[发明专利]智能客户评级方法、装置及计算机可读存储介质

权利要求书

1.一种智能客户评级方法，其特征在于，所述方法包括：

接收具有一一对应关系的客户原始信息集和标签集，对所述客户原始信息集进行数据分析得到客户信息集；

将所述客户信息集及所述标签集输入至评级模型A进行评级预测训练，并得到预测标签集A，基于所述预测标签集A，在所述标签集中寻找与所述预测标签集A不相同的标签内容得到错误预测标签集，基于所述一一对应关系得到与所述错误预测标签集对应的错误预测客户信息集；

将所述错误预测标签集与所述错误预测客户信息集输入至评级模型B中训练并输出预测标签集B，计算所述预测标签集B与所述错误预测标签集的损失值，若所述损失值小于预设阈值时，所述评级模型B退出训练；

接收用户输入的客户信息，将所述客户信息输入至所述评级模型A进行评级预测得到预测结果A后，将所述客户信息输入至所述评级模型B进行评级预测得到预测结果B，判断所述预测结果A与所述预测结果B是否相同，若不相同则输出所述预测结果B并提示用户所述客户信息需进一步补充客户信息，若相同则输出所述预测结果A；

其中，对所述客户原始信息集进行数据分析得到客户信息集，包括：去除所述客户原始信息集内客户年龄大于第一预设值或客户年龄小于第二预设值的数据；对去除后的客户原始信息集进行归一化处理得到客户信息集；

将所述客户信息集及所述标签集输入至评级模型A进行评级预测训练，并得到预测标签集A，包括：根据所述客户信息集及所述标签集求解经验熵及经验条件熵；根据所述经验熵及经验条件熵求解信息增益；最大化所述信息增益得到所述预测标签集A；

所述评级模型B包括卷积神经网络、激活函数和损失函数，其中，所述卷积神经网络包括十六层卷积层、十六层池化层和一层全连接层；及所述将所述错误预测标签集与所述错误预测客户信息集输入至评级模型B中训练并输出预测标签集B，计算所述预测标签集B与所述错误预测标签集的损失值，若所述损失值小于预设阈值时，所述评级模型B退出训练，包括：所述卷积神经网络接收所述错误预测客户信息集后，将所述错误预测客户信息集输入至所述十六层卷积层和十六层池化层进行卷积操作和最大池化操作，得到降维数据集，将所述降维数据集输入至全连接层；所述全连接层接收所述降维数据集，并结合所述激活函数计算得到所述预测标签集B，并将所述预测标签集B和所述错误预测标签集输入至所述损失函数中计算出损失值，判断所述损失值与预设阈值的大小关系，直至所述损失值小于所述预设阈值时，所述评级模型B退出训练；

所述经验熵的求解公式为：

其中，H(D)为所述经验熵，D为所述客户信息集的数据个数，C_k为每个标签集对应的所述客户信息集的个数，k为所述标签集个数；

所述经验条件熵的求解公式为：

其中，H(D|A)为所述经验条件熵，A为所述客户信息集所包括的特征，n为所述客户信息集所包括的特征数量，D_i代表在每个特征下，所述客户信息集的数据个数，H(D_i)为特征确定下的经验熵；

所述信息增益的求解公式为：

g(D,A)＝(D)-(D|A)

其中，g(D,A)为所述信息增益；

所述激活函数为：

其中，y为所述预测标签集B，e为无限不循环小数，ω为输入数据；

所述损失函数为：

其中，T为损失值，n为所述预测标签集B大小，y_t为所述预测标签集B，μ_t为所述错误预测标签集。

2.如权利要求1所述的智能客户评级方法，其特征在于，所述客户原始信息集包括客户年龄、客户性别、客户年收入及客户年支出、客户家庭成员数、客户家庭住址、客户受教育程度；

所述标签集包括拓展型客户、主攻型客户、培育型客户、维持型客户。