[发明专利]代理人出单概率的预测方法、装置、设备及存储介质

说明书

本发明涉及人工智能技术领域，提供一种代理人出单概率的预测方法、装置、设备及存储介质，用于提高代理人出单概率预测的准确性。代理人出单概率的预测方法包括：通过特征提取组合模型对业务代理人原始业务数据进行分群特征选择得到分群特征数据；通过历史时段的正例业务样本数据对分群特征数据进行平衡处理得到目标特征数据；通过目标特征数据和预置的目标损失函数对预置的梯度提升决策树模型进行出单概率预测的训练得到目标预测模型；对通过目标预测模型进行代理人业务出单概率二分类所得的初始出单概率值进行概率选择的融合得到目标出单概率值。此外，本发明还涉及区块链技术，业务代理人原始业务数据可存储于区块链中。

技术领域

本发明涉及智能决策领域，尤其涉及一种代理人出单概率的预测方法、装置、设备及存储介质。

背景技术

业务代理人的业务销售可能会收到市场整体行情、所在营业组氛围和自身能力意愿的影响，想单纯地通过人为筛选特征然后得出业务代理人出单概率是非常困难的。为了解决这一问题，目前，一般都是通过利用人工智能技术，在大数据下对业务代理人的业务销售数据进行建模来实现业务代理人出单概率的预测。

但是，目前所采用的人工智能技术所进行的代理人出单概率的预测，由于无法在保证数据真实性和多样性的前提下，使得入模样本平衡，模型的健壮性低，因而，导致了在样本正负比例不平衡情况下，代理人出单概率预测的准确性低。

发明内容

本发明提供一种代理人出单概率的预测方法、装置、设备及存储介质，用于提高在样本正负比例不平衡情况下，代理人出单概率预测的准确性。

本发明第一方面提供了一种代理人出单概率的预测方法，包括：

获取业务代理人原始业务数据，通过预置的特征提取组合模型，对所述业务代理人原始业务数据进行分群特征选择，得到分群特征数据；

获取历史时段的正例业务样本数据，通过所述历史时段的正例业务样本数据，对所述分群特征数据进行数据平衡处理，得到目标特征数据；

通过所述目标特征数据和预置的目标损失函数，对预置的梯度提升决策树模型进行出单概率预测的训练，得到目标预测模型，所述目标损失函数为加入了平衡因子的预设结构的损失函数；

获取待预测代理人的业务特征数据，通过所述目标预测模型对所述待预测代理人的业务特征数据进行代理人业务出单概率二分类，得到初始出单概率值，对所述初始出单概率值进行概率选择的融合，得到目标出单概率值。

可选的，在本发明第一方面的第一种实现方式中，所述获取历史时段的正例业务样本数据，通过所述历史时段的正例业务样本数据，对所述分群特征数据进行数据平衡处理，得到目标特征数据，包括：

对所述分群特征数据进行各类别的正负样本统计，得到各类别的正样本数量和各类别的负样本数量；

计算所述各类别的正样本数量和所述各类别的负样本数量的样本差值，根据所述样本差值获取各类别的历史时段的正例业务样本数据；

将所述各类别的历史时段的正例业务样本数据，对所述分群特征数据进行填充，得到目标特征数据。

可选的，在本发明第一方面的第二种实现方式中，所述通过所述目标特征数据和预置的目标损失函数，对预置的梯度提升决策树模型进行出单概率预测的训练，得到目标预测模型，包括：

通过预置的梯度提升决策树模型中各梯度提升决策树的总分类器，对所述目标特征数据进行出单概率预测，得到预测结果；

通过预置的目标损失函数对所述预测结果进行运算，得到损失函数值，所述目标损失函数为预设结构的对数似然函数；

根据所述损失函数值基于预置的最大期望算法，对所述目标损失函数中的平衡因子进行训练计算，得到最终的平衡因子，并将最终的平衡因子所对应的梯度提升决策树模型确定为目标预测模型。