CN104751234B - 一种用户资产的预测方法及装置 - Google Patents

Abstract

本发明公开了一种用户资产的预测方法，其包括：获取第一领域用户数据和第二领域用户数据的联合特征；第一领域为金融领域，第二领域不属于金融领域；根据第一领域用户的资产数据和联合特征，训练得到第一领域用户的资产预测模型；通过迁移学习法，利用预定数量的跨领域用户的资产数据，将第一领域用户的资产预测模型调整为第二领域用户的资产预测模型；根据第二领域用户的资产预测模型，预测第二领域用户的资产。应用本发明方法得到的用户资产预测模型不仅预测的准确性高，而且能够降低人工成本，提高预测效率，还能实现终生机器学习。

Description

一种用户资产的预测方法及装置

技术领域

本发明涉及信息处理领域，具体涉及一种用户资产的预测方法及装置。

背景技术

在电子商务、零售、社交媒体和手机通信等领域，服务提供商记录了用户的消费偏好、住址、行为轨迹、年龄性别、社会关系等，但却很少有这些领域用户的资产数据，难以寻找到目标用户。而在金融领域，银行一般拥有用户资产等级数据，以及产品购买数据(如存款、理财产品)、住址、年龄性别、交易数据(如消费支付)、取款位置等数据，利用这些数据可以训练出银行用户的资产等级预测模型。但是，这种模型难以直接用于预测其它领域用户(如电子商务用户、零售商用户，手机用户等)的资产。因为，一方面，其它领域用户数据与银行用户数据不完全相同，例如银行有用户存款数据，而其它领域的企业没有这些数据；有些品牌只有线上，有些品牌只有线下，用户的消费偏好无法比对；另一方面，即使其它领域用户数据与银行用户数据具有相同的特征，也存在评估差异。例如，品牌产品的消费，用***支付的用户与网上消费的用户，其资产等级可能有差异；网上团购某品牌的用户可能普遍比实体店消费同一品牌的用户资产等级低。

目前，非金融企业主要是通过人工标注出非金融领域用户的资产数据，直接训练预测模型，对非金融领域用户进行资产预测。然而，由于人工标注的用户的资产数据量极为有限，而且准确性不高，导致预测模型预测的准确性较低。

发明内容

本发明实施例中提一种用户资产的预测方法及装置，本发明方法通过迁移学习法，利用预定数量的跨领域用户的资产数据，将所述第一领域用户的资产预测模型调整为第二领域用户的资产预测模型。所述预定数量的跨领域用户的资产数据可以是少量的数据，但第二领域用户的资产预测模型是由第一领域用户的资产预测模型通过迁移学习法获得的，其与根据少量的人工标注的用户资产数据生成的资产预测模型相比，其预测准确性得到提高。

本发明第一方面提供一种用户资产的预测方法，包括：

获取第一领域用户数据和第二领域用户数据的联合特征；其中，所述联合特征包括所述第一领域用户数据和所述第二领域用户数据的交叉特征和聚类特征；所述第一领域为金融领域，所述第二领域不属于金融领域；

根据所述第一领域用户的资产数据和所述联合特征，训练得到第一领域用户的资产预测模型；

通过迁移学习法，利用预定数量的跨领域用户的资产数据，将所述第一领域用户的资产预测模型调整为第二领域用户的资产预测模型；其中，所述跨领域用户是所述第一领域用户和所述第二领域用户的共同用户；

根据所述第二领域用户的资产预测模型，预测所述第二领域用户的资产。

结合本发明第一方面，在第一方面的第一种可能实现方式中，所述获取第一领域用户数据和第二领域用户数据的联合特征，包括：

从所述第一领域用户数据和所述第二领域用户数据中选出第一领域用户和第二领域用户都具有的所述交叉特征；

将所述第一领域用户数据的特征和所述第二领域用户数据的特征进行聚类，获得所述聚类特征。

结合本发明第一方面，在第一方面的第二种可能实现方式中，在所述根据第二领域用户的资产预测模型，预测所述第二领域用户的资产之后，所述方法还包括：

从所述第二领域用户的资产的应用中获得反馈数据；

根据所述反馈数据，优化所述第二领域用户的资产预测模型。

结合本发明第一方面、第一方面的第一或第二种可能实现方式，在第一方面的第三种可能实现方式中，所述根据所述第一领域用户的资产数据和所述联合特征，训练得到第一领域用户的资产预测模型，包括：

对所述第一领域用户的资产数据和所述联合特征进行采样，获得第一预定数量的样本；

根据所述第一预定数量的样本，训练得到第二预定数量的第一领域用户的资产预测模型；

所述通过迁移学习法，利用预定数量的跨领域用户的资产数据，将所述第一领域用户的资产预测模型调整为第二领域用户的资产预测模型，包括：

通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型；其中，所述第三预定数量小于或等于第二预定数量，集成的资产预测模型为第二领域用户的资产预测模型。

结合本发明第一方面的第三种可能实现的方式，在第一方面的第四种可能实现的方式中，所述通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型，包括：

通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型，其中，集成的资产预测模型的预测准确性高于由所述预定数量的跨领域用户的资产数据直接生成的第二领域用户的资产预测模型的预测准确性。

本发明第二方面提供一种用户资产的预测装置，包括：

获取模块，用于获取第一领域用户数据和第二领域用户数据的联合特征；其中，所述联合特征包括所述第一领域用户数据和所述第二领域用户数据的交叉特征和聚类特征；所述第一领域为金融领域，所述第二领域不属于金融领域；

第一训练模块，用于根据所述第一领域用户的资产数据和所述联合特征，训练得到第一领域用户的资产预测模型；

第二训练模块，用于通过迁移学习法，利用预定数量的跨领域用户的资产数据，将所述第一领域用户的资产预测模型调整为第二领域用户的资产预测模型；其中，所述跨领域用户是所述第一领域用户和所述第二领域用户的共同用户；

预测模块，用于根据所述第二领域用户的资产预测模型，预测所述第二领域用户的资产。

结合本发明第二方面，在第二方面的第一种可能实现方式中，所述获取模块，用于获取第一领域用户数据和第二领域用户数据的联合特征，包括：

用于：从所述第一领域用户数据和所述第二领域用户数据中选出第一领域用户和第二领域用户都具有的所述交叉特征；以及将所述第一领域用户数据的特征和所述第二领域用户数据的特征进行聚类，获得所述聚类特征。

结合本发明第二方面，在第二方面的第二种可能实现方式中，所述装置还包括：

预测检验模块，用于在所述预测模块根据第二领域用户的资产预测模型，预测所述第二领域用户的资产之后，从所述第二领域用户的资产的应用中获得反馈数据；根据所述反馈数据，优化所述第二领域用户的资产预测模型。

结合本发明第二方面、第二方面的第一或第二种可能实现方式，在第二方面的第三种可能实现方式中，第一训练模块，用于根据所述第一领域用户的资产数据和所述联合特征，训练得到第一领域用户的资产预测模型，包括：

用于：对所述第一领域用户的资产数据和所述联合特征进行采样，获得第一预定数量的样本；根据所述第一预定数量的样本，训练得到第二预定数量的第一领域用户的资产预测模型；

第二训练模块，用于通过迁移学习法，利用预定数量的跨领域用户的资产数据，将所述第一领域用户的资产预测模型调整为第二领域用户的资产预测模型，包括：

用于：通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型；其中，所述第三预定数量小于或等于第二预定数量，集成的资产预测模型为第二领域用户的资产预测模型。

结合本发明第二方面的第三种可能实现的方式，在第二方面的第四种可能实现的方式中，第二训练模块，用于通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型，包括：

用于：通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型，其中，集成的资产预测模型的预测准确性高于由所述预定数量的跨领域用户的资产数据直接生成的第二领域用户的资产预测模型的预测准确性。

本发明方法通过迁移学习法，利用预定数量的跨领域用户的资产数据，将所述第一领域用户的资产预测模型调整为第二领域用户的资产预测模型。所述预定数量的跨领域用户的资产数据可以是少量的数据，无需人工标注大量的用户的资产数据。因此，应用本发明方法得到的用户资产预测模型不仅预测的准确性高，而且降低了人工成本，也提高了效率。

附图说明

图1是一种用户资产的预测方法流程示意图；

图2是另一种用户资产的预测方法流程示意图；

图3是一种用户资产的预测装置流程示意图；

图4是另一种用户资产的预测装置流程示意图；

图5是又一种用户资产的预测装置流程示意图。

具体实施方式

如图1所示，本发明实施例提供一种用户资产的预测方法，包括：

101、获取第一领域用户数据和第二领域用户数据的联合特征；其中，所述联合特征包括所述第一领域用户数据和所述第二领域用户数据的交叉特征和聚类特征；所述第一领域为金融领域，所述第二领域不属于金融领域。

在步骤101中，所述第一领域可以为银行领域，所述第二领域可以包括电子商务、零售、社交媒体和手机通信等领域。在获取第一领域用户数据和第二领域用户数据的联合特征之前，可以先获取所述第一领域用户数据和所述第二领域用户数据。然后，从所述第一领域用户数据和所述第二领域用户数据中选出第一领域用户和第二领域用户都具有的所述交叉特征；将所述第一领域用户数据的特征和所述第二领域用户数据的特征进行聚类，获得所述聚类特征。

例如，根据银行用户数据与其它领域的用户数据建立统一的特征集。将其保存在联合用户特征库中。选择两种数据中用户均具有的交叉特征，如既有***消费也有网上消费的品牌，既有销售终端(英文：Point of Sale，缩写：POS)机或银行网点，又有移动定位信息的地点。通过聚类算法，如kmeans算法为代表的聚类，或主题模型(英文：topic model)为代表的主题聚类，将两类用户的各种特征进行聚类，各种特征包括交叉和不交叉的特征，以获得聚类特征。这其中可以计算出每类样本的类别或主题权重向量，作为样本的特征。如表1所示，表1示出了银行用户和非银行用户的特征。其中，Ub表示银行用户，Um表示非银行用户，“*”表示记录的数据，“-”表示没有数据。从表1可以看出，银行用户和非银行用户都有关于“品牌消费或关注”、“经常活动地点”和“基本特征”的数据，因此，这三项数据属于银行用户数据与非银行用户数据的交错特征，“聚类特征权重”记录了银行用户和非银行用户的聚类特征。

表1

102、根据所述第一领域用户的资产数据和所述联合特征，训练得到第一领域用户的资产预测模型。

103、通过迁移学习法，利用预定数量的跨领域用户的资产数据，将所述第一领域用户的资产预测模型调整为第二领域用户的资产预测模型；其中，所述跨领域用户是所述第一领域用户和所述第二领域用户的共同用户。

例如，基于TradaBoost算法，利用预定数量的跨领域用户的资产数据，对所述第一领域用户的资产预测模型进行迁移学习，将所述第一领域用户的资产预测模型调整为第二领域用户的资产预测模型。调整后得到的第二领域用户的资产预测模型与根据少量的人工标注的用户资产数据生成的资产预测模型相比，其预测准确性得到提高。

下面以第一领域用户为银行用户，第二领域用户为网络消费用户为例，对本发明进行说明。

如图2所示，本发明实施例还提供一种用户资产的预测方法，包括：

201、获取银行用户数据和网络消费用户数据的联合特征；其中，所述联合特征包括所述银行用户数据和所述网络消费用户数据的交叉特征和聚类特征。

202、对所述银行用户的资产数据和所述联合特征进行采样，获得第一预定数量的样本。

203、根据所述第一预定数量的样本，训练得到第二预定数量的银行用户的资产预测模型。

具体的，根据所述第一预定数量的样本，训练多个分类器。例如，步骤203包括：将用户分为高资产客户和普通用户作为两类，训练多个二分类器。

204、通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的银行用户的资产预测模型；其中，所述第三预定数量小于或等于第二预定数量，集成的资产预测模型为网络消费用户的资产预测模型。

具体的，基于TradaBoost算法，通过跨领域用户的资产数据，加大错误区分的样本的权重，从而获得新的弱分类器，并在经过N轮迭代后，获得集成分类器。N可以为设定的次数。因此，本发明实施例可以基于TradaBoost算法实现银行用户的资产预测模型的迁移学习。

例如，在步骤203将用户分为高资产客户和普通用户作为两类，训练得到多个二分类器后，基于TradaBoost算法，利用预定数量的跨领域用户的资产数据，对第一领域用户的资产预测模型进行迁移学习，得到区分银行高资产用户和普通用户的集成分类器。

在步骤204中，集成的资产预测模型的预测准确性高于由所述预定数量的跨领域用户的资产数据直接生成的网络消费用户的资产预测模型的预测准确性。

205、从所述网络消费用户的资产的应用中获得反馈数据。

根据预测的所述网络消费用户的资产，进行营销活动，并获得反馈数据。该反馈数据可以是网络消费用户的资产数据。

206、根据所述反馈数据，优化网络消费用户的资产预测模型。

计算预测的资产数据与反馈数据的误差，评测资产预测模型的预测结果。如果预测结果交差，则应根据所述反馈数据，优化网络消费用户的资产预测模型，实现终生机器学习。

例如，银行对预测出的高资产的其它领域的用户进行高资产门槛理财产品的营销活动，将营销成功的用户标记为新的高资产用户。这些标记出的用户数据可以用于下一轮TradaBoost的训练，以优化其它领域用户的资产预测模型。

如图3所示，本发明实施例还提供一种用户资产的预测装置301，包括：

获取模块302，用于获取第一领域用户数据和第二领域用户数据的联合特征；其中，所述联合特征包括所述第一领域用户数据和所述第二领域用户数据的交叉特征和聚类特征；所述第一领域为金融领域，所述第二领域不属于金融领域；

第一训练模块303，用于根据所述第一领域用户的资产数据和所述联合特征，训练得到第一领域用户的资产预测模型；

第二训练模块304，用于通过迁移学习法，利用预定数量的跨领域用户的资产数据，将所述第一领域用户的资产预测模型调整为第二领域用户的资产预测模型；其中，所述跨领域用户是所述第一领域用户和所述第二领域用户的共同用户；

预测模块305，用于根据所述第二领域用户的资产预测模型，预测所述第二领域用户的资产。

优选的，所述获取模块302，用于获取第一领域用户数据和第二领域用户数据的联合特征，包括：

用于：从所述第一领域用户数据和所述第二领域用户数据中选出第一领域用户和第二领域用户都具有的所述交叉特征；以及将所述第一领域用户数据的特征和所述第二领域用户数据的特征进行聚类，获得所述聚类特征。

优选的，如图4所示，所述装置301还包括：所述预测检验模块306，用于在所述根据第二领域用户的资产预测模型，预测所述第二领域用户的资产之后，从所述第二领域用户的资产的应用中获得反馈数据；根据所述反馈数据，优化所述第二领域用户的资产预测模型。

优选的，第一训练模块303，用于根据所述第一领域用户的资产数据和所述联合特征，训练得到第一领域用户的资产预测模型，包括：

用于：对所述第一领域用户的资产数据和所述联合特征进行采样，获得第一预定数量的样本；根据所述第一预定数量的样本，训练得到第二预定数量的第一领域用户的资产预测模型；

第二训练模块304，用于通过迁移学习法，利用预定数量的跨领域用户的资产数据，将所述第一领域用户的资产预测模型调整为第二领域用户的资产预测模型，包括：

用于：通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型；其中，所述第三预定数量小于或等于第二预定数量，集成的资产预测模型为第二领域用户的资产预测模型。

优选的，第二训练模块304，用于通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型，包括：

用于：通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型，其中，集成的资产预测模型的预测准确性高于由所述预定数量的跨领域用户的资产数据直接生成的第二领域用户的资产预测模型的预测准确性。

如图5所示，本发明实施例还提供一种用户资产的预测装置401，包括：输入接口402、处理器403和输出接口404，所述处理器分别连接输入接口402和输出接口404。

所述处理器403用于获取第一领域用户数据和第二领域用户数据的联合特征；其中，所述联合特征包括所述第一领域用户数据和所述第二领域用户数据的交叉特征和聚类特征；所述第一领域为金融领域，所述第二领域不属于金融领域；

根据所述第一领域用户的资产数据和所述联合特征，训练得到第一领域用户的资产预测模型；

通过迁移学习法，利用预定数量的跨领域用户的资产数据，将所述第一领域用户的资产预测模型调整为第二领域用户的资产预测模型；其中，所述跨领域用户是所述第一领域用户和所述第二领域用户的共同用户；

根据所述第二领域用户的资产预测模型，预测所述第二领域用户的资产。

所述处理器403用于获取第一领域用户数据和第二领域用户数据的联合特征，包括：

用于：从所述第一领域用户数据和所述第二领域用户数据中选出第一领域用户和第二领域用户都具有的所述交叉特征；

将所述第一领域用户数据的特征和所述第二领域用户数据的特征进行聚类，获得所述聚类特征。

所述处理器403还用于在所述根据第二领域用户的资产预测模型，预测所述第二领域用户的资产之后，通过输入接口402从所述第二领域用户的资产的应用中获得反馈数据；以及用于根据所述反馈数据，优化所述第二领域用户的资产预测模型。

所述处理器403用于根据所述第一领域用户的资产数据和所述联合特征，训练得到第一领域用户的资产预测模型，包括：

用于：对所述第一领域用户的资产数据和所述联合特征进行采样，获得第一预定数量的样本；

根据所述第一预定数量的样本，训练得到第二预定数量的第一领域用户的资产预测模型；

所述处理器403用于通过迁移学习法，利用预定数量的跨领域用户的资产数据，将所述第一领域用户的资产预测模型调整为第二领域用户的资产预测模型，包括：

用于：通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型；其中，所述第三预定数量小于或等于第二预定数量，集成的资产预测模型为第二领域用户的资产预测模型。

所述处理器403用于通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型，包括：

通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型，其中，集成的资产预测模型的预测准确性高于由所述预定数量的跨领域用户的资产数据直接生成的第二领域用户的资产预测模型的预测准确性。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，RandomAccess Memory)、磁盘或光盘等。

以上对本发明实施例所提供的一种用户资产的预测方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种用户资产的预测方法，其特征在于，包括：

从第一领域用户数据和第二领域用户数据中选出第一领域用户和第二领域用户都具有的交叉特征，所述第一领域为金融领域，所述第二领域不属于金融领域；

将所述第一领域用户数据的特征和所述第二领域用户数据的特征进行聚类，获得聚类特征；

对所述第一领域用户的资产数据和联合特征进行采样，获得第一预定数量的样本，其中，所述联合特征包括所述交叉特征和所述聚类特征；

根据所述第一预定数量的样本，训练得到第二预定数量的第一领域用户的资产预测模型；

通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型；其中，所述第三预定数量小于或等于第二预定数量，将集成的资产预测模型调整为第二领域用户的资产预测模型；其中，所述跨领域用户是所述第一领域用户和所述第二领域用户的共同用户；

根据所述第二领域用户的资产预测模型，预测所述第二领域用户的资产。

2.根据权利要求1所述的用户资产的预测方法，其特征在于，在所述根据第二领域用户的资产预测模型，预测所述第二领域用户的资产之后，所述方法还包括：

从所述第二领域用户的资产的应用中获得反馈数据；

根据所述反馈数据，优化所述第二领域用户的资产预测模型。

3.根据权利要求1所述的用户资产的预测方法，其特征在于，所述通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型，包括：

通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型，其中，集成的资产预测模型的预测准确性高于由所述预定数量的跨领域用户的资产数据直接生成的第二领域用户的资产预测模型的预测准确性。

4.一种用户资产的预测装置，其特征在于，包括：

获取模块，用于从第一领域用户数据和第二领域用户数据中选出第一领域用户和第二领域用户都具有的交叉特征；以及将所述第一领域用户数据的特征和所述第二领域用户数据的特征进行聚类，获得聚类特征，所述第一领域为金融领域，所述第二领域不属于金融领域；

第一训练模块，用于对所述第一领域用户的资产数据和联合特征进行采样，获得第一预定数量的样本；根据所述第一预定数量的样本，训练得到第二预定数量的第一领域用户的资产预测模型，其中，所述联合特征包括所述交叉特征和所述聚类特征；

第二训练模块，用于通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型；其中，所述第三预定数量小于或等于第二预定数量，将集成的资产预测模型调整为第二领域用户的资产预测模型；其中，所述跨领域用户是所述第一领域用户和所述第二领域用户的共同用户；

预测模块，用于根据所述第二领域用户的资产预测模型，预测所述第二领域用户的资产。

5.根据权利要求4所述的用户资产的预测装置，其特征在于，还包括：

预测检验模块，用于在所述预测模块根据第二领域用户的资产预测模型，预测所述第二领域用户的资产之后，从所述第二领域用户的资产的应用中获得反馈数据；根据所述反馈数据，优化所述第二领域用户的资产预测模型。

6.根据权利要求4所述的用户资产的预测装置，其特征在于，第二训练模块，用于通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型，包括：

用于：通过迁移学习法，利用预定数量的跨领域用户的资产数据，集成第三预定数量的第一领域用户的资产预测模型，其中，集成的资产预测模型的预测准确性高于由所述预定数量的跨领域用户的资产数据直接生成的第二领域用户的资产预测模型的预测准确性。