交易转化分析方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及人工智能领域，公开了一种交易转化分析方法、装置、设备及存储介质，该方法包括：获取客户端埋点采集的历史用户数据集；根据历史用户在预设时间内是否有交易行为，将历史用户数据集进行正负样本划分，得到正样本集和负样本集；对正样本集和负样本集进行数据清洗处理后作为模型输入数据；根据模型输入数据和预设的神经网络，训练得到交易预测模型；将待预测用户集中的待预测数据的用户行为数据输入至交易预测模型中，得到预测交易结果；根据预测交易结果，计算待预测用户集的交易转化率。通过本方法，能提高对新注册用户交易转化预测的效率和准确度，此外，本发明专利技术还涉及区块链技术，历史用户数据集可存储于区块链中。

【技术实现步骤摘要】
交易转化分析方法、装置、设备及存储介质
本专利技术涉及人工智能领域，尤其涉及一种交易转化分析方法、装置、设备及存储介质。
技术介绍
随着移动互联网的飞速发展，用户在各种APP上停留的时间越来越长，由此产生了海量的用户日志数据。这些数据有很多记录了用户的行为信息，包括登录行为、浏览行为、问诊医疗数据、搜索数据、购物交易数据、阅读文章数据等等，通过分析用户的行为数据可以对企业决策产生重要的影响。对于部分互联网公司来说，预测新注册用户的交易转化率是一种现实的需求。在人口红利结束的时代，流量的获取越来越难，获取新客成本越来越高，在这种前提下，如何引导新注册用户快速产生交易，预测交易转化情况，挖掘影响交易转化行为的因素排名，是一项具有理论意义和实践意义的重要需求，例如在科技金融领域或电商领域，通过对金融产品或商品的潜在客户进行预测从而进行策略调整，提高产品转化率。传统的新注册用户交易转化的预测，主要从宏观角度利用专家经验法自上而下的探索影响因素大类，再定性的分析交易用户的特点，但专家经验法受制于专家的专业水平和权威性、专家的心理状态、专家对影响因本文档来自技高网...

【技术保护点】
1.一种交易转化分析方法，其特征在于，所述交易转化分析方法包括：/n基于交易客户端中预先设定的埋点，从交易数据库中采集历史用户的历史用户数据，形成历史用户数据集；/n识别所述历史用户数据集中各样本在预设时间内的交易行为，并基于所述交易行为将所述历史用户数据集进行正负样本划分，得到正样本集和负样本集，其中，所述交易行为包括发生交易和不发生交易，所述正样本集为在预设时间内所有发生交易的样本的集合，所述负样本集为在预设时间内所有不发生交易的样本的集合；/n分别对所述正样本集和所述负样本集进行数据清洗处理，将数据清洗后的正样本集和负样本集作为模型输入数据；/n将所述模型输入数据输入至预设的神经网络中进...

【技术特征摘要】
1.一种交易转化分析方法，其特征在于，所述交易转化分析方法包括：
基于交易客户端中预先设定的埋点，从交易数据库中采集历史用户的历史用户数据，形成历史用户数据集；
识别所述历史用户数据集中各样本在预设时间内的交易行为，并基于所述交易行为将所述历史用户数据集进行正负样本划分，得到正样本集和负样本集，其中，所述交易行为包括发生交易和不发生交易，所述正样本集为在预设时间内所有发生交易的样本的集合，所述负样本集为在预设时间内所有不发生交易的样本的集合；
分别对所述正样本集和所述负样本集进行数据清洗处理，将数据清洗后的正样本集和负样本集作为模型输入数据；
将所述模型输入数据输入至预设的神经网络中进行模型的训练，得到交易预测模型；
接收待预测用户集中的待预测用户的用户行为数据，并将所述用户行为数据输入至所述交易预测模型中，得到所述待预测用户的预测交易结果；
根据所述预测交易结果，计算所述待预测用户集的交易转化率。


2.根据权利要求1所述的交易转化分析方法，其特征在于，在所述分别对所述正样本集和所述负样本集进行数据清洗处理，将数据清洗后的正样本集和负样本集作为模型输入数据之前，还包括：
根据预设的时间间隔，对所述历史用户数据集进行分组，得到至少一组历史用户数据组；
计算所述历史用户数据组中的各样本之间的夹角余弦相似度。


3.根据权利要求2所述的交易转化分析方法，其特征在于，所述分别对所述正样本集和所述负样本集进行数据清洗处理，将数据清洗后的正样本集和负样本集作为模型输入数据包括：
确定所述历史用户数据组中的第一样本，并从历史用户数据组中的其它样本中筛选与所述第一样本之间的夹角余弦相似度最大的n个样本，其中，n为不小于三的自然数；
当所述第一样本是正样本时，则确定所述n个样本中负样本的数量；
若所述n个样本中负样本的数量大于n/2，则将所述n个样本中的负样本从所述历史用户数据组中删除；
当所述第一样本是负样本时，则确定所述n个样本中正样本的数量；
若所述n个样本中正样本的数量大于n/2，则将所述第一样本从所述历史用户数据组中删除；
根据其他样本之间的夹角余弦相似度，重复上述数据清洗过程，直至对历史用户数据集中的所有样本均进行数据清洗处理；
将数据清理后剩余的样本作为模型输入数据。


4.根据权利要求3所述的交易转化分析方法，其特征在于，所述神经网络由卷积神经网络和长短记忆人工神经网络构成，所述将所述模型输入数据输入至预设的神经网络中进行模型的训练，得到交易预测模型包括：
将所述模型训练数据输入所述神经网络的嵌入层中，生成所述模型训练数据的特征向量；
通过所述神经网络的中的卷积神经网络，提取所述特征向量的特征序列；
将所述特征序列输入所述神经网络中的长短期记忆人工神经网络，获取所述特征序列的历史时间序列，并将所述输入所述神经网络的全连接层，得到二维预测结果；
根据所述二维预测结果计算神经网络的损失函数，并采用梯度下降方法循环迭代使得所述损失函数收敛，反向传播更新所述神经网络的网络参数；
基于所述网络参数调整所述神经网络，得到交易预测模型。


5.根据权利要求4所述的交易转化分析方法，其特征在于，所述将所述模型训...

【专利技术属性】
技术研发人员：郭轶博，
申请(专利权)人：康键信息技术深圳有限公司，
类型：发明
国别省市：广东;44