[發(fā)明專利]用戶意向預(yù)測(cè)模型訓(xùn)練方法、用戶意向預(yù)測(cè)方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202210328230.5
• 申請(qǐng)日: 2022-03-30
• 公開(kāi)（公告）號(hào): CN114692970A
• 公開(kāi)（公告）日: 2022-07-01
• 發(fā)明（設(shè)計(jì)）人: 高鈺喬
• 申請(qǐng)（專利權(quán)）人: 中國(guó)工商銀行股份有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q30/02;G06N3/08
• 代理公司: 中科專利商標(biāo)代理有限責(zé)任公司 11021
• 代理人: 孫蕾

本公開(kāi)提供了一種用戶意向預(yù)測(cè)模型訓(xùn)練方法、用戶意向預(yù)測(cè)方法及裝置，可以應(yīng)用于大數(shù)據(jù)技術(shù)領(lǐng)域、人工智能技術(shù)領(lǐng)域和金融技術(shù)領(lǐng)域。該用戶意向預(yù)測(cè)模型訓(xùn)練方法包括：獲取歷史用戶數(shù)據(jù)集，其中，歷史用戶數(shù)據(jù)集包括用戶屬性數(shù)據(jù)、用戶操作數(shù)據(jù)和用戶意向數(shù)據(jù)；通過(guò)提取用戶操作數(shù)據(jù)的主成分特征，生成第一特征數(shù)據(jù)；將用戶屬性數(shù)據(jù)按照不同屬性類型構(gòu)建得到屬性特征數(shù)據(jù)；通過(guò)計(jì)算屬性特征數(shù)據(jù)和用戶意向數(shù)據(jù)的相關(guān)度，確定第二特征數(shù)據(jù)，其中，第二特征數(shù)據(jù)包括滿足預(yù)設(shè)條件的與相關(guān)度對(duì)應(yīng)的屬性特征數(shù)據(jù)；以及利用第一特征數(shù)據(jù)和第二特征數(shù)據(jù)組成的訓(xùn)練樣本數(shù)據(jù)集，訓(xùn)練預(yù)設(shè)模型，得到用于預(yù)測(cè)用戶意向的用戶意向預(yù)測(cè)模型。

技術(shù)領(lǐng)域

本公開(kāi)涉及大數(shù)據(jù)技術(shù)領(lǐng)域、人工智能技術(shù)領(lǐng)域，具體地涉及一種用戶意向預(yù)測(cè)模型訓(xùn)練方法、用戶意向預(yù)測(cè)方法、裝置、設(shè)備、介質(zhì)和程序產(chǎn)品。

背景技術(shù)

能否準(zhǔn)確預(yù)測(cè)用戶意向，以判斷用戶是否會(huì)流失，對(duì)于企業(yè)具有重要意義。近年來(lái)，隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)的構(gòu)建和訓(xùn)練，可以解決較為復(fù)雜的邏輯策略的表達(dá)問(wèn)題。

但是，由于影響用戶意向的因素?cái)?shù)量較多，且影響因素之間的關(guān)系較復(fù)雜，在訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)模型時(shí)，需要輸入較多的模型參數(shù)和模型變量，導(dǎo)致出現(xiàn)了模型訓(xùn)練效率較低以及預(yù)測(cè)結(jié)果不準(zhǔn)確的問(wèn)題。

發(fā)明內(nèi)容

鑒于上述問(wèn)題，本公開(kāi)提供了一種用戶意向預(yù)測(cè)模型訓(xùn)練方法、用戶意向預(yù)測(cè)方法、裝置、設(shè)備、介質(zhì)和程序產(chǎn)品。

根據(jù)本公開(kāi)的一個(gè)方面，提供了一種用戶意向預(yù)測(cè)模型訓(xùn)練方法，包括：

獲取歷史用戶數(shù)據(jù)集，其中，歷史用戶數(shù)據(jù)集包括用戶屬性數(shù)據(jù)、用戶操作數(shù)據(jù)和用戶意向數(shù)據(jù)；

通過(guò)提取用戶操作數(shù)據(jù)的主成分特征，生成第一特征數(shù)據(jù)；

將用戶屬性數(shù)據(jù)按照不同屬性類型構(gòu)建得到屬性特征數(shù)據(jù)；

通過(guò)計(jì)算屬性特征數(shù)據(jù)和用戶意向數(shù)據(jù)的相關(guān)度，確定第二特征數(shù)據(jù)，其中，第二特征數(shù)據(jù)包括滿足預(yù)設(shè)條件的與相關(guān)度對(duì)應(yīng)的屬性特征數(shù)據(jù)；以及

利用第一特征數(shù)據(jù)和第二特征數(shù)據(jù)組成的訓(xùn)練樣本數(shù)據(jù)集，訓(xùn)練預(yù)設(shè)模型，得到用于預(yù)測(cè)用戶意向的用戶意向預(yù)測(cè)模型。

根據(jù)本公開(kāi)的實(shí)施例，通過(guò)計(jì)算屬性特征數(shù)據(jù)和用戶意向數(shù)據(jù)的相關(guān)度，確定第二特征數(shù)據(jù)，包括：

分別計(jì)算多個(gè)屬性特征數(shù)據(jù)與用戶意向數(shù)據(jù)的相關(guān)度；

將多個(gè)相關(guān)度進(jìn)行排序，得到相關(guān)度排序值；

在相關(guān)度排序值小于預(yù)設(shè)閾值的情況下，將相關(guān)度排序值對(duì)應(yīng)的屬性特征數(shù)據(jù)，確定為第二特征數(shù)據(jù)。

根據(jù)本公開(kāi)的實(shí)施例，通過(guò)提取用戶操作數(shù)據(jù)的主成分特征，生成第一特征數(shù)據(jù)，包括：

根據(jù)多個(gè)用戶的用戶操作數(shù)據(jù)，構(gòu)建特征矩陣；

計(jì)算特征矩陣的特征向量；

根據(jù)特征向量，確定主成分特征向量；

根據(jù)主成分特征向量，生成第一特征數(shù)據(jù)。

根據(jù)本公開(kāi)的實(shí)施例，根據(jù)多個(gè)用戶的用戶操作數(shù)據(jù)，構(gòu)建特征矩陣，包括：

將每一個(gè)用戶的數(shù)據(jù)，按行拼接，得到第一向量；

根據(jù)多個(gè)第一向量，構(gòu)建特征矩陣。

根據(jù)本公開(kāi)的實(shí)施例，根據(jù)特征向量，確定主成分特征向量，包括：

通過(guò)計(jì)算特征向量與特征矩陣中的第一向量的乘積，確定主成分特征向量。

本公開(kāi)的另一個(gè)方面提供了一種用于意向預(yù)測(cè)方法，包括：