(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 202210982379.5 (22)申请日 2022.08.16 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 吴欢　林慕云　许承飞　殷富成　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 赵平　任默闻 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 40/02(2012.01) G06N 3/12(2006.01) G06N 20/00(2019.01) (54)发明名称 客户流失预警方法和装置 (57)摘要 本发明提供了一种客户流失预警方法和装 置， 特别涉及人工智能领域， 所述方法包括： 基于 随机森林得到元素类型的权重， 并基于权重和历 史客户特征向量， 确定历史客户目标向量； 根据 历史客户目标向量， 构建适应度函数； 基于适应 度函数进行遗传迭代， 确定历史客户目标向量的 最终幂次系数和最终倍数系数； 根据随机森 林和 当前客户特征向量的归类值判断当前客户是否 为即将流失客户， 若是， 基于当前客户特征向量、 最终幂次系数和最终倍数系数， 确定流失类型， 并基于流失类型进行预警。 本发 明能够提高客户 流失预警的速度和准确性， 从而提高客户流失预 警的效率， 进而有利于对不同流失类型的当前客 户进行对应的挽留， 以提高银行的收入。 权利要求书5页 说明书36页 附图5页 CN 115375357 A 2022.11.22 CN 115375357 A 1.一种客户流失预警方法， 其特 征在于， 包括： 将当前客户特征向量的向量元素按对应的元素值进行归类处理， 得到当前客户特征向 量中每个向量元 素对应的归类值； 基于预设的随机森林得到向量元素的元素类型的权重， 并基于所述权重和预设的历史 客户特征向量， 确定对应的历史客户目标向量； 根据所述历史客户目标向量， 构建对应的适 应度函数； 基于所述适应度函数进行遗传迭代， 确定对应历史客户目标向量的多个最终幂 次系数和最终倍数系数； 根据所述随机森林和当前客户特征向量的归类值判断对应的当前客户是否为即将流 失客户， 若是， 基于所述当前客户特征向量、 最终幂次系数和最终倍数系 数， 确定当前客户 的流失类型， 并基于所述 流失类型进行 预警。 2.根据权利要求1所述的方法， 其特 征在于， 进一 步包括： 将当前客户特征向量的向量元素按对应的元素值进行归类处理， 得到当前客户特征向 量中每个向量元 素对应的归类值之前， 基于多个预设的客户认证代码， 分别得到对应的初始历史客户信息； 对所述初始历史客户信息进行数据清洗、 数据抽取和数据标准化处理， 得到中间历史 客户信息； 对所述中间历史客户信息进行 特征向量化处理， 得到所述历史客户特 征向量。 3.根据权利要求1所述的方法， 其特 征在于， 进一 步包括： 在将当前客户特征向量的向量元素按对应的元素值进行归类处理， 得到当前客户特征 向量中每 个向量元 素对应的归类值之前， 将预设的当前客户信息进行 特征向量化处理， 得到所述当前客户特 征向量。 4.根据权利要求1所述的方法， 其特征在于， 所述将当前客户特征向量的向量元素按对 应的元素值进行归类处 理， 得到当前客户特 征向量中每 个向量元 素对应的归类值， 包括： 基于当前客户特征向量的元素值、 对应向量元素的元素类型以及预设的所述元素类型 对应的多个不同的元素值区间， 从所述元素值区间中确定 当前客户特征向量的每个向量元 素的元素值对应的归属区间； 基于所述归属区间， 得到所述当前客户特 征向量中对应向量元 素的归类值。 5.根据权利要求1所述的方法， 其特 征在于， 进一 步包括： 在基于预设的随机森林 得到向量元 素的元素类型的权 重之前， 将所述历史客户特征向量的向量元素按对应的元素值进行归类处理， 得到历史客户特 征向量中每 个向量元 素对应的归类值； 将所有所述历史客户特 征向量进行分割聚类， 得到多个历史集 合； 基于每个所述历史集合中的多个所述历史客户特征向量、 所述历史客户特征向量的归 类值和对应的历史流失标签， 分别构建对应所述历史集 合的决策树； 基于多个所述决策树， 形成所述随机森林。 6.根据权利要求5所述的方法， 其特征在于， 所述将所述历史客户特征向量的向量元素 按对应的元素值进行归类处理， 得到历史客户特征向量中每个 向量元素对应的归类值， 包 括： 基于历史客户特征向量的元素值、 对应向量元素的元素类型以及预设的所述元素类型权　利　要　求　书 1/5 页 2 CN 115375357 A 2对应的多个不同的元素值区间， 从所述元素值区间中确定历史客户特征向量的每个向量元 素的元素值对应的归属区间； 基于所述归属区间， 得到所述历史客户特 征向量中对应向量元 素的归类值。 7.根据权利要求5所述的方法， 其特征在于， 所述基于每个所述历史集合中的多个所述 历史客户特征向量、 所述历史客户特征向量的归类值和对应的历史流失标签， 分别构建对 应所述历史集 合的决策树， 包括： 根据所述历史集合中所有所述历史客户特征向量和对应的历史流失标签， 得到所述历 史集合的完整信息熵； 其中， 所述历史流失标签的取值 为已流失标签或未流失标签； 根据所述历史集合中所有所述历史客户特征向量对应的历史流失标签和向量元素的 归类值， 得到所述历史集 合中每个所述元 素类型的根条件熵； 根据所述完整信 息熵和所述根条件熵， 得到所述历史集合中所述元素类型对应的根信 息增益熵， 并将根信息增益熵最大的元素类型作为根节点属性建立所述历史集合的决策树 的根节点； 基于所述 根节点属性可 取的每个归类值， 分别建立每 个归类值对应的子节点； 重复执行建立子节点的步骤， 直到无法建立子节点， 以完成所述决策树的构建， 所述建 立子节点的步骤 包括： 根据每个所述子节点对应的子归类值， 确定所述历史集合中具有对应所述子归类值的 向量元素的多个历史客户特 征向量为所述子节点的子向量； 分别判断每个所述子节点的子向量对应的历史流失标签是否均相同， 若是， 将所述子 节点作为叶节点； 根据每个叶节点对应的叶归类值， 确定所述历史集合中具有对应所述叶 归类值的向量元 素的多个历史客户特 征向量为所述叶节点的叶向量； 若否， 根据所有所述子向量对应的历史流失标签和向量元素的归类值， 得到所述子节 点中每个所述元 素类型的子条件熵； 根据所述完整信息熵和所述子条件熵， 得到所述元素类型对应的子信息增益熵， 并将 子信息增益熵最大的元素类型作为子节点属性； 基于所述子节点属性可取的每个归类值建 立所述子节点下一层的子节点。 8.根据权利要求7所述的方法， 其特征在于， 所述根据所述历史集合中所有所述历史客 户特征向量和对应的历史流失标签， 得到所述历史集 合的完整信息熵， 包括： 根据所述历史集合中所有所述历史客户特征向量和对应的历史流失标签， 得到所述历 史流失标签取值为已流失标签的历史客户特征向量的第一数量、 以及所述历史流 失标签取 值为未流失标签的历史客户特 征向量的第二数量； 基于所述第一数量和所述历史集 合中所有历史客户特 征向量的总数量， 得到流失率； 基于所述第二数量和所述历史集合中所有历史客户特征向量的总数量， 得到未流失 率； 基于所述 流失率和未流失率， 得到 完整信息熵。 9.根据权利要求7所述的方法， 其特征在于， 所述根据所述历史集合中所有所述历史客 户特征向量对应的历史流 失标签和向量元素的归类值， 得到所述历史集合中每个所述元素 类型的根条件熵， 包括： 根据所述向量元素的归类值， 分别得到所述历史集合中的所述元素类型中取不同归类 值的向量元 素的划分数量；权　利　要　求　书 2/5 页 3 CN 115375357 A 3