CN117333266A - 潜在风险行为处理方法、装置、计算机设备及存储介质 - Google Patents
潜在风险行为处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117333266A CN117333266A CN202311406613.0A CN202311406613A CN117333266A CN 117333266 A CN117333266 A CN 117333266A CN 202311406613 A CN202311406613 A CN 202311406613A CN 117333266 A CN117333266 A CN 117333266A
- Authority
- CN
- China
- Prior art keywords
- risk
- sample
- client
- training
- samples
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 205
- 230000006399 behavior Effects 0.000 claims abstract description 164
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 14
- 238000012790 confirmation Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 9
- 230000004884 risky behavior Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000007781 pre-processing Methods 0.000 abstract description 8
- 239000000523 sample Substances 0.000 description 241
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例属于人工智能和金融科技领域,涉及一种潜在风险行为处理方法、装置、计算机设备及存储介质,方法包括:获取各样本客户的训练样本,训练样本带有样本客户历史投诉情况的投诉标签;给各训练样本添加类别权重和特征权重得到加权训练样本;根据各加权训练样本训练得到风险行为预测模型;根据各训练样本的投诉标签筛选出风险客户,风险客户的风险样本包含风险客户对服务产品的偏好标签;根据各风险样本训练得到推荐模型;获取目标客户的客户样本并输入风险行为预测模型,得到风险行为预测结果;当目标客户具有潜在风险行为时,将客户样本输入推荐模型得到服务推荐结果,以对目标客户进行服务产品发放,实现了潜在风险行为的前置处理。
Description
技术领域
本申请涉及人工智能和金融科技领域,尤其涉及一种潜在风险行为处理方法、装置、计算机设备及存储介质。
背景技术
在生产经营活动中,主体对象遇到客户投诉是难以避免的事情,对于客户零散的、单次的投诉行为,主体对象通常是在被投诉后,以电话、短信、回访等方式解决客户投诉。例如在金融保险行业中,由于经营的保险种类太多,客户可能会因为未能准确理解投保过程、保险责任,或是对业务员不满意而产生投诉行为;或者,由于保险公司或业务员要处理的客户和保单数量太多无法及时有效地解决客户需求,致使客户产生投诉行为。然而,这种后置的解决思路不具备潜在风险行为的预见性;且在投诉行为发生后再进行处理,会占用较多的资源成本。
发明内容
本申请实施例的目的在于提出一种潜在风险行为处理方法、装置、计算机设备及存储介质,以实现潜在风险行为的前置处理。
为了解决上述技术问题,本申请实施例提供一种潜在风险行为处理方法,采用了如下所述的技术方案:
获取各样本客户的训练样本,训练样本带有样本客户历史投诉情况的投诉标签;
根据预设的权重添加策略,给各训练样本添加类别权重,并给所述各训练样本中的客户特征添加特征权重,得到所述各样本客户的加权训练样本;
根据所述各样本客户的加权训练样本训练初始风险行为预测模型,得到风险行为预测模型;
根据所述各训练样本的投诉标签,筛选所述各样本客户中的风险客户,并将各风险客户的训练样本作为风险样本,风险客户的风险样本包含风险客户对服务产品的偏好标签;
根据所述各风险客户的风险样本训练初始推荐模型,得到推荐模型;
获取目标客户的客户样本,并将所述客户样本输入所述风险行为预测模型,得到风险行为预测结果;
当所述风险行为预测结果表明所述目标客户具有潜在风险行为时,将所述客户样本输入所述推荐模型得到服务推荐结果,并根据所述服务推荐结果对所述目标客户进行服务产品发放。
为了解决上述技术问题,本申请实施例还提供一种潜在风险行为处理装置,采用了如下所述的技术方案:
训练获取模块,用于获取各样本客户的训练样本,训练样本带有样本客户历史投诉情况的投诉标签;
权重添加模块,用于根据预设的权重添加策略,给各训练样本添加类别权重,并给所述各训练样本中的客户特征添加特征权重,得到所述各样本客户的加权训练样本;
预测训练模块,用于根据所述各样本客户的加权训练样本训练初始风险行为预测模型,得到风险行为预测模型;
客户筛选模块,用于根据所述各训练样本的投诉标签,筛选所述各样本客户中的风险客户,并将各风险客户的训练样本作为风险样本,风险客户的风险样本包含风险客户对服务产品的偏好标签;
推荐训练模块,用于根据所述各风险客户的风险样本训练初始推荐模型,得到推荐模型;
风险预测模块,用于获取目标客户的客户样本,并将所述客户样本输入所述风险行为预测模型,得到风险行为预测结果;
服务发放模块,用于当所述风险行为预测结果表明所述目标客户具有潜在风险行为时,将所述客户样本输入所述推荐模型得到服务推荐结果,并根据所述服务推荐结果对所述目标客户进行服务产品发放。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
获取各样本客户的训练样本,训练样本带有样本客户历史投诉情况的投诉标签;
根据预设的权重添加策略,给各训练样本添加类别权重,并给所述各训练样本中的客户特征添加特征权重,得到所述各样本客户的加权训练样本;
根据所述各样本客户的加权训练样本训练初始风险行为预测模型,得到风险行为预测模型;
根据所述各训练样本的投诉标签,筛选所述各样本客户中的风险客户,并将各风险客户的训练样本作为风险样本,风险客户的风险样本包含风险客户对服务产品的偏好标签;
根据所述各风险客户的风险样本训练初始推荐模型,得到推荐模型;
获取目标客户的客户样本,并将所述客户样本输入所述风险行为预测模型,得到风险行为预测结果;
当所述风险行为预测结果表明所述目标客户具有潜在风险行为时,将所述客户样本输入所述推荐模型得到服务推荐结果,并根据所述服务推荐结果对所述目标客户进行服务产品发放。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
获取各样本客户的训练样本,训练样本带有样本客户历史投诉情况的投诉标签;
根据预设的权重添加策略,给各训练样本添加类别权重,并给所述各训练样本中的客户特征添加特征权重,得到所述各样本客户的加权训练样本;
根据所述各样本客户的加权训练样本训练初始风险行为预测模型,得到风险行为预测模型;
根据所述各训练样本的投诉标签,筛选所述各样本客户中的风险客户,并将各风险客户的训练样本作为风险样本,风险客户的风险样本包含风险客户对服务产品的偏好标签;
根据所述各风险客户的风险样本训练初始推荐模型,得到推荐模型;
获取目标客户的客户样本,并将所述客户样本输入所述风险行为预测模型,得到风险行为预测结果;
当所述风险行为预测结果表明所述目标客户具有潜在风险行为时,将所述客户样本输入所述推荐模型得到服务推荐结果,并根据所述服务推荐结果对所述目标客户进行服务产品发放。
与现有技术相比,本申请实施例主要有以下有益效果:获取各样本客户的训练样本,训练样本带有样本客户历史投诉情况的投诉标签;根据权重添加策略给各训练样本添加类别权重,以克服有投诉客户和未投诉客户间的数量差距带来的类别不平衡问题;给各训练样本中的客户特征添加特征权重以突出不同类型客户特征的重要性,得到各样本客户的加权训练样本;根据各样本客户的加权训练样本训练初始风险行为预测模型,得到风险行为预测模型;根据各训练样本的投诉标签,将有投诉行为的样本客户作为风险客户,并将各风险客户的训练样本作为风险样本,风险样本包含风险客户对服务产品的偏好标签;根据各风险客户的风险样本训练初始推荐模型,得到推荐模型;获取目标客户的客户样本并输入风险行为预测模型,得到风险行为预测结果;若预测目标客户会产生投诉行为,表明目标客户具有潜在风险行为,将客户样本输入推荐模型得到服务推荐结果,服务推荐结果包含目标客户偏好的服务产品,根据服务推荐结果对目标客户进行服务产品发放,实现了潜在风险客户的提前服务,减少了客户投诉行为的发生,提升了客户满意度,实现了客户潜在风险行为的提前发现以及前置处理。
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是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的潜在风险行为处理方法的一个实施例的流程图;
图3是根据本申请的潜在风险行为处理装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
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。
如图1所示,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、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
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、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、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。
需要说明的是,本申请实施例所提供的潜在风险行为处理方法一般由服务器执行,相应地,潜在风险行为处理装置一般设置于服务器中。
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。
继续参考图2,示出了根据本申请的潜在风险行为处理方法的一个实施例的流程图。所述的潜在风险行为处理方法,包括以下步骤:
步骤S201,获取各样本客户的训练样本,训练样本带有样本客户历史投诉情况的投诉标签。
在本实施例中,潜在风险行为处理方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式与终端设备进行通信。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
具体地,获取各样本客户的训练样本,训练样本带有样本客户历史投诉情况的投诉标签。例如,如果样本客户有投诉行为记录,则投诉标签为1,否则为0。训练样本中包含多种客户特征。举例说明,当样本客户为保险公司的在保客户时,客户特征可以包括:客户年龄、客户类型、客户性别、客户所属地区、征信等级、是否转介绍、是否为微信客户、微信是否关注公众号、是否为一人多车、是否下载好车主软件、行驶证类型,车牌种类、车型、车型上市时间、车辆座位数、排气量、是否改装、是否新能源车、车辆价值、车系、当年累计出险次数、去年出险次数、历史出险次数、历史赔付结论等。
步骤S202,根据预设的权重添加策略,给各训练样本添加类别权重,并给各训练样本中的客户特征添加特征权重,得到各样本客户的加权训练样本。
具体地,根据预设的权重添加策略,给各训练样本添加类别权重。根据投诉标签,可以将客户样本划分为有投诉记录的样本(本申请中记为正样本)和没有投诉记录的样本(本申请中记为负样本)。由于实际会投诉的客户数量远远少于不会投诉的客户数量,有投诉记录的客户样本通常数量较少,会产生类别不平衡问题。因此,可以给训练样本添加类别权重以克服类别不平衡问题。例如投诉客户的客户样本和不投诉客户的客户样本比例为1:99,则将正负类别权重设置为99:1。
本申请还要给各训练样本中的客户特征添加特征权重,以突出不同类型客户特征的重要性。添加完类别权重和特征权重后,得到各样本客户的加权训练样本。
步骤S203,根据各样本客户的加权训练样本训练初始风险行为预测模型,得到风险行为预测模型。
具体地,本申请将客户产生的投诉行为作为风险行为。各客户样本具有投诉标签,投诉标签显示样本客户在历史上是否发生过投诉。
将各样本客户的加权训练样本作为初始风险行为预测模型的输入,并将各加权训练样本的投诉标签作为模型的期望输出,对初始风险行为预测模型进行训练,得到风险行为预测模型。初始风险行为预测模型/风险行为预测模型可以由基于人工智能模型构建,为二分类模型。
加权训练样本中的权重,可以影响模型对不同样本、不同特征的关注程度。在训练过程中,初始风险行为预测模型会根据加权训练样本的类别权重和特征权重,以及预测结果与真实标签的差异,不断优化模型参数和模型结构。
步骤S204,根据各训练样本的投诉标签,筛选各样本客户中的风险客户,并将各风险客户的训练样本作为风险样本,风险客户的风险样本包含风险客户对服务产品的偏好标签。
其中,风险客户可以是指发生过投诉行为的客户。
具体地,根据各训练样本的投诉标签,从各样本客户中筛选出全部的风险客户。可以理解,风险客户是样本客户的子集。在得到风险客户后,我们将风险客户的训练样本记为风险样本。
风险客户的风险样本中还包含风险客户对服务产品的偏好标签。本申请中,主体机构可以为客户提供多种服务产品,例如保险公司可以为客户提供洗车服务,车辆保养服务、喷漆服务和代驾服务。客户可以购买并享受这些服务产品;根据客户对服务产品的偏好可以生成该客户的偏好标签。
步骤S205,根据各风险客户的风险样本训练初始推荐模型,得到推荐模型。
具体地,将各风险客户的风险样本作为初始推荐模型的模型输入,将各风险样本的偏好标签作为初始推荐模型的期望输出,对初始推荐模型进行训练,得到推荐模型。
初始推荐模型/推荐模型可以由基于人工智能模型构建,为多分类模型。
步骤S206,获取目标客户的客户样本,并将客户样本输入风险行为预测模型,得到风险行为预测结果。
具体地,在进行应用时,获取待检测的目标客户的客户样本,并将客户样本输入风险行为预测模型,得到风险行为预测结果。
步骤S207,当风险行为预测结果表明目标客户具有潜在风险行为时,将客户样本输入推荐模型得到服务推荐结果,并根据服务推荐结果对目标客户进行服务产品发放。
具体地,当风险行为预测模型预测的风险行为预测结果表明目标客户会产生/有较高概率发生投诉行为时,认为目标客户具有潜在风险行为。服务器再将客户样本输入推荐模型得到服务推荐结果。服务推荐结果包含了推荐模型为目标客户预测的服务产品,预测的服务产品可视为目标客户偏好的服务产品。
将服务推荐结果中的服务产品发送至目标客户,从而实现客户潜在风险行为的提前发现以及前置处理,以尽量减少客户投诉行为的发生,提升客户满意度,实现潜在风险客户的提前服务。
本实施例中,获取各样本客户的训练样本,训练样本带有样本客户历史投诉情况的投诉标签;根据权重添加策略给各训练样本添加类别权重,以克服有投诉客户和未投诉客户间的数量差距带来的类别不平衡问题;给各训练样本中的客户特征添加特征权重以突出不同类型客户特征的重要性,得到各样本客户的加权训练样本;根据各样本客户的加权训练样本训练初始风险行为预测模型,得到风险行为预测模型;根据各训练样本的投诉标签,将有投诉行为的样本客户作为风险客户,并将各风险客户的训练样本作为风险样本,风险样本包含风险客户对服务产品的偏好标签;根据各风险客户的风险样本训练初始推荐模型,得到推荐模型;获取目标客户的客户样本并输入风险行为预测模型,得到风险行为预测结果;若预测目标客户会产生投诉行为,表明目标客户具有潜在风险行为,将客户样本输入推荐模型得到服务推荐结果,服务推荐结果包含目标客户偏好的服务产品,根据服务推荐结果对目标客户进行服务产品发放,实现了潜在风险客户的提前服务,减少了客户投诉行为的发生,提升了客户满意度,实现了客户潜在风险行为的提前发现以及前置处理。
进一步的,上述步骤S202可以包括:根据各训练样本的投诉标签,将各训练样本划分为风险客户的风险样本以及非风险客户的非风险样本;统计各风险样本的第一数量和各非风险样本的第二数量,以根据第一数量和第二数量得到样本类别比例;根据样本类别比例,给各风险样本和各非风险样本对应添加类别权重,得到各样本客户的第一训练样本;获取各第一训练样本中每种客户特征的特征类型;根据各客户特征的特征类型,给各客户特征添加特征权重,得到各样本客户的加权训练样本。
具体地,根据各训练样本的投诉标签,将各训练样本划分为风险客户的风险样本以及非风险客户的非风险样本,可以理解,风险客户是发生过投诉行为的客户,非风险客户是未发生过投诉行为的客户。
统计各风险样本的第一数量,再统计各非风险样本的第二数量,可以令第一数量除以第二数量,得到样本类别比例。根据样本类别比例,给各风险样本和各非风险样本对应添加类别权重,得到各样本客户的第一训练样本。通常,各风险样本具有相同数值的类别权重,各非风险样本具有相同数值的类别权重,两类样本的类别权重数值不同。
在一个实施例中,预先设置了类别权重表,表中记录了预先通过统计分析或算法分析得到的,样本类别比例与两类样本类别权重之间的对应关系。可以通过查询该表,得到应该添加的类别权重。
获取各第一训练样本中每种客户特征的特征类型,不同特征类型的客户特征重要性不同。特征类型可以包括常规特征、一般关键特征和关键特征。举例说明,性别、地区这些客户特征重要性较为一般,可以作为常规特征;征信等级、车型等客户特征较为重要,可以作为一般关键特征;客户与业务员或客服的沟通记录可以较直接地显示客户的状态以及意向,非常重要,可以作为关键特征。
根据各客户特征的特征类型,给各客户特征添加特征权重,可以理解,特征类型越重要,客户特征的特征权重越大。
在添加完类别权重和特征权重后,可以得到各样本客户的加权训练样本。
本实施例中,根据各训练样本的投诉标签,将各训练样本划分为风险客户的风险样本以及非风险客户的非风险样本;统计各风险样本的第一数量和各非风险样本的第二数量,将两者比值作为样本类别比例;根据样本类型比例,给各风险样本和各非风险样本对应添加类别权重,以克服风险样本和非风险样本数量不平衡带来的影响;获取每种客户特征的特征类型,特征类型反应特征重要程度,根据特征类型给各客户特征添加特征权重,可以突出不同客户特征的重要性。
进一步的,上述初始风险行为预测模型为树模型,加权训练样本的特征权重用于树模型中决策树的节点分裂,风险样本的类别权重大于非风险样本的类别权重。
具体地,本申请中的初始风险行为预测模型/风险行为预测模型可以采用树模型,例如,可以是决策树、随机森林和梯度提升树(如LightGBM、XGBoost)等。初始推荐模型/推荐模型也可以是树模型。在一个实施例中,初始风险行为预测模型/风险行为预测模型和初始推荐模型/推荐模型都可以是LightGBM。LightGBM(Light Gradient Boosting Machine)是一种梯度提升树算法,用于解决各种监督学习问题,如分类、回归和排序;它是一种高效、可扩展且具有优异性能的机器学习算法,特别适用于处理大规模数据集。
本申请中,特征权重影响的是客户特征的重要性分数,它决定了客户特征在模型的决策中所起的作用。更重要的客户特征将更频繁地用于分裂决策树节点,从而在预测中更有影响力。
类别权重影响的是样本在模型训练中的重要性。更高权重的样本将更具影响力,模型将更努力地逼近这些样本的真实标签。可以理解,风险样本由于其数量少,类别权重大于非风险样本的类别权重。
本实施例中,初始风险行为预测模型为树模型;加权训练样本的特征权重用于树模型中决策树的节点分裂,更重要的客户特征将更频繁地用于分裂决策树节点,从而在预测中更有影响力;风险样本的类别权重大于非风险样本的类别权重,以使模型更加关注风险样本。
进一步的,在上述步骤S201之前,还可以包括:获取多个风险样本和多个非风险样本;对于每个风险样本,获取风险样本中记载的服务产品消耗信息;根据服务产品消耗信息确定风险样本所对应风险客户的偏好服务产品;根据偏好服务产品给风险样本添加偏好标签,并将各风险样本和各非风险样本设置为训练样本。
具体地,获取多个风险样本和多个非风险样本,对于每个风险样本,获取风险样本中记载的服务产品消耗信息,服务产品消耗信息是样本客户在过去对服务产品的使用消耗的具体记录,包括服务产品名称、使用时间、使用次数等。
根据服务产品消耗信息确定风险样本所对应风险客户使用消耗最多的服务产品(或者预设时间段之内,例如一年内之内使用消耗最多的服务产品),将其作为风险客户的偏好服务产品。将偏好服务产品的产品名称作为偏好标签,添加到风险样本中。然后将各风险样本和各非风险样本设置为训练样本。
本实施例中,获取多个风险样本,对于每个风险样本,获取风险样本中记载的服务产品消耗信息,将具有最多使用消耗的服务产品确定为风险客户的偏好服务产品;根据偏好服务产品给风险样本添加偏好标签,为后续初始推荐模型的训练做好准备。
进一步的,上述获取目标客户的客户样本的步骤可以包括:监测目标客户的客户状态,客户状态包括咨询进行状态、事项办理进行状态和常规状态;根据客户状态确定风险检测频率;基于风险检测频率,获取目标客户的客户样本。
具体地,服务器可以监测目标客户的客户状态,客户状态包括咨询进行状态、事项办理进行状态和常规状态。其中,咨询进行状态表示客户当前正在与业务员或客户经理等进行沟通或咨询服务,此时客户的状态或满意程度有较大概率发生波动,由于沟通咨询的实时性,这种波动的发生具有突然性,因此,应选择较高的风险检测频率,以确保能及时发现潜在风险行为。
事项办理进行状态表示客户当前具有正在办理的事项,例如客户申请对在保车辆进行赔付。事项办理的进程也可能影响客户的状态或满意程度,但这种波动相对较小,因此,可以选择中等的风险检测频率。
常规状态下客户并没有特殊事宜,此时客户的状态或满意程度较为稳定,因此,可以选择较低的风险检测频率。
服务器根据风险检测频率触发获取指令,根据获取指令获取目标客户的客户样本。
本实施例中,监测目标客户的客户状态,客户状态包括咨询进行状态、事项办理进行状态和常规状态;不同客户状态下客户情绪和满意程度波动可能性不同;根据客户状态确定风险检测频率,基于风险检测频率,获取目标客户的客户样本,从而确保及时检测到潜在风险行为。
进一步的,在上述得到风险行为预测结果的步骤之后,还可以包括:当风险行为预测结果表明目标客户具有潜在风险行为时,查询目标客户是否具有服务产品消耗信息;当目标客户具有服务产品消耗信息时,根据服务产品消耗信息确定目标客户的偏好服务产品,并根据偏好服务产品生成针对目标客户的服务推荐结果。
具体地,当风险行为预测结果表明目标客户具有潜在风险行为时,查询数据库中是否具有目标客户的服务产品消耗信息。当存在目标客户的服务产品消耗信息时,根据服务产品消耗信息确定目标客户的偏好服务产品,例如将目标客户使用消耗最多的服务产品(或者预设时间段之内使用消耗最多的服务产品)作为目标客户的偏好服务产品,根据偏好服务产品生成针对目标客户的服务推荐结果。
本实施例中,当目标客户具有潜在风险行为时,查询目标客户是否具有服务产品消耗信息;如果具有,则根据服务产品消耗信息确定目标客户的偏好服务产品,并根据偏好服务产品生成针对目标客户的服务推荐结果,服务推荐结果根据目标客户自身数据生成,更加准确。
进一步的,在上述将客户样本输入推荐模型得到服务推荐结果的步骤之后,还可以包括:将服务推荐结果发送至目标账号所登录的终端;接收终端根据服务推荐结果返回的确认指令,并根据确认指令,根据服务推荐结果对目标客户进行服务产品发放。
具体地,在生成服务推荐结果后,可以将服务推荐结果发送至目标账号所登录的终端。目标账号可以是管理人员(例如保险公司的业务员或客户经理)所持有的账号,管理人员通过终端查看服务推荐结果并进行评估(例如结合预算进行评估)。当确认无误后,通过终端向服务器返回针对服务推荐结果返回的确认指令,服务器根据确认指令,根据服务推荐结果对目标客户进行服务产品发放。
在一个实施例中,管理人员也可以通过终端对服务推荐结果进行修改调整,然后将修改调整后的服务推荐结果发送至服务器,服务器根据修改调整后的服务推荐结果对目标客户进行服务产品发放。
本实施例中,将服务推荐结果发送至目标账号所登录的终端,基于终端返回的确认指令,根据服务推荐结果对目标客户进行服务产品发放,确保了客户服务的准确性。
需要强调的是,为进一步保证上述训练样本的私密和安全性,上述训练样本还可以存储于一区块链的节点中。
本申请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。
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。
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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令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。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种潜在风险行为处理装置的一个实施例,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3所示,本实施例所述的潜在风险行为处理装置300包括:训练获取模块301、权重添加模块302、预测训练模块303、客户筛选模块304、推荐训练模块305、风险预测模块306以及服务发放模块307,其中:
训练获取模块301,用于获取各样本客户的训练样本,训练样本带有样本客户历史投诉情况的投诉标签。
权重添加模块302,用于根据预设的权重添加策略,给各训练样本添加类别权重,并给各训练样本中的客户特征添加特征权重,得到各样本客户的加权训练样本。
预测训练模块303,用于根据各样本客户的加权训练样本训练初始风险行为预测模型,得到风险行为预测模型。
客户筛选模块304,用于根据各训练样本的投诉标签,筛选各样本客户中的风险客户,并将各风险客户的训练样本作为风险样本,风险客户的风险样本包含风险客户对服务产品的偏好标签。
推荐训练模块305,用于根据各风险客户的风险样本训练初始推荐模型,得到推荐模型。
风险预测模块306,用于获取目标客户的客户样本,并将客户样本输入风险行为预测模型,得到风险行为预测结果。
服务发放模块307,用于当风险行为预测结果表明目标客户具有潜在风险行为时,将客户样本输入推荐模型得到服务推荐结果,并根据服务推荐结果对目标客户进行服务产品发放。
本实施例中,获取各样本客户的训练样本,训练样本带有样本客户历史投诉情况的投诉标签;根据权重添加策略给各训练样本添加类别权重,以克服有投诉客户和未投诉客户间的数量差距带来的类别不平衡问题;给各训练样本中的客户特征添加特征权重以突出不同类型客户特征的重要性,得到各样本客户的加权训练样本;根据各样本客户的加权训练样本训练初始风险行为预测模型,得到风险行为预测模型;根据各训练样本的投诉标签,将有投诉行为的样本客户作为风险客户,并将各风险客户的训练样本作为风险样本,风险样本包含风险客户对服务产品的偏好标签;根据各风险客户的风险样本训练初始推荐模型,得到推荐模型;获取目标客户的客户样本并输入风险行为预测模型,得到风险行为预测结果;若预测目标客户会产生投诉行为,表明目标客户具有潜在风险行为,将客户样本输入推荐模型得到服务推荐结果,服务推荐结果包含目标客户偏好的服务产品,根据服务推荐结果对目标客户进行服务产品发放,实现了潜在风险客户的提前服务,减少了客户投诉行为的发生,提升了客户满意度,实现了客户潜在风险行为的提前发现以及前置处理。
在本实施例的一些可选的实现方式中,权重添加模块302可以包括:样本划分子模块、数量统计子模块、类别权重添加子模块、类型获取子模块以及特征权重添加子模块,其中:
样本划分子模块,用于根据各训练样本的投诉标签,将各训练样本划分为风险客户的风险样本以及非风险客户的非风险样本。
数量统计子模块,用于统计各风险样本的第一数量和各非风险样本的第二数量,以根据第一数量和第二数量得到样本类别比例。
类别权重添加子模块,用于根据样本类别比例,给各风险样本和各非风险样本对应添加类别权重,得到各样本客户的第一训练样本。
类型获取子模块,用于获取各第一训练样本中每种客户特征的特征类型。
特征权重添加子模块,用于根据各客户特征的特征类型,给各客户特征添加特征权重,得到各样本客户的加权训练样本。
本实施例中,根据各训练样本的投诉标签,将各训练样本划分为风险客户的风险样本以及非风险客户的非风险样本;统计各风险样本的第一数量和各非风险样本的第二数量,将两者比值作为样本类别比例;根据样本类型比例,给各风险样本和各非风险样本对应添加类别权重,以克服风险样本和非风险样本数量不平衡带来的影响;获取每种客户特征的特征类型,特征类型反应特征重要程度,根据特征类型给各客户特征添加特征权重,可以突出不同客户特征的重要性。
在本实施例的一些可选的实现方式中,初始风险行为预测模型为树模型,加权训练样本的特征权重用于树模型中决策树的节点分裂,风险样本的类别权重大于非风险样本的类别权重。
本实施例中,初始风险行为预测模型为树模型;加权训练样本的特征权重用于树模型中决策树的节点分裂,更重要的客户特征将更频繁地用于分裂决策树节点,从而在预测中更有影响力;风险样本的类别权重大于非风险样本的类别权重,以使模型更加关注风险样本。
在本实施例的一些可选的实现方式中,潜在风险行为处理装置300还可以包括:样本获取模块、信息获取模块、偏好确定模块以及偏好添加模块,其中:
样本获取模块,用于获取多个风险样本和多个非风险样本。
信息获取模块,用于对于每个风险样本,获取风险样本中记载的服务产品消耗信息。
偏好确定模块,用于根据服务产品消耗信息确定风险样本所对应风险客户的偏好服务产品。
偏好添加模块,用于根据偏好服务产品给风险样本添加偏好标签,并将各风险样本和各非风险样本设置为训练样本。
本实施例中,获取多个风险样本,对于每个风险样本,获取风险样本中记载的服务产品消耗信息,将具有最多使用消耗的服务产品确定为风险客户的偏好服务产品;根据偏好服务产品给风险样本添加偏好标签,为后续初始推荐模型的训练做好准备。
在本实施例的一些可选的实现方式中,风险预测模块306可以包括:状态监测子模块、频率确定子模块以及样本获取子模块,其中:
状态监测子模块,用于监测目标客户的客户状态,客户状态包括咨询进行状态、事项办理进行状态和常规状态。
频率确定子模块,用于根据客户状态确定风险检测频率。
样本获取子模块,用于基于风险检测频率,获取目标客户的客户样本。
本实施例中,监测目标客户的客户状态,客户状态包括咨询进行状态、事项办理进行状态和常规状态;不同客户状态下客户情绪和满意程度波动可能性不同;根据客户状态确定风险检测频率,基于风险检测频率,获取目标客户的客户样本,从而确保及时检测到潜在风险行为。
在本实施例的一些可选的实现方式中,服务发放模块307还可以包括:信息查询子模块以及偏好确定子模块,其中:
信息查询子模块,用于当风险行为预测结果表明目标客户具有潜在风险行为时,查询目标客户是否具有服务产品消耗信息。
偏好确定子模块,用于当目标客户具有服务产品消耗信息时,根据服务产品消耗信息确定目标客户的偏好服务产品,并根据偏好服务产品生成针对目标客户的服务推荐结果。
本实施例中,当目标客户具有潜在风险行为时,查询目标客户是否具有服务产品消耗信息;如果具有,则根据服务产品消耗信息确定目标客户的偏好服务产品,并根据偏好服务产品生成针对目标客户的服务推荐结果,服务推荐结果根据目标客户自身数据生成,更加准确。
在本实施例的一些可选的实现方式中,服务发放模块307还可以包括:结果发送子模块,其中:
结果发送子模块,用于将服务推荐结果发送至目标账号所登录的终端。
所述服务发放模块307还用于接收终端根据服务推荐结果返回的确认指令,并根据确认指令,根据服务推荐结果对目标客户进行服务产品发放。
本实施例中,将服务推荐结果发送至目标账号所登录的终端,基于终端返回的确认指令,根据服务推荐结果对目标客户进行服务产品发放,确保了客户服务的准确性。
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4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,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(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述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。所述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。
所述存储器41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、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,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如潜在风险行为处理方法的计算机可读指令等。此外,所述存储器41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。
所述处理器42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42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述潜在风险行为处理方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本实施例中提供的计算机设备可以执行上述潜在风险行为处理方法。此处潜在风险行为处理方法可以是上述各个实施例的潜在风险行为处理方法。
本实施例中,获取各样本客户的训练样本,训练样本带有样本客户历史投诉情况的投诉标签;根据权重添加策略给各训练样本添加类别权重,以克服有投诉客户和未投诉客户间的数量差距带来的类别不平衡问题;给各训练样本中的客户特征添加特征权重以突出不同类型客户特征的重要性,得到各样本客户的加权训练样本;根据各样本客户的加权训练样本训练初始风险行为预测模型,得到风险行为预测模型;根据各训练样本的投诉标签,将有投诉行为的样本客户作为风险客户,并将各风险客户的训练样本作为风险样本,风险样本包含风险客户对服务产品的偏好标签;根据各风险客户的风险样本训练初始推荐模型,得到推荐模型;获取目标客户的客户样本并输入风险行为预测模型,得到风险行为预测结果;若预测目标客户会产生投诉行为,表明目标客户具有潜在风险行为,将客户样本输入推荐模型得到服务推荐结果,服务推荐结果包含目标客户偏好的服务产品,根据服务推荐结果对目标客户进行服务产品发放,实现了潜在风险客户的提前服务,减少了客户投诉行为的发生,提升了客户满意度,实现了客户潜在风险行为的提前发现以及前置处理。
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,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的潜在风险行为处理方法的步骤。
本实施例中,获取各样本客户的训练样本,训练样本带有样本客户历史投诉情况的投诉标签;根据权重添加策略给各训练样本添加类别权重,以克服有投诉客户和未投诉客户间的数量差距带来的类别不平衡问题;给各训练样本中的客户特征添加特征权重以突出不同类型客户特征的重要性,得到各样本客户的加权训练样本;根据各样本客户的加权训练样本训练初始风险行为预测模型,得到风险行为预测模型;根据各训练样本的投诉标签,将有投诉行为的样本客户作为风险客户,并将各风险客户的训练样本作为风险样本,风险样本包含风险客户对服务产品的偏好标签;根据各风险客户的风险样本训练初始推荐模型,得到推荐模型;获取目标客户的客户样本并输入风险行为预测模型,得到风险行为预测结果;若预测目标客户会产生投诉行为,表明目标客户具有潜在风险行为,将客户样本输入推荐模型得到服务推荐结果,服务推荐结果包含目标客户偏好的服务产品,根据服务推荐结果对目标客户进行服务产品发放,实现了潜在风险客户的提前服务,减少了客户投诉行为的发生,提升了客户满意度,实现了客户潜在风险行为的提前发现以及前置处理。
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所述的方法。
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)
1.一种潜在风险行为处理方法,其特征在于,包括下述步骤:
获取各样本客户的训练样本,训练样本带有样本客户历史投诉情况的投诉标签;
根据预设的权重添加策略,给各训练样本添加类别权重,并给所述各训练样本中的客户特征添加特征权重,得到所述各样本客户的加权训练样本;
根据所述各样本客户的加权训练样本训练初始风险行为预测模型,得到风险行为预测模型;
根据所述各训练样本的投诉标签,筛选所述各样本客户中的风险客户,并将各风险客户的训练样本作为风险样本,风险客户的风险样本包含风险客户对服务产品的偏好标签;
根据所述各风险客户的风险样本训练初始推荐模型,得到推荐模型;
获取目标客户的客户样本,并将所述客户样本输入所述风险行为预测模型,得到风险行为预测结果;
当所述风险行为预测结果表明所述目标客户具有潜在风险行为时,将所述客户样本输入所述推荐模型得到服务推荐结果,并根据所述服务推荐结果对所述目标客户进行服务产品发放。
2.根据权利要求1所述的潜在风险行为处理方法,其特征在于,所述根据预设的权重添加策略,给各训练样本添加类别权重,并给所述各训练样本中的客户特征添加特征权重,得到所述各样本客户的加权训练样本的步骤包括:
根据各训练样本的投诉标签,将所述各训练样本划分为风险客户的风险样本以及非风险客户的非风险样本;
统计各风险样本的第一数量和各非风险样本的第二数量,以根据所述第一数量和所述第二数量得到样本类别比例;
根据所述样本类别比例,给所述各风险样本和所述各非风险样本对应添加类别权重,得到所述各样本客户的第一训练样本;
获取各第一训练样本中每种客户特征的特征类型;
根据各客户特征的特征类型,给所述各客户特征添加特征权重,得到所述各样本客户的加权训练样本。
3.根据权利要求2所述的潜在风险行为处理方法,其特征在于,所述初始风险行为预测模型为树模型,加权训练样本的特征权重用于所述树模型中决策树的节点分裂,风险样本的类别权重大于非风险样本的类别权重。
4.根据权利要求1所述的潜在风险行为处理方法,其特征在于,在所述获取各样本客户的训练样本的步骤之前,还包括:
获取多个风险样本和多个非风险样本;
对于每个风险样本,获取所述风险样本中记载的服务产品消耗信息;
根据所述服务产品消耗信息确定所述风险样本所对应风险客户的偏好服务产品;
根据所述偏好服务产品给所述风险样本添加偏好标签,并将各风险样本和各非风险样本设置为训练样本。
5.根据权利要求1所述的潜在风险行为处理方法,其特征在于,所述获取目标客户的客户样本的步骤包括:
监测所述目标客户的客户状态,所述客户状态包括咨询进行状态、事项办理进行状态和常规状态;
根据所述客户状态确定风险检测频率;
基于所述风险检测频率,获取目标客户的客户样本。
6.根据权利要求1所述的潜在风险行为处理方法,其特征在于,在所述得到风险行为预测结果的步骤之后,还包括:
当所述风险行为预测结果表明所述目标客户具有潜在风险行为时,查询所述目标客户是否具有服务产品消耗信息;
当所述目标客户具有服务产品消耗信息时,根据所述服务产品消耗信息确定所述目标客户的偏好服务产品,并根据所述偏好服务产品生成针对所述目标客户的服务推荐结果。
7.根据权利要求1所述的潜在风险行为处理方法,其特征在于,在所述将所述客户样本输入所述推荐模型得到服务推荐结果的步骤之后,还包括:
将所述服务推荐结果发送至目标账号所登录的终端;
接收所述终端根据所述服务推荐结果返回的确认指令,并根据所述确认指令,执行所述根据所述服务推荐结果对所述目标客户进行服务产品发放的步骤。
8.一种潜在风险行为处理装置,其特征在于,包括:
训练获取模块,用于获取各样本客户的训练样本,训练样本带有样本客户历史投诉情况的投诉标签;
权重添加模块,用于根据预设的权重添加策略,给各训练样本添加类别权重,并给所述各训练样本中的客户特征添加特征权重,得到所述各样本客户的加权训练样本;
预测训练模块,用于根据所述各样本客户的加权训练样本训练初始风险行为预测模型,得到风险行为预测模型;
客户筛选模块,用于根据所述各训练样本的投诉标签,筛选所述各样本客户中的风险客户,并将各风险客户的训练样本作为风险样本,风险客户的风险样本包含风险客户对服务产品的偏好标签;
推荐训练模块,用于根据所述各风险客户的风险样本训练初始推荐模型,得到推荐模型;
风险预测模块,用于获取目标客户的客户样本,并将所述客户样本输入所述风险行为预测模型,得到风险行为预测结果;
服务发放模块,用于当所述风险行为预测结果表明所述目标客户具有潜在风险行为时,将所述客户样本输入所述推荐模型得到服务推荐结果,并根据所述服务推荐结果对所述目标客户进行服务产品发放。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的潜在风险行为处理方法的步骤。
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可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的潜在风险行为处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311406613.0A CN117333266A (zh) | 2023-10-27 | 2023-10-27 | 潜在风险行为处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311406613.0A CN117333266A (zh) | 2023-10-27 | 2023-10-27 | 潜在风险行为处理方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117333266A true CN117333266A (zh) | 2024-01-02 |
Family
ID=89290279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311406613.0A Pending CN117333266A (zh) | 2023-10-27 | 2023-10-27 | 潜在风险行为处理方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117333266A (zh) |
-
2023
- 2023-10-27 CN CN202311406613.0A patent/CN117333266A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861768B (zh) | 基于人工智能的业务处理方法、装置、计算机设备及介质 | |
CN110705719A (zh) | 执行自动机器学习的方法和装置 | |
US20160004984A1 (en) | Service oriented architecture optimization system and method | |
CN112508694B (zh) | 服务器处理资源额度申请的方法、装置及电子设备 | |
KR20200039852A (ko) | 기업 경영 현황 분석 예측 모델링을 위한 기계학습 알고리즘 제공 방법 | |
CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
CN110717597A (zh) | 利用机器学习模型获取时序特征的方法和装置 | |
CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
US20200143348A1 (en) | Enhanced management systems and apparatuses | |
CN116542781A (zh) | 任务分配方法、装置、计算机设备及存储介质 | |
CN113610625A (zh) | 逾期风险警示方法、装置及电子设备 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN112085566B (zh) | 基于智能决策的产品推荐方法、装置及计算机设备 | |
CN112084408B (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN117333266A (zh) | 潜在风险行为处理方法、装置、计算机设备及存储介质 | |
CN112348661A (zh) | 基于用户行为轨迹的服务策略分配方法、装置及电子设备 | |
CN112712270A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN117291693A (zh) | 基于人工智能的策略生成方法、装置、设备及存储介质 | |
CN116757851A (zh) | 基于人工智能的数据配置方法、装置、设备及存储介质 | |
CN117314586A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN117290597A (zh) | 基于人工智能的信息推送方法、装置、设备及存储介质 | |
CN116308468A (zh) | 客户对象分类方法、装置、计算机设备及存储介质 | |
CN116523662A (zh) | 基于人工智能的预测方法、装置、计算机设备及存储介质 | |
CN118212072A (zh) | 基于人工智能的数据评估方法、装置、设备及存储介质 | |
CN116630059A (zh) | 基于人工智能的流失预测方法、装置、设备及存储介质 |
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 |