CN113743642A - 预测模型训练方法和装置、触达人数预测方法和装置 - Google Patents

预测模型训练方法和装置、触达人数预测方法和装置 Download PDF

Info

Publication number
CN113743642A
CN113743642A CN202110110966.0A CN202110110966A CN113743642A CN 113743642 A CN113743642 A CN 113743642A CN 202110110966 A CN202110110966 A CN 202110110966A CN 113743642 A CN113743642 A CN 113743642A
Authority
CN
China
Prior art keywords
user group
increment
touch
prediction
fusion
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.)
Pending
Application number
CN202110110966.0A
Other languages
English (en)
Inventor
田明杨
白冰
林战刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN202110110966.0A priority Critical patent/CN113743642A/zh
Publication of CN113743642A publication Critical patent/CN113743642A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供一种预测模型训练方法和装置、触达人数预测方法和装置。预测模型训练方法包括：将每个用户组的历史行为特征输入第一预测模型，以预测每个用户组的第一触达人数增量；将每个用户组在历史业务活动中的触达人数增量输入第二预测模型，以预测每个用户组的第二触达人数增量；将每个用户组分别在相邻两个历史业务活动中的触达人数增量输入第三预测模型，以预测每个用户组的第三触达人数增量；将每个用户组的第一至第三触达人数增量输入融合模型，以得到每个用户组的融合增量；根据预测偏差对第一至第三预测模型和融合模型进行训练，以便各用户组的融合增量的预测偏差之和最小。进而利用经过训练的第一至第三预测模型和融合模型预估触达人数。

Description

预测模型训练方法和装置、触达人数预测方法和装置
技术领域
本公开涉及信息处理领域，特别涉及一种预测模型训练方法和装置、触达人数预测方法和装置。
背景技术
触达人数(Touch Users)是评价业务活动的一个重要指标。在相关技术中，通过基于时间序列的拟合方法对业务活动的触达人数进行预估。
发明内容
发明人通过研究发现，相关技术中的触达人数预估方法受到外界的影响较大，从而导致预测偏差较大。
据此，本公开提供一种预测模型训练方案，能够对业务活动的触达人数进行准确预估。
根据本公开实施例的第一方面，提供一种预测模型训练方法，包括：将每个用户组的历史行为特征输入第一预测模型，以预测所述每个用户组在目标业务活动中的第一触达人数增量；将所述每个用户组在历史业务活动中的触达人数增量输入第二预测模型，以预测所述每个用户组在所述目标业务活动中的第二触达人数增量；将所述每个用户组分别在相邻两个历史业务活动中的触达人数增量输入第三预测模型，以预测所述每个用户组在所述目标业务活动中的第三触达人数增量；将所述每个用户组的第一触达人数增量、第二触达人数增量和第三触达人数增量输入融合模型，以得到所述每个用户组的融合增量；根据所述每个用户组在所述目标业务活动中的触达人数增量统计值，分别计算所述每个用户组的所述第一触达人数增量、第二触达人数增量、第三触达人数增量和融合增量的预测偏差；根据所述预测偏差对所述第一预测模型、第二预测模型、第三预测模型和融合模型进行训练，以便相比于各用户组的所述第一至第三触达人数增量的预测偏差之和，各用户组的融合增量的预测偏差之和最小。
在一些实施例中，所述融合模型在所述每个用户组的第二触达人数增量大于第三触达人数增量时将所述每个用户组的第一触达人数增量和第二触达人数增量的加权和作为所述每个用户组的融合增量，在所述每个用户组的第二触达人数增量小于第三触达人数增量时将所述每个用户组的第一触达人数增量和第三触达人数增量的加权和作为所述每个用户组的融合增量。
在一些实施例中，所述融合模型利用公式
Figure BDA0002919336360000021
计算第i个用户组的融合增量yi，其中ρx，y是与预设目标相关联的权重值，
Figure BDA0002919336360000022
是所述第i个用户组的第一触达人数增量，
Figure BDA0002919336360000023
是所述第i个用户组的第二触达人数增量，
Figure BDA0002919336360000024
是所述第i个用户组的第二触达人数增量，1≤i≤N，N为用户组总数。
在一些实施例中，所述权重值是与预设目标相关联的皮尔逊相关系数。
在一些实施例中，所述预测偏差包括加权平均绝对百分比误差和平均绝对百分比误差的反差中的至少一项。
在一些实施例中，同一用户组中用户对目标资源的关注差异度小于预设门限，不同用户组间用户对目标资源的关注差异度大于预设门限。
根据本公开实施例的第二方面，提供一种预测模型训练装置，包括：第一预测模块，被配置为将每个用户组的历史行为特征输入第一预测模型，以预测所述每个用户组在目标业务活动中的第一触达人数增量；第二预测模块，被配置为将所述每个用户组在历史业务活动中的触达人数增量输入第二预测模型，以预测所述每个用户组在所述目标业务活动中的第二触达人数增量；第三预测模块，被配置为将所述每个用户组分别在相邻两个历史业务活动中的触达人数增量输入第三预测模型，以预测所述每个用户组在所述目标业务活动中的第三触达人数增量；第四预测模块，被配置为将所述每个用户组的第一触达人数增量、第二触达人数增量和第三触达人数增量输入融合模型，以得到所述每个用户组的融合增量；训练模块，被配置为根据所述每个用户组在所述目标业务活动中的触达人数增量统计值，分别计算所述每个用户组的所述第一触达人数增量、第二触达人数增量、第三触达人数增量和融合增量的预测偏差，根据所述预测偏差对所述第一预测模型、第二预测模型、第三预测模型和融合模型进行训练，以便相比于各用户组的所述第一至第三触达人数增量的预测偏差之和，各用户组的融合增量的预测偏差之和最小。
根据本公开实施例的第三方面，提供一种预测模型训练装置，包括：存储器，被配置为存储指令；处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如上述任一实施例所述的方法。
根据本公开实施例的第四方面，提供一种触达人数预测方法，包括：将每个用户组的历史行为特征输入利用上述任一实施例所述的预测模型训练方法所得到的第一预测模型，以预测所述每个用户组在当前业务活动中的第一触达人数增量；将所述每个用户组在历史业务活动中的触达人数增量输入上述任一实施例所述的预测模型训练方法所得到的第二预测模型，以预测所述每个用户组在所述当前业务活动中的第二触达人数增量；将所述每个用户组分别在相邻两个历史业务活动中的触达人数增量输入利用上述任一实施例所述的预测模型训练方法所得到的第三预测模型，以预测所述每个用户组在所述当前业务活动中的第三触达人数增量；将所述每个用户组的第一触达人数增量、第二触达人数增量和第三触达人数增量输入利用上述任一实施例所述的预测模型训练方法所得到的融合模型，以得到所述每个用户组的融合增量；分别计算所述每个用户组在所述当前业务活动前的触达人数和所述每个用户组的融合增量，以预估所述每个用户组在所述当前业务活动中的触达人数。
根据本公开实施例的第五方面，提供一种触达人数预测装置，包括：第五预测模块，被配置为将每个用户组的历史行为特征输入利用上述任一实施例所述的预测模型训练方法所得到的第一预测模型，以预测所述每个用户组在当前业务活动中的第一触达人数增量；第六预测模块，被配置为将所述每个用户组在历史业务活动中的触达人数增量输入利用上述任一实施例所述的预测模型训练方法所得到的第二预测模型，以预测所述每个用户组在所述当前业务活动中的第二触达人数增量；第七预测模块，被配置为将所述每个用户组分别在相邻两个历史业务活动中的触达人数增量输入利用所述任一实施例所述的预测模型训练方法所得到的第三预测模型，以预测所述每个用户组在所述当前业务活动中的第三触达人数增量；第八预测模块，被配置为将所述每个用户组的第一触达人数增量、第二触达人数增量和第三触达人数增量输入利用上述任一实施例所述的预测模型训练方法所得到的融合模型，以得到所述每个用户组的融合增量；预估模块，被配置为分别计算所述每个用户组在所述当前业务活动前的触达人数和所述每个用户组的融合增量，以预估所述每个用户组在所述当前业务活动中的触达人数。
根据本公开实施例的第六方面，提供一种触达人数预测装置，包括：存储器，被配置为存储指令；处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如上述任一实施例所述的方法。
根据本公开实施例的第七方面，提供一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上述任一实施例涉及的方法。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开一个实施例的预测模型训练方法的流程示意图；
图2为本公开一个实施例的触达人数示意图；
图3为本公开另一个实施例的触达人数示意图；
图4为本公开一个实施例的预测模型训练装置的结构示意图；
图5为本公开另一个实施例的预测模型训练装置的结构示意图；
图6为本公开一个实施例的触达人数预测方法的流程示意图；
图7为本公开一个实施例的触达人数预测装置的结构示意图；
图8为本公开另一个实施例的触达人数预测装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1为本公开一个实施例的预测模型训练方法的流程示意图。在一些实施例中，下列的预测模型训练方法步骤由预测模型训练装置执行。
在步骤101，将每个用户组的历史行为特征输入第一预测模型，以预测每个用户组在目标业务活动中的第一触达人数增量。
在一些实施例中，同一用户组中用户对目标资源的关注差异度小于预设门限，不同用户组间用户对目标资源的关注差异度大于预设门限。通过将用户按照目标资源的关注差异度进行划分，有利于对每一用户组的触达人数进行准确预估。
在一些实施例中，所使用的历史行为特征与预设目标相关联。由此可确保预测结果可根据预设目标的变化而发生变化。
在步骤102，将每个用户组在历史业务活动中的触达人数增量输入第二预测模型，以预测每个用户组在目标业务活动中的第二触达人数增量。
在图2中给出了第一用户组在不同业务活动中的触达人数示意图。为了预估业务活动23的触达人数增量，将业务活动21和业务活动22的触达人数增量输入第二预测模型，以预测业务活动23的触达人数增量。
这里需要说明的是，触达人数增量为业务活动的最终触达人数与业务活动前(例如业务活动开始前一天)的触达人数之差。在业务活动21、业务活动22和业务活动23中，若触达人数增量越大，则线段的斜率越大。
在步骤103，将每个用户组分别在相邻两个历史业务活动中的触达人数增量输入第三预测模型，以预测每个用户组在目标业务活动中的第三触达人数增量。
在图3中给出了第一用户组在不同业务活动中的触达人数示意图。为了预估业务活动37的触达人数增量，将业务活动31和业务活动32之间的触达人数增量、业务活动32和业务活动33之间的触达人数增量、业务活动33和业务活动34之间的触达人数增量、业务活动34和业务活动35之间的触达人数增量、业务活动35和业务活动36之间的触达人数增量输入第二预测模型，以预测业务活动37的触达人数增量。
这里需要说明的是，不同业务活动之间的触达人数增量可以为正值，也可以为负值。
在步骤104，将每个用户组的第一触达人数增量、第二触达人数增量和第三触达人数增量输入融合模型，以得到每个用户组的融合增量。
在一些实施例中，融合模型在每个用户组的第二触达人数增量大于第三触达人数增量时将每个用户组的第一触达人数增量和第二触达人数增量的加权和作为每个用户组的融合增量，在每个用户组的第二触达人数增量小于第三触达人数增量时将每个用户组的第一触达人数增量和第三触达人数增量的加权和作为每个用户组的融合增量。
例如，融合模型利用公式(1)计算第i个用户组的融合增量yi。
Figure BDA0002919336360000071
在公式(1)中，ρx，y是与预设目标相关联的权重值，
Figure BDA0002919336360000072
是第i个用户组的第一触达人数增量，
Figure BDA0002919336360000073
是第i个用户组的第二触达人数增量，
Figure BDA0002919336360000074
是第i个用户组的第二触达人数增量，1≤i≤N，N为用户组总数。
在一些实施例中，权重值ρx，y是与预设目标相关联的皮尔逊相关系数。由此可根据预设目标调整相应的权重值，有利于对用户组的触达人数进行准确预估。
由于通过上述融合处理能够借助历史数据和与预设目标相关联的参数进行预测，从而有助于得到更精确的预估结果。
在步骤105，根据每个用户组在目标业务活动中的触达人数增量统计值，分别计算每个用户组的第一触达人数增量、第二触达人数增量、第三触达人数增量和融合增量的预测偏差。
在一些实施例中，预测偏差包括加权平均绝对百分比误差wmape和平均绝对百分比误差的反差s_ape中的至少一项。
例如，若对于第一用户群来说，yi为触达人数增量的预测值，pi为实际的触达人数增量统计值，则利用公式(2)计算加权平均绝对百分比误差wmape。
Figure BDA0002919336360000075
在公式(2)中，k为样本总数。其它用户群也能利用公式(2)计算相应的wmape。
又例如，利用公式(3)、(4)计算第一用户群的平均绝对百分比误差的反差s_ape。
Figure BDA0002919336360000081
Figure BDA0002919336360000082
其它用户群也能利用公式(3)、(4)计算相应的s_ape。
在步骤106，根据预测偏差对第一预测模型、第二预测模型、第三预测模型和融合模型进行训练，以便相比于各用户组的第一至第三触达人数增量的预测偏差之和，各用户组的融合增量的预测偏差之和最小。
在本公开上述实施例提供的预测模型训练方法中，通过利用历史业务活动中的触达人数增量以及与预设目标相关联的参数，能够对预测模型进行有效训练，从而能够对业务活动的触达人数进行准确预估。
图4为本公开一个实施例的预测模型训练装置的结构示意图。如图4所示，预测模型训练装置包括第一预测模块41、第二预测模块42、第三预测模块43、第四预测模块44和训练模块45。
第一预测模块41被配置为将每个用户组的历史行为特征输入第一预测模型，以预测每个用户组在目标业务活动中的第一触达人数增量。
在一些实施例中，同一用户组中用户对目标资源的关注差异度小于预设门限，不同用户组间用户对目标资源的关注差异度大于预设门限。通过将用户按照目标资源的关注差异度进行划分，有利于对每一用户组的触达人数进行准确预估。
在一些实施例中，所使用的历史行为特征与预设目标相关联。由此可根据预设目标的不同而选择相应的历史行为特征，有利于对用户组的触达人数进行准确预估。
第二预测模块42被配置为将每个用户组在历史业务活动中的触达人数增量输入第二预测模型，以预测每个用户组在目标业务活动中的第二触达人数增量。
第三预测模块43被配置为将每个用户组分别在相邻两个历史业务活动中的触达人数增量输入第三预测模型，以预测每个用户组在目标业务活动中的第三触达人数增量。
第四预测模块44被配置为将每个用户组的第一触达人数增量、第二触达人数增量和第三触达人数增量输入融合模型，以得到每个用户组的融合增量。
在一些实施例中，融合模型在每个用户组的第二触达人数增量大于第三触达人数增量时将每个用户组的第一触达人数增量和第二触达人数增量的加权和作为每个用户组的融合增量，在每个用户组的第二触达人数增量小于第三触达人数增量时将每个用户组的第一触达人数增量和第三触达人数增量的加权和作为每个用户组的融合增量。
例如，融合模型利用上述公式(1)计算第i个用户组的融合增量yi。
训练模块45被配置为根据每个用户组在目标业务活动中的触达人数增量统计值，分别计算每个用户组的第一触达人数增量、第二触达人数增量、第三触达人数增量和融合增量的预测偏差，根据预测偏差对第一预测模型、第二预测模型、第三预测模型和融合模型进行训练，以便相比于各用户组的第一至第三触达人数增量的预测偏差之和，各用户组的融合增量的预测偏差之和最小。
在一些实施例中，预测偏差包括加权平均绝对百分比误差wmape和平均绝对百分比误差的反差s_ape中的至少一项。
例如，各用户群可利用上述公式(2)计算相应的加权平均绝对百分比误差wmape。此外，各用户群可利用上述的公式(3)、(4)计算相应的平均绝对百分比误差的反差s_ape。
图5为本公开另一个实施例的预测模型训练装置的结构示意图。如图5所示，预测模型训练装置包括存储器51和处理器52。
存储器51用于存储指令，处理器52耦合到存储器51，处理器52被配置为基于存储器存储的指令执行实现如图1中任一实施例涉及的方法。
如图5所示，该预测模型训练装置还包括通信接口53，用于与其它设备进行信息交互。同时，该预测模型训练装置还包括总线54，处理器52、通信接口53、以及存储器51通过总线54完成相互间的通信。
存储器51可以包含高速RAM存储器，也可还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器51也可以是存储器阵列。存储器51还可能被分块，并且块可按一定的规则组合成虚拟卷。
此外，处理器52可以是一个中央处理器CPU，或者可以是专用集成电路ASIC，或是被配置成实施本公开实施例的一个或多个集成电路。
本公开同时还涉及一种计算机可读存储介质，其中计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如图1中任一实施例涉及的方法。
下面通过具体示例对本公开进行说明。
如表1所示，每一行表示针对指定对象M的业务活动，每个业务活动的目标并不相同。根据用户对目标资源的关注差异度，将用户分为5个用户组，即A0-A4。为了针对2020年12月10至2020年12月15日的业务活动中各用户组的触达人数进行预测，下面对相应的预测模型进行训练。
Figure BDA0002919336360000101
表1
首先，将每个用户组的历史行为特征输入第一预测模型，以分别预测用户组A0-A4在指定活动中的第一触达人数增量y01、y11、y21、y31和y41。
接下来，将每个用户组在历史业务活动中的触达人数增量输入第二预测模型，以分别预测用户组A0-A4在指定活动中的第二触达人数增量y02、y12、y22、y32和y42。
接下来，将每个用户组分别在相邻两个历史业务活动中的触达人数增量输入第三预测模型，以分别预测用户组A0-A4在指定活动中的第三触达人数增量y03、y13、y23、y33和y43。
接下来，将每个用户组的第一触达人数增量、第二触达人数增量和第三触达人数增量输入融合模型，以得到每个用户组的融合增量。例如，将用户组A0的第一触达人数增量y01、第二触达人数增量y02和第三触达人数增量y03输入融合模型，以得到相应的融合增量y04。将用户组A1的第一触达人数增量y11、第二触达人数增量y12和第三触达人数增量y13输入融合模型，以得到相应的融合增量y14。将用户组A2的第一触达人数增量y21、第二触达人数增量y22和第三触达人数增量y23输入融合模型，以得到相应的融合增量y24。将用户组A3的第一触达人数增量y31、第二触达人数增量y32和第三触达人数增量y33输入融合模型，以得到相应的融合增量y34。将用户组A4的第一触达人数增量y41、第二触达人数增量y42和第三触达人数增量y43输入融合模型，以得到相应的融合增量y44。
接下来，根据每个用户组在目标业务活动中的触达人数增量统计值，分别计算每个用户组的第一触达人数增量、第二触达人数增量、第三触达人数增量和融合增量的预测偏差。
接下来，计算用户组A0-A4的第一触达人数增量的预测偏差之和q1，用户组A0-A4的第二触达人数增量的预测偏差之和q2，用户组A0-A4的第三触达人数增量的预测偏差之和q3，以及用户组A0-A4的融合增量的预测偏差之和q4。若在q1-q4中，q4不是最小，则利用预测偏差对第一预测模型、第二预测模型、第三预测模型和融合模型进行训练，直到用户组A0-A4的融合增量的预测偏差之和q4最小为止。在这种情况下可认为对第一预测模型、第二预测模型、第三预测模型和融合模型的训练完成。
图6为本公开一个实施例的触达人数预测方法的流程示意图。在一些实施例中，下列的触达人数预测方法步骤由触达人数预测装置执行。
在步骤601，将每个用户组的历史行为特征输入第一预测模型，以预测每个用户组在当前业务活动中的第一触达人数增量。
第一预测模型为利用图1中任一实施例的预测模型训练方法所训练得到的第一预测模型。
在步骤602，将每个用户组在历史业务活动中的触达人数增量输入第二预测模型，以预测每个用户组在当前业务活动中的第二触达人数增量。
第二预测模型为利用图1中任一实施例的预测模型训练方法所训练得到的第二预测模型。
在步骤603，将每个用户组分别在相邻两个历史业务活动中的触达人数增量输入第三预测模型，以预测每个用户组在当前业务活动中的第三触达人数增量。
第三预测模型输入为利用图1中任一实施例的预测模型训练方法所训练得到的第三预测模型。
在步骤604将每个用户组的第一触达人数增量、第二触达人数增量和第三触达人数增量输入融合模型，以得到每个用户组的融合增量。
融合模型输入为利用图1中任一实施例的预测模型训练方法所训练得到的融合模型。
在步骤605，分别计算每个用户组在当前业务活动前的触达人数和每个用户组的融合增量，以预估每个用户组在当前业务活动中的触达人数。
图7为本公开一个实施例的触达人数预测装置的结构示意图。如图7所示，触达人数预测装置包括第五预测模块71、第六预测模块72、第七预测模块73、第八预测模块74和预估模块75。
第五预测模块71被配置为将每个用户组的历史行为特征输入第一预测模型，以预测每个用户组在当前业务活动中的第一触达人数增量。
第一预测模型为利用图1中任一实施例的预测模型训练方法所训练得到的第一预测模型。
第六预测模块72被配置为将每个用户组在历史业务活动中的触达人数增量输入第二预测模型，以预测每个用户组在当前业务活动中的第二触达人数增量。
第二预测模型为利用图1中任一实施例的预测模型训练方法所训练得到的第二预测模型。
第七预测模块73被配置为将每个用户组分别在相邻两个历史业务活动中的触达人数增量输入第三预测模型，以预测每个用户组在当前业务活动中的第三触达人数增量。
第三预测模型输入为利用图1中任一实施例的预测模型训练方法所训练得到的第三预测模型。
第八预测模块74被配置为将每个用户组的第一触达人数增量、第二触达人数增量和第三触达人数增量输入融合模型，以得到每个用户组的融合增量。
融合模型输入为利用图1中任一实施例的预测模型训练方法所训练得到的融合模型。
预估模块75被配置为分别计算每个用户组在当前业务活动前的触达人数和每个用户组的融合增量，以预估每个用户组在当前业务活动中的触达人数。
图8为本公开另一个实施例的触达人数预测装置的结构示意图。如图8所示，触达人数预测装置包括存储器81、处理器82、通信接口83和总线84。图8与图5的不同之处在于，在图8所示实施例中，处理器82被配置为基于存储器存储的指令执行实现如图6中任一实施例涉及的方法。
本公开同时还涉及一种计算机可读存储介质，其中计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如图6中任一实施例涉及的方法。
在一些实施例中，如表1所示，在利用图1中任一实施例的预测模型训练方法完成对第一预测模型、第二预测模型、第三预测模型和融合模型的训练后，将每个用户组的历史行为特征输入第一预测模型，以分别预测用户组A0-A4在指定活动中的第一触达人数增量B01、B11、B21、B31和B41。
接下来，将每个用户组在历史业务活动中的触达人数增量输入第二预测模型，以分别预测用户组A0-A4在指定活动中的第二触达人数增量B02、B12、B22、B32和B42。
接下来，将每个用户组分别在相邻两个历史业务活动中的触达人数增量输入第三预测模型，以分别预测用户组A0-A4在指定活动中的第三触达人数增量B03、B13、B23、B33和B43。
接下来，将用户组A0的第一触达人数增量B01、第二触达人数增量B02和第三触达人数增量B03输入融合模型，以得到相应的融合增量B04。将用户组A1的第一触达人数增量B11、第二触达人数增量B12和第三触达人数增量B13输入融合模型，以得到相应的融合增量B14。将用户组A2的第一触达人数增量B21、第二触达人数增量B22和第三触达人数增量B23输入融合模型，以得到相应的融合增量B24。将用户组A3的第一触达人数增量B31、第二触达人数增量B32和第三触达人数增量B33输入融合模型，以得到相应的融合增量B34。将用户组A4的第一触达人数增量B41、第二触达人数增量B42和第三触达人数增量B43输入融合模型，以得到相应的融合增量B44。
接下来，将用户组A0在指定活动前的触达人数C0和融合增量B04相加，以预估出用户组A0在指定活动中的触达人数D0。将用户组A1在指定活动前的触达人数C1和融合增量B14相加，以预估出用户组A1在指定活动中的触达人数D1。将用户组A2在指定活动前的触达人数C2和融合增量B24相加，以预估出用户组A2在指定活动中的触达人数D2。将用户组A3在指定活动前的触达人数C3和融合增量B34相加，以预估出用户组A3在指定活动中的触达人数D3。将用户组A4在指定活动前的触达人数C4和融合增量B44相加，以预估出用户组A4在指定活动中的触达人数D4。
接下来，可根据预估的触达人数D0-D4的总和确定出针对指定对象的指定目标情况下的触达人数总和。
在一些实施例中，在上面所描述的功能单元模块可以实现为用于执行本公开所描述功能的通用处理器、可编程逻辑控制器(Programmable Logic Controller，简称：PLC)、数字信号处理器(Digital Signal Processor，简称：DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，简称：ASIC)、现场可编程门阵列(Field-ProgrammableGate Array，简称：FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。

Claims (12)

1.一种预测模型训练方法，包括：
将每个用户组的历史行为特征输入第一预测模型，以预测所述每个用户组在目标业务活动中的第一触达人数增量；
将所述每个用户组在历史业务活动中的触达人数增量输入第二预测模型，以预测所述每个用户组在所述目标业务活动中的第二触达人数增量；
将所述每个用户组分别在相邻两个历史业务活动中的触达人数增量输入第三预测模型，以预测所述每个用户组在所述目标业务活动中的第三触达人数增量；
将所述每个用户组的第一触达人数增量、第二触达人数增量和第三触达人数增量输入融合模型，以得到所述每个用户组的融合增量；
根据所述每个用户组在所述目标业务活动中的触达人数增量统计值，分别计算所述每个用户组的所述第一触达人数增量、第二触达人数增量、第三触达人数增量和融合增量的预测偏差；
根据所述预测偏差对所述第一预测模型、第二预测模型、第三预测模型和融合模型进行训练，以便相比于各用户组的所述第一至第三触达人数增量的预测偏差之和，各用户组的融合增量的预测偏差之和最小。
2.根据权利要求1所述的方法，其中，
所述融合模型在所述每个用户组的第二触达人数增量大于第三触达人数增量时将所述每个用户组的第一触达人数增量和第二触达人数增量的加权和作为所述每个用户组的融合增量，在所述每个用户组的第二触达人数增量小于第三触达人数增量时将所述每个用户组的第一触达人数增量和第三触达人数增量的加权和作为所述每个用户组的融合增量。
3.根据权利要求2所述的方法，其中，
所述融合模型利用公式
Figure FDA0002919336350000021
计算第i个用户组的融合增量yi，其中ρx，y是与预设目标相关联的权重值，
Figure FDA0002919336350000022
是所述第i个用户组的第一触达人数增量，
Figure FDA0002919336350000023
是所述第i个用户组的第二触达人数增量，
Figure FDA0002919336350000024
是所述第i个用户组的第二触达人数增量，1≤i≤N，N为用户组总数。
4.根据权利要求3所述的方法，其中，
所述权重值是与预设目标相关联的皮尔逊相关系数。
5.根据权利要求1所述的方法，其中，
所述预测偏差包括加权平均绝对百分比误差和平均绝对百分比误差的反差中的至少一项。
6.根据权利要求1-5中任一项所述的方法，其中，
同一用户组中用户对目标资源的关注差异度小于预设门限，不同用户组间用户对目标资源的关注差异度大于预设门限。
7.一种预测模型训练装置，包括：
第一预测模块，被配置为将每个用户组的历史行为特征输入第一预测模型，以预测所述每个用户组在目标业务活动中的第一触达人数增量；
第二预测模块，被配置为将所述每个用户组在历史业务活动中的触达人数增量输入第二预测模型，以预测所述每个用户组在所述目标业务活动中的第二触达人数增量；
第三预测模块，被配置为将所述每个用户组分别在相邻两个历史业务活动中的触达人数增量输入第三预测模型，以预测所述每个用户组在所述目标业务活动中的第三触达人数增量；
第四预测模块，被配置为将所述每个用户组的第一触达人数增量、第二触达人数增量和第三触达人数增量输入融合模型，以得到所述每个用户组的融合增量；
训练模块，被配置为根据所述每个用户组在所述目标业务活动中的触达人数增量统计值，分别计算所述每个用户组的所述第一触达人数增量、第二触达人数增量、第三触达人数增量和融合增量的预测偏差，根据所述预测偏差对所述第一预测模型、第二预测模型、第三预测模型和融合模型进行训练，以便相比于各用户组的所述第一至第三触达人数增量的预测偏差之和，各用户组的融合增量的预测偏差之和最小。
8.一种预测模型训练装置，包括：
存储器，被配置为存储指令；
处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如权利要求1-6中任一项所述的方法。
9.一种触达人数预测方法，包括：
将每个用户组的历史行为特征输入利用权利要求1-6中任一项所述的预测模型训练方法所得到的第一预测模型，以预测所述每个用户组在当前业务活动中的第一触达人数增量；
将所述每个用户组在历史业务活动中的触达人数增量输入利用权利要求1-6中任一项所述的预测模型训练方法所得到的第二预测模型，以预测所述每个用户组在所述当前业务活动中的第二触达人数增量；
将所述每个用户组分别在相邻两个历史业务活动中的触达人数增量输入利用权利要求1-6中任一项所述的预测模型训练方法所得到的第三预测模型，以预测所述每个用户组在所述当前业务活动中的第三触达人数增量；
将所述每个用户组的第一触达人数增量、第二触达人数增量和第三触达人数增量输入利用权利要求1-6中任一项所述的预测模型训练方法所得到的融合模型，以得到所述每个用户组的融合增量；
分别计算所述每个用户组在所述当前业务活动前的触达人数和所述每个用户组的融合增量，以预估所述每个用户组在所述当前业务活动中的触达人数。
10.一种触达人数预测装置，包括：
第五预测模块，被配置为将每个用户组的历史行为特征输入利用权利要求1-6中任一项所述的预测模型训练方法所得到的第一预测模型，以预测所述每个用户组在当前业务活动中的第一触达人数增量；
第六预测模块，被配置为将所述每个用户组在历史业务活动中的触达人数增量输入利用权利要求1-6中任一项所述的预测模型训练方法所得到的第二预测模型，以预测所述每个用户组在所述当前业务活动中的第二触达人数增量；
第七预测模块，被配置为将所述每个用户组分别在相邻两个历史业务活动中的触达人数增量输入利用权利要求1-6中任一项所述的预测模型训练方法所得到的第三预测模型，以预测所述每个用户组在所述当前业务活动中的第三触达人数增量；
第八预测模块，被配置为将所述每个用户组的第一触达人数增量、第二触达人数增量和第三触达人数增量输入利用权利要求1-6中任一项所述的预测模型训练方法所得到的融合模型，以得到所述每个用户组的融合增量；
预估模块，被配置为分别计算所述每个用户组在所述当前业务活动前的触达人数和所述每个用户组的融合增量，以预估所述每个用户组在所述当前业务活动中的触达人数。
11.一种触达人数预测装置，包括：
存储器，被配置为存储指令；
处理器，耦合到存储器，处理器被配置为基于存储器存储的指令执行实现如权利要求9中任一项所述的方法。
12.一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如权利要求1-6、9中任一项所述的方法。
CN202110110966.0A 2021-01-27 2021-01-27 预测模型训练方法和装置、触达人数预测方法和装置 Pending CN113743642A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110110966.0A CN113743642A (zh) 2021-01-27 2021-01-27 预测模型训练方法和装置、触达人数预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110110966.0A CN113743642A (zh) 2021-01-27 2021-01-27 预测模型训练方法和装置、触达人数预测方法和装置

Publications (1)

Publication Number Publication Date
CN113743642A true CN113743642A (zh) 2021-12-03

Family

ID=78728181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110110966.0A Pending CN113743642A (zh) 2021-01-27 2021-01-27 预测模型训练方法和装置、触达人数预测方法和装置

Country Status (1)

Country Link
CN (1) CN113743642A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7788195B1 (en) * 2006-03-24 2010-08-31 Sas Institute Inc. Computer-implemented predictive model generation systems and methods
WO2019056499A1 (zh) * 2017-09-20 2019-03-28 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质
CN110930179A (zh) * 2019-10-18 2020-03-27 深圳市云积分科技有限公司 任务评估方法、系统、设备和计算机可读存储介质
CN110968802A (zh) * 2019-12-04 2020-04-07 上海风秩科技有限公司 一种用户特征的分析方法、分析装置及可读存储介质
CN111126495A (zh) * 2019-12-25 2020-05-08 广州市百果园信息技术有限公司 模型训练方法、信息预测方法、装置、存储介质及设备
CN111553754A (zh) * 2020-07-10 2020-08-18 支付宝(杭州)信息技术有限公司 行为预测系统的更新方法及装置
CN112070545A (zh) * 2020-09-10 2020-12-11 贝壳技术有限公司 用于优化信息触达的方法、装置、介质和电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7788195B1 (en) * 2006-03-24 2010-08-31 Sas Institute Inc. Computer-implemented predictive model generation systems and methods
WO2019056499A1 (zh) * 2017-09-20 2019-03-28 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质
CN110930179A (zh) * 2019-10-18 2020-03-27 深圳市云积分科技有限公司 任务评估方法、系统、设备和计算机可读存储介质
CN110968802A (zh) * 2019-12-04 2020-04-07 上海风秩科技有限公司 一种用户特征的分析方法、分析装置及可读存储介质
CN111126495A (zh) * 2019-12-25 2020-05-08 广州市百果园信息技术有限公司 模型训练方法、信息预测方法、装置、存储介质及设备
CN111553754A (zh) * 2020-07-10 2020-08-18 支付宝(杭州)信息技术有限公司 行为预测系统的更新方法及装置
CN112070545A (zh) * 2020-09-10 2020-12-11 贝壳技术有限公司 用于优化信息触达的方法、装置、介质和电子设备

Similar Documents

Publication Publication Date Title
CN107808122B (zh) 目标跟踪方法及装置
CN109902708B (zh) 一种推荐模型训练方法及相关装置
CN109460793B (zh) 一种节点分类的方法、模型训练的方法及装置
CN108833458B (zh) 一种应用推荐方法、装置、介质及设备
CN111178537A (zh) 一种特征提取模型训练方法及设备
Priliani et al. Forecasting inflation rate using support vector regression (SVR) based weight attribute particle swarm optimization (WAPSO)
Dufour et al. Exact inference and optimal invariant estimation for the stability parameter of symmetric α-stable distributions
CN105260458A (zh) 一种用于显示装置的视频推荐方法及显示装置
Faia et al. Dynamic fuzzy estimation of contracts historic information using an automatic clustering methodology
Couckuyt et al. Towards efficient multiobjective optimization: multiobjective statistical criterions
CN111313998B (zh) 一种统计信道模型验证方法及装置
JP2019008794A (ja) 電気全体回路のシミュレーションのためのコンピュータ実装方法
CN110580483A (zh) 一种室内外用户区分方法及装置
CN113743642A (zh) 预测模型训练方法和装置、触达人数预测方法和装置
US20100063946A1 (en) Method of performing parallel search optimization
KR20220051903A (ko) 회로 모델을 생성하는 방법 및 이를 이용한 집적 회로의 제조 방법
JP6099099B2 (ja) 収束判定装置、方法、及びプログラム
de Angelis et al. Line sampling for assessing structural reliability with imprecise failure probabilities
CN115577789A (zh) 量子纠缠程度确定方法、装置、设备及存储介质
CN115203556A (zh) 一种评分预测模型训练方法、装置、电子设备及存储介质
CN114595888A (zh) 一种烟草制丝生产线的工艺控制参数的预测方法及装置
CN112560326B (zh) 压力场的确定方法及装置
CN110134575B (zh) 一种服务器集群的服务能力计算方法及装置
CN113433893A (zh) 一种基于回溯贝叶斯的机器人伺服系统性能指标标定方法
CN112784165A (zh) 关联关系预估模型的训练方法以及预估文件热度的方法

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