WO2022001397A1 - 交互资格等级确定方法、装置、设备及存储介质 - Google Patents

交互资格等级确定方法、装置、设备及存储介质 Download PDF

Info

Publication number
WO2022001397A1
WO2022001397A1 PCT/CN2021/093404 CN2021093404W WO2022001397A1 WO 2022001397 A1 WO2022001397 A1 WO 2022001397A1 CN 2021093404 W CN2021093404 W CN 2021093404W WO 2022001397 A1 WO2022001397 A1 WO 2022001397A1
Authority
WO
WIPO (PCT)
Prior art keywords
stage
target user
interaction
prediction
behavior data
Prior art date
Application number
PCT/CN2021/093404
Other languages
English (en)
French (fr)
Inventor
黄福华
王亮
郑文琛
Original Assignee
深圳前海微众银行股份有限公司
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 深圳前海微众银行股份有限公司 filed Critical 深圳前海微众银行股份有限公司
Publication of WO2022001397A1 publication Critical patent/WO2022001397A1/zh

Links

Images

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)

Abstract

一种交互资格等级确定方法、装置、设备和存储介质，该方法包括：获取目标用户的第一阶段行为数据的第一预测中间结果，基于所述第一预测中间结果与所述第二设备进行纵向联邦预测，得到第一阶段的聚合结果（S10）；基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级，以确定第二阶段行为数据（S20）；基于所述第二阶段行为数据，与所述第二设备进行纵向联邦预测，获得所述目标用户的第二阶段的聚合结果，以获得目标用户的第二阶段交互资格等级，其中，所述第二阶段与第一阶段为时序连续的阶段（S30）。

Description

交互资格等级确定方法、装置、设备及存储介质
优先权信息
本申请要求于2020年6月30日申请的、申请号为202010618079.X的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及金融科技(Fintech)的人工智能技术领域，尤其涉及一种交互资格等级确定方法、装置、设备及存储介质。
背景技术
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术应用在金融领域，但金融业也对技术提出了更高的要求，如金融业对交互资格等级确定也有更高的要求。
目前，通常通过特定维度分布的行为数据确定的下单率预测结果，确定用户的交互资格等级。然而，在多数场景中特定维度分布数据的特征丰富度低，若通过上述方式确定用户的交互资格等级，会造成用户的下单率预测结果不准确，进而导致用户的交互资格等级确定不准确。
发明内容
本申请的主要目的在于提供一种交互资格等级确定方法、装置、设备和存储介质，旨在解决现有技术中难以准确确定用户的交互资格等级的技术问题。
为实现上述目的，本申请提供一种交互资格等级确定方法，所述交互资格等级确定方法包括：
获取目标用户的第一阶段行为数据的第一预测中间结果，基于所述第一预测中间结果与所述第二设备进行纵向联邦预测，得到第一阶段的聚合结果；
基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格 等级，以确定第二阶段行为数据；
基于所述第二阶段行为数据，与所述第二设备进行纵向联邦预测，获得所述目标用户的第二阶段的聚合结果，以获得目标用户的第二阶段交互资格等级，其中，所述第二阶段与第一阶段为时序连续的阶段。
本申请还提供一种交互资格等级确定装置，所述交互资格等级确定装置包括：
第一获取模块，用于获取目标用户的第一阶段行为数据的第一预测中间结果，基于所述第一预测中间结果与所述第二设备进行纵向联邦预测，得到第一阶段的聚合结果；
确定模块，用于基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级，以确定第二阶段行为数据；
第二获取模块，用于基于所述第二阶段行为数据，与所述第二设备进行纵向联邦预测，获得所述目标用户的第二阶段的聚合结果，以获得目标用户的第二阶段交互资格等级，其中，所述第二阶段与第一阶段为时序连续的阶段。
本申请还提供一种交互资格等级确定设备，所述交互资格等级确定设备为实体设备，所述交互资格等级确定设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述交互资格等级确定方法的程序，所述交互资格等级确定方法的程序被处理器执行时可实现如上述的交互资格等级确定方法的步骤。
本申请还提供一种存储介质，所述存储介质上存储有实现上述交互资格等级确定方法的程序，所述交互资格等级确定方法的程序被处理器执行时实现如上述的交互资格等级确定方法的步骤。
本申请通过获取目标用户的第一阶段行为数据的第一预测中间结果，基于所述第一预测中间结果与所述第二设备进行纵向联邦预测，得到第一阶段的聚合结果；基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级，以确定第二阶段行为数据；基于所述第二阶段行为数据，与所述第二设备进行纵向联邦预测，获得所述目标用户的第二阶段的聚合结果，以获得目标用户的第二阶段交互资格等级，其中，所述第二阶段与第一阶段为时序连续的阶段。与现有技术通过特定维度分布行为数据确定的下单率预 测结果，确定用户的交互资格等级相比，本申请能够实现通过分阶段或者分级获取对应阶段的用户下单率预测结果，进而得到目标用户的交互资格等级，且在本申请中，通过与其他设备纵向联邦，拓宽了数据的丰富度，因而基于更丰富的行为数据，对下单率进行预测，因而提升了下单率预测结果的预测准确率，进而提升目标用户交互资格等级的确定准确率，克服了现有技术中目标用户交互资格等级确定准确率低的技术缺陷。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请交互资格等级确定方法第一实施例的流程示意图；
图2为本申请交互资格等级确定方法中步骤S20的细化步骤流程示意图；
图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所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。
本申请实施例提供一种交互资格等级确定方法，在本申请交互资格等级确定方法的第一实施例中，参照图1，所述交互资格等级确定方法包括：
步骤S10，获取目标用户的第一阶段行为数据的第一预测中间结果，基于所述第一预测中间结果与所述第二设备进行纵向联邦预测，得到第一阶段的聚合结果；
步骤S20，基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级，以确定第二阶段行为数据；
步骤S30基于所述第二阶段行为数据，与所述第二设备进行纵向联邦预测，获得所述目标用户的第二阶段的聚合结果，以获得目标用户的第二阶段交互资格等级，其中，所述第二阶段与第一阶段为时序连续的阶段。
具体步骤如下：
步骤S10，获取目标用户的第一阶段行为数据的第一预测中间结果，基于所述第一预测中间结果与所述第二设备进行纵向联邦预测，得到第一阶段的聚合结果；
在本实施例中，需要说明的是，可以应用于交互资格等级确定系统，该交互资格等级确定系统从属于交互资格等级确定设备，对于交互资格等级确定系统而言，是与机构如企业存在通信连接关系的，因而，只要用户在企业的关联网页上存在操作行为，则交互资格等级确定系统可以获取用户的操作行为，并基于用户的操作行为预测用户的下单可能性或者是购买可能性以及该下单可能性所在的等级，然后确定目标用户的交互资格等级，然后企业基于下单可能性或者是购买可能性反馈服务，反馈服务可以通过各个渠道进行如通过公众号，微信，APP等进行，其中，反馈服务的渠道是与用户的操作行为对应的渠道关联的，对于企业而言，不管通过何种渠道，都是是存在行业特征(经营范围特征)的，而行业特征又包括业务特征，业务特征又包括不同产品特征等，也即，因而，对于企业而言，是提供多层深度的串并行路径服务，以供用户操作的，需要说明的是，针对不同用户在企业网站上的不同操作行为，企业的反馈服务或者路径服务也不同，而尽管企业可以通过app、小程序、公众号或者分享链接等不同方式与用户进行交互，且企业提供多层深度的串并行路径服务，但是整体地，用户与企业交互的行为都包括企业、业务、入口、页面等串行路径，在串行路径后，存在并行路径，具体如：文章路径，问题路径，对话路径，联系路径，如加微信，打电话等，其中，串行路径是所有用户都有的操作行为路径，而并行路径并非所有用户都有，或者对于某一阶段的某一个用户而言，可以只存在一种并行路径。
具体地，企业与用户(用户端)可以通过多个入口或者渠道进行交互，如通过app进行交互，通过小程序进行交互，通过公众号进行交互或者是通过分享链接进行交互，在企业分别记录了app、小程序、公众号或者分享链接上的操作行为数据后，例如，在企业分别通过各个操作按钮的操作数据记录 得到各个用户不同深度的操作行为数据后，将各个用户不同深度的操作行为数据发送给交互资格等级确定系统，以对用户进行购买或者下单与否的预测。在本实施例中，需要说明的是，企业记录的所述操作行为数据至少包括一个用户行为，例如，用户点击阅读了文章、加了客服微信、接听了客服电话，则各用户行为分别为点击阅读了文章、加微信和接听电话，且各用户行为是阶段性的，这里的阶段性可以指的是：用户在第一用户行为后，接收企业等基于第一用户行为反馈的服务如反馈的微信公众号文章(第一用户行为不同，则微信公众号文章不同)，后续又基于反馈的服务如反馈的微信公众号文章产生用户行为(如电话行为)，则之后产生的行为与第一用户行为阶段不同，在本实施例中，再根据变化的行为对应的数据进行预测，得到对应的预测结果后，基于该预测结果的等级，企业可以动态调整服务的级别以及对应的服务。
整体地，例如，在阶段时间线上，首先获取用户A的画像数据，进而加用户微信向用户A推荐物品B，进而通过电话向用户A推荐物品B，其中，第一阶段行为数据即为用户提供画像数据，例如，用户填写自己的爱好等，在第一阶段后，第二阶段即为微信沟通阶段，用户的第二阶段行为数据为微信沟通文本数据，第三阶段即为电话沟通阶段(若将第二阶段设置为起始的第一阶段，则第三阶段为第二阶段)，用户的第三阶段行为数据为电话沟通语音数据
获取目标用户的第一阶段行为数据的第一预测中间结果，具体地，获取目标用户的第一阶段行为数据，确定所述第一阶段行为数据的第一目标预测模型，以获得第一预测中间结果；其中，第一目标预测模型是与第二设备在第一阶段进行联邦预测得到的。其中，第二设备与第一设备的用户相同，但是所述第一阶段行为数据对应的第一预测任务与所述第二设备在第一阶段对应的第二预测任务不一致，例如，用户存在贷款买保险产品意向，则第一预测任务可为预测用户购买保险产品的概率，第二预测任务可为预测用户贷款的概率。
所述获取目标用户的第一阶段行为数据的第一预测中间结果的步骤，包括：
步骤S11，获取目标用户的第一阶段行为数据，确定所述第一阶段行为数 据的第一阶段特征；
步骤S12，获取所述第一阶段特征的第一目标预测模型，并基于所述第一目标预测模型，对目标用户进行第一下单率预测，获得第一预测中间结果。
获取目标用户的第一阶段行为数据，确定所述第一阶段行为数据的第一阶段特征，第一阶段特征可以只包括x1、x2、x3和x4特征，或者只包括x1、x2、x3、x4和x5的特征，或者只包括x1、x2、x3、x4和x6的特征，或者只包括x1、x2、x3、x4、x5和x7的特征，或者只包括x1、x2、x3、x4、x5、x6和x7的特征等。
其中，获取目标用户的第一阶段行为数据，确定所述第一阶段行为数据的第一阶段特征的方式包括：
方式一：
获取目标用户的第一阶段行为数据后，通过第一阶段行为数据获取第一阶段行为数据的串并行路径，通过第一阶段行为数据的串并行路径确定所述第一阶段行为数据的第一阶段特征。
方式二：获取目标用户的第一阶段行为数据后，通过第一阶段行为数据获取第一阶段行为数据的路径渠道、路径级别以及路径深度等，通过路径渠道、路径级别以及路径深度等确定所述第一阶段行为数据的第一阶段特征。
具体地，若第一阶段特征只包括x1、x2、x3和x4特征，则选取由只包括x1、x2、x3和x4特征对应的第一设备训练数据训练得到的第一目标预测模型，对第一阶段的目标用户进行第一下单率预测，获得第一预测中间结果或者若第一阶段特征只包括x1、x2、x3、x4和x5的特征，则选取由只包括x1、x2、x3、x4和x5特征对应的第一设备训练数据训练得到的第一目标预测模型，对第一阶段的目标用户进行第一下单率预测，获得第一预测中间结果，或者若第一阶段特征只包括x1、x2、x3、x4和x6的特征，则选取由只包括x1、x2、x3、x4和x6的特征对应的第一设备训练数据训练得到的第一目标预测模型，对第一阶段的目标用户进行第一下单率预测，获得第一预测中间结果，或者若第一阶段特征只包括x1、x2、x3、x4、x5和x7的特征，则选取由只包括x1、x2、x3、x4、x5和x7的特征对应的第一设备训练数据训练得到的第一目标预测模型，对第一阶段的目标用户进行第一下单率预测，获得第一预测中间结果，或者若第一阶段特征只包括x1、x2、x3、x4、x5、x6和 x7的特征等，则选取由只包括x1、x2、x3、x4、x5、x6和x7的特征对应的第一设备训练数据训练得到的第一目标预测模型，对第一阶段的目标用户进行第一下单率预测，获得第一预测中间结果。
具体地，假设所述第一阶段特征表示向量为(a，b)，其中，a表示用户的年龄为35岁，b表示用户的爱好为旅游等，进一步地，将所述第一阶段特征输入所述第一目标预测模型，对所述第一阶段特征表示向量进行分类，获得分类结果向量，并将所述分类结果向量作为所述第一预测中间结果。
需要说明的是，由于第一目标预测模型是已经训练好的，因而，能够准确对目标用户进行第一下单率预测，获得第一预测中间结果。在得到第一预测中间结果后，基于所述第一预测中间结果与所述第二设备进行纵向联邦预测，得到第一阶段的聚合结果。
所述获取所述第一阶段特征的第一目标预测模型的步骤，包括：
步骤A1，获取所述第一阶段特征的具有预设标签的第一设备训练数据，并获取所述第二设备在所述第一阶段的第二设备训练数据；
步骤A2，获取预设基础模型，基于所述具有预设标签的第一设备训练数据以及所述第二设备训练数据，对所述预设基础模型进行联邦迭代训练，直至达到预设终止训练条件，以得到所述第一目标预测模型。
在本实施例中，需要说明的是，所述第一设备与第二设备需要进行纵向联邦学习建模，以构建第一设备和第二设备共同持有的纵向联邦模型，其中，所述纵向联邦模型包括预设第一部分预测模型(可以为第一目标预测模型，还包括其他目标预测模型等)和预设第二部分纵向联邦模型，其中，所述预设第一部分预测模型为所述第一设备持有的部分所述纵向联邦模型，所述预设第二部分预测模型为所述第二设备持有的部分所述纵向联邦模型，所述第二设备的数量大于或者等于1，也即，所述纵向联邦学习建模可以为多方联邦学习建模，也可以为两方联邦学习建模，其中，若预设第一部分预测模型为第一目标预测模型，则构建第一设备和第二设备共同持有的纵向联邦模型的方式包括：获取所述第一阶段特征的具有预设标签的第一设备训练数据如只包括x1、x2、x3和x4特征对应的第一设备训练数据，并获取所述第二设备在所述第一阶段的第二设备训练数据(只包括a1、a2、a3和a4特征对应的第二设备训练数据)，获取预设基础模型，基于所述具有预设标签的第一设备 训练数据以及所述第二设备训练数据，对所述预设基础模型进行联邦迭代训练，直至达到预设终止训练条件如预设损失函数收敛，以得到所述第一目标预测模型。
所述基于所述第一预测中间结果与所述第二设备进行纵向联邦预测，得到第一阶段的聚合结果的步骤，包括：
步骤B1，接收第二设备确定的所述目标用户在所述第一阶段的第二设备行为数据的第二预测中间结果；
步骤B2，将所述第一预测中间结果以及所述第二预测中间结果进行聚合，得到第一阶段的聚合结果。
获取目标用户的第一阶段行为数据的第一预测中间结果后，接收第二设备确定的所述目标用户在所述第一阶段的第二设备行为数据的第二预测中间结果，将所述第一预测中间结果以及所述第二预测中间结果进行聚合，得到第一阶段的聚合结果，例如，假设纵向联邦模型为线性模型Y＝M 1X 1+M 2X 2+M 3X 3+M 4X 4+N 1a 1+N 2a 2+N 3a 3+N 4a 4，所述第一目标预测模型为Y 1＝M 1X 1+M 2X 2+M 3X 3+M 4X 4，所述预设第二部分预测模型为Y 2＝N 1a 1+N 2a 2+N 3a 3+N 4a 4，进而所述第一预测中间结果为Y 1，所述第二预测中间结果为Y 2，所述第一阶段的聚合结果为Y＝(Y 1+Y 2)/2，例如，假设所述第一预测中间结果为0.8，所述第二预测中间结果为0.9，则对第一预测中间结果和第二预测中间结果进行加权平均，获得第一阶段的聚合结果为0.85。
步骤S20，基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级，以确定第二阶段行为数据；
确定所述第一阶段的聚合结果的第一阶段交互资格等级，以确定第二阶段行为数据，例如，确定所述第一阶段的聚合结果对应的阈值区间，基于所述阈值区间确定目标用户的第一阶段交互资格等级，例如，第一阶段的聚合结果即下单率为0.3，这时，第一阶段的聚合结果对应的阈值区间为第一阈值区间，对应的第一反馈信息为普通问题及答案(预存的)，在获取第一反馈信息后，获取所述目标用户基于所述第一反馈信息确定的第二阶段行为数据，具体地，用户基于第一反馈信息产生了(普通问题及答案的点击或者是阅读)行为，则产生的(普通问题及答案的点击或者是阅读)行为与第一阶段行为数据构成了第二阶段行为数据。
步骤S30，基于所述第二阶段行为数据，与所述第二设备进行纵向联邦预测，获得所述目标用户的第二阶段的聚合结果，以获得目标用户的第二阶段交互资格等级，其中，所述第二阶段与第一阶段为时序连续的阶段。
在本实施例中，基于所述第二阶段行为数据，与所述第二设备进行纵向联邦预测，获得所述目标用户的第二阶段的聚合结果，以获得目标用户的第二阶段交互资格等级，其中，所述第二阶段与第一阶段为时序连续的阶段，其中，所述第二阶段与第一阶段为时序连续的阶段，由于所述第二阶段与第一阶段为时序连续的阶段，也即，基于在先一阶段的下单率(第一阶段的聚合结果)确定第一阶段的交互资格等级，进一步确定第一反馈信息(服务内容)，基于第一反馈信息确定在后一阶段的下单率(第二阶段的聚合结果)，即在本实施例中，可以根据预测的结果(在先一阶段的下单率)，确定第一阶段的交互资格等级，进而对服务内容进行分级，提供级别对应的服务内容或第一反馈数据(第一阶段交互资格等级确定的)，用户在服务服务内容中或第一反馈数据(第一阶段交互资格等级确定的)又产生行为，于是再进行下一阶段的预测，且每个阶段基于纵向联邦扩充了样本数据的丰富度，即本申请分阶段或者分级获取对应阶段的目标预测模预测用户行为，且每个阶段基于纵向联邦扩充了样本数据的丰富度，提高了下单率的预测准确性。
在本实施例中，具体地，获取所述第二阶段特征的第二目标预测模型(通过只包括x1、x2、x3、x4和x5特征(第二阶段特征)的第一设备训练数据训练得到的)，并基于所述第二目标预测模型，对第二阶段的目标用户进行第二下单率预测，获得第二阶段的聚合结果。
基于第二阶段的聚合结果，得到第二阶段交互资格等级，基于所述第二阶段交互资格等级，确定第二交互文件，基于所述第二交互文件确定第二阶段的交互方式(如是机器交互方式还是人工交互方式)以及第二反馈数据(第二反馈信息或者服务内容)，以供目标用户基于所述第二阶段的交互方式以及第二反馈数据进行下一阶段的行为操作，如以供目标用户基于所述第二阶段的交互方式以及第二反馈数据进行第三阶段的行为操作。
本申请通过获取目标用户的第一阶段行为数据的第一预测中间结果，基于所述第一预测中间结果与所述第二设备进行纵向联邦预测，得到第一阶段的聚合结果；基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段 交互资格等级，以确定第二阶段行为数据；基于所述第二阶段行为数据，与所述第二设备进行纵向联邦预测，获得所述目标用户的第二阶段的聚合结果，以获得目标用户的第二阶段交互资格等级，其中，所述第二阶段与第一阶段为时序连续的阶段。与现有技术通过特定维度分布行为数据确定的下单率预测结果，确定用户的交互资格等级相比，本申请能够实现通过分阶段或者分级获取对应阶段的用户下单率预测结果，进而得到目标用户的交互资格等级，且在本申请中，通过与其他设备纵向联邦，拓宽了数据的丰富度，因而基于更丰富的行为数据，对下单率进行预测，因而提升了下单率预测结果的预测准确率，进而提升目标用户交互资格等级的确定准确率，克服了现有技术中目标用户交互资格等级确定准确率低的技术缺陷。
进一步地，基于本申请中第一实施例，提供本申请的另一实施例，在该实施例中，参照图2，所述确定所述第一阶段交互资格等级确定结果的第一阶段交互资格等级的步骤，包括：
步骤S21，基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级；
步骤S22，基于所述第一阶段交互资格等级确定第一交互文件；
步骤S23，解析所述第一交互文件，确定第二阶段行为数据。
基于第一阶段的聚合结果的数值大小(下单率大小)如0.3，确定对应的阈值区间，以确定第一阶段目标用户的第一阶段交互资格等级，具体地，若在交互资格等级确定系统中对下单率(第一阶段的聚合结果)分为三个阈值区间，其中，第一阈值区间为(0，0.33)，第二阈值区间为(0.33-0.66)，第三阈值区间为(0.66-1)，则所述第一阶段的聚合结果(下单率)的第一阶段交互资格等级为第一级别。
确定所述第一阶段交互资格等级的第一交互文件，解析所述第一交互文件，得到该第一交互文件包括交互的方式以及第一反馈信息的内容，进而目标用户基于第一反馈信息的内容确定得到第二阶段行为数据。
具体地，例如，交互文件可以为：预设普通营销文章，纯机器交互方式，在交互后输出或反馈普通问题及答案；
或者交互文件可以为：预设机器精选文章，先机器后人工交互方式，在 交互后输出或反馈热门问题及答案；
或者交互文件可以为：预设人工精选文章，纯人工交互方式，在交互后输出或反馈人工精选问题以及答案等。
在得到第一交互文件(第一反馈数据)后，用户基于第一交互文件(第一反馈数据)产生进一步的行为，基于该进一步的行为以及第一阶段行为数据，得到第二阶段行为数据。
所述解析所述第一交互文件，确定第二阶段行为数据的步骤，包括：
步骤C1，确定所述目标用户的渠道类型；
步骤C2，解析所述第一交互文件，基于所述渠道类型以及解析的所述第一交互文件确定第二阶段行为数据。
确定所述第一阶段交互资格等级的第一交互文件，在确定第一交互文件后，确定所述目标用户的渠道类型，如是通过微信还是通过APP，或者是通过电话，短信等，基于所述渠道类型以及所述第一交互文件确定的第一反馈数据，确定的第二阶段行为数据。
在本实施例中，还通过所述渠道类型以及所述第一交互文件确定第一反馈数据，确定第二阶段行为数据，因而，避免因尝试多渠道输出第一反馈数据所造成的资源消耗。
在本实施例中，通过基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级；基于所述第一阶段交互资格等级确定第一交互文件；解析所述第一交互文件，确定第二阶段行为数据。在本实施例中，实现基于第一阶段交互资格等级准确确定第二阶段行为数。
在本申请交互资格等级确定方法的另一实施例中，所述基于所述第二阶段行为数据，与所述第二设备进行纵向联邦预测，获得所述目标用户的第二阶段的聚合结果，将所述聚合结果作为所述第二阶段的下单率的步骤之后，包括：
步骤S40，若检测到目标用户在多个时序连续阶段的下单率预测结果都大于预设值，则对所述目标用户进行预设特殊标识处理；
步骤S50，对所述进行预设特殊标识处理后的目标用户执行预设针对性推荐流程。
在本实施例中，若检测到目标用户在多个时序连续阶段的下单率预测结果都大于预设值，则表明所述目标用户为需要重点推荐的用户，因而对所述目标用户进行预设特殊标识处理。
对所述进行预设特殊标识处理后的目标用户执行预设针对性推荐流程，该预设针对性推荐流程可以包括：对预设特殊标识处理后的目标用户进行定点推送，或者对预设特殊标识处理后的目标用户进行电话推送，为避免引起用户反感，若在定点推送或者电话推送预设次数后，未接收到用户反馈时，在预设时间段内不再进行推送。
本实施例通过若检测到目标用户在多个时序连续阶段的下单率预测结果都大于预设值，则对所述目标用户进行预设特殊标识处理；对所述进行预设特殊标识处理后的目标用户执行预设针对性推荐流程。在本实施例中，针对预设特殊标识处理的用户进行针对性的服务，提升用户体验。
进一步地，基于本申请上述实施例，提供本申请另一实施例，在该实施例中，所述基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级，以确定第二阶段行为数据的步骤，包括：
步骤a1，基于所述第一阶段的聚合结果确定第一阶段目标用户的第一阶段交互资格等级；
步骤a2，获取所述第一阶段交互资格等级的渠道类型；
步骤a3，若所述渠道类型是公众号渠道时，基于所述第一层级以及所述公众号渠道确定向所述目标用户输出预设精选文章；
步骤a4，获取所述目标用户基于所述预设精选文章确定的第二阶段行为数据。
具体地，例如，第一阶段的聚合结果即下单率为0.3，这时，获取所述目标用户的渠道类型，若渠道类型为公众号渠道，对应的第一反馈信息为向所述目标用户输出预设精选文章，在获取向所述目标用户输出预设精选文章后，获取所述目标用户基于所述预设精选文章确定的第二阶段行为数据，具体地，用户基于预设精选文章产生了(点击阅览，阅览半个小时)行为，则产生的(点击阅览，阅览半个小时)行为与第一阶段行为数据构成了第二阶段行为数据，进而基于第二阶段行为数据确定第二反馈信息等。在本实施例中，准 确确定第二阶段行为数据。
参照图3，图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示，该交互资格等级确定设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
在一实施例中，该交互资格等级确定设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图3中示出的交互资格等级确定设备结构并不构成对交互资格等级确定设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图3所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块以及交互资格等级确定程序。操作系统是管理和控制交互资格等级确定设备硬件和软件资源的程序，支持交互资格等级确定程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与交互资格等级确定系统中其它硬件和软件之间通信。
在图3所示的交互资格等级确定设备中，处理器1001用于执行存储器1005中存储的交互资格等级确定程序，实现上述任一项所述的交互资格等级确定方法的步骤。
本申请交互资格等级确定设备具体实施方式与上述交互资格等级确定方法各实施例基本相同，在此不再赘述。
本申请还提供一种交互资格等级确定装置，所述交互资格等级确定装置包括：
第一获取模块，用于获取目标用户的第一阶段行为数据的第一预测中间结果，基于所述第一预测中间结果与所述第二设备进行纵向联邦预测，得到第一阶段的聚合结果；
确定模块，用于基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级，以确定第二阶段行为数据；
第二获取模块，用于基于所述第二阶段行为数据，与所述第二设备进行纵向联邦预测，获得所述目标用户的第二阶段的聚合结果，以获得目标用户的第二阶段交互资格等级，其中，所述第二阶段与第一阶段为时序连续的阶段。
在一实施例中，所述第一获取模块包括：
第一获取单元，用于获取目标用户的第一阶段行为数据，确定所述第一阶段行为数据的第一阶段特征；
第二获取单元，用于获取所述第一阶段特征的第一目标预测模型，并基于所述第一目标预测模型，对目标用户进行第一下单率预测，获得第一预测中间结果。
在一实施例中，所述第二获取单元包括：
第一获取子单元，用于获取所述第一阶段特征的具有预设标签的第一设备训练数据，并获取所述第二设备在所述第一阶段的第二设备训练数据；
第二获取子单元，用于获取预设基础模型，基于所述具有预设标签的第一设备训练数据以及所述第二设备训练数据，对所述预设基础模型进行联邦迭代训练，直至达到预设终止训练条件，以得到所述第一目标预测模型。
在一实施例中，所述第一获取模块包括：
接收单元，用于接收第二设备确定的所述目标用户在所述第一阶段的第二设备行为数据的第二预测中间结果；
聚合单元，用于将所述第一预测中间结果以及所述第二预测中间结果进行聚合，得到第一阶段的聚合结果。
在一实施例中，所述确定模块包括：
第三获取单元，用于获取基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级；
第一确定单元，用于基于所述第一阶段交互资格等级确定第一交互文件；
第二确定单元，用于解析所述第一交互文件，确定第二阶段行为数据。
在一实施例中，所述第二确定单元包括：
第一确定子单元，用于确定所述目标用户的渠道类型；
第二确定子单元，用于解析所述第一交互文件，基于所述渠道类型以及解析的所述第一交互文件确定第二阶段行为数据。
在一实施例中，所述交互资格等级确定装置还包括：
检测模块，用于若检测到目标用户在多个时序连续阶段的下单率预测结果都大于预设值，则对所述目标用户进行预设特殊标识处理；
执行模块，用于对所述进行预设特殊标识处理后的目标用户执行预设针对性推荐流程。
在一实施例中，所述确定模块包括：
第三确定单元，用于基于所述第一阶段的聚合结果确定第一阶段目标用户的第一阶段交互资格等级；
第四获取单元，用于获取所述第一阶段交互资格等级的渠道类型；
第四确定单元，用于若所述渠道类型是公众号渠道时，基于所述第一层级以及所述公众号渠道确定向所述目标用户输出预设精选文章；
第五获取单元，用于获取所述目标用户基于所述预设精选文章确定的第二阶段行为数据。
本申请交互资格等级确定装置的具体实施方式与上述交互资格等级确定方法各实施例基本相同，在此不再赘述。
本申请实施例提供了一种存储介质，且所述存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的交互资格等级确定方法的步骤。
本申请存储介质具体实施方式与上述交互资格等级确定方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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，本发明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)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (20)

  1. 一种交互资格等级确定方法，其中，所述交互资格等级确定方法包括：
    获取目标用户的第一阶段行为数据的第一预测中间结果，基于所述第一预测中间结果与所述第二设备进行纵向联邦预测，得到第一阶段的聚合结果；
    基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级，以确定第二阶段行为数据；
    基于所述第二阶段行为数据，与所述第二设备进行纵向联邦预测，获得所述目标用户的第二阶段的聚合结果，以获得目标用户的第二阶段交互资格等级，其中，所述第二阶段与第一阶段为时序连续的阶段。
  2. 如权利要求1所述的交互资格等级确定方法，其中，所述获取目标用户的第一阶段行为数据的第一预测中间结果的步骤，包括：
    获取目标用户的第一阶段行为数据，确定所述第一阶段行为数据的第一阶段特征；
    获取所述第一阶段特征的第一目标预测模型，并基于所述第一目标预测模型，对目标用户进行第一下单率预测，获得第一预测中间结果。
  3. 如权利要求2所述的交互资格等级确定方法，其中，所述获取所述第一阶段特征的第一目标预测模型的步骤，包括：
    获取所述第一阶段特征的具有预设标签的第一设备训练数据，并获取所述第二设备在所述第一阶段的第二设备训练数据；
    获取预设基础模型，基于所述具有预设标签的第一设备训练数据以及所述第二设备训练数据，对所述预设基础模型进行联邦迭代训练，直至达到预设终止训练条件，以得到所述第一目标预测模型。
  4. 如权利要求1所述的交互资格等级确定方法，其中，所述基于所述第一预测中间结果与所述第二设备进行纵向联邦预测，得到第一阶段的聚合结果的步骤，包括：
    接收第二设备确定的所述目标用户在所述第一阶段的第二设备行为数据的第二预测中间结果；
    将所述第一预测中间结果以及所述第二预测中间结果进行聚合，得到第一阶段的聚合结果。
  5. 如权利要求1所述的交互资格等级确定方法，其中，所述基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级，以确定第二阶段行为数据的步骤，包括：
    基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级；
    基于所述第一阶段交互资格等级确定第一交互文件；
    解析所述第一交互文件，确定第二阶段行为数据。
  6. 如权利要求5所述的交互资格等级确定方法，其中，所述解析所述第一交互文件，确定第二阶段行为数据的步骤，包括：
    确定所述目标用户的渠道类型；
    解析所述第一交互文件，基于所述渠道类型以及解析的所述第一交互文件确定第二阶段行为数据。
  7. 如权利要求1-6任一项所述的交互资格等级确定方法，其中，所述基于所述第二阶段行为数据，与所述第二设备进行纵向联邦预测，获得所述目标用户的第二阶段的聚合结果，以获得目标用户的第二阶段交互资格等级的步骤之后，包括：
    若检测到目标用户在多个时序连续阶段的下单率预测结果都大于预设值，则对所述目标用户进行预设特殊标识处理；
    对所述进行预设特殊标识处理后的目标用户执行预设针对性推荐流程。
  8. 如权利要求1所述的交互资格等级确定方法，其中，所述基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级，以确定第二阶段行为数据的步骤，包括：
    基于所述第一阶段的聚合结果确定第一阶段目标用户的第一阶段交互资格等级；
    获取所述第一阶段交互资格等级的渠道类型；
    若所述渠道类型是公众号渠道时，基于所述第一层级以及所述公众号渠道确定向所述目标用户输出预设精选文章；
    获取所述目标用户基于所述预设精选文章确定的第二阶段行为数据。
  9. 一种交互资格等级确定装置，其中，所述交互资格等级确定装置包括：
    第一获取模块，用于获取目标用户的第一阶段行为数据的第一预测中间 结果，基于所述第一预测中间结果与所述第二设备进行纵向联邦预测，得到第一阶段的聚合结果；
    确定模块，用于基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级，以确定第二阶段行为数据；
    第二获取模块，用于基于所述第二阶段行为数据，与所述第二设备进行纵向联邦预测，获得所述目标用户的第二阶段的聚合结果，以获得目标用户的第二阶段交互资格等级，其中，所述第二阶段与第一阶段为时序连续的阶段。
  10. 一种交互资格等级确定设备，其中，所述交互资格等级确定设备包括：存储器、处理器以及存储在存储器上的用于实现所述交互资格等级确定方法的程序，
    所述存储器用于存储实现交互资格等级确定方法的程序；
    所述处理器用于执行实现所述交互资格等级确定方法的程序，以实现如下步骤：
    获取目标用户的第一阶段行为数据的第一预测中间结果，基于所述第一预测中间结果与所述第二设备进行纵向联邦预测，得到第一阶段的聚合结果；
    基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级，以确定第二阶段行为数据；
    基于所述第二阶段行为数据，与所述第二设备进行纵向联邦预测，获得所述目标用户的第二阶段的聚合结果，以获得目标用户的第二阶段交互资格等级，其中，所述第二阶段与第一阶段为时序连续的阶段。
  11. 如权利要求10所述的交互资格等级确定设备，其中，所述获取目标用户的第一阶段行为数据的第一预测中间结果的步骤，包括：
    获取目标用户的第一阶段行为数据，确定所述第一阶段行为数据的第一阶段特征；
    获取所述第一阶段特征的第一目标预测模型，并基于所述第一目标预测模型，对目标用户进行第一下单率预测，获得第一预测中间结果。
  12. 如权利要求11所述的交互资格等级确定设备，其中，所述获取所述第一阶段特征的第一目标预测模型的步骤，包括：
    获取所述第一阶段特征的具有预设标签的第一设备训练数据，并获取所 述第二设备在所述第一阶段的第二设备训练数据；
    获取预设基础模型，基于所述具有预设标签的第一设备训练数据以及所述第二设备训练数据，对所述预设基础模型进行联邦迭代训练，直至达到预设终止训练条件，以得到所述第一目标预测模型。
  13. 如权利要求10所述的交互资格等级确定设备，其中，所述基于所述第一预测中间结果与所述第二设备进行纵向联邦预测，得到第一阶段的聚合结果的步骤，包括：
    接收第二设备确定的所述目标用户在所述第一阶段的第二设备行为数据的第二预测中间结果；
    将所述第一预测中间结果以及所述第二预测中间结果进行聚合，得到第一阶段的聚合结果。
  14. 如权利要求10所述的交互资格等级确定设备，其中，所述基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级，以确定第二阶段行为数据的步骤，包括：
    基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级；
    基于所述第一阶段交互资格等级确定第一交互文件；
    解析所述第一交互文件，确定第二阶段行为数据。
  15. 如权利要求14所述的交互资格等级确定设备，其中，所述解析所述第一交互文件，确定第二阶段行为数据的步骤，包括：
    确定所述目标用户的渠道类型；
    解析所述第一交互文件，基于所述渠道类型以及解析的所述第一交互文件确定第二阶段行为数据。
  16. 一种存储介质，其中，所述存储介质上存储有实现交互资格等级确定方法的程序，所述实现交互资格等级确定方法的程序被处理器执行以实现如下步骤：
    获取目标用户的第一阶段行为数据的第一预测中间结果，基于所述第一预测中间结果与所述第二设备进行纵向联邦预测，得到第一阶段的聚合结果；
    基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级，以确定第二阶段行为数据；
    基于所述第二阶段行为数据，与所述第二设备进行纵向联邦预测，获得所述目标用户的第二阶段的聚合结果，以获得目标用户的第二阶段交互资格等级，其中，所述第二阶段与第一阶段为时序连续的阶段。
  17. 如权利要求16所述的存储介质，其中，所述获取目标用户的第一阶段行为数据的第一预测中间结果的步骤，包括：
    获取目标用户的第一阶段行为数据，确定所述第一阶段行为数据的第一阶段特征；
    获取所述第一阶段特征的第一目标预测模型，并基于所述第一目标预测模型，对目标用户进行第一下单率预测，获得第一预测中间结果。
  18. 如权利要求17所述的存储介质，其中，所述获取所述第一阶段特征的第一目标预测模型的步骤，包括：
    获取所述第一阶段特征的具有预设标签的第一设备训练数据，并获取所述第二设备在所述第一阶段的第二设备训练数据；
    获取预设基础模型，基于所述具有预设标签的第一设备训练数据以及所述第二设备训练数据，对所述预设基础模型进行联邦迭代训练，直至达到预设终止训练条件，以得到所述第一目标预测模型。
  19. 如权利要求16所述的存储介质，其中，所述基于所述第一预测中间结果与所述第二设备进行纵向联邦预测，得到第一阶段的聚合结果的步骤，包括：
    接收第二设备确定的所述目标用户在所述第一阶段的第二设备行为数据的第二预测中间结果；
    将所述第一预测中间结果以及所述第二预测中间结果进行聚合，得到第一阶段的聚合结果。
  20. 如权利要求16所述的存储介质，其中，所述基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级，以确定第二阶段行为数据的步骤，包括：
    基于所述第一阶段的聚合结果，确定所述目标用户的第一阶段交互资格等级；
    基于所述第一阶段交互资格等级确定第一交互文件；
    解析所述第一交互文件，确定第二阶段行为数据。
PCT/CN2021/093404 2020-06-30 2021-05-12 交互资格等级确定方法、装置、设备及存储介质 WO2022001397A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010618079.XA CN111768241A (zh) 2020-06-30 2020-06-30 交互资格等级确定方法、装置、设备及存储介质
CN202010618079.X 2020-06-30

Publications (1)

Publication Number Publication Date
WO2022001397A1 true WO2022001397A1 (zh) 2022-01-06

Family

ID=72723168

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/093404 WO2022001397A1 (zh) 2020-06-30 2021-05-12 交互资格等级确定方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN111768241A (zh)
WO (1) WO2022001397A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768241A (zh) * 2020-06-30 2020-10-13 深圳前海微众银行股份有限公司 交互资格等级确定方法、装置、设备及存储介质
CN113723652A (zh) * 2020-12-29 2021-11-30 京东城市(北京)数字科技有限公司 业务数据处理方法、装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665355A (zh) * 2018-05-18 2018-10-16 深圳壹账通智能科技有限公司 金融产品推荐方法、装置、设备和计算机存储介质
CN109711997A (zh) * 2018-08-20 2019-05-03 平安普惠企业管理有限公司 保险业务推送方法、装置、设备及可读存储介质
CN110288392A (zh) * 2019-06-18 2019-09-27 武汉久客网络科技有限公司 基于rfm数据的营销方法、设备及计算机可读存储介质
CN111159534A (zh) * 2019-12-03 2020-05-15 泰康保险集团股份有限公司 基于用户画像的辅助决策方法及装置、设备和介质
CN111340558A (zh) * 2020-02-28 2020-06-26 深圳前海微众银行股份有限公司 基于联邦学习的线上信息处理方法、装置、设备及介质
CN111768241A (zh) * 2020-06-30 2020-10-13 深圳前海微众银行股份有限公司 交互资格等级确定方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665355A (zh) * 2018-05-18 2018-10-16 深圳壹账通智能科技有限公司 金融产品推荐方法、装置、设备和计算机存储介质
CN109711997A (zh) * 2018-08-20 2019-05-03 平安普惠企业管理有限公司 保险业务推送方法、装置、设备及可读存储介质
CN110288392A (zh) * 2019-06-18 2019-09-27 武汉久客网络科技有限公司 基于rfm数据的营销方法、设备及计算机可读存储介质
CN111159534A (zh) * 2019-12-03 2020-05-15 泰康保险集团股份有限公司 基于用户画像的辅助决策方法及装置、设备和介质
CN111340558A (zh) * 2020-02-28 2020-06-26 深圳前海微众银行股份有限公司 基于联邦学习的线上信息处理方法、装置、设备及介质
CN111768241A (zh) * 2020-06-30 2020-10-13 深圳前海微众银行股份有限公司 交互资格等级确定方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN111768241A (zh) 2020-10-13

Similar Documents

Publication Publication Date Title
US11531867B2 (en) User behavior prediction method and apparatus, and behavior prediction model training method and apparatus
Nguyen et al. An integrated model of voice-user interface continuance intention: the gender effect
US9247061B2 (en) Answer based agent routing and display method
Baraković et al. Survey of research on Quality of Experience modelling for web browsing
EP3185198A1 (en) Predictive customer service environment
WO2022001397A1 (zh) 交互资格等级确定方法、装置、设备及存储介质
CN108932646B (zh) 基于运营商的用户标签验证方法、装置和电子设备
US10423651B2 (en) Analysis of mobile application reviews based on content, reviewer credibility, and temporal and geographic clustering
US20160034705A1 (en) Stochastic privacy
CN108491188A (zh) 语音对话产品的开发资源的管理方法及装置
US20240005165A1 (en) Machine learning model training method, prediction method therefor, apparatus, device, computer-readable storage medium, and computer program product
CN113971243A (zh) 应用于问卷调查的数据处理方法、系统、设备及存储介质
CN113610582A (zh) 广告推荐方法、装置、存储介质及电子设备
CN113592535A (zh) 一种广告推荐方法、装置、电子设备和存储介质
CN114297476A (zh) 基于用户标签的问卷调查方法、系统、电子设备及存储介质
CN110008318A (zh) 问题派发方法及装置
CN110796543B (zh) 基于关系网络的定制信息获取方法、装置及电子设备
CN112836128A (zh) 信息推荐方法、装置、设备和存储介质
Naseem et al. An empirical comparison of technologically mediated advertising in under-connected populations
US11449527B2 (en) Automated inquiry response systems
CN111339770B (zh) 用于输出信息的方法和装置
CN111143740B (zh) 信息处理方法、装置及电子设备
CN114139052A (zh) 用于智能推荐的排序模型训练方法、智能推荐方法及装置
CN115374254A (zh) 用于生成服务评价信息的方法、装置、服务器和介质
CN112418442A (zh) 联邦迁移学习的数据处理方法、装置、设备及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21832314

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21832314

Country of ref document: EP

Kind code of ref document: A1