[發明專利]基于不規則數據計算推薦金額的方法及系統

在審

• 申請號: 202010052545.2
• 申請日: 2020-01-17
• 公開（公告）號: CN111275523A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 趙旺;李昭;陳浩;高靖;崔巖;盧述奇;陳呈;張宵
• 申請（專利權）人: 青梧桐有限責任公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06
• 代理公司: 北京晟睿智杰知識產權代理事務所(特殊普通合伙) 11603
• 代理人: 于淼

本申請公開了一種基于不規則數據計算推薦金額的方法及系統，涉及數據處理領域，包括：將訂單信息、客戶信息、商品信息作為變量，對變量與賠付金額進行相關性分析，將影響賠付金額的變量作為自變量，根據自變量確定自變量組合；對連續數值型的自變量進行離散化，形成多個區間；設置支持度和置信度，通過支持度和置信度對各區間進行頻繁項集挖掘，并確定區間的備選推薦金額；設計目標函數，將使目標函數的值最小的備選推薦金額作為區間的最優推薦金額。本申請綜合考慮自變量信息得到穩定性較高的目標函數，可以輸出具有業務可解釋性的合理推薦金額，而且能有效避免分類模型中召回率與精準率不可兼得的問題，可以使用與多種場合。

技術領域

本申請涉及數據處理領域，具體地說，涉及一種基于不規則數據計算推薦金額的方法及系統。

背景技術

隨著計算機的飛速發展，數據的來源越來越多樣，覆蓋的范圍越來越廣泛，因此，如何從海量的、模糊的和不完全的數據中提取有用的信息是科研者一直以來的追求。

在進行賠付金額的設定時，大多是通過回歸預測模型進行設定，現有的回歸預測模型有根據業務經驗設定推薦金額、局部加權線性回歸和分類模型等。根據業務經驗設定大多是通過業務經驗設定推薦金額，主要依賴于業務人員的業務經驗，科學性差，而且主要依賴于人力，當變量組合較多時，會耗費很大的人力，且計算效率很低。局部加權線性回歸雖然有一定的科學性，但局部加權線性回歸方法是基于數值型數據進行處理，而進行推薦金額設定時，自變量中存在不少標稱型數據，將標稱型數據轉換為數值型數據是一個難題。此外，局部加權線性回歸的輸出仍然接近于平滑的連續性數據，與實際業務場景中的數據仍然有較大差別，業務可解釋性差。使用分類模型時，通過合理的構建特征雖然可以提高精度，但其存在召回率與精準率不能兼得的問題，因此，在進行賠付金額的設定時，分類模型并不實用。

發明內容

有鑒于此，本申請提供了一種基于不規則數據計算推薦金額的方法及系統，綜合考慮自變量信息得到穩定性較高的目標函數，可以輸出具有業務可解釋性的合理推薦金額，而且能有效避免分類模型中召回率與精準率不可兼得的問題，可以使用與多種場合。

為了解決上述技術問題，本申請有如下技術方案：

第一方面，本申請提供一種基于不規則數據計算推薦金額的方法，包括：

采集訂單信息、客戶信息、商品信息和賠付金額，將所述訂單信息、客戶信息、商品信息作為變量，對所述變量與賠付金額進行相關性分析，將影響所述賠付金額的變量作為自變量，根據所述自變量確定自變量組合；

對所述自變量組合中數值類型為連續數值型的自變量進行離散化，形成多個區間；

設置支持度和置信度，通過所述支持度和置信度對各所述區間進行頻繁項集挖掘；

計算所述區間中各自變量的均值、中位數、眾數和上下四分位數；

根據所述均值、所述中位數、所述眾數、所述上下四分位數和所述頻繁項集形成所述區間的備選推薦金額；

設計目標函數為cost＝e^λcost_a+e^cost_b，其中，λ表示平滑系數，cost_a表示賠付成本的提升率，cost_b表示滿意度偏移量；

利用所述目標函數遍歷所述區間內的備選推薦金額，將使所述目標函數的值最小的所述備選推薦金額作為所述區間的最優推薦金額。

可選地，其中：

所述對所述變量與賠付金額進行相關性分析，具體為：采用聯列表分析方法或假設檢驗分析方法分別對所述訂單信息、客戶信息、商品信息與賠付金額進行相關性分析。

可選地，其中：

篩選不存在頻繁項集的區間作為第一區間，利用與所述第一區間相鄰區間的備選推薦金額作為所述第一區間的備選推薦金額。