CN113763186A - 基于循环神经网络的用户转保预测方法、装置以及设备 - Google Patents
基于循环神经网络的用户转保预测方法、装置以及设备 Download PDFInfo
- Publication number
- CN113763186A CN113763186A CN202111233022.9A CN202111233022A CN113763186A CN 113763186 A CN113763186 A CN 113763186A CN 202111233022 A CN202111233022 A CN 202111233022A CN 113763186 A CN113763186 A CN 113763186A
- Authority
- CN
- China
- Prior art keywords
- time slicing
- factor
- data
- neural network
- training
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 95
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 81
- 238000012546 transfer Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 104
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 46
- 230000009471 action Effects 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 17
- 238000013473 artificial intelligence Methods 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 3
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Technology Law (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,公开了一种基于循环神经网络的用户转保预测方法,包括:获取用户行为数据,将用户行为数据划分为训练数据和预测数据,将训练数据和预测数据分别转换为训练时间切片因子和预测时间切片因子,然后使用训练时间切片因子对预设的循环神经网络进行训练得到目标循环神经网络,将预测时间切片因子输入至目标循环神经网络进行分析得到预测结果。可见,本发明能够实现利用计算机技术对用户的行为数据进行分析,以进行对用户转保的有效预测。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于循环神经网络的用户转保预测方法、装置、计算机设备以及存储介质。
背景技术
保险转保是指投保人在现有的保险的期限到期之后,更换所投保的保险公司的过程。随着保险市场越来越趋于饱和,保险公司的竞争也逐渐从对增量客户的竞争转移至对存量客户的竞争,这使得对转保客户的营销逐渐成为保险营销中的重要部分。随着计算机技术的发展,各个保险公司均推出了各种计算机系统(如,主页网站、APP等)供保险客户使用,潜在的转保客户每天都会在这些计算机系统上留下大量的行为数据,如,转保客户a在xx年xx月xx日接收了系统发放的营销卡券。这些行为数据通常蕴含着转保客户当前的状态信息,所以利用这些行为数据可以一定程度上预测出该转保客户最终在保单过期时是否将会转保,然而,具体如何利用计算机技术对这些行为数据进行分析,最终实现对用户转保的有效预测仍是一个有待解决的技术问题。
发明内容
本发明所要解决的技术问题在于,现有技术还缺少一种利用计算机技术对用户的行为数据进行分析,最终实现对用户转保的有效预测的方法。
为了解决上述技术问题,本发明第一方面公开了一种基于循环神经网络的用户转保预测方法,所述方法包括:
获取用户行为数据,其中,所述用户行为数据是指基于预设的计算机系统中的目标系统动作产生的数据,所述目标系统动作是指与所述用户相关的系统动作;
将所述用户行为数据划分为训练数据和预测数据;
按照预设的时间切片因子转换方式将所述训练数据和所述预测数据分别转换为对应的训练时间切片因子和预测时间切片因子;
基于所述训练时间切片因子对预设的循环神经网络进行训练,以得到目标循环神经网络;
将所述预测时间切片因子输入至所述目标循环神经网络进行分析,以得到预测结果,其中,所述预测结果用于表示所述用户是否转保。
本发明第二方面公开了一种基于循环神经网络的用户转保预测装置,所述装置包括:
获取模块,用于获取用户行为数据,其中,所述用户行为数据是指基于预设的计算机系统中的目标系统动作产生的数据,所述目标系统动作是指与所述用户相关的系统动作;
划分模块,用于将所述用户行为数据划分为训练数据和预测数据;
转换模块,用于按照预设的时间切片因子转换方式将所述训练数据和所述预测数据分别转换为对应的训练时间切片因子和预测时间切片因子;
训练模块,用于基于所述训练时间切片因子对预设的循环神经网络进行训练,以得到目标循环神经网络;
分析模块,用于将所述预测时间切片因子输入至所述目标循环神经网络进行分析,以得到预测结果,其中,所述预测结果用于表示所述用户是否转保。
本发明第三方面公开了一种计算机设备,所述计算机设备包括:
存储有可执行程序代码的存储器;
与所述存储器连接的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于循环神经网络的用户转保预测方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于循环神经网络的用户转保预测方法中的部分或全部步骤。
本发明实施例中,获取用户行为数据,将用户行为数据划分为训练数据和预测数据,将训练数据和预测数据分别转换为训练时间切片因子和预测时间切片因子,然后使用训练时间切片因子对预设的循环神经网络进行训练得到目标循环神经网络,将预测时间切片因子输入至目标循环神经网络进行分析得到预测结果,从而能够实现利用计算机技术对用户的行为数据进行分析,以进行对用户转保的有效预测。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于循环神经网络的用户转保预测方法的流程示意图;
图2是本发明实施例公开的一种基于循环神经网络的用户转保预测装置的结构示意图;
图3是本发明实施例公开的一种计算机设备的结构示意图;
图4是本发明实施例公开的一种计算机存储介质的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)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、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明公开了一种基于循环神经网络的用户转保预测方法、装置、计算机设备以及存储介质,获取用户行为数据,将用户行为数据划分为训练数据和预测数据,将训练数据和预测数据分别转换为训练时间切片因子和预测时间切片因子,然后使用训练时间切片因子对预设的循环神经网络进行训练得到目标循环神经网络,将预测时间切片因子输入至目标循环神经网络进行分析得到预测结果,从而能够实现利用计算机技术对用户的行为数据进行分析,以进行对用户转保的有效预测。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于循环神经网络的用户转保预测方法的流程示意图。如图1所示,该基于循环神经网络的用户转保预测方法可以包括以下操作:
101、获取用户行为数据,其中,所述用户行为数据是指基于预设的计算机系统中的目标系统动作产生的数据,所述目标系统动作是指与所述用户相关的系统动作。
在上述步骤101中,在转保营销的过程中,以转保营销的用户名单下发为起点,以用户名单中的用户的保单过期为终点,这段时间内,保险系统将会不断地向用户作出转保营销的动作(即目标系统动作),如,AI电话触达、营销卡券发放、APP促活信息发送、人工坐席电话触达、车险报价、出单成交等。用户行为数据即可以记录有这些目标系统动作的相关信息,如,某一条用户行为数据记录有2021年8月20日AI电话触达用户,且用户接听该电话。
102、将所述用户行为数据划分为训练数据和预测数据。
在上述步骤102中,可以按照用户行为数据的发生日期,将用户行为数据划分为训练数据和预测数据,如转保营销的持续时间为两个月,即可以将前一个月产生的用户行为数据划分为训练数据,将后一个月产生的用户行为数据划分为预测数据。
103、按照预设的时间切片因子转换方式将所述训练数据和所述预测数据分别转换为对应的训练时间切片因子和预测时间切片因子。
在上述步骤103中,时间切片因子可以表示为向量Xt,Xt为一组变量在对应的时间切片上的状态值(X1,X2,X3…,Xτ)。可以取预设的时长间隔作为一个时间切片,如,以15天作为一个时间切片。例如,Xt中的X1表示一个时间切片内AI电话触达的次数,X2表示一个时间切片内用户接听AI电话的次数,然后,在用户行为数据中,一条用户行为数据记录有2021年7月20日AI电话触达用户,且用户接听该电话,另一条用户行为数据记录有2021年7月30日AI电话触达用户,用户未接听该电话,时间切片为7月1日至8月1日,则Xt中的X1和X2分别为2和1。也即,可以按照时间切片因子中的数值的含义,将用户行为数据转换为时间切片因子。
104、基于所述训练时间切片因子对预设的循环神经网络进行训练,以得到目标循环神经网络。
在上述步骤104中,循环神经网络(RNN)可以理解为一个能够拟合任意函数的黑盒子,只要有充足的训练数据进行训练,即可以实现在给定的输入Xt时,输出期望的y。这里,y的值可以取值为0和1,分别用于表示用户将会转保和用户不会转保。具体地,可以对训练时间切片因子进行人工标注以形成训练数据集,然后使用训练数据集对循环神经网络进行训练,训练完成的循环神经网络(即目标循环神经网络)即可以实现从Xt到y的映射。
105、将所述预测时间切片因子输入至所述目标循环神经网络进行分析,以得到预测结果,其中,所述预测结果用于表示所述用户是否转保。
在上述步骤105中,由于目标循环神经网络能够实现从Xt到y的映射,所以将预测时间切片因子输入至目标循环神经网络进行分析之后,即可以预测出用户是否将会转保。这样,即能够实现利用计算机技术对这些行为数据进行分析,最终实现对用户转保的有效预测。
可见,实施图1所描述的基于循环神经网络的用户转保预测方法,获取用户行为数据,将用户行为数据划分为训练数据和预测数据,将训练数据和预测数据分别转换为训练时间切片因子和预测时间切片因子,然后使用训练时间切片因子对预设的循环神经网络进行训练得到目标循环神经网络,将预测时间切片因子输入至目标循环神经网络进行分析得到预测结果,从而能够实现利用计算机技术对用户的行为数据进行分析,以进行对用户转保的有效预测。
在一个可选的实施例中,所述按照预设的时间切片因子转换规则将所述训练数据和所述预测数据分别转换为对应的训练时间切片因子和预测时间切片因子之后,所述基于所述训练时间切片因子对预设的循环神经网络进行训练,以得到目标循环神经网络之前,所述方法还包括:
将所述训练时间切片因子与预设的时间切片因子模板进行比对,以确定出缺失时间切片因子;
按照预设的数值确定方式确定出所述缺失时间切片因子中的数值;将所述缺失时间切片因子添加至所述训练时间切片因子,并触发执行所述基于所述训练时间切片因子对预设的循环神经网络进行训练,以得到目标循环神经网络的步骤。
在该可选的实施例中,由于系统中的用户行为数据通常杂乱繁多,所以通常并不能保证转化得到的训练时间切片因子中的因子都是完整、统一格式的。但是,使用完整、统一格式的训练时间切片因子进行模型的训练更有利于循环神经网络拟合从Xt到y的映射。因此,可以将训练时间切片因子与预设的时间切片因子模板进行比对,以确定出缺少的时间切片因子(即缺失时间切片因子),然后对缺失时间切片因子进行插值,最后将缺失时间切片因子添加至训练时间切片因子中,从而能够将训练时间切片因子补充完整,更有利于循环神经网络准确地拟合从Xt到y的映射。
可见,实施该可选的实施例,将训练时间切片因子与预设的时间切片因子模板进行比对,以确定出缺少的时间切片因子,然后对缺失时间切片因子进行插值,最后将缺失时间切片因子添加至训练时间切片因子中,从而能够将训练时间切片因子补充完整,有利于提高预测结果的准确度。
在一个可选的实施例中,所述按照预设的数值确定方式确定出所述缺失时间切片因子中的数值,包括:
确定所述缺失时间切片因子对应的数据类型,其中,所述缺失时间切片因子对应的数据类型为离散数据或者连续数据;
当所述缺失时间切片因子对应的数据类型为离散数据时,按照预设的离散数值确定方式确定出所述缺失时间切片因子中的数值;
当所述缺失时间切片因子对应的数据类型为连续数据时,按照预设的连续数值确定方式确定出所述缺失时间切片因子中的数值。
在该可选的实施例中,缺失时间切片因子中的数据类型可以分为离散数据和连续数据,在进行数据插值时,对不同数据类型的因子使用不同的数据插入方式,从而使插入的数据更加符合相应的数据类型的特点,使得插入的数据更加合理,更有利于循环神经网络准确地拟合从Xt到y的映射,使最终得到的预测结果更加准确。
可见,实施该可选的实施例,在进行数据插值时,对不同数据类型的因子使用不同的数据插入方式,从而能够使插入的数据更加符合相应的数据类型的特点,使得插入的数据更加合理,更有利于提高最终得到的预测结果的准确度。
在一个可选的实施例中,所述按照预设的离散数值确定方式确定出所述缺失时间切片因子中的数值,包括:
获取所述缺失时间切片因子在所有的所述训练时间切片因子和所述预测时间切片因子中对应的数值;
计算所述缺失时间切片因子对应的每种数值的出现次数;
将出现次数最大的数值确定为所述缺失时间切片因子中的数值。
在该可选的实施例中,当缺失时间切片因子中的数据为离散数据时,即可以获取所有的时间切片因子(即训练时间切片因子和预测时间切片因子)中,该缺失时间切片因子对应的各种数值,然后取出现次数最多的数值插入至缺失时间切片因子中,以完成对缺失时间切片因子的插值。如,缺失时间切片因子用于表示时间切片内用户是否接听AI电话,其数值为离散值0或者1,其中,0表示时间切片内用户未接听AI电话,1表示时间切片内用户接听AI电话,在所有的时间切片因子中,离散数值0的出现次数为10次,离散数值1的出现次数为100次,所以可以将离散数值1插入至缺失时间切片因子中。
可见,实施该可选的实施例,当缺失时间切片因子中的数据为离散数据时,获取所有的时间切片因子中缺失时间切片因子对应的各种数值,然后取出现次数最多的数值插入至缺失时间切片因子中,从而能够使插入的数据更加合理,有利于提高预测结果的准确度。
在一个可选的实施例中,所述按照预设的连续数值确定方式确定出所述缺失时间切片因子中的数值,包括:
获取所述缺失时间切片因子在所有的所述训练时间切片因子和所述预测时间切片因子中对应的数值;
计算所有的所述缺失时间切片因子对应的数值的平均值;
将所述平均值确定为所述缺失时间切片因子中的数值。
在该可选的实施例中,当缺失时间切片因子中的数据为连续数据时,即可以获取所有的时间切片因子(即训练时间切片因子和预测时间切片因子)中,该缺失时间切片因子对应的各个数值,然后计算这些数值的平均值,将平均值插入至缺失时间切片因子中,以完成对缺失时间切片因子的插值。如,缺失时间切片因子用于表示时间切片内用户接听AI电话的时长,在所有的时间切片因子中,缺失时间切片因子中的连续数值依次为5、10、15、30,所以计算出平均值为15,可以将连续数值15插入至缺失时间切片因子中。
可见,实施该可选的实施例,当缺失时间切片因子中的数据为连续数据时,即可以获取所有的时间切片因子中缺失时间切片因子对应的各个数值,然后计算这些数值的平均值,将平均值插入至缺失时间切片因子中,从而能够使插入的数据更加合理,有利于提高预测结果的准确度。
在一个可选的实施例中,所述确定所述缺失时间切片因子对应的数据类型,包括:
查询所述时间切片因子模板,以获得所述缺失时间切片因子对应的数据类型,或者,
获取所述缺失时间切片因子在所有的所述训练时间切片因子和所述预测时间切片因子中对应的数值;
计算所有的所述缺失时间切片因子对应的数值中不同的数值的个数;
判断所述个数是否大于等于预设的个数阈值;
当判断出所述个数大于等于所述个数阈值时,确定所述缺失时间切片因子对应的数据类型为连续数据;
当判断出所述个数未大于等于所述个数阈值时,确定所述缺失时间切片因子对应的数据类型为离散数据。
在该可选的实施例中,时间切片因子模板中可以预先存储有每个时间切片因子对应的数据类型,这样,通过查询时间切片因子模板,即能够获得缺失时间切片因子对应的数据类型。也可以根据缺失时间切片因子在所有的时间切片因子中对应的数值的分布情况,来确定出缺失时间切片因子对应的数据类型是连续数据还是离散数据。连续数据的数值通常并不固定,所以不同的数值的个数通常较多,若缺失时间切片因子对应的数值中不同的数值的个数大于预设的个数阈值(如,10个),则可以确定时间切片因子对应的数据类型是连续数据。离散数据的数值通常相对固定,即均是这几个离散值,所以不同的数值的个数通常较少,若缺失时间切片因子对应的数值中不同的数值的个数未大于预设的个数阈值(如,10个),则可以确定时间切片因子对应的数据类型是离散数据。
可见,实施该可选的实施例,通过查询时间切片因子模板或者通过根据缺失时间切片因子在所有的时间切片因子中对应的数值的分布情况,来确定出缺失时间切片因子对应的数据类型,从而能够准确地确定出缺失时间切片因子对应的数据类型。
在一个可选的实施例中,所述预测结果还包括用于表示所述预测结果的准确程度的准确度值;
以及,所述将所述预测时间切片因子输入至所述目标循环神经网络进行分析,以得到预测结果之后,所述方法还包括:
当所述预测结果用于表示所述用户转保时,根据所述准确度值查询预设的营销方案列表,以获得所述用户对应的营销方案文本,其中,所述营销方案列表中预先设置有多个营销方案文本,且每个所述营销方案文本均预设有对应的准确度值区间;
将所述营销方案文本推送至营销人员对应的终端。
在该可选的实施例中,循环神经网络只是用于根据用户行为数据预测出用户是否转保,其得到的预测结果并不能够完全保证准确,所以可以使循环神经网络的输出还包括用于表示预测结果的准确程度的准确度值。在预测出用户将会转保时,还综合考虑预测结果的准确度,对于不同的准确度使用不同的营销方案,向营销人员推送不同的营销方案文本,从而使得预测结果能够更好地辅助营销人员进行转保营销。
可选地,还可以:将所述基于循环神经网络的用户转保预测方法的基于循环神经网络的用户转保预测信息上传至区块链中。
具体来说,基于循环神经网络的用户转保预测信息是通过运行所述基于循环神经网络的用户转保预测方法后得到的,用于记录基于循环神经网络的用户转保预测情况,例如,获取到的用户行为数据、划分的训练数据和预测数据、转换得到的训练时间切片因子和预测时间切片因子等等。将基于循环神经网络的用户转保预测信息上传至区块链可保证其安全性和对用户的公正透明性。用户可以从区块链中下载得到该基于循环神经网络的用户转保预测信息,以便查证所述基于循环神经网络的用户转保预测方法的基于循环神经网络的用户转保预测信息是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于循环神经网络的用户转保预测装置的结构示意图。如图2所示,该基于循环神经网络的用户转保预测装置可以包括:
获取模块201,用于获取用户行为数据,其中,所述用户行为数据是指基于预设的计算机系统中的目标系统动作产生的数据,所述目标系统动作是指与所述用户相关的系统动作;
划分模块202,用于将所述用户行为数据划分为训练数据和预测数据;
转换模块203,用于按照预设的时间切片因子转换方式将所述训练数据和所述预测数据分别转换为对应的训练时间切片因子和预测时间切片因子;
训练模块204,用于基于所述训练时间切片因子对预设的循环神经网络进行训练,以得到目标循环神经网络;
分析模块205,用于将所述预测时间切片因子输入至所述目标循环神经网络进行分析,以得到预测结果,其中,所述预测结果用于表示所述用户是否转保。
在一个可选的实施例中,所述转换模块203按照预设的时间切片因子转换规则将所述训练数据和所述预测数据分别转换为对应的训练时间切片因子和预测时间切片因子之后,所述训练模块204基于所述训练时间切片因子对预设的循环神经网络进行训练,以得到目标循环神经网络之前,所述装置还包括:
比对模块,用于将所述训练时间切片因子与预设的时间切片因子模板进行比对,以确定出缺失时间切片因子;
插值模块,用于按照预设的数值确定方式确定出所述缺失时间切片因子中的数值;;
添加模块,用于将所述缺失时间切片因子添加至所述训练时间切片因子,并触发执行所述基于所述训练时间切片因子对预设的循环神经网络进行训练,以得到目标循环神经网络的步骤。
在一个可选的实施例中,所述插值模块按照预设的数值确定方式确定出所述缺失时间切片因子中的数值的具体方式为:
确定所述缺失时间切片因子对应的数据类型,其中,所述缺失时间切片因子对应的数据类型为离散数据或者连续数据;
当所述缺失时间切片因子对应的数据类型为离散数据时,按照预设的离散数值确定方式确定出所述缺失时间切片因子中的数值;
当所述缺失时间切片因子对应的数据类型为连续数据时,按照预设的连续数值确定方式确定出所述缺失时间切片因子中的数值。
在一个可选的实施例中,所述插值模块按照预设的离散数值确定方式确定出所述缺失时间切片因子中的数值的具体方式为:
获取所述缺失时间切片因子在所有的所述训练时间切片因子和所述预测时间切片因子中对应的数值;
计算所述缺失时间切片因子对应的每种数值的出现次数;
将出现次数最大的数值确定为所述缺失时间切片因子中的数值。
在一个可选的实施例中,所述插值模块按照预设的连续数值确定方式确定出所述缺失时间切片因子中的数值的具体方式为:
获取所述缺失时间切片因子在所有的所述训练时间切片因子和所述预测时间切片因子中对应的数值;
计算所有的所述缺失时间切片因子对应的数值的平均值;
将所述平均值确定为所述缺失时间切片因子中的数值。
在一个可选的实施例中,所述插值模块确定所述缺失时间切片因子对应的数据类型的具体方式为:
查询所述时间切片因子模板,以获得所述缺失时间切片因子对应的数据类型,或者,
获取所述缺失时间切片因子在所有的所述训练时间切片因子和所述预测时间切片因子中对应的数值;
计算所有的所述缺失时间切片因子对应的数值中不同的数值的个数;
判断所述个数是否大于等于预设的个数阈值;
当判断出所述个数大于等于所述个数阈值时,确定所述缺失时间切片因子对应的数据类型为连续数据;
当判断出所述个数未大于等于所述个数阈值时,确定所述缺失时间切片因子对应的数据类型为离散数据。
在一个可选的实施例中,所述预测结果还包括用于表示所述预测结果的准确程度的准确度值;
以及,所述分析模块205将所述预测时间切片因子输入至所述目标循环神经网络进行分析,以得到预测结果之后,所述装置还包括:
查询模块,用于当所述预测结果用于表示所述用户转保时,根据所述准确度值查询预设的营销方案列表,以获得所述用户对应的营销方案文本,其中,所述营销方案列表中预先设置有多个营销方案文本,且每个所述营销方案文本均预设有对应的准确度值区间;
推送模块,用于将所述营销方案文本推送至营销人员对应的终端。
对于上述基于循环神经网络的用户转保预测装置的具体描述可以参照上述基于循环神经网络的用户转保预测方法的具体描述,为避免重复,在此不再一一赘述。
实施例三
请参阅图3,图3是本发明实施例公开的一种计算机设备的结构示意图。如图3所示,该计算机设备可以包括:
存储有可执行程序代码的存储器301;
与存储器301连接的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的基于循环神经网络的用户转保预测方法中的步骤。
实施例四
请参阅图4,本发明实施例公开了一种计算机存储介质401,计算机存储介质401存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的基于循环神经网络的用户转保预测方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。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实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于循环神经网络的用户转保预测方法、装置、计算机设备以及存储介质所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于循环神经网络的用户转保预测方法,其特征在于,所述方法包括:
获取用户行为数据,其中,所述用户行为数据是指基于预设的计算机系统中的目标系统动作产生的数据,所述目标系统动作是指与所述用户相关的系统动作;
将所述用户行为数据划分为训练数据和预测数据;
按照预设的时间切片因子转换方式将所述训练数据和所述预测数据分别转换为对应的训练时间切片因子和预测时间切片因子;
基于所述训练时间切片因子对预设的循环神经网络进行训练,以得到目标循环神经网络;
将所述预测时间切片因子输入至所述目标循环神经网络进行分析,以得到预测结果,其中,所述预测结果用于表示所述用户是否转保。
2.根据权利要求1所述的基于循环神经网络的用户转保预测方法,其特征在于,所述按照预设的时间切片因子转换规则将所述训练数据和所述预测数据分别转换为对应的训练时间切片因子和预测时间切片因子之后,所述基于所述训练时间切片因子对预设的循环神经网络进行训练,以得到目标循环神经网络之前,所述方法还包括:
将所述训练时间切片因子与预设的时间切片因子模板进行比对,以确定出缺失时间切片因子;
按照预设的数值确定方式确定出所述缺失时间切片因子中的数值;将所述缺失时间切片因子添加至所述训练时间切片因子,并触发执行所述基于所述训练时间切片因子对预设的循环神经网络进行训练,以得到目标循环神经网络的步骤。
3.根据权利要求2所述的基于循环神经网络的用户转保预测方法,其特征在于,所述按照预设的数值确定方式确定出所述缺失时间切片因子中的数值,包括:
确定所述缺失时间切片因子对应的数据类型,其中,所述缺失时间切片因子对应的数据类型为离散数据或者连续数据;
当所述缺失时间切片因子对应的数据类型为离散数据时,按照预设的离散数值确定方式确定出所述缺失时间切片因子中的数值;
当所述缺失时间切片因子对应的数据类型为连续数据时,按照预设的连续数值确定方式确定出所述缺失时间切片因子中的数值。
4.根据权利要求3所述的基于循环神经网络的用户转保预测方法,其特征在于,所述按照预设的离散数值确定方式确定出所述缺失时间切片因子中的数值,包括:
获取所述缺失时间切片因子在所有的所述训练时间切片因子和所述预测时间切片因子中对应的数值;
计算所述缺失时间切片因子对应的每种数值的出现次数;
将出现次数最大的数值确定为所述缺失时间切片因子中的数值。
5.根据权利要求3所述的基于循环神经网络的用户转保预测方法,其特征在于,所述按照预设的连续数值确定方式确定出所述缺失时间切片因子中的数值,包括:
获取所述缺失时间切片因子在所有的所述训练时间切片因子和所述预测时间切片因子中对应的数值;
计算所有的所述缺失时间切片因子对应的数值的平均值;
将所述平均值确定为所述缺失时间切片因子中的数值。
6.根据权利要求3-5任一项所述的基于循环神经网络的用户转保预测方法,其特征在于,所述确定所述缺失时间切片因子对应的数据类型,包括:
查询所述时间切片因子模板,以获得所述缺失时间切片因子对应的数据类型,或者,
获取所述缺失时间切片因子在所有的所述训练时间切片因子和所述预测时间切片因子中对应的数值;
计算所有的所述缺失时间切片因子对应的数值中不同的数值的个数;
判断所述个数是否大于等于预设的个数阈值;
当判断出所述个数大于等于所述个数阈值时,确定所述缺失时间切片因子对应的数据类型为连续数据;
当判断出所述个数未大于等于所述个数阈值时,确定所述缺失时间切片因子对应的数据类型为离散数据。
7.根据权利要求1-5任一项所述的基于循环神经网络的用户转保预测方法,其特征在于,所述预测结果还包括用于表示所述预测结果的准确程度的准确度值;
以及,所述将所述预测时间切片因子输入至所述目标循环神经网络进行分析,以得到预测结果之后,所述方法还包括:
当所述预测结果用于表示所述用户转保时,根据所述准确度值查询预设的营销方案列表,以获得所述用户对应的营销方案文本,其中,所述营销方案列表中预先设置有多个营销方案文本,且每个所述营销方案文本均预设有对应的准确度值区间;
将所述营销方案文本推送至营销人员对应的终端。
8.一种基于循环神经网络的用户转保预测装置,其特征在于,所述装置包括:
获取模块,用于获取用户行为数据,其中,所述用户行为数据是指基于预设的计算机系统中的目标系统动作产生的数据,所述目标系统动作是指与所述用户相关的系统动作;
划分模块,用于将所述用户行为数据划分为训练数据和预测数据;
转换模块,用于按照预设的时间切片因子转换方式将所述训练数据和所述预测数据分别转换为对应的训练时间切片因子和预测时间切片因子;
训练模块,用于基于所述训练时间切片因子对预设的循环神经网络进行训练,以得到目标循环神经网络;
分析模块,用于将所述预测时间切片因子输入至所述目标循环神经网络进行分析,以得到预测结果,其中,所述预测结果用于表示所述用户是否转保。
9.一种计算机设备,其特征在于,所述计算机设备包括:
存储有可执行程序代码的存储器;
与所述存储器连接的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的基于循环神经网络的用户转保预测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的基于循环神经网络的用户转保预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111233022.9A CN113763186B (zh) | 2021-10-22 | 2021-10-22 | 基于循环神经网络的用户转保预测方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111233022.9A CN113763186B (zh) | 2021-10-22 | 2021-10-22 | 基于循环神经网络的用户转保预测方法、装置以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113763186A true CN113763186A (zh) | 2021-12-07 |
CN113763186B CN113763186B (zh) | 2024-03-15 |
Family
ID=78784293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111233022.9A Active CN113763186B (zh) | 2021-10-22 | 2021-10-22 | 基于循环神经网络的用户转保预测方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763186B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615096A (zh) * | 2018-05-10 | 2018-10-02 | 平安科技(深圳)有限公司 | 服务器、金融时序数据的处理方法及存储介质 |
CN109447716A (zh) * | 2018-11-09 | 2019-03-08 | 四川长虹电器股份有限公司 | 基于循环神经网络的销量预测方法及服务器 |
CN111652279A (zh) * | 2020-04-30 | 2020-09-11 | 中国平安财产保险股份有限公司 | 基于时序数据的行为评价方法、装置及可读存储介质 |
-
2021
- 2021-10-22 CN CN202111233022.9A patent/CN113763186B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615096A (zh) * | 2018-05-10 | 2018-10-02 | 平安科技(深圳)有限公司 | 服务器、金融时序数据的处理方法及存储介质 |
CN109447716A (zh) * | 2018-11-09 | 2019-03-08 | 四川长虹电器股份有限公司 | 基于循环神经网络的销量预测方法及服务器 |
CN111652279A (zh) * | 2020-04-30 | 2020-09-11 | 中国平安财产保险股份有限公司 | 基于时序数据的行为评价方法、装置及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113763186B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210182680A1 (en) | Processing sequential interaction data | |
CN110598070A (zh) | 应用类型识别方法及装置、服务器及存储介质 | |
CN112925911B (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN112906361A (zh) | 文本数据的标注方法和装置、电子设备和存储介质 | |
CN112150214A (zh) | 一种数据预测方法、装置以及计算机可读存储介质 | |
CN113705792A (zh) | 基于深度学习模型的个性化推荐方法、装置、设备及介质 | |
CN113887214B (zh) | 基于人工智能的意愿推测方法、及其相关设备 | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
CN107644042B (zh) | 软件程序点击率预估排序方法及服务器 | |
CN111489207A (zh) | 基于区块链系统的评价信息写入方法、装置及硬件设备 | |
CN113763186A (zh) | 基于循环神经网络的用户转保预测方法、装置以及设备 | |
CN110766465A (zh) | 金融产品评估方法及其验证方法、装置 | |
CN115687790A (zh) | 基于大数据的广告推送方法、系统及云平台 | |
CN113592549B (zh) | 一种转化率预测方法、装置和电子设备 | |
US20220253690A1 (en) | Machine-learning systems for simulating collaborative behavior by interacting users within a group | |
CN115146169A (zh) | 转化率模型的训练方法、装置、电子设备及存储介质 | |
CN112182320B (zh) | 聚类数据处理方法、装置、计算机设备及存储介质 | |
CN111882339A (zh) | 预测模型训练及响应率预测方法、装置、设备及存储介质 | |
WO2023195238A1 (ja) | 情報処理装置、情報処理システム及び情報処理方法 | |
CN111562963A (zh) | 一种个性化展示的方法及装置 | |
CN117575601A (zh) | 交易行为的识别方法、装置、电子设备及存储介质 | |
CN115115056A (zh) | 用于数据处理的方法、装置和介质 | |
CN117421191A (zh) | 一种智能问答压测方法、装置、设备及介质 | |
CN118820799A (zh) | 基于因果大模型生成产品讲解文本的方法、装置及电子设备 | |
CN117574899A (zh) | 命名实体识别方法、装置、设备及存储介质 |
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 |