CN112232891A - 一种基于大数据分析的客户匹配方法和装置 - Google Patents
一种基于大数据分析的客户匹配方法和装置 Download PDFInfo
- Publication number
- CN112232891A CN112232891A CN202011431438.7A CN202011431438A CN112232891A CN 112232891 A CN112232891 A CN 112232891A CN 202011431438 A CN202011431438 A CN 202011431438A CN 112232891 A CN112232891 A CN 112232891A
- Authority
- CN
- China
- Prior art keywords
- information
- client
- data
- obtaining
- course
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000007405 data analysis Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 103
- 230000000694 effects Effects 0.000 claims abstract description 69
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 101150054987 ChAT gene Proteins 0.000 description 26
- 101100203187 Mus musculus Sh2d3c gene Proteins 0.000 description 26
- 238000004891 communication Methods 0.000 description 20
- 238000012795 verification Methods 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000009891 weiqi Substances 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Computing Systems (AREA)
- Information Transfer Between Computers (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于大数据分析的客户匹配方法和装置，其中，所述方法包括：获得第一课程信息；根据所述第一课程信息，获得第一课程对象信息；根据所述第一课程对象信息，获得第一推荐客户信息；根据所述第一推荐客户信息，获得客户IP信息；根据所述客户IP信息，获得第一客户网络数据；将所述第一课程对象信息、所述第一客户网络数据输入第一训练模型；获得所述第一训练模型的输出信息；判断所述第一关联性数据是否满足第一预定阈值；当满足时，获得第一指令。解决了现有技术中存在推广使用的客户名单可靠性不高，无效号较多，造成宣传费用浪费，影响推广效果的技术问题。
Description
技术领域
本发明涉及线上教育客户匹配相关领域，尤其涉及一种基于大数据分析的客户匹配方法和装置。
背景技术
现在孩子为了赢在起跑线上，参加了多种培训兴趣班，如：钢琴、英语、书法、足球、围棋等等，与此同时带来了很多商机，出现了多种教育培训机构，同时存在线上、线下多样性，选择性更广同时对于教育机构而言竞争也会激烈，为了能接收到多的生源，各机构会通过电话营销的方式进行推广，找到准确的客户群体对于推广效果十分有效，避免空打造成浪费。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中存在推广使用的客户名单可靠性不高，无效号较多，造成宣传费用浪费，影响推广效果的技术问题。
发明内容
本申请实施例通过提供一种基于大数据分析的客户匹配方法和装置，解决了现有技术中存在推广使用的客户名单可靠性不高，无效号较多，造成宣传费用浪费，影响推广效果的技术问题。达到了通过课程的内容针对性匹配客户，并利用大数据分析客户的群聊，对客户数据进行修正，提高了客户数据的准确性，使推广客户的匹配度更高，提高推广成功率的技术效果。
本申请实施例提供了一种基于大数据分析的客户匹配方法，其中，所述方法还包括：获得第一课程信息；根据所述第一课程信息，获得第一课程对象信息；根据所述第一课程对象信息，获得第一推荐客户信息；根据所述第一推荐客户信息，获得客户IP信息；根据所述客户IP信息，获得第一客户网络数据，所述第一客户网络数据为所述第一客户参加的群聊信息；将所述第一课程对象信息、所述第一客户网络数据输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一课程对象信息、所述第一客户网络数据和用来标识第一关联性数据的标识信息；获得所述第一训练模型的输出信息，其中，所述输出信息包括所述第一关联性数据，所述第一关联性数据表示所述第一客户网络数据与所述第一课程对象信息之间关联性；判断所述第一关联性数据是否满足第一预定阈值；当满足时，获得第一指令，所述第一指令为所述第一推荐客户与所述第一课程信息匹配成功，将所述第一推荐客户保存于客户数据库中。
另一方面，本申请还提供了一种基于大数据分析的客户匹配装置，其中，所述装置包括：第一获得单元：所述第一获得单元用于获得第一课程信息；第二获得单元：所述第二获得单元用于根据所述第一课程信息，获得第一课程对象信息；第三获得单元：所述第三获得单元用于根据所述第一课程对象信息，获得第一推荐客户信息；第四获得单元：所述第四获得单元用于根据所述第一推荐客户信息，获得客户IP信息；第五获得单元：所述第五获得单元用于根据所述客户IP信息，获得第一客户网络数据，所述第一客户网络数据为所述第一客户参加的群聊信息；第一输入单元：所述第一输入单元用于将所述第一课程对象信息、所述第一客户网络数据输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一课程对象信息、所述第一客户网络数据和用来标识第一关联性数据的标识信息；第六获得单元：所述第六获得单元用于获得所述第一训练模型的输出信息，其中，所述输出信息包括所述第一关联性数据，所述第一关联性数据表示所述第一客户网络数据与所述第一课程对象信息之间关联性；第一判断单元：所述第一判断单元用于判断所述第一关联性数据是否满足第一预定阈值；第七获得单元：所述第七获得单元用于当满足时，获得第一指令，所述第一指令为所述第一推荐客户与所述第一课程信息匹配成功，将所述第一推荐客户保存于客户数据库中。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过获得所述第一课程对象信息、所述第一客户网络数据信息，并将所述第一课程对象信息、所述第一客户网络数据信息输入第一神经网络模型进行不断的训练，使得输出结果更为准确，达到了使得输出的第一关联性数据，即所述第一客户网络数据与所述第一课程对象信息之间关联性更为精准，进而使推广客户的匹配度更高，提高推广成功率的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于大数据分析的客户匹配方法的流程示意图；
图2为本申请实施例一种基于大数据分析的客户匹配装置的结构示意图；
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第五获得单元15，第一输入单元16，第六获得单元17，第一判断单元18，第七获得单元19，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。
具体实施方式
本申请实施例通过提供一种基于大数据分析的客户匹配方法和装置，解决了现有技术中存在推广使用的客户名单可靠性不高，无效号较多，造成宣传费用浪费，影响推广效果的技术问题。达到了通过课程的内容针对性匹配客户，并利用大数据分析客户的群聊，对客户数据进行修正，提高了客户数据的准确性，使推广客户的匹配度更高，提高推广成功率的技术效果。
下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
现在孩子为了赢在起跑线上，参加多种培训兴趣班,与此同时带来很多商机，出现多种教育培训机构，同时存在线上、线下多样性，选择性更广同时对于教育机构而言竞争也会激烈，为了能接收到多的生源，各机构会通过电话营销的方式进行推广，然而推广使用的客户名单可靠性不高，无效号较多，造成宣传费用浪费，影响推广效果
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种基于大数据分析的客户匹配方法，其中，所述方法还包括：获得第一课程信息；根据所述第一课程信息，获得第一课程对象信息；根据所述第一课程对象信息，获得第一推荐客户信息；根据所述第一推荐客户信息，获得客户IP信息；根据所述客户IP信息，获得第一客户网络数据，所述第一客户网络数据为所述第一客户参加的群聊信息；将所述第一课程对象信息、所述第一客户网络数据输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一课程对象信息、所述第一客户网络数据和用来标识第一关联性数据的标识信息；获得所述第一训练模型的输出信息，其中，所述输出信息包括所述第一关联性数据，所述第一关联性数据表示所述第一客户网络数据与所述第一课程对象信息之间关联性；判断所述第一关联性数据是否满足第一预定阈值；当满足时，获得第一指令，所述第一指令为所述第一推荐客户与所述第一课程信息匹配成功，将所述第一推荐客户保存于客户数据库中。
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一
如图1所示，本申请实施例提供了一种基于大数据分析的客户匹配方法，其中，所述方法还包括：
步骤S100：获得第一课程信息；
具体而言，所述第一课程信息为客户通过在线教育平台进行学习的课程信息，所述第一课程信息种类繁多，包括各类专业课群以及各种兴趣***群，在此不做具体设定。
步骤S200：根据所述第一课程信息，获得第一课程对象信息；
具体而言，所述第一课程对象信息为通过在线教育进行学习的对象，所述第一课程对象信息与所述第一课程信息一一对应，进一步可理解为当所述第一课程信息为少儿英语培训课程时，所述第一课程对象信息为小孩等。
步骤S300：根据所述第一课程对象信息，获得第一推荐客户信息；
具体而言，所述第一推荐客户信息为所述第一课程对象的众多对象中的一个，即从所述第一课程对象信息中筛选出一个客户，所述第一推荐客户信息与所述第一课程对象信息学习的方向和内容都是相同的。
步骤S400：根据所述第一推荐客户信息，获得客户IP信息；
具体而言，所述客户IP 信息为所述第一推荐客户信息的进行上网的网络地址信息。IP地址是IP协议提供的一种统一的地址格式，它为互联网上的每一个网络和每一台主机分配一个逻辑地址，以此来屏蔽物理地址的差异，由于有这种唯一的地址，才保证了用户在连网的计算机上操作时，能够高效而且方便地从千千万万台计算机中选出自己所需的对象来。
步骤S500：根据所述客户IP信息，获得第一客户网络数据，所述第一客户网络数据为所述第一客户参加的群聊信息；
具体而言，已知所述客户IP信息，可进一步获得第一客户网络数据，所述第一客户网络数据为所述第一客户参加的群聊信息，即所述第一用户根据对应的学习科目添加的学习交流群的聊天信息，第一客户可根据学习交流群的聊天信息进行自主学习。
步骤S600：将所述第一课程对象信息、所述第一客户网络数据输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一课程对象信息、所述第一客户网络数据和用来标识第一关联性数据的标识信息；
步骤S700：获得所述第一训练模型的输出信息，其中，所述输出信息包括所述第一关联性数据，所述第一关联性数据表示所述第一客户网络数据与所述第一课程对象信息之间关联性；
具体而言，可将所述第一课程对象信息、所述第一客户网络数据输入第一训练模型，所述第一训练模型为根据训练数据进行不断的自我训练学习的模型，进一步而言，所述训练模型为神经网络模型，所述神经网络模型即机器学习中的神经网络模型，神经网络(NeuralNetworks，NN)是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂神经网络***，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习***。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络（Artificial NeuralNetworks），是对人类大脑***的一阶特性的一种描述。
简单地讲，它是一个数学模型。基于大量的训练数据的训练，其中，训练数据中的每一组训练数据均包括：所述第一课程对象信息、所述第一客户网络数据和用来标识第一关联性数据的标识信息，所述神经网络模型不断地自我的修正，当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束。通过对所述神经网络模型的数据训练，进而使得所述神经网络模型处理所述输入数据更加准确，进而使得输出的所述第一关联性数据，即所述第一客户网络数据与所述第一课程对象信息之间关联性更加准确。基于训练模型经过训练后处理数据更加准确的特性，将所述第一课程对象信息、所述第一客户网络数据输入第一训练模型，通过训练模型的输出信息准确获得第一结果，对客户数据进行修正，提高了客户数据的准确性，进而达到使推广客户的匹配度更高，提高推广成功率的技术效果。
步骤S800：判断所述第一关联性数据是否满足第一预定阈值；
步骤S900：当满足时，获得第一指令，所述第一指令为所述第一推荐客户与所述第一课程信息匹配成功，将所述第一推荐客户保存于客户数据库中。
具体而言，所述第一预定阈值为预设的所述第一关联性数据的达标范值，可对所述第一关联性数据进行判断，判断所述第一关联性数据是否满足第一预定阈值，当所述第一关联性数据满足第一预定阈值时，即所述第一关联性数据是达标的，则获得第一指令，所述第一指令为所述第一推荐客户与所述第一课程信息匹配成功，即所述第一推荐客户的学习方向和内容与所述第一课程信息的授课方向和内容是相一致的，将所述第一推荐客户保存于客户数据库中，还可对所述客户数据库进行实时更新，达到了为客户匹配合适的交流群，提高推广成功率的技术效果。
当所述第一客户网络数据中包含了一个结果时，本申请实施例还包括：
步骤S1010：判断所述第一关联性数据是否满足第一预定阈值；
步骤S1020：当不满足时，获得第二指令，所述第二指令用于将所述第一推荐客户删除。
具体而言，当所述第一客户网络数据中已经包含了一个结果，即所述第一客户已经添加了一项学习交流群，则将所述已经添加了一项交流学习群输入所述第一训练模型进行训练，进而获得对应的第一关联性数据，判断所述第一关联性数据是否满足第一预定阈值，当所述第一关联性数据不满足第一预定阈值时，则获得第二指令，所述第二指令用于将所述第一推荐客户删除，通过确保所述客户数据库中的客户学习的关联性数据都是满足第一预定阈值，进而确保客户的学习方向和内容与课程信息的授课方向和内容是相一致，达到了使推广客户的匹配度更高，提高推广成功率的技术效果。
当所述第一客户网络数据中包含了两个或两个以上结果时，本申请实施例还包括：
步骤S1110：根据所述第一课程信息、所述第一客户网络数据中的第一结果，获得所述第一关联性数据；根据所述第一课程信息、所述第一客户网络数据中的第二结果，获得第二关联性数据；以此类推，直到根据所述第一课程信息、所述第一客户网络数据中的第P结果，获得第P关联性数据，其中P为大于1的自然数；
步骤S1120：分别判断所述第一关联性数据、所述第二关联性数据、直到所述第P关联性数据，是否满足所述第一预定阈值；
步骤S1130：当判断结果存在至少一个满足时，获得第三指令，所述第三指令为所述第一推荐客户与所述第一课程信息匹配成功，将所述第一推荐客户保存于所述客户数据库中。
具体而言，当所述第一客户网络数据中包含了两个或两个以上结果，即所述第一客户已经添加不止一项学习交流群，可能添加包括语文、数学等两个或两个以上的学习交流群，然而所述第一课程信息只有一个科目，可以是语文、数学、外语等科目中的任意一科，应分别对其进行判断匹配。则可根据所述第一课程信息、所述第一客户网络数据中的第一结果，获得所述第一关联性数据，以此类推，直到根据所述第一课程信息、所述第一客户网络数据中的第P结果，获得第P关联性数据，通过分别判断所述第一关联性数据、所述第二关联性数据、直到所述第P关联性数据，是否满足所述第一预定阈值，进而得出不同的结果，所述不同的结果中应至少有一项是满足所述第一预定阈值的，即至少有一个结果是与所述第一课程信息相匹配的，则当判断结果存在至少一个满足时，获得第三指令，所述第三指令为所述第一推荐客户与所述第一课程信息匹配成功，将所述第一推荐客户保存于所述客户数据库中，达到了更加准确的为所述第一推荐客户的第一课程信息匹配合适的学习交流群，使推广客户的匹配度更高，提高推广成功率的技术效果。
为了向更多的客户群体匹配对应的学习交流群，本申请实施例还包括：
步骤S1210：根据所述第一推荐客户信息、所述第一客户网络数据，获得第一关联客户信息；
步骤S1220：根据所述第一关联客户信息、所述客户数据库，获得第一筛查结果；
步骤S1230：当所述第一筛查结果为否时，获得第四指令，所述第四指令为所述第一关联客户与所述第一课程信息匹配成功，将所述第一关联客户保存于所述客户数据库中。
具体而言，为了向更多的客户群体匹配对应的学习交流群，还可根据所述第一推荐客户信息、所述第一客户网络数据，获得第一关联客户信息，所述第一关联客户信息可理解为与所述第一推荐客户同处一个学习交流群的客户信息，进而根据所述第一关联客户信息、所述客户数据库，获得第一筛查结果，即对所述客户数据库进行筛选，判断所述第一关联客户信息是否存在于所述客户数据库，当所述第一筛查结果为否时，即所述第一关联客户信息不在所述客户数据库，获得第四指令，所述第四指令为所述第一关联客户与所述第一课程信息匹配成功，将所述第一关联客户保存于所述客户数据库中，进而达到了向更多的客户群体匹配对应的学习交流群，扩大客户群体的技术效果。
所述判断所述第一关联性数据是否满足第一预定阈值之后，步骤S800还包括：
步骤S810：当所述第一关联性数据满足所述第一预定阈值时，根据所述第一客户网络数据，获得第一网络群聊主题；
步骤S820：根据所述第一课程信息，获得第一课程主题；
步骤S830：根据所述第一网络群聊主题、所述第一课程主题，获得第一相似度数据；
步骤S840：判断所述第一相似度数据是否满足第二预定阈值；
步骤S850：当满足时，获得第五指令，所述第五指令用于将所述第一推荐客户列为备选客户，保存于备选客户集中。
具体而言，为了更加人性化的进行客户群聊匹配，还可当所述第一关联性数据满足所述第一预定阈值时，即客户的学习方向和内容与课程信息的授课方向和内容是相一致的，根据所述第一客户网络数据，获得第一网络群聊主题，所述第一网络群聊主题为所述第一客户添加的学习交流群中的聊天主题，可进一步理解为父母给小孩报的英语***学习，则对应的群聊主题应该是以英语为主题的，所述第一课程主题为所述第一课程信息的主要内容，进一步可理解为小孩学习的是小学英语，则所述第一课程主题对应的是小学英语的学习内容，而非初中、高中英语等超纲内容，进而根据所述第一网络群聊主题、所述第一课程主题，获得第一相似度数据，所述第一相似度信息可理解为父母添加的学习交流群的聊天主题与小孩实际需要学习的内容之间的相似度，并判断所述第一相似度数据是否满足第二预定阈值，即判断所述第一相似度数据是否达到基本要求的数据，当满足时，即所述第一相似度数据达到基本要求的数据，父母添加的学习交流群的聊天主题与小孩实际需要学习的内容之间的相似度极近，则获得第五指令，所述第五指令用于将所述第一推荐客户列为备选客户，保存于备选客户集中，即可先将客户列为备选客户，等到小孩报的学习***结束之后，再向小孩的父母推荐相关学习培训课程，达到了更加人性化的进行客户群聊匹配，提高推广成功率的技术效果。
所述判断所述第一相似度数据是否满足第二预定阈值之后，步骤S840还包括：
步骤S841：当所述第一相似度数据不满足第二预定阈值时，获得所述第一指令。
具体而言，如果所述第一相似度数据不满足第二预定阈值，可理解为父母添加的学习交流群的聊天主题与小孩实际需要学习的内容不相符合，对小孩的学习没有起到促进作用，则获得所述第一指令，根据所述第一指令，使得所述第一推荐客户与所述第一课程信息匹配成功，为小孩匹配到适合的学习交流群，达到了更加合理、科学的进行客户群聊匹配的技术效果。
进一步而言，本申请实施例还包括：
步骤S1310：将所述第一客户IP信息作为第一输入数据；
步骤S1320：将所述第一客户网络数据作为第二输入数据；
步骤S1330：将所述第一输入数据、所述第二输入数据输入第二训练模型，其中，所述第二训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一输入数据、所述第二输入数据和用来标识第一活跃度信息的标识信息；
步骤S1340：获得所述第二训练模型的输出信息，其中，所述输出信息包括所述第一活跃度信息，所述第一活跃度信息表示所述第一推荐客户在所述第一客户网络数据中的活跃度，其中，所述第一活跃度信息包括活跃时间、活跃程度；
步骤S1350：判断所述第一活跃度信息是否满足第三预定阈值；
步骤S1360：当不满足时，根据所述第一活跃度信息，获得第一活跃间隔时间；
步骤S1370：判断所述第一活跃间隔时间是否满足第四预定阈值；
步骤S1380：当满足时，获得第六指令，所述第六指令为所述第一推荐客户与所述第一课程信息匹配成功，将所述第一关联客户从备用客户集中移出，保存于所述客户数据库中。
具体而言，判断所述第一关联性数据是否满足第一预定阈值之后，还可通过学习交流群中的发言活跃度和入群时间来判断报的学习***是否即将到期结束，进而为小孩再次匹配适合的学习交流群。可通过将所述第一客户IP信息和所述第一客户网络数据输入第二训练模型，所述第二训练模型同所述第一训练模型，对输入数据进行不断训练，在此不再具体详述，直到所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束。通过对所述神经网络模型的数据训练，进而使得所述神经网络模型处理所述输入数据更加准确，进而使得输出的所述第一活跃度信息，即所述第一推荐客户在所述第一客户网络数据中的活跃度，其中，所述第一活跃度信息包括活跃时间、活跃程度，进而判断所述第一活跃度信息是否满足第三预定阈值，即所述第一客户在学习交流群的发言积极程度及发言时间等信息是否满足最基本的活跃度，当不满足时，根据所述第一活跃度信息，获得第一活跃间隔时间，所述第一活跃间隔时间为所述第一客户在群里发言的时间间隔，根据所述第一活跃间隔时间可进一步判断所述第一客户的活跃度，当所述第一活跃间隔时间过长时，综上所得，所述第一客户的学习期限即将到期，则获得第六指令，所述第六指令为所述第一推荐客户与所述第一课程信息匹配成功，进而将所述第一关联客户从备用客户集中移出，保存于所述客户数据库中，通过根据用户的实际群聊活跃度进而判断学习期限是否即将到期，并适时的推荐适合的学习交流群给所述第一客户，达到了更加人性化、更加合理的匹配学习交流群，使推广客户的匹配度更高，提高推广成功率的技术效果。
为了对客户数据库信息进行有效记录并保存，本申请实施例还包括：
根据第一客户数据信息生成第一验证码，所述第一验证码与所述第一客户数据信息一一对应；
根据第二客户数据信息生成第二验证码，所述第二验证码与所述第二客户数据信息一一对应，以此类推，可获得第N客户数据信息，并根据所述第N客户数据信息生成第N验证码，其中，N为大于1的自然数；
将所有的客户数据信息和验证码分别复制保存在M台设备中，其中，M为大于1的自然数。
具体而言，为了确保客户数据库信息可以得到有效的记录并保存，可对其进行基于区块链的加密操作，确保数据不被篡改。区块链技术是一项具有普适性的底层技术架构，它通过共识机制在分布式节点上生成和同步数据、借助可编程脚本实现合约条款的自动执行和数据操作。区块链被定义为一种按时间顺序来组织数据区块，不同区块之间按序形成链条状连接的数据结构，借助这种数据结构来构建数字账本。
根据第一客户数据信息生成第一验证码，所述第一验证码与所述第一客户数据信息一一对应；根据第二客户数据信息生成第二验证码，所述第二验证码与所述第二客户数据信息一一对应，以此类推，可获得第N客户数据信息，并根据所述第N客户数据信息生成第N验证码，其中，N为大于1的自然数；将所有的客户数据信息和验证码分别复制保存在M台设备中，其中，M为大于1的自然数。对所述第一客户数据信息进行加密存储，其中，每个设备对应于一个节点，所有节点组合起来形成了区块链，这样的区块链就构成了一个便于验证（只要验证最后一个区块的Hash值就相当于验证了整个版本），不可更改（任何一个交易信息的更改，会让所有之后的区块的Hash值发生变化，这样在验证时就无法通过）的总账本。
区块链***采用分布式数据形式，让每一个参与节点都能够获得一份完整的数据库备份，除非能够同时控制整个***中51%的节点，否则单个节点对数据库的修改是无效的，也无法影响其他节点上的数据内容。因此，参与***中的节点越多，算力越强，***中的数据安全性也就越高。对所述客户数据库信息基于区块链的加密处理，有效保证了所述客户数据库信息的存储安全，达到了对所述客户数据库信息进行安全的记录并保存的技术效果。
综上所述，本申请实施例所提供的一种基于大数据分析的客户匹配方法和装置具有如下技术效果：
1、通过获得所述第一课程对象信息、所述第一客户网络数据信息，并将所述第一课程对象信息、所述第一客户网络数据信息输入第一神经网络模型进行不断的训练，使得输出结果更为准确，达到了使得输出的第一关联性数据，即所述第一客户网络数据与所述第一课程对象信息之间关联性更为精准，进而使推广客户的匹配度更高，提高推广成功率的技术效果。
2、通过获得所述第一客户在学习交流群中的活跃度等级信息，可判断所述第一客户的学习期限是否即将到期，进而为所述第一客户匹配其他适合的学习交流群，达到了更加人性化的进行客户学习群聊匹配的技术效果。
实施例二
基于与前述实施例中一种基于大数据分析的客户匹配方法同样发明构思，本发明还提供了一种基于大数据分析的客户匹配装置，如图2所示，所述装置包括：
第一获得单元11：所述第一获得单元11用于获得第一课程信息；
第二获得单元12：所述第二获得单元12用于根据所述第一课程信息，获得第一课程对象信息；
第三获得单元13：所述第三获得单元13用于根据所述第一课程对象信息，获得第一推荐客户信息；
第四获得单元14：所述第四获得单元14用于根据所述第一推荐客户信息，获得客户IP信息；
第五获得单元15：所述第五获得单元15用于根据所述客户IP信息，获得第一客户网络数据，所述第一客户网络数据为所述第一客户参加的群聊信息；
第一输入单元16：所述第一输入单元16用于将所述第一课程对象信息、所述第一客户网络数据输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一课程对象信息、所述第一客户网络数据和用来标识第一关联性数据的标识信息；
第六获得单元17：所述第六获得单元17用于获得所述第一训练模型的输出信息，其中，所述输出信息包括所述第一关联性数据，所述第一关联性数据表示所述第一客户网络数据与所述第一课程对象信息之间关联性；
第一判断单元18：所述第一判断单元18用于判断所述第一关联性数据是否满足第一预定阈值；
第七获得单元19：所述第七获得单元19用于当满足时，获得第一指令，所述第一指令为所述第一推荐客户与所述第一课程信息匹配成功，将所述第一推荐客户保存于客户数据库中。
进一步的，所述装置还包括：
第二判断单元：所述第二判断单元用于判断所述第一关联性数据是否满足第一预定阈值；
第八获得单元：所述第八获得单元用于当不满足时，获得第二指令，所述第二指令用于将所述第一推荐客户删除。
进一步的，所述装置还包括：
第九获得单元：所述第九获得单元用于根据所述第一课程信息、所述第一客户网络数据中的第一结果，获得所述第一关联性数据；根据所述第一课程信息、所述第一客户网络数据中的第二结果，获得第二关联性数据；以此类推，直到根据所述第一课程信息、所述第一客户网络数据中的第P结果，获得第P关联性数据，其中P为大于1的自然数；
第三判断单元：所述第三判断单元用于分别判断所述第一关联性数据、所述第二关联性数据、直到所述第P关联性数据，是否满足所述第一预定阈值；
第十获得单元：所述第十获得单元用于当判断结果存在至少一个满足时，获得第三指令，所述第三指令为所述第一推荐客户与所述第一课程信息匹配成功，将所述第一推荐客户保存于所述客户数据库中。
进一步的，所述装置还包括：
第十一获得单元：所述第十一获得单元用于根据所述第一推荐客户信息、所述第一客户网络数据，获得第一关联客户信息；
第十二获得单元：所述第十二获得单元用于根据所述第一关联客户信息、所述客户数据库，获得第一筛查结果；
第十三获得单元：所述第十三获得单元用于当所述第一筛查结果为否时，获得第四指令，所述第四指令为所述第一关联客户与所述第一课程信息匹配成功，将所述第一关联客户保存于所述客户数据库中。
进一步的，所述装置还包括：
第十四获得单元：所述第十四获得单元用于当所述第一关联性数据满足所述第一预定阈值时，根据所述第一客户网络数据，获得第一网络群聊主题；
第十五获得单元：所述第十五获得单元用于根据所述第一课程信息，获得第一课程主题；
第十六获得单元：所述第十六获得单元用于根据所述第一网络群聊主题、所述第一课程主题，获得第一相似度数据；
第四判断单元：所述第四判断单元用于判断所述第一相似度数据是否满足第二预定阈值；
第十七获得单元：所述第十七获得单元用于当满足时，获得第五指令，所述第五指令用于将所述第一推荐客户列为备选客户，保存于备选客户集中。
进一步的，所述装置还包括：
第十八获得单元：所述第十八获得单元用于当所述第一相似度数据不满足第二预定阈值时，获得所述第一指令。
进一步的，所述装置还包括：
第二输入单元：所述第二输入单元用于将所述第一输入数据、所述第二输入数据输入第二训练模型，其中，所述第二训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一输入数据、所述第二输入数据和用来标识第一活跃度信息的标识信息；
第十九获得单元：所述第十九获得单元用于获得所述第二训练模型的输出信息，其中，所述输出信息包括所述第一活跃度信息，所述第一活跃度信息表示所述第一推荐客户在所述第一客户网络数据中的活跃度，其中，所述第一活跃度信息包括活跃时间、活跃程度；
第五判断单元：所述第五判断单元用于判断所述第一活跃度信息是否满足第三预定阈值；
第二十获得单元：所述第二十获得单元用于当不满足时，根据所述第一活跃度信息，获得第一活跃间隔时间；
第六判断单元：所属第六判断单元用于判断所述第一活跃间隔时间是否满足第四预定阈值；
第二十一获得单元：所述第二十一获得单元用于当满足时，获得第六指令，所述第六指令为所述第一推荐客户与所述第一课程信息匹配成功，将所述第一关联客户从备用客户集中移出，保存于所述客户数据库中。
前述图1实施例一中的一种基于大数据分析的客户匹配方法的各种变化方式和具体实例同样适用于本实施例的一种基于大数据分析的客户匹配装置，通过前述对一种基于大数据分析的客户匹配方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于大数据分析的客户匹配装置的实施方法，所以为了说明书的简洁，再次不再详述。
实施例三
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种基于大数据分析的客户匹配方法的发明构思，本发明还提供一种基于大数据分析的客户匹配装置，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于大数据分析的客户匹配方法的任一方法的步骤。
其中，在图3中，总线架构（用总线300来代表），总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例提供了一种基于大数据分析的客户匹配方法，其中，所述方法还包括：获得第一课程信息；根据所述第一课程信息，获得第一课程对象信息；根据所述第一课程对象信息，获得第一推荐客户信息；根据所述第一推荐客户信息，获得客户IP信息；根据所述客户IP信息，获得第一客户网络数据，所述第一客户网络数据为所述第一客户参加的群聊信息；将所述第一课程对象信息、所述第一客户网络数据输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一课程对象信息、所述第一客户网络数据和用来标识第一关联性数据的标识信息；获得所述第一训练模型的输出信息，其中，所述输出信息包括所述第一关联性数据，所述第一关联性数据表示所述第一客户网络数据与所述第一课程对象信息之间关联性；判断所述第一关联性数据是否满足第一预定阈值；当满足时，获得第一指令，所述第一指令为所述第一推荐客户与所述第一课程信息匹配成功，将所述第一推荐客户保存于客户数据库中。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于大数据分析的客户匹配方法，其中，所述方法包括：
获得第一课程信息；
根据所述第一课程信息，获得第一课程对象信息；
根据所述第一课程对象信息，获得第一推荐客户信息；
根据所述第一推荐客户信息，获得客户IP信息；
根据所述客户IP信息，获得第一客户网络数据，所述第一客户网络数据为所述第一客户参加的群聊信息；
将所述第一课程对象信息、所述第一客户网络数据输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一课程对象信息、所述第一客户网络数据和用来标识第一关联性数据的标识信息；
获得所述第一训练模型的输出信息，其中，所述输出信息包括所述第一关联性数据，所述第一关联性数据表示所述第一客户网络数据与所述第一课程对象信息之间关联性；
判断所述第一关联性数据是否满足第一预定阈值；
当满足时，获得第一指令，所述第一指令为所述第一推荐客户与所述第一课程信息匹配成功，将所述第一推荐客户保存于客户数据库中。
2.如权利要求1所述的方法，其中，当所述第一客户网络数据中包含了一个结果时，所述方法包括：
判断所述第一关联性数据是否满足第一预定阈值；
当不满足时，获得第二指令，所述第二指令用于将所述第一推荐客户删除。
3.如权利要求2所述的方法，其中，当所述第一客户网络数据中包含了两个或两个以上结果时，所述方法包括：
根据所述第一课程信息、所述第一客户网络数据中的第一结果，获得所述第一关联性数据；根据所述第一课程信息、所述第一客户网络数据中的第二结果，获得第二关联性数据；以此类推，直到根据所述第一课程信息、所述第一客户网络数据中的第P结果，获得第P关联性数据，其中P为大于1的自然数；
分别判断所述第一关联性数据、所述第二关联性数据、直到所述第P关联性数据，是否满足所述第一预定阈值；
当判断结果存在至少一个满足时，获得第三指令，所述第三指令为所述第一推荐客户与所述第一课程信息匹配成功，将所述第一推荐客户保存于所述客户数据库中。
4.如权利要求1所述的方法，其中，所述方法包括：
根据所述第一推荐客户信息、所述第一客户网络数据，获得第一关联客户信息；
根据所述第一关联客户信息、所述客户数据库，获得第一筛查结果；
当所述第一筛查结果为否时，获得第四指令，所述第四指令为所述第一关联客户与所述第一课程信息匹配成功，将所述第一关联客户保存于所述客户数据库中。
5.如权利要求1所述的方法，其中，所述判断所述第一关联性数据是否满足第一预定阈值之后，还包括：
当所述第一关联性数据满足所述第一预定阈值时，根据所述第一客户网络数据，获得第一网络群聊主题；
根据所述第一课程信息，获得第一课程主题；
根据所述第一网络群聊主题、所述第一课程主题，获得第一相似度数据；
判断所述第一相似度数据是否满足第二预定阈值；
当满足时，获得第五指令，所述第五指令用于将所述第一推荐客户列为备选客户，保存于备选客户集中。
6.如权利要求5所述的方法，其中，所述判断所述第一相似度数据是否满足第二预定阈值之后，包括：
当所述第一相似度数据不满足第二预定阈值时，获得所述第一指令。
7.如权利要求5所述的方法，其中，所述方法包括：
将所述第一客户IP信息作为第一输入数据；
将所述第一客户网络数据作为第二输入数据；
将所述第一输入数据、所述第二输入数据输入第二训练模型，其中，所述第二训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一输入数据、所述第二输入数据和用来标识第一活跃度信息的标识信息；
获得所述第二训练模型的输出信息，其中，所述输出信息包括所述第一活跃度信息，所述第一活跃度信息表示所述第一推荐客户在所述第一客户网络数据中的活跃度，其中，所述第一活跃度信息包括活跃时间、活跃程度；
判断所述第一活跃度信息是否满足第三预定阈值；
当不满足时，根据所述第一活跃度信息，获得第一活跃间隔时间；
判断所述第一活跃间隔时间是否满足第四预定阈值；
当满足时，获得第六指令，所述第六指令为所述第一推荐客户与所述第一课程信息匹配成功，将所述第一关联客户从备用客户集中移出，保存于所述客户数据库中。
8.一种基于大数据分析的客户匹配装置，其中，所述装置包括：
第一获得单元：所述第一获得单元用于获得第一课程信息；
第二获得单元：所述第二获得单元用于根据所述第一课程信息，获得第一课程对象信息；
第三获得单元：所述第三获得单元用于根据所述第一课程对象信息，获得第一推荐客户信息；
第四获得单元：所述第四获得单元用于根据所述第一推荐客户信息，获得客户IP信息；
第五获得单元：所述第五获得单元用于根据所述客户IP信息，获得第一客户网络数据，所述第一客户网络数据为所述第一客户参加的群聊信息；
第一输入单元：所述第一输入单元用于将所述第一课程对象信息、所述第一客户网络数据输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一课程对象信息、所述第一客户网络数据和用来标识第一关联性数据的标识信息；
第六获得单元：所述第六获得单元用于获得所述第一训练模型的输出信息，其中，所述输出信息包括所述第一关联性数据，所述第一关联性数据表示所述第一客户网络数据与所述第一课程对象信息之间关联性；
第一判断单元：所述第一判断单元用于判断所述第一关联性数据是否满足第一预定阈值；
第七获得单元：所述第七获得单元用于当满足时，获得第一指令，所述第一指令为所述第一推荐客户与所述第一课程信息匹配成功，将所述第一推荐客户保存于客户数据库中。
9.一种基于大数据分析的客户匹配装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011431438.7A CN112232891B (zh) | 2020-12-10 | 2020-12-10 | 一种基于大数据分析的客户匹配方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011431438.7A CN112232891B (zh) | 2020-12-10 | 2020-12-10 | 一种基于大数据分析的客户匹配方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112232891A true CN112232891A (zh) | 2021-01-15 |
| CN112232891B CN112232891B (zh) | 2021-07-09 |
Family
ID=74123964
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011431438.7A Active CN112232891B (zh) | 2020-12-10 | 2020-12-10 | 一种基于大数据分析的客户匹配方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112232891B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112788186A (zh) * | 2021-01-28 | 2021-05-11 | 深圳通联金融网络科技服务有限公司 | 一种基于开源软件开发的电话自动批量转接的方法及装置 |
| CN112950350A (zh) * | 2021-02-06 | 2021-06-11 | 中国建设银行股份有限公司 | 一种基于机器学习的贷款产品推荐方法及*** |
| CN113191514A (zh) * | 2021-04-25 | 2021-07-30 | 云赛智联股份有限公司 | 一种访客车辆信息预约审核方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544663A (zh) * | 2013-06-28 | 2014-01-29 | Tcl集团股份有限公司 | 网络公开课的推荐方法、***和移动终端 |
| CN109218390A (zh) * | 2018-07-12 | 2019-01-15 | 北京比特智学科技有限公司 | 用户筛选方法及装置 |
| CN110737730A (zh) * | 2019-10-21 | 2020-01-31 | 腾讯科技（深圳）有限公司 | 基于无监督学习的用户分类方法、装置、设备及存储介质 |
-
2020
- 2020-12-10 CN CN202011431438.7A patent/CN112232891B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544663A (zh) * | 2013-06-28 | 2014-01-29 | Tcl集团股份有限公司 | 网络公开课的推荐方法、***和移动终端 |
| CN109218390A (zh) * | 2018-07-12 | 2019-01-15 | 北京比特智学科技有限公司 | 用户筛选方法及装置 |
| CN110737730A (zh) * | 2019-10-21 | 2020-01-31 | 腾讯科技（深圳）有限公司 | 基于无监督学习的用户分类方法、装置、设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112788186A (zh) * | 2021-01-28 | 2021-05-11 | 深圳通联金融网络科技服务有限公司 | 一种基于开源软件开发的电话自动批量转接的方法及装置 |
| CN112950350A (zh) * | 2021-02-06 | 2021-06-11 | 中国建设银行股份有限公司 | 一种基于机器学习的贷款产品推荐方法及*** |
| CN113191514A (zh) * | 2021-04-25 | 2021-07-30 | 云赛智联股份有限公司 | 一种访客车辆信息预约审核方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112232891B (zh) | 2021-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190026656A1 (en) | System and method for defining and using different levels of ground truth | |
| WO2020005725A1 (en) | Knowledge-driven dialog support conversation system | |
| CN112232891B (zh) | 一种基于大数据分析的客户匹配方法和装置 | |
| US11443112B2 (en) | Outcome of a natural language interaction | |
| CN111797222B (zh) | 课程知识图谱构建方法、装置、终端及存储介质 | |
| CN107832275A (zh) | 区块链中智能合约标识的生成方法、装置及*** | |
| CN112580352B (zh) | 关键词提取方法、装置和设备及计算机存储介质 | |
| CN110111010B (zh) | 一种基于众智网络的问答任务分配方法及*** | |
| CN113283238B (zh) | 文本数据处理的方法和装置、电子设备和存储介质 | |
| US11816548B2 (en) | Distributed learning using ensemble-based fusion | |
| CN110727761A (zh) | 对象信息获取方法、装置及电子设备 | |
| US11861463B2 (en) | Identifying related messages in a natural language interaction | |
| Kengphanphanit et al. | Automatic requirements elicitation from social media (ARESM) | |
| CN112101577A (zh) | 基于XGBoost的跨样本联邦学习、测试方法、***、设备和介质 | |
| CN115408502A (zh) | 在同步会议中认知学习以生成模拟现场代理动作的脚本 | |
| CN114780733A (zh) | 基于dikw图谱的专利智能修改方法、辅助答复方法及*** | |
| Licato et al. | Scenarios and recommendations for ethical interpretive AI | |
| CN112148759A (zh) | 一种基于云平台的择偶方法及*** | |
| US20200364304A1 (en) | Automatic evaluation of artificial intelligence-based processes | |
| WO2023245523A1 (zh) | 用于生成训练数据的方法以及装置 | |
| CN113420261B (zh) | 基于归因分析的课程推荐方法、装置、设备及介质 | |
| CN117033997A (zh) | 数据切分方法、装置、电子设备和介质 | |
| CN115098665A (zh) | 一种对话数据扩展方法、装置及设备 | |
| Robins | Interview with Jamie Robins | |
| Lamghari | Process mining: a new approach for simplifying the process model control flow visualization |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |