CN115601154A - 对象信息预测方法、对象信息预测模型的训练方法及装置 - Google Patents
对象信息预测方法、对象信息预测模型的训练方法及装置 Download PDFInfo
- Publication number
- CN115601154A CN115601154A CN202211315898.2A CN202211315898A CN115601154A CN 115601154 A CN115601154 A CN 115601154A CN 202211315898 A CN202211315898 A CN 202211315898A CN 115601154 A CN115601154 A CN 115601154A
- Authority
- CN
- China
- Prior art keywords
- object information
- sample
- types
- prediction
- target
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种对象信息预测方法、对象信息预测模型的训练方法及装置,可以应用于计算机技术领域和金融领域。该对象信息预测方法包括:响应于接收到对象信息预测请求,根据对象信息预测请求,获取目标对象的目标对象信息,其中,目标对象信息包括多个对象信息类型和与多个对象信息类型各自对应的数据;基于多个对象信息类型和与多个对象信息类型各自对应的数据,对目标对象进行对象预测处理,得到目标对象网络图,其中,目标对象网络图包括多个对象信息节点和多个关联边,对象信息节点用于表征对象信息类型,关联边用于表征每两个对象信息类型之间的关联关系;以及,根据目标对象网络图,确定目标对象的对象信息预测结果。
Description
技术领域
本公开涉及计算机技术领域和金融领域,更具体地,涉及一种对象信息预测方法、对象信息预测模型的训练方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
随着计算机技术的发展,海量数据应运而生,而数据受到的影响因素数量也越来越多,例如,广告投放量变动、价格变动和客群变化等,因而对于数据的预测和溯源问题亟待解决。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题:由于通常根据人工经验进行信息的预测和溯源,因而无法保障信息处理的效率和准确性。
发明内容
有鉴于此,本公开提供了一种对象信息预测方法、对象信息预测模型的训练方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一个方面,提供了一种对象信息预测方法,包括:
响应于接收到对象信息预测请求,根据上述对象信息预测请求,获取目标对象的目标对象信息,其中,对象信息预测请求包括上述目标对象的标识信息,上述目标对象信息与上述标识信息相对应,上述目标对象信息包括多个对象信息类型和与上述多个对象信息类型各自对应的数据;
基于上述多个对象信息类型和与上述多个对象信息类型各自对应的数据,对上述目标对象进行对象预测处理,得到目标对象网络图,其中,上述目标对象网络图包括多个对象信息节点和多个关联边,上述对象信息节点用于表征上述对象信息类型,上述关联边用于表征每两个上述对象信息类型之间的关联关系;以及
根据上述目标对象网络图,确定上述目标对象的对象信息预测结果。
根据本公开的实施例,其中,上述基于上述多个对象信息类型和与上述多个对象信息类型各自对应的数据,对上述目标对象进行对象预测处理,得到目标对象网络图包括:
基于上述多个对象信息类型和与上述多个对象信息类型各自对应的数据,确定上述多个对象信息类型彼此之间的信息类型关联关系;以及
根据上述信息类型关联关系进行对象预测处理,生成上述目标对象网络图。
根据本公开的实施例,其中,上述基于上述多个对象信息类型和与上述多个对象信息类型各自对应的数据,确定上述多个对象信息类型彼此之间的信息类型关联关系包括:
针对上述多个对象信息节点中的每个对象信息节点,
确定与上述对象信息节点相关联的至少一个关联对象信息节点,其中,上述关联对象信息节点用于表征上述关联对象信息类型;
根据上述对象信息节点和上述至少一个关联对象信息节点,确定与上述至少一个关联对象信息节点各自对应的至少一个关联边;
根据上述多个对象信息类型和与上述多个对象信息类型各自对应的数据,确定与上述至少一个关联对象信息节点各自对应的至少一个关联边的关联方向;以及
根据上述对象信息节点、上述至少一个关联对象信息节点、与上述至少一个关联对象信息节点各自对应的至少一个关联边和上述至少一个关联边的关联方向,确定上述信息类型关联关系。
根据本公开的实施例,上述方法还包括,在上述根据上述目标对象网络图,确定上述目标对象的对象预测结果之后:
根据上述对象预测结果,对与上述目标对象对应的待预测交易进行评估,得到目标评估结果;
在上述目标评估结果表征上述待预测交易通过评估的情况下,允许执行上述待预测交易;以及
在上述目标评估结果表征上述待预测交易未通过评估的情况下,禁止执行上述待预测交易。
根据本公开的实施例,其中,上述对象信息类型包括以下之中至少两项:广告投放量、广告展现量、广告点击量、贷款产品浏览量、贷款利率、贷款额度和贷款发放量。
根据本公开的另一个方面,提供了一种对象信息预测模型的训练方法,包括:
获取多个样本对象各自的样本对象信息,其中,上述样本对象信息包括多个样本对象信息类型和与上述多个样本对象信息类型各自对应的数据,上述样本对象信息与上述样本标识信息相对应;
利用贝叶斯概率图模型对上述多个样本对象各自的样本对象信息分别进行处理,得到样本对象网络图,其中,上述样本对象网络图包括多个样本对象信息节点和多个样本关联边,上述样本对象信息节点用于表征上述样本对象信息类型,上述样本关联边用于表征每两个上述样本对象信息类型之间的关联关系;
根据上述样本对象网络图,确定上述多个样本对象各自的样本对象信息预测结果;
根据上述多个样本对象各自的样本对象信息预测结果和样本对象信息真实结果,得到损失函数值;以及
根据上述损失函数值,调整上述贝叶斯概率图模型的模型参数,直至满足预定结束条件,得到上述对象信息预测模型。
根据本公开的实施例,其中,上述利用贝叶斯概率图模型对上述多个样本对象各自的样本对象信息分别进行处理,得到样本对象网络图包括:
针对上述多个样本对象中的每个样本对象,
将与上述样本对象对应的上述多个样本对象信息类型和与上述多个样本对象信息类型各自对应的数据,输入至上述贝叶斯概率图模型,输出上述多个样本对象信息类型彼此之间的样本信息类型关联关系;以及
根据上述样本信息类型关联关系,确定上述样本对象网络图。
根据本公开的实施例,其中,上述根据上述样本信息类型关联关系,确定上述样本对象网络图包括:
根据上述样本信息类型关联关系,生成上述子样本对象网络图;以及
根据上述子样本对象网络图,确定上述样本对象网络图。
根据本公开的实施例,其中,上述根据上述多个样本对象各自的样本对象预测结果和样本对象真实结果,得到损失函数值包括:
针对上述多个样本对象中的每个样本对象,确定上述样本对象预测结果和上述样本对象真实结果之间的差值;
根据与上述多个样本对象中的每个样本对象分别对应的差值,确定累加值;以及
根据上述多个样本对象的数量和上述累加值,确定上述损失函数值。
根据本公开的实施例,其中,上述样本对象信息类型包括以下之中的至少两项:样本广告投放量、样本广告展现量、样本广告点击量、样本贷款产品浏览量、样本贷款利率、样本贷款额度和样本贷款发放量。
根据本公开的另一个方面,提供了一种对象信息预测装置,包括:
第一获取模块,用于响应于接收到对象信息预测请求,根据上述对象信息预测请求,获取目标对象的目标对象信息,其中,对象信息预测请求包括上述目标对象的标识信息,上述目标对象信息与上述标识信息相对应,上述目标对象信息包括多个对象信息类型和与上述多个对象信息类型各自对应的数据;
第一处理模块,用于基于上述多个对象信息类型和与上述多个对象信息类型各自对应的数据,对上述目标对象进行对象预测处理,得到目标对象网络图,其中,上述目标对象网络图包括多个对象信息节点和多个关联边,上述对象信息节点用于表征上述对象信息类型,上述关联边用于表征每两个上述对象信息类型之间的关联关系;以及
第一确定模块,用于根据上述目标对象网络图,确定上述目标对象的对象信息预测结果。
根据本公开的另一个方面,提供了一种对象信息预测模型的训练装置,包括:
第二获取模块,用于获取多个样本对象各自的样本对象信息,其中,上述样本对象信息包括多个样本对象信息类型和与上述多个样本对象信息类型各自对应的数据,上述样本对象信息与上述样本标识信息相对应;
第二处理模块,用于利用贝叶斯概率图模型对上述多个样本对象各自的样本对象信息分别进行处理,得到样本对象网络图,其中,上述样本对象网络图包括多个样本对象信息节点和多个样本关联边,上述样本对象信息节点用于表征上述样本对象信息类型,上述样本关联边用于表征每两个上述样本对象信息类型之间的关联关系;
第二确定模块,用于根据上述样本对象网络图,确定上述多个样本对象各自的样本对象信息预测结果;
第三确定模块,用于根据上述多个样本对象各自的样本对象信息预测结果和样本对象信息真实结果,得到损失函数值;以及
调整模块,用于根据上述损失函数值,调整上述贝叶斯概率图模型的模型参数,直至满足预定结束条件,得到上述对象信息预测模型。
根据本公开的另一个方面,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指令,
其中,当上述一个或多个指令被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如本公开所述的方法。
根据本公开的另一个方面,提供了一种计算机可读存储介质,其上存储有可执行指令,上述可执行指令被处理器执行时使处理器实现如本公开所述的方法。
根据本公开的另一个方面,提供了一种计算机程序产品,上述计算机程序产品包括计算机可执行指令,上述计算机可执行指令在被执行时用于实现如本公开所述的方法。
根据本公开的实施例,通过根据对象信息预测请求获取目标对象的目标对象信息,由于目标对象网络图是基于多个对象信息类型和与多个对象信息类型各自对应的数据,对目标对象进行对象预测处理得到的,而对象信息预测结果是根据目标对象网络图得到的,通过因果学习的方式,避免了相关技术中由于通常根据人工经验进行信息的预测和溯源,因而无法保障信息处理的效率和准确性的技术问题,提高了信息预测的准确性和异常溯源的效率。
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可以应用对象信息预测方法、对象信息预测模型的训练方法的系统架构;
图2示意性示出了根据本公开实施例的对象信息预测方法的流程图;
图3示意性示出了根据本公开实施例的对象信息预测过程的流程图;
图4示意性示出了根据本公开实施例的对象信息预测模型的训练方法的流程图;
图5示意性示出了根据本公开实施例的对象信息预测模型的训练过程的流程图;
图6示意性示出了根据本公开实施例的样本对象网络图的示例示意图;
图7示意性示出了根据本公开的实施例的对象信息预测装置的框图;
图8示意性示出了根据本公开的实施例的对象信息预测模型的训练装置的框图;以及
图9示意性示出了根据本公开实施例的适于实现对象信息预测方法、对象信息预测模型的训练方法的电子设备的框图。
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)。在使用类似于“A、B或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或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)。
在本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,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。
在相关技术中,通常采用机器学习模型来进行数据的预测和溯源。机器学习模型在计算机视觉、自然语言处理、语音识别、智能风控、精准营销、智慧城市等领域发挥着重要的作用。
机器学习模型虽然能够根据部分已知属性预测出其他信息,但是并无法得到因果关系。例如,机器学习模型能够根据地面湿润预测天气是雨天,或者根据下雨预测地面湿润,但是无法知道是下雨导致地面湿还是地面湿导致下雨。由于无法得到因果关系,因而无法对变量做出假设并计算假设后所发生的情况,导致无法保障贷款业务量预测的效率和准确性。
为了至少部分地解决相关技术中存在的技术问题,本公开提供了一种对象信息预测方法、对象信息预测模型的训练方法及装置,可以应用于计算机技术领域和金融领域。该对象信息预测方法包括:响应于接收到对象信息预测请求,根据对象信息预测请求,获取目标对象的目标对象信息,其中,目标对象信息包括多个对象信息类型和与多个对象信息类型各自对应的数据;基于多个对象信息类型和与多个对象信息类型各自对应的数据,对目标对象进行对象预测处理,得到目标对象网络图,其中,目标对象网络图包括多个对象信息节点和多个关联边,对象信息节点用于表征对象信息类型,关联边用于表征每两个对象信息类型之间的关联关系;以及,根据目标对象网络图,确定目标对象的对象信息预测结果。
需要说明的是,本公开实施例提供的对象信息预测方法、对象信息预测模型的训练方法和装置可用于计算机技术领域和金融领域,例如应用于网络技术领域。本公开实施例提供的对象信息预测方法、对象信息预测模型的训练方法和装置也可用于除计算机技术领域和金融领域之外的任意领域,例如应用于因果关系学习领域。本公开实施例提供的对象信息预测方法、对象信息预测模型的训练方法和装置的应用领域不做限定。
图1示意性示出了根据本公开实施例的可以应用对象信息预测方法、对象信息预测模型的训练方法的系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构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,例如有线和/或无线通信链路等等。
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、邮箱客户端和/或社交平台软件等(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对象信息预测方法一般可以由终端设备101、102、或103执行,或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地,本公开实施例所提供的对象信息预测装置也可以设置于终端设备101、102、或103中,或设置于不同于终端设备101、102、或103的其他终端设备中。
备选地,本公开实施例所提供的对象信息预测方法也可以由服务器105执行。相应地,本公开实施例所提供的对象信息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对象信息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对象信息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。
需要说明的是,本公开实施例所提供的对象信息预测模型的训练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对象信息预测模型的训练装置一般可以设置于服务器105中。本公开实施例所提供的对象信息预测模型的训练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对象信息预测模型的训练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。
备选地,本公开实施例所提供的对象信息预测模型的训练方法也可以由终端设备101、102、或103执行,或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地,本公开实施例所提供的对象信息预测模型的训练装置也可以设置于终端设备101、102、或103中,或设置于不同于终端设备101、102、或103的其他终端设备中。
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。
应注意,以下方法中各个操作的序号仅作为该操作的表示以便描述,而不应被看作表示该各个操作的执行顺序。除非明确指出,否则该方法不需要完全按照所示顺序来执行。
图2示意性示出了根据本公开实施例的对象信息预测方法的流程图。
如图2所示,该对象信息预测方法200可以包括操作S210~S230。
在操作S210,响应于接收到对象信息预测请求,根据对象信息预测请求,获取目标对象的目标对象信息。对象信息预测请求包括目标对象的标识信息,目标对象信息与标识信息相对应,目标对象信息包括多个对象信息类型和与多个对象信息类型各自对应的数据。
在操作S220,基于多个对象信息类型和与多个对象信息类型各自对应的数据,对目标对象进行对象预测处理,得到目标对象网络图。目标对象网络图包括多个对象信息节点和多个关联边,对象信息节点用于表征对象信息类型,关联边用于表征每两个对象信息类型之间的关联关系。
在操作S230,根据目标对象网络图,确定目标对象的对象信息预测结果。
根据本公开的实施例,可以将生成对象信息预测请求的代码预先写入脚本中,当需要进行对象信息预测的情况下,用户可以通过可河段运行该脚本,以生成对象信息预测报文,并将对象信息预测请求报文发送至服务器,以便于服务器根据该对象信息预测请求报文对对象信息预测请求进行处理,以得到对象信息预测结果。
根据本公开的实施例,对象信息预测请求中可以包括目标对象的标识信息。在响应于接收到对象信息预测请求之后,可以根据对象信息预测请求中的标识信息,确定与标识信息相对应的目标对象。并可以根据对象信息预测请求中的标识信息,获取与标识信息相对应的目标对象信息。
根据本公开的实施例,目标对象可以用于表征机构、部门或用户。目标对象信息可以用于表征与目标对象相关联的信息。目标对象信息可以包括多个对象信息类型和与多个对象信息类型各自对应的数据。对象信息类型可以根据实际业务需求进行设置,在此不作限定。例如,对象信息类型可以包括以下之中至少两项:广告投放量、广告展现量、广告点击量、贷款产品浏览量、贷款利率、贷款额度和贷款发放量。
根据本公开的实施例,可以利用对象信息预测模型处理多个对象信息类型和与多个对象信息类型各自对应的数据,以完成对目标对象的对象预测处理,得到目标对象网络图。对象信息预测模型可以根据实际业务需求进行设置,在此不作限定。例如,对象信息预测模型可以包括贝叶斯概率图模型。
根据本公开的实施例,目标对象网络图可以包括多个对象信息节点和多个关联边。多个对象信息节点可以用于表征对象信息类型。关联边可以用于表征每两个对象信息类型之间具有的关联关系。基于多个对象信息类型和多个对象信息类型之间的关联关系,可以生成目标对象网络图,以便于将多个对象信息类型和多个对象信息类型之间的关联关系通过图的形式表现出来。
根据本公开的实施例,目标对象网络图通过因果学习的方式可以将各个事件的影响关系以图的形式进行表达,从而定量计算出各个事件之间的因果影响关系,并可以实现干预及反事实假设的效果预估。
根据本公开的实施例,在得到目标对象网络图之后,可以根据目标对象网络图确定目标对象的对象信息预测结果。对象信息预测结果可以包括对针对某一目标对象信息类型的溯源结果或预测结果。目标对象信息类型可以根据实际业务需求进行设置,在此不作限定。例如,目标对象信息类型可以为贷款发放量。在此情况下,可以根据除贷款发放量之外的其它对象信息类型和对应的数据,对贷款发放量进行溯源或预测。
根据本公开的实施例,在得到目标对象的对象信息预测结果之后,可以根据对象信息预测结果进行相应的业务操作。业务操作可以根据实际业务需求进行设置,在此不作限定。例如,可以加大某一渠道的广告投放量、控制贷款白名单的贷款额度等。
根据本公开的实施例,通过根据对象信息预测请求获取目标对象的目标对象信息,由于目标对象网络图是基于多个对象信息类型和与多个对象信息类型各自对应的数据,对目标对象进行对象预测处理得到的,而对象信息预测结果是根据目标对象网络图得到的,通过因果学习的方式,避免了相关技术中由于通常根据人工经验进行信息的预测和溯源,因而无法保障信息处理的效率和准确性的技术问题,提高了对象信息预测的准确性和异常溯源的效率。
下面参考图3,对根据本发明实施例的对象信息预测方法200做进一步说明。
根据本公开的实施例。对象信息类型包括以下之中至少两项:广告投放量、广告展现量、广告点击量、贷款产品浏览量、贷款利率、贷款额度和贷款发放量。
根据本公开的实施例,在获取目标对象信息之后,可以对目标对象信息中与多个对象信息类型各自对应的数据分别进行特征提取处理,以得到与多个对象信息类型各自对应的特征数据。特征提取处理的具体方式可以根据实际业务需求进行设置,在此不作限定。例如,可以利用深度学习模型对与多个对象信息类型各自对应的数据分别进行处理,得到与多个对象信息类型各自对应的特征数据。
根据本公开的实施例,深度学习模型可以包括能够实现特征提取的深度学习模型。深度学习模型的模型结构可以根据实际业务需求进行配置,在此不作限定。例如,深度学习模型可以包括至少一个模型结构。模型结构可以包括至少一个模型子结构和各个模型子结构彼此之间的连接关系。深度学习模型可以包括以下至少之一:基于卷积神经网络(Convolutional Neural Networks,CNN)的深度学习模型和基于循环神经网络(RecurrentNeural Network,RNN)。
根据本公开的实施例,操作S220可以包括如下操作。
基于多个对象信息类型和与多个对象信息类型各自对应的数据,确定多个对象信息类型彼此之间的信息类型关联关系。根据信息类型关联关系进行对象预测处理,生成目标对象网络图。
根据本公开的实施例,在得到与多个对象信息类型各自对应的特征数据之后,可以利用概率图模型对多个对象信息类型和与多个对象信息类型各自对应的特征数据分别进行处理,以得到目标对象网络图。概率图模型可以根据实际业务需求进行配置,在此不作限定。例如,概率图模型可以包括以下之一:贝叶斯模型(Bayesian Network)、马尔可夫模型(Markov Network)、最大熵模型(Maximum Entropy)、条件随机场模型(ConditionalRandom Field)和主题模型(Topic Model)等。
根据本公开的实施例,以贝叶斯模型为例,可以利用贝叶斯模型对多个对象信息类型和与多个对象信息类型各自对应的特征数据分别进行处理,得到目标对象网络图。贝叶斯模型可以利用统计或信息论的方法定量分析变量间的依赖关系以获取最优地表达这些关系的网络结构。
根据本公开的实施例,基于多个对象信息类型和与多个对象信息类型各自对应的数据,确定多个对象信息类型彼此之间的信息类型关联关系可以包括如下操作。
针对多个对象信息节点中的每个对象信息节点,确定与对象信息节点相关联的至少一个关联对象信息节点。关联对象信息节点用于表征关联对象信息类型。根据对象信息节点和至少一个关联对象信息节点,确定与至少一个关联对象信息节点各自对应的至少一个关联边。根据多个对象信息类型和与多个对象信息类型各自对应的数据,确定与至少一个关联对象信息节点各自对应的至少一个关联边的关联方向。根据对象信息节点、至少一个关联对象信息节点、与至少一个关联对象信息节点各自对应的至少一个关联边和至少一个关联边的关联方向,确定信息类型关联关系。
根据本公开的实施例,可以将多个对象信息类型和与多个对象信息类型各自对应的数据作为输入点集,在输入点集上生成完全无向图。针对完全无向图中的某两个相邻的对象信息节点,在给定其它对象信息节点的情况下条件独立,则可以删除两个相邻的对象信息节点之间的边。在此基础上,可以通过确定对象信息节点之间的依赖关系,得到无向图。无向图中的关联边可以用于表征关联边所连接的两个对象信息节点之间具有依赖关系。
根据本公开的实施例,在得到无向图之后,可以通过确定无向图中依赖关系所具有的方向属性,得到有向图。有向图中的关联边可以用于表征关联边所连接的两个对象信息节点之间的信息类型关联关系。信息类型关联关系可以用于表征多个对象信息类型彼此之间的关系。信息类型关联关系可以包括以下之一:head-to-head条件独立、tail-to-tail条件独立和head-to-tail条件独立。
根据本公开的实施例,在得到有向图之后,可以将有向图作为贝叶斯网络的结构,针对与多个对象信息类型各自对应的数据的变动,可以使用do-calculus方法,即do算子,计算每个变量变动对对象信息预测结果发生概率的影响程度,该影响程度即为该变量的归因权重。
根据本公开的实施例,由于信息类型关联关系是基于多个对象信息类型和与多个对象信息类型各自对应的数据确定的,而目标对象网络图是根据信息类型关联关系进行对象预测处理得到的,因而基于目标对象网络图可以实现针对目标对象的对象信息预测,由此提高了对象信息预测的适应性和准确性。
根据本公开的实施例,对象信息预测方法200还可以包括如下操作。
根据对象预测结果,对与目标对象对应的待预测交易进行评估,得到目标评估结果。在目标评估结果表征待预测交易通过评估的情况下,允许执行待预测交易。在目标评估结果表征待预测交易未通过评估的情况下,禁止执行待预测交易。
根据本公开的实施例,可以通过对象预测结果所表征的异常变动和拟造的特征数据追溯造成贷款发放量异动的原因。备选地,可以通过获取新的特征数据对未来某一时间节点的贷款发放量进行预估。
根据本公开的实施例,在得到对象预测结果之后,可以根据对象预测结果对与目标对象对应的待预测交易进行评估,以得到目标评估结果。目标评估结果可以用于表征待预测交易是否通过评估。待预测交易可以包括目标对象的贷款发放交易。
根据本公开的实施例,在基于多个对象信息类型和与多个对象信息类型各自对应的数据得到目标对象网络图的基础上,由于对象预测结果是根据目标对象网络图确定的,因而可以根据对象预测结果,实现对与目标对象对应的待预测交易的可行性评估,保障了贷款发放的安全性。
图3示意性示出了根据本公开实施例的对象信息预测过程的流程图。
如图3所示,响应于接收到对象信息预测请求301,对象信息预测请求301中包括目标对象的标识信息301_1,可以根据标识信息301_1,获取目标对象的目标对象信息302。目标对象信息302中包括多个对象信息类型302_1和与多个对象信息类型各自对应的数据302_2。
可以使用多个对象信息节点分别表征多个对象信息类型302_1,针对多个对象信息节点中的每个对象信息节点,可以确定与对象信息节点相关联的至少一个关联对象信息节点303。可以根据对象信息节点和至少一个关联对象信息节点303,确定与至少一个关联对象信息节点303各自对应的至少一个关联边304。
可以根据多个对象信息类型302_1和与多个对象信息类型各自对应的数据302_2,确定与至少一个关联对象信息节点303各自对应的至少一个关联边304的关联方向305。
在确定至少一个关联对象信息节点303、与至少一个关联对象信息节点各自对应的关联边304和至少一个关联边304的关联方向305之后,可以确定信息类型关联关系306。
在确定信息类型关联关系306之后,可以根据信息类型关联关系306进行对象预测处理,生成目标对象网络图307。可以根据目标对象网络图307,确定目标对象的对象信息预测结果308。
在确定对象信息预测结果308之后,可以根据对象预测结果308,对与目标对象对应的待预测交易进行评估,得到目标评估结果309。
以上仅是示例性实施例,但不限于此,还可以包括本领域已知的其他对象信息预测方法,只要能够预测对象信息即可。
图4示意性示出了根据本公开实施例的对象信息预测模型的训练方法的流程图。
如图4所示,该对象信息预测模型的训练方法400可以包括操作S410~S450。
在操作S410,获取多个样本对象各自的样本对象信息。样本对象信息包括多个样本对象信息类型和与多个样本对象信息类型各自对应的数据,样本对象信息与样本标识信息相对应。
在操作S420,利用贝叶斯概率图模型对多个样本对象各自的样本对象信息分别进行处理,得到样本对象网络图。样本对象网络图包括多个样本对象信息节点和多个样本关联边,样本对象信息节点用于表征样本对象信息类型,样本关联边用于表征每两个样本对象信息类型之间的关联关系。
在操作S430,根据样本对象网络图,确定多个样本对象各自的样本对象信息预测结果。
在操作S440,根据多个样本对象各自的样本对象信息预测结果和样本对象信息真实结果,得到损失函数值。
在操作S450,根据损失函数值,调整贝叶斯概率图模型的模型参数,直至满足预定结束条件,得到对象信息预测模型。
根据本公开的实施例,多个样本对象可以用于表征机构、部门或用户。样本对象信息可以用于表征与样本对象相关联的信息。样本象信息可以包括多个样本对象信息类型和与多个样本对象信息类型各自对应的数据。样本对象信息类型可以根据实际业务需求进行设置,在此不作限定。例如,样本对象信息类型包括以下之中的至少两项:样本广告投放量、样本广告展现量、样本广告点击量、样本贷款产品浏览量、样本贷款利率、样本贷款额度和样本贷款发放量。
根据本公开的实施例,得到样本对象网络图具体方式可以根据实际业务需求进行设置,在此不作限定。例如,可以利用贝叶斯概率图模型对多个样本对象各自的样本对象信息分别进行处理,得到子样本对象网络图,然后再根据与样本标识信息对应的子样本对象网络图,生成样本对象网络图。备选地,可以利用贝叶斯概率图模型对多个样本对象各自的样本对象信息分别进行处理,直接生成样本对象网络图。
根据本公开的实施例,样本对象网络图可以包括多个样本对象信息节点和多个样本关联边。多个样本对象信息节点可以用于表征样本对象信息类型。多个样本对象信息节点各自的节点属性可以包括与该样本对象信息类型对应的数据。样本关联边可以用于表征每两个样本对象信息类型之间具有的关联关系。基于多个样本对象信息类型和多个样本对象信息类型之间的关联关系,可以生成样本对象网络图,以便于将多个样本对象信息类型和多个样本对象信息类型之间的关联关系通过图的形式表现出来。
根据本公开的实施例,在得到样本对象网络图之后,可以根据样本对象网络图确定样本对象的样本对象信息预测结果。样本对象信息预测结果可以包括对针对某一样本对象信息类型的溯源结果或预测结果。
根据本公开发明的实施例,可以基于损失函数值,利用样本对象信息预测结果和样本对象信息真实结果,得到输出值。根据输出值调整贝叶斯概率图模型的模型参数,直至满足预定条件。例如,可以根据反向传播算法或随机梯度下降算法,调整贝叶斯概率图模型的模型参数,直至满足预定条件。将在满足预定条件的情况下得到的贝叶斯概率图模型确定为对象信息预测模型。
根据本公开发明的实施例,对象信息预测模型的训练方式可以根据实际业务需求进行配置,在此不作限定。例如,训练方式可以包括以下至少之一:无监督训练、有监督训练和半监督训练。
根据本公开的实施例,由于样本对象网络图是通过利用贝叶斯概率图模型对多个样本对象各自的样本对象信息分别进行处理得到的,通过利用生成的样本对象网络图进行对象信息预测模型的训练优化,能够降低模型的迭代次数,提高了对象信息预测模型的训练速度,并且提高了得到的模型的通用性。此外,由于能够利用得到的对象信息预测模型进行针对目标对象的对象信息预测,因而提高了信息预测的准确性和异常溯源的效率。
下面参考图5和图6,对根据本发明实施例的对象信息预测模型的训练方法400做进一步说明。
根据本公开的实施例,样本对象信息类型包括以下之中的至少两项:样本广告投放量、样本广告展现量、样本广告点击量、样本贷款产品浏览量、样本贷款利率、样本贷款额度和样本贷款发放量。
根据本公开的实施例,在获取多个样本对象各自的样本对象信息之后,可以对多个样本对象信息类型和与多个样本对象信息类型各自对应的数据分别进行特征提取处理,以得到与多个样本对象信息类型各自对应的样本特征数据。特征提取处理的具体方式可以根据实际业务需求进行设置,在此不作限定。例如,可以利用深度学习模型对与多个样本对象信息类型各自对应的数据分别进行处理,得到与多个样本对象信息类型各自对应的特征数据。
根据本公开的实施例,操作S420可以包括如下操作。
针对多个样本对象中的每个样本对象,将与样本对象对应的多个样本对象信息类型和与多个样本对象信息类型各自对应的数据,输入至贝叶斯概率图模型,输出多个样本对象信息类型彼此之间的样本信息类型关联关系。根据样本信息类型关联关系,确定样本对象网络图。
根据本公开的实施例,可以基于多个样本对象信息类型和与多个样本对象信息类型各自对应的数据,构建训练数据集。可以对训练数据集进行统计测试,例如,可以对训练数据集进行条件独立性测试,以确定出训练数据集中各个变量之间的条件独立性。在此基础上,可以利用各个变量之间的条件独立性,构造有向无环图DAG(Directed AcyclicGraph),以尽可能多地涵盖条件独立性。
根据本公开的实施例,可以通过确定对象信息节点之间的依赖关系得到无向图,再通过确定无向图中依赖关系所具有的方向属性,得到有向图。样本信息类型关联关系可以用于表征多个样本对象信息类型彼此之间的关系。样本信息类型关联关系可以包括以下之一:head-to-head条件独立、tail-to-tail条件独立和head-to-tail条件独立。
根据本公开的实施例,由于样本对象网络图是通过利用贝叶斯概率图模型对多个样本对象各自的样本对象信息分别进行处理得到的,因而样本对象网络图能够用于确定多个样本对象各自的样本对象信息预测结果,从而提高了样本对象信息预测的效率。
根据本公开的实施例,根据样本信息类型关联关系,确定样本对象网络图可以包括如下操作。
根据样本信息类型关联关系,生成子样本对象网络图。根据子样本对象网络图,确定样本对象网络图。
根据本公开的实施例,可以根据样本信息类型关联关系,直接确定样本对象网络图。在此情况下,样本对象网络图中的每一样本对象信息节点可以包括多个样本对象各自的样本对象信息。
根据本公开的实施例,备选地,也可以根据样本信息类型关联关系,生成子样本对象网络图。再根据子样本对象网络图,确定样本对象网络图。在此情况下,子样本对象网络图中的每一子样本对象信息节点可以包括某一样本对象的样本对象信息。可以将不同的子样本对象网络图进行叠加,以得到样本对象网络图。
根据本公开的实施例,由于样本对象网络图是根据子样本对象网络图确定的,而子样本对象网络图是根据样本信息类型关联关系生成的,通过为多个样本对象分别生成子样本对象网络图,再根据多个样本对象各自的子样本对象网络图生成样本对象网络图,由此提高了样本对象网络图生成的效率。
根据本公开的实施例,操作S440可以包括如下操作。
针对多个样本对象中的每个样本对象,确定样本对象预测结果和样本对象真实结果之间的差值。根据与多个样本对象中的每个样本对象分别对应的差值,确定累加值。根据多个样本对象的数量和累加值,确定损失函数值。
根据本公开的实施例,可以根据损失函数最小化原则进行对象信息预测模型的训练,以将生成的全部贝叶斯概率图模型中的最优模型确定为对象信息预测模型。损失函数可以根据实际业务需求进行设置,在此不作限定。例如,损失函数值可以使用如下式(1)进行计算。
其中,ypredict用于表征样本对象预测结果,yactual用于表征样本对象真实结果,|ypredict-yactual|用于表征差值,用于表征累加值,n用于表征训练样本数量,MAE用于表征损失函数值。
根据本公开的实施例,通过基于平均绝对误差为目标进行训练,在训练过程中完成对各个待拟合模型参数的拟合,由此提高了对象信息预测模型的模型的训练速度。
图5示意性示出了根据本公开实施例的对象信息预测模型的训练过程的流程图。
如图5所示,可以获取多个样本对象各自的样本对象信息501,利用贝叶斯概率图模型502对多个样本对象各自的样本对象信息501分别进行处理,得到样本对象网络图503。
在得到样本对象网络图503之后,可以根据样本对象网络图503,确定多个样本对象各自的样本对象信息预测结果504。在确定样本对象信息预测结果504之后,可以根据多个样本对象各自的样本对象信息预测结果504和样本对象信息真实结果505,得到损失函数值506。
在得到损失函数值506之后,可以根据损失函数值506,调整贝叶斯概率图模型502的模型参数,直至满足预定结束条件,得到对象信息预测模型。
图6示意性示出了根据本公开实施例的样本对象网络图的示例示意图。
如图6所示,样本对象网络图可以包括样本对象信息节点n_601~样本对象信息节点n_609。样本对象信息节点n_601可以用于表征样本广告投放量,样本对象信息节点n_602可以用于表征样本广告展现量,样本对象信息节点n_603可以用于表征样本对象特征数据,样本对象信息节点n_604可以用于表征样本广告点击量,样本对象信息节点n_605可以用于表征样本贷款利率,样本对象信息节点n_606可以用于表征样本贷款额度,样本对象信息节点n_607可以用于表征样本电话营销量,样本对象信息节点n_608可以用于表征样本贷款产品浏览量,样本对象信息节点n_609可以用于表征样本贷款发放量。
样本关联边e_601可以用于表征样本广告投放量和样本广告展现量之间具有关联关系。
样本关联边e_602、样本关联边e_603可以分别用于表征样本广告展现量、样本对象特征数据和样本广告点击量之间具有关联关系。
样本关联边e_604、样本关联边e_605、样本关联边e_606可以分别用于表征样本电话营销量、样本广告投放量、样本广告点击量和样本贷款产品浏览量之间具有关联关系。
样本关联边e_607可以用于表征样本对象特征数据和样本贷款利率之间具有关联关系。样本关联边e_608可以用于表征样本对象特征数据和样本贷款额度之间具有关联关系。
样本关联边e_609、样本关联边e_610、样本关联边e_611可以分别用于表征样本贷款产品浏览量、样本贷款利率、样本贷款额度和样本贷款发放量之间具有关联关系。
以上仅是示例性实施例,但不限于此,还可以包括本领域已知的其他对象信息预测方法,只要能够预测对象信息即可。
图7示意性示出了根据本公开的实施例的对象信息预测装置的框图。
如图7所示,对象信息预测装置700可以包括第一获取模块701、第一处理模块702和第一确定模块703。
第一获取模块701,用于响应于接收到对象信息预测请求,根据对象信息预测请求,获取目标对象的目标对象信息。对象信息预测请求包括目标对象的标识信息,目标对象信息与标识信息相对应,目标对象信息包括多个对象信息类型和与多个对象信息类型各自对应的数据。
第一处理模块702,用于基于多个对象信息类型和与多个对象信息类型各自对应的数据,对目标对象进行对象预测处理,得到目标对象网络图。目标对象网络图包括多个对象信息节点和多个关联边,对象信息节点用于表征对象信息类型,关联边用于表征每两个对象信息类型之间的关联关系。
第一确定模块703,用于根据目标对象网络图,确定目标对象的对象信息预测结果。
根据本公开的实施例,第一处理模块702可以包括第一确定单元和生成单元。
第一确定单元,用于基于多个对象信息类型和与多个对象信息类型各自对应的数据,确定多个对象信息类型彼此之间的信息类型关联关系。
生成单元,用于根据信息类型关联关系进行对象预测处理,生成目标对象网络图。
根据本公开的实施例,第一确定单元可以包括第一确定子单元、第二确定子单元、第三确定子单元和第四确定子单元。
针对多个对象信息节点中的每个对象信息节点,
第一确定子单元,用于确定与对象信息节点相关联的至少一个关联对象信息节点。关联对象信息节点用于表征关联对象信息类型。
第二确定子单元,用于根据对象信息节点和至少一个关联对象信息节点,确定与至少一个关联对象信息节点各自对应的至少一个关联边。
第三确定子单元,用于根据多个对象信息类型和与多个对象信息类型各自对应的数据,确定与至少一个关联对象信息节点各自对应的至少一个关联边的关联方向。
第四确定子单元,用于根据对象信息节点、至少一个关联对象信息节点、与至少一个关联对象信息节点各自对应的至少一个关联边和至少一个关联边的关联方向,确定信息类型关联关系。
根据本公开的实施例,对象信息预测装置700还可以包括评估模块、允许模块和禁止模块。
评估模块,用于根据对象预测结果,对与目标对象对应的待预测交易进行评估,得到目标评估结果。
允许模块,用于在目标评估结果表征待预测交易通过评估的情况下,允许执行待预测交易。
禁止模块,用于在目标评估结果表征待预测交易未通过评估的情况下,禁止执行待预测交易。
根据本公开的实施例,对象信息类型包括以下之中至少两项:广告投放量、广告展现量、广告点击量、贷款产品浏览量、贷款利率、贷款额度和贷款发放量。
图8示意性示出了根据本公开的实施例的对象信息预测模型的训练装置的框图。
如图8所示,对象信息预测模型的训练装置800可以包括第二获取模块801、第二处理模块802、第二确定模块803、第三确定模块804和调整模块805。
第二获取模块801,用于获取多个样本对象各自的样本对象信息。样本对象信息包括多个样本对象信息类型和与多个样本对象信息类型各自对应的数据,样本对象信息与样本标识信息相对应。
第二处理模块802,用于利用贝叶斯概率图模型对多个样本对象各自的样本对象信息分别进行处理,得到样本对象网络图。样本对象网络图包括多个样本对象信息节点和多个样本关联边,样本对象信息节点用于表征样本对象信息类型,样本关联边用于表征每两个样本对象信息类型之间的关联关系。
第二确定模块803,用于根据样本对象网络图,确定多个样本对象各自的样本对象信息预测结果。
第三确定模块804,用于根据多个样本对象各自的样本对象信息预测结果和样本对象信息真实结果,得到损失函数值。
调整模块805,用于根据损失函数值,调整贝叶斯概率图模型的模型参数,直至满足预定结束条件,得到对象信息预测模型。
根据本公开的实施例,第二处理模块802可以包括输出单元和第二确定单元。
针对多个样本对象中的每个样本对象,
输出单元,用于将与样本对象对应的多个样本对象信息类型和与多个样本对象信息类型各自对应的数据,输入至贝叶斯概率图模型,输出多个样本对象信息类型彼此之间的样本信息类型关联关系。
第二确定单元,用于根据样本信息类型关联关系,确定样本对象网络图。
根据本公开的实施例,第二确定单元可以包括生成子单元和第五确定子单元。
生成子单元,用于根据样本信息类型关联关系,生成子样本对象网络图。
第五确定子单元,用于根据子样本对象网络图,确定样本对象网络图。
根据本公开的实施例,第三确定模块804可以包括第三确定单元、第四确定单元和第五确定单元。
第三确定单元,用于针对多个样本对象中的每个样本对象,确定样本对象预测结果和样本对象真实结果之间的差值。
第四确定单元,用于根据与多个样本对象中的每个样本对象分别对应的差值,确定累加值。
第五确定单元,用于根据多个样本对象的数量和累加值,确定损失函数值。
根据本公开的实施例,样本对象信息类型包括以下之中的至少两项:样本广告投放量、样本广告展现量、样本广告点击量、样本贷款产品浏览量、样本贷款利率、样本贷款额度和样本贷款发放量。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多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的硬件或固件来实现,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,根据本公开实施例的模块、子模块、单元、子单元中的一个或多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。
例如,第一获取模块701、第一处理模块702和第一确定模块703中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本公开的实施例,第一获取模块701、第一处理模块702和第一确定模块703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701、第一处理模块702和第一确定模块703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。
需要说明的是,本公开的实施例中对象信息预测装置部分与本公开的实施例中对象信息预测方法部分是相对应的,对象信息预测装置部分的描述具体参考对象信息预测方法部分,在此不再赘述。
例如,第二获取模块801、第二处理模块802、第二确定模块803、第三确定模块804和调整模块805中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本公开的实施例,第二获取模块801、第二处理模块802、第二确定模块803、第三确定模块804和调整模块805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801、第二处理模块802、第二确定模块803、第三确定模块804和调整模块805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。
需要说明的是,本公开的实施例中对象信息预测模型的训练装置部分与本公开的实施例中对象信息预测模型的训练方法部分是相对应的,对象信息预测模型的训练装置部分的描述具体参考对象信息预测模型的训练方法部分,在此不再赘述。
图9示意性示出了根据本公开实施例的适于实现对象信息预测方法、对象信息预测模型的训练方法的电子设备的框图。图9示出的电子设备仅仅是一个示例,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9所示,根据本公开实施例的计算机电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分909加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901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901还可以包括用于缓存用途的板载存储器。处理器901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 903中,存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903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 902和RAM 903以外的一个或多个存储器中。处理器901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900还可以包括输入/输出(I/O)接口905,输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;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907;包括硬盘等的存储部分908;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909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,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910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908。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,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。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901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。
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 902和/或RAM 903和/或ROM 902和RAM 903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本公开实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本公开实施例所提供的对象信息预测方法、对象信息预测模型的训练方法。
在该计算机程序被处理器901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909被下载和安装,和/或从可拆卸介质911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。
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和/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 (15)
1.一种对象信息预测方法,包括:
响应于接收到对象信息预测请求,根据所述对象信息预测请求,获取目标对象的目标对象信息,其中,对象信息预测请求包括所述目标对象的标识信息,所述目标对象信息与所述标识信息相对应,所述目标对象信息包括多个对象信息类型和与所述多个对象信息类型各自对应的数据;
基于所述多个对象信息类型和与所述多个对象信息类型各自对应的数据,对所述目标对象进行对象预测处理,得到目标对象网络图,其中,所述目标对象网络图包括多个对象信息节点和多个关联边,所述对象信息节点用于表征所述对象信息类型,所述关联边用于表征每两个所述对象信息类型之间的关联关系;以及
根据所述目标对象网络图,确定所述目标对象的对象信息预测结果。
2.根据权利要求1所述的方法,其中,所述基于所述多个对象信息类型和与所述多个对象信息类型各自对应的数据,对所述目标对象进行对象预测处理,得到目标对象网络图包括:
基于所述多个对象信息类型和与所述多个对象信息类型各自对应的数据,确定所述多个对象信息类型彼此之间的信息类型关联关系;以及
根据所述信息类型关联关系进行对象预测处理,生成所述目标对象网络图。
3.根据权利要求2所述的方法,其中,所述基于所述多个对象信息类型和与所述多个对象信息类型各自对应的数据,确定所述多个对象信息类型彼此之间的信息类型关联关系包括:
针对所述多个对象信息节点中的每个对象信息节点,
确定与所述对象信息节点相关联的至少一个关联对象信息节点,其中,所述关联对象信息节点用于表征所述关联对象信息类型;
根据所述对象信息节点和所述至少一个关联对象信息节点,确定与所述至少一个关联对象信息节点各自对应的至少一个关联边;
根据所述多个对象信息类型和与所述多个对象信息类型各自对应的数据,确定与所述至少一个关联对象信息节点各自对应的至少一个关联边的关联方向;以及
根据所述对象信息节点、所述至少一个关联对象信息节点、与所述至少一个关联对象信息节点各自对应的至少一个关联边和所述至少一个关联边的关联方向,确定所述信息类型关联关系。
4.根据权利要求1至3中任一项所述的方法,还包括,在所述根据所述目标对象网络图,确定所述目标对象的对象预测结果之后:
根据所述对象预测结果,对与所述目标对象对应的待预测交易进行评估,得到目标评估结果;
在所述目标评估结果表征所述待预测交易通过评估的情况下,允许执行所述待预测交易;以及
在所述目标评估结果表征所述待预测交易未通过评估的情况下,禁止执行所述待预测交易。
5.根据权利要求1所述的方法,其中,所述对象信息类型包括以下之中至少两项:广告投放量、广告展现量、广告点击量、贷款产品浏览量、贷款利率、贷款额度和贷款发放量。
6.一种对象信息预测模型的训练方法,包括:
获取多个样本对象各自的样本对象信息,其中,所述样本对象信息包括多个样本对象信息类型和与所述多个样本对象信息类型各自对应的数据,所述样本对象信息与所述样本标识信息相对应;
利用贝叶斯概率图模型对所述多个样本对象各自的样本对象信息分别进行处理,得到样本对象网络图,其中,所述样本对象网络图包括多个样本对象信息节点和多个样本关联边,所述样本对象信息节点用于表征所述样本对象信息类型,所述样本关联边用于表征每两个所述样本对象信息类型之间的关联关系;
根据所述样本对象网络图,确定所述多个样本对象各自的样本对象信息预测结果;
根据所述多个样本对象各自的样本对象信息预测结果和样本对象信息真实结果,得到损失函数值;以及
根据所述损失函数值,调整所述贝叶斯概率图模型的模型参数,直至满足预定结束条件,得到所述对象信息预测模型。
7.根据权利要求6所述的方法,其中,所述利用贝叶斯概率图模型对所述多个样本对象各自的样本对象信息分别进行处理,得到样本对象网络图包括:
针对所述多个样本对象中的每个样本对象,
将与所述样本对象对应的所述多个样本对象信息类型和与所述多个样本对象信息类型各自对应的数据,输入至所述贝叶斯概率图模型,输出所述多个样本对象信息类型彼此之间的样本信息类型关联关系;以及
根据所述样本信息类型关联关系,确定所述样本对象网络图。
8.根据权利要求7所述的方法,其中,所述根据所述样本信息类型关联关系,确定所述样本对象网络图包括:
根据所述样本信息类型关联关系,生成所述子样本对象网络图;以及
根据所述子样本对象网络图,确定所述样本对象网络图。
9.根据权利要求6至8中任一项所述的方法,其中,所述根据所述多个样本对象各自的样本对象预测结果和样本对象真实结果,得到损失函数值包括:
针对所述多个样本对象中的每个样本对象,确定所述样本对象预测结果和所述样本对象真实结果之间的差值;
根据与所述多个样本对象中的每个样本对象分别对应的差值,确定累加值;以及
根据所述多个样本对象的数量和所述累加值,确定所述损失函数值。
10.根据权利要求6所述的方法,其中,所述样本对象信息类型包括以下之中的至少两项:样本广告投放量、样本广告展现量、样本广告点击量、样本贷款产品浏览量、样本贷款利率、样本贷款额度和样本贷款发放量。
11.一种对象信息预测装置,包括:
第一获取模块,用于响应于接收到对象信息预测请求,根据所述对象信息预测请求,获取目标对象的目标对象信息,其中,对象信息预测请求包括所述目标对象的标识信息,所述目标对象信息与所述标识信息相对应,所述目标对象信息包括多个对象信息类型和与所述多个对象信息类型各自对应的数据;
第一处理模块,用于基于所述多个对象信息类型和与所述多个对象信息类型各自对应的数据,对所述目标对象进行对象预测处理,得到目标对象网络图,其中,所述目标对象网络图包括多个对象信息节点和多个关联边,所述对象信息节点用于表征所述对象信息类型,所述关联边用于表征每两个所述对象信息类型之间的关联关系;以及
第一确定模块,用于根据所述目标对象网络图,确定所述目标对象的对象信息预测结果。
12.一种对象信息预测模型的训练装置,包括:
第二获取模块,用于获取多个样本对象各自的样本对象信息,其中,所述样本对象信息包括多个样本对象信息类型和与所述多个样本对象信息类型各自对应的数据,所述样本对象信息与所述样本标识信息相对应;
第二处理模块,用于利用贝叶斯概率图模型对所述多个样本对象各自的样本对象信息分别进行处理,得到样本对象网络图,其中,所述样本对象网络图包括多个样本对象信息节点和多个样本关联边,所述样本对象信息节点用于表征所述样本对象信息类型,所述样本关联边用于表征每两个所述样本对象信息类型之间的关联关系;
第二确定模块,用于根据所述样本对象网络图,确定所述多个样本对象各自的样本对象信息预测结果;
第三确定模块,用于根据所述多个样本对象各自的样本对象信息预测结果和样本对象信息真实结果,得到损失函数值;以及
调整模块,用于根据所述损失函数值,调整所述贝叶斯概率图模型的模型参数,直至满足预定结束条件,得到所述对象信息预测模型。
13.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个指令,
其中,当所述一个或多个指令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权利要求1至5或权利要求6至10中任一项所述的方法。
14.一种计算机可读存储介质,其上存储有可执行指令,所述可执行指令被处理器执行时使处理器实现权利要求1至5或权利要求6至10中任一项所述的方法。
15.一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述计算机可执行指令在被执行时用于实现权利要求1至5或权利要求6至10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211315898.2A CN115601154A (zh) | 2022-10-26 | 2022-10-26 | 对象信息预测方法、对象信息预测模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211315898.2A CN115601154A (zh) | 2022-10-26 | 2022-10-26 | 对象信息预测方法、对象信息预测模型的训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115601154A true CN115601154A (zh) | 2023-01-13 |
Family
ID=84849824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211315898.2A Pending CN115601154A (zh) | 2022-10-26 | 2022-10-26 | 对象信息预测方法、对象信息预测模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115601154A (zh) |
-
2022
- 2022-10-26 CN CN202211315898.2A patent/CN115601154A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9407651B2 (en) | Anomaly detection in network-site metrics using predictive modeling | |
US10755196B2 (en) | Determining retraining of predictive models | |
CN111369299B (zh) | 识别的方法、装置、设备及计算机可读存储介质 | |
US10706454B2 (en) | Method, medium, and system for training and utilizing item-level importance sampling models | |
US20220245526A1 (en) | Quantile hurdle modeling systems and methods for sparse time series prediction applications | |
CN111667024B (zh) | 内容推送方法、装置、计算机设备和存储介质 | |
CN113159934A (zh) | 一种网点客流量的预测方法、系统、电子设备及存储介质 | |
CN115018552A (zh) | 产品点击率确定方法 | |
CN113051911B (zh) | 提取敏感词的方法、装置、设备、介质及程序产品 | |
CN113128773B (zh) | 地址预测模型的训练方法、地址预测方法及装置 | |
CN116720489B (zh) | 页面填充方法及装置、电子设备和计算机可读存储介质 | |
CN114187009A (zh) | 交易风险预测模型的特征解释方法、装置、设备及介质 | |
US20180365354A1 (en) | Employing natural language processing to facilitate geospatial analysis | |
CN115048561A (zh) | 推荐信息确定方法及装置、电子设备和可读存储介质 | |
CN116091249A (zh) | 交易风险的评估方法、装置、电子设备和介质 | |
CN115601154A (zh) | 对象信息预测方法、对象信息预测模型的训练方法及装置 | |
CN114218283A (zh) | 异常检测方法、装置、设备、介质 | |
CN111767290B (zh) | 用于更新用户画像的方法和装置 | |
CN113052509A (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN111506510B (zh) | 一种软件质量确定方法和相关装置 | |
US11586705B2 (en) | Deep contour-correlated forecasting | |
US20230116608A1 (en) | Management of recalibration of risk related models impacted by extreme weather events and climate change conditions | |
CN114237856A (zh) | 运算类型识别方法、装置、电子设备及存储介质 | |
CN115269356A (zh) | 数据处理方法及装置、电子设备和计算机可读存储介质 | |
CN117151420A (zh) | 风险监控方法、装置、设备、介质和程序产品 |
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 |