策略生成方法、装置、计算机设备和存储介质与流程

1.本技术涉及大数据领域，特别是涉及一种策略生成方法、装置、计算机设备和存储介质。

背景技术：

2.银行在运作过程中，有诸多需要与客户进行交互的场景，例如向客户进行产品推荐、与客户就某一事项进行沟通等。
3.目前在进行交互时，工作人员往往需要主动整理客户信息，并依赖于经验确定针对客户的交互策略。然而这种方式极为依赖工作人员的主观判断，得到的交互策略精度较低，使得交互的成功率也较低。

技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种策略生成方法、装置、计算机设备和存储介质。
5.第一方面，本技术提供了一种策略生成方法。所述方法包括：
6.基于各标签类别对应的决策树，确定目标客户在各所述标签类别下的客户标签，并采用各所述客户标签构建得到所述目标客户的客户标签集；
7.根据所述目标客户的客户标签集，确定所述目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度；
8.根据所述第一标签相似度，从各所述参考客户中确定针对所述目标客户的目标参考客户；
9.基于针对所述目标参考客户的交互策略，生成针对所述目标客户的交互策略。
10.在其中一个实施例中，所述根据所述目标客户的客户标签集，确定所述目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度，包括：
11.根据所述目标客户的客户标签集，确定所述目标客户的客户标签集与基准客户标签集之间的第二标签相似度；
12.在所述第二标签相似度大于相似度阈值的情况下，根据所述第二标签相似度确定所述目标客户所属的目标客户类别；
13.针对所述目标客户类别对应的任一参考客户，确定所述目标客户的客户标签集与所述参考客户的客户标签集之间的第一标签相似度。
14.在其中一个实施例中，所述目标参考客户具有客户标识，所述客户标识用于表征所述目标参考客户历史交互的交互结果，所述交互策略中包括交互策略要素，所述基于针对所述目标参考客户的交互策略，生成针对所述目标客户的交互策略，包括：
15.在所述目标参考客户对应的客户标识，表征所述目标参考客户历史交互成功的情况下，获取所述目标参考客户的交互策略要素；
16.基于所述目标参考客户的交互策略要素，生成针对所述目标客户的交互策略。
17.在其中一个实施例中，所述基于各标签类别对应的决策树，确定目标客户在各所述标签类别下的客户标签，包括：
18.针对任一所述标签类别对应的决策树，确定所述目标客户针对所述决策树的目标客户特征；
19.将所述目标客户特征对应的客户特征值输入至所述决策树中，得到所述目标客户在所述标签类别下对应的客户标签。
20.在其中一个实施例中，所述根据所述目标客户的客户标签集，确定所述目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度，包括：
21.针对任一所述参考客户，按照各所述标签类别对应的预设顺序，按序拼接所述目标客户的客户标签集内各所述标签类别对应的所述客户标签，得到第一标签字符串，并按序拼接所述参考客户的客户标签集内各所述标签类别对应的所述客户标签，得到第二标签字符串；
22.确定所述第一标签字符串和所述第二标签字符串的相似度；
23.将所述第一标签字符串和所述第二标签字符串的相似度，作为所述目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度。
24.在其中一个实施例中，所述确定所述第一标签字符串和所述第二标签字符串的相似度，包括：
25.确定所述第一标签字符串和所述第二标签字符串之间的编辑距离；
26.将所述编辑距离作为所述第一标签字符串和所述第二标签字符串的相似度。
27.第二方面，本技术还提供了一种策略生成装置。所述装置包括：
28.第一确定模块，用于基于各标签类别对应的决策树，确定目标客户在各所述标签类别下的客户标签，并采用各所述客户标签构建得到所述目标客户的客户标签集；
29.第二确定模块，用于根据所述目标客户的客户标签集，确定所述目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度；
30.第三确定模块，用于根据所述第一标签相似度，从各所述参考客户中确定针对所述目标客户的目标参考客户；
31.生成模块，用于基于针对所述目标参考客户的交互策略，生成针对所述目标客户的交互策略。
32.在其中一个实施例中，所述第二确定模块，还用于：
33.根据所述目标客户的客户标签集，确定所述目标客户的客户标签集与基准客户标签集之间的第二标签相似度；
34.在所述第二标签相似度大于相似度阈值的情况下，根据所述第二标签相似度确定所述目标客户所属的目标客户类别；
35.针对所述目标客户类别对应的任一参考客户，确定所述目标客户的客户标签集与所述参考客户的客户标签集之间的第一标签相似度。
36.在其中一个实施例中，所述目标参考客户具有客户标识，所述客户标识用于表征所述目标参考客户历史交互的交互结果，所述交互策略中包括交互策略要素，所述生成模块，还用于：
37.在所述目标参考客户对应的客户标识，表征所述目标参考客户历史交互成功的情
况下，获取所述目标参考客户的交互策略要素；
38.基于所述目标参考客户的交互策略要素，生成针对所述目标客户的交互策略。
39.在其中一个实施例中，所述第一确定模块，还用于：
40.针对任一所述标签类别对应的决策树，确定所述目标客户针对所述决策树的目标客户特征；
41.将所述目标客户特征对应的客户特征值输入至所述决策树中，得到所述目标客户在所述标签类别下对应的客户标签。
42.在其中一个实施例中，所述第二确定模块，还用于：
43.针对任一所述参考客户，按照各所述标签类别对应的预设顺序，按序拼接所述目标客户的客户标签集内各所述标签类别对应的所述客户标签，得到第一标签字符串，并按序拼接所述参考客户的客户标签集内各所述标签类别对应的所述客户标签，得到第二标签字符串；
44.确定所述第一标签字符串和所述第二标签字符串的相似度；
45.将所述第一标签字符串和所述第二标签字符串的相似度，作为所述目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度。
46.在其中一个实施例中，所述第二确定模块，还用于：
47.确定所述第一标签字符串和所述第二标签字符串之间的编辑距离；
48.将所述编辑距离作为所述第一标签字符串和所述第二标签字符串的相似度。
49.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以上任一项方法。
50.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以上任一项方法。
51.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以上任一项方法。
52.上述策略生成方法、装置、计算机设备和存储介质，可以通过各标签类别对应的决策树，生成目标客户的客户标签集，并基于目标客户的客户标签集各参考客户的客户标签集之间的第一标签相似度，确定针对目标客户的目标参考客户，进而基于针对目标参考客户的交互策略生成针对目标客户的交互策略。由于客户标签等同于目标客户的各客户特征值的综合，相较于直接基于目标客户的客户特征值和参考客户的客户特征值确定相似度，基于目标客户的客户标签集和参考客户的客户标签集确定第一标签相似度可以减少比较的维度，排除冗余信息，提高确定目标客户和参考客户之间相似度的精度，因此能提高确定目标参考客户的准确度，在此基础上，该目标参考客户的交互策略在一定程度上也适用于目标客户，因此基于该目标参考客户的交互策略生成目标客户的交互策略，能够提高交互策略的精准度与实用程度，进一步的基于该生成的交互策略与目标客户进行交互，可以大幅度的提升交互成功的概率。
附图说明
53.图1为一个实施例中策略生成方法的流程示意图；
54.图2为一个实施例中步骤104的流程示意图；
55.图3为一个实施例中步骤108的流程示意图；
56.图4为一个实施例中步骤102的流程示意图；
57.图5为一个实施例中步骤104的流程示意图；
58.图6为一个实施例中步骤504的流程示意图；
59.图7为一个实施例中编辑距离算法的示意图；
60.图8为一个实施例中策略生成方法的示意图；
61.图9为一个实施例中生成决策树的示意图；
62.图10为一个实施例中决策树的示意图；
63.图11为一个实施例中生成决策树的流程示意图；
64.图12为一个实施例中生成交互策略的流程示意图；
65.图13为一个实施例中策略生成装置的结构框图；
66.图14为一个实施例中计算机设备的内部结构图。
具体实施方式
67.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
68.在一个实施例中，如图1所示，提供了一种策略生成方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
69.步骤102，基于各标签类别对应的决策树，确定目标客户在各标签类别下的客户标签，并采用各客户标签构建得到目标客户的客户标签集。
70.本技术实施例中，目标客户为待进行交互的客户，客户标签用于表征客户在某一评价维度上的取值类别。本技术实施例中，交互可以包括多种场景下的交互操作，本技术实施例中对此不做限定，例如：可以包括向目标客户进行相关推荐、推送等交互操作，或者向目标客户进行针对某一事项的协商操作。在不同场景下的评价维度不同，对应的标签类别也不同。
71.本技术实施例中以下以应用于银行系统，目标客户为待进行还款协商的客户为例，对本技术实施例加以说明，示例性的，若评价维度是逾期金额，则在逾期金额下的客户标签可以为逾期金额大、逾期金额较大、逾期金额较小、逾期金额小等。一个评价维度可以对应一个标签类别。
72.针对任一标签类别，可以事先根据历史客户数据构建该标签类别对应的决策树。本技术实施例对于构建决策树的方法不作具体限定，任一可以根据历史客户数据，构建各标签类别对应的决策树的方法均适用于本技术实施例中，例如：id3算法、c4.5算法、cart(classification and regression tree，分类回归树)算法等。
73.在通过各标签类别对应的决策树，确定目标客户在各标签类别下的客户标签后，
可以将各客户标签组建为客户标签集。示例性的，当标签类别为逾期金额、还款意愿、客户当前经济状况时，目标客户在逾期金额对应的决策树下的客户标签可以为逾期金额大，在还款意愿对应的决策树下的客户标签可以为还款意愿低，在客户当前经济状况对应的决策树下的客户标签可以为经济状况好，将各客户标签组建为客户标签集后，目标客户的客户标签集可以是{逾期金额大、还款意愿低、经济状况好}。
74.步骤104，根据目标客户的客户标签集，确定目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度。
75.本技术实施例中，参考客户为预先选择的、已经交互完毕的客户，参考客户的交互结果可以为交互成功或交互失败，以目标客户为待进行还款协商的客户为例，交互成功可以指客户同意交互策略中提出的方案，并按照方案进行还款，交互失败可以指客户不同意交互策略中提出的方案，或客户并未按照方案进行还款。根据目标客户的客户标签集和参考客户的客户标签集之间的第一标签相似度，可以预测采用针对参考客户的交互策略与目标客户交互可能带来的交互结果，进而据此生成针对目标客户的交互策略。
76.第一标签相似度用于表征目标客户的客户标签集与参考客户的客户标签集之间的近似程度。例如，当目标客户的客户标签集为{逾期金额大、还款意愿低、经济状况好}，参考客户的客户标签集为{逾期金额大、还款意愿低、经济状况较好}时，目标客户的客户标签集与参考客户的客户标签集之间的第一标签相似度便较高；当目标客户的客户标签集为{逾期金额大、还款意愿低、经济状况好}，参考客户的客户标签集为{逾期金额小、还款意愿高、经济状况较好}时，目标客户的客户标签集与参考客户的客户标签集之间的第一标签相似度便较低。本技术实施例对于确定目标客户的客户标签集与参考客户的客户标签集之间的第一标签相似度的方式不作具体限定，任一可以确定目标客户的客户标签集与参考客户的客户标签集之间的第一标签相似度的方式均适用于本技术实施例中。
77.步骤106，根据第一标签相似度，从各参考客户中确定针对目标客户的目标参考客户。
78.本技术实施例中，可以根据第一标签相似度，从各参考客户中确定一个或多个目标参考客户。举例来说，当目标参考客户为一个时，可以选择各参考客户中第一标签相似度最高的参考客户作为目标参考客户；当目标参考客户为多个时，可以根据各参考客户的第一标签相似度对各参考客户进行排序，并选择排序前预设排名的参考客户作为目标参考客户，或者设置第一标签相似度阈值，将第一标签相似度大于第一标签相似度阈值的参考客户作为目标参考客户，本技术实施例对此不作具体限定。
79.步骤108，基于针对目标参考客户的交互策略，生成针对目标客户的交互策略。
80.本技术实施例中，交互策略可以为与目标参考客户进行相应交互操作的策略，以交互操作为还款协商操作为例，该交互策略可以为与目标客户的进行还款协商的沟通策略。当目标参考客户为一个时，可以直接基于针对目标参考客户的交互策略，生成针对目标客户的交互策略。例如，当目标参考客户的交互结果为成功的情况下，可以生成与目标参考客户的交互策略相似的交互策略；当目标参考客户的交互结果为失败的情况下，可以生成与目标参考客户的交互策略相反的交互策略，本技术实施例对此不作具体限定。
81.当目标参考客户为多个时，可以根据各目标参考客户的交互结果和针对各目标参考客户的交互策略，生成针对目标客户的交互策略。例如，当各目标参考客户的交互结果均
为成功或均为失败时，可以选择各目标参考客户中，出现次数最多的交互策略作为参考交互策略，以根据参考交互策略生成针对目标客户的交互策略等；当各目标参考客户的交互结果既有成功也有失败时，可以生成与交互结果为成功的目标参考客户的交互策略相似、同时与交互结果为失败的目标参考客户的交互策略相反的交互策略等，本技术实施例对此不作具体限定。
82.本技术实施例提供的策略生成方法，可以通过各标签类别对应的决策树，生成目标客户的客户标签集，并基于目标客户的客户标签集各参考客户的客户标签集之间的第一标签相似度，确定针对目标客户的目标参考客户，进而基于针对目标参考客户的交互策略生成针对目标客户的交互策略。由于客户标签等同于目标客户的各客户特征值的综合，相较于直接基于目标客户的客户特征值和参考客户的客户特征值确定相似度，基于目标客户的客户标签集和参考客户的客户标签集确定第一标签相似度可以减少比较的维度，排除冗余信息，提高确定目标客户和参考客户之间相似度的精度，因此能提高确定目标参考客户的准确度，在此基础上，该目标参考客户的交互策略在一定程度上也适用于目标客户，因此基于该目标参考客户的交互策略生成目标客户的交互策略，能够提高交互策略的精准度与实用程度，进一步的基于该生成的交互策略与目标客户进行交互，可以大幅度的提升交互成功的概率。
83.在一个实施例中，如图2所示，步骤104中，根据目标客户的客户标签集，确定目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度，包括：
84.步骤202，根据目标客户的客户标签集，确定目标客户的客户标签集与基准客户标签集之间的第二标签相似度。
85.本技术实施例中，基准客户标签集为预设的客户标签集，其中包括各标签类别对应的预设客户标签。基准客户标签集用于表示某一理想客户，与该理想客户进行交互的难度可以量化(例如，可以使该理想客户为一不论采用何种交互策略，交互结果均为成功的客户，也即与该理想客户的交互难度极低)，故而根据目标客户的客户标签集与基准客户标签集之间的第二标签相似度，即可确定与目标客户的交互难度。本技术实施例对于确定目标客户的客户标签集与基准客户标签集之间的第二标签相似度的方法不作具体限定，任一可以确定目标客户的客户标签集与基准客户标签集之间的第二标签相似度的方法均适用于本技术实施例中。
86.步骤204，在第二标签相似度大于相似度阈值的情况下，根据第二标签相似度确定目标客户所属的目标客户类别。
87.本技术实施例中，客户类别用于表征与客户交互的难度。示例性的，客户类别可以分别为“交互难度低”、“交互难度较低”、“交互难度较高”、“交互难度高”。相似度阈值为预设的数值，当第二标签相似度小于或者等于相似度阈值时，可以认为与目标客户的交互难度过大，预计与目标客户交互的成功率过低，故而可以结束策略生成流程，不再针对目标客户生成交互策略。相似度阈值的取值可以由本领域技术人员根据实际需求选取，例如，当需要确保针对其生成交互策略的目标客户的交互难度较小时，可以将相似度阈值设置的较高，当需要对更多的目标客户生成交互策略时，可以将相似度阈值设置的较低。
88.示例性的，可以分别设置各客户类别对应的第二标签相似度区间，在目标客户的客户标签集与基准客户标签集之间的第二标签相似度落入某一客户类别对应的第二标签
相似度区间时，即可判断该客户类别为目标客户所属的目标客户类别。以基准客户标签集表示的客户交互难度极低，且第二标签相似度越大，说明目标客户的客户标签集与基准客户标签集越相似为例，可以使“交互难度低”对应的第二标签相似度区间为a≤第二标签相似度，“交互难度较低”对应的第二标签相似度区间为b≤第二标签相似度＜a、“交互难度较高”对应的第二标签相似度区间为c≤第二标签相似度＜b、“交互难度高”对应的第二标签相似度区间为第二标签相似度＜c，其中a＞b＞c。故而当目标客户的客户标签集大于或者等于b且小于a时，即可判断目标客户所属的目标客户类别为交互难度较低。
89.步骤206，针对目标客户类别对应的任一参考客户，确定目标客户的客户标签集与参考客户的客户标签集之间的第一标签相似度。
90.本技术实施例中，各客户类别可以分别对应不同的参考客户。示例性的，可以通过确定各参考客户的客户标签集与基准客户标签集之间的第三标签相似度，分别确定各参考客户所属的客户类别，也可以预先设定各客户类别对应的参考客户，本技术实施例对此不作具体限定。
91.在确定目标客户所属的目标客户类别后，可以确定目标客户与目标客户类别对应的各参考客户之间的第一标签相似度。
92.本技术实施例提供的策略生成方法，可以设置基准客户标签集，并通过确定目标客户的客户标签集与基准客户标签集之间的第二标签相似度，确定目标客户所属的目标客户类别，以确定目标客户类别对应的参考客户的客户标签集与目标客户的客户标签集之间的第一标签相似度。本技术实施例可以首先根据第二标签相似度确定目标客户所属的目标客户类别，进而再根据目标客户类别对应的参考客户，确定参考客户的客户标签集与目标客户的客户标签集之间的第一标签相似度，故而能够提升参考客户与目标客户之间的相似性，提升确定目标参考客户的精度。由于仅需要确定目标客户的客户标签集与目标客户类别对应的参考客户的客户标签集之间的第一标签相似度，而无需针对所有参考客户的客户标签集确定第一标签相似度，因此还能降低计算量，加快确定目标参考客户的速度。
93.在一个实施例中，如图3所示，目标参考客户具有客户标识，客户标识用于表征目标参考客户历史交互的交互结果，交互策略中包括交互策略要素，步骤108中，基于针对目标参考客户的交互策略，生成针对目标客户的交互策略，包括：
94.步骤302，在目标参考客户对应的客户标识，表征目标参考客户历史交互成功的情况下，获取目标参考客户的交互策略要素。
95.步骤304，基于目标参考客户的交互策略要素，生成针对目标客户的交互策略。
96.本技术实施例中，每一参考客户均有其对应的客户标识，客户标识可以表征与参考客户的历史交互的交互结果，交互结果可以包括成功或失败。交互策略可以由交互策略要素和预设模板组成，交互策略要素可以用于指示向用户提出的方案。例如，交互策略要素可以为“协商分期数12期”、“可减免息费比例5％”等。预设模板可以为“针对【目标客户姓名】可以提供【交互策略要素1】、【交互策略要素2】、【交互策略要素3】，预计交互成功率较高”，或者“针对【目标客户姓名】采用【交互策略要素1】、【交互策略要素2】、【交互策略要素3】的交互成功率较低，建议采用其他方式进行交互”等。示例性的，完整的交互策略可以为“针对xxx可以提供协商分期数12期、可减免息费比例5％，预计交互成功率较高”。
97.在目标参考客户对应的客户标识表征目标参考客户历史交互成功的情况下，可以
认为在采用目标参考客户的交互策略要素生成针对目标客户的交互策略后，通过该交互策略与目标客户进行交互的成功率也较高，因此可以基于目标参考客户的交互策略要素，生成针对目标客户的交互策略。例如，当目标参考客户的交互策略要素为“协商分期数12期”、“可减免息费比例5％”时，可以基于目标参考客户的交互策略要素，生成针对目标客户的交互策略：针对xxx可以提供协商分期数12期、可减免息费比例5％，预计交互成功率较高。
98.需要说明的是，在目标参考客户对应的客户标识表征目标参考客户历史交互失败的情况下，也可以根据目标参考客户的交互策略要素，生成针对目标客户的交互策略，以指示采用其他方式与目标客户进行交互。以上述示例为例，在目标参考客户的交互策略要素为“协商分期数12期”、“可减免息费比例5％”的情况下，生成的针对目标客户的交互策略可以为“针对xxx采用协商分期数12期、可减免息费比例5％的交互成功率较低，建议采用其他方式进行交互”。
99.本技术实施例提供的策略生成方法，可以在目标参考客户对应的客户标识表征目标参考客户历史交互成功的情况下，基于目标参考客户的交互策略要素，生成针对目标客户的交互策略。由于目标参考客户与目标客户较为相似，因此可以认为在采用针对目标参考客户的交互策略与目标参考客户交互成功的情况下，采用目标参考客户的交互策略要素生成针对目标客户的交互策略后，通过该交互策略与目标客户进行交互的成功率也较高，因此可以提升确定针对目标客户的交互策略的精度。
100.在一个实施例中，如图4所示，步骤102中，基于各标签类别对应的决策树，确定目标客户在各标签类别下的客户标签，包括：
101.步骤402，针对任一标签类别对应的决策树，确定目标客户针对决策树的目标客户特征。
102.步骤404，将目标客户特征对应的客户特征值输入至决策树中，得到目标客户在标签类别下对应的客户标签。
103.本技术实施例中，由于在构建不同的决策树时使用的客户特征可能不同，因此输入各决策树的客户特征值也可能不同。示例性的，若在构建a标签类别对应的a决策树时使用的客户特征为客户性别、客户年龄段、欠款金额和总消费金额，在构建b标签类别对应的b决策树时使用的客户特征为欠款金额、欠款利息、账户余额和历史逾期次数，则在确定目标客户在a标签类别下的客户标签时，可以首先确定目标客户针对a决策树的目标客户特征：客户性别、客户年龄段、欠款金额和总消费金额，并将目标客户在上述目标客户特征下对应的客户特征值输入a决策树中，以得到目标客户在a标签类别下的客户标签；在确定目标客户在b标签类别下的客户标签时，可以首先确定目标客户针对b决策树的目标客户特征：欠款金额、欠款利息、账户余额和历史逾期次数，并将目标客户在上述目标客户特征下对应的客户特征值输入b决策树中，以得到目标客户在b标签类别下的客户标签。
104.本技术实施例提供的策略生成方法，可以确定目标客户针对决策树的目标客户特征，并将目标客户特征对应的客户特征值输入至决策树中，得到目标客户在标签类别下对应的客户标签。由于决策树可以综合目标客户的各客户特征值，输出相应的客户标签，因此相较于直接基于目标客户的客户特征值和参考客户的客户特征值确定相似度，通过决策树得到目标客户的客户标签集，并基于目标客户的客户标签集和参考客户的客户标签集确定第一标签相似度可以减少比较的维度，排除冗余信息，提高确定目标客户和参考客户之间
相似度的精度，因此能提高确定目标参考客户的准确度。
105.在一个实施例中，如图5所示，步骤104中，根据目标客户的客户标签集，确定目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度，包括：
106.步骤502，针对任一参考客户，按照各标签类别对应的预设顺序，按序拼接目标客户的客户标签集内各标签类别对应的客户标签，得到第一标签字符串，并按序拼接参考客户的客户标签集内各标签类别对应的客户标签，得到第二标签字符串。
107.步骤504，确定第一标签字符串和第二标签字符串的相似度。
108.步骤506，将第一标签字符串和第二标签字符串的相似度，作为目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度。
109.本技术实施例中，可以拼接各客户标签得到标签字符串，并通过确定目标客户的第一标签字符串和参考客户的第二标签字符串之间的文本相似度，得到目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度。
110.举例来说，若标签类别的预设顺序为逾期金额、还款意愿、经济状况，且目标客户的客户标签集为{逾期金额大、还款意愿低、经济状况好}，参考客户a的客户标签集为{逾期金额小、还款意愿高、经济状况好}，参考客户b的客户标签集为{逾期金额较小、还款意愿低、经济状况较好}，则可以按序拼接目标客户的客户标签集内各标签类别对应的客户标签，得到第一标签字符串{逾期金额大还款意愿低经济状况好}，并按序拼接参考客户a的客户标签集内各标签类别对应的客户标签，得到第二标签字符串a{逾期金额小还款意愿高经济状况好}，及按序拼接参考客户b的客户标签集内各标签类别对应的客户标签，得到第二标签字符串b{逾期金额较小还款意愿低经济状况较好}。
111.进一步地，可以分别确定第一标签字符串和第二标签字符串a的相似度，以及第一标签字符串和第二标签字符串b的相似度，并将第一标签字符串和第二标签字符串a的相似度，作为目标客户的客户标签集与参考客户a的客户标签集之间的第一标签相似度，及将第一标签字符串和第二标签字符串b的相似度，作为目标客户的客户标签集与参考客户b的客户标签集之间的第一标签相似度。本技术实施例对于确定第一标签字符串和第二标签字符串的相似度的方式不作具体限定，任一可以确定两个字符串之间相似度的方法均适用于本技术实施例中，例如：欧式距离算法、余弦距离算法、编辑距离算法等。
112.本技术实施例提供的策略生成方法，可以拼接各客户标签得到标签字符串，并通过确定目标客户的第一标签字符串和参考客户的第二标签字符串之间的文本相似度，得到目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度。由于客户标签等同于目标客户的各客户特征值的综合，相较于直接基于目标客户的客户特征值和参考客户的客户特征值确定相似度，基于目标客户的客户标签集和参考客户的客户标签集确定第一标签相似度可以减少比较的维度，排除冗余信息，提高确定目标客户和参考客户之间相似度的精度，因此能提高确定目标参考客户的准确度。
113.在一个实施例中，如图6所示，步骤504中，确定第一标签字符串和第二标签字符串的相似度，包括：
114.步骤602，确定第一标签字符串和第二标签字符串之间的编辑距离。
115.步骤604，将编辑距离作为第一标签字符串和第二标签字符串的相似度。
116.本技术实施例中，可以通过编辑距离算法确定第一标签字符串和第二标签字符串
之间的相似度。编辑距离算法为一种计算两个字符串之间字面上相似性的方法，通过确定第一标签字符串需要进行多少次插入字符、删除字符或替换字符操作后可以得到第二标签字符串，便可得到第一标签字符串和第二标签字符串之间的相似度。参见图7所示，可以首先构建包含第一标签字符串和第二标签字符串的初始矩阵，并按照如下逻辑填充矩阵：针对矩阵中位于第i行第j列的空白格(d[i,j])，d[i,j]的取值为d[i-1,j]+1(d[i-1,j]为矩阵中位于第i-1行第j列的矩阵格)，d[i,j-1]+1(d[i,j-1]为矩阵中位于第i行第j-1列的矩阵格)和d[i-1,j-1]+1(若第一标签字符串的第i个字符与第二标签字符串的第j个字符不相等)或d[i-1,j-1](若第一标签字符串的第i个字符与第二标签字符串的第j个字符相等)之间的最小值。如此填充完毕所有矩阵格后，矩阵右下角的矩阵格的取值即为第一标签字符串和第二标签字符串之间的编辑距离。
[0117]
在确定第一标签字符串和第二标签字符串的编辑距离后，可以将第一标签字符串和第二标签字符串的编辑距离，作为第一标签字符串和第二标签字符串的相似度。
[0118]
本技术实施例提供的策略生成方法，可以通过编辑距离算法确定第一标签字符串和第二标签字符串之间的相似度。由于在同一标签类别下的客户标签之间的相似度通常可以以客户标签之间字面上的相似度表征，因此采用编辑距离算法确定第一标签字符串和第二标签字符串之间的相似度更为精确，能够提升确定第一标签字符串和第二标签字符串之间的相似度的精度，进一步提高确定目标客户和参考客户之间相似度的精度。
[0119]
为使本领域技术人员更好的理解本技术实施例，以下通过具体示例对本技术实施例加以说明。
[0120]
参照图8所示，示出了一种策略生成方法的流程图。
[0121]
本技术实施例中，可以首先基于历史客户数据，构建各标签类别对应的决策树。示例性的，可以基于c4.5算法构建各标签类别对应的决策树。参照图9、图10所示，以标签类别为还款意愿，该标签类别下的客户标签为还款意愿高、还款意愿较高、还款意愿较低、还款意愿低、用于构建该标签类别对应的决策树的客户特征为欠款金额、历史逾期次数、平均催收次数、账户余额为例进行说明，c4.5算法可以计算各客户特征的信息增益率，并将信息增益率最大的客户特征作为决策树的分裂点。信息增益率为客户特征的信息增益(用于表征客户特征对于确定客户标签的贡献，在根据该客户特征的取值分裂决策树后，每一分支上客户标签相同的客户比例越大，客户特征的信息增益越高)与客户特征的分裂信息(用于表征基于某一客户特征分裂决策树后，分支的数量及尺寸)的比值(参见公式(一))：
[0122][0123]
其中，gainratio(a)为客户特征a的信息增益率，gain(a)为客户特征a的信息增益，splitinfo(a)为客户特征a的分裂信息。
[0124]
信息增益可以通过计算决策树未分裂前，该未分裂节点的信息熵(用于表征属于该未分裂节点的各客户的纯净度，客户标签相同的客户在属于该未分裂节点的各客户中占比越大，纯净度越高)和决策树基于客户特征分裂后的条件熵(用于表征在决策树基于客户特征分裂后，各分支上的客户的纯净度)得到(参见公式(二))：
[0125]
gain(a)＝info(d)-infoa(d)公式(二)
[0126]
其中，gain(a)为客户特征a的信息增益，info(d)为未分裂节点的信息熵，infoa(d)为决策树基于客户特征分裂后的条件熵。
[0127]
信息熵的定义可参见公式(三)：
[0128][0129]
其中，m为未分裂节点下客户的客户标签种类总数，pi为拥有第i客户标签的客户的数量与未分裂节点下所有客户数量的比值。
[0130]
条件熵的定义可参见公式(四)：
[0131][0132]
其中，v为决策树基于客户特征分裂后的分支总数，|dj|为属于第j个分支的客户数量，|d|为未分裂节点下所有客户的数量。
[0133]
分裂信息的定义可参见公式(五)：
[0134][0135]
其中，v为决策树基于客户特征分裂后的分支总数，|dj|为属于第j个分支的客户数量，|d|为未分裂节点下所有客户的数量。
[0136]
通过选取历史客户信息作为训练集，可以训练得到针对各标签类别的决策树。示例性的，可以选取全国各地区某一季度的历史客户，基于业务架构，从银行不同业务领域的系统中获取历史客户信息。例如，可以从从客户管理系统中获取客户基本信息，包括客户姓名、性别、年龄、籍贯、证件类型、证件号码、等信息；从卡产品系统中获取卡介质信息，包括其名下每张卡的卡号、卡片状态、发卡地区、发卡网点、账户余额等信息；从交易清算系统中获取该客户近期的历史交易明细等信息；从贷后管理系统中获取还客户的欠款金额、欠款利息、逾期天数、历史逾期次数、历史催收记录等信息，并可以将上述历史客户信息存储至数据库中。
[0137]
示例性的，参照图11所示，可以通过如下方法训练得到针对各标签类别的决策树t：选取训练集d，针对任一标签类别的决策树，可以选取多个客户特征组成客户特征集a，并设定信息增益率阈值ε。1)若训练集d中的所有客户的客户标签均相同，则决策树t为单节点决策树，将该客户标签作为该节点的类标记。2)若客户特征集a为空集，则决策树t为单节点决策树，将训练集d中对应客户数量最多的客户标签作为该节点的类标记。3)若训练集d中的客户至少对应两个客户标签，且客户特征集a不为空集，则计算客户特征集a中的所有客户特征的信息增益率。4)若全部客户特征的信息增益率均小于信息增益率阈值ε，则决策树t为单节点决策树，将训练集d中对应客户数量最多的客户标签作为该节点的类标记。5)若存在信息增益率大于或者等于信息增益率阈值ε的客户特征，则选择其中信息增益率最大的客户特征作为决策树t的分裂节点，将该客户特征从客户特征集a中删除，并得到分别对应训练集d的子集d1～di的决策树子节点t1～ti。6)针对任一决策树子节点t1～ti，重复上述步骤1)至步骤5)，直至得到完整的决策树。
[0138]
需要说明的是，对于数值为连续型数值的客户特征，可以首先将该客户特征划分为多个数值区间。举例来说，可以选取客户性别、客户年龄段、欠款金额区间段、欠款利息区间段、账户余额区间段、消费金额、逾期天数、历史逾期次数、历史逾期时的平均催收次数作为客户特征，对于其中数值为连续型数值的客户特征(客户年龄段、欠款金额区间段、欠款
利息区间段、账户余额区间段、消费金额、逾期天数、历史逾期次数、历史逾期时的平均催收次数)，可以将其划分为多个数值区间，在根据上述客户特征分裂决策树时，每一个数值区间均对应一个决策树子节点。
[0139]
在得到各标签类别对应的训练好的决策树后，可以将目标客户相应的客户特征值输入各标签类别对应的决策树中，以得到目标客户在各标签类别下的目标客户标签，并据此构建得到目标客户的客户标签集。
[0140]
进一步地，还可以确定目标客户的客户标签集与基准客户标签集之间的第二标签相似度，以确定目标客户对应的目标客户类别。示例性的，基准客户标签集可以为{逾期金额大、当前经济状况差，近期消费低，历史信用好，还款意愿高}，由于该类客户通常信用良好且拥有较高偿还意愿，仅因当前经济困难才无力偿还欠款，因此该类客户可以作为交互难度低的客户。举例来说，当目标客户的客户标签集为{逾期金额小，当前经济状况差，近期消费低，历史信用差，还款意愿高}时，目标客户的客户标签集与基准客户标签集之间的第二标签相似度较高，故而目标客户对应的目标客户类别可以为交互难度较低；当目标客户的客户标签集为{逾期金额大，当前经济状况好，近期消费高，历史信用差，还款意愿低}时，目标客户的客户标签集与基准客户标签集之间的第二标签相似度较低，故而目标客户对应的目标客户类别可以为交互难度较高。
[0141]
参见图12所示，可以在系统中登记各参考客户对应的交互策略要素。在确定目标客户对应的目标参考客户，并根据目标参考客户的交互策略要素生成针对目标客户的交互策略时，还可以在针对目标客户的交互策略中加入目标客户的基本信息、账户信息、交易信息等作为协商还款参考数据，方便工作人员在联系目标客户进行协商的过程中进行查阅。
[0142]
当工作人员与目标客户交互完毕后，还可以将针对目标客户的交互策略登记在系统中，以使得目标客户可以作为新的参考客户。
[0143]
本技术实施例提供的策略生成方法，可以使银行能主动预测哪些客户当前存在还款压力，主动与客户实施协商还款，提高银行对不良资产处置的前瞻性。此外，还可以解决银行工作人员协商还款过程中收集、整理客户信息繁琐，协商依赖工作人员历史经验的问题，提高协商还款的便利性。
[0144]
应该理解的是，虽然如上所述的各实施例所涉及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，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0145]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的策略生成方法的策略生成装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个策略生成装置实施例中的具体限定可以参见上文中对于策略生成方法的限定，在此不再赘述。
[0146]
在一个实施例中，如图13所示，提供了一种策略生成装置1300，包括：第一确定模块1302、第二确定模块1304、第三确定模块1306、生成模块1308，其中：
[0147]
第一确定模块1302，用于基于各标签类别对应的决策树，确定目标客户在各所述标签类别下的客户标签，并采用各所述客户标签构建得到所述目标客户的客户标签集；
[0148]
第二确定模块1304，用于根据所述目标客户的客户标签集，确定所述目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度；
[0149]
第三确定模块1306，用于根据所述第一标签相似度，从各所述参考客户中确定针对所述目标客户的目标参考客户；
[0150]
生成模块1308，用于基于针对所述目标参考客户的交互策略，生成针对所述目标客户的交互策略。
[0151]
本技术实施例提供的策略生成装置，可以通过各标签类别对应的决策树，生成目标客户的客户标签集，并基于目标客户的客户标签集各参考客户的客户标签集之间的第一标签相似度，确定针对目标客户的目标参考客户，进而基于针对目标参考客户的交互策略生成针对目标客户的交互策略。由于客户标签等同于目标客户的各客户特征值的综合，相较于直接基于目标客户的客户特征值和参考客户的客户特征值确定相似度，基于目标客户的客户标签集和参考客户的客户标签集确定第一标签相似度可以减少比较的维度，排除冗余信息，提高确定目标客户和参考客户之间相似度的精度，因此能提高确定目标参考客户的准确度，在此基础上，该目标参考客户的交互策略在一定程度上也适用于目标客户，因此基于该目标参考客户的交互策略生成目标客户的交互策略，能够提高交互策略的精准度与实用程度，进一步的基于该生成的交互策略与目标客户进行交互，可以大幅度的提升交互成功的概率。
[0152]
在其中一个实施例中，所述第二确定模块1304，还用于：
[0153]
根据所述目标客户的客户标签集，确定所述目标客户的客户标签集与基准客户标签集之间的第二标签相似度；
[0154]
在所述第二标签相似度大于相似度阈值的情况下，根据所述第二标签相似度确定所述目标客户所属的目标客户类别；
[0155]
针对所述目标客户类别对应的任一参考客户，确定所述目标客户的客户标签集与所述参考客户的客户标签集之间的第一标签相似度。
[0156]
在其中一个实施例中，所述目标参考客户具有客户标识，所述客户标识用于表征所述目标参考客户历史交互的交互结果，所述交互策略中包括交互策略要素，所述生成模块1308，还用于：
[0157]
在所述目标参考客户对应的客户标识，表征所述目标参考客户历史交互成功的情况下，获取所述目标参考客户的交互策略要素；
[0158]
基于所述目标参考客户的交互策略要素，生成针对所述目标客户的交互策略。
[0159]
在其中一个实施例中，所述第一确定模块1302，还用于：
[0160]
针对任一所述标签类别对应的决策树，确定所述目标客户针对所述决策树的目标客户特征；
[0161]
将所述目标客户特征对应的客户特征值输入至所述决策树中，得到所述目标客户在所述标签类别下对应的客户标签。
[0162]
在其中一个实施例中，所述第二确定模块1304，还用于：
[0163]
针对任一所述参考客户，按照各所述标签类别对应的预设顺序，按序拼接所述目
标客户的客户标签集内各所述标签类别对应的所述客户标签，得到第一标签字符串，并按序拼接所述参考客户的客户标签集内各所述标签类别对应的所述客户标签，得到第二标签字符串；
[0164]
确定所述第一标签字符串和所述第二标签字符串的相似度；
[0165]
将所述第一标签字符串和所述第二标签字符串的相似度，作为所述目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度。
[0166]
在其中一个实施例中，所述第二确定模块1304，还用于：
[0167]
确定所述第一标签字符串和所述第二标签字符串之间的编辑距离；
[0168]
将所述编辑距离作为所述第一标签字符串和所述第二标签字符串的相似度。
[0169]
上述策略生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0170]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图14所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种策略生成方法。
[0171]
本领域技术人员可以理解，图14中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0172]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0173]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0174]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0175]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0176]
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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，
pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0177]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0178]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：

1.一种策略生成方法，其特征在于，所述方法包括：基于各标签类别对应的决策树，确定目标客户在各所述标签类别下的客户标签，并采用各所述客户标签构建得到所述目标客户的客户标签集；根据所述目标客户的客户标签集，确定所述目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度；根据所述第一标签相似度，从各所述参考客户中确定针对所述目标客户的目标参考客户；基于针对所述目标参考客户的交互策略，生成针对所述目标客户的交互策略。2.根据权利要求1所述的方法，其特征在于，所述根据所述目标客户的客户标签集，确定所述目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度，包括：根据所述目标客户的客户标签集，确定所述目标客户的客户标签集与基准客户标签集之间的第二标签相似度；在所述第二标签相似度大于相似度阈值的情况下，根据所述第二标签相似度确定所述目标客户所属的目标客户类别；针对所述目标客户类别对应的任一参考客户，确定所述目标客户的客户标签集与所述参考客户的客户标签集之间的第一标签相似度。3.根据权利要求1所述的方法，其特征在于，所述目标参考客户具有客户标识，所述客户标识用于表征所述目标参考客户历史交互的交互结果，所述交互策略中包括交互策略要素，所述基于针对所述目标参考客户的交互策略，生成针对所述目标客户的交互策略，包括：在所述目标参考客户对应的客户标识，表征所述目标参考客户历史交互成功的情况下，获取所述目标参考客户的交互策略要素；基于所述目标参考客户的交互策略要素，生成针对所述目标客户的交互策略。4.根据权利要求1所述的方法，其特征在于，所述基于各标签类别对应的决策树，确定目标客户在各所述标签类别下的客户标签，包括：针对任一所述标签类别对应的决策树，确定所述目标客户针对所述决策树的目标客户特征；将所述目标客户特征对应的客户特征值输入至所述决策树中，得到所述目标客户在所述标签类别下对应的客户标签。5.根据权利要求1所述的方法，其特征在于，所述根据所述目标客户的客户标签集，确定所述目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度，包括：针对任一所述参考客户，按照各所述标签类别对应的预设顺序，按序拼接所述目标客户的客户标签集内各所述标签类别对应的所述客户标签，得到第一标签字符串，并按序拼接所述参考客户的客户标签集内各所述标签类别对应的所述客户标签，得到第二标签字符串；确定所述第一标签字符串和所述第二标签字符串的相似度；将所述第一标签字符串和所述第二标签字符串的相似度，作为所述目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度。6.根据权利要求5所述的方法，其特征在于，所述确定所述第一标签字符串和所述第二
标签字符串的相似度，包括：确定所述第一标签字符串和所述第二标签字符串之间的编辑距离；将所述编辑距离作为所述第一标签字符串和所述第二标签字符串的相似度。7.一种策略生成装置，其特征在于，所述装置包括：第一确定模块，用于基于各标签类别对应的决策树，确定目标客户在各所述标签类别下的客户标签，并采用各所述客户标签构建得到所述目标客户的客户标签集；第二确定模块，用于根据所述目标客户的客户标签集，确定所述目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度；第三确定模块，用于根据所述第一标签相似度，从各所述参考客户中确定针对所述目标客户的目标参考客户；生成模块，用于基于针对所述目标参考客户的交互策略，生成针对所述目标客户的交互策略。8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结

本申请涉及一种策略生成方法、装置、计算机设备和存储介质，涉及大数据领域。所述方法包括：基于各标签类别对应的决策树，确定目标客户在各标签类别下的客户标签，并采用各客户标签构建得到目标客户的客户标签集；根据目标客户的客户标签集，确定目标客户的客户标签集与各参考客户的客户标签集之间的第一标签相似度；根据第一标签相似度，从各参考客户中确定针对目标客户的目标参考客户；基于针对目标参考客户的交互策略，生成针对目标客户的交互策略。采用本方法能够提高交互策略的精准度与实用程度。实用程度。实用程度。