CN112686700A

CN112686700A - 基于人工智能的产品属性决策方法、装置、电子设备

Info

Publication number: CN112686700A
Application number: CN202011606483.1A
Authority: CN
Inventors: 单嘉润; 范涛; 谭明超
Original assignee: WeBank Co Ltd
Current assignee: WeBank Co Ltd
Priority date: 2020-12-30
Filing date: 2020-12-30
Publication date: 2021-04-20

Abstract

本申请提供了一种基于人工智能的产品属性决策方法、装置、电子设备及计算机可读存储介质；方法包括：基于用户数据调用购买概率预测模型，以确定当目标产品具有不同的候选属性时，目标产品所分别所对应的购买概率，其中，不同的候选属性包括于候选属性集；基于候选属性和对应的购买概率确定预估收入；基于用户的历史使用数据调用违规概率预测模型，以确定用户违规使用目标产品的违规概率，并基于违规概率确定预估损失；基于预估收入和预估损失确定候选属性对应的预估期望；将候选属性集中具有最高预估期望的候选属性作为目标产品的属性。通过本申请，能够快速准确地确定出产品属性。

Description

基于人工智能的产品属性决策方法、装置、电子设备

技术领域

本申请涉及人工智能技术，尤其涉及一种基于人工智能的产品属性决策方法、装置、电子设备及计算机可读存储介质。

背景技术

人工智能(AI，Artificial Intelligence)涉及领域广泛，并发挥越来越重要的价值。机器学习模型作为人工智能的技术子集，在多个应用领域取得了突破性成果，尤其是在金融领域，比如基于用户数据确定产品的属性，从而为产品的更新迭代提供方向。

然而，相关技术中只基于单源数据确定产品属性，通过这种方法所确定的产品属性常常与实际需求相差甚远，需要经过多次人为调整，才能确定出合适的产品属性。

发明内容

本申请实施例提供一种基于人工智能的产品属性决策方法、装置、电子设备及计算机可读存储介质，能够快速准确地确定出产品属性。

本申请实施例的技术方案是这样实现的：

本申请实施例提供一种基于人工智能的产品属性决策方法，包括：

基于用户数据调用购买概率预测模型，以确定当目标产品具有不同的候选属性时，所述目标产品所分别对应的购买概率，其中，所述不同的候选属性包括于候选属性集；

基于所述候选属性和对应的购买概率确定预估收入；

基于用户的历史使用数据调用违规概率预测模型，以确定所述用户违规使用所述目标产品的违规概率，并基于所述违规概率确定预估损失；

基于所述预估收入和所述预估损失确定所述候选属性对应的预估期望；

将所述候选属性集中具有最高预估期望的候选属性作为所述目标产品的属性。

本申请实施例提供一种基于人工智能的产品属性决策装置，包括：

调用模块，用于基于用户数据调用购买概率预测模型，以确定当目标产品具有不同的候选属性时，所述目标产品所分别对应的购买概率，其中，所述不同的候选属性包括于候选属性集；以及用于基于用户的历史使用数据调用违规概率预测模型，以确定所述用户违规使用所述目标产品的违规概率，并基于所述违规概率确定预估损失；

确定模块，用于基于所述候选属性和对应的购买概率确定预估收入；以及用于基于所述预估收入和所述预估损失确定所述候选属性对应的预估期望；以及用于将所述候选属性集中具有最高预估期望的候选属性作为所述目标产品的属性。

上述方案中，所述调用模块，还用于：

从所述用户数据中提取用户特征和所述候选属性的属性特征；

对所述用户特征和所述属性特征进行特征转换处理，得到稀疏化的中间特征；

基于所述中间特征进行分类处理，得到当所述目标产品具有所述候选属性集中不同的候选属性时分别对应的购买概率。

上述方案中，所述基于人工智能的产品属性决策装置还包括训练模块，用于：

确定满足候选用户标准的多个候选用户；

基于每个所述候选用户的购买记录将每个所述候选用户划分为候选正样本或候选负样本；

从多个所述候选正样本中过滤出多个过滤后正样本，并从多个所述候选负样本中过滤出多个过滤后负样本；

基于所述多个过滤后正样本和所述多个过滤后负样本训练所述购买概率预测模型。

上述方案中，所述确定模块，还用于：

基于所述候选属性对应的所述目标产品的价格和对应的购买概率的乘积，得到对应的预估收入。

上述方案中，所述确定模块，还用于：

从所述预估收入中减去所述预估损失，得到所述候选属性对应的预估期望。

上述方案中，所述调用模块，还用于：

从所述用户的历史使用数据中提取历史特征；

对所述历史特征进行特征转换处理，得到稀疏化的历史特征；

基于所述稀疏化的历史特征进行分类处理，得到所述用户违规使用所述目标产品的概率，以作为违规概率。

上述方案中，所述调用模块，还用于：

基于所述目标产品的历史亏损数据确定平均损失；

将所述平均损失与所述违规概率的乘积作为预估损失。

上述方案中，所述确定模块，还用于：

当所述最高预估期望大于所述目标产品的预期期望时，确定将投放具有所述属性的目标产品。

上述方案中，所述确定模块，还用于：

基于所述目标产品的购买反馈调整所述目标产品的属性，以确定不同属性对应的实际购买概率；

基于所述不同属性对应的实际购买概率调整所述候选属性集中的候选属性；

基于更新后的用户数据调用所述购买概率预测模型，以确定调整后的候选属性所对应的购买概率，并基于调整后的候选属性所对应的购买概率和所述用户的违规概率确定所述目标产品的新属性。

上述方案中，所述基于人工智能的产品属性决策装置还包括评估模块，用于：

当所述属性大于或等于所述目标产品的历史属性时，确定所述历史属性对应的第一购买量和第一未购买量；并

当所述属性小于所述历史属性时，确定所述历史属性对应的第二购买量和第二未购买量；

基于所述第一购买量、所述第一未购买量、所述第二购买量和所述第二未购买量对所述购买概率预测模型和所述违规概率预测模型进行评估处理。

上述方案中，所述评估模块，还用于：

确定所述第一未购买量与所述第二未购买量的第一加和，并基于所述第二未购买量与所述第一加和的比值确定第一指标；

确定所述第二购买量与所述第二未购买量的第二加和，并基于所述第二未购买量与所述第二加和的比值确定第二指标；

确定所述第一购买量与所述第二购买量的第三加和，并基于所述第一购买量与所述第三加和的比值确定第三指标；

确定所述属性与所述历史属性的相对差异，并基于所述相对差异确定第四指标；

对所述第一指标、所述第二指标、所述第三指标和所述第四指标进行加权求和，得到评估值；

当所述评估值大于评估阈值时，确定所述购买概率预测模型和所述违规概率预测模型满足要求。

上述方案中，所述训练模块，还用于：

通过第一设备构建初始购买概率预测模型；

将所述初始购买概率预测模型发送给多个第二设备，以使所述多个第二设备通过各自存储的不同的正样本和负样本训练所述初始购买概率预测模型，并将各自得到的训练结果加密发送给所述第一设备；

通过所述第一设备聚合所述多个第二设备各自得到的训练结果，以更新所述初始购买概率预测模型的参数，得到训练后的所述购买概率预测模型。

本申请实施例还提供一种电子设备，包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的基于人工智能的产品属性决策方法。

本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现本申请实施例提供的基于人工智能的产品属性决策方法。

本申请实施例具有以下有益效果：

通过机器学习模型(购买概率预测模型和违规概率预测模型)确定目标产品属性，免除了人工介入，因此，自动化和智能化地确定出目标产品的属性，提升了产品属性的决策效率。同时，在确定购买概率和违规概率时，综合考虑了多源数据如用户数据和历史使用数据等，因此，确定出的目标产品的属性更为精确，更符合用户需求。

附图说明

图1是本申请实施例提供的决策系统10的架构示意图；

图2是本申请实施例提供的服务器200的结构示意图；

图3是本申请实施例提供的基于人工智能的产品属性决策方法的流程示意图；

图4A是横向联邦学习的架构示意图；

图4B是纵向联邦学习的架构示意图；

图5是本申请实施例提供的购买概率预测模型的训练和预测的示意图；

图6是本申请实施例提供的违规概率预测模型的训练和预测的示意图；

图7是本申请实施例提供的定价的示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

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申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。

1)候选属性：产品可能具有的属性，例如产品的价格、产品的外观、产品的功能等，产品的属性直接影响产品的购买概率。

2)预估期望：产品投放市场之前，对产品的收益进行预估，得到的产品的预估纯利润。

3)联邦学习：是一种分布式学习的机器学习框架，在保障数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方的计算设备之间开展高效率的机器学习。

4)B端用户：以企业为主，其需求主要是满足公司利益，满足一个群体的需求，这中间涉及更多的群体利益。

5)消费者剩余：又称为消费者的净收益，是指消费者在购买一定数量的某种商品时愿意支付的最高总价格和实际支付的总价格之间的差额。消费者剩余衡量了消费者自己感觉到所获得的额外利益。

在产品的更新迭代的过程中，需要预测用户对产品属性的接收程度以及对产品的购买意愿，以及时调整产品属性，提高收益。相关技术通过建立一个单输入单输出的模型，不断地改变模型的输入即属性，以观察模型的输出即预测的购买概率的改变，从而确定整体收益是否提升，并选取整体收益最高时的属性作为产品的属性。然而，这种模型的数据源类型较为单一，只有一种，没有考虑影响用户购买意愿的其他因素，所预测的购买概率是不准确的。并且，为了确定出最高的整体收益，需要在模型中多次输入不同的属性，以得到不同的结果，过程繁复冗余，效率较低，且需要人为参与决策。

本申请实施例提供一种基于人工智能的产品属性决策方法，能自动智能地确定出产品的属性，提高决策效率，且确定出的属性更为精确，更符合用户需求。

本申请实施例提供的基于人工智能的产品属性决策方法可以由各种电子设备实施，例如，可以由终端或服务器单独实施，也可以由服务器和终端协同实施。例如服务器独自承担下文所述的基于人工智能的产品属性决策方法，或者，终端向服务器发送属性确定请求，服务器根据接收的属性确定请求执行基于人工智能的产品属性决策方法。

本申请实施例提供的用于产品属性决策的电子设备可以是各种类型的终端设备或服务器，其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器；终端可以是平板电脑、笔记本电脑、台式计算机等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例对此不做限制。

以服务器为例，例如可以是部署在云端的服务器集群，向用户开放人工智能云服务(AIaaS，AI as a Service)，AIaaS平台会把几类常见的AI服务进行拆分，并在云端提供独立或者打包的服务，这种服务模式类似于一个AI主题商城，所有的用户都可以通过应用程序编程接口的方式来接入使用AIaaS平台提供的一种或者多种人工智能服务。

例如，其中的一种人工智能云服务可以为产品属性决策服务，即云端的服务器封装有本申请实施例提供的基于人工智能的产品属性决策的程序。终端通过调用云服务中的产品属性决策服务，以使部署在云端的服务器基于用户数据和历史使用数据等进行确定出产品的属性，并将确定的产品属性发送给终端。

在一些实施例中，以服务器和终端协同实施本申请实施例提供的基于人工智能的产品属性决策方法为例进行说明一个示例性的决策系统。参见图1，图1是本申请实施例提供的决策系统10的架构示意图。终端400通过网络300连接服务器200，网络300可以是广域网或者局域网，又或者是二者的组合。终端向服务器发送属性确定请求，服务器根据接收的属性确定请求执行基于人工智能的产品属性决策。

在一些实施例中，在服务器200训练好购买概率预测模型和违规概率预测模型后，服务器200接收来自终端400的属性确定请求，通过购买概率预测模型确定购买概率，并通过违规概率预测模型确定违规概率，基于购买概率和违规概率确定出产品的属性，并将确定的产品属性发送给终端400。

可以预见，上述产品决策方法可以有多种用途，例如，用于确定产品的价格、确定产品的外观、产品的功能等，还可以为用户提供不同属性组合的产品，以尽可能满足不同用户的需求。

以实施本申请实施例的用于产品属性决策的电子设备为图1示出的服务器200为例，说明本申请实施例提供的电子设备的结构。参见图2，图2是本申请实施例提供的服务器200的结构示意图，图2所示的服务器200包括：至少一个处理器410、存储器440、至少一个网络接口420。服务器200中的各个组件通过总线系统430耦合在一起。可理解，总线系统430用于实现这些组件之间的连接通信。总线系统430除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统430。

处理器410可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。

存储器440可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器440可选地包括在物理位置上远离处理器410的一个或多个存储设备。

存储器440包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM，Read Only Me mory)，易失性存储器可以是随机存取存储器(RAM，Random Access Memor y)。本申请实施例描述的存储器440旨在包括任意适合类型的存储器。

在一些实施例中，存储器440能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。

操作系统441，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；

网络通信模块442，用于经由一个或多个(有线或无线)网络接口420到达其他计算设备，示例性的网络接口420包括：蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB，Universal Serial Bus)等；

在一些实施例中，本申请实施例提供的基于人工智能的产品属性决策装置可以采用软件方式实现，图2示出了存储在存储器440中的基于人工智能的产品属性决策装置443，其可以是程序和插件等形式的软件，包括以下软件模块：调用模块4431、确定模块4432、训练模块4433和评估模块4434，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。

下面将结合附图对本申请实施例提供的基于人工智能的产品属性决策方法进行说明。以下是以服务器为基于人工智能的产品属性决策的执行主体进行说明，具体可由服务器通过运行上文的各种计算机程序来实现的；当然，根据对下文的理解，不难看出也可以由终端和服务器协同实施本申请实施例提供的基于人工智能的产品属性决策方法。

参见图3，图3是本申请实施例提供的基于人工智能的产品属性决策方法的流程示意图，将结合图3示出的步骤进行说明。

在步骤101中，基于用户数据调用购买概率预测模型，以确定当目标产品具有不同的候选属性时，目标产品所分别对应的购买概率，其中，不同的候选属性包括于候选属性集。

在一些实施例中，目标产品可以是实际的物品(例如食品)，可以是服务(例如租车、家政)，也可以是虚拟物品(例如游戏道具)。目标产品的属性可以是价格、外观、功能、赠品或奖励等。用户数据包括候选属性集、用户实时订单数据、用户历史行为数据和用户社交数据。其中，候选属性集中包括目标产品在同一维度的多个属性，例如可以包括多个价格、多个颜色、多种功能等。用户历史行为数据包括购买记录、历史违规记录和用户基础属性(性别、年龄、爱好等)等。用户社交数据包括社交应用数据(如登录次数和访问时长等)、轨迹数据和浏览数据等。

在一些实施例中，购买概率预测模型为机器学习模型，可以是梯度提升决策树(GBDT，Gradient Boosting Decision Tree)+逻辑回归(LR，Logistic Re gression)、随机森林(RF，RandomForest)+LR、梯度提升树(GBT，Gradientboosting Tree)+LR、极端梯度提升(XGBoost，eXtreme Gradient Boosting)+LR等构成的模型。以下以GBDT+LR为例说明购买概率预测模型预测购买概率的过程，其中，GBDT是集成的决策树，它包括多棵没有关联的决策树。

首先，通过GBDT从用户数据中提取用户特征和候选属性的属性特征。

然后，根据用户特征和属性特征所落入的叶子节点的位置对用户特征和属性特征进行特征转换处理，得到稀疏化的中间特征。中间特征为GBDT对输入特征(用户特征和属性特征)进行特征转换处理后得到的输出特征，该输出特征为高维稀疏特征。

GBDT的每棵决策树中包括1个根节点和多个叶子节点，遍历GBDT，则用户特征和属性特征中的每一维特征最终将落入不同的决策树的不同的叶子节点上。例如，GBDT有2棵决策树，第1棵决策树有2个叶子节点，第2棵决策树有3个叶子节点。用户特征为1维特征a，属性特征为1维特征b。在遍历GBDT后，1维特征a最终落入第一棵决策树的第2个叶子节点上，1维特征b最终落入第2棵决策树的第3个叶子节点上。在经过特征转换处理后，第一棵树对应的编码为[0，1]，第二棵树对应的编码为[0，0，1]，对应的中间特征由两棵树分别对应的编码拼接得到，为[0，1，0，0，1]。可见，经过特征转换处理，可以得到稀疏化的中间特征。如此，可以提高模型的稳定性，并且在后续LR的处理过程中，因为输入LR中的中间特征线性可分，还能提高LR的处理速度，不容易过拟合。GBDT在进行特征转换处理的同时，还会去除相关性大的输入特征，从而得到区分度更大的输出特征。

最后，将中间特征即GBDT的输出特征输入LR中，LR基于中间特征进行分类处理，得到当目标产品具有候选属性集中不同的候选属性时分别对应的购买概率。在一些可能的示例中，将中间特征与LR中对应的权重相乘，得到多个乘积构成的乘积向量，通过Sigmoid分类函数对乘积向量进行处理，得到多个概率，即不同的候选属性分别对应的购买概率。

在一些实施例中，在调用购买概率预测模型预测购买概率之前，还需要确定满足候选用户标准的多个候选用户。其中，满足候选用户标准的候选用户可以是购买过目标产品或咨询过目标产品或关注/收藏过目标产品的用户。然后，基于每个候选用户的购买记录将每个候选用户划分为候选正样本或候选负样本。其中，候选正样本为购买过目标产品的用户，候选负样本为未购买过目标产品的用户。之后，从多个候选正样本中过滤出多个过滤后正样本，并从多个候选负样本中过滤出多个过滤后负样本，通过过滤有偏样本，提高样本的有效性。例如，过滤掉特殊时期(如经济萧条时期)的正样本和负样本，或过滤掉来自B端用户的正样本和负样本。最后，基于多个过滤后正样本和多个过滤后负样本训练购买概率预测模型。

在一些实施例中，可以通过联邦学习的方法训练购买概率预测模型。其中，联邦学习包括纵向联邦学习和横向联邦学习。

参见图4A，图4A是横向联邦学习的架构示意图。在横向联邦的场景下，多个设备(第一设备和多个第二设备(示例性的示出了第二设备401、402和403))的数据在不出本地的前提下，相互之间进行联合建模。横向联邦相当于增加了每一个设备的样本数据来提升模型效果，即不同的设备之间的样本数据不完全重合(样本数据对应的用户或者交易等，有重合的部分，也有各自不同的部分)，但样本数据的特征相同。在购买概率预测模型的建模过程中，可以将不同的设备看成是单独的客户端进行联合训练，从而帮助提升各方的效果。在训练过程中，第一步，通过第一设备构建初始购买概率预测模型；第二步，第一设备将初始购买概率预测模型发送给多个第二设备；第三步，多个第二设备通过各自存储的不同的正样本和负样本训练初始购买概率预测模型，并将各自得到的训练结果(如训练结束后得到的模型参数、训练过程中的中间结果(如梯度))加密发送给第一设备；第四步，第一设备聚合多个第二设备各自得到的训练结果，以更新初始购买概率预测模型的参数，得到训练后的购买概率预测模型。第五步，第一设备将训练后的购买概率预测模型发送给多个第二设备。其中，本申请实施例中的第一设备和第二设备均为服务器。

参见图4B，图4B是纵向联邦学习的架构示意图。在纵向联邦的场景下，设备1有用户数据；设备2既有用户数据，又有标签数据。纵向联邦本质上是通过扩展设备2的训练数据的特征维度来提升模型效果。设备1拥有的用户数据量较多，设备2拥有的用户数据量较少。设备1的用户数据能丰富设备2的用户数据的特征维度。在训练过程中，第一步，协同方3向设备1和设备2发送公钥，用来加密需要传输的用户数据；第二步，设备1与设备2分别计算和自己相关的特征中间结果，并加密交互，用来求得各自梯度和损失；第三步、设备1与设备2分别计算各自加密后的梯度并添加掩码发送给协同方3，同时设备2计算加密后的损失发送给协同方3；第四步，协同方3解密梯度和损失后回传给设备1和设备2，设备1和设备2去除掩码并更新购买概率预测模型。

可见，通过联邦学习可以在满足用户隐私保护、数据安全的前提下，有效解决数据孤岛问题，让不同的设备在不共享数据的基础上联合建模，从技术上打破数据孤岛，实现AI协作，从而提高训练的购买概率预测模型的精确性。

在步骤102中，基于候选属性和对应的购买概率确定预估收入。

在一些实施例中，基于候选属性和对应的购买概率确定预估收入即基于候选属性对应的目标产品的价格和对应的购买概率的乘积，得到对应的预估收入。

当候选属性为目标产品的价格时，计算该价格和对应的购买概率的乘积，得到对应的预估收入。当候选属性不是目标产品的价格时，例如候选属性为目标产品的颜色，此时，确定候选属性对应的目标产品的价格，例如对于同一款手机，不同的颜色对应不同的价格，确定候选属性(如银色)对应的手机价格。然后，计算价格与对应的购买概率的乘积，得到对应的预估收入。

在步骤103中，基于用户的历史使用数据调用违规概率预测模型，以确定用户违规使用目标产品的违规概率。

在一些实施例中，用户的历史使用数据包括用户实时订单数据、用户历史行为数据和用户社交数据。用户违规使用目标产品，如当目标产品为租车权益产品时，用户驾驶时的违规行为；再如当目标产品为手机时，长期使手机处于高温高热状态，致使手机损坏。违规概率预测模型为机器学习模型。

在一些实施例中，基于用户的历史使用数据调用违规概率预测模型，以确定用户违规使用目标产品的违规概率，可采样如下方式实现：从用户的历史使用数据中提取历史特征；对历史特征进行特征转换处理，得到稀疏化的历史特征；基于稀疏化的历史特征进行分类处理，得到用户违规使用目标产品的概率，以作为违规概率。

需要说明的是，通过违规概率预测模型确定违规概率的过程与步骤101中通过购买概率预测模型确定购买概率的过程类似，具体过程可参见步骤101，此处不再赘述。

在步骤104中，基于违规概率确定预估损失。

在一些实施例中，可基于目标产品的历史亏损数据确定平均损失；并将平均损失与违规概率的乘积作为预估损失。例如，获取100名用户的历史亏损数据，其中，50名用户在使用目标产品时存在违规使用行为，且因为违规使用行为导致的平均亏损为500，则将这50名用户分别对应的违规概率乘以500，得到这50名用户每人对应的预估损失。

其中，当用户存在违规使用行为，并因为违规使用行为而带来损失时，由产品方承担损失或补偿损失。例如，目标产品为某一款手机的保险产品，当用户因个人原因导致手机损坏，并支付了一定的维修费用时，将由保险产品提供方补偿用户的维修费。再例如，目标产品为租车权益产品，若用户在驾驶时出现违规行为而导致扣款(如违规扣款+手续费)，则由租车权益产品方承担扣款。

在步骤105中，基于预估收入和预估损失确定候选属性对应的预估期望。

在一些实施例中，基于预估收入和预估损失确定候选属性对应的预估期望，即从预估收入中减去预估损失，得到候选属性对应的预估期望。

在步骤106中，将候选属性集中具有最高预估期望的候选属性作为目标产品的属性。

在一些实施例中，因为存在多个候选属性和对应的多个预估收入，所以，步骤105得到的预估期望也是多个，且每个预估期望对应不同的候选属性。可从多个预估期望中选取最高预估期望，并将最高预估期望对应的候选属性作为目标产品的属性。如此，可以尽量减少用户可能的违规使用行为带来的损失，并使预估期望最大化。

在确定目标产品的属性之后，还需要确定是否投放目标产品。在一些可能的示例中，当最高预估期望大于目标产品的预期期望时，确定将投放具有最高预估期望对应的属性的目标产品。当最高预估期望不大于目标产品的预期期望时，不投放目标产品。

在一些实施例中，在投放目标产品之后，还要基于目标产品的购买反馈调整目标产品的属性，以确定不同属性对应的实际购买概率。例如，调整目标产品的价格，以确定不同价格对应的实际购买概率。然后，基于不同属性对应的实际购买概率调整候选属性集中的候选属性。例如，在调整目标产品的价格的过程中，确定价格a和价格b的实际购买概率较高，而之前的购买概率预测模型的候选属性集中并没有价格a和价格b，则将价格a和价格b添加到候选属性集，并更新用户数据。调用购买概率预测模型，基于更新后的用户数据进行预测，以确定当目标产品具有新的候选属性集中各个属性时的购买概率，并根据购买概率和对应的候选属性确定预估收入，根据预估收入和预估损失确定出最高预估期望对应的目标产品的新属性。

可见，本申请实施例提供的基于人工智能的产品属性决策方法不仅可以快速准确的确定出目标产品的属性，还可以根据实际情况对其进行调整，在调整的过程中，随着收集的用户数据量的增大，可以对购买概率预测模型和违规概率预测模型进行增量训练，提升模型的精确性，从而得到更为精准的目标产品的属性。

在一些实施例中，在确定目标产品的属性之后，还可以基于目标产品的属性对购买概率预测模型和违规概率预测模型的质量(如预测的精确性)进行评估。当目标产品的属性大于或等于目标产品的历史属性时，确定历史属性对应的第一购买量和第一未购买量；当目标产品的属性小于历史属性时，确定历史属性对应的第二购买量和第二未购买量；基于第一购买量、第一未购买量、第二购买量和第二未购买量对购买概率预测模型和违规概率预测模型进行评估处理。

在一些可能的示例中，评估处理的过程如下。

确定第一未购买量(如B)与第二未购买量(如D)的第一加和(B+D)，并基于第二未购买量与第一加和的比值确定第一指标(D/(B+D))。其中，第一指标越高，对应的购买概率越大，可以减少消费者损失。

确定第二购买量(如C)与第二未购买量(如D)的第二加和(C+D)，并基于第二未购买量(如D)与第二加和的比值确定第二指标(D/(C+D)。其中，第二指标越小，越可以避免出现曾经购买过目标产品的用户不愿意再购买具有当前属性的产品的情况。

确定第一购买量(如A)与第二购买量(如C)的第三加和(C+D)，并基于第一购买量与第三加和的比值确定第三指标(A/(A+C))。其中，第三指标越高，越可能提高消费者剩余，并提高预估期望。

确定目标产品的属性(如P_i)与历史属性(如Psug_i)的相对差异((P_i-Psug_i)/P_i)，并基于相对差异确定第四指标(Median(Max₁(0，(P₁-Psug₁)/P₁)，Max₂(0，(P₂-Psug₂)/P₂)…，Max_n(0，(Pn-Psug_n)/P_n)))。其中，P_i表示对于第i个人的目标产品的属性，Psug_i表示对于第i个人的目标产品的历史属性。Max(，)表示取两个数中的较大者，Median(，，，)表示取多个数值的中位数。

根据实际需求分别对第一指标、第二指标、第三指标和第四指标赋予不同的权重，并对第一指标、第二指标、第三指标和第四指标加权求和，得到评估值。当评估值大于评估阈值时，确定购买概率预测模型和违规概率预测模型满足要求。当评估值不大于评估阈值时，确定对评估值影响最大的是哪一个指标，根据该指标对前述两个模型进行调整。

通过这样的评估过程可以对前述两个模型的参数再一次进行调节，提高前述两个模型预测的准确性。

可以看出，本申请实施例通过机器学习模型(购买概率预测模型和违规概率预测模型)帮助确定目标产品属性，免除了人工介入，因此，自动化和智能化地确定出目标产品的属性，提升了产品属性的决策效率。同时，在确定购买概率和违规概率时，综合考虑了多源数据如用户数据和历史使用数据等，因此，确定出的目标产品的属性更为精确，更符合用户需求。

下面将说明当产品为租车权益产品，产品属性为价格时本申请实施例的示例性应用。当产品为租车权益产品时，若用户购买了该产品，并在租车使用过程中出现违规现象，将由租车权益产品方承担违规成本和手续费。当产品属性为价格时，需要确定出收益最大时的产品价格。通过购买概率预测模型和违规概率预测模型确定产品价格，在此之前，需要先训练得到购买概率预测模型和违规概率预测模型。以下对这两个模型进行说明。

参见图5，图5是本申请实施例提供的购买概率预测模型的训练和预测的示意图。通过用户画像数据库或用户询价数据库或第三方获取用户数据，并将用户数据作为训练购买概率预测模型的样本。其中，样本包括正样本和负样本。正样本是从购买记录中去掉特殊记录(如经济萧条时期的购买记录、B端用户的购买记录)后得到的记录；负样本是未购买记录，包括询价后未购买产品、收藏后未购买产品、加入购物车后未购买产品、下单后未在预定时间内支付等情况的记录。在正样本和负样本中均包括用户基础属性(性别、年龄、爱好等)、历史购买记录(当未购买时，历史购买记录为空)等。购买概率预测模型属于二分类模型，当购买概率预测模型训练好后，可以通过它来预测用户对产品的购买概率。

参见图6，图6是本申请实施例提供的违规概率预测模型的训练和预测的示意图。将用户的历史使用数据(如历史违规记录、租车地点、租车天数等)以及用户画像、购买记录和违规记录等数据作为训练违规概率预测模型的样本。其中，样本包括正样本和负样本。正样本是历史违规记录，负样本为历史未违规记录。违规概率预测模型属于二分类模型，当违规概率预测模型训练好后，可以通过它来预测用户在租车过程中违规的概率。

参见图7，图7是本申请实施例提供的定价的示意图。首先根据用户流量预估出可能的价格，构成候选价格集。候选价格集的价格范围可以根据个人经验确定，也可以根据历史数据分析确定。然后将候选价格集、用户实时订单数据(包括租车天数、租车城市、取车时间等)、用户历史行为数据(包括购买记录、历史违规记录、用户基础属性等)和用户社交数据(包括社交应用数据(如登录次数、访问时长等)、轨迹数据和浏览数据等)输入购买预估模型，以预测候选价格集中不同的价格分别对应的用户的购买概率。同时，将用户实时订单数据、用户历史行为数据和用户社交数据输入违规概率预测模型，以预测用户的违规概率。之后，通过计算用户的购买概率和对应的价格的乘积得到预估收入，通过计算用户的违规概率和平均损失的乘积得到预估损失，通过预估收入减去预估损失，得到预估期望。因为存在多个价格，所以也存在对应的多个购买概率，可以计算得到多个预估期望，并从中选取预估期望最高时的价格作为产品的定价。

根据图7可知，在确定产品定价后，还需要确定是否投放该产品，当确定投放产品后，需要根据产品的购买反馈适应性地调整产品的定价，以确定不同定价时的实际购买概率。基于定价和实际购买概率构成的需求曲线反馈调整购买预估模型的候选价格集中的价格，之后，再次通过购买概率预测模型预测购买概率，并确定对应的产品的定价。

预估产品定价	购买量	未购买量
			Psug＞＝P	A	B
Psug＜P	C	D

表1评估方案

其中，在确定产品定价后，还可以对购买概率预测模型和违规概率预测模型的准确性进行评估。评估的准则包括：a)对于已经购买的历史订单，当前预估的产品定价(Psug)应该大于或等于历史定价(P)；b)对于未购买的历史订单，当前预估的产品定价(Psug)应该小于历史定价(P)。评估方案可参见表1。表1中的A和B分别是Psug＞＝P时的历史购买量和历史未购买量，C和D分别是Psug＜P时的历史购买量和历史未购买量。

可从以下四个指标对购买概率预测模型和违规概率预测模型的质量进行评价。

①降价召回(PDR，Price Decrease Recall)，PDR＝D/(B+D)，PDR越高，预估产品定价越有可能促成交易，可以减少消费者损失(对应准则b)。

②降价精度(PDP，Price Decrease Precision)，PDP＝D/(C+D)，PDP越小，越少对已促成交易的误杀，即避免出现在历史订单中以历史定价对产品定价时，用户购买了产品，但以预估的产品定价对产品定价时，用户不再购买产品的情况。

③升价召回(PIR，Price Increase Recall)，PIR＝A/(A+C)，PIR越高，越可能提高消费者剩余(对应准则a)。

④购买遗憾(PR，Purchase Regret)，PR＝Median(Max₁(0，(P₁-Psug₁)/P₁)，Max₂(0，(P₂-Psug₂)/P₂)…，Max_n(0，(P_n-Psug_n)/P_n))，PR越低，预估价格和实际购买价格越接近，预估价格越准确。

在一些可能的示例中，还可以根据业务的特点对以上四个指标分别赋予不同的权重后加权求和，根据加权和的大小确定购买概率预测模型和违规概率预测模型的质量。

下面继续说明本申请实施例提供的基于人工智能的产品属性决策装置443实施为软件模块的示例性结构。在一些实施例中，如图2所示，存储在存储器440的基于人工智能的产品属性决策装置443中的软件模块可以包括：调用模块4431、确定模块4432、训练模块4433、评估模块4434。

调用模块4431，用于基于用户数据调用购买概率预测模型，以确定当目标产品具有不同的候选属性时，目标产品所分别对应的购买概率，其中，不同的候选属性包括于候选属性集；以及用于基于用户的历史使用数据调用违规概率预测模型，以确定用户违规使用目标产品的违规概率，并基于违规概率确定预估损失；确定模块4432，用于基于候选属性和对应的购买概率确定预估收入；以及用于基于预估收入和预估损失确定候选属性对应的预估期望；以及用于将候选属性集中具有最高预估期望的候选属性作为目标产品的属性。

在一些实施例中，调用模块4431，还用于从用户数据中提取用户特征和候选属性的属性特征；对用户特征和属性特征进行特征转换处理，得到稀疏化的中间特征；基于中间特征进行分类处理，得到当目标产品具有候选属性集中不同的候选属性时分别对应的购买概率。

在一些实施例中，基于人工智能的产品属性决策装置还包括训练模块4433，用于确定满足候选用户标准的多个候选用户；基于每个候选用户的购买记录将每个候选用户划分为候选正样本或候选负样本；从多个候选正样本中过滤出多个过滤后正样本，并从多个候选负样本中过滤出多个过滤后负样本；基于多个过滤后正样本和多个过滤后负样本训练购买概率预测模型。

在一些实施例中，确定模块4432，还用于基于候选属性对应的目标产品的价格和对应的购买概率的乘积，得到对应的预估收入。

在一些实施例中，确定模块4432，还用于从预估收入中减去预估损失，得到候选属性对应的预估期望。

在一些实施例中，调用模块4431，还用于从用户的历史使用数据中提取历史特征；对历史特征进行特征转换处理，得到稀疏化的历史特征；基于稀疏化的历史特征进行分类处理，得到用户违规使用目标产品的概率，以作为违规概率。

在一些实施例中，调用模块4431，还用于基于目标产品的历史亏损数据确定平均损失；将平均损失与违规概率的乘积作为预估损失。

在一些实施例中，确定模块4432，还用于当最高预估期望大于目标产品的预期期望时，确定将投放具有属性的目标产品。

在一些实施例中，确定模块4432，还用于基于目标产品的购买反馈调整目标产品的属性，以确定不同属性对应的实际购买概率；基于不同属性对应的实际购买概率调整候选属性集中的候选属性；基于更新后的用户数据调用购买概率预测模型，以确定调整后的候选属性所对应的购买概率，并基于调整后的候选属性所对应的购买概率和用户的违规概率确定目标产品的新属性。

在一些实施例中，基于人工智能的产品属性决策装置还包括评估模块4434，用于当属性大于或等于目标产品的历史属性时，确定历史属性对应的第一购买量和第一未购买量；并当属性小于历史属性时，确定历史属性对应的第二购买量和第二未购买量；基于第一购买量、第一未购买量、第二购买量和第二未购买量对购买概率预测模型和违规概率预测模型进行评估处理。

在一些实施例中，评估模块4434，还用于确定第一未购买量与第二未购买量的第一加和，并基于第二未购买量与第一加和的比值确定第一指标；确定第二购买量与第二未购买量的第二加和，并基于第二未购买量与第二加和的比值确定第二指标；确定第一购买量与第二购买量的第三加和，并基于第一购买量与第三加和的比值确定第三指标；确定属性与历史属性的相对差异，并基于相对差异确定第四指标；对第一指标、第二指标、第三指标和第四指标进行加权求和，得到评估值；当评估值大于评估阈值时，确定购买概率预测模型和违规概率预测模型满足要求。

在一些实施例中，训练模块4433，还用于通过第一设备构建初始购买概率预测模型；将初始购买概率预测模型发送给多个第二设备，以使多个第二设备通过各自存储的不同的正样本和负样本训练初始购买概率预测模型，并将各自得到的训练结果加密发送给第一设备；通过第一设备聚合多个第二设备各自得到的训练结果，以更新初始购买概率预测模型的参数，得到训练后的购买概率预测模型。

本申请实施例提供一种存储有可执行指令的计算机可读存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的基于人工智能的产品属性决策方法，例如，如图3示出的基于人工智能的产品属性决策方法。

在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。

在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。

作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。

作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。

综上所述，本申请实施例通过机器学习模型(购买概率预测模型和违规概率预测模型)确定目标产品属性，免除了人工介入，因此，自动化和智能化地确定出目标产品的属性，提升了产品属性的决策效率。同时，在确定购买概率和违规概率时，综合考虑了多源数据如用户数据和历史使用数据等，因此，确定出的目标产品的属性更为精确，更符合用户需求。

以上所述，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。

Claims

1.一种基于人工智能的产品属性决策方法，其特征在于，所述方法包括：

基于所述候选属性和对应的购买概率确定预估收入；

2.根据权利要求1所述的方法，其特征在于，所述基于用户数据调用购买概率预测模型，以确定当目标产品具有不同的候选属性时，所述目标产品所分别对应的购买概率，包括：

3.根据权利要求1所述的方法，其特征在于，在所述基于用户数据调用购买概率预测模型之前，所述方法还包括：

确定满足候选用户标准的多个候选用户；

4.根据权利要求1所述的方法，其特征在于，所述基于所述候选属性和对应的购买概率确定预估收入，包括：

基于所述候选属性对应的所述目标产品的价格和对应的购买概率的乘积，得到对应的预估收入；

所述基于所述预估收入和所述预估损失确定所述候选属性对应的预估期望，包括：

5.根据权利要求1所述的方法，其特征在于，所述基于用户的历史使用数据调用违规概率预测模型，以确定所述用户违规使用所述目标产品的违规概率，包括：

从所述用户的历史使用数据中提取历史特征；

6.根据权利要求1所述的方法，其特征在于，所述基于所述违规概率确定预估损失，包括：

基于所述目标产品的历史亏损数据确定平均损失；

将所述平均损失与所述违规概率的乘积作为预估损失。

7.根据权利要求1所述的方法，其特征在于，在所述将所述候选属性集中具有最高预估期望的候选属性作为所述目标产品的属性之后，所述方法还包括：

8.根据权利要求1所述的方法，其特征在于，在所述将所述候选属性集中具有最高预估期望的候选属性作为所述目标产品的属性之后，所述方法还包括：

9.根据权利要求1所述的方法，其特征在于，在所述将所述候选属性集中具有最高预估期望的候选属性作为所述目标产品的属性之后，所述方法还包括：

10.根据权利要求9所述的方法，其特征在于，所述基于所述第一购买量、所述第一未购买量、所述第二购买量和所述第二未购买量对所述购买概率预测模型和所述违规概率预测模型进行评估处理，包括：

11.根据权利要求1所述的方法，其特征在于，在所述基于用户数据调用购买概率预测模型之前，所述方法还包括：

通过第一设备构建初始购买概率预测模型；

12.一种基于人工智能的产品属性决策装置，其特征在于，包括：

13.一种电子设备，其特征在于，包括：

存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至11任一项所述的基于人工智能的产品属性决策方法。

14.一种计算机可读存储介质，其特征在于，存储有可执行指令，用于引起处理器执行时，实现权利要求1至11任一项所述的基于人工智能的产品属性决策方法。