[发明专利]模型训练方法、行为预测方法、装置及可读存储介质

说明书

本申请提供了一种模型训练方法、行为预测方法、装置及可读存储介质，可利用不具行为标签的第一序列数据，对初始行为预测模型中的初始序列编码器进行无监督的预训练，得到预训练的序列编码器；利用预训练的序列编码器对具有行为标签的第二行为数据进行编码，得到样本用户的行为序列向量；利用初始行为预测模型中的初始门控网络，融合样本用户的画像特征向量以及行为序列向量，得到表征出画像特征以及行为特征的融合特征向量；通过融合特征向量，从画像特征和行为特征两个方面对初始行为预测模型进行训练，使得训练得到的目标行为预测模型在预测时，能够从画像和行为两个方面对用户的目标行为进行预测，以此，可以提高预测结果的准确性。

技术领域

本申请涉及模型训练技术领域，尤其是涉及一种模型训练方法、行为预测方法、装置及可读存储介质。

背景技术

在用户进行游戏的过程中，为了加快用户的游戏进程，达到辅助用户完成游戏中各个游戏环节的目的，通常情况下，会选择在用户的游戏过程中为用户推荐相关游戏内容，例如，游戏装备、游戏任务以及在游戏过程中能够对用户施以辅助的其他用户等内容，以实现对用户的辅助；为了进一步地贴合不同用户的推荐需求，以避免为用户推荐不感兴趣的内容，对用户造成的困扰，游戏方需要根据不同用户的特点做有针对性的推荐，比如，对于等级较低的新手用户可能需要一些开荒类的装备，以帮助他们快速地升级；而对于一些具有较高等级的用户，游戏方应该尽可能多地提供一些新颖的玩法，提供一些更难的任务，或者推荐一些冷门的装备等。

目前，为了能够在较为合适的时机为用户推荐更为合适的游戏内容，通常采用一些经过有监督方式训练得到的特殊模型，对用户的目标行为进行预测，进而，根据用户的目标行为在合适的时机为用户推荐相关的内容；而这些特殊模型在部署上线之前，需要通过大量的具有标注的训练数据进行模型训练，因此，也就使得模型过多的依赖于具有标注的训练数据；而这里，具有标注的训练数据是通过人工标注的方式得到的，所以，若想对采集到的大量的训练数据进行标注，则会耗费大量的人力成本以及时间成本。

发明内容

有鉴于此，本申请的目的在于提供一种模型训练方法、行为预测方法、装置及可读存储介质，可以通过无标签的序列数据进行预训练，以此减少了训练过程对有标签的序列数据的依赖；进而，减少训练过程中需使用的有标签的序列数据的数量，同时，结合行为和画像两个方面的特征对初始行为预测模型加以训练，以此，进一步地提高了模型预测结果的准确性。

本申请实施例提供了一种模型训练方法，所述模型训练方法包括：

获取用于预训练初始行为预测模型中初始序列编码器的第一序列数据；其中，所述第一序列数据包括样本用户在游戏过程中所产生的多个第一行为数据；

利用所述第一序列数据，采用无监督的训练方式对所述初始序列编码器进行预训练，得到预训练的序列编码器；

通过所述预训练的序列编码器对所述样本用户的第二序列数据进行编码，得到所述样本用户的行为序列向量；其中，所述第二序列数据包括样本用户在游戏过程中所产生的多个第二行为数据；每个第二行为数据均具有对应的行为标签；所述行为标签表征所述样本用户在产生该第二行为数据后的预设时间段内所存在的目标行为；

利用所述初始行为预测模型中的初始门控网络对所述样本用户的画像特征向量与所述样本用户的行为序列向量进行融合处理，得到所述样本用户的融合特征向量；

利用所述融合特征向量以及每个第二行为数据对应的行为标签，对所述初始行为预测模型进行训练，得到训练好的目标行为预测模型；其中，所述目标行为预测模型包括目标门控网络、目标序列编码器以及行为预测子模型；所述行为预测子模型用于基于目标用户的融合特征向量对目标用户在预设时间段内能够产生的目标行为进行预测。

本申请实施例还提供了一种行为预测方法，所述行为预测方法包括：

获取目标用户的用户画像特征以及所述目标用户在当前游戏过程中所产生的游戏行为数据；