买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉国家电网有限公司客户服务中心申请的专利一种基于知识图谱的网上国网潜在流失用户识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120931105B 。

龙图腾网通过国家知识产权局官网在2026-01-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511465165.0，技术领域涉及：G06Q10/0635；该发明授权一种基于知识图谱的网上国网潜在流失用户识别方法是由李书慧;宋行;余锦河;吕娜;钱奕;张思雨设计研发完成，并于2025-10-14向国家知识产权局提交的专利申请。

本一种基于知识图谱的网上国网潜在流失用户识别方法在说明书摘要公布了：本发明涉及人工智能技术领域，具体涉及一种基于知识图谱的网上国网潜在流失用户识别方法。识别方法包括如下过程：构建用户知识图谱；基于用户知识图谱，构建关系图卷积神经网络深入挖掘和分析图结构数据，学习知识图谱中实体和关系的低维向量表示，捕捉实体间复杂的关系和图结构数据的深层次特征；借鉴多任务学习网络，基于所提取的用户特征，构建两个分类器，为每个分类任务设计独立的输出层，一个用于识别用户是否存在流失风险，另一个用于预测用户流失风险的等级。本发明解决了在大数据环境下如何提高网上国网用户流失风险识别准确性的难题；有效识别出具有潜在流失风险的电力用户群体，并实现用户的风险等级细分，进而制定差异化的召回策略。

本发明授权一种基于知识图谱的网上国网潜在流失用户识别方法在权利要求书中公布了：1.一种基于知识图谱的网上国网潜在流失用户识别方法，其特征在于，包括如下过程： S100：构建用户知识图谱；结合网上国网APP的用户属性及行为数据以及外部多源数据，梳理与用户流失风险有关的数据信息；通过识别多维数据中的关键实体并抽取实体间的关联关系，构建电力用户知识图谱； S200：深入挖掘用户特征；基于用户知识图谱，构建关系图卷积神经网络深入挖掘和分析图结构数据，学习知识图谱中实体和关系的低维向量表示，捕捉实体间复杂的关系和图结构数据的深层次特征；所述实体的类型包括： “用户”：表示网上国网APP的注册用户，属性包括：用户ID、性别、年龄、职业、教育水平、注册时间、是否为会员用户相关信息及该用户在网上国网APP的行为数据； “产业”：表示用户拥有的产业，属性包括：户号、所属台区、产业类型及房屋类型、居住时长、住房属性、产业规模、装接容量、行业类别、接入电压等级、商铺类型、营业面积、营业时间规律、充电桩类型、装机数量、接入方式、光伏装机容量、发电量、是否配置储能系统不同产业类型的相关属性信息；产业类型包括：住宅、企事业单位、商铺、充电桩、分布式光伏； “电表”：表示用户使用的电表，属性包括：电表编号、电表类型、用电类别、电表故障报警、用电量、用电时间、用电峰值相关用电数据； “账单”：表示用户所产生的电费账单，属性包括：应缴金额、优惠金额、实缴金额、交费渠道、交费截止日期、实际交费日期、逾期天数、逾期次数、最大欠费金额、催缴次数、催缴响应时间； 关联关系类型包括：用户“拥有”产业，用户“使用”电表，用户“产生”账单； 将“拥有”“使用”“产生”三种关系下的图分别看成一个同构子图，分别使用GCN对子图进行特征聚合，将提取的多关系特征向量叠加处理，将多关系图转化为多个同构子图特征聚合的问题；对于每个子图，实体和关系的向量表示首先被平铺成为二维矩阵，并经过卷积层进行特征提取，然后通过全连接层将提取的特征映射到最终的向量表示空间中； S300：细分用户风险等级；借鉴多任务学习网络，基于所提取的用户特征，构建两个分类器，为每个分类任务设计独立的输出层，一个用于识别用户是否存在流失风险，另一个用于预测用户流失风险的等级； 所述结合网上国网APP的用户属性及行为数据以及外部多源数据，梳理与用户流失风险有关的数据信息的步骤中，数据信息包括： 用户基础信息，具体包括：用户ID、性别、年龄、职业、教育水平、行业类别、是否为会员、是否开通我的订阅、是否为临时用能用户； 产业信息，具体包括：户号、所属台区、所属供电所、接入方式、产业类型；所述产业类型包括：住宅、企事业单位、商铺、充电桩、分布式光伏； 用电信息，具体包括：电表编号、电表类型、用电类别、月均用电量、用电峰值、用电时间分布、电表故障报警； 交互行为，具体包括：用户在APP内的登录次数、活跃频率、账单查询、能效分析、活动参与情况、消息点击率、推送响应情况； 账单与支付，具体包括：应缴金额、优惠金额、实缴金额、交费渠道、交费及时率、历史欠费记录、催缴次数、催缴响应情况；交费渠道包括：网上国网、银行代扣、第三方支付； 针对所构建的多关系电力用户知识图谱，使用节点集合V表示“用户”“产业”“电表”“账单”实体，边集合R表示“拥有”“使用”“产生”不同实体间关系； 每种关系类型r都有其对应的邻接矩阵，邻接矩阵表示关系类型对应子图中实体间的关系，每个节点有一个特征向量，表示实体的属性，所有节点的特征向量组成特征矩阵H； 对于每个节点，通过迭代聚合其不同关系下的所有邻居节点特征向量，以及节点自身的属性，节点更新公式如下： ， 其中，节点j是节点i的邻居节点，表示节点i在关系r下的邻居节点集合，hj是节点j的特征向量，是节点i在关系r下的度，即同构子图中节点边的数量，是第l层中对应关系类型r的权重矩阵，是第l层中的自环权重矩阵，用于保持节点自身特征； 利用上述公式，用户节点的特征向量不断更新，迭代聚合了其三种关系中所有邻居节点及自身的属性特征，得到充分融合了电力用户多维度数据信息的向量表示； 针对关系图卷积神经网络挖掘到的用户向量表示，先经过共享的全连接层进行特征映射，再将低维的特征向量分别输入到两个分类器中； 其中二分类器输出一个实数值，Sigmoid函数将该值映射到0到1之间，表示用户流失的概率； 多分类器可以输出多个值，这些值经Softmax函数激活处理后，表示用户属于不同流失风险等级的概率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人国家电网有限公司客户服务中心，其通讯地址为：300304 天津市东丽区东丽湖丽湖环路21号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。