本发明专利技术公开一种客户画像标签重构方法及装置，可用于金融技术领域，该方法包括：第一数据平台根据存储的客户数据为各客户确定表示客户画像的标签，并将标签作为一项客户数据；第一数据平台与第二数据平台通过加密算法将双方的客户数据按照身份证号对齐；两个数据平台共同训练目标网络模型；在训练时第一数据平台和第二数据平台各自将自身的客户数据输入目标网络模型，根据网络模型的输出值计算损失函数的梯度值，并将计算结果发送至对方，以用于对方根据计算结果更新目标网络模型的参数；采用最终训练得到的目标网络模型，对客户数据进行处理，得到输出的客户画像标签。本方案能够在保护客户数据不泄露的情况下提高客户画像的准确性。像的准确性。像的准确性。
【技术实现步骤摘要】
一种客户画像标签重构方法及装置
[0001]本专利技术涉及大数据
，尤其涉及一种客户画像标签重构方法及装置。
技术介绍
[0002]各大销售平台基本上都会根据客户画像为客户推荐符合客户需求的产品或服务。由于客户的隐私数据是属于客户的，各大销售平台必需对客户隐私数据保密，因此，目前销售平台往往采用自身所收集的客户数据作为客户画像数据，在通过推荐模型确定为客户推荐的产品或服务时，直接将客户数据作为推荐模型的输入数据。
[0003]由此可见，客户画像数据是用于引导客户购买产品或服务的，而客户所购买的产品或服务又会被作为客户画像数据，因此，若初始的客户画像数据不准确会使其越来越不准确，从而使得客户购买体验不好。
技术实现思路
[0004]本专利技术实施例提供一种客户画像标签重构方法及装置，以解决销售平台的数据容易不准确导致客户购买体验不好的问题。
[0005]本说明书第一方面提供一种客户画像标签重构方法，包括：第一数据平台根据存储的客户数据为各客户确定表示客户画像的标签，并将标签作为一项客户数据；第一数据平台与第二数据平台通过加密算法将双方的客户数据按照身份证号对齐；第一数据平台和第二数据平台共同训练目标网络模型；其中，在训练时第一数据平台和第二数据平台各自将自身的客户数据输入目标网络模型，根据网络模型的输出值计算损失函数的梯度值，并将计算结果发送至对方，以用于对方根据所述计算结果更新目标网络模型的参数；第一数据平台采用最终训练得到的目标网络模型，对客户数据进行处理，得到输出的客户画像标签。
[0006]在一些实施例中，第一数据平台和第二数据平台共同训练目标网络模型，包括：第一数据平台根据自身存储的客户数据及标签，计算初始的目标网络模型对应的第一梯度值；重复执行以下步骤，直至损失函数收敛后，第一数据平台采用最新的目标网络模型确定客户画像：将当前目标网络模型的参数发送至第二数据平台，以用于第二数据平台根据自身存储的客户数据，计算当前目标网络模型对应的第二梯度值，并将第二梯度值发送至第一数据平台；第一数据平台根据第一梯度值和第二梯度值更新目标网络模型的参数，并将更新后的目标网络模型作为当前目标网络模型；第一数据平台根据自身存储的客户数据及标签，计算当前目标网络模型的损失函数，并判断损失函数是否收敛；在损失函数未收敛的情况下，第一数据平台计算第一梯度值；其中，所述第一梯度值、所述第二梯度值为所述目标网络模型训练时的损失函数的梯度值。
[0007]在一些实施例中，所述方法还包括：第一数据平台根据已有的客户数据计算统计值，将一项统计值作为一项客户数据。
[0008]在一些实施例中，统计值包括以下四项中的任意一项或多项：最大值、最小值、平
均值、增长率。
[0009]在一些实施例中，所述方法还包括：第一数据平台计算过去预定时长内各时间周期，客户所持有的产品的类型和/或数量和/或价值总额的波动率，并将波动率作为一项客户数据。
[0010]在一些实施例中，在得到客户画像标签之后，还包括：第一数据平台根据客户画像标签，为客户制定个性化的产品推荐方案。
[0011]在一些实施例中，所述客户画像的标签包括客户习惯的购买时间段；相应地，在得到客户画像标签之后，还包括：第一数据平台在客户画像的标签所标记的客户习惯的购买时间段向客户发送推荐的产品信息。
[0012]在一些实施例中，所述客户画像的标签包括客户是否属于目标类型客户。
[0013]在一些实施例中，所述方法还包括：第一数据平台将自身存储的各客户数据输入目标网络模型，得到各客户的客户画像；根据各客户的客户画像筛选出目标类型客户，得到第一客户集合；第二数据平台将自身存储的各客户数据输入目标网络模型，得到各客户的客户画像；根据各客户的客户画像筛选出目标类型客户，得到第二客户集合；将第一客户集合和第二客户集合的交集中的客户作为目标类型客户。
[0014]本说明书第二方面提供一种客户画像标签重构方法，包括：根据存储的客户数据为各客户确定表示客户画像的标签，并将标签作为一项客户数据；与第二数据平台通过加密算法将双方的客户数据按照身份证号对齐；和第二数据平台共同训练目标网络模型；其中，在训练时第一数据平台和第二数据平台各自将自身的客户数据输入目标网络模型，根据网络模型的输出值计算损失函数的梯度值，并将计算结果发送至对方，以用于对方根据所述计算结果更新目标网络模型的参数；采用最终训练得到的目标网络模型，对客户数据进行处理，得到输出的客户画像标签。
[0015]本说明书第三方面提供一种客户画像标签重构方法，包括：与第一数据平台通过加密算法将双方的客户数据按照身份证号对齐；和第一数据平台共同训练目标网络模型，以用于第一数据平台采用最终训练得到的目标网络模型，对客户数据进行处理，得到输出的客户画像标签；其中，在训练时第一数据平台和第二数据平台各自将自身的客户数据输入目标网络模型，根据网络模型的输出值计算损失函数的梯度值，并将计算结果发送至对方，以用于对方根据所述计算结果更新目标网络模型的参数。
[0016]本说明书第四方面提供一种客户画像标签重构装置，包括：第一确定单元，用于根据存储的客户数据为各客户确定表示客户画像的标签，并将标签作为一项客户数据；第一对齐单元，用于与第二数据平台通过加密算法将双方的客户数据按照身份证号对齐；第一训练单元，用于和第二数据平台共同训练目标网络模型；其中，在训练时第一数据平台和第二数据平台各自将自身的客户数据输入目标网络模型，根据网络模型的输出值计算损失函数的梯度值，并将计算结果发送至对方，以用于对方根据所述计算结果更新目标网络模型的参数；处理单元，用于采用最终训练得到的目标网络模型，对客户数据进行处理，得到输出的客户画像标签。
[0017]在一些实施例中，所述装置还包括：第一计算单元，第一数据平台根据已有的客户数据计算统计值，第一合并单元，用于将一项统计值作为一项客户数据。
[0018]在一些实施例中，所述装置还包括：第二计算单元，用于第一数据平台计算过去预
定时长内各时间周期，客户所持有的产品的类型和/或数量和/或价值总额的波动率；第二合并单元，用于将波动率作为一项客户数据。
[0019]在一些实施例中，所述装置还包括：推荐单元，用于第一数据平台在得到客户画像标签之后，根据客户画像标签，为客户制定个性化的产品推荐方案。
[0020]在一些实施例中，所述客户画像的标签包括客户习惯的购买时间段；相应地，所述装置还包括：发送单元，用于第一数据平台在得到客户画像标签之后，在客户画像的标签所标记的客户习惯的购买时间段向客户发送推荐的产品信息。
[0021]在一些实施例中，所述客户画像的标签包括客户是否属于目标类型客户。
[0022]在一些实施例中，所述装置还包括：第一筛选单元，用于第一数据平台将自身存储的各客户数据输入目标网络模型，得到各客户的客户画像；根据各客户的客户画像筛选出目标类型客户，得到第一客户集合；第二筛选单元，用于在第二数据平台将本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种客户画像标签重构方法，其特征在于，包括：第一数据平台根据存储的客户数据为各客户确定表示客户画像的标签，并将标签作为一项客户数据；第一数据平台与第二数据平台通过加密算法将双方的客户数据按照身份证号对齐；第一数据平台和第二数据平台共同训练目标网络模型；其中，在训练时第一数据平台和第二数据平台各自将自身的客户数据输入目标网络模型，根据网络模型的输出值计算损失函数的梯度值，并将计算结果发送至对方，以用于对方根据所述计算结果更新目标网络模型的参数；第一数据平台采用最终训练得到的目标网络模型，对客户数据进行处理，得到输出的客户画像标签。2.根据权利要求1所述的方法，其特征在于，第一数据平台和第二数据平台共同训练目标网络模型，包括：第一数据平台根据自身存储的客户数据及标签，计算初始的目标网络模型对应的第一梯度值；重复执行以下步骤，直至损失函数收敛后，第一数据平台采用最新的目标网络模型确定客户画像：将当前目标网络模型的参数发送至第二数据平台，以用于第二数据平台根据自身存储的客户数据，计算当前目标网络模型对应的第二梯度值，并将第二梯度值发送至第一数据平台；第一数据平台根据第一梯度值和第二梯度值更新目标网络模型的参数，并将更新后的目标网络模型作为当前目标网络模型；第一数据平台根据自身存储的客户数据及标签，计算当前目标网络模型的损失函数，并判断损失函数是否收敛；在损失函数未收敛的情况下，第一数据平台计算第一梯度值；其中，所述第一梯度值、所述第二梯度值为所述目标网络模型训练时的损失函数的梯度值。3.根据权利要求1所述的方法，其特征在于，还包括：第一数据平台根据已有的客户数据计算统计值，将一项统计值作为一项客户数据。4.根据权利要求3所述的方法，其特征在于，统计值包括以下四项中的任意一项或多项：最大值、最小值、平均值、增长率。5.根据权利要求3所述的方法，其特征在于，还包括：第一数据平台计算过去预定时长内各时间周期，客户所持有的产品的类型和/或数量和/或价值总额的波动率，并将波动率作为一项客户数据。6.根据权利要求1所述的方法，其特征在于，在得到客户画像标签之后，还包括：第一数据平台根据客户画像标签，为客户制定个性化的产品推荐方案。7.根据权利要求1所述的方法，其特征在于，所述客户画像的标签包括客户习惯的购买时间段；相应地，在得到客户画像标签之后，还包括：第一数据平台在客户画像的标签所标记的客户习惯的购买时间段向客户发送推荐的
产品信息。8.根据权利要求1所述的方法，其特征在于，所述客户画像的标签包括客户是否属于目标类型客户。9.根据权利要求1所述的方法，其特征在于，还包括：第一数据平台将自身存储的各客户数据输入目标网络模型，得到各客户的客户画像；根据各客户的客户画像筛选出目标类型客户，得到第一客户集合；第二数据平台将自身存储的各客户数据输入目标网络模型，得到各客户的客户画像；根据各客户的客户画像筛选出目标类型客户，得到第二客户集合；将第一客户集...
【专利技术属性】
技术研发人员：姚清华，
申请(专利权)人：中国银行股份有限公司，
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。