[发明专利]服务发起概率预测方法及其模型的训练方法和装置

说明书

本申请提供了一种服务发起概率预测方法及其模型的训练方法和装置；其中，该训练方法包括：从训练对象的终端获取与服务客户端有关的操作行为数据；从操作行为数据中获取影响服务发起概率的特征数据和实际发起服务数据，并根据特征数据确定训练样本；通过第一分类子模型和第二分类子模型，输出训练对象发起服务的概率预测值；根据概率预测值与实际发起服务数据，训练第一分类子模型和第二分类子模型，得到服务发起概率模型。本申请实施例中，训练得到的服务发起概率模型可以较为准确地预测用户的服务发起概率，后续可以根据模型的预测结果合理地向用户提供优惠资源，以激励用户发起服务，从而提高平台的活跃度和整体收益。

技术领域

本申请涉及数据处理技术领域，具体而言，涉及一种服务发起概率预测方法及其模型的训练方法和装置。

背景技术

对于打车、租车或其他的服务平台中，有很多用户注册完成后没有发起首次服务，或者在预设时间段内没有发起服务；该情况下，为了鼓励用户使用平台服务，系统常会采取激励措施，如向用户发放优惠券等；相关技术中，系统难以知晓用户在未来预设时间段内的下单概率，常根据用户过去一段时间是否下单为用户提供优惠政策，以激励用户下单；但该优惠政策的提供标准合理性较差，不利于提高平台整体的收益。

发明内容

有鉴于此，本申请实施例的目的在于提供一种服务发起概率预测方法及其模型的训练方法和装置，以较为准确地预测用户的服务发起概率，后续可以根据模型的预测结果合理地向用户提供优惠资源，以激励用户发起服务，从而提高平台的活跃度和整体收益。

根据本申请的一个方面，提供一种电子设备，可以包括一个或多个存储介质和一个或多个与存储介质通信的处理器。一个或多个存储介质存储有处理器可执行的机器可读指令。当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行所述机器可读指令，以执行一个或多个以下操作：

从训练对象的终端获取与服务客户端有关的操作行为数据；从操作行为数据中获取影响服务发起概率的特征数据和实际发起服务数据，并根据特征数据确定训练样本；将训练样本输入至第一分类子模型，输出训练样本对应的分类值；将训练样本和训练样本对应的分类值输入至第二分类子模型，输出训练对象发起服务的概率预测值；根据概率预测值与实际发起服务数据，训练第一分类子模型和第二分类子模型，得到服务发起概率模型。

在一些实施例中，上述特征数据包括服务客户端的访问行为特征、服务发起行为特征、注册行为特征、好友关系特征、终端上与服务客户端有关的第三方客户端的分布特征、激励资源量特征和训练对象的身份属性特征中的多种。

在一些实施例中，上述根据特征数据确定训练样本的步骤，包括：对所述特征数据进行数据转化处理；所述数据转化处理至少包括下述之一：归一化处理、离散化处理和缺失值填充处理；根据转化处理后的所述特征数据生成所述特征数据对应的训练样本。

在一些实施例中，上述根据转化处理后的特征数据生成特征数据对应的训练样本的步骤，包括：从处理后的特征数据中提取预设种类的特征数据；预设种类的数量为至少两种；按照预设的特征分组，将提取的特征数据中，属于同一分组的特征数据进行矩阵变换，得到每个分组对应的组合特征；将处理后的特征数据，以及组合特征确定为训练样本。

在一些实施例中，上述第一分类子模型包括集成树模型；将训练样本输入至第一分类子模型，输出训练样本对应的分类值的步骤，包括：通过集成树模型中的分类树，对训练样本进行分类处理，得到训练样本在分类树中的叶子节点值，将叶子节点值确定为训练样本对应的分类值。

在一些实施例中，上述集成树模型中预设有多个分类子树；通过集成树模型中的分类树，对训练样本进行分类处理，得到训练样本在分类树中的叶子节点值的步骤，包括：将训练样本分别输入至每个分类子树中；通过每个分类子树对训练样本进行分类处理，得到每个分类子树中输出的叶子节点值；将每个分类子树中输出的叶子节点值，或者每个分类子树中输出的叶子节点值的总和作为最终的叶子节点值。