System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人工智能,尤其涉及一种价值评估模型构建方法、评估方法、装置、设备及介质。
技术介绍
1、随着电信市场的发展,竞争日趋激烈,电信运营商的经营模式逐渐从“技术驱动”向“市场驱动”、“客户驱动”转化。这就要求运营商要采取以“客户为中心”的策略,根据客户的实际需求提供个性化的服务解决方案。由于电信市场的规模庞大,客户的背景、收入、年龄、教育程度、行为特征的不同,对电信业务的需求也呈现多层次、个性化、差异化的趋势,因此需要根据客户的特点对客户进行细分,并在此基础上对不同的细分市场提供有针对性的差异化服务,目前对用户进行评估的评价模型准确度较低,导致为用户提供差异化服务的能力低。
技术实现思路
1、本专利技术的主要目的在于提供了一种价值评估模型构建方法、评估方法、装置、设备及介质,旨在解决现有技术对用户进行评估的准确度低,导致为用户提供差异化服务的能力低技术问题。
2、为实现上述目的,本专利技术提供了一种价值评估模型构建方法,所述价值评估模型构建方法包括以下步骤:
3、获取用户信息,并根据所述用户信息构建训练数据集;
4、根据所述训练数据集确定用户的消费评价指标,并根据所述消费评价指标构建所述训练数据集的数据标签;
5、通过所述训练数据集和所述数据标签训练初始价值评估模型,获得预设价值评估模型。
6、可选地,所述通过所述训练数据集和所述数据标签训练初始价值评估模型,获得预设价值评估模型之后,还包括:
7、获取
8、根据所述各用户对应的各消费评价指标的区间二型模糊集合确定各消费评价指标对应的预设区间二型模糊并集,所述预设区间二型模糊并集用于确定待分组用户的消费评价指标的值。
9、可选地,所述消费评价指标包括近度指标、频度指标和值度指标;
10、所述根据所述训练数据集确定用户的消费评价指标,并根据所述消费评价指标构建所述训练数据集的数据标签,包括:
11、从所述训练数据集中获取用户的近度指标、频度指标和值度指标;
12、根据所述近度指标和预设近度指标确定近度评估值;
13、根据所述频度指标和预设频度指标确定频度评估值;
14、根据所述值度指标和预设值度指标确定值度评估值;
15、根据所述近度评估值、所述频度评估值和所述值度评估值构建所述训练数据集的数据标签。
16、可选地,所述初始价值评估模型包括模糊因子预测子网络和一型模糊分类子网络;
17、所述通过所述训练数据集和所述数据标签训练初始价值评估模型,获得预设价值评估模型,包括:
18、通过所述训练数据集训练所述模糊因子预测子网络,并通过所述训练数据对应的数据标签训练所述一型模糊分类子网络;
19、在所述模糊因子预测子网络的第一目标函数下降至第一预设值且所述一型模糊分类子网络的第二目标函数下降至第二预设值时,获得预设价值评估模型。
20、可选地,所述模糊因子预测子网络包括编码器、解码器和模糊因子预测层,所述编码器的输入端用于接收训练数据,所述编码器的编码层分别与所述解码器的输入端和所述模糊因子预测层的输入端连接,所述一型模糊分类子网络的输入端用于接收所述训练数据对应的数据标签,所述一型模糊分类子网络的输出端与所述模糊因子预测层的输入端连接。
21、此外,为实现上述目的,本专利技术还提出一种用户价值评估方法,所述用户价值评估方法包括:
22、获取待分组用户的用户数据;
23、将所述用户数据输入预设价值评估模型,并获取所述预设价值评估模型输出的所述待分组用户各消费评价指标的区间二型模糊集合,所述预设价值评估模型由权利要求1-5任一项方法生成;
24、根据所述各消费评价指标的区间二型模糊集合和对应预设区间二型模糊并集确定所述待分组用户的用户类型。
25、可选地,所述根据所述各消费评价指标的区间二型模糊集合和对应预设区间二型模糊并集确定所述待分组用户的用户类型,包括:
26、根据所述各消费评价指标的区间二型模糊集合和对应的预设区间二型模糊并集确定所述各消费评价指标对应的区间二型模糊交集;
27、根据所述各消费评价指标对应的区间二型模糊交集和所述各消费评价指标的区间二型模糊集合确定各消费评价指标的评估值;
28、根据所述各消费评价指标的评估值确定所述待分组用户的用户类型。
29、此外,为实现上述目的,本专利技术还提出一种价值评估模型构建装置,所述装置包括:
30、数据集构建模块,用于获取用户信息,并根据所述用户信息构建训练数据集;
31、标签构建模块,用于根据所述训练数据集确定用户的消费评价指标,并根据所述消费评价指标构建所述训练数据集的数据标签;
32、训练模块,用于通过所述训练数据集和所述数据标签训练初始价值评估模型,获得预设价值评估模型。
33、此外,为实现上述目的,本专利技术还提出一种价值评估模型构建设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的价值评估模型构建程序,所述价值评估模型构建程序配置为实现如上文所述的价值评估模型构建方法的步骤。
34、此外,为实现上述目的,本专利技术还提出一种存储介质,所述存储介质上存储有价值评估模型构建程序,所述价值评估模型构建程序被处理器执行时实现如上文所述的价值评估模型构建方法的步骤。
35、本专利技术获取用户信息,并根据所述用户信息构建训练数据集;根据所述训练数据集确定用户的消费评价指标,并根据所述消费评价指标构建所述训练数据集的数据标签;通过所述训练数据集和所述数据标签训练初始价值评估模型,获得预设价值评估模型。本专利技术通过用户信息构建训练数据集,根据用户信息确定的消费评价指标为训练数据集构建数据标签,通过训练数据集和对应的数据标签训练初始价值评估模型,获得预设价值评估模型,通过消费评价指标构建训练数据集的数据标签,在训练模型的过程中将消费评价指标考虑在内,提高了预设价值评估模型的评估准确度。
本文档来自技高网...【技术保护点】
1.一种价值评估模型构建方法,其特征在于,所述价值评估模型构建方法,包括:
2.如权利要求1所述的价值评估模型构建方法,其特征在于,所述通过所述训练数据集和所述数据标签训练初始价值评估模型,获得预设价值评估模型之后,还包括:
3.如权利要求1或2所述的价值评估模型构建方法,其特征在于,所述消费评价指标包括近度指标、频度指标和值度指标;
4.如权利要求1或2所述的价值评估模型构建方法,其特征在于,所述初始价值评估模型包括模糊因子预测子网络和一型模糊分类子网络;
5.如权利要求4所述的价值评估模型构建方法,其特征在于,所述模糊因子预测子网络包括编码器、解码器和模糊因子预测层,所述编码器的输入端用于接收训练数据,所述编码器的编码层分别与所述解码器的输入端和所述模糊因子预测层的输入端连接,所述一型模糊分类子网络的输入端用于接收所述训练数据对应的数据标签,所述一型模糊分类子网络的输出端与所述模糊因子预测层的输入端连接。
6.一种用户价值评估方法,其特征在于,所述用户价值评估方法包括:
7.如权利要求6所述的用户价值评估
8.一种价值评估模型构建装置,其特征在于,所述装置包括:
9.一种价值评估模型构建设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的价值评估模型构建程序,所述价值评估模型构建程序配置为实现如权利要求1至5中任一项所述的价值评估模型构建方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有价值评估模型构建程序,所述价值评估模型构建程序被处理器执行时实现如权利要求1至5任一项所述的价值评估模型构建方法的步骤。
...【技术特征摘要】
1.一种价值评估模型构建方法,其特征在于,所述价值评估模型构建方法,包括:
2.如权利要求1所述的价值评估模型构建方法,其特征在于,所述通过所述训练数据集和所述数据标签训练初始价值评估模型,获得预设价值评估模型之后,还包括:
3.如权利要求1或2所述的价值评估模型构建方法,其特征在于,所述消费评价指标包括近度指标、频度指标和值度指标;
4.如权利要求1或2所述的价值评估模型构建方法,其特征在于,所述初始价值评估模型包括模糊因子预测子网络和一型模糊分类子网络;
5.如权利要求4所述的价值评估模型构建方法,其特征在于,所述模糊因子预测子网络包括编码器、解码器和模糊因子预测层,所述编码器的输入端用于接收训练数据,所述编码器的编码层分别与所述解码器的输入端和所述模糊因子预测层的输入端连接,所述一型模糊分类子网络的输入端用于接收所述训练数据对应的数据标签,所述...
【专利技术属性】
技术研发人员:郭向,李元锋,孙知洋,景昕,田天,
申请(专利权)人:中移动信息技术有限公司,
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。