CN109858970A - 一种用户行为预测方法、装置及存储介质 - Google Patents
一种用户行为预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109858970A CN109858970A CN201910107169.XA CN201910107169A CN109858970A CN 109858970 A CN109858970 A CN 109858970A CN 201910107169 A CN201910107169 A CN 201910107169A CN 109858970 A CN109858970 A CN 109858970A
- Authority
- CN
- China
- Prior art keywords
- user
- attribute
- attributes
- information gain
- target behavior
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000006399 behavior Effects 0.000 claims abstract description 154
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims description 43
- 239000013598 vector Substances 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施方式公开一种用户行为预测方法、装置及存储介质。方法包括：获取目标用户指定属性的属性数据；将指定属性的属性数据输入所述目标行为预测模型，获得目标用户的目标行为预测结果。目标行为预测模型通过以下方式获得：获取样本集的用户数据，用户数据中包括待筛选的用户属性以及用户目标行为历史数据；基于用户属性的信息增益和信息增益比筛出多个用户属性；再确定出每个用户属性下，用户出现目标行为的可能性预估值，进一步地筛出多个用户属性，形成指定属性集合；根据样本集的指定属性对应的用户数据，训练预设的机器学习模型。本申请实施方式可以提高用户行为预测的准确度。
Description
技术领域
本申请涉及计算机数据处理技术领域，特别涉及一种用户行为预测方法、装置及存储介质。
背景技术
随着互联网金融的崛起，金融业的竞争越来越激烈，银行金融机构如果想在竞争中取胜，用户服务能力尤为重要；如果想服务好用户，就必须要对用户行为进行分析和预测，例如用户流失预测，用户违约预测，用户产品偏好分析等，而且对用户行为预测的准确度也提出了更高的要求。预测的准确度高，银行就能更准确地识别用户意图，从而及时进行相关的应对，以提高用户挽留，风险控制，产品营销等应对的成功率，进而极大降低银行的成本。显然，银行金融机构要想在竞争中取胜，建立一个高准确度的用户行为预测模型非常重要。
目前来看，银行机构对用户行为进行预测主要是基于相关数据报表、专家经验或者单一数据挖掘模型，这些方法都很难获得准确的预测结果。因此，如何准确地预测用户行为已成为本领域亟待解决的技术问题。
发明内容
本申请实施例的目的是提供一种用户行为预测方法、装置及存储介质，以提高用户行为的预测精度。
为达到上述目的，本申请实施例提供一种用户行为预测方法，所述方法包括：
获取目标用户的指定属性的属性数据；
将所述指定属性的属性数据输入所述目标行为预测模型，获得所述目标用户的目标行为预测结果；其中，
所述目标行为预测模型预先通过以下方式获得：
获取样本集的用户数据，所述用户数据中包括第一属性集合以及用户目标行为历史数据，所述第一属性集合包括多个待筛选的用户属性；
确定每个用户属性的信息增益和信息增益比；
根据所述信息增益和信息增益比，从所述第一属性集合中筛出多个用户属性，形成第二属性集合；
确定在所述第二属性集合中的每个用户属性下，用户出现目标行为的可能性预估值；
根据所述可能性预估值，从所述第二属性集合中筛出多个用户属性，形成指定属性集合；
根据所述样本集的指定属性对应的用户数据，训练预设的机器学习模型，得到所述目标行为预测模型。
优选的，所述根据所述信息增益和信息增益比，从所述第一属性集合中筛出多个用户属性，形成第二属性集合，包括：
从所述第一属性集合中，将信息增益大于或者等于预设的信息增益阈值，并且信息增益比大于或者等于预设的信息增益比阈值的用户属性筛选出来，形成第二属性集合。
优选的，所述确定在所述第二属性集合中的每个用户属性下，用户出现目标行为的可能性预估值，包括：
利用朴素贝叶斯算法，确定所述第二属性集合中的每个用户属性下，用户出现目标行为的概率值；或者，利用极大似然估计算法，确定所述第二属性集合中的每个用户属性下，用户出现目标行为的频率值。
优选的，根据所述可能性预估值，从所述第二属性集合中筛出多个用户属性，形成指定属性集合，包括：
从所述第二属性集合中，将所述用户出现目标行为的概率值大于或者等于预设的概率阈值的用户属性筛选出来，形成指定属性集合；
或者，从所述第二属性集合中，将所述用户出现目标行为的频率值大于或者等于预设的频率阈值的用户属性筛选出来，形成指定属性集合。
优选的，根据所述训练集的指定属性对应的用户数据，训练预设的机器学习模型，包括：
根据所述训练集的指定属性对应的用户数据，确定所述训练集中每个用户对应的多维特征向量；
将所述多维特征向量输入到预设的机器学习模型中进行训练。
优选的，所述确定所述训练集中每个用户对应的多维特征向量，包括：
根据每个用户的指定属性对应的用户数据构造多维特征向量，其中，所述多维特征向量中的每个元素，与一个所述指定属性相对应；
若用户的指定属性满足预设的条件，则将该指定属性所对应的用户出现目标行为的可能性预估值，作为该用户的多维特征向量中与该指定属性相对应的元素的值；
若用户的指定属性不满足预设的条件，则将该用户的多维特征向量中与该指定属性相对应的元素的值设置为零值。
优选的，所述预设的机器学习模型包括：
梯度提升树模型；或者，随机森林模型。
优选的，在获取所述第一属性集合之前，还包括：
根据XGBOOST模型对所述用户属性进行重要性评分，将大于或者等于预设的评分阈值的用户属性归入到所述第一属性集合中。
另一方面，本申请实施例还提供一种用户行为预测装置，该装置包括：
数据获取模块，用于获取目标用户的指定属性的属性数据；
预测结果获取模块，用于将所述指定属性的属性数据输入所述目标行为预测模型，获得所述目标用户的目标行为预测结果；
其中，构建所述目标行为预测模型包括如下模块：
预测模型提供模块，用于提供目标行为预测模型；
目标用户数据获取模块，用于获取目标用户的指定属性的属性数据；
预测结果获取模块，用于将所述指定属性的属性数据输入所述目标行为预测模型，获得所述目标用户的目标行为预测结果；
其中，所述预测模型提供模块包括：
样本集数据获取子模块，用于获取样本集的用户数据，所述用户数据中包括第一属性集合以及用户目标行为历史数据，所述第一属性集合包括多个待筛选的用户属性；
第一计算子模块，用于确定每个用户属性的信息增益和信息增益比；
第一筛选子模块，用于根据所述信息增益和信息增益比，从所述第一属性集合中筛出多个用户属性，形成第二属性集合；
第二计算子模块，用于确定在所述第二属性集合中的每个用户属性下，用户出现目标行为的可能性预估值；
第二筛选子模块，用于根据所述可能性预估值，从所述第二属性集合中筛出多个用户属性，形成指定属性集合；
模型训练子模块，用于根据所述样本集的指定属性对应的用户数据，训练预设的机器学习模型，得到所述目标行为预测模型。
另一方面，本申请实施例还提供一种用户行为预测装置，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时执行如下步骤：
获取目标用户的指定属性的属性数据；
将所述指定属性的属性数据输入所述目标行为预测模型，获得所述目标用户的目标行为预测结果；其中，
所述目标行为预测模型预先通过以下方式获得：
获取样本集的用户数据，所述用户数据中包括第一属性集合以及用户目标行为历史数据，所述第一属性集合包括多个待筛选的用户属性；
确定每个用户属性的信息增益和信息增益比；
根据所述信息增益和信息增益比，从所述第一属性集合中筛出多个用户属性，形成第二属性集合；
确定在所述第二属性集合中的每个用户属性下，用户出现目标行为的可能性预估值；
根据所述可能性预估值，从所述第二属性集合中筛出多个用户属性，形成指定属性集合；
根据所述样本集的指定属性对应的用户数据，训练预设的机器学习模型，得到所述目标行为预测模型。
本申请实施例还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取目标用户的指定属性的属性数据；
将所述指定属性的属性数据输入所述目标行为预测模型，获得所述目标用户的目标行为预测结果；其中，
所述目标行为预测模型预先通过以下方式获得：
获取样本集的用户数据，所述用户数据中包括第一属性集合以及用户目标行为历史数据，所述第一属性集合包括多个待筛选的用户属性；
确定每个用户属性的信息增益和信息增益比；
根据所述信息增益和信息增益比，从所述第一属性集合中筛出多个用户属性，形成第二属性集合；
确定在所述第二属性集合中的每个用户属性下，用户出现目标行为的可能性预估值；
根据所述可能性预估值，从所述第二属性集合中筛出多个用户属性，形成指定属性集合；
根据所述样本集的指定属性对应的用户数据，训练预设的机器学习模型，得到所述目标行为预测模型。
由上可见，本申请实施例利用信息增益和信息增益比进行用户属性的筛选，相比现有技术只采用信息增益进行筛选，避免了信息增益对取值较多的用户属性的偏好，提高了用户属性筛选的准确度，然后利用朴素贝叶斯算法或者极大似然估计算法进行筛选，得到指定属性，从而去掉了与预测目标行为的相关性较小的用户属性，同时将指定属性的值从离散值变成了连续值，再输入到预设的机器学习模型中，进一步地提高了模型预测结果的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的构建目标行为预测模型的流程图；
图2是本申请实施例提供的用户行为预测方法的流程图；
图3是本申请实施例提供的用户行为预测装置的模块结构示意图；
图4是本申请实施例提供的预测模型提供模块所包含的子模块结构示意图；
图5是本申请实施例提供的用户行为预测装置的组成结构框图。
具体实施方式
本申请实施方式提供一种用户行为预测方法、装置及存储介质。
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都应当属于本申请保护的范围。
为了能够预测目标用户的目标行为，我们需要先构建一个目标行为预测模型。具体的，先利用信息增益和信息增益比进行用户属性的筛选，相比现有技术只采用信息增益进行筛选，避免了信息增益对取值较多的用户属性的偏好，提高了用户属性筛选的准确度，然后利用朴素贝叶斯算法或者极大似然估计算法进行筛选，得到指定属性，从而去掉了与预测目标行为的相关性较小的用户属性，同时将指定属性的值从离散值变成了连续值，再输入到预设的机器学习模型中，进一步地提高了模型预测结果的准确度。下面，先介绍如何构建目标行为预测模型。
参考图1所示，本申请实施方式的建立目标行为预测模型可以包括如下步骤：
S101：获取样本集的用户数据，所述用户数据中包括第一属性集合以及用户目标行为历史数据，所述第一属性集合包括多个待筛选的用户属性。
在一些实施方式中，第一属性集合包括多个待筛选的用户属性，具体的，可以包括用户基本信息、用户资产负债信息以及用户交易信息。其中，用户基本信息可以包括用户的性别、年龄、职业以及学历等；用户资产负债信息可以包括用户的总资产额、持有各产品的分项资产额、月日均资产额以及不良贷款总余额等；用户交易信息可以包括近六个月内总交易笔数、交易频率、分产品交易笔数以及分产品交易金额总值等。
在一些实施方式中，用户目标行为历史数据可以包括用户违约行为总数、用户流失行为总数以及符合各个用户属性的用户违约行为数等。
在一些实施方式中，还可以根据XGBOOST模型对所述用户属性先进行重要性评分，将大于或者等于预设的评分阈值的用户属性归入到所述第一属性集合中。
具体的，将样本集中的用户数据输入到XGBOOST模型中，得到训练好的XGBOOST模型，并计算用户属性的重要性，重要性评分可以通过成员变量feature_importances_得到，还可以通过内建的绘制函数plot_importance()进行重要性评分排序后，绘制相应的条形图。再根据预设的评分阈值，将大于预设的评分阈值的用户属性归入到所述第一属性集合中。
例如，利用训练好的XGBOOST模型，并计算用户属性的重要性，得到8个用户属性的重要性评分：[0.089701,0.17109634,0.08139535,0.04651163,0.10465116,0.2026578,0.1627907,0.14119601]，预设的评分阈值为0.1，则可以在8个用户属性中筛选出5个用户属性。
S102：确定每个用户属性的信息增益和信息增益比。
在一些实施方式中，为了获得每个用户属性的信息增益和信息增益比，先要针对目标行为，将样本集进行划分，具体的，根据目标行为可以将该样本集D划分为K个类别，C1，……，CK，则每个类别的比例为其中，|CK|为CK类别中的样本总个数，|D|为该用户样本D中的样本总个数，那么对于样本集D来说，信息熵为进一步地，根据用户属性P将该样本集D划分为N个子样本集，D1，……，DN，每个子样本集Di中又分成K个类别，即C11，……，C1K，C21，……，C2K，……，Ci1，……，CiK。则经过用户属性P划分后的信息熵为：得到用户属性P的信息增益为：G(D,P)＝H(D)-H(D|P)。惩罚参数为的倒数，则用户属性P的信息增益比为
例如，通过下面的表一说明如何计算用户属性的信息增益和信息增益比，如下面的表一所示：
表一
如表一所示，样本集D中共包含17个用户的数据，显然，根据用户是否发生违约行为，可以将该样本集D划分为两个类别，其中，不发生违约行为的用户比例为发生违约行为的用户比例为于是，该样本集D的信息熵为：
然后，我们计算当前用户属性的集合为﹛月均交易笔数、职业、学历、总资产额、是否月日均存款额小于100元﹜中每个用户属性的信息增益。以用户属性P(“月均交易笔数”)为例，它有3个可能的取值：﹛频繁、较少、正常﹜，若使用该用户属性P对样本集D进行划分，则可得到3个子样本集，分别记为D1(月均交易笔数＝频繁)、D2(月均交易笔数＝较少)、D3(月均交易笔数＝正常)。其中，子样本集D1包含编号为﹛1、4、6、10、13、17﹜的6个用户，其中，不发生违约行为的比例为发生违约行为的比例为同理，可得其他子样本集的情况。因此，根据用户属性P(“月均交易笔数”)划分之后获得的信息熵为：
进一步地，计算出用户属性P的信息增益为：
同理，可计算出其他用户属性的信息增益，具体的，用户属性“职业”的信息增益为0.998，用户属性“学历”的信息增益为0.141，用户属性“总资产额”的信息增益为0.289，用户属性“是否月日均存款额小于100元”的信息增益为0.006。
从上面的计算结果可知，由于信息增益对可取值数目较多的用户属性有偏好，例如，用户属性“职业”的可取值数目为17个，对应的信息增益最大，同时，用户属性“是否月日均存款额小于100元”的可取值数目为2个，对应的信息增益最小。为了减小这种偏好带来的不利影响，由于信息增益比对可取值数目较少的用户属性有偏好，所以本申请中还结合信息增益比进行用户属性的筛选，并且，如果仅仅根据信息增益的值进行筛选，可能会导致过拟合。本申请通过结合信息增益比，提高了预测模型的泛化能力。具体的，用户属性P(“月均交易笔数”)的惩罚参数的倒数可通过下面得到：计算则用户属性P(“月均交易笔数”)的信息增益比同理，用户属性“职业”的信息增益比为0.244，用户属性“是否月日均存款额小于100元”的信息增益比为0.007。
S103：根据所述信息增益和信息增益比，从所述第一属性集合中筛出多个用户属性，形成第二属性集合。
在一些实施方式中，从所述第一属性集合中，将信息增益大于或者等于预设的信息增益阈值，并且信息增益比大于或者等于预设的信息增益比阈值的用户属性筛选出来，形成第二属性集合。
S104：确定在所述第二属性集合中的每个用户属性下，用户出现目标行为的可能性预估值。
在一些实施方式中，可以按照以下步骤获得用户出现目标行为的可能性预估值：
利用朴素贝叶斯算法，确定所述第二属性集合中的每个用户属性下，用户出现目标行为的概率值。
所述朴素贝叶斯算法的公式如下：
具体地，以计算用户违约行为概率为例说明：我们得到第二属性集合中的一个用户属性S为“最近三个月日均存款额小于1000元，并有一次违约记录”，P(D)为样本集中用户的总体违约概率；P(S)为用户属性S的用户概率；P(S|D)为在D条件下，用户属性S的后验概率；P(D|S)为满足用户属性S的用户的流失概率。
例如：某支行，10123名违约用户中，满足用户属性S(最近三个月日均存款额小于1000元，并有一次违约记录)的用户数为1033人，可以得出P(S|D)＝1033/10123＝0.102；全支行共有用户1007890人，满足用户属性S的用户共有8934人，则P(S)＝8934/1007890＝0.0089；P(D)＝10123/1007890＝0.01，因此得到P(D|S)＝0.102*0.01/0.0089＝11.5％，那么符合此用户属性的用户违约概率为11.5％。
在另一些实施方式中，还可以按照以下步骤获得用户出现目标行为的可能性预估值：
利用极大似然估计算法，确定所述第二属性集合中的每个用户属性下，用户出现目标行为的频率值，将用户属性的值进行归一化。
例如，对于用户属性S，某分行总人数10000人，满足属性S且发生违约行为的人数共有100人，则在用户属性S下，用户出现目标行为的频率值为100/10000＝0.01。
S105：根据所述可能性预估值，从所述第二属性集合中筛出多个用户属性，形成指定属性集合。
在一些实施方式中，将用户出现目标行为的概率值大于或者等于预设的概率阈值的用户属性筛选出来，形成指定属性集合。
例如，设置的概率阈值为10％，则该初步高关联的用户属性S(最近三个月日均存款额小于1000元，并有一次违约记录)对应的用户流失概率值11.5％大于概率阈值10％，则将该属性筛选出来。当然，需要说明的是上述所列举的概率阈值的数值只是为了更好地说明本申请的实施方式。具体实施时，也可以根据具体的精度要求，选择其他数值作为上述概率阈值。对此，本申请不作限定。
在另一些实施方式中，将用户出现目标行为的频率值大于或者等于预设的频率阈值的用户属性筛选出来，形成指定属性集合。
S106：根据所述样本集的指定属性对应的用户数据，训练预设的机器学习模型，得到所述目标行为预测模型。
在一些实施方式中，根据所述样本集的指定属性对应的用户数据，得到样本集中每个用户所对应的多维特征向量，所述多维特征向量中的每个元素，与一个所述指定属性相对应；若用户的指定属性满足预设的条件，则将该指定属性所对应的用户出现目标行为的可能性预估值，作为该用户的多维特征向量中与该指定属性相对应的元素的值；若用户的指定属性不满足预设的条件，则将该用户的多维特征向量中与该指定属性相对应的元素的值设置为零值。
样本集中每个用户对应的多维特征向量都与一个标签信息相对应，所述标签信息用于标记样本是否发生所述待预测行为，具体的，标签信息的值可以为0或1，当用户发生某行为时，将标签信息的值设置为1，当用户不发生该行为时，将标签信息的值设置为0。
例如，在下面的表二中列出了三个用户的例子，具体为：
表二
在表二中，通过上面的方法，针对用户违约行为，从用户属性信息中一共筛选出五个指定属性，并通过朴素贝叶斯算法，得到了每个指定属性所对应的概率值。以用户编号1为例，得到的多维特征向量为(0.53，0.43，0.29，0.3，0)，与之对应的标签信息为1。
在一些实施方式中，将得到的各个用户对应的多维特征向量输入到梯度提升树模型(Gradient Boosting Decision Tree)，进行模型的训练、测试和验证，调参获取最优参数，得到预测模型。
在另一些实施方式中，还可以将得到的各个用户对应的多维特征向量输入到随机森林模型(Random Forest)，进行模型的训练、测试和验证，调参获取最优参数，得到预测模型。
通过上面介绍的方法得到目标行为预测模型后，就可以预测目标用户是否发生目标行为。参考图2所示，可以包括如下步骤：
S201：提供目标行为预测模型。
S202：获取目标用户的指定属性的属性数据。
例如，目标行为预测模型中的指定属性如表二所示，为{交易笔数小于10，月日均存款额小于100元，总资产小于100元，三个月内有一次违约记录，半年内有一次失业记录}，则获取该目标用户相应的5个用户属性，进一步，判断目标用户是否满足这5个指定属性，得到该目标用户对应的多维特征向量(0.35，0，0.29，0.3，0.4)。
S203：将所述指定属性的属性数据输入所述目标行为预测模型，获得所述目标用户的目标行为预测结果。
例如，将该目标用户对应多维特征向量(0.35，0，0.29，0.3，0.4)输入到梯度提升树模型中，得到输出的结果为1，则得到目标用户的目标行为预测结果为该用户很有可能违约，需要重点关注。
图3是本申请提供的用户行为预测装置的模块结构示意图。如图3所示，所述用户行为预测装置可以包括：预测模型提供模块31、目标用户数据获取模块32、预测结果获取模块33。
预测模型提供模块31，用于提供目标行为预测模型；
目标用户数据获取模块32，用于获取目标用户的指定属性的属性数据；
预测结果获取模块33，用于将所述指定属性的属性数据输入所述目标行为预测模型，获得所述目标用户的目标行为预测结果。
图4是预测模型提供模块31所包含的子模块结构示意图。如图4所示，预测模型提供模块31中包括样本集数据获取模块311、第一计算模块312、第一筛选模块313、第二计算模块314、第二筛选模块315、模型训练模块316。
样本集数据获取子模块311，用于获取样本集的用户数据，所述用户数据中包括第一属性集合以及用户目标行为历史数据，所述第一属性集合包括多个待筛选的用户属性；
第一计算子模块312，用于确定每个用户属性的信息增益和信息增益比；
第一筛选子模块313，用于根据所述信息增益和信息增益比，从所述第一属性集合中筛出多个用户属性，形成第二属性集合；
第二计算子模块314，用于确定在所述第二属性集合中的每个用户属性下，用户出现目标行为的可能性预估值；
第二筛选子模块315，用于根据所述可能性预估值，从所述第二属性集合中筛出多个用户属性，形成指定属性集合；
模型训练子模块316，用于根据所述样本集的指定属性对应的用户数据，训练预设的机器学习模型，得到所述目标行为预测模型。
需要说明的是，上述的用户行为预测装置中的各个模块所实现的具体功能，可参见上述的方法实施例，并可以实现上述方法实施例的技术效果，在此便不再赘述。
参考图5所示，本申请实施例还提供一种用户行为预测装置，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时执行如下步骤：
获取目标用户的指定属性的属性数据；
将所述指定属性的属性数据输入所述目标行为预测模型，获得所述目标用户的目标行为预测结果；其中，
所述目标行为预测模型预先通过以下方式获得：
获取样本集的用户数据，所述用户数据中包括第一属性集合以及用户目标行为历史数据，所述第一属性集合包括多个待筛选的用户属性；
确定每个用户属性的信息增益和信息增益比；
根据所述信息增益和信息增益比，从所述第一属性集合中筛出多个用户属性，形成第二属性集合；
确定在所述第二属性集合中的每个用户属性下，用户出现目标行为的可能性预估值；
根据所述可能性预估值，从所述第二属性集合中筛出多个用户属性，形成指定属性集合；
根据所述样本集的指定属性对应的用户数据，训练预设的机器学习模型，得到所述目标行为预测模型。
需要说明的是，上述的用户行为预测装置中的各个模块所实现的具体功能，可参见上述的方法实施例，并可以实现上述方法实施例的技术效果，在此便不再赘述。
本申请还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取样本集的用户属性信息和样本统计信息；
针对待预测行为，根据所述样本统计信息，确定所述用户属性信息中每个用户属性的信息增益和信息增益比；
根据所述每个用户属性的信息增益和信息增益比，确定初步高关联的用户属性；
根据所述样本统计信息，利用朴素贝叶斯算法，在所述初步高关联的用户属性中进行筛选，确定最终高关联的用户属性；
根据所述最终高关联的用户属性，确定所述样本集中每个样本对应的多维特征向量；
将所述每个样本对应的多维特征向量，输入到梯度提升树模型中进行训练，得到针对所述待预测行为的预测模型；
利用所述预测模型，确定待预测用户是否发生所述待预测行为。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的装置、模块，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请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，在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。该计算机软件产品可以包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。该计算机软件产品可以存储在内存中，内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括短暂电脑可读媒体(transitory media)，如调制的数据信号和载波。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。
Claims (11)
1.一种用户行为预测方法，其特征在于，包括：
提供目标行为预测模型；
获取目标用户的指定属性的属性数据；
将所述指定属性的属性数据输入所述目标行为预测模型，获得所述目标用户的目标行为预测结果；其中，
所述目标行为预测模型预先通过以下方式获得：
获取样本集的用户数据，所述用户数据中包括第一属性集合以及用户目标行为历史数据，所述第一属性集合包括多个待筛选的用户属性；
确定每个用户属性的信息增益和信息增益比；
根据所述信息增益和信息增益比，从所述第一属性集合中筛出多个用户属性，形成第二属性集合；
确定在所述第二属性集合中的每个用户属性下，用户出现目标行为的可能性预估值；
根据所述可能性预估值，从所述第二属性集合中筛出多个用户属性，形成指定属性集合；
根据所述样本集的指定属性对应的用户数据，训练预设的机器学习模型，得到所述目标行为预测模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述信息增益和信息增益比，从所述第一属性集合中筛出多个用户属性，形成第二属性集合，包括：
从所述第一属性集合中，将信息增益大于或者等于预设的信息增益阈值，并且信息增益比大于或者等于预设的信息增益比阈值的用户属性筛选出来，形成第二属性集合。
3.根据权利要求1所述的方法，其特征在于，所述确定在所述第二属性集合中的每个用户属性下，用户出现目标行为的可能性预估值，包括：
利用朴素贝叶斯算法，确定所述第二属性集合中的每个用户属性下，用户出现目标行为的概率值；或者，利用极大似然估计算法，确定所述第二属性集合中的每个用户属性下，用户出现目标行为的频率值。
4.根据权利要求3所述的方法，其特征在于，根据所述可能性预估值，从所述第二属性集合中筛出多个用户属性，形成指定属性集合，包括：
从所述第二属性集合中，将所述用户出现目标行为的概率值大于或者等于预设的概率阈值的用户属性筛选出来，形成指定属性集合；
或者，从所述第二属性集合中，将所述用户出现目标行为的频率值大于或者等于预设的频率阈值的用户属性筛选出来，形成指定属性集合。
5.根据权利要求1所述的方法，其特征在于，所述根据所述样本集的指定属性对应的用户数据，训练预设的机器学习模型，包括：
根据所述样本集的指定属性对应的用户数据，确定所述样本集中每个用户对应的多维特征向量；
将所述多维特征向量输入到预设的机器学习模型中进行训练。
6.根据权利要求5所述的方法，其特征在于，所述确定所述样本集中每个用户对应的多维特征向量，包括：
根据每个用户的指定属性对应的用户数据构造多维特征向量，其中，所述多维特征向量中的每个元素，与一个所述指定属性相对应；
若用户的指定属性满足预设的条件，则将该指定属性所对应的用户出现目标行为的可能性预估值，作为该用户的多维特征向量中与该指定属性相对应的元素的值；
若用户的指定属性不满足预设的条件，则将该用户的多维特征向量中与该指定属性相对应的元素的值设置为零值。
7.根据权利要求1所述的方法，其特征在于，所述预设的机器学习模型包括：
梯度提升树模型；或者，随机森林模型。
8.根据权利要求1所述的方法，其特征在于，在获取所述第一属性集合之前，还包括：
根据XGBOOST模型对所述用户属性进行重要性评分，将大于或者等于预设的评分阈值的用户属性归入到所述第一属性集合中。
9.一种用户行为预测装置，其特征在于，包括：
预测模型提供模块，用于提供目标行为预测模型；
目标用户数据获取模块，用于获取目标用户的指定属性的属性数据；
预测结果获取模块，用于将所述指定属性的属性数据输入所述目标行为预测模型，获得所述目标用户的目标行为预测结果；
其中，所述预测模型提供模块包括：
样本集数据获取子模块，用于获取样本集的用户数据，所述用户数据中包括第一属性集合以及用户目标行为历史数据，所述第一属性集合包括多个待筛选的用户属性；
第一计算子模块，用于确定每个用户属性的信息增益和信息增益比；
第一筛选子模块，用于根据所述信息增益和信息增益比，从所述第一属性集合中筛出多个用户属性，形成第二属性集合；
第二计算子模块，用于确定在所述第二属性集合中的每个用户属性下，用户出现目标行为的可能性预估值；
第二筛选子模块，用于根据所述可能性预估值，从所述第二属性集合中筛出多个用户属性，形成指定属性集合；
模型训练子模块，用于根据所述样本集的指定属性对应的用户数据，训练预设的机器学习模型，得到所述目标行为预测模型。
10.一种用户行为预测装置，包括存储器、处理器、以及存储在所述存储器上的计算机程序，其特征在于，所述计算机程序被所述处理器运行时执行如下步骤：
获取目标用户的指定属性的属性数据；
将所述指定属性的属性数据输入所述目标行为预测模型，获得所述目标用户的目标行为预测结果；其中，
所述目标行为预测模型预先通过以下方式获得：
获取样本集的用户数据，所述用户数据中包括第一属性集合以及用户目标行为历史数据，所述第一属性集合包括多个待筛选的用户属性；
确定每个用户属性的信息增益和信息增益比；
根据所述信息增益和信息增益比，从所述第一属性集合中筛出多个用户属性，形成第二属性集合；
确定在所述第二属性集合中的每个用户属性下，用户出现目标行为的可能性预估值；
根据所述可能性预估值，从所述第二属性集合中筛出多个用户属性，形成指定属性集合；
根据所述样本集的指定属性对应的用户数据，训练预设的机器学习模型，得到所述目标行为预测模型。
11.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现以下步骤：
获取目标用户的指定属性的属性数据；
将所述指定属性的属性数据输入所述目标行为预测模型，获得所述目标用户的目标行为预测结果；其中，
所述目标行为预测模型预先通过以下方式获得：
获取样本集的用户数据，所述用户数据中包括第一属性集合以及用户目标行为历史数据，所述第一属性集合包括多个待筛选的用户属性；
确定每个用户属性的信息增益和信息增益比；
根据所述信息增益和信息增益比，从所述第一属性集合中筛出多个用户属性，形成第二属性集合；
确定在所述第二属性集合中的每个用户属性下，用户出现目标行为的可能性预估值；
根据所述可能性预估值，从所述第二属性集合中筛出多个用户属性，形成指定属性集合；
根据所述样本集的指定属性对应的用户数据，训练预设的机器学习模型，得到所述目标行为预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910107169.XA CN109858970B (zh) | 2019-02-02 | 2019-02-02 | 一种用户行为预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910107169.XA CN109858970B (zh) | 2019-02-02 | 2019-02-02 | 一种用户行为预测方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109858970A true CN109858970A (zh) | 2019-06-07 |
| CN109858970B CN109858970B (zh) | 2021-07-02 |
Family
ID=66897574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910107169.XA Active CN109858970B (zh) | 2019-02-02 | 2019-02-02 | 一种用户行为预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109858970B (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415039A (zh) * | 2019-07-31 | 2019-11-05 | 北京三快在线科技有限公司 | 业务处理的方法及装置 |
| CN110457566A (zh) * | 2019-08-15 | 2019-11-15 | 腾讯科技（武汉）有限公司 | 信息筛选方法、装置、电子设备及存储介质 |
| CN110472686A (zh) * | 2019-08-15 | 2019-11-19 | 中国银行股份有限公司 | 对象行为执行概率预测方法及装置 |
| CN111047425A (zh) * | 2019-11-25 | 2020-04-21 | 中国联合网络通信集团有限公司 | 一种行为预测方法及装置 |
| CN111104979A (zh) * | 2019-12-18 | 2020-05-05 | 北京思维造物信息科技股份有限公司 | 一种用户行为价值评估模型的生成方法、装置及设备 |
| CN111127095A (zh) * | 2019-12-20 | 2020-05-08 | 秒针信息技术有限公司 | 目标受众兴趣分析方法、装置、设备及存储介质 |
| CN111309766A (zh) * | 2020-02-04 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 业务特征构造方法以及装置 |
| CN111324509A (zh) * | 2020-02-18 | 2020-06-23 | 广东小天才科技有限公司 | 一种对应用沉迷的识别方法和装置 |
| CN111353825A (zh) * | 2020-03-10 | 2020-06-30 | 北京爱笔科技有限公司 | 一种消息传输方法及装置 |
| CN111429970A (zh) * | 2019-12-24 | 2020-07-17 | 大连海事大学 | 基于极端梯度提升方法进行特征选择来获取多基因风险评分的方法及系统 |
| CN111444956A (zh) * | 2020-03-25 | 2020-07-24 | 平安科技（深圳）有限公司 | 低负载信息预测方法、装置、计算机系统及可读存储介质 |
| CN111683273A (zh) * | 2020-06-02 | 2020-09-18 | 中国联合网络通信集团有限公司 | 视频卡顿信息的确定方法及装置 |
| CN111931809A (zh) * | 2020-06-29 | 2020-11-13 | 北京大米科技有限公司 | 数据的处理方法、装置、存储介质及电子设备 |
| CN112348583A (zh) * | 2020-11-04 | 2021-02-09 | 贝壳技术有限公司 | 用户偏好生成方法与生成系统 |
| CN112508118A (zh) * | 2020-12-16 | 2021-03-16 | 平安科技（深圳）有限公司 | 针对数据偏移的目标对象行为预测方法及其相关设备 |
| CN112685674A (zh) * | 2020-12-30 | 2021-04-20 | 百果园技术(新加坡)有限公司 | 一种影响用户留存的特征评估方法及装置 |
| CN112835882A (zh) * | 2021-01-29 | 2021-05-25 | 北京百家科技集团有限公司 | 信息预测方法、装置、电子设备和存储介质 |
| CN113538029A (zh) * | 2020-04-22 | 2021-10-22 | 中国移动通信集团上海有限公司 | 用户行为数据预测方法、装置、设备及介质 |
| CN114663143A (zh) * | 2022-03-21 | 2022-06-24 | 平安健康保险股份有限公司 | 基于差分干预响应模型的干预用户筛选方法及装置 |
| WO2023151215A1 (zh) * | 2022-02-08 | 2023-08-17 | 青岛海尔科技有限公司 | 预测模型的建立方法和装置、存储介质及电子装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106453033A (zh) * | 2016-08-31 | 2017-02-22 | 电子科技大学 | 基于邮件内容的多层次邮件分类方法 |
| CN107145527A (zh) * | 2017-04-14 | 2017-09-08 | 东南大学 | 对齐异构社交网络中基于元路径的链路预测方法 |
| KR101793723B1 (ko) * | 2017-04-25 | 2017-11-06 | 주식회사 디리아 | 온라인 서비스 행동패턴 분석 및 시스템 장애 예측 시스템 및 방법 |
| CN107909473A (zh) * | 2017-12-27 | 2018-04-13 | 中国银行股份有限公司 | 一种基于用户行为分析的网上银行营销方法及装置 |
| CN108446374A (zh) * | 2018-03-16 | 2018-08-24 | 北京三快在线科技有限公司 | 用户意图预测方法、装置、电子设备、存储介质 |
| CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰（厦门）征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 |
| CN108665159A (zh) * | 2018-05-09 | 2018-10-16 | 深圳壹账通智能科技有限公司 | 一种风险评估方法、装置、终端设备及存储介质 |
| CN109002988A (zh) * | 2018-07-18 | 2018-12-14 | 平安科技（深圳）有限公司 | 风险旅客流量预测方法、装置、计算机设备和存储介质 |
-
2019
- 2019-02-02 CN CN201910107169.XA patent/CN109858970B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106453033A (zh) * | 2016-08-31 | 2017-02-22 | 电子科技大学 | 基于邮件内容的多层次邮件分类方法 |
| CN107145527A (zh) * | 2017-04-14 | 2017-09-08 | 东南大学 | 对齐异构社交网络中基于元路径的链路预测方法 |
| KR101793723B1 (ko) * | 2017-04-25 | 2017-11-06 | 주식회사 디리아 | 온라인 서비스 행동패턴 분석 및 시스템 장애 예측 시스템 및 방법 |
| CN107909473A (zh) * | 2017-12-27 | 2018-04-13 | 中国银行股份有限公司 | 一种基于用户行为分析的网上银行营销方法及装置 |
| CN108446374A (zh) * | 2018-03-16 | 2018-08-24 | 北京三快在线科技有限公司 | 用户意图预测方法、装置、电子设备、存储介质 |
| CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰（厦门）征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 |
| CN108665159A (zh) * | 2018-05-09 | 2018-10-16 | 深圳壹账通智能科技有限公司 | 一种风险评估方法、装置、终端设备及存储介质 |
| CN109002988A (zh) * | 2018-07-18 | 2018-12-14 | 平安科技（深圳）有限公司 | 风险旅客流量预测方法、装置、计算机设备和存储介质 |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415039A (zh) * | 2019-07-31 | 2019-11-05 | 北京三快在线科技有限公司 | 业务处理的方法及装置 |
| CN110457566A (zh) * | 2019-08-15 | 2019-11-15 | 腾讯科技（武汉）有限公司 | 信息筛选方法、装置、电子设备及存储介质 |
| CN110472686A (zh) * | 2019-08-15 | 2019-11-19 | 中国银行股份有限公司 | 对象行为执行概率预测方法及装置 |
| CN110457566B (zh) * | 2019-08-15 | 2023-06-16 | 腾讯科技（武汉）有限公司 | 信息筛选方法、装置、电子设备及存储介质 |
| CN111047425B (zh) * | 2019-11-25 | 2023-10-24 | 中国联合网络通信集团有限公司 | 一种行为预测方法及装置 |
| CN111047425A (zh) * | 2019-11-25 | 2020-04-21 | 中国联合网络通信集团有限公司 | 一种行为预测方法及装置 |
| CN111104979A (zh) * | 2019-12-18 | 2020-05-05 | 北京思维造物信息科技股份有限公司 | 一种用户行为价值评估模型的生成方法、装置及设备 |
| CN111104979B (zh) * | 2019-12-18 | 2023-08-01 | 北京思维造物信息科技股份有限公司 | 一种用户行为价值评估模型的生成方法、装置及设备 |
| CN111127095A (zh) * | 2019-12-20 | 2020-05-08 | 秒针信息技术有限公司 | 目标受众兴趣分析方法、装置、设备及存储介质 |
| CN111127095B (zh) * | 2019-12-20 | 2023-05-30 | 秒针信息技术有限公司 | 目标受众兴趣分析方法、装置、设备及存储介质 |
| CN111429970A (zh) * | 2019-12-24 | 2020-07-17 | 大连海事大学 | 基于极端梯度提升方法进行特征选择来获取多基因风险评分的方法及系统 |
| CN111429970B (zh) * | 2019-12-24 | 2024-03-22 | 大连海事大学 | 基于极端梯度提升方法进行特征选择来获取多基因风险评分的方法及系统 |
| CN111309766B (zh) * | 2020-02-04 | 2023-09-12 | 支付宝(杭州)信息技术有限公司 | 业务特征构造方法以及装置 |
| CN111309766A (zh) * | 2020-02-04 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 业务特征构造方法以及装置 |
| CN111324509A (zh) * | 2020-02-18 | 2020-06-23 | 广东小天才科技有限公司 | 一种对应用沉迷的识别方法和装置 |
| CN111353825A (zh) * | 2020-03-10 | 2020-06-30 | 北京爱笔科技有限公司 | 一种消息传输方法及装置 |
| CN111353825B (zh) * | 2020-03-10 | 2024-01-12 | 北京爱笔科技有限公司 | 一种消息传输方法及装置 |
| CN111444956B (zh) * | 2020-03-25 | 2023-10-31 | 平安科技（深圳）有限公司 | 低负载信息预测方法、装置、计算机系统及可读存储介质 |
| CN111444956A (zh) * | 2020-03-25 | 2020-07-24 | 平安科技（深圳）有限公司 | 低负载信息预测方法、装置、计算机系统及可读存储介质 |
| CN113538029A (zh) * | 2020-04-22 | 2021-10-22 | 中国移动通信集团上海有限公司 | 用户行为数据预测方法、装置、设备及介质 |
| CN111683273A (zh) * | 2020-06-02 | 2020-09-18 | 中国联合网络通信集团有限公司 | 视频卡顿信息的确定方法及装置 |
| CN111931809A (zh) * | 2020-06-29 | 2020-11-13 | 北京大米科技有限公司 | 数据的处理方法、装置、存储介质及电子设备 |
| CN112348583B (zh) * | 2020-11-04 | 2022-12-06 | 贝壳技术有限公司 | 用户偏好生成方法与生成系统 |
| CN112348583A (zh) * | 2020-11-04 | 2021-02-09 | 贝壳技术有限公司 | 用户偏好生成方法与生成系统 |
| CN112508118B (zh) * | 2020-12-16 | 2023-08-29 | 平安科技（深圳）有限公司 | 针对数据偏移的目标对象行为预测方法及其相关设备 |
| CN112508118A (zh) * | 2020-12-16 | 2021-03-16 | 平安科技（深圳）有限公司 | 针对数据偏移的目标对象行为预测方法及其相关设备 |
| CN112685674A (zh) * | 2020-12-30 | 2021-04-20 | 百果园技术(新加坡)有限公司 | 一种影响用户留存的特征评估方法及装置 |
| CN112835882B (zh) * | 2021-01-29 | 2024-02-02 | 北京百家科技集团有限公司 | 信息预测方法、装置、电子设备和存储介质 |
| CN112835882A (zh) * | 2021-01-29 | 2021-05-25 | 北京百家科技集团有限公司 | 信息预测方法、装置、电子设备和存储介质 |
| WO2023151215A1 (zh) * | 2022-02-08 | 2023-08-17 | 青岛海尔科技有限公司 | 预测模型的建立方法和装置、存储介质及电子装置 |
| CN114663143A (zh) * | 2022-03-21 | 2022-06-24 | 平安健康保险股份有限公司 | 基于差分干预响应模型的干预用户筛选方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109858970B (zh) | 2021-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109858970B (zh) | 一种用户行为预测方法、装置及存储介质 | |
| Jones | Corporate bankruptcy prediction: a high dimensional analysis | |
| Tang et al. | Incorporating textual and management factors into financial distress prediction: A comparative study of machine learning methods | |
| US8458065B1 (en) | System and methods for content-based financial database indexing, searching, analysis, and processing | |
| US20150278813A1 (en) | Determining a temporary transaction limit | |
| CN111401777A (zh) | 企业风险的评估方法、装置、终端设备及存储介质 | |
| Maxfield et al. | An empirical investigation of the financialization convergence hypothesis | |
| CN110033382B (zh) | 一种保险业务的处理方法、装置及设备 | |
| CN110633989A (zh) | 一种风险行为生成模型的确定方法及装置 | |
| Kiani et al. | Financial factors and firm growth: evidence from financial data on Taiwanese firms | |
| Berlinger et al. | Mastering R for quantitative finance | |
| CN112102006A (zh) | 基于大数据分析的目标客户获取方法、搜索方法及装置 | |
| Han et al. | Prediction of investor-specific trading trends in South Korean stock markets using a BILSTM prediction model based on sentiment analysis of financial news articles | |
| CN109903140A (zh) | 一种信用服务推荐方法、装置及设备 | |
| US20200357049A1 (en) | Tuning hyperparameters for predicting spending behaviors | |
| CN110837604B (zh) | 基于住房监控平台的数据分析方法及装置 | |
| CN111882417A (zh) | 一种财务分析方法及装置 | |
| CN110458581B (zh) | 商户业务周转异常的识别方法及装置 | |
| Mundi et al. | Impact of firm-specific variables on capital structure decisions. Evidence from the Indian hospitality sector | |
| Malawana et al. | The Public Sentiment analysis within Big data Distributed system for Stock market prediction–A case study on Colombo Stock Exchange | |
| CN115827994A (zh) | 一种数据处理方法、装置、设备、存储介质 | |
| Sinha et al. | Financial market and growth: Evidence from post-reforms India | |
| US11379929B2 (en) | Advice engine | |
| Fu et al. | Testing exogeneity in nonparametric instrumental variables models identified by conditional quantile restrictions | |
| CN114282976A (zh) | 供应商推荐方法、装置、电子设备及介质 |
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 |