模型训练数据构建方法及装置、大模型、概率预测方法与流程

本发明涉及人工智能，尤其涉及一种模型训练数据构建方法及装置、大模型、概率预测方法。

背景技术：

1、在时序预测场景中，通常需要对用户在特定周期内的行为进行预估。为了获得可靠的预测结果，需要构建包含用户行为数据及对应标签的训练集来训练预测模型。然而，获取具有完整实际标签的训练数据通常需要等待整个观察期结束，这种收集方式导致训练数据的获取存在不可避免的滞后性，难以满足实际业务需求。

2、为了解决上述训练数据获取滞后的问题，现有技术通常直接利用已过完完整观察期的历史数据来进行模型训练。具体而言，该方法提取过去已经产生完整行为标签的长周期历史数据作为训练样本，进而训练出时序预测模型，随后利用该模型对用户的未来状态进行直接预估，从而避免了等待当前用户观察期结束的过程。

3、上述现有技术虽然避免了等待数据，但用户行为会随市场演变，仅依赖历史完整数据训练的模型无法及时适应最新变化，导致预测准确性衰退；而近期的用户数据虽能反映最新特征，却因缺乏后续的实际标签而无法直接使用。因此，如何构建能够提升模型对最新行为特征适应能力的训练数据成为本领域亟待解决的问题。

技术实现思路

1、本发明提供一种模型训练数据构建方法及装置、大模型、概率预测方法，用以解决如何构建能够提升模型对最新行为特征适应能力的训练数据的技术问题。

2、本发明提供一种模型训练数据构建方法，包括：

3、将最近第一时间段的用户行为数据输入预测模型，得到所述预测模型输出的未来第二时间段的预测概率；其中，所述预测模型是基于历史完整周期内的用户数据训练得到的；

4、将所述预测概率转化为预测标签；

5、将所述用户行为数据的实际标签和所述预测标签融合为标签序列，并基于所述标签序列构建训练数据。

6、根据本发明提供的一种模型训练数据构建方法，将所述预测概率转化为预测标签，包括：

7、对所述预测概率进行矫正，得到矫正概率；

8、将所述矫正概率转化为所述预测标签。

9、根据本发明提供的一种模型训练数据构建方法，对所述预测概率进行矫正，得到矫正概率，包括：

10、将所述预测概率分别输入各个校准模型，得到各个所述校准模型输出的校准结果；

11、确定各个所述校准结果的加权平均值，得到所述矫正概率。

12、根据本发明提供的一种模型训练数据构建方法，所述校准模型包括偏差函数校准模型、形状迁移校准模型、回归校准模型或保序回归校准模型。

13、根据本发明提供的一种模型训练数据构建方法，对所述预测概率进行矫正，得到矫正概率，包括：

14、确定所述第二时间段在所述历史完整周期中对应的平均留存率；

15、基于所述平均留存率对所述预测概率进行加权调整，得到所述矫正概率。

16、根据本发明提供的一种模型训练数据构建方法，将所述预测概率转化为预测标签，包括：

17、对所述预测概率进行蒙特卡洛抽样，得到抽样结果；

18、根据所述抽样结果将连续的所述预测概率转化为离散的所述预测标签。

19、根据本发明提供的一种模型训练数据构建方法，将所述用户行为数据的实际标签和所述预测标签融合为标签序列，包括：

20、按照时间维度的先后顺序拼接所述实际标签与所述预测标签，得到所述标签序列。

21、本发明还提供一种模型训练数据构建装置，包括：

22、预测模块，用于将最近第一时间段的用户行为数据输入预测模型，得到所述预测模型输出的未来第二时间段的预测概率；其中，所述预测模型是基于历史完整周期内的用户数据训练得到的；

23、转化模块，用于将所述预测概率转化为预测标签；

24、构建模块，用于将所述用户行为数据的实际标签和所述预测标签融合为标签序列，并基于所述标签序列构建训练数据。

25、本发明还提供一种大模型，所述大模型是基于任一模型训练数据构建方法构建的训练数据训练得到的。

26、本发明还提供一种概率预测方法，包括：

27、将用户针对互联网金融服务产品的行为数据输入上述大模型中，得到所述大模型输出的用户留存概率。

28、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述模型训练数据构建方法。

29、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述模型训练数据构建方法。

30、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述模型训练数据构建方法。

31、本发明提供的模型训练数据构建方法及装置、大模型、概率预测方法，将最近第一时间段的用户行为数据输入到基于历史完整周期内数据训练的预测模型中，获取未来第二时间段的预测概率并转化为预测标签，进而与第一时间段的实际标签融合构建训练数据，相较于现有技术仅能依赖已过完完整观察期的滞后历史数据进行训练，本发明将最新的近期用户行为数据直接纳入训练样本，并利用模型预测补齐了尚未发生的未来标签，构建了能够提升模型对最新行为特征适应能力的训练数据，打破了传统方法必须等待观察期结束才能使用数据的限制，提升了预测模型的时效性。

1.一种模型训练数据构建方法，其特征在于，包括：

2.根据权利要求1所述的模型训练数据构建方法，其特征在于，将所述预测概率转化为预测标签，包括：

3.根据权利要求2所述的模型训练数据构建方法，其特征在于，对所述预测概率进行矫正，得到矫正概率，包括：

4.根据权利要求3所述的模型训练数据构建方法，其特征在于，所述校准模型包括偏差函数校准模型、形状迁移校准模型、回归校准模型或保序回归校准模型。

5.根据权利要求2所述的模型训练数据构建方法，其特征在于，对所述预测概率进行矫正，得到矫正概率，包括：

6.根据权利要求1所述的模型训练数据构建方法，其特征在于，将所述预测概率转化为预测标签，包括：

7.根据权利要求1所述的模型训练数据构建方法，其特征在于，将所述用户行为数据的实际标签和所述预测标签融合为标签序列，包括：

8.一种模型训练数据构建装置，其特征在于，包括：

9.一种大模型，其特征在于，所述大模型是基于权利要求1-7中任一权利要求所述的训练数据训练得到的。

10.一种概率预测方法，其特征在于，包括：

11.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述模型训练数据构建方法。

12.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述模型训练数据构建方法。

13.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述模型训练数据构建方法。