客户分类的处理方法和装置的制造方法
【技术领域】
[0001] 本发明涉及分类算法技术领域，尤其涉及客户分类的处理方法和装置。
【背景技术】
[0002] 在产品销售过程中经常会遇到送种情况；需要根据与客户交流结果判断该客户是 否为潜在客户，若是则需要通过销售技巧来提高成交的可能性，W达到提高销量。其中上述 判断过程属于一个客户分类的过程。
[0003] 在各种技术领域中都或多或少涉及到一些客户分类的事件，现有技术常见的方式 是首先建立一个客户模型，然后采用朴素贝叶斯分类算法对客户类型进行分类。但是现有 的朴素贝叶斯分类算法存在鉴别器不相关性和兀余性的特点，算法复杂度较高，同时容易 导致客户分类不够精确。
【发明内容】
[0004] 本发明的主要目的在于解决传统朴素贝叶斯分类算法复杂度高、客户分类不够精 确的技术问题。
[0005] 为实现上述目的，本发明提供的一种客户分类的处理方法，包括：
[0006] 步骤S1、建立实际客户模型，确定该实际客户模型中客户类别C ;
[0007] 步骤S2、建立用于判断客户特征属性的鉴别器；
[0008] 步骤S3、计算所述实际客户模型中每种客户类别C的频率、每种客户类别C对应的 每个特征属性对应的频率、W及每个鉴别器条件下其他鉴别器的频率；
[0009] 步骤S4、根据步骤S3计算所得的数据计算每两个鉴别器之间、每个鉴别器与客户 类别C之间的对称不确定性值；
[0010] 步骤S5、根据步骤S4计算结果查找待删除的鉴别器，并执行待删除鉴别器的删除 操作，保留相互之间独立性强的鉴别器；
[0011] 步骤S6、采集客户数据，通过步骤S5保留的鉴别器根据所述客户数据对所述客户 进行朴素贝叶斯分类。
[0012] 优选地，所述根据计算结果查找待删除的鉴别器，并执行待删除鉴别器的删除操 作具体包括：
[0013] 步骤S51、查找与客户类别C之间的对称不确定性值最大的鉴别器Ap ;
[0014] 步骤S52、删除与其他鉴别器之间的对称不确定性值大于所述最大对称不确定性 值S化，C的鉴别器，保留其他鉴别器。
[0015] 优选地，所述步骤S52具体为：循环执行当不同于Ap的一鉴别器Aq与至少一个其 他鉴别器之间的对称不确定性值SUi,q大于或等于所述最大对称不确定性值SUp,。，则删除所 述鉴别器Aq的操作，直至鉴别器之间对称不确定性值均小于所述最大对称不确定性值SUp, c〇
[0016] 优选地，所述步骤S51之前还包括：
[0017] 步骤S511、将每个鉴别器与客户类别之间的对称不确定性值与预设的对称不确定 阔值进行比较；
[0018] 步骤S512、删除与客户类别之间的对称不确定性值大于或等于所述对称不确定阔 值的鉴别器。
[0019] 优选地，所述步骤S2中的建立的鉴别器至少为3个、每个鉴别器至少包括两个客 户特征属性。
[0020] 此外，为实现上述目的，本发明还提供一种客户分类的处理装置，包括：
[0021] 模型建立模块，用于建立实际客户模型，确定该实际客户模型中客户类别C ;
[0022] 鉴别器建立模块，用于建立用于判断客户特征属性的鉴别器；
[0023] 计算模块，用于计算所述实际客户模型中每种客户类别C的频率、每种客户类别C 对应的每个特征属性对应的频率、W及每个鉴别器条件下其他鉴别器的频率；
[0024] 鉴别器过滤模块，用于根据计算模块计算所得的数据计算每两个鉴别器之间、每 个鉴别器与客户类别C之间的对称不确定性值，并根据计算结果查找待删除的鉴别器，并 执行待删除鉴别器的删除操作，保留合理的鉴别器；
[0025] 客户分类模块，用于采集客户数据，通过保留的鉴别器根据所述客户数据对所述 客户进行朴素贝叶斯分类。
[0026] 优选地，所述鉴别器过滤模块，包括：
[0027] 查找单元，用于查找与客户类别C之间的对称不确定性值最大的鉴别器Ap ;
[0028] 第一删除单元，用于删除与其他鉴别器之间的对称不确定性值大于所述最大对称 不确定性值S化，C的鉴别器，保留其他鉴别器。
[0029] 优选地，所述第一删除单元，具体用于循环执行当不同于Ap的一鉴别器Aq与至少 一个其他鉴别器之间的对称不确定性值SUi,q大于或等于所述最大对称不确定性值SUp,。，则 删除所述鉴别器Aq的操作，直至鉴别器之间对称不确定性值均小于所述最大对称不确定 性值 Slip,。。
[0030] 优选地，所述鉴别器过滤模块还包括：
[0031] 比较单元，用于在查找单元查找与客户类别C之间的对称不确定性值最大的鉴别 器Ap之前，将每个鉴别器与客户类别之间的对称不确定性值与预设的对称不确定阔值进 行比较；
[0032] 第二删除单元，用于删除与客户类别之间的对称不确定性值大于或等于所述对称 不确定阔值的鉴别器。
[0033] 优选地，所述建立的鉴别器至少为3个、每个鉴别器至少包括两个客户特征属性。
[0034] 本发明所提供的客户分类的处理方法和装置，通过建立实际客户模型，确定该实 际客户模型中客户类别C ;建立用于判断客户特征属性的鉴别器；计算所述实际客户模型 中每个客户类别C的频率、每种客户类别C对应的每个特征属性对应的频率、W及每个鉴别 器条件下其他鉴别器的频率；根据计算所得的数据计算每两个鉴别器之间、每个鉴别器与 客户类别C之间的对称不确定性值；根据计算结果查找待删除的鉴别器，并执行待删除鉴 别器的删除操作的方式，保留相互之间独立性强的鉴别器，采集客户数据，通过保留的鉴别 器根据所述客户数据对所述客户进行朴素贝叶斯分类的方式，降低了鉴别器相互之间的相 关度和兀余度，相互之间独立性强，在客户类型分类计算中，由于鉴别器数量减少，从而可 w减少客户分类计算过程中计算量和计算复杂度，同时由于鉴别器相互之间独立性强，客 户分类计算的准确率更高。
【附图说明】
[0035] 图1是本发明的客户分类的方法一实施例的流程图；
[0036] 图2是图1中步骤S5的具体细化流程图；
[0037] 图3是图1中步骤S5的另一细化流程图；
[0038] 图4是本发明的客户分类的处理装置一实施例的功能模块示意图；
[0039] 图5是图4中鉴别器过滤模块的细化功能模块示意图；
[0040] 图6是图4中鉴别器过滤模块的另一细化功能模块示意图。
[0041] 本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
【具体实施方式】
[0042] 应当理解，此处所描述的具体实施例仅仅用W解释本发明，并不用于限定本发明。
[0043] 本发明提供一种客户分类的方法。参见图1，图1是本发明的客户分类的方法一实 施例的流程图。在一实施例中，所述客户分类的方法包括：
[0044] 步骤S10、建立实际客户分类模型，确定该实际客户分类模型中客户类别C。
[0045] 本步骤中建立的实际客户分类模型的大小可W根据实际需要进行调整，例如可W 建立一个客户数为1000的的实际客户分类模型。该建立的实际客户分类模型中，记录有每 个客户的相关数据信息，为后续步骤的计算提供数据支持。
[0046] 步骤S20、建立用于判断客户特征属性的鉴别器。
[0047] 本步骤S20中，所述建立的鉴别器至少为3个，所述建立的每个鉴别器至少包括两 个客户特征属性。
[0048] 步骤S30、计算所述实际客户模型中每种客户类别C的频率、每种客户类别C对应 的每个特征属性对应的频率、W及每个鉴别器条件下其他鉴别器的频率。
[0049] 步骤S40、根据步骤S3计算所得的数据计算每两个鉴别器之间、每个鉴别器与客 户类别C之间的对称不确定性值。
[0050] 步骤S50、根据步骤S40计算结果查找待删除的鉴别器，并执行待删除鉴别器的删 除操作，保留相互之间独立性强的鉴别器。
[0051] 步骤S60、采集客户数据，通过保留的鉴别器根据所述客户数据对所述客户进行朴 素贝叶斯分类。
[0052] 参见图2,图2是图1中步骤S50的具体细化流程图。所述步骤S50具体包括：
[0053] 步骤S501、查找与客户类别C之间的对称不确定性值最大的鉴别器Ap。
[0054] 步骤S502、删除与其他鉴别器之间的对称不确定性值大于所述最大对称不确定性 值S化，C的鉴别器，保留其他鉴别器。
[0055] 本实施例中，对称不确定性值是指鉴别器与鉴别器之间的相关程度，或者鉴别器 与类之间的相关程度，其取值范围是[0，1]。其中取值越小表明二者的相关程度越大，取值 越大则表明二者的相关程度小，相互间独立性强。例如鉴别器1与鉴别器2之间的对称不 确定性值为0时，表示二者之间是相互独立的。通过查找与客户类别C之间的对称不确定 性值最大的鉴别器Ap，删除与其他鉴别器之间的对称不确定性值大于所述最大对称不确定 性值S化，C的鉴别器，是为了将与其他鉴别器相关性大，具有兀余的鉴别器过滤掉，确定保 留下来的鉴别器相互之间独立性强，W提高后续客户分类的准确率，同时降低后续客户分 类计算的复杂度和计算量。
[0056] 本实施例中，所述步骤S502具体操作如下：循环执行当不同于Ap的一鉴别器Aq 与至少一个其他鉴别器之间的对称不确定性值SUi, q大于或等于所述最大对称不确定性值 SUp,