[发明专利]一种基于多维度数据学习的金融机构潜在客户推荐方法

权利要求书

1.一种基于多维度数据学习的金融机构潜在客户推荐方法，其特征在于：该方法包括以下步骤：

S1：数据获取模块获取多维样本数据，包括公积金数据和工商局数据，根据预设的数据结构将所述的多维数据建立数据集并存储，得到初始数据集；

S2：数据处理，对初始数据集进行去除唯一属性处理、缺失值处理、异常值处理和数据标准化处理，得到清理数据集；

S3：数据筛选对清理数据集进行降维，得到客户最主要的特征，将最主要的特征提取出来，形成筛选数据集；

S4：等级预测将筛选数据集放到推荐模型中，推荐模型给出每个客户的等级预测；

S5：客户推荐根据每个客户的等级预测，对某些客户进行产品推广。

2.根据权利要求1所述的一种基于多维度数据学习的金融机构潜在客户推荐方法，其特征在于：所述对初始数据集进行去除唯一属性处理具体为：

S211：通过初始数据集分析，找到每个客户的唯一属性，包括组织机构代码和身份证号等；

S212：对唯一值属性进行剔除。

3.根据权利要求1所述的一种基于多维度数据学习的金融机构潜在客户推荐方法，其特征在于：所述缺失值处理具体为：

S221：利用公式对初始数据集进行均值计算，得到初始数据集中每个特征的平均值；其中x代表到初始数据集中每个特征的平均值，x₁，x₂……x_n代表每个特征的样本值，n代表每个特征的样本数量；

S222：将缺失值替换为平均值。

4.根据权利要求1所述的一种基于多维度数据学习的金融机构潜在客户推荐方法，其特征在于：所述异常值处理具体为：

S231：利用公式计算初始数据集每个特征的均值，其中，h₁，h₂……h代表样本值，n代表样本数，h代表初始数据集每个特征的平均值；

S232：假设初始数据集X为n行n列：使用公式对数据集进行中心化，其中，a₁，a₂……a_n代表初始数据集的某个特征，b₁，b₂……b_n，y₁，y₂……y_n同理，h₁，h₂……h_n代表S231中所求的每个特征的均值，Y代表中心化后的数据；

S233：利用公式求得协方差矩阵∑，其中n代表样本数，Y代表中心化后的数据集；

S234：利用计算马氏距离，得到任意两个样本x，y之间的距离；其中x，y代表两个不同的样本，∑代表S233计算出来的方差；

S235：对马氏距离进行升序排序，假设得到的结果为[a,b,c……]，其中a马氏距离计算后的最小距离；

S236：通过公式threshold＝a(m-ceil(m*0.02))设定要剔除样本的阈值，其中a为步骤五计算出来的马氏距离的最小距离，m代表每个特征的样本数量；

S237：当d(x,y)threshold则判断数据为正常值，不对其进行操作；当d(x,y)threshold则判断数据为异常值，要对其进行提剔除。

5.根据权利要求1所述的一种基于多维度数据学习的金融机构潜在客户推荐方法，其特征在于：所述数据标准化处理具体为：

S241：通过排序得到特征的最大值和最小值，假设得到的结果为[min……max]

S242：通过公式将数据进行(max-min)标准化，得到值在[0,1]之间的数据；其中max，min为S241求出的最大值和最小值，x为某特征的样本值。