产品购买预测方法、服务器及存储介质技术

本发明专利技术公开了一种产品购买预测方法、服务器及存储介质，该方法包括：接收带有身份标识信息和目标产品类型的分析请求；提取出目标用户的购买数据及其他用户的目标产品购买数据；根据购买时间点，生成对应的购买时间序列；根据产品类型与第一分析模型的映射关系，将目标用户的购买时间序列输入到第一分析模型生成第一购买预测值；将其他用户的购买时间序列均值处理后输入第一分析模型生成第二购买预测值；根据产品类型与第二分析模型的映射关系，将目标产品的第一购买预测值、第二购买预测值及除目标产品类型外的其它产品类型的第一购买预测值输入对应的第二分析模型生成目标产品的最终购买预测值，从而提高用户购买倾向预测的准确性。

Product purchase prediction method, server and storage medium

The invention discloses a product purchase prediction method, a server and a storage medium. The method comprises: receiving an analysis request with identification information and a target product type; extracting the purchase data of the target user and the target product purchase data of other users; and generating the corresponding purchase time according to the purchase time point. According to the mapping relationship between the product type and the first analysis model, the target user's purchase time series is input into the first analysis model to generate the first purchase forecast value; the other user's purchase time series are processed and input into the first analysis model to generate the second purchase forecast value; and the second purchase forecast value is generated according to the product type and the second analysis. The mapping relation of the model inputs the first purchase forecast value of the target product, the second purchase forecast value and the first purchase forecast value of other product types except the target product type into the corresponding second analysis model to generate the final purchase forecast value of the target product, thus improving the accuracy of the user purchase intention prediction.

【技术实现步骤摘要】
产品购买预测方法、服务器及存储介质
本专利技术涉及产品购买预测领域，尤其涉及一种产品购买预测方法、服务器及计算机可读存储介质。
技术介绍
在金融业务中，需要提前预测用户对小额保险、股票、基金等金融产品的购买倾向，有利于金融产品营销方提前做好营销和服务。现有的倾向性分析预测方法通常是利用横截面数据对用户购买倾向进行分析，该方法只能一次性的预测出用户的购买倾向，无法预测用户的连续购买倾向和用户具体购买时的点倾向。
技术实现思路
鉴于以上内容，本专利技术提供一种产品购买预测方法、服务器及计算机可读存储介质，其主要目的在于预测用户的连续购买倾向，提高金融产品购买预测的准确性。为实现上述目的，本专利技术提供一种产品购买预测方法，该方法包括：接收步骤：接收带有目标用户身份标识信息和目标产品类型的分析请求；提取步骤：从多个预先确定的业务服务器中分别提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据；生成步骤：根据提取出的购买数据的购买时间点，生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数，Y代表间隔相同天数的连续购买行为的发生次数；第一预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该目标用户购买的各种产品对应的第一分析模型，将各种产品对应的购买时间序列分别输入到对应的第一分析模型中，生成各种产品对应的第一购买预测值；均值处理步骤：将所述预设数量用户的目标产品的购买时间序列进行均值处理，生成所述预设数量用户的该目标产品对应的平均购买时间序列；第二预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该预设数量用户购买的该目标产品对应的第一分析模型，将所述平均购买时间序列输入到对应的第一分析模型中，生成该目标产品的第二购买预测值；最终预测步骤：根据产品类型与预先训练的第二分析模型的映射关系，确定该目标用户购买的该目标产品对应的第二分析模型，将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中，生成该目标产品的最终购买预测值。优选地，所述第一分析模型为长短期记忆网络模型，针对一种产品对应的第一分析模型包括以下训练步骤：S11、从多个预先确定的业务服务器中提取出预设数量用户对应的某种产品类型的购买数据，根据该购买数据中对应的购买时间点，分别为各个用户生成该种产品对应的购买时间序列；S12、将该种产品对应的购买时间序列分成第一比例的训练集和第二比例的验证集，其中，第一比例大于第二比例；S13、利用训练集中的购买时间序列对所述第一分析模型进行训练，并在训练完后利用验证集中的购买时间序列对所述第一分析模型的准确率进行验证；S14、若准确率大于预设阈值，则训练完成，若准确率小于或等于预设阈值，则通过增加S11中用户的数量，增加购买时间序列的数量，之后执行步骤S12。优选地，所述均值处理步骤还包括：将预设数量用户购买的该目标产品的购买时间序列中连续购买行为的发生次数取平均值，得到所有用户针对该目标产品的各种预设时间间隔的连续购买行为的平均发生次数，该目标产品的各种预设时间间隔及其对应的连续购买行为的平均发生次数构成该目标产品对应的平均购买时间序列。优选地，所述第二分析模型为格兰杰模型，针对一种产品对应的第二分析模型包括以下训练步骤：S21、从多个预先确定的业务服务器中提取出预设数量用户对应的各种产品类型的购买数据，根据该购买数据中对应的购买时间点，分别为各个用户生成各种产品对应的购买时间序列；S22、从所述预设数量用户中逐一进行用户选择直到所有用户选择完毕，在选择一个用户后，根据产品类型与预先训练的第一分析模型的映射关系，确定该用户购买的各种产品对应的第一分析模型，将该用户购买的各种产品对应的购买时间序列分别输入到对应的第一分析模型中，生成各种产品对应的第一购买预测值，分别将所述预设数量用户的每一种产品的购买时间序列进行均值处理，生成所述预设数量用户的各种产品对应的平均购买时间序列，并将各种产品对应的平均购买时间序列输入到对应的第一分析模型中，生成各种产品对应的第二购买预测值，将所述选择的用户针对每一种产品第一购买预测值、除该种产品外的其它产品类型对应的第一购买预测值和该种产品对应的第二购买预测值作为该用户该种产品的样本数据；S23、将样本数据分成第一比例的训练集和第二比例的验证集，其中，第一比例大于第二比例；S24、利用训练集中各个样本数据对所述第二分析模型进行训练，并在训练完成后利用验证集中各个样本数据对训练的所述第二分析模型的准确率进行验证；S25、若准确率大于预设阈值，则训练完成，若准确率小于或等于预设阈值，则通过增加S21中用户的数量，增加样本数据的数量，之后执行步骤S22。可选地，本专利技术还提供另一种产品购买预测方法，该方法包括：接收步骤：实时从多个预先确定的业务服务器中接收所有用户对应的各种产品类型的购买数据；提取步骤：收到带有目标用户身份标识信息和目标产品类型的分析请求后，提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据；生成步骤：根据提取出的购买数据的购买时间点，生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数，Y代表间隔相同天数的连续购买行为的发生次数；第一预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该目标用户购买的各种产品对应的第一分析模型，将各种产品对应的购买时间序列分别输入到对应的第一分析模型中，生成各种产品对应的第一购买预测值；均值处理步骤：将所述预设数量用户的目标产品的购买时间序列进行均值处理，生成所述预设数量用户的该目标产品对应的平均购买时间序列；第二预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该预设数量用户购买的该目标产品对应的第一分析模型，将所述平均购买时间序列输入到对应的第一分析模型中，生成该目标产品的第二购买预测值；最终预测步骤：根据产品类型与预先训练的第二分析模型的映射关系，确定该目标用户购买的该目标产品对应的第二分析模型，将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中，生成该目标产品的最终购买预测值。此外，本专利技术还提供一种服务器，该服务器包括：存储器、处理器及显示器，所述存储器上存储产品购买预测程序，所述产品购买预测程序被所述处理器执行，可实现如下步骤：接收步骤：接收带有目标用户身份标识信息和目标产品类型的分析请求；提取步骤：从多个预先确定的业务服务器中分别提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据；生成步骤：根据提取出的购买数据的购买时间点，生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数，Y代表间隔相同天数的连续购买行为的发生次数；第一预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该目标用户购买的各种产品对应的第一分析模型，将各种产品对应的购买时间序列分别输入到对应的第一分析模型中，生成各种产品本文档来自技高网...

【技术保护点】
1.一种产品购买预测方法，应用于服务器，其特征在于，所述方法包括：接收步骤：接收带有目标用户身份标识信息和目标产品类型的分析请求；提取步骤：从多个预先确定的业务服务器中分别提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据；生成步骤：根据提取出的购买数据的购买时间点，生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数，Y代表间隔相同天数的连续购买行为的发生次数；第一预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该目标用户购买的各种产品对应的第一分析模型，将各种产品对应的购买时间序列分别输入到对应的第一分析模型中，生成各种产品对应的第一购买预测值；均值处理步骤：将所述预设数量用户的目标产品的购买时间序列进行均值处理，生成所述预设数量用户的该目标产品对应的平均购买时间序列；第二预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该预设数量用户购买的该目标产品对应的第一分析模型，将所述平均购买时间序列输入到对应的第一分析模型中，生成该目标产品的第二购买预测值；最终预测步骤：根据产品类型与预先训练的第二分析模型的映射关系，确定该目标用户购买的该目标产品对应的第二分析模型，将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中，生成该目标产品的最终购买预测值。...

【技术特征摘要】
1.一种产品购买预测方法，应用于服务器，其特征在于，所述方法包括：接收步骤：接收带有目标用户身份标识信息和目标产品类型的分析请求；提取步骤：从多个预先确定的业务服务器中分别提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据；生成步骤：根据提取出的购买数据的购买时间点，生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数，Y代表间隔相同天数的连续购买行为的发生次数；第一预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该目标用户购买的各种产品对应的第一分析模型，将各种产品对应的购买时间序列分别输入到对应的第一分析模型中，生成各种产品对应的第一购买预测值；均值处理步骤：将所述预设数量用户的目标产品的购买时间序列进行均值处理，生成所述预设数量用户的该目标产品对应的平均购买时间序列；第二预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该预设数量用户购买的该目标产品对应的第一分析模型，将所述平均购买时间序列输入到对应的第一分析模型中，生成该目标产品的第二购买预测值；最终预测步骤：根据产品类型与预先训练的第二分析模型的映射关系，确定该目标用户购买的该目标产品对应的第二分析模型，将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中，生成该目标产品的最终购买预测值。2.根据权利要求1所述的产品购买预测方法，其特征在于，所述第一分析模型为长短期记忆网络模型，针对一种产品对应的第一分析模型包括以下训练步骤：S11、从多个预先确定的业务服务器中提取出预设数量用户对应的某种产品类型的购买数据，根据该购买数据中对应的购买时间点，分别为各个用户生成该种产品对应的购买时间序列；S12、将该种产品对应的购买时间序列分成第一比例的训练集和第二比例的验证集，其中，第一比例大于第二比例；S13、利用训练集中的购买时间序列对所述第一分析模型进行训练，并在训练完后利用验证集中的购买时间序列对所述第一分析模型的准确率进行验证；S14、若准确率大于预设阈值，则训练完成，若准确率小于或等于预设阈值，则通过增加S11中用户的数量，增加购买时间序列的数量，之后执行步骤S12。3.根据权利要求1所述的产品购买预测方法，其特征在于，所述均值处理步骤还包括：将预设数量用户购买的该目标产品的购买时间序列中连续购买行为的发生次数取平均值，得到所有用户针对该目标产品的各种预设时间间隔的连续购买行为的平均发生次数，该目标产品的各种预设时间间隔及其对应的连续购买行为的平均发生次数构成该目标产品对应的平均购买时间序列。4.根据权利要求1所述的产品购买预测方法，其特征在于，所述第二分析模型为格兰杰模型，针对一种产品对应的第二分析模型包括以下训练步骤：S21、从多个预先确定的业务服务器中提取出预设数量用户对应的各种产品类型的购买数据，根据该购买数据中对应的购买时间点，分别为各个用户生成各种产品对应的购买时间序列；S22、从所述预设数量用户中逐一进行用户选择直到所有用户选择完毕，在选择一个用户后，根据产品类型与预先训练的第一分析模型的映射关系，确定该用户购买的各种产品对应的第一分析模型，将该用户购买的各种产品对应的购买时间序列分别输入到对应的第一分析模型中，生成各种产品对应的第一购买预测值，分别将所述预设数量用户的每一种产品的购买时间序列进行均值处理，生成所述预设数量用户的各种产品对应的平均购买时间序列，并将各种产品对应的平均购买时间序列输入到对应的第一分析模型中，生成各种产品对应的第二购买预测值，将所述选择的用户针对每一种产品第一购买预测值、除该种产品外的其它产品类型对应的第一购买预测值和该种产品对应的第二购买预测值作为该用户该种产品的样本数据；S23、将样本数据分成第一比例的训练集和第二比例的验证集，其中，第一比例大于第二比例；S24、利用训练集中各个样本数据对所述第二分析模型进行训练，并在训练完成后利用验证集中各个样本数据对训练的所述第二分析模型的准确率进行验证；S25、若准确率大于预设阈值，则训练完成，若准确率小于或等于预设阈值，则通过增加S21中用户的数量，增加样本数据的数量，之后执行步骤S22。5.一种产品购买预测方法，其特征在于，所述方法包括：接收步骤：实时从多个预先确定的业务服务器中接收所有用户对应的各种产品类型的购买数据；提取步骤：收到带有目标用户身份标识信息和目标产品类型的分析请求后，提取出与该目标用户身份标识信息对应的各种产品类型的购买数据及预设数量用户有关该目标产品类型的购买数据；生成步骤：根据提取出的购买数据的购买时间点，生成对应的购买时间序列(X,Y),其中X代表间隔相同天数的连续购买行为的间隔天数，Y代表间隔相同天数的连续购买行为的发生次数；第一预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该目标用户购买的各种产品对应的第一分析模型，将各种产品对应的购买时间序列分别输入到对应的第一分析模型中，生成各种产品对应的第一购买预测值；均值处理步骤：将所述预设数量用户的目标产品的购买时间序列进行均值处理，生成所述预设数量用户的该目标产品对应的平均购买时间序列；第二预测步骤：根据产品类型与预先训练的第一分析模型的映射关系，确定该预设数量用户购买的该目标产品对应的第一分析模型，将所述平均购买时间序列输入到对应的第一分析模型中，生成该目标产品的第二购买预测值；最终预测步骤：根据产品类型与预先训练的第二分析模型的映射关系，确定该目标用户购买的该目标产品对应的第二分析模型，将该目标产品的第一购买预测值、除该目标产品类型外的其它产品类型对应的第一购买预测值及该目标产品的第二购买预测值输入对应的第二分析模型中，生成该目标产品的最终购买预测值。6.一种服务器，...

【专利技术属性】
技术研发人员：王建明，肖京，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44