[发明专利]目标对象的预测方法、装置及电子设备

权利要求书

1.一种目标对象的预测方法，其特征在于，包括：

获取待预测对象的目标数据信息，其中，所述目标数据信息由第一目标数据信息和第二目标数据信息组成，所述第一目标数据信息表征所述待预测对象的固有属性信息，所述第二目标数据信息表征所述待预测对象随着时间变化的信息；

基于第一目标网络模型对所述第一目标数据信息进行特征提取，得到第一特征，并基于第二目标网络模型对所述第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征，其中，所述第一目标网络模型是由样本数据信息中的固有属性信息训练得到的，所述第二目标网络模型是由样本数据信息中的随着时间变化的信息训练得到的，所述第一特征表征所述待预测对象的属性特征，所述第二特征表征所述待预测对象的行为特征，所述第三特征表征所述待预测对象的交易账户特征；

基于所述第一特征、所述第二特征和所述第三特征，对所述待预测对象进行活跃度预测，得到预测结果，其中，所述预测结果表征所述待预测对象在交易中的活跃程度。

2.根据权利要求1所述的方法，其特征在于，基于第二目标网络模型对所述第二目标数据信息中的不同类别的数据进行特征提取，得到第二特征和第三特征，包括：

基于所述第二目标网络模型的第一子目标网络模型，对所述第二目标数据信息中的第一子类别目标数据信息进行特征提取，得到所述第二特征；

基于所述第二目标网络模型的第二子目标网络模型，对所述第二目标数据信息中的第二子类别目标数据信息进行特征提取，得到所述第三特征，其中，所述第一子目标网络模型和所述第二子目标网络模型所对应的神经网络算法不同。

3.根据权利要求1所述的方法，其特征在于，基于所述第一特征、所述第二特征和所述第三特征，对所述待预测对象进行活跃度预测，得到预测结果，包括：

对所述第一特征所对应的数据信息、所述第二特征所对应的数据信息和所述第三特征所对应的数据信息进行平均计算，得到所述预测结果。

4.根据权利要求3所述的方法，其特征在于，在对所述第一特征所对应的数据信息、所述第二特征所对应的数据信息和所述第三特征所对应的数据信息进行平均计算，得到所述预测结果之后，所述方法还包括：

通过目标判别函数对所述预测结果进行判断，得到判断结果；

在所述判断结果表征所述预测结果处于预设范围内的情况下，确定所述待预测对象为所述目标对象。

5.根据权利要求1所述的方法，其特征在于，在获取待预测对象的目标数据信息之后，所述方法还包括：

基于所述目标数据信息的周期性，对所述目标数据信息进行分类处理，得到所述第一目标数据信息和所述第二目标数据信息。

6.根据权利要求1所述的方法，其特征在于，通过以下方法生成所述第一目标网络模型和所述第二目标网络模型：

获取目标样本数据集，并对所述目标样本数据集进行分类处理，得到训练集、验证集和测试集，其中，所述目标样本数据集由第一样本数据集和第二样本数据集组成，所述第一样本数据集由具有目标标签的多个数据组成，所述第二样本数据集由不具有目标标签的多个数据组成，其中，所述目标标签所对应的对象为沉睡对象，所述沉睡对象的活跃度低于预设阈值；

基于所述训练集、所述验证集和所述测试集对初始对象预测模型进行处理，得到所述第一目标网络模型和所述第二目标网络模型，其中，所述初始对象预测模型由第一初始网络模型和第二初始网络模型组成，所述第一初始网络模型用于对所述训练集中的样本数据信息中的固有属性信息进行训练，所述第二初始网络模型用于对所述训练集中的样本数据信息中的随着时间变化的信息进行训练，所述第二初始网络模型由第一子初始网络模型和第二子初始网络模型组成，所述第一子初始网络模型和所述第二子初始网络模型所对应的神经网络算法不同。