CN112529624A - 生成业务预测模型的方法、装置、设备以及存储介质 - Google Patents
生成业务预测模型的方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN112529624A CN112529624A CN202011475769.0A CN202011475769A CN112529624A CN 112529624 A CN112529624 A CN 112529624A CN 202011475769 A CN202011475769 A CN 202011475769A CN 112529624 A CN112529624 A CN 112529624A
- Authority
- CN
- China
- Prior art keywords
- user
- model
- service
- trained
- term model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000007774 longterm Effects 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims description 19
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06N3/045—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
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了生成业务预测模型的方法、装置、设备以及存储介质,涉及智能推荐、深度学习等人工智能技术领域。该生成业务预测模型的方法包括:获取第一样本集;从第一样本集中选取样本,训练长期模型;根据第一业务和第二业务的转化周期确定预设时间,以及将第一样本集中用户达成第二业务的数据的日期提前预设时间,得到标签集;获取第二样本集;从第二样本集中选取样本,训练短期模型;将长期模型和短期模型集成,得到第一业务预测模型,从而利用第二业务的数据对第一业务进行建模,降低对第一业务建模的样本量门槛,解决了冷启动建模困难的问题。
Description
技术领域
本申请涉及计算机技术领域,具体涉及智能推荐、深度学习等人工智能技术领域,尤其涉及生成业务预测模型的方法、装置、设备以及存储介质。
背景技术
针对一些用户决策周期较长的营销场景(例如卖房、卖车、卖保险等),由于此类场景涉及较多线下环节,导致很难对多个环节的用户数据进行全流程跟踪。此外,由于此类场景不同环节的用户数据是由不同机构掌握,因此很难在数据上实现贯通。如何在没有大量用户数据的情况下设计个性化推荐系统并且让用户对推荐结果满意从而愿意使用推荐系统,就是冷启动所要解决的问题。
现有的冷启动解决方案一般是先随机投放或根据业务经验投放推荐内容,进而获取足量的用户数据,然后根据这批用户数据建模。
发明内容
本申请实施例提供了生成业务预测模型的方法、装置、设备以及存储介质。
第一方面,本申请实施例提供了生成业务预测模型的方法,包括:获取第一样本集,其中,第一样本集中的样本包括第一用户特征以及用户达成第二业务的第二数据,其中,第一用户特征包括用户基础属性特征和用户第二业务特征,用户达成第一业务的时间早于用户达成第二业务的时间;从第一样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第一用户特征作为长期模型的输入,将第二数据作为长期模型的期望输出,对长期模型进行有监督的训练,得到训练完成的长期模型;根据第一业务和第二业务的转化周期确定预设时间,以及将第二数据的日期重配为预设时间之前,得到标签集;获取第二样本集,其中,第二样本集中的样本包括第二用户特征以及标签集中的标签,其中,第二用户特征包括用户意图特征和用户第二业务特征;从第二样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第二用户特征作为短期模型的输入,将标签作为期望输出,对短期模型进行有监督的训练,得到训练完成的短期模型;将训练完成的长期模型和训练完成的短期模型进行集成,得到训练完成的第一业务预测模型。
第二方面,本申请实施例提供了生成业务预测模型的装置,包括:第一获取单元,被配置为获取第一样本集,其中,第一样本集中的样本包括第一用户特征以及用户达成第二业务的第二数据,其中,第一用户特征包括用户基础属性特征和用户第二业务特征,用户达成第一业务的时间早于用户达成第二业务的时间;第一训练单元,被配置为从第一样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第一用户特征作为长期模型的输入,将第二数据作为长期模型的期望输出,对长期模型进行有监督的训练,得到训练完成的长期模型;标签确定单元,被配置为根据第一业务和第二业务的转化周期确定预设时间,以及将第二数据的日期重配为预设时间之前,得到标签集;第二获取单元,被配置为获取第二样本集,其中,第二样本集中的样本包括第二用户特征以及标签集中的标签,其中,第二用户特征包括用户意图特征和用户第二业务特征;第二训练单元,被配置为从第二样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第二用户特征作为短期模型的输入,将标签作为期望输出,对短期模型进行有监督的训练,得到训练完成的短期模型;集成单元,被配置为将训练完成的长期模型和训练完成的短期模型进行集成,得到训练完成的第一业务预测模型。
第三方面,本申请实施例提出了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
本申请实施例提供的生成业务预测模型的方法、装置、设备以及存储介质,首先获取第一样本集,其中,第一样本集中的样本包括第一用户特征以及用户达成第二业务的第二数据,其中,第一用户特征包括用户基础属性特征和用户第二业务特征,用户达成第一业务的时间早于用户达成第二业务的时间;之后从第一样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第一用户特征作为长期模型的输入,将第二数据作为长期模型的期望输出,对长期模型进行有监督的训练,得到训练完成的长期模型;而后根据第一业务和第二业务的转化周期确定预设时间,以及将第二数据的日期重配为预设时间之前,得到标签集;然后获取第二样本集,其中,第二样本集中的样本包括第二用户特征以及标签集中的标签,其中,第二用户特征包括用户意图特征和用户第二业务特征;再然后从第二样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第二用户特征作为短期模型的输入,将标签作为期望输出,对短期模型进行有监督的训练,得到训练完成的短期模型;最后将训练完成的长期模型和训练完成的短期模型进行集成,得到训练完成的第一业务预测模型,从而利用第二业务的数据对第一业务进行建模,降低对第一业务建模的样本量门槛,解决了冷启动建模困难的问题。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的生成业务预测模型的方法的一个实施例的流程示意图;
图3是根据本申请的生成业务预测模型的方法的另一个实施例的流程示意图;
图4是根据本申请的预测用户达成第一业务概率的方法的一个实施例的流程示意图;
图5是根据本申请的生成业务预测模型的方法的一个实施例的应用场景示意图;
图6是根据本申请的生成业务预测模型的装置的一个实施例的结构示意图;
图7是根据本申请的预测用户达成第一业务概率的装置的一个实施例的结构示意图。
图8是用来实现本申请实施例的生成业务预测模型的方法的电子设备的框图。
具体实施方式
下面结合附图和实施例对本申请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相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的生成业务预测模型的方法或生成业务预测模型的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、网络102、服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102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。
终端设备101可以通过网络102与服务器103交互。终端设备101中可以提供用户达成第二业务的相关数据,包括但不限于数据库、用户终端等等。
服务器103可以提供各种服务,例如服务器103可以对从终端设备101获取到的用户达成第二业务的相关数据等数据进行分析等处理,生成处理结果(例如得到训练完成的第一业务预测模型)。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的生成业务预测模型的方法一般由服务器103执行,相应地,生成业务预测模型的装置一般设置于服务器103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的生成业务预测模型的方法的一个实施例的流程200。该方法包括以下步骤:
步骤201,获取第一样本集。
在本实施例中,生成业务预测模型的方法的执行主体(例如图1所示的服务器103)可以获取第一样本集。其中,第一样本集中的样本包括第一用户特征以及用户达成第二业务的第二数据,其中,第一用户特征包括用户基础属性特征和用户第二业务特征,用户达成第一业务的时间早于用户达成第二业务的时间。
其中,用户基础属性特征可以是时效性较弱的用户特征,例如用户的性别、年龄等。
在一些用户决策周期较长的营销场景,例如卖保险,用户往往经过了“逛展会”、“去4S店看车”、“购车”等至少一个中间环节,才最终决定购买保险。其中,每个环节可以对应一个营销业务,例如在“购车”环节,其对应的营销业务为卖车;在“逛展会”环节,其对应的营销业务为展车。其中,不同环节的发生可以存在时间上的先后顺序,例如用户通常经过了“购车”环节后才进入“买保险”环节。在这里,可以将发生时间靠后的环节对应的营销业务作为第二业务,将发生时间靠前的环节对应的营销业务作为第一业务。例如,以卖保险为例,卖保险(最终环节对应的营销业务)可以作为第二业务,卖车(中间环节“购车”对应的营销业务)可以作为第一业务。
其中,用户第二业务特征是指与第二业务关联的用户特征。以第二业务为卖保险为例,用户第二业务特征可以包括用户的保额、险种、用户保有的车辆数等。
其中,用户达成第二业务的第二数据可以是用户是否达成第二业务。示例性地,用户达成了第二业务可以标记为“1”,用户没有达成第二业务可以标记为“0”。
步骤202,从第一样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第一用户特征作为长期模型的输入,将第二数据作为长期模型的期望输出,对长期模型进行有监督的训练,得到训练完成的长期模型。
在本实施例中,上述执行主体可以执行长期模型的训练过程。其中,长期模型可以是未经训练的长期模型或未训练完成的长期模型,长期模型的各层可以设置有初始参数,参数在长期模型的训练过程中可以被不断地调整。长期模型可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型,例如,长期模型可以是未经训练的卷积神经网络,也可以是未经训练的循环神经网络,还可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合所得到的模型。
步骤203,根据第一业务和第二业务的转化周期确定预设时间,以及将第二数据的日期重配为预设时间之前,得到标签集。
在本实施例中,上述执行主体可以根据第一业务和第二业务的转化周期确定预设时间,以及将第二数据的日期重配为预设时间之前,得到标签集。
在长周期、多环节的营销场景中,往往不同环节的营销数据的样本数量级以及数据获取难易程度都是不一样的。以卖保险为例,用户可以通过线上操作购买保险,因此此类数据往往比较容易获取;但是对于中间环节的“逛展会”,由于该环节是在线下开展的且该环节的营销数据是由不同的机构保有,因此此类数据往往比较难获取。
其中,可以将具有较多营销数据或较易获取营销数据的营销业务作为第二业务,将具有极少营销数据或较难获取营销数据的营销业务作为第一业务。然后根据第一业务和第二业务的转化周期确定一个时间参数T,并将用户达成第二业务的第二数据的日期提前时间T,得到假定的用户达成第一业务的第一数据。其中,用户达成第一业务的第一数据可以是用户是否达成第一业务。示例性地,用户达成了第一业务可以标记为“1”,用户没有达成第一业务可以标记为“0”。其中,可以将得到的假定的用户达成第一业务的第一数据存入标签集中,用于后续的模型训练。
其中,第一业务和第二业务的转换周期可以根据业务经验获得。例如可以根据用户购车与购买车险的平均时间间隔t(例如一个月),将卖车和卖保险的转换周期设置为t。其中,可以将转换周期t作为超参数。
步骤204,获取第二样本集。
在本实施例中,上述执行主体可以获取第二样本集。其中,第二样本集中的样本包括第二用户特征以及标签集中的标签,其中,第二用户特征包括用户意图特征和用户第二业务特征。
其中,用户意图特征可以是时效性强的特征,例如用户兴趣实体、浏览行为、基于位置服务特征等等。其中,用户第二业务特征是指与第二业务关联的用户特征。以第二业务为卖保险为例,用户第二业务特征可以包括用户的保额、险种、用户保有的车辆数等。
其中,标签集中的标签可以是根据步骤203获取的假定的用户达成第一业务的数据。
步骤205,从第二样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第二用户特征作为短期模型的输入,将标签作为期望输出,对短期模型进行有监督的训练,得到训练完成的短期模型。
在本实施例中,上述执行主体可以执行短期模型的训练过程。其中,短期模型可以是未经训练的短期模型或未训练完成的短期模型,短期模型的各层可以设置有初始参数,参数在短期模型的训练过程中可以被不断地调整。短期模型可以是各种类型的未经训练或未训练完成的人工神经网络或者对多种未经训练或未训练完成的人工神经网络进行组合所得到的模型,例如,短期模型可以是未经训练的卷积神经网络,也可以是未经训练的循环神经网络,还可以是对未经训练的卷积神经网络、未经训练的循环神经网络和未经训练的全连接层进行组合所得到的模型。
步骤206,将训练完成的长期模型和训练完成的短期模型进行集成,得到训练完成的第一业务预测模型。
其中,上述执行主体可以采用模型集成技术将长期模型和短期模型集成为第一业务预测模型。模型集成又称集成学习,是一种机器学习范式,用以训练多个模型解决相同的问题,并将它们结合起来以获得更好的结果。模型集成存在多种实现方法,包括自助聚合(bagging)、堆叠法(stacking)、提升法(boosting)等等。
本申请上述实施例提供的生成业务预测模型的方法,可以利用第二业务的数据对第一业务进行建模,降低对第一业务建模的样本量门槛,解决了冷启动建模困难的问题。
进一步参考图3,其示出了生成业务预测模型的方法的另一个实施例的流程图,该方法包括如下步骤:
步骤301,获取第一样本集。
步骤301与步骤201基本相同,因此不再赘述。
步骤302,从第一样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第一用户特征作为长期模型的输入,将第二数据作为长期模型的期望输出,对长期模型进行有监督的训练,得到训练完成的长期模型。
步骤302与步骤202基本相同,因此不再赘述。
步骤303,根据第一业务和第二业务的转化周期确定预设时间,以及将第二数据的日期重配为预设时间之前,得到标签集。
步骤303与步骤203基本相同,因此不再赘述。
步骤304,获取第二样本集。
步骤304与步骤204基本相同,因此不再赘述。
步骤305,从第二样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第二用户特征作为短期模型的输入,将标签作为期望输出,对短期模型进行有监督的训练,得到训练完成的短期模型。
步骤305与步骤205基本相同,因此不再赘述。
步骤306,采用引导聚集算法,将训练完成的长期模型和训练完成的短期模型进行集成,得到训练完成的第一业务预测模型。
其中,引导聚集算法可以利用多个模型的结果进行投票或求取均值作为最终的输出。在本实施例中,可以赋予训练完成的长期模型M1第一权重w1,赋予训练完成的短期模型M2第二权重w2,则可以得到第一业务预测模型M=M1*w1+M2*w2。其中,第一权重w1和第二权重w2可以采用行业经验值。
在本实施例的一些的可选的实现方式中,长期模型和/或短期模型包括以下任一种:极端梯度提升模型、梯度提升树模型、随机森林模型。
极端梯度提升(Extreme Gradient Boosting,XGboost)是一个基于分类与回归树的,由多个弱分类器经过boost框架,以负梯度为学习策略的一种集成学习方法,适用于样本数量有效的场景。
梯度提升树(Gradient Boosting Decision Tree,GBDT)是一种迭代的决策树算法,该算法由多棵决策树组成,所有树的结论累加起来做最终答案,适用于样本数量有效的场景。随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。
在本实施例的一些可选的实现方式中,生成业务预测模型的方法还包括:根据获取的用户达成第一业务的数据,对预设时间进行调整。
其中,这里的用户达成第一业务的第一数据指的是真实的用户达成第一业务的第一数据。其中,用户达成第一业务的第一数据包括用户是否达成第一业务以及相应的时间。其中,通过真实的达成第一业务的第一数据可以获得第一业务和第二业务的真实转化周期,进行可以对作为超参数的预设时间进行手动调节。在本实施例中,可以根据与第一业务有关的真实营销数据对预设时间进行手动调节,从而实现小样本对模型的快速迭代。
请参见图4,其示出了本申请提供的预测用户达成第一业务概率的方法的一个实施例的流程。该预测用户达成第一业务概率的方法包括以下步骤:
步骤401,获取用户基础属性特征和用户意图特征。
在本实施例中,预测用户达成第一业务概率的方法的执行主体(例如图1所示的服务器103)可以通过多种方式来获取用户基础属性特征和用户意图特征。例如,执行主体可以通过有线连接方式或无线连接方式,从终端设备(例如图1所示的终端设备101)中获取存储于其中的用户特征。
其中,用户基础属性特征可以是时效性较弱的用户特征,例如用户的性别、年龄等。用户意图特征可以是时效性强的特征,例如用户兴趣实体、浏览行为、基于位置服务特征等等。
步骤402,将用户基础属性特征和用户意图特征输入第一业务预测模型中,生成用户达成第一业务的概率。
在本实施例中,执行主体可以将用户基础属性特征和用户意图特征输入第一业务预测模型中,生成用户达成第一业务的概率。其中,用户达成第一业务的概率可以通过各种方式体现,例如得分等。
在本实施例中,可以根据用户达成第一业务的概率进行有针对性的营销,提高了冷启动过程中的业务投资回报率。
在本实施例中,第一业务预测模型可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述,在此不再赘述。
为了便于理解,图5示出了根据本申请的生成业务预测模型的方法的一个实施例的应用场景示意图。
如图5所示,在卖保险这种决策周期较长的营销场景中,可以包括广告(线上渠道)、展会、4S店、购车、车险、保险订单等多个环节。首先,对用户基础属性特征在最终环节(图5中的“保险订单”)的时间点进行建模M1。考虑该场景下样本数据量有限,模型采用XGboost,特征是性别、年龄等用户基础属性特征,以及用户在最终环节的特征(如用户的保额、保有车辆数等)。
其次,对用户的短期意图特征在目标时间点(图5中的“保险订单”的前T时刻)进行建模M2。考虑该场景下样本数据量有限,模型采用XGboost,特征是代表短期意图的兴趣特征,以及用户在客户侧的特征(如用户的保额、保有车辆数等)。
最后,最终模型输出M=w1*M1+w2*M2(T),其中,T可以根据最终环节与目标环节的转化周期来确定,w1和w2可以采用行业经验值。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种生成业务预测模型的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的生成业务预测模型的装置600可以包括:第一获取单元601、第一训练单元602、标签确定单元603、第二获取单元604、第二训练单元605、集成单元606。其中,第一获取单元601,被配置为获取第一样本集,其中,第一样本集中的样本包括第一用户特征以及用户达成第二业务的第二数据,其中,第一用户特征包括用户基础属性特征和用户第二业务特征,用户达成第一业务的时间早于用户达成第二业务的时间;第一训练单元602,被配置为从第一样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第一用户特征作为长期模型的输入,将第二数据作为长期模型的期望输出,对长期模型进行有监督的训练,得到训练完成的长期模型;标签确定单元603,被配置为根据第一业务和第二业务的转化周期确定预设时间,以及将第二数据的日期重配为预设时间之前,得到标签集;第二获取单元604,被配置为获取第二样本集,其中,第二样本集中的样本包括第二用户特征以及标签集中的标签,其中,第二用户特征包括用户意图特征和用户第二业务特征;第二训练单元605,被配置为从第二样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第二用户特征作为短期模型的输入,将标签作为期望输出,对短期模型进行有监督的训练,得到训练完成的短期模型;集成单元606,被配置为将训练完成的长期模型和训练完成的短期模型进行集成,得到训练完成的第一业务预测模型。
在本实施例中,生成业务预测模型的装置600中:第一获取单元601、第一训练单元602、标签确定单元603、第二获取单元604、第二训练单元605、集成单元606的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-206的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,集成单元606进一步被配置成:采用引导聚集算法,将训练完成的长期模型和训练完成的短期模型进行集成。
在本实施例的一些可选的实现方式中,长期模型包括以下任一种:极端梯度提升模型、梯度提升树模型、随机森林模型;短期模型包括以下任一种:极端梯度提升模型、梯度提升树模型、随机森林模型。
在本实施例的一些可选的实现方式中,装置还包括:调整单元,被配置为根据获取的用户达成第一业务的数据,对预设时间进行调整。
继续参见图7,作为对上述图4所示方法的实现,本申请提供了一种预测用户达成第一业务概率的装置的一个实施例。该装置实施例与图4所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的预测用户达成第一业务概率的装置700可以包括:获取单元701,被配置为获取用户基础属性特征和用户意图特征;生成单元702,被配置为将用户基础属性特征和用户意图特征输入采用如上述图2实施例所描述的方法生成的第一业务预测模型中,生成用户达成第一业务概率。
可以理解的是,该装置700中记载的诸单元与参考图4描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置700及其中包含的单元,在此不再赘述。
如图8所示,是根据本申请实施例生成业务预测模型的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的生成业务预测模型的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的生成业务预测模型的方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的生成业务预测模型的方法对应的程序指令/模块(例如,附图6所示的第一获取单元601、第一训练单元602、标签确定单元603、第二获取单元604、第二训练单元605、集成单元606)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的生成业务预测模型的方法。
存储器802可以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、至少一个功能所需要的应用程序;存储数据区可存储根据生成业务预测模型的方法的电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至生成业务预测模型的方法的电子设备。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。
生成业务预测模型的方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与生成业务预测模型的方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请的技术方案,首先获取第一样本集,其中,第一样本集中的样本包括第一用户特征以及用户达成第二业务的第二数据,其中,第一用户特征包括用户基础属性特征和用户第二业务特征,用户达成第一业务的时间早于用户达成第二业务的时间;之后从第一样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第一用户特征作为长期模型的输入,将第二数据作为长期模型的期望输出,对长期模型进行有监督的训练,得到训练完成的长期模型;而后根据第一业务和第二业务的转化周期确定预设时间,以及将第二数据的日期重配为预设时间之前,得到标签集;然后获取第二样本集,其中,第二样本集中的样本包括第二用户特征以及标签集中的标签,其中,第二用户特征包括用户意图特征和用户第二业务特征;再然后从第二样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第二用户特征作为短期模型的输入,将标签作为期望输出,对短期模型进行有监督的训练,得到训练完成的短期模型;最后将训练完成的长期模型和训练完成的短期模型进行集成,得到训练完成的第一业务预测模型,从而利用第二业务的数据对第一业务进行建模,降低对第一业务建模的样本量门槛,解决了冷启动建模困难的问题。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种生成业务预测模型的方法,包括:
获取第一样本集,其中,所述第一样本集中的样本包括第一用户特征以及用户达成第二业务的第二数据,其中,所述第一用户特征包括用户基础属性特征和用户第二业务特征,用户达成第一业务的时间早于用户达成第二业务的时间;
从所述第一样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第一用户特征作为长期模型的输入,将所述第二数据作为所述长期模型的期望输出,对长期模型进行有监督的训练,得到训练完成的长期模型;
根据第一业务和第二业务的转化周期确定预设时间,以及将所述第二数据的日期重配为所述预设时间之前,得到标签集;
获取第二样本集,其中,所述第二样本集中的样本包括第二用户特征以及所述标签集中的标签,其中,所述第二用户特征包括用户意图特征和用户第二业务特征;
从所述第二样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第二用户特征作为短期模型的输入,将所述标签作为期望输出,对短期模型进行有监督的训练,得到训练完成的短期模型;
将所述训练完成的长期模型和所述训练完成的短期模型进行集成,得到训练完成的第一业务预测模型。
2.根据权利要求1所述的方法,其中,所述将所述训练完成的长期模型和所述训练完成的短期模型进行集成,得到训练完成的第一业务预测模型包括:
采用引导聚集算法,将所述训练完成的长期模型和所述训练完成的短期模型进行集成。
3.根据权利要求1所述的方法,其中,所述长期模型包括以下任一种:
极端梯度提升模型、梯度提升树模型、随机森林模型;
所述短期模型包括以下任一种:
极端梯度提升模型、梯度提升树模型、随机森林模型。
4.根据权利要求2所述的方法,其中,所述方法还包括:
根据获取的用户达成第一业务的数据,对所述预设时间进行调整。
5.根据权利要求1-4中任一项所述的方法,,还包括:
获取用户基础属性特征和用户意图特征;
将所述用户基础属性特征和所述用户意图特征输入所述训练完成的第一业务预测模型中,生成用户达成第一业务的概率。
6.一种生成业务预测模型的装置,包括:
第一获取单元,被配置为获取第一样本集,其中,所述第一样本集中的样本包括第一用户特征以及用户达成第二业务的第二数据,其中,所述第一用户特征包括用户基础属性特征和用户第二业务特征,用户达成第一业务的时间早于用户达成第二业务的时间;
第一训练单元,被配置为从所述第一样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第一用户特征作为长期模型的输入,将所述第二数据作为所述长期模型的期望输出,对长期模型进行有监督的训练,得到训练完成的长期模型;
标签确定单元,被配置为根据第一业务和第二业务的转化周期确定预设时间,以及将所述第二数据的日期重配为所述预设时间之前,得到标签集;
第二获取单元,被配置为获取第二样本集,其中,所述第二样本集中的样本包括第二用户特征以及所述标签集中的标签,其中,所述第二用户特征包括用户意图特征和用户第二业务特征;
第二训练单元,被配置为从所述第二样本集中选取样本,以及执行如下训练步骤:将所选取的样本的第二用户特征作为短期模型的输入,将所述标签作为期望输出,对短期模型进行有监督的训练,得到训练完成的短期模型;
集成单元,被配置为将所述训练完成的长期模型和所述训练完成的短期模型进行集成,得到训练完成的第一业务预测模型。
7.根据权利要求6所述的装置,其中,所述集成单元进一步被配置成:
采用引导聚集算法,将所述训练完成的长期模型和所述训练完成的短期模型进行集成。
8.根据权利要求6所述的装置,其中,所述长期模型包括以下任一种:
极端梯度提升模型、梯度提升树模型、随机森林模型;
所述短期模型包括以下任一种:
极端梯度提升模型、梯度提升树模型、随机森林模型。
9.根据权利要求6所述的装置,其中,所述装置还包括:
调整单元,被配置为根据获取的用户达成第一业务的数据,对所述预设时间进行调整。
10.根据权利要求6-9中任一项所述的装置,还包括:
获取单元,被配置为获取用户基础属性特征和用户意图特征;
生成单元,被配置为将所述用户基础属性特征和所述用户意图特征输入所述训练完成的第一业务预测模型中,生成用户达成第一业务的概率。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011475769.0A CN112529624B (zh) | 2020-12-15 | 2020-12-15 | 生成业务预测模型的方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011475769.0A CN112529624B (zh) | 2020-12-15 | 2020-12-15 | 生成业务预测模型的方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529624A true CN112529624A (zh) | 2021-03-19 |
CN112529624B CN112529624B (zh) | 2024-01-09 |
Family
ID=75000022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011475769.0A Active CN112529624B (zh) | 2020-12-15 | 2020-12-15 | 生成业务预测模型的方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529624B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553097A (zh) * | 2021-07-30 | 2021-10-26 | 上海玳鸽信息技术有限公司 | 模型版本管理方法及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256052A (zh) * | 2018-01-15 | 2018-07-06 | 成都初联创智软件有限公司 | 基于tri-training的汽车行业潜在客户识别方法 |
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN109711865A (zh) * | 2018-12-07 | 2019-05-03 | 恒安嘉新(北京)科技股份公司 | 一种基于用户行为挖掘的移动通信网流量精细化预测的方法 |
CN109741114A (zh) * | 2019-01-10 | 2019-05-10 | 博拉网络股份有限公司 | 一种大数据金融场景下的用户购买预测方法 |
US20190272479A1 (en) * | 2018-03-05 | 2019-09-05 | Clinc, Inc. | Systems and method for automatically configuring machine learning models |
WO2020007153A1 (zh) * | 2018-07-03 | 2020-01-09 | 阿里巴巴集团控股有限公司 | 识别二次放号账户盗用的风控模型训练、风控方法、装置以及设备 |
WO2020078098A1 (zh) * | 2018-10-17 | 2020-04-23 | 阿里巴巴集团控股有限公司 | 一种基于梯度提升决策树的模型训练方法及装置 |
CN111160992A (zh) * | 2020-01-02 | 2020-05-15 | 焦点科技股份有限公司 | 一种基于用户画像体系的营销系统 |
CN111291895A (zh) * | 2020-01-17 | 2020-06-16 | 支付宝(杭州)信息技术有限公司 | 组合特征评估模型的样本生成和训练方法及装置 |
CN111371794A (zh) * | 2020-03-09 | 2020-07-03 | 北京金睛云华科技有限公司 | 阴影域检测模型、检测模型建立方法、检测方法及系统 |
CN111369080A (zh) * | 2020-05-27 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 一种智能客服解决率预测方法和系统以及多业务预测模型 |
CN111506575A (zh) * | 2020-03-26 | 2020-08-07 | 第四范式(北京)技术有限公司 | 一种网点业务量预测模型的训练方法、装置及系统 |
CN111680517A (zh) * | 2020-06-10 | 2020-09-18 | 北京百度网讯科技有限公司 | 用于训练模型的方法、装置、设备以及存储介质 |
CN111784486A (zh) * | 2020-06-12 | 2020-10-16 | 苏宁金融科技(南京)有限公司 | 业务风险预测模型的构建方法、装置和计算机设备 |
CN111967615A (zh) * | 2020-09-25 | 2020-11-20 | 北京百度网讯科技有限公司 | 基于特征抽取的多模型训练方法及系统、电子设备和介质 |
-
2020
- 2020-12-15 CN CN202011475769.0A patent/CN112529624B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技(深圳)有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
CN108256052A (zh) * | 2018-01-15 | 2018-07-06 | 成都初联创智软件有限公司 | 基于tri-training的汽车行业潜在客户识别方法 |
US20190272479A1 (en) * | 2018-03-05 | 2019-09-05 | Clinc, Inc. | Systems and method for automatically configuring machine learning models |
WO2020007153A1 (zh) * | 2018-07-03 | 2020-01-09 | 阿里巴巴集团控股有限公司 | 识别二次放号账户盗用的风控模型训练、风控方法、装置以及设备 |
WO2020078098A1 (zh) * | 2018-10-17 | 2020-04-23 | 阿里巴巴集团控股有限公司 | 一种基于梯度提升决策树的模型训练方法及装置 |
CN109711865A (zh) * | 2018-12-07 | 2019-05-03 | 恒安嘉新(北京)科技股份公司 | 一种基于用户行为挖掘的移动通信网流量精细化预测的方法 |
CN109741114A (zh) * | 2019-01-10 | 2019-05-10 | 博拉网络股份有限公司 | 一种大数据金融场景下的用户购买预测方法 |
CN111160992A (zh) * | 2020-01-02 | 2020-05-15 | 焦点科技股份有限公司 | 一种基于用户画像体系的营销系统 |
CN111291895A (zh) * | 2020-01-17 | 2020-06-16 | 支付宝(杭州)信息技术有限公司 | 组合特征评估模型的样本生成和训练方法及装置 |
CN111371794A (zh) * | 2020-03-09 | 2020-07-03 | 北京金睛云华科技有限公司 | 阴影域检测模型、检测模型建立方法、检测方法及系统 |
CN111506575A (zh) * | 2020-03-26 | 2020-08-07 | 第四范式(北京)技术有限公司 | 一种网点业务量预测模型的训练方法、装置及系统 |
CN111369080A (zh) * | 2020-05-27 | 2020-07-03 | 支付宝(杭州)信息技术有限公司 | 一种智能客服解决率预测方法和系统以及多业务预测模型 |
CN111680517A (zh) * | 2020-06-10 | 2020-09-18 | 北京百度网讯科技有限公司 | 用于训练模型的方法、装置、设备以及存储介质 |
CN111784486A (zh) * | 2020-06-12 | 2020-10-16 | 苏宁金融科技(南京)有限公司 | 业务风险预测模型的构建方法、装置和计算机设备 |
CN111967615A (zh) * | 2020-09-25 | 2020-11-20 | 北京百度网讯科技有限公司 | 基于特征抽取的多模型训练方法及系统、电子设备和介质 |
Non-Patent Citations (3)
Title |
---|
滕飞;郑超美;李文;: "基于长短期记忆多维主题情感倾向性分析模型", 计算机应用, no. 08, pages 198 - 202 * |
荀港益;: "基于聚类分析与随机森林的短期负荷滚动预测", 智能城市, no. 09, pages 19 - 21 * |
韩旭东;姚圣煜;王红燕;姚智;: "基于人工智能技术的寿险客户细分研究", 上海立信会计金融学院学报, no. 02, pages 64 - 77 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553097A (zh) * | 2021-07-30 | 2021-10-26 | 上海玳鸽信息技术有限公司 | 模型版本管理方法及装置 |
CN113553097B (zh) * | 2021-07-30 | 2022-11-18 | 上海玳鸽信息技术有限公司 | 模型版本管理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112529624B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10635952B2 (en) | Cognitive analysis and classification of apparel images | |
US20200097879A1 (en) | Techniques for automatic opportunity evaluation and action recommendation engine | |
US20180293511A1 (en) | Self-managed adaptable models for prediction systems | |
CN107679217B (zh) | 基于数据挖掘的关联内容提取方法和装置 | |
CA2944652C (en) | Inference model for traveler classification | |
CN105320724A (zh) | 用于优化用于学习排序的非凸函数的新探索 | |
KR102179890B1 (ko) | 텍스트 데이터 수집 및 분석을 위한 시스템 | |
CN112256537B (zh) | 模型运行状态的展示方法、装置、计算机设备和存储介质 | |
US20190340516A1 (en) | System and method for quantitatively analyzing an idea | |
US20210217409A1 (en) | Electronic device and control method therefor | |
CN111090756A (zh) | 基于人工智能的多目标推荐模型的训练方法及装置 | |
US20190258933A1 (en) | Deep Forecasted Human Behavior from Digital Content | |
CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
CN112632403A (zh) | 推荐模型的训练方法、推荐方法、装置、设备和介质 | |
US20210149888A1 (en) | Natural Language Analytics Queries | |
KR20210012730A (ko) | 인공지능 모델의 학습 방법 및 전자 장치 | |
CN112070310A (zh) | 基于人工智能的流失用户预测方法、装置及电子设备 | |
US20180349476A1 (en) | Evaluating theses using tree structures | |
CN110427564A (zh) | 将深度学习集成到广义加性混合效应(game)框架中 | |
CN117217284A (zh) | 一种数据处理方法及其装置 | |
CN111782611A (zh) | 预测模型建模方法、装置、设备及存储介质 | |
CN111563198A (zh) | 一种物料召回方法、装置、设备及存储介质 | |
WO2023050143A1 (zh) | 一种推荐模型训练方法及装置 | |
CN113051911B (zh) | 提取敏感词的方法、装置、设备、介质及程序产品 | |
EP3576024A1 (en) | Accessible machine learning |
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 |