[发明专利]目标类型用户的识别方法、装置、电子设备及存储介质

权利要求书

1.一种目标类型用户的识别方法，其特征在于，所述方法包括：

获得待识别用户的用户行为数据；

从所述用户行为数据中，提取所述待识别用户的用户行为特征；

将所述待识别用户的用户行为特征和第一变量值输入到预先训练好的用户识别模型中；所述用户识别模型为：针对目标类型用户对应的目标行为，预先用实验组训练样本的用户行为特征和第一变量值，及对照组训练样本的用户行为特征和第二变量值训练好的净提升模型Uplift Model；所述实验组训练样本的用户行为特征和对照组训练样本的用户行为特征分别为从实验组训练样本的用户行为数据和对照组训练样本的用户行为数据中提取的；所述实验组训练样本的用户行为数据为：满足预设条件的情况下，用户执行目标行为的正样本数据或不执行目标行为的负样本数据；所述对照组训练样本的用户行为数据为：不满足预设条件的情况下，用户执行目标行为的正样本数据或不执行目标行为的负样本数据；

获取用户识别模型输出的用户执行所述目标行为的第一预测概率；

将所述待识别用户的用户行为特征和第二变量值输入到所述用户识别模型中；

获取用户识别模型输出的用户执行所述目标行为的第二预测概率；

计算所述第一预测概率与所述第二预测概率的差值作为在只有满足预设条件的情况下，用户执行所述目标行为的条件预测概率；

判断所述条件预测概率是否大于预设的阈值；

如果是，则确定所述待识别用户为目标类型用户；

其中，所述用户识别模型的训练过程包括：

将实验组样本的用户行为数据标记为实验组，将对照组样本的用户行为数据标记为对照组；

将实验组样本的用户行为数据和对照组样本的用户行为数据合并为数据集；

按预设比例抽取数据集中的样本，构成训练样本集；所述训练样本集中包含实验组训练样本和对照组训练样本；

获得从实验组训练样本的用户行为数据和对照组训练样本的用户行为数据中提取的用户行为特征的交集，作为输入当前初始用户识别模型的用户行为特征；

获得针对实验组训练样本预设的第一变量值和针对对照组训练样本预设的第二变量值；所述第一变量值，用于标识该样本为实验组训练样本；所述第二变量值用于标识该样本为对照组训练样本；

将各个实验组训练样本的用户行为特征和第一变量值，输入到当前初始用户识别模型中，获得当前初始用户识别模型输出的用户执行目标行为的第一预测概率；

将各个对照组训练样本的用户行为特征和第二变量值，输入到当前初始用户识别模型中，获得当前初始用户识别模型输出的用户执行目标行为的第二预测概率；

根据各个实验组训练样本的用户行为数据中是否执行目标行为的真实结果、第一预测概率，以及各个对照组训练样本的用户行为数据中是否执行目标行为的真实结果、第二预测概率和预设的损失函数，计算损失值；

根据预设的损失函数的损失值判断当前初始用户识别模型是否收敛；

如果收敛，则确定当前初始用户识别模型为训练完成的用户识别模型；

如果未收敛，则调整当前初始用户识别模型的模型参数，返回所述将各个实验组训练样本的用户行为特征和第一变量值，输入到当前初始用户识别模型中，获得当前初始用户识别模型输出的用户执行目标行为的第一预测概率的步骤。

2.根据权利要求1所述的方法，其特征在于，所述当前初始用户识别模型的模型函数为：

其中，α，β，γ，δ为待训练的模型的模型参数；X_i为用户行为特征；T_i为第一变量值或第二变量值；E(Y_i|X_i)为用户执行目标行为的第一预测概率或第二预测概率；

所述预设的损失函数为：

cost(h_θ(x),y)＝∑(-y(log(h_θ(x))-(1-y)log(1-h_θ(x)))+λ∑(|α|+|β|+|γ|+|δ|)；

其中，λ惩罚系数为经验值；α，β，γ，δ为待训练的模型的模型参数；h_θ(x)为用户执行目标行为的第一预测概率或第二预测概率；y为用户是否执行目标行为的真实结果。