一种商品购买意愿识别方法及装置.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CN113763032A(43)申请公布日2021.12.07(21)申请号202110885513.5(22)申请日2021.08.03(71)申请人北京光速斑马数据科技有限公司地址100027北京市朝阳区东直门外西八间房万红西街2号21幢D座二层D2001(72)发明人邱琰许青江(74)专利代理机构北京天方智力知识产权代理事务所(普通合伙)11719代理人路远(51)Int.Cl.G06Q30/02(2012.01)G06K9/62(2006.01)权利要求书3页说明书10页附图1页(54)发明名称一种商品购买意愿识别方法及装置(57)摘要本发明提供一种商品购买意愿识别方法及装置。所述方法包括：基于对顾客现场沟通记录的分析，确定与商品购买意愿有关的多维度的特征；基于特征之间的相关性对特征进行筛选；建立以筛选后的特征为输入、以有无购买意愿为输出的识别模型，并通过逐一甄别每个输入特征对所述模型的影响程度进行模型优化；利用训练好的识别模型预测顾客的商品购买意愿。本发明以销售人员同顾客的现场沟通记录为数据源建立识别模型，通过对影响购买意愿的多维度的特征进行筛选、模型优化，可以在不借助其它外部信息数据源的情况下，准确识别顾客的购买意愿，使销售人员与顾客沟通的内容更有针对性、更深入、更高效，从而促进成交，提升销售业绩。CN113763032ACN113763032A权利要求书1/3页1.一种商品购买意愿识别方法，其特征在于，包括以下步骤：基于对顾客现场沟通记录的分析，确定与商品购买意愿有关的多维度的特征；基于特征之间的相关性对特征进行筛选；建立以筛选后的特征为输入、以有无购买意愿为输出的识别模型，并通过逐一甄别每个输入特征对所述模型的影响程度进行模型优化；利用训练好的识别模型预测顾客的商品购买意愿。2.根据权利要求1所述的商品购买意愿识别方法，其特征在于，所述方法还包括构建数据库的步骤，所述数据库的每条数据记录对应一次有效的顾客沟通记录，每条数据记录包括特征值和结果，每个特征值的取值为一组连续整数，其大小表示对成交有利的程度，特征值越大对成交越有利；结果只取0、1两个值，分别表示在沟通后的设定时间阈值内没有成交和成交。3.根据权利要求2所述的商品购买意愿识别方法，其特征在于，所述识别模型为朴素贝叶斯分类器，分类器输出y为：式中，P(·)表示求概率，X、Y分别为输入输出变量，xi为第i个特征值，k＝1,2，y1＝0，y2＝1，i＝1,2,…,N，N为特征的数量。4.根据权利要求3所述的商品购买意愿识别方法，其特征在于，基于特征之间的相关性对特征进行筛选的方法包括：首先，按下述方法对所有特征进行排序：从数据库中选取数量相同的正类样本和负类样本，正类样本为结果为1的数据，负类样本为结果为0的数据；针对每个单一特征建立识别模型，其输出为1、0，分别表示有购买意愿和无购买意愿，统计应用所述模型对所述正类样本和负类样本的预测结果；根据统计结果按下式计算评价指标F1：式中，P为精确率，R为召回率，TP为正类样本预测为有购买意愿的数量，FN为正类样本预测为无购买意愿的数量，FP为负类样本预测为有购买意愿的数量；重复执行上述步骤，计算每个特征的F1均值和F1变异系数；按照F1均值从大到小的顺序对每个特征进行排序，对于F1均值相等的特征，按F1变异系数从小到大的顺序排序，得到特征的最后排序；然后，计算任意两个特征的相关系数，对于相关系数绝对值大于设定阈值的两个特征，删除排序在后的一个特征。2CN113763032A权利要求书2/3页5.根据权利要求4所述的商品购买意愿识别方法，其特征在于，所述识别模型的优化方法包括：计算N个输入特征的原识别模型的F1均值J_0和F1变异系数B_0；从N个输入特征中逐一删除一个特征，建立以剩余的N‑1个特征为输入的识别模型，并计算F1均值J_1和F1变异系数B_1；如果删除特征A后的J_1最大，或J_1并列最大时B_1最小，且J_1>J_0，则删除特征A后的识别模型为N‑1个输入特征的优化模型；对N‑1个输入特征的优化模型进行相同的操作，得到N‑2个输入特征的优化模型，其F1均值的最大值为J_2>J_1；重复上述步骤，得到N‑m个输入特征的优化模型，其F1均值的最大值为J_m>J_(m‑1)；如果再删除一个或多个特征后的F1均值的最大值小于J_m，所述N‑m个输入特征的优化模型即为最终的优化模型，0≤m<N。6.一种商品购买意愿识别装置，其特征在于，包括：特征确定模块，用于基于对顾客现场沟通记录的分析，确定与商品购买意愿有关的多维度的特征；特征筛选模块，用于基于特征之间的相关性对特征进行筛选；模型优化模块，用于建立以筛选后的特征为输入、以有无购买意愿