(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211249142.2 (22)申请日 2022.10.12 (71)申请人 平安银行股份有限公司 地址 518000 广东省深圳市罗湖区深南 东 路5047号 (72)发明人 王攀　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 梁韬 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 40/02(2012.01) G06N 5/00(2006.01) G06N 20/20(2019.01) (54)发明名称 客户挖掘模型生成方法、 装置和终端设备 (57)摘要 本申请实施例涉及人工智能领域， 提供一种 客户挖掘模型生成方法、 装置和终端设备， 该客 户挖掘模型生成方法通过获取银行存量客户的 相关数据， 基于相关数据通过皮尔逊相关系数确 定第一特征参数， 基于第一特征参数通过GBDT模 型构建相应的第二特征参数， 基于第一特征参数 和第二特征参数对逻辑回归模型进行模型训练， 得到代发拓客模 型。 本申请一方面可以持续提高 模型得精 准度、 提高识别率、 准确率、 召回率以及 实际落地转化率， 另一方面也节省了整体的人力 成本， 实现了降本增效的作用。 权利要求书1页 说明书8页 附图4页 CN 115545781 A 2022.12.30 CN 115545781 A 1.一种客户挖掘模型生成方法， 其特 征在于， 所述方法包括: 获取银行存量客户的相关数据； 基于所述相关数据通过皮尔逊相关系数确定第一特 征参数； 基于所述第一特 征参数通过GBDT模型构建相应的第二特 征参数； 基于所述第 一特征参数和所述第 二特征参数对逻辑 回归模型进行模型训练， 得到代发 拓客模型。 2.根据权利要求1所述的客户挖掘模型生成方法， 其特征在于， 所述相关数据包括代发 属性和基础特 征， 所述基于所述相关数据通过皮尔逊相关系数确定第一特 征参数， 包括： 根据所述代发属性和所述基础特征中任一项特征， 利用所述皮尔逊相关系数的公式 中， 计算得到相应特 征的特征贡献度； 根据所述特 征贡献度对所述相关数据进行 过滤， 得到第一特 征参数。 3.根据权利要求2所述的客户挖掘模型生成方法， 其特征在于， 所述根据 所述特征贡献 度对所述相关数据进行 过滤， 得到第一特 征参数， 包括： 按照所述特 征贡献度的降序顺序对所述基础特 征中相应特 征进行排序； 选取前预设个数的特 征为第一特 征参数。 4.根据权利要求3所述的客户挖掘模型生成方法， 其特征在于， 所述基础特征包括客户 管理人、 涉及收款人、 网银转账笔数、 转账金额汇总、 客户性别、 婚姻状况、 年龄、 30天活跃标 识、 客户归属机构、 客户归属机构名和风险等级中任意 一项或多 项特征。 5.根据权利要求1所述的客户挖掘模型生成方法， 其特征在于， 所述基于所述第 一特征 参数通过GBDT模型构建相应的第二特 征参数， 包括： 将所述第一特征参数作 为训练数据训练GBDT模型以构 建具有N棵树的GBDT模型， 其 中， N为正整数； 根据所述GBDT模型中的所述N棵树对所述训练数据进行特征参数组合以生成所述第二 特征参数。 6.根据权利要求1所述的客户挖掘模型生成方法， 其特征在于， 所述逻辑 回归模型的训 练损失函数采用L1正则化损失函数。 7.根据权利要求1所述的客户挖掘模型生成方法， 其特征在于， 在对逻辑 回归模型进行 模型训练的过程中， 采用交叉验证结合网格搜索的方式训练所述逻辑回归 模型。 8.一种客户挖掘模型训练装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取 银行存量客户的相关数据； 参数确定模块， 用于基于所述相关数据通过皮尔逊相关系数确定第一特 征参数； 参数构建模块， 用于基于所述第一特 征参数通过GBDT模型构建相应的第二特 征参数； 模型确定模块， 用于基于所述第 一特征参数和所述第 二特征参数对逻辑 回归模型进行 模型训练， 得到代发拓客模型。 9.一种终端设备， 其特征在于， 包括存储器和 处理器， 所述存储器存储有计算机程序， 所述计算机程序在所述处理器上运行时执行权利要求1至7任一项所述的客户挖掘模型生 成方法。 10.一种可读存储介质， 其特征在于， 其存储有计算机程序， 所述计算机程序在处理器 上运行时执 行权利要求1至7任一项所述的客户挖掘模型生成方法。权　利　要　求　书 1/1 页 2 CN 115545781 A 2客户挖掘模型生成方 法、 装置和终端设 备 技术领域 [0001]本发明涉及人工智能领域， 具体而言， 涉及一种客户挖掘模型生成方法、 装置和终 端设备。 背景技术 [0002]目前， 银行通常是通过获取连续多个月转账给多个不同账户的客户账户， 并且剔 除其中存在的风险账户， 然后根据经验对剔除处理后剩余的客户进行一步的筛选， 以确定 最终的意向客户名单以及潜在可挖掘客户， 并根据确定的意向名单客户和可挖掘客户进一 步分析其共同特 征参数， 从而更加精准迭代数据标签。 [0003]现有的方案主要使用经验数据作为判断依据， 缺乏具体 的数据支撑， 没有数据分 析过程， 不能提供相应的数据依据， 并且通过现有方法无法考虑到个体维度， 仅通过经验和 硬性规则去判断是否有代发潜力， 将存在很多误判的情况， 从而将导致人力物力浪费在没 有潜力的用户身上。 并且现有的方法通过整体规则仅考虑了转账次数， 未综合考量客户所 有特征参数(存款信息、 贷款信息、 活跃信息等)， 导致对客户的判断存在较大偏差， 也会存 在做无用功得情况。 发明内容 [0004]本发明的目的在于提供一种客户挖掘模型生成方法、 客户挖掘模型训练装置、 终 端设备和可读存 储介质。 [0005]第一方面， 本发明提供一种客户挖掘模型生成方法， 所述方法包括: [0006]获取银行存量客户的相关数据； [0007]基于所述相关数据通过皮尔逊相关系数确定第一特 征参数； [0008]基于所述第一特 征参数通过GBDT模型构建相应的第二特 征参数； [0009]基于所述第一特征参数和所述第二特征参数对逻辑回归模型进行模型训练， 得到 代发拓客模型。 [0010]在可选的实施方式中， 所述相关数据包括代发属性和基础特征， 所述基于所述相 关数据通过皮尔逊相关系数确定第一特 征参数， 包括： [0011]根据所述代发属性和所述基础特征 中任一项特征， 利用所述皮尔逊相关系数的公 式中， 计算得到相应特 征的特征贡献度； [0012]根据所述特 征贡献度对所述相关数据进行 过滤， 得到第一特 征参数。 [0013]在可选的实施方式中， 所述根据所述特征贡献度对所述相关数据进行过滤， 得到 第一特征参数， 包括： [0014]按照所述特 征贡献度的降序顺序对所述基础特 征中相应特 征进行排序； [0015]选取前预设个数的特 征为第一特 征参数。 [0016]在可选的实施方式中， 所述基础特征包括客户管理人、 涉及收款人、 网银转账笔 数、 转账金额汇总、 客户性别、 婚姻状况、 年龄、 30天活跃标识、 客户归属机构、 客户归属机构说　明　书 1/8 页 3 CN 115545781 A 3