成单率预测和模型训练方法、装置、电子设备及存储介质与流程

[0001]
本发明涉及信息处理技术领域，具体而言，涉及一种成单率预测和模型训练方法、装置、电子设备及存储介质。


背景技术：

[0002]
线下的客户资源在下单付款之前通常要经历四个阶段：普通客户-留资客户(留过联系方式)-意向客户(到店咨询)-下单付款。
[0003]
销售人员根据留资客户的基本信息、行为特征每个留资客户打分，更高的得分意味着更大的下单概率。这样可以将有限的销售人员分配到更具有下单意向的客户身上，实现精准营销，从而有效地提高公司的销售额。
[0004]
因此，如何对成单率预测进行准确预测对于提高公司的销售额至关重要。


技术实现要素：

[0005]
本发明在于提供了一种成单率预测和模型训练方法、装置、电子设备及存储介质，其能够实现对成单率的准确预测，进而达到提高公司的销售额的目的。
[0006]
为了实现上述目的，本发明采用的技术方案如下：
[0007]
第一方面，本发明提供一种成单率预测方法，所述方法包括：获取影响用户下单的特征数据；将所述特征数据输入预先训练的预测模型，利用所述预测模型的预测层预测出用户到店的第一概率和用户到店后下单的第二概率；利用所述预测模型的融合层对所述第一概率和所述第二概率进行处理，得到用户下单的成单率。
[0008]
第二方面，本发明提供一种模型训练方法，所述方法包括：获取训练集，其中，所述训练集包括影响用户下单的特征数据及所述特征数据对应的标注结果，其中，所述标注结果包括表征用户是否到店的第一标签以及表征用户是否下单的第二标签；将训练集输入预先构建的预测模型，得到预测结果，其中，所述预测结果包括用户到店的第一概率及用户下单的成单率；基于预测结果和标注结果对预测模型进行参数更新，得到训练后的预测模型。
[0009]
第三方面，本发明提供一种成单率预测装置，所述装置包括：第一获取模块，用于获取影响用户下单的特征数据；第一预测模块，用于将所述特征数据输入预先训练的预测模型，利用所述预测模型的预测层预测出用户到店的第一概率和用户到店后下单的第二概率；融合模块，用于利用所述预测模型的融合层对所述第一概率和所述第二概率进行处理，得到用户下单的成单率。
[0010]
第四方面，本发明提供一种模型训练装置，所述装置包括：第二获取模块，用于获取训练集，其中，所述训练集包括影响用户下单的特征数据及所述特征数据对应的标注结果，其中，所述标注结果包括表征用户是否到店的第一标签以及表征用户是否下单的第二标签；第二预测模块，用于将训练集输入预先构建的预测模型，得到预测结果，其中，所述预测结果包括用户到店的第一概率及用户下单的成单率；更新模块，用于基于预测结果和标注结果对预测模型进行参数更新，得到训练后的预测模型。
[0011]
第五方面，本发明提供一种电子设备，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如上述的成单率预测方法，或者，如上述的模型训练方法。
[0012]
第六方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述的成单率预测方法，或者，如上述的模型训练方法。
[0013]
相对于现有技术，本发明首先利用预测模型的预测层预测出用户到店的第一概率和用户到店后下单的第二概率，再利用预设模型的融合层对第一概率和第二概率进行处理，得到用户下单的成单率，本发明通过综合考虑用户到店的第一概率和用户到店后下单的第二概率，使得最终得到的成单率更准确。
附图说明
[0014]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0015]
图1示出了本发明实施例提供的一种成单率预测方法的流程图。
[0016]
图2示出了本发明实施例提供的另一种成单率预测方法的流程图。
[0017]
图3示出了本发明实施例提供的一种模型训练方法的流程图。
[0018]
图4示出了本发明实施例提供的另一种模型训练方法的流程图。
[0019]
图5示出了本发明实施例提供的另一种模型训练方法的流程图。
[0020]
图6示出了本发明实施例提供的成单率预测装置的方框示意图。
[0021]
图7示出了本发明实施例提供的模型训练装置的方框示意图。
[0022]
图8示出了本发明实施例提供的电子设备的方框示意图。
[0023]
图标：10-电子设备；11-处理器；12-存储器；13-总线；14-通信接口；100-成单率预测装置；110-第一获取模块；120-第一预测模块；130-融合模块；200-模型训练装置；210-第二获取模块；220-第二预测模块；230-更新模块；240-验证模块。
具体实施方式
[0024]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0025]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0026]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0027]
在本发明的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方
位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0028]
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0029]
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
[0030]
现有技术中，为了对成单率进行预测，通常是根据留资客户以及成单客户的特征数据，构建二分类模型，预测客户从留资到下单的转化概率，预测准确度并不高。
[0031]
发明人针对预测准确度不高的问题进行深入研究后发现，客户从留资到下单实际上包括两个阶段：留资-到店阶段；到店-下单阶段。现有技术中由于没有充分考虑客户留资、到店、成单的两步转化的过程，忽略了客户到店信息，导致构建的模型结构单一，影响了预测的准确度。
[0032]
有鉴于此，本发明实施例提供了一种成单率预测和模型训练方法、装置、电子设备及存储介质，用于提高预测的准确度，下面将对其进行详细描述。
[0033]
请参考图1，图1示出了本发明实施例提供的一种成单率预测方法的流程图，该方法包括以下步骤：
[0034]
步骤s100，获取影响用户下单的特征数据。
[0035]
在本实施例中，特征数据包括、但不限于客户的基本属性数据及行为统计数据，其中，客户的基本属性数据可以包括姓名、性别、联系方式、职业、是否有子女等基本信息，行为统计数据可以是根据用户在微信、网站、小程序或者其他app的评论区留下的评论信息，或者浏览统计信息。以线下教育机构为例，用户的年龄及职业等特征数据可以体现用户是否有参与教育培训的相关需求，用户在网络上留下的评论信息或者浏览足迹可以体现用户对某类培训课程的紧迫度和感兴趣程度等等，这些最终都会影响用户最终是否下单。
[0036]
步骤s110，将特征数据输入预先训练的预测模型，利用预测模型的预测层预测出用户到店的第一概率和用户到店后下单的第二概率。
[0037]
在本实施例中，预测模型包括预测层和融合层，预测层用于预测用户到店的第一概率以及用户到店后下单的第二概率，融合层用于将第一概率和第二概率进行处理，得到最终的成单率。
[0038]
作为一种具体实施方式，预测层可以采用逻辑回归模型。
[0039]
步骤s120，利用预测模型的融合层对第一概率和第二概率进行处理，得到用户下单的成单率。
[0040]
在本实施例中，通过融合层对第一概率和第二概率进行处理，使得最终得到的用户下单的成单率，综合了用户到店的第一概率和用户到店后下单的第二概率的影响，从而使得该预测模型对于用户下单的成单率的预测更准确。
[0041]
本发明实施例提供的上述方法，通过综合考虑用户到店的第一概率和用户到店后下单的第二概率，使得最终得到的成单率更准确。
[0042]
在图1的基础上，本发明实施例提供了一种预测第一概率和第二概率的具体实现方式，请参照图2，图2示出了本发明实施例提供的另一种成单率预测方法的流程图，步骤s110包括以下子步骤：
[0043]
子步骤s1101，将特征数据输入第一预测层，得到第一概率。
[0044]
在本实施例中，预测层包括第一预测层和第二预测层，其中，第一预测层用于对第一概率进行预测，第二预测层用于对第二概率进行预测，由此可以分别预测留资-到店、到店-下单两个阶段的概率，得到第一概率和第二概率。
[0045]
在本实施例中，第一预测层和第二预测层均可以采用逻辑回归模型，二者的模型参数的取值可以相同，也可以不同，具体可以根据实际需要确定。
[0046]
子步骤s1102，将特征数据输入第二预测层，得到第二概率。
[0047]
在图1的基础上，本发明实施例提供了一种得到成单率的具体实现方式，请继续参照图2，步骤s120包括以下子步骤：
[0048]
子步骤s1201，利用融合层将第一概率和第二概率相乘，得到成单率。
[0049]
本发明实施例提供的上述方法，通过第一预测层对第一概率进行预测，通过第二预测层对第二概率进行预测，由此可以分别预测留资-到店、到店-下单两个阶段的概率，最终将第一概率和第二概率进行相乘，得到成单率，使得成单率可以充分体现出两个阶段对其的影响，进而得到更准确的预测结果。
[0050]
在本实施例中，为了得到训练的预测模型，本发明实施例还提供了一种模型训练方法，用于对上述的预测模型进行训练，以使预测模型的预测结果更准确。请参照图3，图3示出了本发明实施例提供的一种模型训练方法的流程图，该方法包括以下步骤：
[0051]
步骤s200，获取训练集，其中，训练集包括影响用户下单的特征数据及特征数据对应的标注结果，其中，标注结果包括表征用户是否到店的第一标签以及表征用户是否下单的第二标签。
[0052]
在本实施例中，作为一种具体实施方式，可以对影响用户下单的原始数据进行预处理，得到特征数据，例如，将原始数据中缺失的数据按照预设方式进行修补，或者直接删除，将原始数据中明显错误的数据删除，以免影响训练后的预测模型预测的准确性。
[0053]
在本实施例中，作为一种具体实施方式，第一标签取值为0时表征用户未到店，为1时表征用户到店，第二标签取值为0时表征用户未下单，为1时表征用户下单。
[0054]
需要说明的是，使用训练的预测模型进行预测时使用的特征数据与训练预测模型时使用的训练集中的特征数据的类型和属性都是相同的，例如，训练时的特征数据包括a、b、c、d、e共5个属性，使用预测模型进行预测时输入的特征数据也包括这5个属性。
[0055]
步骤s210，将训练集输入预先构建的预测模型，得到预测结果，其中，预测结果包括用户到店的第一概率及用户下单的成单率。
[0056]
在本实施例中，为了实现上述步骤s100～s120中成单率预测方法，预先构件的预测模型可以包括预测层和融合层，二者的作用与之相同。为了实现上述步骤s110的子步骤，预测层可以包括第一预测层和第二预测层，二者的作用与之相同。
[0057]
步骤s220，基于预测结果和标注结果对预测模型进行参数更新，得到训练后的预测模型。
[0058]
在本实施例中，根据预测结果和标注结果对预测模型进行参数更新，使得预测模型的参数更新后进行预测得到的预测结果与标注结果更接近，预测模型的参数更新的次数可以根据预设值确定，也可以根据预设条件确定，当根据预设值确实时，当参数更新的次数等于预设值时，则停止更新，此时得到训练后的预测模型，当根据预设条件确定时，参数更新一致进行直至满足预设条件，则停止更新，此时得到训练后的预测模型。
[0059]
在图3的基础上，本发明实施例提供了一种对预测模型进行参数更新，得到训练后的预测模型的具体实现方式，请参照图4，步骤s220包括以下子步骤：
[0060]
子步骤s2201，根据第一标签、第二标签、第一概率及成单率，计算预设损失函数的损失值，其中，loss表示预设损失函数的损失值，l表示交叉熵损失函数，y1表示第一概率，表示第一标签，y表示用户下单的成单率，表示第二标签。
[0061]
子步骤s2202，依据损失值、按照梯度下降法更新预测模型的参数，直至预设损失函数的损失值满足预设收敛条件，得到训练后的预测模型。
[0062]
在本实施例中，预设收敛条件用于表征以当前预测模型的参数进行预测的预测结果达到了与第一标签和第二标签的预设的逼近程度，例如，当第一标签为1时，预测出的第一概率的值与1的接近程度达到预设程度，当第一标签为0时，预测出的第一概率的值与0的接近程度达到预设程度，第二标签与之类似。
[0063]
在本实施例中，为了进一步提高预测模型的预测准确性，在图1的基础上，本发明实施例还提供了对训练后的预测模型进行验证的实现方式，请参照图5，图5示出了本发明实施例提供的另一种模型训练方法的流程图，该方法还包括：
[0064]
步骤s230，利用预先获取的测试集对预测模型进行验证。
[0065]
在本实施例中，测试集与训练集一样，也包括影响用户下单的特征数据及特征数据对应的标注结果，其中，标注结果包括表征用户是否到店的第一标签以及表征用户是否下单的第二标签。
[0066]
作为一种具体实施方式，通过在获取到影响用户下单的原始数据后，对原始数据进行预处理里，得到数据集，然后按照预设比例将该数据集划分为用于训练预设模型的训练集和用于测试预设模型的测试集，预设比例可以是7：3。
[0067]
为了执行上述成单率预测方法的实施例及各个可能的实施方式中的相应步骤，下面给出一种成单率预测装置100的实现方式。请参照图6，图6示出了本发明实施例提供的成单率预测装置100的方框示意图。需要说明的是，本实施例所提供的成单率预测装置100，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及指出。
[0068]
成单率预测装置100包括第一获取模块110、第一预测模块120及融合模块130。
[0069]
第一获取模块110，用于获取影响用户下单的特征数据。
[0070]
第一预测模块120，用于将特征数据输入预先训练的预测模型，利用预测模型的预测层预测出用户到店的第一概率和用户到店后下单的第二概率。
[0071]
作为一种具体实施方式，预测层包括第一预测层和第二预测层，第一预测模块120具体用于：将特征数据输入第一预测层，得到第一概率；将特征数据输入第二预测层，得到第二概率。
[0072]
融合模块130，用于利用预测模型的融合层对第一概率和第二概率进行处理，得到用户下单的成单率。
[0073]
作为一种具体实施方式，融合模块130具体用于：利用融合层将第一概率和第二概率相乘，得到成单率。
[0074]
为了执行上述模型训练方法的实施例及各个可能的实施方式中的相应步骤，下面给出一种模型训练装置200的实现方式。请参照图7，图7示出了本发明实施例提供的模型训
练装置200的方框示意图。需要说明的是，本实施例所提供的模型训练装置200，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及指出。
[0075]
模型训练装置200包括第二获取模块210、第二预测模块220及更新模块230。
[0076]
第二获取模块210，用于获取训练集，其中，训练集包括影响用户下单的特征数据及特征数据对应的标注结果，其中，标注结果包括表征用户是否到店的第一标签以及表征用户是否下单的第二标签。
[0077]
第二预测模块220，用于将训练集输入预先构建的预测模型，得到预测结果，其中，预测结果包括用户到店的第一概率及用户下单的成单率。
[0078]
更新模块230，用于基于预测结果和标注结果对预测模型进行参数更新，得到训练后的预测模型。
[0079]
作为一种具体实施方式，更新模块230具体用于：根据第一标签、第二标签、第一概率及成单率，计算预设损失函数的损失值，其中，loss表示预设损失函数的损失值，l表示交叉熵损失函数，y1表示第一概率，表示第一标签，y表示用户下单的成单率，表示第二标签；依据损失值、按照梯度下降法更新预测模型的参数，直至预设损失函数的损失值满足预设收敛条件，得到训练后的预测模型。
[0080]
验证模块240，用于利用预先获取的测试集对预测模型进行验证。
[0081]
本发明实施例提供了一种可以实现上述的成单率预测方法，或者上述的模型训练方法的电子设备，请参照图8，图8示出了本发明实施例提供的电子设备10的方框示意图。电子设备10可以是手机、笔记本、平板电脑、主机、服务器等设备。
[0082]
电子设备10包括处理器11、存储器12、总线13、通信接口14。处理器11、存储器12通过总线13连接，处理器11通过通信接口14与外部设备通信。
[0083]
处理器11可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器11中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器11可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0084]
存储器12用于存储程序，例如本发明实施例中的成单率预测装置100或者模型训练装置200，成单率预测装置100或者模型训练装置200包括至少一个可以软件或固件(firmware)的形式存储于存储器12中的软件功能模块，处理器11在接收到执行指令后，执行所述程序以实现上述实施例揭示的成单率预测方法或者模型训练方法。
[0085]
存储器12可能包括高速随机存取存储器(ram：random access memory)，也可能还包括非易失存储器(non-volatile memory)。可选地，存储器12可以是内置于处理器11中的存储装置，也可以是独立于处理器11的存储装置。
[0086]
总线13可以是isa总线、pci总线或eisa总线等。图8仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0087]
本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的成单率预测方法，或者上述的模型训练方法。
[0088]
综上所述，本发明实施例提供了一种成单率预测和模型训练方法、装置、电子设备及存储介质，所述方法包括：获取影响用户下单的特征数据；将特征数据输入预先训练的预测模型，利用预测模型的预测层预测出用户到店的第一概率和用户到店后下单的第二概率；利用预测模型的融合层对第一概率和第二概率进行处理，得到用户下单的成单率。相对于现有技术，本发明实施例首先利用预测模型的预测层预测出用户到店的第一概率和用户到店后下单的第二概率，再利用预设模型的融合层对第一概率和第二概率进行处理，得到用户下单的成单率，本发明实施例通过综合考虑用户到店的第一概率和用户到店后下单的第二概率，使得最终得到的成单率更准确。
[0089]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。