CN111199418A - 基于图数据和反向传播算法的数据传播方法、装置和电子设备 - Google Patents
基于图数据和反向传播算法的数据传播方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111199418A CN111199418A CN201911290328.0A CN201911290328A CN111199418A CN 111199418 A CN111199418 A CN 111199418A CN 201911290328 A CN201911290328 A CN 201911290328A CN 111199418 A CN111199418 A CN 111199418A
- Authority
- CN
- China
- Prior art keywords
- data
- financial
- target user
- user
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 35
- 238000010586 diagram Methods 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 104
- 238000012545 processing Methods 0.000 claims description 16
- 238000013210 evaluation model Methods 0.000 claims description 14
- 230000003542 behavioural effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 description 7
- 235000013405 beer Nutrition 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q40/06—Asset management; Financial planning or analysis
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Technology Law (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于图数据和反向传播算法的数据传播方法、装置和电子设备。所述方法包括:获取历史用户的行为特征数据和金融表现数据,该金融表现数据用于度量用户对金融产品的表现;使用历史用户的行为特征数据和金融表现数据训练金融评估模型;获取目标用户的基本信息及目标用户的行为关系网络图,根据目标用户的行为关系网络图并通过反向传播算法确定目标用户的行为特征数据;将目标用户的行为特征数据作为金融评估模型的输入特征,计算目标用户的金融评估值;基于述目标用户的金融评估值,向目标用户发送定制数据。本发明能够向各类用户更精准地发送对应的定制数据,提高了效率,并降低了营销成本。
Description
技术领域
本发明涉及通信领域,具体而言,涉及一种基于图数据和反向传播算法的数据传播方法、装置和电子设备。
背景技术
随着移动通信的蓬勃发展,电信运营商能拥有处理和存储的电信数据越来越多,很多公司和企业为了高效的发现目标用户,开始通过和电信运营商合作获取他们的电信数据进行分析和处理,得出结果后反馈给合作商家进行精准营销。
在相关技术中,关于某个超市的尿布与啤酒的销售案例,人们发现了一个有趣的现象:尿布与啤酒这两种风马牛不相及的商品居然摆在一起。但这一奇怪的举措居然使尿布和啤酒的销量大幅增加了。从事情本质上的原因是美国的妇女通常在家照顾孩子,所以她们经常会嘱咐丈夫在下班回家的路上为孩子买尿布,而丈夫在买尿布的同时又会顺手购买自己爱喝的啤酒。这个现象是通过数据分析后发现的,这个发现让商家决定将啤酒与尿布摆放在一起,结果带来了两者销售量的剧增。
国外很多电信企业利用数据挖掘在客户细分有广泛的应用,并且一些电信企业对客户细分及客户营销方面非常重视,同时依据客户细分产生的结果做出正确的决策。某电信企业基于数据挖掘手段在客户流失方面有广泛的应用,并且对其进行预测。此外,有些企业主要利用数据挖掘技术对客户进行细分,例如采用客户的性别和年龄等基本特征来。此外,还有一些企业主要通过分析不同客户的业务贡献来对客户进行细分,针对不同客户群制定差异化的营销方案。
虽然目前大数据在精准营销方面已经有了一些应用,但是针对电信大数据的精准营销方式还是偏少,主要原因是电信运营商为了保护用户隐私,不会随便公开用户的电信数据。此外,在用于数据分析的大量数据中,有些用户的特征数据缺失,对于具有缺失数据的这部分用户的特征数据,事实上并没有得到应用,尤其是在关系网络图数据中存在大量这种缺失数据,由此给模型计算上带来很多问题。
综上,在目标数据优化和精准营销方面仍存在很大改进空间,因此,有必要提供一种更精准的数据传播方法。
发明内容
为了解决上述问题,本发明提供了一种基于图数据和反向传播算法的数据传播方法,包括:获取历史用户的行为特征数据和金融表现数据,该金融表现数据用于度量用户对金融产品的表现;使用所述历史用户的行为特征数据和金融表现数据训练一个机器自学习的金融评估模型,所述金融评估模型用于根据用户的行为特征数据预测其金融评估值,该金融评估值表示的是所述用户对所述金融产品的表现的预测值;获取目标用户的基本信息及目标用户的行为关系网络图,根据所述目标用户的行为关系网络图并通过反向传播算法确定所述目标用户的行为特征数据;将所述目标用户的行为特征数据作为所述金融评估模型的输入特征,计算所述目标用户的金融评估值;基于所述目标用户的金融评估值,向所述目标用户发送定制数据。
优选地,所述通过反向传播算法确定所述目标用户的行为特征数据包括:根据目标用户的邻近用户的行为特征数据,以及目标用户与其邻近用户之间的关系亲密度,计算目标用户通话特征数据。
优选地,所述关系亲密度由通话行为数据确定。
优选地,所述目标用户的行为特征数据通过对所述目标用户的所有邻近用户的行为特征数据与对应关系亲密度的乘积求和而得到。
优选地,所述通话行为数据包括通话次数、通话时长、通话起始时间、呼叫类型和通话时段中的至少一个或其组合。
优选地,所述金融评估值包括注册概率和/或授信概率。
优选地,所述基于所述目标用户的金融评估值,向所述目标用户发送定制数据包括:根据所述金融评估值对目标用户进行分类,并对各类用户发送对应的定制数据。
此外,本发明还提供了一种数据传播装置,包括:数据获取模块,其用于获取历史用户的行为特征数据和金融表现数据,该金融表现数据用于度量用户对金融产品的表现;训练模块,使用所述历史用户的行为特征数据和金融表现数据训练一个机器自学习的金融评估模型,所述金融评估模型用于根据用户的行为特征数据预测其金融评估值,该金融评估值表示的是所述用户对所述金融产品的表现的预测值;数据处理模块,其用于获取目标用户的基本信息及目标用户的行为关系网络图,根据所述目标用户的行为关系网络图并通过反向传播算法确定所述目标用户的行为特征数据;数据计算模块,其将所述目标用户的行为特征数据作为所述金融评估模型的输入特征,计算所述目标用户的金融评估值;数据传播模块,基于所述目标用户的金融评估值,向所述目标用户发送定制数据。
优选地,所述通过反向传播算法确定所述目标用户的行为特征数据包括:
根据目标用户的邻近用户的行为特征数据,以及目标用户与其邻近用户之间的关系亲密度,计算目标用户通话特征数据。
优选地,所述关系亲密度由通话行为数据确定。
优选地,所述目标用户的行为特征数据通过对所述目标用户的所有邻近用户的行为特征数据与对应关系亲密度的乘积求和而得到。
优选地,所述通话行为数据包括通话次数、通话时长、通话起始时间、呼叫类型和通话时段中的至少一个或其组合。
优选地,所述金融评估值包括注册概率和/或授信概率。
优选地,所述基于所述目标用户的金融评估值,向所述目标用户发送定制数据包括:根据所述金融评估值对目标用户进行分类,并对各类用户发送对应的定制数据。
此外,本发明还提供了一种电子设备,其中,该电子设备包括:处理器;以及存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行本发明所述的数据传播方法。
此外,本发明还提供了一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现本发明所述的数据传播方法。
有益效果
与现有技术相比,本发明的数据传播方法应用广泛,特别适用于大规模数据处理和目标用户挖掘。本发明的数据传播方法根据图数据中已知数据,通过反向传播算法推算(或补齐)具有空缺值的行为特征数据(不完整的行为特征数据)或者未知的行为特征数据,因此,能够提高数据的利用率,并且计算方法简便;还能够向各类用户更精准地发送对应的定制数据,由此提高了效率,并降低了营销成本。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚,下面将参照附图详细描述本发明的具体实施例。但需声明的是,下面描述的附图仅仅是本发明本发明示例性实施例的附图,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他实施例的附图。
图1是本发明的基于图数据和反向传播算法的数据传播方法的流程图一示例的流程图。
图2是本发明的实施例1的通话行为数据的一示例的示意性图。
图3是本发明的实施例1的用户的行为关系网络图的一示例的示意图。
图4是本发明的实施例1的用户的行为关系网络图中各节点数据的一示例的示意图。
图5是本发明的实施例1的基于图数据和反向传播算法的数据传播方法的另一示例的流程图。
图6是本发明的实施例2的数据传播装置的一示例的示意图。
图7是本发明的实施例2的数据传播装置的另一示例的结构框图。
图8是根据本发明的一种电子设备的示例性实施例的结构框图。
图9是根据本发明的计算机可读介质的示例性实施例的结构框图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而,示例性实施例能够以多种形式实施,且不应被理解为本发明仅限于在此阐述的实施例。相反,提供这些示例性实施例能够使得本发明更加全面和完整,更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分,因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下,在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中,本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是,并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应理解,虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分,但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如,第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
实施例1
下面,将参照图1至图5描述本发明的基于图数据和反向传播算法的数据传播方法。
图1为本发明的基于图数据和反向传播算法的数据传播方法的流程图。如图1所示,一种基于图数据和反向传播算法的数据传播方法,该数据传播方法包括如下步骤。
在步骤S101中,获取历史用户的行为特征数据和金融表现数据,该金融表现数据用于度量用户对金融产品的表现。
具体地,行为特征数据包括用户间行为数据和金融行为数据,在本实施中,用户间行为特征数据包括通话行为数据,其中,通话行为数据用于表示用户间通话的统计信息。
进一步地,如图2所示,通话行为数据包括通话次数、通话时长、通话起始时间、呼叫类型和通话时段中的至少一个或其组合。在本实施例中,通话行为数据包括通话次数和通话时长。
金融行为数据则是指与用户的金融行为有关的数据,例如与金融行为关联较强的月收入、年收入、借贷信息、还款信息、逾期信息等,也可以是与金融行为关联较弱的年龄、职业等信息。
需要说明的是,在本实施例中,金融表现数据包括用户对于金融产品的行为表现的数据(例如,用户注册某金融产品,则表现数据为1,用户未注册某金融产品,则其表现数据为0,再例如,某金融产品的注册用户进行了授信,则其表现数据为1,未授信,则表现数据为0)。金融表现数据也可以表示对于某金融产品在一定期限内的表现,例如沉默用户(即,触达后120天未注册)的表现数据为0,反之为1。在本实施例中,获取历史用户的金融表现数据是为了预测新用户注册或授信的概率。
需要说明的是,上述仅为优选的实施例,不能理解成对本发明的限制。用户的行为特征数据和金融表现数据也可以是其他数据。例如用户间行为数据也可以是发短信、社交APP传送信息的次数、频率、时段等,金融表现数据也可以是用户对于金融产品的生命周期的其他节点的表现,例如贷款、逾期、欺诈等。
接下来,将描述步骤S102。在步骤S102中,使用历史用户的行为特征数据和金融表现数据训练一个机器自学习的金融评估模型,其中,金融评估模型用于根据用户的行为特征数据预测其金融评估值,该金融评估值表示的是所述用户对所述金融产品的表现的预测值。
具体地,对于金融评估模型的创建,可使用CART算法或XGB算法创建模型树(ModelTree)等。在本实施例中,使用XGB算法创建模型树(Model Tree)。
需要说明的是,上述仅用于说明,不能理解成对本发明的限制。在其他实施例中,还可以使用其他算法,或者可以混合使用两种以上的算法等。
在本实施例中,使用历史用户的行为特征数据和金融表现数据训练金融评估模型,其中,历史用户的行为特征数据作为输入层的特征(X),历史用户的金融表现数据作为输出层的特征(Y)。
进一步地,定义好坏样本,标签为0,1,其中,1表示用户进行了注册或者授信,0表示用户未注册或者未授信。
接下来,将描述步骤S103。在步骤S103中,获取目标用户的基本信息及目标用户的行为关系网络图,根据所述目标用户的行为关系网络图并通过反向传播算法确定所述目标用户的行为特征数据。
图3示出了本发明的实施例1的用户的行为关系网络图的一示例的示意图。如图3所示,在用户的行为关系网络图中,A、B、C、D、E、F、G、H、K、L、M、N、P各个节点均表示不同用户,并且每个节点包括各个用户的用户行为特征数据。
然而,实际上用户的行为关系网络图中有些用户的行为特征数据(样本数据)存在缺失,换言之,将特征数据加工处理之后,在处理后的向量数据中,存在多个缺失值,因此,这种特征数据无法在数据分析中使用,或者这种特征数据的使用有效性低。
为了更精准地向各类客户发送定制数据,本发明提供了一种基于图数据和反向传播算法的数据传播方法。
下面,以推算图数据中具有缺失数据的目标用户(即通话行为数据少的目标用户)为示例对本发明的数据传播方法进行具体说明。
在本实施例中,如图3和图4所示,用户A为目标用户,用户B、用户C、用户D为目标用户A的邻近用户,其中,从各个节点中提取所需的行为特征数据,以计算出目标用户A的行为特征数据。
具体地,如图4所示,从各个节点的数据中所提取的行为特征数据例如为基于通话行为的132维的向量数据,其中,目标用户A的行为特征数据通过对目标用户A的所有邻近用户(邻近用户B、C、D)的行为特征数据与对应关系亲密度的乘积求和而得到,换言之,通过如下公式(1)计算目标用户A的行为特征数据XA。
X1a=m*X1b+k*X1c+p*X1d
X2a=m*X2b+k*X2c+p*X2d
…
Xna=m*Xnb+k*Xnc+p*Xnd (1)
其中,XA为目标用户的通话行为特征数据,X1b、X1c、X1d分别为与目标用户相邻的邻近用户B、C、D的通话行为特征数据,m、k、p分别为目标用户与邻近用户B、C、D之间的关系亲密度,n为正整数,表示向量维数,在本实施例为132维的向量数据,但是不限于此,在其他实施例中,还可以是200维、300维等。
经过上述反向传播算法的计算之后,可得出目标用户的通话行为特征数据XA(X1a,X2a,X3a…,Xna)。
需要说明的是,在本实施例中,上述关系亲密度是由通话行为数据确定的,换言之,通过对目标用户与其邻近用户之间的通话行为数据进行分析,能够基于与目标用户相邻的邻近用户的行为习惯,得到目标用户的行为习惯,这些行为习惯例如为“白天通话行为多”、“夜间通话行为多”、“与邻近用户之间的通话呼出多”或者“与邻近用户之间的通话呼入多”等。
在本实施例中,目标用户与其邻近用户之间的亲密度由通话次数和通话时长确定。此外,邻近用户和历史用户的数据均为已知数据或者可获取数据。
由此,根据与目标用户相邻的所有邻近用户的通话行为特征数据,通过反向传播算法,能够计算出目标用户A的通话行为特征数据,因此,能够将目标用户的缺失数据补齐,一方面,提高了数据的利用率。另一方面,还能够更精准地针对各类客户发送对应的定制数据,由此提高了效率,并节约了成本。此外,基于反向传播算法的推算目标用户A的通话行为特征数据,计算方法简单。
接下来,将描述步骤S104。步骤S104是计算目标用户的金融评估值的步骤。在步骤S104中,将所推算的目标用户A的行为特征数据作为金融评估模型的输入特征,计算目标用户A的金融评估值,该金融评估值表示的是目标用户对金融产品的表现的预测值。
具体地,金融评估值包括注册概率和/或授信概率。在本实施例中,金融评估值为注册概率和/或授信概率。
进一步地,注册概率是指用户在接收到各类营销活动方案之后完成注册的概率,授信概率是指用户在接收到营销活动方案之后完成授信的概率。在本实施例中,营销活动方案是指通过例如网页广告、电话、短信、邮件等不同的营销渠道,针对各类用户发送对应的营销活动方案。
上述仅用于说明,不能理解成对本发明的限制,在其他实施方式中,金融评估值还可以是动支或还款行为的预测值等。
接下来,将描述步骤S105。在步骤S105中,基于步骤S104中得到的目标用户的金融评估值,向目标用户发送定制数据。
具体地,基于金融评估值,能够确定目标用户的类型,对目标用户进行分类,并对各类用户发送对应的定制数据,或者不发送定制数据。
在本实施例中,定制数据例如为与借贷类金融产品相对应的信息数据,针对各类用户发送,例如通过电话或者短信等方式,发送对应的信息数据。因此,能够向各类用户更精准地发送对应的定制数据,降低了营销成本,运算简单,还提高了数据的利用率。
需要说明的是,上述仅为优选的实施例,不能理解成对本发明的限制。在其他实施例中,还可以根据金融评估值,判断出新用户或潜在用户等。此外,在其他实施例中,步骤S105还可以拆分成两个步骤(S201和S105),具体参见图5。
本领域技术人员可以理解,实现上述实施例的全部或部分步骤被实现为由计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时,可以实现本发明提供的上述方法。而且,所述的计算机程序可以存储于计算机可读存储介质中,该存储介质可以是磁盘、光盘、ROM、RAM等可读存储介质,也可以是多个存储介质组成的存储阵列,例如磁盘或磁带存储阵列。所述的存储介质不限于集中式存储,其也可以是分布式存储,例如基于云计算的云存储。
与现有技术相比,本发明的数据传播方法应用广泛,特别适用于大规模数据处理和目标用户挖掘。本发明的数据传播方法根据图数据中已知数据,通过反向传播算法推算(或补齐)具有空缺值的行为特征数据(不完整的行为特征数据)或者未知的行为特征数据,因此,能够提高数据的利用率,并且计算方法简便;还能够向各类用户更精准地发送对应的定制数据,由此提高了效率,并降低了营销成本。
实施例2
下面描述本发明的装置实施例,该装置可以用于执行本发明的方法实施例。对于本发明装置实施例中描述的细节,应视为对于上述方法实施例的补充;对于在本发明装置实施例中未披露的细节,可以参照上述方法实施例来实现。
参照图6和图7,本发明还提供了一种数据传播装置500,所述数据传播装置500包括:数据获取模块501,其用于获取历史用户的行为特征数据和金融表现数据,该金融表现数据用于度量用户对金融产品的表现;训练模块502,使用所述历史用户的行为特征数据和金融表现数据训练一个机器自学习的金融评估模型,所述金融评估模型用于根据用户的行为特征数据预测其金融评估值,该金融评估值表示的是所述用户对所述金融产品的表现的预测值;数据处理模块503,其用于获取目标用户的基本信息及目标用户的行为关系网络图,根据所述目标用户的行为关系网络图并通过反向传播算法确定所述目标用户的行为特征数据;数据计算模块504,其将所述目标用户的行为特征数据作为所述金融评估模型的输入特征,计算所述目标用户的金融评估值;以及数据传播模块505,基于所述目标用户的金融评估值,向所述目标用户发送定制数据。
优选地,数据处理模块503还包括根据目标用户的邻近用户的行为特征数据,以及目标用户与其邻近用户之间的关系亲密度,计算目标用户通话特征数据。
优选地,所述关系亲密度由通话行为数据确定。
优选地,所述目标用户的行为特征数据通过对所述目标用户的所有邻近用户的行为特征数据与对应关系亲密度的乘积求和而得到。
优选地,所述通话行为数据包括通话次数、通话时长、通话起始时间、呼叫类型和通话时段中的至少一个或其组合。
优选地,金融评估值包括注册概率和/或授信概率。
优选地,数据传播装置500还包括数据分类模块601,数据分类模块601根据所述金融评估值对目标用户进行分类,并对各类用户发送对应的定制数据,具体参见图7。
需要说明的是,在实施例2中,省略了与实施例1相同的部分的说明。
本领域技术人员可以理解,上述装置实施例中的各模块可以按照描述分布于装置中,也可以进行相应变化,分布于不同于上述实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
实施例3
下面描述本发明的电子设备实施例,该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节,应视为对于上述方法或装置实施例的补充;对于在本发明电子设备实施例中未披露的细节,可以参照上述方法或装置实施例来实现。
图8是根据本发明的一种电子设备的示例性实施例的结构框图。下面参照图8来描述根据本发明该实施例的电子设备200。图8显示的电子设备200仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于:至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元210执行,使得所述处理单元210执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元210可以执行如图1所示的步骤。
所述存储单元220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202,还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204,这样的程序模块2205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且,电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,本发明描述的示例性实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个计算机可读的存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时,使得该计算机可读介质能够实现本发明的上述方法,即:使用历史用户的APP下载序列向量数据和逾期信息作为训练数据,对所创建的用户风险控制模型进行训练,使用所创建的用户风险控制模型计算目标用户的金融风险预测值。
如图9所示,所述计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
所述计算机可读存储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,其中承载了可读程序代码。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。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。可读存储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、有线、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的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,本发明可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,本发明不与任何特定计算机、虚拟装置或者电子设备固有相关,各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图数据和反向传播算法的数据传播方法,其特征在于,包括:
获取历史用户的行为特征数据和金融表现数据,该金融表现数据用于度量用户对金融产品的表现;
使用所述历史用户的行为特征数据和金融表现数据训练一个机器自学习的金融评估模型,所述金融评估模型用于根据用户的行为特征数据预测其金融评估值,该金融评估值表示的是所述用户对所述金融产品的表现的预测值;
获取目标用户的基本信息及目标用户的行为关系网络图,根据所述目标用户的行为关系网络图并通过反向传播算法确定所述目标用户的行为特征数据;
将所述目标用户的行为特征数据作为所述金融评估模型的输入特征,计算所述目标用户的金融评估值;
基于所述目标用户的金融评估值,向所述目标用户发送定制数据。
2.根据权利要求1中所述的数据传播方法,其特征在于,所述通过反向传播算法确定所述目标用户的行为特征数据包括:
根据目标用户的邻近用户的行为特征数据,以及目标用户与其邻近用户之间的关系亲密度,计算目标用户通话特征数据。
3.根据权利要求1-2中所述的数据传播方法,其特征在于,所述关系亲密度由通话行为数据确定。
4.根据权利要求1-3所述的数据传播方法,其特征在于,所述目标用户的行为特征数据通过对所述目标用户的所有邻近用户的行为特征数据与对应关系亲密度的乘积求和而得到。
5.根据权利要求1-4所述的数据传播方法,其特征在于,所述通话行为数据包括通话次数、通话时长、通话起始时间、呼叫类型和通话时段中的至少一个或其组合。
6.根据权利要求1-5所述的数据传播方法,其特征在于,所述金融评估值包括注册概率和/或授信概率。
7.根据权利要求1-6所述的数据传播方法,其特征在于,所述基于所述目标用户的金融评估值,向所述目标用户发送定制数据包括:
根据所述金融评估值对目标用户进行分类,并对各类用户发送对应的定制数据。
8.一种基于图数据和反向传播算法的数据传播装置,其特征在于,
包括:
数据获取模块,其用于获取历史用户的行为特征数据和金融表现数据,该金融表现数据用于度量用户对金融产品的表现;
训练模块,使用所述历史用户的行为特征数据和金融表现数据训练一个机器自学习的金融评估模型,所述金融评估模型用于根据用户的行为特征数据预测其金融评估值,该金融评估值表示的是所述用户对所述金融产品的表现的预测值;
数据处理模块,其用于获取目标用户的基本信息及目标用户的行为关系网络图,根据所述目标用户的行为关系网络图并通过反向传播算法确定所述目标用户的行为特征数据;
数据计算模块,其将所述目标用户的行为特征数据作为所述金融评估模型的输入特征,计算所述目标用户的金融评估值;以及
数据传播模块,基于所述目标用户的金融评估值,向所述目标用户发送定制数据。
9.一种电子设备,其中,该电子设备包括:
处理器;以及,
存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行根据权利要求1-7中任一项所述的基于图数据和反向传播算法的数据传播方法。
10.一种计算机可读存储介质,其中,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被处理器执行时,实现权利要求1-7中任一项所述的基于图数据和反向传播算法的数据传播方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290328.0A CN111199418A (zh) | 2019-12-16 | 2019-12-16 | 基于图数据和反向传播算法的数据传播方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290328.0A CN111199418A (zh) | 2019-12-16 | 2019-12-16 | 基于图数据和反向传播算法的数据传播方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111199418A true CN111199418A (zh) | 2020-05-26 |
Family
ID=70746542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911290328.0A Pending CN111199418A (zh) | 2019-12-16 | 2019-12-16 | 基于图数据和反向传播算法的数据传播方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199418A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015978A (zh) * | 2020-07-24 | 2020-12-01 | 上海淇玥信息技术有限公司 | 一种定制信息发送方法、装置和电子设备 |
CN112015977A (zh) * | 2020-07-24 | 2020-12-01 | 上海淇玥信息技术有限公司 | 一种定制信息推送方法、装置和电子设备 |
CN112232888A (zh) * | 2020-11-06 | 2021-01-15 | 深圳市护家科技有限公司 | 一种消费者行为智能分析系统及方法 |
CN112347343A (zh) * | 2020-09-25 | 2021-02-09 | 北京淇瑀信息科技有限公司 | 一种定制信息推送方法、装置和电子设备 |
CN113297436A (zh) * | 2021-04-28 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于关系图网络的用户策略分配方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111198A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 用户金融风险预估方法、装置、电子设备及可读介质 |
CN110110012A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 用户预期价值评估方法、装置、电子设备及可读介质 |
CN110349003A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 基于社交数据的关联风险评估方法、装置及电子设备 |
CN110348897A (zh) * | 2019-06-29 | 2019-10-18 | 上海淇馥信息技术有限公司 | 金融服务产品营销方法、装置及电子设备 |
CN110348726A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种基于社交关系网络的用户额度调整方法、装置和电子设备 |
CN110473039A (zh) * | 2018-05-10 | 2019-11-19 | 阿里巴巴集团控股有限公司 | 评估用户的信用风险的方法及装置 |
-
2019
- 2019-12-16 CN CN201911290328.0A patent/CN111199418A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473039A (zh) * | 2018-05-10 | 2019-11-19 | 阿里巴巴集团控股有限公司 | 评估用户的信用风险的方法及装置 |
CN110111198A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 用户金融风险预估方法、装置、电子设备及可读介质 |
CN110110012A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 用户预期价值评估方法、装置、电子设备及可读介质 |
CN110348897A (zh) * | 2019-06-29 | 2019-10-18 | 上海淇馥信息技术有限公司 | 金融服务产品营销方法、装置及电子设备 |
CN110349003A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 基于社交数据的关联风险评估方法、装置及电子设备 |
CN110348726A (zh) * | 2019-07-02 | 2019-10-18 | 北京淇瑀信息科技有限公司 | 一种基于社交关系网络的用户额度调整方法、装置和电子设备 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015978A (zh) * | 2020-07-24 | 2020-12-01 | 上海淇玥信息技术有限公司 | 一种定制信息发送方法、装置和电子设备 |
CN112015977A (zh) * | 2020-07-24 | 2020-12-01 | 上海淇玥信息技术有限公司 | 一种定制信息推送方法、装置和电子设备 |
CN112015978B (zh) * | 2020-07-24 | 2023-06-23 | 上海淇玥信息技术有限公司 | 一种定制信息发送方法、装置和电子设备 |
CN112347343A (zh) * | 2020-09-25 | 2021-02-09 | 北京淇瑀信息科技有限公司 | 一种定制信息推送方法、装置和电子设备 |
CN112347343B (zh) * | 2020-09-25 | 2024-05-28 | 北京淇瑀信息科技有限公司 | 一种定制信息推送方法、装置和电子设备 |
CN112232888A (zh) * | 2020-11-06 | 2021-01-15 | 深圳市护家科技有限公司 | 一种消费者行为智能分析系统及方法 |
CN112232888B (zh) * | 2020-11-06 | 2021-05-14 | 深圳市护家科技有限公司 | 一种消费者行为智能分析系统及方法 |
CN113297436A (zh) * | 2021-04-28 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于关系图网络的用户策略分配方法、装置及电子设备 |
CN113297436B (zh) * | 2021-04-28 | 2023-09-05 | 上海淇玥信息技术有限公司 | 基于关系图网络的用户策略分配方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111199418A (zh) | 基于图数据和反向传播算法的数据传播方法、装置和电子设备 | |
JP7455252B2 (ja) | セグメンテーション・アズ・ア・サービスのための方法及びシステム | |
Lee et al. | Mining churning behaviors and developing retention strategies based on a partial least squares (PLS) model | |
US20190272553A1 (en) | Predictive Modeling with Entity Representations Computed from Neural Network Models Simultaneously Trained on Multiple Tasks | |
CN110109901B (zh) | 筛选目标对象的方法和装置 | |
US20130151330A1 (en) | Methods and system for predicting influence-basis outcomes in a social network using directed acyclic graphs | |
CN112015977A (zh) | 一种定制信息推送方法、装置和电子设备 | |
KR20220055205A (ko) | 지역상권 데이터 기반 협업 시스템 및 이의 동작방법 | |
CN112016855B (zh) | 基于关系网匹配的用户行业识别方法、装置和电子设备 | |
Deligiannis et al. | Designing a real-time data-driven customer churn risk indicator for subscription commerce | |
CN112017060A (zh) | 为目标用户进行资源分配的方法、装置及电子设备 | |
CN112015562A (zh) | 基于迁移学习的资源分配方法、装置及电子设备 | |
WO2023103584A1 (zh) | 对象处理方法、装置、计算机设备和存储介质 | |
CN112819528A (zh) | 人群包的上线方法、装置及电子设备 | |
CN110363583B (zh) | 一种基于位置信息创建用户消费行为标签的方法、装置和电子设备 | |
CN111199420A (zh) | 一种用户邀请方法、装置和电子设备 | |
US11282092B2 (en) | System and method for universal data modeling | |
AU2014203805A1 (en) | Systems and methods for managing customer engagements | |
CN112488865A (zh) | 基于金融时间节点的金融风险预测方法、装置和电子设备 | |
CN112288475A (zh) | 产品推荐方法、装置及电子设备 | |
CN111192045A (zh) | 基于交易记录信息的反作弊方法、装置和系统 | |
CN112819531A (zh) | 人群包的自定义上线方法、装置及电子设备 | |
CN111445139A (zh) | 业务流程模拟方法及装置、存储介质、电子设备 | |
CN112015978B (zh) | 一种定制信息发送方法、装置和电子设备 | |
CN109934605A (zh) | 基于大数据的转化率提升的方法、装置、介质及电子设备 |
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 |