CN110880127A - 消费水平的预测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请实施例公开了一种消费水平的预测方法、装置、电子设备及存储介质，该方法包括：获取当前用户在当前时间的消费特征，作为当前消费特征；获取与所述当前消费特征对应的历史消费序列；根据所述当前消费特征，通过注意力机制和LSTM提取所述历史消费序列中的消费偏好特征；将所述当前消费特征和所述消费偏好特征输入消费水平分布模型，通过所述消费水平分布模型中的Softmax层对消费水平分布模型的隐层输出值进行处理，得到多个消费金额离散值对应的消费概率；将所述多个消费金额离散值和对应的消费概率作为所述当前用户的消费水平分布。本申请实施例提高了消费水平预测的精确性。

Description

消费水平的预测方法、装置、电子设备及存储介质

技术领域

本申请实施例涉及互联网技术领域，特别是涉及一种消费水平的预测方法、装置、电子设备及存储介质。

背景技术

用户的消费水平决定了用户能够购买什么价格范围的商品或者服务。准确刻画消费水平对于向用户推荐合适的商品或者服务是很关键的，能够有效提升用户的体验。

现有技术中，一般是将用户的消费水平建模为一个等级(比如高、中、低)，即通过对历史数据的统计或者机器学习模型，将用户归属到一个该用户经常消费的金额所在的等级上，从而实现对用户消费水平的预测。

现有技术在进行预测时只能得到用户消费水平所在的等级，刻画不够细致，由于多个用户会对应相同的等级，这时不能体现同一等级的用户差异，而且没有考虑用户在不同时间的消费习惯，无法体现用户在不同时间的消费水平的趋势性差异，因此，现有技术预测得到的消费水平的精确性较低。

发明内容

本申请实施例提供一种消费水平的预测方法、装置、电子设备及存储介质，有助于提高消费水平预测的精确性。

为了解决上述问题，第一方面，本申请实施例提供了一种消费水平的预测方法，包括：

获取当前用户在当前时间的消费特征，作为当前消费特征；

获取与所述当前消费特征对应的历史消费序列；

根据所述当前消费特征，通过注意力机制和长短期记忆网络LSTM提取所述历史消费序列中的消费偏好特征；

将所述当前消费特征和所述消费偏好特征输入消费水平分布模型，通过所述消费水平分布模型中的Softmax层对消费水平分布模型的隐层输出值进行处理，得到多个消费金额离散值对应的消费概率；

将所述多个消费金额离散值和对应的消费概率作为所述当前用户的消费水平分布。

第二方面，本申请实施例提供了一种消费水平的预测装置，包括：

消费特征获取模块，用于获取当前用户在当前时间的消费特征，作为当前消费特征；

消费序列获取模块，用于获取与所述当前消费特征对应的历史消费序列；

消费偏好提取模块，用于根据所述当前消费特征，通过注意力机制和LSTM提取所述历史消费序列中的消费偏好特征；

消费概率预测模块，用于将所述当前消费特征和所述消费偏好特征输入消费水平分布模型，通过所述消费水平分布模型中的Softmax层对消费水平分布模型的隐层输出值进行处理，得到多个消费金额离散值对应的消费概率；

消费水平确定模块，用于将所述多个消费金额离散值和对应的消费概率作为所述当前用户的消费水平分布。

第三方面，本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例所述的消费水平的预测方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请实施例公开的消费水平的预测方法的步骤。

本申请实施例公开的消费水平的预测方法、装置、电子设备及存储介质，通过根据当前消费特征，通过注意力机制和LSTM提取历史消费序列中的消费偏好特征，将当前消费特征和消费偏好特征输入消费水平分布模型，通过消费水平分布模型中的Softmax层对消费水平分布模型的隐层输出值进行处理，得到多个消费金额离散值对应的消费概率，将多个消费金额离散值和对应的消费概率作为当前用户的消费水平分布，通过注意力机制和LSTM提取消费偏好特征可以充分的体现时间上的变化趋势，而且通过Softmax层的处理可以直接得到多个消费金额离散值的消费概率，消费金额离散值是与消费金额对应的金额区间，而不是对应到一个等级，消费水平分布可以充分体现用户间消费水平的差异，因此消费水平分布可以充分反映用户的消费水平，提高了消费水平预测的精确性。

附图说明

为了更清楚地说明本申请实施例的技术方案，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是本申请实施例一的消费水平的预测方法的流程图；

图2是本申请实施例中的消费水平分布的示意图；

图3是本申请实施例中的训练消费水平分布模型的流程图；

图4是本申请实施例中的消费水平分布模型的结构示意图；

图5是本申请实施例中的将消费水平分布作为排序模型的输入特征的示意图；

图6是本申请实施例二的消费水平的预测装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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例，都属于本申请保护的范围。

实施例一

本实施例公开的一种消费水平的预测方法，如图1所示，该方法包括：步骤110至步骤150。

步骤110，获取当前用户在当前时间的消费特征，作为当前消费特征。

其中，所述当前消费特征包括当前用户标识、当前用户所在区域的区域标识和待预测消费水平的商品属性，还可以包括当前时间信息以及其他相关信息。所述当前时间信息包括日期、节假日信息、周几以及具体的时间等。

当需要预测当前用户的消费水平时，获取当前时间、当前用户所在的区域和待预测消费水平的商品属性。可以根据当前用户使用的终端中的定位装置获取所述终端所在的区域，将所述终端所在的区域作为当前用户所在的区域。将当前用户当前浏览的商品对应的商品属性作为待预测消费水平的商品属性，或者，将当前用户选择的商品属性作为待预测消费水平的商品属性。

对当前时间、当前用户标识、当前用户所在区域的区域标识和待预测消费水平的商品属性进行编码，得到当前用户的当前消费特征。其中，商品属性可以是商品的品类，例如，在外卖领域中，可以包括快餐、麻辣烫、砂锅等；在网购平台中，可以包括衣服、日用品等。

步骤120，获取与所述当前消费特征对应的历史消费序列。

其中，所述历史消费序列是对历史消费数据按照预设时间粒度进行统计得到的数据序列。所述历史消费序列包括与所述当前用户标识对应的用户消费序列、与所述区域标识对应的区域消费序列和与所述商品属性对应的商品属性消费序列，所述历史消费序列还可以根据当前消费特征中的其他特征包括对应的消费序列。

在获取历史消费特征时，可以根据当前消费特征中的当前用户标识、区域标识和商品属性，分别获取对应的历史消费数据，并对历史消费数据进行统计处理，得到包括用户消费序列、区域消费序列和商品属性消费序列的历史消费序列。本步骤的操作可以预先完成，即可以在线下空闲时间来完成，不占用用户的线上时间，提高消费水平的预测速度。

在本申请的一个实施例中，所述获取所述当前用户对应的用户消费序列、所述区域对应的区域消费序列和所述商品属性对应的商品属性消费序列，包括：获取与所述当前消费特征对应的历史消费数据；按照预设时间粒度，对所述历史消费数据进行统计，得到历史消费序列。

在当前消费特征包括当前用户标识、区域标识和商品属性时，可以分别按照用户、区域和商品属性三种角度来获取对应的历史消费数据，分别记为用户消费数据、区域消费数据和商品属性消费数据。

如果当前用户的历史消费行为比较少，后续得到的序列数据可能不太充足，以至于比较难捕捉当前用户的消费趋势，通过引入更高层面的区域和商品属性角度的消费序列，用以分别捕捉一个区域和商品属性上的普遍的消费趋势，来缓解用户层次数据不足的问题；同时，如果当前用户的历史消费行为比较充足，通过引入区域和商品属性角度的消费序列可以使得用户消费水平的刻画更为全面、准确。例如，在区域为某个高档小区时，该区域的整体消费水平会较高，如果一个用户的历史消费行为比较少，则可以通过该区域的消费数据来弥补用户消费数据的不足。

本领域技术人员可以理解，除了采用上述用户角度、区域角度和商品属性角度来获取数据之外，还可以采用其他角度的数据，例如手机型号等，当然，也可以采用至少两种角度的数据，即采用用户角度的数据和至少一种其他角度的数据。

其中，预设时间粒度例如可以是一天、一个月或者一天内的设定时间段(如早上、中午、下午、晚上、夜宵等)，还可以是其他设定的时间段，如一周等。

按照预设时间粒度，分别对用户消费数据、区域消费数据和商品属性消费数据进行汇总统计，每个预设时间粒度统计得到的数据作为一条数据点，对用户消费数据进行汇总统计得到的多条数据点按照时间先后顺序组成用户消费序列，对区域消费数据进行汇总统计得到的多条数据点按照时间先后顺序组成区域消费序列，对商品属性消费序列进行汇总统计得到的多条数据点按照时间先后顺序组成区域属性消费序列。

在本申请的一个实施例中，所述按照预设时间粒度，对所述历史消费数据进行统计，得到历史消费序列，包括：对每个预设时间粒度内的历史消费数据按照统计特征进行统计，并按照每个预设时间粒度的时间先后顺序将对应的统计结果组织为历史消费序列。其中，所述统计特征包括单价、单量、时间和距离当前时间的时间差中的至少一种。

其中，所述单价是每次消费的平均价格。所述单量是消费总次数。所述时间是与所述预设时间粒度的记录方式对应的时间，如所述预设时间粒度为一天时，所述时间为一周内的第几天，即周几，所述预设时间粒度为一个月时，所述时间为具体的月份。距离当前时间的时间差与所述预设时间粒度相关，在预设时间粒度为一天时，距离当前时间的时间差是距离当前时间的具体天数；在预设时间粒度为一个月时，距离当前时间的时间差是距离当前时间的具体月数。除了上述的单价、单量、时间和距离当前时间的时间差等统计特征外，还可以按照其他的统计特征进行统计，例如，在对商品属性消费数据进行统计时，统计特征还可以包括商品的总体销量或者品类的总体销量等。

在对数据进行统计时，历史消费数据包括多个角度的消费数据时，则分别对每个角度的消费数据进行统计，得到对应角度的历史消费序列，例如，历史消费数据包括用户消费数据、区域消费数据和商品属性消费数据时，则分别对用户消费数据、区域消费数据和商品属性消费数据按照预设时间粒度进行统计，得到用户消费序列、区域消费序列和商品属性消费序列。对数据进行统计时，把当前角度预设时间粒度里的所有消费行为综合起来得到一个数据点，从而对于多个预设时间粒度里得到的多个数据点按照时间顺序组成一个序列。例如，对于A品类的天级序列，预设时间粒度为一天，商品属性为A品类，汇总时，把发生在A品类上的每一天的消费总次数(单量)、消费总金额、每次消费的平均价格(即单价)等汇总出来，得到一个序列数据点：品类A、日期X、消费总次数N、消费总金额M、单价P等，每天得到一个品类A的序列数据点，多天的序列数据点组成品类A的消费序列。对于其他角度、预设时间粒度类似处理，这里不再赘述。

在本申请的一个实施例中，所述预设时间粒度包括第一预设时间粒度和第二预设时间粒度，所述第一预设时间粒度小于所述第二预设时间粒度。示例性的，所述第一预设时间粒度为一天，所述第二预设时间粒度为一个月。由于用户的历史消费数据是比较稀疏的，即不一定每天都会产生消费数据，比如用户在10月1日进行了第一次消费，产生第一次消费数据，而用户到10月25日进行了第二次消费，产生了第二次消费数据，这样对消费数据进行汇总后，若预设时间粒度为一周，则得到的历史消费序列也会存在稀疏性的问题，而通过采用两个时间粒度来分别汇总数据，通过较小的第一预设时间粒度来统计第一预设时间粒度上的周期性变化趋势，通过较大的第二预设时间粒度来统计第二预设时间粒度上的周期性变化趋势，而且第二预设时间粒度汇总的数据可以缓解第一预设时间粒度汇总的数据的稀疏性问题，并且两者结合可以更好的体现数据的周期性变化趋势。

分别对应第一预设时间粒度和第二预设时间粒度，历史消费序列可以包括对应第一预设时间粒度的第一历史消费序列和对应第二预设时间粒度的第二历史消费序列。从而用户消费序列包括对应第一预设时间粒度的第一用户消费序列和对应第二预设时间粒度的第二用户消费序列；区域消费序列包括对应第一预设时间粒度的第一区域消费序列和对应第二预设时间粒度的第二区域消费序列；商品属性消费序列包括对应第一预设时间粒度的第一商品属性消费序列和对应第二预设时间粒度的第二商品属性消费序列。

在预设时间粒度包括第一预设时间粒度和第二预设时间粒度时，在对用户消费数据进行统计时，对应第一预设时间粒度得到第一用户消费序列，对应第二预设时间粒度得到第二用户消费序列；在对区域消费数据进行统计时，对应第一预设时间粒度得到第一区域消费序列，对应第二预设时间粒度得到第二区域消费序列；在对商品属性消费数据进行统计时，对应第一预设时间粒度得到第一商品数据消费序列，对应第二预设时间粒度得到第二商品属性消费序列。

本申请实施例关注到用户的消费水平有这样的特点：用户的消费水平有时间上的周期性和趋势性，并不是一成不变的，尤其是在外卖领域，用户在工作日和周末节假日有明显的消费倾向差异的场景，比如周末节假日用户往往愿意吃得好些以犒劳自己。通过分别统计第一预设时间粒度和第二预设时间粒度内的消费数据，得到消费序列，可以充分学习到消费数据的周期性和趋势性。

按时间粒度汇总是因为常见的变化趋势是以周、年为周期的，因此，第一预设时间粒度为一天，第二预设时间粒度为一个月时，用一周内的七天、一年内的十二个月作为序列，可以方便消费水平分布模型更好地学习到这种有一定周期性的数据变化趋势，而且按一个月汇总也可以缓解按照一天汇总产生的数据的稀疏性问题，避免序列数据为空值。以天、月为汇总的时间粒度只是一种示例方案，还可以按照其他的时间粒度进行汇总，例如预设时间粒度为时间段(如早上、中午、下午、晚上、夜宵等)，对于用户消费数据，还可以直接把最近的每一次消费行为作为用户消费序列。

具体进行数据统计时，对每个第一预设时间粒度内的用户消费数据按照统计特征分别进行统计，按照时间先后顺序得到第一用户消费序列；对每个第二预设时间粒度内的用户消费数据按照统计特征分别进行统计，按照时间先后顺序得到第二用户消费序列。对每个第一预设时间粒度内的区域消费数据按照统计特征分别进行统计，按照时间先后顺序得到第一区域消费序列；对每个第二预设时间粒度内的区域消费数据按照统计特征分别进行统计，按照时间先后顺序得到第二区域消费序列。对每个第一预设时间粒度内的商品属性消费数据按照统计特征分别进行统计，按照时间先后顺序得到第一商品属性消费序列；对每个第二预设时间粒度内的商品属性消费数据按照统计特征分别进行统计，按照时间先后顺序得到第二商品属性消费序列。

步骤130，根据所述当前消费特征，通过注意力机制和LSTM提取所述历史消费序列中的消费偏好特征。

其中，LSTM(Long Short-Term Memory，长短期记忆网络)是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。

根据当前消费特征，通过结合注意力(Attention)机制的LSTM提取历史消费序列中的消费偏好特征。对于历史消费序列包括用户消费序列、区域消费序列和商品属性消费序列时，对于每个消费序列分别提取相应的消费偏好特征。即根据当前消费特征，通过结合注意力机制的LSTM提取用户消费序列中的消费偏好特征，得到用户消费偏好特征；根据当前消费特征，通过结合注意力机制的LSTM提取区域消费序列中的消费偏好特征，得到区域消费偏好特征；根据当前消费特征，通过结合注意力机制的LSTM提取商品属性消费序列中的消费偏好特征，得到商品属性消费偏好特征。

在本申请的一个实施例中，所述根据所述当前消费特征，通过注意力机制和长短期记忆网络LSTM提取所述历史消费序列中的消费偏好特征，包括：通过LSTM对所述历史消费序列进行处理，得到LSTM序列；根据所述当前消费特征，通过注意力机制提取所述LSTM序列中的消费偏好特征。对于历史消费序列中的每个历史消费数据点对应LSTM中的一个LSTM单元，从而通过LSTM中的各个LSTM单元对历史消费序列中的历史消费数据点进行上下文的学习处理，得到LSTM序列，再根据当前消费特征基于注意力机制提取LSTM序列中的消费偏好特征。

在历史消费序列包括用户消费序列、区域消费序列和商品属性消费序列时，分别对每个消费序列进行处理。即用户消费序列对应一个LSTM，该LSTM对该用户消费序列进行上下文的学习；区域消费序列对应一个LSTM，该LSTM对该区域消费序列进行上下文的学习；商品属性消费序列对应一个LSTM该LSTM对该商品属性消费序列进行上下文的学习。

对于用户消费序列中的每个用户消费数据点对应LSTM中的一个LSTM单元，从而通过LSTM中的各个LSTM单元对用户消费序列中的用户消费数据点进行上下文的学习处理，得到用户LSTM序列。对于区域消费序列中的每个区域消费数据点对应LSTM中的一个LSTM单元，从而通过LSTM中的各个LSTM单元对区域消费序列中的区域消费数据点进行上下文的学习处理，得到区域LSTM序列。对于商品属性消费序列中的每个商品属性消费数据点对应LSTM中的一个LSTM单元，从而通过LSTM中的各个LSTM单元对商品属性消费序列中的商品属性消费数据点进行上下文的学习处理，得到商品属性LSTM序列。

在预设时间粒度包括第一预设时间粒度和第二预设时间粒度时，分别对应第一预设时间粒度和第二预设时间粒度，所述用户LSTM序列包括第一用户LSTM序列和第二用户LSTM序列，所述区域LSTM序列包括第一区域LSTM序列和第二区域LSTM序列，所述商品属性LSTM序列包括第一商品属性LSTM序列和第二商品属性LSTM序列。

按照第一预设时间粒度对用户消费数据进行统计，得到第一用户消费序列，通过LSTM对第一用户消费序列进行上下文的学习，得到第一用户LSTM序列；按照第二预设时间粒度对用户消费数据进行统计，得到第二用户消费序列，通过LSTM对第二用户消费序列进行上下文的学习，得到第二用户LSTM序列。按照第一预设时间粒度对区域消费数据进行统计，得到第一区域消费序列，通过LSTM对第一区域消费序列进行上下文的学习，得到第一区域LSTM序列；按照第二预设时间粒度对区域消费数据进行统计，得到第二区域消费序列，通过LSTM对第二区域消费序列进行上下文的学习处理，得到第二区域LSTM序列。按照第一预设时间粒度对商品属性消费数据进行统计，得到第一商品属性消费序列，通过LSTM对第一商品属性消费序列进行上下文的学习，得到第一商品属性LSTM序列；按照第二预设时间粒度对商品属性消费数据进行统计，得到第二商品属性消费序列，通过LSTM对第二商品属性消费序列进行上下文的学习，得到第二商品属性LSTM序列。

在提取用户消费偏好特征时，将当前消费特征作为注意力机制的输入特征，通过注意力机制根据当前消费特征计算用户LSTM序列中各个数据点的注意力权重，可以根据用户LSTM序列中各个数据点的注意力权重，对用户LSTM序列中各个数据点进行加权求和，确定用户消费偏好特征。例如，当前消费特征中当前时间为12月份，通过注意力机制确定LSTM序列中12月份对应的数据点需要重点关注，即该数据点的注意力权重较高。

在提取区域消费偏好特征时，将当前消费特征作为注意力机制的输入特征，通过注意力机制根据当前消费特征计算区域LSTM序列中各个数据点的注意力权重，可以根据区域LSTM序列中各个数据点的注意力权重，对区域LSTM序列中各个数据点进行加权求和，确定区域消费偏好特征。

在提取商品属性消费偏好特征时，将当前消费特征作为注意力机制的输入特征，通过注意力机制根据当前消费特征计算商品属性LSTM序列中各个数据点的注意力权重，可以根据商品属性LSTM序列中各个数据点的注意力权重，对商品属性LSTM序列中各个数据点进行加权求和，确定商品属性消费偏好特征。

在预设时间粒度包括第一预设时间粒度和第二预设时间粒度时，分别对应第一预设时间粒度和第二预设时间粒度，所述用户消费偏好特征包括第一用户消费偏好特征和第二用户消费偏好特征，所述区域消费偏好特征包括第一区域消费偏好特征和第二区域消费偏好特征，所述商品属性消费偏好特征包括第一商品属性消费偏好特征和第二商品属性消费偏好特征。

在通过第一预设时间粒度和第二预设时间粒度分别对用户消费数据、区域消费数据和商品属性消费数据进行统计时，针对每个角度的消费数据，对应第一预设时间粒度和第二预设时间粒度分别提取到对应的消费偏好特征。

对于用户消费数据，按照第一预设时间粒度进行统计后得到第一用户消费序列，通过LSTM对第一用户消费序列进行上下文的学习后得到第一用户LSTM序列，通过注意力机制提取第一用户LSTM序列中的消费偏好特征，得到第一用户消费偏好特征；按照第二预设时间粒度进行统计后得到第二用户消费序列，通过LSTM对第二用户消费序列进行上下文的学习后得到第二用户LSTM序列，通过注意力机制提取第二用户LSTM序列中的消费偏好特征，得到第二用户消费偏好特征。

对于区域消费数据，按照第一预设时间粒度进行统计后得到第一区域消费序列，通过LSTM对第一区域消费序列进行上下文的学习后得到第一区域LSTM序列，通过注意力机制提取第一区域LSTM序列中的消费偏好特征，得到第一区域消费偏好特征；按照第二预设时间粒度进行统计后得到第二区域消费序列，通过LSTM对第二区域消费序列进行上下文的学习后得到第二区域LSTM序列，通过注意力机制提取第二区域LSTM序列中的消费偏好特征，得到第二区域消费偏好特征。

对于商品属性消费数据，按照第一预设时间粒度进行统计后得到第一商品属性消费序列，通过LSTM对第一商品属性消费序列进行上下文的学习后得到第一商品属性LSTM序列，通过注意力机制提取第一商品属性LSTM序列中的消费偏好特征，得到第一商品属性消费偏好特征；按照第二预设时间粒度进行统计后得到第二商品属性消费序列，通过LSTM对第二商品属性消费序列进行上下文的学习后得到第二商品属性LSTM序列，通过注意力机制提取第二商品属性LSTM序列中的消费偏好特征，得到第二商品属性消费偏好特征。

步骤140，将所述当前消费特征和所述消费偏好特征输入消费水平分布模型，通过所述消费水平分布模型中的Softmax层对消费水平分布模型的隐层输出值进行处理，得到多个消费金额离散值对应的消费概率。

其中，所述消费水平分布模型包括输入层、隐层和输出层，所述隐层包括多个全连接层，所述输出层为Softmax层。所述多个消费金额离散值是按照预设离散化粒度对历史消费数据中的消费金额进行离散化处理得到的。

本申请实施例还关注到用户的消费水平的另一个特点：用户的消费水平是一个分布范围，用户可以接受一个价格范围，离这个范围越远，接受度越低，但并不一定是完全不接受。基于此，本申请实施例基于所有用户的历史消费数据，对消费金额进行取整离散化，得到消费金额离散值，作为消费水平分布模型的多个输出分类。预设离散化粒度可以根据业务场景的需要以及消费数据的丰富程度进行调整，例如，金额比较大的场景可以按10元为粒度，离散化为0元、10元、20元、30元等；金额比较小的场景可以按角为粒度，离散化为0毛、1毛、2毛、3毛等。预设离散化粒度可以根据需要选择，不同的粒度可以得到不同精细程度的消费水平刻画。消费金额离散化的输出不同于消费等级划分的方式，而是和具体的消费金额对应，而且各个消费金额离散值呈现连续递增或连续递减的趋势，即每相邻两个消费金额离散值之差相等，如多个消费金额离散值可以是1、2、3、4、5等，而不会是1、2、3、5这样不连续的。

将当前消费特征与历史消费序列提取出来的偏好特征进行拼接，作为消费水平分布模型的输入特征，在历史消费序列包括用户消费序列、区域消费序列和商品属性消费序列时，消费偏好特征包括用户消费偏好特征、区域消费偏好特征和商品属性消费偏好特征，这时，将当前消费特征、用户消费偏好特征、、区域消费偏好特征和商品属性消费偏好特征进行拼接，作为消费水平分布模型的输入特征。将输入特征输入消费水平分布模型，通过消费水平模型中的作为隐层的多个全连接层依次进行全连接处理，将得到的隐层输出特征输入到Softmax层，Softmax层对隐层输出特征进行归一化处理，得到各个消费金额离散值对应的消费概率。

在将所述当前消费特征和消费偏好特征输入消费水平分布模型之前，已经训练好所述消费水平分布模型。图3是本申请实施例中的训练消费水平分布模型的流程图，图3中以第一预设粒度为一天、第二预设粒度为一个月、按照用户、区域和商品属性三个角度来获取历史消费数据，并以商品属性为品类为例进行说明，如图3所示，训练消费水平模型的步骤包括步骤310至步骤330，具体如下：

步骤310，收集用户历史消费数据。

收集所有用户发生的所有消费记录，包括消费行为发生时的各种信息：用户标识、时间(月份、节假、节气、周几、几点等)、地点(城市、区域等)、商品或者服务的品类、消费金额等。这些消费数据一方面是用于生产历史消费序列，另一方面用于做消费水平分布模型的训练样本。

步骤320，汇总历史消费序列。

将历史消费数据整理、组织成时间序列的形式，以便输入到机器学习模型中。为了在不同角度、不同时间粒度上刻画时间上的变化趋势，汇总时分成按用户、按区域、按品类三个角度，每个角度又分成天级、月级两个时间粒度，可以得到6个序列数据。

按时间粒度汇总是因为常见的变化趋势是以周、年为周期的，用一周内的七天、一年内的十二个月作为序列，可以方便消费水平分布模型更好地学习到这种有一定周期性的变化趋势，而且按一段时间汇总也可以缓解数据的稀疏性问题，避免序列数据为空值。

如图3所示，步骤320包括：步骤321，按用户汇总消费序列；步骤322，按区域汇总消费序列；步骤323，按品类汇总消费序列。具体汇总时，把一个角度一个时间粒度里的所有消费数据综合起来做成一个数据点，多个数据点按照时间先后顺序组织为消费序列，得到天级用户消费序列、月级用户消费序列、天极区域消费序列、月级区域消费序列、天级品类消费序列和月级品类消费序列。

以A品类的天级序列为例，把发生在A品类上的每一天的消费总次数(单量)、消费总金额、每次消费的平均价格(即单价)等汇总出来，得到一个序列数据点：品类A、日期X、消费总次数N、消费总金额M、单价P等。每天的序列数据点按照时间先后顺序组织为A品类的天级消费序列。

步骤330，训练消费水平分布模型。

图4是本申请实施例中的消费水平分布模型的结构示意图，如图4所示，消费水平分布模型包括输入层、隐层和输出层，其中，输入层的输入特征为当前消费特征、天级用户消费偏好特征、月级用户消费偏好特征、天级区域消费偏好特征、月级区域消费偏好特征、天级品类消费偏好特征和月级品类消费偏好特征拼接后的特征。

训练样本的标签为当次消费金额取整离散化后的结果。离散化的粒度可以根据业务场景的需要以及消费数据的丰富程度进行调整。图4中，N是消费金额离散值的最大值，并且消费金额离散值还包括小于1的值以及大于N的值，这些值分别用一个数据点表示，即小于1的值用一个数据点表示，大于N的值用一个数据点表示，这是因为在这些值上用户的消费概率比较低，用一个数据点就可以充分体现用户的消费水平分布特征。

引入了当次消费(即当前样本)的时间(月份、节假、节气、周几、几点等)、地点(城市、区域等)、商品属性(品类等)等信息，以便更好地捕获到用户在不同情景下的消费水平。

在汇总消费序列时，按照当前样本分别汇总与当前样本对应的消费序列，根据当前样本对应的当次消费的时间、区域和品类分别获取当次消费的时间之前的最近的一系列历史数据，得到用户消费数据、区域消费数据和品类消费数据。

对用户消费数据分别按照天级粒度和月级粒度汇总单价(每次平均消费金额)、单量(消费的总次数)、时间(周几)、距离当次消费的时间差(天级粒度为相距当前几天、月级粒度为相距当前几个月)等特征，得到一个序列数据点，多个序列数据点按照时间先后顺序组织为序列，得到天级用户消费序列、月级用户消费序列。按照同样方式得到天级区域消费序列、月级区域消费序列、天级品类消费序列和月级品类消费序列。

通过对应各个消费序列的LSTM对相应消费序列进行上下文的学习处理，得到对应的LSTM序列，即得到天级用户LSTM序列、月级用户LSTM序列、天级区域LSTM序列、月级区域LSTM序列、天级品类LSTM序列和月级品类LSTM序列。

根据当次消费的时间、地点等生成的当前消费特征，分别用注意力机制来提取每个LSTM序列中的消费偏好特征，得到对应的消费偏好特征，即分别得到天级用户消费偏好特征、月级用户消费偏好特征、天级区域消费偏好特征、月级区域消费偏好特征、天级品类消费偏好特征和月级品类消费偏好特征。

当次消费的各种特征信息与历史消费序列提取出来的偏好信息拼接，再经过多个全连接层输入到Softmax层。即将当前样本的当前消费特征、天级用户消费偏好特征、月级用户消费偏好特征、天级区域消费偏好特征、月级区域消费偏好特征、天级品类消费偏好特征和月级品类消费偏好特征进行拼接，得到输入特征，将输入特征输入消费水平分布模型，通过消费水平分布模型中的多个全连接层对输入特征进行处理，得到的隐层输出值输入到Softmax层，通过Softmax层对隐层输出值进行处理，得到各个消费金额离散值的消费概率，根据当前样本的标签，进行反向传播调整消费水平分布模型的网络参数，再选取下一个训练样本作为当前样本并对消费水平分布模型进行训练，直至网络参数收敛，得到训练完成的消费水平分布模型。

步骤150，将所述多个消费金额离散值和对应的消费概率作为所述当前用户的消费水平分布。

Softmax层可以通过对隐层输出值进行Softmax处理，为每个取值(即消费金额离散值)计算一个概率，从而得到每个消费金额离散值上的消费概率，以此得到一个消费水平分布，更准确地刻画消费水平。如图2所示，消费水平分布能刻画出用户在1元到6元每个消费金额离散值上的消费倾向：1～6元都有可能发生消费，同时消费4元商品的可能性最大，而消费1元、6元商品的可能性比较小。

通过消费水平分布模型，对于用户之前未曾消费过的时间、区域、商品属性等场景，也能给出一个相对合理的消费水平估计。

本申请实施例公开的消费水平的预测方法，通过根据当前消费特征，通过注意力机制和LSTM提取历史消费序列中的消费偏好特征，将当前消费特征和消费偏好特征输入消费水平分布模型，通过消费水平分布模型中的Softmax层对消费水平分布模型的隐层输出值进行处理，得到多个消费金额离散值对应的消费概率，将多个消费金额离散值和对应的消费概率作为当前用户的消费水平分布，通过注意力机制和LSTM提取历史消费序列中的消费偏好特征可以充分的体现时间上的变化趋势，而且通过Softmax层的处理可以直接得到多个消费金额离散值的消费概率，消费金额离散值是与消费金额对应的金额区间，而不是对应到一个等级，消费水平分布可以充分体现用户间消费水平的差异，因此消费水平分布可以充分反映用户的消费水平，提高了消费水平预测的精确性。

在上述技术方案的基础上，在所述将所述多个消费金额离散值和对应的消费概率作为所述当前用户的消费水平分布之后，还可选包括：根据待推荐商品的价格和所述消费水平分布，确定所述待推荐商品对应的消费概率；若所述待推荐商品对应的消费概率小于预设概率阈值，则过滤掉所述待推荐商品。在向当前用户推荐商品时，将待推荐商品的价格进行离散化取整，得到价格的离散值，将消费水平分布中的对应该离散值的消费概率作为待推荐商品对应的消费概率，将该消费概率与预设概率阈值进行比较，如果消费概率小于预设概率阈值，则过滤掉待推荐商品，从而提高推荐商品的准确性，提高用户体验。

在上述技术方案的基础上，在所述将所述多个消费金额离散值和对应的消费概率作为所述当前用户的消费水平分布之后，还可选包括：将所述消费水平分布作为排序模型的输入特征。

如图5所示，将消费水平分布和排序模型的其他输入特征(包括其他用户特征、商品特征和上下文特征)进行拼接后作为排序模型的输入特征，通过排序模型中的多个全连接(FC)层进行全连接处理，之后进行归一化处理，得到用户对商品的点击率(Click-Through Rate，CTR)。通过将用户的消费水平分布作为排序模型的一个输入特征，可以准确预测用户对商品的点击率，从而提高排序模型的排序准确性。

实施例二

本实施例公开的一种消费水平的预测装置，如图6所示，所述消费水平的预测装置600包括：

消费特征获取模块610，用于获取当前用户在当前时间的消费特征，作为当前消费特征；

消费序列获取模块620，用于获取与所述当前消费特征对应的历史消费序列；

消费偏好提取模块630，用于根据所述当前消费特征，通过注意力机制和LSTM提取所述历史消费序列中的消费偏好特征；

消费概率预测模块640，用于将所述当前消费特征和所述消费偏好特征输入消费水平分布模型，通过所述消费水平分布模型中的Softmax层对消费水平分布模型的隐层输出值进行处理，得到多个消费金额离散值对应的消费概率；

消费水平确定模块650，用于将所述多个消费金额离散值和对应的消费概率作为所述当前用户的消费水平分布。

可选的，所述消费偏好提取模块包括：

LSTM处理单元，用于通过LSTM对所述历史消费序列进行处理，得到LSTM序列；

消费偏好提取单元，用于根据所述当前消费特征，通过注意力机制提取所述LSTM序列中的消费偏好特征。

可选的，所述消费序列获取模块包括：

历史数据获取单元，用于获取与所述当前消费特征对应的历史消费数据；

消费序列统计单元，用于按照预设时间粒度，对所述历史消费数据进行统计，得到历史消费序列。

可选的，所述预设时间粒度包括第一预设时间粒度和第二预设时间粒度，所述第一预设时间粒度小于所述第二预设时间粒度。

可选的，所述当前消费特征包括当前用户标识、当前用户所在区域的区域标识和待预测消费水平的商品属性；

所述历史消费序列包括与所述当前用户标识对应的用户消费序列、与所述区域标识对应的区域消费序列和与所述商品属性对应的商品属性消费序列。可选的，所述装置还包括：

消费概率确定模块，用于根据待推荐商品的价格和所述消费水平分布，确定所述待推荐商品对应的消费概率；

商品过滤模块，用于若所述待推荐商品对应的消费概率小于预设概率阈值，则过滤掉所述待推荐商品。

可选的，所述装置还包括：

消费水平应用模块，用于将所述消费水平分布作为排序模型的输入特征。

本申请实施例提供的消费水平的预测装置，用于实现本申请实施例一中所述的消费水平的预测方法的各步骤，装置的各模块的具体实施方式参见相应步骤，此处不再赘述。

本申请实施例公开的消费水平的预测装置，通过消费特征获取模块获取当前用户在当前时间的消费特征，作为当前消费特征，消费序列获取模块获取与所述当前消费特征对应的历史消费序列，消费偏好提取模块根据所述当前消费特征，通过注意力机制和LSTM提取所述历史消费序列中的消费偏好特征，消费概率预测模块将当前消费特征和消费偏好特征输入消费水平分布模型，通过消费水平分布模型中的Softmax层对消费水平分布模型的隐层输出值进行处理，得到多个消费金额离散值对应的消费概率，消费水平确定模块将多个消费金额离散值和对应的消费概率作为当前用户的消费水平分布。通过注意力机制和LSTM提取消费偏好特征可以充分的体现时间上的变化趋势，而且通过Softmax层的处理可以直接得到多个消费金额离散值的消费概率，消费金额离散值是与消费金额对应的金额区间，而不是对应到一个等级，消费水平分布可以充分体现用户间消费水平的差异，因此消费水平分布可以充分反映用户的消费水平，提高了消费水平预测的准确性。

相应的，本申请实施例还公开了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例一所述的消费水平的预测方法。所述电子设备可以为服务器、PC机、移动终端、个人数字助理、平板电脑等。

本申请实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例一所述的消费水平的预测方法的步骤。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，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。

以上对本申请实施例提供的一种消费水平的预测方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

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各实施方式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实现。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

Claims (10)

1.一种消费水平的预测方法，其特征在于，包括：

获取当前用户在当前时间的消费特征，作为当前消费特征；

获取与所述当前消费特征对应的历史消费序列；

根据所述当前消费特征，通过注意力机制和长短期记忆网络LSTM提取所述历史消费序列中的消费偏好特征；

将所述当前消费特征和所述消费偏好特征输入消费水平分布模型，通过所述消费水平分布模型中的Softmax层对消费水平分布模型的隐层输出值进行处理，得到多个消费金额离散值对应的消费概率；

将所述多个消费金额离散值和对应的消费概率作为所述当前用户的消费水平分布。

2.根据权利要求1所述的方法，其特征在于，所述根据所述当前消费特征，通过注意力机制和长短期记忆网络LSTM提取所述历史消费序列中的消费偏好特征，包括：

通过LSTM对所述历史消费序列进行处理，得到LSTM序列；

根据所述当前消费特征，通过注意力机制提取所述LSTM序列中的消费偏好特征。

3.根据权利要求1或2所述的方法，其特征在于，所述获取与所述当前消费特征对应的历史消费序列，包括：

获取与所述当前消费特征对应的历史消费数据；

按照预设时间粒度，对所述历史消费数据进行统计，得到历史消费序列。

4.根据权利要求3所述的方法，其特征在于，所述预设时间粒度包括第一预设时间粒度和第二预设时间粒度，所述第一预设时间粒度小于所述第二预设时间粒度。

5.根据权利要求1所述的方法，其特征在于，所述当前消费特征包括当前用户标识、当前用户所在区域的区域标识和待预测消费水平的商品属性；

所述历史消费序列包括与所述当前用户标识对应的用户消费序列、与所述区域标识对应的区域消费序列和与所述商品属性对应的商品属性消费序列。

6.根据权利要求1所述的方法，其特征在于，在所述将所述多个消费金额离散值和对应的消费概率作为所述当前用户的消费水平分布之后，还包括：

根据待推荐商品的价格和所述消费水平分布，确定所述待推荐商品对应的消费概率；

若所述待推荐商品对应的消费概率小于预设概率阈值，则过滤掉所述待推荐商品。

7.根据权利要求1所述的方法，其特征在于，在所述将所述多个消费金额离散值和对应的消费概率作为所述当前用户的消费水平分布之后，还包括：

将所述消费水平分布作为排序模型的输入特征。

8.一种消费水平的预测装置，其特征在于，包括：

消费特征获取模块，用于获取当前用户在当前时间的消费特征，作为当前消费特征；

消费序列获取模块，用于获取与所述当前消费特征对应的历史消费序列；

消费偏好提取模块，用于根据所述当前消费特征，通过注意力机制和LSTM提取所述历史消费序列中的消费偏好特征；

消费概率预测模块，用于将所述当前消费特征和所述消费偏好特征输入消费水平分布模型，通过所述消费水平分布模型中的Softmax层对消费水平分布模型的隐层输出值进行处理，得到多个消费金额离散值对应的消费概率；

消费水平确定模块，用于将所述多个消费金额离散值和对应的消费概率作为所述当前用户的消费水平分布。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任意一项所述的消费水平的预测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7任意一项所述的消费水平的预测方法的步骤。

Images