CN112651778B - 用户行为预测方法、装置、设备及介质 - Google Patents
用户行为预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112651778B CN112651778B CN202011559727.5A CN202011559727A CN112651778B CN 112651778 B CN112651778 B CN 112651778B CN 202011559727 A CN202011559727 A CN 202011559727A CN 112651778 B CN112651778 B CN 112651778B
- Authority
- CN
- China
- Prior art keywords
- feature
- data
- network
- product
- fully
- 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.)
- Active
Links
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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,提供一种用户行为预测方法、装置、设备及介质,能够通过进行特征的融合,使不同类型产品间的特征实现参数间的共享,结合多层全连接网络实现对特征的多路运算,以基于多层全连接网络实现对不同期限产品购买行为的自动预测,辅助销售人员进行产品的精准推荐。此外,本发明还涉及区块链技术,预测模型可存储于区块链节点中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种用户行为预测方法、装置、设备及介质。
背景技术
产品购买潜力是指用户对现有产品的兴趣与购买意向。例如:通过对保险产品的购买潜力进行预测,能够模拟出客户对某类寿险产品的购买概率,一方面能够帮助客户定位自身需求,快速了解产品详细内容,另一方面能够帮助代理人了解客户,学习产品知识和营销话术。对产品购买潜力高的客户,主动接触并有针对性的营销产品,唤起客户购买意愿,促成客户购买;对于产品购买潜力一般的客户,转化营销策略,推荐其他类型产品,打破销售瓶颈。因此,对用户的行为(如购买行为)进行预测是当前需要解决的问题。
针对上述问题,现有技术中通常采用LightGBM等模型将所有的特征进行统一训练,缺乏针对性,导致用户行为预测结果的准确度不足。
发明内容
鉴于以上内容,有必要提供一种用户行为预测方法、装置、设备及介质,能够基于多层全连接网络实现对不同期限产品购买行为的自动预测,辅助销售人员进行产品的精准推荐。
一种用户行为预测方法,所述用户行为预测方法包括:
响应于用户行为预测指令,根据所述用户行为预测指令获取待处理数据;
按照配置属性对所述待处理数据进行拆分,得到基础特征、长期产品特征及短期产品特征;
组合所述基础特征与所述长期产品特征得到第一特征,及组合所述基础特征与所述短期产品特征得到第二特征;
调用预先训练的预测模型,所述预测模型包括第一全连接网络、第二全连接网络、第三全连接网络、第四全连接网络及特征映射网络;
将所述第一特征输入至所述第一全连接网络,得到第一特征矩阵,及将所述第二特征输入至所述第二全连接网络,得到第二特征矩阵;
拼接所述第一特征矩阵及所述第二特征矩阵,得到第一融合特征;
将所述融合特征输入至所述第三全连接网络,得到第三特征矩阵,及将所述融合特征输入至所述第四全连接网络,得到第四特征矩阵;
拼接所述第三特征矩阵及所述第四特征矩阵,得到第二融合特征;
将所述第二融合特征输入至所述特征映射网络,输出长期产品对应的用户行为预测值及短期产品对应的用户行为预测值。
根据本发明优选实施例,所述按照配置属性对所述待处理数据进行拆分,得到基础特征、长期产品特征及短期产品特征包括:
从所述待处理数据中获取用户特征作为所述基础特征;
从所述待处理数据中获取对产品的购买行为特征;
获取所述产品的产品周期;
将所述产品周期大于或者等于配置时长的产品对应的购买行为特征确定为所述长期产品特征,及将所述产品周期小于所述配置时长的产品对应的购买行为特征确定为所述短期产品特征。
根据本发明优选实施例,所述方法还包括:
获取初始数据;
对所述初始数据进行特征筛选处理,得到训练样本;
按照配置比例对所述训练样本进行随机拆分,得到训练集及验证集;
根据所述训练集训练多层全连接网络,得到初始网络;
利用所述验证集验证所述初始网络;
当所述初始网络通过验证时,停止训练,并将所述初始网络确定为所述预测模型;或者
当所述初始网络未通过验证时,对所述初始网络进行补充训练,直至所述初始网络通过验证,停止训练,得到所述预测模型。
根据本发明优选实施例,所述对所述初始数据进行特征筛选处理,得到训练样本包括:
计算所述初始数据中每个数据的缺失率,并从所述初始数据中删除所述缺失率小于或者等于配置缺失率的数据,得到第一数据;
计算所述第一数据中数据间的重复度,根据所述重复度对所述第一数据进行过滤,得到第二数据;
确定预测目标,并计算所述第二数据中的每个数据与所述预测目标间的相关度;
从所述第二数据中删除所述相关度小于或者等于所述配置相关度的数据,得到所述训练样本。
根据本发明优选实施例,所述对所述初始网络进行补充训练包括:
按照所述配置比例对所述训练样本重新进行随机拆分,得到补充训练集及补充验证集;
利用所述补充训练集训练所述初始网络,得到中间网络;
利用所述补充验证集验证所述中间网络。
根据本发明优选实施例,所述第一全连接网络包括输入层、隐藏层及输出层,所述方法还包括:
当检测到所述第一特征输入至所述输入层时,利用所述输入层与所述隐藏层的连通节点将所述第一特征传输至所述隐藏层;
利用所述隐藏层的每个神经元对所述第一特征进行线性计算,得到计算结果;
利用激活函数将所述计算结果映射至所述输出层;
获取所述输出层的输出数据作为所述第一特征矩阵。
根据本发明优选实施例,所述方法还包括:
从所述特征映射网络中获取与所述长期产品对应的线性神经元,并利用获取的线性神经元对所述第二融合特征进行线性计算,得到第一计算结果;
从所述特征映射网络中获取与所述短期产品对应的线性神经元,并利用获取的线性神经元对所述第二融合特征进行线性计算,得到第二计算结果;
对所述第一计算结果进行映射,得到所述长期产品对应的用户行为预测值;
对所述第二计算结果进行映射,得到所述短期产品对应的用户行为预测值。
一种用户行为预测装置,所述用户行为预测装置包括:
获取单元,用于响应于用户行为预测指令,根据所述用户行为预测指令获取待处理数据;
拆分单元,用于按照配置属性对所述待处理数据进行拆分,得到基础特征、长期产品特征及短期产品特征;
组合单元,用于组合所述基础特征与所述长期产品特征得到第一特征,及组合所述基础特征与所述短期产品特征得到第二特征;
调用单元,用于调用预先训练的预测模型,所述预测模型包括第一全连接网络、第二全连接网络、第三全连接网络、第四全连接网络及特征映射网络;
输入单元,用于将所述第一特征输入至所述第一全连接网络,得到第一特征矩阵,及将所述第二特征输入至所述第二全连接网络,得到第二特征矩阵;
拼接单元,用于拼接所述第一特征矩阵及所述第二特征矩阵,得到第一融合特征;
所述输入单元,还用于将所述融合特征输入至所述第三全连接网络,得到第三特征矩阵,及将所述融合特征输入至所述第四全连接网络,得到第四特征矩阵;
所述拼接单元,还用于拼接所述第三特征矩阵及所述第四特征矩阵,得到第二融合特征;
所述输入单元,还用于将所述第二融合特征输入至所述特征映射网络,输出长期产品对应的用户行为预测值及短期产品对应的用户行为预测值。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述用户行为预测方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述用户行为预测方法。
由以上技术方案可以看出,本发明能够响应于用户行为预测指令,根据所述用户行为预测指令获取待处理数据,按照配置属性对所述待处理数据进行拆分,得到基础特征、长期产品特征及短期产品特征,组合所述基础特征与所述长期产品特征得到第一特征,及组合所述基础特征与所述短期产品特征得到第二特征,调用预先训练的预测模型,所述预测模型包括第一全连接网络、第二全连接网络、第三全连接网络、第四全连接网络及特征映射网络,将所述第一特征输入至所述第一全连接网络,得到第一特征矩阵,及将所述第二特征输入至所述第二全连接网络,得到第二特征矩阵,拼接所述第一特征矩阵及所述第二特征矩阵,得到第一融合特征,通过进行特征的融合,能够使不同类型产品间的特征实现参数间的共享,将所述融合特征输入至所述第三全连接网络,得到第三特征矩阵,及将所述融合特征输入至所述第四全连接网络,得到第四特征矩阵,拼接所述第三特征矩阵及所述第四特征矩阵,得到第二融合特征,结合多层全连接网络实现对特征的多路运算,将所述第二融合特征输入至所述特征映射网络,输出长期产品对应的用户行为预测值及短期产品对应的用户行为预测值,以基于多层全连接网络实现对不同期限产品购买行为的自动预测,辅助销售人员进行产品的精准推荐。
附图说明
图1是本发明用户行为预测方法的较佳实施例的流程图。
图2是本发明用户行为预测装置的较佳实施例的功能模块图。
图3是本发明实现用户行为预测方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明用户行为预测方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述用户行为预测方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,响应于用户行为预测指令,根据所述用户行为预测指令获取待处理数据。
在本实施例中,所述用户行为预测指令可以由销售人员触发,以便根据预测的行为对产品进行有针对性的推荐,也可以由销售主管触发,以便了解各个产品的市场前景,本发明不限制。
在本实施例中,所述根据所述用户行为预测指令获取待处理数据包括:
解析所述用户行为预测指令,得到配置数据库;
连接至所述配置数据库,并从所述配置数据库中获取数据作为所述待处理数据。
其中,所述待处理数据可以包括,但不限于以下一种或者多种数据的组合:
用户的性别、年龄、用户的历史行为数据(如购买的产品、购买的时间等)。
当然,在其他实施例中,所述待处理数据也可以由用户上传,本发明不限制。
S11,按照配置属性对所述待处理数据进行拆分,得到基础特征、长期产品特征及短期产品特征。
其中,所述配置属性可以根据预测的实际产品特性进行配置。
例如:对于寿险类产品,所述配置属性可以包括:用户特征、购买行为特征等。其中,所述用户特征可以包括性别、年龄、在指定平台的注册时间等;所述购买行为特征可以包括购买时间、购买产品类型等。
具体地,所述按照配置属性对所述待处理数据进行拆分,得到基础特征、长期产品特征及短期产品特征包括:
从所述待处理数据中获取用户特征作为所述基础特征;
从所述待处理数据中获取对产品的购买行为特征;
获取所述产品的产品周期;
将所述产品周期大于或者等于配置时长的产品对应的购买行为特征确定为所述长期产品特征,及将所述产品周期小于所述配置时长的产品对应的购买行为特征确定为所述短期产品特征。
例如:所述基础特征可以包括用户性别、年龄等,所述长期产品特征可以包括首次购买产片是否长限、长险购买次数、长险购买产品种类数、长险购买产品保费均值等,相应地,所述短期产品特征可以包括首次购买产片是否短限、短险购买次数、短限购买产品种类数、短限购买产品保费均值等。
其中,所述配置时长可以进行自定义配置,如5年、10年等。
其中,所述产品周期是指产品的有效期限。例如:对于保险产品,可以包括产品周期为1年的短期保险,也可以包括产品周期为20年的长期保险。
S12,组合所述基础特征与所述长期产品特征得到第一特征,及组合所述基础特征与所述短期产品特征得到第二特征。
在本实施例中,所述组合所述基础特征与所述长期产品特征得到第一特征包括:
将所述基础特征与所述长期产品特征进行拼接,得到所述第一特征。
需要说明的是,由于后续采用的模型中包括双路网络,因此,需要分别以不同的特征作为输入。
具体地,组合所述基础特征与所述长期产品特征得到第一特征,及组合所述基础特征与所述短期产品特征得到第二特征。所述第一特征及所述第二特征分别作为一路网路的输入,为后续特征的融合做准备。
S13,调用预先训练的预测模型,所述预测模型包括第一全连接网络、第二全连接网络、第三全连接网络、第四全连接网络及特征映射网络。
在本发明的至少一个实施例中,不同于通常采用的LightGBM等模型将所有的特征进行统一训练,本实施例采用双路特征与多层网络相结合的方式进行训练。
具体地,所述预测模型的第一层网络包括所述第一全连接网络、所述第三全连接网络,所述预测模型的第二层网络包括所述第二全连接网络、所述第四全连接网络。
进一步地,所述第一层网络先以所述第一特征为输入,所述第二层网络先以所述第二特征为输入,在中间进行特征融合后,再将融合特征分别输入至所述第一层网络及所述第二层网络,然后在所述特征映射网络进行映射,以得到最终的预测结果。
在本发明的至少一个实施例中,在调用预先训练的所述预测模型前,首先需要训练所述预测模型。
具体地,所述方法还包括:
获取初始数据;
对所述初始数据进行特征筛选处理,得到训练样本;
按照配置比例对所述训练样本进行随机拆分,得到训练集及验证集;
根据所述训练集训练多层全连接网络,得到初始网络;
利用所述验证集验证所述初始网络;
当所述初始网络通过验证时,停止训练,并将所述初始网络确定为所述预测模型;或者
当所述初始网络未通过验证时,对所述初始网络进行补充训练,直至所述初始网络通过验证,停止训练,得到所述预测模型。
其中,所述配置比例可以进行自定义配置,如:7:3。
所述训练样本中包括变量因子及预测目标。
例如:变量因子X为T时刻及之前的历史数据,而变量因子Y为T+3(T时刻3个月后)的是否购买长险和是否购买短险的情况。
在本实施例中,所述对所述初始数据进行特征筛选处理,得到训练样本包括:
计算所述初始数据中每个数据的缺失率,并从所述初始数据中删除所述缺失率小于或者等于配置缺失率的数据,得到第一数据;
计算所述第一数据中数据间的重复度,根据所述重复度对所述第一数据进行过滤,得到第二数据;
确定预测目标,并计算所述第二数据中的每个数据与所述预测目标间的相关度;
从所述第二数据中删除所述相关度小于或者等于所述配置相关度的数据,得到所述训练样本。
可以理解的是,当样本中的数据缺失率较高时,如高于50%,则数据的价值较低,无法作为训练的依据;当数据的重复度较高,如都是一个位置区域的数据,那么数据间的差距较小,属于冗余数据,可以只保留其中的一部分;当数据与预测目标间的相关度较低时,如:饮食的喜好与购买保险无关,则二者之间的相关度较低,饮食的喜好对预测保险的购买行为是没有用的,可以删除这部分数据。
通过上述实施方式,首先对数据进行清洗,避免无用数据的干扰,同时排除了冗余数据对***运行速度的影响。
在本实施例中,所述对所述初始网络进行补充训练包括:
按照所述配置比例对所述训练样本重新进行随机拆分,得到补充训练集及补充验证集;
利用所述补充训练集训练所述初始网络,得到中间网络;
利用所述补充验证集验证所述中间网络。
通过上述实施方式,能够在样本量有限的情况下以随机拆分的方式实现对模型的优化训练。
S14,将所述第一特征输入至所述第一全连接网络,得到第一特征矩阵,及将所述第二特征输入至所述第二全连接网络,得到第二特征矩阵。
在本发明的至少一个实施例中,所述第一全连接网络包括输入层、隐藏层及输出层,所述方法还包括:
当检测到所述第一特征输入至所述输入层时,利用所述输入层与所述隐藏层的连通节点将所述第一特征传输至所述隐藏层;
利用所述隐藏层的每个神经元对所述第一特征进行线性计算,得到计算结果;
利用激活函数将所述计算结果映射至所述输出层;
获取所述输出层的输出数据作为所述第一特征矩阵。
具体地,全连接隐藏层的每一个节点都与上一层的所有节点相连,用来把提取到的特征综合起来。
需要说明的是,所述第二全连接网络与所述第一全连接网络的结构类似,运算过程也类似,在此不赘述。
S15,拼接所述第一特征矩阵及所述第二特征矩阵,得到第一融合特征。
在本实施例中,可以将所述第一特征矩阵与所述第二特征矩阵进行横向拼接,得到所述第一融合特征。
例如:当所述第一特征矩阵为100维,所述第一特征矩阵为100维时,所述第一融合特征可以为200维。
在上述实施方式中,通过进行特征的融合,能够使不同类型产品间的特征实现参数间的共享。
S16,将所述融合特征输入至所述第三全连接网络,得到第三特征矩阵,及将所述融合特征输入至所述第四全连接网络,得到第四特征矩阵。
需要说明的是,所述第三全连接网络及所述第四全连接网络与所述第一全连接网络的结构类似,运算过程也类似,在此不赘述。
S17,拼接所述第三特征矩阵及所述第四特征矩阵,得到第二融合特征。
在本实施例中,进一步将所述第三特征矩阵与所述第四特征矩阵进行横向拼接,得到所述第二融合特征。
承接上面的例子,所述第一融合特征可以为200维,则所述第二融合特征为400维。
通过上述实施方式,进一步以全连接层进行特征的处理,结合多层全连接网络实现对特征的多路运算。
S18,将所述第二融合特征输入至所述特征映射网络,输出长期产品对应的用户行为预测值及短期产品对应的用户行为预测值。
在本发明的至少一个实施例中,所述方法还包括:
从所述特征映射网络中获取与所述长期产品对应的线性神经元,并利用获取的线性神经元对所述第二融合特征进行线性计算,得到第一计算结果;
从所述特征映射网络中获取与所述短期产品对应的线性神经元,并利用获取的线性神经元对所述第二融合特征进行线性计算,得到第二计算结果;
对所述第一计算结果进行映射,得到所述长期产品对应的用户行为预测值;
对所述第二计算结果进行映射,得到所述短期产品对应的用户行为预测值。
通过上述实施方式,能够基于多层全连接网络实现对不同期限产品购买行为的预测,辅助销售人员进行产品的精准推荐。
例如:对没有购买过寿险的新客,所述预测模型可以直接给出新客未来购买长期产品和短期产品的概率,并对高购买概率的客户进行接触,促成购买转化。
而对已经有过寿险购买的老客户,如果只购买过长险,所述预测模型可以给出短期产品的购买概率,并通过概率的大小对客户进行产品营销推荐,拓展对不同类型保险产品的销售。
需要说明的是,为了进一步保证数据的安全性,可以将预测模型部署于区块链,以避免数据被恶意篡改。
由以上技术方案可以看出,本发明能够响应于用户行为预测指令,根据所述用户行为预测指令获取待处理数据,按照配置属性对所述待处理数据进行拆分,得到基础特征、长期产品特征及短期产品特征,组合所述基础特征与所述长期产品特征得到第一特征,及组合所述基础特征与所述短期产品特征得到第二特征,调用预先训练的预测模型,所述预测模型包括第一全连接网络、第二全连接网络、第三全连接网络、第四全连接网络及特征映射网络,将所述第一特征输入至所述第一全连接网络,得到第一特征矩阵,及将所述第二特征输入至所述第二全连接网络,得到第二特征矩阵,拼接所述第一特征矩阵及所述第二特征矩阵,得到第一融合特征,通过进行特征的融合,能够使不同类型产品间的特征实现参数间的共享,将所述融合特征输入至所述第三全连接网络,得到第三特征矩阵,及将所述融合特征输入至所述第四全连接网络,得到第四特征矩阵,拼接所述第三特征矩阵及所述第四特征矩阵,得到第二融合特征,结合多层全连接网络实现对特征的多路运算,将所述第二融合特征输入至所述特征映射网络,输出长期产品对应的用户行为预测值及短期产品对应的用户行为预测值,以基于多层全连接网络实现对不同期限产品购买行为的自动预测,辅助销售人员进行产品的精准推荐。
如图2所示,是本发明用户行为预测装置的较佳实施例的功能模块图。所述用户行为预测装置11包括获取单元110、拆分单元111、组合单元112、调用单元113、输入单元114、拼接单元115。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
响应于用户行为预测指令,获取单元110根据所述用户行为预测指令获取待处理数据。
在本实施例中,所述用户行为预测指令可以由销售人员触发,以便根据预测的行为对产品进行有针对性的推荐,也可以由销售主管触发,以便了解各个产品的市场前景,本发明不限制。
在本实施例中,所述获取单元110根据所述用户行为预测指令获取待处理数据包括:
解析所述用户行为预测指令,得到配置数据库;
连接至所述配置数据库,并从所述配置数据库中获取数据作为所述待处理数据。
其中,所述待处理数据可以包括,但不限于以下一种或者多种数据的组合:
用户的性别、年龄、用户的历史行为数据(如购买的产品、购买的时间等)。
当然,在其他实施例中,所述待处理数据也可以由用户上传,本发明不限制。
拆分单元111按照配置属性对所述待处理数据进行拆分,得到基础特征、长期产品特征及短期产品特征。
其中,所述配置属性可以根据预测的实际产品特性进行配置。
例如:对于寿险类产品,所述配置属性可以包括:用户特征、购买行为特征等。其中,所述用户特征可以包括性别、年龄、在指定平台的注册时间等;所述购买行为特征可以包括购买时间、购买产品类型等。
具体地,所述拆分单元111按照配置属性对所述待处理数据进行拆分,得到基础特征、长期产品特征及短期产品特征包括:
从所述待处理数据中获取用户特征作为所述基础特征;
从所述待处理数据中获取对产品的购买行为特征;
获取所述产品的产品周期;
将所述产品周期大于或者等于配置时长的产品对应的购买行为特征确定为所述长期产品特征,及将所述产品周期小于所述配置时长的产品对应的购买行为特征确定为所述短期产品特征。
例如:所述基础特征可以包括用户性别、年龄等,所述长期产品特征可以包括首次购买产片是否长限、长险购买次数、长险购买产品种类数、长险购买产品保费均值等,相应地,所述短期产品特征可以包括首次购买产片是否短限、短险购买次数、短限购买产品种类数、短限购买产品保费均值等。
其中,所述配置时长可以进行自定义配置,如5年、10年等。
其中,所述产品周期是指产品的有效期限。例如:对于保险产品,可以包括产品周期为1年的短期保险,也可以包括产品周期为20年的长期保险。
组合单元112组合所述基础特征与所述长期产品特征得到第一特征,及组合所述基础特征与所述短期产品特征得到第二特征。
在本实施例中,所述组合所述基础特征与所述长期产品特征得到第一特征包括:
将所述基础特征与所述长期产品特征进行拼接,得到所述第一特征。
需要说明的是,由于后续采用的模型中包括双路网络,因此,需要分别以不同的特征作为输入。
具体地,组合所述基础特征与所述长期产品特征得到第一特征,及组合所述基础特征与所述短期产品特征得到第二特征。所述第一特征及所述第二特征分别作为一路网路的输入,为后续特征的融合做准备。
调用单元113调用预先训练的预测模型,所述预测模型包括第一全连接网络、第二全连接网络、第三全连接网络、第四全连接网络及特征映射网络。
在本发明的至少一个实施例中,不同于通常采用的LightGBM等模型将所有的特征进行统一训练,本实施例采用双路特征与多层网络相结合的方式进行训练。
具体地,所述预测模型的第一层网络包括所述第一全连接网络、所述第三全连接网络,所述预测模型的第二层网络包括所述第二全连接网络、所述第四全连接网络。
进一步地,所述第一层网络先以所述第一特征为输入,所述第二层网络先以所述第二特征为输入,在中间进行特征融合后,再将融合特征分别输入至所述第一层网络及所述第二层网络,然后在所述特征映射网络进行映射,以得到最终的预测结果。
在本发明的至少一个实施例中,在调用预先训练的所述预测模型前,首先需要训练所述预测模型。
具体地,获取初始数据;
对所述初始数据进行特征筛选处理,得到训练样本;
按照配置比例对所述训练样本进行随机拆分,得到训练集及验证集;
根据所述训练集训练多层全连接网络,得到初始网络;
利用所述验证集验证所述初始网络;
当所述初始网络通过验证时,停止训练,并将所述初始网络确定为所述预测模型;或者
当所述初始网络未通过验证时,对所述初始网络进行补充训练,直至所述初始网络通过验证,停止训练,得到所述预测模型。
其中,所述配置比例可以进行自定义配置,如:7:3。
所述训练样本中包括变量因子及预测目标。
例如:变量因子X为T时刻及之前的历史数据,而变量因子Y为T+3(T时刻3个月后)的是否购买长险和是否购买短险的情况。
在本实施例中,所述对所述初始数据进行特征筛选处理,得到训练样本包括:
计算所述初始数据中每个数据的缺失率,并从所述初始数据中删除所述缺失率小于或者等于配置缺失率的数据,得到第一数据;
计算所述第一数据中数据间的重复度,根据所述重复度对所述第一数据进行过滤,得到第二数据;
确定预测目标,并计算所述第二数据中的每个数据与所述预测目标间的相关度;
从所述第二数据中删除所述相关度小于或者等于所述配置相关度的数据,得到所述训练样本。
可以理解的是,当样本中的数据缺失率较高时,如高于50%,则数据的价值较低,无法作为训练的依据;当数据的重复度较高,如都是一个位置区域的数据,那么数据间的差距较小,属于冗余数据,可以只保留其中的一部分;当数据与预测目标间的相关度较低时,如:饮食的喜好与购买保险无关,则二者之间的相关度较低,饮食的喜好对预测保险的购买行为是没有用的,可以删除这部分数据。
通过上述实施方式,首先对数据进行清洗,避免无用数据的干扰,同时排除了冗余数据对***运行速度的影响。
在本实施例中,所述对所述初始网络进行补充训练包括:
按照所述配置比例对所述训练样本重新进行随机拆分,得到补充训练集及补充验证集;
利用所述补充训练集训练所述初始网络,得到中间网络;
利用所述补充验证集验证所述中间网络。
通过上述实施方式,能够在样本量有限的情况下以随机拆分的方式实现对模型的优化训练。
输入单元114将所述第一特征输入至所述第一全连接网络,得到第一特征矩阵,及将所述第二特征输入至所述第二全连接网络,得到第二特征矩阵。
在本发明的至少一个实施例中,所述第一全连接网络包括输入层、隐藏层及输出层,当检测到所述第一特征输入至所述输入层时,利用所述输入层与所述隐藏层的连通节点将所述第一特征传输至所述隐藏层;
利用所述隐藏层的每个神经元对所述第一特征进行线性计算,得到计算结果;
利用激活函数将所述计算结果映射至所述输出层;
获取所述输出层的输出数据作为所述第一特征矩阵。
具体地,全连接隐藏层的每一个节点都与上一层的所有节点相连,用来把提取到的特征综合起来。
需要说明的是,所述第二全连接网络与所述第一全连接网络的结构类似,运算过程也类似,在此不赘述。
拼接单元115拼接所述第一特征矩阵及所述第二特征矩阵,得到第一融合特征。
在本实施例中,可以将所述第一特征矩阵与所述第二特征矩阵进行横向拼接,得到所述第一融合特征。
例如:当所述第一特征矩阵为100维,所述第一特征矩阵为100维时,所述第一融合特征可以为200维。
在上述实施方式中,通过进行特征的融合,能够使不同类型产品间的特征实现参数间的共享。
所述输入单元114将所述融合特征输入至所述第三全连接网络,得到第三特征矩阵,及将所述融合特征输入至所述第四全连接网络,得到第四特征矩阵。
需要说明的是,所述第三全连接网络及所述第四全连接网络与所述第一全连接网络的结构类似,运算过程也类似,在此不赘述。
所述拼接单元115拼接所述第三特征矩阵及所述第四特征矩阵,得到第二融合特征。
在本实施例中,进一步将所述第三特征矩阵与所述第四特征矩阵进行横向拼接,得到所述第二融合特征。
承接上面的例子,所述第一融合特征可以为200维,则所述第二融合特征为400维。
通过上述实施方式,进一步以全连接层进行特征的处理,结合多层全连接网络实现对特征的多路运算。
所述输入单元114将所述第二融合特征输入至所述特征映射网络,输出长期产品对应的用户行为预测值及短期产品对应的用户行为预测值。
在本发明的至少一个实施例中,从所述特征映射网络中获取与所述长期产品对应的线性神经元,并利用获取的线性神经元对所述第二融合特征进行线性计算,得到第一计算结果;
从所述特征映射网络中获取与所述短期产品对应的线性神经元,并利用获取的线性神经元对所述第二融合特征进行线性计算,得到第二计算结果;
对所述第一计算结果进行映射,得到所述长期产品对应的用户行为预测值;
对所述第二计算结果进行映射,得到所述短期产品对应的用户行为预测值。
通过上述实施方式,能够基于多层全连接网络实现对不同期限产品购买行为的预测,辅助销售人员进行产品的精准推荐。
例如:对没有购买过寿险的新客,所述预测模型可以直接给出新客未来购买长期产品和短期产品的概率,并对高购买概率的客户进行接触,促成购买转化。
而对已经有过寿险购买的老客户,如果只购买过长险,所述预测模型可以给出短期产品的购买概率,并通过概率的大小对客户进行产品营销推荐,拓展对不同类型保险产品的销售。
需要说明的是,为了进一步保证数据的安全性,可以将预测模型部署于区块链,以避免数据被恶意篡改。
由以上技术方案可以看出,本发明能够响应于用户行为预测指令,根据所述用户行为预测指令获取待处理数据,按照配置属性对所述待处理数据进行拆分,得到基础特征、长期产品特征及短期产品特征,组合所述基础特征与所述长期产品特征得到第一特征,及组合所述基础特征与所述短期产品特征得到第二特征,调用预先训练的预测模型,所述预测模型包括第一全连接网络、第二全连接网络、第三全连接网络、第四全连接网络及特征映射网络,将所述第一特征输入至所述第一全连接网络,得到第一特征矩阵,及将所述第二特征输入至所述第二全连接网络,得到第二特征矩阵,拼接所述第一特征矩阵及所述第二特征矩阵,得到第一融合特征,通过进行特征的融合,能够使不同类型产品间的特征实现参数间的共享,将所述融合特征输入至所述第三全连接网络,得到第三特征矩阵,及将所述融合特征输入至所述第四全连接网络,得到第四特征矩阵,拼接所述第三特征矩阵及所述第四特征矩阵,得到第二融合特征,结合多层全连接网络实现对特征的多路运算,将所述第二融合特征输入至所述特征映射网络,输出长期产品对应的用户行为预测值及短期产品对应的用户行为预测值,以基于多层全连接网络实现对不同期限产品购买行为的自动预测,辅助销售人员进行产品的精准推荐。
如图3所示,是本发明实现用户行为预测方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线,还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如用户行为预测程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,所述电子设备1既可以是总线型结构,也可以是星形结构,所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,所述电子设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如用户行为预测程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行用户行为预测程序等),以及调用存储在所述存储器12内的数据,以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作***以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个用户行为预测方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成获取单元110、拆分单元111、组合单元112、调用单元113、输入单元114、拼接单元115。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述用户行为预测方法的部分。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器等。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根箭头表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器13逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种用户行为预测方法,所述处理器13可执行所述多个指令从而实现:
响应于用户行为预测指令,根据所述用户行为预测指令获取待处理数据;
按照配置属性对所述待处理数据进行拆分,得到基础特征、长期产品特征及短期产品特征;
组合所述基础特征与所述长期产品特征得到第一特征,及组合所述基础特征与所述短期产品特征得到第二特征;
调用预先训练的预测模型,所述预测模型包括第一全连接网络、第二全连接网络、第三全连接网络、第四全连接网络及特征映射网络;
将所述第一特征输入至所述第一全连接网络,得到第一特征矩阵,及将所述第二特征输入至所述第二全连接网络,得到第二特征矩阵;
拼接所述第一特征矩阵及所述第二特征矩阵,得到第一融合特征;
将所述融合特征输入至所述第三全连接网络,得到第三特征矩阵,及将所述融合特征输入至所述第四全连接网络,得到第四特征矩阵;
拼接所述第三特征矩阵及所述第四特征矩阵,得到第二融合特征;
将所述第二融合特征输入至所述特征映射网络,输出长期产品对应的用户行为预测值及短期产品对应的用户行为预测值。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种用户行为预测方法,其特征在于,所述用户行为预测方法包括:
响应于用户行为预测指令,根据所述用户行为预测指令获取待处理数据;
按照配置属性对所述待处理数据进行拆分,得到基础特征、长期产品特征及短期产品特征,包括:
从所述待处理数据中获取用户特征作为所述基础特征,所述用户特征包括用户的性别以及用户的年龄;
从所述待处理数据中获取对产品的购买行为特征以及获取所述产品的产品周期,所述购买行为特征包括所述用户的历史行为数据;
将所述产品周期大于或者等于配置时长的产品对应的购买行为特征确定为所述长期产品特征,及将所述产品周期小于所述配置时长的产品对应的购买行为特征确定为所述短期产品特征;
组合所述基础特征与所述长期产品特征得到第一特征,及组合所述基础特征与所述短期产品特征得到第二特征;
调用预先训练的预测模型,所述预测模型包括第一全连接网络、第二全连接网络、第三全连接网络、第四全连接网络及特征映射网络;
将所述第一特征输入至所述第一全连接网络,得到第一特征矩阵,及将所述第二特征输入至所述第二全连接网络,得到第二特征矩阵;
拼接所述第一特征矩阵及所述第二特征矩阵,得到第一融合特征;
将所述第一融合特征输入至所述第三全连接网络,得到第三特征矩阵,及将所述第一融合特征输入至所述第四全连接网络,得到第四特征矩阵;
拼接所述第三特征矩阵及所述第四特征矩阵,得到第二融合特征;
将所述第二融合特征输入至所述特征映射网络,输出长期产品对应的用户行为预测值及短期产品对应的用户行为预测值。
2.如权利要求1所述的用户行为预测方法,其特征在于,所述方法还包括:
获取初始数据;
对所述初始数据进行特征筛选处理,得到训练样本;
按照配置比例对所述训练样本进行随机拆分,得到训练集及验证集;
根据所述训练集训练多层全连接网络,得到初始网络;
利用所述验证集验证所述初始网络;
当所述初始网络通过验证时,停止训练,并将所述初始网络确定为所述预测模型;或者
当所述初始网络未通过验证时,对所述初始网络进行补充训练,直至所述初始网络通过验证,停止训练,得到所述预测模型。
3.如权利要求2所述的用户行为预测方法,其特征在于,所述对所述初始数据进行特征筛选处理,得到训练样本包括:
计算所述初始数据中每个数据的缺失率,并从所述初始数据中删除所述缺失率小于或者等于配置缺失率的数据,得到第一数据;
计算所述第一数据中数据间的重复度,根据所述重复度对所述第一数据进行过滤,得到第二数据;
确定预测目标,并计算所述第二数据中的每个数据与所述预测目标间的相关度;
从所述第二数据中删除所述相关度小于或者等于配置相关度的数据,得到所述训练样本。
4.如权利要求2所述的用户行为预测方法,其特征在于,所述对所述初始网络进行补充训练包括:
按照所述配置比例对所述训练样本重新进行随机拆分,得到补充训练集及补充验证集;
利用所述补充训练集训练所述初始网络,得到中间网络;
利用所述补充验证集验证所述中间网络。
5.如权利要求1所述的用户行为预测方法,其特征在于,所述第一全连接网络包括输入层、隐藏层及输出层,所述方法还包括:
当检测到所述第一特征输入至所述输入层时,利用所述输入层与所述隐藏层的连通节点将所述第一特征传输至所述隐藏层;
利用所述隐藏层的每个神经元对所述第一特征进行线性计算,得到计算结果;
利用激活函数将所述计算结果映射至所述输出层;
获取所述输出层的输出数据作为所述第一特征矩阵。
6.如权利要求1所述的用户行为预测方法,其特征在于,所述方法还包括:
从所述特征映射网络中获取与所述长期产品对应的线性神经元,并利用获取的线性神经元对所述第二融合特征进行线性计算,得到第一计算结果;
从所述特征映射网络中获取与所述短期产品对应的线性神经元,并利用获取的线性神经元对所述第二融合特征进行线性计算,得到第二计算结果;
对所述第一计算结果进行映射,得到所述长期产品对应的用户行为预测值;
对所述第二计算结果进行映射,得到所述短期产品对应的用户行为预测值。
7.一种用户行为预测装置,其特征在于,所述用户行为预测装置包括:
获取单元,用于响应于用户行为预测指令,根据所述用户行为预测指令获取待处理数据;
拆分单元,用于按照配置属性对所述待处理数据进行拆分,得到基础特征、长期产品特征及短期产品特征,包括:
从所述待处理数据中获取用户特征作为所述基础特征,所述用户特征包括用户的性别以及用户的年龄;
从所述待处理数据中获取对产品的购买行为特征以及获取所述产品的产品周期,所述购买行为特征包括用户的历史行为数据;
将所述产品周期大于或者等于配置时长的产品对应的购买行为特征确定为所述长期产品特征,及将所述产品周期小于所述配置时长的产品对应的购买行为特征确定为所述短期产品特征;
组合单元,用于组合所述基础特征与所述长期产品特征得到第一特征,及组合所述基础特征与所述短期产品特征得到第二特征;
调用单元,用于调用预先训练的预测模型,所述预测模型包括第一全连接网络、第二全连接网络、第三全连接网络、第四全连接网络及特征映射网络;
输入单元,用于将所述第一特征输入至所述第一全连接网络,得到第一特征矩阵,及将所述第二特征输入至所述第二全连接网络,得到第二特征矩阵;
拼接单元,用于拼接所述第一特征矩阵及所述第二特征矩阵,得到第一融合特征;
所述输入单元,还用于将所述第一融合特征输入至所述第三全连接网络,得到第三特征矩阵,及将所述第一融合特征输入至所述第四全连接网络,得到第四特征矩阵;
所述拼接单元,还用于拼接所述第三特征矩阵及所述第四特征矩阵,得到第二融合特征;
所述输入单元,还用于将所述第二融合特征输入至所述特征映射网络,输出长期产品对应的用户行为预测值及短期产品对应的用户行为预测值。
8.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至6中任意一项所述的用户行为预测方法。
9.一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中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至6中任意一项所述的用户行为预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011559727.5A CN112651778B (zh) | 2020-12-25 | 2020-12-25 | 用户行为预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011559727.5A CN112651778B (zh) | 2020-12-25 | 2020-12-25 | 用户行为预测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651778A CN112651778A (zh) | 2021-04-13 |
CN112651778B true CN112651778B (zh) | 2022-08-23 |
Family
ID=75363027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011559727.5A Active CN112651778B (zh) | 2020-12-25 | 2020-12-25 | 用户行为预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651778B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2915063A4 (en) * | 2012-11-05 | 2016-04-13 | Nara Logics Inc | SYSTEMS AND METHODS FOR PROVIDING ENHANCED NEURAL NETWORK GENESIS AND RECOMMENDATIONS TO ONE OR MORE USERS |
US20190205905A1 (en) * | 2017-12-31 | 2019-07-04 | OneMarket Network LLC | Machine Learning-Based Systems and Methods of Determining User Intent Propensity from Binned Time Series Data |
US10911821B2 (en) * | 2018-09-27 | 2021-02-02 | Adobe Inc. | Utilizing combined outputs of a plurality of recurrent neural networks to generate media consumption predictions |
CN109299396B (zh) * | 2018-11-28 | 2020-11-06 | 东北师范大学 | 融合注意力模型的卷积神经网络协同过滤推荐方法及*** |
CN110473164B (zh) * | 2019-05-31 | 2021-10-15 | 北京理工大学 | 一种基于注意力机制的图像美学质量评价方法 |
CN110726813B (zh) * | 2019-10-12 | 2021-04-27 | 浙江大学 | 基于双层集成神经网络的电子鼻预测方法 |
CN111523976B (zh) * | 2020-04-23 | 2023-12-08 | 京东科技控股股份有限公司 | 商品推荐方法、装置、电子设备及存储介质 |
CN111782765A (zh) * | 2020-06-24 | 2020-10-16 | 安徽农业大学 | 一种基于图注意力机制的推荐方法 |
-
2020
- 2020-12-25 CN CN202011559727.5A patent/CN112651778B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112651778A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801718B (zh) | 用户行为预测方法、装置、设备及介质 | |
CN112231586A (zh) | 基于迁移学习的课程推荐方法、装置、设备及介质 | |
CN111949708B (zh) | 基于时序特征提取的多任务预测方法、装置、设备及介质 | |
CN111666415A (zh) | 话题聚类方法、装置、电子设备及存储介质 | |
CN113657495A (zh) | 基于概率预测模型的保险产品推荐方法、装置、设备 | |
CN111652279A (zh) | 基于时序数据的行为评价方法、装置及可读存储介质 | |
CN115081538A (zh) | 基于机器学习的客户关系识别方法、装置、设备及介质 | |
CN111985545A (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
CN112396547B (zh) | 基于无监督学习的课程推荐方法、装置、设备及介质 | |
CN111950707B (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
CN114519084A (zh) | 基于区块链的医疗数据检查方法、装置、设备及介质 | |
CN114185776A (zh) | 应用程序的大数据埋点方法、装置、设备及介质 | |
CN112700261B (zh) | 基于可疑社团的刷单行为检测方法、装置、设备及介质 | |
CN113240351A (zh) | 业务数据一致性检查方法、装置、电子设备及介质 | |
CN112651778B (zh) | 用户行为预测方法、装置、设备及介质 | |
CN116823437A (zh) | 基于配置化风控策略的准入方法、装置、设备及介质 | |
CN115913763A (zh) | 流量异常检测方法、装置、设备及介质 | |
CN113449037B (zh) | 基于ai的sql引擎调用方法、装置、设备及介质 | |
CN111859985B (zh) | Ai客服模型测试方法、装置、电子设备及存储介质 | |
CN114399368A (zh) | 基于人工智能的商品推荐方法、装置、电子设备及介质 | |
CN114157634A (zh) | 唯一账号识别方法、装置、设备及存储介质 | |
CN112183630B (zh) | 基于埋点层级的嵌入向量生成方法、装置、设备及介质 | |
CN113706292B (zh) | 基于虚拟数据的***测试方法、装置、设备及介质 | |
CN116225971B (zh) | 交易接口兼容性检测方法、装置、设备及介质 | |
CN116662208B (zh) | 基于分布式挡板的交易测试方法、设备及介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40041445 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |