[發明專利]用戶與聯系人間親密度判定方法/系統、存儲介質及設備

在審

• 申請號: 201710595701.8
• 申請日: 2017-07-20
• 公開（公告）號: CN107871286A
• 公開（公告）日: 2018-04-03
• 發明（設計）人: 唐抒辰;何同國;張鵬
• 申請（專利權）人: 上海前隆信息科技有限公司
• 主分類號: G06Q50/00
• 分類號: G06Q50/00
• 代理公司: 上海光華專利事務所(普通合伙)31219
• 代理人: 徐秋平

技術領域

本發明屬于社交網絡技術領域，涉及一種判定方法和系統，特別是涉及一種用戶與聯系人間親密度判定方法/系統、存儲介質及設備。

背景技術

隨著移動網絡，交際網絡的迅猛發展，在工作，生活以及各種社交等放人們之間的交互越來越頻繁，尤其是在金融業務交互中，例如，銀行貸款，保險，理財等，在業務員與用戶進行業務交互時，業務員會挑選一些與用戶有一定親密度的聯系人進行溝通，但是在挑選時業務員只能根據自身的主觀意識或經驗來挑選，而這樣的挑選會導致目的性不強，工作效率不高，回報率不好，也就是說業務員無法挑選出能夠直接影響用戶做出業務決定的聯系人。

因此，如何提供一種用戶與聯系人間親密度判定方法/系統、存儲介質及設備，以解決現有技術在業務員與用戶進行業務交互時，業務員會挑選一些與用戶有一定親密度的聯系人進行溝通，但是在挑選時業務員只能根據自身的主觀意識或經驗來挑選，而這樣的挑選會導致目的性不強，工作效率不高，回報率不好等缺陷，實已成為本領域業務人員亟待解決的技術問題。

發明內容

鑒于以上所述現有技術的缺點，本發明的目的在于提供一種用戶與聯系人間親密度判定方法/系統、存儲介質及設備，用于解決現有技術中在業務員與用戶進行業務交互時，業務員會挑選一些與用戶有一定親密度的聯系人進行溝通，但是在挑選時業務員只能根據自身的主觀意識或經驗來挑選，而這樣的挑選會導致目的性不強，工作效率不高，回報率不好的問題。

為實現上述目的及其他相關目的，本發明一方面提供一種用戶與聯系人間親密度判定方法，所述用戶與聯系人間親密度判定方法包括：針對收集的第一模型樣本進行初始建模，以形成初始親密度模型；所述第一模型樣本包括用戶與聯系人之間聯系變量，和用戶與聯系人之間的親密度目標變量；對所述初始親密度模型進行變量檢驗，剔除所述第一模型樣本中的無效變量，并在所述第一模型樣本中增加新的聯系變量、或從聯系變量中衍生出的衍生變量，形成第二模型樣本；針對所述第二模型樣本進行再建模，以形成再建親密度模型，并對所述再建親密度模型進行評估，及打分，獲取親密度分值，根據親密度分值判定出用戶與聯系人間親密度。

于本發明的一實施例中，所述針對收集的模型樣本進行初始建模，以形成初始親密度模型的步驟包括：建立第一模型樣本的第一棵決策樹，并初始化所述第一模型樣本的第一棵決策樹；所述第一棵決策樹的父節點含有所述模型樣本；計算所述第一模型樣本的第一棵決策樹上用戶與聯系人之間每個聯系變量的信息增益，選擇各個聯系變量下最大信息增益的分類變量，并生成所述第一棵決策樹上聯系變量的第一預測函數；計算生成聯系變量的第一預測函數與其對應的親密度目標變量的殘差；基于該殘差及預設學習率，學習第一模型樣本的第二棵決策樹，并生成所述第二棵決策樹上聯系變量的第二預測函數；計算生成聯系變量的第二預測函數與其對應的親密度目標變量的殘差；迭代運行預測函數的生成步驟，殘差的計算步驟，及基于計算的殘差，學習下一棵決策樹的步驟；將迭代過程中所有決策樹的累和定義為初始親密度模型。

于本發明的一實施例中，所述針對所述第二模型樣本進行再建模，以形成再建親密度模型的步驟包括：建立第二模型樣本的第一棵決策樹，并初始化所述第二模型樣本的第一棵決策樹；所述第一棵決策樹的父節點含有所述模型樣本；計算所述第二模型樣本的第一棵決策樹上用戶與聯系人之間每個聯系變量的信息增益，選擇各個聯系變量下最大信息增益的分類變量，并生成所述第一棵決策樹上聯系變量的第一預測函數；計算生成聯系變量的第一預測函數與其對應的親密度目標變量的殘差；基于該殘差及預設學習率，學習第二模型樣本的第二棵決策樹，并生成所述第二棵決策樹上聯系變量的第二預測函數；計算生成聯系變量的第二預測函數與其對應的親密度目標變量的殘差；迭代運行預測函數的生成步驟，殘差的計算步驟，及基于計算的殘差，學習下一棵決策樹的步驟；將迭代過程中所有決策樹的累和定義為再建親密度模型。

于本發明的一實施例中，對所述再建親密度模型進行評估的步驟包括：獲取所述再建親密度模型的模型差別值和模型區分值，并通過所述模型差別值和模型區分值對所述再建親密度模型進行評估；其中，所述模型差別值表示模型的預測能力與隨機結果的差別；所述模型區分值表示模型區分有效樣本和無效樣本。

于本發明的一實施例中，所述對所述再建親密度模型進行打分的步驟為將再建親密度模型的函數值轉換為親密度分值。