基于机器学习的客户关系识别方法、装置、设备及介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于机器学习的客户关系识别方法、装置、设备及介质。


背景技术：

2.在客户经营领域，如何精准获取客户相关干系组织和个人已成为拓业绩、做大客户规模的关键，尤其是在综合金融方面，通过做一个客户而最终拓展为1+n个客户的交叉销售模式更需要识别客户关系。
3.以对公客户为例，为了识别对公客户关系，目前业内常见的处理方式是通过数据分析技术进行加权运算，并最终得到客户关系评分。
4.上述处理方式存在维度单一、数据饱和度低，且无法持续学习迭代等问题，导致客户关系识别不准确，进而导致无法精准服务客户、营销成功率低等问题。


技术实现要素：

5.鉴于以上内容，有必要提供一种基于机器学习的客户关系识别方法、装置、设备及介质，旨在解决客户关系识别准确率及效率低的问题。
6.一种基于机器学习的客户关系识别方法，所述基于机器学习的客户关系识别方法包括：
7.获取目标企业的历史客户数据，并从所述历史客户数据中筛选出目标数据；
8.对所述目标数据进行处理，得到训练样本及验证样本；
9.利用所述训练样本及所述验证样本训练预设分类模型，得到识别模型；
10.响应于针对目标客户的客户关系识别指令，根据所述客户关系识别指令获取待识别数据；
11.将所述待识别数据输入至所述识别模型，并根据所述识别模型的输出数据确定所述目标客户与所述目标企业的客户关系；
12.将所述客户关系反馈至指定终端设备。
13.根据本发明优选实施例，所述从所述历史客户数据中筛选出目标数据包括：
14.对所述历史客户数据进行分类，得到每类数据；
15.将每类数据确定为节点构建随机森林；
16.确定所述历史客户数据中的每类数据在所述随机森林中每个决策树的各个节点处的节点重要度；
17.根据每类数据在每个决策树的各个节点处的节点重要度确定每类数据在各决策树中的重要度；
18.根据每类数据在每个决策树中的重要度确定每类数据在所述随机森林中的重要度；
19.将每类数据在所述随机森林中的重要度确定为每类数据的权重；
20.按照所述权重由高到低的顺序对每类数据进行排序，得到数据序列；
21.从所述数据序列中获取排在前预设位的数据作为所述目标数据。
22.根据本发明优选实施例，在对所述目标数据进行处理前，所述方法还包括：
23.确定所述目标数据的数据量；
24.当所述数据量小于预设阈值时，对所述目标数据进行特征组合，得到组合特征，其中，所述组合特征包括预设数量的不同类数据的组合；及/或
25.利用所述目标数据对梯度提升决策树进行预训练得到特征树，根据所述特征树中的叶子节点构建新增特征；
26.将所述组合特征及所述新增特征添加至所述目标数据。
27.根据本发明优选实施例，所述对所述目标数据进行处理，得到训练样本及验证样本包括：
28.从所述目标数据中识别出缺失数据，并对所述缺失数据进行填充，得到第一数据；其中，所述对所述缺失数据进行填充包括：当所述缺失数据为连续数据时，获取与所述缺失数据相邻的前后两个数据，并计算获取的数据的均值，并利用所述均值对所述缺失数据进行填充，或者当所述缺失数据为离散数据时，获取所述缺失数据对应的类型中所有数据的众数，并利用所述众数对所述缺失数据进行填充；
29.从所述第一数据中识别出异常数据，并删除所述异常数据，得到第二数据；
30.对所述第二数据进行标注，得到第三数据；
31.获取预设比例，并按照所述预设比例对所述第三数据进行拆分，得到所述训练样本及所述验证样本。
32.根据本发明优选实施例，在得到所述识别模型后，所述方法还包括：
33.检测所述识别模型是否达到更新条件，包括：实时检测对所述识别模型的评价数据，当所述评价数据显示所述识别模型的准确度待提升时，确定达到所述更新条件；及/或获取新增客户数据，当所述新增客户数据达到配置数量时，确定达到所述更新条件；及/或当达到预设时间间隔时，确定达到所述更新条件；
34.当检测到所述识别模型达到所述更新条件时，利用所述新增客户数据对所述识别模型进行增量训练。
35.根据本发明优选实施例，所述根据所述客户关系识别指令获取待识别数据包括：
36.根据所述客户关系识别指令确定所述目标客户的客户信息；
37.连接至配置数据库，根据所述客户信息在所述配置数据库中进行查询；
38.将查询到的数据确定为所述待识别数据。
39.根据本发明优选实施例，在将所述客户关系反馈至指定终端设备时，所述方法还包括：
40.根据所述客户关系生成对所述目标客户的产品推荐策略及客户维护策略；
41.将所述产品推荐策略及所述客户维护策略同步反馈至所述指定终端设备。
42.一种基于机器学习的客户关系识别装置，所述基于机器学习的客户关系识别装置包括：
43.筛选单元，用于获取目标企业的历史客户数据，并从所述历史客户数据中筛选出目标数据；
computing)的由大量主机或网络服务器构成的云。
62.所述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。
63.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。
64.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。
65.所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(virtual private network，vpn)等。
66.s10，获取目标企业的历史客户数据，并从所述历史客户数据中筛选出目标数据。
67.其中，历史客户可以包括对公客户及其他客户，尤其在对公客户经营领域，如何精准获取客户相关干系组织和个人已成为拓业绩、做大客户规模的关键。
68.在本实施例中，所述历史客户数据可以包括对外数据及对内数据。
69.其中，所述对外数据可以包括，但不限于：客户公开的工商登记、股权关系、对外投资、财务、舆情、融资等外部数据。
70.其中，所述对内数据可以包括，但不限于：客户既往历史合作明细数据、拜访记录、战略合作清单等。
71.可以理解的是，所述历史客户数据中并非所有数据都是与客户关系相关的，因此，还需要从所述历史客户数据中筛选出目标数据。
72.在本发明的至少一个实施例中，所述从所述历史客户数据中筛选出目标数据包括：
73.对所述历史客户数据进行分类，得到每类数据；
74.将每类数据确定为节点构建随机森林；
75.确定所述历史客户数据中的每类数据在所述随机森林中每个决策树的各个节点处的节点重要度；
76.根据每类数据在每个决策树的各个节点处的节点重要度确定每类数据在各决策树中的重要度；
77.根据每类数据在每个决策树中的重要度确定每类数据在所述随机森林中的重要度；
78.将每类数据在所述随机森林中的重要度确定为每类数据的权重；
79.按照所述权重由高到低的顺序对每类数据进行排序，得到数据序列；
80.从所述数据序列中获取排在前预设位的数据作为所述目标数据。
81.其中，所述前预设位可以进行自定义配置，如前10位。
82.当然，在其他实施例中，也可以采用其他方式进行目标数据的筛选，例如，可以根据客户的历史营销数据提取所述目标数据作为有效特征。
83.通过从历史客户数据中筛选出目标数据，能够避免大量无效且冗余的数据对后续的模型训练产生干扰，同时提升了模型训练的效率。
84.s11，对所述目标数据进行处理，得到训练样本及验证样本。
85.为了保证模型训练的效果，需要采用充足的数据用于训练，因此，当目标数据的数据量不足时，需要对目标数据进行扩展。
86.在本发明的至少一个实施例中，在对所述目标数据进行处理前，所述方法还包括：
87.确定所述目标数据的数据量；
88.当所述数据量小于预设阈值时，对所述目标数据进行特征组合，得到组合特征，其中，所述组合特征包括预设数量的不同类数据的组合；及/或
89.利用所述目标数据对梯度提升决策树进行预训练得到特征树，根据所述特征树中的叶子节点构建新增特征；
90.将所述组合特征及所述新增特征添加至所述目标数据。
91.例如：可以将所述目标数据中不同类型的数据进行两两组合。
92.通过对数据进行扩展，能够避免由于数据量不够充足影响模型的训练效果。
93.在筛选出目标数据后，为了进一步使所述目标数据适用于模型训练，还需要对所述目标数据进行优化。
94.在本发明的至少一个实施例中，所述对所述目标数据进行处理，得到训练样本及验证样本包括：
95.从所述目标数据中识别出缺失数据，并对所述缺失数据进行填充，得到第一数据；其中，所述对所述缺失数据进行填充包括：当所述缺失数据为连续数据时，获取与所述缺失数据相邻的前后两个数据，并计算获取的数据的均值，并利用所述均值对所述缺失数据进行填充，或者当所述缺失数据为离散数据时，获取所述缺失数据对应的类型中所有数据的众数，并利用所述众数对所述缺失数据进行填充；
96.从所述第一数据中识别出异常数据，并删除所述异常数据，得到第二数据；
97.对所述第二数据进行标注，得到第三数据；
98.获取预设比例，并按照所述预设比例对所述第三数据进行拆分，得到所述训练样本及所述验证样本。
99.其中，所述预设比例可以配置为7：3。
100.其中，标注后得到的所述第三数据能够反映出客户关系的强弱，例如：可以根据客户关系的强弱将数据标注为“强、中、弱”几种类型。
101.当所述目标数据中存在时序数据时，还可以根据时间顺序对所述时序数据进行提取。
102.在上述实施例中，通过对目标数据进行处理，能够进一步优化数据，提升模型训练的效果。
103.s12，利用所述训练样本及所述验证样本训练预设分类模型，得到识别模型。
104.其中，所述预设分类模型可以包括任意具有分类作用的分类模型，如gbdt(gradient boosting decision tree，梯度提升决策树)。
105.具体地，本实施例可以以标注的类型作为训练目标，并利用所述训练样本训练所述预设分类模型，同时利用所述验证样本验证训练的模型的准确度，直至达到目标准确度
时，停止训练，并将当前训练得到的模型确定为所述识别模型。
106.为了保证训练得到的所述识别模型的可用性，还需要对所述识别模型进行更新。
107.在本发明的至少一个实施例中，在得到所述识别模型后，所述方法还包括：
108.检测所述识别模型是否达到更新条件，包括：实时检测对所述识别模型的评价数据，当所述评价数据显示所述识别模型的准确度待提升时，确定达到所述更新条件；及/或获取新增客户数据，当所述新增客户数据达到配置数量时，确定达到所述更新条件；及/或当达到预设时间间隔时，确定达到所述更新条件；
109.当检测到所述识别模型达到所述更新条件时，利用所述新增客户数据对所述识别模型进行增量训练。
110.例如：当所述评价数据为“准确率太低”、“预测的不准”等，且表征预测不准确的评价的数量达到一定数值时，即可说明所述识别模型需要更新。当新增客户数据达到了一定数量时，为了使所述识别模型能够适用于新增客户数据，也需要对所述识别模型进行更新。当达到了配置的预设时间间隔时，说明所述识别模型已经使用了一定时间，为了使所述识别模型的实用性更强，也可以对所述识别模型进行定期更新。
111.通过上述实施方式，能够对所述识别模型进行持续学习与迭代，以保证模型识别的准确率。
112.s13，响应于针对目标客户的客户关系识别指令，根据所述客户关系识别指令获取待识别数据。
113.其中，所述目标客户可以包括对公客户，也可以包括其他客户，本发明不限制。
114.在本发明的至少一个实施例中，所述根据所述客户关系识别指令获取待识别数据包括：
115.根据所述客户关系识别指令确定所述目标客户的客户信息；
116.连接至配置数据库，根据所述客户信息在所述配置数据库中进行查询；
117.将查询到的数据确定为所述待识别数据。
118.其中，所述配置数据库用于存储任意客户的数据。
119.所述配置数据库可以是本地数据库，也可以是云数据库，本发明不限制。
120.s14，将所述待识别数据输入至所述识别模型，并根据所述识别模型的输出数据确定所述目标客户与所述目标企业的客户关系。
121.例如：当根据所述输出数据确定所述目标客户与所述目标企业的客户关系为强时，说明所述目标客户与所述目标企业具有较高的合作前景，因此，可以对所述目标客户进行重点维护与产品的推荐，以实现对客户更好的服务。
122.s15，将所述客户关系反馈至指定终端设备。
123.其中，所述指定终端设备可以为营销人员的终端设备等。
124.在本发明的至少一个实施例中，在将所述客户关系反馈至指定终端设备时，所述方法还包括：
125.根据所述客户关系生成对所述目标客户的产品推荐策略及客户维护策略；
126.将所述产品推荐策略及所述客户维护策略同步反馈至所述指定终端设备。
127.通过上述实施例，能够自动生成产品推荐策略及客户维护策略，以辅助营销人员进行更加有针对性的营销，提升营销的成功率。
128.需要说明的是，为了进一步提高数据的安全性，避免数据被恶意篡改，所述识别模型可存储于区块链节点中。
129.由以上技术方案可以看出，本发明能够获取目标企业的历史客户数据，并从所述历史客户数据中筛选出目标数据，避免大量无效且冗余的数据对后续的模型训练产生干扰，同时提升了模型训练的效率，对所述目标数据进行处理，得到训练样本及验证样本，进一步优化数据，提升模型训练的效果，利用所述训练样本及所述验证样本训练预设分类模型，得到识别模型，响应于针对目标客户的客户关系识别指令，根据所述客户关系识别指令获取待识别数据，将所述待识别数据输入至所述识别模型，并根据所述识别模型的输出数据确定所述目标客户与所述目标企业的客户关系，将所述客户关系反馈至指定终端设备，基于机器学习训练的模型辅助进行客户关系的识别，提升了识别的准确率及识别效率。
130.如图2所示，是本发明基于机器学习的客户关系识别装置的较佳实施例的功能模块图。所述基于机器学习的客户关系识别装置11包括筛选单元110、处理单元111、训练单元112、获取单元113、确定单元114、反馈单元115。本发明所称的模块/单元是指一种能够被处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
131.筛选单元110获取目标企业的历史客户数据，并从所述历史客户数据中筛选出目标数据。
132.其中，历史客户可以包括对公客户及其他客户，尤其在对公客户经营领域，如何精准获取客户相关干系组织和个人已成为拓业绩、做大客户规模的关键。
133.在本实施例中，所述历史客户数据可以包括对外数据及对内数据。
134.其中，所述对外数据可以包括，但不限于：客户公开的工商登记、股权关系、对外投资、财务、舆情、融资等外部数据。
135.其中，所述对内数据可以包括，但不限于：客户既往历史合作明细数据、拜访记录、战略合作清单等。
136.可以理解的是，所述历史客户数据中并非所有数据都是与客户关系相关的，因此，还需要从所述历史客户数据中筛选出目标数据。
137.在本发明的至少一个实施例中，所述筛选单元110从所述历史客户数据中筛选出目标数据包括：
138.对所述历史客户数据进行分类，得到每类数据；
139.将每类数据确定为节点构建随机森林；
140.确定所述历史客户数据中的每类数据在所述随机森林中每个决策树的各个节点处的节点重要度；
141.根据每类数据在每个决策树的各个节点处的节点重要度确定每类数据在各决策树中的重要度；
142.根据每类数据在每个决策树中的重要度确定每类数据在所述随机森林中的重要度；
143.将每类数据在所述随机森林中的重要度确定为每类数据的权重；
144.按照所述权重由高到低的顺序对每类数据进行排序，得到数据序列；
145.从所述数据序列中获取排在前预设位的数据作为所述目标数据。
146.其中，所述前预设位可以进行自定义配置，如前10位。
147.当然，在其他实施例中，也可以采用其他方式进行目标数据的筛选，例如，可以根据客户的历史营销数据提取所述目标数据作为有效特征。
148.通过从历史客户数据中筛选出目标数据，能够避免大量无效且冗余的数据对后续的模型训练产生干扰，同时提升了模型训练的效率。
149.处理单元111对所述目标数据进行处理，得到训练样本及验证样本。
150.为了保证模型训练的效果，需要采用充足的数据用于训练，因此，当目标数据的数据量不足时，需要对目标数据进行扩展。
151.在本发明的至少一个实施例中，在对所述目标数据进行处理前，确定所述目标数据的数据量；
152.当所述数据量小于预设阈值时，对所述目标数据进行特征组合，得到组合特征，其中，所述组合特征包括预设数量的不同类数据的组合；及/或
153.利用所述目标数据对梯度提升决策树进行预训练得到特征树，根据所述特征树中的叶子节点构建新增特征；
154.将所述组合特征及所述新增特征添加至所述目标数据。
155.例如：可以将所述目标数据中不同类型的数据进行两两组合。
156.通过对数据进行扩展，能够避免由于数据量不够充足影响模型的训练效果。
157.在筛选出目标数据后，为了进一步使所述目标数据适用于模型训练，还需要对所述目标数据进行优化。
158.在本发明的至少一个实施例中，所述处理单元111对所述目标数据进行处理，得到训练样本及验证样本包括：
159.从所述目标数据中识别出缺失数据，并对所述缺失数据进行填充，得到第一数据；其中，所述对所述缺失数据进行填充包括：当所述缺失数据为连续数据时，获取与所述缺失数据相邻的前后两个数据，并计算获取的数据的均值，并利用所述均值对所述缺失数据进行填充，或者当所述缺失数据为离散数据时，获取所述缺失数据对应的类型中所有数据的众数，并利用所述众数对所述缺失数据进行填充；
160.从所述第一数据中识别出异常数据，并删除所述异常数据，得到第二数据；
161.对所述第二数据进行标注，得到第三数据；
162.获取预设比例，并按照所述预设比例对所述第三数据进行拆分，得到所述训练样本及所述验证样本。
163.其中，所述预设比例可以配置为7：3。
164.其中，标注后得到的所述第三数据能够反映出客户关系的强弱，例如：可以根据客户关系的强弱将数据标注为“强、中、弱”几种类型。
165.当所述目标数据中存在时序数据时，还可以根据时间顺序对所述时序数据进行提取。
166.在上述实施例中，通过对目标数据进行处理，能够进一步优化数据，提升模型训练的效果。
167.训练单元112利用所述训练样本及所述验证样本训练预设分类模型，得到识别模型。
168.其中，所述预设分类模型可以包括任意具有分类作用的分类模型，如gbdt(gradient boosting decision tree，梯度提升决策树)。
169.具体地，本实施例可以以标注的类型作为训练目标，并利用所述训练样本训练所述预设分类模型，同时利用所述验证样本验证训练的模型的准确度，直至达到目标准确度时，停止训练，并将当前训练得到的模型确定为所述识别模型。
170.为了保证训练得到的所述识别模型的可用性，还需要对所述识别模型进行更新。
171.在本发明的至少一个实施例中，在得到所述识别模型后，检测所述识别模型是否达到更新条件，包括：实时检测对所述识别模型的评价数据，当所述评价数据显示所述识别模型的准确度待提升时，确定达到所述更新条件；及/或获取新增客户数据，当所述新增客户数据达到配置数量时，确定达到所述更新条件；及/或当达到预设时间间隔时，确定达到所述更新条件；
172.当检测到所述识别模型达到所述更新条件时，利用所述新增客户数据对所述识别模型进行增量训练。
173.例如：当所述评价数据为“准确率太低”、“预测的不准”等，且表征预测不准确的评价的数量达到一定数值时，即可说明所述识别模型需要更新。当新增客户数据达到了一定数量时，为了使所述识别模型能够适用于新增客户数据，也需要对所述识别模型进行更新。当达到了配置的预设时间间隔时，说明所述识别模型已经使用了一定时间，为了使所述识别模型的实用性更强，也可以对所述识别模型进行定期更新。
174.通过上述实施方式，能够对所述识别模型进行持续学习与迭代，以保证模型识别的准确率。
175.响应于针对目标客户的客户关系识别指令，获取单元113根据所述客户关系识别指令获取待识别数据。
176.其中，所述目标客户可以包括对公客户，也可以包括其他客户，本发明不限制。
177.在本发明的至少一个实施例中，所述获取单元113根据所述客户关系识别指令获取待识别数据包括：
178.根据所述客户关系识别指令确定所述目标客户的客户信息；
179.连接至配置数据库，根据所述客户信息在所述配置数据库中进行查询；
180.将查询到的数据确定为所述待识别数据。
181.其中，所述配置数据库用于存储任意客户的数据。
182.所述配置数据库可以是本地数据库，也可以是云数据库，本发明不限制。
183.确定单元114将所述待识别数据输入至所述识别模型，并根据所述识别模型的输出数据确定所述目标客户与所述目标企业的客户关系。
184.例如：当根据所述输出数据确定所述目标客户与所述目标企业的客户关系为强时，说明所述目标客户与所述目标企业具有较高的合作前景，因此，可以对所述目标客户进行重点维护与产品的推荐，以实现对客户更好的服务。
185.反馈单元115将所述客户关系反馈至指定终端设备。
186.其中，所述指定终端设备可以为营销人员的终端设备等。
187.在本发明的至少一个实施例中，在将所述客户关系反馈至指定终端设备时，根据所述客户关系生成对所述目标客户的产品推荐策略及客户维护策略；
188.将所述产品推荐策略及所述客户维护策略同步反馈至所述指定终端设备。
189.通过上述实施例，能够自动生成产品推荐策略及客户维护策略，以辅助营销人员进行更加有针对性的营销，提升营销的成功率。
190.需要说明的是，为了进一步提高数据的安全性，避免数据被恶意篡改，所述识别模型可存储于区块链节点中。
191.由以上技术方案可以看出，本发明能够获取目标企业的历史客户数据，并从所述历史客户数据中筛选出目标数据，避免大量无效且冗余的数据对后续的模型训练产生干扰，同时提升了模型训练的效率，对所述目标数据进行处理，得到训练样本及验证样本，进一步优化数据，提升模型训练的效果，利用所述训练样本及所述验证样本训练预设分类模型，得到识别模型，响应于针对目标客户的客户关系识别指令，根据所述客户关系识别指令获取待识别数据，将所述待识别数据输入至所述识别模型，并根据所述识别模型的输出数据确定所述目标客户与所述目标企业的客户关系，将所述客户关系反馈至指定终端设备，基于机器学习训练的模型辅助进行客户关系的识别，提升了识别的准确率及识别效率。
192.如图3所示，是本发明实现基于机器学习的客户关系识别方法的较佳实施例的计算机设备的结构示意图。
193.所述计算机设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如基于机器学习的客户关系识别程序。
194.本领域技术人员可以理解，所述示意图仅仅是计算机设备1的示例，并不构成对计算机设备1的限定，所述计算机设备1既可以是总线型结构，也可以是星形结构，所述计算机设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述计算机设备1还可以包括输入输出设备、网络接入设备等。
195.需要说明的是，所述计算机设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
196.其中，存储器12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。存储器12在一些实施例中可以是计算机设备1的内部存储单元，例如该计算机设备1的移动硬盘。存储器12在另一些实施例中也可以是计算机设备1的外部存储设备，例如计算机设备1上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，存储器12还可以既包括计算机设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于计算机设备1的应用软件及各类数据，例如基于机器学习的客户关系识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
197.处理器13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。处理器13是所述计算机设备1的控制核心(control unit)，利用各种接口和线路连接整个计算机设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行基于机器学习的客户关系识别程序等)，以及调用存储在所述存储
器12内的数据，以执行计算机设备1的各种功能和处理数据。
198.所述处理器13执行所述计算机设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个基于机器学习的客户关系识别方法实施例中的步骤，例如图1所示的步骤。
199.示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在所述计算机设备1中的执行过程。例如，所述计算机程序可以被分割成筛选单元110、处理单元111、训练单元112、获取单元113、确定单元114、反馈单元115。
200.上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述基于机器学习的客户关系识别方法的部分。
201.所述计算机设备1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。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
202.其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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)、随机存取存储器等。
203.进一步地，计算机可读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。
204.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。
205.总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，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。为便于表示，在图3中仅用一根直线表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
206.尽管未示出，所述计算机设备1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13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、电源故障检测电路、电源转换器或者逆变器、电源状态指示器
等任意组件。所述计算机设备1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。
207.进一步地，所述计算机设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该计算机设备1与其他计算机设备之间建立通信连接。
208.可选地，该计算机设备1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，用于显示在计算机设备1中处理的信息以及用于显示可视化的用户界面。
209.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。
210.图3仅示出了具有组件12-13的计算机设备1，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计算机设备1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。
211.结合图1，所述计算机设备1中的所述存储器12存储多个指令以实现一种基于机器学习的客户关系识别方法，所述处理器13可执行所述多个指令从而实现：
212.获取目标企业的历史客户数据，并从所述历史客户数据中筛选出目标数据；
213.对所述目标数据进行处理，得到训练样本及验证样本；
214.利用所述训练样本及所述验证样本训练预设分类模型，得到识别模型；
215.响应于针对目标客户的客户关系识别指令，根据所述客户关系识别指令获取待识别数据；
216.将所述待识别数据输入至所述识别模型，并根据所述识别模型的输出数据确定所述目标客户与所述目标企业的客户关系；
217.将所述客户关系反馈至指定终端设备。
218.具体地，所述处理器13对上述指令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。
219.需要说明的是，本案中所涉及到的数据均为合法取得。
220.在本发明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。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。
221.本发明可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
222.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。
223.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。
224.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。
225.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。
226.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。本发明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。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
227.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。