所属的技术人员知道，本发明可以实现为系统、方法或计算机程序产品，因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是一一但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)，只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
背景技术：
1、定期存款是银行的主要收入来源。定期存款是在金融机构持有的现金投资。你的钱在固定的时间或期限内以约定的利率进行投资。为了向客户推销定期存款，银行存在电子邮件营销、广告营销、电话营销、数字营销等多种推广计划。其中电话营销活动仍然是接触人们最有效的方式之一。然而，他们需要巨大的投资，因为银行需要雇用大型呼叫中心来实际执行向客户推销定期存款的活动。因此，事先确定最有可能转化的客户是至关重要的，这样他们就可以通过电话进行具体定位，从而避免盲目的使用大型呼叫中心向大量的客户询问是否有定期存款的意向，通过这一有大致目标受众的定向营销能大大的提高营销活动的成功率。目前人们针对银行定期存款数据主要使用经典的机器学习进行处理，而结合量子计算的银行定期存款数据目标客户的分类尚未涉及。
2、目前人们针对银行定期存款数据主要使用经典的机器学习进行处理。经典计算机基于经典比特进行计算，与量子计算机基于的量子比特进行信息处理有比较大的区别，在相同比特情况下量子计算机由于其巨大的希尔伯特空间能处理更多的数据。采用经典神经网络，对定期存款数据信息进行学习，需要有较复杂的神经网络模型的设计以及超参数的调整技巧，且用于训练需要的数据量较大，时间较长。基于量子计算的特性基于量子神经网络的银行定期存款目标客户分类任务能实现纯经典的神经网络模型达不到的效果。
技术实现思路
1、本发明所要解决的技术问题是针对现有技术的不足，具体提供了一种基于量子神经网络的银行定期存款目标客户分类方法，具体如下：
2、1)第一方面，本发明提供一种基于量子神经网络的银行定期存款目标客户分类方法，具体技术方案如下：
3、对银行定期存款数据集进行预处理，得到银行定期存款客户的特征信息；
4、将银行定期存款客户的特征信息加载为量子态；
5、利用量子神经网络对量子态进行处理，得到银行定期存款客户的特征信息的预测结果，根据银行定期存款客户的特征信息的预测结果和银行定期存款客户的真实标签构建损失函数，根据损失函数更新量子神经网络的参数，直至符合结束条件；
6、根据最新得到的量子神经网络对预设用户的银行定期存款客户的特征信息进行分类。
7、本发明提供的一种基于量子神经网络的银行定期存款目标客户分类方法的有益效果如下：
8、本发明提出的量子神经网络采用基于量子力学基本原理的全新的计算模式即量子计算，基于量子计算物理系统实现的纠缠和叠加特性能学习到数据中经典计算机学不到的模式信息。而且，量子神经网络具有的强大并行性和非局域特性，相比于经典神经网络，在银行存款客户信息全局特征的提取和收敛速度上都要优于经典神经网络，使得量子神经网络相比于经典神经网络训练所需要的数据量更少，且在量子神经网络的设计以及超参数的调整上相比于经典神经网络更加简单，且本发明通过现有nisq真实量子计算机的即可实现。
9、在上述方案的基础上，本发明的一种基于量子神经网络的银行定期存款目标客户分类方法还可以做如下改进。
10、进一步，将银行定期存款客户的特征信息加载为量子态，包括：
11、根据银行定期存款客户的特征信息的维度，确定使用的量子比特数；
12、根据使用的量子比特数，并使用角度编码的方式，将银行定期存款客户的特征信息加载为量子态。
13、进一步，利用量子神经网络对量子态进行处理，得到银行定期存款客户的特征信息的预测结果，包括：
14、利用量子神经网络对量子态进行处理，对量子神经网络的第n个量子比特进行测量，并根据第n个量子比特的测量结果，得到所述银行定期存款客户的特征信息的预测结果。
15、进一步，根据损失函数更新量子神经网络的参数，包括：根据损失函数更新量子神经网络的参数，并利用参数移动法则，更新量子神经网络的参数。
16、2)第二方面，本发明还提供一种基于量子神经网络的银行定期存款目标客户分类系统，具体技术方案如下：
17、包括数据预处理模块、量子态加载模块、更新模块和特征信息分类模块；
18、数据预处理模块用于：对银行定期存款数据集进行预处理，得到银行定期存款客户的特征信息；
19、量子态加载模块用于：将银行定期存款客户的特征信息加载为量子态；
20、更新模块用于：利用量子神经网络对量子态进行处理，得到银行定期存款客户的特征信息的预测结果，根据银行定期存款客户的特征信息的预测结果和银行定期存款客户的真实标签构建损失函数，根据损失函数更新量子神经网络的参数，直至符合结束条件；
21、特征信息分类模块用于：根据最新得到的量子神经网络对预设用户的银行定期存款客户的特征信息进行分类。
22、在上述方案的基础上，本发明的一种基于量子神经网络的银行定期存款目标客户分类系统还可以做如下改进。
23、量子态加载模块具体用于：
24、根据银行定期存款客户的特征信息的维度，确定使用的量子比特数；
25、根据使用的量子比特数，并使用角度编码的方式，将银行定期存款客户的特征信息加载为量子态。
26、进一步，更新模块还具体用于：利用量子神经网络对量子态进行处理，对量子神经网络的第n个量子比特进行测量，并根据第n个量子比特的测量结果，得到所述银行定期存款客户的特征信息的预测结果。
27、进一步，更新模块还具体用于：根据损失函数更新量子神经网络的参数，并利用参数移动法则，更新量子神经网络的参数。
28、3)第三方面，本发明还提供一种计算机设备，计算机设备包括处理器，处理器与存储器耦合，存储器中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行，以使计算机设备实现上述任一项基于量子神经网络的银行定期存款目标客户分类方法。
29、4)第四方面，本发明还提供一种计算机可读存储介质，计算机可读存储介质中存储有至少一条计算机程序，至少一条计算机程序由处理器加载并执行，以使计算机实现上述任一项基于量子神经网络的银行定期存款目标客户分类方法。
30、需要说明的是，本发明的第二方面至第四方面的技术方案及对应的可能的实现方式所取得的有益效果，可以参见上述对第一方面及其对应的可能的实现方式的技术效果，此处不再赘述。
1.一种基于量子神经网络的银行定期存款目标客户分类方法，其特征在于，包括：
2.根据权利要求1所述的一种基于量子神经网络的银行定期存款目标客户分类方法，其特征在于，将所述银行定期存款客户的特征信息加载为量子态，包括：
3.根据权利要求1所述的一种基于量子神经网络的银行定期存款目标客户分类方法，其特征在于，利用量子神经网络对量子态进行处理，得到银行定期存款客户的特征信息的预测结果，包括：
4.根据权利要求1所述的一种基于量子神经网络的银行定期存款目标客户分类方法，其特征在于，根据损失函数更新所述量子神经网络的参数，包括：根据损失函数更新所述量子神经网络的参数，并利用参数移动法则，更新所述量子神经网络的参数。
5.一种基于量子神经网络的银行定期存款目标客户分类系统，其特征在于，包括数据预处理模块、量子态加载模块、更新模块和特征信息分类模块；
6.根据权利要求5所述的一种基于量子神经网络的银行定期存款目标客户分类系统，其特征在于，所述量子态加载模块具体用于：
7.根据权利要求5所述的一种基于量子神经网络的银行定期存款目标客户分类系统，其特征在于，所述更新模块还具体用于：利用量子神经网络对量子态进行处理，对量子神经网络的第n个量子比特进行测量，并根据第n个量子比特的测量结果，得到所述银行定期存款客户的特征信息的预测结果。
8.根据权利要求5所述的一种基于量子神经网络的银行定期存款目标客户分类系统，其特征在于，所述更新模块还具体用于：根据损失函数更新所述量子神经网络的参数，并利用参数移动法则，更新所述量子神经网络的参数。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器与存储器耦合，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以使所述计算机设备实现如权利要求1至4任一项权利要求所述的一种基于量子神经网络的银行定期存款目标客户分类方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以使计算机实现如权利要求1至4任一项权利要求所述的一种基于量子神经网络的银行定期存款目标客户分类方法。
