本发明专利技术公开了一种关键行为数据的识别方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：根据规则引擎中的配置的行为判断规则得到第一规则集，通过预设算法模型从第一规则集中筛选出第二规则集，以第二规则集作为规则引擎实际使用的规则集，将采集的待识别数据集输入规则引擎，以识别出待识别数据集中的关键行为数据集。该实施方式能够自动加载规则引擎来识别关键行为数据，可用性高并提高了线索识别效率，结合算法模型优化规则引擎，提高了线索识别的准确性，可通过统一的行为数据采集标准采集行为数据以便存储，提高数据库存储能力。存储能力。存储能力。
【技术实现步骤摘要】
一种关键行为数据的识别方法和装置
[0001]本专利技术涉及计算机
，尤其涉及一种关键行为数据的识别方法和装置。
技术介绍
[0002]随着互联网技术的迅速发展，互联网保险逐渐将保险产品的售卖、服务过程从传统线下转到了线上。客户在线上的行为日益增多，业务人员面对每日剧增的用户行为信息，如何识别出关键获客线索，对业务人员线上获客提出新的挑战。采用传统的数据库采集和消息推送，是通过业务数据库采集和人工筛选的方式，将客户所有行为数据实时全量推送给业务人员进行自主选择，需要业务人员从众多消息中识别出对获客有价值的线索，另外，用硬编码的方式将行为数据上报到业务数据库，需考虑传统数据库数据量的限制问题，存储能力有限，存在关键线索无法采集。
[0003]在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：
[0004]需要业务人员从大量的客户信息中人工筛选出有价值的关键行为数据，其可用性差、效率低，数据库对行为数据的存储能力有限。
技术实现思路
[0005]有鉴于此，本专利技术实施例提供一种关键行为数据的识别方法和装置，能够自动加载规则引擎来识别关键行为数据，可用性高并提高了线索识别效率，结合算法模型优化规则引擎，提高了线索识别的准确性，可通过统一的行为数据采集标准采集行为数据以便存储，提高数据库存储能力。
[0006]为实现上述目的，根据本专利技术实施例的一个方面，提供了一种关键行为数据的识别方法。
[0007]一种关键行为数据的识别方法，包括：接收对规则引擎中行为判断规则的配置，根据配置的行为判断规则得到第一规则集；通过预设算法模型从所述第一规则集中筛选出第二规则集；以所述第二规则集作为所述规则引擎实际使用的规则集，将采集的待识别数据集输入所述规则引擎，以识别出所述待识别数据集中的关键行为数据集，所述待识别数据集包括业务人员和客户的行为数据。
[0008]可选地，所述预设算法模型为机器学习算法模型，所述机器学习算法模型为逻辑回归模型或梯度提升模型；所述通过预设算法模型从所述第一规则集中筛选出第二规则集，包括：构建所述机器学习算法模型的输入特征，所述机器学习算法模型的输入特征包括基于所述第一规则集得到的特征；通过所述机器学习算法模型输出每一输入特征对应的特征分数，将所述第一规则集中对应所述特征分数大于预设阈值的行为判断规则归属到所述第二规则集。
[0009]可选地，所述预设算法模型为因果推断模型；所述通过预设算法模型从所述第一规则集中筛选出第二规则集，包括：利用所述因果推断模型通过如下方式确定筛选指标：获取第一客户集中的客户在当前时刻之前的第一行为数据序列，所述第一客户集为尚未产生
行为结果的客户构成的集合；从第二客户集中选出在当前时刻之前的行为数据序列与所述第一行为数据序列相似的一个或多个目标客户，并获取每一所述目标客户在当前时刻之后到产生所述行为结果之前的第二行为数据序列，其中，所述第二客户集为已知具有所述行为结果的客户构成的集合；根据每一所述第二行为数据序列中出现次数大于第一次数阈值的行为数据，和/或，所有所述第二行为数据序列中总计出现次数大于第二次数阈值的行为数据，确定所述筛选指标；利用所述筛选指标从所述第一规则集中筛选行为判断规则，并将筛选出的行为判断规则归属到所述第二规则集。
[0010]可选地，所述预设算法模型为解释神经网络模型；所述通过预设算法模型从所述第一规则集中筛选出第二规则集，包括：构建所述解释神经网络模型的输入特征，所述解释神经网络模型的输入特征包括基于所述第一规则集得到的特征；通过所述解释神经网络模型的解释模块得到所述神经网络的解释结果，所述解释结果包括关于行为数据的文本；将所述解释结果与所述解释神经网络模型的输入特征进行匹配，由匹配出的输入特征得到行为判断规则并归属到第二规则集。
[0011]可选地，以事件模型作为采集所述待识别数据集的数据采集标准，分别采集所述业务人员的行为数据和所述客户的行为数据，所述事件模型包括用户实体和事件实体，所述用户实体和所述事件实体的至少部分字段不同，用户为业务人员或客户。
[0012]可选地，所述将采集的待识别数据集输入所述规则引擎，以识别出所述待识别数据集中的关键行为数据集，包括：对所述待识别数据集进行指标加工，以提取出用于行为判断的指标和对应的指标值；通过所述规则引擎判断提取出的指标和对应的指标值是否符合所述实际使用的规则集中的行为判断规则，若符合，则将所述待识别数据集中对应该指标的行为数据作为关键行为数据，并添加到所述关键行为数据集。
[0013]可选地，所述识别出所述待识别数据集中的关键行为数据集之后，包括：将所述关键行为数据集存储到大数据集群或结构化数据库，并通过数据服务接口提供实时的数据查询服务，以供所述业务人员的客户端查询所述关键行为数据集中的行为数据；或者，通过所述数据服务接口提供消息通道推送服务，以通过消息通道向所述业务人员的客户端推送所述关键行为数据集中的行为数据。
[0014]根据本专利技术实施例的另一方面，提供了一种关键行为数据的识别装置。
[0015]一种关键行为数据的识别装置，包括：第一规则集配置模块，用于接收对规则引擎中行为判断规则的配置，根据配置的行为判断规则得到第一规则集；第二规则集筛选模块，用于通过预设算法模型从所述第一规则集中筛选出第二规则集；关键行为数据识别模块，用于以所述第二规则集作为所述规则引擎实际使用的规则集，将采集的待识别数据集输入所述规则引擎，以识别出所述待识别数据集中的关键行为数据集，所述待识别数据集包括业务人员和客户的行为数据。
[0016]可选地，所述预设算法模型为机器学习算法模型，所述机器学习算法模型为逻辑回归模型或梯度提升模型；所述第二规则集筛选模块还用于：构建所述机器学习算法模型的输入特征，所述机器学习算法模型的输入特征包括基于所述第一规则集得到的特征；通过所述机器学习算法模型输出每一输入特征对应的特征分数，将所述第一规则集中对应所述特征分数大于预设阈值的行为判断规则归属到所述第二规则集。
[0017]可选地，所述预设算法模型为因果推断模型；所述第二规则集筛选模块还用于：利
用所述因果推断模型通过如下方式确定筛选指标：获取第一客户集中的客户在当前时刻之前的第一行为数据序列，所述第一客户集为尚未产生行为结果的客户构成的集合；从第二客户集中选出在当前时刻之前的行为数据序列与所述第一行为数据序列相似的一个或多个目标客户，并获取每一所述目标客户在当前时刻之后到产生所述行为结果之前的第二行为数据序列，其中，所述第二客户集为已知具有所述行为结果的客户构成的集合；根据每一所述第二行为数据序列中出现次数大于第一次数阈值的行为数据，和/或，所有所述第二行为数据序列中总计出现次数大于第二次数阈值的行为数据，确定所述筛选指标；利用所述筛选指标从所述第一规则集中筛选行为判断规则，并将筛选出的行为判断规则归属到所述第二规则集。
[0018]可选地，所述预设算法模型为解释神经网络模型；所述第二规则集筛选模块还用于：构建所述本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种关键行为数据的识别方法，其特征在于，包括：接收对规则引擎中行为判断规则的配置，根据配置的行为判断规则得到第一规则集；通过预设算法模型从所述第一规则集中筛选出第二规则集；以所述第二规则集作为所述规则引擎实际使用的规则集，将采集的待识别数据集输入所述规则引擎，以识别出所述待识别数据集中的关键行为数据集，所述待识别数据集包括业务人员和客户的行为数据。2.根据权利要求1所述的方法，其特征在于，所述预设算法模型为机器学习算法模型，所述机器学习算法模型为逻辑回归模型或梯度提升模型；所述通过预设算法模型从所述第一规则集中筛选出第二规则集，包括：构建所述机器学习算法模型的输入特征，所述机器学习算法模型的输入特征包括基于所述第一规则集得到的特征；通过所述机器学习算法模型输出每一输入特征对应的特征分数，将所述第一规则集中对应所述特征分数大于预设阈值的行为判断规则归属到所述第二规则集。3.根据权利要求1所述的方法，其特征在于，所述预设算法模型为因果推断模型；所述通过预设算法模型从所述第一规则集中筛选出第二规则集，包括：利用所述因果推断模型通过如下方式确定筛选指标：获取第一客户集中的客户在当前时刻之前的第一行为数据序列，所述第一客户集为尚未产生行为结果的客户构成的集合；从第二客户集中选出在当前时刻之前的行为数据序列与所述第一行为数据序列相似的一个或多个目标客户，并获取每一所述目标客户在当前时刻之后到产生所述行为结果之前的第二行为数据序列，其中，所述第二客户集为已知具有所述行为结果的客户构成的集合；根据每一所述第二行为数据序列中出现次数大于第一次数阈值的行为数据，和/或，所有所述第二行为数据序列中总计出现次数大于第二次数阈值的行为数据，确定所述筛选指标；利用所述筛选指标从所述第一规则集中筛选行为判断规则，并将筛选出的行为判断规则归属到所述第二规则集。4.根据权利要求1所述的方法，其特征在于，所述预设算法模型为解释神经网络模型；所述通过预设算法模型从所述第一规则集中筛选出第二规则集，包括：构建所述解释神经网络模型的输入特征，所述解释神经网络模型的输入特征包括基于所述第一规则集得到的特征；通过所述解释神经网络模型的解释模块得到所述神经网络的解释结果，所述解释结果包括关于行为数据的文本；将所述解释结果与所述解释神经网络...
【专利技术属性】
技术研发人员：杜园园，冉丰凯，柴敏，朱建林，
申请(专利权)人：泰康人寿保险有限责任公司，
类型：发明
国别省市：
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。