一种基于lightGBM算法预测理财产品销量的方法及系统与流程

一种基于light gbm算法预测理财产品销量的方法及系统
技术领域
1.本发明涉及人工智能领域，尤其涉及一种基于light gbm算法预测理财产品销量的方法及系统。


背景技术：

2.一项银行理财产品的销售情况可以用选择购买该理财产品的客户数进行度量，因此可以引用机器学习的思路分析并预测特定的目标客户群体中的每一个客户会不会选择购买理财产品。目前机器学习算法主要应用于电商、影音等行业领域，在金融领域应用较少。
3.但本技术发明人在实现本技术实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
4.现有技术理财产品销量的预测算法比较传统，造成出现过拟合、运算不够快、运算海量数据时占用内存多、预测准确率低、少数类数据误差较大、参数搜索没有指导性，需要花费大量时间等问题。


技术实现要素：

5.本技术实施例通过提供一种基于light gbm算法预测理财产品销量的方法及系统，解决了现有技术理财产品销量的预测算法比较传统，造成出现过拟合、运算不够快、运算海量数据时占用内存多、预测准确率低、少数类数据误差较大、参数搜索没有指导性，需要花费大量时间的技术问题，达到通过将规则模型与机器学习模型结合的方式，解决过拟合、运算不够快、运算海量数据时占用内存多、少数类数据误差较大等问题，提升模型的全面性，缩短参数寻优时间，采用改进的light gbm算法，充分考虑客户的背景情况等影响因素，预测理财产品的销售情况，进而发掘有效的理财产品购买人群的技术效果。
6.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的方法。
7.第一方面，本技术实施例提供了一种基于light gbm算法预测理财产品销量的方法，所述方法包括：获得待评估客户集合；通过规则模型对所述待评估客户集合进行筛选，获得第一类客户集合；将所述第一类客户集合进行预设潜力规则筛查，获得第二类客户集合和第三类客户集合，其中，所述第二类客户集合为潜力客户群体，所述第三类客户集合为非潜力客户群体；将所述待评估客户集合输入机器学习模型进行潜力筛查，获得第四类客户集合，其中，所述机器学习模型为基于light gbm算法的潜力客户筛选模型；对所述第三类客户集合和所述第四类客户集合进行交集求取，获得第五类客户集合，将所述第三类客户集合和所述第四类客户集合中的非交集用户进行合并，获得第六类客户集合；获得第一预设比例设定值，通过所述第一预设比例设定值对所述第六类客户集合进行筛选，获得第七类客户集合；基于所述第二类客户集合、所述第五类客户集合和所述第七类客户集合获得理财产品销量预测结果。
8.另一方面，本技术还提供了一种基于light gbm算法预测理财产品销量的系统，所述系统包括：第一获得单元，所述第一获得单元用于获得待评估客户集合；第二获得单元，所述第二获得单元用于通过规则模型对所述待评估客户集合进行筛选，获得第一类客户集合；第三获得单元，所述第三获得单元用于将所述第一类客户集合进行预设潜力规则筛查，获得第二类客户集合和第三类客户集合，其中，所述第二类客户集合为潜力客户群体，所述第三类客户集合为非潜力客户群体；第四获得单元，所述第四获得单元用于将所述待评估客户集合输入机器学习模型进行潜力筛查，获得第四类客户集合，其中，所述机器学习模型为基于light gbm算法的潜力客户筛选模型；第五获得单元，所述第五获得单元用于对所述第三类客户集合和所述第四类客户集合进行交集求取，获得第五类客户集合，将所述第三类客户集合和所述第四类客户集合中的非交集用户进行合并，获得第六类客户集合；第六获得单元，所述第六获得单元用于获得第一预设比例设定值，通过所述第一预设比例设定值对所述第六类客户集合进行筛选，获得第七类客户集合；第七获得单元，所述第七获得单元用于基于所述第二类客户集合、所述第五类客户集合和所述第七类客户集合获得理财产品销量预测结果。
9.第三方面，本发明实施例提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。
10.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的控制输出数据的方法中的步骤。
11.本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
12.由于采用了通过规则模型对待评估客户集合进行筛选，获得第一类客户集合；将所述第一类客户集合进行预设潜力规则筛查，获得第二类客户集合和第三类客户集合；将所述待评估客户集合输入机器学习模型进行潜力筛查，获得第四类客户集合，其中，所述机器学习模型为基于light gbm算法的潜力客户筛选模型；对所述第三类客户集合和所述第四类客户集合进行交集求取，获得第五类客户集合，将所述第三类客户集合和所述第四类客户集合中的非交集用户进行合并，获得第六类客户集合；获得第一预设比例设定值，通过所述第一预设比例设定值对所述第六类客户集合进行筛选，获得第七类客户集合；基于所述第二类客户集合、所述第五类客户集合和所述第七类客户集合获得理财产品销量预测结果。进而达到通过将规则模型与机器学习模型结合的方式，解决过拟合、运算不够快、运算海量数据时占用内存多、少数类数据误差较大等问题，提升模型的全面性，缩短参数寻优时间，采用改进的light gbm算法，充分考虑客户的背景情况等影响因素，预测理财产品的销售情况，进而发掘有效的理财产品购买人群的技术效果。
13.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
14.图1为本技术实施例一种基于light gbm算法预测理财产品销量的方法的流程示意图；
15.图2为本技术实施例一种基于light gbm算法预测理财产品销量的方法中对第一类客户集合进行预设潜力规则筛查的流程示意图；
16.图3为本技术实施例一种基于light gbm算法预测理财产品销量的方法中构建规则模型的流程示意图；
17.图4为本技术实施例一种基于light gbm算法预测理财产品销量的方法中获得训练样本和测试样本的流程示意图；
18.图5为本技术实施例一种基于light gbm算法预测理财产品销量的方法中构建机器学习模型的流程示意图；
19.图6为本技术实施例一种基于light gbm算法预测理财产品销量的方法中获得机器学习模型的流程示意图；
20.图7为本技术实施例一种基于light gbm算法预测理财产品销量的系统的结构示意图；
21.图8为本技术实施例所提供的一种用于执行控制输出数据的方法的电子设备的结构示意图。
22.附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第五获得单元15，第六获得单元16，第七获得单元17，总线1110，处理器1120，收发器1130，总线接口1140，存储器1150，操作系统1151，应用程序1152和用户接口1160。
具体实施方式
23.在本发明实施例的描述中，所属技术领域的技术人员应当知道，本发明实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本发明实施例可以具体实现为以下形式：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外，在一些实施例中，本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
24.上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本发明实施例中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。
25.申请概述
26.本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。
27.应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中
的方框规定的功能/操作的装置。
28.也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
29.也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
30.下面结合本发明实施例中的附图对本发明实施例进行描述。
31.实施例一
32.如图1所示，本技术实施例提供了一种基于light gbm算法预测理财产品销量的方法，其中，所述方法包括：
33.步骤s100：获得待评估客户集合；
34.具体而言，一项银行理财产品的销售情况可以用选择购买该理财产品的客户数进行度量，因此可以引用机器学习的思路分析并预测特定的目标客户群体中的每一个客户会不会选择购买理财产品。所述待评估客户集合为理财产品的潜力购买人群，包括客户个人基本信息，客户基本信息包括：年龄、性别、教育程度、家庭出身环境、工作、婚姻情况、是否存在信贷违约、在本行年均余额、是否有房贷、是否有其他贷款等，通过对客户集合的评估分析，发掘有效的理财产品购买人群。
35.步骤s200：通过规则模型对所述待评估客户集合进行筛选，获得第一类客户集合；
36.具体而言，考虑“客户心理因素干扰”、“因果倒置影响”的问题，建立规则模型，所述规则模型为基于规则组成策略的潜力客户筛选模型，通过规则模型对所述待评估客户集合进行筛选，获得第一类客户集合，所述第一类客户集合是一级潜力客户集合。解决了传统的机器学习算法预测理财产品销量，依赖于客户基本信息、银行推销两部分，没有考虑“客户心理因素干扰”、“因果倒置影响”的问题，导致预测准确率降低。
37.步骤s300：将所述第一类客户集合进行预设潜力规则筛查，获得第二类客户集合和第三类客户集合，其中，所述第二类客户集合为潜力客户群体，所述第三类客户集合为非潜力客户群体；
38.步骤s400：将所述待评估客户集合输入机器学习模型进行潜力筛查，获得第四类客户集合，其中，所述机器学习模型为基于light gbm算法的潜力客户筛选模型；
39.具体而言，利用预设的潜力客户筛查规则，对所述第一类客户集合进行过滤筛查，获取所述第一类客户集合中的第二类客户集合和第三类客户集合，所述第二类客户集合为潜力客户群体，所述第三类客户集合为非潜力客户群体。采用机器学习模型对待评估人群进行潜力客户筛查，获得第四类客户集合，所述机器学习模型为基于light gbm算法的潜力客户筛选模型，light gbm算法具有更快的训练效率、低内存使用、更高的准确率、支持并行化学习和可处理大规模数据的优势。采用机器学习模型对待评估人群进行潜力客户筛查，获得第四类客户集合，所述第四类客户集合是二级潜力客户集合。
40.步骤s500：对所述第三类客户集合和所述第四类客户集合进行交集求取，获得第五类客户集合，将所述第三类客户集合和所述第四类客户集合中的非交集用户进行合并，
获得第六类客户集合；
41.步骤s600：获得第一预设比例设定值，通过所述第一预设比例设定值对所述第六类客户集合进行筛选，获得第七类客户集合；
42.具体而言，对所述第三类客户集合和所述第四类客户集合进行求取交集，获得第五类客户集合，并将所述第三类客户集合和所述第四类客户集合中的非交集用户进行合并，获得第六类客户集合。所述第一预设比例设定值为预先设定的客户比例值，通过所述第一预设比例设定值对所述第六类客户集合进行筛选，获得第七类客户集合，用于后续潜力客户结果评估。
43.步骤s700：基于所述第二类客户集合、所述第五类客户集合和所述第七类客户集合获得理财产品销量预测结果。
44.具体而言，基于所述第二类客户集合、所述第五类客户集合和所述第七类客户集合获得理财产品销量预测结果，即可以得到潜力客户结果，理财经理可以据此得到理财产品的推销量，并且挖掘到潜力客户人群。进而达到提高模型的准确率，提升预测的准确率，同时降低运算时间和内存占用的技术效果。
45.如图2所示，进一步而言，其中，所述将所述第一类客户集合进行预设潜力规则筛查，本技术实施例步骤s200还包括：
46.步骤s210：获得第一判断指令，根据所述第一判断指令，判断所述规则模型对所述待评估客户集合进行筛选过程中是否启动所述机器学习模型的过滤功能；
47.步骤s220：将未启动所述机器学习模型的过滤功能的客户集合作为第二类客户集合，将启动所述机器学习模型的过滤功能的客户集合作为第三类客户集合。
48.具体而言，针对所述第一类客户集合中的每个第一类客户，通过所述的机器学习模型，根据所述第一判断指令，判断该一级潜力客户对应的规则模型对所述待评估客户集合进行筛选过程中是否启动机器学习模型的过滤功能。如果未启动机器学习过滤功能，将未启动所述机器学习模型的过滤功能的客户集合确认为第二类客户集合，反之，则将启动所述机器学习模型的过滤功能的客户集合作为第三类客户集合。将规则模型和机器学习模型相结合，提升模型的全面性，提升理财产品销量预测准确率，同时挖掘潜力购买人群。
49.如图3所示，进一步而言，本技术实施例还包括：
50.步骤s810：获得第一态度筛选规则，将所述第一态度筛选规则作为第一约束参数；
51.步骤s820：获得第一因果倒置影响规则，将所述第一因果倒置影响规则作为第二约束参数；
52.步骤s830：基于所述第一约束参数和所述第二约束参数进行所述规则模型的构建。
53.具体而言，所述第一态度筛选规则为“客户心理因素干扰”筛选规则，所述的“客户心理因素干扰”可以举例为：在营销前期，如果客户态度强硬地一再拒绝银行推销理财产品、明确回绝银行推荐、银行收集到及时破产信息等等情形，银行就会在后续的营销期间减少向该顾客推销理财产品的行为，将所述第一态度筛选规则作为第一约束参数。所述第一因果倒置影响规则为“因果倒置影响”规则，所述的“因果倒置影响”可以举例为：客户个人储蓄的增加、贷款压力的减轻往往不会对顾客选取银行理财产品的意愿有很大的提升，但若个人贷款压力增加或者私人财富缩水，就可能造成顾客对选取银行理财产品的意愿大幅
下降，诸如其他类似影响客户选取银行理财热情的情况，将所述第一因果倒置影响规则作为第二约束参数。基于所述第一约束参数和所述第二约束参数进行所述规则模型的构建，解决了传统的机器学习算法预测理财产品销量，依赖于客户基本信息、银行推销两部分，没有考虑“客户心理因素干扰”、“因果倒置影响”的问题，进而提升模型预测准确率的技术效果。
54.如图4所示，进一步而言，本技术实施例步骤还包括：
55.步骤s910：获得客户的基本信息和所述客户对应的推销信息，根据所述基本信息和所述推销信息构建用户样本；
56.步骤s920：将所述用户样本进行样本分类，获得训练样本和测试样本；
57.步骤s930：基于所述训练样本和所述测试样本构建所述机器学习模型。
58.具体而言，所述的机器学习模型考虑客户的两方面因素，包括：客户基本信息、银行推销两部分。其中，客户基本信息包括：年龄、性别、教育程度、家庭出身环境、工作、婚姻情况、是否存在信贷违约、在本行年均余额、是否有房贷、是否有其他贷款等等；银行推销包括：向客户推销的方式、最后一次向客户推销的月份数目、最后一次向客户推销的天数、最后一次推销花费的时间、推销产品在推销间隙内向客户推销的总次数、最后一次向顾客推销产品距营销期结束时间的间隔天数、该营销期间之前银行对顾客的其他理财产品推销次数、该营销期间之前的其他理财产品的营销情况等其他情形。根据所述基本信息和所述推销信息构建用户样本，选取样本后确定所述样本的样本标签，其中，所述样本包括训练样本和测试样本，基于所述训练样本和所述测试样本构建所述机器学习模型。基于客户基本信息部分、银行推销部分建立机器学习模型，通过取交集的方式将规则模型和机器学习模型相结合，提升模型的全面性的技术效果。
59.如图5所示，进一步而言，本技术实施例步骤s930还包括：
60.步骤s931：对所述训练样本和所述测试样本进行不平衡处理，获得第一训练样本不平衡处理结果和第一测试样本不平衡处理结果；
61.步骤s932：获得第一特征处理指令，根据所述第一特征处理指令对所述第一训练样本不平衡处理结果和所述第一测试样本不平衡处理结果进行特征处理，获得训练样本特征数据和测试样本特征数据；
62.步骤s933：通过所述规则模型对所述训练样本和所述测试样本进行样本标签标识，获得训练样本标签标识结果和测试样本标签标识结果；
63.步骤s934：通过所述训练样本特征数据、所述测试样本特征数据、所述训练样本标签标识结果和测试样本标签标识结果构建所述机器学习模型。
64.具体而言，获取所述用户样本对应的客户数据，对所述训练样本和所述测试样本进行不平衡处理，首先采用borderline smote或adasyn对数据进行不平衡处理，获得对应的第一训练样本不平衡处理结果和第一测试样本不平衡处理结果，缓解少数类数据误差较大的现象。然后根据所述第一特征处理指令对处理后的所述第一训练样本不平衡处理结果和所述第一测试样本不平衡处理结果样本对应的客户数据进行特征处理，获得所述训练样本对应的特征数据和所述测试样本对应的特征数据。通过所述规则模型对所述训练样本和所述测试样本进行样本标签标识，所述的样本标签是指，通过规则模型判别客户样本是积极样本，还是消极样本，以此获得训练样本标签标识结果和测试样本标签标识结果。通过所
述训练样本特征数据、所述测试样本特征数据、所述训练样本标签标识结果和测试样本标签标识结果构建所述机器学习模型。将规则模型和机器学习模型相结合，同时优化数据集预测变量类别不平衡的情况，提升理财产品销量预测准确率，同时挖掘潜力购买人群的技术效果。
65.如图6所示，进一步而言，本技术实施例步骤s934还包括：
66.步骤s9341：获得第一特征计算指令，通过所述第一特征计算指令对所述训练样本特征数据和所述测试样本特征数据进行特征计算，获得训练样本特征矩阵和测试样本特征矩阵；
67.步骤s9342：基于light gbm算法，通过所述训练样本特征矩阵和所述训练样本标签标识结果进行所述机器学习模型的训练，获得第一预机器学习模型；
68.步骤s9343：通过所述训练样本特征矩阵和所述测试样本标签标识结果进行所述第一预机器学习模型的修正，获得所述机器学习模型。
69.具体而言，通过所述第一特征计算指令对所述训练样本和所述训练样本对应的特征数据进行特征计算，生成所述训练样本对应的特征矩阵。在机器学习过程中引入light gbm算法，根据所述训练样本对应的特征矩阵和所述训练样本的样本标签进行模型训练，获得训练后的第一预机器学习模型。最后通过所述训练样本特征矩阵和所述测试样本标签标识结果对所述训练后的模型进行参数进行调整，可以根据所述测试样本对应的特征数据，对所述训练后的模型进行测试调整，生成所述机器学习模型。采用改进的light gbm算法，充分考虑客户的背景情况等影响因素，预测理财产品的销售情况，发掘有效的理财产品购买人群，提高模型的准确率，提升预测的准确率，同时降低运算时间和内存占用的技术效果。
70.进一步而言，本技术实施例步骤还包括：
71.步骤s93431：获得所述机器学习模型的运行结果；
72.步骤s93432：将所述运行结果反馈至所述机器学习模型，根据所述运行结果和下一轮训练数据指导生成所述机器学习模型的下一轮参数。
73.具体而言，获得所述机器学习模型的输出运行结果，将所述运行结果反馈至所述机器学习模型，根据所述运行结果和下一轮训练数据指导生成所述机器学习模型的下一轮参数。使用分布式的模式来搜索超参数，并且超参数的生成以以往的训练结果为指导，大大缩短参数寻优的时间。所述的分布式模式搜索超参数，是基于celery任务队列框架来实现分布式运行，系统运行时当一次训练完成后，会将运行结果反馈给主机指导下一轮的参数生成，使参数生成有方向性，缩短参数寻优时间的技术效果。
74.综上所述，本技术实施例所提供的一种基于light gbm算法预测理财产品销量的方法及系统具有如下技术效果：
75.由于采用了通过规则模型对待评估客户集合进行筛选，获得第一类客户集合；将所述第一类客户集合进行预设潜力规则筛查，获得第二类客户集合和第三类客户集合；将所述待评估客户集合输入机器学习模型进行潜力筛查，获得第四类客户集合，其中，所述机器学习模型为基于light gbm算法的潜力客户筛选模型；对所述第三类客户集合和所述第四类客户集合进行交集求取，获得第五类客户集合，将所述第三类客户集合和所述第四类客户集合中的非交集用户进行合并，获得第六类客户集合；获得第一预设比例设定值，通过
所述第一预设比例设定值对所述第六类客户集合进行筛选，获得第七类客户集合；基于所述第二类客户集合、所述第五类客户集合和所述第七类客户集合获得理财产品销量预测结果。进而达到通过将规则模型与机器学习模型结合的方式，解决过拟合、运算不够快、运算海量数据时占用内存多、少数类数据误差较大等问题，提升模型的全面性，缩短参数寻优时间，采用改进的light gbm算法，充分考虑客户的背景情况等影响因素，预测理财产品的销售情况，进而发掘有效的理财产品购买人群的技术效果。
76.实施例二
77.基于与前述实施例中一种基于light gbm算法预测理财产品销量的方法同样发明构思，本发明还提供了一种基于light gbm算法预测理财产品销量的系统，如图7所示，所述系统包括：
78.第一获得单元11，所述第一获得单元11用于获得待评估客户集合；
79.第二获得单元12，所述第二获得单元12用于通过规则模型对所述待评估客户集合进行筛选，获得第一类客户集合；
80.第三获得单元13，所述第三获得单元13用于将所述第一类客户集合进行预设潜力规则筛查，获得第二类客户集合和第三类客户集合，其中，所述第二类客户集合为潜力客户群体，所述第三类客户集合为非潜力客户群体；
81.第四获得单元14，所述第四获得单元14用于将所述待评估客户集合输入机器学习模型进行潜力筛查，获得第四类客户集合，其中，所述机器学习模型为基于light gbm算法的潜力客户筛选模型；
82.第五获得单元15，所述第五获得单元15用于对所述第三类客户集合和所述第四类客户集合进行交集求取，获得第五类客户集合，将所述第三类客户集合和所述第四类客户集合中的非交集用户进行合并，获得第六类客户集合；
83.第六获得单元16，所述第六获得单元16用于获得第一预设比例设定值，通过所述第一预设比例设定值对所述第六类客户集合进行筛选，获得第七类客户集合；
84.第七获得单元17，所述第七获得单元17用于基于所述第二类客户集合、所述第五类客户集合和所述第七类客户集合获得理财产品销量预测结果。
85.进一步的，所述系统还包括：
86.第八获得单元，所述第八获得单元用于获得第一判断指令，根据所述第一判断指令，判断所述规则模型对所述待评估客户集合进行筛选过程中是否启动所述机器学习模型的过滤功能；
87.第一筛查单元，所述第一筛查单元用于将未启动所述机器学习模型的过滤功能的客户集合作为第二类客户集合，将启动所述机器学习模型的过滤功能的客户集合作为第三类客户集合。
88.进一步的，所述系统还包括：
89.第九获得单元，所述第九获得单元用于获得第一态度筛选规则，将所述第一态度筛选规则作为第一约束参数；
90.第十获得单元，所述第十获得单元用于获得第一因果倒置影响规则，将所述第一因果倒置影响规则作为第二约束参数；
91.第一构建单元，所述第一构建单元用于基于所述第一约束参数和所述第二约束参
数进行所述规则模型的构建。
92.进一步的，所述系统还包括：
93.第十一获得单元，所述第十一获得单元用于获得客户的基本信息和所述客户对应的推销信息，根据所述基本信息和所述推销信息构建用户样本；
94.第十二获得单元，所述第十二获得单元用于将所述用户样本进行样本分类，获得训练样本和测试样本；
95.第二构建单元，所述第二构建单元用于基于所述训练样本和所述测试样本构建所述机器学习模型。
96.进一步的，所述系统还包括：
97.第十三获得单元，所述第十三获得单元用于对所述训练样本和所述测试样本进行不平衡处理，获得第一训练样本不平衡处理结果和第一测试样本不平衡处理结果；
98.第十四获得单元，所述第十四获得单元用于获得第一特征处理指令，根据所述第一特征处理指令对所述第一训练样本不平衡处理结果和所述第一测试样本不平衡处理结果进行特征处理，获得训练样本特征数据和测试样本特征数据；
99.第十五获得单元，所述第十五获得单元用于通过所述规则模型对所述训练样本和所述测试样本进行样本标签标识，获得训练样本标签标识结果和测试样本标签标识结果；
100.第三构建单元，所述第三构建单元用于通过所述训练样本特征数据、所述测试样本特征数据、所述训练样本标签标识结果和测试样本标签标识结果构建所述机器学习模型。
101.进一步的，所述系统还包括：
102.第十六获得单元，所述第十六获得单元用于获得第一特征计算指令，通过所述第一特征计算指令对所述训练样本特征数据和所述测试样本特征数据进行特征计算，获得训练样本特征矩阵和测试样本特征矩阵；
103.第十七获得单元，所述第十七获得单元用于基于light gbm算法，通过所述训练样本特征矩阵和所述训练样本标签标识结果进行所述机器学习模型的训练，获得第一预机器学习模型；
104.第十八获得单元，所述第十八获得单元用于通过所述训练样本特征矩阵和所述测试样本标签标识结果进行所述第一预机器学习模型的修正，获得所述机器学习模型。
105.进一步的，所述系统还包括：
106.第十九获得单元，所述第十九获得单元用于获得所述机器学习模型的运行结果；
107.第一生成单元，所述第一生成单元用于将所述运行结果反馈至所述机器学习模型，根据所述运行结果和下一轮训练数据指导生成所述机器学习模型的下一轮参数。
108.前述图1实施例一中的一种基于light gbm算法预测理财产品销量的方法的各种变化方式和具体实例同样适用于本实施例的一种基于light gbm算法预测理财产品销量的系统，通过前述对一种基于light gbm算法预测理财产品销量的方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于light gbm算法预测理财产品销量的系统的实施方法，所以为了说明书的简洁，在此不再详述。
109.此外，本发明实施例还提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该收发器、该存储器和处理器分别通
过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
110.示例性电子设备
111.具体的，参见图8所示，本发明实施例还提供了一种电子设备，该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
112.在本发明实施例中，该电子设备还包括：存储在存储器1150上并可在处理器1120上运行的计算机程序，计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
113.收发器1130，用于在处理器1120的控制下接收和发送数据。
114.本发明实施例中，总线架构(用总线1110来代表)，总线1110可以包括任意数量互联的总线和桥，总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
115.总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个，包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系结构包括：工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
116.处理器1120可以是一种集成电路芯片，具有信号处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤和逻辑框图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成于单颗芯片或位于多颗不同的芯片。
117.处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
118.总线1110还可以将，例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起，总线接口1140在总线1110和收发器1130之间提供接口，这些都是本领域所公知的。因此，本发明实施例不再对其进行进一步描述。
119.收发器1130可以是一个元件，也可以是多个元件，例如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发器1130从其他设备接收外部数据，收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质，还可以提供用户接口1160，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
120.应理解，在本发明实施例中，存储器1150可进一步包括相对于处理器1120远程设置的存储器，这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广
域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如，蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、lte频分双工装置、lte时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
121.应理解，本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器，或可包括易失性存储器和非易失性存储器两者。其中，非易失性存储器包括：只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器，或闪存。
122.易失性存储器包括：随机存取存储器，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如：静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
123.在本发明实施例中，存储器1150存储了操作系统1151和应用程序1152的如下元素：可执行模块、数据结构，或者其子集，或者其扩展集。
124.具体而言，操作系统1151包含各种装置程序，例如：框架层、核心库层、驱动层等，用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序，例如：媒体播放器、浏览器，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括：小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
125.此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
126.以上所述，仅为本发明实施例的具体实施方式，但本发明实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明实施例披露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明实施例的保护范围之内。因此，本发明实施例的保护范围应以权利要求的保护范围为准。