[發明專利]成交概率預估方法、存儲介質及程序產品

在審

• 申請號: 202111521694.X
• 申請日: 2021-12-13
• 公開（公告）號: CN114418609A
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 劉英
• 申請（專利權）人: 貝殼找房網（北京）信息技術有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06N3/04;G06N3/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 謝志超

本發明實施例提供一種成交概率預估方法、存儲介質及程序產品，該方法包括：將客戶靜態屬性數據輸入靜態特征提取模塊得到靜態特征向量；將客戶行為序列數據輸入時序特征提取模塊得到第一時序特征向量；將靜態特征向量和第一時序特征向量分別輸入到注意力模塊得到第二時序特征向量；將靜態特征向量和第二時序特征向量進行拼接后輸入到成交概率預估模型的輸出層，得到成交概率預估模型輸出的成交概率。本發明實施例通過利用注意力機制將靜態特征向量和第一時序特征向量結合，得到了基于不同靜態特征向量的個性化第二時序特征向量，可以學習到不同類型客戶行為時序的差異，能夠更加準確地表征時序特征，顯著地提高成交概率預估的準確性。

技術領域

本發明實施例涉及一種成交概率預估方法、存儲介質及程序產品。

背景技術

成交概率可以反映客戶購買意愿的強弱，成交概率預估是精細化運營和精準營銷服務的基礎。可以挑選出那些購買意愿比較強的目標客戶，優先投放更多的營銷服務。例如對于房源交易平臺而言，一個客戶簽前的流程，包括瀏覽，商機，帶看，簽約等流程，需要經紀人的高質量的服務。通過對客戶進行成交概率預估，從而提供相應的服務至關重要。

現有的成交概率預估方法中，依據特征提取模塊的不同，分為基于靜態特征提取的方法和基于時序特征提取的方法?；陟o態特征提取的方法，即除了客戶活躍度等客戶屬性以外，會把用戶近期的不同行為統計結果作為行為特征，這種方法忽略了客戶行為的時序性和行為細節，不能準確及時的刻畫客戶。而基于時序特征提取的方法，多使用LSTM(Long Short-Term Memory，長短期記憶網絡)等模塊對客戶的行為序列建模，但沒有考慮客戶的靜態屬性，忽略客戶個體差異。

發明內容

為解決現有技術中的問題，本發明實施例提供一種成交概率預估方法、存儲介質及程序產品。

本發明實施例提供一種成交概率預估方法，包括：將客戶靜態屬性數據輸入成交概率預估模型的靜態特征提取模塊，得到靜態特征向量；將客戶行為序列數據輸入所述成交概率預估模型的時序特征提取模塊，得到第一時序特征向量；將所述靜態特征向量和所述第一時序特征向量分別輸入到所述成交概率預估模型的注意力模塊，得到第二時序特征向量；將所述靜態特征向量和所述第二時序特征向量進行拼接后輸入到所述成交概率預估模型的輸出層，得到所述成交概率預估模型輸出的成交概率。

根據本發明實施例提供的一種成交概率預估方法，所述時序特征提取模塊包括多個順序相連的神經網絡時步單元；所述將客戶行為序列數據輸入所述成交概率預估模型的時序特征提取模塊，得到第一時序特征向量，包括：將所述客戶行為序列數據按序列順序分別作為多個所述神經網絡時步單元的輸入，每個所述神經網絡時步單元分別輸出一個時步特征向量，多個順序相連的所述神經網絡時步單元輸出的多個所述時步特征向量組成所述第一時序特征向量。

根據本發明實施例提供的一種成交概率預估方法，所述將所述靜態特征向量和所述第一時序特征向量分別輸入到所述成交概率預估模型的注意力模塊，得到第二時序特征向量，包括：將所述靜態特征向量和所述第一時序特征向量的所述時步特征向量分別輸入到所述成交概率預估模型的注意力模塊，得到每個所述時步特征向量的時步特征向量權重；根據所述時步特征向量權重將所述時步特征向量進行加權求和，得到所述第二時序特征向量。

根據本發明實施例提供的一種成交概率預估方法，所述將所述靜態特征向量和所述第一時序特征向量的所述時步特征向量分別輸入到所述成交概率預估模型的注意力模塊，得到每個所述時步特征向量的時步特征向量權重，包括：將每個所述時步特征向量與所述靜態特征向量分別進行內積計算，得到每個所述時步特征向量的分值；將所述時步特征向量的分值進行歸一化處理，得到每個所述時步特征向量的時步特征向量權重。

根據本發明實施例提供的一種成交概率預估方法，所述靜態特征提取模塊包括深度神經網絡，所述時序特征提取模塊包括長短期記憶網絡。