本發(fā)明涉及數(shù)據(jù)智能處理，具體涉及一種能夠高效挖掘多個物聯(lián)網(wǎng)細分行業(yè)產(chǎn)品潛在客戶的方法、裝置、設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、物聯(lián)網(wǎng)行業(yè)正在經(jīng)歷蓬勃發(fā)展，社會上不斷涌現(xiàn)的應(yīng)用需求和方向使之衍生出了多個細分行業(yè)領(lǐng)域(如智能家居、智慧醫(yī)療、智能制造等)，并促進了多種產(chǎn)品的誕生(如智能儀表、可穿戴設(shè)備、安防監(jiān)控終端等)，一方面，不同細分行業(yè)領(lǐng)域下的產(chǎn)品數(shù)量眾多、功能和應(yīng)用場景各異，它們的使用對象以及這些對象的需求也存在不同的特點，但另一方面，特定產(chǎn)品之間又具有強關(guān)聯(lián)的特點(即應(yīng)用場景、使用對象等相似；例如，車載wifi和行車記錄儀)。

2、結(jié)合每種產(chǎn)品及其目標(biāo)受眾的特點、并利用大數(shù)據(jù)和人工智能技術(shù)構(gòu)建適用于對應(yīng)產(chǎn)品的潛在客戶挖掘模型，是開展精準(zhǔn)營銷活動的關(guān)鍵步驟，然而對于那些產(chǎn)品數(shù)量眾多且仍在不斷增長的企業(yè)來說，仍很難高效地為各個細分行業(yè)產(chǎn)品，尤其是新產(chǎn)品挖掘潛在客戶。

3、目前，業(yè)界主要采用兩類獨立的方式挖掘物聯(lián)網(wǎng)產(chǎn)品潛在客戶：一類是以分類為代表的有監(jiān)督方法，此類方法能夠結(jié)合產(chǎn)品和客戶特征進行建模、提供更加準(zhǔn)確、可解釋的效果，但需要對樣本進行大量標(biāo)注，然而有些產(chǎn)品，尤其是新上市產(chǎn)品的銷量數(shù)據(jù)匱乏，所能提供的樣本量一般不足以支持這些方法的應(yīng)用；另一類是以關(guān)聯(lián)規(guī)則為代表的無監(jiān)督方法，此類方法無需對樣本進行標(biāo)注、利用了特定物聯(lián)網(wǎng)產(chǎn)品之間存在強關(guān)聯(lián)的特點，但無法深入利用產(chǎn)品和客戶的特征，因此效果有限，另外在構(gòu)建潛在客戶挖掘模型時，目前主流的技術(shù)均只聚焦單個產(chǎn)品的潛在客戶挖掘，對挖掘的范圍和效率限制較大，且缺乏效果追蹤機制。

4、上述問題往往導(dǎo)致潛在客戶挖掘效果不理想，以及效率低下、難以優(yōu)化等結(jié)果。對于已經(jīng)擁有較多產(chǎn)品種類以及產(chǎn)品數(shù)量仍在不斷增長的企業(yè)來說，這些問題尤為明顯，可能直接導(dǎo)致無法及時有效地搶占市場先機。

5、為此，本技術(shù)特提出一種物聯(lián)網(wǎng)潛在客戶的挖掘方法、裝置、設(shè)備及存儲介質(zhì)以解決上述技術(shù)問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種物聯(lián)網(wǎng)細分行業(yè)產(chǎn)品潛在客戶的挖掘方法、裝置、設(shè)備及存儲介質(zhì)，以解決背景技術(shù)中所提出的技術(shù)問題。

2、本發(fā)明采用以下技術(shù)方案解決上述技術(shù)問題：

3、一種物聯(lián)網(wǎng)潛在客戶的挖掘方法，包括以下具體執(zhí)行步驟：

4、s1.從數(shù)據(jù)源采集各類原始數(shù)據(jù)，并將其整理成產(chǎn)品銷售數(shù)據(jù)集和企業(yè)信息數(shù)據(jù)集；

5、s2.創(chuàng)建一組配置，用于指定各項關(guān)鍵操作的具體執(zhí)行方式；

6、s3.通過交叉驗證方法，確定使模型效果達到最優(yōu)的配置參數(shù)取值；

7、s4.開展關(guān)聯(lián)分析，為數(shù)據(jù)集內(nèi)每種產(chǎn)品找到具有強關(guān)聯(lián)的其他產(chǎn)品；

8、s5.為每種產(chǎn)品對應(yīng)的潛在客戶挖掘子模型，定義正樣本和負樣本，并完成數(shù)據(jù)擴增；

9、s6.對企業(yè)信息數(shù)據(jù)集進行特征工程，得到企業(yè)特征數(shù)據(jù)集；

10、s7.結(jié)合交叉驗證所得到的最優(yōu)算法參數(shù)，訓(xùn)練得到最終模型；

11、s8.將企業(yè)特征數(shù)據(jù)集分別輸入各個子模型，并對輸出進行匯總，得到潛在客戶清單；

12、s9.保存配置和關(guān)鍵數(shù)據(jù)，并分別賦予唯一標(biāo)識和版本號，實現(xiàn)版本控制。

13、優(yōu)選的，一種物聯(lián)網(wǎng)潛在客戶的挖掘裝置，用于執(zhí)行上述所述的物聯(lián)網(wǎng)潛在客戶的挖掘方法，且對應(yīng)s1～s9步驟設(shè)置以下單元模塊：數(shù)據(jù)采集單元，用于從數(shù)據(jù)源采集所需數(shù)據(jù)；參數(shù)配置單元，用于指定潛在客戶挖掘的重要參數(shù)；參數(shù)優(yōu)化單元，用于確定指定參數(shù)的最優(yōu)取值；關(guān)聯(lián)分析單元，用于對所有產(chǎn)品開展關(guān)聯(lián)分析，尋找關(guān)聯(lián)的產(chǎn)品集合；樣本標(biāo)注單元，用于對各種產(chǎn)品的客戶樣本進行標(biāo)注，并完成數(shù)據(jù)擴增；特征工程單元，用于提取、生成模型訓(xùn)練所需的數(shù)據(jù)特征；模型訓(xùn)練單元，用于訓(xùn)練多個產(chǎn)品對應(yīng)的潛在客戶挖掘模型；結(jié)果輸出單元，用于輸出多個產(chǎn)品的潛在客戶，挖掘模型的預(yù)測結(jié)果；版本控制單元，用于對配置參數(shù)、輸入數(shù)據(jù)和輸出結(jié)果進行保存、標(biāo)識，以及效果跟蹤、版本回退操作。

14、優(yōu)選的，所述關(guān)聯(lián)分析單元中尋找關(guān)聯(lián)的產(chǎn)品集合的具體操作步驟包括：

15、operate1.設(shè)置所有在售物聯(lián)網(wǎng)產(chǎn)品的集合為i＝{i1,i2,...,im}，設(shè)置所有交易事務(wù)集合為t＝{t1,t2,...,tn}，則每個交易ti內(nèi)的產(chǎn)品都是i的子集；

16、operate2.對i中兩組不同的產(chǎn)品若購買x的客戶往往也會購買y，則稱由它們所組成的集合為頻繁項集f，且兩者間會形成關(guān)聯(lián)規(guī)則x→y，若x∪y共含有k個產(chǎn)品，則f可被稱為頻繁k-項集，在該規(guī)則中，x、y分別稱為規(guī)則的前件、后件；

17、operate3.使用支持度和置信度分別衡量頻繁項集和關(guān)聯(lián)規(guī)則的質(zhì)量，若以σ表示涉及特定產(chǎn)品交易的計數(shù)函數(shù)，則支持度s和置信度c可以分別表示為和其中n為交易事務(wù)數(shù)量。

18、優(yōu)選的，所述operate2步驟中頻繁項集的支持度需要達到配置指定的閾值smin，因此所述頻繁項集的獲得挖掘步驟具體包括：

19、a1.首先令k＝1，此時生成所有頻繁k-項集集合

20、a2.當(dāng)時，重復(fù)以下過程：令k＝k+1，生成所有候選項集集合遍歷事務(wù)集合t中的每個事務(wù)t，生成ck中所有屬于t的候選項集集合遍歷候選集集合ct中的每個項集c，對項集c進行計數(shù)σ(c)＝σ(c)+1，生成此時所有頻繁k-項集集合

21、

22、a3.匯總除頻繁1-項集外的所有頻繁項集

23、優(yōu)選的，所述關(guān)聯(lián)規(guī)則的置信度需要達到配置指定的閾值cmin，因此所述關(guān)聯(lián)規(guī)則的獲得挖掘步驟具體包括：

24、b1.遍歷f總中的每個頻繁k-項集fk；

25、b2.令m＝1，生成此時所有規(guī)則的1-項后件h1＝{i|i∈fk}，如果k>m+1，則重復(fù)以下過程：生成所有候選規(guī)則后件集合遍歷規(guī)則后件集合hm+1中的每個后件hm+1，計算置信度c＝σ(fk)/σ(fk-hm+1)，如果c≥cmin，則輸出規(guī)則(fk-hm+1)→hm+1，否則從hm+1中刪除hm+1，最后令m＝m+1；

26、b3.匯總所有關(guān)聯(lián)規(guī)則至r總。

27、優(yōu)選的，所述樣本標(biāo)注單元中對各種產(chǎn)品的客戶樣本進行標(biāo)注的具體操作步驟包括：

28、l1.將指定產(chǎn)品組成的項集記為x，此時項集中僅含一個產(chǎn)品，即|x|＝1；

29、l2.將產(chǎn)品銷售數(shù)據(jù)集中存在x購買記錄的所有客戶歸入正樣本；

30、l3.將產(chǎn)品銷售數(shù)據(jù)集中的其他客戶歸入負樣本；

31、l4.由于每種物聯(lián)網(wǎng)產(chǎn)品均會存在各自對應(yīng)的正樣本和負樣本，因此對兩類樣本進行合并，即可形成對應(yīng)產(chǎn)品的客戶標(biāo)簽數(shù)據(jù)集，從而完成對客戶樣本的標(biāo)注處理。

32、優(yōu)選的，所述客戶樣本中若正樣本的數(shù)量低于配置中指定的樣本量閾值，則在所述l3步驟前執(zhí)行以下操作：

33、1)遍歷所有關(guān)聯(lián)規(guī)則r總，篩選出規(guī)則前件(或后件)等于x的關(guān)聯(lián)規(guī)則r關(guān)聯(lián)x＝{y|x→y∨y→x}，并將r關(guān)聯(lián)x中所有的y視為關(guān)聯(lián)產(chǎn)品集合(|y|≥1)；

34、2)將產(chǎn)品銷售數(shù)據(jù)集中，存在r關(guān)聯(lián)x中任意y的購買記錄的客戶歸入正樣本，實現(xiàn)數(shù)據(jù)擴增。

35、優(yōu)選的，所述參數(shù)優(yōu)化單元中采用交叉驗證方法確定所有尚未確定唯一取值的范圍參數(shù)的最優(yōu)取值作為模型效果達到最優(yōu)的配置參數(shù)取值，并對所述模型訓(xùn)練單元所訓(xùn)練得到的模型采用交叉驗證的方法實現(xiàn)參數(shù)組合評估和擇優(yōu)。

36、又一方面，本發(fā)明還公開一種計算機設(shè)備，包括內(nèi)存存儲器和處理器，所述內(nèi)存存儲器用于提供高帶寬、低延遲、非持久化的存儲功能，所述內(nèi)存存儲器存儲有計算機程序，所述處理器通過讀取并執(zhí)行所述內(nèi)存存儲器中的程序以實現(xiàn)上述裝置各個單元的功能。

37、再一方面，本發(fā)明還公開一種計算機可讀存儲介質(zhì)，持久化存儲有程序及數(shù)據(jù)，所述計算機程序被處理器讀取并執(zhí)行時，使得所述處理器實現(xiàn)上述裝置各個單元的功能。

38、由上述技術(shù)方案可知，本發(fā)明提供了一種物聯(lián)網(wǎng)潛在客戶的挖掘方法、裝置、設(shè)備及存儲介質(zhì)。與現(xiàn)有技術(shù)相比本發(fā)明的具有以下優(yōu)勢：

39、1.本發(fā)明通過設(shè)置關(guān)聯(lián)分析單元和樣本標(biāo)注單元，能夠提出一種無監(jiān)督關(guān)聯(lián)分析的數(shù)據(jù)擴增方法，并將其與有監(jiān)督分類算法結(jié)合，在訓(xùn)練潛在客戶挖掘模型之前完成數(shù)據(jù)擴增，使得樣本量能夠得到提升，從而能夠有效解決潛在客戶挖掘模型訓(xùn)練數(shù)據(jù)不足、效果低下的問題。

40、2.本發(fā)明通過設(shè)置關(guān)聯(lián)分析單元和樣本標(biāo)注單元，能夠利用物聯(lián)網(wǎng)產(chǎn)品間往往存在強關(guān)聯(lián)的特點，提出使用關(guān)聯(lián)分析方法，找到產(chǎn)品之間的關(guān)聯(lián)規(guī)則，針對買家數(shù)量較少的產(chǎn)品，加入關(guān)聯(lián)產(chǎn)品買家樣本實現(xiàn)數(shù)據(jù)擴增，使其樣本量達到有監(jiān)督學(xué)習(xí)算法的要求，進而提升模型的效果。

41、3.本發(fā)明在模型建立和訓(xùn)練的基礎(chǔ)上通過結(jié)合擴展的交叉驗證方法能夠在關(guān)聯(lián)分析單元中將關(guān)聯(lián)分析融入交叉驗證過程，使得基于關(guān)聯(lián)規(guī)則的數(shù)據(jù)擴增方法的效果能夠被評價和優(yōu)化，最終有助于提高模型效果。

42、4.本發(fā)明方法能夠用于構(gòu)建同時覆蓋多種細分行業(yè)產(chǎn)品的潛在客戶挖掘模型，提高潛在客戶挖掘的覆蓋范圍和效率，并同時輸出各個產(chǎn)品的潛在客戶清單，適用面更廣。

43、應(yīng)當(dāng)理解，本部分所描述的內(nèi)容并非旨在標(biāo)識本發(fā)明的實施例的關(guān)鍵或重要特征，也不用于限制本發(fā)明的范圍。本發(fā)明的其它特征將通過以下的說明書而變得容易理解。