(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211279020.8 (22)申请日 2022.10.19 (71)申请人 山东省商业 集团有限公司 地址 250000 山东省济南市历下区经十路 9777号 (72)发明人 王强　娄海凤　王文雯　 (74)专利代理 机构 山东明宇知信知识产权代理 事务所(普通 合伙) 3732 9 专利代理师 张永辉 (51)Int.Cl. G06F 16/9535(2019.01) G06F 40/194(2020.01) G06F 40/30(2020.01) G06K 9/62(2022.01) G06N 3/08(2006.01)G06N 20/00(2019.01) (54)发明名称 一种多业态企业潜在客户识别方法 (57)摘要 本发明提供一种多业态企业潜在客户识别 方法， 属于 数据处理技术领域， 包括： 将各业态的 会员数据进行数据融合； 基于机器学习算法技术 识别目标业态的潜在价值的融合会员； 基于深度 学习预测目标业态中单一会员的潜在价值； 建立 推荐模型， 根据会员的价值等级向目标业态中的 会员发送推荐信息； 根据用户针对推荐信息的反 馈内容和反馈数量， 更新会员在目标业态的价值 等级； 根据价值等级变化情况， 对反馈的多篇推 荐信息的内容相似度进行分析。 本发 明能够识别 出目标业态潜在价值会员的愿景的可行性方法， 帮助产业进行 更精准的会员营销。 权利要求书3页 说明书10页 附图1页 CN 115357802 A 2022.11.18 CN 115357802 A 1.一种多业态企业潜在客户识别方法， 其特 征在于， 包括： 将各业态的会员数据进行数据融合， 包括： 利用用户唯一标识技术， 将各业态的会员数 据进行数据融合， 确定至少共同存在于任意两个业态的融合会员， 以及仅存在于任意一业 态中的单一会员； 利用文本识别技术实现标签统一， 根据融合会员的会员标签构造全业态 会员全方位画像； 基于机器学习算法技术识别目标业态的潜在价值的融合会员， 包括： 根据融合会员的 全方位画像， 采用K ‑Means聚类算法对融合会员分配价值等级； 根据分配的融合会员的价值 等级， 确定目标业态中具有潜在价 值的融合会员； 基于深度学习预测目标业态中单一会员的潜在价 值， 包括： 以融合会员群体为训练集、 测试集， 以目标业态的会员标签为特征变量， 以融合会员在 目标业态的价值等级为响应变量， 在训练集上基于stacking建立多分类预测模型， 使用 XGBoost、 LightGBM、 GDBT算法， 利用训练集进行建模、 拟合、 预测， 完成第一层模型， 再将第 一层模型的预测结果作为输入 特征变量， 且将价值等级作为响应变量， 以Bayes分类器作为 元分类器， Bayes分类器经过训练之后， 得到完整的多分类预测模型； 在测试集上对所建预 测模型进行验证， 并将验证通过 的预测模型运用到目标业态中的单一会员上， 以单一会员 在目标业态的价值等级为响应变量， 以目标业态的会员标签为特征变量， 预测目标业态中 单一会员的价 值等级； 建立推荐模型， 根据会员的价值等级向目标业态中的会员发送推荐信息； 根据用户针 对推荐信息的反馈内容和反馈数量， 更新会员 在目标业态的价值等级； 根据价值等级变化 情况， 对反馈的多篇推荐信息的相似度进行分析， 根据相似推荐信息的共同点更新会员全 方位画像。 2.根据权利要求1所述的方法， 其特征在于， 所述利用文本识别技术实现标签统一， 根 据融合会员的会员标签构造全业态会员全方位画像， 包括： 基于全业态数据构建会员全方位的画像， 设定会员标签包括事实标签和分析类标签， 所述事实标签包括属性标签和行为标签； 针对各业态存储会员 信息的数据库进行文本识别， 通过字符特征提取的方式获取符合 会员标签的内容， 填充到对应的会员标签中。 3.根据权利要求1所述的方法， 其特征在于， 所述采用K ‑Means聚类算法对融合会员分 配价值等级， 包括： 步骤1、 获取任意一个业态的数据集Data1数据， 利用归一化公式进行归一化处理， 归一 化公式为： ； 其中， X为Data1中t个标签中的任一标签， n为数据集Data1中样本数量， 归一化处理后的 样本为m1,m2,…,mn， 其中mi=(mi1,mi2,...,mit)； 步骤2、 获取 预设的聚类 类别个数 K； 步骤3、 随机选定一个样本点作为第一个聚类中心C1， 其值记作m1计算第一个聚类中心 c1与其余n‑1个样本点的欧氏距离： ；权　利　要　求　书 1/3 页 2 CN 115357802 A 2从这n‑1个距离中选择最大距离所对应的样本点即 所对应样本点作 为第二个聚类中心C2， 即 ， 其值记作 m2， 计算C2与n‑2个样本m3,…,mn的欧 式距离D(c2,mi),i=3,4,n； 分别比较m3,…,mn到C1和C2的距离， 选m3,…,mn到C1和C2的最小距离的最大值所对应的 样本点作为第三个聚类中心C3， ， 依次进行下去， 直到选取出k个 聚类中心{c1,c2,…,ck}为止， 并将这 k个聚类中心所对应的类记为{C1,C2,…,Ck}； 步骤4、 分别计算每个样本点与k个聚类中心的欧式距离D(ck,mi)， 将样本点归到最小距 离所对应的类别中， 即归到 所对应的类别中， 重新分配后的类别仍记为 {C1,C2,…,Ck}， 此时每 个类别中样本的个数记为{n1,n2,…,nn}； 步骤5、 计算每个类别中所有样本点的平均值 ， 并将其作为新的聚类中 心， 仍记为{c1,c2,…,ck}； 步骤6、 给定容忍阈值 ε， 计算代价 函数值：  ； 其中mi(k)的上标(k)表示第k类， 计算前后两次迭代的代价函数值的减少量， 若减少量低 于容忍阈值 ε， 则判断算法收敛， 则该聚类算法结束； 若不低于容忍阈值 ε， 则算法不收敛， 转 到步骤4进行循环迭代， 直到 聚类算法收敛， 最终所得{C1,C2,…,Ck}作为k个融合会员价值 等级。 4.根据权利要求1所述的方法， 其特征在于， 所述建立推荐模型， 根据会员的价值等级 向目标业态中的会员发送推荐信息， 包括： 建立推荐模型， 根据目标业态中会员的价值等级确定推荐信息的发送渠道和发送周 期， 所述推荐模 型为S=W*X+E*Y， 其中， S为价值等级， W为预设的发送渠道的权重值， E为发送 周期的权重值； X为输出的发送渠道的预设值， Y为输出的发送周期对应的预设值， X、 Y为正 整数； 得到至少一个组合解的X、 Y， 在多个组合解中选择X、 Y差值最小的一组作 为最终XY进行 输出。 5.根据权利要求1所述的方法， 其特征在于， 所述根据用户针对推荐信 息的反馈内容和 反馈数量， 更新会员在目标业态的价 值等级， 包括： 对反馈内容设定至少一个反馈等级R， 并设置反馈等级R的标记a， 标记a为 “+”表示接受 推荐， 标记a为 “‑”表示不接收推荐； 定期接收用户在上一周期内针对该推荐信息的反馈内容和反馈次数F， 根据反馈内容 确定反馈等级R， 输入反馈模型：  T=[(a*R*F)/e]， 其中， [ ]表示取整函数， e为等级变化阈 值， T为该周期用户在目标业态中价 值等级的变化 量。 6.根据权利要求1所述的方法， 其特征在于， 所述根据价值等级变化情况， 对反馈的多权　利　要　求　书 2/3 页 3 CN 115357802 A 3