一种客户标签的确定方法及装置

技术领域

本发明涉及计算机技术领域，更具体的，涉及一种客户标签的确定方法及装置。

背景技术

为了实现精准营销，会为不同客户打上标签，根据客户标签为客户推荐合适的产品。

客户标签的准确性严重影响向客户推荐产品后产品交易的成功率。因此，如何准确的为客户打标签成为本领域亟待解决的技术问题。

发明内容

有鉴于此，本发明提供了一种客户标签的确定方法及装置，提高了客户标签的准确性。

为了实现上述发明目的，本发明提供的具体技术方案如下：

一种客户标签的确定方法，包括：

响应于打标签指令，解析所述打标签指令，得到目标客户以及目标产品类型；

在查询到所述目标客户存在标签信息的情况下，获取所述标签信息中的已打标签产品类型以及对应的标签值；

获取预先存储的所述已打标签产品类型与所述目标产品类型之间的关联度；

将至少包括所述标签信息和所述关联度的输入数据输入预先构建的第一标签预测模型，得到所述目标客户在所述目标产品类型下的标签。

可选的，在将至少包括所述标签信息和所述关联度的输入数据输入预先构建的第一标签预测模型之前，所述方法还包括：

查询是否存在所述目标客户在所述目标产品类型下的行为数据或购买数据；

在查询到所述目标客户在所述目标产品类型下的行为数据或购买数据的情况下，将查询到的数据加入所述输入数据中。

可选的，所述方法还包括：

将预设历史时间段内不同客户在不同产品类型下的行为数据、购买数据和标签值以及不同产品类型之间的关联度，确定为所述第一标签预测模型的训练样本；

利用所述第一标签预测模型的训练样本对第一神经网络模型进行训练，得到所述第一标签预测模型，所述第一神经网络模型的结构为根据所述第一神经网络模型的输入输出数据中数据类型的数量设置的。

可选的，所述方法还包括：

在查询不到所述目标客户的标签信息的情况下，查询是否存在所述目标客户在所述目标产品类型下的行为数据或购买数据；

在查询到所述目标客户在所述目标产品类型下的行为数据或购买数据的情况下，将查询到的数据输入预先构建的第二标签预测模型，得到所述目标客户在所述目标产品类型下的标签。

可选的，所述方法还包括：

将预设历史时间段内不同客户在不同产品类型下的行为数据、购买数据以及标签值确定为所述第二标签预测模型的训练样本；

利用所述第二标签预测模型的训练样本对第二神经网络模型进行训练，得到所述第二标签预测模型，所述第二神经网络模型的结构为根据所述第二神经网络模型的输入输出数据中数据类型的数量设置的。

一种客户标签的确定装置，包括：

指令解析单元，用于响应于打标签指令，解析所述打标签指令，得到目标客户以及目标产品类型；

标签查询单元，用于在查询到所述目标客户存在标签信息的情况下，获取所述标签信息中的已打标签产品类型以及对应的标签值；

关联度获取单元，用于获取预先存储的所述已打标签产品类型与所述目标产品类型之间的关联度；

第一标签预测单元，用于将至少包括所述标签信息和所述关联度的输入数据输入预先构建的第一标签预测模型，得到所述目标客户在所述目标产品类型下的标签。

可选的，所述装置还包括：

历史数据查询单元，用于查询是否存在所述目标客户在所述目标产品类型下的行为数据或购买数据；在查询到所述目标客户在所述目标产品类型下的行为数据或购买数据的情况下，将查询到的数据加入所述输入数据中。

可选的，所述装置还包括第一模型训练单元，用于：

将预设历史时间段内不同客户在不同产品类型下的行为数据、购买数据和标签值以及不同产品类型之间的关联度，确定为所述第一标签预测模型的训练样本；

利用所述第一标签预测模型的训练样本对第一神经网络模型进行训练，得到所述第一标签预测模型，所述第一神经网络模型的结构为根据所述第一神经网络模型的输入输出数据中数据类型的数量设置的。

可选的，所述装置还包括：

历史数据查询单元，用于在查询不到所述目标客户的标签信息的情况下，查询是否存在所述目标客户在所述目标产品类型下的行为数据或购买数据；

第二标签预测单元，用于在查询到所述目标客户在所述目标产品类型下的行为数据或购买数据的情况下，将查询到的数据输入预先构建的第二标签预测模型，得到所述目标客户在所述目标产品类型下的标签。

可选的，所述装置还包括第二模型训练单元，用于：

将预设历史时间段内不同客户在不同产品类型下的行为数据、购买数据以及标签值确定为所述第二标签预测模型的训练样本；

利用所述第二标签预测模型的训练样本对第二神经网络模型进行训练，得到所述第二标签预测模型，所述第二神经网络模型的结构为根据所述第二神经网络模型的输入输出数据中数据类型的数量设置的。

相对于现有技术，本发明的有益效果如下：

本发明公开的一种客户标签的确定方法，在目标客户存在标签信息的情况下，通过将至少包括标签信息中已打标签产品类型以及对应的标签值、已打标签产品类型与目标产品类型之间的关联度的输入数据输入预先构建的第一标签预测模型，预测目标客户在目标产品类型下的标签，利用目标用户在已打标签产品类型下的标签值以及已打标签产品类型与目标产品类型之间的关联度，实现对目标客户在目标产品类型下的标签准确预测，提高了客户标签的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例公开的一种客户标签的确定方法的流程示意图；

图2为本发明实施例公开的另一种客户标签的确定方法的流程示意图；

图3为本发明实施例公开的一种客户标签的确定装置的结构示意图；

图4为本发明实施例公开的另一种客户标签的确定装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明为了提高客户标签的准确性，提供了一种客户标签的确定方法，从而实现向客户推荐客户感兴趣的产品，实现精准营销，请参阅图1，该方法具体包括以下步骤：

S101：响应于打标签指令，解析打标签指令，得到目标客户以及目标产品类型；

目标客户为需要对其打标签的客户，具体为在目标产品类型下对目标客户打标签，如目标客户为客户A，目标产品类型为风险投资产品，则需要在风险投资产品下对客户A打标签。

S102：在查询到目标客户存在标签信息的情况下，获取标签信息中的已打标签产品类型以及对应的标签值；

目标客户可以为在本系统中没有任何标签信息的客户，也可以为在本系统中其他产品类型下有标签信息的客户。

针对不同的应用场景，产品类型的分类方法根据实际需求进行调整，如应用于银行产品的场景下时，产品类型可以包括：风险投资产品、贷款产品、纪念产品、收藏产品等。

当客户在某个或某几个产品类型下已有标签信息时，本地存储该标签信息，后续在查询到目标客户存在标签信息的情况下，获取标签信息中已打标签产品类型以及对应的标签值。

其中，该标签值表示目标用户对已打标签产品类型的感兴趣程度，具体的，标签值可以为具体数值，也可以为不感兴趣、一般、很感兴趣、非常感兴趣等表示感兴趣程度的值。

S103：获取预先存储的已打标签产品类型与目标产品类型之间的关联度；

需要说明的是，系统中预先设置并存储了不同产品类型之间的关联度，具体的，可以根据经验设置不同产品类型之间的关联度，也可以根据历史数据采用归纳方法设置不同产品类型之间的关联度，如根据历史数据统计一段时间内客户购买产品类型A后又购买产品类型B的概率，同理统计一段时间内客户购买其他两种产品类型的概率，最后根据统计结果利用线性回归算法计算并设置不同产品类型之间的关联度。

S104：将至少包括标签信息和关联度的输入数据输入预先构建的第一标签预测模型，得到目标客户在目标产品类型下的标签。

可以理解的是，第一标签预测模型是预先构建的，需要利用训练样本对神经网络模型进行训练。第一标签预测模型的结构为根据第一神经网络模型的输入输出数据中数据类型的数量设置的。

当第一标签预测模型的输入数据仅包括标签信息和关联度时，将预设历史时间段内包括不同客户在不同产品类型下的标签值和不同产品类型之间的关联度，确定为第一标签预测模型的训练样本。根据第一标签预测网络模型输入输出的个数确定BP神经网络结构，进而确定了遗传算法中需要优化的参数个数。根据kolmogorov原理，一个三层BP神经网络足以完成任意的n维到m维的映射，一般只需要采用一个隐层即可，隐层节点个数采用试凑法确定，从而确定GA-BP神经网络结构。将训练样本分为训练集与验证集，训练与验证神经网络模型得到有效的第一标签预测模型。

为了提高模型预测的准确性，在查询到目标客户在目标产品类型下的行为数据或购买数据时，还可以在第一标签预测模型的输入数据中加入目标客户在目标产品类型下的行为数据和购买数据，行为数据可以浏览、收藏等行为的相关数据，即第一标签预测模型的输入数据包括：目标客户的标签信息、目标产品类型与已打标产品类型之间的关联度以及目标客户在目标产品类型下的行为数据和购买数据(当行为数据和购买数据中一项或两项不存在时则为0)。将预设历史时间段内不同客户在不同产品类型下的行为数据、购买数据和标签值以及不同产品类型之间的关联度，确定为第一标签预测模型的训练样本，在此基础上，根据第一标签预测模型的输入输出数据的个数确定BP神经网络结构，进而确定了遗传算法中需要优化的参数个数。

第一标签预测模型输出的标签值表示目标用户对已打标签产品类型的感兴趣程度，具体的，标签值可以为具体数值，为了便于使标签表示目标用户对已打标签产品类型的感兴趣程度，也可以根据标签值与标签的对应关系，将标签值转换为不感兴趣、一般、很感兴趣、非常感兴趣等中的一项。

在得到目标客户在目标产品类型下的标签后，可以根据该标签确定是否向目标客户推荐该目标产品类型。

进一步，在查询不到目标客户的标签信息的情况下，本发明依然可以预测目标客户在目标产品类型下的标签。请参阅图2，本实施例公开的一种客户标签的确定方法包括以下步骤：

S201：响应于打标签指令，解析打标签指令，得到目标客户以及目标产品类型；

S202：查询目标客户是否存在标签信息；

若存在标签信息，S203：获取标签信息中的已打标签产品类型以及对应的标签值；

S204：获取预先存储的已打标签产品类型与目标产品类型之间的关联度；

S205：将至少包括标签信息和关联度的输入数据输入预先构建的第一标签预测模型，得到目标客户在目标产品类型下的标签；

若不存在标签信息，S206：查询是否存在目标客户在目标产品类型下的行为数据或购买数据；

S207：在查询到目标客户在目标产品类型下的行为数据或购买数据的情况下，将查询到的数据输入预先构建的第二标签预测模型，得到目标客户在目标产品类型下的标签。

需要说明的是，第二标签预测模型也需要预先构建，第二标签预测模型的构建方法如下：

将预设历史时间段内不同客户在不同产品类型下的行为数据、购买数据以及标签值确定为第二标签预测模型的训练样本；

利用第二标签预测模型的训练样本对第二神经网络模型进行训练，得到第二标签预测模型，第二神经网络模型的结构为根据第二神经网络模型的输入输出数据中数据类型的数量设置的。

本实施例公开的一种客户标签的确定方法，在目标客户存在标签信息的情况下，通过将至少包括标签信息中已打标签产品类型以及对应的标签值、已打标签产品类型与目标产品类型之间的关联度的输入数据输入预先构建的第一标签预测模型，预测目标客户在目标产品类型下的标签，利用目标用户在已打标签产品类型下的标签值以及已打标签产品类型与目标产品类型之间的关联度，实现对目标客户在目标产品类型下的标签准确预测，提高了客户标签的准确性。

基于上述实施例公开的一种客户标签的确定方法，本实施例对应公开了一种客户标签的确定装置，请参阅3，该装置包括：

指令解析单元100，用于响应于打标签指令，解析所述打标签指令，得到目标客户以及目标产品类型；

标签查询单元200，用于在查询到所述目标客户存在标签信息的情况下，获取所述标签信息中的已打标签产品类型以及对应的标签值；

关联度获取单元300，用于获取预先存储的所述已打标签产品类型与所述目标产品类型之间的关联度；

第一标签预测单元400，用于将至少包括所述标签信息和所述关联度的输入数据输入预先构建的第一标签预测模型，得到所述目标客户在所述目标产品类型下的标签。

可选的，所述装置还包括：

历史数据查询单元，用于查询是否存在所述目标客户在所述目标产品类型下的行为数据或购买数据；在查询到所述目标客户在所述目标产品类型下的行为数据或购买数据的情况下，将查询到的数据加入所述输入数据中。

可选的，所述装置还包括第一模型训练单元，用于：

将预设历史时间段内不同客户在不同产品类型下的行为数据、购买数据和标签值以及不同产品类型之间的关联度，确定为所述第一标签预测模型的训练样本；

利用所述第一标签预测模型的训练样本对第一神经网络模型进行训练，得到所述第一标签预测模型，所述第一神经网络模型的结构为根据所述第一神经网络模型的输入输出数据中数据类型的数量设置的。

请参阅图4，本实施例公开了另一种客户标签的确定装置，包括：

指令解析单元100，用于响应于打标签指令，解析所述打标签指令，得到目标客户以及目标产品类型；

标签查询单元200，用于在查询到所述目标客户存在标签信息的情况下，获取所述标签信息中的已打标签产品类型以及对应的标签值；

关联度获取单元300，用于获取预先存储的所述已打标签产品类型与所述目标产品类型之间的关联度；

第一标签预测单元400，用于将至少包括所述标签信息和所述关联度的输入数据输入预先构建的第一标签预测模型，得到所述目标客户在所述目标产品类型下的标签。

历史数据查询单元500，用于在查询不到所述目标客户的标签信息的情况下，查询是否存在所述目标客户在所述目标产品类型下的行为数据或购买数据；

第二标签预测单元600，用于在查询到所述目标客户在所述目标产品类型下的行为数据或购买数据的情况下，将查询到的数据输入预先构建的第二标签预测模型，得到所述目标客户在所述目标产品类型下的标签。

可选的，所述装置还包括第二模型训练单元，用于：

将预设历史时间段内不同客户在不同产品类型下的行为数据、购买数据以及标签值确定为所述第二标签预测模型的训练样本；

利用所述第二标签预测模型的训练样本对第二神经网络模型进行训练，得到所述第二标签预测模型，所述第二神经网络模型的结构为根据所述第二神经网络模型的输入输出数据中数据类型的数量设置的。

本实施例公开的一种客户标签的确定装置，在目标客户存在标签信息的情况下，通过将至少包括标签信息中已打标签产品类型以及对应的标签值、已打标签产品类型与目标产品类型之间的关联度的输入数据输入预先构建的第一标签预测模型，预测目标客户在目标产品类型下的标签，利用目标用户在已打标签产品类型下的标签值以及已打标签产品类型与目标产品类型之间的关联度，实现对目标客户在目标产品类型下的标签准确预测，提高了客户标签的准确性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

上述各个实施例之间可任意组合，对所公开的实施例的上述说明，本说明书中各实施例中记载的特征可以相互替换或者组合，使本领域专业技术人员能够实现或使用本申请。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。