CN107918922B - 业务推荐方法及业务推荐装置 - Google Patents

Abstract

本发明提供了一种业务推荐方法及业务推荐装置。该业务推荐方法包括：获取历史业务订购特征信息；根据历史业务订购特征信息确定出推荐目标特征信息；根据所述推荐目标特征信息向所述推荐目标特征信息对应的推荐目标推荐所述业务。本发明所提供的业务推荐方法及业务推荐装置，实现了业务的精准推荐，提高了用户体验及业务推荐的精准度。

Description

业务推荐方法及业务推荐装置

技术领域

本发明涉及通信技术领域，特别涉及一种业务推荐方法及业务推荐装置。

背景技术

目前，现有技术中存在多种业务推荐方法，其中一种业务推荐方法是：通过建立用户兴趣模型，生成用户兴趣模型与电信业务的关联关系，从而得到推荐业务列表，对用户进行业务推荐。还有一种业务推荐方法是：根据用户与各联系人的疏密度因子以及各联系人的业务信息，为用户推荐业务，其中，疏密度因子用于表示用户与各个联系人的通信频繁程度。

但上述现有技术中的业务推荐方法存在如下缺点：

1、建立用户兴趣模型需要综合考虑多方面系统中的信息，而跨系统信息的融合，需要进行统一资源定位符(Uniform Resource Locator，简称：URL)解析、流处理等计算，使得用户兴趣模型的开发难度较大，周期长，且效率低，通过用户兴趣模型的推荐结果范围粒度较粗，影响了用户体验。

2、将用户与各联系人的疏密度因子作为业务推荐依据的方法，数据较为单一，降低了业务推荐的精确度。

发明内容

本发明提供一种业务推荐方法及业务推荐装置，用于实现提高用户体验及业务推荐精确度。

为实现上述目的，本发明提供了一种业务推荐方法，该业务推荐方法包括：

获取历史业务订购特征信息；

根据历史业务订购特征信息确定出推荐目标特征信息；

根据所述推荐目标特征信息向所述推荐目标特征信息对应的推荐目标推荐所述业务。

可选地，所述根据历史业务订购特征信息确定出推荐目标特征信息包括：

根据历史业务订购特征信息，通过第一预设模型计算出历史业务订购特征信息对应的特征权重值；

根据历史业务订购特征信息对应的特征权重值，通过第二预设模型预测出推荐目标特征信息对应的特征权重值；

根据业务推荐成功概率的预设阈值范围及推荐目标特征信息对应的特征权重值，通过第三预设模型预测出推荐目标特征信息。

可选地，所述第一预设模型包括逻辑回归模型、最大熵模型；

所述根据历史业务订购特征信息，通过第一预设模型计算出历史业务订购特征信息对应的特征权重值包括：

取设定数量组历史业务订购特征信息作为训练样本；

将设定数量组历史业务订购特征信息代入逻辑回归模型：

获得设定数量组历史业务订购特征信息的逻辑回归函数；其中，Z_m＝β_m0+β_m1X_m1+β_m2X_m2+…+β_mnX_mn，β_m0+β_m1+β_m2+…+β_mn＝1，X_mn表示第m组历史业务订购特征信息的第n个历史业务订购特征信息，β_mn表示与X_mn对应的特征权重值，m为设定数量，n为设定常量，d₁∈(0.5，1)；

根据逻辑回归函数，通过最大熵模型计算出各组历史业务订购特征信息中的各历史业务订购特征信息对应的特征权重值。

可选地，所述第二预设模型包括支持向量机模型；

所述根据历史业务订购特征信息对应的特征权重值，通过第二预设模型预测出推荐目标特征信息对应的特征权重值包括：

根据各组历史业务订购特征信息中的各历史业务订购特征信息对应的特征权重值，通过支持向量机模型预测出推荐目标特征信息对应的特征权重值。

可选地，所述第三预设模型包括逻辑回归模型；

所述根据业务推荐成功概率的预设阈值范围及推荐目标特征信息对应的特征权重值，通过第三预设模型预测出所述推荐目标特征信息包括：

将推荐目标特征信息对应的特征权重值代入逻辑回归模型：

并根据业务推荐成功概率的预设阈值范围，预测出所述推荐目标特征信息；其中，Z_i＝β₀+β₁X₁+β₂X₂+…+β_iX_i，β₀+β₁+β₂+…β_i＝1，X_i表示第i个推荐目标特征信息，β_i表示与X_i对应的特征权重值，i为设定常量，F(Z_i)表示业务推荐成功概率。

为实现上述目的，本发明提供了一种业务推荐装置，该业务推荐装置包括：

获取模块，用于获取历史业务订购特征信息；

确定模块，用于根据历史业务订购特征信息确定出推荐目标特征信息；

推荐模块，用于根据所述推荐目标特征信息向所述推荐目标特征信息对应的推荐目标推荐所述业务。

可选地，所述确定模块包括计算模块和预测模块；

所述计算模块用于根据历史业务订购特征信息，通过第一预设模型计算出历史业务订购特征信息对应的特征权重值；

所述预测模块用于根据历史业务订购特征信息对应的特征权重值，通过第二预设模型预测出推荐目标特征信息对应的特征权重值；根据业务推荐成功概率的预设阈值范围及推荐目标特征信息对应的特征权重值，通过第三预设模型预测出推荐目标特征信息。

可选地，所述第一预设模型包括逻辑回归模型、最大熵模型；

所述计算模块具体用于取设定数量组历史业务订购特征信息作为训练样本；将设定数量组历史业务订购特征信息代入逻辑回归模型：

获得设定数量组历史业务订购特征信息的逻辑回归函数；其中，Z_m＝β_m0+β_m1X_m1+β_m2X_m2+…+β_mnX_mn，β_m0+β_m1+β_m2+…+β_mn＝1，X_mn表示第m组历史业务订购特征信息的第n个历史业务订购特征信息，β_mn表示与X_mn对应的特征权重值，m为设定数量，n为设定常量，d₁∈(0.5，1)；根据逻辑回归函数，通过最大熵模型计算出各组历史业务订购特征信息中的各历史业务订购特征信息对应的特征权重值。

可选地，所述第二预设模型包括支持向量机模型，所述第三预设模型包括逻辑回归模型；

所述预测模块具体用于根据各组历史业务订购特征信息中的各历史业务订购特征信息对应的特征权重值，通过支持向量机模型预测出推荐目标特征信息对应的特征权重值；将推荐目标特征信息对应的特征权重值代入逻辑回归模型：

并根据业务推荐成功概率的预设阈值范围，预测出所述推荐目标特征信息；其中，Z_i＝β₀+β₁X₁+β₂X₂+…+β_iX_i，β₀+β₁+β₂+…+β_i＝1，X_i表示第i个推荐目标特征信息，β_i表示与X_i对应的特征权重值，i为设定常量，F(Z_i)表示业务推荐成功概率。

本发明的有益效果：

本发明提供的业务推荐方法及业务推荐装置的技术方案中，通过获取历史业务订购特征信息，根据历史业务订购特征信息确定出推荐目标特征信息，根据所述推荐目标特征信息向所述推荐目标特征信息对应的推荐目标推荐所述业务，从而实现了业务的精准推荐，提高了用户体验及业务推荐的精准度。

附图说明

图1为本发明实施例一提供的一种业务推荐方法的流程图；

图2为本发明实施例二提供的一种业务推荐方法的流程图；

图3为本发明实施例三提供的一种业务推荐装置的结构示意图。

具体实施方式

为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图对本发明提供的业务推荐方法及业务推荐装置进行详细描述。

图1为本发明实施例一提供的一种业务推荐方法的流程图，如图1所示，该业务推荐方法包括：

步骤101、获取历史业务订购特征信息。

步骤102、根据历史业务订购特征信息确定出推荐目标特征信息。

步骤103、根据所述推荐目标特征信息向所述推荐目标特征信息对应的推荐目标推荐所述业务。

本实施例所提供的业务推荐方法的技术方案中，通过获取历史业务订购特征信息，根据历史业务订购特征信息确定出推荐目标特征信息，根据所述推荐目标特征信息向所述推荐目标特征信息对应的推荐目标推荐所述业务，从而实现了业务的精准推荐，提高了用户体验及业务推荐的精准度。

图2为本发明实施例二提供的一种业务推荐方法的流程图，如图2所示，该业务推荐方法包括：

步骤201、获取历史业务订购特征信息。

其中，历史业务订购特征信息包括订购用户的最近一次消费时间与当前时间的时间差、消费频率、消费额度、订购用户的性别或者订购用户的年龄，还可以包括订购用户的其他特征信息，此处不再一一列举。

具体地，通过获取业务的订购信息，对业务的订购情况进行梳理，分析现有的增值业务的订购及退订情况，从中选取出订购业务的用户的特征信息，订购业务的用户的特征信息包括订购用户的最近一次消费时间与当前时间的时间差、消费频率、消费额度、订购用户的性别及订购用户的年龄等。其中，订购用户的特征信息中的每个特征信息作为一个历史业务订购特征信息，每个历史业务订购特征信息作为影响业务订购成功概率的变量。由于订购业务的用户可能为多个，因此，每个订购用户均可包括多个历史业务订购特征信息。其中，消费频率表示订购用户在设定时间段内消费的次数，消费额度表示订购用户在设定时间段内消费的额度，性别可以用0和1来表示，例如，0表示性别为男性，1表示性别为女性，年龄也可用自然数来表示，例如，10-15岁用1表示，15-20岁用2表示，以此类推，此处不再一一列举。

步骤202、根据历史业务订购特征信息，通过第一预设模型计算出历史业务订购特征信息对应的特征权重值。

本实施例中，第一预设模型包括逻辑回归模型、最大熵模型。具体地，步骤202包括：

步骤202a、取设定数量组历史业务订购特征信息作为训练样本。

步骤202b、将设定数量组历史业务订购特征信息代入逻辑回归模型：

获得设定数量组历史业务订购特征信息的逻辑回归函数；其中，Z_m＝β_m0+β_m1X_m1+β_m2X_m2+…+β_mnX_mn，β_m0+β_m1+β_m2+…+β_mn＝1，X_mn表示第m组历史业务订购特征信息的第n个历史业务订购特征信息，β_mn表示与X_mn对应的特征权重值，m为设定数量，n为设定常量，d₁∈(0.5，1)。

本实施例中，每组历史业务订购特征信息包括：订购用户的最近一次消费时间与当前时间的时间差、消费频率、消费额度、订购用户的性别及订购用户的年龄等，而由于每个订购业务的用户的一个特征信息作为一个历史业务订购特征信息，因此，每组历史业务订购特征信息可以包括多个历史业务订购特征信息。因此上述X_mn也可以理解为第m个订购业务的用户的第n个特征信息，例如，X₁₁可以理解为第1个订购业务的用户的第1个特征信息，即订购用户的最近一次消费时间与当前时间的时间差。

具体地，X_m1表示第m个订购用户的最近一次消费时间与当前时间的时间差，X_m2表示第m个订购用户的消费频率，X_m3表示第m个订购用户的消费额度，X_m4表示第m个订购用户的性别，X_m5表示第m个订购用户的年龄，以此类推，此处不再一一列举。

将m组历史业务订购特征信息中各历史业务订购特征信息代入逻辑回归模型后，将得到m个逻辑回归函数，每个逻辑回归函数对应于一组历史业务订购特征信息，因此，每组逻辑回归函数中，只有与X_mn对应的特征权重值β_mn是未知的。

步骤202c、根据逻辑回归函数，通过最大熵模型计算出各组历史业务订购特征信息中的各历史业务订购特征信息对应的特征权重值。

由于通过步骤202b已获得m个逻辑回归函数，但此时逻辑回归函数中与X_mn对应的特征权重值β_mn是未知的，因此，在步骤202c中需要对各组逻辑回归函数中的β_mn进行计算。本实施例中，通过最大熵模型对于逻辑回归函数中的β_mn进行计算。

至此，通过步骤202c已获得各组历史业务订购特征信息中的各历史业务订购特征信息对应的特征权重值，换言之，已获得m组特征权重值，每组特征权重值包括各历史业务订购特征信息对应的特征权重值。

步骤203、根据历史业务订购特征信息对应的特征权重值，通过第二预设模型预测出推荐目标特征信息对应的特征权重值。

本实施例中，第二预测模型包括支持向量机(Support Vector Machine，简称：SVM)模型。

具体地，步骤203包括：根据各组历史业务订购特征信息中的各历史业务订购特征信息对应的特征权重值，通过支持向量机模型预测出推荐目标特征信息对应的特征权重值。

例如，从m组特征权重值中选取m-3组特征权重值作为支持向量机模型的训练数据，构建基于多个核函数训练多个SVM模型，并选取其中最合适的SVM模型对m-3组特征权重值进行特征权重值参数寻优，将特征权重值参数寻优后进行训练，以预测出推荐目标特征信息对应的特征权重值。

步骤204、根据业务推荐成功概率的预设阈值范围及推荐目标特征信息对应的特征权重值，通过第三预设模型预测出推荐目标特征信息。

其中，推荐目标特征信息包括推荐目标的最近一次消费时间与当前时间的时间差、消费频率、消费额度、性别或者年龄等。

本实施例中，第三预设模型包括逻辑回归模型。

具体地，步骤204包括：将推荐目标特征信息对应的特征权重值代入逻辑回归模型：

并根据业务推荐成功概率的预设阈值范围，预测出所述推荐目标特征信息；其中，Z_i＝β₀+β₁X₁+β₂X₂+…+β_iX_i，β₀+β₁+β₂+…+β_i＝1，X_i表示第i个推荐目标特征信息，β_i表示与X_i对应的特征权重值，i为设定常量，F(Z_i)表示业务推荐成功概率。

具体地，业务推荐成功概率的预设阈值为业务推荐成功概率的预设值范围，即F(Z_i)的预设值范围，因此，将上述步骤203预测出的推荐目标特征信息对应的特征权重值β_i及业务推荐成功概率的预设阈值代入逻辑回归模型后，可以预测出推荐目标特征信息X_i，例如，业务推荐成功概率的预设阈值范围为[0.6，0.9]，表示业务推荐成功概率为60％至90％，即F(Z_i)取值为[0.6，0.9]，而推荐目标特征信息对应的特征权重值β_i是已知的，因此代入逻辑回归模型后，可以预测出X_i的范围，例如，推荐目标的最近一次消费时间与当前时间的时间差范围、消费频率范围、消费额度范围、性别范围或者年龄范围等。本实施例中，只要符合推荐目标的最近一次消费时间与当前时间的时间差范围、消费频率范围、消费额度范围、性别范围及年龄范围中的至少一种的用户即为推荐目标，换言之，用户的特征信息只要满足至少一个X_i的范围，该用户即可作为推荐目标。例如，若某用户的最近一次消费时间与当前时间的时间差符合本实施例中预测出的推荐目标的最近一次消费时间与当前时间的时间差范围，那么，该用户即可作为推荐目标，若某用户的最近一次消费时间与当前时间的时间差符合本实施例中预测出的推荐目标的最近一次消费时间与当前时间的时间差范围，消费频率符合推荐目标的消费频率范围，消费额度符合推荐目标的消费额度范围，性别符合推荐目标的性别范围，年龄符合推荐目标的年龄范围，那么同时满足这些X_i的范围的该用户也可以作为推荐目标，推荐目标即为推送业务信息的目标用户，从而可以对推荐目标推荐业务，提高用户体验。

步骤205、根据推荐目标特征信息向推荐目标特征信息对应的推荐目标推荐业务。

本实施例中，业务可以为电信的增值业务。

本实施例中，步骤201至步骤205可以循环执行，从而可以实现实时向推荐目标推荐业务。

本实施例中，通过短信、外呼、手机营业厅或者网上营业厅等线上渠道对推荐目标进行业务推荐。

本实施例所提供的业务推荐方法的技术方案中，通过获取历史业务订购特征信息，根据历史业务订购特征信息确定出推荐目标特征信息，根据所述推荐目标特征信息向所述推荐目标特征信息对应的推荐目标推荐所述业务，从而实现了业务的精准推荐，提高了用户体验及业务推荐的精准度。本实施例所提供的业务推荐方法，还可以灵活地按照业务需求实现任意范围的推荐目标进行业务推荐，从而可以避免大范围的推送业务容易引起的投诉。

图3为本发明实施例三提供的一种业务推荐装置的结构示意图，如图3所示，该业务推荐装置包括获取模块301、确定模块302及推荐模块303。其中，获取模块301用于获取历史业务订购特征信息；确定模块302用于根据历史业务订购特征信息确定出推荐目标特征信息；推荐模块303用于根据推荐目标特征信息向推荐目标特征信息对应的推荐目标推荐业务。

本实施例中，确定模块302包括计算模块3021和预测模块3022；计算模块3021用于根据历史业务订购特征信息，通过第一预设模型计算出历史业务订购特征信息对应的特征权重值；预测模块3022用于根据历史业务订购特征信息对应的特征权重值，通过第二预设模型预测出推荐目标特征信息对应的特征权重值；根据业务推荐成功概率的预设阈值范围及推荐目标特征信息对应的特征权重值，通过第三预设模型预测出推荐目标特征信息。

本实施例中，第一预设模型包括逻辑回归模型、最大熵模型。

具体地，计算模块3021具体用于取设定数量组历史业务订购特征信息作为训练样本；将设定数量组历史业务订购特征信息代入逻辑回归模型：

获得设定数量组历史业务订购特征信息的逻辑回归函数；其中，Z_m＝β_m0+β_m1X_m1+β_m2X_m2+…+β_mnX_mn，β_m0+β_m1+β_m2+…+β_mn＝1，X_mn表示第m组历史业务订购特征信息的第n个历史业务订购特征信息，β_mn表示与X_mn对应的特征权重值，m为设定数量，n为设定常量，d₁∈(0.5，1)；根据逻辑回归函数，通过最大熵模型计算出各组历史业务订购特征信息中的各历史业务订购特征信息对应的特征权重值。

本实施例中，第二预设模型包括支持向量机模型，第三预设模型包括逻辑回归模型。

具体地，预测模块3022具体用于根据各组历史业务订购特征信息中的各历史业务订购特征信息对应的特征权重值，通过支持向量机模型预测出推荐目标特征信息对应的特征权重值；将推荐目标特征信息对应的特征权重值代入逻辑回归模型：

并根据业务推荐成功概率的预设阈值范围，预测出推荐目标特征信息；其中，Z_i＝β₀+β₁X₁+β₂X₂+…β_iX_i，β₀+β₁+β₂+…+β_i＝1，X_i表示第i个推荐目标特征信息，β_i表示与X_i对应的特征权重值，i为设定常量，F(Z_i)表示业务推荐成功概率。

本实施例所提供的业务推荐装置，用于实现上述实施例二提供业务推荐方法，具体描述可参见上述实施例二，此处不再具体赘述。

本实施例所提供的业务推荐装置的技术方案中，通过获取历史业务订购特征信息，根据历史业务订购特征信息确定出推荐目标特征信息，根据所述推荐目标特征信息向所述推荐目标特征信息对应的推荐目标推荐所述业务，从而实现了业务的精准推荐，提高了用户体验及业务推荐的精准度。本实施例所提供的业务推荐方法，还可以灵活地按照业务需求实现任意范围的推荐目标进行业务推荐，从而可以避免大范围的推送业务容易引起的投诉。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (7)

1.一种业务推荐方法，其特征在于，包括：

获取历史业务订购特征信息；历史业务订购特征信息包括业务的订购用户的最近一次消费时间与当前时间的时间差、消费频率、消费额度、性别或者年龄；

根据历史业务订购特征信息确定出推荐目标特征信息；推荐目标特征信息包括推送目标的最近一次消费时间与当前时间的时间差、消费频率、消费额度、性别或者年龄，推送目标为推送业务的目标用户；

根据所述推荐目标特征信息，向满足所述推荐目标特征信息的推荐目标推荐所述业务；

所述根据历史业务订购特征信息确定出推荐目标特征信息包括：

根据历史业务订购特征信息，通过第一预设模型计算出历史业务订购特征信息对应的特征权重值；

根据历史业务订购特征信息对应的特征权重值，通过第二预设模型预测出推荐目标特征信息对应的特征权重值；

根据业务推荐成功概率的预设阈值范围及推荐目标特征信息对应的特征权重值，通过第三预设模型预测出推荐目标特征信息。

2.根据权利要求1所述的业务推荐方法，其特征在于，所述第一预设模型包括逻辑回归模型、最大熵模型；

所述根据历史业务订购特征信息，通过第一预设模型计算出历史业务订购特征信息对应的特征权重值包括：

取设定数量组历史业务订购特征信息作为训练样本；

将设定数量组历史业务订购特征信息代入逻辑回归模型：

获得设定数量组历史业务订购特征信息的逻辑回归函数；其中，Z_m＝β_m0+β_m1X_m1+β_m2X_m2+…+β_mnX_mn，β_m0+β_m1+β_m2+…+β_mn＝1，X_mn表示第m组历史业务订购特征信息的第n个历史业务订购特征信息，β_mn表示与X_mn对应的特征权重值，m为设定数量，n为设定常量，d₁∈(0.5，1)；

根据逻辑回归函数，通过最大熵模型计算出各组历史业务订购特征信息中的各历史业务订购特征信息对应的特征权重值。

3.根据权利要求2所述的业务推荐方法，其特征在于，所述第二预设模型包括支持向量机模型；

所述根据历史业务订购特征信息对应的特征权重值，通过第二预设模型预测出推荐目标特征信息对应的特征权重值包括：

根据各组历史业务订购特征信息中的各历史业务订购特征信息对应的特征权重值，通过支持向量机模型预测出推荐目标特征信息对应的特征权重值。

4.根据权利要求1所述的业务推荐方法，其特征在于，所述第三预设模型包括逻辑回归模型；

所述根据业务推荐成功概率的预设阈值范围及推荐目标特征信息对应的特征权重值，通过第三预设模型预测出所述推荐目标特征信息包括：

将推荐目标特征信息对应的特征权重值代入逻辑回归模型：

并根据业务推荐成功概率的预设阈值范围，预测出所述推荐目标特征信息；其中，Z_i＝β₀+β₁X₁+β₂X₂+…+β_iX_i，β₀+β₁+β₂+…β_i＝1，X_i表示第i个推荐目标特征信息，β_i表示与X_i对应的特征权重值，i为设定常量，F(Z_i)表示业务推荐成功概率。

5.一种业务推荐装置，其特征在于，包括：

获取模块，用于获取历史业务订购特征信息；历史业务订购特征信息包括业务的订购用户的最近一次消费时间与当前时间的时间差、消费频率、消费额度、性别或者年龄；

确定模块，用于根据历史业务订购特征信息确定出推荐目标特征信息；推荐目标特征信息包括推送目标的最近一次消费时间与当前时间的时间差、消费频率、消费额度、性别或者年龄，推送目标为推送业务的目标用户；

推荐模块，用于根据所述推荐目标特征信息，向满足所述推荐目标特征信息的推荐目标推荐所述业务；

所述确定模块包括计算模块和预测模块；

所述计算模块用于根据历史业务订购特征信息，通过第一预设模型计算出历史业务订购特征信息对应的特征权重值；

所述预测模块用于根据历史业务订购特征信息对应的特征权重值，通过第二预设模型预测出推荐目标特征信息对应的特征权重值；根据业务推荐成功概率的预设阈值范围及推荐目标特征信息对应的特征权重值，通过第三预设模型预测出推荐目标特征信息。

6.根据权利要求5所述的业务推荐装置，其特征在于，所述第一预设模型包括逻辑回归模型、最大熵模型；

所述计算模块具体用于取设定数量组历史业务订购特征信息作为训练样本；将设定数量组历史业务订购特征信息代入逻辑回归模型：

获得设定数量组历史业务订购特征信息的逻辑回归函数；其中，Z_m＝β_m0+β_m1X_m1+β_m2X_m2+…+β_mnX_mn，β_m0+β_m1+β_m2+…+β_mn＝1，X_mn表示第m组历史业务订购特征信息的第n个历史业务订购特征信息，β_mn表示与X_mn对应的特征权重值，m为设定数量，n为设定常量，d₁∈(0.5，1)；根据逻辑回归函数，通过最大熵模型计算出各组历史业务订购特征信息中的各历史业务订购特征信息对应的特征权重值。

7.根据权利要求6所述的业务推荐装置，其特征在于，所述第二预设模型包括支持向量机模型，所述第三预设模型包括逻辑回归模型；

所述预测模块具体用于根据各组历史业务订购特征信息中的各历史业务订购特征信息对应的特征权重值，通过支持向量机模型预测出推荐目标特征信息对应的特征权重值；将推荐目标特征信息对应的特征权重值代入逻辑回归模型：

并根据业务推荐成功概率的预设阈值范围，预测出所述推荐目标特征信息；其中，Z_i＝β₀+β₁X₁+β₂X₂+…+β_iX_i，β₀+β₁+β₂+…+β_i＝1，X_i表示第i个推荐目标特征信息，β_i表示与X_i对应的特征权重值，i为设定常量，F(Z_i)表示业务推荐成功概率。

Images