一种多能源用户价值预测方法、装置、存储介质和设备制造方法及图纸

本发明专利技术涉及一种多能源用户价值预测方法，包括获取用户的多个能源的历史消费信息，得到多能源历史消费数据集；通过长短期记忆网络LSTM，获得多能源历史消费特征；通过协同注意力网络得到信息融合特征注意值；将信息融合特征注意值附加到多能源历史消费特征后，将多能源历史消费特征输入到用户价值预测模型中，得到用户的多能源用户价值的预测值，根据预测值对用户进行分组，采用分组对应的推荐消费策略向用户发送推荐信息。本发明专利技术可以有效地挖掘潜在的高价值多能源用户，能够根据用户价值进行精准分类，面向用户推荐更加贴心的消费策略。本发明专利技术还涉及一种多能源用户价值预测装置、存储介质和设备。储介质和设备。储介质和设备。

【技术实现步骤摘要】
一种多能源用户价值预测方法、装置、存储介质和设备


[0001]本专利技术涉及信息处理
，尤其涉及一种多能源用户价值预测方法、装置、存储介质和设备。

技术介绍

[0002]用户价值预测是指根据历史交易等数据对用户未来一段时间内的消费能力进行预估，从而对不同消费能力的用户采取不同的用户消费管理以及推荐策略，以达到更好的营销效果。目前，常常会使用传统管理学中的RFM模型来进行用户价值的评估，该模型提供了三个衡量用户价值的重要指标：最近一次消费、消费频率和消费金额。但是，这三个指标之间的权重需要专家根据行业的不同进行调整，同时，需要对这三个指标进行人为统计。除此之外，还有使用机器学习算法来进行用户价值预测，然而，现有方法都是通过将提取的相关特征进行粗暴的拼接，忽略了信息中所含有的重要信息，导致现有的用户价值预测准确率较低。

技术实现思路

[0003]本专利技术所要解决的技术问题是针对现有技术的不足，提供一种多能源用户价值预测方法、装置、存储介质和设备。
[0004]本专利技术解决上述技术问题的技术方案如下：一种多能源用户价本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多能源用户价值预测方法，其特征在于，所述方法包括：获取用户的多个能源的历史消费信息，并对所述历史消费信息进行数据预处理后，得到所述用户的多能源历史消费数据集；通过长短期记忆网络LSTM对所述多能源历史消费数据集进行特征提取，获得与时间序列相关的所述用户的多能源历史消费特征；通过协同注意力网络依次将所述多能源历史消费特征中的各能源历史消费特征进行信息融合后，得到各所述各能源历史消费特征的信息融合特征注意值；将各所述信息融合特征注意值附加到所述多能源历史消费特征后，将所述多能源历史消费特征输入到用户价值预测模型中，得到所述用户的多能源用户价值的预测值，根据所述预测值对所述用户进行分组，采用所述分组对应的推荐消费策略向所述用户发送推荐信息。2.如权利要求1所述的多能源用户价值预测方法，其特征在于，所述对所述历史消费信息进行数据预处理后，得到所述用户的多能源历史消费数据集，具体包括：将所述历史消费信息进行数据预处理后，利用能量当量价值公式，得到所述用户的多能源历史消费数据集。3.如权利要求1所述的多能源用户价值预测方法，其特征在于，所述通过长短期记忆网络LSTM对所述多能源历史消费数据集进行特征提取，获得与时间序列相关的所述用户的多能源历史消费特征，具体包括：确定所述LSTM中输入的节点数、隐藏层神经元的个数和输出结果；由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘，得到所述用户的多能源历史消费特征，其中，所述细胞状态由所述LSTM中的输入门和遗忘门共同决定。4.如权利要求1所述的多能源用户价值预测方法，其特征在于，所述通过协同注意力网络依次将所述多能源历史消费特征中的各能源历史消费特征进行信息融合后，得到各所述各能源历史消费特征的信息融合特征注意值，具体包括：所述协同注意力网络模型包括自我注意模块和关系注意模块；将各所述能源历史消费特征经过所述自我注意模块，得到各能源对应的第一信息特征；将各所述能源历史消费特征通过所述关系注意模块，得到各能源对应的第二信息特征；将所述第一信息特征和所述第二信息特征进行协同注意，得到各所述各能源历史消费特征的信息融合特征注意值。5.如权利要求1所述的多能源用户价值预测方法，其特征在于，所述将所述多能源历史消费特征输入到用户价值预测模...

【专利技术属性】
技术研发人员：沈俊，李振兴，徐少山，王浩，高新强，徐田园，
申请(专利权)人：中国科学院理化技术研究所，
类型：发明
国别省市：