[发明专利]一种基于迁移联邦学习的客户价值分层方法

权利要求书

1.一种基于迁移联邦学习的客户价值分层方法，其特征在于：包括以下步骤：

S1、对客户大数据进行汇总，用于从基础数据平台获取数据，为标签库模块提供基础数据来源，并做预处理；

S2、建立大数据汇总共享模块，每个孤立的小基站计算到邻接小基站的加权距离和，假设所有用户以相同的频率迁移请求内容，负载就可以简化为连接到小基站的用户的数量；

S3：构建辅助模型，包括分类标签，形成的标签库与数据汇总模块相连以获取数据，并根据获取数据进行标签的分析、判断，得到联邦学习模型；

S4、利用联邦学习模型设置数据权重：

设定客户经济基础、客户发展潜力、客户信用价值、客户社会信任度的维度作为准则层，以上述维度指标作为价值分层的评价尺度，再将评价尺度分为多个等级；并按各指标的重要性得到客户评价权重值；

S5、对数据质量进行检验，包括：

首先，用户基础数据地址的唯一性；

其次，将缺失值调整为某个固定值；

最后，对于存在异常值的评价权重值以及评价权重值增长率指标，将异常值设置为该类客户群对应属性的均值、中位数，实现最终分层。

2.根据权利要求1所述的一种基于迁移联邦学习的客户价值分层方法，其特征在于：所述步骤S3的标签库模块包含标签管理、客户属性及客户标签三个子模块；标签管理子模块以标签元数据为基础，进行标签查询、分析、评估、推送服务；客户属性子模块组织、存储、管理客户数据，数据包括基础信息、客户行为、接触记录、业务办理；客户标签子模块组织、存储、管理客户标签；客户属性子模块与客户标签模块形成完整的客户全景视图，全方位、多层次、立体化地描述客户，为标签应用提供基础。

3.根据权利要求2所述的一种基于迁移联邦学习的客户价值分层方法，其特征在于：所述步骤S3的标签库模块建立企业客户价值评价星级模型，企业客户价值评价星级模型以高压客户为目标基础群；对于户龄达到5年的客户，从经济价值、发展潜力、信用价值、社会价值四个维度出发，利用层次分析法构建企业客户价值评价星级模型，并根据得分分布确定等级阈值，输出优质大客户评价等级标签；对于户龄未满5年的客户，基于在数据观察期内指标数据不完整，其需按照当前合同容量进行评级，且在考察期满5年后将按照企业客户价值评价星级模型进行评分输出等级。

4.根据权利要求1所述的一种基于迁移联邦学习的客户价值分层方法，其特征在于：对所述步骤S4中的区间打分：根据历史数据对用户四个维度区间进行赋值，确定变量分箱阈值。

5.根据权利要求4所述的一种基于迁移联邦学习的客户价值分层方法，其特征在于：如果两个指标的重要性在两个评价等级之间，则可以取中间的分值，如果指标i相对于指标j有一个评分值，则指标j相对于指标i的评分制为其倒数。

6.根据权利要求4所述的一种基于迁移联邦学习的客户价值分层方法，其特征在于：根据同一层次的指标两两比较来确定指标的相对重要性，如果认为两个指标的影响重要性相当，则取值为1，前者比后者稍微重要则取值为3，前者比后者稍微不重要，则取值为1/3，同理，如果认为前者比后者比较重要，则取5，十分重要则取7，绝对重要则取9。

7.根据权利要求1所述的一种基于迁移联邦学习的客户价值分层方法，其特征在于：所述步骤S5中，

所述用户基础数据地址的唯一性具体指：建模基础数据集中，每个用户为一条观测数据，因此每个基础数据地址变量应该仅出现一次，否则需要核查原因，调整数据；

所述缺失值：将缺失值调整为某个固定值，如对于暂时缺失社会价值指标的企业，将其设置为一个固定的基准值；

所述异常值：对于存在异常值的评价权重值以及评价权重值增长率指标，将异常值设置为该类客户群对应属性的均值、中位数。

8.根据权利要求1所述的一种基于迁移联邦学习的客户价值分层方法，其特征在于：所述动态迁移在联邦学习的每一轮发生，根据深度神经网络浅层数目决定迁移的初始层数，每过若干轮后，减少一层复制的层数，直至复制的层数为0；所述数据分布情况包括样本类别信息和各类别样本数量。