[发明专利]一种数据处理方法、装置、设备及存储介质

说明书

本申请实施例公开了一种人工智能领域的数据处理方法、装置、设备及存储介质，其该方法包括：获取目标对象的特征数据；通过目标行为预测模型，根据目标对象的特征数据确定多个时间单元各自对应的目标行为参考概率；目标行为预测模型是基于多个时间单元各自对应的训练样本集训练的，时间单元对应的训练样本集包括在目标应用程序上的注册时长满足该时间单元对应的注册时长的各个注册对象各自对应的训练样本，注册对象对应的训练样本包括特征数据以及目标行为标注数据；针对每个时间单元，根据该时间单元对应的目标行为参考概率，确定在该时间单元对应的参考时长内目标对象的目标行为产生概率。该方法可以准确地对象产生特定行为的概率。

技术领域

本申请涉及人工智能(Artificial Intelligence，AI)技术领域，尤其涉及一种数据处理方法、装置、设备及存储介质。

背景技术

对于很多应用程序(Application，APP)而言，用户通过该应用程序触发产生某种特定行为的概率，可能对该应用程序有着重要的影响。例如，用户通过游戏应用程序触发产生付费行为的概率，是影响该游戏应用程序对其上投放的在线广告进行定价的重要因素。基于此，一些应用程序的研发人员致力于研究如何准确地预测用户通过应用程序触发产生特定行为的概率。

对于新上线的应用程序，目前普遍通过以下方式预测用户触发产生特定行为的概率：对于已上线N(N为大于或等于1的整数)的应用程序，按照预设的窗口截取规则截取n(n为小于或等于N的正整数)天作为观察窗口，进而，采集注册时间大于或等于n天的用户在其注册的前n天内的特定行为产生数据作为训练样本，并利用该训练样本训练行为预测模型；完成对于该行为预测模型的训练后，针对注册该应用程序的新用户，利用该行为预测模型预测其注册该应用程序后n天内产生特定行为的概率。

然而，上述行为预测方案在实际应用中的效果并不理想。一方面，按照窗口截取规则截取固定长度的观察窗口，利用注册时间大于或等于该观察窗口的用户在该观察窗口内的特定行为产生数据作为训练样本，没有实现对于应用程序的所有注册用户的所有特定行为产生数据的充分利用，容易因采集的训练样本不足，导致训练得到的行为预测模型性能不佳，预测结果不准确。另一方面，上述行为预测模型只能预测用户在固定的观察窗口内产生特定行为的概率，使用范围比较局限，在很多情况下难以满足实际的预测需求。

发明内容

本申请实施例提供了一种数据处理方法、装置、设备及存储介质，能够针对新上线的应用程序，准确地预测用户在多种不同长度的观察窗口内通过该应用程序产生特定行为的概率。

有鉴于此，本申请第一方面提供了一种数据处理方法，所述方法包括：

获取注册目标应用程序的目标对象的用户特征数据；

通过目标行为预测模型，根据所述目标对象的特征数据，确定多个时间单元各自对应的目标行为参考概率；所述目标行为预测模型是基于所述多个时间单元各自对应的训练样本集训练的，所述时间单元对应的训练样本集包括在所述目标应用程序上的注册时长满足所述时间单元对应的注册时长的各个注册对象各自对应的训练样本，所述注册对象对应的训练样本中包括所述注册对象的特征数据、以及根据所述注册对象在所述时间单元对应的注册时长内的目标行为产生情况生成的目标行为标注数据；

针对每个所述时间单元，根据所述时间单元对应的目标行为参考概率，确定在所述时间单元对应的参考时长内所述目标对象的目标行为产生概率。

本申请第二方面提供了一种数据处理装置，所述装置包括：

数据获取模块，用于获取注册目标应用程序的目标对象的特征数据；