[发明专利]目标用户筛选方法、装置、设备、介质和程序产品

说明书

本公开提供了一种目标用户筛选方法，可以应用于人工智能技术领域或金融领域。该方法包括：获取用户特征信息，其中，所述用户特征信息包括用户基础特征信息，用户交易时序特征信息，以及用户营销偏好信息；以及将预处理后的用户特征信息输入至预训练得到的用户筛选模型，获取目标用户筛选结果，其中，所述预训练得到的用户筛选模型基于改进的梯度提升决策树算法模型训练得到，在训练得到所述用户筛选模型的过程中，利用预算信息和活动权益调整模型的阈值。本公开还提供了一种目标用户筛选装置、设备、存储介质和程序产品。

技术领域

本公开涉及人工智能领域或金融领域，具体地涉及一种目标用户筛选方法、装置、设备、介质和程序产品。

背景技术

目前，银行等金融机构在进行金融产品营销时，通常通过电话营销，短信营销或微信营销的方式进行。这些营销方式都各自存在诸如人力成本较高，用户响应较低，目标用户范围较窄等弊端。此外，由于电话营销和短信营销具有盲目性，可能会引起部分非目标用户的投诉。另外，由于每次营销活动经费有限，而营销活动的权益政策可能会吸引大量非目标用户，导致营销经费的浪费。现有技术中的智能营销技术主要是对用户历史行为进行分析，预测用户未来某种消费行为的概率，上述预测方法未充分分析用户特征，导致预测准确性较差。另一方面，目前的智能营销技术中，均未考虑营销预算，导致营销人员在拿到目标用户清单后还需结合预算进行手工筛选，增加了人力成本。

发明内容

鉴于上述问题，本公开的实施例提供了一种提高目标用户筛选智能性和准确性的目标用户筛选方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种目标用户筛选方法，包括：获取用户特征信息，其中，所述用户特征信息包括用户基础特征信息，用户交易时序特征信息，以及用户营销偏好信息；以及将预处理后的用户特征信息输入至预训练得到的用户筛选模型，获取目标用户筛选结果，其中，所述预训练得到的用户筛选模型基于改进的梯度提升决策树算法模型训练得到，在训练得到所述用户筛选模型的过程中，利用预算信息和活动权益调整模型的阈值。

根据本公开的实施例，所述用户基础特征信息包括用户属性信息、用户资产信息以及用户负债信息；和/或，所述用户交易时序特征信息包括用户交易月度信息、用户交易季度信息以及用户交易年度信息；和/或，用户营销偏好信息包括用户贡献值，用户风险等级以及用户敏感度中的至少两种。

根据本公开的实施例，训练得到所述用户筛选模型包括：获取样本数据集，将所述样本数据集划分标注为正样本数据和负样本数据，其中，所述正样本数据包括活跃用户数据和敏感用户数据，所述负样本数据包括非活跃用户数据和不敏感用户数据；其中，所述活跃用户包括预定时间内交易次数大于第一预设阈值的用户，所述敏感用户包括用户敏感度大于第二预设阈值的用户；将所述样本数据集划分为训练集数据和测试集数据；基于所述改进的梯度提升决策树算法模型对所述训练集数据进行训练，得到一次优化模型；以及利用所述测试集数据，基于所述预算信息和所述活动权益对所述一次优化模型进行训练，直至获取用户筛选模型，其中，所述用户筛选模型包含落地阈值。

根据本公开的实施例，利用所述测试集数据，基于所述预算信息和所述活动权益对所述一次优化模型进行训练，直至获取用户筛选模型包括：利用所述测试集数据，基于待优化阈值对所述一次优化模型进行迭代训练，其中，每一轮训练均从预设的阈值调整区间选取所述待优化阈值，在每一轮训练后获取对应于当前模型的混淆矩阵；以及当所述混淆矩阵中的真正例和假正例的加和与目标用户数相等时，以当前混淆矩阵对应的待优化阈值为落地阈值，以落地阈值对应的模型为所述用户筛选模型，其中，所述目标用户数基于预算信息和活动权益计算得到。