预测模型训练和账户价值预测方法、装置、设备及介质制造方法及图纸

本申请公开了一种组合预测模型训练方法、账户价值预测方法、装置、设备及介质。相关技术通常只将训练集中的账户分为2个等级：已经进行高价值存款的账户(如本申请最高资产价值区间对应的第一等级的账户)和尚未进行高价值存款的账户(如除本申请中第一等级之外的其他等级的账户)。本申请将账户划分为至少3个等级，基于至少两种等级组合方式，从至少3个等级中选取每个子预测模型的训练集，每个训练集中包含第一账户及第二账户，第一账户及第二账户均包含至少一个等级的账户，第一账户的资产价值高于第二账户的资产价值，将第一账户标注为高价值账户，将第二账户标注为低价值账户，基于本申请组合预测模型，可提高预测账户的价值信息的准确性。息的准确性。息的准确性。

【技术实现步骤摘要】
预测模型训练和账户价值预测方法、装置、设备及介质


[0001]本申请涉及账户价值预测
，尤其涉及一种组合预测模型训练方法、账户价值预测方法、装置、设备及介质。

技术介绍

[0002]在实际营销过程中，银行等机构希望能够基于客户(账户)的账户信息，预测账户的价值信息，以期在预测到账户的价值信息为有高价值存款潜质的账户(为方便描述，称为高价值账户)时，可以对其进行营销等。其中，在预测账户的价值信息时，可以将账户的特征向量输入预先训练完成的预测模型，基于该预测模型的输出结果，预测账户的价值信息。
[0003]相关技术在训练该预测模型时，通常可以将设定时间段内多个账户作为预测模型的训练集中的训练数据，来训练该预测模型。其中，通常将训练集中的账户分为2个等级，即已经进行高价值存款的账户和尚未进行高价值存款的账户，并将已经进行高价值存款的账户标注为高价值账户；而将尚未进行高价值存款的账户均标注为低价值账户。
[0004]然而，由于当前尚未进行高价值存款的账户中通常也可能包含具有高价值存款潜质的高价值账户，因此，基于相关技术训练集中的训练数据(每个账户的特征向量及对应的标注信息)训练完成的预测模型，在预测账户的价值信息时，存在准确性低的技术问题。

技术实现思路

[0005]本申请提供了一种组合预测模型训练方法、账户价值预测方法、装置、设备及介质，用以提高预测账户的价值信息的准确性。
[0006]第一方面，本申请提供了一种组合预测模型训练方法，所述方法包括：
[0007]根据每个账户的资产价值信息及预设的每个资产价值区间，将账户划分为至少3个等级；基于设定的至少两种等级组合方式，从所述至少3个等级中选取每个子预测模型的训练集，其中每个训练集中包含第一账户及第二账户，将所述第一账户标注为高价值账户，将所述第二账户标注为低价值账户，其中所述第一账户及所述第二账户均包含至少一个等级的账户，且所述第一账户的资产价值高于所述第二账户的资产价值；
[0008]针对每个子预测模型，基于该子预测模型的训练集中的每个账户的特征向量及对应的标注信息，对该子预测模型进行训练。
[0009]在一种可能的实施方式中，所述基于设定的至少两种等级组合方式，从所述至少3个等级中选取每个子预测模型的训练集，其中每个训练集中包含第一账户及第二账户包括：
[0010]将最高资产价值区间对应的第一等级的账户，确定为第一账户；将除所述第一等级之外的其他等级的账户，确定为第二账户，将该第一账户和该第二账户组成的第一训练集确定为第一子预测模型的训练集；
[0011]确定至少一个第二训练集，针对每个第二训练集，将包括所述第一等级在内的资产价值区间连续的至少两个等级的账户，确定为该第二训练集的第一账户；将除该至少两
个等级的账户之外的其他等级的账户，确定为该第二训练集的第二账户；并将该第二训练集确定为任一第二子预测模型的训练集。
[0012]在一种可能的实施方式中，所述特征向量包括消费特征信息、房车特征信息、理财特征信息中的至少一种。
[0013]第二方面，本申请还提供了一种基于上述任一项所述组合预测模型训练方法的账户价值预测方法，所述方法包括：
[0014]将待预测账户的特征向量分别输入预先训练完成的每个子预测模型，基于所述每个子预测模型输出的概率值及累计概率算法，确定所述待预测账户属于每个等级的第一概率值；
[0015]根据每个所述第一概率值及预先确定的每个等级对应的权重值，确定所述待预测账户的价值评分值；
[0016]根据所述价值评分值，确定所述待预测账户的价值信息。
[0017]在一种可能的实施方式中，预先确定每个等级对应的权重值的过程包括：
[0018]将最高资产价值区间对应的第一等级的每个账户的特征向量分别输入到预先训练完成的每个子预测模型，基于所述每个子预测模型输出的概率值及累计概率算法，确定所述第一等级的每个账户属于每个等级的第二概率值；
[0019]基于设定的每个候选权重向量、每个所述第二概率值及线性加权融合法，从每个所述候选权重向量中选取目标权重向量；其中，所述候选权重向量中包含每个等级对应的候选权重值，且所述每个等级对应的候选权重值的和值为设定数值；
[0020]将所述目标权重向量中包括的每个等级对应的目标权重值，作为所述预先确定的每个等级对应的权重值。
[0021]在一种可能的实施方式中，所述基于设定的每个候选权重向量、所述第二概率值及线性加权融合法，从每个所述候选权重向量中选取目标权重向量包括：
[0022]针对设定的每个候选权重向量，根据该候选权重向量及所述第一等级的每个账户的所述第二概率值，确定该候选权重向量对应的第一等级的每个账户的价值评分总值；
[0023]根据每个价值评分总值，从每个所述候选权重向量中选取目标权重向量。
[0024]第三方面，本申请还提供了一种组合预测模型训练装置，所述装置包括：
[0025]组合模块，用于根据每个账户的资产价值信息及预设的每个资产价值区间，将账户划分为至少3个等级；基于设定的至少两种等级组合方式，从所述至少3个等级中选取每个子预测模型的训练集，其中每个训练集中包含第一账户及第二账户，将所述第一账户标注为高价值账户，将所述第二账户标注为低价值账户，其中所述第一账户及所述第二账户均包含至少一个等级的账户，且所述第一账户的资产价值高于所述第二账户的资产价值；
[0026]训练模块，用于针对每个子预测模型，基于该子预测模型的训练集中的每个账户的特征向量及对应的标注信息，对该子预测模型进行训练。
[0027]在一种可能的实施方式中，所述组合模块，具体用于将最高资产价值区间对应的第一等级的账户，确定为第一账户；将除所述第一等级之外的其他等级的账户，确定为第二账户，将该第一账户和该第二账户组成的第一训练集确定为第一子预测模型的训练集；确定至少一个第二训练集，针对每个第二训练集，将包括所述第一等级在内的资产价值区间连续的至少两个等级的账户，确定为该第二训练集的第一账户；将除该至少两个等级的账
户之外的其他等级的账户，确定为该第二训练集的第二账户；并将该第二训练集确定为任一第二子预测模型的训练集。
[0028]第四方面，本申请还提供了一种基于上述任一项所述组合预测模型训练装置的账户价值预测装置，所述装置包括：
[0029]第一确定模块，用于将待预测账户的特征向量分别输入预先训练完成的每个子预测模型，基于所述每个子预测模型输出的概率值及累计概率算法，确定所述待预测账户属于每个等级的第一概率值；
[0030]第二确定模块，用于根据每个所述第一概率值及预先确定的每个等级对应的权重值，确定所述待预测账户的价值评分值；
[0031]第三确定模块，用于根据所述价值评分值，确定所述待预测账户的价值信息。
[0032]在一种可能的实施方式中，所述第二确定模块，具体用于将最高资产价值区间对应的第一等级的每个账户的特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种组合预测模型训练方法，其特征在于，所述方法包括：根据每个账户的资产价值信息及预设的每个资产价值区间，将账户划分为至少3个等级；基于设定的至少两种等级组合方式，从所述至少3个等级中选取每个子预测模型的训练集，其中每个训练集中包含第一账户及第二账户，将所述第一账户标注为高价值账户，将所述第二账户标注为低价值账户，其中所述第一账户及所述第二账户均包含至少一个等级的账户，且所述第一账户的资产价值高于所述第二账户的资产价值；针对每个子预测模型，基于该子预测模型的训练集中的每个账户的特征向量及对应的标注信息，对该子预测模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述基于设定的至少两种等级组合方式，从所述至少3个等级中选取每个子预测模型的训练集，其中每个训练集中包含第一账户及第二账户包括：将最高资产价值区间对应的第一等级的账户，确定为第一账户；将除所述第一等级之外的其他等级的账户，确定为第二账户，将该第一账户和该第二账户组成的第一训练集确定为第一子预测模型的训练集；确定至少一个第二训练集，针对每个第二训练集，将包括所述第一等级在内的资产价值区间连续的至少两个等级的账户，确定为该第二训练集的第一账户；将除该至少两个等级的账户之外的其他等级的账户，确定为该第二训练集的第二账户；并将该第二训练集确定为任一第二子预测模型的训练集。3.根据权利要求1所述的方法，其特征在于，所述特征向量包括消费特征信息、房车特征信息、理财特征信息中的至少一种。4.一种基于权利要求1
‑
3任一项所述组合预测模型训练方法的账户价值预测方法，其特征在于，所述方法包括：将待预测账户的特征向量分别输入预先训练完成的每个子预测模型，基于所述每个子预测模型输出的概率值及累计概率算法，确定所述待预测账户属于每个等级的第一概率值；根据每个所述第一概率值及预先确定的每个等级对应的权重值，确定所述待预测账户的价值评分值；根据所述价值评分值，确定所述待预测账户的价值信息。5.根据权利要求4所述的方法，其特征在于，预先确定每个等级对应的权重值的过程包括：将最高资产价值区间对应的第一等级的每个账户的特征向量分别输入到预先训练完成的每个子预测模型，基于所述每个子预测模型输出的概率值及累计概率算法，确定所述第一等级的每个账户属于每个等级的第二概率值；基于设定的每个候选权重向量、每个所述第二概率值及线性加权融合法，从每个所述候选权重向量中选取目标权重向量；其中，所述候选权重向量中包含每个等级对应的候选权重值，且所述每个等级对应的候选权重值的和值为设定数值；将所述目标权重向量中包括的每个等级对应的目标权重值，作为所述预先确定的每个等级对应的权重值。6.根据权利要求5所述的方法，其特征在于，所述基于设定的每个候选权重向量、所述
第二概率值及线性加权融合法，从每个所述候选权重向量中选取目标权重向量包括：针对设定的每个候选权重向量，根据该候选权重向量及所述第一等级的每个账户的所述第二概率值，确定该候选权重向量对应的第一等级的每个账户的价值评分总值；根据每个价值评分总值，从每个所述候选权重向量中选取目标权重向量。7.一种组合预测模型训练装置，其特征在于，所述装置包括：组合模块，用于根据每个账户的资产价值信息及预设的每个资产价值区间，将账户划分为至少3个等级；基于设定的至少两种等级...

【专利技术属性】
技术研发人员：姚磊，华锦芝，余洋，肖勇，
申请(专利权)人：中国银联股份有限公司，
类型：发明
国别省市：