CN116628284B - 一种基于记忆网络的客户信息管理方法及系统 - Google Patents

Abstract

本发明提供了一种基于记忆网络的客户信息管理方法及系统，涉及信息管理技术领域，调用新增客户信息输入信息处理模型，获取信息处理结果于管理存储模块进行分布式存储，获取检索目标并确定关键检索特征，输入管理存储模块执行多层检索与分析判定，获取检索结果，实现客户信息的存储更新与检索调用管理，解决了现有技术中由于信息较为繁杂，且存在一定的主观思维介入，导致各项操作受限，无法实现客户信息的灵活、高效与高精度管理的技术问题，针对信息进行类目归属与信息架构体系提炼，于适配位置进行存储，以保障数据的有序性与信息完整性，针对检索需求进行逐层检索分析，提高检索效率并保障准确度，以实现客户信息的灵活针对性有效管理。

Description

一种基于记忆网络的客户信息管理方法及系统

技术领域

本发明涉及信息管理技术领域，具体涉及一种基于记忆网络的客户信息管理方法及系统。

背景技术

随着社会的信息化程度越来越高，信息的日益膨胀造成信息管理困难，针对客户信息，由于信息的多元化与递变性，传统的企业信息管理方法难以满足当前的管理需求。目前，常规的客户信息管理方式主要基于自建的数据库，介入管理人员通过人机交互进行信息管理，由于信息较为繁杂，且存在一定的主观思维介入，导致各项操作受限，无法实现客户信息的灵活、高效与高精度管理。

发明内容

本申请提供了一种基于记忆网络的客户信息管理方法及系统，用于针对解决现有技术中存在的由于信息较为繁杂，且存在一定的主观思维介入，导致各项操作受限，无法实现客户信息的灵活、高效与高精度管理的技术问题。

鉴于上述问题，本申请提供了一种基于记忆网络的客户信息管理方法及系统。

第一方面，本申请提供了一种基于记忆网络的客户信息管理方法，所述方法包括：

调用预定批次的新增客户信息，所述新增客户信息包括客户基础信息与业务信息；

将所述客户基础信息与所述业务信息输入信息处理模型，输出信息处理结果，所述信息处理结果包括客户归属类与信息架构体系；

基于管理存储模块，对所述信息处理结果进行分布式存储，获取更新存储信息，所述管理存储模块可执行主动更新与被动更新，包括系统存储子模块与云存储子模块，所述系统存储子模块与所述云存储子模块信道连接；

获取检索目标，基于所述检索目标确定关键检索特征；

基于所述关键检索特征，对所述系统存储子模块中的所述更新存储信息进行一级检索，获取一项检索信息，并结合所述检索目标判断所述一项检索信息的损失度是否满足阈值标准；

若满足，基于所述一项检索信息，于所述云存储子模块中进行所述更新存储信息的映射调用，获取二项检索信息；

将所述一项检索信息与所述二项检索信息作为检索结果，实现客户信息的存储更新与检索调用管理。

第二方面，本申请提供了一种基于记忆网络的客户信息管理系统，所述系统包括：

信息调用模块，所述信息调用模块用于调用预定批次的新增客户信息，所述新增客户信息包括客户基础信息与业务信息；

信息处理模块，所述信息处理模块用于将所述客户基础信息与所述业务信息输入信息处理模型，输出信息处理结果，所述信息处理结果包括客户归属类与信息架构体系；

结果存储模块，所述结果存储模块用于基于管理存储模块，对所述信息处理结果进行分布式存储，获取更新存储信息，所述管理存储模块可执行主动更新与被动更新，包括系统存储子模块与云存储子模块，所述系统存储子模块与所述云存储子模块信道连接；

特征确定模块，所述特征确定模块用于获取检索目标，基于所述检索目标确定关键检索特征；

一项检索信息获取模块，所述一项检索信息获取模块用于基于所述关键检索特征，对所述系统存储子模块中的所述更新存储信息进行一级检索，获取一项检索信息，并结合所述检索目标判断所述一项检索信息的损失度是否满足阈值标准；

二项检索信息获取模块，所述二项检索信息获取模块用于若满足，基于所述一项检索信息，于所述云存储子模块中进行所述更新存储信息的映射调用，获取二项检索信息；

信息管理模块，所述信息管理模块用于将所述一项检索信息与所述二项检索信息作为检索结果，实现客户信息的存储更新与检索调用管理。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请实施例提供的一种基于记忆网络的客户信息管理方法，调用预定批次的新增客户信息，包括客户基础信息与业务信息，输入信息处理模型获取信息处理结果，包括客户归属类与信息架构体系。基于管理存储模块对所述信息处理结果进行分布式存储，获取更新存储信息，所述管理存储模块可执行主动更新与被动更新，包括系统存储子模块与云存储子模块，所述系统存储子模块与所述云存储子模块信道连接。获取检索目标并确定关键检索特征，对所述系统存储子模块中的所述更新存储信息进行一级检索，获取一项检索信息，并结合所述检索目标判断所述一项检索信息的损失度是否满足阈值标准；若满足，基于所述一项检索信息，于所述云存储子模块中进行所述更新存储信息的映射调用，获取二项检索信息，实现客户信息的存储更新与检索调用管理，解决了现有技术中存在的由于信息较为繁杂，且存在一定的主观思维介入，导致各项操作受限，无法实现客户信息的灵活、高效与高精度管理的技术问题，针对信息进行类目归属与信息架构体系提炼，于适配位置进行存储，以保障数据的有序性与信息完整性，针对检索需求进行逐层检索分析，提高检索效率并保障准确度，以实现客户信息的灵活针对性有效管理。

附图说明

图1为本申请提供了一种基于记忆网络的客户信息管理方法流程示意图；

图2为本申请提供了一种基于记忆网络的客户信息管理方法中信息处理模型构建流程示意图；

图3为本申请提供了一种基于记忆网络的客户信息管理方法中信息处理结果的存储流程示意图；

图4为本申请提供了一种基于记忆网络的客户信息管理系统结构示意图。

附图标记说明：信息调用模块11，信息处理模块12，结果存储模块13，特征确定模块14，一项检索信息获取模块15，二项检索信息获取模块16，信息管理模块17。

具体实施方式

本申请通过提供一种基于记忆网络的客户信息管理方法及系统，调用新增客户信息输入信息处理模型，获取信息处理结果于管理存储模块进行分布式存储，获取检索目标并确定关键检索特征，输入管理存储模块执行多层检索与分析判定，获取检索结果，实现客户信息的存储更新与检索调用管理，用于解决现有技术中存在的由于信息较为繁杂，且存在一定的主观思维介入，导致各项操作受限，无法实现客户信息的灵活、高效与高精度管理的技术问题。

实施例一：

如图1所示，本申请提供了一种基于记忆网络的客户信息管理方法，所述方法包括：

步骤S100：调用预定批次的新增客户信息，所述新增客户信息包括客户基础信息与业务信息；

具体而言，随着社会的信息化程度越来越高，信息的日益膨胀造成信息管理困难，针对客户信息，由于信息的多元化与递变性，传统的企业信息管理方法难以满足当前的管理需求。本申请提供的一种基于记忆网络的客户信息管理方法，针对产生的新增客户信息进行类目归属与信息架构体系提炼，于适配位置进行存储，以保障数据的有序性与信息完整性，针对检索需求进行逐层检索分析，提高检索效率并保障准确度，以实现客户信息的针对性有效管理。

具体的，所述预定批次为预定时间区间内的批次产生信息，例如一周，对所述预定批次内存在业务往来的客户，确定客户类型、客户等级、是否为历史合作客户等，作为所述客户基础信息；并确定具体的合作或交易内容，例如签约合同、沟通信息等，作为所述业务信息。将所述客户基础信息与所述业务信息作为所述新增客户信息，所述新增客户信息为收录的新增待管理数据源。

步骤S200：将所述客户基础信息与所述业务信息输入信息处理模型，输出信息处理结果，所述信息处理结果包括客户归属类与信息架构体系；

进一步而言，如图2所示，所述将所述客户基础信息与所述业务信息输入信息处理模型之前，本申请步骤S200还包括：

步骤S210：交互所述管理存储模块，调用客户聚类信息；

步骤S220：采集归属样本，训练生成客户归属模块，所述客户归属模块内嵌有所述客户聚类信息，且基于所述管理存储模块同步更新；

步骤S230：搭建信息解离模块，与所述客户归属模块并行布设，生成所述信息处理模型。

进一步而言，所述搭建信息解离模块，本申请步骤S230还包括：

步骤S231：搭建多层注意分支，各层注意分支对应一注意特征，用于进行注意特征目标的语句采样；

步骤S232：针对所述多层注意分支，配置并连接记忆判定层，生成注意网络；

步骤S233：搭建信息规整单元，后置于所述注意网络，生成初始化解离模块；

步骤S234：确定所述注意特征目标并进行注意力赋权，对所述初始化解离模块进行调整，生成所述信息解离模块。

进一步而言，构建记忆判定层，本申请步骤S232还包括：

步骤S2321：采集样本数据，包括样本业务时限、样本信息时间长度与样本记忆时限；

步骤S2322：基于所述样本业务时限，构建多级决策层，各决策层对应一基于所述样本业务时限随机提取的层级决策信息；

步骤S2323：根据所述多级决策层，基于所述层级决策信息进行所述样本业务时限的递推式二分类，生成目标决策树；

步骤S2324：基于所述样本信息时间长度与所述样本记忆时限，对所述目标决策树进行匹配标识，生成记忆决策树；

步骤S2325：基于所述记忆决策树，生成所述记忆判定层。

具体而言，搭建所述管理存储模块，所述管理存储模块为客户信息的存储模块，存储有完备的体系化客户信息，交互所述管理存储模块，基于当前存储的架构体系，识别并调用所述客户聚类信息，即多种客户类别，例如基于客户等级、客户类型的多个划分结果。进一步的，构建所述客户归属模块，并将所述客户聚类信息作为底层依据嵌入所述客户归属模块。具体的，采集归属样本，所述归属样本包括样本客户基础信息与样本客户归属类，对所述样本客户基础信息与所述样本客户归属类进行映射关联，确定多个训练样本。基于所述多个训练样本进行神经网络训练，生成所述客户归属模块，所述客户归属模块用于进行新增客户的信息存储位置分析归属。对所述客户归属模块与所述管理存储模块建立连接，实现正向实时反馈更新，即所述管理存储模块的所述客户聚类信息存在更新调整时，同步反馈至所述客户归属模块中，以保障所述客户归属模块的时效性。

进一步的，搭建所述信息解离模块，用于进行业务信息的体系化处理，将其转换为存在相互关联的有序性分布信息体系。具体的，确定具有完备覆盖面的信息特征，例如信息主体、客体等；领域、目标等的代表性信息，作为所述注意特征，其中，所述注意特征目标为特征内容，即具体归属领域，例如电力应用等。针对各注意特征，分别训练构建一注意分支。示例性的，以样本业务信息为输入信息，以该注意特征为关注目标，以样本特征语句为识别输出信息，并进行所述输入信息与所述识别输出信息的对应关联，进行神经网络训练生成对应于该注意特征的注意分支，用于进行基于该注意特征的针对性信息识别与采样提取。搭建对应于各注意特征的多层注意分支，所述多层注意分支无顺序性并行布设，其中，所述多层注意分支的构建方法相同，具体训练数据不同。进一步的，构建所述记忆判定层，并后置于所述多层注意分支。

具体的，由于信息存在一定的时效性，即待业务完成后，为了保障存储信息的有效性，对其进行删除，进行备份留底即可。构建所述记忆决策层，以进行信息的存储时限分析确定。采集所述样本业务时限、所述样本信息时间长度与所述样本记忆时限，业务时限为执行时间区间，例如企业间一年的合作业务，人员的劳务合约时限等；时间长度为信息内容的时间跨度；记忆时限为待进行存储的时间区间。基于所述样本业务时限，随机提取一项作为第一决策层的决策信息，并对所述样本业务时限进行二分类；再次基于所述样本业务时限随机提取一项，作为第二决策层的决策信息，在上层分类结果的基础上进行划分，重复上述步骤，直至满足最大决策层数量。对构建完成的多级决策层进行层级连接，生成所述目标决策树。进一步遍历所述目标决策数据，对所述样本业务时间长度与所述样本记忆时限进行匹配与标识，作为所述记忆决策树。基于所述记忆决策树生成所述记忆判定层。

进一步的，对所述多层注意分支分别后置连接一所述记忆判定层，针对各层注意分支的输出信息，直接流转至后置的所述记忆判定层中进行存储时限分析，生成所述注意网络。设定规整体系逻辑，例如以概述、关键信息、主体内容、相关内容、整体内容作为体系层级，进行信息排布，搭建所述信息规整单元。将所述信息规整单元后置于所述注意网络，进行处理信息的有序性体系规整，生成所述初始化解离模块。由于数据解离分析过程中，不同特征信息的解离深度不同，即针对主要特征信息，对应的特征关联内容范围需求较广，否则相反，以此为基准，针对确定的注意特征目标进行权重分配，并进行注意力赋权，基于此对所述初始化解离模块进行调整，生成所述信息解离模块，以提高模块与所述新增客户信息的适配度，提高处理准确度。

进一步的，对所述管理存储模块与所述信息解离模块进行并行布设，获取构建完成的所述信息处理模型。进一步将所述客户基础信息输入所述信息处理模型内的管理存储模块，进行存储归属位置分析，确定所述客户归属类。将所述业务信息输入所述信息处理模型内的所述信息解离模块，基于所述多层注意分支进行信息的针对性识别提取；将对识别提取结果传输至所述记忆判定层，确定各项信息的存储时限；进一步传输至所述信息规整单元，进行信息的体系化规整，生成所述信息架构体系。所述客户归属类与所述信息架构体系为处理后的实际待进行存储的新增客户信息。

步骤S300：基于管理存储模块，对所述信息处理结果进行分布式存储，获取更新存储信息，所述管理存储模块可执行主动更新与被动更新，包括系统存储子模块与云存储子模块，所述系统存储子模块与所述云存储子模块信道连接；

进一步而言，如图3所示，所述基于管理存储模块，对所述信息处理结果进行分布式存储，本申请步骤S300还包括：

步骤S310-1：基于所述管理存储模块，对所述客户归属类进行匹配定位，确定信息存储位置；

步骤S320-1：对所述信息架构体系进行分割，确定主体信息层与内容信息层，所述主体信息层与所述内容信息层包括至少一个信息层；

步骤S330-1：基于所述信息存储位置，于所述系统存储子模块中对所述主体信息层进行存储；

步骤S340-1：基于所述信息存储位置，于所述云存储子模块中对所述内容信息层进行存储；

步骤S350-1：针对所述系统存储子模块与所述云存储子模块，建立所述主体信息层与所述内容信息层的映射连接。

进一步而言，所述管理存储模块可执行主动更新与被动更新，本申请步骤S300还包括：

步骤S310-2：若接收到所述新增客户信息，执行基于所述新增客户信息的主动更新；

步骤S320-2：基于存储起始时间节点，结合记忆时限确定存储终止时间节点；

步骤S330-2：若所述更新存储信息存在任一项满足所述存储终止时间节点，确定期限存储信息并生成自删除指令；

步骤S340-2：随着所述自删除指令的接收，进行所述期限存储信息的被动更新。

具体而言，所述管理存储模块用于进行客户信息的存储，包括所述系统存储子模块与所述云存储子模块，所述系统存储子模块置于系统空间中，用于存储主体性信息，所述云存储子模块置于云空间中，用于存储具体、完整的内容信息，可有效避免信息量化存在的存储空间不足的问题，对所述系统存储子模块与所述云存储子模块进行信道连接，用于进行信息的映射交互。于所述管理存储模块中对所述信息处理结果进行分布式存储。

具体的，于所述管理存储模块中，基于所述客户归属类进行匹配与定位，确定适配于所述信息处理结果的存储位置，作为所述信息存储位置。进一步的，基于所述系统存储子模块与所述云存储子模块的存储标准，对所述信息架构体系层级拆分为两部分，作为所述主体信息层与所述内容信息层，例如将概述、关键信息与主体内容对应的体系层级作为所述主体信息层，将相关内容与整体内容对应的体系层级作为所述内容信息层，所述主体信息层与所述内容信息层包括至少一个信息层，视具体信息架构体系状态而定。进一步的，于所述系统存储子模块中，基于所述信息存储位置对所述主体信息层进行位置匹配与存储；于所述云存储子模块中，基于所述信息存储位置对所述内容信息层进行位置匹配与存储。进一步对所述系统存储子模块中存入的所述主体信息层与所述云存储子模块中存入的所述内容信息层进行映射关联，以显示子模块之间的信息相关性，便于基于映射关系快速进行对应信息的识别提取。

进一步的，随着新增客户信息的产生与合作进程，进行所述管理存储模块的同步更新，以保障所述管理存储模块的时效性。针对接收的所述新增客户信息，基于所述信息处理模型分析处理后，输入所述系统存储子模块与所述云存储子模块中执行存储信息的主动更新。同时存储信息具有一定的时限性，针对完成的存储信息执行删除处理，以保障所述管理存储模块的信息有效性，缩减信息量。针对基于所述记忆判定层确定的所述记忆时限，以所述新增客户信息的存储时间为所述存储起始时间节点，进行时序后延所述记忆时限的对应时间区间，将后延终止的时刻点作为所述存储终止时间节点。

进一步的，对所述更新存储信息，即包括新增存储信息与已存储信息，进行各存储部分终止时间节点的识别，若所述更新存储信息的任一项满足所述存储终止时间节点，即达到了存储期限，将该项存储信息作为所述期限存储信息，并针对所述期限存储信息生成所述自删除指令。随着所述自删除指令的接收，对所述期限存储信息进行自动化删除操作，实现所述期限存储信息的被动更新。以确保所述管理存储模块内各项存储信息的有效性。

步骤S400：获取检索目标，基于所述检索目标确定关键检索特征；

步骤S500：基于所述关键检索特征，对所述系统存储子模块中的所述更新存储信息进行一级检索，获取一项检索信息，并结合所述检索目标判断所述一项检索信息的损失度是否满足阈值标准；

步骤S600：若满足，基于所述一项检索信息，于所述云存储子模块中进行所述更新存储信息的映射调用，获取二项检索信息；

步骤S700：将所述一项检索信息与所述二项检索信息作为检索结果，实现客户信息的存储更新与检索调用管理。

具体而言，所述检索目标为待进行检索调取的需求，例如某客户的部分合作信息，获取所述检索目标并进行关键检索特征的识别，例如阶段性合作主体、内容所属领域等，作为所述关键检索特征。将所述关键检索特征输入所述管理存储模块中的所述系统存储子模块，进行基于所述关键检索特征的一级检索，即针对所述系统存储子模块的检索执行，定位检索位置并针对存储信息架构体系逐层进行匹配判定，获取所述一项检索信息。所述一项检索信息为主体信息，信息具体程度不足，进一步判断所述一项检索信息是否满足所述检索目标的需求。具体的，确定所述一项检索需求较之所述检索目标的损失度，并判断是否满足所述阈值标准，即针对所述检索目标允许的损失宽容程度设定的临界损失度。

其中，若所述一项检索信息的损失度不满足所述阈值标准，表明所述一项检索信息的信息损失较小，处于可控范围且不应用后续检索信息的处理，将所述一项检索信息作为检索结果。若所述一项检索信息的损失度满足所述阈值标准，表明信息损失度较高，需进一步基于所述云存储子模块进行细化内容的检索调用。基于所述系统存储子模块与所述云存储子模块之间的映射关联，基于映射目标进行信息调用，获取所述二项检索信息。将所述一项检索信息与所述二项检索信息作为所述检索结果，进行高效检索并保障所述检索结果的目标契合度。结合本申请实施例提供的执行标准，实现客户信息的存储更新与检索调用管理，最大化保障客户信息的管理效果。

进一步而言，所述结合所述检索目标判断所述检索信息的损失度是否满足阈值标准，本申请步骤S500还包括：

步骤S510：对所述一项检索信息与所述检索目标进行映射关联，确定多组映射目标，所述多组映射目标标识有分布权重；

步骤S520：基于损失函数，遍历所述多组映射目标进行分析，确定多项损失系数；

步骤S530：基于所述分布权重，对所述多项损失系数进行加权计算，确定整体损失系数；

步骤S540：判断所述整体损失系数是否满足所述阈值标准，若满足，对所述多项损失系数进行阈值标准判定与检索分析。

具体而言，对所述一项检索信息与所述检索目标进行映射，确定多个细化目标与检索信息的对应组，作为所述多组映射目标，进一步以信息的重要程度为标准，对所述多组映射目标进行权重配置，确定分布权重并对所述多组映射目标进行对应标识，所述分布权重之和为1。以映射目标双方与信息偏差为变量，生成所述损失函数，基于所述损失函数，分别对所述多组映射目标进行损失计算，即对应细化目标与检索信息的偏差度，确定所述多个损失系数，即衡量信息损失程度的数据。

基于所述分布权重，对所述多项损失系数进行加权计算，将计算结果作为所述整体损失系数。进而判断所述整体损失系数是否满足所述阈值标准，若不满足，表明整体损失度处于可控范围，无需进行所述云存储子模块的信息映射调取；若满足，表明整体损失度较大，对所述多项损失系数分别进行阈值标准判定，提取满足所述阈值标准的损失系数，并确定对应的映射目标，于所述云存储子模块中对其进行进一步的信息调用，针对需求进行信息的层级检索，并保障检索调用信息的完整度。

实施例二：

基于与前述实施例中一种基于记忆网络的客户信息管理方法相同的发明构思，如图4所示，本申请提供了一种基于记忆网络的客户信息管理系统，所述系统包括：

信息调用模块11，所述信息调用模块11用于调用预定批次的新增客户信息，所述新增客户信息包括客户基础信息与业务信息；

信息处理模块12，所述信息处理模块12用于将所述客户基础信息与所述业务信息输入信息处理模型，输出信息处理结果，所述信息处理结果包括客户归属类与信息架构体系；

结果存储模块13，所述结果存储模块13用于基于管理存储模块，对所述信息处理结果进行分布式存储，获取更新存储信息，所述管理存储模块可执行主动更新与被动更新，包括系统存储子模块与云存储子模块，所述系统存储子模块与所述云存储子模块信道连接；

特征确定模块14，所述特征确定模块14用于获取检索目标，基于所述检索目标确定关键检索特征；

一项检索信息获取模块15，所述一项检索信息获取模块15用于基于所述关键检索特征，对所述系统存储子模块中的所述更新存储信息进行一级检索，获取一项检索信息，并结合所述检索目标判断所述一项检索信息的损失度是否满足阈值标准；

二项检索信息获取模块16，所述二项检索信息获取模块16用于若满足，基于所述一项检索信息，于所述云存储子模块中进行所述更新存储信息的映射调用，获取二项检索信息；

信息管理模块17，所述信息管理模块17用于将所述一项检索信息与所述二项检索信息作为检索结果，实现客户信息的存储更新与检索调用管理。

进一步而言，所述信息处理模块，还包括：

客户聚类信息调用模块，所述客户聚类信息调用模块用于交互所述管理存储模块，调用客户聚类信息；

客户归属模块训练模块，所述客户归属模块训练模块用于采集归属样本，训练生成客户归属模块，所述客户归属模块内嵌有所述客户聚类信息，且基于所述管理存储模块同步更新；

信息处理模型生成模块，所述信息处理模型生成模块用于搭建信息解离模块，与所述客户归属模块并行布设，生成所述信息处理模型。

进一步而言，所述信息处理模型生成模块，还包括：

多层注意分支搭建模块，所述多层注意分支搭建模块用于搭建多层注意分支，各层注意分支对应一注意特征，用于进行注意特征目标的语句采样；

注意网络生成模块，所述注意网络生成模块用于针对所述多层注意分支，配置并连接记忆判定层，生成注意网络；

初始化解离模块生成模块，所述初始化解离模块生成模块用于搭建信息规整单元，后置于所述注意网络，生成初始化解离模块；

信息解离模块生成模块，所述信息解离模块生成模块用于确定所述注意特征目标并进行注意力赋权，对所述初始化解离模块进行调整，生成所述信息解离模块。

进一步而言，所述注意网络生成模块，还包括：

样本采集模块，所述样本采集模块用于采集样本数据，包括样本业务时限、样本信息时间长度与样本记忆时限；

多级决策层构建模块，所述多级决策层构建模块用于基于所述样本业务时限，构建多级决策层，各决策层对应一基于所述样本业务时限随机提取的层级决策信息；

目标决策树生成模块，所述目标决策树生成模块用于根据所述多级决策层，基于所述层级决策信息进行所述样本业务时限的递推式二分类，生成目标决策树；

记忆决策树生成模块，所述记忆决策树生成模块用于基于所述样本信息时间长度与所述样本记忆时限，对所述目标决策树进行匹配标识，生成记忆决策树；

记忆判定层生成模块，所述记忆判定层生成模块用于基于所述记忆决策树，生成所述记忆判定层。

进一步而言，所述结果存储模块，还包括：

主动更新执行模块，所述主动更新执行模块用于若接收到所述新增客户信息，执行基于所述新增客户信息的主动更新；

时间节点分析模块，所述时间节点分析模块用于基于存储起始时间节点，结合记忆时限确定存储终止时间节点；

信息确定模块，所述信息确定模块用于若所述更新存储信息存在任一项满足所述存储终止时间节点，确定期限存储信息并生成自删除指令；

被动更新执行模块，所述被动更新执行模块用于随着所述自删除指令的接收，进行所述期限存储信息的被动更新。

进一步而言，所述结果存储模块，还包括：

信息存储位置确定模块，所述信息存储位置确定模块用于基于所述管理存储模块，对所述客户归属类进行匹配定位，确定信息存储位置；

信息层分割模块，所述信息层分割模块用于对所述信息架构体系进行分割，确定主体信息层与内容信息层，所述主体信息层与所述内容信息层包括至少一个信息层；

主体信息层存储模块，所述主体信息层存储模块用于基于所述信息存储位置，于所述系统存储子模块中对所述主体信息层进行存储；

内容信息层存储模块，所述内容信息层存储模块用于基于所述信息存储位置，于所述云存储子模块中对所述内容信息层进行存储；

信息层连接模块，所述信息层连接模块用于针对所述系统存储子模块与所述云存储子模块，建立所述主体信息层与所述内容信息层的映射连接。

进一步而言，所述一项检索信息获取模块，还包括：

映射目标获取模块，所述映射目标获取模块用于对所述一项检索信息与所述检索目标进行映射关联，确定多组映射目标，所述多组映射目标标识有分布权重；

多项损失系数确定模块，所述多项损失系数确定模块用于基于损失函数，遍历所述多组映射目标进行分析，确定多项损失系数；

整体损失系数确定模块，所述整体损失系数确定模块用于基于所述分布权重，对所述多项损失系数进行加权计算，确定整体损失系数；

阈值判断模块，所述阈值判断模块用于判断所述整体损失系数是否满足所述阈值标准，若满足，对所述多项损失系数进行阈值标准判定与检索分析。

本说明书通过前述对一种基于记忆网络的客户信息管理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于记忆网络的客户信息管理方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种基于记忆网络的客户信息管理方法，其特征在于，所述方法包括：

调用预定批次的新增客户信息，所述新增客户信息包括客户基础信息与业务信息；

将所述客户基础信息与所述业务信息输入信息处理模型，输出信息处理结果，所述信息处理结果包括客户归属类与信息架构体系；

基于管理存储模块，对所述信息处理结果进行分布式存储，获取更新存储信息，所述管理存储模块可执行主动更新与被动更新，包括系统存储子模块与云存储子模块，所述系统存储子模块与所述云存储子模块信道连接；

获取检索目标，基于所述检索目标确定关键检索特征；

基于所述关键检索特征，对所述系统存储子模块中的所述更新存储信息进行一级检索，获取一项检索信息，并结合所述检索目标判断所述一项检索信息的损失度是否满足阈值标准；

若满足，基于所述一项检索信息，于所述云存储子模块中进行所述更新存储信息的映射调用，获取二项检索信息；

将所述一项检索信息与所述二项检索信息作为检索结果，实现客户信息的存储更新与检索调用管理；

所述将所述客户基础信息与所述业务信息输入信息处理模型之前，方法包括：

交互所述管理存储模块，调用客户聚类信息；

采集归属样本，训练生成客户归属模块，所述客户归属模块内嵌有所述客户聚类信息，且基于所述管理存储模块同步更新；

搭建信息解离模块，与所述客户归属模块并行布设，生成所述信息处理模型；

所述搭建信息解离模块，方法包括：

搭建多层注意分支，各层注意分支对应一注意特征，用于进行注意特征目标的语句采样；

针对所述多层注意分支，配置并连接记忆判定层，生成注意网络；

搭建信息规整单元，后置于所述注意网络，生成初始化解离模块；

确定所述注意特征目标并进行注意力赋权，对所述初始化解离模块进行调整，生成所述信息解离模块；

构建记忆判定层，方法包括：

采集样本数据，包括样本业务时限、样本信息时间长度与样本记忆时限；

基于所述样本业务时限，构建多级决策层，各决策层对应一基于所述样本业务时限随机提取的层级决策信息；

根据所述多级决策层，基于所述层级决策信息进行所述样本业务时限的递推式二分类，生成目标决策树；

基于所述样本信息时间长度与所述样本记忆时限，对所述目标决策树进行匹配标识，生成记忆决策树；

基于所述记忆决策树，生成所述记忆判定层。

2.如权利要求1所述的方法，其特征在于，所述管理存储模块可执行主动更新与被动更新，方法包括：

若接收到所述新增客户信息，执行基于所述新增客户信息的主动更新；

基于存储起始时间节点，结合记忆时限确定存储终止时间节点；

若所述更新存储信息存在任一项满足所述存储终止时间节点，确定期限存储信息并生成自删除指令；

随着所述自删除指令的接收，进行所述期限存储信息的被动更新。

3.如权利要求1所述的方法，其特征在于，所述基于管理存储模块，对所述信息处理结果进行分布式存储，方法包括：

基于所述管理存储模块，对所述客户归属类进行匹配定位，确定信息存储位置；

对所述信息架构体系进行分割，确定主体信息层与内容信息层，所述主体信息层与所述内容信息层包括至少一个信息层；

基于所述信息存储位置，于所述系统存储子模块中对所述主体信息层进行存储；

基于所述信息存储位置，于所述云存储子模块中对所述内容信息层进行存储；

针对所述系统存储子模块与所述云存储子模块，建立所述主体信息层与所述内容信息层的映射连接。

4.如权利要求1所述的方法，其特征在于，所述结合所述检索目标判断所述检索信息的损失度是否满足阈值标准，方法包括：

对所述一项检索信息与所述检索目标进行映射关联，确定多组映射目标，所述多组映射目标标识有分布权重；

基于损失函数，遍历所述多组映射目标进行分析，确定多项损失系数；

基于所述分布权重，对所述多项损失系数进行加权计算，确定整体损失系数；

判断所述整体损失系数是否满足所述阈值标准，若满足，对所述多项损失系数进行阈值标准判定与检索分析。

5.一种基于记忆网络的客户信息管理系统，其特征在于，所述系统执行权利要求1至4任一项所述的方法，所述系统包括：

信息调用模块，所述信息调用模块用于调用预定批次的新增客户信息，所述新增客户信息包括客户基础信息与业务信息；

信息处理模块，所述信息处理模块用于将所述客户基础信息与所述业务信息输入信息处理模型，输出信息处理结果，所述信息处理结果包括客户归属类与信息架构体系；

结果存储模块，所述结果存储模块用于基于管理存储模块，对所述信息处理结果进行分布式存储，获取更新存储信息，所述管理存储模块可执行主动更新与被动更新，包括系统存储子模块与云存储子模块，所述系统存储子模块与所述云存储子模块信道连接；

特征确定模块，所述特征确定模块用于获取检索目标，基于所述检索目标确定关键检索特征；

一项检索信息获取模块，所述一项检索信息获取模块用于基于所述关键检索特征，对所述系统存储子模块中的所述更新存储信息进行一级检索，获取一项检索信息，并结合所述检索目标判断所述一项检索信息的损失度是否满足阈值标准；

二项检索信息获取模块，所述二项检索信息获取模块用于若满足，基于所述一项检索信息，于所述云存储子模块中进行所述更新存储信息的映射调用，获取二项检索信息；

信息管理模块，所述信息管理模块用于将所述一项检索信息与所述二项检索信息作为检索结果，实现客户信息的存储更新与检索调用管理。