CN114612225A - 产品推荐方法、装置、电子设备及计算机可读存储介质 - Google Patents
产品推荐方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114612225A CN114612225A CN202210277857.2A CN202210277857A CN114612225A CN 114612225 A CN114612225 A CN 114612225A CN 202210277857 A CN202210277857 A CN 202210277857A CN 114612225 A CN114612225 A CN 114612225A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- customer
- client
- type
- 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.)
- Pending
Links
Images
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种产品推荐方法,包括:获取历史客户的客户行为数据,利用信用评分卡模型对客户行为数据进行信用评分,将信用评分大于预设阈值的历史客户作为第一类历史客户;提取第一类历史客户的数据特征,根据数据特征构建分类模型,利用分类模型对第一类历史客户进行分类,得到第二类历史客户;提取第二类历史客户的行为数据,得到目标行为数据,根据目标行为数据构建目标客户画像,向符合目标客户行为画像的客户进行产品推荐;此外,本发明还涉及区块链技术,客户行为数据可存储于区块链的节点。本发明还提出一种产品推荐装置、电子设备以及存储介质。本发明可以提高产品推荐成功率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种产品推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
目前,传统的信贷企业进行产品推广时,主要的推广方式是业务员进行线下客户拜访及/或客服人员根据客户名单通过电话进行产品推广,但线下拜访以及电话推广中的客户类型多种多样,并不是向所有的客户进行产品推荐都会成功,导致产品推荐成功率较低,即需要对客户名单进行筛选,向有购买意向且有购买能力的客户进行产品推荐,提高产品推荐的成功率。
发明内容
本发明提供一种产品推荐方法、装置、电子设备及计算机可读存储介质,其主要目的在于解决进行产品推荐时的精确度较低的问题。
为实现上述目的,本发明提供的一种产品推荐方法,包括:
获取历史客户的客户行为数据;
将所述客户行为数据输入到预构建的信用评分卡模型,得到每个所述历史客户的信用评分,将所述信用评分大于预设阈值的客户作为第一类历史客户;
提取所述第一类历史客户行为数据中的数据特征,得到所述第一类历史客户对应的数据特征;
根据所述第一类历史客户对应的数据特征构建客户分类模型,利用所述分类模型对所述第一类历史客户进行分类,得到符合产品推荐要求的第二类历史客户;
提取所述第二类历史客户的客户行为数据,得到目标行为数据,根据所述目标行为数据构建目标客户画像,向符合所述目标客户画像的客户进行产品推荐。
可选地,所述将所述客户行为数据输入到预构建的信用评分卡模型,得到每个所述历史客户的信用评分
利用预设的信用标签对所述客户行为数据进行筛选,得到客户信用数据集;
查找所述客户信用数据集的缺失值并进行缺失值填充,得到标准信用数据集;
利用逻辑回归算法对所述标准信用数据集进行计算,得到所述历史客户的信用概率;
将所述信用概率转化为信用分数,并将所述信用分数作为对应历史客户的信用评分。
可选地,所述查找所述客户信用数据集的缺失值并进行缺失值填充,得到标准信用数据集,包括:
获取所述客户信用数据集中的数据标签;
逐个选取一个历史客户的信用数据集作为目标客户数据集,;
遍历所述目标客户数据集,利用所述数据标签查找所述目标客户数据集中的缺失值对应的数据标签,得到缺失值数据标签;
在所述客户信用数据集中提取所述缺失值数据标签对应的客户信用缺失数据集,基于所述客户信用缺失数据集利用灰色预测法计算所述缺失值数据标签的缺失值,并将所述缺失值填充至所述目标客户数据集,得到标准信用数据集。
可选地,所述提取所述第一类历史客户行为数据中的数据特征,得到所述第一类历史客户对应的数据特征,包括:
利用预构建的特征语义模型对所述第一类历史客户行为数据进行卷积、池化操作,得到所述第一类历史客户行为数据的低维数据特征;
将所述低维数据特征映射到预先构建的高维空间中,得到所述第一类历史客户行为数据的高维数据特征;
汇集所述低维数据及所述高维数据特征,得到所述第一类历史客户对应的数据特征。
可选地,所述根据所述第一类历史客户对应的数据特征构建客户分类模型,利用所述分类模型对所述第一类历史客户进行分类,包括:
利用预构建的向量转换模型将所述数据特征转换为特征向量,得到特征向量集;
根据所述特征向量集构建超平面函数;
利用所述超平面函数对所述第一类历史客户进行分类。
可选地,所述利用所述超平面函数对所述第一类历史客户进行分类,包括:
将所述特征向量映射至预设的坐标系中,得到特征向量坐标集;
计算所述特征向量坐标集中任意两个坐标的欧式距离,并选择所述欧式距离最小的特征向量坐标作为目标特征坐标;
计算所述目标特征坐标到所述超平面函数的距离值,根据所述距离值构建最小距离函数;
利用拉格朗日乘数法求解所述最小距离函数,得到超平面,利用所述超平面对所述第一类历史客户进行分类。
可选地,所述提取所述第二类历史客户的客户行为数据,得到目标行为数据,根据所述目标行为数据构建目标客户画像,包括:
根据所述目标行为数据构建客户属性标签库;
提取所述客户属性库中出现次数大于一的属性标签,得到目标客户的固有属性标签;
将所述固有属性标签相关联,得到所述目标客户的客户画像。
为了解决上述问题,本发明还提供一种产品推荐装置,所述装置包括:
客户行为数据获取模块,用于获取历史客户的客户行为数据;
历史客户分类模块,用于将所述客户行为数据输入到预构建的信用评分卡模型,得到每个所述历史客户的信用评分,将所述信用评分大于预设阈值的客户作为第一类历史客户;
数据特征提取模块,用于提取所述第一类历史客户行为数据中的数据特征,得到所述第一类历史客户对应的数据特征;
第一类历史客户分类模块,用于根据所述第一类历史客户对应的数据特征构建客户分类模型,利用所述分类模型对所述第一类历史客户进行分类,得到符合产品推荐要求的第二类历史客户;
产品推荐模块,用于提取所述第二类历史客户的客户行为数据,得到目标行为数据,根据所述目标行为数据构建目标客户画像,向符合所述目标客户画像的客户进行产品推荐。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的产品推荐方法。
为了解决上述问题,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中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的产品推荐方法。
本发明实施例通过获取历史客户的客户行为数据,并利用预设的信用评分卡模型计算历史客户的信用评分,得到第一类历史客户,通过信用评分对历史客户进行筛选,提高了目标客户的标准;提取第一类历史客户的数据特征,根据数据特征构建分类模型,利用分类模型对第一类历史客户进行分类,得到符合产品推荐要求的第二类历史客户,进一步缩小目标客户的范围已提高产品推荐的成功率;提取第二类历史客户的行为数据,根据第二类历史客户的行为数据构建目标客户画像,向符合目标客户画像的客户进行产品推荐,已实现进行产品推荐时的高成功率。因此本发明提出的产品推荐方法、装置、电子设备及计算机可读存储介质,可以解决进行产品推荐时的成功率较低的问题。
附图说明
图1为本发明一实施例提供的产品推荐方法的流程示意图;
图2为本发明一实施例提供的计算历史客户信用评分的流程示意图;
图3为本发明一实施例提供的缺失值填充的流程示意图;
图4为本发明一实施例提供的获取客户数据特征的流程示意图;
图5为本发明一实施例提供的第一类历史客户分类的流程示意图;
图6为本发明一实施例提供的构建分类超平面的流程示意图;
图7为本发明一实施例提供的构建目标客户画像的流程示意图
图8为本发明一实施例提供的产品推荐装置的功能模块图;
图9为本发明一实施例提供的实现所述产品推荐方法的电子设备的结构示意图。
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。
本申请实施例提供一种产品推荐方法。所述产品推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述产品推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的产品推荐方法的流程示意图。
在本实施例中,所述产品推荐方法包括以下步骤S1-S5:
S1、获取历史客户的客户行为数据;
本发明实施例中,所述历史客户是企业在经营时发生产品交易可能的用户,其中,所述历史可以可能购买了相关产品,也可能未购买相关产品,通过所述历史客户的客户行为数据将所述历史客户进行分类,进一步地提高产品推荐的成功率。
具体地,本发明实施例中,所述客户行为数据包括多维度的客户信息,例如:年龄、性别、收入、学历、消费记录、负债记录等。
本发明实施例中,可以利用具有数据抓取功能的计算机语句(如Java语句、Python语句等)从预构建的存储客户行为数据的存储区域中获取所述历史客户的行为数据,所述存储区域包括但不限于数据库、区块链节点、网页记录等。
S2、将所述客户行为数据输入到预构建的信用评分卡模型,得到每个所述历史客户的信用评分,将所述信用评分大于预设阈值的客户作为第一类历史客户;
本发明实施例中,所述预构建的信用评分卡模型是基于客户过去的行为数据对客户的未来金融信用进行打分,得到不同的客户信用评分,从而判断客户的优质程度。
详细地,参阅图2所示,所述将所述客户行为数据输入到预构建的信用评分卡模型,得到每个所述历史客户的信用评分,包括以下步骤S21-S24:
S21、利用预设的信用标签对所述客户行为数据进行筛选,得到客户信用数据集;
S22、查找所述客户信用数据集的缺失值并进行缺失值填充,得到标准信用数据集;
S23、利用逻辑回归算法对所述标准信用数据集进行计算,得到所述历史客户的信用概率;
S24、将所述信用概率转化为信用分数,并将所述信用分数作为对应历史客户的信用评分。
本发明实施例中,所述预设的信用标签是所述客户行为数据中与客户信用相关的标签,包括但不限于客户的“贷款金额”、“还款金额”、“还款时间”、“还款逾期次数”、“还款逾期时间”等标签。
具体地,参阅图3所示,所述查找所述客户信用数据集的缺失值并进行缺失值填充,得到标准信用数据集,包括以下步骤S31-S34:
S31、获取所述客户信用数据集中的数据标签;
S32、逐个选取一个历史客户的信用数据集作为目标客户数据集;
S33、遍历所述目标客户数据集,利用所述数据标签查找所述目标客户数据集中的缺失值对应的数据标签,得到缺失值数据标签;
S34、在所述客户信用数据集中提取所述缺失值数据标签对应的客户信用缺失数据集,基于所述客户信用缺失数据集利用灰色预测法计算所述缺失值数据标签的缺失值,并将所述缺失值填充至所述目标客户数据集,得到标准信用数据集。
本发明实施例中,通过查找所述客户信用数据集中的缺失值并进行缺失值填充,使得所述历史客户的信用数据更加完整,避免由于数据不完整而导致的数据异常,进一步地提高计算所述历史客户信用评分的准确度。
例如,所述客户信用数据集中包括“贷款金额”、“还款金额”、“还款逾期次数”、“还款逾期时间”信用数据标签,所述目标客户数据集中包括“贷款金额”、“还款时间”、“还款逾期次数”、“还款逾期时间”标签,查找得到所述目标客户数据集中缺少“还款金额”标签,则所述缺失值数据标签为“还款金额”,通过灰色预测法计算得到缺失值为5000时,则将所述缺失值填充至所述目标客户数据集,得到标准信用数据集,提高客户信用数据的完整性。
S3、提取所述第一类历史客户行为数据中的数据特征,得到所述第一类历史客户对应的数据特征;
本发明实施例中,所述客户行为数据中包括多个标签的数据,不同标签的数据具有不同的特征,可以利用预先完成的特征语义模型提取所述第一类历史客户行为数据的数据特征。
详细地,参阅图4所示,所述提取所述第一类历史客户行为数据中的数据特征,得到所述第一类历史客户对应的数据特征,包括以下步骤S41-S43:
S41、利用预构建的特征语义模型对所述第一类历史客户行为数据进行卷积、池化操作,得到所述第一类历史客户行为数据的低维数据特征;
S42、将所述低维数据特征映射到预先构建的高维空间中,得到所述第一类历史客户行为数据的高维数据特征;
S43、汇集所述低维数据及所述高维数据特征,得到所述第一类历史客户对应的数据特征。
本发明实施例中,低维数据特征的分辨率更高,包含更多位置、细节信息,但是由于经过的卷积更少,其语义性更低,噪声更多,所述高维数据特征具有更强的语义信息,但是分辨率很低,对细节的感知能力较差,汇集所述低维数据特征及高维数据特征,使得所述第一类历史客户对应的数据特征的信息更丰富,为后续客户分类模型的构建提供准确度更高的数据特征,进一步地提高客户分类的准确度。
S4、根据所述第一类历史客户对应的数据特征构建客户分类模型,利用所述分类模型对所述第一类历史客户进行分类,得到符合产品推荐要求的第二类历史客户;
本发明实施例中,所述客户分类模型包括但不限于贝叶斯、支持向量机、决策树等具有二分类功能的模型,通过所述分类模型将所述第一类历史客户划分为符合产品推荐要求的第二类历史客户。
详细地,参阅图5所示,所述根据所述第一类历史客户对应的数据特征构建客户分类模型,利用所述分类模型对所述第一类历史客户进行分类,包括以下步骤S51-S53:
S51、利用预构建的向量转换模型将所述数据特征转换为特征向量,得到特征向量集;
S52、根据所述特征向量集构建超平面函数;
S53、利用所述超平面函数对所述第一类历史客户进行分类。
具体地,本发明实施例中,所述预构建的向量转化模型包括但不限于bert、word2vec等具有向量转换的模型。
进一步地,参阅图6所示,所述利用所述超平面函数对所述第一类历史客户进行分类,包括以下步骤S71-S74:
S61、将所述特征向量映射至预设的坐标系中,得到特征向量坐标集;
S62、计算所述特征向量坐标集中任意两个坐标的欧式距离,并选择所述欧式距离最小的特征向量坐标作为目标特征坐标;
S63、计算所述目标特征坐标到所述超平面函数的距离值,根据所述距离值构建最小距离函数;
S64、利用拉格朗日乘数法求解所述最小距离函数,得到超平面,利用所述超平面对所述第一类历史客户进行分类。
本发明实施例中,利用所述超平面函数对所述第一类历史客户进行分类,即利用超平面将所述第一类历史客户分隔为两个类别,得到符合产品推荐要求的第二类历史客户以及不符合产品推荐的其他客户,例如:超平面将所述第一类历史客户中的“客户A”、“客户C”分为第二类历史客户,将客户B”、“客户D”、“客户E”分为其它客户。利用所述分类模型对所述第一类历史客户进行第二次分类后,提高后续产品推荐的准确度,提高产品推荐的成功率。
S5、提取所述第二类历史客户的客户行为数据,得到目标行为数据,根据所述目标行为数据构建目标客户画像,向符合所述目标客户画像的客户进行产品推荐。
本发明实施例中,所述目标客户画像是用户特征标签的集合,根据所述目标客户画像可快速准确地筛选出目标客户,从而进行针对性的产品推荐。
详细地,参阅图7所示,所述提取所述第二类历史客户的客户行为数据,得到目标行为数据,根据所述目标行为数据构建目标客户画像,包括以下步骤S71-S72:
S71、根据所述目标行为数据构建客户属性标签库;
S72、提取所述客户属性标签库中出现次数大于预设阈值的属性标签,得到目标客户的固有属性标签;
S73、将所述固有属性标签相关联,得到所述目标客户的客户画像。
本发明实施例中,所述预设阈值可以是一,即所述客户的属性标签在所述客户属性标签库中出现次数大于一,确定所述属性标签为目标客户的固有属性标签。
具体地,本发明实施例中,所述客户属性标签库包括但不限于身份属性标签及动态属性标签,其中,所述身份属性标签包括但限于客户的年龄、职业、收入等,所述动态属性标签包括但不限于客户的用户的贷款、还款信息、购物属性等。
本发明实施例中,通过所述第二类历史客户的属性标签库中出现大于一次的固有属性标签构建目标客户的客户画像,使得目标客户画像的属性全面的同时更加准确,避免偶然属性标签出现,进一步的保证了产品推荐的成功率。
本发明实施例通过获取历史客户的客户行为数据,并利用预设的信用评分卡模型计算历史客户的信用评分,得到第一类历史客户,通过信用评分对历史客户进行筛选,提高了目标客户的标准;提取第一类历史客户的数据特征,根据数据特征构建分类模型,利用分类模型对第一类历史客户进行分类,得到符合产品推荐要求的第二类历史客户,进一步缩小目标客户的范围已提高产品推荐的成功率;提取第二类历史客户的行为数据,根据第二类历史客户的行为数据构建目标客户画像,向符合目标客户画像的客户进行产品推荐,已实现进行产品推荐时的高成功率。因此本发明提出的产品推荐方法,可以解决进行产品推荐时的成功率较低的问题。
如图8所示,是本发明一实施例提供的产品推荐装置的功能模块图。
本发明所述产品推荐装置100可以安装于电子设备中。根据实现的功能,所述产品推荐装置100可以包括客户行为数据获取模块101、历史客户分类模块102、数据特征提取模块103、第一类历史客户分类模块104及产品推荐模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述客户行为数据获取模块101,用于获取历史客户的客户行为数据;
所述历史客户分类模块102,用于将所述客户行为数据输入到预构建的信用评分卡模型,得到每个所述历史客户的信用评分,将所述信用评分大于预设阈值的客户作为第一类历史客户;
所述数据特征提取模块103,用于提取所述第一类历史客户行为数据中的数据特征,得到所述第一类历史客户对应的数据特征;
所述第一类历史客户分类模块104,用于根据所述第一类历史客户对应的数据特征构建客户分类模型,利用所述分类模型对所述第一类历史客户进行分类,得到符合产品推荐要求的第二类历史客户;
所述产品推荐模块105,用于提取所述第二类历史客户的客户行为数据,得到目标行为数据,根据所述目标行为数据构建目标客户画像,向符合所述目标客户画像的客户进行产品推荐。
详细地,本发明实施例中所述产品推荐装置100中所述的各模块在使用时采用与上述图1至图7中所述的产品推荐方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图9所示,是本发明一实施例提供的实现产品推荐方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如产品推荐程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行产品推荐程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器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、移动硬盘、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。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、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,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如产品推荐程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、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,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图中示出的结构并不构成对所述电子设备的限定,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。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的产品推荐程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取历史客户的客户行为数据;
将所述客户行为数据输入到预构建的信用评分卡模型,得到每个所述历史客户的信用评分,将所述信用评分大于预设阈值的客户作为第一类历史客户;
提取所述第一类历史客户行为数据中的数据特征,得到所述第一类历史客户对应的数据特征;
根据所述第一类历史客户对应的数据特征构建客户分类模型,利用所述分类模型对所述第一类历史客户进行分类,得到符合产品推荐要求的第二类历史客户;
提取所述第二类历史客户的客户行为数据,得到目标行为数据,根据所述目标行为数据构建目标客户画像,向符合所述目标客户画像的客户进行产品推荐。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取历史客户的客户行为数据;
将所述客户行为数据输入到预构建的信用评分卡模型,得到每个所述历史客户的信用评分,将所述信用评分大于预设阈值的客户作为第一类历史客户;
提取所述第一类历史客户行为数据中的数据特征,得到所述第一类历史客户对应的数据特征;
根据所述第一类历史客户对应的数据特征构建客户分类模型,利用所述分类模型对所述第一类历史客户进行分类,得到符合产品推荐要求的第二类历史客户;
提取所述第二类历史客户的客户行为数据,得到目标行为数据,根据所述目标行为数据构建目标客户画像,向符合所述目标客户画像的客户进行产品推荐。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
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。
本申请实施例可以基于人工智能技术对相关的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。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种产品推荐方法,其特征在于,所述方法包括:
获取历史客户的客户行为数据;
将所述客户行为数据输入到预构建的信用评分卡模型,得到每个所述历史客户的信用评分,将所述信用评分大于预设阈值的客户作为第一类历史客户;
提取所述第一类历史客户行为数据中的数据特征,得到所述第一类历史客户对应的数据特征;
根据所述第一类历史客户对应的数据特征构建客户分类模型,利用所述分类模型对所述第一类历史客户进行分类,得到符合产品推荐要求的第二类历史客户;
提取所述第二类历史客户的客户行为数据,得到目标行为数据,根据所述目标行为数据构建目标客户画像,向符合所述目标客户画像的客户进行产品推荐。
2.如权利要求1所述的产品推荐方法,其特征在于,所述将所述客户行为数据输入到预构建的信用评分卡模型,得到每个所述历史客户的信用评分,包括:
利用预设的信用标签对所述客户行为数据进行筛选,得到客户信用数据集;
查找所述客户信用数据集的缺失值并进行缺失值填充,得到标准信用数据集;
利用逻辑回归算法对所述标准信用数据集进行计算,得到所述历史客户的信用概率;
将所述信用概率转化为信用分数,并将所述信用分数作为对应历史客户的信用评分。
3.如权利要求2所述的产品推荐方法,其特征在于,所述查找所述客户信用数据集的缺失值并进行缺失值填充,得到标准信用数据集,包括:
获取所述客户信用数据集中的数据标签;
逐个选取一个历史客户的信用数据集作为目标客户数据集;
遍历所述目标客户数据集,利用所述数据标签查找所述目标客户数据集中的缺失值对应的数据标签,得到缺失值数据标签;
在所述客户信用数据集中提取所述缺失值数据标签对应的客户信用缺失数据集,基于所述客户信用缺失数据集利用灰色预测法计算所述缺失值数据标签的缺失值,并将所述缺失值填充至所述目标客户数据集,得到标准信用数据集。
4.如权利要求1所述的产品推荐方法,其特征在于,所述提取所述第一类历史客户行为数据中的数据特征,得到所述第一类历史客户对应的数据特征,包括:
利用预构建的特征语义模型对所述第一类历史客户行为数据进行卷积、池化操作,得到所述第一类历史客户行为数据的低维数据特征;
将所述低维数据特征映射到预先构建的高维空间中,得到所述第一类历史客户行为数据的高维数据特征;
汇集所述低维数据及所述高维数据特征,得到所述第一类历史客户对应的数据特征。
5.如权利要求1所述的产品推荐方法,其特征在于,所述根据所述第一类历史客户对应的数据特征构建客户分类模型,利用所述分类模型对所述第一类历史客户进行分类,包括:
利用预构建的向量转换模型将所述数据特征转换为特征向量,得到特征向量集;
根据所述特征向量集构建超平面函数;
利用所述超平面函数对所述第一类历史客户进行分类。
6.如权利要求5所述的产品推荐方法,其特征在于,所述利用所述超平面函数对所述第一类历史客户进行分类,包括:
将所述特征向量映射至预设的坐标系中,得到特征向量坐标集;
计算所述特征向量坐标集中任意两个坐标的欧式距离,并选择所述欧式距离最小的特征向量坐标作为目标特征坐标;
计算所述目标特征坐标到所述超平面函数的距离值,根据所述距离值构建最小距离函数;
利用拉格朗日乘数法求解所述最小距离函数,得到超平面,利用所述超平面对所述第一类历史客户进行分类。
7.如权利要求1所述的产品推荐方法,其特征在于,所述提取所述第二类历史客户的客户行为数据,得到目标行为数据,根据所述目标行为数据构建目标客户画像,包括:
根据所述目标行为数据构建客户属性标签库;
提取所述客户属性库中出现次数大于预设阈值的属性标签,得到目标客户的固有属性标签;
将所述固有属性标签相关联,得到所述目标客户的客户画像。
8.一种产品推荐装置,其特征在于,所述装置包括:
客户行为数据获取模块,用于获取历史客户的客户行为数据;
历史客户分类模块,用于将所述客户行为数据输入到预构建的信用评分卡模型,得到每个所述历史客户的信用评分,将所述信用评分大于预设阈值的客户作为第一类历史客户;
数据特征提取模块,用于提取所述第一类历史客户行为数据中的数据特征,得到所述第一类历史客户对应的数据特征;
第一类历史客户分类模块,用于根据所述第一类历史客户对应的数据特征构建客户分类模型,利用所述分类模型对所述第一类历史客户进行分类,得到符合产品推荐要求的第二类历史客户;
产品推荐模块,用于提取所述第二类历史客户的客户行为数据,得到目标行为数据,根据所述目标行为数据构建目标客户画像,向符合所述目标客户画像的客户进行产品推荐。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的产品推荐方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的产品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210277857.2A CN114612225A (zh) | 2022-03-21 | 2022-03-21 | 产品推荐方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210277857.2A CN114612225A (zh) | 2022-03-21 | 2022-03-21 | 产品推荐方法、装置、电子设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114612225A true CN114612225A (zh) | 2022-06-10 |
Family
ID=81865029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210277857.2A Pending CN114612225A (zh) | 2022-03-21 | 2022-03-21 | 产品推荐方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114612225A (zh) |
-
2022
- 2022-03-21 CN CN202210277857.2A patent/CN114612225A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
CN109493199A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN114912948B (zh) | 基于云服务的跨境电商大数据智能处理方法、装置及设备 | |
CN115391669B (zh) | 一种智能推荐方法、装置、电子设备 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN112988963A (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
CN113946690A (zh) | 潜在客户挖掘方法、装置、电子设备及存储介质 | |
CN113886691A (zh) | 基于历史数据的智能推荐方法、装置、电子设备及介质 | |
CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN113592605A (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN114880449A (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
CN113656690A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN115204971B (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
CN114708073B (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN115982454A (zh) | 基于用户画像的问卷推送方法、装置、设备及存储介质 | |
CN115641186A (zh) | 直播产品偏好的智能分析方法、装置、设备及存储介质 | |
CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
CN114385815A (zh) | 基于业务需求的新闻筛选方法、装置、设备及存储介质 | |
CN114219544A (zh) | 消费倾向分析方法、装置、设备及存储介质 | |
CN114973374A (zh) | 基于表情的风险评测方法、装置、设备及存储介质 | |
CN114612225A (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
CN113869981A (zh) | 线下产品推荐方法、装置、设备及可读存储介质 |
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 |