一种基于RFM模型的用户属性识别方法及装置与流程

一种基于rfm模型的用户属性识别方法及装置
技术领域
1.本技术涉及人工智能领域，特别是指一种基于客户关系管理(rfm)模型的用户属性识别方法及装置。


背景技术：

2.在具体应用场景中，用户属性可被分为重要价值用户、重要保持用户、重要发展用户、重要挽留用户以及其他能表征用户生命周期价值的用户属性，其中，重要价值用户也可被称为高价值用户，具有更高的用户生命周期价值。
3.在现有技术中，实现从多个用户中确定出高价值用户通常都是由客户经理和业务人员对用户进行一系列的打分，最终综合判断该用户是否为高质量用户。但通过上述方法确定出高质量用户，需要耗费大量人力成本和时间成本，且可能存在不准确的问题。


技术实现要素：

4.有鉴于此，本技术提供了一种基于rfm模型的用户属性识别方法及装置，从而达到更高效准确地识别出高价值用户的目的。
5.本技术提供的一种基于rfm模型的用户属性识别方法是这样实现的：
6.对多个用户的对私交易数据进行处理，得到多个用户分别在历史时间段内的快捷支付中最近一次发生交易的时间、交易次数、交易金额以及交易附言信息；
7.根据多个用户的最近一次发生交易的时间、交易次数和交易金额，通过rfm模型中的分层节点对多个用户进行分层，得到多个用户集合，其中，一个用户的最近一次发生交易的时间、交易次数和交易金额用于确定一个用户对应的层级；
8.根据多个用户的交易附言信息，确定潜在高价值用户在多个用户集合中每一用户集合中的占比，交易附言信息用于确定潜在高价值用户；
9.根据潜在高价值用户在多个用户集合中每一用户集合中的占比调整分层节点对应的分层标准，直到确定潜在高价值用户在高价值用户集合中的占比为潜在高价值用户在多个用户集合中每一用户集合中的占比中的最高占比，以及根据调整后的分层节点输出高价值用户集合，高价值用户集合为多个用户集合中的集合之一。
10.可选地，根据多个用户的交易附言信息，确定潜在高价值用户在多个用户集合中每一用户集合中的占比包括：
11.若确定第一交易附言信息中包含预设关键词，则对第一交易附言信息对应的用户添加第一标记，第一交易附言信息为多个用户的交易附言信息中的信息之一，第一标记用于指示第一交易附言信息对应的用户为潜在高价值用户；
12.根据第一标记，确定多个用户集合中每一用户集合所包含的潜在高价值用户；
13.根据多个用户集合中每一用户集合所包含的潜在高价值用户的数量，确定潜在高价值用户在多个用户集合中每一用户集合的占比。
14.可选地，预设关键词包括如下至少一项：
15.预设消费产品关键词、预设消费品牌关键词和预设消费场所关键词。
16.可选地，根据多个用户的最近一次发生交易的时间、交易次数和交易金额，通过rfm模型中的分层节点对多个用户进行分层，得到多个用户集合包括：
17.根据多个用户的最近一次发生交易的时间、交易次数和交易金额，以及预设的交易时间权重、预设的交易次数权重和预设的交易金额权重，对最近一次发生交易的时间、交易次数以及交易金额进行加权求和，得到多个用户的判定指标；
18.根据多个用户的判定指标，通过rfm模型中的分层节点对多个用户进行分层，得到多个用户集合。
19.可选地，根据多个用户的最近一次发生交易的时间、交易次数和交易金额，以及预设的交易时间权重、预设的交易次数权重和预设的交易金额权重，对最近一次发生交易的时间、交易次数以及交易金额进行加权求和，得到多个用户的判定指标，包括：
20.将多个用户的最近一次发生交易的时间输入rfm模型中，得到多个用户中每个用户对应的rfm模型的r值；
21.将多个用户的交易次数输入rfm模型中，得到多个用户中每个用户对应的rfm模型的f值；
22.将多个用户的交易金额输入rfm模型中，得到多个用户中每个用户对应的rfm模型的m值；
23.根据预设的交易时间权重、预设的交易次数权重和预设的交易金额权重，将多个用户中每个用户对应的r值、f值和m值进行加权求和，得到多个用户的判定指标。
24.可选地，根据多个用户的判定指标，通过rfm模型中的分层节点对多个用户进行分层，得到多个用户集合之前，还包括：
25.根据多个用户中每个用户对应的r值、f值和m值的数值大小，确定分层节点。
26.本技术还提供了一种基于rfm模型的用户属性识别装置，包括：处理模块、分层模块、确定模块和输出模块；
27.处理模块，用于对多个用户的对私交易数据进行处理，得到多个用户分别在历史时间段内的快捷支付中最近一次发生交易的时间、交易次数、交易金额以及交易附言信息；
28.分层模块，用于根据多个用户的最近一次发生交易的时间、交易次数和交易金额，通过rfm模型中的分层节点对多个用户进行分层，得到多个用户集合，其中，一个用户的最近一次发生交易的时间、交易次数和交易金额用于确定一个用户对应的层级；
29.确定模块，用于根据多个用户的交易附言信息，确定潜在高价值用户在多个用户集合中每一用户集合中的占比，交易附言信息用于确定潜在高价值用户；
30.输出模块，用于根据潜在高价值用户在多个用户集合中每一用户集合中的占比调整分层节点对应的分层标准，直到确定潜在高价值用户在高价值用户集合中的占比为潜在高价值用户在多个用户集合中每一用户集合中的占比中的最高占比，以及根据调整后的分层节点输出高价值用户集合，高价值用户集合为多个用户集合中的集合之一。
31.可选地，确定模块包括：添加子单元和确定子单元；
32.添加子单元，用于若确定第一交易附言信息中包含预设关键词，则对第一交易附言信息对应的用户添加第一标记，第一交易附言信息为多个用户的交易附言信息中的信息之一，第一标记用于指示第一交易附言信息对应的用户为潜在高价值用户；
33.确定子单元，用于根据第一标记，确定多个用户集合中每一用户集合所包含的潜在高价值用户；
34.确定子单元，还用于根据多个用户集合中每一用户集合所包含的潜在高价值用户的数量，确定潜在高价值用户在多个用户集合中每一用户集合的占比。
35.本技术还提供了一种计算机设备，包括：处理器，处理器与存储器耦合，存储器中存储有至少一条计算机程序指令，至少一条计算机程序指令由处理器加载并执行，以使计算机设备实现上述基于rfm模型的用户属性识别方法。
36.本技术还提供了一种计算机存储介质，用于存储计算机程序，计算机程序被执行时，用于实现上述基于rfm模型的用户属性识别方法。
37.因此，本技术的有益效果是：对多个用户的对私交易数据进行处理，得到多个用户分别在历史时间段内的快捷支付中最近一次发生交易的时间、交易次数、交易金额以及交易附言信息；根据多个用户的最近一次发生交易的时间、交易次数和交易金额，通过rfm模型中的分层节点对多个用户进行分层，得到多个用户集合，其中，一个用户的最近一次发生交易的时间、交易次数和交易金额用于确定一个用户对应的层级；根据多个用户的交易附言信息，确定潜在高价值用户在多个用户集合中每一用户集合中的占比，交易附言信息用于确定潜在高价值用户；根据潜在高价值用户在多个用户集合中每一用户集合中的占比调整分层节点对应的分层标准，直到确定潜在高价值用户在高价值用户集合中的占比为潜在高价值用户在多个用户集合中每一用户集合中的占比中的最高占比，以及根据调整后的分层节点输出高价值用户集合，高价值用户集合为多个用户集合中的集合之一。由于使用了rfm模型，可以实现对用户价值的快速分类，同时结合交易附言信息，可以对rfm模型所要输出的结果进行调整，使得rfm模型的分类经过更加真实可靠，从而更高效、更准确地识别出高价值用户。
附图说明
38.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，还可以根据提供的附图获得其他的附图。
39.图1为本技术第一实施例的流程图；
40.图2为本技术第二实施例的流程图；
41.图3为本技术第三实施例的流程图；
42.图4为本技术的一种装置示意图；
43.图5为本技术的一种计算机设备示意图。
具体实施方式
44.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，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。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
45.本技术提供的一种基于rfm模型的用户属性识别方法及装置可用于人工智能领域
或金融领域。上述仅为示例，并不对本技术提供的一种基于rfm模型的用户属性识别方法及装置的应用领域进行限定。
46.在本技术实施例中，用于实现基于rfm模型的用户属性识别方法的设备可以包括但不限于计算机设备。
47.计算机设备可以包括：处理器，处理器与存储器耦合，存储器中存储有至少一条计算机程序指令，至少一条计算机程序指令由处理器加载并执行，以使计算机设备实现基于rfm模型的用户属性识别方法。计算机设备在后续实施例中简称为计算机。
48.请参阅图1，本技术的第一实施例具体步骤如下：
49.s101：计算机对多个用户的对私交易数据进行处理，得到多个用户分别在历史时间段内的快捷支付中最近一次发生交易的时间、交易次数、交易金额以及交易附言信息。
50.多个用户可以为银行中留存金额在预设留存金额以下的用户，预设留存金额可以根据实际需求进行设定，具体地，预设留存金额可以为20万。
51.对私交易数据可以包括但不限于：客户号、交易日期、交易金额、交易方式以及交易附言。在一些实现方式中，计算机预先从银行系统中获取历史时间段内多个用户的对私交易数据，以便对多个用户的对私交易数据进行处理，得到多个用户分别在历史时间段内的快捷支付中最近一次发生交易的时间、交易次数、交易金额以及交易附言信息。
52.历史时间段可以为三个月，可以为六个月，可以为一年，也可以根据实际需求设定为其他时间段。
53.快捷支付指用户无需开通网银，只需在第三方支付平台上保存银行卡信息且经过第三方支付平台验证后，在购买商品时即可通过输入第三方支付的支付密码实现支付。由于快捷支付依旧是通过银行卡进行消费，且消费均会产生银行流水，因此通过在银行流水中查询用户的对私交易数据，即可得到用户在快捷支付中的相关数据信息。
54.交易附言信息包括对私交易数据中的附言信息。交易附言是指在进行数字货币交易时，可以在交易信息中填写的一段文本，通常用于向收款方提供额外的信息或说明。具体地，交易附言信息可以包括但不限于：交易场所信息、交易商品信息以及交易类别信息。
55.s102：计算机根据多个用户的最近一次发生交易的时间、交易次数和交易金额，通过rfm模型中的分层节点对多个用户进行分层，得到多个用户集合。
56.在rfm模型中，一个用户的最近一次发生交易的时间、交易次数和交易金额用于确定一个用户对应的层级。具体地，计算机可以在对多个用户的最近一次发生交易的时间、交易次数和交易金额做好对应的标记后，将多个用户的最近一次发生交易的时间、交易次数和交易金额同时输入rfm模型，计算机也可以将多个用户中每个用户的最近一次发生交易的时间、交易次数和交易金额依次输入rfm模型中。rfm模型会根据预先设定的评分标准，对多个用户的最近一次发生交易的时间、交易次数和交易金额进行评分，并根据rfm模型中的分层节点对应的分层标准对多个用户进行分层，得到多个用户集合。
57.在一些实现方式中，计算机根据多个用户的最近一次发生交易的时间、交易次数和交易金额，以及预设的交易时间权重、预设的交易次数权重和预设的交易金额权重，对最近一次发生交易的时间、交易次数以及交易金额进行加权求和，得到多个用户的判定指标；根据多个用户的判定指标，通过rfm模型中的分层节点对多个用户进行分层，得到多个用户集合。通过加权求和，能够更准确地获取到用户的判定指标，从而基于该判定指标进行用户
分层，提高用户识别的准确率。
58.s103：计算机根据多个用户的交易附言信息，确定潜在高价值用户在多个用户集合中每一用户集合中的占比。
59.交易附言信息用于确定潜在高价值用户。具体地，可以通过设置预设关键词来确定潜在高价值用户，预设关键词用于指示用户消费金额可能超过预设消费阈值，预设消费阈值可以根据实际需求设定，在本技术中不作过多限制。预设关键词可以包括如下至少一项：预设消费产品关键词、预设消费品牌关键词和预设消费场所关键词。
60.在一些实现方式中，计算机若确定第一交易附言信息中包含预设关键词，则对第一交易附言信息对应的用户添加第一标记，第一交易附言信息为多个用户的交易附言信息中的信息之一，第一标记用于指示第一交易附言信息对应的用户为潜在高价值用户；根据第一标记，确定多个用户集合中每一用户集合所包含的潜在高价值用户；根据多个用户集合中每一用户集合所包含的潜在高价值用户的数量，确定潜在高价值用户在多个用户集合中每一用户集合的占比。通过对交易附言信息添加第一标记，便于通过第一标记确定潜在高价值用户，从而可以通过潜在高价值用户对rfm模型的分类模型进行调整，达到更好的分类效果。
61.s104：计算机根据潜在高价值用户在多个用户集合中每一用户集合中的占比调整分层节点对应的分层标准，直到确定潜在高价值用户在高价值用户集合中的占比为潜在高价值用户在多个用户集合中每一用户集合中的占比中的最高占比，以及根据调整后的分层节点输出高价值用户集合。
62.高价值用户集合为多个用户集合中的集合之一。
63.由于根据交易附言信息确定出来的潜在高价值用户具有较高的购买力且具有较高的用户生命周期价值，因此可以用于验证rfm模型的分类结果是否真实可靠。若经过rfm模型分类得到的高价值用户集合是多个用户集合中潜在高价值用户占比最高的用户集合，则可以认为rfm模型的分类结果较为准确。
64.在一些实现方式中，计算机根据调整后的分层节点输出高价值用户集合之后，还可以根据调整后的分层节点输出多个用户集合中除高价值用户集合之外的其他集合，以便银行中的客户经理可以根据不同的用户集合所代表的用户生命周期价值，对不同用户集合中的用户进行不同服务。
65.在本技术第一实施例中，由于使用了rfm模型，可以实现对用户价值的快速分类，同时结合交易附言信息，可以对rfm模型所要输出的结果进行调整，使得rfm模型的分类经过更加真实可靠，从而更高效、更准确地识别出高价值用户。
66.第二实施例结合如何根据用户的交易附言信息对rfm模型的分类结果进行调整，对本技术的具体实现进行说明。
67.请参阅图2，本技术的第二实施例具体步骤如下：
68.s201：计算机从银行系统中获取历史时间段内多个用户的对私交易数据。
69.s202：计算机对多个用户的对私交易数据进行处理，得到多个用户分别在历史时间段内的快捷支付中最近一次发生交易的时间、交易次数、交易金额以及交易附言信息。
70.需要说明的是，步骤s201至s202可以参见上述实施例中s101的详细说明，在本实施例中不再赘述。
71.s203：计算机根据多个用户的最近一次发生交易的时间、交易次数和交易金额，以及预设的交易时间权重、预设的交易次数权重和预设的交易金额权重，对最近一次发生交易的时间、交易次数以及交易金额进行加权求和，得到多个用户的判定指标。
72.预设的交易时间权重、预设的交易次数权重和预设的交易金额权重为预先设定的评分标准。具体地，预设的交易时间权重为最近一次发生交易的时间对应的权重参数，用于对多个用户中每一用户的最近一次发生交易的时间进行评分；预设的交易次数权重为交易次数对应的权重参数，用于对多个用户中每一用户的交易次数进行评分；预设的交易金额权重为交易金额对应的权重参数，用于对多个用户中每一用户的交易金额进行评分。
73.需要说明的是，以最近一次发生交易的时间为例，最近一次发生交易的时间的远近不同可以分别对应不同的交易时间权重，例如：最近一次发生交易的时间小于等于第一时间阈值则对应第一交易时间权重，最近一次发生交易的时间大于第一时间阈值且小于等于第二时间阈值则对应第二交易时间权重，最近一次发生交易的时间大于第二时间阈值则对应第三交易时间权重，其中，第一交易时间权重大于第二交易时间权重。同理，交易次数的高低不同可以对应不同的交易次数权重，交易次数越高则对应越高的交易次数权重，交易次数越低则对应越低的交易次数权重；交易金额的高低不同可以对应不同的交易金额权重，交易金额越高则对应越高的交易金额权重，交易金额越低则对应越低的交易金额权重。通过不同交易数据对应不同权重，可以更好地实现对用户的评分，从而更好地实现对用户的分类。
74.多个用户的判定指标为根据多个用户的最近一次发生交易的时间、交易次数和交易金额进行评分得到的总分，根据上述总分可以判定多个用户所在的层级。
75.在一些实现方式中，计算机根据多个用户的最近一次发生交易的时间、交易次数和交易金额，对多个用户的最近一次发生交易的时间、交易次数和交易金额进行分箱操作，并根据分箱规则对多个用户进行打分，得到多个用户的判定指标，上述分箱规则包含预设的交易时间权重、预设的交易次数权重和预设的交易金额权重。
76.在另一些实现方式中，上述步骤s203是在rfm模型中进行的。
77.s204：计算机根据多个用户的判定指标，通过rfm模型中的分层节点对多个用户进行分层，得到多个用户集合。
78.分层节点对应rfm模型中对用户进行分层的分层标准。分层节点的个数为至少一个，在具体实现中不对分层节点的个数进行限制，可以根据实际需求进行设置。
79.经过上述步骤s203的说明可知，判定指标实际上为用户对应的分数，通过rfm模型中的分层节点对应的分层标准，可以根据用户对应的分数将用户划分为不同层级。例如，在评分中，用户可得到的分数满分为100，第一分层节点可以设置为80，第二分层节点可以设置为60，第三分层节点可以设置为40，则可以将多个用户划分为四个层级，此时，若存在一个用户且该用户所对应的分数大于等于80时，则可以将该用户划分至高价值用户集合中。在实际应用中，对分层节点具体设置不作限制，可以根据实际需求进行设置。
80.s205：计算机若确定第一交易附言信息中包含预设关键词，则对第一交易附言信息对应的用户添加第一标记。
81.第一交易附言信息为多个用户的交易附言信息中的信息之一。交易附言信息通常会包括交易场所信息、交易商品信息以及交易类别信息中的至少一项，因此在交易附言信
息中包含如预设消费产品关键词、预设消费品牌关键词或预设消费场所关键词等预设关键词时，由于预设关键词代表交易附言信息所属的交易超过了预设消费阈值，属于较高消费，因此可以确定第一交易附言信息对应的用户为潜在高价值用户。
82.第一标记用于指示第一交易附言信息对应的用户为潜在高价值用户。第一标记可以以不同形式对第一交易附言信息对应的用户进行标记，在本技术中对第一标记的具体形式不作限制。
83.s206：计算机根据第一标记，确定多个用户集合中每一用户集合所包含的潜在高价值用户。
84.s207：计算机根据多个用户集合中每一用户集合所包含的潜在高价值用户的数量，确定潜在高价值用户在多个用户集合中每一用户集合的占比。
85.s208：计算机根据潜在高价值用户在多个用户集合中每一用户集合中的占比调整分层节点对应的分层标准，直到确定潜在高价值用户在高价值用户集合中的占比为潜在高价值用户在多个用户集合中每一用户集合中的占比中的最高占比，以及根据调整后的分层节点输出高价值用户集合。
86.需要说明的是，步骤s208可以参见上述实施例中步骤s104的详细说明，在本实施例中不再赘述。
87.在本技术第二实施例中，通过对多个用户的交易附言信息中是否包含预设关键字进行判断，从而可以确定用户是否为潜在高价值用户，以便根据潜在高价值用户对rfm模型分类得到的多个用户集合进行调整，从而达到更好的分类效果。
88.第三实施例结合rfm模型对多个用户进行分类的过程，对本技术的具体实现进行说明。
89.请参阅图3，本技术的第三实施例具体步骤如下：
90.s301：计算机从银行系统中获取历史时间段内多个用户的对私交易数据。
91.s302：计算机对多个用户的对私交易数据进行处理，得到多个用户分别在历史时间段内的快捷支付中最近一次发生交易的时间、交易次数、交易金额以及交易附言信息。
92.需要说明的是，步骤s301至s302可以参见上述实施例中s101的详细说明，在本实施例中不再赘述。
93.s303：计算机将多个用户的最近一次发生交易的时间输入rfm模型中，得到多个用户中每个用户对应的rfm模型的r值。
94.r值(recency)指用户最近一次交易时间的间隔。r值越大，表示用户交易发生的日期越久，反之则表示用户交易发生的日期越近。
95.s304：计算机将多个用户的交易次数输入rfm模型中，得到多个用户中每个用户对应的rfm模型的f值。
96.f值(frequency)指用户在最近一段时间内交易的次数。f值越大，表示用户交易越频繁，反之则表示用户交易不够活跃。
97.s305：计算机将多个用户的交易金额输入rfm模型中，得到多个用户中每个用户对应的rfm模型的m值。
98.m值(monetary)指用户在最近一段时间内交易的金额。m值越大，表示用户价值越高，反之则表示用户价值越低。
99.需要说明的是，本技术中对步骤s303至步骤s305的执行顺序不作限制。
100.s306：计算机根据预设的交易时间权重、预设的交易次数权重和预设的交易金额权重，将多个用户中每个用户对应的r值、f值和m值进行加权求和，得到多个用户的判定指标。
101.具体地，交易时间权重对应r值，交易次数权重对应f值，交易金额权重对应m值。
102.s307：计算机根据多个用户中每个用户对应的r值、f值和m值的数值大小，确定分层节点。
103.若多个用户中每个用户对应的r值、f值和m值的数值均较高，则确定较高的分层节点，若多个用户中每个用户对应的r值、f值和m值的数值均较低，则确定较低的分层节点。具体地，可以根据多个用户中每个用户对应的r值、f值和m值的中位数或平均数确定分层节点。通过根据每个用户对应的数据的具体数值大小，对分层节点进行确定，可以更好地对用户进行分类，得到更好的分类结果。
104.s308：计算机根据多个用户的判定指标，通过rfm模型中的分层节点对多个用户进行分层，得到多个用户集合。
105.需要说明的是，步骤s308可以参见上述实施例中步骤s204的详细说明，在本实施例中不再赘述。
106.s309：计算机根据多个用户的交易附言信息，确定潜在高价值用户在多个用户集合中每一用户集合中的占比。
107.需要说明的是，步骤s309可以参见上述实施例中的详细说明，在本实施例中不再赘述。
108.s310：计算机根据潜在高价值用户在多个用户集合中每一用户集合中的占比调整分层节点对应的分层标准，直到确定潜在高价值用户在高价值用户集合中的占比为潜在高价值用户在多个用户集合中每一用户集合中的占比中的最高占比，以及根据调整后的分层节点输出高价值用户集合。
109.需要说明的是，步骤s310可以参见上述实施例中步骤s104的详细说明，在本实施例中不再赘述。
110.s311：计算机根据调整后的分层节点输出多个用户集合中除高价值用户集合之外的其他集合。
111.在本技术第三实施例中，通过rfm模型对多个用户进行分类，再结合交易附言信息对分类结果进行调整，能够更高效地确定出不同用户所对应的用户生命周期价值，便于银行业务人员根据不同用户所对应的用户生命周期价值，对不同用户提供不同服务。
112.请参阅图4，本技术提供了一种基于rfm模型的用户属性识别装置400，包括：处理模块401、分层模块402、确定模块403和输出模块404。
113.处理模块401：用于对多个用户的对私交易数据进行处理，得到多个用户分别在历史时间段内的快捷支付中最近一次发生交易的时间、交易次数、交易金额以及交易附言信息。
114.分层模块402：用于根据多个用户的最近一次发生交易的时间、交易次数和交易金额，通过rfm模型中的分层节点对多个用户进行分层，得到多个用户集合，其中，一个用户的最近一次发生交易的时间、交易次数和交易金额用于确定一个用户对应的层级。
115.确定模块403：用于根据多个用户的交易附言信息，确定潜在高价值用户在多个用户集合中每一用户集合中的占比，交易附言信息用于确定潜在高价值用户；
116.输出模块404：用于根据潜在高价值用户在多个用户集合中每一用户集合中的占比调整分层节点对应的分层标准，直到确定潜在高价值用户在高价值用户集合中的占比为潜在高价值用户在多个用户集合中每一用户集合中的占比中的最高占比，以及根据调整后的分层节点输出高价值用户集合，高价值用户集合为多个用户集合中的集合之一。
117.可选地，分层模块402包括：求和子单元和分层子单元。
118.求和子单元：用于根据多个用户的最近一次发生交易的时间、交易次数和交易金额，以及预设的交易时间权重、预设的交易次数权重和预设的交易金额权重，对最近一次发生交易的时间、交易次数以及交易金额进行加权求和，得到多个用户的判定指标。
119.分层子单元：用于根据多个用户的判定指标，通过rfm模型中的分层节点对多个用户进行分层，得到多个用户集合。
120.可选地，确定模块403包括：添加子单元和确定子单元。
121.添加子单元：用于若确定第一交易附言信息中包含预设关键词，则对第一交易附言信息对应的用户添加第一标记，第一交易附言信息为多个用户的交易附言信息中的信息之一，第一标记用于指示第一交易附言信息对应的用户为潜在高价值用户。
122.确定子单元：用于根据第一标记，确定多个用户集合中每一用户集合所包含的潜在高价值用户。
123.确定子单元：还用于根据多个用户集合中每一用户集合所包含的潜在高价值用户的数量，确定潜在高价值用户在多个用户集合中每一用户集合的占比。
124.本装置实施例通过处理模块、分层模块、确定模块以及输出模块，实现了上述基于rfm模型的用户属性识别方法，由于使用了rfm模型，可以实现对用户价值的快速分类，同时结合交易附言信息，可以对rfm模型所要输出的结果进行调整，使得rfm模型的分类经过更加真实可靠，从而更高效、更准确地识别出高价值用户。
125.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
126.需要说明的是：上述实施例提供的基于rfm模型的用户属性识别装置在实现用户属性识别功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将基于rfm模型的用户属性识别装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于rfm模型的用户属性识别装置与基于rfm模型的用户属性识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
127.请参阅图5，本技术还提供了一种计算机设备500，包括：处理器501和存储器502。
128.处理器501与存储器502耦合，存储器502中存储有至少一条计算机程序指令，至少一条计算机程序指令由处理器501加载并执行，以使计算机设备实现基于rfm模型的用户属性识别方法。
129.本技术还提供了一种计算机存储介质，用于存储计算机程序，计算机程序被执行时，用于实现上述基于rfm模型的用户属性识别方法。
130.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将
一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
131.对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种基于rfm模型的用户属性识别方法，其特征在于，所述方法包括：对多个用户的对私交易数据进行处理，得到所述多个用户分别在历史时间段内的快捷支付中最近一次发生交易的时间、交易次数、交易金额以及交易附言信息；根据所述多个用户的所述最近一次发生交易的时间、所述交易次数和所述交易金额，通过客户关系管理rfm模型中的分层节点对所述多个用户进行分层，得到多个用户集合，其中，一个用户的所述最近一次发生交易的时间、所述交易次数和所述交易金额用于确定所述一个用户对应的层级；根据所述多个用户的所述交易附言信息，确定潜在高价值用户在所述多个用户集合中每一用户集合中的占比，所述交易附言信息用于确定所述潜在高价值用户；根据所述潜在高价值用户在所述多个用户集合中每一用户集合中的占比调整所述分层节点对应的分层标准，直到确定所述潜在高价值用户在高价值用户集合中的占比为所述潜在高价值用户在所述多个用户集合中每一用户集合中的占比中的最高占比，以及根据调整后的所述分层节点输出所述高价值用户集合，所述高价值用户集合为所述多个用户集合中的集合之一。2.根据权利要求1所述的方法，其特征在于，根据所述多个用户的交易附言信息，确定潜在高价值用户在所述多个用户集合中每一用户集合中的占比包括：若确定第一交易附言信息中包含预设关键词，则对所述第一交易附言信息对应的用户添加第一标记，所述第一交易附言信息为所述多个用户的交易附言信息中的信息之一，所述第一标记用于指示所述第一交易附言信息对应的用户为所述潜在高价值用户；根据所述第一标记，确定所述多个用户集合中每一用户集合所包含的所述潜在高价值用户；根据所述多个用户集合中每一用户集合所包含的所述潜在高价值用户的数量，确定所述潜在高价值用户在所述多个用户集合中每一用户集合的占比。3.根据权利要求2所述的方法，其特征在于，所述预设关键词包括如下至少一项：预设消费产品关键词、预设消费品牌关键词和预设消费场所关键词。4.根据权利要求1所述的方法，其特征在于，根据所述多个用户的所述最近一次发生交易的时间、所述交易次数和所述交易金额，通过rfm模型中的分层节点对所述多个用户进行分层，得到多个用户集合包括：根据所述多个用户的所述最近一次发生交易的时间、所述交易次数和所述交易金额，以及预设的交易时间权重、预设的交易次数权重和预设的交易金额权重，对所述最近一次发生交易的时间、所述交易次数以及所述交易金额进行加权求和，得到所述多个用户的判定指标；根据所述多个用户的判定指标，通过所述rfm模型中的分层节点对所述多个用户进行分层，得到多个用户集合。5.根据权利要求4所述的方法，其特征在于，根据所述多个用户的所述最近一次发生交易的时间、所述交易次数和所述交易金额，以及预设的交易时间权重、预设的交易次数权重和预设的交易金额权重，对所述最近一次发生交易的时间、所述交易次数以及所述交易金额进行加权求和，得到所述多个用户的判定指标，包括：将所述多个用户的所述最近一次发生交易的时间输入所述rfm模型中，得到所述多个
用户中每个用户对应的所述rfm模型的r值；将所述多个用户的所述交易次数输入所述rfm模型中，得到所述多个用户中每个用户对应的所述rfm模型的f值；将所述多个用户的所述交易金额输入所述rfm模型中，得到所述多个用户中每个用户对应的所述rfm模型的m值；根据预设的交易时间权重、预设的交易次数权重和预设的交易金额权重，将所述多个用户中每个用户对应的所述r值、所述f值和所述m值进行加权求和，得到所述多个用户的所述判定指标。6.根据权利要求5所述的方法，其特征在于，根据所述多个用户的判定指标，通过所述rfm模型中的分层节点对所述多个用户进行分层，得到多个用户集合之前，还包括：根据所述多个用户中每个用户对应的所述r值、所述f值和所述m值的数值大小，确定所述分层节点。7.一种基于rfm模型的用户属性识别装置，其特征在于，所述装置包括：处理模块、分层模块、确定模块和输出模块；所述处理模块，用于对多个用户的对私交易数据进行处理，得到所述多个用户分别在历史时间段内的快捷支付中最近一次发生交易的时间、交易次数、交易金额以及交易附言信息；所述分层模块，用于根据所述多个用户的所述最近一次发生交易的时间、所述交易次数和所述交易金额，通过rfm模型中的分层节点对所述多个用户进行分层，得到多个用户集合，其中，一个用户的所述最近一次发生交易的时间、所述交易次数和所述交易金额用于确定所述一个用户对应的层级；所述确定模块，用于根据所述多个用户的所述交易附言信息，确定潜在高价值用户在所述多个用户集合中每一用户集合中的占比，所述交易附言信息用于确定所述潜在高价值用户；所述输出模块，用于根据所述潜在高价值用户在所述多个用户集合中每一用户集合中的占比调整所述分层节点对应的分层标准，直到确定所述潜在高价值用户在高价值用户集合中的占比为所述潜在高价值用户在所述多个用户集合中每一用户集合中的占比中的最高占比，以及根据调整后的所述分层节点输出所述高价值用户集合，所述高价值用户集合为所述多个用户集合中的集合之一。8.根据权利要求7所述的装置，其特征在于，所述确定模块包括：添加子单元和确定子单元；所述添加子单元，用于若确定第一交易附言信息中包含预设关键词，则对所述第一交易附言信息对应的用户添加第一标记，所述第一交易附言信息为所述多个用户的交易附言信息中的信息之一，所述第一标记用于指示所述第一交易附言信息对应的用户为所述潜在高价值用户；所述确定子单元，用于根据所述第一标记，确定所述多个用户集合中每一用户集合所包含的所述潜在高价值用户；所述确定子单元，还用于根据所述多个用户集合中每一用户集合所包含的所述潜在高价值用户的数量，确定所述潜在高价值用户在所述多个用户集合中每一用户集合的占比。
9.一种计算机设备，其特征在于，所述计算机设备包括：处理器，所述处理器与存储器耦合，所述存储器中存储有至少一条计算机程序指令，所述至少一条计算机程序指令由所述处理器加载并执行，以使所述计算机设备实现权利要求1-6中任一项所述的方法。10.一种计算机存储介质，其特征在于，用于存储计算机程序，所述计算机程序被执行时，用于实现权利要求1-6任一项所述的方法。

技术总结
本申请公开了一种基于RFM模型的用户属性识别方法及装置，可应用于人工智能领域或金融领域。上述方法根据多个用户的最近一次发生交易的时间、交易次数和交易金额，通过RFM模型中的分层节点对多个用户进行分层，得到多个用户集合，同时根据多个用户的交易附言信息，可以确定潜在高价值用户在多个用户集合中每一用户集合中的占比，并相应地调整分层节点对应的分层标准，直到确定潜在高价值用户在高价值用户集合中的占比为多个用户集合中的最高占比，则根据调整后的分层节点输出高价值用户集合。由于使用了RFM模型，可以实现对用户的分类，同时结合交易附言信息，可以调整RFM模型输出的结果，从而更高效、准确地识别出高价值用户。准确地识别出高价值用户。准确地识别出高价值用户。


技术研发人员：徐梓丞
受保护的技术使用者：中国银行股份有限公司
技术研发日：2023.06.15
技术公布日：2023/9/16