CN110598995B - 智能客户评级方法、装置及计算机可读存储介质 - Google Patents

智能客户评级方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN110598995B
CN110598995B CN201910766667.5A CN201910766667A CN110598995B CN 110598995 B CN110598995 B CN 110598995B CN 201910766667 A CN201910766667 A CN 201910766667A CN 110598995 B CN110598995 B CN 110598995B
Authority
CN
China
Prior art keywords
client
rating
tag set
prediction
client information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910766667.5A
Other languages
English (en)
Other versions
CN110598995A (zh
Inventor
张浩然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN201910766667.5A priority Critical patent/CN110598995B/zh
Publication of CN110598995A publication Critical patent/CN110598995A/zh
Application granted granted Critical
Publication of CN110598995B publication Critical patent/CN110598995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance

Abstract

本发明涉及一种人工智能技术，揭露了一种智能客户评级方法，包括：接收客户原始信息集和标签集并分析得到客户信息集，将所述客户信息集输入至评级模型A进行训练得到预测标签集A，基于所述预测标签集A得到错误预测标签集和错误预测客户信息集，将所述错误预测标签集与所述错误预测客户信息集输入至评级模型B中训练，接收用户的客户信息并输入至所述评级模型A和所述评级模型B得到预测结果A和预测结果B，判断所述预测结果A与所述预测结果B是否相同，若不相同则提示用户，若相同则输出所述预测结果A。本发明还提出一种智能客户评级装置以及一种计算机可读存储介质。本发明可以实现精准的智能客户评级功能。

Description

智能客户评级方法、装置及计算机可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种可用于对客户进行智能寿险评级方法、装置及计算机可读存储介质。
背景技术
人寿保险可以为人们解决养老、医疗、意外伤害等各类风险的保障问题，人们可在年轻时为年老做准备，今天为明天做准备，上一代人为下一代人做准备。当发生意外时，家庭可得到生活保障，年老时可得到养老金，有病住院可得到经济保障。而对于寿险公司来说，其拥有庞大的客户群体，而每个客户都有不同的需求，因此需要对客户进行评级操作，常规客户评级一般利用业务经验分析构建，然后建立金字塔模型，并利用每一层级的目标对象分别进行模型的搭建与训练，但由于客户数量众多，利用业务经验进行分析构建时不仅耗时耗力吗，而且也影响后期对客户评级的准确率，且目前常规模型的拟合能力不足，客户评级准确率的精度不高。
发明内容
本发明提供一种智能客户评级方法、装置及计算机可读存储介质，其主要目的在于当用户输入客户信息时，基于所述客户信息进行精准的评级。
为实现上述目的，本发明提供的一种智能客户评级方法，包括：
接收具有一一对应关系的客户原始信息集和标签集，对所述客户原始信息集进行数据分析得到客户信息集；
将所述客户信息集及所述标签集输入至评级模型A进行评级预测训练，并得到预测标签集A，基于所述预测标签集A，在所述标签集中寻找与所述预测标签集A不相同的标签内容得到错误预测标签集，基于所述一一对应关系得到与所述错误预测标签集对应的错误预测客户信息集；
将所述错误预测标签集与所述错误预测客户信息集输入至评级模型B中训练并输出预测标签集B，计算所述预测标签集B与所述错误预测标签集的损失值，若所述损失值小于预设阈值时，所述评级模型B退出训练；
接收用户输入的客户信息，将所述客户信息输入至所述评级模型A进行评级预测得到预测结果A后，将所述客户信息输入至所述评级模型B进行评级预测得到预测结果B，判断所述预测结果A与所述预测结果B是否相同，若不相同则输出所述预测结果B并提示用户所述客户信息需进一步补充客户信息，若相同则输出所述预测结果A。
可选地，所述客户原始信息集包括客户年龄、客户性别、客户年收入及客户年支出、客户家庭成员数、客户家庭住址、客户受教育程度；
所述标签集包括拓展型客户、主攻型客户、培育型客户、维持型客户。
可选地，对所述客户原始信息集进行数据分析得到客户信息集，包括：
去除所述客户原始信息集内客户年龄大于第一预设值或客户年龄小于第二预设值的数据；
对去除后的客户原始信息集进行归一化处理得到客户信息集。
可选地，将所述客户信息集及所述标签集输入至评级模型A进行评级预测训练，并得到预测标签集A，包括：
根据所述客户信息集及所述标签集求解经验熵及经验条件熵；
根据所述经验熵及经验条件熵求解信息增益；
最大化所述信息增益得到预测标签集A。
可选地，
述评级模型B包括卷积神经网络、激活函数和损失函数，其中，所述卷积神经网络包括十六层卷积层、十六层池化层和一层全连接层；及
所述将所述错误预测标签集与所述错误预测客户信息集输入至评级模型B中训练并输出预测标签集B，计算所述预测标签集B与所述错误预测标签集的损失值，若所述损失值小于预设阈值时，所述评级模型B退出训练，包括：
所述卷积神经网络接收所述错误预测客户信息集后，将所述错误预测客户信息集输入至所述十六层卷积层和十六层池化层进行卷积操作和最大池化操作，得到降维数据集，将所述降维数据集输入至全连接层；
所述全连接层接收所述降维数据集，并结合所述激活函数计算得到所述预测标签集B，并将所述预测标签集B和所述错误预测标签集输入至所述损失函数中计算出损失值，判断所述损失值与预设阈值的大小关系，直至所述损失值小于所述预设阈值时，所述评级模型B退出训练。
此外，为实现上述目的，本发明还提供一种智能客户评级装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的智能客户评级程序，所述智能客户评级程序被所述处理器执行时实现如下步骤：
接收具有一一对应关系的客户原始信息集和标签集，对所述客户原始信息集进行数据分析得到客户信息集；
将所述客户信息集及所述标签集输入至评级模型A进行评级预测训练，并得到预测标签集A，基于所述预测标签集A，在所述标签集中寻找与所述预测标签集A不相同的标签内容得到错误预测标签集，基于所述一一对应关系得到与所述错误预测标签集对应的错误预测客户信息集；
将所述错误预测标签集与所述错误预测客户信息集输入至评级模型B中训练并输出预测标签集B，计算所述预测标签集B与所述错误预测标签集的损失值，若所述损失值小于预设阈值时，所述评级模型B退出训练；
接收用户输入的客户信息，将所述客户信息输入至所述评级模型A进行评级预测得到预测结果A后，将所述客户信息输入至所述评级模型B进行评级预测得到预测结果B，判断所述预测结果A与所述预测结果B是否相同，若不相同则输出所述预测结果B并提示用户所述客户信息需进一步补充客户信息，若相同则输出所述预测结果A。
可选地，所述客户原始信息集包括客户年龄、客户性别、客户年收入及客户年支出、客户家庭成员数、客户家庭住址、客户受教育程度；
所述标签集包括拓展型客户、主攻型客户、培育型客户、维持型客户。
可选地，对所述客户原始信息集进行数据分析得到客户信息集，包括：
去除所述客户原始信息集内客户年龄大于第一预设值或客户年龄小于第二预设值的数据；
对去除后的客户原始信息集进行归一化处理得到客户信息集。
可选地，将所述客户信息集及所述标签集输入至评级模型A进行评级预测训练，并得到预测标签集A，包括：
根据所述客户信息集及所述标签集求解经验熵及经验条件熵；
根据所述经验熵及经验条件熵求解信息增益；
最大化所述信息增益得到预测标签集A。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有智能客户评级程序，所述智能客户评级程序可被一个或者多个处理器执行，以实现如上所述的智能客户评级方法的步骤。
本发明基于前期数据分析可过滤掉部分不满足要求的客户信息，并同时将数据映射到合理数据区间内，因此有效的为后期模型的评级判断提供了前置基础。同时，利用评级模型A与评级模型B的双重判断，进一步提高了客户评级的准确率，并减低了模型出错的偶然性。因此本发明提出的智能客户评级方法、装置及计算机可读存储介质可以实现精准的智能客户评级功能。
附图说明
图1为本发明一实施例提供的智能客户评级方法的流程示意图；
图2为本发明一实施例提供的智能客户评级装置的内部结构示意图；
图3为本发明一实施例提供的智能客户评级装置中智能客户评级程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种智能客户评级方法。参照图1所示，为本发明一实施例提供的智能客户评级方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，智能客户评级方法包括：
S1、接收具有一一对应关系的客户原始信息集和标签集，对所述客户原始信息集进行数据分析得到客户信息集。
较佳地，所述客户原始信息集包括客户年龄、客户性别、客户年收入及客户年支出、客户家庭成员数、客户家庭住址、客户受教育程度。进一步地，所述客户家庭住址统一用城市、郊区、农村区分，并分别用1，2，3表示，如客户A的家庭住址为郊区，则在所述客户原始信息集为2，同理客户受教育程度统一用专科以下、专科及本科、本科以上区分，并分别用1，2，3表示，如客户B的受教育程度为本科以上区分，则在则在所述客户原始信息集为3。所述标签集包括拓展型客户、主攻型客户、培育型客户、维持型客户，所述拓展型客户寿险等级最高，依次降至，如在所述标签集中，将客户B标注为所述主攻型客户，将客户A标注为所述培育型客户。
优选地，对所述客户原始信息集进行数据分析得到客户信息集，包括去除所述客户原始信息集内客户年龄大于第一预设值或客户年龄小于第二预设值的数据和对去除后的客户原始信息集进行归一化处理得到客户信息集。
较佳地，因为所述归一化处理的目的是将所述客户原始信息集限定在一定的范围内(比如[0，1]或者[-1，1])，从而消除异常样本数据导致的不良影响。较佳地，本发明将所述客户原始信息集限定在[0，1]之间，所述归一化处理的方法如下：
其中，x′为所述客户信息集，x为所述客户原始信息集，min(x)为所述客户原始信息集中数值最小的值，max(x)为为所述客户原始信息集中数值最大的值。
S2、将所述客户信息集及所述标签集输入至评级模型A进行评级预测训练，并得到预测标签集A，基于所述预测标签集A，在所述标签集中寻找与所述预测标签集A不相同的标签内容得到错误预测标签集，基于所述一一对应关系得到与所述错误预测标签集对应的错误预测客户信息集。
优选地，所述评级预测训练先根据所述客户信息集及所述标签集求解经验熵及经验条件熵，并根据所述经验熵及经验条件熵求解信息增益，之后最大化所述信息增益得到预测标签集A。
进一步地，所述求解经验熵H(D)为：
其中，D为所述客户信息集的数据个数，如所述客户信息集的数据个数为26000个，Ck为每个标签集对应的所述客户信息集的个数，k为所述标签集个数。如所述标签集包括拓展型客户、主攻型客户、培育型客户、维持型客户，则k＝4，若所述拓展型客户在所述客户信息集的数据个数为7800。
进一步地，所述经验条件熵H(D|A)为：
其中，A为所述客户信息集所包括的特征，如客户性别、客户年龄等，n为所述客户信息集所包括的特征数量，Di代表在每个特征下，所述客户信息集的数据个数，如所述客户信息集的数据个数为26000个，客户性别为男的数据个数为13900，客户客户性别为男的数据个数为12100，H(Di)为特征确定下的经验熵。
较佳地，所述信息增益g(D，A)为：
g(D，A)＝H(D)-H(D|A)
最大化所述信息增益并输出结果，所述输出结果即为预测标签集A。
S3、将所述错误预测标签集与所述错误预测客户信息集输入至评级模型B中训练并输出预测标签集B，计算所述预测标签集B与所述错误预测标签集的损失值，若所述损失值小于预设阈值时，所述评级模型B退出训练。
本发明较佳地，所述评级模型B包括卷积神经网络、激活函数和损失函数。其中所述卷积神经网络包括十六层卷积层、十六层池化层和一层全连接层，所述卷积神经网络接收所述错误预测客户信息集后，将所述错误预测客户信息集输入至所述十六层卷积层和十六层池化层进行卷积操作和最大池化操作，得到降维数据集，将所述降维数据集输入至全连接层；
进一步地，所述全连接层接收所述降维数据集，并结合所述激活函数计算得到所述预测标签集B，并将所述预测标签集B和所述错误预测标签集输入至所述损失函数中计算出损失值，判断所述损失值与预设阈值的大小关系，直至所述损失值小于所述预设阈值时，所述评级模型B退出训练。
本发明较佳实施例所述卷积操作为：
其中ω′为输出数据，ω为输入数据，k为卷积核的大小，s为所述卷积操作的步幅，p为数据补零矩阵，所述池化操作可选择最大池化操作，所述最大池化操作是在矩阵内选择矩阵数据中数值最大的值代替整个矩阵；
所述激活函数为：
其中y为所述预测标签集B，e为无限不循环小数。
本发明较佳实施例所述损失值T为：
其中，n为所述预测标签集B大小，yt为所述预测标签集B，μt为所述错误预测标签集，所述预设阈值一般设置在0.01。
S4、接收用户输入的客户信息，并对所述客户信息进行所述数据分析得到分析结果。
较佳地，去除所述客户原始信息集内客户年龄大于第一预设值或客户年龄小于第二预设值的数据。
S5、判断所述分析结果是否满足要求，若所述分析结果不满足预设要求，则提示用户重新输入
较佳地，若所述客户信息的客户年龄大于第一预设值或小于第二预设值岁，则不满足客户评级要求，提示用户重新输入。
S6、若所述分析结果满足预设要求，则将所述客户信息输入至所述评级模型A进行评级预测得到预测结果A后，将所述客户信息输入至所述评级模型B进行评级预测得到预测结果B。
S7、判断所述预测结果A与所述预测结果B是否相同。若所述预测结果A与所述预测结果B不相同，则输出所述预测结果B并提示用户所述客户信息需要进一步分析。
较佳地，因为所述评级模型B的输入数据是所述评级模型A已训练出错的数据，且所述评级模型B基于所述卷积神经网络，因此模型构造更复杂，对特征的分析提取能力更强，由此当所述预测结果A与所述预测结果B不相同时，所述预测结果B的评级准确率会更高，但较佳地，需要提示用户所述客户信息需要进一步分析，所述进一步分析可包括提示用户输入更多的客户信息，以方便获取更多的客户特征等。
S8、若所述预测结果A与所述预测结果B相同，则输出所述预测结果A。
发明还提供一种智能客户评级装置。参照图2所示，为本发明一实施例提供的智能客户评级装置的内部结构示意图。
在本实施例中，所述智能客户评级装置1可以是PC(Personal Computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。该智能客户评级装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是智能客户评级装置1的内部存储单元，例如该智能客户评级装置1的硬盘。存储器11在另一些实施例中也可以是智能客户评级装置1的外部存储设备，例如智能客户评级装置1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括智能客户评级装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于智能客户评级装置1的应用软件及各类数据，例如智能客户评级程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行智能客户评级程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在智能客户评级装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及智能客户评级程序01的智能客户评级装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对智能客户评级装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的装置1实施例中，存储器11中存储有智能客户评级程序01；处理器12执行存储器11中存储的智能客户评级程序01时实现如下步骤：
步骤一、接收具有一一对应关系的客户原始信息集和标签集，对所述客户原始信息集进行数据分析得到客户信息集。
较佳地，所述客户原始信息集包括客户年龄、客户性别、客户年收入及客户年支出、客户家庭成员数、客户家庭住址、客户受教育程度。进一步地，所述客户家庭住址统一用城市、郊区、农村区分，并分别用1，2，3表示，如客户A的家庭住址为郊区，则在所述客户原始信息集为2，同理客户受教育程度统一用专科以下、专科及本科、本科以上区分，并分别用1，2，3表示，如客户B的受教育程度为本科以上区分，则在则在所述客户原始信息集为3。所述标签集包括拓展型客户、主攻型客户、培育型客户、维持型客户，所述拓展型客户寿险等级最高，依次降至，如在所述标签集中，将客户B标注为所述主攻型客户，将客户A标注为所述培育型客户。
优选地，对所述客户原始信息集进行数据分析得到客户信息集，包括去除所述客户原始信息集内客户年龄大于第一预设值或客户年龄小于第二预设值的数据和对去除后的客户原始信息集进行归一化处理得到客户信息集。
较佳地，因为所述归一化处理的目的是将所述客户原始信息集限定在一定的范围内(比如[0，1]或者[-1，1])，从而消除异常样本数据导致的不良影响。较佳地，本发明将所述客户原始信息集限定在[0，1]之间，所述归一化处理的方法如下：
其中，x′为所述客户信息集，x为所述客户原始信息集，min(x)为所述客户原始信息集中数值最小的值，max(x)为为所述客户原始信息集中数值最大的值。
步骤二、将所述客户信息集及所述标签集输入至评级模型A进行评级预测训练，并得到预测标签集A，基于所述预测标签集A，在所述标签集中寻找与所述预测标签集A不相同的标签内容得到错误预测标签集，基于所述一一对应关系得到与所述错误预测标签集对应的错误预测客户信息集。
优选地，所述评级预测训练先根据所述客户信息集及所述标签集求解经验熵及经验条件熵，并根据所述经验熵及经验条件熵求解信息增益，之后最大化所述信息增益得到预测标签集A。
进一步地，所述求解经验熵H(D)为：
其中，D为所述客户信息集的数据个数，如所述客户信息集的数据个数为26000个，Ck为每个标签集对应的所述客户信息集的个数，k为所述标签集个数。如所述标签集包括拓展型客户、主攻型客户、培育型客户、维持型客户，则k＝4，若所述拓展型客户在所述客户信息集的数据个数为7800。
进一步地，所述经验条件熵H(D|A)为：
其中，A为所述客户信息集所包括的特征，如客户性别、客户年龄等，n为所述客户信息集所包括的特征数量，Di代表在每个特征下，所述客户信息集的数据个数，如所述客户信息集的数据个数为26000个，客户性别为男的数据个数为13900，客户客户性别为男的数据个数为12100，H(Di)为特征确定下的经验熵。
较佳地，所述信息增益g(D，A)为：
g(D，A)＝H(D)-H(D|A)
最大化所述信息增益并输出结果，所述输出结果即为预测标签集A。
步骤三、将所述错误预测标签集与所述错误预测客户信息集输入至评级模型B中训练并输出预测标签集B，计算所述预测标签集B与所述错误预测标签集的损失值，若所述损失值小于预设阈值时，所述评级模型B退出训练。
本发明较佳地，所述评级模型B包括卷积神经网络、激活函数和损失函数。其中所述卷积神经网络包括十六层卷积层、十六层池化层和一层全连接层，所述卷积神经网络接收所述错误预测客户信息集后，将所述错误预测客户信息集输入至所述十六层卷积层和十六层池化层进行卷积操作和最大池化操作，得到降维数据集，将所述降维数据集输入至全连接层；
进一步地，所述全连接层接收所述降维数据集，并结合所述激活函数计算得到所述预测标签集B，并将所述预测标签集B和所述错误预测标签集输入至所述损失函数中计算出损失值，判断所述损失值与预设阈值的大小关系，直至所述损失值小于所述预设阈值时，所述评级模型B退出训练。
本发明较佳实施例所述卷积操作为：
其中ω′为输出数据，ω为输入数据，k为卷积核的大小，s为所述卷积操作的步幅，p为数据补零矩阵，所述池化操作可选择最大池化操作，所述最大池化操作是在矩阵内选择矩阵数据中数值最大的值代替整个矩阵；
所述激活函数为：
其中y为所述预测标签集B，e为无限不循环小数。
本发明较佳实施例所述损失值T为：
其中，n为所述预测标签集B大小，yt为所述预测标签集B，μt为所述错误预测标签集，所述预设阈值一般设置在0.01。
步骤四、接收用户输入的客户信息，并对所述客户信息进行所述数据分析得到分析结果。
较佳地，所述数据分析先判断所述客户信息的客户年龄是否大于第一预设值或小于第二预设值岁。
步骤五、判断所述分析结果是否满足要求，若所述分析结果不满足预设要求，则提示用户重新输入
较佳地，若所述客户信息的客户年龄大于第一预设值或小于第二预设值岁，则不满足客户评级要求，提示用户重新输入。
步骤六、若所述分析结果满足预设要求，则将所述客户信息输入至所述评级模型A进行评级预测得到预测结果A后，将所述客户信息输入至所述评级模型B进行评级预测得到预测结果B。
步骤七、判断所述预测结果A与所述预测结果B是否相同。若所述预测结果A与所述预测结果B不相同，则输出所述预测结果B并提示用户所述客户信息需要进一步分析。
较佳地，因为所述评级模型B的输入数据是所述评级模型A已训练出错的数据，且所述评级模型B基于所述卷积神经网络，因此模型构造更复杂，对特征的分析提取能力更强，由此当所述预测结果A与所述预测结果B不相同时，所述预测结果B的评级准确率会更高，但较佳地，需要提示用户所述客户信息需要进一步分析，所述进一步分析可包括提示用户输入更多的客户信息，以方便获取更多的客户特征等。
步骤八、若所述预测结果A与所述预测结果B相同，则输出所述预测结果A。
可选地，在其他实施例中，智能客户评级程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述智能客户评级程序在智能客户评级装置中的执行过程。
例如，参照图3所示，为本发明智能客户评级装置一实施例中的智能客户评级程序的程序模块示意图，该实施例中，所述智能客户评级程序可以被分割为数据接收并处理模块10、模型训练模块20、客户评级输出模块30示例性地：
所述数据接收并处理模块10用于：接收具有一一对应关系的客户原始信息集和标签集，对所述客户原始信息集进行数据分析得到客户信息集。
所述模型训练模块20用于：将所述客户信息集及所述标签集输入至评级模型A进行评级预测训练，并得到预测标签集A，基于所述预测标签集A，在所述标签集中寻找与所述预测标签集A不相同的标签内容得到错误预测标签集，基于所述一一对应关系得到与所述错误预测标签集对应的错误预测客户信息集；将所述错误预测标签集与所述错误预测客户信息集输入至评级模型B中训练并输出预测标签集B，计算所述预测标签集B与所述错误预测标签集的损失值，若所述损失值小于预设阈值时，所述评级模型B退出训练；
所述客户评级输出模块30用于：接收用户输入的客户信息，将所述客户信息输入至所述评级模型A进行评级预测得到预测结果A后，将所述客户信息输入至所述评级模型B进行评级预测得到预测结果B，判断所述预测结果A与所述预测结果B是否相同，若不相同则输出所述预测结果B并提示用户所述客户信息需进一步补充客户信息，若相同则输出所述预测结果A。
上述数据接收并处理模块10、模型训练模块20、客户评级输出模块30等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有智能客户评级程序，所述智能客户评级程序可被一个或多个处理器执行，以实现如下操作：
接收具有一一对应关系的客户原始信息集和标签集，对所述客户原始信息集进行数据分析得到客户信息集。
将所述客户信息集及所述标签集输入至评级模型A进行评级预测训练，并得到预测标签集A，基于所述预测标签集A，在所述标签集中寻找与所述预测标签集A不相同的标签内容得到错误预测标签集，基于所述一一对应关系得到与所述错误预测标签集对应的错误预测客户信息集；将所述错误预测标签集与所述错误预测客户信息集输入至评级模型B中训练并输出预测标签集B，计算所述预测标签集B与所述错误预测标签集的损失值，若所述损失值小于预设阈值时，所述评级模型B退出训练；
接收用户输入的客户信息，将所述客户信息输入至所述评级模型A进行评级预测得到预测结果A后，将所述客户信息输入至所述评级模型B进行评级预测得到预测结果B，判断所述预测结果A与所述预测结果B是否相同，若不相同则输出所述预测结果B并提示用户所述客户信息需进一步补充客户信息，若相同则输出所述预测结果A。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (4)

1.一种智能客户评级方法，其特征在于，所述方法包括：
接收具有一一对应关系的客户原始信息集和标签集，对所述客户原始信息集进行数据分析得到客户信息集；
将所述客户信息集及所述标签集输入至评级模型A进行评级预测训练，并得到预测标签集A，基于所述预测标签集A，在所述标签集中寻找与所述预测标签集A不相同的标签内容得到错误预测标签集，基于所述一一对应关系得到与所述错误预测标签集对应的错误预测客户信息集；
将所述错误预测标签集与所述错误预测客户信息集输入至评级模型B中训练并输出预测标签集B，计算所述预测标签集B与所述错误预测标签集的损失值，若所述损失值小于预设阈值时，所述评级模型B退出训练；
接收用户输入的客户信息，将所述客户信息输入至所述评级模型A进行评级预测得到预测结果A后，将所述客户信息输入至所述评级模型B进行评级预测得到预测结果B，判断所述预测结果A与所述预测结果B是否相同，若不相同则输出所述预测结果B并提示用户所述客户信息需进一步补充客户信息，若相同则输出所述预测结果A；
其中，对所述客户原始信息集进行数据分析得到客户信息集，包括：去除所述客户原始信息集内客户年龄大于第一预设值或客户年龄小于第二预设值的数据；对去除后的客户原始信息集进行归一化处理得到客户信息集；
将所述客户信息集及所述标签集输入至评级模型A进行评级预测训练，并得到预测标签集A，包括：根据所述客户信息集及所述标签集求解经验熵及经验条件熵；根据所述经验熵及经验条件熵求解信息增益；最大化所述信息增益得到所述预测标签集A；
所述评级模型B包括卷积神经网络、激活函数和损失函数，其中，所述卷积神经网络包括十六层卷积层、十六层池化层和一层全连接层；及所述将所述错误预测标签集与所述错误预测客户信息集输入至评级模型B中训练并输出预测标签集B，计算所述预测标签集B与所述错误预测标签集的损失值，若所述损失值小于预设阈值时，所述评级模型B退出训练，包括：所述卷积神经网络接收所述错误预测客户信息集后，将所述错误预测客户信息集输入至所述十六层卷积层和十六层池化层进行卷积操作和最大池化操作，得到降维数据集，将所述降维数据集输入至全连接层；所述全连接层接收所述降维数据集，并结合所述激活函数计算得到所述预测标签集B，并将所述预测标签集B和所述错误预测标签集输入至所述损失函数中计算出损失值，判断所述损失值与预设阈值的大小关系，直至所述损失值小于所述预设阈值时，所述评级模型B退出训练；
所述经验熵的求解公式为：
其中，H(D)为所述经验熵，D为所述客户信息集的数据个数，Ck为每个标签集对应的所述客户信息集的个数，k为所述标签集个数；
所述经验条件熵的求解公式为：
其中，H(D|A)为所述经验条件熵，A为所述客户信息集所包括的特征，n为所述客户信息集所包括的特征数量，Di代表在每个特征下，所述客户信息集的数据个数，H(Di)为特征确定下的经验熵；
所述信息增益的求解公式为：
g(D,A)＝(D)-(D|A)
其中，g(D,A)为所述信息增益；
所述激活函数为：
其中，y为所述预测标签集B，e为无限不循环小数，ω为输入数据；
所述损失函数为：
其中，T为损失值，n为所述预测标签集B大小，yt为所述预测标签集B，μt为所述错误预测标签集。
2.如权利要求1所述的智能客户评级方法，其特征在于，所述客户原始信息集包括客户年龄、客户性别、客户年收入及客户年支出、客户家庭成员数、客户家庭住址、客户受教育程度；
所述标签集包括拓展型客户、主攻型客户、培育型客户、维持型客户。
3.一种智能客户评级装置，用于实现如权利要求1至2中任一项所述的智能客户评级方法，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的智能客户评级程序，所述智能客户评级程序被所述处理器执行时实现如下步骤：
接收具有一一对应关系的客户原始信息集和标签集，对所述客户原始信息集进行数据分析得到客户信息集；
将所述客户信息集及所述标签集输入至评级模型A进行评级预测训练，并得到预测标签集A，基于所述预测标签集A，在所述标签集中寻找与所述预测标签集A不相同的标签内容得到错误预测标签集，基于所述一一对应关系得到与所述错误预测标签集对应的错误预测客户信息集；
将所述错误预测标签集与所述错误预测客户信息集输入至评级模型B中训练并输出预测标签集B，计算所述预测标签集B与所述错误预测标签集的损失值，若所述损失值小于预设阈值时，所述评级模型B退出训练；
接收用户输入的客户信息，将所述客户信息输入至所述评级模型A进行评级预测得到预测结果A后，将所述客户信息输入至所述评级模型B进行评级预测得到预测结果B，判断所述预测结果A与所述预测结果B是否相同，若不相同则输出所述预测结果B并提示用户所述客户信息需进一步补充客户信息，若相同则输出所述预测结果A。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有智能客户评级程序，所述智能客户评级程序可被一个或者多个处理器执行，以实现如权利要求1至2中任一项所述的智能客户评级方法的步骤。
CN201910766667.5A 2019-08-15 2019-08-15 智能客户评级方法、装置及计算机可读存储介质 Active CN110598995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910766667.5A CN110598995B (zh) 2019-08-15 2019-08-15 智能客户评级方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910766667.5A CN110598995B (zh) 2019-08-15 2019-08-15 智能客户评级方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110598995A CN110598995A (zh) 2019-12-20
CN110598995B true CN110598995B (zh) 2023-08-25

Family

ID=68855016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910766667.5A Active CN110598995B (zh) 2019-08-15 2019-08-15 智能客户评级方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110598995B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178767B (zh) * 2019-12-31 2022-05-20 中国银行股份有限公司 风险控制方法及系统、计算机设备及计算机可读存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107945003A (zh) * 2016-12-30 2018-04-20 上海壹账通金融科技有限公司 信用评估方法及装置
CN108765094A (zh) * 2018-06-06 2018-11-06 中国平安人寿保险股份有限公司 保险数据处理方法、装置、计算机设备和存储介质
CN108985921A (zh) * 2018-06-28 2018-12-11 中国银行股份有限公司 基于人工智能的信用评级方法及装置
CN109002988A (zh) * 2018-07-18 2018-12-14 平安科技（深圳）有限公司 风险旅客流量预测方法、装置、计算机设备和存储介质
CN109063984A (zh) * 2018-07-18 2018-12-21 平安科技（深圳）有限公司 风险旅客方法、装置、计算机设备和存储介质
CN109102159A (zh) * 2018-07-18 2018-12-28 平安科技（深圳）有限公司 旅客评级模型生成方法、装置、计算机设备和存储介质
CN109242631A (zh) * 2018-09-17 2019-01-18 平安科技（深圳）有限公司 产品智能推荐方法、服务器及存储介质
CN109272202A (zh) * 2018-08-24 2019-01-25 中国科学院大学 一种基于卷积神经网络的企业信用评级方法及系统
CN109492859A (zh) * 2018-09-25 2019-03-19 平安科技（深圳）有限公司 基于神经网络模型的员工分类方法及装置、设备、介质
CN109767071A (zh) * 2018-12-14 2019-05-17 深圳壹账通智能科技有限公司 用户信用评级方法、装置、计算机设备以及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9811778B2 (en) * 2013-10-25 2017-11-07 International Business Machines Corporation Social collaboration in probabilistic prediction
US10963941B2 (en) * 2017-09-08 2021-03-30 Nec Corporation Method and system for combining user, item and review representations for recommender systems

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107945003A (zh) * 2016-12-30 2018-04-20 上海壹账通金融科技有限公司 信用评估方法及装置
CN108765094A (zh) * 2018-06-06 2018-11-06 中国平安人寿保险股份有限公司 保险数据处理方法、装置、计算机设备和存储介质
CN108985921A (zh) * 2018-06-28 2018-12-11 中国银行股份有限公司 基于人工智能的信用评级方法及装置
CN109002988A (zh) * 2018-07-18 2018-12-14 平安科技（深圳）有限公司 风险旅客流量预测方法、装置、计算机设备和存储介质
CN109063984A (zh) * 2018-07-18 2018-12-21 平安科技（深圳）有限公司 风险旅客方法、装置、计算机设备和存储介质
CN109102159A (zh) * 2018-07-18 2018-12-28 平安科技（深圳）有限公司 旅客评级模型生成方法、装置、计算机设备和存储介质
CN109272202A (zh) * 2018-08-24 2019-01-25 中国科学院大学 一种基于卷积神经网络的企业信用评级方法及系统
CN109242631A (zh) * 2018-09-17 2019-01-18 平安科技（深圳）有限公司 产品智能推荐方法、服务器及存储介质
CN109492859A (zh) * 2018-09-25 2019-03-19 平安科技（深圳）有限公司 基于神经网络模型的员工分类方法及装置、设备、介质
CN109767071A (zh) * 2018-12-14 2019-05-17 深圳壹账通智能科技有限公司 用户信用评级方法、装置、计算机设备以及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
客户信用评估半监督协同训练模型研究;肖进;薛书田;黄静;谢玲;顾新;;中国管理科学(第06期) *

Also Published As

Publication number Publication date
CN110598995A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
WO2018201646A1 (zh) 模型分析方法、装置、及计算机可读存储介质
CN113159147A (zh) 基于神经网络的图像识别方法、装置、电子设备
CN115082920B (zh) 深度学习模型的训练方法、图像处理方法和装置
CN112328909B (zh) 信息推荐方法、装置、计算机设备及介质
CN110852785B (zh) 用户分级方法、装置及计算机可读存储介质
CN110276382B (zh) 基于谱聚类的人群分类方法、装置及介质
WO2020248366A1 (zh) 文本意图智能分类方法、装置及计算机可读存储介质
CN114118287A (zh) 样本生成方法、装置、电子设备以及存储介质
CN111210071A (zh) 业务对象预测方法、装置、设备及可读存储介质
CN113706291A (zh) 欺诈风险预测方法、装置、设备及存储介质
CN110598995B (zh) 智能客户评级方法、装置及计算机可读存储介质
CN113807728A (zh) 基于神经网络的绩效考核方法、装置、设备及存储介质
CN107798125B (zh) 基于亲密度模型的准入判定方法、系统、设备及存储介质
CN111460293B (zh) 信息推送方法、装置及计算机可读存储介质
CN111241066A (zh) 平台数据库自动化运维方法、装置及计算机可读存储介质
CN111259318A (zh) 智能化的数据优化方法、装置及计算机可读存储介质
CN116777646A (zh) 基于人工智能的风险识别方法、装置、设备及存储介质
CN113722437B (zh) 基于人工智能的用户标签识别方法、装置、设备及介质
CN114090601A (zh) 一种数据筛选方法、装置、设备以及存储介质
CN114492370A (zh) 网页识别方法、装置、电子设备和介质
CN114330576A (zh) 模型处理方法、装置、图像识别方法及装置
CN113743721A (zh) 营销策略生成方法、装置、计算机设备及存储介质
WO2021042517A1 (zh) 基于人工智能的文章主旨提取方法、装置及存储介质
CN111178630A (zh) 一种负荷预测方法及装置
CN110717521A (zh) 智能业务实现方法、装置及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant