[发明专利]基于改进型多层Stacking模型的目标用户挖掘方法及装置

说明书

本发明提供的一种基于改进型多层Stacking模型的目标用户挖掘方法及装置，其方法包括：获取原始数据集和原始Stacking分类模型，原始数据集为预先打标好的用户数据，原始Stacking分类模型中每一层均设置有X种基础分类器；根据原始数据集依次对原始Stacking分类模型中的每一层进行训练，以得到训练好的目标用户分类模型，目标用户分类模型中的第一层和第三层都只包括多种基础分类器中分类准确性最高的一种基础分类器，且第二层包括所有种类的基础分类器；获取待分类用户集，将待分类用户数据输入到目标用户分类模型，以得到目标用户集。本发明通过对传统的Stacking分类模型进行优化之后，能够优化传统模型对数据集的分类效果，提高目标用户的分类精准度。

技术领域

本发明涉及数据存储技术领域，特别涉及一种基于改进型多层Stacking模型的目标用户挖掘方法及装置。

背景技术

目前通信领域对产品进行市场营销时，其套餐的多样化和对用户群体的精确化程度越来越高，需要对特定群体进行精准营销，如夜间0-8时3元5G流量包，针对每日凌晨0点到8点的高流量消耗且低套餐值的用户进行营销。制定精准营销策略时，通常由业务人员圈定一批目标用户，对范围内的用户进行营销推荐，实施效果经常对用户造成过度打扰或营销结果达不到预定目标。因此，目标用户群体的圈定过程已经逐步由人工定义向着引入数据挖掘模型分析方式在转变，即在营销过程中引入数据挖掘模型，由人工圈定一批优先体验用户进行营销推送，并得到已订购用户，或者将过往的人工营销数据作为训练数据，来对基础的数据挖掘模型进行训练，得到可以用来识别订购意向概率较高的目标用户的数据挖掘模型，由此，之后特定优惠套餐用户群圈定过程使用已训练好的数据挖掘模型，以此可以一定程度提高营销成功率。

传统的数据挖掘模型，常使用单个算法模型进行数据分类预测，如决策树、支持向量机、K近邻等。使用单个模型对数据分类时，每种模型对不同特征的数据样本分析存在一定差异，如决策树更适合离散型特征值分类，K近邻更适合线性特征值分类。目前的数据挖掘应用中，样本数据通常包含了多种类型的特征值，使用多种模型进行分类，能在一定程度上提高分类的效果。

Stacking分类模型，是一种数据挖掘分类过程中使用多种分类模型的改进模型，通过使用基础分类器对原始样本数据D进行分析预测，得到结果集R，再将结果集R作为原始数据集D的新特征形成数据集。通过对新数据集的分类预测，将分类结果作为最终模型预测结果，使用Stacking融合模型对数据预测分析，可产生比单个模型预测更好的分类效果。传统的Stacking分类算法中，在对原始数据集和叠加后的数据集分析时，使用的是同一种分类算法，所选择的分类算法可能与数据样本过于拟合，实际应用分类效果就达不到预期结果。

发明内容

为了解决现有技术的上述问题，本发明提供了一种基于改进型多层Stacking模型的目标用户挖掘方法及装置，能够提高目标用户的分类精准度。

为了达到上述目的，本发明采用的技术方案为：

第一方面，本发明提供一种基于改进型多层Stacking模型的目标用户挖掘方法，包括：

S1、获取原始数据集和原始Stacking分类模型，所述原始数据集为预先打标好的用户数据，所述原始Stacking分类模型中每一层均设置有X种基础分类器，其中，X为大于1的正整数；

S2、根据所述原始数据集依次对所述原始Stacking分类模型中的每一层进行训练，以得到训练好的目标用户分类模型，所述目标用户分类模型中的第一层和第三层都只包括多种基础分类器中分类准确性最高的一种基础分类器，且第二层包括所有种类的基础分类器；

S3、获取待分类用户集，将所述待分类用户数据输入到所述目标用户分类模型，以得到目标用户集。