CN105225135B - 潜力客户识别方法以及装置 - Google Patents

Abstract

本发明公开了一种潜力客户识别方法以及装置。所述方法包括：根据客户等级建立多个晋升预测模型，其中，客户等级为预先设定的，第i个客户等级对应第i个晋升预测模型，其中，i为正整数；为多个晋升预测模型获取晋升训练样本，其中，第i个晋升预测模型的晋升训练样本包括在单位时间内已从第i个客户等级晋升的客户的历史数据；使用第i个晋升预测模型的晋升训练样本对第i个晋升预测模型进行训练；将第i个客户等级的客户的现时数据输入到训练后的第i个晋升预测模型中预测第i个客户等级的客户是否会晋升，并将预测会晋升的客户确定为潜力客户。上述方法能够提高识别潜力客户的速度和准确性。

Description

潜力客户识别方法以及装置

技术领域

本发明涉及人工智能领域，尤其涉及一种潜力客户识别方法以及装置。

背景技术

在游戏运营过程中，有一部分客户是潜力玩家，潜力玩家具有良好的发展前景，是游戏运营过程中应该重点关注的对象。在现有技术下，只能通过人工筛选的方法来寻找潜力客户。人工筛选的一个缺点是效率低，由于人工筛选的效率低，需要大量的人力资源才能从大量玩家中筛选出潜力玩家。人工筛选的另一个缺点是准确性差，由于人工筛选时只能通过单一的筛选规则进行筛选，所以经常会出现误判。例如，游戏中通常根据玩家充值的金额将玩家的等级可以分为多个等级，人工筛选规则通常将充值金额接近划分玩家等级的阈值的客户定义为潜力玩家。例如，将游戏玩家定义为VIP4等级的充值金额阈值为1万，则根据人工筛选规则，充值金额为9千的玩家将被定义为潜力玩家。

这种筛选方法中一些每次充值金额都不高，充值时间比较长的玩家的总充值金额可能也接近划分玩家等级的阈值，但是实际上这些玩家并不是真正的潜力玩家。

发明内容

本发明实施例所要解决的技术问题在于，提供一种潜力客户识别方法以及装置，能够提高识别潜力客户的速度和准确性。

本发明提供了一种潜力客户识别方法，包括如下步骤：根据客户等级建立多个晋升预测模型，其中，所述客户等级为预先设定的，第i个客户等级对应第i个晋升预测模型，其中，i为正整数；为所述多个晋升预测模型获取晋升训练样本，其中，第i个晋升预测模型的晋升训练样本包括在单位时间内已从第i个客户等级晋升的客户的历史数据；使用所述第i个晋升预测模型的晋升训练样本对第i个晋升预测模型进行训练；将第i个客户等级的客户的现时数据输入到训练后的第i个晋升预测模型中预测所述第i个客户等级的客户是否会晋升；如果第i个客户等级的客户预测会晋升，则确定所述第i个客户等级的客户为潜力客户。

可选地，所述方法还包括：构建营销类别预测模型；为所述营销类别预测模型获取营销训练样本，其中，所述营销训练样本包括客户的历史数据和营销类别；使用所述营销训练样本对营销类别预测模型进行训练；确定所述第i个客户等级的客户为潜力客户之后包括：将所述潜力客户的现时数据输入到训练后的营销类别预测模型中预测所述潜力客户的营销类别。

可选地，将所述潜力客户的现时数据输入到训练后的营销类别预测模型中预测所述潜力客户的营销类别之后还包括：根据预测的所述潜力客户的营销类别从所述营销方案库中匹配对应的营销方案，以将所述对应的营销方案推送给所述潜力客户。

可选地，所述营销类别预测模型为多值分类-支持向量机分类器、多值最近邻居分类器、多值决策树分类器中的一种。

可选地，所述方法还包括：构建营销需求分类模型；使用种子词和所述种子词对应的营销需求分类的分类标签对所述营销需求分类模型进行训练，其中，所述种子词是预先定义的，所述种子词与所述营销需求分类的分类标签的对应关系也是预先定义的；使用所述营销需求分类模型对反馈文本进行分类，其中，所述营销需求分类模型根据所述反馈文本中的分词与所述营销需求分类的分类标签对应的种子词的匹配度对所述反馈文本进行分类。

可选地，使用所述营销需求分类模型对反馈文本进行分类之后还包括：将不能通过所述营销需求分类模型进行分类的反馈文本进行聚类，以获得新的营销需求分类。

可选地，所述营销需求分类模型为多值分类算法、多值支持向量机分类器、多值最近邻居分类器和多值决策树分类器中的任意一种。

可选地，所述晋升预测模型为支持向量机分类器、朴素贝叶斯分类器、决策树分类器、人工神经网络中的任意一种。

可选地，所述历史数据包括登陆数据、充值数据、消费数据、事件数据中的任意一种或者多种的组合。

可选地，所述登陆数据包括统计日前j天登陆游戏大厅的次数、登陆游戏大厅的天数、登陆游戏大厅的时长、登陆游戏大厅的趋势、登陆游戏的次数、登陆游戏的天数、登陆游戏的时长、登陆游戏的趋势中的任意一种或者多种的组合；所述充值数据包括统计日前j天游戏大厅的充值的次数、游戏大厅的充值的天数、游戏大厅的充值的金额、游戏大厅的充值的趋势、游戏的充值的次数、游戏的充值的天数、游戏的充值的金额、游戏的充值的趋势中的任意一种或者多种的组合。

所述消费数据包括统计日前j天游戏大厅的消费的次数、游戏大厅的消费的天数、游戏大厅的消费的金额、游戏大厅的消费的趋势、游戏的消费的次数、游戏的消费的天数、游戏的消费的金额、游戏的消费的趋势中的任意一种或者多种的组合；所述事件数据包括统计日前j天客户参与的游戏总类数量、客户参与的游戏风格占比，客户参与的游戏题材占比、过关失败次数、使用道具数、游戏风格、游戏题材中的任意一种或者多种的组合，其中，j为大于零的正整数。

本发明还提供了一种潜力客户识别装置，包括：晋升建模模块、晋升获取模块、晋升训练模块、晋升预测模块以及确定模块，所述晋升建模模块用于根据客户等级建立多个晋升预测模型，其中，所述客户等级为预先设定的，第i个客户等级对应第i个晋升预测模型，其中，i为正整数；所述晋升获取模块用于为所述多个晋升预测模型获取晋升训练样本，其中，第i个晋升预测模型的晋升训练样本包括在单位时间内已从第i个客户等级晋升的客户的历史数据；所述晋升训练模块用于使用所述第i个晋升预测模型的晋升训练样本对第i个晋升预测模型进行训练；所述晋升预测模块用于将第i个客户等级的客户的现时数据输入到训练后的第i个晋升预测模型中预测所述第i个客户等级的客户是否会晋升；所述确定模块用于在第i个客户等级的客户预测会晋升时，确定所述第i个客户等级的客户为潜力客户。

可选地，所述装置还包括：营销类别建模模块、营销类别获取模块、营销类别训练模块以及营销类别预测模块，所述营销类别建模模块用于构建营销类别预测模型；所述营销类别获取模块用于为所述营销类别预测模型获取营销训练样本，其中，所述营销训练样本包括客户的历史数据和营销类别；所述营销类别训练模块用于使用所述营销训练样本对营销类别预测模型进行训练；所述营销类别预测模块用于将所述潜力客户的现时数据输入到训练后的营销类别预测模型中预测所述潜力客户的营销类别。

可选地，所述装置还包括推送模块，所述推送模块用于根据预测的所述潜力客户的营销类别从所述营销方案库中匹配对应的营销方案，以将所述对应的营销方案推送给所述潜力客户。

可选地，所述营销类别预测模型为多值分类-支持向量机分类器、多值最近邻居分类器、多值决策树分类器中的一种。

可选地，所述装置包括：营销需求建模模块、营销需求训练模块以及营销需求预测模块，营销需求建模模块用于构建营销需求分类模型；营销需求训练模块用于使用种子词和所述种子词对应的营销需求分类的分类标签对所述营销需求分类模型进行训练，其中，所述种子词是预先定义的，所述种子词与所述营销需求分类的分类标签的对应关系也是预先定义的；营销需求预测模块用于使用所述营销需求分类模型对反馈文本进行分类，其中，所述营销需求分类模型根据所述反馈文本中的分词与所述营销需求分类的分类标签对应的种子词的匹配度对所述反馈文本进行分类。

可选地，所述装置还包括：聚类模块，所述聚类模块用于将不能通过所述营销需求分类模型进行分类的反馈文本进行聚类，以获得新的营销需求分类。

可选地，所述营销需求分类模型为多值分类算法、多值支持向量机分类器、多值最近邻居分类器和多值决策树分类器中的任意一种。

可选地，所述晋升预测模型为支持向量机分类器、朴素贝叶斯分类器、决策树分类器、人工神经网络中的任意一种。

可选地，所述历史数据包括登陆数据、充值数据、消费数据、事件数据中的任意一种或者多种的组合。

可选地，所述登陆数据包括统计日前j天登陆游戏大厅的次数、登陆游戏大厅的天数、登陆游戏大厅的时长、登陆游戏大厅的趋势、登陆游戏的次数、登陆游戏的天数、登陆游戏的时长、登陆游戏的趋势中的任意一种或者多种的组合；所述充值数据包括统计日前j天游戏大厅的充值的次数、游戏大厅的充值的天数、游戏大厅的充值的金额、游戏大厅的充值的趋势、游戏的充值的次数、游戏的充值的天数、游戏的充值的金额、游戏的充值的趋势中的任意一种或者多种的组合；所述消费数据包括统计日前j天游戏大厅的消费的次数、游戏大厅的消费的天数、游戏大厅的消费的金额、游戏大厅的消费的趋势、游戏的消费的次数、游戏的消费的天数、游戏的消费的金额、游戏的消费的趋势中的任意一种或者多种的组合；所述事件数据包括统计日前j天客户参与的游戏总类数量、客户参与的游戏风格占比，客户参与的游戏题材占比、过关失败次数、使用道具数、游戏风格、游戏题材中的任意一种或者多种的组合，其中，j为大于零的正整数。

通过实施本发明实施例，能够通过获取训练样本对晋升预测模型进行训练，并根据训练后的晋升预测模型和客户的现时数据对客户进行预测，并将预测为晋升的客户确定为潜力客户。本发明实施例实现了通过机器查找潜力客户，所以，识别的效率远比人工识别的方法高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种潜力客户识别方法的流程图；

图2是本发明实施例提供的另一种潜力客户识别方法的流程图；

图3是本发明实施例提供的再一种潜力客户识别方法中的通过营销需求分类模型对反馈文本的营销需求类别进行分类的流程图；

图4是本发明实施例提供的一种潜力客户识别装置的结构示意图；

图5是本发明实施例提供的另一种潜力客户识别装置的结构示意图；

图6是本发明实施例提供的再一种潜力客户识别装置中的通过营销需求分类模型对反馈文本的营销需求类别进行分类的部分装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

请参阅图1，图1是本发明实施例提供的一种潜力客户识别方法的流程图。本实施例提供的潜力客户识别方法可以应用于台式计算机、膝上电脑、平板电脑、多核处理器、数字信号处理(digital signal processing，DSP)器、arm(Acorn RISC Machine)处理器、智能手机等等具有良好计算能力的运算设备中。本实施方式的潜力客户识别方法除了应用在游戏行业外，也可以应用于包括餐饮、旅游、娱乐、健身、教育、医疗、金融等在内的服务行业，本发明不作具体限定。本实施例提供的潜力客户识别方法包括如下步骤：

101：根据客户等级建立多个晋升预测模型。

客户等级是可以根据用户需要预先设定的，例如，可以将客户预先定义为VIP1-9共9个等级。晋升预测模型可以是支持向量机分类器、朴素贝叶斯分类器、决策树分类器、人工神经网络中的任意一种。由于不同客户等级的客户通常具有不同的特点，所以，为了提高预测的准确性，需要为不同客户等级的客户分别建立适合自己的晋升预测模型，使得不同客户等级的客户使用不同的晋升预测模型，例如，令第i个客户等级的客户使用第i个晋升预测模型，i为正整数。

102：为多个晋升预测模型获取晋升训练样本。

由于不同客户等级对应不同的晋升预测模型，所以，获取晋升训练样本时，将在单位时间内从第i个客户等级晋升的客户的历史数据作为第i个晋升预测模型的晋升训练样本。单位时间可以是之前的任意一个时间段，例如，今天是9月22日，那么，单位时间可以是7月22日之前的一段时间，可以是8月22日之前的一段时间等等，而且，单位时间的长度可以根据需要进行设置，例如，单位时间的长度可以设置为半个月、1个月和2个月等等中的任意一个。

以今天是9月22日，单位时间是7月22日前的1个月为例，将在单位时间内从第i个客户等级晋升的客户的历史数据作为第i个晋升预测模型的晋升训练样本具体为：将6月22日前的客户等级为第i个客户等级，在6月22日至7月22日间从第i个客户等级的客户等级晋升到第i个客户等级以上的客户等级的客户的历史数据作为第i个晋升预测模型的晋升训练样本。

客户的历史数据通常以数据库的形式存储在服务器中，服务器可以是传统的服务器，也可以是云服务器。

可以理解的是，晋升训练样本可以只包括客户的历史数据，也可以还包括客户的基础数据等等。客户的基础数据为游戏玩家的基础信息包括年龄、性别、注册地、等级、客户端登陆状况中的任意一种或者多种的组合。

103：使用第i个晋升预测模型的晋升训练样本对第i个晋升预测模型进行训练。

在获取晋升训练样本后，使用第i个晋升预测模型的晋升训练样本对第i个晋升预测模型进行训练。例如，将第i个晋升预测模型的晋升训练样本和晋升这一标签输入到第i个晋升预测模型以对第i个晋升预测模型进行训练。其中，晋升训练样本的样本数量可以根据需要进行设置，晋升训练样本的数量越大，晋升预测模型就越准确。

104：将第i个客户等级的客户的现时数据输入到训练后的第i个晋升预测模型中预测所述第i个客户等级的客户是否会晋升。

第i个客户等级的客户的现时数据为第i个客户等级的客户至今之前的一段时间的数据。其中，步骤102中提及的历史数据与本步骤中提及的现时数据是相对应的。而且，如果晋升训练样本除了包括客户的历史数据外，还包括客户的基础数据时，则除了将客户的现时数据输入到晋升预测模型中预测外，还需要将客户的基础数据输入到晋升预测模型中进行预测。如果第i个客户等级的客户预测会晋升，进入步骤105，反之，结束流程。

105：确定第i个客户等级的客户为潜力客户。

请参阅图2，图2是本发明实施例提供的另一种潜力客户识别方法的流程图。本实施方式将结合游戏行业为例进行说明，下面的客户相应被称为游戏玩家，客户等级也相应被称为玩家等级，本实施例提供的潜力客户识别方法包括：

201：根据玩家等级建立多个晋升预测模型。

玩家等级是可以根据用户需要预先设定的，例如，可以将玩家预先定义为VIP1-9共9个等级。晋升预测模型可以是支持向量机分类器、朴素贝叶斯分类器、决策树分类器、人工神经网络中的任意一种。由于不同玩家等级的玩家通常具有不同的特点，所以，为了提高预测的准确性，需要为不同玩家等级的玩家分别建立适合自己的晋升预测模型，使得不同玩家等级的玩家使用不同的晋升预测模型，例如，令第i个玩家等级的玩家使用第i个晋升预测模型，i为正整数。

202：为多个晋升预测模型获取晋升训练样本。

由于不同玩家等级对应不同的晋升预测模型，所以，获取晋升训练样本时，将在单位时间内已晋升到第i个玩家等级的玩家的历史数据作为第i个晋升预测模型的晋升训练样本。单位时间可以是之前的任意一个时间段，例如，今天是9月22日，那么，单位时间可以是7月22日之前的一段时间，可以是8月22日之前的一段时间等等，而且，单位时间的长度可以根据需要进行设置，例如，单位时间的长度可以设置为半个月、1个月和2个月等等中的任意一个。

以今天是9月22日，单位时间是7月22日前的1个月为例，将在单位时间内已晋升到第i个玩家等级的玩家的历史数据作为第i个晋升预测模型的晋升训练样本具体为：将6月22日前的玩家等级为第i个玩家等级，在6月22日至7月22日间从第i个玩家等级的玩家等级晋升到第i个玩家等级以上的玩家等级的玩家的历史数据作为第i个晋升预测模型的晋升训练样本。

玩家的历史数据通常以数据库的形式存储在服务器中，服务器可以是传统的服务器，也可以是云服务器。玩家的历史数据包括登陆数据、充值数据、消费数据、事件数据中的任意一种或者多种的组合。登陆数据包括统计日前j天登陆游戏大厅的次数、登陆游戏大厅的天数、登陆游戏大厅的时长、登陆游戏大厅的趋势、登陆游戏的次数、登陆游戏的天数、登陆游戏的时长、登陆游戏的趋势中的任意一种或者多种的组合。充值数据包括统计日前j天游戏大厅的充值的次数、游戏大厅的充值的天数、游戏大厅的充值的金额、游戏大厅的充值的趋势、游戏的充值的次数、游戏的充值的天数、游戏的充值的金额、游戏的充值的趋势中的任意一种或者多种的组合。消费数据包括统计日前j天游戏大厅的消费的次数、游戏大厅的消费的天数、游戏大厅的消费的金额、游戏大厅的消费的趋势、游戏的消费的次数、游戏的消费的天数、游戏的消费的金额、游戏的消费的趋势中的任意一种或者多种的组合。事件数据包括统计日前j天玩家参与的游戏总类数量、玩家参与的游戏风格占比，玩家参与的游戏题材占比、过关失败次数、使用道具数、游戏风格、游戏题材中的任意一种或者多种的组合，其中，j为大于零的正整数。

为了统一起见，通常令统计日为单位时间的最后一天，j等于单位时间的时间长度，当然，统计日也可以是其他的时间，例如单位时间的倒数第二天等等，而且，j可以大于或者小于单位时间的时间长度。

可以理解的是，晋升训练样本可以只包括玩家的历史数据，也可以还包括玩家的基础数据等等。玩家的基础数据为游戏玩家的基础信息包括年龄、性别、注册地、等级、客户端登陆状况中的任意一种或者多种的组合。

203：使用第i个晋升预测模型的晋升训练样本对第i个晋升预测模型进行训练。

在获取晋升训练样本后，使用第i个晋升预测模型的晋升训练样本对第i个晋升预测模型进行训练。例如，将第i个晋升预测模型的晋升训练样本和晋升这一标签输入到第i个晋升预测模型以对第i个晋升预测模型进行训练。其中，晋升训练样本的样本数量可以根据需要进行设置，晋升训练样本的数量越大，晋升预测模型就越准确。

204：将第i个玩家等级的玩家的现时数据输入到训练后的第i个晋升预测模型中预测所述第i个玩家等级的玩家是否会晋升。

第i个玩家等级的玩家的现时数据为第i个玩家等级的玩家至今之前的一段时间的数据。其中，步骤202中提及的历史数据与本步骤中提及的现时数据是相对应的，例如，当步骤202中提及的历史数据为登陆数据、充值数据、消费数据时，本步骤中提及的现时数据同样为登陆数据、充值数据、消费数据。而且，如果晋升训练样本除了包括玩家的历史数据外，还包括玩家的基础数据时，则除了将玩家的现时数据输入到晋升预测模型中预测外，还需要将玩家的基础数据输入到晋升预测模型中进行预测。如果第i个玩家等级的玩家预测会晋升，进入步骤105，反之，结束流程。

205：确定第i个玩家等级的玩家为潜力玩家。

206：构建营销类别预测模型。

营销类别预测模型可以是多值分类-支持向量机分类器、多值最近邻居分类器、多值决策树分类器等等中的任意一种。营销类别预测模型的数量可以是一个，也可以是多个。

207：为营销类别预测模型获取营销训练样本，其中，营销训练样本包括玩家的历史数据和营销类别。

营销人员可以预先通过网络、电话等等对玩家进行访问，从而获得玩家的营销类别。营销类别可以是偏好返利型、偏好道具型等等。营销人员在获得玩家的营销类别后，可以将玩家的营销类别存储在服务器中，服务器可以是传统的服务器，也可以是云服务器。在需要使用时，从服务器获取玩家的历史数据和营销类别以作为营销训练样本。本步骤中玩家的历史数据可以与步骤202中的玩家的历史数据可以完全一样，也可以不一样。

可以理解的是，营销训练样本可以只包括玩家的历史数据，也可以还包括玩家的基础数据等等。

208：使用营销训练样本对营销类别预测模型进行训练。

在获取营销训练样本后，使用营销训练样本对营销类别预测模型进行训练。例如，将偏好返利型的客户的历史数据和偏好返利型这一类别输入营销类别预测模型以对营销类别预测模型进行训练。其中，营销训练样本的样本数量可以根据需要进行设置，营销训练样本的数量越大，营销类别预测模型就越准确。

209：将潜力玩家的现时数据输入到训练后的营销类别预测模型中预测潜力玩家的营销类别。

将步骤205中获得的潜力玩家的现时数据输入到训练后的营销类别预测模型中预测潜力玩家的营销类别。其中，步骤202中提及的历史数据与本步骤中提及的现时数据是相对应的，例如，当步骤202中提及的历史数据为登陆数据、充值数据、消费数据时，本步骤中提及的现时数据同样为登陆数据、充值数据、消费数据。而且，如果营销训练样本除了包括玩家的历史数据外，还包括玩家的基础数据时，则除了将玩家的现时数据输入到营销类别预测模型中预测外，还需要将玩家的基础数据输入到营销类别预测模型中进行预测。

210：根据预测的潜力客户的营销类别从营销方案库中匹配对应的营销方案，以将对应的营销方案推送给潜力客户。

营销方案库存储有多种的营销方案，有些营销方案是返利型的营销方案，有些营销方案是道具型的营销方案等等。根据预测的潜力客户的营销类别从营销方案库中匹配对应的营销方案，以将营销方案推送给潜力客户。例如，如果预测的潜力客户的营销类别为偏好返利型的，则可以从营销方案库中选择返利型的营销方案，并将对应的营销方案推送给潜力客户，使得潜力客户可能在营销方案的促进作用下，真正晋升玩家等级。

请参阅图3，图3是本发明实施例提供的再一种潜力客户识别方法中的通过营销需求分类模型对反馈文本的营销需求类别进行分类的流程图。本实施例的潜力客户识别方法与图2所示的实施例的不同之处在于，还包括步骤211至步骤214。

211：构建营销需求分类模型。

营销需求分类模型为多值分类算法、多值支持向量机分类器、多值最近邻居分类器和多值决策树分类器中的任意一种。营销需求分类模型的数量可以是一个，也可以是多个。

212：使用种子词和种子词对应的营销需求分类的分类标签对营销需求分类模型进行训练，其中，种子词是预先定义的，种子词与营销需求分类的分类标签的对应关系也是预先定义的。

为每种营销需求都设置对应的营销需求分类的分类标签，例如，将返利型的营销需求的分类标签定义为“返利”，将道具型的营销需求的分类标签定义为“道具”等等。然后，再为每种营销需求都预先定义种子词，例如，为返利型的营销需求预先定义种子词“返利”、“钱”、“充值”等等，为道具型的营销需求定义种子词“道具”、“武器”等等。使用种子词和种子词对应的营销需求分类的分类标签对营销需求分类模型进行训练。例如，使用种子词“返利”、“钱”、“充值”和分类标签“返利”对营销需求分类模型进行训练。

213：使用营销需求分类模型对反馈文本进行分类，其中，营销需求分类模型根据反馈文本中的分词与营销需求分类的分类标签对应的种子词的匹配度对反馈文本进行分类。

反馈文本是营销人员对游戏玩家的回访的记录，里面记载了营销人员对游戏玩家的回访时，游戏玩家答复的内容。例如，反馈文本中记录了“如果能够有更多充值优惠就更好了”等等。

在需要对反馈文本进行分类时，通过中文分词的方法将反馈文本中的汉字序列划分为一个一个的单词。例如，通过中文分词的方法将“如果能够有更多充值优惠就更好了”划分为如果-能够-有-更多-充值-优惠-就-更好-了。

在对反馈文本进行中文分词后，将反馈文本中的分词与营销需求分类的分类标签对应的种子词进行匹配。如果反馈文本中的分词与某一营销需求分类的分类标签对应的种子词匹配的数量越多，则反馈文本中的分词与营销需求分类的分类标签对应的种子词的匹配度越高。所以，可以将反馈文本分类到匹配度最高的营销需求分类的分类标签下。例如，反馈文本“如果能够有更多充值优惠就更好了”中的分词“充值”与返利型的营销需求预先定义种子词“充值”匹配，而与道具型的营销需求预先定义种子词没有一个匹配，所以，可以将反馈文本“如果能够有更多充值优惠就更好了”分类到分类标签“返利”下。

214：将不能通过营销需求分类模型进行分类的反馈文本进行聚类，以获得新的营销需求分类。

如果有些反馈文本不能分类到任何一个现有的分类标签下，例如，反馈文本“我觉需要进行合服”，没有和现有的返利型的营销需求的种子词“返利”、“钱”、“充值”和道具型的营销需求的种子词“道具”、“武器”中的任意一个种子词匹配，所以，反馈文本“我觉需要进行合服”不能分类到现有的“返利”和“道具”标签下。此时，可以将不能通过营销需求分类模型进行分类的反馈文本进行聚类，以获得新的营销需求分类。例如，对反馈文件进行聚类后得到的分词“合服”，并将“合服”新的营销需求分类。其中，聚类时使用的聚类算法可以为k-means聚类算法、K-Medoids聚类算法、PCA聚类算法、DBSCAN(Density-Based SpatialClustering of Applications with Noise)聚类算法等等中的任意一种。

请参阅图4，图4是本发明实施例提供的一种潜力客户识别装置的结构示意图。本实施方式的潜力客户识别装置包括：晋升建模模块301、晋升获取模块302、晋升训练模块303、晋升预测模块304以及确定模块305。

所述晋升建模模块301用于根据客户等级建立多个晋升预测模型，其中，所述客户等级为预先设定的，第i个客户等级对应第i个晋升预测模型，其中，i为正整数。

所述晋升获取模块302用于为所述多个晋升预测模型获取晋升训练样本，其中，第i个晋升预测模型的晋升训练样本包括在单位时间内已从第i个客户等级晋升的客户的历史数据。

所述晋升训练模块303用于使用所述第i个晋升预测模型的晋升训练样本对第i个晋升预测模型进行训练。

所述晋升预测模块304用于将第i个客户等级的客户的现时数据输入到训练后的第i个晋升预测模型中预测所述第i个客户等级的客户是否会晋升。

所述确定模块305用于在第i个客户等级的客户预测会晋升时，确定所述第i个客户等级的客户为潜力客户。

图4所示的潜力客户识别装置与图1所示的潜力客户识别方法一一对应，具体请参见图1以及相关描述，此处不再展开描述。

请参阅图5，图5是本发明实施例提供的一种潜力客户识别装置的结构示意图。本实施方式的潜力客户识别装置包括：晋升建模模块301、晋升获取模块302、晋升训练模块303、晋升预测模块304、确定模块305、营销类别建模模块306、营销类别获取模块307、营销类别训练模块308、营销类别预测模块309以及推送模块310。

所述晋升建模模块301用于根据客户等级建立多个晋升预测模型，其中，所述客户等级为预先设定的，第i个客户等级对应第i个晋升预测模型，其中，i为正整数。

所述晋升获取模块302用于为所述多个晋升预测模型获取晋升训练样本，其中，第i个晋升预测模型的晋升训练样本包括在单位时间内已从第i个客户等级晋升的客户的历史数据。

所述晋升训练模块303用于使用所述第i个晋升预测模型的晋升训练样本对第i个晋升预测模型进行训练。

所述晋升预测模块304用于将第i个客户等级的客户的现时数据输入到训练后的第i个晋升预测模型中预测所述第i个客户等级的客户是否会晋升。

所述确定模块305用于在第i个客户等级的客户预测会晋升时，确定所述第i个客户等级的客户为潜力客户。

可选地，所述营销类别建模模块306用于构建营销类别预测模型；所述营销类别获取模块307用于为所述营销类别预测模型获取营销训练样本，其中，所述营销训练样本包括客户的历史数据和营销类别；所述营销类别训练模块308用于使用所述营销训练样本对营销类别预测模型进行训练；所述营销类别预测模块309用于将所述潜力客户的现时数据输入到训练后的营销类别预测模型中预测所述潜力客户的营销类别。

可选地，所述推送模块310用于根据预测的所述潜力客户的营销类别从所述营销方案库中匹配对应的营销方案，以将所述对应的营销方案推送给所述潜力客户。

可选地，所述营销类别预测模型为多值分类-支持向量机分类器、多值最近邻居分类器、多值决策树分类器中的一种。

可选地，所述晋升预测模型为支持向量机分类器、朴素贝叶斯分类器、决策树分类器、人工神经网络中的任意一种。

可选地，所述历史数据包括登陆数据、充值数据、消费数据、事件数据中的任意一种或者多种的组合。

可选地，所述登陆数据包括统计日前j天登陆游戏大厅的次数、登陆游戏大厅的天数、登陆游戏大厅的时长、登陆游戏大厅的趋势、登陆游戏的次数、登陆游戏的天数、登陆游戏的时长、登陆游戏的趋势中的任意一种或者多种的组合；所述充值数据包括统计日前j天游戏大厅的充值的次数、游戏大厅的充值的天数、游戏大厅的充值的金额、游戏大厅的充值的趋势、游戏的充值的次数、游戏的充值的天数、游戏的充值的金额、游戏的充值的趋势中的任意一种或者多种的组合；所述消费数据包括统计日前j天游戏大厅的消费的次数、游戏大厅的消费的天数、游戏大厅的消费的金额、游戏大厅的消费的趋势、游戏的消费的次数、游戏的消费的天数、游戏的消费的金额、游戏的消费的趋势中的任意一种或者多种的组合；所述事件数据包括统计日前j天客户参与的游戏总类数量、客户参与的游戏风格占比，客户参与的游戏题材占比、过关失败次数、使用道具数、游戏风格、游戏题材中的任意一种或者多种的组合，其中，j为大于零的正整数。

图5所示的潜力客户识别装置与图2所示的潜力客户识别方法一一对应，具体请参见图2以及相关描述，此处不再展开描述。

请参阅图6，图6是本发明实施例提供的再一种潜力客户识别装置中的通过营销需求分类模型对反馈文本的营销需求类别进行分类的部分装置的结构示意图。本实施例的潜力客户识别装置与图5所示的潜力客户识别装置相比，不同之处在于，还包括：营销需求建模模块311、营销需求训练模块312、营销需求预测模块313以及聚类模块314。

所述晋升建模模块301用于根据客户等级建立多个晋升预测模型，其中，所述客户等级为预先设定的，第i个客户等级对应第i个晋升预测模型，其中，i为正整数。

所述晋升获取模块302用于为所述多个晋升预测模型获取晋升训练样本，其中，第i个晋升预测模型的晋升训练样本包括在单位时间内已从第i个客户等级晋升的客户的历史数据。

所述晋升训练模块303用于使用所述第i个晋升预测模型的晋升训练样本对第i个晋升预测模型进行训练；

所述晋升预测模块304用于将第i个客户等级的客户的现时数据输入到训练后的第i个晋升预测模型中预测所述第i个客户等级的客户是否会晋升；

所述确定模块305用于在第i个客户等级的客户预测会晋升时，确定所述第i个客户等级的客户为潜力客户。

可选地，所述营销类别建模模块306用于构建营销类别预测模型；所述营销类别获取模块307用于为所述营销类别预测模型获取营销训练样本，其中，所述营销训练样本包括客户的历史数据和营销类别；所述营销类别训练模块308用于使用所述营销训练样本对营销类别预测模型进行训练；所述营销类别预测模块309用于将所述潜力客户的现时数据输入到训练后的营销类别预测模型中预测所述潜力客户的营销类别。

可选地，所述推送模块310用于根据预测的所述潜力客户的营销类别从所述营销方案库中匹配对应的营销方案，以将所述对应的营销方案推送给所述潜力客户。

可选地，所述营销类别预测模型为多值分类-支持向量机分类器、多值最近邻居分类器、多值决策树分类器中的一种。

可选地，营销需求建模模块311用于构建营销需求分类模型；营销需求训练模块312用于使用种子词和所述种子词对应的营销需求分类的分类标签对所述营销需求分类模型进行训练，其中，所述种子词是预先定义的，所述种子词与所述营销需求分类的分类标签的对应关系也是预先定义的；营销需求预测模块313用于使用所述营销需求分类模型对反馈文本进行分类，其中，所述营销需求分类模型根据所述反馈文本中的分词与所述营销需求分类的分类标签对应的种子词的匹配度对所述反馈文本进行分类。

可选地，所述聚类模块314用于将不能通过所述营销需求分类模型进行分类的反馈文本进行聚类，以获得新的营销需求分类。

可选地，所述营销需求分类模型为多值分类算法、多值支持向量机分类器、多值最近邻居分类器和多值决策树分类器中的任意一种。

可选地，所述晋升预测模型为支持向量机分类器、朴素贝叶斯分类器、决策树分类器、人工神经网络中的任意一种。

可选地，所述历史数据包括登陆数据、充值数据、消费数据、事件数据中的任意一种或者多种的组合。

可选地，所述登陆数据包括统计日前j天登陆游戏大厅的次数、登陆游戏大厅的天数、登陆游戏大厅的时长、登陆游戏大厅的趋势、登陆游戏的次数、登陆游戏的天数、登陆游戏的时长、登陆游戏的趋势中的任意一种或者多种的组合；所述充值数据包括统计日前j天游戏大厅的充值的次数、游戏大厅的充值的天数、游戏大厅的充值的金额、游戏大厅的充值的趋势、游戏的充值的次数、游戏的充值的天数、游戏的充值的金额、游戏的充值的趋势中的任意一种或者多种的组合；所述消费数据包括统计日前j天游戏大厅的消费的次数、游戏大厅的消费的天数、游戏大厅的消费的金额、游戏大厅的消费的趋势、游戏的消费的次数、游戏的消费的天数、游戏的消费的金额、游戏的消费的趋势中的任意一种或者多种的组合；所述事件数据包括统计日前j天客户参与的游戏总类数量、客户参与的游戏风格占比，客户参与的游戏题材占比、过关失败次数、使用道具数、游戏风格、游戏题材中的任意一种或者多种的组合，其中，j为大于零的正整数。

图6所示的潜力客户识别装置与图3所示的潜力客户识别方法一一对应，具体请参见图3以及相关描述，此处不再展开描述。

通过实施本发明实施例，能够通过获取训练样本对晋升预测模型进行训练，并根据训练后的晋升预测模型和客户的现时数据对客户进行预测，并将预测为晋升的客户确定为潜力客户。本发明实施例实现了通过机器查找潜力客户，所以，识别的效率远比人工识别的方法高。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (14)

1.一种潜力游戏玩家识别方法，其特征在于，应用于游戏行业，所述方法包括如下步骤：

根据游戏玩家等级建立多个支持向量机分类器的晋升预测模型，其中，所述游戏玩家等级为预先设定的，第i个游戏玩家等级对应第i个晋升预测模型，其中，i为正整数；

为所述多个晋升预测模型获取晋升训练样本，其中，第i个晋升预测模型的晋升训练样本包括在单位时间内已从第i个游戏玩家等级晋升的游戏玩家的历史数据；所述历史数据以数据库的形式存储在服务器中；

使用所述第i个晋升预测模型的晋升训练样本对第i个晋升预测模型进行训练；

将第i个游戏玩家等级的游戏玩家的现时数据输入到训练后的第i个晋升预测模型中预测所述第i个游戏玩家等级的游戏玩家是否会晋升；

如果第i个游戏玩家等级的游戏玩家预测会晋升，则确定所述第i个游戏玩家等级的游戏玩家为潜力游戏玩家；

从营销方案库中匹配对应的营销方案，以将所述对应的营销方案推送给所述潜力游戏玩家；

所述方法还包括：

构建多值支持向量机分类器的营销需求分类模型；

使用种子词和所述种子词对应的营销需求分类的分类标签对所述营销需求分类模型进行训练，其中，所述种子词是预先定义的，所述种子词与所述营销需求分类的分类标签的对应关系也是预先定义的；

使用所述营销需求分类模型对反馈文本进行分类，通过中文分词的方法将反馈文本中的汉字序列划分为一个一个的单词；其中，所述营销需求分类模型根据所述反馈文本中的分词与所述营销需求分类的分类标签对应的种子词的匹配度对所述反馈文本进行分类；所述反馈文本是营销人员对游戏玩家的回访记录，里面记载了营销人员对游戏玩家回访时游戏玩家答复的内容；

在对反馈文本进行中文分词后，将反馈文本中的分词与营销需求分类的分类标签对应的种子词进行匹配，如果反馈文本中的分词与某一营销需求分类的分类标签对应的种子词匹配的数量越多，则反馈文本中的分词与营销需求分类的分类标签对应的种子词的匹配度越高。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

构建营销类别预测模型；

为所述营销类别预测模型获取营销训练样本，其中，所述营销训练样本包括游戏玩家的历史数据和营销类别；

使用所述营销训练样本对营销类别预测模型进行训练；

确定所述第i个游戏玩家等级的游戏玩家为潜力游戏玩家之后包括：

将所述潜力游戏玩家的现时数据输入到训练后的营销类别预测模型中预测所述潜力游戏玩家的营销类别。

3.根据权利要求2所述的方法，其特征在于，从营销方案库中匹配对应的营销方案，以将所述对应的营销方案推送给所述潜力游戏玩家包括：

根据预测的所述潜力游戏玩家的营销类别从营销方案库中匹配对应的营销方案，以将所述对应的营销方案推送给所述潜力游戏玩家。

4.根据权利要求2或3所述的方法，其特征在于，所述营销预测模型为多值分类-支持向量机分类器、多值最近邻居分类器、多值决策树分类器中的一种。

5.根据权利要求1所述的方法，其特征在于，使用所述营销需求分类模型对反馈文本进行分类之后还包括：

将不能通过所述营销需求分类模型进行分类的反馈文本进行聚类，以获得新的营销需求分类。

6.根据权利要求1、2、3和5中任一权利要求所述的方法，其特征在于，所述历史数据包括登陆数据、充值数据、消费数据、事件数据中的任意一种或者多种的组合。

7.根据权利要求6所述的方法，其特征在于，

所述登陆数据包括统计日前j天登陆游戏大厅的次数、登陆游戏大厅的天数、登陆游戏大厅的时长、登陆游戏大厅的趋势、登陆游戏的次数、登陆游戏的天数、登陆游戏的时长、登陆游戏的趋势中的任意一种或者多种的组合；

所述充值数据包括统计日前j天游戏大厅的充值的次数、游戏大厅的充值的天数、游戏大厅的充值的金额、游戏大厅的充值的趋势、游戏的充值的次数、游戏的充值的天数、游戏的充值的金额、游戏的充值的趋势中的任意一种或者多种的组合；

所述消费数据包括统计日前j天游戏大厅的消费的次数、游戏大厅的消费的天数、游戏大厅的消费的金额、游戏大厅的消费的趋势、游戏的消费的次数、游戏的消费的天数、游戏的消费的金额、游戏的消费的趋势中的任意一种或者多种的组合；

所述事件数据包括统计日前j天游戏玩家参与的游戏总类数量、游戏玩家参与的游戏风格占比，游戏玩家参与的游戏题材占比、过关失败次数、使用道具数、游戏风格、游戏题材中的任意一种或者多种的组合，其中，j为大于零的正整数。

8.一种潜力游戏玩家识别装置，其特征在于，应用于游戏行业，所述装置包括：晋升建模模块、晋升获取模块、晋升训练模块、晋升预测模块、确定模块、推送模块、构建模块、训练模块、分类模块以及匹配模块，

所述晋升建模模块用于根据游戏玩家等级建立多个支持向量机分类器的晋升预测模型，其中，所述游戏玩家等级为预先设定的，第i个游戏玩家等级对应第i个晋升预测模型，其中，i为正整数；

所述晋升获取模块用于为所述多个晋升预测模型获取晋升训练样本，其中，第i个晋升预测模型的晋升训练样本包括在单位时间内已从第i个游戏玩家等级晋升的游戏玩家的历史数据；所述历史数据以数据库的形式存储在服务器中；

所述晋升训练模块用于使用所述第i个晋升预测模型的晋升训练样本对第i个晋升预测模型进行训练；

所述晋升预测模块用于将第i个游戏玩家等级的游戏玩家的现时数据输入到训练后的第i个晋升预测模型中预测所述第i个游戏玩家等级的游戏玩家是否会晋升；

所述确定模块用于在第i个游戏玩家等级的游戏玩家预测会晋升时，确定所述第i个游戏玩家等级的游戏玩家为潜力游戏玩家；

所述推送模块用于从营销方案库中匹配对应的营销方案，以将所述对应的营销方案推送给所述潜力游戏玩家；

所述构建模块用于构建多值支持向量机分类器的营销需求分类模型；

所述训练模块用于使用种子词和所述种子词对应的营销需求分类的分类标签对所述营销需求分类模型进行训练，其中，所述种子词是预先定义的，所述种子词与所述营销需求分类的分类标签的对应关系也是预先定义的；

所述分类模块用于使用所述营销需求分类模型对反馈文本进行分类，通过中文分词的方法将反馈文本中的汉字序列划分为一个一个的单词；其中，所述营销需求分类模型根据所述反馈文本中的分词与所述营销需求分类的分类标签对应的种子词的匹配度对所述反馈文本进行分类；所述反馈文本是营销人员对游戏玩家的回访记录，里面记载了营销人员对游戏玩家回访时游戏玩家答复的内容；

所述匹配模块用于在对反馈文本进行中文分词后，将反馈文本中的分词与营销需求分类的分类标签对应的种子词进行匹配，如果反馈文本中的分词与某一营销需求分类的分类标签对应的种子词匹配的数量越多，则反馈文本中的分词与营销需求分类的分类标签对应的种子词的匹配度越高。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：营销类别建模模块、营销类别获取模块、营销类别训练模块以及营销类别预测模块，

所述营销类别建模模块用于构建营销类别预测模型；

所述营销类别获取模块用于为所述营销类别预测模型获取营销训练样本，其中，所述营销训练样本包括客户的历史数据和营销类别；

所述营销类别训练模块用于使用所述营销训练样本对营销类别预测模型进行训练；

所述营销类别预测模块用于将所述潜力客户的现时数据输入到训练后的营销类别预测模型中预测所述潜力客户的营销类别。

10.根据权利要求9所述的装置，其特征在于，所述推送模块还用于根据预测的所述潜力游戏玩家的营销类别从营销方案库中匹配对应的营销方案，以将所述对应的营销方案推送给所述潜力游戏玩家。

11.根据权利要求8或9所述的装置，其特征在于，营销类别预测模型为多值分类-支持向量机分类器、多值最近邻居分类器、多值决策树分类器中的一种。

12.根据权利要求8所述的装置，其特征在于，所述装置还包括：聚类模块，

所述聚类模块用于将不能通过所述营销需求分类模型进行分类的反馈文本进行聚类，以获得新的营销需求分类。

13.根据权利要求8、9、10和12中任一权利要求所述的装置，其特征在于，所述历史数据包括登陆数据、充值数据、消费数据、事件数据中的任意一种或者多种的组合。

14.根据权利要求13所述的装置，其特征在于，

所述登陆数据包括统计日前j天登陆游戏大厅的次数、登陆游戏大厅的天数、登陆游戏大厅的时长、登陆游戏大厅的趋势、登陆游戏的次数、登陆游戏的天数、登陆游戏的时长、登陆游戏的趋势中的任意一种或者多种的组合；

所述充值数据包括统计日前j天游戏大厅的充值的次数、游戏大厅的充值的天数、游戏大厅的充值的金额、游戏大厅的充值的趋势、游戏的充值的次数、游戏的充值的天数、游戏的充值的金额、游戏的充值的趋势中的任意一种或者多种的组合；

所述消费数据包括统计日前j天游戏大厅的消费的次数、游戏大厅的消费的天数、游戏大厅的消费的金额、游戏大厅的消费的趋势、游戏的消费的次数、游戏的消费的天数、游戏的消费的金额、游戏的消费的趋势中的任意一种或者多种的组合；

所述事件数据包括统计日前j天游戏玩家参与的游戏总类数量、游戏玩家参与的游戏风格占比，游戏玩家参与的游戏题材占比、过关失败次数、使用道具数、游戏风格、游戏题材中的任意一种或者多种的组合，其中，j为大于零的正整数。

Images