CN113780806A - 基于决策树的经纪人匹配方法、装置、设备及存储介质 - Google Patents

Abstract

本申请涉及人工智能技术领域，揭露一种基于决策树的经纪人匹配方法、装置、设备及存储介质，其中方法包括通过获取获取客户行为数据和多个经纪人行为数据，并基于客户行为数据和多个经纪人行为数据，获取客户标签初始得分以及多个经纪人标签初始得分；通过训练好的决策树模型将客户标签数据以及多个经纪人标签数据进行打分，得到客户标签目标得分以及多个经纪人标签目标得分，再基于客户标签目标得分以及多个经纪人标签目标得分，得到目标经纪人。本申请还涉及区块链技术，客户行为数据存储于区块链中。本申请通过对客户和经纪进行标签匹配，有利于提高客户与经纪人匹配精度。

Description

基于决策树的经纪人匹配方法、装置、设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于决策树的经纪人匹配方法、装置、设备及存储介质。

背景技术

在一些行业中，如贷款行业中，需要向客户匹配对应的经纪人，该经纪人负责向客户介绍和处理行业内的业务。例如，在贷款行业内的普遍做法都是经纪人主动获客的模式，往往都是经纪人主动去匹配客户，但是在这种情况下，由于这种匹配机制是随机的，容易造成客户和经纪人之间业务能力并不匹配。

为了解决上述问题，现有方法是将经纪人根据其性格或业绩水平，赋予其对应的标签，然后客户根据对应的标签，选择对应的经纪人。然而这种方式未能够充分考虑到客户的性格、能力，也为对经纪人的标签进行深层次的处理，这使得客户与经纪人匹配的精度较低。现亟需一种能够提高客户与经纪人匹配精度的方法。

发明内容

本申请实施例的目的在于提出一种基于决策树的经纪人匹配方法、装置、设备及存储介质，以提高客户与经纪人的匹配精度。

为了解决上述技术问题，本申请实施例提供一种基于决策树的经纪人匹配方法，包括：

通过页面埋点，获取客户行为数据和多个经纪人行为数据；

获取预设的客户标签与经纪人标签，并基于所述客户标签与所述经纪人标签对所述客户行为数据以及多个所述经纪人行为数据进行数据提取，得到客户标签数据以及多个经纪人标签数据；

基于预设打分规则，对所述客户标签数据以及多个所述经纪人标签数据进行标签打分，得到客户标签初始得分以及多个经纪人标签初始得分；

通过训练好的决策树模型将所述客户标签数据以及多个所述经纪人标签数据，分别基于所述客户标签初始得分以及多个所述经纪人标签初始得分进行分割，得到客户标签目标得分以及多个经纪人标签目标得分；

按照预设标签匹配规则，将所述经纪人标签目标得分与所述客户标签目标得分进行匹配计算，得到匹配值，并选取最高所述匹配值对应的经纪人，作为目标经纪人。

为了解决上述技术问题，本申请实施例提供一种基于决策树的经纪人匹配装置，包括：

行为数据获取模块，用于通过页面埋点，获取客户行为数据和多个经纪人行为数据；

标签数据提取模块，用于获取预设的客户标签与经纪人标签，并基于所述客户标签与所述经纪人标签对所述客户行为数据以及多个所述经纪人行为数据进行数据提取，得到客户标签数据以及多个经纪人标签数据；

标签数据打分模块，用于基于预设打分规则，对所述客户标签数据以及多个所述经纪人标签数据进行标签打分，得到客户标签初始得分以及多个经纪人标签初始得分；

目标得分获取模块，用于通过训练好的决策树模型将所述客户标签数据以及多个所述经纪人标签数据，分别基于所述客户标签初始得分以及多个所述经纪人标签初始得分进行分割，得到客户标签目标得分以及多个经纪人标签目标得分；

目标得分匹配模块，用于按照预设标签匹配规则，将所述经纪人标签目标得分与所述客户标签目标得分进行匹配计算，得到匹配值，并选取最高所述匹配值对应的经纪人，作为目标经纪人。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种计算机设备，包括，一个或多个处理器；存储器，用于存储一个或多个程序，使得一个或多个处理器实现上述任意一项所述的基于决策树的经纪人匹配方法。

为解决上述技术问题，本发明采用的一个技术方案是：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基于决策树的经纪人匹配方法。

本发明实施例提供了一种基于决策树的经纪人匹配方法、装置、设备及存储介质，通过对客户和经纪人的行为数据进行分析，获取对应的标签数据，并基于决策树将每种标签进行打分，再将标签得分进行匹配计算，从而匹配到客户最佳的经纪人，实现了从不同标签方向对客户与经纪人匹配进行分析，有利于提高客户与经纪人匹配精度。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请实施例提供的基于决策树的经纪人匹配方法的应用环境示意图；

图2根据本申请实施例提供的基于决策树的经纪人匹配方法的一实现流程图；

图3是本申请实施例提供的基于决策树的经纪人匹配方法中子流程的一实现流程图；

图4是本申请实施例提供的基于决策树的经纪人匹配方法中子流程的又一实现流程图；

图5是本申请实施例提供的基于决策树的经纪人匹配方法中子流程的又一实现流程图；

图6是本申请实施例提供的基于决策树的经纪人匹配方法中子流程的又一实现流程图；

图7是本申请实施例提供的基于决策树的经纪人匹配方法中子流程的又一实现流程图；

图8是本申请实施例提供的基于决策树的经纪人匹配方法中子流程的又一实现流程图；

图9是本申请实施例提供的基于决策树的经纪人匹配装置示意图；

图10是本申请实施例提供的计算机设备的示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

下面结合附图和实施方式对本发明进行详细说明。

请参阅图1，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、搜索类应用、即时通信工具等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

本申请实施例可以基于人工智能技术对客户行为数据和经纪人行为数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

需要说明的是，本申请实施例所提供的基于决策树的经纪人匹配方法一般由服务器执行，相应地，基于决策树的经纪人匹配装置一般配置于服务器中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

请参阅图2，图2示出了基于决策树的经纪人匹配方法的一种具体实施方式。

需注意的是，若有实质上相同的结果，本发明的方法并不以图2所示的流程顺序为限，该方法包括如下步骤：

S1.通过页面埋点，获取客户行为数据和多个经纪人行为数据。

在本申请实施例中，为了更清楚的理解技术方案，下面对本申请所涉及的终端进行详细介绍。

一是服务器，服务器能够接收用户端的匹配经纪人要求，根据该匹配经纪人要求，基于页面埋点获取客户行为数据和多个经纪人行为数据，再对客户行为数据和多个经纪人行为数据进行数据分析，得到目标经纪人；服务器还可以将目标经纪人信息返回至用户端。

二是用户端，用户端向服务器发送经纪人匹配要求，也可以接收服务器所返回的目标经纪人信息。

具体的，通过在前端页面设置页面埋点的方法，收集获取客户行为数据和经纪人行为数据。客户行为数包括登陆页面的行为、页面浏览的行为、以及与客服机器人交流的行为等等；经纪人行为数据包括登录页面的行为、浏览文章以及客户对经纪人评价行为等等。由于需要对特定客户进行匹配经纪人，所以需要获取多个经纪人行为数据进行数据分析。

S2.获取预设的客户标签与经纪人标签，并基于客户标签与经纪人标签对客户行为数据以及多个经纪人行为数据进行数据提取，得到客户标签数据以及多个经纪人标签数据。

具体的，客户标签可以为耐心值、决断值、谨慎值；耐心值由客户在订单详情页停留时长以及与客服机器人交流的时长进行体现；决断值由新客户从初次页面到下首单的时间以及与客服机器人交流时长进行体现；谨慎值由客户在产品详情页浏览时长以及登陆到下单的时间长短进行体现。经纪人标签可以为耐心值、效率值以及靠谱值；根据由经纪人浏览文件的时长进行体现；经纪人效率值由完成客户业务时间与业务量进行体现；经纪人靠谱值由所服务客户的评价信息进行体现。由于上述标签都是由各种行为数据进行体现的，所以通过标签所对应的关键词去行为数据中，提取对应的户标签数据以及多个经纪人标签数据。

请参阅图3，图3示出了步骤S2的一种具体实施方式，详叙如下：

S21.分别对客户行为数据和多个经纪人行为数据进行数据清洗，得到客户初始行为数据和多个经纪人初始行为数据。

具体的，为了删除重复信息、纠正存在的错误，并提供数据一致性，分别对客户行为数据和多个经纪人行为数据进行数据清洗。

S22.获取与客户标签和经纪人标签分别对应的关键词，得到客户关键词以及经纪人关键词。

具体的，客户标签可以为耐心值、决断值、谨慎值，经纪人标签可以为耐心值、效率值以及靠谱值，而标签都用对应的行为数据进行体现，例如，耐心值由客户在订单详情页停留时长以及与客服机器人交流的时长进行体现，则可以将停留时长和交流时长作为耐性值对应的关键词。以此获取客户标签与经纪人标签对应的关键词，从而得到客户关键词以及经纪人关键词。

S23.基于K均值聚类算法，分别对客户关键词以及经纪人关键词进行聚类处理，得到客户标签数据以及多个经纪人标签数据。

具体的，上述步骤已经获取到了每个标签对应的关键词，所以将每个关键词都作为一个聚类中心，通过K均值聚类算法，将聚类中心进行聚类处理，得到每个关键词对应的聚类数据，将各个标签对应的聚类数据进行组合，得到客户标签数据以及多个经纪人标签数据。

其中，k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法。在本申请实施例中，将客户关键词以及经纪人关键词作为客户聚类中心以及经纪人聚类中心，并根据聚类中心进行聚类处理，得到每个聚类中心的聚类数据，并获取聚类数据对应的行为数据，则可以得到客户标签数据以及多个经纪人标签数据。

本实施例中，分别对客户行为数据和多个经纪人行为数据进行数据清洗，再获取预设的客户标签与经纪人标签，并获取客户标签与经纪人标签对应的关键词，得到客户关键词以及经纪人关键词，然后基于K均值聚类算法，分别对客户关键词以及经纪人关键词进行聚类处理，得到客户标签数据以及多个经纪人标签数据，实现从客户行为数据和经纪人行为数据中提取标签对应的数据，有利于针对标签数据进行分析，使得提高客户与经纪人的匹配精度。

请参阅图4，图4示出了步骤S23的一种具体实施方式，详叙如下：

S231.分别将客户关键词以及经纪人关键词作为客户聚类中心以及经纪人聚类中心。

具体的，将每个客户关键词以及经纪人关键词作为客户聚类中心，便于从行为数据中提取每个标签对应的数据。

S232.在客户行为数据和多个经纪人行为数据中，基于K均值聚类算法，分别对客户聚类中心以及经纪人聚类中心进行聚类处理，得到客户聚类数据以及多个经纪人聚类数据。

S233.获取客户聚类数据对应的客户行为数据，得到客户标签数据。

S234.分别获取多个经纪人聚类数据对应的经纪人行为数据，得到多个经纪人标签数据。

具体的，将客户行为数据和经纪人行为数据分为一个个样本，然后计算每个样本与各个聚类中心之间的距离，把每个行为数据分配给距离它最近的聚类中心；聚类中心以及分配给它们的样本就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的样本被重新计算；这个过程将不断重复直到满足某个终止条件；终止条件可以是没有(或最小数目)样本被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化。在聚类处理结束后，获取每个聚类中心的聚类数据，将属于客户对应的聚类数据进行组合，得到客户标签数据，将属于经纪人对于的聚类数据进行组合，得到经纪人标签数据。

本实施例中，分别将客户关键词以及经纪人关键词作为客户聚类中心以及经纪人聚类中心，并对聚类中心进行聚类处理，得到聚类数据，再获取对应的行为数据，得到客户标签数据和经纪人标签数据，实现将客户和经纪人分为不同的聚类中心，进行聚类以获取数据，有利于从行为数据中精准提取对应的数据。

S3.基于预设打分规则，对客户标签数据以及多个经纪人标签数据进行标签打分，得到客户标签初始得分以及多个经纪人标签初始得分。

具体的，上述步骤将客户和经纪人分为了不同的标签，并获取到标签对应的行为数据，也即客户标签数据以及经纪人标签数据。该客户标签数据包括客户耐心数据、客户效率数据以及客户靠谱数据，该经纪人标签数据包括经纪人耐心数据、经纪人效率数据以及经纪人靠谱数据。根据预设打分规则，分别对每个客户标签数据和经纪人标签数据进行打分，从而初步得到每个标签对应的分值，该分值可以为后续决策树分割变量提供分割点，从而得到最终的得分。其中，预设打分规则为根据客户耐心数据、客户效率数据、客户靠谱数据、经纪人耐心数据以及经纪人效率数据中时间因素数据时长，将时长映射到预设区间，进行打分，经纪人靠谱数据根据评价信息的正向评价比例进行评分。

请参阅图5，图5示出了步骤S3的一种具体实施方式，详叙如下：

S31.分别统计客户耐心数据、客户效率数据、客户靠谱数据、经纪人耐心数据以及经纪人效率数据中时间因素数据时长，得到客户标签数据时长以及经纪人标签数据时长。

S32.将客户标签数据时长以及经纪人标签数据时长映射到预设区间，得到客户标签初始得分、经纪人耐心得分以及经纪人效率得分。

S33.获取经纪人靠谱数据中的评价信息，并基于评价信息，得到经纪人靠谱得分。

具体的，由于客户耐心数据、客户效率数据、客户靠谱数据、经纪人耐心数据、经纪人效率数据均与时间因素有关；例如，耐心值由客户在订单详情页停留时长以及与客服机器人交流的时长进行体现，所以统计客户耐心数据中订单详情页停留时间以及与客服机器人交流时间的平均时长；预设区间可以为时间为1分钟以下的得分为1，时间为1分钟到5分钟的得分为2，时间5分钟到10分钟的得分为3......时间为45以上的得分为10。根据上述平均时长映射到预设区间内可以得到对应的客户耐心得分。而经纪人靠谱数据可以根据客户对其评价的正向评价所占所有数据的比例，再将该比例进行映射到预设区间，从而得到经纪人靠谱得分。

本实施例中，通过计算行为数据中时间因素数据时长，再将其映射到预设区间，从而获取到对应的得分，再行为数据中的评价信息，并基于评价信息得到对应的经纪人靠谱得分，实现对各个标签数据进行打分，该分值可以为后续决策树分割变量提供分割点，从而得到最终的得分，从而有利于提高客户与经纪人的匹配精度。

请参阅图6，图6示出了步骤S33的一种具体实施方式，详叙如下：

S331.根据NLP的情感分析技术，对经纪人靠谱数据进行观点抽取，得到评价信息，其中，评价信息包括：正向评价数据、中性评价数据以及负向评价数据。

S332.统计观点抽取结果中的各个评价数据的比例，并结合预设的打分规则进行打分，得到经纪人靠谱得分。

具体的，由于经纪人靠谱值由所服务客户的评价信息进行体现，所以所得到的经纪人靠谱数据是客户对经纪人服务的评价数据。评价信息可以划分为正向评价数据、中性评价数据以及负向评价数据。

具体的，NLP的情感分析技术也称为意见挖掘(Opinion Mining)，是自然语言处理(NLP)的一个领域，它构建的系统，用于在文本中识别和提取观点。通常，除了识别观点之外，这些系统还提取描述的特征。在本申请实施例中，通过NLP的情感分析技术提取经纪人靠谱数据中的评价信息，根据其正向评价数据、中性评价数据以及负向评价数据所占总数据的比例，来进行经纪人靠谱标签进行打分，从而得到经纪人靠谱得分。例如，正向评价数据所占总的经纪人靠谱数据55％，将其映射到对应区间，得到经纪人靠谱得分为6分，其中，区间的设置为[0,10％]对应1分，(10％,20％]对应2分，以此类推，(90％，100％]则为10分。

本实施例中，根据NLP的情感分析技术，对经纪人靠谱数据进行观点抽取，得到评价信息，然后统计观点抽取结果中的各个评价信息的比例，并结合预设的打分规则进行打分，得到经纪人靠谱得分，实现对经纪人靠谱值进行打分，有利于后续确定模型分割点，使得数据预测得分更加准确。

S4.通过训练好的决策树模型将客户标签数据以及多个经纪人标签数据，分别基于客户标签初始得分以及多个经纪人标签初始得分进行分割，得到客户标签目标得分以及多个经纪人标签目标得分。

具体的，使用决策树模型对行为数据做分析，得出最终客户目标得分以及多个经纪人标签目标得分。决策树的每个内部节点都是一种用户行为，每个内部节点都会有两条分支，走向下一个用户行为节点，最终到达叶子节点，而叶子节点通过客户标签初始得分以及多个经纪人标签初始得分进行体现。

请参阅图7，图7示出了步骤S4的一种具体实施方式，详叙如下：

S41.将客户标签数据以及多个经纪人标签数据输入到训练好的决策树模型中。

S42.根据客户标签初始得分以及多个经纪人标签初始得分，确定分别与客户标签数据对应的分割点，以及与多个经纪人标签数据对应的分割点。

具体的，决策树模型对数据进行处理是利用归纳算法产生分类规则和决策树，再对新数据进行预测分析。树的终端节点“叶子节点”(Leaf Node)，表示分类结果的类别(Class)，每个内部节点表示一个变量的测试，分枝(Branch)为测试输出，代表变量的一个可能数值。为达到分类目的，变量值在数据上测试，每一条路径代表一个分类规则。决策树模型通过不断地划分数据，使依赖变量的差别最大，最终目的是将数据分类到不同的组织或不同的分枝，在依赖变量的值上建立最强的归类。本申请实施例中，将客户标签数据以及多个经纪人标签数据输入到训练好的决策树模型中，基于对应的分割点，将节点进行不断分割，直至到达最终叶子节点，从而得到客户标签目标得分以及多个经纪人标签目标得分。

S43.基于分割点，对客户标签数据进行迭代分割，以及对多个经纪人标签数据进行迭代分割，得到客户标签目标得分以及多个经纪人标签目标得分。

具体的，将客户标签数据以及多个经纪人标签数据分别作为一个节点，遍历每个标签数据的初始得分，获取到对应的分割点，将节点进行分割，得到两个节点；再进行执行两个节点的分割点，直至到达最终叶子节点，从而得到客户标签目标得分以及多个经纪人标签目标得分。

本实施例中，通过将客户标签数据以及多个经纪人标签数据输入到训练好的决策树模型中，再根据客户标签初始得分以及多个经纪人标签初始得分，确定客户标签数据以及多个经纪人标签数据对应的分割点，然后基于分割点，对客户标签数据以及多个经纪人标签数据进行迭代分割，得到客户标签目标得分以及多个经纪人标签目标得分，实现计算客户标签目标得分以及多个经纪人标签目标得分，有利于后续计算客户与经纪人的匹配度，从而选取出对应的经纪人。

请参阅图8，图8示出了步骤S4的一种具体实施方式，详叙如下：

S4A.获取样本行为数据，并对样本行为数据进行预处理，得到样本训练数据以及样本验证数据。

具体的，获取样本行为数据，并对其进行预处理，并按照预设比例分成样本训练数据和样本验证数据，其中，预设比例可以为8:2，样本训练数据用来训练决策树模型，样本验证数据用来验证决策树模型。预处理包括对对样本数据进行数据清洗。

S4B.提取样本训练数据中的标签得分，并基于标签得分确认样本分割点。

具体的，将样本训练数据分别不同的标签，再计算每个标签对应的标签得分，将每个标签得分作为样本分割点。

S4C.采用贪心算法，将样本训练数据基于样本分割点对决策树进行迭代分割，每次迭代分割均得到一个基础决策树。

S4D.通过验证数据对基础决策树进行验证计算，得到误差值。

S4E.当误差值小于预设阈值时，停止迭代分割，得到训练好的决策树模型。

具体的，本实施例中所用的贪心算法为ID3算法，该ID3算法最早是由罗斯昆(J.Ross Quinlan)于1975年在悉尼大学提出的一种分类预测算法，算法的核心是“信息熵”。ID3算法通过计算每个属性的信息增益，认为信息增益高的是好属性，每次划分选取信息增益最高的属性为划分标准，重复这个过程，直至生成一个能完美分类训练样例的决策树。在本申请实施例中，通过ID3算法训练行为数据的决策树。通过将样本训练数据基于样本分割点对决策树的节点进行分割，每次分割都得到一个基础决策树，再将验证数据对基础决策树进行验证计算，得到误差值；再对比误差值是否超过预设阈值，若无，则进行对决策树进行分割，直至误差值小于预设阈值时，停止迭代分割，得到训练好的决策树模型。

其中，预设阈值根据实际情况进行设定，此处不做限定。在一具体实施例中，预设阈值为0.1。

本实施例中，通过获取样本行为数据，并对样本行为数据进行预处理，得到样本训练数据以及样本验证数据，再提取样本训练数据中的标签得分，并基于标签得分确认样本分割点，然后采用ID3算法，将样本训练数据基于样本分割点对决策树进行迭代分割，并通过验证数据对基础决策树进行验证计算，得到误差值，当误差值小于预设阈值时，停止迭代分割，得到训练好的决策树模型，实现对决策树进行训练，使得该决策树模型能够对行为数据进行分割计算，获取对应的得分，从而有利于计算客户与经纪人对应的得分，进而获取两者的匹配度。

S5.按照预设标签匹配规则，将经纪人标签目标得分与客户标签目标得分进行匹配计算，得到匹配值，并选取最高匹配值对应的经纪人，作为目标经纪人。

具体的，预设标签匹配规则为客户的耐心值对应经纪人的耐心值，客户的决断值对应经纪人的效率值，客户的谨慎值对应经纪人的靠谱值。通过上述匹配规则产生了3个子匹配度，当这3个子匹配度得分越高，表示客户和经纪人的匹配度越高。例如：A客户：耐心值：3，决断值：7，谨慎值：5，B经纪人：耐心值：7，效率值：3，靠谱值：5，A客户和B经纪人的3个匹配度得分，都刚好达到10分。

具体的，由于客户与经纪人的匹配计算得分越高，说明客户与经纪人的匹配精度越高，所以选择匹配值集合中分值最高的匹配值作为目标匹配值，获取目标匹配值对应的经纪人作为目标经纪人。

本申请实施例通过对客户和经纪人的行为数据进行分析，获取对应的标签数据，并基于决策树将每种标签进行打分，再将标签得分进行匹配计算，从而匹配到客户最佳的经纪人，实现了从不同标签方向对客户与经纪人匹配进行分析，有利于提高客户与经纪人匹配精度。另外，本申请实施例还训练决策树模型，将决策树模型计算标签得分，有利于提高分析的精准度。本申请还通过对客户与经纪人的行为数据基于聚类算法进行聚类处理，有利于得到各个标签的行为数据。本申请实施例还采用NLP的情感分析技术进行观点抽取，获取到客户对经纪人的评价信息，有利于对其标签进行打分。

需要强调的是，为进一步保证上述客户行为数据的私密和安全性，上述客户行为数据还可以存储于一区块链的节点中。

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，该计算机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，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。

请参考图9，作为对上述图2所示方法的实现，本申请提供了一种基于决策树的经纪人匹配装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图9所示，本实施例的基于决策树的经纪人匹配装置包括：行为数据获取模块71、标签数据提取模块72、标签数据打分模块73、目标得分获取模块74以及目标得分匹配模块75，其中：

行为数据获取模块71，用于通过页面埋点，获取客户行为数据和多个经纪人行为数据；

标签数据提取模块72，用于获取预设的客户标签与经纪人标签，并基于客户标签与经纪人标签对客户行为数据以及多个经纪人行为数据进行数据提取，得到客户标签数据以及多个经纪人标签数据；

标签数据打分模块73，用于基于预设打分规则，对客户标签数据以及多个经纪人标签数据进行标签打分，得到客户标签初始得分以及多个经纪人标签初始得分；

目标得分获取模块74，用于通过训练好的决策树模型将客户标签数据以及多个经纪人标签数据，分别基于客户标签初始得分以及多个经纪人标签初始得分进行分割，得到客户标签目标得分以及多个经纪人标签目标得分；

目标得分匹配模块75，用于按照预设标签匹配规则，将经纪人标签目标得分与客户标签目标得分进行匹配计算，得到匹配值，并选取最高匹配值对应的经纪人，作为目标经纪人。

进一步的，标签数据提取模块72包括：

行为数据获取单元，用于分别对客户行为数据和多个经纪人行为数据进行数据清洗，得到客户初始行为数据和多个经纪人初始行为数据；

关键词提取单元，用于获取与客户标签和经纪人标签分别对应的关键词，得到客户关键词以及经纪人关键词；

聚类处理单元，用于基于K均值聚类算法，分别对客户关键词以及经纪人关键词进行聚类处理，得到客户标签数据以及多个经纪人标签数据。

进一步的，聚类处理单元包括：

聚类中心确认子单元，用于分别将客户关键词以及经纪人关键词作为客户聚类中心以及经纪人聚类中心；

聚类数据生成子单元，用于在客户行为数据和多个经纪人行为数据中，基于K均值聚类算法，分别对客户聚类中心以及经纪人聚类中心进行聚类处理，得到客户聚类数据以及多个经纪人聚类数据；

客户标签数据获取子单元，用于获取客户聚类数据对应的客户行为数据，得到客户标签数据；

经纪人标签数据获取子单元，用于分别获取多个经纪人聚类数据对应的经纪人行为数据，得到多个经纪人标签数据。

进一步的，标签数据打分模块73包括：

数据时长获取单元，用于分别统计客户耐心数据、客户效率数据、客户靠谱数据、经纪人耐心数据以及经纪人效率数据中时间因素数据时长，得到客户标签数据时长以及经纪人标签数据时长；

数据时长映射单元，用于将客户标签数据时长以及经纪人标签数据时长映射到预设区间，得到客户标签初始得分、经纪人耐心得分以及经纪人效率得分；

靠谱得分获取单元，用于获取经纪人靠谱数据中的评价信息，并基于评价信息，得到经纪人靠谱得分。

进一步的，靠谱得分获取单元包括：

观点抽取子单元，用于根据NLP的情感分析技术，对经纪人靠谱数据进行观点抽取，得到评价信息，其中，评价信息包括：正向评价数据、中性评价数据以及负向评价数据；

靠谱打分子单元，用于统计观点抽取结果中的各个评价信息的比例，并结合预设的打分规则进行打分，得到经纪人靠谱得分。

进一步的，目标得分获取模块74包括：

数据输入单元，用于将客户标签数据以及多个经纪人标签数据输入到训练好的决策树模型中；

分割点确认单元，用于根据客户标签初始得分以及多个经纪人标签初始得分，确定分别与客户标签数据对应的分割点，以及与多个经纪人标签数据对应的分割点；

迭代分割单元，用于基于分割点，对客户标签数据进行迭代分割，以及对多个经纪人标签数据进行迭代分割，得到客户标签目标得分以及多个经纪人标签目标得分。

进一步的，在目标得分获取模块74之前还包括：

样本行为数据获取模块，用于获取样本行为数据，并对样本行为数据进行预处理，得到样本训练数据以及样本验证数据；

样本分割点确认模块，用于提取样本训练数据中的标签得分，并基于标签得分确认样本分割点；

训练数据分割模块，用于采用贪心算法，将样本训练数据基于样本分割点对决策树进行迭代分割，每次迭代分割均得到一个基础决策树；

误差值获取模块，用于通过验证数据对基础决策树进行验证计算，得到误差值；

决策树模型生产模块，用于当误差值小于预设阈值时，停止迭代分割，得到训练好的决策树模型。

需要强调的是，为进一步保证上述客户行为数据的私密和安全性，上述客户行为数据还可以存储于一区块链的节点中。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图10，图10为本实施例计算机设备基本结构框图。

计算机设备8包括通过系统总线相互通信连接存储器81、处理器82、网络接口83。需要指出的是，图中仅示出了具有三种组件存储器81、处理器82、网络接口83的计算机设备8，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field-Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

存储器81至少包括一种类型的可读存储介质，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)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器81可以是计算机设备8的内部存储单元，例如该计算机设备8的硬盘或内存。在另一些实施例中，存储器81也可以是计算机设备8的外部存储设备，例如该计算机设备8上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器81还可以既包括计算机设备8的内部存储单元也包括其外部存储设备。本实施例中，存储器81通常用于存储安装于计算机设备8的操作系统和各类应用软件，例如基于决策树的经纪人匹配方法的程序代码等。此外，存储器81还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器82在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器82通常用于控制计算机设备8的总体操作。本实施例中，处理器82用于运行存储器81中存储的程序代码或者处理数据，例如运行上述基于决策树的经纪人匹配方法的程序代码，以实现基于决策树的经纪人匹配方法的各种实施例。

网络接口83可包括无线网络接口或有线网络接口，该网络接口83通常用于在计算机设备8与其他电子设备之间建立通信连接。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序可被至少一个处理器执行，以使至少一个处理器执行如上述的一种基于决策树的经纪人匹配方法的步骤。

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，本申请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，空调器，或者网络设备等)执行本申请各个实施例的方法。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于决策树的经纪人匹配方法，其特征在于，包括：

通过页面埋点，获取客户行为数据和多个经纪人行为数据；

获取预设的客户标签与经纪人标签，并基于所述客户标签与所述经纪人标签对所述客户行为数据以及多个所述经纪人行为数据进行数据提取，得到客户标签数据以及多个经纪人标签数据；

基于预设打分规则，对所述客户标签数据以及多个所述经纪人标签数据进行标签打分，得到客户标签初始得分以及多个经纪人标签初始得分；

通过训练好的决策树模型将所述客户标签数据以及多个所述经纪人标签数据，分别基于所述客户标签初始得分以及多个所述经纪人标签初始得分进行分割，得到客户标签目标得分以及多个经纪人标签目标得分；

按照预设标签匹配规则，将所述经纪人标签目标得分与所述客户标签目标得分进行匹配计算，得到匹配值，并选取最高所述匹配值对应的经纪人，作为目标经纪人。

2.根据权利要求1所述的基于决策树的经纪人匹配方法，其特征在于，所述获取预设的客户标签与经纪人标签，并基于所述客户标签与所述经纪人标签对所述客户行为数据以及多个所述经纪人行为数据进行数据提取，得到客户标签数据以及多个经纪人标签数据，包括：

分别对所述客户行为数据和多个所述经纪人行为数据进行数据清洗，得到客户初始行为数据和多个经纪人初始行为数据；

获取与所述客户标签和所述经纪人标签分别对应的关键词，得到客户关键词以及经纪人关键词；

基于K均值聚类算法，分别对所述客户关键词以及所述经纪人关键词进行聚类处理，得到所述客户标签数据以及多个所述经纪人标签数据。

3.根据权利要求2所述的基于决策树的经纪人匹配方法，其特征在于，所述基于K均值聚类算法，分别对所述客户关键词以及所述经纪人关键词进行聚类处理，得到所述客户标签数据以及多个所述经纪人标签数据，包括：

分别将所述客户关键词以及所述经纪人关键词作为客户聚类中心以及经纪人聚类中心；

在所述所述客户行为数据和多个所述所述经纪人行为数据中，基于所述K均值聚类算法，分别对所述客户聚类中心以及经纪人聚类中心进行聚类处理，得到客户聚类数据以及多个经纪人聚类数据；

获取所述客户聚类数据对应的客户行为数据，得到所述客户标签数据；

分别获取多个所述经纪人聚类数据对应的经纪人行为数据，得到多个所述经纪人标签数据。

4.根据权利要求1所述的基于决策树的经纪人匹配方法，其特征在于，所述客户标签数据包括客户耐心数据、客户效率数据以及客户靠谱数据，所述经纪人标签数据包括经纪人耐心数据、经纪人效率数据以及经纪人靠谱数据，所述基于预设打分规则，对所述客户标签数据以及多个所述经纪人标签数据进行标签打分，得到客户标签初始得分以及多个经纪人标签初始得分，包括：

分别统计所述客户耐心数据、客户效率数据、客户靠谱数据、经纪人耐心数据以及经纪人效率数据中时间因素数据时长，得到客户标签数据时长以及经纪人标签数据时长；

将所述客户标签数据时长以及所述经纪人标签数据时长映射到预设区间，得到所述客户标签初始得分、经纪人耐心得分以及经纪人效率得分；

获取所述经纪人靠谱数据中的评价信息，并基于所述评价信息，得到经纪人靠谱得分。

5.根据权利要求4所述的基于决策树的经纪人匹配方法，其特征在于，所述获取所述经纪人靠谱数据中的评价信息，并基于所述评价信息，得到经纪人靠谱得分，包括：

根据NLP的情感分析技术，对所述经纪人靠谱数据进行观点抽取，得到所述评价信息，其中，所述评价信息包括：正向评价数据、中性评价数据以及负向评价数据；

统计所述观点抽取结果中的各个所述评价信息的比例，并结合预设的打分规则进行打分，得到所述经纪人靠谱得分。

6.根据权利要求1所述的基于决策树的经纪人匹配方法，其特征在于，所述通过训练好的决策树模型将所述客户标签数据以及多个所述经纪人标签数据，分别基于所述客户标签初始得分以及多个所述经纪人标签初始得分进行分割，得到客户标签目标得分以及多个经纪人标签目标得分，包括：

将所述客户标签数据以及多个所述经纪人标签数据输入到所述训练好的决策树模型中；

根据所述客户标签初始得分以及多个所述经纪人标签初始得分，确定分别与所述客户标签数据对应的分割点，以及与多个所述经纪人标签数据对应的分割点；

基于所述分割点，对所述客户标签数据进行迭代分割，以及对多个所述经纪人标签数据进行迭代分割，得到所述客户标签目标得分以及多个所述经纪人标签目标得分。

7.根据权利要求1至6任一项所述的基于决策树的经纪人匹配方法，其特征在于，在所述通过训练好的决策树模型将所述客户标签数据以及多个所述经纪人标签数据，分别基于所述客户标签初始得分以及多个所述经纪人标签初始得分进行分割，得到客户标签目标得分以及多个经纪人标签目标得分之前，所述方法还包括：

获取样本行为数据，并对所述样本行为数据进行预处理，得到样本训练数据以及样本验证数据；

提取所述样本训练数据中的标签得分，并基于所述标签得分确认样本分割点；

采用贪心算法，将所述样本训练数据基于所述样本分割点对决策树进行迭代分割，每次迭代分割均得到一个基础决策树；

通过所述验证数据对所述基础决策树进行验证计算，得到误差值；

当所述误差值小于预设阈值时，停止所述迭代分割，得到所述训练好的决策树模型。

8.一种基于决策树的经纪人匹配装置，其特征在于，包括：

行为数据获取模块，用于通过页面埋点，获取客户行为数据和多个经纪人行为数据；

标签数据提取模块，用于获取预设的客户标签与经纪人标签，并基于所述客户标签与所述经纪人标签对所述客户行为数据以及多个所述经纪人行为数据进行数据提取，得到客户标签数据以及多个经纪人标签数据；

标签数据打分模块，用于基于预设打分规则，对所述客户标签数据以及多个所述经纪人标签数据进行标签打分，得到客户标签初始得分以及多个经纪人标签初始得分；

目标得分获取模块，用于通过训练好的决策树模型将所述客户标签数据以及多个所述经纪人标签数据，分别基于所述客户标签初始得分以及多个所述经纪人标签初始得分进行分割，得到客户标签目标得分以及多个经纪人标签目标得分；

目标得分匹配模块，用于按照预设标签匹配规则，将所述经纪人标签目标得分与所述客户标签目标得分进行匹配计算，得到匹配值，并选取最高所述匹配值对应的经纪人，作为目标经纪人。

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于决策树的经纪人匹配方法。

10.一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计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于决策树的经纪人匹配方法。

Images