CN115081736A - 目标对象的预测方法、装置及电子设备 - Google Patents

目标对象的预测方法、装置及电子设备 Download PDF

Info

Publication number
CN115081736A
CN115081736A CN202210843485.5A CN202210843485A CN115081736A CN 115081736 A CN115081736 A CN 115081736A CN 202210843485 A CN202210843485 A CN 202210843485A CN 115081736 A CN115081736 A CN 115081736A
Authority
CN
China
Prior art keywords
target
network model
data information
feature
predicted
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
Application number
CN202210843485.5A
Other languages
English (en)
Inventor
王照
刘晓宇
刘家奇
顾鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202210843485.5A priority Critical patent/CN115081736A/zh
Publication of CN115081736A publication Critical patent/CN115081736A/zh
Pending legal-status Critical Current

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种目标对象的预测方法、装置及电子设备，涉及人工智能技术领域。其中，该方法包括：获取待预测对象的目标数据信息，其中，目标数据信息由第一目标数据信息和第二目标数据信息组成；基于第一目标网络模型对第一目标数据信息进行特征提取，得到第一特征，并基于第二目标网络模型对第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征；基于第一特征、第二特征和第三特征，对待预测对象进行活跃度预测，得到预测结果，其中，预测结果表征待预测对象在交易中的活跃程度。本发明解决了现有技术中对客户的活跃度预测准确度低的技术问题。

Description

目标对象的预测方法、装置及电子设备
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种目标对象的预测方法、装置及电子设备。
背景技术
随着社会经济的快速发展，企业间的商业竞争日益激烈，企业的客户沉睡现象也越来越容易发生。客户沉睡会给企业利润带来很大的损失，另外，获取新客的成本远远高于保留现有客户。客户沉睡预测可以帮助企业及时识别出沉睡客户，以便对其进行相应的客户维护操作。目前，现有技术中已有的预测模型在对沉睡客户进行预测时，将客户在固定时间段内的数据作为一个整体去判断，预测模型的学习能力较低，存在对客户的活跃度预测准确度低的问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种目标对象的预测方法、装置及电子设备，以至少解决现有技术中对客户的活跃度预测准确度低的技术问题。
根据本发明实施例的一个方面，提供了一种目标对象的预测方法，包括：获取待预测对象的目标数据信息，其中，目标数据信息由第一目标数据信息和第二目标数据信息组成，第一目标数据信息表征待预测对象的固有属性信息，第二目标数据信息表征待预测对象随着时间变化的信息；基于第一目标网络模型对第一目标数据信息进行特征提取，得到第一特征，并基于第二目标网络模型对第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征，其中，第一目标网络模型是由样本数据信息中的固有属性信息训练得到的，第二目标网络模型是由样本数据信息中的随着时间变化的信息训练得到的，第一特征表征待预测对象的属性特征，第二特征表征待预测对象的行为特征，第三特征表征待预测对象的交易账户特征；基于第一特征、第二特征和第三特征，对待预测对象进行活跃度预测，得到预测结果，其中，预测结果表征待预测对象在交易中的活跃程度。
进一步地，目标对象的预测方法还包括：基于第二目标网络模型的第一子目标网络模型，对第二目标数据信息中的第一子类别目标数据信息进行特征提取，得到第二特征；基于第二目标网络模型的第二子目标网络模型，对第二目标数据信息中的第二子类别目标数据信息进行特征提取，得到第三特征，其中，第一子目标网络模型和第二子目标网络模型所对应的神经网络算法不同。
进一步地，目标对象的预测方法还包括：对第一特征所对应的数据信息、第二特征所对应的数据信息和第三特征所对应的数据信息进行平均计算，得到预测结果。
进一步地，目标对象的预测方法还包括：通过目标判别函数对预测结果进行判断，得到判断结果；在判断结果表征预测结果处于预设范围内的情况下，确定待预测对象为目标对象。
进一步地，目标对象的预测方法还包括：基于目标数据信息的周期性，对目标数据信息进行分类处理，得到第一目标数据信息和第二目标数据信息。
进一步地，目标对象的预测方法还包括：获取目标样本数据集，并对目标样本数据集进行分类处理，得到训练集、验证集和测试集，其中，目标样本数据集由第一样本数据集和第二样本数据集组成，第一样本数据集由具有目标标签的多个数据组成，第二样本数据集由不具有目标标签的多个数据组成，其中，目标标签所对应的对象为沉睡对象，沉睡对象的活跃度低于预设阈值；基于训练集、验证集和测试集对初始对象预测模型进行处理，得到第一目标网络模型和第二目标网络模型，其中，初始对象预测模型由第一初始网络模型和第二初始网络模型组成，第一初始网络模型用于对训练集中的样本数据信息中的固有属性信息进行训练，第二初始网络模型用于对训练集中的样本数据信息中的随着时间变化的信息进行训练，第二初始网络模型由第一子初始网络模型和第二子初始网络模型组成，第一子初始网络模型和第二子初始网络模型所对应的神经网络算法不同。
进一步地，目标对象的预测方法还包括：基于训练集构建第一类型样本和第二类型样本的目标相似度矩阵，并对目标相似度矩阵进行计算，得到第一约束项，其中，第一类型样本所对应的对象为同种类型的对象，第二类型样本所对应的对象为不同类型的对象；基于协同训练算法对训练集进行计算，得到第二约束项，并基于第一约束项和第二约束项，得到目标损失函数；采用目标损失函数对初始对象预测模型进行迭代训练，得到第一目标网络模型和第二目标网络模型。
进一步地，目标对象的预测方法还包括：通过目标损失函数对第一初始网络模型进行迭代训练，得到第一目标网络模型；通过目标损失函数对第一子初始网络模型进行迭代训练，得到第一子目标网络模型；通过目标损失函数对第二子初始网络模型进行迭代训练，得到第二子目标网络模型。
根据本发明实施例的另一方面，还提供了一种目标对象的预测装置，包括：获取模块，用于获取待预测对象的目标数据信息，其中，目标数据信息由第一目标数据信息和第二目标数据信息组成，第一目标数据信息表征待预测对象的固有属性信息，第二目标数据信息表征待预测对象随着时间变化的信息；提取模块，用于基于第一目标网络模型对第一目标数据信息进行特征提取，得到第一特征，并基于第二目标网络模型对第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征，其中，第一目标网络模型是由样本数据信息中的固有属性信息训练得到的，第二目标网络模型是由样本数据信息中的随着时间变化的信息训练得到的，第一特征表征待预测对象的属性特征，第二特征表征待预测对象的行为特征，第三特征表征待预测对象的交易账户特征；预测模块，用于基于第一特征、第二特征和第三特征，对待预测对象进行活跃度预测，得到预测结果，其中，预测结果表征待预测对象在交易中的活跃程度。
根据本发明实施例的另一方面，还提供了一种电子设备，该电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的目标对象的预测方法。
在本发明实施例中，采用通过目标网络模型对目标数据信息进行特征提取的方式，首先获取待预测对象的目标数据信息，然后基于第一目标网络模型对第一目标数据信息进行特征提取，得到第一特征，并基于第二目标网络模型对第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征，再基于第一特征、第二特征和第三特征，对待预测对象进行活跃度预测，得到预测结果。其中，目标数据信息由第一目标数据信息和第二目标数据信息组成，第一目标数据信息表征待预测对象的固有属性信息，第二目标数据信息表征待预测对象随着时间变化的信息，第一目标网络模型是由样本数据信息中的固有属性信息训练得到的，第二目标网络模型是由样本数据信息中的随着时间变化的信息训练得到的，第一特征表征待预测对象的属性特征，第二特征表征待预测对象的行为特征，第三特征表征待预测对象的交易账户特征，预测结果表征待预测对象在交易中的活跃程度。
在上述过程中，通过获取待预测对象的目标数据信息，为后续对目标数据信息进行特征提取提供了准确的数据基础；基于第一目标网络模型对第一目标数据信息进行特征提取，可以得到第一特征，基于第二目标网络模型对第二目标数据信息中的不同类别的数据进行特征提取，可以得到第二特征和第三特征，在特征提取的过程中充分考虑了目标数据信息在数据分布上的差异，实现了对目标数据信息中存在变化趋势的数据信息的特征提取，从多个方面充分地分析待预测对象的特征，提高了预测结果的准确度，提升了模型的通用性；通过对待预测对象进行活跃度预测，得到预测结果，使业务人员能够根据预测结果制定相应的客户维护策略，及时唤醒沉睡客户，从而避免了客户的流失，增加了经济效益。
由此可见，通过本发明的技术方案，达到了提高预测模型的预测能力的目的，从而实现了提高对客户的活跃度预测准确度的技术效果，进而解决了现有技术中对客户的活跃度预测准确度低的技术问题。
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，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的目标对象的预测方法的流程图；
图2是根据本发明实施例的一种可选的目标对象的预测模型的示意图；
图3是根据本发明实施例的一种可选的目标对象的预测装置的示意图；
图4是根据本发明实施例的一种可选的电子设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，本发明所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本***和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。
实施例1
根据本发明实施例，提供了一种目标对象的预测方法的方法实施例，需要说明的是，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。
图1是根据本发明实施例的一种可选的目标对象的预测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S101，获取待预测对象的目标数据信息，其中，目标数据信息由第一目标数据信息和第二目标数据信息组成，第一目标数据信息表征待预测对象的固有属性信息，第二目标数据信息表征待预测对象随着时间变化的信息。
在上述步骤中，可以通过应用***、处理器、电子设备等装置获取待预测对象的目标数据信息。可选的，可以按照时间线获取目标数据信息，例如，获取3个月或半年内的目标数据信息。目标数据信息可以是客户交易信息，例如客户姓名、性别、工作行业、余额、交易时间、交易金额、交易方向(收入、支出)、交易场所等信息。可选的，可以对工作行业、交易场所等进行独热编码(One-Hot Encoding)，例如，对工作行业进行独热编码：用001表示建筑行业，用010表示服务行业，用100表示教育行业等。其中，第一目标数据信息可以是客户姓名、性别等固有属性信息，也可以称为非序列化数据；第二目标数据信息可以是随着时间变化的信息，例如工作行业、余额、交易时间、交易金额、交易方向(收入、支出)、交易场所等信息，也可以称为序列化数据。
需要说明的是，在上述过程中，通过获取待预测对象的目标数据信息，可以为后续对目标数据信息进行特征提取提供准确的数据基础。
步骤S102，基于第一目标网络模型对第一目标数据信息进行特征提取，得到第一特征，并基于第二目标网络模型对第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征，其中，第一目标网络模型是由样本数据信息中的固有属性信息训练得到的，第二目标网络模型是由样本数据信息中的随着时间变化的信息训练得到的，第一特征表征待预测对象的属性特征，第二特征表征待预测对象的行为特征，第三特征表征待预测对象的交易账户特征。
在上述步骤中，第一目标网络模型可以从第一目标数据信息即客户姓名、性别等固有属性信息中提取出第一特征，可选的，第一特征可以是客户自身的特征；第二目标网络模型可以从第二目标数据信息即工作行业、余额、交易时间、交易金额、交易方向(收入、支出)、交易场所等随着时间变化的信息中，提取出第二特征和第三特征，可选的，第二特征可以是客户的交易习惯特征，第三特征可以是客户的账户信息特征，第一目标网络模型和第二目标网络模型可以是训练后稳定并且取得不错的收敛效果的模型。具体的，第一目标网络模型可以是全连接神经网络模型，第二目标网络模型可以是LSTM(Long Short-TermMemory，长短期记忆)网络模型。可选的，可以将模型保存在服务器端，通过将待预测对象的目标数据信息输入网络进行预测。可选的，样本数据可以是训练集中的数据，分别对上述固有属性信息和随着时间变化的信息进行训练，可以得到第一目标网络模型和第二目标网络模型。
需要说明的是，在上述对目标数据信息进行特征提取过程中，充分考虑了目标数据信息在数据分布上的差异，实现了对目标数据信息中存在变化趋势的数据信息的特征提取，从多个方面充分地分析待预测对象的特征，提高了预测结果的准确度。
步骤S103，基于第一特征、第二特征和第三特征，对待预测对象进行活跃度预测，得到预测结果，其中，预测结果表征待预测对象在交易中的活跃程度。
在上述步骤中，预测结果可以是通过第一特征所对应的数据信息、第二特征所对应的数据信息和第三特征所对应的数据信息进行计算得到的结果，可选的，预测结果的数值越大，待预测对象在交易中的活跃程度越高。
需要说明的是，通过对待预测对象进行活跃度预测，使得业务人员可以根据预测结果制定相应的客户维护策略，从而能够及时唤醒沉睡客户，有效的避免了客户的流失。
基于上述步骤S101至步骤S103所限定的方案，可以获知，在本发明实施例中，采用通过目标网络模型对目标数据信息进行特征提取的方式，首先获取待预测对象的目标数据信息，然后基于第一目标网络模型对第一目标数据信息进行特征提取，得到第一特征，并基于第二目标网络模型对第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征，再基于第一特征、第二特征和第三特征，对待预测对象进行活跃度预测，得到预测结果。其中，目标数据信息由第一目标数据信息和第二目标数据信息组成，第一目标数据信息表征待预测对象的固有属性信息，第二目标数据信息表征待预测对象随着时间变化的信息，第一目标网络模型是由样本数据信息中的固有属性信息训练得到的，第二目标网络模型是由样本数据信息中的随着时间变化的信息训练得到的，第一特征表征待预测对象的属性特征，第二特征表征待预测对象的行为特征，第三特征表征待预测对象的交易账户特征，预测结果表征待预测对象在交易中的活跃程度。
容易注意到的是，在上述过程中，通过获取待预测对象的目标数据信息，为后续对目标数据信息进行特征提取提供了准确的数据基础；基于第一目标网络模型对第一目标数据信息进行特征提取，可以得到第一特征，基于第二目标网络模型对第二目标数据信息中的不同类别的数据进行特征提取，可以得到第二特征和第三特征，在特征提取的过程中充分考虑了目标数据信息在数据分布上的差异，实现了对目标数据信息中存在变化趋势的数据信息的特征提取，从多个方面充分地分析待预测对象的特征，提高了预测结果的准确度，提升了模型的通用性；通过对待预测对象进行活跃度预测，得到预测结果，使业务人员能够根据预测结果制定相应的客户维护策略，及时唤醒沉睡客户，从而避免了客户的流失，增加了经济效益。
由此可见，通过本发明的技术方案，达到了提高预测模型的预测能力的目的，从而实现了提高对客户的活跃度预测准确度的技术效果，进而解决了现有技术中对客户的活跃度预测准确度低的技术问题。
在一种可选的实施例中，在基于第二目标网络模型对第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征的过程中，首先基于第二目标网络模型的第一子目标网络模型，对第二目标数据信息中的第一子类别目标数据信息进行特征提取，得到第二特征，然后基于第二目标网络模型的第二子目标网络模型，对第二目标数据信息中的第二子类别目标数据信息进行特征提取，得到第三特征，其中，第一子目标网络模型和第二子目标网络模型所对应的神经网络算法不同。
可选的，第一子目标网络模型可以是T-LSTM模型(Time-Aware LSTM,时间感知模型)，第二子目标网络模型可以是S-LSTM模型(Sentence-State LSTM,句子状态模型)，第一子类别目标数据信息可以是交易时间、交易方向(收入、支出)、交易场所等信息，第二子类别目标数据信息可以是工作行业、余额、交易金额等信息。可选的，对于第二目标数据信息即序列化数据，采用两个LSTM网络模型分别提取第二特征即客户的交易习惯特征，第三特征即客户的账户信息特征，T-LSTM模型主要学习客户的交易习惯即消费习惯，S-LSTM模型主要学习客户的账户信息。
需要说明的是，在上述过程中，通过两个子目标网络模型，实现了对随着时间变化的信息进行特征提取，提高了模型的预测准确度，从而能够对沉睡客户进行精准维护操作，提升了客户体验。
在一种可选的实施例中，在基于第一特征、第二特征和第三特征，对待预测对象进行活跃度预测，得到预测结果的过程中，对第一特征所对应的数据信息、第二特征所对应的数据信息和第三特征所对应的数据信息进行平均计算，得到预测结果。
可选的，在通过三个目标网络模型即全连接神经网络模型、T-LSTM模型和S-LSTM模型分别提取出客户自身的特征、客户的交易***均计算，可以得到待预测对象的预测结果。可选的，可以将三个目标网络模型看作三个子分类器，通过三个子分类器集成了一个总分类器。可选的，对第一特征所对应的数据信息、第二特征所对应的数据信息和第三特征所对应的数据信息进行平均计算的运算函数如下：
Figure BDA0003751969250000081
其中，V为视角的个数，取值为3，即客户自身的特征、客户的交易习惯特征和客户的账户信息特征三个视角；fv为第v个视角中的子分类器，即全连接神经网络模型、T-LSTM模型和S-LSTM模型三个模型，ω1为正样本集合，其所对应的客户为沉睡客户，ω2为负样本集合，其所对应的客户为活跃客户。
需要说明的是，在上述过程中，从多个视角对待预测对象进行协调学习，使得出的预测结果更加准确，提升了模型的通用性，从而避免了客户的流失，增加了经济效益。
在一种可选的实施例中，在对第一特征所对应的数据信息、第二特征所对应的数据信息和第三特征所对应的数据信息进行平均计算，得到预测结果之后，首先通过目标判别函数对预测结果进行判断，得到判断结果，在判断结果表征预测结果处于预设范围内的情况下，确定待预测对象为目标对象。
可选的，预测结果可以是一个数值，例如，0.5、-0.5等。目标对象是指沉睡客户。在得到预测结果之后，通过如下判别函数对预测结果进行判断：
Figure BDA0003751969250000082
可选的，若预测结果为大于或等于零的数，则待预测对象属于ω1(正样本集合)，即待预测对象为沉睡客户；若预测结果为小于零的数，则待预测对象属于ω2(负样本集合)，即待预测对象为活跃客户。
需要说明的是，在上述过程中，实现了对待预测对象是否为沉睡客户的判断，从而使业务人员能够根据预测结果制定相应的客户维护策略，及时唤醒沉睡客户。
在一种可选的实施例中，在获取待预测对象的目标数据信息之后，基于目标数据信息的周期性，对目标数据信息进行分类处理，得到第一目标数据信息和第二目标数据信息。
可选的，由于获取到的目标数据信息中有随着时间发生周期变化的信息，例如，客户的收入等，也有不会随着时间变化的信息，例如，客户的性别等，因此，需要对目标数据信息进行分类处理，将目标数据信息分为非序列化数据即第一目标数据信息和序列化数据即第二目标数据信息。
需要说明的是，通过对目标数据信息进行分类处理，充分考虑了目标数据信息在数据分布上的差异，从而能够对目标数据信息中存在变化趋势的数据信息的特征提取，从多个方面充分地分析待预测对象的特征，提高了预测结果的准确度。
在一种可选的实施例中，通过以下方法生成第一目标网络模型和第二目标网络模型：获取目标样本数据集，并对目标样本数据集进行分类处理，得到训练集、验证集和测试集，然后基于训练集、验证集和测试集对初始对象预测模型进行处理，得到第一目标网络模型和第二目标网络模型，其中，初始对象预测模型由第一初始网络模型和第二初始网络模型组成，第一初始网络模型用于对训练集中的样本数据信息中的固有属性信息进行训练，第二初始网络模型用于对训练集中的样本数据信息中的随着时间变化的信息进行训练，第二初始网络模型由第一子初始网络模型和第二子初始网络模型组成，第一子初始网络模型和第二子初始网络模型所对应的神经网络算法不同。目标样本数据集由第一样本数据集和第二样本数据集组成，第一样本数据集由具有目标标签的多个数据组成，第二样本数据集由不具有目标标签的多个数据组成，目标标签所对应的对象为沉睡对象，沉睡对象的活跃度低于预设阈值。
可选的，图2是根据本发明实施例的一种可选的目标对象的预测模型的示意图，模型的构建可以分为以下几个部分：对于非序列化数据即训练集中的样本数据信息中的固有属性信息，采用3层全连接神经网络即第一初始网络模型进行训练学习；对于序列化数据即训练集中的样本数据信息中的随着时间变化的信息，采用LSTM模型即第二初始网络模型进行训练学习，其中，第一子初始网络模型为T-LSTM模型，第二子初始网络模型为S-LSTM模型；最后，将三个初始网络模型训练学习的结果在损失层进行融合。
可选的，第一样本数据集可以是有真实的沉睡客户样本数据集，目标标签为沉睡客户的标签，第二样本数据集可以是没有沉睡客户的样本数据集。可选的，通过T-LSTM模型和S-LSTM模型学习样本数据的差异性，由于两个模型采用的数据存在一致性，可以通过类内视角损失约束，将同一数据的不同视角类内损失减小。可选的，采用常用的迭代训练方法对模型进行训练，网络的输入为样本数据集X，其中X分为(Xa、Xb)两个部分的输入，Xa表示非序列化数据，Xb表示序列化数据，真实的沉睡客户的标签设为Y，具体训练过程本实施例中不做赘述。
需要说明的是，通过融合全连接网络模型和LSTM网络模型，对输入的样本数据进行学习，可以提升对沉睡客户的预测准确度；通过LSTM网络模型，实现了对客户一段时间内发生变化的数据信息的准确预测。
在一种可选的实施例中，基于训练集、验证集和测试集对初始对象预测模型进行处理，得到第一目标网络模型和第二目标网络模型的过程中，首先基于训练集构建第一类型样本和第二类型样本的目标相似度矩阵，并对目标相似度矩阵进行计算，得到第一约束项，然后基于协同训练算法对训练集进行计算，得到第二约束项，并基于第一约束项和第二约束项，得到目标损失函数，再采用目标损失函数对初始对象预测模型进行迭代训练，得到第一目标网络模型和第二目标网络模型。其中，第一类型样本所对应的对象为同种类型的对象，第二类型样本所对应的对象为不同类型的对象。
可选的，样本数据集X有很多条数据，X1，X2都是沉睡客户，称X1和X2为同类样本即第一类型样本，X1和X2中有一个为沉睡客户，另一个为非沉睡客户，则称X1和X2为异类样本即第二类型样本。可选的，在三个视角即客户自身的特征、客户的交易习惯特征和客户的账户信息特征内部，需要充分考虑近邻样本之间的相似关系，对于同类样本，空间分布越接近，输出空间也越接近；对于异类样本，空间分布接近，其蕴含的判别信息更为准确和丰富。可选的，根据样本的同类近邻和异类近邻关系，构建类间相似度矩阵即目标相似度矩阵，具体如下：
Figure BDA0003751969250000101
其中，si,j代表样本xi与样本xj的相似度，Nb(x)代表样本x的k近邻(例如k可以取值为5)，如果样本xi与xj属于同类样本，且样本xi是样本xj的k近邻或者样本xj是样本xi的k近邻，则xi与xj的相似度定义为1；如果样本xi与xj属于异类样本，且样本xi是样本xj的k近邻或者样本xj是样本xi的k近邻，则xi与xj的相似度定义为-1；其它情况下xi与xj的相似度定义为0。
进一步地，利用类间相似度矩阵即目标相似度矩阵，构造类间相似度约束即第一约束项，用来约束近邻的同类样本的输出尽可能相似，近邻的异类样本输出尽可能相差。可选的，利用同类样本与异类样本的近邻空间分布信息对初始对象预测模型即三个分类器进行优化，从而使分类器学习到样本的整体分布信息，使分类边界尽可能通过两类样本的中间区域。具体的，第一约束项即类间相似度约束项Rbcs计算方式如下：
Figure BDA0003751969250000111
其中，V为视角的个数，取值为3，N为训练样本的个数，fv为第v个视角中的子分类器，
Figure BDA0003751969250000112
为第v个视角中样本xi与xj的相似度。
进一步地，为了充分利用多视角学习的优势，基于协同训练算法对训练集进行计算，得到第二约束项即多视角对比学习约束项Rvcl，用来约束同一训练样本在不同视角内的输出空间中尽可能接近，使多个视角之间能够两两进行优化，利用多视角之间的协同学习，提升多视角学习的效果。具体的，多视角对比学习约束项Rvcl计算方式如下：
Figure BDA0003751969250000113
进一步地，基于第一约束项即类间相似度约束项Rbcs和第二约束项即多视角对比学习约束项Rvcl，得到目标损失函数如下：
L＝Remp+α·Rbcs+γ·Rvcl
其中，Remp为经验损失，α，γ为超参数，用于调节上述各项权重。目标损失函数展开如下：
Figure BDA0003751969250000121
在一种可选的实施例中，在采用目标损失函数对初始对象预测模型进行迭代训练，得到第一目标网络模型和第二目标网络模型的过程中，首先通过目标损失函数对第一初始网络模型进行迭代训练，得到第一目标网络模型，然后通过目标损失函数对第一子初始网络模型进行迭代训练，得到第一子目标网络模型，再通过目标损失函数对第二子初始网络模型进行迭代训练，得到第二子目标网络模型。
可选的，在得到目标损失函数之后，采用目标损失函数对初始对象预测模型进行迭代训练，得到第一目标网络模型和第二目标网络模型。可选的，采用常用的梯度下降法对初始对象预测模型即第一初始网络模型、第一子初始网络模型和第二子初始网络模型进行优化，具体的，通过最小化目标损失函数直至达到预设迭代次数，或者两次损失函数的损失值之差小于预设阈值，得到最终的子分类器f1、f2、f3，即得到第一目标网络模型、第一子目标网络模型和第二子目标网络模型。
需要说明的是，在上述过程中，通过对初始对象预测模型进行处理，即对初始对象预测模型进行优化训练，可以得到训练后稳定并且取得不错的收敛效果的第一目标网络模型和第二目标网络模型。通过不同的视角对数据学习后，再通过相似一致性约束对模型进行优化，可以使模型实现更好的预测效果。
由此可见，通过本发明的技术方案，达到了提高预测模型的预测能力的目的，从而实现了提高对客户的活跃度预测准确度的技术效果，进而解决了现有技术中对客户的活跃度预测准确度低的技术问题。
实施例2
根据本发明实施例，提供了一种目标对象的预测装置的实施例，其中，图3是根据本发明实施例的一种可选的目标对象的预测装置的示意图，如图3所示，该装置包括：获取模块301，用于获取待预测对象的目标数据信息，其中，目标数据信息由第一目标数据信息和第二目标数据信息组成，第一目标数据信息表征待预测对象的固有属性信息，第二目标数据信息表征待预测对象随着时间变化的信息；提取模块302，用于基于第一目标网络模型对第一目标数据信息进行特征提取，得到第一特征，并基于第二目标网络模型对第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征，其中，第一目标网络模型是由样本数据信息中的固有属性信息训练得到的，第二目标网络模型是由样本数据信息中的随着时间变化的信息训练得到的，第一特征表征待预测对象的属性特征，第二特征表征待预测对象的行为特征，第三特征表征待预测对象的交易账户特征；预测模块303，用于基于第一特征、第二特征和第三特征，对待预测对象进行活跃度预测，得到预测结果，其中，预测结果表征待预测对象在交易中的活跃程度。
需要说明的是，上述获取模块301、提取模块302以及预测模块303对应于上述实施例中的步骤S101至步骤S103，三个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
可选的，目标对象的预测装置还包括：第一提取模块，用于基于第二目标网络模型的第一子目标网络模型，对第二目标数据信息中的第一子类别目标数据信息进行特征提取，得到第二特征；第二提取模块，用于基于第二目标网络模型的第二子目标网络模型，对第二目标数据信息中的第二子类别目标数据信息进行特征提取，得到第三特征，其中，第一子目标网络模型和第二子目标网络模型所对应的神经网络算法不同。
可选的，预测模块包括：计算模块，用于对第一特征所对应的数据信息、第二特征所对应的数据信息和第三特征所对应的数据信息进行平均计算，得到预测结果。
可选的，目标对象的预测装置还包括：判断模块，用于通过目标判别函数对预测结果进行判断，得到判断结果；确定模块，用于在判断结果表征预测结果处于预设范围内的情况下，确定待预测对象为目标对象。
可选的，目标对象的预测装置还包括：分类模块，用于基于目标数据信息的周期性，对目标数据信息进行分类处理，得到第一目标数据信息和第二目标数据信息。
可选的，目标对象的预测装置还包括：第一获取模块，用于获取目标样本数据集，并对目标样本数据集进行分类处理，得到训练集、验证集和测试集，其中，目标样本数据集由第一样本数据集和第二样本数据集组成，第一样本数据集由具有目标标签的多个数据组成，第二样本数据集由不具有目标标签的多个数据组成，其中，目标标签所对应的对象为沉睡对象，沉睡对象的活跃度低于预设阈值；处理模块，用于基于训练集、验证集和测试集对初始对象预测模型进行处理，得到第一目标网络模型和第二目标网络模型，其中，初始对象预测模型由第一初始网络模型和第二初始网络模型组成，第一初始网络模型用于对训练集中的样本数据信息中的固有属性信息进行训练，第二初始网络模型用于对训练集中的样本数据信息中的随着时间变化的信息进行训练，第二初始网络模型由第一子初始网络模型和第二子初始网络模型组成，第一子初始网络模型和第二子初始网络模型所对应的神经网络算法不同。
可选的，处理模块包括：构建模块，用于基于训练集构建第一类型样本和第二类型样本的目标相似度矩阵，并对目标相似度矩阵进行计算，得到第一约束项，其中，第一类型样本所对应的对象为同种类型的对象，第二类型样本所对应的对象为不同类型的对象；计算模块，用于基于协同训练算法对训练集进行计算，得到第二约束项，并基于第一约束项和第二约束项，得到目标损失函数；训练模块，用于采用目标损失函数对初始对象预测模型进行迭代训练，得到第一目标网络模型和第二目标网络模型。
可选的，训练模块包括：第一训练模块，用于通过目标损失函数对第一初始网络模型进行迭代训练，得到第一目标网络模型；第二训练模块，用于通过目标损失函数对第一子初始网络模型进行迭代训练，得到第一子目标网络模型；第三训练模块，用于通过目标损失函数对第二子初始网络模型进行迭代训练，得到第二子目标网络模型。
实施例3
根据本发明实施例的另一方面，还提供了一种电子设备，其中，图4是根据本发明实施例的一种可选的电子设备的示意图，如图4所示，电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的目标对象的预测方法。处理器执行程序时实现以下步骤：获取待预测对象的目标数据信息，其中，目标数据信息由第一目标数据信息和第二目标数据信息组成，第一目标数据信息表征待预测对象的固有属性信息，第二目标数据信息表征待预测对象随着时间变化的信息；基于第一目标网络模型对第一目标数据信息进行特征提取，得到第一特征，并基于第二目标网络模型对第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征，其中，第一目标网络模型是由样本数据信息中的固有属性信息训练得到的，第二目标网络模型是由样本数据信息中的随着时间变化的信息训练得到的，第一特征表征待预测对象的属性特征，第二特征表征待预测对象的行为特征，第三特征表征待预测对象的交易账户特征；基于第一特征、第二特征和第三特征，对待预测对象进行活跃度预测，得到预测结果，其中，预测结果表征待预测对象在交易中的活跃程度。
可选的，处理器执行程序时还实现以下步骤：基于第二目标网络模型的第一子目标网络模型，对第二目标数据信息中的第一子类别目标数据信息进行特征提取，得到第二特征；基于第二目标网络模型的第二子目标网络模型，对第二目标数据信息中的第二子类别目标数据信息进行特征提取，得到第三特征，其中，第一子目标网络模型和第二子目标网络模型所对应的神经网络算法不同。
可选的，处理器执行程序时还实现以下步骤：对第一特征所对应的数据信息、第二特征所对应的数据信息和第三特征所对应的数据信息进行平均计算，得到预测结果。
可选的，处理器执行程序时还实现以下步骤：在对第一特征所对应的数据信息、第二特征所对应的数据信息和第三特征所对应的数据信息进行平均计算，得到预测结果之后，通过目标判别函数对预测结果进行判断，得到判断结果；在判断结果表征预测结果处于预设范围内的情况下，确定待预测对象为目标对象。
可选的，处理器执行程序时还实现以下步骤：在获取待预测对象的目标数据信息之后，基于目标数据信息的周期性，对目标数据信息进行分类处理，得到第一目标数据信息和第二目标数据信息。
可选的，处理器执行程序时还实现以下步骤：获取目标样本数据集，并对目标样本数据集进行分类处理，得到训练集、验证集和测试集，其中，目标样本数据集由第一样本数据集和第二样本数据集组成，第一样本数据集由具有目标标签的多个数据组成，第二样本数据集由不具有目标标签的多个数据组成，其中，目标标签所对应的对象为沉睡对象，沉睡对象的活跃度低于预设阈值；基于训练集、验证集和测试集对初始对象预测模型进行处理，得到第一目标网络模型和第二目标网络模型，其中，初始对象预测模型由第一初始网络模型和第二初始网络模型组成，第一初始网络模型用于对训练集中的样本数据信息中的固有属性信息进行训练，第二初始网络模型用于对训练集中的样本数据信息中的随着时间变化的信息进行训练，第二初始网络模型由第一子初始网络模型和第二子初始网络模型组成，第一子初始网络模型和第二子初始网络模型所对应的神经网络算法不同。
可选的，处理器执行程序时还实现以下步骤：基于训练集构建第一类型样本和第二类型样本的目标相似度矩阵，并对目标相似度矩阵进行计算，得到第一约束项，其中，第一类型样本所对应的对象为同种类型的对象，第二类型样本所对应的对象为不同类型的对象；基于协同训练算法对训练集进行计算，得到第二约束项，并基于第一约束项和第二约束项，得到目标损失函数；采用目标损失函数对初始对象预测模型进行迭代训练，得到第一目标网络模型和第二目标网络模型。
可选的，处理器执行程序时还实现以下步骤：通过目标损失函数对第一初始网络模型进行迭代训练，得到第一目标网络模型；通过目标损失函数对第一子初始网络模型进行迭代训练，得到第一子目标网络模型；通过目标损失函数对第二子初始网络模型进行迭代训练，得到第二子目标网络模型。
本文中的设备可以是服务器、PC、PAD、手机等。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元上。可以根据实际的需要选择其中的部分或者全部单元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单元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，也可以采用软件功能单元的形式实现。
所述集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种目标对象的预测方法，其特征在于，包括：
获取待预测对象的目标数据信息，其中，所述目标数据信息由第一目标数据信息和第二目标数据信息组成，所述第一目标数据信息表征所述待预测对象的固有属性信息，所述第二目标数据信息表征所述待预测对象随着时间变化的信息；
基于第一目标网络模型对所述第一目标数据信息进行特征提取，得到第一特征，并基于第二目标网络模型对所述第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征，其中，所述第一目标网络模型是由样本数据信息中的固有属性信息训练得到的，所述第二目标网络模型是由样本数据信息中的随着时间变化的信息训练得到的，所述第一特征表征所述待预测对象的属性特征，所述第二特征表征所述待预测对象的行为特征，所述第三特征表征所述待预测对象的交易账户特征；
基于所述第一特征、所述第二特征和所述第三特征，对所述待预测对象进行活跃度预测，得到预测结果，其中，所述预测结果表征所述待预测对象在交易中的活跃程度。
2.根据权利要求1所述的方法，其特征在于，基于第二目标网络模型对所述第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征，包括：
基于所述第二目标网络模型的第一子目标网络模型，对所述第二目标数据信息中的第一子类别目标数据信息进行特征提取，得到所述第二特征；
基于所述第二目标网络模型的第二子目标网络模型，对所述第二目标数据信息中的第二子类别目标数据信息进行特征提取，得到所述第三特征，其中，所述第一子目标网络模型和所述第二子目标网络模型所对应的神经网络算法不同。
3.根据权利要求1所述的方法，其特征在于，基于所述第一特征、所述第二特征和所述第三特征，对所述待预测对象进行活跃度预测，得到预测结果，包括：
对所述第一特征所对应的数据信息、所述第二特征所对应的数据信息和所述第三特征所对应的数据信息进行平均计算，得到所述预测结果。
4.根据权利要求3所述的方法，其特征在于，在对所述第一特征所对应的数据信息、所述第二特征所对应的数据信息和所述第三特征所对应的数据信息进行平均计算，得到所述预测结果之后，所述方法还包括：
通过目标判别函数对所述预测结果进行判断，得到判断结果；
在所述判断结果表征所述预测结果处于预设范围内的情况下，确定所述待预测对象为所述目标对象。
5.根据权利要求1所述的方法，其特征在于，在获取待预测对象的目标数据信息之后，所述方法还包括：
基于所述目标数据信息的周期性，对所述目标数据信息进行分类处理，得到所述第一目标数据信息和所述第二目标数据信息。
6.根据权利要求1所述的方法，其特征在于，通过以下方法生成所述第一目标网络模型和所述第二目标网络模型：
获取目标样本数据集，并对所述目标样本数据集进行分类处理，得到训练集、验证集和测试集，其中，所述目标样本数据集由第一样本数据集和第二样本数据集组成，所述第一样本数据集由具有目标标签的多个数据组成，所述第二样本数据集由不具有目标标签的多个数据组成，其中，所述目标标签所对应的对象为沉睡对象，所述沉睡对象的活跃度低于预设阈值；
基于所述训练集、所述验证集和所述测试集对初始对象预测模型进行处理，得到所述第一目标网络模型和所述第二目标网络模型，其中，所述初始对象预测模型由第一初始网络模型和第二初始网络模型组成，所述第一初始网络模型用于对所述训练集中的样本数据信息中的固有属性信息进行训练，所述第二初始网络模型用于对所述训练集中的样本数据信息中的随着时间变化的信息进行训练，所述第二初始网络模型由第一子初始网络模型和第二子初始网络模型组成，所述第一子初始网络模型和所述第二子初始网络模型所对应的神经网络算法不同。
7.根据权利要求6所述的方法，其特征在于，基于所述训练集、所述验证集和所述测试集对初始对象预测模型进行处理，得到所述第一目标网络模型和所述第二目标网络模型，包括：
基于所述训练集构建第一类型样本和第二类型样本的目标相似度矩阵，并对所述目标相似度矩阵进行计算，得到第一约束项，其中，所述第一类型样本所对应的对象为同种类型的对象，所述第二类型样本所对应的对象为不同类型的对象；
基于协同训练算法对所述训练集进行计算，得到第二约束项，并基于所述第一约束项和所述第二约束项，得到目标损失函数；
采用所述目标损失函数对所述初始对象预测模型进行迭代训练，得到所述第一目标网络模型和所述第二目标网络模型。
8.根据权利要求7所述的方法，其特征在于，采用所述目标损失函数对所述初始对象预测模型进行迭代训练，得到所述第一目标网络模型和所述第二目标网络模型，包括：
通过所述目标损失函数对所述第一初始网络模型进行迭代训练，得到所述第一目标网络模型；
通过所述目标损失函数对所述第一子初始网络模型进行迭代训练，得到所述第一子目标网络模型；
通过所述目标损失函数对所述第二子初始网络模型进行迭代训练，得到所述第二子目标网络模型。
9.一种目标对象的预测装置，其特征在于，包括：
获取模块，用于获取待预测对象的目标数据信息，其中，所述目标数据信息由第一目标数据信息和第二目标数据信息组成，所述第一目标数据信息表征所述待预测对象的固有属性信息，所述第二目标数据信息表征所述待预测对象随着时间变化的信息；
提取模块，用于基于第一目标网络模型对所述第一目标数据信息进行特征提取，得到第一特征，并基于第二目标网络模型对所述第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征，其中，所述第一目标网络模型是由样本数据信息中的固有属性信息训练得到的，所述第二目标网络模型是由样本数据信息中的随着时间变化的信息训练得到的，所述第一特征表征所述待预测对象的属性特征，所述第二特征表征所述待预测对象的行为特征，所述第三特征表征所述待预测对象的交易账户特征；
预测模块，用于基于所述第一特征、所述第二特征和所述第三特征，对所述待预测对象进行活跃度预测，得到预测结果，其中，所述预测结果表征所述待预测对象在交易中的活跃程度。
10.一种电子设备，其特征在于，所述电子设备包括一个或多个处理器；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用于运行程序，其中，所述程序被设置为运行时执行所述权利要求1至8任一项中所述的目标对象的预测方法。
CN202210843485.5A 2022-07-18 2022-07-18 目标对象的预测方法、装置及电子设备 Pending CN115081736A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210843485.5A CN115081736A (zh) 2022-07-18 2022-07-18 目标对象的预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210843485.5A CN115081736A (zh) 2022-07-18 2022-07-18 目标对象的预测方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN115081736A true CN115081736A (zh) 2022-09-20

Family

ID=83260209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210843485.5A Pending CN115081736A (zh) 2022-07-18 2022-07-18 目标对象的预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN115081736A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796484A (zh) * 2019-10-11 2020-02-14 上海上湖信息技术有限公司 客户活跃程度预测模型的构建方法、装置及其应用方法
CN110807667A (zh) * 2019-10-31 2020-02-18 深圳市云积分科技有限公司 一种激活沉睡客户的方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796484A (zh) * 2019-10-11 2020-02-14 上海上湖信息技术有限公司 客户活跃程度预测模型的构建方法、装置及其应用方法
CN110807667A (zh) * 2019-10-31 2020-02-18 深圳市云积分科技有限公司 一种激活沉睡客户的方法和装置

Similar Documents

Publication Publication Date Title
Liu et al. Visual listening in: Extracting brand image portrayed on social media
CN108009643B (zh) 一种机器学习算法自动选择方法和***
Omurca An intelligent supplier evaluation, selection and development system
Jiang et al. Maximizing customer satisfaction through an online recommendation system: A novel associative classification model
CN110310163A (zh) 一种精准制定营销策略的方法、设备及可读介质
CN116468460B (zh) 基于人工智能的消费金融客户画像识别***及其方法
US20160171590A1 (en) Push-based category recommendations
Djurisic et al. Bank CRM optimization using predictive classification based on the support vector machine method
Kang et al. Improved response modeling based on clustering, under-sampling, and ensemble
Hashemian et al. Socioeconomic characterization of regions through the lens of individual financial transactions
WO2021072128A1 (en) Systems and methods for big data analytics
CN114997916A (zh) ***的预测方法、***、电子设备和存储介质
Chen et al. An extended study of the K-means algorithm for data clustering and its applications
CN115983900A (zh) 用户营销策略的构建方法、装置、设备、介质和程序产品
Ali et al. An efficient quality inspection of food products using neural network classification
CN110992111A (zh) 基于大数据的投保人用户画像挖掘方法
Liu et al. Face to purchase: Predicting consumer choices with structured facial and behavioral traits embedding
Wang et al. A collaborative filtering algorithm fusing user-based, item-based and social networks
CN108519993A (zh) 基于多数据流计算的社交网络热点事件检测方法
Aghdaie et al. Customer-oriented benefit segmentation: an integrated approach
JP6031165B1 (ja) 有望顧客予測装置、有望顧客予測方法及び有望顧客予測プログラム
Liu et al. Improved RFM model for customer segmentation using hybrid meta-heuristic algorithm in medical IoT applications
Majhi et al. Development and performance evaluation of neural network classifiers for Indian internet shoppers
Meena et al. A genetic algorithm approach for group recommender system based on partial rankings
CN115081736A (zh) 目标对象的预测方法、装置及电子设备

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