CN113095861A - 目标对象成交概率的预测方法、装置、设备及存储介质 - Google Patents

Abstract

本申请提供一种目标对象成交概率的预测方法、装置、设备及存储介质，包括：获取用户访问目标对象的访问行为数据；对获取到的访问行为数据进行数据分析，得到在预设的多个访问行为指标下的统计量；将所述统计量输入至已训练的成交时间预测模型，并获取所述成交时间预测模型输出的成交时间段预测结果，并基于成交时间段预测结果确定该用户购买目标对象的成交时间段；将统计量输入至已训练的购买意愿度预测模型，以由购买意愿度预测模型预测并输出购买意愿度预测结果，并基于购买意愿度预测结果确定用户购买目标对象的购买意愿度；基于成交时间段和购买意愿度，确定该用户购买目标对象的成交概率，从而实现了目标对象成交概率的自动预测。

Description

目标对象成交概率的预测方法、装置、设备及存储介质

技术领域

本申请涉及计算机通信领域，尤其涉及一种目标对象成交概率的预测方法、装置、设备及存储介质。

背景技术

在现有的商品销售中，销售人员采用相同的销售策略对所有用户进行销售。然而，不同的用户购买目标对象的成交概率是不同的。

因此，如何确定出用户购买目标对象的成交概率，使得销售人员基于成交概率选择不同的销售策略对不同用户进行销售具有重要意义。

发明内容

有鉴于此，本申请提供一种目标对象成交概率的预测方法、装置、设备及存储介质，用于预测目标对象的成交概率。

具体地，本申请是通过如下技术方案实现的：

根据本申请的第一方面，提供一种目标对象成交概率的预测方法，所述方法包括：

获取用户访问目标对象的访问行为数据；

对获取到的访问行为数据进行数据分析，得到在预设的多个访问行为指标下的统计量；

将所述统计量输入至已训练的成交时间预测模型，并获取所述成交时间预测模型输出的成交时间段预测结果，并基于所述成交时间段预测结果确定该用户购买目标对象的成交时间段；

将所述统计量输入至已训练的购买意愿度预测模型，以由所述购买意愿度预测模型预测并输出购买意愿度预测结果，并基于所述购买意愿度预测结果确定该用户购买该目标对象的购买意愿度；

基于所述成交时间段和所述购买意愿度，确定该用户购买该目标对象的成交概率。

可选的，所述成交时间段预测结果包括：N个成交时间段及其对应的概率值；其中，每个成交时间段对应的概率值表征所述用户购买所述目标对象的成交时间在该成交时间段内的概率；

所述基于所述成交时间段预测结果确定该用户购买目标对象的成交时间段，包括：

在N个成交时间段中，选择概率值最大的成交时间段，作为所述用户购买所述目标对象的成交时间段。

可选的，所述购买意愿度预测结果包括：N个成交时间段的购买意愿度；

所述基于所述购买意愿度预测结果确定该用户购买该目标对象的购买意愿度，包括：

基于N个成交时间段的购买意愿度、以及预设的N个成交时间段分别对应的权重，确定所述用户购买该目标对象的购买意愿度。

可选的，所述成交时间预测模型通过如下方式训练：

获取多个已成交用户对应的统计量、以及各已成交用户购买目标对象的成交时间；所述统计量基于所述多个已成交用户访问目标对象的访问行为数据进行数据分析得到；

以各已成交用户对应的统计量作为样本，以各已成交用户购买目标对象的成交时间作为标定值训练所述成交时间预测模型。

可选的，所述购买意愿度预测模型通过如下方式训练：

获取多个已成交用户对应的统计量、以及各已成交用户购买目标对象的购买意愿度；所述统计量基于多个已成交用户访问目标对象的访问行为数据进行数据分析得到；

以各已成交用户对应的统计量为样本，以各已成交用户购买目标对象的购买意愿度为标定值，形成多个样本标定值对应关系；

将多个样本标定值对应关系进行分组，得到M个样本标定值组；

分别采用M个样本标定值组对预设的M个购买意愿度预测子模型进行训练；

将训练好的M个购买意愿度预测子模型进行融合，得到所述购买意愿度模型。

根据本申请的第二方面，提供一种目标对象成交概率的预测装置，所述装置包括：

获取单元，用于获取用户访问目标对象的访问行为数据；

分析单元，用于对获取到的访问行为数据进行数据分析，得到在预设的多个访问行为指标下的统计量；

第一确定单元，用于将所述统计量输入至已训练的成交时间预测模型，并获取所述成交时间预测模型输出的成交时间段预测结果，并基于所述成交时间段预测结果确定该用户购买目标对象的成交时间段；

第二确定单元，用于将所述统计量输入至已训练的购买意愿度预测模型，以由所述购买意愿度预测模型预测并输出购买意愿度预测结果，并基于所述购买意愿度预测结果确定该用户购买该目标对象的购买意愿度；

第三确定单元，用于基于所述成交时间段和所述购买意愿度，确定该用户购买该目标对象的成交概率。

可选的，所述成交时间段预测结果包括：N个成交时间段及其对应的概率值；其中，每个成交时间段对应的概率值表征所述用户购买所述目标对象的成交时间在该成交时间段内的概率；

所述第一确定单元，在基于所述成交时间段预测结果确定该用户购买目标对象的成交时间段时，具体用于在N个成交时间段中，选择概率值最大的成交时间段，作为所述用户购买所述目标对象的成交时间段。

可选的，所述购买意愿度预测结果包括：N个成交时间段的购买意愿度；

所述第二确定单元，在基于所述购买意愿度预测结果确定该用户购买该目标对象的购买意愿度时，用于基于N个成交时间段的购买意愿度、以及预设的N个成交时间段分别对应的权重，确定所述用户购买该目标对象的购买意愿度。

根据本申请的第三方面，提供一种电子设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使执行上述目标对象成交概率的预测方法。

根据本申请的第四方面，提供一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，在被处理器调用和执行时，所述机器可执行指令促使所述处理器执行上述目标对象成交概率的预测方法。

由上述描述可知，电子设备可基于用户访问目标对象的访问行为数据和已训练好的成交时间预测模型，预测出该用户购买目标对象的成交时间段。此外，电子设备还可基于用户访问目标对象的访问行为数据和已训练好的购买意愿度预测模型，确定出该用户购买目标对象的购买意愿度。然后，电子设备基于预测出的购买时间段和购买意愿度，确定出该用户购买目标对象的成交概率，从而实现了用户购买目标对象的成交概率的预测。

附图说明

图1是本申请一示例性实施例示出的一种目标对象成交概率的预测方法的流程图；

图2是本申请一示例性实施例示出的一种电子设备的硬件结构图；

图3是本申请一示例性实施例示出的一种目标对象成交概率的预测装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

本申请旨在提出一种目标对象成交概率的预测方法，电子设备基于大量已成交用户访问目标对象的访问行为数据，训练成交时间预测模型和购买意愿度预测模型。

然后，电子设备可基于待成交的用户访问目标对象的访问行为数据和已训练好的成交时间预测模型，预测出该用户购买目标对象的成交时间段。此外，电子设备还可基于用户访问目标对象的访问行为数据和已训练好的购买意愿度预测模型，确定出该用户购买目标对象的购买意愿度。然后，电子设备基于预测出的购买时间段和购买意愿度，确定出该用户购买目标对象的成交概率，从而实现了用户购买目标对象的成交概率的预测。

此外，在本申请中，由于成交时间段从时间维度描述了用户的成交情况，而购买意愿度从购买意愿这个维度描述了用户的成交情况，所以采用成交时间段和购买意愿段这两个参数可以从多个维度描述用户的成交情况，因此采用本申请预测出的成交概率可以较为准确地描述出用户购买目标对象的成交概率。

在介绍本申请提供的目标对象成交概率的预测方法前，先对本申请所涉及的概念进行详细地介绍。

一、目标对象

目标对象是指用户购买的商品，比如该目标对象可以是车、衣服、某种服务(比如家教服务、清洁服务等)等，这里只是对目标对象进行示例性地说明，不对目标对象进行具体地限定。

二、访问行为数据

上述访问行为数据，是指用于描述用户访问目标对象的访问行为的数据，可包括用户在线下门店访问目标对象的访问行为数据，以及用户在线上访问目标对象的访问行为数据。

但无论是用户在线下门店访问目标对象的访问行为数据，还是用户在线上访问目标对象的访问行为数据，都包括：用户信息、目标对象信息、用户访问目标对象的过程中产生的数据等。这里只是对访问行为数据进行示例性地说明，不进行具体地限定。

1)用户信息

用户信息是指用户的基础信息。比如，用户的姓名、年龄、性别，用户获知该商品的渠道来源，用户所在地等。这里不对用户信息进行具体地限定。

2)目标对象信息

目标对象信息是指商品的信息。以目标对象为汽车为例，目标对象信息可包括：车辆品牌、车辆型号、车辆售价、车辆评价(如是否为热销车辆、用户的评价等)。

3)用户访问目标对象的过程中产生的数据

用户访问目标对象的过程中产生的数据，用于描述用户的访问行为。例如，该用户访问目标对象的过程中产生的数据可包括：用户目标对象的时间、是否收藏目标对象，与客服人员的沟通情况等数据等。这里不进行具体地限定。

三、访问行为指标和统计量

访问行为指标是开发人员预配置的，用于描述用户访问目标对象的行为的维度。例如，访问行为指标包括：用户在预设时间段内访问目标对象的次数，用户与客服沟通目标对象的次数、用户信息、目标对象信息等。

统计量，通常与访问行为指标对应，是访问行为指标的取值。

例如，假设预设的用户访问行为指标为：用户在2天内访问目标对象的次数。

假设，用户1的访问行为数据如表1所示：

用户标识	访问时刻	目标对象
			用户1	2019.01.01 13:00	目标对象1
用户1	2019.01.02 13:01	目标对象1
			用户1	2019.01.02 15:01	目标对象1
用户1	2019.01.02 16:01	目标对象1

表1

在对表1统计后可以得到，用户1在2019年1月1日至2019年1月2日这两天内一共访问了目标对象4次，则该用户1在该访问行为指标下的统计量为4次。

在介绍完概念之后，下面再对本申请所涉及的成交时间预测模型和购买意愿度预测模型进行说明。

1、成交时间预测模型

成交时间预测模型用于预测用户购买目标对象的成交时间段。该成交时间预测模型可由机器学习中的分类模型搭建。例如，该成交时间预测模型可以由LightGBM(LightGradient Boosting Machine，轻量级梯度推进机)搭建而成，当然该成交时间预测模型还可以是BP(BackPropagation，反向传播)网络的分类模型、SVM(Support Vector Machine，支持向量机)、逻辑回归模型，随机森林搭建而成，这里不进行具体地限定。

下面介绍下成交时间预测模型的训练方法。

电子设备可从已成交用户数据库中，获取已成交用户的访问行为数据，以及该已成交用户购买目标对象的成交时间。

然后，电子设备可对已成交用户的访问行为数据进行数据分析，得到在预设的多个访问行为指标下的统计量。其中，数据分析方法参见下文，即步骤102中的描述。

接着，电子设备可以以该统计量作为样本，将该已成交用户购买目标对象的成交时间作为标定值，训练成交时间预测模型。

2、购买意愿度预测模型

购买意愿度预测模型用于预测潜在用户购买目标对象的购买意愿度。该购买意愿度预测模型可由机器学习中的分类模型搭建。例如，该购买意愿度预测模型可以由多个购买意愿度预测子模型进行融合后形成的模型搭建而成，当然该购买意愿度预测模型还可以是BP(BackPropagation，反向传播)网络的分类模型、SVM(Support Vector Machine，支持向量机)、逻辑回归模型，随机森林搭建而成，这里不进行具体地限定。

其中，购买意愿度预测子模型可以是机器学习中的一种分类模型，比如该购买意愿度预测子模型为LightGBM(Light Gradient Boosting Machine，轻量级梯度推进机)，这里不对该购买意愿度预测子模型进行具体地限定。

下面以购买意愿度预测模型由M个购买意愿度预测子模型进行融合形成的模型搭建、购买意愿度预测子模型为LightGBM为例，对该购买意愿度预测模型的训练方法进行说明。其中，M为大于0的整数。

电子设备可从已成交用户数据库中，获取多个已成交用户的访问行为数据，以及该已成交用户购买目标对象的购买意愿度。

然后，电子设备可对各已成交用户的访问行为数据进行数据分析，得到在预设的多个访问行为指标下的统计量。其中，数据分析方法参见下文，即步骤102中的描述。

接着，电子设备可以以各已成交用户对应的统计量作为样本，以各已成交用户购买目标对象的购买意愿度作为标定值，形成多个样本标定值对应关系；

然后，电子设备可将多个样本标定值对应关系进行分组，得到M个样本标定值组。每个样本标定值组中包括至少一个样本标定值对应关系。

电子设备可分别采用M个样本标定值组对预设的M个购买意愿度预测子模型进行训练。然后，电子设备可将训练好的M个购买意愿度预测子模型进行融合，得到所述购买意愿度模型。

例如，假设购买意愿度预测子模型有3个，分别为购买意愿度预测子模型1、购买意愿度预测子模型2和购买意愿度预测子模型3。

假设电子设备得到了9个样本标定值对应关系，分别为样本标定值对应关系1、样本标定值对应关系2、…、样本标定值对应关系9。

电子设备可将这9个样本标定值对应关系分为3个样本标定值组，分别为样本标定值组1、样本标定值组2和样本标定值组3。

假设，样本标定值组1中包括样本标定值对应关系1至样本标定值对应关系3。样本标定值组2中包括样本标定值对应关系4至样本标定值对应关系6。样本标定值组3中包括样本标定值对应关系7至样本标定值对应关系9。

电子设备可采用样本标定值组1训练购买意愿度预测子模型1、采用样本标定值组2训练购买意愿度预测子模型2、采用样本标定值组3训练购买意愿度预测子模型3。

在训练每一个购买意愿度预测子模型时，电子设备可采用K折交叉来进行训练。

具体地，电子设备可将与该购买意愿度预测子模型对应的样本标定值组所包含的多个样本标签值对应关系中的任一个对应关系作为测试集，其他剩余的对应关系作为训练集，然后采用训练集训练该购买意愿度预测子模型，采用测试集来对验证该购买意愿度预测子模型。

例如，购买意愿度预测子模型1对应的样本标定值组为样本标定值组1。

假设，样本标定值组中包括：样本标定值对应关系1、样本标定值对应关系2、….样本标定值对应关系3。

电子设备可以样本标定值对应关系1、样本标定值对应关系2为训练集，以样本标定值对应关系3为测试集。电子设备可采用样本标定值对应关系1、样本标定值对应关系2训练购买意愿度预测子模型1，以样本标定值对应关系3测试购买意愿度预测子模型1。

电子设备可以以样本标定值对应关系2、样本标定值对应关系3为训练集，以样本标定值对应关系1作为测试集。电子设备可采用样本标定值对应关系2、样本标定值对应关系3训练购买意愿度预测子模型1，以样本标定值对应关系1测试购买意愿度预测子模型1。

电子设备可以以样本标定值对应关系1和样本标定值对应关系3为训练集，以样本标定值对应关系2作为测试集。电子设备可采用样本标定值对应关系1、样本标定值对应关系3训练购买意愿度预测子模型1，以样本标定值对应关系2测试购买意愿度预测子模型1。

在介绍完上述概念后，下面对本申请提供的目标对象成交概率的预测方法进行介绍。

参见图1，图1是本申请一示例性实施例示出的一种目标对象成交概率的预测方法的流程图，该方法可应用在电子设备上，可包括如下所示步骤。

步骤101：电子设备获取用户访问目标对象的访问行为数据。

由上述描述可知访问行为数据可包括用户在线下门店访问目标对象的访问行为数据和用户在线上门店访问目标对象的访问行为数据。

对于用户在线下门店访问目标对象的访问行为数据，当用户去门店访问目标对象时，门店销售人员将该用户的访问行为数据进行记录，并将访问行为数据上传至线下访问数据库中。

对于用户在线上门店访问目标对象的访问行为数据，开发人员会在包含目标对象的网页中部署埋点。当用户访问该网页触发埋点时，埋点可以收集该用户访问目标对象的访问行为数据，生成埋点记录，并添加在埋点记录表中。

例如，在目标对象页面的“收藏”处进行埋点(假设埋点的埋点标识为001)，当检测到用户触发“收藏”的埋点001后，可以采集该用户的访问行为数据，生成如表2所示的埋点记录。

埋点标识	用户标识	埋点触发时刻
			001	331	2019.01.01 13:00

表2

其中，埋点记录中还可包括其他内容，这里只是对埋点记录所包含的内容进行示例性说明，不对其进行具体地限定。

因此，在本申请实施例中，在获取用户访问目标对象的访问行为数据时，电子设备可以从线下访问数据库中，获取用户在线下门店访问目标对象的访问行为数据。以及，电子设备从埋点记录表中获取与该用户访问目标对象关联的所有埋点记录，并获取埋点记录中的访问行为数据。

步骤102：电子设备对获取到的访问行为数据进行数据分析，得到在预设的多个访问行为指标下的统计量。

本申请对获取到的访问行为数据进行数据分析，得到在预设的多个访问行为指标下的统计量，通过多个访问行为指标及其统计量，从多个维度描述用户访问目标对象的行为，使得用户访问目标对象的行为的描述更为准确。

该访问行为指标的类型可包括：动态访问行为指标和静态访问行为指标。

其中，上述动态访问行为指标是指，统计量由访问行为数据统计得到的访问行为指标。换句话来说，动态访问行为指标的统计量由用户行为数据统计得到。

例如，动态访问行为指标可以是用户在预设时间段内访问目标对象的次数，用户与客服沟通目标对象的次数等。

上述静态访问行为指标是指，统计量由访问行为数据编码得到的访问行为指标。

例如，静态访问行为指标可以是用户信息、目标对象信息等。

在本申请中，对于不同类型的访问行为指标，采用不同的数据分析方式来得到访问行为指标的统计量。

对于动态访问行为指标，电子设备可以依据动态访问行为指标所标示的内容，对用户的访问行为数据进行统计，得到该动态访问行为指标的统计量。

例如，假设用户访问行为指标为：用户在3天内访问目标对象的次数。

假设，用户1的访问行为数据如表3所示：

用户标识	访问时刻	目标对象
			用户1	2019.01.01 13:00	目标对象1
用户1	2019.01.02 13:01	目标对象1
			用户1	2019.01.02 15:01	目标对象1
用户1	2019.01.02 16:01	目标对象1
			用户1	2019.01.03 16:01	目标对象1

表3

在对表1统计后可以得到，用户1在2019年1月1日至2019年1月3日这三天内一共访问了目标对象5次，则该用户1在该访问行为指标下的统计量为5次。

对于静态访问行为指标，电子设备可以对该静态行为指标所指示的用户访问行为数据进行编码，得到该静态行为访问指标的统计量。其中，编码方式可以是one-hot(独热编码)编码等，这里不对编码方式进行具体地限定。

例如，假设用户信息包括：王三，性别为男。假设访问行为指标为“性别”。

电子设备可从用户信息中找到“性别”所指示的访问行为数据(即“男”)。然后，电子设备可对“男”进行编码，比如编码为01。然后，电子设备可将01作为性别的统计量。

步骤103：电子设备可将所述统计量输入至已训练的成交时间预测模型，并获取所述成交时间预测模型输出的成交时间段预测结果，并基于所述成交时间段预测结果确定该用户购买目标对象的成交时间段。

在实现时，电子设备可将各访问行为指标下的统计量输入至训练好的成交时间预测模型，以由成交时间预测模型基于该统计量，对该用户购买目标对象的成交时间段进行预测。

成交时间预测模型可输出N个成交时间段，以及每个成交时间段对应的概率值。

电子设备在N个成交时间段中，选择概率值最大的成交时间段，作为所述用户购买所述目标对象的成交时间段。

其中，每个成交时间段对应的概率值表征所述用户购买所述目标对象的成交时间在该成交时间段内的概率。

例如，上述成交时间段为：从用户首次访问目标对象时起的0-30天。

成交时间段对应的概率值(即0-30天对应的概率值)是指用户购买目标对象的成交时间在从用户首次访问目标对象时起的30天内的概率。

下面通过一个例子对步骤103进行说明。

电子设备可将各访问行为指标下的统计量输入至训练好的成交时间预测模型，以由成交时间预测模型基于该统计量，对该用户购买目标对象的成交时间段进行预测。

假设，成交时间预测模型输出的4个成交时间段及其对应的概率值，电子设备输出的成交时间段及其概率值如表4所示。

成交时间段	概率值
		从用户首次访问目标对象时起的0-30天	85％
从用户首次访问目标对象时起的31-60天	10％
		从用户首次访问目标对象时起的61-90天	5％
从用户首次访问目标对象时起的91-180天	5％

表4

电子设备可在表4中，选择概率值最大的成交时间段作为该用户购买目标对象的成交时间段。在本例中，选择出的成交时间段为从用户首次访问目标对象时起的0-30天。

步骤104：电子设备将所述统计量输入至已训练的购买意愿度预测模型，以由所述购买意愿度预测模型预测并输出购买意愿度预测结果，并基于所述购买意愿度预测结果确定该用户购买该目标对象的购买意愿度。

在实现时，电子设备可将各访问行为指标下的统计量输入值训练好的购买意愿度预测模型中，以由购买意愿度预测模型基于各访问行为指标下的统计量对用户购买目标对象的购买意愿度进行预测，并输出用户购买目标对象的购买意愿度预测结果。

其中，购买意愿度预测模型输出的预测结果包括：N个时间段的购买意愿段。N为大于零的整数。需要说明的是，这里的N个成交时间段与上述成交时间段预测模型输出的N个时间段相同。

在本申请实施例中，电子设备上维护了N个成交时间段分别对应的权重值，在获取到购买意愿度预测模型输出的N个成交时间段的购买意愿度后，电子设备可基于预设的N个成交时间段分别对应的权重、以及N个成交时间段的购买意愿度，确定用户购买该目标对象的购买意愿度。

例如，假设有3个成交时间段，分别为成交时间段1、成交时间段2和成交时间段3。

电子设备上维护了成交时间段1对应权重1、成交时间段2对应权重2、成交时间段3对应权重3。

假设，购买意愿度预测模型输出的N个成交时间段的购买意愿度分别为：成交时间段1的购买意愿度为购买意愿度1、成交时间段2的购买意愿度为购买意愿度2、成交时间段3的购买意愿度为购买意愿度3。

电子设备可对权重1与购买意愿度1的乘积、权重2和购买意愿度2的乘积、权重3和购买意愿度3的乘积进行求和再取平均的运算，得到求和取平均的计算结果。然后，电子设备可将求和取平均的计算结果再进行归一化处理，得到一个【0-1】之间的数值，该得到的数值就是购买意愿度。

当然，该购买意愿度也可以以分数来表示，比如，电子设备可将求和取平均的计算结果归一化处理至【0-100】的区间内，得到一个【0-100】之间的数值，该数值即是购买意愿度。

这里只是对购买意愿度的表示方式进行示例性地说明，不对其进行具体地限定。

步骤105：电子设备基于所述成交时间段和所述购买意愿度，确定该用户购买该目标对象的成交概率。

在实现时，电子设备可基于预设算法，基于成交时间段和购买意愿度，确定用户购买目标对象的成交概率。

例如，该预设算法可以是：电子设备上预配置了成交时间段的权重和购买意愿段的权重，电子设备可基于成交时间段及其权重、以及购买意愿度及其权重进行加权求和取平均的运算，得到成交概率。

其中，成交时间段的权重的配置和购买意愿度权重的配置可以根据实际情况进行配置。比如，成交时间段越靠近用户首次访问目标对象的时刻，该成交时间段被赋予更大的权重值。这里不对权重的配置进行具体限定。

需要说明的是，这里只是对预设算法进行示例性地说明，不对其进行具体地限定。

由上述描述可知，电子设备可基于用户访问目标对象的访问行为数据和已训练好的成交时间预测模型，预测出该用户购买目标对象的成交时间段。此外，电子设备还可基于用户访问目标对象的访问行为数据和已训练好的购买意愿度预测模型，预测出该用户购买目标对象的购买意愿度。然后，电子设备基于预测出的购买时间段和购买意愿度，确定出该用户购买目标对象的成交概率，从而实现了用户购买目标对象的成交概率的预测。

参见图2，图2是本申请一示例性实施例示出的一种电子设备的硬件结构图。

该电子设备包括：通信接口201、处理器202、机器可读存储介质203和总线204；其中，通信接口201、处理器202和机器可读存储介质203通过总线204完成相互间的通信。处理器202通过读取并执行机器可读存储介质203中与目标对象成交概率的预测控制逻辑对应的机器可执行指令，可执行上文描述的目标对象成交概率的预测方法。

本文中提到的机器可读存储介质203可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：易失存储器、非易失性存储器或者类似的存储介质。具体地，机器可读存储介质203可以是RAM(Radom Access Memory，随机存取存储器)、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、DVD等)，或者类似的存储介质，或者它们的组合。

参见图3，图3是本申请一示例性实施例示出的一种目标对象成交概率的预测装置的框图。

该装置可应用在图2所示的电子设备上，可如下所示单元。

获取单元301，用于获取用户访问目标对象的访问行为数据；

分析单元302，用于对获取到的访问行为数据进行数据分析，得到在预设的多个访问行为指标下的统计量；

第一确定单元303，用于将所述统计量输入至已训练的成交时间预测模型，并获取所述成交时间预测模型输出的成交时间段预测结果，并基于所述成交时间段预测结果确定该用户购买目标对象的成交时间段；

第二确定单元304，用于将所述统计量输入至已训练的购买意愿度预测模型，以由所述购买意愿度预测模型预测并输出购买意愿度预测结果，并基于所述购买意愿度预测结果确定该用户购买该目标对象的购买意愿度；

第三确定单元305，用于基于所述成交时间段和所述购买意愿度，确定该用户购买该目标对象的成交概率。

可选的，所述成交时间段预测结果包括：N个成交时间段及其对应的概率值；其中，每个成交时间段对应的概率值表征所述用户购买所述目标对象的成交时间在该成交时间段内的概率；

所述第一确定单元303，在基于所述成交时间段预测结果确定该用户购买目标对象的成交时间段时，具体用于在N个成交时间段中，选择概率值最大的成交时间段，作为所述用户购买所述目标对象的成交时间段。

可选的，所述购买意愿度预测结果包括：N个成交时间段的购买意愿度；

所述第二确定单元304，在基于所述购买意愿度预测结果确定该用户购买该目标对象的购买意愿度时，用于基于N个成交时间段的购买意愿度、以及预设的N个成交时间段分别对应的权重，确定所述用户购买该目标对象的购买意愿度。

可选的，所述装置还包括：

第一训练单元306(图3中未示出)，用于获取多个已成交用户对应的统计量、以及各已成交用户购买目标对象的成交时间；所述统计量基于所述多个已成交用户访问目标对象的访问行为数据进行数据分析得到；以各已成交用户对应的统计量作为样本，以各已成交用户购买目标对象的成交时间作为标定值训练所述成交时间预测模型。

可选的，所述装置还包括：

第二训练单元307(图3中未示出)，用于获取多个已成交用户对应的统计量、以及各已成交用户购买目标对象的购买意愿度；所述统计量基于多个已成交用户访问目标对象的访问行为数据进行数据分析得到；以各已成交用户对应的统计量为样本，以各已成交用户购买目标对象的购买意愿度为标定值，形成多个样本标定值对应关系；将多个样本标定值对应关系进行分组，得到M个样本标定值组；分别采用M个样本标定值组对预设的M个购买意愿度预测子模型进行训练；将训练好的M个购买意愿度预测子模型进行融合，得到所述购买意愿度模型。

此外，本申请还提供一种电子设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使执行上述目标对象成交概率的预测方法。

本申请还提供一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，在被处理器调用和执行时，所述机器可执行指令促使所述处理器执行上述目标对象成交概率的预测方法。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，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申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (10)

1.一种目标对象成交概率的预测方法，其特征在于，所述方法包括：

获取用户访问目标对象的访问行为数据；

对获取到的访问行为数据进行数据分析，得到在预设的多个访问行为指标下的统计量；

将所述统计量输入至已训练的成交时间预测模型，并获取所述成交时间预测模型输出的成交时间段预测结果，并基于所述成交时间段预测结果确定该用户购买目标对象的成交时间段；

将所述统计量输入至已训练的购买意愿度预测模型，以由所述购买意愿度预测模型预测并输出购买意愿度预测结果，并基于所述购买意愿度预测结果确定该用户购买该目标对象的购买意愿度；

基于所述成交时间段和所述购买意愿度，确定该用户购买该目标对象的成交概率。

2.根据权利要求1所述的方法，其特征在于，所述成交时间段预测结果包括：N个成交时间段及其对应的概率值；其中，每个成交时间段对应的概率值表征所述用户购买所述目标对象的成交时间在该成交时间段内的概率；

所述基于所述成交时间段预测结果确定该用户购买目标对象的成交时间段，包括：

在N个成交时间段中，选择概率值最大的成交时间段，作为所述用户购买所述目标对象的成交时间段。

3.根据权利要求1所述的方法，其特征在于，所述购买意愿度预测结果包括：N个成交时间段的购买意愿度；

所述基于所述购买意愿度预测结果确定该用户购买该目标对象的购买意愿度，包括：

基于N个成交时间段的购买意愿度、以及预设的N个成交时间段分别对应的权重，确定所述用户购买该目标对象的购买意愿度。

4.根据权利要求1所述的方法，其特征在于，所述成交时间预测模型通过如下方式训练：

获取多个已成交用户对应的统计量、以及各已成交用户购买目标对象的成交时间；所述统计量基于所述多个已成交用户访问目标对象的访问行为数据进行数据分析得到；

以各已成交用户对应的统计量作为样本，以各已成交用户购买目标对象的成交时间作为标定值训练所述成交时间预测模型。

5.根据权利要求1所述的方法，其特征在于，所述购买意愿度预测模型通过如下方式训练：

获取多个已成交用户对应的统计量、以及各已成交用户购买目标对象的购买意愿度；所述统计量基于多个已成交用户访问目标对象的访问行为数据进行数据分析得到；

以各已成交用户对应的统计量为样本，以各已成交用户购买目标对象的购买意愿度为标定值，形成多个样本标定值对应关系；

将多个样本标定值对应关系进行分组，得到M个样本标定值组；

分别采用M个样本标定值组对预设的M个购买意愿度预测子模型进行训练；

将训练好的M个购买意愿度预测子模型进行融合，得到所述购买意愿度模型。

6.一种目标对象成交概率的预测装置，其特征在于，所述装置包括：

获取单元，用于获取用户访问目标对象的访问行为数据；

分析单元，用于对获取到的访问行为数据进行数据分析，得到在预设的多个访问行为指标下的统计量；

第一确定单元，用于将所述统计量输入至已训练的成交时间预测模型，并获取所述成交时间预测模型输出的成交时间段预测结果，并基于所述成交时间段预测结果确定该用户购买目标对象的成交时间段；

第二确定单元，用于将所述统计量输入至已训练的购买意愿度预测模型，以由所述购买意愿度预测模型预测并输出购买意愿度预测结果，并基于所述购买意愿度预测结果确定该用户购买该目标对象的购买意愿度

第三确定单元，用于基于所述成交时间段和所述购买意愿度，确定该用户购买该目标对象的成交概率。

7.根据权利要求6所述的装置，其特征在于，所述成交时间段预测结果包括：N个成交时间段及其对应的概率值；其中，每个成交时间段对应的概率值表征所述用户购买所述目标对象的成交时间在该成交时间段内的概率；

所述第一确定单元，在基于所述成交时间段预测结果确定该用户购买目标对象的成交时间段时，具体用于在N个成交时间段中，选择概率值最大的成交时间段，作为所述用户购买所述目标对象的成交时间段。

8.根据权利要求6所述的装置，其特征在于，所述购买意愿度预测结果包括：N个成交时间段的购买意愿度；

所述第二确定单元，在基于所述购买意愿度预测结果确定该用户购买该目标对象的购买意愿度时，用于基于N个成交时间段的购买意愿度、以及预设的N个成交时间段分别对应的权重，确定所述用户购买该目标对象的购买意愿度。

9.一种电子设备，其特征在于，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使执行如权利要求1至5任一项所述的方法。

10.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，在被处理器调用和执行时，所述机器可执行指令促使所述处理器执行如权利要求1至5任一项所述的方法。

Images