[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

本發明提供了一種購買意向度預測方法、裝置、存儲介質及終端，該方法通過獲取能夠表征待預測用戶在線選配行為的目標訪問數據；提取目標訪問數據在預設特征維度下的特征值，并將目標訪問數據的特征值輸入至預測模型中，以使預測模型對目標訪問數據的特征值進行分類；隨之通過預測模型就可以獲得待預測用戶的購買意向度。由此可知，該購買意向度預測方法可以簡單有效的挖掘高購買意向度潛客，使得后續營銷資源可以得到最大程度的利用，以提高在有限營銷成本下的汽車銷量。

技術領域

本發明涉及汽車互聯網營銷技術領域，更具體地說，涉及一種購買意向度預測方法、裝置、存儲介質及終端。

背景技術

汽車互聯網營銷領域是汽車銷售和互聯網銷售的交叉領域。在互聯網技術不斷發展的基礎上，為了滿足不同用戶的各不相同的用車需求，汽車在線訂制的業務應運而生。

汽車在線訂制開放了配置單供用戶進行選擇的渠道，用戶在互聯網選配完成后可以去4s店在線下單或者直接在線下單。選配產品的過程同時是一個用戶了解汽車的一個重要渠道，而只選配一次就直接決定買車的用戶少之又少。

因此，如何從眾多選配產品的用戶中找到真正有購買意向的用戶，成為現階段亟需解決的問題。

發明內容

有鑒于此，為解決上述問題，本發明提供一種購買意向度預測方法、裝置、存儲介質及終端，技術方案如下：

一種購買意向度預測方法，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。

優選的，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。

優選的，所述樣本包括訓練樣本和測試樣本；

所述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，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。

優選的，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。