[發明專利]基于半監督學習的銷售風險點檢測系統、裝置

有效

• 申請號: 201910202920.4
• 申請日: 2019-03-18
• 公開（公告）號: CN109978358B
• 公開（公告）日: 2021-08-13
• 發明（設計）人: 王乾宇;何賽克;鄭曉龍;曾大軍
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06K9/62
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

1.一種基于半監督學習的銷售風險點檢測系統，其特征在于，包括數據整合模塊、數據深加工模塊、聚類模塊、特征標記模塊、分類模塊、相關性分析模塊；

所述數據整合模塊，配置為將獲取的數據信息整合存儲為第一圖數據庫；所述第一圖數據庫包括設定類別產品銷售數據、對應產品銷售人員數據、銷售區域數據；

所述數據深加工模塊，配置為采用Pandas方法將第一圖數據庫的數據深加工為原始狀態數據，構成第二圖數據庫；

所述聚類模塊，配置為采用K均值聚類法對所述第二圖數據庫的數據進行聚類，計算平均輪廓系數，獲得所述平均輪廓系數接近1時對應的k值和聚類集合；

所述特征標記模塊，配置為分別提取所述k個聚類集合中各聚類的數據的特征，并利用該特征分別對所述第二圖數據庫中數據進行標記，獲得第三圖數據庫；

所述分類模塊，配置為按照所述第三圖數據庫的數據特征設置隨機森林決策規則，構建隨機森林；采用隨機森林分類器對所述第三圖數據庫進行數據分類，獲得第四圖數據庫；

所述相關性分析模塊，配置為采用Pearson相關系數計算所述第四圖數據庫各分類數據之間的相關性，輸出相關系數值低于預設閾值的產品組合；所述相關系數值低于預設值的產品組合為風險點。

2.根據權利要求1所述的基于半監督學習的銷售風險點檢測系統，其特征在于，所述平均輪廓系數，其計算方法為：

其中，s(i)為聚類集合的平均輪廓系數，a(i)為向量到同一聚類集合內其他點不相似程度的平均值，b(i)為向量到其他聚類集合的平均不相似程度的最小值。

3.根據權利要求1所述的基于半監督學習的銷售風險點檢測系統，其特征在于，所述Pearson相關系數，其計算方法為：

其中，r為Pearson相關系數，i為銷售數據序列，x_i、y_i分別為對應的預測值；N為銷售產品的總數。

4.根據權利要求1所述的基于半監督學習的銷售風險點檢測系統，其特征在于，所述銷售風險點、銷售團隊風險點采用知識圖譜的方法展示。

5.根據權利要求1-4任一項所述的基于半監督學習的銷售風險點檢測系統，其特征在于，所述系統還包括壞點數據去除模塊；

所述壞點數據去除模塊，配置為在對所述第二圖數據庫的數據進行聚類之前對所述第二圖數據庫的數據進行壞點去除：

步驟M10，計算相應產品的銷售數據的加權平均值：

其中，為銷售數據的加權平均值，x₁、x₂……x_t為對應的各類產品，f₁、f₂……f_t為相應產品的函數值，t為產品總數量；

步驟M20，銷售數據的加權平均值高于預設閾值的對應的銷售數據為壞點數據，刪除所述壞點數據。

6.根據權利要求1-4任一項所述的基于半監督學習的銷售風險點檢測系統，其特征在于，所述系統還包括驗證模塊；

所述驗證模塊，配置為采用10重交叉驗證法對分類模塊的結果進行驗證，若未達到預設的準確率則重復通過分類模塊進行分類直至結果達到預設準確率。

7.根據權利要求1-4任一項所述的基于半監督學習的銷售風險點檢測系統，其特征在于，所述系統還包括重聚類模塊；

所述重聚類模塊，配置為在獲得所述平均輪廓系數接近1時對應的k值和聚類集合，對數據進行重聚類：

選取所述平均輪廓系數接近1時對應的k個聚類中心，進行K均值聚類，找出離群點數據，離群點數據對應的團隊為異常團隊；所述異常團隊為銷售團隊風險點。

8.一種存儲裝置，其中存儲有多條程序，其特征在于，所述程序適于由處理器加載并執行以實現權利要求1-7任一項所述的基于半監督學習的銷售風險點檢測系統。

9.一種處理裝置，包括

處理器，適于執行各條程序；以及

存儲裝置，適于存儲多條程序；

其特征在于，所述程序適于由處理器加載并執行以實現：

權利要求1-7任一項所述的基于半監督學習的銷售風險點檢測系統。