融合集成学习与CNN深度学习的高意向潜客挖掘方法及系统技术方案

本发明专利技术公开了一种融合集成学习与CNN深度学习的高意向潜客挖掘方法及系统，包括获取用户订购信息原始数据并进行处理分析；分析业务目标，对数据进行特征工程得到全量特征集合；分别建立LightGBM集成学习模型和Random Forest集成学习模型，获得两个集成学习模型输出的评价指标和全量特征信息，对两个集成学习模型输出结果进行分析，得到最终的重要特征集合；建立预测潜客的CNN深度学习模型；从积分营销的历史数据筛选伪高潜用户；用CNN深度学习模型输出的预测潜客对伪高潜用户进行过滤，获得最终的潜客信息。通过本发明专利技术的方案能够自动化处理大量数据，全面挖掘和利用数据资产，提升决策的全面性和准确性。

【技术实现步骤摘要】

本专利技术涉及大数据与ai，具体涉及一种融合集成学习与cnn深度学习的高意向潜客挖掘方法及系统。

技术介绍

1、随着电信运营商产品与技术的不断发展迭代，其中的各类数据也在不断地积累，已然成为了关键的生产要素和战略资源。同时用户日益增长的需求也在不断产生，电信运营商发展出越来越多的趋向于互联网化和个性化业务产品，如何让有需求的用户了解到对应的产品，才能更好的为用户提供满意的服务。目前电信运营商的积分营销行为主要还是基于业务专家经验方式对指标分段，或者通过存量标签进行用户粗筛，或者直接进行全量用户推荐，再将配置好的产品信息进行推送，这种模式对各类数据信息的利用率非常低下，存在目标用户群定位不精准，计算成本和渠道成本消耗较大，营销转化率偏低等问题。因此，充分利用用户各类数据信息进行潜客挖掘，实现业务的精准运营成为一个亟待解决的问题。

技术实现思路

1、本专利技术的目的是提供一种融合集成学习与cnn深度学习的高意向潜客挖掘方法及系统，为实现上述目的，本专利技术提供的技术方案是：

2、本申请的第一方面提供了本文档来自技高网...

【技术保护点】

1.一种融合集成学习与CNN深度学习的高意向潜客挖掘方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的融合集成学习与CNN深度学习的高意向潜客挖掘方法，其特征在于：所述获取用户订购信息原始数据包括：获取用户侧、产品侧、订单侧、积分侧以及相近业务订购数据；所述进行预处理和多维度分析包括：进行数据提取、数据过滤、数据清洗、数据关联以及数据检验，综合考虑数据缺失具体场景进行缺失值处理，将数据格式统一化，对定性数据进行独热编码。

3.根据权利要求1所述的融合集成学习与CNN深度学习的高意向潜客挖掘方法，其特征在于：所述分析业务目标，对预处理和多维度分析后的数据进行...

【技术特征摘要】

1.一种融合集成学习与cnn深度学习的高意向潜客挖掘方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的融合集成学习与cnn深度学习的高意向潜客挖掘方法，其特征在于：所述获取用户订购信息原始数据包括：获取用户侧、产品侧、订单侧、积分侧以及相近业务订购数据；所述进行预处理和多维度分析包括：进行数据提取、数据过滤、数据清洗、数据关联以及数据检验，综合考虑数据缺失具体场景进行缺失值处理，将数据格式统一化，对定性数据进行独热编码。

3.根据权利要求1所述的融合集成学习与cnn深度学习的高意向潜客挖掘方法，其特征在于：所述分析业务目标，对预处理和多维度分析后的数据进行特征工程，得到全量特征集合，根据全量特征集合构建集成学习模型的训练集，包括：首先提取用户及产品的统计特征；再基于用户订购行为，构造与业务目标相关联的时效行为兴趣统计特征；然后获取跨业务数据中的辅助特征；最后根据已有的特征进行特征衍生和特征交叉，从而获得完整的全量特征集合；根据全量特征集合确定集成学习模型正、负样本口径，基于集成学习模型正、负样本口径获取集成学习模型训练集。

4.根据权利要求1所述的融合集成学习与cnn深度学习的高意向潜客挖掘方法，其特征在于：所述分别建立lightgbm集成学习模型和random forest集成学习模型，输入集成学习模型的训练集后，获得两个集成学习模型输出的评价指标和全量特征信息，包括：将集成学习模型训练集分别输入lightgbm集成学习模型和random forest集成学习模型进行训练调优；所述评价指标包括f1值和召回率；所述全量特征信息包括全量特征重要性数值、特征重要性排名及相关度。

5.根据权利要求4所述的融合集成学习与cnn深度学习的高意向潜客挖掘方法，其特征在于：所述对两个集成学习模型输出结果进行分析，对比验证两个集成学习模型在同输入下得到的评价指标以及全量...

【专利技术属性】
技术研发人员：吴敏，张新跃，黄凯翔，许睿，朱峰，
申请(专利权)人：江苏号百科技有限公司，
类型：发明
国别省市：