基于CNN模型的商机推荐方法、系统、电子设备及介质技术方案

本发明专利技术实施例公开了一种基于CNN模型的商机推荐方法，包括：获取待处理数据；对其进行预处理，以得到CNN、CFR和XGB模型数据集；采用CNN模型，预测得到目标用户；采用CFR模型，预测得到每一目标用户感兴趣的商机初步排序；针对每一目标用户，调用其对应的XGB模型数据集，并将其与商机初步排序输入XGB模型，得到每个目标用户的商机最终排序；将用户ID和商机最终排序分发至不同的业务部门。与现有的人工商机推送方法，本申请能够在两个小时内完成商机推送，用户的覆盖面更加深入，更加全面，无论是新老用户都能够良好的被挖掘，每日推送的商机，用户转化率高，对业务部门起到了良好的协助作用。

【技术实现步骤摘要】
基于CNN模型的商机推荐方法、系统、电子设备及介质
本专利技术涉及深度学习
，具体涉及一种基于CNN模型的商机推荐方法、系统、电子设备及介质。
技术介绍
服务平台型的公司，人为的从海量的数据库中筛选出目标客户，根据已有的经验和业务逻辑，然后推送给销售人员，称为商机推荐，即根据不同商机的推送关联规则，在不同场景下为用户推送最有可能的商机。现有的商机推荐方式主要存在两个方面的问题：1、用户挖掘方面：主要是业务人员通过业务逻辑和经验进行数据对最近的数据进行筛选，耗时耗力，并且用户的筛选的效果还不一定好，会流失大部分潜在目标用户。2、预测商机方面：主要为人力通过一定规则和经验进行推荐，推荐的商机种类主要看业务人员的经验储备，并且预测的准确率较低，导致销售人员的业绩转化率较低。
技术实现思路
针对上述技术缺陷，本专利技术实施例的目的在于提供一种基于CNN模型的商机推荐方法、系统、电子设备及介质。为实现上述目的，第一方面，本专利技术实施例提供了一种基于CNN模型的商机推荐方法，包括：获取待处理数据，所述待处理数据包括用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据；对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行处理，以得到CNN模型数据集、CFR模型数据集和XGB模型输入数据集；将所述CNN模型数据集输入预先训练的CNN模型，预测得到目标用户和非目标用户；针对每一所述目标用户，调用其对应的所述CFR模型数据集，并将所述CFR模型数据集输入预设的CFR模型，预测得到每一目标用户感兴趣的商机初步排序；针对每一所述目标用户，调用其对应的所述XGB模型数据集，并将商机初步排序和所述XGB模型数据集输入预设的XGB模型，得到每个目标用户的商机最终排序；将用户ID和所述商机最终排序分发至不同的业务部门。在本申请有些优选实施方式中，得到CNN模型数据集之后，所述方法还包括训练CNN模型具体为：通过CNN模型数据集调用deeplearning4j工具包的cnn接口进行训练，生成CNN模型。第二方面，本专利技术实施例提供了一种基于CNN模型的商机推荐系统，包括：获取模块，用于获取待处理数据，所述待处理数据包括用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据；处理模块，用于对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行处理，以得到CNN模型数据集、CFR模型数据集和XGB模型数据集；预测模块，用于将所述CNN模型数据集输入预先训练的CNN模型，预测得到目标用户和非目标用户；所述预测模块还用于针对每一所述目标用户，调用其对应的所述CFR模型数据集，并将所述CFR模型数据集输入预设的CFR模型，预测得到每一目标用户感兴趣的商机初步排序；所述预测模块还用于针对每一所述目标用户，调用其对应的所述XGB模型数据集，并将商机初步排序和所述XGB模型数据集输入预设的XGB模型，得到每个目标用户的商机最终排序；推荐模块，用于将用户ID和所述商机最终排序分发至不同的业务部门。在本申请的某些具体实施方式中，所述系统还包括训练模块，用于训练CNN模型，具体为：通过CNN模型数据集调用deeplearning4j工具包的cnn接口进行训练，生成CNN模型。第三方面，本专利技术实施例还提供了一种电子设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其内存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。与现有的人工商机推送方法，本申请提出了一套基于深度学习的商机推荐方法及系统，能够在两个小时内完成商机推送，用户的覆盖面更加深入，更加全面，无论是新老用户都能够良好的被挖掘，每日推送的商机，用户转化率高，对业务部门起到了良好的协助作用。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。图1是本专利技术实施例提供的基于CNN模型的商机推荐方法的示意流程图；图2是模型训练流程图；图3是商机推荐流程图；图4本专利技术实施例提供的基于CNN模型的商机推荐系统的结构图；图5是本专利技术实施例提供的电子设备的结构图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。请参考图1，是本专利技术实施例提供的基于CNN模型的商机推荐方法。如图所示，该方法可以包括以下步骤：S101，获取待处理数据。该待处理数据包括用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据。其中，浏览行为是通过GALog+kafka+Hbase的方案进行存储，拉取数据时直接从hbase进行拉取。咨询行为和订单行为是业务单元直接存储在mysql数据库的，拉取数据时直接从mysql进行拉取。S102，对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行处理，以得到CNN模型数据集、CFR模型数据集和XGB模型数据集。具体地，对获得的行为数据进行去噪、标准化等预处理，去噪主要是排除垃圾浏览行为、垃圾咨询行为和垃圾订单行为，排除噪声，让分布接近正态，通过调用公司提供的垃圾行为识别接口来达到目的。并以用户ID为关联将三种行为数据整合到一起，形成三种不同的数据集，分别为：(1)卷积神经网络模型(CNN)数据集，将非结构化的数据整合为结构化的数据，该数据集为分类数据集，包含是目标用户和不是目标用户两个类目，用于训练二分类模型。正负样本数据集格式如下所示：110.0910.23810.3310.5…210.0830.3780000…3000.41210.2100…4000.2350000……上述数据集从左到右分别表示类别、是否有浏览行为、浏览服务个数的标准化数值、浏览服务商个数的标准化数据、是否有咨询行为、咨询服务商个数、是否有订单行为、下单个数。以上数据集为部分特征数据，未本文档来自技高网...

【技术保护点】
1.一种基于CNN模型的商机推荐方法，其特征在于，包括：/n获取待处理数据，所述待处理数据包括用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据；/n对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行处理，以得到CNN模型数据集、CFR模型数据集和XGB模型数据集；/n将所述CNN模型数据集输入预先训练的CNN模型，预测得到目标用户和非目标用户；/n针对每一所述目标用户，调用其对应的所述CFR模型数据集，并将所述CFR模型数据集输入预设的CFR模型，预测得到每一目标用户感兴趣的商机初步排序；/n针对每一所述目标用户，调用其对应的所述XGB模型数据集，并将商机初步排序和所述XGB模型数据集输入预设的XGB模型，得到每个目标用户的商机最终排序；/n将用户ID和所述商机最终排序分发至不同的业务部门。/n

【技术特征摘要】
1.一种基于CNN模型的商机推荐方法，其特征在于，包括：
获取待处理数据，所述待处理数据包括用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据；
对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行处理，以得到CNN模型数据集、CFR模型数据集和XGB模型数据集；
将所述CNN模型数据集输入预先训练的CNN模型，预测得到目标用户和非目标用户；
针对每一所述目标用户，调用其对应的所述CFR模型数据集，并将所述CFR模型数据集输入预设的CFR模型，预测得到每一目标用户感兴趣的商机初步排序；
针对每一所述目标用户，调用其对应的所述XGB模型数据集，并将商机初步排序和所述XGB模型数据集输入预设的XGB模型，得到每个目标用户的商机最终排序；
将用户ID和所述商机最终排序分发至不同的业务部门。


2.如权利要求1所述的商机推荐方法，其特征在于，获取待处理数据具体包括：
从hbase拉取用户的历史浏览行为数据；
从mysql数据库拉取用户的短期咨询行为数据和用户的历史订单行为数据。


3.如权利要求1所述的商机推荐方法，其特征在于，得到CNN模型数据集、CFR模型数据集和XGB模型数据集，具体包括：
对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行去噪和标准化处理，并以用户ID作为关联信息对三种行为数据进行整合，分别形成CNN模型数据集、CFR模型数据集和XGB模型数据集。


4.如权利要求1所述的商机推荐方法，其特征在于，得到CNN模型数据集之后，所述方法还包括训练CNN模型，具体为：
通过CNN模型数据集调用deeplearning4j工具包的cnn接口进行训练，生成CNN模型。


5.一种基于CNN模型的商机推荐系统，其特征在于，包括：
获取模块，用于获取待处理数据，所述待处理数据包括用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据；
处理模块，用于对用户的历史浏览行为数据、用户的短期咨询行为数...

【专利技术属性】
技术研发人员：谭光柱，周冲，易未，张文平，
申请(专利权)人：猪八戒股份有限公司，
类型：发明
国别省市：重庆;50