施文幸,曹诗韵

1(国网浙江省电力有限公司培训中心,杭州 310015)

2(东北林业大学,哈尔滨 150040)

近年来国内外逐渐兴起的用户画像技术,为提升电力客户体验,提高产品和服务的竞争力,满足客户的用电服务需求[1]提供了有效支撑.

用户画像是建立在一系列真实数据之上的目标用户模型,是真实用户的虚拟代表[2],用户画像以了解用户预测用户需求为目的[3],但相关的文献数量较少[4].

国网浙江省电力公司在2015年开始探索基于客户标签的用户画像,2017年在电力营销业务应用系统中启用了客户画像全景视图,主要应用在电力营业厅.最初的标签数量多达三百多个,建设维度包括:社会属性、交费行为、用电行为、信用评价、风险评估和关联行为,覆盖浙江省所有用户.目前基于多项业务的个体画像构建及应用方法,涉及庞大的标签库和海量的电力用户数据,存在有效性差和运算速度慢的缺陷,在各类电力业务推荐时效果欠佳,未能得到有效应用.

本文提出了一种基于改进的萤火虫优化加权Kmeans 算法的分层聚类画像推荐模型,仅就单项业务设计标签模型,减少了标签数量,提高了运行速度;通过分层聚类着重构建特征群体画像,提高了业务推荐的针对性和精准性.

1 算法基本原理

聚类是数据挖掘中一个重要的概念,其目的是把具有相似特性的数据对象放到一起,寻找其中隐藏的有价值的信息,是将没有分类标签的数据集分成若干个簇的过……