基于机器学习的精准营销策略模型构建方法及装置.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CN112950279A(43)申请公布日2021.06.11(21)申请号202110296552.1(22)申请日2021.03.19(71)申请人猎居网络科技（上海）有限公司地址200000上海市浦东新区南汇新城镇环湖西二路888号C楼(72)发明人王哲吴显夷(51)Int.Cl.G06Q30/02(2012.01)G06F16/215(2019.01)G06F16/21(2019.01)G06N20/00(2019.01)权利要求书2页说明书4页附图1页(54)发明名称基于机器学习的精准营销策略模型构建方法及装置(57)摘要本发明公开了一种基于机器学习的精准营销策略模型构建方法及装置，属于模型构建技术领域，包括以下步骤：对客户的数据源进行不同渠道来源的数据获取；对数据源中的样本数据进行拓展，保留原样本数据中的所有正样本，对负样本进行欠采样，保证正负样本的比例均衡；根据均衡的正负样本对数据进行数据清洗以及数据预处理。该基于机器学习的精准营销策略模型构建方法及装置，通过对客户数据的采集，结合具有特征提取能力的机器学习技术，对客户的基础信息进行精准的区分和构建营销策略模型，不断优化模型，并通过后续的优化和迭代，房地产企业根据实际使用情况，对精准营销策略模型进行反馈，并对模型进行改进，提升了营销的精准性。CN112950279ACN112950279A权利要求书1/2页1.一种基于机器学习的精准营销策略模型构建方法，其特征在于，包括以下步骤：对客户的数据源进行不同渠道来源的数据获取；对数据源中的样本数据进行拓展，保留原样本数据中的所有正样本，对负样本进行欠采样，保证正负样本的比例均衡；根据均衡的正负样本对数据进行数据清洗以及数据预处理；根据清洗和预处理后的数据集进行建模，并进行特征转换和提取；根据数据集划分训练集、验证集以及测试集；利用训练集、验证集以及测试集对精准营销策略模型进行模型参数的校正；根据校正的结果对精准营销策略模型进行评估；根据评估的结果完成对精准营销策略模型的构建；对构建的精准营销策略模型进行优化。2.根据权利要求1所述的一种基于机器学习的精准营销策略模型构建方法，其特征在于，所述样本数据的正样本即为营销策略中的潜在用户，所述样本数据的负样本即为营销策略中的非潜在用户。3.根据权利要求1所述的一种基于机器学习的精准营销策略模型构建方法，其特征在于，所述数据清洗包括对缺失数据的填充、重复数据的删除；所述数据预处理包括对数据设置最高值和最低值的区间截断。4.根据权利要求1所述的一种基于机器学习的精准营销策略模型构建方法，其特征在于，所述特征转换和提取包括对数据集中各个特征进行相应提取和转换以适应模型训练的要求，把后续模型不能处理的特征转换成模型算法可以处理的干净特征，并提取出营销策略模型构建需要的特征。5.根据权利要求1所述的一种基于机器学习的精准营销策略模型构建方法，其特征在于，在对精准营销策略模型进行模型参数的校正时，以时间来切分训练集、验证集以及测试集，利用验证集来调整精准营销策略模型的参数，利用训练集对经验证集调整后的精准营销策略模型进行训练，得到第一次处理的数据结果模型，再利用测试集对第一次处理的数据结果模型进行测试，得到第二次处理的数据结果模型。6.根据权利要求1所述的一种基于机器学习的精准营销策略模型构建方法，其特征在于，在对精准营销策略模型进行评估时，根据提取的特征，组成样本宽表，输入到精准营销策略模型中，并使用特征的高阶交叉特性进行模型的结果预测和分析。7.根据权利要求1所述的一种基于机器学习的精准营销策略模型构建方法，其特征在于，所述模型的结果评估指标采用ROC曲线下面积以及正负样本的分类精度。8.根据权利要求1所述的一种基于机器学习的精准营销策略模型构建方法，其特征在于，所述构建的精准营销策略模型进行优化的内容包括上线前的校正以及上线后的迭代；上线前的校正内容为特征提取、样本抽样以及参数调参；上线后的迭代内容为根据实际的A/BTesting和使用人员的建议对模型进行迭代改进。9.一种基于机器学习的精准营销策略模型构建装置，基于权利要求1‑8所述的一种基于机器学习的精准营销策略模型构建方法对模型进行构建，其特征在于，包括：数据获取模块，用于获取客户的数据源；数据处理模块，用于对数据进行抽样、清洗以及预处理；2CN112950279A权利要求书2/2页建模模块，用于对数据集进行建模以及模型评估；优化模块，用于对构建好的模型进行改进和优化。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有构建程序，所述构建程序被基于机器学习的精准营销策略模型构建装置执行时实现如权利要求1至8中任一项所述的基于机器学习的精