[发明专利]等级预测模型训练方法、等级预测方法、装置及电子设备

权利要求书

1.一种等级预测模型训练方法，其特征在于，包括：

获取历史用户数据；

从所述历史用户数据中确定出训练数据，所述训练数据包括多个用户在周期内的周期起点至周期中间指定时间节点的用户数据；

将所述训练数据输入待训练模型中进行训练，得到等级预测模型，所述等级预测模型用于预测用户在当前周期的下一周期中的等级状态。

2.如权利要求1所述的方法，其特征在于，所述从所述历史用户数据中确定出训练数据的步骤，包括：

根据预先设定的预测参数量从所述历史用户数据中确定出训练数据，所述预测参数量表示作为待训练模型的任意一项输入数据覆盖时间范围占一周期时间总长的比例。

3.如权利要求1所述的方法，其特征在于，所述待训练模型包括二分类模型，所述将所述训练数据输入待训练模型中进行训练，得到等级预测模型的步骤，包括：

将所述训练数据输入所述二分类模型中进行分类训练，得到输出结果；

将所述输出结果与所述训练数据的标记数据进行损失计算，得到当前损失误差；

判断所述损失误差是否小于设定值；

若否，则调整所述二分类模型中的待确定参数，得到更新的二分类模型；

若是；则将当前的二分类模型作为等级预测模型。

4.如权利要求3所述的方法，其特征在于，所述二分类模型是Spark Mlib中的分类模块；所述将所述训练数据输入待训练模型中进行训练，得到等级预测模型的步骤，包括：

使用Spark Mlib中的分类模块进行单机式训练，得到等级预测模型；或者，

使用Spark Mlib中的分类模块进行分布式训练，得到等级预测模型。

5.如权利要求1-4任意一项所述的方法，其特征在于，所述获取历史用户数据的步骤，包括：

从用户数据服务器中随机筛选出设定数量的用户的历史用户数据。

6.如权利要求1-4任意一项所述的方法，其特征在于，所述从所述历史用户数据中确定出训练数据的步骤，包括：

采用简单随机抽样方式从用户数据服务器中筛选出设定数量的用户的历史用户数据；或者，

采用哈希加盐算法从所述用户数据服务器中筛选出设定数量的用户的历史用户数据。

7.如权利要求1-4任意一项所述的方法，其特征在于，所述从所述历史用户数据中确定出训练数据的步骤，包括：

从所述用户数据服务器中筛选出第一设定数量的第一类用户的历史用户数据，所述第一类用户为所述第一类用户的历史用户数据对应周期的下一周期将被降低等级的用户；

从所述用户数据服务器中筛选出第二设定数量的第二类用户的历史用户数据，所述第二类用户为所述第二类用户的历史用户数据对应周期的下一周期将被升高等级或保持等级的用户。

8.如权利要求7所述的方法，其特征在于，所述第一设定数量与所述第二设定数量的比值在设定范围内。

9.一种等级预测方法，其特征在于，包括：

获取待预测用户在当前周期的设定时间段内的目标用户数据；

将所述目标用户数据输入权利要求1-8任意一项所述的等级预测模型中进行计算，得到所述待预测用户在当前周期的下一周期的等级预测结果。

10.如权利要求9所述的方法，其特征在于，所述将所述目标用户数据输入权利要求1-8任意一项所述的等级预测模型中进行计算，得到所述待预测用户在当前周期的下一周期的等级预测结果的步骤，包括：

将所述目标用户数据输入所述等级预测模型中进行计算，得到所述目标用户下一周期将被降低等级的第一概率；

将所述第一概率与设定概率进行比较，得出所述待预测用户下一周期的预测等级，将所述第一概率及所述预测等级作为所述待预测用户的等级预测结果。