基于特征融合的分类模型训练方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，尤其涉及一种基于特征融合的分类模型训练方法、装置、设备及介质。该基于特征融合的分类模型训练方法包括获取目标客户的静态特征以及根据全量历史行为数据提取的动态特征；基于当前时间与每一目标触发行为的触发时间，获取目标触发行为的间隔时间特征；对间隔时间特征以及动态特征进行特征融合，得到目标触发行为的融合特征；基于静态特征以及目标触发行为的融合特征，构建目标客户的客户画像特征；将多个客户画像特征作为目标样本集，以基于目标样本集训练原始客群分类模型，得到目标客群分类模型。该方法可在保证采用全量历史行为数据进行客户分析，即保留行为数据的全局分布特性的同时提高客群分类的准确率。群分类的准确率。群分类的准确率。

【技术实现步骤摘要】
基于特征融合的分类模型训练方法、装置、设备及介质


[0001]本专利技术涉及人工智能
，尤其涉及一种基于特征融合的分类模型训练方法、装置、设备及介质。

技术介绍

[0002]随着人工智能技术的飞速发展，各种用于客户服务的系统及平台也逐步开始投入使用。在客户服务领域中，为了提升客户体验，企业或机构一般会基于人工智能技术对客户群进行分类，以预测客户近期对于某类信息的关注度，从而针对性推荐相关服务。
[0003]目前，传统的客群分类方法一般是直接采集用户的静态数据(例如用户所属行业、用户年龄、用户性别等)以及历史行为数据作为样本数据构建分类模型进行分类，但由于历史行为数据中某些行为的触发时间距离当前时间的间隔时间长短可能会影响到用户近期对某类信息关注度的预测准确性，而为解决该问题，一般是仅采集用户最近一段时间的数据进行分类，但该种方法只能利用用户最近一段时间的数据，而无法保留历史行为数据的全局分布特性，且不同的客户在该段时间内的数据量不同，故容易造成样本分布不均衡，使得模型分类准确率不高。

技术实现思路
/>[0004]本专本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征融合的分类模型训练方法，其特征在于，包括：获取每一目标客户的静态特征以及根据全量的历史行为数据提取得到的动态特征；其中，所述历史行为数据包括多种目标触发行为，所述动态特征为每一所述目标触发行为的行为特征表示；基于当前时间与每一所述目标触发行为的触发时间，获取每一所述目标触发行为的间隔时间特征；对每一所述目标触发行为的间隔时间特征以及所述动态特征进行特征融合，得到每一所述目标触发行为的融合特征；基于所述静态特征以及每一所述目标触发行为的融合特征，构建每一所述目标客户的客户画像特征；将多个所述目标客户的客户画像特征作为目标样本集，以基于所述目标样本集对原始客群分类模型进行训练，得到目标客群分类模型。2.如权利要求1所述基于特征融合的分类模型训练方法，其特征在于，所述基于当前时间与每一所述目标触发行为的触发时间，获取每一所述目标触发行为的间隔时间特征，包括：计算每一所述目标触发行为的触发时间与当前时间的间隔时间；对所述间隔时间进行离散化处理，得到每一所述目标触发行为的间隔时间特征。3.如权利要求1所述基于特征融合的分类模型训练方法，其特征在于，所述对每一所述目标触发行为的间隔时间特征以及所述动态特征进行特征融合，得到每一所述目标触发行为的融合特征，包括：对所述间隔时间特征与所述动态特征进行相加处理，以得到所述融合特征；或者，对所述间隔时间特征与所述动态特征进行拼接，得到所述目标触发行为的融合特征。4.如权利要求1所述基于特征融合的分类模型训练方法，其特征在于，在所述将多个所述目标客户的客户画像特征作为目标样本集，以基于所述目标样本集对原始客群分类模型进行训练，得到目标客群分类模型之前，所述基于特征融合的分类模型训练方法还包括：采用K
‑
means聚类算法对所述目标样本集进行聚类分析，得到多个聚类簇；其中，每一所述聚类簇用于指示一客户类别；基于所述客户类别对每一所述聚类簇中的目标样本进行标注，以分别从每一所述聚类簇中随机选取至少一个标注后的目标样本组成训练样本集；所述基于所述目标样本集对原始客群分类模型进行训练，得到目标客群分类模型，包括：基于所述训练样本集训练所述原始客群分类模型，得到所述目标客群分类模型。5.如权利要求4所述基于特征融合的分类模型训练方法，其特征在于，所述采用K
‑
means聚类算法对所述目标样本集进行聚类分析，得到多个聚类簇，包括：初始化聚类簇数量，并从所述目标样本集中随机选取聚类簇数量个目标样本作为初始质心；计算每一聚类簇的初始质心与所述目标样本集中每一目标样本之间的样...

【专利技术属性】
技术研发人员：刘慧芳，
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：