一种基于AI继承模型的客户关系挖掘系统、方法及介质与流程

本发明涉及数据挖掘，尤其涉及一种基于ai继承模型的客户关系挖掘系统、方法及介质。

背景技术：

1、随着市场竞争的加剧，企业越来越重视客户关系的建立和维护，而随着大数据技术的兴起，企业能够收集和存储大量的客户数据，这些客户数据包括交易记录、社交媒体活动、客户反馈等，为了提高企业的存量市场收益，需要对客户数据进行客户关系挖掘，进而维护客户关系。

2、现有的客户关系挖掘方法多为基于固定模型的客户关系挖掘方法，即利用固定输入输出的神经网络模型提取出客户数据中的特征，并根据特征进行客户关系的分类和预测，实际应用中，基于固定模型的客户关系挖掘方法输入模型的特征类别是根据项目需求预先设定的，在针对不同项目的客户关系挖掘时需要重新构建，可能造成挖掘效率较低，且基于固定模型的客户关系挖掘可能会产生大量的无意义关系，需要人工根据专业领域知识进行筛选，增加了人工成本，进而导致进行客户关系挖掘时的效率较低。

技术实现思路

1、本发明提供一种基于ai继承模型的客户关系挖掘系统、方法及介质，其主要目的在于解决进行客户关系挖掘时的效率较低的问题。

2、为实现上述目的，本发明提供的一种基于ai继承模型的客户关系挖掘方法，包括：

3、构建客户基类继承模型，利用预设的椭圆检测法将预先获取的历史客户数据分类清洗成标准客户数据集，利用所述标准客户数据集为所述基类继承模型添加子类继承，得到客户继承模型；

4、利用预设的频率相似度算法以及所述客户继承模型从所述标准客户数据集中分别提取出客户社交特征集、客户行为特征集以及客户个人特征集，其中，所述利用预设的频率相似度算法以及所述客户继承模型从所述标准客户数据集中分别提取出客户社交特征集、客户行为特征集以及客户个人特征集，包括：从所述客户继承模型中提取出属性子类组，根据所述属性子类组从所述标准客户数据集中提取出子类特征集组；对所述子类特征集组中的各个子类特征进行频率提取，得到子类频率集组；利用如下的频率相似度算法计算出所述子类特征集组对应的相似度矩阵：

5、

6、其中，si,j是指所述相似度矩阵中第i行第j列的相似度，i、j是序号索引，q是维度序号，q是所述子类特征集组中各个子类特征的特征总维度，ρi是所述子类频率集组中第i个子类频率，ρj是所述子类频率集组中第j个子类频率，×是叉乘符号，*是点乘符号，是指所述子类特征集组中的第i个子类特征的第q维特征向量，是指所述子类特征集组中的第j个子类特征的第q维特征向量；根据所述相似度矩阵对所述子类特征集组中的各个子类特征进行特征聚类，得到客户特征类组；根据所述客户特征类组的聚类中心将所述子类特征集组划分成客户社交特征集、客户行为特征集以及客户个人特征集；

7、根据所述客户社交特征集和所述客户行为特征集生成忠诚度特征集，对所述忠诚度特征集进行分裂决策，得到流失客户集；

8、对所述客户社交特征集、所述客户行为特征集以及所述客户个人特征集进行置信度关联操作，得到关联特征规则；

9、从所述关联特征规则中匹配出所述忠诚度特征集对应的流失影响特征，根据所述流失影响特征和所述流失客户集生成流失客户关系。

10、可选地，所述利用预设的椭圆检测法将预先获取的历史客户数据分类清洗成标准客户数据集，包括：

11、将预先获取的历史客户数据按照预设的客户名拆分成初级客户数据集，从所述初级客户数据集中筛除重复客户数据，得到次级客户数据集；

12、将所述次级客户数据集按照预设的数据类型拆分成客户类型数据组集，将所述客户类型数据组集向量化成客户类型特征组集；

13、逐个选取所述客户类型特征组集中的客户类型特征组作为目标类型特征组，对所述目标类型特征组中的各个目标类型特征进行特征标准化操作，得到目标标准类型特征组；

14、利用预设的椭圆检测法从所述目标标准类型特征组中检测出目标离群类型特征以及所述目标离群类型特征对应的离群分数；

15、根据所述离群分数对所述目标标准类型特征组中的所述目标离群类型特征进行离群点修复，得到目标修复类型特征组；

16、将所有的目标修复类型特征组汇集成修复类型特征组集，将所述修复类型特征组集映射成标准客户数据集。

17、可选地，所述利用预设的椭圆检测法从所述目标标准类型特征组中检测出目标离群类型特征以及所述目标离群类型特征对应的离群分数，包括：

18、逐个选取所述目标标准类型特征组中的标准类型特征作为目标标准类型特征，利用如下的椭圆轮廓距离算法计算出所述目标标准类型特征在所述目标标准类型特征组中的目标椭圆轮廓距离：

19、

20、其中，m是指所述目标椭圆轮廓距离，x是指所述目标标准类型特征，n是所述目标标准类型特征组的特征总数，n是特征索引，xn是指所述目标标准类型特征组中的第n个标准类型特征，t是转置符号，cov()是协方差函数符号；

21、判断所述目标椭圆轮廓距离是否大于预设的轮廓距离阈值；

22、若否，则返回所述逐个选取所述目标标准类型特征组中的标准类型特征作为目标标准类型特征的步骤；

23、若是，则将所述目标标准类型特征作为目标离群类型特征，将所述目标椭圆轮廓距离与所述轮廓距离阈值的比值作为所述目标离群类型特征对应的离群分数。

24、可选地，所述根据所述离群分数对所述目标标准类型特征组中的所述目标离群类型特征进行离群点修复，得到目标修复类型特征组，包括：

25、从所述目标标准类型特征组中筛除所述目标离群类型特征，得到目标除噪标准类型特征组；

26、计算出所述目标除噪标准类型特征组对应的均值类型特征；

27、对所述离群分数进行归一化操作，得到标准离群系数；

28、将所述标准离群系数加上预设的基准系数，得到标准修复系数；

29、将所述标注修复系数乘以所述均值类型特征，得到修复类型特征；

30、利用所述修复类型特征对所述目标标准类型特征组中的所述目标离群类型特征进行替换修复，得到目标修复类型特征组。

31、可选地，所述利用所述标准客户数据集为所述基类继承模型添加子类继承，得到客户继承模型，包括：

32、对所述标准客户数据集进行属性项匹配，得到客户属性组；

33、根据所述客户属性组将所述标准客户数据集拆分成属性数据集组；

34、将所述属性数据集组向量化成属性特征集组；

35、对所述属性特征集组进行方差阈值筛选，得到子类特征集组；

36、从所述子类特征集组中提取出属性子类组，利用所述属性子类组对所述基类继承模型进行子类继承，得到客户继承模型。

37、可选地，所述根据所述客户社交特征集和所述客户行为特征集生成忠诚度特征集，包括：

38、将所述客户社交特征集和所述客户行为特征集汇集成客户忠诚特征集；

39、利用如下的特征均值降维算法计算出所述客户忠诚特征集对应的降维忠诚特征矩阵：

40、

41、其中，c是指所述降维忠诚特征矩阵，f是指所述客户忠诚特征集的总特征个数，f、s是指所述客户忠诚特征集的特征序号，df是指所述测试特征集中第t个特征，ds是指所述测试特征集中第s个特征；

42、对所述降维忠诚特征矩阵进行主成分分析，得到忠诚特征主成分；

43、将所述客户忠诚特征集与所述忠诚特征主成分相乘，得到忠诚度特征集。

44、可选地，所述对所述忠诚度特征集进行分裂决策，得到流失客户集，包括：

45、逐个选取所述忠诚度特征集中的忠诚度特征作为目标忠诚度特征，对所述目标忠诚度特征进行决策树遍历，得到分裂路径；

46、从所述分裂路径中提取出分裂节点序列，按照所述分裂节点序列进行迭代决策，得到流失预测值组；

47、对所述流失预测值组进行加权平均，得到流失值，将所有的流失值汇集成流失值组；

48、从所述流失值组中筛选出大于预设的流失阈值的流失值汇集成决策流失值组，利用所述标准客户数据对所述决策流失值组进行客户映射，得到流失客户集。

49、可选地，所述对所述客户社交特征集、所述客户行为特征集以及所述客户个人特征集进行置信度关联操作，得到关联特征规则，包括：

50、根据所述客户社交特征集、所述客户行为特征集以及所述客户个人特征集生成客户关联特征项集；

51、逐个选取所述客户关联特征项集中的客户关联特征项作为目标关联特征项，利用如下的特征关联度算法计算出所述目标关联特征项对应的特征关联度：

52、

53、其中，e是指所述特征关联度，g是指所述目标关联特征项中的特征客户社交特征的总数，且所述目标关联特征项中的特征客户社交特征的总数、所述目标关联特征项中的特征客户个人特征的总数以及所述目标关联特征项中的特征客户行为特征的总数均相等，θ是预设的关联度对抗系数，g是指特征序号，ag是指所述目标关联特征项中的第g个客户个人特征，bg是指所述目标关联特征项中的第g个客户社交特征，cg是指所述目标关联特征项中的第g个客户行为特征，是指所述目标关联特征项中客户个人特征的均值特征，是指所述目标关联特征项中的客户社交特征的均值特征，是指所述目标关联特征项中的客户行为特征的均值特征；

54、将所述特征关联度大于预设的关联阈值时的目标关联特征项汇集成关联特征规则。

55、为了解决上述问题，本发明还提供一种基于ai继承模型的客户关系挖掘系统，所述系统包括：

56、模型继承模块，用于构建客户基类继承模型，利用预设的椭圆检测法将预先获取的历史客户数据分类清洗成标准客户数据集，利用所述标准客户数据集为所述基类继承模型添加子类继承，得到客户继承模型；

57、特征提取模块，用于利用预设的频率相似度算法以及所述客户继承模型从所述标准客户数据集中分别提取出客户社交特征集、客户行为特征集以及客户个人特征集，其中，所述利用预设的频率相似度算法以及所述客户继承模型从所述标准客户数据集中分别提取出客户社交特征集、客户行为特征集以及客户个人特征集，包括：从所述客户继承模型中提取出属性子类组，根据所述属性子类组从所述标准客户数据集中提取出子类特征集组；对所述子类特征集组中的各个子类特征进行频率提取，得到子类频率集组；利用如下的频率相似度算法计算出所述子类特征集组对应的相似度矩阵：

58、

59、其中，si,j是指所述相似度矩阵中第i行第j列的相似度，i、j是序号索引，q是维度序号，q是所述子类特征集组中各个子类特征的特征总维度，ρi是所述子类频率集组中第i个子类频率，ρj是所述子类频率集组中第j个子类频率，×是叉乘符号，*是点乘符号，是指所述子类特征集组中的第i个子类特征的第q维特征向量，是指所述子类特征集组中的第j个子类特征的第q维特征向量；根据所述相似度矩阵对所述子类特征集组中的各个子类特征进行特征聚类，得到客户特征类组；根据所述客户特征类组的聚类中心将所述子类特征集组划分成客户社交特征集、客户行为特征集以及客户个人特征集；

60、分裂决策模块，用于根据所述客户社交特征集和所述客户行为特征集生成忠诚度特征集，对所述忠诚度特征集进行分裂决策，得到流失客户集；

61、特征关联模块，用于对所述客户社交特征集、所述客户行为特征集以及所述客户个人特征集进行置信度关联操作，得到关联特征规则；

62、关系挖掘模块，用于从所述关联特征规则中匹配出所述忠诚度特征集对应的流失影响特征，根据所述流失影响特征和所述流失客户集生成流失客户关系。

63、为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于ai继承模型的客户关系挖掘方法。

64、本发明通过利用预设的椭圆检测法将预先获取的历史客户数据分类清洗成标准客户数据集，可以筛除数据集中的离群值，并针对性的进行修复，从而提高挖掘出的客户关系的精确度，通过构建客户基类继承模型，利用所述标准客户数据集为所述基类继承模型添加子类继承，可以方便根据不同的数据集灵活继承子类，从而满足不同客户关系挖掘项目的需求，提高客户关系挖掘的灵活性，通过利用预设的频率相似度算法以及所述客户继承模型从所述标准客户数据集中分别提取出客户社交特征集、客户行为特征集以及客户个人特征集，可以减少人工对特征进行识别标注的步骤，实现初步的特征分类挖掘，提高客户关系挖掘的效率，通过根据所述客户社交特征集和所述客户行为特征集生成忠诚度特征集，可以从客户社交特征集和客户行为特征集中提取出与客户流失相关的特征，提高后续流失客户预测的准确性，通过对所述忠诚度特征集进行分裂决策，得到流失客户集，可以利用机器学习方法实现对客户流失行为的预测，从而方便后续分析与客户流失相关的客户关系。

65、通过对所述客户社交特征集、所述客户行为特征集以及所述客户个人特征集进行置信度关联操作，得到关联特征规则，可以确定出所述客户个人特征集对应的每项客户个人特征与所述客户社交特征集中的每项客户社交特征以及所述客户行为特征集中的每项客户行为特征之间的关联置信度，从而提高特征关联度分析的准确性，通过根据所述流失影响特征和所述流失客户集生成流失客户关系，可以确定出每个可能流失的客户对应的流失因素，从而方便针对性的为每个流失客户制定方案，减少客户流失，提高客户关系挖掘的灵活性和效率。因此本发明提出的基于ai继承模型的客户关系挖掘系统、方法及介质，可以解决进行客户关系挖掘时的效率较低的问题。