CN115391414A - 一种基于大数据的银行市场拓展系统及方法 - Google Patents

一种基于大数据的银行市场拓展系统及方法 Download PDF

Info

Publication number
CN115391414A
CN115391414A CN202211330791.5A CN202211330791A CN115391414A CN 115391414 A CN115391414 A CN 115391414A CN 202211330791 A CN202211330791 A CN 202211330791A CN 115391414 A CN115391414 A CN 115391414A
Authority
CN
China
Prior art keywords
vector
entity
vectors
transacted
client
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.)
Granted
Application number
CN202211330791.5A
Other languages
English (en)
Other versions
CN115391414B (zh
Inventor
张万双
张敬波
杨玉华
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.)
Beijing Win Win World Management Consulting Co ltd
Original Assignee
Beijing Win Win World Management Consulting Co 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 Beijing Win Win World Management Consulting Co ltd filed Critical Beijing Win Win World Management Consulting Co ltd
Priority to CN202211330791.5A priority Critical patent/CN115391414B/zh
Publication of CN115391414A publication Critical patent/CN115391414A/zh
Application granted granted Critical
Publication of CN115391414B publication Critical patent/CN115391414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Technology Law (AREA)
  • Biophysics (AREA)
  • Fuzzy Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种基于大数据的银行市场拓展系统及方法，包括：获取历史客户数据，提取历史客户数据中与任一业务关联的客户数据；基于业务特征对提取的已办理业务客户的多种特征信息进行聚类；基于已办理业务客户的代表特征构建多个实体向量，以及，基于已办理业务客户之间的关联性，构建关系向量；基于存在关联关系的两个已办理业务客户的实体向量以及关系向量构建三元组集合；基于三元组集合训练预设预测模型；基于潜在客户的特征信息，利用训练后的预测模型在已办理业务客户的特征信息的范围内进行匹配。本申请的方法利用预测模型对潜在客户进行预测，从而从潜在客户中确定出大概率会办理该业务的目标客户，由此来提高拓客的准确性。

Description

一种基于大数据的银行市场拓展系统及方法
技术领域
本申请涉及商业数据处理技术领域，尤其涉及一种基于大数据的银行市场拓展系统及方法。
背景技术
在商业的发展过程中，与流量息息相关，越多的客户流量，能带动更多的客户流量。而此过程中拓客能够增加商业流量，对潜在客户进行挖掘，促进商业的推广。
例如客户拓展一直是银行对公业务重视的领域，而当前银行业的对公营销体系中的一个重要环节就是拓客名单的获取与筛选。由于市场中全量客户的数量非常庞大且分散。现有的拓客方式带来的一大痛点是分支行客户经理在拿到大水漫灌式的营销名单后，难以把握营销重点，丧失很多拓展市场的先机。
现有技术中，例如采用基于统计行为的图计算方法是目前较为常用的分析企业营销拓客成功率的算法。通过计算节点中心度、pageRank等图指标获取每个企业节点的特征，再运用机器学习算法进行拓客成功指数的打分。该技术方法虽然具有一定的可解释性，但企业级图谱的关系网络十分复杂，因此对于企业营销拓客成功指数预测，学习结果的可解释性差。
发明内容
本申请实施例提供一种基于大数据的银行市场拓展系统及方法，用以针对每一类业务特点，提取更深层次的特征来实现对客户价值的挖掘，提高拓客的精准程度。
本申请实施例提出一种基于大数据的银行市场拓展方法，包括：
获取历史客户数据，为任一业务，提取历史客户数据中与所述任一业务关联的客户数据，并分类为已办理业务客户和潜在客户；
确定所述任一业务的业务特征，并提取所述已办理业务客户的历史客户数据的多种特征信息，基于所述业务特征对提取的已办理业务客户的多种特征信息进行聚类，以基于聚类的结果确定所述任一业务的代表特征；
基于所述已办理业务客户的代表特征构建多个实体向量，以及，基于所述已办理业务客户之间的关联性，构建关系向量；
基于存在关联关系的两个已办理业务客户的实体向量以及关系向量构建三元组集合；
基于所述三元组集合训练预设预测模型；
基于所述潜在客户的特征信息，利用训练后的预测模型在已办理业务客户的特征信息的范围内进行匹配，并将匹配度高于阈值的情况下，将所述潜在客户作为目标客户，对所述任一业务完成客户价值挖掘。
可选的，基于所述已办理业务客户的代表特征构建多个实体向量，以及，基于所述已办理业务客户之间的关联性，构建关系向量包括：
基于所述已办理业务客户的代表特征构建多个实体向量
Figure 942410DEST_PATH_IMAGE001
、
Figure 593971DEST_PATH_IMAGE002
、…、
Figure 842550DEST_PATH_IMAGE003
,
Figure 332699DEST_PATH_IMAGE004
，
Figure 615913DEST_PATH_IMAGE005
表示维度为
Figure 297430DEST_PATH_IMAGE006
的实体向量空间；
确定任意两个已办理业务客户之间的关联关系，并构建关系向量
Figure 33305DEST_PATH_IMAGE007
、
Figure 825680DEST_PATH_IMAGE008
、…、
Figure 963401DEST_PATH_IMAGE009
，
Figure 550240DEST_PATH_IMAGE010
，
Figure 38990DEST_PATH_IMAGE011
表示维度为
Figure 244843DEST_PATH_IMAGE012
的关系向量空间。
可选的，基于所述三元组集合训练预设预测模型包括如下步骤：
将所述三元组集合中的任一三元组(
Figure 594660DEST_PATH_IMAGE013
,
Figure 617979DEST_PATH_IMAGE014
,
Figure 594026DEST_PATH_IMAGE015
)
Figure 337991DEST_PATH_IMAGE016
，
Figure 574937DEST_PATH_IMAGE017
中的第一实体向量拆分为多个子向量
Figure 378945DEST_PATH_IMAGE018
,
Figure 701342DEST_PATH_IMAGE019
，并基于任一子 向量
Figure 514577DEST_PATH_IMAGE020
构建3D卷积滤波器
Figure 107495DEST_PATH_IMAGE021
，其中
Figure 347983DEST_PATH_IMAGE022
，
Figure 892097DEST_PATH_IMAGE023
分别表示滤波器 的长、宽和高；以及根据所述任一三元组中的关系向量
Figure 243444DEST_PATH_IMAGE014
构建3D矩阵
Figure 330349DEST_PATH_IMAGE024
，并 将所述3D矩阵
Figure 866372DEST_PATH_IMAGE025
作为预设卷积层的输入；
基于构建的3D卷积的滤波器对输入进行卷积，以基于任一所述滤波器
Figure 773148DEST_PATH_IMAGE026
生成对 应的目标特征图；
将各目标特征图展平并堆叠成一个目标向量
Figure 787241DEST_PATH_IMAGE027
；
利用全连接层将目标向量
Figure 994231DEST_PATH_IMAGE027
投影到所述关系向量的关系向量空间
Figure 199691DEST_PATH_IMAGE011
，并与任一 三元组中第二实体向量
Figure 593763DEST_PATH_IMAGE028
内积，迭代运算以获得预测实体向量。
可选的，基于构建的3D卷积的滤波器对输入进行卷积，以基于任一所述滤波器
Figure 411547DEST_PATH_IMAGE026
生成对应的目标特征图包括：
利用任一所述滤波器
Figure 207464DEST_PATH_IMAGE026
生成对应的一个特征图
Figure 960657DEST_PATH_IMAGE029
；
将生成的特征图
Figure 966659DEST_PATH_IMAGE030
进行非线性函数ReLU运算，以生成卷积特征图。
可选的，利用全连接层将目标向量
Figure 729079DEST_PATH_IMAGE027
投影到所述关系向量的关系向量空间
Figure 238557DEST_PATH_IMAGE011
，并 与任一三元组中第二实体向量
Figure 162651DEST_PATH_IMAGE028
内积满足：
Figure 157414DEST_PATH_IMAGE031
其中，
Figure 192366DEST_PATH_IMAGE032
表示目标向量
Figure 87510DEST_PATH_IMAGE033
在关系向量空间
Figure 916926DEST_PATH_IMAGE011
的投影，
Figure 38465DEST_PATH_IMAGE034
，
Figure 1742DEST_PATH_IMAGE035
表示全连接层参数，
Figure 361179DEST_PATH_IMAGE036
为非线性函数；
还包括基于所述内积定义打分函数满足：
Figure 751709DEST_PATH_IMAGE037
将第一实体向量
Figure 829387DEST_PATH_IMAGE013
和关系
Figure 94890DEST_PATH_IMAGE014
作为输入，将多个实体向量作为第二实体向量的候 选向量，为候选实体向量打分。
可选的，基于所述三元组集合训练预设预测模型还包括：
对于任一输入
Figure 574413DEST_PATH_IMAGE038
，最小化交叉熵损失函数：
Figure 135844DEST_PATH_IMAGE039
其中
Figure 966397DEST_PATH_IMAGE040
是一个二分类标签，在
Figure 271476DEST_PATH_IMAGE041
是一个真实三元组的情况下，
Figure 605505DEST_PATH_IMAGE040
值为1，否则
Figure 337838DEST_PATH_IMAGE040
值为0，
Figure 655687DEST_PATH_IMAGE042
表示实体向量集。
可选的，基于所述潜在客户的特征信息，利用训练后的预测模型在已办理业务客户的特征信息的范围内进行匹配，并将匹配度高于阈值的情况下，将所述潜在客户作为目标客户包括：
基于所述潜在客户的历史客户数据提取特征信息，并构建所述潜在客户的第三实 体向量
Figure 374244DEST_PATH_IMAGE043
；
利用所述第三实体向量
Figure 454458DEST_PATH_IMAGE044
遍历已办理业务客户实体向量集合、关系向量集合， 以基于所述第三实体向量
Figure 233058DEST_PATH_IMAGE043
，遍历的关系向量以及遍历的实体向量，构建待预测三元组；
利用打分函数对所述待预测三元组进行打分；
确定为任一第三实体向量
Figure 162837DEST_PATH_IMAGE043
打分超过预设分值的多个已办理业务客户的实体向 量以及对应的多个关系向量；
在所确定的多个关系向量均指向同一已办理业务客户的实体向量的情况下，将所述潜在客户作为目标客户。
本申请实施例还提出一种基于大数据的客户价值挖掘系统，包括处理器和存储器，所述存储器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前述的基于大数据的银行市场拓展方法的步骤。
本申请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计算机程序，所述计算机程序被处理器执行时实现前述的基于大数据的银行市场拓展方法的步骤。
本实施例的方法通过提取已办理业务客户的历史客户数据的多种特征信息，基于任一业务的业务特征对提取的已办理业务客户的多种特征信息进行聚类，以基于聚类的结果确定任一业务的代表特征，在确定代表性特征的基础上训练预设预测模型，由此可以利用预测模型对潜在客户进行预测，从而从潜在客户中确定出大概率会办理该业务的目标客户，由此来提高拓客的准确性。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本实施例的基于大数据的银行市场拓展方法的基本流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本申请实施例提出一种基于大数据的银行市场拓展方法，包括：
在步骤S101中，获取历史客户数据，为任一业务，提取历史客户数据中与所述任一业务关联的客户数据，并分类为已办理业务客户和潜在客户。本示例中根据业务类型来获取相关的客户数据，由此并非针对所有的客户数据进行处理，降低数据的处理量。同时本示例中，将客户数据分类为已经办理了该业务的法人(个人或公司等)客户以及潜在的可能办理该类业务的客户，本示例的方法用于从潜在客户中，确定目标客户来实现针对性的、精准的客户拓展。
在步骤S102中，确定所述任一业务的业务特征，并提取所述已办理业务客户的历史客户数据的多种特征信息，基于所述业务特征对提取的已办理业务客户的多种特征信息进行聚类，以基于聚类的结果确定所述任一业务的代表特征。针对客户数据的复杂性，本示例中针对任一业务的业务特征，来对已办理业务客户的特征信息来进行聚类，具体可以利用例如k-means算法，从而从客户的多种特征信息中确定出与任一业务的业务特征，距离最短的一个或多个特征信息，作为代表特征，在任一业务的业务特征不唯一的情况下，可以分别确定多个距离最短的代表特征，具体的聚类过程在此不做赘述。
在步骤S103中，基于所述已办理业务客户的代表特征构建多个实体向量，以及，基于所述已办理业务客户之间的关联性，构建关系向量。在一些实施例中，基于所述已办理业务客户的代表特征构建多个实体向量，以及，基于所述已办理业务客户之间的关联性，构建关系向量具体可以采用如下方式：
基于所述已办理业务客户的代表特征构建多个实体向量
Figure 685085DEST_PATH_IMAGE001
、
Figure 118340DEST_PATH_IMAGE002
、…、
Figure 67842DEST_PATH_IMAGE003
,
Figure 94704DEST_PATH_IMAGE004
，
Figure 545277DEST_PATH_IMAGE005
表示维度为
Figure 708405DEST_PATH_IMAGE006
的实体向量空间。
确定任意两个已办理业务客户之间的关联关系，并构建关系向量
Figure 451976DEST_PATH_IMAGE007
、
Figure 966134DEST_PATH_IMAGE008
、…、
Figure 220398DEST_PATH_IMAGE009
，
Figure 238033DEST_PATH_IMAGE010
，
Figure 919550DEST_PATH_IMAGE011
表示维度为
Figure 655425DEST_PATH_IMAGE012
的关系向量空间。在一些示例中，可以为确定的关系向量对 该业务的影响大小进行排序，从而确定主要关系和次要关系，具体的分类可以根据实际需 要确定，在此不做赘述。
在步骤S104中，基于存在关联关系的两个已办理业务客户的实体向量以及关系向量构建三元组集合。
在步骤S105中，基于所述三元组集合训练预设预测模型。本示例中的在预设预测模型训练后，可以输入潜在客户的特征信息和关系，对三元组的另一实体进行预测，从而进一步实现基于已办理业务客户的价值挖掘。
在步骤S106中，基于所述潜在客户的特征信息，利用训练后的预测模型在已办理业务客户的特征信息的范围内进行匹配，并将匹配度高于阈值的情况下，将所述潜在客户作为目标客户，对所述任一业务完成客户价值挖掘。本示例中通过在已办理业务客户的特征信息的范围内进行匹配，从而在潜在客户对应的预测特征与已办理业务客户的特征信息的匹配度高于阈值的情况下，该潜在客户即为目标客户。通过本申请实施例的方法能够有效提高拓客的准确性，帮助客户经理从复杂大量的客户数据中过滤掉噪声数据，提高客户经理进行业务拓展的效率。
在一些实施例中，基于所述三元组集合训练预设预测模型包括如下步骤：
将所述三元组集合中的任一三元组(
Figure 588746DEST_PATH_IMAGE013
,
Figure 585520DEST_PATH_IMAGE014
,
Figure 313305DEST_PATH_IMAGE015
)
Figure 162575DEST_PATH_IMAGE016
，
Figure 634007DEST_PATH_IMAGE017
中的第一实体向量拆分为多个子向量
Figure 750868DEST_PATH_IMAGE018
,
Figure 649554DEST_PATH_IMAGE019
，并基于任一子 向量
Figure 219075DEST_PATH_IMAGE020
构建3D卷积滤波器
Figure 228620DEST_PATH_IMAGE021
，其中
Figure 465566DEST_PATH_IMAGE022
，
Figure 535153DEST_PATH_IMAGE023
分别表示滤波器 的长、宽和高。
进一步的，根据所述任一三元组中的关系向量
Figure 732916DEST_PATH_IMAGE014
构建3D矩阵
Figure 903741DEST_PATH_IMAGE024
，并 将所述3D矩阵
Figure 870560DEST_PATH_IMAGE025
作为预设卷积层的输入。
基于构建的3D卷积的滤波器对输入进行卷积，以基于任一所述滤波器
Figure 970103DEST_PATH_IMAGE026
生成对 应的目标特征图。
本示例中为了后续完成评分，将各目标特征图展平并堆叠成一个目标向量
Figure 920742DEST_PATH_IMAGE027
，并进 一步利用一个全连接层将目标向量
Figure 396722DEST_PATH_IMAGE027
投影到所述关系向量的关系向量空间
Figure 218048DEST_PATH_IMAGE011
，接着与任 一三元组中第二实体向量
Figure 754071DEST_PATH_IMAGE028
内积，迭代运算以获得预测实体向量，在具体示例中，迭代到达 指定次数后，即可获得最终的预测实体向量。
在一些实施例中，基于构建的3D卷积的滤波器对输入进行卷积，以基于任一所述 滤波器
Figure 660847DEST_PATH_IMAGE026
生成对应的目标特征图包括：利用任一所述滤波器
Figure 815885DEST_PATH_IMAGE026
生成对应的一个特征图
Figure 383395DEST_PATH_IMAGE029
，然后将生成的特征图
Figure 700107DEST_PATH_IMAGE030
进行非线性函数ReLU运 算，以生成卷积特征图。
在一些实施例中，利用全连接层将目标向量
Figure 218813DEST_PATH_IMAGE027
投影到所述关系向量的关系向量空 间
Figure 911963DEST_PATH_IMAGE011
，并与任一三元组中第二实体向量
Figure 832514DEST_PATH_IMAGE028
内积满足：
Figure 851286DEST_PATH_IMAGE031
其中，
Figure 857288DEST_PATH_IMAGE032
表示目标向量
Figure 88549DEST_PATH_IMAGE033
在关系向量空间
Figure 4552DEST_PATH_IMAGE011
的投影，
Figure 551815DEST_PATH_IMAGE034
，
Figure 920479DEST_PATH_IMAGE035
表示全连接层参数，
Figure 80065DEST_PATH_IMAGE036
为非线性函数。
本实施例中，通过3D卷积的滤波器对输入进行自适应卷积的方式能够在实体和关系交互建模中，在不同区域的输入实体和关系表示之间进行丰富的交互，同时生成的所有卷积特征将具有交互的特征，从而实现更深层次的特征信息的获取。
本实施例中设计直接对输出的多个实体向量进行打分的方式，包括基于所述内积定义打分函数满足：
Figure 584996DEST_PATH_IMAGE037
由此将第一实体向量
Figure 70204DEST_PATH_IMAGE013
和关系
Figure 926164DEST_PATH_IMAGE014
作为输入，将输出的多个实体向量作为第二实 体向量的候选向量，为候选实体向量打分。在打分后可以获得一个打分向量
Figure 623862DEST_PATH_IMAGE045
， 打分向量的维度对应一个输出的实体。
在一些实施例中，基于所述三元组集合训练预设预测模型还包括：
对于任一输入
Figure 248878DEST_PATH_IMAGE038
，最小化交叉熵损失函数：
Figure 140873DEST_PATH_IMAGE039
其中
Figure 484130DEST_PATH_IMAGE040
是一个二分类标签，在
Figure 126464DEST_PATH_IMAGE041
是一个真实三元组的情况下，
Figure 730621DEST_PATH_IMAGE040
值为1，否则
Figure 167418DEST_PATH_IMAGE040
值为0，
Figure 122605DEST_PATH_IMAGE042
表示实体向量集。在具体训练过程中，可以使用批量归一化来稳 定和加速预测模型的收敛。
在一些实施例中，基于所述潜在客户的特征信息，利用训练后的预测模型在已办理业务客户的特征信息的范围内进行匹配，并将匹配度高于阈值的情况下，将所述潜在客户作为目标客户包括：
基于所述潜在客户的历史客户数据提取特征信息，并构建所述潜在客户的第三实 体向量
Figure 37471DEST_PATH_IMAGE043
。
利用所述第三实体向量
Figure 761713DEST_PATH_IMAGE044
遍历已办理业务客户实体向量集合
Figure 634992DEST_PATH_IMAGE003
、关系向量集 合，以基于所述第三实体向量
Figure 687261DEST_PATH_IMAGE043
，遍历的关系向量
Figure 28987DEST_PATH_IMAGE014
以及遍历的实体向量
Figure 483103DEST_PATH_IMAGE046
，构建待预测 三元组(
Figure 386336DEST_PATH_IMAGE043
,
Figure 925902DEST_PATH_IMAGE014
,
Figure 572784DEST_PATH_IMAGE047
)，
Figure 881406DEST_PATH_IMAGE048
，
Figure 955541DEST_PATH_IMAGE049
。
利用打分函数对所述待预测三元组进行打分。
确定为任一第三实体向量
Figure 716824DEST_PATH_IMAGE043
打分超过预设分值的多个已办理业务客户的实体向 量以及对应的多个关系向量。本示例中在遍历已办理业务客户实体向量集合的同时，还遍 历各关系向量
Figure 668861DEST_PATH_IMAGE014
，由此基于第三实体向量
Figure 831989DEST_PATH_IMAGE043
、遍历的关系向量
Figure 77026DEST_PATH_IMAGE014
以及遍历的实体向量
Figure 591184DEST_PATH_IMAGE047
，来寻找与第三实体向量
Figure 579869DEST_PATH_IMAGE043
可能存在关系的实体向量。
本示例中基于任一关系以及已办理业务的客户的实体向量进行遍历，基于前述实 施例，本申请中关系可以分为主要关系和次要关系。在一些实施例中，在所确定的多个关系 向量均指向同一已办理业务客户的实体向量的情况下，将所述潜在客户作为目标客户。例 如(
Figure 863082DEST_PATH_IMAGE043
,
Figure 544599DEST_PATH_IMAGE007
)、(
Figure 280474DEST_PATH_IMAGE043
,
Figure 329243DEST_PATH_IMAGE008
)、(
Figure 466963DEST_PATH_IMAGE043
,
Figure 460327DEST_PATH_IMAGE050
)均能遍历到同一已办理业务客户的实体向量
Figure 542553DEST_PATH_IMAGE001
，也即打 分均超过预设分值，且关系
Figure 13985DEST_PATH_IMAGE007
、
Figure 396425DEST_PATH_IMAGE050
均属于主要关系，则可以认为该潜在客户较大概率也会 办理该任一业务，由此将该潜在客户作为目标客户，推送给客户经理进行拓客。在一些具体 应用场景中，所能匹配的关系越多，且主要关系越多，则可以认为该潜在客户办理任一业务 的概率越大。
本实施例的方法通过提取已办理业务客户的历史客户数据的多种特征信息，基于任一业务的业务特征对提取的已办理业务客户的多种特征信息进行聚类，以基于聚类的结果确定任一业务的代表特征，在确定代表性特征的基础上训练预设预测模型，利用3D卷积网络的滤波器与尾实体进行卷积操作得到特征图，由此可以挖掘更深层次的特征信息，利用训练后的预测模型从而从潜在客户中确定出大概率会办理该业务的目标客户，利用本申请的方法可以提高客户拓展的准确性，极大降低客户经理处理客户数据的复杂程度。
本申请实施例还提出一种基于大数据的客户价值挖掘系统，包括处理器和存储器，所述存储器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前述的基于大数据的银行市场拓展方法的步骤。
本申请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计算机程序，所述计算机程序被处理器执行时实现前述的基于大数据的银行市场拓展方法的步骤。
此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本公开的具有等同元件、修改、省略、组合（例如，各种实施例交叉的方案）、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如，上述示例（或其一个或更多方案）可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本公开的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
以上实施例仅为本公开的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (9)

1.一种基于大数据的银行市场拓展方法，其特征在于，包括如下步骤：
获取历史客户数据，为任一业务，提取历史客户数据中与所述任一业务关联的客户数据，并分类为已办理业务客户和潜在客户；
确定所述任一业务的业务特征，并提取所述已办理业务客户的历史客户数据的多种特征信息，基于所述业务特征对提取的已办理业务客户的多种特征信息进行聚类，以基于聚类的结果确定所述任一业务的代表特征；
基于所述已办理业务客户的代表特征构建多个实体向量，以及，基于所述已办理业务客户之间的关联性，构建关系向量；
基于存在关联关系的两个已办理业务客户的实体向量以及关系向量构建三元组集合；
基于所述三元组集合训练预设预测模型；
基于所述潜在客户的特征信息，利用训练后的预测模型在已办理业务客户的特征信息的范围内进行匹配，并将匹配度高于阈值的情况下，将所述潜在客户作为目标客户，对所述任一业务完成客户价值挖掘。
2.如权利要求1所述的基于大数据的银行市场拓展方法，其特征在于，基于所述已办理业务客户的代表特征构建多个实体向量，以及，基于所述已办理业务客户之间的关联性，构建关系向量包括：
基于所述已办理业务客户的代表特征构建多个实体向量
Figure 978751DEST_PATH_IMAGE001
、
Figure 813851DEST_PATH_IMAGE002
、…、
Figure 88975DEST_PATH_IMAGE003
,
Figure 935708DEST_PATH_IMAGE004
，
Figure 631394DEST_PATH_IMAGE005
表示维度为
Figure 829157DEST_PATH_IMAGE006
的实体向量空间；
确定任意两个已办理业务客户之间的关联关系，并构建关系向量
Figure 767026DEST_PATH_IMAGE007
、
Figure 733845DEST_PATH_IMAGE008
、…、
Figure 833388DEST_PATH_IMAGE009
，
Figure 784027DEST_PATH_IMAGE010
，
Figure 135374DEST_PATH_IMAGE011
表示维度为
Figure 81333DEST_PATH_IMAGE012
的关系向量空间。
3.如权利要求2所述的基于大数据的银行市场拓展方法，其特征在于，基于所述三元组集合训练预设预测模型包括如下步骤：
将所述三元组集合中的任一三元组(
Figure 227143DEST_PATH_IMAGE013
,
Figure 757088DEST_PATH_IMAGE014
,
Figure 912126DEST_PATH_IMAGE015
)
Figure 447013DEST_PATH_IMAGE016
，
Figure 153938DEST_PATH_IMAGE017
中 的第一实体向量拆分为多个子向量
Figure 548010DEST_PATH_IMAGE018
,
Figure 365793DEST_PATH_IMAGE019
，并基于任一子向量
Figure 427290DEST_PATH_IMAGE020
构建3D卷积滤波器
Figure 180483DEST_PATH_IMAGE021
，其中
Figure 422370DEST_PATH_IMAGE022
，
Figure 184790DEST_PATH_IMAGE023
分别表示滤波器的长、 宽和高；以及
根据所述任一三元组中的关系向量
Figure 959848DEST_PATH_IMAGE014
构建3D矩阵
Figure 883942DEST_PATH_IMAGE024
，并将所述3D矩阵
Figure 377240DEST_PATH_IMAGE025
作为预设卷积层的输入；
基于构建的3D卷积的滤波器对输入进行卷积，以基于任一所述滤波器
Figure 412192DEST_PATH_IMAGE026
生成对应的 目标特征图；
将各目标特征图展平并堆叠成一个目标向量
Figure 182702DEST_PATH_IMAGE027
；
利用全连接层将目标向量
Figure 402331DEST_PATH_IMAGE027
投影到所述关系向量的关系向量空间
Figure 992712DEST_PATH_IMAGE011
，并与任一三元 组中第二实体向量
Figure 454524DEST_PATH_IMAGE028
内积，迭代运算以获得预测实体向量。
4.如权利要求3所述的基于大数据的银行市场拓展方法，其特征在于，基于构建的3D卷 积的滤波器对输入进行卷积，以基于任一所述滤波器
Figure 345119DEST_PATH_IMAGE026
生成对应的目标特征图包括：
利用任一所述滤波器
Figure 735649DEST_PATH_IMAGE026
生成对应的一个特征图
Figure 813327DEST_PATH_IMAGE029
；
将生成的特征图
Figure 455661DEST_PATH_IMAGE030
进行非线性函数ReLU运算，以生成卷积特征图。
5.如权利要求4所述的基于大数据的银行市场拓展方法，其特征在于，利用全连接层将 目标向量
Figure 59817DEST_PATH_IMAGE027
投影到所述关系向量的关系向量空间
Figure 496615DEST_PATH_IMAGE011
，并与任一三元组中第二实体向量
Figure 186222DEST_PATH_IMAGE028
内积满足：
Figure 632247DEST_PATH_IMAGE031
其中，
Figure 857954DEST_PATH_IMAGE032
表示目标向量
Figure 465653DEST_PATH_IMAGE033
在关系向量空间
Figure 517923DEST_PATH_IMAGE011
的投影，
Figure 626693DEST_PATH_IMAGE034
，
Figure 80808DEST_PATH_IMAGE035
表示全连接层参数，
Figure 984042DEST_PATH_IMAGE036
为非线性函数；
还包括基于所述内积定义打分函数满足：
Figure 523608DEST_PATH_IMAGE037
将第一实体向量
Figure 170490DEST_PATH_IMAGE013
和关系
Figure 479112DEST_PATH_IMAGE014
作为输入，将多个实体向量作为第二实体向量的候选向 量，为候选实体向量打分。
6.如权利要求5所述的基于大数据的银行市场拓展方法，其特征在于，基于所述三元组集合训练预设预测模型还包括：
对于任一输入
Figure 51782DEST_PATH_IMAGE038
，最小化交叉熵损失函数：
Figure 78644DEST_PATH_IMAGE039
其中
Figure 263638DEST_PATH_IMAGE040
是一个二分类标签，在
Figure 957924DEST_PATH_IMAGE041
是一个真实三元组的情况下，
Figure 78327DEST_PATH_IMAGE040
值为 1，否则
Figure 451539DEST_PATH_IMAGE040
值为0，
Figure 315590DEST_PATH_IMAGE042
表示实体向量集。
7.如权利要求4所述的基于大数据的银行市场拓展方法，其特征在于，基于所述潜在客户的特征信息，利用训练后的预测模型在已办理业务客户的特征信息的范围内进行匹配，并将匹配度高于阈值的情况下，将所述潜在客户作为目标客户包括：
基于所述潜在客户的历史客户数据提取特征信息，并构建所述潜在客户的第三实体向 量
Figure 723438DEST_PATH_IMAGE043
；
利用所述第三实体向量
Figure 280321DEST_PATH_IMAGE044
遍历已办理业务客户实体向量集合、关系向量集合，以基于 所述第三实体向量
Figure 642294DEST_PATH_IMAGE043
，遍历的关系向量以及遍历的实体向量，构建待预测三元组；
利用打分函数对所述待预测三元组进行打分；
确定为任一第三实体向量
Figure 310036DEST_PATH_IMAGE043
打分超过预设分值的多个已办理业务客户的实体向量以 及对应的多个关系向量；
在所确定的多个关系向量均指向同一已办理业务客户的实体向量的情况下，将所述潜在客户作为目标客户。
8.一种基于大数据的客户价值挖掘系统，其特征在于，包括处理器和存储器，所述存储器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大数据的银行市场拓展方法的步骤。
9.一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大数据的银行市场拓展方法的步骤。
CN202211330791.5A 2022-10-28 2022-10-28 一种基于大数据的银行市场拓展系统及方法 Active CN115391414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211330791.5A CN115391414B (zh) 2022-10-28 2022-10-28 一种基于大数据的银行市场拓展系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211330791.5A CN115391414B (zh) 2022-10-28 2022-10-28 一种基于大数据的银行市场拓展系统及方法

Publications (2)

Publication Number Publication Date
CN115391414A true CN115391414A (zh) 2022-11-25
CN115391414B CN115391414B (zh) 2023-01-13

Family

ID=84114920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211330791.5A Active CN115391414B (zh) 2022-10-28 2022-10-28 一种基于大数据的银行市场拓展系统及方法

Country Status (1)

Country Link
CN (1) CN115391414B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020140386A1 (zh) * 2019-01-02 2020-07-09 平安科技（深圳）有限公司 基于TextCNN知识抽取方法、装置、计算机设备及存储介质
CN112116448A (zh) * 2020-09-09 2020-12-22 中国农业银行股份有限公司湖南省分行 一种面向三农客户画像的精准营销构建方法
CN112508603A (zh) * 2020-11-26 2021-03-16 泰康保险集团股份有限公司 养老社区潜在客户信息挖掘方法及装置
CN112989059A (zh) * 2019-12-17 2021-06-18 中国移动通信集团浙江有限公司 潜在客户识别方法及装置、设备及可读计算机存储介质
CN113487327A (zh) * 2021-07-27 2021-10-08 中国银行股份有限公司 基于聚类算法的交易参数设置方法及装置
US20210350395A1 (en) * 2020-05-08 2021-11-11 Accenture Global Solutions Limited Intelligent prospect assessment
CN113706291A (zh) * 2021-08-31 2021-11-26 平安普惠企业管理有限公司 欺诈风险预测方法、装置、设备及存储介质
CN113946690A (zh) * 2021-10-28 2022-01-18 平安科技（深圳）有限公司 潜在客户挖掘方法、装置、电子设备及存储介质
WO2022095378A1 (zh) * 2020-11-03 2022-05-12 平安科技（深圳）有限公司 基于人工智能的培训方法、装置、计算机设备及存储介质
CN114861072A (zh) * 2022-07-05 2022-08-05 浙商银行股份有限公司 一种基于层间组合机制的图卷积网络推荐方法及装置
CN114943559A (zh) * 2022-05-30 2022-08-26 中国银行股份有限公司 一种客户价值建模方法和系统、电子设备、存储介质
US20220277249A1 (en) * 2021-02-26 2022-09-01 Intuit Inc. Benchmarking based on company vendor data
CN115131058A (zh) * 2022-06-02 2022-09-30 腾讯科技（深圳）有限公司 账号识别方法、装置、设备及存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020140386A1 (zh) * 2019-01-02 2020-07-09 平安科技（深圳）有限公司 基于TextCNN知识抽取方法、装置、计算机设备及存储介质
CN112989059A (zh) * 2019-12-17 2021-06-18 中国移动通信集团浙江有限公司 潜在客户识别方法及装置、设备及可读计算机存储介质
US20210350395A1 (en) * 2020-05-08 2021-11-11 Accenture Global Solutions Limited Intelligent prospect assessment
CN112116448A (zh) * 2020-09-09 2020-12-22 中国农业银行股份有限公司湖南省分行 一种面向三农客户画像的精准营销构建方法
WO2022095378A1 (zh) * 2020-11-03 2022-05-12 平安科技（深圳）有限公司 基于人工智能的培训方法、装置、计算机设备及存储介质
CN112508603A (zh) * 2020-11-26 2021-03-16 泰康保险集团股份有限公司 养老社区潜在客户信息挖掘方法及装置
US20220277249A1 (en) * 2021-02-26 2022-09-01 Intuit Inc. Benchmarking based on company vendor data
CN113487327A (zh) * 2021-07-27 2021-10-08 中国银行股份有限公司 基于聚类算法的交易参数设置方法及装置
CN113706291A (zh) * 2021-08-31 2021-11-26 平安普惠企业管理有限公司 欺诈风险预测方法、装置、设备及存储介质
CN113946690A (zh) * 2021-10-28 2022-01-18 平安科技（深圳）有限公司 潜在客户挖掘方法、装置、电子设备及存储介质
CN114943559A (zh) * 2022-05-30 2022-08-26 中国银行股份有限公司 一种客户价值建模方法和系统、电子设备、存储介质
CN115131058A (zh) * 2022-06-02 2022-09-30 腾讯科技（深圳）有限公司 账号识别方法、装置、设备及存储介质
CN114861072A (zh) * 2022-07-05 2022-08-05 浙商银行股份有限公司 一种基于层间组合机制的图卷积网络推荐方法及装置

Also Published As

Publication number Publication date
CN115391414B (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
JP7169369B2 (ja) 機械学習アルゴリズムのためのデータを生成する方法、システム
CN111931505A (zh) 一种基于子图嵌入的跨语言实体对齐方法
CN113220886A (zh) 文本分类方法、文本分类模型训练方法及相关设备
CN111461225B (zh) 客户聚类系统及其方法
CN113298230A (zh) 一种基于生成对抗网络的不平衡数据集的预测方法
CN111639690A (zh) 基于关系图谱学习的欺诈分析方法、系统、介质及设备
WO2022011553A1 (en) Feature interaction via edge search
CN115293919A (zh) 面向社交网络分布外泛化的图神经网络预测方法及系统
CN112215629B (zh) 基于构造对抗样本的多目标广告生成系统及其方法
CN116401379A (zh) 金融产品数据推送方法、装置、设备及存储介质
CN111339435A (zh) 一种基于潜在因子的矩阵分解补全混合推荐方法
CN112905906B (zh) 一种融合局部协同与特征交叉的推荐方法及系统
CN110580252A (zh) 多目标优化下的空间对象索引与查询方法
CN116664173B (zh) 一种基于大数据模型的竞品分析方法、终端及存储介质
CN112905894A (zh) 一种基于增强图学习的协同过滤推荐方法
CN115391414B (zh) 一种基于大数据的银行市场拓展系统及方法
CN115907775A (zh) 基于深度学习的个人征信评级方法及其应用
CN114997378A (zh) 归纳式图神经网络剪枝方法、系统、设备及存储介质
CN114494753A (zh) 聚类方法、装置、电子设备及计算机可读存储介质
CN114969511A (zh) 基于分片的内容推荐方法、设备及介质
CN113657441A (zh) 基于加权皮尔逊相关系数并结合特征筛选的分类算法
CN113744023A (zh) 一种基于图卷积网络的双通道协同过滤推荐方法
CN113159976A (zh) 一种微博网络重要用户的识别方法
Poiitis et al. Pointspectrum: Equivariance Meets Laplacian Filtering for Graph Representation Learning
CN116679888B (zh) 基于流形学习的电商数据优化存储方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhang Wanshuang

Inventor after: Liu Nan

Inventor after: Zhang Jingbo

Inventor after: Yang Yuhua

Inventor before: Zhang Wanshuang

Inventor before: Zhang Jingbo

Inventor before: Yang Yuhua