基于RFM和信息熵的排列模型构建方法、装置制造方法及图纸

本申请提供的基于RFM和信息熵的排列模型构建方法、装置，属于计算机技术领域。所述方法包括：获取包含多种不同行为特征的多目标数据集；从所述多目标数据集中筛选出对于目标数量个业务要求的符合情况达到预期要求的目标行为特征；按照不同聚类个数作为聚类目标对多个所述目标行为特征进行聚类操作，获取所对应平均信息熵最大时的目标聚类个数；获取按照所述目标聚类个数对所述目标行为特征进行划分的聚类类别和所述聚类类别相对应的目标行为特征；利用所述聚类类别作为模型目标，所述聚类类别相对的目标行为特征作为模型样本，构建排序模型。序模型。序模型。

【技术实现步骤摘要】
基于RFM和信息熵的排列模型构建方法、装置


[0001]本申请属于计算机
，特别涉及一种基于RFM和信息熵的排列模型构建方法、装置。

技术介绍

[0002]现实生活中，在单个商品的推荐或银行信贷营销领域，会存在不少多目标建模的场景，比如商家目前重点销售一种产品I，把产品I推荐给众多客户，客户A只是点击查看了该产品，客户B点击查看并且将该产品加入了购物车，客户C点击并且购买了该产品，客户ABC显然对产品的反馈属性是不一样的，客户C是商家最想触达的客户；此时客户A、客户B、客户C就构成一个多目标的数据集，label(标签)对应为客户在产品I上的行为反馈(点击、加入购物车、购买等)。如果能从多个目标数据中筛选出符合业务需求的数据，用户就可以更加直观地了解到所需数据的特点。
[0003]相关技术中，通过利用单点法、配对法、列表法等构建的排序模型对多目标数据的重要程度进行识别，其中单点法对所有的样本都是平等对待的，忽略了label(标签)的重要性排序的特点，无法突出label属性中较为重要的样本，从而使得在模型预测分数的实例中，label属本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RFM和信息熵的排列模型构建方法，其特征在于，所述方法包括：获取包含多种不同行为特征的多目标数据集；从所述多目标数据集中筛选出对于目标数量个业务要求的符合情况达到预期要求的目标行为特征；按照不同聚类个数作为聚类目标对多个所述目标行为特征进行聚类操作，获取所对应平均信息熵最大时的目标聚类个数；获取按照所述目标聚类个数对所述目标行为特征进行划分的聚类类别和所述聚类类别相对应的目标行为特征；利用所述聚类类别作为模型目标，所述聚类类别相对的目标行为特征作为模型样本，构建排序模型。2.根据权利要求1所述的方法，其特征在于，所述目标行为特征中标注有业务标签；所述按照不同聚类个数作为聚类目标对多个所述目标行为特征进行聚类操作，获取所对应平均信息熵最大时的目标聚类个数，包括：按照不同聚类个数作为聚类目标对多个所述目标行为特征进行聚类操作，得到每种聚类个数下每个聚类类别所包含业务标签的标签数量；根据所述标签数量和所述聚类个数，计算所述聚类个数相对应的平均信息熵；获取所述平均信息熵的取值最大时的目标聚类个数。3.根据权利要求2所述的方法，其特征在于，所述根据所述标签数量和所述聚类个数，计算所述聚类个数相对应的平均信息熵，包括：获取每个所述业务标签在所属聚类类别的业务标签中的数量占比；根据所述业务标签的数量占比和所述标签数量，计算每个所述聚类类别在所述聚类个数下的信息熵；对每个所述聚类类别的信息熵求均值，得到所述聚类个数相对应的平均信息熵。4.根据权利要求2所述的方法，其特征在于，所述按照不同聚类个数作为聚类目标对多个所述目标行为特征进行聚类操作，得到每种聚类个数下每个聚类类别所包含业务标签的标签数量，包括：从目标取值范围中选取任一聚类个数对多个所述目标行为特征进行聚类操作，得到在所述聚类个数下每个聚类类别所包含业务标签的标签数量；在所述目标取值范围内选取任一未被选取的聚类个数重新对多个所述目标行为特征进行聚类操作，直至所述目标取值范围中不存在未被选取的聚类个数。5.根据权利要求2所述的方法，其特征在于，在所述从所述多目标数据集中筛选出对于目标数量个业务要求的符合情况达到预期...

【专利技术属性】
技术研发人员：谢树坤，
申请(专利权)人：同盾科技有限公司，
类型：发明
国别省市：