本技术涉及人工智能,尤其涉及一种订购率预测方法、电子设备及可读存储介质。
背景技术:
1、随着人工智能技术的不断发展,神经网络模型在各行各业都得到了广泛的应用,在通信行业中,运营商便通过神经网络模型预测用户对于通信产品的订购率,以实现对通信业务的精准推送。
2、目前,在进行订购率预测的过程中,通常通过存量用户特征数据建立机器学习模型,从而对潜在用户进行预测,即,在预测某一用户是否会订购目标产品时,依赖于用户所购买其它产品时的存量特征数据,以及其它产品与目标产品之间的关联关系进行预测,但是,由于不同产品的产品内容和订购流程往往不同,导致由不同用户产生的订购数据差异性极大,进而使得易出现对用户订购率预测错误的情况发生,所以,当前进行用户订购率预测的准确性低。
技术实现思路
1、本技术的主要目的在于提供一种订购率预测方法、电子设备及可读存储介质,旨在解决现有技术中进行用户订购率预测的准确性低的技术问题。
2、为实现上述目的,本技术提供一种订购率预测方法,所述订购率预测方法包括:
3、根据目标用户的第一订购数据和对应的关联用户的第二订购数据,生成目标用户订购图,其中,所述目标用户和所述关联用户关联有同一订购行为;
4、将所述目标用户订购图进行图数据处理,得到预设数据维度下的用户订购图数据;
5、将所述用户订购图数据输入至预设订购率预测模型,通过所述预设订购率预测模型对所述目标用户进行订购率预测,得到订购率预测结果。
6、可选地,所述将所述目标用户订购图进行图数据处理,得到预设数据维度下的用户订购图数据的步骤包括:
7、将所述目标用户订购图进行图数据转换,得到所述预设维度下的图表示数据;
8、对所述图表示数据进行节点聚类,得到所述用户订购图数据。
9、可选地,所述根据目标用户的第一订购数据和对应的关联用户的第二订购数据,生成目标用户订购图的步骤包括:
10、确定所述第一订购数据的各第一订购行为和所述第二订购数据的各第二订购行为分别对应的订购行为数据,并生成各所述第一订购行为和各所述第二订购行为共同对应的订购行为节点;
11、通过连接各所述订购行为节点,得到初始用户订购图;
12、根据各所述第一订购数据、各所述第二订购数据和所述初始用户订购图,确定所述目标用户订购图。
13、可选地,所述第一订购数据包括第一订购浏览数据,所述第二订购数据包括第二订购浏览数据,
14、所述通过连接各所述订购行为节点,得到初始用户订购图的步骤包括:
15、根据所述第一订购浏览数据和第二订购浏览数据,确定至少一个关联套餐数据,并生成各所述关联套餐数据对应的关联套餐节点;
16、通过连接各所述订购行为节点和各所述关联套餐节点,得到所述初始用户订购图。
17、可选地,所述初始用户订购图至少包括一订购行为节点连接边和一关联套餐节点连接边,
18、所述根据各所述第一订购行为数据、各所述第二订购行为数据和所述初始用户订购图,确定所述目标用户订购图的步骤包括:
19、根据各所述第一订购行为数据和各所述第二订购行为数据,确定各所述订购行为节点连接边分别对应的订购行为频次;
20、确定各所述关联套餐节点对应的关联套餐节点边的订购关联度;
21、根据各所述订购行为频次和预设订购行为频次阈值之间的比值关系,确定各所述订购行为节点连接边的第一节点边权重值,以及根据各所述订购关联度和预设关联度阈值之间的比值关系,确定各所述关联套餐节点连接边的第二节点边权重值;
22、通过将各所述第一节点边权重值和各所述第二节点边权重值分别赋予各自对应的所述订购行为节点连接边和对应的所述关联套餐节点连接边,得到所述目标用户订购图。
23、可选地,在所述根据目标用户的第一订购数据和对应的关联用户的第二订购数据,生成目标用户订购图,其中,所述目标用户和所述关联用户关联有同一订购行为的步骤之前,所述订购率预测方法还包括:
24、获取目标用户的第一初始订购数据和对应的关联用户的第二初始订购数据分别对应的数据类型;
25、根据所述数据类型,对所述第一初始订购数据和所述第一初始订购数据进行筛选,得到所述目标用户的第一订购数据和所述关联用户的第二订购数据。
26、可选地,在所述将所述用户订购图数据输入至预设订购率预测模型,通过所述预设订购率预测模型对所述目标用户进行订购率预测,得到订购率预测结果的步骤之前,所述订购率预测方法还包括:
27、根据订购样本数据,生成用户订购样本图,其中,所述用户订购样本图包括至少一个订购节点和至少一个订购节点连接边;
28、根据各所述订购节点和各所述订购节点边,构建所述用户订购节点对应的度矩阵和所述目标用户订购图的邻接矩阵;
29、根据所述度矩阵和所述邻接矩阵,确定所述用户订购样本图的拉普拉斯矩阵;
30、根据所述用户订购样本图的拉普拉斯矩阵,构建预设订购率预测模型。
31、可选地,所述根据所述度矩阵和所述邻接矩阵,确定所述用户订购样本图的拉普拉斯矩阵的步骤包括:
32、将所述度矩阵和所述邻接矩阵作差,得到所述用户订购样本图的初始拉普拉斯矩阵;
33、对各所述用户订购节点进行聚类,得到节点聚类结果;
34、根据所述节点聚类结果,构建所述用户订购样本图上随机游走的概率转移矩阵;
35、根据所述初始拉普拉斯矩阵和所述概率转移矩阵,构建所述用户订购样本图的拉普拉斯矩阵。
36、为实现上述目的,本技术还提供一种订购率预测装置,所述订购率预测装置包括:
37、生成模块,用于根据目标用户的第一订购数据和对应的关联用户的第二订购数据,生成目标用户订购图,其中,所述目标用户和所述关联用户关联有同一订购行为;
38、处理模块,用于将所述目标用户订购图进行图数据处理,得到预设数据维度下的用户订购图数据;
39、预测模块,用于将所述用户订购图数据输入至预设订购率预测模型,通过所述预设订购率预测模型对所述目标用户进行订购率预测,得到订购率预测结果。
40、可选地,所述处理模块还用于:
41、将所述目标用户订购图进行图数据转换,得到所述预设维度下的图表示数据;
42、对所述图表示数据进行节点聚类,得到所述用户订购图数据。
43、可选地,所述生成模块还用于:
44、确定所述第一订购数据的各第一订购行为和所述第二订购数据的各第二订购行为分别对应的订购行为数据,并生成各所述第一订购行为和各所述第二订购行为共同对应的订购行为节点;
45、通过连接各所述订购行为节点,得到初始用户订购图;
46、根据各所述第一订购数据、各所述第二订购数据和所述初始用户订购图,确定所述目标用户订购图。
47、可选地,所述第一订购数据包括第一订购浏览数据,所述第二订购数据包括第二订购浏览数据,所述生成模块还用于:
48、根据所述第一订购浏览数据和第二订购浏览数据,确定至少一个关联套餐数据,并生成各所述关联套餐数据对应的关联套餐节点;
49、通过连接各所述订购行为节点和各所述关联套餐节点,得到所述初始用户订购图。
50、可选地,所述初始用户订购图至少包括一订购行为节点连接边和一关联套餐节点连接边,所述生成模块还用于:
51、根据各所述第一订购行为数据和各所述第二订购行为数据,确定各所述订购行为节点连接边分别对应的订购行为频次;
52、确定各所述关联套餐节点对应的关联套餐节点边的订购关联度;
53、根据各所述订购行为频次和预设订购行为频次阈值之间的比值关系,确定各所述订购行为节点连接边的第一节点边权重值,以及根据各所述订购关联度和预设关联度阈值之间的比值关系,确定各所述关联套餐节点连接边的第二节点边权重值;
54、通过将各所述第一节点边权重值和各所述第二节点边权重值分别赋予各自对应的所述订购行为节点连接边和对应的所述关联套餐节点连接边,得到所述目标用户订购图。
55、可选地,所述订购率预测装置还用于:
56、获取目标用户的第一初始订购数据和对应的关联用户的第二初始订购数据分别对应的数据类型;
57、根据所述数据类型,对所述第一初始订购数据和所述第一初始订购数据进行筛选,得到所述目标用户的第一订购数据和所述关联用户的第二订购数据。
58、可选地,所述订购率预测装置还用于:
59、根据订购样本数据,生成用户订购样本图,其中,所述用户订购样本图包括至少一个订购节点和至少一个订购节点连接边;
60、根据各所述订购节点和各所述订购节点边,构建所述用户订购节点对应的度矩阵和所述目标用户订购图的邻接矩阵;
61、根据所述度矩阵和所述邻接矩阵,确定所述用户订购样本图的拉普拉斯矩阵;
62、根据所述用户订购样本图的拉普拉斯矩阵,构建预设订购率预测模型。
63、可选地,所述订购率预测装置还用于:
64、将所述度矩阵和所述邻接矩阵作差,得到所述用户订购样本图的初始拉普拉斯矩阵;
65、对各所述用户订购节点进行聚类,得到节点聚类结果;
66、根据所述节点聚类结果,构建所述用户订购样本图上随机游走的概率转移矩阵;
67、根据所述初始拉普拉斯矩阵和所述概率转移矩阵,构建所述用户订购样本图的拉普拉斯矩阵。
68、本技术还提供一种电子设备,所述电子设备包括:至少一个处理器以及与所述至少一个处理器通信连接的存储器,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述的订购率预测方法的步骤。
69、本技术还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有实现订购率预测方法的程序,所述订购率预测方法的程序被处理器执行时实现如上述的订购率预测方法的步骤。
70、本技术还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的订购率预测方法的步骤。
71、本技术在进行订购率预测时,首先根据目标用户的第一订购数据和对应的关联用户的第二订购数据,生成目标用户订购图,其中,所述目标用户和所述关联用户关联有同一订购行为;进而将所述目标用户订购图进行图数据处理,得到预设数据维度下的用户订购图数据;最终将所述用户订购图数据输入至预设订购率预测模型,通过所述预设订购率预测模型对所述目标用户进行订购率预测,得到订购率预测结果,即可实现根据目标用户和关联用户分别对应的订购数据生成的目标用户订购图,对目标用户的订单率进行预测的目的。
72、由于对目标用户订购图进行图数据处理后得到的用户订购图数据在预设数据维度下,实现了将属于不同维度的第一订购数据和第二订购数据转化为同一数据维度下的订购图数据,即,挖掘出与目标用户存在相同订购行为的关联用户,并通过目标用户和关联用户分别对应的订购数据共同生成同一数据维度下的订购图数据,进而通过相应的预设订购率预测模型,即可实现对目标用户进行订购率的精准预测的目的。
73、基于此,本技术通过转化隶属于目标用户和目标用户对应的关联用户分别对应的不同数据维度下的订购数据,得到预设维度下的用户订购图数据,并基于预设订购率预测模型,对目标用户进行订购率预测,最终得到订购率预测结果,由于目标用户和关联用户关联有同一订购行为,从而实现了依赖更可靠的用户与用户之间在订购行为上的关联关系,预测目标用户的订购率的目的。而非在预测某一用户是否会订购目标产品时,只能依赖于用户所购买其它产品时的存量特征数据,以及其它产品与目标产品之间的关联关系进行预测。所以克服了由于不同产品的产品内容和订购流程往往不同,导致由不同用户产生的订购数据差异性极大,进而使得易出现对用户订购率预测错误的情况发生的技术缺陷,所以,提升了用户订购率预测的准确性。