CN118212051A - 睡眠账户激活策略确定方法、装置、计算机设备和介质 - Google Patents
睡眠账户激活策略确定方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN118212051A CN118212051A CN202410437968.4A CN202410437968A CN118212051A CN 118212051 A CN118212051 A CN 118212051A CN 202410437968 A CN202410437968 A CN 202410437968A CN 118212051 A CN118212051 A CN 118212051A
- Authority
- CN
- China
- Prior art keywords
- activation
- account
- sleep
- candidate
- 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
Links
- 230000004913 activation Effects 0.000 title claims abstract description 523
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000003213 activating effect Effects 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 31
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000016273 neuron death Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种睡眠账户激活策略确定方法、装置、计算机设备、存储介质和计算机程序产品,涉及人工智能技术领域。方法包括:获取待预测的睡眠账户关联的账户特征数据,以及至少一个候选激活策略;睡眠账户为预设时间内未使用金融服务的金融账户,候选激活策略用于将候选激活策略对应的激活资源通过预设方式投入到睡眠账户,以通过激活资源激活睡眠账户;获取与各候选激活策略关联的训练好的账户激活预测模型,通过账户激活预测模型获取各候选激活策略激活睡眠账户的预测激活结果;获取各候选激活策略对应的激活资源损耗,基于各预测激活结果与各激活资源损耗,从各候选激活策略中获取睡眠账户对应的目标激活策略。采用本方法能够降低激活成本。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种睡眠账户激活策略确定方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
目前,经金融机构统计表明在已发行的金融卡中,超过三分之一的金融卡对应账户成为了睡眠账户,持有睡眠账户对应金融卡的用户极少使用该金融卡,导致此类用户逐渐流失转向其他金融机构,这不仅浪费了金融机构前期的金融卡营销成本,同时大量睡眠客户的沉积也不利于银行的金融卡管理,因此,若盲目地对睡眠账户使用激活策略来进行激活操作,在激活策略不适配该睡眠账户的情况下,会造成激活策略关联的激活资源的浪费,增加资源损耗。
发明内容
基于此,有必要针对上述技术问题,提供一种能够高效唤醒现有睡眠账户的睡眠账户激活策略确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种睡眠账户激活策略确定方法,包括:
获取待预测的睡眠账户关联的账户特征数据,以及至少一个候选激活策略;睡眠账户为预设时间内未使用金融服务的金融账户,候选激活策略用于将候选激活策略对应的激活资源通过预设方式投入到睡眠账户,以通过激活资源激活睡眠账户;
获取与各候选激活策略关联的预先训练好的账户激活预测模型,通过账户激活预测模型获取各候选激活策略激活睡眠账户的预测激活结果;
获取各候选激活策略对应的激活资源损耗,基于各预测激活结果与各激活资源损耗,从各候选激活策略中获取睡眠账户对应的目标激活策略。
在其中一个实施例中,账户激活预测模型的训练步骤,包括:
获取多个已进行激活操作的样本睡眠账户对应的样本账户特征数据,以及样本睡眠账户对应的实际激活结果;
将样本账户特征数据以及候选激活策略输入待训练的账户激活预测模型,得到候选激活策略激活样本睡眠账户的第一预测激活结果;
根据第一预测激活结果与实际激活结果之间的差异,得到第一损失值,利用第一损失值训练账户激活预测模型,得到与候选激活策略关联的训练好的账户激活预测模型。
在其中一个实施例中,获取与各候选激活策略关联的预先训练好的账户激活预测模型之前,还包括:
将待预测的睡眠账户关联的账户特征数据输入至预先训练好的账户激活概率预测模型中,通过账户激活概率预测模型得到睡眠账户对应的预测激活成功概率;
在预测激活成功概率大于预设概率阈值的情况下,获取与各候选激活策略关联的预先训练好的账户激活预测模型,通过账户激活预测模型获取各候选激活策略激活睡眠账户的预测激活结果。
在其中一个实施例中,通过账户激活概率预测模型得到睡眠账户对应的预测激活成功概率之后,还包括:
在预测激活成功概率小于或等于预设概率阈值的情况下,对睡眠账户添加次优先级激活标签。
在其中一个实施例中,账户激活概率预测模型的训练步骤,包括:
获取多个已进行激活操作过的样本睡眠账户对应的样本账户特征数据,以及样本睡眠账户对应的实际激活结果;
将样本账户特征数据输入待训练的账户激活概率预测模型,得到样本睡眠账户对应的第二预测激活结果;
根据第二预测激活结果与实际激活结果之间的差异,得到第二损失值,利用第二损失值训练账户激活概率预测模型。
在其中一个实施例中,基于各预测激活结果与各激活资源损耗,从各候选激活策略中获取睡眠账户对应的目标激活策略,包括:
基于各预测激活结果与各激活资源损耗,得到结果资源损耗比值,将各结果资源损耗比值中最大比值对应的候选激活策略确定为睡眠账户的目标激活策略。
在其中一个实施例中,从各候选激活策略中获取睡眠账户对应的目标激活策略之后,还包括:
按照预设定时账户激活任务,定时对睡眠账户执行目标激活策略对应的激活操作。
第二方面,本申请还提供了一种睡眠账户激活策略确定装置,包括:
数据获取模块,用于获取待预测的睡眠账户关联的账户特征数据,以及至少一个候选激活策略;睡眠账户为预设时间内未使用金融服务的金融账户,候选激活策略用于将候选激活策略对应的激活资源通过预设方式投入到睡眠账户,以通过激活资源激活睡眠账户;
激活预测模块,用于获取与各候选激活策略关联的预先训练好的账户激活预测模型,通过账户激活预测模型获取各候选激活策略激活睡眠账户的预测激活结果;
策略确定模块,用于获取各候选激活策略对应的激活资源损耗,基于各预测激活结果与各激活资源损耗,从各候选激活策略中获取睡眠账户对应的目标激活策略。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取待预测的睡眠账户关联的账户特征数据,以及至少一个候选激活策略;睡眠账户为预设时间内未使用金融服务的金融账户,候选激活策略用于将候选激活策略对应的激活资源通过预设方式投入到睡眠账户,以通过激活资源激活睡眠账户;
获取与各候选激活策略关联的预先训练好的账户激活预测模型,通过账户激活预测模型获取各候选激活策略激活睡眠账户的预测激活结果;
获取各候选激活策略对应的激活资源损耗,基于各预测激活结果与各激活资源损耗,从各候选激活策略中获取睡眠账户对应的目标激活策略。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待预测的睡眠账户关联的账户特征数据,以及至少一个候选激活策略;睡眠账户为预设时间内未使用金融服务的金融账户,候选激活策略用于将候选激活策略对应的激活资源通过预设方式投入到睡眠账户,以通过激活资源激活睡眠账户;
获取与各候选激活策略关联的预先训练好的账户激活预测模型,通过账户激活预测模型获取各候选激活策略激活睡眠账户的预测激活结果;
获取各候选激活策略对应的激活资源损耗,基于各预测激活结果与各激活资源损耗,从各候选激活策略中获取睡眠账户对应的目标激活策略。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取待预测的睡眠账户关联的账户特征数据,以及至少一个候选激活策略;睡眠账户为预设时间内未使用金融服务的金融账户,候选激活策略用于将候选激活策略对应的激活资源通过预设方式投入到睡眠账户,以通过激活资源激活睡眠账户;
获取与各候选激活策略关联的预先训练好的账户激活预测模型,通过账户激活预测模型获取各候选激活策略激活睡眠账户的预测激活结果;
获取各候选激活策略对应的激活资源损耗,基于各预测激活结果与各激活资源损耗,从各候选激活策略中获取睡眠账户对应的目标激活策略。
上述睡眠账户激活策略确定方法、装置、计算机设备、存储介质和计算机程序产品,通过获取待预测的睡眠账户关联的账户特征数据,以及至少一个候选激活策略,再获取与各候选激活策略关联的预先训练好的账户激活预测模型,通过账户激活预测模型获取各候选激活策略激活睡眠账户的预测激活结果,然后再获取各候选激活策略对应的激活资源损耗,基于各预测激活结果与各激活资源损耗,从各候选激活策略中获取睡眠账户对应的目标激活策略;由此可以针对睡眠账户的预测激活结果与激活资源损耗来确定目标激活策略以投入对应的激活资源,提高激活资源的利用率,降低激活资源损耗,提高睡眠账户的激活概率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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。
图1为一个实施例中睡眠账户激活策略确定方法的应用环境图;
图2为一个实施例中睡眠账户激活策略确定方法的流程示意图;
图3为一个实施例中账户激活预测模型的训练步骤的流程示意图;
图4为一个实施例中账户激活预测模型的结构示意图;
图5为一个实施例中预测激活成功概率继续处理步骤的流程示意图;
图6为一个实施例中预测激活成功概率后判断是否激活操作的流程示意图;
图7为一个实施例中睡眠账户激活策略确定装置的结构框图;
图8为一个实施例中睡眠账户激活策略确定设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的睡眠账户激活策略确定方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上,也可以放在云上或其他网络服务器上。可以通过终端102/服务器104获取待预测的睡眠账户关联的账户特征数据,以及至少一个候选激活策略;睡眠账户为预设时间内未使用金融服务的金融账户,候选激活策略用于将候选激活策略对应的激活资源通过预设方式投入到睡眠账户,以通过激活资源激活睡眠账户;通过终端102/服务器104获取与各候选激活策略关联的预先训练好的账户激活预测模型,通过账户激活预测模型获取各候选激活策略激活睡眠账户的预测激活结果;通过终端102/服务器104获取各候选激活策略对应的激活资源损耗,基于各预测激活结果与各激活资源损耗,从各候选激活策略中获取睡眠账户对应的目标激活策略。其中,预先训练好的账户激活预测模型可以部署在服务器104中以供服务器104调用。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备、金融设备和便携式可穿戴设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个示例性的实施例中,如图2所示,提供了一种睡眠账户激活策略确定方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤S202至步骤S206。其中:
步骤S202,获取待预测的睡眠账户关联的账户特征数据,以及至少一个候选激活策略。
其中,睡眠账户可以为预设时间内未使用金融服务的金融账户,也可以是预设时间内极少使用金融服务的金融账户,在实际实施时根据使用次数的具体判定可根据实际需求而确定;候选激活策略用于将候选激活策略对应的激活资源通过预设方式投入到睡眠账户,以通过激活资源激活睡眠账户。一个候选激活策略对应一个激活资源以及一种预设方式。
其中,账户特征数据可以是与账户所属用户关联的能反映出用户兴趣偏好的多种信息,例如账户基础信息特征数据、账户资源交互特征数据以及用户行为特征数据等;账户基础信息特征数据可以是包括性别、年龄、学历、职业、家庭成员等;账户资源交互特征数据可以是资产、交易记录等;用户行为特征数据可以是活动轨迹以及各种应用程序和网页页面浏览行为等。
可选地,服务器104可以从金融***的内部数据库获取待预测的睡眠账户关联的账户特征数据,以及金融***中提供的各种候选激活策略。服务器104还可以通过金融***连接各网点下的数据库从而获取对应待预测的睡眠账户关联的账户特征数据,以及金融***中提供的各种候选激活策略。
步骤S204,获取与各候选激活策略关联的预先训练好的账户激活预测模型,通过账户激活预测模型获取各候选激活策略激活睡眠账户的预测激活结果。
其中,账户激活预测模型可以是通过机器学习算法训练得到的与各候选激活策略关联绑定的模型,用于预测与该模型绑定的候选激活策略激活睡眠账户的激活结果。预先训练好的账户激活预测模型可以部署在服务器104中以供服务器104调用。预测激活结果可以是预测的激活成功率,也可以是预测的是否激活成功。
步骤S206,获取各候选激活策略对应的激活资源损耗,基于各预测激活结果与各激活资源损耗,从各候选激活策略中获取睡眠账户对应的目标激活策略。
其中,激活资源损耗可以是指将候选激活策略对应的激活资源通过预设方式投入到睡眠账户,以通过激活资源激活睡眠账户,所产生的一系列损耗。获取各候选激活策略对应的激活资源损耗,再基于各预测激活结果与各激活资源损耗进行比较,从各候选激活策略中获取激活资源损耗较小且该激活资源对应的预测激活结果较好的候选激活策略确定为睡眠账户对应的目标激活策略。
上述睡眠账户激活策略确定方法中,通过获取待预测的睡眠账户关联的账户特征数据,以及至少一个候选激活策略,再获取与各候选激活策略关联的预先训练好的账户激活预测模型,通过账户激活预测模型获取各候选激活策略激活睡眠账户的预测激活结果,然后再获取各候选激活策略对应的激活资源损耗,基于各预测激活结果与各激活资源损耗,从各候选激活策略中获取睡眠账户对应的目标激活策略;由此可以针对睡眠账户的预测激活结果与激活资源损耗来确定目标激活策略以投入对应的激活资源,提高激活资源的利用率,降低激活资源损耗,提高睡眠账户的激活概率。
在一个示例性的实施例中,如图3所示,账户激活预测模型的训练步骤包括:
步骤S302,获取多个已进行激活操作的样本睡眠账户对应的样本账户特征数据,以及样本睡眠账户对应的实际激活结果。
其中,激活操作可以是根据候选激活策略对应于睡眠账户的一些操作,具体地,可以是指在***或服务中启用某个功能或服务的过程。样本睡眠账户可以是选定的一些作为样本的睡眠账户,用于模型训练。样本账户特征数据可以是针对样本睡眠账户获取到的账户特征数据。实际激活结果可以是针对样本睡眠账户激活成功或者激活失败。
步骤S304,将样本账户特征数据以及候选激活策略输入待训练的账户激活预测模型,得到候选激活策略激活样本睡眠账户的第一预测激活结果。
其中,待训练的账户激活预测模型可以是初始化但未训练的机器学习模型,用于从输入数据预测激活结果。
步骤S306,根据第一预测激活结果与实际激活结果之间的差异,得到第一损失值,利用第一损失值训练账户激活预测模型,得到与候选激活策略关联的训练好的账户激活预测模型。
其中,训练可以是根据第一预测激活结果与实际激活结果之间的差异得到的第一损失值来不断优化模型的参数,使模型预测能力不断提高的处理。
示例性地,训练过程使用样本数据(样本账户特征数据以及候选激活策略)来调整模型参数,使模型能够预测目标变量(第一预测激活结果)。输入样本数据,通过模型进行前向计算,得到输出值(第一预测激活结果)。将神经网络的输出值与实际值(实际激活结果)进行比较,计算损失函数(第一损失值,用于衡量预测值与真实值之间的差距)。从输出层开始,利用链式法则计算损失函数对每个参数的梯度。这个过程从输出层向输入层反向进行,每一层都计算并传递梯度。使用梯度下降或其变种的优化算法,根据梯度的方向和大小更新神经网络中的参数,使损失函数最小化。重复这个过程多次,直到达到满意的训练效果或者训练次数达到设定的上限。通过反向传播不断调整模型参数,逐步提高在训练过程使用样本对应的数据上的表现。
示例性地,与候选激活策略关联的训练好的账户激活预测模型可以如图4所示,包含输入层(输入节点)、隐藏层(隐藏节点)以及输出层(输出节点)。一个训练好的账户激活模型与一个候选激活策略Ci关联绑定,Ci可以是C1、C2、C3等等对应所有候选激活策略的数目。一个候选激活策略与其他输入数据(样本账户特征数据)输入该模型,然后通过模型输出预测激活结果。在本申请实施例中,该机器学习模型的输出层采用Sigmoid函数,隐藏层采用Leaky ReLU(Leaky Rectified Linear Activation)函数,Leaky ReLU函数用于解决模型中可能出现的神经元死亡问题,采用Smooth L1 Loss函数作为损失函数。假设x为预测框和真实框之间的数值差异,Smooth L1 Loss函数可以表示如下:
Smooth L1 Loss函数的导数可以表示如下:
本实施例中,通过利用样本账户特征数据训练账户激活预测模型,以用于通过账户激活预测模型获取各候选激活策略激活睡眠账户的预测激活结果,从而有利于提高对睡眠账户激活策略确定的准确率。
在一个示例性的实施例中,如图5所示,获取与各候选激活策略关联的预先训练好的账户激活预测模型之前,还包括:
步骤S502,将待预测的睡眠账户关联的账户特征数据输入至预先训练好的账户激活概率预测模型中,通过账户激活概率预测模型得到睡眠账户对应的预测激活成功概率。
其中,账户激活概率预测模型可以是通过机器学习算法训练得到的模型,用于从输入数据预测预测激活成功概率。
步骤S504,在预测激活成功概率大于预设概率阈值的情况下,获取与各候选激活策略关联的预先训练好的账户激活预测模型,通过账户激活预测模型获取各候选激活策略激活睡眠账户的预测激活结果。
其中,预设概率阈值可以根据实际剩余的激活资源的数量来进一步确定,预设概率阈值与剩余的激活资源的数量成负相关关系。
本实施例中,通过预设概率阈值来筛选预测激活成功率不高的睡眠账户,能够节约有限的激活资源,可以将激活资源投入预测激活成功率高的睡眠账户,提高激活资源的使用效率。
在一个示例性的实施例中,通过账户激活概率预测模型得到睡眠账户对应的预测激活成功概率之后,还可以包括:在预测激活成功概率小于或等于预设概率阈值的情况下,对睡眠账户添加次优先级激活标签。
其中,次优先级标签可以用于表示该睡眠账户预测激活成功率不高,在激活资源有限的情况下,暂停对其实施激活操作或者将对其实施激活操作的优先级靠后。
示例性地,如图6所示,在预测激活成功概率(图6所示概率)小于或等于预设概率阈值(图6所示阈值)的情况下,对睡眠账户添加次优先级激活标签以不进行激活操作。在预测激活成功概率(图6所示概率)大于预设概率阈值(图6所示阈值)的情况下,对睡眠账户进行后续处理以确定目标激活策略进而进行激活操作。
本实施例中,通过将小于或等于预测激活成功概率的睡眠账户添加次优先级标签,可以将睡眠账户进行优先级分类,不对此类次优先级标签的睡眠账户进行激活操作以减少不必要的损耗,从而节约资源。
在一个示例性的实施例中,账户激活概率预测模型的训练步骤,包括:获取多个已进行激活操作过的样本睡眠账户对应的样本账户特征数据,以及样本睡眠账户对应的实际激活结果;将样本账户特征数据输入待训练的账户激活概率预测模型,得到样本睡眠账户对应的第二预测激活结果;根据第二预测激活结果与实际激活结果之间的差异,得到第二损失值,利用第二损失值训练账户激活概率预测模型。
其中,激活操作可以是根据候选激活策略对应于睡眠账户的一些操作。样本睡眠账户可以是选定的一些作为样本的睡眠账户,用于模型训练。样本账户特征数据可以是针对样本睡眠账户获取到的账户特征数据。实际激活结果可以是针对样本睡眠账户激活成功或者激活失败。待训练的账户激活概率预测模型可以是初始化但未训练的机器学习模型,用于从输入数据预测激活结果。
其中,训练可以是根据第二预测激活结果与实际激活结果之间的差异得到的第二损失值来不断优化模型的参数,使模型预测能力不断提高的处理。
示例性地,训练过程使用样本数据(样本账户特征数据)来调整模型参数,使模型能够预测目标变量(第二预测激活结果)。输入样本数据,通过模型进行前向计算,得到输出值(第二预测激活结果)。将神经网络的输出值与实际值(实际激活结果)进行比较,计算损失函数(第二损失值,用于衡量预测值与真实值之间的差距)。从输出层开始,利用链式法则计算损失函数对每个参数的梯度。这个过程从输出层向输入层反向进行,每一层都计算并传递梯度。使用梯度下降或其变种的优化算法,根据梯度的方向和大小更新神经网络中的参数,使损失函数最小化。重复这个过程多次,直到达到满意的训练效果或者训练次数达到设定的上限。通过反向传播不断调整模型参数,逐步提高在训练过程使用样本对应的数据上的表现。
本实施例中,通过利用样本账户特征数据训练账户激活概率预测模型,以用于通过账户激活概率预测模型得到样本睡眠账户对应的第二预测激活结果(即预测激活成功概率),从而有利于提高对睡眠账户激活成功率的预测准确率。
在一个示例性的实施例中,基于各预测激活结果与各激活资源损耗,从各候选激活策略中获取睡眠账户对应的目标激活策略,包括:基于各预测激活结果与各激活资源损耗,得到结果资源损耗比值,将各结果资源损耗比值中最大比值对应的候选激活策略确定为睡眠账户的目标激活策略。
其中,各候选激活策略激活睡眠账户的预测激活结果可以是指各候选激活策略激活睡眠账户的预测激活率,再将预测激活率与激活资源损耗进行计算得到结果资源损耗比值,然后将最大比值的结果资源损耗比值对应的候选激活策略确定为睡眠账户的目标激活策略,从而以较小的激活资源损耗实现较高的预测激活率。
本实施例中,通过将预测激活结果与各激活资源损耗进行计算,得到结果资源损耗比值,将各结果资源损耗比值中最大比值对应的候选激活策略确定为睡眠账户的目标激活策略,从而以较小的激活资源损耗实现较好的预测激活结果。
在一个示例性的实施例中,从各候选激活策略中获取睡眠账户对应的目标激活策略之后,还包括:按照预设定时账户激活任务,定时对睡眠账户执行目标激活策略对应的激活操作。
其中,预设定时账户激活任务可以是指在特定时间点自动触发的账户激活操作程序,预设定时账户激活任务可以在***中预先设定,并在预设的时间点自动执行。目标激活策略对应的激活操作可以是指基于目标激活策略包含的多种服务或者需要开启的功能在***中实施的一个过程。
本实施例中,通过预设定时账户激活任务,可以定时周期循环,在相应时间段对该睡眠账户执行预设账户唤醒操作,从而提高睡眠账户的处理效率。
在一个示例性的具体实施例中,睡眠账户激活策略确定方法具体可包括:
获取待预测的睡眠账户关联的账户特征数据,以及至少一个候选激活策略;睡眠账户为预设时间内未使用金融服务的金融账户,候选激活策略用于将候选激活策略对应的激活资源通过预设方式投入到睡眠账户,以通过激活资源激活睡眠账户。
将待预测的睡眠账户关联的账户特征数据输入至预先训练好的账户激活概率预测模型中,通过账户激活概率预测模型得到睡眠账户对应的预测激活成功概率。
在预测激活成功概率小于或等于预设概率阈值的情况下,对睡眠账户添加次优先级激活标签。
在预测激活成功概率大于预设概率阈值的情况下,获取与各候选激活策略关联的预先训练好的账户激活预测模型,通过账户激活预测模型获取各候选激活策略激活睡眠账户的预测激活结果。
获取与各候选激活策略关联的预先训练好的账户激活预测模型,通过账户激活预测模型获取各候选激活策略激活睡眠账户的预测激活结果。
获取各候选激活策略对应的激活资源损耗,基于各预测激活结果与各激活资源损耗,得到结果资源损耗比值,将各结果资源损耗比值中最大比值对应的候选激活策略确定为睡眠账户的目标激活策略。
按照预设定时账户激活任务,定时对睡眠账户执行目标激活策略对应的激活操作。
其中,账户激活预测模型的训练步骤,包括:获取多个已进行激活操作的样本睡眠账户对应的样本账户特征数据,以及样本睡眠账户对应的实际激活结果;将样本账户特征数据以及候选激活策略输入待训练的账户激活预测模型,得到候选激活策略激活样本睡眠账户的第一预测激活结果;根据第一预测激活结果与实际激活结果之间的差异,得到第一损失值,利用第一损失值训练账户激活预测模型,得到与候选激活策略关联的训练好的账户激活预测模型。
其中,账户激活概率预测模型的训练步骤,包括:获取多个已进行激活操作过的样本睡眠账户对应的样本账户特征数据,以及样本睡眠账户对应的实际激活结果;将样本账户特征数据输入待训练的账户激活概率预测模型,得到样本睡眠账户对应的第二预测激活结果;根据第二预测激活结果与实际激活结果之间的差异,得到第二损失值,利用第二损失值训练账户激活概率预测模型。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的睡眠账户激活策略确定方法的睡眠账户激活策略确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个睡眠账户激活策略确定装置实施例中的具体限定可以参见上文中对于睡眠账户激活策略确定方法的限定,在此不再赘述。
在一个示例性的实施例中,如图7所示,提供了一种睡眠账户激活策略确定装置700,包括:数据获取模块702、激活预测模块704和策略确定模块706,其中:
数据获取模块702,用于获取待预测的睡眠账户关联的账户特征数据,以及至少一个候选激活策略;睡眠账户为预设时间内未使用金融服务的金融账户,候选激活策略用于将候选激活策略对应的激活资源通过预设方式投入到睡眠账户,以通过激活资源激活睡眠账户。
激活预测模块704,用于获取与各候选激活策略关联的预先训练好的账户激活预测模型,通过账户激活预测模型获取各候选激活策略激活睡眠账户的预测激活结果。
策略确定模块706,用于获取各候选激活策略对应的激活资源损耗,基于各预测激活结果与各激活资源损耗,从各候选激活策略中获取睡眠账户对应的目标激活策略。
在一个示例性的实施例中,上述激活预测模块704还用于获取多个已进行激活操作的样本睡眠账户对应的样本账户特征数据,以及样本睡眠账户对应的实际激活结果;将样本账户特征数据以及候选激活策略输入待训练的账户激活预测模型,得到候选激活策略激活样本睡眠账户的第一预测激活结果;根据第一预测激活结果与实际激活结果之间的差异,得到第一损失值,利用第一损失值训练账户激活预测模型,得到与候选激活策略关联的训练好的账户激活预测模型。
在一个示例性的实施例中,上述睡眠账户激活策略确定装置还包括激活概率预测模块,用于将待预测的睡眠账户关联的账户特征数据输入至预先训练好的账户激活概率预测模型中,通过账户激活概率预测模型得到睡眠账户对应的预测激活成功概率;在预测激活成功概率大于预设概率阈值的情况下,获取与各候选激活策略关联的预先训练好的账户激活预测模型,通过账户激活预测模型获取各候选激活策略激活睡眠账户的预测激活结果。
在一个示例性的实施例中,上述激活概率预测模块还用于在预测激活成功概率小于或等于预设概率阈值的情况下,对睡眠账户添加次优先级激活标签。
在一个示例性的实施例中,上述激活概率预测模块还用于获取多个已进行激活操作过的样本睡眠账户对应的样本账户特征数据,以及样本睡眠账户对应的实际激活结果;将样本账户特征数据输入待训练的账户激活概率预测模型,得到样本睡眠账户对应的第二预测激活结果;根据第二预测激活结果与实际激活结果之间的差异,得到第二损失值,利用第二损失值训练账户激活概率预测模型。
在一个示例性的实施例中,上述策略确定模块706还用于基于各预测激活结果与各激活资源损耗,得到结果资源损耗比值,将各结果资源损耗比值中最大比值对应的候选激活策略确定为睡眠账户的目标激活策略。
在一个示例性的实施例中,上述策略确定模块706还用于按照预设定时账户激活任务,定时对睡眠账户执行目标激活策略对应的激活操作。
上述睡眠账户激活策略确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储账户特征数据以及其他相关处理数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种睡眠账户激活策略确定方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种睡眠账户激活策略确定方法,其特征在于,所述方法包括:
获取待预测的睡眠账户关联的账户特征数据,以及至少一个候选激活策略;所述睡眠账户为预设时间内未使用金融服务的金融账户,所述候选激活策略用于将所述候选激活策略对应的激活资源通过预设方式投入到所述睡眠账户,以通过所述激活资源激活所述睡眠账户;
获取与各所述候选激活策略关联的预先训练好的账户激活预测模型,通过所述账户激活预测模型获取各所述候选激活策略激活所述睡眠账户的预测激活结果;
获取各所述候选激活策略对应的激活资源损耗,基于各所述预测激活结果与各所述激活资源损耗,从各所述候选激活策略中获取所述睡眠账户对应的目标激活策略。
2.根据权利要求1所述的方法,其特征在于,所述账户激活预测模型的训练步骤,包括:
获取多个已进行激活操作的样本睡眠账户对应的样本账户特征数据,以及所述样本睡眠账户对应的实际激活结果;
将所述样本账户特征数据以及候选激活策略输入待训练的账户激活预测模型,得到所述候选激活策略激活所述样本睡眠账户的第一预测激活结果;
根据所述第一预测激活结果与所述实际激活结果之间的差异,得到第一损失值,利用所述第一损失值训练所述账户激活预测模型,得到与所述候选激活策略关联的训练好的账户激活预测模型。
3.根据权利要求1所述的方法,其特征在于,所述获取与各所述候选激活策略关联的预先训练好的账户激活预测模型之前,还包括:
将所述待预测的睡眠账户关联的账户特征数据输入至预先训练好的账户激活概率预测模型中,通过所述账户激活概率预测模型得到所述睡眠账户对应的预测激活成功概率;
在所述预测激活成功概率大于预设概率阈值的情况下,获取与各所述候选激活策略关联的预先训练好的账户激活预测模型,通过所述账户激活预测模型获取各所述候选激活策略激活所述睡眠账户的预测激活结果。
4.根据权利要求3所述的方法,其特征在于,所述通过所述账户激活概率预测模型得到所述睡眠账户对应的预测激活成功概率之后,还包括:
在所述预测激活成功概率小于或等于预设概率阈值的情况下,对所述睡眠账户添加次优先级激活标签。
5.根据权利要求3所述的方法,其特征在于,所述账户激活概率预测模型的训练步骤,包括:
获取多个已进行激活操作过的样本睡眠账户对应的样本账户特征数据,以及所述样本睡眠账户对应的实际激活结果;
将所述样本账户特征数据输入待训练的账户激活概率预测模型,得到所述样本睡眠账户对应的第二预测激活结果;
根据所述第二预测激活结果与所述实际激活结果之间的差异,得到第二损失值,利用所述第二损失值训练所述账户激活概率预测模型。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述基于各所述预测激活结果与各所述激活资源损耗,从各所述候选激活策略中获取所述睡眠账户对应的目标激活策略,包括:
基于各所述预测激活结果与各所述激活资源损耗,得到结果资源损耗比值,将各所述结果资源损耗比值中最大比值对应的候选激活策略确定为所述睡眠账户的目标激活策略。
7.根据权利要求6所述的方法,其特征在于,所述从各所述候选激活策略中获取所述睡眠账户对应的目标激活策略之后,还包括:
按照预设定时账户激活任务,定时对所述睡眠账户执行所述目标激活策略对应的激活操作。
8.一种睡眠账户激活策略确定装置,其特征在于,所述装置包括:
数据获取模块,用于获取待预测的睡眠账户关联的账户特征数据,以及至少一个候选激活策略;所述睡眠账户为预设时间内未使用金融服务的金融账户,所述候选激活策略用于将所述候选激活策略对应的激活资源通过预设方式投入到所述睡眠账户,以通过所述激活资源激活所述睡眠账户;
激活预测模块,用于获取与各所述候选激活策略关联的预先训练好的账户激活预测模型,通过所述账户激活预测模型获取各所述候选激活策略激活所述睡眠账户的预测激活结果;
策略确定模块,用于获取各所述候选激活策略对应的激活资源损耗,基于各所述预测激活结果与各所述激活资源损耗,从各所述候选激活策略中获取所述睡眠账户对应的目标激活策略。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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7中任一项所述的方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410437968.4A CN118212051A (zh) | 2024-04-12 | 2024-04-12 | 睡眠账户激活策略确定方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410437968.4A CN118212051A (zh) | 2024-04-12 | 2024-04-12 | 睡眠账户激活策略确定方法、装置、计算机设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118212051A true CN118212051A (zh) | 2024-06-18 |
Family
ID=91453475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410437968.4A Pending CN118212051A (zh) | 2024-04-12 | 2024-04-12 | 睡眠账户激活策略确定方法、装置、计算机设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118212051A (zh) |
-
2024
- 2024-04-12 CN CN202410437968.4A patent/CN118212051A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11631029B2 (en) | Generating combined feature embedding for minority class upsampling in training machine learning models with imbalanced samples | |
Imani et al. | Acam: Approximate computing based on adaptive associative memory with online learning | |
CN117435130A (zh) | 金融数据存储方法、装置、计算机设备和存储介质 | |
CN116737373A (zh) | 负载均衡方法、装置、计算机设备、存储介质 | |
CN118212051A (zh) | 睡眠账户激活策略确定方法、装置、计算机设备和介质 | |
CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN114820199A (zh) | 金融衍生品价格的预测方法、预测装置、存储介质和设备 | |
Vidhyut et al. | An Online Supervised Learning Framework for Crime Data | |
US20220398433A1 (en) | Efficient Cross-Platform Serving of Deep Neural Networks for Low Latency Applications | |
Plessis et al. | Unsupervised multi scale anomaly detection in streams of events | |
CN107451662A (zh) | 优化样本向量的方法及装置、计算机设备 | |
CN116737607B (zh) | 样本数据缓存方法、***、计算机设备和存储介质 | |
CN117459576A (zh) | 基于边缘计算的数据推送方法、装置和计算机设备 | |
CN118052582A (zh) | 客户流失概率预测方法、装置、计算机设备和存储介质 | |
CN117113131A (zh) | 分类模型的确定方法、装置、计算机设备和存储介质 | |
Yuan et al. | Cost-effective data classification storage through text seasonal features | |
CN116681164A (zh) | 资源信息处理方法、装置、计算机设备和存储介质 | |
CN116862673A (zh) | 处理结果预测方法、装置、计算机设备和存储介质 | |
CN118132091A (zh) | 业务模型的处理方法、装置、计算机设备和存储介质 | |
CN117041015A (zh) | 网络故障检测方法、装置、计算机设备和存储介质 | |
CN117435279A (zh) | 个人资源管理方法、装置、计算机设备和存储介质 | |
CN117372148A (zh) | 信用风险程度的确定方法、装置、设备、介质和程序产品 | |
CN117312660A (zh) | 项目推送方法、装置、计算机设备和存储介质 | |
CN115564560A (zh) | 风险评估方法、装置和存储介质 | |
CN116630059A (zh) | 基于人工智能的流失预测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |