一种消费能力预测模型的训练方法、预测方法和存储介质与流程

本发明涉及计算机，尤其涉及一种消费能力预测模型方法、预测方法和存储介质。

背景技术：

1、家庭消费能力预测任务，需要识别哪些家庭用户为推荐的目标客户，而准确预测家庭用户的消费能力，能够为精准营销提供决策依据，从而减少用户投诉。现有的预测家庭用户增值消费能力主要有三种方案，一种是根据能力阈值对客户的历史消费数据进行划分，但是阈值的选定具有较强主观性，不同阈值的选择会导致预测结果具有较大差异性，且在不同数据集上需定义不同的阈值，准确性和通用性都较差；第二种是基于传统机器学习的预测方法，这类方法根据消费数据上产出的属性权值是不可信的，因此准确性较差，且通常是有监督的算法,因此它无法经济有效的验证家庭消费能力预测的结果是否准确；第三种是基于深度学习的消费能力预测方法，这类方法通常只是模型的简单拼接，而模型拼接会带来不同的问题，如计算量和数据标记需求量。

2、基于现有的技术方案，缺少家庭成员的特征分析和家庭数据质量的关注，模型序列预测未考虑计算资源和计算时间，消费预测的结果准确性验证耗时耗力，针对上述问题，目前仍无有效解决方案。

技术实现思路

1、为解决现有存在的技术问题，本发明实施例提供一种消费能力预测模型的训练方法、预测方法和存储介质。

2、为达到上述目的，本发明实施例的技术方案是这样实现的：

3、第一方面，本发明提供一种消费能力预测模型的训练方法，所述方法包括：

4、获取样本家庭的家庭数据；其中，所述家庭数据包括家庭消费业务数据、家庭成员数据、家庭消费行为数据；

5、利用所述家庭成员数据和所述家庭消费行为数据提取所述家庭消费业务数据对应的家庭用户特征；

6、基于所述家庭用户特征生成所述样本家庭的家庭用户画像数据；

7、利用预设模型对所述家庭用户画像数据进行掩码处理，得到所述样本家庭对应的家庭消费样本数据；

8、利用所述家庭消费样本数据对所述消费能力预测模型进行训练，得到训练后的消费能力预测模型。

9、上述方案中，所述获取样本家庭的家庭数据，包括：

10、采集所述样本家庭的在线数据和离线数据；

11、对所述在线数据进行第一预设算法处理，得到所述样本家庭对应的第一家庭数据；

12、对所述离线数据进行第二预设算法处理，得到所述样本家庭对应的第二家庭数据；

13、将所述第一家庭数据和所述第二家庭数据作为所述样本家庭对应的家庭数据。

14、上述方案中，所述利用所述家庭成员数据和所述家庭消费行为数据提取所述家庭消费业务数据对应的家庭用户特征，包括：

15、利用所述家庭成员数据提取所述家庭消费业务数据对应的第一家庭用户特征；所述第一家庭用户特征表征所述样本家庭中每个成员的属性特征；

16、利用所述家庭消费行为数据提取所述家庭消费业务数据对应的第二家庭用户特征；所述第二家庭用户特征表征所述样本家庭中每个成员的产品消费特征；

17、将所述第一家庭用户特征和所述第二家庭用户特征作为所述家庭消费业务数据对应的家庭用户特征。

18、上述方案中，所述基于所述家庭用户特征生成所述样本家庭的家庭用户画像数据，包括：

19、将所述第一家庭用户特征和所述第二家庭用户特征进行组合处理，得到所述样本家庭对应的关联家庭用户特征；

20、将所述关联家庭用户特征、所述第一家庭用户特征和所述第二家庭用户特征进行标签化处理，得到所述样本家庭对应的有消费能力标签的第一数据和没有消费能力标签的第二数据；

21、基于所述第一数据和所述第二数据生成所述样本家庭的家庭用户画像数据。

22、上述方案中，所述利用预设模型对所述家庭用户画像数据进行掩码处理，得到所述样本家庭对应的家庭消费样本数据，包括：

23、利用所述预设模型对所述家庭用户画像数据中的所述第二数据进行掩码学习，得到所述第二数据对应的待训练数据；

24、利用所述家庭用户画像数据中的所述第一数据对所述待训练数据进行调整，得到所述样本家庭对应的家庭消费样本数据。

25、上述方案中，所述消费能力预测模型包括第一子模型和第二子模型；所述利用所述家庭消费样本数据对所述消费能力预测模型进行训练，包括：

26、确定所述家庭消费样本数据对应的第一样本数据和第二样本数据；

27、利用所述第一样本数据对所述第一子模型进行训练，得到第一训练结果；

28、利用所述第二样本数据对所述第二子模型进行训练，得到第二训练结果；

29、基于所述第一训练结果和所述第二训练结果确定所述训练后的消费能力预测模型。

30、上述方案中，所述利用所述第一样本数据对所述第一子模型进行训练，得到第一训练结果，包括：

31、通过所述第一子模型对所述第一样本数据进行预处理，得到所述第一样本数据对应的至少一个序列数据；

32、利用所述至少一个序列数据中的每个序列数据对所述第一子模型进行训练，得到所述每个序列数据对应的训练结果；

33、基于所述每个序列数据对应的训练结果确定所述第一训练结果。

34、上述方案中，所述基于所述第一训练结果和所述第二训练结果确定所述训练后的消费能力预测模型，包括：

35、对所述第一训练结果和所述第二训练结果进行向量拼接，得到拼接后的第三训练结果；

36、将所述第三训练结果输入至所述消费能力预测模型，得到所述训练后的消费能力预测模型。

37、第二方面，本发明还提供一种消费能力的预测方法，所述方法包括：

38、获取待预测家庭的家庭数据；其中，所述家庭数据包括家庭消费业务数据、家庭成员数据、家庭消费行为数据；

39、利用所述家庭成员数据和所述家庭消费行为数据提取所述家庭消费业务数据对应的家庭用户特征；

40、基于所述家庭用户特征生成所述待预测家庭的家庭用户画像数据；

41、将所述家庭用户画像数据输入消费能力预测模型进行预测，得到所述待预测家庭的消费能力预测结果；

42、其中，所述消费能力预测模型基于本技术实施例提供的消费能力预测模型的训练方法训练得到。

43、第三方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。

44、本发明实施例提供一种消费能力预测模型的训练方法、预测方法和存储介质。所述训练方法包括：获取样本家庭的家庭数据；其中，所述家庭数据包括家庭消费业务数据、家庭成员数据、家庭消费行为数据；利用所述家庭成员数据和所述家庭消费行为数据提取所述家庭消费业务数据对应的家庭用户特征；基于所述家庭用户特征生成所述样本家庭的家庭用户画像数据；利用预设模型对所述家庭用户画像数据进行掩码处理，得到所述样本家庭对应的家庭消费样本数据；利用所述家庭消费样本数据对所述消费能力预测模型进行训练，得到训练后的消费能力预测模型。

45、采用本发明实施例的技术方案，通过获取样本家庭的家庭数据，提取样本家庭的家庭用户特征，基于家庭用户特征生成样本家庭的家庭用户画像数据，可以构建不同维度的家庭用户特征，提高数据质量；利用预设模型对家庭用户画像数据进行掩码处理，得到样本家庭对应的家庭消费样本数据；利用家庭消费样本数据对消费能力预测模型进行训练，得到训练后的消费能力预测模型，可以快速且有效的解决消费能力预测模型缺少标注数据的问题，提高模型预测的准确率。