[发明专利]一种商品购买意愿识别方法及装置

权利要求书

1.一种商品购买意愿识别方法，其特征在于，包括以下步骤：

基于对顾客现场沟通记录的分析，确定与商品购买意愿有关的多维度的特征；

基于特征之间的相关性对特征进行筛选；

建立以筛选后的特征为输入、以有无购买意愿为输出的识别模型，并通过逐一甄别每个输入特征对所述模型的影响程度进行模型优化；

利用训练好的识别模型预测顾客的商品购买意愿；

基于特征之间的相关性对特征进行筛选的方法包括：

首先，按下述方法对所有特征进行排序：

从数据库中选取数量相同的正类样本和负类样本，正类样本为结果为1的数据，负类样本为结果为0的数据；

针对每个单一特征建立识别模型，其输出为1、0，分别表示有购买意愿和无购买意愿，统计应用所述模型对所述正类样本和负类样本的预测结果；

根据统计结果按下式计算评价指标F1：

式中，P为精确率，R为召回率，TP为正类样本预测为有购买意愿的数量，FN为正类样本预测为无购买意愿的数量，FP为负类样本预测为有购买意愿的数量；

重复执行上述步骤，计算每个特征的F1均值和F1变异系数；

按照F1均值从大到小的顺序对每个特征进行排序，对于F1均值相等的特征，按F1变异系数从小到大的顺序排序，得到特征的最后排序；

然后，计算任意两个特征的相关系数，对于相关系数绝对值大于设定阈值的两个特征，删除排序在后的一个特征；

所述识别模型的优化方法包括：

计算N个输入特征的原识别模型的F1均值J_0和F1变异系数B_0；

从N个输入特征中逐一删除一个特征，建立以剩余的N-1个特征为输入的识别模型，并计算F1均值J_1和F1变异系数B_1；如果删除特征A后的J_1最大，或J_1并列最大时B_1最小，且J_1J_0，则删除特征A后的识别模型为N-1个输入特征的优化模型；

对N-1个输入特征的优化模型进行相同的操作，得到N-2个输入特征的优化模型，其F1均值的最大值为J_2J_1；

重复上述步骤，得到N-m个输入特征的优化模型，其F1均值的最大值为J_mJ_(m-1)；如果再删除一个或多个特征后的F1均值的最大值小于J_m，所述N-m个输入特征的优化模型即为最终的优化模型，0≤mN。

2.根据权利要求1所述的商品购买意愿识别方法，其特征在于，所述方法还包括构建数据库的步骤，所述数据库的每条数据记录对应一次有效的顾客沟通记录，每条数据记录包括特征值和结果，每个特征值的取值为一组连续整数，其大小表示对成交有利的程度，特征值越大对成交越有利；结果只取0、1两个值，分别表示在沟通后的设定时间阈值内没有成交和成交。

3.根据权利要求2所述的商品购买意愿识别方法，其特征在于，所述识别模型为朴素贝叶斯分类器，分类器输出y为：

式中，P(·)表示求概率，X、Y分别为输入输出变量，x_i为第i个特征值，k＝1,2，y₁＝0，y₂＝1，i＝1,2,…,N，N为特征的数量。