[发明专利]智能销售信息推荐方法及系统

说明书

本公开涉及智能销售信息推荐方法及系统，方法包括：获取企业客户名单及企业特征数据集，企业特征数据集包括N个企业的特征数据，企业客户名单包含N个企业中的M个企业；将N个企业的特征数据输入预测模型得到N个企业分值，预测模型是基于样本数据集对XGBoost模型和逻辑回归模型训练得到，样本数据集包含训练集和验证集，训练集的正样本是从M个企业的特征数据中随机抽取指定数量的特征数据，验证集的正样本是M个企业的特征数据中剩余数量的特征数据，指定数量小于剩余数量，训练集和验证集的负样本均是以预设百分比从N个不同企业的特征数据中随机抽取的P个特征数据得到的随机负样本及难分负样本；基于N个企业分值确定目标客户。

技术领域

本公开实施例涉及计算机技术领域，尤其涉及一种智能销售信息推荐方法及系统。

背景技术

目前随着信息技术的发展，在面向企业客户的销售场景之下，在不需要人工过多干预前提下，自动挖掘当前企业客户的特征，据此寻找更多的潜在企业客户成为一种需求。

当前主流的解决方案是销售人员利用搜索引擎，根据个人的业务经验选择搜索关键词、搜索条件、筛选条件，对搜索返回的结果显示的企业，再查阅企业相关资料，根据业务经验判断潜在企业客户的可能性。这种方式耗时较多，且对潜在企业客户的预判准确率低下。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了智能销售信息推荐方法及系统。

第一方面，本公开实施例提供了一种智能销售信息推荐方法，包括：

获取当前企业客户名单以及企业特征数据集；其中，所述企业特征数据集至少包括N个不同企业的特征数据，所述企业客户名单包含所述N个不同企业中的M个企业，M小于N；

将所述N个不同企业的特征数据输入预测模型，以得到所述N个企业的第一分值；其中，所述预测模型是基于第一样本数据集对XGBoost模型训练得到的，所述第一样本数据集包括第一训练集和第一验证集，所述第一训练集包括第一正样本和第一负样本，所述第一验证集包括第二正样本和第二负样本，所述第一正样本包含从所述M个企业的特征数据中随机抽取的指定数量的特征数据，所述第二正样本包含从所述M个企业的特征数据中抽取后剩余数量的特征数据，所述指定数量小于所述剩余数量，所述第一负样本和第二负样本均包含以预设百分比R从所述N个不同企业的特征数据中随机抽取的P个特征数据得到的随机负样本以及难分负样本；其中，R=P/N=1-a，a表示所述N个企业中能够成为潜在意向企业客户的比值；

基于所述N个企业的第一分值，确定潜在的目标企业客户。

在一个实施例中，所述N个不同企业的特征数据包括企业画像特征数据和企业基本特征数据；在使用所述第一训练集对所述XGBoost模型的训练过程中，使用所述第一验证集对所述XGBoost模型的输出结果进行验证，同时观测模型评价指标是否满足预设条件，若否，则调节所述XGBoost模型的超参数以及增加所述企业画像特征数据来重新训练。

在一个实施例中，该方法还包括：

获取所述N个不同企业各自的企业介绍文本；

将所述N个不同企业各自的企业介绍文本输入命名实体识别模型，以识别得到所述N个不同企业对应的预设名词，所述预设名词包括至少一个业务名词和/或产品名词；其中，所述命名实体识别模型是基于样本企业介绍文本对BERT模型预先训练得到的；

计算所述N个不同企业对应的预设名词各自的第一逆向文件频率IDF并形成第一IDF字典，同时计算所述N个不同企业中每个企业对应的预设名词的第一词频TF并形成第一TF字典；

基于所述第一IDF字典、所述第一TF字典生成所述N个不同企业中每个企业对应的第一TF-IDF以形成第一TF-IDF字典；