[发明专利]基于票据的图聚类方法、装置、电子设备及可读存储介质

说明书

本申请实施例提供了一种基于票据的图聚类方法、装置、电子设备及可读存储介质，属于计算机技术领域。其中方法包括：基于票据获取种子客群的多个客户特征向量；计算任意两个客户特征向量之间的余弦距离，根据各个客户特征向量及对应余弦距离最近的K个客户特征向量确定用于表征客户相似度的初始邻接矩阵；通过注意力机制模块对初始邻接矩阵进行计算，得到一组修正节点特征；将一组修正节点特征进行kmeans聚类计算，得到各聚类簇的簇心，计算各聚类簇的簇内客户样本与簇心的相似度分布结果；根据相似度分布结果计算最终聚类结果。这样，在票据场景下，通过前置加入无监督的图聚类方案，优化聚类流程，提高最终聚类结果的聚类效果。

技术领域

本申请涉及计算机技术领域，尤其涉及一种基于票据的图聚类方法、装置、电子设备及可读存储介质。

背景技术

目前，客群扩散技术应用在零售客群及互联网广告平台场景，在供应商选取客户画像相关标签后，给定种子客群，通过客群扩散的算法机制，在客户池中进行目标客群扩展，进一步提升定向客群的广告曝光度及转化率策略。在银行对公业务场景下，现有技术提供的客群扩散的算法机制可用于新客户拓展及提升客户的成交转化率，但是客群分类效果比较差。

发明内容

为了解决上述技术问题，本申请实施例提供了一种基于票据的图聚类方法、装置、电子设备及可读存储介质。

第一方面，本申请实施例提供了一种基于票据的图聚类方法，所述方法包括：

基于票据获取种子客群的多个客户特征向量，各个客户特征向量包括多个客户特征数据；

计算任意两个客户特征向量之间的余弦距离，根据各个客户特征向量及对应余弦距离最近的K个客户特征向量确定用于表征客户相似度的初始邻接矩阵，所述初始邻接矩阵包括一组初始节点特征；

通过注意力机制模块对所述初始邻接矩阵进行计算，得到一组修正节点特征；

将所述一组修正节点特征进行kmeans聚类计算，得到各聚类簇的簇心，计算各聚类簇的簇内客户样本与簇心的相似度分布结果；

根据所述相似度分布结果计算最终聚类结果。

在一实施方式中，所述方法还包括：

根据所述一组修正节点特征获取修正邻接矩阵；

将所述初始邻接矩阵及所述修正邻接矩阵输入预先设置的重构误差函数，计算得到重构误差。

在一实施方式中，所述方法还包括：

将所述相似度分布结果及所述最终聚类结果输入预先设置的聚类损失函数，计算得到聚类损失。

在一实施方式中，所述方法还包括：

根据所述聚类损失函数及所述重构误差函数确定联合损失函数；

对所述联合损失函数求导，得到求导结果；

根据所述求导结果进行反向传播，更新所述注意力机制模块的网络参数。

在一实施方式中，所述方法还包括：

根据所述最终聚类结果生成票据聚类特征可视图。

在一实施方式中，所述方法还包括：

根据所述最终聚类结果对候选客户池进行相似度计算，得到相似客群。

在一实施方式中，多个客户特征数据包括消费分层特征及客户价值分层特征；

基于票据获取种子客群的各客户特征向量，包括：

获取所述种子客群的票据消费行为数据；

根据所述票据消费行为数据分别确定所述票据消费分层特征及所述客户价值分层特征。