CN111815064A - 一种针对用户金融产品需求进行分类和预测的方法 - Google Patents
一种针对用户金融产品需求进行分类和预测的方法 Download PDFInfo
- Publication number
- CN111815064A CN111815064A CN202010705079.3A CN202010705079A CN111815064A CN 111815064 A CN111815064 A CN 111815064A CN 202010705079 A CN202010705079 A CN 202010705079A CN 111815064 A CN111815064 A CN 111815064A
- Authority
- CN
- China
- Prior art keywords
- users
- marketing
- user
- internet
- interest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种针对用户金融产品需求进行分类和预测的方法包括构建训练集步骤、数据训练步骤和模型应用步骤;构建训练集步骤根据历史营销数据信息形成作为训练集的结果矩阵;数据训练步骤基于决策树算法对所选取的兴趣特征进行二分处理后对于每个用户进行分类,得到分类模型;模型应用步骤根据分类模型将需进行营销的用户群体中的所有用户区分为点击意向用户与无点击意向用户,而后仅对点击意向用户进行营销。因此,本发明的技术方案是通过综合考虑每个用户所对应的所有兴趣特征,可以将高点击意向与低点击意向用户进行区分,从而只对高点击用户进行金融产品线上营销,在达到节省营销成本的同时,还能够提升营销效果。
Description
技术领域
本发明涉及大数据处理及信息技术领域,更具体地,涉及一种针对用户金融产品需求进行分类和预测的方法。
背景技术
随着大数据及信息技术的发展,其应用于线上营销的场景越来越多,尤其是在标准化程度较高的金融产品领域。而在这一线上营销过程中,分析出各个用户对于所感兴趣的内容(兴趣特征)而根据此来持续优化线上营销的策略才能在激烈的竞争中生存发展,而分析用户对于营销内容的用户行为(点击)数据并进行持续的优化,成为影响到线上营销经济效益的最重要因素。
每个用户都能对应数十乃至数百项兴趣特征,当前对于金融产品的线上营销,主要对于单一兴趣特征的用户进行直接推荐,而鲜有考虑某一用户多项兴趣特征结合再决定是否对其进行推荐,例如:只对兴趣特征A对应的所有用户进行推荐,又对兴趣特征B对应的所有用户进行推荐,以此类推,并不考虑兴趣特征A的对应的用户中是否还对应了兴趣特征B等等。而且,很多单项兴趣特征的用户,其有时对于所推荐产品的意向率并不高,因此,在实际业务中会放弃对所推荐产品的兴趣特征用户对应的所有用户进行持续推荐及营销。
以短信营销为例来说,短信营销作为传统的线上营销方式,仍然在各类营销方式中占据重要的地位,而对于各类型用户进行营销的准确性成为影响到经济效益的最重要因素。
当前对于金融产品的短信营销,主要将各用户根据简单的互联网行为进行区分,对某一个或多个互联网行为对应的用户进行全量营销,即将互联网行为作为唯一区分特性。然而,在实际运行过程中,某一个或多个互联网行为中的全部用户,对于***产品的总体意向率不高,即在金融产品短信营销过程中,用户对于***短信中链接的点击率较低,在实际营销过程中会将其全部放弃,但其中,***有意向用户在绝对数量上来说并不在少数。
因此,综合考虑每个用户所有的兴趣特征来决定是否对其进行营销/推荐,有效地将单一兴趣特征中真正有意向的用户进行区分,是目前业界急需解决的问题。
发明内容
本发明的目的在于提供一种针对用户金融产品需求进行分类和预测的方法及装置,其可以在金融产品线上营销过程中,在用户对于所营销产品链接的点击率较低的情况下,综合考虑每个用户所对应的所有兴趣特征,可以将高点击意向与低点击意向用户进行区分,从而只对高点击用户进行金融产品线上营销,在达到节省营销成本的同时还能够提升营销效果。
为实现上述目的,本发明的技术方案如下:
一种针对用户金融产品需求进行分类和预测的方法,其包括构建训练集步骤和数据训练步骤:
所述构建训练集步骤包括:
步骤S11:确定M项互联网金融产品,选取N个对所述M项互联网金融产品有参与需求的用户;其中,每一位用户具有唯一的用户ID,所述M项互联网金融产品包括M个兴趣特征和一个互联网响应行为特征,所述互联网响应行为特征的结果值为是否对营销产品链接进行点击展开,所述M个兴趣特征具有Y个结果值,M、Y和N为正整数;
步骤S12:根据一预定的时间段的历史营销数据信息,获得对每一位所述用户进行所述M项互联网金融产品营销中的M个兴趣特征,以及得到每一位所述用户参与的互联网金融产品的互联网响应行为特征;
步骤S13:形成对所述M项互联网金融产品有参与需求的用户数量*(兴趣特征数量+互联网响应行为特征数量)的结果矩阵;其中,所述结果矩阵为N*(M+1);
所述数据训练步骤包括:
步骤S21:基于决策树算法,从所述M个兴趣特征中选取X个兴趣特征,对X个兴趣特征进行二分处理;其中,X为小于等于M的正整数;
步骤S22:将所述X个兴趣特征中的每一个特征作为节点而对用户进行二分处理,在每一次特征分类后计算出各特征与其相应的互联网响应行为特征结果值的相关性;
步骤S23:根据每一次迭代处理后的各特征与其相应的互联网响应行为特征结果值组合的相关性,得到所述用户被分错集合概率,并将得到所述用户被分错集合概率最小的组合,作为预测后的分类模型。
优选地,所述的针对用户金融产品需求进行分类和预测的方法还包括模型应用步骤,所述模型应用步骤具体包括:
步骤S31:获取拟互联网金融产品营销的包括Z位用户的群体,所述需进行互联网金融产品构成M个兴趣特征,Z为正整数;
步骤S32:形成对所述拟互联网金融产品营销有参与需求的用户数量*兴趣特征数量的结果矩阵;其中,所述结果矩阵为Z*M;
步骤S33:使用步骤23中的分类模型,将所有所述拟互联网金融产品营销用户区分为点击意向用户与无点击意向用户,而后仅对点击意向用户进行营销。
从上述技术方案可以看出,本发明具有如下有益效果:
①、本发明基于决策树算法,能将低***意向率的互联网行为特征中的高***意向率客户进行区分,从而仅对点击意向用户进行营销,在降低营销成本的同时,还能得到较好的实际收益,达到经济效益。
②、将人工智能技术结合到实际业务中进行应用和推广,技术对于企业业务的实际推动而起到社会价值。
附图说明
图1所示为本发明实施例中针对用户金融产品需求进行分类和预测的方法的流程示意图
具体实施方式
下面结合附图,对本发明的具体实施方式作进一步的详细说明。
需要说明的是,在下述的具体实施方式中,在详述本发明的实施方式时,为了清楚地表示本发明的结构以便于说明,特对附图中的结构不依照一般比例绘图,并进行了局部放大、变形及简化处理,因此,应避免以此作为对本发明的限定来加以理解。
需要说明的是,本发明的技术方案是通过综合考虑每个用户所对应的所有兴趣特征,可以将高点击意向与低点击意向用户进行区分,从而只对高点击用户进行金融产品线上营销,在达到节省营销成本的同时,还能够提升营销效果。
在以下本发明的具体实施方式中,请参阅图1,图1所示为本发明实施例中针对用户金融产品需求进行分类和预测的方法的流程示意图。如图所示,该方法包括构建训练集步骤、数据训练步骤和模型应用步骤。
构建训练集步骤可以包括如下步骤:
步骤S11:确定M项互联网金融产品,选取N个对所述M项互联网金融产品有参与需求的用户;其中,每一位用户具有唯一的用户ID,所述M项互联网金融产品包括M个兴趣特征和一个互联网响应行为特征,所述互联网响应行为特征的结果值为是否对营销产品链接进行点击展开,所述M个兴趣特征具有Y个结果值,M、Y和N为正整数。
步骤S12:根据一预定的时间段的历史营销数据信息,获得对每一位所述用户进行所述M项互联网金融产品营销中的M个兴趣特征,以及得到每一位所述用户参与的互联网金融产品的互联网响应行为特征;
步骤S13:形成对所述M项互联网金融产品有参与需求的用户数量*(兴趣特征数量+互联网响应行为特征数量)的结果矩阵;其中,所述结果矩阵为N*(M+1)。
在本发明的实施例中,可以将历史营销数据信息作为训练集中的数据。具体地,可以将历史营销数据汇总成一个已营销用户数量*(兴趣特征数量+1)的矩阵,即将每个已营销用户的所有兴趣特征(十分感兴趣/感兴趣/不感兴趣)以及是否对营销产品链接进行点击展开。
举例来说,假设,有4个客户(用户A、用户B、用户C和用户D),有4个兴趣特征(兴趣特征1、兴趣特征2、兴趣特征3、兴趣特征4),一个互联网响应行为特征,互联网响应行为特征的结果值为是否对营销产品链接进行点击展开。每个已营销用户的所有兴趣特征(兴趣特征1、兴趣特征2、兴趣特征3、兴趣特征4)的结果值为有3个(十分感兴趣/感兴趣/不感兴趣),那么,可以得到如下结果矩阵的表格1:
兴趣特征1 | 兴趣特征2 | 兴趣特征3 | 兴趣特征4 | 是否点击 | |
用户A | 十分感兴趣 | 感兴趣 | 感兴趣 | 不感兴趣 | 是 |
用户B | 感兴趣 | 不感兴趣 | 不感兴趣 | 不感兴趣 | 否 |
用户C | 不感兴趣 | 十分感兴趣 | 感兴趣 | 感兴趣 | 是 |
用户D | 十分感兴趣 | 感兴趣 | 不感兴趣 | 十分感兴趣 | 否 |
得到了上述表格1中的结果矩阵后,就可以进行数据训练步骤了。
所述数据训练步骤包括:
步骤S21:基于决策树算法,从所述M个兴趣特征中选取X个兴趣特征,对X个兴趣特征进行二分处理;其中,X为小于等于M的正整数;
步骤S22:将所述X个兴趣特征中的每一个特征作为节点而对用户进行二分处理,在每一次特征分类后计算出各特征与其相应的互联网响应行为特征结果值的相关性;
步骤S23:根据每一次迭代处理后的各特征与其相应的互联网响应行为特征结果值组合的相关性,得到所述用户被分错集合概率,并将得到所述用户被分错集合概率最小的组合,作为预测后的分类模型。
下面我们就构建训练集步骤中得到的数据详细叙述一下进行数据训练的具体步骤。
在本发明的实施例中,进行数据训练是基于决策树算法来构建分类模型,决策树(decision tree)是一种基本的分类与回归方法。决策树模型呈树形结构,在分类问题中,表示基于特征对实例进行分类的过程。
首先,选取一定数量的兴趣特征,同时对兴趣特征进行二分处理后对于每个用户进行分类。例如:对于上述表格1中,先选取2个兴趣特征即兴趣特征1及兴趣特征2进行分类,分类具体步骤如下:
①.基于兴趣特征1,先将“十分感兴趣”与“感兴趣”分类为类别a,将“不感兴趣”分类为类别b,而将用户A、用户B与用户D分类为兴趣特征1的类别a,用户C分类为类别b;
②.对于所有用户再基于兴趣特征2进行分类,而兴趣特征2亦将“十分感兴趣”与“感兴趣”分类为类别c/d,将“不感兴趣”分类为类别e/f,即将①中类别a的用户A、用户B、用户D再次分类,用户A和用户D分类为类别c,用户B分类为类别e,而上述①步骤中类型b的用户C则分类到类别d;
③.至此分类为3个集合,即类别c{A、D}、类别d{C}、类别e{B},计算每个集合中的点击率,将点击率最高的前一半集合作为点击意向集合,其余集合作为不点击意向集合,根据每个用户是否实际点击,计算每个用户被分错集合的概率Gini(p)(即实际点击用户分类至无点击意向集合或未实际点击用户分类至点击意向集合),计算公式为:
其中,pk为单一用户属于其对应类别的概率。
④.将上述①、②步骤中的分类方式进行改变,即将“十分感兴趣”与“不感兴趣”分为一类,“感兴趣”分为一类;以及“感兴趣”与“不感兴趣”分为一类,“十分感兴趣”分为一类。对于选取的两个兴趣特征而言,存在3*3=9种组合,计算每一个组合的Gini(p);
⑤.重新选取所有两种兴趣的组合,重复上述①-④步骤,得到Gini(p)最小也就是用户被分错集合概率最小的组合,作为分类模型。
在本发明的实施例中,得到了上述分类模型后,就可以进行模型应用的步骤了。所述模型应用步骤具体包括:
步骤S31:获取拟互联网金融产品营销的包括Z位用户的群体,所述需进行互联网金融产品构成M个兴趣特征,Z为正整数;
步骤S32:形成对所述拟互联网金融产品营销有参与需求的用户数量*兴趣特征数量的结果矩阵;其中,所述结果矩阵为Z*M;
步骤S33:使用步骤23中的分类模型,将所有所述拟互联网金融产品营销用户区分为点击意向用户与无点击意向用户,而后仅对点击意向用户进行营销。
需要说明的是,在模型应用的步骤中,首先可以获取未进行营销的用户群体,其中,该用户群体可以是包括在对金融产品(例如***用户)低意向率兴趣特征中的;展开为步骤13中类似的矩阵,该矩阵的列标签仅包含兴趣特征而不包含是否点击,从而得到用户数量*兴趣特征数量的矩阵,使用步骤23中得到的分类模型,将所有用户区分为点击意向用户与无点击意向用户,而后仅对点击意向用户进行营销,从而可以将金融产品低意向率兴趣特征中的高金融产品意向率客户进行区分,并对高意向率客户进行营销,达到节省成本的同时又提高营销效率的目的。
以上所述的仅为本发明的优选实施例,所述实施例并非用以限制本发明的专利保护范围,因此凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (2)
1.一种针对用户金融产品需求进行分类和预测的方法,其特征在于,包括构建训练集步骤和数据训练步骤:
所述构建训练集步骤包括:
步骤S11:确定M项互联网金融产品,选取N个对所述M项互联网金融产品有参与需求的用户;其中,每一位用户具有唯一的用户ID,所述M项互联网金融产品包括M个兴趣特征和一个互联网响应行为特征,所述互联网响应行为特征的结果值为是否对营销产品链接进行点击展开,所述M个兴趣特征具有Y个结果值,M、Y和N为正整数;
步骤S12:根据一预定的时间段的历史营销数据信息,获得对每一位所述用户进行所述M项互联网金融产品营销中的M个兴趣特征,以及得到每一位所述用户参与的互联网金融产品的互联网响应行为特征;
步骤S13:形成对所述M项互联网金融产品有参与需求的用户数量*(兴趣特征数量+互联网响应行为特征数量)的结果矩阵;其中,所述结果矩阵为N*(M+1);
所述数据训练步骤包括:
步骤S21:基于决策树算法,从所述M个兴趣特征中选取X个兴趣特征,对X个兴趣特征进行二分处理;其中,X为小于等于M的正整数;
步骤S22:将所述X个兴趣特征中的每一个特征作为节点而对用户进行二分处理,在每一次特征分类后计算出各特征与其相应的互联网响应行为特征结果值的相关性;
步骤S23:根据每一次迭代处理后的各特征与其相应的互联网响应行为特征结果值组合的相关性,得到所述用户被分错集合概率,并将得到所述用户被分错集合概率最小的组合,作为预测后的分类模型。
2.根据权利要求1所述的针对用户金融产品需求进行分类和预测的方法,其特征在于,还包括模型应用步骤,所述模型应用步骤具体包括:
步骤S31:获取拟互联网金融产品营销的包括Z位用户的群体,所述需进行互联网金融产品构成M个兴趣特征,Z为正整数;
步骤S32:形成对所述拟互联网金融产品营销有参与需求的用户数量*兴趣特征数量的结果矩阵;其中,所述结果矩阵为Z*M;
步骤S33:使用步骤23中的分类模型,将所有所述拟互联网金融产品营销用户区分为点击意向用户与无点击意向用户,而后仅对点击意向用户进行营销。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010705079.3A CN111815064A (zh) | 2020-07-21 | 2020-07-21 | 一种针对用户金融产品需求进行分类和预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010705079.3A CN111815064A (zh) | 2020-07-21 | 2020-07-21 | 一种针对用户金融产品需求进行分类和预测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111815064A true CN111815064A (zh) | 2020-10-23 |
Family
ID=72861079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010705079.3A Pending CN111815064A (zh) | 2020-07-21 | 2020-07-21 | 一种针对用户金融产品需求进行分类和预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815064A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107993139A (zh) * | 2017-11-15 | 2018-05-04 | 华融融通(北京)科技有限公司 | 一种基于动态规则库的消费金融反欺诈***与方法 |
CN109598544A (zh) * | 2018-11-21 | 2019-04-09 | 优估(上海)信息科技有限公司 | 一种媒体目标匹配方法及*** |
CN109960759A (zh) * | 2019-03-22 | 2019-07-02 | 中山大学 | 基于深度神经网络的推荐***点击率预测方法 |
CN110019106A (zh) * | 2019-03-21 | 2019-07-16 | 国网江西省电力有限公司萍乡供电分公司 | 一种智能电网的电力营销海量数据处理方法及*** |
CN110400169A (zh) * | 2019-07-02 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 一种信息推送方法、装置及设备 |
-
2020
- 2020-07-21 CN CN202010705079.3A patent/CN111815064A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107993139A (zh) * | 2017-11-15 | 2018-05-04 | 华融融通(北京)科技有限公司 | 一种基于动态规则库的消费金融反欺诈***与方法 |
CN109598544A (zh) * | 2018-11-21 | 2019-04-09 | 优估(上海)信息科技有限公司 | 一种媒体目标匹配方法及*** |
CN110019106A (zh) * | 2019-03-21 | 2019-07-16 | 国网江西省电力有限公司萍乡供电分公司 | 一种智能电网的电力营销海量数据处理方法及*** |
CN109960759A (zh) * | 2019-03-22 | 2019-07-02 | 中山大学 | 基于深度神经网络的推荐***点击率预测方法 |
CN110400169A (zh) * | 2019-07-02 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 一种信息推送方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062757A (zh) | 基于多路径寻优匹配的信息推荐方法及*** | |
CN112149352B (zh) | 一种结合gbdt自动特征工程对营销活动点击的预测方法 | |
US7818322B2 (en) | Efficient method for clustering nodes | |
CN111967971A (zh) | 银行客户数据处理方法及装置 | |
CN111179016A (zh) | 一种售电套餐推荐方法、设备及存储介质 | |
CN108921602B (zh) | 一种基于集成神经网络的用户购买行为预测方法 | |
CN108805598A (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
CN112258223B (zh) | 一种基于决策树的营销广告点击的预测方法 | |
CN111489201A (zh) | 一种客户价值分析的方法、设备、存储介质 | |
CN112801760A (zh) | 一种内容个性化推荐***的排序优化方法及*** | |
CN111950806A (zh) | 一种基于因子分解机的营销活动预测模型结构和预测方法 | |
CN110955690A (zh) | 一种基于大数据技术的自助数据标签平台及自助数据标签方法 | |
CN111967521A (zh) | 跨境活跃用户识别方法及装置 | |
CN111310843A (zh) | 一种基于K-means的海量流式数据的聚类方法及*** | |
CN111368131B (zh) | 用户关系识别方法、装置、电子设备及存储介质 | |
CN117455529A (zh) | 基于大数据技术的用户用电特征画像构建方法及*** | |
CN111815064A (zh) | 一种针对用户金融产品需求进行分类和预测的方法 | |
Daneshmandi et al. | A hybrid data mining model to improve customer response modeling in direct marketing | |
CN112633937B (zh) | 基于深度自动编码器降维结合gbdt的营销预测方法 | |
CN114820050A (zh) | 一种多模型融合的用户属性预测方法 | |
CN112308419A (zh) | 数据处理方法、装置、设备及计算机存储介质 | |
CN114092123A (zh) | 一种满意度智能分析*** | |
CN114004513B (zh) | 一种需求预测方法、***及存储介质 | |
CN113378033A (zh) | 一种推荐模型的训练方法和装置 | |
Kachroo | CUSTOMER SEGMENTATION AND PROFILING FOR E-COMMERCE USING DBSCAN AND FUZZY C-MEANS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 200436 room 406, 1256 and 1258 Wanrong Road, Jing'an District, Shanghai Applicant after: Shanghai Shuming Artificial Intelligence Technology Co.,Ltd. Address before: Room 1601-026, 238 JIANGCHANG Third Road, Jing'an District, Shanghai, 200436 Applicant before: Shanghai Shuming Artificial Intelligence Technology Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201023 |