CN117291693A - 基于人工智能的策略生成方法、装置、设备及存储介质 - Google Patents

基于人工智能的策略生成方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117291693A
CN117291693A CN202311220881.3A CN202311220881A CN117291693A CN 117291693 A CN117291693 A CN 117291693A CN 202311220881 A CN202311220881 A CN 202311220881A CN 117291693 A CN117291693 A CN 117291693A
Authority
CN
China
Prior art keywords
user
service
target
liveness
data
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
CN202311220881.3A
Other languages
English (en)
Inventor
李雨洁
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.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
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 Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202311220881.3A priority Critical patent/CN117291693A/zh
Publication of CN117291693A publication Critical patent/CN117291693A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请属于人工智能领域与金融科技领域，涉及一种基于人工智能的策略生成方法，包括：对目标平台用户的指标行为数据进行评分得到评分数据；基于评分数据对目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户；获取指定用户的用户行为特征与用户基础特征；基于服务感知预测模型对指标行为数据、用户行为特征与用户基础特征进行预测得到服务感知度预测结果；基于服务感知度预测结果生成目标服务投放策略。本申请还提供一种基于人工智能的策略生成装置、计算机设备及存储介质。此外，本申请的评分数据可存储于区块链中。本申请可应用于金融领域的投放策略推送场景，基于服务感知预测模型实现了对于用户的精确化的投放策略设置。

Description

基于人工智能的策略生成方法、装置、设备及存储介质
技术领域
本申请涉及人工智能开发技术领域与金融科技领域，尤其涉及基于人工智能的策略生成方法、装置、计算机设备及存储介质。
背景技术
随着互联网流量逐渐见顶，传统的买量获客逐渐会成为业务发展的瓶颈，对于大中型的金融科技企业，例如保险公司来说，精细化的运营和精准化的营销是企业运营老用户、发展新用户的必经之路。新的流量洼地越来越少，如果要想同时做到精准获客和用户留存，需要对每个用户实行差异化的策略配置。
对于保险企业的服务平台，通常会拥有较为丰富的用户行为数据，可以通过线上行为的分析，最大化挖掘用户价值，评价用户的服务感知程度，给用户投放不同的服务策略，以降低整体的服务投入成本。然而，通常情况下，保险企业会给用户设置不同的分类标签，基于标签设置不同的服务卡券、红包等投放策略，但是这类标签一般都是基于用户的基础属性构建的，属于静态标签，无法捕捉到数据的动态变化，从而导致为用户配置的投放策略的准确度较低，无法实现对于用户的精确化的投放策略设置。
发明内容
本申请实施例的目的在于提出一种基于人工智能的策略生成方法、装置、计算机设备及存储介质，以解决现有的无法实现对于用户的精确化的投放策略设置的技术问题。
为了解决上述技术问题，本申请实施例提供一种基于人工智能的策略生成方法，采用了如下所述的技术方案：
基于预设的短期信息类型获取目标平台用户的指标行为数据；其中，所述目标平台用户的数量包括多个；
基于预设的评分规则对所述指标行为数据进行评分处理，得到对应的评分数据；
基于所述评分数据对所述目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户；其中，不同活跃度类型的用户包括高活跃度用户、中活跃度用户以及低活跃度用户；
获取指定用户在预设时间窗口内的用户行为特征，以及获取所述指定用户的用户基础特征；其中，所述指定用户为任意一种活跃度类型的用户；
基于预设的服务感知预测模型对所述指标行为数据、所述用户行为特征与所述用户基础特征进行预测处理，生成与所述指定用户对应的服务感知度预测结果；
基于所述服务感知度预测结果与所述指定用户的指定活跃度类型，生成与所述指定用户对应的目标服务投放策略。
进一步的，所述基于所述评分数据对所述目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户的步骤，具体包括：
获取预设的多种聚类算法；
从所有所述聚类算法中确定出目标聚类算法；
基于所述目标聚类算法对所述评分数据进行聚类处理，得到对应的聚类结果；
基于所述聚类结果对所述目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户。
进一步的，所述基于所述服务感知度预测结果与所述指定用户的指定活跃度类型，生成与所述指定用户对应的目标服务投放策略的步骤，具体包括：
对所述服务感知度预测结果的进行数值分析，生成与所述服务感知度预测结果对应的目标服务感知度等级；
调用预设的服务投放策略集合；
从所述服务投放策略集合中查询出与所述目标服务感知度等级以及所述指定活跃度类型均匹配的指定服务投放策略；
将所述指定服务投放策略作为所述目标服务投放策略。
进一步的，在所述基于预设的服务感知预测模型对所述指标行为数据、所述用户行为特征与所述用户基础特征进行预测处理，生成与所述指定用户对应的服务感知度预测结果的步骤之前，具体包括：
获取预先采集的历史用户特征样本数据；其中，所述用户特征样本数据包括历史指标行为数据、历史用户行为特征以及历史用户基础特征；
对所述历史用户特征样本数据进行预处理得到对应的样本数据；
将所述样本数据划分为训练集与测试集；
获取基于XGBoost算法构建的初始模型；
基于交叉验证方式，使用所述训练集对所述初始模型进行训练，得到训练后的初始模型；
使用所述测试集对所述训练后的初始模型进行测试；
若测试通过，则将所述训练后的初始模型作为所述服务感知预测模型。
进一步的，所述对所述历史用户特征样本数据进行预处理得到对应的样本数据的步骤，具体包括：
对所述用户特征样本数据进行数据清洗处理，得到对应的第一特征信息；
对所述第一特征信息进行数据转换处理，得到对应的第二特征信息；
将所述第二特征信息作为所述样本数据。
进一步的，在所述基于预设的服务感知预测模型对所述指标行为数据、所述用户行为特征与所述用户基础特征进行预测处理，生成与所述指定用户对应的服务感知度预测结果的步骤之后，还包括：
获取预设的模型更新策略；
基于所述模型更新策略对所述服务感知预测模型进行更新处理，得到更新后的服务感知预测模型；
对所述更新后的服务感知预测模型进行存储处理；
对所述服务感知预测模型进行删除处理。
进一步的，在所述基于所述服务感知度预测结果与所述指定用户的指定活跃度类型，生成与所述指定用户对应的目标服务投放策略的步骤之后，还包括：
对所述目标服务投放策略进行信息分析，从所述目标服务投放策略中获取对应的目标投放产品；
从所述目标服务投放策略中获取与所述目标投放产品对应的目标推送方式；
基于所述目标推送方式获取所述指定用户的通讯信息；
基于所述通讯信息，将所述目标投放产品推送给所述指定用户。
为了解决上述技术问题，本申请实施例还提供一种基于人工智能的策略生成装置，采用了如下所述的技术方案：
第一获取模块，用于基于预设的短期信息类型获取目标平台用户的指标行为数据；其中，所述目标平台用户的数量包括多个；
评分模块，用于基于预设的评分规则对所述指标行为数据进行评分处理，得到对应的评分数据；
划分模块，用于基于所述评分数据对所述目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户；其中，不同活跃度类型的用户包括高活跃度用户、中活跃度用户以及低活跃度用户；
第二获取模块，用于获取指定用户在预设时间窗口内的用户行为特征，以及获取所述指定用户的用户基础特征；其中，所述指定用户为任意一种活跃度类型的用户；
预测模块，用于基于预设的服务感知预测模型对所述指标行为数据、所述用户行为特征与所述用户基础特征进行预测处理，生成与所述指定用户对应的服务感知度预测结果；
生成模块，用于基于所述服务感知度预测结果与所述指定用户的指定活跃度类型，生成与所述指定用户对应的目标服务投放策略。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
基于预设的短期信息类型获取目标平台用户的指标行为数据；其中，所述目标平台用户的数量包括多个；
基于预设的评分规则对所述指标行为数据进行评分处理，得到对应的评分数据；
基于所述评分数据对所述目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户；其中，不同活跃度类型的用户包括高活跃度用户、中活跃度用户以及低活跃度用户；
获取指定用户在预设时间窗口内的用户行为特征，以及获取所述指定用户的用户基础特征；其中，所述指定用户为任意一种活跃度类型的用户；
基于预设的服务感知预测模型对所述指标行为数据、所述用户行为特征与所述用户基础特征进行预测处理，生成与所述指定用户对应的服务感知度预测结果；
基于所述服务感知度预测结果与所述指定用户的指定活跃度类型，生成与所述指定用户对应的目标服务投放策略。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
基于预设的短期信息类型获取目标平台用户的指标行为数据；其中，所述目标平台用户的数量包括多个；
基于预设的评分规则对所述指标行为数据进行评分处理，得到对应的评分数据；
基于所述评分数据对所述目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户；其中，不同活跃度类型的用户包括高活跃度用户、中活跃度用户以及低活跃度用户；
获取指定用户在预设时间窗口内的用户行为特征，以及获取所述指定用户的用户基础特征；其中，所述指定用户为任意一种活跃度类型的用户；
基于预设的服务感知预测模型对所述指标行为数据、所述用户行为特征与所述用户基础特征进行预测处理，生成与所述指定用户对应的服务感知度预测结果；
基于所述服务感知度预测结果与所述指定用户的指定活跃度类型，生成与所述指定用户对应的目标服务投放策略。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例通过基于预设的短期信息类型获取目标平台用户动态的短期的指标行为数据，然后基于评分规则对所述指标行为数据进行评分，并基于得到的评分数据目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户，后续通过获取用户动态的中长期的用户基础特征与用户行为特征，进而利用预设的服务感知预测模型对所述指标行为数据、所述用户行为特征与所述用户基础特征进行预测处理，并基于所述服务感知度预测结果与所述指定用户的指定活跃度类型，生成与所述指定用户对应的目标服务投放策略。本申请通过使用服务感知预测模型对用户的短期动态行为特征与中长期动态行为特征进行预测处理，可以实现快速准确地生成用户的服务感知度预测结果，进而后续可以基于得到的服务感知度预测结果来准确地确定出相对应的目标服务投放策略，提高了生成的目标服务投放策略的准确度，有利于实现了对于用户的精确化的投放策略设置。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的基于人工智能的策略生成方法的一个实施例的流程图；
图3是根据本申请的基于人工智能的策略生成装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
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；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，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、无线通信链路或者光纤电缆等等。
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，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
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、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、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，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于人工智能的策略生成方法一般由服务器/终端设备执行，相应地，基于人工智能的策略生成装置一般设置于服务器/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。
继续参考图2，示出了根据本申请的基于人工智能的策略生成方法的一个实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。本申请实施例提供的基于人工智能的策略生成方法能够应用于任意一种需要进行服务感知度预测的场景中，则该基于人工智能的策略生成方法能够应用于这些场景的产品中，例如，金融保险领域中的服务感知度预测处理。所述的基于人工智能的策略生成方法，包括以下步骤：
步骤S201，基于预设的短期信息类型获取目标平台用户的指标行为数据；其中，所述目标平台用户的数量包括多个。
在本实施例中，基于人工智能的策略生成方法运行于其上的电子设备(例如图1所示的服务器/终端设备)，可以通过有线连接方式或者无线连接方式获取指标行为数据。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。在金融科技的应用场景下，上述目标平台用户具体可以为保险平台、银行平台、交易平台、订单平台，等等。上述短期信息类型具体可包括基于RFE模型的信息类型，R表示用户最近一次的访问平台的时间距今天的天数，F表示最近3个月内用户访问平台的次数，E表示最近3个月内用户访问的独立页面数和页面的浏览时间。基于短期信息类型获取的指标行为数据属于目标平台用户在目标平台APP上的短期的动态行为特征。
步骤S202，基于预设的评分规则对所述指标行为数据进行评分处理，得到对应的评分数据。
在本实施例中，上述评分规则预先构建的对指标行为数据进行排序，并照五分位数点进行评分的规则。具体地，对于指标行为数据中包括的F和E维度指标，降序排序位置前20％的用户赋予该指标5分，降序排序位置20％-40％的用户赋予该指标4分，并依此类推；而对于R维度指标，距离当前时间点越近，评分越高，所以升序排序位置前20％的用户赋予该指标5分，并依此类推。另外，在得到与指标行为数据对应的评分数据后，还可进一步将每个维度指标的评分数据进行最大最小归一化处理，以确保各个维度指标的影响权重一致，有利于提高迭代求解的收敛速度。
步骤S203，基于所述评分数据对所述目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户。
在本实施例中，不同活跃度类型的用户包括高活跃度用户、中活跃度用户以及低活跃度用户。其中，上述基于所述评分数据对所述目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S204，获取指定用户在预设时间窗口内的用户行为特征，以及获取所述指定用户的用户基础特征；其中，所述指定用户为任意一种活跃度类型的用户。
在本实施例中，上述预设时间窗口具体包括3个时间窗口，具体可基于客户所属出单机构的可提前承保天数选择了3个时间窗口进行特征加工，分别为近一年(>＝运行日-可提前承保天数-360天,<运行日-可提前承保天数-180天)、近半年(>＝运行日-可提前承保天数-180天,<运行日-可提前承保天数-90天)和近90天(>＝运行日-可提前承保天数-90天,<运行日-可提前承保天数)，这3个时间段涵盖了保险的整个销售周期。对每个用户，统计其在各个时间窗口内对于目标平台的服务、卡券的使用次数、各模块的点击次数，以得到对应的用户行为特征。其中，上述用户基础特征具体可包括用户年龄、用户等级、教育水平、有效保单数等特征。上述用户行为特征与用户基础特征属于指定用户在目标平台APP上的中长期的动态行为特征。
步骤S205，基于预设的服务感知预测模型对所述指标行为数据、所述用户行为特征与所述用户基础特征进行预测处理，生成与所述指定用户对应的服务感知度预测结果。
在本实施例中，通过将所述指标行为数据、所述用户行为特征与所述用户基础特征输入至预设的服务感知预测模型内，通过服务感知预测模型对所述指标行为数据、所述用户行为特征与所述用户基础特征进行预测处理，生成与所述指定用户对应的服务感知度预测结果。其中，对于服务感知预测模型的构建过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S206，基于所述服务感知度预测结果与所述指定用户的指定活跃度类型，生成与所述指定用户对应的目标服务投放策略。
在本实施例中，上述基于所述服务感知度预测结果与所述指定用户的指定活跃度类型，生成与所述指定用户对应的目标服务投放策略的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
本申请通过基于预设的短期信息类型获取目标平台用户动态的短期的指标行为数据，然后基于评分规则对所述指标行为数据进行评分，并基于得到的评分数据目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户，后续通过获取用户动态的中长期的用户基础特征与用户行为特征，进而利用预设的服务感知预测模型对所述指标行为数据、所述用户行为特征与所述用户基础特征进行预测处理，并基于所述服务感知度预测结果与所述指定用户的指定活跃度类型，生成与所述指定用户对应的目标服务投放策略。本申请通过使用服务感知预测模型对用户的短期动态行为特征与中长期动态行为特征进行预测处理，可以实现快速准确地生成用户的服务感知度预测结果，进而后续可以基于得到的服务感知度预测结果来准确地确定出相对应的目标服务投放策略，提高了生成的目标服务投放策略的准确度，有利于实现了对于用户的精确化的投放策略设置。
在一些可选的实现方式中，步骤S203包括以下步骤：
获取预设的多种聚类算法。
在本实施例中，上述聚类算法可包括KMeans聚类算法，均值漂移聚类算法，基于密度的聚类方法，凝聚层次聚类算法，等等。
从所有所述聚类算法中确定出目标聚类算法。
在本实施例中，可通过获取各种聚类算法的聚类效果，再从所有聚类算法中筛选出聚类效果最好的聚类算法以作为上述目标聚类算法。
基于所述目标聚类算法对所述评分数据进行聚类处理，得到对应的聚类结果。
在本实施例中，本实施例优选使用KMeans聚类算法作为目标聚类算法，通过使用KMeans聚类算法对所述评分数据进行聚类处理，得到对应的聚类结果，并按聚类质心进行排序，质心越大，则该类别的用户的活跃度越高。
基于所述聚类结果对所述目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户。
在本实施例中，在使用KMeans聚类算法对所述评分数据进行聚类处理，得到对应的聚类结果后，进一步按聚类质心进行排序，质心越大，则该类别的用户的活跃度越高。并将聚类种类分为3种，即得到的活跃度类型包括高活跃度、中活跃度与低活跃度。
本申请通过获取预设的多种聚类算法；然后从所有所述聚类算法中确定出目标聚类算法；之后基于所述目标聚类算法对所述评分数据进行聚类处理，得到对应的聚类结果；后续基于所述聚类结果对所述目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户。本申请通过使用从多种聚类算法中筛选出的目标聚类算法对所述评分数据进行聚类处理，得到对应的聚类结果，进而基于所述聚类结果对所述目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户，以实现快速准确地完成对于目标平台用户的活跃度划分处理，保证了生成的活跃度划分结果的准确度。
在本实施例的一些可选的实现方式中，步骤S206包括以下步骤：
对所述服务感知度预测结果的进行数值分析，生成与所述服务感知度预测结果对应的目标服务感知度等级。
在本实施例中，预先构建有等级数据表，可通过使用该服务感知度预测结果对上述等级数据表进行查询，以获取与该服务感知度预测结果对应的服务感知度等级，以得到上述目标服务感知度等级。其中，上述等级数据表为根据实际的业务使用需求预先构建的存储有多个服务感知分数区间，以及与各个服务感知分数区间分别对应的服务感知度等级的数据表。示例性的，服务感知分数区间包括3个，0-1分，2-3分，4-5分。并将0-1分记为低服务感知度，2-3分记为中服务感知度，4-5分记为高服务感知度。
调用预设的服务投放策略集合。
在本实施例中，上述服务投放策略集合为根据实际的服务投放业务需求构建的存储有与各种服务感知度以及活跃度类型具有对应关系的服务投放策略的数据集合。示例性的，服务投放策略的内容可包括：对活跃度高且服务感知度高的客户，可以通过服务优惠券、积分等营销方式，与客户产生绑定关系，刺激客户持续消费，增加品牌粘性，从而提升续保率；对活跃度较低且服务感知度较低的客户，可以通过公众号或分享裂变红包等方式与客户迅速建立联系，促活用户，为后续的二次营销沉淀客户资源，等等。
从所述服务投放策略集合中查询出与所述目标服务感知度等级以及所述指定活跃度类型均匹配的指定服务投放策略。
在本实施例中，可通过使用所述目标服务感知度等级以及所述指定活跃度类型对所述服务投放策略集合进行查询，以从所述服务投放策略集合中查询出与所述目标服务感知度等级以及所述指定活跃度类型均匹配的指定服务投放策略。
将所述指定服务投放策略作为所述目标服务投放策略。
本申请通过对所述服务感知度预测结果的进行数值分析，生成与所述服务感知度预测结果对应的目标服务感知度等级；然后调用预设的服务投放策略集合；之后从所述服务投放策略集合中查询出与所述目标服务感知度等级以及所述指定活跃度类型均匹配的指定服务投放策略；后续将所述指定服务投放策略作为所述目标服务投放策略。本申请通过对所述服务感知度预测结果的进行数值分析，生成与所述服务感知度预测结果对应的目标服务感知度等级，进而基于服务投放策略集合的使用，从所述服务投放策略集合中查询出与所述目标服务感知度等级以及所述指定活跃度类型均匹配的指定服务投放策略以用作最终的目标服务投放策略，提高了目标服务投放策略的推荐准确度，
在一些可选的实现方式中，在步骤S205之前，上述电子设备还可以执行以下步骤：
获取预先采集的历史用户特征样本数据；
在本实施例中，上述用户特征样本数据包括历史指标行为数据、历史用户行为特征以及历史用户基础特征。
对所述历史用户特征样本数据进行预处理得到对应的样本数据。
在本实施例中，上述对所述历史用户特征样本数据进行预处理得到对应的样本数据的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
将所述样本数据划分为训练集与测试集。
在本实施例中，可按照预设的划分比例值，对所述样本数据进行随机划分处理以得到相应的训练集与测试集。其中，对于划分比例值的取值不做具体限定，可根据实际的使用需求进行设置，例如可设为6:4。
获取基于XGBoost算法构建的初始模型。
在本实施例中，上述初始模型是以XGBoost算法作为基础构建得到的模型。XGBoost(Extreme Gradient Boosting),即一种高效的梯度提升决策树算法。XGBoost算法在原有的GBDT基础上进行了改进，使得模型效果得到大大提升。作为一种前向加法模型，他的核心是采用集成思想——Boosting思想，将多个弱学习器通过一定的方法整合为一个强学习器。即用多棵树共同决策，并且用每棵树的结果都是目标值与之前所有树的预测结果之差并将所有的结果累加即得到最终的结果，以此达到整个模型效果的提升。XGBoost是由多棵CART(Classification And Regression Tree)，即分类回归树组成，因此他可以处理分类回归等问题。
基于交叉验证方式，使用所述训练集对所述初始模型进行训练，得到训练后的初始模型。
在本实施例中，通过采用XGBoost模型作为回归预测模型，即上述服务感知预测模型的初始模型，回归的目标变量具体可为时间范围>＝运行日-可提前承保天数，<＝运行日的总服务使用次数，并使用交叉验证的方法，使用来所述训练集训练初始模型，以得到训练后的初始模型。另外，考虑到特征之间可能存在相关性，还可进一步在XGBoost的目标函数中引入L2惩罚项，以防止模型出现过拟合的情况。
使用所述测试集对所述训练后的初始模型进行测试。
在本实施例中，可通过使用训练后的初始模型对所述测试集进行预测处理得到对应的预测结果，并基于预测结果对训练后的初始模型进行模型评估，得到对应的模型评估结果。其中，模型评估结果可包括准确率、召回率、F1值中的任意一种评估值。然后将模型评估结果与预设的评估阈值进行比较，如果模型评估结果大于该评估阈值，则判定训练后的初始模型通过测试，而如果模型评估结果小于该评估阈值，则判定训练后的初始模型未通过测试。其中，对于评估阈值的取值不做具体限定，可根据实际的使用需求进行设置。
若测试通过，则将所述训练后的初始模型作为所述服务感知预测模型。
在本实施例中，还可以对服务感知预测模型进行扩展，通过将服务感知度评分与其他影响用户续保率的关键因子整合在一起，构建动态的用户价值评分，以有助于优化用户的精细化管理。
本申请获取预先采集的历史用户特征样本数据；然后对所述历史用户特征样本数据进行预处理得到对应的样本数据，并将所述样本数据划分为训练集与测试集；之后获取基于XGBoost算法构建的初始模型；后续基于交叉验证方式，使用所述训练集对所述初始模型进行训练，得到训练后的初始模型；最后使用所述测试集对所述训练后的初始模型进行测试；若测试通过，则将所述训练后的初始模型作为所述服务感知预测模型。本申请通过对预先采集的历史用户特征样本数据进行预处理得到样本数据，进而基于交叉验证方式，使用样本数据中的训练集对所述初始模型进行训练，得到训练后的初始模型，并使用样本数据中的测试集对所述训练后的初始模型进行测试，以生成通过模型测试的最终的服务感知预测模型，有效地保证了生成的服务感知预测模型的模型效果，有利于后续使用该服务感知预测模型对用户进行服务感知预测处理，从而实现快速准确地生成用户的服务感知度预测结果，提高了服务感知度预测的处理效率，保证了生成的服务感知度预测结果的精确度。
在一些可选的实现方式中，所述对所述历史用户特征样本数据进行预处理得到对应的样本数据，包括以下步骤：
对所述用户特征样本数据进行数据清洗处理，得到对应的第一特征信息。
在本实施例中，可通过调用现有的数据清洗工具对所述用户特征样本数据进行数据清洗处理，以对用户特征样本数据中存在的缺失数据以及异常数据等数据进行清洗，从而得到对应的第一特征信息。其中，对于上述数据清洗工具的选取不做具体限定，可根据实际的使用选取进行选取。
对所述第一特征信息进行数据转换处理，得到对应的第二特征信息。
在本实施例中，先获取预设的标准格式，再使用该标准格式对对所述第一特征信息进行统一的数据转换处理，以得到对应的第二特征信息。其中，上述标准格式为符合模型可处理的标准数据格式。
将所述第二特征信息作为所述样本数据。
本申请通过对所述用户特征样本数据进行数据清洗处理，得到对应的第一特征信息；然后对所述第一特征信息进行数据转换处理，得到对应的第二特征信息；后续将所述第二特征信息作为所述样本数据。本申请通过对获得的历史用户特征样本数据进行数据清洗处理与数据转换处理，从而可以快速得到具有符合模型可读入处理的标准数据格式的样本数据，有效地保证了后续通过使用样本数据训练得到服务感知预测模型的模型训练过程的顺利进行，进而提高服务感知预测模型的构建效率。
在本实施例的一些可选的实现方式中，在步骤S205之后，上述电子设备还可以执行以下步骤：
获取预设的模型更新策略。
在本实施例中，上述模型更新策略为定期使用最新收集的用户特征样本数据对模型进行模型更新，以让模型处于最新、最有效的状态的更新策略。其中，对于上述定期对应的时间设置不做具体限定，可根据实际的使用需求进行设置。有助于提升模型预测的准确度和即时性。
基于所述模型更新策略对所述服务感知预测模型进行更新处理，得到更新后的服务感知预测模型。
在本实施例中，通过获取当前时间，并在当前时间服务模型更新的定期时间点时，通过执行该模型更新策略，以所述服务感知预测模型进行更新处理，得到更新后的服务感知预测模型。
对所述更新后的服务感知预测模型进行存储处理。
在本实施例中，对于更新后的服务感知预测模型的存储方式不做具体限定，例如可采用区块链存储、数据库存储、云盘存储等存储方式。
对所述服务感知预测模型进行删除处理。
在本实施例中，通过对更新前的服务感知预测模型，可以有效降低电子设备的存储空间，进而有利于提高电子设备的运行速率。
本申请通过获取预设的模型更新策略；然后基于所述模型更新策略对所述服务感知预测模型进行更新处理，得到更新后的服务感知预测模型；之后对所述更新后的服务感知预测模型进行存储处理；后续对所述服务感知预测模型进行删除处理。本申请在完成服务感知预测模型的构建后，还会进一步使用预设的模型更新策略对所述服务感知预测模型进行更新处理，从而可以让服务感知预测模型处于最新、最有效的状态，有助于提升模型预测的准确度和即时性
在本实施例的一些可选的实现方式中，在步骤S206之后，上述电子设备还可以执行以下步骤：
对所述目标服务投放策略进行信息分析，从所述目标服务投放策略中获取对应的目标投放产品。
在本实施例中，上述服务投放策略的内客中至少包括投放产品以及该投放产品所适配的推送方式。示例性的，如果目标服务投放策略的内容包括：通过服务优惠券、积分等营销方式，与客户产生绑定关系，刺激客户持续消费，增加品牌粘性，从而提升续保率，则通过对该目标服务投放策略进行信息分析，可以得到目标投放产品包括服务优惠券、积分。
从所述目标服务投放策略中获取与所述目标投放产品对应的目标推送方式。
在本实施例中，通过对该目标服务投放策略进行推送方式获取，以获得与所述目标投放产品对应的目标推送方式。
基于所述目标推送方式获取所述指定用户的通讯信息。
在本实施例中，上述指定用户的通讯信息为对应于目标推送方式的通讯信息。
基于所述通讯信息，将所述目标投放产品推送给所述指定用户。
本申请通过对所述目标服务投放策略进行信息分析，从所述目标服务投放策略中获取对应的目标投放产品；然后从所述目标服务投放策略中获取与所述目标投放产品对应的目标推送方式；之后基于所述目标推送方式获取所述指定用户的通讯信息；后续基于所述通讯信息，将所述目标投放产品推送给所述指定用户。本申请在基于服务感知预测模型的使用生成指定用户对应的目标服务投放策略后，后续会智能地对目标服务投放策略进行信息分析以得到目标投放产品与目标推送方式，进而基于所述目标推送方式获取所述指定用户的通讯信息，并根据该通讯信息，将所述目标投放产品推送给所述指定用户，从而基于目标服务投放策略的使用实现对于指定用户的精确化的促活策略配置，有利于降低服务投入成本，从而提高用户的续保率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
需要强调的是，为进一步保证上述目标服务投放策略的私密和安全性，上述目标服务投放策略还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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。
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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于人工智能的策略生成装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的基于人工智能的策略生成装置300包括：第一获取模块301、评分模块302、划分模块303、第二获取模块304、预测模块305以及生成模块306。其中：
第一获取模块301，用于基于预设的短期信息类型获取目标平台用户的指标行为数据；其中，所述目标平台用户的数量包括多个；
评分模块302，用于基于预设的评分规则对所述指标行为数据进行评分处理，得到对应的评分数据；
划分模块303，用于基于所述评分数据对所述目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户；其中，不同活跃度类型的用户包括高活跃度用户、中活跃度用户以及低活跃度用户；
第二获取模块304，用于获取指定用户在预设时间窗口内的用户行为特征，以及获取所述指定用户的用户基础特征；其中，所述指定用户为任意一种活跃度类型的用户；
预测模块305，用于基于预设的服务感知预测模型对所述指标行为数据、所述用户行为特征与所述用户基础特征进行预测处理，生成与所述指定用户对应的服务感知度预测结果；
生成模块306，用于基于所述服务感知度预测结果与所述指定用户的指定活跃度类型，生成与所述指定用户对应的目标服务投放策略。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的策略生成方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，划分模块303包括：
获取子模块，用于获取预设的多种聚类算法；
第一确定子模块，用于从所有所述聚类算法中确定出目标聚类算法；
聚类子模块，用于基于所述目标聚类算法对所述评分数据进行聚类处理，得到对应的聚类结果；
划分子模块，用于基于所述聚类结果对所述目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的策略生成方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中,生成模块306包括：
分析子模块，用于对所述服务感知度预测结果的进行数值分析，生成与所述服务感知度预测结果对应的目标服务感知度等级；
调用子模块，用于调用预设的服务投放策略集合；
查询子模块，用于从所述服务投放策略集合中查询出与所述目标服务感知度等级以及所述指定活跃度类型均匹配的指定服务投放策略；
第二确定子模块，用于将所述指定服务投放策略作为所述目标服务投放策略。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的策略生成方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，基于人工智能的策略生成装置还包括：
第三获取模块，用于获取预先采集的历史用户特征样本数据；其中，所述用户特征样本数据包括历史指标行为数据、历史用户行为特征以及历史用户基础特征；
预处理模块，用于对所述历史用户特征样本数据进行预处理得到对应的样本数据；
处理模块，用于将所述样本数据划分为训练集与测试集；
第四获取模块，用于获取基于XGBoost算法构建的初始模型；
训练模块，用于基于交叉验证方式，使用所述训练集对所述初始模型进行训练，得到训练后的初始模型；
测试模块，用于使用所述测试集对所述训练后的初始模型进行测试；
确定模块，用于若测试通过，则将所述训练后的初始模型作为所述服务感知预测模型。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的策略生成方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，预处理模块包括：
清洗子模块，用于对所述用户特征样本数据进行数据清洗处理，得到对应的第一特征信息；
转换子模块，用于对所述第一特征信息进行数据转换处理，得到对应的第二特征信息；
第三确定子模块，用于将所述第二特征信息作为所述样本数据。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的策略生成方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，基于人工智能的策略生成装置还包括：
第五获取模块，用于获取预设的模型更新策略；
更新模块，用于基于所述模型更新策略对所述服务感知预测模型进行更新处理，得到更新后的服务感知预测模型；
存储模块，用于对所述更新后的服务感知预测模型进行存储处理；
删除模块，用于对所述服务感知预测模型进行删除处理。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的策略生成方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，基于人工智能的策略生成装置还包括：
第六获取模块，用于对所述目标服务投放策略进行信息分析，从所述目标服务投放策略中获取对应的目标投放产品；
第七获取模块，用于从所述目标服务投放策略中获取与所述目标投放产品对应的目标推送方式；
第八获取模块，用于基于所述目标推送方式获取所述指定用户的通讯信息；
推送模块，用于基于所述通讯信息，将所述目标投放产品推送给所述指定用户。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的策略生成方法的步骤一一对应，在此不再赘述。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的策略生成方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于人工智能的策略生成方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，通过基于预设的短期信息类型获取目标平台用户动态的短期的指标行为数据，然后基于评分规则对所述指标行为数据进行评分，并基于得到的评分数据目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户，后续通过获取用户动态的中长期的用户基础特征与用户行为特征，进而利用预设的服务感知预测模型对所述指标行为数据、所述用户行为特征与所述用户基础特征进行预测处理，并基于所述服务感知度预测结果与所述指定用户的指定活跃度类型，生成与所述指定用户对应的目标服务投放策略。本申请通过使用服务感知预测模型对用户的短期动态行为特征与中长期动态行为特征进行预测处理，可以实现快速准确地生成用户的服务感知度预测结果，进而后续可以基于得到的服务感知度预测结果来准确地确定出相对应的目标服务投放策略，提高了生成的目标服务投放策略的准确度，有利于实现了对于用户的精确化的投放策略设置。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于人工智能的策略生成方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，通过基于预设的短期信息类型获取目标平台用户动态的短期的指标行为数据，然后基于评分规则对所述指标行为数据进行评分，并基于得到的评分数据目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户，后续通过获取用户动态的中长期的用户基础特征与用户行为特征，进而利用预设的服务感知预测模型对所述指标行为数据、所述用户行为特征与所述用户基础特征进行预测处理，并基于所述服务感知度预测结果与所述指定用户的指定活跃度类型，生成与所述指定用户对应的目标服务投放策略。本申请通过使用服务感知预测模型对用户的短期动态行为特征与中长期动态行为特征进行预测处理，可以实现快速准确地生成用户的服务感知度预测结果，进而后续可以基于得到的服务感知度预测结果来准确地确定出相对应的目标服务投放策略，提高了生成的目标服务投放策略的准确度，有利于实现了对于用户的精确化的投放策略设置。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于人工智能的策略生成方法，其特征在于，包括下述步骤：
基于预设的短期信息类型获取目标平台用户的指标行为数据；其中，所述目标平台用户的数量包括多个；
基于预设的评分规则对所述指标行为数据进行评分处理，得到对应的评分数据；
基于所述评分数据对所述目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户；其中，不同活跃度类型的用户包括高活跃度用户、中活跃度用户以及低活跃度用户；
获取指定用户在预设时间窗口内的用户行为特征，以及获取所述指定用户的用户基础特征；其中，所述指定用户为任意一种活跃度类型的用户；
基于预设的服务感知预测模型对所述指标行为数据、所述用户行为特征与所述用户基础特征进行预测处理，生成与所述指定用户对应的服务感知度预测结果；
基于所述服务感知度预测结果与所述指定用户的指定活跃度类型，生成与所述指定用户对应的目标服务投放策略。
2.根据权利要求1所述的基于人工智能的策略生成方法，其特征在于，所述基于所述评分数据对所述目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户的步骤，具体包括：
获取预设的多种聚类算法；
从所有所述聚类算法中确定出目标聚类算法；
基于所述目标聚类算法对所述评分数据进行聚类处理，得到对应的聚类结果；
基于所述聚类结果对所述目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户。
3.根据权利要求1所述的基于人工智能的策略生成方法，其特征在于，所述基于所述服务感知度预测结果与所述指定用户的指定活跃度类型，生成与所述指定用户对应的目标服务投放策略的步骤，具体包括：
对所述服务感知度预测结果的进行数值分析，生成与所述服务感知度预测结果对应的目标服务感知度等级；
调用预设的服务投放策略集合；
从所述服务投放策略集合中查询出与所述目标服务感知度等级以及所述指定活跃度类型均匹配的指定服务投放策略；
将所述指定服务投放策略作为所述目标服务投放策略。
4.根据权利要求1所述的基于人工智能的策略生成方法，其特征在于，在所述基于预设的服务感知预测模型对所述指标行为数据、所述用户行为特征与所述用户基础特征进行预测处理，生成与所述指定用户对应的服务感知度预测结果的步骤之前，具体包括：
获取预先采集的历史用户特征样本数据；其中，所述用户特征样本数据包括历史指标行为数据、历史用户行为特征以及历史用户基础特征；
对所述历史用户特征样本数据进行预处理得到对应的样本数据；
将所述样本数据划分为训练集与测试集；
获取基于XGBoost算法构建的初始模型；
基于交叉验证方式，使用所述训练集对所述初始模型进行训练，得到训练后的初始模型；
使用所述测试集对所述训练后的初始模型进行测试；
若测试通过，则将所述训练后的初始模型作为所述服务感知预测模型。
5.根据权利要求4所述的基于人工智能的策略生成方法，其特征在于，所述对所述历史用户特征样本数据进行预处理得到对应的样本数据的步骤，具体包括：
对所述用户特征样本数据进行数据清洗处理，得到对应的第一特征信息；
对所述第一特征信息进行数据转换处理，得到对应的第二特征信息；
将所述第二特征信息作为所述样本数据。
6.根据权利要求4所述的基于人工智能的策略生成方法，其特征在于，在所述基于预设的服务感知预测模型对所述指标行为数据、所述用户行为特征与所述用户基础特征进行预测处理，生成与所述指定用户对应的服务感知度预测结果的步骤之后，还包括：
获取预设的模型更新策略；
基于所述模型更新策略对所述服务感知预测模型进行更新处理，得到更新后的服务感知预测模型；
对所述更新后的服务感知预测模型进行存储处理；
对所述服务感知预测模型进行删除处理。
7.根据权利要求1所述的基于人工智能的策略生成方法，其特征在于，在所述基于所述服务感知度预测结果与所述指定用户的指定活跃度类型，生成与所述指定用户对应的目标服务投放策略的步骤之后，还包括：
对所述目标服务投放策略进行信息分析，从所述目标服务投放策略中获取对应的目标投放产品；
从所述目标服务投放策略中获取与所述目标投放产品对应的目标推送方式；
基于所述目标推送方式获取所述指定用户的通讯信息；
基于所述通讯信息，将所述目标投放产品推送给所述指定用户。
8.一种基于人工智能的策略生成装置，其特征在于，包括：
第一获取模块，用于基于预设的短期信息类型获取目标平台用户的指标行为数据；其中，所述目标平台用户的数量包括多个；
评分模块，用于基于预设的评分规则对所述指标行为数据进行评分处理，得到对应的评分数据；
划分模块，用于基于所述评分数据对所述目标平台用户进行活跃度划分，得到对应于不同活跃度类型的用户；其中，不同活跃度类型的用户包括高活跃度用户、中活跃度用户以及低活跃度用户；
第二获取模块，用于获取指定用户在预设时间窗口内的用户行为特征，以及获取所述指定用户的用户基础特征；其中，所述指定用户为任意一种活跃度类型的用户；
预测模块，用于基于预设的服务感知预测模型对所述指标行为数据、所述用户行为特征与所述用户基础特征进行预测处理，生成与所述指定用户对应的服务感知度预测结果；
生成模块，用于基于所述服务感知度预测结果与所述指定用户的指定活跃度类型，生成与所述指定用户对应的目标服务投放策略。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的策略生成方法的步骤。
10.一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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的策略生成方法的步骤。
CN202311220881.3A 2023-09-20 2023-09-20 基于人工智能的策略生成方法、装置、设备及存储介质 Pending CN117291693A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311220881.3A CN117291693A (zh) 2023-09-20 2023-09-20 基于人工智能的策略生成方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311220881.3A CN117291693A (zh) 2023-09-20 2023-09-20 基于人工智能的策略生成方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117291693A true CN117291693A (zh) 2023-12-26

Family

ID=89238278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311220881.3A Pending CN117291693A (zh) 2023-09-20 2023-09-20 基于人工智能的策略生成方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117291693A (zh)

Similar Documents

Publication Publication Date Title
CN112148987B (zh) 基于目标对象活跃度的消息推送方法及相关设备
CN111506723B (zh) 问答响应方法、装置、设备及存储介质
CN110705719A (zh) 执行自动机器学习的方法和装置
CN110717597A (zh) 利用机器学习模型获取时序特征的方法和装置
CN111639706A (zh) 基于图像集的个人风险画像生成方法及相关设备
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN114693409A (zh) 产品匹配方法、装置、计算机设备、存储介质和程序产品
CN112199417B (zh) 基于人工智能的数据处理方法、装置、终端及存储介质
CN116843395A (zh) 一种业务系统的告警分级方法、装置、设备及存储介质
CN116402625A (zh) 客户评估方法、装置、计算机设备及存储介质
CN112084408B (zh) 名单数据筛选方法、装置、计算机设备及存储介质
CN115860835A (zh) 基于人工智能的广告推荐方法、装置、设备及存储介质
CN112085566B (zh) 基于智能决策的产品推荐方法、装置及计算机设备
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN114219663A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN117291693A (zh) 基于人工智能的策略生成方法、装置、设备及存储介质
CN113298645A (zh) 资源额度调整方法、装置及电子设备
CN117314586A (zh) 产品推荐方法、装置、计算机设备及存储介质
CN116630059A (zh) 基于人工智能的流失预测方法、装置、设备及存储介质
CN116757851A (zh) 基于人工智能的数据配置方法、装置、设备及存储介质
CN116777641A (zh) 模型构建方法、装置、计算机设备及存储介质
CN117407750A (zh) 基于元数据的数据质量监控方法、装置、设备及存储介质
CN117541884A (zh) 样本数据处理方法、装置、存储介质和系统
CN113902032A (zh) 业务数据的处理方法、装置、计算机设备及存储介质
CN117333266A (zh) 潜在风险行为处理方法、装置、计算机设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination