融合AI与行为画像的客户价值分级评估方法及系统与流程

本技术属于评估领域，尤其涉及一种融合ai与行为画像的客户价值分级评估方法及系统。

背景技术：

1、客户价值评估传统上多依赖静态统计指标体系。随着人工智能技术的广泛应用，基于用户历史行为序列的数据驱动模型逐渐成为主流。在真实业务场景中，不同客户的活跃程度差异显著，大量客户行为数据普遍存在高度稀疏、长尾分布及样本不平衡等问题。对于大部分中低频客户而言，其行为序列通常较短、特征维度单一，若仅依赖原始稀疏时序数据直接训练价值预测模型，容易导致模型过拟合，难以充分挖掘行为背后潜在的商业价值规律，进而影响客户价值分级结果的稳定性。因此，如何基于有限交互数据实现合理且高质量的样本扩充，已成为提升电商客户价值评估能力的关键问题。

2、现有评估方法通常借助序列数据增广技术丰富训练样本。目前常见的序列增广方式多采用随机掩码、全局置换或简单裁剪等策略，但这些方式往往未充分考虑电商场景中用户行为的时序依赖性和业务关联逻辑。过于随机的扰动容易破坏原始序列中具有强转化关联的行为链条，生成大量不符合真实购物逻辑的噪声样本，甚至对模型训练产生误导。此外，现有增广机制大多属于静态开环处理，难以在增广过程中结合不同行为对客户价值贡献的权重差异，也难以充分利用相似画像用户的高价值行为模式进行跨序列特征借鉴与融合。上述割裂业务语义与模型反馈的样本扩充方式，使模型难以准确识别具有高区分度的核心行为片段，限制了客户价值预测模型在电商环境下的泛化能力，进而使客户价值分级结果难以满足精细化运营需求。

技术实现思路

1、为了提升电商稀疏长尾客户时序样本的扩充质量与客户价值评估模型泛化性能，本发明提供一种融合ai与行为画像的客户价值分级评估方法及系统。

2、本发明第一方面提供了一种融合ai与行为画像的客户价值分级评估方法，包括以下步骤：

3、获取客户指定时间周期内的行为序列数据，并获取与客户标识关联的客户画像标签，所述行为序列数据包括客户标识、行为类型、发生时间戳与关联对象标识，对所述行为序列数据进行清洗与编码，得到格式化的用户行为序列集合，并根据行为类型对转化贡献度设定基准价值权重初始值，基于所述格式化的用户行为序列集合，构建量化行为间转移概率的行为关联矩阵；

4、执行迭代式增广训练直至客户价值预测模型收敛，每轮迭代包括基于所述行为关联矩阵将目标序列切分为行为语义块，并执行块级置换生成重排序列，行为语义块的置换概率与块内当前权重均值成负相关，识别同画像标签的源序列，基于当前权重提取高价值片段，按最高转移概率连接点将所述高价值片段嵌入目标序列生成融合序列，利用原始序列、重排序列及融合序列构成增广集训练所述客户价值预测模型，提取行为归因重要性分数，基于所述行为归因重要性分数反馈更新基准价值权重，以用于下一轮迭代；

5、利用收敛后的客户价值预测模型对目标客户进行评分，并根据预设阈值完成价值分级。

6、可选地，所述行为序列数据包括客户标识、行为类型、发生时间戳与关联对象标识，对所述行为序列数据进行清洗与编码，得到格式化的用户行为序列集合，包括：

7、提取所述行为序列数据中的发生时间戳特征，移除发生时间戳异常的无效数据记录得到清洗序列；

8、构建行为类型标签的字符串属性映射表，将各行为类型分别映射为独立单调递增的正整数编号，并将所述清洗序列中的字符串替换为相应的正整数编号；

9、以所述客户标识为切分键进行分类，并在各个客户子集内按发生时间戳的先后顺序进行升序排列连接，组合生成格式化的用户行为序列集合。

10、可选地，所述基于所述格式化的用户行为序列集合，构建量化行为间转移概率的行为关联矩阵，包括：

11、扫描所述格式化的用户行为序列集合，统计任一行为类型作为前置单一事件发生的第一发生总频次；

12、在所有序列中，查找所述前置单一事件与任一后置目标事件紧邻发生且无其他行为阻断的第二共现频次；

13、将所述第二共现频次除以所述第一发生总频次，计算得到前置事件向后置事件转移的转移概率；

14、将各行为类型对之间的转移概率依次存入预设的二维存储空间内，构建生成所述行为关联矩阵。

15、可选地，所述基于所述行为关联矩阵将目标序列切分为行为语义块，包括：

16、沿所述目标序列的发生顺序，依次提取相邻的第一行为与第二行为；

17、在所述行为关联矩阵中查询提取所述第一行为向所述第二行为转移的当前转移概率数值；

18、将所述当前转移概率数值与预设的常数判定阈值进行比对，若所述当前转移概率数值小于所述判定阈值，则在所述第一行为与所述第二行为之间划定切分点标识；

19、根据划定的所有切分点将所述目标序列截断，生成多个独立的连续小序列作为所述行为语义块。

20、可选地，所述基于当前权重提取高价值片段，包括：

21、通过固定长度滑动窗口从所述源序列中提取连续包含至少三个相邻行为事件的子序列，作为候选行为片段组合；

22、分别获取每个候选行为片段组合内各独立行为事件在当前迭代中的价值权重数值；

23、将同一候选行为片段组合内各行为事件的价值权重数值进行加和计算，并除以所述组合内的行为事件数量，得到所述片段的综合价值得分；

24、筛选所有候选行为片段组合中所述综合价值得分最高的片段予以保留，作为提取出的所述高价值片段。

25、可选地，所述提取行为归因重要性分数，包括：

26、将所述增广集映射为连续的嵌入向量特征并输入至当前客户价值预测模型中进行前向传播，获取模型返回的预测得分参数；

27、利用反向传播算法计算所述预测得分参数相对于各个所述嵌入向量特征的偏导数向量，并计算所述偏导数向量的范数，以获取单行为特征引起的预测结果偏差；

28、将属于同一行为类别的所有独立行为特征的预测结果偏差数值进行提取并求和，再除以所述类别的总频次计算平均偏差值；

29、将各类别的所述平均偏差值作为对应的所述行为归因重要性分数进行独立输出。

30、可选地，所述利用收敛后的客户价值预测模型对目标客户进行评分，并根据预设阈值完成价值分级，包括：

31、获取收敛后的客户价值预测模型输出的目标客户的价值评分；

32、将所述价值评分与预设的第一层级阈值和第二层级阈值进行大小比对，其中所述第一层级阈值大于所述第二层级阈值；

33、若所述价值评分大于所述第一层级阈值，则判定目标客户属于核心价值等级；

34、若所述价值评分小于或等于所述第一层级阈值且大于所述第二层级阈值，则判定目标客户属于潜力价值等级；

35、若所述价值评分小于或等于所述第二层级阈值，则判定目标客户属于边缘价值等级。

36、本发明第二方面提供了一种融合ai与行为画像的客户价值分级评估系统，包括以下模块：

37、构建模块，用于获取客户指定时间周期内的行为序列数据，并获取与客户标识关联的客户画像标签，所述行为序列数据包括客户标识、行为类型、发生时间戳与关联对象标识，对所述行为序列数据进行清洗与编码，得到格式化的用户行为序列集合，并根据行为类型对转化贡献度设定基准价值权重初始值，基于所述格式化的用户行为序列集合，构建量化行为间转移概率的行为关联矩阵；

38、迭代模块，用于执行迭代式增广训练直至客户价值预测模型收敛，每轮迭代包括基于所述行为关联矩阵将目标序列切分为行为语义块，并执行块级置换生成重排序列，行为语义块的置换概率与块内当前权重均值成负相关，识别同画像标签的源序列，基于当前权重提取高价值片段，按最高转移概率连接点将所述高价值片段嵌入目标序列生成融合序列，利用原始序列、重排序列及融合序列构成增广集训练所述客户价值预测模型，提取行为归因重要性分数，基于所述行为归因重要性分数反馈更新基准价值权重，以用于下一轮迭代；

39、评分模块，用于利用收敛后的客户价值预测模型对目标客户进行评分，并根据预设阈值完成价值分级。

40、进一步地，所述行为序列数据包括客户标识、行为类型、发生时间戳与关联对象标识，对所述行为序列数据进行清洗与编码，得到格式化的用户行为序列集合，包括：

41、提取所述行为序列数据中的发生时间戳特征，移除发生时间戳异常的无效数据记录得到清洗序列；

42、构建行为类型标签的字符串属性映射表，将各行为类型分别映射为独立单调递增的正整数编号，并将所述清洗序列中的字符串替换为相应的正整数编号；

43、以所述客户标识为切分键进行分类，并在各个客户子集内按发生时间戳的先后顺序进行升序排列连接，组合生成格式化的用户行为序列集合。

44、进一步地，所述基于所述格式化的用户行为序列集合，构建量化行为间转移概率的行为关联矩阵，包括：

45、扫描所述格式化的用户行为序列集合，统计任一行为类型作为前置单一事件发生的第一发生总频次；

46、在所有序列中，查找所述前置单一事件与任一后置目标事件紧邻发生且无其他行为阻断的第二共现频次；

47、将所述第二共现频次除以所述第一发生总频次，计算得到前置事件向后置事件转移的转移概率；

48、将各行为类型对之间的转移概率依次存入预设的二维存储空间内，构建生成所述行为关联矩阵。

49、进一步地，所述基于所述行为关联矩阵将目标序列切分为行为语义块，包括：

50、沿所述目标序列的发生顺序，依次提取相邻的第一行为与第二行为；

51、在所述行为关联矩阵中查询提取所述第一行为向所述第二行为转移的当前转移概率数值；

52、将所述当前转移概率数值与预设的常数判定阈值进行比对，若所述当前转移概率数值小于所述判定阈值，则在所述第一行为与所述第二行为之间划定切分点标识；

53、根据划定的所有切分点将所述目标序列截断，生成多个独立的连续小序列作为所述行为语义块。

54、进一步地，所述基于当前权重提取高价值片段，包括：

55、通过固定长度滑动窗口从所述源序列中提取连续包含至少三个相邻行为事件的子序列，作为候选行为片段组合；

56、分别获取每个候选行为片段组合内各独立行为事件在当前迭代中的价值权重数值；

57、将同一候选行为片段组合内各行为事件的价值权重数值进行加和计算，并除以所述组合内的行为事件数量，得到所述片段的综合价值得分；

58、筛选所有候选行为片段组合中所述综合价值得分最高的片段予以保留，作为提取出的所述高价值片段。

59、进一步地，所述提取行为归因重要性分数，包括：

60、将所述增广集映射为连续的嵌入向量特征并输入至当前客户价值预测模型中进行前向传播，获取模型返回的预测得分参数；

61、利用反向传播算法计算所述预测得分参数相对于各个所述嵌入向量特征的偏导数向量，并计算所述偏导数向量的范数，以获取单行为特征引起的预测结果偏差；

62、将属于同一行为类别的所有独立行为特征的预测结果偏差数值进行提取并求和，再除以所述类别的总频次计算平均偏差值；

63、将各类别的所述平均偏差值作为对应的所述行为归因重要性分数进行独立输出。

64、进一步地，所述利用收敛后的客户价值预测模型对目标客户进行评分，并根据预设阈值完成价值分级，包括：

65、获取收敛后的客户价值预测模型输出的目标客户的价值评分；

66、将所述价值评分与预设的第一层级阈值和第二层级阈值进行大小比对，其中所述第一层级阈值大于所述第二层级阈值；

67、若所述价值评分大于所述第一层级阈值，则判定目标客户属于核心价值等级；

68、若所述价值评分小于或等于所述第一层级阈值且大于所述第二层级阈值，则判定目标客户属于潜力价值等级；

69、若所述价值评分小于或等于所述第二层级阈值，则判定目标客户属于边缘价值等级。

70、本发明通过构建用于量化行为间转移概率的行为关联矩阵，并设定基准价值权重，能够挖掘客户行为的时序关联规律及其真实业务贡献。在模型训练过程中，采用块级置换与跨序列高价值片段融合相结合的增广机制，依据权重均值和最高转移概率执行序列重构，在保持行为语义连贯性的基础上扩充高质量样本空间，从而缓解电商场景中高价值行为样本稀疏所引发的模型过拟合问题。通过构建基于行为归因重要性分数的权重反馈更新闭环，使模型在迭代训练过程中能够持续优化对关键业务行为的感知能力。借助序列增广与权重迭代机制的协同作用，增强了客户价值预测模型的泛化能力，提高了目标客户评分与价值分级结果的准确性和可靠性。