1.一种基于关联规则的客户画像及服务推送方法,其特征在于:包括如下步骤:步骤1.确立中心点,收集客户信息并进行分类整理,利用基于密度的k-中心点算法,确定所有的中心点;
步骤2.根据分类信息中的占比分布情况,建立均衡簇内与簇间距离的目标函数;
步骤3.根据设定的初始化的中心点输出不同的聚类结果;
步骤4.对输出的聚类结果数据预处理,层次划分构建多层次数据集;
步骤5.对数据集逐层扫描,设置最小支持度,找到频繁项集,支持度大于等于最小支持度的项目组称为高频项目组,找出所有的高频项目组,直到无法再找到更长的高频项目组为止;
步骤6.设置最小置信度,由频繁项集产生关联规则;在多个不同的层次对数据进行关联分析,输出分析结果;
步骤7.根据结果对客户进行定制化服务推送。
2.根据权利要求1所述的基于关联规则的客户画像及服务推送方法,其特征在于:所述步骤1中利用基于密度的k-中心点算法,首先计算每个样本的密度和样本的平均密度,将样本密度大于平均密度的样本放在集合中,取最大的密度点作为第一个中心,再取离第一个中心点最远的高密度点作为第二个中心点,以此类推以确定所有的中心点。
3.根据权利要求2所述的基于关联规则的客户画像及服务推送方法,其特征在于:所述k-中心点算法中,每个样本的密度计算公式为:D(x)={o∈C|dist(x,o)≤r} (1)
其中,dist是某种距离度量,r为半径,C为相似度序列数据集,式(1)表明以x为中心点,r为半径组成的球体所包含的样本数;r规定为r=p×q,q为给定常数,而P则为两两数据对象距离的均值,见式(2)样本的平均密度为:
将样本密度大于平均密度AD(x)的样本全部放在集合L中,L可以表示为L={xi|D(xi)>AD(x)}i=1,2,L,n (4)在L中取最大密度点作为第一个聚类中心Y1,并从L中删除;取距离Y1最远的高密度点作为第二个中心点Y2;重复以上两步直至找到k个中心点;最终k个中心点就是相隔距离较远的k个处于高密度区域的点,从而以保证聚类结果的稳定性,避免初始中心选择的随机性。
4.根据权利要求1所述的基于关联规则的客户画像及服务推送方法,其特征在于:所述步骤2中,均衡簇内与簇间距离,当E值越小则表明分类效果越好,以此建立目标函数:其中,θ簇间距离的权重是簇内距离的θ倍,一般取值为1,in(d)为簇内距离和,即簇内每一点到它所属类中心的距离的平方和,out(d)为簇间距离和,即不同聚类中心间的距离
5.根据权利要求1所述的基于关联规则的客户画像及服务推送方法,其特征在于:所述步骤4中,预处理的方法为:对输出的聚类结果数据通过所有数据点的坐标值进行计算和分析,计算得到各个数据点的局部离群点因子,利用离群点去噪将各个子点组内的异常的数据点移除;对离群点去噪后的所有数据点进行拟合并移除偏差较大的数据点,并输出去噪后数据组;
所述数据集划分成三层,依次是中心服务器层,数据服务器层和用户层。
6.根据权利要求1所述的基于关联规则的客户画像及服务推送方法,其特征在于:所述步骤6中,设置最小支持度,找到频繁项集;
设置最小置信度,由频繁项集产生关联规则;
在多个不同的层次对数据进行关联分析,输出分析结果。
7.根据权利要求1所述的基于关联规则的客户画像及服务推送方法,其特征在于:所述步骤7中,根据结果对客户进行定制化服务推送,所述定制化服务推送根据商户的地理位置及分类数据进行设置,告知电商客户可以一起销售的捆绑包,设置相应的交叉销售。