[發明專利]基于人工智能的產品屬性決策方法、裝置、電子設備

在審

• 申請號: 202011606483.1
• 申請日: 2020-12-30
• 公開（公告）號: CN112686700A
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 單嘉潤;范濤;譚明超
• 申請（專利權）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06F21/60;G06F21/62;G06K9/62;G06N20/00
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 崔曉嵐;張穎玲

1.一種基于人工智能的產品屬性決策方法，其特征在于，所述方法包括：

基于用戶數據調用購買概率預測模型，以確定當目標產品具有不同的候選屬性時，所述目標產品所分別對應的購買概率，其中，所述不同的候選屬性包括于候選屬性集；

基于所述候選屬性和對應的購買概率確定預估收入；

基于用戶的歷史使用數據調用違規概率預測模型，以確定所述用戶違規使用所述目標產品的違規概率，并基于所述違規概率確定預估損失；

基于所述預估收入和所述預估損失確定所述候選屬性對應的預估期望；

將所述候選屬性集中具有最高預估期望的候選屬性作為所述目標產品的屬性。

2.根據權利要求1所述的方法，其特征在于，所述基于用戶數據調用購買概率預測模型，以確定當目標產品具有不同的候選屬性時，所述目標產品所分別對應的購買概率，包括：

從所述用戶數據中提取用戶特征和所述候選屬性的屬性特征；

對所述用戶特征和所述屬性特征進行特征轉換處理，得到稀疏化的中間特征；

基于所述中間特征進行分類處理，得到當所述目標產品具有所述候選屬性集中不同的候選屬性時分別對應的購買概率。

3.根據權利要求1所述的方法，其特征在于，在所述基于用戶數據調用購買概率預測模型之前，所述方法還包括：

確定滿足候選用戶標準的多個候選用戶；

基于每個所述候選用戶的購買記錄將每個所述候選用戶劃分為候選正樣本或候選負樣本；

從多個所述候選正樣本中過濾出多個過濾后正樣本，并從多個所述候選負樣本中過濾出多個過濾后負樣本；

基于所述多個過濾后正樣本和所述多個過濾后負樣本訓練所述購買概率預測模型。

4.根據權利要求1所述的方法，其特征在于，所述基于所述候選屬性和對應的購買概率確定預估收入，包括：

基于所述候選屬性對應的所述目標產品的價格和對應的購買概率的乘積，得到對應的預估收入；

所述基于所述預估收入和所述預估損失確定所述候選屬性對應的預估期望，包括：

從所述預估收入中減去所述預估損失，得到所述候選屬性對應的預估期望。

5.根據權利要求1所述的方法，其特征在于，所述基于用戶的歷史使用數據調用違規概率預測模型，以確定所述用戶違規使用所述目標產品的違規概率，包括：

從所述用戶的歷史使用數據中提取歷史特征；

對所述歷史特征進行特征轉換處理，得到稀疏化的歷史特征；

基于所述稀疏化的歷史特征進行分類處理，得到所述用戶違規使用所述目標產品的概率，以作為違規概率。

6.根據權利要求1所述的方法，其特征在于，所述基于所述違規概率確定預估損失，包括：

基于所述目標產品的歷史虧損數據確定平均損失；

將所述平均損失與所述違規概率的乘積作為預估損失。

7.根據權利要求1所述的方法，其特征在于，在所述將所述候選屬性集中具有最高預估期望的候選屬性作為所述目標產品的屬性之后，所述方法還包括：

當所述最高預估期望大于所述目標產品的預期期望時，確定將投放具有所述屬性的目標產品。

8.根據權利要求1所述的方法，其特征在于，在所述將所述候選屬性集中具有最高預估期望的候選屬性作為所述目標產品的屬性之后，所述方法還包括：

基于所述目標產品的購買反饋調整所述目標產品的屬性，以確定不同屬性對應的實際購買概率；

基于所述不同屬性對應的實際購買概率調整所述候選屬性集中的候選屬性；

基于更新后的用戶數據調用所述購買概率預測模型，以確定調整后的候選屬性所對應的購買概率，并基于調整后的候選屬性所對應的購買概率和所述用戶的違規概率確定所述目標產品的新屬性。