客户挖掘模型生成方法、装置和终端设备制造方法及图纸

本申请实施例涉及人工智能领域，提供一种客户挖掘模型生成方法、装置和终端设备，该客户挖掘模型生成方法通过获取银行存量客户的相关数据，基于相关数据通过皮尔逊相关系数确定第一特征参数，基于第一特征参数通过GBDT模型构建相应的第二特征参数，基于第一特征参数和第二特征参数对逻辑回归模型进行模型训练，得到代发拓客模型。本申请一方面可以持续提高模型得精准度、提高识别率、准确率、召回率以及实际落地转化率，另一方面也节省了整体的人力成本，实现了降本增效的作用。实现了降本增效的作用。实现了降本增效的作用。

【技术实现步骤摘要】
客户挖掘模型生成方法、装置和终端设备


[0001]本专利技术涉及人工智能领域，具体而言，涉及一种客户挖掘模型生成方法、装置和终端设备。

技术介绍

[0002]目前，银行通常是通过获取连续多个月转账给多个不同账户的客户账户，并且剔除其中存在的风险账户，然后根据经验对剔除处理后剩余的客户进行一步的筛选，以确定最终的意向客户名单以及潜在可挖掘客户，并根据确定的意向名单客户和可挖掘客户进一步分析其共同特征参数，从而更加精准迭代数据标签。
[0003]现有的方案主要使用经验数据作为判断依据，缺乏具体的数据支撑，没有数据分析过程，不能提供相应的数据依据，并且通过现有方法无法考虑到个体维度，仅通过经验和硬性规则去判断是否有代发潜力，将存在很多误判的情况，从而将导致人力物力浪费在没有潜力的用户身上。并且现有的方法通过整体规则仅考虑了转账次数，未综合考量客户所有特征参数(存款信息、贷款信息、活跃信息等)，导致对客户的判断存在较大偏差，也会存在做无用功得情况。

技术实现思路

[0004]本专利技术的目的在于提供一种客户挖掘模型生成方法、客户挖掘模型训练装置、终端设备和可读存储介质。
[0005]第一方面，本专利技术提供一种客户挖掘模型生成方法，所述方法包括:
[0006]获取银行存量客户的相关数据；
[0007]基于所述相关数据通过皮尔逊相关系数确定第一特征参数；
[0008]基于所述第一特征参数通过GBDT模型构建相应的第二特征参数；
[0009]基于所述第一特征参数和所述第二特征参数对逻辑回归模型进行模型训练，得到代发拓客模型。
[0010]在可选的实施方式中，所述相关数据包括代发属性和基础特征，所述基于所述相关数据通过皮尔逊相关系数确定第一特征参数，包括：
[0011]根据所述代发属性和所述基础特征中任一项特征，利用所述皮尔逊相关系数的公式中，计算得到相应特征的特征贡献度；
[0012]根据所述特征贡献度对所述相关数据进行过滤，得到第一特征参数。
[0013]在可选的实施方式中，所述根据所述特征贡献度对所述相关数据进行过滤，得到第一特征参数，包括：
[0014]按照所述特征贡献度的降序顺序对所述基础特征中相应特征进行排序；
[0015]选取前预设个数的特征为第一特征参数。
[0016]在可选的实施方式中，所述基础特征包括客户管理人、涉及收款人、网银转账笔数、转账金额汇总、客户性别、婚姻状况、年龄、30天活跃标识、客户归属机构、客户归属机构
名和风险等级中任意一项或多项特征。
[0017]在可选的实施方式中，所述基于所述第一特征参数通过GBDT模型构建相应的第二特征参数，包括：
[0018]将所述第一特征参数作为训练数据训练GBDT模型以构建具有N棵树的GBDT模型，其中，N为正整数；
[0019]根据所述GBDT模型中的所述N棵树对所述训练数据进行特征参数组合以生成所述第二特征参数。
[0020]在可选的实施方式中，所述逻辑回归模型的训练损失函数采用L1正则化损失函数。
[0021]在可选的实施方式中，在对逻辑回归模型进行模型训练的过程中，采用交叉验证结合网格搜索的方式训练所述逻辑回归模型。
[0022]第二方面，本专利技术提供一种客户挖掘模型训练装置，所述装置包括：
[0023]获取模块，用于获取银行存量客户的相关数据；
[0024]参数确定模块，用于基于所述相关数据通过皮尔逊相关系数确定第一特征参数；
[0025]参数构建模块，用于基于所述第一特征参数通过GBDT模型构建相应的第二特征参数；
[0026]模型确定模块，用于基于所述第一特征参数和所述第二特征参数对逻辑回归模型进行模型训练，得到代发拓客模型。
[0027]第三方面，本专利技术提供一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行所述的客户挖掘模型生成方法。
[0028]第四方面，本专利技术提供一种可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行所述的客户挖掘模型生成方法。
[0029]本专利技术实施例的有益效果是：
[0030]本申请实施例提供一种客户挖掘模型生成方法，该客户挖掘模型生成方法通过获取银行存量客户的相关数据，基于相关数据通过皮尔逊相关系数确定第一特征参数，基于第一特征参数通过GBDT模型构建相应的第二特征参数，基于第一特征参数和第二特征参数对逻辑回归模型进行模型训练，得到代发拓客模型。本申请一方面可以持续提高模型得精准度、提高识别率、准确率、召回率以及实际落地转化率，另一方面也节省了整体的人力成本，实现了降本增效的作用。
[0031]为使本申请的上述目的、特征参数和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0032]为了更清楚地说明本专利技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对本专利技术保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
[0033]图1示出了本申请实施例提出的一种客户挖掘模型生成方法的第一流程示意图；
[0034]图2示出了本申请实施例提出的一种客户挖掘模型生成方法中相关数据的示意图；
[0035]图3示出了本申请实施例提出的一种客户挖掘模型生成方法中确定第一特征参数的第一流程示意图；
[0036]图4示出了本申请实施例提出的一种客户挖掘模型生成方法中确定第一特征参数的第二流程示意图；
[0037]图5示出了本申请实施例提出的一种客户挖掘模型生成方法中第一特征参数的示意图；
[0038]图6示出了本申请实施例提供的一种客户挖掘模型训练装置的结构示意图。
[0039]主要元件符号说明：
[0040]10
‑
客户挖掘模型训练装置；11
‑
获取模块；12
‑
参数确定模块；13
‑
参数构建模块；14
‑
模型确定模块。
具体实施方式
[0041]下面将结合本专利技术实施例中附图，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，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0042]通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的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。
[0043]在下文中，可在本专利技术的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征参数、数字、步骤、操作、元件、组件或前述项的组合，并且不应被本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种客户挖掘模型生成方法，其特征在于，所述方法包括:获取银行存量客户的相关数据；基于所述相关数据通过皮尔逊相关系数确定第一特征参数；基于所述第一特征参数通过GBDT模型构建相应的第二特征参数；基于所述第一特征参数和所述第二特征参数对逻辑回归模型进行模型训练，得到代发拓客模型。2.根据权利要求1所述的客户挖掘模型生成方法，其特征在于，所述相关数据包括代发属性和基础特征，所述基于所述相关数据通过皮尔逊相关系数确定第一特征参数，包括：根据所述代发属性和所述基础特征中任一项特征，利用所述皮尔逊相关系数的公式中，计算得到相应特征的特征贡献度；根据所述特征贡献度对所述相关数据进行过滤，得到第一特征参数。3.根据权利要求2所述的客户挖掘模型生成方法，其特征在于，所述根据所述特征贡献度对所述相关数据进行过滤，得到第一特征参数，包括：按照所述特征贡献度的降序顺序对所述基础特征中相应特征进行排序；选取前预设个数的特征为第一特征参数。4.根据权利要求3所述的客户挖掘模型生成方法，其特征在于，所述基础特征包括客户管理人、涉及收款人、网银转账笔数、转账金额汇总、客户性别、婚姻状况、年龄、30天活跃标识、客户归属机构、客户归属机构名和风险等级中任意一项或多项特征。5.根据权利要求1所述的客户挖掘模型生成方法，其特征在于，所述基于所述第一特征参数通过GB...

【专利技术属性】
技术研发人员：王攀，
申请(专利权)人：平安银行股份有限公司，
类型：发明
国别省市：