CN112085541A - 基于浏览消费时序数据的用户需求分析方法及装置 - Google Patents
基于浏览消费时序数据的用户需求分析方法及装置 Download PDFInfo
- Publication number
- CN112085541A CN112085541A CN202011030181.4A CN202011030181A CN112085541A CN 112085541 A CN112085541 A CN 112085541A CN 202011030181 A CN202011030181 A CN 202011030181A CN 112085541 A CN112085541 A CN 112085541A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- negative sample
- positive
- transaction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 230000006399 behavior Effects 0.000 claims abstract description 155
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 230000007787 long-term memory Effects 0.000 claims abstract description 14
- 230000006403 short-term memory Effects 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 11
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims 2
- 210000002569 neuron Anatomy 0.000 description 18
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000009021 linear effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于浏览消费时序数据的用户需求分析方法及装置，所述方法包含：获取监测期内用户的历史行为数据，根据所述历史行为数据中用户的交易行为发生情况分别截取预定周期内用户的行为数据构建正样本数据和负样本数据；对所述正样本数据和所述负样本数据进行数值化处理生成数值序列，对所述数值序列进行向量化处理生成正负样本集矩阵；通过所述正负样本集矩阵训练并验证基于深度学习长短期记忆神经网络构建的学习模型获得需求分析模型；采集用户的待测行为数据，根据所述待测行为数据和所述需求分析模型获得用户需求。
Description
技术领域
本发明涉及大数据领域，尤指一种基于浏览消费时序数据的用户需求分析方法及装置。
背景技术
随着大数据、云计算、人工智能等为代表的新兴科学技术的迅速发展以及其在金融领域的广泛应用，银行越来越重视产品营销的精细化发展。如何通过利用精准的账户历史数据、用户浏览记录等有关消费行为的信息，进一步加强对用户需求与用户特征的有效识别，成为银行业的一个重要课题。
现阶段互联网已经成为获取信息最便利的渠道，金融机构通过分析用户的交易行为、浏览行为、点击行为、搜索行为等信息，能够有效识别用户的需求，进而根据用户需求智能判断用户对产品的需求程度；通过对用户历史搜索记录和点击行为数据的深入挖掘，找到用户需求的关联模式，可以有效提高产品推送的营销成功率。为此，随着信息化的快速发展，对海量用户浏览消费记录数据进行挖掘与分析越来越成为研究热点，越来越多方法被提出应用到用户对产品的需求分析预测中，如Logistic回归方法、决策树和随机森林方法等；但由于数据量庞大、处理复杂等技术难点，绝大部分研究还是定性分析影响因素来构建理论模型，性能都或多或少受到限制。综上，业内亟需一种精度较高的用户需求分析方法。
发明内容
本发明目的在于提供一种基于浏览消费时序数据的用户需求分析方法及装置，予以提供精度较高，且效果显著的用户需求分析，为后续研究提供有效的数据支持。
为达上述目的，本发明所提供的基于浏览消费时序数据的用户需求分析方法，具体包含：获取监测期内用户的历史行为数据，根据所述历史行为数据中用户的交易行为发生情况分别截取预定周期内用户的行为数据构建正样本数据和负样本数据；对所述正样本数据和所述负样本数据进行数值化处理生成数值序列，对所述数值序列进行向量化处理生成正负样本集矩阵；通过所述正负样本集矩阵训练并验证基于深度学习长短期记忆神经网络构建的学习模型获得需求分析模型；采集用户的待测行为数据，根据所述待测行为数据和所述需求分析模型获得用户需求。
在上述基于浏览消费时序数据的用户需求分析方法中，优选的，根据所述历史行为数据中用户的交易行为发生情况分别截取预定周期内用户的行为数据构建正样本数据和负样本数据包含：当所述历史行为数据中包含交易行为时，根据所述交易行为的交易发生时间截取所述交易发生时间之前预定第一周期内的第一行为数据，根据所述第一行为数据生成正样本数据；当所述历史行为数据中预定第二周期内用户未发生交易行为时，截取用户在预定第三周期内的第二行为数据，根据所述第二行为数据生成负样本数据。
在上述基于浏览消费时序数据的用户需求分析方法中，优选的，当所述历史行为数据中包含交易行为时，根据所述交易行为的交易发生时间截取所述交易发生时间之前预定第一周期内的第一行为数据包含：当所述历史行为数据中包含多次交易行为时，以第N次交易行为的交易发生时间为起始时间；以所述起始时间为起点向前推预定第四周期后，截取预定第一周期内的第一行为数据。
在上述基于浏览消费时序数据的用户需求分析方法中，优选的，当所述历史行为数据中预定第二周期内用户未发生交易行为时，截取用户在预定第三周期内的第二行为数据包含：所述第三周期小于所述第二周期，且起始时间和终止时间皆不相同。
在上述基于浏览消费时序数据的用户需求分析方法中，优选的，对所述正样本数据和所述负样本数据进行数值化处理生成数值序列之前还包含：获取所述正样本数据和所述负样本数据中的网址浏览记录，根据所述网址浏览记录中与所述交易行为的相关性剔除无关网址，获得关联网址字符串。
在上述基于浏览消费时序数据的用户需求分析方法中，优选的，对所述正样本数据和所述负样本数据进行数值化处理生成数值序列包含：对所述关联网址字符串进行编号，构建网址字符串和网址编号的关联词典；根据所述关联词典和所述关联网址字符串生成数值序列。
在上述基于浏览消费时序数据的用户需求分析方法中，优选的，对所述数值序列进行向量化处理生成正负样本集矩阵包含：根据预设单位浏览时长，将所述数值序列映射为多维向量获得正负样本集矩阵。
在上述基于浏览消费时序数据的用户需求分析方法中，优选的，对所述数值序列进行向量化处理生成正负样本集矩阵包含：获取所述正样本数据和所述负样本数据中的用户账户金额变动数据，根据所述用户账户金额变动数据以预设时长为单位构建单位时长金额变动向量；将所述单位时长金额变动向量聚合生成正负样本集矩阵。
在上述基于浏览消费时序数据的用户需求分析方法中，优选的，通过所述正负样本集矩阵训练并验证基于深度学习长短期记忆神经网络构建的学习模型获得需求分析模型包含：将所述正负样本集矩阵按预设比例分割为训练集和测试集；通过所述训练集训练所述学习模型，通过所述测试集验证训练后的所述学习模型获得需求分析模型。
本发明还提供一种基于浏览消费时序数据的用户需求分析装置，所述装置包含样本采集模块、预处理模块、模型构建模块和分析模块；所述样本采集模块用于获取监测期内用户的历史行为数据，根据所述历史行为数据中用户的交易行为发生情况分别截取预定周期内用户的行为数据构建正样本数据和负样本数据；所述预处理模块用于对所述正样本数据和所述负样本数据进行数值化处理生成数值序列，对所述数值序列进行向量化处理生成正负样本集矩阵；所述模型构建模块用于通过所述正负样本集矩阵训练并验证基于深度学习长短期记忆神经网络构建的学习模型获得需求分析模型；所述分析模块用于采集用户的待测行为数据，根据所述待测行为数据和所述需求分析模型获得用户需求。
在上述基于浏览消费时序数据的用户需求分析装置中，优选的，所述样本采集模块包含提取单元，所述提取单元用于当所述历史行为数据中包含交易行为时，根据所述交易行为的交易发生时间截取所述交易发生时间之前预定第一周期内的第一行为数据，根据所述第一行为数据生成正样本数据；以及，当所述历史行为数据中预定第二周期内用户未发生交易行为时，截取用户在预定第三周期内的第二行为数据，根据所述第二行为数据生成负样本数据。
在上述基于浏览消费时序数据的用户需求分析装置中，优选的，所述预处理模块还包含筛选单元，所述筛选单元用于获取所述正样本数据和所述负样本数据中的网址浏览记录，根据所述网址浏览记录中与所述交易行为的相关性剔除无关网址，获得关联网址字符串。
在上述基于浏览消费时序数据的用户需求分析装置中，优选的，所述预处理模块包含序列单元和向量单元；所述序列单元用于对所述关联网址字符串进行编号，构建网址字符串和网址编号的关联词典，根据所述关联词典和所述关联网址字符串生成数值序列；所述向量单元用于根据预设单位浏览时长，将所述数值序列映射为多维向量获得正负样本集矩阵。
在上述基于浏览消费时序数据的用户需求分析装置中，优选的，所述预处理模块包含：获取所述正样本数据和所述负样本数据中的用户账户金额变动数据，根据所述用户账户金额变动数据以预设时长为单位构建单位时长金额变动向量；将所述单位时长金额变动向量聚合生成正负样本集矩阵。
在上述基于浏览消费时序数据的用户需求分析装置中，优选的，所述模型构建模块包含：将所述正负样本集矩阵按预设比例分割为训练集和测试集；通过所述训练集训练所述学习模型，通过所述测试集验证训练后的所述学习模型获得需求分析模型。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
本发明的有益技术效果在于：通过海量用户浏览记录和历史消费信息等时序数据中所蕴含的行为规律，结合长短期记忆神经网络深度模型予以准确分析用户的需求；其不仅可以处理浏览消费时序数据，还能有效防止梯度消失或***带来的收敛性问题，在分析效果上也是十分显著。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1为本发明一实施例所提供的基于浏览消费时序数据的用户需求分析方法的流程示意图；
图2为本发明一实施例所提供的正负样本数据获取的流程示意图；
图3为本发明一实施例所提供的正样本取数规则的示意图；
图4为本发明一实施例所提供的负样本取数规则的示意图；
图5为本发明一实施例所提供的正负样本集矩阵的生成流程示意图；
图6为本发明一实施例所提供的正负样本集矩阵的生成流程示意图；
图7为本发明一实施例所提供的LSTM模型的结构示意图；
图8为本发明一实施例所提供的神经元状态的结构示意图；
图9为本发明一实施例所提供的基于浏览消费时序数据的用户需求分析装置的结构示意图；
图10为本发明一实施例所提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
请参考图1所示，本发明所提供的基于浏览消费时序数据的用户需求分析方法，具体包含：
S101获取监测期内用户的历史行为数据，根据所述历史行为数据中用户的交易行为发生情况分别截取预定周期内用户的行为数据构建正样本数据和负样本数据；
S102对所述正样本数据和所述负样本数据进行数值化处理生成数值序列，对所述数值序列进行向量化处理生成正负样本集矩阵；
S103通过所述正负样本集矩阵训练并验证基于深度学习长短期记忆神经网络构建的学习模型获得需求分析模型；
S104采集用户的待测行为数据，根据所述待测行为数据和所述需求分析模型获得用户需求。
在该实施例中，本发明基于海量用户浏览记录和历史消费信息等时序数据中所蕴含的行为规律，结合长短期记忆神经网络深度模型，提出一种基于深度学***台用户浏览记录和账户交易信息时序数据，整合构建长短期记忆神经网络深度模型，预测分析用户对产品的需求时机，实现产品对用户的精准推送，从而降低人力物力花费，同时又能够提高用户满意度，增加用户留存率。
请参考图2所示，在本发明一实施例中，根据所述历史行为数据中用户的交易行为发生情况分别截取预定周期内用户的行为数据构建正样本数据和负样本数据包含：
S201当所述历史行为数据中包含交易行为时，根据所述交易行为的交易发生时间截取所述交易发生时间之前预定第一周期内的第一行为数据，根据所述第一行为数据生成正样本数据；
S202当所述历史行为数据中预定第二周期内用户未发生交易行为时，截取用户在预定第三周期内的第二行为数据，根据所述第二行为数据生成负样本数据。
在上述实施例中，当所述历史行为数据中包含交易行为时，根据所述交易行为的交易发生时间截取所述交易发生时间之前预定第一周期内的第一行为数据包含：当所述历史行为数据中包含多次交易行为时，以第N次交易行为的交易发生时间为起始时间；以所述起始时间为起点向前推预定第四周期后，截取预定第一周期内的第一行为数据。在另一实施例中，当所述历史行为数据中预定第二周期内用户未发生交易行为时，截取用户在预定第三周期内的第二行为数据包含：所述第三周期小于所述第二周期，且起始时间和终止时间皆不相同。
在实际工作中，用户浏览消费时序数据是随时间推移而不断变化的数据，主要可分为两类：1、用户访问PC端和手机APP的浏览记录；2、用户银行账户金额的实时数据；为此，确认正负标签与输入数据范围，就可以构建用户浏览消费时序数据正负样本集。由此，在本实施例中，正样本标签设置规则可设置为：在观测期间内，有购买行为的用户则设置正样本标签；如果出现多次购买行为，则以第一次购买为购买产品日期。正样本数据输入为：在用户购买产品日期往前推15天，再取其之前30天的行为数据，作为模型正样本的输入，具体可如图3所示。其中设置15天间隔，是因为如果直接取“用户购买产品日期”前30天数据，则取数最后一天，仅仅间隔购买行为1天，模型实际上就会变成“通过过去30天数据，预测第二天用户是否会购买产品”，与事实存在差异；在此目标是要预测用户未来30天内是否会需求产品的概率，而30天内包括未来第1天和未来第30天，平均是15天，所以时间间隔选择15天。另一侧，负样本标签设置规则为：在观测期间内，没有任何购买记录的用户则设置正样本标签。其中，负样本的标签较好确定，本实施例所提供的负样本数据输入采取从中间取数的方案：选取观察期内的中间30天数据，作为模型负样本的输入，具体如图4所示。在此之所以从中间，而不是从末尾取数，是因为可以明确得到取数期之后，用户没有购买产品的结果，这样能确认该用户为负样本；如只是从末尾取数的话，不排除观测期之后有用户突然购买产品，这样就应该把这类用户归为正样本；所以基于稳健的原则，选择从中间取数作为动态模型负样本的输入。
在本发明一实施例中，对所述正样本数据和所述负样本数据进行数值化处理生成数值序列之前还包含：获取所述正样本数据和所述负样本数据中的网址浏览记录，根据所述网址浏览记录中与所述交易行为的相关性剔除无关网址，获得关联网址字符串。以此，后续对所述正样本数据和所述负样本数据进行数值化处理生成数值序列可包含：对所述关联网址字符串进行编号，构建网址字符串和网址编号的关联词典；根据所述关联词典和所述关联网址字符串生成数值序列。基于上述实施例，在本发明另一实施例中，对所述数值序列进行向量化处理生成正负样本集矩阵包含：根据预设单位浏览时长，将所述数值序列映射为多维向量获得正负样本集矩阵；具体可参考图5所示。
在实际工作中，用户访问PC端和手机APP的浏览记录由多个网址构成，每个网址都为字符串类型，这类正负样本集的矩阵化流程如下：
1、数据清洗，从样本集用户浏览记录中剔除无关网址，留存与用户购买产品相关网址字符串。
2、用户浏览记录数值化，将用户浏览记录中的所有网址字符串编号，构建网址字符串-网址编号词典。以此，每个用户的浏览记录就可表示为由一串购买访问网址编号构成的数值序列。
3、用户浏览记录编号数值序列向量化，将浏览记录编号序列映射为多维向量。多维向量的维度记为L，L值可综合观测期实际用户浏览记录最大网址序列长度和LSTM模型计算成本情况设置。如果用户浏览记录网址序列长度超过L，则只保留前L个网址编号，如果不足L个，则用0填补。以此，所有用户浏览记录都是有L个网址编号的向量，再把每个网址编号转为N维的向量，可以得到表示每个用户访问记录的L×N维的矩阵，且每个矩阵都有正负样本标签。
请参考图6所示，在本发明另一实施例中，对所述数值序列进行向量化处理生成正负样本集矩阵可包含：获取所述正样本数据和所述负样本数据中的用户账户金额变动数据，根据所述用户账户金额变动数据以预设时长为单位构建单位时长金额变动向量；将所述单位时长金额变动向量聚合生成正负样本集矩阵。在实际工作中，用户银行账户金额的实时数据为数值型数据，可直接将正负样本集矩阵化，具体流程如下：
1、以天为单位，对用户银行账户金额实时变动数据进行数据切片，构建用户单天账户金额变动向量。
2、将用户单天账户金额变动向量聚合，构建用户30天账户金额变动时序矩阵，每个矩阵都有正负样本标签。
值得说明的是上述图5和图6及其对应的实施例在实际工作中可结合使用，本领域相关技术人员可根据实际需要选择结合使用，本发明在此并不做进一步限定。
在本发明一实施例中，通过所述正负样本集矩阵训练并验证基于深度学习长短期记忆神经网络构建的学习模型获得需求分析模型包含：将所述正负样本集矩阵按预设比例分割为训练集和测试集；通过所述训练集训练所述学习模型，通过所述测试集验证训练后的所述学习模型获得需求分析模型。在实际工作中，可将用户浏览消费时序数据正负样本集划分为训练集和测试集，训练集用于训练构建用户购买需求预测模型，测试集用于测试检验模型预测效果；该流程可采用现有技术予以实现，在此就不再详细举例说明。
在本发明一实施例中，所述学习模型在实际应用时，主要是采用长短期记忆神经网络LSTM模型，当然本领域相关技术人员也可根据实际需要选择其他学习模型，本发明在此并不做限制。其中，本发明所提供的LSTM模型主要是通过独特的门结构，可对神经网络中神经元状态添加或者删除信息，从而对神经元状态进行交互控制，改变神经元状态所承载的信息，保护和控制神经元状态；其结构如图7所示。
Xt-1、Xt、Xt+1表示输入模型的用户消费浏览时序数据。ht-1、ht、ht+1代表的是循环神经网络RNN的隐藏状态，可将之视为每个循环节点A输出的中间向量，保存作为状态信息。隐藏状态既作为上一个节点的输出，又传递到下一个节点作为输入，每次循环的输出值ht都与Xt和ht-1的值相关。RNN的每个循环节点A都会有一个针对之前时序变量X的输出变量Y，每个时刻的Y是当前输出状态h的函数(可能是Sigmoid或softmax函数)表达。LSTM在RNN基础上，增加了一个核心向量Ct，它贯穿整个结构的一条水平线，称为神经元状态信息。如图8中所示：
神经元状态贯穿整个链式结构，线性作用小，主要起传送信息的作用，传送的信息既包含了经过每个节点A时该遗忘的，也包括该新输入的。LSTM提出多层门控制的概念，分别为遗忘门、输入门和输出门；LSTM模型的核心过程如下：
1、遗忘门：决定应该被神经元遗忘的信息，由Sigmoid层组成。遗忘门读取上一隐藏状态层的输入ht-1和当前时间点的输入Xt，在神经元状态Ct-1输出数值ft，ft取值范围为[0，1]，“1”表示“完全保留信息”，“0”表示“完全遗忘信息”，具体计算公式如下：
ft＝σ(Wf·[ht-1，Xt]+bf)；
其中，Wf是遗忘门的权重矩阵，[ht-1，Xt]表示把两个向量连接成一个更长的向量，bf是遗忘门的偏置项，σ是Sigmoid函数。
2、输入门：决定应该被神经元保留的信息，由两部分组成。第一部分通过Sigmoid层决定需要更新的数值，第二部分通过tanh层创建一个中间数值
加入到当前神经元状态Ct中；具体计算公式如下：
it＝σ(Wi·[ht-1，Xt]+bi)；
其中，Wi、WC是输入门的权重矩阵，[ht-1，Xt]表示把两个向量连接成一个更长的向量，bi、bC是输入门的偏置项，σ是Sigmoid函数，tanh是tanh函数。
3、神经元状态更新：组合遗忘门和输入门可更新神经元状态，更新旧神经元状态Ct-1到新神经元状态Ct。将旧神经元状态乘以遗忘门输出数值ft，遗忘掉之前决定要遗忘的信息，然后加和输入门两部分乘积，从而更新神经元状态为最新的Ct状态值；具体计算公式如下：
4、输入门：决定神经网络的输出信息，由两部分组成。第一部分利用Sigmoid层决定输出哪一部分神经元状态，第二部分通过tanh层对当前状态进行处理，然后与第一部分的输出相乘，从而确保输出应该输出的部分；具体计算公式如下：
ot＝σ(Wo·[ht-1，Xt]+bo)；
ht＝ot·tanh(Ct)；
其中，Wo是输出门的权重矩阵，[ht-1，Xt]表示把两个向量连接成一个更长的向量，bo是输出门的偏置项，σ是Sigmoid函数，tanh是tanh函数。最终输出ht由第一部分计算结果ot和神经元状态值Ct共同决定。
经过以上四个步骤，可以有效对用户浏览消费时序数据正负样本集进行训练和预测，经过训练过程不断迭代优化得到的用户购买需求预测LSTM模型，可以对用户在未来30天内购买产品的需求给出一个预测分值，预测分值越高表示该用户在未来30天内对产品的需求强度越大、购买概率越高。
本发明通过构建用户浏览消费时序正负样本集、正负样本集矩阵化、基于深度学习长短期记忆神经网络构建模型三个环节识别用户未来一定时期对产品的购买需求，从而实现对用户的精准营销；本发明所采用的LSTM模型不仅可以处理浏览消费时序数据，还能有效防止梯度消失或***带来的收敛性问题，在预测效果上也是十分显著；同时，本发明将深度学习长短期记忆神经网络技术应用到用户购买需求分析预测上，不仅可以有效处理时序数据，还能够自动获取数据特征，输入量化后的时序正负样本集到模型，就可以直接输出用户需求分析预测结果，具有精确度高、泛化能力强、可处理海量庞大数据等优点。
请参考图9所示，本发明还提供一种基于浏览消费时序数据的用户需求分析装置，所述装置包含样本采集模块、预处理模块、模型构建模块和分析模块；所述样本采集模块用于获取监测期内用户的历史行为数据，根据所述历史行为数据中用户的交易行为发生情况分别截取预定周期内用户的行为数据构建正样本数据和负样本数据；所述预处理模块用于对所述正样本数据和所述负样本数据进行数值化处理生成数值序列，对所述数值序列进行向量化处理生成正负样本集矩阵；所述模型构建模块用于通过所述正负样本集矩阵训练并验证基于深度学习长短期记忆神经网络构建的学习模型获得需求分析模型；所述分析模块用于采集用户的待测行为数据，根据所述待测行为数据和所述需求分析模型获得用户需求。
在上述实施例中，所述样本采集模块包含提取单元，所述提取单元用于当所述历史行为数据中包含交易行为时，根据所述交易行为的交易发生时间截取所述交易发生时间之前预定第一周期内的第一行为数据，根据所述第一行为数据生成正样本数据；以及，当所述历史行为数据中预定第二周期内用户未发生交易行为时，截取用户在预定第三周期内的第二行为数据，根据所述第二行为数据生成负样本数据。
在本发明一实施例中，所述预处理模块还包含筛选单元，所述筛选单元用于获取所述正样本数据和所述负样本数据中的网址浏览记录，根据所述网址浏览记录中与所述交易行为的相关性剔除无关网址，获得关联网址字符串。进一步的，在本发明另一实施例中，所述预处理模块包含序列单元和向量单元；所述序列单元用于对所述关联网址字符串进行编号，构建网址字符串和网址编号的关联词典，根据所述关联词典和所述关联网址字符串生成数值序列；所述向量单元用于根据预设单位浏览时长，将所述数值序列映射为多维向量获得正负样本集矩阵。
在本发明一实施例中，所述预处理模块包含：获取所述正样本数据和所述负样本数据中的用户账户金额变动数据，根据所述用户账户金额变动数据以预设时长为单位构建单位时长金额变动向量；将所述单位时长金额变动向量聚合生成正负样本集矩阵。
在本发明一实施例中，所述模型构建模块包含：将所述正负样本集矩阵按预设比例分割为训练集和测试集；通过所述训练集训练所述学习模型，通过所述测试集验证训练后的所述学习模型获得需求分析模型。
因本发明所提供的基于浏览消费时序数据的用户需求分析装置中各模块的具体实现方式已在前述实施例中详细说明，在此就不再一一举例详述。
本发明的有益技术效果在于：通过海量用户浏览记录和历史消费信息等时序数据中所蕴含的行为规律，结合长短期记忆神经网络深度模型予以准确分析用户的需求；其不仅可以处理浏览消费时序数据，还能有效防止梯度消失或***带来的收敛性问题，在分析效果上也是十分显著。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
如图10所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图10中所示的所有部件；此外，电子设备600还可以包括图10中没有示出的部件，可以参考现有技术。
如图10所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (17)
1.一种基于浏览消费时序数据的用户需求分析方法，其特征在于，所述方法包含：
获取监测期内用户的历史行为数据，根据所述历史行为数据中用户的交易行为发生情况分别截取预定周期内用户的行为数据构建正样本数据和负样本数据；
对所述正样本数据和所述负样本数据进行数值化处理生成数值序列，对所述数值序列进行向量化处理生成正负样本集矩阵；
通过所述正负样本集矩阵训练并验证基于深度学习长短期记忆神经网络构建的学习模型获得需求分析模型；
采集用户的待测行为数据，根据所述待测行为数据和所述需求分析模型获得用户需求。
2.根据权利要求1所述的基于浏览消费时序数据的用户需求分析方法，其特征在于，根据所述历史行为数据中用户的交易行为发生情况分别截取预定周期内用户的行为数据构建正样本数据和负样本数据包含：
当所述历史行为数据中包含交易行为时，根据所述交易行为的交易发生时间截取所述交易发生时间之前预定第一周期内的第一行为数据，根据所述第一行为数据生成正样本数据；
当所述历史行为数据中预定第二周期内用户未发生交易行为时，截取用户在预定第三周期内的第二行为数据，根据所述第二行为数据生成负样本数据。
3.根据权利要求2所述的基于浏览消费时序数据的用户需求分析方法，其特征在于，当所述历史行为数据中包含交易行为时，根据所述交易行为的交易发生时间截取所述交易发生时间之前预定第一周期内的第一行为数据包含：当所述历史行为数据中包含多次交易行为时，以第N次交易行为的交易发生时间为起始时间；以所述起始时间为起点向前推预定第四周期后，截取预定第一周期内的第一行为数据。
4.根据权利要求2所述的基于浏览消费时序数据的用户需求分析方法，其特征在于，当所述历史行为数据中预定第二周期内用户未发生交易行为时，截取用户在预定第三周期内的第二行为数据包含：所述第三周期小于所述第二周期，且起始时间和终止时间皆不相同。
5.根据权利要求1所述的基于浏览消费时序数据的用户需求分析方法，其特征在于，对所述正样本数据和所述负样本数据进行数值化处理生成数值序列之前还包含：
获取所述正样本数据和所述负样本数据中的网址浏览记录，根据所述网址浏览记录中与所述交易行为的相关性剔除无关网址，获得关联网址字符串。
6.根据权利要求5所述的基于浏览消费时序数据的用户需求分析方法，其特征在于，对所述正样本数据和所述负样本数据进行数值化处理生成数值序列包含：
对所述关联网址字符串进行编号，构建网址字符串和网址编号的关联词典；
根据所述关联词典和所述关联网址字符串生成数值序列。
7.根据权利要求6所述的基于浏览消费时序数据的用户需求分析方法，其特征在于，对所述数值序列进行向量化处理生成正负样本集矩阵包含：根据预设单位浏览时长，将所述数值序列映射为多维向量获得正负样本集矩阵。
8.根据权利要求1所述的基于浏览消费时序数据的用户需求分析方法，其特征在于，对所述数值序列进行向量化处理生成正负样本集矩阵包含：
获取所述正样本数据和所述负样本数据中的用户账户金额变动数据，根据所述用户账户金额变动数据以预设时长为单位构建单位时长金额变动向量；
将所述单位时长金额变动向量聚合生成正负样本集矩阵。
9.根据权利要求1所述的基于浏览消费时序数据的用户需求分析方法，其特征在于，通过所述正负样本集矩阵训练并验证基于深度学习长短期记忆神经网络构建的学习模型获得需求分析模型包含：
将所述正负样本集矩阵按预设比例分割为训练集和测试集；
通过所述训练集训练所述学习模型，通过所述测试集验证训练后的所述学习模型获得需求分析模型。
10.一种基于浏览消费时序数据的用户需求分析装置，其特征在于，所述装置包含样本采集模块、预处理模块、模型构建模块和分析模块；
所述样本采集模块用于获取监测期内用户的历史行为数据，根据所述历史行为数据中用户的交易行为发生情况分别截取预定周期内用户的行为数据构建正样本数据和负样本数据；
所述预处理模块用于对所述正样本数据和所述负样本数据进行数值化处理生成数值序列，对所述数值序列进行向量化处理生成正负样本集矩阵；
所述模型构建模块用于通过所述正负样本集矩阵训练并验证基于深度学习长短期记忆神经网络构建的学习模型获得需求分析模型；
所述分析模块用于采集用户的待测行为数据，根据所述待测行为数据和所述需求分析模型获得用户需求。
11.根据权利要求10所述的基于浏览消费时序数据的用户需求分析装置，其特征在于，所述样本采集模块包含提取单元，所述提取单元用于当所述历史行为数据中包含交易行为时，根据所述交易行为的交易发生时间截取所述交易发生时间之前预定第一周期内的第一行为数据，根据所述第一行为数据生成正样本数据；以及，当所述历史行为数据中预定第二周期内用户未发生交易行为时，截取用户在预定第三周期内的第二行为数据，根据所述第二行为数据生成负样本数据。
12.根据权利要求10所述的基于浏览消费时序数据的用户需求分析装置，其特征在于，所述预处理模块还包含筛选单元，所述筛选单元用于获取所述正样本数据和所述负样本数据中的网址浏览记录，根据所述网址浏览记录中与所述交易行为的相关性剔除无关网址，获得关联网址字符串。
13.根据权利要求12所述的基于浏览消费时序数据的用户需求分析装置，其特征在于，所述预处理模块包含序列单元和向量单元；
所述序列单元用于对所述关联网址字符串进行编号，构建网址字符串和网址编号的关联词典，根据所述关联词典和所述关联网址字符串生成数值序列；
所述向量单元用于根据预设单位浏览时长，将所述数值序列映射为多维向量获得正负样本集矩阵。
14.根据权利要求10所述的基于浏览消费时序数据的用户需求分析装置，其特征在于，所述预处理模块包含：获取所述正样本数据和所述负样本数据中的用户账户金额变动数据，根据所述用户账户金额变动数据以预设时长为单位构建单位时长金额变动向量；将所述单位时长金额变动向量聚合生成正负样本集矩阵。
15.根据权利要求10所述的基于浏览消费时序数据的用户需求分析装置，其特征在于，所述模型构建模块包含：将所述正负样本集矩阵按预设比例分割为训练集和测试集；通过所述训练集训练所述学习模型，通过所述测试集验证训练后的所述学习模型获得需求分析模型。
16.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9任一所述方法。
17.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至9任一所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011030181.4A CN112085541A (zh) | 2020-09-27 | 2020-09-27 | 基于浏览消费时序数据的用户需求分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011030181.4A CN112085541A (zh) | 2020-09-27 | 2020-09-27 | 基于浏览消费时序数据的用户需求分析方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112085541A true CN112085541A (zh) | 2020-12-15 |
Family
ID=73738636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011030181.4A Pending CN112085541A (zh) | 2020-09-27 | 2020-09-27 | 基于浏览消费时序数据的用户需求分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085541A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112381595A (zh) * | 2021-01-11 | 2021-02-19 | 平安科技（深圳）有限公司 | 基于交往行为的用户价值预测方法及相关设备 |
| CN112541745A (zh) * | 2020-12-22 | 2021-03-23 | 平安银行股份有限公司 | 用户行为数据分析方法、装置、电子设备及可读存储介质 |
| CN112882934A (zh) * | 2021-02-24 | 2021-06-01 | 中国工商银行股份有限公司 | 基于缺陷增长的测试分析方法及*** |
| CN113138977A (zh) * | 2021-04-22 | 2021-07-20 | 康键信息技术（深圳）有限公司 | 交易转化分析方法、装置、设备及存储介质 |
| CN113393299A (zh) * | 2021-06-17 | 2021-09-14 | 中国工商银行股份有限公司 | 推荐模型训练方法、装置、电子设备和存储介质 |
| CN113988152A (zh) * | 2021-09-23 | 2022-01-28 | 北京达佳互联信息技术有限公司 | 用户类型预测模型训练方法、资源分配方法、介质及装置 |
| CN115511546A (zh) * | 2022-11-23 | 2022-12-23 | 深圳市云积分科技有限公司 | 一种电商用户的行为分析方法、***、设备及可读介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704918A (zh) * | 2017-09-19 | 2018-02-16 | 平安科技（深圳）有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
| CN107944913A (zh) * | 2017-11-21 | 2018-04-20 | 重庆邮电大学 | 基于大数据用户行为分析的高***购买意向预测方法 |
| CN110555717A (zh) * | 2019-07-29 | 2019-12-10 | 华南理工大学 | 基于用户行为特征挖掘用户潜在购买商品和品类的方法 |
| CN110689164A (zh) * | 2019-08-26 | 2020-01-14 | 阿里巴巴集团控股有限公司 | 用户解约行为的预测方法及其*** |
| CN110837683A (zh) * | 2019-05-20 | 2020-02-25 | 全球能源互联网研究院有限公司 | 电力***暂态稳定的预测模型的训练及预测方法、装置 |
| CN111222677A (zh) * | 2019-10-22 | 2020-06-02 | 浙江运达风电股份有限公司 | 一种基于长短期记忆时间神经网络的风速预测方法及*** |
-
2020
- 2020-09-27 CN CN202011030181.4A patent/CN112085541A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704918A (zh) * | 2017-09-19 | 2018-02-16 | 平安科技（深圳）有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
| CN107944913A (zh) * | 2017-11-21 | 2018-04-20 | 重庆邮电大学 | 基于大数据用户行为分析的高***购买意向预测方法 |
| CN110837683A (zh) * | 2019-05-20 | 2020-02-25 | 全球能源互联网研究院有限公司 | 电力***暂态稳定的预测模型的训练及预测方法、装置 |
| CN110555717A (zh) * | 2019-07-29 | 2019-12-10 | 华南理工大学 | 基于用户行为特征挖掘用户潜在购买商品和品类的方法 |
| CN110689164A (zh) * | 2019-08-26 | 2020-01-14 | 阿里巴巴集团控股有限公司 | 用户解约行为的预测方法及其*** |
| CN111222677A (zh) * | 2019-10-22 | 2020-06-02 | 浙江运达风电股份有限公司 | 一种基于长短期记忆时间神经网络的风速预测方法及*** |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541745A (zh) * | 2020-12-22 | 2021-03-23 | 平安银行股份有限公司 | 用户行为数据分析方法、装置、电子设备及可读存储介质 |
| CN112541745B (zh) * | 2020-12-22 | 2024-04-09 | 平安银行股份有限公司 | 用户行为数据分析方法、装置、电子设备及可读存储介质 |
| CN112381595A (zh) * | 2021-01-11 | 2021-02-19 | 平安科技（深圳）有限公司 | 基于交往行为的用户价值预测方法及相关设备 |
| CN112381595B (zh) * | 2021-01-11 | 2021-06-04 | 平安科技（深圳）有限公司 | 基于交往行为的用户价值预测方法及相关设备 |
| CN112882934A (zh) * | 2021-02-24 | 2021-06-01 | 中国工商银行股份有限公司 | 基于缺陷增长的测试分析方法及*** |
| CN112882934B (zh) * | 2021-02-24 | 2024-02-13 | 中国工商银行股份有限公司 | 基于缺陷增长的测试分析方法及*** |
| CN113138977A (zh) * | 2021-04-22 | 2021-07-20 | 康键信息技术（深圳）有限公司 | 交易转化分析方法、装置、设备及存储介质 |
| CN113393299A (zh) * | 2021-06-17 | 2021-09-14 | 中国工商银行股份有限公司 | 推荐模型训练方法、装置、电子设备和存储介质 |
| CN113988152A (zh) * | 2021-09-23 | 2022-01-28 | 北京达佳互联信息技术有限公司 | 用户类型预测模型训练方法、资源分配方法、介质及装置 |
| CN115511546A (zh) * | 2022-11-23 | 2022-12-23 | 深圳市云积分科技有限公司 | 一种电商用户的行为分析方法、***、设备及可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112085541A (zh) | 基于浏览消费时序数据的用户需求分析方法及装置 | |
| US11829874B2 (en) | Neural architecture search | |
| CN111966914B (zh) | 基于人工智能的内容推荐方法、装置和计算机设备 | |
| CN111090756B (zh) | 基于人工智能的多目标推荐模型的训练方法及装置 | |
| CN111667308A (zh) | 广告推荐预测***及方法 | |
| CN111126495B (zh) | 模型训练方法、信息预测方法、装置、存储介质及设备 | |
| CN111258593B (zh) | 应用程序预测模型的建立方法、装置、存储介质及终端 | |
| CN112905876B (zh) | 基于深度学习的信息推送方法、装置和计算机设备 | |
| CN112380449B (zh) | 信息推荐方法、模型训练方法及相关装置 | |
| CN112528010B (zh) | 知识推荐方法、装置、计算机设备及可读存储介质 | |
| CN116089708A (zh) | 农业知识推荐方法及装置 | |
| CN114996486A (zh) | 一种数据推荐方法、装置、服务器以及存储介质 | |
| CN117036843A (zh) | 目标检测模型训练方法、目标检测方法和装置 | |
| CN110807693A (zh) | 专辑的推荐方法、装置、设备和存储介质 | |
| CN117972206A (zh) | 一种基于人工智能的内容推荐***、电子设备及存储介质 | |
| CN112749238A (zh) | 搜索排序方法、装置、电子设备以及计算机可读存储介质 | |
| CN117312657A (zh) | 金融应用的异常功能定位方法、装置、计算机设备和介质 | |
| CN116306672A (zh) | 一种数据处理方法及其装置 | |
| CN116167371A (zh) | 产品的推荐方法及装置、处理器和电子设备 | |
| CN114842382A (zh) | 一种生成视频的语义向量的方法、装置、设备及介质 | |
| CN115700550A (zh) | 标签分类模型训练和对象筛选方法、设备及存储介质 | |
| CN115482019A (zh) | 一种活动关注度预测方法、装置、电子设备和存储介质 | |
| CN117828193B (zh) | 基于多兴趣半联合学习兴趣推荐方法、***、设备及介质 | |
| CN111506510B (zh) | 一种软件质量确定方法和相关装置 | |
| CN110503482B (zh) | 一种物品处理方法、装置、终端及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |