CN112950392A - 信息展示方法、后验信息确定方法及装置及相关设备 - Google Patents

Abstract

本公开涉及人工智能技术领域，具体涉及一种用户触发目标事件的后验信息确定方法及装置、事件信息展示方法、计算机可读存储介质及电子设备，方法包括采集待确定用户与目标事件相关的历史特征信息，对历史特征信息进行预处理得到特征数据；获取预设的目标预测模型中的多条参考特征路径，其中每条参考特征路径对应一个参考事件触发概率；根据特征数据，选取与特征数据匹配的参考特征路径为目标特征路径；将目标特征路径对应的参考事件触发概率确定为待确定用户触发目标事件的后验信息。本公开实施例的技术方案相较于现有技术提高了对用户触发目标事件的后验信息确定的精度。

Description

信息展示方法、后验信息确定方法及装置及相关设备

技术领域

本公开涉及人工智能技术领域，具体而言，涉及一种用户触发目标事件的后验信息确定方法及装置、事件信息展示方法、计算机可读存储介质及电子设备。

背景技术

在许多行业中，随着数据挖掘技术的发展，对用户触发目标事件的后验信息进行确认以对相关业务进行调整或操作，能够有效的将用户感兴趣的事物呈现给用户，能够减少不必要的操作；例如，在保险行业确定用户关于保险的属性信息，以确定用户对保险是否感兴趣，进而确定是否进行保险的推广。

但是，现有技术中的用户触发目标事件的后验信息确定方法对用户触发目标事件的后验信息确定的精度不足，会导致对相关业务进行许多不必要的调整或者操作，有时会造成较大损失。

因此，有必要提出一种新的用户触发目标事件的后验信息确定方法及装置、事件信息展示方法、计算机可读存储介质及电子设备。

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公开的背景的理解，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

本公开的目的在于提供一种用户触发目标事件的后验信息确定方法及装置、事件信息展示方法、计算机可读存储介质及电子设备，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对事件触发的预测精度不足，会导致对相关业务进行许多不必要的调整或者操作，有时会造成较大损失的不足。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，用户触发目标事件的后验信息确定方法，包括：

采集待确定用户与目标事件相关的历史特征信息，对所述历史特征信息进行预处理得到特征数据；

获取预设的目标预测模型中的多条参考特征路径，其中每条所述参考特征路径对应一个参考事件触发概率；

根据所述特征数据，选取与所述特征数据匹配的参考特征路径为目标特征路径；

将所述目标特征路径对应的参考事件触发概率确定为所述待确定用户触发所述目标事件的后验信息。

在本公开的一种示例性实施例中，对所述历史特征信息进行预处理得到特征数据，包括：

对所述历史特征信息进行数据清洗；

对数据清洗后的所述历史特征信息数据进行离散化处理得到特征数据。

在本公开的一种示例性实施例中，所述方法还包括：

获取特征数据与所述事件触发概率之间的目标预测模型。

在本公开的一种示例性实施例中，获取所述特征数据与所述事件触发概率之间的目标预测模型，包括：

获取训练数据，所述训练数据包括多组所述特征数据和与所述特征数据一一对应的事件触发状态；

基于所述训练数据，利用机器学习得到所述目标预测模型。

在本公开的一种示例性实施例中，基于所述训练数据，利用机器学习得到所述预测模型，包括：

将多组所述训练数据通过数据抽样分为训练样本集合和测试样本集合；

基于所述训练样本集合对初始预测模型进行训练得到参考预测模型；

基于测试样本集合对所述参考预测模型进行调整得到所述目标预测模型。

在本公开的一种示例性实施例中，所述初始预测模型为ID3决策树，所述特征数据包括多个特征属性，基于所述训练样本集合对初始预测模型进行训练得到参考预测模型，包括：

计算各所述训练样本集合的信息熵；

基于所述事件触发状态根据所述信息熵计算各所述特征属性的信息增益；

在所述决策树的每个节点选择未用来划分且所述信息增益最大的所述特征属性作为划分标准，直至完成训练得到所述参考预测模型。

根据本公开的一个方面，提供一种信息展示方法，包括：

上述任意一项所述的用户触发目标事件的后验信息确定方法；

当所述目标事件触发概率大于等于预设值时，将所述目标事件的信息展示给所述用户。

根据本公开的一个方面，提供一种用户触发目标事件的后验信息确定装置，包括：

采集模块，用于采集待确定用户与目标事件相关的历史特征信息，对所述历史特征信息进行预处理得到特征数据；

获取模块，用于获取预设的目标预测模型中的多条参考特征路径，其中每条所述参考特征路径对应一个参考事件触发概率；

选取模块，用于根据所述特征数据，选取与所述特征数据匹配的参考特征路径为目标特征路径；

确定模块，用于将所述目标特征路径对应的参考事件触发概率确定为所述待确定用户触发目标事件的后验信息确定。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述任意一项所述的用户触发目标事件的后验信息确定方法。

根据本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述任意一项所述的用户触发目标事件的后验信息确定方法。

本公开实施例提供的技术方案可以包括以下有益效果：

本公开的一种实施例所提供的用户触发目标事件的后验信息确定方法中，通过在待确定用户的与目标事件相关的历史特征信息中提取特征数据后，依据特征数据和在待预测模型中选取的与特征数据匹配的特征路径来确定用户触发目标事件的后验信息；一方面，对待确定用户的历史特征信息进行预处理得到特征数据，将待确定用户以往的特征信息均应用到确认用户触发目标事件的后验信息上，根据用户的行为习惯来预测用户之后的行为，能够提高对用户触发目标事件的后验信息进行确定的准确性，避免了对相关业务进行非必要的调整或者操作；另一方面，利用待确定用户的特征数据与待预测模型中的特征分支进行匹配，利用匹配结果来确定用户触发目标事件的后验信息，通过对应的匹配关系进一步的增加了确定用户触发目标事件的后验信息的准确性。进一步的，利用确定的用户触发目标事件的后验信息将用户之后的行为动作进行量化，通过用户触发目标事件的后验信息对用户后续的行为进行预测以及判断能够减少对用户的流失，也能够方便用户来触发用户感兴趣的事件。

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，并不能限制本公开。

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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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是本公开示例性实施例中用户触发目标事件的后验信息确定方法的流程图；

图2是本公开示例性实施例中对历史特征信息进行预处理的流程图；

图3是本公开示例性实施例中简易决策树的示意图；

图4是本公开示例性实施例中获取目标预测模型的流程图；

图5是本公开示例性实施例中利用机器学习得到所述预测模型的流程图；

图6是本公开示例性实施例中对初始预测模型进行训练得到参考预测模型的流程图；

图7是本公开示例性实施例中训练数据结果示意图；

图8是本公开示例性实施例中节点划分示意图；

图9是本公开示例性实施例中仅以教育状况为节点划分后的决策树的示意图；

图10是本公开示例性实施例中保险投保开始至结束的流程图；

图11是本公开示例性实施例中对预测模型训练的流程图；

图12示出了可以应用本公开实施例的一种用户触发目标事件的后验信息确定方法的示例性***架构的示意图；

图13示意性示出本公开示例性实施例中一种事件触发的概率预测装置的组成示意图；

图14示意性示出了适于用来实现本公开示例性实施例的电子设备的计算机***的结构示意图；

图15示意性示出了根据本公开的一些实施例的计算机可读存储介质的示意图。

具体实施方式

现在将参照附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。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方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。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。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。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。

对各种业务中事件发生概率进行预测事十分重要的，例如在保险行业，能够对用户的后期行为进行预测能够很好的推广保险，减少用户的流失。

保险是一项推广业务，保险公司的一个重要工作就是对客户进行推广，保险推广对保险公司的正常运作至关重要，一份投入，一份保障，多重保障客户一份投入，可以获得重大疾病保险金、特定的疾病保险金、身体高度残疾保险以及身故保险金多重保障。保费和保单的设计都需要进行比较详细的推广分析。

在利用数据挖掘工具进行风险分析时，可以利用决策的方法，在保险公司建立的保单及索赔信息数据库的基础上寻找保单中值得推广的较大的领域，从而指导保险公司的工作。

随着经济全球化及保险行业的飞速发展，保险业面临着世界保险巨头的冲击，这使得保险公司之间把对客户的争夺战打得非常激烈，如果能对将要客户做出预测并进行相应的措施。随着数据挖掘技术的发展，很多人都发现数据挖掘已经变得非常重要，针对数据挖掘技术的应用研究也变得越来越广，其中对保险行业的客户因素的分析也成为了一个大的热点。

在相关技术中，对中国保险行业的发展模式、发展状况以及数据挖掘技术的过去的发展概况和当前的应用状况做了简单的介绍，剖析了数据挖掘技术在保险行业客户预测中是可行的和必须的。

利用分类器对医疗保险数据进行数据挖掘，得出了一些实用的推广保险的规则，并做出必要的险种推广方案，并讨论了数据挖掘方法在保险业务应用中的前景和实效是较为重要的。在相关技术中，在完成了数据的采集之后，通过进行数据清洗、数据变换将采集到的基础数据，进行选择和加工形成更适合于数据挖掘的数据，然后将这些数据装入数据库，为下一步的建立运行分析做准备。根据业务模型及业务数据，确定所采用的挖掘算法，反复迭代运算所采集的数据，生成相应结果来分析预测。从而得到有倾向的客户的特征。但是相关技术中对用户是否购买保险的预测精度较低，经常无法准确的对业务方向进行调整和操作。

在本示例性实施例中，首先提供了用户触发目标事件的后验信息确定方法，可以应用于各种业务中对事件发生概率的预测，例如，预测保险业务中用户购买新保险的概率以能够及时将新的保险推介给可能购买新保险的用户。参照图1中所示，上述的用户触发目标事件的后验信息确定方法可以包括以下步骤：

步骤S110，采集待确定用户与目标事件相关的历史特征信息，对所述历史特征信息进行预处理得到特征数据；

步骤S120，获取预设的目标预测模型中的多条参考特征路径，其中每条所述参考特征路径对应一个参考事件触发概率；

步骤S130，根据所述特征数据，选取与所述特征数据匹配的参考特征路径为目标特征路径；

步骤S140，将所述目标特征路径对应的参考事件触发概率确定为所述待确定用户触发目标事件的后验信息。

通过在待确定用户的与目标事件相关的历史特征信息中提取特征数据后，依据特征数据和在待预测模型中选取的与特征数据匹配的特征路径来确定用户触发目标事件的后验信息；一方面，对待确定用户的历史特征信息进行预处理得到特征数据，将待确定用户以往的特征信息均应用到确认用户触发目标事件的后验信息上，根据用户的行为习惯来预测用户之后的行为，能够提高对用户触发目标事件的后验信息进行确定的准确性，避免了对相关业务进行非必要的调整或者操作；另一方面，利用待确定用户的特征数据与待预测模型中的特征分支进行匹配，利用匹配结果来确定用户触发目标事件的后验信息，通过对应的匹配关系进一步的增加了确定用户触发目标事件的后验信息的准确性。进一步的，利用确定的用户触发目标事件的后验信息将用户之后的行为动作进行量化，通过用户触发目标事件的后验信息对用户后续的行为进行预测以及判断能够减少对用户的流失，也能够方便用户来触发用户感兴趣的事件。

下面，将结合附图及实施例对本示例性实施例中的触发目标事件的后验信息确定方法的各个步骤进行更详细的说明。

在步骤S110中，采集待确定用户与目标事件相关的历史特征信息，对所述历史特征信息进行预处理得到特征数据。

在本示例实施方式中，目标事件可以表示多个应用场景中的事件，例如用户是否购买保险、当目标事件为用户是否购买保险时，触发目标事件可以表示用户购买保险。目标事件还可以是用户打开浏览器，用户浏览信息等，在本示例实施方式中不对目标事件的具体形式进行限定。

与待确定用户相关的历史特征信息可以包括用户的个人数据信息和用户在过去的预设时间段内触发的类似于目标事件的历史事件，以及用户触发历史事件的环境等。

上述的预设时间段可以是一年、两年或者更多年，在本示例实施方式中不对其进行具体限定。

具体而言，用户的个人数据信息可以包括用户的年龄、收入、家庭状况等，上述历史事件可以包括与目标事件相同的关键词，例如当目标事件为购买人寿保险时，历史事件中可以包括保险，此时保险为关键词，即可以先确定目标事件的关键词，然后提取用户在过去的预设时间段内触发的所有历史事件，在所有历史事件中获取包括上述关键词的历史事件，以及用户触发该历史事件时的环境，上述环境可以包括用户在触发历史事件时历史事件是否为新推出事件，用户在触发该历史事件时该历史事件负责人的服务态度等，在此仅以简单的示例进行说明，用户触发该历史事件时的环境并不局限于上述举例说明。

采集上述历史特征信息可以首先在数据库中获取用户的个人数据信息，然后在数据库中寻找与上述个人数据信息相匹配的历史事件以及历史事件触发时的环境。采集历史特征信息的方式可以包括多种，在本示例实施方式中不对采集历史特征信息的方式进行限定。

采集待确定用户与所述目标事件相关的历史特征信息，并基于历史特征信息提取特征数据，参照图2所示，可以包括如下步骤：

步骤S210；对所述历史特征信息进行数据清洗；

步骤S220；对数据清洗后的所述历史特征信息数据进行离散化处理得到特征数据。

下面对步骤S210至S220详细进行阐述：

首先采集待确定用户与目标事件相关的历史特征信息，在本示例实施方式中，目标事件可以代表多种业务中的事件，例如保险业务中的购买保险、续保等，然后对历史特征信息进行预处理得到特征数据，其中对历史特征信息进行预处理得到特征数据可以包括对历史特征信息进行数据清洗，对历史特征信息进行数据清洗可以包括对历史特征信息中缺失的数据字段进行补充，对历史特征信息中的重复数据进行合并，对历史特征信息中进行信息筛选，提取对事件触发概率较大的历史特征信息等。

对历史特征信息进行预处理还可以包括对数据清洗后的历史特征信息进行数据离散化处理得到特征数据，即对数据清洗后的历史特征信息中连续的数据字段进行离散化处理。

在步骤S120中，获取预设的目标预测模型中的多条参考特征路径，其中每条所述参考特征路径对应一个参考事件触发概率。

在本示例实施方式中，预测模型中可以具有多条特征路径，每一个特征路径均可以对应一个参考事件触发概率。

在本示例实施方式中，目标预测模型可以是决策树模型，也可以是随机森林模型，在本示例实施方式中不对目标预测模型进行具体限定。

下面以目标预测模型为决策树模型为例进行说明，决策树模型可以据有多条分支，每一条分支可以代表一条特征路径，下面以一个简单实例进行说明，分别以用户的教育状况和用户对推广险种的接受状况来进行决策树的节点划分，以用户购买保险或者不购买保险为输出，图3所示的决策树具有8条特征路径，分别为S310，S320，S330，S340，S350，S360，S370，S380；每条特征路径均对应一个参考事件触发概率，例如，特征分支S310中用户购买新保险的概率为0，即用户不购买保险的概率为100％；特征分支S320中用户购买保险的概率为75％等，上述的概率可以根据数据库中数据经过分析计算得到，例如将对教育状况分析时，假设数据库中本科学历的用户数量为200个，其中本科学历购买新保险的人数为150个，通过计算可以得到本科学历的用户购买保险的概率为75％。其他分支的计算也可以采用类似的过程；需要说明的是，概率的计算还可以采用其他方式，在本示例实施方式中不做具体限定。

在本示例实施方式中，获取所述样本特征数据与所述事件触发概率之间的目标预测模型，参照图4所示，包括以下步骤：：

步骤S410，获取训练数据，所述训练数据包括多组所述特征数据和与所述特征数据一一对应的事件触发状态。

步骤S420，基于所述训练数据，利用机器学习得到所述目标预测模型。

下面对步骤S410至S420详细进行阐述：

在本示例实施方式中，可以首先获取训练数据，训练数据中可以包括多组特征数据和与所述特征数据一一对应的事件触发状态，特征数据可以包括多种特征属性，事件触发状态可以用于表示事件是否被触发，然后可以基于训练数据，利用机器学习得到所需的目标预测模型。

举例而言，在将本公开用户触发目标事件的后验信息确定方法用到保险领域时，训练数据的采集可以首先在数据库中采集险种信息、营销员信息以及保单信息，利用险种信息、营销员信息以及保单信息在数据库中获取多组用户个人数据，并将用户个人数据与险种信息、营销员信息以及保单信息一一对应关系分为多组并进行整合得到训练数据。需要说明的是，信息采集的方式具有多种，采集的顺序也可以包括多种，在本示例实施方式中不对信息采集的方式以及顺序做具体限定。

具体而言，首先对采集的险种信息进行说明，采集的险种信息可以参照表1所示：

表1、险种信息表

由表1可得，险种信息可以包括人身保险财、产保险健康保险、人身意外伤害保险、人寿保险、生存保险、两全保险、大病保险、责任保险、公众责任险、产品责任险、雇主责任险、职业责任险、信用保险、商业信用保险、出口信用保险、投资保险的等，且均可以用相应的字段表示说明。

然后对采集的营销员信息进行说明，营销员信息可以参照表2所示：

表2、营销员信息

字段名称	数据类型	意义	是否为空
				Subsection number	Char	分部编号	否
Salesman number	Char	业务员编号	否
				gender	Char	性别	是
age	Char	年龄	是
				Record of formal schooling	Char	学历	是
marriage	Char	婚姻	是
				rank	Char	职级	是
Length of service	Char	工龄	是
				Up to three months commission	Char	最经三个月佣金	是

参照表2所示，可以在数据库中采集营销员信息，营销员信息中可以包括营销员分部编号、业务员编号、性别、年龄、学历、婚姻、职级、工龄、最近三个月佣金等。

最后，对保单信息的采集进行说明，可以在数据库采集保单信息，保单信息具体可以参照表3：

表3、保单信息表

由表3可得到，保单信息可以包括保单目前状态、分布编号、保单号码、中文代码、服务编号、客房编号、保单类型、险种代码、业务员编号等。

在上述的保单信息表、险种信息表以及营销员信息表中，均可以包括相关的字段名称，在本示例实施方式中，可以依据字段名称在数据库中匹配得到与险种信息、保单信息表以及营销员信息相关的用户个人数据信息，然后可以将用户个人数据信息和险种信息、营销员信息以及保单信息进行整合，并进行删减，得到训练数据，在删减时可以根据上述的目标事件的关键词对整合后的信息进行删减，将包含目标事件中关键信息的数据保存作为训练数据。训练数据的获取方式有多种，在本示例实例中不对训练数据的获取方式进行限定。训练数据中可以包括多组特征数据和与特征数据一一对应的事件触发状态，在本示例实施方式中，事件触发状态可以指在过去的预设时间段用户是否购买了新保险，此处的新保险用于表示相对于预设时间段之前的新保险。

上述的预设时间段可以是一年、两年或者更多年，在本示例实施方式中不对其进行具体限定。

在本示例实施方式中，每组特征数据中均包括用户特征数据，参照图5所示，用户特征数据均包括特征属性，在利用利用机器学习得到所需的目标预测模型过程中，可以包括以下步骤：

步骤S510，将多组所述训练数据通过数据抽样分为训练样本集合和测试样本集合；

步骤S520，基于所述训练样本集合对初始预测模型进行训练得到参考预测模型；

步骤S530，基于测试样本集合对所述参考预测模型进行调整得到所述目标预测模型。

下面对步骤S510至S530详细进行阐述：

在本示例实施方式中，可以将训练数据通过数据随机抽样分为训练集合和测试集合，当然，在训练数据中的特征数据的数量较少时，可以不进行数据抽样，全部作为训练样本集合；利用训练样本集合对初始预测模型进行训练得到参考预测模型，之后可以利用测试集合对参考训练模型进行调整得到目标训练模型，此处的初始训练模型可以是ID3决策树。

测试样本集合测试集用来检验参考预测模型的性能，并根据预设要求对参考预测模型进行调整，进而得到精度更高的目标预测模型。

在另一种示例实施方式中，可以通过数据抽样将训练数据分为训练集合、验证集合以及测试集合；加入验证集合能够简化整个模型的复杂程度，可以按照训练集合、验证集合以及测试集合分别占训练数据的50％、25％、25％来对训练数据进行划分。

在本示例实施方式中，参照图6所示，步骤S520，基于所述训练样本集合对初始预测模型进行训练得到参考预测模型可以包括以下步骤：

步骤S610，计算各所述训练样本集合的信息熵；

步骤S620，基于所述事件触发状态根据所述信息熵计算各所述特征属性的信息增益；

步骤S630，在所述决策树的每个节点选择未用来划分且所述信息增益最大的所述特征属性作为划分标准，直至完成训练得到所述参考预测模型。

下面对上述步骤进行详细说明：

首先，在本示例实施方式中，初始预测模型为ID3决策树，利用训练样本集合对上述ID3决策树进行训练，训练过程中可以首先计算训练样本集合的信息熵，然后依据信息熵计算出多个特征属性的信息增益，在决策树的节点划分的过程中，可以选择信息增益最大的特征属性进行划分，采用过该特征属性后，之后不再依据该特征属性的进行划分；其次可以计算剩余特征属性的信息熵，并计算剩余特征属性的信息增益，然后选取剩余特征属性中信息增益最大的特征属性进行划分，依次类推直至完成对初始预测模型的训练得到参考预测模型。在本示例实施方式中可以采用的预剪枝的方式完成对决策树的训练，也可以采用后剪枝的方式完成对决策树的训练，在本示例实施方式中不对此进行具体限定。

举例而言，参照图7所示，特征属性可以包括年龄、收入、教育状况、家庭生命周期变化、部分购买、服务品质、财产好转客户、客户环境因素、新险种需求、当前价值、潜在价值、推广险种，输出为用户是否购买保险。

依据图7所述的训练数据对决策树进行训练，首先计算训练数据的信息熵，从图7可以得到17个样本，包括10个正例和7个负例。那么当前信息的熵计算如下：

在决策树分类问题中，信息增益就是决策树在进行属性选择划分前和划分后信息的差值。计算各特征属性的信息增益，在本示例实施方式中以特征属性教育状况为例进行说明。

参照图8所示，当以教育状况来划分时，可以分为三部分。

第一部分810一共5个样例，包括3个正例和2个负例。那么当前信息的熵计算如下：

第二部分820一共8个样例，包括6个正例和2个负例。那么当前信息的熵计算如下：

第三部分830一共3个样例，包括0个正例和3个负例。那么当前信息的熵计算如下：

那么划分后的信息熵为:

代表在特征属性的条件下样本的条件熵。那么最终得到特征属性带来的信息增益为：

IG(T)＝Entropy(S)-Entropy(S|T)＝0.3100665156

参照图9所示，假设教育状况的信息增益最大，则可以首先按照教育状况来划分。之后分别计算各个特征属性的信息增益，首先选择信息增益最大的特征属性进行划分，采用过该特征属性后，之后不再依据该特征属性的进行划分；之后计算剩余特征属性的信息熵，并计算剩余特征属性的信息增益，然后选取剩余特征属性中信息增益最大的特征属性进行划分，依次类推直至完成对初始预测模型的训练得到参考预测模型。

在步骤S130中，根据所述特征数据，选取与所述特征数据匹配的参考特征路径为目标特征路径。

在本示例实施方式中，由于特征数据中包括多个特征属性，上述目标预测模型的节点划分是由特征属性来决定的，所以一套特征属性会对应目标预测模型中一条参考特征分支，一套特征数据对应一条参考特征分支，选择与待确定用户的特征数据匹配的参考特征路径为目标参考路径。

特征数据中的特征属性可以包括年龄、收入、教育状况、家庭生命周期变化、部分购买、服务品质、财产好转客户、客户环境因素、新险种需求、当前价值、潜在价值、推广险种，输出为用户是否购买保险。

在本示例实施方式中，在上述的目标预测模型中可以包括多条分别有各个特征属性最为节点划分而形成的参考特征路径，可以选取包含用于所有特征属性的参考特征路径作为目标特征路径。

参照图3所示，例如，用户的特征属性包括教育状况为硕士，且能够接受推广险种，且需要预测用户购买新保险的概率时，可以选取参考特征路径S340作为目标参考路径。

在步骤S140中，将所述目标特征路径对应的参考事件触发概率确定为所述待确定用户触发所述目标事件的后验信息。

在本公开的一种示例实施例中，后验信息可以是用户触发目标事件的目标事件触发概率，可以将目标特征路径对应的参考事件触发概率确定为待确定用户触发目标事件的概率，即目标事件触发概率，即该待测试用户触发目标事件的概率。

例如，继续参照图3，每一个参考特征路径均可以对应一个参考事件触发概率，上述的参考特征路径S320对应的参考触发概率为75％，选取的目标特征路径为参考特征路径S320，则其对应的触发目标事件的概率为75％。

再例如，参照图3所示，以触发目标事件为购买新保险为例，当上述特征属性中包括教育状况为大专时，选取的目标特征路径可以为S310，参考特征路径S310对应的用户购买新保险的概率为0，即该用户触发该目标事件的概率为0。需要说明的是，本公开中的概率为0，表示用户触发该目标事件的概率极低，但不表示完全没有可能触发该目标事件。

下面以保险推广为应用场景对上述用户触发目标事件的后验信息确定方法进行进一步的说明。

参照图10所示，可以将上述用户触发目标事件的后验信息确定方法应用在保险推广领域，首先对保险投保开始至结束的流程进行详细说明，参照图10所示，首先进行步骤S1010，投保；步骤S1020，核保；以及步骤S1030，核保。首先用户投保，然后保险公司和用户进行核保，之后用户进行缴费，交费后进行步骤S1040，生效；即经过缴费保险生效；生效后会有以下多种情况，具体包括步骤S1051，理赔；步骤S1052，遇保；步骤S1053，到期；步骤S1054，修改；当触发步骤S1051时，返回到步骤S1040，并进行步骤S1061，付费，付费后进行步骤S1070，合同终止。当触发步骤S1052时，进行步骤S1061，付费，付费后进行步骤S1070，合同终止。当触发步骤S1053时，直接进行步骤S1070，合同终止。当触发步骤S1054时，返回步骤S1040。

推广保险时可以对保险进行分类推广，保险种类可以包括财产保险、人身保险，责任保险、信用保险等，在进行保险推广时，不仅需要对保险进行分类还需要分析各个险种的利润占比，因此可以首先采集险种信息，险种信息的采集上述已近进行了详细说明，因此，此处不再赘述。然后，可以对用户触发保险的情况进行分析，参照表4所示：

表4、客户保险触发事件分析表

家庭生命周期的变化	高
		已购保障认识的变化已购买部分险种的客户	高
售后服务的品质	中
		财务状况好转的变化客户	高
客户环境因素	高
		新险种的需求	中

由表4可以得到家庭生命周期的变化、已购保障认识的变化已购买部分险种的客户、财务状况好转的变化客户以及客户环境因素对用户购买保险的影响较高，即推广成功的可能性较高；售后服务的品质和新险种的需求对客户购买保险的影响偏于中等，即推广成功的可能性中等。不同的触发性事件可以看出推广险种可能性是不一样的，对于部分属性属于比较高的采取一定的措施或策略来推广，如进行客户关怀，客户优惠活动等等。所以在对用户是否购买保险是需要也需要对以上数据进行考分析，可以采集用户的历史特征信息来对上述数据进行分析，历史特征信息上述一进进行详细的说明因此次数不再赘述。

可以通过险种信息、营销员信息以及保单信息，来从数据库中获取用户的历史特征信息，历史特征信息对上述家庭生命周期的变化、已购保障认识的变化已购买部分险种的客户、财务状况好转、售后服务的品质和新险种的需求等均进行了分析和对比和筛选。

具体而言，参照图11所示，首先进行步骤S1111，险种信息；步骤S1112，营销员信息；步骤S1113，保单信息；步骤S1120，险种信息；具体为根据险种信息、营销员信息和保单信息从数据库中获取用户的特征信息。

然后进行步骤S1130，特征信息预处理；步骤S1140，数据离散化；步骤S1150，险种信息。最后进行步骤S1160，数据抽样；步骤S1172，训练样本集合；步骤S1174，生成预测模型；步骤S1180，测试样本集合；步骤S1190，模型评估；具体而言，对历史特征信息预处理以及离散化处理，预处理以及离散化上述已近进行了详细说明，因此，此处不再赘述；然后可以进行数据抽样，并对初始预测模型进行训练，生成参考预测模型，然后可以根据测试样本集对参考预测模型进行调整得到目标预测样本并完成评估。

下面对结合用户触发目标事件的后验信息确认方法的示例性应用环境的***架构对上述用户触发目标事件的后验信息确认方法应用到保险领域进行详细介绍。

图12示出了可以应用本公开实施例的一种用户触发目标事件的后验信息确认方法的示例性应用环境的***架构的示意图。

如图12所示，***架构1200可以包括终端设备1201，服务器1202和数据库1203。终端设备1201可以是具有显示屏的各种电子设备，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解，图1中的终端设备、数据库和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、数据库和服务器。比如服务器1202可以是多个服务器组成的服务器集群等。

本公开实施例所提供的用户触发目标事件的后验信息确定方法一般由服务器1202执行，但本领域技术人员容易理解的是，本公开实施例所提供的用户触发目标事件的后验信息确定方法也可以由终端设备1201执行。本示例性实施例中对此不做特殊限定。举例而言，在一种示例性实施例中，可以是通过终端设备1201、发出用户触发目标事件的后验信息确认指令，该指令可以是确认待确定用户购买保险的概率，也可以是其他指令，在本示例实施方式中不做具体限定，并将该指令上传至服务器1205，该指令包括待确定用户的标识信息，服务器1202响应上述指令，根据标识信息从数据库1203中获取关于待确定用户的历史特征信息，并对历史特征信息进行数据清洗得到特征数据，然后利用服务器1202中预先训练好的目标预测模型的多条参考特征路径确定用户触发目标事件的目标事件触发概率，具体可以为服务器1202利用特征数据选取与特征数据匹配的参考特征路径为目标特征路径，并将目标特征路径对应的参考事件触发概率确定为待确定用户触发目标事件的目标事件触发概率，目标事件触发概率可以是目标用户购买保险的概率，然后可以由服务器1202将目标事件触发概率反馈给终端设备1201。

具体而言，在本示例实施方式中，可以由服务器1202首先从数据库1203中获取用户的历史特征信息，数据库1203中包括有用户购买的保险、以及购买保险时用户个人的身体状况，家庭条件以及对用户的服务态度等。用户的历史特征信息可以包括用户的个人数据信息和用户在过去的预设时间段内触发的类似于目标事件的历史事件，以及用户触发历史事件的环境等，历史事件可以是用户在预设时间内购买的与目标保险相似的保险，用户触发历史事件的环境可以是用户购买该保险时的环境等，例如，接待员的服务态度，用户的财务状况等，预设时间上述已经进行了详细说明，因此，此处不再赘述。然后可以服务器1202对用户的历史特征信息进行数据清洗和离散化处理得到特征数据。

其中，对历史特征信息进行数据清洗可以包括对历史特征信息中缺失的数据字段进行补充，对历史特征信息中的重复数据进行合并，对历史特征信息中进行信息筛选，提取对事件触发概率较大的历史特征信息等，其次可以对数据清洗后的历史特征信息进行数据离散化处理得到特征数据，即对数据清洗后的历史特征信息中连续的数据字段进行离散化处理最终得到用户的特征数据。

例如，历史特征信息中缺少用户当时的身体状况信息，可以利用当时的前后时间段的用户身体状况推算出用户当时的身体状况并补充到历史特征信息中。

在本示例实施方式中，服务器1202可以从数据库1203中获取险种信息、保单信息以及应营销员信息，根据险种信息、保单信息以及应营销员信息获取从数据库中获取多组特征数据。服务器1202计算数据库1203中各个特征信息对用户购买保险影响较大的数据，服务器1202采用数据提取技术将影响较大的数据提取出来作为特征数据，同时从该数据库中提取到该特征数据对应的事件触发状态，事件触发状态可以是用户是否购买保险。可以基于数据整合技术将上述特征数据和事件触发状态进行整合得到训练数据。

在本示例实施方式中，服务器1202可以基于数据抽样技术，将上述训练数据分为训练样本集合和测试样本集合，可以基于训练样本集合对初始预测模型进行训练得到参考预测模型，在训练时，可以首先计算训练样本集合的信息熵；然后可以利用事件触发状态根据所述信息熵计算各所述特征属性的信息增益；

在本示例实施方式中，可以采用决策树模型作为初始预测模型，可以在决策树的每个节点选择未用来划分且信息增益最大的特征属性作为划分标准，直至完成训练得到参考预测模，进而通过测试得到目标预测模型。然后可以将待确定用户的特征信息输入至上述目标预测模型确定待确定用户触发目标事件的目标事件触发概率。

进一步的，本公开还提供一种该信息展示方法，该信息展示方法包括上述用户触发目标事件的后验信息确定方法，上述已经对用户触发目标事件的后验信息确定方法进行了详细的说明，因此，此处不再赘述。

在本示例实施方式中，后验信息可以是用户触发目标事件的目标事件触发概率，当目标事件触发概率大于等于预设值时，将目标事件的信息展示给所述用户，预设值可以是60％，也可以根据需求自定义，在本示例实施方式中不对所述预设值记性具体限定。

此外，对目标事件的信息的展示可以直接将需要展示的目标事件的信息发送至上述用户的终端，也可以通过通话的形式向用户介绍目标事件的信息，在本示例实施方式中不对信息展示的方法和渠道进行具体限定。

需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

以下介绍本公开的装置实施例，可以用于执行本公开上述的用户触发目标事件的后验信息确定方法。此外，在本公开的示例性实施方式中，还提供了一种事件触发的概率预测装置。参照图13所示，所述用户触发目标事件的后验信息确定装置1300包括：采集模块1310，获取模块1320，选取模块1330和确定模块1340。

其中，所述采集模块1310可以用于采集待确定用户与目标事件相关的历史特征信息，对所述历史特征信息进行预处理得到特征数据；所述获取模块1320可以用于获取预设的目标预测模型中的多条参考特征路径，其中每条所述参考特征路径对应一个参考事件触发概率。选取模块1330，用于根据所述特征数据，选取与所述特征数据匹配的参考特征路径为目标特征路径；确定模块1340，用于将所述目标特征路径对应的参考事件触发概率确定为所述待确定用户触发所述目标事件的后验信息。

由于本公开的示例实施例的事件触发的概率的预测装置的各个功能模块与上述事件触发的概率的预测方法的示例实施例的步骤对应，因此对于本公开装置实施例中未披露的细节，请参照本公开上述的事件触发的概率的预测方法的实施例。

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，根据本公开的实施方式，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。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述事件触发的概率的预测方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为***、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“***”。

下面参照图14来描述根据本公开的这种实施例的电子设备1400。图14显示的电子设备1400仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图14所示，电子设备1400以通用计算设备的形式表现。电子设备1400的组件可以包括但不限于：上述至少一个处理单元1410、上述至少一个存储单元1420、连接不同***组件(包括存储单元1420和处理单元1410)的总线1430、显示单元1440。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1410执行，使得所述处理单元1410执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。例如，所述处理单元1410可以执行如图14中所示的步骤S110：采集待确定用户与目标事件相关的历史特征信息，对所述历史特征信息进行预处理得到特征数据；S140：获取预设的目标预测模型中的多条参考特征路径，其中每条所述参考特征路径对应一个参考事件触发概率；S140：根据所述特征数据，选取与所述特征数据匹配的参考特征路径为目标特征路径；S140：将所述目标特征路径对应的参考事件触发概率确定为所述待确定用户触发所述目标事件的后验信息。

又如，所述的电子设备可以实现如图1至图5所示的各个步骤。

存储单元1420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)1421和/或高速缓存存储单元1422，还可以进一步包括只读存储单元(ROM)1423。

存储单元1420还可以包括具有一组(至少一个)程序模块1425的程序/实用工具1424，这样的程序模块1425包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1400也可以与一个或多个外部设备1470(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1400交互的设备通信，和/或与使得该电子设备1400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1450进行。并且，电子设备1400还可以通过网络适配器1460与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1460通过总线1430与电子设备1400的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例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、终端装置、或者网络设备等)执行根据本公开实施例的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。

参照图15，描述了根据本公开的实施例的用于实现上述方法的程序产品1500，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的根据体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

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、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种用户触发目标事件的后验信息确定方法，其特征在于，包括：

采集待确定用户与目标事件相关的历史特征信息，对所述历史特征信息进行预处理得到特征数据；

获取预设的目标预测模型中的多条参考特征路径，其中每条所述参考特征路径对应一个参考事件触发概率；

根据所述特征数据，选取与所述特征数据匹配的参考特征路径为目标特征路径；

将所述目标特征路径对应的参考事件触发概率确定为所述待确定用户触发所述目标事件的后验信息。

2.根据权利要求1所述的方法，其特征在于，对所述历史特征信息进行预处理得到特征数据，包括：

对所述历史特征信息进行数据清洗；

对数据清洗后的所述历史特征信息数据进行离散化处理得到特征数据。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

获取特征数据与所述事件触发概率之间的目标预测模型。

4.根据权利要求3所述的方法，其特征在于，获取所述特征数据与所述事件触发概率之间的目标预测模型，包括：

获取训练数据，所述训练数据包括多组所述特征数据和与所述特征数据一一对应的事件触发状态；

基于所述训练数据，利用机器学习得到所述目标预测模型。

5.根据权利要求4所述的方法，其特征在于，基于所述训练数据，利用机器学习得到所述预测模型，包括：

将多组所述训练数据通过数据抽样分为训练样本集合和测试样本集合；

基于所述训练样本集合对初始预测模型进行训练得到参考预测模型；

基于测试样本集合对所述参考预测模型进行调整得到所述目标预测模型。

6.根据权利要求5所述的方法，其特征在于，所述初始预测模型为ID3决策树，所述特征数据包括多个特征属性，基于所述训练样本集合对初始预测模型进行训练得到参考预测模型，包括：

计算各所述训练样本集合的信息熵；

基于所述事件触发状态根据所述信息熵计算各所述特征属性的信息增益；

在所述决策树的每个节点选择未用来划分且所述信息增益最大的所述特征属性作为划分标准，直至完成训练得到所述参考预测模型。

7.一种信息展示方法，其特征在于，包括：

权利要求1-6任一项所述的用户触发目标事件的后验信息确定方法；

当所述后验信息大于等于预设值时，将所述目标事件的信息展示给所述用户。

8.一种用户触发目标事件的后验信息确定装置，其特征在于，包括：

采集模块，用于采集待确定用户与目标事件相关的历史特征信息，对所述历史特征信息进行预处理得到特征数据；

获取模块，用于获取预设的目标预测模型中的多条参考特征路径，其中每条所述参考特征路径对应一个参考事件触发概率；

选取模块，用于根据所述特征数据，选取与所述特征数据匹配的参考特征路径为目标特征路径；

确定模块，用于将所述目标特征路径对应的参考事件触发概率确定为所述待确定用户触发所述目标事件的后验信息。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至6中任一项所述的用户触发目标事件的后验信息确定方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至6中任一项所述的用户触发目标事件的后验信息确定方法。

Images