[發(fā)明專(zhuān)利]基于多層堆棧的精準(zhǔn)金融營(yíng)銷(xiāo)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910933809.2
• 申請(qǐng)日: 2019-09-29
• 公開(kāi)（公告）號(hào): CN111210250A
• 公開(kāi)（公告）日: 2020-05-29
• 發(fā)明（設(shè)計(jì)）人: 張昕然;陳菲琪;王珂;黃進(jìn);萬(wàn)文兵
• 申請(qǐng)（專(zhuān)利權(quán)）人: 江蘇蘇寧銀行股份有限公司
• 主分類(lèi)號(hào): G06Q30/02
• 分類(lèi)號(hào): G06Q30/02;G06Q40/02
• 代理公司: 南京先科專(zhuān)利代理事務(wù)所(普通合伙) 32285
• 代理人: 繆友菊

1.一種基于多層堆棧的精準(zhǔn)金融營(yíng)銷(xiāo)方法，其特征在于，包括：

使用金融ETL工具對(duì)數(shù)據(jù)進(jìn)行萃取、轉(zhuǎn)置和加載，構(gòu)成多來(lái)源金融數(shù)據(jù)集D；

使用LLE算法對(duì)所述多來(lái)源金融數(shù)據(jù)集D中的變量進(jìn)行降維；

對(duì)降維后的所述變量進(jìn)行變量清洗、變量篩選和變量轉(zhuǎn)換，則所述多來(lái)源金融數(shù)據(jù)集D轉(zhuǎn)為D′；

將所述D′劃分為測(cè)試集D1′和D2′，使用K折交叉驗(yàn)證將D2′分為訓(xùn)練集D21′和驗(yàn)證集D22′，所述K∈[4,6]，設(shè)置隨機(jī)失活率p，對(duì)所述訓(xùn)練集D21′進(jìn)行隨機(jī)失活處理后投入到Stacking模型進(jìn)行訓(xùn)練，得到多層Stacking模型；

使用驗(yàn)證集D22′對(duì)所述多層Stacking模型進(jìn)行驗(yàn)證，所述多層Stacking模型達(dá)到預(yù)設(shè)精度則結(jié)束訓(xùn)練，否則重新訓(xùn)練直至達(dá)到所述預(yù)設(shè)精度；

將測(cè)試集D1′投入到所述多層Stacking模型進(jìn)行測(cè)試，得到模型評(píng)估結(jié)果，根據(jù)所述模型評(píng)估結(jié)果選擇出意向客戶(hù)，對(duì)所述意向客戶(hù)進(jìn)行精準(zhǔn)營(yíng)銷(xiāo)。

2.如權(quán)利要求1所述的基于多層堆棧的精準(zhǔn)金融營(yíng)銷(xiāo)方法，其特征在于，所述所述K＝5。

3.如權(quán)利要求1或2所述的基于多層堆棧的精準(zhǔn)金融營(yíng)銷(xiāo)方法，其特征在于，降維后的所述變量包括四個(gè)維度，分別為：用戶(hù)基本屬性、歷史消費(fèi)屬性、行為活動(dòng)軌跡和金融狀況。

4.如權(quán)利要求3所述的基于多層堆棧的精準(zhǔn)金融營(yíng)銷(xiāo)方法，其特征在于，所述變量轉(zhuǎn)換包括日期型數(shù)據(jù)轉(zhuǎn)換和one-hot編碼變換。

5.如權(quán)利要求4所述的基于多層堆棧的精準(zhǔn)金融營(yíng)銷(xiāo)方法，其特征在于，所述LLE算法的距離計(jì)算公式為其中，d_mn表示樣本點(diǎn)m和n之間的距離，X_m和X_n分別表示樣本點(diǎn)m和n的特征向量，和分別表示樣本點(diǎn)m和n到其的j個(gè)近鄰樣本點(diǎn)的平均距離。

6.如權(quán)利要求5所述的基于多層堆棧的精準(zhǔn)金融營(yíng)銷(xiāo)方法，其特征在于，所述隨機(jī)失活處理的過(guò)程為：Yⁱ′＝Bernoulli(i,p)*Yⁱ，其中，Yⁱ為輸入的所述訓(xùn)練集D21′的向量，所述Yⁱ包括i行數(shù)據(jù)，Yⁱ′為經(jīng)隨機(jī)失活處理的輸出向量，Bernoulli(i,p)表示i行服從隨機(jī)失活率p的伯努利分布,所述p∈[0.4,0.6]。

7.如權(quán)利要求6所述的基于多層堆棧的精準(zhǔn)金融營(yíng)銷(xiāo)方法，其特征在于，所述p＝0.4。