【技术实现步骤摘要】
本专利技术涉及物联网，具体是指一种基于物联网的客户管理方法及系统。
技术介绍
1、客户管理方法有利于企业为客户提供更好的服务和支持，传统的客户管理方法往往采用人工分析的方式，存在无法迅速有效地处理大量客户数据，导致分析效率低下，无法及时发现客户需求和市场趋势的问题；传统的客户管理方法存在难以为每个客户提供个性化的产品和服务，缺乏客户细分和个性化需求分析，导致企业往往以一种统一的方式对待所有客户，无法满足不同客户的差异化需求的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于物联网的客户管理方法及系统，针对传统的客户管理方法往往采用人工分析的方式，存在无法迅速有效地处理大量客户数据，导致分析效率低下，无法及时发现客户需求和市场趋势的问题，本方案采用svm、doc2vec神经网络模型、cnn-lstm模型融合的方式对客户数据进行分析，进行用户分群，发现客户需求和市场趋势，提高分析效率；针对传统的客户管理方法存在难以为每个客户提供个性化的产品和服务，缺乏客户细分和个性化需求分析，导致企业往往以一种统一的方式对待所有客户，无法满足不同客户的差异化需求的问题，本方案通过联邦推荐算法，根据客户分群的结果，对不同群体的客户进行个性化推荐，满足客户的差异化需求，提升客户满意度。
2、本专利技术采取的技术方案如下：本专利技术提供的一种基于物联网的客户管理方法，该方法包括以下步骤：
3、步骤s1：数据采集，通过物联网设备收集客户的相关数据，包
4、步骤s2：基于svm的用户画像，利用svm分类器对用户的搜索词列表进行分类，得到用户的教育程度、年龄、性别的分类结果；
5、步骤s3：基于doc2vec神经网络模型的用户画像，doc2vec神经网络模型用来获得句子的向量表达，通过计算距离来识别句子之间的相似性，从而获得用户的教育程度、性别和年龄的分类；
6、步骤s4：基于cnn-lstm的用户画像，cnn通过卷积和池化操作提取短文本句子的特征，得到句子的二元和三元特征，融合句子的二元和三元特征形成特征矩阵，输入到lstm中进行用户标签预测；
7、步骤s5：模型融合，利用多个xgboost树模型融合svm分类器、doc2vec神经网络模型、cnn-lstm的预测结果，进行用户分群；
8、步骤s6：评估，利用准确率评估xgboost树模型融合的预测结果；
9、步骤s7：个性化推荐，利用联邦推荐对不同的用户分群进行个性化推荐；
10、步骤s8：实时监测和反馈，根据客户的需求和反馈，通过物联网设备，快速响应客户的问题和需求。
11、进一步地，在步骤s1中，所述数据采集具体是，通过物联网设备收集客户的相关数据，包括性别、年龄、教育程度、搜索词列表。
12、进一步地，在步骤s2中，基于svm的用户画像，具体包括以下步骤：
13、步骤s21：构建训练集，训练集包括分类文档和未分类文档，分类文档和未分类文档中包括性别、年龄、教育程度、搜索词列表，训练集由构成，其中，是训练样本，是训练样本的标签，是维实数空间，定义为迭代次未分类文档的类别集合；
14、步骤s22：分类文档初始化svm分类器，寻找最优超平面，所用公式如下：
15、；
16、式中， ，表示训练样本的个数，，是权重向量，是偏置项，得到参数后获取参数，所用公式如下：
17、；
18、进而得到参数，所用公式如下：
19、；
20、步骤s23：判断未分类文档类别，通过参数计算和判断未分类文档所属的类别，所用公式如下：
21、<mstyle displaystyle="true" mathcolor="#000000"><mi>f</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mi>=</mi><mi>sgn</mi><mrow><mo>[</mo><mstyle displaystyle="true"><munderover><mo>∑</mo><mrow><mi>i</mi><mi>=</mi><mn>1</mn></mrow><mi>l</mi></munderover><mrow><msub><mi>y</mi><mi>i</mi></msub><msub><mi>α</mi><mi>i</mi></msub><mrow><mo>(</mo><mrow><mi>x</mi><mi>,</mi><msub><mi>x</mi><mi>i</mi></msub></mrow><mo>)</mo></mrow><mo>+</mo><mi>b</mi></mrow></mstyle><mo>]</mo></mrow></mstyle>；
22、式中，表示符号函数；
23、基于训练集再次计算svm分类器的参数；
24、步骤s24：迭代训练，如果分类文档的类别发生变化或小于指定的迭代次数，则并转到步骤s23；
25、步骤s25：输出分类结果，svm分类器趋于稳定并生成最终的svm分类器，最终的svm分类器对未分类文档进行分类并输出分类结果。
26、进一步地，在步骤s3中，所述基于doc2vec神经网络模型的用户画像，具体是：定义词矩阵为，利用pv-dbow方法进行训练时，训练集作为输入来预测词，pv-dbow方法通过反向传播计算误差梯度来更新权重和训练集，得到用户的教育程度、性别和年龄的分类。
27、进一步地，在步骤s4中，基于cnn-lstm的用户画像，具体包括以下步骤：
28、步骤s41：嵌入层句子表示，cnn-lstm由cnn模型和lstm模型组成，cnn模型包括卷积层、池化层、输出层，利用结巴分词工具和本文档来自技高网...
【技术保护点】
1.一种基于物联网的客户管理方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于物联网的客户管理方法，其特征在于：在步骤S2中，所述基于SVM的用户画像，包括以下步骤：
3.根据权利要求2所述的一种基于物联网的客户管理方法，其特征在于：在步骤S4中，所述基于CNN-LSTM的用户画像，包括以下步骤：
4.根据权利要求3所述的一种基于物联网的客户管理方法，其特征在于：在步骤S7中，所述个性化推荐，包括以下步骤：
5.一种基于物联网的客户管理系统，用于实现如权利要求1-4中任一项所述的一种基于物联网的客户管理方法，其特征在于：包括数据采集模块、基于SVM的用户画像模块、基于Doc2vec神经网络模型的用户画像模块、基于CNN-LSTM的用户画像模块、模型融合模块、评估模块、个性化推荐模块和实时监测和反馈模块；
【技术特征摘要】
1.一种基于物联网的客户管理方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于物联网的客户管理方法，其特征在于：在步骤s2中，所述基于svm的用户画像，包括以下步骤：
3.根据权利要求2所述的一种基于物联网的客户管理方法，其特征在于：在步骤s4中，所述基于cnn-lstm的用户画像，包括以下步骤：
4.根据权利要求3所述的一种基于物...
【专利技术属性】
技术研发人员：刘超，肖智卿，许多，周柏魁，
申请(专利权)人：广东云百科技有限公司，
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。