目标客群中客户的分类方法、装置、电子设备及存储介质与流程

1.本技术涉及数据处理技术领域，尤其是涉及目标客群中客户的分类方法、装置、电子设备及存储介质。


背景技术：

2.在服务机构需要对用户提供服务时，一般会对不同的用户进行分析，确定出用户所属的用户类别，以便更有针对性地为用户提供相应的服务。
3.现阶段，在对用户所属类别的确定过程中，一般是需要收集用户的固定信息，进而对固定信息进行分析，确定出用户所述的用户类别，但是上述过程，需要对大量的数据进行处理和分析，过程繁琐，同时获取到的固定信息也并不能完全反映出用户的服务倾向，导致确定用户分类的准确性以及效率均比较低。


技术实现要素：

4.有鉴于此，本技术的目的在于提供目标客群中客户的分类方法、装置、电子设备及存储介质，在获取目标用户的属性特征信息时，还要有针对性地获取待分析的目标客群的目标属性特征，再结合用户的基本属性特征、消费属性特征后，生成目标用户的属性特征矩阵，将生成目标用户的属性特征矩阵输入到预先训练好的客户分类模型中，直接由客户分类模型输出目标客户所属的用户类别，在保证获取用户属性特征的全面性的同时，简化了确定用户类别的步骤，有助于提升确定目标用户所属用户分类的准确性以及效率。
5.第一方面，本技术实施例提供了一种目标客群中客户的分类方法，所述分类方法包括：
6.根据目标用户的交易记录中各条交易信息所属的至少一个交易类型，检测所述目标用户是否属于目标客群；
7.若所述目标用户属于目标客群，获取所述目标用户在各个属性特征维度下的多个特征；其中，所述属性特征维度包括基本属性特征、消费属性特征以及与所述目标客群对应的目标属性特征；
8.基于各个属性特征维度中各个特征的特征值，生成所述目标用户的属性特征矩阵，并将所述属性特征矩阵输入至预先训练好的客户分类模型中，得到所述目标用户所属的用户类别，并根据所述目标用户所属的用户类别为所述目标用户提供对应的服务。
9.在一种可能的实施方式中，通过以下步骤确定所述目标用户属于所述目标客群：
10.确定所述目标用户的交易记录中，各个交易类型对应的交易信息的信息数量以及所述交易记录中的信息总数量；
11.确定多个交易类型中属于所述目标客群的全部交易类型的目标信息数量；
12.检测所述目标信息数量在所述信息总数量中的占比是否大于阈值占比阈值；
13.若所述目标信息数量在所述信息总数量中的占比大于预设占比阈值，确定所述目标用户属于所述目标客群。
14.在一种可能的实施方式中，所述基于各个属性特征维度中各个特征的特征值，生成所述目标用户的属性特征矩阵，包括：
15.针对于每一个属性特征维度，将该属性特征维度下各个特征的特征值，转换成对应的数值，并将各个特征值按照特征拼接顺序进行拼接，得到该属性特征维度下的属性特征向量；
16.将各个属性特征维度的属性特征向量进行拼接，得到所述属性特征矩阵。
17.在一种可能的实施方式中，所述将所述属性特征矩阵输入至预先训练好的客户分类模型中，得到所述目标用户所属的用户类别，包括：
18.将所述属性特征矩阵输入至预先训练好的客户分类模型，计算所述属性特征矩阵经过客户分类模型中的隐藏层后输出的多个隐含层神经元的特征值；
19.对计算出多个隐含层神经元的特征值进行激活函数处理，得到所述目标用户对应的评估数值；
20.基于所述评估数值以及预设的各个用户类别对应的数值区间，确定所述目标用户所属的用户类别。
21.在一种可能的实施方式中，所述基于所述评估数值以及预设的各个用户类别对应的数值区间，确定所述目标用户所属的用户类别，包括：
22.确定各个用户类别对应的数值区间的数值上限值以及数值下限值；
23.将所述数值下限值小于所述评估数值且所述数值上限值大于所述评估数值的数值区间对应的用户类别，确定所述目标用户所属的用户类别。
24.在一种可能的实施方式中，通过以下步骤为所述目标用户提供对应的服务：
25.根据所述目标用户所属的用户类别，确定针对于所述目标用户的服务类型以及服务资源，并按照所述服务类型以及服务资源为所述目标用户提供相应的服务。
26.在一种可能的实施方式中，通过以下步骤训练所述客户分类模型：
27.基于获取到的属于所述目标客群的各个样本用户在预设历史时间段内的业务贡献综合收益，确定各个样本用户的评估数值标签，并基于各个样本用户的评估数值标签，确定各个样本用户的实际用户分类；
28.针对于每个样本用户，基于各个样本用户在各个属性特征维度下的多个特征的特征值，确定该样本用户的样本特征矩阵，并将所述样本特征矩阵输入至预先构建好的深度学习模型中，得到该样本用户的预测用户分类；
29.针对于每个样本用户，检测该样本用户的预测用户分类与该样本用户的实际用户分类是否一致；
30.若存在样本用户的预测用户分类与实际用户不一致，调整所述深度学习模型中的参数，直至全部样本用户的预测用户分类与实际用户均一致，确定所述深度学习模型训练完毕，并将训练完毕的所述深度学习模型确定为训练好的所述客户分类模型。
31.第二方面，本技术实施例还提供了一种目标客群中客户的分类装置，所述分类装置包括：
32.客群检测模块，用于根据目标用户的交易记录中各条交易信息所属的至少一个交易类型，检测所述目标用户是否属于目标客群；
33.特征获取模块，用于若所述目标用户属于目标客群，获取所述目标用户在各个属
性特征维度下的多个特征；其中，所述属性特征维度包括基本属性特征、消费属性特征以及与所述目标客群对应的目标属性特征；
34.类别确定模块，用于基于各个属性特征维度中各个特征的特征值，生成所述目标用户的属性特征矩阵，并将所述属性特征矩阵输入至预先训练好的客户分类模型中，得到所述目标用户所属的用户类别，并根据所述目标用户所属的用户类别为所述目标用户提供对应的服务。
35.第三方面，本技术实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如第一方面任一项所述的目标客群中客户的分类方法的步骤。
36.第四方面，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面任一项所述的目标客群中客户的分类方法的步骤。
37.本技术实施例提供的目标客群中客户的分类方法、装置、电子设备及存储介质，根据目标用户的交易记录中各条交易信息所属的至少一个交易类型，检测目标用户是否属于目标客群，若确定目标用户属于目标客群，获取目标用户分别在基本属性特征、消费属性特征以及与目标客群对应的目标属性特征下的多个特征；基于各个属性特征维度中各个特征的特征值，生成目标用户的属性特征矩阵，并将属性特征矩阵输入至预先训练好的客户分类模型中，得到目标用户所属的用户类别，并根据目标用户所属的用户类别为目标用户提供对应的服务。在本技术实施例中，在获取目标用户的属性特征信息时，还要有针对性地获取待分析的目标客群的目标属性特征，再结合用户的基本属性特征、消费属性特征后，生成目标用户的属性特征矩阵，将生成目标用户的属性特征矩阵输入到预先训练好的客户分类模型中，直接由客户分类模型输出目标客户所属的用户类别，在保证获取用户属性特征的全面性的同时，简化了确定用户类别的步骤，有助于提升确定目标用户所属用户分类的准确性以及效率。
38.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
39.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
40.图1为本技术实施例所提供的一种目标客群中客户的分类方法的流程图；
41.图2为本技术实施例所提供的一种目标客群中客户的分类装置的结构示意图之一；
42.图3为本技术实施例所提供的一种目标客群中客户的分类装置的结构示意图之二；
43.图4为本技术实施例所提供的一种电子设备的结构示意图。
具体实施方式
44.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中附图，对本技术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技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本技术保护的范围。
45.首先，对本技术可适用的应用场景进行介绍。本技术可应用于数据处理技术领域。
46.在服务机构需要对用户提供服务时，一般会对不同的用户进行分析，确定出用户所属的用户类别，以便更有针对性地为用户提供相应的服务。
47.现阶段，在对用户所属类别的确定过程中，一般是需要收集用户的固定信息，进而对固定信息进行分析，确定出用户所述的用户类别，但是上述过程，需要对大量的数据进行处理和分析，过程繁琐，同时获取到的固定信息也并不能完全反映出用户的服务倾向，导致确定用户分类的准确性以及效率均比较低。
48.基于此，本技术实施例提供了一种目标客群中客户的分类方法，以提升确定目标用户所属用户分类的准确性以及效率。
49.请参阅图1，图1为本技术实施例所提供的一种目标客群中客户的分类方法的流程图。如图1中所示，本技术实施例提供的目标客群中客户的分类方法，包括：
50.s101、根据目标用户的交易记录中各条交易信息所属的至少一个交易类型，检测所述目标用户是否属于目标客群。
51.s102、若所述目标用户属于目标客群，获取所述目标用户在各个属性特征维度下的多个特征；其中，所述属性特征维度包括基本属性特征、消费属性特征以及与所述目标客群对应的目标属性特征。
52.s103、基于各个属性特征维度中各个特征的特征值，生成所述目标用户的属性特征矩阵，并将所述属性特征矩阵输入至预先训练好的客户分类模型中，得到所述目标用户所属的用户类别，并根据所述目标用户所属的用户类别为所述目标用户提供对应的服务。
53.本技术实施例提供的一种目标客群中客户的分类方法，在获取目标用户的属性特征信息时，还要有针对性地获取待分析的目标客群的目标属性特征，再结合用户的基本属性特征、消费属性特征后，生成目标用户的属性特征矩阵，将生成目标用户的属性特征矩阵输入到预先训练好的客户分类模型中，直接由客户分类模型输出目标客户所属的用户类别，在保证获取用户属性特征的全面性的同时，简化了确定用户类别的步骤，有助于提升确定目标用户所属用户分类的准确性以及效率。
54.下面对本技术实施例示例性的各步骤进行说明：
55.s101、根据目标用户的交易记录中各条交易信息所属的至少一个交易类型，检测所述目标用户是否属于目标客群。
56.在本技术实施例中，针对于不同客户进行分析时，对于不同客户来说，因为客户所属的客群不同，不同客群中的用户会表现出属于该客群特有的属性特征，因此，在对目标客户进行分析时，需要先确定出目标客户所属的一个客群，然后根据目标客户所属的客群，有
针对性地提取目标用户的属性特征，进而更为准确地对目标用户进行分类分析。
57.在一种可能的实施方式中，本技术的技术方案中主要是针对于现有的新兴的电子竞技群体进行的分析，经过调查研究发现，现阶段电子竞技客群也是具有比较高价值的客群，对电子竞技客群进行有针对性地分析，可以更好地为不同的客户提供更有针对性的服务。
58.在本技术实施例中，目标客群指的是电子竞技客群，因此，在分析目标客户之前，需要对目标客户的交易信息进行分析，来判断目标用户是否是属于本技术技术方案中所分析的目标客群的。
59.具体地，通过以下步骤确定所述目标用户属于所述目标客群：
60.a1：确定所述目标用户的交易记录中，各个交易类型对应的交易信息的信息数量以及所述交易记录中的信息总数量；
61.a2：确定多个交易类型中属于所述目标客群的全部交易类型的目标信息数量；
62.a3：检测所述目标信息数量在所述信息总数量中的占比是否大于预设占比阈值；
63.a4：若所述目标信息数量在所述信息总数量中的占比大于阈值占比阈值，确定所述目标用户属于所述目标客群。
64.在本技术实施例中，可以通过目标用户的交易记录中，不用交易类型对应的交易信息的信息数量，然后通过属于目标客群的交易信息的数量的占比，来检测目标用户是否属于目标客群。
65.值得注意的是，目标用户的交易记录可以是目标用户在一段时间内(如一个月、半年等)的交易记录，还可以是目标用户从开始第一笔交易开始到统计目标用户的交易记录的时间节点为止的全部交易记录。
66.在一种可能的实施方式中，可以是通过不同交易记录中的关键词，来确定出每一条交易记录所属的交易类型。具体实施方式为，根据历史交易记录以及交易类型，提取出各个交易类型下的关键词，进而根据关键词匹配来确定目标用户的交易记录中，每条交易信息所属的交易类型。
67.具体地，根据对不同用户的不同历史交易信息进行分析，可以划分出多个交易类型，包括但不限于日用品交易类型、奢侈品交易类型等，值得注意的是，在分析历史交易信息时，需要包括与目标客群对应的历史交易信息，并且将这些历史交易信息中提取出的关键词，均设置为目标交易类型中的关键词。
68.举例来说，在目标用户的交易信息中包括有3条交易信息，分别为交易信息a：x月x日购买m牌洗衣粉；交易信息b：x月y日购买c牌背包；交易信息c：m月h日购买w游戏装备；根据关键词“洗衣粉”、“c牌背包”以及“游戏装备”；可以确定出交易信息a属于日用品交易类型、交易信息b属于奢侈品交易类型、交易信息c属于目标交易类型。
69.进一步的，统计各个交易类型下的交易信息数量，通过多个交易类型中属于目标客群的全部交易类型的目标信息数量在交易信息总数量的占比是否大于预设占比阈值，来确定出目标用户是否属于目标客群。
70.在一种可能的实施方式中，设置预设占比阈值的目的在于，只有在交易记录中属于目标客群的交易信息数量占到一定的比重，才能确定出目标用户是倾向于目标客群的交易行为，且目标用户属于目标客群的概率比较大，有效地避免了用户实际上并不属于目标
客群而偶发性地产生属于目标客群的交易行为，导致将用户错误地划分至目标客群的失误情况发生。
71.其中，预设占比阈值可以根据历史交易记录中属于目标客群的用户的交易记录进行分析确定的，在本技术实施例中并不做具体限定。
72.在一种可能的实施方式中，除了通过对目标用户的交易记录进行分析用户是否属于目标客群外，为了更准确地对目标用户是否属于目标客群进行分析，还可以通过对目标用户的行为特征进行分析，进一步确定目标客户是否属于目标客群。
73.具体地，针对于本技术实施例中目标客群是电子竞技用户群的方案来说，目标客群中的用户的行为特征可以包括游戏活动行为、游戏浏览行为等；可以是用户参与游戏活动(线上线下的活动)、用户在不同的网站观看游戏视频等。
74.s102、若所述目标用户属于目标客群，获取所述目标用户在各个属性特征维度下的多个特征；其中，所述属性特征维度包括基本属性特征、消费属性特征以及与所述目标客群对应的目标属性特征。
75.在本技术实施例中，若是通过步骤s101的检测，确定目标用户是属于目标客群的，那么可以针对于目标用户获取目标用户在各个属性特征维度下的多个特征，其中，属性特征维度包括基本属性特征、消费属性特征以及与目标客群对应的目标属性特征。
76.在一种可能的实施方式中，基本属性特征表征的是目标用户的基本信息，包括但不限于目标用户的性别、年龄、婚姻状况、教育程度等；消费属性特征表征的是目标用户的消费水平以及在银行记录中的消费等级的信息，包括但不限于目标用户的总金融消费额度、收入总贡献、账户类型、财富等级等；与目标客群对应的目标属性特征表征的是目标用户专属于目标客群(电子竞技客群)的特征信息，包括但不限于目标用户登录游戏的次数、游戏消费月均额度等。
77.进一步的，确定出多个属性特征维度下的多个特征之后，可以进一步通过各个属性特征维度中各个特征的特征值，生成目标用户的属性特征矩阵再结合预先训练好的客户分类模型，对目标用户所属的用户类别进行确定。
78.s103、基于各个属性特征维度中各个特征的特征值，生成所述目标用户的属性特征矩阵，并将所述属性特征矩阵输入至预先训练好的客户分类模型中，得到所述目标用户所属的用户类别，并根据所述目标用户所属的用户类别为所述目标用户提供对应的服务。
79.在本技术实施例中，在确定出各个属性特征维度中各个特征的特征值后，可以根据各个特征值的具体类型(字符型、数值型等)进行数值转化后，生成目标用户的属性特征矩阵，在属性特征矩阵中包括的均是已经按照规则转换后的数值。
80.具体地，步骤“基于各个属性特征维度中各个特征的特征值，生成所述目标用户的属性特征矩阵”，包括：
81.b1：针对于每一个属性特征维度，将该属性特征维度下各个特征的特征值，转换成对应的数值，并将各个特征值按照特征拼接顺序进行拼接，得到该属性特征维度下的属性特征向量。
82.b2：将各个属性特征维度的属性特征向量进行拼接，得到所述属性特征矩阵。
83.在本技术实施例中，针对于每一个属性特征维度，在该属性特征维度维度下不同特征对应的特征值可能是不同类型的，比如有数值型的数值也有字符型数据，在生成的属
性特征矩阵中的元素均是数值型的，因此，需要将字符型的特征值进行转换，同时将数值型数值比较大的特征值也要进行处理。
84.举例来说，针对于基本属性特征中的性别特征，可以将特征值“男”、“女”分别对应为不同的数值，例如，特征值“男”对应数值1；特征值“女”对应数值0；针对于消费属性特征中的财富等级，需要先确定客户的具体财富数值，然后再将不同的财富数值对应不同的财富等级，例如，具体财富数值为500万以上，那么对应的财富等级就为1。针对于不同的特征以及对应的特征值，具有不同的转换规则，具体转换规则参见表1，表1为特征值与数值对应关系表，在表1中展示了特征值与数值之间的具体转换关系。
85.表1特征值与数值对应关系表
[0086][0087]
进一步的，在针对于各个属性特征维度，将该属性特征维度下的各个特征值转换为数值之后，将各个特征值按照特征拼接顺序进行拼接，得到该属性特征维度下的属性特征向量。
[0088]
具体地，对于特征拼接顺序可以是预先设置的，在不同的属性特征维度中不同属性特征的排序，还可以是随机进行拼接(先得到那个特征下的转换后的数值，就先拼接哪个特征)组合，可以根据拼接需求进行设置，在本技术实例中，并不作具体限制。
[0089]
在一种可能的实施方式中，若是确定出各个性特征维度的属性特征向量后，将各个属性特征维度的属性特征向量进行拼接，一般地，各个属性特征向是一个行n列的向量，在将各个性特征维度的属性特征向量进行拼接可以是收尾相连进行拼接，得到的属性特征矩阵是一个一个行m列的矩阵其中，m为全部属性特征向量的列数之和；还可以是将一个属性特征向量作为一行进行拼接，那么得到的属性特征矩阵是一个x行w列的矩阵其中，x为全部属性特征向量的个数，w为全部属性特征向量中列数最大的属性特征向量的列数，其余属性特征向量可以通过填充特定数值(如0)的方式，填充至列数w。
[0090]
在一种可能的实施方式中，步骤“将所述属性特征矩阵输入至预先训练好的客户分类模型中，得到所述目标用户所属的用户类别”，包括：
[0091]
c1：将所述属性特征矩阵输入至预先训练好的客户分类模型，计算所述属性特征矩阵经过客户分类模型中的隐藏层后输出的多个隐含层神经元的特征值。
[0092]
在本技术实施例中，将属性特征矩阵输入至预先训练好的客户分类模型后，通过客户分类模型中的隐藏层进行计算后，隐藏层输出多个隐含层神经元的特征值。
[0093]
具体地，在本技术实施例的客户分类模型中，包含三个隐藏层，分别为64、32、32个神经元的全连接层。
[0094]
c2：对计算出多个隐含层神经元的特征值进行激活函数处理，得到所述目标用户对应的评估数值。
[0095]
在本技术实施例中，将隐藏层输出的多个隐含层神经元的特征值通过激活函数进行处理，确定出目标用户的评估数值。
[0096]
具体地，确定出的评估数值是一个在(0,1)区间的值，在一定程度上表征目标客户的价值，得出的评估数值越接近1，表征目标用户的价值越高。
[0097]
c3：基于所述评估数值以及预设的各个用户类别对应的数值区间，确定所述目标用户所属的用户类别。
[0098]
在本技术实施例中，根据确定出的评估数值以及预设的各个用户类别对应的数值区间，确定出评估数值所属的数值区间，进而确定出目标用户所属的用户类别。
[0099]
具体地，步骤“基于所述评估数值以及预设的各个用户类别对应的数值区间，确定所述目标用户所属的用户类别”，包括：
[0100]
d1：确定各个用户类别对应的数值区间的数值上限值以及数值下限值。
[0101]
d2：将所述数值下限值小于所述评估数值且所述数值上限值大于所述评估数值的数值区间对应的用户类别，确定所述目标用户所属的用户类别。
[0102]
在本技术实施例中，确定出每个用户类别对应的数值区间的数值上限值以及数值下限值，每个用户类别对应的数值区间是将(0,1)这个区间再进行进一步细分，划分出的不同数值区间，可以是将(0,1)这个区间按照用户类别数量进行等分，也可以是将低级别的用户类别对应的数值区间的跨度设置的大一些，将高级别的用户类别对应的数值区间的跨度设置的小一些，按照不同的比例来确定各个用户类别对应的数值区间。
[0103]
进一步的，在确定出各个用户类别对应的数值区间之后，根据各个数值区间的上下限数值，确定出目标用户所属的数值区间，进而确定出目标用户所属的用户类别。
[0104]
举例来说，若计算出目标用户的评估数值为0.25，用户类别d对应的数值区间为(0,0.2]，用户类别c对应的数值区间为(0.2,0.6]，用户类别b对应的数值区间为(0.6,
0.9]，用户类别a对应的数值区间为(0.9,1)，那么可以确定出目标用户的评估数值为0.25属于用户类别c对应的数值区间(0.2,0.6]，即目标用户所属的用户类别为用户类别c。
[0105]
在一种可能的实施方式中，在确定出目标用户所属的用户类别之后，可以根据用户所属的不同用户类别确定出针对于目标用户的服务类型。
[0106]
具体地，通过以下步骤为所述目标用户提供对应的服务：
[0107]
e1：根据所述目标用户所属的用户类别，确定针对于所述目标用户的服务类型以及服务资源，并按照所述服务类型以及服务资源为所述目标用户提供相应的服务。
[0108]
在本技术实施例中，根据确定出的目标用户所属的用户类别后，可以根据用户所属的用户类别，来确定可以为目标用户提供的服务类型以及服务资源，这些服务类型以及服务资源均是与目标用户所属的用户类别是一一对应的，同时，按照服务类型以及服务资源为目标用户提供相应的服务。
[0109]
具体地，针对于本技术实施例中所示的针对于电子竞技用户的银行服务的场景来说，在确定出目标用户所属的用户类别时，可以根据用户类别向目标用户推荐不同的银行服务，还可以真正地确定出具有潜力的用户，然后进一步向有潜力的用户推荐相关的业务，以促成用户在银行办理相应的业务。
[0110]
在一种可能的实施方式中，在预测目标用户所属的用户类别时，使用的是预先训练好的客户分类模型进行预测的，那么整个确定目标用户所属的用户类别的方案之前，需要进行模型训练，以得到客户分类模型。
[0111]
具体地，通过以下步骤训练所述客户分类模型：
[0112]
f1：基于获取到的属于所述目标客群的各个样本用户在预设历史时间段内的业务贡献综合收益，确定各个样本用户的评估数值标签，并基于各个样本用户的评估数值标签，确定各个样本用户的实际用户分类。
[0113]
f2：针对于每个样本用户，基于各个样本用户在各个属性特征维度下的多个特征的特征值，确定该样本用户的样本特征矩阵，并将所述样本特征矩阵输入至预先构建好的深度学习模型中，得到该样本用户的预测用户分类；
[0114]
f3：针对于每个样本用户，检测该样本用户的预测用户分类与该样本用户的实际用户分类是否一致；
[0115]
f4：若存在样本用户的预测用户分类与实际用户不一致，调整所述深度学习模型中的参数，直至全部样本用户的预测用户分类与实际用户均一致，确定所述深度学习模型训练完毕，并将训练完毕的所述深度学习模型确定为训练好的所述客户分类模型。
[0116]
在本技术实施例中，获取属于目标客群的各个样本用户在预设历史时间段内的业务贡献综合收益，根据业务贡献综合收益，确定出各个样本用户的评估数值标签，进而确定出各个样本用户的实际用户分类。
[0117]
其中，业务贡献综合收益可以包括贷款利息、存款贡献等，然后根据各个样本用户在系统中的历史实际数据，确定出各个样本用户的评估数值标签以及实际用户分类。
[0118]
进一步的，再获取到多个样本用户以及各个样本用户的评估数值标签以及实际用户分类后，针对于各个样本用户提取样本用户在各个属性特征维度下的多个特征的特征值，确定该样本用户的样本特征矩阵(具体过程与提取目标用户的属性特征矩阵的方式一致，在此不再赘述)；将确定出的样本特征矩阵输入至预先构建好的深度学习模型中，通过
预先构建好的深度学习模型输出各个样本用户的预测用户分类，针对于每一个样本用户，检测该样本用户的预测分类与实际分类是否一致，若是存在样本用户的预测用户分类与实际用户不一致，需要调整深度学习模型中的参数，直至全部样本用户的预测用户分类与实际用户均一致，确定深度学习模型训练完毕，并将训练完毕的深度学习模型确定为训练好的客户分类模型。
[0119]
在一种可能的实时方式中，对于深度学习模型来说，可以是通过损失函数收敛的情况，来确定出深度学习模型是否训练完毕。
[0120]
具体地，本技术实施例中用到的损失函数可以为sigmoid函数或者是交叉熵损失函数。
[0121]
其中，sigmoid函数的表达式为：
[0122]
其中，交叉熵损失函数的表达式为：
[0123]
在一种可能的实施方式中，深度学习模型可以是卷积神经网络(convolutional neural networks，cnn)、递归神经网络(recurrent neural networks，rnn)等。
[0124]
本技术实施例提供的目标客群中客户的分类方法，根据目标用户的交易记录中各条交易信息所属的至少一个交易类型，检测目标用户是否属于目标客群，若确定目标用户属于目标客群，获取目标用户分别在基本属性特征、消费属性特征以及与目标客群对应的目标属性特征下的多个特征；基于各个属性特征维度中各个特征的特征值，生成目标用户的属性特征矩阵，并将属性特征矩阵输入至预先训练好的客户分类模型中，得到目标用户所属的用户类别，并根据目标用户所属的用户类别为目标用户提供对应的服务。在本技术实施例中，在获取目标用户的属性特征信息时，还要有针对性地获取待分析的目标客群的目标属性特征，再结合用户的基本属性特征、消费属性特征后，生成目标用户的属性特征矩阵，将生成目标用户的属性特征矩阵输入到预先训练好的客户分类模型中，直接由客户分类模型输出目标客户所属的用户类别，在保证获取用户属性特征的全面性的同时，简化了确定用户类别的步骤，有助于提升确定目标用户所属用户分类的准确性以及效率。
[0125]
基于同一发明构思，本技术实施例中还提供了与目标客群中客户的分类方法对应的目标客群中客户的分类装置，由于本技术实施例中的装置解决问题的原理与本技术实施例上述目标客群中客户的分类方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
[0126]
请参阅图2、图3，图2为本技术实施例所提供的一种目标客群中客户的分类装置的结构示意图之一，图3为本技术实施例所提供的一种目标客群中客户的分类装置的结构示意图之二。如图2中所示，所述分类装置200包括：
[0127]
客群检测模块210，用于根据目标用户的交易记录中各条交易信息所属的至少一个交易类型，检测所述目标用户是否属于目标客群；
[0128]
特征获取模块220，用于若所述目标用户属于目标客群，获取所述目标用户在各个属性特征维度下的多个特征；其中，所述属性特征维度包括基本属性特征、消费属性特征以及与所述目标客群对应的目标属性特征；
[0129]
类别确定模块230，用于基于各个属性特征维度中各个特征的特征值，生成所述目
标用户的属性特征矩阵，并将所述属性特征矩阵输入至预先训练好的客户分类模型中，得到所述目标用户所属的用户类别，并根据所述目标用户所属的用户类别为所述目标用户提供对应的服务。
[0130]
在一种可能的实施方式中，如图3所示，所述分类装置200还包括模型训练模块240，所述模型训练模块240用于：
[0131]
基于获取到的属于所述目标客群的各个样本用户在预设历史时间段内的业务贡献综合收益，确定各个样本用户的评估数值标签，并基于各个样本用户的评估数值标签，确定各个样本用户的实际用户分类；
[0132]
针对于每个样本用户，基于各个样本用户在各个属性特征维度下的多个特征的特征值，确定该样本用户的样本特征矩阵，并将所述样本特征矩阵输入至预先构建好的深度学习模型中，得到该样本用户的预测用户分类；
[0133]
针对于每个样本用户，检测该样本用户的预测用户分类与该样本用户的实际用户分类是否一致；
[0134]
若存在样本用户的预测用户分类与实际用户不一致，调整所述深度学习模型中的参数，直至全部样本用户的预测用户分类与实际用户均一致，确定所述深度学习模型训练完毕，并将训练完毕的所述深度学习模型确定为训练好的所述客户分类模型。
[0135]
在一种可能的实施方式中，所述客群检测模块210用于通过以下步骤确定所述目标用户属于所述目标客群：
[0136]
确定所述目标用户的交易记录中，各个交易类型对应的交易信息的信息数量以及所述交易记录中的信息总数量；
[0137]
确定多个交易类型中属于所述目标客群的全部交易类型的目标信息数量；
[0138]
检测所述目标信息数量在所述信息总数量中的占比是否大于阈值占比阈值；
[0139]
若所述目标信息数量在所述信息总数量中的占比大于预设占比阈值，确定所述目标用户属于所述目标客群。
[0140]
在一种可能的实施方式中，所述类别确定模块230在用于基于各个属性特征维度中各个特征的特征值，生成所述目标用户的属性特征矩阵时，所述类别确定模块230用于：
[0141]
针对于每一个属性特征维度，将该属性特征维度下各个特征的特征值，转换成对应的数值，并将各个特征值按照特征拼接顺序进行拼接，得到该属性特征维度下的属性特征向量；
[0142]
将各个属性特征维度的属性特征向量进行拼接，得到所述属性特征矩阵。
[0143]
在一种可能的实施方式中，所述类别确定模块230在用于将所述属性特征矩阵输入至预先训练好的客户分类模型中，得到所述目标用户所属的用户类别时，所述类别确定模块230用于：
[0144]
将所述属性特征矩阵输入至预先训练好的客户分类模型，计算所述属性特征矩阵经过客户分类模型中的隐藏层后输出的多个隐含层神经元的特征值；
[0145]
对计算出多个隐含层神经元的特征值进行激活函数处理，得到所述目标用户对应的评估数值；
[0146]
基于所述评估数值以及预设的各个用户类别对应的数值区间，确定所述目标用户所属的用户类别。
[0147]
在一种可能的实施方式中，所述类别确定模块230在用于基于所述评估数值以及预设的各个用户类别对应的数值区间，确定所述目标用户所属的用户类别时，所述类别确定模块230用于：
[0148]
确定各个用户类别对应的数值区间的数值上限值以及数值下限值；
[0149]
将所述数值下限值小于所述评估数值且所述数值上限值大于所述评估数值的数值区间对应的用户类别，确定所述目标用户所属的用户类别。
[0150]
在一种可能的实施方式中，所述类别确定模块230用于通过以下步骤为所述目标用户提供对应的服务：
[0151]
根据所述目标用户所属的用户类别，确定针对于所述目标用户的服务类型以及服务资源，并按照所述服务类型以及服务资源为所述目标用户提供相应的服务。
[0152]
本技术实施例提供的目标客群中客户的分类装置，根据目标用户的交易记录中各条交易信息所属的至少一个交易类型，检测目标用户是否属于目标客群，若确定目标用户属于目标客群，获取目标用户分别在基本属性特征、消费属性特征以及与目标客群对应的目标属性特征下的多个特征；基于各个属性特征维度中各个特征的特征值，生成目标用户的属性特征矩阵，并将属性特征矩阵输入至预先训练好的客户分类模型中，得到目标用户所属的用户类别，并根据目标用户所属的用户类别为目标用户提供对应的服务。在本技术实施例中，在获取目标用户的属性特征信息时，还要有针对性地获取待分析的目标客群的目标属性特征，再结合用户的基本属性特征、消费属性特征后，生成目标用户的属性特征矩阵，将生成目标用户的属性特征矩阵输入到预先训练好的客户分类模型中，直接由客户分类模型输出目标客户所属的用户类别，在保证获取用户属性特征的全面性的同时，简化了确定用户类别的步骤，有助于提升确定目标用户所属用户分类的准确性以及效率。
[0153]
请参阅图4，图4为本技术实施例所提供的一种电子设备的结构示意图。如图4中所示，所述电子设备400包括处理器410、存储器420和总线430。
[0154]
所述存储器420存储有所述处理器410可执行的机器可读指令，当电子设备400运行时，所述处理器410与所述存储器420之间通过总线430通信，所述机器可读指令被所述处理器410执行时，可以执行如上述图1所示方法实施例中的目标客群中客户的分类方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
[0155]
本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的目标客群中客户的分类方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
[0156]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0157]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0158]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显
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单元来实现本实施例方案的目的。
[0159]
另外，在本技术各个实施例中的各功能单元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。
[0160]
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0161]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。