CN113704637A - 基于人工智能的对象推荐方法、装置、存储介质 - Google Patents
基于人工智能的对象推荐方法、装置、存储介质 Download PDFInfo
- Publication number
- CN113704637A CN113704637A CN202111005231.8A CN202111005231A CN113704637A CN 113704637 A CN113704637 A CN 113704637A CN 202111005231 A CN202111005231 A CN 202111005231A CN 113704637 A CN113704637 A CN 113704637A
- Authority
- CN
- China
- Prior art keywords
- target
- recommended
- loan
- objects
- 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
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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供了一种基于人工智能的对象推荐方法、装置;方法包括:获取待推荐对象的对象数据,对象数据包括对象属性数据及对象行为数据;通过贷款率预测模型的特征提取层,对待推荐对象的对象数据进行特征提取,得到待推荐对象的对象特征数据;通过贷款率预测模型的预测层,基于对象特征数据对待推荐对象进行贷款率预测,得到预测结果,预测结果用于表征,在未对待推荐对象执行目标操作的情况下,待推荐对象执行贷款操作的概率;基于预测结果,对待推荐对象进行对应目标操作的目标条件检测,并当检测结果表征待推荐对象符合目标条件时,推荐待推荐对象作为待执行目标操作的目标对象。通过本申请,能够实现目标对象的精准推荐。
Description
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对象推荐方法、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)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
金融领域通过引进人工智能技术,挖潜针对不同贷款类型对应的潜在客户,进而提高各贷款类型对应的贷款收入。
相关潜在客户挖掘方法中,往往需要采集大量的历史样本数据,然而对于新增的贷款类型,往往缺乏大量的历史样本,如此得到的机器学习模型容易出现预测结果过拟合的问题,且针对潜在客户的挖掘准确率低。
发明内容
本申请实施例提供一种基于人工智能的对象推荐方法、装置、电子设备、计算机可读存储介质及计算机程序产品,能够实现目标对象的精准推荐,减少人力成本。
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对象推荐方法,包括:
获取待推荐对象的对象数据,所述对象数据包括对象属性数据及对象行为数据;
通过贷款率预测模型的特征提取层,对所述待推荐对象的对象数据进行特征提取,得到所述待推荐对象的对象特征数据;
通过所述贷款率预测模型的预测层,基于所述对象特征数据对所述待推荐对象进行贷款率预测,得到预测结果,所述预测结果用于表征,在未对所述待推荐对象执行目标操作的情况下,所述待推荐对象执行贷款操作的概率;
基于所述预测结果,对所述待推荐对象进行对应所述目标操作的目标条件检测,并当检测结果表征所述待推荐对象符合目标条件时,推荐所述待推荐对象作为待执行所述目标操作的目标对象。
本申请实施例提供一种基于人工智能的对象推荐装置,包括:获取模块,用于获取待推荐对象的对象数据,所述对象数据包括对象属性数据及对象行为数据;
特征提取模块,用于通过贷款率预测模型的特征提取层,对所述待推荐对象的对象数据进行特征提取,得到所述待推荐对象的对象特征数据;
预测模块,用于通过所述贷款率预测模型的预测层,基于所述对象特征数据对所述待推荐对象进行贷款率预测,得到预测结果,所述预测结果用于表征,在未对所述待推荐对象执行目标操作的情况下,所述待推荐对象执行贷款操作的概率;
推荐模块,用于基于所述预测结果,对所述待推荐对象进行对应所述目标操作的目标条件检测,并当检测结果表征所述待推荐对象符合目标条件时,推荐所述待推荐对象作为待执行所述目标操作的目标对象。
上述方案中,所述推荐模块,还用于将所述预测结果与预设的贷款概率阈值进行比较,得到比较结果;
当比较结果表征在未对所述待推荐对象执行目标操作的情况下,所述待推荐对象执行贷款操作的概率小于等于所述贷款概率阈值时,得到表征所述待推荐对象符合目标条件的检测结果。
上述方案中,所述推荐模块,还用于获取符合目标条件的待推荐对象的数量;
当所述数量大于数量阈值,或者所述数量与所述待推荐对象的总数量的比值大于比值阈值时,从所述符合目标条件的待推荐对象中选取第一数量的待推荐对象;
所述推荐所述待推荐对象作为待执行所述目标操作的目标对象,包括:
推荐所述第一数量的符合目标条件的待推荐对象,作为待执行所述目标操作的目标对象。
上述方案中,所述推荐模块,还用于当所述待推荐对象的数量为多个时,依据概率值从小到大的顺序,对多个所述待推荐对象对应的预测结果进行排序,得到排序结果;
从所述排序结果中第一个预测结果开始,选取第二数量的待推荐对象,并将所述第二数量的待推荐对象作为符合目标条件的待推荐对象。
上述方案中,所述基于人工智能的对象推荐装置还包括***模块,所述**模块,用于获取所述待推荐对象的总数量、以及待执行所述目标操作的对象比例;
基于所述总数量及所述对象比例,确定所述第二数量。
上述方案中,所述推荐模块,还用于,当所述目标操作为对应贷款的电话推荐时,获取与所述目标对象相适配的贷款类型、以及与所述贷款类型相对应的推荐内容;
采用电话推荐的方式,将所述推荐内容推荐至所述目标对象对应的终端。
上述方案中,所述基于人工智能的对象推荐装置还包括输出模块,所述待推荐对象的总数量为第三数量,所述目标对象的数量为第四数量,所述输出模块,用于从第三数量的对比对象中选取第四数量的对比对象;
在对所述第四数量的对比对象执行所述目标操作后,获取所述第四数量的对比对象中执行贷款操作的对比对象的数量;
在对所述第四数量的目标对象执行所述目标操作后,获取所述第四数量的目标对象中执行贷款操作的待推荐对象的数量;
基于获取的执行贷款操作的对比对象的数量、执行贷款操作的待推荐对象的数量,生成并输出对所述目标对象执行所述目标操作的影响报告。
上述方案中,所述获取模块,还用于,对所述目标对象执行所述目标操作,并在执行所述目标操作后,获取用于表征所述目标对象在目标时段内是否执行贷款操作的操作结果;
当所述操作结果表征所述目标对象在目标时段内未执行贷款操作时,周期性地对所述目标对象执行所述目标操作,直至执行所述目标操作的次数达到目标次数,或者获取到表征所述目标对象执行贷款操作的操作结果。
上述方案中,所述获取模块,还用于获取携带标签的样本对象的对象数据,所述对象数据包括对象属性数据及对象行为数据,所述标签用于表征,在未对所述样本对象执行目标操作的情况下,所述样本对象执行贷款操作的概率;
通过贷款率预测模型的特征提取层,对所述样本对象的对象数据进行特征提取,得到所述样本对象的对象特征数据;
通过所述贷款率预测模型的预测层,基于所述对象特征数据对所述样本对象进行贷款率预测,得到预测结果;
基于所述样本对象的预测结果与所述标签之间的差异,更新所述贷款率预测模型的模型参数。
本申请实施例提供一种电子设备,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对象推荐方法。
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对象推荐方法。
本申请实施例提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本申请实施例提供的基于人工智能的对象推荐方法。
本申请实施例具有以下有益效果:
与相关技术中,通常搜集大量历史样本对象训练机器学习模型,直接预测目标对象执行目标操作的概率的方法相比,本申请实施例在未对待推荐对象执行目标操作的情况下,对待推荐对象执行贷款操作的概率进行预测;然后基于预测结果,检测得到符合执行目标操作的目标条件的待推荐对象作为目标对象,如此能够实现目标对象的精准推荐,并能减少执行目标操作的人力成本。
附图说明
图1是本申请实施例提供的基于人工智能的对象推荐系统的一个可选的结构示意图;
图2是本申请实施例提供的电子设备的一个可选的结构示意图;
图3是本申请实施例提供的基于人工智能的对象推荐方法的流程示意图;
图4是本申请实施例提供的贷款率预测模型组成示意图;
图5是本申请实施例提供的贷款率预测模型训练方法的流程示意图;
图6是本申请实施例提供的贷款率预测模型的训练方法的另一示意图;
图7为本申请实施例提供的基于贷款率的大小确定目标对象的方法示意图;
图8是本申请实施例提供的影响报告生成流程示意图;
图9是本申请实施例提供的基于人工智能的对象推荐方法的影响报告生成方法示意图;
图10是本申请实施例提供的基于人工智能的对象推荐方法的示意图;
图11是本申请实施例提供的自然提款率预测模型训练过程示意图;
图12是本申请实施例提供基于自然提款率预测模型确定目标客户的方法示意图;
图13是本申请实施例提供的验证过程示意图;
图14是本申请实施例提供的贷款率比较结果示意图。
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。
如果申请文件中出现“第一/第二”的类似描述则增加以下的说明,在以下的描述中,所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
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)深度神经网络(DNN,Deep Neural Networks):DNN是深度学习的基础,DNN按不同层的位置划分,DNN内部的神经网络层可以分为三类,输入层、隐藏层和输出层,一般来说第一层是输入层,最后一层是输出层,而中间的层数都是隐藏层。层与层之间是全连接的,也就是说,第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。
2)逻辑回归(LR,Logistic Regression)模型:是在线性回归的基础上添加了一个Sigmoid函数(非线形)映射,从而可以使逻辑回归成为一个优秀的分类算法。逻辑回归假设数据服从伯努利分布,通过极大化似然函数的方法,运用梯度下降来求解参数,来达到将数据二分类的目的。
相比于协同过滤和矩阵分解利用用户的物品“相似度”进行推荐,LR将问题看成一个分类问题,通过预测正样本的概率对物品进行排序,因此逻辑回归模型将推荐问题转化成了一个点击率预估问题。
3)梯度提升树(GBDT,Gradient Boosting Decison Tree):是传统机器学习中对真实分布拟合最好的几种算法之一。GBDT通过采用加法模型(即基函数的线性组合),以及不断减小训练过程产生的误差来达到将数据分类或者回归的算法。GBDT每轮产生一个弱分类器,每个分类器在上一轮分类器的残差基础上进行训练。GBDT对弱分类器的要求只要求足够简单,并且地方低方差高偏差(欠拟合)。由此,每个分类回归树的深度不会很深,最终的总分类器是将每轮训练得到的弱分类器加权求和得到。GBDT来解决二分类和回归问题的本质一样,都是通过不断构建决策树,使预测结果一步步接近目标值。GBDT在回归问题上一般使用平方损失,而在二分类问题中,GBDT和逻辑回归一样,使用交叉熵。
本申请实施例提供一种基于人工智能的对象推荐方法、装置、电子设备、计算机可读存储介质及计算机程序产品,能够实现目标对象的精准推荐,并能有效减少执行目标操作的人力成本。
基于上述对本申请实施例中涉及的名词和术语的解释,首先对本申请实施例提供的基于人工智能的对象推荐系统进行说明,参见图1,图1是本申请实施例提供的基于人工智能的对象推荐系统的一个可选的架构示意图,在基于人工智能的对象推荐系统100中,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,使用无线链路实现数据传输。在一些实施例中,终端400可以是笔记本电脑,平板电脑,台式计算机,智能手机,专用消息设备,便携式游戏设备,智能音箱,智能手表等,但并不局限于此。服务器200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、内容分发网络(CDN,Content Delivery Network)、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。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400以及服务器200可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例中不做限制。
终端400,用于发送携带有待推荐对象的对象数据的目标对象获取请求至服务器200,以请求服务器200从待推荐对象的对象数据中返回待执行目标操作的目标对象。
服务器200,用于获取待推荐对象的对象数据,对象数据包括对象属性数据及对象行为数据;通过贷款率预测模型的特征提取层,对待推荐对象的对象数据进行特征提取,得到待推荐对象的对象特征数据;通过贷款率预测模型的预测层,基于对象特征数据对待推荐对象进行贷款率预测,得到预测结果,预测结果用于表征,在未对待推荐对象执行目标操作的情况下,待推荐对象执行贷款操作的概率;基于预测结果,对待推荐对象进行对应目标操作的目标条件检测,并当检测结果表征待推荐对象符合目标条件时,推荐待推荐对象作为待执行目标操作的目标对象。
在一些实施例中,终端400上设置有目标对象推荐客户端410,用户基于目标对象推荐客户端410触发目标对象推荐指令,目标对象推荐客户端410响应于目标对象推荐指令,发送携带待推荐对象的对象数据的目标对象获取请求至服务器;服务器从目标对象获取请求中获取待推荐对象的对象数据,对象数据包括对象属性数据及对象行为数据;通过贷款率预测模型的特征提取层,对待推荐对象的对象数据进行特征提取,得到待推荐对象的对象特征数据;通过贷款率预测模型的预测层,基于对象特征数据对待推荐对象进行贷款率预测,得到预测结果,预测结果用于表征,在未对待推荐对象执行目标操作的情况下,待推荐对象执行贷款操作的概率;基于预测结果,对待推荐对象进行对应目标操作的目标条件检测,并当检测结果表征待推荐对象符合目标条件时,推荐待推荐对象作为待执行目标操作的目标对象,并将待执行目标操作的目标对象发送至客户端410。
参见图2,图2是本申请实施例提供的电子设备的一个可选的结构示意图,在实际应用中,电子设备500可以实施为图1中的终端400或服务器200,以电子设备为图1所示的服务器200为例,对实施本申请实施例的基于人工智能的对象推荐方法的电子设备进行说明。图2所示的电子设备500包括:至少一个处理器510、存储器550、至少一个网络接口520和用户接口530。电子设备500中的各个组件通过总线系统540耦合在一起。可以理解,总线系统540用于实现这些组件之间的连接通信。总线系统540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540。
处理器510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。
用户接口530包括使得能够呈现媒体内容的一个或多个输出装置531,包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口530还包括一个或多个输入装置532,包括有助于用户输入的用户接口部件,比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和控件。
存储器550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550可选地包括在物理位置上远离处理器510的一个或多个存储设备。
存储器550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 Memory),易失性存储器可以是随机存取存储器(RAM,Random Access Memory)。本申请实施例描述的存储器550旨在包括任意适合类型的存储器。
在一些实施例中,存储器550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551,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552,用于经由一个或多个(有线或无线)网络接口520到达其他计算设备,示例性的网络接口520包括:蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB,Universal Serial Bus)等;
呈现模块553,用于经由一个或多个与用户接口530相关联的输出装置531(例如,显示屏、扬声器等)使得能够呈现信息(例如,用于操作外围设备和显示内容和信息的用户接口);
输入处理模块554,用于对一个或多个来自一个或多个输入装置532之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。
在一些实施例中,本申请实施例提供的基于人工智能的对象推荐装置可以采用软件方式实现,图2示出了存储在存储器550中的基于人工智能的对象推荐装置555,其可以是程序和插件等形式的软件,包括以下软件模块:获取模块5551、特征提取模块5552、预测模块5553、和推荐模块5554,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。
在另一些实施例中,本申请实施例提供的基于人工智能的对象推荐装置可以采用硬件方式实现,作为示例,本申请实施例提供的基于人工智能的对象推荐装置可以是采用硬件译码处理器形式的处理器,其被编程以执行本申请实施例提供的基于人工智能的对象推荐方法,例如,硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC,Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable LogicDevice)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)或其他电子元件。
接下来说明本申请实施例提供的基于人工智能的对象推荐方法。在一些实施例中,本申请实施例提供的基于人工智能的对象推荐方法可以由终端或服务器单独实施,或者由终端及服务器协同实施。以服务器实施为例,参见图3,图3是本申请实施例提供的基于人工智能的对象推荐方法的流程示意图,将结合图3示出的步骤进行说明。
在步骤101中,服务器获取待推荐对象的对象数据,对象数据包括对象属性数据及对象行为数据。
在一些实施例中,待推荐对象是指对目标贷款产品可能存在贷款需求的对象。需要说明的是,目标贷款产品可以是金融机构新推出的、且未对任何对象执行过目标操作的贷款产品,或者是对一些对象执行过目标操作但执行次数小于预设次数阈值(不足以形成训练相关模型的样本)的贷款产品。
在实际实施时,待推荐对象可以是获得金融机构(如银行)贷款授信后且对目标贷款产品存在贷款需求的客户,相应的,对象属性数据可以是已授信客户的属性信息,对象行为数据可以是已授信客户的行为信息。以对象数据为银行存储的客户数据为例,对象属性信息可以包括客户的身份信息、交易信息、资产数据、授信数据等,对象行为信息可以包括客户对应的金融交易行为、网络行为数据、购买记录、浏览记录和通讯信息等。
实际应用中,确定待推荐对象对目标贷款产品的需求度,往往会通过机器学习模型,预测待推荐对象的在未执行目标操作时,对应目标贷款产品的贷款率。当待推荐对象在未被执行目标操作时的贷款率较低时,为了提高待推荐对象对目标贷款产品的需求度,需要对待推荐对象执行目标操作。但是在对待推荐对象执行目标操作之前,需要检测待推荐对象是否满足执行目标操作的目标条件,只有当待推荐对象满足执行目标操作的目标条件时,才能将待推荐对象作为能够执行目标操作的目标对象(或称潜在对象)。其中,对于将待推荐对象作为能够执行目标操作的目标对象的实现方式,可以基于图3中步骤102至步骤104进行详细阐述。
在步骤102中,通过贷款率预测模型的特征提取层,对待推荐对象的对象数据进行特征提取,得到待推荐对象的对象特征数据。
在一些实施例中,参见图4,图4是本申请实施例提供的贷款率预测模型组成示意图,如图中所示,贷款率预测模型的模型结构可以包括用于对待推荐对象的对象数据进行特征提取的特征提取层(编号1),以及用于对待推荐对象的对象数据进行贷款率预测的预测层(编号2)。待推荐对象的对象数据输入至训练完成的贷款率预测模型,经过贷款率预测模型的特征提取层以及预测层的处理,输出预测结果。
在实施实施时,贷款率预测模型可以是线性或非线性回归模型,比如逻辑回归LR模型、梯度提升树GBDT、深度神经网络DNN模型等,贷款率预测模型可以采用上述任何一种机器学习模型,也可以采用上述多种机器学习模型的组合方式。
在一些实施例中,通过贷款率预测模型,获取在未对待推荐对象执行目标操作的情况下,待推荐对象执行贷款操作的概率之前,还需要通过历史样本对象训练一个稳定的贷款率预测模型,参见图5,图5是本申请实施例提供的贷款率预测模型训练方法的流程示意图。基于图3,在步骤102之前,执行贷款率预测模型的训练过程。
步骤201,服务器获取携带标签的样本对象的对象数据,对象数据包括对象属性数据及对象行为数据,标签用于表征,在未对样本对象执行目标操作的情况下,样本对象执行贷款操作的概率。
在一些实施例中,用作样本对象的对象数据包括对象属性数据以及对象的行为数据,以及标签信息。以对象数据为银行存储的客户数据为例,对象属性信息可以包括客户的身份信息、交易信息、资产数据、授信数据等,对象行为信息可以包括客户对应的金融交易行为、网络行为数据、购买记录、浏览记录和通讯信息等。
在一些实施例中,在应用样本对象中的对象数据对机器学习模型(贷款率预测模型)进行训练之前,可以将样本中的数据进行处理,可以包括数据清洗、数据抽样、缺失值填充等。数据清洗可以理解为剔除一些异常信息等,例如:异常信息可以包括:身份信息不合法的用户的信息、缺失比例超过预设比例阈值的数据等。数据抽样可以理解为将连续的数据转换为离散的数据的过程。
步骤202,通过贷款率预测模型的特征提取层,对样本对象的对象数据进行特征提取,得到样本对象的对象特征数据。
在一些实施例中,参见图6,图6是本申请实施例提供的贷款率预测模型的训练方法的另一示意图。图6中,构建的贷款率预测模型包括用于特征提取层(编号1),以及预测层(编号2)。样本对象输入至贷款率预测模型,经过贷款率预测模型的特征提取层以及预测层的处理,输出包括对象标识(编号3)和标签(即编号4贷款率)预测结果,并基于预测结果与标签的差异反向更新贷款率预测模型。
在一些实施例中,对贷款率预测模型进行初始化,包括模型参数、损失函数等。贷款率预测模型可以是线性或非线性回归模型,比如LR模型、GBDT、DNN模型等,贷款率预测模型可以采用上述任何一种机器学习模型,也可以采用上述多种机器学习模型的组合方式。具体依据实际样本对象数量和对象数据的属性数据以及行为数据而定。
步骤203,通过贷款率预测模型的预测层,基于对象特征数据对样本对象进行贷款率预测,得到预测结果。
在一些实施例中,贷款率预测模型的特征提取层对对象数据进行特征提取,得到对象特征数据,然后通过贷款率预测模型的预测层进行贷款率预测,得到表征在未对待推荐对象执行目标操作的情况下,待推荐对象执行贷款操作的概率的预测结果。
步骤204,基于样本对象的预测结果与标签之间的差异,更新贷款率预测模型的模型参数。
在实际实施时,根据样本对象的预测结果与样本对象对应的标签之间的差异,更新贷款率预测模型的模型参数。
重复执行步骤201至204,直至贷款率预测模型达到收敛条件,得到训练完成的贷款率预测模型。其中,收敛条件可以是模型损失函数收敛或者是模型参数收敛或者是达到最大迭代次数或者是达到最大训练时间。
在步骤103中,通过贷款率预测模型的预测层,基于对象特征数据对待推荐对象进行贷款率预测,得到预测结果,预测结果用于表征,在未对待推荐对象执行目标操作的情况下,待推荐对象执行贷款操作的概率。
在一些实施例中,贷款率预测模型的特征提取层对对象数据进行特征提取,得到对象特征数据,然后通过贷款率预测模型的预测层进行贷款率预测,得到表征在未对所述待推荐对象执行目标操作的情况下,待推荐对象执行贷款操作的概率的预测结果。
在步骤104中,基于预测结果,对待推荐对象进行对应目标操作的目标条件检测,并当检测结果表征待推荐对象符合目标条件时,推荐待推荐对象作为待执行目标操作的目标对象。
在一些实施例中,根据贷款率预测模型,对待推荐对象的对象数据进行贷款率预测,得到相应的预测结果(即在未对待推荐对象执行目标操作的情况下,待推荐对象执行贷款操作的概率)。基于得到的概率值,对待推荐对象进行对应目标操作的目标条件检测,即检测当前的待推荐对象是否满足执行目标操作对应的目标条件。具体的是否满足目标条件的检测方式可以通过以下方式实现:服务器将预测结果与预设的贷款概率阈值进行比较,得到比较结果;当比较结果表征在未对待推荐对象执行目标操作的情况下,待推荐对象执行贷款操作的概率小于等于贷款概率阈值时,得到表征待推荐对象符合目标条件的检测结果。
在实际实施时,针对新增的贷款类型对应的贷款产品进行针对性的营销时,即就是从待推荐对象中选取执行目标营销方式的目标对象,常见的营销方式包括电话销售、短信销售、即时通信客户端销售等。可以是在通过贷款率预测模型得到待推荐对象对应的预测结果(未执行目标操作的情况下,待推荐对象发生贷款行为的概率,可称为自然提款率)后,根据预测结果与预设的贷款率阈值之间的关系,确定待推荐对象是否满足执行目标操作的目标条件。
示例性地,以目标操作为电话销售(下文简称电销)为例,设置预设贷款率为70%,即只要是通过贷款率预测模型得到的相应的预测结果小于70%,就认为待推荐对象在未执行电销的情况下,发生贷款操作的概率较低,但同时也表明若对待推荐对象执行电销后,待推荐对象执行贷款操作的概率存在提高的可能性。因此,可以将预测结果小于等于预设贷款率阈值的待推荐对象,作为符合执行目标操作的目标条件(满足通过进一步的营销方式提高目标对象执行贷款操作的概率的条件,如再次进行电话销售)的对象,将待推荐对象作为待执行目标操作的目标对象。
在一些实施例中,鉴于实际情况,获取的符合目标条件的待推荐对象的数量n(n≥1且n为整数),可能远远超过分配的人力资源能够对待推荐对象执行目标操作的数量阈值m(m≥1且m为整数),因此,为了平衡人力资源情况,需要再次从符合目标条件的待推荐对象的数量中再次筛选第一数量s(s≥1且s为整数)的符合目标跳进的待推荐对象(即第一数量的目标对象),s≤m。其中,针对符合目标条件的待推荐对象的二次筛选,可以通过以下方式实现:服务器获取符合目标条件的待推荐对象的数量;当数量大于数量阈值,或者数量与所述待推荐对象的总数量的比值大于比值阈值时,从符合目标条件的待推荐对象中选取第一数量的待推荐对象。通过二次筛选后,推荐得到的第一数量的符合目标条件的待推荐对象,作为待执行目标操作的目标对象。
示例性地,以目标操作为电销为例,获取符合目标条件的待推荐对象的数量为500,但实际执行电销的客服人员能够处理的数量阈值为300,或者数量与所述待推荐对象的总数量的比值大于比值阈值0.6(计算得到的能够处理的数量阈值为500×0.6=300)时,从数量500中二次筛选得到目标数量(小于等于300)的待推荐对象。将得到的目标数量待推荐对象,作为待执行电销的目标对象。
在一些实施例中,参见图7,图7为本申请实施例提供的基于贷款率的大小确定目标对象的方法示意图。当待推荐对象的数量为多个时,还可以根据贷款率预测模型输出的各待推荐对象对应的预测结果从小到大的顺序,选取一定数量的待推荐对象。根据概率值的大小进行排序,得到待推荐对象,并对待推荐对象执行目标条件检测的过程,可以通过以下方式实现:当待推荐对象的数量为多个时,服务器依据概率值从小到大的顺序,对多个待推荐对象对应的预测结果进行排序,得到排序结果;并从排序结果中第一个预测结果开始,选取第二数量的待推荐对象,并将第二数量的待推荐对象作为符合目标条件的待推荐对象。
承接上例,在实际应用中,上述第二数量的确定方式,可以通过以下方式实现:服务器获取待推荐对象的总数量、以及待执行所述目标操作的对象比例;基于总数量及所述对象比例,确定所述第二数量。
在一些实施例中,根据实际情况预设的推荐方式(营销方式)是电话销售时,会选取与目标对象的对象数据相适配的贷款类型以及该待贷款类型对应的推荐内容。具体实施方式可以为当所述目标操作为对应贷款的电话推荐时,获取与目标对象相适配的贷款类型、以及与贷款类型相对应的推荐内容。
在一些实施例中,基于图3,在步骤104之后,还会执行对本申请实施例提供的基于人工智能的对象推荐方法对贷款率提升的影响报告,参见图8,图8是本申请实施例提供的影响报告生成流程示意图,结合图8示出的步骤对影响报告的生成流程进行说明。
步骤301,服务器从第三数量的对比对象中选取第四数量的对比对象。
在实际实施时,获取第三数量的新增待推荐对象的对象数据作为比对对象,需要说明的是,比对对象一般是新增待推荐对象,未执行过目标操作。例如,待推荐目标对象为对应新的贷款所选定的目标对象,目标操作可以看做是为了使目标对象更加了解新的贷款类型对应的贷款产品的营销方式,通过针对新的贷款产品的营销提高目标对象对贷款进行提款操作,常见的营销方式包括但不限于以下几种:电话营销、即时通信客户端的AI机器人营销、短信营销等,本申请实施例不对营销方式作限制。
同时,在选中相应的营销方式时,会根据分配给新的贷款类型对应的贷款产品的人力资源进行促销。以电话营销方式为例,受制于电话客服人员的数量,会新增的第三数量的比对对象中,选中与人员数量匹配的第四数量的比对对象。例如,针对新增贷款产品A,所分配的客户人员时间周期T内,能够处理的电话营销数量阈值为100,而时间周期T内新增的第三数量的比对对象,第三数量是200,此时,需要从200个比对对象通过随机选取或根据历史对象数据的行为特征进行特征选取的方式获取第四数量的比对对象,第四数量的取值范围小于等于数量阈值100。
步骤302,在对第四数量的对比对象执行所述目标操作后,获取第四数量的对比对象中执行贷款操作的对比对象的数量。
在实际实施时,对步骤502中获取的第四数量的对比对象执行预设的目标操作,也就是预先设定的营销方式,如电话营销、短信营销。也可以为具体的营销方式预设适当的比例,以使多方营销方式组合使用。按照预设比例系数对第四数量的对比对象进行不同的营销,例如,预设执行电话营销的比例为0.3,预设执行短信营销的比例为0.7。对第四数量的对比对象执行目标操作后,获取针对新增的贷款产品执行贷款操作的比对对象的数量。
步骤303,在对第四数量的目标对象执行目标操作后,获取第四数量的目标对象中执行贷款操作的待推荐对象的数量。
通过贷款率预测模型确定的待执行目标操作的目标对象的数量最多不能超过实际设置的资源能够处理的数量阈值。
步骤304,基于获取的执行贷款操作的对比对象的数量、执行贷款操作的待推荐对象的数量,生成并输出对目标对象执行目标操作的影响报告。
根据步骤301至步骤304生成的影响报告,可以反映基于人工智能的对象推荐方法,是否能够有效提高针对贷款类型的贷款率。
在一些实施例中,参见图9,图9是本申请实施例提供的基于人工智能的对象推荐方法的影响报告生成方法示意图。图9中,待推荐对象被通过预设的划分方式,划分得到两组对象组,第一数量的待推荐对象组用于通过贷款率预测模型,以及预设的符合执行目标操作的目标条件,得到第二数量的符合目标条件的待推荐对象,并基于执行目标操作的数量阈值,最终得到第四数量的目标对象。第三数量的比对对象用于通过预设筛选模式(随机选取)的方式,筛选得到第四数量的比对对象。并对得到的第四数量的目标对象以及第四数量的比对对象执行目标操作,得到对应两组的贷款率,通过比较两组贷款率得到比较结果,并基于比较结果生成影响报告。
在一些实施例中,对两组第四数量的对象执行目标操作后,仍然会存在执行目标操作后,并未发生贷款操作的对象,此时,可以继续对仍未发生贷款操作的目标对象再次执行目标操作(可以理解为周期性对目标对象执行目标操作),直至对象满足停止执行目标操作的条件。其中,停止执行目标操作的条件可以是得到目标对象在目标时间段内执行贷款操作的操作结果;还可以针对目标对象执行目标操作的次数阈值。
在实际实施时,周期性的对执行过目标操作仍未发生贷款操作的目标对象多次执行目标操作,直至针对目标对象执行目标操作的次数达到执行次数阈值。此时,不管目标对象有没有发生贷款操作都直接结束针对当前目标对象的目标操作,即若目标对象仍未执行目标操作,则不在继续向当前目标对象推荐目标内容(即将目标对象从待推荐对象的范围内剔除)。或者是得到目标对象执行了贷款操作的操作结果,最终结束针对该目标对象的目标操作。
示例性地,设置目标操作为电话销售(电销),对目标客户A执行电销后,目标客户A仍未进行贷款操作(也可理解为提款),根据预设的目标操作执行规则(电销规则),如同一个目标客户最多只能进行5次电销,因此,可以每隔一个时间周期(如一周、一个月等)向目标客户A执行电销操作,当针对目标客户A的电销次数已经达到5次后,不管目标客户A是否发生提款行为,都直接放弃,即目标客户A不再作为目标客户。当针对目标客户A的电销次数未达到5次时,目标客户A就发生了提款行为,此时针对目标客户A的电销操作直接结束。
需要说明的是,执行目标操作的次数阈值可以是根据目标对象的级别不同设置不同的次数阈值,也可以是所有对象均使用相同的次数阈值。具体的执行目标操作的次数阈值根据实际情况设定,本申请实施例不做限制。
在实际应用中,具体可以通过以下方式实现结束针对待推荐目标对象执行目标操作:服务器对目标对象执行目标操作,并在执行目标操作后,获取用于表征所述目标对象在目标时段内是否执行贷款操作的操作结果;当操作结果表征目标对象在目标时段内未执行贷款操作时,周期性地对目标对象执行所述目标操作,直至执行目标操作的次数达到目标次数,或者获取到表征所述目标对象执行贷款操作的操作结果。
本申请实施例中服务器获取待推荐对象的对象数据,然后通过训练完成的贷款率预测模型对待推荐对象进行贷款率预测,得到预测结果,预测结果用于表征,在未对待推荐对象执行目标操作的情况下,待推荐对象执行贷款操作的概率;并基于预测结果,对待推荐对象进行对应目标操作的目标条件检测,并当检测结果表征待推荐对象符合目标条件时,推荐待推荐对象作为待执行目标操作的目标对象,如此能够实现针对推荐内容的精准推荐。最后,对待执行目标操作的目标对象执行目标操作,能够充分利用投入到执行目标操作的人力资源,使得单位目标操作人力投入产生的贷款的对象数量最大。
下面,将说明本申请实施例在一个实际的应用场景中的示例性应用。
在企业获得银行贷款授信后,由于各种原因,可能不会进行提款,原因比如利率过高、额度过低、暂无用款需求等。此时,使用电销与企业联系,给特定的优惠策略,可以有效促进企业提款,从而增加银行的贷款余额,最终增加银行的利息收入。
然而,电销需要人力投入,是一种成本,而且其人力资源总是有限的。当需要拨打的企业的名单随时间增长的速率,大于电销可消耗的名单速率时,就需要通过某种方式挑选部分名单进行拨打,而不是全部拨打,使单位电销人力投入产生的提款的户数或金额最大。如何挑选部分名单,就成了一个十分有价值的问题。
相关技术中,通常采用机器学习的方法,使用客户的特征,训练提款率预测模型,预测每个客户如果被电销的提款率,挑选提款率和最大的部分客户进行电销。这种方法,依赖足够多的历史电销样本,需要知道历史电销样本在电销后是否进行提款,发生提款的label为1,否则为0,样本数量通常在万级别或以上,才能训练有效的模型。
当一个新的贷款产品刚推出的时候,并没有历史电销样本,这时这种方法就无法使用。针对上述情况,本申请实施例提供一种基于人工智能的对象推荐方法,该方法是适用于电销促提款冷启动阶段使用的客户挑选方法。通过这种方法可以最大化总体(包括电销和非电销)的提款率,从而在缺少历史电销样本的情况下,带来提款收益。
参见图10,图10是本申请实施例提供的基于人工智能的对象推荐方法的示意图,结合图10示出的步骤进行说明。
步骤401,服务器使用历史已授信的客户作为训练样本,构建训练数据集。
在实际实施时,使用客户的属性、行为,当前时间等作为特征数据。使用是否自然提款作为标签,如果已提款,取值1,否则,取值0。需要说明的是,自然提款的定义是:没有电销的情况下,客户也发生了提款行为。
例如,针对新推出的贷款产品,贷款的已授信客户,已经积累了足够数量,但是都没有被电销过,因此缺乏电销是否提款的标签信息。
步骤402,采用构建的训练数据集,训练得到自然提款率预测模型。
在实际实施时,参见图11,图11是本申请实施例提供的自然提款率预测模型训练过程示意图。
使用步骤401中构建的训练数据集,训练自然提款率预测模型,其中,自然提款率预测模型可以是一个线性或非线性模型的分类模型。如LR、GBDT、DNN等,具体依据实际数据集样本数量和特征情况而定。
步骤403,获取新增的已授信客户,并对新增的已授信客户进行划分,得到第一子集作为控制组,以及第二子集作为比较组。
在实际实施时,参见图12,图12是本申请实施例提供基于自然提款率预测模型确定目标客户的方法示意图。图中对新增的已授信客户进行划分,得到控制组,其中,划分新增的已授信客户的方式可以是随机划分,也可以是按照预设比例系数划分,本申请实施例对具体的划分方式不做限制。
以随机划分方式为例,对新增的已授信客户,随机划分为2个数据集合,分别为控制组和比较组,每个集合的样本各占50%,特征和训练集合一致。
步骤404,通过训练完成的自然提款率预测模型,对控制组中的客户数据进行预测,得到控制组中各客户数据对应的预测结果。
在实际应用中,参见图12,将控制组中的各客户数据输入至自然提款率预测模型,得到预测结果。其中,控制组中各客户数据对应的预测结果包含客户标识信息(客户ID)和自然提款率两个字段。
步骤405,基于各预测结果,按自然提款率的大小从低到高排序,得到自然提款率排最低的目标数量的待推荐客户作为目标客户。
在实际应用中,根据实际投入的人力资源,设定电销人力能够消耗的客户数量阈值(或称客户名单量),并从待推荐客户中按照自然提款率从小到大的顺序,选取小于等于数量阈值的客户作为待执行目标操作(电销操作)客户(或称目标客户)。
例如,参照图12,预设的数量阈值为K(K≥1且K为整数),则按照自然提款率从小到大的顺序,从数量T的待推荐客户中选取小于等于K的客户执行电销操作,其中,T≥1且T为整数,并且K≤T。
至此,本申请实施例通过上述步骤401至405的操作,能够从新增的已授信客户中筛选出符合执行电销操作的客户,以便于电销人力对自然提款操作较低的客户,执行电销操作,进而增加客户的在电销后的提款意愿,进一步提高新增贷款产品的提款率,增加银行贷款收入。
但在实际应用中,通常还需要对上述客户推荐方法进行验证,验证的该方法对提高针对贷款产品的客户实际产生提款操作的影响报告,并输出相应的评价结果。
在实际实施时,承接步骤405继续执行针对本申请实施例提供的客户推荐方法的验证过程,参见图13,图13是本申请实施例提供的验证过程示意图,结合图13示出的步骤进行说明。
步骤501,服务器从比较组中获取与控制组相同数量的已授信客户。
这里,通过图12中步骤403可以从新增的已授信客户中划分得到比较组。
在实际实施时,参见图14,图14是本申请实施例提供的贷款率比较结果示意图,图中从比较组中筛选已授信客户的方式可以是随机选取,即采用随机选取的方式从比较组中选取和控制组相同数量的已授信客户。
步骤502,对从控制组中得到的客户进行电销操作得到相应的提款率作为第一提款率,对从比较组中得到的客户执行电销操作得到相应的提款率作为第二提款率。
需要说明的是,提款率=组中发生提款户数/组中全部户数。则第一提款率=控制组中发生提款客户数/控制组中全部客户户数;第二提款率=比较组中发生提款客户数/比较组中全部客户户数。
例如,分别从控制组中挑选P(P≥1且P为整数)个客户,然后分别对这2*P个客户执行促提款电销,需要说明的是,针对控制组和比较组的两组电销情况无差别,如,对客户执行电销操作时,客户属于哪个组是未知的。
步骤503,对第一提款率和第二提款率进行比较,得到比较结果。
在实际实施时,具体的提款率比较过程为:执行步骤502后,得到对应控制组的第一提款率,以及对应比较组的第二提款率。若控制组提款率大于比较组,则说明本申请实施例提供的方法能够提升总体提款率,总体提款率=(电销提款客户数+非电销提款客户数)/组中总客户数。
依据上述图12中步骤405、图13中步骤501,由于图12中步骤405中挑选的客户的自然提款率较低,未被挑选的客户的自然提款率高,相比图13中步骤501,在电销有效的前提下,控制组的总体提款率将高于比较组。
本申请实施例通过在无电销提款标签的数据集上训练自然提款率预测模型,并与电销流程相结合的方法,能够有效提升电销和非电销操作下,新增的已授信客户针对新的贷款产品的整体提款率,提升电销冷启动阶段的总体提款率,从而进一步增加贷款余额,提升银行利息收入。
下面继续说明本申请实施例提供的基于人工智能的对象推荐装置555的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540的基于人工智能的对象推荐装置555中的软件模块可以包括:
获取模块5551,用于获取待推荐对象的对象数据,所述对象数据包括对象属性数据及对象行为数据;
特征提取模块5552,用于通过贷款率预测模型的特征提取层,对所述待推荐对象的对象数据进行特征提取,得到所述待推荐对象的对象特征数据;
预测模块5553,用于通过所述贷款率预测模型的预测层,基于所述对象特征数据对所述待推荐对象进行贷款率预测,得到预测结果,所述预测结果用于表征,在未对所述待推荐对象执行目标操作的情况下,所述待推荐对象执行贷款操作的概率;
推荐模块5554,用于基于所述预测结果,对所述待推荐对象进行对应所述目标操作的目标条件检测,并当检测结果表征所述待推荐对象符合目标条件时,推荐所述待推荐对象作为待执行所述目标操作的目标对象。
在一些实施例中,所述推荐模块,还用于将所述预测结果与预设的贷款概率阈值进行比较,得到比较结果;当比较结果表征在未对所述待推荐对象执行目标操作的情况下,所述待推荐对象执行贷款操作的概率小于等于所述贷款概率阈值时,得到表征所述待推荐对象符合目标条件的检测结果。
在一些实施例中,所述推荐模块,还用于获取符合目标条件的待推荐对象的数量;当所述数量大于数量阈值,或者所述数量与所述待推荐对象的总数量的比值大于比值阈值时,从所述符合目标条件的待推荐对象中选取第一数量的待推荐对象;所述推荐所述待推荐对象作为待执行所述目标操作的目标对象,包括:推荐所述第一数量的符合目标条件的待推荐对象,作为待执行所述目标操作的目标对象。
在一些实施例中,所述推荐模块,还用于当所述待推荐对象的数量为多个时,依据概率值从小到大的顺序,对多个所述待推荐对象对应的预测结果进行排序,得到排序结果;从所述排序结果中第一个预测结果开始,选取第二数量的待推荐对象,并将所述第二数量的待推荐对象作为符合目标条件的待推荐对象。
在一些实施例中,所述推荐模块,还用于获取所述待推荐对象的总数量、以及待执行所述目标操作的对象比例;基于所述总数量及所述对象比例,确定所述第二数量。
在一些实施例中,所述推荐模块,还用于当所述目标操作为对应贷款的电话推荐时,获取与所述目标对象相适配的贷款类型、以及与所述贷款类型相对应的推荐内容;采用电话推荐的方式,将所述推荐内容推荐至所述目标对象对应的终端。
在一些实施例中,所述基于人工智能的对象推荐装置还包括输出模块,所述待推荐对象的总数量为第三数量,所述目标对象的数量为第四数量,所述输出模块,用于从第三数量的对比对象中选取第四数量的对比对象;在对所述第四数量的对比对象执行所述目标操作后,获取所述第四数量的对比对象中执行贷款操作的对比对象的数量;在对所述第四数量的目标对象执行所述目标操作后,获取所述第四数量的目标对象中执行贷款操作的待推荐对象的数量;基于获取的执行贷款操作的对比对象的数量、执行贷款操作的待推荐对象的数量,生成并输出对所述目标对象执行所述目标操作的影响报告。
在一些实施例中,所述获取模块,还用于,对所述目标对象执行所述目标操作,并在执行所述目标操作后,获取用于表征所述目标对象在目标时段内是否执行贷款操作的操作结果;当所述操作结果表征所述目标对象在目标时段内未执行贷款操作时,周期性地对所述目标对象执行所述目标操作,直至执行所述目标操作的次数达到目标次数,或者获取到表征所述目标对象执行贷款操作的操作结果。
在一些实施例中,所述获取模块,还用于获取携带标签的样本对象的对象数据,所述对象数据包括对象属性数据及对象行为数据,所述标签用于表征,在未对所述样本对象执行目标操作的情况下,所述样本对象执行贷款操作的概率;通过贷款率预测模型的特征提取层,对所述样本对象的对象数据进行特征提取,得到所述样本对象的对象特征数据;通过所述贷款率预测模型的预测层,基于所述对象特征数据对所述样本对象进行贷款率预测,得到预测结果;基于所述样本对象的预测结果与所述标签之间的差异,更新所述贷款率预测模型的模型参数。
需要说明的是,本申请实施例装置的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果,因此不做赘述。
本申请实施例提供了一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现本申请实施例提供的基于人工智能的对象推荐方法。
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方法,例如,如图3示出的基于人工智能的对象推荐方法。
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,通过本申请实施例能够实现目标对象的精准推荐,进而实现针对新增贷款产品的精准营销,并能有效降低营销人力成本,提升贷款收入。
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 (13)
1.一种基于人工智能的对象推荐方法,其特征在于,所述方法包括:
获取待推荐对象的对象数据,所述对象数据包括对象属性数据及对象行为数据;
通过贷款率预测模型的特征提取层,对所述待推荐对象的对象数据进行特征提取,得到所述待推荐对象的对象特征数据;
通过所述贷款率预测模型的预测层,基于所述对象特征数据对所述待推荐对象进行贷款率预测,得到预测结果,所述预测结果用于表征,在未对所述待推荐对象执行目标操作的情况下,所述待推荐对象执行贷款操作的概率;
基于所述预测结果,对所述待推荐对象进行对应所述目标操作的目标条件检测,并当检测结果表征所述待推荐对象符合目标条件时,推荐所述待推荐对象作为待执行所述目标操作的目标对象。
2.根据权利要求1所述的方法,其特征在于,所述基于所述预测结果,对所述待推荐对象进行对应所述目标操作的目标条件检测,包括:
将所述预测结果与预设的贷款概率阈值进行比较,得到比较结果;
当比较结果表征在未对所述待推荐对象执行目标操作的情况下,所述待推荐对象执行贷款操作的概率小于等于所述贷款概率阈值时,得到表征所述待推荐对象符合目标条件的检测结果。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取符合目标条件的待推荐对象的数量;
当所述数量大于数量阈值,或者所述数量与所述待推荐对象的总数量的比值大于比值阈值时,从所述符合目标条件的待推荐对象中选取第一数量的待推荐对象;
所述推荐所述待推荐对象作为待执行所述目标操作的目标对象,包括:
推荐所述第一数量的符合目标条件的待推荐对象,作为待执行所述目标操作的目标对象。
4.根据权利要求1所述的方法,其特征在于,所述基于所述预测结果,对所述待推荐对象进行对应所述目标操作的目标条件检测,包括:
当所述待推荐对象的数量为多个时,依据概率值从小到大的顺序,对多个所述待推荐对象对应的预测结果进行排序,得到排序结果;
从所述排序结果中第一个预测结果开始,选取第二数量的待推荐对象,并将所述第二数量的待推荐对象作为符合目标条件的待推荐对象。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
获取所述待推荐对象的总数量、以及待执行所述目标操作的对象比例;
基于所述总数量及所述对象比例,确定所述第二数量。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述目标操作为对应贷款的电话推荐时,获取与所述目标对象相适配的贷款类型、以及与所述贷款类型相对应的推荐内容;
采用电话推荐的方式,将所述推荐内容推荐至所述目标对象对应的终端。
7.根据权利要求1所述的方法,其特征在于,所述待推荐对象的总数量为第三数量,所述目标对象的数量为第四数量,所述方法还包括:
从第三数量的对比对象中选取第四数量的对比对象;
在对所述第四数量的对比对象执行所述目标操作后,获取所述第四数量的对比对象中执行贷款操作的对比对象的数量;
在对所述第四数量的目标对象执行所述目标操作后,获取所述第四数量的目标对象中执行贷款操作的待推荐对象的数量;
基于获取的执行贷款操作的对比对象的数量、执行贷款操作的待推荐对象的数量,生成并输出对所述目标对象执行所述目标操作的影响报告。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述目标对象执行所述目标操作,并在执行所述目标操作后,获取用于表征所述目标对象在目标时段内是否执行贷款操作的操作结果;
当所述操作结果表征所述目标对象在目标时段内未执行贷款操作时,周期性地对所述目标对象执行所述目标操作,直至执行所述目标操作的次数达到目标次数,或者获取到表征所述目标对象执行贷款操作的操作结果。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取携带标签的样本对象的对象数据,所述对象数据包括对象属性数据及对象行为数据,所述标签用于表征,在未对所述样本对象执行目标操作的情况下,所述样本对象执行贷款操作的概率;
通过贷款率预测模型的特征提取层,对所述样本对象的对象数据进行特征提取,得到所述样本对象的对象特征数据;
通过所述贷款率预测模型的预测层,基于所述对象特征数据对所述样本对象进行贷款率预测,得到预测结果;
基于所述样本对象的预测结果与所述标签之间的差异,更新所述贷款率预测模型的模型参数。
10.一种基于人工智能的对象推荐装置,其特征在于,包括:
获取模块,用于获取待推荐对象的对象数据,所述对象数据包括对象属性数据及对象行为数据;
特征提取模块,用于通过贷款率预测模型的特征提取层,对所述待推荐对象的对象数据进行特征提取,得到所述待推荐对象的对象特征数据;
预测模块,用于通过所述贷款率预测模型的预测层,基于所述对象特征数据对所述待推荐对象进行贷款率预测,得到预测结果,所述预测结果用于表征,在未对所述待推荐对象执行目标操作的情况下,所述待推荐对象执行贷款操作的概率;
推荐模块,用于基于所述预测结果,对所述待推荐对象进行对应所述目标操作的目标条件检测,并当检测结果表征所述待推荐对象符合目标条件时,推荐所述待推荐对象作为待执行所述目标操作的目标对象。
11.一种电子设备,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9任一项所述的基于人工智能的对象推荐方法。
12.一种计算机可读存储介质,其特征在于,存储有可执行指令,用于被处理器执行时,实现权利要求1至9任一项所述的基于人工智能的对象推荐方法。
13.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至9任一项所述的基于人工智能的对象推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005231.8A CN113704637A (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的对象推荐方法、装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005231.8A CN113704637A (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的对象推荐方法、装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113704637A true CN113704637A (zh) | 2021-11-26 |
Family
ID=78656885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111005231.8A Pending CN113704637A (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的对象推荐方法、装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113704637A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154727A (zh) * | 2021-12-07 | 2022-03-08 | 深圳前海微众银行股份有限公司 | 一种信息处理方法及装置、存储介质 |
CN115115093A (zh) * | 2022-05-19 | 2022-09-27 | 深圳市腾讯网络信息技术有限公司 | 对象数据的处理方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-30 CN CN202111005231.8A patent/CN113704637A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114154727A (zh) * | 2021-12-07 | 2022-03-08 | 深圳前海微众银行股份有限公司 | 一种信息处理方法及装置、存储介质 |
CN115115093A (zh) * | 2022-05-19 | 2022-09-27 | 深圳市腾讯网络信息技术有限公司 | 对象数据的处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10896421B2 (en) | Smart retail analytics and commercial messaging | |
WO2006102381A2 (en) | Constrained tree structure method and system | |
CN110598070B (zh) | 应用类型识别方法及装置、服务器及存储介质 | |
Vajgel et al. | Development of intelligent robotic process automation: A utility case study in Brazil | |
Lokanan | Data mining for statistical analysis of money laundering transactions | |
CN112749749A (zh) | 基于分类决策树模型的分类方法、装置及电子设备 | |
CN113704637A (zh) | 基于人工智能的对象推荐方法、装置、存储介质 | |
Wu et al. | Speaking with actions-learning customer journey behavior | |
CN110543565A (zh) | 基于卷积神经网络模型的审计方法、系统和可读存储介质 | |
CN113762973A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN115630221A (zh) | 终端应用界面展示数据处理方法、装置及计算机设备 | |
CN116468460A (zh) | 基于人工智能的消费金融客户画像识别系统及其方法 | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
Nanayakkara et al. | A survey of finding trends in data mining techniques for social media analysis | |
CN114238764A (zh) | 基于循环神经网络的课程推荐方法、装置及设备 | |
Khaleelullah et al. | A Framework for Design and Development of Message sharing using Open-Source Software | |
CN110619564B (zh) | 一种反欺诈特征生成方法和装置 | |
CN116522131A (zh) | 对象表示方法、装置、电子设备及计算机可读存储介质 | |
Kuo et al. | Integration of artificial immune system and k-means algorithm for customer clustering | |
Sheng et al. | A comparative study of data mining techniques in predicting consumers' credit card risk in banks | |
Analide | Information asset analysis: credit scoring and credit suggestion | |
CN113065892A (zh) | 一种信息推送方法、装置、设备及存储介质 | |
US20200342302A1 (en) | Cognitive forecasting | |
CN114462742A (zh) | 风险提示方法、装置、设备及计算机存储介质 | |
CN113065911A (zh) | 推荐信息生成方法、装置、存储介质及电子设备 |
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 |