一种基于人工智能的营销稽查分析的系统和方法与流程

本发明涉及人工智能技术领域，更具体地，涉及一种基于人工智能的营销稽查分析的系统和方法。

背景技术：

营销稽查中心按照稽查工作要求开展在线稽查、常态稽查和专项稽查，稽查业务包含了抄核收、业扩、用电检查、计里、客户服务以及线损6核心营销主营业务，通过对营销市场营销工作的再监督和检查，堵塞管理、系统等漏洞，防止经营流失，规范营销稽查行为，随着市场营销业务、管理的创新，营销稽查规则已固化在营销系统，实现信息化管控，但也存在规则不灵活，缺乏变化，导致了常态稽查抽样、在线稽查检索的样本数据准确率不高，需人工逐条判断筛选，工作重大而且仍存在漏洞；为适应供给侧结构性改革、国资国企改革、电力体制改革等新形式新要求，加快推进公司营销创新发展，需要引入新型技术，提升业务实施效率，提高公司营销管控能力。

技术实现要素：

本发明为克服上述现有技术中稽查数据人工筛选效率低，准确率不高的缺陷，以及营销稽查规则不灵活，缺乏变化等缺陷，提供一种基于人工智能的营销稽查分析的系统和方法。

本发明所述系统包括大数据平台、ai模型和基于人工智能的客户量费业务风险分析系统；

所述的ai模型包括数据预处理模块、输入图处理模块和图卷积网络；

数据预处理模块用ca知识图谱构建邻接矩阵构造，输入图模块对图中确定点打标签，

图卷积网络包括svm/softmax分类器、自研发图卷积层、优化模块；

所述的基于人工智能的客户量费业务风险分析系统包括预处理层、神经网络层和视图层；

预处理层的功能包括知识图谱构建和生成输入图；

神经网络层的功能包括输入图处理、图卷积操作、网络训练优化和输出候选异常用户列表，

视图层用于把候选异常用户列表显示出来。

该系统包括大数据平台、ai模型和基于人工智能的客户量费业务风险分析系统，ai模型包括数据预处理模块、输入图处理模块和图卷积网络，基于人工智能的客户量费业务风险分析系统包括预处理层、神经网络层和视图层，可实现减少人工工作量，提升稽查效率。

本发明所述的基于人工智能的营销稽查分析方法，包括以下步骤：

s1：对原始量费进行预处理；

s2：根据s1预处理过的原始量费，通过建立多层级结构的图模型，考虑主次级别的基础上建立不同对象之间的关系；

s3：根据不同对象之间的关系构建混合模型；

s4：对s3所建的混合模型，对输入图的部分用户进行语义标注，在神经网络层研发图卷积网络的隐藏层；

s5：针对网络进行训练优化；

s6：对s5优化后输出的结果进行最终分类并打上对应标签；

s7：选择分类算法；

s8：在选定一组基于全局准确率的最佳方法后，设计一个集成深度学习模型进行多分类器融合学习；

s9：针对模型中特征重要性测量问题，对重要特性赋值；

s10：结合重要指标的权重计算，完成集成学习模块的构建。

该方法通过ai模型算法自学习逐步细化稽查规则，并快速高效定位问题，减少人工工作量，提升稽查效率，通过人工智能技术以及大数据计算，实现营销风险自动分析，精准定位，实现准确的靶向式问题防范，实现了智能化高、准确率高和便于使用的目的。

优选地，所述的步骤s1包括以下步骤：

s1.1：梳理原始“量费”业务稽查相关数据；

s1.2：根据梳理后的“量费”业务稽查相关数据，建立完整“量费”稽查业务语义体系；

s1.3：利用s1.2所述语义体系构建基于ca模型的知识图谱，设定需求自适应规则和参数对用户点相连方式；

s1.4：生成邻接矩阵输入图。

优选地，其特征在于，所述的步骤s3混合模型的构建方法为：采用基于卷积神经网络的表示学习算法，实现针对知识图谱的卷积神经网络编码器，结合循环神经网络，建立一个混合模型；

优选地，所述的步骤s4对输入图的部分用户进行语义标注的方法为半监督学习算法。

优选地，所述步骤s5的训练优化为使用整流线性单位作为激活函数以及图拉普拉斯正则化作为损失函数对网络进行训练优化。

优选地，所述步骤s6的具体过程为：根据实际问题是二类还是多类，采用决策向量机或者softmax函数对输出结果进行最终分类并打上对应标签。

优选地，所述步骤s7的合适算法的选择方法为：用单一的算法对电力数据进行处理，选择获得最佳结果的前n个算法。

优选地，所述步骤s9的赋值方法为：针对模型中特征重要性测量问题，采取传统集成学习算法与循环神经网络特征学习信息结合的方式进行特征重要性赋值。

与现有技术相比，本发明技术方案的有益效果是：本发明通过对大数据计算以及人工智能技术在营销稽查应用研究，构建营销业务ai智能模型，通过ai模型算法自学习逐步细化稽查规则，并快速高效定位问题，减少人工工作量，提升稽查效率，实现了智能化高、准确率高和、便于使用的目的；本发明借助人工智能技术以及大数据计算，探索抄核收稽查业务工作创新模式，在营销稽查中心开起人工智能创新试点工作，实现营销风险自动分析，精准定位，实现准确的靶向式问题防范，从而提高营销业务风险防范工作效率，实现风险精准控制，为后续稽查中心营销稽查业务全面实智能稽查做好铺垫，实现了智能化高、准确率高、便于监管和便于使用的目的。

附图说明

图1为实施例1基于人工智能的营销稽查分析的系统的示意图。

图2为实施例2基于人工智能的营销稽查分析的方法的流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1：

如图1所示，本实施例提供一种基于人工智能的营销稽查分析的系统。

所述系统包括大数据平台、ai模型和基于人工智能的客户量费业务风险分析系统；

所述的ai模型包括数据预处理模块、输入图处理模块和图卷积网络；

数据预处理模块用ca知识图谱构建邻接矩阵构造，输入图模块对图中确定点打标签；

图卷积网络包括svm/softmax分类器、自研发图卷积层、优化模块；

所述的基于人工智能的客户量费业务风险分析系统包括预处理层、神经网络层和视图层；

预处理层的功能包括知识图谱构建和生成输入图；

神经网络层的功能包括输入图处理、图卷积操作、网络训练优化和输出候选异常用户列表；

视图层用于把候选异常用户列表显示出来。

实施例2：

本实施例提供一种基于人工智能的营销稽查分析的方法。

如图2所示，所述方法包括以下步骤：

s1：梳理原始“量费”业务稽查相关数据，建立完整“量费”稽查业务语义体系，利用上述语义体系构建基于ca模型（core-attachment）的知识图谱，设定需求自适应规则/参数对用户点相连方式，生成邻接矩阵输入图，保证模型的通用性；

s2：通过构建一个多层级结构的图模型，考虑主次级别的基础上建立不同对象之间的关系，更加准确的度量对象之间的相关性；

s3：采用一种基于卷积神经网络的表示学习算法，实现针对知识图谱的卷积神经网络编码器，结合循环神经网络，建立一个一个混合模型，弥补卷积神经网络的不足，同时使用动量随机梯度下降对模型进行优化；

s4：利用半监督学习算法，对输入图的部分用户进行语义标注，有效降低人工标注工作量；在神经网络层，研发高效可按需调整、支持扩展操作的图卷积层作为图卷积网络的隐藏层；

s5：使用整流线性单位（relu)作为激活函数以及图拉普拉斯正则化作为损失函数对网络进行训练优化；

s6：根据实际问题是二类还是多类，采用决策向量机(svm)或者softmax函数对输出结果进行最终分类并打上对应标签；

s7：选择合适的分类算法，用单一的算法对电力数据进行处理，选择获得最佳结果的前n个算法；

s8：在选定一组基于全局准确率的最佳方法后，设计一个集成深度学习模型进行多分类器融合学习；

s9：针对模型中特征重要性测量问题，采取传统集成学习算法与循环神经网络特征学习信息结合的方式进行特征重要性赋值；

s10：结合多个重要性指标如本地正确率、多样化正确率和局部泛化误差界等进行每层分类器的权重计算，完成集成学习模型的构建。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。