【技术实现步骤摘要】
本专利技术涉及营销风控，尤其涉及一种营销风险识别模型训练、营销风险识别方法、装置及设备。
技术介绍
1、随着通讯技术的高速发展，营销的手段也呈现多样化，比如通过电话、聊天软件、邮箱及短信等多种方式进行营销。上述营销手段能够根据客户的消费行为、兴趣爱好、购买力等信息，有针对性地进行营销，并且是直接与客户进行沟通，能够提高营销成功率。但是，上述营销手段容易遭到客户反感。对于大多数人而言，直接营销往往被视为干扰和骚扰。同时，直接营销是通过与客户直接联系来推销产品和服务，因此其效果难以预测，有时可能会达到相反的预料效果，比如导致客户的投诉行为。
2、目前，现有技术中，主要是对营销时长、营销时间段及营销次数等结构化数据进行训练构成识别模型，识别营销是否具有被投诉的风险。如果具有投诉的风险，则采取事后补救的手段，比如，将此类客户拉入营销黑名单。然而，现实情况中，识别模型识别出具有投诉风险的客户依然存在购买欲望。如果采取上述事后补救的手段，则会导致错失潜在客户的结果。因此，亟需一种技术方案，以解决上述技术问题，进而能够提高营销风险识别的准确率。
技术实现思路
1、本专利技术提供了一种营销风险识别模型训练、营销风险识别方法、装置及设备，以解决现有技术中，营销风险识别的准确率较低的技术问题。
2、第一方面，提供了一种营销风险识别模型训练方法，包括：
3、获取样本用户的训练数据集，其中，所述训练数据集被预先进行了多种类别标签的标注，包括对话文本数据和结构化数据；p>
4、将所述对话文本数据和所述结构化数据分别进行数据预处理后，生成对话文本数据特征向量和结构化数据特征向量；
5、将所述对话文本数据特征向量和所述结构化数据特征向量进行第一特征处理后，生成样本用户的第一训练数据集；
6、将所述对话文本数据特征向量和所述结构化数据特征向量进行第二特征处理后，生成样本用户的第二训练数据集；
7、根据所述第一训练数据集和所述第二训练数据集，并基于分类算法分别进行训练，生成营销风险识别模型。
8、第二方面，提供了一种营销风险识别方法，包括：
9、获取目标用户的数据集；
10、将所述数据集输入至营销风险识别模型进行风险识别，输出识别结果，其中，所述营销风险识别模型是根据上述营销风险识别模型训练方法训练得到。
11、第三方面，提供了一种营销风险识别模型训练装置，包括：
12、数据集获取模块：用于获取样本用户的训练数据集，其中，所述训练数据集被预先进行了多种类别标签的标注，包括对话文本数据和结构化数据；
13、特征向量生成模块：用于将所述对话文本数据和所述结构化数据分别进行数据预处理后，生成对话文本数据特征向量和结构化数据特征向量；
14、第一特征处理模块：用于将所述对话文本数据特征向量和所述结构化数据特征向量进行第一特征处理后，生成样本用户的第一训练数据集；
15、第二特征处理模块：用于将所述对话文本数据特征向量和所述结构化数据特征向量进行第二特征处理后，生成样本用户的第二训练数据集；
16、模型训练生成模块：用于根据所述第一训练数据集和所述第二训练数据集，并基于分类算法分别进行训练，生成营销风险识别模型。
17、第四方面，提供了一种营销风险识别装置，包括：
18、数据集获取模块：用于获取目标用户的数据集；
19、风险识别及识别结果输出模块：用于将所述数据集输入至营销风险识别模型进行风险识别，输出识别结果，其中，所述营销风险识别模型是根据上述的营销风险识别模型训练装置训练得到。
20、第五方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述营销风险识别模型训练方法或营销风险识别方法的步骤。
21、上述营销风险识别模型训练、营销风险识别方法、装置及设备，首先，获取样本用户的训练数据集，其中，所述训练数据集被预先进行了多种类别标签的标注，包括对话文本数据和结构化数据；然后，将所述对话文本数据和所述结构化数据分别进行数据预处理后，生成对话文本数据特征向量和结构化数据特征向量；其次，将所述对话文本数据特征向量和所述结构化数据特征向量进行第一特征处理后，生成样本用户的第一训练数据集；再次，将所述对话文本数据特征向量和所述结构化数据特征向量进行第二特征处理后，生成样本用户的第二训练数据集；最后，根据所述第一训练数据集和所述第二训练数据集，并基于分类算法分别进行训练，生成营销风险识别模型。
22、本申请，通过模型自我学习包括对话文本数据和结构化数据的多元化数据集，相比较于只学习结构化数据，能够更精准地识别出客户的投诉倾向。同时，本申请中样本用户的训练数据集预先进行了多种类别标签的标注，其中，类别标签包括电话骚扰的投诉风险、告知不全的投诉风险、营销人员服务态度差的投诉风险、虚假信息的投诉风险中的一项或多项标签。即，本申请中营销风险识别模型能够对多种投诉原因的数据集进行自我学习训练，最后所生成的营销风险识别模型不仅能够识别出是否具有投诉风险，还能识别出具体的投诉风险原因，营销风险识别模型输出的识别结果更加全面，准确性更高。最后，本申请通过将对话文本数据和结构化数据进行两种方式的特征处理，生成两种类型的数据集，并根据两种类型的数据集，依次训练生成两种营销风险识别模型，最后通过两种营销风险识别模型对营销行为进行风险识别，能够解决单个模型预测精度不高的技术问题，进一步提高模型的稳定性。
本文档来自技高网...【技术保护点】
1.一种营销风险识别模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述对话文本数据特征向量和所述结构化数据特征向量进行第一特征处理后，生成样本用户的第一训练数据集，包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述对话文本数据特征向量和所述结构化数据特征向量进行第二特征处理后，生成样本用户的第二训练数据集，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一训练数据集和所述第二训练数据集，并基于分类算法分别进行训练，生成营销风险识别模型，包括：
5.一种营销风险识别方法，其特征在于，包括：
6.根据权利要求5所述的方法，其特征在于，所述营销风险识别模型包括营销风险第一识别模型和营销风险第二识别模型，所述将所述数据集输入至营销风险识别模型进行风险识别，输出识别结果，包括：
7.根据权利要求6所述的方法，其特征在于，所述第一识别结果和所述第二识别结果包括多种原因的投诉风险结果及对应的概率系数，所述根据所述第一识别结果和所述第二识别结果，计算得到并输出识别
8.一种营销风险识别模型训练装置，其特征在于，包括：
9.一种营销风险识别装置，其特征在于，包括：
10.一种电子设备，其特征在于，包括处理器和存储器，其中，所述存储器中存储有计算机程序，所述处理器被配置为运行所述计算机程序以执行权利要求1至4中任一项所述的方法或权利要求5至7中任一项所述的方法。
...【技术特征摘要】
1.一种营销风险识别模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述对话文本数据特征向量和所述结构化数据特征向量进行第一特征处理后，生成样本用户的第一训练数据集，包括：
3.根据权利要求1所述的方法，其特征在于，所述将所述对话文本数据特征向量和所述结构化数据特征向量进行第二特征处理后，生成样本用户的第二训练数据集，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一训练数据集和所述第二训练数据集，并基于分类算法分别进行训练，生成营销风险识别模型，包括：
5.一种营销风险识别方法，其特征在于，包括：
6.根据权利要求5所述的方法，其特征在于，所述营销风险识...
【专利技术属性】
技术研发人员：姚梦秋，高星，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。