目标企业用户筛选方法、装置、计算机设备及存储介质与流程

1.本技术涉及人工智能和用户筛选技术领域，尤其涉及一种目标企业用户筛选方法、装置、计算机设备及存储介质。


背景技术：

2.大数据时代，基于大数据与标签化思路的团体用户画像分析，已经成为辅助提升用户筛选的重要工具。
3.目前，在协议的签订上，往往存在某个企业用户签订了该项协议，与其特征相同或相似的企业用户也需要签订该类协议，现在，对于同类型企业的协议类签订，往往由推销人员进行推销，或者由协议签订方主动寻找协议订立方去签订，以上方式，不利于设立方精准快速的查找到意定的协议签订方。


技术实现要素：

4.本技术实施例的目的在于提出一种目标企业用户筛选方法、装置、计算机设备及存储介质，以便于帮助协议设立方精准快速的查找到意定的协议签订方。
5.为了解决上述技术问题，本技术实施例提供一种目标企业用户筛选方法，采用了如下所述的技术方案：
6.一种目标企业用户筛选方法，包括下述步骤：
7.步骤201，获取若干个企业用户的基本信息，根据所述基本信息，对所述若干个企业用户进行正负样本划分，其中，所述基本信息包括企业名称和所述企业用户签订的团体类协议名称；
8.步骤202，基于预设表单，获取同一正样本中各企业用户分别对应的第一特征集和第二特征集；
9.步骤203，对所述第一特征集和第二特征集中特征元素分别进行筛选处理，获得符合预设筛选条件的特征元素，构建当前样本对应的综合特征；
10.步骤204，依次将每个正样本对应的综合特征分别作为输入参数，输入基于lightgbm算法的预测评分模型，获取每个正样本对应的预测分值；
11.步骤205，获取负样本中各企业用户分别对应的第一特征集和第二特征集，并执行步骤203，获取负样本中各企业用户分别对应的综合特征，将所述综合特征输入所述预测评分模型，获取预测分值；
12.步骤206，基于所述预测分值和所述每个正样本对应的预测分值，确定所述负样本中各企业用户分别对应的正样本，完成目标企业用户筛选。
13.进一步的，预设正样本筛选条件，所述根据所述基本信息，对所述若干个企业用户进行正负样本划分的步骤，具体包括：
14.基于所述正样本筛选条件和所述企业名称，筛选出所述若干个企业用户中符合所述正样本筛选条件的企业用户，其中，所述正样本筛选条件包括所述若干个企业用户签订
的团体类协议名称；
15.将筛选出的企业用户作为正样本；
16.将未被筛选出的企业用户作为负样本。
17.进一步的，所述基于所述正样本筛选条件和所述企业名称，筛选出所述若干个企业用户中符合所述正样本筛选条件的企业用户的步骤，具体包括：
18.基于所述团体类协议名称和所述企业名称，分别识别出所述若干个企业用户中签订了相同团体类协议的企业用户；
19.将签订了所述相同团体类协议的企业用户划分为一个正样本，生成n个正样本，其中，n为正整数，n表示所述若干个企业用户签订的团体类协议的种类；
20.将所述若干个企业用户中未签订任何团体类协议的企业用户作为负样本。
21.进一步的，所述基于预设表单，获取同一正样本中各企业用户分别对应的第一特征集和第二特征集的步骤，具体包括：
22.基于所述表单，获取所述企业用户的画像属性，构建第一标签集，其中，所述企业用户的画像属性包括企业经营信息、规模信息、产品信息、团体类协议信息和非团体类协议信息；
23.基于所述表单，获取所述企业用户的决策人的画像属性，构建第二标签集，其中，所述企业用户的决策人的画像属性包括所述决策人的基本信息、财富信息、个人类协议信息。
24.进一步的，所述对所述第一特征集和第二特征集中特征元素分别进行筛选处理，获得符合预设筛选条件的特征元素，构建当前样本对应的综合特征的步骤，具体包括：
25.对所述第一特征集和第二特征集中特征元素分别进行特征分箱处理，获取各特征元素对应的特征因子iv值；
26.基于预设特征因子iv值阈值和所述各特征元素对应的特征因子iv值，对所述第一特征集和第二特征集中特征元素进行数据清洗，获得符合初选条件的特征元素；
27.使用相关性分析法和主成分分析法，对所述符合初选条件的特征元素进行特征分析，获得符合终选条件的特征元素，构建当前样本对应的综合特征。
28.进一步的，在所述对所述第一特征集和第二特征集中特征元素分别进行特征分箱处理，获取各特征元素对应的特征因子iv值的步骤之前，所述方法还包括：
29.根据预设赋值规则，对所述第一特征集和第二特征集中特征元素进行数值化赋值处理；
30.对数值化赋值处理结果中的极值，按照预设替换规则进行平滑替换，其中，所述极值包括极大值和极小值。
31.进一步的，所述基于预设特征因子iv值阈值和所述各特征元素对应的特征因子iv值，对所述第一特征集和第二特征集中特征元素进行数据清洗，获得符合初选条件的特征元素的步骤，具体包括：
32.判断所述第一特征集和第二特征集中特征元素对应的特征因子iv值是否满足对应的特征因子iv值阈值；
33.若满足，则所述特征元素符合初选条件，进行保留；
34.若不满足，则所述特征元素不符合初选条件，进行剔除。
35.进一步的，所述使用相关性分析法和主成分分析法，对所述符合初选条件的特征元素进行特征分析，获得符合终选条件的特征元素，构建当前正样本对应的综合特征的步骤，具体包括：
36.使用所述相关性分析法，对所述符合初选条件的特征元素进行相关性分析，获取每个所述特征元素的相关性表征值；
37.基于所述相关性表征值和预设相关性阈值，筛选并剔除大于所述相关性阈值的特征元素，获得二次筛选后的特征元素；
38.使用主成分分析法，对所述二次筛选后的特征元素进行主成分分析，获取所述特征元素对应的权重系数；
39.基于所述特征元素对应的权重系数和预设权重系数阈值，筛选出大于所述权重系数阈值的特征元素，按照预设组合规则，对所述特征元素进行组合，构建综合特征。
40.进一步的，所述基于所述预测分值和所述每个正样本对应的预测分值，确定所述负样本中各企业用户分别对应的正样本，完成目标企业用户筛选的步骤，具体包括：
41.将所述负样本中各企业用户分别对应的预测分值依次与所述每个正样本对应的预测分值进行对比；
42.根据对比结果，筛选出所述负样本中各企业用户分别对应的目标正样本；
43.将所述目标正样本对应的团体类协议名称，推荐给所述目标正样本对应的企业用户，完成目标企业用户筛选。
44.为了解决上述技术问题，本技术实施例还提供一种目标企业用户筛选装置，采用了如下所述的技术方案：
45.一种目标企业用户筛选装置，包括：
46.正负样本划分模块，用于获取若干个企业用户的基本信息，根据所述基本信息，对所述若干个企业用户进行正负样本划分，其中，所述基本信息包括企业名称和所述企业用户签订的团体类协议名称；
47.特征集获取模块，用于基于预设表单，获取同一正样本中各企业用户分别对应的第一特征集和第二特征集；
48.数据清洗模块，用于对所述第一特征集和第二特征集中特征元素分别进行筛选处理，获得符合预设筛选条件的特征元素，构建当前样本对应的综合特征；
49.正样本预测模块，用于依次将每个正样本对应的综合特征分别作为输入参数，输入基于lightgbm算法的预测评分模型，获取每个正样本对应的预测分值；
50.负样本预测模块，用于获取负样本中各企业用户分别对应的第一特征集和第二特征集，并执行所述数据清洗模块，获取负样本中各企业用户分别对应的综合特征，将所述综合特征输入所述预测评分模型，获取预测分值；
51.目标企业用户筛选模块，用于基于所述预测分值和所述每个正样本对应的预测分值，确定所述负样本中各企业用户分别对应的正样本，完成目标企业用户筛选。
52.为了解决上述技术问题，本技术实施例还提供一种计算机设备，采用了如下所述的技术方案：
53.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述所述的目标企业用户筛选方法的步骤。
54.为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
55.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述所述的目标企业用户筛选方法的步骤。
56.与现有技术相比，本技术实施例主要有以下有益效果：
57.本技术实施例所述目标企业用户筛选方法，通过对若干个企业用户进行正负样本划分；获取同一正样本中各企业用户对应的特征集；获得符合初选条件的特征元素；获得符合终选条件的特征元素，构建当前样本对应的综合特征；依次将每个正样本对应的综合特征分别作为输入参数，输入基于lightgbm算法的预测评分模型，获取每个正样本对应的预测分值；获取负样本的综合特征，将综合特征输入预测评分模型，获取预测分值；进行对比，确定负样本中各企业用户分别对应的正样本，完成目标企业用户筛选。便于帮助协议设立方精准快速的查找到意定的协议签订方。
附图说明
58.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
59.图1是本技术可以应用于其中的示例性系统架构图；
60.图2根据本技术的目标企业用户筛选方法的一个实施例的流程图；
61.图3是图2所示步骤203的一种具体实施方式的流程图；
62.图4根据本技术的目标企业用户筛选装置的一个实施例的结构示意图；
63.图5是图4所示403的一种具体实施方式的结构示意图；
64.图6根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
65.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
66.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
67.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
68.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以
包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
69.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
70.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture expertsgroup audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving pictureexperts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
71.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
72.需要说明的是，本技术实施例所提供的目标企业用户筛选方法一般由服务器/终端设备执行，相应地，目标企业用户筛选装置一般设置于服务器/终端设备中。
73.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
74.继续参考图2，示出了根据本技术的目标企业用户筛选方法的一个实施例的流程图。所述的目标企业用户筛选方法，包括以下步骤：
75.步骤201，获取若干个企业用户的基本信息，根据所述基本信息，对所述若干个企业用户进行正负样本划分，其中，所述基本信息包括企业名称和所述企业用户签订的团体类协议名称。
76.本实施例中，预设正样本筛选条件，所述根据所述基本信息，对所述若干个企业用户进行正负样本划分的步骤，具体包括：基于所述正样本筛选条件和所述企业名称，筛选出所述若干个企业用户中符合所述正样本筛选条件的企业用户，其中，所述正样本筛选条件包括所述若干个企业用户签订的团体类协议名称；将筛选出的企业用户作为正样本；将未被筛选出的企业用户作为负样本。
77.以团体类保单为例，假设目前公司的企业客户中，有若干客户以公司为单位签订了多项不特定的团体类保单，也有一些客户还未签订团体类保单，此时，将签订了团体类保单的客户和未签订团体类保单的客户划分为正样本和负样本。
78.通过正负样本划分的形式，便于通过正样本预测负样本适合的团体类协议，帮助协议设立方精确快速找到目标企业用户。
79.本实施例中，所述基于所述正样本筛选条件和所述企业名称，筛选出所述若干个企业用户中符合所述正样本筛选条件的企业用户的步骤，具体包括：基于所述团体类协议名称和所述企业名称，分别识别出所述若干个企业用户中签订了相同团体类协议的企业用户；将签订了所述相同团体类协议的企业用户划分为一个正样本，生成n个正样本，其中，n为正整数，n表示所述若干个企业用户签订的团体类协议的种类；将所述若干个企业用户中未签订任何团体类协议的企业用户作为负样本。
80.以团体类保单为例，假设目前公司的企业客户中，有100个客户以公司为单位签订了团体类保单，其中，10个客户签订了a团体保单，20个客户签订了b团体保单，30个客户签订了c团体保单，40个客户签订了d团体保单，此时，n为4，表示4种不同种类的团体保单，因
此，需要以保单种类的不同构建4个正样本。
81.通过以团体类协议名称构建不同种类的正样本，便于通过不同种类正样本预测负样本所适合的团体类协议，帮助协议设立方精确快速找到目标企业用户。
82.步骤202，基于预设表单，获取同一正样本中各企业用户分别对应的第一特征集和第二特征集。
83.本实施例中，所述基于预设表单，获取同一正样本中各企业用户分别对应的第一特征集和第二特征集的步骤，具体包括：基于所述表单，获取所述企业用户的画像属性，构建第一标签集，其中，所述企业用户的画像属性包括企业经营信息、规模信息、产品信息、团体类协议信息和非团体类协议信息；基于所述表单，获取所述企业用户的决策人的画像属性，构建第二标签集，其中，所述企业用户的决策人的画像属性包括所述决策人的基本信息、财富信息、个人类协议信息。
84.本实施例中，所述预设表单包括企业经营信息、规模信息、产品信息、团体类协议信息和非团体类协议信息，也包括所述决策人的基本信息、财富信息、个人类协议信息，其来源可以为通过大数据平台提取，也可以企业用户预留的历史相关信息。
85.本实施例中，所述决策人表示在法律意义上可以代表企业对外签订协议的主体，包括企业的法定代表人以及获得企业委托授权的具有相应民事行为能力的代理人。
86.以公司e为例，假设公司e的经营信息包括经营时长、所属行业，规模信息包括注册资本、是否500强，产品信息包括产品需求度、客群价值，团体类协议信息包括以企业为单位签订的车险承保信息，非团体类协议信息包括非以企业为单位签订的保单；公司e的决策人的基本信息包括年龄、职位，财富信息包括资产、价值，个人类协议信息包括个人车险承保信息，此时，分别构建公司特征集即第一特征集，决策人特征集即第二特征集。
87.通过构建第一特征集和第二特征集，将企业与企业主即决策人相关联，通过企业与相关人共同做预测分析，提高了预测分析结果的可靠性。
88.步骤203，对所述第一特征集和第二特征集中特征元素分别进行筛选处理，获得符合预设筛选条件的特征元素，构建当前样本对应的综合特征。
89.本实施例中，所述对所述第一特征集和第二特征集中特征元素分别进行筛选处理，获得符合预设筛选条件的特征元素，构建当前样本对应的综合特征的步骤，具体包括：对所述第一特征集和第二特征集中特征元素分别进行特征分箱处理，获取各特征元素对应的特征因子iv值；基于预设特征因子iv值阈值和所述各特征元素对应的特征因子iv值，对所述第一特征集和第二特征集中特征元素进行数据清洗，获得符合初选条件的特征元素；使用相关性分析法和主成分分析法，对所述符合初选条件的特征元素进行特征分析，获得符合终选条件的特征元素，构建当前样本对应的综合特征。
90.继续参考图3，图3是图2所示步骤203的一种具体实施方式的流程图，包括步骤：
91.步骤301，对所述第一特征集和第二特征集中特征元素分别进行特征分箱处理，获取各特征元素对应的特征因子iv值。
92.本实施例中，所述特征分箱实质上为对所述第一特征集和第二特征集中特征元素进行数据离散化处理，将连续型数据处理为非连续型数据。
93.通过进行特征分箱，避免原始分类类别太多，可能存在个别类别样本量过少，对于数值型变量可能会存在极端值，影响分析的稳健性。便于提高稳定性，让分析结果或者模型
预测更加稳健。
94.本实施例中，所述特征因子iv值即特征因子对模型预测的贡献度，iv值越大，则对应特征因子对模型预测的贡献度越大，反之，iv值越小，则对应特征因子对模型预测的贡献度越小。
95.本实施例中，在所述对所述第一特征集和第二特征集中特征元素分别进行特征分箱处理，获取各特征元素对应的特征因子iv值的步骤之前，所述方法还包括：根据预设赋值规则，对所述第一特征集和第二特征集中特征元素进行数值化赋值处理；对数值化赋值处理结果中的极值，按照预设替换规则进行平滑替换，其中，所述极值包括极大值和极小值。
96.本实施例中，通过赋值规则和替换规则对各特征元素进行数值化赋值和数值平滑处理，避免预测模型的预测结果过于拟合。
97.步骤302，基于预设特征因子iv值阈值和所述各特征元素对应的特征因子iv值，对所述第一特征集和第二特征集中特征元素进行数据清洗，获得符合初选条件的特征元素。
98.本实施例中，所述基于预设特征因子iv值阈值和所述各特征元素对应的特征因子iv值，对所述第一特征集和第二特征集中特征元素进行数据清洗，获得符合初选条件的特征元素的步骤，具体包括：判断所述第一特征集和第二特征集中特征元素对应的特征因子iv值是否满足对应的特征因子iv值阈值；若满足，则所述特征元素符合初选条件，进行保留；若不满足，则所述特征元素不符合初选条件，进行剔除。
99.通过初筛选，剔除对模型预测贡献度小的特征，避免模型参数过多。
100.步骤303，使用相关性分析法和主成分分析法，对所述符合初选条件的特征元素进行特征分析，获得符合终选条件的特征元素，构建当前样本对应的综合特征。
101.本实施例中，所述使用相关性分析法和主成分分析法，对所述符合初选条件的特征元素进行特征分析，获得符合终选条件的特征元素，构建当前正样本对应的综合特征的步骤，具体包括：使用所述相关性分析法，对所述符合初选条件的特征元素进行相关性分析，获取每个所述特征元素的相关性表征值；基于所述相关性表征值和预设相关性阈值，筛选并剔除大于所述相关性阈值的特征元素，获得二次筛选后的特征元素；使用主成分分析法，对所述二次筛选后的特征元素进行主成分分析，获取所述特征元素对应的权重系数；基于所述特征元素对应的权重系数和预设权重系数阈值，筛选出大于所述权重系数阈值的特征元素，按照预设组合规则，对所述特征元素进行组合，构建综合特征。
102.本实施例中，所述预设组合规则由程序员结合业务场景进行自定义设定，例如，经主成分分析法后筛选出的特征元素包括历史车险、近三年车险报价，可以组合为综合特征近三年车险报价占历史车险的比例值。
103.通过相关性分析法，目的在于剔除出强相关指标对应的特征，进一步保证预测评分的可靠性，通过主成分分析法再进一步的筛选出最终特征，对最终特征进行权重获取和组合，确定模型的最终参数，再次保证预测评分的可靠性。
104.步骤204，依次将每个正样本对应的综合特征分别作为输入参数，输入基于lightgbm算法的预测评分模型，获取每个正样本对应的预测分值。
105.通过lightgbm算法的预测评分模型，支持高效率的并行训练，并且具有更快的迭代速度，更低的内存消耗、更好的准确率，支持分布式可以快速处理海量数据，其能对多个正样本并行进行训练，获取预测评分，无需逐个等待正样本依次进行预测评分，保证了预测
效率。
106.步骤205，获取负样本中各企业用户分别对应的第一特征集和第二特征集，并执行步骤203，获取负样本中各企业用户分别对应的综合特征，将所述综合特征输入所述预测评分模型，获取预测分值。
107.通过lightgbm算法的预测评分模型，支持高效率的并行训练，并且具有更快的迭代速度，更低的内存消耗、更好的准确率，支持分布式可以快速处理海量数据，其能对负样本中多个企业用户并行进行训练，获取预测评分，无需逐个等待单个企业用户依次进行预测评分，保证了对负样本的预测效率。
108.步骤206，基于所述预测分值和所述每个正样本对应的预测分值，确定所述负样本中各企业用户分别对应的正样本，完成目标企业用户筛选。
109.本实施例中，所述基于所述预测分值和所述每个正样本对应的预测分值，确定所述负样本中各企业用户分别对应的正样本，完成目标企业用户筛选的步骤，具体包括：将所述负样本中各企业用户分别对应的预测分值依次与所述每个正样本对应的预测分值进行对比；根据对比结果，筛选出所述负样本中各企业用户分别对应的目标正样本；将所述目标正样本对应的团体类协议名称，推荐给所述目标正样本对应的企业用户，完成目标企业用户筛选。
110.本技术通过对若干个企业用户进行正负样本划分；获取同一正样本中各企业用户对应的特征集；获得符合初选条件的特征元素；获得符合终选条件的特征元素，构建当前样本对应的综合特征；依次将每个正样本对应的综合特征分别作为输入参数，输入基于lightgbm算法的预测评分模型，获取每个正样本对应的预测分值；获取负样本的综合特征，将综合特征输入预测评分模型，获取预测分值；进行对比，确定负样本中各企业用户分别对应的正样本，完成目标企业用户筛选。便于帮助协议设立方精准快速的查找到意定的协议签订方。
111.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
112.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
113.本技术实施例中，通过构建预测评分模型对正样本和负样本分别进行分值获取，再通过对比，确定符合负样本中各企业用户的意向团体类协议，帮助协议设立方精准快速的预测协议的意定签订方。
114.进一步参考图4，作为对上述图2所示方法的实现，本技术提供了一种目标企业用户筛选装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
115.如图4所示，本实施例所述的目标企业用户筛选装置400包括：正负样本划分模块401、特征集获取模块402、数据清洗模块403、正样本预测模块404、负样本预测模块405和目
标企业用户筛选模块406。其中：
116.正负样本划分模块401，用于获取若干个企业用户的基本信息，根据所述基本信息，对所述若干个企业用户进行正负样本划分，其中，所述基本信息包括企业名称和所述企业用户签订的团体类协议名称；
117.特征集获取模块402，用于基于预设表单，获取同一正样本中各企业用户分别对应的第一特征集和第二特征集；
118.数据清洗模块403，用于对所述第一特征集和第二特征集中特征元素分别进行筛选处理，获得符合预设筛选条件的特征元素，构建当前样本对应的综合特征；
119.正样本预测模块404，用于依次将每个正样本对应的综合特征分别作为输入参数，输入基于lightgbm算法的预测评分模型，获取每个正样本对应的预测分值；
120.负样本预测模块405，用于获取负样本中各企业用户分别对应的第一特征集和第二特征集，并执行所述数据清洗模块，获取负样本中各企业用户分别对应的综合特征，将所述综合特征输入所述预测评分模型，获取预测分值；
121.目标企业用户筛选模块406，用于基于所述预测分值和所述每个正样本对应的预测分值，确定所述负样本中各企业用户分别对应的正样本，完成目标企业用户筛选。
122.本技术通过对若干个企业用户进行正负样本划分；获取同一正样本中各企业用户对应的特征集；获得符合初选条件的特征元素；获得符合终选条件的特征元素，构建当前样本对应的综合特征；依次将每个正样本对应的综合特征分别作为输入参数，输入基于lightgbm算法的预测评分模型，获取每个正样本对应的预测分值；获取负样本的综合特征，将综合特征输入预测评分模型，获取预测分值；进行对比，确定负样本中各企业用户分别对应的正样本，完成目标企业用户筛选。便于帮助协议设立方精准快速的查找到意定的协议签订方。
123.继续参考图5，图5是图4所示403的一种具体实施方式的结构示意图，所述数据清洗模块403包括特征因子iv值获取子模块4031、初筛选子模块4032和综合特征获取子模块4033。其中，
124.特征因子iv值获取子模块4031，用于对所述第一特征集和第二特征集中特征元素分别进行特征分箱处理，获取各特征元素对应的特征因子iv值；
125.初筛选子模块4032，用于基于预设特征因子iv值阈值和所述各特征元素对应的特征因子iv值，对所述第一特征集和第二特征集中特征元素进行数据清洗，获得符合初选条件的特征元素；
126.综合特征获取子模块4033，用于使用相关性分析法和主成分分析法，对所述符合初选条件的特征元素进行特征分析，获得符合终选条件的特征元素，构建当前样本对应的综合特征。
127.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
128.应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是
这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
129.为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图6，图6为本实施例计算机设备基本结构框图。
130.所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有组件61-63的计算机设备6，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
131.所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
132.所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器61可以是所述计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件，例如目标企业用户筛选方法的计算机可读指令等。此外，所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
133.所述处理器62在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的计算机可读指令或者处理数据，例如运行所述目标企业用户筛选方法的计算机可读指令。
134.所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
135.本实施例提出的计算机设备，属于客户筛选技术领域。本技术通过对若干个企业用户进行正负样本划分；获取同一正样本中各企业用户对应的特征集；获得符合初选条件的特征元素；获得符合终选条件的特征元素，构建当前样本对应的综合特征；依次将每个正样本对应的综合特征分别作为输入参数，输入基于lightgbm算法的预测评分模型，获取每个正样本对应的预测分值；获取负样本的综合特征，将综合特征输入预测评分模型，获取预
测分值；进行对比，确定负样本中各企业用户分别对应的正样本，完成目标企业用户筛选。便于帮助协议设立方精准快速的查找到意定的协议签订方。
136.本技术还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被处理器执行，以使所述处理器执行如上述的目标企业用户筛选方法的步骤。
137.本实施例提出的计算机可读存储介质，属于客户筛选技术领域。本技术通过对若干个企业用户进行正负样本划分；获取同一正样本中各企业用户对应的特征集；获得符合初选条件的特征元素；获得符合终选条件的特征元素，构建当前样本对应的综合特征；依次将每个正样本对应的综合特征分别作为输入参数，输入基于lightgbm算法的预测评分模型，获取每个正样本对应的预测分值；获取负样本的综合特征，将综合特征输入预测评分模型，获取预测分值；进行对比，确定负样本中各企业用户分别对应的正样本，完成目标企业用户筛选。便于帮助协议设立方精准快速的查找到意定的协议签订方。
138.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
139.显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。