CN112508603A - 养老社区潜在客户信息挖掘方法及装置 - Google Patents
养老社区潜在客户信息挖掘方法及装置 Download PDFInfo
- Publication number
- CN112508603A CN112508603A CN202011345849.4A CN202011345849A CN112508603A CN 112508603 A CN112508603 A CN 112508603A CN 202011345849 A CN202011345849 A CN 202011345849A CN 112508603 A CN112508603 A CN 112508603A
- Authority
- CN
- China
- Prior art keywords
- client
- node
- information
- data
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005065 mining Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 97
- 230000006870 function Effects 0.000 claims description 15
- 238000011835 investigation Methods 0.000 claims description 13
- 230000032683 aging Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000002483 medication Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种养老社区潜在客户信息挖掘方法及装置,该方法包括:采集养老社区***中各个客户的客户特征数据;根据各个客户的客户特征数据,生成各个客户的用户画像数据;根据各个客户的用户画像数据,构建一个包含多个节点的图卷积网络模型,使得每个节点对应一个客户;根据图卷积网络模型中已知业务需求信息的第一类客户对应节点的节点特征信息和业务需求信息,对图卷积网络模型进行半监督学习训练,预测出图卷积网络模型中未知业务需求信息的第二类客户对应节点的节点特征信息和业务需求信息;输出第二类客户的业务需求信息。本发明能够快速、准确地挖掘出养老社区的潜在客户信息。
Description
技术领域
本发明涉及知识图谱应用领域,尤其涉及一种养老社区潜在客户信息挖掘方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
随着社会的发展,生活水平的不断提高,越来越越多的老人进入养老社区进行养老。如何获取更多的客户资源,提供更好的服务,是各大养老社区的核心竞争力。对于养老社区来说,最重要的两项服务就是入住和退居。如何根据一些入住客户挖掘出更多的潜在入住客户,或者根据一些退居客户了解到更多的潜在退居客户,对于养老社区来说是十分重要的。
以退居为例,在养老社区中经常会出现老人退居的情况,养老社区为了及时了解老人的退居原因,避免养老社区中的其他老人退居,一般会派出工作人员对要退居或者已经退居的老人进行面对面的人工访谈,记录要退居或者已经退居老人的退居原因。但是,这种做法存在至少以下问题:一方面,由于人工访谈需要访谈人员根据自己的理解能力不断分析老人退居的原因,工作效率较低;另一方面,如果访谈人员的理解能力较差,则可能无法准确分析出老人退居的原因,更无法准确分析、推断出养老社区内其他老人是否存在退居风险。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例中提供了一种养老社区潜在客户信息挖掘方法,用以解决现有养老社区中,采用人工访谈方式了解客户业务需求,存在效率低下且难以挖掘出潜在客户业务需求的技术问题,该方法包括:采集养老社区***中各个客户的客户特征数据,其中,养老社区***中的客户包括:已知业务需求信息的第一类客户和未知业务需求信息的第二类客户;根据各个客户的客户特征数据,生成各个客户的用户画像数据;根据各个客户的用户画像数据,构建一个图卷积网络模型,图卷积网络模型中包含:多个节点及各个节点之间的节点关联关系,每个节点对应一个客户;根据图卷积网络模型中第一类客户对应节点的节点特征信息和业务需求信息,对图卷积网络模型进行半监督学习训练,预测出图卷积网络模型中第二类客户对应节点的节点特征信息和业务需求信息;输出第二类客户的业务需求信息。
本发明实施例中还提供了一种养老社区潜在客户信息挖掘装置,用以解决现有养老社区中,采用人工访谈方式了解客户业务需求,存在效率低下且难以挖掘出潜在客户业务需求的技术问题,该装置包括:客户数据采集模块,用于采集养老社区***中各个客户的客户特征数据,其中,养老社区***中的客户包括:已知业务需求信息的第一类客户和未知业务需求信息的第二类客户;用户画像数据生成模块,用于根据各个客户的客户特征数据,生成各个客户的用户画像数据;图卷积网络模型构建模块,用于根据各个客户的用户画像数据,构建一个图卷积网络模型,图卷积网络模型中包含:多个节点及各个节点之间的节点关联关系,每个节点对应一个客户;潜在客户信息挖掘模块,用于根据图卷积网络模型中第一类客户对应节点的节点特征信息和业务需求信息,对图卷积网络模型进行半监督学习训练,预测出图卷积网络模型中第二类客户对应节点的节点特征信息和业务需求信息;潜在客户信息输出模块,用于输出第二类客户的业务需求信息。
本发明实施例中还提供了一种计算机设备,用以解决现有养老社区中,采用人工访谈方式了解客户业务需求,存在效率低下且难以挖掘出潜在客户业务需求的技术问题,该计算机设备包括存储器、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,处理器执行计算机程序时实现上述养老社区潜在客户信息挖掘方法。
本发明实施例中还提供了一种计算机可读存储介质,用以解决现有养老社区中,采用人工访谈方式了解客户业务需求,存在效率低下且难以挖掘出潜在客户业务需求的技术问题,该计算机可读存储介质存储有执行上述养老社区潜在客户信息挖掘方法的计算机程序。
本发明实施例中,在采集到养老社区***中各个客户的客户特征数据后,根据各个客户的客户特征数据,生成各个客户的用户画像数据,进而根据各个客户的用户画像数据,构建一个包含多个节点的图卷积网络模型,使得每个节点对应一个客户;由于养老社区***中的客户包括:已知业务需求信息的第一类客户和未知业务需求信息的第二类客户,因而,在构建包含各个客户关联关系的图卷积网络模型后,可以根据图卷积网络模型中第一类客户对应节点的节点特征信息和业务需求信息,对图卷积网络模型进行半监督学习训练,预测出图卷积网络模型中第二类客户对应节点的节点特征信息和业务需求信息,输出第二类客户的业务需求信息,以便了解潜在客户的业务需求。
与现有技术中采用人工访谈方式了解客户业务需求的技术方案相比,本发明实施例通过构建包含各个客户用户画像数据和各个客户之间关联关系的图卷积网络模型,能够根据已知业务需求信息的客户,预测出未知业务需求信息客户的业务需求信息,从而快速、准确地挖掘出养老社区的潜在客户信息,例如,根据已入住客户挖掘出更多的潜在入住客户,或者根据已退居客户了解到更多的潜在退居客户,有利于养老社区向客户提供更好的服务。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中提供的一种养老社区潜在客户信息挖掘方法流程图;
图2为本发明实施例中提供的一种节点关系示意图;
图3为本发明实施例中提供的一种节点关联矩阵示意图;
图4为本发明实施例中提供的一种节点特征矩阵示意图;
图5为本发明实施例中提供的一种养老社区潜在客户信息挖掘装置示意图;
图6为本发明实施例中提供的一种计算机设备示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
本发明实施例中提供了一种养老社区潜在客户信息挖掘方法,该方法能够应用但不限于养老社区入住业务或退居业务中潜在客户信息的挖掘。
图1为本发明实施例中提供的一种养老社区潜在客户信息挖掘方法流程图,如图1所示,该方法包括如下步骤:
S101,采集养老社区***中各个客户的客户特征数据,其中,养老社区***中的客户包括:已知业务需求信息的第一类客户和未知业务需求信息的第二类客户。
需要说明的是,本发明实施例中养老社区***是指养老社区内存储客户信息的***,该***中存储有大量通过各种渠道获取到的客户信息,包括但不限于已入住客户、即将入住客户、已退居客户、即将退居客户等的客户信息。本发明实施例中第一类客户是指通过人工访谈等方式已获知其业务需求信息的客户;第二类客户是指未获知其业务需求信息的客户。
在一个实施例中,上述S101可以通过如下步骤来实现:采集养老社区***中各个客户的语音访谈数据;将采集的语音访谈数据转换为对应的文字访谈数据;利用自然语言识别技术,从语音访谈数据对应的文字访谈数据中,提取出多个命名实体及各个命名实体之间的关系,得到各个客户的客户特征数据。
需要说明的是,上述实施例中的语音访谈数据是指语音形式的访谈数据,文字访谈数据是指文字形式的访谈数据。在具体实施时,本发明实施例可借助各种自动语音识别(Automatic Speech Recognition,ASR)软件采集各个客户的语言访谈数据,这些自动语音识别软件可将语音形式的访谈数据转换为文字形式的访谈数据,进而利用自然语言识别技术,识别出能够反映各个客户特征的客户特征数据。
进一步地,可以根据目标用户所处领域及行业的不同,选择专业词汇对语音访谈信息进行描述,进而提高语音转文字的准确度。例如,当语音访谈信息中出现“血压120,90”这样的描述时,***会自动生成“血压120/90”这样的描述体。
在一个实施例中,可预先定义一些涉及医疗、照护、社区居住标准词汇的标准词库,将定义的标准词库用于在ASR处理环节尽可能将语音转换为一些标准用词。例如,当客户提及照护区获得的服务质量时,客户回答的“一天吃了三次药”会自动转换为“服药3次/天”。
为了使获取的语音访谈信息更加准确,可以在获取语音访谈信息后对其进行滤波处理,进而避免后续出现其他杂质影响后面的文字转换。
更进一步地,为了保证转换的文字访谈信息的准确度,可以将转换后的文字访谈信息与预设标准词库中的标准词进行比对,对比对匹配率低于50%的文字访谈信息进行重新转换,必要时可采取人工的方式根据语音进行文字输入。
本发明实施例中,为了避免采访人员不够专业导致访谈内容不够全面,可以在访谈过程中,根据目标用户的语音访谈信息对目标用户进行话术内容推荐,例如,可以通过预先构建的话术内容数据库向采访人员推荐需要进行访谈的话题等。其中,话术内容的呈现形式可以是按照列表形式进行呈现,例如,将一个类别所有可能用到的话术内容都在列表中呈现。
在本发明实施例中,获取预设关键字,并根据预设关键字在话术内容数据库中匹配对应话术内容,输出推荐话术内容。根据预设关键字在话术内容数据库中匹配对应话术内容,输出推荐话术内容包括:提取由目标用户的语音访谈信息转换的文字访谈信息;获取文字访谈信息中的预设关键字;根据预设关键字确定话术内容类别,并获取当前话术内容类别对应的话术内容列表;在话术内容列表中获取当前正在使用的话术内容所在位置;获取当前正在使用的话术内容对应的下一话术内容,并将下一话术内容作为推荐话术内容输出给采访人员。对于当前推荐的话术内容,可以按照预设突出方式进行突出表示,预设突出方式可以为对当前推荐的话术内容进行标粗或加亮。可以理解的是,在实际访谈过程中,采访人员并不一定按照话术内容列表中对应的话术内容顺序进行访谈,有时候会跳过某些话术内容,也有时候会新增某些话术内容。针对跳过某些话术内容的情况,还可以提示当前采访人员未采用的话术内容,避免因采访人员不够专业而导致访谈内容不够全面。针对新增某些话术内容的情况,还可以记录下新增的话术内容,在采访人员访谈结束后,提示采访人员是否需要将当前新增的话术内容,添加至预先构建的话术内容数据库中。
在输出推荐话术内容之后,方法还包括:在预设时间间隔内,检测采访人员是否采纳推荐的话术内容;若检测结果为采访人员未采纳推荐的话术内容,则取消当前推荐的话术内容,并执行下一轮的话术内容推荐。预设时间间隔为终端用户预先设置的,例如,预设时间间隔为5秒。
进一步地,方法还包括:检测输出的文字访谈信息中是否存在预设敏感词汇;若检测结果为输出的文字访谈信息中存在预设敏感词汇,则在保证输出的文字访谈信息意思不变的情况下,对输出的文字访谈信息中的预设敏感词汇部分进行修改。其中,预设敏感词汇包括不文明的语言及其他限定的词汇。
由于访谈数据的数量非常庞大的,而不同的业务维度,需要提取的信息可能不同,因而,为了提高数据处理效率,一个实施例中,可以通过如下步骤从语音访谈数据提取某一调研领域业务维度的客户特征数据,以便快速实现对该调研领域业务维度潜在客户信息的挖掘:获取预先定义的调研领域业务维度;根据预先定义的调研领域业务维度,利用自然语言识别技术,从语音访谈数据对应的文字访谈数据中,提取出调研领域业务维度对应的多个命名实体及各个命名实体之间的关系,生成各个客户对应调研领域业务维度的用户画像数据。
例如,当调研领域业务维度为退居业务维度的情况下,可以从采集的语言访谈数据中提取能够反映客户是否退居的一些特征数据;而当调研领域业务维度为入住业务维度的情况下,可以从采集的语言访谈数据中提取能够反映客户是否入住的一些特征数据。
在具体实施时,借助自然语言技术,自定义命名实体数据词典(用于在ASR环节从文字访谈数据中提取出结构化数据,以生成用户画像数据),建立实体关系描述词典。针对ASR提取出来的数据,结合命名实体数据词典,抽取实体关系,建立各个客户的用户画像数据,在一个实施例中,可采用中文实体关系提取引擎等技术实现。
需要注意的是,本发明实时中,命名实体是指识别文本中具有特定意义的实体,该命名实体主要包括人名、地名、机构名、专有名词等。关于命名实体之间关系的提取,举例来说,“李三是退休人员”,其中,“李三”和“退休人员”是名词,代表人民和角色,关系提取就是识别出人是“退休人员”角色这个关系。
可选地,本发明实施例中自定义的命名实体信息可以包括角色、特征和行为三种,也即采集的每个客户的客户特征数据至少包括:角色信息、特征信息和行为信息。例如,对于某一客户,其角色信息可以包括但不限于:丈夫、儿子、女儿、共同兴趣者、介绍人等;其特征信息可以包括但不限于:价格敏感、卫生敏感、安全敏感、餐饮敏感、信仰、入住时间、来源等;其行为信息可以包括但不限于:退居、换房、议价、购买保险等。
S102,根据各个客户的客户特征数据,生成各个客户的用户画像数据。
需要说明的是,本发明实施例中,采集的各个客户的客户特征数据包括多个特征维度的信息,每个客户的用户画像数据用于反映每个客户在各个特征维度的特征信息。在获取到每个客户的客户特征数据后,根据每个客户的客户特征数据,生成各自的用户画像数据,以反映每个客户在各个特征维度的特征信息。
S103,根据各个客户的用户画像数据,构建一个图卷积网络模型,图卷积网络模型中包含:多个节点及各个节点之间的节点关联关系,每个节点对应一个客户。
需要说明的是,本发明实施例中,图卷积网络模型(Graph ConvolutionalNetwork,GCN)表示由节点和节点之间关联关系构成的拓扑图。
在具体实施时,上述S103可以通过如下步骤来实现:根据各个客户的用户画像数据,构建节点关联矩阵和节点特征矩阵,其中,节点关联矩阵用于表征各个客户之间的关联关系,节点特征矩阵用于表征每个客户与各个特征维度的关联关系;根据节点关联矩阵和节点特征矩阵,生成图卷积网络模型,其中,图卷积网络模型中的每个节点对应一个节点特征矩阵。
需要说明的是,本发明实施例中节点关联矩阵和节点特征矩阵均是一个矩阵元素为0或1的矩阵。一个实施例中,根据各个客户的用户画像数据,确定各个客户之间的关联关系,进而构建一个矩阵元素为0或1的节点关联矩阵,其中,节点关联矩阵中值为1的矩阵元素用于表征两个客户之间具有关联关系,节点关联矩阵中值为0的矩阵元素用于表征两个客户之间不具有关联关系;另一个实施例中,根据每个客户的用户画像数据,提取每个客户对应各个特征维度的特征信息,构建一个矩阵元素为0或1的节点特征矩阵,其中,节点关联矩阵中值为1的矩阵元素用于表征客户具有相应特征维度的特征信息,节点关联矩阵中值为0的矩阵元素用于表征客户不具有相应特征维度的特征信息。
本发明实施例中,以客户N1、客户N2和客户N3为例来进行说明,图2示出了图卷积网络模型中这三个客户对应节点之间的节点关联关系,如图2所示,N1、N2、N3分别代表客户N1、客户N2、客户N3对应的节点。
如图3所示,客户N1、客户N2和客户N3对应的节点关系矩阵可表示为A:
其中,矩阵A中的1代表有节点之间具有关联关系,0代表节点之间不具有关系,节点自己与自己的关联关系为1。
图2中每个节点包括D个特征维度,根据每个节点所包含的特征维度建立节点特征矩阵,在节点特征矩阵中,如果节点在某个维度具备了特征,则对应矩阵元素的值为1,否则值为0。如图4所示,客户N1、客户N2和客户N3,分别对应特征维度D1(价格敏感)、特征维度D2(安全敏感)和特征维度D3(餐饮敏感)所形成的节点特征矩阵D可表示为:
S104,根据图卷积网络模型中第一类客户对应节点的节点特征信息和业务需求信息,对图卷积网络模型进行半监督学习训练,预测出图卷积网络模型中第二类客户对应节点的节点特征信息和业务需求信息。
需要说明的是,半监督学习是模式识别和机器学习领域中监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据,少量的标记数据,来进行模式识别工作。通过半监督学习对模型进行训练,能够在带来比较高的准确性的同时,只需少量人员来从事相关工作。
由于本发明实施例中,采用半监督学习对图卷积网络模型进行训练,只需要利用图卷积网络模型中部分已知节点(即第一类客户对应的节点)的分类信息,即可通过随机游走进行节点关联,实现链路的预测和更新,以便更新图卷积网络模型中对大量未知节点的分类信息及节点间链路进行预测,即根据图卷积网络模型中第一类客户节点特征信息和业务需求信息,预测出图卷积网络模型中第二类客户对应节点的节点特征信息和业务需求信息。
在一个实施例中,本发明实施例中,还可以通过如下步骤来为第一类客户添加业务需求信息标签信息,以便通过对图卷积网络模型进行半监督学习训练,预测出图卷积网络模型中第二类客户对应节点的节点特征信息和业务需求信息:根据第一类客户的语音访谈数据,确定第一类客户的业务需求信息;以及根据第一类客户的业务需求信息,为第一类客户添加相应的业务需求标签信息。从该实施例中,本发明实施例中仅需要对少量客户进行标注。
在根据已知节点特征信息和业务需求信息(即分类信息),对图卷积网络模型进行半监督学习训练的过程中,可通过节点度矩阵与节点特征矩阵相乘等建立高维特征关系,然后根据已知节点的分类信息及链路关系进行半监督学习训练,不断更新图卷积网络模型的计算参数。当训练结果的准确度达到90%以上时,停止迭代,将此时图卷积网络模型中未知节点的分类信息和链路关系信息,导出未知节点的分类信息,即可获取与已知节点客户相关的其他客户的用户画像数据。
需要说明的是,本发明实施例中的图卷积网络模型可以采用3~12层的网络结构,各层之间可采用如公式(3)所示的传播模型:
其中,
H(1)=D (5)
其中,H(l+1)表示第l+1层的节点特征矩阵;H(l)表示第l层的节点特征矩阵;σ表示激活函数;表示的度矩阵;W(l)表示权重参数;A表示节点关联矩阵;D表示节点特征矩阵;I表示单位矩阵,表示如下:
通过上述公式(3)可得到图卷积网络模型中每一层的特征信息。
需要说明的是,度矩阵是对角阵,对角上的元素为各个顶点的度。顶点vi的度表示和该顶点相关联的边的数量,其公式为:
其中,Σ表示非线性激活函数(本发明实施例中采用relu激活函数),表示如下:
H是每一层的特征,对于输入层的话,也就是第一层而言,H就是D(代表节点特征矩阵),具体地,以第一层为例,将D作为H(l)代入公式(3)中,得到输出H(l+1),并将结果作为输入继续计算下一层。本发明实施例中,l的取值范围为3~12。
W表示梯度计算的权重参数,对网络进行训练获得特征模型输出,比如这里设置了2-10层,然后采用梯度下降算法,设置学习率为0.01,然后根据已知数据回归训练模型100-200次epochs迭代(这个要根据特征收缩的结果来判断是否结束),输出该迭代结果状态下的参数模型,也即第10层的特征计算结果。
在进行模型训练时,可以基于已知节点的标签特征,使用softmax归一化计算特征矩阵获得预测的向量分布,采用cross-entropy交叉商损失函数,运用Adam优化器来进行训练,从而控制参数迭代,传播已知标签特征到未知节点,完成节点特征输出。
交叉商损失函数为:
其中,yL表示带标签的节点集,求解输出层计算结果的yL的特征矩阵和已知标签的特征矩阵之间的交叉商结果,利用adam优化器根据结果来优化权重参数。
具体原理参考如下:
对于一个输入向量x,经softmax函数归一化处理后会得到向量s作为预测的概率分布,已知向量y为真实的概率分布,由cross-entropy交叉商损失函数计算得出误差值error(标量e),求e关于x的梯度:
x=(x1,x2,x3,…,xk) (11)
s=softmax(x) (12)
其中,x表示每一层计算结果的输出特征矩阵,y就是节点标签矩阵。
交叉熵损失函数及Adam优化函数都是本领域的公知常识,此处不再赘述。
通过上述训练过程,就可以获得经过训练后的各个节点的特征矩阵,并可以通过softmax函数获得各个节点对应的分类概率结果。
基于公式(3)所示的传播模型,构建一个多层的图卷积网络模型,通过半监督学习,能够获取到已知节点以外的其他未知节点的特征信息,并进行softmax分类。例如,预测养老社区客户的入住意愿,分类结果包括:“购买”和“不购买”两类,这种冲突的分类结果,符合softmax及交叉商的数学特性。一个实施例中,对具有入住意愿的潜在客户进行预测,可通过如下步骤来实现:
①收集历史上所有进入养老社区进行参观的客户数据,该客户数据包括特征信息,年龄,退休收入水平,单身与否,退休前单位所在行业,子女支持状况等,根据该客户数据作为建立客户的特征矩阵,形成节点特征。
②按照第一步继续收集销售池未来园区参观的客户的相关特征数据。
③对历史上来园区参观的客户进行打标签处理,入住购买和未入住购买,对未来园区参观的潜在销售池的客户,不进行打标签。
④所有客户间有亲戚,朋友,介绍等关系的,建立节点间连线(无向的)。
⑤将数据输入到上述网络模型中进行训练,输出各节点特征矩阵。
⑥使用softmax预测未打标签的客户,获取购买概率预测结果。
S105,输出第二类客户的业务需求信息。
当图卷积网络模型中某一个客户具有退居业务需求时,可将图卷积模型中与该客户对应节点关联的其他客户确定为具有退居业务需求的潜在客户。
由上可知,本发明实施例中提供的养老社区潜在客户信息挖掘方法,在采集到养老社区***中各个客户的客户特征数据后,根据各个客户的客户特征数据,生成各个客户的用户画像数据,进而根据各个客户的用户画像数据,构建一个包含多个节点的图卷积网络模型,使得每个节点对应一个客户;由于养老社区***中的客户包括:已知业务需求信息的第一类客户和未知业务需求信息的第二类客户,因而,在构建包含各个客户关联关系的图卷积网络模型后,可以根据图卷积网络模型中第一类客户对应节点的节点特征信息和业务需求信息,对图卷积网络模型进行半监督学习训练,预测出图卷积网络模型中第二类客户对应节点的节点特征信息和业务需求信息,输出第二类客户的业务需求信息,以便了解潜在客户的业务需求。
通过本发明实施例中提供的养老社区潜在客户信息挖掘方法,能够根据已知业务需求信息的客户,预测出未知业务需求信息客户的业务需求信息,从而快速、准确地挖掘出养老社区的潜在客户信息,例如,根据已入住客户挖掘出更多的潜在入住客户,或者根据已退居客户了解到更多的潜在退居客户,有利于养老社区向客户提供更好的服务。
下面以养老社区一个老人退居的场景为例,对本发明实施例进行详细说明。在养老社区中,一个老人退居,事后调研人员和老人进行电话访谈,目的是为了获取退居的原因,并对老人的用户画像进行定位,获取与其相关的其他潜在老人退居概率。具体包括:
①将语音自动识别***对接到语音采集设备上,以采集语音访谈数据,并转换为相应的文字访谈数据。
②采用自然语言处理技术处理语言访谈数据,得到结构化客户特征数据。通过预先定义一些命名实体,以便在文字处理环节识别出对用户画像数据提取有价值的结构化数据。
③基于知识图谱,建立图卷积网络模型,在图卷积网络模型中,每个节点代表一个客户,节点与节点之间的链路代表着两个客户之间的关联关系,每个节点赋予它对应的特征矩阵,用于存储从该节点对应客户访谈数据中提取的客户特征信息。对节点采用行为打标签分类,形成一个根据已知节点信息预测未知节点信息的GCN网络。
④半监督学习训练网络模型,更新网络节点及链路预测。半监督学习是已知网络的部分节点分类,根据已知数据,然后通过随机游走进行关联节点,链路的预测和更新。通过更新对节点的分类及节点之间的链路预测,以便根据已知节点对应客户的用户画像信息,更新网络模型中未知节点对应客户的用户画像信息。
基于同一发明构思,本发明实施例中还提供了一种养老社区潜在客户信息挖掘装置,如下面的实施例所述。由于该装置解决问题的原理与养老社区潜在客户信息挖掘方法相似,因此该装置的实施可以参见养老社区潜在客户信息挖掘方法的实施,重复之处不再赘述。
图5为本发明实施例中提供的一种养老社区潜在客户信息挖掘装置示意图,如图5所示,该装置包括:客户数据采集模块51、用户画像数据生成模块52、图卷积网络模型构建模块53、潜在客户信息挖掘模块54和潜在客户信息输出模块55。
其中,客户数据采集模块51,用于采集养老社区***中各个客户的客户特征数据,其中,养老社区***中的客户包括:已知业务需求信息的第一类客户和未知业务需求信息的第二类客户;用户画像数据生成模块52,用于根据各个客户的客户特征数据,生成各个客户的用户画像数据;图卷积网络模型构建模块53,用于根据各个客户的用户画像数据,构建一个图卷积网络模型,图卷积网络模型中包含:多个节点及各个节点之间的节点关联关系,每个节点对应一个客户;潜在客户信息挖掘模块54,用于根据图卷积网络模型中第一类客户对应节点的节点特征信息和业务需求信息,对图卷积网络模型进行半监督学习训练,预测出图卷积网络模型中第二类客户对应节点的节点特征信息和业务需求信息;潜在客户信息输出模块55,用于输出第二类客户的业务需求信息。
由上可知,本发明实施例中提供的养老社区潜在客户信息挖掘装置,通过客户数据采集模块51采集到养老社区***中各个客户的客户特征数据;通过用户画像数据生成模块52根据各个客户的客户特征数据,生成各个客户的用户画像数据;通过图卷积网络模型构建模块53根据各个客户的用户画像数据,构建一个包含多个节点的图卷积网络模型,使得每个节点对应一个客户;通过潜在客户信息挖掘模块54根据图卷积网络模型中已知业务需求信息的第一类客户对应节点的节点特征信息和业务需求信息,对图卷积网络模型进行半监督学习训练,预测出图卷积网络模型中未知业务需求信息的第二类客户对应节点的节点特征信息和业务需求信息;通过潜在客户信息输出模块55输出第二类客户的业务需求信息,以便了解潜在客户的业务需求。
通过本发明实施例中提供的养老社区潜在客户信息挖掘装置,能够根据已知业务需求信息的客户,预测出未知业务需求信息客户的业务需求信息,从而快速、准确地挖掘出养老社区的潜在客户信息,例如,根据已入住客户挖掘出更多的潜在入住客户,或者根据已退居客户了解到更多的潜在退居客户,有利于养老社区向客户提供更好的服务。
在一个实施例中,上述客户数据采集模块51可具体包括:语音访谈数据采集模块511,用于采集养老社区***中各个客户的语音访谈数据;语音文字转换模块512,用于将采集的语音访谈数据转换为对应的文字访谈数据;自然语言识别模块513,用于利用自然语言识别技术,从语音访谈数据对应的文字访谈数据中,提取出多个命名实体及各个命名实体之间的关系,得到各个客户的客户特征数据。
在一个实施例中,上述自然语言识别模块513还用于:获取预先定义的调研领域业务维度;以及根据预先定义的调研领域业务维度,利用自然语言识别技术,从语音访谈数据对应的文字访谈数据中,提取出调研领域业务维度对应的多个命名实体及各个命名实体之间的关系,生成各个客户对应调研领域业务维度的用户画像数据。
在一个实施例中,本发明实施例中的提供的养老社区潜在客户信息挖掘装置还包括:数据标注模块56,用于根据第一类客户的语音访谈数据,确定第一类客户的业务需求信息;以及根据第一类客户的业务需求信息,为第一类客户添加相应的业务需求标签信息。
在一个实施例中,上述图卷积网络模型构建模块53可具体包括:节点关联矩阵构建模块531,用于根据各个客户的用户画像数据,构建节点关联矩阵,其中,节点关联矩阵用于表征各个客户之间的关联关系;节点特征矩阵构建模块532,用于根据各个客户的用户画像数据,构建节点特征矩阵,其中,节点特征矩阵用于表征每个客户与各个特征维度的关联关系;图卷积神经网络模型生成模块533,用于根据节点关联矩阵和节点特征矩阵,生成图卷积网络模型,其中,图卷积网络模型中的每个节点对应一个节点特征矩阵。
可选地,上述节点关联矩阵构建模块531还用于根据各个客户的用户画像数据,确定各个客户之间的关联关系,构建一个矩阵元素为0或1的节点关联矩阵,其中,节点关联矩阵中值为1的矩阵元素用于表征两个客户之间具有关联关系,节点关联矩阵中值为0的矩阵元素用于表征两个客户之间不具有关联关系;上述节点特征矩阵构建模块532还用于根据每个客户的用户画像数据,提取每个客户对应各个特征维度的特征信息,构建一个矩阵元素为0或1的节点特征矩阵,其中,节点关联矩阵中值为1的矩阵元素用于表征客户具有相应特征维度的特征信息,节点关联矩阵中值为0的矩阵元素用于表征客户不具有相应特征维度的特征信息。
在一个实施例中,上述图卷积网络模型构建模块53构建的图卷积网络模型可是一个3~12层的网络结构,各层之间采用上述公式(3)所示的传播模型。
基于同一发明构思,本发明实施例中还提供了一种计算机设备,用以解决现有养老社区中,采用人工访谈方式了解客户业务需求,存在效率低下且难以挖掘出潜在客户业务需求的技术问题,图6为本发明实施例中提供的一种计算机设备示意图,如图6所示,该计算机设备60包括存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序,处理器602执行计算机程序时实现上述养老社区潜在客户信息挖掘方法。
基于同一发明构思,本发明实施例中还提供了一种计算机可读存储介质,用以解决现有养老社区中,采用人工访谈方式了解客户业务需求,存在效率低下且难以挖掘出潜在客户业务需求的技术问题,该计算机可读存储介质存储有执行上述养老社区潜在客户信息挖掘方法的计算机程序。
综上所述,本发明实施例中提供了一种养老社区潜在客户信息挖掘方法、装置、计算机设备及计算机可读存储介质,在采集到养老社区***中各个客户的客户特征数据后,根据各个客户的客户特征数据,生成各个客户的用户画像数据,进而根据各个客户的用户画像数据,构建一个包含多个节点的图卷积网络模型,使得每个节点对应一个客户;由于养老社区***中的客户包括:已知业务需求信息的第一类客户和未知业务需求信息的第二类客户,因而,在构建包含各个客户关联关系的图卷积网络模型后,可以根据图卷积网络模型中第一类客户对应节点的节点特征信息和业务需求信息,对图卷积网络模型进行半监督学习训练,预测出图卷积网络模型中第二类客户对应节点的节点特征信息和业务需求信息,输出第二类客户的业务需求信息,以便了解潜在客户的业务需求。
与现有技术中采用人工访谈方式了解客户业务需求的技术方案相比,本发明实施例通过构建包含各个客户用户画像数据和各个客户之间关联关系的图卷积网络模型,能够根据已知业务需求信息的客户,预测出未知业务需求信息客户的业务需求信息,从而快速、准确地挖掘出养老社区的潜在客户信息,例如,根据已入住客户挖掘出更多的潜在入住客户,或者根据已退居客户了解到更多的潜在退居客户,有利于养老社区向客户提供更好的服务。
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。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种养老社区潜在客户信息挖掘方法,其特征在于,包括:
采集养老社区***中各个客户的客户特征数据,其中,所述养老社区***中的客户包括:已知业务需求信息的第一类客户和未知业务需求信息的第二类客户;
根据各个客户的客户特征数据,生成各个客户的用户画像数据;
根据各个客户的用户画像数据,构建一个图卷积网络模型,所述图卷积网络模型中包含:多个节点及各个节点之间的节点关联关系,每个节点对应一个客户;
根据所述图卷积网络模型中第一类客户对应节点的节点特征信息和业务需求信息,对所述图卷积网络模型进行半监督学习训练,预测出所述图卷积网络模型中第二类客户对应节点的节点特征信息和业务需求信息;
输出第二类客户的业务需求信息。
2.如权利要求1所述的方法,其特征在于,采集养老社区***中各个客户的客户特征数据,包括:
采集养老社区***中各个客户的语音访谈数据;
将采集的语音访谈数据转换为对应的文字访谈数据;
利用自然语言识别技术,从语音访谈数据对应的文字访谈数据中,提取出多个命名实体及各个命名实体之间的关系,得到各个客户的客户特征数据。
3.如权利要求2所述的方法,其特征在于,从语音访谈数据对应的文字访谈数据中,提取出多个命名实体及各个命名实体之间的关系,得到各个客户的客户特征数据,包括:
获取预先定义的调研领域业务维度;
根据预先定义的调研领域业务维度,利用自然语言识别技术,从语音访谈数据对应的文字访谈数据中,提取出所述调研领域业务维度对应的多个命名实体及各个命名实体之间的关系,生成各个客户对应所述调研领域业务维度的用户画像数据。
4.如权利要求2所述的方法,其特征在于,在采集养老社区***中各个客户的语音访谈数据之后,所述方法还包括:
根据第一类客户的语音访谈数据,确定第一类客户的业务需求信息;
根据第一类客户的业务需求信息,为第一类客户添加相应的业务需求标签信息。
5.如权利要求1所述的方法,其特征在于,根据各个客户的用户画像数据,构建一个图卷积网络模型,包括:
根据各个客户的用户画像数据,构建节点关联矩阵和节点特征矩阵,其中,所述节点关联矩阵用于表征各个客户之间的关联关系,所述节点特征矩阵用于表征每个客户与各个特征维度的关联关系;
根据所述节点关联矩阵和所述节点特征矩阵,生成所述图卷积网络模型,其中,所述图卷积网络模型中的每个节点对应一个节点特征矩阵。
6.如权利要求5所述的方法,其特征在于,根据各个客户的用户画像数据,构建节点关联矩阵和节点特征矩阵,包括:
根据各个客户的用户画像数据,确定各个客户之间的关联关系,构建一个矩阵元素为0或1的节点关联矩阵,其中,所述节点关联矩阵中值为1的矩阵元素用于表征两个客户之间具有关联关系,所述节点关联矩阵中值为0的矩阵元素用于表征两个客户之间不具有关联关系;
根据每个客户的用户画像数据,提取每个客户对应各个特征维度的特征信息,构建一个矩阵元素为0或1的节点特征矩阵,其中,所述节点关联矩阵中值为1的矩阵元素用于表征客户具有相应特征维度的特征信息,所述节点关联矩阵中值为0的矩阵元素用于表征客户不具有相应特征维度的特征信息。
8.一种养老社区潜在客户信息挖掘装置,其特征在于,包括:
客户数据采集模块,用于采集养老社区***中各个客户的客户特征数据,其中,所述养老社区***中的客户包括:已知业务需求信息的第一类客户和未知业务需求信息的第二类客户;
用户画像数据生成模块,用于根据各个客户的客户特征数据,生成各个客户的用户画像数据;
图卷积网络模型构建模块,用于根据各个客户的用户画像数据,构建一个图卷积网络模型,所述图卷积网络模型中包含:多个节点及各个节点之间的节点关联关系,每个节点对应一个客户;
潜在客户信息挖掘模块,用于根据所述图卷积网络模型中第一类客户对应节点的节点特征信息和业务需求信息,对所述图卷积网络模型进行半监督学习训练,预测出所述图卷积网络模型中第二类客户对应节点的节点特征信息和业务需求信息;
潜在客户信息输出模块,用于输出第二类客户的业务需求信息。
9.一种计算机设备,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,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述养老社区潜在客户信息挖掘方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至7任一项所述养老社区潜在客户信息挖掘方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011345849.4A CN112508603A (zh) | 2020-11-26 | 2020-11-26 | 养老社区潜在客户信息挖掘方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011345849.4A CN112508603A (zh) | 2020-11-26 | 2020-11-26 | 养老社区潜在客户信息挖掘方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112508603A true CN112508603A (zh) | 2021-03-16 |
Family
ID=74967816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011345849.4A Pending CN112508603A (zh) | 2020-11-26 | 2020-11-26 | 养老社区潜在客户信息挖掘方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508603A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115391414A (zh) * | 2022-10-28 | 2022-11-25 | 北京双赢天下管理咨询有限公司 | 一种基于大数据的银行市场拓展***及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
CN111626887A (zh) * | 2019-02-27 | 2020-09-04 | 北京奇虎科技有限公司 | 一种社交关系评估方法及装置 |
US20200285944A1 (en) * | 2019-03-08 | 2020-09-10 | Adobe Inc. | Graph convolutional networks with motif-based attention |
-
2020
- 2020-11-26 CN CN202011345849.4A patent/CN112508603A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626887A (zh) * | 2019-02-27 | 2020-09-04 | 北京奇虎科技有限公司 | 一种社交关系评估方法及装置 |
US20200285944A1 (en) * | 2019-03-08 | 2020-09-10 | Adobe Inc. | Graph convolutional networks with motif-based attention |
CN110222272A (zh) * | 2019-04-18 | 2019-09-10 | 广东工业大学 | 一种潜在客户挖掘与推荐方法 |
Non-Patent Citations (2)
Title |
---|
刘同柱: "《智慧医院建设模式与创新》", 31 October 2019, 中国科学技术大学出版社, pages: 134 - 135 * |
蔡江南: "《2015-2016中国健康产业创新平台奇璞蓝皮书 政策产业创新互动》", 30 June 2016, 上海科学技术出版社, pages: 184 - 185 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115391414A (zh) * | 2022-10-28 | 2022-11-25 | 北京双赢天下管理咨询有限公司 | 一种基于大数据的银行市场拓展***及方法 |
CN115391414B (zh) * | 2022-10-28 | 2023-01-13 | 北京双赢天下管理咨询有限公司 | 一种基于大数据的银行市场拓展***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783474B (zh) | 一种评论文本观点信息处理方法、装置及存储介质 | |
US11422776B2 (en) | Intelligent assistant for automating recommendations for analytics programs | |
CN113239186B (zh) | 一种基于多依存关系表示机制的图卷积网络关系抽取方法 | |
CN111143576A (zh) | 一种面向事件的动态知识图谱构建方法和装置 | |
CN109597493B (zh) | 一种表情推荐方法及装置 | |
CN112364638B (zh) | 一种基于社交文本的人格识别方法 | |
CN110532398B (zh) | 基于多任务联合神经网络模型的家族图谱自动构建方法 | |
CN113196314A (zh) | 适配预测模型 | |
CN110727778A (zh) | 一种面向税务的智能问答*** | |
CN112528163B (zh) | 一种基于图卷积网络的社交平台用户职业预测方法 | |
CN113435211B (zh) | 一种结合外部知识的文本隐式情感分析方法 | |
US20230205995A1 (en) | Methods and Systems for Automated Detection of Personal Information Using Neural Networks | |
US20220138770A1 (en) | Method and apparatus for analyzing sales conversation based on voice recognition | |
Zhong et al. | E3: Entailment-driven extracting and editing for conversational machine reading | |
Surana et al. | Intelligent chatbot for requirements elicitation and classification | |
CN114372201A (zh) | 体检信息智能推荐方法及***、存储介质、计算设备 | |
CN114444484B (zh) | 一种基于双层图的文档级事件抽取方法及*** | |
CN117608650B (zh) | 业务流程图生成方法、处理设备及存储介质 | |
Bhullar et al. | Time series sentiment analysis (SA) of relief operations using social media (SM) platform for efficient resource management | |
CN112508603A (zh) | 养老社区潜在客户信息挖掘方法及装置 | |
Meisheri et al. | Sentiment extraction from Consumer-generated noisy short texts | |
CN115392257A (zh) | 一种基于图聚合和推理的文本关系抽取方法 | |
CN111813924B (zh) | 基于可扩展动态选择与注意力机制的类别检测算法及*** | |
JP2022075642A (ja) | 説明可能な予測に基づく共同議論のための討論者システム | |
Finzel et al. | Conversational agent for daily living assessment coaching demo |
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 |