[发明专利]基于人工智能的行为预测方法、装置、终端及存储介质

说明书

本发明涉及人工智能技术领域，提供一种基于人工智能的行为预测方法、装置、终端及存储介质，包括：对原始样本数据集进行分群得到多个群样本数据集；使用第一种群生成模型根据多个群样本数据集生成第一代种群，其中，同一个群样本数据集中的原始样本数据对应同一个标识；使用XGBoost模型对第一代种群进行训练得到多个预测值，并根据多个预测值计算头部预测准确率，使用遗传算法根据头部预测准确率对多个群样本数据集进行迭代寻优直到得到目标种群；基于目标种群中为第一标识的原始样本数据构建样本数据子集，并训练行为预测模型来预测目标用户的行为。本发明能够使得行为预测模型训练的目标与业务场景的目标保持一致，提高头部人群的行为预测的准确率。

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的行为预测方法、装置、终端及存储介质。

背景技术

在代理人业绩考核业务中，需要通过预测模型对新入司的准代理人进行打分，然后以打分最高(最容易低业绩)的前1％人群的低业绩准确率作为衡量模型的最终目标，对这类人不予入司申请，所以对这些人的低业绩预测准确率要求很高。

发明人在实现本发明的过程中发现，常见的基于机器学习的预测模型大多是以模型的log loss或者交叉熵作为模型训练的损失函数，训练出的预测模型在基于整体样本的排序的AUC指标上有良好的效果，然而在代理人业绩预测场景中，并不要求对整体样本的AUC有过高的要求，只是对于头部样本的预测准确率有较高的要求，这就造成了模型训练的目标和业务场景的目标不一致的情况。

发明内容

鉴于以上内容，有必要提出一种基于人工智能的行为预测方法、装置、终端及存储介质，能够使得行为预测模型训练的目标与业务场景的目标保持一致，提高头部人群的行为预测的准确率。

本发明的第一方面提供一种基于人工智能的行为预测方法，所述方法包括：

对原始样本数据集进行分群得到多个群样本数据集；

使用第一种群生成模型根据所述多个群样本数据集生成第一代种群，其中，同一个群样本数据集中的所有原始样本数据对应同一个标识；

使用XGBoost模型对所述第一代种群进行训练得到多个第一预测值，并根据所述多个第一预测值计算第一头部预测准确率，使用遗传算法根据所述第一头部预测准确率对所述多个群样本数据集进行寻优得到第二代种群；

使用所述XGBoost模型对所述第二代种群进行迭代训练得到多个第二预测值，并根据所述多个第二预测值计算第二头部预测准确率，使用所述遗传算法根据所述第二头部预测准确率对所述多个群样本数据集进行迭代寻优，直到得到目标种群；

基于所述目标种群中为第一标识的原始样本数据构建样本数据子集，并使用所述XGBoost模型对所述样本数据子集进行训练得到行为预测模型；

调用所述行为预测模型预测目标用户的行为。

可选的，所述对原始样本数据集进行分群得到多个群样本数据集包括：

使用主成分分析算法提取所述原始样本数据集的多个特征；

对所述多个特征按照从大到小进行排序；

选取排序后的多个特征中的前预设第一数量的目标特征；

根据所述前预设第一数量的目标特征生成基空间；

将所述原始样本数据集中的每个原始样本数据投影到所述基空间中得到对应的样本特征；

根据所述样本特征对所述原始样本数据集进行聚类得到多个群样本数据集。

可选的，所述使用第一种群生成模型根据所述多个群样本数据集生成第一代种群包括：

为每个群样本数据集随机生成第一标识或者生成第二标识；