过同一个神经网络模型得到的，所述神经网络模型是基于所述样本用户的人群特征和用户画像特征训练得到的，所述样本用户的人群特征是根据所述样本用户所属的所述种子人群的所述人群包embedding向量得到的；

根据所述人群包embedding向量和所述用户embedding向量之间的向量相似度，确定对所述种子人群进行扩散的扩散人群。