CN112487284A - 银行客户画像生成方法、设备、存储介质及装置 - Google Patents
银行客户画像生成方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN112487284A CN112487284A CN202011286110.0A CN202011286110A CN112487284A CN 112487284 A CN112487284 A CN 112487284A CN 202011286110 A CN202011286110 A CN 202011286110A CN 112487284 A CN112487284 A CN 112487284A
- Authority
- CN
- China
- Prior art keywords
- data
- customer
- target
- initial
- bank
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 183
- 230000006870 function Effects 0.000 claims description 89
- 238000003062 neural network model Methods 0.000 claims description 80
- 210000002569 neuron Anatomy 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 238000010276 construction Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013075 data extraction Methods 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 108091006146 Channels Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种银行客户画像生成方法、设备、存储介质及装置,相较于现有的基于业务经验或者简单逻辑规则直接生成银行客户画像的方式,本发明中,通过先通过对目标银行客户的初始数据进行提取,获得初始属性数据以及初始行为数据,再对初始属性数据进行标准化处理,获得目标属性数据,然后根据目标属性数据生成客户属性标签,然后对初始行为数据进行归一化处理,获得目标行为数据,然后根据目标行为数据生成客户行为标签,最后根据客户属性标签以及客户行为标签生成目标银行客户的客户画像,克服了现有技术中画像构建精度低的缺陷,从而能够优化银行客户画像生成过程,提高用户画像精度。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种银行客户画像生成方法、设备、存储介质及装置。
背景技术
随着以往银行单向输出给客户的模式发生变化,客户已经成为营销模式的中心。在客户主导的营销模式下,谁能更快掌握客户的需求,定制契合客户行为的营销模式,就能赢得更多客户的青睐。因此,银行引入客户画像加以对客户作出预测,为客户带来个性化营销。
目前,银行客户画像是基于业务经验或者简单逻辑规则直接生成,存在画像构建精度低、针对画像制定的策略应用效率低等明显缺点。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种银行客户画像生成方法、设备、存储介质及装置,旨在解决如何优化银行客户画像生成过程的技术问题。
为实现上述目的,本发明提供一种银行客户画像生成方法,所述银行客户画像生成方法包括以下步骤:
获取目标银行客户的初始数据,并对所述初始数据进行提取,获得初始属性数据以及初始行为数据;
对所述初始属性数据进行标准化处理,获得目标属性数据,并根据所述目标属性数据生成客户属性标签;
对所述初始行为数据进行归一化处理,获得目标行为数据;
根据所述目标行为数据通过目标神经网络模型生成客户行为标签;
根据所述客户属性标签以及所述客户行为标签确定所述目标银行客户的客户画像。
优选地,所述获取目标银行客户的初始数据,并对所述初始数据进行提取,获得初始属性数据以及初始行为数据的步骤之前,所述银行客户画像生成方法还包括:
获取目标银行客户的历史行为数据,并将所述历史行为数据输入当前神经网络模型,获得当前输出值;
根据所述当前输出值确定当前损失函数值,并判断所述当前损失函数值是否小于预设阈值;
在所述当前损失函数值小于预设阈值时,将所述当前神经网络模型作为目标神经网络模型。
优选地,所述获取目标银行客户的历史行为数据,并将所述历史行为数据输入当前神经网络模型,获得当前输出值的步骤,具体包括:
获取目标银行客户的历史行为数据,并根据所述历史行为数据设置当前神经网络模型的第一连接权重值以及第二连接权重值,所述第一连接权重值为所述当前神经网络模型的输入层神经元与隐藏层神经元之间的连接权重值,所述第二连接权重值为所述当前神经网络模型的隐藏层神经元与输出层神经元之间的连接权重值;
根据所述历史行为数据以及所述第一连接权重值通过预设激活函数确定所述当前神经网络模型的隐藏层数据;
根据所述隐藏层数据以及所述第二连接权重值通过预设激活函数确定所述当前神经网络模型的输出层数据;
根据所述输出层数据确定所述当前神经网络模型的当前输出值。
优选地,所述根据所述当前输出值确定当前损失函数值,并判断所述当前损失函数值是否小于预设阈值的步骤之后,所述银行客户画像生成方法还包括:
在所述当前损失函数值大于预设阈值时,根据所述当前损失函数值对所述第一连接权重值以及所述第二连接权重值进行调整;
返回所述根据所述历史行为数据以及所述第一连接权重值通过预设激活函数确定所述当前神经网络模型的隐藏层数据的步骤,直至所述当前损失函数值小于预设阈值。
优选地,所述根据所述当前输出值确定当前损失函数值,并判断所述当前损失函数值是否小于预设阈值的步骤,具体包括:
对所述历史行为数据进行统计分析,获得分析结果;
根据所述分析结果生成行为标签矩阵,并根据所述行为标签矩阵确定目标值;
根据所述当前输出值以及所述目标值确定当前损失函数值,并判断所述当前损失函数值是否小于预设阈值。
优选地,所述获取目标银行客户的初始数据,并对所述初始数据进行提取,获得初始属性数据以及初始行为数据的步骤,具体包括:
获取目标银行客户的初始数据,并对所述初始数据进行预处理,获得待提取数据;
对所述待提取数据进行标识提取,获得当前数据标识;
根据所述当前数据标识对所述待提取数据进行提取,获得初始属性数据以及初始行为数据。
优选地,所述根据所述客户属性标签以及所述客户行为标签确定所述目标银行客户的客户画像的步骤,具体包括:
通过预设聚类算法对所述客户属性标签以及所述客户行为标签进行标签聚类,获得标签聚类结果;
根据所述标签聚类结果确定所述目标银行客户的客户画像。
此外,为实现上述目的,本发明还提出一种银行客户画像生成设备,所述银行客户画像生成设备包括存储器、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银行客户画像生成程序,所述银行客户画像生成程序配置为实现如上文所述的银行客户画像生成方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有银行客户画像生成程序,所述银行客户画像生成程序被处理器执行时实现如上文所述的银行客户画像生成方法的步骤。
此外,为实现上述目的,本发明还提出一种银行客户画像生成装置,所述银行客户画像生成装置包括:获取模块、生成模块、处理模块和确定模块;
所述获取模块,用于获取目标银行客户的初始数据,并对所述初始数据进行提取,获得初始属性数据以及初始行为数据;
所述生成模块,用于对所述初始属性数据进行标准化处理,获得目标属性数据,并根据所述目标属性数据生成客户属性标签;
所述处理模块,用于对所述初始行为数据进行归一化处理,获得目标行为数据;
所述生成模块,还用于根据所述目标行为数据通过目标神经网络模型生成客户行为标签;
所述确定模块,用于根据所述客户属性标签以及所述客户行为标签确定所述目标银行客户的客户画像。
本发明中,获取目标银行客户的初始数据,并对所述初始数据进行提取,获得初始属性数据以及初始行为数据,对所述初始属性数据进行标准化处理,获得目标属性数据,并根据所述目标属性数据生成客户属性标签,对所述初始行为数据进行归一化处理,获得目标行为数据,根据所述目标行为数据通过目标神经网络模型生成客户行为标签,根据所述客户属性标签以及所述客户行为标签确定所述目标银行客户的客户画像;相较于现有的基于业务经验或者简单逻辑规则直接生成银行客户画像的方式,本发明中,通过先根据初始属性数据生成客户属性标签,再根据初始行为数据生成客户行为标签,最后根据客户属性标签以及客户行为标签生成目标银行客户的客户画像,克服了现有技术中画像构建精度低的缺陷,从而能够优化银行客户画像生成过程,提高用户画像精度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的银行客户画像生成设备的结构示意图;
图2为本发明银行客户画像生成方法第一实施例的流程示意图;
图3为本发明银行客户画像生成方法第二实施例的流程示意图;
图4为本发明银行客户画像生成方法第三实施例的流程示意图;
图5为本发明银行客户画像生成装置第一实施例的结构框图。
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。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的银行客户画像生成设备结构示意图。
如图1所示,该银行客户画像生成设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、客户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。客户接口1003可以包括显示屏(Display),可选客户接口1003还可以包括标准的有线接口、无线接口,对于客户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对银行客户画像生成设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、客户接口模块以及银行客户画像生成程序。
在图1所示的银行客户画像生成设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;客户接口1003主要用于连接客户设备;所述银行客户画像生成设备通过处理器1001调用存储器1005中存储的银行客户画像生成程序,并执行本发明实施例提供的银行客户画像生成方法。
基于上述硬件结构,提出本发明银行客户画像生成方法的实施例。
参照图2,图2为本发明银行客户画像生成方法第一实施例的流程示意图,提出本发明银行客户画像生成方法第一实施例。
步骤S10:获取目标银行客户的初始数据,并对所述初始数据进行提取,获得初始属性数据以及初始行为数据。
应当理解的是,本实施例的执行主体是所述银行客户画像生成设备,其中,所述银行客户画像生成设备可为电脑以及服务器等电子设备,还可为其他可实现相同或相似功能的设备,本实施例对此不作限制,在本实施例以及下述各实施例中,以银行客户画像生成设备为例对本发明银行客户画像生成方法进行说明。
需要说明的是,目标银行客户可以是需要构建客户画像的银行客户;初始数据可以是存储在预设数据库中的原始数据,其中,预设数据库可以是用来存储银行客户的属性数据以及行为数据的数据库,本实施例对此不加以限制;初始属性数据可以是性别、年龄、职业、婚姻状况等基本的人口统计属性,银行内部的客户会员等级、存贷款、金融投资等相对稳定的数据;初始行为数据可以是客户在互联网上、银行网点上的行为,本实施例对此不加以限制。
可以理解的是,对初始数据进行提取,获得初始属性数据以及初始行为数据可以是基于预设数据提取脚本直接对初始数据进行提取,获得初始属性数据以及初始行为数据,其中,预设数据提取脚本可以是用户预先设置的数据处理脚本。
进一步地,为了提高数据可靠性,所述获取目标银行客户的初始数据,并对所述初始数据进行提取,获得初始属性数据以及初始行为数据,包括:
获取目标银行客户的初始数据,并对所述初始数据进行预处理,获得待提取数据,对所述待提取数据进行标识提取,获得当前数据标识,根据所述当前数据标识对所述待提取数据进行提取。
进一步地,为了预先构建精确度较高的目标神经网络模型,所述获取目标银行客户的初始数据,并对所述初始数据进行提取,获得初始属性数据以及初始行为数据之前,还包括:
获取目标银行客户的历史行为数据,并将所述历史行为数据输入当前神经网络模型,获得当前输出值,根据所述当前输出值确定当前损失函数值,并判断所述当前损失函数值是否小于预设阈值,在所述当前损失函数值小于预设阈值时,将所述当前神经网络模型作为目标神经网络模型。
步骤S20:对所述初始属性数据进行标准化处理,获得目标属性数据,并根据所述目标属性数据生成客户属性标签。
应当理解的是,对初始属性数据进行标准化处理,获得目标属性数据可以是选取相对稳定的初始属性数据作为目标属性数据。
步骤S30:对所述初始行为数据进行归一化处理,获得目标行为数据。
可以理解的是,对初始行为数据进行归一化处理,获得目标行为数据可以是通过预设归一化处理公式对初始行为数据进行归一化处理,获得目标行为数据,
其中,预设归一化处理公式如下所示:
式中,xi为初始行为数据,x′i为目标行为数据,n为初始行为数据的个数。
步骤S40:根据所述目标行为数据通过目标神经网络模型生成客户行为标签。
应当理解的是,根据目标行为数据通过目标神经网络模型生成客户行为标签可以是将目标行为数据输入目标神经网络模型的输入层,获得输出数据,并根据输出数据生成客户行为标签。
步骤S50:根据所述客户属性标签以及所述客户行为标签确定所述目标银行客户的客户画像。
应当理解的是,根据客户属性标签以及客户行为标签确定目标银行客户的客户画像可以是将客户属性标签以及客户行为标签输入预设用户画像模型,获得目标银行客户的客户画像,其中,预设用户画像模型可以是用户预先设置的用户画像样本。
进一步地,为了提高用户画像的准确性,所述根据所述客户属性标签以及所述客户行为标签确定所述目标银行客户的客户画像,包括:
通过预设聚类算法对所述客户属性标签以及所述客户行为标签进行标签聚类,获得标签聚类结果,根据所述标签聚类结果确定所述目标银行客户的客户画像。
在第一实施例中,获取目标银行客户的初始数据,并对所述初始数据进行提取,获得初始属性数据以及初始行为数据,对所述初始属性数据进行标准化处理,获得目标属性数据,并根据所述目标属性数据生成客户属性标签,对所述初始行为数据进行归一化处理,获得目标行为数据,根据所述目标行为数据通过目标神经网络模型生成客户行为标签,根据所述客户属性标签以及所述客户行为标签确定所述目标银行客户的客户画像;相较于现有的基于业务经验或者简单逻辑规则直接生成银行客户画像的方式,本发明中,通过先根据初始属性数据生成客户属性标签,再根据初始行为数据生成客户行为标签,最后根据客户属性标签以及客户行为标签生成目标银行客户的客户画像,克服了现有技术中画像构建精度低的缺陷,从而能够优化银行客户画像生成过程,提高用户画像精度。
参照图3,图3为本发明银行客户画像生成方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明银行客户画像生成方法的第二实施例。
在第二实施例中,所述步骤S10之前,还包括:
步骤S01:获取目标银行客户的历史行为数据,并将所述历史行为数据输入当前神经网络模型,获得当前输出值。
需要说明的是,历史行为数据可以是目标银行客户在预设时间间隔内的互联网行为数据以及银行网点行为数据等,本实施例对此不加以限制,其中,预设时间间隔可以由银行客户画像生成设备的管理端根据实际需求预先设置;初始神经网络可以是一个3层BP神经网络,由输入层、隐藏层以及输出层组成,其中,输入层、隐藏层以及输出层又由多个神经元节点构成。
应当理解的是,获取目标银行客户的历史行为数据可以是获取目标银行客户的身份标识,在根据身份标识在预设数据库中查找目标银行客户对应的历史行为数据,其中,预设数据库可以是用来存储行为数据的数据库。
进一步地,为了保证生成的当前输出值具有较高的准确性以及可靠性,所述步骤S01,包括:
获取目标银行客户的历史行为数据,并根据所述历史行为数据设置当前神经网络模型的第一连接权重值以及第二连接权重值,所述第一连接权重值为所述当前神经网络模型的输入层神经元与隐藏层神经元之间的连接权重值,所述第二连接权重值为所述当前神经网络模型的隐藏层神经元与输出层神经元之间的连接权重值;
根据所述历史行为数据以及所述第一连接权重值通过预设激活函数确定所述当前神经网络模型的隐藏层数据;
根据所述隐藏层数据以及所述第二连接权重值通过预设激活函数确定所述当前神经网络模型的输出层数据;
根据所述输出层数据确定所述当前神经网络模型的当前输出值。
需要说明的是,第一连接权重值可以是当前神经网络模型的输入层神经元与隐藏层神经元之间的连接权重值;第二连接权重值可以是当前神经网络模型的隐藏层神经元与输出层神经元之间的连接权重值;预设激活函数可以是Sigmoid函数。
应当理解的是,根据历史行为数据以及第一连接权重值通过预设激活函数确定所述当前神经网络模型的隐藏层数据可以如下式所示:
yj=f(netj),j=1,2,...m
式中,yj为隐藏层数据,xi为历史行为数据,vij为第一连接权重值,n为历史行为数据的数据个数,m为隐藏层数据的数据个数,f为Sigmoid函数。
可以理解的是,根据隐藏层数据以及第二连接权重值通过预设激活函数确定所述当前神经网络模型的输出层数据可以如下式所示:
zk=f(netk),k=1,2,...L
式中,zk为输出层数据,wkj为第二连接权重值,L为输出层数据的数据个数,m为隐藏层数据的数据个数,f为Sigmoid函数。
步骤S02:根据所述当前输出值确定当前损失函数值,并判断所述当前损失函数值是否小于预设阈值。
应当理解的是,根据当前输出值确定当前损失函数值可以是将当前输出值输入预设当前损失函数值计算脚本,获得当前损失函数值,其中,预设当前损失函数值计算脚本可以是用户预先设置的计算脚本,本实施例对此不加以限制。
进一步地,考虑到实际应用中,若直接将当前输出值输入预设当前损失函数值计算脚本,获得当前损失函数值,势必会导致准确性低、对用户需求不敏感。为克服这一缺陷,所述步骤S02,包括:
对所述历史行为数据进行统计分析,获得分析结果;
根据所述分析结果生成行为标签矩阵,并根据所述行为标签矩阵确定目标值;
根据所述当前输出值以及所述目标值确定当前损失函数值,并判断所述当前损失函数值是否小于预设阈值。
需要说明的是,预设阈值可以是用户预先设置的数值,用来判断神经网络模型的精确度是否满足用户需求。
应当理解的是,对历史行为数据进行统计分析,获得分析结果可以是将客户价值、购买力、渠道活跃度以及流失可能性组成等行为数据进行分析,获得分析结果。
可以理解的是,根据当前输出值以及目标值确定当前损失函数值可以是根据当前输出值以及目标值通过预设损失函数计算公式计算当前损失函数值,
其中,预设损失函数计算公式如下所示:
式中,Loss为当前损失函数值,ytruth为当前输出值,ypre为目标值,L为输出层数据的数据个数。
进一步地,为了在当前神经网络模型不满足用户需求时,及时对当前神经网络模型进行更新,所述步骤S03之后,还包括:
在所述当前损失函数值大于预设阈值时,根据所述当前损失函数值对所述第一连接权重值以及所述第二连接权重值进行调整;
返回所述根据所述历史行为数据以及所述第一连接权重值通过预设激活函数确定所述当前神经网络模型的隐藏层数据的步骤,直至所述当前损失函数值小于预设阈值。
应当理解的是,在当前损失函数值大于预设阈值时,说明当前神经网络模型的精确度较低,此时,需要对当前神经网络模型进行训练。因此,需要根据当前损失函数值对第一连接权重值以及第二连接权重值进行调整。
可以理解的是,根据当前损失函数值对第一连接权重值以及第二连接权重值进行调整可以是在预设映射关系表中查找当前损失函数值对应的权重调整值,预设映射关系表中包含当前损失函数值与权重调整值之间的对应关系,当前损失函数值与权重调整值之间的对应关系可以由用户根据实际情况预先设置,本实施例对此不加以限制,根据权重调整值对第一连接权重值以及第二连接权重值进行调整。
应当理解的是,在对第一连接权重值以及第二连接权重值调整结束后,需要返回根据历史行为数据以及第一连接权重值通过预设激活函数确定当前神经网络模型的隐藏层数据的步骤,直至当前损失函数值小于预设阈值。
步骤S03:在所述当前损失函数值小于预设阈值时,将所述当前神经网络模型作为目标神经网络模型。
应当理解的是,在当前损失函数值小于预设阈值时,说明当前神经网络模型的精确度较高,可以直接将当前神经网络模型作为目标神经网络模型。
在第二实施例中,通过获取目标银行客户的历史行为数据,并将所述历史行为数据输入当前神经网络模型,获得当前输出值,根据所述当前输出值确定当前损失函数值,并判断所述当前损失函数值是否小于预设阈值,在所述当前损失函数值小于预设阈值时,将所述当前神经网络模型作为目标神经网络模型,从而能够预先构建精确度较高的目标神经网络模型。
参照图4,图4为本发明银行客户画像生成方法第三实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明银行客户画像生成方法的第三实施例。
在第三实施例中,所述步骤S10,包括:
步骤S101:获取目标银行客户的初始数据,并对所述初始数据进行预处理,获得待提取数据。
需要说明的是,目标银行客户可以是需要构建客户画像的银行客户;初始数据可以是存储在预设数据库中的原始数据,其中,预设数据库可以是用来存储银行客户的属性数据以及行为数据的数据库,本实施例对此不加以限制。
应当理解的是,对初始数据进行预处理,获得待提取数据可以是对初始数据进行数据清洗以及数据聚合,获得待提取数据。
步骤S102:对所述待提取数据进行标识提取,获得当前数据标识。
需要说明的是,当前数据标识可以是用来标识数据种类的信息,本实施例对此不加以限制。
步骤S103:根据所述当前数据标识对所述待提取数据进行提取,获得初始属性数据以及初始行为数据。
需要说明的是,初始属性数据可以是性别、年龄、职业、婚姻状况等基本的人口统计属性,银行内部的客户会员等级、存贷款、金融投资等相对稳定的数据;初始行为数据可以是客户在互联网上、银行网点上的行为,本实施例对此不加以限制。
应当理解的是,根据当前数据标识对待提取数据进行提取,获得初始属性数据以及初始行为数据可以是根据当前数据标识对待提取数据进行分类,获得分类结果,根据分类结果对待提取数据进行提取,获得初始属性数据以及初始行为数据。
在第三实施例中,通过获取目标银行客户的初始数据,并对所述初始数据进行预处理,获得待提取数据,对所述待提取数据进行标识提取,获得当前数据标识,根据所述当前数据标识对所述待提取数据进行提取,获得初始属性数据以及初始行为数据,从而能够提高数据可靠性。
在第三实施例中,所述步骤S50,包括:
步骤S501:通过预设聚类算法对所述客户属性标签以及所述客户行为标签进行标签聚类,获得标签聚类结果。
需要说明的是,预设聚类算法可以是模糊聚类算法等,本实施例对此不加以限制。
应当理解的是,通过预设聚类算法对客户属性标签以及客户行为标签进行标签聚类,获得标签聚类结果可以是通过模糊聚类算法对客户属性标签以及客户行为标签进行标签聚类,获得标签聚类结果。
步骤S502:根据所述标签聚类结果确定所述目标银行客户的客户画像。
可以理解的是,根据标签聚类结果确定目标银行客户的客户画像可以是统计标签聚类结果,并根据统计结果确定目标银行客户的客户画像。
在第三实施例中,通过预设聚类算法对所述客户属性标签以及所述客户行为标签进行标签聚类,获得标签聚类结果,根据所述标签聚类结果确定所述目标银行客户的客户画像;从而能够提高用户画像的准确性。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有银行客户画像生成程序,所述银行客户画像生成程序被处理器执行时实现如上文所述的银行客户画像生成方法的步骤。
此外,参照图5,本发明实施例还提出一种银行客户画像生成装置,所述银行客户画像生成装置包括:获取模块10、生成模块20、处理模块30和确定模块40;
所述获取模块10,用于获取目标银行客户的初始数据,并对所述初始数据进行提取,获得初始属性数据以及初始行为数据。
需要说明的是,目标银行客户可以是需要构建客户画像的银行客户;初始数据可以是存储在预设数据库中的原始数据,其中,预设数据库可以是用来存储银行客户的属性数据以及行为数据的数据库,本实施例对此不加以限制;初始属性数据可以是性别、年龄、职业、婚姻状况等基本的人口统计属性,银行内部的客户会员等级、存贷款、金融投资等相对稳定的数据;初始行为数据可以是客户在互联网上、银行网点上的行为,本实施例对此不加以限制。
可以理解的是,对初始数据进行提取,获得初始属性数据以及初始行为数据可以是基于预设数据提取脚本直接对初始数据进行提取,获得初始属性数据以及初始行为数据,其中,预设数据提取脚本可以是用户预先设置的数据处理脚本。
进一步地,为了提高数据可靠性,所述获取目标银行客户的初始数据,并对所述初始数据进行提取,获得初始属性数据以及初始行为数据,包括:
获取目标银行客户的初始数据,并对所述初始数据进行预处理,获得待提取数据,对所述待提取数据进行标识提取,获得当前数据标识,根据所述当前数据标识对所述待提取数据进行提取。
进一步地,为了预先构建精确度较高的目标神经网络模型,所述获取目标银行客户的初始数据,并对所述初始数据进行提取,获得初始属性数据以及初始行为数据之前,还包括:
获取目标银行客户的历史行为数据,并将所述历史行为数据输入当前神经网络模型,获得当前输出值,根据所述当前输出值确定当前损失函数值,并判断所述当前损失函数值是否小于预设阈值,在所述当前损失函数值小于预设阈值时,将所述当前神经网络模型作为目标神经网络模型。
所述生成模块20,用于对所述初始属性数据进行标准化处理,获得目标属性数据,并根据所述目标属性数据生成客户属性标签。
应当理解的是,对初始属性数据进行标准化处理,获得目标属性数据可以是选取相对稳定的初始属性数据作为目标属性数据。
所述处理模块30,用于对所述初始行为数据进行归一化处理,获得目标行为数据。
可以理解的是,对初始行为数据进行归一化处理,获得目标行为数据可以是通过预设归一化处理公式对初始行为数据进行归一化处理,获得目标行为数据,
其中,预设归一化处理公式如下所示:
式中,xi为初始行为数据,x′i为目标行为数据,n为初始行为数据的个数。
所述生成模块20,还用于根据所述目标行为数据通过目标神经网络模型生成客户行为标签。
应当理解的是,根据目标行为数据通过目标神经网络模型生成客户行为标签可以是将目标行为数据输入目标神经网络模型的输入层,获得输出数据,并根据输出数据生成客户行为标签。
所述确定模块40,用于根据所述客户属性标签以及所述客户行为标签确定所述目标银行客户的客户画像。
应当理解的是,根据客户属性标签以及客户行为标签确定目标银行客户的客户画像可以是将客户属性标签以及客户行为标签输入预设用户画像模型,获得目标银行客户的客户画像,其中,预设用户画像模型可以是用户预先设置的用户画像样本。
进一步地,为了提高用户画像的准确性,所述根据所述客户属性标签以及所述客户行为标签确定所述目标银行客户的客户画像,包括:
通过预设聚类算法对所述客户属性标签以及所述客户行为标签进行标签聚类,获得标签聚类结果,根据所述标签聚类结果确定所述目标银行客户的客户画像。
在本实施例中,获取目标银行客户的初始数据,并对所述初始数据进行提取,获得初始属性数据以及初始行为数据,对所述初始属性数据进行标准化处理,获得目标属性数据,并根据所述目标属性数据生成客户属性标签,对所述初始行为数据进行归一化处理,获得目标行为数据,根据所述目标行为数据通过目标神经网络模型生成客户行为标签,根据所述客户属性标签以及所述客户行为标签确定所述目标银行客户的客户画像;相较于现有的基于业务经验或者简单逻辑规则直接生成银行客户画像的方式,本发明中,通过先根据初始属性数据生成客户属性标签,再根据初始行为数据生成客户行为标签,最后根据客户属性标签以及客户行为标签生成目标银行客户的客户画像,克服了现有技术中画像构建精度低的缺陷,从而能够优化银行客户画像生成过程,提高用户画像精度。
在一实施例中,所述银行客户画像生成装置还包括:训练模块;
所述训练模块,用于获取目标银行客户的历史行为数据,并将所述历史行为数据输入当前神经网络模型,获得当前输出值,根据所述当前输出值确定当前损失函数值,并判断所述当前损失函数值是否小于预设阈值,在所述当前损失函数值小于预设阈值时,将所述当前神经网络模型作为目标神经网络模型;
在一实施例中,所述训练模块,还用于获取目标银行客户的历史行为数据,并根据所述历史行为数据设置当前神经网络模型的第一连接权重值以及第二连接权重值,所述第一连接权重值为所述当前神经网络模型的输入层神经元与隐藏层神经元之间的连接权重值,所述第二连接权重值为所述当前神经网络模型的隐藏层神经元与输出层神经元之间的连接权重值,根据所述历史行为数据以及所述第一连接权重值通过预设激活函数确定所述当前神经网络模型的隐藏层数据,根据所述隐藏层数据以及所述第二连接权重值通过预设激活函数确定所述当前神经网络模型的输出层数据,根据所述输出层数据确定所述当前神经网络模型的当前输出值;
在一实施例中,所述训练模块,还用于在所述当前损失函数值大于预设阈值时,根据所述当前损失函数值对所述第一连接权重值以及所述第二连接权重值进行调整,返回所述根据所述历史行为数据以及所述第一连接权重值通过预设激活函数确定所述当前神经网络模型的隐藏层数据的步骤,直至所述当前损失函数值小于预设阈值;
在一实施例中,所述训练模块,还用于对所述历史行为数据进行统计分析,获得分析结果,根据所述分析结果生成行为标签矩阵,并根据所述行为标签矩阵确定目标值,根据所述当前输出值以及所述目标值确定当前损失函数值,并判断所述当前损失函数值是否小于预设阈值;
在一实施例中,所述获取模块10,还用于获取目标银行客户的初始数据,并对所述初始数据进行预处理,获得待提取数据,对所述待提取数据进行标识提取,获得当前数据标识,根据所述当前数据标识对所述待提取数据进行提取,获得初始属性数据以及初始行为数据;
在一实施例中,所述确定模块50,还用于通过预设聚类算法对所述客户属性标签以及所述客户行为标签进行标签聚类,获得标签聚类结果,根据所述标签聚类结果确定所述目标银行客户的客户画像。
本发明所述银行客户画像生成装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,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、方法、物品或者系统不仅包括那些要素,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、方法、物品或者系统所固有的要素。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、方法、物品或者系统中还存在另外的相同要素。
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。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
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一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,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,空调器,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 (10)
1.一种银行客户画像生成方法,其特征在于,所述银行客户画像生成方法包括以下步骤:
获取目标银行客户的初始数据,并对所述初始数据进行提取,获得初始属性数据以及初始行为数据;
对所述初始属性数据进行标准化处理,获得目标属性数据,并根据所述目标属性数据生成客户属性标签;
对所述初始行为数据进行归一化处理,获得目标行为数据;
根据所述目标行为数据通过目标神经网络模型生成客户行为标签;
根据所述客户属性标签以及所述客户行为标签确定所述目标银行客户的客户画像。
2.如权利要求1所述的银行客户画像生成方法,其特征在于,所述获取目标银行客户的初始数据,并对所述初始数据进行提取,获得初始属性数据以及初始行为数据的步骤之前,所述银行客户画像生成方法还包括:
获取目标银行客户的历史行为数据,并将所述历史行为数据输入当前神经网络模型,获得当前输出值;
根据所述当前输出值确定当前损失函数值,并判断所述当前损失函数值是否小于预设阈值;
在所述当前损失函数值小于预设阈值时,将所述当前神经网络模型作为目标神经网络模型。
3.如权利要求2所述的银行客户画像生成方法,其特征在于,所述获取目标银行客户的历史行为数据,并将所述历史行为数据输入当前神经网络模型,获得当前输出值的步骤,具体包括:
获取目标银行客户的历史行为数据,并根据所述历史行为数据设置当前神经网络模型的第一连接权重值以及第二连接权重值,所述第一连接权重值为所述当前神经网络模型的输入层神经元与隐藏层神经元之间的连接权重值,所述第二连接权重值为所述当前神经网络模型的隐藏层神经元与输出层神经元之间的连接权重值;
根据所述历史行为数据以及所述第一连接权重值通过预设激活函数确定所述当前神经网络模型的隐藏层数据;
根据所述隐藏层数据以及所述第二连接权重值通过预设激活函数确定所述当前神经网络模型的输出层数据;
根据所述输出层数据确定所述当前神经网络模型的当前输出值。
4.如权利要求3所述的银行客户画像生成方法,其特征在于,所述根据所述当前输出值确定当前损失函数值,并判断所述当前损失函数值是否小于预设阈值的步骤之后,所述银行客户画像生成方法还包括:
在所述当前损失函数值大于预设阈值时,根据所述当前损失函数值对所述第一连接权重值以及所述第二连接权重值进行调整;
返回所述根据所述历史行为数据以及所述第一连接权重值通过预设激活函数确定所述当前神经网络模型的隐藏层数据的步骤,直至所述当前损失函数值小于预设阈值。
5.如权利要求2所述的银行客户画像生成方法,其特征在于,所述根据所述当前输出值确定当前损失函数值,并判断所述当前损失函数值是否小于预设阈值的步骤,具体包括:
对所述历史行为数据进行统计分析,获得分析结果;
根据所述分析结果生成行为标签矩阵,并根据所述行为标签矩阵确定目标值;
根据所述当前输出值以及所述目标值确定当前损失函数值,并判断所述当前损失函数值是否小于预设阈值。
6.如权利要求1-5中任一项所述的银行客户画像生成方法,其特征在于,所述获取目标银行客户的初始数据,并对所述初始数据进行提取,获得初始属性数据以及初始行为数据的步骤,具体包括:
获取目标银行客户的初始数据,并对所述初始数据进行预处理,获得待提取数据;
对所述待提取数据进行标识提取,获得当前数据标识;
根据所述当前数据标识对所述待提取数据进行提取,获得初始属性数据以及初始行为数据。
7.如权利要求1-5中任一项所述的银行客户画像生成方法,其特征在于,所述根据所述客户属性标签以及所述客户行为标签确定所述目标银行客户的客户画像的步骤,具体包括:
通过预设聚类算法对所述客户属性标签以及所述客户行为标签进行标签聚类,获得标签聚类结果;
根据所述标签聚类结果确定所述目标银行客户的客户画像。
8.一种银行客户画像生成设备,其特征在于,所述银行客户画像生成设备包括: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银行客户画像生成程序,所述银行客户画像生成程序被所述处理器执行时实现如权利要求1至7中任一项所述的银行客户画像生成方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有银行客户画像生成程序,所述银行客户画像生成程序被处理器执行时实现如权利要求1至7中任一项所述的银行客户画像生成方法的步骤。
10.一种银行客户画像生成装置,其特征在于,所述银行客户画像生成装置包括:获取模块、生成模块、处理模块和确定模块;
所述获取模块,用于获取目标银行客户的初始数据,并对所述初始数据进行提取,获得初始属性数据以及初始行为数据;
所述生成模块,用于对所述初始属性数据进行标准化处理,获得目标属性数据,并根据所述目标属性数据生成客户属性标签;
所述处理模块,用于对所述初始行为数据进行归一化处理,获得目标行为数据;
所述生成模块,还用于根据所述目标行为数据通过目标神经网络模型生成客户行为标签;
所述确定模块,用于根据所述客户属性标签以及所述客户行为标签确定所述目标银行客户的客户画像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011286110.0A CN112487284A (zh) | 2020-11-17 | 2020-11-17 | 银行客户画像生成方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011286110.0A CN112487284A (zh) | 2020-11-17 | 2020-11-17 | 银行客户画像生成方法、设备、存储介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112487284A true CN112487284A (zh) | 2021-03-12 |
Family
ID=74931053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011286110.0A Withdrawn CN112487284A (zh) | 2020-11-17 | 2020-11-17 | 银行客户画像生成方法、设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112487284A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240517A (zh) * | 2021-06-21 | 2021-08-10 | 中国银行股份有限公司 | 基于区块链的银行多平台跨场景用户标签共享方法及装置 |
CN114004651A (zh) * | 2021-11-02 | 2022-02-01 | 武汉市伟荣发信息科技有限公司 | 一种获客渠道信息统计整理系统 |
CN115049423A (zh) * | 2022-05-27 | 2022-09-13 | 平安银行股份有限公司 | 客户画像生成方法、装置、设备及存储介质 |
CN115205011A (zh) * | 2022-06-15 | 2022-10-18 | 海南大学 | 基于lsf-fc算法的银行用户画像模型生成方法 |
-
2020
- 2020-11-17 CN CN202011286110.0A patent/CN112487284A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240517A (zh) * | 2021-06-21 | 2021-08-10 | 中国银行股份有限公司 | 基于区块链的银行多平台跨场景用户标签共享方法及装置 |
CN114004651A (zh) * | 2021-11-02 | 2022-02-01 | 武汉市伟荣发信息科技有限公司 | 一种获客渠道信息统计整理系统 |
CN115049423A (zh) * | 2022-05-27 | 2022-09-13 | 平安银行股份有限公司 | 客户画像生成方法、装置、设备及存储介质 |
CN115205011A (zh) * | 2022-06-15 | 2022-10-18 | 海南大学 | 基于lsf-fc算法的银行用户画像模型生成方法 |
CN115205011B (zh) * | 2022-06-15 | 2023-08-08 | 海南大学 | 基于lsf-fc算法的银行用户画像模型生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596630B (zh) | 基于深度学习的欺诈交易识别方法、系统及存储介质 | |
CN112487284A (zh) | 银行客户画像生成方法、设备、存储介质及装置 | |
CN110704730B (zh) | 基于大数据的产品数据推送方法、系统及计算机设备 | |
CN113011889B (zh) | 账号异常识别方法、系统、装置、设备及介质 | |
CN111325248A (zh) | 降低贷前业务风险的方法及系统 | |
CN111062444B (zh) | 信用风险预测方法、系统、终端及存储介质 | |
CN112529665A (zh) | 基于组合模型的产品推荐方法、装置及计算机设备 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN112396079A (zh) | 号码识别模型训练方法、号码识别方法及装置 | |
CN112950347A (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
CN111415167B (zh) | 网络欺诈交易检测方法及装置、计算机存储介质和终端 | |
CN111091408A (zh) | 用户识别模型创建方法、装置与识别方法、装置 | |
CN115577172A (zh) | 物品推荐方法、装置、设备及介质 | |
CN112990989B (zh) | 价值预测模型输入数据生成方法、装置、设备和介质 | |
CN113420789B (zh) | 一种预测风险账号的方法、装置、存储介质和计算机设备 | |
CN111373395A (zh) | 基于层次聚类的人工智能系统和方法 | |
CN117575773A (zh) | 业务数据的确定方法、装置、计算机设备、存储介质 | |
CN116821759A (zh) | 类别标签的识别预测方法、装置和处理器及电子设备 | |
CN116151857A (zh) | 一种营销模型的构建方法及装置 | |
CN113706258B (zh) | 基于组合模型的产品推荐方法、装置、设备及存储介质 | |
CN115293783A (zh) | 风险用户识别方法、装置、计算机设备和存储介质 | |
CN115293867A (zh) | 财务报销用户画像优化方法、装置、设备及存储介质 | |
CN114429178A (zh) | 显著标签生成方法、设备及存储介质 | |
CN113487320A (zh) | 欺诈交易检测方法、装置、计算机设备和存储介质 | |
CN113744030A (zh) | 基于ai用户画像的推荐方法、装置、服务器及介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210312 |