CN109948851A - 用于预测事件发生概率的方法和装置 - Google Patents
用于预测事件发生概率的方法和装置 Download PDFInfo
- Publication number
- CN109948851A CN109948851A CN201910212931.0A CN201910212931A CN109948851A CN 109948851 A CN109948851 A CN 109948851A CN 201910212931 A CN201910212931 A CN 201910212931A CN 109948851 A CN109948851 A CN 109948851A
- Authority
- CN
- China
- Prior art keywords
- event
- fields
- sample
- correlated characteristic
- training
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了用于预测事件发生概率的方法和装置。该方法的一具体实施方式包括：获取待预测用户的事件相关特征字段集合；对事件相关特征字段集合进行预处理，生成处理事件相关特征字段集合；将处理事件相关特征字段集合输入至预先训练的事件发生概率预测模型，得到待预测用户的事件发生概率，其中，事件发生概率预测模型用于预测用户的事件发生概率。该实施方式提高了对事件发生概率的预测准确度。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于预测事件发生概率的方法和装置。
背景技术
在很多业务场景中，经常需要预测业务中各类事件的发生概率，以便根据预测的发生概率对相关业务进行相应的调整或者操作。例如，在借贷业务平台，预测用户的贷款违约事件发生概率。又例如，在第三方支付业务平台，预测用户的账号被盗事件发生概率。再例如，在保险业务平台，预测用户的保险理赔事件发生概率等等。
目前，事件发生概率预测方式主要包括以下两种：其一，业务人员对用户的事件相关信息进行分析，并根据经验预测事件发生概率；其二，将用户的事件相关信息在预设规则库中进行匹配，并根据匹配结果预测事件发生概率。
发明内容
本申请实施例提出了用于预测事件发生概率的方法和装置。
第一方面，本申请实施例提供了一种用于预测事件发生概率的方法，包括：获取待预测用户的事件相关特征字段集合；对事件相关特征字段集合进行预处理，生成处理事件相关特征字段集合；将处理事件相关特征字段集合输入至预先训练的事件发生概率预测模型，得到待预测用户的事件发生概率，其中，事件发生概率预测模型用于预测用户的事件发生概率。
在一些实施例中，对事件相关特征字段集合进行预处理的方式包括以下至少一项：对事件相关特征字段集合中的缺失字段进行填充；对事件相关特征字段集合中的连续字段进行分段离散化；对事件相关特征字段集合中的离散字段进行编码；利用递归特征消除法对事件相关特征字段集合进行降维。
在一些实施例中，事件发生概率预测模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本事件相关特征字段集合和样本事件发生标签，样本事件发生标签用于标识样本事件的发生情况；利用机器学习方法，基于训练样本集合对初始事件发生概率预测模型进行训练，得到事件发生概率预测模型。
在一些实施例中，训练样本集合通过如下步骤生成：获取参考样本集合，其中，参考样本集合中的参考样本包括历史事件相关特征字段集合和历史事件发生标签；对参考样本集合中的参考样本中的历史事件相关特征字段集合进行预处理，生成训练样本集合。
在一些实施例中，在对参考样本集合中的参考样本中的历史事件相关特征字段集合进行预处理，生成训练样本集合之前，还包括：统计参考样本集合中的参考样本的字段缺失比例；将字段缺失比例大于预设比例阈值的参考样本从参考样本集合中删除。
在一些实施例中，在对参考样本集合中的参考样本中的历史事件相关特征字段集合进行预处理，生成训练样本集合之后，还包括：利用合成少数类过采样技术对训练样本集合进行采样，构建新的训练样本，并添加到训练样本集合中。
在一些实施例中，初始事件发生概率预测模型是梯度提升决策树，包括学习器和残差网络。
在一些实施例中，利用机器学习方法，基于训练样本集合对初始事件发生概率预测模型进行训练，得到事件发生概率预测模型，包括：初始化梯度提升决策树中的学习器；执行以下训练步骤：对于训练样本集合中的训练样本，将该训练样本中的样本事件相关特征字段集合输入至梯度提升决策树，得到该训练样本对应的样本事件发生概率，基于该训练样本中的样本事件发生标签和对应的样本事件发生概率，确定损失函数的损失值是否满足训练目标，若满足训练目标，将梯度提升决策树作为事件发生概率预测模型。
在一些实施例中，利用机器学习方法，基于训练样本集合对初始事件发生概率预测模型进行训练，得到事件发生概率预测模型，还包括：响应于确定损失值不满足训练目标，更新梯度提升决策树中的学习器，以及继续执行训练步骤。
第二方面，本申请实施例提供了一种用于预测事件发生概率的装置，包括：获取单元，被配置成获取待预测用户的事件相关特征字段集合；处理单元，被配置成对事件相关特征字段集合进行预处理，生成处理事件相关特征字段集合；预测单元，被配置成将处理事件相关特征字段集合输入至预先训练的事件发生概率预测模型，得到待预测用户的事件发生概率，其中，事件发生概率预测模型用于预测用户的事件发生概率。
在一些实施例中，对事件相关特征字段集合进行预处理的方式包括以下至少一项：对事件相关特征字段集合中的缺失字段进行填充；对事件相关特征字段集合中的连续字段进行分段离散化；对事件相关特征字段集合中的离散字段进行编码；利用递归特征消除法对事件相关特征字段集合进行降维。
在一些实施例中，事件发生概率预测模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本事件相关特征字段集合和样本事件发生标签，样本事件发生标签用于标识样本事件的发生情况；利用机器学习方法，基于训练样本集合对初始事件发生概率预测模型进行训练，得到事件发生概率预测模型。
在一些实施例中，训练样本集合通过如下步骤生成：获取参考样本集合，其中，参考样本集合中的参考样本包括历史事件相关特征字段集合和历史事件发生标签；对参考样本集合中的参考样本中的历史事件相关特征字段集合进行预处理，生成训练样本集合。
在一些实施例中，在对参考样本集合中的参考样本中的历史事件相关特征字段集合进行预处理，生成训练样本集合之前，还包括：统计参考样本集合中的参考样本的字段缺失比例；将字段缺失比例大于预设比例阈值的参考样本从参考样本集合中删除。
在一些实施例中，在对参考样本集合中的参考样本中的历史事件相关特征字段集合进行预处理，生成训练样本集合之后，还包括：利用合成少数类过采样技术对训练样本集合进行采样，构建新的训练样本，并添加到训练样本集合中。
在一些实施例中，初始事件发生概率预测模型是梯度提升决策树，包括学习器和残差网络。
在一些实施例中，利用机器学习方法，基于训练样本集合对初始事件发生概率预测模型进行训练，得到事件发生概率预测模型，包括：初始化梯度提升决策树中的学习器；执行以下训练步骤：对于训练样本集合中的训练样本，将该训练样本中的样本事件相关特征字段集合输入至梯度提升决策树，得到该训练样本对应的样本事件发生概率，基于该训练样本中的样本事件发生标签和对应的样本事件发生概率，确定损失函数的损失值是否满足训练目标，若满足训练目标，将梯度提升决策树作为事件发生概率预测模型。
在一些实施例中，利用机器学习方法，基于训练样本集合对初始事件发生概率预测模型进行训练，得到事件发生概率预测模型，还包括：响应于确定损失值不满足训练目标，更新梯度提升决策树中的学习器，以及继续执行训练步骤。
第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于预测事件发生概率的方法和装置，首先获取待预测用户的事件相关特征字段集合；然后对事件相关特征字段集合进行预处理，生成处理事件相关特征字段集合；最后将处理事件相关特征字段集合输入至预先训练的事件发生概率预测模型，得到待预测用户的事件发生概率。利用事件发生概率预测模型预测事件发生概率，提高了对事件发生概率的预测准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构；
图2是根据本申请的用于预测事件发生概率的方法的一个实施例的流程图；
图3是GBDT的结构示意图；
图4是图2所示的用于预测事件发生概率的方法的一个应用场景的示意图；
图5是训练样本集合的生成方法的一个实施例的流程图；
图6是事件发生概率预测模型的训练方法的一个实施例的流程图；
图7是根据本申请的用于预测事件发生概率的装置的一个实施例的结构示意图；
图8是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于预测事件发生概率的方法或用于预测事件发生概率的装置的实施例的示例性系统架构100。
如图1所示，系统架构100中可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101通过网络102与服务器103交互，以接收或发送消息等。终端设备101上可以安装有各种客户端软件，例如信息预测类应用等。
终端设备101可以是硬件，也可以是软件。当终端设备101为硬件时，可以是具有显示屏并且支持信息预测的各种电子设备。包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器。例如信息预测服务器。信息预测服务器可以对获取到的待预测用户的事件相关特征字段集合等数据进行分析等处理，生成处理结果(例如待预测用户的事件发生概率)，并将处理结果推送给终端设备101。
需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的用于预测事件发生概率的方法一般由服务器103执行，相应地，用于预测事件发生概率的装置一般设置于服务器103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，其示出了根据本申请的用于预测事件发生概率的方法的一个实施例的流程200。该用于预测事件发生概率的方法，包括以下步骤：
步骤201，获取待预测用户的事件相关特征字段集合。
在本实施例中，用于预测事件发生概率的方法的执行主体(例如图1所示的服务器103)可以获取待预测用户的事件相关特征字段集合。例如，用户可以打开其终端设备(例如图1所示的终端设备101)上安装的信息预测类应用，输入待预测用户的标识，并点击预测按钮。此时，终端设备可以向上述执行主体发送包括待预测用户的标识的事件发生概率预测请求。当接收到事件发生概率预测请求之后，上述执行主体可以根据待预测用户的标识查询出待预测用户的事件相关特征字段集合。通常，上述执行主体可以预先存储大量用户的标识和事件相关特征字段集合。其中，用户的标识可以包括但不限于用户的身份证号码、护照号码、驾驶证号码等等。
在本实施例中，事件相关特征字段集合可以包括对待预测用户所具有的特征进行描述的字段。并且，对待预测用户所具有的特征进行描述的字段与事件相关。事件可以是业务中的各类事件，包括但不限于贷款违约事件、账号被盗事件和保险理赔事件等等。例如，若事件是贷款违约事件，那么事件相关特征字段集合可以包括但不限于用户的年龄、职业、行业、居住地、工作地、月收入或年收入、贷记卡数量、贷记卡额度、信用卡数量、个人住房贷款未结清余额等字段。
步骤202，对事件相关特征字段集合进行预处理，生成处理事件相关特征字段集合。
在本实施例中，上述执行主体可以对事件相关特征字段集合进行预处理，以生成处理事件相关特征字段集合。
在本实施例的一些可选的实现方式中，对事件相关特征字段集合进行预处理的方式可以包括但不限于以下至少一项：
1、对事件相关特征字段集合中的缺失字段进行填充。
例如，上述执行主体可以首先从预先获取的大量样本事件相关特征字段集合中选取出一些与事件相关特征字段集合相似的样本事件相关特征字段集合，然后基于所选取出的样本事件相关特征字段集合，计算缺失字段的均值，用以对事件相关特征字段集合中的缺失字段进行填充。
2、对事件相关特征字段集合中的连续字段进行分段离散化。
例如，若事件是贷款违约事件，那么上述执行主体可以对事件相关特征字段集合中的年龄、月收入或年收入、贷记卡数量、贷记卡额度、信用卡数量、个人住房贷款未结清余额等连续字段进行分段离散化。
3、事件相关特征字段集合中的离散字段进行编码。
例如，若事件是贷款违约事件，那么上述执行主体可以对事件相关特征字段集合中的职业、行业、居住地、工作地等离散字段进行编码。其中，编码方式可以包括但不限于One-Hot编码。One-Hot编码又可以被称为一位有效编码，主要是采用多位状态寄存器来对多个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。
4、利用递归特征消除法对事件相关特征字段集合进行降维。
其中，RFE(Recursive Feature Elimination，递归消除特征法)使用一个基模型来进行多轮训练，每轮训练后，移除若干权值系数的特征，再基于新的特征集进行下一轮训练。也就是说，对特征含有权重的预测模型，RFE通过递归减少考察的特征集规模来选择特征。首先，预测模型在原始特征上训练，每个特征指定一个权重。之后，那些拥有最小绝对值权重的特征被踢出特征集。如此往复递归，直至剩余的特征数量达到所需的特征数量。利用递归特征消除法对事件相关特征字段集合进行处理，不仅能够达到降维的目的，还能筛选出与事件相关性最强的特征。
步骤203，将处理事件相关特征字段集合输入至预先训练的事件发生概率预测模型，得到待预测用户的事件发生概率。
在本实施例中，上述执行主体可以将处理事件相关特征字段集合输入至事件发生概率预测模型，以得到待预测用户的事件发生概率。其中，事件发生概率预测模型可以用于预测用户的事件发生概率，表征事件相关特征字段集合与事件发生概率之间的对应关系。
在本实施例的一些可选的实现方式中，上述执行主体可以预先收集大量样本事件相关特征字段集合和对应的样本事件发生情况，并对应存储生成对应关系表，作为事件发生概率预测模型。在获取到待预测用户的事件相关特征字段集合之后，上述执行主体可以首先计算待预测用户的事件相关特征字段集合与对应关系表中的各个样本事件相关特征字段集合之间的相似度；然后基于所计算出的相似度，从对应关系表中查找出一些样本事件发生情况；最后对所查找出样本事件发生情况进行统计，得到对应的样本事件发生概率，作为待预测用户的事件发生概率。例如，上述执行主体可以从对应关系表中查找出与事件相关特征字段集合相似度大于预设相似度阈值(例如80％)的样本事件相关特征字段集合对应的样本事件发生情况，以统计对应的样本事件发生概率。
在本实施例的一些可选的实现方式中，事件发生概率预测模型通过如下步骤训练得到：
首先，获取训练样本集合。
这里，训练样本集合中的训练样本可以包括样本事件相关特征字段集合和样本事件发生标签。样本事件发生标签可以用于标识样本事件的发生情况。通常，样本事件发生标签的值可以包括0和1。若发生事件，其样本事件发生标签的值可以是1，对应的训练样本是正样本。若未发生事件，其样本事件发生标签的值可以是0，对应的训练样本是负样本。
实践中，上述执行主体可以收集大量历史事件相关特征字段集合和对应的历史事件发生情况，生成参考样本集合。对于每个参考样本，对该参考样本中的历史事件相关特征字段集合进行预处理，将处理后的结果作为样本事件相关特征字段集合。同时，基于该样本中的历史事件发生情况标注事件发生标签，将标注结果作为样本事件发生标签。这样，就生成了训练样本集合中的训练样本。需要说明的是，对历史事件相关特征字段集合进行预处理的方式可以与步骤202中对事件相关特征字段集合进行预处理的方式相同，这里不再赘述。
其次，利用机器学习方法，基于训练样本集合对初始事件发生概率预测模型进行训练，得到事件发生概率预测模型。
这里，对于训练样本集合中的训练样本，上述执行主体可以将该训练样本中的样本事件相关特征字段集合作为输入，将该训练样本中的样本事件发生标签作为输出，对初始事件发生概率预测模型进行训练，以得到事件发生概率预测模型。其中，初始事件发生概率预测模型的参数可以是一些不同的小随机数。
在本实施例的一些可选的实现方式中，初始事件发生概率预测模型是GBDT(Gradient Boosting Decision Tree，梯度提升决策树)。其中，GBDT是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结果累加起来作为最终结果。具体地，GBDT可以包括学习器和残差网络。GBDT通过多轮迭代，每轮迭代产生一个弱学习器，每个学习器在上一轮学习器的残差基础上进行训练。为了便于理解，图3示出了GBDT的结构示意图。
继续参见图4，图4是图2所示的用于预测事件发生概率的方法的一个应用场景的示意图。在图4所示的应用场景中，若用户A向用户B申请贷款，用户B可以打开其手机410上安装的信息预测类应用，输入用户A的身份证号码，并点击预测按钮。此时，手机410可以向服务器420发送包括用户A的身份证号码的贷款违约事件发生概率预测请求401。当接收到贷款违约事件发生概率预测请求401之后，服务器420可以首先根据用户A的身份证号码查询出用户A的事件相关特征字段集合402；然后对用户A的事件相关特征字段集合402进行预处理，生成处理事件相关特征字段集合403；最后将处理事件相关特征字段集合403输入至事件发生概率预测模型404，得到用户A的贷款违约事件发生概率405。此时，服务器420可以将用户A的贷款违约事件发生概率405发送至用户B的手机410，以供用户B根据用户A的贷款违约事件发生概率405，确定是否贷款给用户A。
本申请实施例提供的用于预测事件发生概率的方法，首先获取待预测用户的事件相关特征字段集合；然后对事件相关特征字段集合进行预处理，生成处理事件相关特征字段集合；最后将处理事件相关特征字段集合输入至预先训练的事件发生概率预测模型，得到待预测用户的事件发生概率。利用事件发生概率预测模型预测事件发生概率，提高了对事件发生概率的预测准确度。
进一步参考图5，其示出了训练样本集合的生成方法的一个实施例的流程500。该训练样本集合的生成方法，包括以下步骤：
步骤501，获取参考样本集合。
在本实施例中，训练样本集合的生成方法的执行主体(例如图1所示的服务器103)可以获取参考样本集合。其中，参考样本集合中的每个参考样本可以包括历史事件相关特征字段集合和历史事件发生标签。历史事件与需要预测的事件的类型相同。例如，若需要预测的事件是贷款事件，那么历史事件就是历史贷款事件。历史事件相关特征字段集合可以包括但不限于历史贷款用户的年龄、职业、行业、居住地、工作地、月收入或年收入、贷记卡数量、贷记卡额度、信用卡数量、个人住房贷款未结清余额等字段。历史事件发生标签可以用于标识历史事件的发生情况。通常，历史事件发生标签的值可以包括0和1。若发生事件，其历史事件发生标签的值可以是1。若未发生事件，其历史事件发生标签的值可以是0。
步骤502，统计参考样本集合中的参考样本的字段缺失比例。
在本实施例中，上述执行主体可以统计参考样本集合中的每个参考样本的字段缺失比例。具体地，对于每个参考样本，上述执行主体可以首先统计该参考样本中的字段的数目；然后计算事件相关特征字段的总数目与该参考样本中的字段的数目的差值；最后计算差值与事件相关特征字段的总数目的比值，即得到该参考样本的字段缺失比例。
步骤503，将字段缺失比例大于预设比例阈值的参考样本从参考样本集合中删除。
在本实施例中，对于参考样本集合中的每个参考样本，上述执行主体可以将该参考样本的字段缺失比例与预设比例阈值(例如50％)进行比较，若该参考样本的字段缺失比例大于预设比例阈值，则将该参考样本从参考样本集合中删除。
步骤504，对参考样本集合中的参考样本中的历史事件相关特征字段集合进行预处理，生成训练样本集合。
在本实施例中，对于参考样本集合中的参考样本，上述执行主体可以对该参考样本中的历史事件相关特征字段集合进行预处理，将处理后的结果作为样本事件相关特征字段集合。同时，基于该参考样本中的历史事件发生情况标注事件发生标签，将标注结果作为样本事件发生标签。这样，就生成了训练样本集合中的训练样本。需要说明的是，对历史事件相关特征字段集合进行预处理的方式可以与图2所示的用于预测事件发生概率的方法的步骤202中对事件相关特征字段集合进行预处理的方式相同，这里不再赘述。
步骤505，利用合成少数类过采样技术对训练样本集合进行采样，构建新的训练样本，并添加到训练样本集合中。
在本实施例中，上述执行主体可以利用SMOTE(Synthetic MinorityOversampling Technique，合成少数类过采样技术)对训练样本进行采样，构建新的训练样本，并添加到训练样本集合中。其中，SMOTE是基于随机过采样算法的一种改进方案，由于随机过采样采取简单复制样本的策略来增加少数类样本，这样容易产生模型过拟合的问题，即使得模型学习到的信息过于特别而不够泛化。SMOTE的基本思想是对少数类样本进行分析并根据少数类样本人工合成新样本添加到数据集中，以均衡训练样本集合中的正负样本。
进一步参考图6，其示出了事件发生概率预测模型的训练方法的一个实施例的流程600。该事件发生概率预测模型的训练方法，包括以下步骤：
步骤601，获取训练样本集合。
在本实施例中，事件发生概率预测模型的训练方法的执行主体(例如图1所示的服务器103)可以获取训练样本集合。其中，训练样本集合中的训练样本可以包括样本事件相关特征字段集合和样本事件发生标签。样本事件发生标签可以用于标识样本事件的发生情况。通常，样本事件发生标签的值可以包括0和1。若发生事件，其样本事件发生标签的值可以是1，对应的训练样本是正样本。若未发生事件，其样本事件发生标签的值可以是0，对应的训练样本是负样本。
步骤602，初始化梯度提升决策树中的学习器。
在本实施例中，上述执行主体可以初始化GBDT中的学习器。
在本实施例的一些可选的实现方式中，上述执行主体可以利用如下公式初始化弱学习器：
其中，N是训练样本集合中的训练样本的数目。i为正整数，且1≤i≤N。(xi,yi)是训练样本集合中的第i个训练样本，xi是第i个训练样本中的样本事件相关特征字段集合，以向量形式表示，yi是第i个训练样本中的样本事件发生标签。f0(x)是初始化的学习器，它是只有一个根节点的树，需要估计使损失函数L极小化的常数值γ。
步骤603，对于训练样本集合中的训练样本，将该训练样本中的样本事件相关特征字段集合输入至梯度提升决策树，得到该训练样本对应的样本事件发生概率。
在本实施例中，对于训练样本集合中的训练样本，将该训练样本中的事件相关特征字段集合输入至GBDT，以得到该训练样本对应的样本事件发生概率。具体地，对于训练样本集合中的训练样本，上述执行主体可以将该训练样本中的样本事件相关特征字段集合从GBDT的输入侧输入，经过GBDT的处理，从输出侧输出该训练样本对应的样本事件发生概率。
步骤604，基于该训练样本中的样本事件发生标签和对应的样本事件发生概率，确定损失函数的损失值是否满足训练目标。
在本实施例中，上述执行主体可以首先基于该训练样本中的样本事件发生标签和对应的样本事件发生概率，计算损失函数的损失值；然后确定损失函数的损失值是否满足训练目标。若满足训练目标，则执行步骤605；若不满足训练目标，则执行步骤606。
通常，当损失函数的损失值最小时，说明GBDT已经满足训练目标，模型训练完成；反之，GBDT尚未满足训练目标，继续模型训练。
步骤605，将梯度提升决策树作为事件发生概率预测模型。
在本实施例中，若满足训练目标，模型训练完成。此时，上述执行主体可以将梯度提升决策树作为事件发生概率预测模型。
步骤606，更新梯度提升决策树中的学习器。
在本实施例中，若不满足训练目标，模型训练尚未完成。此时，上述执行主体可以更新梯度提升决策树中的学习器，以及返回继续执行步骤603。如此循环往复的训练，直至模型满足训练目标为止。
通常，在GBDT的迭代中，假设最大迭代轮数是M，前一轮(m-1轮)迭代得到的强学习器是fm-1(x)，损失函数是L(y,fm-1(x))，本轮(m轮)迭代的目标是让本轮的损失函数L(y,fm(x))最小。也就是说，本轮迭代找到决策树，要让训练样本的损失函数值尽量变得更小。
其中，(x,y)是训练样本集合中的训练样本，x是训练样本中的样本事件相关特征字段集合，y是训练样本中的样本事件发生标签。fm-1(x)是第m-1迭代得到的学习器。fm(x)是第m轮迭代得到的学习器。其中，m为正整数，且1≤m≤M。
在本实施例中，上述执行主体可以通过如下步骤更新梯度提升决策树中的学习器：
首先，计算第m轮迭代的第i个训练样本的残差的负梯度：
其中，rim是第m轮迭代的第i个训练样本的残差的负梯度。f(xi)是输入第i个训练样本(xi,yi)中的xi时的模型输出值，即，第i个训练样本对应的样本事件发生概率。
之后，将rim作为下棵树的训练数据，拟合一颗新的回归树fm(x)，及其对应的叶节点区域Rjm。
其中，j为正整数，且1≤j≤J。J为叶子节点区域中的叶子节点的数目。
随后，对于叶子区域，计算最佳拟合值：
其中，γjm是第m轮迭代的第j个叶子节点的最佳拟合值。fm-1(xi)是第m-1轮迭代中输入第i个训练样本(xi,yi)中的xi时的模型输出值，即，第m-1轮迭代中第i个训练样本对应的样本事件发生概率。
然后，更新强学习器：
其中，I是单位向量。
最后，生成强学习器：
其中，fM(x)是第M轮迭代得到的学习器。
进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种用于预测事件发生概率的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，本实施例的用于预测事件发生概率的装置700可以包括：获取单元701、处理单元702和预测单元703。其中，获取单元701，被配置成获取待预测用户的事件相关特征字段集合；处理单元702，被配置成对事件相关特征字段集合进行预处理，生成处理事件相关特征字段集合；预测单元703，被配置成将处理事件相关特征字段集合输入至预先训练的事件发生概率预测模型，得到待预测用户的事件发生概率，其中，事件发生概率预测模型用于预测用户的事件发生概率。
在本实施例中，用于预测事件发生概率的装置700中：获取单元701、处理单元702和预测单元703的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，对事件相关特征字段集合进行预处理的方式包括以下至少一项：对事件相关特征字段集合中的缺失字段进行填充；对事件相关特征字段集合中的连续字段进行分段离散化；对事件相关特征字段集合中的离散字段进行编码；利用递归特征消除法对事件相关特征字段集合进行降维。
在本实施例的一些可选的实现方式中，事件发生概率预测模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本事件相关特征字段集合和样本事件发生标签，样本事件发生标签用于标识样本事件的发生情况；利用机器学习方法，基于训练样本集合对初始事件发生概率预测模型进行训练，得到事件发生概率预测模型。
在本实施例的一些可选的实现方式中，训练样本集合通过如下步骤生成：获取参考样本集合，其中，参考样本集合中的参考样本包括历史事件相关特征字段集合和历史事件发生标签；对参考样本集合中的参考样本中的历史事件相关特征字段集合进行预处理，生成训练样本集合。
在本实施例的一些可选的实现方式中，在对参考样本集合中的参考样本中的历史事件相关特征字段集合进行预处理，生成训练样本集合之前，还包括：统计参考样本集合中的参考样本的字段缺失比例；将字段缺失比例大于预设比例阈值的参考样本从参考样本集合中删除。
在本实施例的一些可选的实现方式中，在对参考样本集合中的参考样本中的历史事件相关特征字段集合进行预处理，生成训练样本集合之后，还包括：利用合成少数类过采样技术对训练样本集合进行采样，构建新的训练样本，并添加到训练样本集合中。
在本实施例的一些可选的实现方式中，初始事件发生概率预测模型是梯度提升决策树，包括学习器和残差网络。
在本实施例的一些可选的实现方式中，利用机器学习方法，基于训练样本集合对初始事件发生概率预测模型进行训练，得到事件发生概率预测模型，包括：初始化梯度提升决策树中的学习器；执行以下训练步骤：对于训练样本集合中的训练样本，将该训练样本中的样本事件相关特征字段集合输入至梯度提升决策树，得到该训练样本对应的样本事件发生概率，基于该训练样本中的样本事件发生标签和对应的样本事件发生概率，确定损失函数的损失值是否满足训练目标，若满足训练目标，将梯度提升决策树作为事件发生概率预测模型。
在本实施例的一些可选的实现方式中，利用机器学习方法，基于训练样本集合对初始事件发生概率预测模型进行训练，得到事件发生概率预测模型，还包括：响应于确定损失值不满足训练目标，更新梯度提升决策树中的学习器，以及继续执行训练步骤。
下面参考图8，其示出了适于用来实现本申请实施例的服务器(例如图1所示的服务器103)的计算机系统800的结构示意图。图8示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、处理单元和预测单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待预测用户的事件相关特征字段集合的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：获取待预测用户的事件相关特征字段集合；对事件相关特征字段集合进行预处理，生成处理事件相关特征字段集合；将处理事件相关特征字段集合输入至预先训练的事件发生概率预测模型，得到待预测用户的事件发生概率，其中，事件发生概率预测模型用于预测用户的事件发生概率。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (20)
1.一种用于预测事件发生概率的方法，包括：
获取待预测用户的事件相关特征字段集合；
对所述事件相关特征字段集合进行预处理，生成处理事件相关特征字段集合；
将所述处理事件相关特征字段集合输入至预先训练的事件发生概率预测模型，得到所述待预测用户的事件发生概率，其中，所述事件发生概率预测模型用于预测用户的事件发生概率。
2.根据权利要求1所述的方法，其中，对所述事件相关特征字段集合进行预处理的方式包括以下至少一项：
对所述事件相关特征字段集合中的缺失字段进行填充；
对所述事件相关特征字段集合中的连续字段进行分段离散化；
对所述事件相关特征字段集合中的离散字段进行编码；
利用递归特征消除法对所述事件相关特征字段集合进行降维。
3.根据权利要求1或2所述的方法，其中，所述事件发生概率预测模型通过如下步骤训练得到：
获取训练样本集合，其中，所述训练样本集合中的训练样本包括样本事件相关特征字段集合和样本事件发生标签，所述样本事件发生标签用于标识样本事件的发生情况；
利用机器学习方法，基于所述训练样本集合对初始事件发生概率预测模型进行训练，得到所述事件发生概率预测模型。
4.根据权利要求3所述的方法，其中，所述训练样本集合通过如下步骤生成：
获取参考样本集合，其中，所述参考样本集合中的参考样本包括历史事件相关特征字段集合和历史事件发生标签；
对所述参考样本集合中的参考样本中的历史事件相关特征字段集合进行预处理，生成所述训练样本集合。
5.根据权利要求4所述的方法，其中，在所述对所述参考样本集合中的参考样本中的历史事件相关特征字段集合进行预处理，生成所述训练样本集合之前，还包括：
统计所述参考样本集合中的参考样本的字段缺失比例；
将字段缺失比例大于预设比例阈值的参考样本从所述参考样本集合中删除。
6.根据权利要求4或5所述的方法，其中，在所述对所述参考样本集合中的参考样本中的历史事件相关特征字段集合进行预处理，生成所述训练样本集合之后，还包括：
利用合成少数类过采样技术对所述训练样本集合进行采样，构建新的训练样本，并添加到所述训练样本集合中。
7.根据权利要求3所述的方法，其中，所述初始事件发生概率预测模型是梯度提升决策树，包括学习器和残差网络。
8.根据权利要求7所述的方法，其中，所述利用机器学习方法，基于所述训练样本集合对初始事件发生概率预测模型进行训练，得到所述事件发生概率预测模型，包括：
初始化所述梯度提升决策树中的学习器；
执行以下训练步骤：对于所述训练样本集合中的训练样本，将该训练样本中的样本事件相关特征字段集合输入至所述梯度提升决策树，得到该训练样本对应的样本事件发生概率，基于该训练样本中的样本事件发生标签和对应的样本事件发生概率，确定损失函数的损失值是否满足训练目标，若满足训练目标，将所述梯度提升决策树作为所述事件发生概率预测模型。
9.根据权利要求8所述的方法，其中，所述利用机器学习方法，基于所述训练样本集合对初始事件发生概率预测模型进行训练，得到所述事件发生概率预测模型，还包括：
响应于确定所述损失值不满足训练目标，更新所述梯度提升决策树中的学习器，以及继续执行所述训练步骤。
10.一种用于预测事件发生概率的装置，包括：
获取单元，被配置成获取待预测用户的事件相关特征字段集合；
处理单元，被配置成对所述事件相关特征字段集合进行预处理，生成处理事件相关特征字段集合；
预测单元，被配置成将所述处理事件相关特征字段集合输入至预先训练的事件发生概率预测模型，得到所述待预测用户的事件发生概率，其中，所述事件发生概率预测模型用于预测用户的事件发生概率。
11.根据权利要求10所述的装置，其中，对所述事件相关特征字段集合进行预处理的方式包括以下至少一项：
对所述事件相关特征字段集合中的缺失字段进行填充；
对所述事件相关特征字段集合中的连续字段进行分段离散化；
对所述事件相关特征字段集合中的离散字段进行编码；
利用递归特征消除法对所述事件相关特征字段集合进行降维。
12.根据权利要求10或11所述的装置，其中，所述事件发生概率预测模型通过如下步骤训练得到：
获取训练样本集合，其中，所述训练样本集合中的训练样本包括样本事件相关特征字段集合和样本事件发生标签，所述样本事件发生标签用于标识样本事件的发生情况；
利用机器学习方法，基于所述训练样本集合对初始事件发生概率预测模型进行训练，得到所述事件发生概率预测模型。
13.根据权利要求12所述的装置，其中，所述训练样本集合通过如下步骤生成：
获取参考样本集合，其中，所述参考样本集合中的参考样本包括历史事件相关特征字段集合和历史事件发生标签；
对所述参考样本集合中的参考样本中的历史事件相关特征字段集合进行预处理，生成所述训练样本集合。
14.根据权利要求13所述的装置，其中，在所述对所述参考样本集合中的参考样本中的历史事件相关特征字段集合进行预处理，生成所述训练样本集合之前，还包括：
统计所述参考样本集合中的参考样本的字段缺失比例；
将字段缺失比例大于预设比例阈值的参考样本从所述参考样本集合中删除。
15.根据权利要求13或14所述的装置，其中，在所述对所述参考样本集合中的参考样本中的历史事件相关特征字段集合进行预处理，生成所述训练样本集合之后，还包括：
利用合成少数类过采样技术对所述训练样本集合进行采样，构建新的训练样本，并添加到所述训练样本集合中。
16.根据权利要求12所述的装置，其中，所述初始事件发生概率预测模型是梯度提升决策树，包括学习器和残差网络。
17.根据权利要求16所述的装置，其中，所述利用机器学习方法，基于所述训练样本集合对初始事件发生概率预测模型进行训练，得到所述事件发生概率预测模型，包括：
初始化所述梯度提升决策树中的学习器；
执行以下训练步骤：对于所述训练样本集合中的训练样本，将该训练样本中的样本事件相关特征字段集合输入至所述梯度提升决策树，得到该训练样本对应的样本事件发生概率，基于该训练样本中的样本事件发生标签和对应的样本事件发生概率，确定损失函数的损失值是否满足训练目标，若满足训练目标，将所述梯度提升决策树作为所述事件发生概率预测模型。
18.根据权利要求17所述的装置，其中，所述利用机器学习方法，基于所述训练样本集合对初始事件发生概率预测模型进行训练，得到所述事件发生概率预测模型，还包括：
响应于确定所述损失值不满足训练目标，更新所述梯度提升决策树中的学习器，以及继续执行所述训练步骤。
19.一种服务器，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
20.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910212931.0A CN109948851A (zh) | 2019-03-20 | 2019-03-20 | 用于预测事件发生概率的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910212931.0A CN109948851A (zh) | 2019-03-20 | 2019-03-20 | 用于预测事件发生概率的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109948851A true CN109948851A (zh) | 2019-06-28 |
Family
ID=67010326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910212931.0A Pending CN109948851A (zh) | 2019-03-20 | 2019-03-20 | 用于预测事件发生概率的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948851A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353301A (zh) * | 2020-02-24 | 2020-06-30 | 成都网安科技发展有限公司 | 辅助定密方法及装置 |
| CN111383028A (zh) * | 2020-03-16 | 2020-07-07 | 支付宝(杭州)信息技术有限公司 | 预测模型训练方法及装置、预测方法及装置 |
| CN111626783A (zh) * | 2020-04-30 | 2020-09-04 | 贝壳技术有限公司 | 用于实现事件转化概率预测的离线信息设置方法和装置 |
| CN111626898A (zh) * | 2020-03-20 | 2020-09-04 | 贝壳技术有限公司 | 用于实现事件归因的方法、装置、介质和电子设备 |
| CN112667791A (zh) * | 2020-12-23 | 2021-04-16 | 深圳壹账通智能科技有限公司 | 潜在事件预测方法、装置、设备及存储介质 |
| CN113180623A (zh) * | 2021-06-01 | 2021-07-30 | 山东大学 | 无袖式血压测量方法、系统、设备及存储介质 |
| WO2021151305A1 (zh) * | 2020-07-16 | 2021-08-05 | 平安科技（深圳）有限公司 | 基于缺失数据的样本分析方法、装置、电子设备及介质 |
| WO2022002108A1 (en) * | 2020-06-30 | 2022-01-06 | 5G Care Limited | Intelligent system and method for event tracking |
| CN115169588A (zh) * | 2022-09-06 | 2022-10-11 | 深圳前海中电慧安科技有限公司 | 电像计算时空轨迹车码关联方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
| CN107908740A (zh) * | 2017-11-15 | 2018-04-13 | 百度在线网络技术（北京）有限公司 | 信息输出方法和装置 |
| CN108230131A (zh) * | 2017-12-29 | 2018-06-29 | 国信优易数据有限公司 | 一种数据处理方法及装置 |
| CN108475393A (zh) * | 2016-01-27 | 2018-08-31 | 华为技术有限公司 | 通过合成特征和梯度提升决策树进行预测的系统和方法 |
| CN108733631A (zh) * | 2018-04-09 | 2018-11-02 | 中国平安人寿保险股份有限公司 | 一种数据评估方法、装置、终端设备及存储介质 |
| CN108898479A (zh) * | 2018-06-28 | 2018-11-27 | 中国农业银行股份有限公司 | 信用评价模型的构建方法及装置 |
-
2019
- 2019-03-20 CN CN201910212931.0A patent/CN109948851A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108475393A (zh) * | 2016-01-27 | 2018-08-31 | 华为技术有限公司 | 通过合成特征和梯度提升决策树进行预测的系统和方法 |
| CN107292528A (zh) * | 2017-06-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 车险风险预测方法、装置及服务器 |
| CN107908740A (zh) * | 2017-11-15 | 2018-04-13 | 百度在线网络技术（北京）有限公司 | 信息输出方法和装置 |
| CN108230131A (zh) * | 2017-12-29 | 2018-06-29 | 国信优易数据有限公司 | 一种数据处理方法及装置 |
| CN108733631A (zh) * | 2018-04-09 | 2018-11-02 | 中国平安人寿保险股份有限公司 | 一种数据评估方法、装置、终端设备及存储介质 |
| CN108898479A (zh) * | 2018-06-28 | 2018-11-27 | 中国农业银行股份有限公司 | 信用评价模型的构建方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 于旭，梅文编著: "《物联网信息安全》", 31 January 2014 * |
| 梁怡: "《统计学基础》", 30 April 2017 * |
| 蔡丽艳著: "《数据挖掘算法及其应用研究》", 28 February 2013 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353301A (zh) * | 2020-02-24 | 2020-06-30 | 成都网安科技发展有限公司 | 辅助定密方法及装置 |
| CN111383028A (zh) * | 2020-03-16 | 2020-07-07 | 支付宝(杭州)信息技术有限公司 | 预测模型训练方法及装置、预测方法及装置 |
| CN111383028B (zh) * | 2020-03-16 | 2022-11-22 | 支付宝(杭州)信息技术有限公司 | 预测模型训练方法及装置、预测方法及装置 |
| CN111626898A (zh) * | 2020-03-20 | 2020-09-04 | 贝壳技术有限公司 | 用于实现事件归因的方法、装置、介质和电子设备 |
| CN111626898B (zh) * | 2020-03-20 | 2022-03-15 | 贝壳找房(北京)科技有限公司 | 用于实现事件归因的方法、装置、介质和电子设备 |
| CN111626783A (zh) * | 2020-04-30 | 2020-09-04 | 贝壳技术有限公司 | 用于实现事件转化概率预测的离线信息设置方法和装置 |
| CN111626783B (zh) * | 2020-04-30 | 2021-08-31 | 贝壳找房(北京)科技有限公司 | 用于实现事件转化概率预测的离线信息设置方法和装置 |
| WO2022002108A1 (en) * | 2020-06-30 | 2022-01-06 | 5G Care Limited | Intelligent system and method for event tracking |
| WO2021151305A1 (zh) * | 2020-07-16 | 2021-08-05 | 平安科技（深圳）有限公司 | 基于缺失数据的样本分析方法、装置、电子设备及介质 |
| CN112667791A (zh) * | 2020-12-23 | 2021-04-16 | 深圳壹账通智能科技有限公司 | 潜在事件预测方法、装置、设备及存储介质 |
| CN113180623A (zh) * | 2021-06-01 | 2021-07-30 | 山东大学 | 无袖式血压测量方法、系统、设备及存储介质 |
| CN115169588A (zh) * | 2022-09-06 | 2022-10-11 | 深圳前海中电慧安科技有限公司 | 电像计算时空轨迹车码关联方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948851A (zh) | 用于预测事件发生概率的方法和装置 | |
| CN108268934A (zh) | 基于深度学习的推荐方法和装置、电子设备、介质、程序 | |
| CN109460514A (zh) | 用于推送信息的方法和装置 | |
| WO2019111118A1 (en) | Robust gradient weight compression schemes for deep learning applications | |
| CN110796542A (zh) | 金融风险控制方法、金融风险控制装置和电子设备 | |
| CN110502516A (zh) | 表格数据解析方法、装置、计算机设备及存储介质 | |
| US10885332B2 (en) | Data labeling for deep-learning models | |
| CN108989882A (zh) | 用于输出视频中的音乐片段的方法和装置 | |
| CN110267097A (zh) | 基于分类特征的视频推送方法、装置及电子设备 | |
| CN110278447A (zh) | 基于连续特征的视频推送方法、装置及电子设备 | |
| CN109495552A (zh) | 用于更新点击率预测模型的方法和装置 | |
| CN108121699A (zh) | 用于输出信息的方法和装置 | |
| CN110659657A (zh) | 训练模型的方法和装置 | |
| CN110363650A (zh) | 一种存量用户动支意愿预测方法、装置和系统 | |
| CN109087138A (zh) | 数据处理方法及系统、计算机系统和可读存储介质 | |
| CN112017042A (zh) | 基于tweedie分布的资源配额确定方法、装置和电子设备 | |
| CN109325806A (zh) | 一种用户信息的处理方法及装置 | |
| CN113254679A (zh) | 多媒体资源推荐方法、装置、电子设备以及存储介质 | |
| CN109190123A (zh) | 用于输出信息的方法和装置 | |
| CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
| CN112446498A (zh) | 在线部分奖励学习 | |
| CN110866625A (zh) | 促销指标信息生成方法和装置 | |
| CN112348658A (zh) | 资源分配方法、装置及电子设备 | |
| WO2023185125A1 (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
| CN110300329A (zh) | 基于离散特征的视频推送方法、装置及电子设备 |
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 |