[發明專利]用戶購機的確定方法、裝置、設備及計算機存儲介質

在審

• 申請號: 202011117375.8
• 申請日: 2020-10-19
• 公開（公告）號: CN112214675A
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 孫小娟;陳雷;顧驤;顧強;屈林波
• 申請（專利權）人: 中國移動通信集團江蘇有限公司;中國移動通信集團有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9537;G06K9/62;G06N20/00
• 代理公司: 北京東方億思知識產權代理有限責任公司 11258
• 代理人: 彭瓊

1.一種用戶購機的確定方法，其特征在于，所述方法包括：

獲取第一用戶的目標特征數據；

根據所述目標特征數據和預設的神經網絡模型，得到第一概率值；所述神經網絡模型為通過學習包含所述目標特征數據的樣本與所述第一概率值的映射關系得到；

在所述第一概率值大于或等于預設第一閾值的情況下，確定所述第一用戶在目標時間段內購機。

2.根據權利要求1所述的方法，其特征在于，在所述獲取第一用戶的目標特征數據之前，所述方法還包括：

根據第二用戶在t-1月的特征數據和所述第二用戶在t月的購機結果，構建第一樣本，所述第二用戶為t-2月和t-1月均未購機的用戶，t為正整數；

根據第三用戶在t月的特征數據和所述第三用戶在t+1月的購機結果，構建第二樣本，所述第三用戶為t-1月和t月均未購機的用戶；

合并所述第一樣本和所述第二樣本，得到第三樣本；

根據所述第三樣本訓練所述神經網絡模型。

3.根據權利要求2所述的方法，其特征在于，在所述根據所述第三樣本訓練所述神經網絡模型之前，所述方法還包括：

對所述第三樣本中每個所述特征數據對應的特征進行打分，得到每個所述特征的打分分值；

計算每個所述特征的信息增益比；

將每個所述特征的打分分值作為每個所述特征的信息增益比的權重，得到每個所述特征的第一信息增益比，所述第一信息增益比為帶權重的信息增益比；

構建特征初篩函數，所述特征初篩函數用于在第i個所述特征的所述第一信息增益比小于預設閾值的情況下，刪除所述第三樣本中的所述第i個所述特征對應的所述特征數據，i為正整數；

所述根據所述第三樣本訓練所述神經網絡模型，具體包括：

根據所述特征初篩函數處理后的所述第三樣本訓練所述神經網絡模型。

4.根據權利要求3所述的方法，其特征在于，在所述構建特征初篩函數之前，所述方法還包括：

設定多個初始預設閾值；

根據預設的邏輯回歸模型，確定每個所述初始預設閾值對應的所述邏輯回歸模型的輸出值；

確定所述邏輯回歸模型的所有輸出值中最大輸出值對應的所述初始預設閾值，將所述最大輸出值對應的所述初始預設閾值作為所述預設閾值。

5.根據權利要求3所述的方法，其特征在于，在所述根據所述特征初篩函數處理后的所述第三樣本訓練所述神經網絡模型之前，所述方法還包括：

將所述特征分為類別型特征和數據型特征；

構建所述類別型特征和所述數據型特征的平均變異系數比函數，并利用所述平均變異系數比函數確定每個所述數據型特征與每個所述類別型特征是否相關；

當確定第i個所述數據型特征與第j個所述類別型特征相關時，計算在所述第j個所述類別型特征的條件下的所述第i個所述數據型特征對應的所有所述特征數據的統計特征對應的數據，并將所述統計特征對應的數據加入到所述第三樣本之中；所述統計特征包括以下至少一項：均值、標準差、峰度、偏度和變異系數；

所述根據所述特征初篩函數處理后的所述第三樣本訓練所述神經網絡模型，具體包括：

根據加入所述統計特征對應的數據后的所述第三樣本訓練所述神經網絡模型。

6.根據權利要求5所述的方法，其特征在于，在所述根據加入所述統計特征對應的數據后的所述第三樣本訓練所述神經網絡模型之前，所述方法還包括：

對所述第三樣本進行抽樣，得到多個第四樣本；

根據預設的梯度提升決策樹模型和所述多個第四樣本，確定每個所述特征的分裂次數；

刪除所述第三樣本中的所述分裂次數小于預設第一閾值的特征對應的特征數據；

所述根據加入所述統計特征對應的數據后的所述第三樣本訓練所述神經網絡模型，具體包括：

根據刪除所述分裂次數小于預設第一閾值的特征對應的特征數據后的所述第三樣本訓練所述神經網絡模型。