CN108710634B - 一种协议文件的推送方法及终端设备 - Google Patents

Abstract

本发明适用于数据推送技术领域，提供了一种协议文件的推送方法及终端设备，包括：获取目标用户的用户信息；将用户信息导入候选协议推荐模型，从协议文件库中选取与目标用户匹配的候选协议；基于各个候选协议在多个预设维度的评分值，分别计算各个候选协议的推荐系数；基于推荐系数，从候选协议中选取目标协议；将目标协议发送给目标用户的用户终端。本发明中，目标协议的选取不再依赖销售人员的经验，而是通过终端设备自动生成，并且选取的协议池是包含所有协议文件的协议文件库，不会出现遗漏选取的情况，提高了选取的准确率以及选取速度。

Description

一种协议文件的推送方法及终端设备

技术领域

本发明属于数据推送技术领域，尤其涉及一种协议文件的推送方法及终端设备。

背景技术

协议文件，例如出行保险协议、汽车保险协议、健康保险协议等，由于种类繁多，条款各异，用户常常需要销售人员进行推荐后才能选择到合适自己的目标协议。然而现有的协议文件的推荐方法，一般是根据销售人员的经验进行筛选，随着协议文件数量的不断增多以及种类的不断递增，销售人员的筛选效率以及准确度也逐步降低，特别对于经验不足的销售人员，无法为用户推荐合适的协议文件。可见，现有的协议文件的推送方法，推送效率以及准确率较低。

发明内容

有鉴于此，本发明实施例提供了一种协议文件的推荐方法及终端设备，以解决现有的协议文件的推送方法，推送效率以及准确率较低的问题。

本发明实施例的第一方面提供了一种协议文件的推送方法，包括：

获取目标用户的用户信息；

将所述用户信息导入候选协议推荐模型，从协议文件库中选取与所述目标用户匹配的候选协议；

基于各个所述候选协议在多个预设维度的评分值，分别计算各个候选协议的推荐系数；

基于所述推荐系数，从候选协议中选取目标协议；

将所述目标协议发送给所述目标用户的用户终端。

本发明实施例的第二方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取目标用户的用户信息；

将所述用户信息导入候选协议推荐模型，从协议文件库中选取与所述目标用户匹配的候选协议；

基于各个所述候选协议在多个预设维度的评分值，分别计算各个候选协议的推荐系数；

基于所述推荐系数，从候选协议中选取目标协议；

将所述目标协议发送给所述目标用户的用户终端。

本发明实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取目标用户的用户信息；

将所述用户信息导入候选协议推荐模型，从协议文件库中选取与所述目标用户匹配的候选协议；

基于各个所述候选协议在多个预设维度的评分值，分别计算各个候选协议的推荐系数；

基于所述推荐系数，从候选协议中选取目标协议；

将所述目标协议发送给所述目标用户的用户终端。

实施本发明实施例提供的一种协议文件的推送方法及终端设备具有以下有益效果：

本发明实施例通过获取目标用户的用户信息，并基于该用户信息导入到候选协议推荐模型，得到与该目标用户匹配的候选协议，并基于各个候选协议在多个预设维度的评分值，计算各个候选协议的推荐系数，从而对候选协议进行进一步筛选，得到符合用户需求的目标协议，并推送给用户终端。与现有的协议文件推送方法相比，目标协议的选取不再依赖销售人员的经验，而是通过终端设备自动生成，并且选取的协议池是包含所有协议文件的协议文件库，不会出现遗漏选取的情况，提高了选取的准确率以及选取速度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明第一实施例提供的一种协议文件的推送方法的实现流程图；

图2是本发明第二实施例提供的一种协议文件的推送方法具体实现流程图；

图3是本发明第三实施例提供的一种协议文件的推送方法S105具体实现流程图；

图4是本发明一实施例提供的一种推送记录时间轴的示意图；

图5是本发明第四实施例提供的一种协议文件的推送方法S103具体实现流程图；

图6是本发明第四实施例提供的一种协议文件的推送方法S101具体实现流程图；

图7是本发明一实施例提供的一种终端设备的结构框图；

图8是本发明另一实施例提供的一种终端设备的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例通过获取目标用户的用户信息，并基于该用户信息导入到候选协议推荐模型，得到与该目标用户匹配的候选协议，并基于各个候选协议在多个预设维度的评分值，计算各个候选协议的推荐系数，从而对候选协议进行进一步筛选，得到符合用户需求的目标协议，并推送给用户终端，解决了现有的协议文件的推送方法，推送效率以及准确率较低的问题。

在本发明实施例中，流程的执行主体为终端设备。该终端设备包括但不限于：智能手机、笔记本电脑、计算机、平板电脑等移动终端。特别地，该终端设备可以为一坐席终端，坐席终端将选取得到的协议文件推送给各个目标用户的用户终端。图1示出了本发明第一实施例提供的协议文件的推送方法的实现流程图，详述如下：

在S101中，获取目标用户的用户信息。

在本实施例中，目标用户通过终端设备从用户数据库中进行选取，也可以为终端设备的管理员指定部分用户为目标用户。若目标用户为终端设备自行选取，在该情况下，终端设备记录了目标用户的选取规则，然后基于该选取规则查询用户数据库中各个用户的用户信息，选取与该选取规则相匹配的用户作为目标用户。举例性地，该选取规则可以为居住地为A地区的用户，则终端设备查询用户数据库中各个用户居住地项目的信息，提取该信息中属于A地区的用户作为目标用户。其他选取规则同样可以通过上述方式进行确定，在此不再一一赘述。

在本实施例中，管理员可以基于终端设备显示的用户列表，从用户列表中勾选部分用户作为目标用户，终端设备提取包含勾选标识的列表单元的用户作为目标用户。

在本实施例中，存储用户信息的数据库可以为移动终端的存储器，也可以为一外设数据库服务器。若用户数据库存储于本地，则终端设备直接根据目标用户的用户标识从存储器中提取该目标用户的用户信息即可；若该用户数据库存储于一外设数据库服务器，则终端设备可以根据该目标用户的目标标识生成一个用户信息的获取指令，向该用户数据库服务器发送一个获取指令，并接收该服务器返回的用户信息。

在本实施例中，用户信息包括但不限于以下至少一种：年龄、住址、职业、工作单位、收入情况、支出情况、健康情况、婚姻状况以及财务状况等信息，终端设备可以基于上述用户信息确定与该用户相关的协议文件。

在S102中，将所述用户信息导入候选协议推荐模型，从协议文件库中选取与所述目标用户匹配的候选协议。

在本实施例中，终端设备在获取了用户信息后，将用户信息导入到候选协议推荐模型，即可从协议文件库中确定得到与该用户信息相匹配的协议文件作为候选协议。可选地，该候选协议模型可以为一匹配度计算函数，终端设备将根据所述候选协议模型计算该用户信息与协议文件库中各个协议文件的匹配度，并选取匹配度大于预设的匹配阈值的协议文件作为该目标用户的候选协议。

在本实施例中，与用户数据库类似，协议文件库同样也可以存储于终端设备本地，也可以存储一外设服务器中，其中基于上述两种方式，终端设备获取候选协议的方式与用户信息的方式相同，在此不再一一赘述。

在S103中，基于各个所述候选协议在多个预设维度的评分值，分别计算各个候选协议的推荐系数。

在本实施例中，每个协议文件基于协议文件的协议类型、协议内容、销售价格以及回报率，在不同的预设维度有相应的评分值。该评分值是通过协议文件的上述多项信息计算得到的。其中，该预设维度包括但不限于：购买数量、历史用户评分值、消费匹配度以及回报率。由此可见，预设维度的评分值并非固定不变的，而是可以在协议文件在出售的过程中，基于实际用户的反馈以及对应的销售情况会相对浮动。并且，部分维度的评分值会根据目标用户的不同呈现不同的分数，例如消费匹配度，即会基于目标用户的收入信息、支出信息以及协议文件的销售金额计算得到。需要说明的是，每一个协议文件的评分值可以存储于协议文件数据库中，终端设备基于协议文件的文件标识即可查询得到该协议文件在各个维度的评分值；当然，终端设备还可以获取协议文件在各个维度的评分参考数据，在确定一协议文件为候选协议时则根据评分参数数据计算该候选协议在各个维度的评分值。

在本实施例中，由于候选协议是基于与用户信息的是否匹配而确定的，但候选协议例如性格比、购买量等因素在选取候选协议时并非考虑，因此候选协议的数量较多。若将所有候选协议均推送给目标用户，则会增加用户选择协议的难度，无法实现精准推送的目的。因此，本实施例在S103中，基于各个候选协议在各个维度的评分值，计算每一个候选协议的推荐系数，并基于推荐系数确定需要对目标用户进行推送的目标协议。

在本实施例中，终端设备可以将各个维度的评分值进行相加，将相加后得到的结果作为该候选协议的推荐系数。

在S104中，基于所述推荐系数，从候选协议中选取目标协议。

在本实施例中，终端设备在计算了各个候选协议的推荐系数后，基于推荐系数从大到小的次序对候选协议进行排序，并从中选取预设数量的候选协议作为目标协议。换而言之，终端设备可以选取推荐系数最大的一个作为目标协议，可以选取推荐系数最大的N个候选协议作为目标协议。其中，N为正整数。

在S105中，将所述目标协议发送给所述目标用户的用户终端。

在本实施例中，终端设备在确定了目标协议后，获取目标用户的用户终端的通信地址，并向该用户终端发起连接请求，当通信连接建立后，终端设备会将目标协议通过该通信连接推送该用户终端。可选地，终端设备可以检测用户终端当前的网络状态，若当前的网络状态满足预设的协议推送状态，则向该用户终端发送目标协议。

在本实施例中，终端设备可以将目标协议的发送进程设置为待发送状态，当检测到用户终端通过客户端与该终端设备进行连接时，则将该发送进程设置为激活状态，并向该用户终端发送目标协议。

特别地，本实施例可以应用于车辆保险协议的推送场景。在该情况下，目标用户的用户信息包括：车辆型号、购车时间、地址信息等相关信息。终端设备具体为人工坐席的终端设备。人工坐席在终端设备上选择目标用户，终端设备会获取该目标用户的车辆型号、购车时间等相关信息，从车险协议库中选取与该车辆型号匹配以及与车辆使用年限相符的车险协议，即候选协议。然后终端设备会获取各个候选的车险协议在销售量、回报率、性价比等多个维度的评分值，计算各个候选车险的推荐系数，并选取推荐系数最高的一个候选车险作为推荐给目标用户的目标车险。人工坐席可以通过电话、短信、邮件、链接等方式将该目标车险发送给目标用户的用户终端，完成车险协议的推送的目的。优选地，终端设别在推送目标协议给用户终端前，还可以基于该目标用户的其他用户信息，如收入情况以及支出情况，将车险协议中需要用户自定义部分自动填写，从而减少了用户的填写操作。

以上可以看出，本发明实施例提供的一种协议文件的推送方法通过获取目标用户的用户信息，并基于该用户信息导入到候选协议推荐模型，得到与该目标用户匹配的候选协议，并基于各个候选协议在多个预设维度的评分值，计算各个候选协议的推荐系数，从而对候选协议进行进一步筛选，得到符合用户需求的目标协议，并推送给用户终端。与现有的协议文件推送方法相比，目标协议的选取不再依赖销售人员的经验，而是通过终端设备自动生成，并且选取的协议池是包含所有协议文件的协议文件库，不会出现遗漏选取的情况，提高了选取的准确率以及选取速度。

图2示出了本发明第二实施例提供的一种协议文件的推送方法的具体实现流程图。参见图2所示，相对于图1所述实施例，本实施例提供的一种协议文件的推送方法中还包括S201～S203，具体详述如下：

进一步地，作为本发明另一实施例，在将所述用户信息导入候选协议推荐模型，从协议文件库中选取与所述目标用户匹配的候选协议之前，还包括：

在S201中，获取训练用户的用户信息和历史购买协议的标识。

在本实施例中，候选协议推荐模型具体为一长短期记忆LSTM神经网络，为了提高该LSTM神经网络输出候选协议的正确率，需要输入训练数据对该神经网络进行学习训练。因此，在S201中，终端设备会获取训练用户的用户信息以及历史购买协议的协议标识。其中，训练用户的个数为多个，优选地，该训练用户的个数应大于1000个，从而提高该LSTM神经网络的识别准确性。

在本实施例中，用户数据库中不仅记录了各个用户的用户信息，还记录了该用户曾经购买过的协议文件，而用户购买该协议文件则表明该协议文件适合该用户的使用需求，即终端设备需要推荐与用户曾经购买的协议文件相同或相近的协议文件，因此可将协议文件库中满足历史购买协议的协议特征的协议文件，识别为该用户的候选协议。即把训练用户的用户信息作为LSTM神经网络的输入参考值，把训练用户的历史购买协议作为LSTM神经网络的输出参考值，通过上述两个参数对LSTM神经网络进行训练。

优选地，在本实施例中，如上所述，用户数据库中记载了所有用户的协议文件的购买记录，因此训练用户可以为用户数据库中包含的所有用户，从而无需管理员一一模拟生成多个训练用户，减少了训练过程的操作量，而且用户数据库中各个购买记录均是已经实际产生的，准确度较高。

需要说明的是，各个训练用户的用户信息的格式是相同的，即用户信息中包含的用户参数项的项数是相同的。若任一训练用户在用户信息采集的过程中部分用户参数项并未采集得到，则该用户信息为空，从而保证了在对LSTM神经网络进行训练时，将用户信息作为输入信号时，各个通道的参数含义是相同的，提高了LSTM神经网络的准确性。

在S202中，基于所述用户信息以及所述历史购买协议的标识，调整长短期记忆LSTM神经网络中的学习参数，以使所述学习参数满足以下条件：

其中，θ^*为调整后的所述学习参数；S为所述历史购买协议的标识；I为所述用户信息；I₁,I₂,I₃,…,I_n为所述用户信息包含的各项用户参数的参数值；n为所述用户参数的个数；p(S|I₁,I₂,I₃,…,I_n；θ)为当所述学习参数的值为θ时，将所述训练用户的用户信息导入到所述LSTM神经网络，输出结果为该训练用户的历史购买协议的标识的概率值；max_θ∑_(I,S)logp(S|I₁,I₂,I₃,…,I_n；θ)为所述概率值取最大值时所述学习参数的取值。

在本实施例中，LSTM神经网络有N个输入通道，每个输入通道对应于用户信息中包含的各项用户参数，例如用户信息中包含：年龄、性别、年收入、平均月支出、车辆类型、购车日期6个用户参数，则LSTM神经网络中则会设置有6个输入通道，依据各个用户参数在用户信息中的编号，为每个用户参数固定与之对应的输入通道，从而保证每个输入通道输入的用户参数是相同的。该LSTM神经网络的输出通道为一个，用于输出与用户信息相匹配的协议文件的标识。需要说明的是，若用户购买了多个协议文件，则输出的协议文件的标识数量可以为多个，因此LSTM神经网络的输出通道的个数为1个，但输出的协议文件的标识的数量可以为多个。

优选地，LSTM神经网络包含M个输出通道，M的值与协议文件库中协议文件的个数相同。用户信息通过该LSTM神经网络后，会输出以“1”和“0”字符构成的序列，其中，该序列中各个元素对应于协议文件库中的一个协议文件的标识，即元素的位数与协议文件的编号是相互关联的，因此，终端设备能够确定协议文件库中哪些协议文件为目标用户的候选协议。

在本实施例中，LSTM神经网络中包含多个神经层，每个神经层设置有相应的学习参数，通过调整学习参数的参数值能够适应不同输入类型以及输出类型。当学习参数设置为某一参数值时，将多个训练用户的用户信息输入到该LSTM神经网络，将对应输出一系列的协议文件的标识，终端设备会将协议文件的标识与已购买协议的标识进行比对，确定本次输出是否正确，并且基于多个训练协议的输出结果，得到该学习参数取该参数值时输出结果正确的概率值。终端设备会调整该学习参数，以使该概率值取最大值，则表示该LSTM神经网络已经调整完毕。

在S203中，基于调整学习参数后的所述LSTM神经网络，生成所述候选协议推荐模型。

在本实施例中，终端设备将调整了学习参数后的LSTM神经网络作为候选推荐模型，提高了候选协议推荐模型识别的准确率。

在本发明实施例中，通过训练用户对LSTM神经网络进行训练，选取输出结果正确的概率值最大时对应的学习参数作为LSTM神经网络中学习参数的参数值，从而提高了候选协议识别的准确性，实现精准推送的目的。

图3示出了本发明第三实施例提供的一种协议文件的推送方法S105的具体实现流程图。参见图3所示，相对于图1所述实施例，本实施例提供的一种协议文件的推送方法中S105包括S1051以及S1052，具体详述如下：

在S1051中，以预设的推送周期向所述用户终端发送所述目标协议，并生成推送记录时间轴；所述推送记录时间轴包含在各个推送时刻所创建的推送记录节点。

在本实施例中，终端设备会以预设的推送周期向目标用户的用户终端发送目标协议，以提醒用户认购协议文件。例如，某一用户的保险协议将要到期，需要提醒用户续保，因此终端设备会以预设的推送周期，向该用户推送目标协议，不仅能够为用户提供合适的保险协议，还能够达到提醒续保的目的。

在本实施例中，终端设备在推送保险协议的过程中，会生成一推送记录时间轴，来记录对目标用户推送目标协议的推送情况。其中，终端设备每向目标用户的用户终端推送一次目标协议，将根据推送时刻在该推送记录时间轴上创建一个推送记录节点，即推送记录节点在推送时间轴上的位置，即为推送时刻在推送时间轴上对应的位置。

优选地，该推送记录节点中包含该目标协议的协议标识和/或协议内容。终端设备可通过点击该推送记录节点，获取上述协议信息，方便管理员快速获取推送情况。

在S1052中，若接收到所述用户终端根据所述目标协议返回的协议调整信息，则把所述协议调整信息导入至所述推送记录节点内；所述协议调整信息用于调整所述目标协议的参数。

在本实施例中，用户若接收到终端设备发送的目标协议后，对该目标协议中部分自定义选项进行变更，则可向终端设备返回一个协议调整信息，该协议铁证信息中包含了需要对目标协议进行调整的内容。终端设备在接收到协议调整信息后，会将该协议调整信息导入到推送节点内，以便管理员确定该用户的修改意见。

可选地，在本实施例中，终端设备在接收到用户的协议调整信息后，会对目标协议进行调整，并将调整后的目标协议返回给用户终端以便目标用户对该目标协议进行确认。若接收到基于该调整后的目标协议的确认指令，则关联该目标协议以及该调整后的目标协议，识别该调整后的目标协议为目标用户的待购买协议。

可选地，若每个推送周期推送的目标协议的标识相同，且每一次用户均反馈协议调整信息，则终端设备可以基于用户每一次返回的调整信息，将当前的协议调整信息与上一周期的协议调整信息进行比对，确定调整变更内容，并将调整变更内容存储于推送记录节点，从而方便管理员确定目标用户的购买倾向的变更情况。

举例性地，图4为本发明提供的一种推送记录时间轴的示意图。如图4所示，每个推送记录节点在该时间轴所标记的位置为该次推送操作的推送时刻，并且通过提示框的形式，记录该次推送的目标协议以及用户返回的协议调整信息。当然，该提示框可以在管理在鼠标靠近该节点时才弹出，也可以一直保持弹出状态，优选地，管理员可以通过点击、勾选等方式选取需要弹出的提示框，从而能够比对关注的推送时刻的推送记录情况。

在本发明实施例中，通过推送记录时间轴存储每一次推送的推送情况，从而方便管理员快速确定每一次推送的内容以及用户的反馈意见，提高了管理员的信息获取的效率，特别对于协议销售领域的销售人员，能够快速掌握用户的购买倾向，提高了销售的效率。

图5示出了本发明第四实施例提供的一种协议文件的推送方法S103的具体实现流程图。参见图5所示，相对于图1所述实施例，本实施例提供的一种协议文件的推送方法中所述S103包括：S1031～S1035，具体详述如下：

进一步地，作为本发明另一实施例，所述预设维度包括：购买数量、历史用户评分值、消费匹配度以及回报率；所述基于各个所述候选协议在多个预设维度的评分值，分别计算各个候选协议的推荐系数，包括：

在S1031中，获取所述目标用户的平均收入金额。

在本实施例中，终端设备会获取目标用户的平均收入金额，通过该平均收入金额确定该用户的购买水平。由于不同的协议文件，购买的金额各不相同。终端设备可通过该用户的平均收入金额，确定购买各个候选协议的购买情况，从而得到在消费匹配度的评分值。

在本实施例中，终端设备可以基于该用户的身份信息，查询该用户拥有的银行账户列表，并获取在一年时间内，流进该银行账户的资金情况，从而确定该目标用户的平均收入金额。当然，该平均收入金额可以为月收入金额，则获取的时间长度可以为一年，通过年收入估算该用户的平均月收入；若该平均收入金额为周收入金额，则获取的时间长度可以为3个月，通过三个月的总收入情况估算该目标用户的平均周收入。

在S1032中，根据所述平均收入金额以及各个所述候选协议的购买金额，分别计算所述目标用户与各个所述候选协议的消费匹配度。

在本实施例中，终端设备会根据该目标用户的平均收入金额与各个候选协议的购买金额，确定该目标用户的消费匹配度。具体地，终端设备记载有以消费匹配度与资金差额的对应关系表，终端设备计算用户的平均收入金额与购买金额的差值，查询该差值所对应的消费匹配度，从而确定了该目标用户与候选协议之间的消费匹配度。

当然，终端设备还可以设置一消费匹配度计算函数，将平均收入金额与购买金额导入到该匹配度计算函数中，计算目标用户与该候选协议之间的消费匹配度；具体地，该匹配度计算函数可以为：

其中，Mth为消费匹配度；M_income为平均收入金额；M_price为购买金额；M_stand以及ε为预设系数。

在S1033中，根据各个所述候选协议的回报金额以及所述购买金额，分别计算各个所述候选协议的回报率；所述回报金额具体为满足所述候选协议的预设条件时目标用户可获取的金额。

在本实施例中，终端设备会获取该候选协议的回报金额，即满足协议中预设的条件则返还用户的资金金额，以及该候选协议的购买金额，确定该候选协议的回报率。具体地，该回报率可以为回报金额与购买金额之间的比值。

在S1034中，对所述候选协议的购买数量以及历史用户评分值进行归一化处理。

在本实施例中，由于消费匹配度以及回报率均是一比值，即上述两个参数均不存在对应的量纲。因此为了能够进行计算，需要将候选协议的购买数据量以及历史用户评分值均进行归一化处理，从而保证上述四个参数均是无量纲的参数值。

具体地，计算候选协议归一化的购买数量的过程具体为：获取各个候选协议的购买数量，并计算所有候选协议累计的总购买数量，分别计算各个候选协议的购买数量与该总购买数量之间的比值，将该比值作为归一化后的购买数量。例如，终端设备匹配得到4个候选协议，候选协议A的购买数量为100，候选协议B的购买数量为50，候选协议C的购买数量为50，候选协议D的购买数量为200，因此，上述4个候选协议的总购买数量为400，从而对上述四个候选协议的购买数量进行归一化处理的结果为：候选协议A(0.25)，候选协议B(0.125)，候选协议C(0.125)；候选协议D(0.5)。

具体地，计算历史用户评分值的过程具体为：获取各个用户对该候选协议的评分值，根据各个用户的评分值以及用户总数，确定该候选协议的平均评分值，并计算该平均评分值与评分值满分的分值之间的比值，得到归一化后的历史用户评分值。例如，某一候选协议的平均评分值为4.3分，而满分的分值为5分，则该候选协议归一化后的历史评分值为0.86。

在S1035中，将各个所述候选协议归一化后的购买数量、归一化后的历史用户评分值、消费匹配度以及回报率导入推荐系数计算模型，得到各个所述候选协议的推荐系数；所述推荐系数计算模型具体为：

其中，Q为所述推荐系数；SL′为所述归一化后的购买数量；Pnt′为所述归一化后的历史用户评分值；Mth为所述消费匹配度；PB为所述回报率；β为预设的补偿系数。

在本实施例中，终端设备在计算了候选协议的四个评分值之后，将上述参数导入到推荐系数计算模型中，确定该候选协议的推荐系数。由于购买数量越大，则表示该候选协议越受用户欢迎，因此推荐系数与购买数量成正相关。同样地，历史评分值、消费匹配度以及回报率的数值越高，则越适合该用户购买，因此也与推荐系数成正相关。需要说明的是，min(SL′,Pnt′,Mth,PB)具体为取四个参数中参数值最小值。

在本发明实施例中，通过四个维度计算各个候选协议的推荐系数，从而提高了推荐系数的准确率，实现为目标用户精准推送目标协议的目的。

图6示出了本发明第五实施例提供的一种协议文件的推送方法S101的具体实现流程图。参见图6所示，相对于图1-图4所述实施例，本实施例提供的一种协议文件的推送方法所述获取目标用户的用户信息，包括：S1011～S1013，具体详述如下：

在S1011中，获取用户数据库中各个用户的已购买协议的有效日期。

在本实施例中，终端设备会获取用户数据库中每个用户已购买协议的有效日期，通过有效日期确定各个用户的已购买协议是否失效或准备失效，从而能够及时提醒用户重新购买协议。

在S1012中，根据所述有效日期以及当前日期，分别计算各个所述已购买协议的剩余有效时长。

在本实施例中，终端设备为了确定各个用户的已购买协议的剩余有效时长，除了获取有效日期外，还会获取当前日期，并计算当前日期与有效日期之间的差值，作为该已购买协议的剩余有效时长。

在S1013中，选取所述剩余有效时长小于预设的时长阈值的已购买协议对应的用户作为所述目标用户。

在本实施例中，若该剩余有效时长大于或等于预设的时长阈值，则表示该用户的协议在较长时间之后才到期，因此无需提醒用户重新购买协议，因此识别该用户为非目标用户；若该剩余有效时长小于预设的时长阈值，则表示该用户的协议快要失效，需要重新购买，因此会将该类用户识别为目标用户，并向该目标用户推送合适的目标协议。

在本发明实施例中，通过获取各个用户的已购买协议的有效日期，确定各个已购买协议的剩余有效时长，并选取剩余有效时长小于预设时长阈值的已购买协议的用户作为目标用户，从而避免用户因忘记购买协议而造成不必要的经济损失。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

图7示出了本发明一实施例提供的一种终端设备的结构框图，该终端设备包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1与图1所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。

参见图7，所述终端设备包括：

用户信息获取单元71，用于获取目标用户的用户信息；

候选协议选取单元72，用于将所述用户信息导入候选协议推荐模型，从协议文件库中选取与所述目标用户匹配的候选协议；

推荐系数计算单元73，用于基于各个所述候选协议在多个预设维度的评分值，分别计算各个候选协议的推荐系数；

目标协议确定单元74，用于基于所述推荐系数，从候选协议中选取目标协议；

目标协议推送单元75，用于将所述目标协议发送给所述目标用户的用户终端。

可选地，终端设备还包括：

训练数据获取单元，用于获取训练用户的用户信息和历史购买协议的标识；

学习参数训练单元，用于基于所述用户信息以及所述历史购买协议的标识，调整长短期记忆LSTM神经网络中的学习参数，以使所述学习参数满足以下条件：

其中，θ^*为调整后的所述学习参数；S为所述历史购买协议的标识；I为所述用户信息；I₁,I₂,I₃,…,I_n为所述用户信息包含的各项用户参数的参数值；n为所述用户参数的个数；p(S|I₁I₂,I₃,…,I_n；θ)为当所述学习参数的值为θ时，将所述训练用户的用户信息导入到所述LSTM神经网络，输出结果为该训练用户的历史购买协议的标识的概率值；max_θ∑_(I,S)logp(S|I₁,I₂,I₃,…,I_n；θ)为所述概率值取最大值时所述学习参数的取值；

候选协议推荐模型生成单元，用于基于调整学习参数后的所述LSTM神经网络，生成所述候选协议推荐模型。

可选地，目标协议推送单元75包括：

推送记录节点创建单元，用于以预设的推送周期向所述用户终端发送所述目标协议，并生成推送记录时间轴；所述推送记录时间轴包含在各个推送时刻所创建的推送记录节点；

协议调整信息导入单元，用于若接收到所述用户终端根据所述目标协议返回的协议调整信息，则把所述协议调整信息导入至所述推送记录节点内；所述协议调整信息用于调整所述目标协议的参数。

可选地，所述预设维度包括：购买数量、历史用户评分值、消费匹配度以及回报率；所述推荐系数计算单元73包括：

平均收入获取单元，用于获取所述目标用户的平均收入金额；

消费匹配度计算单元，用于根据所述平均收入金额以及各个所述候选协议的购买金额，分别计算所述目标用户与各个所述候选协议的消费匹配度；

回报率计算单元，用于根据各个所述候选协议的回报金额以及所述购买金额，分别计算各个所述候选协议的回报率；

归一化单元，用于对所述候选协议的购买数量以及历史用户评分值进行归一化处理；

参数导入计算单元，用于将各个所述候选协议归一化后的购买数量、归一化后的历史用户评分值、消费匹配度以及回报率导入推荐系数计算模型，得到各个所述候选协议的推荐系数；所述推荐系数计算模型具体为：

其中，Q为所述推荐系数；SL′为所述归一化后的购买数量；Pnt′为所述归一化后的历史用户评分值；Mth为所述消费匹配度；PB为所述回报率；β为预设的补偿系数。

可选地，用户信息获取单元71包括：

有效日期获取单元，用于获取用户数据库中各个用户的已购买协议的有效日期；

剩余有效时长计算单元，用于根据所述有效日期以及当前日期，分别计算各个所述已购买协议的剩余有效时长；

目标用户确定单元，用于选取所述剩余有效时长小于预设的时长阈值的已购买协议对应的用户作为所述目标用户。

因此，本发明实施例提供的终端设备同样目标协议的选取不再依赖销售人员的经验，而是通过终端设备自动生成，并且选取的协议池是包含所有协议文件的协议文件库，不会出现遗漏选取的情况，提高了选取的准确率以及选取速度。

图8是本发明另一实施例提供的一种终端设备的示意图。如图8所示，该实施例的终端设备8包括：处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82，例如协议文件的推送程序。所述处理器80执行所述计算机程序82时实现上述各个协议文件的推送方法实施例中的步骤，例如图1所示的S101至S105。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各单元的功能，例如图7所示模块71至75功能。

示例性的，所述计算机程序82可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器81中，并由所述处理器80执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序82在所述终端设备8中的执行过程。例如，所述计算机程序82可以被分割成用户信息获取单元、候选协议选取单元、推荐系数计算单元、目标协议确定单元以及目标协议推送单元，各单元具体功能如上所述。

所述终端设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是终端设备8的示例，并不构成对终端设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器81可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81也可以是所述终端设备8的外部存储设备，例如所述终端设备8上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (8)

1.一种协议文件的推送方法，其特征在于，包括：

获取目标用户的用户信息；

将所述用户信息导入候选协议推荐模型，从协议文件库中选取与所述目标用户匹配的候选协议；

基于各个所述候选协议在多个预设维度的评分值，分别计算各个候选协议的推荐系数；

基于所述推荐系数，从候选协议中选取目标协议；

将所述目标协议发送给所述目标用户的用户终端；

所述预设维度包括：购买数量、历史用户评分值、消费匹配度以及回报率；所述基于各个所述候选协议在多个预设维度的评分值，分别计算各个候选协议的推荐系数，包括：

获取所述目标用户的平均收入金额；

根据所述平均收入金额以及各个所述候选协议的购买金额，分别计算所述目标用户与各个所述候选协议的消费匹配度；

根据各个所述候选协议的回报金额以及所述购买金额，分别计算各个所述候选协议的回报率；所述回报金额具体为满足所述候选协议的预设条件时目标用户可获取的金额；

对所述候选协议的购买数量以及历史用户评分值进行归一化处理；

将各个所述候选协议归一化后的购买数量、归一化后的历史用户评分值、消费匹配度以及回报率导入推荐系数计算模型，得到各个所述候选协议的推荐系数；所述推荐系数计算模型具体为：

其中，Q为所述推荐系数；SL′为所述归一化后的购买数量；Pnt′为所述归一化后的历史用户评分值；Mth为所述消费匹配度；PB为所述回报率；β为预设的补偿系数。

2.根据权利要求1所述的推送方法，其特征在于，在将所述用户信息导入候选协议推荐模型，从协议文件库中选取与所述目标用户匹配的候选协议之前，还包括：

获取训练用户的用户信息和历史购买协议的标识；

基于所述用户信息以及所述历史购买协议的标识，调整长短期记忆LSTM神经网络中的学习参数，以使所述学习参数满足以下条件：

其中，θ^*为调整后的所述学习参数；S为所述历史购买协议的标识；I为所述用户信息；I₁，I₂，I₃，...，I_n为所述用户信息包含的各项用户参数的参数值；n为所述用户参数的个数；p(S|I₁，I₂，I₃，...，I_n；θ)为当所述学习参数的值为θ时，将所述训练用户的用户信息导入到所述LSTM神经网络，输出结果为该训练用户的历史购买协议的标识的概率值；max_θ∑_(I，S)logp(S|I₁，I₂，I₃，...，I_n；θ)为所述概率值取最大值时所述学习参数的取值；

基于调整学习参数后的所述LSTM神经网络，生成所述候选协议推荐模型。

3.根据权利要求1所述的推送方法，其特征在于，所述将所述目标协议发送给所述目标用户的用户终端，包括：

以预设的推送周期向所述用户终端发送所述目标协议，并生成推送记录时间轴；所述推送记录时间轴包含在各个推送时刻所创建的推送记录节点；

若接收到所述用户终端根据所述目标协议返回的协议调整信息，则把所述协议调整信息导入至所述推送记录节点内；所述协议调整信息用于调整所述目标协议的参数。

4.根据权利要求1-3任一项所述的推送方法，其特征在于，所述获取目标用户的用户信息，包括：

获取用户数据库中各个用户的已购买协议的有效日期；

根据所述有效日期以及当前日期，分别计算各个所述已购买协议的剩余有效时长；

选取所述剩余有效时长小于预设的时长阈值的已购买协议对应的用户作为所述目标用户。

5.一种终端设备，其特征在于，所述终端设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：

获取目标用户的用户信息；

将所述用户信息导入候选协议推荐模型，从协议文件库中选取与所述目标用户匹配的候选协议；

基于各个所述候选协议在多个预设维度的评分值，分别计算各个候选协议的推荐系数；

基于所述推荐系数，从候选协议中选取目标协议；

将所述目标协议发送给所述目标用户的用户终端；

所述预设维度包括：购买数量、历史用户评分值、消费匹配度以及回报率；所述基于各个所述候选协议在多个预设维度的评分值，分别计算各个候选协议的推荐系数，包括：

获取所述目标用户的平均收入金额；

根据所述平均收入金额以及各个所述候选协议的购买金额，分别计算所述目标用户与各个所述候选协议的消费匹配度；

根据各个所述候选协议的回报金额以及所述购买金额，分别计算各个所述候选协议的回报率；所述回报金额具体为满足所述候选协议的预设条件时目标用户可获取的金额；

对所述候选协议的购买数量以及历史用户评分值进行归一化处理；

将各个所述候选协议归一化后的购买数量、归一化后的历史用户评分值、消费匹配度以及回报率导入推荐系数计算模型，得到各个所述候选协议的推荐系数；所述推荐系数计算模型具体为：

其中，Q为所述推荐系数；SL′为所述归一化后的购买数量；Pnt′为所述归一化后的历史用户评分值；Mth为所述消费匹配度；PB为所述回报率；β为预设的补偿系数。

6.根据权利要求5所述的终端设备，其特征在于，在将所述用户信息导入候选协议推荐模型，从协议文件库中选取与所述目标用户匹配的候选协议之前，所述处理器执行所述计算机程序时还实现如下步骤：

获取训练用户的用户信息和历史购买协议的标识；

基于所述用户信息以及所述历史购买协议的标识，调整长短期记忆LSTM神经网络中的学习参数，以使所述学习参数满足以下条件：

其中，θ^*为调整后的所述学习参数；S为所述历史购买协议的标识；I为所述用户信息；I₁，I₂，I₃，...，I_n为所述用户信息包含的各项用户参数的参数值；n为所述用户参数的个数；p(S|I₁，I₂，I₃，...，I_n；θ)为当所述学习参数的值为θ时，将所述训练用户的用户信息导入到所述LSTM神经网络，输出结果为该训练用户的历史购买协议的标识的概率值；max_θ∑_(I，S)logp(S|I₁，I₂，I₃，...，I_n；θ)为所述概率值取最大值时所述学习参数的取值；

基于调整学习参数后的所述LSTM神经网络，生成所述候选协议推荐模型。

7.根据权利要求5所述的终端设备，其特征在于，所述将所述目标协议发送给所述目标用户的用户终端，包括：

以预设的推送周期向所述用户终端发送所述目标协议，并生成推送记录时间轴；所述推送记录时间轴包含在各个推送时刻所创建的推送记录节点；

若接收到所述用户终端根据所述目标协议返回的协议调整信息，则把所述协议调整信息导入至所述推送记录节点内；所述协议调整信息用于调整所述目标协议的参数。

8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。

Images