CN108492138A - 产品购买预测方法、服务器及存储介质 - Google Patents
产品购买预测方法、服务器及存储介质 Download PDFInfo
- Publication number
- CN108492138A CN108492138A CN201810226460.4A CN201810226460A CN108492138A CN 108492138 A CN108492138 A CN 108492138A CN 201810226460 A CN201810226460 A CN 201810226460A CN 108492138 A CN108492138 A CN 108492138A
- Authority
- CN
- China
- Prior art keywords
- purchase
- product
- analysis model
- user
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Abstract
本发明公开了一种产品购买预测方法、服务器及存储介质,该方法包括:接收带有身份标识信息和目标产品类型的分析请求;提取出目标用户的购买数据及其他用户的目标产品购买数据;根据购买时间点,生成对应的购买时间序列;根据产品类型与第一分析模型的映射关系,将目标用户的购买时间序列输入到第一分析模型生成第一购买预测值;将其他用户的购买时间序列均值处理后输入第一分析模型生成第二购买预测值;根据产品类型与第二分析模型的映射关系,将目标产品的第一购买预测值、第二购买预测值及除目标产品类型外的其它产品类型的第一购买预测值输入对应的第二分析模型生成目标产品的最终购买预测值,从而提高用户购买倾向预测的准确性。
Description
技术领域
本发明涉及产品购买预测领域,尤其涉及一种产品购买预测方法、服务器及计算机可读存储介质。
背景技术
在金融业务中,需要提前预测用户对小额保险、股票、基金等金融产品的购买倾向,有利于金融产品营销方提前做好营销和服务。
现有的倾向性分析预测方法通常是利用横截面数据对用户购买倾向进行分析,该方法只能一次性的预测出用户的购买倾向,无法预测用户的连续购买倾向和用户具体购买时的点倾向。
发明内容
鉴于以上内容,本发明提供一种产品购买预测方法、服务器及计算机可读存储介质,其主要目的在于预测用户的连续购买倾向,提高金融产品购买预测的准确性。
为实现上述目的,本发明提供一种产品购买预测方法,该方法包括:
接收步骤:接收带有目标用户身份标识信息和目标产品类型的分析请求;
提取步骤:从多个预先确定的业务服务器中分别提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据;
生成步骤:根据提取出的购买数据的购买时间点,生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数,Y代表间隔相同天数的连续购买行为的发生次数;
第一预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该目标用户购买的各种产品对应的第一分析模型,将各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值;
均值处理步骤:将所述预设数量用户的目标产品的购买时间序列进行均值处理,生成所述预设数量用户的该目标产品对应的平均购买时间序列;
第二预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该预设数量用户购买的该目标产品对应的第一分析模型,将所述平均购买时间序列输入到对应的第一分析模型中,生成该目标产品的第二购买预测值;
最终预测步骤:根据产品类型与预先训练的第二分析模型的映射关系,确定该目标用户购买的该目标产品对应的第二分析模型,将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中,生成该目标产品的最终购买预测值。
优选地,所述第一分析模型为长短期记忆网络模型,针对一种产品对应的第一分析模型包括以下训练步骤:
S11、从多个预先确定的业务服务器中提取出预设数量用户对应的某种产品类型的购买数据,根据该购买数据中对应的购买时间点,分别为各个用户生成该种产品对应的购买时间序列;
S12、将该种产品对应的购买时间序列分成第一比例的训练集和第二比例的验证集,其中,第一比例大于第二比例;
S13、利用训练集中的购买时间序列对所述第一分析模型进行训练,并在训练完后利用验证集中的购买时间序列对所述第一分析模型的准确率进行验证;
S14、若准确率大于预设阈值,则训练完成,若准确率小于或等于预设阈值,则通过增加S11中用户的数量,增加购买时间序列的数量,之后执行步骤S12。
优选地,所述均值处理步骤还包括:
将预设数量用户购买的该目标产品的购买时间序列中连续购买行为的发生次数取平均值,得到所有用户针对该目标产品的各种预设时间间隔的连续购买行为的平均发生次数,该目标产品的各种预设时间间隔及其对应的连续购买行为的平均发生次数构成该目标产品对应的平均购买时间序列。
优选地,所述第二分析模型为格兰杰模型,针对一种产品对应的第二分析模型包括以下训练步骤:
S21、从多个预先确定的业务服务器中提取出预设数量用户对应的各种产品类型的购买数据,根据该购买数据中对应的购买时间点,分别为各个用户生成各种产品对应的购买时间序列;
S22、从所述预设数量用户中逐一进行用户选择直到所有用户选择完毕,在选择一个用户后,根据产品类型与预先训练的第一分析模型的映射关系,确定该用户购买的各种产品对应的第一分析模型,将该用户购买的各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值,分别将所述预设数量用户的每一种产品的购买时间序列进行均值处理,生成所述预设数量用户的各种产品对应的平均购买时间序列,并将各种产品对应的平均购买时间序列输入到对应的第一分析模型中,生成各种产品对应的第二购买预测值,将所述选择的用户针对每一种产品第一购买预测值、除该种产品外的其它产品类型对应的第一购买预测值和该种产品对应的第二购买预测值作为该用户该种产品的样本数据;
S23、将样本数据分成第一比例的训练集和第二比例的验证集,其中,第一比例大于第二比例;
S24、利用训练集中各个样本数据对所述第二分析模型进行训练,并在训练完成后利用验证集中各个样本数据对训练的所述第二分析模型的准确率进行验证;
S25、若准确率大于预设阈值,则训练完成,若准确率小于或等于预设阈值,则通过增加S21中用户的数量,增加样本数据的数量,之后执行步骤S22。
可选地,本发明还提供另一种产品购买预测方法,该方法包括:
接收步骤:实时从多个预先确定的业务服务器中接收所有用户对应的各种产品类型的购买数据;
提取步骤:收到带有目标用户身份标识信息和目标产品类型的分析请求后,提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据;
生成步骤:根据提取出的购买数据的购买时间点,生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数,Y代表间隔相同天数的连续购买行为的发生次数;
第一预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该目标用户购买的各种产品对应的第一分析模型,将各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值;
均值处理步骤:将所述预设数量用户的目标产品的购买时间序列进行均值处理,生成所述预设数量用户的该目标产品对应的平均购买时间序列;
第二预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该预设数量用户购买的该目标产品对应的第一分析模型,将所述平均购买时间序列输入到对应的第一分析模型中,生成该目标产品的第二购买预测值;
最终预测步骤:根据产品类型与预先训练的第二分析模型的映射关系,确定该目标用户购买的该目标产品对应的第二分析模型,将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中,生成该目标产品的最终购买预测值。
此外,本发明还提供一种服务器,该服务器包括:存储器、处理器及显示器,所述存储器上存储产品购买预测程序,所述产品购买预测程序被所述处理器执行,可实现如下步骤:
接收步骤:接收带有目标用户身份标识信息和目标产品类型的分析请求;
提取步骤:从多个预先确定的业务服务器中分别提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据;
生成步骤:根据提取出的购买数据的购买时间点,生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数,Y代表间隔相同天数的连续购买行为的发生次数;
第一预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该目标用户购买的各种产品对应的第一分析模型,将各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值;
均值处理步骤:将所述预设数量用户的目标产品的购买时间序列进行均值处理,生成所述预设数量用户的该目标产品对应的平均购买时间序列;
第二预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该预设数量用户购买的该目标产品对应的第一分析模型,将所述平均购买时间序列输入到对应的第一分析模型中,生成该目标产品的第二购买预测值;
最终预测步骤:根据产品类型与预先训练的第二分析模型的映射关系,确定该目标用户购买的该目标产品对应的第二分析模型,将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中,生成该目标产品的最终购买预测值。
优选地,所述第一分析模型为长短期记忆网络模型,针对一种产品对应的第一分析模型包括以下训练步骤:
S11、从多个预先确定的业务服务器中提取出预设数量用户对应的某种产品类型的购买数据,根据该购买数据中对应的购买时间点,分别为各个用户生成该种产品对应的购买时间序列;
S12、将该种产品对应的购买时间序列分成第一比例的训练集和第二比例的验证集,其中,第一比例大于第二比例;
S13、利用训练集中的购买时间序列对所述第一分析模型进行训练,并在训练完后利用验证集中的购买时间序列对所述第一分析模型的准确率进行验证;
S14、若准确率大于预设阈值,则训练完成,若准确率小于或等于预设阈值,则通过增加S11中用户的数量,增加购买时间序列的数量,之后执行步骤S12。
优选地,所述第二分析模型为格兰杰模型,针对一种产品对应的第二分析模型包括以下训练步骤:
S21、从多个预先确定的业务服务器中提取出预设数量用户对应的各种产品类型的购买数据,根据该购买数据中对应的购买时间点,分别为各个用户生成各种产品对应的购买时间序列;
S22、从所述预设数量用户中逐一进行用户选择直到所有用户选择完毕,在选择一个用户后,根据产品类型与预先训练的第一分析模型的映射关系,确定该用户购买的各种产品对应的第一分析模型,将该用户购买的各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值,分别将所述预设数量用户的每一种产品的购买时间序列进行均值处理,生成所述预设数量用户的各种产品对应的平均购买时间序列,并将各种产品对应的平均购买时间序列输入到对应的第一分析模型中,生成各种产品对应的第二购买预测值,将所述选择的用户针对每一种产品第一购买预测值、除该种产品外的其它产品类型对应的第一购买预测值和该种产品对应的第二购买预测值作为该用户该种产品的样本数据;
S23、将样本数据分成第一比例的训练集和第二比例的验证集,其中,第一比例大于第二比例;
S24、利用训练集中各个样本数据对所述第二分析模型进行训练,并在训练完成后利用验证集中各个样本数据对训练的所述第二分析模型的准确率进行验证;
S25、若准确率大于预设阈值,则训练完成,若准确率小于或等于预设阈值,则通过增加S21中用户的数量,增加样本数据的数量,之后执行步骤S22。
可选地,本发明还提供另一种服务器,该服务器包括:存储器、处理器及显示器,所述存储器上存储产品购买预测程序,所述产品购买预测程序被所述处理器执行,可实现如下步骤:
接收步骤:实时从多个预先确定的业务服务器中接收所有用户对应的各种产品类型的购买数据;
提取步骤:收到带有目标用户身份标识信息和目标产品类型的分析请求后,提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据;
生成步骤:根据提取出的购买数据的购买时间点,生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数,Y代表间隔相同天数的连续购买行为的发生次数;
第一预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该目标用户购买的各种产品对应的第一分析模型,将各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值;
均值处理步骤:将所述预设数量用户的目标产品的购买时间序列进行均值处理,生成所述预设数量用户的该目标产品对应的平均购买时间序列;
第二预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该预设数量用户购买的该目标产品对应的第一分析模型,将所述平均购买时间序列输入到对应的第一分析模型中,生成该目标产品的第二购买预测值;
最终预测步骤:根据产品类型与预先训练的第二分析模型的映射关系,确定该目标用户购买的该目标产品对应的第二分析模型,将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中,生成该目标产品的最终购买预测值。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中包括产品购买预测程序,所述产品购买预测程序被处理器执行时,可实现如上所述产品购买预测方法中的任意步骤。
本发明提出的产品购买预测方法、服务器及计算机可读存储介质,通过接收带有目标用户身份标识信息和目标产品种类的分析请求,从多个业务服务器中分别提取出目标用户的各种产品购买数据和预设数量的其他用户的目标产品购买数据,并提取出购买时间点生成购买时间序列,然后将目标用户的购买时间序列输入到对应的第一分析模型,生成第一购买预测值,将其他用户的购买时间序列输入到对应的第一分析模型,生成第二购买预测值,最后将第一购买预测值与第二购买预测值输入第二分析模型,生成目标产品的最终购买预测值,使得本发明能够预测目标用户的连续购买倾向,提高预测精度。
附图说明
图1为本发明服务器较佳实施例的示意图;
图2为图1中产品购买预测程序较佳实施例的模块示意图;
图3为本发明产品购买预测方法第一实施例的流程图;
图4为本发明产品购买预测方法第二实施例的流程图;
图5为本发明第一分析模型训练的流程图;
图6为本发明第二分析模型训练的流程图;
图7为本发明产品购买数据示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,是本发明服务器1较佳实施例的示意图。
在本实施例中,服务器1可以是服务器、智能手机、平板电脑、个人电脑、便携计算机以及其它具有运算功能的电子设备。
该服务器1包括:存储器11、处理器12、显示器13、网络接口14及通信总线15。其中,网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口)。通信总线15用于实现这些组件之间的连接通信。
存储器11至少包括一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器等的非易失性存储介质。在一些实施例中,所述存储器11可以是所述服务器1的内部存储单元,例如该服务器1的硬盘。在另一些实施例中,所述存储器11也可以是所述服务器1的外部存储单元,例如所述服务器1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
在本实施例中,所述存储器11不仅可以用于存储安装于所述服务器1的应用软件及各类数据,例如产品购买预测程序10、带有目标用户身份标识信息和目标产品类型的分析请求等。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其它数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行产品购买预测程序10的计算机程序代码、第一分析模型和第二分析模型的训练等。
显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-EmittingDiode,OLED)触摸器等。显示器13用于显示在服务器1中处理的信息以及用于显示可视化的工作界面,例如显示目标产品在下一次购买的最终购买预测值。
图1仅示出了具有组件11-15以及产品购买预测程序10的服务器1,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
可选地,该服务器1还可以包括用户接口,用户接口可以包括输入单元比如键盘(Keyboard)、语音输出装置比如音响、耳机等,可选地用户接口还可以包括标准的有线接口、无线接口。
该服务器1还可以包括射频(Radio Frequency,RF)电路、传感器和音频电路等等,在此不再赘述。
在图1所示的服务器1实施例中,作为一种计算机存储介质的存储器11中存储产品购买预测程序10的程序代码,处理器12执行产品购买预测程序10的程序代码时,实现如下步骤:
接收步骤:接收带有目标用户身份标识信息和目标产品类型的分析请求;
提取步骤:从多个预先确定的业务服务器中分别提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据;
生成步骤:根据提取出的购买数据的购买时间点,生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数,Y代表间隔相同天数的连续购买行为的发生次数;
第一预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该目标用户购买的各种产品对应的第一分析模型,将各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值;
均值处理步骤:将所述预设数量用户的目标产品的购买时间序列进行均值处理,生成所述预设数量用户的该目标产品对应的平均购买时间序列;
第二预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该预设数量用户购买的该目标产品对应的第一分析模型,将所述平均购买时间序列输入到对应的第一分析模型中,生成该目标产品的第二购买预测值;
最终预测步骤:根据产品类型与预先训练的第二分析模型的映射关系,确定该目标用户购买的该目标产品对应的第二分析模型,将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中,生成该目标产品的最终购买预测值。
但应理解的是,服务器1还可以用以实现另一个方法步骤,在此不再赘述。具体原理请参照下述图2关于产品购买预测程序10较佳实施例的模块示意图、图3关于产品购买预测方法第一实施例的流程图及图4关于产品购买预测方法第二实施例的流程图的介绍。
如图2所示,是图1中产品购买预测程序10较佳实施例的模块示意图。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。
在本实施例中,产品购买预测程序10包括:接收模块110、提取模块120、生成模块130、第一预测模块140、均值处理模块150、第二预测模块160、最终预测模块170,所述模块110-170所实现的功能或操作步骤均与上文类似,此处不再详述,示例性地,例如其中:
接收模块110,用于接收带有目标用户身份标识信息和目标产品类型的分析请求或实时从多个预先确定的业务服务器中接收所有用户对应的各种产品类型的购买数据。其中,所述目标用户身份标识信息是指标示识别目标用户身份的信息,如用户姓名和身份证号码等。所述产品类型包括:股票、基金、理财、保险等产品。
提取模块120,用于从多个预先确定的业务服务器中分别提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据。其中,所述业务服务器包括:银行服务器、股票服务器、保险服务器等。所述购买数据是指用户身份标识信息及对应的产品的购买时间点。
生成模块130,根据提取出的购买数据的购买时间点,生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数,若X为0则代表非连续购买行为,Y代表间隔相同天数的连续购买行为的发生次数。
第一预测模块140,用于根据产品类型与预先训练的第一分析模型的映射关系,确定该目标用户购买的各种产品对应的第一分析模型,将各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值。其中,每一种产品类型对应一种第一分析模型,所述第一分析模型是预先构建并训练好的。所述第一分析模型为长短期记忆网络(Long Short-Term Memory,LSTM)模型,针对一种产品对应的第一分析模型的训练过程如下:
S11、从多个预先确定的业务服务器中提取出预设数量用户对应的某种产品类型的购买数据,根据该购买数据中对应的购买时间点,分别为各个用户生成该种产品对应的购买时间序列;
S12、将该种产品对应的购买时间序列分成第一比例的训练集和第二比例的验证集,其中,第一比例大于第二比例;
S13、利用训练集中的购买时间序列对所述第一分析模型进行训练,并在训练完后利用验证集中的购买时间序列对所述第一分析模型的准确率进行验证;
S14、若准确率大于预设阈值,则训练完成,若准确率小于或等于预设阈值,则通过增加S11中用户的数量,增加购买时间序列的数量,之后执行步骤S12。
均值处理模块150,用于将所述预设数量用户的目标产品的购买时间序列进行均值处理,生成所述预设数量用户的该目标产品对应的平均购买时间序列。其中,所述均值处理的步骤如下:
将预设数量用户购买的目标产品的购买时间序列中连续购买行为的发生次数取平均值,得到所有用户针对该目标产品的各种预设时间间隔的连续购买行为的平均发生次数,该目标产品的各种预设时间间隔及其对应的连续购买行为的平均发生次数构成目标产品对应的平均购买时间序列。
第二预测模块160,用于根据产品类型与预先训练的第一分析模型的映射关系,确定该预设数量用户购买的该目标产品对应的第一分析模型,将所述平均购买时间序列输入到对应的第一分析模型中,生成该目标产品的第二购买预测值。
最终预测模块170,用于根据产品类型与预先训练的第二分析模型的映射关系,确定该目标用户购买的该目标产品对应的第二分析模型,将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中,生成该目标产品的最终购买预测值。其中,所述第二分析模型是预先构建并训练好的。所述第一分析模型为格兰杰模型(Granger模型),针对一种产品对应的第二分析模型的训练过程如下:
S21、从多个预先确定的业务服务器中提取出预设数量用户对应的各种产品类型的购买数据,根据该购买数据中对应的购买时间点,分别为各个用户生成各种产品对应的购买时间序列;
S22、从所述预设数量用户中逐一进行用户选择直到所有用户选择完毕,在选择一个用户后,根据产品类型与预先训练的第一分析模型的映射关系,确定该用户购买的各种产品对应的第一分析模型,将该用户购买的各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值,分别将所述预设数量用户的每一种产品的购买时间序列进行均值处理,生成所述预设数量用户的各种产品对应的平均购买时间序列,并将各种产品对应的平均购买时间序列输入到对应的第一分析模型中,生成各种产品对应的第二购买预测值,将所述选择的用户针对每一种产品第一购买预测值、除该种产品外的其它产品类型对应的第一购买预测值和该种产品对应的第二购买预测值作为该用户该种产品的样本数据;
S23、将样本数据分成第一比例的训练集和第二比例的验证集,其中,第一比例大于第二比例;
S24、利用训练集中各个样本数据对所述第二分析模型进行训练,并在训练完成后利用验证集中各个样本数据对训练的所述第二分析模型的准确率进行验证;
S25、若准确率大于预设阈值,则训练完成,若准确率小于或等于预设阈值,则通过增加S21中用户的数量,增加样本数据的数量,之后执行步骤S22。
如图3所示,是本发明产品购买预测方法第一实施例的流程图。
在本实施例中,处理器12执行存储器11中存储的产品购买预测程序10的计算机程序时实现产品购买预测方法包括:步骤S10-步骤S70:
步骤S10,接收模块110接收带有目标用户身份标识信息和目标产品类型的分析请求。其中,所述目标用户身份标识信息是指标示识别目标用户身份的信息,如用户姓名和身份证号码等。所述产品类型包括:股票、基金、理财、保险等产品。所述目标产品类型可以指一种或多种产品类型,但应理解地是,下述的方法步骤仅针对目标用户购买的其中一种类型产品预测出该用户的购买倾向。
步骤S20,根据接收到的请求,提取模块120从多个预先确定的业务服务器中分别提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关目标产品类型的购买数据。其中,所述业务服务器包括:银行服务器、股票服务器、保险服务器等。所述购买数据是指用户身份标识信息及对应的产品的购买时间点。但应理解地是,一个用户不止购买一种产品,因此,所述各种产品类型的购买数据是指该目标用户所购买的所有产品类型的购买数据。如图7所示,是本发明产品购买数据示意图。假设,用户1为目标用户,用户1曾在银行服务器购买的基金产品为目标产品,则购买时间点12为目标产品类型的购买数据。银行服务器记录该用户1的身份标识信息及基金购买的各个时间点。同一个业务服务器可以出售不同类型的产品,例如,用户1可以在银行服务器购买基金产品,也可以在银行服务器购买理财产品。所述预设数量用户可以是所有购买产品的用户,也可以是预设数量随机抽取的用户。
步骤S30,根据提取出的各种产品购买数据中各种产品对应的购买时间点,生成模块130生成各种产品对应的购买时间序列(X,Y)。例如,目标用户的基金产品购买数据对应的购买时间点为:2017.1.1,2017.1.5,2017.1.9,2017.2.8,2017.2.15,2017.2.18,2017.2.21,2017.2.24,则可以生成该用户的基金产品的购买时间序列(4,3)、(0,1)、(3,4),其中,(4,3)中的数字4代表间隔4天的连续购买行为的间隔天数,数字3代表间隔相同天数的连续购买行为的购买次数,(0,1)中的数字0代表非连续购买行为,数字1代表非连续购买行为的购买次数。
步骤S40,根据产品类型与预先训练的第一分析模型的映射关系,确定该目标用户购买的各种产品对应的第一分析模型,第一预测模块140将各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值。其中,每一种产品类型对应一种第一分析模型,所述第一分析模型是预先构建并训练好的。所述第一分析模型为LSTM模型,如图5所示,是本发明第一分析模型训练的流程图,针对一种产品对应的第一分析模型的训练过程如下:
S11、从多个预先确定的业务服务器中提取出预设数量用户对应的某种产品类型的购买数据,根据该购买数据中对应的购买时间点,分别为各个用户生成该种产品对应的购买时间序列。例如,从银行服务器中随机选取10万个用户,提取出各个用户的基金产品购买数据,并根据对应的购买时间点生成各个用户的基金产品的购买时间序列。
S12、将该种产品对应的购买时间序列分成第一比例的训练集和第二比例的验证集,其中,第一比例大于第二比例。例如,将80%用户的基金产品的购买时间序列作为训练集,将剩余20%用户的基金产品的购买时间序列作为验证集。
S13、利用训练集中的购买时间序列对所述第一分析模型进行训练,并在训练完后利用验证集中的购买时间序列对所述第一分析模型的准确率进行验证。例如,将训练集中8万个用户的基金产品的购买时间序列输入到模型中训练,生成第一分析模型,并将验证集中2万个用户的基金产品的购买时间序列输入到生成的第一分析模型中进行准确率验证。
S14、若准确率大于预设阈值,则训练完成,若准确率小于或等于预设阈值,则通过增加S11中用户的数量,增加购买时间序列的数量,之后执行步骤S12。例如,若验证准确率大于96%,则训练完成,若准确率小于96%,则增加2万个用户的购买时间序列,之后执行步骤S12。
步骤S50,均值处理模块150将预设数量用户的目标产品的购买时间序列进行均值处理,生成预设数量用户的该目标产品对应的平均购买时间序列。例如,将1万个用户的基金产品的购买时间序列进行均值处理,生成基金产品对应的平均购买时间序列。其中,所述均值处理的步骤如下:
将预设数量用户购买的该目标产品的购买时间序列中连续购买行为的发生次数取平均值,得到所有用户针对该目标产品的各种预设时间间隔的连续购买行为的平均发生次数,该目标产品的各种预设时间间隔及其对应的连续购买行为的平均发生次数构成该目标产品对应的平均购买时间序列。例如,将1万个用户的基金产品的购买时间序列以列表的形式排列,如表1所示,其中间隔0代表非连续购买行为,间隔1代表购买时间间隔为1天,间隔N代表购买时间间隔为N天。
表1
用户ID | 产品类型 | 间隔0 | 间隔1 | 间隔2 | …… | 间隔N |
ID00001 | 基金 | 7 | 10 | 4 | …… | 3 |
ID00002 | 基金 | 4 | 5 | 6 | …… | 2 |
…… | …… | …… | …… | …… | …… | …… |
ID10000 | 基金 | 3 | 5 | 4 | …… | 0 |
均值处理模块150将该产品的各种预设时间间隔的列中的数据取平均值,将平均值四舍五入再取整数,得到所有用户针对该产品的各种预设时间间隔的平均连续购买次数,该产品的各种预设时间间隔及其对应的平均连续购买次数构成对应产品的一个平均购买时间序列。例如,将间隔0的购买次数取平均值:(7+4+……+3)/10000,假设,得到平均购买次数为5,则生成的基金产品的一个平均购买时间序列为(0,5)。
步骤S60,根据产品类型与预先训练的第一分析模型的映射关系,第二预测模块160将该目标产品对应的平均购买时间序列输入到对应的第一分析模型中,生成该目标产品对应的第二购买预测值。例如,将1万用户的基金产品对应的平均购买时间序列输入到基金产品对应的第一分析模型中,生成基金产品的第二购买预测值。
步骤S70,根据产品类型与预先训练的第二分析模型的映射关系,确定该目标用户购买的该目标产品对应的第二分析模型,最终预测模块170将目标产品对应的第一购买预测值、除目标产品类型外的其它类型产品对应的第一购买预测值及该目标产品对应的第二购买预测值输入对应的第二分析模型中,生成该目标产品对应的最终购买预测值。例如,将目标用户的基金产品的第一购买预测值、除基金产品外目标用户的其它类型产品的第一购买预测值及基金产品的第二购买预测值输入到基金产品的第二分析模型,得到基金产品的最终购买预测值。其中,所述第二分析模型是预先构建并训练好的。所述第一分析模型为Granger模型,如图6所示,是本发明第二分析模型训练的流程图,针对一种产品对应的第二分析模型的训练过程如下:
S21、从多个预先确定的业务服务器中提取出预设数量用户对应的各种产品类型的购买数据,根据各种产品购买数据中对应的购买时间点,分别为各个用户生成各种产品对应的购买时间序列。例如,从银行服务器、股票服务器、保险服务器等多个业务服务器中提取10万用户对应的各种产品购买数据,根据购买数据中的购买时间点,生成各种产品对应的购买时间序列。
S22、从所述预设数量用户中逐一进行用户选择直到所有用户选择完毕,在选择一个用户后,根据产品类型与预先训练的第一分析模型的映射关系,确定该用户购买的各种产品对应的第一分析模型,将该用户购买的各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值。所述逐一进行用户选择是指逐一选择每一个用户作为目标用户,并算出该用户的第一购买预测值,直到选择完所有预设数量的用户,算出所有的用户的第一购买预测值。分别将所述预设数量用户的每一种产品的购买时间序列进行均值处理,生成各种产品对应的平均购买时间序列,并将各种产品对应的平均购买时间序列输入到对应的第一分析模型中,生成各种产品对应的第二购买预测值。例如,将10万用户的每一种产品的购买时间序列进行均值处理,生成每种产品对应的平均购买时间序列,并输入到第一分析模型得到各种产品的第二购买预测值。将所述选择的用户针对每一种产品第一购买预测值、除该种产品外的其它类型产品对应的第一购买预测值和该种产品类型的产品对应的第二购买预测值作为该用户该种产品的样本数据。
S23、将样本数据分成第一比例的训练集和第二比例的验证集,其中,第一比例大于第二比例。例如,随机将80%的样本数据作为训练集,将剩余20%的样本数据作为验证集。
S24、利用训练集中各个样本数据对所述第二分析模型进行训练,并在训练完成后利用验证集中各个样本数据对训练的所述第二分析模型的准确率进行验证。例如,将训练集中8万个用户的样本数据输入到模型中训练,生成第二分析模型,并将验证集中2万个用户的样本数据输入到生成的第一分析模型中进行准确率验证。
S25、若准确率大于预设阈值,则训练完成,若准确率小于或等于预设阈值,则通过增加用户的数量,增加样本数据的数量,之后执行步骤S22。例如,若验证准确率大于98%,则训练完成,若准确率小于98%,则增加2万个用户的购买时间序列,之后执行步骤S22。
上述实施例提出的产品购买预测方法,根据用户购买产品的时间序列,利用第一分析模型分别算出该目标用户的第一购买预测值及该目标产品的第二购买预测值,最后将该目标用户的目标产品的第一购买预测值、目标用户除该目标产品外其它产品的第一购买预测值及该目标产品的第二购买预测值输入第二分析模型,得到目标用户的该目标产品的最终购买预测值,从而准确的预测出用户的连续购买倾向,提前做好营销服务工作。
如图4所示,是本发明产品购买预测方法第二实施例的流程图。
在本实施例中,产品购买预测方法包括:步骤S100-步骤S700。其中步骤S300-步骤S700与第一实施例中的内容大致相同,这里不再赘述。
步骤S100,接收模块110实时从多个预先确定的业务服务器中接收所有用户对应的各种产品购买数据。例如,每当有用户在银行服务器、股票服务器或保险服务器进行产品购买时,接收模块110将自动从银行服务器、股票服务器或保险服务器接收该用户购买某产品的数据。
步骤S200,收到带有目标用户身份标识信息和目标产品类型的分析请求后,提取模块120提取出与该目标用户身份标识信息对应的各种产品购买数据及预设数量用户有关该目标产品购买数据。例如,当接收到目标用户身份标识信息和理财产品的分析请求后,提取模块120提取出与用户身份标识信息对应的各种产品购买数据及1万用户的理财产品购买数据。
本实施例提出的产品购买预测方法,通过实时接收用户的产品购买数据,当接收到分析请求时,根据请求信息提取目标用户及其他用户的产品购买数据并生成购买时间序列,根据购买时间序列,利用第一分析模型分别算出目标用户的第一购买预测值及目标产品的第二购买预测值,最后将目标用户的该目标产品的第一购买预测值、目标用户除该目标产品外其它产品的第一购买预测值及该目标产品的第二购买预测值输入第二分析模型,得到目标用户的该目标产品的最终购买预测值,与第一实施例相比,本实施例在接收到请求后无需再从业务服务器中提取用户的购买数据,缩短分析预测时间,提高工作效率。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质中包括产品购买预测程序10,所述产品购买预测程序10被处理器执行时实现如下操作:
接收步骤:接收带有目标用户身份标识信息和目标产品类型的分析请求;
提取步骤:从多个预先确定的业务服务器中分别提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据;
生成步骤:根据提取出的购买数据的购买时间点,生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数,Y代表间隔相同天数的连续购买行为的发生次数;
第一预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该目标用户购买的各种产品对应的第一分析模型,将各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值;
均值处理步骤:将所述预设数量用户的目标产品的购买时间序列进行均值处理,生成所述预设数量用户的该目标产品对应的平均购买时间序列;
第二预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该预设数量用户购买的该目标产品对应的第一分析模型,将所述平均购买时间序列输入到对应的第一分析模型中,生成该目标产品的第二购买预测值;
最终预测步骤:根据产品类型与预先训练的第二分析模型的映射关系,确定该目标用户购买的该目标产品对应的第二分析模型,将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中,生成该目标产品的最终购买预测值。
优选地,所述第一分析模型为长短期记忆网络模型,针对一种产品对应的第一分析模型包括以下训练步骤:
S11、从多个预先确定的业务服务器中提取出预设数量用户对应的某种产品类型的购买数据,根据该购买数据中对应的购买时间点,分别为各个用户生成该种产品对应的购买时间序列;
S12、将该种产品对应的购买时间序列分成第一比例的训练集和第二比例的验证集,其中,第一比例大于第二比例;
S13、利用训练集中的购买时间序列对所述第一分析模型进行训练,并在训练完后利用验证集中的购买时间序列对所述第一分析模型的准确率进行验证;
S14、若准确率大于预设阈值,则训练完成,若准确率小于或等于预设阈值,则通过增加S11中用户的数量,增加购买时间序列的数量,之后执行步骤S12。
优选地,所述均值处理步骤还包括:
将预设数量用户购买的该目标产品的购买时间序列中连续购买行为的发生次数取平均值,得到所有用户针对该目标产品的各种预设时间间隔的连续购买行为的平均发生次数,该目标产品的各种预设时间间隔及其对应的连续购买行为的平均发生次数构成该目标产品对应的平均购买时间序列。
优选地,所述第二分析模型为格兰杰模型,针对一种产品对应的第二分析模型包括以下训练步骤:
S21、从多个预先确定的业务服务器中提取出预设数量用户对应的各种产品类型的购买数据,根据该购买数据中对应的购买时间点,分别为各个用户生成各种产品对应的购买时间序列;
S22、从所述预设数量用户中逐一进行用户选择直到所有用户选择完毕,在选择一个用户后,根据产品类型与预先训练的第一分析模型的映射关系,确定该用户购买的各种产品对应的第一分析模型,将该用户购买的各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值,分别将所述预设数量用户的每一种产品的购买时间序列进行均值处理,生成所述预设数量用户的各种产品对应的平均购买时间序列,并将各种产品对应的平均购买时间序列输入到对应的第一分析模型中,生成各种产品对应的第二购买预测值,将所述选择的用户针对每一种产品第一购买预测值、除该种产品外的其它产品类型对应的第一购买预测值和该种产品对应的第二购买预测值作为该用户该种产品的样本数据;
S23、将样本数据分成第一比例的训练集和第二比例的验证集,其中,第一比例大于第二比例;
S24、利用训练集中各个样本数据对所述第二分析模型进行训练,并在训练完成后利用验证集中各个样本数据对训练的所述第二分析模型的准确率进行验证;
S25、若准确率大于预设阈值,则训练完成,若准确率小于或等于预设阈值,则通过增加S21中用户的数量,增加样本数据的数量,之后执行步骤S22。
可选地,本发明还提供另一种产品购买预测方法,该方法包括:
接收步骤:实时从多个预先确定的业务服务器中接收所有用户对应的各种产品类型的购买数据;
提取步骤:收到带有目标用户身份标识信息和目标产品类型的分析请求后,提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据;
生成步骤:根据提取出的购买数据的购买时间点,生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数,Y代表间隔相同天数的连续购买行为的发生次数;
第一预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该目标用户购买的各种产品对应的第一分析模型,将各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值;
均值处理步骤:将所述预设数量用户的目标产品的购买时间序列进行均值处理,生成所述预设数量用户的该目标产品对应的平均购买时间序列;
第二预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该预设数量用户购买的该目标产品对应的第一分析模型,将所述平均购买时间序列输入到对应的第一分析模型中,生成该目标产品的第二购买预测值;
最终预测步骤:根据产品类型与预先训练的第二分析模型的映射关系,确定该目标用户购买的该目标产品对应的第二分析模型,将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中,生成该目标产品的最终购买预测值。
本发明之计算机可读存储介质的具体实施方式与上述产品购买预测方法的具体实施方式大致相同,在此不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种产品购买预测方法,应用于服务器,其特征在于,所述方法包括:
接收步骤:接收带有目标用户身份标识信息和目标产品类型的分析请求;
提取步骤:从多个预先确定的业务服务器中分别提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据;
生成步骤:根据提取出的购买数据的购买时间点,生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数,Y代表间隔相同天数的连续购买行为的发生次数;
第一预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该目标用户购买的各种产品对应的第一分析模型,将各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值;
均值处理步骤:将所述预设数量用户的目标产品的购买时间序列进行均值处理,生成所述预设数量用户的该目标产品对应的平均购买时间序列;
第二预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该预设数量用户购买的该目标产品对应的第一分析模型,将所述平均购买时间序列输入到对应的第一分析模型中,生成该目标产品的第二购买预测值;
最终预测步骤:根据产品类型与预先训练的第二分析模型的映射关系,确定该目标用户购买的该目标产品对应的第二分析模型,将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中,生成该目标产品的最终购买预测值。
2.根据权利要求1所述的产品购买预测方法,其特征在于,所述第一分析模型为长短期记忆网络模型,针对一种产品对应的第一分析模型包括以下训练步骤:
S11、从多个预先确定的业务服务器中提取出预设数量用户对应的某种产品类型的购买数据,根据该购买数据中对应的购买时间点,分别为各个用户生成该种产品对应的购买时间序列;
S12、将该种产品对应的购买时间序列分成第一比例的训练集和第二比例的验证集,其中,第一比例大于第二比例;
S13、利用训练集中的购买时间序列对所述第一分析模型进行训练,并在训练完后利用验证集中的购买时间序列对所述第一分析模型的准确率进行验证;
S14、若准确率大于预设阈值,则训练完成,若准确率小于或等于预设阈值,则通过增加S11中用户的数量,增加购买时间序列的数量,之后执行步骤S12。
3.根据权利要求1所述的产品购买预测方法,其特征在于,所述均值处理步骤还包括:
将预设数量用户购买的该目标产品的购买时间序列中连续购买行为的发生次数取平均值,得到所有用户针对该目标产品的各种预设时间间隔的连续购买行为的平均发生次数,该目标产品的各种预设时间间隔及其对应的连续购买行为的平均发生次数构成该目标产品对应的平均购买时间序列。
4.根据权利要求1所述的产品购买预测方法,其特征在于,所述第二分析模型为格兰杰模型,针对一种产品对应的第二分析模型包括以下训练步骤:
S21、从多个预先确定的业务服务器中提取出预设数量用户对应的各种产品类型的购买数据,根据该购买数据中对应的购买时间点,分别为各个用户生成各种产品对应的购买时间序列;
S22、从所述预设数量用户中逐一进行用户选择直到所有用户选择完毕,在选择一个用户后,根据产品类型与预先训练的第一分析模型的映射关系,确定该用户购买的各种产品对应的第一分析模型,将该用户购买的各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值,分别将所述预设数量用户的每一种产品的购买时间序列进行均值处理,生成所述预设数量用户的各种产品对应的平均购买时间序列,并将各种产品对应的平均购买时间序列输入到对应的第一分析模型中,生成各种产品对应的第二购买预测值,将所述选择的用户针对每一种产品第一购买预测值、除该种产品外的其它产品类型对应的第一购买预测值和该种产品对应的第二购买预测值作为该用户该种产品的样本数据;
S23、将样本数据分成第一比例的训练集和第二比例的验证集,其中,第一比例大于第二比例;
S24、利用训练集中各个样本数据对所述第二分析模型进行训练,并在训练完成后利用验证集中各个样本数据对训练的所述第二分析模型的准确率进行验证;
S25、若准确率大于预设阈值,则训练完成,若准确率小于或等于预设阈值,则通过增加S21中用户的数量,增加样本数据的数量,之后执行步骤S22。
5.一种产品购买预测方法,其特征在于,所述方法包括:
接收步骤:实时从多个预先确定的业务服务器中接收所有用户对应的各种产品类型的购买数据;
提取步骤:收到带有目标用户身份标识信息和目标产品类型的分析请求后,提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据;
生成步骤:根据提取出的购买数据的购买时间点,生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数,Y代表间隔相同天数的连续购买行为的发生次数;
第一预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该目标用户购买的各种产品对应的第一分析模型,将各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值;
均值处理步骤:将所述预设数量用户的目标产品的购买时间序列进行均值处理,生成所述预设数量用户的该目标产品对应的平均购买时间序列;
第二预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该预设数量用户购买的该目标产品对应的第一分析模型,将所述平均购买时间序列输入到对应的第一分析模型中,生成该目标产品的第二购买预测值;
最终预测步骤:根据产品类型与预先训练的第二分析模型的映射关系,确定该目标用户购买的该目标产品对应的第二分析模型,将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中,生成该目标产品的最终购买预测值。
6.一种服务器,其特征在于,所述服务器包括:存储器、处理器及显示器,所述存储器上存储有产品购买预测程序,所述产品购买预测程序被所述处理器执行,可实现如下步骤:
接收步骤:接收带有目标用户身份标识信息和目标产品类型的分析请求;
提取步骤:从多个预先确定的业务服务器中分别提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据;
生成步骤:根据提取出的购买数据的购买时间点,生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数,Y代表间隔相同天数的连续购买行为的发生次数;
第一预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该目标用户购买的各种产品对应的第一分析模型,将各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值;
均值处理步骤:将所述预设数量用户的目标产品的购买时间序列进行均值处理,生成所述预设数量用户的该目标产品对应的平均购买时间序列;
第二预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该预设数量用户购买的该目标产品对应的第一分析模型,将所述平均购买时间序列输入到对应的第一分析模型中,生成该目标产品的第二购买预测值;
最终预测步骤:根据产品类型与预先训练的第二分析模型的映射关系,确定该目标用户购买的该目标产品对应的第二分析模型,将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中,生成该目标产品的最终购买预测值。
7.根据权利要求6所述的服务器,其特征在于,所述第一分析模型为长短期记忆网络模型,针对一种产品对应的第一分析模型包括以下训练步骤:
S11、从多个预先确定的业务服务器中提取出预设数量用户对应的某种产品类型的购买数据,根据该购买数据中对应的购买时间点,分别为各个用户生成该种产品对应的购买时间序列;
S12、将该种产品对应的购买时间序列分成第一比例的训练集和第二比例的验证集,其中,第一比例大于第二比例;
S13、利用训练集中的购买时间序列对所述第一分析模型进行训练,并在训练完后利用验证集中的购买时间序列对所述第一分析模型的准确率进行验证;
S14、若准确率大于预设阈值,则训练完成,若准确率小于或等于预设阈值,则通过增加S11中用户的数量,增加购买时间序列的数量,之后执行步骤S12。
8.根据权利要求6所述的服务器,其特征在于,所述第二分析模型为格兰杰因果模型,针对一种产品对应的第二分析模型包括以下训练步骤:
S21、从多个预先确定的业务服务器中提取出预设数量用户对应的各种产品类型的购买数据,根据该购买数据中对应的购买时间点,分别为各个用户生成各种产品对应的购买时间序列;
S22、从所述预设数量用户中逐一进行用户选择直到所有用户选择完毕,在选择一个用户后,根据产品类型与预先训练的第一分析模型的映射关系,确定该用户购买的各种产品对应的第一分析模型,将该用户购买的各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值,分别将所述预设数量用户的每一种产品的购买时间序列进行均值处理,生成所述预设数量用户的各种产品对应的平均购买时间序列,并将各种产品对应的平均购买时间序列输入到对应的第一分析模型中,生成各种产品对应的第二购买预测值,将所述选择的用户针对每一种产品第一购买预测值、除该种产品外的其它产品类型对应的第一购买预测值和该种产品对应的第二购买预测值作为该用户该种产品的样本数据;
S23、将样本数据分成第一比例的训练集和第二比例的验证集,其中,第一比例大于第二比例;
S24、利用训练集中各个样本数据对所述第二分析模型进行训练,并在训练完成后利用验证集中各个样本数据对训练的所述第二分析模型的准确率进行验证;
S25、若准确率大于预设阈值,则训练完成,若准确率小于或等于预设阈值,则通过增加S21中用户的数量,增加样本数据的数量,之后执行步骤S22。
9.一种服务器,其特征在于,所述服务器包括:存储器、处理器及显示器,所述存储器上存储有产品购买预测程序,所述产品购买预测程序被所述处理器执行,可实现如下步骤:
接收步骤:实时从多个预先确定的业务服务器中接收所有用户对应的各种产品类型的购买数据;
提取步骤:收到带有目标用户身份标识信息和目标产品类型的分析请求后,提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据;
生成步骤:根据提取出的购买数据的购买时间点,生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数,Y代表间隔相同天数的连续购买行为的发生次数;
第一预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该目标用户购买的各种产品对应的第一分析模型,将各种产品对应的购买时间序列分别输入到对应的第一分析模型中,生成各种产品对应的第一购买预测值;
均值处理步骤:将所述预设数量用户的目标产品的购买时间序列进行均值处理,生成所述预设数量用户的该目标产品对应的平均购买时间序列;
第二预测步骤:根据产品类型与预先训练的第一分析模型的映射关系,确定该预设数量用户购买的该目标产品对应的第一分析模型,将所述平均购买时间序列输入到对应的第一分析模型中,生成该目标产品的第二购买预测值;
最终预测步骤:根据产品类型与预先训练的第二分析模型的映射关系,确定该目标用户购买的该目标产品对应的第二分析模型,将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中,生成该目标产品的最终购买预测值。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括产品购买预测程序,所述统产品购买预测程序被处理器执行时,可实现如权利要求1至5中任一项所述产品购买预测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810226460.4A CN108492138B (zh) | 2018-03-19 | 2018-03-19 | 产品购买预测方法、服务器及存储介质 |
PCT/CN2018/102110 WO2019179030A1 (zh) | 2018-03-19 | 2018-08-24 | 产品购买预测方法、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810226460.4A CN108492138B (zh) | 2018-03-19 | 2018-03-19 | 产品购买预测方法、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108492138A true CN108492138A (zh) | 2018-09-04 |
CN108492138B CN108492138B (zh) | 2020-03-24 |
Family
ID=63318412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810226460.4A Active CN108492138B (zh) | 2018-03-19 | 2018-03-19 | 产品购买预测方法、服务器及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108492138B (zh) |
WO (1) | WO2019179030A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360625A (zh) * | 2018-11-12 | 2019-02-19 | 四川骏逸富顿科技有限公司 | 用于互联网中短期用药咨询业务量的预测系统及预测方法 |
CN110033309A (zh) * | 2019-03-08 | 2019-07-19 | 平安科技(深圳)有限公司 | 基于历史数据预测结果的方法、装置及终端设备 |
CN110610378A (zh) * | 2019-08-14 | 2019-12-24 | 深圳壹账通智能科技有限公司 | 产品需求分析方法、装置、计算机设备和存储介质 |
US10521837B1 (en) * | 2019-01-07 | 2019-12-31 | Capital One Services, Llc | Preemptive transaction analysis |
CN112288163A (zh) * | 2020-10-29 | 2021-01-29 | 平安科技(深圳)有限公司 | 目标对象的目标因子预测方法及相关设备 |
WO2021189922A1 (zh) * | 2020-10-19 | 2021-09-30 | 平安科技(深圳)有限公司 | 用户画像生成方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346894A (zh) * | 2010-08-03 | 2012-02-08 | 阿里巴巴集团控股有限公司 | 推荐信息的输出方法、系统及服务器 |
CN102360386A (zh) * | 2011-10-12 | 2012-02-22 | 朱一超 | 电子商务网站智能导购系统和方法 |
CN103577473A (zh) * | 2012-08-03 | 2014-02-12 | 纽海信息技术(上海)有限公司 | 分类消岐方法、分类消岐装置及其系统 |
CN103729775A (zh) * | 2012-10-16 | 2014-04-16 | 北京千橡网景科技发展有限公司 | 产品信息推荐方法及系统 |
CN105335875A (zh) * | 2015-10-30 | 2016-02-17 | 小米科技有限责任公司 | 购买力预测方法和装置 |
CN105869024A (zh) * | 2016-04-20 | 2016-08-17 | 北京小米移动软件有限公司 | 商品的推荐方法及装置 |
CN107578294A (zh) * | 2017-09-28 | 2018-01-12 | 北京小度信息科技有限公司 | 用户行为预测方法、装置及电子设备 |
CN107688872A (zh) * | 2017-08-20 | 2018-02-13 | 平安科技(深圳)有限公司 | 预测模型建立装置、方法及计算机可读存储介质 |
-
2018
- 2018-03-19 CN CN201810226460.4A patent/CN108492138B/zh active Active
- 2018-08-24 WO PCT/CN2018/102110 patent/WO2019179030A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346894A (zh) * | 2010-08-03 | 2012-02-08 | 阿里巴巴集团控股有限公司 | 推荐信息的输出方法、系统及服务器 |
CN102360386A (zh) * | 2011-10-12 | 2012-02-22 | 朱一超 | 电子商务网站智能导购系统和方法 |
CN103577473A (zh) * | 2012-08-03 | 2014-02-12 | 纽海信息技术(上海)有限公司 | 分类消岐方法、分类消岐装置及其系统 |
CN103729775A (zh) * | 2012-10-16 | 2014-04-16 | 北京千橡网景科技发展有限公司 | 产品信息推荐方法及系统 |
CN105335875A (zh) * | 2015-10-30 | 2016-02-17 | 小米科技有限责任公司 | 购买力预测方法和装置 |
CN105869024A (zh) * | 2016-04-20 | 2016-08-17 | 北京小米移动软件有限公司 | 商品的推荐方法及装置 |
CN107688872A (zh) * | 2017-08-20 | 2018-02-13 | 平安科技(深圳)有限公司 | 预测模型建立装置、方法及计算机可读存储介质 |
CN107578294A (zh) * | 2017-09-28 | 2018-01-12 | 北京小度信息科技有限公司 | 用户行为预测方法、装置及电子设备 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360625A (zh) * | 2018-11-12 | 2019-02-19 | 四川骏逸富顿科技有限公司 | 用于互联网中短期用药咨询业务量的预测系统及预测方法 |
CN109360625B (zh) * | 2018-11-12 | 2021-11-23 | 四川骏逸富顿科技有限公司 | 用于互联网中短期用药咨询业务量的预测系统及预测方法 |
US10521837B1 (en) * | 2019-01-07 | 2019-12-31 | Capital One Services, Llc | Preemptive transaction analysis |
US11341548B2 (en) | 2019-01-07 | 2022-05-24 | Capital One Services, Llc | Preemptive transaction analysis |
US11915282B2 (en) | 2019-01-07 | 2024-02-27 | Capital One Services, Llc | Preemptive transaction analysis |
CN110033309A (zh) * | 2019-03-08 | 2019-07-19 | 平安科技(深圳)有限公司 | 基于历史数据预测结果的方法、装置及终端设备 |
CN110033309B (zh) * | 2019-03-08 | 2022-05-20 | 平安科技(深圳)有限公司 | 基于历史数据预测结果的方法、装置及终端设备 |
CN110610378A (zh) * | 2019-08-14 | 2019-12-24 | 深圳壹账通智能科技有限公司 | 产品需求分析方法、装置、计算机设备和存储介质 |
WO2021189922A1 (zh) * | 2020-10-19 | 2021-09-30 | 平安科技(深圳)有限公司 | 用户画像生成方法、装置、设备及介质 |
CN112288163A (zh) * | 2020-10-29 | 2021-01-29 | 平安科技(深圳)有限公司 | 目标对象的目标因子预测方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2019179030A1 (zh) | 2019-09-26 |
CN108492138B (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492138A (zh) | 产品购买预测方法、服务器及存储介质 | |
EP3332320B1 (en) | Model integration tool | |
CN110113200A (zh) | 链路系统与日志系统的关联方法、装置及存储介质 | |
CN108399565A (zh) | 金融产品推荐装置、方法及计算机可读存储介质 | |
CN107688987A (zh) | 电子装置、保险推荐方法、及计算机可读存储介质 | |
CN105468742A (zh) | 恶意订单识别方法及装置 | |
CN106487907A (zh) | 推广信息的分享方法和系统 | |
CN103841239A (zh) | 终端真伪验证方法及装置 | |
CN103455411B (zh) | 日志分类模型的建立、行为日志分类方法及装置 | |
CN108520196A (zh) | 奢侈品辨别方法、电子装置及存储介质 | |
CN107292560A (zh) | 物资库存管理方法及系统 | |
CN107818491A (zh) | 电子装置、基于用户上网数据的产品推荐方法及存储介质 | |
CN110163739B (zh) | 支付申诉方法、装置、服务器及可读存储介质 | |
CN108876545A (zh) | 订单识别方法、装置和可读存储介质 | |
CN107203883A (zh) | 一种风险控制方法和设备 | |
CN111476296A (zh) | 样本生成方法、分类模型训练方法、识别方法及对应装置 | |
CN108564426A (zh) | 理财产品的竞购方法、装置、设备及计算机可读存储介质 | |
CN107729510B (zh) | 信息交互方法、信息交互终端及存储介质 | |
CN104025086A (zh) | 触发社交页面 | |
CN111475628B (zh) | 会话数据处理方法、装置、计算机设备和存储介质 | |
CN110413926A (zh) | 一种问卷调查方法及装置 | |
CN110516942A (zh) | 资源申请方法、装置、设备及计算机可读存储介质 | |
CN115687050A (zh) | 一种sql语句的性能分析方法及装置 | |
CN108021588B (zh) | 一种面向电子商务的用户首次购数据整合方法及装置 | |
CN114285896A (zh) | 信息推送方法、装置、设备、存储介质及程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |