CN114692970A - 用户意向预测模型训练方法、用户意向预测方法及装置 - Google Patents

Abstract

本公开提供了一种用户意向预测模型训练方法、用户意向预测方法及装置，可以应用于大数据技术领域、人工智能技术领域和金融技术领域。该用户意向预测模型训练方法包括：获取历史用户数据集，其中，历史用户数据集包括用户属性数据、用户操作数据和用户意向数据；通过提取用户操作数据的主成分特征，生成第一特征数据；将用户属性数据按照不同属性类型构建得到属性特征数据；通过计算属性特征数据和用户意向数据的相关度，确定第二特征数据，其中，第二特征数据包括满足预设条件的与相关度对应的属性特征数据；以及利用第一特征数据和第二特征数据组成的训练样本数据集，训练预设模型，得到用于预测用户意向的用户意向预测模型。

Description

用户意向预测模型训练方法、用户意向预测方法及装置

技术领域

本公开涉及大数据技术领域、人工智能技术领域，具体地涉及一种用户意向预测模型训练方法、用户意向预测方法、装置、设备、介质和程序产品。

背景技术

能否准确预测用户意向，以判断用户是否会流失，对于企业具有重要意义。近年来，随着人工神经网络技术的发展，人工神经网络的构建和训练，可以解决较为复杂的逻辑策略的表达问题。

但是，由于影响用户意向的因素数量较多，且影响因素之间的关系较复杂，在训练人工神经网络模型时，需要输入较多的模型参数和模型变量，导致出现了模型训练效率较低以及预测结果不准确的问题。

发明内容

鉴于上述问题，本公开提供了一种用户意向预测模型训练方法、用户意向预测方法、装置、设备、介质和程序产品。

根据本公开的一个方面，提供了一种用户意向预测模型训练方法，包括：

获取历史用户数据集，其中，历史用户数据集包括用户属性数据、用户操作数据和用户意向数据；

通过提取用户操作数据的主成分特征，生成第一特征数据；

将用户属性数据按照不同属性类型构建得到属性特征数据；

通过计算属性特征数据和用户意向数据的相关度，确定第二特征数据，其中，第二特征数据包括满足预设条件的与相关度对应的属性特征数据；以及

利用第一特征数据和第二特征数据组成的训练样本数据集，训练预设模型，得到用于预测用户意向的用户意向预测模型。

根据本公开的实施例，通过计算属性特征数据和用户意向数据的相关度，确定第二特征数据，包括：

分别计算多个属性特征数据与用户意向数据的相关度；

将多个相关度进行排序，得到相关度排序值；

在相关度排序值小于预设阈值的情况下，将相关度排序值对应的属性特征数据，确定为第二特征数据。

根据本公开的实施例，通过提取用户操作数据的主成分特征，生成第一特征数据，包括：

根据多个用户的用户操作数据，构建特征矩阵；

计算特征矩阵的特征向量；

根据特征向量，确定主成分特征向量；

根据主成分特征向量，生成第一特征数据。

根据本公开的实施例，根据多个用户的用户操作数据，构建特征矩阵，包括：

将每一个用户的数据，按行拼接，得到第一向量；

根据多个第一向量，构建特征矩阵。

根据本公开的实施例，根据特征向量，确定主成分特征向量，包括：

通过计算特征向量与特征矩阵中的第一向量的乘积，确定主成分特征向量。

本公开的另一个方面提供了一种用于意向预测方法，包括：

获取待测用户数据，其中，待预测用户数据包括待测用户属性数据、待测用户操作数据；

通过提取待测用户操作数据的主成分特征，生成第一待测特征数据；

从待测用户属性数据中确定目标属性特征数据，并将目标属性特征数据作为第二待测特征数据；以及

将第一待测特征数据和第二待测特征数据拼接后，输入用户意向预测模型，输出用于表征用户意向的预测结果，其中，用户意向预测模型是利用本公开实施例中的用户意向模型训练方法训练得到的。

本公开的另一个方面提供了一种用户意向预测的模型训练装置，包括：第一获取模块、第一生成模块、构建模块、第一确定模块和训练模块。其中，第一获取模块，用于获取历史用户数据集，其中，历史用户数据集包括用户属性数据、用户操作数据和用户意向数据。第一生成模块，用于通过提取数据的主成分特征，生成第一特征数据。构建模块，用于将用户属性数据按照不同属性类型构建得到属性特征数据。第一确定模块，用于通过计算属性特征数据和用户意向数据的相关度，确定第二特征数据，其中，第二特征数据包括满足预设条件的相关度对应的属性特征数据。训练模块，用于利用第一特征数据和第二特征数据组成的训练样本数据集，训练预设模型，得到用于预测用户意向的用户意向预测模型。

根据本公开的实施例，第一确定模块包括第一计算单元、排序单元和第一确定单元。其中，第一计算单元，用于分别计算多个属性特征数据与用户意向数据的相关度。排序单元，用于将多个相关度进行排序，得到相关度排序值。第一确定单元，用于在相关度排序值小于预设阈值的情况下，将相关度排序值对应的属性特征数据，确定为第二特征数据。

根据本公开的实施例，第一生成模块包括构建单元、第二计算单元、第二确定单元和生成单元。其中，构建单元，用于根据多个用户的用户操作数据，构建特征矩阵。第二计算单元，用于计算特征矩阵的特征向量。第二确定单元，用于根据特征向量，确定主成分特征向量。生成单元，用于根据主成分特征向量，生成第一特征数据。

根据本公开的实施例，构建单元包括拼接子单元和构建子单元。其中，拼接子单元，用于将每一个用户的数据，按行拼接，得到第一向量。构建子单元，用于根据多个第一向量，构建特征矩阵。

根据本公开的实施例，第二确定单元包括计算子单元，用于通过计算特征向量与特征矩阵中的第一向量的乘积，确定主成分特征向量。

本公开的另一方面公开了一种用户意向预测装置，包括：第二获取模块、第二生成模块、第二确定模块和预测模块。其中，第二获取模块，用于获取待测用户数据，其中，待预测用户数据包括待测用户属性数据、待测用户操作数据。第二生成模块，用于通过提取待测用户操作数据的主成分特征，生成第一待测特征数据。第二确定模块，用于从待测用户属性数据中确定目标属性特征数据，并将目标属性特征数据作为第二待测特征数据。预测模块，用于将第一待测特征数据和第二待测特征数据拼接后，输入用户意向预测模型，输出用于表征用户意向的预测结果，其中，用户意向预测模型是利用本公开实施例的用户意向模型训练方法训练得到的。

本公开的另一方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得一个或多个处理器执行上述用户意向预测模型训练方法或用户意向预测方法。

本公开的另一方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述用户意向预测模型训练方法或用户意向预测方法。

本公开的另一方面还提供了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上述用户意向预测模型训练方法或用户意向预测方法。

根据本公开的实施例，通过提取历史用户的用户操作数据的主成分特征生成第一特征数据，使得第一特征数据的特征增强；然后将用户属性数据按照不同属性类型构建得到属性特征数据，通过计算属性特征数据和用户意向数据的相关度，根据与用户意向数据的相关度筛选属性特征数据，作为第二特征数据；最后将第一特征数据和第二特征数据组成的训练样本数据集，训练预设模型，得到用于预测用户意向的用户意向预测模型。通过分别对用户属性数据的筛选和用户操作数据的主特征数据的提取，减少了向预设模型中输入过多的冗余数据导致模型训练效率降低的问题。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的用户意向预测模型训练方法或用户意向预测方法的应用场景图；

图2示意性示出了根据本公开实施例的用户意向预测模型训练方法的流程图；

图3示意性示出了根据本公开实施例的筛选属性特征数据的方法流程图；

图4示意性示出了根据本公开实施例的用户意向预测方法的流程图；

图5示意性示出了根据本公开实施例的用户意向预测模型训练装置的结构框图；

图6示意性示出了根据本公开实施例的用户意向预测装置的结构框图；

图7示意性示出了根据本公开实施例的适于实现用户意向预测模型训练方法或用户意向预测方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

需要说明的是，本公开用户意向预测模型训练方法及装置、用户意向预测方法及装置可用于金融技术领域、人工智能技术领域和大数据技术领域，也可用于除金融技术领域、大数据技术领域、人工智能技术领域之外的任意领域，本公开用户意向预测模型训练方法及装置、用户意向预测方法及装置的应用领域不做限定。

在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

在人工神经网络技术的应用过程中，面对分类变量，人工神经网络需要将分类变量转换为哑变量进行处理，但是分类变量过多或者每个分类变量再进行拆分出更多的分类变量，可能会造成人工神经网络难以训练。面对数值型变量，由于数值型变量之间会存在较强的相关性，将大量的相关性腔的数值型变量输入人工神经网络模型进行训练，会降低模型训练的效率。

有鉴于此，本公开的实施例提供了一种用户意向预测模型训练方法，通过提取历史用户的用户操作数据的主成分特征生成第一特征数据，使得第一特征数据的特征增强；然后将用户属性数据按照不同属性类型构建得到属性特征数据，通过计算属性特征数据和用户意向数据的相关度，根据与用户意向数据的相关度筛选属性特征数据，作为第二特征数据；最后将第一特征数据和第二特征数据组成的训练样本数据集，训练预设模型，得到用于预测用户意向的用户意向预测模型。通过分别对用户属性数据的筛选和用户操作数据的主特征数据的提取，减少了向预设模型中输入过多的冗余数据导致模型训练效率降低的问题。

图1示意性示出了根据本公开实施例的用户意向预测模型训练方法或用户意向预测方法的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103、网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的用户意向预测模型训练方法或用户意向预测方法一般可以由服务器105执行。相应地，本公开实施例所提供的用户意向预测模型训练装置或用户意向预测装置一般可以设置于服务器105中。本公开实施例所提供的用户意向预测模型训练方法或用户意向预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的用户意向预测模型训练装置或用户意向预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

以下将基于图1描述的场景，通过图2～图3对公开实施例的用户意向预测模型训练方法进行详细描述。

图2示意性示出了根据本公开实施例的用户意向预测模型训练方法的流程图。

如图2所示，该实施例的用户意向预测模型训练方法包括操作S210～操作S250。

在操作S210，获取历史用户数据集，其中，历史用户数据集包括用户属性数据、用户操作数据和用户意向数据。

根据本公开的实施例，用户属性数据可以包括性别、居住地、教育程度、婚姻情况、所处行业、住房类型等等。用户操作数据可以包括消费金额数据、存款金额数据、贷款金额数据、业务办理数据、投诉数据、交易数据。用户意向数据可以包括流失意向数据和留存意向数据。

在操作S220，通过提取用户操作数据的主成分特征，生成第一特征数据。

根据本公开的实施例，提取用户操作数据的主成分特征可以通过主成分分析法进行。可以通过正交变换将一组可能存在相关性的用户操作数据转换为一组不相关的特征数据，将该组不相关的特征数据作为第一特征数据。例如：可以利用奇异值分解法计算用户操作数据构成的特征矩阵的特征向量，将特征矩阵中每一行的数据与特征向量进行乘法计算，得到第一特征数据。

在操作S230，将用户属性数据按照不同属性类型构建得到属性特征数据。

根据本公开的实施例，可以根据用户属性数据包括的属性类型数量，确定属性特征数据的维度。例如：用户属性数据为住房类型数据，住房类型可以分为全款购入住房、贷款购入住房、租用住房、寄用住房、无住房，即住房类型可以分为5类，可以确定该住房类型用户属性数据可以构建5个维度的属性特征数据，可以采用5位的二进制编码表示该属性特征数据。例如：全款购入住房可以表示为10000、贷款购入住房可以表示为01000、租用住房可以表示为00100、寄用住房可以表示为00010、无住房可以表示为00001。

根据本公开的实施例，例如：用户属性数据为教育程度数据，教育程度可以分为小学学历、初中学历、高中学历、本科学历、硕士学历、硕士以上学历，即教育程度可以分为6类，可以确定该教育程度用户属性数据可以构建6个维度的属性特征数据，可以采用6位的二进制编码表示该属性特征数据。例如：小学学历可以标识为100000、初中学历010000、高中学历001000、本科学历000100、硕士学历000010、硕士以上学历000001。

在操作S240，通过计算属性特征数据和用户意向数据的相关度，确定第二特征数据，其中，第二特征数据包括满足预设条件的与相关度对应的属性特征数据。

根据本公开的实施例，可以通过皮尔森相关性检验法计算属性特征数据和用户意向数据的相关度。相关度的绝对值越接近于1则表示该属性特征数据与用户意向数据越相关，相关度的绝对值越接近于0则表示该属性特征数据与用户意向数据越不相关。例如：通过皮尔森相关性检验法计算得到的属性特征数据A与用户意向数据的相关度为0.8，属性特征数据B与用户意向数据的相关度为-0.5，属性特征数据A与用户意向数据的相关度的绝对值为0.8，属性特征数据B与用户意向数据的相关度的绝对值为0.5。表示属性特征数据A与用户意向数据的相关度大于属性特征数据B与用户意向数据的相关度。

根据本公开的实施例，预设条件可以为将相关度的绝对值大于预设阈值的属性特征数据确定为第二特征数据。例如：预设阈值可以设定为0.4，属性特征数据A与用户意向数据的相关度的绝对值0.8、属性特征数据B与用户意向数据的相关度的绝对值0.5，均大于预设阈值，则可以将属性特征数据A和属性特征数据B均确定为第二特征数据。

在操作S250，利用第一特征数据和第二特征数据组成的训练样本数据集，训练预设模型，得到用于预测用户意向的用户意向预测模型。

根据本公开的实施例，可以将第一特征数据和第二特征数据组成样本数据，作为预设模型的输入数据，将用户意向数据作为标签，训练预设模型。预设模型可以为BP神经网络回归预测模型，也可以为能够用于本公开实施例的其他类型的人工神经网络模型。

根据本公开的实施例，通过提取历史用户的用户操作数据的主成分特征生成第一特征数据，使得第一特征数据的特征增强；然后将用户属性数据按照不同属性类型构建得到属性特征数据，通过计算属性特征数据和用户意向数据的相关度，根据与用户意向数据的相关度筛选属性特征数据，作为第二特征数据；最后将第一特征数据和第二特征数据组成的训练样本数据集，训练预设模型，得到用于预测用户意向的用户意向预测模型。通过分别对用户属性数据的筛选和用户操作数据的主特征数据的提取，减少了向预设模型中输入过多的冗余数据导致模型训练效率降低的问题。

图3示意性示出了根据本公开实施例的筛选属性特征数据的方法流程图。

如图3所示，该实施例包括操作S310～S330。

在操作S310，分别计算多个属性特征数据与用户意向数据的相关度。

根据本公开的实施例，可以利用式(一)所示的皮尔森相关性检验公式计算多个属性特征数据与用户意向数据的相关度。

其中，r表示相关度，x_i表示属性特征数据，y_i表示用户意向数据，N表示样本数据的数量。

根据本公开的实施例，例如：利用皮尔森相关性检验公式计算得到的属性特征数据A、属性特征数据B、属性特征数据C、属性特征数据D与用户意向数据的相关度分别为相关度A为0.8、相关度B为0.5、相关度C为0.6、相关度D为0.2。

在操作S320，将多个相关度进行排序，得到相关度排序值。

根据本公开的实施例，可以将相关度A～相关度D按照相关度值的大小进行排序，得到相关度的排序顺序为相关度A、相关度C、相关度B、相关度D。相关度排序值可以为相关度的顺序值，例如：相关度A的排序值为1、相关度B的排序值为3、相关度C的排序值为2、相关度D的排序值为4。

根据本公开的实施例，利用皮尔森相关性检验公式计算的相关度可以为负值，当计算得到的相关度为负值时，可以按照相关度的绝对值进行排序。例如：相关度E为-0.5，相关度F为-0.2，相关度G为0.3，按照相关度的绝对值进行排序，得到的排序结果为相关度E、相关度G、相关度F，此时，相关度E的顺序值为1、相关度F的顺序值为3，相关度G的顺序值为2。

在操作S330，在相关度排序值小于预设阈值的情况下，将相关度排序值对应的属性特征数据，确定为第二特征数据。

根据本公开的实施例，由于相关度排序是按照相关度由大到小进行排序的，在相关度排序值小于预没阈值的情况下，表示该属性特征数据与用户意向数据的相关度较高，将该属性特征数据确定为第二特征数据。例如：预设阈值可以设置为3，相关度排序值小于3的相关度包括相关度A和相关度C，可以将相关度A对应的属性特征数据A和相关度C对应的属性特征数据C确定为第二特征数据。

根据本公开的实施例，通过计算属性特征数据和用户意向数据的相关度，筛选出相关度较高的属性特征数据作为用于训练预设模型的样本数据的部分特征数据，删除了与用户意向数据相关度较低的属性特征数据，可以有效减少用于模型训练的无效数据的数量，提高模型训练效率。

根据本公开的实施例，通过提取用户操作数据的主成分特征，生成第一特征数据，包括：

根据多个用户的用户操作数据，构建特征矩阵；

计算特征矩阵的特征向量；

根据特征向量，确定主成分特征向量；

根据主成分特征向量，生成第一特征数据。

根据本公开的实施例，可以根据用户数量m和用户操作数据维度n，构建m×n维特征矩阵。例如：用户A的用户操作数据包括消费金额A1、存款金额A2、业务办理数量A3、交易数量A4；用户B的用户操作数据包括消费金额B1、存款金额B2、业务办理数量B3、交易数量B4；用户C的用户操作数据包括消费金额C1、存款金额C2、业务办理数量C3、交易数量C4、投诉数量C5。可以构建3×5维特征矩阵。

根据本公开的实施例，可以通过奇异值分解法，按照式(二)计算上述特征矩阵的特征向量。

A＝U∑V^T (二)

其中，A表示m×n维特征矩阵，U和V表示单位正交矩阵，奇异值矩阵∑为对角矩阵，对角矩阵中的对角线上的元素为特征值，U和V的列分别为特征向量。

根据本公开的实施例，可以将特征向量与特征矩阵中的每一行的元素依次进行乘法计算，得到主成分特征向量。主成分特征向量即为第一特征数据。

根据本公开的实施例，通过主成分特征向量的提取，将相关性较强的用户操作数据进行主成分投影构建为相关性较差的数据用于模型训练，可以实现原始用户操作数据的特征增强，提高模型训练的效率。

根据本公开的实施例，根据多个用户的数据，构建特征矩阵，包括：

将每一个用户的数据，按行拼接，得到第一向量；

根据多个第一向量，构建特征矩阵。

根据本公开的实施例，例如：用户A的用户操作数据包括消费金额A1、存款金额A2、业务办理数量A3、交易数量A4、投诉数量A5，按行拼接，得到用户A的第一向量可以为(A1、A2、A3、A4、A5)。用户B的用户操作数据包括消费金额B1、存款金额B2、业务办理数量B3、交易数量B4、投诉数量B5。用户B的第一向量可以为(B1、B2、B3、B4、B5)。用户C的用户操作数据包括消费金额C1、存款金额C2、业务办理数量C3、交易数量C4、投诉数量C5。用户C的第一向量可以为(C1、C2、C3、C4、C5)。

根据本公开的实施例，可以根据上述用户A的第一向量、用户B的第一向量、用户C的第一向量，构建的3×5维特征矩阵可以为：

根据本公开的实施例，通过将多个用户的用户操作数据，以每个用户的用户操作数据按行拼接构建特征矩阵，以便于根据每一行的用户操作数据通过主成分投影，提取主成分特征向量，实现增强原始用户操作数据特征的效果。

根据本公开的实施例，根据特征向量，确定主成分特征向量，包括：通过计算特征向量与特征矩阵中的第一向量的乘积，确定主成分特征向量。

根据本公开的实施例，例如：通过奇异值分解计算特征矩阵得到的特征向量为(M₁、M₂…Mn)，可以通过计算该特征向量与特征矩阵中的每一行的数据，得到主成分特征向量。例如：特征向量为(M₁、M₂…Mn)与特征矩阵中的第一行数据(A1、A2、A3、A4、A5)相乘，特征向量为(M₁、M₂…Mn)与特征矩阵中的第二行数据(B1、B2、B3、B4、B5)相乘，特征向量(M₁、M₂…Mn)与特征矩阵中的第三行数据(C1、C2、C3、C4、C5)相乘，最终得到主成分特征向量。

根据本公开的实施例，通过计算计算特征向量与特征矩阵中的第一向量的乘积，对每个用户的用户操作数据进行主成分投影，提取主成分特征，实现增强原始用户操作数据特征的效果。

图4示意性示出了根据本公开实施例的用户意向预测方法的流程图。

如图4所示，该实施例的用户意向预测方法包括操作S410～S440。

在操作S410，获取待测用户数据，其中，待预测用户数据包括待测用户属性数据、待测用户操作数据。

根据本公开的实施例，待测用户数据可以包括待测用户属性数据和待测用户操作数据，待测用户属性数据和待测用户操作数据的定义与前文所述的用户属性数据和用户操作数据的定义相同，在此不做赘述。例如：待测用户属性数据可以包括性别“女”、教育程度“本科”、住房类型“贷款购入住房”；待测用户操作数据可以包括消费金额“XX”、业务办理数量“YY”、投诉数量“ZZ”。

需要说明的是，在本公开的实施例中，在获取待测用户数据之前，可以获得用户的同意或授权。例如，在操作S410之前，可以向用户发出获取用户信息的请求。在用户同意或授权可以获取用户信息的情况下，执行所述操作S410。

在操作S420，通过提取待测用户操作数据的主成分特征，生成第一待测特征数据。

根据本公开的实施例，例如：提取待测用户操作数据的主成分特征，可以采用本公开实施例在模型训练过程中利用奇异值分解法得到的特征向量(M₁、M₂…Mn)，与待测数据用户操作数据组成的向量(XX、YY、ZZ)相乘，得到第一待测特征数据。

在操作S430，从用户属性数据中确定目标属性特征数据，并将目标属性特征数据作为第二待测特征数据。

根据本公开的实施例，目标属性特征数据的筛选标准可以是在模型训练过程中得到的相关度满足预设条件的属性特征数据。例如：在模型训练过程中，相关度满足预设条件的属性特征数据为教育程度“本科”和住房类型“贷款购入住房”，则可以将教育程度“本科”和住房类型“贷款购入住房”作为第二待测特征数据。每个目标待测属性特征数据可以采用与训练过程中相同的二进制码表示。

在操作S440，将第一待测特征数据和第二待测特征数据拼接后，输入用户意向预测模型，输出用于表征用户意向的预测结果。

根据本公开的实施例，第一待测特征数据可以为向量A、第二待测特征数据可以为向量B，可以将第一待测特征数据和第二待测特征数据拼接形成向量C，将向量C输入用户意向预测模型，输出用于表征用户意向的预测结果。

根据本公开的实施例，通过将待测用户数据进行特征筛选与整合之后，再输入用户意向预测模型，可以得到较为准确的预测结果，解决了相关技术中由于输入数据过于冗余导致结果过拟合，影响预测结果准确性的问题。

基于上述用户意向模型训练方法，本公开还提供了一种用户意向模型训练装置。以下将结合图5对该用户意向模型训练装置进行详细描述。

图5示意性示出了根据本公开实施例的用户意向预测模型训练装置的结构框图。

如图5所示，该实施例的用户意向预测模型训练装置500包括第一获取模块510、第一生成模块520、构建模块530、第一确定模块540和训练模块550。

第一获取模块510，用于获取历史用户数据集，其中，历史用户数据集包括用户属性数据、用户操作数据和用户意向数据。在一实施例中，第一获取模块510可以用于执行前文描述的操作S210，在此不再赘述。

第一生成模块520，用于通过提取数据的主成分特征，生成第一特征数据。在一实施例中，第一生成模块520可以用于执行前文描述的操作S220，在此不再赘述。

构建模块530，用于将用户属性数据按照不同属性类型构建得到属性特征数据。在一实施例中，构建模块530可以用于执行前文描述的操作S230，在此不再赘述。

第一确定模块540，用于通过计算属性特征数据和用户意向数据的相关度，确定第二特征数据，其中，第二特征数据包括满足预设条件的相关度对应的属性特征数据。在一实施例中，第一确定模块540可以用于执行前文描述的操作S240，在此不再赘述。

训练模块550，用于利用第一特征数据和第二特征数据组成的训练样本数据集，训练预设模型，得到用于预测用户意向的用户意向预测模型。在一实施例中，训练模块550可以用于执行前文描述的操作S250，在此不再赘述。

根据本公开的实施例，第一确定模块包括第一计算单元、排序单元和第一确定单元。其中，第一计算单元，用于分别计算多个属性特征数据与用户意向数据的相关度。排序单元，用于将多个相关度进行排序，得到相关度排序值。第一确定单元，用于在相关度排序值小于预设阈值的情况下，将相关度排序值对应的属性特征数据，确定为第二特征数据。

根据本公开的实施例，第一生成模块包括构建单元、第二计算单元、第二确定单元和生成单元。其中，构建单元，用于根据多个用户的用户操作数据，构建特征矩阵。第二计算单元，用于计算特征矩阵的特征向量。第二确定单元，用于根据特征向量，确定主成分特征向量。生成单元，用于根据主成分特征向量，生成第一特征数据。

根据本公开的实施例，构建单元包括拼接子单元和构建子单元。其中，拼接子单元，用于将每一个用户的数据，按行拼接，得到第一向量。构建子单元，用于根据多个第一向量，构建特征矩阵。

根据本公开的实施例，第二确定单元包括计算子单元，用于通过计算特征向量与特征矩阵中的第一向量的乘积，确定主成分特征向量。

根据本公开的实施例，第一获取模块510、生成模块520、构建模块530、第一确定模块540和训练模块550中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一获取模块510、生成模块520、构建模块530、第一确定模块540和训练模块550中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块510、生成模块520、构建模块530、第一确定模块540和训练模块550中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图6示意性示出了根据本公开实施例的用户意向预测装置的结构框图。

如图6所示，该实施例的用户意向预测装置600包括：第二获取模块610、第二生成模块620、第二确定模块630和预测模块640。

第二获取模块610，用于获取待测用户数据，其中，待预测用户数据包括待测用户属性数据、待测用户操作数据。在一实施例中，第二获取模块610可以用于执行前文描述的操作S410，在此不再赘述。

第二生成模块620，用于通过提取待测用户操作数据的主成分特征，生成第一待测特征数据。在一实施例中，第二生成模块620可以用于执行前文描述的操作S420，在此不再赘述。

第二确定模块630，用于从待测用户属性数据中确定目标属性特征数据，并将目标属性特征数据作为第二待测特征数据。在一实施例中，第二确定模块630可以用于执行前文描述的操作S430，在此不再赘述。

预测模块640，用于将第一待测特征数据和第二待测特征数据拼接后，输入用户意向预测模型，输出用于表征用户意向的预测结果，其中，用户意向预测模型是利用本公开实施例的用户意向模型训练方法训练得到的。在一实施例中，预测模块640可以用于执行前文描述的操作S440，在此不再赘述。

根据本公开的实施例，第二获取模块610、第二生成模块620、第二确定模块630和预测模块640中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第二获取模块610、第二生成模块620、第二确定模块630和预测模块640中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第二获取模块610、第二生成模块620、第二确定模块630和预测模块640中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图7示意性示出了根据本公开实施例的适于实现用户意向预测模型训练方法或用户意向预测方法的电子设备的方框图。

如图7所示，根据本公开实施例的电子设备700包括处理器701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。电子设备700还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机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。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的上述方法。

在该计算机程序被处理器701执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，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实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“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、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)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (11)

1.一种用户意向预测模型训练方法，包括：

获取历史用户数据集，其中，所述历史用户数据集包括用户属性数据、用户操作数据和用户意向数据；

通过提取所述用户操作数据的主成分特征，生成第一特征数据；

将所述用户属性数据按照不同属性类型构建得到属性特征数据；

通过计算所述属性特征数据和所述用户意向数据的相关度，确定第二特征数据，其中，所述第二特征数据包括满足预设条件的与所述相关度对应的所述属性特征数据；以及

利用所述第一特征数据和所述第二特征数据组成的训练样本数据集，训练预设模型，得到用于预测用户意向的用户意向预测模型。

2.根据权利要求1所述的方法，其中，所述通过计算所述属性特征数据和所述用户意向数据的相关度，确定第二特征数据，包括：

分别计算多个所述属性特征数据与所述用户意向数据的相关度；

将多个所述相关度进行排序，得到相关度排序值；

在所述相关度排序值小于预设阈值的情况下，将所述相关度排序值对应的所述属性特征数据，确定为第二特征数据。

3.根据权利要求1所述的方法，其中，所述通过提取所述用户操作数据的主成分特征，生成第一特征数据，包括：

根据多个用户的所述数据，构建特征矩阵；

计算所述特征矩阵的特征向量；

根据所述特征向量，确定主成分特征向量；

根据所述主成分特征向量，生成所述第一特征数据。

4.根据权利要求3所述的方法，其中，所述根据多个用户的所述数据，构建特征矩阵，包括：

将每一个所述用户的所述数据，按行拼接，得到第一向量；

根据多个所述第一向量，构建所述特征矩阵。

5.根据权利要求4所述的方法，其中，所述根据所述特征向量，确定主成分特征向量；

通过计算所述特征向量与所述特征矩阵中的所述第一向量的乘积，确定所述主成分特征向量。

6.一种用户意向预测方法，包括：

获取待测用户数据，其中，所述待预测用户数据包括待测用户属性数据、待测用户操作数据；

通过提取所述待测用户操作数据的主成分特征，生成第一待测特征数据；

从所述待测用户属性数据中确定目标属性特征数据，并将所述目标属性特征数据作为第二待测特征数据；以及

将所述第一待测特征数据和所述第二待测特征数据拼接后，输入所述用户意向预测模型，输出用于表征用户意向的预测结果，其中，所述用户意向预测模型是利用权利要求1～5任一项所述的方法训练得到的。

7.一种用户意向预测的模型训练装置，包括：

第一获取模块，用于获取历史用户数据集，其中，所述历史用户数据集包括用户属性数据、用户操作数据和用户意向数据；

第一生成模块，用于通过提取所述数据的主成分特征，生成第一特征数据；

构建模块，用于将所述用户属性数据按照不同属性类型构建得到属性特征数据；

第一确定模块，用于通过计算属性特征数据和所述用户意向数据的相关度，确定第二特征数据，其中，所述第二特征数据包括满足预设条件的所述相关度对应的所述属性特征数据；以及

训练模块，用于利用所述第一特征数据和所述第二特征数据组成的训练样本数据集，训练预设模型，得到用于预测用户意向的用户意向预测模型。

8.一种用户意向预测装置，包括：

第二获取模块，用于获取待测用户数据，其中，所述待预测用户数据包括待测用户属性数据、待测用户操作数据；

第二生成模块，用于通过提取所述待测用户操作数据的主成分特征，生成第一待测特征数据；

第二确定模块，用于从所述待测用户属性数据中确定目标属性特征数据，并将所述目标属性特征数据作为第二待测特征数据；以及

预测模块，用于将所述第一待测特征数据和所述第二待测特征数据拼接后，输入所述用户意向预测模型，输出用于表征用户意向的预测结果，其中，所述用户意向预测模型是利用权利要求1～5任一项所述的方法训练得到的。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～5中任一项或者权利要求6所述的方法。

10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～5中任一项或者权利要求6所述的方法。

11.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～5中任一项或者权利要求6所述的方法。

Images