(19)中华 人民共和国 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 202111386337.7 (22)申请日 2021.11.22 (71)申请人 中国农业银行股份有限公司陕西省 分行 地址 710075 陕西省西安市高新区唐延路 31号 (72)发明人 杜婧　杨青　王斌　李应炜　何宁　 袁渊　高媛　陈若雅　杜沛　 (74)专利代理 机构 西安维赛恩专利代理事务所 (普通合伙) 61257 代理人 刘春 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 40/02(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的客户流失预测方法 (57)摘要 本发明公开了一种基于深度学习的客户流 失预测方法， 包括： 步骤1： 获取银行客户的个人 信息数据； 步骤2： 利用生成式对抗填补网络模 型， 对步骤1中获取的个人信息数据进行缺失值 填补， 再对填补后的个人信息数据进行最大 ‑最 小归一化处理； 步骤3： 搭建MSDCNN ‑LSTM预测模 型， 步骤4： 训练MSDCNN ‑LSTM预测模型； 步骤5： 将 客户数据输入到经步骤4训练好的MSDCNN ‑LSTM 预测模型， 得到待测客户的流失概率。 其解决了 传统机器学习方法在预测大数据下银行客户流 失概率时效率低的问题。 权利要求书1页 说明书6页 附图2页 CN 114066075 A 2022.02.18 CN 114066075 A 1.一种基于深度学习的客户流失预测方法， 其特 征在于， 包括： 步骤1： 获取银行客户的个人信息数据； 所述真实个人信息数据包括客户编号、 信用评 分、 地方区域特征、 性别、 年龄、 开户时长、 存款余额、 平均资产增量、 持有金融产品数量、 负 债额度、 活跃度评分、 现金平均流入流出比； 步骤2： 利用生成式对抗填补网络模型， 对步骤1中获取的个人信息数据进行缺失值填 补， 再对填补后的个人信息数据进行最大 ‑最小归一 化处理； 步骤3： 搭建MSDCNN ‑LSTM预测模型， 所述MSDCNN ‑LSTM预测模型由三层MSCNN和两层 LSTM拼接而成； 步骤4： 训练MS DCNN‑LSTM预测模型； 步骤5： 将客户数据输入到经步骤4训练好的MSDCNN ‑LSTM预测模型， 得到待测客户的流 失概率。 2.如权利要求1所述的一种基于深度 学习的客户流失预测方法， 其特征在于， 所述步骤 1中， 对获取的个人信息数据进行缺失值填补的方法为： 利用生成式对抗填补 网络模型， 生 成与所述真实个人信息数据集分布规律相符的时间序列数据， 通过判别生成个人信息数据 与真实个人信息数据的差别， 根据偏差训练生成器， 如此交替直至判别器无法判别生成数 据与真实数据的差别。 3.如权利要求1或2所述的一种基于深度学习的客户流失预测方法， 其特征在于， 所述 步骤2中， 对填补后的个人信息数据最大 ‑最小归一化处理的具体方法为： 假设所述个人信 息数据为X＝[X1,X2,...,Xi,...,Xn]∈Rm×n， 其中， m为数据特征个数， n为客户个数， Xi为第i 个客户对应m个特 征值， 即Xi＝[xi,1,xi,2,...,xi,j,...,xi,m]∈Rm×1， 其中， xi,j为第i个客户对应的第j个特 征值； 每个值经过最大‑最小归一 化处理， 表示为： 式中， 表示归一化处理后的数据， 和 分别表示第j个特征值的最小值和最大 值。权　利　要　求　书 1/1 页 2 CN 114066075 A 2一种基于深度学习的客户流失 预测方法 技术领域 [0001]本发明属于银行数据管理技术领域， 具体涉及一种基于深度学习的客户流失  预 测方法。 背景技术 [0002]随着社会经济 的快速发展， 银行行业日趋成熟， 行业竞争愈演愈烈。 一定量  的客 户流失会给银行带来巨大损失， 客户流失的成本远低于挖掘一位新客户， 如  何减少客户的 流失以及及时的挽回客户将 变得尤为关键。 随着人工智能的迅猛 发 展， 将人工智能技术应 用到银行行业的客户分析中， 可以有效降低银 行行业的运  营成本， 提升客户的保持率。 [0003]目前大部分研究中使用的都是传统的机器学习方法， 需要对数据进行大量的  预 处理工作， 特别是在特征工程上需要花费大量的时间和精力， 随着客户数量的  爆炸式增 长， 传统机器学习方法已经 无法满足大 数据下的银 行客户的分析需求。 发明内容 [0004]本发明的目的是提供一种基于深度学习的客户流失预测方法， 以解决传统机  器 学习方法在预测大 数据下银行客户流失概 率时效率低的问题。 [0005]本发明采用以下技 术方案： 一种基于深度学习的客户流失预测方法， 包括： [0006]步骤1： 获取银行客户的个人信息数据； 所述真实个人信息数据包括客户编  号、 信 用评分、 地方区域特征、 性别、 年龄、 开户时长、 存款余额、 平均资产增  量、 持有金融产品数 量、 负债额度、 活跃度评分、 现金平均流入流出比； [0007]步骤2： 利用生成式对抗填补网络模型， 对步骤1中获取的个人信息数据进  行缺失 值填补， 再对填补后的个人信息数据进行最大 ‑最小归一 化处理； [0008]步骤3： 搭建MSD CNN‑LSTM预测模型， 所述MSD CNN‑LSTM预测模 型 由三层MS CNN和两 层LSTM拼接而成； [0009]步骤4： 训练MS DCNN‑LSTM预测模型； [0010]步骤5： 将客户数据输入到经步骤4训练好的MSDCNN ‑LSTM预测模型，  得到待测客 户的流失概 率。 [0011]进一步的， 步骤1中， 对获取的个人信息数据进行缺失值填补的方法为： 利  用生成 式对抗填补网络模型， 生成与所述真实个人信息数据集分布 规律相符的时  间序列数据， 通 过判别生成个人信息数据与真实个人信息数据的差别， 根据偏差  训练生成器， 如此 交替直 至判别器无法判别生成数据与真实数据的差别。 [0012]进一步的， 步骤2中， 对填补后的个人信息数据最大 ‑最小归一化 处理的具  体方法 为： 假设所述个人信息 数据为X＝[X1,X2,...,Xi,...,Xn]∈Rm×n， 其中， m为数据特  征个数， n 为客户个数， Xi为第i个客户对应m个特 征值， 即 Xi＝[xi,1,xi,2,...,xi,j,...,xi,m]∈Rm×1， [0013]其中， xi,j为第i个客户对应的第j个特 征值； [0014]每个值经过最大‑最小归一 化处理， 表示为：说　明　书 1/6 页 3 CN 114066075 A 3