[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

说明书

本公开提供了一种用户画像的属性预测方法，该方法包括：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。本公开还提供了一种用户画像的属性预测装置、服务器和计算机可读介质。

技术领域

本公开涉及计算机技术领域，具体地，涉及用户画像的属性预测方法、装置、服务器和计算机可读介质。

背景技术

随着大数据及互联网技术的发展，用户画像在用户分析、精准营销、个性推荐等场景发挥越来越大的作用。用户画像具备多个属性，用户画像的多个属性预测通常通过针对每个属性标签单独挖掘的方法实现，具体包为：指定要预测的属性标签；分别在各属性标签上单独进行样本清洗、特征筛选、训练建模及线上预测。

发明内容

本公开实施例提出了用户画像的属性预测方法、装置、服务器和计算机可读介质。

第一方面，本公开实施例提供了一种用户画像的属性预测方法，包括：

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。

在一些实施例中，还包括：

设定所述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，构建所述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。

在一些实施例中，所述设定所述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。

在一些实施例中，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。

在一些实施例中，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。

在一些实施例中，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。

第二方面，本公开实施例提供了一种用户画像的属性预测装置，包括：

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。

在一些实施例中，还包括：

设定模块，用于设定所述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；