[发明专利]基于集成特征选择实现客户分类的产品推荐方法及系统

说明书

本公开公开了基于集成特征选择实现客户分类的产品推荐方法及系统，包括：获取待推荐客户的历史产品购买数据；对待推荐客户的历史产品购买数据进行预处理；对预处理后的数据基于设定的指标进行特征选择，选择出若干个特征；将选择的特征，输入到预训练的第一神经网络模型中，输出待推荐客户的类别；将待推荐客户的类别，输入到预训练的第二神经网络模型中，输出待推荐客户的推荐产品。

技术领域

本公开涉及人工智能技术领域，特别是涉及基于集成特征选择实现客户分类的产品推荐方法及系统。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

随着经济的不断发展，各商业银行的信用业务在逐渐增加，对客户进行风险评估或评分是每个金融机构和银行的重要过程。通过有效的风险评估，可以很大程度上降低银行承担的金融风险。评估过程可根据客户的个人信息和银行业务记录等对其进行客观的风险分类，分类的高准确性有助于降低银行金融业务过程中的风险，同时，高准确度的客户分类，能够在推送适合客户的信贷业务方面为银行提供决策依据。

评估分类需要通过对每个客户的多维特征进行分析，因此特征选择是影响评估效率和准确率的关键部分。选择对分类较好的特征和适当的维数是特征选择的主要目的。

目前主流的特征选择方法主要包括三种：过滤式特征选择、封装式特征选择和嵌入式特征选择。

过滤式特征选择的主要思想是对每一维的特征“打分”，即给每一维的特征赋予代表着重要性大小的权重，然后依据权重排序。此种方法较简单，但选择特征的标准较单一，只能从一个维度上去衡量特征。

封装式特征选择方法的主要思想是将特征选择看作是一个搜索寻优问题，生成不同的特征组合，对特征组合进行评价，再与其他特征组合进行比较，因此计算量和时间消耗较大，选择过程较繁琐。

嵌入式特征选择方法是在模型既定的情况下学习出对提高模型准确率最好的特征，常见的方法是加入正则化等，此种方法一般应用于决策树算法的模型中。

传统的产品推送方法没有针对性，对所有客户推送同样的产品，这样比较盲目，不能实现很好的产品推广，会出现一些无意义的数据推送，严重影响客户的体验。

发明内容

为了解决现有技术的不足，本公开提供了基于集成特征选择实现客户分类的产品推荐方法及系统；一方面对单一特征的类间数据进行分析，另一方面评估多维特征对分类的贡献，为提高预测的准确率选择更优的特征子集。

第一方面，本公开提供了基于集成特征选择实现客户分类的产品推荐方法；

基于集成特征选择实现客户分类的产品推荐方法，包括：

获取待推荐客户的历史产品购买数据；

对待推荐客户的历史产品购买数据进行预处理；

对预处理后的数据基于设定的指标进行特征选择，选择出若干个特征；

将选择的特征，输入到预训练的第一神经网络模型中，输出待推荐客户的类别；

将待推荐客户的类别，输入到预训练的第二神经网络模型中，输出待推荐客户的推荐产品。

第二方面，本公开提供了基于集成特征选择实现客户分类的产品推荐系统；

基于集成特征选择实现客户分类的产品推荐系统，包括：

获取模块，其被配置为：获取待推荐客户的历史产品购买数据；

预处理模块，其被配置为：对待推荐客户的历史产品购买数据进行预处理；

特征选择模块，其被配置为：对预处理后的数据基于设定的指标进行特征选择，选择出若干个特征；