CN109214585B - 用户消费预测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明的实施例提供了一种用户消费预测方法、装置、电子设备及存储介质，涉及人工智能技术领域。该方法包括：获取已注册用户的用户信息以及在多个营销活动上的消费历史信息；从所述用户信息以及所述消费历史信息中提取已注册用户的用户特征以及消费特征；基于所述用户特征以及所述消费特征对消费预测模型进行训练；通过消费预测模型对待预测用户在未来预定时间段在各个营销活动上的消费额进行预测。本发明实施例的技术方案采用基于人工智能分析的智能预测方案，能够自动准确地预测用户在未来预定时间段在各个营销活动的消费额，从而能够针对性地对用户进行精准营销。

Description

用户消费预测方法、装置、电子设备及存储介质

技术领域

本发明涉及人工智能技术领域，具体而言，涉及一种用户消费预测方法、用户消费预测装置、电子设备以及计算机可读存储介质。

背景技术

随着互联网技术的发展，各种网络平台每年上线大量的营销活动，新增注册用户的数量也日益增加，如何对新注册用户在未来一段时间的消费情况进行预测成为了关注的焦点。

目前，在一种技术方案中，通过新注册用户的用户特征例如年龄、学历、职业等对新注册用户在未来一段时间在各个营销活动上的消费情况进行预测。然而，在该技术方案中，仅根据用户特征难以准确对用户在各个营销活动上的消费情况进行预测，无法针对性地对用户进行精准营销。

因此，需要提供一种能够解决上述问题中的一个或多个问题的用户消费预测方法、用户消费预测装置、电子设备以及计算机可读存储介质。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明实施例的目的在于提供一种用户消费预测方法、用户消费预测装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本发明实施例的第一方面，提供了一种用户消费预测方法，包括：获取已注册用户的用户信息以及在多个营销活动上的消费历史信息；从所述用户信息以及所述消费历史信息中提取所述已注册用户的用户特征以及消费特征；基于所述用户特征以及所述消费特征对消费预测模型进行训练；通过所述消费预测模型对待预测用户在未来预定时间段在各个营销活动上的消费额进行预测。

在本发明的一些实施例中，基于前述方案，基于所述用户特征以及所述消费特征对消费预测模型进行训练，包括：将所述用户特征以及所述消费特征按照预定比例分为训练样本集和验证样本集；基于所述训练样本集对所述消费预测模型进行训练，基于所述验证样本集对所述消费预测模型的参数进行调整。

在本发明的一些实施例中，基于前述方案，获取已注册用户的用户信息以及在多个营销活动上的消费历史信息，包括：基于所述待预测用户的标识信息获取所述待预测用户的注册月份；基于所述注册月份采用时间序列反推法确定与所述未来预定时间段对应的时间序列；基于所述时间序列获取所述已注册用户的用户信息以及在多个营销活动上的消费历史信息。

在本发明的一些实施例中，基于前述方案，通过所述消费预测模型对待预测用户在未来预定时间段在各个营销活动上的消费额进行预测，包括：通过所述消费预测模型预测所述已注册用户在所述待预测用户的注册月份在各个营销活动上的消费额；基于所述已注册用户的消费额对待预测用户在所述未来预定时间段在各个营销活动上的消费额进行预测。

在本发明的一些实施例中，基于前述方案，基于所述注册月份采用时间序列反推法确定与所述未来预定时间段对应的时间序列，包括：将所述未来预定时间段按月划分为多个时间序列；基于所述注册月份以及所述多个时间序列采用时间序列反推法确定与所述未来预定时间段对应的时间序列。

在本发明的一些实施例中，基于前述方案，基于所述已注册用户的消费额对待预测用户在所述未来预定时间段在各个营销活动上的消费额进行预测，包括：将所述待预测用户的注册量与所述已注册用户的注册量的比值作为第一权重系数；将所述待预测用户的年龄分布特征与所述已注册用户的年龄分布特征的比值作为第二权重系数；基于所述第一权重系数和所述第二权重系数对所述已注册用户在所述待预测用户的注册月份的消费额进行调整；基于调整后的已注册用户的消费额对所述待预测用户在所述未来预定时间段在各个营销活动上的消费额进行预测。

在本发明的一些实施例中，基于前述方案，所述消费预测模型为逻辑回归模型。

根据本发明实施例的第二方面，提供了一种用户消费预测装置，包括：信息获取单元，用于获取已注册用户的用户信息以及在多个营销活动上的消费历史信息；特征提取单元，用于从所述用户信息以及所述消费历史信息中提取所述已注册用户的用户特征以及消费特征；模型训练单元，用于基于所述用户特征以及所述消费特征对消费预测模型进行训练；预测单元，用于通过所述消费预测模型对待预测用户在未来预定时间段在各个营销活动上的消费额进行预测。

根据本发明实施例的第三方面，提供了一种电子设备，包括：处理器；以及存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如上述第一方面所述的用户消费预测方法。

根据本发明实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的用户消费预测方法。

在本发明的一些实施例所提供的技术方案中，采用基于人工智能分析的智能预测方案，一方面，从已注册用户的用户信息以及消费历史信息中提取已注册用户的用户特征以及消费特征，基于用户特征以及消费特征对消费预测模型进行训练，能够结合已注册用户的用户特征以及消费特征对模型进行训练；另一方面，通过消费预测模型对待预测用户在未来预定时间段在各个营销活动上的消费额进行预测，能够自动准确地预测用户在未来预定时间段在各个营销活动的消费额，从而能够针对性地对用户进行精准营销。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1示出了根据本发明的一些实施例的用户消费预测方法的流程示意图；

图2示出了根据本发明的一些实施例采用时间序列反推法获取已注册用户的消费历史信息的流程示意图；

图3示出了根据本发明的一些实施例的时间序列反推法的示意图；

图4示出了根据本发明的一示例性实施例的用户消费预测装置的示意框图；

图5示出了适于用来实现本发明实施例的电子设备的计算机***的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本发明将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

图1示出了根据本发明的一些实施例的用户消费预测方法的流程示意图。参照图1所示，该用户消费预测方法可以包括以下步骤：

在步骤S110中，获取已注册用户的用户信息以及在多个营销活动上的消费历史信息；

在步骤S120中，从所述用户信息以及所述消费历史信息中提取所述已注册用户的用户特征以及消费特征；

在步骤S130中，基于所述用户特征以及所述消费特征对消费预测模型进行训练；

在步骤S140中，通过所述消费预测模型对待预测用户在未来预定时间段在各个营销活动上的消费额进行预测。

根据图1的示例实施例中的用户消费预测方法，一方面，从已注册用户的用户信息以及消费历史信息中提取已注册用户的用户特征以及消费特征，基于用户特征以及消费特征对消费预测模型进行训练，能够结合已注册用户的用户特征以及消费特征对模型进行训练；另一方面，通过消费预测模型对待预测用户在未来预定时间段在各个营销活动上的消费额进行预测，能够自动准确地预测用户在未来预定时间段在各个营销活动的消费额，从而能够针对性地对用户进行精准营销。

下面，将对图1的示例实施例中的用户消费预测方法进行详细的说明。

在步骤S110中，获取已注册用户的用户信息以及多个营销活动上的消费历史信息。

在示例实施例中，用户信息可以为用户在网站平台注册的信息，用户信息可以包括用户的年龄、性别、收入水平、职业类型、学历、资产等信息。多个营销活动可以包括：保险类活动、理财类营销活动、基金类营销活动、健康类营销活动以及生活类营销活动等营销活动。用户的消费历史数据可以包括用户的账户明细信息、用户参与营销活动的历史信息、用户购买营销活动产品的历史信息例如用户购买理财产品、基金产品、保险产品的历史信息。

在步骤S120中，从所述用户信息以及所述消费历史信息中提取所述已注册用户的用户特征以及消费特征。

在示例实施例中，可以从用户信息中提取用户的年龄、性别、收入水平、学历、资产等特征信息。从用户的消费历史信息中提取用户的消费偏好、消费时间以及消费种类等消费特征。

在步骤S130中，基于所述用户特征以及所述消费特征对消费预测模型进行训练。

在示例实施例中，消费预测模型用于对用户的消费额进行预测，消费预测模型可以为逻辑回归模型，也可以为神经网络预测模型，还可以为其他适当的预测模型，本发明对此不进行特殊限定。

在示例实施例中，可以将所述用户特征以及所述消费特征按照预定比例分为训练样本集和验证样本集；基于所述训练样本集对所述消费预测模型进行训练，基于所述验证样本集对所述消费预测模型的参数进行调整。基于训练样本集中已注册用户的特征信息与消费历史信息计算消费预测模型的参数，基于验证样本集中已注册用户的特征信息与消息历史信息对消费预测模型的参数进行调整。

在步骤S140中，通过所述消费预测模型对待预测用户在未来预定时间段在各个营销活动上的消费额进行预测。

在示例实施例中，待预测用户可以为当前月份注册的新用户，提取待预测用户的特征信息例如年龄、性别、收入水平、学历、资产等信息，将待预测用户的特征信息输入到消费预测模型，就可以得到待预测用户在未来预定时间段在各个渠道的消费额。

进一步地，在示例实施例中，将所述待预测用户的注册量与所述已注册用户的注册量的比值作为第一权重系数；将所述待预测用户的年龄分布特征与所述已注册用户的年龄分布特征的比值作为第二权重系数；基于所述第一权重系数和所述第二权重系数对所述已注册用户在所述待预测用户的注册月份的消费额进行调整；基于调整后的已注册用户的消费额对所述待预测用户在所述未来预定时间段在各个营销活动上的消费额进行预测。

第一权重系数即注册量的比值可以反映用户整体数量的比值，第二权重系数即年龄分布特征的比值可以反映在不同年龄阶段的用户数量的比值，例如，在第二权重系数在60至70年龄段的比值较大时，表示已注册用户在60至70年龄段的分布较少即用户群体较少，为了提高预测的准确性，需要降低第二权重系数。

图2示出了根据本发明的一些实施例采用时间序列反推法获取已注册用户的消费历史信息的流程示意图。

在图2中，在步骤S210中，基于所述待预测用户的标识信息获取所述待预测用户的注册月份。

在示例实施例中，可以基于待预测用户的标识信息从目标数据库中获取待预测用户的注册月份，目标数据库可以为MySQL数据库或Oracle数据库，也可以为其他形式的数据库。

在步骤S220中，基于所述注册月份采用时间序列反推法确定与所述未来预定时间段对应的时间序列。

在示例实施例中，在待预测用户的注册月份为2017年5月份时，为了预测2017年5月份注册的待预测用户在未来两年在各个营销活动上的消费额，通过时间序列反推法确定与所述未来预定时间段对应的时间序列，例如，将所述未来预定时间段按月划分为多个时间序列；基于所述注册月份以及所述多个时间序列采用时间序列反推法确定与所述未来预定时间段对应的时间序列，即2017年5月至2019年5月的时间序列对应于2017年5月至2015年5月的时间序列，即2017年5月份对应于2017年5月份，2017年6月份对应于2017年4月份，2017年6月份对应于2017年3月份，以此类推，2019年4月份对应于2015年6月份，2019年5月份对应于2015年5月份。

在步骤S230中，基于所述时间序列获取所述已注册用户的用户信息以及在多个营销活动上的消费历史信息。

在示例实施例中，在与未来预定时间端2017年5月至2019年5月对应的时间序列为2017年5月至2015年5月时，可以获取2017年5月注册的用户、2017年4月注册的用户、2017年3月注册的用户、依次类推至2015年5月注册的用户分别在2017年5月的消费历史信息。

进一步地，在一些实施例中，通过消费预测模型预测所述已注册用户在所述待预测用户的注册月份在各个营销活动上的消费额；基于所述已注册用户的消费额对待预测用户在所述未来预定时间段在各个营销活动上的消费额进行预测。

图3示出了根据本发明的一些实施例的时间序列反推法的示意图。

参照图3所示，对于待预测用户在2017年5月的消费额，可以通过2017年5月已注册用户在2017年5月的消费额进行预测；对于待预测用户在2017年6月的消费额，可以通过2017年4月注册的用户在2017年5月的消费额进行预测；对于待预测用户在2017年7月的消费额，可以通过2017年3月注册的用户在2017年5月的消费额进行预测；以此类推，2019年4月消费额通过2015年6月注册的用户在2017年5月的消费额进行预测，2019年5月的消费额通过2015年5月注册的用户在2017年5月的消费额进行预测。

此外，在本发明的实施例中，还提供了一种用户消费预测装置。参照图4所示，该用户消费预测装置400可以包括：信息获取单元410、特征提取单元420、模型训练单元430以及预测单元440。其中，信息获取单元410用于获取已注册用户的用户信息以及在多个营销活动上的消费历史信息；特征提取单元420用于从所述用户信息以及所述消费历史信息中提取所述已注册用户的用户特征以及消费特征；模型训练单元430用于基于所述用户特征以及所述消费特征对消费预测模型进行训练；预测单元440用于通过所述消费预测模型对待预测用户在未来预定时间段在各个营销活动上的消费额进行预测。

在本发明的一些实施例中，基于前述方案，模型训练单元430包括：样本划分单元，用于将所述用户特征以及所述消费特征按照预定比例分为训练样本集和验证样本集；参数确定单元，用于基于所述训练样本集对所述消费预测模型进行训练，基于所述验证样本集对所述消费预测模型的参数进行调整。

在本发明的一些实施例中，基于前述方案，信息获取单元410包括：注册月份确定单元，用于基于所述待预测用户的标识信息获取所述待预测用户的注册月份；时间反推单元，用于基于所述注册月份采用时间序列反推法确定与所述未来预定时间段对应的时间序列；消费信息获取单元，用于基于所述时间序列获取所述已注册用户的用户信息以及在多个营销活动上的消费历史信息。

在本发明的一些实施例中，基于前述方案，预测单元440被配置为：通过所述消费预测模型预测所述已注册用户在所述待预测用户的注册月份在各个营销活动上的消费额；基于所述已注册用户的消费额对待预测用户在所述未来预定时间段在各个营销活动上的消费额进行预测。

在本发明的一些实施例中，基于前述方案，时间反推单元包括：时间划分单元，用于将所述未来预定时间段按月划分为多个时间序列；反推单元，用于基于所述注册月份以及所述多个时间序列采用时间序列反推法确定与所述未来预定时间段对应的时间序列。

在本发明的一些实施例中，基于前述方案，预测单元440被配置为：将所述待预测用户的注册量与所述已注册用户的注册量的比值作为第一权重系数；将所述待预测用户的年龄分布特征与所述已注册用户的年龄分布特征的比值作为第二权重系数；基于所述第一权重系数和所述第二权重系数对所述已注册用户在所述待预测用户的注册月份的消费额进行调整；基于调整后的已注册用户的消费额对所述待预测用户在所述未来预定时间段在各个营销活动上的消费额进行预测。

在本发明的一些实施例中，基于前述方案，所述消费预测模型为逻辑回归模型。

由于本发明的示例实施例的用户消费预测装置400的各个功能模块与上述用户消费预测方法的示例实施例的步骤对应，因此在此不再赘述。

在本发明的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

下面参考图5，其示出了适于用来实现本发明实施例的电子设备的计算机***500的结构示意图。图5示出的电子设备的计算机***500仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机***500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有***操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的***中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的用户消费预测方法。

例如，所述电子设备可以实现如图1中所示的：在步骤S110中，获取已注册用户的用户信息以及在多个营销活动上的消费历史信息；在步骤S120中，从所述用户信息以及所述消费历史信息中提取所述已注册用户的用户特征以及消费特征；在步骤S130中，基于所述用户特征以及所述消费特征对消费预测模型进行训练；在步骤S140中，通过所述消费预测模型对待预测用户在未来预定时间段在各个营销活动上的消费额进行预测。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备或装置的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (7)

1.一种用户消费预测方法，其特征在于，包括：

获取已注册用户的用户信息以及在多个营销活动上的消费历史信息；

从所述用户信息以及所述消费历史信息中提取所述已注册用户的用户特征以及消费特征；

基于所述用户特征以及所述消费特征对消费预测模型进行训练；

通过所述消费预测模型预测所述已注册用户在待预测用户的注册月份在各个营销活动上的消费额，并基于所述已注册用户的消费额对待预测用户在未来预定时间段在各个营销活动上的消费额进行预测；

其中，获取已注册用户的用户信息以及在多个营销活动上的消费历史信息，包括：

基于所述待预测用户的标识信息获取所述待预测用户的注册月份；

将所述未来预定时间段按月划分为多个时间序列，并基于所述注册月份以及所述多个时间序列采用时间序列反推法确定与所述未来预定时间段对应的时间序列；

基于所述时间序列获取所述已注册用户的用户信息以及在多个营销活动上的消费历史信息。

2.根据权利要求1所述的用户消费预测方法，其特征在于，基于所述用户特征以及所述消费特征对消费预测模型进行训练，包括：

将所述用户特征以及所述消费特征按照预定比例分为训练样本集和验证样本集；

基于所述训练样本集对所述消费预测模型进行训练，基于所述验证样本集对所述消费预测模型的参数进行调整。

3.根据权利要求1所述的用户消费预测方法，其特征在于，基于所述已注册用户的消费额对待预测用户在所述未来预定时间段在各个营销活动上的消费额进行预测，包括：

将所述待预测用户的注册量与所述已注册用户的注册量的比值作为第一权重系数；

将所述待预测用户的年龄分布特征与所述已注册用户的年龄分布特征的比值作为第二权重系数；

基于所述第一权重系数和所述第二权重系数对所述已注册用户在所述待预测用户的注册月份的消费额进行调整；

基于调整后的已注册用户的消费额对所述待预测用户在所述未来预定时间段在各个营销活动上的消费额进行预测。

4.根据权利要求1所述的用户消费预测方法，其特征在于，所述消费预测模型为逻辑回归模型。

5.一种用户消费预测装置，其特征在于，包括：

信息获取单元，用于获取已注册用户的用户信息以及在多个营销活动上的消费历史信息；

特征提取单元，用于从所述用户信息以及所述消费历史信息中提取所述已注册用户的用户特征以及消费特征；

模型训练单元，用于基于所述用户特征以及所述消费特征对消费预测模型进行训练；

预测单元，用于通过所述消费预测模型预测所述已注册用户在待预测用户的注册月份在各个营销活动上的消费额，并基于所述已注册用户的消费额对待预测用户在未来预定时间段在各个营销活动上的消费额进行预测；

其中，获取已注册用户的用户信息以及在多个营销活动上的消费历史信息，包括：

基于所述待预测用户的标识信息获取所述待预测用户的注册月份；

将所述未来预定时间段按月划分为多个时间序列，并基于所述注册月份以及所述多个时间序列采用时间序列反推法确定与所述未来预定时间段对应的时间序列；

基于所述时间序列获取所述已注册用户的用户信息以及在多个营销活动上的消费历史信息。

6.一种电子设备，其特征在于，包括：

处理器；以及

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现如权利要求1至4中任一项所述的用户消费预测方法。

7.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的用户消费预测方法。

Images