[发明专利]一种潜在客户挖掘与推荐方法

权利要求书

1.一种潜在客户挖掘与推荐方法，其特征在于，包括以下步骤：

S1)、从社交平台上获取用户的个人信息和社交活动数据，并对获取到的粗糙原始数据进行清洗，去除状态码与用户信息无关的数据，同时对文本信息进行格式化，去除文本中的特殊字符，将清洗过的数据存储到用户社交活动数据库中；

S2)、根据用户的个人信息、社交行为信息、以及购物行为信息进行筛选，选取关键信息构建用户画像；

S3)、对各种不同类型的数据进行特征化处理，将其转化为可供模型训练的特征向量；

S4)、训练、更新因子分解机模型、svm模型和xgboost模型组成的模型池，预测用户对商品的兴趣，使用用户画像和整理出的特征向量作为模型池的输入，将用户近期的实际购买结果作为标签对模型进行单独训练，然后根据误差通过梯度下降法更新模型的参数，提升模型的预测精度；

S5)、测试、调整模型，使用与训练不同的另一批用户的数据对模型进行交叉测试，当测试效果高于阈值，则得到训练好的模型，否则采取特征筛选、调整参数的方式并按照步骤S4)重新训练模型；

S6)、使用训练好的模型对所有用户进行预测，获取用户最新的兴趣分布，并采用直接覆盖法或按权重相加法更新用户兴趣预测结果；

S7)、根据用户的浏览记录、购物记录以及时间因素，将用户分为老客户和新用户，新用户将用于挖掘潜在客户，然后利用svm分类模型将新用户分为潜在客户和不太可能产生购买行为的路人，从新用户中挖掘潜在的客户；

S8)、训练、更新svm分类模型，使用步骤S3)和步骤S6)中获取的特征作为svm分类模型的输入，将对用户进行推荐后的实际转化情况作为标签训练svm分类模型，然后根据误差通过随机梯度下降法更新模型的参数，提升模型的预测精度；

S9)、测试并调整模型，使用与训练用户不同的另一批用户的数据进行交叉测试，当测试效果高于阈值，则得到训练好的模型，否则采取特征筛选、调整参数的方式并按照步骤S8)重新训练模型；

S10)、使用S9)训练的模型对所有新用户进行预测，将新用户分为潜在用户和不太可能产生购买行为的路人，并更新新客推荐数据库；

S11)、对于新访问平台的用户，判断用户是否为潜在客户，并从新客推荐数据库中查询到访用户的信息，如果有用户对应的兴趣信息，则筛选与用户兴趣相符的商品，生成商品列表；

S12)、在前端页面展示和推荐商品列表中的商品，或将商品包装成广告精准投放给用户。

2.根据权利要求1所述的一种潜在客户挖掘与推荐方法，其特征在于：步骤S2)中，所述的用户的 个人信息主要包括性别、年龄、地域、工作、学校、兴趣标签、用户等级、用户信誉、关注数、粉丝数，所述的社交行为信息主要包括发送文本、关注话题、转发评论，所述的购物行为信息包括浏览信息、收藏信息、购买信息、评价信息。

3.根据权利要求1所述的一种潜在客户挖掘与推荐方法，其特征在于：步骤S3)中，对各种不同类型的数据进行特征化处理，具体包括对数值型数据进行归一化，对类别标签型数据进行one-hot离散向量化，对文本内容进行word2vec词向量化和doc2vec文本向量化，对缺失数据进行补齐，最终获得用户向量表示、用户社交、购物行为向量表示，商品向量表示。

4.根据权利要求1所述的一种潜在客户挖掘与推荐方法，其特征在于：步骤S3)中，所述的特征向量包括用户特征向量和商品特征向量；所述的用户特征向量由用户个人特征、用户社交行为特征和用户-商品交互特征组成，所述的商品特征向量由商品类别特征、购物上下文特征和商品-用户交互特征组成。

5.根据权利要求4所述的一种潜在客户挖掘与推荐方法，其特征在于：步骤S3)中，对性别、年龄、地域、工作、学校、兴趣标签、用户等级、用户信誉、关注数、粉丝数用户个人信息进行向量化处理，构造用户个人特征，其中性别、地域、年龄、工作数据采用了one-hot向量表示法，其他数值类型的数据采用max-min归一化表示。