客户推荐方法、装置、电子设备及存储介质

技术领域

本发明涉及人工智能技术，尤其涉及一种客户推荐方法、装置、电子设备及存储介质。

背景技术

随着经济的发展，维护好高质量客户成为金融领域业务人员业务拓展的重要途径，需要业务人员进行客户推荐以在众多客户中筛选高质量客户进行推荐。

但是，目前客户推荐方法大多只能提取用户某一维度的特征进行客户推荐如客户订单金额、订单笔数等，客户筛选的维度较为单一，客户推荐的准确率低。

发明内容

本发明提供一种客户推荐方法、装置、电子设备及存储介质，其主要目的在于提高了客户推荐的准确率。

获取历史客户特征信息集，其中，所述历史客户特征信息集中每个历史客户特征信息都有对应的客户类别；

提取所述历史客户特征信息中的所有客户特征及每个所述客户特征对应的特征值；

将所述客户类别作为叶节点，将所述客户特征作为根节点及子节点，并基于所述特征值连接所有节点构建决策树，利用所述历史客户特征信息集对所述决策树进行训练，得到客户推荐模型；

当获取待推荐客户集及所述待推荐客户集中每个客户的客户特征信息，利用所述客户推荐模型对所述客户特征信息进行分析，得到所述待推荐客户集中每个客户的推荐概率值；

根据所述推荐概率值及预设的推荐阈值，筛选所述待推荐客户集中客户，并获取筛选的客户的客户信息推送至预设的终端设备。

可选地，所述将所述客户类别作为叶节点，将所述客户特征作为根节点及子节点，并基于所述特征值连接所有节点构建决策树，包括：

将所有种类的客户特征作为节点，将所有种类的客户类别作为叶节点；

计算每个所述节点的信息增益，将最大所述信息增益对应的节点确定为根节点，将除根节点外的所有节点作为子节点；

基于所述信息增益的大小从所述根节点出发以节点对应的客户特征的特征值作为连接条件递进连接子节点，并将最后连接的子节点连接所述叶节点，得到所述决策树。

可选地，所述利用所述历史客户特征信息集对所述决策树进行训练，得到客户推荐模型，包括：

利用所述决策树筛选所述历史客户特征信息中的历史客户特征信息进行类别分析，得到对应的类别分析值；

根据所述类别分析值对应的历史客户特征信息的客户类别及所述类别分析值，计算所述决策树的模型精度误差值；

判断所述模型精度误差值是否小于预设的目标阈值；

当所述模型精度误差值大于或者等于所述目标阈值时，对所述决策树进行节点权重更新，并返回所述利用所述决策树筛选所述历史客户特征信息中的历史客户特征信息进行类别分析步骤；

当所述模型精度误差值小于所述目标阈值时，输出所述决策树为客户推荐模型。

可选地，所述利用所述决策树筛选所述历史客户特征信息中的历史客户特征信息进行类别分析，得到对应的类别分析值，包括：

随机选取一条所述历史客户特征信息集中的历史客户特征信息，得到目标历史特征信息；

利用所述决策树对所述目标历史特征信息进行类别分析，得到对应的类别分析值。

可选地，所述利用所述决策树对所述目标历史特征信息进行类别分析，得到对应的类别分析值，包括：

将所述目标历史特征信息输入所述决策树；

提取所述决策树中对应的客户类别为预设目标类别的叶子节点的输出值，得到初始分析值；

将所有所述初始分析值相加，得到所述类别分析值。

可选地，所述根据所述推荐概率值及预设的推荐阈值，筛选所述待推荐客户集中客户，并获取筛选的客户的客户信息推送至预设的终端设备，包括：

选取所述推荐概率值中大于所述推荐阈值的推荐概率值，得到目标推荐概率值；

选取所述待推荐客户集中所述目标推荐概率值对应的客户，得到目标客户；

获取所述目标客户的客户信息，并将所述客户信息发送至预设的终端设备。

为了解决上述问题，本发明还提供一种客户推荐装置，所述装置包括：

数据获取模块，用于获取历史客户特征信息集，其中，所述历史客户特征信息集中每个历史客户特征信息都有对应的客户类别；

模型训练模块，用于提取所述历史客户特征信息中的所有客户特征及每个所述客户特征对应的特征值；将所述客户类别作为叶节点，将所述客户特征作为根节点及子节点，并基于所述特征值连接所有节点构建决策树，利用所述历史客户特征信息集对所述决策树进行训练，得到客户推荐模型；

客户推荐模块，用于当获取待推荐客户集及所述待推荐客户集中每个客户的客户特征信息，利用所述客户推荐模型对所述客户特征信息进行分析，得到所述待推荐客户集中每个客户的推荐概率值；根据所述推荐概率值及预设的推荐阈值，筛选所述待推荐客户集中客户，并获取筛选的客户的客户信息推送至预设的终端设备。

可选地，所述根据所述推荐概率值及预设的推荐阈值，筛选所述待推荐客户集中客户，并获取筛选的客户的客户信息推送至预设的终端设备，包括：

选取所述推荐概率值中大于所述推荐阈值的推荐概率值，得到目标推荐概率值；

选取所述待推荐客户集中所述目标推荐概率值对应的客户，得到目标客户；

获取所述目标客户的客户信息，并将所述客户信息发送至预设的终端设备。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个计算机程序；及

处理器，执行所述存储器中存储的计算机程序以实现上述所述的客户推荐方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的客户推荐方法。

本发明实施例利用所述历史客户特征信息集对所述决策树进行训练，得到客户推荐模型；当获取待推荐客户集及所述待推荐客户集中每个客户的客户特征信息，利用所述客户推荐模型对所述客户特征信息进行分析，得到所述待推荐客户集中每个客户的推荐概率值；基于决策树构建的客户推荐模型可以分析多种客户特征，不局限于单一特征，分析效果更好，推荐准确率更高，因此本发明实施例提出的客户推荐方法、装置、电子设备及可读存储介质提高了客户推荐的准确率。

附图说明

图1为本发明一实施例提供的客户推荐方法的流程示意图；

图2为本发明一实施例提供的客户推荐装置的模块示意图；

图3为本发明一实施例提供的实现客户推荐方法的电子设备的内部结构示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种客户推荐方法。所述客户推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述客户推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示的本发明一实施例提供的客户推荐方法的流程示意图，在本发明实施例中，所述客户推荐方法包括：

S1、获取历史客户特征信息集，其中，所述历史客户特征信息集中每个历史客户特征信息都有对应的客户类别；

本发明实施例中所述历史客户特征信息为历史客户的特征信息，所述历史客户为金融领域客户，所述历史客户特征信息包括：客户地址、订单金额、订单笔数等客户特征及对应的特征值信息，所述客户类别为根据所述历史客户特征信息判断的客户类别。

S2、提取所述历史客户特征信息中的所有客户特征及每个所述客户特征对应的特征值；

本发明实施例中为了判断不同的客户特征对客户类别的影响，提取所述历史客户特征信息中的客户特征及所述客户特征对应的特征值。

例如：提取所述历史客户特征信息中的客户特征为：客户地址，该客户特征对应的特征值为北京。

S3、将所述客户类别作为叶节点，将所述客户特征作为根节点及子节点，并基于所述特征值连接所有节点构建决策树，利用所述历史客户特征信息集对所述决策树进行训练，得到客户推荐模型；

本发明实施例中为了进一步的衡量不同客户特征对应客户的客户类别的影响，构建人工智能模型来衡量不同客户特征对应客户的客户类别，从而实现对不同的客户进行分类，进而实现对客户的推荐。

具体地本发明实施例中将所述客户类别作为叶节点，将所述客户特征作为根节点及子节点，并基于所述特征值连接所有节点构建决策树，包括：

将所有种类的客户特征作为节点，将所有种类的客户类别作为叶节点；

计算每个所述节点的信息增益，将最大所述信息增益对应的节点确定为根节点，将除根节点外的所有节点作为子节点；

基于所述信息增益的大小从所述根节点出发以节点对应的客户特征的特征值作为连接条件递进连接子节点，并将最后连接的子节点连接所述叶节点，得到所述决策树。

进一步地，本发明实施例中利用所述历史客户特征信息集对所述决策树进行训练，得到客户推荐模型，包括：

利用所述决策树筛选所述历史客户特征信息中的历史客户特征信息进行类别分析，得到对应的类别分析值；

根据所述类别分析值对应的历史客户特征信息的客户类别及所述类别分析值，计算所述决策树的模型精度误差值。

判断所述模型精度误差值是否小于预设的目标阈值；

当所述模型精度误差值大于或者等于所述目标阈值时，对所述决策树进行节点权重更新，并返回所述利用所述决策树筛选所述历史客户特征信息中的历史客户特征信息进行类别分析步骤；

当所述模型精度误差值小于所述目标阈值时，输出所述决策树为客户推荐模型。

进一步地，本发明实施例中利用所述决策树筛选所述历史客户特征信息中的历史客户特征信息进行类别分析，得到对应的类别分析值，包括：

步骤A：随机选取一条所述历史客户特征信息集中的历史客户特征信息，得到目标历史特征信息；

本发明实施例在随机选取一条所述历史客户特征信息集中的历史客户特征信息，得到目标历史特征信息后，将所述历史客户特征信息集中的目标历史特征信息删除，以得到新的历史客户特征信息集。

步骤B：利用所述决策树对所述目标历史特征信息进行类别分析，得到对应的类别分析值；

具体地，本发明实施例中将所述目标历史特征信息输入所述决策树；提取所述决策树中对应的客户类别为预设目标类别的叶子节点的输出值，得到初始分析值；将所有所述初始分析值相加，得到所述类别分析值。

进一步地，本发明实施例中根据所述类别分析值对应的历史客户特征信息的客户类别及所述类别分析值，计算所述决策树的模型精度误差值，包括：

将所述类别分析值对应的历史客户特征信息的客户类别，确定为目标客户类别；

根据所述目标客户类别确定类别真实值；

将所述类别真实值及所述类别分析值作为预设的误差计算函数的变量进行计算，得到所述模型精度误差值。

例如：客户类别为高价值客户和普通客户两种，那么当所述客户类别为高价值客户时对应的类别真实值为1，当所述客户类别为普通客户时对应的类别真实值为0。

进一步地，本发明实施例中当所述模型精度误差值大于或者等于所述目标阈值时，证明模型精度无法达到预设要求，因此，调整所述决策树中节点的权重参数，可选地，本发明实施例通过预设的调整比例及预设的调整方式来调整所述决策树中子节点的权重从而实现调整所述决策树中节点的权重参数，其中，所述调整方式为增加或降低，如：调整比例为1％，调整方式为增加，那么按照1％的增幅比例增加所述决策树中子节点的权重。本发明中还可以调整所述决策树中其它种类节点的权重实现权重参数的调整，对此不做限制。

S4、当获取待推荐客户集及所述待推荐客户集中每个客户的客户特征信息，利用所述客户推荐模型对所述客户特征信息进行分析，得到所述待推荐客户集中每个客户的推荐概率值；

本发明实施例中所述待推荐客户集为可以进行推荐的客户的集合，所述客户特征信息与所述历史客户特征信息类型相同内容不同，且没有对应的客户类别。

进一步地，本发明实施例中将所述客户特征信息输入所述客户推荐模型，基于预设目标类别筛选所述客户推荐模型中所有叶子节点中的目标叶子节点；提取所述客户推荐模型中所有目标叶子节点的输出值，将所有所述输出值进行累加，得到所述客户特征信息对应客户的推荐概率。

进一步地，本发明实施例中基于预设目标类别筛选所述客户推荐模型中所有叶子节点中的目标叶子节点，包括：

获取所述客户推荐模型中每个叶子节点对应的客户类别；

将对应的客户类别为预设目标类别的叶子节点确定为所述目标叶子节点。

本发明另一实施例中所述推荐概率值可以存储在区块链节点中，利用区块链节点高吞吐的特性，提高数据的取用效率。

S5、根据所述推荐概率值及预设的推荐阈值，筛选所述待推荐客户集中客户，并获取筛选的客户的客户信息推送至预设的终端设备。

本发明实施例中可选地，本发明实施例中选取所述推荐概率值中大于所述推荐阈值的推荐概率值，得到目标推荐概率值；选取所述待推荐客户集中所述目标推荐概率值对应的客户，得到目标客户；获取所述目标客户的客户信息，并将所述客户信息发送至预设的终端设备。

可选地，本发明实施例中所述终端设备包括手机、电脑、平板等智能终端。

如图2所示，是本发明客户推荐装置的功能模块图。

本发明所述客户推荐装置100可以安装于电子设备中。根据实现的功能，所述客户推荐装置可以包括数据获取模块101、模型训练模块102、客户推荐模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述数据获取模块101用于获取历史客户特征信息集，其中，所述历史客户特征信息集中每个历史客户特征信息都有对应的客户类别；

所述模型训练模块102用于提取所述历史客户特征信息中的所有客户特征及每个所述客户特征对应的特征值；将所述客户类别作为叶节点，将所述客户特征作为根节点及子节点，并基于所述特征值连接所有节点构建决策树，利用所述历史客户特征信息集对所述决策树进行训练，得到客户推荐模型；

所述客户推荐模块103用于当获取待推荐客户集及所述待推荐客户集中每个客户的客户特征信息，利用所述客户推荐模型对所述客户特征信息进行分析，得到所述待推荐客户集中每个客户的推荐概率值；根据所述推荐概率值及预设的推荐阈值，筛选所述待推荐客户集中客户，并获取筛选的客户的客户信息推送至预设的终端设备。

详细地，本发明实施例中所述客户推荐装置100中所述的各模块在使用时采用与上述图1中所述的客户推荐方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图3所示，是本发明实现客户推荐方法的电子设备的结构示意图。

所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如客户推荐程序。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如客户推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如客户推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

可选地，所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。

可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备中的所述存储器11存储的客户推荐程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：

获取历史客户特征信息集，其中，所述历史客户特征信息集中每个历史客户特征信息都有对应的客户类别；

提取所述历史客户特征信息中的所有客户特征及每个所述客户特征对应的特征值；

将所述客户类别作为叶节点，将所述客户特征作为根节点及子节点，并基于所述特征值连接所有节点构建决策树，利用所述历史客户特征信息集对所述决策树进行训练，得到客户推荐模型；

当获取待推荐客户集及所述待推荐客户集中每个客户的客户特征信息，利用所述客户推荐模型对所述客户特征信息进行分析，得到所述待推荐客户集中每个客户的推荐概率值；

根据所述推荐概率值及预设的推荐阈值，筛选所述待推荐客户集中客户，并获取筛选的客户的客户信息推送至预设的终端设备。

具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取历史客户特征信息集，其中，所述历史客户特征信息集中每个历史客户特征信息都有对应的客户类别；

提取所述历史客户特征信息中的所有客户特征及每个所述客户特征对应的特征值；

将所述客户类别作为叶节点，将所述客户特征作为根节点及子节点，并基于所述特征值连接所有节点构建决策树，利用所述历史客户特征信息集对所述决策树进行训练，得到客户推荐模型；

当获取待推荐客户集及所述待推荐客户集中每个客户的客户特征信息，利用所述客户推荐模型对所述客户特征信息进行分析，得到所述待推荐客户集中每个客户的推荐概率值；

根据所述推荐概率值及预设的推荐阈值，筛选所述待推荐客户集中客户，并获取筛选的客户的客户信息推送至预设的终端设备。

进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。