CN113656702A - 用户行为的预测方法及装置 - Google Patents
用户行为的预测方法及装置 Download PDFInfo
- Publication number
- CN113656702A CN113656702A CN202110995581.7A CN202110995581A CN113656702A CN 113656702 A CN113656702 A CN 113656702A CN 202110995581 A CN202110995581 A CN 202110995581A CN 113656702 A CN113656702 A CN 113656702A
- Authority
- CN
- China
- Prior art keywords
- user
- product
- state
- predicted
- information
- 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
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Technology Law (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种用户行为的预测方法及装置,该方法包括:响应于成长状态预测指令,确定待预测用户当前所处的成长状态;获取待预测用户的交易行为信息、待预测用户所持有的目标产品的产品信息、与目标产品相关联的产品的产品信息以及外部交易环境信息;基于交易行为信息、目标产品的产品信息以及产品的产品信息以及外部交易环境信息,生成待预测用户的用户特征;将用户特征输入至预先构建的行为预测模型,获得待预测用户的行为预测结果;行为预测结果表征,未来时间段内待预测用户由成长状态转移到该成长状态的下一级成长状态的概率值。应用本发明提供的方法,能够准确的预测用户的行为状态。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种用户行为的预测方法及装置。
背景技术
随着互联网在各个行业内越来越广泛的普及与应用,电商、互联网金融、生活服务、游戏等多个领域的企业都致力于通过收集与分析用户的信息数据,挖掘用户行为需求,以为用户提供更加具有针对性的产品或服务。
现有技术中,通常是将用户数据直接作为待处理数据,进行分析确定,对用户行为进行预测的。然而,仅通过用户数据进行行为预测,会导致对用户的行为解释性不足,且用户数据的处理方式比较单一,会导致用户行为的预测结果也较为片面,预测的准确性较低。
发明内容
本发明所要解决的技术问题是提供一种用户行为的预测方法,能够准确的预测用户的行为状态。
本发明还提供了一种用户行为的预测装置,用以保证上述方法在实际中的实现及应用。
一种用户行为的预测方法,包括:
响应于成长状态预测指令,确定待预测用户当前所处的成长状态;
获取所述待预测用户的交易行为信息、所述待预测用户所持有的目标产品的产品信息、与所述目标产品相关联的产品的产品信息以及外部交易环境信息;
基于所述交易行为信息、所述目标产品的产品信息以及所述产品的产品信息以及所述外部交易环境信息,生成所述待预测用户的用户特征;
将所述用户特征输入至预先构建的行为预测模型,获得所述待预测用户的行为预测结果;所述行为预测结果表征,未来时间段内所述待预测用户由所述成长状态转移到该成长状态的下一级成长状态的概率值。
上述的方法,可选的,所述确定待预测用户当前所处的成长状态,包括:
获取所述待预测用户的业务信息;
将所述业务信息与预先设置的用户行为周期中的各个状态的状态条件进行匹配;
将与所述业务信息匹配成功的状态条件所属的状态,确定为所述待预测用户当前所处的成长状态。
上述的方法,可选的,构建行为预测模型的过程,包括:
获取各个备选产品的产品信息;
基于每个所述备选产品的产品信息计算各个所述备选产品之间的特征距离;
基于各个所述备选产品之间的特征距离对各个所述备选产品进行分层聚类,得到各个产品类型的产品集合,其中,每个所述产品集合中的各个备选产品之间的特征距离小于预先设置的距离阈值;
在每个产品类型的产品集合中选取至少一个代表产品;
基于每个历史用户的交易信息、每个所述用户的持有产品的产品信息、每个所述持有产品所属的产品集合的代表产品的产品信息以及历史外部交易环境信息,生成每个历史用户的用户特征;
基于每个所述历史用户的用户特征,训练初始行为预测模型;
在所述初始行为预测模型满足已设定的训练完成条件的情况下,将所述初始行为预测模型确定为行为预测模型。
上述的方法,可选的,所述获得所述待预测用户的状态转移预测结果之后,还包括:
判断所述下一级成长状态的状态类型;
若判断出所述下一成长状态的状态类型为贡献态,则针对所述待预测用户执行第一干预操作,以提升所述待预测用户由该成长状态转移到该成长状态的下一级成长状态的概率;
若判断出所述下一级成长状态的状态类型为无贡献态,则针对所述待预测用户执行第二干预操作,以降低所述待预测用户由该成长状态转移到该成长状态的下一级成长状态的概率。
上述的方法,可选的,所述获得所述待预测用户的状态转移预测结果之后,还包括:
判断所述概率值是否大于预先设置的概率阈值;
若所述概率值大于所述概率阈值,则在所述下一级成长状态的状态类型为无贡献态的情况下,发送提示信息。
上述的方法,可选的,所述用户行为周期包括以下至少一种状态:关注状态、购买状态、持续购买状态、兴趣衰退状态、休眠状态以及重新激活状态。
一种用户行为的预测装置包括:
确定单元,用于响应于成长状态预测指令,确定待预测用户当前所处的成长状态;
获取单元,用于获取所述待预测用户的交易行为信息、所述待预测用户所持有的目标产品的产品信息、与所述目标产品相关联的产品的产品信息以及外部交易环境信息;
生成单元,用于基于所述交易行为信息、所述目标产品的产品信息以及所述产品的产品信息以及所述外部交易环境信息,生成所述待预测用户的用户特征;
预测单元,用于将所述用户特征输入至预先构建的行为预测模型,获得所述待预测用户的行为预测结果;所述行为预测结果表征,未来时间段内所述待预测用户由所述成长状态转移到该成长状态的下一级成长状态的概率值。
上述的装置,可选的,所述确定单元,包括:
第一获取子单元,用于获取所述待预测用户的业务信息;
匹配子单元,用于将所述业务信息与预先设置的用户行为周期中的各个状态的状态条件进行匹配;
第一确定子单元,用于将与所述业务信息匹配成功的状态条件所属的状态,确定为所述待预测用户当前所处的成长状态。
上述的装置,可选的,预测单元,包括:
第二获取子单元,用于获取各个备选产品的产品信息;
计算子单元,用于基于每个所述备选产品的产品信息计算各个所述备选产品之间的特征距离;
聚类子单元,用于基于各个所述备选产品之间的特征距离对各个所述备选产品进行分层聚类,得到各个产品类型的产品集合,其中,每个所述产品集合中的各个备选产品之间的特征距离小于预先设置的距离阈值;
选取子单元,用于在每个产品类型的产品集合中选取至少一个代表产品;
生成子单元,用于基于每个历史用户的交易信息、每个所述用户的持有产品的产品信息、每个所述持有产品所属的产品集合的代表产品的产品信息以及历史外部交易环境信息,生成每个历史用户的用户特征;
训练子单元,用于基于每个所述历史用户的用户特征,训练初始行为预测模型;
在所述初始行为预测模型满足已设定的训练完成条件的情况下,将所述初始行为预测模型确定为行为预测模型。
上述的装置,可选的,还包括:
判断单元,用于判断所述下一级成长状态的状态类型;
第一执行单元,用于若判断出所述下一成长状态的状态类型为贡献态,则针对所述待预测用户执行第一干预操作,以提升所述待预测用户由该成长状态转移到该成长状态的下一级成长状态的概率;
第二执行单元,用于若判断出所述下一级成长状态的状态类型为无贡献态,则针对所述待预测用户执行第二干预操作,以降低所述待预测用户由该成长状态转移到该成长状态的下一级成长状态的概率。
与现有技术相比,本发明包括以下优点:
本发明提供了一种用户行为的预测方法及装置,该方法包括:能够确定待预测用户当前所处的成长状态;然后依据待预测用户的交易行为信息、目标产品的产品信息以及产品的产品信息以及外部交易环境信息,生成待预测用户的用户特征;再将用户特征输入至行为预测模型,获得待预测用户的行为预测结果。能够全面的考虑到影响用户行为的特征,从而根据这些特征预测用户的行为,能够提升用户的行为预测准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种用户行为的预测方法的方法流程图;
图2为本发明提供的一种确定待预测用户当前所处的成长状态的过程的流程图;
图3为本发明提供的一种构建行为预测模型的过程的流程图;
图4为本发明提供的一种用户行为的预测装置的结构示意图;
图5为本发明提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例提供了一种用户行为的预测方法,该方法可以应用于电子设备,所述方法的方法流程图如图1所示,具体包括:
S101:响应于用户行为预测指令,确定待预测用户当前所处的成长状态;其中,该成长状态可以为预设的用户行为周期中的状态。
在本发明实施例中,待预测用户可以为用户行为预测指令对应的用户;该用户行为周期包括以下至少一种状态:关注状态、购买状态、持续购买状态、兴趣衰退状态、休眠状态、重新激活状态、持有稳定状态、交易稳定状态以及有效交易状态,用户行为周期中的各个状态均有对应的层级。
用户当前所处的成长状态可以为用户行为周期中的任一状态。
S102:获取所述待预测用户的交易行为信息、所述待预测用户所持有的目标产品的产品信息、与所述目标产品相关联的产品的产品信息以及外部交易环境信息。
在本发明实施例中,该交易行为信息可以包括用户交易持有历史信息,目标产品可以为各种类型的基金产品或理财产品等,与目标产品相关联的产品可以为与该目标产品的类型以及风格相同或相似的产品。
其中,产品信息可以包括产品净值、产品收益、产品类型等信息;外部交易环境信息可以包括指数行情信息以及舆情信息等。
S103:基于所述交易行为信息、所述目标产品的产品信息、所述产品的产品信息以及所述外部交易环境信息,生成所述待预测用户的用户特征。
在本发明实施例中,该用户特征可以包括预设的各个特征维度的特征,例如,用户特征可以包括产品收益特征、收益排名特征、交易行为特征以及环境特征等以上一种或多种。
其中,可以按交易行为信息、目标产品的产品信息、与目标产品相关联的产品的产品信息以及外部交易环境信息各自对应的预处理方式,对交易行为信息、目标产品的产品信息、与目标产品相关联的产品的产品信息以及外部交易环境信息进行预处理,得到待预测用户的用户特征。
S104:将所述用户特征输入至预先构建的行为预测模型,获得所述待预测用户的行为预测结果;所述行为预测结果表征,未来时间段内所述待预测用户由所述成长状态转移到该成长状态的下一级成长状态的概率值。
在本发明实施例中,该行为预测模型可以基于决策树算法以及lightGBM算法构建的模型。
其中,该当前所处的成长状态的下一级成长状态可以为一种或多种状态,该行为预测结果还可以包含下一级成长状态的状态类型。
可选的,该未来时间段可以由当前时刻以及预设的预测时长确定。
在本发明实施例中,判断所述概率值是否大于预先设置的概率阈值;
具体的,若所述概率值大于所述概率阈值,则在所述下一级成长状态的状态类型为无贡献态的情况下,发送提示信息。
应用本发明实施例提供的方法,能够确定待预测用户当前所处的成长状态;然后依据待预测用户的交易行为信息、目标产品的产品信息以及产品的产品信息以及外部交易环境信息,生成待预测用户的用户特征;再将用户特征输入至行为预测模型,获得待预测用户的行为预测结果。能够全面的考虑到影响用户行为的特征,从而根据这些特征预测用户的行为,并且还考虑到用户的完整的行为状态,对用户的行为状态划分更加的精确和全面,能够极大的提升用户的行为预测准确率。
在本发明提供的一实施例中,基于上述的实施过程,具体的,所述确定待预测用户当前所处的成长状态,如图2所示,具体包括:
S201:获取所述待预测用户的业务信息。
在本发明实施例中,该业务信息可以包括用户的产品访问频率、当前持有产品的数量以及交易记录等,该交易记录可以包括交易次数、交易频率、交易时间等以上一种或多种。
S202:将所述业务信息与预先设置的用户行为周期中的各个状态的状态条件进行匹配。
在本发明实施例中,可以将产品访问频率以及交易记录与用户行为周期中的每个状态的状态条件进行匹配,每个状态均具有其对应的状态条件。
例如,若用户的产品访问频率大于预先设置的阈值,且不存在交易记录,则可以确定用户处于关注状态。
若用户的前一时间段处于关注状态,且当前时间段存在交易记录,则可以确定用户处于购买状态。
若用户在当前时间段的交易次数大于或等前一时间段的交易次数,或者用户当前时间段的产品持有数量大于或等于前一时间段的前一时间段的产品持有数量,则可以确定用户处于持续购买状态。
若用户在当前时间段的交易频率大幅低于前一时间段的交易频率,则可以确定用户处于兴趣衰退状态。
若待预测用户当前持有产品数量为零,且近一段时间不存在交易记录,则可以确定该待预测用户当前处于休眠状态。
若用户的前一时间段处于休眠状态,且当前时间段存在交易记录,则可以确定用户处于重新激活状态。
S203:将与所述业务信息匹配成功的状态条件所属的状态,确定为所述待预测用户当前所处的成长状态。
应用本发明实施例提高的方法,通过将待预测用户的业务信息与各个状态的状态条件进行匹配,可以确定出用户当前所处的成长状态。
在本发明提供的一实施例中,基于上述的实施过程,具体的,构建行为预测模型的过程,如图3所示,包括:
S301:获取各个备选产品的产品信息。
其中,该产品信息可以包括产品净值、产品收益、产品类型等信息。
S302:基于每个所述备选产品的产品信息计算各个所述备选产品之间的特征距离。
在本发明实施例中,该特征距离可以为相关性距离或者欧几里得距离等。
S303:基于各个所述备选产品之间的特征距离对各个所述备选产品进行分层聚类,得到各个产品类型的产品集合,其中,每个所述产品集合中的各个备选产品之间的特征距离小于预先设置的距离阈值。
在本发明实施例中,每个产品集合可以包含多个备选产品。
S304:在每个产品类型的产品集合中选取至少一个代表产品。
其中,该代表产品可以为产品集合中热度值排名较高或净值排名较高的备选产品。
需要说明的是,由于市场上很多基金产品存在同质性,从而导致竞品基金间收益具有极高的相关性,如果对每支产品生成用户级特征会造成计算、存储资源的浪费,同时特征之间的共线性对模型的可解释性有很大的影响。我们首先按照市场全基金产品的净值序列进行了分层聚类,每一聚类产品中选取重要性较高的几支产品进行下一阶段用户级的特征生成。在优化了计算资源以及存储资源使用的同时,提高了模型的潜在可解释性。
S305:基于每个历史用户的交易信息、每个所述用户的持有产品的产品信息、每个所述持有产品所属的产品集合的代表产品的产品信息以及历史外部交易环境信息,生成每个历史用户的用户特征。
应用本发明实施例提供的方法,基于公司股票、混合、指数、债券、FOF类基金持有产品收益、相关竞品收益以及外部指数行情、舆情等维度信息与用户交易持有历史结合的特征工程,构建用户特征。
S306:基于每个所述历史用户的用户特征,训练初始行为预测模型。
S307:在所述初始行为预测模型满足已设定的训练完成条件的情况下,将所述初始行为预测模型确定为行为预测模型。
其中,该训练完成条件可以为初始行为预测模型的预测准确率大于预设的准确率阈值或者初始行为预测模型的损失函数收敛。
在本发明提供的一实施例中,基于上述的实施过程,具体的,所述获得所述待预测用户的状态转移预测结果之后,还包括:
判断所述下一级成长状态的状态类型;
若判断出所述下一成长状态的状态类型为贡献态,则针对所述待预测用户执行第一干预操作,以提升所述待预测用户由该成长状态转移到该成长状态的下一级成长状态的概率;
若判断出所述下一级成长状态的状态类型为无贡献态,则针对所述待预测用户执行第二干预操作,以降低所述待预测用户由该成长状态转移到该成长状态的下一级成长状态的概率。
在本发明实施例中,该第一干预操作和第二干预操作可以相同或不同,其中,该第一干预操作可以是向该待预测用户推荐相关资讯或者发送产品推荐信息等;该第二干预操作可以为向用户提供优惠资源等。
其中,状态类型为无贡献态的状态可以包括关注状态或休眠状态,状态类型为贡献态的状态可以包括有效交易状态、交易稳定状态、持有稳定状态、购买状态、持续购买状态等。
在本发明提供的一实施例中,基于上述的实施过程,具体的,所述获得所述待预测用户的状态转移预测结果之后,还包括:
判断所述概率值是否大于预先设置的概率阈值;
若所述概率值大于所述概率阈值,则在所述下一级成长状态的状态类型为无贡献态的情况下,发送提示信息。
在本发明实施例中,该概率阈值可以依据实际需求进行设定,在概率值大于概率阈值的情况下,可以发出提示信息,以提示对该待预测用户进行关注,从而阻止该待预测用户的流失。
与图1所述的方法相对应,本发明实施例还提供了一种用户行为的预测装置,用于对图1中方法的具体实现,本发明实施例提供的用户行为的预测装置可以应用于电子设备中,其结构示意图如图4所示,具体包括:
确定单元401,用于响应于成长状态预测指令,确定待预测用户当前所处的成长状态;所述成长状态为预设的用户行为周期中的状态;
获取单元402,用于获取所述待预测用户的交易行为信息、所述待预测用户所持有的目标产品的产品信息、与所述目标产品相关联的产品的产品信息以及外部交易环境信息;
生成单元403,用于基于所述交易行为信息、所述目标产品的产品信息以及所述产品的产品信息以及所述外部交易环境信息,生成所述待预测用户的用户特征;
预测单元404,用于将所述用户特征输入至预先构建的行为预测模型,获得所述待预测用户的行为预测结果;所述行为预测结果表征,未来时间段内所述待预测用户由所述成长状态转移到该成长状态的下一级成长状态的概率值。
在本发明提供的一实施例中,基于上述的方案,可选的,所述确定单元401,包括:
第一获取子单元,用于获取所述待预测用户的业务信息;
匹配子单元,用于将所述业务信息与预先设置的用户行为周期中的各个状态的状态条件进行匹配;
第一确定子单元,用于将与所述业务信息匹配成功的状态条件所属的状态,确定为所述待预测用户当前所处的成长状态。
在本发明提供的一实施例中,基于上述的方案,可选的,预测单元404,包括:
第二获取子单元,用于获取各个备选产品的产品信息;
计算子单元,用于基于每个所述备选产品的产品信息计算各个所述备选产品之间的特征距离;
聚类子单元,用于基于各个所述备选产品之间的特征距离对各个所述备选产品进行分层聚类,得到各个产品类型的产品集合,其中,每个所述产品集合中的各个备选产品之间的特征距离小于预先设置的距离阈值;
选取子单元,用于在每个产品类型的产品集合中选取至少一个代表产品;
生成子单元,用于基于每个历史用户的交易信息、每个所述用户的持有产品的产品信息、每个所述持有产品所属的产品集合的代表产品的产品信息以及历史外部交易环境信息,生成每个历史用户的用户特征;
训练子单元,用于基于每个所述历史用户的用户特征,训练初始行为预测模型;
在所述初始行为预测模型满足已设定的训练完成条件的情况下,将所述初始行为预测模型确定为行为预测模型。
在本发明提供的一实施例中,基于上述的方案,可选的,还包括:
判断单元,用于判断所述下一级成长状态的状态类型;
第一执行单元,用于若判断出所述下一成长状态的状态类型为贡献态,则针对所述待预测用户执行第一干预操作,以提升所述待预测用户由该成长状态转移到该成长状态的下一级成长状态的概率;
第二执行单元,用于若判断出所述下一级成长状态的状态类型为无贡献态,则针对所述待预测用户执行第二干预操作,以降低所述待预测用户由该成长状态转移到该成长状态的下一级成长状态的概率。
上述本发明实施例公开的用户行为的预测装置中的各个单元和模块具体的原理和执行过程,与上述本发明实施例公开的用户行为的预测方法相同,可参见上述本发明实施例提供的用户行为的预测方法中相应的部分,这里不再进行赘述。
本发明实施例还提供了一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上述用户行为的预测方法。
本发明实施例还提供了一种电子设备,其结构示意图如图5所示,具体包括存储器501,以及一个或者一个以上的指令502,其中一个或者一个以上指令502存储于存储器501中,且经配置以由一个或者一个以上处理器503执行所述一个或者一个以上指令502进行以下操作:
响应于成长状态预测指令,确定待预测用户当前所处的成长状态;所述成长状态为预设的用户行为周期中的状态;
获取所述待预测用户的交易行为信息、所述待预测用户所持有的目标产品的产品信息、与所述目标产品相关联的产品的产品信息以及外部交易环境信息;
基于所述交易行为信息、所述目标产品的产品信息以及所述产品的产品信息以及所述外部交易环境信息,生成所述待预测用户的用户特征;
将所述用户特征输入至预先构建的行为预测模型,获得所述待预测用户的行为预测结果;所述行为预测结果表征,未来时间段内所述待预测用户由所述成长状态转移到该成长状态的下一级成长状态的概率值。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明所提供的一种用户行为的预测方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种用户行为的预测方法,其特征在于,包括:
响应于成长状态预测指令,确定待预测用户当前所处的成长状态;
获取所述待预测用户的交易行为信息、所述待预测用户所持有的目标产品的产品信息、与所述目标产品相关联的产品的产品信息以及外部交易环境信息;
基于所述交易行为信息、所述目标产品的产品信息以及所述产品的产品信息以及所述外部交易环境信息,生成所述待预测用户的用户特征;
将所述用户特征输入至预先构建的行为预测模型,获得所述待预测用户的行为预测结果;所述行为预测结果表征,未来时间段内所述待预测用户由所述成长状态转移到该成长状态的下一级成长状态的概率值。
2.根据权利要求1所述的方法,其特征在于,所述确定待预测用户当前所处的成长状态,包括:
获取所述待预测用户的业务信息;
将所述业务信息与预先设置的用户行为周期中的各个状态的状态条件进行匹配;
将与所述业务信息匹配成功的状态条件所属的状态,确定为所述待预测用户当前所处的成长状态。
3.根据权利要求1所述的方法,其特征在于,构建所述行为预测模型的过程,包括:
获取各个备选产品的产品信息;
基于每个所述备选产品的产品信息计算各个所述备选产品之间的特征距离;
基于各个所述备选产品之间的特征距离对各个所述备选产品进行分层聚类,得到各个产品类型的产品集合,其中,每个所述产品集合中的各个备选产品之间的特征距离小于预先设置的距离阈值;
在每个产品类型的产品集合中选取至少一个代表产品;
基于每个历史用户的交易信息、每个所述用户的持有产品的产品信息、每个所述持有产品所属的产品集合的代表产品的产品信息以及历史外部交易环境信息,生成每个历史用户的用户特征;
基于每个所述历史用户的用户特征,训练初始行为预测模型;
在所述初始行为预测模型满足已设定的训练完成条件的情况下,将所述初始行为预测模型确定为行为预测模型。
4.根据权利要求1所述的方法,其特征在于,所述获得所述待预测用户的状态转移预测结果之后,还包括:
判断所述下一级成长状态的状态类型;
若判断出所述下一成长状态的状态类型为贡献态,则针对所述待预测用户执行第一干预操作,以提升所述待预测用户由该成长状态转移到该成长状态的下一级成长状态的概率;
若判断出所述下一级成长状态的状态类型为无贡献态,则针对所述待预测用户执行第二干预操作,以降低所述待预测用户由该成长状态转移到该成长状态的下一级成长状态的概率。
5.根据权利要求1所述的方法,其特征在于,所述获得所述待预测用户的状态转移预测结果之后,还包括:
判断所述概率值是否大于预先设置的概率阈值;
若所述概率值大于所述概率阈值,则在所述下一级成长状态的状态类型为无贡献态的情况下,发送提示信息。
6.根据权利要求1所述的方法,其特征在于,所述用户行为周期包括以下至少一种状态:关注状态、购买状态、持续购买状态、兴趣衰退状态、休眠状态以及重新激活状态。
7.一种用户行为的预测装置,其特征在于,包括:
确定单元,用于响应于成长状态预测指令,确定待预测用户当前所处的成长状态;
获取单元,用于获取所述待预测用户的交易行为信息、所述待预测用户所持有的目标产品的产品信息、与所述目标产品相关联的产品的产品信息以及外部交易环境信息;
生成单元,用于基于所述交易行为信息、所述目标产品的产品信息以及所述产品的产品信息以及所述外部交易环境信息,生成所述待预测用户的用户特征;
预测单元,用于将所述用户特征输入至预先构建的行为预测模型,获得所述待预测用户的行为预测结果;所述行为预测结果表征,未来时间段内所述待预测用户由所述成长状态转移到该成长状态的下一级成长状态的概率值。
8.根据权利要求7所述的装置,其特征在于,所述确定单元,包括:
第一获取子单元,用于获取所述待预测用户的业务信息;
匹配子单元,用于将所述业务信息与预先设置的用户行为周期中的各个状态的状态条件进行匹配;
第一确定子单元,用于将与所述业务信息匹配成功的状态条件所属的状态,确定为所述待预测用户当前所处的成长状态。
9.根据权利要求7所述的装置,其特征在于,预测单元,包括:
第二获取子单元,用于获取各个备选产品的产品信息;
计算子单元,用于基于每个所述备选产品的产品信息计算各个所述备选产品之间的特征距离;
聚类子单元,用于基于各个所述备选产品之间的特征距离对各个所述备选产品进行分层聚类,得到各个产品类型的产品集合,其中,每个所述产品集合中的各个备选产品之间的特征距离小于预先设置的距离阈值;
选取子单元,用于在每个产品类型的产品集合中选取至少一个代表产品;
生成子单元,用于基于每个历史用户的交易信息、每个所述用户的持有产品的产品信息、每个所述持有产品所属的产品集合的代表产品的产品信息以及历史外部交易环境信息,生成每个历史用户的用户特征;
训练子单元,用于基于每个所述历史用户的用户特征,训练初始行为预测模型;
在所述初始行为预测模型满足已设定的训练完成条件的情况下,将所述初始行为预测模型确定为行为预测模型。
10.根据权利要求7所述的装置,其特征在于,还包括:
判断单元,用于判断所述下一级成长状态的状态类型;
第一执行单元,用于若判断出所述下一成长状态的状态类型为贡献态,则针对所述待预测用户执行第一干预操作,以提升所述待预测用户由该成长状态转移到该成长状态的下一级成长状态的概率;
第二执行单元,用于若判断出所述下一级成长状态的状态类型为无贡献态,则针对所述待预测用户执行第二干预操作,以降低所述待预测用户由该成长状态转移到该成长状态的下一级成长状态的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995581.7A CN113656702B (zh) | 2021-08-27 | 2021-08-27 | 用户行为的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995581.7A CN113656702B (zh) | 2021-08-27 | 2021-08-27 | 用户行为的预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113656702A true CN113656702A (zh) | 2021-11-16 |
CN113656702B CN113656702B (zh) | 2023-07-14 |
Family
ID=78493098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110995581.7A Active CN113656702B (zh) | 2021-08-27 | 2021-08-27 | 用户行为的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113656702B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219184A (zh) * | 2022-01-24 | 2022-03-22 | 中国工商银行股份有限公司 | 产品交易数据预测方法、装置、设备、介质和程序产品 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107689008A (zh) * | 2017-06-09 | 2018-02-13 | 平安科技(深圳)有限公司 | 一种用户投保行为预测的方法及装置 |
CN109117980A (zh) * | 2018-06-29 | 2019-01-01 | 阿里巴巴集团控股有限公司 | 数据预填方法、装置及设备 |
CN109409963A (zh) * | 2018-11-12 | 2019-03-01 | 平安科技(深圳)有限公司 | 客户生命周期的预测方法及装置、存储介质、计算机设备 |
CN110210913A (zh) * | 2019-06-14 | 2019-09-06 | 重庆邮电大学 | 一种基于大数据的商家回头客预测方法 |
CN110837931B (zh) * | 2019-11-08 | 2023-01-31 | 中国农业银行股份有限公司 | 客户流失预测方法、装置及存储介质 |
CN111292118A (zh) * | 2020-01-10 | 2020-06-16 | 上海财经大学 | 基于深度学习的投资者画像构建方法和装置 |
CN112102095A (zh) * | 2020-09-17 | 2020-12-18 | 中国建设银行股份有限公司 | 一种基金产品推荐方法、装置及设备 |
CN112381154A (zh) * | 2020-11-17 | 2021-02-19 | 深圳壹账通智能科技有限公司 | 预测用户概率的方法、装置和计算机设备 |
-
2021
- 2021-08-27 CN CN202110995581.7A patent/CN113656702B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219184A (zh) * | 2022-01-24 | 2022-03-22 | 中国工商银行股份有限公司 | 产品交易数据预测方法、装置、设备、介质和程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN113656702B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3989131A1 (en) | Method and system for realizing machine learning modeling process | |
CN110705719A (zh) | 执行自动机器学习的方法和装置 | |
CN112016796B (zh) | 综合风险评分请求处理方法、装置及电子设备 | |
US11100559B2 (en) | Recommendation system using linear stochastic bandits and confidence interval generation | |
CN111369344B (zh) | 一种动态生成预警规则的方法和装置 | |
US11727427B2 (en) | Systems and methods for assessing, correlating, and utilizing online browsing and sales data | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
WO2023123933A1 (zh) | 用户的类型信息的确定方法、设备及存储介质 | |
CN111179051A (zh) | 金融目标客户确定方法、装置及电子设备 | |
CN112070545B (zh) | 用于优化信息触达的方法、装置、介质和电子设备 | |
CN111951008A (zh) | 一种风险预测方法、装置、电子设备和可读存储介质 | |
CN113344647B (zh) | 一种信息推荐的方法及装置 | |
CN114187009A (zh) | 交易风险预测模型的特征解释方法、装置、设备及介质 | |
CN114091684A (zh) | 增强业务结果可解释性的方法及装置 | |
CN113656702A (zh) | 用户行为的预测方法及装置 | |
WO2019171492A1 (ja) | 予測業務支援装置および予測業務支援方法 | |
CN107644042B (zh) | 软件程序点击率预估排序方法及服务器 | |
CN109523296B (zh) | 用户行为概率分析方法及装置、电子设备、存储介质 | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
CN115048561A (zh) | 推荐信息确定方法及装置、电子设备和可读存储介质 | |
Chong et al. | Customer Churn Prediction of Telecom Company Using Machine Learning Algorithms | |
CN113590310A (zh) | 基于规则触碰率评分的资源分配方法、装置及电子设备 | |
Yao et al. | STGV-Similarity between trend generating vectors: A new sample weighting scheme for stock trend prediction using financial features of companies | |
US20240028935A1 (en) | Context-aware prediction and recommendation | |
CN116433335A (zh) | 产品推荐方法、装置、电子设备、介质和计算机程序产品 |
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 |