[發明專利]購買意向度預測方法、裝置、存儲介質及終端

有效

• 申請號: 202010512538.6
• 申請日: 2020-06-08
• 公開（公告）號: CN111681051B
• 公開（公告）日: 2023-09-26
• 發明（設計）人: 陳昊;金忠孝
• 申請（專利權）人: 上海汽車集團股份有限公司;上海汽車工業（集團）總公司
• 主分類號: G06Q30/0202
• 分類號: G06Q30/0202;G06N20/00
• 代理公司: 北京信遠達知識產權代理有限公司 11304
• 代理人: 趙興華

1.一種購買意向度預測方法，其特征在于，所述方法包括：

獲取能夠表征待預測用戶在線選配行為的目標訪問數據；

提取所述目標訪問數據在預設特征維度下的特征值，并將所述目標訪問數據的特征值輸入至預測模型中，以使所述預測模型對所述目標訪問數據的特征值進行分類，所述預測模型是預先以歷史用戶在線選配行為的訪問數據為樣本，對機器學習模型訓練得到的；

獲取所述預測模型輸出的所述待預測用戶的購買意向度；

其中，預先以歷史用戶在線選配行為的訪問數據為樣本，對機器學習模型訓練得到所述預測模型的過程，包括：

將表征歷史用戶在線選配行為的訪問數據作為樣本、表征所述歷史用戶購買意向行為的轉化數據作為所述樣本的標簽；

提取所述樣本在所述預設特征維度下的特征值，將所述樣本中用于本次訓練的部分樣本的特征值和標簽輸入至機器學習模型中，以使所述機器學習模型通過擬合所述樣本調整模型參數；

計算所述機器學習模型的損失函數值，并在所述損失函數值不符合預設的第一訓練結束條件時，重復將所述樣本中用于本次訓練的部分樣本的特征值和標簽輸入至通用的機器學習模型中，直到所述損失函數值符合所述第一訓練結束條件時，將訓練后的機器學習模型作為預測模型。

2.根據權利要求1所述的方法，其特征在于，所述樣本包括訓練樣本和測試樣本；

將所述樣本中用于本次訓練的部分樣本的特征值和標簽輸入至通用的機器學習模型中，包括：

將所述訓練樣本中用于本次訓練的部分樣本的特征值和標簽輸入至機器學習模型中；

將訓練后的機器學習模型作為預測模型之前，所述方法還包括：

將所述測試樣本的特征值輸入至訓練后的機器學習模型中，以使所述訓練后的機器學習模型對所述測試樣本的特征值進行分類；

獲取訓練后的機器學習模型所輸出的購買意向度、以及所述測試樣本的標簽，計算訓練后的機器學習模型的正確率，并在所述正確率符合預設的第二訓練結束條件時，將訓練后的機器學習模型作為預測模型。

3.根據權利要求1所述的方法，其特征在于，提取所述樣本在所述預設特征維度下的特征值之前，所述方法還包括：

從所述樣本中篩選符合預設的正向轉化條件的合格樣本。

4.根據權利要求1所述的方法，其特征在于，所述方法還包括：

將購買意向度符合預設的高購買意向條件的待預測用戶添加至推薦表單中，并輸出。

5.一種購買意向度預測裝置，其特征在于，所述裝置包括：數據獲取模塊、預測模塊和意向獲取模塊，所述預測模塊中包含模型訓練單元；

所述模型訓練單元，用于預先以歷史用戶在線選配行為的訪問數據為樣本，對機器學習模型訓練得到預測模型；

所述數據獲取模塊，用于獲取能夠表征待預測用戶在線選配行為的目標訪問數據；

所述預測模塊，用于提取所述目標訪問數據在預設特征維度下的特征值，并將所述目標訪問數據的特征值輸入至所述預測模型中，以使所述預測模型對所述目標訪問數據的特征值進行分類；

意向獲取模塊，用于獲取所述預測模型輸出的所述待預測用戶的購買意向度；

其中，所述模型訓練單元，具體用于：

將表征歷史用戶在線選配行為的訪問數據作為樣本、表征所述歷史用戶購買意向行為的轉化數據作為所述樣本的標簽；

提取所述樣本在所述預設特征維度下的特征值，將所述樣本中用于本次訓練的部分樣本的特征值和標簽輸入至機器學習模型中，以使所述機器學習模型通過擬合所述樣本調整模型參數；

計算所述機器學習模型的損失函數值，并在所述損失函數值不符合預設的第一訓練結束條件時，重復將所述樣本中用于本次訓練的部分樣本的特征值和標簽輸入至通用的機器學習模型中，直到所述損失函數值符合所述第一訓練結束條件時，將訓練后的機器學習模型作為預測模型。