[发明专利]神经网络模型的训练方法、人群扩散方法、装置及设备

说明书

本申请公开了一种神经网络模型的训练方法、人群扩散方法、装置及设备，属于信息推荐领域。所述方法包括：获取m个种子人群的人群包embedding向量，所述种子人群中包括多个样本用户；获取全量用户中多个用户的用户embedding向量；所述人群包embedding向量和所述用户embedding向量是通过同一个神经网络模型得到的；根据所述人群包embedding向量和所述用户embedding向量之间的向量相似度，确定对所述种子人群进行扩散的扩散人群。本申请不需要针对每个种子人群分别建立LR模型，避免了不同种子人群的LR模型无法对比及迁移所带来的工程性能问题。

技术领域

本申请涉及信息推荐领域，特别涉及一种神经网络模型的训练方法、人群扩散方法、装置及设备。

背景技术

人群扩散是指基于已有的种子人群预测出其他扩散人群的技术。

相关技术中使用基于LR(Logistic Regression，逻辑回归)模型的人群扩散方法。该人群扩散方法采用“一次扩展、一次建模”的方式。当存在一个种子人群时，利用该种子人群包对LR模型进行训练，得到训练后的LR模型。利用训练后的LR模型从候选的用户帐号中预测出扩散人群。

在训练LR模型的过程中，先提取种子人群中多个用户的用户特征作为正样本，再提取不属于种子人群的多个其它用户的用户特征作为负样本，然后根据正样本和负样本对LR模型进行训练，得到训练后的LR模型。

对于n个种子人群的人群扩散场景，上述方法需要对每个种子人群都分别进行一次“提取正负样本→训练LR模型→使用LR模型进行预测”的过程。也即，需要提取n次正样本和负样本、对n个LR模型进行分别训练、对n个LR模型分别进行预测，因此限制了整个系统的性能上限，使得上述方法无法做到实时或近乎实时的响应。

发明内容

本申请实施例提供了一种神经网络模型的训练方法、人群扩散方法、装置及设备，可以用于解决相关技术中使用LR模型进行人群推荐时，需要对每个种子人群分别进行一次“提取正负样本→训练LR模型→使用LR模型进行预测”的过程，限制了整个系统的性能上线，使得上述方法无法做到实时会近乎实时的响应的问题。所述技术方案如下：

根据本申请的一个方面，提供了一种神经网络模型的训练方法，所述方法包括：

根据样本用户所属的种子人群的人群包embedding向量，合并得到所述样本用户的第一人群特征；

将所述样本用户的第一人群特征和第一用户画像特征进行拼接，得到神经网络模型的第一输入层数据；

将所述第一输入层数据输入至神经网络模型中进行训练，得到预测误差；

在未满足训练结束条件时，根据反向传播算法对所述预测误差进行反向传播，更新所述神经网络模型中的权重和所述人群包embedding向量；

在满足所述训练结束条件时，结束所述神经网络模型的训练。

根据本申请的另一方面，提供了一种人群扩散方法，所述方法包括：

获取m个种子人群的人群包embedding向量，每个所述种子人群中包括多个样本用户，m为正整数；

获取全量用户中每个用户的用户embedding向量；所述人群包embedding向量和所述用户embedding向量是通过同一个神经网络模型得到的，所述神经网络模型是基于所述样本用户的人群特征和用户画像特征训练得到的，所述样本用户的人群特征是根据所述样本用户所属的所述种子人群的所述人群包embedding向量得到的；

根据所述人群包embedding向量和所述用户embedding向量之间的向量相似度，确定对所述种子人群进行扩散的扩散人群。

根据本申请的另一方面，提供了一种神经网络模型的训练装置，所述装置包括：