本申请公开了一种目标对象的挖掘方法及其装置，获取目标类型数据集；所述目标类型数据集包括不同对象的目标类型数据；对所述目标类型数据集进行特征构建，得到与所述目标类型数据集对应的数据特征集；将所述数据特征集导入预设机器学习模型，进行特征筛选，得到第一特征集；根据所述第一特征集，通过所述预设机器学习模型对所述目标类型数据集进行增长潜力预测，确定具有增长潜力的目标对象。通过上述方法，在需要挖掘具有增长潜力的目标对象时，通过预设的机器学习模型以及目标类型数据集即可完成具备增长潜力的预测，不再需要根据的个人经验来挖掘具备增长潜力的目标对象，提升了增长潜力预测的目标对象的挖掘准确率。升了增长潜力预测的目标对象的挖掘准确率。升了增长潜力预测的目标对象的挖掘准确率。
【技术实现步骤摘要】
一种目标对象的挖掘方法及装置
[0001]本申请涉及大数据处理
，特别是涉及一种目标对象的挖掘方法及装置。
技术介绍
[0002]在目前的现有技术中，在根据特定的数据类型去挖掘目标对象时，往往都是通过工作人员的个人经验来进行目标对象的挖掘，处理效率较为低下。例如，在银行对潜在客户的挖掘过程中，通常都是通过经验丰富或是熟悉特定客户的银行工作人员来挖掘具有资产增长潜力的客户，并对其进行产品营销，但在面对银行海量客户的情况下，仅通过个人的经验难以准确挖掘大量客户的资产增长潜力，理财产品的营销效率较低。
[0003]因此，如何准确挖掘客户的资产增长潜力，提升理财产品的营销效率成为本领域技术人员急需解决的技术问题。
技术实现思路
[0004]基于上述问题，为了解决现有技术中难以准确挖掘具备资产增长潜力客户的问题，本申请提供了一种目标对象的挖掘方法及装置。
[0005]本申请实施例公开了如下技术方案：
[0006]第一方面，本申请公开了一种目标对象的挖掘方法，包括：
[0007]获取目标类型数据集；所述目标类型数据集包括不同对象的目标类型数据；
[0008]对所述目标类型数据集进行特征构建，得到与所述目标类型数据集对应的数据特征集；
[0009]将所述数据特征集导入预设机器学习模型，进行特征筛选，得到第一特征集；
[0010]根据所述第一特征集，通过所述预设机器学习模型对所述目标类型数据集进行增长潜力预测，确定具有增长潜力的目标对象。
[0011]可选的，所述将所述数据特征集导入预设机器学习模型，进行特征筛选，得到第一特征集，包括：
[0012]将所述数据特征集导入预设机器学习模型，生成在所述数据特征集中，不同数据特征的权重排名表；
[0013]重置所述数据特征集中所述数据特征的排列顺序，再次生成所述权重排名表；
[0014]重复生成多个所述权重排名表；所述权重排名表都由具有不同数据特征排列顺序的所述数据特征集生成；
[0015]对所述多个权重排名表进行交集处理，获取多个权重排名高于预设排名阈值的数据特征；
[0016]将所述多个权重排名高于预设排名阈值的数据特征确定为第一特征集。
[0017]可选的，所述根据所述第一特征集，通过所述预设机器学习模型对所述目标类型数据集进行增长潜力预测，确定具有增长潜力的目标对象，包括：
[0018]根据所述第一特征集，通过所述预设机器学习模型对所述目标类型数据集进行增
长潜力预测，得到不同目标类型数据所对应的增长概率；
[0019]将所述增长概率高于预设概率阈值的目标类型数据所对应的对象确定为具有增长潜力的目标对象。
[0020]可选的，所述预设概率阈值的生成方法，包括：
[0021]对所述目标类型数据集进行正负样本比例分析，得到所述预设概率阈值的取值区间；
[0022]对所述预设概率阈值的取值区间进行阈值迭代搜索，得到所述预设概率阈值。
[0023]可选的，所述根据所述第一特征集，通过所述预设机器学习模型对所述目标类型数据集进行增长潜力预测，确定具有增长潜力的目标对象之前，还包括：
[0024]对所述目标类型数据集进行数据预处理。
[0025]第二方面，本申请公开了一种目标对象的挖掘装置，包括：
[0026]获取模块，用于获取目标类型数据集；所述目标类型数据集包括不同对象的目标类型数据；
[0027]构建模块，用于对所述目标类型数据集进行特征构建，得到与所述目标类型数据集对应的数据特征集；
[0028]筛选模块，用于将所述数据特征集导入预设机器学习模型，进行特征筛选，得到第一特征集；
[0029]预测模块，用于根据所述第一特征集，通过所述预设机器学习模型对所述目标类型数据集进行增长潜力预测，确定具有增长潜力的目标对象。
[0030]可选的，所述筛选模块，具体用于：
[0031]将所述数据特征集导入预设机器学习模型，生成在所述数据特征集中，不同数据特征的权重排名表；
[0032]重置所述数据特征集中所述数据特征的排列顺序，再次生成所述权重排名表；
[0033]重复生成多个所述权重排名表；所述权重排名表都由具有不同数据特征排列顺序的所述数据特征集生成；
[0034]对所述多个权重排名表进行交集处理，获取多个权重排名高于预设排名阈值的数据特征；
[0035]将所述多个权重排名高于预设排名阈值的数据特征确定为第一特征集。
[0036]可选的，所述预测模块，用于：
[0037]根据所述第一特征集，通过所述预设机器学习模型对所述目标类型数据集进行增长潜力预测，得到不同目标类型数据所对应的增长概率；
[0038]将所述增长概率高于预设概率阈值的目标类型数据所对应的对象确定为具有增长潜力的目标对象。
[0039]可选的，所述预测模块，具体用于：
[0040]对所述目标类型数据集进行正负样本比例分析，得到所述预设概率阈值的取值区间；
[0041]对所述预设概率阈值的取值区间进行阈值迭代搜索，得到所述预设概率阈值。
[0042]可选的，所述目标对象的挖掘装置，还包括：预处理模块，用于对所述目标类型数据集进行数据预处理。
[0043]相较于现有技术，本申请具有以下有益效果：本申请公开了一种目标对象的挖掘方法及其装置，获取目标类型数据集；所述目标类型数据集包括不同对象的目标类型数据；对所述目标类型数据集进行特征构建，得到与所述目标类型数据集对应的数据特征集；将所述数据特征集导入预设机器学习模型，进行特征筛选，得到第一特征集；根据所述第一特征集，通过所述预设机器学习模型对所述目标类型数据集进行增长潜力预测，确定具有增长潜力的目标对象。通过上述方法，在需要挖掘具有增长潜力的目标对象时，通过预设的机器学习模型以及目标类型数据集即可完成具备增长潜力的预测，不再需要根据的个人经验来挖掘具备增长潜力的目标对象，提升了增长潜力预测的目标对象的挖掘准确率。
附图说明
[0044]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0045]图1为本申请实施例提供的一种目标对象的挖掘方法的流程示意图；
[0046]图2为本申请实施例提供的一种目标对象的挖掘装置的结构示意图。
具体实施方式
[0047]正如前文描述，在目前的现有技术中，在根据特定的数据类型去挖掘目标对象时，往往都是通过工作人员的个人经验来进行目标对象的挖掘，处理效率较为低下。例如，在银行对潜在客户的挖掘过程中，通常都是通过经验丰富或是熟悉特定客户的银行工作人员来挖掘具有资产增长潜力的客户，并对其进行产品本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种目标对象的挖掘方法，其特征在于，包括：获取目标类型数据集；所述目标类型数据集包括不同对象的目标类型数据；对所述目标类型数据集进行特征构建，得到与所述目标类型数据集对应的数据特征集；将所述数据特征集导入预设机器学习模型，进行特征筛选，得到第一特征集；根据所述第一特征集，通过所述预设机器学习模型对所述目标类型数据集进行增长潜力预测，确定具有增长潜力的目标对象。2.根据权利要求1所述的方法，其特征在于，所述将所述数据特征集导入预设机器学习模型，进行特征筛选，得到第一特征集，包括：将所述数据特征集导入预设机器学习模型，生成在所述数据特征集中，不同数据特征的权重排名表；重置所述数据特征集中所述数据特征的排列顺序，再次生成所述权重排名表；重复生成多个所述权重排名表；所述权重排名表都由具有不同数据特征排列顺序的所述数据特征集生成；对所述多个权重排名表进行交集处理，获取多个权重排名高于预设排名阈值的数据特征；将所述多个权重排名高于预设排名阈值的数据特征确定为第一特征集。3.根据权利要求1所述的方法，其特征在于，所述根据所述第一特征集，通过所述预设机器学习模型对所述目标类型数据集进行增长潜力预测，确定具有增长潜力的目标对象，包括：根据所述第一特征集，通过所述预设机器学习模型对所述目标类型数据集进行增长潜力预测，得到不同目标类型数据所对应的增长概率；将所述增长概率高于预设概率阈值的目标类型数据所对应的对象确定为具有增长潜力的目标对象。4.根据权利3所述的方法，其特征在于，所述预设概率阈值的生成方法，包括：对所述目标类型数据集进行正负样本比例分析，得到所述预设概率阈值的取值区间；对所述预设概率阈值的取值区间进行阈值迭代搜索，得到所述预设概率阈值。5.根据权利要求1所述的方法，其特征在于，所述根据所述第一特征集，通过所述预设机器学习模型对所述目标类型数据集进行增...
【专利技术属性】
技术研发人员：蒋玲红，蒋迪波，戎羿诚，涂逸飞，
申请(专利权)人：中国农业银行股份有限公司宁波市分行，
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。