CN117635225A - 电子红包的发放方法及装置、存储介质和电子设备 - Google Patents
电子红包的发放方法及装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN117635225A CN117635225A CN202311370307.6A CN202311370307A CN117635225A CN 117635225 A CN117635225 A CN 117635225A CN 202311370307 A CN202311370307 A CN 202311370307A CN 117635225 A CN117635225 A CN 117635225A
- Authority
- CN
- China
- Prior art keywords
- target
- network model
- evaluation value
- network
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 190
- 238000011156 evaluation Methods 0.000 claims description 353
- 230000006399 behavior Effects 0.000 claims description 174
- 230000006870 function Effects 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种电子红包的发放方法及装置、存储介质和电子设备。涉及人工智能领域、金融科技领域及其他相关领域,该方法包括:获取目标对象对应的目标数据信息和所述目标对象的目标行为信息;依据所述目标行为信息和所述历史电子红包的金额,对第一目标网络模型进行训练和更新,得到第二目标网络模型,通过第二目标网络模型依据目标数据信息,确定待对目标对象发放的目标电子红包的目标金额;依据目标金额,对目标对象发放目标电子红包。通过本申请,解决了相关技术中采用人工的方式根据预设分类规则对客户进行分类,并根据客户类别对客户进行不同额度的电子红包的发放,导致电子红包的发放效率比较低的问题。
Description
技术领域
本申请涉及人工智能领域、金融科技领域及其他相关领域,具体而言,涉及一种电子红包的发放方法及装置、存储介质和电子设备。
背景技术
在相关技术中在对客户进行优惠发放时,主要是是根据工作人员设定的分类规则对客户进行分类,即通过人工的方式根据客户的消费信息、收入信息和信贷信息等,确定客户的类别信息,并根据客户的类别信息,确定客户对应的电子红包的金额,并对客户进行不同额度的电子红包的发放,导致工作人员依据分类规则进行分类的工作效率比较低,无法快速实现电子红包的发放的问题。
针对相关技术中采用人工的方式根据预设分类规则对客户进行分类,并根据客户类别对客户进行不同额度的电子红包的发放,在客户的体量达到一定规模后,容易导致电子红包的发放效率比较低的问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种电子红包的发放方法及装置、存储介质和电子设备,以解决相关技术中根据工作人员设定的分类规则对客户进行分类,并根据客户类别对客户进行不同额度的电子红包的发放,导致对客户发放电子红包的准确性比较低的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种电子红包的发放方法。该方法包括:获取目标对象对应的目标数据信息和所述目标对象的目标行为信息,其中,所述目标数据信息中至少包括所述目标对象的身份信息和消费信息,所述目标行为信息为所述目标对象在接收到历史电子红包之后的行为信息,所述目标行为信息至少包括开户行为信息和存款行为信息;依据所述目标行为信息和所述历史电子红包的金额,对第一目标网络模型进行训练和更新,得到第二目标网络模型;通过所述第二目标网络模型依据所述目标数据信息,确定待对所述目标对象发放的目标电子红包的目标金额,其中,所述目标电子红包用于在所述目标对象对个人养老金账户进行存款时对存款金额进行减免;依据所述目标金额,对所述目标对象发放所述目标电子红包。
进一步地,在依据所述目标行为信息对第一目标网络模型进行训练和更新,得到第二目标网络模型之前,所述方法还包括:获取训练样本数据,其中,所述训练样本数据中至少包括多个样本目标对象的样本数据信息、样本电子红包的样本金额、所述样本金额的真实评估值、第一历史行为信息和第二历史行为信息,所述第一历史行为信息为所述样本目标对象在接收到所述样本金额对应的样本电子红包前的历史行为信息,所述第二历史行为信息为所述样本目标对象在接收到所述样本电子红包后的历史行为信息;依据所述训练样本数据,对初始网络模型进行训练,得到所述第一目标网络模型,其中,所述初始网络模型中至少包括第一网络模型和第二网络模型,所述第一网络模型用于对所述样本电子红包的金额进行预测和评估,所述第二网络模型用于训练所述第一网络模型。
进一步地,依据所述训练样本数据,对初始网络模型进行训练,得到所述第一目标网络模型包括:依据所述训练样本数据和所述第二网络模型,对所述第一网络模型进行训练,得到第三网络模型;依据所述第三网络模型的参数,对所述第二网络模型的参数进行更新,得到第四网络模型;判断依据所述第三网络模型得到的所述样本金额的第一预测评估值与目标评估值之间的误差是否小于预设数值,若所述第一预测评估值与目标评估值之间的误差大于或等于所述预设数值,则重复执行依据所述第四网络模型和所述训练样本数据对所述第三网络模型进行训练的步骤,直至所述第一预测评估值与所述目标评估值之间的误差小于所述预设数值,并依据当前的第三网络模型,得到所述第一目标网络模型,其中,所述目标评估值中包括所述真实评估值和依据所述第四网络模型得到的第二预测评估值。
进一步地,依据所述训练样本数据和所述第二网络模型,对所述第一网络模型进行训练,得到第三网络模型包括:通过所述第一网络模型对所述样本数据信息和所述第一历史行为信息进行处理,得到所述样本电子红包对应的第一预测金额和所述第一预测金额对应的第一评估值;通过所述第二网络模型对所述样本数据信息和所述第二历史行为信息进行处理,得到所述样本电子红包对应的第二预测金额和所述第二预测金额对应的第二评估值;通过所述第一网络模型对所述样本金额进行评估,得到第三评估值;依据所述真实评估值、所述第二评估值、所述第三评估值和所述第一预测金额,对所述第一网络模型进行训练,得到所述第三网络模型。
进一步地,通过所述第一网络模型对所述样本数据信息和所述第一历史行为信息进行处理,得到所述样本电子红包对应的第一预测金额和所述第一预测金额对应的第一评估值包括:通过所述第一网络模型中的第一预测网络对所述样本数据信息和所述第一历史行为信息进行处理,得到所述第一预测金额;通过所述第一网络模型中的第一评估网络对所述第一预测金额进行评估,得到所述第一评估值。
进一步地,所述第一网络模型由第一预测网络和第一评估网络组成,依据所述真实评估值、所述第二评估值、所述第三评估值和所述第一预测金额,对所述第一网络模型进行训练,得到所述第三网络模型包括:依据所述真实评估值、所述第二评估值和所述第三评估值,对所述第一评估网络进行训练,得到第三评估网络;依据所述第一预测金额和所述第一评估值,对所述第一预测网络进行训练,得到第三预测网络;依据所述第三评估网络和所述第三预测网络,得到所述第三网络模型。
进一步地,依据所述真实评估值、所述第二评估值和所述第三评估值,对所述第一评估网络进行训练,得到第三评估网络包括:依据所述真实评估值、所述第二评估值和所述第三评估值进行计算,得到所述第一评估网络对应的第一损失函数;依据梯度下降算法和所述第一损失函数,对所述第一评估网络的参数进行训练,得到所述第三评估网络。
进一步地,依据所述第一预测金额和所述第一评估值,对所述第一预测网络进行训练,得到第三预测网络包括:依据所述第一预测金额和所述第一评估值进行计算,得到所述第一预测网络对应的第二损失函数;依据梯度上升算法和所述第二损失函数,对所述第一预测网络的参数进行训练,得到所述第三预测网络。
为了实现上述目的,根据本申请的另一方面,提供了一种电子红包的发放装置。该装置包括:第一获取单元,用于获取目标对象对应的目标数据信息和所述目标对象的目标行为信息,其中,所述目标数据信息中至少包括所述目标对象的身份信息和消费信息,所述目标行为信息为所述目标对象在接收到历史电子红包之后的行为信息,所述目标行为信息至少包括开户行为信息和存款行为信息;更新单元,用于依据所述目标行为信息和所述历史电子红包的金额,对第一目标网络模型进行训练和更新,得到第二目标网络模型;确定单元,用于通过目标网络模型依据所述目标数据信息,确定待对所述目标对象发放的目标电子红包的目标金额,其中,所述目标电子红包用于在所述目标对象对个人养老金账户进行存款时对存款金额进行减免;发放单元,用于依据所述目标金额,对所述目标对象发放所述目标电子红包。
进一步地,所述装置还包括:第二获取单元,用于获取训练样本数据,其中,所述训练样本数据中至少包括多个样本目标对象的样本数据信息、样本电子红包的样本金额、所述样本金额的真实评估值、第一历史行为信息和第二历史行为信息,所述第一历史行为信息为所述样本目标对象在接收到所述样本金额对应的样本电子红包前的历史行为信息,所述第二历史行为信息为所述样本目标对象在接收到所述样本电子红包后的历史行为信息;训练单元,用于依据所述训练样本数据,对初始网络模型进行训练,得到所述第一目标网络模型,其中,所述初始网络模型中至少包括第一网络模型和第二网络模型,所述第一网络模型用于对所述样本电子红包的金额进行预测和评估,所述第二网络模型用于训练所述第一网络模型。
进一步地,训练单元包括:训练子单元,用于依据所述训练样本数据和所述第二网络模型,对所述第一网络模型进行训练,得到第三网络模型;更新子单元,用于依据所述第三网络模型的参数,对所述第二网络模型的参数进行更新,得到第四网络模型;判断子单元,用于判断依据所述第三网络模型得到的所述样本金额的第一预测评估值与所述目标评估值之间的误差是否小于预设数值,若所述第一预测评估值与目标评估值之间的误差大于或等于所述预设数值,则重复执行依据所述第四网络模型和所述训练样本数据对所述第三网络模型进行训练的步骤,直至所述第一预测评估值与所述目标评估值之间的误差小于所述预设数值,并依据当前的第三网络模型,得到所述第一目标网络模型,其中,所述目标评估值中包括所述真实评估值和依据所述第四网络模型得到的第二预测评估值。
进一步地,训练子单元包括:第一处理模块,用于通过所述第一网络模型对所述样本数据信息和所述第一历史行为信息进行处理,得到所述样本电子红包对应的第一预测金额和所述第一预测金额对应的第一评估值;第二处理模块,用于通过所述第二网络模型对所述样本数据信息和所述第二历史行为信息进行处理,得到所述样本电子红包对应的第二预测金额和所述第二预测金额对应的第二评估值;评估模块,用于通过所述第一网络模型对所述样本金额进行评估,得到第三评估值;训练模块,用于依据所述真实评估值、所述第二评估值、所述第三评估值和所述第一预测金额,对所述第一网络模型进行训练,得到所述第三网络模型。
进一步地,第一处理模块包括:处理子模块,用于通过所述第一网络模型中的第一预测网络对所述样本数据信息和所述第一历史行为信息进行处理,得到所述第一预测金额;评估子模块,用于通过所述第一网络模型中的第一评估网络对所述第一预测金额进行评估,得到所述第一评估值。
进一步地,训练模块包括:第一训练子模块,用于依据所述真实评估值、所述第二评估值和所述第三评估值,对所述第一评估网络进行训练,得到第三评估网络;第二训练子模块,用于依据所述第一预测金额和所述第一评估值,对所述第一预测网络进行训练,得到第三预测网络;生成子模块,用于依据所述第三评估网络和所述第三预测网络,得到所述第三网络模型。
进一步地,第一训练子模块包括:第一计算子模块,用于依据所述真实评估值、所述第二评估值和所述第三评估值进行计算,得到所述第一评估网络对应的第一损失函数;第三训练子模块,用于依据梯度下降算法和所述第一损失函数,对所述第一评估网络的参数进行训练,得到所述第三评估网络。
进一步地,第二训练子模块包括:第二计算子模块,用于依据所述第一预测金额和所述第一评估值进行计算,得到所述第一预测网络对应的第二损失函数;第四训练子模块,用于依据梯度上升算法和所述第二损失函数,对所述第一预测网络的参数进行训练,得到所述第三预测网络。
为了实现上述目的,根据本申请的一方面,提供了一种计算机可读存储介质,所述存储介质存储程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的电子红包的发放方法。
为了实现上述目的,根据本申请的另一个方面,还提供了一种电子设备,电子设备包括一个或多个处理器和存储器,存储器用于存储一个或多个处理器实现上述任意一项所述的电子红包的发放方法。
通过本申请,采用以下步骤:获取目标对象对应的目标数据信息和所述目标对象的目标行为信息,其中,目标数据信息中至少包括目标对象的身份信息和消费信息,所述目标行为信息为所述目标对象在接收到历史电子红包之后的行为信息,所述目标行为信息至少包括开户行为信息和存款行为信息;依据所述目标行为信息和所述历史电子红包的金额,对第一目标网络模型进行训练和更新,得到第二目标网络模型;通过所述第二目标网络模型依据目标数据信息,确定待对目标对象发放的目标电子红包的目标金额,其中,目标电子红包用于在目标对象对个人养老金账户进行存款时对存款金额进行减免;依据目标金额,对目标对象发放目标电子红包,解决了相关技术中根据工作人员设定的分类规则对客户进行分类,并根据客户类别对客户进行不同额度的电子红包的发放,导致工作人员依据分类规则进行分类的工作效率比较低,无法快速实现电子红包的发放的问题。通过目标网络模型对目标对象对应的目标电子红包的金额进行预测,确定目标电子红包的目标金额,提高了确定目标金额的准确性和效率,避免了采用人工的方式根据预设分类规则对客户进行分类,并根据客户类别对客户进行不同额度的电子红包的发放,导致电子红包的发放效率比较低的问题,进而达到了提高发放电子红包效率的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的电子红包的发放方法的流程图一;
图2是根据本申请实施例提供的电子红包的发放方法的流程图二;
图3是根据本申请实施例提供的目标网络模型的训练流程图;
图4是根据本申请实施例提供的电子红包的发放装置的示意图;
图5是根据本申请实施例提供的电子设备的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本公开所涉及的相关信息(包括但不限于用户消费信息、用户身份信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。例如,本系统和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
下面结合优选的实施步骤对本发明进行说明,图1是根据本申请实施例提供的电子红包的发放方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取目标对象对应的目标数据信息和所述目标对象的目标行为信息,其中,目标数据信息中至少包括目标对象的身份信息和消费信息,所述目标行为信息为所述目标对象在接收到历史电子红包之后的行为信息,所述目标行为信息至少包括开户行为信息和存款行为信息。
例如,获取用户(即上述的目标对象)对应的目标数据信息,同时获取目标对象在接收到历史电子红包之后的开户行为信息和存款行为信息,上述的第一目标数据中至少包括用户的身份信息和消费信息,身份信息可以包括年龄、性别、收入、职业等信息,消费信息可以包括用户的消费习惯、养老需求等信息,上述的历史电子红包为在本次对目标对象进行目标电子红包发放之前,目标对象接受到的电子红包。
步骤S102,依据目标行为信息和历史电子红包的金额,对第一目标网络模型进行训练和更新,得到第二目标网络模型。
例如,根据获取到的目标对象的行为信息和历史电子红包的金额,对第一目标网络模型进行个性化训练,使第一目标网络模型学习到目标对象的行为特征,得到第二目标网络模型,从而提高第二目标网路模型对目标对象的对应的电子红包金额预测的准确性。
步骤S103,通过第二目标网络模型依据目标数据信息,确定待对目标对象发放的目标电子红包的目标金额,其中,目标电子红包用于在目标对象对个人养老金账户进行存款时对存款金额进行减免。
例如,通过第二目标网络模型依据目标数据信息,对待发放至目标对象的目标电子红包的目标金额进行预测,确定目标电子红包的目标金额,上述的第二目标网络模型可以是训练好的神经网络模型。需要说明的是,在目标对象向个人养老金账户进行存款时,可以使用目标电子红包对存款金额进行减免。例如,在获取到目标对象的年龄、性别、收入、职业、用户的消费习惯和养老需求等目标数据信息后,将获取到的目标数据信息输入至第二目标网络模型,通过第二目标网络模型根据目标数据信息对目标对象对应的目标电子红包的金额进行预测,确定目标电子红包的目标金额。
步骤S104,依据目标金额,对目标对象发放目标电子红包。
例如,根据第二目标网络模型预测出的目标金额,向目标对象发放与目标金额对应的目标电子红包。
在一可选的实施例中,可以采用图2所示的流程图实现电子红包的发放方法,具体如下:首先获取目标对象对应的目标数据信息和个人养老金账户的第一开户行为信息,并构建目标对象的特征向量,再通过第二目标网络模型对目标对象的特征向量进行处理,预测得到目标电子红包的目标金额,并将目标电子红包发放至目标对象。在将目标电子红包发放至目标对象之后,获取目标对象的个人养老金账户的第二开户行为信息,同时计算目标金额的真实评估值,然后将获取到的个人养老金账户的第二开户行为信息和目标金额的真实评估值以及目标对象对应的目标数据信息和个人养老金账户的第一开户行为信息一同存储至经验回放区域,最后根据经验回放区域内的数据对目标网络模型进行训练和更新,从而达到提高目标网络模型的预测准确性的效果。
在本申请中,通过目标网络模型对目标对象对应的目标电子红包的金额进行预测,确定目标电子红包的目标金额,提高了确定目标金额的准确性和效率,避免了根据工作人员设定的分类规则对客户进行分类,并根据客户类别对客户进行不同额度的电子红包的发放,导致工作人员依据分类规则进行分类的工作效率比较低,无法快速实现电子红包发放的问题,进而达到了提高发放电子红包效率的效果。
可选地,在本申请实施例提供的电子红包的发放方法中,在依据所述目标行为信息对第一目标网络模型进行训练和更新,得到第二目标网络模型之前,该方法还包括:获取训练样本数据,其中,训练样本数据中至少包括多个样本目标对象的样本数据信息、样本电子红包的样本金额、样本金额的真实评估值、第一历史行为信息和第二历史行为信息,第一历史行为信息为样本目标对象在接收到样本金额对应的样本电子红包前的历史行为信息,第二历史行为信息为样本目标对象在接收到样本电子红包后的历史行为信息;依据训练样本数据,对初始网络模型进行训练,得到第一目标网络模型,其中,初始网络模型中至少包括第一网络模型和第二网络模型,第一网络模型用于对样本电子红包的金额进行预测和评估,第二网络模型用于训练第一网络模型。
例如,先获取训练样本数据,上述的训练样本数据中包括多个样本目标对象对应的身份信息和消费信息(即上述的样本数据信息)、每个样本目标对象获得的样本电子红包的样本金额、样本金额的真实评估值、第一历史行为信息和第二历史行为信息。需要说明的是,第一历史行为信息为样本目标对象在获得样本电子红包前对个人养老金账户的开户行为信息和存款行为信息,第二历史行为信息为样本目标对象在获得样本电子红包后对个人养老金账户的开户行为信息和存款行为信息。
然后根据训练样本数据,对初始网络模型进行训练,得到第一目标网络模型,上述的初始网络模型中至少包括第一网络模型和第二网络模型,第一网络模型用于对样本电子红包的金额进行预测和评估,第二网络模型用于训练第一网络模型。需要说明的是,第一网络模型的网络结构和第二网络模型的网络结构相同,但是第一网络模型的参数和第二网络模型的参数不相同,通过第二网络模型对第一网络模型进行训练,可以保证第一网络模型的训练效果,使第一网络模型的参数平缓更新,不会产生剧烈变化,导致对第一网络模型的收敛效果判断失误。
在一可选的实施例中,可以通过公式(1)所示的方法计算得到上述的样本金额的真实评估值,具体如下:
其中,r为真实评估值,α为样本金额,o1=1表示样本目标对象在获得样本电子红包后开通个人养老金账户,o1=-1表示样本目标对象在获得样本电子红包后开通个人养老金账户,但后续又对个人养老金账户进行销户,o2表示样本目标对象在个人养老金账户存入的金额。
通过获取得到的训练样本数据对初始网络模型进行训练,得到第一目标网络模型,提高了第一目标网络模型对电子红包金额的预测准确性。
可选地,在本申请实施例提供的电子红包的发放方法中,依据训练样本数据,对初始网络模型进行训练,得到第一目标网络模型包括:依据训练样本数据和第二网络模型,对第一网络模型进行训练,得到第三网络模型;依据第三网络模型的参数,对第二网络模型的参数进行更新,得到第四网络模型;判断依据第三网络模型得到的样本金额的第一预测评估值与目标评估值之间的误差是否小于预设数值,若第一预测评估值与目标评估值之间的误差大于或者等于预设数值,则重复执行依据第四网络模型和训练样本数据对第三网络模型进行训练的步骤,直至第一预测评估值与目标评估值之间的误差小于预设数值,并依据当前的第三网络模型,得到第一目标网络模型,其中,目标评估值中包括真实评估值和依据第四网络模型得到的第二预测评估值。
例如,先根据训练样本数据和第二网络模型对第一网络模型的参数进行训练,得到训练后的第三网络模型的参数,再根据第三网络模型的参数,对第二网络模型的参数进行更新,得到第四网络模型,然后通过第一损失函数计算第三网络模型预测得到的样本金额的第一预测评估值和目标评估值之间的损失值(即上述的误差),判断损失值是否小于预设数值(例如,0.2),如果损失值小于预设数值,则表示模型收敛,即第三网络模型的评估效果符合预期,如果第一预测评估值与目标评估值之间的误差大于或等于预设数值,则重复执行依据第四网络模型和训练样本数据对第三网络模型进行训练的步骤,通过对第三网络模型进行迭代训练,使第一预测评估值和目标评估值之间的误差小于预设数值,并将当前的第三网络模型确定为第一目标网络模型。
需要说明的是,目标评估值中包括真实评估值和根据第四网络模型得到的第二预测评估值。计算第一预测评估值和目标评估值之间的误差具体可通过第一损失函数计算得到,通过最小化第一损失函数即可使第一预测评估值和目标评估值之间的误差最小化,从而使第一预测评估值和目标评估值之间的误差是否小于预设数值。
在一可选的实施例中,可以采用公式(2)所示的方法对第三网络模型的参数进行更新,具体如下:
其中,为第二网络模型中的评估网络的参数,/>为第三网络模型中评估网络的参数,θ0为第二网络模型中的预测网络的参数,θ为第三网络模型中预测网络的参数,ρ为预设的超参数,通常取值在(0,1)之间。
根据第二网络模型对第一网络模型进行训练,可以使初始网络模型整体的网络参数平缓更新,避免初始网络模型在训练过程中产生剧烈的参数变化,保证了初始网络模型的训练效果,进而提高了第一目标网络模型的训练效率。
可选地,在本申请实施例提供的电子红包的发放方法中,依据训练样本数据和第二网络模型,对第一网络模型进行训练,得到第三网络模型包括:通过第一网络模型对样本数据信息和第一历史行为信息进行处理,得到样本电子红包对应的第一预测金额和第一预测金额对应的第一评估值;通过第二网络模型对样本数据信息和第二历史行为信息进行处理,得到样本电子红包对应的第二预测金额和第二预测金额对应的第二评估值;通过第一网络模型对样本金额进行评估,得到第三评估值;依据真实评估值、第二评估值、第三评估值和第一预测金额,对第一网络模型进行训练,得到第三网络模型。
例如,先通过第一网络模型对样本数据信息和第一历史行为信息进行处理,得到样本电子红包对应的第一预测金额和第一预测金额对应的第一评估值,再通过第二网络模型对样本数据信息和第二历史行为信息进行处理,得到样本电子红包对应的第二预测金额和第二预测金额对应的第二评估值,然后通过第一网络模型对样本金额进行评估,得到第三评估值,最后根据真实评估值、第二评估值、第二评估值、第三评估值和第一预测金额,对第一网络模型进行训练,得到第三网络模型。
通过第一网络模型根据样本目标对象的第一历史行为信息进行样本电子红包金额的评估和预测以及通过第二网络模型根据样本目标对象的第二历史行为信息进行样本电子红包金额的评估和预测,并根据上述两个网络模型的评估预测结果,对第一网络模型进行训练,可以提高第三网络模型对样本电子红包金额的预测准确性。
可选地,在本申请实施例提供的电子红包的发放方法中,通过第一网络模型对样本数据信息和第一历史行为信息进行处理,得到样本电子红包对应的第一预测金额和第一预测金额对应的第一评估值包括:通过第一网络模型中的第一预测网络对样本数据信息和第一历史行为信息进行处理,得到第一预测金额;通过第一网络模型中的第一评估网络对第一预测金额进行评估,得到第一评估值。
例如,先通过第一网络模型中的第一预测网络对样本数据信息和第一历史行为信息进行处理,得到第一预测金额,然后通过第一评估网络对第一预测金额进行评估,得到第一预测金额对应的第一评估值。需要说明的是,第一评估值表示第一预测金额对样本目标对象开通个人养老金账户行为的影响程度,第一评估值越大,样本目标对象在接收到第一预测金额对应的电子红包后开通个人养老金账户的可能性越大。
在一可选的实施例中,先根据样本数据信息和第一历史行为信息构建样本目标对象对应的特征向量,再将特征向量输入值第一网络模型中,通过第一网络模型中的第一预测网络根据特征向量进行计算,得到样本目标对象对应的第一预测金额,然后通过第一网络模型中的第一评估网络得到的第一预测金额进行评估,得到第一评估值。
通过第一预测网络对样本电子红包的金额进行预测,得到第一预测金额,并通过第一评估网络对第一预测金额进行评估,可以确定第一预测金额对样本目标对象开通个人养老金账户行为的影响程度,提高了样本电子红包发放的有效性。
可选地,在本申请实施例提供的电子红包的发放方法中,第一网络模型由第一预测网络和第一评估网络组成,依据真实评估值、第二评估值、第二评估值、第三评估值和第一预测金额,对第一网络模型进行训练,得到第三网络模型包括:依据真实评估值、第二评估值和第三评估值,对第一评估网络进行训练,得到第三评估网络;依据第一预测金额和第一评估值,对第一预测网络进行训练,得到第三预测网络;依据第三评估网络和第三预测网络,得到第三网络模型。
例如,先根据预设函数计算得到的真实评估值、第二网络模型对第二预测金额进行评估得到的第二评估值和第一网络模型对样本金额进行评估得到的第三评估值,对第一评估网络进行训练,得到训练后的第三评估网络,同时根据第二网络模型预测得到的第一预测金额和第一评估值,对第一预测网络模型进行训练,得到第三预测网络,然后根据第三评估网络和第三预测网络得到第三网络模型。
分别对第一网络模型中的第一评估网络和第一预测网络进行训练,提高了第一评估网络的评估准确性和第一预测网络的预测准确性,进而提高了样本电子红包的发放准确性。
可选地,在本申请实施例提供的电子红包的发放方法中,依据真实评估值、第二评估值和第三评估值,对第一评估网络进行训练,得到第三评估网络包括:依据真实评估值、第二评估值和第三评估值进行计算,得到第一评估网络对应的第一损失函数;依据梯度下降算法和第一损失函数,对第一评估网络的参数进行训练,得到第三评估网络。
例如,先根据预设函数计算得到的真实评估值、第二网络模型对第二预测金额进行评估得到的第二评估值和第一网络模型对样本金额进行评估得到的第三评估值,计算得到第一评估网络对应的第一损失函数,再根据梯度下降算法和第一损失函数,对第一评估网络的参数进行训练,使第一评估网络对第二红包的金额的评估误差最小化,得到第三评估网络。
在一可选的实施例中,可以采用如下所示的方法计算第一评估网络对应的第一损失函数,具体如下:
其中,y(r,d)表示第二网络模型的目标函数,r表示真实评估值,a表示第二预测金额,表示第二预测金额对应的第二评估值,γ表示预设指数因子,d用于表示第二历史行为是否为样本目标对象的最终历史行为,d=1时,表示第二历史行为是样本目标对象的最终历史行为,d=0表示第二历史行为不是样本目标对象的最终历史行为,最终历史行为可以是样本目标对象开通个人养老金账户并向个人养老金账户中存入了一定金额(例如,一万元)的存款。
根据公式(3)计算出的函数值,可以得到第一损失函数,具体如公式(4)所示:
其中,L1表示第一损失函数,N表示样本目标对象的个数,i表示第i个样本目标对象,表示样本金额对应的第三评估值。
计算第一评估网络的第一损失函数,并通过梯度下降算法将第一损失函数对应的损失值最小化,可以提高第一评估网络对样本电子红包的金额进行评估的准确性。
可选地,在本申请实施例提供的电子红包的发放方法中,依据第一预测金额和第一评估值,对第一预测网络进行训练,得到第三预测网络包括:依据第一预测金额和第一评估值进行计算,得到第一预测网络对应的第二损失函数;依据梯度上升算法和第二损失函数,对第一预测网络的参数进行训练,得到第三预测网络。
例如,先根据第一预测金额和第一评估值计算得到第一预测网络对应的第二损失函数,再根据梯度上升算法和第二损失函数,对第一预测网络的参数进行训练,得到训练后的第三预测网络。
在一可选的实施例中,可以采用公式(5)所示的方法计算第二损失函数,具体如下所示:
其中,L2表示第二损失函数,e表示第一预测金额,表示第一评估值。
计算第一预测网络的第二损失函数,并通过梯度上升算法将第二损失函数对应的数值最大化,也就是将样本电子红包的金额值最大化,提高了样本电子红包的金额值,并提高了预测网络对样本电子红包的金额预测准确性。
在一可选的实施例中,可以采用如图3所示的流程图训练得到第一目标网络模型,具体如下:
首先,在经验回放区域中随机抽取一组样本目标对象对应的训练样本数据,再将训练样本数据输入值初始网络模型中,通过第一网络模型对样本数据信息和第一历史行为信息进行处理,得到样本电子红包对应的第一预测金额和第一预测金额对应的第一评估值;通过第二网络模型对样本数据信息和第二历史行为信息进行处理,得到样本电子红包对应的第二预测金额和第二预测金额对应的第二评估值,以及通过第一网络模型对样本金额进行评估,得到第三评估值,然后根据第一网络模型和第二网络模型计算得到的多个评估值、训练样本数据中的真实评估值和第一网络模型和第二网络模型预测得到样本电子红包的金额值,确定第一网络中第一评估网络的第一损失函数和第一预测网络的第二损失函数,并根据第一损失函数对第一评估网络的参数进行更新以及根据第二损失函数对第一预测网络的参数进行更新,得到第三网络模型,最后根据预设的超参数和第三网络模型的参数,对第二网络模型的参数进行更新。
本申请实施例提供的电子红包的发放方法,通过获取目标对象对应的目标数据信息,其中,目标数据信息中至少包括目标对象的身份信息和消费信息;通过目标网络模型依据目标数据信息,确定待对目标对象发放的目标电子红包的目标金额,其中,目标电子红包用于在目标对象对个人养老金账户进行存款时对存款金额进行减免;依据目标金额,对目标对象发放目标电子红包,解决了相关技术中根据工作人员设定的分类规则对客户进行分类,并根据客户类别对客户进行不同额度的电子红包的发放,导致工作人员依据分类规则进行分类的工作效率比较低,无法快速实现电子红包的发放的问题。在本申请中,通过目标网络模型对目标对象对应的目标电子红包的金额进行预测,确定目标电子红包的目标金额,提高了确定目标金额的准确性和效率,避免了根据工作人员设定的分类规则对客户进行分类,并根据客户类别对客户进行不同额度的电子红包的发放,导致电子红包的发放效率比较低的问题,进而达到了提高电子红包发放效率的效果。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种电子红包的发放装置,需要说明的是,本申请实施例的电子红包的发放装置可以用于执行本申请实施例所提供的用于电子红包的发放方法。以下对本申请实施例提供的电子红包的发放装置进行介绍。
图4是根据本申请实施例的电子红包的发放装置的示意图。如图4所示,该装置包括:第一获取单元401、更新单元402、确定单元403和发放单元404。
第一获取单元401,用于获取目标对象对应的目标数据信息和目标对象的目标行为信息,其中,目标数据信息中至少包括目标对象的身份信息和消费信息,目标行为信息为目标对象在接收到历史电子红包之后的行为信息,目标行为信息至少包括开户行为信息和存款行为信息;
更新单元402,用于依据目标行为信息和历史电子红包的金额,对第一目标网络模型进行训练和更新,得到第二目标网络模型;
确定单元403,用于通过第二目标网络模型依据目标数据信息,确定待对目标对象发放的目标电子红包的目标金额,其中,目标电子红包用于在目标对象对个人养老金账户进行存款时对存款金额进行减免;
发放单元404,用于依据目标金额,对目标对象发放目标电子红包。
可选地,在本申请实施例提供的电子红包的发放装置中,该装置还包括:第二获取单元,用于获取训练样本数据,其中,训练样本数据中至少包括多个样本目标对象的样本数据信息、样本电子红包的样本金额、样本金额的真实评估值、第一历史行为信息和第二历史行为信息,第一历史行为信息为样本目标对象在接收到样本金额对应的样本电子红包前的历史行为信息,第二历史行为信息为样本目标对象在接收到样本电子红包后的历史行为信息;训练单元,用于依据训练样本数据,对初始网络模型进行训练,得到第一目标网络模型,其中,初始网络模型中至少包括第一网络模型和第二网络模型,第一网络模型用于对样本电子红包的金额进行预测和评估,第二网络模型用于训练第一网络模型。
可选地,在本申请实施例提供的电子红包的发放装置中,训练单元包括:训练子单元,用于依据训练样本数据和第二网络模型,对第一网络模型进行训练,得到第三网络模型;更新子单元,用于依据第三网络模型的参数,对第二网络模型的参数进行更新,得到第四网络模型;判断子单元,用于判断依据第三网络模型得到的样本金额的第一预测评估值与目标评估值之间的误差是否小于预设数值,若第一预测评估值与目标评估值之间的误差大于或等于预设数值,则重复执行依据第四网络模型和训练样本数据对第三网络模型进行训练的步骤,直至第一预测评估值与目标评估值之间的误差小于预设数值,并依据当前的第三网络模型,得到第一目标网络模型,其中,目标评估值中包括真实评估值和依据第四网络模型得到的第二预测评估值。
可选地,在本申请实施例提供的电子红包的发放装置中,训练子单元包括:第一处理模块,用于通过第一网络模型对样本数据信息和第一历史行为信息进行处理,得到样本电子红包对应的第一预测金额和第一预测金额对应的第一评估值;第二处理模块,用于通过第二网络模型对样本数据信息和第二历史行为信息进行处理,得到样本电子红包对应的第二预测金额和第二预测金额对应的第二评估值;评估模块,用于通过第一网络模型对样本金额进行评估,得到第三评估值;训练模块,用于依据真实评估值、第二评估值、第三评估值和第一预测金额,对第一网络模型进行训练,得到第三网络模型。
可选地,在本申请实施例提供的电子红包的发放装置中,第一处理模块包括:处理子模块,用于通过第一网络模型中的第一预测网络对样本数据信息和第一历史行为信息进行处理,得到第一预测金额;评估子模块,用于通过第一网络模型中的第一评估网络对第一预测金额进行评估,得到第一评估值。
可选地,在本申请实施例提供的电子红包的发放装置中,训练模块包括:第一训练子模块,用于依据真实评估值、第二评估值和第三评估值,对第一评估网络进行训练,得到第三评估网络;第二训练子模块,用于依据第一预测金额和第一评估值,对第一预测网络进行训练,得到第三预测网络;生成子模块,用于依据第三评估网络和第三预测网络,得到第三网络模型。
可选地,在本申请实施例提供的电子红包的发放装置中,第一训练子模块包括:第一计算子模块,用于依据真实评估值、第二评估值和第三评估值进行计算,得到第一评估网络对应的第一损失函数;第三训练子模块,用于依据梯度下降算法和第一损失函数,对第一评估网络的参数进行训练,得到第三评估网络。
可选地,在本申请实施例提供的电子红包的发放装置中,第二训练子模块包括:第二计算子模块,用于依据第一预测金额和第一评估值进行计算,得到第一预测网络对应的第二损失函数;第四训练子模块,用于依据梯度上升算法和第二损失函数,对第一预测网络的参数进行训练,得到第三预测网络
本申请实施例提供的电子红包的发放装置,通过第一获取单元401获取目标对象对应的目标数据信息和所述目标对象的目标行为信息,其中,目标数据信息中至少包括目标对象的身份信息和消费信息,所述目标行为信息为所述目标对象在接收到历史电子红包之后的行为信息,所述目标行为信息至少包括开户行为信息和存款行为信息;更新单元402依据所述目标行为信息和所述历史电子红包的金额,对第一目标网络模型进行训练和更新,得到第二目标网络模型;确定单元403通过第一目标网络模型依据目标数据信息,确定待对目标对象发放的目标电子红包的目标金额,其中,目标电子红包用于在目标对象对个人养老金账户进行存款时对存款金额进行减免;发放单元404依据目标金额,对目标对象发放目标电子红包,解决了相关技术中根据工作人员设定的分类规则对客户进行分类,并根据客户类别对客户进行不同额度的电子红包的发放,导致对客户发放电子红包的准确性比较低的问题,在本申请中,通过第一目标网络模型对目标对象对应的目标电子红包的金额进行预测,确定目标电子红包的目标金额,提高了确定目标金额的准确性,避免了根据工作人员设定的分类规则对客户进行分类,并根据客户类别对客户进行不同额度的电子红包的发放,导致电子红包的发放效率比较低的问题,进而达到了提高电子红包的发放效率的效果。
所述电子红包的发放装置包括处理器和存储器,上述的第一获取单元401、更新单元402、确定单元403和发放单元404等单元均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决相关技术中根据工作人员设定的分类规则对客户进行分类,并根据客户类别对客户进行不同额度的电子红包的发放,导致对客户发放电子红包的准确性比较低的问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现电子红包的发放方法。
本发明实施例提供了一种处理器,处理器用于运行程序,其中,程序运行时执行电子红包的发放方法。
如图5所示,本发明实施例提供了一种电子设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取目标对象对应的目标数据信息和目标对象的目标行为信息,其中,目标数据信息中至少包括目标对象的身份信息和消费信息,目标行为信息为目标对象在接收到历史电子红包之后的行为信息,目标行为信息至少包括开户行为信息和存款行为信息;通过第二目标网络模型依据目标数据信息,确定待对目标对象发放的目标电子红包的目标金额,其中,目标电子红包用于在目标对象对个人养老金账户进行存款时对存款金额进行减免;依据目标金额,对目标对象发放目标电子红包。
可选地,在本申请实施例提供的电子红包的发放方法中,在依据目标行为信息对第一目标网络模型进行训练和更新,得到第二目标网络模型之前,该方法还包括:获取训练样本数据,其中,训练样本数据中至少包括多个样本目标对象的样本数据信息、样本电子红包的样本金额、样本金额的真实评估值、第一历史行为信息和第二历史行为信息,第一历史行为信息为样本目标对象在接收到样本金额对应的样本电子红包前的历史行为信息,第二历史行为信息为样本目标对象在接收到样本电子红包后的历史行为信息;依据训练样本数据,对初始网络模型进行训练,得到第一目标网络模型,其中,初始网络模型中至少包括第一网络模型和第二网络模型,第一网络模型用于对样本电子红包的金额进行预测和评估,第二网络模型用于训练第一网络模型。
可选地,在本申请实施例提供的电子红包的发放方法中,依据训练样本数据,对初始网络模型进行训练,得到第一目标网络模型包括:依据训练样本数据和第二网络模型,对第一网络模型进行训练,得到第三网络模型;依据第三网络模型的参数,对第二网络模型的参数进行更新,得到第四网络模型;判断依据第三网络模型得到的样本金额的第一预测评估值与目标评估值之间的误差是否小于预设数值,若第一预测评估值与目标评估值之间的误差大于或等于预设数值,则重复执行依据第四网络模型和训练样本数据对第三网络模型进行训练的步骤,直至第一预测评估值与目标评估值之间的误差小于预设数值,并依据当前的第三网络模型,得到第一目标网络模型,其中,目标评估值中包括真实评估值和依据第四网络模型得到的第二预测评估值。
可选地,在本申请实施例提供的电子红包的发放方法中,依据训练样本数据和第二网络模型,对第一网络模型进行训练,得到第三网络模型包括:通过第一网络模型对样本数据信息和第一历史行为信息进行处理,得到样本电子红包对应的第一预测金额和第一预测金额对应的第一评估值;通过第二网络模型对样本数据信息和第二历史行为信息进行处理,得到样本电子红包对应的第二预测金额和第二预测金额对应的第二评估值;通过第一网络模型对样本金额进行评估,得到第三评估值;依据真实评估值、第二评估值、第二评估值、第三评估值和第一预测金额,对第一网络模型进行训练,得到第三网络模型。
可选地,在本申请实施例提供的电子红包的发放方法中,通过第一网络模型对样本数据信息和第一历史行为信息进行处理,得到样本电子红包对应的第一预测金额和第一预测金额对应的第一评估值包括:通过第一网络模型中的第一预测网络对样本数据信息和第一历史行为信息进行处理,得到第一预测金额;通过第一网络模型中的第一评估网络对第一预测金额进行评估,得到第一评估值。
可选地,在本申请实施例提供的电子红包的发放方法中,第一网络模型由第一预测网络和第一评估网络组成,依据真实评估值、第二评估值、第三评估值和第一预测金额,对第一网络模型进行训练,得到第三网络模型包括:依据真实评估值、第二评估值和第三评估值,对第一评估网络进行训练,得到第三评估网络;依据第一预测金额和第一评估值,对第一预测网络进行训练,得到第三预测网络;依据第三评估网络和第三预测网络,得到第三网络模型。
可选地,在本申请实施例提供的电子红包的发放方法中,依据真实评估值、第二评估值和第三评估值,对第一评估网络进行训练,得到第三评估网络包括:依据真实评估值、第二评估值和第三评估值进行计算,得到第一评估网络对应的第一损失函数;依据梯度下降算法和第一损失函数,对第一评估网络的参数进行训练,得到第三评估网络。
可选地,在本申请实施例提供的电子红包的发放方法中,依据第一预测金额和第一评估值,对第一预测网络进行训练,得到第三预测网络包括:依据第一预测金额和第一评估值进行计算,得到第一预测网络对应的第二损失函数;依据梯度上升算法和第二损失函数,对第一预测网络的参数进行训练,得到第三预测网络。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取目标对象对应的目标数据信息和目标对象的目标行为信息,其中,目标数据信息中至少包括目标对象的身份信息和消费信息,目标行为信息为目标对象在接收到历史电子红包之后的行为信息,目标行为信息至少包括开户行为信息和存款行为信息;通过第二目标网络模型依据目标数据信息,确定待对目标对象发放的目标电子红包的目标金额,其中,目标电子红包用于在目标对象对个人养老金账户进行存款时对存款金额进行减免;依据目标金额,对目标对象发放目标电子红包。
可选地,在本申请实施例提供的电子红包的发放方法中,在依据目标行为信息对第一目标网络模型进行训练和更新,得到第二目标网络模型之前,该方法还包括:获取训练样本数据,其中,训练样本数据中至少包括多个样本目标对象的样本数据信息、样本电子红包的样本金额、样本金额的真实评估值、第一历史行为信息和第二历史行为信息,第一历史行为信息为样本目标对象在接收到样本金额对应的样本电子红包前的历史行为信息,第二历史行为信息为样本目标对象在接收到样本电子红包后的历史行为信息;依据训练样本数据,对初始网络模型进行训练,得到第一目标网络模型,其中,初始网络模型中至少包括第一网络模型和第二网络模型,第一网络模型用于对样本电子红包的金额进行预测和评估,第二网络模型用于训练第一网络模型。
可选地,在本申请实施例提供的电子红包的发放方法中,依据训练样本数据,对初始网络模型进行训练,得到第一目标网络模型包括:依据训练样本数据和第二网络模型,对第一网络模型进行训练,得到第三网络模型;依据第三网络模型的参数,对第二网络模型的参数进行更新,得到第四网络模型;判断依据第三网络模型得到的样本金额的第一预测评估值与目标评估值之间的误差是否小于预设数值,若第一预测评估值与目标评估值之间的误差大于或等于预设数值,则重复执行依据第四网络模型和训练样本数据对第三网络模型进行训练的步骤,直至第一预测评估值与目标评估值之间的误差小于预设数值,并依据当前的第三网络模型,得到第一目标网络模型,其中,目标评估值中包括真实评估值和依据第四网络模型得到的第二预测评估值。
可选地,在本申请实施例提供的电子红包的发放方法中,依据训练样本数据和第二网络模型,对第一网络模型进行训练,得到第三网络模型包括:通过第一网络模型对样本数据信息和第一历史行为信息进行处理,得到样本电子红包对应的第一预测金额和第一预测金额对应的第一评估值;通过第二网络模型对样本数据信息和第二历史行为信息进行处理,得到样本电子红包对应的第二预测金额和第二预测金额对应的第二评估值;通过第一网络模型对样本金额进行评估,得到第三评估值;依据真实评估值、第二评估值、第三评估值和第一预测金额,对第一网络模型进行训练,得到第三网络模型。
可选地,在本申请实施例提供的电子红包的发放方法中,通过第一网络模型对样本数据信息和第一历史行为信息进行处理,得到样本电子红包对应的第一预测金额和第一预测金额对应的第一评估值包括:通过第一网络模型中的第一预测网络对样本数据信息和第一历史行为信息进行处理,得到第一预测金额;通过第一网络模型中的第一评估网络对第一预测金额进行评估,得到第一评估值。
可选地,在本申请实施例提供的电子红包的发放方法中,第一网络模型由第一预测网络和第一评估网络组成,依据真实评估值、第二评估值、第三评估值和第一预测金额,对第一网络模型进行训练,得到第三网络模型包括:依据真实评估值、第二评估值和第三评估值,对第一评估网络进行训练,得到第三评估网络;依据第一预测金额和第一评估值,对第一预测网络进行训练,得到第三预测网络;依据第三评估网络和第三预测网络,得到第三网络模型。
可选地,在本申请实施例提供的电子红包的发放方法中,依据真实评估值、第二评估值和第三评估值,对第一评估网络进行训练,得到第三评估网络包括:依据真实评估值、第二评估值和第三评估值进行计算,得到第一评估网络对应的第一损失函数;依据梯度下降算法和第一损失函数,对第一评估网络的参数进行训练,得到第三评估网络。
可选地,在本申请实施例提供的电子红包的发放方法中,依据第一预测金额和第一评估值,对第一预测网络进行训练,得到第三预测网络包括:依据第一预测金额和第一评估值进行计算,得到第一预测网络对应的第二损失函数;依据梯度上升算法和第二损失函数,对第一预测网络的参数进行训练,得到第三预测网络。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种电子红包的发放方法,其特征在于,包括:
获取目标对象对应的目标数据信息和所述目标对象的目标行为信息,其中,所述目标数据信息中至少包括所述目标对象的身份信息和消费信息,所述目标行为信息为所述目标对象在接收到历史电子红包之后的行为信息,所述目标行为信息至少包括开户行为信息和存款行为信息;
依据所述目标行为信息和所述历史电子红包的金额,对第一目标网络模型进行训练和更新,得到第二目标网络模型;
通过所述第二目标网络模型依据所述目标数据信息,确定待对所述目标对象发放的目标电子红包的目标金额,其中,所述目标电子红包用于在所述目标对象对个人养老金账户进行存款时对存款金额进行减免;
依据所述目标金额,对所述目标对象发放所述目标电子红包。
2.根据权利要求1所述的方法,其特征在于,在依据所述目标行为信息对第一目标网络模型进行训练和更新,得到第二目标网络模型之前,所述方法还包括:
获取训练样本数据,其中,所述训练样本数据中至少包括多个样本目标对象的样本数据信息、样本电子红包的样本金额、所述样本金额的真实评估值、第一历史行为信息和第二历史行为信息,所述第一历史行为信息为所述样本目标对象在接收到所述样本金额对应的样本电子红包前的历史行为信息,所述第二历史行为信息为所述样本目标对象在接收到所述样本电子红包后的历史行为信息;
依据所述训练样本数据,对初始网络模型进行训练,得到所述第一目标网络模型,其中,所述初始网络模型中至少包括第一网络模型和第二网络模型,所述第一网络模型用于对所述样本电子红包的金额进行预测和评估,所述第二网络模型用于训练所述第一网络模型。
3.根据权利要求2所述的方法,其特征在于,依据所述训练样本数据,对初始网络模型进行训练,得到所述第一目标网络模型包括:
依据所述训练样本数据和所述第二网络模型,对所述第一网络模型进行训练,得到第三网络模型;
依据所述第三网络模型的参数,对所述第二网络模型的参数进行更新,得到第四网络模型;
判断依据所述第三网络模型得到的所述样本金额的第一预测评估值与目标评估值之间的误差是否小于预设数值,若所述第一预测评估值与目标评估值之间的误差大于或等于所述预设数值,则重复执行依据所述第四网络模型和所述训练样本数据对所述第三网络模型进行训练的步骤,直至所述第一预测评估值与所述目标评估值之间的误差小于所述预设数值,并依据当前的第三网络模型,得到所述第一目标网络模型,其中,所述目标评估值中包括所述真实评估值和依据所述第四网络模型得到的第二预测评估值。
4.根据权利要求3所述的方法,其特征在于,依据所述训练样本数据和所述第二网络模型,对所述第一网络模型进行训练,得到第三网络模型包括:
通过所述第一网络模型对所述样本数据信息和所述第一历史行为信息进行处理,得到所述样本电子红包对应的第一预测金额和所述第一预测金额对应的第一评估值;
通过所述第二网络模型对所述样本数据信息和所述第二历史行为信息进行处理,得到所述样本电子红包对应的第二预测金额和所述第二预测金额对应的第二评估值;
通过所述第一网络模型对所述样本金额进行评估,得到第三评估值;
依据所述真实评估值、所述第二评估值、所述第三评估值和所述第一预测金额,对所述第一网络模型进行训练,得到所述第三网络模型。
5.根据权利要求4所述的方法,其特征在于,通过所述第一网络模型对所述样本数据信息和所述第一历史行为信息进行处理,得到所述样本电子红包对应的第一预测金额和所述第一预测金额对应的第一评估值包括:
通过所述第一网络模型中的第一预测网络对所述样本数据信息和所述第一历史行为信息进行处理,得到所述第一预测金额;
通过所述第一网络模型中的第一评估网络对所述第一预测金额进行评估,得到所述第一评估值。
6.根据权利要求4所述的方法,其特征在于,所述第一网络模型由第一预测网络和第一评估网络组成,依据所述真实评估值、所述第二评估值、所述第三评估值和所述第一预测金额,对所述第一网络模型进行训练,得到所述第三网络模型包括:
依据所述真实评估值、所述第二评估值和所述第三评估值,对所述第一评估网络进行训练,得到第三评估网络;
依据所述第一预测金额和所述第一评估值,对所述第一预测网络进行训练,得到第三预测网络;
依据所述第三评估网络和所述第三预测网络,得到所述第三网络模型。
7.根据权利要求6所述的方法,其特征在于,依据所述真实评估值、所述第二评估值和所述第三评估值,对所述第一评估网络进行训练,得到第三评估网络包括:
依据所述真实评估值、所述第二评估值和所述第三评估值进行计算,得到所述第一评估网络对应的第一损失函数;
依据梯度下降算法和所述第一损失函数,对所述第一评估网络的参数进行训练,得到所述第三评估网络。
8.根据权利要求6所述的方法,其特征在于,依据所述第一预测金额和所述第一评估值,对所述第一预测网络进行训练,得到第三预测网络包括:
依据所述第一预测金额和所述第一评估值进行计算,得到所述第一预测网络对应的第二损失函数;
依据梯度上升算法和所述第二损失函数,对所述第一预测网络的参数进行训练,得到所述第三预测网络。
9.一种电子红包的发放装置,其特征在于,包括:
第一获取单元,用于获取目标对象对应的目标数据信息和所述目标对象的目标行为信息,其中,所述目标数据信息中至少包括所述目标对象的身份信息和消费信息,所述目标行为信息为所述目标对象在接收到历史电子红包之后的行为信息,所述目标行为信息至少包括开户行为信息和存款行为信息;
更新单元,用于依据所述目标行为信息和所述历史电子红包的金额,对第一目标网络模型进行训练和更新,得到第二目标网络模型;
确定单元,用于通过第二目标网络模型依据所述目标数据信息,确定待对所述目标对象发放的目标电子红包的目标金额,其中,所述目标电子红包用于在所述目标对象对个人养老金账户进行存款时对存款金额进行减免;
发放单元,用于依据所述目标金额,对所述目标对象发放所述目标电子红包。
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包括存储的程序,其中,在所述程序运行时控制所述存储介质在设备执行权利要求1至8中任意一项所述的电子红包的发放方法。
11.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至8中任意一项所述的电子红包的发放方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311370307.6A CN117635225A (zh) | 2023-10-20 | 2023-10-20 | 电子红包的发放方法及装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311370307.6A CN117635225A (zh) | 2023-10-20 | 2023-10-20 | 电子红包的发放方法及装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117635225A true CN117635225A (zh) | 2024-03-01 |
Family
ID=90015373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311370307.6A Pending CN117635225A (zh) | 2023-10-20 | 2023-10-20 | 电子红包的发放方法及装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117635225A (zh) |
-
2023
- 2023-10-20 CN CN202311370307.6A patent/CN117635225A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2021232839B2 (en) | Updating Attribute Data Structures to Indicate Trends in Attribute Data Provided to Automated Modelling Systems | |
CN110033314B (zh) | 广告数据处理方法及装置 | |
CN110097450A (zh) | 车贷风险评估方法、装置、设备和存储介质 | |
CN109308616B (zh) | 一种交易记录的风险判定方法及装置 | |
CN112232944B (zh) | 一种评分卡创建方法、装置和电子设备 | |
CN116450951A (zh) | 业务推荐方法、装置、存储介质及电子设备 | |
CN114529400A (zh) | 一种消费贷款预授信评估方法、设备及介质 | |
CN112258129A (zh) | 配送路径预测网络训练、配送资源调度方法及装置 | |
CN111047435A (zh) | 信贷数据处理、信贷分配方法、装置及电子设备 | |
CN117635225A (zh) | 电子红包的发放方法及装置、存储介质和电子设备 | |
CN114049202A (zh) | 操作风险识别方法、装置、存储介质及电子设备 | |
CN117454272A (zh) | 消费券的发放方法及装置、存储介质和电子设备 | |
CN116800831B (zh) | 一种业务数据推送方法、装置、存储介质及处理器 | |
CN111143552B (zh) | 文本信息的类别预测方法和装置、服务器 | |
CN116720094A (zh) | 客户信息的聚类方法、装置、处理器及电子设备 | |
CN116485537A (zh) | 金融产品的选择方法、装置、处理器以及电子设备 | |
CN117893309A (zh) | 用户等级的确定方法、装置、存储介质以及电子设备 | |
CN116862613A (zh) | 产品推荐方法、装置、存储介质及电子设备 | |
CN114676854A (zh) | 一种集成学习方法及装置 | |
CN116757832A (zh) | 贷款偿还风险预测方法、装置及存储介质 | |
CN116523648A (zh) | 风险对象的识别方法和装置、存储介质及电子设备 | |
CN116485446A (zh) | 业务数据的处理方法、装置、处理器以及电子设备 | |
CN116737904A (zh) | 数据信息的处理方法及装置、存储介质和电子设备 | |
CN116611930A (zh) | 金融产品的推荐方法、装置、处理器及电子设备 | |
CN117520335A (zh) | 用户数据的处理方法、装置、存储介质以及电子设备 |
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 |