[发明专利]训练分组模型，以及对时序数据进行分组的方法和装置

权利要求书

1.一种训练分组模型的方法，包括：

获取时序样本集，其中任意的第一时序样本包括，单个业务对象在n个时段的n个指标值构成的序列；

将所述第一时序样本输入分组模型，得到该样本分属于K个分组的预测概率分布；

将所述第一时序样本分别输入与K个分组对应的K个解码网络，得到K个重构样本；

根据所述时序样本集中各个样本的预测概率分布与样本在K个分组间的预设先验分布，确定总分布损失；

根据各个样本分别对应的K个重构样本，以及所述预测概率分布，确定总重构损失；

根据所述总分布损失和总重构损失，训练所述分组模型和所述K个解码网络。

2.根据权利要求1所述的方法，其中，单个业务对象为以下之一：单个用户，单个商品，单个商铺，单个服务项目，单个产品；所述指标值为以下之一：点击量，销量，流动量。

3.根据权利要求1所述的方法，还包括，根据所述n个指标值的均值，对所述第一时序样本进行预处理。

4.根据权利要求1所述的方法，其中，所述分组模型包括编码网络和分组网络；所述将所述第一时序样本输入分组模型，得到该样本分属于K个分组的预测概率分布，包括：

将所述第一时序样本输入编码网络，得到该第一时序样本的编码特征；

将所述编码特征输入所述分组网络，得到所述预测概率分布。

5.根据权利要求4所述的方法，其中，所述编码网络是基于时序的神经网络；将所述第一时序样本输入编码网络，得到该第一时序样本的编码特征，具体包括：

将所述n个指标值依次输入所述基于时序的神经网络，得到所述编码特征。

6.根据权利要求4所述的方法，其中，所述分组网络实现为多层感知机MLP；将所述编码特征输入所述分组网络，得到所述预测概率分布，具体包括：

通过多层感知机MLP处理所述编码特征，得到所述预测概率分布。

7.根据权利要求1所述的方法，其中，所述K个解码网络具有相同的网络结构，不同的网络参数。

8.根据权利要求1所述的方法，其中，所述K个解码网络包括任意的第一解码网络；将所述第一时序样本分别输入与K个分组对应的K个解码网络，得到K个重构样本，包括：

将所述第一时序样本的第一时序片段输入第一解码网络，所述第一解码网络根据所述第一时序片段预测第二时序片段，基于第二时序片段形成第一重构样本。

9.根据权利要求8所述的方法，其中，所述第一时序片段包括，所述n个指标值中前s个指标值；第二时序片段包括后s个指标值；其中，s大于n/2。

10.根据权利要求8所述的方法，其中，将所述第一时序样本的第一时序片段输入第一解码网络，所述第一解码网络根据所述第一时序片段预测第二时序片段，具体包括：

将所述第一时序片段中的各个指标值依次输入所述第一解码网络，所述第一解码网络滚动预测下一指标值，形成第二时序片段。

11.根据权利要求8所述的方法，其中，将所述第一时序样本的第一时序片段输入第一解码网络，所述第一解码网络根据所述第一时序片段预测第二时序片段，具体包括：

将所述第一时序片段整体输入所述第一解码网络，所述第一解码网络得到所述第一时序片段的片段表征向量，基于该片段表征向量，预测第二时序片段。

12.根据权利要求1所述的方法，其中，确定总分布损失，包括：

根据所述时序样本集中各个样本的预测概率分布，得到所述各个样本在所述K个分组的总体后验分布；

根据所述预设先验分布和所述总体后验分布之间的分布差异，确定所述总分布损失。