一种目标客户筛选方法、装置、设备及介质制造方法及图纸

本申请涉及数据处理技术领域，尤其涉及一种目标客户筛选方法、装置、设备及介质。用以解决现有技术中从已有客户中识别目标客户时效率低，且不准确的问题。该方法中服务器根据已保存的每个客户的每个交易数据，构建知识图谱，并在知识图谱中标记出待识别客户对应的目标节点，服务器基于该知识图谱，识别该待识别客户是否为目标客户。由于服务器在确定待识别客户是否为目标客户时基于交易数据，也就是在识别待识别客户是否为目标客户时使用的数据范围更广更全面，并且在本申请实施例中基于图神经网络模型和逻辑回归模型，识别待识别客户是否为目标客户，不依赖专家经验，提高了目标客户识别的效率和准确率。客户识别的效率和准确率。客户识别的效率和准确率。

A target customer screening method, device, equipment and medium

【技术实现步骤摘要】
一种目标客户筛选方法、装置、设备及介质


[0001]本申请涉及数据处理
，尤其涉及一种目标客户筛选方法、装置、设备及介质。

技术介绍

[0002]在现有技术中，可以对目标客户的行为进行分析与预测，以及对目标客户进行分类，进而确定目标客户的可拉伸的资产空间及预测企业的可经营路径。并且，可以根据对目标客户的分析结果，有针对性、有方向的投放更多经营资源，开展个性化服务，提高客户的满意度，进而提升企业的经营水平。
[0003]但是，针对企业海量的已有客户，现有技术中还没有一个有效可行的方法从海量的已有客户中定位出潜在的被企业需要的目标客户。现有技术在确定已有客户中的目标客户时，主要基于专家经验制定业务规则，依赖业务人员个体的经验来确定，这种确定目标客户的方法导致确定目标客户的效率低，且不准确。

技术实现思路

[0004]本申请提供了一种目标客户筛选方法、装置、设备及介质，用以解决现有技术中从已有客户中识别目标客户时效率低，且不准确的问题。
[0005]本申请实施例提供了一种目标客户筛选方法，所述方法包括：
[0006]获取每个客户的每个交易数据，并根据所述每个客户的每个交易数据构建知识图谱，其中，所述知识图谱中包含客户对应的第一节点和交易对象对应的第二节点，存在交易关系的客户对应的第一节点与交易对象对应的第二节点之间连接；
[0007]根据携带有待识别客户对应的目标节点的知识图谱及预先训练完成的图神经网络模型，确定所述目标节点对应的目标特征向量；
[0008]将所述目标特征向量输入到预先训练完成的逻辑回归模型中，获取所述逻辑回归模型输出的所述目标节点对应的待识别客户是否为目标客户的判断结果。
[0009]进一步地，所述根据所述每个客户的每个交易数据构建知识图谱包括：
[0010]针对每个交易数据，确定该交易数据对应的客户和交易对象；若当前知识图谱中不存在所述客户对应的第一节点或不存在所述交易对象对应的第二节点，则在所述知识图谱中创建所述客户对应的第一节点或所述交易对象对应第二节点，并连接所述第一节点和第二节点；
[0011]接收输入的每个节点对应的每个权重，并将该每个权重保存到对应的节点中。
[0012]进一步地，若所述交易对象为非客户，确定当前知识图谱中不存在所述交易对象对应的第二节点包括：
[0013]根据预先配置的交易对象类别，确定所述交易对象对应的目标交易对象类别；
[0014]若当前知识图谱中不存在所述目标交易对象类别对应的节点，则确定不存在所述交易对象对应的第二节点；
[0015]所述在所述知识图谱中创建所述交易对象对应第二节点包括：
[0016]创建所述目标交易对象类别对应的节点，将创建的所述节点作为所述交易对象对应的第二节点。
[0017]进一步地，所述根据携带有待识别客户对应的目标节点的知识图谱及预先训练完成的图神经网络模型，确定所述目标节点对应的目标特征向量包括：
[0018]将所述携带有待识别客户对应的目标节点的知识图谱输入到所述图神经网络模型中；
[0019]所述图神经网络模型为所述知识图谱中的每个节点随机分配对应的特征向量；确定所述知识图谱中与所述目标节点直接或间接连接的预设数量个目标候选节点；针对每个目标候选节点，从该目标候选节点中获取该目标候选节点对应的权重；根据所述目标节点对应的特征向量、每个目标候选节点对应的每个权重及特征向量，对目标节点对应的目标特征向量进行更新。
[0020]进一步地，所述确定与所述目标节点直接或间接连接的预设数量个目标候选节点包括：
[0021]确定所述知识图谱中与该目标节点直接连接，以及与所述目标节点通过一个节点间接连接的每个候选节点；
[0022]采用随机算法从所述候选节点中选择所述预设数量个目标候选节点。
[0023]进一步地，所述根据所述目标节点对应的特征向量、每个目标候选节点对应的每个权重及特征向量，对目标节点对应的目标特征向量进行更新包括：
[0024]根据所述知识图谱中携带的每个节点对应的权重，确定每个目标候选节点对应的每个权重；
[0025]确定每个目标候选节点的特征向量与对应的权重的每个乘积；
[0026]将所述每个乘积与所述目标节点对应的目标特征向量的和向量确定为更新后的目标特征向量。
[0027]进一步地，所述逻辑回归模型的训练过程包括：
[0028]获取保存的样本特征向量集，其中所述样本特征向量集中包含多个样本特征向量，并且所述样本特征向量集中保存有每个样本特征向量对应的客户是否为目标客户的标识信息；
[0029]将所述样本特征向量集中的每个样本特征向量输入到待训练的逻辑回归模型中，获取所述逻辑回归模型输出的每个样本特征向量对应的客户是否为目标客户的预测结果；
[0030]针对每个样本特征向量，根据该样本特征向量中携带的该样本特征向量对应的客户是否为目标客户的标识信息，以及所述逻辑回归模型输出的该样本特征向量对应的预测结果，对所述逻辑回归模型的参数进行调整。
[0031]进一步地，所述图神经网络模型的训练过程包括：
[0032]获取保存的每个样本知识图谱；
[0033]将所述每个样本知识图谱输入到待训练的图神经网络模型中，获取该图神经网络模型输出的每个客户对应的样本节点的每个样本目标特征向量；
[0034]根据所述每个样本目标特征向量对所述待训练的图神经网络模型进行优化。
[0035]本申请实施例还提供了一种目标客户筛选装置，所述装置包括：
[0036]知识图谱构建模块，用于获取每个客户的每个交易数据，并根据所述每个客户的每个交易数据构建知识图谱，其中，所述知识图谱中包含客户对应的第一节点和交易对象对应的第二节点，存在交易关系的客户对应的第一节点与交易对象对应的第二节点之间连接；
[0037]处理模块，用于根据携带有待识别客户对应的目标节点的知识图谱及预先训练完成的图神经网络模型，确定所述目标节点对应的目标特征向量；
[0038]识别模块，用于将所述目标特征向量输入到预先训练完成的逻辑回归模型中，获取所述逻辑回归模型输出的所述目标节点对应的待识别客户是否为目标客户的判断结果。
[0039]进一步地，所述知识图谱构建模块，具体用于针对每个交易数据，确定该交易数据对应的客户和交易对象；若当前知识图谱中不存在所述客户对应的第一节点或不存在所述交易对象对应的第二节点，则在所述知识图谱中创建所述客户对应的第一节点或所述交易对象对应第二节点，并连接所述第一节点和第二节点；接收输入的每个节点对应的每个权重，并将该每个权重保存到对应的节点中。
[0040]进一步地，所述知识图谱构建模块，具体用于若所述交易对象为非客户，则根据预先配置的交易对象类别，确定所述交易对象对应的目标交易对象类别；若当前知识图谱中不存在所述目标交易对象类别对应的节点，则确定不存在所述交易对象对应的第二节点；创本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标客户筛选方法，其特征在于，所述方法包括：获取每个客户的每个交易数据，并根据所述每个客户的每个交易数据构建知识图谱，其中，所述知识图谱中包含客户对应的第一节点和交易对象对应的第二节点，存在交易关系的客户对应的第一节点与交易对象对应的第二节点之间连接；根据携带有待识别客户对应的目标节点的知识图谱及预先训练完成的图神经网络模型，确定所述目标节点对应的目标特征向量；将所述目标特征向量输入到预先训练完成的逻辑回归模型中，获取所述逻辑回归模型输出的所述目标节点对应的待识别客户是否为目标客户的判断结果。2.根据权利要求1所述的方法，其特征在于，所述根据所述每个客户的每个交易数据构建知识图谱包括：针对每个交易数据，确定该交易数据对应的客户和交易对象；若当前知识图谱中不存在所述客户对应的第一节点或不存在所述交易对象对应的第二节点，则在所述知识图谱中创建所述客户对应的第一节点或所述交易对象对应第二节点，并连接所述第一节点和第二节点；接收输入的每个节点对应的每个权重，并将该每个权重保存到对应的节点中。3.根据权利要求2所述的方法，其特征在于，若所述交易对象为非客户，确定当前知识图谱中不存在所述交易对象对应的第二节点包括：根据预先配置的交易对象类别，确定所述交易对象对应的目标交易对象类别；若当前知识图谱中不存在所述目标交易对象类别对应的节点，则确定不存在所述交易对象对应的第二节点；所述在所述知识图谱中创建所述交易对象对应第二节点包括：创建所述目标交易对象类别对应的节点，将创建的所述节点作为所述交易对象对应的第二节点。4.根据权利要求1所述的方法，其特征在于，所述根据携带有待识别客户对应的目标节点的知识图谱及预先训练完成的图神经网络模型，确定所述目标节点对应的目标特征向量包括：将所述携带有待识别客户对应的目标节点的知识图谱输入到所述图神经网络模型中；所述图神经网络模型为所述知识图谱中的每个节点随机分配对应的特征向量；确定所述知识图谱中与所述目标节点直接或间接连接的预设数量个目标候选节点；针对每个目标候选节点，从该目标候选节点中获取该目标候选节点对应的权重；根据所述目标节点对应的特征向量、每个目标候选节点对应的每个权重及特征向量，对目标节点对应的目标特征向量进行更新。5.根据权利要求4所述的方法，其特征在于，所述确定与所述目标节点直接或间接连接的预设数量个目标候选节点包括：确定所述知识图谱中与该目标节点直接连接，以及与所述目标节点通过一个节点间接连接的每个候选节点；采用随机算法从所述候选节点中选择所述预设数量个目标候选节点。6.根据权利要求4所述的方法，其特征在于，所述根据所述目标节点对应的特征向量、每个目标候选节点对应的每个权重及特征向量，对目标节点对应的目标特征向量进行更新
包括：根据所述知识图谱中携带的每个节点对应的权重，确定每个目标候选节点对应的每个权重；确定每个目标候选节点的特征向量与对应的权重的每个乘积；将所述每个乘积与所述目标节点对应的目标特征向量的和向量确定为更新后的目标特征向量。7.根据权利要求1所述的方法，其特征在于，所述逻辑回归模型的训练过程包括：获取保存的样本特征向量集，其中所述样本特征向量集中包含多个样本特征向量，并且所述样本特征向量集中保存有每个样本特征向量对应的客户是否为目标客户的标识信息；将所述样本特征向量集中的每个样本特征向量输入到待训练的逻辑回归模型中，获取所述逻辑回归模型输出的每个样本特征向量对应的客户是否为目标客户的预测结果；针对每个样本特征向量，根据该样本特征向量中携带的该样本特征向量对应的客户是否为目标客户的标识信息，以及所述逻辑回归模型输出的该样本特征向量对应的预测结果，对所述逻辑回归模型的参数进行调整。8.根据权利要求1所述的方法，其特征在于，所述图神经网络模型的训练过程包括：获取保存的每个样本知识图谱；将所述每个样本知识图谱输入到待训练的图神经网络模型中，获取该图神经网络模型输出的每个客户对应的样本节点的每个样本目标特征向量；根据所述每个样本目标特征向量对所述待训练的图神经网络模型进行优化。9.一种目标客户筛选装置，其特征在于，所述装置包括：知识图谱构建模块，用于获取每个客户的每个交易数据，并根据所述每个客户的每个交易数据构建知识图谱，其中，...

【专利技术属性】
技术研发人员：陈琳，
申请(专利权)人：建信金融科技有限责任公司，
类型：发明
国别省市：