华为预测服务的构建原理是什么？该如何训练模型？

预测服务基于华为分析服务（Analytics Kit）上报的用户行为数据和属性，结合机器学习技术，实现特定目标人群的精准预测。针对预测生成的细分受众群体，开展和优化相关运营举措，如通过A/B测试评估运营活动效果、远程配置特定受众群体的专属套餐等，可有效帮助产品提高用户留存，增加转化。

使用预测服务前，需要先集成华为分析服务的SDK，这样系统才可以顺利开展流失、付费、复购以及自定义预测任务。在详情界面可以查看相关预测人群的高中低概率对应人群数量，及其相应的属性分布（比如详情页的高概率流失人群，表示该人群在未来7日内有较高概率流失，您可以通过相关卡片，观察其行为特点并制定针对性运营计划）。

预测任务和预测详情界面如下所示：

*数据为模拟

预测模型构建流程

在构建预测模型的时候，首先是确定我们要预测什么，即确立预测的统计口径，然后根据统计口径围绕用户特点寻找对应相关的特征，通过清洗和采样得到数据集。我们把数据集二八分得到训练集和验证集，在线下进行不断实验找到最优特征和参数，最后根据相关数据在线上调度训练预测任务。

具体流程图如下所示：

特征、模型选择和调优

特征探索

项目初期，我们分析数据，从属性、行为、需求三方面入手，寻找与业务有可能相关的变量，构建特征表，比如用户近7天的活跃天数、使用时长等行为数据。

在确定特征之后，下一步就是在实验中进行模型的选择和调优了，业界常用的树形模型有xgboost、随机森林、GBDT等，把我们的数据集用这几种模型进行训练，发现在随机森林上效果较好，其采用bagging策略提高模型拟合能力和泛化能力。

除了模型参数，也要考虑采样比，尤其是对于付费预测这种正负样本悬殊的情况（大约1:100），综合考虑Accuracy和Recall, 付费训练时将正负样本比例采样至1.5:1, 以提高模型付费用户召回率。

超参与特征确立

训练出了合适的模型，但并非所有特征都是有用的，无用特征除了可能会影响模型效果，也会减慢训练速度。在初期版本中，通过实验确定合适的超参和特征，特征按照特征重要性排序选择权重较大的，在线上版本中配置对应的超参和特征。

在版本上线之后还需要不断观察数据、分析数据、补充特征，我们在后续版本中主要新增了事件特征与趋势特征，补充后总计400+特征。

自动超参搜索

在挖掘出更多的特征之后，如果都是全量特征训练可能效果未必会好，而且也会非常耗时。同时，可能每个App训练时可能最优的超参和特征并不相同，最好是每个App分开训练且使用自己最优的超参和特征。

为了解决这些问题，我们增加了自动的超参搜索，可以在配置好的参数空间里搜索，找到并保存合适的训练参数。搜索完之后的最优超参保存在如下结构的hive表中。

当前的整体流程以及外部依赖如下所示：

**
未来方向**

在未来提高模型效果上，我们也有很多思考，预研的方向大致如下：

神经网络

当前的特征规模不断扩大（400+），而用户行为的规律又十分复杂，除了使用原有的树形模型，也在尝试利用神经网络强大的表达能力，结合行为特征训练出更准确的预测模型。

联邦学习

对于各App、各租户数据不可互通的问题，可以通过横向联邦学习联合各个App、各个租户间的模型，在数据不互通的前提下协同训练。

时序特征

不同App的用户每周上报数百个事件（涵盖1000+种类），访问近百个页面，通过这些时序数据可以构造出不同用户的长短期行为特征，提高不同场景预测的准确率。用户访问页面的行为有较高的时序特点，可以加工成时间序列特征，有较高的研究价值。

特征挖掘和加工

对目前的特征集扩充、补充，一方面挖掘更多的相关特征比如平均使用间隔、设备属性、安装渠道、国家省市等特征。另一方面基于现有特征通过离散化、归一化、开方、平方、笛卡尔积、多重笛卡尔积等等方法构造更多新特征。

欲了解更多华为预测服务详情，请点击>>

原文链接：https://developer.huawei.com/consumer/cn/forum/topic/0201531105555090343?fid=18
原作者：胡椒