[发明专利]面向金融领域的智能营销方法

权利要求书

1.一种面向金融领域的智能营销方法，其特征在于，包括以下步骤：

(1)采集客户的基础信息数据、交易数据以及营销习惯数据；

(2)对采集到的数据进行处理与分析，将原始数据转换为带有标签的数据，所述标签是更能代表预测模型潜在问题的特征；

(3)构建使用多种学习算法的模型库，对不同模型进行训练后，输出各模型的预测结果；

(4)将各模型的预测结果组合成预测特征，通过输出层拟合得到最终的分类结果。

2.根据权利要求1所述的方法，其特征在于，在步骤(1)中，所述客户基础信息数据包括户账户信息、学历、家庭住址、联系方式和年龄；所述交易数据包括客户的账户交易频率、交易金额大小和账户余额；所述营销习惯数据包括客户对历史营销的关注度和历史营销结果。

3.根据权利要求1所述的方法，其特征在于，在步骤(2)中，针对采集到的数据进行处理与分析，包括数据去重，数据清洗和数据导入的操作；其中，

所述数据去重包括：将异源异构的数据导入存储平台，对其数据源进行标记；基于标识id对每一个数据进行去重操作，对于相同id的多条记录基于写入时间进行去重判断，保留最近一次写入的数据内容；生成并储存各个数据源去重后的结果；

所述数据清洗是指将原始格式各不相同的多元数据转换成格式统一的向量化数据；具体包括：清除无用信息，对隐私数据进行加密；对于json型数据，以递归函数进行递归展开，并记录每个字段的类型；根据数据源对应的元数据进行标准化转换，对numerical类型直接进行转换，对string类型进行编码或词向量转换，对sequence类型进行相关统计值转换；

所述数据导入是指对各个数据源的数据进行合并操作，生成矩阵形式的数据集以用于模型训练；具体是：根据每个向量化记录数据的标识id，对各个数据源的数据进行连接操作；数据的连接操作基于Spark计算框架，通过分布式方法进行分块连接和整合，最终的连接结果以表形式存储到数据库中。

4.根据权利要求1所述的方法，其特征在于，在步骤(2)中，经处理与分析的数据按类别存储在结构化数据和非结构化数据的分布式储存系统中。

5.根据权利要求1所述的方法，其特征在于，在步骤(3)中，采用基于XGBoost、LightGBM、CatBoost和随机森林的多个学习算法模型，并以Blending方法融合多个基础模型；首先利用测试集的样本特征训练所述多个模型，计算得出预测结果，作出预测分类；然后将各模型的预测输出组合成预测特征；通过逻辑回归拟合得到最终的预测模型。

6.根据权利要求5所述的方法，其特征在于，所述LightGBM学习算法模型是基于贝叶斯优化算法而实现的；该算法通过下述公式实现未知目标函数的全局最优解求解：

其中，x表示待优化的参数；X表示待优化的参数集合；f(x)表示目标函数；

同时，还采用UCB函数作为采样函数，其数学表达式为：

UCB(x)＝μ(x)+εδ(x)

其中，μ(x)和δ(x)分别是采用高斯过程所得到的目标函数联合后验分布的均值和协方差；通过调节参数ε的大小能够平衡采样点的选择。

7.根据权利要求1所述的方法，其特征在于，在步骤(4)中，进一步包括：将单一产品的预测结果组合成混淆矩阵，从中挖掘相关性高的产品进行拓展营销；具体包括：

根据预测结果构建复合标签，如果分类结果相同，样本标签值为分类结果；如果不同，根据正负样本比例对样本标签做随机标注；将复合标签数据划分为训练集和测试集，在进行同样的训练后，并基于最终预测模型输出计算结果，得到用于复合金融业务产品精准营销的客户需求分类结果。