[发明专利]模型训练方法、模型预测方法、装置、设备及介质

说明书

本公开提供了一种模型训练方法，可以应用于人工智能技术领域。该模型训练方法包括：获取在第一时间区间内产生的第一目标历史数据，其中，第一目标历史数据包括用户的属性数据和与用户关联的多类产品的使用数据；利用预设条件从第一目标历史数据中确定第二目标历史数据；获取在第二时间区间内产生的与用户关联的多类产品的使用标签，其中，第一时间区间在第二时间区间之前；利用分类模型和使用标签从第二目标历史数据中确定训练数据；以及基于训练数据与使用标签，训练用于预测产品对用户的适配性的模型。本公开还提供了一种模型预测方法、装置、设备、存储介质和程序产品。

技术领域

本公开涉及人工智能领域，具体涉及模型训练方法、模型预测方法、装置、设备、介质和程序产品。

背景技术

随着互联网的不断发展，通过互联网进行交易已经被广泛应用。各种网站、小程序等都有对产品的各种推送广告，便于用户对其进行交易。传统的精准营销模型，往往仅针对某一类产品进行预测用户适配率。然而，在现实场景中，存在需要针对某一用户一次推荐多类产品的问题。因此，如何解决多类产品对用户的适配性问题至关重要。

发明内容

鉴于上述问题，本公开提供了模型训练方法、模型预测方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种模型训练方法，包括：

获取在第一时间区间内产生的第一目标历史数据，其中，第一目标历史数据包括用户的属性数据和与用户关联的多类产品的使用数据；

利用预设条件从第一目标历史数据中确定第二目标历史数据；

获取在第二时间区间内产生的与用户关联的多类产品的使用标签，其中，第一时间区间在第二时间区间之前；

利用分类模型和使用标签从第二目标历史数据中确定训练数据；以及

基于训练数据与使用标签，训练用于预测产品对用户的适配性的模型。

根据本公开的实施例，预设条件包括第一预设条件和第二预设条件；利用预设条件从第一目标历史数据中确定第二目标历史数据包括：

基于第一目标历史数据中的数值连续的数据，根据第一预设条件，滤除满足第一预设阈值的数值连续的数据，以便得到过滤后的第一目标历史数据；

根据第二预设条件，对过滤后的第一目标历史数据中的离散数据进行筛选，以便得到第二目标历史数据。

根据本公开的实施例，第一预设条件包括皮尔逊相关系数；基于第一目标历史数据中的数值连续的数据，根据第一预设条件，滤除满足第一预设阈值的数值连续的数据，以便得到过滤后的第一目标历史数据包括：

将第一目标历史数据中每两个数值连续的数据，输入皮尔逊相关系数的表达式，输出计算结果；

根据计算结果，确定满足第一预设阈值的数值连续的数据；

滤除满足第一预设阈值的数值连续的数据，得到过滤后的第一目标历史数据。

根据本公开的实施例，第二预设条件包括卡方检验。

根据本公开的实施例，获取在第一时间区间内产生的第一目标历史数据包括：

获取在第一时间区间内产生的用户的属性数据和与用户关联的多类产品的使用数据，得到初始历史数据；

对初始历史数据进行预处理，得到第一目标历史数据。

根据本公开的实施例，对初始历史数据进行预处理，得到第一目标历史数据包括：

对初始历史数据进行清洗，得到清洗后的初始历史数据；

对清洗后的初始历史数据进行变换，得到第一目标历史数据。