基于人工智能的对象分层方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及人工智能领域，提供一种基于人工智能的对象分层方法、装置、设备及介质，能够根据每个层级的正样本命中率确定至少一个待评估层，实现初始层级的划分，便于后续进行评估与调节，依次验证每个待评估层的正样本命中率的合理性，便于后续进行修正，以保证训练的模型分层的合理性，根据待分层人群的正样本命中率、每个待分层人员对应的预测概率及每个待评估层的正样本命中率对待分层人员进行分层处理，得到分层结果，实现对人群的层级划分，便于后续有针对性的管理及任务分配。本发明专利技术还涉及区块链技术，所述分层结果可以存储于区块链节点上。节点上。节点上。

【技术实现步骤摘要】
基于人工智能的对象分层方法、装置、设备及介质


[0001]本专利技术涉及人工智能
，尤其涉及一种基于人工智能的对象分层方法、装置、设备及介质。

技术介绍

[0002]在实际应用场景中，大多数时候，模型的训练时间和实际投入使用的时间是不同的，且二者之间通常存在较大的时间差。
[0003]例如，在对象(如保险代理人等)优质增员主体预测场景中，优质增员主体的占比在10％～20％之间波动，预测人群的正样本占比波动较大。可见，由于模型的训练时间与实际使用的时间存在较大时间间隔，导致模型的输出精度不稳定，极不利于在应用场景中的推广应用。
[0004]上述结果将导致对对象优质增员主体预测的准确度不稳定，进而无法对对象进行合理分层，最终将导致对对象的任务分配及管理等事项的不合理，并影响对象群体整体的任务完成情况。

技术实现思路

[0005]本专利技术实施例提供了一种基于人工智能的对象分层方法、装置、设备及介质，旨在解决在对对象优质增员主体进行预测时准确度不高，且无法对对象分层的问题。
[0006]第一方面，本专利技术实施例提供了一种基于人工智能的对象分层方法，其包括：
[0007]获取对象历史增员数据，并利用所述历史增员数据构建样本集，拆分所述样本集，得到训练集及验证集；
[0008]获取具有分类作用的预设模型，并利用所述训练集训练所述预设模型，得到中间模型；
[0009]将所述验证集输入至所述中间模型，得到所述验证集中每个样本的预测概率；
[0010]将所述验证集中的每个样本按照所述预测概率由高到低的顺序进行排序，得到样本序列；
[0011]按照预设份数对所述样本序列由列首向列尾进行拆分，得到至少一个子样本集；
[0012]计算所述验证集的整体正样本命中率，及计算每个子样本集的正样本命中率；
[0013]获取所述中间模型的每个层级的正样本命中率，并根据每个层级的正样本命中率确定至少一个待评估层；
[0014]根据所述整体正样本命中率及每个子样本集的正样本命中率校验每个待评估层的正样本命中率的合理性；
[0015]当每个待评估层的正样本命中率的合理性都通过校验时，将所述中间模型确定为目标模型；
[0016]获取待分层人群，并预测所述待分层人群的正样本命中率；
[0017]获取所述待分层人群中每个待分层人员对应的待处理数据，并将所述待处理数据
输入至所述目标模型，得到每个待分层人员对应的预测概率；
[0018]根据所述待分层人群的正样本命中率、每个待分层人员对应的预测概率及每个待评估层的正样本命中率对所述待分层人员进行分层处理，得到分层结果。
[0019]根据本专利技术优选实施例，所述计算所述验证集的整体正样本命中率，及计算每个子样本集的正样本命中率包括：
[0020]获取所述验证集中样本的总数量；
[0021]获取所述验证集中正样本的数量；
[0022]计算所述验证集中正样本的数量与所述验证集中样本的总数量的商，并作为所述整体正样本命中率；
[0023]获取每个子样本集中样本的总数量；
[0024]获取每个子样本集中正样本的数量；
[0025]计算每个子样本集中正样本的数量与每个子样本集中样本的总数量的商，并作为每个子样本集的正样本命中率。
[0026]根据本专利技术优选实施例，所述根据每个层级的正样本命中率确定至少一个待评估层包括：
[0027]按照每个层级的正样本命中率由高到低的顺序对每个层级进行排序；
[0028]将除最后一层之外的层级确定为所述至少一个待评估层。
[0029]根据本专利技术优选实施例，所述根据所述整体正样本命中率及每个子样本集的正样本命中率校验每个待评估层的正样本命中率的合理性包括：
[0030]确定每个待评估层所包含的子样本集；
[0031]计算每个待评估层所包含的子样本集的正样本命中率的和，并作为每个待评估层的正样本命中率；
[0032]计算每个待评估层的正样本命中率与所述整体正样本命中率的商，得到每个待评估层的正样本提升度；
[0033]获取每个待评估层所包含的子样本集的正样本命中率的最大值，并作为每个待评估层的第一阈值；
[0034]确定所述对象历史增员数据对应的数据库，并从所述数据库中获取预设时间范围内，每个预设周期所包含的数据对应的正样本命中率的最小值；
[0035]计算每个待评估层的正样本命中率与所述最小值的商，并作为每个待评估层的最大正样本命中率；
[0036]当检测到有第一待评估层的所述正样本提升度及所述最大正样本命中率都小于或者等于所述第一待评估层的第一阈值时，确定所述第一待评估层的正样本命中率的合理性通过校验；或者
[0037]当检测到有第二待评估层的所述正样本提升度及所述最大正样本命中率不都小于或者等于所述第二待评估层的第一阈值时，确定所述第二待评估层的正样本命中率的合理性未通过校验。
[0038]根据本专利技术优选实施例，所述方法还包括：
[0039]当每个待评估层的正样本命中率的合理性未都通过校验时，按照每个待评估层的正样本命中率由高到低的顺序依次遍历每个待评估层的合理性；
[0040]当遍历到有待评估层的合理性未通过校验时，按照预设倍数不断缩小遍历到的待评估层的正样本命中率，直至所述遍历到的待评估层的正样本命中率通过校验；
[0041]从所述遍历到的待评估层开始继续遍历并按照所述预设倍数调整，直至每个待评估层的正样本命中率的合理性都通过校验，停止遍历。
[0042]根据本专利技术优选实施例，所述预测所述待分层人群的正样本命中率包括：
[0043]获取预设的时序函数；
[0044]将所述预设时间范围内，每个预设周期所包含的数据对应的正样本命中率，以及对应点的时间确定为所述时序函数的因子，并构建趋势图，其中，所述趋势图用于反映出时间与正样本命中率的映射关系；
[0045]获取所述待分层人群对应的当前时间；
[0046]基于所述当前时间在所述趋势图中的位置，确定所述待分层人群的正样本命中率。
[0047]根据本专利技术优选实施例，所述根据所述待分层人群的正样本命中率、每个待分层人员对应的预测概率及每个待评估层的正样本命中率对所述待分层人员进行分层处理，得到分层结果包括：
[0048]计算每个待评估层的正样本命中率与所述待分层人群的正样本命中率的商，得到所述待分层人群在每个待评估层的正样本提升度；
[0049]计算所述整体正样本命中率与所述待分层人群在每个待评估层的正样本提升度的乘积，得到所述待分层人群在每个待评估层的正样本命中率的总和；
[0050]根据所述待分层人群在每个待评估层的正样本命中率的总和，确定所述待分层人群在每个待评估层对应的所述子样本集的数量；
[0051]计算所述待分层人群在每个待评估层对应的所述子样本集的数量与所述预设份数的商本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的对象分层方法，其特征在于，包括：获取对象历史增员数据，并利用所述历史增员数据构建样本集，拆分所述样本集，得到训练集及验证集；获取具有分类作用的预设模型，并利用所述训练集训练所述预设模型，得到中间模型；将所述验证集输入至所述中间模型，得到所述验证集中每个样本的预测概率；将所述验证集中的每个样本按照所述预测概率由高到低的顺序进行排序，得到样本序列；按照预设份数对所述样本序列由列首向列尾进行拆分，得到至少一个子样本集；计算所述验证集的整体正样本命中率，及计算每个子样本集的正样本命中率；获取所述中间模型的每个层级的正样本命中率，并根据每个层级的正样本命中率确定至少一个待评估层；根据所述整体正样本命中率及每个子样本集的正样本命中率校验每个待评估层的正样本命中率的合理性；当每个待评估层的正样本命中率的合理性都通过校验时，将所述中间模型确定为目标模型；获取待分层人群，并预测所述待分层人群的正样本命中率；获取所述待分层人群中每个待分层人员对应的待处理数据，并将所述待处理数据输入至所述目标模型，得到每个待分层人员对应的预测概率；根据所述待分层人群的正样本命中率、每个待分层人员对应的预测概率及每个待评估层的正样本命中率对所述待分层人员进行分层处理，得到分层结果。2.根据权利要求1所述的基于人工智能的对象分层方法，其特征在于，所述计算所述验证集的整体正样本命中率，及计算每个子样本集的正样本命中率包括：获取所述验证集中样本的总数量；获取所述验证集中正样本的数量；计算所述验证集中正样本的数量与所述验证集中样本的总数量的商，并作为所述整体正样本命中率；获取每个子样本集中样本的总数量；获取每个子样本集中正样本的数量；计算每个子样本集中正样本的数量与每个子样本集中样本的总数量的商，并作为每个子样本集的正样本命中率。3.根据权利要求1所述的基于人工智能的对象分层方法，其特征在于，所述根据每个层级的正样本命中率确定至少一个待评估层包括：按照每个层级的正样本命中率由高到低的顺序对每个层级进行排序；将除最后一层之外的层级确定为所述至少一个待评估层。4.根据权利要求1所述的基于人工智能的对象分层方法，其特征在于，所述根据所述整体正样本命中率及每个子样本集的正样本命中率校验每个待评估层的正样本命中率的合理性包括：确定每个待评估层所包含的子样本集；计算每个待评估层所包含的子样本集的正样本命中率的和，并作为每个待评估层的正
样本命中率；计算每个待评估层的正样本命中率与所述整体正样本命中率的商，得到每个待评估层的正样本提升度；获取每个待评估层所包含的子样本集的正样本命中率的最大值，并作为每个待评估层的第一阈值；确定所述对象历史增员数据对应的数据库，并从所述数据库中获取预设时间范围内，每个预设周期所包含的数据对应的正样本命中率的最小值；计算每个待评估层的正样本命中率与所述最小值的商，并作为每个待评估层的最大正样本命中率；当检测到有第一待评估层的所述正样本提升度及所述最大正样本命中率都小于或者等于所述第一待评估层的第一阈值时，确定所述第一待评估层的正样本命中率的合理性通过校验；或者当检测到有第二待评估层的所述正样本提升度及所述最大正样本命中率不都小于或者等于所述第二待评估层的第一阈值时，确定所述第二待评估层的正样本命中率的合理性未通过校验。5.根据权利要求1所述的基于人工智能的对象分层方法，其特征在于，所述方法还包括：当每个待评估层的正样本命中率的合理性未都通过校验时，按照每个待评估层的正样本命中率由高到低的顺序依次遍历每个待评估层的合理性；当遍历到有待评估层的合理性未通过校验时，按照预设倍数不断缩小遍历到的待评估层的正样本命中率，直至所述遍历...

【专利技术属性】
技术研发人员：张巧丽，
申请(专利权)人：中国平安人寿保险股份有限公司，
类型：发明
国别省市：