CN113570204A - 用户行为预测方法、系统和计算机设备 - Google Patents
用户行为预测方法、系统和计算机设备 Download PDFInfo
- Publication number
- CN113570204A CN113570204A CN202110762494.7A CN202110762494A CN113570204A CN 113570204 A CN113570204 A CN 113570204A CN 202110762494 A CN202110762494 A CN 202110762494A CN 113570204 A CN113570204 A CN 113570204A
- Authority
- CN
- China
- Prior art keywords
- user
- time series
- data
- predicted
- characteristic data
- 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 57
- 230000006399 behavior Effects 0.000 claims abstract description 133
- 238000011156 evaluation Methods 0.000 claims abstract description 91
- 230000008859 change Effects 0.000 claims abstract description 37
- 238000010801 machine learning Methods 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims description 33
- 230000000306 recurrent effect Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 13
- 238000007477 logistic regression Methods 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 238000012821 model calculation Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 11
- 230000009471 action Effects 0.000 description 10
- 230000002457 bidirectional effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000012954 risk control Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- RXKJFZQQPQGTFL-UHFFFAOYSA-N dihydroxyacetone Chemical compound OCC(=O)CO RXKJFZQQPQGTFL-UHFFFAOYSA-N 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时间序列特征的用户行为预测方法、系统和计算机设备。该方法包括：获取待预测用户的时间序列特征数据，所述时间序列特征数据是在资源归还时间内的多个时间点对应的用户特征数据；根据所述时间序列特征数据，生成所述待预测用户的时间序列特征评估数据，该时间序列特征评估数据用于表征所述用户特征数据按照时间序列的变化情况；基于预先训练好的机器学习模型，根据所述时间序列特征评估数据，得到所述待预测用户的用户行为发生概率的预测值。本发明能够更有效地利用用户特征数据；使用包含了时间因素引起的特征变化信息的特征评估数据作为模型输入特征数据，能够为模型计算提供更精确的输入特征数据，能够更精确计算出用户行为发生概率。
Description
技术领域
本发明涉及计算机信息处理领域，具体而言，涉及一种用户行为预测方法、系统和计算机设备。
背景技术
风险控制(简称为风控)是指风险管理者采取各种措施和方法，消灭或减少风险事件发生的各种可能性，或风险控制者减少风险事件发生时造成的损失。风险控制一般应用于金融行业，如对公司的交易、商家的交易或个人交易等进行风险控制。
在相关技术中，公开了一种基于用户登录行为分析的风控方法，该方法通过用户登录行为建立并融合用户按键风险识别、用户登录地风险识别、密码重试风险识别、设备来源风险识别四种模型，来获得风险预警值。该方法的风险预测准确性较低。
此外，现有预测方法均未考虑时间因素引起的特征之间的变化信息，因此无法预测因时间因素引起的不良用户行为的发生，也无法有效避免因不良用户行为的发生造成的资源损失。
因此，有必要提供一种更有效的用户行为预测方法。
发明内容
现有技术中存在未考虑时间因素引起的特征之间的变化信息，无法预测因时间因素引起的不良用户行为的发生，也无法有效避免因不良用户行为的发生造成的资源损失，用户行为预测准确度较低等技术问题。
鉴于上述问题，本发明第一方面提供了一种基于时间序列特征的用户行为预测方法，包括：获取待预测用户的时间序列特征数据，所述时间序列特征数据是在资源归还时间内的多个时间点对应的用户特征数据；根据所述时间序列特征数据，生成所述待预测用户的时间序列特征评估数据，该时间序列特征评估数据用于表征所述用户特征数据按照时间序列的变化情况；基于预先训练好的机器学习模型，根据所述时间序列特征评估数据，得到所述待预测用户的用户行为发生概率的预测值。
优选地，所述根据所述时间序列特征数据，生成所述待预测用户的时间序列特征评估数据包括：构建循环神经网络模型，使用训练数据集训练该循环神经网络模型，所述训练数据集包括标注有第一标签的历史用户的时间序列特征数据；将所述时间序列特征数据输入训练好的循环神经网络模型，输出与该时间序列特征数据相对应的评估数据S0。
优选地，所述得到所述待预测用户的用户行为发生概率的预测值包括：将所输出的评估数据S0与所述时间序列特征数据进行拼接后输入所述机器学习模型，得到所述待预测用户的用户行为发生概率的预测值。
优选地，所述循环神经网络模型为RNN或LSTM。
优选地，所述获取待预测用户的时间序列特征数据包括：确定所述待预测用户的预测时间点tn，并获取所述待预测用户在资源归还时间点t0～tn-1的特定时间段内的时间序列特征数据，其中，相邻两个时间点之间间隔特定时长Δt。
优选地，所述机器学习模型为以下的一种：逻辑回归(Logistic Regression，LR)算法、GBDT算法和XGBoost算法。
优选地，所述用户行为包括用户互联网平台上进行操作的行为。
此外，本发明第二方面提供了一种基于时间序列特征的用户行为预测系统，包括：数据获取模块，用于获取待预测用户的时间序列特征数据，所述时间序列特征数据是在资源归还时间内的多个时间点对应的用户特征数据；生成模块，根据所述时间序列特征数据，生成所述待预测用户的时间序列特征评估数据，该时间序列特；计算模块，基于预先训练好的机器学习模型，根据所述时间序列特征评估数据，得到所述待预测用户的用户行为发生概率的预测值。
优选地，还包括模型构建模块，所述模型构建模块用于构建循环神经网络模型，使用训练数据集训练该循环神经网络模型，所述训练数据集包括标注有第一标签的历史用户的时间序列特征数据；将所述时间序列特征数据输入训练好的循环神经网络模型，输出与该时间序列特征数据相对应的评估数据S0。
优选地，包括：将所输出的评估数据S0与所述时间序列特征数据进行拼接后输入所述机器学习模型，得到所述待预测用户的用户行为发生概率的预测值。
优选地，所述循环神经网络模型为RNN或LSTM。
优选地，确定所述待预测用户的预测时间点tn，并获取所述待预测用户在各个资源归还时间点t0～tn-1对应的用户特征数据，组成所述时间序列特征数据，其中，相邻两个时间点之间间隔特定时长Δt。
优选地，所述间隔特定时长Δt在15天～45天的范围内。
优选地，所述机器学习模型为以下的一种：逻辑回归(Logistic Regression，LR)算法、GBDT算法和XGBoost算法。
此外，本发明第三方面提供了一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，当所述计算机程序被所述处理器执行时，所述处理器执行如本发明第一方面所述的用户行为预测方法。
此外，本发明第四方面提供了一种计算机程序产品，存储有计算机可执行程序，所述计算机可执行程序被执行时，实现如本发明第一方面所述的用户行为预测方法。
有益效果
与现有技术相比，本发明通过获取待预测用户的用户特征数据的时间序列特征数据，将时间序列特征数据转换为用于表征用户特征数据随着时间出现变化情况的时间序列特征评估数据，再使用时间序列特征评估数据，输入训练好的机器学习模型，由于使用了包含时间因素引起的特征变化信息的特征评估数据作为模型输入，能够为模型计算提供更精确的输入特征数据，更精确地计算出所述待预测用户的用户行为发生概率的预测值。
进一步地，根据所述时间序列特征数据，利用双向循环神经网络模型，计算出待预测用户的的时间序列特征评估数据，实现将时间序列特征数据转换为时间序列特征评估数据，以使该特征评估数据可以用于表征时间因素引起的特征变化信息，能够更有效地利用因时间因素引起的用户特征数据之间的特征变化信息；能够更有效地预测因时间因素引起的不良用户行为的发生，还能够根据预测结果避免因不良用户行为的发生造成的资源损失。
附图说明
为了使本发明所解决的技术问题、采用的技术手段及取得的技术效果更加清楚，下面将参照附图详细描述本发明的具体实施例。但需声明的是，下面描述的附图仅仅是本发明本发明示例性实施例的附图，对于本领域的技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他实施例的附图。
图1是本发明的实施例1的用户行为预测方法的一示例的流程图。
图2是本发明的实施例1的用户行为预测方法的另一示例的流程图。
图3是本发明的实施例1的用户行为预测方法的又一示例的流程图。
图4是本发明的实施例2的用户行为预测系统的一示例的示意图。
图5是本发明的实施例2的用户行为预测系统的另一示例的示意图。
图6是本发明的实施例2的用户行为预测系统的又一示例的示意图。
图7是根据本发明的一种计算机设备的示例性实施例的结构框图。
图8是根据本发明的计算机程序产品的示例性实施例的结构框图
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明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元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
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。
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。
应理解，虽然本文中可能使用第一、第二、第三等表示编号的定语来描述各种器件、元件、组件或部分，但这不应受这些定语限制。这些定语乃是用以区分一者与另一者。例如，第一器件亦可称为第二器件而不偏离本发明实质的技术方案。
术语“和/或”或者“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。
实施例1
下面，将参照图1至图3描述本发明的用户行为预测方法的实施例。
图1是本发明的用户行为预测方法的一示例的流程图。
如图1所示，该用户行为预测方法包括如下步骤。
步骤S101，获取待预测用户的时间序列特征数据，所述时间序列特征数据是在资源归还时间内的多个时间点对应的用户特征数据。
本步骤中，获取待预测用户在特定时间段内多个时间点的时间序列特征数据，并使用所述时间序列特征数据进行数据转换后预测用户行为。
具体地，所述时间序列特征数据是在资源归还时间内的多个时间点对应的用户特征数据，所述用户特征数据包括年龄、地区、用户行为特征数据。例如，该用户行为特征数据包括资源归还行为数据、动支行为数据等。
需要说明的是，在本发明中，所述用户行为包括用户互联网平台上进行操作的行为。所述用户行为特征数据包括资源归还行为数据，还包括各种行为数据，例如包括拼团购买行为数据或分期购物、拼车行为数据、多次打车行为、多次拼团行为等等。
步骤S102，根据所述时间序列特征数据，生成所述待预测用户的时间序列特征评估数据，该时间序列特征评估数据用于表征所述用户特征数据按照时间序列的变化情况。
本步骤中，作为一实施方式，使用RNN或LSTM网络算法，建立循环神经网络模型，并使用训练数据集训练该循环神经网络模型，所述训练数据集包括标注有第一标签的历史用户的时间序列特征数据。
需要说明的是，在本发明中，所述第一标签是根据用户特征数据在时间序列上的变化信息所得到的评估标签向量或评估标签值，由So表示。例如，所述第一标签为特定维度的向量，具体地，由用户年龄对应的标签值、用户所处地区对应的标签值、资源归还行为对应的标签值、动支行为对应的标签值和历史用户在互联网平台上进行操作的行为对应的标签值构成的评估标签向量；还可以对用户特征数据进行量化，根据量化后的数据随时间的波动情况确定评估标签值。
具体地，上述标签值可以由预先设定的表单来对应得到，也可以根据实际情况来进行计算。比如，针对用户年龄对应的标签值，可以根据用户的年龄设定不同的标签值，也可以根据各个用户年龄对应的账户的月平均还款作为用户年龄对应的标签值，也可以根据各个用户年龄对应的账户的月平均借款作为用户年龄对应的标签值；同理，用户所处地区对应的标签值也可以通过用户年龄对应的标签值所采用方式得到；在评估标签向量中，通过标签值来对年龄和用户所处地区来进行表征，作为评估标签向量中的一个元素，实现对用户年龄和用户所处地区的量化；而在通过用户特征数据得到评估标签值的过程中，用户年龄对应的标签值和用户所处地区对应的标签值可以用于确定加权系数，对其他用户特征数据计算得到的标签值进行加权计算，具体地，用户年龄对应的标签值和用户所处地区对应的标签值越大，对应的加权系数就越大，而其他用户特征数据计算得到的标签值可以是资源归还行为对应的标签值，或者，动支行为对应的标签值，通过加权系数对其他用户特征数据计算得到的标签值及逆行加权，以实现将用户年龄和用户所处地区用于确定用户特征数据在时间序列上的变化信息所得到的评估标签向量或评估标签值。
具体地，针对资源归还行为对应的标签值，可以通过资源归还行为对应的标签值可以根据资源归还的日期与最终归还截至日期之间的时间间隔的波动性来计算得到，比如，第一个用户第一个月资源归还的日期与最终归还截至日期之间的时间间隔是1天、第二个月的时间间隔是5天、第三个月的时间间隔是0天、第四个月的时间间隔是4天；第二个用户每个月的时间间隔都是1天，那第二个用户相较于第一个用户具有更高的稳定性，那第二个用户对应的标签值对应的表征所述用户特征数据在时间序列上的变化情况更稳定，而第一个用户对应的标签值对应的表征所述用户特征数据在时间序列上的变化情况会更差一些，所以，可以根据资源归还行为与预设归还截至日期的时间间隔的波动性来作为资源归还行为对应的标签值，具体地，可以通过计算根据资源归还行为与预设归还截至日期的时间间隔的方差作为上述标签值；同理，动支行为对应的标签值和历史用户在互联网平台上进行操作的行为对应的标签值，也可以通过每个月动支行为的次数的方差值和历史用户每个月在互联网平台上进行操作的行为的次数的方差值作为相应的标签值。上述每个月只是为了解释说明，具体地，可以根据每个预设时间段内的用户特征数据的数值计算相应的方差值，作为标签值。
具体地，使用训练好的循环神经网络模型，输入待预测用户的时间序列特征数据，生成(或输出)所述待预测用户的时间序列特征评估数据。
更具体地，所述时间序列特征评估数据用于表征用户特征数据在所述时间序列上的变化情况，例如，包含了用户特征数据按照时间序列的变化信息(或特征变化信息)，或者用户特征数据跟随时间序列而变化的信息。
步骤S103，基于预先训练好的机器学习模型，根据所述时间序列特征评估数据，得到所述待预测用户的用户行为发生概率的预测值。
具体地，使用训练好的机器学习模型，输入步骤S102所生成的时间序列特征评估数据，计算(或输出)待预测用户的用户行为发生概率的预测值。例如，使用逻辑回归(Logistic Regression，LR)算法，建立所述机器学习模型。
由此，通过包含了跟随时间变化的用户特征数据，对用户行为进行预测，能够更精确地计算出待预测用户的用户行为发生概率的预测值。
图2是本发明的用户行为预测方法的另一示例的流程图。
在图2所示的示例中，以对用户动支行为预测为示例，具体说明本发明方法的预测过程。
首先，步骤S201，确定待预测用户的预测时间点。
具体地，在获取待预测用户的时间序列特征数据之前，确定待预测用户的预测时间点tn。
例如，对于预测用户资源归还行为的示例，获取待预测用户在资源归还时间点t0～tn-1对应的用户特征数据，组成所述时间序列特征数据，以生成所述待预测用户的时间序列特征评估数据S0，其中，相邻两个时间点之间间隔特定时长Δt。
具体地，所述间隔特定时长Δt在15天～45天的范围内。
接下来，在步骤S202，获取待预测用户的时间序列特征数据，所述时间序列特征数据是在资源归还时间内的多个时间点对应的用户特征数据。
具体地，对于用户行为是用户资源归还行为的示例，在n＝6时，则获取待预测用户在各资源归还时间点t1、t2、t3、t4、t5、t6的用户特征数据f1、f2、f3、f4、f5、f6，生成在资源归还时间点t1～t6的特定时间段内的时间序列特征数据f1，f2，f3，f4，f5，f6。其中，例如，用户特征数据f1为年龄，f2为地区，f3为动支数额，f4为是否进行了资源归还，f5为是否有拼团行为，f6为是否有多头行为、是否有逾期行为以及是否有违约行为，其中，间隔特定时长Δt(例如，t1与t2之间的时间间隔)为30天。
例如，对于用户行为是用户拼车行为的示例，在n＝12时，则获取则获取待预测用户在各资源归还时间点t1～t24的用户特征数据f1～f24，生成在资源归还时间点t1～t24的特定时间段内的时间序列特征数据f1，f2，f3，f4，f5，f6…，f24，例如，用户特征数据f1为年龄，f2为地区，f3为动支数额，f4为是否进行了资源归还或是否有多头行为，f5为是否有拼团行为，f6为拼车次数，f7为分期购买行为数据，f24为是否按分期归还或是否有违约记录，等等，其中，间隔特定时长Δt(例如，t1与t2之间的时间间隔)为15天。
进一步地，根据所生成的待预测用户的时间序列特征评估数据S0，计算待预测用户在资源归还时间点tn的用户资源归还行为发生概率的预测值。
由此，通过确定待预测用户的预测时间点，得到待预测用户的时间序列特征数据以生成时间序列特征评估数据，能够为模型计算提供更精确的输入特征数据，并能够更有效地利用因时间因素引起的用户特征数据之间的特征变化信息。
需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。在其他示例中，n的取值会根据不同用户群或用户行为类型而适应性变化。
接下来，步骤S203，根据所述时间序列特征数据，利用循环神经网络模型生成所述待预测用户的时间序列特征评估数据，该时间序列特征评估数据包含了用户特征数据按照所述时间序列的变化情况。
具体地，使用待预测用户的时间序列特征数据f1，f2，f3，f4，f5，f6，生成时间序列特征评估数据。
需要说明的是，所述时间序列特征评估数据包含了用户特征数据按照所述时间序列的变化情况，具体包含从两相邻时间点之间的特征变化信息(即时间因素引起的特征变化信息)，例如，在t1～t2的Δt的时间段内的f1～f2的变化信息。
作为一实施方式，使用双向循环神经网络模型，双向循环神经网络模型是循环神经网络模型中的一种，输入待预测用户的时间序列特征数据，生成(或计算)所述待预测用户的时间序列特征评估数据So。
具体地，使用LSTM网络算法，建立双向循环神经网络模型，并使用训练数据集训练该双向循环神经网络模型，所述训练数据集包括标注有第一标签的历史用户的时间序列特征数据。
需要说明地是，在本发明中，所述第一标签是根据用户特征数据在时间序列上的变化信息所得到的评估标签向量或评估标签值，由So表示。在本示例中，所述第一标签为特定维度的向量。但是不限于此，上述仅作为示例进行说明，不能理解成对本发明的限制。
此外，长短时记忆网络(Long Short Term Memory Network，LSTM)，是一种改进之后的循环神经网络。使用前向的LSTM与后向的LSTM结合成BiLSTM，即双向循环神经网络模型。具体地，所述双向循环神经网络模型包括隐含层，该隐含层包括短期的状态(h)和长期的状态(c)(对应于本方案中的用户特征数据)。例如，在t时刻，LSTM的输入有三个：当前时刻网络的输入值X_t、上一时刻LSTM的输出值h_t-1、以及上一时刻的细胞状态C_t-1；LSTM的输出有两个：当前时刻LSTM输出值h_t和当前时刻的细胞状态C_t。运用一个sigmoid层，确定细胞状态的输出值ot，通过tanh进行处理得到一个在-1～1之间的数值，并将该数值与sigmoid层的输出值相乘，得到最后的输出值(即时间t时刻当前细胞状态C_t对应的输出值，该输出值对应于本方案中的时间序列特征评估数据S0)。具体公式包括：
ot＝σ(Wo[ht-1，xt]+bo)(1)，其中，ot表示当前细胞状态输出值；ht-1表示上一个细胞(cell)的输出值；xt表示时间t时刻当前细胞的输入值；σ表示sigmod函数；Wo表示权重矩阵。
ht＝ot×tanh(Ct)(2)，其中，ht表示时间t时刻的细胞状态的最终输出值(该最终输出值对应于本方案中的时间序列特征评估数据S0))；表示ot表示时间t时刻当前细胞状态输出值；tanh(Ct)表示通过tanh处理后的值。
需要说明的是，所述时间序列特征评估数据S0可以是与用户特征数据的数量相对应的向量，也可以是一个数值。在本示例中，为特定维度的向量(例如6维向量)，但是不限于此，上述仅作为示例进行说明，不能理解成对本发明的限制。
由此，通过上述公式(1)和公式(2)，建立双向循环神经网络模型，使用训练好的双向循环神经网络模型，输入待预测用户的时间序列特征数据，输出(或计算)与该时间序列特征数据相对应的评估数据S0。
因此，根据所述时间序列特征数据，利用双向循环神经网络模型，能够更精确地计算出待预测用户的时间序列特征评估数据(该评估数据包含了时间因素引起的特征变化信息)，将时间序列特征数据转换为时间序列特征评估数据，使用包含了时间因素引起的特征变化信息的特征评估数据作为模型输入特征数据，能够为模型计算提供更精确的输入特征数据。
需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制。在其他实施方式中，例如还可以使用RNN网络建立循环神经网络模型，以用于计算待预测用户的的时间序列特征评估数据。
接下来，在步骤S204中，基于预先训练好的机器学习模型，根据所述时间序列特征评估数据，得到所述待预测用户的用户行为发生概率的预测值。
例如，使用逻辑回归(Logistic Regression，LR)算法、GBDT算法和XGBoost算法中一种算法，构建机器学习模型。
具体地，建立训练数据集，该训练数据集包括历史用户的时间序列特征评估数据(即步骤S203得到的评估标签向量或评估标签值)和用户行为特征数据(包括发生了某用户行为或未发生某用户行为)或者已标注第二标签(即用户行为发生概率)的用户行为特征数据。
进一步地，所述构建机器学习模型包括定义好、坏样本，作为一个具体地例子，可以使用“用户资源归还行为(或动支行为)发生的概率”来定义好坏样本，即第二标签为“用户是否发生资源归还行为(或动支行为)”标签值规定为0或1，其中，1表示用户发生了资源归还行为(或动支行为)，0表示用户未发生资源归还行为(或动支行为)。在实际模型计算中，模型输出的预测值通常是一个0和1之间的数值。越接近1表示用户发生源归还行为(或动支行为)的可能性越大(即发生概率越大)。
需要说明的是，在本示例中，用户行为特征数据为用户发生资源归还行为(或动支行为)，但是不限于此，在其他示例中，所述用户行为特征数据还可以包括如下特征数据中的一个或多个数据：特定时间点的拼团购买行为数据、分期购买行为数据以及拼车行为数据，特定时间段内(例如，一个Δt的时间段)的打车频次数据、拼团频次数据、动支次数、违约次数、逾期次数等等。
对于构建机器学习模型，还包括获取多个训练数据样本，其中，所述训练数据样本包括：历史用户的时间序列特征评估数据和所述时间序列特征评估数据所对应的发生某用户行为的真实发生概率；
将各历史用户的时间序列特征评估数据输入所述机器学习模型，输出预测发生概率。
作为一实施方式，判断真实发生概率与预测发生概率是否一致的步骤。具体地，计算真实发生概率和所输出的预测发生概率的相对偏差，其中，在所计算的相对偏差小于设定值时，判断真实发生概率和所述预测发生概率一致；而在所计算的相对偏差值大于等于设定值时，判断真实发生概率和所述预测发生概率一致。由此，能够更精确地判断真实发生概率和所述预测发生概率是否一致。
需要说明的是，上述仅作为示例进行说明，不能理解成对本发明的限制，在其他实施方式中，也可以计算真实发生概率与所输出的预测发生概率的差值来判断真实发生概率和预测发生概率是否一致。在本示例中，所述设定值是由业务人员根据历史真实发生概率的统计值所确定的。但是不限于此，在其他示例中，还可通过其他方式进行确定。
进一步地，判断与所述真实发生概率一致的所述预测发生概率的数量在所有所述训练数据样本的数量的占比是否大于预设占比值。
若是，则所述机器学习模型收敛，得到训练完成的机器学习模型。
若否，则调整机器学习模型中的模型参数，重新通过所述机器学习模型预测所述历史用户的预测发生概率，直至与所述真实发生概率一致的所述预测发生概率的数量在所有所述训练数据样本的数量的占比大于预设占比值。
需要说明的是，对于上述判断与所述真实发生概率一致的所述预测发生概率的数量在所有所述训练数据样本的数量的占比是否大于预设占比值的步骤，还可以包括根据预设循环次数，对循环次数过多增加限制。例如，在大于所述预设循环次数时，停止循环，以限制循环次数过多。上述仅作为示例进行说明，不能理解成对本发明的限制。
具体地，使用训练好的机器学习模型，输入步骤S203所输出的时间序列特征评估数据S0(即第一标签)，输出(或计算出)所述待预测用户的用户行为发生概率的预测值。换言之，输入特征为时间序列特征评估数据S0(即第一标签)。
作为另一实施方式，输入特征为时间序列特征评估数据S0(即第一标签)与所述时间序列特征数据拼接形成的特征数据。即将时间序列特征评估数据S0(即第一标签)与所述时间序列特征数据进行拼接处理得到的特征数据。
具体地，所述拼接处理包括将所述时间序列特征评估数据S0与所述时间序列特征数据拼接，并转换成特定维度的向量。
进一步将所述向量作为输入特征，输入所述机器学习模型，计算出所述待预测用户的用户行为发生概率的预测值。
由此，根据所生成的时间序列特征评估数据，使用训练好的机器学习模型，能够更精确地得到待预测用户的用户行为发生概率的预测值，能够更有效地预测因时间因素引起的不良用户行为的发生，还能够根据预测结果避免因不良用户行为的发生造成的资源损失。
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计算机数据处理设备执行的程序(计算机程序)。在该计算机程序被执行时，可以实现本发明提供的上述方法。而且，所述的计算机程序可以存储于计算机程序产品中，所述计算机程序产品不限于集中式存储，其也可以是分布式存储，例如基于云计算的云存储。
上述用户行为预测方法的过程仅用于对本发明的说明，其中，步骤的顺序和数量没有特别的限制。此外，上述方法中的步骤还可以拆分成两个(具体参见图3，将步骤S103拆分成步骤S301和步骤S103)、三个，或者有些步骤也可以合并成一个步骤，根据实际示例进行调整。
与现有技术相比，本发明通过获取待预测用户的用户特征数据的时间序列特征数据，将时间序列特征数据转换为用于表征用户特征数据随着时间出现变化情况的时间序列特征评估数据，再使用时间序列特征评估数据，输入训练好的机器学习模型，由于使用了包含时间因素引起的特征变化信息的特征评估数据作为模型输入，能够为模型计算提供更精确的输入特征数据，更精确地计算出所述待预测用户的用户行为发生概率的预测值。
进一步地，根据所述时间序列特征数据，利用双向循环神经网络模型，计算出待预测用户的的时间序列特征评估数据，实现将时间序列特征数据转换为时间序列特征评估数据，以使该特征评估数据可以用于表征时间因素引起的特征变化信息，能够更有效地利用因时间因素引起的用户特征数据之间的特征变化信息；能够更有效地预测因时间因素引起的不良用户行为的发生，还能够根据预测结果避免因不良用户行为的发生造成的资源损失。
实施例2
下面描述本发明的系统实施例，该系统可以用于执行本发明的方法实施例。对于本发明系统实施例中描述的细节，应视为对于上述方法实施例的补充；对于在本发明系统实施例中未披露的细节，可以参照上述方法实施例来实现。
参照图4、图5和图6，本发明还提供了一种基于时间序列特征的用户行为预测系统400，所述用户行为预测系统400包括：数据获取模块401，用于获取待预测用户的时间序列特征数据，所述时间序列特征数据是在资源归还时间内的多个时间点对应的用户特征数据；生成模块402，根据所述时间序列特征数据，生成所述待预测用户的时间序列特征评估数据，该时间序列特征评估数据用于表征所述用户特征数据按照时间序列的变化情况；计算模块403，基于预先训练好的机器学习模型，根据所述时间序列特征评估数据，得到所述待预测用户的用户行为发生概率的预测值。
如图5所示，所述用户行为预测系统400还包括模型构建模块501，即将图4所示的生成模块402拆分成模型构建模块501和生成模块402，所述模型构建模块501用于构建循环神经网络模型，使用训练数据集训练该循环神经网络模型，所述训练数据集包括标注有第一标签的历史用户的时间序列特征数据。
具体地，将所述时间序列特征数据输入训练好的循环神经网络模型，输出与该时间序列特征数据相对应的评估数据S0。例如，评估数据S0为6维向量，或者一个分值。
可选地，将所输出的评估数据So与所述时间序列特征数据进行拼接后形成新的特征数据作为输入特征，输入所述机器学习模型，得到所述待预测用户的用户行为发生概率的预测值。
需要说明的是，在其他示例中，可仅将评估数据So输入所述机器学习模型，得到所述待预测用户的用户行为发生概率的预测值。上述仅作为示例进行说明，不能理解成本发明的限制。
具体地，所述循环神经网络模型为RNN或LSTM。
如图6所示，还包括确定模块601，即将图4中的数据获取模块401拆分成确定模块601和数据获取模块401，所述确定模块601用于确定所述待预测用户的预测时间点tn，并获取所述待预测用户在资源归还时间点t0～tn-1对应的用户特征数据，组成所述时间序列特征数据，其中，相邻两个时间点之间间隔特定时长Δt。
具体地，所述间隔特定时长Δt在15天～45天的范围内。
更具体地，所述机器学习模型为以下的一种：逻辑回归算法、GBDT算法和XGBoost算法。
需要说明的是，在实施例2中，省略了与实施例1相同的部分的说明。
本领域技术人员可以理解，上述装置实施例中的各模块可以按照描述分布于装置中，也可以进行相应变化，分布于不同于上述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。
与现有技术相比，本发明通过获取待预测用户的用户特征数据的时间序列特征数据，将时间序列特征数据转换为用于表征用户特征数据随着时间出现变化情况的时间序列特征评估数据，再使用时间序列特征评估数据，输入训练好的机器学习模型，由于使用了包含时间因素引起的特征变化信息的特征评估数据作为模型输入，能够为模型计算提供更精确的输入特征数据，更精确地计算出所述待预测用户的用户行为发生概率的预测值。
进一步地，根据所述时间序列特征数据，利用双向循环神经网络模型，计算出待预测用户的的时间序列特征评估数据，实现将时间序列特征数据转换为时间序列特征评估数据，以使该特征评估数据可以用于表征时间因素引起的特征变化信息，能够更有效地利用因时间因素引起的用户特征数据之间的特征变化信息；能够更有效地预测因时间因素引起的不良用户行为的发生，还能够根据预测结果避免因不良用户行为的发生造成的资源损失。
实施例3
下面描述本发明的计算机设备实施例，该计算机设备可以视为对于上述本发明的方法和系统实施例的具体实体实施方式。对于本发明计算机设备实施例中描述的细节，应视为对于上述方法或系统实施例的补充；对于在本发明计算机设备实施例中未披露的细节，可以参照上述方法或系统实施例来实现。
图7是根据本发明的一种计算机设备的示例性实施例的结构框图。下面参照图7来描述根据本发明该实施例的的计算机设备200。图7显示的计算机设备200仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，计算机设备200以通用计算设备的形式表现。计算机设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同装置组件(包括存储单元220和处理单元210)的总线230、显示单元240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210执行，使得所述处理单元210执行本说明书上述计算机设备的处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元210可以执行如图1所示的步骤。
所述存储单元220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)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205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230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。
计算机设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该计算机设备200交互的设备通信，和/或与使得该计算机设备200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250进行。并且，计算机设备200还可以通过网络适配器260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260可以通过总线230与计算机设备200的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备200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，本发明描述的示例性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，根据本发明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计算机可读的存储介质(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)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机程序产品能够实现本发明的上述方法。
如图8所示，所述计算机程序可以存储于一个或多个计算机程序产品上。计算机程序产品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。计算机程序产品的更具体的例子(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。
所述计算机程序产品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。计算机程序产品可以发送、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发明操作的程序代码，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)。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机程序产品上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者计算机设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于时间序列特征的用户行为预测方法，其特征在于，包括：
获取待预测用户的时间序列特征数据，所述时间序列特征数据是在资源归还时间内的多个时间点对应的用户特征数据；
根据所述时间序列特征数据，生成所述待预测用户的时间序列特征评估数据，该时间序列特征评估数据用于表征所述用户特征数据按照时间序列的变化情况；
基于预先训练好的机器学习模型，根据所述时间序列特征评估数据，得到所述待预测用户的用户行为发生概率的预测值。
2.根据权利要求1所述的用户行为预测方法，其特征在于，所述根据所述时间序列特征数据，生成所述待预测用户的时间序列特征评估数据包括：
构建循环神经网络模型，使用训练数据集训练该循环神经网络模型，所述训练数据集包括标注有第一标签的历史用户的时间序列特征数据；
将所述时间序列特征数据输入训练好的循环神经网络模型，输出与该时间序列特征数据相对应的评估数据S0。
3.根据权利要求2所述的用户行为预测方法，其特征在于，所述得到所述待预测用户的用户行为发生概率的预测值包括：
将所输出的评估数据S0与所述时间序列特征数据进行拼接后输入所述机器学习模型，得到所述待预测用户的用户行为发生概率的预测值。
4.根据权利要求2所述的用户行为预测方法，其特征在于，构建所述循环神经网络模型的方法包括RNN或LSTM。
5.根据权利要求2所述的用户行为预测方法，其特征在于，所述获取待预测用户的时间序列特征数据包括：
确定所述待预测用户的预测时间点tn，并获取所述待预测用户在各个资源归还时间点t0～tn-1对应的用户特征数据，组成所述时间序列特征数据，其中，相邻两个时间点之间间隔特定时长Δt。
6.根据权利要求1所述的用户行为预测方法，其特征在于，构建所述机器学习模型的方法为以下的一种：
逻辑回归算法、GBDT算法和XGBoost算法。
7.根据权利要求1至6中任一项所述的用户行为预测方法，其特征在于，所述用户行为包括用户互联网平台上进行操作的行为。
8.一种基于时间序列特征的用户行为预测系统，其特征在于，包括：
数据获取模块，用于获取待预测用户的时间序列特征数据，所述时间序列特征数据是在资源归还时间内的多个时间点对应的用户特征数据；
生成模块，根据所述时间序列特征数据，生成所述待预测用户的时间序列特征评估数据，该时间序列特征评估数据用于表征所述用户特征数据按照时间序列的变化情况；
计算模块，基于预先训练好的机器学习模型，根据所述时间序列特征评估数据，得到所述待预测用户的用户行为发生概率的预测值。
9.一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机可执行程序，其特征在于：
当所述计算机程序被所述处理器执行时，所述处理器执行如权利要求1-7中任一项所述的用户行为预测方法。
10.一种计算机程序产品，存储有计算机可执行程序，其特征在于，所述计算机可执行程序被执行时，实现如权利要求1-7中任一项所述的用户行为预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110762494.7A CN113570204A (zh) | 2021-07-06 | 2021-07-06 | 用户行为预测方法、系统和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110762494.7A CN113570204A (zh) | 2021-07-06 | 2021-07-06 | 用户行为预测方法、系统和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113570204A true CN113570204A (zh) | 2021-10-29 |
Family
ID=78163775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110762494.7A Pending CN113570204A (zh) | 2021-07-06 | 2021-07-06 | 用户行为预测方法、系统和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113570204A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115174647A (zh) * | 2022-07-29 | 2022-10-11 | 北京印刷学院 | 一种基于时间奖励机制的物联网自习座位管理系统和方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102117325A (zh) * | 2011-02-24 | 2011-07-06 | 清华大学 | 动态社会网络用户行为的预测方法 |
| CN109190808A (zh) * | 2018-08-15 | 2019-01-11 | 拍拍信数据服务（上海）有限公司 | 用户行为预测方法、装置、设备及介质 |
| WO2019091177A1 (zh) * | 2017-11-10 | 2019-05-16 | 阿里巴巴集团控股有限公司 | 风险识别模型构建和风险识别方法、装置及设备 |
| CN110110012A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 用户预期价值评估方法、装置、电子设备及可读介质 |
| CN110111139A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 行为预估模型生成方法、装置、电子设备及可读介质 |
| CN110191113A (zh) * | 2019-05-24 | 2019-08-30 | 新华三信息安全技术有限公司 | 一种用户行为风险评估方法及装置 |
| CN110348208A (zh) * | 2019-06-29 | 2019-10-18 | 上海淇馥信息技术有限公司 | 一种基于用户行为和神经网络的风险控制方法、装置和电子设备 |
| CN110689164A (zh) * | 2019-08-26 | 2020-01-14 | 阿里巴巴集团控股有限公司 | 用户解约行为的预测方法及其系统 |
| CN110956224A (zh) * | 2019-08-01 | 2020-04-03 | 平安科技（深圳）有限公司 | 评估模型生成、评估数据处理方法、装置、设备及介质 |
| CN111582589A (zh) * | 2020-05-12 | 2020-08-25 | 上海新共赢信息科技有限公司 | 一种租车出险预测方法、装置、设备及存储介质 |
| CN111598677A (zh) * | 2020-07-24 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 一种资源配额确定方法、装置和电子设备 |
| US20200320381A1 (en) * | 2019-04-04 | 2020-10-08 | Adobe Inc. | Method to explain factors influencing ai predictions with deep neural networks |
| CN112017061A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于贝叶斯深度学习的金融风险预测方法、装置和电子设备 |
| CN112508695A (zh) * | 2021-02-05 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 基于市场风险的金融风险预测方法、装置和电子设备 |
| CN112508692A (zh) * | 2021-02-04 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 基于卷积神经网络的资源回收风险预测方法、装置和电子设备 |
-
2021
- 2021-07-06 CN CN202110762494.7A patent/CN113570204A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102117325A (zh) * | 2011-02-24 | 2011-07-06 | 清华大学 | 动态社会网络用户行为的预测方法 |
| WO2019091177A1 (zh) * | 2017-11-10 | 2019-05-16 | 阿里巴巴集团控股有限公司 | 风险识别模型构建和风险识别方法、装置及设备 |
| CN109190808A (zh) * | 2018-08-15 | 2019-01-11 | 拍拍信数据服务（上海）有限公司 | 用户行为预测方法、装置、设备及介质 |
| US20200320381A1 (en) * | 2019-04-04 | 2020-10-08 | Adobe Inc. | Method to explain factors influencing ai predictions with deep neural networks |
| CN110110012A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 用户预期价值评估方法、装置、电子设备及可读介质 |
| CN110111139A (zh) * | 2019-04-23 | 2019-08-09 | 上海淇玥信息技术有限公司 | 行为预估模型生成方法、装置、电子设备及可读介质 |
| CN110191113A (zh) * | 2019-05-24 | 2019-08-30 | 新华三信息安全技术有限公司 | 一种用户行为风险评估方法及装置 |
| CN110348208A (zh) * | 2019-06-29 | 2019-10-18 | 上海淇馥信息技术有限公司 | 一种基于用户行为和神经网络的风险控制方法、装置和电子设备 |
| CN110956224A (zh) * | 2019-08-01 | 2020-04-03 | 平安科技（深圳）有限公司 | 评估模型生成、评估数据处理方法、装置、设备及介质 |
| CN110689164A (zh) * | 2019-08-26 | 2020-01-14 | 阿里巴巴集团控股有限公司 | 用户解约行为的预测方法及其系统 |
| CN111582589A (zh) * | 2020-05-12 | 2020-08-25 | 上海新共赢信息科技有限公司 | 一种租车出险预测方法、装置、设备及存储介质 |
| CN112017061A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于贝叶斯深度学习的金融风险预测方法、装置和电子设备 |
| CN111598677A (zh) * | 2020-07-24 | 2020-08-28 | 北京淇瑀信息科技有限公司 | 一种资源配额确定方法、装置和电子设备 |
| CN112508692A (zh) * | 2021-02-04 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 基于卷积神经网络的资源回收风险预测方法、装置和电子设备 |
| CN112508695A (zh) * | 2021-02-05 | 2021-03-16 | 北京淇瑀信息科技有限公司 | 基于市场风险的金融风险预测方法、装置和电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| JULIA THEE ET AL.: "Clustering-Based Trajectory Prediction of Vehicles Interacting with Vulnerable Road Users", 《2020 IEEE INTERNATIONAL CONFERENCE ON BIG DATA》, 19 March 2021 (2021-03-19), pages 4351 - 4358 * |
| 杨环: "面对用户行为的多因素关联学习和预测", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 9, 15 September 2019 (2019-09-15), pages 138 - 1394 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115174647A (zh) * | 2022-07-29 | 2022-10-11 | 北京印刷学院 | 一种基于时间奖励机制的物联网自习座位管理系统和方法 |
| CN115174647B (zh) * | 2022-07-29 | 2023-10-31 | 北京印刷学院 | 一种基于时间奖励机制的物联网自习座位管理系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cai et al. | Multimodal Data Guided Spatial Feature Fusion and Grouping Strategy for E‐Commerce Commodity Demand Forecasting | |
| CN110111139B (zh) | 行为预估模型生成方法、装置、电子设备及可读介质 | |
| CN112017061A (zh) | 基于贝叶斯深度学习的金融风险预测方法、装置和电子设备 | |
| CN112270547A (zh) | 基于特征构造的金融风险评估方法、装置和电子设备 | |
| CN109326353B (zh) | 预测疾病终点事件的方法、装置及电子设备 | |
| CN111080338B (zh) | 用户数据的处理方法、装置、电子设备及存储介质 | |
| CN112256886B (zh) | 图谱中的概率计算方法、装置、计算机设备及存储介质 | |
| CN112348660A (zh) | 生成风险警示信息的方法、装置及电子设备 | |
| CN110796542A (zh) | 金融风险控制方法、金融风险控制装置和电子设备 | |
| US10678821B2 (en) | Evaluating theses using tree structures | |
| CN112925911B (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
| CN111967543A (zh) | 用户资源配额确定方法、装置及电子设备 | |
| WO2020235631A1 (ja) | モデル生成装置、システム、パラメータ算出装置、モデル生成方法、パラメータ算出方法および記録媒体 | |
| CN113554184A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
| EP3537345A1 (en) | Computer-implemented method, system and computer program product for providing a conversational application interface | |
| CN110348999B (zh) | 金融风险敏感用户识别方法、装置及电子设备 | |
| Zhang | Prediction of Purchase Volume of Cross‐Border e‐Commerce Platform Based on BP Neural Network | |
| CN111582908A (zh) | 一种基于利率敏感度曲线的定价方法、装置及电子设备 | |
| CN111209930A (zh) | 一种生成授信策略的方法、装置和电子设备 | |
| CN110827069A (zh) | 数据处理方法、装置、介质以及电子设备 | |
| CN113570204A (zh) | 用户行为预测方法、系统和计算机设备 | |
| CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
| CN114118526A (zh) | 一种企业风险预测方法、装置、设备及存储介质 | |
| CN113689301A (zh) | 赔付策略的构建方法、装置、设备及存储介质 | |
| Yi et al. | Construction cost estimation model and dynamic management control analysis based on artificial intelligence |
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 |