CN112527852A - 用户动支策略分配方法、装置及电子设备 - Google Patents
用户动支策略分配方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112527852A CN112527852A CN202110175917.5A CN202110175917A CN112527852A CN 112527852 A CN112527852 A CN 112527852A CN 202110175917 A CN202110175917 A CN 202110175917A CN 112527852 A CN112527852 A CN 112527852A
- Authority
- CN
- China
- Prior art keywords
- user
- branch
- data
- dynamic
- 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 59
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 33
- 238000003860 storage Methods 0.000 claims description 19
- 230000009471 action Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000009826 distribution Methods 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 57
- 230000006870 function Effects 0.000 description 22
- 238000012549 training Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000037023 motor activity Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
Abstract
本公开涉及一种用户动支策略分配方法、装置及电子设备。该方法包括：获取目标用户的用户数据，所述用户数据中包括基础数据和行为数据；根据预设条件将所述用户数据进行整合以生成用户特征；将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，所述用户动支模型通过具有特定参数的卷积神经网络生成；根据所述动支概率和所述动支时间为所述用户分配动支策略。本公开涉及的用户动支策略分配方法、装置、电子设备及计算机可读介质，能够快速准确的为用户分配用户动支策略，促进用户的动支行为，增加用户的活跃度，提升公司产品的收益。
Description
技术领域
本公开涉及计算机信息处理领域，具体而言，涉及一种用户动支策略分配方法、装置、电子设备及计算机可读介质。
背景技术
近年来，随着越来越多的提供金融服务的各种信贷公司的出现，对于金融用户而言，能够获得金融资源的渠道增多，服务也多样化，金融用户有了更大的选择性。这使得提供金融服务的公司之间也增多了竞争。对金融公司而言，一些很久未在某平台上进行过操作的用户，可称之为睡眠用户，这些睡眠用户都是经过授信的用户，是具有较高用户价值的用户。挽回这些用户，让这些用户重新回归本平台，对金融公司而言是具有极大的价值的。
对于用户而言，最优惠的金融产品或者最长的还款期限是其最关注的，而对金融公司而言，为用户分配恰当的用户策略，在用户策略中给用户的特享资源额度需要恰到好处，使得该用户策略在能满足用户需求的同时，又能保证公司本身资源的安全。
在用户策略制定上，现有技术是通过专家的经验知识，然后基于用户基本信息结合个人行为数据进行分析，从而制定的用户策略。而且，现有技术中的用户策略大部分是在用户授信初期制定的，无法考虑到用户进入睡眠用户，长久未进行操作的情况。
因此，需要一种新的用户动支策略分配方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此，本公开提供一种用户动支策略分配方法、装置、电子设备及计算机可读介质，能够快速准确的为用户分配用户动支策略，促进用户的动支行为，增加用户的活跃度，提升公司产品的收益。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一方面，提出一种用户动支策略分配方法，该方法包括：获取目标用户的用户数据，所述用户数据中包括基础数据和行为数据；根据预设条件将所述用户数据进行整合以生成用户特征；将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，所述用户动支模型通过具有特定参数的卷积神经网络生成；根据所述动支概率和所述动支时间为所述用户分配动支策略。
可选地，获取目标用户的用户数据，包括：在用户状态数据库中按照预设条件进行检索；将符合预设条件的用户确定为所述目标用户。
可选地，在用户状态数据库中按照预设条件进行检索，包括：在所述用户状态数据库中提取注册之后无动支行为的用户；或在所述用户状态数据库中提取上次动支行为距当前时间超过阈值的用户。
可选地，根据预设条件将所述用户数据进行整合以生成用户特征，包括：根据基础数据整理条件，将所述用户数据中的基础数据整合生成用户基础特征；根据行为数据整理条件，将所述用户数据中的行为数据按照行为类别和行为次数整合生成用户行为特征；通过所述用户基础特征和所述用户行为特征生成所述用户特征。
可选地，将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，包括：将所述用户特征输入用户动支模型中；所述用户动支模型根据所述用户特征的总数确定卷积核数量；基于多个卷积核对所述用户特征进行卷积。
可选地，将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，还包括：所述用户动支模型的池化层获取多个卷积核的卷积结果；所述池化层对所述多个卷积核的卷积结果进行平均；所述用户动支模型的全连接层基于平均之后的卷积结果生成用户向量。
可选地，将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，还包括：基于所述用户向量和逻辑回归层生成动支概率和其对应的动支时间。
可选地，根据所述动支概率和所述动支时间为所述用户分配动支策略，包括：根据所述动支概率确定用户的优惠信息；基于所述动支时间确定所述信息推送时间；通过所述优惠信息所述信息推送时间生成所述用户的动支策略。
可选地，还包括：通过多个历史用户的用户数据对卷积神经网络模型进行训练以生成所述用户动支模型。
可选地，通过多个历史用户的用户数据对卷积神经网络模型进行训练以生成所述用户动支模型，包括：通过所述多个历史用户的用户数据生成多个用户特征；将所述多个用户特征确定用户标签；设定所述卷积神经网络模型的目标函数；将带有用户标签的多个用户特征输入卷积神经网络模型中，基于所述目标函数进行模型训练，生成所述用户动支模型。
根据本公开的一方面，提出一种用户动支策略分配装置，该装置包括：数据模块，用于获取目标用户的用户数据，所述用户数据中包括基础数据和行为数据；整合模块，用于根据预设条件将所述用户数据进行整合以生成用户特征；计算模块，用于将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，所述用户动支模型通过具有特定参数的卷积神经网络生成；策略模块，用于根据所述动支概率和所述动支时间为所述用户分配动支策略。
可选地，所述数据模块，包括：检索单元，用于在用户状态数据库中按照预设条件进行检索；将符合预设条件的用户确定为所述目标用户。
可选地，所述检索单元，还用于在所述用户状态数据库中提取注册之后无动支行为的用户；或在所述用户状态数据库中提取上次动支行为距当前时间超过阈值的用户。
可选地，所述整合模块，包括：基础单元，用于根据基础数据整理条件，将所述用户数据中的基础数据整合生成用户基础特征；行为单元，用于根据行为数据整理条件，将所述用户数据中的行为数据按照行为类别和行为次数整合生成用户行为特征；整合单元，用于通过所述用户基础特征和所述用户行为特征生成所述用户特征。
可选地，所述计算模块，包括：输入单元，用于将所述用户特征输入用户动支模型中；卷积单元，用于所述用户动支模型根据所述用户特征的总数确定卷积核数量；基于多个卷积核对所述用户特征进行卷积。
可选地，所述计算模块，还包括：池化单元，用于获取多个卷积核的卷积结果；所述池化层对所述多个卷积核的卷积结果进行平均；全连接单元，用于基于平均之后的卷积结果生成用户向量。
可选地，所述计算模块，还包括：回归单元，用于基于所述用户向量和逻辑回归层生成动支概率和其对应的动支时间。
可选地，所述策略模块，还用于根据所述动支概率确定用户的优惠信息；基于所述动支时间确定所述信息推送时间；通过所述优惠信息所述信息推送时间生成所述用户的动支策略。
可选地，还包括：模型训练模块，用于通过多个历史用户的用户数据对卷积神经网络模型进行训练以生成所述用户动支模型。
可选地，所述模型训练模块，还用于通过所述多个历史用户的用户数据生成多个用户特征；将所述多个用户特征确定用户标签；设定所述卷积神经网络模型的目标函数；将带有用户标签的多个用户特征输入卷积神经网络模型中，基于所述目标函数进行模型训练，生成所述用户动支模型。
根据本公开的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。
根据本公开的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。
根据本公开的用户动支策略分配方法、装置、电子设备及计算机可读介质，获取目标用户的用户数据，所述用户数据中包括基础数据和行为数据；根据预设条件将所述用户数据进行整合以生成用户特征；将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，所述用户动支模型通过具有特定参数的卷积神经网络生成；根据所述动支概率和所述动支时间为所述用户分配动支策略的方式，能够快速准确的为用户分配用户动支策略，促进用户的动支行为，增加用户的活跃度，提升公司产品的收益。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例，本公开的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，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是根据一示例性实施例示出的一种用户动支策略分配方法及装置的系统框图。
图2是根据一示例性实施例示出的一种用户动支策略分配方法的流程图。
图3是根据另一示例性实施例示出的一种用户动支策略分配方法的流程图。
图4是根据另一示例性实施例示出的一种用户动支策略分配方法的流程图。
图5是根据一示例性实施例示出的一种用户动支策略分配装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
图7是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的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部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
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。
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。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“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。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
本发明中，资源是指任何可被利用的物质、信息、时间，信息资源包括计算资源和各种类型的数据资源。数据资源包括各个领域中的各种专用数据。本发明的创新之处在于如何使用服务器和客户端之间的信息交互技术来使资源分配的过程更加自动化、高效和减小人力成本。由此，从本质上来说，本发明可以应用于各类资源的分配，包括实体的货物、水、电，以及有意义的资料等。但是，为了方便起见，本发明中以金融数据资源为例进行说明资源分配的实施，但本领域技术人员应当理解，本发明亦可以用于其他资源的分配。
图1是根据一示例性实施例示出的一种用户动支策略分配方法及装置的系统框图。
如图1所示，系统架构10可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如金融服务类应用、购物类应用、网页浏览器应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的金融服务类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的用户数据进行分析等处理，并将处理结果（例如动支策略、优惠信息等）反馈给金融服务网站的管理员和/或终端设备101、102、103。
服务器105可例如获取目标用户的用户数据，所述用户数据中包括基础数据和行为数据；服务器105可例如根据预设条件将所述用户数据进行整合以生成用户特征；服务器105可例如将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，所述用户动支模型通过具有特定参数的卷积神经网络生成；服务器105可例如根据所述动支概率和所述动支时间为所述用户分配动支策略。
服务器105还可例如通过多个历史用户的用户数据对卷积神经网络模型进行训练以生成所述用户动支模型。
服务器105可以是一个实体的服务器，还可例如为多个服务器组成，服务器105中的一部分可例如用于通过多个历史用户的用户数据对卷积神经网络模型进行训练以生成所述用户动支模型；以及服务器105中的一部分还可例如计算得到动支概率和动支时间，并为所述用户分配动支策略。
需要说明的是，本公开实施例所提供的用户动支策略分配方法可以由服务器105执行，相应地，用户动支策略分配装置可以设置于服务器105中。而提供给用户进行金融服务平台浏览的网页端一般位于终端设备101、102、103中。
图2是根据一示例性实施例示出的一种用户动支策略分配方法的流程图。用户动支策略分配方法20至少包括步骤S202至S208。
如图2所示，在S202中，获取目标用户的用户数据，所述用户数据中包括基础数据和行为数据。可例如，在用户状态数据库中按照预设条件进行检索；将符合预设条件的用户确定为所述目标用户。
其中，在用户状态数据库中按照预设条件进行检索，包括：在所述用户状态数据库中提取注册之后无动支行为的用户；或在所述用户状态数据库中提取上次动支行为距当前时间超过阈值的用户。注册之后无动支行为的用户可称之为睡眠用户，动支行为距当前时间超过半年的用户可称之为休眠用户，这两类用户可为促动措施重点关注的用户，可优先对这两类用户进行处理。当然，本公开的方法还可应用在其他种类的用户中，本公开不以此为限。
其中，用户的基础数据可例如为用户的姓名、年龄、工作、职位、收入等等信息，行为数据可例如为用户在金融网络平台上的操作数据。
更进一步的，所述行为数据可包括各个行为和其对应的时间。包括：在用户端的应用中的预设页面设置数据采集代码；通过SDK采集工具和所述数据采集代码获取用户的行为数据。可通过代码埋点的方式获取用户的行为数据，代码埋点是通过调用埋点SDK函数，在需要埋点的业务逻辑功能位置调用接口，上报埋点数据。例如，在对页面中的某个按钮埋点后，当这个按钮被点击时，可以在这个按钮对应的 OnClick 函数里面调用SDK提供的数据发送接口，来发送用户的行为数据，值得一提的是，在发送用户行为数据的时候，还需要附带上该行为发生的时间。
在S204中，根据预设条件将所述用户数据进行整合以生成用户特征。可例如，根据基础数据整理条件，将所述用户数据中的基础数据整合生成用户基础特征；根据行为数据整理条件，将所述用户数据中的行为数据按照行为类别和行为次数整合生成用户行为特征；通过所述用户基础特征和所述用户行为特征生成所述用户特征。
可例如，可具体将行为数据分为“登陆”、“点击个人中心”、“点击借款”、“修改密码”等等多个行为类别，然后将行为数据按照“天”为单位进行整理，计算出每天中，用户进行上述行为的次数，通过这个次数生成用户行为特征。
在S206中，将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，所述用户动支模型通过具有特定参数的卷积神经网络生成。通过卷积神经网络进行计算的内容将在图3对应的实施例中进行详细描述。
在S208中，根据所述动支概率和所述动支时间为所述用户分配动支策略。包括：根据所述动支概率确定用户的优惠信息；基于所述动支时间确定所述信息推送时间；通过所述优惠信息所述信息推送时间生成所述用户的动支策略。
还可根据所述动支概率确定为所述用户分配的资源额度，以供所述用户在动支时使用。
根据本公开的用户动支策略分配方法，获取目标用户的用户数据，所述用户数据中包括基础数据和行为数据；根据预设条件将所述用户数据进行整合以生成用户特征；将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，所述用户动支模型通过具有特定参数的卷积神经网络生成；根据所述动支概率和所述动支时间为所述用户分配动支策略的方式，能够快速准确的为用户分配用户动支策略，促进用户的动支行为，增加用户的活跃度，提升公司产品的收益。
应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种用户动支策略分配方法的流程图。图3所示的流程30是对图2所示的流程中S206“将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间”的详细描述。
如图3所示，在S302中，用户动支模型根据所述用户特征总数确定卷积核数量。可根据用户特征的对应的日期总数确定卷积核数量，每个卷积核可计算7天的用户特征，获取30天的用户特征的时候，则可使用4个卷积核进行计算。
在S304中，基于多个卷积核对所述用户特征进行卷积。卷积核可以看作对某个局部的加权求和；它是对应局部感知，先从局部开始认识，这就对应了卷积。
在本公开中，卷积核计算函数为：
其中，f为卷积核计算之后的结果，w为卷积核，x为输入样本， 
为卷积函数
Sigmod函数，
。
在做概率估计的时候，预测值处于0~1之间，Sigmod函数正是这样一条平滑曲线，可以借助它来预测概率。
C=1,7,14,21,30等，r为特征类别数。在本实施例中，特征总数为30天的样本*特征类别数。
在S306中，基于池化层对所述多个卷积核的卷积结果进行平均。卷积特征往往对应某个局部的特征。要得到global的特征需要将全局的特征执行一个aggregation（聚合）。池化就是这样一个操作，对于每个卷积通道，将更大尺寸（甚至是global）上的卷积特征进行pooling就可以得到更有全局性的特征。这里的pooling当然就对应了cross region。
其中，
；
在S308中，基于全连接层将平均之后的卷积结果生成用户向量。全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。由于其全相连的特性，在本公开中全连接层可有4096个节点，每个节点均有其对应的权值。
其中，
在S310中，基于所述用户向量和逻辑回归层生成动支概率和其对应的动支时间。
结果计算公式为：
；
其中，s为逻辑回归函数。
图4是根据另一示例性实施例示出的一种用户动支策略分配方法的流程图。图4所示的流程40是对“ 通过多个历史用户的用户数据对卷积神经网络模型进行训练以生成所述用户动支模型”的详细描述。
如图4所示，在S402中，通过所述多个历史用户的用户数据生成多个用户特征。
在S404中，将所述多个用户特征确定用户标签。可根据历史用户后续动支的情况确定其对应的标签，标签可为存在动支行为或不存在动支行为。
在S406中，设定所述卷积神经网络模型的目标函数。其中，目标函数可为：
其中，p为预测结果，y为样本的标签。
在S408中，将带有用户标签的多个用户特征输入卷积神经网络模型中。
在S410中，基于所述目标函数进行模型训练，生成所述用户动支模型。在对卷积神经网络训练的过程中，通过Sigmoid函数对卷积神经网络中的每个上一层网络的输出信号进行激活之后输入至对应的下一层网络中。在完成训练之后即可得到该卷积神经网络中的各参数的数值，并将该卷积神经网络中的各参数的数值代入卷积神经网络中即可得到预测模型。
还可基于梯度下降法（Gradient descent）进行训练，梯度下降法是一个一阶最优化算法。 要使用梯度下降法找到一个函数的局部极小值，必须向函数上当前点对应梯度（或者是近似梯度）的反方向的规定步长距离点进行迭代搜索。如果相反地向梯度正方向迭代进行搜索，则会接近函数的局部极大值点；这个过程则被称为梯度上升法。
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CPU 执行的计算机程序。在该计算机程序被CPU 执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图5是根据一示例性实施例示出的一种用户动支策略分配装置的框图。如图5所示，用户动支策略分配装置50包括：数据模块502，整合模块504，计算模块506，策略模块508，模型训练模块510。
数据模块502用于获取目标用户的用户数据，所述用户数据中包括基础数据和行为数据；所述数据模块502包括：检索单元，用于在用户状态数据库中按照预设条件进行检索；将符合预设条件的用户确定为所述目标用户。所述检索单元，还用于在所述用户状态数据库中提取注册之后无动支行为的用户；或在所述用户状态数据库中提取上次动支行为距当前时间超过阈值的用户。
整合模块504用于根据预设条件将所述用户数据进行整合以生成用户特征；所述整合模块504包括：基础单元，用于根据基础数据整理条件，将所述用户数据中的基础数据整合生成用户基础特征；行为单元，用于根据行为数据整理条件，将所述用户数据中的行为数据按照行为类别和行为次数整合生成用户行为特征；整合单元，用于通过所述用户基础特征和所述用户行为特征生成所述用户特征。
计算模块506用于将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，所述用户动支模型通过具有特定参数的卷积神经网络生成；所述计算模块506包括：输入单元，用于将所述用户特征输入用户动支模型中；卷积单元，用于所述用户动支模型根据所述用户特征的总数确定卷积核数量；基于多个卷积核对所述用户特征进行卷积；池化单元，用于获取多个卷积核的卷积结果；所述池化层对所述多个卷积核的卷积结果进行平均；全连接单元，用于基于平均之后的卷积结果生成用户向量；回归单元，用于基于所述用户向量和逻辑回归层生成动支概率和其对应的动支时间。
策略模块508用于根据所述动支概率和所述动支时间为所述用户分配动支策略。所述策略模块508还用于根据所述动支概率确定用户的优惠信息；基于所述动支时间确定所述信息推送时间；通过所述优惠信息所述信息推送时间生成所述用户的动支策略。
模型训练模块510用于通过多个历史用户的用户数据对卷积神经网络模型进行训练以生成所述用户动支模型。所述模型训练模块510还用于通过所述多个历史用户的用户数据生成多个用户特征；将所述多个用户特征确定用户标签；设定所述卷积神经网络模型的目标函数；将带有用户标签的多个用户特征输入卷积神经网络模型中，基于所述目标函数进行模型训练，生成所述用户动支模型。
根据本公开的用户动支策略分配装置，获取目标用户的用户数据，所述用户数据中包括基础数据和行为数据；根据预设条件将所述用户数据进行整合以生成用户特征；将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，所述用户动支模型通过具有特定参数的卷积神经网络生成；根据所述动支概率和所述动支时间为所述用户分配动支策略的方式，能够快速准确的为用户分配用户动支策略，促进用户的动支行为，增加用户的活跃度，提升公司产品的收益。
图6是根据一示例性实施例示出的一种电子设备的框图。
下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件（包括存储单元620和处理单元610）的总线630、显示单元640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610执行，使得所述处理单元610执行本说明书中的根据本公开各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图2，图3，图4中所示的步骤。
所述存储单元620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）6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元（ROM）6203。
所述存储单元620还可以包括具有一组（至少一个）程序模块6205的程序/实用工具6204，这样的程序模块6205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630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600也可以与一个或多个外部设备600’（例如键盘、指向设备、蓝牙设备等）通信，使得用户能与该电子设备600交互的设备通信，和/或该电子设备600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650进行。并且，电子设备600还可以通过网络适配器660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660可以通过总线630与电子设备600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600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，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，如图7所示，根据本公开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非易失性存储介质（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）执行根据本公开实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。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公开操作的程序代码，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）。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取目标用户的用户数据，所述用户数据中包括基础数据和行为数据；根据预设条件将所述用户数据进行整合以生成用户特征；将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，所述用户动支模型通过具有特定参数的卷积神经网络生成；根据所述动支概率和所述动支时间为所述用户分配动支策略。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本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。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例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，根据本公开实施例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非易失性存储介质（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、移动终端、或者网络设备等）执行根据本公开实施例的方法。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是，本公开不限于这里描述的详细结构、设置方式或实现方法；相反，本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (10)
1.一种用户动支策略分配方法，其特征在于，包括：
获取目标用户的用户数据，所述用户数据中包括基础数据和行为数据；
根据预设条件将所述用户数据进行整合以生成用户特征；
将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，所述用户动支模型通过具有特定参数的卷积神经网络生成；
根据所述动支概率和所述动支时间为所述用户分配动支策略。
2.如权利要求1所述的方法，其特征在于，获取目标用户的用户数据，包括：
在用户状态数据库中按照预设条件进行检索；
将符合预设条件的用户确定为所述目标用户。
3.如权利要求2所述的方法，其特征在于，在用户状态数据库中按照预设条件进行检索，包括：
在所述用户状态数据库中提取注册之后无动支行为的用户；或
在所述用户状态数据库中提取上次动支行为距当前时间超过阈值的用户。
4.如权利要求1所述的方法，其特征在于，根据预设条件将所述用户数据进行整合以生成用户特征，包括：
根据基础数据整理条件，将所述用户数据中的基础数据整合生成用户基础特征；
根据行为数据整理条件，将所述用户数据中的行为数据按照行为类别和行为次数整合生成用户行为特征；
通过所述用户基础特征和所述用户行为特征生成所述用户特征。
5.如权利要求1所述的方法，其特征在于，将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，包括：
将所述用户特征输入用户动支模型中；
所述用户动支模型根据所述用户特征的总数确定卷积核数量；
基于多个卷积核对所述用户特征进行卷积。
6.如权利要求5所述的方法，其特征在于，将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，还包括：
所述用户动支模型的池化层获取多个卷积核的卷积结果；
所述池化层对所述多个卷积核的卷积结果进行平均；
所述用户动支模型的全连接层基于平均之后的卷积结果生成用户向量。
7.如权利要求6所述的方法，其特征在于，将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，还包括：
基于所述用户向量和逻辑回归层生成动支概率和其对应的动支时间。
8.一种用户动支策略分配装置，其特征在于，包括：
数据模块，用于获取目标用户的用户数据，所述用户数据中包括基础数据和行为数据；
整合模块，用于根据预设条件将所述用户数据进行整合以生成用户特征；
计算模块，用于将所述用户特征输入用户动支模型中生成所述用户的动支概率和其对应的动支时间，所述用户动支模型通过具有特定参数的卷积神经网络生成；
策略模块，用于根据所述动支概率和所述动支时间为所述用户分配动支策略。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，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中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110175917.5A CN112527852A (zh) | 2021-02-07 | 2021-02-07 | 用户动支策略分配方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110175917.5A CN112527852A (zh) | 2021-02-07 | 2021-02-07 | 用户动支策略分配方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112527852A true CN112527852A (zh) | 2021-03-19 |
Family
ID=74975641
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110175917.5A Pending CN112527852A (zh) | 2021-02-07 | 2021-02-07 | 用户动支策略分配方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112527852A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610631A (zh) * | 2021-08-02 | 2021-11-05 | 北京淇瑀信息科技有限公司 | 用户策略调整方法、装置及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103378976A (zh) * | 2012-04-19 | 2013-10-30 | 深圳市快播科技有限公司 | 一种沉睡用户唤醒方法及系统 |
| CN107578294A (zh) * | 2017-09-28 | 2018-01-12 | 北京小度信息科技有限公司 | 用户行为预测方法、装置及电子设备 |
| CN109684549A (zh) * | 2018-12-24 | 2019-04-26 | 拉扎斯网络科技（上海）有限公司 | 目标数据预测方法、装置、电子设备及计算机存储介质 |
| 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 |
| CN111768247A (zh) * | 2020-06-30 | 2020-10-13 | 深圳前海微众银行股份有限公司 | 下单率预测方法、设备及可读存储介质 |
-
2021
- 2021-02-07 CN CN202110175917.5A patent/CN112527852A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103378976A (zh) * | 2012-04-19 | 2013-10-30 | 深圳市快播科技有限公司 | 一种沉睡用户唤醒方法及系统 |
| CN107578294A (zh) * | 2017-09-28 | 2018-01-12 | 北京小度信息科技有限公司 | 用户行为预测方法、装置及电子设备 |
| 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 |
| CN109684549A (zh) * | 2018-12-24 | 2019-04-26 | 拉扎斯网络科技（上海）有限公司 | 目标数据预测方法、装置、电子设备及计算机存储介质 |
| CN111768247A (zh) * | 2020-06-30 | 2020-10-13 | 深圳前海微众银行股份有限公司 | 下单率预测方法、设备及可读存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610631A (zh) * | 2021-08-02 | 2021-11-05 | 北京淇瑀信息科技有限公司 | 用户策略调整方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112529702B (zh) | 用户授信策略分配方法、装置及电子设备 | |
| CN112017060B (zh) | 为目标用户进行资源分配的方法、装置及电子设备 | |
| CN112348660A (zh) | 生成风险警示信息的方法、装置及电子设备 | |
| CN111598360B (zh) | 服务策略确定方法、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 | |
| CN112016796B (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
| CN111210335A (zh) | 用户风险识别方法、装置及电子设备 | |
| CN113297287B (zh) | 用户策略自动部署方法、装置及电子设备 | |
| CN112017062B (zh) | 基于客群细分的资源额度分配方法、装置及电子设备 | |
| CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
| CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
| CN112016792A (zh) | 用户资源配额确定方法、装置及电子设备 | |
| CN113298354A (zh) | 业务衍生指标的自动生成方法、装置及电子设备 | |
| CN112016793B (zh) | 基于目标用户群的资源分配方法、装置及电子设备 | |
| CN111190967B (zh) | 用户多维度数据处理方法、装置及电子设备 | |
| CN111611514A (zh) | 一种基于用户登录信息的页面展示方法、装置和电子设备 | |
| CN112116159B (zh) | 信息交互方法、装置、计算机可读存储介质及电子设备 | |
| CN113610366A (zh) | 风险警告生成方法、装置及电子设备 | |
| CN112116393B (zh) | 用于实现事件用户维护的方法、装置和设备 | |
| CN112527852A (zh) | 用户动支策略分配方法、装置及电子设备 | |
| CN112288475A (zh) | 产品推荐方法、装置及电子设备 | |
| CN112348658A (zh) | 资源分配方法、装置及电子设备 | |
| CN111199454A (zh) | 实时用户转化评估方法、装置及电子设备 | |
| CN113902545B (zh) | 资源额度分配方法、装置及电子设备 | |
| CN114742645B (zh) | 基于多阶段时序多任务的用户安全等级识别方法及装置 |
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 |