本发明专利技术涉及人工智能技术，可以推荐高质量的金融用户，揭露一种客户推荐方法，包括：根据所述历史客户特征信息中的所有客户特征及每个所述客户特征对应的特征值构建决策树，并利用所述历史客户特征信息集对所述决策树进行训练，得到客户推荐模型；利用客户推荐模型对待推荐客户的客户特征信息进行分析，得到待推荐客户集中每个客户的推荐概率值，利用推荐概率值筛选待推荐客户集中的客户推荐给待推荐人员。本发明专利技术还涉及一种区块链技术，所述推荐概率值可以存储在区块链节点中。本发明专利技术还提出一种客户推荐装置、设备以及介质。本发明专利技术可以提高客户推荐的准确率。提高客户推荐的准确率。提高客户推荐的准确率。
【技术实现步骤摘要】
客户推荐方法、装置、电子设备及存储介质
[0001]本专利技术涉及人工智能技术，尤其涉及一种客户推荐方法、装置、电子设备及存储介质。
技术介绍
[0002]随着经济的发展，维护好高质量客户成为金融领域业务人员业务拓展的重要途径，需要业务人员进行客户推荐以在众多客户中筛选高质量客户进行推荐。
[0003]但是，目前客户推荐方法大多只能提取用户某一维度的特征进行客户推荐如客户订单金额、订单笔数等，客户筛选的维度较为单一，客户推荐的准确率低。
技术实现思路
[0004]本专利技术提供一种客户推荐方法、装置、电子设备及存储介质，其主要目的在于提高了客户推荐的准确率。
[0005]获取历史客户特征信息集，其中，所述历史客户特征信息集中每个历史客户特征信息都有对应的客户类别；
[0006]提取所述历史客户特征信息中的所有客户特征及每个所述客户特征对应的特征值；
[0007]将所述客户类别作为叶节点，将所述客户特征作为根节点及子节点，并基于所述特征值连接所有节点构建决策树，利用所述历史客户特征信息集对所述决策树进行训练，得到客户推荐模型；
[0008]当获取待推荐客户集及所述待推荐客户集中每个客户的客户特征信息，利用所述客户推荐模型对所述客户特征信息进行分析，得到所述待推荐客户集中每个客户的推荐概率值；
[0009]根据所述推荐概率值及预设的推荐阈值，筛选所述待推荐客户集中客户，并获取筛选的客户的客户信息推送至预设的终端设备。
[0010]可选地，所述将所述客户类别作为叶节点，将所述客户特征作为根节点及子节点，并基于所述特征值连接所有节点构建决策树，包括：
[0011]将所有种类的客户特征作为节点，将所有种类的客户类别作为叶节点；
[0012]计算每个所述节点的信息增益，将最大所述信息增益对应的节点确定为根节点，将除根节点外的所有节点作为子节点；
[0013]基于所述信息增益的大小从所述根节点出发以节点对应的客户特征的特征值作为连接条件递进连接子节点，并将最后连接的子节点连接所述叶节点，得到所述决策树。
[0014]可选地，所述利用所述历史客户特征信息集对所述决策树进行训练，得到客户推荐模型，包括：
[0015]利用所述决策树筛选所述历史客户特征信息中的历史客户特征信息进行类别分析，得到对应的类别分析值；
[0016]根据所述类别分析值对应的历史客户特征信息的客户类别及所述类别分析值，计算所述决策树的模型精度误差值；
[0017]判断所述模型精度误差值是否小于预设的目标阈值；
[0018]当所述模型精度误差值大于或者等于所述目标阈值时，对所述决策树进行节点权重更新，并返回所述利用所述决策树筛选所述历史客户特征信息中的历史客户特征信息进行类别分析步骤；
[0019]当所述模型精度误差值小于所述目标阈值时，输出所述决策树为客户推荐模型。
[0020]可选地，所述利用所述决策树筛选所述历史客户特征信息中的历史客户特征信息进行类别分析，得到对应的类别分析值，包括：
[0021]随机选取一条所述历史客户特征信息集中的历史客户特征信息，得到目标历史特征信息；
[0022]利用所述决策树对所述目标历史特征信息进行类别分析，得到对应的类别分析值。
[0023]可选地，所述利用所述决策树对所述目标历史特征信息进行类别分析，得到对应的类别分析值，包括：
[0024]将所述目标历史特征信息输入所述决策树；
[0025]提取所述决策树中对应的客户类别为预设目标类别的叶子节点的输出值，得到初始分析值；
[0026]将所有所述初始分析值相加，得到所述类别分析值。
[0027]可选地，所述根据所述推荐概率值及预设的推荐阈值，筛选所述待推荐客户集中客户，并获取筛选的客户的客户信息推送至预设的终端设备，包括：
[0028]选取所述推荐概率值中大于所述推荐阈值的推荐概率值，得到目标推荐概率值；
[0029]选取所述待推荐客户集中所述目标推荐概率值对应的客户，得到目标客户；
[0030]获取所述目标客户的客户信息，并将所述客户信息发送至预设的终端设备。
[0031]为了解决上述问题，本专利技术还提供一种客户推荐装置，所述装置包括：
[0032]数据获取模块，用于获取历史客户特征信息集，其中，所述历史客户特征信息集中每个历史客户特征信息都有对应的客户类别；
[0033]模型训练模块，用于提取所述历史客户特征信息中的所有客户特征及每个所述客户特征对应的特征值；将所述客户类别作为叶节点，将所述客户特征作为根节点及子节点，并基于所述特征值连接所有节点构建决策树，利用所述历史客户特征信息集对所述决策树进行训练，得到客户推荐模型；
[0034]客户推荐模块，用于当获取待推荐客户集及所述待推荐客户集中每个客户的客户特征信息，利用所述客户推荐模型对所述客户特征信息进行分析，得到所述待推荐客户集中每个客户的推荐概率值；根据所述推荐概率值及预设的推荐阈值，筛选所述待推荐客户集中客户，并获取筛选的客户的客户信息推送至预设的终端设备。
[0035]可选地，所述根据所述推荐概率值及预设的推荐阈值，筛选所述待推荐客户集中客户，并获取筛选的客户的客户信息推送至预设的终端设备，包括：
[0036]选取所述推荐概率值中大于所述推荐阈值的推荐概率值，得到目标推荐概率值；
[0037]选取所述待推荐客户集中所述目标推荐概率值对应的客户，得到目标客户；
[0038]获取所述目标客户的客户信息，并将所述客户信息发送至预设的终端设备。
[0039]为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：
[0040]存储器，存储至少一个计算机程序；及
[0041]处理器，执行所述存储器中存储的计算机程序以实现上述所述的客户推荐方法。
[0042]为了解决上述问题，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的客户推荐方法。
[0043]本专利技术实施例利用所述历史客户特征信息集对所述决策树进行训练，得到客户推荐模型；当获取待推荐客户集及所述待推荐客户集中每个客户的客户特征信息，利用所述客户推荐模型对所述客户特征信息进行分析，得到所述待推荐客户集中每个客户的推荐概率值；基于决策树构建的客户推荐模型可以分析多种客户特征，不局限于单一特征，分析效果更好，推荐准确率更高，因此本专利技术实施例提出的客户推荐方法、装置、电子设备及可读存储介质提高了客户推荐的准确率。
附图说明
[0044]图1为本专利技术一实施例提供的客户推荐方法的流程示意图；
[0045]图2为本专利技术一实施例提供的客户推荐装置的模块示意图；
[0046]图3为本专利技术一实施例提供的实现客户推荐方法的电子设备的内部结构示意图；
[0047本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种客户推荐方法，其特征在于，所述方法包括：获取历史客户特征信息集，其中，所述历史客户特征信息集中每个历史客户特征信息都有对应的客户类别；提取所述历史客户特征信息中的所有客户特征及每个所述客户特征对应的特征值；将所述客户类别作为叶节点，将所述客户特征作为根节点及子节点，并基于所述特征值连接所有节点构建决策树，利用所述历史客户特征信息集对所述决策树进行训练，得到客户推荐模型；当获取待推荐客户集及所述待推荐客户集中每个客户的客户特征信息，利用所述客户推荐模型对所述客户特征信息进行分析，得到所述待推荐客户集中每个客户的推荐概率值；根据所述推荐概率值及预设的推荐阈值，筛选所述待推荐客户集中客户，并获取筛选的客户的客户信息推送至预设的终端设备。2.如权利要求1所述的客户推荐方法，其特征在于，所述将所述客户类别作为叶节点，将所述客户特征作为根节点及子节点，并基于所述特征值连接所有节点构建决策树，包括：将所有种类的客户特征作为节点，将所有种类的客户类别作为叶节点；计算每个所述节点的信息增益，将最大所述信息增益对应的节点确定为根节点，将除根节点外的所有节点作为子节点；基于所述信息增益的大小从所述根节点出发以节点对应的客户特征的特征值作为连接条件递进连接子节点，并将最后连接的子节点连接所述叶节点，得到所述决策树。3.如权利要求1所述的客户推荐方法，其特征在于，所述利用所述历史客户特征信息集对所述决策树进行训练，得到客户推荐模型，包括：利用所述决策树筛选所述历史客户特征信息中的历史客户特征信息进行类别分析，得到对应的类别分析值；根据所述类别分析值对应的历史客户特征信息的客户类别及所述类别分析值，计算所述决策树的模型精度误差值；判断所述模型精度误差值是否小于预设的目标阈值；当所述模型精度误差值大于或者等于所述目标阈值时，对所述决策树进行节点权重更新，并返回所述利用所述决策树筛选所述历史客户特征信息中的历史客户特征信息进行类别分析步骤；当所述模型精度误差值小于所述目标阈值时，输出所述决策树为客户推荐模型。4.如权利要求3所述的客户推荐方法，其特征在于，所述利用所述决策树筛选所述历史客户特征信息中的历史客户特征信息进行类别分析，得到对应的类别分析值，包括：随机选取一条所述历史客户特征信息集中的历史客户特征信息，得到目标历史特征信息；利用所述决策树对所述目标历史特征信息进行类别分析，得到对应的类别分析值。5.如权利要求3所述的客户推荐方法，其特征在于，所述利用所述决策树对所述目标历史特征信息...
【专利技术属性】
技术研发人员：罗家贤，
申请(专利权)人：深圳壹账通创配科技有限公司，
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。