基于人工智能的点击对象预测方法技术

本申请实施例涉及人工智能和金融科技技术领域，提供了一种基于人工智能的点击对象预测方法

【技术实现步骤摘要】
基于人工智能的点击对象预测方法、装置、设备及介质


[0001]本申请涉及人工智能和金融科技领域，尤其涉及一种基于人工智能的点击对象预测方法
、
装置
、
设备及介质
。

技术介绍

[0002]在金融科技领域，在互联网上进行日常消费或投资理财的用户越来越多
。
为了提升用户体验，人工智能大力投入到金融服务中，通过人工智能对用户的金融活动进行预测
。
例如，如果人工智能发现一个客户经常点击关于借贷服务的信息，那么可以主动推送相关的贷款产品信息，以满足客户的需求
。
[0003]使用人工智能对用户的金融活动进行预测，预测用户使用智能设备下一步行为需要使用用户的使用记录
、
账户信息
、
其他数据库数据等众多预测特征，然而在金融服务领域，用户的行为受到许多因素的影响，包括用户的个人喜好
、
偏好
、
心理因素
、
市场环境和竞争等，在人工智能在预测人使用智能设备下一步行为时，只能预测人的下一步具体点击行为，较难预测人在未来某一具体时间点实施何种具体点击行为，导致用户对金融服务的满意度降低
。

技术实现思路

[0004]本申请实施例的主要目的在于提出一种基于人工智能的点击对象预测方法
、
装置
、
设备及介质，旨在提高用户对金融服务的满意度
。
[0005]为实现上述目的，本申请实施例的第一方面提出了一种基于人工智能的点击对象预测方法，所述方法包括以下步骤：
[0006]获取目标用户对应的用户标识
、
多个预设对象以及每个所述预设对象对应的历史时间点，其中，所述历史时间点表示所述目标用户最近点击所述预设对象的时间点；
[0007]将每个所述预设对象以及对应的历史时间点组成历史位点对，得到多个所述历史位点对；
[0008]将所述用户标识和多个所述历史位点对输入预训练的点击对象预测模型，得到所述点击对象预测模型输出的概率分布数据，其中，所述概率分布数据包括多个所述预设对象对应的第一预测概率；
[0009]根据所述概率分布数据确定目标对象
。
[0010]在本申请一些可能的实施例，所述点击对象预测模型通过以下步骤训练得到：
[0011]获取训练样本，其中，所述训练样本包括所述用户标识和历史时空数据特征，所述历史时空数据特征包括第一历史时间点
、
第一对象
、
第二历史时间点
、
第二对象和标注标签，所述第一对象为所述目标用户在所述第一历史时间点点击的对象的标识，所述第二对象为所述目标用户在所述第二历史时间点点击的对象的标识，所述第二历史时间点为所述第一历史时间点之后的时间点，所述标注标签用于表示所述第二对象是否与所述第一对象一致；
[0012]获取初始点击对象预测模型，并将所述第一历史时间点
、
所述第一对象和所述第二历史时间点输入所述初始点击对象预测模型，得到所述初始点击对象预测模型输出的第二预测概率，所述第二预测概率表示所述初始点击对象预测模型预测所述第二对象与所述第一对象一致的概率；
[0013]根据所述第二预测概率和所述标注标签确定损失值；
[0014]根据所述损失值调整所述初始点击对象预测模型的模型参数，直至满足预设的训练结束条件，得到所述预训练的点击对象预测模型
。
[0015]在本申请一些可能的实施例，所述训练样本还包括用户特征数据，所述用户特征数据包括所述目标用户在预设时间段出现的次数；
[0016]在获取初始点击对象预测模型之后，所述方法还包括：
[0017]将所述用户特征数据作为辅助预测数据并输入所述初始点击对象预测模型，以使所述初始点击对象预测模型根据所述用户特征数据确定所述第二预测概率
。
[0018]在本申请一些可能的实施例，所述训练样本还包括位点特征数据，所述位点特征数据包括各个所述预设对象分别在预设时间段出现的次数；
[0019]在获取初始点击对象预测模型之后，所述方法还包括：
[0020]将所述位点特征数据作为辅助预测数据并输入所述初始点击对象预测模型，以使所述初始点击对象预测模型根据所述位点特征数据确定所述第二预测概率
。
[0021]在本申请一些可能的实施例，所述训练样本还包括用户
‑
位点对特征数据，所述用户
‑
位点对特征数据包括所述目标用户在预设时间段点击所述预设对象的次数；
[0022]在获取初始点击对象预测模型之后，所述方法还包括：
[0023]将所述用户
‑
位点对特征数据作为辅助预测数据并输入所述初始点击对象预测模型，以使所述初始点击对象预测模型根据所述用户
‑
位点对特征数据确定所述第二预测概率
。
[0024]在本申请一些可能的实施例，所述标注标签包括0或者1，所述根据所述第二预测概率和所述标注标签确定损失值，包括：
[0025]计算所述第二预测概率和所述标注标签的距离值，并根据所述距离值确定所述损失值；
[0026]所述根据所述损失值调整所述初始点击对象预测模型的模型参数，直至满足预设的训练结束条件，得到所述预训练的点击对象预测模型，包括：
[0027]当所述损失值小于或等于预设损失值阈值，确定满足预设的训练结束条件；
[0028]当所述损失值大于所述预设损失值阈值，调整所述初始点击对象预测模型的模型参数，并基于所述训练样本重新训练所述初始点击对象预测模型
。
[0029]在本申请一些可能的实施例，所述根据所述概率分布数据确定目标对象，包括：
[0030]根据所述概率分布数据确定多个第一预测概率中的最大值；
[0031]将所述多个第一预测概率中的最大值对应的所述预设对象，确定为所述目标对象
。
[0032]为实现上述目的，本申请实施例的第二方面提出了一种基于人工智能的点击对象预测装置，所述装置包括：
[0033]获取模块，用于获取目标用户对应的用户标识
、
多个预设对象以及每个所述预设
对象对应的历史时间点，其中，所述历史时间点表示所述目标用户最近点击所述预设对象的时间点；
[0034]位点对组建模块，用于将每个所述预设对象以及对应的历史时间点组成历史位点对，得到多个所述历史位点对；
[0035]预测模块，用于将所述用户标识和多个所述历史位点对输入预训练的点击对象预测模型，得到所述点击对象预测模型输出的概率分布数据，其中，所述概率分布数据包括多个所述预设对象对应的第一预测概率；
[0036]确定模块，用于根据所述概率分布数据确定目标对象
。
[0037]为实现上述目的，本申请实施例的第三方面提出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于人工智能的点击对象预测方法，其特征在于，所述方法包括以下步骤：获取目标用户对应的用户标识
、
多个预设对象以及每个所述预设对象对应的历史时间点，其中，所述历史时间点表示所述目标用户最近点击所述预设对象的时间点；将每个所述预设对象以及对应的历史时间点组成历史位点对，得到多个所述历史位点对；将所述用户标识和多个所述历史位点对输入预训练的点击对象预测模型，得到所述点击对象预测模型输出的概率分布数据，其中，所述概率分布数据包括多个所述预设对象对应的第一预测概率；根据所述概率分布数据确定目标对象
。2.
根据权利要求1所述的基于人工智能的点击对象预测方法，其特征在于，所述点击对象预测模型通过以下步骤训练得到：获取训练样本，其中，所述训练样本包括所述用户标识和历史时空数据特征，所述历史时空数据特征包括第一历史时间点
、
第一对象
、
第二历史时间点
、
第二对象和标注标签，所述第一对象为所述目标用户在所述第一历史时间点点击的对象的标识，所述第二对象为所述目标用户在所述第二历史时间点点击的对象的标识，所述第二历史时间点为所述第一历史时间点之后的时间点，所述标注标签用于表示所述第二对象是否与所述第一对象一致；获取初始点击对象预测模型，并将所述第一历史时间点
、
所述第一对象和所述第二历史时间点输入所述初始点击对象预测模型，得到所述初始点击对象预测模型输出的第二预测概率，所述第二预测概率表示所述初始点击对象预测模型预测所述第二对象与所述第一对象一致的概率；根据所述第二预测概率和所述标注标签确定损失值；根据所述损失值调整所述初始点击对象预测模型的模型参数，直至满足预设的训练结束条件，得到所述预训练的点击对象预测模型
。3.
根据权利要求2所述的基于人工智能的点击对象预测方法，其特征在于，所述训练样本还包括用户特征数据，所述用户特征数据包括所述目标用户在预设时间段出现的次数；在获取初始点击对象预测模型之后，所述方法还包括：将所述用户特征数据作为辅助预测数据并输入所述初始点击对象预测模型，以使所述初始点击对象预测模型根据所述用户特征数据确定所述第二预测概率
。4.
根据权利要求2所述的基于人工智能的点击对象预测方法，其特征在于，所述训练样本还包括位点特征数据，所述位点特征数据包括各个所述预设对象分别在预设时间段出现的次数；在获取初始点击对象预测模型之后，所述方法还包括：将所述位点特征数据作为辅助预测数据并输入所述初始点击对象预测模型，以使所述初始点击对象预测模型根据所述位点特征数据确定所述第二预测概率
。5.
根据权利要求2所述的基...

【专利技术属性】
技术研发人员：董萍，周靖植，
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：