[发明专利]基于深度稀疏网络的产品营销方法

权利要求书

1.一种基于深度稀疏网络产品营销方法，其特征在于，包括以下步骤：

步骤1：目标定义：将特定时间段内经营流程的营销目标定义化，然后转变为能够描述出实际问题的目标函数；所述目标为响应人数最大化、收益最大化、风险最小化、在风险一定水平下的收益最大化、在风险一定水平下的响应最大化其中的一种或多种；

步骤2：原始数据收集：对营销客户信息进行结构区分，采用数据指标多样化的方式对客户的信息进行分类收集，所述数据指标包括客户身份身份证号、客户号、手机号、时间、文本描述、商品名称或商品详细参数信息；

步骤3：原始数据清理：通过数据质量处理算法和数据适用度处理处理算法对所述原始数据进行清理；所述数据质量处理算法包括数据完整性、数据唯一性、数据权威性、数据合法性和数据一致性，所述数据适用度处理算法包括高维度处理算法、低维度处理算法、无关信息处理算法和冗余信息处理算法；

步骤4：数据衍生：将数据包含的各个原指标信息进行量化，通过数学变换方式，将量化的信息衍生出其他的新指标信息，然后全部导入到模型中；

步骤5：模型训练：根据目标函数，通过数据逼近方法，将导入到模型的变量进行训练，并在训练中进行参数的调优和更新，逐渐降低目标函数，最终得到模型训练结果；

步骤6：模型组合：利用模型函数库，将模型训练结果进行再训练和组合，使结果与实际应用生产环境相适应，形成模型组合实际生产结果；

步骤7：模型评估：设定评估阈值，将模型组合实际生产结果进行评估筛选，判断所述模型组合实际生产结果是否大于设定评估阈值，在判断为是时，所述模型组合实际生产结果进入生产环节；

步骤8：模型应用：根据模型评估中冠军-挑战者方式，逐步将模型部署到生产环境；

步骤9：模型自优化：根据模型在实际中的应用效果，将模型参数进行自调优处理；

步骤10：模型自更新：根据应用场景指标信息的变化情况，将应用场景的数据衍生，并通过衍生环节将所有指标重新进行模型的训练、组合、评估和应用。

2.如权利要求1所述的方法，其特征在于，对所述数据完整性的处理包括近似补充或前后数据补全。

3.如权利要求1所述的方法，其特征在于，对所述数据一致性的处理包括非空值处理或空值处理。

4.如权利要求1所述的方法，其特征在于，对所述高维度处理算法的处理包括主成分分析或随机森林算法。

5.如权利要求1所述的方法，其特征在于，对所述低维度处理算法和无关信息处理算法的处理包括数据计算法或离散化法。

6.如权利要求1所述的方法，其特征在于，在所述步骤7中，对所述模型评估的处理包括排序性评估和冠军-挑战者评估。