【技术实现步骤摘要】
本专利技术涉及大数据处理，尤其涉及一种基于图神经网络的客户画像分析方法。
技术介绍
1、客户画像是对目标客户群体进行深入了解和描述的数据导向概要。通过对客户的行为、偏好、需求和购买行为等方面的分析和整合，形成对目标客户群体的全面和准确的描述。客户画像通常包括特定人口统计数据的细节、兴趣爱好、消费习惯、购买意愿、价值观，以及客户的喜好、行为和态度数据。现有技术通过将目标数据划分为至少一个数据块种类，获得数据集后装载子数据集，并创建共享空间分配至用户端，分配共享数据空间至云端服务平台，提高了采集数据的精准性和全面性，但是未定时对客户画像进行更新，导致针对客户画像的分析准确度低，工作效率低。
2、中国专利申请号：cn202210181681.0公开了一种全球外贸客户客户画像精准分析系统，该专利技术公开了一种全球外贸客户客户画像精准分析系统，包括边缘计算采集模块、大数据处理模块、分析数据输出模块和云端服务平台，大数据处理模块通过对客户画像数据的数据聚类分析，并根据边缘计算的预设资源种类进行数据划分，将目标数据划分为至少一个数据块种类，获得数据集后装载子数据集，并创建共享空间分配至用户端，分配共享数据空间至云端服务平台，该专利技术可准确的对不同的资源种类进行数据划分和计算信息分配，客户画像资源数据互通，可准确的对不同的资源种类进行数据划分和计算信息分配，分析效果佳，并改善了多个边缘计算节点的采集模块，提高采集数据的精准性和全面性。由此可见，所述全球外贸客户客户画像精准分析系统存在以下问题：由于未定时对客户画像进行更新，导致针对
技术实现思路
1、为此，本专利技术提供一种基于图神经网络的客户画像分析方法，用以克服现有技术中由于未定时对客户画像进行更新，导致针对客户画像的分析准确度低，工作效率低的问题。
2、为实现上述目的，本专利技术提供一种基于图神经网络的客户画像分析方法。包括：
3、标签确定模块采用图神经网络确定客户的历史偏好标签，提取模块基于该客户在预设时间段内的浏览情况提取下一周期的偏好标签，并将该偏好标签记为当前偏好标签；
4、数据分析模块根据当前偏好标签集与历史偏好标签集中重合的各偏好标签的重合度判定历史偏好标签集是否符合学习更新标准，并在判定历史偏好标签集不符合学习更新标准时对该历史偏好标签集进行预测更新，或，根据当前偏好标签的数量对历史偏好标签集是否符合学习更新标准进行二次判定，其中，重合度为与所述历史偏好标签集中的历史偏好标签相同的当前偏好标签的数量与历史偏好标签集中历史偏好标签总数的比值；
5、所述数据分析模块在对所述历史偏好标签集更新完成时重新提取偏好标签，并根据提取的偏好标签生成验证偏好标签集以根据验证偏好标签集与更新偏好标签集的比对结果判定本次更新是否合格；
6、所述数据分析模块在判定本次更新合格时完成对所述客户画像的分析。
7、进一步地，所述数据分析模块在当前周期内获取针对所述客户的当前偏好标签集，并根据当前偏好标签集与历史偏好标签集中重合的各偏好标签的重合度判定所述历史偏好标签集是否符合学习更新标准，以及，在判定历史偏好标签集不符合学习更新标准时对该历史偏好标签集进行预测更新，或，判定根据当前偏好标签的数量对历史偏好标签集是否符合学习更新标准进行二次判定，
8、数据分析模块在判定历史偏好标签集符合学习更新标准时对历史偏好标签集进行学习更新。
9、进一步地，所述数据分析模块在判定根据所述当前偏好标签的数量对所述历史偏好标签集是否符合学习更新标准进行二次判定时根据所述当前偏好标签集中标签的数量与历史偏好标签集中标签的数量的比值判定历史偏好标签集是否符合学习更新标准，以及，在判定所述历史偏好标签集不符合学习更新标准时对该历史偏好标签集进行预测更新。
10、进一步地，所述数据分析模块在判定对所述历史偏好标签集进行学习更新时将所述当前偏好标签集中与所述历史偏好标签集中不同的若干当前偏好标签记入更新偏好标签集中。
11、进一步地，所述数据分析模块在判定对所述历史偏好标签集进行预测更新时基于大数据绘制标签分布节点图，并将各所述历史偏好标签和各所述当前偏好标签代入至该标签分布节点图中，数据分析模块将不同的各所述历史偏好标签和各所述当前偏好标签进行配对处理，配对处理为将间隔节点数最少的历史偏好标签和当前偏好标签分为一组，并记录该组标签组的间隔节点数，数据分析模块根据各组的间隔节点的平均值判定针对偏好标签的预测方式，包括：根据所述历史偏好标签与所述当前偏好标签的关联度确定预测偏好标签，或，根据所述历史偏好标签与所述当前偏好标签的关联方向确定预测偏好标签。
12、进一步地，所述数据分析模块在判定根据所述历史偏好标签与所述当前偏好标签的关联度确定预测偏好标签时根据各组单个历史偏好标签与单个当前偏好标签的总间隔节点数确定该历史偏好标签与该当前偏好标签的关联度，并根据关联度确定该当前偏好标签是否符合预测偏好标准，以及，在判定所述当前偏好标签符合预测偏好标准时将该当前偏好标签记入预测偏好标签集。
13、进一步地，所述数据分析模块在判定根据所述历史偏好标签与所述当前偏好标签的关联方向确定预测偏好标签时根据单个历史偏好标签与单个当前偏好标签出现的时间间隔确定该当前偏好标签是否符合关联方向预设标准，以及，在判定当前偏好标签符合关联方向预设标准时将该当前偏好标签记入预测偏好标签集中。
14、进一步地，所述数据分析模块检测预设时间内所述客户的浏览情况，并根据浏览情况提取验证偏好标签，数据分析模块根据所述更新偏好标签集与验证偏好标签集的相似度判定针对偏好标签的更新过程是否符合预设标准，以及，在判定所述偏好标签的更新过程符合预设标准时完成针对所述客户画像的分析，或，在判定针对偏好标签的更新过程不符合预设标准时根据所述相似度将所述预设相似度调节至对应值。
15、进一步地，所述数据分析模块在判定针对偏好标签的更新过程不符合预设标准时根据所述相似度设有若干针对所述相似度判定基准的调节方式，且各调节方式针对相似度的调节幅度均不相同。
16、进一步地，所述数据分析模块在判定对所述历史偏好标签集进行预测更新时将所述历史偏好标签集与所述当前偏好标签集中未进行配对处理的偏好标签筛除。
17、与现有技术相比，本专利技术的有益效果在于，本专利技术中所述数据分析模块根据当前偏好标签集与历史偏好标签集中重合的各偏好标签的重合度判定历史偏好标签集是否符合学习更新标准，提高了针对客户偏好信息的控制精度，并在判定历史偏好标签集不符合学习更新标准时对该历史偏好标签集进行预测更新，或，根据当前偏好标签的数量对历史偏好标签集是否符合学习更新标准进行二次判定，提高了针对更新客户画像分析准确度，在保证针对更新客户画像的分析准确度的同时，提高了工作效率。
18、进一步地，本专利技术中所述数据分析模块根据当前偏好标签集与历史偏好标签集中重合的各偏好标签的重合度判定本文档来自技高网...
【技术保护点】
1.一种基于图神经网络的客户画像分析方法，其特征在于，包括：
2.根据权利要求1所述的基于图神经网络的客户画像分析方法，其特征在于，所述数据分析模块在当前周期内获取针对所述客户的当前偏好标签集，并根据当前偏好标签集与历史偏好标签集中重合的各偏好标签的重合度判定所述历史偏好标签集是否符合学习更新标准，以及，在判定历史偏好标签集不符合学习更新标准时对该历史偏好标签集进行预测更新，或，判定根据当前偏好标签的数量对历史偏好标签集是否符合学习更新标准进行二次判定，
3.根据权利要求2所述的基于图神经网络的客户画像分析方法，其特征在于，所述数据分析模块在判定根据所述当前偏好标签的数量对所述历史偏好标签集是否符合学习更新标准进行二次判定时根据所述当前偏好标签集中标签的数量与历史偏好标签集中标签的数量的比值判定历史偏好标签集是否符合学习更新标准，以及，在判定所述历史偏好标签集不符合学习更新标准时对该历史偏好标签集进行预测更新。
4.根据权利要求3所述的基于图神经网络的客户画像分析方法，其特征在于，所述数据分析模块在判定对所述历史偏好标签集进行学习更新时将所述当
5.根据权利要求4所述的基于图神经网络的客户画像分析方法，其特征在于，所述数据分析模块在判定对所述历史偏好标签集进行预测更新时基于大数据绘制标签分布节点图，并将各所述历史偏好标签和各所述当前偏好标签代入至该标签分布节点图中，数据分析模块将不同的各所述历史偏好标签和各所述当前偏好标签进行配对处理，配对处理为将间隔节点数最少的历史偏好标签和当前偏好标签分为一组，并记录该组标签组的间隔节点数，数据分析模块根据各组的间隔节点的平均值判定针对偏好标签的预测方式，包括：根据所述历史偏好标签与所述当前偏好标签的关联度确定预测偏好标签，或，根据所述历史偏好标签与所述当前偏好标签的关联方向确定预测偏好标签。
6.根据权利要求5所述的基于图神经网络的客户画像分析方法，其特征在于，所述数据分析模块在判定根据所述历史偏好标签与所述当前偏好标签的关联度确定预测偏好标签时根据各组单个历史偏好标签与单个当前偏好标签的总间隔节点数确定该历史偏好标签与该当前偏好标签的关联度，并根据关联度确定该当前偏好标签是否符合预测偏好标准，以及，在判定所述当前偏好标签符合预测偏好标准时将该当前偏好标签记入预测偏好标签集。
7.根据权利要求6所述的基于图神经网络的客户画像分析方法，其特征在于，所述数据分析模块在判定根据所述历史偏好标签与所述当前偏好标签的关联方向确定预测偏好标签时根据单个历史偏好标签与单个当前偏好标签出现的时间间隔确定该当前偏好标签是否符合关联方向预设标准，以及，在判定当前偏好标签符合关联方向预设标准时将该当前偏好标签记入预测偏好标签集中。
8.根据权利要求7所述的基于图神经网络的客户画像分析方法，其特征在于，所述数据分析模块检测预设时间内所述客户的浏览情况，并根据浏览情况提取验证偏好标签，数据分析模块根据所述更新偏好标签集与验证偏好标签集的相似度判定针对偏好标签的更新过程是否符合预设标准，以及，在判定所述偏好标签的更新过程符合预设标准时完成针对所述客户画像的分析，或，在判定针对偏好标签的更新过程不符合预设标准时根据所述相似度将所述预设相似度调节至对应值。
9.根据权利要求8所述的基于图神经网络的客户画像分析方法，其特征在于，所述数据分析模块在判定针对偏好标签的更新过程不符合预设标准时根据所述相似度设有若干针对所述相似度判定基准的调节方式，且各调节方式针对相似度的调节幅度均不相同。
10.根据权利要求9所述的基于图神经网络的客户画像分析方法，其特征在于，所述数据分析模块在判定对所述历史偏好标签集进行预测更新时将所述历史偏好标签集与所述当前偏好标签集中未进行配对处理的偏好标签筛除。
...【技术特征摘要】
1.一种基于图神经网络的客户画像分析方法，其特征在于，包括：
2.根据权利要求1所述的基于图神经网络的客户画像分析方法，其特征在于，所述数据分析模块在当前周期内获取针对所述客户的当前偏好标签集，并根据当前偏好标签集与历史偏好标签集中重合的各偏好标签的重合度判定所述历史偏好标签集是否符合学习更新标准，以及，在判定历史偏好标签集不符合学习更新标准时对该历史偏好标签集进行预测更新，或，判定根据当前偏好标签的数量对历史偏好标签集是否符合学习更新标准进行二次判定，
3.根据权利要求2所述的基于图神经网络的客户画像分析方法，其特征在于，所述数据分析模块在判定根据所述当前偏好标签的数量对所述历史偏好标签集是否符合学习更新标准进行二次判定时根据所述当前偏好标签集中标签的数量与历史偏好标签集中标签的数量的比值判定历史偏好标签集是否符合学习更新标准，以及，在判定所述历史偏好标签集不符合学习更新标准时对该历史偏好标签集进行预测更新。
4.根据权利要求3所述的基于图神经网络的客户画像分析方法，其特征在于，所述数据分析模块在判定对所述历史偏好标签集进行学习更新时将所述当前偏好标签集中与所述历史偏好标签集中不同的若干当前偏好标签记入更新偏好标签集中。
5.根据权利要求4所述的基于图神经网络的客户画像分析方法，其特征在于，所述数据分析模块在判定对所述历史偏好标签集进行预测更新时基于大数据绘制标签分布节点图，并将各所述历史偏好标签和各所述当前偏好标签代入至该标签分布节点图中，数据分析模块将不同的各所述历史偏好标签和各所述当前偏好标签进行配对处理，配对处理为将间隔节点数最少的历史偏好标签和当前偏好标签分为一组，并记录该组标签组的间隔节点数，数据分析模块根据各组的间隔节点的平均值判定针对偏好标签的预测方式，包括：根据所述历史偏好标签与所述当前偏好标签的关联度确定预测偏好标签，或，根据所述历史偏好标签与所述当前偏好标签的关联方向...
【专利技术属性】
技术研发人员：郝磊，郭志扬，
申请(专利权)人：上海栈略数据技术有限公司，
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。