基于机器学习的客户关系识别方法、装置、设备及介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115081538A(43)申请公布日2022.09.20(21)申请号202210850514.0(22)申请日2022.07.19(71)申请人平安银行股份有限公司地址518000广东省深圳市罗湖区深南东路5047号(72)发明人滕旭升(74)专利代理机构深圳市精英专利事务所44242专利代理师李燕娥(51)Int.Cl.G06K9/62(2022.01)G06Q30/00(2012.01)G06Q40/00(2012.01)权利要求书2页说明书13页附图2页(54)发明名称基于机器学习的客户关系识别方法、装置、设备及介质(57)摘要本发明涉及人工智能领域，提供一种基于机器学习的客户关系识别方法、装置、设备及介质，能够从历史客户数据中筛选出目标数据，避免大量无效且冗余的数据对后续的模型训练产生干扰，提升了模型训练的效率，进一步优化数据，提升模型训练的效果，利用训练样本及验证样本训练预设分类模型，得到识别模型，根据客户关系识别指令获取待识别数据，将待识别数据输入至识别模型，并根据识别模型的输出数据确定目标客户与目标企业的客户关系，基于机器学习训练的模型辅助进行客户关系的识别，提升了识别的准确率及识别效率。此外，本发明还涉及区块链技术，识别模型可存储于区块链节点中。CN115081538ACN115081538A权利要求书1/2页1.一种基于机器学习的客户关系识别方法，其特征在于，所述基于机器学习的客户关系识别方法包括：获取目标企业的历史客户数据，并从所述历史客户数据中筛选出目标数据；对所述目标数据进行处理，得到训练样本及验证样本；利用所述训练样本及所述验证样本训练预设分类模型，得到识别模型；响应于针对目标客户的客户关系识别指令，根据所述客户关系识别指令获取待识别数据；将所述待识别数据输入至所述识别模型，并根据所述识别模型的输出数据确定所述目标客户与所述目标企业的客户关系；将所述客户关系反馈至指定终端设备。2.如权利要求1所述的基于机器学习的客户关系识别方法，其特征在于，所述从所述历史客户数据中筛选出目标数据包括：对所述历史客户数据进行分类，得到每类数据；将每类数据确定为节点构建随机森林；确定所述历史客户数据中的每类数据在所述随机森林中每个决策树的各个节点处的节点重要度；根据每类数据在每个决策树的各个节点处的节点重要度确定每类数据在各决策树中的重要度；根据每类数据在每个决策树中的重要度确定每类数据在所述随机森林中的重要度；将每类数据在所述随机森林中的重要度确定为每类数据的权重；按照所述权重由高到低的顺序对每类数据进行排序，得到数据序列；从所述数据序列中获取排在前预设位的数据作为所述目标数据。3.如权利要求1所述的基于机器学习的客户关系识别方法，其特征在于，在对所述目标数据进行处理前，所述方法还包括：确定所述目标数据的数据量；当所述数据量小于预设阈值时，对所述目标数据进行特征组合，得到组合特征，其中，所述组合特征包括预设数量的不同类数据的组合；及/或利用所述目标数据对梯度提升决策树进行预训练得到特征树，根据所述特征树中的叶子节点构建新增特征；将所述组合特征及所述新增特征添加至所述目标数据。4.如权利要求1所述的基于机器学习的客户关系识别方法，其特征在于，所述对所述目标数据进行处理，得到训练样本及验证样本包括：从所述目标数据中识别出缺失数据，并对所述缺失数据进行填充，得到第一数据；其中，所述对所述缺失数据进行填充包括：当所述缺失数据为连续数据时，获取与所述缺失数据相邻的前后两个数据，并计算获取的数据的均值，并利用所述均值对所述缺失数据进行填充，或者当所述缺失数据为离散数据时，获取所述缺失数据对应的类型中所有数据的众数，并利用所述众数对所述缺失数据进行填充；从所述第一数据中识别出异常数据，并删除所述异常数据，得到第二数据；对所述第二数据进行标注，得到第三数据；2CN115081538A权利要求书2/2页获取预设比例，并按照所述预设比例对所述第三数据进行拆分，得到所述训练样本及所述验证样本。5.如权利要求1所述的基于机器学习的客户关系识别方法，其特征在于，在得到所述识别模型后，所述方法还包括：检测所述识别模型是否达到更新条件，包括：实时检测对所述识别模型的评价数据，当所述评价数据显示所述识别模型的准确度待提升时，确定达到所述更新条件；及/或获取新增客户数据，当所述新增客户数据达到配置数量时，确定达到所述更新条件；及/或当达到预设时间间隔时，确定达到所述更新条件；当检测到所述识别模型达到所述更新条件时，利用所述新增客户数据对所述识别模型进行增量训练。6.如权利要求1所述的基于机器学习的客户关系识别方法，其特征在于，所述根据所述客户关系识别指令获取待识别数据包括：根据所述客户