目标事件的预测方法、模型、系统以及相关设备技术方案

本申请涉及一种目标事件的预测方法、模型、系统以及相关设备。目标事件的预测方法包括：获取目标用户的若干个交互事件，其中，交互事件用于构成目标用户的行为序列；分别对交互事件进行编码，形成事件特征向量；对各事件特征向量进行特征提取以及序列化处理，形成行为序列的序列特征向量，序列特征向量作为目标用户的隐状态；融合目标用户的隐状态以及静态属性，获取发生目标事件的预测结果。采用本方法能够覆盖目标用户的交互链路，提高目标事件预测的可靠性。测的可靠性。测的可靠性。

【技术实现步骤摘要】
目标事件的预测方法、模型、系统以及相关设备


[0001]本申请涉及事件预测
，特别是涉及一种目标事件的预测方法、事件预测模型、事件预测系统、计算机设备以及计算机可读存储介质。

技术介绍

[0002]随着保险、电商等行业的快速发展，对各家企业而言提高用户使用体验以及降低自身风险是必要的，因此，对于成交、客诉、欺诈等事件的提前预测也是存在必要的。
[0003]以投诉事件为例，目前一般是被动等待客户进行投诉，当接收到客户投诉之后由人工客服介入，客服无法解决的问题再进一步移交专员进行处理，造成案件处理流转失效长，甚至引发进一步投诉。针对公司而言，投诉量大、投诉成本高、处理难度大、处理时效长则是长期存在的痛点。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够覆盖目标用户的交互链路，提高目标事件预测的可靠性的目标事件的预测方法、事件预测模型、事件预测系统、计算机设备以及计算机可读存储介质。
[0005]一方面，提供一种目标事件的预测方法，目标事件的预测方法包括：获取目标用户的若干个交互事件，其中，交互事件用于构成目标用户的行为序列；分别对交互事件进行编码，形成事件特征向量；对各事件特征向量进行特征提取以及序列化处理，形成行为序列的序列特征向量，序列特征向量作为目标用户的隐状态；融合目标用户的隐状态以及静态属性，获取发生目标事件的预测结果。
[0006]在本申请的一实施例中，对交互事件进行编码，形成事件特征向量包括：对交互事件的位置信息进行编码形成第一子向量，对交互事件的属性信息进行编码形成第二子向量；拼接第一子向量和第二子向量，形成属于当前交互事件的事件特征向量。
[0007]在本申请的一实施例中，交互事件的位置信息为，基于交互事件的发生时间决定的交互事件于行为序列的位置；属性信息包括交互事件的类型、时长、结果中的至少一者。
[0008]在本申请的一实施例中，对各事件特征向量进行特征提取以及序列化处理，形成行为序列的序列特征向量包括：基于各交互事件的发生顺序，依次对各事件特征向量结合在先交互事件的信息进行特征提取，得到行为特征向量；利用行为特征向量对在先形成的序列特征向量进行递归调用，形成作为所述隐状态的新的序列特征向量。
[0009]在本申请的一实施例中，融合目标用户的隐状态以及静态属性，获取发生目标事件的预测结果包括：对目标用户的静态属性进行特征变换，形成目标用户的静态属性特征向量；对序列特征向量与目标用户的静态属性特征向量进行融合处理，得到发生目标事件的预测结果。
[0010]在本申请的一实施例中，获取目标用户的若干个交互事件包括：以预设时长为间隔周期性地获取预设时长内所发生的交互事件；和/或，响应于发生新的交互事件，获取目
标用户的交互事件。
[0011]另一方面，提供了一种事件预测模型，事件预测模型包括：编码模块、序列模型以及静态模型；编码模块用于对所获取的若干个目标用户交互事件分别进行编码，形成事件特征向量；其中，交互事件用于构成目标用户的行为序列；序列模型用于对各事件特征向量进行特征提取以及序列化处理，形成行为序列的序列特征向量，序列特征向量作为目标用户的隐状态；静态模型用于获取目标用户的静态属性；静态属性特征向量用于与隐状态融合，获取发生目标事件的预测结果。
[0012]另一方面，提供了一种事件预测系统，事件预测系统包括：事件预测模型以及融合模型；事件预测模型用于获取目标用户的若干个交互事件，其中，交互事件用于构成目标用户的行为序列；分别对交互事件进行编码，形成事件特征向量；对各事件特征向量进行特征提取以及序列化处理，形成行为序列的序列特征向量，序列特征向量作为目标用户的隐状态；融合模型用于融合目标用户的隐状态以及静态属性，获取发生目标事件的预测结果。
[0013]再一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取目标用户的若干个交互事件，其中，交互事件用于构成目标用户的行为序列；分别对交互事件进行编码，形成事件特征向量；对各事件特征向量进行特征提取以及序列化处理，形成行为序列的序列特征向量，序列特征向量作为目标用户的隐状态；融合目标用户的隐状态以及静态属性，获取发生目标事件的预测结果。
[0014]又一方面，提供了一种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以下步骤：获取目标用户的若干个交互事件，其中，交互事件用于构成目标用户的行为序列；分别对交互事件进行编码，形成事件特征向量；对各事件特征向量进行特征提取以及序列化处理，形成行为序列的序列特征向量，序列特征向量作为目标用户的隐状态；融合目标用户的隐状态以及静态属性，获取发生目标事件的预测结果。
[0015]上述目标事件的预测方法、事件预测模型、事件预测系统、计算机设备以及计算机可读存储介质，将目标用户的交互事件视作用户的行为序列。基于目标用户的行为序列，对各交互事件进行特征提取以及序列化处理得到序列特征向量，将序列特征向量作为目标用户隐状态，隐状态表示预测得到的目标用户状态，从而实现隐状态能够覆盖目标用户的交互链路。结合目标用户的静态属性以及隐状态获取发生目标事件的预测结果，从而提高目标事件预测的可靠性。
附图说明
[0016]图1是本申请目标事件的预测方法一实施例的应用环境示意图；
[0017]图2是本申请目标事件的预测方法一实施例的流程示意图；
[0018]图3是本申请目标事件的预测方法另一实施例的流程示意图；
[0019]图4是图3所示目标事件的预测方法另一视角的流程示意图；
[0020]图5是本申请事件预测系统一实施例的结构示意图；
[0021]图6是本申请事件预测模型一实施例的结构示意图；
[0022]图7是图6所示事件预测模型所形成事件预测系统一实施例的结构示意图；
[0023]图8是本申请计算机设备一实施例的结构示意图。
具体实施方式
[0024]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。
[0025]相关技术中典型机器学习技术均可以用于进行目标事件的预测。其中，目标事件可以是诸如投诉行为、欺诈行为等风险预测，也可以是诸如成交行为、好评行为等事件的预测。
[0026]相关技术中的预测模型通常是在关键环境对用户的风险水平等进行预测。预测模型可以是广义线性回归模型、树模型、核模型为代表的传统机器学习模型，也可以是以深度网络为代表的深度学习模型。同时，一些融合传统机器学习模型和深度学习模型二者优势的Wide&Deep结构模型、多模态融合模型也逐渐在实际业务中得到应用。
[0027]其中，Wide&Deep结构模型中，Deep部分通常包括一个多层前馈神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标事件的预测方法，其特征在于，包括：获取目标用户的若干个交互事件，其中，所述交互事件用于构成目标用户的行为序列；分别对所述交互事件进行编码，形成事件特征向量；对各所述事件特征向量进行特征提取以及序列化处理，形成所述行为序列的序列特征向量，所述序列特征向量作为目标用户的隐状态；融合目标用户的所述隐状态以及静态属性，获取发生目标事件的预测结果。2.根据权利要求1中所述的目标事件的预测方法，其特征在于，所述对所述交互事件进行编码，形成事件特征向量包括：对所述交互事件的位置信息进行编码形成第一子向量，对所述交互事件的属性信息进行编码形成第二子向量；拼接所述第一子向量和所述第二子向量，形成属于当前所述交互事件的所述事件特征向量。3.根据权利要求2中所述的目标事件的预测方法，其特征在于，所述交互事件的位置信息为，基于所述交互事件的发生时间决定的所述交互事件于所述行为序列的位置；所述属性信息包括所述交互事件的类型、时长、结果中的至少一者。4.根据权利要求1中所述的目标事件的预测方法，其特征在于，所述对各所述事件特征向量进行特征提取以及序列化处理，形成所述行为序列的序列特征向量包括：基于各所述交互事件的发生顺序，依次对各所述事件特征向量结合在先交互事件的信息进行特征提取，得到行为特征向量；利用所述行为特征向量对在先形成的序列特征向量进行递归调用，形成作为所述隐状态的新的序列特征向量。5.根据权利要求1中所述的目标事件的预测方法，其特征在于，所述融合目标用户的所述隐状态以及静态属性，获取发生目标事件的预测结果包括：对目标用户的静态属性进行特征变换，形成目标用户的静态属性特征向量；对所述序列特征向量与目标用户的静态属...

【专利技术属性】
技术研发人员：王恒，田慧，杨美玲，高杭，
申请(专利权)人：众安在线财产保险股份有限公司，
类型：发明
国别省市：