申请/专利权人：号百信息服务有限公司

申请日：2023-12-20

公开（公告）日：2024-04-12

公开（公告）号：CN117876018A

主分类号：G06Q30/0202

分类号：G06Q30/0202;G06Q50/50;G06N3/0442;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明涉及一种潜在客户识别和预测的方法、装置、电子设备及存储介质。潜在客户识别和预测方法包括步骤：S1、收集关于潜在客户的数据，并对数据进行清洗、整合和标准化为原始数据集；S2、数据特征提取，利用LSTM提取时间序列数据中的特征，输出购买模式或行为模式的预测结果，使用预测结果作为特征生成新的用于描述客户潜在购买意愿特征集；S3、利用XGBoost算法对LSTM提取的时序特征进行选择和优化；S4、利用Spark分布式计算引擎对处理后的数据进行并行计算和分布式存储；S5、根据提取的特征、选择的特征和训练的模型，利用XGBoost算法对真实的待识别的潜在客户数据集进行训练、分类和识别，然后利用XGBoost算法对模型进行训练和预测，从而实现潜在客户的准确识别。

主权项：1.一种潜在客户识别和预测的方法，包括如下步骤：S1、数据收集和处理，从多渠道收集智能通信服务产品关于潜在客户的数据，所述数据包括：通信行为数据、智能通信产品偏好及消费数据、手机应用偏好及使用行为数据，并对所述数据进行清洗、整合和标准化为原始数据集，以便后续模型使用；S2、数据特征提取，利用LSTM提取时间序列数据中的特征，所述特征包括客户的通信行为特征、消费行为特征、手机软件使用行为特征；LSTM神经网络通过捕捉时间序列数据中的长期依赖关系和特征，对这些数据进行有效建模；输出结果为购买模式或行为模式的预测结果，使用预测结果作为特征生成新的特征集，所述新的特征用于描述客户的潜在购买意愿；S3、特征选择和优化，利用XGBoost算法对LSTM提取的时序特征进行选择和优化以提高模型的预测精度和泛化能力；S4、并行计算和分布式存储，利用Spark分布式计算引擎对处理后的数据进行并行计算和分布式存储，以提高计算效率和存储能力；S5、潜在客户识别，根据提取的特征、选择的特征和训练的模型，利用XGBoost算法对真实的待识别的潜在客户数据集进行训练、分类和识别，将客户分为潜在客户和非潜在客户两类，然后利用XGBoost算法对模型进行训练和预测，从而实现潜在客户的准确识别。

全文数据：

权利要求：

百度查询： 号百信息服务有限公司 潜在客户识别和预测的方法、装置、电子设备及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD