业务办理概率预测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种业务办理概率预测方法、装置、计算机设备和存储介质。所述方法包括：获取当前用户序列，确认目标用户在当前用户序列中的排序位置；排序位置用于表示用户的业务办理次序；获取参考用户针对目标业务的办理行为结果；其中，参考用户在当前用户序列中的排序位置位于目标用户的排序位置之前；基于目标用户的排序位置，采用隐马尔科夫模型处理参考用户针对目标业务的办理行为结果，得到目标用户针对目标业务的业务办理概率预测结果；其中，隐马尔科夫模型的模型参数为根据对应目标业务的历史办理行为数据确定。采用本申请能够提高用户业务办理概率的预测准确度。用户业务办理概率的预测准确度。用户业务办理概率的预测准确度。

【技术实现步骤摘要】
业务办理概率预测方法、装置、计算机设备和存储介质


[0001]本申请涉及大数据
，特别是涉及一种业务办理概率预测方法、装置、计算机设备和存储介质。

技术介绍

[0002]目前，随着业务系统和其它服务系统的快速发展，如何为用户推荐符合用户需求的业务或服务对象，准确确定用户的业务办理倾向变得越来越重要。对于用户办理行为预测，传统方式一般是根据用户的办理记录，来预测用户的办理行为，但在实际应用中，用户的办理意愿往往会发生变化。目前的办理行为预测方式，存在预测准确度低等问题。

技术实现思路

[0003]基于此，有必要针对上述技术问题，提供一种能够提高预测准确度的业务办理概率预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0004]第一方面，本申请提供了一种业务办理概率预测方法。所述方法包括：
[0005]获取当前用户序列，确认目标用户在当前用户序列中的排序位置；排序位置用于表示用户的业务办理次序；
[0006]获取参考用户针对目标业务的办理行为结果；其中，参考用户在当前用户序列中的排序位置位于目标用户的排序位置之前；
[0007]基于目标用户的排序位置，采用隐马尔科夫模型处理参考用户针对目标业务的办理行为结果，得到目标用户针对目标业务的业务办理概率预测结果；其中，隐马尔科夫模型的模型参数为根据对应目标业务的历史办理行为数据确定。
[0008]在其中一个实施例中，所述方法还包括：
[0009]获取历史用户序列；历史用户序列中的用户包括在预设时段内办理业务的历史用户；
[0010]对历史用户序列进行统计，得到历史办理行为数据；历史办理行为数据包括历史用户的用户类型、历史用户针对目标业务的办理行为结果、以及历史用户在历史用户序列中的排序位置。
[0011]在其中一个实施例中，隐马尔科夫模型的模型参数包括初始概率分布、状态转移概率分布和观测概率分布；所述方法还包括：
[0012]对历史用户的用户类型进行统计，得到初始概率分布；
[0013]根据历史用户的用户类型与历史用户的排序位置之间的第一映射关系，得到状态转移概率分布；
[0014]基于历史用户的用户类型与历史用户针对目标业务的办理行为结果之间的第二映射关系，确定观测概率分布。
[0015]在其中一个实施例中，所述方法还包括：
[0016]基于用户类型构建隐马尔科夫模型的状态集合；用户类型为对用户办理记录进行
划分得到；
[0017]基于针对目标业务的办理行为类型构建隐马尔科夫模型的观测集合。
[0018]在其中一个实施例中，基于目标用户的排序位置，采用隐马尔科夫模型处理参考用户针对目标业务的办理行为结果，得到目标用户针对目标业务的业务办理概率预测结果的步骤包括：
[0019]根据当前用户序列指定针对目标业务的隐马尔科夫模型的观测序列；
[0020]采用前向算法处理观测序列，得到观测序列的概率值；
[0021]基于观测序列的概率值，确定目标用户针对目标业务的业务办理概率预测结果。
[0022]在其中一个实施例中，所述方法还包括：
[0023]若目标用户针对目标业务的业务办理概率预测结果大于或等于预设概率阈值，则基于目标用户针对目标业务的业务办理概率预测结果，输出匹配目标用户的资源推荐策略。
[0024]第二方面，本申请还提供了一种业务办理概率预测装置。所述装置包括：
[0025]用户序列获取模块，用于获取当前用户序列，确认目标用户在当前用户序列中的排序位置；排序位置用于表示用户的业务办理次序；
[0026]参考用户获取模块，用于获取参考用户针对目标业务的办理行为结果；其中，参考用户在当前用户序列中的排序位置位于目标用户的排序位置之前；
[0027]办理概率输出模块，用于基于目标用户的排序位置，采用隐马尔科夫模型处理参考用户针对目标业务的办理行为结果，得到目标用户针对目标业务的业务办理概率预测结果；其中，隐马尔科夫模型的模型参数为根据对应目标业务的历史办理行为数据确定。
[0028]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的方法的步骤。
[0029]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的方法的步骤。
[0030]第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
[0031]上述业务办理概率预测方法、装置、计算机设备、存储介质和计算机程序产品，通过对应目标业务的历史办理行为数据能够确定隐马尔科夫模型的模型参数；基于目标用户在当前用户序列中的排序位置，采用隐马尔科夫模型处理参考用户针对目标业务的办理行为结果，能够得到目标用户针对目标业务的业务办理概率预测结果；上述方法能够反映用户办理目标业务的概率受时间因素影响发生变化，进而提高了业务办理概率的预测准确度。
附图说明
[0032]图1为一个实施例中业务办理概率预测方法的流程示意图；
[0033]图2为一个实施例中业务办理概率预测步骤的流程图；
[0034]图3为另一个实施例中业务办理概率预测步骤的流程图；
[0035]图4为一个实施例中业务办理概率预测装置的结构框图；
[0036]图5为一个实施例中计算机设备的内部结构图；
[0037]图6为另一个实施例中计算机设备的内部结构图。
具体实施方式
[0038]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0039]除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
[0040]以下介绍本申请实施例所涉及的技术术语：
[0041]隐马尔科夫：隐马尔科夫模型是统计模型，用来描述一个含有隐含未知参数的马尔科夫过程。其从可观察的参数中确认该过程的隐含参数，然后利用这些参数来作进一步的分析，例如模式识别。
[0042]银行基金：是相关银行基金公司向社会公开募集小额资金，然后将筹集来的资金用于投资，赚取其中的手续费，将利润返回给相关客户的一种模式。
[0043]马尔科夫链：是概率论和数理统计中具有马尔科夫性质且存在于离散的数据集和状态空间内的随机过程。马尔科夫链是一个较为宽泛的概念，例如，可以包括连续时间马尔科夫链和离散马尔科夫链。
[0044]直接计算法：隐马尔科夫模型中一种计算观测序列概率的算法。按照概率公式，列举所有可能的长度为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种业务办理概率预测方法，其特征在于，所述方法包括：获取当前用户序列，确认目标用户在所述当前用户序列中的排序位置；所述排序位置用于表示用户的业务办理次序；获取参考用户针对目标业务的办理行为结果；其中，所述参考用户在所述当前用户序列中的排序位置位于所述目标用户的排序位置之前；基于所述目标用户的排序位置，采用隐马尔科夫模型处理所述参考用户针对所述目标业务的办理行为结果，得到所述目标用户针对所述目标业务的业务办理概率预测结果；其中，所述隐马尔科夫模型的模型参数为根据对应所述目标业务的历史办理行为数据确定。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取历史用户序列；所述历史用户序列中的用户包括在预设时段内办理业务的历史用户；对所述历史用户序列进行统计，得到所述历史办理行为数据；所述历史办理行为数据包括历史用户的用户类型、历史用户针对所述目标业务的办理行为结果、以及历史用户在所述历史用户序列中的排序位置。3.根据权利要求2所述的方法，其特征在于，所述隐马尔科夫模型的模型参数包括初始概率分布、状态转移概率分布和观测概率分布；所述方法还包括：对所述历史用户的用户类型进行统计，得到所述初始概率分布；根据所述历史用户的用户类型与所述历史用户的排序位置之间的第一映射关系，得到所述状态转移概率分布；基于所述历史用户的用户类型与所述历史用户针对所述目标业务的办理行为结果之间的第二映射关系，确定所述观测概率分布。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于用户类型构建所述隐马尔科夫模型的状态集合；所述用户类型为对用户办理记录进行划分得到；基于针对所述目标业务的办理行为类型构建所述隐马尔科夫模型的观测集合。5.根据权利要求4所述的方法，其特征在于，所述基于所述目标用户的排序位置，采用隐马尔科夫模型处理所述参考用...

【专利技术属性】
技术研发人员：汪志艺，杨俊勉，吴佳文，郑永健，
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：