[发明专利]一种潜在客户挖掘与推荐方法

摘要

本发明提供一种潜在客户挖掘与推荐方法，本发明从社交平台上获取用户的个人信息和社交活动信息，并与本地存储的用户购物记录融合，经过数据清洗和筛选后，得到用于训练和测试潜在客户分类模型的数据；然后根据用户个人信息、社交记录、购物记录构造用户画像，同时将用户的社交记录和购物记录处理为可供模型使用的特征向量形式，然后训练用户兴趣预测模型，将用户分为潜在客户和路人；最后识别并根据潜在客户的兴趣提供更有针对性的商品页面展示给他们。本发明可以在精准分类用户的同时判断用户的兴趣；根据用户的兴趣判断展示相应的产品或实施精准广告投放，实现潜在客户的转化；对于老客户也可以提供针对性的推荐，增加客户黏性。

主权项

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。