[发明专利]时段预测方法、装置、计算机设备和存储介质

权利要求书

1.一种时段预测方法，其特征在于，所述方法包括：

获取目标商家的发文特征数据，所述发文特征数据用于指示所述目标商家历史上在互联网中发布信息的特征；

将所述发文特征数据输入至时段预测模型中，根据所述时段预测模型预测所述目标商家在各发文时间段发布信息后排名状况的概率信息，根据各发文时间段的前三的概率信息生成排名列表，所述概率信息用于指示发文时间段集合中各发文时间段为信息前置时间段的概率，所述目标商家在所述信息前置时间段发布的信息前置的时长大于预设时长阈值；

根据所述排名列表从所述发文时间段集合中确定目标发文时间段，并指示所述目标商家在所述目标发文时间段内进行发布信息；所述目标发文时间段包括至少一个目标发文时间段。

2.根据权利要求1所述的方法，其特征在于，所述发文特征数据包括信息发布特征、发文时间段排名特征、商家数量特征以及时间属性特征；

所述信息发布特征用于表征所述目标商家发布信息的数量；

所述发文时间段排名特征用于表征各个发文时间段在历史上的多个时间周期中发布的信息前置的时长的排名情况；

所述商家数量特征用于表征一个地理区域内包含的商家的数量；

所述时间属性特征用于表征各个发文时间段在历史上的多个时间周期中所属的时间性质。

3.根据权利要求2所述的方法，其特征在于，所述信息发布特征用于表征在历史上的多个时间周期中，所述目标商家对于同一发文时间段在每个时间周期内发布信息的数量、所述目标商家在每个时间周期内发布信息的数量、所述目标商家发布信息的总数和所述目标商家发布信息的数量均值等；

所述发文时间段排名特征用于表征在历史上的多个时间周期中对于同一发文时间段，在每个时间周期中发布信息的前置的时长是否排名前三、发布信息的前置的时长排名前三的次数、发布信息的前置的时长的均值和发布信息的前置时长的方差；

所述商家数量特征用于表征，一个地理区域内与所述目标商家的品牌相同的商家数量、一个地理区域内商家的数量和与所述目标商家品牌相同的商家数量；

所述时间属性特征用于表征各个发文时间段在历史上的多个时间周期中，所属的日期为周几，所属的日期是否是工作日和是否为预设时间段。

4.根据权利要求 1所述的方法，其特征在于，所述将所述发文特征数据输入至时段预测模型中之前，所述方法还包括：

利用轻量级梯度提升算法以及训练样本集训练原始时段预测模型，得到训练后时段预测模型；

利用测试样本集对所述训练后时段预测模型进行测试，得到所述训练后时段预测模型的性能数据，所述训练样本集与所述测试样本集之间无重复样本；

根据所述训练后时段预测模型的性能数据，调整所述训练后时段预测模型的参数，得到所述时段预测模型。

5.根据权利要求4所述的方法，其特征在于，所述得到所述时段预测模型之后，所述方法还包括：

利用所述时段预测模型筛选出满足第一预设条件的第一目标商家；

将所述第一目标商家的验证样本集代入所述时段预测模型，得到所述时段预测模型对所述第一目标商家的预测结果；

将所述验证样本集分成多个时间窗，对于每个时间窗，将所述预测结果满足第二预设条件的时间窗包含的商家作为第二目标商家；

将所述第二目标商家中在所述多个时间窗内满足所述第二预设条件的时间窗的数量达到预设数量阈值的商家作为所述目标商家。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

对所述发文特征数据、所述训练样本集、所述测试样本集和所述验证样本集中的类别型特征数据进行独热编码处理；

对所述发文特征数据、所述训练样本集、所述测试样本集和所述验证样本集中的连续值型特征数据进行标准化处理。

7.根据权利要求5所述的方法，其特征在于，所述方法还包括：

对所述训练样本集、所述测试样本集和所述验证样本集中的每条样本数据进行样本标注；

当所述样本数据满足预设标准时，将所述样本数据标注为正样本；

当所述样本数据不满足预设标准时，将所述样本数据标注为负样本。