[发明专利]一种基于迁移联邦学习的客户价值分层方法

说明书

本发明公开了一种基于迁移联邦学习的客户价值分层方法，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，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，得到联邦学习模型；S4、利用联邦学习模型设置数据权重：S5、对数据质量进行检验，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，能准确评价客户的价值，使最终得到的价值评分能全面展现客户的价值。

技术领域

本发明涉及客户价值评估处理技术领域，具体为一种基于迁移联邦学习的客户价值分层方法。

背景技术

近年来，随着隐私保护的重要性逐渐显现，联邦学习成为一种大量终端设备联合训练深度学习模型同时保证数据不流出本地的流行的机器学习范式。目前，横向联邦学习聚合了终端本地化无需大量数据传输与物联网海量设备的优势，将模型的推断过程由云端下沉至靠近用户的边端，加强数据隐私的同时，避免不稳定网络状态的影响，提高服务的响应时间，成为了一个理想的研究方向。然而，考虑到设备异构的数据分布情况与不稳定的网络连接，提供高准确率、快速收敛的联邦学习计算模式格外重要。

数据异构是影响联邦学习全局模型收敛最大的挑战。现已有研究者在联邦学习经典算法FedAvg的各个阶段做了改进，如混合联邦学习、设备本地训练、与服务器通信内容、设备模型聚合方式等，其中混合联邦学习是一种新颖的、从数据层面缓和联邦学习中数据异构的方法。混合联邦学习是在联邦学习训练之前，通过共享数据或筛选数据改变数据的分布情况，使得各个设备的数据分布情况变得相同，再混合数据集中式机器学习算法与联邦学习算法进行模型训练。为了保护数据隐私安全与数据传输开销，共享的数据总量一般不超过各个设备数据总量之和的1％。如Hybr基础数据地址-FL协议相比传统联邦学习算法，首先加入了数据选择的步骤，通过对设备数据分布情况进行采样，对有共享意愿的设备选择少量数据进行收集，从而在服务器构建一个各类别完备，数量均衡的数据集，再基于该数据集训练出一个额外的设备模型加入训练。现有技术的缺点在于，只试图减弱设备的数据异构性，而没有从根本上解决数据异构的问题。

在服务领域，为了给不同客户提供相匹配的服务，往往需要考虑客户的交易消费能力、客户的需求等多方面内容。具体可以根据服务人员主观判断客户的整体价值，并提供相应的服务、资源配置、营销等。但是这种基于人为主观判断的价值显然缺乏客观性，确定的客户价值不能准确反映客户的真实价值。而且，认为判断的客户价值难以量化，不容易统计与记录。

发明内容

本发明的目的在于提供一种基于迁移联邦学习的客户价值分层方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：。

一种基于迁移联邦学习的客户价值分层方法，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；