基于特征匹配的用户促活方法、装置、设备及存储介质制造方法及图纸

本申请实施例公开了一种基于特征匹配的用户促活方法、装置、设备及存储介质，应用于人工智能领域，包括：获取目标用户的用户业务数据中与促活属性条目对应的目标促活属性数据；将目标促活属性数据输入活跃度预测模型，通过活跃度预测模型得到目标用户的预测业务活跃度；若目标用户的预测业务活跃度大于或者等于活跃度阈值，则基于目标促活属性数据确定目标用户的业务特征，并基于目标用户的业务特征和各用户类型的业务特征确定目标用户所属的用户类型；基于目标用户所属的用户类型获取目标用户的对应的促活操作数据，并基于促活操作数据向目标用户发送促活信息。采用本申请实施例，可提高用户促活的效率，同时降低用户促活的成本。的成本。的成本。

【技术实现步骤摘要】
基于特征匹配的用户促活方法、装置、设备及存储介质


[0001]本申请涉及人工智能领域，尤其涉及一种基于特征匹配的用户促活方法、装置、设备及存储介质。

技术介绍

[0002]目前，随着互联网技术的不断发展，越来越多的应用层出不穷，这使得新的应用获取用户的成本越来越高，且旧的应用也面临着用户流失的问题。用户活跃度作为一种常见的应用运营指标，可以评价一个应用的运营质量。例如，在金融领域的应用中，较好的用户活跃度可以反向促进新的用户尝试使用这款应用，也可以促进旧的用户尝试这款应用提供的新型服务。在金融领域的应用中，随着金融数字化进程的推进，用户的数据画像维度逐渐丰富，促活手段也变得丰富起来。但在现有技术中，一款应用通常会向全体用户统一发送产品介绍信息或优惠信息进行促活。由于这种对全体用户进行统一促活的方式比较单一，指向性较差，从而导致这种方式往往会消耗大量的成本资源，且促活效率低下。

技术实现思路

[0003]本申请实施例提供一种基于特征匹配的用户促活方法、装置、设备及存储介质，可提高用户促活的效率，同时降低用户促活的成本。
[0004]第一方面，本申请实施例供了一种基于特征匹配的用户促活方法，该方法包括：
[0005]获取目标用户的用户业务数据中与促活属性条目对应的目标促活属性数据；
[0006]将上述目标促活属性数据输入活跃度预测模型，通过上述活跃度预测模型得到上述目标促活属性数据对应的嵌入式特征向量并基于上述嵌入式特征向量输出上述目标用户的预测业务活跃度；
[0007]若上述目标用户的预测业务活跃度大于或者等于活跃度阈值，则基于上述目标促活属性数据确定上述目标用户的业务特征，并基于上述目标用户的业务特征和各用户类型的业务特征确定上述目标用户所属的用户类型；
[0008]基于上述目标用户所属的用户类型获取上述目标用户的对应的促活操作数据，并基于上述促活操作数据向上述目标用户发送促活信息。
[0009]在本申请实施例中，可以获取目标用户的用户业务数据中与促活属性条目对应的目标促活属性数据，这里，每一个促活业务场景都有对应的促活属性条目，可以根据促活业务场景确定该促活业务场景对应的促活属性条目，并基于促活属性条目获取在目标用户的用户业务数据中目标促活属性数据。在获取到目标促活属性数据后，可以将目标促活属性数据输入活跃度预测模型，通过活跃度预测模型得到目标促活属性数据对应的嵌入式特征向量并基于嵌入式特征向量输出目标用户的预测业务活跃度。这里，目标用户的预测业务活跃度是指活跃度预测模型根据目标促活属性数据预测出的目标用户可能达到的活跃度。若目标用户的预测业务活跃度大于或者等于活跃度阈值，则基于目标促活属性数据确定目标用户的业务特征，并基于目标用户的业务特征和各用户类型的业务特征确定目标用户所
属的用户类型。这里，每一种用户类型对应一种促活操作数据，可以基于目标用户所属的用户类型获取目标用户的对应的促活操作数据，并基于促活操作数据向目标用户发送促活信息，进而提高用户促活的效率，同时降低用户促活的成本。
[0010]结合第一方面，在一种可能的实施方式中，在上述获取目标用户的用户业务数据中与促活属性条目对应的目标促活属性数据之前，上述方法还包括：
[0011]获取多个样本用户的样本用户业务数据，其中，上述样本用户为业务活跃度大于或等于上述活跃度阈值的用户；
[0012]确定各样本用户的样本用户业务数据中与基础属性条目对应的上述各样本用户的基础属性数据，其中，上述基础属性条目包括：用户基本信息、用户登录渠道信息和用户已注册业务信息中的一种或者多种；
[0013]对上述各样本用户的基础属性数据进行统计分析得到上述各样本用户的衍生属性数据，基于上述各样本用户的基础属性数据和衍生属性数据确定上述各样本用户的促活属性数据，并基于上述各样本用户的促活属性数据构建活跃度预测模型。
[0014]在本申请实施例中，可以将一些活跃度大于活跃度阈值的用户作为样本用户，并基于基础属性条目从用户数据库或者其他用户数据的存储位置获取样本用户的基础属性数据。这里，基础属性条目可以包括：用户基本信息、用户登录渠道信息和用户已注册业务信息中的一种或者多种。可以基于样本用户的基础属性数据生成衍生属性数据(例如，对样本用户的基础属性数据进行统计分析，进而得到衍生属性数据)。可以基于各样本用户的基础属性数据和衍生属性数据确定各样本用户的促活属性数据，并基于各样本用户的促活属性数据构建活跃度预测模型，通过增加构建活跃度预测模型的数据维度，进而提高活跃度预测模型的精度和准确率。
[0015]结合第一方面，在一种可能的实施方式中，上述基于上述各样本用户的基础属性数据和衍生属性数据确定上述各样本用户的促活属性数据，包括：
[0016]确定上述各样本用户的基础属性数据和衍生属性数据对应的多个属性条目，并确定上述多个属性条目在促活业务场景的场景表现度；
[0017]基于上述场景表现度从上述多个属性条目中确定出促活属性条目，并从上述各样本用户的基础属性数据和衍生属性数据中确定与上述促活属性条目对应的促活属性数据，以得到上述各样本用户的促活属性数据。
[0018]在本申请实施例中，可以确定基础属性数据和衍生属性数据对应的多个属性条目，并根据多个属性条目在促活业务场景的场景表现度对属性条目进行筛选，将表现度大于表现度阈值的属性条目作为促活属性条目，进而确定各样本用户的基础属性数据和衍生属性数据中的促活属性数据，由此可以剔除表现度不高的属性条目，以提高活跃度预测模型的计算效率和准确率。
[0019]结合第一方面，在一种可能的实施方式中，上述基于上述各样本用户的促活属性数据构建活跃度预测模型，包括：
[0020]基于上述各样本用户的促活属性数据生成上述各样本用户对应的特征关系网络节点，其中，一个样本用户对应一个特征关系网络节点；
[0021]基于任一样本用户的促活属性数据与其他各样本用户的促活属性数据确定上述任一样本用户与其他各样本用户的相似度，并将相似度大于相似度阈值的任意两个样本用
户对应的两个特征关系网络节点建立连接，以得到样本用户的特征关系网络；
[0022]基于上述样本用户的特征关系网络进行图特征分析，以确定各样本用户的促活属性数据对应的嵌入式特征向量，并基于上述各样本用户的促活属性数据和各样本用户的促活属性数据对应的嵌入式特征向量，构建上述活跃度预测模型。
[0023]在本申请实施例中，可以将相似度较高的样本用户对应的特征关系网络节点连接。例如，可以将每个样本用户对应的特征关系网络节点和与该用户相似度排名靠前的k个用户对应的特征关系网络节点进行连接，以得到样本用户的特征关系网络，并对特征关系网络进行图特征分析，以确定各样本用户的促活属性数据对应的嵌入式特征向量。可以将离散的促活属性数据变为连续的嵌入式特征向量，以此构建活跃度预测模型，进而增加活跃度预测模型的精度和准确度。
[0024]结合第一方面，在一种可能的实施方式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征匹配的用户促活方法，其特征在于，所述方法包括：获取目标用户的用户业务数据中与促活属性条目对应的目标促活属性数据；将所述目标促活属性数据输入活跃度预测模型，通过所述活跃度预测模型得到所述目标促活属性数据对应的嵌入式特征向量并基于所述嵌入式特征向量输出所述目标用户的预测业务活跃度；若所述目标用户的预测业务活跃度大于或者等于活跃度阈值，则基于所述目标促活属性数据确定所述目标用户的业务特征，并基于所述目标用户的业务特征和各用户类型的业务特征确定所述目标用户所属的用户类型；基于所述目标用户所属的用户类型获取所述目标用户的对应的促活操作数据，并基于所述促活操作数据向所述目标用户发送促活信息。2.根据权利要求1所述的方法，其特征在于，在所述获取目标用户的用户业务数据中与促活属性条目对应的目标促活属性数据之前，所述方法还包括：获取多个样本用户的样本用户业务数据，其中，所述样本用户为业务活跃度大于或等于所述活跃度阈值的用户；确定各样本用户的样本用户业务数据中与基础属性条目对应的所述各样本用户的基础属性数据，其中，所述基础属性条目包括：用户基本信息、用户登录渠道信息和用户已注册业务信息中的一种或者多种；对所述各样本用户的基础属性数据进行统计分析得到所述各样本用户的衍生属性数据，基于所述各样本用户的基础属性数据和衍生属性数据确定所述各样本用户的促活属性数据，并基于所述各样本用户的促活属性数据构建活跃度预测模型。3.根据权利要求2所述的方法，其特征在于，所述基于所述各样本用户的基础属性数据和衍生属性数据确定所述各样本用户的促活属性数据，包括：确定所述各样本用户的基础属性数据和衍生属性数据对应的多个属性条目，并确定所述多个属性条目在促活业务场景的场景表现度；基于所述场景表现度从所述多个属性条目中确定出促活属性条目，并从所述各样本用户的基础属性数据和衍生属性数据中确定与所述促活属性条目对应的促活属性数据，以得到所述各样本用户的促活属性数据。4.根据权利要求2或3所述的方法，其特征在于，所述基于所述各样本用户的促活属性数据构建活跃度预测模型，包括：基于所述各样本用户的促活属性数据生成所述各样本用户对应的特征关系网络节点，其中，一个样本用户对应一个特征关系网络节点；基于任一样本用户的促活属性数据与其他各样本用户的促活属性数据确定所述任一样本用户与其他各样本用户的相似度，并将相似度大于相似度阈值的任意两个样本用户对应的两个特征关系网络节点建立连接，以得到样本用户的特征关系网络；基于所述样本用户的特征关系网络进行图特征分析，以确定各样本用户的促活属性数据对应的嵌入式特征向量，并基于所述各样本用户的促活属性数据和各样本用户的促活属性数据对应的嵌入式特征向量，构建所述活跃度预测模型。5.根据权利要求4所述的方法，其特征在于，所述基于所述各样本用户的促活属性数据和各样本用户的促活属性数据对应的嵌入式特征向量，构建所述活跃度预测模型，包括：
基于所述各样本用户的促活属性数据和促活属性数据对应的嵌入式特征向量，结合所述各样本用户的业务活跃度，采用多种机器学习算法训练...

【专利技术属性】
技术研发人员：邱超乐，田鸥，彭莉，曾奕欣，
申请(专利权)人：平安银行股份有限公司，
类型：发明
国别省市：