潜在客户预测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供了一种潜在客户预测方法、装置、电子设备及存储介质，涉及金融领域，包括：拼接待预测对象的所有标签数据低维向量以及所有行为数据低维向量，获取待预测对象的特征向量；输入所述特征向量至理财客户预测模型，获取前馈神经网络模块输出的第一交互结果以及多重注意力融合模块输出的第二交互结果；聚合所述第一交互结果以及所述第二交互结果，获取最终预测结果，以根据所述最终预测结果确定潜在客户。本发明专利技术能够同时对高阶特征和低阶特征进行学习，获得精准二阶特征交互和非线性特征交互，实现对稀疏特征的预测，具有稳定可靠、精确度高、方便快捷的优点，实现了对于潜在客户的精准预测。户的精准预测。户的精准预测。

【技术实现步骤摘要】
潜在客户预测方法、装置、电子设备及存储介质


[0001]本专利技术涉及金融领域，尤其涉及一种潜在客户预测方法、装置、电子设备及存储介质。

技术介绍

[0002]随着证券经营机构间竞争加剧，证券公司传统经纪业务费率逐年降低，传统经纪业务不足以支撑证券公司效益持续增长。因此，证券公司须依托资本市场，向挖掘客户需求、提供综合理财服务的财富管理业务转型。在这种前提下，需要能够根据客户的相关数据判断存量的经纪业务客户转化为理财客户的机会，以便进行精准营销。
[0003]现有的理财意向调查问卷方法回收难，客户投资专业知识缺乏，自我评价过于主观，获得结果可靠性有限，而依靠一线人员主观判断的理财产品潜在客户的确定，需要手动翻阅调查大量客户相关的历史数据，不仅效率较差，而且一线人员专业知识参差不齐，对客户对象的判断准确率不能保障，成功确定潜在客户的成功率较低。

技术实现思路

[0004]本专利技术提供一种潜在客户预测方法、装置、电子设备及存储介质，用以解决现有技术中一线人员专业性参差不齐，存在着服务差异、供需失衡、利益冲突及过度依赖用户认知等问题缺陷，本专利技术利用深度学习的方法自动化地对平台中存量的待预测对象转化为潜在客户的可能性进行评估，进而能够节省大量人力成本。
[0005]第一方面，本专利技术提供了一种潜在客户预测方法，包括：
[0006]拼接待预测对象的所有标签数据低维向量以及所有行为数据低维向量，获取待预测对象的特征向量；
[0007]输入所述特征向量至理财客户预测模型，获取前馈神经网络模块输出的第一交互结果以及多重注意力融合模块输出的第二交互结果；
[0008]聚合所述第一交互结果以及所述第二交互结果，获取最终预测结果，以根据所述最终预测结果确定潜在客户；
[0009]所述理财客户预测模型包括所述前馈神经网络模块以及所述多重注意力融合模块；
[0010]所述理财客户预测模型是通过对多个样本预测对象的样本标签数据、样本行为数据以及样本预测结果训练得到的；
[0011]所述第二交互结果是根据所述特征向量的一阶特征交互结果以及二阶特征交互结果计算而确定的。
[0012]根据本专利技术提供的一种潜在客户预测方法，所述拼接待预测对象的所有标签数据低维向量以及所有行为数据低维向量，获取待预测对象的特征向量，包括：
[0013]独热编码所述待预测对象的每一标签数据，并将独热编码后的每一标签数据高维向量映射至低维空间，获取待预测对象的所有标签数据低维向量；
[0014]根据待预测对象的任一行为数据以及所述行为数据所在时序位置进行编码，以获取所述行为数据的低维向量；
[0015]遍历待预测对象的所有行为数据，获取待预测对象的所有行为数据低维向量，以拼接所有标签数据低维向量以及所有行为数据低维向量，获取待预测对象的特征向量。
[0016]根据本专利技术提供的一种潜在客户预测方法，所述根据待预测对象的任一行为数据以及所述行为数据所在时序位置进行编码，以获取所述行为数据的低维向量，包括：
[0017]根据所述行为数据以及所述行为数据相对应的嵌入矩阵确定行为嵌入值；
[0018]根据所述行为嵌入值以及时序位置确定行为位置值；
[0019]根据所述行为位置值以及变换矩阵确定行为向量特征值；
[0020]根据所述行为向量特征值以及偏置参数确定所述行为数据的低维向量。
[0021]根据本专利技术提供的一种潜在客户预测方法，所述时序位置通过如下方式确定：
[0022]在时序位置编码所在维度为奇数维度的情况下，根据余弦函数处理所述时序位置编码；
[0023]在时序位置编码所在维度为偶数维度的情况下，根据正弦函数处理所述时序位置编码。
[0024]根据本专利技术提供的一种潜在客户预测方法，所述第二交互结果是根据所述特征向量的一阶特征交互结果以及二阶特征交互结果计算而确定的，包括：
[0025]基于多重注意力融合模块的第一层，对待预测对象的特征向量中的每一低维向量进行多头自注意力处理，以获取每一低维向量的多头自注意力结果；
[0026]拼接所有多头自注意力结果，获取自注意一阶特征；
[0027]基于多重注意力融合模块的第二层，对所述自注意一阶特征进行注意力聚集处理，以获取第二层输出结果；
[0028]根据所述第二层输出结果与所述自注意一阶特征的内积确定二阶特征交互结果；
[0029]基于多重注意力融合模块的第三层，对所述二阶特征交互结果进行降维处理，以获取降维后二阶特征交互结果；
[0030]根据所述降维后二阶交互结果以及所述一阶特征交互结果之和确定所述第二交互结果。
[0031]根据本专利技术提供的一种潜在客户预测方法，所述聚合所述第一交互结果以及所述第二交互结果，获取最终预测结果，包括：
[0032]根据所述第一交互结果以及所述第二交互结果之和确定结合结果；
[0033]采用激活函数处理所述结合结果，获取所述最终预测结果。
[0034]根据本专利技术提供的一种潜在客户预测方法，所述理财客户预测模型是通过对多个样本预测对象的样本标签数据、样本行为数据以及样本预测结果训练得到的，包括：
[0035]根据多个样本预测对象的样本标签数据、样本行为数据以及样本预测结果构建样本数据集；
[0036]根据预设比例划分所述样本数据集，获取样本训练集以及样本测试集；
[0037]根据所述样本训练集以及所述样本测试集构建所述理财客户预测模型。
[0038]第二方面，提供了一种潜在客户预测装置，包括：
[0039]拼接单元：用于拼接待预测对象的所有标签数据低维向量以及所有行为数据低维
向量，获取待预测对象的特征向量；
[0040]获取单元：用于输入所述特征向量至理财客户预测模型，获取前馈神经网络模块输出的第一交互结果以及多重注意力融合模块输出的第二交互结果；
[0041]聚合单元：用于聚合所述第一交互结果以及所述第二交互结果，获取最终预测结果；
[0042]所述理财客户预测模型是根据所述前馈神经网络模块以及所述多重注意力融合模块联合训练而确定的；
[0043]所述理财客户预测模型是通过对多个样本预测对象的样本标签数据、样本行为数据以及样本预测结果训练得到的；
[0044]所述第二交互结果是根据所述特征向量的一阶特征交互结果以及二阶特征交互结果计算而确定的。
[0045]第三方面，还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的潜在客户预测方法。
[0046]第四方面，还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的潜在客户预测方法。
[0047]本专利技术提供了一种潜在客户预测方法、装置、电子设备及存储介质，通过基于拼接后的标签数据低维向量以及行为数据低本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种潜在客户预测方法，其特征在于，包括：拼接待预测对象的所有标签数据低维向量以及所有行为数据低维向量，获取待预测对象的特征向量；输入所述特征向量至理财客户预测模型，获取前馈神经网络模块输出的第一交互结果以及多重注意力融合模块输出的第二交互结果；聚合所述第一交互结果以及所述第二交互结果，获取最终预测结果，以根据所述最终预测结果确定潜在客户；所述理财客户预测模型包括所述前馈神经网络模块以及所述多重注意力融合模块；所述理财客户预测模型是通过对多个样本预测对象的样本标签数据、样本行为数据以及样本预测结果训练得到的；所述第二交互结果是根据所述特征向量的一阶特征交互结果以及二阶特征交互结果计算而确定的。2.根据权利要求1所述的潜在客户预测方法，其特征在于，所述拼接待预测对象的所有标签数据低维向量以及所有行为数据低维向量，获取待预测对象的特征向量，包括：独热编码所述待预测对象的每一标签数据，并将独热编码后的每一标签数据高维向量映射至低维空间，获取待预测对象的所有标签数据低维向量；根据待预测对象的任一行为数据以及所述行为数据所在时序位置进行编码，以获取所述行为数据的低维向量；遍历待预测对象的所有行为数据，获取待预测对象的所有行为数据低维向量，以拼接所有标签数据低维向量以及所有行为数据低维向量，获取待预测对象的特征向量。3.根据权利要求2所述的潜在客户预测方法，其特征在于，所述根据待预测对象的任一行为数据以及所述行为数据所在时序位置进行编码，以获取所述行为数据的低维向量，包括：根据所述行为数据以及所述行为数据相对应的嵌入矩阵确定行为嵌入值；根据所述行为嵌入值以及时序位置确定行为位置值；根据所述行为位置值以及变换矩阵确定行为向量特征值；根据所述行为向量特征值以及偏置参数确定所述行为数据的低维向量。4.根据权利要求3所述的潜在客户预测方法，其特征在于，所述时序位置通过如下方式确定：在时序位置编码所在维度为奇数维度的情况下，根据余弦函数处理所述时序位置编码；在时序位置编码所在维度为偶数维度的情况下，根据正弦函数处理所述时序位置编码。5.根据权利要求1所述的潜在客户预测方法，其特征在于，所述第二交互结果是根据所述特征向量的一阶特征交互结果以及二阶特征交互结果计算而确定的，包括：基于多重注意力融合模块的第一层，对待预测对象的特征向量中的每一低维向量进行多头自注意力处理，以获取每一低维...

【专利技术属性】
技术研发人员：徐峰，潘晓明，朱伟伟，马子珺，郑涛，董伟伟，朱一凡，邓伟康，李克冲，
申请(专利权)人：华安证券股份有限公司，
类型：发明
国别省市：