CN110472798A - 时间序列数据的预测方法、装置及计算机可读存储介质 - Google Patents
时间序列数据的预测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110472798A CN110472798A CN201910779017.4A CN201910779017A CN110472798A CN 110472798 A CN110472798 A CN 110472798A CN 201910779017 A CN201910779017 A CN 201910779017A CN 110472798 A CN110472798 A CN 110472798A
- Authority
- CN
- China
- Prior art keywords
- data
- time series
- target classification
- series data
- prediction
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Abstract
本申请提供了一种时间序列数据的预测方法、装置、及计算机可读存储介质,涉及计算机技术领域。该方法包括:接收待测试用户的时间序列数据;将时间序列数据输入训练后的时序模型的目标分类网络,以使得目标分类网络对时间序列数据进行降维压缩,得到对应的衍生特征数据,以及,对衍生特征数据进行目标分类,得到时间序列数据对应的目标分类的结果的预测概率,并将预测概率进行输出;基于预测概率确定出待测试用户的测试结果。本申请实施例保证了得到的应用时点的目标分类的结果的预测概率与建模时点的目标分类的结果的分布尽可能一致,使得基于训练后的时序模型构造的策略能够更稳定持久的运行,更好的满足了实际应用需求。
Description
技术领域
本申请涉及计算机技术领域,具体而言,本申请涉及一种时间序列数据的预测方法、装置及计算机可读存储介质。
背景技术
随着移动智能设备的普及和互联网的迅猛发展,用户只要简单地通过操作移动智能设备上的应用,就可以方便的实现沟通、娱乐、支付等线上活动,也可以体验如在线离线O2O生活服务、导航、专车等线下消费,基本覆盖了用户的绝大部分生活轨迹,由此产生出丰富的用户行为数据,从而基于这些数据能够更全面的刻画用户。
但是,正因为互联网发展迅猛,所以时常会发生业务调整变更,甚至发生业务直接下线的事情。正因为这种不确定性的存在,这就导致了数据源的不稳定,进而导致已训练好的模型需要根据业务调整而重新训练。但在某些场景下,比如信贷违约风险管控场景,由于下游策略依赖于这个模型,如果数据因为业务变化而发生迁移,就会导致原始模型的预测值也跟着发生波动甚至迁移变化。例如,用户分强依赖于某种行为次数,该行为次数越多则导致用户分越低,这时候平台对这种行为进行打击,导致这种行为出现变少,进而使得用户分普遍变高,这就导致了后续策略也需要跟着调整。例如,根据在建模时点的推算得知,能在风险可控的范围内让用户分大于700分的用户免押,但由于用户分普遍变高,导致大于700分的用户变多,这就会导致了免押带来的风险相比之前更不可控。
传统的解决方法是对原始特征先进行特征衍生,然后计算衍生特征的群体稳定性指标PSI(Population Stability Index),再根据预先设定的阈值对高PSI的特征进行过滤,最后对剩下的特征进行模型训练,如下公式所示:
其中,Ptrue,i为第i个客群的实际占比,Pexpect,i为第i个客群的期望占比。这种方法能够有效地挑选出相对稳定的特征,从而降低模型的PSI,但由于包括特征衍生、特征筛选和模型拟合每一步都是独立完成,所以在模型训练的时候难免会丢失信息,使得最后得到目标分类结果的预测值准确度较低,很可能出现目标分类结果的预测值不符合预先构建造的策略的情况,从而影响业务,无法满足实际应用需求。
发明内容
本申请提供了一种时间序列数据的预测方法、装置及计算机可读存储介质,可以解决目标分类结果的预测值不符合预先构建造的策略的问题。所述技术方案如下:
第一方面,提供了一种时间序列数据的预测方法,该方法包括:
接收待测试用户的时间序列数据;
将所述时间序列数据输入训练后的时序模型的目标分类网络,以使得所述目标分类网络对所述时间序列数据进行降维压缩,得到对应的衍生特征数据,以及,对所述衍生特征数据进行目标分类,得到所述时间序列数据对应的目标分类的结果的预测概率,并将所述预测概率进行输出;
基于所述预测概率确定出所述待测试用户的测试结果。
优选地,所述基于所述预测概率确定出所述待测试用户的测试结果的步骤,包括:
当所述预测概率未超过预设的预测概率阈值时,确定所述待测试用户满足预设的测试条件。
优选地,所述时间序列数据包括以下至少一项:
用户的基础属性数据、虚拟增值服务数据、社交互动行为数据、经济行为数据、娱乐休闲行为数据、在线离线O2O生活服务数据、穿戴设备数据、基于位置服务LBS地理位置数据、旅游出行数据。
优选地,所述方法应用于信贷违约风险管控当中,所述待测试用户的测试结果用于表征所述时间序列数据对应的所述信贷违约风险管控的目标分类结果的预测概率。
所述时序模型通过如下方式训练:
获取样本数据;所述样本数据包括第一类型样本数据和第二类型样本数据;
当所述样本数据为所述第一类型样本数据,基于所述第一类型样本数据对所述目标分类网络的分类目标损失函数进行训练,直至所述分类目标损失函数基于最小值收敛;
当所述样本数据为所述第二类型样本数据,基于所述第二类型样本数据对所述时序对抗网络的时序目标损失函数进行训练,直至所述时序目标损失函数基于最大值离散。
优选地,所述目标分类网络包括编码器和分类器,所述时序对抗网络包括所述编码器和判别器。
优选地,所述第一类型样本数据包括时间序列数据和对应的目标分类的结果;
所述当所述样本数据为所述第一类型样本数据,基于所述第一类型样本数据对所述目标分类网络的分类目标损失函数进行训练,直至所述分类目标损失函数基于最小值收敛的步骤,包括:
将时间序列数据输入编码器,得到第一衍生特征数据;
将第一衍生特征数据分别输入分类器和判别器,得到目标分类的结果的预测概率,以及第一数据时点数据;
基于目标分类数据、目标分类的结果的预测概率采用反向传播算法对分类器的分类目标损失函数进行训练,直至分类目标损失函数基于最小值收敛,以及,基于第一数据时点数据采用反向传播算法对编码器进行训练,得到训练后的编码器。
优选地,所述第二类型样本数据包括时间序列数据和对应的数据时点数据;
所述当所述样本数据为所述第二类型样本数据,基于所述第二类型样本数据对所述时序对抗网络的时序目标损失函数进行训练,直至所述时序目标损失函数基于最大值离散的步骤,包括:
将时间序列数据输入编码器,得到第二衍生特征数据;
将第二衍生特征数据输入判别器,得到第二数据时点数据;
基于数据时点数据和第二数据时点数据采用反向传播算法对判别器的时序目标损失函数进行训练,直至时序目标损失函数基于最大值离散。
优选地,当所述样本数据为所述第一类型样本数据,基于所述第一类型样本数据对所述目标分类网络的分类目标损失函数进行训练,直至所述分类目标损失函数基于最小值收敛之后,还包括:
基于训练后的目标分类网络,生成目标分类的结果的预测概率阈值。
第二方面,提供了一种时间序列数据的预测装置,该装置包括:
接收模块,用于接收待测试用户的时间序列数据;
第一处理模块,用于将所述时间序列数据输入训练后的时序模型的目标分类网络,以使得所述目标分类网络对所述时间序列数据进行降维压缩,得到对应的衍生特征数据,以及,对所述衍生特征数据进行目标分类,得到所述时间序列数据对应的目标分类的结果的预测概率,并将所述预测概率进行输出;
第二处理模块,用于基于所述预测概率确定出所述待测试用户的测试结果。
优选地,所述第二处理模块具体用于:
当所述预测概率未超过预设的预测概率阈值时,确定所述待测试用户满足预设的测试条件。
优选地,所述时间序列数据包括以下至少一项:
用户的基础属性数据、虚拟增值服务数据、社交互动行为数据、经济行为数据、娱乐休闲行为数据、在线离线O2O生活服务数据、穿戴设备数据、基于位置服务LBS地理位置数据、旅游出行数据。
优选地,所述装置应用于信贷违约风险管控当中,所述待测试用户的测试结果用于表征所述时间序列数据对应的所述信贷违约风险管控的目标分类结果的预测概率。
优选地,所述时序模型通过如下方式训练:
获取样本数据;所述样本数据包括第一类型样本数据和第二类型样本数据;
当所述样本数据为所述第一类型样本数据,基于所述第一类型样本数据对所述目标分类网络的分类目标损失函数进行训练,直至所述分类目标损失函数基于最小值收敛;
当所述样本数据为所述第二类型样本数据,基于所述第二类型样本数据对所述时序对抗网络的时序目标损失函数进行训练,直至所述时序目标损失函数基于最大值离散。
优选地,所述目标分类网络包括编码器和分类器,所述时序对抗网络包括所述编码器和判别器。
优选地,所述第一类型样本数据包括时间序列数据和对应的目标分类的结果;
所述当所述样本数据为所述第一类型样本数据,基于所述第一类型样本数据对所述目标分类网络的分类目标损失函数进行训练,直至所述分类目标损失函数基于最小值收敛的步骤,包括:
将时间序列数据输入编码器,得到第一衍生特征数据;
将第一衍生特征数据分别输入分类器和判别器,得到目标分类的结果的预测概率,以及第一数据时点数据;
基于目标分类数据、目标分类的结果的预测概率采用反向传播算法对分类器的分类目标损失函数进行训练,直至分类目标损失函数基于最小值收敛,以及,基于第一数据时点数据采用反向传播算法对编码器进行训练,得到训练后的编码器。
优选地,所述第二类型样本数据包括时间序列数据和对应的数据时点数据;
所述当所述样本数据为所述第二类型样本数据,基于所述第二类型样本数据对所述时序对抗网络的时序目标损失函数进行训练,直至所述时序目标损失函数基于最大值离散的步骤,包括:
将时间序列数据输入编码器,得到第二衍生特征数据;
将第二衍生特征数据输入判别器,得到第二数据时点数据;
基于数据时点数据和第二数据时点数据采用反向传播算法对判别器的时序目标损失函数进行训练,直至时序目标损失函数基于最大值离散。
优选地,还包括:
生成模块,用于基于训练后的目标分类网络,生成目标分类的结果的预测概率阈值。
第三方面,提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现本申请第一方面所示的时间序列数据的预测方法。
本申请提供的技术方案带来的有益效果是:
在本发明实施例中,接收到待测试用户的时间序列数据后,将时间序列数据输入训练后的时序模型的目标分类网络,以使得目标分类网络对时间序列数据进行降维压缩,得到对应的衍生特征数据,以及,对衍生特征数据进行目标分类,得到时间序列数据对应的目标分类的结果的预测概率,并将预测概率进行输出,然后基于预测概率确定出所述待测试用户的测试结果。本申请实施例的方案,通过训练后的时序模型对应用时点的待测试用户的时间序列数据进行预测,得到该待测试用户的目标分类的结果的预测概率,并基于预测概率确定出待测试用户的测试结果,保证了得到的应用时点的目标分类的结果的预测概率与建模时点的目标分类的结果的分布尽可能一致,使得基于训练后的时序模型构造的策略能够更稳定持久的运行,更好的满足了实际应用需求。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请一个实施例提供的一种时间序列数据的预测方法的流程示意图;
图2为传统的时序模型的结构示意图;
图3为本申请的时序模型的结构示意图;
图4为本申请又一实施例提供的一种时间序列数据的预测装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
首先对本申请涉及的几个名词进行介绍和解释:
神经网络:是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
反向传播算法:BP(Back Propagation,反向传播)算法适合于多层神经元网络的一种学习算法,它建立在梯度下降法的基础上。BP神经网络的输入输出关系实质上是一种映射关系:一个n输入m输出的BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射,这一映射具有高度非线性。它的信息处理能力来源于简单非线性函数的多次复合,因此具有很强的函数复现能力。
损失函数:损失函数是用来评估模型的预测值与真实值之间的差异程度。另外损失函数也是神经网络中优化的目标函数,神经网络训练或者优化的过程就是最小化损失函数的过程,损失函数越小,说明模型的预测值就越接近真实值,模型的准确性也就越好。
本申请提供的数据的预测方法、装置、电子设备和计算机可读存储介质,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
在一个实施例中提供了一种时间序列数据的预测方法,如图1所示,该方法包括:
步骤S101,接收待测试用户的时间序列数据;
步骤S102,将所述时间序列数据输入训练后的时序模型的目标分类网络,以使得所述目标分类网络对所述时间序列数据进行降维压缩,得到对应的衍生特征数据,以及,对所述衍生特征数据进行目标分类,得到所述时间序列数据对应的目标分类的结果的预测概率,并将所述预测概率进行输出;
步骤S103,基于所述预测概率确定出所述待测试用户的测试结果。
在本发明实施例中,接收到待测试用户的时间序列数据后,将时间序列数据输入训练后的时序模型的目标分类网络,以使得目标分类网络对时间序列数据进行降维压缩,得到对应的衍生特征数据,以及,对衍生特征数据进行目标分类,得到时间序列数据对应的目标分类的结果的预测概率,并将预测概率进行输出,然后基于预测概率确定出所述待测试用户的测试结果。本申请实施例的方案,通过训练后的时序模型对应用时点的待测试用户的时间序列数据进行预测,得到该待测试用户的目标分类的结果的预测概率,并基于预测概率确定出待测试用户的测试结果,保证了得到的应用时点的目标分类的结果的预测概率与建模时点的目标分类的结果的分布尽可能一致,使得基于训练后的时序模型构造的策略能够更稳定持久的运行,更好的满足了实际应用需求。
在另一个实施例中继续对如图1所示的一种时间序列数据的预测方法进行详细说明:
步骤S101,接收待测试用户的时间序列数据;
步骤S102,将所述时间序列数据输入训练后的时序模型的目标分类网络,以使得所述目标分类网络对所述时间序列数据进行降维压缩,得到对应的衍生特征数据,以及,对所述衍生特征数据进行目标分类,得到所述时间序列数据对应的目标分类的结果的预测概率,并将所述预测概率进行输出;
步骤S103,基于所述预测概率确定出所述待测试用户的测试结果;
在本发明一种优选实施例中,所述基于所述预测概率确定出所述待测试用户的测试结果的步骤,包括:
当所述预测概率未超过预设的预测概率阈值时,确定待测试用户满足预设的测试条件。
比如,预设的预测概率阈值为0.6,当预测得到的待测试用户的目标分类的结果的预测概率小于0.6,则该用户可以申请免押服务,否则,该用户就不能申请免押服务。
其中,时序模型是指利用时间序列数据本身建立模型,以研究事物发展自身的规律,并据此对事物未来的发展做出预测。在时序模型中,以时间t为自变量,研究Y数值自身变化趋势。研究时间序列数据的意义:在现实中,往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录,以得到其自身发展的规律。在现实中很多问题,如利率波动、收益率变化、反映股市行情的各种指数等通常都可以表达为时间序列数据,通过研究这些数据,发现这些经济变量的变化规律(对于某些变量来说,影响其发展变化的因素太多,或者是主要影响变量的数据难以收集,以至于难以建立回归模型来发现其变化发展规律,此时,时间序列分析模型就显现其优势——因为这类模型不需要建立因果关系模型,仅需要其变量本身的数据就可以建模),这样的一种建模方式就属于时间序列分析的研究范畴。
时间序列分析的目的是通过找出样本内时间序列的统计特性和发展规律性,构建时间序列模型,进行样本外预测。在建立模型时要求时间序列是平稳的,但实际进行分析的时间序列尤其是来自经济领域的时间序列大多是非平稳的。这些非平稳的时间序列往往具有某些典型的数据特征。在建立模型时,往往根据序列表现出的数据特征考虑合适的时间序列模型。因此,在实际应用中,难免会出现模型预测值的分布在建模时点和上线时点不一致的情况。
可选地,时间序列数据包括以下至少一项:
用户的基础属性数据、虚拟增值服务数据、社交互动行为数据、经济行为数据、娱乐休闲行为数据、在线离线O2O生活服务数据、穿戴设备数据、基于位置服务LBS地理位置数据、旅游出行数据。
可选地,本发明实施例的方法可以应用于信贷违约风险管控当中,待测试用户的测试结果用于表征时间序列数据对应的信贷违约风险管控的目标分类结果的预测概率。
在实际应用中,以免押服务为例,每个用户都有一个信用分值,当用户的信用分值超过信用分阈值的时候,就可以申请免押服务。其中,信用分阈值就是通过时序模型计算出来的,具体的,时序模型在建模的时候,预测出三个月后,可能有M个用户的信用分值会超过某个信用分值,且对超过该信用分值的M个用户提供免押服务是在风险可控范围内的,因此将该信用分值设置为信用分阈值(构建策略)。结果三个月之后,实际有N(N>M)个用户的信用分值超过了信用分阈值,此时,如果还继续使用该信用分阈值,那么就会出现风险不可控的情况,从而导致亏损。因此,在本发明实施例中,通过训练后的时序模型来预测未来用户是否可能违约,如果出现可能违约的用户的数量较多,那么就可以得知设定的信用分阈值过低,需要更改信用分阈值。
需要说明的是,用户的时间序列数据和目标分类数据可以通过终端中的应用程序,比如微信来获取,该终端可以具有如下特点:
(1)在硬件体系上,设备具备中央处理器、存储器、输入部件和输出部件,也就是说,设备往往是具备通信功能的微型计算机设备。另外,还可以具有多种输入方式,诸如键盘、鼠标、触摸屏、送话器和摄像头等,并可以根据需要进行调整输入。同时,设备往往具有多种输出方式,如受话器、显示屏等,也可以根据需要进行调整;
(2)在软件体系上,设备必须具备操作系统,如Windows Mobile、Symbian、Palm、Android、iOS等。同时,这些操作系统越来越开放,基于这些开放的操作系统平台开发的个性化应用程序层出不穷,如通信簿、日程表、记事本、计算器以及各类游戏等,极大程度地满足了个性化用户的需求;
(3)在通信能力上,设备具有灵活的接入方式和高带宽通信性能,并且能根据所选择的业务和所处的环境,自动调整所选的通信方式,从而方便用户使用。设备可以支持GSM(Global System for Mobile Communication,全球移动通信系统)、WCDMA(Wideband CodeDivision Multiple Access,宽带码分多址)、CDMA2000(Code Division MultipleAccess,码分多址)、TDSCDMA(Time Division-Synchronous Code Division MultipleAccess,时分同步码分多址)、Wi-Fi(Wireless-Fidelity,无线保真)以及WiMAX(WorldwideInteroperability for Microwave Access,全球微波互联接入)等,从而适应多种制式网络,不仅支持语音业务,更支持多种无线数据业务;
(4)在功能使用上,设备更加注重人性化、个性化和多功能化。随着计算机技术的发展,设备从“以设备为中心”的模式进入“以人为中心”的模式,集成了嵌入式计算、控制技术、人工智能技术以及生物认证技术等,充分体现了以人为本的宗旨。由于软件技术的发展,设备可以根据个人需求调整设置,更加个性化。同时,设备本身集成了众多软件和硬件,功能也越来越强大。
可选地,时序模型通过如下方式训练:
获取样本数据;样本数据包括第一类型样本数据和第二类型样本数据;
当样本数据为第一类型样本数据,基于第一类型样本数据对目标分类网络的分类目标损失函数进行训练,直至分类目标损失函数基于最小值收敛;
当样本数据为第二类型样本数据,基于第二类型样本数据对时序对抗网络的时序目标损失函数进行训练,直至时序目标损失函数基于最大值离散。
传统的时序模型一般由编码器(Encoder)和分类器(Classifier)两部分组成,如图2所示,但这种模型的损失函数只考虑了目标类别的分类效果,所以在使用的过程中难免出现模型预测值的分布在建模时点和上线时点不一致的情况。
例如,基于建模时点的预测得知,能在风险可控的范围内对信用分值大于700分的用户免押,但由于模型的不稳定,导致在模型的上线时点,700分以上的用户数量远多于建模时点的预测值,这就会导致可免押的用户数量超过预期数量,使得免押的风险大于建模时点的评估,超出了风险可控的范围,从而导致亏损。
针对上述情况,本发明实施例把传统方法中的PSI筛选特征部分引入到传统的时序模型中,但是因为无法直接对PSI指标进行优化,所以,本发明实施例中,把PSI指标转化为特征对时间的分类问题。因此,本发明实施例中的时序模型包括目标分类网络和时序对抗网络,目标分类网络包括编码器和分类器,时序对抗网络包括编码器和判别器(Discriminator),如图3所示。
其中,x为时间序列数据,y为目标分类的结果,z为数据时点。数据时点为时序数据中的一个类型,时序数据是指时间序列数据。时间序列数据是同一指标按时间顺序记录的数据列。在同一数据列中的各个数据必须是同口径的,要求具有可比性。时序数据可以是时期数,也可以时点数。时间序列分析的目的是通过找出样本内时间序列的统计特性和发展规律性,构建时间序列模型,进行样本外预测。
需要说明的是,对于已经发生的事件,其对应的目标分类的结果就是0或1,比如未违约就是0,已违约就是1。
可选地,第一类型样本数据包括时间序列数据和对应的目标分类的结果;第二类型样本数据包括时间序列数据和对应的数据时点数据。
比如,用户三个月前申请免押租借相机(时间序列数据),三个月后如期归还了相机(目标分类的结果即为0,假设0为未违约,1为已违约),那么,时间序列数据和对应的目标分类的结果就是第一类型样本数据;用户没有使用过免押服务,那么就可以将用户每个月的时间序列数据作为第二类型样本数据,其中,月份就是时点数据。
可选地,时间序列数据包括当前时间序列数据和历史时间序列数据,时间序列数据具体可以为以下各项中一项或多项:
1)用户的基础属性数据,例如姓名、年龄、性别、地区、学历、职业、政治面貌等;
2)虚拟增值服务数据,例如虚拟账号角色装扮,游戏道具购买,影视会员服务,云存储空间增值服务,音乐流量包等;
3)社交互动行为数据,例如聊天,电子邮件,语音通话,微博空间发表,豆瓣评论点评,知乎问答,公众号文章阅读等;
4)经济行为数据,例如支付,理财,购物,金融等;
5)娱乐休闲行为数据,例如视频点播,音乐播放,K歌,新闻阅读等;
6)在线离线O2O生活服务数据,例如家政服务,城市服务,美容保健等;
7)穿戴设备数据,例如医疗健康,运动等;
8)基于位置服务LBS地理位置数据,例如导航,签到,专车等;
9)旅游出行数据,例如票务订购,酒店预定等。
可选地,当时间序列数据为线上数据,时间序列数据可以通过用户手机,平板或者PC电脑上即时通讯软件、游戏客户端、APP下载平台、理财平台、购物软件等采集用户填写的资料或者软件主动上报获得;当时间序列数据为线下数据,时间序列数据可以通过购买、与其他机构合作、问卷调查等方式获得。
其中,历史时间序列数据具有对应的历史目标分类的结果。比如,用户半年前使用免押服务租借了一部相机,现在该用户将相机如期归还,并使用免押服务申请租借一部手机,租期为三个月,那么用户半年前租借相机的信息的数据时点就是历史时间序列数据,手机的申请信息的数据时点就是当前时间序列数据,现在如期归还了相机,那么历史时间序列数据对应的目标分类的结果就为0。
进一步,与当前时间序列数据对应的是未来目标分类的结果的预测概率,而不是目标分类的结果的预测概率,因为此时并不知道目标分类的结果的预测概率的实际结果是什么(事实未发生)。
比如,用户半年前租借了相机,现在如期归还了,那么就可以明确得知用户没有违约(如期归还的事实已经发生),所以,半年前租借相机的信息(历史时间序列数据)是与如期归还(目标分类的结果)对应的。
而用户当前想要使用免押服务租借一部手机,租期为三个月时,此时并不能得知三个月后用户是否会违约,需要在三个月之后才能得知。因此,为了避免出现用户违约不归还手机的情况,需要预测该用户三个月后出现违约的概率,如果违约的概率超过了预设的阈值,那么该用户就无法使用免押服务来租借手机了。
具体而言,本发明实施例可以采用如下目标函数来训练时序模型:
minE,C maxD J(E,C,D)=minE,C maxDEx,y,z~p(x,y,z)(γ·log qD(z|h=E(x))-log qC(y|h=Ex;
其中,E为编码器,C为分类器,D为判别器。
编码器将时间序列数据x输入至编码器,编码器将输入的时间序列数据x进行降维压缩,编码器的输出为潜在空间表征,潜在空间表征是衍生特征,潜在空间表征用h=E(x)表示。分类器解决分类问题,判别器解决时序问题。时序问题和分类问题都是针对一个输入做出一个输出预测,其区别在于输出变量的类型。分类器解决的分类问题是指,给定一个新的模型(目标模型),根据训练集推断该模型所对应的类别(例如:0,1),是一种定性输出,也叫离散变量预测,例如,预测明天是晴(用0表示)还是雨(用1表示)。判别器解决的时序问题是指,给定时间序列数据和对应的时点数据,根据训练集推断出时间序列数据对应的时点数据的概率,比如,用户的时间序列数据的时间跨度为7~9月份,那么就需要预测出时间序列数据属于7月份的概率、属于8月份的概率,以及属于9月份概率。
其中,时序模型训练有三个目标,目标(一):判别器预测z更准确;目标(二):编码器和分类器预测y更准确;目标(三):基于编码器使得判别器预测z更不准确。达到目标(一)就需要计算maxD J(D),达到目标(二)和(三)就需要计算minE,C J(E,C),maxD J(D)与minE,CJ(E,C)进行迭代计算,从而实现对时序模型的训练。需要说明的是,目标(三)也就是计算PD(1-z|E(X)),然后基于PD(1-z|E(X))和历史目标分类的结果,采用反向传播算法对编码器进行训练。这样,将目标分类的损失函数最小化和数据时点的损失函数最大化相结合作为目标函数进行求解,从而在尽可能不损失预测能力的同时,得到在时序上分布更稳定的目标分类的预测值。
可选地,当样本数据为第一类型样本数据,基于第一类型样本数据对目标分类网络的分类目标损失函数进行训练,直至分类目标损失函数基于最小值收敛的步骤,包括:
将时间序列数据输入编码器,得到第一衍生特征数据;
将第一衍生特征数据分别输入分类器和判别器,得到目标分类的结果的预测概率,以及第一数据时点数据;
基于目标分类数据、目标分类的结果的预测概率采用反向传播算法对分类器的分类目标损失函数进行训练,直至分类目标损失函数基于最小值收敛,以及,基于第一数据时点数据采用反向传播算法对编码器进行训练,得到训练后的编码器。
具体而言,可以将第一类型样本数据中的历史时间序列数据输入编码器,得到第一衍生特征数据h=E(x),再将第一衍生特征数据分别输入分类器和判别器,对应得到目标分类的结果的预测概率PC(y|E(X))和第一数据时点数据PD(1-z|E(X)),然后将历史目标分类的结果输入分类器,采用反向传播算法对分类目标损失函数进行训练,直至分类目标损失函数基于最小值收敛,也就是计算minE,C J(E,C),直到目标分类的结果的预测概率稳定趋近于目标分类的结果,然后将得到的训练结果和第一数据时点数据输入编码器,采用反向传播算法对编码器进行训练,得到训练后的编码器。
可选地,当样本数据为第一类型样本数据,基于第一类型样本数据对目标分类网络的分类目标损失函数进行训练,直至分类目标损失函数基于最小值收敛之后,还包括:
基于训练后的目标分类网络,生成目标分类的结果的预测概率阈值。
具体地,分类器训练稳定后,就可以采用训练后的分类器生成目标分类数据阈值。比如,当对用户的当前时间序列数据进行预测得到的目标分类的结果的预测概率大于该目标分类的结果的预测概率阈值时,就可以判定该用户可能会出现违约,进而就不会向该用户提供免押服务了。
可选地,当样本数据为第二类型样本数据,基于第二类型样本数据对时序对抗网络的时序目标损失函数进行训练,直至时序目标损失函数基于最大值离散的步骤,包括:
将时间序列数据输入编码器,得到第二衍生特征数据;
将第二衍生特征数据输入判别器,得到第二数据时点数据;
基于数据时点数据和第二数据时点数据采用反向传播算法对判别器的时序目标损失函数进行训练,直至时序目标损失函数基于最大值离散。
具体而言,可以将第二类型样本数据中的历史时间序列数据输入编码器,得到第二衍生特征数据h=E(x),再将第二衍生特征数据输入判别器,对应得到第二数据时点数据PD(z|E(X)),然后将数据时点数据输入判别器,采用反向传播算法对判别器的时序目标损失函数进行训练,直至时序目标损失函数基于最大值离散,也就是计算maxD J(D),直到第二数据时点数据稳定趋近于数据时点数据。
在本发明实施例中,获取样本数据;样本数据包括第一类型样本数据和第二类型样本数据;当样本数据为第一类型样本数据,基于第一类型样本数据对目标分类网络的分类目标损失函数进行训练,直至分类目标损失函数基于最小值收敛;当样本数据为第二类型样本数据,基于第二类型样本数据对时序对抗网络的时序目标损失函数进行训练,直至时序目标损失函数基于最大值离散。这样,通过对目标分类网络的分类目标损失函数和时序对抗网络的时序目标损失函数进行迭代计算的方式对时序模型进行训练,得到训练后的时序模型,从而在尽可能不损失时间序列数据信息的情况下得到更稳健的时序模型预测值。
图4为本申请又一实施例提供的一种时间序列数据的预测装置的结构示意图,如图4所示,本实施例的装置可以包括:
接收模块401,用于接收待测试用户的时间序列数据;
第一处理模块402,用于将所述时间序列数据输入训练后的时序模型的目标分类网络,以使得所述目标分类网络对所述时间序列数据进行降维压缩,得到对应的衍生特征数据,以及,对所述衍生特征数据进行目标分类,得到所述时间序列数据对应的目标分类的结果的预测概率,并将所述预测概率进行输出;
第二处理模块403,用于基于所述预测概率确定出所述待测试用户的测试结果。
可选地,所述第二处理模块具体用于:
用于当所述预测概率未超过预设的预测概率阈值时,确定所述待测试用户满足预设的测试条件。
可选地,所述时间序列数据包括以下至少一项:
用户的基础属性数据、虚拟增值服务数据、社交互动行为数据、经济行为数据、娱乐休闲行为数据、在线离线O2O生活服务数据、穿戴设备数据、基于位置服务LBS地理位置数据、旅游出行数据。
可选地,所述装置应用于信贷违约风险管控当中,所述待测试用户的目标分类测试结果用于表征所述时间序列数据对应的所述信贷违约风险管控的目标分类结果的预测概率。
可选地,所述时序模型通过如下方式训练:
获取样本数据;所述样本数据包括第一类型样本数据和第二类型样本数据;
当所述样本数据为所述第一类型样本数据,基于所述第一类型样本数据对所述目标分类网络的分类目标损失函数进行训练,直至所述分类目标损失函数基于最小值收敛;
当所述样本数据为所述第二类型样本数据,基于所述第二类型样本数据对所述时序对抗网络的时序目标损失函数进行训练,直至所述时序目标损失函数基于最大值离散。
可选地,所述目标分类网络包括编码器和分类器,所述时序对抗网络包括所述编码器和判别器。
可选地,所述第一类型样本数据包括时间序列数据和对应的目标分类的结果;
所述当所述样本数据为所述第一类型样本数据,基于所述第一类型样本数据对所述目标分类网络的分类目标损失函数进行训练,直至所述分类目标损失函数基于最小值收敛的步骤,包括:
将时间序列数据输入编码器,得到第一衍生特征数据;
将第一衍生特征数据分别输入分类器和判别器,得到目标分类的结果的预测概率,以及第一数据时点数据;
基于目标分类数据、目标分类的结果的预测采用反向传播算法对分类器的分类目标损失函数进行训练,直至分类目标损失函数基于最小值收敛,以及,基于第一数据时点数据采用反向传播算法对编码器进行训练,得到训练后的编码器。
可选地,所述第二类型样本数据包括时间序列数据和对应的数据时点数据;
所述当所述样本数据为所述第二类型样本数据,基于所述第二类型样本数据对所述时序对抗网络的时序目标损失函数进行训练,直至所述时序目标损失函数基于最大值离散的步骤,包括:
将时间序列数据输入编码器,得到第二衍生特征数据;
将第二衍生特征数据输入判别器,得到第二数据时点数据;
基于数据时点数据和第二数据时点数据采用反向传播算法对判别器的时序目标损失函数进行训练,直至时序目标损失函数基于最大值离散。
可选地,还包括:
生成模块,用于基于训练后的目标分类网络,生成目标分类的结果的预测概率阈值。
本实施例的数据的预测装置可执行本申请第一个实施例所示的数据的预测方法,其实现原理相类似,此处不再赘述。
在本发明实施例中,接收到待测试用户的时间序列数据后,将时间序列数据输入训练后的时序模型的目标分类网络,以使得目标分类网络对时间序列数据进行降维压缩,得到对应的衍生特征数据,以及,对衍生特征数据进行目标分类,得到时间序列数据对应的目标分类的结果的预测概率,并将预测概率进行输出,然后基于预测概率确定出所述待测试用户的测试结果。本申请实施例的方案,通过训练后的时序模型对应用时点的待测试用户的时间序列数据进行预测,得到该待测试用户的目标分类的结果的预测概率,并基于预测概率确定出待测试用户的测试结果,保证了得到的应用时点的目标分类的结果的预测概率与建模时点的目标分类的结果的分布尽可能一致,使得基于训练后的时序模型构造的策略能够更稳定持久的运行,更好的满足了实际应用需求。
本申请的又一实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。与现有技术相比,接收到待测试用户的时间序列数据后,将时间序列数据输入训练后的时序模型的目标分类网络,以使得目标分类网络对时间序列数据进行降维压缩,得到对应的衍生特征数据,以及,对衍生特征数据进行目标分类,得到时间序列数据对应的目标分类的结果的预测概率,并将预测概率进行输出,然后基于预测概率确定出所述待测试用户的测试结果。本申请实施例的方案,通过训练后的时序模型对应用时点的待测试用户的时间序列数据进行预测,得到该待测试用户的目标分类的结果的预测概率,并基于预测概率确定出待测试用户的测试结果,保证了得到的应用时点的目标分类的结果的预测概率与建模时点的目标分类的结果的分布尽可能一致,使得基于训练后的时序模型构造的策略能够更稳定持久的运行,更好的满足了实际应用需求。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种时间序列数据的预测方法,其特征在于,包括:
接收待测试用户的时间序列数据;
将所述时间序列数据输入训练后的时序模型的目标分类网络,以使得所述目标分类网络对所述时间序列数据进行降维压缩,得到对应的衍生特征数据,以及,对所述衍生特征数据进行目标分类,得到所述时间序列数据对应的目标分类的结果的预测概率,并将所述预测概率进行输出;
基于所述预测概率确定出所述待测试用户的测试结果。
2.根据权利要求1所述的时间序列数据的预测方法,其特征在于,所述基于所述预测概率确定出所述待测试用户的测试结果的步骤,包括:
当所述预测概率未超过预设的预测概率阈值时,确定所述待测试用户满足预设的测试条件。
3.根据权利要求1所述的数据的预测方式,其特征在于,所述时间序列数据包括以下至少一项:
用户的基础属性数据、虚拟增值服务数据、社交互动行为数据、经济行为数据、娱乐休闲行为数据、在线离线O2O生活服务数据、穿戴设备数据、基于位置服务LBS地理位置数据、旅游出行数据。
4.根据权利要求1所述的数据的预测方法,其特征在于,所述方法应用于信贷违约风险管控当中,所述待测试用户的测试结果用于表征所述时间序列数据对应的所述信贷违约风险管控的目标分类结果的预测概率。
5.根据权利要求1所述的时间序列数据的预测方法,其特征在于,所述时序模型通过如下方式训练:
获取样本数据;所述样本数据包括第一类型样本数据和第二类型样本数据;
当所述样本数据为所述第一类型样本数据,基于所述第一类型样本数据对所述目标分类网络的分类目标损失函数进行训练,直至所述分类目标损失函数基于最小值收敛;
当所述样本数据为所述第二类型样本数据,基于所述第二类型样本数据对所述时序对抗网络的时序目标损失函数进行训练,直至所述时序目标损失函数基于最大值离散。
6.根据权利要求5所述的时间序列数据的预测方法,其特征在于,所述目标分类网络包括编码器和分类器,所述时序对抗网络包括所述编码器和判别器。
7.根据权利要求5或6所述的时间序列数据的预测方法,其特征在于,所述第一类型样本数据包括时间序列数据和对应的目标分类的结果;
所述当所述样本数据为所述第一类型样本数据,基于所述第一类型样本数据对所述目标分类网络的分类目标损失函数进行训练,直至所述分类目标损失函数基于最小值收敛的步骤,包括:
将时间序列数据输入编码器,得到第一衍生特征数据;
将第一衍生特征数据分别输入分类器和判别器,得到目标分类的结果的预测概率,以及第一数据时点数据;
基于目标分类数据、目标分类的结果的预测概率采用反向传播算法对分类器的分类目标损失函数进行训练,直至分类目标损失函数基于最小值收敛,以及,基于第一数据时点数据采用反向传播算法对编码器进行训练,得到训练后的编码器。
8.根据权利要求5或6所述的时间序列数据的预测方法,其特征在于,所述第二类型样本数据包括时间序列数据和对应的数据时点数据;
所述当所述样本数据为所述第二类型样本数据,基于所述第二类型样本数据对所述时序对抗网络的时序目标损失函数进行训练,直至所述时序目标损失函数基于最大值离散的步骤,包括:
将时间序列数据输入编码器,得到第二衍生特征数据;
将第二衍生特征数据输入判别器,得到第二数据时点数据;
基于数据时点数据和第二数据时点数据采用反向传播算法对判别器的时序目标损失函数进行训练,直至时序目标损失函数基于最大值离散。
9.根据权利要求5或6所述的时间序列数据的预测方法,其特征在于,当所述样本数据为所述第一类型样本数据,基于所述第一类型样本数据对所述目标分类网络的分类目标损失函数进行训练,直至所述分类目标损失函数基于最小值收敛之后,还包括:
基于训练后的目标分类网络,生成目标分类的结果的预测概率阈值。
10.一种时间序列数据的预测装置,其特征在于,包括:
接收模块,用于接收待测试用户的时间序列数据;
第一处理模块,用于将所述时间序列数据输入训练后的时序模型的目标分类网络,以使得所述目标分类网络对所述时间序列数据进行降维压缩,得到对应的衍生特征数据,以及,对所述衍生特征数据进行目标分类,得到所述时间序列数据对应的目标分类的结果的预测概率,并将所述预测概率进行输出;
第二处理模块,用于基于所述预测概率确定出所述待测试用户的测试结果。
11.一种计算机可读存储介质,其特征在于,所述计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机可以执行上述权利要求1-9中任一项所述的时间序列数据的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910779017.4A CN110472798A (zh) | 2019-08-22 | 2019-08-22 | 时间序列数据的预测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910779017.4A CN110472798A (zh) | 2019-08-22 | 2019-08-22 | 时间序列数据的预测方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110472798A true CN110472798A (zh) | 2019-11-19 |
Family
ID=68513378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910779017.4A Pending CN110472798A (zh) | 2019-08-22 | 2019-08-22 | 时间序列数据的预测方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472798A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348094A (zh) * | 2020-11-10 | 2021-02-09 | 上海优扬新媒信息技术有限公司 | 数据处理方法及装置 |
CN113836240A (zh) * | 2021-09-07 | 2021-12-24 | 招商银行股份有限公司 | 时序数据分类方法、装置、终端设备及存储介质 |
CN117251295A (zh) * | 2023-11-15 | 2023-12-19 | 成方金融科技有限公司 | 一种资源预测模型的训练方法、装置、设备及介质 |
-
2019
- 2019-08-22 CN CN201910779017.4A patent/CN110472798A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348094A (zh) * | 2020-11-10 | 2021-02-09 | 上海优扬新媒信息技术有限公司 | 数据处理方法及装置 |
CN113836240A (zh) * | 2021-09-07 | 2021-12-24 | 招商银行股份有限公司 | 时序数据分类方法、装置、终端设备及存储介质 |
CN113836240B (zh) * | 2021-09-07 | 2024-02-20 | 招商银行股份有限公司 | 时序数据分类方法、装置、终端设备及存储介质 |
CN117251295A (zh) * | 2023-11-15 | 2023-12-19 | 成方金融科技有限公司 | 一种资源预测模型的训练方法、装置、设备及介质 |
CN117251295B (zh) * | 2023-11-15 | 2024-02-02 | 成方金融科技有限公司 | 一种资源预测模型的训练方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10958748B2 (en) | Resource push method and apparatus | |
AU2013364041B2 (en) | Instance weighted learning machine learning model | |
CN107911491A (zh) | 信息推荐方法、装置及存储介质、服务器和移动终端 | |
CN108962238A (zh) | 基于结构化神经网络的对话方法、系统、设备及存储介质 | |
CN111090756B (zh) | 基于人工智能的多目标推荐模型的训练方法及装置 | |
US20220292999A1 (en) | Real time training | |
CN110472798A (zh) | 时间序列数据的预测方法、装置及计算机可读存储介质 | |
Song et al. | Personalized menu optimization with preference updater: a Boston case study | |
KR20160117097A (ko) | 추정필터를 이용한 교육 성과 예측 방법 및 시스템 | |
CN109976998A (zh) | 一种软件缺陷预测方法、装置和电子设备 | |
CN109656541A (zh) | 开发资源的推荐方法、装置、存储介质和电子设备 | |
CN112785005A (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
CN115034836B (zh) | 一种模型训练方法及相关装置 | |
CA3113332A1 (en) | Artificial intelligence-based personalized financial recommendation assistant system and method | |
Yang et al. | Managing the complexity of new product development project from the perspectives of customer needs and entropy | |
CN110349012A (zh) | 数据预测方法及计算机可读存储介质 | |
CN109614414A (zh) | 一种用户信息的确定方法及装置 | |
CN114398556A (zh) | 学习内容的推荐方法、装置、设备及存储介质 | |
Lo et al. | Commitment on volunteer crowdsourcing platforms: Implications for growth and engagement | |
US20240046922A1 (en) | Systems and methods for dynamically updating machine learning models that provide conversational responses | |
WO2019095846A1 (zh) | 共享产品的推荐方法、装置以及电子设备 | |
Yang et al. | Hierarchical reinforcement learning for conversational recommendation with knowledge graph reasoning and heterogeneous questions | |
Wang | Artificial intelligence-driven model for production innovation of sports news dissemination | |
Liu et al. | A generative model for the collective attention of the Chinese stock market investors | |
US20230281643A1 (en) | Decision support system for marketing mix modeling |
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 |