模型训练方法和用户需求分值的确定方法与流程

本申请涉及模型训练，特别涉及模型训练方法和用户需求分值的确定方法。

背景技术：

1、随着大数据与人工智能技术在用户运营、精准营销及风险识别领域的广泛应用，基于用户特征数据训练机器学习模型以预测用户对目标事件的需求程度，已成为主流技术实现方式。在海量用户数据的处理与建模过程中，数据规模大、类别分布不均、样本信息完整性不一等情况普遍存在，直接影响模型训练效率与预测结果的可靠性。

2、鉴于此，需要提供一种稳定且高效的建模数据处理与模型训练方案，以提升模型预测的准确率。

技术实现思路

1、有鉴于此，本申请实施例提供了一种模型训练方法。本说明书一个或者多个实施例同时涉及一种用户需求分值的确定方法，一种模型训练装置，一种用户需求分值的确定装置，一种计算设备，一种计算机可读存储介质，以解决现有技术中存在的技术缺陷。

2、根据本说明书实施例的第一方面，提供了一种模型训练方法，所述模型为用于确定用户针对目标事件的需求分值的机器学习模型，所述方法包括：

3、获取用户数据集合；所述用户数据集合中包含多个用户的多种特征的特征数据；

4、根据预设样本采样数量以及各个特征包含的特征值数量，确定各个特征的各个特征值的样本采样需求量；

5、基于所述样本采样需求量，针对所述用户数据集合中各个特征的各个特征值进行独立采样，将采样得到的样本进行合并去重，得到候选样本池；

6、基于所述候选样本池中各样本的信息密度以及所述样本采样需求量，从所述候选样本池中采样出所述预设样本采样数量的样本，得到样本集；

7、利用所述样本集训练所述机器学习模型。

8、根据本说明书实施例的第二方面，提供了一种用户需求分值的确定方法，包括：

9、获取待预测的用户数据；所述待预测的用户数据中包含至少一个待预测用户的多种特征的特征数据；

10、将所述待预测的用户数据输入模型，得到所述模型输出的至少一个所述待预测用户针对目标事件的需求分值；其中，所述模型为通过上述模型训练方法训练得到的。

11、根据本说明书实施例的第三方面，提供了一种模型训练装置，所述模型为用于确定用户针对目标事件的需求分值的机器学习模型，所述装置包括：

12、获取模块，用于获取用户数据集合；所述用户数据集合中包含多个用户的多种特征的特征数据；

13、确定模块，用于根据预设样本采样数量以及各个特征包含的特征值数量，确定各个特征的各个特征值的样本采样需求量；

14、第一采样模块，用于基于所述样本采样需求量，针对所述用户数据集合中各个特征的各个特征值进行独立采样，将采样得到的样本进行合并去重，得到候选样本池；

15、第二采样模块，用于基于所述候选样本池中各样本的信息密度以及所述样本采样需求量，从所述候选样本池中采样出所述预设样本采样数量的样本，得到样本集；

16、训练模块，用于利用所述样本集训练所述机器学习模型。

17、根据本说明书实施例的第四方面，提供了一种用户需求分值的确定装置，包括：

18、数据获取模块，用于获取待预测的用户数据；所述待预测的用户数据中包含至少一个待预测用户的多种特征的特征数据；

19、数据输入模块，用于将所述待预测的用户数据输入模型，得到所述模型输出的至少一个所述待预测用户针对目标事件的需求分值；其中，所述模型为通过上述模型训练方法训练得到的。

20、根据本说明书实施例的第五方面，提供了一种计算设备，包括：

21、至少一个处理器；以及，

22、与所述至少一个处理器通信连接的存储器；其中，

23、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够实现上述模型训练方法，或实现上述用户需求分值的确定方法。

24、根据本说明书实施例的第六方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述模型训练方法，或实现上述用户需求分值的确定方法。

25、本说明书中提供的至少一个实施例能够实现以下有益效果：

26、本说明书实施例中，根据预设样本采样数量及各个特征值数量确定各特征值的样本采样需求量，并针对各特征值独立采样后合并去重，能够从源头保障各特征值类别的样本在数量上的均衡分布，从而可以避免在模型训练时，因样本数据中类别分布不均导致的模型泛化能力差，针对类别数量少的样本训练不足、预测准确率低的问题。另外，本说明书一个或多个实施例中基于样本的信息密度及各个特征值的样本采样需求量，从候选样本池中筛选样本，使得最终样本集中的样本既满足各类别均衡的配额要求，又具有较高的信息完整性，从而可以有效降低数据稀疏性对模型学习的干扰。最终利用该样本集训练机器学习模型，能够显著提升模型在真实应用场景中的预测稳定性与泛化能力，使得训练得到的模型可以更可靠、更准确地确定出用户针对目标事件的需求分值。

1.一种模型训练方法，所述模型为用于确定用户针对目标事件的需求分值的机器学习模型，所述方法包括：

2.如权利要求1所述的方法，所述根据预设样本采样数量以及各个特征包含的特征值数量，确定各个特征的各个特征值的样本采样需求量，包括：

3.如权利要求1所述的方法，所述基于所述样本采样需求量，针对所述用户数据集合中各个特征的各个特征值进行独立采样，将采样得到的样本进行合并去重，得到候选样本池，包括：

4.如权利要求1所述的方法，所述基于所述候选样本池中各样本的信息密度以及所述样本采样需求量，从所述候选样本池中采样出所述预设样本采样数量的样本，得到样本集之前，还包括：

5.如权利要求1所述的方法，所述基于所述候选样本池中各样本的信息密度以及所述样本采样需求量，从所述候选样本池中采样出所述预设样本采样数量的样本，得到样本集，包括：

6.如权利要求1所述的方法，所述利用所述样本集训练所述机器学习模型之前，还包括：

7.如权利要求6所述的方法，所述对所述样本集中的无效特征进行过滤，包括：

8.如权利要求1所述的方法，所述利用所述样本集训练所述机器学习模型，包括：

9.如权利要求8所述的方法，所述方法还包括：

10.如权利要求9所述的方法，所述方法还包括：

11.如权利要求10所述的方法，所述方法还包括：

12.如权利要求11所述的方法，所述方法还包括：

13.一种用户需求分值的确定方法，包括：

14.如权利要求13所述的方法，所述将所述待预测的用户数据输入模型，得到所述模型输出的至少一个所述待预测用户针对目标事件的需求分值之前，还包括：

15.如权利要求13所述的方法，所述方法还包括：

16.一种模型训练装置，所述模型为用于确定用户针对目标事件的需求分值的机器学习模型，所述装置包括：

17.一种用户需求分值的确定装置，包括：

18.一种计算设备，包括：

19.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至12任意一项所述的模型训练方法，或实现权利要求13至15任意一项所述的用户需求分值的确定方法。