用户行为预测方法和装置、电子设备及存储介质制造方法及图纸

本申请实施例提供了一种用户行为预测方法和装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：根据目标用户数据随机生成多个用户特征；采用nu l l importance算法从多个所述用户特征中筛选出候选特征；根据进化方法对所述候选特征进行处理，得到子代特征；对所述子代特征迭代处理，直至满足预设条件时停止迭代，得到用于预测用户行为的最终特征组合。基于此，本申请能够自动完成特征的组合分析用于用户保险缴费行为预测。合分析用于用户保险缴费行为预测。合分析用于用户保险缴费行为预测。

【技术实现步骤摘要】
用户行为预测方法和装置、电子设备及存储介质


[0001]本申请涉及人工智能
，尤其涉及一种用户行为预测方法和装置、电子设备及存储介质。

技术介绍

[0002]在保险缴费预测中，应该首先确定预测应该支持的业务目标。企业最常将保费预测用于以下目标之一：计算用户可能的保费缴费时间，预测用户可能的缴费时间，例如：用户可能再应交日D
‑
5、D
‑
10、D
‑
20缴费。其中，计算用户的可能保费缴费概率：该用户本次是否能按时缴费，也就是能按时缴费的概率是多少，为每个用户输出一个概率值。
[0003]目前，对于用户保险缴费预测需要建立一个预测模型或者排序模型来明确业务目标，但是这些目标的预测常常会限于目标特征不足够或者很稀疏，所以经常需要组合特征来作为新特征输入用来训练模型，这时候单靠人工特征筛选和组合不足以达到模型快速训练以及快速上线的要求。因此，如何自动完成特征的组合分析用于用户保险缴费行为预测，成为了亟待解决的技术问题。

技术实现思路

[0004]本申请实施例的主要目的在于提出一种用户行为预测方法和装置、电子设备及存储介质，能够自动完成特征的组合分析用于用户保险缴费行为预测。
[0005]为实现上述目的，本申请实施例的第一方面提出了一种用户行为预测方法，所述方法包括：
[0006]根据目标用户数据随机生成多个用户特征；
[0007]采用nu l l importance算法从多个所述用户特征中筛选出候选特征；
[0008]根据进化方法对所述候选特征进行处理，得到子代特征；
[0009]对所述子代特征迭代处理，直至满足预设条件时停止迭代，得到用于预测用户行为的最终特征组合。
[0010]在一些实施例，所述采用nu l l importance算法从多个所述用户特征中筛选出候选特征，包括：
[0011]采用nu l l importance算法计算每个所述用户特征的适应度，其中，所述适应度用于表征所述用户特征的重要程度和稳定程度；
[0012]筛选所述适应度高于预设阈值的所述用户特征作为所述候选特征。
[0013]在一些实施例，所述采用nu l l importance算法计算每个所述用户特征的适应度，包括：
[0014]重复多次将每个所述用户特征和对应所述用户特征的数据标签输入到预设的树模型中，得到每个所述用户特征的第一重要程度值；
[0015]重复多次将所述数据标签打乱再输入到所述树模型中，得到每个所述用户特征的第二重要程度值；
[0016]根据每次得到的所述第一重要程度值和所述第二重要程度值确定每个所述用户特征的稳定程度值；
[0017]根据每个所述用户特征的稳定程度值确定每个所述用户特征的适应度。
[0018]在一些实施例，所述筛选所述适应度高于预设阈值的所述用户特征作为所述候选特征，包括：
[0019]多次比较每个所述用户特征的所述第一重要程度值和所述第二重要程度值，得到每个所述用户特征的稳定程度值；
[0020]筛选所述稳定程度值高于预设阈值的所述用户特征作为所述候选特征。
[0021]在一些实施例，所述多次比较每个所述用户特征的所述第一重要程度值和所述第二重要程度值，得到每个所述用户特征的稳定程度值，包括：
[0022]对每次得到的所述用户特征的所述第一重要程度值和所述第二重要程度值求差值，得到多个重要程度差值；
[0023]对多个所述重要程度差值求平均值，得到每个所述用户特征的稳定程度值。
[0024]在一些实施例，所述对所述子代特征迭代处理，直至满足预设条件时停止迭代，得到用于预测用户行为的最终特征组合，包括：
[0025]对所述子代特征迭代处理，直至迭代处理次数达到预设次数阈值时停止迭代，得到用于预测用户行为的最终特征组合。
[0026]在一些实施例，所述进化方法包括遗传、变异、自然选择、杂交中的至少一种。
[0027]为实现上述目的，本申请实施例的第二方面提出了一种用户行为预测装置，所述装置包括：
[0028]生成模块，用于根据目标用户数据随机生成多个用户特征；
[0029]筛选模块，用于采用nu l l importance算法从多个所述用户特征中筛选出候选特征；
[0030]进化模块，用于根据进化方法对所述候选特征进行处理，得到子代特征；
[0031]迭代模块，用于对所述子代特征迭代处理，直至满足预设条件时停止迭代，得到用于预测用户行为的最终特征组合。
[0032]为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
[0033]为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
[0034]本申请提出的用户行为预测方法和装置、电子设备及存储介质,其根据目标用户数据随机生成多个用户特征；采用nu l l importance算法从多个所述用户特征中筛选出候选特征；根据进化方法对所述候选特征进行处理，得到子代特征；对所述子代特征迭代处理，直至满足预设条件时停止迭代，得到用于预测用户行为的最终特征组合。基于此，本申请通过引入nu l l importance算法来去除成为噪音的用户特征，并自动提取真正重要的用户特征作为候选特征，从而提高重点特征找出的成功率，并经过多次进化迭代找出最终特征组合以用于用户保险缴费行为预测，因此，相比于现有技术中通过人工分析和寻找特
征组合，本申请能够自动完成特征的组合分析用于用户保险缴费行为预测，极大提升了效率。本申请可以应用在自动特征评估、模型自动训练评估上线中，可以使模型整体上线的时间大大缩短，以适应日益多变的用户行为预测。
附图说明
[0035]图1是本申请实施例提供的用户行为预测方法的流程图；
[0036]图2是图1中的步骤S102的流程图；
[0037]图3是图1中的步骤S201的流程图；
[0038]图4是图3中的步骤S202的流程图；
[0039]图5是图3中的步骤S401的流程图；
[0040]图6是图5中的步骤S104的流程图；
[0041]图7是本申请实施例提供的用户行为预测装置的结构示意图；
[0042]图8是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
[0043]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，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
[0044]需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用户行为预测方法，其特征在于，所述方法包括：根据目标用户数据随机生成多个用户特征；采用null importance算法从多个所述用户特征中筛选出候选特征；根据进化方法对所述候选特征进行处理，得到子代特征；对所述子代特征迭代处理，直至满足预设条件时停止迭代，得到用于预测用户行为的最终特征组合。2.根据权利要求1所述的方法，其特征在于，所述采用null importance算法从多个所述用户特征中筛选出候选特征，包括：采用null importance算法计算每个所述用户特征的适应度，其中，所述适应度用于表征所述用户特征的重要程度和稳定程度；筛选所述适应度高于预设阈值的所述用户特征作为所述候选特征。3.根据权利要求2所述的方法，其特征在于，所述采用null importance算法计算每个所述用户特征的适应度，包括：重复多次将每个所述用户特征和对应所述用户特征的数据标签输入到预设的树模型中，得到每个所述用户特征的第一重要程度值；重复多次将所述数据标签打乱再输入到所述树模型中，得到每个所述用户特征的第二重要程度值；根据每次得到的所述第一重要程度值和所述第二重要程度值确定每个所述用户特征的稳定程度值；根据每个所述用户特征的稳定程度值确定每个所述用户特征的适应度。4.根据权利要求3所述的方法，其特征在于，所述筛选所述适应度高于预设阈值的所述用户特征作为所述候选特征，包括：多次比较每个所述用户特征的所述第一重要程度值和所述第二重要程度值，得到每个所述用户特征的稳定程度值；筛选所述稳定程度值高于预设阈值的所述用户特征作为所述候选特征。5.根据权利...

【专利技术属性】
技术研发人员：吴岸城，
申请(专利权)人：中国平安人寿保险股份有限公司，
类型：发明
国别省市：