CN116703544A - 资源互动轨迹预测方法、装置、计算机设备和存储介质 - Google Patents
资源互动轨迹预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116703544A CN116703544A CN202310687330.1A CN202310687330A CN116703544A CN 116703544 A CN116703544 A CN 116703544A CN 202310687330 A CN202310687330 A CN 202310687330A CN 116703544 A CN116703544 A CN 116703544A
- Authority
- CN
- China
- Prior art keywords
- track
- resource interaction
- historical
- encoder
- interaction track
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 393
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000000605 extraction Methods 0.000 claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims description 99
- 230000015654 memory Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000003999 initiator Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种资源互动轨迹预测方法、装置、计算机设备和存储介质,涉及大数据技术领域。所述方法包括:获取目标对象的历史资源互动轨迹;将历史资源互动轨迹输入至预训练的轨迹特征提取模型,得到历史资源互动轨迹对应的高维空间特征;将历史资源互动轨迹对应的高维空间特征输入至预训练的轨迹重构模型,得到历史资源互动轨迹对应的重构资源互动轨迹;根据重构资源互动轨迹,确定目标对象对应的资源互动轨迹预测结果。采用本方法能够基于神经网络,分析目标对象的历史资源互动轨迹,提取目标对应的资源互动轨迹特征,并基于资源互动轨迹特征进行轨迹重构,进而利用轨迹重构结果预测目标对象的资源互动轨迹,提高资源互动轨迹预测结果的准确度。
Description
技术领域
本申请涉及大数据技术领域,特别是涉及一种资源互动轨迹预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
银行收单系统因其接入渠道众多、交易方式灵活等特点,在银行业务系统中被广泛应用,而随着收单系统的应用场景不断深化,用户交易轨迹也愈发复杂多变,为了提高收单系统中的用户交易活跃度,收单业务系统需要围绕运营思路、营销模式等方向进行发展。
传统技术主要借助商户营销触达模型开展用户资源互动行为监控。
然而,传统技术无法完全适应于互联网金融背景下的商户营销需求和线上线下一体化运营服务体系,受限于用户资源互动点分散的特点,不利于提高用户资源互动轨迹预测结果的准确度。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高用户资源互动轨迹预测结果准确度的资源互动轨迹预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种资源互动轨迹预测方法,所述方法包括:
获取目标对象的历史资源互动轨迹;所述历史资源互动轨迹包括资源互动终端采集到的所述目标对象在历史时间内的资源互动发生位置;所述历史时间包括当前时刻之前的时间段;
将所述历史资源互动轨迹输入至预训练的轨迹特征提取模型,得到所述历史资源互动轨迹对应的高维空间特征;所述高维空间特征表征所述历史资源互动轨迹的高维特性;
将所述历史资源互动轨迹对应的高维空间特征输入至预训练的轨迹重构模型,得到所述历史资源互动轨迹对应的重构资源互动轨迹;
根据所述重构资源互动轨迹,确定所述目标对象对应的资源互动轨迹预测结果。
在其中一个实施例中,所述轨迹特征提取模型包括编码器和解码器,所述将所述历史资源互动轨迹输入至预训练的轨迹特征提取模型,得到所述历史资源互动轨迹对应的高维空间特征,包括:
将所述历史资源互动轨迹输入至所述编码器,得到所述历史资源互动轨迹对应的编码器输出特征;
将所述编码器输出特征输入至所述解码器,得到所述历史资源互动轨迹对应的高维空间特征。
在其中一个实施例中,所述将所述历史资源互动轨迹输入至所述编码器,得到所述历史资源互动轨迹对应的编码器输出特征,包括:
获取所述轨迹特征提取模型的编码器权值矩阵、编码器偏置矩阵和编码器激活函数;
根据所述历史资源互动轨迹和所述编码器权值矩阵,确定第一乘积;所述第一乘积表征所述历史资源互动轨迹与所述编码器权值矩阵的乘积;
根据所述第一乘积和所述编码器偏置矩阵,确定第一总和;所述第一总和表征所述第一乘积与所述编码器偏置矩阵的和;
根据所述第一总和和所述编码器激活函数,确定所述历史资源互动轨迹对应的编码器输出特征。
在其中一个实施例中,所述将所述编码器输出特征输入至所述解码器,得到所述历史资源互动轨迹对应的高维空间特征,包括:
获取所述轨迹特征提取模型的解码器权值矩阵和解码器偏置矩阵;
根据所述编码器输出特征和所述解码器权值矩阵,确定第二乘积;所述第二乘积表征所述编码器输出特征与所述解码器权值矩阵的乘积;
根据所述第二乘积和所述解码器偏置矩阵,确定所述历史资源互动轨迹对应的高维空间特征。
在其中一个实施例中,所述将所述历史资源互动轨迹对应的高维空间特征输入至预训练的轨迹重构模型,得到所述历史资源互动轨迹对应的重构资源互动轨迹,包括:
获取所述轨迹重构模型的历史输出结果;
根据所述历史输出结果和所述高维空间特征,确定轨迹重构模型输入;所述轨迹重构模型输入表征所述历史输出结果与所述高维空间特征的组合;
将所述轨迹重构模型输入输入至所述轨迹重构模型的输出门,得到所述历史资源互动轨迹对应的重构资源互动轨迹。
在其中一个实施例中,所述将所述轨迹重构模型输入输入至所述轨迹重构模型的输出门,得到所述历史资源互动轨迹对应的重构资源互动轨迹,包括:
获取所述轨迹重构模型的输出门权值矩阵和输出门偏置矩阵;
根据所述轨迹重构模型输入和所述输出门权值矩阵,确定第三乘积;所述第三乘积表征所述轨迹重构模型输入与所述输出门权值矩阵的乘积;
根据所述第三乘积和所述输出门偏置矩阵,确定第二总和;所述第二总和表征所述第三乘积与所述输出门偏置矩阵的和;
根据所述第二总和和所述输出门的输出函数,确定所述历史资源互动轨迹对应的重构资源互动轨迹。
在其中一个实施例中,所述方法还包括:
获取样本历史资源互动轨迹;
根据所述样本历史资源互动轨迹,确定所述样本历史资源互动轨迹对应的样本重构资源互动轨迹;
根据所述样本重构资源互动轨迹和所述样本历史资源互动轨迹,确定样本轨迹损失;所述样本轨迹损失表征所述样本重构资源互动轨迹与所述样本历史资源互动轨迹之间的差异程度;
根据所述样本轨迹损失,确定样本平均重构损失;
根据所述样本平均重构损失,训练轨迹重构模型。
第二方面,本申请还提供了一种资源互动轨迹预测装置,所述装置包括:
轨迹获取模块,用于获取目标对象的历史资源互动轨迹;所述历史资源互动轨迹包括资源互动终端采集到的所述目标对象在历史时间内的资源互动发生位置;所述历史时间包括当前时刻之前的时间段;
特征提取模块,用于将所述历史资源互动轨迹输入至预训练的轨迹特征提取模型,得到所述历史资源互动轨迹对应的高维空间特征;所述高维空间特征表征所述历史资源互动轨迹的高维特性;
轨迹重构模块,用于将所述历史资源互动轨迹对应的高维空间特征输入至预训练的轨迹重构模型,得到所述历史资源互动轨迹对应的重构资源互动轨迹;
结果确定模块,用于根据所述重构资源互动轨迹,确定所述目标对象对应的资源互动轨迹预测结果。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
上述资源互动轨迹预测方法、装置、计算机设备、存储介质和计算机程序产品,通过获取目标对象的历史资源互动轨迹;从而通过资源互动终端确定目标对象在历史时间内资源互动操作的资源互动发生位置,将历史资源互动轨迹输入至预训练的轨迹特征提取模型,得到历史资源互动轨迹对应的高维空间特征,从而基于轨迹特征提取模型确定历史资源互动轨迹的高维特性,将历史资源互动轨迹对应的高维空间特征输入至预训练的轨迹重构模型,得到历史资源互动轨迹对应的重构资源互动轨迹,从而基于轨迹重构模型对高维空间特征进行重合和解析,得到重构资源互动轨迹,根据重构资源互动轨迹,确定目标对象对应的资源互动轨迹预测结果,实现基于轨迹特征提取模型确定目标对象的资源互动轨迹特征,通过轨迹重构模型对资源互动轨迹特征进行重构和解析,得到重构资源互动轨迹,进而利用重构资源互动轨迹对目标对象在将来可能发生的资源互动操作进行轨迹预测,能够基于神经网络,对目标对象的历史资源互动轨迹进行分析,从目标对象分散且复杂的资源互动点或资源互动轨迹中,确定目标对应的资源互动轨迹特征,并基于资源互动轨迹特征进行轨迹重构,进而利用轨迹重构结果预测目标对象的资源互动轨迹,提高资源互动轨迹预测结果的准确度。
附图说明
图1为一个实施例中一种资源互动轨迹预测方法的应用环境图;
图2为一个实施例中一种资源互动轨迹预测方法的流程示意图;
图3为一个实施例中一种轨迹重构模型的结构示意图;
图4为一个实施例中一种收单系统交易时空轨迹提取方法的流程示意图;
图5为一个实施例中一种资源互动轨迹预测装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
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,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的资源互动轨迹预测方法,可以应用于如图1所示的应用环境中。其中,资源互动终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104获取目标对象的历史资源互动轨迹;所述历史资源互动轨迹包括资源互动终端采集到的所述目标对象在历史时间内的资源互动发生位置;所述历史时间包括当前时刻之前的时间段;服务器104将所述历史资源互动轨迹输入至预训练的轨迹特征提取模型,得到所述历史资源互动轨迹对应的高维空间特征;所述高维空间特征表征所述历史资源互动轨迹的高维特性;服务器104将所述历史资源互动轨迹对应的高维空间特征输入至预训练的轨迹重构模型,得到所述历史资源互动轨迹对应的重构资源互动轨迹;服务器104根据所述重构资源互动轨迹,确定所述目标对象对应的资源互动轨迹预测结果。其中,资源互动终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一些实施例中,如图2所示,提供了一种资源互动轨迹预测方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤S202,获取目标对象的历史资源互动轨迹。
其中,目标对象可以是指资源互动操作的发起方,实际应用中,目标对象可以包括银行收单系统中的用户。
其中,资源互动操作可以包括目标对象与银行收单系统或商户之间的交易操作。
其中,历史资源互动轨迹可以包括资源互动终端采集到的所述目标对象在历史时间内的资源互动发生位置,实际应用中,历史资源互动轨迹可以包括按照时间先后顺序排列的目标对象全部或部分的资源互动轨迹点,资源互动轨迹点可以包括商户分布位置信息。
其中,资源互动终端可以是指目标对象与银行收单系统之间进行数据交互的装置,实际应用中,资源互动终端可以包括具备现金或易货额度出纳功能的装置或平台,资源互动终端也可以包括交易pos机。
其中,历史时间包括当前时刻之前的时间段,实际应用中,历史时间可以包括开始研究目标对象资源互动轨迹时刻之前的任意时间段。
作为一种示例,目标对象在历史时间内执行了若干次资源互动操作,资源互动终端采集并记录目标对象在历史时间内全部的资源互动轨迹,服务器将目标对象在历史时间内全部的资源互动轨迹点按照时间先后顺序排列,得到目标对象的历史资源互动轨迹(交易轨迹数据集),历史资源互动轨迹可表示为:T={T1,T2,…,Tn},其中,n为资源互动轨迹数目,单个资源互动轨迹可由一系列资源互动轨迹点p组成,即单个资源互动轨迹T={p1,p2,…,pi},其中,i为组成资源互动轨迹T的资源互动轨迹点数目,其中,p=(lng,lat,t),lng可以包括资源互动终端上送至服务器的资源互动轨迹点经度,lat可以包括资源互动终端上送至服务器的资源互动轨迹点纬度,t可以是指资源互动操作的发生时间。
步骤S204,将历史资源互动轨迹输入至预训练的轨迹特征提取模型,得到历史资源互动轨迹对应的高维空间特征。
其中,轨迹特征提取模型可以是指用于提取资源互动轨迹的轨迹特征的神经网络模型,实际应用中,轨迹特征提取模型可以包括自编码器。
其中,高维空间特征可以是指表征历史资源互动轨迹的高维特性的数据。
作为一种示例,服务器将历史资源互动轨迹输入至预训练的轨迹特征提取模型(自编码器),提取历史资源互动轨迹映射到高维空间的特征表示向量,其中,历史资源互动轨迹映射到高维空间的特征表示向量可表示为x={x1,x2,…,xm},其中,m为预设的输入维度,服务器将历史资源互动轨迹映射到高维空间的特征表示向量作为历史资源互动轨迹对应的高维空间特征。
步骤S206,将历史资源互动轨迹对应的高维空间特征输入至预训练的轨迹重构模型,得到历史资源互动轨迹对应的重构资源互动轨迹。
其中,轨迹重构模型可以是指用于对资源互动轨迹特征进行重构和解析的神经网络模型,实际应用中,轨迹重构模型可以包括长短期记忆人工神经网络。
其中,重构资源互动轨迹可以是指表征目标对象未来可能执行资源互动操作的位置。
作为一种示例,服务器将历史资源互动轨迹对应的高维空间特征输入至预训练的轨迹重构模型(长短期记忆人工神经网络),轨迹重构模型对高维空间特征进行解析和重构,得到历史资源互动轨迹对应的重构资源互动轨迹。
步骤S208,根据重构资源互动轨迹,确定目标对象对应的资源互动轨迹预测结果。
作为一种示例,服务器获取到重构资源互动轨迹后,服务器可以将重构资源互动轨迹直接作为目标对象对应的资源互动轨迹预测结果,服务器也可以按照实际需求,对重构资源互动轨迹进行进一步处理(如拟合重构资源互动轨迹与历史资源互动轨迹),进而得到的目标对象对应的资源互动轨迹预测结果。
上述资源互动轨迹预测方法中,通过获取目标对象的历史资源互动轨迹;从而通过资源互动终端确定目标对象在历史时间内资源互动操作的资源互动发生位置,将历史资源互动轨迹输入至预训练的轨迹特征提取模型,得到历史资源互动轨迹对应的高维空间特征,从而基于轨迹特征提取模型确定历史资源互动轨迹的高维特性,将历史资源互动轨迹对应的高维空间特征输入至预训练的轨迹重构模型,得到历史资源互动轨迹对应的重构资源互动轨迹,从而基于轨迹重构模型对高维空间特征进行重合和解析,得到重构资源互动轨迹,根据重构资源互动轨迹,确定目标对象对应的资源互动轨迹预测结果,实现基于轨迹特征提取模型确定目标对象的资源互动轨迹特征,通过轨迹重构模型对资源互动轨迹特征进行重构和解析,得到重构资源互动轨迹,进而利用重构资源互动轨迹对目标对象在将来可能发生的资源互动操作进行轨迹预测,能够基于神经网络,对目标对象的历史资源互动轨迹进行分析,从目标对象分散且复杂的资源互动点或资源互动轨迹中,确定目标对应的资源互动轨迹特征,并基于资源互动轨迹特征进行轨迹重构,进而利用轨迹重构结果预测目标对象的资源互动轨迹,提高资源互动轨迹预测结果的准确度。
在一些实施例中,轨迹特征提取模型包括编码器和解码器,将历史资源互动轨迹输入至预训练的轨迹特征提取模型,得到历史资源互动轨迹对应的高维空间特征,包括:将历史资源互动轨迹输入至编码器,得到历史资源互动轨迹对应的编码器输出特征;将编码器输出特征输入至解码器,得到历史资源互动轨迹对应的高维空间特征。
其中,编码器输出特征可以是指对历史资源互动轨迹进行初步特征提取后得到的初步轨迹特征。
作为一种示例,轨迹特征提取模型(自编码器)包括编码器和解码器,服务器将历史资源互动轨迹输入至编码器,编码器输出中间特征(编码器输出特征),其中,编码器计算过程可表示为:x′=s(w1 Tp+b1),其中,p为资源互动轨迹点,w1可以是指编码器权值矩阵,b1可以是指编码器偏置矩阵,s为编码器的激活函数,服务器将中间特征(编码器输出特征)输入至解码器,解码器输出历史资源互动轨迹对应的高维空间特征,其中,解码器计算过程可表示为:x=w2 T x′+b2,其中,w2可以是指解码器权值矩阵,b2可以是指解码器偏置矩阵。
本实施例中,通过将历史资源互动轨迹输入至编码器,得到历史资源互动轨迹对应的编码器输出特征;将编码器输出特征输入至解码器,得到历史资源互动轨迹对应的高维空间特征,能够基于轨迹特征提取模型中的编码器和解码器,逐步确定出高维空间特征,保证高维空间特征的准确性。
在一些实施例中,将历史资源互动轨迹输入至编码器,得到历史资源互动轨迹对应的编码器输出特征,包括:获取轨迹特征提取模型的编码器权值矩阵、编码器偏置矩阵和编码器激活函数;根据历史资源互动轨迹和编码器权值矩阵,确定第一乘积;根据第一乘积和编码器偏置矩阵,确定第一总和;根据第一总和和编码器激活函数,确定历史资源互动轨迹对应的编码器输出特征。
其中,第一乘积可以是指表征历史资源互动轨迹与编码器权值矩阵的乘积的信息。
其中,第一总和可以是指表征第一乘积与编码器偏置矩阵的和的信息。
作为一种示例,服务器将历史资源互动轨迹输入至编码器,编码器输出中间特征(编码器输出特征),其中,编码器计算过程可表示为:x′=s(w1 Tp+b1),其中,p为资源互动轨迹点,w1可以是指编码器权值矩阵,b1可以是指编码器偏置矩阵,s为编码器的激活函数,具体地,第一乘积可表示为w1 Tp,第一总和可表示为w1 Tp+b1。
本实施例中,通过获取轨迹特征提取模型的编码器权值矩阵、编码器偏置矩阵和编码器激活函数;根据历史资源互动轨迹和编码器权值矩阵,确定第一乘积;根据第一乘积和编码器偏置矩阵,确定第一总和;根据第一总和和编码器激活函数,确定历史资源互动轨迹对应的编码器输出特征,能够基于轨迹特征提取模型的编码器权值矩阵、编码器偏置矩阵和编码器激活函数,利用预设的编码器特征提取公式,对历史资源互动轨迹进行初步特征提取,保证初步特征的准确性。
在一些实施例中,将编码器输出特征输入至解码器,得到历史资源互动轨迹对应的高维空间特征,包括:获取轨迹特征提取模型的解码器权值矩阵和解码器偏置矩阵;根据编码器输出特征和解码器权值矩阵,确定第二乘积;根据第二乘积和解码器偏置矩阵,确定历史资源互动轨迹对应的高维空间特征。
其中,第二乘积可以是指表征编码器输出特征与所述解码器权值矩阵的乘积的信息。
作为一种示例,服务器将中间特征(编码器输出特征)输入至解码器,解码器输出历史资源互动轨迹对应的高维空间特征,其中,解码器计算过程可表示为:x=w2 T x′+b2,其中,w2可以是指解码器权值矩阵,b2可以是指解码器偏置矩阵,具体地,第二乘积可表示为w2 T x′。
本实施例中,通过获取轨迹特征提取模型的解码器权值矩阵和解码器偏置矩阵;根据编码器输出特征和解码器权值矩阵,确定第二乘积;根据第二乘积和解码器偏置矩阵,确定历史资源互动轨迹对应的高维空间特征,能够基于轨迹特征提取模型的解码器权值矩阵和解码器偏置矩阵,利用预设的解码器特征提取公式,对编码器输出特征进行进一步特征提取,得到历史资源互动轨迹对应的高维空间特征,保证高维空间特征的准确性。
在一些实施例中,将历史资源互动轨迹对应的高维空间特征输入至预训练的轨迹重构模型,得到历史资源互动轨迹对应的重构资源互动轨迹,包括:获取轨迹重构模型的历史输出结果;根据历史输出结果和高维空间特征,确定轨迹重构模型输入;将轨迹重构模型输入输入至轨迹重构模型的输出门,得到历史资源互动轨迹对应的重构资源互动轨迹。
其中,历史输出结果可以是指轨迹重构模型针对历史资源互动轨迹中的资源互动轨迹点的输出结果,实际应用中,由于历史资源互动轨迹可以为按照时间先后顺序排列的一系列资源互动轨迹点,轨迹特征提取模型输出的高维空间特征也可以为按照时间先后顺序排列的一系列数据,基于轨迹重构模型的结构特点,确定时刻t的重构资源互动轨迹点时,需要利用轨迹重构模型输出的t-1时刻的重构资源互动轨迹点,此时,t-1时刻的重构资源互动轨迹点可作为历史输出结果。
其中,轨迹重构模型输入可以是指表征历史输出结果与高维空间特征的组合的信息,实际应用中,轨迹重构模型输入可以表示为[ht-1,xt],其中,ht-1可以是指t-1时刻资源互动轨迹对应的轨迹重构模型的历史输出结果,xt可以是指t时刻资源互动轨迹的高维空间特征。
作为一种示例,如图3所示,提供了一种轨迹重构模型的结构示意图,服务器将历史资源互动轨迹对应的高维空间特征输入至预训练的轨迹重构模型,轨迹重构模型基于历史资源互动轨迹对应的高维空间特征,确定历史资源互动轨迹对应的重构资源互动轨迹,其中,轨迹重构模型可以包括输入门it=σ(Wi·[ht-1,xt]+bi),遗忘门ft=σ(Wf·[ht-1,xt]+bf),输出门ot=σ(W0·[ht-1,xt]+b0)和模型隐含状态其中,σ可以是指sigmoid函数,ht-1可以是指t-1时刻资源互动轨迹对应的轨迹重构模型的历史输出结果(隐藏状态),Wi可以是指轨迹重构模型(输入门)权值矩阵,Wf可以是指轨迹重构模型(遗忘门)权值矩阵,Wo可以是指轨迹重构模型(输出门)权值矩阵,Wc可以是指轨迹重构模型(隐含状态)权值矩阵,bi可以是指轨迹重构模型(输入门)偏置矩阵,bf可以是指轨迹重构模型(遗忘门)偏置矩阵,bo可以是指轨迹重构模型(输出门)偏置矩阵,bc可以是指轨迹重构模型(隐含状态)偏置矩阵,轨迹重构模型隐含状态Ct的更新表达式可表示为ht的更新公式可以表示为ht=ot*tanh(Ct-1),其中,ft为t时刻的遗忘门状态,it为t时刻的输入门状态,Ct-1为t-1时刻的轨迹重构模型的隐含层状态,ot为t时刻的输出门状态,具体地,t-1时刻的轨迹重构模型的隐含层状态Ct-1和ht-1输入至t时刻的轨迹重构模型,通过遗忘门控制Ct-1和ht-1对当前时刻轨迹重构模型的影响。
本实施例中,通过获取轨迹重构模型的历史输出结果;根据历史输出结果和高维空间特征,确定轨迹重构模型输入;将轨迹重构模型输入输入至轨迹重构模型的输出门,得到历史资源互动轨迹对应的重构资源互动轨迹,能够基于轨迹重构模型,结合轨迹重构模型的历史输出结果,利用轨迹重构模型的输出门,确定重构资源互动轨迹,提高重构资源互动轨迹的准确度。
在一些实施例中,将轨迹重构模型输入输入至轨迹重构模型的输出门,得到历史资源互动轨迹对应的重构资源互动轨迹,包括:获取轨迹重构模型的输出门权值矩阵和输出门偏置矩阵;根据轨迹重构模型输入和输出门权值矩阵,确定第三乘积;根据第三乘积和输出门偏置矩阵,确定第二总和;根据第二总和和输出门的输出函数,确定历史资源互动轨迹对应的重构资源互动轨迹。
其中,第三乘积可以是指表征轨迹重构模型输入与输出门权值矩阵的乘积的信息。
其中,第二总和可以是指表征第三乘积与输出门偏置矩阵的和的信息。
其中,输出门的输出函数可以是指sigmoid函数。
作为一种示例,服务器获取轨迹重构模型的输出门权值矩阵Wo和输出门偏置矩阵bo;根据轨迹重构模型输入[ht-1,xt]和输出门权值矩阵,确定第三乘积,具体地,第三乘积可表示为Wo·[ht-1,xt];根据第三乘积和输出门偏置矩阵,确定第二总和,具体地,第二总和可表示为Wo·[ht-1,xt]+bo;根据第二总和和输出门的输出函数,得到输出门的输出结果ot,服务器通过激活函数对ot进行转换,得到历史资源互动轨迹对应的重构资源互动轨迹。
本实施例中,通过获取轨迹重构模型的遗忘门权值矩阵和遗忘门偏置矩阵;根据轨迹重构模型输入和遗忘门权值矩阵,确定第三乘积;根据第三乘积和遗忘门偏置矩阵,确定第二总和;根据第二总和和输出门的输出函数,确定历史资源互动轨迹对应的重构资源互动轨迹,能够基于轨迹重构模型中各组成部分的组件参数,确定历史资源互动轨迹对应的重构资源互动轨迹,提高重构资源互动轨迹的准确性。
在一些实施例中,上述方法还包括:获取样本历史资源互动轨迹;根据样本历史资源互动轨迹,确定样本历史资源互动轨迹对应的样本重构资源互动轨迹;根据样本重构资源互动轨迹和样本历史资源互动轨迹,确定轨迹损失;根据样本轨迹损失,确定样本平均重构损失;根据样本平均重构损失,训练轨迹重构模型。
其中,样本轨迹损失可以是指表征样本重构资源互动轨迹与样本历史资源互动轨迹之间的差异程度的信息;
作为一种示例,为了确定轨迹重构模型的输出结果的准确性,需要对轨迹重构模型进行训练,服务器获取样本历史资源互动轨迹,服务器将样本历史资源互动轨迹输入至轨迹重构模型,轨迹重构模型输出样本重构资源互动轨迹,服务器计算样本重构资源互动轨迹与样本历史资源互动轨迹之间的样本轨迹损失轨迹损失/>的计算公式可表示为:
其中,δ可以是指人为设置的训练阈值。
服务器根据各资源互动轨迹的样本轨迹损失,确定样本平均重构损失RL,样本平均重构损失RL的计算公式可表示为:
在样本平均重构损失小于预设的平均重构损失阈值的情况下,服务器判断轨迹重构模型训练完成。
本实施例中,通过获取样本历史资源互动轨迹;根据样本历史资源互动轨迹,确定样本历史资源互动轨迹对应的样本重构资源互动轨迹;根据样本重构资源互动轨迹和样本历史资源互动轨迹,确定轨迹损失;根据样本轨迹损失,确定样本平均重构损失;根据样本平均重构损失,训练轨迹重构模型,能够基于样本历史资源互动轨迹对轨迹重构模型进行训练,提高轨迹重构模型的输出结果的准确性。
在一些实施例中,如图4所示,提供了一种收单系统交易时空轨迹提取方法的流程示意图,服务器获取所有客户一段时间T内的所有交易记录数据样本(资源互动轨迹),服务器按照单个客户交易时间顺序,将每个客户的交易记录数据样本进行排序,服务器将数据样本输入至自编码器(轨迹特征提取模型),提取交易轨迹特征表示(高维空间特征),服务器将交易轨迹特征表示输入至长短时记忆网络(轨迹重构模型),提取重构轨迹,服务器计算全部重构交易轨迹(资源互动重构轨迹)和对应的原始轨迹(资源互动轨迹)之间的平均重构损失,若平均重构损失大于或等于预设的平均重构损失阈值,服务器更新自编码器的参数和长短时记忆网络的参数,跳回执行将数据样本输入至自编码器及后续步骤,直至平均重构损失小于预设的平均重构损失阈值,此时服务器判断轨迹重构模型训练完成,服务器利用轨迹重构模型提取目标对象的重构轨迹,进而预测目标对象的资源互动轨迹,若服务器检测到没有将所有客户的交易轨迹处理完毕,服务器跳回执行按照单个客户交易时间顺序,将每个客户的交易记录数据样本进行排序,直至所有客户的交易轨迹均处理完毕。
本实施例中,通过融合固定区域用户在收单系统交易记录以及商户分布位置信息,在用户连续交易链路的基础上,从用户交易轨迹相似性入手,提取出用户相似交易链路,构建统计样本空间挖掘用户在区域内的活动规律,借助循环神经网络更为合理地推断出用户缺失的交易链路,能够利用全量样本交易数据中的隐含的客户活动规律,合理的推断出客户的完整交易链路,提高资源互动轨迹预测结果的准确度,有利于后续收单交易以及商户活动营销,为收单业务推广提供辅助数据支撑。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的资源互动轨迹预测方法的资源互动轨迹预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个资源互动轨迹预测装置实施例中的具体限定可以参见上文中对于资源互动轨迹预测方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种资源互动轨迹预测装置,包括:轨迹获取模块502、特征提取模块504、轨迹重构模块506和结果确定模块508,其中:
轨迹获取模块502,用于获取目标对象的历史资源互动轨迹;所述历史资源互动轨迹包括资源互动终端采集到的所述目标对象在历史时间内的资源互动发生位置;所述历史时间包括当前时刻之前的时间段。
特征提取模块504,用于将所述历史资源互动轨迹输入至预训练的轨迹特征提取模型,得到所述历史资源互动轨迹对应的高维空间特征;所述高维空间特征表征所述历史资源互动轨迹的高维特性。
轨迹重构模块506,用于将所述历史资源互动轨迹对应的高维空间特征输入至预训练的轨迹重构模型,得到所述历史资源互动轨迹对应的重构资源互动轨迹。
结果确定模块508,用于根据所述重构资源互动轨迹,确定所述目标对象对应的资源互动轨迹预测结果。
在一个示例性实施例中,所述轨迹特征提取模型包括编码器和解码器,上述特征提取模块504具体还用于将所述历史资源互动轨迹输入至所述编码器,得到所述历史资源互动轨迹对应的编码器输出特征;将所述编码器输出特征输入至所述解码器,得到所述历史资源互动轨迹对应的高维空间特征。
在一个示例性实施例中,上述特征提取模块504具体还用于获取所述轨迹特征提取模型的编码器权值矩阵、编码器偏置矩阵和编码器激活函数;根据所述历史资源互动轨迹和所述编码器权值矩阵,确定第一乘积;所述第一乘积表征所述历史资源互动轨迹与所述编码器权值矩阵的乘积;根据所述第一乘积和所述编码器偏置矩阵,确定第一总和;所述第一总和表征所述第一乘积与所述编码器偏置矩阵的和;根据所述第一总和和所述编码器激活函数,确定所述历史资源互动轨迹对应的编码器输出特征。
在一个示例性实施例中,上述特征提取模块504具体还用于获取所述轨迹特征提取模型的解码器权值矩阵和解码器偏置矩阵;根据所述编码器输出特征和所述解码器权值矩阵,确定第二乘积;所述第二乘积表征所述编码器输出特征与所述解码器权值矩阵的乘积;根据所述第二乘积和所述解码器偏置矩阵,确定所述历史资源互动轨迹对应的高维空间特征。
在一个示例性实施例中,上述轨迹重构模块506具体还用于获取所述轨迹重构模型的历史输出结果;根据所述历史输出结果和所述高维空间特征,确定轨迹重构模型输入;所述轨迹重构模型输入表征所述历史输出结果与所述高维空间特征的组合;将所述轨迹重构模型输入输入至所述轨迹重构模型的输出门,得到所述历史资源互动轨迹对应的重构资源互动轨迹。
在一个示例性实施例中,上述轨迹重构模块506具体还用于获取所述轨迹重构模型的输出门权值矩阵和输出门偏置矩阵;根据所述轨迹重构模型输入和所述输出门权值矩阵,确定第三乘积;所述第三乘积表征所述轨迹重构模型输入与所述输出门权值矩阵的乘积;根据所述第三乘积和所述输出门偏置矩阵,确定第二总和;所述第二总和表征所述第三乘积与所述输出门偏置矩阵的和;根据所述第二总和和所述输出门的输出函数,确定所述历史资源互动轨迹对应的重构资源互动轨迹。
在一个示例性实施例中,上述装置还包括轨迹重构模型训练模块,该轨迹重构模型训练模块具体用于获取样本历史资源互动轨迹;根据所述样本历史资源互动轨迹,确定所述样本历史资源互动轨迹对应的样本重构资源互动轨迹;根据所述样本重构资源互动轨迹和所述样本历史资源互动轨迹,确定样本轨迹损失;所述样本轨迹损失表征所述样本重构资源互动轨迹与所述样本历史资源互动轨迹之间的差异程度;根据所述样本轨迹损失,确定样本平均重构损失;根据所述样本平均重构损失,训练轨迹重构模型。
上述资源互动轨迹预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种资源互动轨迹预测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种资源互动轨迹预测方法,其特征在于,所述方法包括:
获取目标对象的历史资源互动轨迹;所述历史资源互动轨迹包括资源互动终端采集到的所述目标对象在历史时间内的资源互动发生位置;所述历史时间包括当前时刻之前的时间段;
将所述历史资源互动轨迹输入至预训练的轨迹特征提取模型,得到所述历史资源互动轨迹对应的高维空间特征;所述高维空间特征表征所述历史资源互动轨迹的高维特性;
将所述历史资源互动轨迹对应的高维空间特征输入至预训练的轨迹重构模型,得到所述历史资源互动轨迹对应的重构资源互动轨迹;
根据所述重构资源互动轨迹,确定所述目标对象对应的资源互动轨迹预测结果。
2.根据权利要求1所述的方法,其特征在于,所述轨迹特征提取模型包括编码器和解码器,所述将所述历史资源互动轨迹输入至预训练的轨迹特征提取模型,得到所述历史资源互动轨迹对应的高维空间特征,包括:
将所述历史资源互动轨迹输入至所述编码器,得到所述历史资源互动轨迹对应的编码器输出特征;
将所述编码器输出特征输入至所述解码器,得到所述历史资源互动轨迹对应的高维空间特征。
3.根据权利要求2所述的方法,其特征在于,所述将所述历史资源互动轨迹输入至所述编码器,得到所述历史资源互动轨迹对应的编码器输出特征,包括:
获取所述轨迹特征提取模型的编码器权值矩阵、编码器偏置矩阵和编码器激活函数;
根据所述历史资源互动轨迹和所述编码器权值矩阵,确定第一乘积;所述第一乘积表征所述历史资源互动轨迹与所述编码器权值矩阵的乘积;
根据所述第一乘积和所述编码器偏置矩阵,确定第一总和;所述第一总和表征所述第一乘积与所述编码器偏置矩阵的和;
根据所述第一总和和所述编码器激活函数,确定所述历史资源互动轨迹对应的编码器输出特征。
4.根据权利要求2所述的方法,其特征在于,所述将所述编码器输出特征输入至所述解码器,得到所述历史资源互动轨迹对应的高维空间特征,包括:
获取所述轨迹特征提取模型的解码器权值矩阵和解码器偏置矩阵;
根据所述编码器输出特征和所述解码器权值矩阵,确定第二乘积;所述第二乘积表征所述编码器输出特征与所述解码器权值矩阵的乘积;
根据所述第二乘积和所述解码器偏置矩阵,确定所述历史资源互动轨迹对应的高维空间特征。
5.根据权利要求1所述的方法,其特征在于,所述将所述历史资源互动轨迹对应的高维空间特征输入至预训练的轨迹重构模型,得到所述历史资源互动轨迹对应的重构资源互动轨迹,包括:
获取所述轨迹重构模型的历史输出结果;
根据所述历史输出结果和所述高维空间特征,确定轨迹重构模型输入;所述轨迹重构模型输入表征所述历史输出结果与所述高维空间特征的组合;
将所述轨迹重构模型输入输入至所述轨迹重构模型的输出门,得到所述历史资源互动轨迹对应的重构资源互动轨迹。
6.根据权利要求5所述的方法,其特征在于,所述将所述轨迹重构模型输入输入至所述轨迹重构模型的输出门,得到所述历史资源互动轨迹对应的重构资源互动轨迹,包括:
获取所述轨迹重构模型的输出门权值矩阵和输出门偏置矩阵;
根据所述轨迹重构模型输入和所述输出门权值矩阵,确定第三乘积;所述第三乘积表征所述轨迹重构模型输入与所述输出门权值矩阵的乘积;
根据所述第三乘积和所述输出门偏置矩阵,确定第二总和;所述第二总和表征所述第三乘积与所述输出门偏置矩阵的和;
根据所述第二总和和所述输出门的输出函数,确定所述历史资源互动轨迹对应的重构资源互动轨迹。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取样本历史资源互动轨迹;
根据所述样本历史资源互动轨迹,确定所述样本历史资源互动轨迹对应的样本重构资源互动轨迹;
根据所述样本重构资源互动轨迹和所述样本历史资源互动轨迹,确定样本轨迹损失;所述样本轨迹损失表征所述样本重构资源互动轨迹与所述样本历史资源互动轨迹之间的差异程度;
根据所述样本轨迹损失,确定样本平均重构损失;
根据所述样本平均重构损失,训练轨迹重构模型。
8.一种资源互动轨迹预测装置,其特征在于,所述装置包括:
轨迹获取模块,用于获取目标对象的历史资源互动轨迹;所述历史资源互动轨迹包括资源互动终端采集到的所述目标对象在历史时间内的资源互动发生位置;所述历史时间包括当前时刻之前的时间段;
特征提取模块,用于将所述历史资源互动轨迹输入至预训练的轨迹特征提取模型,得到所述历史资源互动轨迹对应的高维空间特征;所述高维空间特征表征所述历史资源互动轨迹的高维特性;
轨迹重构模块,用于将所述历史资源互动轨迹对应的高维空间特征输入至预训练的轨迹重构模型,得到所述历史资源互动轨迹对应的重构资源互动轨迹;
结果确定模块,用于根据所述重构资源互动轨迹,确定所述目标对象对应的资源互动轨迹预测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310687330.1A CN116703544A (zh) | 2023-06-12 | 2023-06-12 | 资源互动轨迹预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310687330.1A CN116703544A (zh) | 2023-06-12 | 2023-06-12 | 资源互动轨迹预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116703544A true CN116703544A (zh) | 2023-09-05 |
Family
ID=87844626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310687330.1A Pending CN116703544A (zh) | 2023-06-12 | 2023-06-12 | 资源互动轨迹预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703544A (zh) |
-
2023
- 2023-06-12 CN CN202310687330.1A patent/CN116703544A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN113034168A (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
CN115860802A (zh) | 产品价值预测方法、装置、计算机设备和存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN116703544A (zh) | 资源互动轨迹预测方法、装置、计算机设备和存储介质 | |
CN114219184A (zh) | 产品交易数据预测方法、装置、设备、介质和程序产品 | |
CN117454185B (zh) | 联邦模型训练方法、装置、计算机设备和存储介质 | |
CN115689648B (zh) | 应用于定向投放的用户信息处理方法及系统 | |
US20230274310A1 (en) | Jointly predicting multiple individual-level features from aggregate data | |
CN116127183A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN116342242A (zh) | 异常检测方法、装置、计算机设备和存储介质 | |
CN117436972A (zh) | 资源对象推荐方法、装置、计算机设备和存储介质 | |
CN117455050A (zh) | 风险承担能力预测方法、装置、设备、存储介质和产品 | |
CN117593084A (zh) | 金融产品推送方法、装置、设备、存储介质和程序产品 | |
CN117390258A (zh) | 金融业务推荐方法、装置、计算机设备和存储介质 | |
CN117390098A (zh) | 数据分析方法、装置、计算机设备和存储介质 | |
CN116977049A (zh) | 资源申请服务的处理方法、装置、计算机设备和存储介质 | |
CN117726431A (zh) | 信用信息更新方法、装置、设备、存储介质和程序产品 | |
CN116911358A (zh) | 神经网络的剪枝方法、装置、设备、存储介质和程序产品 | |
CN117314555A (zh) | 业务处理方法、装置、计算机设备、存储介质和程序产品 | |
CN117745337A (zh) | 产品生成方法、装置、计算机设备和存储介质 | |
CN115658899A (zh) | 文本分类方法、装置、计算机设备和存储介质 | |
CN114693431A (zh) | 信用度评估方法、装置、设备、介质和程序产品 | |
CN117112724A (zh) | 搜索推送方法、装置、设备、存储介质和计算机程序产品 | |
CN117440041A (zh) | 静默服务信息推送方法、装置、计算机设备和存储介质 |
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 |