业务调整模型的训练方法、装置、电子设备和介质与流程

本发明涉及大数据、人工智能和业务运营领域，更具体地涉及一种业务调整模型的训练方法、装置、电子设备和介质。

背景技术：

1、传统的业务维度指标预测模型通常直接依赖于应用维度指标进行构建，然而，这种方法存在一些局限性，包括以下方面：在实际商业环境中，很难获得均衡、完整和准确的应用维度指标数据，传统方法在面对数据不平衡或不完整时可能无法提供准确的预测，因为它们主要依赖于已知数据点进行建模；同时，传统方法通常基于线性回归或类似的模型，这些模型假设业务指标与影响因素之间存在线性关系，然而，实际业务关系可能更加复杂，包括非线性关系和交互作用，这些关系难以用传统方法来捕捉；商业环境通常是动态和变化的，因此，传统方法在适应快速变化的情况下可能无法提供准确的预测，它们不够灵活，不能及时捕捉到新的趋势和影响因素；进一步地，商业数据通常包含多个维度和多个影响因素，传统方法难以有效地处理这些复杂多维度数据，导致模型的简化和信息损失。

技术实现思路

1、鉴于上述问题，根据本发明的第一方面，提供了一种业务调整模型的训练方法，所述业务调整模型包括第一回归网络和第二回归网络，其中，所述第一回归网络用于接收业务运营的多个应用维度指标对应的影响因素作为输入，获得每一个应用维度指标的预测概率分布数据，所述第二回归网络用于输出预测的业务维度指标；所述训练方法包括：获取每一个应用维度指标对应的真实概率分布数据；基于所述真实概率分布数据，对所述预测概率分布数据进行采样，获得预测概率采样数据；基于所述真实概率分布数据和所述预测概率采样数据进行期望计算，获得预测指标期望值；以及将所述真实概率分布数据和所述预测概率采样数据作为目标训练集，基于所述预测指标期望值与真实期望值的差异量化计算获得优化目标损失函数，利用所述目标训练集和所述优化目标损失函数训练所述第二回归网络。

2、根据一些示例性实施例，所述基于所述真实概率分布数据，对所述预测概率分布数据进行采样，获得预测概率采样数据，具体包括：基于所述真实概率分布数据和所述预测概率分布数据，分别获取第一分布参数和第二分布参数；基于所述第一分布参数，调整所述第二分布参数，利用调整后的第二分布参数设定目标概率分布；以及基于所述目标概率分布生成随机样本，将所述随机样本中的数据作为所述预测概率采样数据。

3、根据一些示例性实施例，所述第一分布参数和所述第二分布参数分别表示真实概率分布的均值和预测概率分布的均值，所述基于所述第一分布参数，调整所述第二分布参数，具体包括：选取介于所述第一分布参数和所述第二分布参数之间的目标值；以及将所述目标值替代所述第二分布参数以调整所述第二分布参数。

4、根据一些示例性实施例，所述基于所述真实概率分布数据和所述预测概率采样数据进行期望计算，获得预测指标期望值，具体包括：基于所述真实概率分布数据和所述预测概率分布数据，计算概率分布权重函数；以及基于对应用维度指标的变量进行积分、利用所述概率分布权重函数对业务维度指标的预测函数进行加权以及以概率密度函数进行归一化的方式，计算所述预测指标期望值。

5、根据一些示例性实施例，所述基于所述预测指标期望值与真实期望值的差异量化计算获得优化目标损失函数，具体包括：基于所述真实概率分布数据的应用维度指标变量和概率密度函数计算真实期望值；以及计算所述预测指标期望值与真实期望值的均方损失，获取第一损失函数。

6、根据一些示例性实施例，所述获得优化目标损失函数，还包括：计算所述预测的业务维度指标和真实的业务维度指标的均方损失，获取第二损失函数；以及将所述第一损失函数和所述第二损失函数的组合作为所述优化目标损失函数。

7、根据一些示例性实施例，所述方法还包括：将所述预测概率分布数据作为未标注样本的伪标签，以扩充所述目标训练集。

8、根据本发明的第二方面，提出了一种业务调整模型的训练装置，所述业务调整模型包括第一回归网络和第二回归网络，其中，所述第一回归网络用于接收业务运营的多个应用维度指标对应的影响因素作为输入，获得每一个应用维度指标的预测概率分布数据，所述第二回归网络用于输出预测的业务维度指标；所述训练装置包括：真实概率分布数据获取模块，用于：获取每一个应用维度指标对应的真实概率分布数据；预测概率采样数据获取模块，用于：基于所述真实概率分布数据，对所述预测概率分布数据进行采样，获得预测概率采样数据；预测指标期望值获取模块，用于：基于所述真实概率分布数据和所述预测概率采样数据进行期望计算，获得预测指标期望值；以及第二回归网络训练训练模块，用于：将所述真实概率分布数据和所述预测概率采样数据作为目标训练集，基于所述预测指标期望值与真实期望值的差异量化计算获得优化目标损失函数，利用所述目标训练集和所述优化目标损失函数训练所述第二回归网络。

9、根据一些示例性实施例，所述预测概率采样数据获取模块可以包括分布参数获取单元、目标概率分布设定模块、随机样本生成单元和扫描筛选单元。

10、根据一些示例性实施例，所述分布参数获取单元可以用于基于所述真实概率分布数据和所述预测概率分布数据，分别获取第一分布参数和第二分布参数。

11、根据一些示例性实施例，所述目标概率分布设定模块可以用于基于所述第一分布参数，调整所述第二分布参数，利用调整后的第二分布参数设定目标概率分布。

12、根据一些示例性实施例，所述随机样本生成单元可以用于基于所述目标概率分布生成随机样本，将所述随机样本中的数据作为所述预测概率采样数据。

13、根据一些示例性实施例，所述目标概率分布设定模块可以包括目标值选取单元和分布参数调整单元。

14、根据一些示例性实施例，所述目标值选取单元可以用于选取介于所述第一分布参数和所述第二分布参数之间的目标值。

15、根据一些示例性实施例，所述分布参数调整单元可以用于将所述目标值替代所述第二分布参数以调整所述第二分布参数。

16、根据一些示例性实施例，所述预测指标期望值获取模块可以包括概率分布权重函数计算单元和预测指标期望值计算单元。

17、根据一些示例性实施例，所述概率分布权重函数计算单元可以用于基于所述真实概率分布数据和所述预测概率分布数据，计算概率分布权重函数。

18、根据一些示例性实施例，所述预测指标期望值计算单元可以用于基于对应用维度指标的变量进行积分、利用所述概率分布权重函数对业务维度指标的预测函数进行加权以及以概率密度函数进行归一化的方式，计算所述预测指标期望值。

19、根据一些示例性实施例，所述预测指标期望值获取模块可以包括真实期望值计算单元、第一损失函数获取单元、第二损失函数获取单元和优化目标损失函数获取单元。

20、根据一些示例性实施例，所述真实期望值计算单元可以用于基于所述真实概率分布数据的应用维度指标变量和概率密度函数计算真实期望值。

21、根据一些示例性实施例，所述第一损失函数获取单元可以用于计算所述预测指标期望值与真实期望值的均方损失，获取第一损失函数。

22、根据一些示例性实施例，所述第二损失函数获取单元可以用于计算所述预测的业务维度指标和真实的业务维度指标的均方损失，获取第二损失函数。

23、根据一些示例性实施例，所述优化目标损失函数获取单元可以用于将所述第一损失函数和所述第二损失函数的组合作为所述优化目标损失函数。

24、根据本发明的第三方面，提供一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上所述的方法。

25、根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行如上所述的方法。

26、根据本发明的第五方面，提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。

27、上述一个或多个实施例具有如下优点或有益效果：根据本发明提供的业务调整模型的训练方法，通过重要性采样网络输出分布的方法，可以有效解决数据不平衡问题，从而可以使网络更好地适应不同类别样本数量不均衡的情况，提高模型的整体性能，并使得网络在训练过程中接触到多样化的合理训练数据，提高计算性能；通过将真实概率分布数据和预测概率采样数据作为目标训练集，能够扩展训练集，提升模型的泛化能力；同时，通过计算期望值获取目标损失函数，能够为训练和优化模型提供更精确的基准，从而提升预测准确性，以提高模型使用体验。