CN114912537A - 模型训练方法和装置、行为预测方法和装置、设备、介质 - Google Patents
模型训练方法和装置、行为预测方法和装置、设备、介质 Download PDFInfo
- Publication number
- CN114912537A CN114912537A CN202210582876.6A CN202210582876A CN114912537A CN 114912537 A CN114912537 A CN 114912537A CN 202210582876 A CN202210582876 A CN 202210582876A CN 114912537 A CN114912537 A CN 114912537A
- Authority
- CN
- China
- Prior art keywords
- behavior
- historical
- target
- sample
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请实施例提供了一种模型训练方法和装置、行为预测方法和装置、设备、介质,属于人工智能技术领域。该方法包括:获取样本用户的样本数据;样本数据包括样本基本信息和样本行为数据,样本数据包括历史行为、历史次数、历史时间;并根据历史时间进行时段分类,得到至少两个预设时段;计算每一历史行为的历史占比;历史占比是在其中一个预设时段实施历史行为的历史次数与在所有预设时段实施历史行为的历史次数总和之间的比值;根据历史占比计算行为评估值;行为评估值用于评估样本用户的行为规律性;根据行为评估值从样本数据筛选出训练样本;根据训练样本进行模型训练,得到行为预测模型。本申请实施例能够提高模型的训练效率和准确率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种模型训练方法和装置、行为预测方法和装置、设备、介质。
背景技术
人工智能中的预测方法有很多应用场景,例如天气预测、温度预测、趋势预测(例如商品价格趋势等)、行为预测等;常用的预测方法的原理包括:通过带有样本特征的标注数据对预测模型进行训练,将待预测的数据输入到训练好的预测模型进行预测,得到预测结果。而,通常,带有样本特征的标注数据的数据量非常大,模型训练的成本高(包括时间成本和经济成本);且有些标注数据的选取并不合适,对预测模型的训练效果不好,训练难度大。
发明内容
本申请实施例的主要目的在于提出一种模型训练方法和装置、行为预测方法和装置、设备、介质,旨在提高模型的训练效率和准确率。
为实现上述目的,本申请实施例的第一方面提出了一种模型训练方法,所述模型训练方法包括:
获取样本用户的样本数据;所述样本数据包括所述样本用户的样本基本信息和样本行为数据,所述样本行为数据包括历史行为、对应每一所述历史行为的历史次数、历史时间,所述历史时间为每一所述历史行为所发生的时间;
根据所述历史时间进行时段分类,得到至少两个预设时段;
计算每一所述历史行为的历史占比;所述历史占比是在其中一个所述预设时段实施所述历史行为的历史次数与在所有所述预设时段实施所述历史行为的历史次数总和之间的比值;
根据所述历史占比计算行为评估值;所述行为评估值用于评估所述样本用户的行为规律性;
根据所述行为评估值从所述样本数据筛选出训练样本;
根据所述训练样本进行模型训练,得到行为预测模型。
在一些实施例,所述根据所述行为评估值从所述样本数据筛选出训练样本,包括:
获取预设的参考评估值;
比较所述行为评估值和所述参考评估值之间的大小关系;
将小于所述参考评估值的行为评估值所对应的样本数据确定为所述训练样本。
在一些实施例,在所述获取预设的参考评估值之前,所述模型训练方法还包括:计算所述参考评估值,具体包括:
获取参考用户的参考数据;其中,所述参考数据包括参考基本信息、参考行为、每一所述参考行为的参考次数和参考时间;所述参考用户为虚拟用户,所述参考行为是所述虚拟用户虚拟的实施行为,所述参考时间是所述虚拟用户模拟实施每一所述参考行为的模拟时间;
根据所述参考时间进行时段分类,得到参考时段;所述参考次数是所述虚拟用户在所述参考时段模拟实施每一所述参考行为的模拟次数;
计算每一所述参考行为的参考占比;所述参考占比是每一所述参考行为的参考次数与所有所述参考行为的参考次数总和之间的比值;
根据所述参考占比计算所述参考评估值;所述参考评估值用于评估所述参考用户的行为规律性。
在一些实施例,所述根据所述训练样本进行模型训练,得到行为预测模型,包括:
对所述训练样本进行特征提取,得到样本特征;
对所述样本特征进行向量化处理,得到训练特征向量;所述训练特征向量至少包括以下两种:性别特征向量、年龄特征向量、行为特征向量、时间特征向量;
根据所述训练特征向量进行模型训练,得到所述行为预测模型。
为实现上述目的,本申请实施例的第二方面提出了一种行为预测方法,所述行为预测方法包括:
获取待预测目标的目标基本信息和目标行为数据;其中,所述目标行为数据包括当前行为,对应每一所述当前行为的行为次数、行为时间,所述行为次数是所述待预测目标实施每一所述当前行为的次数,所述行为时间是所述待预测目标实施每一所述当前行为的时间;
将所述目标基本信息和所述目标行为数据输入行为预测模型进行预测,得到目标时段;所述目标时段是所述待预测目标实施所述当前行为的时间段;其中,所述行为预测模型是根据上述第一方面所述的模型训练方法训练得到。
在一些实施例,所述将所述目标基本信息和所述目标行为数据输入行为预测模型进行预测,得到目标时段,包括:
对所述目标基本信息和所述目标行为数据进行特征提取,得到目标预测特征;
对所述目标预测特征进行向量化处理,得到所述预测特征向量;其中,所述预测特征向量至少包括以下两种:性别特征向量、年龄特征向量、行为特征向量;
根据所述预测特征向量进行行为预测,得到所述目标时段。
为实现上述目的,本申请实施例的第三方面提出了一种模型训练装置,所述模型训练装置包括:
样本数据获取模块,用于获取样本数据,所述样本行为数据包括历史行为、对应每一所述历史行为的历史次数、历史时间,所述历史时间为每一所述历史行为所发生的时间;
预设时段分类模块,用于根据所述历史时间进行时段分类,得到至少两个预设时段;
历史占比计算模块,用于计算每一所述历史行为的历史占比;所述历史占比是在其中一个所述预设时段实施所述历史行为的历史次数与在所有所述预设时段实施所述历史行为的历史次数总和之间的比值;
行为评估模块,用于根据所述历史占比计算行为评估值;所述行为评估值用于评估所述样本用户的行为规律性;
训练样本获取模块,用于根据所述行为评估值从所述样本数据筛选出训练样本;
模型训练模块,用于根据所述训练样本进行模型训练,得到行为预测模型。
为实现上述目的,本申请实施例的第四方面提出了一种行为预测装置,所述行为预测装置包括:
目标数据获取模块,用于获取待预测目标的目标基本信息和目标行为数据;其中,所述目标行为数据包括当前行为,对应每一所述当前行为的行为次数、行为时间,所述行为次数是所述待预测目标实施每一所述当前行为的次数,所述行为时间是所述待预测目标实施每一所述当前行为的时间;
行为预测模块,用于将所述目标基本信息和所述目标行为数据输入行为预测模型进行预测,得到目标时段;所述目标时段是所述待预测目标实施所述当前行为的时间段;其中,所述行为预测模型是根据上述第一方面所述的模型训练方法训练得到。
为实现上述目的,本申请实施例的第五方面提出了一种电子设备,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现上述第一方面所述的模型训练方法或者上述第二方面所述的行为预测方法。
为实现上述目的,本申请实施例的第六方面提出了一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述第一方面所述的模型训练方法或者上述第二方面所述的行为预测方法。
本申请提出的模型训练方法和装置、行为预测方法和装置、电子设备及存储介质,其通过获取样本用户的样本数据,得到所述样本用户的样本基本信息、历史行为、对应每一所述历史行为的历史次数、历史时间;并根据所述历史时间进行时段分类,得到至少两个预设时段;并计算每一所述历史行为的历史占比;再根据所述历史占比计算行为评估值,该行为评估值用于评估所述样本用户的行为规律性;从而可以根据所述行为评估值从所述样本数据筛选出训练样本,以根据所述训练样本进行模型训练,得到行为预测模型,由于筛选出的训练样本中的行为规律性更好,更有利于模型训练,提高模型的训练效率和准确率。
附图说明
图1是本申请实施例提供的模型训练方法的流程图;
图2是图1中的步骤105的流程图;
图3是本申请实施例提供的模型训练方法的另一流程图;
图4是图1中的步骤106的流程图;
图5是本申请实施例提供的行为预测方法的流程图;
图6是本申请实施例提供的模型训练装置的结构示意图;
图7是本申请实施例提供的行为预测装置的结构示意图;
图8是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
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。
首先,对本申请中涉及的若干名词进行解析:
人工智能(artificial intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能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,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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。
自然语言处理(natural language processing,NLP):NLP用计算机来处理、理解以及运用人类语言(如中文、英文等),NLP属于人工智能的一个分支,是计算机科学与语言学的交叉学科,又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域,它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
逻辑回归(Logistic Regression,LR):又称为逻辑回归分析,是一种分类学习方法,通常应用于两个场景:第一场景用于预测,第二场景用于寻找因变量的影响因素。其大致原理为:通过历史数据的表现对未来结果发生的概率进行预测。
梯度决策提升树(Gradient Boosting Decision Tree,GBDT):是机器学习中常用的模型,是一种迭代的决策树算法,其主要思想是利用弱分类器(决策树)迭代训练以得到最优模型,该模型具有训练效果好、不易过拟合等优点。
人工智能中的预测方法有很多应用场景,例如天气预测、温度预测、趋势预测(例如商品价格趋势等)、行为预测等;常用的预测方法的原理包括:通过带有样本特征的标注数据对预测模型进行训练,将待预测的数据输入到训练好的预测模型进行预测,得到预测结果。而,通常,带有样本特征的标注数据的数据量非常大,模型训练的成本高(包括时间成本和经济成本);且有些标注数据的选取并不合适,对预测模型的训练效果不好,训练难度大。例如在进行行为预测时,通常是仅基于用户特征进行建模和训练,模型在训练阶段的预测结果即便看起来高,实际上只是拟合现有的训练数据,在实际预测中不会有好的表现。
基于此,本申请实施例提供了一种模型训练方法和装置、行为预测方法和装置、电子设备及存储介质,旨在提高模型的训练效率和准确率。
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。
本申请实施例提供的模型训练方法或者行为预测方法,涉及人工智能技术领域。本申请实施例提供的模型训练方法或者行为预测方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、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、CDN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;软件可以是实现模型训练方法或者行为预测方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
需要说明的是,在本申请的各个具体实施方式中,当涉及到需要根据用户信息、用户行为数据,用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时,都会先获得用户的许可或者同意,而且,对这些数据的收集、使用和处理等,都会遵守相关国家和地区的相关法律法规和标准。此外,当本申请实施例需要获取用户的敏感个人信息时,会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意,在明确获得用户的单独许可或者单独同意之后,再获取用于使本申请实施例能够正常运行的必要的用户相关数据。
本申请实施例提供的模型训练方法和装置、行为预测方法和装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的模型训练方法。
图1是本申请实施例提供的模型训练方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤101至步骤106。
步骤101,获取样本用户的样本数据;样本数据包括样本用户的样本基本信息和样本行为数据,样本行为数据包括历史行为、对应每一历史行为的历史次数、历史时间,历史时间为每一历史行为所发生的时间;
步骤102,根据历史时间进行时段分类,得到至少两个预设时段;
步骤103,计算每一历史行为的历史占比;历史占比是在其中一个预设时段实施历史行为的历史次数与在所有预设时段实施历史行为的历史次数总和之间的比值;
步骤104,根据历史占比计算行为评估值;行为评估值用于评估样本用户的行为规律性;
步骤105,根据行为评估值从样本数据筛选出训练样本;
步骤106,根据训练样本进行模型训练,得到行为预测模型。
本申请实施例的步骤101至步骤106,通过获取样本用户的样本数据,得到样本用户的样本基本信息、历史行为、对应每一历史行为的历史次数、历史时间;并根据历史时间进行时段分类,得到至少两个预设时段;并计算每一历史行为的历史占比;再根据历史占比计算行为评估值;从而可以根据行为评估值从样本数据筛选出训练样本,以根据训练样本进行模型训练,得到行为预测模型,由于筛选出的训练样本中的行为规律性更好,更有利于模型训练,提高模型的训练效率和准确率。
在一些实施例的步骤101中,样本用户是用于训练行为预测模型的用户,样本用户的样本基本信息包括样本用户的性别,年龄等,例如:样本用户X1的样本基本信息包括性别男,年龄23,样本用户X2的样本基本信息包括性别女,年龄24。样本用户的样本数据包括历史行为,对应每一历史行为的历史次数、历史时间,在一些实施例,以历史行为是历史缴费的行为为例进行说明,例如:样本用户X1的历史行为为历史缴费,对应历史缴费的历史次数为1、历史时间为第8天,且样本用户X1的缴纳费用为1800元;样本用户X2的历史行为为历史缴费,对应历史缴费的历史次数为1、历史时间为第15天,且样本用户X2的缴纳费用为2200元。请参表1,样本用户X1和样本用户X2的样本数据可以表示为:
表1
其中,X1=[0,23,1800]中的第一个元素0代表性别男,X2=[1,24,2200]中的第一个元素1代表性别女;X1=[0,23,1800]中的第二个元素23代表年龄23岁,X2=[1,24,2200]中的第二个元素24代表年龄24岁;X1=[0,23,1800]中的第三个元素1800代表缴纳费用1800元,X2=[1,24,2200]中的第三个元素2200代表缴纳费用2200元;y1=0代表样本用户X1在其中一个预设时段的第一时段缴费,y2=1代表样本用户X2在其中一个预设时段的第二时段缴费。
在一些其他实施例,历史行为还可以是浏览APP的行为,浏览APP的行为与上述的历史缴费的行为的实现原理基本相同,在此不再赘述。
在一些实施例的步骤102中,例如在保险领域中,历史行为可以是历史缴费的行为,历史时间可以是缴纳保险费用的时间,可以根据历史时间进行时段分类,得到的预设时段可以分为三段:第一时段为0-10天,第二时段为10-30天,第三时段为30-60天;此外,还可以根据实际需要,分为四段,其中第四段为60天以上;具体的,预设时段可以表示为An,其中An={a1,a2,…an};在该实施例中,A4={a1,a2,a3,a4},其中第一时段a1为0-10天,第二时段a2为10-30天,第三时段a3为30-60天,第四段a4为60天以上。
对应的,历史次数为历史缴费的次数,样本用户X3共有5次的历史缴费的次数,其中,在第一时段a1的历史缴费的次数是2,在第二时段a2的历史缴费的次数是1,在第三时段a3的历史缴费的次数是1,在第四时段a4的历史缴费的次数是1。
在另一实施例,预设时段可以分为三段:第一时段为0-10天,第二时段为10-20天,第三时段为20天以后。对应的,历史次数为历史缴费的次数,样本用户X4共有4次的历史缴费的次数,其中,在第一时段a1的历史缴费的次数是1,在第二时段a2的历史缴费的次数是2,在第三时段a3的历史缴费的次数是1。
在一些实施例的步骤103中,每一历史行为的历史次数表示为Ci,所有历史行为的历史次数总和表示为m,计算每一历史行为的历史占比的公式如下公式(1)所示:
在一些实施例的步骤104中,计算行为评估值的公式如下公式(2)所示:
其中,预设时段的数量表示为n,其中一个预设时段An实施历史行为的历史次数Ci,在所有预设时段实施历史行为的历史次数总和表示为m,即样本用户共有m次的历史行为,An={a1,a2,…an},Cn={c1,c2,…cn}。
需说明的是,行为评估值为非负数,行为评估值越接近0,则说明样本用户的行为越有规律,即规律性越好;行为评估值越大,则说明样本用户的行为越无规律,即规律性越差。
具体地,以保险领域进行举例说明,历史行为可以是历史缴费的行为,历史时间可以是缴纳保险费用的时间,可以根据历史时间进行时段分类,得到的预设时段可以分为四段:第一时段为0-10天,第二时段为10-30天,第三时段为30-60天,第四段为60天以上,即A4={a1,a2,a3,a4},C4={c1,c2,c3,c4},其中第一时段a1为0-10天,第二时段a2为10-30天,第三时段a3为30-60天,第四段a4为60天以上;对应的,历史次数为历史缴费的次数,样本用户X3共有5次的历史缴费的次数:在第一时段a1的历史缴费的次数c1是2,在第二时段a2的历史缴费的次数c2是1,在第三时段a3的历史缴费的次数c3是1,在第四时段a4的历史缴费的次数c4是1,则根据上述公式(2)计算样本用户X3的行为评估值=0.4*log0.4+0.2*log0.2+0.2*log0.2+0.2*log0.2=1.92。
可以理解地,对于所有样本用户,可以计算所有样本用户的行为评估值的总值,若行为评估值的总值越接近零,则说明所有样本用户的整体行为稳定,越有规律,从而可以根据步骤105,将这些样本用户作为训练样本,以用于步骤106的模型训练,得到行为预测模型。若行为评估值的总值较高,则所有样本用户的整体行为混乱,不利于模型训练,因此,不作为步骤105的训练样本。从而,通过计算所有样本用户的行为评估值的总值,可以更好的把握多个样本用户的整体行为,以挖掘其中的一些特点,比如有多少样本用户的缴费行为是固定的,多少样本用户的缴费行为高于平均等。
在实际的应用场景,例如保险领域的场景,一般来说,保单用户购买了保险之后,在每次应缴保险费用的日期之后的N天之内会缴纳保险费用(或者不会缴纳保险费用)。因此,提前预测保单用户何时缴费对于保险公司的收益评估非常重要。
保单用户的缴费属于用户的行为,对保单用户的缴费时间进行预测是一种行为习惯的预测,一般来说,可以对用户的行为习惯进行预测的前提是用户的行为习惯有规律。因此,本申请实施例的步骤104,通过计算行为评估值来评估样本用户的行为习惯是否有规律,以将有规律的样本数据作为训练样本,从而可以执行步骤106的模型训练。
请参阅图2,在一些实施例的步骤105,可以包括但不限于包括步骤201至步骤203:
步骤201,获取预设的参考评估值;
步骤202,比较行为评估值和参考评估值之间的大小关系;
步骤203,将小于参考评估值的行为评估值所对应的样本数据确定为训练样本。
具体地,行为评估值的高低需有基准进行对比,以此基准筛选出训练样本。若行为评估值小于参考评估值,则将该行为评估值对应的样本数据作为训练样本。若行为评估值大于或等于参考评估值,则将该行为评估值对应的样本数据过滤,不作为训练样本。例如,上述的保险领域的示例中,A4={a1,a2,a3,a4},C4={c1,c2,c3,c4},预设时段分为四段:第一时段为0-10天,第二时段为10-30天,第三时段为30-60天,第四段为60天以上;对应的,样本用户X3的5次历史缴费情况为:在第一时段a1的历史缴费的次数c1是2,在第二时段a2的历史缴费的次数c2是1,在第三时段a3的历史缴费的次数c3是1,在第四时段a4的历史缴费的次数c4是1,则根据上述公式(2)计算样本用户X3的行为评估值=0.4*log0.4+0.2*log0.2+0.2*log0.2+0.2*log0.2=1.92。在一些实施例,若参考评估值为2,则由于样本用户X3的行为评估值1.92小于2,可以将样本用户X3作为训练样本;在另一些实施例,若参考评估值为1.8,则由于样本用户X3的行为评估值1.92大于参考评估值1.8,则不将样本用户X3作为训练样本。
由于,若样本数据的行为习惯缺乏规律,则用于建模时难度较大;因此,可以通过参考评估值,将符合要求(行为习惯有规律)的样本数据作为训练样本,不将行为习惯没有规律的样本数据作为训练样本,可以减少建模的难度。
请参阅图3,在一些实施例,在步骤201之前,该模型训练方法可以包括但不限于包括:计算参考评估值,具体包括:
步骤301,获取参考用户的参考数据;其中,参考数据包括参考基本信息、参考行为、每一参考行为的参考次数和参考时间;参考用户为虚拟用户,参考数据是虚拟数据,参考行为是虚拟用户虚拟的实施行为,参考时间是虚拟用户模拟实施每一参考行为的模拟时间;
步骤302,根据参考时间进行时段分类,得到参考时段;参考次数是虚拟用户在参考时段模拟实施每一参考行为的模拟次数;
步骤303,计算每一参考行为的参考占比;参考占比是每一参考行为的参考次数与所有参考行为的参考次数总和之间的比值;
步骤304,根据参考占比计算参考评估值;参考评估值用于评估参考用户的行为规律性。
在一具体的保险领域的应用场景,以保单用户的缴费时段为例,可以假设保单用户的缴费时间是随机分布在0-90天之内(具体数据可以从数据分析中确定),以此随机模拟N次,可以获得一个虚拟用户的缴费行为。随后,模拟M个虚拟用户,数量和真实用户数量接近,即可获得一个对于保单用户的缴费行为的模拟。对于这组模拟数据的计算原理参照上述公式(2),从而可以计算得到参考评估值,并将该参考评估值作为基准。
在其他的应用场景,例如用户每月浏览APP的行为,也可以参照上述的实现原理,进行预测,以预测出用户每月浏览APP的时段,在此不再赘述。可以理解的,还可以参照上述的实现原理,对用户的其他行为进行预测(例如用户的电费缴纳行为),本申请实施例不做限定。
在一些实施例的步骤105中,训练样本是从样本数据筛选出得到的样本,训练样本对应的用户为训练用户,训练用户包括了对应训练用户的训练基本信息和样本数据,因此,训练用户的样本数据也包括历史行为、对应每一历史行为的历史次数、历史时间,历史时间为每一历史行为所发生的时间。
请参阅图4,在一些实施例的步骤106,可以包括但不限于包括步骤401至步骤403:
步骤401,对训练样本进行特征提取,得到样本特征;
步骤402,对样本特征进行向量化处理,得到训练特征向量;训练特征向量至少包括以下两种:性别特征向量、年龄特征向量、行为特征向量、时间特征向量;
步骤403,根据训练特征向量进行模型训练,得到行为预测模型。
在一些实施例的步骤401中,样本特征可以是提取训练样本(用户)的性别作为性别特征,也可以提取训练样本的年龄作为年龄特征,还可以提取训练样本的行为作为行为特征,还可以提取训练样本执行该行为的时间作为时间特征。然后,通过步骤402,对这些特征进行向量化处理,得到对应的训练特征向量,例如性别特征向量、年龄特征向量、行为特征向量、时间特征向量等。再通过步骤403,根据性别特征向量、年龄特征向量、行为特征向量、时间特征向量等其中的至少两个特征向量进行模型训练,得到该行为预测模型。
在步骤403中的模型训练方法,可以采用逻辑回归、决策树(例如LightGBM)、神经网络(例如基于反向传播的神经网络训练)等进行模型训练,从而得到该行为预测模型。
请参阅图5,图5是本申请实施例提供的行为预测方法的一个可选的流程图,图5中的行为预测方法可以包括但不限于包括步骤501至步骤502。
步骤501,获取待预测目标的目标基本信息和目标行为数据;其中,目标行为数据包括当前行为,对应每一当前行为的行为次数、行为时间,行为次数是待预测目标实施每一当前行为的次数,行为时间是待预测目标实施每一当前行为的时间;
步骤502,将目标基本信息和目标行为数据输入行为预测模型进行预测,得到目标时段;目标时段是待预测目标实施当前行为的时间段;其中,行为预测模型是上述实施例的模型训练方法训练得到。
在一些实施例中,待预测目标X5的目标基本信息为:性别男,年龄39岁,待预测目标X5的行为特征为缴费行为,缴纳的费用为3000元,则待预测目标X5可以表示为[0,39,3000],输入至行为预测模型进行预测,得到对应待预测目标X5的目标时段y5=1,即表示待预测目标X5将在第二时段进行缴费3000元。
具体地,在一些实施例,步骤502在进行行为预测时,可以包括但不限于包括以下步骤:
对目标基本信息和目标行为数据进行特征提取,得到目标预测特征;
对目标预测特征进行向量化处理,得到预测特征向量;预测特征向量至少包括以下两种:性别特征向量、年龄特征向量、行为特征向量;
根据预测特征向量进行行为预测,得到目标时段。
应理解,该行为预测方法的预测原理与步骤106的训练原理有一部分类似,目标预测特征可以包括:提取待预测目标(待预测用户)的性别得到的性别特征、提取待预测目标的年龄得到的年龄特征、提取待预测目标的行为得到的作为行为特征。然后,对这些目标预测特征进行向量化处理,得到预测特征向量:性别特征向量、年龄特征向量、行为特征向量等。再根据性别特征向量、年龄特征向量、行为特征向量等其中的至少两个特征向量进行行为预测,得到目标时段。行为预测方法的预测原理不同于步骤106的训练原理:在行为预测方法中目标时段是行为预测模型的输出(是需要得到的结果),而步骤106的训练原理中时间特征向量(对应时间特征)作为行为预测模型的其中一个输入,即步骤106的训练原理中时间特征向量作为训练行为预测模型的一种标注数据。
在其他的一些实施例,根据预测特征向量进行行为预测,得到目标时段,可以包括但不限于包括:
根据预测特征向量进行行为预测,得到目标时间;
根据目标时间进行时段分类,得到目标时段。
具体地,即在进行行为预测时,先预测出待预测目标实施当前行为的目标时间,再对目标时间进行时段分类,从而得到目标时段。例如,上述的待预测目标X5的目标基本信息为:性别男,年龄39岁,待预测目标X5的行为特征为缴费行为,缴纳的费用为3000元,则待预测目标X5可以表示为[0,39,3000],输入至行为预测模型进行预测,先得到对应待预测目标X5的目标时间是第11天,该行为预测模型的分类器再对目标时间(第11天)进行时段分类,得到目标时段y5=1,即表示待预测目标X5将在第二时段进行缴费3000元。
另外,在一些实施例,在预测得到目标时段后,该行为预测方法还包括:
若待预测目标在目标时段内未进行缴费,则对待预测目标进行缴费提醒。
在实际场景中,有些待预测目标因工作繁忙等原因,存在忘记缴费的情况,及时对待预测目标进行缴费提醒,可以提升待预测目标的体验。
本申请实施例,不仅考虑用户的个人特征(性别、年龄等),还综合考虑用户的行为特征,因此,相比常规仅考虑用户的个人特征的预测方法,本申请实施例对于用户何时做出该行为的时间段预测,预测效果好,预测结果更加准确。
此外,除了考虑用户的个人特征(性别、年龄等)、用户的行为特征等,在其他实施例,还可以考虑一些其他特征,例如保额特征,可以将保额在5000元以下的保单用户行为进行过滤。如果将保额在5000元以下的保单用户行为过滤后计算出的行为评估值v1小于所有保单用户行为(含保额在5000元以下的用户行为)计算出的行为评估值v2,则说明高保额的(含保额在5000元以上)的保单用户的行为更加有规律,在实际中进行预测时更容易。
此外,本申请实施例提供的行为预测方法,还可以应用在其他的场景,例如用户每月浏览APP的行为,也可以参照上述的行为预测方法的实现原理,进行预测,以预测出用户每月浏览APP的时段,在此不再赘述。可以理解的,还可以参照上述的实现原理,对用户的其他行为进行预测(例如用户的电费缴纳行为),本申请实施例不做限定。
请参阅图6,本申请实施例还提供一种模型训练装置,可以实现上述模型训练方法,该模型训练装置包括:
样本数据获取模块,用于获取样本数据,样本数据包括历史行为、对应每一历史行为的历史次数、历史时间,历史时间为每一历史行为所发生的时间;
预设时段分类模块,用于根据历史时间进行时段分类,得到至少两个预设时段;
历史占比计算模块,用于计算每一历史行为的历史占比;历史占比是每一历史行为的历史次数与所有历史行为的历史次数总和之间的比值;
行为评估模块,用于根据历史占比计算行为评估值;行为评估值用于评估样本用户的行为规律性;
训练样本获取模块,用于根据行为评估值从样本数据筛选出训练样本;
模型训练模块,用于根据训练样本进行模型训练,得到行为预测模型。
该模型训练装置的具体实施方式与上述模型训练方法的具体实施例基本相同,在此不再赘述。
请参阅图7,本申请实施例还提供一种行为预测装置,可以实现上述行为预测方法,该行为预测装置包括:
目标数据获取模块,用于获取待预测目标的目标基本信息和目标行为数据;其中,目标行为数据包括当前行为,对应每一当前行为的行为次数、行为时间,行为次数是待预测目标实施每一当前行为的次数,行为时间是待预测目标实施每一当前行为的时间;
行为预测模块,用于将目标基本信息和目标行为数据输入行为预测模型进行预测,得到目标时段;目标时段是待预测目标实施当前行为的时间段;其中,行为预测模型是根据上述模型训练方法训练得到。
该行为预测装置的具体实施方式与上述行为预测方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括:存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线,程序被处理器执行时实现上述模型训练方法或者行为预测方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图,8,图8示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器801,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器802,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器802可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器802中,并由处理器801来调用执行本申请实施例的模型训练方法或者行为预测方法;
输入/输出接口803,用于实现信息输入及输出;
通信接口804,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线805,在设备的各个组件(例如处理器801、存储器802、输入/输出接口803和通信接口804)之间传输信息;
其中处理器801、存储器802、输入/输出接口803和通信接口804通过总线805实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质,存储介质为计算机可读存储介质,用于计算机可读存储,存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现上述模型训练方法或者行为预测方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的模型训练方法和装置、行为预测方法和装置、电子设备及存储介质,通过获取样本用户的样本数据,得到样本用户的样本基本信息、历史行为、对应每一历史行为的历史次数、历史时间;并根据历史时间进行时段分类,得到至少两个预设时段;并计算每一历史行为的历史占比;再根据历史占比计算行为评估值;从而可以根据行为评估值从样本数据筛选出训练样本,以根据训练样本进行模型训练,得到行为预测模型,由于筛选出的训练样本中的行为规律性更好,更有利于模型训练,提高模型的训练效率和准确率。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1-5中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。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可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种模型训练方法,其特征在于,所述模型训练方法包括:
获取样本用户的样本数据;所述样本数据包括所述样本用户的样本基本信息和样本行为数据,所述样本行为数据包括历史行为、对应每一所述历史行为的历史次数、历史时间,所述历史时间为每一所述历史行为所发生的时间;
根据所述历史时间进行时段分类,得到至少两个预设时段;
计算每一所述历史行为的历史占比;所述历史占比是在其中一个所述预设时段实施所述历史行为的历史次数与在所有所述预设时段实施所述历史行为的历史次数总和之间的比值;
根据所述历史占比计算行为评估值;所述行为评估值用于评估所述样本用户的行为规律性;
根据所述行为评估值从所述样本数据筛选出训练样本;
根据所述训练样本进行模型训练,得到行为预测模型。
2.根据权利要求1所述的模型训练方法,其特征在于,所述根据所述行为评估值从所述样本数据筛选出训练样本,包括:
获取预设的参考评估值;
比较所述行为评估值和所述参考评估值之间的大小关系;
将小于所述参考评估值的行为评估值所对应的样本数据确定为所述训练样本。
3.根据权利要求2所述的模型训练方法,其特征在于,在所述获取预设的参考评估值之前,所述模型训练方法还包括:计算所述参考评估值,具体包括:
获取参考用户的参考数据;其中,所述参考数据包括参考基本信息、参考行为、每一所述参考行为的参考次数和参考时间;所述参考用户为虚拟用户,所述参考行为是所述虚拟用户虚拟的实施行为,所述参考时间是所述虚拟用户模拟实施每一所述参考行为的模拟时间;
根据所述参考时间进行时段分类,得到参考时段;所述参考次数是所述虚拟用户在所述参考时段模拟实施每一所述参考行为的模拟次数;
计算每一所述参考行为的参考占比;所述参考占比是每一所述参考行为的参考次数与所有所述参考行为的参考次数总和之间的比值;
根据所述参考占比计算所述参考评估值;所述参考评估值用于评估所述参考用户的行为规律性。
4.根据权利要求1至3任一项所述的模型训练方法,其特征在于,所述根据所述训练样本进行模型训练,得到行为预测模型,包括:
对所述训练样本进行特征提取,得到样本特征;
对所述样本特征进行向量化处理,得到训练特征向量;所述训练特征向量至少包括以下两种:性别特征向量、年龄特征向量、行为特征向量、时间特征向量;
根据所述训练特征向量进行模型训练,得到所述行为预测模型。
5.一种行为预测方法,其特征在于,所述行为预测方法包括:
获取待预测目标的目标基本信息和目标行为数据;其中,所述目标行为数据包括当前行为,对应每一所述当前行为的行为次数、行为时间,所述行为次数是所述待预测目标实施每一所述当前行为的次数,所述行为时间是所述待预测目标实施每一所述当前行为的时间;
将所述目标基本信息和所述目标行为数据输入行为预测模型进行预测,得到目标时段;所述目标时段是所述待预测目标实施所述当前行为的时间段;其中,所述行为预测模型是根据权利要求1至4任一项所述的模型训练方法训练得到。
6.根据权利要求5所述的行为预测方法,其特征在于,所述将所述目标基本信息和所述目标行为数据输入行为预测模型进行预测,得到目标时段,包括:
对所述目标基本信息和所述目标行为数据进行特征提取,得到目标预测特征;
对所述目标预测特征进行向量化处理,得到预测特征向量;其中,所述预测特征向量至少包括以下两种:性别特征向量、年龄特征向量、行为特征向量;
根据所述预测特征向量进行行为预测,得到所述目标时段。
7.一种模型训练装置,其特征在于,所述训练装置包括:
样本数据获取模块,用于获取样本数据,所述样本行为数据包括历史行为、对应每一所述历史行为的历史次数、历史时间,所述历史时间为每一所述历史行为所发生的时间;
预设时段分类模块,用于根据所述历史时间进行时段分类,得到至少两个预设时段;
历史占比计算模块,用于计算每一所述历史行为的历史占比;所述历史占比是在其中一个所述预设时段实施所述历史行为的历史次数与在所有所述预设时段实施所述历史行为的历史次数总和之间的比值;
行为评估模块,用于根据所述历史占比计算行为评估值;所述行为评估值用于评估所述样本用户的行为规律性;
训练样本获取模块,用于根据所述行为评估值从所述样本数据筛选出训练样本;
模型训练模块,用于根据所述训练样本进行模型训练,得到行为预测模型。
8.一种行为预测装置,其特征在于,所述行为预测装置包括:
目标数据获取模块,用于获取待预测目标的目标基本信息和目标行为数据;其中,所述目标行为数据包括当前行为,对应每一所述当前行为的行为次数、行为时间,所述行为次数是所述待预测目标实施每一所述当前行为的次数,所述行为时间是所述待预测目标实施每一所述当前行为的时间;
行为预测模块,用于将所述目标基本信息和所述目标行为数据输入行为预测模型进行预测,得到目标时段;所述目标时段是所述待预测目标实施所述当前行为的时间段;其中,所述行为预测模型是根据权利要求1至5任一项所述的模型训练方法训练得到。
9.一种电子设备,其特征在于,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现:
如权利要求1至4任一项所述的模型训练方法的步骤;
或者,
如权利要求5至6任一项所述的行为预测方法的步骤。
10.一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现:
如权利要求1至4任一项所述的模型训练方法的步骤;
或者,
如权利要求5至6任一项所述的行为预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582876.6A CN114912537A (zh) | 2022-05-26 | 2022-05-26 | 模型训练方法和装置、行为预测方法和装置、设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582876.6A CN114912537A (zh) | 2022-05-26 | 2022-05-26 | 模型训练方法和装置、行为预测方法和装置、设备、介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114912537A true CN114912537A (zh) | 2022-08-16 |
Family
ID=82769197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210582876.6A Pending CN114912537A (zh) | 2022-05-26 | 2022-05-26 | 模型训练方法和装置、行为预测方法和装置、设备、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114912537A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076131A (zh) * | 2023-10-12 | 2023-11-17 | 中信建投证券股份有限公司 | 一种任务分配方法、装置、电子设备及存储介质 |
WO2024075749A1 (ja) * | 2022-10-04 | 2024-04-11 | ソフトバンクグループ株式会社 | 冷却システム、冷却実行装置、冷却装置、冷却実行方法、冷却方法、プログラム、冷却実行プログラム、および冷却プログラム |
-
2022
- 2022-05-26 CN CN202210582876.6A patent/CN114912537A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024075749A1 (ja) * | 2022-10-04 | 2024-04-11 | ソフトバンクグループ株式会社 | 冷却システム、冷却実行装置、冷却装置、冷却実行方法、冷却方法、プログラム、冷却実行プログラム、および冷却プログラム |
CN117076131A (zh) * | 2023-10-12 | 2023-11-17 | 中信建投证券股份有限公司 | 一种任务分配方法、装置、电子设备及存储介质 |
CN117076131B (zh) * | 2023-10-12 | 2024-01-23 | 中信建投证券股份有限公司 | 一种任务分配方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114912537A (zh) | 模型训练方法和装置、行为预测方法和装置、设备、介质 | |
CN115222066A (zh) | 模型训练方法和装置、行为预测方法、设备及存储介质 | |
CN114240552A (zh) | 基于深度聚类算法的产品推荐方法、装置、设备及介质 | |
CN114547315A (zh) | 一种案件分类预测方法、装置、计算机设备及存储介质 | |
CN114519613B (zh) | 价格数据的处理方法和装置、电子设备、存储介质 | |
CN115223251A (zh) | 签名检测模型的训练方法和装置、电子设备及存储介质 | |
CN116680386A (zh) | 基于多轮对话的答案预测方法和装置、设备、存储介质 | |
CN114926039A (zh) | 风险评估方法、风险评估装置、电子设备及存储介质 | |
CN112464670A (zh) | 识别方法、识别模型的训练方法、装置、设备、存储介质 | |
CN115828153A (zh) | 基于人工智能的任务预测方法、装置、设备和介质 | |
CN115099344A (zh) | 模型训练方法和装置、用户画像生成方法和装置、设备 | |
CN114896294A (zh) | 产品测试数据表生成方法、装置、设备及存储介质 | |
CN113342932B (zh) | 目标词向量的确定方法、装置、存储介质和电子装置 | |
CN115841334A (zh) | 异常账户识别方法和装置、电子设备及存储介质 | |
CN115204278A (zh) | 异常样本检测方法和装置、电子设备、存储介质 | |
CN115204300A (zh) | 文本和表格语义交互的数据处理方法、装置及存储介质 | |
CN115169716A (zh) | 行为预测方法、行为预测装置、电子设备、存储介质 | |
CN112765444A (zh) | 提取目标文本片段的方法、装置、设备及存储介质 | |
CN113112299A (zh) | 一种贵金属价格趋势预测方法及装置 | |
CN114595381A (zh) | 推荐方法、推荐装置、电子设备及存储介质 | |
CN115034915A (zh) | 理赔任务预估方法、装置、设备及存储介质 | |
CN114625862A (zh) | 推荐方法、推荐装置、电子设备及存储介质 | |
CN115062994A (zh) | 对象评估方法、对象评估装置、电子设备及存储介质 | |
CN114998035A (zh) | 保单处理方法、保单处理装置、计算机设备及存储介质 | |
CN115115001A (zh) | 一种目标物品的匹配方法和装置、电子设备及存储介质 |
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 |