CN115169716A - 行为预测方法、行为预测装置、电子设备、存储介质 - Google Patents

Abstract

本申请实施例提供了行为预测方法、行为预测装置、电子设备、存储介质，属于人工智能技术领域。该方法包括：获取待预测目标的目标保单数据和预测任务数据；对所述目标保单数据进行特征提取，得到初步保单特征；根据所述初步保单特征从预设的公共特征池筛选出目标保单特征；根据所述初步保单特征和所述目标保单特征从预设的历史保单数据中提取出候选保单数据；根据所述预测任务数据从所述候选保单数据提取出候选数据；对所述候选数据进行聚合计算，得到目标行为数据，本申请实施例能够可以根据不同预测任务进行预测，提高行为预测的效率和准确率。

Description

行为预测方法、行为预测装置、电子设备、存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及行为预测方法、行为预测装置、电子设备、存储介质。

背景技术

当前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(例如股票走势，商品价格等)、缴费预测等。以缴费预测为例，其预测原理通常是通过搜集用户特征并建立端到端算法模型，最后根据准确率来衡量模型效果；这种预测方法通常对于不同的预测任务需要构建不同模型，时间成本高，而且不具备可解释性。

发明内容

本申请实施例的主要目的在于提出行为预测方法、行为预测装置、电子设备、存储介质，旨在提高行为预测的效率和准确率。

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保单数据和预测任务数据；

对所述目标保单数据进行特征提取，得到初步保单特征；

根据所述初步保单特征从预设的公共特征池筛选出目标保单特征；

根据所述初步保单特征和所述目标保单特征从预设的历史保单数据中提取出候选保单数据；

根据所述预测任务数据从所述候选保单数据提取出候选数据；

对所述候选数据进行聚合计算，得到目标行为数据；其中，所述目标行为数据至少包括以下一种：目标行为概率、目标行为时间、目标行为时段。

在一些实施例，所述根据所述初步保单特征和所述目标保单特征从预设的历史保单数据中提取出候选保单数据，包括：

将所述初步保单特征进行向量转换，得到初步特征向量；

将所述目标保单特征进行向量转换，得到目标特征向量；

计算所述初步特征向量和所述目标特征向量之间的相似度，得到相似度值；

根据所述相似度值从所述历史保单数据中提取出所述候选保单数据。

在一些实施例，在所述将所述初步保单特征进行向量转换，得到初步特征向量之前，所述方法还包括：

检测所述初步保单特征的特征类型；

若所述初步保单特征的特征类型为文本型，则将文本型的所述初步保单特征转换为数值型的初步保单特征。

在一些实施例，在所述根据所述初步保单特征从预设的公共特征池筛选出目标保单特征之前，所述方法还包括：构建所述公共特征池，具体包括：

获取历史保单数据；

对所述历史保单数据进行特征提取，得到历史用户特征和历史保单特征；

根据所述历史用户特征和所述历史保单特征构建所述公共特征池。

在一些实施例，所述初步保单特征包括目标用户特征和保单信息特征，所述公共特征池包括所述历史用户特征和所述历史保单特征，所述根据所述初步保单特征从预设的公共特征池筛选出目标保单特征，包括：

根据所述目标用户特征从所述公共特征池的历史用户特征筛选出第一特征；

根据所述保单信息特征从所述公共特征池的历史保单特征筛选出第二特征；

将所述第一特征和所述第二特征合并，得到所述目标保单特征。

在一些实施例，所述根据所述预测任务数据从所述候选保单数据提取出候选数据，包括：

对所述预测任务数据进行特征提取，得到任务特征；

根据所述任务特征从所述候选保单数据提取出所述候选数据。

在一些实施例，所述对所述候选数据进行聚合计算，得到目标行为数据，包括：

检测所述候选数据的数据类型；

根据所述数据类型对候选数据进行聚合计算，得到所述目标行为数据。

为实现上述目的，本申请实施例的第二方面提出了行为预测装置，所述行为预测装置包括：

预测数据获取模块，用于获取待预测目标的目标保单数据和预测任务数据；

初步特征提取模块，用于对所述目标保单数据进行特征提取，得到初步保单特征；

目标特征筛选模块，用于根据所述初步保单特征从预设的公共特征池筛选出目标保单特征；

候选保单提取模块，用于根据所述初步保单特征和所述目标保单特征从预设的历史保单数据中提取出候选保单数据；

候选数据提取模块，用于根据所述预测任务数据从所述候选保单数据提取出候选数据；

聚合计算模块，用于对所述候选数据进行聚合计算，得到目标行为数据；其中，所述目标行为数据至少包括以下一种：目标行为概率、目标行为时间、目标行为时段。

为实现上述目的，本申请实施例的第三方面提出了电子设备，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行为预测方法。

为实现上述目的，本申请实施例的第四方面提出了存储介质，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行为预测方法。

本申请提出的行为预测方法、行为预测装置、电子设备及存储介质，其通过获取待预测目标的目标保单数据和预测任务数据，并对所述目标保单数据进行特征提取，得到初步保单特征；从而根据所述初步保单特征从公共特征池筛选出目标保单特征，并根据所述初步保单特征和所述目标保单特征从历史保单数据中提取出候选保单数据，从而可以根据所述预测任务数据从所述候选保单数据提取出候选数据，并对所述候选数据进行聚合计算，得到目标行为数据，其中，所述目标行为数据至少包括以下一种：目标行为概率、目标行为时间、目标行为时段，本申请实施例可以实现根据不同预测任务进行预测，提高行为预测的效率和准确率。

附图说明

图1是本申请实施例提供的行为预测方法的流程图；

图2是本申请实施例提供的行为预测方法的另一流程图；

图3是图1中的步骤103的流程图；

图4是图1中的步骤104在一实施例中的流程图；

图5是图1中的步骤104在另一实施例中的流程图；

图6是图1中的步骤105的流程图；

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。

当前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(例如股票走势，商品价格等)、缴费预测等。以保险行业的缴费预测为例，其预测原理通常是通过搜集用户特征并建立端到端算法模型，最后根据准确率来衡量模型效果；这种预测方法通常对于不同的预测任务需要构建不同模型，时间成本高，无法灵活调整预测结果、且不具备可解释性。

基于此，本申请实施例提供了一种行为预测方法、行为预测装置、电子设备及存储介质，旨在提高行为预测的效率和准确率。

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行为预测方法、行为预测装置、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行为预测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，获取待预测目标的目标保单数据和预测任务数据；

步骤102，对目标保单数据进行特征提取，得到初步保单特征；

步骤103，根据初步保单特征从预设的公共特征池筛选出目标保单特征；

步骤104，根据初步保单特征和目标保单特征从预设的历史保单数据中提取出候选保单数据；

步骤105，根据预测任务数据从候选保单数据提取出候选数据；

步骤106，对候选数据进行聚合计算，得到目标行为数据；其中，目标行为数据至少包括以下一种：目标行为概率、目标行为时间、目标行为时段。

本申请实施例的步骤101至步骤106，通过获取待预测目标的目标保单数据和预测任务数据，并对目标保单数据进行特征提取，得到初步保单特征；从而根据初步保单特征从公共特征池筛选出目标保单特征，并根据初步保单特征和目标保单特征从历史保单数据中提取出候选保单数据，从而可以根据预测任务数据从候选保单数据提取出候选数据，并对候选数据进行聚合计算，得到目标行为数据，从而可以根据不同预测任务进行预测，提高行为预测的效率和准确率。

相比于传统的端到端算法模型进行预测，本实施例提供的行为预测方法，可以基于相同的架构原理对不同的预测任务完成行为的预测，该行为预测可以是缴费概率的预测，可以是缴费时间的预测，也可以是缴费时段的预测，还可以是险种类别的预测，通过预测得到的预测行为，可以方便相关人员制定出适合的催收方式等。此外，相比于传统的端到端的建模方式，本实施例具有更好的可扩展性和可解释性。

在一些实施例的应用场景，以保险领域的应用场景为例进行说明，步骤101中，待预测目标是需要进行预测的用户，该预测的用户是购买保单的用户；则步骤106中，最终得到的目标行为概率可以是缴费概率，目标行为时间可以是缴费时间，目标行为时段可以是缴费时段。在其他的应用场景，例如还可以预测待预测目标在每月浏览APP的用户行为。

本实施例以保险领域为例进行说明，待预测目标的目标保单数据包括待预测目标的年龄、职业、保费、所购买的险种类别、保额等，例如：待预测目标T1的目标保单数据包括：年龄29岁、保费为100元、所购买的险种类别为AA、保额是20000元、交费次数30次；待预测目标T2的目标保单数据包括：年龄52岁、保费为50元、所购买的险种类别为BB、保额是2000元、交费次数20次。请参表1：待预测目标T1和待预测目标T2的目标保单数据分别可以表示为：

待预测目标	年龄	保费	险种类别	保额	交费次数
						T1	29	100	AA	20000	30
T2	52	50	BB	2000	20

表1

在保险领域的应用场景，在缴纳保费环节，用户通常有自己的缴费行为习惯，包括用户是否会缴费、会在何时缴费、会以何种渠道缴费等等。因此，预测任务数据可以包括预测预测待预测目标是否缴费，也可以包括预测待预测目标的缴费时间，还可以是预测预测待预测目标的缴费时段。通过对于用户缴费行为习惯进行预测，有助于保险公司在催收环节更高效的完成工作，例如，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。

另外，本申请实施例对于待预测目标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。

在一些实施例的步骤102中，可以对目标保单数据进行年龄特征提取得到的初步保单特征可以包括年龄特征，还可以对目标保单数据进行保费特征提取得到保费特征，也可以对目标保单数据进行相关的保单信息的提取，例如可以对险种特征提取得到险种类别特征，还可以对目标保单数据进行保额特征提取得到保额特征等。因此，初步保单特征包括目标用户特征和保单信息特征。本实施得到的初步保单特征不限于以上举例，还可以包括其他特征。

在一些实施例，步骤103之前，行为预测方法还包括：构建公共特征池，请参阅图2，构建公共特征池的步骤可以包括但不限于包括步骤201至步骤203：

步骤201，获取历史保单数据；

步骤202，对历史保单数据进行特征提取，得到历史用户特征和历史保单特征；

步骤203，根据历史用户特征和历史保单特征构建公共特征池。

在一些实施例的步骤201中，历史保单数据是历史用户的保单数据；待预测目标是历史用户的其中一个用户。本实施例要实现对待预测用户的行为预测，前提条件是待预测用户在历史保单数据中有对应的历史记录。该历史保单数据预存于目标数据库中。历史保单数据包括历史用户的用户信息和保单信息等，其中，用户信息可以包括用于表征历史用户的性别的性别信息，也可以包括用于表征历史用户的年龄的年龄信息，还可以包括用于表征历史用户的职业情况的职业信息等；保单信息可以包括保单号，也可以包括保费，还可以包括险种类别或者保额特征等等。

在一些实施例的步骤202中，历史用户特征包括性别特征、年龄特征等；历史保单特征包括保费特征、保额特征、险种类别特征、缴费时间特征、缴费概率特征等。

在一些实施例的步骤203中，将历史用户特征和历史保单特征进行汇总，得到公共特征池，因此，公共特征池包括历史用户特征和历史保单特征。该公共特征池包括了以上的性别特征、年龄特征、保费特征、保额特征、险种类别特征、缴费时间特征、、缴费概率特征等。

在一应用场景，表2示意了历史保单数据，表2示意了6个历史用户的保单数据：历史用户U1-U6的保费、险种类别(以险种大类为例)、保额、交费次数、缴费时间；具体地，以历史用户U1为例进行说明，历史用户U1的保单数据包括：年龄43岁、保费为10(元)、所购买的险种类别为BB、保额是20000元、交费次数30次，缴费时间15表示的是历史用户U1是在第15天进行缴费，其中，该险种类别BB表示的是险种大类BB。

历史用户	年龄	保费	险种类别	保额	交费次数	缴费时间
							U1	43	10	BB	20000	30	15
U2	28	100	AA	21000	30	14
							U3	29	100	AA	19000	30	16
U4	49	500	AA	20000	20	15
							U5	39	10	CC	50000	18	30
U6	42	50	AA	2000	10	20

表2

请参阅图3，在一些实施例的步骤103可以包括但不限于包括步骤301至步骤303：

步骤301，根据目标用户特征从公共特征池的历史用户特征筛选出第一特征；

步骤302，根据保单信息特征从公共特征池的历史保单特征筛选出第二特征；

步骤303，将第一特征和第二特征合并，得到目标保单特征。

在一些实施例的步骤301，目标用户特征是待预测目标的用户信息的特征，例如可以包括用于表征待预测目标的性别的性别特征，也可以包括用于表征待预测目标的年龄的年龄特征，还可以包括用于表征待预测目标的职业情况的职业信息等。

在一些实施例的步骤302，由于待预测目标是历史用户的其中一个用户，因此历史用户特征中必然有与目标用户特征对应的特征，将该特征作为第一特征；同理，历史保单特征中也必然有与保单信息特征对应的特征，将该特征作为第二特征。通过步骤303将第一特征和第二特征进行合并，可以得到目标保单特征；举例说明，若第一特征包括性别特征、年龄特征，第二特征包括保费特征、险种类别特征、保额特征，则第一特征和第二特征合并后得到的目标保单特征包括：性别特征、年龄特征、保费特征、险种类别特征、保额特征。

请参阅图4，在一些实施例的步骤104可以包括但不限于包括步骤401至步骤404：

步骤401，将初步保单特征进行向量转换，得到初步特征向量；

步骤402，将目标保单特征进行向量转换，得到目标特征向量；

步骤403，计算初步特征向量和目标特征向量之间的相似度，得到相似度值；

步骤404，根据相似度值从历史保单数据中提取出候选保单数据。

通过步骤401将初步保单特征进行向量转换得到初步特征向量，并通过步骤402将目标保单特征进行向量转换得到目标特征向量，以便于后续进行相似度计算。

在一些实施例的步骤403中，可以通过向量欧式距离进行相似度计算,如下公式(1)所示：

该公式(1)中，x可以表示初步特征向量、y可以表示目标特征向量，或者可以将x和y进行交互表示，即y可以表示初步特征向量、x可以表示目标特征向量；本实施例以x表示初步特征向量、y表示目标特征向量为例进行说明，则x_i表示初步特征向量在第i个位置的值，y_i表示目标特征向量在第i个位置的值，d(x,y)表示初步特征向量和目标特征向量之间的欧氏距离，将该欧式距离作为相似度值。

在一些实施例，步骤401和步骤402可以并行同时执行，在另一实施例也可以先执行步骤401、再执行步骤402，或者还可以先执行步骤402、再执行步骤401，本申请实施例对步骤401和步骤402的步骤执行顺序不做限定，以上示例都可以。

在一些实施例的步骤404，将计算得到的相似度值与预设的阈值进行比较，从而可以筛选出n个候选保单数据。若相似度值小于预设阈值，则说明筛选出n个候选保单数据是相似的保单，计算出的相似度值越小，说明筛选出的保单越相似。

请参阅图5，在步骤401之前，在一些实施例的步骤104还可以包括但不限于包括步骤501至步骤503：

步骤501，检测初步保单特征的特征类型；

步骤502，若初步保单特征的特征类型为文本型，则将文本型的初步保单特征转换为数值型的初步保单特征；并执行步骤401。

在另一些实施例，步骤104还可以包括但不限于包括步骤503：

步骤503：若特初步保单特征的征类型为数值型，则直接执行步骤401。

在一些实施例，由于初步保单特征存在不同的特征类型，对于不同特征类型的初步保单特征需进行不同的处理，因此，在执行步骤401前，需先执行步骤501，通过步骤501可以确定初步保单特征的特征类型，例如，结合上述表2可知，若险种类别表示为AA，其中AA是文本型；由于步骤104的步骤403需进行相似度计算，因此需将文本型AA的险种类别特征转换为数值型，本实施例，可以将文本型AA转换为数值型1、将文本型BB转换为数值型2、将文本型CC转换为数值型3。

请参阅图6，在一些实施例的步骤105可以包括但不限于包括步骤601至步骤602：

步骤601，对预测任务数据进行特征提取，得到任务特征；

步骤602，根据任务特征从候选保单数据提取出候选数据。

在一些实施例的步骤601，若预测任务数据为预测待预测目标是否缴费，则预测任务数据进行特征提取得到的任务特征为缴费概率特征；若预测任务数据为预测待预测目标的缴费时间，则预测任务数据进行特征提取得到的任务特征为缴费时间特征；若预测任务数据为预测待预测目标的缴费时段，则预测任务数据进行特征提取得到的任务特征为缴费时段特征。

在一些实施例的步骤602，将通过步骤601进行特征提取后得到的任务特征与候选保单数据的相关特征进行匹配，提取出与任务特征对应的候选数据。由于通过步骤404得到的候选保单数据是与待预测目标相似的保单，通过再步骤602从相似的保单中取出相应的候选数据；示例地，在一应用场景，以预测任务为预测待预测目标的缴费时间为例进行说明，结合表2，若通过步骤404筛选出与待预测目标T1最接近的候选保单数据是历史用户U2和历史用户U3的历史保单；且通过步骤601得到的预测待预测目标T1的任务特征是缴费时间特征，则通过步骤602得到的候选数据包括：对从历史用户U2的保单数据出提取出的缴费时间14(第14天)和对从历史用户U3的保单数据出提取出的缴费时间16(第16天)。

在一些实施例的步骤106，可以包括但不限于包括：

检测候选数据的数据类型；

根据数据类型对候选数据进行聚合计算，得到目标行为数据。

由上述实施例可知，在保险领域的应用场景，目标行为概率可以是缴费概率，目标行为时间可以是缴费时间，目标行为时段可以是缴费时段。

在一些实施例，由于检测候选数据是根据任务特征从候选保单数据提取得到的，因此候选数据的数据类型与任务特征相关。示例地，在一应用场景，以预测任务为预测待预测目标的缴费时间为例进行说明，由于需要预测具体的缴费时间，即在该应用场景下的任务特征是缴费时间特征，从而根据缴费时间特征从候选保单数据提取得到的候选数据是缴费时间，而缴费时间是具体的数值，因此，该候选数据的数据类型是数值型，因此可以通过求平均的聚合方式或者加权平均的聚合方式进行聚合计算，得到目标行为数据，更具体地，结合表2具体说明：例如，通过步骤602得到的候选数据包括：对从历史用户U2的保单数据出提取出的缴费时间14(第14天)和对从历史用户U3的保单数据出提取出的缴费时间户16(第16天)。则通过求平均的聚合方式对提取出的缴费时间14和缴费时间户16进行平均聚合计算：(14+16)/2＝15；通过平均聚合计算得到的15表示待预测目标T1将在第15天进行缴费。

在另一应用场景，以预测任务为预测待预测目标是否缴费为例进行说明，由于预测是否缴费的结果只有两种：是或者否，即缴费或者不缴费，是属于分类问题，即在该应用场景下的任务特征是缴费概率特征，针对是否缴费的分类问题预测，可以通过聚合相关历史数据中的缴费概率值进行预测，具体实现原理可以参照上述的缴费时间预测的实现原理，在此不再赘述。此外，在又一应用场景，预测任务也可以是预测待预测目标的缴费时段占比，即最终得到的目标行为数据可以是：缴费时段在第一时段(第0-10天内)的占比为10％，缴费时段在在第二时段a2(第10-30天内)的占比为10％，缴费时段在第三时段a3(第30-65天内)的占比为80％。

示例地，在一应用场景，本实施例的行为预测方法，还可以应用于在其他的应用场景，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。

本实施例的行为预测方法可以根据相关的预测任务数据选用相应的模型或者神经网络进行实现，例如，步骤104中通过相似度原理实现候选保单数据的提取可以使用相关模型算法；此外，若预测任务数据较为复杂，则可以通过相应的神经网络实现。本实施例对此不做限定。

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：

预测数据获取模块，用于获取待预测目标的目标保单数据和预测任务数据；

初步特征提取模块，用于对目标保单数据进行特征提取，得到初步保单特征；

目标特征筛选模块，用于根据初步保单特征从预设的公共特征池筛选出目标保单特征；

候选保单提取模块，用于根据初步保单特征和目标保单特征从预设的历史保单数据中提取出候选保单数据；

候选数据提取模块，用于根据预测任务数据从候选保单数据提取出候选数据；

聚合计算模块，用于对候选数据进行聚合计算，得到目标行为数据；其中，目标行为数据至少包括以下一种：目标行为概率、目标行为时间、目标行为时段。

在一些实施例，该行为预测装置包括还包括特征池构建模块，该特征池构建模块包括：

历史保单数据获取单元，用于获取历史保单数据；

历史特征提取模块单元，用于对历史保单数据进行特征提取，得到历史用户特征和历史保单特征；

公共特征池构建单元，用于根据历史用户特征和历史保单特征构建公共特征池。

该特征池构建模块用于实现步骤201至步骤203所示的步骤，该该特征池构建模块的具体实施方式与上述步骤201至步骤203的具体实施例基本相同，在此不再赘述。

在一些实施例的目标特征筛选模块包括：

第一特征筛选单元，用于根据目标用户特征从公共特征池的历史用户特征筛选出第一特征；

第二特征筛选单元，用于根据保单信息特征从公共特征池的历史保单特征筛选出第二特征；

特征合并单元，用于将第一特征和第二特征合并，得到目标保单特征。

该目标特征筛选模块用于实现步骤301至步骤303所示的步骤，该目标特征筛选模块的具体实施方式与上述步骤301至步骤303的具体实施例基本相同，在此不再赘述。

在一些实施例的候选保单提取模块包括：

初步特征向量转换单元，用于将初步保单特征进行向量转换，得到初步特征向量；

目标特征向量转换单元，用于将目标保单特征进行向量转换，得到目标特征向量；

相似度计算单元，用于计算初步特征向量和目标特征向量之间的相似度，得到相似度值；

候选保单提取单元，用于根据相似度值从历史保单数据中提取出候选保单数据。

该候选保单提取模块用于实现步骤401至步骤404所示的步骤，该候选保单提取模块的具体实施方式与上述步骤401至步骤404的具体实施例基本相同，在此不再赘述。

在另一些实施例的候选保单提取模块还包括：

特征类型检测单元，用于检测初步保单特征的特征类型；

特征类型转换单元，用于在初步保单特征的特征类型为文本型时将文本型的初步保单特征转换为数值型的初步保单特征。

该候选保单提取模块还用于实现步骤501至步骤502所示的步骤，该候选保单提取模块的具体实施方式与上述步骤501至步骤502的具体实施例基本相同，在此不再赘述。

在一些实施例的候选数据提取模块包括：

任务特征提取单元，用于对预测任务数据进行特征提取，得到任务特征；

候选数据提取单元，用于根据任务特征从候选保单数据提取出候选数据。

该候选数据提取模块用于实现步骤601至步骤602所示的步骤，该候选数据提取模块的具体实施方式与上述步骤601至步骤602的具体实施例基本相同，在此不再赘述。

上述的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行为预测方法、行为预测装置、电子设备及存储介质，通过获取待预测目标的目标保单数据和预测任务数据，并对目标保单数据进行特征提取，得到初步保单特征；从而根据初步保单特征从公共特征池筛选出目标保单特征，并根据初步保单特征和目标保单特征从历史保单数据中提取出候选保单数据，从而可以根据预测任务数据从候选保单数据提取出候选数据，并对候选数据进行聚合计算，得到目标行为数据，从而可以根据不同预测任务进行预测，提高行为预测的效率和准确率，相比于传统的端到端算法模型进行预测，本实施例提供的行为预测方法，可以基于相同的架构原理对不同的预测任务完成行为的预测，该行为预测可以是缴费概率的预测，可以是缴费时间的预测，也可以是缴费时段的预测，还可以是险种类别的预测，通过预测得到的预测行为，可以方便相关人员制定出适合的催收方式等。此外，相比于传统的端到端的建模方式进行行为预测，本实施例具有更好的可扩展性和可解释性。

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1-6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.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保单数据和预测任务数据；

对所述目标保单数据进行特征提取，得到初步保单特征；

根据所述初步保单特征从预设的公共特征池筛选出目标保单特征；

根据所述初步保单特征和所述目标保单特征从预设的历史保单数据中提取出候选保单数据；

根据所述预测任务数据从所述候选保单数据提取出候选数据；

对所述候选数据进行聚合计算，得到目标行为数据；其中，所述目标行为数据至少包括以下一种：目标行为概率、目标行为时间、目标行为时段。

2.根据权利要求1所述的行为预测方法，其特征在于，所述根据所述初步保单特征和所述目标保单特征从预设的历史保单数据中提取出候选保单数据，包括：

将所述初步保单特征进行向量转换，得到初步特征向量；

将所述目标保单特征进行向量转换，得到目标特征向量；

计算所述初步特征向量和所述目标特征向量之间的相似度，得到相似度值；

根据所述相似度值从所述历史保单数据中提取出所述候选保单数据。

3.根据权利要求2所述的模型训练方法，其特征在于，在所述将所述初步保单特征进行向量转换，得到初步特征向量之前，所述方法还包括：

检测所述初步保单特征的特征类型；

若所述初步保单特征的特征类型为文本型，则将文本型的所述初步保单特征转换为数值型的初步保单特征。

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，在所述根据所述初步保单特征从预设的公共特征池筛选出目标保单特征之前，所述方法还包括：构建所述公共特征池，具体包括：

获取历史保单数据；

对所述历史保单数据进行特征提取，得到历史用户特征和历史保单特征；

根据所述历史用户特征和所述历史保单特征构建所述公共特征池。

5.根据权利要求4项所述的模型训练方法，其特征在于，所述初步保单特征包括目标用户特征和保单信息特征，所述公共特征池包括所述历史用户特征和所述历史保单特征，所述根据所述初步保单特征从预设的公共特征池筛选出目标保单特征，包括：

根据所述目标用户特征从所述公共特征池的历史用户特征筛选出第一特征；

根据所述保单信息特征从所述公共特征池的历史保单特征筛选出第二特征；

将所述第一特征和所述第二特征合并，得到所述目标保单特征。

6.根据权利要求4项所述的模型训练方法，其特征在于，所述根据所述预测任务数据从所述候选保单数据提取出候选数据，包括：

对所述预测任务数据进行特征提取，得到任务特征；

根据所述任务特征从所述候选保单数据提取出所述候选数据。

7.根据权利要求4项所述的模型训练方法，其特征在于，所述对所述候选数据进行聚合计算，得到目标行为数据，包括：

检测所述候选数据的数据类型；

根据所述数据类型对候选数据进行聚合计算，得到所述目标行为数据。

8.行为预测装置，其特征在于，所述行为预测装置包括：

预测数据获取模块，用于获取待预测目标的目标保单数据和预测任务数据；

初步特征提取模块，用于对所述目标保单数据进行特征提取，得到初步保单特征；

目标特征筛选模块，用于根据所述初步保单特征从预设的公共特征池筛选出目标保单特征；

候选保单提取模块，用于根据所述初步保单特征和所述目标保单特征从预设的历史保单数据中提取出候选保单数据；

候选数据提取模块，用于根据所述预测任务数据从所述候选保单数据提取出候选数据；

聚合计算模块，用于对所述候选数据进行聚合计算，得到目标行为数据；其中，所述目标行为数据至少包括以下一种：目标行为概率、目标行为时间、目标行为时段。

9.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7任一项所述的方法的步骤。

10.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7任一项所述的练方法的步骤。

Images