[发明专利]基于小样本迁移学习的数据推送方法、装置及计算机设备

说明书

本发明公开了基于小样本迁移学习的数据推送方法、装置、计算机设备及存储介质，涉及人工智能技术，先获取历史用户数据集，以提取对应的初始信息因子集；将初始信息因子集进行自动特征生成以得到对应的特征信息因子集；将当前用户数据集与特征信息因子集组合得到当前训练集；将其作为待训练预测模型的训练样本进行模型训练，得到预测模型；获取另一历史用户数据集，以输入至预测模型进行预测运算，得到对应的预测结果。实现了利用相似产品数据对应的历史用户数据进行迁移训练得到预测模型，通过预测模型在其他历史用户数据集中挖掘出潜在目标用户，从而更加准确的进行信息推送，降低了信息推送量和网络带宽占用。

技术领域

本发明涉及人工智能的智能决策技术领域，尤其涉及一种基于小样本迁移学习的数据推送方法、装置、计算机设备及存储介质。

背景技术

目前，当某一用户使用用户端设计了一款新的产品（例如保险产品、理财产品、软件产品等）进行推广后，直接获取到的用户数据较少（也即用户样本有限），无法直接基于直接获取到的用户数据作为用于预测潜在客户的预测模型的样本数据。

在缺少用户数据的情况下，一般采用线上投放广告、向海量用户群发推广信息、线下发放产品广告宣传单的方式进信息传递以达到获取用户数据的目的，通过现有的信息传递方式，不仅推送成本高，而且因推送对象广泛而导致信息推送量大，推送效率低下。

发明内容

本发明实施例提供了一种基于小样本迁移学习的数据推送方法、装置、计算机设备及存储介质，旨在解决现有技术中服务器中因缺乏历史用户而无目标性的向大量用户发送推广信息时，不仅推送成本高，而且因推送对象广泛而导致信息推送量大，推送效率低下的问题。

第一方面，本发明实施例提供了一种基于小样本迁移学习的数据推送方法，其包括：

获取历史用户数据集，并提取所述历史用户数据集中每一条历史用户数据对应的初始信息因子集；

对每一条历史用户数据对应的初始信息因子集进行自动特征生成，得到与每一条历史用户数据对应的特征信息因子集；

获取当前用户数据集，将所述当前用户数据集与每一条历史用户数据对应的特征信息因子集组合得到当前训练集；

根据所述当前训练集进行模型训练，得到预测模型；

获取另一历史用户数据集，将所述另一历史用户数据集中各历史用户数据的信息因子集分别输入至所述预测模型进行预测运算，得到与所述另一历史用户数据集中各历史用户数据分别对应的预测结果；以及

获取满足预设条件的历史用户数据组成待推荐用户清单，将在本地所获取的待推荐信息发送至所述待推荐用户清单中各用户对应的目标接收端。

第二方面，本发明实施例提供了一种基于小样本迁移学习的数据推送装置，其包括：

初始因子获取单元，用于获取历史用户数据集，并提取所述历史用户数据集中每一条历史用户数据对应的初始信息因子集；

特征因子获取单元，用于对每一条历史用户数据对应的初始信息因子集进行自动特征生成，得到与每一条历史用户数据对应的特征信息因子集；

当前训练集获取单元，用于获取当前用户数据集，将所述当前用户数据集与每一条历史用户数据对应的特征信息因子集组合得到当前训练集；

模型训练单元，用于根据所述当前训练集进行模型训练，得到预测模型；

预测单元，用于获取另一历史用户数据集，将所述另一历史用户数据集中各历史用户数据的信息因子集分别输入至所述预测模型进行预测运算，得到与所述另一历史用户数据集中各历史用户数据分别对应的预测结果；以及