[发明专利]用户任务预测方法、装置、计算机设备和存储介质

说明书

本申请涉及一种用户任务预测方法、装置、计算机设备和存储介质。所述方法包括：获取用户领取任务的任务信息，根据任务信息构建样本集；提取样本集中样本的用户领取任务的任务特征、用户目标特征以及任务目标特征；根据预先设置的关联规则和聚类规则，对任务特征、用户目标特征以及任务目标特征进行关联特征提取，得到关联特征，以及得到剩余未关联特征；对关联特征，进行one‑hot编码，得到预设长度的编码特征；将编码特征和未关联特征输入预先训练的任务预测模型，输出任务信息对应的是否完成任务的预测结果。采用本方法能够提高任务预测的准确率。

技术领域

本申请涉及计算机技术领域，特别是涉及一种用户任务预测方法、装置、计算机设备和存储介质。

背景技术

随着移动设备的完善和普及，移动互联网+各行各业进入了高速发展阶段，这其中以O2O(Online to Offline)消费最为吸引眼球。据不完全统计，O2O行业估值上亿的创业公司至少有10家，也不乏百亿巨头的身影。O2O行业天然关联数亿消费者，各类APP每天记录了超过百亿条用户行为和位置记录，因而成为大数据科研和商业化运营的最佳结合点之一。以优惠券盘活老用户或吸引新客户进店消费是O2O的一种重要营销方式。然而随机投放的优惠券对多数用户造成无意义的干扰。对商家而言，滥发的优惠券可能降低品牌声誉，同时难以估算营销成本。个性化投放是提高优惠券核销率的重要技术，它可以让具有一定偏好的消费者得到真正的实惠，同时赋予商家更强的营销能力。不管是电商还是零售，发放优惠券都会吸引消费者的青睐。

然而面对大量的数据进行优惠券是否使用的预测，是一个工作难点，采用现有的广义线性模型LR模型、RF(Random Forest)模型等均不能对该类任务进行准确预测。

发明内容

基于此，有必要针对上述技术问题，提供一种能够传统模型无法准确预测用户任务问题的用户任务预测方法、装置、计算机设备和存储介质。

一种用户任务预测方法，所述方法包括：

获取用户领取任务的任务信息，根据所述任务信息构建样本集；

提取所述样本集中样本的用户领取任务的任务特征、用户目标特征以及任务目标特征；所述任务特征包括领取任务的时间；所述用户目标特征和所述任务目标特征均为文本特征；

根据预先设置的关联规则和聚类规则，对所述任务特征、所述用户目标特征以及所述任务目标特征进行关联特征提取，得到关联特征，以及得到剩余未关联特征；

对所述关联特征，进行one-hot编码，得到预设长度的编码特征；

将所述编码特征和所述未关联特征输入预先训练的任务预测模型，输出所述任务信息对应的是否完成任务的预测结果；所述任务预测模型的训练样本采用完成任务标签进行标记；所述完成任务标签为二进制编码。

在其中一个实施例中，还包括：所述任务预测模型包括：XGBoost与lightgbm模型。

在其中一个实施例中，还包括：训练任务预测模型方式，包括：

采用集成学习的方式训练XGBoost与lightgbm模型。

在其中一个实施例中，还包括：所述任务信息为：在网络平台领取优惠券的信息；

所述任务目标特征包括：打折率、优惠券使用日期、优惠券总数、优惠券使用购买率和商品ID；

所述用户目标特征包括：用户ID、用户距离、用户最近优惠券使用距离、用户最远优惠券使用距离和平均距离。

一种用户任务预测装置，所述装置包括：

样本构建模块，用于获取用户领取任务的任务信息，根据所述任务信息构建样本集；