【技术实现步骤摘要】
基于人工智能的客户价值标注方法、装置、设备及介质
本专利技术涉及人工智能
，尤其涉及一种基于人工智能的客户价值标注方法、装置、设备及介质。
技术介绍
数据分类是机器学习应用场景之一，机器学习实现分类又分为监督学习与无监督学习。有监督学习是使用已知数据与数据所属类型的关系使用机器学习算法分析数据与类型的规律，从而实现对未知的数据进行分类，因此需要预先对数据所属类别进标注。当前，对于客户价值分析模型的学习，一般是由运营人员来分析客户数据进行分类或使用固定的规则来对客户标记分类，细粒度较粗，效率较低且灵活度不强。
技术实现思路
本专利技术实施例提供一种基于人工智能的客户价值标注方法、装置、设备及介质，以解决当前针对客户价值分析模型的客户价值标注，细粒度较粗，效率较低且灵活度不强问题。一种基于人工智能的客户价值标注方法，包括：定时采集每一客户对应的购买行为数据；对每一所述客户对应的购买行为数据进行异常值和缺失值处理，获取有效行为数据；基于所述有效行为数据进行统计，获取...
【技术保护点】
1.一种基于人工智能的客户价值标注方法，其特征在于，包括：/n定时采集每一客户对应的购买行为数据；/n对每一所述客户对应的购买行为数据进行异常值和缺失值处理，获取有效行为数据；/n基于所述有效行为数据进行统计，获取所述客户对应的包含至少一个统计特征的目标样本数据；/n采用kmeans聚类算法对所述目标样本数据进行聚类分析，得到至少一个聚类簇，所述聚类簇用于指示客户类别一致的客户群体；/n对所述聚类簇进行特征分析，以对每一所述聚类簇对应的客户群体进行客户价值标注。/n
【技术特征摘要】
1.一种基于人工智能的客户价值标注方法，其特征在于，包括：
定时采集每一客户对应的购买行为数据；
对每一所述客户对应的购买行为数据进行异常值和缺失值处理，获取有效行为数据；
基于所述有效行为数据进行统计，获取所述客户对应的包含至少一个统计特征的目标样本数据；
采用kmeans聚类算法对所述目标样本数据进行聚类分析，得到至少一个聚类簇，所述聚类簇用于指示客户类别一致的客户群体；
对所述聚类簇进行特征分析，以对每一所述聚类簇对应的客户群体进行客户价值标注。
2.如权利要求1所述基于人工智能的客户价值标注方法，其特征在于，所述对每一所述客户对应的购买行为数据进行异常值和缺失值处理，获取有效行为数据，包括：
判断所述购买行为数据中是否存在缺失值，若所述购买行为数据不存在缺失值，则将所述购买行为数据作为有效行为数据；
若所述购买行为数据存在缺失值，则获取所述缺失值对应的缺失字段；
若所述缺失字段为必要字段，则对所述缺失字段进行缺失值填充处理，获取中间行为数据；
若所述缺失字段为非必要字段，则不对所述缺失字段进行处理，将所述购买行为数据作为中间行为数据；
判断所述中间行为数据是否存在异常值，若所述中间行为数据存在异常值，则对所述中间行为数据进行异常值处理，去除购买行为无效的数据，获取有效行为数据。
3.如权利要求1所述基于人工智能的客户价值标注方法，其特征在于，所述采用kmeans聚类算法对所述目标样本数据进行聚类分析，得到至少一个聚类簇，包括；
初始化聚类簇数量，并按照预设质心选取策略选取初始质心；所述聚类簇数量用于指示初始质心的数量；
计算每一聚类簇的初始质心与所述目标样本数据之间的距离，将距离所述初始质心最近的目标样本数据聚集在同一聚类簇中；
更新每一所述聚类簇的质心，计算每一聚类簇的当前质心与所述目标样本数据之间的距离，将距离所述初始质心最近的所述目标样本数据聚集在同一聚类簇中，直到所述聚类簇对应的更新后的质心与更新前的质心之间的距离小于预设距离。
4.如权利要求3所述基于人工智能的客户价值标注方法，其特征在于，所述按照预设质心选取策略选取初始质心，包括：
随机选取一目标样本数据作为一个初始质心；
计算每一目标样本数据与所述初始质心间的距离，得到最短距离；
按照质心选取概率计算公式，对所述最短距离进行计算，得到质心选取概率；所述质心选取概率用于描述每一所述目标样本数据作为下一质心的概率；
基于所述质心选取概率，计算每一所述目标样本数据的概率累加和；
基于所述概率累加和，采用轮盘提取算法对所述目标样本数据进行选取，得到下一初始质心，继续执行所述计算每一所述目标样本数据与所述初始质心间的距离，得到最短距离的步骤，直到所述初始质心的数...
【专利技术属性】
技术研发人员：刘晓轩，
申请(专利权)人：深圳壹账通智能科技有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。