CN117408735A - 一种基于物联网的客户管理方法及系统 - Google Patents
一种基于物联网的客户管理方法及系统 Download PDFInfo
- Publication number
- CN117408735A CN117408735A CN202311727088.2A CN202311727088A CN117408735A CN 117408735 A CN117408735 A CN 117408735A CN 202311727088 A CN202311727088 A CN 202311727088A CN 117408735 A CN117408735 A CN 117408735A
- Authority
- CN
- China
- Prior art keywords
- user
- representing
- module
- model
- matrix
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 132
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 61
- 239000011159 matrix material Substances 0.000 claims description 56
- 239000013598 vector Substances 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 39
- 238000011176 pooling Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 11
- 238000004821 distillation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000006116 polymerization reaction Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000006317 isomerization reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 16
- 230000009471 action Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 241001134453 Lista Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/45—Commerce
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于物联网的客户管理方法及系统,方法包括数据采集、基于SVM的用户画像、基于Doc2vec神经网络模型的用户画像、基于CNN‑LSTM的用户画像、模型融合、评估、个性化推荐、实时监测和反馈。本发明属于物联网技术领域,具体是指一种基于物联网的客户管理方法及系统,本方案采用多种算法融合的方式对客户数据进行分析,进行用户分群,发现客户需求和市场趋势,提高分析效率;采用联邦推荐算法,根据客户分群的结果,对不同群体的客户进行个性化推荐,满足客户的差异化需求,提升客户满意度。
Description
技术领域
本发明涉及物联网技术领域,具体是指一种基于物联网的客户管理方法及系统。
背景技术
客户管理方法有利于企业为客户提供更好的服务和支持,传统的客户管理方法往往采用人工分析的方式,存在无法迅速有效地处理大量客户数据,导致分析效率低下,无法及时发现客户需求和市场趋势的问题;传统的客户管理方法存在难以为每个客户提供个性化的产品和服务,缺乏客户细分和个性化需求分析,导致企业往往以一种统一的方式对待所有客户,无法满足不同客户的差异化需求的问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了一种基于物联网的客户管理方法及系统,针对传统的客户管理方法往往采用人工分析的方式,存在无法迅速有效地处理大量客户数据,导致分析效率低下,无法及时发现客户需求和市场趋势的问题,本方案采用SVM、Doc2vec神经网络模型、CNN-LSTM模型融合的方式对客户数据进行分析,进行用户分群,发现客户需求和市场趋势,提高分析效率;针对传统的客户管理方法存在难以为每个客户提供个性化的产品和服务,缺乏客户细分和个性化需求分析,导致企业往往以一种统一的方式对待所有客户,无法满足不同客户的差异化需求的问题,本方案通过联邦推荐算法,根据客户分群的结果,对不同群体的客户进行个性化推荐,满足客户的差异化需求,提升客户满意度。
本发明采取的技术方案如下:本发明提供的一种基于物联网的客户管理方法,该方法包括以下步骤:
步骤S1:数据采集,通过物联网设备收集客户的相关数据,包括性别、年龄、教育程度、搜索词列表;
步骤S2:基于SVM的用户画像,利用SVM分类器对用户的搜索词列表进行分类,得到用户的教育程度、年龄、性别的分类结果;
步骤S3:基于Doc2vec神经网络模型的用户画像,Doc2Vec神经网络模型用来获得句子的向量表达,通过计算距离来识别句子之间的相似性,从而获得用户的教育程度、性别和年龄的分类;
步骤S4:基于CNN-LSTM的用户画像,CNN通过卷积和池化操作提取短文本句子的特征,得到句子的二元和三元特征,融合句子的二元和三元特征形成特征矩阵,输入到LSTM中进行用户标签预测;
步骤S5:模型融合,利用多个XGBoost树模型融合SVM分类器、Doc2vec神经网络模型、CNN-LSTM的预测结果,进行用户分群;
步骤S6:评估,利用准确率评估XGBoost树模型融合的预测结果;
步骤S7:个性化推荐,利用联邦推荐对不同的用户分群进行个性化推荐;
步骤S8:实时监测和反馈,根据客户的需求和反馈,通过物联网设备,快速响应客户的问题和需求。
进一步地,在步骤S1中,所述数据采集具体是,通过物联网设备收集客户的相关数据,包括性别、年龄、教育程度、搜索词列表。
进一步地,在步骤S2中,基于SVM的用户画像,具体包括以下步骤:
步骤S21:构建训练集,训练集包括分类文档和未分类文档,分类文档和未分类文档中包括性别、年龄、教育程度、搜索词列表,训练集由构成,其中,是训练样本,是训练样本的标
签,是维实数空间,定义为迭代次未分类文档的类别集合;
步骤S22:分类文档初始化SVM分类器,寻找最优超平面,所用公式如
下:
;
式中, ,表示训练样本的个数,,是权重向量,
是偏置项,得到参数后获取参数,所用公式如下:
;
进而得到参数,所用公式如下:
;
步骤S23:判断未分类文档类别,通过参数计算和判断未分类文档所
属的类别,所用公式如下:
;
式中,表示符号函数;
基于训练集再次计算SVM分类器的参数;
步骤S24:迭代训练,如果分类文档的类别发生变化或小于指定的迭代次数,
则并转到步骤S23;
步骤S25:输出分类结果,SVM分类器趋于稳定并生成最终的SVM分类器,最终的SVM
分类器对未分类文档进行分类并输出分类结果。
进一步地,在步骤S3中,所述基于Doc2vec神经网络模型的用户画像,具体是:定义
词矩阵为,利用PV-DBOW方法进行训练时,训练集作为输入来预测词,PV-DBOW方法通
过反向传播计算误差梯度来更新权重和训练集,得到用户的教育程度、性别和年龄的
分类。
进一步地,在步骤S4中,基于CNN-LSTM的用户画像,具体包括以下步骤:
步骤S41:嵌入层句子表示,CNN-LSTM由CNN模型和LSTM模型组成,CNN模型包括卷
积层、池化层、输出层,利用结巴分词工具和Word2vec构建词向量,用于处理客户的短文本
数据,短文本数据由句子构成,句子由单词构成,首先对短文本数据进行解析得到词集,然
后使用Word2vec生成词向量,每个句子的长度限制在50个字以内,每个单词被放入一个词
向量中,形成一个句子矩阵作为输出层,其中,,,其中,表示句子矩阵的第行,表示句子矩阵的第
行第列的元素;
步骤S42:卷积层特征提取,对于嵌入层的每个句子矩阵,进行卷积运算,得到卷
积结果,所用公式如下:
;
式中,表示从卷积计算中提取的特征矩阵,表示权重矩阵,表示偏置向量;
对卷积结果进行非线性映射,所用公式如下:
;
式中,表示激活函数;
设置卷积窗口大小分别为2和3提取句子的二元和三元特征;
步骤S43:K-max池化特征降维,在卷积计算后,卷积结果转移到池化层,利用K-max池化选择前K个最大值来表示语义信息,所用公式如下:
;
式中,是句子向量的长度,是卷积窗口的大小;
池化操作后,生成的句子表示矩阵为,融合句子的二元和三元特征,形成LSTM模
型的输入矩阵来预测客户的标签。
进一步地,在步骤S5中,所述模型融合,具体是:将基于SVM的用户画像、基于Doc2vec神经网络模型的用户画像、基于CNN-LSTM的用户画像的预测结果作为训练集输入到XGBoost树模型,并输出预测结果,然后将XGBoost树模型的预测结果合并,将平均值作为验证集,训练XGBoost树模型,训练多个XGBoost树模型进行线性融合,得到输出。
进一步地,在步骤S6中,所述评估具体是,采用准确率进行评估,所用公式如下:
;
式中,TP表示真正类,FP表示假正类;
通过预测的用户的性别、年龄、教育背景将用户进行分类,为不同类别的用户进行个性化推荐。
进一步地,在步骤S7中,个性化推荐,具体包括以下步骤:
步骤S71:联邦推荐设置,联邦推荐设置中包括中央服务器、用户,定义,分别表示用户和项目的集合,和代表用户和项目的大小,每个用户拥有
一个本地数据集,本地数据集不与任何其他用户共享,由用户-项目交互组成,其中,是隐式反馈,表示用户与项目交互,表示用户和项目之间没有交互,联邦推荐的目标是预测用户和非交互项目之间的,进而推荐预测得
分最高的前k个项目,所用公式如下:
;
式中,表示用户嵌入向量,和表示公共参数,表示损失函数,表示基本
推荐算法;
计算损失函数,所用公式如下:
;
步骤S72:基础推荐模型,利用LightGCN模型作为基础推荐模型,LightGCN模型中用户和项目被视为不同的节点,并基于用户和项目的交互构造二分图,通过相邻节点的嵌入来计算用户和项目的特征向量,所用公式如下:
;
;
式中,和分别表示和的相邻节点,是传播层数,表示用户的特征向
量,表示项目的特征向量,表示用户层的特征向量,表示项目层的特征向
量;
LightGCN模型在本地数据集经过层传播,得到最终的用户嵌入和项目嵌入,所用公式如下:
;
;
最终的用户嵌入和项目嵌入用来预测用户的偏好分数,所用公式如下:
;
式中,为前馈网络,为sigmoid函数;
步骤S73:中央服务器初始化公共参数,根据用户-项目交互的规模将用
户分为三组:小用户,中等用户和大用户,每组用户都分配相应的公共参数,优化以下目标公式:
;
式中,表示用户嵌入向量,和表示公共参数,表示损失函数,表示基本
推荐算法,表示用户所属的组别;
步骤S74:本地训练,用户从中央服务器下载初始化公共参数,用户
根据其所属的组别使用以下损失函数之一进行本地训练:
;
;
;
式中,表示小用户迭代轮的特征向量,表示小用户迭代轮的
公共参数,表示中等用户迭代轮的公共参数,表示大用户迭代轮
的公共参数,、、表示剩余参数,,,分别表示小用户、中等用户、
大用户的损失函数;
步骤S75:维数去相关正则化,定义和表示较大的嵌入,表示较小的嵌入,和会导致维度崩溃,为防止维度崩溃,在上述损失函数中添加正则化项和来惩罚每个维度奇异值之间的方差,所用公式如下:
;
式中,是的协方差矩阵的奇异值,是数据的维度总数,利用以下去相关正则
化项来确保,编码唯一,所用公式如下:
;
式中,为Frobenius范数,表示相关矩阵,是默认情况下的均值,
表示矩阵的方差;
中等用户和大用户的用户损失函数变换为:
;
;
式中,是控制正则化项重要性的参数,表示中等用户、大用户变换后的损
失函数;
步骤S76:更新本地私有参数,经过几次本地训练后,用户将公共参数的更新和发送到中央服务器,同时在本地更新其私有参数,所用公式如下:
;
式中,是学习率,中央服务器采用特定的策略来聚合公共参数的更新,并使用它
们实现协作学习,所用公式如下:
;
;
式中,表示轮更新后的公共参数,表示轮更新后的公共参数;
步骤S77:中央服务器执行异构聚合,中央服务器使用以下函数填充较小的项目嵌入以使它们与较大的项目嵌入对齐,所用公式如下:
;
式中,表示填充函数,通过填充0个向量将矩阵更新变换为大小
为的,填充完成后,中央服务器对接收到的所有项目嵌入更新进行求和操作,
所用公式如下:
;
;
;
;
式中,是在迭代时组中的选定客户,表示大小为的子矩
阵,表示所有用户项目嵌入进行更新后的求和操作;
步骤S78:中央服务器更新公共参数,中央服务器聚合更新公共参数来修改相应的
项目嵌入,所用公式如下:
;
;
;
中央服务器对项目嵌入进行异构聚合,所用公式如下:
;
;
;
步骤S79:中央服务器执行蒸馏,在时刻利用聚合得到的中央服务器从项
目集合中随机选择项目的子集作为目标蒸馏项目,使用计算所选项目的子
集之间的距离,并通过平均来获得总体距离,所用公式如下:
;
式中,计算所选项目之间的距离,对于中的每个项目嵌入,计算蒸馏损失,所用公式如下:
;
式中,表示项目与项目集合之间的距离。
进一步地,在步骤S8中,所述实时监测和反馈具体是,利用物联网设备的实时数据,对客户行为和需求进行监测,提供个性化的推荐服务,根据客户的需求和反馈,通过物联网设备,快速响应客户的问题和需求。
本发明提供的一种基于物联网的客户管理系统,包括数据采集模块、基于SVM的用户画像模块、基于Doc2vec神经网络模型的用户画像模块、基于CNN-LSTM的用户画像模块、模型融合模块、评估模块、个性化推荐模块和实时监测和反馈模块;
所述数据采集模块通过物联网设备收集客户的相关数据,包括性别、年龄、教育程度、搜索词列表,将客户的相关数据发送至基于SVM的用户画像模块、基于Doc2vec神经网络模型的用户画像模块、基于CNN-LSTM的用户画像模块;
所述基于SVM的用户画像模块接收数据采集模块发送的客户的相关数据,利用SVM分类器对用户的搜索词列表进行分类,得到用户的教育程度、年龄、性别的分类结果,并将分类结果发送至模型融合模块;
所述基于Doc2vec神经网络模型的用户画像模块接收数据采集模块发送的客户的相关数据,利用Doc2Vec神经网络模型获得句子的向量表达,通过计算距离来识别句子之间的相似性,获得用户的教育程度、性别和年龄的分类,并将用户的教育程度、性别和年龄的分类发送至模型融合模块;
所述基于CNN-LSTM的用户画像模块接收数据采集模块发送的客户的相关数据,CNN通过卷积和池化操作提取短文本句子的特征,得到句子的二元和三元特征,融合句子的二元和三元特征形成特征矩阵,输入到LSTM中进行用户标签预测,得到预测结果,并将预测结果发送至模型融合模块;
所述模型融合模块接收基于SVM的用户画像模块发送的分类结果、基于Doc2vec神经网络模型的用户画像模块发送的用户的教育程度、性别和年龄的分类、基于CNN-LSTM的用户画像模块发送的预测结果,利用多个XGBoost树模型融合上述结果,得到XGBoost树模型融合的预测结果,进行用户分群,得到用户分群结果,并将XGBoost树模型融合的预测结果发送至评估模块,将用户分群结果发送至个性化推荐模块;
所述评估模块接收模型融合模块发送的XGBoost树模型融合的预测结果,利用准确率评估XGBoost树模型融合的预测结果;
所述个性化推荐模块接收模型融合模块发送的用户分群结果,利用联邦推荐对不同的用户分群进行个性化推荐,得到个性化推荐结果,将个性化推荐结果发送至实时监测和反馈模块;
所述实时监测和反馈模块接收个性化推荐模块发送的个性化推荐结果,根据客户的需求和反馈,通过物联网设备,快速响应客户的问题和需求。
采用上述方案本发明取得的有益效果如下:
(1)针对传统的客户管理方法往往采用人工分析的方式,存在无法迅速有效地处理大量客户数据,导致分析效率低下,无法及时发现客户需求和市场趋势的问题,本方案采用SVM、Doc2vec神经网络模型、CNN-LSTM模型融合的方式对客户数据进行分析,进行用户分群,发现客户需求和市场趋势,提高分析效率。
(2)针对传统的客户管理方法存在难以为每个客户提供个性化的产品和服务,缺乏客户细分和个性化需求分析,导致企业往往以一种统一的方式对待所有客户,无法满足不同客户的差异化需求的问题,本方案通过联邦推荐算法,根据客户分群的结果,对不同群体的客户进行个性化推荐,满足客户的差异化需求,提升客户满意度。
附图说明
图1为本发明提供的一种基于物联网的客户管理方法的流程示意图;
图2为本发明提供的一种基于物联网的客户管理系统的示意图;
图3为步骤S2的流程示意图;
图4为步骤S4的流程示意图;
图5为步骤S7的流程示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的一种基于物联网的客户管理方法,该方法包括以下步骤:
步骤S1:数据采集,通过物联网设备收集客户的相关数据,包括性别、年龄、教育程度、搜索词列表;
步骤S2:基于SVM的用户画像,利用SVM分类器对用户的搜索词列表进行分类,得到用户的教育程度、年龄、性别的分类结果;
步骤S3:基于Doc2vec神经网络模型的用户画像,Doc2Vec神经网络模型用来获得句子的向量表达,通过计算距离来识别句子之间的相似性,从而获得用户的教育程度、性别和年龄的分类;
步骤S4:基于CNN-LSTM的用户画像,CNN通过卷积和池化操作提取短文本句子的特征,得到句子的二元和三元特征,融合句子的二元和三元特征形成特征矩阵,输入到LSTM中进行用户标签预测;
步骤S5:模型融合,利用多个XGBoost树模型融合SVM分类器、Doc2vec神经网络模型、CNN-LSTM的预测结果,进行用户分群;
步骤S6:评估,利用准确率评估XGBoost树模型融合的预测结果;
步骤S7:个性化推荐,利用联邦推荐对不同的用户分群进行个性化推荐;
步骤S8:实时监测和反馈,根据客户的需求和反馈,通过物联网设备,快速响应客户的问题和需求。
实施例二,参阅图1和图3,该实施例基于上述实施例,在步骤S2中,基于SVM的用户画像,具体包括以下步骤:
步骤S21:构建训练集,训练集包括分类文档和未分类文档,分类文档和未分类文档中包括性别、年龄、教育程度、搜索词列表,训练集由构成,其中,是训练样本,是训练样本的标
签,是维实数空间,定义为迭代次未分类文档的类别集合;
步骤S22:分类文档初始化SVM分类器,寻找最优超平面,所用公式如
下:
;
式中, ,表示训练样本的个数,,是权重向量,
是偏置项,得到参数后获取参数,所用公式如下:
;
进而得到参数,所用公式如下:
;
步骤S23:判断未分类文档类别,通过参数计算和判断未分类文档所
属的类别,所用公式如下:
;
式中,表示符号函数;
基于训练集再次计算SVM分类器的参数;
步骤S24:迭代训练,如果分类文档的类别发生变化或小于指定的迭代次数,
则并转到步骤S23;
步骤S25:输出分类结果,SVM分类器趋于稳定并生成最终的SVM分类器,最终的SVM
分类器对未分类文档进行分类并输出分类结果。
实施例三,参阅图1和图4,该实施例基于上述实施例,在步骤S4中,基于CNN-LSTM的用户画像,具体包括以下步骤:
步骤S41:嵌入层句子表示,CNN-LSTM由CNN模型和LSTM模型组成,CNN模型包括卷
积层、池化层、输出层,利用结巴分词工具和Word2vec构建词向量,用于处理客户的短文本
数据,短文本数据由句子构成,句子由单词构成,首先对短文本数据进行解析得到词集,然
后使用Word2vec生成词向量,每个句子的长度限制在50个字以内,每个单词被放入一个词
向量中,形成一个句子矩阵作为输出层,其中,,,其中,表示句子矩阵的第行,表示句子矩阵的第
行第列的元素;
步骤S42:卷积层特征提取,对于嵌入层的每个句子矩阵,进行卷积运算,得到卷
积结果,所用公式如下:
;
式中,表示从卷积计算中提取的特征矩阵,表示权重矩阵,表示偏置向量;
对卷积结果进行非线性映射,所用公式如下:
;
式中,表示激活函数;
设置卷积窗口大小分别为2和3提取句子的二元和三元特征;
步骤S43:K-max池化特征降维,在卷积计算后,卷积结果转移到池化层,利用K-max池化选择前K个最大值来表示语义信息,所用公式如下:
;
式中,是句子向量的长度,是卷积窗口的大小;
池化操作后,生成的句子表示矩阵为,融合句子的二元和三元特征,形成LSTM模
型的输入矩阵来预测客户的标签。
通过执行上述操作,针对传统的客户管理方法往往采用人工分析的方式,存在无法迅速有效地处理大量客户数据,导致分析效率低下,无法及时发现客户需求和市场趋势的问题,本方案采用SVM、Doc2vec神经网络模型、CNN-LSTM模型融合的方式对客户数据进行分析,进行用户分群,发现客户需求和市场趋势,提高分析效率。
实施例四,参阅图1和图5,该实施例基于上述实施例,在步骤S7中,个性化推荐,具体包括以下步骤:
步骤S71:联邦推荐设置,联邦推荐设置中包括中央服务器、用户,定义,分别表示用户和项目的集合,和代表用户和项目的大小,每个用户拥有
一个本地数据集,本地数据集不与任何其他用户共享,由用户-项目交互组成,其中,是隐式反馈,表示用户与项目交互,表示用户和项目之间没有交互,联邦推荐的目标是预测用户和非交互项目之间的,进而推荐预测得
分最高的前k个项目,所用公式如下:
;
式中,表示用户嵌入向量,和表示公共参数,表示损失函数,表示基本
推荐算法;
计算损失函数,所用公式如下:
;
步骤S72:基础推荐模型,利用LightGCN模型作为基础推荐模型,LightGCN模型中用户和项目被视为不同的节点,并基于用户和项目的交互构造二分图,通过相邻节点的嵌入来计算用户和项目的特征向量,所用公式如下:
;
;
式中,和分别表示和的相邻节点,是传播层数,表示用户的特征向
量,表示项目的特征向量,表示用户层的特征向量,表示项目层的特征向
量;
LightGCN模型在本地数据集经过层传播,得到最终的用户嵌入和项目嵌入,所用公式如下:
;
;
最终的用户嵌入和项目嵌入用来预测用户的偏好分数,所用公式如下:
;
式中,为前馈网络,为sigmoid函数;
步骤S73:中央服务器初始化公共参数,根据用户-项目交互的规模将用
户分为三组:小用户,中等用户和大用户,每组用户都分配相应的公共参数,优化以下目标公式:
;
式中,表示用户嵌入向量,和表示公共参数,表示损失函数,表示基本
推荐算法,表示用户所属的组别;
步骤S74:本地训练,用户从中央服务器下载初始化公共参数,用户
根据其所属的组别使用以下损失函数之一进行本地训练:
;
;
;
式中,表示小用户迭代轮的特征向量,表示小用户迭代轮的
公共参数,表示中等用户迭代轮的公共参数,表示大用户迭代轮
的公共参数,、、表示剩余参数,,,分别表示小用户、中等用户、
大用户的损失函数;
步骤S75:维数去相关正则化,定义和表示较大的嵌入,表示较小的嵌入,和会导致维度崩溃,为防止维度崩溃,在上述损失函数中添加正则化项和来惩罚每个维度奇异值之间的方差,所用公式如下:
;
式中,是的协方差矩阵的奇异值,是数据的维度总数,利用以下去相关正则
化项来确保,编码唯一,所用公式如下:
;
式中,为Frobenius范数,表示相关矩阵,是默认情况下的均值,
表示矩阵的方差;
中等用户和大用户的用户损失函数变换为:
;
;
式中,是控制正则化项重要性的参数,表示中等用户、大用户变换后的损
失函数;
步骤S76:更新本地私有参数,经过几次本地训练后,用户将公共参数的更新和发送到中央服务器,同时在本地更新其私有参数,所用公式如下:
;
式中,是学习率,中央服务器采用特定的策略来聚合公共参数的更新,并使用它
们实现协作学习,所用公式如下:
;
;
式中,表示轮更新后的公共参数,表示轮更新后的公共参数;
步骤S77:中央服务器执行异构聚合,中央服务器使用以下函数填充较小的项目嵌入以使它们与较大的项目嵌入对齐,所用公式如下:
;
式中,表示填充函数,通过填充0个向量将矩阵更新变换为大小
为的,填充完成后,中央服务器对接收到的所有项目嵌入更新进行求和操作,
所用公式如下:
;
;
;
;
式中,是在迭代时组中的选定客户,表示大小为的子矩
阵,表示所有用户项目嵌入进行更新后的求和操作;
步骤S78:中央服务器更新公共参数,中央服务器聚合更新公共参数来修改相应的
项目嵌入,所用公式如下:
;
;
;
中央服务器对项目嵌入进行异构聚合,所用公式如下:
;
;
;
步骤S79:中央服务器执行蒸馏,在时刻利用聚合得到的中央服务器从项
目集合中随机选择项目的子集作为目标蒸馏项目,使用计算所选项目的子
集之间的距离,并通过平均来获得总体距离,所用公式如下:
;
式中,计算所选项目之间的距离,对于中的每个项目嵌入,计算蒸馏损失,所用公式如下:
;
式中,表示项目与项目集合之间的距离。
通过执行上述操作,针对传统的客户管理方法存在难以为每个客户提供个性化的产品和服务,缺乏客户细分和个性化需求分析,导致企业往往以一种统一的方式对待所有客户,无法满足不同客户的差异化需求的问题,本方案通过联邦推荐算法,根据客户分群的结果,对不同群体的客户进行个性化推荐,满足客户的差异化需求,提升客户满意度。
实施例五,参阅图2,该实施例基于上述实施例,本发明提供的一种基于物联网的客户管理系统,包括包括数据采集模块、基于SVM的用户画像模块、基于Doc2vec神经网络模型的用户画像模块、基于CNN-LSTM的用户画像模块、模型融合模块、评估模块、个性化推荐模块和实时监测和反馈模块;
所述数据采集模块通过物联网设备收集客户的相关数据,包括性别、年龄、教育程度、搜索词列表,将客户的相关数据发送至基于SVM的用户画像模块、基于Doc2vec神经网络模型的用户画像模块、基于CNN-LSTM的用户画像模块;
所述基于SVM的用户画像模块接收数据采集模块发送的客户的相关数据,利用SVM分类器对用户的搜索词列表进行分类,得到用户的教育程度、年龄、性别的分类结果,并将分类结果发送至模型融合模块;
所述基于Doc2vec神经网络模型的用户画像模块接收数据采集模块发送的客户的相关数据,利用Doc2Vec神经网络模型获得句子的向量表达,通过计算距离来识别句子之间的相似性,获得用户的教育程度、性别和年龄的分类,并将用户的教育程度、性别和年龄的分类发送至模型融合模块;
所述基于CNN-LSTM的用户画像模块接收数据采集模块发送的客户的相关数据,CNN通过卷积和池化操作提取短文本句子的特征,得到句子的二元和三元特征,融合句子的二元和三元特征形成特征矩阵,输入到LSTM中进行用户标签预测,得到预测结果,并将预测结果发送至模型融合模块;
所述模型融合模块接收基于SVM的用户画像模块发送的分类结果、基于Doc2vec神经网络模型的用户画像模块发送的用户的教育程度、性别和年龄的分类、基于CNN-LSTM的用户画像模块发送的预测结果,利用多个XGBoost树模型融合上述结果,得到XGBoost树模型融合的预测结果,进行用户分群,得到用户分群结果,并将XGBoost树模型融合的预测结果发送至评估模块,将用户分群结果发送至个性化推荐模块;
所述评估模块接收模型融合模块发送的XGBoost树模型融合的预测结果,利用准确率评估XGBoost树模型融合的预测结果;
所述个性化推荐模块接收模型融合模块发送的用户分群结果,利用联邦推荐对不同的用户分群进行个性化推荐,得到个性化推荐结果,将个性化推荐结果发送至实时监测和反馈模块;
所述实时监测和反馈模块接收个性化推荐模块发送的个性化推荐结果,根据客户的需求和反馈,通过物联网设备,快速响应客户的问题和需求。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (5)
1.一种基于物联网的客户管理方法,其特征在于:该方法包括以下步骤:
步骤S1:数据采集,通过物联网设备收集客户的相关数据,包括性别、年龄、教育程度、搜索词列表;
步骤S2:基于SVM的用户画像,利用SVM分类器对用户的搜索词列表进行分类,得到用户的教育程度、年龄、性别的分类结果;
步骤S3:基于Doc2vec神经网络模型的用户画像,Doc2Vec神经网络模型用来获得句子的向量表达,通过计算距离来识别句子之间的相似性,从而获得用户的教育程度、性别和年龄的分类;
步骤S4:基于CNN-LSTM的用户画像,CNN通过卷积和池化操作提取短文本句子的特征,得到句子的二元和三元特征,融合句子的二元和三元特征形成特征矩阵,输入到LSTM中进行用户标签预测;
步骤S5:模型融合,利用多个XGBoost树模型融合SVM分类器、Doc2vec神经网络模型、CNN-LSTM的预测结果,进行用户分群;
步骤S6:评估,利用准确率评估XGBoost树模型融合的预测结果;
步骤S7:个性化推荐,利用联邦推荐对不同的用户分群进行个性化推荐;
步骤S8:实时监测和反馈,根据客户的需求和反馈,通过物联网设备,快速响应客户的问题和需求。
2.根据权利要求1所述的一种基于物联网的客户管理方法,其特征在于:在步骤S2中,所述基于SVM的用户画像,包括以下步骤:
步骤S21:构建训练集,训练集/>包括分类文档/>和未分类文档/>,分类文档/>和未分类文档/>中包括性别、年龄、教育程度、搜索词列表,训练集/>由构成,其中,/>是训练样本,/>是训练样本的标签,/>是/>维实数空间,定义/>为迭代/>次未分类文档/>的类别集合;
步骤S22:分类文档初始化SVM分类器,寻找最优超平面/>,所用公式如下:
;
式中, ,/>表示训练样本的个数,/>,/>是权重向量,/>是偏置项,得到参数/>后获取参数/>,所用公式如下:
;
进而得到参数,所用公式如下:
;
步骤S23:判断未分类文档类别,通过参数/>计算和判断未分类文档/>所属的类别,所用公式如下:
;
式中,表示符号函数;
基于训练集再次计算SVM分类器的参数/>;
步骤S24:迭代训练,如果分类文档的类别发生变化或/>小于指定的迭代次数,则并转到步骤S23;
步骤S25:输出分类结果,SVM分类器趋于稳定并生成最终的SVM分类器,最终的SVM分类器对未分类文档进行分类并输出分类结果。
3.根据权利要求2所述的一种基于物联网的客户管理方法,其特征在于:在步骤S4中,所述基于CNN-LSTM的用户画像,包括以下步骤:
步骤S41:嵌入层句子表示,CNN-LSTM由CNN模型和LSTM模型组成,CNN模型包括卷积层、池化层、输出层,利用结巴分词工具和Word2vec构建词向量,用于处理客户的短文本数据,短文本数据由句子构成,句子由单词构成,首先对短文本数据进行解析得到词集,然后使用Word2vec生成词向量,每个句子的长度限制在50个字以内,每个单词被放入一个词向量中,形成一个句子矩阵作为输出层,其中,/>,/>,其中,/>表示句子矩阵/>的第/>行,/>表示句子矩阵/>的第/>行第/>列的元素;
步骤S42:卷积层特征提取,对于嵌入层的每个句子矩阵,进行卷积运算,得到卷积结果,所用公式如下:
;
式中,表示从卷积计算中提取的特征矩阵,/>表示权重矩阵,/>表示偏置向量;
对卷积结果进行非线性映射,所用公式如下:
;
式中,表示激活函数;
设置卷积窗口大小分别为2和3提取句子的二元和三元特征;
步骤S43:K-max池化特征降维,在卷积计算后,卷积结果转移到池化层,利用K-max池化选择前K个最大值来表示语义信息,所用公式如下:
;
式中,是句子向量的长度,/>是卷积窗口的大小;
池化操作后,生成的句子表示矩阵为,融合句子的二元和三元特征,形成LSTM模型的输入矩阵来预测客户的标签。
4.根据权利要求3所述的一种基于物联网的客户管理方法,其特征在于:在步骤S7中,所述个性化推荐,包括以下步骤:
步骤S71:联邦推荐设置,联邦推荐设置中包括中央服务器、用户,定义,分别表示用户和项目的集合,/>和/>代表用户和项目的大小,每个用户/>拥有一个本地数据集/>,本地数据集/>不与任何其他用户共享,/>由用户-项目交互组成,其中,/>是隐式反馈,/>表示用户/>与项目/>交互,/>表示用户/>和项目之间没有交互,联邦推荐的目标是预测用户/>和非交互项目之间的/>,进而推荐预测得分最高的前k个项目,所用公式如下:
;
式中,表示用户嵌入向量,/>和/>表示公共参数,/>表示损失函数,/>表示基本推荐算法;
计算损失函数,所用公式如下:
;
步骤S72:基础推荐模型,利用LightGCN模型作为基础推荐模型,LightGCN模型中用户和项目被视为不同的节点,并基于用户和项目的交互构造二分图,通过相邻节点的嵌入来计算用户和项目的特征向量,所用公式如下:
;
;
式中,和/>分别表示/>和/>的相邻节点,/>是传播层数,/>表示用户的特征向量,表示项目的特征向量,/>表示用户/>层的特征向量,/>表示项目/>层的特征向量;
LightGCN模型在本地数据集经过/>层传播,得到最终的用户嵌入/>和项目嵌入/>,所用公式如下:
;
;
最终的用户嵌入和项目嵌入/>用来预测用户的偏好分数/>,所用公式如下:
;
式中,为前馈网络,/>为sigmoid函数;
步骤S73:中央服务器初始化公共参数,根据用户-项目交互的规模将用户分为三组:小用户/>,中等用户/>和大用户/>,每组用户都分配相应的公共参数/>,优化以下目标公式:
;
式中,表示用户嵌入向量,/>和/>表示公共参数,/>表示损失函数,/>表示基本推荐算法,/>表示用户所属的组别;
步骤S74:本地训练,用户从中央服务器下载初始化公共参数/>,用户/>根据其所属的组别/>使用以下损失函数之一进行本地训练:
;
;
;
式中,表示小用户迭代/>轮的特征向量,/>表示小用户迭代/>轮的公共参数,/>表示中等用户迭代/>轮的公共参数,/>表示大用户迭代/>轮的公共参数,/>、/>、/>表示剩余参数,/>,/>,/>分别表示小用户、中等用户、大用户的损失函数;
步骤S75:维数去相关正则化,定义和/>表示较大的嵌入,/>表示较小的嵌入,/>和会导致维度崩溃,为防止维度崩溃,在上述损失函数中添加正则化项/>和来惩罚每个维度奇异值之间的方差,所用公式如下:
;
式中,是/>的协方差矩阵的奇异值,/>是数据的维度总数,利用以下去相关正则化项来确保/>,/>编码唯一,所用公式如下:
;
式中,为Frobenius范数,/>表示相关矩阵,/>是默认情况下/>的均值,/>表示矩阵的方差;
中等用户和大用户/>的用户损失函数变换为:
;
;
式中,是控制正则化项重要性的参数,/>表示中等用户、大用户变换后的损失函数;
步骤S76:更新本地私有参数,经过几次本地训练后,用户将公共参数的更新/>和发送到中央服务器,同时在本地更新其私有参数,所用公式如下:
;
式中,是学习率,中央服务器采用特定的策略来聚合公共参数的更新,并使用它们实现协作学习,所用公式如下:
;
;
式中,表示/>轮更新后的公共参数,/>表示/>轮更新后的公共参数;
步骤S77:中央服务器执行异构聚合,中央服务器使用以下函数填充较小的项目嵌入以使它们与较大的项目嵌入对齐,所用公式如下:
;
式中,表示填充函数,通过填充0个向量将矩阵更新/>变换为大小为的/>,填充完成后,中央服务器对接收到的所有项目嵌入更新进行求和操作,所用公式如下:
;
;
;
;
式中,是在迭代/>时/>组中的选定客户,/>表示大小为/>的子矩阵,表示所有用户项目嵌入进行更新后的求和操作;
步骤S78:中央服务器更新公共参数,中央服务器聚合更新公共参数来修改相应的项目嵌入,所用公式如下:
;
;
;
中央服务器对项目嵌入进行异构聚合,所用公式如下:
;
;
;
步骤S79:中央服务器执行蒸馏,在时刻利用聚合得到的/>中央服务器从项目集合/>中随机选择项目/>的子集作为目标蒸馏项目,使用/>计算所选项目/>的子集之间的距离,并通过平均来获得总体距离/>,所用公式如下:
;
式中,计算所选项目之间的距离,对于/>中的每个项目嵌入,计算蒸馏损失,所用公式如下:
;
式中,表示项目/>与项目集合/>之间的距离。
5.一种基于物联网的客户管理系统,用于实现如权利要求1-4中任一项所述的一种基于物联网的客户管理方法,其特征在于:包括数据采集模块、基于SVM的用户画像模块、基于Doc2vec神经网络模型的用户画像模块、基于CNN-LSTM的用户画像模块、模型融合模块、评估模块、个性化推荐模块和实时监测和反馈模块;
所述数据采集模块通过物联网设备收集客户的相关数据,包括性别、年龄、教育程度、搜索词列表,将客户的相关数据发送至基于SVM的用户画像模块、基于Doc2vec神经网络模型的用户画像模块、基于CNN-LSTM的用户画像模块;
所述基于SVM的用户画像模块接收数据采集模块发送的客户的相关数据,利用SVM分类器对用户的搜索词列表进行分类,得到用户的教育程度、年龄、性别的分类结果,并将分类结果发送至模型融合模块;
所述基于Doc2vec神经网络模型的用户画像模块接收数据采集模块发送的客户的相关数据,利用Doc2Vec神经网络模型获得句子的向量表达,通过计算距离来识别句子之间的相似性,获得用户的教育程度、性别和年龄的分类,并将用户的教育程度、性别和年龄的分类发送至模型融合模块;
所述基于CNN-LSTM的用户画像模块接收数据采集模块发送的客户的相关数据,CNN通过卷积和池化操作提取短文本句子的特征,得到句子的二元和三元特征,融合句子的二元和三元特征形成特征矩阵,输入到LSTM中进行用户标签预测,得到预测结果,并将预测结果发送至模型融合模块;
所述模型融合模块接收基于SVM的用户画像模块发送的分类结果、基于Doc2vec神经网络模型的用户画像模块发送的用户的教育程度、性别和年龄的分类、基于CNN-LSTM的用户画像模块发送的预测结果,利用多个XGBoost树模型融合上述结果,得到XGBoost树模型融合的预测结果,进行用户分群,得到用户分群结果,并将XGBoost树模型融合的预测结果发送至评估模块,将用户分群结果发送至个性化推荐模块;
所述评估模块接收模型融合模块发送的XGBoost树模型融合的预测结果,利用准确率评估XGBoost树模型融合的预测结果;
所述个性化推荐模块接收模型融合模块发送的用户分群结果,利用联邦推荐对不同的用户分群进行个性化推荐,得到个性化推荐结果,将个性化推荐结果发送至实时监测和反馈模块;
所述实时监测和反馈模块接收个性化推荐模块发送的个性化推荐结果,根据客户的需求和反馈,通过物联网设备,快速响应客户的问题和需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311727088.2A CN117408735A (zh) | 2023-12-15 | 2023-12-15 | 一种基于物联网的客户管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311727088.2A CN117408735A (zh) | 2023-12-15 | 2023-12-15 | 一种基于物联网的客户管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117408735A true CN117408735A (zh) | 2024-01-16 |
Family
ID=89491191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311727088.2A Pending CN117408735A (zh) | 2023-12-15 | 2023-12-15 | 一种基于物联网的客户管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408735A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828490A (zh) * | 2024-03-06 | 2024-04-05 | 南京信息工程大学 | 一种基于集成学习的对台风灾害预报方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795619A (zh) * | 2019-09-18 | 2020-02-14 | 贵州广播电视大学(贵州职业技术学院) | 一种融合多目标的教育资源个性化推荐系统及方法 |
CN113297482A (zh) * | 2021-05-14 | 2021-08-24 | 北京工业大学 | 基于多模型的搜索引擎数据的用户画像刻画方法及系统 |
-
2023
- 2023-12-15 CN CN202311727088.2A patent/CN117408735A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795619A (zh) * | 2019-09-18 | 2020-02-14 | 贵州广播电视大学(贵州职业技术学院) | 一种融合多目标的教育资源个性化推荐系统及方法 |
CN113297482A (zh) * | 2021-05-14 | 2021-08-24 | 北京工业大学 | 基于多模型的搜索引擎数据的用户画像刻画方法及系统 |
Non-Patent Citations (2)
Title |
---|
"A Multi-Model Approach for User Portrait", FUTURE INTERNET, 31 May 2021 (2021-05-31), pages 1 - 14 * |
WEI YUAN ET AL.: "基于物联网技术的物流行业智能制造与个性化产品定制", pages 1 - 14, Retrieved from the Internet <URL:https://wenku.baidu.com/view/fa27ef5aa6e9856a561252d380eb6294dd8822c7.html?_wkts_=1705848029983&bdQuery=%E4%B8%AA%E6%80%A7%E5%8C%96%E6%8E%A8%E8%8D%90+%E5%AE%9E%E6%97%B6%E7%9B%91%E6%B5%8B%E5%92%8C%E5%8F%8D%E9%A6%88+%E5%BF%AB%E9%80%9F%E5%93%8D%E5%BA%94%E5%AE%A2%E6%88%B7+%E7%89%A9%E8%81%94%E7%BD%91> * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117828490A (zh) * | 2024-03-06 | 2024-04-05 | 南京信息工程大学 | 一种基于集成学习的对台风灾害预报方法及系统 |
CN117828490B (zh) * | 2024-03-06 | 2024-05-17 | 南京信息工程大学 | 一种基于集成学习的对台风灾害预报方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299396B (zh) | 融合注意力模型的卷积神经网络协同过滤推荐方法及系统 | |
CN111681059B (zh) | 行为预测模型的训练方法及装置 | |
CN108399158B (zh) | 基于依存树和注意力机制的属性情感分类方法 | |
TWI612488B (zh) | 用於預測商品的市場需求的計算機裝置與方法 | |
CN114048331A (zh) | 一种基于改进型kgat模型的知识图谱推荐方法及系统 | |
CN110956497A (zh) | 一种电子商务平台用户重复购买行为预测方法 | |
CN110232480A (zh) | 利用变分的正则化流实现的项目推荐方法及模型训练方法 | |
CN112579778A (zh) | 基于多层次的特征注意力的方面级情感分类方法 | |
CN112487199B (zh) | 一种基于用户购买行为的用户特征预测方法 | |
CN110955826B (zh) | 基于改进型循环神经网络单元的推荐系统 | |
CN111737578A (zh) | 一种推荐方法及系统 | |
CN117408735A (zh) | 一种基于物联网的客户管理方法及系统 | |
CN114693397A (zh) | 一种基于注意力神经网络的多视角多模态商品推荐方法 | |
CN112256866A (zh) | 一种基于深度学习的文本细粒度情感分析方法 | |
CN113127737B (zh) | 融合注意力机制的个性化搜索方法和搜索系统 | |
CN113255366B (zh) | 一种基于异构图神经网络的方面级文本情感分析方法 | |
CN111695024A (zh) | 对象评估值的预测方法及系统、推荐方法及系统 | |
CN115098675A (zh) | 一种基于多类别表格填充的情感三元组生成方法 | |
Devipriya et al. | Deep learning sentiment analysis for recommendations in social applications | |
CN115544252A (zh) | 一种基于注意力静态路由胶囊网络的文本情感分类方法 | |
Bao et al. | Multisource heterogeneous user-generated contents-driven interactive estimation of distribution algorithms for personalized search | |
CN114942974A (zh) | 电商平台商品用户评价情感倾向分类方法 | |
CN113449182B (zh) | 一种知识信息个性化推荐方法及系统 | |
CN113505307A (zh) | 一种基于弱监督增强的社交网络用户地域识别方法 | |
CN117093849A (zh) | 一种基于自动生成模型的数字矩阵特征分析方法 |
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 |