基于人工智能的客户分类方法、装置、设备及存储介质
文献发布时间:2024-01-17 01:27:33
技术领域
本申请涉及人工智能技术领域与金融科技领域,尤其涉及基于人工智能的客户分类方法、装置、计算机设备及存储介质。
背景技术
目前,金融科技公司,例如保险公司、银行等内部通常具有依据客户的需求、社会关系、价值等综合因素对投保客户进行分类。通常,同属于一个客户群类别中的用户具有一定的相似性,而不同客户群类别间的用户具有较为明显的差异性。针对客户群细分的结果,金融科技公司可为不同客户群实施不同的营销策略。例如,对于优质客户群体,公司可以集中资源,对该群体制定科学合理的市场竞争策略,从而提高公司在市场中的竞争优势。因此,高效、精准地完成客户细分任务能够有效的提升金融科技公司的市场竞争力以及市场渗透率。
客户细分广泛应用于金融保险等领域,通过对客户进行群体分类以满足业务需求。按照当前市场来看,目前在金融科技公司中使用的客户细分手段主要为:设计基于深度学习的智能算法,并依托带标注的数据对模型进行训练,从而实现客户细分。然而,上述客户细分手段存在如下问题:该种客户细分手段普遍要求依托带标注的数据进行训练,而公司中带标注的数据(即人工标注部分用户所属于的群体类别)匮乏,且人工进行标注也会增加较大的成本开销。另外,该种客户细分手段难以在训练过程中捕捉到数据潜在的聚类结构,导致模型所学习到的用户表征向量表征能力弱,降低了后续客户细分的准确率。
发明内容
本申请实施例的目的在于提出一种基于人工智能的客户分类方法、装置、计算机设备及存储介质,以解决现有的在金融科技公司中使用客户细分手段普遍要求依托带标注的数据进行训练,而公司中带标注的数据匮乏,且人工进行标注也会增加较大的成本开销。另外,该种客户细分手段难以在训练过程中捕捉到数据潜在的聚类结构,导致模型所学习到的用户表征向量表征能力弱,降低了后续客户细分的准确率的技术问题。
为了解决上述技术问题,本申请实施例提供一种基于人工智能的客户分类方法,采用了如下所述的技术方案:
获取预先采集的客户资料数据,构建与所述客户资料数据对应的拓扑关系网络;
将所述拓扑关系网络输入至预设的图卷积神经网络内的构造层,在所述构造层中,基于所述拓扑关系网络的聚类结构,构造与所述拓扑关系网络对应的第一增广网络与第二增广网络;
将所述第一增广网络与所述第二增广网络输入至所述图卷积神经网络内的编码器,在所述编码器中生成与所述第一增广网络对应的第一低维向量表示矩阵,以及生成与所述第二增广网络对应的第二低维向量表示矩阵;
基于所述第一低维向量表示矩阵与所述第二低维向量表示矩阵构建目标损失函数;
不断迭代最小化所述目标损失函数,直至满足预设的迭代停止条件时迭代停止,得到训练好的图卷积神经网络,并将所述训练好的图卷积神经网络作为客户细分模型;
获取与待处理的目标客户资料数据对应的目标拓扑关系网络,通过所述客户细分模型对所述目标拓扑关系网络进行处理,生成与目标客户对应的细分结果。
进一步的,所述将所述拓扑关系网络输入至预设的图卷积神经网络内的构造层,在所述构造层中,基于所述拓扑关系网络的聚类结构,构造与所述拓扑关系网络对应的第一增广网络与第二增广网络的步骤,具体包括:
将所述拓扑关系网络输入至所述图卷积神经网络内的构造层,在所述构造层中,获取与所述拓扑关系网络对应的邻接矩阵;
将所述邻接矩阵输入至预设的聚类算法中,得到与所述拓扑关系网络对应的所述聚类结构;
确定预设数值;
基于所述聚类结构与所述预设数值,对所述拓扑关系网络内的类间的连边进行随机删除处理,得到所述第一增广网络;以及,
基于所述聚类结构与所述预设数值,对所述拓扑关系网络内的类间的连边进行随机删除处理,得到所述第二增广网络。
进一步的,所述基于所述第一低维向量表示矩阵与所述第二低维向量表示矩阵构建目标损失函数的步骤,具体包括:
获取与所述第一低维向量表示矩阵对应的第一低维向量,以及获取与所述第二低维向量表示矩阵对应的第二低维向量;
基于所述第一低维向量与所述第二低维向量构建第一无监督损失函数;以及,
基于所述第一低维向量与所述第二低维向量构建第二无监督损失函数;
基于所述第一无监督损失函数与所述第二无监督损失函数构建所述目标损失函数。
进一步的,所述不断迭代最小化所述目标损失函数,直至满足预设的迭代停止条件时迭代停止,得到训练好的图卷积神经网络的步骤,具体包括:
不断迭代最小化所述目标损失函数,并获取累计迭代次数;
获取预设的迭代次数阈值;
判断所述累计迭代次数是否大于所述迭代次数阈值;
若所述累计迭代次数大于所述迭代次数阈值,判定满足迭代停止条件,迭代停止,得到训练好的图卷积神经网络。
进一步的,在所述判断所述累计迭代次数是否大于所述迭代次数阈值的步骤之后,还包括:
若所述累计迭代次数小于所述迭代次数阈值,获取当前迭代过程的第一损失函数值;
获取与所述当前迭代过程相邻的前次迭代过程的第二损失函数值;
计算所述第一损失函数值与所述第二损失函数值之间的差值;
判断所述差值是否小于预设的差值阈值;
若是,判定满足迭代停止条件,迭代停止,得到训练好的图卷积神经网络。
进一步的,所述获取与待处理的目标客户资料数据对应的目标拓扑关系网络,通过所述客户细分模型对所述目标拓扑关系网络进行处理,生成与目标客户对应的细分结果的步骤,具体包括:
获取与待处理的目标客户资料数据对应的目标拓扑关系网络;
将所述目标拓扑关系网络输入至所述客户细分模型内;
通过所述客户细分模型生成与所述目标拓扑关系网络对应的目标低维向量表示矩阵;
基于预设的目标聚类算法对所述目标低维向量表示矩阵进行聚类划分处理,得到与所述目标低维向量表示矩阵对应的聚类划分结果;
将所述聚类划分结果作为与所述目标客户对应的细分结果。
进一步的,所述获取预先采集的客户资料数据,构建与所述客户资料数据对应的拓扑关系网络的步骤,包括:
获取预先采集的客户资料数据;
从所述客户资料数据中提取客户的客户社交关系;
基于所述客户社交关系构建与所述客户对应的拓扑关系网络。
为了解决上述技术问题,本申请实施例还提供一种基于人工智能的客户分类装置,采用了如下所述的技术方案:
第一构建模块,用于获取预先采集的客户资料数据,构建与所述客户资料数据对应的拓扑关系网络;
构造模块,用于将所述拓扑关系网络输入至预设的图卷积神经网络内的构造层,在所述构造层中,基于所述拓扑关系网络的聚类结构,构造与所述拓扑关系网络对应的第一增广网络与第二增广网络;
生成模块,用于将所述第一增广网络与所述第二增广网络输入至所述图卷积神经网络内的编码器,在所述编码器中生成与所述第一增广网络对应的第一低维向量表示矩阵,以及生成与所述第二增广网络对应的第二低维向量表示矩阵;
第二构建模块,用于基于所述第一低维向量表示矩阵与所述第二低维向量表示矩阵构建目标损失函数;
第一处理模块,用于不断迭代最小化所述目标损失函数,直至满足预设的迭代停止条件时迭代停止,得到训练好的图卷积神经网络,并将所述训练好的图卷积神经网络作为客户细分模型;
第二处理模块,用于获取与待处理的目标客户资料数据对应的目标拓扑关系网络,通过所述客户细分模型对所述目标拓扑关系网络进行处理,生成与目标客户对应的细分结果。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
获取预先采集的客户资料数据,构建与所述客户资料数据对应的拓扑关系网络;
将所述拓扑关系网络输入至预设的图卷积神经网络内的构造层,在所述构造层中,基于所述拓扑关系网络的聚类结构,构造与所述拓扑关系网络对应的第一增广网络与第二增广网络;
将所述第一增广网络与所述第二增广网络输入至所述图卷积神经网络内的编码器,在所述编码器中生成与所述第一增广网络对应的第一低维向量表示矩阵,以及生成与所述第二增广网络对应的第二低维向量表示矩阵;
基于所述第一低维向量表示矩阵与所述第二低维向量表示矩阵构建目标损失函数;
不断迭代最小化所述目标损失函数,直至满足预设的迭代停止条件时迭代停止,得到训练好的图卷积神经网络,并将所述训练好的图卷积神经网络作为客户细分模型;
获取与待处理的目标客户资料数据对应的目标拓扑关系网络,通过所述客户细分模型对所述目标拓扑关系网络进行处理,生成与目标客户对应的细分结果。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
获取预先采集的客户资料数据,构建与所述客户资料数据对应的拓扑关系网络;
将所述拓扑关系网络输入至预设的图卷积神经网络内的构造层,在所述构造层中,基于所述拓扑关系网络的聚类结构,构造与所述拓扑关系网络对应的第一增广网络与第二增广网络;
将所述第一增广网络与所述第二增广网络输入至所述图卷积神经网络内的编码器,在所述编码器中生成与所述第一增广网络对应的第一低维向量表示矩阵,以及生成与所述第二增广网络对应的第二低维向量表示矩阵;
基于所述第一低维向量表示矩阵与所述第二低维向量表示矩阵构建目标损失函数;
不断迭代最小化所述目标损失函数,直至满足预设的迭代停止条件时迭代停止,得到训练好的图卷积神经网络,并将所述训练好的图卷积神经网络作为客户细分模型;
获取与待处理的目标客户资料数据对应的目标拓扑关系网络,通过所述客户细分模型对所述目标拓扑关系网络进行处理,生成与目标客户对应的细分结果。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例首先获取预先采集的客户资料数据,构建与所述客户资料数据对应的拓扑关系网络;然后将所述拓扑关系网络输入至预设的图卷积神经网络内的构造层,在所述构造层中,基于所述拓扑关系网络的聚类结构,构造与所述拓扑关系网络对应的第一增广网络与第二增广网络;之后将所述第一增广网络与所述第二增广网络输入至所述图卷积神经网络内的编码器,在所述编码器中生成与所述第一增广网络对应的第一低维向量表示矩阵,以及生成与所述第二增广网络对应的第二低维向量表示矩阵;后续基于所述第一低维向量表示矩阵与所述第二低维向量表示矩阵构建目标损失函数;进而不断迭代最小化所述目标损失函数,直至满足预设的迭代停止条件时迭代停止,得到训练好的图卷积神经网络,并将所述训练好的图卷积神经网络作为客户细分模型;最后获取与待处理的目标客户资料数据对应的目标拓扑关系网络,通过所述客户细分模型对所述目标拓扑关系网络进行处理,生成与目标客户对应的细分结果。本申请提出了一种基于聚类结构的数据增广策略,解决了现有方法在对客户进行细分时难以有效地利用数据的内在聚类结构的问题,实现了模型在用户细分应用上准确率的提升。本申请提出的基于图卷积神经网络的方法无需标注数据进行训练,且具有较低的时间复杂度,因而可以适用于标注数据少、客户规模大的金融应用场景中。使得后续通过训练好的客户细分模型对待处理的目标客户资料数据对应的目标拓扑关系网络进行处理,可以实现快速准确地生成与该目标客户对应的细分结果,提高了细分结果的准确度。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2根据本申请的基于人工智能的客户分类方法的一个实施例的流程图;
图3是根据本申请的基于人工智能的客户分类装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于人工智能的客户分类方法一般由服务器/终端设备执行,相应地,基于人工智能的客户分类装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的基于人工智能的客户分类方法的一个实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。本申请实施例提供的基于人工智能的客户分类方法能够应用于任一种需要用户分类的场景中,则该方法能够应用于这些场景的产品中,例如,金融保险领域中的用户分类。所述的基于人工智能的客户分类方法,包括以下步骤:
步骤S201,获取预先采集的客户资料数据,构建与所述客户资料数据对应的拓扑关系网络。
在本实施例中,基于人工智能的客户分类方法运行于其上的电子设备(例如图1所示的服务器/终端设备),可以通过有线连接方式或者无线连接方式获取客户资料数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。上述获取预先采集的客户资料数据,构建与所述客户资料数据对应的拓扑关系网络的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S202,将所述拓扑关系网络输入至预设的图卷积神经网络内的构造层,在所述构造层中,基于所述拓扑关系网络的聚类结构,构造与所述拓扑关系网络对应的第一增广网络与第二增广网络。
在本实施例中,上述将所述拓扑关系网络输入至预设的图卷积神经网络内的构造层,在所述构造层中,基于所述拓扑关系网络的聚类结构,构造与所述拓扑关系网络对应的第一增广网络与第二增广网络的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S203,将所述第一增广网络与所述第二增广网络输入至所述图卷积神经网络内的编码器,在所述编码器中生成与所述第一增广网络对应的第一低维向量表示矩阵,以及生成与所述第二增广网络对应的第二低维向量表示矩阵。
在本实施例中,图卷积神经网络包括两层。通过将第一增广网络G1和第二增广网络G2分别输入进图卷积神经网络内的编码器中,得到对应的低维向量表示矩阵U和V,如下公式所示:U=GCN(G1);V=GCN(G2)。
步骤S204,基于所述第一低维向量表示矩阵与所述第二低维向量表示矩阵构建目标损失函数。
在本实施例中,上述基于所述第一低维向量表示矩阵与所述第二低维向量表示矩阵构建目标损失函数的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S205,不断迭代最小化所述目标损失函数,直至满足预设的迭代停止条件时迭代停止,得到训练好的图卷积神经网络,并将所述训练好的图卷积神经网络作为客户细分模型。
在本实施例中,上述不断迭代最小化所述目标损失函数,直至满足预设的迭代停止条件时迭代停止,得到训练好的图卷积神经网络的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S206,获取与待处理的目标客户资料数据对应的目标拓扑关系网络,通过所述客户细分模型对所述目标拓扑关系网络进行处理,生成与目标客户对应的细分结果。
在本实施例中,上述获取与待处理的目标客户资料数据对应的目标拓扑关系网络,通过所述客户细分模型对所述目标拓扑关系网络进行处理,生成与目标客户对应的细分结果的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
本申请首先获取预先采集的客户资料数据,构建与所述客户资料数据对应的拓扑关系网络;然后将所述拓扑关系网络输入至预设的图卷积神经网络内的构造层,在所述构造层中,基于所述拓扑关系网络的聚类结构,构造与所述拓扑关系网络对应的第一增广网络与第二增广网络;之后将所述第一增广网络与所述第二增广网络输入至所述图卷积神经网络内的编码器,在所述编码器中生成与所述第一增广网络对应的第一低维向量表示矩阵,以及生成与所述第二增广网络对应的第二低维向量表示矩阵;后续基于所述第一低维向量表示矩阵与所述第二低维向量表示矩阵构建目标损失函数;进而不断迭代最小化所述目标损失函数,直至满足预设的迭代停止条件时迭代停止,得到训练好的图卷积神经网络,并将所述训练好的图卷积神经网络作为客户细分模型;最后获取与待处理的目标客户资料数据对应的目标拓扑关系网络,通过所述客户细分模型对所述目标拓扑关系网络进行处理,生成与目标客户对应的细分结果。本申请提出了一种基于聚类结构的数据增广策略,解决了现有方法在对客户进行细分时难以有效地利用数据的内在聚类结构的问题,实现了模型在用户细分应用上准确率的提升。本申请提出的基于图卷积神经网络的方法无需标注数据进行训练,且具有较低的时间复杂度,因而可以适用于标注数据少、客户规模大的应用场景中。使得后续通过训练好的客户细分模型对待处理的目标客户资料数据对应的目标拓扑关系网络进行处理,可以实现快速准确地生成与该目标客户对应的细分结果,提高了细分结果的准确度,有利于为公司高效、智能、精准地为不同客户群体制定合理的营销策略提供了有利的指导,提升了公司的市场竞争力以及市场渗透率。
在一些可选的实现方式中,步骤S202包括以下步骤:
将所述拓扑关系网络输入至所述图卷积神经网络内的构造层,在所述构造层中,获取与所述拓扑关系网络对应的邻接矩阵。
将所述邻接矩阵输入至预设的聚类算法中,得到与所述拓扑关系网络对应的所述聚类结构。
在本实施例中,上述聚类算法具体为Kmeans聚类算法。通过将所述邻接矩阵输入至预设的聚类算法中,可以得到与所述拓扑关系网络对应的所述聚类结构,具体如下公式:CS={c
确定预设数值。
在本实施例中,对于上述预设数值的取值不作具体限定,可根据实际的使用需求进行设置,例如可设为10%。
基于所述聚类结构与所述预设数值,对所述拓扑关系网络内的类间的连边进行随机删除处理,得到所述第一增广网络。以及,
在本实施例中,举例地,若预设数值为10%,基于初步的聚类结构,在原始的拓扑关系网络G中,随机删除类间10%的连边,得到新的增广网络G1。
基于所述聚类结构与所述预设数值,对所述拓扑关系网络内的类间的连边进行随机删除处理,得到所述第二增广网络。
在本实施例中,在原始的拓扑关系网络G中,重复一次删除10%的操作,即随机删除类间10%的连边,得到新的增广网络G2。
现有方法在数据增广阶段,通常采用随机增广策略,即随机删除网络中的连边或节点,忽略了拓扑网络内在的聚类结构,导致模型所学习到的客户低维表示向量表征能力弱,降低了后续客户细分的准确率。本申请通过将所述拓扑关系网络输入至所述图卷积神经网络内的构造层,在所述构造层中,获取与所述拓扑关系网络对应的邻接矩阵;然后将所述邻接矩阵输入至预设的聚类算法中,得到与所述拓扑关系网络对应的所述聚类结构;之后确定预设数值;后续基于所述聚类结构与所述预设数值,对所述拓扑关系网络内的类间的连边进行随机删除处理,得到所述第一增广网络;以及基于所述聚类结构与所述预设数值,对所述拓扑关系网络内的类间的连边进行随机删除处理,得到所述第二增广网络。不同于现有技术随机删除拓扑关系网络的部分连边,本申请则采用基于聚类结构来针对性删除拓扑关系的部分连边,因而得到的增广网络保留了更多的拓扑上下文信息,因而促使模型学习到更具表征能力的用户低维表示向量,有利于提高后续生成的客户细分模型进行客户细分的准确率。
在本实施例的一些可选的实现方式中,步骤S204包括以下步骤:
获取与所述第一低维向量表示矩阵对应的第一低维向量,以及获取与所述第二低维向量表示矩阵对应的第二低维向量。
在本实施例中,通过将第一增广网络G1和第二增广网络G2分别输入进图卷积神经网络内的编码器中,得到对应的低维向量表示矩阵U和V,如下公式所示:U=GCN(G1);V=GCN(G2)。其中,u
基于所述第一低维向量与所述第二低维向量构建第一无监督损失函数。以及,
在本实施例中,上述第一无监督损失函数具体可指InfoNCE损失函数,具体包括:
基于所述第一低维向量与所述第二低维向量构建第二无监督损失函数。
在本实施例中,第二无监督损失函数也为InfoNCE损失函数,可通过基于第一无监督损失函数进行相应的数据变换得到,在此不作过多阐述。
基于所述第一无监督损失函数与所述第二无监督损失函数构建所述目标损失函数。
在本实施例中,可基于对称原则,使用所述第一无监督损失函数与所述第二无监督损失函数构建所述目标损失函数,具体公式如下:Lossall=Loss(u
本申请通过获取与所述第一低维向量表示矩阵对应的第一低维向量,以及获取与所述第二低维向量表示矩阵对应的第二低维向量;然后基于所述第一低维向量与所述第二低维向量构建第一无监督损失函数;以及基于所述第一低维向量与所述第二低维向量构建第二无监督损失函数;后续基于所述第一无监督损失函数与所述第二无监督损失函数构建所述目标损失函数。
在一些可选的实现方式中,步骤S205包括以下步骤:
不断迭代最小化所述目标损失函数,并获取累计迭代次数。
在本实施例中,上述累计迭代次数是指所有迭代次数的和值。
获取预设的迭代次数阈值。
在本实施例中,对于上述迭代次数阈值的取值不作具体限定,可根据实际的使用需求进行设置。
判断所述累计迭代次数是否大于所述迭代次数阈值。
若所述累计迭代次数大于所述迭代次数阈值,判定满足迭代停止条件,迭代停止,得到训练好的图卷积神经网络。
在本实施例中,迭代停止后,代表模型已经训练完毕。
本申请通过不断迭代最小化所述目标损失函数,并获取累计迭代次数;然后获取预设的迭代次数阈值;后续判断所述累计迭代次数是否大于所述迭代次数阈值;若所述累计迭代次数大于所述迭代次数阈值,判定满足迭代停止条件,迭代停止,得到训练好的图卷积神经网络。本申请基于目标损失函数、累计迭代次数以及迭代次数阈值的使用比较,可以实现准确地训练生成所需用于对客户进行细分的客户细分模型。
在一些可选的实现方式中,在所述判断所述累计迭代次数是否大于所述迭代次数阈值的步骤之后,步骤S205还包括以下步骤:
若所述累计迭代次数小于所述迭代次数阈值,获取当前迭代过程的第一损失函数值。
在本实施例中,上述第一损失函数值是指当前迭代过程中基于目标损失函数计算得到的损失值。
获取与所述当前迭代过程相邻的前次迭代过程的第二损失函数值。
在本实施例中,上述第二损失函数值是指与所述当前迭代过程相邻的前次迭代过程中基于目标损失函数计算得到的损失值。
计算所述第一损失函数值与所述第二损失函数值之间的差值。
在本实施例中,上述差值具体可指所述第一损失函数值与所述第二损失函数值之间差值绝对值。
判断所述差值是否小于预设的差值阈值。
在本实施例中,对于上述差值阈值的取值不作具体限定,可根据实际的使用需求进行设置。
若是,判定满足迭代停止条件,迭代停止,得到训练好的图卷积神经网络。
在本实施例中,迭代停止后,代表模型已经训练完毕。
本申请当检测出所述累计迭代次数小于所述迭代次数阈值,获取当前迭代过程的第一损失函数值;然后获取与所述当前迭代过程相邻的前次迭代过程的第二损失函数值;之后计算所述第一损失函数值与所述第二损失函数值之间的差值;后续判断所述差值是否小于预设的差值阈值;若是,判定满足迭代停止条件,迭代停止,得到训练好的图卷积神经网络。本申请基于目标损失函数、累计迭代次数、迭代次数阈值以及相邻两次迭代过程的损失函数值之差的使用比较,可以实现准确地训练生成所需用于对客户进行细分的客户细分模型。
在本实施例的一些可选的实现方式中,步骤S206包括以下步骤:
获取与待处理的目标客户资料数据对应的目标拓扑关系网络。
在本实施例中,目标拓扑关系网络的构建过程可参照上述拓扑关系网络的构建过程,在此不作过多阐述。
将所述目标拓扑关系网络输入至所述客户细分模型内。
通过所述客户细分模型生成与所述目标拓扑关系网络对应的目标低维向量表示矩阵。
在本实施例中,可通过公式H=GCN(G)生成与所述目标拓扑关系网络对应的目标低维向量表示矩阵,其中,G表示目标拓扑关系网络,GCN参数为已经训练好的参数,因此本步骤不会更新GCN中的任何参数。
基于预设的目标聚类算法对所述目标低维向量表示矩阵进行聚类划分处理,得到与所述目标低维向量表示矩阵对应的聚类划分结果。
在本实施例中,上述目标聚类算法具体为Kmeans聚类算法,基于Kmeans聚类算法对所述目标低维向量表示矩阵进行聚类划分处理,可以得到与所述目标低维向量表示矩阵对应的聚类划分结果。具体公式如下:C={c
将所述聚类划分结果作为与所述目标客户对应的细分结果。
本申请通过获取与待处理的目标客户资料数据对应的目标拓扑关系网络;然后将所述目标拓扑关系网络输入至所述客户细分模型内;之后通过所述客户细分模型生成与所述目标拓扑关系网络对应的目标低维向量表示矩阵;后续基于预设的目标聚类算法对所述目标低维向量表示矩阵进行聚类划分处理,得到与所述目标低维向量表示矩阵对应的聚类划分结果,并将所述聚类划分结果作为与所述目标客户对应的细分结果。本申请基于客户细分模型的使用,可以实现快速准确地生成与待处理的目标客户资料数据对应的目标客户的细分结果,保证了生成的细分结果的准确率。
在本实施例的一些可选的实现方式中,步骤S201包括以下步骤:
获取预先采集的客户资料数据。
在本实施例中,示例性的,在金融保险的客户分类的业务场景下,上述客户资料数据可为预先采集的健康险客户的资料数据。其中,客户资料数据至少包括客户的客户社交关系。
从所述客户资料数据中提取客户的客户社交关系。
在本实施例中,可基于社交关系信息类型对所述客户资料数据进行信息提取,以从所述客户资料数据中提取客户的客户社交关系。
基于所述客户社交关系构建与所述客户对应的拓扑关系网络。
在本实施例中,上述拓扑关系网络为包含由述客户社交关系组成的拓扑结构网络G=(V,E,X),后续可简称为网络。其中,V={v
本申请通过获取预先采集的客户资料数据;然后从所述客户资料数据中提取客户的客户社交关系;后续基于所述客户社交关系构建与所述客户对应的拓扑关系网络,以实现快速地完成拓扑关系网络的构建,有利于后续可以基于拓扑关系网络来快速准确地构建出相应的增广网络。
需要强调的是,为进一步保证上述客户细分模型的私密和安全性,上述客户细分模型还可以存储于一区块链的节点中。
本申请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。
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。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种基于人工智能的客户分类装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的基于人工智能的客户分类装置300包括:第一构建模块301、构造模块302、生成模块303、第二构建模块、第一处理模块305以及第二处理模块306。其中:
第一构建模块301,用于获取预先采集的客户资料数据,构建与所述客户资料数据对应的拓扑关系网络;
构造模块302,用于将所述拓扑关系网络输入至预设的图卷积神经网络内的构造层,在所述构造层中,基于所述拓扑关系网络的聚类结构,构造与所述拓扑关系网络对应的第一增广网络与第二增广网络;
生成模块303,用于将所述第一增广网络与所述第二增广网络输入至所述图卷积神经网络内的编码器,在所述编码器中生成与所述第一增广网络对应的第一低维向量表示矩阵,以及生成与所述第二增广网络对应的第二低维向量表示矩阵;
第二构建模块304,用于基于所述第一低维向量表示矩阵与所述第二低维向量表示矩阵构建目标损失函数;
第一处理模块305,用于不断迭代最小化所述目标损失函数,直至满足预设的迭代停止条件时迭代停止,得到训练好的图卷积神经网络,并将所述训练好的图卷积神经网络作为客户细分模型;
第二处理模块306,用于获取与待处理的目标客户资料数据对应的目标拓扑关系网络,通过所述客户细分模型对所述目标拓扑关系网络进行处理,生成与目标客户对应的细分结果。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的客户分类方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,构造模块302包括:
第一获取子模块,用于将所述拓扑关系网络输入至所述图卷积神经网络内的构造层,在所述构造层中,获取与所述拓扑关系网络对应的邻接矩阵;
第一生成子模块,用于将所述邻接矩阵输入至预设的聚类算法中,得到与所述拓扑关系网络对应的所述聚类结构;
第一确定子模块,用于确定预设数值;
第一处理子模块,用于基于所述聚类结构与所述预设数值,对所述拓扑关系网络内的类间的连边进行随机删除处理,得到所述第一增广网络;以及,
第二处理子模块,用于基于所述聚类结构与所述预设数值,对所述拓扑关系网络内的类间的连边进行随机删除处理,得到所述第二增广网络。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的客户分类方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第二构建模块304包括:
第二获取子模块,用于获取与所述第一低维向量表示矩阵对应的第一低维向量,以及获取与所述第二低维向量表示矩阵对应的第二低维向量;
第一构建子模块,用于基于所述第一低维向量与所述第二低维向量构建第一无监督损失函数;以及,
第二构建子模块,用于基于所述第一低维向量与所述第二低维向量构建第二无监督损失函数;
第三构建子模块,用于基于所述第一无监督损失函数与所述第二无监督损失函数构建所述目标损失函数。
本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的客户分类方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一处理模块305包括:
第三获取子模块,用于不断迭代最小化所述目标损失函数,并获取累计迭代次数;
第四获取子模块,用于获取预设的迭代次数阈值;
第一判断子模块,用于判断所述累计迭代次数是否大于所述迭代次数阈值;
第一判定子模块,用于若所述累计迭代次数大于所述迭代次数阈值,判定满足迭代停止条件,迭代停止,得到训练好的图卷积神经网络。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的客户分类方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一处理模块305还包括:
第五获取子模块,用于若所述累计迭代次数小于所述迭代次数阈值,获取当前迭代过程的第一损失函数值;
第六获取子模块,用于获取与所述当前迭代过程相邻的前次迭代过程的第二损失函数值;
计算子模块,用于计算所述第一损失函数值与所述第二损失函数值之间的差值;
第二判断子模块,用于判断所述差值是否小于预设的差值阈值;
第二判定子模块,用于若是,判定满足迭代停止条件,迭代停止,得到训练好的图卷积神经网络。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的客户分类方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第二处理模块306包括:
第七获取子模块,用于获取与待处理的目标客户资料数据对应的目标拓扑关系网络;
输入子模块,用于将所述目标拓扑关系网络输入至所述客户细分模型内;
第二生成子模块,用于通过所述客户细分模型生成与所述目标拓扑关系网络对应的目标低维向量表示矩阵;
划分子模块,用于基于预设的目标聚类算法对所述目标低维向量表示矩阵进行聚类划分处理,得到与所述目标低维向量表示矩阵对应的聚类划分结果;
第二确定子模块,用于将所述聚类划分结果作为与所述目标客户对应的细分结果。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的客户分类方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一构建模块301包括:
第八获取子模块,用于获取预先采集的客户资料数据;
提取子模块,用于从所述客户资料数据中提取客户的客户社交关系;
第四构建子模块,用于基于所述客户社交关系构建与所述客户对应的拓扑关系网络。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的客户分类方法的步骤一一对应,在此不再赘述。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41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、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如基于人工智能的客户分类方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述基于人工智能的客户分类方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,提出了一种基于聚类结构的数据增广策略,解决了现有方法在对客户进行细分时难以有效地利用数据的内在聚类结构的问题,实现了模型在用户细分应用上准确率的提升。本申请提出的基于图卷积神经网络的方法无需标注数据进行训练,且具有较低的时间复杂度,因而可以适用于标注数据少、客户规模大的应用场景中。使得后续通过训练好的客户细分模型对待处理的目标客户资料数据对应的目标拓扑关系网络进行处理,可以实现快速准确地生成与该目标客户对应的细分结果,提高了细分结果的准确度。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于人工智能的客户分类方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,提出了一种基于聚类结构的数据增广策略,解决了现有方法在对客户进行细分时难以有效地利用数据的内在聚类结构的问题,实现了模型在用户细分应用上准确率的提升。本申请提出的基于图卷积神经网络的方法无需标注数据进行训练,且具有较低的时间复杂度,因而可以适用于标注数据少、客户规模大的应用场景中。使得后续通过训练好的客户细分模型对待处理的目标客户资料数据对应的目标拓扑关系网络进行处理,可以实现快速准确地生成与该目标客户对应的细分结果,提高了细分结果的准确度。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
- 基于人工智能的防撞库方法、设备、存储介质及装置
- 基于无人车的障碍物分类方法、装置、设备以及存储介质
- 基于聚类的分类方法、装置、存储介质和电子设备
- 词表生成方法、文本分类方法、装置、设备及存储介质
- 客户稳定性的预测方法、装置、计算机设备和存储介质
- 基于人工智能的客户挖掘方法、装置、设备及存储介质
- 基于人工智能的客户筛选方法、装置、设备及存储介质