匹配用户确定方法、装置、计算机设备和存储介质与流程

本技术涉及机器学习，特别是涉及一种匹配用户确定方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术：

1、随着互联网的发展，在各领域中，及时准确地对用户与业务服务主体、具体业务的匹配度进行预测，以针对用户的匹配度变化及时进行相应的改进和维护，是保障用户权益，及优化相关业务服务信息发放的运算资源的重要举措。

2、然而，目前技术中对用户匹配相关的评估措施局限于人工分析，对用户匹配分析的准确度偏低。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高准确度的匹配用户确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种匹配用户确定方法，所述方法包括：

3、获取待确定的用户对应的多个业务信息组，确定各个所述业务信息组对应的权重；每个所述业务信息组对应一个历史周期；

4、将各个所述业务信息组输入经训练的融合评估模型，由所述融合评估模型基于融合学习器、各个所述业务信息组以及各个所述权重，输出各个所述业务信息组对应的各个用户评估信息；所述融合学习器基于多种算法融合得到；

5、将各个所述用户评估信息输入经训练的时间序列模型，由所述时间序列模型基于各个历史周期对应的各个所述用户评估信息，输出所述用户对应的匹配度；

6、根据所述匹配度，确定所述用户是否属于匹配用户。

7、在其中一个实施例中，所述获取待确定的用户对应的多个业务信息组，包括：

8、针对每个历史周期，获取待确定的所述用户在所述历史周期内的多个业务变动信息，作为所述历史周期对应的所述业务信息组；所述业务变动信息表征所述用户使用业务过程中产生变动的业务信息。

9、在其中一个实施例中，所述确定各个所述业务信息组对应的权重，包括：

10、针对每个所述业务信息组，根据层次分析法和熵权法，确定所述业务信息组中各个所述业务变动信息对应的权重分数；

11、根据所述权重分数，确定所述业务信息组中各个所述业务变动信息对应的所述权重。

12、在其中一个实施例中，所述方法还包括：

13、基于层叠泛化框架融合多个机器学习算法，得到所述融合学习器；

14、根据所述融合学习器，生成待训练的融合评估模型；

15、获取业务信息组样本、所述业务信息组样本对应的权重样本以及所述业务信息组样本对应的用户评估信息样本；

16、基于所述业务信息组样本、所述业务信息组样本对应的所述权重样本以及所述业务信息组样本对应的所述用户评估信息样本，训练包含所述融合学习器的待训练的所述融合评估模型，得到经训练的所述融合评估模型。

17、在其中一个实施例中，所述时间序列模型包括长短期记忆网络；

18、所述将各个所述用户评估信息输入经训练的时间序列模型，由所述时间序列模型基于各个历史周期对应的各个所述用户评估信息，输出所述用户对应的匹配度，包括：

19、根据各个所述历史周期对应的各个所述用户评估信息，得到所述用户对应的用户评估信息序列；

20、将所述用户评估信息序列输入经训练的所述时间序列模型，由所述长短期记忆网络基于所述用户评估信息序列得到所述用户在未来周期内的匹配度预测信息序列，根据所述匹配度预测信息序列输出所述用户对应的所述匹配度。

21、在其中一个实施例中，所述根据所述匹配度预测信息序列输出所述用户对应的所述匹配度，包括：

22、获取所述匹配度预测信息序列中的匹配度下降子序列；所述匹配度下降子序列表征在连续的多个所述未来周期内的所述匹配度预测信息呈下降趋势对应的序列；

23、根据所述匹配度下降子序列中的所述未来周期的数量，输出所述用户对应的所述匹配度。

24、在其中一个实施例中，所述根据所述匹配度，确定所述用户是否属于匹配用户，包括：

25、将所述匹配度与匹配度阈值进行比较；

26、若所述匹配度大于所述匹配度阈值，则确定所述用户属于所述匹配用户；

27、若所述匹配度小于或等于所述匹配度阈值，则确定所述用户不属于所述匹配用户。

28、在其中一个实施例中，所述方法还包括：

29、若确定所述用户不属于所述匹配用户，则根据所述用户的所述匹配度确定目标数量；

30、在所述目标数量的未来周期内，推送资源激励信息至所述用户的用户账号。

31、第二方面，本技术提供了一种匹配用户确定装置，所述装置包括：

32、获取模块，用于获取待确定的用户对应的多个业务信息组，确定各个所述业务信息组对应的权重；每个所述业务信息组对应一个历史周期；

33、第一输入模块，用于将各个所述业务信息组输入经训练的融合评估模型，由所述融合评估模型基于融合学习器、各个所述业务信息组以及各个所述权重，输出各个所述业务信息组对应的各个用户评估信息；所述融合学习器基于多种算法融合得到；

34、第二输入模块，用于将各个所述用户评估信息输入经训练的时间序列模型，由所述时间序列模型基于各个历史周期对应的各个所述用户评估信息，输出所述用户对应的匹配度；

35、确定模块，用于根据所述匹配度，确定所述用户是否属于匹配用户。

36、在其中一个实施例中，所述获取模块，具体用于：

37、针对每个历史周期，获取待确定的所述用户在所述历史周期内的多个业务变动信息，作为所述历史周期对应的所述业务信息组；所述业务变动信息表征所述用户使用业务过程中产生变动的业务信息。

38、在其中一个实施例中，所述获取模块，具体用于：

39、针对每个所述业务信息组，根据层次分析法和熵权法，确定所述业务信息组中各个所述业务变动信息对应的权重分数；

40、根据所述权重分数，确定所述业务信息组中各个所述业务变动信息对应的所述权重。

41、在其中一个实施例中，所述装置还包括：训练模块，用于：

42、基于层叠泛化框架融合多个机器学习算法，得到所述融合学习器；

43、根据所述融合学习器，生成待训练的融合评估模型；

44、获取业务信息组样本、所述业务信息组样本对应的权重样本以及所述业务信息组样本对应的用户评估信息样本；

45、基于所述业务信息组样本、所述业务信息组样本对应的所述权重样本以及所述业务信息组样本对应的所述用户评估信息样本，训练包含所述融合学习器的待训练的所述融合评估模型，得到经训练的所述融合评估模型。

46、在其中一个实施例中，所述时间序列模型包括长短期记忆网络；

47、所述第二输入模块，具体用于：

48、根据各个所述历史周期对应的各个所述用户评估信息，得到所述用户对应的用户评估信息序列；

49、将所述用户评估信息序列输入经训练的所述时间序列模型，由所述长短期记忆网络基于所述用户评估信息序列得到所述用户在未来周期内的匹配度预测信息序列，根据所述匹配度预测信息序列输出所述用户对应的所述匹配度。

50、在其中一个实施例中，所述第二输入模块，具体用于：

51、获取所述匹配度预测信息序列中的匹配度下降子序列；所述匹配度下降子序列表征在连续的多个所述未来周期内的所述匹配度预测信息呈下降趋势对应的序列；

52、根据所述匹配度下降子序列中的所述未来周期的数量，输出所述用户对应的所述匹配度。

53、在其中一个实施例中，所述确定模块，具体用于：

54、将所述匹配度与匹配度阈值进行比较；

55、若所述匹配度大于所述匹配度阈值，则确定所述用户属于所述匹配用户；

56、若所述匹配度小于或等于所述匹配度阈值，则确定所述用户不属于所述匹配用户。

57、在其中一个实施例中，所述装置还包括：推送模块，用于：

58、若确定所述用户不属于所述匹配用户，则根据所述用户的所述匹配度确定目标数量；

59、在所述目标数量的未来周期内，推送资源激励信息至所述用户的用户账号。

60、第三方面，本技术提供了一种计算机设备，包括存储器和处理器，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上述的方法的步骤。

61、第四方面，本技术提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。

62、第五方面，本技术提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。

63、上述匹配用户确定方法、装置、计算机设备、存储介质和计算机程序产品，通过将待确定的用户对应的多个历史周期的多个业务信息组输入经训练的融合评估模型，基于融合学习器、各个业务信息组以及各个业务信息组的权重，输出各个业务信息组对应的各个用户评估信息，由时间序列模型基于各个历史周期对应的各个用户评估信息，输出用户对应的匹配度，基于匹配度确定用户是否为匹配用户。在有益效果上，本技术通过结合用户在历史周期内的多个业务信息组，通过融合评估模型和时间序列模型评估用户是否为匹配用户，能够充分挖掘利用海量的业务信息数据，达到提高确定匹配用户的准确度的效果。