[发明专利]利用大数据进行深度学习以提供增值服务的方法、系统

说明书

本发明公开了一种利用大数据进行深度学习以帮助核心客户提供增值服务的方法、系统及存储介质，首先对收集的用户信息进行去隐私及归一化预处理，得到多个信息向量作为深度神经网络DBN的核心特征，并通过DBN网络挖掘其它特征向量，结合无监督和有监督的训练学习，得到用户价值指数模型。最后以用户价值指数模型来完成核心用户的判断和为其提供有针对性的增值服务。

技术领域

本发明涉及大数据、深度学习技术领域，尤其是指一种利用大数据进行深度学习以提供增值服务的方法及系统。

背景技术

随着经济全球化时代的进一步扩大，越来越多的行业产品同质化速度加快，市场竞争日益加剧，企业之间的竞争不仅仅是能源人才技术的竞争，客户资源的竞争也从来没有停止过，任何一家企业都希望本企业的客户是忠诚的，这样就可以给企业带来更高的利润。然而往往事与愿违，许多客户面对众多的商家和产品，往往表现得极不忠诚且客户需求多样化和个性化的特点也日渐明显，因此对于企业来说如何识别客户，从而针对不同的客户开展差异化的营销策略，提高客户管理水平，大大提高企业客户的忠诚度，势必对企业的发展大有益处。

对于如何识别客户群，国内国外的一些研究者都做出了相应的理论研究。基本可以分为两个方面，一是客户价值识别(即识别有价值客户，也称为客户计分；主要采用统计、预测、模型计算等方法计算客户的某些指标，以判断客户的重要性、价值等来识别客户。最常见的是客户生命周期价值模型)，二是客户行为分析(根据客户历史行为数据，预测客户的行为类别或客户行为发生的可能性、盈利性等，对客户做一些业务推荐。主要采用数据挖掘的方法)。基于客户统计学特征(年龄，性别，收入，职业，地区等)的客户识别方法已为大家所熟悉，客户统计识别方法虽然简单易行，但缺乏有效性，难以反映客户需求客户价值和客户关系阶段，难以指导企业如何去吸引客户保持客户，难以适应核心客户关系管理的需要。

目前已经进入了大数据时代，传统的统计预测模型已经难以适应新的社会需求，亟待更好的工具出现以解决核心客户的业务增值服务，对于提高企业利润，提高用户粘度都有着重要意义。

2006年，Hinton等人提出深度学习(Deep learning，DL)的概念。在此之后得到了广泛的关注，并成功应用于计算机视觉、语音识别、自然语言处理等领域。深度学习通过组合低层特征形成更加抽象的高层表示，以发现数据的分布式特征表示。它解决了之前深层网络中非凸目标代价函数中普遍存在的局部最优值问题。三个技术造就了深度学习方法的成功，分别是大量的隐节点，更好的学习算法和更好的参数初始化技术。另外，深度结构非常适合于迁移学习，它能够提取高级抽象的特征，而一些这样的特征对于许多领域都适用。本发明创造性的利用深度学习算法对企业客户进行大数据分析，为核心客户按需提供增值服务，增强了用户体验，扩大了企业利润，提高了企业用户粘度，使得企业在同质竞争中取得优势。

发明内容

本发明的目的在于克服现有技术的不足与缺陷，提供一种利用大数据进行深度学习以提供增值服务的方法及系统。对不同客户群进行推荐不同增值服务或定制适合该客户群的业务，为企业利润最大化带来重要的指导作用。

为实现上述目的，本发明所提供的技术方案为：

一种利用大数据进行深度学习以提供增值服务的方法，包括以下步骤：

1)对收集到的用户信息进行预处理，所述预处理包括对用户信息进行去隐私和归一化操作处理，所述用户信息包括用户的购买的产品或服务种类及其对应价格，下单时间、地点等，形成信息向量，包括聚类得到时间偏好向量中心集，分类时利用该向量中心集；对具体上网地点转换为统一地点，计算地点根集合中客户地点驻留值向量，聚类得到客户地点偏好向量中心集，以对客户进行地点偏好分类；计算客户对各业务的兴趣度向量，聚类得到客户地点偏好向量中心集，以对客户进行兴趣爱好分类，对终端设备转换为价格以反映客户消费水平，利用客户产生的时间偏好向量、地点偏好向量、兴趣度向量、消费水平进行聚类。