[发明专利]一种模型训练以及投诉率预估的方法及装置

权利要求书

1.一种投诉率预估模型的训练方法，其特征在于，所述方法包括：

根据预先训练好的与目标子场景属于同一业务总场景的其他子场景的预测模型的模型参数，确定待训练的所述目标子场景的投诉率预估模型的初始的模型参数；

根据在所述目标子场景下执行的各历史业务，确定各历史业务对应的样本用户，其中，在子场景下执行的业务类型包括指定类型以及其他类型；

针对每个样本用户，根据该样本用户的历史行为数据，从所述目标子场景所属的业务总场景包含的其他子场景中，确定该样本用户执行过指定类型业务的其他子场景，作为与该样本用户具有关联关系的子场景；

根据与该样本用户具有关联关系的子场景的场景特征、该样本用户的用户特征以及所述目标子场景的场景特征，确定该样本用户对应的样本数据，以及根据该样本用户的历史行为数据，确定所述样本数据的标签；

将各样本数据作为输入，输入待训练的所述投诉率预估模型，确定各样本数据的预估结果，以各样本数据的预估结果和标签之间的差异最小为优化目标调整所述投诉率预估模型的参数，训练完成的所述投诉率预估模型用于对用户投诉所述目标子场景的概率进行预测。

2.如权利要求1所述的方法，其特征在于，根据预先训练好的与目标子场景属于同一业务总场景的其他子场景的预测模型的模型参数，确定待训练的所述目标子场景的投诉率预估模型的初始的模型参数，具体包括：

确定所述目标子场景所属的业务总场景包含的其他子场景下执行的历史业务量；

根据各其他子场景下执行的历史业务量，从各其他子场景中，确定用于确定所述目标子场景的投诉率预估模型初始的模型参数的子场景，作为基础子场景；

根据预先训练好的所述基础子场景的预测模型的模型参数，确定待训练的所述目标子场景的投诉率预估模型的初始的模型参数。

3.如权利要求2所述的方法，其特征在于，采用下述方法确定用于训练所述基础子场景的预测模型的训练样本：其中，

根据在基础子场景下执行的各历史业务，确定各历史业务对应的用户，作为各基础用户；

针对每个基础用户，根据该基础用户的历史行为数据，从所述基础子场景所属的业务总场景包含的其他子场景中，确定该基础用户执行过指定类型业务的其他子场景，作为与该基础用户具有关联关系的子场景；

根据与该基础用户具有关联关系的子场景、该基础用户的用户特征以及所述基础子场景的场景特征，确定训练样本，并根据该基础用户的历史行为数据，确定所述训练样本的标签。

4.如权利要求1所述的方法，其特征在于，将各样本数据作为输入，输入待训练的所述投诉率预估模型，确定各样本数据的预估结果，具体包括：

针对每个样本数据，将该样本数据中包含的与该样本用户具有关联关系的子场景的场景特征，以及该样本用户的用户特征作为输入，输入待训练的投诉率预估模型的用户特征提取层，确定该样本数据的历史业务特征；

将该样本数据中包含的所述目标子场景的场景特征作为输入，输入所述投诉率预估模型的场景特征提取层，确定该样本数据的场景业务特征；

将该样本数据的历史业务特征和场景业务特征作为输入，输入到所述投诉率预估模型的预估层，确定该样本数据的预估结果。

5.如权利要求1所述的方法，其特征在于，根据该样本用户的历史行为数据，确定所述样本数据的标签，具体包括：

将在所述目标子场景执行过指定类型的业务的样本用户对应的样本数据，作为正样本；

将未所述目标子场景执行过指定类型的业务的样本用户对应的样本数据，作为负样本。