CN112070534A - 一种消费预算生成方法、装置、计算机设备及存储介质 - Google Patents
一种消费预算生成方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112070534A CN112070534A CN202010895317.1A CN202010895317A CN112070534A CN 112070534 A CN112070534 A CN 112070534A CN 202010895317 A CN202010895317 A CN 202010895317A CN 112070534 A CN112070534 A CN 112070534A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- consumption
- budget
- machine learning
- 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 51
- 238000010801 machine learning Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 239000002609 medium Substances 0.000 description 20
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种消费预算生成方法、装置、计算机设备及存储介质。该方法包括:获取用户的欲消费信息以及用户信息;将欲消费信息以及用户信息输入训练后的机器学习模型,并输出预测的预算数据。本发明实施例所提供的技术方案,通过获取用户在想要进行消费时产生的欲消费信息以及自身的用户信息,并将该欲消费信息和该用户信息作为训练后的机器学习模型的输入,以通过该机器学习模型预测出针对该用户的预算数据,实现了在消费之前及时的为用户提供更加准确合理的预算,从而避免用户过度消费的情况,也为用户提供了更多的便利。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种消费预算生成方法、装置、计算机设备及存储介质。
背景技术
人们在进行新的消费或者制定预算的过程中,常常不能确定自己的预算是否合理或者最优,而是要等到消费过后或者根据长期的消费经验才能确定自己的消费是否合理,往往会造成消费过度的情况。
现有技术中通常是根据用户的消费水平来推荐适当的商品,用户在浏览商品时并不会知晓自己的合理预算,从而无法避免消费过度的情况。
发明内容
本发明实施例提供一种消费预算生成方法、装置、计算机设备及存储介质,以实现为用户提供更加准确合理的预算,从而避免过度消费。
第一方面,本发明实施例提供了一种消费预算生成方法,该方法包括:
获取用户的欲消费信息以及用户信息;
将所述欲消费信息以及所述用户信息输入训练后的机器学习模型,并输出预测的预算数据。
第二方面,本发明实施例还提供了一种消费预算生成装置,该装置包括:
信息获取模块,用于获取用户的欲消费信息以及用户信息;
预算输出模块,用于将所述欲消费信息以及所述用户信息输入训练后的机器学习模型,并输出预测的预算数据。
第三方面,本发明实施例还提供了一种计算机设备,该计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
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本发明任意实施例所提供的消费预算生成方法。
第四方面,本发明实施例还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发明任意实施例所提供的消费预算生成方法。
本发明实施例提供了一种消费预算生成方法,通过获取用户在想要进行消费时产生的欲消费信息以及自身的用户信息,并将该欲消费信息和该用户信息作为训练后的机器学习模型的输入,以通过该机器学习模型预测出针对该用户的预算数据,实现了在消费之前及时的为用户提供更加准确合理的预算,从而避免用户过度消费的情况,也为用户提供了更多的便利。
附图说明
图1为本发明实施例一提供的消费预算生成方法的流程图;
图2为本发明实施例二提供的消费预算生成方法的流程图;
图3为本发明实施例三提供的消费预算生成装置的结构示意图;
图4为本发明实施例四提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的消费预算生成方法的流程图。本实施例可适用于在用户消费之前为用户提供相应预算的情况,该方法可以由本发明实施例提供的消费预算生成装置来执行,该装置可以由硬件和/或软件的方式来实现,一般可集成于计算机设备中。如图1所示,具体包括如下步骤:
S11、获取用户的欲消费信息以及用户信息。
其中,欲消费信息是指在用户想要进行消费时,针对所要消费的对象所产生的信息。可选的,欲消费信息包括欲消费的消费时间、消费地点以及消费对象,其中的消费对象可以是商品或服务等。具体的,可以在用户想要进行消费时,接收用户提交的预算请求,并将接收到该预算请求时的系统时间作为消费时间,用户想要进行的消费可以包括网上消费与线下实体消费,若为线下实体消费,则可以在接收到该预算请求时通过设备的定位功能获取当前用户所在的位置作为消费地点,并接收用户输入的消费对象,若为网上消费,则可以不记录消费地点,或者将用户所在地或消费对象所在地作为消费地点,并可通过设备的定位功能或者消费对象的商家登记信息来确定,同时还可以根据用户浏览商品详情或服务详情自动的获取消费对象。
可选的,用户信息包括基本信息和衍生信息;相应的,获取用户的欲消费信息以及用户信息,包括:获取用户的基本信息;根据基本信息获取用户的历史账单信息;根据历史账单信息确定衍生信息。
其中,基本信息可以是用户在设备本地或设备中的某个应用程序上预先完成登记的信息,并可以经过授权由预算过程进行使用,当然也可以在接收到预算请求时,由用户同时输入基本信息,基本信息具体可以包括用户标识、性别、年龄以及住址等等。预先可以存储所有用户的账单数据,则在获得用户的基本信息后,可以根据基本信息中的用户标识在所有的账单数据中匹配该用户的历史账单信息,其中的历史账单信息可以包括消费类型、消费金额、消费时间、消费地点以及备注信息等等。
在获取了用户的历史账单信息之后,即可预测出该用户的衍生信息,可选的,衍生信息包括家庭状况、消费偏好、是否有车以及是否有房中的至少一种,示例性的,若用户的历史账单中包括较多的儿童用品,则可以预测该用户的家庭状况为已婚,若用户的历史账单中包括较多的投资理财产品,则可以预测该用户的消费偏好为金融类等等。在确定了用户的衍生信息之后,可以通过对用户的基本信息进行调整,即将衍生信息接续在该用户的基本信息之后,以得到完整的用户信息。
S12、将欲消费信息以及用户信息输入训练后的机器学习模型,并输出预测的预算数据。
其中,机器学习模型可以为线型回归模型(Linear Regression,LR)、最邻近结点算法模型(K-NearestNeighbor,KNN)、差分整合移动平均自回归模型(AutoregressiveIntegrated Moving Average model,ARIMA)、循环神经网络模型(Recurrent NeuralNetwork,RNN)、长短记忆网络模型(Long Short-Term Memory,LSTM)以及中文预训练模型(Bidirectional Encoder Representation from Transformers、BERT)等等,将上述获得的欲消费信息以及用户信息输入训练后的机器学习模型,即可根据用户将要进行消费的消费对象,同时充分考虑消费时间、消费地点以及用户自身情况等内容的近似程度,为用户提供匹配度最高的消费经验,从而给出较为合理的预算数据。
本发明实施例所提供的技术方案,通过获取用户在想要进行消费时产生的欲消费信息以及自身的用户信息,并将该欲消费信息和该用户信息作为训练后的机器学习模型的输入,以通过该机器学习模型预测出针对该用户的预算数据,实现了在消费之前及时的为用户提供更加准确合理的预算,从而避免用户过度消费的情况,也为用户提供了更多的便利。
实施例二
图2为本发明实施例二提供的消费预算生成方法的流程图。本实施例的技术方案在上述技术方案的基础上进一步细化,可选的,在将欲消费信息以及用户信息输入训练后的机器学习模型,并输出预测的预算数据之前,还包括:获取训练样本集合;根据训练样本集合对机器学习模型进行训练,以获得训练后的机器学习模型。相应的,如图2所示,具体可以包括如下步骤:
S21、获取用户的欲消费信息以及用户信息。
S22、获取训练样本集合。
可选的,训练样本集合包括多个用户的账单信息样本以及与账单信息样本关联的用户信息样本。其中,账单信息样本即可以包括上述实施例中提到的预先存储的所有用户的账单数据,并可以在每次存储某用户某次的账单数据时,同时存储或更新关联的用户信息,其中的账单数据和用户信息可以分别存储于账单数据库和信息数据库中,并可以具体通过用户标识来关联账单数据和用户信息。在需要对机器学习模型进行训练时,即可将存储的所有账单数据作为账单信息样本,将存储的所有用户信息作为用户信息样本。
在本实施例中,用户信息同样可以包括基本信息和衍生信息,以提高机器学习模型的预测能力,衍生信息的确定过程可以参考上述实施例中的描述,在此将不再累述。具体的,可以在每次存储或更新用户的基本信息时,即同时确定对应的衍生信息并接续到该基本信息之后,这样可以提高在用户需要时做出预算的效率,还可以在接收到预算请求时,针对当前存储的基本信息和历史账单信息进行一次衍生信息的确定过程,则可以节约平时所需消耗的计算资源。
S23、根据训练样本集合对机器学习模型进行训练,以获得训练后的机器学习模型。
可选的,账单信息样本包括用户标识、消费金额以及消费类型;相应的,在根据训练样本集合对机器学习模型进行训练,以获得训练后的机器学习模型之前,还包括:根据训练样本集合中所有的账单信息样本划分金额区间;确定消费金额所在的目标金额区间;将消费金额映射到与目标金额区间对应的目标值。
具体的,由于账单信息样本中的消费金额的范围可能较大,会增加机器学习模型训练的难度,而且通过为用户提供一个预算的合理区间,可以给用户提供更多的选择空间,更符合人们的习惯,同时相对于离散值,提供预算区间也更加准确,因此,可以首先划分金额区间,然后确定账单信息样本中的消费金额各自的目标金额区间,并且每个金额区间对应一个指定的目标值,可以将消费金额映射到与各自目标金额区间对应的目标值。示例性的,划分5个金额区间,将0-150元的目标值指定为1,将150-500元的目标值指定为2,将500-1000元的目标值指定为3,将1000-5000元的目标值指定为4,将大于5000元的目标值指定为5。
可选的,账单信息样本还包括消费时间、消费地点以及备注信息中的至少一种。在训练时,可以将消费金额映射后的目标值作为机器学习模型的输出,并将账单信息样本中除消费金额外的信息以及用户信息样本中的信息作为机器学习模型的输入,对机器学习模型进行训练。相应的,在使用该机器学习模型预测预算数据时,输出的为映射后的目标值,则可以根据金额区间与目标值的对应关系将输出的目标值转换为对应的金额区间,并提供给用户参考,以便用户根据该金额区间进行消费。
S24、将欲消费信息以及用户信息输入训练后的机器学习模型,并输出预测的预算数据。
本发明实施例所提供的技术方案,首先根据大量的账单数据以及关联的用户信息对机器学习模型进行训练,再使用训练后的机器学习模型预测出当前请求的用户的预算数据,从而为用户提供了匹配度最高的消费经验作为参考,进一步提高了所做出的预算数据的合理性。
实施例三
图3为本发明实施例三提供的消费预算生成装置的结构示意图,该装置可以由硬件和/或软件的方式来实现,一般可集成于计算机设备中。如图3所示,该装置包括:
信息获取模块31,用于获取用户的欲消费信息以及用户信息;
预算输出模块32,用于将欲消费信息以及用户信息输入训练后的机器学习模型,并输出预测的预算数据。
本发明实施例所提供的技术方案,通过获取用户在想要进行消费时产生的欲消费信息以及自身的用户信息,并将该欲消费信息和该用户信息作为训练后的机器学习模型的输入,以通过该机器学习模型预测出针对该用户的预算数据,实现了在消费之前及时的为用户提供更加准确合理的预算,从而避免用户过度消费的情况,也为用户提供了更多的便利。
在上述技术方案的基础上,可选的,用户信息包括基本信息和衍生信息;
相应的,信息获取模块31,包括:
基本信息获取单元,用于获取用户的基本信息;
历史账单信息获取单元,用于根据基本信息获取用户的历史账单信息;
衍生信息确定单元,用于根据历史账单信息确定衍生信息。
在上述技术方案的基础上,可选的,衍生信息包括家庭状况、消费偏好、是否有车以及是否有房中的至少一种。
在上述技术方案的基础上,可选的,该消费预算生成装置,还包括:
训练样本集合获取模块,用于在将欲消费信息以及用户信息输入训练后的机器学习模型,并输出预测的预算数据之前,获取训练样本集合;
模型训练模块,用于根据训练样本集合对机器学习模型进行训练,以获得训练后的机器学习模型。
在上述技术方案的基础上,可选的,训练样本集合包括多个用户的账单信息样本以及与账单信息样本关联的用户信息样本。
在上述技术方案的基础上,可选的,账单信息样本包括用户标识、消费金额以及消费类型;
相应的,该消费预算生成装置,还包括:
金额区间划分模块,用于在根据训练样本集合对机器学习模型进行训练,以获得训练后的机器学习模型之前,根据训练样本集合中所有的账单信息样本划分金额区间;
目标金额区间确定模块,用于确定消费金额所在的目标金额区间;
目标值映射模块,用于将消费金额映射到与目标金额区间对应的目标值。
在上述技术方案的基础上,可选的,账单信息样本还包括消费时间、消费地点以及备注信息中的至少一种。
本发明实施例所提供的消费预算生成装置可执行本发明任意实施例所提供的消费预算生成方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,在上述消费预算生成装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例四
图4为本发明实施例四提供的计算机设备的结构示意图,示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图4显示的计算机设备仅仅是一个示例,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4所示,该计算机设备包括处理器41、存储器42、输入装置43及输出装置44;计算机设备中处理器41的数量可以是一个或多个,图4中以一个处理器41为例,计算机设备中的处理器41、存储器42、输入装置43及输出装置44可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器42作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的消费预算生成方法对应的程序指令/模块(例如,消费预算生成装置中的信息获取模块31及预算输出模块32)。处理器41通过运行存储在存储器42中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的消费预算生成方法。
存储器42可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器42可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器42可进一步包括相对于处理器41远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置43可用于获取获取用户的欲消费信息和用户信息,以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置44可包括显示屏等设备,可用于向用户展示预测的预算数据等。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,该计算机可执行指令在由计算机处理器执行时用于执行一种消费预算生成方法,该方法包括:
获取用户的欲消费信息以及用户信息;
将欲消费信息以及用户信息输入训练后的机器学习模型,并输出预测的预算数据。
存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的消费预算生成方法中的相关操作。
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存储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。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的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,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本发明各个实施例所述的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种消费预算生成方法,其特征在于,包括:
获取用户的欲消费信息以及用户信息;
将所述欲消费信息以及所述用户信息输入训练后的机器学习模型,并输出预测的预算数据。
2.根据权利要求1所述的消费预算生成方法,其特征在于,所述用户信息包括基本信息和衍生信息;
相应的,所述获取用户的欲消费信息以及用户信息,包括:
获取用户的基本信息;
根据所述基本信息获取用户的历史账单信息;
根据所述历史账单信息确定所述衍生信息。
3.根据权利要求2所述的消费预算生成方法,其特征在于,所述衍生信息包括家庭状况、消费偏好、是否有车以及是否有房中的至少一种。
4.根据权利要求1所述的消费预算生成方法,其特征在于,在所述将所述欲消费信息以及所述用户信息输入训练后的机器学习模型,并输出预测的预算数据之前,还包括:
获取训练样本集合;
根据所述训练样本集合对所述机器学习模型进行训练,以获得训练后的所述机器学习模型。
5.根据权利要求4所述的消费预算生成方法,其特征在于,所述训练样本集合包括多个用户的账单信息样本以及与所述账单信息样本关联的用户信息样本。
6.根据权利要求5所述的消费预算生成方法,其特征在于,所述账单信息样本包括用户标识、消费金额以及消费类型;
相应的,在所述根据所述训练样本集合对所述机器学习模型进行训练,以获得训练后的所述机器学习模型之前,还包括:
根据所述训练样本集合中所有的所述账单信息样本划分金额区间;
确定所述消费金额所在的目标金额区间;
将所述消费金额映射到与所述目标金额区间对应的目标值。
7.根据权利要求6所述的消费预算生成方法,其特征在于,所述账单信息样本还包括消费时间、消费地点以及备注信息中的至少一种。
8.一种消费预算生成装置,其特征在于,包括:
信息获取模块,用于获取用户的欲消费信息以及用户信息;
预算输出模块,用于将所述欲消费信息以及所述用户信息输入训练后的机器学习模型,并输出预测的预算数据。
9.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
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1-7中任一所述的消费预算生成方法。
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如权利要求1-7中任一所述的消费预算生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010895317.1A CN112070534A (zh) | 2020-08-31 | 2020-08-31 | 一种消费预算生成方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010895317.1A CN112070534A (zh) | 2020-08-31 | 2020-08-31 | 一种消费预算生成方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112070534A true CN112070534A (zh) | 2020-12-11 |
Family
ID=73664851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010895317.1A Pending CN112070534A (zh) | 2020-08-31 | 2020-08-31 | 一种消费预算生成方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070534A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159965A (zh) * | 2021-04-30 | 2021-07-23 | 中国银行股份有限公司 | 冲动投资消费提醒方法及装置 |
CN113935787A (zh) * | 2021-12-15 | 2022-01-14 | 山东柏源技术有限公司 | 基于关联规则挖掘算法的财务信息管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9462313B1 (en) * | 2012-08-31 | 2016-10-04 | Google Inc. | Prediction of media selection consumption using analysis of user behavior |
CN109214585A (zh) * | 2018-09-25 | 2019-01-15 | 平安科技(深圳)有限公司 | 用户消费预测方法、装置、电子设备及存储介质 |
CN110910257A (zh) * | 2019-11-15 | 2020-03-24 | 泰康保险集团股份有限公司 | 信息预测方法、装置、电子设备和计算机可读介质 |
-
2020
- 2020-08-31 CN CN202010895317.1A patent/CN112070534A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9462313B1 (en) * | 2012-08-31 | 2016-10-04 | Google Inc. | Prediction of media selection consumption using analysis of user behavior |
CN109214585A (zh) * | 2018-09-25 | 2019-01-15 | 平安科技(深圳)有限公司 | 用户消费预测方法、装置、电子设备及存储介质 |
CN110910257A (zh) * | 2019-11-15 | 2020-03-24 | 泰康保险集团股份有限公司 | 信息预测方法、装置、电子设备和计算机可读介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159965A (zh) * | 2021-04-30 | 2021-07-23 | 中国银行股份有限公司 | 冲动投资消费提醒方法及装置 |
CN113935787A (zh) * | 2021-12-15 | 2022-01-14 | 山东柏源技术有限公司 | 基于关联规则挖掘算法的财务信息管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11281969B1 (en) | Artificial intelligence system combining state space models and neural networks for time series forecasting | |
Akram et al. | Parameter reductions in N‐soft sets and their applications in decision‐making | |
CN109360012A (zh) | 广告投放渠道的选择方法及装置、存储介质、电子设备 | |
US11893493B2 (en) | Clustering techniques for machine learning models | |
US7788200B2 (en) | Goal seeking using predictive analytics | |
CN101271558A (zh) | 基于上下文信息的多策略商品推荐系统 | |
Zhang et al. | Traffic Accident Prediction Based on LSTM‐GBRT Model | |
US11694165B2 (en) | Key-value memory network for predicting time-series metrics of target entities | |
CN110807566A (zh) | 人工智能模型评测方法、装置、设备及存储介质 | |
KR102120958B1 (ko) | 이동식 에너지 공급 서비스 제공 방법 및 장치 | |
WO2021004318A1 (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
CN112070534A (zh) | 一种消费预算生成方法、装置、计算机设备及存储介质 | |
Pérez et al. | A mobile group decision making model for heterogeneous information and changeable decision contexts | |
US11410111B1 (en) | Generating predicted values based on data analysis using machine learning | |
Sun et al. | A trust-aware task allocation method using deep q-learning for uncertain mobile crowdsourcing | |
US20210239479A1 (en) | Predicted Destination by User Behavior Learning | |
US11501214B2 (en) | Systems and methods for managing, distributing and deploying a recursive decisioning system based on continuously updating machine learning models | |
CN117575008A (zh) | 训练样本生成方法、模型训练方法、知识问答方法及设备 | |
CN110458664B (zh) | 一种用户出行信息预测方法、装置、设备及存储介质 | |
Cai et al. | Delay feedback impulsive control of a time-delay nonlinear complex financial networks | |
Bharadhwaj | Layer-wise relevance propagation for explainable recommendations | |
CN112184417A (zh) | 一种业务的审批方法、装置、介质及电子设备 | |
Lu | Research on dynamic time warping algorithm and intelligent financial management system based on heterogeneous cellular network | |
US11669424B2 (en) | System and apparatus for automated evaluation of compatibility of data structures and user devices based on explicit user feedback | |
US20240061847A1 (en) | Set intersection approximation using attribute representations |
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 |