基于客户画像和GBDT算法的客户价值预测方法

针对现今客户价值的差异对企业服务运营的影响,本文基于对Superstore Sales客户消费数据的分析,提取客户特征构建基于消费行为的客户画像;抽取客户价值评价指标,经主成分分析法(PCA)优化后形成客户价值评价指标体系;利用K-Means聚类算法为客户贴上价值标签,构建基于梯度提升决策树算法(GBDT)的客户价值预测模型。实验结果表明,该方法预测结果具有较高的准确率,可挖掘隐藏的高价值客户,对于企业客户关系管理具有一定的研究借鉴价值与实际意义。

基于Bi-LSTM和注意力机制的命名实体识别

命名实体识别是自然语言处理中一项重要的基础任务,本文提出一种简单、新颖的深层循环神经网络的命名实体识别(Named Entity Recognition,NER)方法。使用一种稠密连接的方式(Dense connection,DC)在多层的双向长短期记忆神经网络(bi-directional long short-term memory, Bi-LSTM)之间传递信息,称这种网络结构为DC-BiLSTM。利用DC-BiLSTM来学习句子特征,并采用自注意力机制(self-attention)来捕捉任意两个标记之间的关系,最后使用条件随机场(CRF)对整个句子进行解码预测。实验表明结果,该方法在MSRA语料上平均F1值能达到91.81%,最高F1值能达到92.05%。