CN111160614B - 资源转移预测模型的训练方法、装置及计算设备 - Google Patents
资源转移预测模型的训练方法、装置及计算设备 Download PDFInfo
- Publication number
- CN111160614B CN111160614B CN201911229080.7A CN201911229080A CN111160614B CN 111160614 B CN111160614 B CN 111160614B CN 201911229080 A CN201911229080 A CN 201911229080A CN 111160614 B CN111160614 B CN 111160614B
- Authority
- CN
- China
- Prior art keywords
- historical behavior
- resource transfer
- data set
- behavior data
- users
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本说明书一个或多个实施例提供了一种资源转移预测模型的训练方法、装置及计算设备。在一个实施例中,该方法包括:获取多个历史行为数据集合中的多个用户的历史行为特征数据和资源转移数据;将每一个历史行为数据集合对应的历史行为特征数据输入模型,得到每一个历史行为数据集合对应的预测值;聚合每一个历史行为数据集合对应的预测值和资源转移数据,得到每一个历史行为数据集合对应的损失函数;在每一个历史行为数据集合对应的损失函数不满足预设条件的情况下,根据每一个历史行为数据集合对应的损失函数调整模型中的参数;继续迭代,直至损失函数满足预设条件,将参数调整后的模型作为训练后的资源转移预测模型。
Description
技术领域
本说明书一个或多个实施例涉及计算机技术领域,尤其涉及一种资源转移预测模型的训练方法、装置及计算设备。
背景技术
随着计算机技术的发展,基于用户历史行为数据,开始采用各种模型来预测或模拟资源转移的情况,以便防止用户资源在短期内出现的流动性风险,进而提高用户资源的使用效率。
目前,在构建预测或模拟资源转移模型的过程中,线性聚合用户历史行为特征会导致预测值非线性变形分布;考虑到非线性的影响,会将影响非线性的用户历史行为特征丢弃,但是这会导致大量的信息丢失,使得预测值与真实值之间的差异很大,导致最终训练得到的模型预测准确性不高。因此,急需一种更加有效地预测用户的资源转移情况的模型。
发明内容
本说明书一个或多个实施例提供了一种资源转移预测模型的训练方法、装置及计算设备,能够提高模型预测的准确性。
根据本说明书一个或多个实施例提供的技术方案如下:
第一方面,提供一种资源转移预测模型的训练方法,该方法可以包括:
获取多个历史行为数据集合中的多个用户的历史行为特征数据,以及该历史行为特征数据对应的资源转移数据;
针对多个历史行为数据集合中的每一个历史行为数据集合,执行以下操作:
将每一个历史行为数据集合对应的历史行为特征数据输入资源转移预测模型,得到每一个历史行为数据集合对应的预测值;
聚合每一个历史行为数据集合对应的预测值,及其每一个历史行为数据集合中的多个用户的历史行为特征数据对应的资源转移数据,得到每一个历史行为数据集合对应的损失函数;
在每一个历史行为数据集合对应的损失函数不满足预设条件的情况下,根据每一个历史行为数据集合对应的损失函数调整资源转移预测模型中的参数;
直至损失函数满足预设条件,将参数调整后的资源转移预测模型作为训练后的资源转移预测模型。
第二方面,提供一种预测资源转移的方法,该方法可以包括:
获取多个用户的待预测行为特征数据;
利用资源转移预测模型,分别对多个用户的待预测行为特征数据进行预测,得到多个用户中每个用户的资源转移预测结果。
第三方面,提供一种资源转移预测模型的训练装置,该装置可以包括:
获取模块,用于获取多个历史行为数据集合中的多个用户的历史行为特征数据,以及该历史行为特征数据对应的资源转移数据;
计算模块,用于将多个历史行为数据集合中的每一个历史行为数据集合对应的历史行为特征数据输入资源转移预测模型,得到每一个历史行为数据集合对应的预测值;
聚合模块,用于聚合每一个历史行为数据集合对应的预测值,及其每一个历史行为数据集合中的多个用户的历史行为特征数据对应的资源转移数据,得到每一个历史行为数据集合对应的损失函数;
调整模块,用于基于每一个历史行为数据集合对应的损失函数调整资源转移预测模型中的参数;
确定模块,用于直至每一个历史行为数据集合对应的损失函数满足对应的预设条件,将参数调整后的资源转移预测模型作为训练后的资源转移预测模型。
第四方面,提供一种预测资源转移的装置,该装置可以包括:
获取模块,用于获取多个用户的待预测行为特征数据;
预测模块,用于利用资源转移预测模型,分别对多个用户的待预测行为特征数据进行预测,得到多个用户中每个用户的资源转移预测结果。
第五方面,提供一种计算设备,该计算设备可以包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现上述的资源转移预测模型的训练方法。
第六方面,提供一种计算设备,该计算设备可以包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现上述的预测资源转移的方法。
第七方面,提供一种计算机可读存储介质,存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现上述的资源转移预测模型的训练方法。
第八方面,提供一种计算机可读存储介质,存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现上述的预测资源转移的方法。
根据上述的本说明书一个或多个实施例,通过聚合每一个历史行为数据集合对应的预测值,以及历史行为特征数据资源转移数据,得到每一个历史行为数据集合对应的损失函数;基于每一个历史行为数据集合对应的损失函数调整资源转移预测模型中的参数;继续迭代,直至损失函数满足预设条件,将参数调整后的资源转移预测模型作为训练后的资源转移预测模型。本说明书通过聚合预测值和资源转移数据得到损失函数,使得预测值不存在非线性变形分布的情况,因此,更趋近于对应的资源转移数据,进而提高了预测准确性。
附图说明
为了更清楚地说明本说明书一个或多个实施例的技术方案,下面将对本说明书一个或多个实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书的一个示例的互联网访问系统架构图;
图2为本说明书的一个实施例提供的资源转移预测模型的训练方法的流程图;
图3为本说明书的一个实施例提供的预测资源转移的方法的流程图;
图4为本说明书的一个实施例提供的资源转移预测模型的训练装置的结构示意图;
图5为本说明书的一个实施例提供的预测资源转移的装置的结构示意图;
图6为本说明书的一个实施例提供的计算设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图,对本说明书提供的方案进行详细描述。
图1为本说明书的一个示例的互联网访问系统架构图。如图1所示,该互联网访问系统包括用户终端100、用户终端200、用户终端300和服务器400,在图1中仅以三个用户终端为示例。当用户分别操作用户终端100 、用户终端200 和用户终端300 时,会在用户终端100 、用户终端200 和用户终端300 上产生历史行为特征数据和资源转移数据;服务器400,用于获取历史行为特征数据和资源转移数据,并基于获取的历史行为特征数据和资源转移数据对资源转移情况进行预测。为了能够充分利用这些获取的历史行为特征数据和资源转移数据,来准确预测资源转移数据,本说明书提供了一种资源转移预测模型的训练方法。
在本说明书中,用户终端具体可以是手机、平板电脑、个人电脑等。服务器可以是一种高性能的电子计算器,用于存储和处理数据,在本说明书中,服务器可以存储多个资源,以为用户终端提供资源对应的后台服务。
图2为本说明书的一个实施例提供的资源转移预测模型的训练方法的流程图。如图2所示,该资源转移预测模型的训练方法,包括:
S210:获取多个历史行为数据集合中的多个用户的历史行为特征数据,以及该历史行为特征数据对应的资源转移数据;
S220:将多个历史行为数据集合中的每一个历史行为数据集合对应的历史行为特征数据输入资源转移预测模型,得到每一个历史行为数据集合对应的预测值;
S230:聚合每一个历史行为数据集合对应的预测值,及其每一个历史行为数据集合中的多个用户的历史行为特征数据对应的资源转移数据,得到每一个历史行为数据集合对应的损失函数;
S240:判断每一个历史行为数据集合对应的损失函数是否满足对应的预设条件;如果每一个历史行为数据集合对应的损失函数不满足预设条件,则执行S250;
S250:基于每一个历史行为数据集合对应的损失函数调整资源转移预测模型中的参数;
继续执行S220~S250,直至每一个历史行为数据集合对应的损失函数满足对应的预设条件,执行S260;
S260:将参数调整后的资源转移预测模型作为训练后的资源转移预测模型。
根据上述的本说明书一个或多个实施例,通过聚合每一个历史行为数据集合对应的预测值和资源转移数据,得到每一个历史行为数据集合对应的损失函数;基于每一个历史行为数据集合对应的损失函数调整资源转移预测模型中的参数;继续迭代,直至损失函数满足预设条件,将参数调整后的资源转移预测模型作为训练后的资源转移预测模型。本说明书通过聚合预测值和资源转移数据得到损失函数,使得预测值不存在非线性变形分布的情况,因此,更趋近于对应的资源转移数据,进而提高了预测准确性。
在本说明书的S210,包括:
从多个用户终端上获取历史行为数据,然后将获取的历史行为数据组成多个batch(即,历史行为数据集合),每一个batch包括多个用户的历史行为特征数据和对应的资源转移数据。其中,batch的大小(size)可以设置为1万~100万,此时训练得到的模型准确性较高。
在本说明书的一个实施例中,历史行为特征数据包括如下项中的至少一项:资源转移账户注册时间、资源转移获取频率、资源转移时间、资源转移使用日志。其中,在本说明书中,资源具有流动性,例如股票收益、资产收益、花呗返款等。
在本说明书的S220,包括:
将多个batch中的每一个batch对应的历史行为特征数据输入资源转移预测模块,得到每一个batch对应的预测值。
在本说明书的S230,包括:
确定每一个历史行为数据集合中每一个用户的预测值;
聚合每一个用户的预测值,得到每一个历史行为数据集合对应的预测值;以及聚合每一个历史行为数据集合中每一个用户的历史行为数据对应的资源转移数据;
根据每一个历史行为数据集合对应的预测值和聚合后的资源转移数据,得到每一个历史行为数据集合对应的损失函数。
在本说明书中,将一个batch中的每一个用户对应的预测值进行聚合,得到每一个用户聚合后的预测值;以及聚合每一个历史行为数据集合中每一个用户的历史行为数据对应的资源转移数据,然后基于每一个历史行为数据集合对应的预测值和聚合后的资源转移数据,得到每一个历史行为数据集合对应的损失函数。本说明书通过聚合预测值和资源转移数据得到损失函数,使得预测值不存在非线性变形分布的情况,因此,更趋近于资源转移数据,进而提高了预测准确性。
在本说明书的一个实施例中,该资源转移预测模型的训练方法,还包括:
将每一个历史行为数据集合划分为多组;其中,多组中的每一组包括至少一个用户的历史行为特征数据,及其至少一个用户的历史行为特征数据对应的资源转移数据。
在本说明书中,将每一个历史行为数据集合划分为多组,包括:
其中,对于每个batch,将每个batch划分成P个组,第i组包括Qi个历史行为数据;其中,P大于等于2的正整数,Qi大于等于1的正整数。
第一种方式:随机划分成P组;
第二种方式:平均划分成P组;
第三种方式:对每一个历史行为数据集合进行聚类,得到聚类结果;根据聚类结果,将每一个历史行为数据集合划分为多组;得到每一组历史行为数据集合对应的多组历史行为数据;其中,多组中的每一组包括至少一个用户的历史行为特征数据和对应的资源转移数据。
其中,第三种方式,是将每个batch进行聚类,得到聚类结果,然后基于聚类结果,将每个batch划分为P组。
具体地,在本说明书中,可以将属于同一类型的历史行为特征数据和对应的资源转移数据,或者属于同一地域的历史行为特征数据和对应的资源转移数据,或者同一年龄段的历史行为特征数据和对应的资源转移数据进行聚类,然后再根据聚类结果进行划分,得到多个分组,每组包括至少一个用户的历史行为特征数据和对应的资源转移数据;能够实现对同一类型的资源转移数据或同一地域或同一年龄段的资源转移数据的预测。
需要说明的是,每个batch分组的数量不限制为P组,在本说明书中仅以P组为示例。
在本说明书的一个实施例中,在对每个batch进行分组之后,该资源转移预测模型的训练方法,还包括:
将每一组的多个用户的历史行为特征数据输入资源转移预测模型,得到每一组的多个用户分别对应的预测值;聚合每一组的多个用户的预测值和每一组的多个用户的历史行为特征数据对应的资源转移数据,得到每一组的损失函数;根据每一组的损失函数,得到每一个历史行为数据集合对应的损失函数。
在本说明书中,在训练过程中,将每一个batch划分为P组之后,针对每一组分别计算对应的损失函数,然后累加P组中每一组对应的损失函数,得到每一个batch对应的损失函数。在训练过程中先对每个batch分组然后再针对每个组聚合预测值,能够大大减小真实值(即,资源转移数据)和聚合目标(预测值)不一致,进而提高了资源转移预测模型的预测准确性。
在“信息损失”和“保持优化目标与聚合目标一致性”之间平衡,在充分利用个体信息的前提下,达到优化聚合目标的目的。
其中,聚合每一组的多个用户的预测值和每一组的多个用户的历史行为特征数据对应的资源转移数据,得到每一组的损失函数,包括:
基于每一组的多个用户的预测值和每一组的多个用户的资源转移数据的方差或绝对值误差(Absolute Value Error),得到每一组的损失函数。其中,方差可以为均方差(Mean Square Error)。
在本说明书中,每个batch对应的损失函数如下:
其中,L为每个batch对应的损失函数,P为每个batch的组数,第i 组有Qi个用户历史行为数据,j为Qi个数据中的第j个用户的历史行为特征数据,θ为资源转移预测模型f内的参数,l为距离度量函数,用于测量预测值与真实值(即,资源转移数据)之间的距离。
在本说明书中,聚合包括:
分别对预测值和真实值求和,接着对求和后的预测值和真实值求取平均值,然后计算预测值和真实值之间的距离,最终对距离求和。
在本说明书的S250,包括:
如果每个batch对应的损失函数不满足预设条件,则调整资源转移预测模型中的参数,使得当前batch对应的预测值趋近于资源转移数据,即当前batch对应的损失函数满足预设条件;然后基于下一个batch继续迭代,直到损失函数满足预设条件,则停止迭代,完成模型的训练。
需要说明的是,预设条件可以根据最终的优化目标的精确度来进行设置。
在本说明书中,可以针对具有流动性的用户资源转移进行预测,以便防止用户资源转移在短期内出现的流动性风险,进而提高了用户资源转移的使用效率。
图3为本说明书的一个实施例提供的预测资源转移的方法的流程图。如图3所示,该预测资源转移的方法包括:
S310:获取多个用户的待预测行为特征数据;
S320:利用资源转移预测模型,分别对多个用户的待预测行为特征数据进行预测,得到多个用户中每个用户的资源转移预测结果。
根据上述的本说明书一个或多个实施例,通过资源转移预测模型对待预测行为特征数据进行预测,得到多个用户中的每个用户的资源转移预测结果。
在本说明书的一个实施例中,该预测资源转移的方法,还包括:
根据每个用户的资源转移预测结果,确定多个用户的总资源转移预测结果。
在本说明书中,通过累加目标日每个用户的资源转移预测结果,得到多个用户的总资源转移预测结果。其中,目标日为待预测对应的日期。
图4为本说明书的一个实施例提供的资源转移预测模型的训练装置的结构示意图。如图4所示,该资源转移预测模型的训练装置40包括:
获取模块402,用于获取多个历史行为数据集合中的多个用户的历史行为特征数据,以及历史行为特征数据对应的资源转移数据;
计算模块404,用于将多个历史行为数据集合中的每一个历史行为数据集合对应的历史行为特征数据输入资源转移预测模型,得到每一个历史行为数据集合对应的预测值;
聚合 模块406,用于聚合每一个历史行为数据集合对应的预测值,及其每一个历史行为数据集合中的多个用户的历史行为特征数据对应的资源转移数据,得到每一个历史行为数据集合对应的损失函数;
调整模块408,用于基于每一个历史行为数据集合对应的损失函数调整资源转移预测模型中的参数;
确定模块410,用于直至每一个历史行为数据集合对应的损失函数满足对应的预设条件,将参数调整后的资源转移预测模型作为训练后的资源转移预测模型。
本说明书通过聚合预测值和资源转移数据得到损失函数,使得预测值不存在非线性变形分布的情况,因此,更趋近于资源转移数据,进而提高了预测准确性。
可选的,聚合 模块406,用于:
确定每一个历史行为数据集合中每一个用户的预测值;
聚合每一个用户的预测值,得到每一个历史行为数据集合对应的预测值;以及聚合每一个历史行为数据集合中每一个用户的历史行为数据对应的资源转移数据;
根据每一个历史行为数据集合对应的预测值和聚合后的资源转移数据,得到每一个历史行为数据集合对应的损失函数。
可选的,该资源转移预测模型的训练装置还包括:
划分模块,用于将每一个历史行为数据集合划分为多组;其中,多组中的每一组包括至少一个用户的历史行为特征数据,及其至少一个用户的历史行为特征数据对应的资源转移数据。
可选的,计算模块404,用于将每一组的多个用户的用户历史行为特征数据输入资源转移预测模型,得到每一组的多个用户分别对应的预测值;
聚合 模块406,还用于聚合每一组的多个用户的预测值和每一组的多个用户历史行为特征数据对应的资源转移数据,得到每一组的损失函数;
计算模块404,还用于根据每一组的损失函数,得到每一个历史行为数据集合对应的损失函数。
可选的,聚合 模块406,还用于:
基于每一组的多个用户的预测值和每一组的多个用户的历史行为特征数据对应的资源转移数据的方差或绝对方差,得到每一组的损失函数。
可选的,该资源转移预测模型的训练装置还包括:
聚类模块,用于对每一个历史行为数据集合进行聚类,得到聚类结果;
划分模块,用于根据聚类结果,将每一个历史行为数据集合划分为多组;其中,多组中的每一组包括至少一个用户的历史行为特征数据,及其至少一个用户的历史行为特征数据对应的资源转移数据。
可选的,历史行为特征数据包括如下项中的至少一项:资源转移账户注册时间、资源转移获取频率、资源转移返还时间、资源转移使用日志。
图5为本说明书的一个实施例提供的预测资源转移的装置的结构示意图。如图5所示,该预测资源转移的装置50包括:
获取模块502,用于获取多个用户的待预测行为特征数据;
预测模块504,用于利用资源转移预测模型,分别对多个用户的待预测行为特征数据进行预测,得到多个用户中每个用户的资源转移预测结果。
可选的,该预测资源转移的装置,还包括:
确定模块,用于根据每个用户的资源转移预测结果,得到多个用户的总资源转移预测结果。
图6为本说明书的一个实施例提供的计算设备示意性框图。
计算设备600包括输入设备601、输入接口602、中央处理器603、存储器604、输出接口605、以及输出设备606。其中,输入接口602、中央处理器603、存储器604、以及输出接口605通过总线610相互连接,输入设备601和输出设备606分别通过输入接口602和输出接口605与总线 610连接,进而与计算设备600的其他组件连接。
具体地,输入设备601接收来自外部的输入信息,并通过输入接口 602将输入信息传送到中央处理器603;中央处理器603基于存储器604中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器604中,然后通过输出接口605将输出信息传送到输出设备606;输出设备606将输出信息输出到计算设备600的外部供用户使用。
图6所示的计算设备也可以被实现为包括:存储有计算机可执行指令的存储器;以及处理器,该处理器在执行计算机可执行指令时可以实现图 2描述的资源转移预测模型的训练方法和装置和图4描述的预测资源转移的方法和装置。
图6所示的计算设备也可以被实现为包括:存储有计算机可执行指令的存储器;以及处理器,该处理器在执行计算机可执行指令时可以实现结合图3和图5描述的预测资源转移的方法和装置。
根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以从网络上被下载和安装,和/或从可拆卸存储介质被安装。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令,当其在计算机上运行时,使得计算机执行上述各个实施例中描述的方法。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等) 方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘)等。
以上所描述的装置实例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
需要明确的是,本发明并不局限于上文实施例中所描述并在图中示出的特定配置和处理。为了描述的方便和简洁,这里省略了对已知方法的详细描述,并且上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
还需要说明的是,上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本领域的技术人员可以清楚地了解到,本发明的方法过程并不限于所描述和示出的具体步骤,任何熟悉本技术领域的技术人员在领会本发明的精神后,在本发明揭露的技术范围内作出各种改变、修改和添加,或者等效替换以及改变步骤之间的顺序,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (18)
1.一种资源转移预测模型的训练方法,所述方法包括:
获取多个历史行为数据集合中的多个用户的历史行为特征数据,以及所述历史行为特征数据对应的资源转移数据;
针对所述多个历史行为数据集合中的每一个历史行为数据集合,执行以下操作:
将所述每一个历史行为数据集合对应的历史行为特征数据输入所述资源转移预测模型,得到所述每一个历史行为数据集合对应的预测值;
聚合所述每一个历史行为数据集合对应的预测值,及其每一个历史行为数据集合中的多个用户的历史行为特征数据对应的资源转移数据,得到所述每一个历史行为数据集合对应的损失函数;
在所述每一个历史行为数据集合对应的损失函数不满足预设条件的情况下,根据所述每一个历史行为数据集合对应的损失函数调整所述资源转移预测模型中的参数;
直至所述损失函数满足所述预设条件,将参数调整后的资源转移预测模型作为训练后的资源转移预测模型;
所述方法还包括:
对所述每一个历史行为数据集合进行聚类,得到聚类结果;其中,每一个所述历史行为数据集合包括属于同一类型、同一地域或者同一年龄段的历史行为特征数据和对应的资源转移数据;
根据所述聚类结果,将所述每一个历史行为数据集合划分为多组,得到所述每一个历史行为数据集合对应的多组历史行为数据;其中,所述多组历史行为数据中的每一组包括至少一个用户的历史行为特征数据,及其所述至少一个用户的历史行为特征数据对应的资源转移数据。
2.根据权利要求1所述的方法,其中,所述聚合所述每一个历史行为数据集合对应的预测值,及其每一个历史行为数据集合中的多个用户的历史行为特征数据对应的资源转移数据,得到所述每一个历史行为数据集合对应的损失函数,包括:
确定所述每一个历史行为数据集合中每一个用户的预测值;
聚合所述每一个用户的预测值,得到所述每一个历史行为数据集合对应的预测值;以及聚合所述每一个历史行为数据集合中每一个用户的历史行为数据对应的资源转移数据;
根据所述每一个历史行为数据集合对应的预测值和聚合后的资源转移数据,得到所述每一个历史行为数据集合对应的损失函数。
3.根据权利要求1所述的方法,其中,所述方法还包括:
将每一组的多个用户的历史行为特征数据输入所述资源转移预测模型,得到所述每一组的多个用户分别对应的预测值;
聚合所述每一组的多个用户的预测值和所述每一组的多个用户的历史行为特征数据对应的资源转移数据,得到所述每一组的损失函数;
根据所述每一组的损失函数,得到所述每一个历史行为数据集合对应的损失函数。
4.根据权利要求3所述的方法,其中,所述聚合所述每一组的多个用户的预测值和所述每一组的多个用户的历史行为特征数据对应的资源转移数据,得到所述每一组的损失函数,包括:
基于所述每一组的多个用户的预测值和所述每一组的多个用户的历史行为特征数据对应的资源转移数据的方差或绝对值误差,得到所述每一组的损失函数。
5.根据权利要求1所述的方法,其中,所述历史行为特征数据包括如下项中的至少一项:资源转移账户注册时间、资源转移获取频率、资源转移时间、资源转移使用日志。
6.一种预测资源转移的方法,所述方法包括:
获取多个用户的待预测行为特征数据;
利用如权利要求1-5任一项所述的方法训练的资源转移预测模型,分别对所述多个用户的待预测行为特征数据进行预测,得到所述多个用户中每个用户的资源转移预测结果。
7.根据权利要求6所述的方法,所述方法还包括:
根据每个用户的资源转移预测结果,确定所述多个用户的总资源转移预测结果。
8.一种资源转移预测模型的训练装置,所述装置包括:
获取模块,用于获取多个历史行为数据集合中的多个用户的历史行为特征数据,以及所述历史行为特征数据对应的资源转移数据;
计算模块,用于将所述多个历史行为数据集合中的每一个历史行为数据集合对应的历史行为特征数据输入所述资源转移预测模型,得到所述每一个历史行为数据集合对应的预测值;
聚合模块,用于聚合每一个历史行为数据集合对应的预测值,及其每一个历史行为数据集合中的多个用户的历史行为特征数据对应的所述资源转移数据,得到所述每一个历史行为数据集合对应的损失函数;
调整模块,用于基于所述每一个历史行为数据集合对应的损失函数调整所述资源转移预测模型中的参数;
确定模块,用于直至所述每一个历史行为数据集合对应的损失函数满足对应的预设条件,将参数调整后的资源转移预测模型作为训练后的资源转移预测模型;
所述装置还包括:
聚类模块,用于对所述每一个历史行为数据集合进行聚类,得到聚类结果;其中,每一个所述历史行为数据集合包括属于同一类型、同一地域或者同一年龄段的历史行为特征数据和对应的资源转移数据;
划分模块,用于根据所述聚类结果,将所述每一个历史行为数据集合划分为多组,得到所述每一个历史行为数据集合对应的多组历史行为数据;其中,所述多组历史行为数据中的每一组包括至少一个用户的历史行为特征数据,及其所述至少一个用户的历史行为特征数据对应的资源转移数据。
9.根据权利要求8所述的装置,其中,所述聚合模块,用于:
确定所述每一个历史行为数据集合中每一个用户的预测值;
聚合所述每一个用户的预测值,得到所述每一个历史行为数据集合对应的预测值;以及聚合所述每一个历史行为数据集合中每一个用户的历史行为数据对应的资源转移数据;
根据所述每一个历史行为数据集合对应的预测值和聚合后的资源转移数据,得到所述每一个历史行为数据集合对应的损失函数。
10.根据权利要求8所述的装置,其中,
所述计算模块,还用于将每一组的多个用户的历史行为特征数据输入所述资源转移预测模型,得到所述每一组的多个用户分别对应的预测值;
所述聚合模块,还用于聚合所述每一组的多个用户的预测值和所述每一组的多个用户的历史行为特征数据对应的资源转移数据,得到所述每一组的损失函数;
所述计算模块,还用于根据所述每一组的损失函数,得到所述每一个历史行为数据集合对应的损失函数。
11.根据权利要求10所述的装置,其中,所述聚合模块,还用于:
基于所述每一组的多个用户的预测值和所述每一组的多个用户的历史行为特征数据对应的资源转移数据的方差或绝对值误差,得到所述每一组的损失函数。
12.根据权利要求8所述的装置,其中,所述历史行为特征数据包括如下项中的至少一项:资源转移账户注册时间、资源转移获取频率、资源转移时间、资源转移使用日志。
13.一种预测资源转移的装置,所述装置包括:
获取模块,用于获取多个用户的待预测行为特征数据;
预测模块,用于利用如权利要求1-5任一项所述的方法训练的资源转移预测模型,分别对所述多个用户的待预测行为特征数据进行预测,得到所述多个用户中每个用户的资源转移预测结果。
14.根据权利要求13所述的装置,所述装置还包括:
确定模块,用于根据所述每个用户的资源转移预测结果,确定所述多个用户的总资源转移预测结果。
15.一种计算设备,所述计算设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-5任意一项所述的资源转移预测模型的训练方法。
16.一种计算设备,所述计算设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求6或7任意一项所述的预测资源转移的方法。
17.一种计算机可读存储介质,所述存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-5任意一项所述的资源转移预测模型的训练方法。
18.一种计算机可读存储介质,所述存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求6或7任意一项所述的预测资源转移的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911229080.7A CN111160614B (zh) | 2019-12-04 | 2019-12-04 | 资源转移预测模型的训练方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911229080.7A CN111160614B (zh) | 2019-12-04 | 2019-12-04 | 资源转移预测模型的训练方法、装置及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160614A CN111160614A (zh) | 2020-05-15 |
CN111160614B true CN111160614B (zh) | 2023-03-24 |
Family
ID=70556417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911229080.7A Active CN111160614B (zh) | 2019-12-04 | 2019-12-04 | 资源转移预测模型的训练方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160614B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114363193B (zh) * | 2022-01-04 | 2024-01-09 | 北京达佳互联信息技术有限公司 | 资源预测模型的训练方法和装置、资源预测方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764863B (zh) * | 2018-05-24 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 一种数据转移方法、装置、服务器和存储介质 |
US10715448B2 (en) * | 2018-05-25 | 2020-07-14 | Software Ag | System and/or method for predictive resource management in file transfer servers |
CN110490595B (zh) * | 2019-07-26 | 2023-08-25 | 创新先进技术有限公司 | 一种风险控制方法和装置 |
-
2019
- 2019-12-04 CN CN201911229080.7A patent/CN111160614B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111160614A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020119051A1 (zh) | 云平台资源使用预测方法及终端设备 | |
CN111435463A (zh) | 数据处理方法及相关设备、系统 | |
CN111612275A (zh) | 一种预测区域用户负荷量的方法及装置 | |
CN109413694B (zh) | 一种基于内容流行度预测的小小区缓存方法及装置 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN113837383B (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN111160614B (zh) | 资源转移预测模型的训练方法、装置及计算设备 | |
WO2021180056A1 (zh) | 一种资源迁移的方法、系统及设备 | |
CN114461618A (zh) | 一种计量缺失数据补全方法、装置及终端设备 | |
CN111585789B (zh) | 数据预测方法及装置 | |
CN114257521A (zh) | 流量预测方法、装置、电子设备和存储介质 | |
CN113837782B (zh) | 时间序列模型的周期项参数优化方法、装置、计算机设备 | |
CN111490889B (zh) | 一种无线业务增长预估方法及装置 | |
CN111598390B (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
CN110134575B (zh) | 一种服务器集群的服务能力计算方法及装置 | |
CN109981327B (zh) | 一种业务量的预测方法及系统 | |
CN112669091A (zh) | 数据处理方法、装置及存储介质 | |
CN112926801A (zh) | 一种基于分位数回归的负荷曲线组合预测方法及装置 | |
CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
CN117056663B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN114358381A (zh) | 台区用电负荷预测方法、装置、终端及存储介质 | |
CN113505532B (zh) | 设备剩余寿命预测方法、装置、计算机设备及介质 | |
WO2024031332A1 (zh) | 基于机器学习的股票趋势分析方法、装置 | |
CN111126465B (zh) | 节点分类方法、装置、终端设备及计算机可读存储介质 | |
CN116843473A (zh) | 基于云计算的股票数据采集方法、系统、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |