下单率预测方法、设备及可读存储介质技术

本申请公开了一种下单率预测方法、设备及可读存储介质，所述下单率预测方法包括：获取用户行为数据，并确定所述用户行为数据对应的用户行为特征组合，进而基于所述用户行为特征组合和预设模型集，动态匹配所述用户行为数据对应的第一目标预测模型，进而基于所述用户行为数据和所述第一目标预测模型，对所述用户行为数据对应的目标用户进行下单率预测，获得第一预测下单率。本申请解决了下单率预测准确性低的技术问题。

【技术实现步骤摘要】
下单率预测方法、设备及可读存储介质
本申请涉及人工智能领域，尤其涉及一种下单率预测方法、设备及可读存储介质。
技术介绍
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(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。随着计算机软件和人工智能的不断发展，神经网络模型的应用也越来越广泛，目前，神经网络模型常用于对用户行为对应的下单率进行预测，其中，下单率包括用户对某件物品点击率、购买概率等，然而，在一些特定用户行为场景中，各本地用户发生一系列连续性的用户行为，且各本地用户发生的一系列用户行为往往各不相同，差异性极大，进而收集到了的用户行为数据的特征维度也各不相同，而目前通常为基于固定的神经网络模型对用户的下单率进行预测，进而基于固定的神经网络模型对具有不同特征维度的用户行为数据的目标用户进行下单率预测，将导致下单率预测的准确性较低。
技术实现思路
本申请的主要目的在于提供一种下单率预测方法、设备及可读存储介质，旨在解决现有技术中下单率预测准确性低的技术问题。为实现上述目的，本申请提供一种下单率预测方法，所述下单率预测方法应用于下单率预测设备，所述下单率预测方法包括：获取用户行为数据，并确定所述用户行为数据对应的用户行为特征组合；基于所述用户行为特征组合和预设模型集，动态匹配所述用户行为数据对应的第一目标预测模型；基于所述用户行为数据和所述第一目标预测模型，对所述用户行为数据对应的目标用户进行下单率预测，获得第一预测下单率。可选地，所述确定所述用户行为数据对应的用户行为特征组合的步骤包括：确定所述用户行为数据对应的用户行为路径图，并获取所述用户行为路径图对应的各用户行为节点；基于各所述用户行为节点对应的用户行为特征，确定所述用户行为特征组合。可选地，在所述基于所述用户行为数据和所述第一目标预测模型，对所述用户行为数据对应的目标用户进行下单率预测，获得第一预测下单率的步骤之后，所述下单率预测方法还包括：获取新增用户行为数据，并基于所述新增用户行为数据和所述用户行为数据，确定第二用户行为数据；在所述预设模型集中动态匹配所述第二用户行为数据对应的第二目标预测模型，并基于所述第二用户行为数据和所述第二目标预测模型，对所述目标用户进行下单率预测，获得第二预测下单率。可选地，所述预设模型集至少包括一目标模型，在所述基于所述用户行为特征组合和预设模型集，动态匹配所述用户行为数据对应的第一目标预测模型的步骤之前，所述下单率预测方法包括：获取各预设特征组合和待训练模型，并确定各所述预设特征组合对应的训练样本集；基于各所述训练样本集，分别对所述待训练模型进行迭代训练，获得各所述预设特征组合对应的所述目标模型，以获取所述预设模型集。可选地，所述确定各所述预设特征组合对应的训练样本集的步骤包括：获取各本地用户行为数据，并基于各所述预设特征组合分别对应的各目标特征，在各所述本地用户行为数据中提取各所述预设特征组合对应的特征组合表示数据；获取样本标签集合，并基于所述样本标签集合和各所述特征组合表示数据，确定各所述训练样本集。可选地，所述用户行为数据至少包括一个阶段用户行为数据，且一所述阶段用户行为数据对应一用户行为阶段，在所述获取用户行为数据的步骤之后，所述下单率预测方法还包括：确定各所述阶段用户行为数据对应的阶段用户行为特征组合；基于各所述阶段用户行为特征组合和预设阶段预测模型集，分别动态匹配各所述阶段用户行为数据对应的阶段预测模型；基于各所述阶段预测模型和各所述阶段用户行为数据，分别在各所述用户行为阶段对所述用户行为数据对应的目标用户进行下单率预测，获得所述目标用户在各所述用户行为阶段的阶段下单率。本申请还提供一种下单率预测装置，所述下单率预测装置为虚拟装置，且所述下单率预测装置应用于下单率预测设备，所述下单率预测装置包括：第一确定模块，用于获取用户行为数据，并确定所述用户行为数据对应的用户行为特征组合；第二确定模块，用于基于所述用户行为特征组合和预设模型集，动态匹配所述用户行为数据对应的第一目标预测模型；第一预测模块，用于基于所述用户行为数据和所述第一目标预测模型，对所述用户行为数据对应的目标用户进行下单率预测，获得第一预测下单率。可选地，所述第一预测模块包括：第一提取单元，用于基于所述用户行为特征组合，在所述用户行为数据中提取用户行为特征数据；预测单元，用于将所述用户行为特征数据输入所述第一目标预测模型，对所述用户行为特征数据进行分类，以对所述目标用户进行下单率预测，获得所述第一预测下单率。可选地，所述第一确定模块包括：获取单元，用于确定所述用户行为数据对应的用户行为路径图，并获取所述用户行为路径图对应的各用户行为节点；第一确定单元，用于基于各所述用户行为节点对应的用户行为特征，确定所述用户行为特征组合。可选地，所述第二确定模块包括：第二确定单元，用于确定所述预设模型集对应的各预设特征组合，并在各所述预设特征组合中确定所述用户行为特征组合对应的第一目标特征组合；第三确定单元，用于基于所述第一目标特征组合，在所述预设模型集中确定所述第一目标预测模型。可选地，所述下单率预测装置还包括：第三确定模块，用于获取新增用户行为数据，并基于所述新增用户行为数据和所述用户行为数据，确定第二用户行为数据；第二预测模块，用于在所述预设模型集中动态匹配所述第二用户行为数据对应的第二目标预测模型，并基于所述第二用户行为数据和所述第二目标预测模型，对所述目标用户进行下单率预测，获得第二预测下单率。可选地，所述下单率预测装置还包括：第四确定模块，用于获取各预设特征组合和待训练模型，并确定各所述预设特征组合对应的训练样本集；迭代训练模块，用于基于各所述训练样本集，分别对所述待训练模型进行迭代训练，获得各所述预设特征组合对应的所述目标模型，以获取所述预设模型集。可选地，所述第四确定模块包括：第二提取单元，用于获取各本地用户行为数据，并基于各所述预设特征组合分别对应的各目标特征，在各所述本地用户行为数据中提取各所述预设特征组合对应的特征组合表示数据；第四确定单元，用于获取样本标签集合，并基于所述样本标签集合和各所述特征组合表示数据，确定各所述训练样本集。可选地，所述下单率预测装置还包括：第五确定模块，用于确定各所述阶段用户行为数据对应的阶段用户行为特征组合；第六确定模块，用于基于各所述阶段用户行为特征组合和预设阶段预测模型集，分别动态匹配各所述阶段用户行为数据对应的阶段预测模型；第三预测模块，用于基于各所述阶段预测模型和各所述阶段用户行为数据，分别在各所述用户行为阶段对所述用户行为数据对应的目标本文档来自技高网...

【技术保护点】
1.一种下单率预测方法，其特征在于，所述下单率预测方法包括：/n获取用户行为数据，并确定所述用户行为数据对应的用户行为特征组合；/n基于所述用户行为特征组合和预设模型集，动态匹配所述用户行为数据对应的第一目标预测模型；/n基于所述用户行为数据和所述第一目标预测模型，对所述用户行为数据对应的目标用户进行下单率预测，获得第一预测下单率。/n

【技术特征摘要】
1.一种下单率预测方法，其特征在于，所述下单率预测方法包括：
获取用户行为数据，并确定所述用户行为数据对应的用户行为特征组合；
基于所述用户行为特征组合和预设模型集，动态匹配所述用户行为数据对应的第一目标预测模型；
基于所述用户行为数据和所述第一目标预测模型，对所述用户行为数据对应的目标用户进行下单率预测，获得第一预测下单率。


2.如权利要求1所述下单率预测方法，其特征在于，所述基于所述用户行为特征组合和预设模型集，动态匹配所述用户行为数据对应的第一目标预测模型的步骤包括：
基于所述用户行为特征组合，在所述用户行为数据中提取用户行为特征数据；
将所述用户行为特征数据输入所述第一目标预测模型，对所述用户行为特征数据进行分类，以对所述目标用户进行下单率预测，获得所述第一预测下单率。


3.如权利要求1所述下单率预测方法，其特征在于，所述确定所述用户行为数据对应的用户行为特征组合的步骤包括：
确定所述用户行为数据对应的用户行为路径图，并获取所述用户行为路径图对应的各用户行为节点；
基于各所述用户行为节点对应的用户行为特征，确定所述用户行为特征组合。


4.如权利要求1所述下单率预测方法，其特征在于，所述基于所述用户行为特征组合和预设模型集，动态匹配所述用户行为数据对应的第一目标预测模型的步骤包括：
确定所述预设模型集对应的各预设特征组合，并在各所述预设特征组合中确定所述用户行为特征组合对应的第一目标特征组合；
基于所述第一目标特征组合，在所述预设模型集中确定所述第一目标预测模型。


5.如权利要求1所述下单率预测方法，其特征在于，在所述基于所述用户行为数据和所述第一目标预测模型，对所述用户行为数据对应的目标用户进行下单率预测，获得第一预测下单率的步骤之后，所述下单率预测方法还包括：
获取新增用户行为数据，并基于所述新增用户行为数据和所述用户行为数据，确定第二用户行为数据；
在所述预设模型集中动态匹配所述第二用户行为数据对应的第二目标预测模型，并基于所述第二用户行为数据和所述第二目标预测模型，对所述目标用户进行下单率预测，获得第二预测下单率。
...

【专利技术属性】
技术研发人员：黄福华，郑文琛，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：广东;44