[发明专利]训练用于预测客户交易行为的预测模型的方法及装置

说明书

本公开提供了一种训练用于预测客户交易行为的预测模型的方法及装置，本公开涉及人工智能技术领域，可用于金融技术领域。该方法包括：根据客户样本数据集确定多个预选特征类型，其中客户样本数据集包括客户基本信息数据、以及客户针对目标产品的电话咨询信息数据；从多个预选特征类型中确定多个目标特征类型，其中目标特征类型为对客户购买行为结果的贡献度大于预设贡献度阈值、且每两个目标特征类型之间的相关性小于预设相关性阈值的数据类型；从客户样本数据集中筛选出与目标特征类型相关的数据，以生成目标训练集；以及采用目标训练集训练预设算法，以生成预测模型。

技术领域

本公开涉及人工智能技术领域，更具体地，涉及一种训练用于预测客户交易行为的预测模型的方法及装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

数据挖掘能够从大量的客户历史数据中挖掘出他们所需要的信息。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：大多数的金融专业人士在实际分析、挖掘这些客户历史数据时都存在不同的缺陷；如金融从业人员在分析公司金融产品的推广度时，仅考虑该产品在某一地区的市场占有率，并没有分析该地区的经济发展状况、人们的收入状况，以及购买产品的客户的个人基本特征的不同；同时，在做这些数据分析和挖掘工作的并不是数据挖掘专业人员，而主要是靠一些理财专业人员的主观判断。即使一些金融机构引进了数据挖掘系统，也只是做一些简单的数据分析工作，并没有对客户历史数据进行深度的挖掘，从而难以实现精准营销。

发明内容

有鉴于此，本公开提供了一种训练用于预测客户交易行为的预测模型的方法及装置、电子设备、计算机可读存储介质和计算机程序产品。

本公开的一个方面提供了一种训练用于预测客户交易行为的预测模型的方法，包括：

根据客户样本数据集确定多个预选特征类型，其中客户样本数据集包括客户基本信息数据、以及客户针对目标产品的电话咨询信息数据；

从多个预选特征类型中确定多个目标特征类型，其中目标特征类型为对客户购买行为结果的贡献度大于预设贡献度阈值、且每两个目标特征类型之间的相关性小于预设相关性阈值的数据类型；

从客户样本数据集中筛选出与目标特征类型相关的数据，以生成目标训练集；以及

采用目标训练集训练预设算法，以生成预测模型。

根据本公开的实施例，其中，从多个预选特征类型中确定多个目标特征类型包括：

从多个预选特征类型中去除无区分度特征类型，以获得多个目标预选特征类型，其中无区分度特征类型为对客户购买行为结果无贡献的数据类型；

从多个目标预选特征类型中确定多个目标特征类型。

根据本公开的实施例，其中，从多个目标预选特征类型中确定多个目标特征类型包括：

从多个目标预选特征类型中确定多个初选目标特征类型，其中初选目标特征类型为对客户购买行为结果的贡献度大于预设阈值的数据类型；

计算多个初选目标特征类型中每两个初选目标特征类型之间相关性；

将相关性大于等于预设相关性阈值的初选目标特征类型确定为相关特征类型、以及将相关性小于预设相关性阈值的初选目标特征类型确定为非相关特征类型；

根据相关性从多个相关特征类型中选取一个最优相关特征类型；

将最优相关特征类型和非相关特征类型组合，以组成目标特征类型。

根据本公开的实施例，其中，预设算法为决策树算法，预测模型为决策树模型；

采用目标训练集训练预设算法，以生成预测模型包括：