[发明专利]基于量子K-means算法的客户细分方法和系统

说明书

本发明公开了一种基于量子K‑means算法的客户细分方法和系统，方法包括：获取客户行为数据集D；根据客户行为数据集D中的样本x_m的特征值，将样本x_m转化为量子态|x_m表示；并根据选择的k个聚类中心c_i的特征值，将聚类中心c转化为量子态|c表示；将客户行为数据与聚类中心通过量子计算，输出各数据与聚类中心之间的相似度，将相似度存在量子态|a_m＞中；查找量子态|a_m中数据样本|x_m与聚类中心|c_i的最小值，从而找到与样本x_m最近的聚类中心c_j。本发明将输入数据规范化再进行输入，并没有破坏数据关系，可以帮助企业实现深度分析客户，同时量子计算带来的计算加速、计算精准、计算节能。

技术领域

本发明涉及量子金融领域，尤其基于量子K-means算法的客户细分方法和系统。

背景技术

帕累托法则又叫做二八法则，在经济领域发挥着重要作用，该思想认为，任何情况下，影响事务结果的主要因素只有一小部分。大量研究发现，为企业带来80％利润的是仅占20％的客户。由于金融市场各行业开发新用户的成本远高于保留客户的成本，市场化使得各企业的产品与服务相似度越来越高，企业发展空间受到限制。竞争随之发生转变，维护企业与客户之间的关系，对不同客户进行根据其特质分层，优化企业对不同类型客户的资源配置，实现企业收益最大化是企业为追求长期稳固发展的根本需求。

传统统计方法对人力物力资源的耗费相对巨大，并且统计结果会由于各种外在因素，存在一定的误差。从现有数据库中调取的客户行为数据，相比传统调查统计方法，信息成本更低，可信度更高。机器学习算法使用的数据量相对较大，规避了统计方法带来的问题，但是数据量过大同样会产生一些问题，计算时间消耗大，计算资源消耗高，都是现有算法的通病。

区分不同价值的客户对企业的核心发展至关重要，常见细分方法一般可分为事前细分和事后细分，事后客户细分的具体方法一般是聚类分析，随后针对得到的类别分析该类的价值。同时，现有客户细分方法是割裂的实证方法，无法将各类学科的共性规律串联起来。使用聚类分析算法处理客户信息之前，由于数据结构复杂，通常会选择一定的方法对数据进行预处理，如主成分分析等。数据预处理确实能带来一定的计算收益，但是处理后的数据丧失原本数据间隐含的关系，数据信息的完整度降低。经典k-means算法思想简单、容易实现，但是由于其计算特性，需要通过反复迭代计算实现聚类。在面对复杂大量的计算环境时，其计算复杂度会随着数据量的增长而剧烈增长，所以通常k-means算法不适用于数据量大的聚类问题。量子计算基于量子的基本特性，具有强大的并行计算能力以及更高的数据容纳的能力，在处理大数据时，量子计算的表现将远超经典计算机的运算处理能力。量子k-means算法就是基于量子计算理论的k-means算法，能够有效提高k-means算法的计算效率，同时降低空间复杂度。

因此，为有效解决企业面对大数据环境下处理客户信息慢、效率低、能耗大的问题，提供一种基于量子K-means算法的客户细分方法和系统，为实现客户细分以系统整体的方式来分析研究提供了可能，更完整严谨地刻画客户形象，属于本领域亟待解决的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供基于量子K-means算法的客户细分方法和系统。

本发明的目的是通过以下技术方案来实现的：

本发明的第一方面，提供基于量子K-means算法的客户细分方法，包括：

确定细分角度即特征数量d，获取客户行为数据集D；

根据客户行为数据集D中的样本x_m的特征值，将样本x_m转化为量子态|x_m表示；并根据选择的k个聚类中心c_i的特征值，将聚类中心c转化为量子态|c表示；