[发明专利]消费额度预测方法、装置、计算机设备和存储介质

说明书

本申请涉及一种消费额度预测方法、装置、计算机设备和存储介质，涉及大数据领域。所述方法包括：从目标用户的历史消费数据中，获取各目标消费特征对应的目标消费数据，并通过消费预测模型对各所述目标特征对应的所述目标消费数据进行预测处理，得到所述目标用户对应的预测消费额度，其中，所述消费预测模型为由梯度提升决策树gbdt和类别提升算法catboost构成的级联森林模型。采用本方法能够提高消费额度的预测精度。

技术领域

本申请涉及大数据技术领域，特别是涉及一种消费额度预测方法、装置、计算机设备和存储介质。

背景技术

随着互联网技术的发展，网上交易迅速发展，网上购物也成为了人们的一种主要购物方式，据统计，超过80％的网络用户有过网购行为。很多电商平台为了吸引用户消费，会对用户进行针对性的推销和广告推送，为了可以提高推送内容的精准性，就需要对用户的消费额度进行预测，从而为不同消费水平的用户进行不同的广告推送，对消费额度高的用户采用更准确的营销策略。

但传统的预测方法中，使用统计方法对用户消费额度进行预测时，需要大量样本数据，预测过程复杂，这使得该预测方法难以进行推广。

为解决上述问题，提出了采用人工智能对用户进行消费额度预测的方式，但是采用人工智能对用户进行消费额度预测时，难以保证预测精度。

发明内容

基于此，有必要针对上述技术问题，提供一种能够快速准确进行预测的消费额度预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种消费额度预测方法。所述方法包括：

从目标用户的历史消费数据中，获取各目标消费特征对应的目标消费数据；

通过消费预测模型对各所述目标特征对应的所述目标消费数据进行预测处理，得到所述目标用户对应的预测消费额度；

其中，所述消费预测模型为由梯度提升决策树gbdt和类别提升算法catboost构成的级联森林模型。

在其中一个实施例中，所述消费预测模型的第一层为所述gbdt，所述消费预测模型中除所述第一层以外的其他层均为所述catboost。

在其中一个实施例中，所述方法还包括：

从样本用户的历史消费数据中，获取各消费特征对应的消费数据；

根据特征权重算法和各所述消费特征对应的所述消费数据，从所述消费特征中确定所述目标消费特征；

根据所述目标消费特征对应的所述消费数据，构建训练集；

通过所述训练集对初始消费预测模型进行训练，得到所述消费预测模型。

在其中一个实施例中，所述通过所述训练集对初始消费预测模型进行训练，包括：

采用粒子群算法确定初始消费预测模型对应的最优超参数；

基于所述最优超参数，采用所述训练集对所述初始消费预测模型进行训练，得到所述消费预测模型；

其中，在采用粒子群算法确定初始消费预测模型对应的最优超参数的过程中，采用粒子运动过程中产生的历史数据，实时对所述粒子的惯性因子进行更新，并采用更新所述惯性因子后的粒子群算法确定所述消费预测模型的最优超参数。

在其中一个实施例中，所述采用粒子运动过程中产生的历史数据，实时对所述粒子的惯性因子进行更新，包括：

根据所述粒子运动的所述历史数据，确定惯性权重最大值、惯性权重最小值、粒子最小目标值和粒子最大目标值；

根据所述惯性权重最大值、所述惯性权重最小值、所述粒子最小目标值和所述粒子最大目标值，确定惯性因子调整值；