[发明专利]一种用户行为分类方法、系统及存储介质

说明书

本申请公开了一种用户行为分类方法、系统及存储介质，所述方法包括：服务器训练用于进行用户行为分类的行为分类模型；服务器向第二终端发送行为分类模型；第二终端将目标对象的行为数据输入行为分类模型，对目标对象的行为进行预测；其中，服务器训练用于进行用户行为分类的行为分类模型包括：服务器构建预设机器学习模型，并将预设机器学习模型确定为当前机器学习模型；服务器基于所述当前机器学习模型，确定至少两个第一终端的损失平均值以及每个第一终端的量化梯度，并对当前机器学习模型进行更新；通过迭代训练得到符合预设条件的行为分类模型。采用本申请的技术方案，实现了对用户的行为进行快速预测。

技术领域

本申请涉及互联网通信技术领域，尤其涉及一种用户行为分类方法、系统及存储介质。

背景技术

利用分布式数据并行化计算加速模型训练，是近些年包括互联网企业，国内外高校在内的多家机构的研究重点。在大数据场景下，将整个数据集分成小块，分别存储到集群中的计算节点上进行计算，再通过一个参数服务器将各节点的计算结果进行同步，可以在一定程度上解决训练时长过长的问题。上述训练方式的时间消耗主要分为：各计算节点的并行计算消耗和节点与参数服务器之间的通信消耗。增加计算节点可以减少整体的计算时间消耗，但在网络延迟较高的集群中，计算节点与参数服务器之间的通信时间消耗则会造成用户行为分类的延迟。

因此，有必要提供一种用户行为分类方法、系统及存储介质，对用户的行为进行快速预测。

发明内容

本申请提供了一种用户行为分类方法、系统及存储介质，可以对用户的行为进行快速预测。

一方面，本申请提供了一种用户行为分类方法，所述方法包括：

服务器训练用于进行用户行为分类的行为分类模型；

所述服务器向第二终端发送所述行为分类模型；

所述第二终端将目标对象的行为数据输入所述行为分类模型，对所述目标对象的行为进行分类；

其中，所述服务器训练用于进行用户行为分类的行为分类模型包括：

所述服务器构建预设机器学习模型，并将所述预设机器学习模型确定为当前机器学习模型；

所述服务器基于所述当前机器学习模型，确定至少两个第一终端的损失平均值以及每个第一终端的量化梯度；

当所述至少两个第一终端的损失平均值大于预设阈值时，所述服务器基于所述每个第一终端的量化梯度，对所述当前机器学习模型进行更新以得到更新后机器学习模型，将所述更新后机器学习模型重新确定为所述当前机器学习模型；重复步骤：所述服务器向至少两个第一终端发送所述当前机器学习模型；

当所述至少两个第一终端的损失平均值小于或等于所述预设阈值时，所述服务器将所述当前机器学习模型确定为所述行为分类模型。

另一方面提供了一种用户行为分类方法，所述方法包括：

训练用于进行用户行为分类的行为分类模型；

向第二终端发送所述行为分类模型，以使所述第二终端将目标对象的行为数据输入所述行为分类模型，对所述目标对象的行为进行分类；

其中，所述训练用于进行用户行为分类的行为分类模型包括：

构建预设机器学习模型，并将所述预设机器学习模型确定为当前机器学习模型；

基于所述当前机器学习模型，确定至少两个第一终端的损失平均值以及每个第一终端的量化梯度；