CN111160624A - 一种用户意向预测方法、用户意向预测装置及终端设备 - Google Patents
一种用户意向预测方法、用户意向预测装置及终端设备 Download PDFInfo
- Publication number
- CN111160624A CN111160624A CN201911251572.6A CN201911251572A CN111160624A CN 111160624 A CN111160624 A CN 111160624A CN 201911251572 A CN201911251572 A CN 201911251572A CN 111160624 A CN111160624 A CN 111160624A
- Authority
- CN
- China
- Prior art keywords
- user
- intention
- predicted
- score
- information
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本申请适用于数据挖掘技术领域,提供了一种用户意向预测方法、用户意向预测装置及终端设备,所述方法包括:获取各个样本用户的行为信息;将所述各个样本用户的行为信息输入至待训练的回归模型得到对应的各个样本意向得分;根据所述各个样本意向得分从所述样本用户中筛选得到至少一个高分用户;获取所述至少一个高分用户的反馈信息;根据各个高分用户的反馈信息更新所述回归模型的得分权重得到已训练的回归模型;将预测用户的行为信息输入至所述已训练的回归模型得到所述预测用户的预测意向得分;将所述预测意向得分输出至预设的第一对象的关联客户端。通过上述方法,可以提高对用户意向预测的准确率。
Description
技术领域
本申请属于数据挖掘技术领域,尤其涉及一种用户意向预测方法、用户意向预测装置、终端设备及计算机可读存储介质。
背景技术
近年来,数据挖掘引起了信息产业界的极大关注。通过数据挖掘,可以从大量数据中获取到有用的信息。
但是,目前的数据挖掘技术挖掘有用信息的准确率仍然不高,容易出现挖掘的信息并不实用的情况,给用户造成了一些经济损失。
发明内容
有鉴于此,本申请提供了一种用户意向预测方法、用户意向预测装置、终端设备及计算机可读存储介质,可以提高对用户意向预测的准确率。
第一方面,本申请提供了一种用户意向预测方法,包括:
获取各个样本用户的行为信息;
将上述各个样本用户的行为信息输入至待训练的回归模型,得到对应的各个样本意向得分,其中,每一样本意向得分通过对应的样本用户的行为信息以及上述待训练的回归模型的得分权重计算得到;
根据上述各个样本意向得分,从上述样本用户中筛选得到至少一个高分用户;
获取上述至少一个高分用户的反馈信息;
根据各个高分用户的反馈信息更新上述回归模型的得分权重,得到已训练的回归模型;
将预测用户的行为信息输入至上述已训练的回归模型,得到上述预测用户的预测意向得分,其中,上述预测意向得分指示了上述预测用户的意向;
将上述预测意向得分输出至预设的第一对象的关联客户端。
第二方面,本申请提供了一种用户意向预测装置,包括:
行为获取单元,用于获取各个样本用户的行为信息;
样本得分单元,用于将上述各个样本用户的行为信息输入至待训练的回归模型,得到对应的各个样本意向得分,其中,每一样本意向得分通过对应的样本用户的行为信息以及上述待训练的回归模型的得分权重计算得到;
高分筛选单元,用于根据上述各个样本意向得分,从上述样本用户中筛选得到至少一个高分用户;
反馈获取单元,用于获取上述至少一个高分用户的反馈信息;
更新权重单元,用于根据各个高分用户的反馈信息更新上述回归模型的得分权重,得到已训练的回归模型;
预测得分单元,用于将预测用户的行为信息输入至上述已训练的回归模型,得到上述预测用户的预测意向得分,其中,上述预测意向得分指示了上述预测用户的意向;
得分输出单元,用于将上述预测意向得分输出至预设的第一对象的关联客户端。
第三方面,本申请提供了一种终端设备,包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序,上述处理器执行上述计算机程序时实现如上述第一方面所提供的方法。
第四方面,本申请提供了一种计算机可读存储介质,上述计算机可读存储介质存储有计算机程序,上述计算机程序被处理器执行时实现如第一方面所提供的方法。
第五方面,本申请提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面所提供的方法。
由上可见,本申请方案中首先获取各个样本用户的行为信息,将上述各个样本用户的行为信息输入至待训练的回归模型,得到对应的各个样本意向得分,其中,每一样本意向得分通过对应的样本用户的行为信息以及上述待训练的回归模型的得分权重计算得到,根据上述各个样本意向得分,从上述样本用户中筛选得到至少一个高分用户;然后获取上述至少一个高分用户的反馈信息,根据各个高分用户的反馈信息更新上述回归模型的得分权重,得到已训练的回归模型,将预测用户的行为信息输入至上述已训练的回归模型,得到上述预测用户的预测意向得分,其中,上述预测意向得分指示了上述预测用户的意向;最后将上述预测意向得分输出至预设的第一对象的关联客户端。通过本申请方案,在获取到大量用户的行为信息后,可以使用这些行为信息更新回归模型的得分权重,使更新后的回归模型能更加准确地预测用户的意向。
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用户意向预测方法的流程示意图;
图2是本申请实施例提供的用户意向预测装置的结构示意图;
图3是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
图1示出了本申请实施例提供的一种用户意向预测方法的流程图,详述如下:
步骤101,获取各个样本用户的行为信息;
在本申请实施例中,上述样本用户的行为信息为上述样本用户的互联网线上行为信息。上述互联网线上行为信息通过上述样本用户访问互联网上特定的线上资源产生,上述线上资源可以是门户网站上的资源,也可以是指定应用程序,例如微信小程序上的资源。当有样本用户访问线上资源时,就可以获取到该样本用户的行为信息。例如,有某个房地产楼盘微信小程序上存在线上资源,该线上资源包括微沙盘、户型图、实景图片等,当有样本用户访问实景图片和户型图时,则获取到的该样本用户的行为信息为访问实景图片和访问户型图。需要说明的是,在回归模型的训练过程中,任何一个访问了特定的线上资源的用户都可以作为样本用户。
步骤102,将上述各个样本用户的行为信息输入至待训练的回归模型,得到对应的各个样本意向得分;
在本申请实施例中,每一样本意向得分通过对应的样本用户的行为信息以及上述待训练的回归模型的得分权重计算得到。每个样本用户的行为信息中包括至少一种用户行为(如注册账号、访问图片),在上述待训练的回归模型中,每一种用户行为对应有不同的得分权重,对应的得分权重越大,则代表具有该用户行为的用户的意向越高。通过每个样本用户的行为信息中各种用户行为对应的得分权重,计算得到每个样本用户对应的样本意向得分。样本用户对应的样本意向得分越高,则说明该样本用户的意向越高。需要说明的是,上述待训练的回归模型的初始的得分权重由项目开发人员根据个人实际经验设置。
步骤103,根据上述各个样本意向得分,从上述样本用户中筛选得到至少一个高分用户;
在本申请实施例中,根据各个样本用户对应的样本意向得分,从上述样本用户中筛选得到至少一个高分用户,其中,上述高分用户为上述样本用户中对应的样本意向得分较高的用户。
可选地,上述步骤103具体包括:
A1、将上述各个样本意向得分分别与预设的得分阈值进行比较;
A2、将大于上述得分阈值的样本意向得分对应的样本用户筛选为高分用户。
具体地,将各个样本用户对应的样本意向得分分别与预设的得分阈值进行比较,当一个样本用户对应的样本意向得分大于上述得分阈值时,则将该样本用户确定为高分用户,当一个样本用户对应的样本意向得分不大于上述得分阈值时,则将该样本用户确定为非高分用户。
步骤104,获取上述至少一个高分用户的反馈信息;
在本申请实施例中,通过向上述高分用户发送调查信息,得到上述反馈信息,其中,上述反馈信息为高分用户反馈的意向信息,该意向信息指示了高分用户的意向是否为有意向。例如,向高分用户发送调查问卷或聊天消息,得到高分用户的反馈信息。
可选地,上述步骤104之后还包括:
B1、若上述至少一个高分用户的反馈信息的数据量大于预设的数据量阈值,则利用各个高分用户的反馈信息对待训练的分类模型进行训练,得到已训练的分类模型;
B2、将上述预测用户的行为信息输入至已训练的分类模型,得到上述预测用户的预测意向信息;
B3、将上述预测意向信息输出至预设的第二对象的关联客户端。
其中,上述预测意向信息包括上述预测用户的意向是否为正意向,上述正意向表示用户的意向较高。如果上述至少一个高分用户的反馈信息的数据量大于预设的数据量阈值,则利用各个高分用户的反馈信息对待训练的分类模型进行训练,得到已训练的分类模型。上述已训练的分类模型可以根据用户的行为信息对用户的意向分类为正意向或非正意向。将上述预测用户的行为信息输入至已训练的分类模型,得到上述预测用户的预测意向信息,并将上述预测意向信息输出至预设的第二对象的关联客户端。需要说明的是,和上述样本用户一样,上述预测用户也可以是任何一个访问了特定的线上资源的用户,上述样本用户和上述预测用户可以是同一用户,也可以是不同的用户。上述第二对象可以是使用本申请中用户意向预测产品的公司的高层管理人员,以便于高层人员可以较直观的了解到用户的意向,并根据用户的意向调整营销战略。
可选地,上述步骤B2之后还包括:
若上述预测意向信息指示上述预测用户的意向为正意向,则将上述预测用户添加到预设的目标用户库中。
具体地,上述预设的目标用户库用于存储意向为正意向的预测用户的个人信息(如用户姓名、联系方式),以便于后期销售人员对意向为正意向的预测用户进行有针对性的营销。
可选地,上述步骤B2具体包括:
C1、将上述预测用户的行为信息输入至已训练的分类模型中的逻辑回归模型得到第一意向信息;
C2、将上述预测用户的行为信息输入至已训练的分类模型中的支持向量机得到第二意向信息;
C3、根据上述第一意向信息和第二意向信息确定上述预测用户的预测意向信息。
具体地,上述已训练的分类模型中包括逻辑回归模型和支持向量机,上述逻辑回归模型和支持向量机均可以根据用户的行为信息对用户的意向分类为正意向或非正意向。将上述预测用户的行为信息输入至上述逻辑回归模型得到第一意向信息,上述第一意向信息包括上述预测用户的意向是否为正意向。将上述预测用户的行为信息输入至上述支持向量机得到第二意向信息,上述第二意向信息包括上述预测用户的意向是否为正意向。然后根据上述第一意向信息和第二意向信息确定上述预测用户的预测意向信息。
可选地,在一种应用场景下,上述步骤C3具体包括:
D1、若上述第一意向信息和上述第二意向信息均指示上述预测用户的意向为正意向,则确定上述预测用户的预测意向信息所指示的意向为正意向;
D2、若上述第一意向信息指示上述预测用户的意向不为正意向和/或上述第二意向信息指示上述预测用户的意向不为正意向,则确定上述预测用户的预测意向信息指示上述预测用户的意向不为正意向。
具体地,如果上述第一意向信息指示上述预测用户的意向为正意向,上述第二意向信息也指示上述预测用户的意向为正意向,则确定上述预测用户的预测意向信息所指示的意向为正意向。如果上述第一意向信息指示上述预测用户的意向为正意向,上述第二意向信息指示上述预测用户的意向不为正意向,则确定上述预测用户的预测意向信息所指示的意向不为正意向。如果上述第一意向信息指示上述预测用户的意向不为正意向,上述第二意向信息指示上述预测用户的意向为正意向,则确定上述预测用户的预测意向信息所指示的意向不为正意向。如果上述第一意向信息指示上述预测用户的意向不为正意向,且上述第二意向信息指示上述预测用户的意向不为正意向,则确定上述预测用户的预测意向信息所指示的意向不为正意向。也即是说,只有当上述第一意向信息和第二意向信息均指示上述预测用户的意向为正意向时,才确定上述预测用户的预测意向信息所指示的意向为正意向。该种方式可以应用在较为严格的应用场景下,例如,当预测用户的数量较多时,应用该种方式可以从预测用户中筛选出具有更高意向的用户,保证具有高意向的用户的质量。
可选地,在另一种应用场景下,上述步骤C3具体包括:
E1、若上述第一意向信息指示上述预测用户的意向为正意向和/或上述第二意向信息指示上述预测用户的意向为正意向,则确定上述预测用户的预测意向信息指示上述预测用户的意向为正意向;
E2、若上述第一意向信息和上述第二意向信息均指示上述预测用户的意向不为正意向,则确定上述预测用户的预测意向信息所指示的意向不为正意向。
具体地,如果上述第一意向信息指示上述预测用户的意向不为正意向,上述第二意向信息也指示上述预测用户的意向不为正意向,则确定上述预测用户的预测意向信息所指示的意向不为正意向。如果上述第一意向信息指示上述预测用户的意向为正意向,上述第二意向信息指示上述预测用户的意向不为正意向,则确定上述预测用户的预测意向信息所指示的意向为正意向。如果上述第一意向信息指示上述预测用户的意向不为正意向,上述第二意向信息指示上述预测用户的意向为正意向,则确定上述预测用户的预测意向信息所指示的意向为正意向。如果上述第一意向信息指示上述预测用户的意向为正意向,且上述第二意向信息指示上述预测用户的意向为正意向,则确定上述预测用户的预测意向信息所指示的意向为正意向。也即是说,只有当上述第一意向信息和第二意向信息均指示上述预测用户的意向不为正意向时,才确定上述预测用户的预测意向信息所指示的意向不为正意向。该种方式可以应用在较为宽松的应用场景下,例如,当预测用户的数量较少时,应用该种方式可以从预测用户中筛选出一定数量具有高意向的用户,保证具有高意向的用户的数量。
步骤105,根据各个高分用户的反馈信息更新上述回归模型的得分权重,得到已训练的回归模型;
在本申请实施例中,根据各个高分用户的行为信息和反馈信息对上述回归模型进行训练,更新上述回归模型的得分权重,得到上述已训练的回归模型。更新后的得分权重能够更加准确地反映行为信息中的各种用户行为与用户意向的相关性。
步骤106,将预测用户的行为信息输入至上述已训练的回归模型,得到上述预测用户的预测意向得分;
在本申请实施例中,上述预测意向得分指示了上述预测用户的意向。每个预测用户的行为信息中包括至少一种用户行为(如注册账号、访问图片),在上述已训练的回归模型中,每一种用户行为对应有不同的得分权重(即更新后的得分权重),对应的得分权重越大,则代表具有该用户行为的用户的意向越高。通过预测用户的行为信息中各种用户行为对应的得分权重,计算得到该预测用户对应的预测意向得分。预测用户对应的预测意向得分越高,则说明该预测用户的意向越高。
可选地,上述步骤106具体包括:
F1、根据预设条件确定上述已训练的回归模型中各种用户行为对应的有效次数上限值;
F2、将预测用户的行为信息输入至已训练的回归模型,通过上述已训练的回归模型的得分权重和上述有效次数上限值计算得到上述预测用户的预测意向得分。
其中,上述有效次数上限值用于限制任一用户执行相同用户行为的有效次数,有效次数的相同用户行为可以重复得分。即当任一用户重复执行相同用户行为的次数小于或等于对应的有效次数上限值时,该用户行为的有效次数为重复执行该用户行为的次数;当任一用户重复执行相同用户行为的次数大于对应的有效次数上限值时,该用户行为的有效次数为有效次数上限值。将预测用户的行为信息输入至已训练的回归模型,通过上述已训练的回归模型的得分权重和上述有效次数上限值,即可计算得到上述预测用户的预测意向得分。例如,有一用户A,执行相同用户行为B的次数为6次,而用户行为B对应的得分权重为10,用户行为B对应的有效次数上限值为3,则用户A的用户行为B的有效次数为有效次数上限值3,该用户A的用户行为B的得分为有效次数乘以得分权重,即3×10=30分。需要说明的是,用户A的用户行为B的得分并不是用户A的预测意向得分,用户A的预测意向得分等于用户A的各种用户行为的得分之和。
步骤107,将上述预测意向得分输出至预设的第一对象的关联客户端。
在本申请实施例中,上述第一对象可以是使用本申请中用户意向预测产品的公司的销售人员,以便于销售人员可以将预测意向得分更高的客户优先针对性营销。因此,上述第一对象通过上述预测意向得分,可以对各个用户设置优先级,根据优先级对不同的用户采用不同的销售策略;而上述第二对象通过上述预测意向信息,可以较直观地获得用户中具有高意向的用户的比例,从宏观的角度对营销战略作出调整。
由上可见,本申请方案中获取一定数量的样本用户,并使用待训练的回归模型从样本用户中筛选得到至少一个高分用户;向各个高分用户发送调查信息以得到高分用户的反馈信息,根据上述反馈信息对所述回归模型进行训练得到已训练的回归模型;将预测用户输入至已训练的回归模型,得到上述预测用户的预测意向得分,其中,所述预测意向得分指示了所述预测用户的意向。通过本申请方案,在获取到大量用户的行为信息后,可以使用这些行为信息更新回归模型的得分权重,使更新后的回归模型能更加准确地预测用户的意向。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图2示出了本申请实施例提供的一种用户意向预测装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分。
该用户意向预测置200包括:
行为获取单元201,用于获取各个样本用户的行为信息;
样本得分单元202,用于将上述各个样本用户的行为信息输入至待训练的回归模型,得到对应的各个样本意向得分,其中,每一样本意向得分通过对应的样本用户的行为信息以及上述待训练的回归模型的得分权重计算得到;
高分筛选单元203,用于根据上述各个样本意向得分,从上述样本用户中筛选得到至少一个高分用户;
反馈获取单元204,用于获取上述至少一个高分用户的反馈信息;
更新权重单元205,用于根据各个高分用户的反馈信息更新上述回归模型的得分权重,得到已训练的回归模型;
预测得分单元206,用于将预测用户的行为信息输入至上述已训练的回归模型,得到上述预测用户的预测意向得分,其中,上述预测意向得分指示了上述预测用户的意向;
得分输出单元207,用于将上述预测意向得分输出至预设的第一对象的关联客户端。
可选地,上述用户意向预测置200还包括:
分类训练单元,用于若上述至少一个高分用户的反馈信息的数据量大于预设的数据量阈值,则利用各个高分用户的反馈信息对待训练的分类模型进行训练,得到已训练的分类模型;
意向预测单元,用于将上述预测用户的行为信息输入至已训练的分类模型,得到上述预测用户的预测意向信息,其中,上述预测意向信息包括上述预测用户的意向是否为正意向;
第二输出单元,用于第二将上述预测意向信息输出至预设的第二对象的关联客户端。
可选地,上述用户意向预测置200还包括:
目标用户添加单元,用于若上述预测意向信息指示上述预测用户的意向为正意向,则将上述预测用户添加到预设的目标用户库中。
可选地,上述意向预测单元还包括:
第一意向子单元,用于将上述预测用户的行为信息输入至已训练的分类模型中的逻辑回归模型得到第一意向信息;
第二意向子单元,用于将上述预测用户的行为信息输入至已训练的分类模型中的支持向量机得到第二意向信息;
预测意向子单元,用于根据上述第一意向信息和第二意向信息确定上述预测用户的预测意向信息。
可选地,上述预测意向子单元还包括:
预测意向确定子单元,用于若上述第一意向信息和上述第二意向信息均指示上述预测用户的意向为正意向,则确定上述预测用户的预测意向信息所指示的意向为正意向;若上述第一意向信息指示上述预测用户的意向不为正意向和/或上述第二意向信息指示上述预测用户的意向不为正意向,则确定上述预测用户的预测意向信息指示上述预测用户的意向不为正意向。
可选地,上述高分筛选单元203还包括:
得分比较子单元,用于将上述各个样本意向得分分别与预设的得分阈值进行比较;
高分筛选子单元,用于将大于上述得分阈值的样本意向得分对应的样本用户筛选为高分用户。
可选地,上述预测得分单元206还包括:
有效次数确定子单元,用于根据预设条件确定上述已训练的回归模型中各种用户行为对应的有效次数上限值,其中,上述有效次数上限值用于限制任一用户执行相同用户行为的有效次数;
有效次数得分子单元,用于将预测用户的行为信息输入至已训练的回归模型,通过上述已训练的回归模型的得分权重和上述有效次数上限值计算得到上述预测用户的预测意向得分。
由上可见,本申请方案中获取一定数量的样本用户,并使用待训练的回归模型从样本用户中筛选得到至少一个高分用户;向各个高分用户发送调查信息以得到高分用户的反馈信息,根据上述反馈信息对所述回归模型进行训练得到已训练的回归模型;将预测用户输入至已训练的回归模型,得到上述预测用户的预测意向得分,其中,所述预测意向得分指示了所述预测用户的意向。通过本申请方案,在获取到大量用户的行为信息后,可以使用这些行为信息更新回归模型的得分权重,使更新后的回归模型能更加准确地预测用户的意向。
图3为本申请一实施例提供的终端设备的结构示意图。如图3所示,该实施例的终端设备3包括:至少一个处理器30(图3中仅示出一个)处理器、存储器31以及存储在上述存储器31中并可在上述至少一个处理器30上运行的计算机程序32,上述处理器30执行上述计算机程序32时实现以下步骤:
获取各个样本用户的行为信息;
将上述各个样本用户的行为信息输入至待训练的回归模型,得到对应的各个样本意向得分,其中,每一样本意向得分通过对应的样本用户的行为信息以及上述待训练的回归模型的得分权重计算得到;
根据上述各个样本意向得分,从上述样本用户中筛选得到至少一个高分用户;
获取上述至少一个高分用户的反馈信息;
根据各个高分用户的反馈信息更新上述回归模型的得分权重,得到已训练的回归模型;
将预测用户的行为信息输入至上述已训练的回归模型,得到上述预测用户的预测意向得分,其中,上述预测意向得分指示了上述预测用户的意向;
将上述预测意向得分输出至预设的第一对象的关联客户端。
假设上述为第一种可能的实施方式,则在第一种可能的实施方式作为基础而提供的第二种可能的实施方式中,上述获取上述至少一个高分用户的反馈信息之后,还包括:
若上述至少一个高分用户的反馈信息的数据量大于预设的数据量阈值,则利用各个高分用户的反馈信息对待训练的分类模型进行训练,得到已训练的分类模型;
将上述预测用户的行为信息输入至已训练的分类模型,得到上述预测用户的预测意向信息,其中,上述预测意向信息包括上述预测用户的意向是否为正意向;
将上述预测意向信息输出至预设的第二对象的关联客户端。
在上述第二种可能的实施方式作为基础而提供的第三种可能的实施方式中,上述将上述预测用户的行为信息输入至已训练的分类模型,得到上述预测用户的预测意向信息之后,还包括:
若上述预测意向信息指示上述预测用户的意向为正意向,则将上述预测用户添加到预设的目标用户库中。
在上述第二种可能的实施方式作为基础而提供的第四种可能的实施方式中,上述将上述预测用户的行为信息输入至已训练的分类模型,得到上述预测用户的预测意向信息,包括:
将上述预测用户的行为信息输入至已训练的分类模型中的逻辑回归模型得到第一意向信息;
将上述预测用户的行为信息输入至已训练的分类模型中的支持向量机得到第二意向信息;
根据上述第一意向信息和第二意向信息确定上述预测用户的预测意向信息。
在上述第四种可能的实施方式作为基础而提供的第五种可能的实施方式中,上述根据上述第一意向信息和第二意向信息确定上述预测用户的预测意向信息,包括:
若上述第一意向信息和上述第二意向信息均指示上述预测用户的意向为正意向,则确定上述预测用户的预测意向信息所指示的意向为正意向;
若上述第一意向信息指示上述预测用户的意向不为正意向和/或上述第二意向信息指示上述预测用户的意向不为正意向,则确定上述预测用户的预测意向信息指示上述预测用户的意向不为正意向。
在上述第一种可能的实施方式作为基础,或者上述第二种可能的实施方式作为基础,或者上述第三种可能的实施方式作为基础,或者上述第四种可能的实施方式作为基础,或者上述第五种可能的实施方式作为基础而提供的第六种可能的实施方式中,上述根据上述各个样本意向得分,从上述样本用户中筛选得到至少一个高分用户,包括:
将上述各个样本意向得分分别与预设的得分阈值进行比较;
将大于上述得分阈值的样本意向得分对应的样本用户筛选为高分用户。
在上述第一种可能的实施方式作为基础,或者上述第二种可能的实施方式作为基础,或者上述第三种可能的实施方式作为基础,或者上述第四种可能的实施方式作为基础,或者上述第五种可能的实施方式作为基础而提供的第七种可能的实施方式中,上述将预测用户的行为信息输入至上述已训练的回归模型,得到上述预测用户的预测意向得分,包括:
根据预设条件确定上述已训练的回归模型中各种用户行为对应的有效次数上限值,其中,上述有效次数上限值用于限制任一用户执行相同用户行为的有效次数;
将预测用户的行为信息输入至已训练的回归模型,通过上述已训练的回归模型的得分权重和上述有效次数上限值计算得到上述预测用户的预测意向得分。
该终端设备可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是终端设备3的举例,并不构成对终端设备3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),该处理器30还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述存储器31在一些实施例中可以是上述终端设备3的内部存储单元,例如终端设备3的硬盘或内存。上述存储器31在另一些实施例中也可以是上述终端设备3的外部存储设备,例如上述终端设备3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,上述存储器31还可以既包括上述终端设备3的内部存储单元也包括外部存储设备。上述存储器31用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如上述计算机程序的程序代码等。上述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
由上可见,本申请方案中获取一定数量的样本用户,并使用待训练的回归模型从样本用户中筛选得到至少一个高分用户;向各个高分用户发送调查信息以得到高分用户的反馈信息,根据上述反馈信息对所述回归模型进行训练得到已训练的回归模型;将预测用户输入至已训练的回归模型,得到上述预测用户的预测意向得分,其中,所述预测意向得分指示了所述预测用户的意向。通过本申请方案,在获取到大量用户的行为信息后,可以使用这些行为信息更新回归模型的得分权重,使更新后的回归模型能更加准确地预测用户的意向。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,上述计算机可读存储介质存储有计算机程序,上述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质至少可以包括:能够将计算机程序代码携带到终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上上述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种用户意向预测方法,其特征在于,包括:
获取各个样本用户的行为信息;
将所述各个样本用户的行为信息输入至待训练的回归模型,得到对应的各个样本意向得分,其中,每一样本意向得分通过对应的样本用户的行为信息以及所述待训练的回归模型的得分权重计算得到;
根据所述各个样本意向得分,从所述样本用户中筛选得到至少一个高分用户;
获取所述至少一个高分用户的反馈信息;
根据各个高分用户的反馈信息更新所述回归模型的得分权重,得到已训练的回归模型;
将预测用户的行为信息输入至所述已训练的回归模型,得到所述预测用户的预测意向得分,其中,所述预测意向得分指示了所述预测用户的意向;
将所述预测意向得分输出至预设的第一对象的关联客户端。
2.根据权利要求1所述的用户意向预测方法,其特征在于,所述获取所述至少一个高分用户的反馈信息之后,还包括:
若所述至少一个高分用户的反馈信息的数据量大于预设的数据量阈值,则利用各个高分用户的反馈信息对待训练的分类模型进行训练,得到已训练的分类模型;
将所述预测用户的行为信息输入至已训练的分类模型,得到所述预测用户的预测意向信息,其中,所述预测意向信息包括所述预测用户的意向是否为正意向;
将所述预测意向信息输出至预设的第二对象的关联客户端。
3.根据权利要求2所述的用户意向预测方法,其特征在于,所述将所述预测用户的行为信息输入至已训练的分类模型,得到所述预测用户的预测意向信息之后,还包括:
若所述预测意向信息指示所述预测用户的意向为正意向,则将所述预测用户添加到预设的目标用户库中。
4.根据权利要求2所述的用户意向预测方法,其特征在于,所述将所述预测用户的行为信息输入至已训练的分类模型,得到所述预测用户的预测意向信息,包括:
将所述预测用户的行为信息输入至已训练的分类模型中的逻辑回归模型得到第一意向信息;
将所述预测用户的行为信息输入至已训练的分类模型中的支持向量机得到第二意向信息;
根据所述第一意向信息和第二意向信息确定所述预测用户的预测意向信息。
5.根据权利要求4所述的用户意向预测方法,其特征在于,所述根据所述第一意向信息和第二意向信息确定所述预测用户的预测意向信息,包括:
若所述第一意向信息和所述第二意向信息均指示所述预测用户的意向为正意向,则确定所述预测用户的预测意向信息所指示的意向为正意向;
若所述第一意向信息指示所述预测用户的意向不为正意向和/或所述第二意向信息指示所述预测用户的意向不为正意向,则确定所述预测用户的预测意向信息指示所述预测用户的意向不为正意向。
6.根据权利要求1至5任一项所述的用户意向预测方法,其特征在于,所述根据所述各个样本意向得分,从所述样本用户中筛选得到至少一个高分用户,包括:
将所述各个样本意向得分分别与预设的得分阈值进行比较;
将大于所述得分阈值的样本意向得分对应的样本用户筛选为高分用户。
7.根据权利要求1至5任一项所述的用户意向预测方法,其特征在于,所述将预测用户的行为信息输入至所述已训练的回归模型,得到所述预测用户的预测意向得分,包括:
根据预设条件确定所述已训练的回归模型中各种用户行为对应的有效次数上限值,其中,所述有效次数上限值用于限制任一用户执行相同用户行为的有效次数;
将预测用户的行为信息输入至已训练的回归模型,通过所述已训练的回归模型的得分权重和所述有效次数上限值计算得到所述预测用户的预测意向得分。
8.一种用户意向预测装置,其特征在于,包括:
行为获取单元,用于获取各个样本用户的行为信息;
样本得分单元,用于将所述各个样本用户的行为信息输入至待训练的回归模型,得到对应的各个样本意向得分,其中,每一样本意向得分通过对应的样本用户的行为信息以及所述待训练的回归模型的得分权重计算得到;
高分筛选单元,用于根据所述各个样本意向得分,从所述样本用户中筛选得到至少一个高分用户;
反馈获取单元,用于获取所述至少一个高分用户的反馈信息;
更新权重单元,用于根据各个高分用户的反馈信息更新所述回归模型的得分权重,得到已训练的回归模型;
预测得分单元,用于将预测用户的行为信息输入至所述已训练的回归模型,得到所述预测用户的预测意向得分,其中,所述预测意向得分指示了所述预测用户的意向;
得分输出单元,用于将所述预测意向得分输出至预设的第一对象的关联客户端。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911251572.6A CN111160624B (zh) | 2019-12-09 | 2019-12-09 | 一种用户意向预测方法、用户意向预测装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911251572.6A CN111160624B (zh) | 2019-12-09 | 2019-12-09 | 一种用户意向预测方法、用户意向预测装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160624A true CN111160624A (zh) | 2020-05-15 |
CN111160624B CN111160624B (zh) | 2023-07-14 |
Family
ID=70556566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911251572.6A Active CN111160624B (zh) | 2019-12-09 | 2019-12-09 | 一种用户意向预测方法、用户意向预测装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160624B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882113A (zh) * | 2020-07-01 | 2020-11-03 | 中国银行股份有限公司 | 一种企业手机银行用户的预测方法和装置 |
CN112181524A (zh) * | 2020-09-29 | 2021-01-05 | 北京有竹居网络技术有限公司 | 组件控制方法及装置、电子设备和计算机可读存储介质 |
CN112561268A (zh) * | 2020-12-07 | 2021-03-26 | 深圳市思为软件技术有限公司 | 行为评估方法及相关设备 |
CN112613727A (zh) * | 2020-12-18 | 2021-04-06 | 深圳市思为软件技术有限公司 | 拓客方法及相关设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150039540A1 (en) * | 2013-07-31 | 2015-02-05 | International Business Machines Corporation | Method and apparatus for evaluating predictive model |
CN107133805A (zh) * | 2017-05-09 | 2017-09-05 | 北京小度信息科技有限公司 | 用户作弊种类预测模型中参数的调整方法、装置及设备 |
CN107944913A (zh) * | 2017-11-21 | 2018-04-20 | 重庆邮电大学 | 基于大数据用户行为分析的高潜在用户购买意向预测方法 |
CN107993085A (zh) * | 2017-10-19 | 2018-05-04 | 阿里巴巴集团控股有限公司 | 模型训练方法、基于模型的用户行为预测方法及装置 |
CN108875761A (zh) * | 2017-05-11 | 2018-11-23 | 华为技术有限公司 | 一种拓展潜在用户的方法及装置 |
CN109241127A (zh) * | 2018-07-13 | 2019-01-18 | 安徽信尔联信息科技有限公司 | 一种客户意向自动评估分类方法 |
CN110009062A (zh) * | 2019-04-18 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 分类模型训练方法及装置 |
CN110097394A (zh) * | 2019-03-27 | 2019-08-06 | 青岛高校信息产业股份有限公司 | 产品潜客推荐方法和装置 |
CN110389970A (zh) * | 2019-06-11 | 2019-10-29 | 中国平安财产保险股份有限公司 | 用户意向预测方法、装置、计算机设备及存储介质 |
-
2019
- 2019-12-09 CN CN201911251572.6A patent/CN111160624B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150039540A1 (en) * | 2013-07-31 | 2015-02-05 | International Business Machines Corporation | Method and apparatus for evaluating predictive model |
CN107133805A (zh) * | 2017-05-09 | 2017-09-05 | 北京小度信息科技有限公司 | 用户作弊种类预测模型中参数的调整方法、装置及设备 |
CN108875761A (zh) * | 2017-05-11 | 2018-11-23 | 华为技术有限公司 | 一种拓展潜在用户的方法及装置 |
CN107993085A (zh) * | 2017-10-19 | 2018-05-04 | 阿里巴巴集团控股有限公司 | 模型训练方法、基于模型的用户行为预测方法及装置 |
CN107944913A (zh) * | 2017-11-21 | 2018-04-20 | 重庆邮电大学 | 基于大数据用户行为分析的高潜在用户购买意向预测方法 |
CN109241127A (zh) * | 2018-07-13 | 2019-01-18 | 安徽信尔联信息科技有限公司 | 一种客户意向自动评估分类方法 |
CN110097394A (zh) * | 2019-03-27 | 2019-08-06 | 青岛高校信息产业股份有限公司 | 产品潜客推荐方法和装置 |
CN110009062A (zh) * | 2019-04-18 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 分类模型训练方法及装置 |
CN110389970A (zh) * | 2019-06-11 | 2019-10-29 | 中国平安财产保险股份有限公司 | 用户意向预测方法、装置、计算机设备及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882113A (zh) * | 2020-07-01 | 2020-11-03 | 中国银行股份有限公司 | 一种企业手机银行用户的预测方法和装置 |
CN111882113B (zh) * | 2020-07-01 | 2024-02-27 | 中国银行股份有限公司 | 一种企业手机银行用户的预测方法和装置 |
CN112181524A (zh) * | 2020-09-29 | 2021-01-05 | 北京有竹居网络技术有限公司 | 组件控制方法及装置、电子设备和计算机可读存储介质 |
CN112561268A (zh) * | 2020-12-07 | 2021-03-26 | 深圳市思为软件技术有限公司 | 行为评估方法及相关设备 |
CN112561268B (zh) * | 2020-12-07 | 2023-12-15 | 深圳市思为软件技术有限公司 | 行为评估方法及相关设备 |
CN112613727A (zh) * | 2020-12-18 | 2021-04-06 | 深圳市思为软件技术有限公司 | 拓客方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111160624B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271512B (zh) | 舆情评论信息的情感分析方法、装置及存储介质 | |
CN111160624A (zh) | 一种用户意向预测方法、用户意向预测装置及终端设备 | |
US11190536B2 (en) | Website vulnerability scan method, device, computer apparatus, and storage medium | |
CN109471978B (zh) | 一种电子资源推荐方法及装置 | |
CN111459993B (zh) | 基于行为分析的配置更新方法、装置、设备及存储介质 | |
CN107644106B (zh) | 自动挖掘业务中间人的方法、终端设备及存储介质 | |
US20170244741A1 (en) | Malware Identification Using Qualitative Data | |
US10423514B1 (en) | Automated classification of mobile app battery consumption using simulation | |
CN111275205A (zh) | 虚拟样本的生成方法、终端设备及存储介质 | |
CN104765609A (zh) | 软件关联资源推荐方法、获取方法及相应的装置 | |
CN112446736A (zh) | 一种点击通过率ctr预测方法及装置 | |
CN108305134B (zh) | 一种机票订单的安全检测方法、设备以及系统 | |
US20230342391A1 (en) | Publisher tool for controlling sponsored content quality across mediation platforms | |
CN112418443A (zh) | 基于迁移学习的数据处理方法、装置、设备及存储介质 | |
CN111768241A (zh) | 交互资格等级确定方法、装置、设备及存储介质 | |
CN111199454A (zh) | 实时用户转化评估方法、装置及电子设备 | |
CN110705637A (zh) | 一种基于应用安装列表信息的用户分类的方法、装置和电子设备 | |
CN112926690B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN114662001A (zh) | 资源交互预测模型训练方法和装置和资源推荐方法和装置 | |
CN112418441A (zh) | 基于迁移学习的数据处理方法、装置、设备及存储介质 | |
CN114064350A (zh) | 数据保护方法、电子设备和计算机程序产品 | |
CN110598211A (zh) | 文章的识别方法和装置、存储介质及电子装置 | |
US11475334B1 (en) | System and method for event prediction using online social media | |
CN113726785B (zh) | 网络入侵检测方法、装置、计算机设备以及存储介质 |
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 |