目标对象的预测方法、装置及电子设备制造方法及图纸

本发明专利技术公开了一种目标对象的预测方法、装置及电子设备，涉及人工智能技术领域。其中，该方法包括：获取待预测对象的目标数据信息，其中，目标数据信息由第一目标数据信息和第二目标数据信息组成；基于第一目标网络模型对第一目标数据信息进行特征提取，得到第一特征，并基于第二目标网络模型对第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征；基于第一特征、第二特征和第三特征，对待预测对象进行活跃度预测，得到预测结果，其中，预测结果表征待预测对象在交易中的活跃程度。本发明专利技术解决了现有技术中对客户的活跃度预测准确度低的技术问题。跃度预测准确度低的技术问题。跃度预测准确度低的技术问题。

【技术实现步骤摘要】
目标对象的预测方法、装置及电子设备


[0001]本专利技术涉及人工智能
，具体而言，涉及一种目标对象的预测方法、装置及电子设备。

技术介绍

[0002]随着社会经济的快速发展，企业间的商业竞争日益激烈，企业的客户沉睡现象也越来越容易发生。客户沉睡会给企业利润带来很大的损失，另外，获取新客的成本远远高于保留现有客户。客户沉睡预测可以帮助企业及时识别出沉睡客户，以便对其进行相应的客户维护操作。目前，现有技术中已有的预测模型在对沉睡客户进行预测时，将客户在固定时间段内的数据作为一个整体去判断，预测模型的学习能力较低，存在对客户的活跃度预测准确度低的问题。
[0003]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0004]本专利技术实施例提供了一种目标对象的预测方法、装置及电子设备，以至少解决现有技术中对客户的活跃度预测准确度低的技术问题。
[0005]根据本专利技术实施例的一个方面，提供了一种目标对象的预测方法，包括：获取待预测对象的目标数据信息，其中，目标数据信息由第一目标数据信息和第二目标数据信息组成，第一目标数据信息表征待预测对象的固有属性信息，第二目标数据信息表征待预测对象随着时间变化的信息；基于第一目标网络模型对第一目标数据信息进行特征提取，得到第一特征，并基于第二目标网络模型对第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征，其中，第一目标网络模型是由样本数据信息中的固有属性信息训练得到的，第二目标网络模型是由样本数据信息中的随着时间变化的信息训练得到的，第一特征表征待预测对象的属性特征，第二特征表征待预测对象的行为特征，第三特征表征待预测对象的交易账户特征；基于第一特征、第二特征和第三特征，对待预测对象进行活跃度预测，得到预测结果，其中，预测结果表征待预测对象在交易中的活跃程度。
[0006]进一步地，目标对象的预测方法还包括：基于第二目标网络模型的第一子目标网络模型，对第二目标数据信息中的第一子类别目标数据信息进行特征提取，得到第二特征；基于第二目标网络模型的第二子目标网络模型，对第二目标数据信息中的第二子类别目标数据信息进行特征提取，得到第三特征，其中，第一子目标网络模型和第二子目标网络模型所对应的神经网络算法不同。
[0007]进一步地，目标对象的预测方法还包括：对第一特征所对应的数据信息、第二特征所对应的数据信息和第三特征所对应的数据信息进行平均计算，得到预测结果。
[0008]进一步地，目标对象的预测方法还包括：通过目标判别函数对预测结果进行判断，得到判断结果；在判断结果表征预测结果处于预设范围内的情况下，确定待预测对象为目标对象。
[0009]进一步地，目标对象的预测方法还包括：基于目标数据信息的周期性，对目标数据信息进行分类处理，得到第一目标数据信息和第二目标数据信息。
[0010]进一步地，目标对象的预测方法还包括：获取目标样本数据集，并对目标样本数据集进行分类处理，得到训练集、验证集和测试集，其中，目标样本数据集由第一样本数据集和第二样本数据集组成，第一样本数据集由具有目标标签的多个数据组成，第二样本数据集由不具有目标标签的多个数据组成，其中，目标标签所对应的对象为沉睡对象，沉睡对象的活跃度低于预设阈值；基于训练集、验证集和测试集对初始对象预测模型进行处理，得到第一目标网络模型和第二目标网络模型，其中，初始对象预测模型由第一初始网络模型和第二初始网络模型组成，第一初始网络模型用于对训练集中的样本数据信息中的固有属性信息进行训练，第二初始网络模型用于对训练集中的样本数据信息中的随着时间变化的信息进行训练，第二初始网络模型由第一子初始网络模型和第二子初始网络模型组成，第一子初始网络模型和第二子初始网络模型所对应的神经网络算法不同。
[0011]进一步地，目标对象的预测方法还包括：基于训练集构建第一类型样本和第二类型样本的目标相似度矩阵，并对目标相似度矩阵进行计算，得到第一约束项，其中，第一类型样本所对应的对象为同种类型的对象，第二类型样本所对应的对象为不同类型的对象；基于协同训练算法对训练集进行计算，得到第二约束项，并基于第一约束项和第二约束项，得到目标损失函数；采用目标损失函数对初始对象预测模型进行迭代训练，得到第一目标网络模型和第二目标网络模型。
[0012]进一步地，目标对象的预测方法还包括：通过目标损失函数对第一初始网络模型进行迭代训练，得到第一目标网络模型；通过目标损失函数对第一子初始网络模型进行迭代训练，得到第一子目标网络模型；通过目标损失函数对第二子初始网络模型进行迭代训练，得到第二子目标网络模型。
[0013]根据本专利技术实施例的另一方面，还提供了一种目标对象的预测装置，包括：获取模块，用于获取待预测对象的目标数据信息，其中，目标数据信息由第一目标数据信息和第二目标数据信息组成，第一目标数据信息表征待预测对象的固有属性信息，第二目标数据信息表征待预测对象随着时间变化的信息；提取模块，用于基于第一目标网络模型对第一目标数据信息进行特征提取，得到第一特征，并基于第二目标网络模型对第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征，其中，第一目标网络模型是由样本数据信息中的固有属性信息训练得到的，第二目标网络模型是由样本数据信息中的随着时间变化的信息训练得到的，第一特征表征待预测对象的属性特征，第二特征表征待预测对象的行为特征，第三特征表征待预测对象的交易账户特征；预测模块，用于基于第一特征、第二特征和第三特征，对待预测对象进行活跃度预测，得到预测结果，其中，预测结果表征待预测对象在交易中的活跃程度。
[0014]根据本专利技术实施例的另一方面，还提供了一种电子设备，该电子设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现用于运行程序，其中，程序被设置为运行时执行上述的目标对象的预测方法。
[0015]在本专利技术实施例中，采用通过目标网络模型对目标数据信息进行特征提取的方式，首先获取待预测对象的目标数据信息，然后基于第一目标网络模型对第一目标数据信
息进行特征提取，得到第一特征，并基于第二目标网络模型对第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征，再基于第一特征、第二特征和第三特征，对待预测对象进行活跃度预测，得到预测结果。其中，目标数据信息由第一目标数据信息和第二目标数据信息组成，第一目标数据信息表征待预测对象的固有属性信息，第二目标数据信息表征待预测对象随着时间变化的信息，第一目标网络模型是由样本数据信息中的固有属性信息训练得到的，第二目标网络模型是由样本数据信息中的随着时间变化的信息训练得到的，第一特征表征待预测对象的属性特征，第二特征表征待预测对象的行为特征，第三特征表征待预测对象的交易账户特征，预测结果表征待预测对象在交易中的活跃程度。
[0016]在上述过程中，通过获取待预测对象的目标数据信息，为后续对目标数据信息进行特征提取提供了准确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标对象的预测方法，其特征在于，包括：获取待预测对象的目标数据信息，其中，所述目标数据信息由第一目标数据信息和第二目标数据信息组成，所述第一目标数据信息表征所述待预测对象的固有属性信息，所述第二目标数据信息表征所述待预测对象随着时间变化的信息；基于第一目标网络模型对所述第一目标数据信息进行特征提取，得到第一特征，并基于第二目标网络模型对所述第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征，其中，所述第一目标网络模型是由样本数据信息中的固有属性信息训练得到的，所述第二目标网络模型是由样本数据信息中的随着时间变化的信息训练得到的，所述第一特征表征所述待预测对象的属性特征，所述第二特征表征所述待预测对象的行为特征，所述第三特征表征所述待预测对象的交易账户特征；基于所述第一特征、所述第二特征和所述第三特征，对所述待预测对象进行活跃度预测，得到预测结果，其中，所述预测结果表征所述待预测对象在交易中的活跃程度。2.根据权利要求1所述的方法，其特征在于，基于第二目标网络模型对所述第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征，包括：基于所述第二目标网络模型的第一子目标网络模型，对所述第二目标数据信息中的第一子类别目标数据信息进行特征提取，得到所述第二特征；基于所述第二目标网络模型的第二子目标网络模型，对所述第二目标数据信息中的第二子类别目标数据信息进行特征提取，得到所述第三特征，其中，所述第一子目标网络模型和所述第二子目标网络模型所对应的神经网络算法不同。3.根据权利要求1所述的方法，其特征在于，基于所述第一特征、所述第二特征和所述第三特征，对所述待预测对象进行活跃度预测，得到预测结果，包括：对所述第一特征所对应的数据信息、所述第二特征所对应的数据信息和所述第三特征所对应的数据信息进行平均计算，得到所述预测结果。4.根据权利要求3所述的方法，其特征在于，在对所述第一特征所对应的数据信息、所述第二特征所对应的数据信息和所述第三特征所对应的数据信息进行平均计算，得到所述预测结果之后，所述方法还包括：通过目标判别函数对所述预测结果进行判断，得到判断结果；在所述判断结果表征所述预测结果处于预设范围内的情况下，确定所述待预测对象为所述目标对象。5.根据权利要求1所述的方法，其特征在于，在获取待预测对象的目标数据信息之后，所述方法还包括：基于所述目标数据信息的周期性，对所述目标数据信息进行分类处理，得到所述第一目标数据信息和所述第二目标数据信息。6.根据权利要求1所述的方法，其特征在于，通过以下方法生成所述第一目标网络模型和所述第二目标网络模型：获取目标样本数据集，并对所述目标样本数据集进行分类处理，得到训练集、验证集和测试集，其中，所述目标样本数据集由第一样本数据集和第二样本数据集组成，所述第一样本数据集由具有目标标签的多个数据组成，所述第二样本数据集由不具有目标标签的多个数据组成，其中，所述目标标签所对应的对象为沉睡对象，所述沉睡对象的活跃度低于预设
阈值；基于所述训练集、所述验证集和所述测试集对初始对象预测模...

【专利技术属性】
技术研发人员：王照，刘晓宇，刘家奇，顾鹏，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：