一种客户的交易预测方法、装置、服务器与流程

本说明书属于人工智能，尤其涉及一种客户的交易预测方法、装置、服务器。

背景技术：

1、准确预测客户未来的交易可能性对于金融机构合理制定营销策略至关重要。在现有技术中，通常是基于尽职调查等人工手段去收集每位客户未来的交易可能性。该方法人工成本较高，花费时间较久，因此不利于快速地制定出合理的营销策略。

2、针对上述技术问题，目前尚未提出有效的解决方案。

技术实现思路

1、本说明书提供了一种客户的交易预测方法、装置、服务器，能够解决现有技术中无法自动、准确地预测客户交易可能性的技术问题。

2、本说明书实施例的目的是提供一种客户的交易预测方法，包括：

3、获取待预测数据集合；其中，所述待预测数据集合包括多个客户信息，所述客户信息包括多个初始交易特征对应的多个交易数据值；

4、对所述客户信息进行预处理，得到多个第一目标交易特征对应的多个预处理交易数据值；其中，所述第一目标交易特征选自所述多个初始交易特征；

5、从所述第一目标交易特征中筛选出第二目标交易特征；

6、根据所述第一目标交易特征对应的多个预处理交易数据值，确定随机森林模型中决策树的第一权重分量；

7、根据第二目标交易特征在决策树中对应的第二权重分量、决策树的第一权重分量，对所述第二目标交易特征进行筛选，得到第三目标交易特征；

8、对所述第三目标交易特征对应的预处理交易数据值进行聚类处理，得到多个目标类簇；

9、根据所述多个目标类簇，确定待预测数据集中客户信息所对应客户的交易可能性。

10、进一步地，所述方法的另一个实施例中，所述对所述客户信息进行预处理，得到多个第一目标交易特征对应的多个预处理交易数据值，包括：

11、对多个交易数据值进行数据清洗，得到多个第一数据值；

12、对所述多个第一数据值进行归一化处理，得到多个第二数据值；

13、对所述多个第二数据值进行数据降维，得到多个预处理交易数据值；

14、确定所述多个预处理交易数据值对应的多个初始交易特征作为第一目标交易特征。

15、进一步地，所述方法的另一个实施例中，所述对所述多个第二数据值进行数据降维，得到多个预处理交易数据值，包括：

16、计算所述多个第二数据值的多个列方差值；

17、从多个列方差值中，筛选出大于第一阈值的目标列方差值；

18、确定所述目标列方差值对应的多个第二数据值，作为多个预处理交易数据值。

19、进一步地，所述方法的另一个实施例中，所述随机森林模型通过如下方式构建：

20、获取训练集；其中，所述训练集包括多个训练客户信息，所述训练客户信息包括多个第一训练交易特征对应的多个预处理交易数据值；其中，所述多个第一训练交易特征选自所述初始交易特征；

21、从所述多个第一训练交易特征中，随机筛选出第二训练交易特征；并确定所述第二训练交易特征对应的预处理交易数据值；

22、根据所述第二训练交易特征对应的预处理交易数据值，计算所述第二训练交易特征对应的信息增益熵；

23、根据所述第二训练交易特征对应的信息增益熵，生成多个决策树；

24、组合多个决策树，得到随机森林模型。

25、进一步地，所述方法的另一个实施例中，所述从所述第一目标交易特征中筛选出第二目标交易特征，包括：从所述第一目标交易特征中筛选出第二训练交易特征，作为第二目标交易特征。

26、进一步地，所述方法的另一个实施例中，所述方法还包括：对所述第二训练交易特征对应的信息增益熵进行归一化处理，得到第二训练交易特征对应的权重分量；确定所述第二训练交易特征对应的权重分量，作为第二目标交易特征在决策树中对应的第二权重分量。

27、进一步地，所述方法的另一个实施例中，所述根据所述第一目标交易特征对应的多个预处理交易数据值，确定随机森林模型中决策树的第一权重分量，包括：

28、将所述第一目标交易特征对应的多个预处理交易数据值输入到随机森林模型中，得到多个决策树的预测结果以及随机森林模型的预测结果；

29、根据所述多个决策树的预测结果以及所述随机森林模型的预测结果，计算一致输出占比；

30、根据所述一致输出占比，得到随机森林模型中决策树的第一权重分量。

31、进一步地，所述方法的另一个实施例中，所述根据第二目标交易特征在决策树中对应的第二权重分量、决策树的第一权重分量，对所述第二目标交易特征进行筛选，得到第三目标交易特征，包括：

32、对第二目标交易特征在决策树中对应的第二权重分量、决策树的第一权重分量进行加权求和，得到所述第二目标交易特征对应的权重；

33、根据所述第二目标交易特征对应的权重，对所述第二目标交易特征进行排序，得到排序结果；

34、从所述排序结果中，筛选出排序靠前的多个所述第二目标交易特征，作为第三目标交易特征。

35、进一步地，所述方法的另一个实施例中，所述对所述第三目标交易特征对应的预处理交易数据值进行聚类处理，得到多个目标类簇，包括：

36、根据所述第三目标交易特征对应的预处理交易数据值，确定初始聚类中心；

37、根据所述初始聚类中心，对所述第三目标交易特征对应的预处理交易数据值进行聚类处理，得到多个目标类簇。

38、进一步地，所述方法的另一个实施例中，所述根据所述第三目标交易特征对应的预处理交易数据值，确定初始聚类中心，包括：

39、从所述待预测数据集合中确定出多个目标客户信息；

40、根据所述多个目标客户信息，确定出多个目标客户信息对应的第三目标交易特征的预处理交易数据值；

41、根据所述多个目标客户信息对应的第三目标交易特征的预处理交易数据值，确定多个目标客户信息对应的多个特征向量；

42、计算多个特征向量之间的多个欧氏距离；并根据多个欧氏距离确定初始聚类中心。

43、进一步地，所述方法的另一个实施例中，所述根据所述初始聚类中心，对所述第三目标交易特征对应的预处理交易数据值进行聚类处理，得到多个目标类簇，包括：

44、计算所述客户信息对应的特征向量到所述初始聚类中心的距离；其中，所述特征向量根据第三目标交易特征对应的预处理交易数据值确定；

45、根据特征向量到所述初始聚类中心的距离，确定多个第一类簇；并根据所述第一类簇确定第一聚类中心；

46、计算所述第一聚类中心与所述初始聚类中心的距离；

47、检测所述第一聚类中心与所述初始聚类中心的距离是否小于第二阈值；

48、在确定所述客户信息对应的特征向量到所述初始聚类中心的距离大于或等于第二阈值的情况下，计算特征向量到所述第一聚类中心的距离；

49、根据特征向量到所述第一聚类中心的距离，确定多个第二类簇；并根据所述第二类簇确定第二聚类中心；

50、计算所述第二聚类中心与所述第一聚类中心的距离；

51、检测所述第二聚类中心与所述第一聚类中心的距离是否小于第二阈值；

52、在确定所述第二聚类中心与所述第一聚类中心的距离小于第二阈值的情况下，确定所述多个第二类簇作为多个目标类簇。

53、本说明书实施例的目的是提供一种客户的交易预测装置，包括：

54、获取模块，用于获取待预测数据集合；其中，所述待预测数据集合包括多个客户信息，所述客户信息包括多个初始交易特征对应的多个交易数据值；

55、预处理模块，用于对所述客户信息进行预处理，得到多个第一目标交易特征对应的多个预处理交易数据值；其中，所述第一目标交易特征选自所述多个初始交易特征；

56、第一筛选模块，用于从所述第一目标交易特征中筛选出第二目标交易特征；

57、分析模块，用于根据所述第一目标交易特征对应的多个预处理交易数据值，确定随机森林模型中决策树的第一权重分量；

58、第二筛选模块，用于根据第二目标交易特征在决策树中对应的第二权重分量、决策树的第一权重分量，对所述第二目标交易特征进行筛选，得到第三目标交易特征；

59、聚类模块，用于对所述第三目标交易特征对应的预处理交易数据值进行聚类处理，得到多个目标类簇；

60、确定模块，用于根据所述多个目标类簇，确定待预测数据集中客户信息所对应客户的交易可能性。

61、本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机可读存储介质执行所述指令时实现上述客户的交易预测方法。

62、本说明书实施例还提供了一种服务器，包括处理器及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述客户的交易预测方法。

63、本说明书实施例提供一种客户的交易预测方法，通过获取待预测数据集合；其中，所述待预测数据集合包括多个客户信息，所述客户信息包括多个初始交易特征对应的多个交易数据值对所述客户信息进行预处理，得到多个第一目标交易特征对应的多个预处理交易数据值；其中，所述第一目标交易特征选自所述多个初始交易特征；从所述第一目标交易特征中筛选出第二目标交易特征；根据所述第一目标交易特征对应的多个预处理交易数据值，确定随机森林模型中决策树的第一权重分量；根据第二目标交易特征在决策树中对应的第二权重分量、决策树的第一权重分量，对所述第二目标交易特征进行筛选，得到第三目标交易特征；对所述第三目标交易特征对应的预处理交易数据值进行聚类处理，得到多个目标类簇；根据所述多个目标类簇，确定待预测数据集中客户信息所对应客户的交易可能性。基于上述方式，首先通过预处理，可以去除掉信息含量较少的数据，保留下使用价值较大、信息含量较大的交易数据值以及交易数据值对应的第一目标交易特征；然后综合考虑第二目标交易特征在决策树中对应的第二权重分量以及决策树的第一权重分量，确定出权重较大的第三目标交易特征，第三目标交易特征为对客户交易预测结果的影响较大、重要性较高的特征，利用第三目标交易特征进行客户交易可能性预测可以提升预测的精度；最后利用第三目标交易特征对应的预处理交易数据值进行聚类处理，可以避免随机生成聚类中心而导致的收敛速度慢、聚类效果差的问题，提升分类的准确性。