[發明專利]一種基于非監督機器學習算法的煙草零售商細分方法

在審

• 申請號: 202011094537.0
• 申請日: 2020-10-14
• 公開（公告）號: CN112381559A
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 孔繁博;高冉;耿云濤
• 申請（專利權）人: 浪潮軟件股份有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06K9/62
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 郗艷榮

本發明特別涉及一種基于非監督機器學習算法的煙草零售商細分方法。該基于非監督機器學習算法的煙草零售商細分方法，利用非監督性機器學習算法，根據煙草市場的特點建立聚類任務模型，將煙草零售商的相關指標作為模型的讀取指標，對模型進行訓練得到優化模型，最終優化模型根據訓練數據的相關指標，自動判別零售商的歸屬類別，從而實現對煙草零售商的細分。基于非監督機器學習算法的煙草零售商細分方法，通過運用機器學習等大數據解決方案，為地市煙草局提供了科學有效的煙草零售商的分類管理方法，解決了各地市煙草零售商的規模參差不齊，數量龐大，難以有效分類管理的瓶頸。

技術領域

本發明涉及機器學習與數據挖掘技術領域，特別涉及一種基于非監督機器學習算法的煙草零售商細分方法。

背景技術

在當下的煙草市場中，由于各地市零售商的規模參差不齊，數量且非常的龐大，以及各地市零售商所銷售煙草品牌和規格都存在一定的差異，這些因素給各地市煙草局在管理零售商方面帶來諸多的挑戰。

根據傳統經驗，地市煙草局通常根據零售商的地域分布或者其他相對片面的單一屬性進行分類管理。但是，采用這種傳統的方式進行劃分和管理零售商，在一定程度上忽略了零售商的其他重要屬性和信息。

為了解決解決各地市煙草零售商的規模參差不齊，數量龐大，難以有效分類管理的瓶頸，本發明提出了一種基于非監督機器學習算法的煙草零售商細分方法。

發明內容

本發明為了彌補現有技術的缺陷，提供了一種簡單高效的基于非監督機器學習算法的煙草零售商細分方法。

本發明是通過如下技術方案實現的：

一種基于非監督機器學習算法的煙草零售商細分方法，其特征在于：利用非監督性機器學習算法，根據煙草市場的特點建立聚類任務模型，將煙草零售商的相關指標作為模型的讀取指標，對模型進行訓練得到優化模型，最終優化模型根據訓練數據的相關指標，自動判別零售商的歸屬類別，從而實現對煙草零售商的細分。

該基于非監督機器學習算法的煙草零售商細分方法，具體包括以下步驟：

第一步、數據獲取

根據實際零售戶情況添加任務到平臺中為模型后期添加訓練數據集，先選擇規定零售商的存在銷售記錄的時間范圍及入網日期，再選擇參與聚類任務的指標，即用戶期望根據哪些影響指標來為零售商進行細分歸類；

第二步、數據預處理

根據第一步中用戶所添加的參與聚類任務的指標自動從數據庫抓取滿足條件的零售客戶的指標數據；

第三步、模型訓練

調用大數據平臺中的分布式計算引擎Spark對經過預處理后的零售戶的指標數據進行處理，構建聚類任務模型，并利用零售戶數據對聚類任務模型進行訓練，使之趨于穩定；

第四步、模型結果展示

利用大數據平臺分布計算引擎Spark將訓練后的聚類任務模型的計算結果作為最優值返回插入到集群數據庫中，采用散點圖來展現聚類任務模型對零售戶檔位計算的分布情況。

所述第一步中，針對煙草市場為卷煙指標構建權重參數，用戶能夠針對特定參與訓練的指標的重要性進行合理安排指標權重。

為了適應煙草市場零售戶規模參差不齊的問題，所述第一步中，引入切夫雪比不等式的方法通過構建離群參考系數的概念來優化模型。

所述第二步中，構建離群模型系數；針對獲得的零售商數據，聚類任務模型自動將零售戶數據分為離群極值零售戶和非離群極值零售戶。

所述第二步中，將非離群極值零售戶的每一個指標進行數據標準化預處理，標準化后的訓練數據再次根據用戶添加的任務指標權重進行指標加權預處理。