一种确定用户群体的方法、装置、设备以及存储介质

技术领域

本申请涉及金融数据处理技术领域，特别是涉及一种确定用户群体的方法、装置、设备以及存储介质。

背景技术

银行工作人员需要面向特定需求的人群进行业务推荐，引导上述特定人群通过使用银行推荐的相应业务，提高生活和工作的便利程度。例如，面向中老年人推荐手机支付业务、面向高收入人群推荐理财业务等等。

但是，由于当前银行工作人员进行业务推荐的过程中，无法从广泛的用户群体中明确有真实业务需求的特定人群，导致业务推荐效率较低，进一步的导致业务推荐成功率也较低。如何在开展业务之前就确定目标用户群体，提高业务推荐效率以及业务推荐的成功率，成为亟待解决的问题。

发明内容

基于上述问题，本申请提供了一种确定用户群体的方法、装置、设备以及存储介质，目的是在开展业务之前，就确定目标用户群体，继而提高业务推荐效率和业务推荐的成功率。

本申请实施例公开了如下技术方案：

第一方面，本申请实施例提供确定用户群体的方法，所述方法包括：

获取银行存储的多个用户的用户数据，所述用户数据包括用户个人信息数据和与用户的消费特征相关的数据；

通过对多个用户的所述用户数据的相似性的分析，将具有相同消费特征的多个用户的所述用户数据分配到同一个实际用户特征集中，获得多个所述实际用户特征集；

利用所述消费特征和所述多个实际用户特征集训练神经网络模型，获得用户集预测模型；

将目标消费特征输入至所述用户集预测模型中，通过所述用户集预测模型对所述目标消费特征的分析，确定目标用户。

可选地，所述通过对多个用户的所述用户数据的相似性的分析，将具有相同消费特征的多个用户的所述用户数据分配到同一个实际用户特征集中，获得多个所述实际用户特征集，包括：

获取所述飞蛾火焰算法的初始化参数，所述初始化参数包括初始种群、最大迭代次数和初始迭代次数；所述初始种群是由多个用户的所述用户数据随机生成的；

利用所述用户数据获取所述多个用户之间的相似度后，求取所述相似度的平均值，获得适应度函数；利用所述初始化参数和所述适应度函数，获取飞蛾适应度数值和火焰适应度数值；

利用所述飞蛾适应度数值、所述火焰适应度数值、所述初始迭代次数和所述飞蛾火焰算法中的公式，获取火焰的数目和飞蛾的位置；所述飞蛾火焰算法中的公式包括飞蛾位置公式和火焰数目公式；

如果当前迭代计算的次数小于或等于所述最大迭代次数，则利用所述飞蛾适应度数值、所述火焰适应度数值、所述当前迭代次数和所述飞蛾火焰算法中的公式，重新获取火焰的数目和飞蛾的位置；

如果当前迭代计算的次数大于所述最大迭代次数，则所述飞蛾火焰算法停止计算，输出所述多个实际用户特征集。

可选地，所述利用所述消费特征和所述多个实际用户特征集训练所述神经网络模型，获得用户集预测模型，包括：

将所述消费特征输入至所述神经网络模型中，通过所述神经网络模型对所述消费特征的分析，输出与所述消费特征对应的理论用户特征集；

若所述理论用户特征集与所述实际用户特征集的差异满足预设条件，则停止对所述神经网络模型的训练，获得用户集预测模型。

可选地，所述飞蛾位置公式，包括：

S(M

其中，S(M

可选地，所述火焰数目公式，包括：

N

其中，t是所述当前迭代次数，T是所述最大迭代次数；N为最大火焰数量；round代表取整函数；N

第二方面，本申请实施例提供了一种确定用户群体的装置，所述装置包括：

数据获取模块，用于获取银行存储的多个用户的用户数据，所述用户数据包括用户个人信息数据和与用户的消费特征相关的数据；

特征集获取模块，用于通过对多个用户的所述用户数据的相似性的分析，将具有相同消费特征的多个用户的所述用户数据分配到同一个实际用户特征集中，获得多个所述实际用户特征集；

模型训练模块，用于利用所述消费特征和所述多个实际用户特征集训练神经网络模型，获得用户集预测模型；

目标确定模块，用于将目标消费特征输入至所述用户集预测模型中，通过所述用户集预测模型对所述目标消费特征的分析，确定目标用户。

可选地，所述特征集获取模块，包括：

参数设置单元，用于获取所述飞蛾火焰算法的初始化参数，所述初始化参数包括初始种群、最大迭代次数和初始迭代次数；所述初始种群是由多个用户的所述用户数据随机生成的；

函数获取单元，用于利用所述用户数据获取所述多个用户之间的相似度后，求取所述相似度的平均值，获得适应度函数；

适应度计算单元，用于利用所述初始化参数和所述适应度函数，获取飞蛾适应度数值和火焰适应度数值；

数值计算单元，用于利用所述飞蛾适应度数值、所述火焰适应度数值、所述初始迭代次数和所述飞蛾火焰算法中的公式，获取火焰的数目和飞蛾的位置；所述飞蛾火焰算法中的公式包括飞蛾位置公式和火焰数目公式；

数值重置单元，用于如果当前迭代计算的次数小于或等于所述最大迭代次数，则利用所述飞蛾适应度数值、所述火焰适应度数值、所述当前迭代次数和所述飞蛾火焰算法中的公式，重新获取火焰的数目和飞蛾的位置；

数据输出单元，用于如果当前迭代计算的次数大于所述最大迭代次数，则所述飞蛾火焰算法停止计算，输出所述多个实际用户特征集。

可选地，所述模型训练模块，包括：

数据输入单元，用于将所述消费特征输入至所述神经网络模型中，通过所述神经网络模型对所述消费特征的分析，输出与所述消费特征对应的理论用户特征集；

模型训练单元，用于若所述理论用户特征集与所述实际用户特征集的差异满足预设条件，则停止对所述神经网络模型的训练，获得用户集预测模型。

第三方面，本申请实施例提供了一种电子设备，包括：存储器和处理器，其中，存储器用于存储计算机程序；处理器用于执行所述计算机程序，以实现上述第一方面提供的任一实现方式的确定用户群体的方法。

第四方面，本申请实施例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上存储有计算机程序，所述计算机程序被处理器执行上述第一方面提供的任一实现方式的确定用户群体的方法。

相较于现有技术，本申请具有以下有益效果：

本申请方案中首先获取银行存储的多个用户的用户数据，所述用户数据包括用户个人信息数据和与用户的消费特征相关的数据；其次通过对多个用户的所述用户数据的相似性的分析，将具有相同消费特征的多个用户的所述用户数据分配到同一个实际用户特征集中，获得多个所述实际用户特征集；然后利用所述消费特征和所述多个实际用户特征集训练神经网络模型，获得用户集预测模型；最后将目标消费特征输入至所述用户集预测模型中，通过所述用户集预测模型对所述目标消费特征的分析，确定目标用户。

由于本申请方案中采用了利用消费特征和多个实际用户特征集训练神经网络模型，获得用户集预测模型；以及利用用户集预测模型分析目标用户消费特征，确定目标用户群体的方法，解决了当前银行工作人员在业务推荐过程中，由于缺乏明确的目标用户群体，而导致的业务推荐效率以及业务推荐成功率较低的问题，有效提高了业务推荐的效率以及业务推荐的成功率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种确定用户群体的方法的流程图；

图2为本申请实施例提供的一种获得实际用户特征集的实现方式流程图；

图3为本申请实施例提供的一种确定用户群体的装置的结构示意图。

具体实施方式

正如前文描述，当前银行工作人员通常在人流量较多的地方，如大型商场、写字楼或者住宅区，以设点推广的方式，向往来人群推荐信用卡业务。由于无法识别往来人群中可能办理信用卡的用户群体，工作人员只能采取“广撒网”的方式推荐信用卡业务，导致耗费大量人力资源以及时间的情况下，信用卡业务的推荐成功率依然较低。如何在开展业务之前就确定目标用户群体，提高业务推荐的成功率，成为亟待解决的问题。

为解决上述问题，本申请实施例提供了一种确定用户群体的方法，该方法包括：首先获取银行存储的多个用户的用户数据，用户数据包括用户个人信息数据和与用户的消费特征相关的数据；其次利用飞蛾火焰算法处理多个用户的用户数据，获得多个实际用户特征集，实际用户特征集包括消费特征相同的用户的用户数据；然后利用消费特征和多个实际用户特征集训练神经网络模型，获得用户集预测模型；最后将目标消费特征输入至用户集预测模型中，通过用户集预测模型对目标消费特征的分析，确定目标用户。

由于本申请方案中采用了利用消费特征和多个实际用户特征集训练神经网络模型，获得用户集预测模型；以及利用用户集预测模型分析目标用户消费特征，确定目标用户群体的方法，解决了当前银行工作人员在业务推荐过程中，由于缺乏明确的目标用户群体，而导致的业务推荐成功率较低的问题；极大的提高了业务推荐的成功率。

需要说明的是，本发明提供的一种确定用户群体的方法、装置、设备及存储介质可用于金融领域或其他领域，例如，可用于金融领域中的信用卡业务推荐的应用场景。其他领域为除金融领域之外的任意领域，例如电子商务领域。上述仅为示例，并不对本发明提供的一种确定用户群体的方法、装置、设备及存储介质的应用领域进行限定。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的一种确定用户群体的方法的流程图。结合图1所示，本申请实施例提供的确定用户群体的方法，包括：

S101，获取银行存储的多个用户的用户数据，用户数据包括用户个人信息数据和与用户的消费特征相关的数据。

银行在自身运营过程中，在用户的许可、授权前提之下，存储了大量的用户数据。其中，既包括个人信息数据，又包括与用户的消费特征相关的数据。其中，用户的个人信息数据，可以包括用户的性别、年龄、教育水平、生活城市、工作类型、家庭孩童数量等等；与用户的消费特征相关的数据，可以包括用户的银行账户存款、每月信用卡消费额度、个人贷款情况、房屋抵押等数据。

分析银行存储的多个用户的用户数据，如分析用户年龄、每月消费额度、教育背景、工作类型等对贷款需求以及信用卡消费的影响，将具有相同消费能力和消费习惯的用户聚合在一起，形成具有特定消费特征的用户群体。

S102，通过对多个用户的所述用户数据的相似性的分析，将具有相同消费特征的多个用户的所述用户数据分配到同一个实际用户特征集中，获得多个所述实际用户特征集。

飞蛾火焰算法是模拟飞蛾在自然界中的导航机制提出的一种群智能优化算法，具有简单、易于实现、搜索速度快的优点，是求解复杂优化问题的一类有效方法。

本申请中利用飞蛾火焰算法处理多个用户的用户数据，获得多了实际用户特征集；每个实际用户特征集都包括消费特征相同的用户的用户数据。

图2为本申请实施例提供的一种获得实际用户特征集的实现方式流程图。在一种可能的实现方式中，可以采用图2所示实现方式流程图，获得用户的多个实际用户特征集。如图2所示，利用飞蛾火焰算法处理多个用户的用户数据，获得多个实际用户特征集，包括：

S201，获取飞蛾火焰算法的初始化参数。

最初使用飞蛾火焰算法时，需要设置飞蛾火焰算法的初始化参数。需要设置的参数包括：初始化种群、最大迭代次数、初始化迭代次数、飞蛾的数量、每个飞蛾个体中变量的个数等等。在本申请实施例中，初始化种群是由多个用户的用户数据随机生成的飞蛾火焰算法的一组解。

S202，利用用户数据获取多个用户之间的相似度后，求取相似度的平均值，获得适应度函数。

飞蛾火焰算法中的适应度函数是根据实际问题确定的。本申请实施例中，利用用户数据获取多个用户之间的相似度后，求取相似度的平均值，获得适应度函数。具体计算过程为：

其中，x

S203，利用初始化参数和适应度函数，获取飞蛾适应度数值和火焰适应度数值。

S204，利用飞蛾适应度数值、火焰适应度数值、初始迭代次数和飞蛾火焰算法中的公式，获取火焰的数目和飞蛾的位置。

其中，飞蛾火焰算法中的公式包括飞蛾位置公式和火焰数目公式；

在一种可能的实现方式中，飞蛾的位置公式如下所示：

其中，S(M

在一种可能的实现方式中，火焰数目公式如下所示：

N

其中；t是所述当前迭代次数，T是所述最大迭代次数；N为最大火焰数量；round代表取整函数；N

S205，判断当前迭代计算的次数是否大于最大迭代次数。

如果当前迭代计算的次数小于或等于最大迭代次数，则返回步骤S204，重新获取火焰的数目和飞蛾的位置；

如果当前迭代计算的次数大于最大迭代次数，则飞蛾火焰算法停止计算，输出多个实际用户特征集。

S206，输出多个实际用户特征集。

当飞蛾火焰算法停止迭代计算后，获得火焰最优解，作为多个实际用户特征集。

其中，不同用户特征集的用户具有不同的消费特征，相同用户特征集中的用户具有相同或相似的消费特征。在业务推荐之前，确定具有相同消费特征的用户特征集，面向具有相同消费特征的用户推荐业务，有效提高业务推荐效率以及业务推荐的成功率。

图2中步骤S201至步骤S206给出了一种将用户的用户数据转换为飞蛾火焰算法中的适应度函数，并利用包含该适应度函数的飞蛾火焰算法获取用户实际特征集的方法。需要说明的是，此部分仅为实例，并不是获取用户实际特征集的唯一方法。

利用飞蛾火焰算法处理多个用户的用户数据，获得多个实际用户特征集，简化了传统方法中获取用户特征集的工作流程，提高了获取多个实际用户特征集的工作效率。

S103，利用消费特征和多个实际用户特征集训练神经网络模型，获得用户集预测模型。

因为实际用户特征集包括消费特征相同的用户的用户数据；所以，可以利用消费特征和多个实际用户特征集训练神经网络模型，获得用户集预测模型。

在一种可能的实现方式中，利用消费特征和多个实际用户特征集训练神经网络模型，获得用户集预测模型，包括：

将消费特征输入至神经网络模型中，通过神经网络模型对消费特征的分析，输出与消费特征对应的理论用户特征集；

当理论用户特征集与实际用户特征集的差异满足预设条件，则停止对神经网络模型的训练，获得用户集预测模型。

本申请方案中，在获取银行存储的多个用户的用户信息，通过飞蛾火焰算法处理多个用户的用户数据，获得多个实际用户特征集；上述多个实际用户特征集中包括消费特征相同的用户的用户数据。

将实际用户特征集所包括的消费特征输入到神经网络模型中，利用神经网络模型分析输入的消费特征，会生成与消费特征对应的理论用户特征集。利用与该消费特征对应的用户的实际特征集，检验生成的与消费特征对应的理论用户特征集是否符合要求。例如，分析与相同的消费特征对应的实际用户特征集和理论用户特征集二者的差异是否满足预设条件，如果不满足预设条件，利用MSE损失函数或其它可使用的损失函数，调节神经网络模型中的参数，使得实际用户特征集和理论用户特征集二者的差异满足预设条件。当二者差异满足预设条件后，则停止对神经网络模型的训练，获得用户集预测模型。训练得到的用户集预测模型，可以用来预测具有相同消费特征的用户群体。

S104，将目标消费特征输入至用户集预测模型中，通过用户集预测模型对目标消费特征的分析，确定目标用户。

例如，可以将“月均消费1万的天津区域的二孩家庭”作为消费特征输入到用户集预测模型，用户集预测模型通过对“月均消费1万的天津区域的二孩家庭”信息进行分析，将用户数据中显示月均消费1万、所在地区为天津、家庭成员为2个孩童的用户数据聚类在一起，确定目标用户。

由于本申请方案中采用了利用消费特征和多个实际用户特征集训练神经网络模型，获得用户集预测模型；以及利用用户集预测模型分析目标用户消费特征，确定目标用户群体的方法，解决了当前银行工作人员在业务推荐过程中，由于缺乏明确的目标用户群体，而导致的业务推荐成功率较低的问题，有效提高了业务推荐的成功率。

基于上述实施例提供的确定用户群体的方法，本申请实施例还可以给出确定用户群体的装置。下面分别结合实施例和图例，对该确定用户群体的装置进行描述。

图3为本申请实施例提供的一种确定用户群体的装置的结构示意图。

结合图3所示，本申请实施例提供的确定用户群体的装置300，包括：

数据获取模块301，用于获取银行存储的多个用户的用户数据，用户数据包括用户个人信息数据和与用户的消费特征相关的数据；

特征集获取模块302，用于利用飞蛾火焰算法处理多个用户的用户数据，获得多个实际用户特征集；实际用户特征集包括消费特征相同的用户的用户数据；

模型训练模块303，用于利用消费特征和多个实际用户特征集训练神经网络模型，获得用户集预测模型；

目标确定模块304，用于将目标消费特征输入至用户集预测模型中，通过用户集预测模型对目标消费特征的分析，确定目标用户。

在一种可能的实现方式中，特征集获取模块302，包括：

参数设置单元，用于获取飞蛾火焰算法的初始化参数，初始化参数包括初始种群、最大迭代次数和初始迭代次数；初始种群是由多个用户的用户数据随机生成的；

函数获取单元，用于利用用户数据获取多个用户之间的相似度后，求取相似度的平均值，获得适应度函数；

适应度计算单元，用于利用初始化参数和适应度函数，获取飞蛾适应度数值和火焰适应度数值；

数值计算单元，用于利用飞蛾适应度数值、火焰适应度数值、初始迭代次数和飞蛾火焰算法中的公式，获取火焰的数目和飞蛾的位置；飞蛾火焰算法中的公式包括飞蛾位置公式和火焰数目公式；

数值重置单元，用于如果当前迭代计算的次数小于或等于最大迭代次数，则利用飞蛾适应度数值、火焰适应度数值、当前迭代次数和飞蛾火焰算法中的公式，重新获取火焰的数目和飞蛾的位置；

数据输出单元，用于如果当前迭代计算的次数大于最大迭代次数，则飞蛾火焰算法停止计算，输出多个实际用户特征集。

在一种可能的实现方式中，模型训练模块303，包括：

数据输入单元，用于将消费特征输入至神经网络模型中，通过神经网络模型对消费特征的分析，输出与消费特征对应的理论用户特征集；

模型训练单元，用于若理论用户特征集与实际用户特征集的差异满足预设条件，则停止对神经网络模型的训练，获得用户集预测模型。

进一步地，本申请实施例还提供了一种电子设备，包括存储器和处理器，其中，存储器用于存储计算机程序；处理器，用于执行计算机程序，以实现上述方法实施例中的确定用户群体的方法。

进一步地，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，以实现上述方法实施例中的确定用户群体的方法。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元提示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。