基于特征融合的分类模型训练方法、装置、设备及介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113963205A(43)申请公布日2022.01.21(21)申请号202111222241.7G06N3/04(2006.01)(22)申请日2021.10.20G06N3/08(2006.01)(71)申请人深圳壹账通智能科技有限公司地址518000广东省深圳市前海深港合作区前湾一路1号A栋201室（入驻深圳市前海商务秘书有限公司）(72)发明人刘慧芳(74)专利代理机构深圳国新南方知识产权代理有限公司44374代理人马雪娇(51)Int.Cl.G06V10/764(2022.01)G06V10/774(2022.01)G06V10/80(2022.01)G06K9/62(2022.01)权利要求书2页说明书10页附图5页(54)发明名称基于特征融合的分类模型训练方法、装置、设备及介质(57)摘要本发明涉及人工智能技术领域，尤其涉及一种基于特征融合的分类模型训练方法、装置、设备及介质。该基于特征融合的分类模型训练方法包括获取目标客户的静态特征以及根据全量历史行为数据提取的动态特征；基于当前时间与每一目标触发行为的触发时间，获取目标触发行为的间隔时间特征；对间隔时间特征以及动态特征进行特征融合，得到目标触发行为的融合特征；基于静态特征以及目标触发行为的融合特征，构建目标客户的客户画像特征；将多个客户画像特征作为目标样本集，以基于目标样本集训练原始客群分类模型，得到目标客群分类模型。该方法可在保证采用全量历史行为数据进行客户分析，即保留行为数据的全局分布特性的同时提高客群分类的准确率。CN113963205ACN113963205A权利要求书1/2页1.一种基于特征融合的分类模型训练方法，其特征在于，包括：获取每一目标客户的静态特征以及根据全量的历史行为数据提取得到的动态特征；其中，所述历史行为数据包括多种目标触发行为，所述动态特征为每一所述目标触发行为的行为特征表示；基于当前时间与每一所述目标触发行为的触发时间，获取每一所述目标触发行为的间隔时间特征；对每一所述目标触发行为的间隔时间特征以及所述动态特征进行特征融合，得到每一所述目标触发行为的融合特征；基于所述静态特征以及每一所述目标触发行为的融合特征，构建每一所述目标客户的客户画像特征；将多个所述目标客户的客户画像特征作为目标样本集，以基于所述目标样本集对原始客群分类模型进行训练，得到目标客群分类模型。2.如权利要求1所述基于特征融合的分类模型训练方法，其特征在于，所述基于当前时间与每一所述目标触发行为的触发时间，获取每一所述目标触发行为的间隔时间特征，包括：计算每一所述目标触发行为的触发时间与当前时间的间隔时间；对所述间隔时间进行离散化处理，得到每一所述目标触发行为的间隔时间特征。3.如权利要求1所述基于特征融合的分类模型训练方法，其特征在于，所述对每一所述目标触发行为的间隔时间特征以及所述动态特征进行特征融合，得到每一所述目标触发行为的融合特征，包括：对所述间隔时间特征与所述动态特征进行相加处理，以得到所述融合特征；或者，对所述间隔时间特征与所述动态特征进行拼接，得到所述目标触发行为的融合特征。4.如权利要求1所述基于特征融合的分类模型训练方法，其特征在于，在所述将多个所述目标客户的客户画像特征作为目标样本集，以基于所述目标样本集对原始客群分类模型进行训练，得到目标客群分类模型之前，所述基于特征融合的分类模型训练方法还包括：采用K‑means聚类算法对所述目标样本集进行聚类分析，得到多个聚类簇；其中，每一所述聚类簇用于指示一客户类别；基于所述客户类别对每一所述聚类簇中的目标样本进行标注，以分别从每一所述聚类簇中随机选取至少一个标注后的目标样本组成训练样本集；所述基于所述目标样本集对原始客群分类模型进行训练，得到目标客群分类模型，包括：基于所述训练样本集训练所述原始客群分类模型，得到所述目标客群分类模型。5.如权利要求4所述基于特征融合的分类模型训练方法，其特征在于，所述采用K‑means聚类算法对所述目标样本集进行聚类分析，得到多个聚类簇，包括：初始化聚类簇数量，并从所述目标样本集中随机选取聚类簇数量个目标样本作为初始质心；计算每一聚类簇的初始质心与所述目标样本集中每一目标样本之间的样本距离，以将所述样本距离满足预设聚类条件的目标样本聚集在同一聚类簇中；更新每一所述聚类簇的质心，以根据更新后的质心对所述目标样本集进行聚类分析，2CN113963205A权利要求书2/2页得到多个聚类簇。6.如权利要求5所述基于特征融合的分类模型训练方法，其特征在于，所述计算每一聚类簇的初始质心与所述目标样本集中每一目标样本之间的样本距离，以将所述样本距离满足预设聚类条件的目标样本聚集在同一聚类簇中，包括：基