(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111646113.5 (22)申请日 2021.12.3 0 (71)申请人 辽宁省烟草公司鞍山市公司 地址 114001 辽宁省鞍山市铁东区园林路 209号 申请人 大连理工大 学 (72)发明人 曲艳梅　李先能　孙世航　何治健　 邱健铭　肖雨笛　郑爽　钱伟　 (74)专利代理 机构 大连理工大 学专利中心 21200 代理人 刘秋彤　梅洪玉 (51)Int.Cl. G06Q 30/06(2012.01) G06Q 30/02(2012.01) G06Q 30/00(2012.01)G06N 20/00(2019.01) G06K 9/62(2022.01) (54)发明名称 一种基于机器学习的烟草行业智能营销系 统 (57)摘要 本发明提供一种基于机器学习的烟草行业 智能营销系统， 属于电子信息技术领域。 分为四 个子系统打造烟草营销方法并改进现有问题， 其 一是针对全域、 全产业链的标签子系统及标签采 集方案； 其二是基于机器学习的智能选户子系 统； 其三是适合更高水平的供需动态平衡的智能 投放子系统； 其四是基于数据分析、 前端可视化 技术和前述方法的智能营销研判可视化子系统。 本发明通过构建的标签子系统和标签采集方法 更加高效、 科学的进行数据收集； 并通过上述两 机器学习子系统对收集数据进行深度挖掘， 使数 据能够对烟草行业的一些应用场景发挥更大价 值， 并通过智能营销可视化研判子系统对前述算 法进行部署， 构建出完整的数据驱动决策链条。 权利要求书5页 说明书17页 附图5页 CN 114372848 A 2022.04.19 CN 114372848 A 1.一种基于机器学习的烟草行业智能营销系统， 其特征在于， 烟草行业智能营销系统 包括标签子系统、 基于机器学习的智能投放子系统、 基于机器学习的智能选户子系统和智 能营销研判可视化子系统； (一)标签子系统 标签子系统是以零售商为中心向外拓展， 对与零售商相关的主体进行标签的建立与分 类； 标签子系统下设一级标签： 零售商标签、 烟草 公司标签、 外部环 境标签、 目标受众标签和 品牌标签； 根据零售商所处的环境， 对现有的标签子系统进行完 善； 零售商标签下设二级标签： 基本信息标签、 贡献度 标签、 特色配套标签、 配合度 标签、 成 长度标签、 规范度标签六类； 零售商标签 中的基本信 息标签下设三级标签： 客户标签、 人员标签； 贡献度 标签下设盈 利标签、 品牌宽度标签； 特色配套标签下设配套设施标签、 系统使用标签、 硬件设施标签； 成 长度标签下设未来发展标签、 经营规模标签； 规范度标签下设经营规范标签、 合法合规标 签、 小组标签； 配合度标签下设烟草销售配合度标签、 信息配合度标签； 烟草公司标签下设二级标签： 营销中心标签、 管理规范 标签、 物流体系标签三类； 烟草公司标签 中的营销中心标签下设三级标签： 到货信 息标签、 订单访销标签、 网站开 放与维护标签、 订单处理标签、 货款收纳标签； 管理规范标签下设入库作业管理标签、 订单 管理机制标签、 在库管理制度标签、 出库管理制度标签、 配送管理制度标签、 仓库卫生管理 制度标签、 绩效管理制度标签； 物流体系 标签下设入库管理标签、 在库管理标签、 出库管理 标签、 配载 标签、 配送绩效评价标签、 卷烟退 换货标签； 外部环境标签下设二级标签： 竞争对手信息标签和商圈经济信息标签两类； 外部环境 标签中的竞争对手信息标签下设三级标签： 店铺信息标签、 人员信息标签； 商圈经济信息标 签下设商圈信息标签、 经济信息标签； 目标受众标签下设二级标签： 基本信 息标签、 所在区域标签和受众偏好标签三类； 目标 受众标签中的基本信息标签下设三级标签： 受众结构标签、 受众信息标签； 所在区域标签下 设经济情况标签、 环境状况标签； 受众偏好标签下设商品偏好标签、 购物偏好标签、 注重方 面标签； 品牌标签下设二级标签： 基本信息标签、 合规性标签和市场情况标签三类； 对于品牌标 签的二级标签下并未设立三级标签， 而是根据下设标签所 处级别和地位直接设立叶子结点 标签； 同时各三级标签下还设立叶子结点标签， 进 而构成完整且系统的标签系统树； (二)基于 机器学习的智能选户子系统 搭建基于机器学习的智能选户子系统： 选用标签子系统中的标签， 结合商户平均订足 率和存销比数据， 根据客户星级评定得分数据进行已安装终端商户的评定， 根据具体客户 星级评定得分情况将已安装终端商户划分为优质和非优质商户， 并进 行优质和非优质商户 的数据打标签； 将标签子系统中的零售商标签以及数据打标签后的数据作为训练集数据； 利用训练集数据将梯度提升决策树模型进 行优化训练， 使用训练好的梯度提升决策树模型 预测未安装终端POS机的各商户是否为优质商户， 以及某一具体商户为优质商户的概 率值； 梯度提升决策树模型 搭建方法如下： GBDT是boosting系列算法中的一个代表算法， 它是一种迭代的决策树算法， 由多棵决权　利　要　求　书 1/5 页 2 CN 114372848 A 2策树组成， 所有树的结论累加起来作为最 终答案； 其思想是利用平方误差来表 示损失函数， 其中每一棵回归树学习的是之前所有树的结论和残差， 拟合得到一个当前 的残差回归树； 其中残差＝真实值 ‑预测值， 提升树即是整个迭代过程生 成的回归树的累加； GBDT用来做回 归预测， 调整后可以用于本发明中的二分类问题： 设定阈值， 大于阈值为正例， 反之为反例； 本发明中的损失函数 可表示为： L(y， f(x) )＝log(1+e‑yf(x)) 其中， y∈{ ‑1， 1}； f(x)表示预测结果， x表示输入数据， y表示打标签的标签值； 则此时的负梯度误差为： 对于生成的决策树， 各个叶子节点的最佳残差拟合 值为： 其中， Rtj表示rti的集合， c表示残差值， t 表示回归树的编号； 由于上式比较难 优化， 我们使用近似值代替： 梯度提升决策树模型的训练： 对于训练集中的数值型特征： 订足率和存销比， 直接作为 数值型数据输入模型； 对标签子系统中所有的标签， 作为类别型特征， 通过类别特征数值化 的方式将类别转换为对应的整数后输入 模型中进行训练； 优选的， 利用GBDT中的L ightGBM来实现本申请的方案； (三)基于 机器学习的智能投放子系统 所述基于 机器学习的智能投放子系统包括销量预测模块和投放再分配模块； (1)销量预测模块的建立方法如下： 使用卷烟历史投放、 订购、 销售数据和标签子系统中零售商标签、 品牌标签数据作为训 练集数据； 并将卷烟按照市场状态划分标准分为紧俏型市场状态、 否则为松软型市场状态； 市场状态划分标准即上一周期卷烟定足率大于等于所有 卷烟定足率百分之75分 界点； 将训 练集数据输入梯度提升决策树模型预测下一投放周期各商户对该卷烟的销量， 以及输入数 据的特征重要性； 梯度提升决策树模型 搭建方法如下： 首先是建立回归树， 设X与Y分别是输入和输出变量， 并且Y是连续变量， 给定训练数据 集D考虑如何生成回归树； D＝{(x1， y1)， (x2， y2)，…(xN， yN)}x1∈X， y1∈Y 一个回归树对应着输入空间的一个划分以及在划分的单元上的输出值； 设已将输入空 间划分到M个单元R1， R2，…， Rm，…， RM， 并且在每个单元Rm上有一个固定的输出值cm， 于是回 归树模型 可表示为权　利　要　求　书 2/5 页 3 CN 114372848 A 3