【技术实现步骤摘要】
本公开涉及人工智能或金融科技领域，具体地，涉及一种运营决策方法、装置、设备、介质和程序产品。
技术介绍
1、现有的运营决策分析过程中，通常采用基于规则的决策分流方法。现有的基于规则的决策方法主要包括基于经验的规则判断，基于统计分析的规则判断，以及基于专家系统的规则判断。随着人工智能技术的迅猛发展，越来越多的人工智能技术被运用到自动化决策生成过程中。其相较基于规则的决策方法更加高效准确。然而，单一的模型很难满足准确率的需求，而复杂的模型需占用较多的存储资源和算力。
技术实现思路
1、鉴于上述问题，本公开的实施例提供了一种运营决策方法、装置、设备、介质和程序产品。
2、根据本公开的第一个方面，提供了一种运营决策方法，包括：获取多名用户的用户触点数据，其中，在获取用户触点数据前，获取用户对采集所述用户触点数据的授权；基于所述用户触点数据构建针对每一名用户的用户画像，所述用户画像包含多维数据；将所述多名用户的用户画像输入至运营决策模型，以利用所述运营决策模型对所述用户画像进行处理，获取各用户的用户交易倾向，其中，所述用户交易倾向包括用户倾向交易的产品种类；以及基于所述用户交易倾向生成运营推荐信息，其中，所述运营决策模型包括连接设置的特征提取单元及回归预测单元，其中，所述特征提取单元用于对所述用户画像降维并提取特征信息，以获取一维特征向量；所述回归预测单元用于对所述一维特征向量进行处理，以实现用户分类，输出所述用户交易倾向的预测结果。
3、根据本公开的实施例，所述方法
4、根据本公开的实施例，特征提取单元包含reshape层，卷积层，flatten层以及全连接层，利用特征提取单元对用户画像数据进行处理以获取一维特征向量包括：将所述用户画像数据输入至所述reshape层，利用所述reshape层对所述用户画像数据降维，获取用于输入卷积层的第一提取数据；利用卷积层对所述第一提取数据进行处理，提取并整合所述第一提取数据的特征信息，获取第二提取数据；将所述第二提取数据利用所述flatten层进行压平处理，获取第三提取数据；以及对所述第三提取数据利用全连接层进行全局信息提取，获取第四提取数据，其中，所述第四提取数据为一维特征向量。
5、根据本公开的实施例，回归预测单元为包含多个线性基学习器的集合模型，利用回归预测单元对所述一维特征向量进行处理，以输出所述用户交易倾向包括：利用所述多个基学习器中的每一个对所述一维特征向量进行计算；以及对来自于所有基学习器的计算结果进行加权，获取所述用户交易倾向的预测结果，其中，所述加权基于各基学习器在训练过程中得到的权重进行。
6、根据本公开的实施例，所述回归预测单元包括xgboost线性回归器。
7、根据本公开的实施例，用户画像数据包括用户属性数据，用户交易行为数据，用户标签数据，以及时间维度数据。
8、根据本公开的实施例，所述用户触点数据获取自边缘服务器；所述开展运营活动包括向用户终端推送运营信息，其中，接收运营信息的用户为用户群中的用户，所述用户群基于用户交易倾向的预测结果构建。
9、本公开的第二方面提供了一种运营决策装置，包括：获取模块，用于获取多名用户的用户触点数据，其中，在获取用户触点数据前，获取用户对采集所述用户触点数据的授权；画像构建模块，用于基于所述用户触点数据构建针对每一名用户的用户画像，所述用户画像包含多维数据；预测模块，用于将所述多名用户的用户画像输入至运营决策模型，以利用所述运营决策模型对所述用户画像进行处理，获取各用户的用户交易倾向，其中，所述用户交易倾向包括用户倾向交易的金融产品种类；以及生成模块，用于基于所述用户交易倾向生成运营推荐信息，其中，所述运营决策模型包括连接设置的特征提取单元及回归预测单元，其中，所述特征提取单元用于对所述用户画像降维并提取特征信息，以获取一维特征向量；所述回归预测单元用于对所述一维特征向量进行处理，以实现用户分类，输出所述用户交易倾向的预测结果。
10、根据本公开的实施例的运营决策装置，可以基于预设的时间间隔获取更新的用户触点数据和运营数据；基于所述更新的用户触点数据和运营数据更新用户画像；以及基于更新的用户画像对所述运营决策模型进行更新。
11、根据本公开的实施例的运营决策装置中的运营决策模型，特征提取单元包含reshape层，卷积层，flatten层以及全连接层，利用特征提取单元对用户画像数据进行处理以获取一维特征向量包括：将所述用户画像数据输入至所述reshape层，利用所述reshape层对所述用户画像数据降维，获取用于输入卷积层的第一提取数据；利用卷积层对所述第一提取数据进行处理，提取并整合所述第一提取数据的特征信息，获取第二提取数据将所述第二提取数据利用所述flatten层进行压平处理，获取第三提取数据；以及对所述第三提取数据利用全连接层进行全局信息提取，获取第四提取数据，其中，所述第四提取数据为一维特征向量。
12、根据本公开的实施例的运营决策装置中的运营决策模型，其中，所述回归预测单元为包含多个线性基学习器的集合模型，利用回归预测单元对所述一维特征向量进行处理，以输出所述用户交易倾向包括：利用所述多个基学习器中的每一个对所述一维特征向量进行计算；以及对来自于所有基学习器的计算结果进行加权，获取所述用户交易倾向的预测结果，其中，所述加权基于各基学习器在训练过程中得到的权重进行。
13、根据本公开的实施例的运营决策装置中的运营决策模型，所述回归预测单元包括xgboost线性回归器。
14、根据本公开的实施例的运营决策装置，所述用户画像数据包括用户属性数据，用户交易行为数据，用户标签数据，以及时间维度数据。
15、根据本公开的实施例的运营决策装置，所述用户触点数据获取自边缘服务器；所述开展运营活动包括向用户终端推送运营信息，其中，接收运营信息的用户为用户群中的用户，所述用户群基于用户交易倾向的预测结果构建。
16、本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述运营决策方法。
17、本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述运营决策方法。
18、本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述运营决策方法。
19、在本公开的实施例中，将特征提取器与回归预测模型相结合，利用提取特征后的一维向量作为输入数据输入回归预测单元进行处理，相比单一的特征提取模型和回归预测模型具有更高的预测准确度，且由于特征提取器仅用于提取特征，无需应用特本文档来自技高网...
【技术保护点】
1.一种运营决策方法，其特征在于，所述方法包括：
2.一种根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，特征提取单元包含reshape层，卷积层，Flatten层以及全连接层，利用特征提取单元对用户画像数据进行处理以获取一维特征向量包括：
4.根据权利要求1所述的方法，其特征在于，所述回归预测单元为包含多个线性基学习器的集合模型，利用回归预测单元对所述一维特征向量进行处理，以输出所述用户交易倾向包括：
5.根据权利要求1～4中任一项所述的方法，其特征在于，所述回归预测单元包括XGBoost线性回归器。
6.根据权利要求1所述的方法，其特征在于，所述用户画像数据包括用户属性数据，用户交易行为数据，用户标签数据，以及时间维度数据。
7.根据权利要求1所述的方法，其中，所述用户触点数据获取自边缘服务器；所述开展运营活动包括向用户终端推送运营信息，其中，接收运营信息的用户为用户群中的用户，所述用户群基于用户交易倾向的预测结果构建。
8.一种运营决策装置，
9.一种电子设备，包括：
10.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序被处理器执行时实现根据权利要求1～7中任一项所述方法的步骤。
11.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1～7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种运营决策方法，其特征在于，所述方法包括：
2.一种根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，特征提取单元包含reshape层，卷积层，flatten层以及全连接层，利用特征提取单元对用户画像数据进行处理以获取一维特征向量包括：
4.根据权利要求1所述的方法，其特征在于，所述回归预测单元为包含多个线性基学习器的集合模型，利用回归预测单元对所述一维特征向量进行处理，以输出所述用户交易倾向包括：
5.根据权利要求1～4中任一项所述的方法，其特征在于，所述回归预测单元包括xgboost线性回归器。
6.根据权利要求1所述的方法，其特征在于，所述用户画像数据...
【专利技术属性】
技术研发人员：闫森，张宏根，刘亚茜，秦懿，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。