一种基于KL散度的交易概率预测模型构建方法及装置与流程

本说明书涉及人工智能领域，尤其是一种基于kl散度的交易概率预测模型构建方法及装置。

背景技术：

1、在银行业务中，准确预测客户的购买营销产品的意愿和选择时机是重要的任务。为了提高营销效果，银行通常会构建多分类模型，将客户分为不同的购买时机类别。

2、然而，现有的多分类模型在不同时段的预测性能存在性能下降的问题，且现有的模型无法考虑多个时段、多个类别之间的关联关系和相互影响，从而无法得到客户购买意愿准确的预测结果。

技术实现思路

1、为解决上述现有技术的问题，本说明书实施例提供了一种基于kl散度的交易概率预测模型构建方法及装置。

2、本说明书实施例提供了一种基于kl散度的交易概率预测模型构建方法，所述方法包括：根据客户历史交易行为，获取各时段的样本交易数据；将各时段的样本交易数据输入至初始预测模型，得到各时段交易响应概率的初始预测分布；计算各时段的初始预测分布与各时段样本交易数据的真实概率分布的kl散度，所述kl散度表示预测分布与真实概率分布的差异；若存在差异超出第一预设阈值的时段，确定初始预测模型的全时段预测概率；迭代所述初始预测模型，直到初始模型每次迭代后的全时段预测概率与全时段真实概率分布的差异小于第二预设阈值，得到训练完成的预测模型。

3、根据本说明书实施例的一个方面，若存在差异超出预设阈值的时段，确定初始预测模型的全时段预测概率包括：根据初始预测模型的迭代，确定各时段的权重；根据各时段的权重、所述初始预测模型在各时段预测的预测分布，确定全时段预测概率。

4、根据本说明书实施例的一个方面，确定各时段的权重包括：全天营销时段与某一时段的kl散度为第一kl散度；确定各时段与全天营销时段的kl散度之和为第二kl散度；根据第一kl散度与第二kl散度的比值，确定所述时段的权重。

5、根据本说明书实施例的一个方面，计算各时段的初始预测分布与交易数据真实概率分布的kl散度包括：获取某一时段单一产品的交易数据的真实概率分布；计算所述真实概率分布与初始预测模型预测的单一产品的初始预测分布的比值；求所述比值的对数；将所述真实概率分布与所述对数的乘积，确定为所述时段、所述单一产品的初始预测分布与真实概率分布的kl散度。

6、根据本说明书实施例的一个方面，当同一时段包含多个产品的交易数据时，所述方法包括：分别确定所述时段初始预测模型对各产品预测的初始预测分布，形成初始预测分布集合；根据初始预测分布集合、各产品的真实概率分布集合，计算初始预测分布集合与真实概率分布集合的kl散度和。

7、本说明书实施例还公开了一种基于kl散度的交易概率预测模型构建装置，所述装置包括：预测分布确定单元，用于将各时段的交易数据输入至初始预测模型，得到各时段交易响应概率的初始预测分布；kl散度计算单元，用于计算各时段的初始预测分布与各时段交易数据的真实概率分布的kl散度，所述kl散度表示预测分布与真实概率分布的差异；全时段预测概率确定单元，用于若存在差异超出第一预设阈值的时段，确定初始预测模型的全时段预测概率；迭代单元，用于迭代所述初始预测模型，直到初始模型每次迭代后的全时段预测概率与全时段真实概率分布的差异小于第二预设阈值，得到训练完成的交易概率预测模型。

8、本说明书实施例还公开一种基于kl散度的交易概率预测方法，所述方法应用上述基于kl散度的交易概率预测模型，包括：获取某一时段的交易特征数据；将所述交易特征数据输入至交易概率预测模型，其中，所述交易概率预测模型根据样本交易数据、全时段预测概率与真实概率分布的差异训练得到；确定所述交易概率预测模型的输出结果，所述输出结果为的客户交易概率。

9、本说明书实施例还公开了一种基于kl散度的交易概率预测装置，所述装置包括：交易特征数据获取单元，用于获取某一时段的交易特征数据；输入单元，用于将所述交易特征数据输入至交易概率预测模型，其中，所述交易概率预测模型根据样本交易数据、全时段预测概率与真实概率分布的差异训练得到；输出确定单元，用于确定所述交易概率预测模型的输出结果，所述输出结果为的客户交易概率。

10、本说明书实施例还提供了一种计算机设备，所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。

11、本说明书实施例还提供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方法。

12、本说明书基于kl散度构建交易概率预测模型，使得模型预测时考虑多个类别之间的关联关系，提高模型在不同时机上的分类性能，得到更准确、更全面的预测概率。

技术特征：

1.一种基于kl散度的交易概率预测模型构建方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于kl散度的交易概率预测模型构建方法，其特征在于，若存在差异超出预设阈值的时段，确定初始预测模型的全时段预测概率包括：

3.根据权利要求2所述的基于kl散度的交易概率预测模型构建方法，其特征在于，确定各时段的权重包括：

4.根据权利要求1所述的基于kl散度的交易概率预测模型构建方法，其特征在于，计算各时段的初始预测分布与交易数据真实概率分布的kl散度包括：

5.根据权利要求4所述的基于kl散度的交易概率预测模型构建方法，其特征在于，当同一时段包含多个产品的交易数据时，所述方法包括：

6.一种基于kl散度的交易概率预测模型构建装置，其特征在于，所述装置包括：

7.一种基于kl散度的交易概率预测方法，其特征在于，所述方法应用权利要求1-5任一项所述方法得到的基于kl散度的交易概率预测模型，包括：

8.一种基于kl散度的交易概率预测装置，其特征在于，所述装置包括：

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5、7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，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权利要求1至5、7任一项所述的方法。

技术总结
本说明书涉及人工智能领域，尤其是一种基于KL散度的交易概率预测模型构建方法及装置。所述方法包括：将各时段的样本交易数据输入至初始预测模型，得到各时段交易响应概率的初始预测分布；计算各时段的初始预测分布与各时段样本交易数据的真实概率分布的KL散度，所述KL散度表示预测分布与真实概率分布的差异；若存在差异超出第一预设阈值的时段，确定初始预测模型的全时段预测概率；迭代所述初始预测模型，直到初始模型每次迭代后的全时段预测概率与全时段真实概率分布的差异小于第二预设阈值，得到训练完成的预测模型。本说明书通过KL散度计算，能全面评估银行营销时机多分类模型在不同时机分类上的性能，确保评价结果更准确、更全面。

技术研发人员：梁杰,郭运雷,毛雅琛,王佶盛
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：
技术公布日：2024/1/25