【技术实现步骤摘要】
用户意愿预测方法、装置、设备和存储介质
[0001]本专利技术实施例涉及但不限于人工智能
,尤其涉及一种用户意愿预测方法、用户意愿预测装置、计算机设备和计算机可读存储介质。
技术介绍
[0002]由于销售模式、生产关系和社会存款等因素影响,长期以来,保险行业呈现出一定周期性规律,这为趋势分析提供了一定基础。因此,在客户长期购买保险的行为中,提前做好预测工作,有利于实现精准营销。
[0003]然而,由于单一群体客户保险购买行为的发生时间是离散和不定期的,因此对于传统的深度学习时间序列预测模型如基于RNN(Recurrent Neural Network,深度学习递归神经网络)算法的LSTM(Long Short Term Memory,长短时记忆网络)模型,难以适用于非固定时间间隔数据和非稳定时间序列,从而导致模型使用受限。即使使用传统的深度学习时间序列预测模型进行计算,由于数据稀疏、购买时间跨度较长,导致其预测结果的准确度也较低。
技术实现思路
[0004]以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
[0005]本专利技术实施例提供了一种用户意愿预测方法、用户意愿预测装置、计算机设备和计算机可读存储介质,能够对离散和不定期的保险购买行为进行预测,以实现精准营销。
[0006]第一方面,本专利技术实施例提供了一种用户意愿预测方法,包括:
[0007]获取目标用户群体在多个离散的观测时间点的观测数据,其中,每个所述观测时间点的所述观测数 ...
【技术保护点】
【技术特征摘要】
1.一种用户意愿预测方法,其特征在于,包括:获取目标用户群体在多个离散的观测时间点的观测数据,其中,每个所述观测时间点的所述观测数据表征所述目标用户群体在对应的所述观测时间点对于产品的平均接受程度;将所有所述观测数据和预测时间点输入至预测模型,以得到在所述预测时间点的预测数据,所述预测数据表征所述目标用户群体在所述预测时间点对于产品的平均接受程度,其中,所述预测模型由ODE模型根据所述观测数据训练得到。2.根据权利要求1所述的用户意愿预测方法,其特征在于,所述获取目标用户群体在多个离散的观测时间点的观测数据,包括:对于每一个所述观测时间点,获取所述目标用户群体中各个用户对于产品的个体接受程度,并对所有所述个体接受程度取平均,以得到所述目标用户群体在对应的所述观测时间点对于产品的平均接受程度;获取所有所述观测时间点对应的平均接受程度,作为所述目标用户群体在多个离散的所述观测时间点的观测数据。3.根据权利要求2所述的用户意愿预测方法,其特征在于,所述目标用户群体中各个用户在多个离散的所述观测时间点对于产品的个体接受程度为:其中,所述m为所述目标用户群体中的用户数量,所述t
n
为所述观测时间点,所述表示第m个用户在t
n
观测时间点对于产品的个体接受度;对应地,所述目标用户群体在各个离散的所述观测时间点对于产品的平均接受程度为:其中,所述为所述目标用户群体中所有用户在t
n
观测时间点对于产品的平均接受程度。4.根据权利要求3所述的用户意愿预测方法,其特征在于,所述预测模型由ODE模型根据所述观测数据训练得到,包括:采用RNN编码器对所述观测数据进行编码转化,以得到潜在轨迹的初始状态和所述观测数据的分布函数;将所述初始状态和所述分布函数输入至ODE模型,以得到所述潜在轨迹中与多个所述观测时间点对应的潜在状态;采用ODE解码器对所述潜在状态进行解码,以得到与所述观测时间点对应的推算数据,其中,所述推算数据表征通过所述ODE模型所推算得到的所述目标用户群体在多个离散的观测时间点对于产品的平均接受程度;采用所述推算数据和所述观测数据对所述ODE模型进行迭代训练,以得到所述预测模型。5.根据权利要求4所述的用户意愿预测方法,其特征在于,所述预测模型通过如下公式
生成得到:z
t0
~p(z
t0
)z
t1
,z
t2
,...z
tN
=ODESolve(z
t0
,f,θ
f
,t0,t1…
,t
N
)对于每个X
ti
~p(x|z
ti
,θ
x
)其中,所述z
t0
为所述初始状态,所述p为所述分布函数,所述ODESolve(z
t0
,f,θ
f
...
【专利技术属性】
技术研发人员:夏婧,吴振宇,王建明,
申请(专利权)人:平安科技深圳有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。