[发明专利]基于CNN模型的商机推荐方法、系统、电子设备及介质

权利要求书

1.一种基于CNN模型的商机推荐方法，其特征在于，包括：

获取待处理数据，所述待处理数据包括用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据；

对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行处理，以得到CNN模型数据集、CFR模型数据集和XGB模型数据集；

将所述CNN模型数据集输入预先训练的CNN模型，预测得到目标用户和非目标用户；

针对每一所述目标用户，调用其对应的所述CFR模型数据集，并将所述CFR模型数据集输入预设的CFR模型，预测得到每一目标用户感兴趣的商机初步排序；

针对每一所述目标用户，调用其对应的所述XGB模型数据集，并将商机初步排序和所述XGB模型数据集输入预设的XGB模型，得到每个目标用户的商机最终排序；

将用户ID和所述商机最终排序分发至不同的业务部门。

2.如权利要求1所述的商机推荐方法，其特征在于，获取待处理数据具体包括：

从hbase拉取用户的历史浏览行为数据；

从mysql数据库拉取用户的短期咨询行为数据和用户的历史订单行为数据。

3.如权利要求1所述的商机推荐方法，其特征在于，得到CNN模型数据集、CFR模型数据集和XGB模型数据集，具体包括：

对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行去噪和标准化处理，并以用户ID作为关联信息对三种行为数据进行整合，分别形成CNN模型数据集、CFR模型数据集和XGB模型数据集。

4.如权利要求1所述的商机推荐方法，其特征在于，得到CNN模型数据集之后，所述方法还包括训练CNN模型，具体为：

通过CNN模型数据集调用deeplearning4j工具包的cnn接口进行训练，生成CNN模型。

5.一种基于CNN模型的商机推荐系统，其特征在于，包括：

获取模块，用于获取待处理数据，所述待处理数据包括用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据；

处理模块，用于对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行处理，以得到CNN模型数据集、CFR模型数据集和XGB模型数据集；

预测模块，用于将所述CNN模型数据集输入预先训练的CNN模型，预测得到目标用户和非目标用户；

所述预测模块还用于针对每一所述目标用户，调用其对应的所述CFR模型输入数据集，并将所述CFR模型数据集输入预设的CFR模型，预测得到每一目标用户感兴趣的商机初步排序；

所述预测模块还用于针对每一所述目标用户，调用其对应的所述XGB模型数据集，并将商机初步排序和所述XGB模型数据集输入预设的XGB模型，得到每个目标用户的商机最终排序；

推荐模块，用于将用户ID和所述商机最终排序分发至不同的业务部门。

6.如权利要求5所述的商机推荐系统，其特征在于，所述获取模块具体用于：

从hbase拉取用户的历史浏览行为数据；

从mysql数据库拉取用户的短期咨询行为数据和用户的历史订单行为数据。

7.如权利要求5所述的商机推荐系统，其特征在于，所述处理模块具体用于：

对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行去噪和标准化处理，并以用户ID作为关联信息对三种行为数据进行整合，分别形成CNN模型数据集、CFR模型数据集和XGB模型数据集。

8.如权利要求5所述的商机推荐系统，其特征在于，所述系统还包括训练模块，用于训练CNN模型，具体为：

通过CNN模型数据集调用deeplearning4j工具包的cnn接口进行训练，生成CNN模型。