产品的购买概率预测模型的训练方法及购买概率预测方法技术

本申请实施例提供了一种产品的购买概率预测模型的训练方法及购买概率预测方法。该方法包括：获取训练样本用户的用户信息、全部的历史购买信息、预设时段内的目标购买信息以及历史购买信息对应产品的产品信息；基于历史购买信息以及目标购买信息确定第一关联特征信息；基于用户信息以及产品信息确定第二关联特征信息；根据用户信息、目标购买信息、第一关联特征信息、第二关联特征信息以及产品信息，确定训练样本集，并根据训练样本集进行模型训练，获得购买概率预测模型。通过本方案中训练出的预测模型进行购买概率预测的准确率较高，基于预测出的购买概率进行产品的推荐具有更高的推荐准确率，能够更好的满足用户的购买需求。

【技术实现步骤摘要】
产品的购买概率预测模型的训练方法及购买概率预测方法
本申请涉及数据处理领域，具体而言，本申请涉及一种产品的购买概率预测模型的训练方法及购买概率预测方法。
技术介绍
随着金融行业的快速发展，各类金融产品层出不穷，为了方便用户对金融产品的购买，需要将金融产品推荐给用户。现有技术中在进行金融产品的推荐时，产品推荐的准确率较低，为用户推荐的金融产品可能无法满足用户的购买需求，导致用户使用体验较差。
技术实现思路
本申请的目的旨在至少能解决上述的技术缺陷之一。本申请所采用的技术方案如下：第一方面，本申请实施例提供了一种产品的购买概率预测模型的训练方法，该方法包括：获取训练样本用户的用户信息、训练样本用户全部的历史购买信息、训练样本用户在预设时段内的目标购买信息以及历史购买信息对应产品的产品信息；基于历史购买信息以及目标购买信息确定第一关联特征信息；基于用户信息以及产品信息确定第二关联特征信息；根据用户信息、目标购买信息、第一关联特征信息、第二关联特征信息以及产品信息，确定训练样本集；根据训练样本集进行模型训练，获得购买概率预测模型。可选地，根据训练样本集进行模型训练，获得购买概率预测模型，包括：基于目标购买信息确定训练样本用户的购买行为，购买行为包括购买了产品以及浏览但未购买产品；将训练样本集中与购买了产品的购买行为对应的训练样本作为正样本；将训练样本集中与浏览但未购买产品的购买行为对应的训练样本作为负样本；r>基于正样本以及负样本进行模型训练，获得购买概率预测模型。可选地，基于历史购买信息以及目标购买信息确定第一关联特征信息，包括：确定历史购买信息对应的第一产品以及目标购买信息对应的第二产品；基于同一训练样本用户所对应的第一产品以及所对应的第二产品，构建第一关联特征信息。可选地，用户信息包括用户画像标签，产品信息包括产品标签，基于用户信息以及产品信息确定关联特征信息，包括：基于目标购买信息构建用户画像标签与产品标签的关联标签；确定关联标签的相似度，将相似度满足预设条件的关联标签以及对应相似度值确定为第二关联特征信息。可选地，确定关联标签的相似度，包括：基于word2vec模型，并基于用户画像标签与产品标签构建关联标签的特征向量；基于各特征向量的向量距离，确定关联标签的相似度。第二方面，本申请实施例提供了一种产品的购买概率的预测方法，该方法包括：获取目标用户的用户信息、目标用户全部的历史购买信息、目标用户在预设时段内的目标购买信息及待推荐产品的产品信息；基于历史购买信息以及目标购买信息确定第三关联特征信息；基于用户信息以及产品信息确定第四关联特征信息；根据用户信息、目标购买信息、第三关联特征信息、第四关联特征信息以及产品信息，确定预测样本集；将预测样本集输入至上述训练方法训练出的购买概率预测模型，获得目标用户对待推荐产品的购买概率。可选地，上述方法还包括：基于购买概率确定目标推荐产品，并将目标推荐产品提供给对应的目标用户。第三方面，本申请实施例提供了一种产品的购买概率预测模型的训练装置，该装置包括：基本信息获取模块，用于获取训练样本用户的用户信息、训练样本用户全部的历史购买信息、训练样本用户在预设时段内的目标购买信息以及历史购买信息对应产品的产品信息；第一关联信息确定模块，用于基于历史购买信息以及目标购买信息确定第一关联特征信息；第二关联信息确定模块，用于基于用户信息以及产品信息确定第二关联特征信息；训练样本集构建模块，用于根据用户信息、目标购买信息、第一关联特征信息、第二关联特征信息以及产品信息，确定训练样本集；模型训练模块，用于根据训练样本集进行模型训练，获得购买概率预测模型。可选地，模型训练模块具体用于：基于目标购买信息确定训练样本用户的购买行为，购买行为包括购买了产品以及浏览但未购买产品；将训练样本集中与购买了产品的购买行为对应的训练样本作为正样本；将训练样本集中与浏览但未购买产品的购买行为对应的训练样本作为负样本；基于正样本以及负样本进行模型训练，获得购买概率预测模型。可选地，第一关联信息确定模块具体用于：确定历史购买信息对应的第一产品以及目标购买信息对应的第二产品；基于同一训练样本用户所对应的第一产品以及所对应的第二产品，构建第一关联特征信息。可选地，用户信息包括用户画像标签，产品信息包括产品标签，第二关联信息确定模块具体用于：基于目标购买信息构建用户画像标签与产品标签的关联标签；确定关联标签的相似度，将相似度满足预设条件的关联标签以及对应相似度值确定为第二关联特征信息。可选地，第二关联信息确定模块在确定关联标签的相似度时，具体用于：基于word2vec模型，并基于用户画像标签与产品标签构建关联标签的特征向量；基于各特征向量的向量距离，确定关联标签的相似度。第四方面，本申请实施例提供了一种产品的购买概率的预测装置，该装置包括：基础信息获取模块，用于获取目标用户的用户信息、目标用户全部的历史购买信息、目标用户在预设时段内的目标购买信息及待推荐产品的产品信息；第三关联信息确定模块，用于基于历史购买信息以及目标购买信息确定第三关联特征信息；第四关联信息确定模块，用于基于用户信息以及产品信息确定第四关联特征信息；预测样本集构建模块，用于根据用户信息、目标购买信息、第三关联特征信息、第四关联特征信息以及产品信息，确定预测样本集；预测模块，用于将预测样本集输入至上述训练方法训练出的购买概率预测模型，获得目标用户对待推荐产品的购买概率。可选地，上述装置还包括：产品推荐模块，用于基于购买概率确定目标推荐产品，并将目标推荐产品提供给对应的目标用户。第五方面，本申请实施例提供了一种电子设备，该电子设备包括：处理器和存储器；存储器，用于存储操作指令；处理器，用于通过调用操作指令，执行如本申请的第一方面的任一实施方式中或者第二方面的任一实施方式中所示的方法。第六方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请的第一方面的任一实施方式中或者第二方面的任一实施方式中所示的方法。本申请实施例提供的技术方案带来的有益效果是：本申请实施例提供的方案，通过获取训练样本用户的用户信息、训练样本用户全部的历史购买信息、训练样本用户在预设时段内的目标购买信息以及历史购买信息对应产品的产品信息，并基于历史购买信息以及目标购买信息确定第一关联特征信息，基于用户信息以及产品信息确定第二关联特征信息，从而根据用户信息、目标购买信息、第一关联特征信息、第二关联特征信息以及产品信息，确定训练样本集，并根据训练样本集进行模型训练，获本文档来自技高网...

【技术保护点】
1.一种产品的购买概率预测模型的训练方法，其特征在于，包括：/n获取训练样本用户的用户信息、所述训练样本用户全部的历史购买信息、所述训练样本用户在预设时段内的目标购买信息以及所述历史购买信息对应产品的产品信息；/n基于所述历史购买信息以及所述目标购买信息确定第一关联特征信息；/n基于所述用户信息以及所述产品信息确定第二关联特征信息；/n根据所述用户信息、所述目标购买信息、所述第一关联特征信息、所述第二关联特征信息以及所述产品信息，确定训练样本集；/n根据所述训练样本集进行模型训练，获得购买概率预测模型。/n

【技术特征摘要】
1.一种产品的购买概率预测模型的训练方法，其特征在于，包括：
获取训练样本用户的用户信息、所述训练样本用户全部的历史购买信息、所述训练样本用户在预设时段内的目标购买信息以及所述历史购买信息对应产品的产品信息；
基于所述历史购买信息以及所述目标购买信息确定第一关联特征信息；
基于所述用户信息以及所述产品信息确定第二关联特征信息；
根据所述用户信息、所述目标购买信息、所述第一关联特征信息、所述第二关联特征信息以及所述产品信息，确定训练样本集；
根据所述训练样本集进行模型训练，获得购买概率预测模型。


2.根据权利要求1所述的方法，其特征在于，所述根据所述训练样本集进行模型训练，获得购买概率预测模型，包括：
基于所述目标购买信息确定所述训练样本用户的购买行为，所述购买行为包括购买了所述产品以及浏览但未购买所述产品；
将所述训练样本集中与所述购买了所述产品的购买行为对应的训练样本作为正样本；
将所述训练样本集中与所述浏览但未购买所述产品的购买行为对应的训练样本作为负样本；
基于所述正样本以及所述负样本进行模型训练，获得购买概率预测模型。


3.根据权利要求1所述的方法，其特征在于，基于所述历史购买信息以及所述目标购买信息确定第一关联特征信息，包括：
确定所述历史购买信息对应的第一产品以及所述目标购买信息对应的第二产品；
基于同一所述训练样本用户所对应的第一产品以及所对应的第二产品，构建第一关联特征信息。


4.根据权利要求1所述的方法，其特征在于，所述用户信息包括用户画像标签，所述产品信息包括产品标签，所述基于所述用户信息以及所述产品信息确定第二关联特征信息，包括：
基于所述目标购买信息构建所述用户画像标签与所述产品标签的关联标签；
确定所述关联标签的相似度，将相似度满足预设条件的关联标签以及对应相似度值确定为第二关联特征信息。


5.根据权利要求4所述的方法，其特征在于，所述确定所述关联标签的相似度，包括：
基于word2vec模型，并基于所述用户画像标签与所述产品标签构建所述关联标签的特征向量；
基于各所述特征向量的向量距离，确定所述关联标签的相似度。


6.一种产品的购买概率的预测方法，其特征在于，包括：
获取目标用户的用户信息、所述目标用户全部的历史购买信息、所述目标用户在预设时段内的目标购买信息及待推荐产品的产品信息；
基于所述历史购买信息以及所述目标购买信息确定第三关联特...

【专利技术属性】
技术研发人员：王招辉，
申请(专利权)人：中国建设银行股份有限公司，建信金融科技有限责任公司，
类型：发明
国别省市：北京;11