[发明专利]基于卷积神经网络和CatBoost模型的预测方法

权利要求书

1.一种基于卷积神经网络和CatBoost融合模型的预测方法，其特征在于，所述基于卷积神经网络和CatBoost融合模型的预测方法包括：

调取数据库中预设时间段内的客户数据，其中，所述客户数据包括客户信息数据、客户行为数据以及若干渠道信息；

将所述客户信息数据以及客户行为数据转化成连续型数据；

将所述连续型数据输入卷积神经网络模型获取高维特征向量；

将所述高维特征向量输入CatBoost分类器获取若干概率值，其中，一个所述概率值对应一个所述渠道信息；以及

根据所述概率值从全部所述渠道信息选取一个作为目标渠道信息。

2.如权利要求1所述的基于卷积神经网络和CatBoost融合模型的预测方法，其特征在于，将所述客户信息数据以及客户行为数据转化成连续型数据包括：

将所述客户信息数据和所述客户行为数据划分成离散型数据和第一连续型数据；

将所述离散型数据按照预设算法转化成第二连续型数据；以及

将所述第一连续型数据与所述第二连续型数据进行拼接形成连续型数据。

3.如权利要求2所述的基于卷积神经网络和CatBoost融合模型的预测方法，其特征在于，将离散型数据按照预设算法转化成第二连续型数据包括：

利用预设词向量模型进行降维处理转化成向量形式的第二连续型数据。

4.如权利要求1所述的基于卷积神经网络和CatBoost融合模型的预测方法，其特征在于，在将所述客户信息数据以及客户行为数据转化成连续型数据之前，所述基于卷积神经网络和CatBoost融合模型的预测的方法包括：

遍历所述客户数据的字段，其中，所述字段包括第一特征字段和第二特征字段；

将包含所述第一特征字段的所述客户数据划分为客户信息数据；以及

将包含所述第一特征字段的所述客户数据划分为客户行为数据。

5.如权利要求1所述的基于卷积神经网络和CatBoost融合模型的预测方法，其特征在于，所述卷积神经网络模型包括二维卷积层、池化层以及全连接层，将所述连续型数据输入卷积神经网络模型获取高维特征向量包括：

利用的所述二维卷积层、所述池化层以及所述全连接层的向前传播处理获取所述高维特征向量。

6.如权利要求5所述的基于卷积神经网络和CatBoost融合模型的预测方法，其特征在于，根据所述概率值从全部所述渠道信息选取一个所述渠道信息作为目标渠道信息包括：

将若干所述概率值按照倒序排列以获取最大的所述概率值；以及

根据最大的所述概率值调取对应的所述渠道信息并标记为所述目标渠道信息。

7.如权利要求1所述的基于卷积神经网络和CatBoost融合模型的预测方法，其特征在于，根据所述概率值从全部所述渠道信息选取一个作为目标渠道信息之后，所述基于卷积神经网络和CatBoost融合模型的预测方法还包括：

记录所述目标渠道信息于所述客户数据并保存至离线数据库；以及

将所述目标渠道信息推送至人工端。

8.一种计算机设备，其特征在于，所述计算机设备包括：

存储器，用于存储程序指令；以及

处理器，用于执行所述程序指令以实现如权利要求1至7中任一项所述的基于卷积神经网络和CatBoost融合模型的预测方法。

9.一种分析预测系统，其特征在于，系统包括：

调取模块，用于调取数据库中预设时间段内的客户数据，其中，所述客户数据包括客户信息数据、客户行为数据以及若干渠道信息；

转化模块，用于将所述客户信息数据以及客户行为数据转化成连续型数据；

计算模块，用于将所述连续型数据输入卷积神经网络模型获取高维特征向量；

预测模块，用于将所述高维特征向量输入CatBoost分类器获取若干概率值，其中，一个所述概率值对应一个所述渠道信息；以及

选取模块，用于根据所述概率值从全部所述渠道信息选取一个作为目标渠道信息。

10.如权利要求9所述的分析预测系统，其特征在于，转化模块包括：

切分模块，用于将所述客户信息数据和所述客户行为数据划分成离散型数据和第一连续型数据；

转化子模块，用于将所述离散型数据按照预设算法转化成第二连续型数据；以及

拼接模块，用于将所述第一连续型数据与所述第二连续型数据进行拼接形成连续型数据。