心理畫像識(shí)別模型的訓(xùn)練方法技術(shù)

本發(fā)明專利技術(shù)公開了一種心理畫像識(shí)別模型的訓(xùn)練方法，獲取

【技術(shù)實(shí)現(xiàn)步驟摘要】
心理畫像識(shí)別模型的訓(xùn)練方法、催收行動(dòng)推薦方法及裝置


[0001]本專利技術(shù)涉及數(shù)據(jù)處理
，特別涉及一種心理畫像識(shí)別模型的訓(xùn)練方法
、
一種基于心理畫像的催收行動(dòng)推薦方法及推薦裝置
。

技術(shù)介紹

[0002]隨著金融業(yè)務(wù)的發(fā)展，逾期還款客戶的數(shù)量也在不斷攀升，給相關(guān)金融機(jī)構(gòu)帶來(lái)了較大的經(jīng)濟(jì)壓力
。
目前的催收方法主要關(guān)注金融客戶的信用記錄
、
購(gòu)車歷史等表面信息，很少考慮客戶的心理特點(diǎn)，這導(dǎo)致催收員無(wú)法準(zhǔn)確把握客戶的需求和反應(yīng)，很容易引發(fā)客戶的抵觸情緒，降低催收效果；并且采用統(tǒng)一的催收策略和話術(shù)，缺乏自動(dòng)學(xué)習(xí)和優(yōu)化的能力，影響催收效果
。
若能結(jié)合客戶的心理畫像，針對(duì)性地提供催收行動(dòng)推薦建議，能夠大大提升催收成功率
。
[0003]目前的心理畫像識(shí)別方法，多依靠心理專家人工評(píng)判，或基于各類心理分析理論結(jié)合問(wèn)卷調(diào)查的方式進(jìn)行判別，分類不夠準(zhǔn)確，且不具備自動(dòng)學(xué)習(xí)能力
。

技術(shù)實(shí)現(xiàn)思路

[0004]鑒于上述問(wèn)題，本專利技術(shù)提供一種克服上述問(wèn)題或者至少部分地解決上述問(wèn)題的一種心理畫像識(shí)別模型的訓(xùn)練方法
、
一種基于心理畫像的催收行動(dòng)推薦方法及推薦裝置，技術(shù)方案如下所述：
[0005]一種心理畫像識(shí)別模型的訓(xùn)練方法，包括：
[0006]獲取樣本集，所述樣本集包括
N
個(gè)樣本對(duì)象分別在
J
個(gè)心理評(píng)價(jià)標(biāo)簽上的得分值；
[0007]以所述
>J
個(gè)心理評(píng)價(jià)標(biāo)簽形成維度為
J
的歐幾里得空間，確定所述樣本集中每個(gè)樣本對(duì)象在歐幾里得空間中的坐標(biāo)；
[0008]確定
K
個(gè)心理畫像類別，調(diào)用分配規(guī)則將所述樣本集中的
N
個(gè)樣本對(duì)象分別分配到對(duì)應(yīng)的一個(gè)心理畫像類別中，其中
J、N
和
K
均為大于1的正整數(shù)；
[0009]所述分配規(guī)則為：
[0010]隨機(jī)選擇
K
個(gè)質(zhì)心作為
K
個(gè)簇的初始中心，對(duì)
K
個(gè)簇的初始中心進(jìn)行至少一次更新；
[0011]每次更新時(shí)確定當(dāng)前
K
個(gè)簇的中心分別在歐幾里得空間中的坐標(biāo)，計(jì)算所述樣本集中的每個(gè)樣本對(duì)象分別到當(dāng)前
K
個(gè)簇的中心的歐幾里得距離，并將所述樣本集中的每個(gè)樣本對(duì)象分配給歐幾里得距離最近的對(duì)應(yīng)簇；全部分配完后分別計(jì)算每個(gè)簇中分配到的所有樣本對(duì)象在歐幾里得空間中坐標(biāo)的加權(quán)平均值，作為更新后
K
個(gè)簇的中心在歐幾里得空間中的坐標(biāo)；
[0012]最后一次更新后形成的
K
個(gè)簇對(duì)應(yīng)所述
K
個(gè)心理畫像類別，所述樣本集中的
N
個(gè)樣本對(duì)象在最后一次更新中被分配到
K
個(gè)心理畫像類別對(duì)應(yīng)的
K
個(gè)簇中
。
[0013]上述的方法，可選的，所述全部分配完后分別計(jì)算每個(gè)簇中分配到的所有樣本對(duì)象在歐幾里得空間中坐標(biāo)的加權(quán)平均值的公式為：
[0014][0015]其中
c
kj
為第
k
個(gè)簇在第
j
個(gè)維度上的加權(quán)平均值
,
為第
k
個(gè)簇中樣本
n
k
在第
j
個(gè)維度上的值，為第
k
個(gè)簇中所有樣本在第
j
個(gè)維度上的平均值
,a
為權(quán)重衰減因子，
s
kj
為第
k
個(gè)簇在第
j
個(gè)維度上的樣本標(biāo)準(zhǔn)差，
N
k
為第
k
個(gè)簇的樣本數(shù)，
k∈[1
，
K],j∈[1
，
J]，
n
k
∈[1
，
N
k
]。
[0016]上述的方法，可選的，每次更新后判斷是否達(dá)到預(yù)設(shè)終止條件，若是則結(jié)束更新，否則繼續(xù)下一次更新；所述預(yù)設(shè)終止條件包括達(dá)到最大迭代次數(shù)
、
更新前后簇中心不變和評(píng)判分配結(jié)果可靠度達(dá)到預(yù)設(shè)閾值中的至少一個(gè)
。
[0017]上述的方法，可選的，確定
K
的取值時(shí)，獲取
K
的多個(gè)候選值并分別代入下述公式中計(jì)算對(duì)應(yīng)的聚類可靠度
r
K
，選取計(jì)算得到的聚類可靠度
r
K
最高時(shí)對(duì)應(yīng)的候選值作為
K
的最終取值：
[0018][0019][0020]其中
n∈[1
，
N]，
N1至
N
K
分別為第一個(gè)簇至第
K
個(gè)簇的樣本數(shù)；
ω11
和
ω12
為權(quán)重項(xiàng)，且
ω11
+
ω12
＝1；
a(n)
為樣本
n
所在簇內(nèi)所有樣本的加權(quán)平均距離，
b(n)
為與樣本
n
最近的一簇內(nèi)所有樣本的加權(quán)平均距離
。
[0021]一種基于心理畫像的催收行動(dòng)推薦方法，包括：
[0022]獲取經(jīng)過(guò)如上述的心理畫像識(shí)別模型的訓(xùn)練方法訓(xùn)練好的心理畫像識(shí)別模型；
[0023]獲取催收對(duì)象在
J
個(gè)心理評(píng)價(jià)標(biāo)簽上的得分值，確定催收對(duì)象在歐幾里得空間中的坐標(biāo)；
[0024]計(jì)算催收對(duì)象與訓(xùn)練好的心理畫像識(shí)別模型中最后一次更新確定的
K
個(gè)簇中心的歐幾里得距離，將距離最近的前
M
個(gè)簇對(duì)應(yīng)的心理畫像類別作為催收對(duì)象的心理畫像類別，
M
為正整數(shù)且
M∈(1
，
K)
；
[0025]計(jì)算催收對(duì)象分別與
M
類心理畫像類別的相似度
sim(m)
：
[0026][0027]m∈[1
，
M],d(m)
為催收對(duì)象與第
m
類心理畫像類別對(duì)應(yīng)簇中心的歐幾里得距離；
[0028]獲取推薦行為集，分別計(jì)算所述推薦行為集中每個(gè)推薦行為在
M
類心理畫像類別中的權(quán)重值：
[0029]推薦行為
a
在第
m
類心理畫像類別中的權(quán)重值
[0030]＝推薦行為
a
在第
m
類心理畫像類別中的有效度
×
sim(m)
[0031]按照計(jì)算得到的權(quán)重值從高到低排列，并產(chǎn)生對(duì)應(yīng)的推薦行為推薦列表
。
[0032]上述的方法，可選的，在所述計(jì)算所述推薦行為集中每個(gè)推薦行為在
M
類心理畫像
本文檔來(lái)自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】

【技術(shù)特征摘要】
1.
一種心理畫像識(shí)別模型的訓(xùn)練方法，其特征在于，包括：獲取樣本集，所述樣本集包括
N
個(gè)樣本對(duì)象分別在
J
個(gè)心理評(píng)價(jià)標(biāo)簽上的得分值；以所述
J
個(gè)心理評(píng)價(jià)標(biāo)簽形成維度為
J
的歐幾里得空間，確定所述樣本集中每個(gè)樣本對(duì)象在歐幾里得空間中的坐標(biāo)；確定
K
個(gè)心理畫像類別，調(diào)用分配規(guī)則將所述樣本集中的
N
個(gè)樣本對(duì)象分別分配到對(duì)應(yīng)的一個(gè)心理畫像類別中，其中
J、N
和
K
均為大于1的正整數(shù)；所述分配規(guī)則為：隨機(jī)選擇
K
個(gè)質(zhì)心作為
K
個(gè)簇的初始中心，對(duì)
K
個(gè)簇的初始中心進(jìn)行至少一次更新；每次更新時(shí)確定當(dāng)前
K
個(gè)簇的中心分別在歐幾里得空間中的坐標(biāo)，計(jì)算所述樣本集中的每個(gè)樣本對(duì)象分別到當(dāng)前
K
個(gè)簇的中心的歐幾里得距離，并將所述樣本集中的每個(gè)樣本對(duì)象分配給歐幾里得距離最近的對(duì)應(yīng)簇；全部分配完后分別計(jì)算每個(gè)簇中分配到的所有樣本對(duì)象在歐幾里得空間中坐標(biāo)的加權(quán)平均值，作為更新后
K
個(gè)簇的中心在歐幾里得空間中的坐標(biāo)；最后一次更新后形成的
K
個(gè)簇對(duì)應(yīng)所述
K
個(gè)心理畫像類別，所述樣本集中的
N
個(gè)樣本對(duì)象在最后一次更新中被分配到
K
個(gè)心理畫像類別對(duì)應(yīng)的
K
個(gè)簇中
。2.
根據(jù)權(quán)利要求1所述的心理畫像識(shí)別模型的訓(xùn)練方法，其特征在于，所述全部分配完后分別計(jì)算每個(gè)簇中分配到的所有樣本對(duì)象在歐幾里得空間中坐標(biāo)的加權(quán)平均值的公式為：其中
c
kj
為第
k
個(gè)簇在第
j
個(gè)維度上的加權(quán)平均值，為第
k
個(gè)簇中樣本
n
k
在第
j
個(gè)維度上的值，為第
k
個(gè)簇中所有樣本在第
j
個(gè)維度上的平均值
,a
為權(quán)重衰減因子，
s
kj
為第
k
個(gè)簇在第
j
個(gè)維度上的樣本標(biāo)準(zhǔn)差，
N
k
為第
k
個(gè)簇的樣本數(shù)，
k∈[1
，
K],j∈[1
，
J]
，
n
k
∈[1
，
N
k
]。3.
根據(jù)權(quán)利要求1所述的心理畫像識(shí)別模型的訓(xùn)練方法，其特征在于，每次更新后判斷是否達(dá)到預(yù)設(shè)終止條件，若是則結(jié)束更新，否則繼續(xù)下一次更新；所述預(yù)設(shè)終止條件包括達(dá)到最大迭代次數(shù)
、
更新前后簇中心不變和評(píng)判分配結(jié)果可靠度達(dá)到預(yù)設(shè)閾值中的至少一個(gè)
。4.
根據(jù)權(quán)利要求1所述的心理畫像識(shí)別模型的訓(xùn)練方法，其特征在于，確定
K
的取值時(shí)，獲取
K
的多個(gè)候選值并分別代入下述公式中計(jì)算對(duì)應(yīng)的聚類可靠度
r
K
，選取計(jì)算得到的聚類可靠度
r
K
最高時(shí)對(duì)應(yīng)的候選值作為
K
的最終取值：的最終取值：其中
n∈[1
，
N]
，
N1至
N
K
分別為第一個(gè)簇至第
K
個(gè)簇的樣本數(shù)；
ω11
和
ω12
為權(quán)重項(xiàng)，且
ω
11+
ω12
＝1；
a(n)
為樣本
n
所在簇內(nèi)所有樣本的加權(quán)平均距離，
b(n)
為與樣本
n
最近的一簇內(nèi)所有樣本的加權(quán)平均距離
。5.
一種基于心理畫像的催收行動(dòng)推薦方法，其特征在于，包括：獲取經(jīng)過(guò)如權(quán)利要求1?4任一項(xiàng)所述的心理畫像識(shí)別模型的訓(xùn)練方法訓(xùn)練好的心理畫像識(shí)別模型；獲取催收對(duì)象在...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：錢皓磊，郭紅鈞，黃慕宇，張勝慶，張辛欣，劉榮莉，曹家楷，趙軒，
申請(qǐng)(專利權(quán))人：長(zhǎng)安汽車金融有限公司，
類型：發(fā)明
國(guó)別省市：