CN115081535A - 对象的识别方法、装置、计算机可读存储介质及电子设备 - Google Patents

对象的识别方法、装置、计算机可读存储介质及电子设备 Download PDF

Info

Publication number
CN115081535A
CN115081535A CN202210780744.4A CN202210780744A CN115081535A CN 115081535 A CN115081535 A CN 115081535A CN 202210780744 A CN202210780744 A CN 202210780744A CN 115081535 A CN115081535 A CN 115081535A
Authority
CN
China
Prior art keywords
deposit
target object
target
feature vector
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
Application number
CN202210780744.4A
Other languages
English (en)
Inventor
王彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202210780744.4A priority Critical patent/CN115081535A/zh
Publication of CN115081535A publication Critical patent/CN115081535A/zh
Pending legal-status Critical Current

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Computational Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Remote Sensing (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种对象的识别方法、装置、计算机可读存储介质及电子设备。涉及人工智能领域，该方法包括：获取目标对象在第一预设时间范围内的行为信息，其中，行为信息至少包括目标对象所停留过的至少一个场景的地理位置信息；基于行为信息、第一存款时间以及目标对象的存款频率，确定第一特征向量，其中，第一存款时间表征目标对象上次存款的存款时间，第一特征向量用于表征目标对象的存款特征；基于第一特征向量，识别目标对象的对象类型，其中，对象类型表征目标对象是否为请求存款时间大于预设时间的对象。本发明解决了现有技术中相关方法识别客户类型的识别准确度低的技术问题。

Description

对象的识别方法、装置、计算机可读存储介质及电子设备
技术领域
本发明涉及人工智能领域，具体而言，涉及一种对象的识别方法、装置、计算机可读存储介质及电子设备。
背景技术
在目前的国际经济形势下，相关金融机构(如：银行等)需要出售更多的长期存款来提高金融储备。客户的长期存款对银行而言十分重要，了解客户特点是银行增加产品销售的关键。因此，相关人员开始用统计策略识别银行长期存款的潜在用户。
近年来，科学家们发现通过变量数据分析、特征选择和机器学习技术，可以对客户特征和能够影响客户决策的变量进行分析，来识别不同类的消费者，从而确定客户类型，如：客户是否会进行长期存款。然而，现有技术中相关方法在识别客户类型的过程中，存在识别准确度低的问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种对象的识别方法、装置、计算机可读存储介质及电子设备，以至少解决现有技术中相关方法识别客户类型的识别准确度低的技术问题。
根据本发明实施例的一个方面，提供了一种对象的识别方法，包括：获取目标对象在第一预设时间范围内的行为信息，其中，行为信息至少包括目标对象所停留过的至少一个场景的地理位置信息；基于行为信息、第一存款时间以及目标对象的存款频率，确定第一特征向量，其中，第一存款时间表征目标对象上次存款的存款时间，第一特征向量用于表征目标对象的存款特征；基于第一特征向量，识别目标对象的对象类型，其中，对象类型表征目标对象是否为请求存款时间大于预设时间的对象。
进一步地，对象的识别方法还包括：基于停留顺序，对多个地理位置信息进行排序，得到目标序列，其中，行为信息还包括目标对象所停留过的至少一个场景对应的停留顺序；基于目标序列，确定目标对象在多个地理位置信息中的任意两个地理位置信息所对应的位置之间的转移概率，得到多个目标转移概率；基于多个目标转移概率、第一存款时间以及目标对象的存款频率确定第一特征向量。
进一步地，对象的识别方法还包括：基于多个目标转移概率生成第一目标转移概率矩阵；对第一目标转移概率矩阵进行降维处理，得到第二目标转移概率矩阵；基于第二目标转移概率矩阵、第一存款时间以及目标对象的存款频率确定第一特征向量。
进一步地，对象的识别方法还包括：对第二目标转移概率矩阵、第一存款时间以及目标对象的存款频率进行归一化处理，得到第一特征向量。
进一步地，对象的识别方法还包括：在基于第一特征向量，识别目标对象的对象类型之前，基于第二特征向量以及历史对象的对象类型构建训练集，其中，第二特征向量用于表征历史对象的存款特征；基于训练集训练预设模型，得到目标预设模型，其中，目标预设模型用于基于第一特征向量，识别目标对象的对象类型。
进一步地，对象的识别方法还包括：在基于第二特征向量以及历史对象的对象类型构建训练集之前，获取历史对象在第二预设时间范围内的历史行为信息；基于历史行为信息、第二存款时间以及历史对象的存款频率确定第二特征向量，其中，第二存款时间表征历史对象上次存款的存款时间。
根据本发明实施例的另一方面，还提供了一种对象的识别装置，包括：获取模块，用于获取目标对象在第一预设时间范围内的行为信息，其中，行为信息至少包括目标对象所停留过的至少一个场景的地理位置信息；确定模块，用于基于行为信息、第一存款时间以及目标对象的存款频率，确定第一特征向量，其中，第一存款时间表征目标对象上次存款的存款时间，第一特征向量用于表征目标对象的存款特征；识别模块，用于基于第一特征向量，识别目标对象的对象类型，其中，对象类型表征目标对象是否为请求存款时间大于预设时间的对象。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的对象的识别方法。
根据本发明实施例的另一方面，还提供了一种电子设备，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，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的对象的识别方法。
根据本发明实施例的另一方面，还提供了一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现上述的对象的识别方法。
在本发明实施例中，采用基于目标对象的行为信息、上次存款的存款时间以及存款频率识别目标对象的对象类型方式，通过获取目标对象在第一预设时间范围内的行为信息，然后基于行为信息、第一存款时间以及目标对象的存款频率，确定第一特征向量，从而基于第一特征向量，识别目标对象的对象类型，其中，行为信息至少包括目标对象所停留过的至少一个场景的地理位置信息，第一存款时间表征目标对象上次存款的存款时间，第一特征向量用于表征目标对象的存款特征，对象类型表征目标对象是否为请求存款时间大于预设时间的对象。
在上述过程中，通过基于行为信息、第一存款时间以及目标对象的存款频率，确定第一特征向量，实现了目标对象所对应的第一特征向量的丰富，从而可以更好的体现目标对象的存款特征，进而促使基于第一特征向量识别的目标对象的对象类型更加准确，避免了现有技术中仅基于目标对象的消费行为对对象类型进行识别造成的针对于每次消费数额较低、购买频率不高的对象的识别准确度低的问题。
由此可见，本申请所提供的方案达到了基于目标对象的行为信息、上次存款的存款时间以及存款频率识别目标对象的对象类型的目的，从而实现了提高识别准确度的技术效果，进而解决了现有技术中相关方法识别客户类型的识别准确度低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的对象的识别方法的示意图；
图2是根据本发明实施例的一种可选的对象的识别方法的流程图；
图3是根据本发明实施例的一种可选的对象的识别装置的示意图；
图4是根据本发明实施例的一种可选的电子设备的示意图。
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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，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，以便这里描述的本发明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。
需要说明的是，本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。
实施例1
根据本发明实施例，提供了一种对象的识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的对象的识别方法的示意图，如图1所示，该方法包括如下步骤：
步骤S101，获取目标对象在第一预设时间范围内的行为信息，其中，行为信息至少包括目标对象所停留过的至少一个场景的地理位置信息。
在一种可选的实施例中，可以通过电子设备、服务器、应用系统等装置获取目标对象在第一预设时间范围内的行为信息，在本申请中，通过对象识别系统获取目标对象在第一预设时间范围内的行为信息。其中，目标对象为在金融机构(如：银行等)中进行过登记以及存款的对象。
可选的，对象识别系统可以获取目标对象在近一个月内，或近一年内，或其它预设时间范围内的时空行为数据(也即行为信息)，其中，行为信息至少包括目标对象所停留过的至少一个POI(兴趣点，Point of interest)的地理位置信息，且POI与地理位置一一对应，一个POI可以是餐馆、酒店、海滩、银行、电影院、公园等，POI相当于前述的场景。目标对象的行为信息与目标对象的是否可能为长期存款用户具有一定的关联关系，如，当基于行为信息确定目标对象经常出入高消费场所时，目标对象更可能成为长期存款用户。
具体地，对象识别系统可以设置停留时间阈值，并当目标对象在某一场景停留过的时间大于停留时间阈值时，确定该场景为目标对象所停留过的POI，并获取该场景对应的地理位置信息，其中，地理位置信息可以包括场景所处位置的经度和纬度信息。
需要说明的，通过获取目标对象的行为信息，以便于后续识别对象类型。
步骤S102，基于行为信息、第一存款时间以及目标对象的存款频率，确定第一特征向量，其中，第一存款时间表征目标对象上次存款的存款时间，第一特征向量用于表征目标对象的存款特征。
在步骤S102中，对象识别系统可以先获取目标对象上次存款的时间，如：2021年5月3日，以及目标对象的存款频率，其中，可以基于目标对象在预设时间范围内的存款行为确定目标对象的存款频率，也可以基于目标对象产生第一次存款记录的时间至当前时间的期间内的存款行为确定目标对象的存款频率。
进一步地，当确定了第一存款时间以及目标对象的存款频率后，对象识别系统可以结合前述的行为信息确定第一特征向量。其中，对象识别系统可以对行为信息进行处理，并基于处理后的行为信息以及第一存款时间和目标对象的存款频率确定第一特征向量。其中，对象识别系统对行为信息进行的处理可以是：基于行为信息确定目标对象所常去的POI、所经常消费的POI、或是每个POI对应的出现频率、每个POI对应的出现时间、目标对象在任意POI之间的转移概率等。
需要说明的是，基于行为信息、第一存款时间以及目标对象的存款频率，确定第一特征向量，实现了目标对象所对应的第一特征向量的丰富，从而可以更好的体现目标对象的存款特征，进而促使基于第一特征向量识别的目标对象的对象类型更加准确，避免了现有技术中仅基于目标对象的消费行为对对象类型进行识别造成的针对于每次消费数额较低、购买频率不高的对象的识别准确度低的问题。
步骤S103，基于第一特征向量，识别目标对象的对象类型，其中，对象类型表征目标对象是否为请求存款时间大于预设时间的对象。
可选的，对象识别系统可以利用预先训练好的目标预设模型，基于第一特征向量识别目标对象的对象类型。其中，目标预设模型可以是深度森林模型，也可以是其它机器学习模型。可选的，对象识别系统也可以利用其它方法识别目标对象的对象类型。
在步骤S103中，对象识别系统可以将目标对象的第一特征向量Xtest输入预先训练好的深度森林模型，然后得到对应的输出结果Ytest，其中，输出结果用于表征目标对象为非长期存款客户的可能性，即若Ytest趋近于0，则确定该目标对象为长期存款的潜在客户，也即确定该目标对象为请求存款时间大于预设时间的对象，可能进行长期存款，若Ytest趋近于1，则确定该目标对象为非长期存款的客户，也即确定该目标对象为请求存款时间小于或等于预设时间的对象，进行长期存款的可能性相对较低。
需要说明的是，通过基于第一特征向量，识别目标对象的对象类型，实现了对目标对象的对象类型的有效识别。
基于上述步骤S101至步骤S103所限定的方案，可以获知，在本发明实施例中，采用基于目标对象的行为信息、上次存款的存款时间以及存款频率识别目标对象的对象类型方式，通过获取目标对象在第一预设时间范围内的行为信息，然后基于行为信息、第一存款时间以及目标对象的存款频率，确定第一特征向量，从而基于第一特征向量，识别目标对象的对象类型，其中，行为信息至少包括目标对象所停留过的至少一个场景的地理位置信息，第一存款时间表征目标对象上次存款的存款时间，第一特征向量用于表征目标对象的存款特征，对象类型表征目标对象是否为请求存款时间大于预设时间的对象。
容易注意到的是，在上述过程中，通过基于行为信息、第一存款时间以及目标对象的存款频率，确定第一特征向量，实现了目标对象所对应的第一特征向量的丰富，从而可以更好的体现目标对象的存款特征，进而促使基于第一特征向量识别的目标对象的对象类型更加准确，避免了现有技术中仅基于目标对象的消费行为对对象类型进行识别造成的针对于每次消费数额较低、购买频率不高的对象的识别准确度低的问题。
由此可见，本申请所提供的方案达到了基于目标对象的行为信息、上次存款的存款时间以及存款频率识别目标对象的对象类型的目的，从而实现了提高识别准确度的技术效果，进而解决了现有技术中相关方法识别客户类型的识别准确度低的技术问题。
在一种可选的实施例中，在基于行为信息、第一存款时间以及目标对象的存款频率，确定第一特征向量的过程中，对象识别系统可以基于停留顺序，对多个地理位置信息进行排序，得到目标序列，然后基于目标序列，确定目标对象在多个地理位置信息中的任意两个地理位置信息所对应的位置之间的转移概率，得到多个目标转移概率，从而基于多个目标转移概率、第一存款时间以及目标对象的存款频率确定第一特征向量。其中，行为信息还包括目标对象所停留过的至少一个场景对应的停留顺序。
可选的，如图2所示，基于目标对象的停留顺序和行为信息，可以得到该目标对象所对应的POI序列(即前述的目标序列)，如：usertest＝{Pa(lona,lata),Pb(lonb,latb),…PNlonN,latN，其中，useri表征目标对象test的POI序列，Pa,Pb,…PN表征目标对象对应的多个地理位置信息，例如餐馆、酒店、海滩、银行、电影院、公园等场景的地理位置信息，lonN表示位置PN的经度，latN表示位置PN的纬度。
进一步地，可以基于POI序列，确定目标对象从第x类POI(地理位置信息所对应的位置)转移到第y类POI的概率。例如，目标对象所对应的POI序列为{P1,P2,P4,P7,P1,P2,P5,P6,P2,P1}，在此序列中有十个POI，并且转换了9次，从P1到P2转换了2次，因此I12＝2/9，其中，I12表示从1号POI到2号POI的转移概率。
再进一步地，可以基于前述的对转移概率的计算方法，计算每个地理位置信息与所有地理位置信息中的其它地理位置信息的转移概率，从而可以得到多个目标转移概率，并可以基于多个目标转移概率以及第一存款时间以及目标对象的存款频率确定第一特征向量。
需要说明的是，通过计算目标转移概率，实现了对目标对象的时空行为数据的充分利用，进一步地扩充了目标对象所对应的特征向量。
在一种可选的实施例中，在基于多个目标转移概率、第一存款时间以及目标对象的存款频率确定第一特征向量的过程中，对象识别系统可以基于多个目标转移概率生成第一目标转移概率矩阵，然后对第一目标转移概率矩阵进行降维处理，得到第二目标转移概率矩阵，从而基于第二目标转移概率矩阵、第一存款时间以及目标对象的存款频率确定第一特征向量。
可选的，在计算得到每个地理位置信息与所有地理位置信息中的其它地理位置信息的转移概率之后，还可以确定每个地理位置信息与自身之间的转移概率为0，如：I11＝0，从而使得目标转移概率的数量加上每个地理位置信息与自身之间的转移概率的数量的和与POI序列中POI类型的数量的平方相等，例如，在前述POI序列{P1,P2,P4,P7,P1,P2,P5,P6,P2,P1}中，POI序列中POI类型的数量为7个，则目标转移概率加上每个地理位置信息与自身之间的转移概率有49个。
进一步地，如图2所示，对象识别系统可以基于N个类型POI对应的目标转移概率生成一个N阶平方矩阵G(即前述第一目标转移概率矩阵)，如下所示：
Figure BDA0003729407670000071
其中，Gtest表示目标对象test所对应的第一目标转移概率矩阵。
再进一步地，如图2所示，对象识别系统可以将第一目标转移概率矩阵降为一维，得到第二目标转移概率矩阵gtest＝(I11,I12,I13,…,I1N,I21,I22,I23,…,I2N,I31,I32,I33,…,I3N,IN1,IN2,IN3,…,INN)。从而可以基于第二目标转移概率矩阵、第一存款时间以及目标对象的存款频率确定第一特征向量Xtest＝(I11,I12,I13,…,I1N,I21,I22,I23,…,I2N,I31,I32,I33,…,I3N,IN1,IN2,IN3,…,INN,rtest,ftest)，其中，rtest表示目标对象test对应的第一存款时间，ftest表示目标对象test的存款频率。在第一特征向量Xtest中，共有N×N+2个参数，代表该目标对象的N×N+2个特征。
需要说明的是，通过基于多个目标转移概率确定第二目标转移概率矩阵，以使得每个目标对象形成的第一特征向量可以保持相同的结构，从而提高对目标对象的对象类型识别的准确度。
在一种可选的实施例中，在基于第二目标转移概率矩阵、第一存款时间以及目标对象的存款频率确定第一特征向量的过程中，对象识别系统可以对第二目标转移概率矩阵、第一存款时间以及目标对象的存款频率进行归一化处理，得到第一特征向量。
可选的，如图2所示，对象识别系统可以对前述得到的gtest、rtest以及ftest均进行归一化处理，从而确定最终的第一特征向量。
需要说明的是，通过对数据进行归一化处理，使得得到的第一特征向量更加便于分析，从而提高了识别效率。
在一种可选的实施例中，在基于第一特征向量，识别目标对象的对象类型之前，对象识别系统可以基于第二特征向量以及历史对象的对象类型构建训练集，然后基于训练集训练预设模型，得到目标预设模型，其中，第二特征向量用于表征历史对象的存款特征，目标预设模型用于基于第一特征向量，识别目标对象的对象类型。
可选的，对象识别系统可以基于目前已经确定的对象类型的对象(即前述的历史对象)实例构建训练集
Figure BDA0003729407670000081
其中，Xi表示历史对象i对应的第二特征向量，yi表征历史对象i的对象类型，且yi∈{0,1}，当yi＝1时，表征历史对象i为非长期存款用户，当yi＝0时，表征历史对象i为长期存款用户。
进一步地，将训练集
Figure BDA0003729407670000082
作为深度森林(即预设模型)的输入数据，对深度森林进行训练，从而得到训练好的深度森林，即目标预设模型。之后，如图2所示，便可以基于训练好的深度森林对目标对象的对象类型进行识别，以判断目标对象是否为银行潜在的长期存款客户。其中，深度森林是不同类型森林的叠加，采用级联森林结构表示学习，深度森林中采用的方法可以有逻辑回归、随机森林和决策树三种。
需要说明的是，通过基于历史对象的数据训练模型，以基于训练好的模型识别用户类型，便于提高识别精度，从而更准确的识别出长期存款客户，同时，还能提高识别效率。
在一种可选的实施例中，在基于第二特征向量以及历史对象的对象类型构建训练集之前，对象识别系统可以获取历史对象在第二预设时间范围内的历史行为信息，从而基于历史行为信息、第二存款时间以及历史对象的存款频率确定第二特征向量，其中，第二存款时间表征历史对象上次存款的存款时间。
可选的，基于历史行为信息、第二存款时间以及历史对象的存款频率确定第二特征向量的方法与前述基于行为信息、第一存款时间以及目标对象的存款频率，确定第一特征向量的方法相同，故此处不再赘述，其中，所确定的历史对象i的第二特征向量可以表示为Xi＝(I11,I12,I13,…,I1N,I21,I22,I23,…,I2N,I31,I32,I33,…,I3N,IN1,IN2,IN3,…,INN,ri,fi)。
需要说明的是，由于每个目标对象行为的地理位置与POI关联，且还关联有停留顺序，因此每个目标对象的POI序列的差异性都足够大，从而使得基于基于历史行为信息、第二存款时间以及历史对象的存款频率确定的第二特征向量具有多样性，进而便于训练预设模型，进而进一步地提高训练好的预设模型的识别准确度。
由此可见，在本申请中，通过提出一种STP-DF(空间转移概率-深度森林算法，spatial transition probability and Deep Forest algorithm)模型，充分利用了存款客户的时空行为数据和深度森林的计算能力，使得其相对于现有的相关方法具有更高的识别精度，能更准确的识别出长期存款客户。同时，该方法的运行时间更短，能更快速的完成对长期存款客户的识别，帮助银行增加存款。从而达到了基于目标对象的行为信息、上次存款的存款时间以及存款频率识别目标对象的对象类型的目的，实现了提高识别准确度的技术效果，进而解决了现有技术中相关方法识别客户类型的识别准确度低的技术问题。
实施例2
根据本发明实施例，提供了一种对象的识别装置的实施例，其中，图3是根据本发明实施例的一种可选的对象的识别装置的示意图，如图3所示，该装置包括：
获取模块301，用于获取目标对象在第一预设时间范围内的行为信息，其中，行为信息至少包括目标对象所停留过的至少一个场景的地理位置信息；
确定模块302，用于基于行为信息、第一存款时间以及目标对象的存款频率，确定第一特征向量，其中，第一存款时间表征目标对象上次存款的存款时间，第一特征向量用于表征目标对象的存款特征；
识别模块303，用于基于第一特征向量，识别目标对象的对象类型，其中，对象类型表征目标对象是否为请求存款时间大于预设时间的对象。
需要说明的是，上述获取模块301、确定模块302以及识别模块303对应于上述实施例中的步骤S101至步骤S103，三个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
可选的，确定模块还包括：排序模块，用于基于停留顺序，对多个地理位置信息进行排序，得到目标序列，其中，行为信息还包括目标对象所停留过的至少一个场景对应的停留顺序；第一确定子模块，用于基于目标序列，确定目标对象在多个地理位置信息中的任意两个地理位置信息所对应的位置之间的转移概率，得到多个目标转移概率；第二确定子模块，用于基于多个目标转移概率、第一存款时间以及目标对象的存款频率确定第一特征向量。
可选的，第二确定子模块还包括：生成模块，用于基于多个目标转移概率生成第一目标转移概率矩阵；第一处理模块，用于对第一目标转移概率矩阵进行降维处理，得到第二目标转移概率矩阵；第三确定子模块，用于基于第二目标转移概率矩阵、第一存款时间以及目标对象的存款频率确定第一特征向量。
可选的，第三确定子模块，还包括：第二处理模块，用于对第二目标转移概率矩阵、第一存款时间以及目标对象的存款频率进行归一化处理，得到第一特征向量。
可选的，对象的识别装置还包括：构建模块，用于基于第二特征向量以及历史对象的对象类型构建训练集，其中，第二特征向量用于表征历史对象的存款特征；训练模块，用于基于训练集训练预设模型，得到目标预设模型，其中，目标预设模型用于基于第一特征向量，识别目标对象的对象类型。
可选的，对象的识别装置还包括：获取子模块，用于获取历史对象在第二预设时间范围内的历史行为信息；第四确定子模块，用于基于历史行为信息、第二存款时间以及历史对象的存款频率确定第二特征向量，其中，第二存款时间表征历史对象上次存款的存款时间。
实施例3
根据本发明实施例的另一方面，还提供了计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的对象的识别方法。
实施例4
根据本发明实施例的另一方面，还提供了一种电子设备，其中，图4是根据本发明实施例的一种可选的电子设备的示意图，如图4所示，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，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的对象的识别方法。
实施例5
根据本发明实施例的另一方面，还提供了一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现上述的对象的识别方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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，在本发明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，本发明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，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种对象的识别方法，其特征在于，包括：
获取目标对象在第一预设时间范围内的行为信息，其中，所述行为信息至少包括目标对象所停留过的至少一个场景的地理位置信息；
基于所述行为信息、第一存款时间以及目标对象的存款频率，确定第一特征向量，其中，所述第一存款时间表征所述目标对象上次存款的存款时间，所述第一特征向量用于表征所述目标对象的存款特征；
基于所述第一特征向量，识别所述目标对象的对象类型，其中，所述对象类型表征目标对象是否为请求存款时间大于预设时间的对象。
2.根据权利要求1所述的方法，其特征在于，基于所述行为信息、第一存款时间以及目标对象的存款频率，确定第一特征向量，包括：
基于停留顺序，对多个地理位置信息进行排序，得到目标序列，其中，所述行为信息还包括所述目标对象所停留过的至少一个场景对应的停留顺序；
基于所述目标序列，确定目标对象在多个地理位置信息中的任意两个地理位置信息所对应的位置之间的转移概率，得到多个目标转移概率；
基于所述多个目标转移概率、所述第一存款时间以及所述目标对象的存款频率确定所述第一特征向量。
3.根据权利要求2所述的方法，其特征在于，基于所述多个目标转移概率、所述第一存款时间以及所述目标对象的存款频率确定所述第一特征向量，包括：
基于所述多个目标转移概率生成第一目标转移概率矩阵；
对所述第一目标转移概率矩阵进行降维处理，得到第二目标转移概率矩阵；
基于所述第二目标转移概率矩阵、所述第一存款时间以及所述目标对象的存款频率确定所述第一特征向量。
4.根据权利要求3所述的方法，其特征在于，基于所述第二目标转移概率矩阵、所述第一存款时间以及所述目标对象的存款频率确定所述第一特征向量，包括：
对所述第二目标转移概率矩阵、所述第一存款时间以及所述目标对象的存款频率进行归一化处理，得到所述第一特征向量。
5.根据权利要求1所述的方法，其特征在于，在基于所述第一特征向量，识别所述目标对象的对象类型之前，所述方法还包括：
基于第二特征向量以及历史对象的对象类型构建训练集，其中，所述第二特征向量用于表征所述历史对象的存款特征；
基于所述训练集训练预设模型，得到目标预设模型，其中，所述目标预设模型用于基于所述第一特征向量，识别所述目标对象的对象类型。
6.根据权利要求5所述的方法，其特征在于，在基于所述第二特征向量以及历史对象的对象类型构建训练集之前，所述方法还包括：
获取历史对象在第二预设时间范围内的历史行为信息；
基于所述历史行为信息、第二存款时间以及历史对象的存款频率确定所述第二特征向量，其中，第二存款时间表征所述历史对象上次存款的存款时间。
7.一种对象的识别装置，其特征在于，包括：
获取模块，用于获取目标对象在第一预设时间范围内的行为信息，其中，所述行为信息至少包括目标对象所停留过的至少一个场景的地理位置信息；
确定模块，用于基于所述行为信息、第一存款时间以及目标对象的存款频率，确定第一特征向量，其中，所述第一存款时间表征所述目标对象上次存款的存款时间，所述第一特征向量用于表征所述目标对象的存款特征；
识别模块，用于基于所述第一特征向量，识别所述目标对象的对象类型，其中，所述对象类型表征目标对象是否为请求存款时间大于预设时间的对象。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的对象的识别方法。
9.一种电子设备，其特征在于，所述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，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实现用于运行程序，其中，所述程序被设置为运行时执行所述权利要求1至6任一项中所述的对象的识别方法。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至6中任一项所述的对象的识别方法。
CN202210780744.4A 2022-07-04 2022-07-04 对象的识别方法、装置、计算机可读存储介质及电子设备 Pending CN115081535A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210780744.4A CN115081535A (zh) 2022-07-04 2022-07-04 对象的识别方法、装置、计算机可读存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210780744.4A CN115081535A (zh) 2022-07-04 2022-07-04 对象的识别方法、装置、计算机可读存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN115081535A true CN115081535A (zh) 2022-09-20

Family

ID=83257826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210780744.4A Pending CN115081535A (zh) 2022-07-04 2022-07-04 对象的识别方法、装置、计算机可读存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN115081535A (zh)

Similar Documents

Publication Publication Date Title
CN108665159A (zh) 一种风险评估方法、装置、终端设备及存储介质
CN109389494B (zh) 借贷欺诈检测模型训练方法、借贷欺诈检测方法及装置
CN109376766B (zh) 一种画像预测分类方法、装置及设备
EP3188111A1 (en) A method for extracting latent context patterns from sensors
CN113191838B (zh) 一种基于异质图神经网络的购物推荐方法及系统
CN111062486B (zh) 一种评价数据的特征分布和置信度的方法及装置
CN109784654A (zh) 任务生成方法、装置、计算机设备和存储介质
Shimoda et al. Learning food image similarity for food image retrieval
CN111736940A (zh) 智能柜台的业务界面展示方法及装置
CN113409157B (zh) 一种跨社交网络用户对齐方法以及装置
JP7071948B2 (ja) 対象地域の不動産の稼働率を推定するプログラム、装置及び方法
Menaga et al. A Method for Predicting Movie Box-Office using Machine Learning
CN115081535A (zh) 对象的识别方法、装置、计算机可读存储介质及电子设备
CN113032567B (zh) 位置嵌入解释方法、装置、计算机设备及存储介质
CN110990164B (zh) 账户检测方法和装置、账户检测模型的训练方法和装置
CN114117210A (zh) 基于联邦学习的理财产品智能推荐方法及装置
Krishna et al. Hybrid Deep Learning with CSHO based Feature Selection Model for Financial Fraud Detection
CN114625893A (zh) 一种媒体资源召回方法、装置、服务器及存储介质
CN106095798A (zh) 一种基于特征数据库的性别特征的识别方法、系统及终端
Almejrb et al. Applying C atboost Regression Model for Prediction of House Prices
Khanarsa et al. Self-identification deep learning ARIMA
Amin et al. Tree-based Machine Learning and Deep Learning in Predicting Investor Intention to Public Private Partnership
Jeyakarthic et al. An Approach for Efficient Classification and Prediction of Client Behaviour in Telecommunication
Suwirya et al. Evaluation of ATM Location Placement Using the K-Means Clustering in BNI Denpasar Regional Office
Arai et al. Churn Customer Estimation Method based on LightGBM for Improving Sales

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