(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 202210745828.4 (22)申请日 2022.06.28 (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 黄炎鑫　魏思远　 (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 张萌 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 40/02(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 目标客群中客户的分类方法、 装置、 电子设 备及存储介质 (57)摘要 本申请提供了目标客群中客户的分类方法、 装置、 电子设备及存储介质， 根据目标用户的交 易记录中各条交易信息所属的至少一个交易类 型， 检测目标用户是否属于目标客群， 若确定目 标用户属于目标客群， 获取目标用户分别在基本 属性特征、 消费属性特征以及与目标客群对应的 目标属性特征下的多个特征； 基于各个属性特征 维度中各个特征的特征值， 生 成目标用户的属性 特征矩阵， 并将属性特征矩阵输入至预先训练好 的客户分类模 型中， 得到目标用户所属的用户类 别， 并根据目标用户所属的用户类别为目标用户 提供对应的服务。 这样， 在保证获取用户属性特 征的全面性的同时， 简化了确定用户类别的步 骤， 有助于提升确定目标用户所属用户分类的准 确性以及效率。 权利要求书2页 说明书13页 附图2页 CN 115115403 A 2022.09.27 CN 115115403 A 1.一种目标客群中客户的分类方法， 其特 征在于， 所述分类方法包括： 根据目标用户的交易记录 中各条交易信 息所属的至少一个交易类型， 检测所述目标用 户是否属于目标客群； 若所述目标用户属于目标客群， 获取所述目标用户在各个属性特征维度下的多个特 征； 其中， 所述属性特征维度包括基本属性特征、 消费属性特征以及与所述目标客群对应的 目标属性特 征； 基于各个属性特征维度中各个特征的特征值， 生成所述目标用户的属性特征矩阵， 并 将所述属性特征矩阵输入至预先训练好的客户分类模型中， 得到所述目标用户所属的用户 类别， 并根据所述目标用户所属的用户类别为所述目标用户提供对应的服 务。 2.根据权利要求1所述的分类方法， 其特征在于， 通过以下步骤确定所述目标用户属于 所述目标客群： 确定所述目标用户的交易记录 中， 各个交易类型对应的交易信 息的信息数量以及所述 交易记录中的信息总数量； 确定多个交易类型中属于所述目标客群的全部交易类型的目标信息数量； 检测所述目标信息数量在所述信息总数量中的占比是否大于阈值占比阈值； 若所述目标信 息数量在所述信 息总数量中的占比大于预设占比阈值， 确定所述目标用 户属于所述目标客群。 3.根据权利要求1所述的分类方法， 其特征在于， 所述基于各个属性特征维度中各个特 征的特征值， 生成所述目标用户的属性特 征矩阵， 包括： 针对于每一个属性特征维度， 将该属性特征维度下各个特征的特征值， 转换成对应的 数值， 并将各个特征值按照特征拼接顺序进行拼接， 得到该属 性特征维度下 的属性特征向 量； 将各个属性特 征维度的属性特 征向量进行拼接， 得到所述属性特 征矩阵。 4.根据权利要求1所述的分类方法， 其特征在于， 所述将所述属性特征矩阵输入至预先 训练好的客户分类模型中， 得到所述目标用户所属的用户类别， 包括： 将所述属性特征矩阵输入至预先训练好的客户分类模型， 计算所述属性特征矩阵经过 客户分类模型中的隐藏层后输出的多个隐含层神经 元的特征值； 对计算出多个隐含层神经元的特征值进行激活函数处理， 得到所述目标用户对应的评 估数值； 基于所述评估数值以及预设的各个用户类别对应的数值 区间， 确定所述目标用户所属 的用户类别。 5.根据权利要求4所述的分类方法， 其特征在于， 所述基于所述评估数值以及预设的各 个用户类别对应的数值区间， 确定所述目标用户所属的用户类别， 包括： 确定各个用户类别对应的数值区间的数值上限值以及数值下限值； 将所述数值下限值小于所述评估数值且所述数值上限值大于所述评估数值的数值区 间对应的用户类别， 确定所述目标用户所属的用户类别。 6.根据权利要求1所述的分类方法， 其特征在于， 通过以下步骤为所述目标用户提供对 应的服务： 根据所述目标用户所属的用户类别， 确定针对于所述目标用户的服务类型以及服务资权　利　要　求　书 1/2 页 2 CN 115115403 A 2源， 并按照所述 服务类型以及服 务资源为所述目标用户提供相应的服 务。 7.根据权利要求1所述的分类方法， 其特征在于， 通过以下步骤训练所述客户分类模 型： 基于获取到的属于所述目标客群的各个样本用户在预设历史时间段内的业务贡献综 合收益， 确定各个样本用户的评估数值标签， 并基于各个样本用户的评估数值标签， 确定各 个样本用户的实际用户分类； 针对于每个样本用户， 基于各个样本用户在各个属性特征维度下的多个特征的特征 值， 确定该样本用户的样本特征矩阵， 并将所述样本特征矩阵输入至预先构建好的深度学 习模型中， 得到该样本用户的预测用户分类； 针对于每个样本用户， 检测该样本用户的预测用户分类与该样本用户的实际用户分类 是否一致； 若存在样本用户的预测用户分类与实际用户不一致， 调整所述深度学习模型中的参 数， 直至全部样本用户的预测用户分类与实际用户均一致， 确定所述深度学习模型训练完 毕， 并将训练完毕的所述深度学习模型确定为训练好的所述 客户分类模型。 8.一种目标客群中客户的分类装置， 其特 征在于， 所述分类装置包括： 客群检测模块， 用于根据目标用户的交易记录 中各条交易信 息所属的至少一个交易类 型， 检测所述目标用户是否属于目标客群； 特征获取模块， 用于若所述目标用户 属于目标客群， 获取所述目标用户在各个属性特 征维度下的多个特征； 其中， 所述属性特征维度包括基本属性特征、 消费属性特征以及与所 述目标客群对应的目标属性特 征； 类别确定模块， 用于基于各个属性特征维度中各个特征的特征值， 生成所述目标用户 的属性特征矩阵， 并将所述属 性特征矩阵输入至预先训练好的客户分类模型中， 得到所述 目标用户所属的用户类别， 并根据所述目标用户所属的用户类别为所述目标用户提供对应 的服务。 9.一种电子设备， 其特征在于， 包括： 处理器、 存储介质和总线， 所述存储介质存储有所 述处理器可执行 的机器可读指令， 当电子设备运行时， 所述处理器与所述存储介质之间通 过总线通信， 所述处理器执行所述机器可读指令， 以执行如权利要求1至7任一项所述的目 标客群中客户的分类方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器运行时执行如权利要求 1至7任一项 所述的目标客群中客户 的分类方法的步骤。权　利　要　求　书 2/2 页 3 CN 115115403 A 3