[发明专利]用户意向预测模型训练方法、用户意向预测方法及装置

说明书

本公开提供了一种用户意向预测模型训练方法、用户意向预测方法及装置，可以应用于大数据技术领域、人工智能技术领域和金融技术领域。该用户意向预测模型训练方法包括：获取历史用户数据集，其中，历史用户数据集包括用户属性数据、用户操作数据和用户意向数据；通过提取用户操作数据的主成分特征，生成第一特征数据；将用户属性数据按照不同属性类型构建得到属性特征数据；通过计算属性特征数据和用户意向数据的相关度，确定第二特征数据，其中，第二特征数据包括满足预设条件的与相关度对应的属性特征数据；以及利用第一特征数据和第二特征数据组成的训练样本数据集，训练预设模型，得到用于预测用户意向的用户意向预测模型。

技术领域

本公开涉及大数据技术领域、人工智能技术领域，具体地涉及一种用户意向预测模型训练方法、用户意向预测方法、装置、设备、介质和程序产品。

背景技术

能否准确预测用户意向，以判断用户是否会流失，对于企业具有重要意义。近年来，随着人工神经网络技术的发展，人工神经网络的构建和训练，可以解决较为复杂的逻辑策略的表达问题。

但是，由于影响用户意向的因素数量较多，且影响因素之间的关系较复杂，在训练人工神经网络模型时，需要输入较多的模型参数和模型变量，导致出现了模型训练效率较低以及预测结果不准确的问题。

发明内容

鉴于上述问题，本公开提供了一种用户意向预测模型训练方法、用户意向预测方法、装置、设备、介质和程序产品。

根据本公开的一个方面，提供了一种用户意向预测模型训练方法，包括：

获取历史用户数据集，其中，历史用户数据集包括用户属性数据、用户操作数据和用户意向数据；

通过提取用户操作数据的主成分特征，生成第一特征数据；

将用户属性数据按照不同属性类型构建得到属性特征数据；

通过计算属性特征数据和用户意向数据的相关度，确定第二特征数据，其中，第二特征数据包括满足预设条件的与相关度对应的属性特征数据；以及

利用第一特征数据和第二特征数据组成的训练样本数据集，训练预设模型，得到用于预测用户意向的用户意向预测模型。

根据本公开的实施例，通过计算属性特征数据和用户意向数据的相关度，确定第二特征数据，包括：

分别计算多个属性特征数据与用户意向数据的相关度；

将多个相关度进行排序，得到相关度排序值；

在相关度排序值小于预设阈值的情况下，将相关度排序值对应的属性特征数据，确定为第二特征数据。

根据本公开的实施例，通过提取用户操作数据的主成分特征，生成第一特征数据，包括：

根据多个用户的用户操作数据，构建特征矩阵；

计算特征矩阵的特征向量；

根据特征向量，确定主成分特征向量；

根据主成分特征向量，生成第一特征数据。

根据本公开的实施例，根据多个用户的用户操作数据，构建特征矩阵，包括：

将每一个用户的数据，按行拼接，得到第一向量；

根据多个第一向量，构建特征矩阵。

根据本公开的实施例，根据特征向量，确定主成分特征向量，包括：

通过计算特征向量与特征矩阵中的第一向量的乘积，确定主成分特征向量。

本公开的另一个方面提供了一种用于意向预测方法，包括：