[发明专利]用户画像的属性预测方法、装置、服务器和计算机可读介质

权利要求书

1.一种用户画像的属性预测方法，包括：

设定用户画像的多个属性标签；获取与多个属性标签关联的特征信息；根据多个属性标签和与多个属性标签关联的特征信息，构建多任务学习的神经网络结构；基于多个属性标签、多个特征信息以及多任务学习的神经网络结构进行多任务学习，生成多任务学习的神经网络模型；

基于所述多任务学习的神经网络模型和预先获取的指定的特征信息，对所述用户画像的多个属性标签进行预测生成多个所述属性标签的预测结果；

其中，所述基于多个属性标签、多个特征信息以及多任务学习的神经网络结构进行多任务学习，生成多任务学习的神经网络模型包括：通过多个属性标签和多个特征信息对预先定义的联合损失函数进行优化得出所述多任务学习的神经网络结构的最优节点参数，所述联合损失函数包括多个属性的损失函数之和；根据所述多任务学习的神经网络结构和所述最优节点参数，得出所述多任务学习的神经网络模型。

2.根据权利要求1所述的用户画像的属性预测方法，其中，所述设定用户画像的多个属性标签包括：

从所述用户画像的多个属性中选定多个待预测的属性；

为每个待预测的属性设定所述属性标签。

3.根据权利要求1所述的用户画像的属性预测方法，其中，所述多任务学习的神经网络结构包括输入层、隐层、特定任务层和特定任务输出层；

所述输入层用于输入用户画像的多个所述属性标签和与多个属性标签关联的特征信息；

所述隐层用于实现多任务学习的特征信息共享；

所述特定任务层中特定的神经网络用于学习特定任务的信息；

所述特定任务输出层中的每个节点基于特定任务层的执行结果输出不同的预测结果。

4.根据权利要求1所述的用户画像的属性预测方法，其中，所述指定的特征信息和与多个属性标签关联的特征信息相同。

5.一种用户画像的属性预测装置，包括：

设定模块，用于设定用户画像的多个属性标签；

获取模块，用于获取与多个属性标签关联的特征信息；

构建模块，用于根据多个属性标签和与多个属性标签关联的特征信息，构建多任务学习的神经网络结构；

第二生成模块，用于基于多个属性标签、多个特征信息以及多任务学习的神经网络结构进行多任务学习，生成多任务学习的神经网络模型；

第一生成模块，用于基于预先生成的多任务学习的神经网络模型和预先获取的指定的特征信息，对所述用户画像的多个属性标签进行预测生成多个所述属性标签的预测结果；

其中，所述第二生成模块包括：

优化子模块，用于通过多个属性标签和多个特征信息对预先定义的联合损失函数进行优化得出所述多任务学习的神经网络结构的最优节点参数，所述联合损失函数包括多个属性的损失函数之和；

生成子模块，用于根据所述多任务学习的神经网络结构和所述最优节点参数，得出所述多任务学习的神经网络模型。

6.根据权利要求5所述的用户画像的属性预测装置，其中，所述设定模块包括：

选定子模块，用于从所述用户画像的多个属性中选定多个待预测的属性；

设定子模块，用于为每个待预测的属性设定所述属性标签。

7.根据权利要求5所述的用户画像的属性预测装置，其中，所述指定的特征信息和与多个属性标签关联的特征信息相同。

8.一种服务器，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-4中任一所述的用户画像的属性预测方法。

9.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被执行时实现如权利要求1-4中任一所述的用户画像的属性预测方法。