CN113850686A - 投保概率确定方法、装置、存储介质及电子设备 - Google Patents
投保概率确定方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113850686A CN113850686A CN202111171624.6A CN202111171624A CN113850686A CN 113850686 A CN113850686 A CN 113850686A CN 202111171624 A CN202111171624 A CN 202111171624A CN 113850686 A CN113850686 A CN 113850686A
- Authority
- CN
- China
- Prior art keywords
- vector
- service
- target
- user
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 212
- 230000006399 behavior Effects 0.000 claims abstract description 92
- 238000012545 processing Methods 0.000 claims abstract description 81
- 230000000737 periodic effect Effects 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005065 mining Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06Q40/08—Insurance
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Technology Law (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本公开是关于一种投保概率确定方法、装置、存储介质及电子设备,涉及计算机技术领域,该方法包括:先获取用户已访问业务的业务类型与处理时间,再根据业务类型以及处理时间,生成目标业务向量和对应的时间向量,并按照时间向量对目标业务向量进行周期识别,提取目标特征向量,最后,根据预训练的行为预测模型对目标特征向量进行行为预测,以确定用户进行投保的概率预测值。这样,通过挖掘用户历史操作中的周期行为,可以去除无关信息以避免影响预测结果,使得根据周期行为得到的特征向量更符合用户行为逻辑,从而可以提高预测用户行为的准确率。
Description
技术领域
本公开实施例涉及计算机技术领域,具体而言,涉及一种投保概率确定方法、装置、存储介质及电子设备。
背景技术
随着网络技术的快速发展和信息的互联互通,人们生活的方方面面都离不开网络。而为了给用户提供更优质有效的服务,平台往往会对用户提供针对性的服务,比如,可以根据用户的历史行为来预测用户下一步的行为,以便根据下一步行为提供对应的服务。
在相关技术中,通常是根据用户在不同时间段内的操作内容确定用户的行为变化趋势,再基于行为变化趋势来预测用户的下一步行为。但是,在部分时间段内,用户的行为往往是偶发性的,在根据该行为生成对应的行为变化趋势时,容易存在偏差,从而使得最后的预测结果并不准确,因此,现在急需一种可以提高投保概率预测准确率的方法。
需要说明的是,在上述背景技术部分发明的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种投保概率确定方法、装置、存储介质及电子设备,进而至少在一定程度上克服上述相关问题。
根据本公开的一个方面,提供一种投保概率确定方法,包括:
获取用户已访问业务的业务信息与处理时间;
根据所述业务信息以及所述处理时间,生成目标业务向量和对应的时间向量;
按照所述时间向量对所述目标业务向量进行周期识别,提取目标特征向量;
根据预训练的行为预测模型对所述目标特征向量进行行为预测,以确定用户进行投保的概率预测值。
可选的,所述根据所述业务信息以及所述处理时间,生成目标业务向量和对应的时间向量,包括:
根据预设的业务编码对应关系,将所述业务信息转换为对应的编码,生成所述目标业务向量;
根据所述处理时间的先后顺序生成所述时间向量。
可选的,所述方法还包括:
当所述用户已访问的所述业务信息个数小于N时,将所述目标业务向量和所述时间向量进行低维度转换,得到转换后的目标业务向量和时间向量,并替换所述目标业务向量和所述时间向量,其中,所述N为正整数。
可选的,所述按照所述时间向量对所述目标业务向量进行周期识别,提取目标特征向量,包括:
利用预设的行为序列识别算法,识别在所述时间向量上的所述目标业务向量中出现的周期编码队;
将所述周期编码队转换得到所述目标特征向量。
可选的,所述方法还包括:
获取不同用户的处理业务向量,以及是否投保的执行结果;
将所述处理业务向量与所述执行结果作为一个训练样本对;
利用所述训练样本对对初始行为预测模型进行训练,以获取所述预训练的行为预测模型。
可选的,所述利用所述训练样本对对初始行为预测模型进行训练,包括:
从所述处理业务向量中提取样本特征向量;
将所述样本特征向量与对应的所述执行结果,作为所述训练样本对;
利用多个所述训练样本对,依次对所述初始行为预测模型进行训练。
可选的,所述初始投保概率预测模型为DNN模型。
根据本公开的一个方面,提供一种投保概率确定装置,包括:
第一获取模块,用于获取用户已访问业务的业务信息与处理时间;
生成模块,用于根据所述业务信息以及所述处理时间,生成目标业务向量和对应的时间向量;
提取模块,用于按照所述时间向量对所述目标业务向量进行周期识别,提取目标特征向量;
预测模块,用于根据预训练的行为预测模型对所述目标特征向量进行行为预测,以确定用户进行投保的概率预测值。
根据本公开的一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的投保概率确定方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的投保概率确定方法。
综上所述,本公开实施例提供的投保概率确定方法,可以先获取用户已访问业务的业务信息与处理时间,再根据业务信息以及处理时间,生成目标业务向量和对应的时间向量,并按照时间向量对目标业务向量进行周期识别,提取目标特征向量,最后,根据预训练的行为预测模型对目标特征向量进行行为预测,以确定用户进行投保的概率预测值。这样,通过挖掘用户历史操作中的周期行为,可以去除无关信息以避免影响预测结果,使得根据周期行为得到的特征向量更符合用户行为逻辑,从而可以提高预测用户行为的准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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是本公开实施例提供的一种投保概率确定方法的步骤流程图。
图2是本公开实施例提供的另一种投保概率确定方法的步骤流程图。
图3是本公开实施例提供的又一种投保概率确定方法的步骤流程图。
图4是本发明实施例还提供了一种投保概率确定装置的结构框图。
图5示意性示出根据本公开示例实施例的一种用于实现上述投保概率确定方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。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。
图1是本公开实施例提供的一种投保概率确定方法的步骤流程图,如图1所示,该方法可以包括:
步骤101、获取用户已访问业务的业务信息与处理时间。
本公开实施例中,业务信息可以包括访问业务的业务类型和该业务的处理结果等等,该业务类型可以是储蓄业务、咨询业务、投资业务等。获取用户已访问业务的业务信息可以是采集用户在线下办理过的业务信息,也可以是提取用户在线上办理过的业务信息。示例的,提取用户在线上办理过的业务信息可以是基于接收到的用户发送的访问请求,根据该访问请求对应的请求结果,确定用户已访问业务信息。处理时间可以是用户办理该业务的时间。进一步地,获取用户已访问业务的相关信息,可以是获取预设时间段内用户历史访问业务的业务信息,该预设时间段可以是根据实际情况预先设定的,比如,可以设定为当前时刻之前的三个月的时间段,也可以设定为当前时刻之前的一年的时间段,对此本公开不做限制。
步骤102、根据所述业务信息以及所述处理时间,生成目标业务向量和对应的时间向量。
本公开实施例中,根据业务信息生成目标业务向量,可以是基于业务信息中包含的处理业务类型、处理结果等,确定对应的编码,再根据编码生成对应的目标业务向量。根据处理时间生成对应的时间向量,可以是基于处理时间的先后顺序,以及每个处理时间对应的业务信息,确定对应的编码,生成对应的时间向量。
需要说明的是,用户已访问的业务数量可能存在多个,在生成目标业务向量和对应的时间向量时,可以是按照业务信息的处理顺序,以X个为一组,生成目标业务向量以及对应的时间向量,其中,X可以取为5。
步骤103、按照所述时间向量对所述目标业务向量进行周期识别,提取目标特征向量。
本公开实施例中,由于用户的自身需求在办理业务时可能存在周期性,比如,用户A可以每三个月先后来办理业务1、业务2、业务3,因此,相较于仅根据用户处理业务的时间就直接生成特征向量,本公开通过对目标业务向量的周期性识别,可以确定每个用户周期处理的业务,以便于提取用户历史处理业务的特征向量,提高了获取用户处理业务特征向量的准确性,相应地,也在一定程度上提高了根据特征向量预测用户操作的准确性。
本公开实施例中,周期识别可以是对该用户访问过的所有目标业务向量以及对应的时间向量,确定先后执行的各个业务,将用户在一段时间内重复执行一个或几个业务的情况,作为用户的周期性业务,其中,重复执行业务之间间隔的时间段可以是周期时间,重复执行的一个或多个业务可以是周期业务。提取目标特征向量,可以是将一个周期内重复出现的多个业务,作为该用户的目标特征向量。
步骤104、根据预训练的行为预测模型对所述目标特征向量进行行为预测,以确定用户进行投保的概率预测值。
本公开实施例中,预训练的行为预测模型可以是根据用户处理业务的样本数据以及该用户是否投保的执行结果,对初始行为预测模型进行迭代训练得到的。通过不断的迭代训练,使得行为预测模型可以学习到正确预测用户投保概率的能力。因此,本公开实施例中,可以利用训练得到的行为预测模型对目标特征向量进行行为预测,确定用户进行投保的概率预测值。
具体的,初始行为预测模型可以是深度学习(Deep Learning,DL)中的深度神经网络(Deep Neural Networks,DNN),具体的,DNN模型中可以包含三个多层感知器(Muti-Layer Perception,MLP)子模块和归一化(Dropout)子模块,最后一层可以使用激活函数(sigmoid)进行激活,输出一个概率预测值,以用来表示用户投保的预测概率。
本公开实施例的一个实现场景可以是用户购买保险意愿的预测,通过采集用户在平台上咨询保险相关业务和咨询时间,以及用户之前在平台上购买保险的业务类型和购买时间,作为该用户的处理业务类型以及处理时间,并生成目标业务向量和对应的时间向量,再按照时间向量对目标业务向量进行周期识别,提取目标特征向量,最后,根据预训练的行为预测模型对目标特征向量进行行为预测,以确定用户购买保险的概率预测值。
综上所述,本公开实施例提供的投保概率确定方法,可以先获取用户已访问业务的业务信息与处理时间,再根据业务信息以及处理时间,生成目标业务向量和对应的时间向量,并按照时间向量对目标业务向量进行周期识别,提取目标特征向量,最后,根据预训练的行为预测模型对目标特征向量进行行为预测,以确定用户进行投保的概率预测值。这样,通过挖掘用户历史操作中的周期行为,可以去除无关信息以避免影响预测结果,使得根据周期行为得到的特征向量更符合用户行为逻辑,从而可以提高预测用户行为的准确率。
可选的,本公开实施例中上述根据所述业务信息以及所述处理时间,生成目标业务向量和对应的时间向量的操作,如图2所示,可以具体包括:
步骤1021、根据预设的业务编码对应关系,将所述业务信息转换为对应的编码,生成所述目标业务向量。
本公开实施例中,预设的业务编码对应关系可以是独热编码(One-Hot),也可以是根据实际情况预先设置的编码,对此本公开不做限制。将业务信息转换为对应的编码,生成目标业务向量,可以是预先为不同业务类型、处理结果等设置一一对应的编码,然后,查询业务信息对应的编码,将编码组合生成目标业务向量。
示例的,某一个用户的行为序列数据可以为:322:Customer_A=>Event_A,168:Customer_B=>Event_B,154:Customer_C=>Event_B,154:Customer_D=>Event_B,124:Customer_E=>Event_C,通过查询行为序列词典可以获取每个行为的编码,从而得到行为对应的序列,可以假设Customer_A=>Event_A、Customer_B=>Event_B、Customer_C=>Event_B、Customer_D=>Event_B、Customer_E=>Event_C,在行为序列词典中的编码分别为1、2、3、4、5,则可以得到上述用户的行为序列数据为1、2、3、4、5,且目标业务向量可以为:[1,2,3,4,5]。
步骤1022、根据所述处理时间的先后顺序生成所述时间向量。
本公开实施例中,可以是根据每个处理时间对应的处理业务,确定对应的编号生成时间向量。例如,用户在一段时间内的处理业务有:322:Customer_A=>Event_A,168:Customer_B=>Event_B,154:Customer_C=>Event_B,154:Customer_D=>Event_B,124:Customer_E=>Event_C,其中,322、168、154、124为处理业务对应的编号,则可以得到时间向量为[322,168,154,154,124]。
可选的,本公开实施例具体执行下述步骤:
当所述用户已访问的所述业务信息个数小于N时,将所述目标业务向量和所述时间向量进行低维度转换,得到转换后的目标业务向量和时间向量,并替换所述目标业务向量和所述时间向量。
本公开实施例中,当获取到用户已访问的业务数量较少时,使得根据业务编码对应关系生成的向量往往是高纬度稀疏向量,从而导致后续基于业务向量进行计算处理时,运算量较大,花费时间较长,因此,可以先检测用户已访问的业务信息个数是否小于N,其中,N可以是正整数,比如,N可以为10。在用户已访问的业务信息个数小于N时,将目标业务向量和时间向量进行低维度转换,可以是利用降维转换(Embedding)将高纬稀疏的目标业务向量和时间向量转换为低维稠密的向量,并且,使用转换后的目标业务向量和时间向量替换原来的目标业务向量和时间向量。
可选的,本公开实施例上述按照所述时间向量对所述目标业务向量进行周期识别,提取目标特征向量的操作,如图3所示,可以具体包括:
步骤1031、利用预设的行为序列识别算法,识别在所述时间向量上的所述目标业务向量中出现的周期编码队。
本公开实施例中,预设的行为序列识别算法可以是用于识别输入数据是否存在周期性特征的,例如,行为序列识别算法可以是利用序列生成模型(Wavenet)中的膨胀卷积机制,也可以是循环神经网络(Recurrent Neural Networks,RNNs)等人工神经网络(Artificial Neural Networks,ANNs)模型,对此本公开不做限制。具体的,可以是将目标业务向量按照时间向量所指示的先后顺序依次输入到行为序列识别模型中,比如,可以是输入到Wavenet模型中,通过Wavenet模型中的膨胀卷积机制识别目标业务向量中重复出现的多个编码,将重复出现的多个编码作为周期编码队,可以将周期编码队分别对应的业务作为周期性业务。
步骤1032、将所述周期编码队转换得到所述目标特征向量。
示例的,目标业务向量可以为:F=[1,2,3,1,2,3,1,2,3],将目标业务向量输入到预设的行为序列识别算法中,可以识别到目标业务向量F中存在的周期编码队,该周期编码队可以为1、2、3,将该周期编码队转换为向量,可以得到目标特征向量为:f1=[1,2,3]。
可选的,本公开实施例还可以具体执行下述步骤:
步骤S10、获取不同用户的处理业务向量,以及是否投保的执行结果。
本公开实施例中,处理业务向量可以是根据每一用户根据处理时间顺序得到的历史处理业务转化为对应的编码得到的,不同用户的历史处理业务可以得到多个处理业务向量,其中,该处理业务向量可以是统计用户在确定是否投保之前的一段时间内处理过的业务。是否投保的执行结果可以包括用户办理保险业务以及用户拒绝保险业务。获取不同用户的处理业务向量以及是否投保的执行结果,可以是从服务器上存储的历史数据中提取得到的,也可以是用户上传的已处理业务中获取到的。
步骤S20、将所述处理业务向量与所述执行结果作为一个训练样本对。
示例的,用户B根据处理时间顺序得到的处理业务向量可以为[x1,x2,x3],是否投保的执行结果为:y=1,用户C根据处理时间顺序得到的处理业务向量可以为[x4,x5,x6],是否投保的执行结果为:y=0,其中,执行结果中可以用1表示投保,0表示未投保,因此,可以将{x1,x2,x3,y=1}作为一个训练样本对,将{x4,x5,x6,y=0}作为一个训练样本对。
步骤S30、利用所述训练样本对对初始行为预测模型进行训练,以获取所述预训练的行为预测模型。
本公开实施例中,初始行为预测模型可以是深度神经网络(Deep NeuralNetworks,DNN)模型,也可以是其他神经网络模型,对此本公开不做限制。具体的,初始行为预测模型的训练过程可以包括:可以是依次将每个训练样本对输入到初始行为预测模型中,初始行为预测模型对训练样本对进行预测处理,基于该初始行为预测模型预测出的执行结果与训练样本对中的执行结果之间的偏差程度,确定该模型预测的正确率,在预测正确率未达到预设正确率的情况下,对该初始行为预测模型中的参数进行调整,然后基于调整后的初始行为预测模型继续进行迭代训练。通过不断的迭代训练,当初始行为预测模型的识别正确率达到预设正确率,比如97%时,确定模型训练完成,将达到预设正确率的初始行为预测模型作为预训练的行为预测模型。这样,通过不断的迭代训练,使得行为预测模型可以学习到根据业务向量正确预测是否投保的能力。
可选的,本公开实施例中上述利用所述训练样本对对初始行为预测模型进行训练的操作,可以具体包括:
步骤S301、从所述处理业务向量中提取样本特征向量。
本公开实施例中,可以是利用预设的行为序列识别算法从处理业务向量中识别周期性业务,将识别到的周期性业务对应的编码组合,作为该处理业务向量对应的样本特征向量。
步骤S302、将所述样本特征向量与对应的所述执行结果,作为所述训练样本对。
示例的,处理业务向量可以为:x1=[2,3,4,2,3,4],可以得到该处理业务向量x1对应的样本特征向量为[2,3,4],而对应的执行结果可以为:y=1,即,用户办理投保,因此,可以将样本特征向量[2,3,4]以及执行结果y=1作为训练样本对。
步骤S303、利用多个所述训练样本对,依次对所述初始行为预测模型进行训练。
本公开实施例中,可以对单一一个训练样本对进行训练,也可以对属于同一个执行结果的训练样本对进行训练,比如,可以是将执行结果为用户投保的训练样本对进行训练,这样,可以确保模型可以准确学习对每个训练样本对的预测能力,还可以基于同一执行结果扩展样本对,扩充模型的训练样本。
以上介绍了本发明实施例提供的投保概率确定方法,下面将结合附图介绍本发明实施例提供的装置。
图4是本发明实施例还提供了一种投保概率确定装置的结构框图,如图4所示,该装置40可以包括:
第一获取模块401,用于获取用户已访问业务的业务信息与处理时间;
生成模块402,用于根据所述业务信息以及所述处理时间,生成目标业务向量和对应的时间向量;
提取模块403,用于按照所述时间向量对所述目标业务向量进行周期识别,提取目标特征向量;
预测模块404,用于根据预训练的行为预测模型对所述目标特征向量进行行为预测,以确定用户进行投保的概率预测值。
综上所述,本公开实施例提供的投保概率确定装置,可以先获取用户已访问业务的业务信息与处理时间,再根据业务信息以及处理时间,生成目标业务向量和对应的时间向量,并按照时间向量对目标业务向量进行周期识别,提取目标特征向量,最后,根据预训练的行为预测模型对目标特征向量进行行为预测,以确定用户进行投保的概率预测值。这样,通过挖掘用户历史操作中的周期行为,可以去除无关信息以避免影响预测结果,使得根据周期行为得到的特征向量更符合用户行为逻辑,从而可以提高预测用户行为的准确率。
可选的,所述生成模块402,具体用于:
根据预设的业务编码对应关系,将所述业务信息转换为对应的编码,生成所述目标业务向量;
根据所述处理时间的先后顺序生成所述时间向量。
可选的,所述装置还包括:
替换模块,用于当所述用户已访问的所述业务信息个数小于N时,将所述目标业务向量和所述时间向量进行低维度转换,得到转换后的目标业务向量和时间向量,并替换所述目标业务向量和所述时间向量,其中,所述N为正整数。
可选的,所述提取模块403,具体用于:
利用预设的行为序列识别算法,识别在所述时间向量上的所述目标业务向量中出现的周期编码队;
将所述周期编码队转换得到所述目标特征向量。
可选的,所述装置还包括:
第二获取模块,用于获取不同用户的处理业务向量,以及是否投保的执行结果;
确定模块,用于将所述处理业务向量与所述执行结果作为一个训练样本对;
训练模块,用于利用所述训练样本对对初始行为预测模型进行训练,以获取所述预训练的行为预测模型。
可选的,所述训练模块,具体用于:
从所述处理业务向量中提取样本特征向量;
将所述样本特征向量与对应的所述执行结果,作为所述训练样本对;
利用多个所述训练样本对,依次对所述初始行为预测模型进行训练。
可选的,所述初始投保概率预测模型为DNN模型。
上述投保概率确定装置中各模块的具体细节已经在对应的投保概率确定方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本公开的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于:上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530以及显示单元540。
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510执行,使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元510可以执行如图1中所示的步骤101:获取用户已访问业务的业务信息与处理时间;步骤102:根据所述业务信息以及所述处理时间,生成目标业务向量和对应的时间向量;步骤103:按照所述时间向量对所述目标业务向量进行周期识别,提取目标特征向量;步骤104:根据预训练的行为预测模型对所述目标特征向量进行行为预测,以确定用户进行投保的概率预测值。
存储单元520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)5201和/或高速缓存存储单元5202,还可以进一步包括只读存储单元(ROM)5203。
存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204,这样的程序模块5205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530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。
电子设备500也可以与一个或多个外部设备600(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电子设备500交互的设备通信,和/或与使得该电子设备500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550进行。并且,电子设备500还可以通过网络适配器560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。如图所示,网络适配器560通过总线530与电子设备500的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备500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,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开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非易失性存储介质(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、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
根据本公开的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质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。可读存储介质的更具体的例子(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。
计算机可读信号介质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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
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公开操作的程序代码,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)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里发明的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种投保概率确定方法,其特征在于,所述方法包括:
获取用户已访问业务的业务信息与处理时间;
根据所述业务信息以及所述处理时间,生成目标业务向量和对应的时间向量;
按照所述时间向量对所述目标业务向量进行周期识别,提取目标特征向量;
根据预训练的行为预测模型对所述目标特征向量进行行为预测,以确定用户进行投保的概率预测值。
2.根据权利要求1所述的方法,其特征在于,所述根据所述业务信息以及所述处理时间,生成目标业务向量和对应的时间向量,包括:
根据预设的业务编码对应关系,将所述业务信息转换为对应的编码,生成所述目标业务向量;
根据所述处理时间的先后顺序生成所述时间向量。
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:
当所述用户已访问的所述业务信息个数小于N时,将所述目标业务向量和所述时间向量进行低维度转换,得到转换后的目标业务向量和时间向量,并替换所述目标业务向量和所述时间向量,其中,所述N为正整数。
4.根据权利要求1所述的方法,其特征在于,所述按照所述时间向量对所述目标业务向量进行周期识别,提取目标特征向量,包括:
利用预设的行为序列识别算法,识别在所述时间向量上的所述目标业务向量中出现的周期编码队;
将所述周期编码队转换得到所述目标特征向量。
5.根据权利要求1至4中任一所述的方法,其特征在于,所述方法还包括:
获取不同用户的处理业务向量,以及是否投保的执行结果;
将所述处理业务向量与所述执行结果作为一个训练样本对;
利用所述训练样本对对初始行为预测模型进行训练,以获取所述预训练的行为预测模型。
6.根据权利要求5所述的方法,其特征在于,所述利用所述训练样本对对初始行为预测模型进行训练,包括:
从所述处理业务向量中提取样本特征向量;
将所述样本特征向量与对应的所述执行结果,作为所述训练样本对;
利用多个所述训练样本对,依次对所述初始行为预测模型进行训练。
7.根据权利要求5所述的方法,其特征在于,所述初始投保概率预测模型为DNN模型。
8.一种投保概率确定装置,其特征在于,所述装置包括:
第一获取模块,用于获取用户已访问业务的业务信息与处理时间;
生成模块,用于根据所述业务信息以及所述处理时间,生成目标业务向量和对应的时间向量;
提取模块,用于按照所述时间向量对所述目标业务向量进行周期识别,提取目标特征向量;
预测模块,用于根据预训练的行为预测模型对所述目标特征向量进行行为预测,以确定用户进行投保的概率预测值。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的投保概率确定方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的投保概率确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111171624.6A CN113850686B (zh) | 2021-10-08 | 2021-10-08 | 投保概率确定方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111171624.6A CN113850686B (zh) | 2021-10-08 | 2021-10-08 | 投保概率确定方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113850686A true CN113850686A (zh) | 2021-12-28 |
CN113850686B CN113850686B (zh) | 2023-11-28 |
Family
ID=78977660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111171624.6A Active CN113850686B (zh) | 2021-10-08 | 2021-10-08 | 投保概率确定方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850686B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115640336A (zh) * | 2022-12-06 | 2023-01-24 | 遵义钟钟网络科技有限公司 | 业务大数据挖掘方法、系统及云平台 |
Citations (9)
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 |
CN109002900A (zh) * | 2018-06-05 | 2018-12-14 | 平安科技(深圳)有限公司 | 预测投保风险概率的方法、装置、计算机设备和存储介质 |
CN110070391A (zh) * | 2019-04-17 | 2019-07-30 | 同盾控股有限公司 | 数据处理方法、装置、计算机可读介质及电子设备 |
CN110910257A (zh) * | 2019-11-15 | 2020-03-24 | 泰康保险集团股份有限公司 | 信息预测方法、装置、电子设备和计算机可读介质 |
CN111369324A (zh) * | 2020-03-12 | 2020-07-03 | 苏州大学 | 一种目标信息确定方法、装置、设备及可读存储介质 |
CN112330442A (zh) * | 2020-11-17 | 2021-02-05 | 深圳市欢太科技有限公司 | 基于超长行为序列的建模方法及装置、终端、存储介质 |
CN112348261A (zh) * | 2020-11-09 | 2021-02-09 | 招商银行股份有限公司 | 一种交易量预测方法、设备、装置及存储介质 |
WO2021139638A1 (zh) * | 2020-01-06 | 2021-07-15 | 阿里巴巴集团控股有限公司 | 行为数据的处理方法和系统、存储介质及处理器 |
CN113129114A (zh) * | 2021-05-13 | 2021-07-16 | 北京大米科技有限公司 | 一种业务推荐的方法、装置、可读存储介质和电子设备 |
-
2021
- 2021-10-08 CN CN202111171624.6A patent/CN113850686B/zh active Active
Patent Citations (9)
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 |
CN109002900A (zh) * | 2018-06-05 | 2018-12-14 | 平安科技(深圳)有限公司 | 预测投保风险概率的方法、装置、计算机设备和存储介质 |
CN110070391A (zh) * | 2019-04-17 | 2019-07-30 | 同盾控股有限公司 | 数据处理方法、装置、计算机可读介质及电子设备 |
CN110910257A (zh) * | 2019-11-15 | 2020-03-24 | 泰康保险集团股份有限公司 | 信息预测方法、装置、电子设备和计算机可读介质 |
WO2021139638A1 (zh) * | 2020-01-06 | 2021-07-15 | 阿里巴巴集团控股有限公司 | 行为数据的处理方法和系统、存储介质及处理器 |
CN111369324A (zh) * | 2020-03-12 | 2020-07-03 | 苏州大学 | 一种目标信息确定方法、装置、设备及可读存储介质 |
CN112348261A (zh) * | 2020-11-09 | 2021-02-09 | 招商银行股份有限公司 | 一种交易量预测方法、设备、装置及存储介质 |
CN112330442A (zh) * | 2020-11-17 | 2021-02-05 | 深圳市欢太科技有限公司 | 基于超长行为序列的建模方法及装置、终端、存储介质 |
CN113129114A (zh) * | 2021-05-13 | 2021-07-16 | 北京大米科技有限公司 | 一种业务推荐的方法、装置、可读存储介质和电子设备 |
Non-Patent Citations (4)
Title |
---|
张晖等: "移动互联环境下基于改进Markov融合模型的用户行为预测算法", 《计算机应用研究》 * |
张晖等: "移动互联环境下基于改进Markov融合模型的用户行为预测算法", 《计算机应用研究》, no. 10, 31 October 2018 (2018-10-31), pages 3029 - 3032 * |
张李义等: "新消费者重复购买意向预测研究", 《数据分析与知识发现》 * |
张李义等: "新消费者重复购买意向预测研究", 《数据分析与知识发现》, no. 11, 25 November 2018 (2018-11-25), pages 10 - 18 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115640336A (zh) * | 2022-12-06 | 2023-01-24 | 遵义钟钟网络科技有限公司 | 业务大数据挖掘方法、系统及云平台 |
CN115640336B (zh) * | 2022-12-06 | 2023-08-22 | 北京辰极智程信息技术股份有限公司 | 业务大数据挖掘方法、系统及云平台 |
Also Published As
Publication number | Publication date |
---|---|
CN113850686B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596616B (zh) | 用户数据真实性分析方法及装置、存储介质、电子设备 | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
CN112270547A (zh) | 基于特征构造的金融风险评估方法、装置和电子设备 | |
CN112348660A (zh) | 生成风险警示信息的方法、装置及电子设备 | |
CN110598620A (zh) | 模型训练方法和装置、目标检测方法和装置 | |
CN111210335A (zh) | 用户风险识别方法、装置及电子设备 | |
CN111181757B (zh) | 信息安全风险预测方法、装置以及计算设备、存储介质 | |
CN113435998B (zh) | 贷款逾期预测方法、装置、电子设备及存储介质 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
CN110956278A (zh) | 重新训练机器学习模型的方法和系统 | |
CN113239702A (zh) | 意图识别方法、装置、电子设备 | |
CN111191893A (zh) | 风控文本处理方法、装置及电子设备 | |
CN110348999B (zh) | 金融风险敏感用户识别方法、装置及电子设备 | |
CN110490304B (zh) | 一种数据处理方法及设备 | |
CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
CN113012774A (zh) | 病案自动编码方法、装置、电子设备及存储介质 | |
CN113850686B (zh) | 投保概率确定方法、装置、存储介质及电子设备 | |
CN110781849A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
CN110782128B (zh) | 一种用户职业标签生成方法、装置和电子设备 | |
CN110348581B (zh) | 用户特征群中用户特征寻优方法、装置、介质及电子设备 | |
CN112508692A (zh) | 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 | |
CN110910905B (zh) | 静音点检测方法及装置、存储介质、电子设备 | |
CN114742645B (zh) | 基于多阶段时序多任务的用户安全等级识别方法及装置 | |
CN116739154A (zh) | 一种故障预测方法及其相关设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |