CN112381595A - 基于交往行为的用户价值预测方法及相关设备 - Google Patents

基于交往行为的用户价值预测方法及相关设备 Download PDF

Info

Publication number
CN112381595A
CN112381595A CN202110031199.4A CN202110031199A CN112381595A CN 112381595 A CN112381595 A CN 112381595A CN 202110031199 A CN202110031199 A CN 202110031199A CN 112381595 A CN112381595 A CN 112381595A
Authority
CN
China
Prior art keywords
attention
time
behavior
moment
user
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
Application number
CN202110031199.4A
Other languages
English (en)
Other versions
CN112381595B (zh
Inventor
于佳玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202110031199.4A priority Critical patent/CN112381595B/zh
Publication of CN112381595A publication Critical patent/CN112381595A/zh
Application granted granted Critical
Publication of CN112381595B publication Critical patent/CN112381595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能技术领域，提供一种基于交往行为的用户价值预测方法、装置、计算机设备及存储介质，包括：构建用户的多个行为的时间序列，并输入所述多个行为的时间序列至长短期记忆神经网络中；基于行为注意力机制计算所述多个行为的时间序列中每个行为的时间序列的关注度；基于每个行为的时间序列及每个行为的时间序列的关注度训练所述长短期记忆神经网络；更新所述长短期记忆神经网络每个时刻的隐层状态，并基于时间注意力机制计算更新后的每个时刻的隐层状态，得到每个时刻的关注度；根据所述每个时刻的关注度及对应时刻的隐层状态预测所述用户的价值。本发明采用双注意力机制，提高了模型的预测准确率，提高了预测结果的准确度。

Description

基于交往行为的用户价值预测方法及相关设备
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于交往行为的用户价值预测方法、装置、计算机设备及存储介质。
背景技术
企业对客户价值的评估是客户关系管理研究的基础问题之一，了解客户未来的潜在价值，能够帮助企业确定营销的最佳方式。
发明人在实现本发明的过程中发现，现有技术方案通常是根据客户的的行为序列来训练模型，通过模型预测用户的价值，现有模型并没有考虑行为之间的时间关系，导致训练出的模型预测准确率不高，进而影响了预测结果的准确度。
发明内容
鉴于以上内容，有必要提出一种基于交往行为的用户价值预测方法、装置、计算机设备及存储介质，采用双注意力机制，即考虑了行为因素，又考虑了时间因素，提高了模型的预测准确率，提高了预测结果的准确度。
本发明的第一方面提供一种基于交往行为的用户价值预测方法，所述方法包括：
构建用户的多个行为的时间序列，并输入所述多个行为的时间序列至长短期记忆神经网络中；
基于行为注意力机制计算所述多个行为的时间序列中每个行为的时间序列的关注度；
基于每个行为的时间序列及每个行为的时间序列的关注度训练所述长短期记忆神经网络；
更新所述长短期记忆神经网络每个时刻的隐层状态，并基于时间注意力机制计算更新后的每个时刻的隐层状态，得到每个时刻的关注度；
根据所述每个时刻的关注度及对应时刻的隐层状态预测所述用户的价值。
在一个可选的实施例中，所述构建用户的多个行为的时间序列包括：
获取多个环节的关键指标；
根据所述多个环节的关键指标获取用户的多个关键行为及每个关键行为的时间点；
按照时间顺序构建所述多个关键行为的时间序列。
在一个可选的实施例中，所述基于行为注意力机制计算所述多个行为的时间序列中每个行为的时间序列的关注度包括：
获取所述长短期记忆神经网络中上一时刻的隐层状态及上一时刻的单元状态；
根据所述上一时刻的隐层状态及所述上一时刻的单元状态生成行为注意力层的输入参数；
将每个行为的时间序列作为所述行为注意力层的键；
根据所述输入参数及每个键计算对应行为的时间序列的关注度。
在一个可选的实施例中，所述根据所述输入参数及每个键计算对应行为的时间序列的关注度包括：
通过全连接层计算所述输入参数及每个键的相似度，得到第一注意力度；
通过第一softmax层对每个第一注意力度进行归一化，得到每个行为的时间序列的关注度；
其中，所述全连接层采用如下公式计算第k个行为的时间序列的第一注意力度：
Figure 410931DEST_PATH_IMAGE001
，
Figure 921547DEST_PATH_IMAGE002
及
Figure 701284DEST_PATH_IMAGE003
为需要学习的参数，
Figure 96493DEST_PATH_IMAGE004
为k个行为的时间序列在t时刻的第一注意力度；
其中，所述第一softmax层采用如下公式计算第k个行为的时间序列的关注度：
Figure 910865DEST_PATH_IMAGE005
，
Figure 733328DEST_PATH_IMAGE006
，
Figure 361DEST_PATH_IMAGE007
为第k个行为的时间序列在t时刻的关注度，
Figure 199261DEST_PATH_IMAGE007
衡量了在t时刻第k个行为的重要程度。
在一个可选的实施例中，所述基于时间注意力机制计算更新后的每个时刻的隐层状态，得到每个时刻的关注度包括：
基于更新后的每个时刻的隐层状态构建时间注意力机制；
通过所述时间注意力机制计算每个时刻的第二注意力度；
通过第二softmax层对每个第二注意力度进行归一化，得到每个时刻的关注度；
其中，所述时间注意力机制采用如下公式计算每个时刻的第二注意力度：
Figure 336981DEST_PATH_IMAGE008
，
Figure 330345DEST_PATH_IMAGE009
为预设的权重，
Figure 84675DEST_PATH_IMAGE010
为预设的偏置项，
Figure 821687DEST_PATH_IMAGE011
为i时刻的第二注意力度，
所述第二Softmax层采用如下公式进行归一化：
Figure 345072DEST_PATH_IMAGE012
Figure 774916DEST_PATH_IMAGE013
为i时刻的关注度。
在一个可选的实施例中，所述根据所述每个时刻的关注度及对应时刻的隐层状态预测所述用户的价值包括：
根据所述每个时刻的关注度及对应时刻的隐层状态，在时间维度上进行求和计算得到和值；
通过全连接层计算所述和值，并预测出所述用户购买产品的概率；
对所述概率进行映射，得到所述用户的价值。
在一个可选的实施例中，所述方法还包括：
确定所述用户当前所处的目标环节；
根据所述用户的价值及所述目标环节对所述用户进行分组；
采用分组对应的推荐策略向所述用户发送推荐信息。
本发明的第二方面提供一种基于交往行为的用户价值预测装置，所述装置包括：
构建模块，用于构建用户的多个行为的时间序列，并输入所述多个行为的时间序列至长短期记忆神经网络中；
计算模块，用于基于行为注意力机制计算所述多个行为的时间序列中每个行为的时间序列的关注度；
训练模块，用于基于每个行为的时间序列及每个行为的时间序列的关注度训练所述长短期记忆神经网络；
更新模块，用于更新所述长短期记忆神经网络每个时刻的隐层状态，并基于时间注意力机制计算更新后的每个时刻的隐层状态，得到每个时刻的关注度；
预测模块，用于根据所述每个时刻的关注度及对应时刻的隐层状态预测所述用户的价值。
本发明的第三方面提供一种计算机设备，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述基于交往行为的用户价值预测方法。
本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于交往行为的用户价值预测方法。
综上所述，本发明所述的基于交往行为的用户价值预测方法、装置、计算机设备及存储介质，基于行为注意力机制计算所述多个行为的时间序列中每个行为的时间序列的关注度；基于每个行为的时间序列及每个行为的时间序列的关注度训练所述长短期记忆神经网络；基于时间注意力机制计算更新后的每个时刻的隐层状态，得到每个时刻的关注度；根据所述每个时刻的关注度及对应时刻的隐层状态预测所述用户的价值。行为的时间序列即包括了行为维度的特征，也包括了时间维度的特征，结合了行为和时间两个维度的特征训练得到的长短期记忆神经网络，提高了对长短期记忆神经网络的预测准确率；为了应对长短期记忆神经网络每一次递归都伴随着信息的损耗，在时间序列长度越长的条件下，捕捉对长距离的依赖关系的能力越来越低，本发明同时基于行为注意力机制和时间注意力机制来增强对所关注的那部分依赖关系的捕捉能力，进一步提高了对长短期记忆神经网络的预测准确率，从而提高了用户的价值的预测准确率。
附图说明
图1是本发明实施例一提供的基于交往行为的用户价值预测方法的流程图。
图2是本发明实施例二提供的基于交往行为的用户价值预测装置的结构图。
图3是本发明实施例三提供的计算机设备的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
本发明实施例提供的基于交往行为的用户价值预测方法由计算机设备执行，相应地，基于交往行为的用户价值预测装置运行于计算机设备中。
图1是本发明实施例一提供的基于交往行为的用户价值预测方法的流程图。所述基于交往行为的用户价值预测方法基于用户的交往行为构建了时间维度和特征维度两种注意力机制，通过预测用户未来一段时间（例如，三个月）购买长险的概率来挖掘用户的长期价值，准确度较高。所述基于交往行为的用户价值预测方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。
S11，构建用户的多个行为的时间序列，并输入所述多个行为的时间序列至长短期记忆神经网络中。
为了预测某个用户是否对企业具有长期价值，可以先挖掘该用户的多个行为，并构建多个行为的时间序列。
在一个可选的实施例中，所述构建用户的多个行为的时间序列包括：
获取多个环节的关键指标；
根据所述多个环节的关键指标获取用户的多个关键行为及每个关键行为的时间点；
按照时间顺序构建所述多个关键行为的时间序列。
其中，所述多个环节可以包括主顾积累，互动开拓，寿险促成等环节，所述关键指标可以为咨询次数、购买产品次数，参与线下一对一活动次数等。
将用户的每个行为按照时间顺序进行排序，得到每个行为的时间序列。
该可选的实施例中，通过多个环节的关键指标来获取用户的多个关键行为，能够避免获取与关键指标无关的行为，对于关键行为的获取更为直接，且无需对获取的行为进行处理（例如，筛选）操作，提高了后续训练长短期记忆神经网络的效率；且由于获取的是关键行为的时间序列，所述关键行为的时间序列即包括了行为维度的特征，也包括了时间维度的特征，那么将该用户的多个关键行为的时间序列作为长短期记忆神经网络的输入，通过长短期记忆神经网络对多个行为的时间序列的学习，来预测出用户的价值，即结合了行为和时间两个维度的特征训练得到的长短期记忆神经网络模型的预测准确率高，预测得到用户的价值的准确率更高。
S12，基于行为注意力机制计算所述多个行为的时间序列中每个行为的时间序列的关注度。
多个行为的时间序列为X，
Figure 16542DEST_PATH_IMAGE014
,T为时间序列的长度，
Figure 885140DEST_PATH_IMAGE015
为第k条行为的时间序列，
Figure 528611DEST_PATH_IMAGE016
指多条行为在第t个时间点的信息。
在一个可选的实施例中，所述基于行为注意力机制计算所述多个行为的时间序列中每个行为的时间序列的关注度包括：
获取所述长短期记忆神经网络中上一时刻的隐层状态及上一时刻的单元状态；
根据所述上一时刻的隐层状态及所述上一时刻的单元状态生成行为注意力层的输入参数；
将每个行为的时间序列作为所述行为注意力层的键；
根据所述输入参数及每个键计算对应行为的时间序列的关注度。
在每一个时刻（即每一个时间状态），通过上一时刻的隐层状态构建时间维度的注意力机制。
Figure 863778DEST_PATH_IMAGE017
为上一时刻的隐层状态，
Figure 592699DEST_PATH_IMAGE018
为上一时刻的单元状态，将所述上一时刻的隐层状态及所述上一时刻的单元状态拼接起来得到
Figure 671514DEST_PATH_IMAGE019
，作为行为注意力层的输入参数（query），第k个行为的时间序列
Figure 169491DEST_PATH_IMAGE015
作为行为注意力层的键（key），则根据所述输入参数及第k条行为的时间序列
Figure 409980DEST_PATH_IMAGE015
计算第K条行为的时间序列的关注度。
在一个可选的实施例中，所述根据所述输入参数及每个键计算对应行为的时间序列的关注度包括：
通过全连接层计算所述输入参数及每个键的相似度，得到第一注意力度；
通过第一softmax层对每个第一注意力度进行归一化，得到每个行为的时间序列的关注度。
其中，所述全连接层采用如下公式计算第k个行为的时间序列的第一注意力度：
Figure 360618DEST_PATH_IMAGE020
，
Figure 243124DEST_PATH_IMAGE002
及
Figure 595607DEST_PATH_IMAGE003
为需要学习的参数，
Figure 538156DEST_PATH_IMAGE004
为k个行为的时间序列在t时刻的第一注意力度。
其中，所述第一softmax层采用如下公式计算第k个行为的时间序列的关注度：
Figure 976090DEST_PATH_IMAGE021
，
Figure 396707DEST_PATH_IMAGE022
。
Figure 961287DEST_PATH_IMAGE007
为第k个行为的时间序列在t时刻的关注度，
Figure 74737DEST_PATH_IMAGE007
衡量了在t时刻第k个行为的重要程度。
同一时刻，所有行为的时间序列的关注度和为1。
该可选的实施例中，基于上一时刻的隐层状态构建行为维度的注意力机制，并通过行为维度的注意力机制选择最相关的行为作为特征。
S13，基于每个行为的时间序列及每个行为的时间序列的关注度训练所述长短期记忆神经网络。
对每个行为的时间序列及每个行为的时间序列的关注度采用如下方式进行处理，得到任意一个时刻的训练数据
Figure 999968DEST_PATH_IMAGE023
。
Figure 224276DEST_PATH_IMAGE024
将任意一个时刻的训练数据作为长短期记忆神经网络（Long short termmermory，LSTM)的输入，对LSTM进行迭代训练。
S14，更新所述长短期记忆神经网络每个时刻的隐层状态，并基于时间注意力机制计算更新后的每个时刻的隐层状态，得到每个时刻的关注度。
所述长短期记忆神经网络在训练的过程中会自动更新每个时刻的隐层状态。
例如，
Figure 285773DEST_PATH_IMAGE025
为一个LSTM单元，则更新t时刻的隐层状态为
Figure 570123DEST_PATH_IMAGE026
。
在一个可选的实施例中，所述基于时间注意力机制计算更新后的每个时刻的隐层状态，得到每个时刻的关注度包括：
基于更新后的每个时刻的隐层状态构建时间注意力机制；
通过所述时间注意力机制计算每个时刻的第二注意力度；
通过第二softmax层对每个第二注意力度进行归一化，得到每个时刻的关注度。
其中，所述时间注意力机制采用如下公式计算每个时刻的第二注意力度：
Figure 451492DEST_PATH_IMAGE027
，
Figure 479491DEST_PATH_IMAGE009
为预设的权重，
Figure 661073DEST_PATH_IMAGE010
为预设的偏置项，
Figure 850746DEST_PATH_IMAGE011
为i时刻的第二注意力度。
Tanh函数对先前学到的信息进行压缩处理，起到稳定数值的作用。
第二Softmax层采用如下公式进行归一化：
Figure 750569DEST_PATH_IMAGE028
Figure 316679DEST_PATH_IMAGE013
为i时刻的关注度。
该可选的实施例中，通过第二softmax层对每个第二注意力度进行归一化，得到每个时刻的关注度，每个时刻的关注度代表了每个行为对要预测的ht的作用强度，即每个行为的时间序列对要预测的ht的影响强弱程度。
基于更新后的每个时刻的隐层状态构建时间维度的注意力机制，来判断行为的时间之间的相关性，捕捉较长时间内的时间序列之间的依赖关系。
S15，根据所述每个时刻的关注度及对应时刻的隐层状态预测所述用户的价值。
在长短期记忆神经网络进行了预设轮次的迭代之后，完成训练过程，并预测出用户对企业的长期贡献价值，即用户的价值。
价值越高，表明该用户对企业具有长期贡献度；价值越低，表明该用户对企业不具有长期贡献度。
在一个可选的实施例中，所述根据所述每个时刻的关注度及对应时刻的隐层状态预测所述用户的价值包括：
根据所述每个时刻的关注度及对应时刻的隐层状态，在时间维度上进行求和计算得到和值；
通过全连接层计算所述和值，并预测出所述用户购买产品的概率；
对所述概率进行映射，得到所述用户的价值。
通过t时刻的关注度和t时刻的隐层转态，在时间维度上求和得到
Figure 211823DEST_PATH_IMAGE029
，最后，
Figure 572397DEST_PATH_IMAGE030
经过全连接层，再由softmax层输出客户未来购买寿险产品的概率。
根据本地数据库中记录了概率与价值之间的映射关系，可以确定与所述概率对应的价值。
在一个可选的实施例中，所述方法还包括：
确定所述用户当前所处的目标环节；
根据所述用户的价值及所述目标环节对所述用户进行分组；
采用分组对应的推荐策略向所述用户发送推荐信息。
量化了用户的价值后，根据所述用户当前所处多个环节中的目标环节，来制定不同的推荐策略。例如，将价值高低与用户所处的从接触营销信息到完成购买行为的不同环节（注意、兴趣、行动，对应代理人互动开拓、主顾积累、寿险促成等动作阶段）进行组合，实现对用户的分组，从而采用差异化的推荐策略。如，对处于阶段后期且价值高的用户着重建议书的制作及用户忠诚度的培养；对处于阶段后期且相对价值低的用户，注重向其强调产品独特性，提供不可替代性产品及服务，避免其转向市场上其他竞品；对价值低且处于阶段初期的用户制定较长期的经营策略，着重加深用户对企业品牌的认知等。通过这种方式，达到销售促进、为企业创造价值的目的。
本发明，基于行为注意力机制计算所述多个行为的时间序列中每个行为的时间序列的关注度；基于每个行为的时间序列及每个行为的时间序列的关注度训练所述长短期记忆神经网络；基于时间注意力机制计算更新后的每个时刻的隐层状态，得到每个时刻的关注度；根据所述每个时刻的关注度及对应时刻的隐层状态预测所述用户的价值。行为的时间序列即包括了行为维度的特征，也包括了时间维度的特征，结合了行为和时间两个维度的特征训练得到的长短期记忆神经网络，提高了对长短期记忆神经网络的预测准确率；为了应对长短期记忆神经网络每一次递归都伴随着信息的损耗，在时间序列长度越长的条件下，捕捉对长距离的依赖关系的能力越来越低，本发明同时基于行为注意力机制和时间注意力机制来增强对所关注的那部分依赖关系的捕捉能力，进一步提高了对长短期记忆神经网络的预测准确率，从而提高了用户的价值的预测准确率。
需要强调的是，为进一步保证上述多个行为的时间序列的私密性和安全性，上述多个行为的时间序列可存储于区块链的节点中。
图2是本发明实施例二提供的基于交往行为的用户价值预测装置的结构图。
在一些实施例中，所述基于交往行为的用户价值预测装置20可以包括多个由计算机程序段所组成的功能模块。所述基于交往行为的用户价值预测装置20中的各个程序段的计算机程序可以存储于计算机设备的存储器中，并由至少一个处理器所执行，以执行（详见图1描述）基于交往行为的用户价值预测的功能。
本实施例中，所述基于交往行为的用户价值预测装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：构建模块201、计算模块202、训练模块203、更新模块204、预测模块205及推荐模块206。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
所述构建模块201，用于构建用户的多个行为的时间序列，并输入所述多个行为的时间序列至长短期记忆神经网络中。
为了预测某个用户是否对企业具有长期价值，可以先挖掘该用户的多个行为，并构建多个行为的时间序列。
在一个可选的实施例中，所述构建模块201构建用户的多个行为的时间序列包括：
获取多个环节的关键指标；
根据所述多个环节的关键指标获取用户的多个关键行为及每个关键行为的时间点；
按照时间顺序构建所述多个关键行为的时间序列。
其中，所述多个环节可以包括主顾积累，互动开拓，寿险促成等环节，所述关键指标可以为咨询次数、购买产品次数，参与线下一对一活动次数等。
将用户的每个行为按照时间顺序进行排序，得到每个行为的时间序列。
该可选的实施例中，通过多个环节的关键指标来获取用户的多个关键行为，能够避免获取与关键指标无关的行为，对于关键行为的获取更为直接，且无需对获取的行为进行处理（例如，筛选）操作，提高了后续训练长短期记忆神经网络的效率；且由于获取的是关键行为的时间序列，所述关键行为的时间序列即包括了行为维度的特征，也包括了时间维度的特征，那么将该用户的多个关键行为的时间序列作为长短期记忆神经网络的输入，通过长短期记忆神经网络对多个行为的时间序列的学习，来预测出用户的价值，即结合了行为和时间两个维度的特征训练得到的长短期记忆神经网络模型的预测准确率高，预测得到用户的价值的准确率更高。
所述计算模块202，用于基于行为注意力机制计算所述多个行为的时间序列中每个行为的时间序列的关注度。
多个行为的时间序列为X，
Figure 959516DEST_PATH_IMAGE031
,T为时间序列的长度，
Figure 329318DEST_PATH_IMAGE015
为第k条行为的时间序列，
Figure 219913DEST_PATH_IMAGE016
指多条行为在第t个时间点的信息。
在一个可选的实施例中，所述计算模块202基于行为注意力机制计算所述多个行为的时间序列中每个行为的时间序列的关注度包括：
获取所述长短期记忆神经网络中上一时刻的隐层状态及上一时刻的单元状态；
根据所述上一时刻的隐层状态及所述上一时刻的单元状态生成行为注意力层的输入参数；
将每个行为的时间序列作为所述行为注意力层的键；
根据所述输入参数及每个键计算对应行为的时间序列的关注度。
在每一个时刻（即每一个时间状态），通过上一时刻的隐层状态构建时间维度的注意力机制。
Figure 485810DEST_PATH_IMAGE017
为上一时刻的隐层状态，
Figure 94646DEST_PATH_IMAGE018
为上一时刻的单元状态，将所述上一时刻的隐层状态及所述上一时刻的单元状态拼接起来得到
Figure 268138DEST_PATH_IMAGE019
，作为行为注意力层的输入参数（query），第k个行为的时间序列
Figure 278819DEST_PATH_IMAGE015
作为行为注意力层的键（key），则根据所述输入参数及第k条行为的时间序列
Figure 246775DEST_PATH_IMAGE015
计算第K条行为的时间序列的关注度。
在一个可选的实施例中，所述根据所述输入参数及每个键计算对应行为的时间序列的关注度包括：
通过全连接层计算所述输入参数及每个键的相似度，得到第一注意力度；
通过第一softmax层对每个第一注意力度进行归一化，得到每个行为的时间序列的关注度。
其中，所述全连接层采用如下公式计算第k个行为的时间序列的第一注意力度：
Figure 342907DEST_PATH_IMAGE032
，
Figure 647987DEST_PATH_IMAGE002
及
Figure 513174DEST_PATH_IMAGE003
为需要学习的参数，
Figure 652032DEST_PATH_IMAGE004
为k个行为的时间序列在t时刻的第一注意力度。
其中，所述第一softmax层采用如下公式计算第k个行为的时间序列的关注度：
Figure 235460DEST_PATH_IMAGE033
，
Figure 485176DEST_PATH_IMAGE006
。
Figure 470449DEST_PATH_IMAGE007
为第k个行为的时间序列在t时刻的关注度，
Figure 249049DEST_PATH_IMAGE007
衡量了在t时刻第k个行为的重要程度。
同一时刻，所有行为的时间序列的关注度和为1。
该可选的实施例中，基于上一时刻的隐层状态构建行为维度的注意力机制，并通过行为维度的注意力机制选择最相关的行为作为特征。
所述训练模块203，用于基于每个行为的时间序列及每个行为的时间序列的关注度训练所述长短期记忆神经网络。
对每个行为的时间序列及每个行为的时间序列的关注度采用如下方式进行处理，得到任意一个时刻的训练数据
Figure 319773DEST_PATH_IMAGE023
。
Figure 373180DEST_PATH_IMAGE034
将任意一个时刻的训练数据作为长短期记忆神经网络（Long short termmermory，LSTM)的输入，对LSTM进行迭代训练。
所述更新模块204，用于更新所述长短期记忆神经网络每个时刻的隐层状态，并基于时间注意力机制计算更新后的每个时刻的隐层状态，得到每个时刻的关注度。
所述长短期记忆神经网络在训练的过程中会自动更新每个时刻的隐层状态。
例如，
Figure 212960DEST_PATH_IMAGE025
为一个LSTM单元，则更新t时刻的隐层状态为
Figure 693620DEST_PATH_IMAGE026
。
在一个可选的实施例中，所述更新模块204基于时间注意力机制计算更新后的每个时刻的隐层状态，得到每个时刻的关注度包括：
基于更新后的每个时刻的隐层状态构建时间注意力机制；
通过所述时间注意力机制计算每个时刻的第二注意力度；
通过第二softmax层对每个第二注意力度进行归一化，得到每个时刻的关注度。
其中，所述时间注意力机制采用如下公式计算每个时刻的第二注意力度：
Figure 986061DEST_PATH_IMAGE035
，
Figure 843159DEST_PATH_IMAGE009
为预设的权重，
Figure 130921DEST_PATH_IMAGE010
为预设的偏置项，
Figure 782482DEST_PATH_IMAGE011
为i时刻的第二注意力度。
Tanh函数对先前学到的信息进行压缩处理，起到稳定数值的作用。
第二Softmax层采用如下公式进行归一化：
Figure 827798DEST_PATH_IMAGE036
Figure 223007DEST_PATH_IMAGE013
为i时刻的关注度。
该可选的实施例中，通过第二softmax层对每个第二注意力度进行归一化，得到每个时刻的关注度，每个时刻的关注度代表了每个行为对要预测的ht的作用强度，即每个行为的时间序列对要预测的ht的影响强弱程度。
基于更新后的每个时刻的隐层状态构建时间维度的注意力机制，来判断行为的时间之间的相关性，捕捉较长时间内的时间序列之间的依赖关系。
所述预测模块205，用于根据所述每个时刻的关注度及对应时刻的隐层状态预测所述用户的价值。
在长短期记忆神经网络进行了预设轮次的迭代之后，完成训练过程，并预测出用户对企业的长期贡献价值。
价值越高，表明该用户对企业具有长期贡献度；价值越低，表明该用户对企业不具有长期贡献度。
在一个可选的实施例中，所述预测模块205根据所述每个时刻的关注度及对应时刻的隐层状态预测所述用户的价值包括：
根据所述每个时刻的关注度及对应时刻的隐层状态，在时间维度上进行求和计算得到和值；
通过全连接层计算所述和值，并预测出所述用户购买产品的概率；
对所述概率进行映射，得到所述用户的价值。
通过t时刻的关注度和t时刻的隐层转态，在时间维度上求和得到
Figure 771800DEST_PATH_IMAGE029
，最后，
Figure 859842DEST_PATH_IMAGE030
经过全连接层，再由softmax层输出客户未来购买寿险产品的概率。
根据本地数据库中记录了概率与价值之间的映射关系，可以确定与所述概率对应的价值。
所述推荐模块206，用于确定所述用户当前所处的目标环节；根据所述用户的价值及所述目标环节对所述用户进行分组；采用分组对应的推荐策略向所述用户发送推荐信息。
量化了用户的价值后，根据所述用户当前所处多个环节中的目标环节，来制定不同的推荐策略。例如，将价值高低与用户所处的从接触营销信息到完成购买行为的不同环节（注意、兴趣、行动，对应代理人互动开拓、主顾积累、寿险促成等动作阶段）进行组合，实现对用户的分组，从而采用差异化的推荐策略。如，对处于阶段后期且价值高的用户着重建议书的制作及用户忠诚度的培养；对处于阶段后期且相对价值低的用户，注重向其强调产品独特性，提供不可替代性产品及服务，避免其转向市场上其他竞品；对价值低且处于阶段初期的用户制定较长期的经营策略，着重加深用户对企业品牌的认知等。通过这种方式，达到销售促进、为企业创造价值的目的。
本发明，基于行为注意力机制计算所述多个行为的时间序列中每个行为的时间序列的关注度；基于每个行为的时间序列及每个行为的时间序列的关注度训练所述长短期记忆神经网络；基于时间注意力机制计算更新后的每个时刻的隐层状态，得到每个时刻的关注度；根据所述每个时刻的关注度及对应时刻的隐层状态预测所述用户的价值。行为的时间序列即包括了行为维度的特征，也包括了时间维度的特征，结合了行为和时间两个维度的特征训练得到的长短期记忆神经网络，提高了对长短期记忆神经网络的预测准确率；为了应对长短期记忆神经网络每一次递归都伴随着信息的损耗，在时间序列长度越长的条件下，捕捉对长距离的依赖关系的能力越来越低，本发明同时基于行为注意力机制和时间注意力机制来增强对所关注的那部分依赖关系的捕捉能力，进一步提高了对长短期记忆神经网络的预测准确率，从而提高了用户的价值的预测准确率。
需要强调的是，为进一步保证上述多个行为的时间序列的私密性和安全性，上述多个行为的时间序列可存储于区块链的节点中。
参阅图3所示，为本发明实施例三提供的计算机设备的结构示意图。在本发明较佳实施例中，所述计算机设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解，图3示出的计算机设备的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述计算机设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述计算机设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是，所述计算机设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如所述的基于交往行为的用户价值预测方法中的全部或者部分步骤。所述存储器31包括只读存储器（Read-Only Memory，ROM）、可编程只读存储器（Programmable Read-Only Memory，PROM）、可擦除可编程只读存储器（ErasableProgrammable Read-Only Memory，EPROM）、一次可编程只读存储器（One-timeProgrammable Read-Only Memory，OTPROM）、电子擦除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
进一步地，所述计算机可读存储介质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等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链（Blockchain），本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性（防伪）和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在一些实施例中，所述至少一个处理器32是所述计算机设备3的控制核心（Control Unit），利用各种接口和线路连接整个计算机设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行计算机设备3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本发明实施例中所述的基于交往行为的用户价值预测方法的全部或者部分步骤；或者实现基于交往行为的用户价值预测装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（CentralProcessing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出，所述计算机设备3还可以包括给各个部件供电的电源（比如电池），优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，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，计算机设备，或者网络设备等）或处理器（processor）执行本发明各个实施例所述方法的部分。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。本发明陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于交往行为的用户价值预测方法，其特征在于，所述方法包括：
构建用户的多个行为的时间序列，并输入所述多个行为的时间序列至长短期记忆神经网络中；
基于行为注意力机制计算所述多个行为的时间序列中每个行为的时间序列的关注度；
基于每个行为的时间序列及每个行为的时间序列的关注度训练所述长短期记忆神经网络；
更新所述长短期记忆神经网络每个时刻的隐层状态，并基于时间注意力机制计算更新后的每个时刻的隐层状态，得到每个时刻的关注度；
根据所述每个时刻的关注度及对应时刻的隐层状态预测所述用户的价值。
2.如权利要求1所述的基于交往行为的用户价值预测方法，其特征在于，所述构建用户的多个行为的时间序列包括：
获取多个环节的关键指标；
根据所述多个环节的关键指标获取用户的多个关键行为及每个关键行为的时间点；
按照时间顺序构建所述多个关键行为的时间序列。
3.如权利要求1所述的基于交往行为的用户价值预测方法，其特征在于，所述基于行为注意力机制计算所述多个行为的时间序列中每个行为的时间序列的关注度包括：
获取所述长短期记忆神经网络中上一时刻的隐层状态及上一时刻的单元状态；
根据所述上一时刻的隐层状态及所述上一时刻的单元状态生成行为注意力层的输入参数；
将每个行为的时间序列作为所述行为注意力层的键；
根据所述输入参数及每个键计算对应行为的时间序列的关注度。
4.如权利要求3所述的基于交往行为的用户价值预测方法，其特征在于，所述根据所述输入参数及每个键计算对应行为的时间序列的关注度包括：
通过全连接层计算所述输入参数及每个键的相似度，得到第一注意力度；
通过第一softmax层对每个第一注意力度进行归一化，得到每个行为的时间序列的关注度；
其中，所述全连接层采用如下公式计算第k个行为的时间序列的第一注意力度：
Figure 371806DEST_PATH_IMAGE001
，
Figure 399805DEST_PATH_IMAGE002
及
Figure 581388DEST_PATH_IMAGE003
为需要学习的参数，
Figure 505482DEST_PATH_IMAGE004
为k个行为的时间序列在t时刻的第一注意力度；
其中，所述第一softmax层采用如下公式计算第k个行为的时间序列的关注度：
Figure 139725DEST_PATH_IMAGE005
，
Figure 705836DEST_PATH_IMAGE006
，
Figure 7504DEST_PATH_IMAGE007
为第k个行为的时间序列在t时刻的关注度，
Figure 102499DEST_PATH_IMAGE008
衡量了在t时刻第k个行为的重要程度。
5.如权利要求4所述的基于交往行为的用户价值预测方法，其特征在于，所述基于时间注意力机制计算更新后的每个时刻的隐层状态，得到每个时刻的关注度包括：
基于更新后的每个时刻的隐层状态构建时间注意力机制；
通过所述时间注意力机制计算每个时刻的第二注意力度；
通过第二softmax层对每个第二注意力度进行归一化，得到每个时刻的关注度；
其中，所述时间注意力机制采用如下公式计算每个时刻的第二注意力度：
Figure 224039DEST_PATH_IMAGE009
，
Figure 593840DEST_PATH_IMAGE010
为预设的权重，
Figure 750015DEST_PATH_IMAGE011
为预设的偏置项，
Figure 547070DEST_PATH_IMAGE012
为i时刻的第二注意力度，
所述第二Softmax层采用如下公式进行归一化：
Figure 155906DEST_PATH_IMAGE013
Figure 532660DEST_PATH_IMAGE014
为i时刻的关注度。
6.如权利要求5所述的基于交往行为的用户价值预测方法，其特征在于，所述根据所述每个时刻的关注度及对应时刻的隐层状态预测所述用户的价值包括：
根据所述每个时刻的关注度及对应时刻的隐层状态，在时间维度上进行求和计算得到和值；
通过全连接层计算所述和值，并预测出所述用户购买产品的概率；
对所述概率进行映射，得到所述用户的价值。
7.如权利要求1至6中任意一项所述的基于交往行为的用户价值预测方法，其特征在于，所述方法还包括：
确定所述用户当前所处的目标环节；
根据所述用户的价值及所述目标环节对所述用户进行分组；
采用分组对应的推荐策略向所述用户发送推荐信息。
8.一种基于交往行为的用户价值预测装置，其特征在于，所述装置包括：
构建模块，用于构建用户的多个行为的时间序列，并输入所述多个行为的时间序列至长短期记忆神经网络中；
计算模块，用于基于行为注意力机制计算所述多个行为的时间序列中每个行为的时间序列的关注度；
训练模块，用于基于每个行为的时间序列及每个行为的时间序列的关注度训练所述长短期记忆神经网络；
更新模块，用于更新所述长短期记忆神经网络每个时刻的隐层状态，并基于时间注意力机制计算更新后的每个时刻的隐层状态，得到每个时刻的关注度；
预测模块，用于根据所述每个时刻的关注度及对应时刻的隐层状态预测所述用户的价值。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的基于交往行为的用户价值预测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，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中任意一项所述的基于交往行为的用户价值预测方法。
CN202110031199.4A 2021-01-11 2021-01-11 基于交往行为的用户价值预测方法及相关设备 Active CN112381595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110031199.4A CN112381595B (zh) 2021-01-11 2021-01-11 基于交往行为的用户价值预测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110031199.4A CN112381595B (zh) 2021-01-11 2021-01-11 基于交往行为的用户价值预测方法及相关设备

Publications (2)

Publication Number Publication Date
CN112381595A true CN112381595A (zh) 2021-02-19
CN112381595B CN112381595B (zh) 2021-06-04

Family

ID=74590122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110031199.4A Active CN112381595B (zh) 2021-01-11 2021-01-11 基于交往行为的用户价值预测方法及相关设备

Country Status (1)

Country Link
CN (1) CN112381595B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684543A (zh) * 2018-12-14 2019-04-26 北京百度网讯科技有限公司 用户行为预测和信息投放方法、装置、服务器和存储介质
CN109858806A (zh) * 2019-01-30 2019-06-07 网易（杭州）网络有限公司 数据处理的方法、装置、介质和电子设备
CN111046286A (zh) * 2019-12-12 2020-04-21 腾讯科技（深圳）有限公司 一种对象推荐方法、装置、以及计算机存储介质
CN111160600A (zh) * 2019-11-21 2020-05-15 京东数字科技控股有限公司 行为预测方法、装置、计算机设备和存储介质
US20200160172A1 (en) * 2018-11-20 2020-05-21 Google Llc Controlling agents using scene memory data
CN111461455A (zh) * 2020-04-16 2020-07-28 武汉大学 一种基于关联周期注意力机制的行为预测方法
CN111860785A (zh) * 2020-07-24 2020-10-30 中山大学 基于注意力机制循环神经网络的时间序列预测方法及系统
CN112085541A (zh) * 2020-09-27 2020-12-15 中国建设银行股份有限公司 基于浏览消费时序数据的用户需求分析方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200160172A1 (en) * 2018-11-20 2020-05-21 Google Llc Controlling agents using scene memory data
CN109684543A (zh) * 2018-12-14 2019-04-26 北京百度网讯科技有限公司 用户行为预测和信息投放方法、装置、服务器和存储介质
CN109858806A (zh) * 2019-01-30 2019-06-07 网易（杭州）网络有限公司 数据处理的方法、装置、介质和电子设备
CN111160600A (zh) * 2019-11-21 2020-05-15 京东数字科技控股有限公司 行为预测方法、装置、计算机设备和存储介质
CN111046286A (zh) * 2019-12-12 2020-04-21 腾讯科技（深圳）有限公司 一种对象推荐方法、装置、以及计算机存储介质
CN111461455A (zh) * 2020-04-16 2020-07-28 武汉大学 一种基于关联周期注意力机制的行为预测方法
CN111860785A (zh) * 2020-07-24 2020-10-30 中山大学 基于注意力机制循环神经网络的时间序列预测方法及系统
CN112085541A (zh) * 2020-09-27 2020-12-15 中国建设银行股份有限公司 基于浏览消费时序数据的用户需求分析方法及装置

Also Published As

Publication number Publication date
CN112381595B (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN114663198A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
CN112862546B (zh) 用户流失预测方法、装置、计算机设备及存储介质
CN112801718A (zh) 用户行为预测方法、装置、设备及介质
CN112328646B (zh) 多任务课程推荐方法、装置、计算机设备及存储介质
CN112860989B (zh) 课程推荐方法、装置、计算机设备及存储介质
CN113657495A (zh) 基于概率预测模型的保险产品推荐方法、装置、设备
US11488689B2 (en) Prediction modeling system for clinical trials
CN111738778B (zh) 用户画像生成方法、装置、计算机设备及存储介质
CN112102011A (zh) 基于人工智能的用户等级预测方法、装置、终端及介质
CN112634017A (zh) 远程开卡激活方法、装置、电子设备及计算机存储介质
CN112818028B (zh) 数据指标筛选方法、装置、计算机设备及存储介质
CN112330432B (zh) 风险等级识别模型训练方法、识别方法、终端及存储介质
CN114663167A (zh) 基于拍品信息的估价方法、装置、电子设备及存储介质
CN111652282B (zh) 基于大数据的用户偏好分析方法、装置及电子设备
CN112381595B (zh) 基于交往行为的用户价值预测方法及相关设备
CN113869992B (zh) 基于人工智能的产品推荐方法、装置、电子设备及介质
CN111651452A (zh) 数据存储方法、装置、计算机设备及存储介质
CN116342161A (zh) 针对客户流失的数据处理方法、装置、设备及存储介质
CN113313562B (zh) 产品数据处理方法、装置、计算机设备和存储介质
CN113724824B (zh) 慢性病患者随访方法、装置、计算机设备及可读存储介质
CN114399368A (zh) 基于人工智能的商品推荐方法、装置、电子设备及介质
CN112365051A (zh) 代理人留存预测方法、装置、计算机设备及存储介质
CN114240677A (zh) 医疗数据风险识别方法、装置、电子设备及存储介质
CN114968336A (zh) 应用灰度发布方法、装置、计算机设备及存储介质
CN111651652B (zh) 基于人工智能的情感倾向识别方法、装置、设备及介质

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