CN109697448A - 一种业务套餐的推荐方法、设备及计算机可读存储介质 - Google Patents
一种业务套餐的推荐方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109697448A CN109697448A CN201710984478.6A CN201710984478A CN109697448A CN 109697448 A CN109697448 A CN 109697448A CN 201710984478 A CN201710984478 A CN 201710984478A CN 109697448 A CN109697448 A CN 109697448A
- Authority
- CN
- China
- Prior art keywords
- user
- service package
- collection
- neighbour
- cluster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000000203 mixture Substances 0.000 claims abstract description 16
- 235000012054 meals Nutrition 0.000 claims description 48
- 239000012141 concentrate Substances 0.000 claims description 34
- 238000001914 filtration Methods 0.000 claims description 9
- 230000005055 memory storage Effects 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G06Q50/40—
Abstract
本发明实施例提供一种业务套餐的推荐方法、设备及计算机可读存储介质,用以解决现有技术中向用户推荐的业务套餐不准确,无法满足用户多兴趣需求的技术问题。所述方法包括:根据多个用户在使用的业务套餐中各业务子项上的消费特征,对多个用户进行粗糙集聚类,以获得按用户在业务子项上的消费特征相似性划分的至少一个用户聚类,至少一个用户聚类中的各用户聚类由上近似用户集和下近似用户集这两种类型的近似用户集组成;基于多个用户中的第一用户所在的近似用户集的类型,以近似用户集为单位,组成第一用户的近邻用户集;从近邻用户集包含的各近邻用户使用的业务套餐中,确定用于向第一用户推荐的至少一个推荐业务套餐。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种业务套餐的推荐方法、设备及计算机可读存储介质。
背景技术
当前通信市场在经过一段时间的高速发展后,市场总体容量和规模已经比较稳定,进入“胶着”状态。在这种市场背景下,对存量市场用户的保有和激发潜在的价值尤为重要。现阶段常用的客户保有和潜在价值激发的方法有积分换手机、话费返还等,除此之外,更重要的是通过向用户推荐更为适合和优惠的业务套餐来达到挽留用户、激发用户使用量的目的。
目前,采用k-means聚类方式对用户进行聚类,并以聚类为单位,向各聚类中的目标用户推荐聚类中其它用户的流量套餐的技术方案。
然而,上述技术方案中,处于聚类边缘的用户(如多兴趣用户)往往与处于聚类中心附近的用户的相似度并不高,导致对处于聚类边缘的用户推荐的业务套餐不准确,无法满足用户多兴趣需求。
发明内容
本发明实施例提供一种业务套餐的推荐方法、设备及计算机可读存储介质,用以解决现有技术中向用户推荐的业务套餐不准确,无法满足用户多兴趣需求的技术问题。
第一方面,提供一种业务套餐的推荐方法,其特征在于,所述方法包括:
根据多个用户在使用的业务套餐中各业务子项上的消费特征,对所述多个用户进行粗糙集聚类,以获得按用户在业务子项上的消费特征相似性划分的至少一个用户聚类,所述至少一个用户聚类中的各用户聚类由上近似用户集和下近似用户集这两种类型的近似用户集组成;
基于所述多个用户中的第一用户所在的近似用户集的类型,以近似用户集为单位,组成所述第一用户的近邻用户集,所述第一用户为所述多个用户中的一个目标用户;
从所述近邻用户集包含的各近邻用户使用的业务套餐中,确定用于向所述第一用户推荐的至少一个推荐业务套餐。
在一种可能的实现方式中,在基于所述多个用户中的第一用户所在的近似用户集的类型,以近似用户集为单位,组成所述第一用户的近邻用户集之前,所述方法还包括:
根据所述多个用户使用的业务套餐中各业务子项的实际业务使用量与套餐包含业务量,分别确定所述多个用户与使用的业务套餐的业务套餐匹配值;其中,业务套餐匹配值用于表征用户与业务套餐间的匹配度;
根据预设的目标用户比例,及所述多个用户与使用的业务套餐的业务套餐匹配值,从所述多个用户中确定出至少一个目标用户;其中,目标用户对应的业务套餐匹配值低于非目标用户对应的业务套餐匹配值。
在一种可能的实现方式中,根据多个用户在使用的业务套餐中各业务子项上的消费特征,对所述多个用户进行粗糙集聚类,包括:
根据所述多个用户在使用的业务套餐中各业务子项上的业务子项匹配值,对所述多个用户进行粗糙集聚类;其中,业务子项匹配值根据业务子项上的实际业务使用量与套餐包含业务量确定,用于表征用户与业务子项间的匹配度;
其中,在对所述多个用户进行粗糙集聚类的过程中,将确定属于一用户聚类的用户归属到该用户聚类的下近似用户集,将存在一定概率属于一用户聚类的用户归属到该用户聚类的上近似用户集。
在一种可能的实现方式中,若所述第一用户在所属的用户聚类中的下近似用户集,则基于所述多个用户中的第一用户所在的近似用户集的类型,以近似用户集为单位,组成所述第一用户的近邻用户集,包括:
若所述第一用户所属的用户聚类中的下近似用户集包含的用户数量大于或等于预设近邻用户集阈值,则将所述第一用户所属的用户聚类中的下近似用户集作为所述近邻用户集;所述近邻用户集中不包含目标用户;
若所述第一用户所属的用户聚类中的下近似用户集包含的用户数量小于预设近邻用户集阈值,且所述第一用户所属的用户聚类包含的用户数量大于或等于所述预设近邻用户集阈值,则将所述第一用户所属的用户聚类包含的上近似用户集和下近似用户集合并作为所述近邻用户集;所述近邻用户集中不包含目标用户;
若所述第一用户所属的用户聚类包含的用户数量小于所述预设近邻用户集阈值,则将所述第一用户所属的用户聚类包含的上近似用户集和下近似用户集合并作为所述近邻用户集,并统计所述近邻用户集中部分或全部用户所属的用户聚类,将出现频次最高的用户聚类所包含的上近似用户集和/或下近似用户集中的用户加入所述近邻用户集;所述近邻用户集中不包含目标用户。
在一种可能的实现方式中,若所述第一用户同时属于至少两个用户聚类中的上近似用户集,则基于所述多个用户中的第一用户所在的近似用户集的类型,以近似用户集为单位,组成所述第一用户的近邻用户集,包括:
若所述第一用户所属的至少两个用户聚类中的上近似用户集共同包含的用户数量大于或等于预设近邻用户集阈值,则将所述第一用户所属的至少两个用户聚类中的上近似用户集合并作为所述近邻用户集;所述近邻用户集中不包含目标用户;
若所述第一用户所属的至少两个用户聚类中的上近似用户集共同包含的用户数量小于预设近邻用户集阈值,则将所述第一用户所属的至少两个用户聚类中的上近似用户集合并作为所述近邻用户集,并统计所述近邻用户集中部分或全部用户所属的用户聚类,将出现频次最高的用户聚类所包含的上近似用户集和/或下近似用户集中的用户加入所述近邻用户集;所述近邻用户集中不包含目标用户。
在一种可能的实现方式中,从所述近邻用户集包含的各近邻用户使用的业务套餐中,确定用于向所述第一用户推荐的至少一个推荐业务套餐,包括:
在所述各近邻用户使用的业务套餐中,根据所述各近邻用户与使用的业务套餐的业务套餐匹配值,确定出至少一个预推荐业务套餐;其中,预推荐业务套餐对应的业务套餐匹配值高于非预推荐业务套餐对应的业务套餐匹配值;
从所述至少一个预推荐业务套餐中,确定所述至少一个推荐业务套餐。
在一种可能的实现方式中,从所述至少一个预推荐业务套餐中,确定所述至少一个推荐业务套餐,包括:
确定所述第一用户与所述至少一个预推荐业务套餐中各预推荐业务套餐的业务套餐匹配值;
根据所述第一用户与所述各近邻用户的相似度,所述第一用户与所述各预推荐业务套餐的业务套餐匹配值,所述第一用户与自身使用过的预推荐业务套餐的业务套餐匹配值的平均值,及所述各近邻用户与自身使用过的预推荐业务套餐的业务套餐匹配值的平均值,确定所述第一用户对各预推荐业务套餐的预测评分;
对所述第一用户与所述各预推荐业务套餐的业务套餐匹配值,及所述第一用户对所述各预推荐业务套餐的预测评分进行加权计算,以获得所述各预推荐套餐的推荐评分;
根据推荐评分对所述至少一个预推荐套餐进行排序,确定排序结果中的前N个预推荐业务套餐为所述至少一个推荐业务套餐,N为正整数。
第二方面,提供一种业务套餐的推荐设备,所述设备包括:
聚类模块,用于根据多个用户在使用的业务套餐中各业务子项上的消费特征,对所述多个用户进行粗糙集聚类,以获得按用户在业务子项上的消费特征相似性划分的至少一个用户聚类,所述至少一个用户聚类中的各用户聚类由上近似用户集和下近似用户集这两种类型的近似用户集组成;
近邻用户确定模块,用于基于所述多个用户中的第一用户所在的近似用户集的类型,以近似用户集为单位,组成所述第一用户的近邻用户集,所述第一用户为所述多个用户中的一个目标用户;
协同过滤模块,用于从所述近邻用户集包含的各近邻用户使用的业务套餐中,确定用于向所述第一用户推荐的至少一个推荐业务套餐。
在一种可能的实现方式中,所述设备还包括目标用户确定模块,用于:
在基于所述多个用户中的第一用户所在的近似用户集的类型,以近似用户集为单位,组成所述第一用户的近邻用户集之前,根据所述多个用户使用的业务套餐中各业务子项的实际业务使用量与套餐包含业务量,分别确定所述多个用户与使用的业务套餐的业务套餐匹配值;其中,业务套餐匹配值用于表征用户与业务套餐间的匹配度;
根据预设的目标用户比例,及所述多个用户与使用的业务套餐的业务套餐匹配值,从所述多个用户中确定出至少一个目标用户;其中,目标用户对应的业务套餐匹配值低于非目标用户对应的业务套餐匹配值。
在一种可能的实现方式中,所述聚类模块用于:
根据所述多个用户在使用的业务套餐中各业务子项上的业务子项匹配值,对所述多个用户进行粗糙集聚类;其中,业务子项匹配值根据业务子项上的实际业务使用量与套餐包含业务量确定,用于表征用户与业务子项间的匹配度;
其中,在对所述多个用户进行粗糙集聚类的过程中,将确定属于一用户聚类的用户归属到该用户聚类的下近似用户集,将存在一定概率属于一用户聚类的用户归属到该用户聚类的上近似用户集。
在一种可能的实现方式中,所述近邻用户确定模块用于,当所述第一用户在所属的用户聚类中的下近似用户集,则:
若所述第一用户所属的用户聚类中的下近似用户集包含的用户数量大于或等于预设近邻用户集阈值,则将所述第一用户所属的用户聚类中的下近似用户集作为所述近邻用户集;所述近邻用户集中不包含目标用户;
若所述第一用户所属的用户聚类中的下近似用户集包含的用户数量小于预设近邻用户集阈值,且所述第一用户所属的用户聚类包含的用户数量大于或等于所述预设近邻用户集阈值,则将所述第一用户所属的用户聚类包含的上近似用户集和下近似用户集合并作为所述近邻用户集;所述近邻用户集中不包含目标用户;
若所述第一用户所属的用户聚类包含的用户数量小于所述预设近邻用户集阈值,则将所述第一用户所属的用户聚类包含的上近似用户集和下近似用户集合并作为所述近邻用户集,并统计所述近邻用户集中部分或全部用户所属的用户聚类,将出现频次最高的用户聚类所包含的上近似用户集和/或下近似用户集中的用户加入所述近邻用户集;所述近邻用户集中不包含目标用户。
在一种可能的实现方式中,所述近邻用户确定模块用于,当所述第一用户同时属于至少两个用户聚类中的上近似用户集,则:
若所述第一用户所属的至少两个用户聚类中的上近似用户集共同包含的用户数量大于或等于预设近邻用户集阈值,则将所述第一用户所属的至少两个用户聚类中的上近似用户集合并作为所述近邻用户集;所述近邻用户集中不包含目标用户;
若所述第一用户所属的至少两个用户聚类中的上近似用户集共同包含的用户数量小于预设近邻用户集阈值,则将所述第一用户所属的至少两个用户聚类中的上近似用户集合并作为所述近邻用户集,并统计所述近邻用户集中部分或全部用户所属的用户聚类,将出现频次最高的用户聚类所包含的上近似用户集和/或下近似用户集中的用户加入所述近邻用户集;所述近邻用户集中不包含目标用户。
在一种可能的实现方式中,所述协同过滤模块用于:
在所述各近邻用户使用的业务套餐中,根据所述各近邻用户与使用的业务套餐的业务套餐匹配值,确定出至少一个预推荐业务套餐;其中,预推荐业务套餐对应的业务套餐匹配值高于非预推荐业务套餐对应的业务套餐匹配值;
从所述至少一个预推荐业务套餐中,确定所述至少一个推荐业务套餐。
在一种可能的实现方式中,所述协同过滤模块用于:
确定所述第一用户与所述至少一个预推荐业务套餐中各预推荐业务套餐的业务套餐匹配值;
根据所述第一用户与所述各近邻用户的相似度,所述第一用户与所述各预推荐业务套餐的业务套餐匹配值,所述第一用户与自身使用过的预推荐业务套餐的业务套餐匹配值的平均值,及所述各近邻用户与自身使用过的预推荐业务套餐的业务套餐匹配值的平均值,确定所述第一用户对各预推荐业务套餐的预测评分;
对所述第一用户与所述各预推荐业务套餐的业务套餐匹配值,及所述第一用户对所述各预推荐业务套餐的预测评分进行加权计算,以获得所述各预推荐套餐的推荐评分;
根据推荐评分对所述至少一个预推荐套餐进行排序,确定排序结果中的前N个预推荐业务套餐为所述至少一个推荐业务套餐,N为正整数。
第三方面,提供一种业务套餐推荐设备,所述设备包括:
至少一个处理器,以及
与所述至少一个处理器连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令,执行如第一方面所述的方法。
第四方面,提供一种计算机可读存储介质,包括:
所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行第一方面所述的方法。
本发明实施例中,根据多个用户在使用的业务套餐中各业务子项上的消费特征,对多个用户进行粗糙集聚类,获得的至少一个用户聚类中的各用户聚类由上近似用户集和下近似用户集组成,基于第一用户所在的近似用户集的类型,以用户集为单位,组成第一用户的近邻用户集,并从近邻用户集包含的各近邻用户使用的业务套餐中,确定用于向第一用户推荐的至少一个推荐业务套餐。
根据业务套餐中各业务子项上的消费特征进行聚类的方式,融入了业务套餐中多个业务维度的特征,能够结合用户在各个业务上的需求去综合评价用户间的相似性,保证了聚类结果的准确性,避免了根据单一业务上的消费特征评价用户间的相似性,导致聚类结果失真的情况。
进一步地,本发明实施例中,通过粗糙集聚类的方式对多个用户进行聚类,可以将确定属于一用户聚类的用户与存在一定概率属于一用户聚类的用户区分开,并且以近似用户集为单元组成第一用户的近邻用户集,提高了确定出的近邻用户集的准确性,考虑了处于聚类边缘的用户的多兴趣需求,可以为目标用户推荐更加准确的推荐业务套餐。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例中一种业务套餐的推荐方法的流程示意图;
图2为本发明实施例中一种业务套餐的推荐设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,在不做特别说明的情况下,一般表示前后关联对象是一种“或”的关系。
实施例一
本发明实施例提供一种业务套餐的推荐方法。该方法可以应用于物理服务器、虚拟服务器(如云服务器)、手机、平板电脑、个人电脑、笔记本电脑、穿戴式电子设备等具有计算能力的设备,本发明实施例中对于应用业务套餐的推荐方法的设备不做具体限定。并且,在具体的实施过程中,本发明实施例中的业务套餐的推荐方法可以是由一个设备单独执行的,也可以是由多个设备配合执行的。
通过本发明实施例中的业务套餐的推荐方法,可以为目标用户确定出准确的推荐业务套餐,以提高向目标用户推荐业务套餐的成功率。
为了更好的理解本发明实施例中的方法,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
请参见图1,本发明实施例中的业务套餐的推荐方法的流程描述如下。
步骤101:根据多个用户在使用的业务套餐中各业务子项上的消费特征,对多个用户进行粗糙集聚类,以获得按用户在业务子项上的消费特征相似性划分的至少一个用户聚类,至少一个用户聚类中的各用户聚类由上近似用户集和下近似用户集这两种类型的近似用户集组成。
本发明实施例中,执行业务套餐的推荐方法的设备可以从本地或其它设备获取到用户信息、业务套餐信息等信息,例如,可以数据库服务器获取到用户信息、业务套餐信息等信息。其中,用户信息可以包括用户的订购套餐的记录、用户的业务使用情况等用于表征用户消费特征的数据,业务套餐信息可以包括运营商提供的各业务套餐所包含的业务量等信息。
其中,业务套餐中可以包括多个业务子项,以通信业务套餐为例,可以包括国内流量、省内流量、总流量、国内通话、省内通话、总通话等业务子项。在对多个用户进行粗糙集聚类的过程中,可以根据各用户在各个业务子项上的消费特征,按用户在业务子项上的消费特征相似性对多个用户进行粗糙集聚类。也就是说,在对多个用户进行粗糙集聚类时,会同时考虑用户使用的业务套餐中各个业务子项的消费特征,从多个业务维度来综合评价用户间的相似性。
本发明实施例中,对多个用户进行粗糙集聚类获得的至少一个用户聚类中的每个用户聚类由上近似用户集和下近似用户集组成。其中,下近似用户集包含的用户为确定属于该用户聚类的用户;下近似用户集包含的用户为存在一定概率属于该用户聚类的用户,即不可能确定不属于该用户聚类的用户。并且,一个用户可以属于一个下近似用户集,或属于多个上近似用户集。
步骤102:基于多个用户中的第一用户所在的近似用户集的类型,以近似用户集为单位,组成第一用户的近邻用户集,第一用户为多个用户中的一个目标用户。
本发明实施例中,目标用户可以为预先确定的准备向其推荐业务套餐的用户,并且,目标用户通常是与使用的业务套餐的匹配度较低的用户。例如,一个用户每个月使用国内流量10GB、国内通话1000分钟,而其使用的业务套餐中包含的国内流量仅为50MB,包含的国内通话仅为100分钟,则表明该用户与使用的业务套餐的匹配度是较低的。本发明实施例中,可以通过用户的消费特征来确定用户与使用的业务套餐的匹配值,进而通过匹配值来确定一用户是否为目标用户。
本发明实施例中,多个用户中可以包括有一个获得多个目标用户,为便于理解,本发明实施例中以确定第一用户的推荐业务套餐进行举例说明。应当知晓,针对多个用户中的其它目标用户,同样可以以与确定第一用户的推荐业务套餐相同的方式确定推荐业务套餐。
本发明实施例中,在对多个用户进行粗糙集聚类后,可以以近似用户集为单位,组成第一用户的近邻用户集。也就是说,在确定第一用户的近邻用户集时,以近似用户集为一个整体来考虑,并一定的方式加入近邻用户集中。
并且,本发明实施例中的近邻用户集中可以仅由非目标用户组成,即仅有与自身使用的业务套餐的匹配度较高的用户组成。举例来说,可以在确定将近似用户集加入近邻用户集时,将目标用户从近似用户集中剔除。
步骤103:从近邻用户集包含的各近邻用户使用的业务套餐中,确定用于向第一用户推荐的至少一个推荐业务套餐。
本发明实施例中,在确定出第一用户的近邻用户集后,可以从近邻用户集中各近邻用户使用的业务套餐中,筛选出用于向第一用户推荐的至少一个推荐业务套餐,筛选出的至少一个推荐业务套餐为其中最为适合用户的业务套餐。
在一种可能的实施方式中,在基于多个用户中的第一用户所在的近似用户集的类型,以近似用户集为单位,组成第一用户的近邻用户集之前,还可以包括有从多个用户中确定出目标用户的步骤。
具体来说,可以根据多个用户使用的业务套餐中各业务子项的实际业务使用量与套餐包含业务量,分别确定多个用户与使用的业务套餐的业务套餐匹配值;并根据预设的目标用户比例,及多个用户与使用的业务套餐的业务套餐匹配值,从多个用户中确定出至少一个目标用户;其中,业务套餐匹配值用于表征用户与业务套餐间的匹配度;目标用户对应的业务套餐匹配值低于非目标用户对应的业务套餐匹配值。
本发明实施例中,可以采用相似度计算方法,计算用户与业务套餐间的适配值。举例来说,可以采用皮尔逊相关系数计算方法、欧式距离计算方法、余弦相似度计算方法等衡量相似度的方法来计算用户与业务套餐间的匹配值。
以改进的欧式距离计算方法为例,可以先通过如下的公式(1)来计算用户与业务套餐间的业务套餐差异值d(x,y):
其中,xi、yi分别表示各业务子项的套餐包含业务量、实际业务使用量,αi表示各业务子项的权重,各业务子项的权重的和为1。本发明实施例中,由于各业务子项量纲不同,可以在确定差异值d(x,y)之前先对数据进行归一化预处理,以使各业务子项量纲相同。
进而,确定用户与业务套餐间的业务套餐匹配值p(x,y)=1/d(x,y)。即,业务套餐差异值与业务套餐匹配值成反比。业务套餐匹配值越大表示用户与业务套餐的匹配度越高,反之表示用户与业务套餐的匹配度越低。
本发明实施例中,在确定用户与使用的业务套餐的匹配值的过程中,可以以用户在一段时间内(如3个月)的实际业务使用量的平均值作为计算时采用的实际业务使用量。
本发明实施例中,可以根据预设的目标用户比例来确定多个用户中的目标用户,目标用户对应的业务套餐匹配值低于非目标用户对应的业务套餐匹配值。
举例来说,可以根据多个用户中各用户与使用的业务套餐的业务套餐匹配值的分布情况,来划分业务套餐匹配阈值,以使得业务套餐匹配值低于业务套餐匹配阈值的用户在多个用户中所占的比例等于预设的目标用户比例,进而,确定多个用户中业务套餐匹配值低于业务套餐匹配阈值的用户为目标用户。
也就是说,本发明实施例中,可以根据预设的目标用户比例,动态地确定业务套餐匹配阈值。
在一种可能的实施方式中,根据多个用户在使用的业务套餐中各业务子项上的消费特征,对多个用户进行粗糙集聚类的具体实施过程,可以是根据多个用户在使用的业务套餐中各业务子项上的业务子项匹配值,对多个用户进行粗糙集聚类;在对多个用户进行粗糙集聚类的过程中,将确定属于一用户聚类的用户归属到该用户聚类的下近似用户集,将存在一定概率属于一用户聚类的用户归属到该用户聚类的上近似用户集。
其中,业务子项匹配值根据业务子项上的实际业务使用量与套餐包含业务量确定,用于表征用户与业务子项间的匹配度。具体来说,可以通过皮尔逊相关系数计算方法、欧式距离计算方法、余弦相似度计算方法等衡量相似度的方法来计算业务子项匹配值。
本发明实施例中,在对多个用户进行粗糙集聚类的过程中,可以预先设定k个聚类中心,根据用户和聚类中心之间的相似度,将确定属于一用户聚类的样本(即用户)归属到其下近似用户集中,将存在一定概率属于一用户聚类的样本归属到其上近似用户集中;进而,不断对下近似用户集中样本的算术平均与上近似用户集中样本的算术平均进行线性加权,以更新聚类中心进行不断的粗糙集聚类,直到聚类中心不再变化时完成对多个用户的粗糙集聚类;将聚类中心不再变化时得到的用户聚类,作为对多个用户进行粗糙集聚类的结果。
本发明实施例中,可以采用修正的余弦相似性来计算用户间的相似度,并且,在计算用户与聚类中心的相似度时,可以将聚类中心作为一个特殊的用户来考虑。举例来说,可以采用如下的公式(2)来计算:
其中,Ri,c是用户i对业务子项c的业务套餐匹配值,和分别表示用户i和用户j与各业务子项匹配值的均值,Ii,j表示用户i和用户j使用的业务套餐中均含有的业务子项的集合,Ii和Ij分别表示用户i和用户j使用的业务套餐中业务子项集合。
通过计算用户与聚类中心之间的相似度,可以完成对多个用户的粗糙集聚类。
本发明实施例中,在对多个用户进行粗糙集聚类后,可以基于第一用户所在的近似用户集的类型,以近似用户集为单位,组成第一用户的近邻用户集。
在具体的实施过程中,可以先判断第一用户所在的近似用户集的类型,再根据第一用户所在的近似用户集的类型,确定第一用户的近邻用户集。
在一种可能的实施方式中:
第一种情况,若第一用户在所属的用户聚类中的下近似用户集,则基于多个用户中的第一用户所在的用户集的类型,以近似用户集为单位,组成第一用户的近邻用户集,可以包括:
(1)若第一用户所属的用户聚类中的下近似用户集包含的用户数量大于或等于预设近邻用户集阈值,则将第一用户所属的用户聚类中的下近似用户集作为近邻用户集;近邻用户集中不包含目标用户;
(2)若第一用户所属的用户聚类中的下近似用户集包含的用户数量小于预设近邻用户集阈值,且第一用户所属的用户聚类包含的用户数量大于或等于预设近邻用户集阈值,则将第一用户所属的用户聚类包含的上近似用户集和下近似用户集合并作为近邻用户集;近邻用户集中不包含目标用户;
(3)若第一用户所属的用户聚类包含的用户数量小于预设近邻用户集阈值,则将第一用户所属的用户聚类包含的上近似用户集和下近似用户集合并作为近邻用户集,并统计近邻用户集中部分或全部用户所属的用户聚类,将出现频次最高的用户聚类所包含的上近似用户集和/或下近似用户集中的用户加入近邻用户集;近邻用户集中不包含目标用户。
第二种情况,若第一用户同时属于至少两个用户聚类中的上近似用户集,则基于多个用户中的第一用户所在的近似用户集的类型,以近似用户集为单位,组成第一用户的近邻用户集,可以包括:
(1)若第一用户所属的至少两个用户聚类中的上近似用户集共同包含的用户数量大于或等于预设近邻用户集阈值,则将第一用户所属的至少两个用户聚类中的上近似用户集合并作为近邻用户集;近邻用户集中不包含目标用户;
(2)若第一用户所属的至少两个用户聚类中的上近似用户集共同包含的用户数量小于预设近邻用户集阈值,则将第一用户所属的至少两个用户聚类中的上近似用户集合并作为近邻用户集,并统计近邻用户集中部分或全部用户所属的用户聚类,将出现频次最高的用户聚类所包含的上近似用户集和/或下近似用户集中的用户加入近邻用户集;近邻用户集中不包含目标用户。
为便于理解,进一步举例来说:
假设预设近邻用户集阈值为Nu,以近似用户集为单位,组成第一用户的近邻用户集可以通过如下的方式实现:
A、第一用户在所属的用户聚类中的下近似用户集,则:
(1)设Q为最近邻集用户数,将第一用户所在的下近似用户集作为第一用户的近邻用户集,判断Q≥Nu是否成立,若成立,则结束确定第一用户的近邻用户集,否则进入步骤(2);
(2)将第一用户所属的用户聚类的上近似用户集加入第一用户的近邻用户集,判断Q≥Nu是否成立,若成立,则结束确定第一用户的近邻用户集,否则进入步骤(3);
(3)统计第一用户所属的用户聚类的上近似用户集中所有用户的用户聚类标号,将出现频数最高的用户聚类中的用户加入第一用户的近邻用户集,判断Q≥Nu是否成立,若成立,则结束确定第一用户的近邻用户集,否则进入步骤(4);
(4)统计第一用户的近邻用户集中所有用户的用户聚类标号,将出现频数最高的用户聚类中的用户加入第一用户的近邻用户集,判断Q≥Nu是否成立,若成立,则结束确定第一用户的近邻用户集,否则重复执行步骤(4)。
B、第一用户同时属于至少两个用户聚类中的上近似用户集
(1)设Q为最近邻用户数,将第一用户所属的各上近似用户集合并作为第一用户的近邻用户集,判断Q≥Nu是否成立,若成立,则结束确定第一用户的近邻用户集,否则进入步骤(2);
(2)依照A中的步骤(2)和步骤(4)进行近邻用户扩充,直至Q≥Nu成立。
在一种可能的实施方式中,从近邻用户集包含的各近邻用户使用的业务套餐中,确定用于向所述第一用户推荐的至少一个推荐业务套餐的过程中,可以在各近邻用户使用的业务套餐中,根据各近邻用户与使用的业务套餐的业务套餐匹配值,确定出至少一个预推荐业务套餐;进而,从至少一个预推荐业务套餐中,确定至少一个推荐业务套餐。其中,预推荐业务套餐对应的业务套餐匹配值高于非预推荐业务套餐对应的业务套餐匹配值。
本发明实施例中,可以依据基于用户的协同过滤算法框架,根据第一用户的近邻用户集形成的用户-套餐矩阵,选取近邻用户使用的业务套餐中,与近邻用户的业务套餐匹配值较高的业务套餐作为预推荐业务套餐。
举例来说,假设第一用户的近邻用户集包括用户A、用户B、用户C、用户D、用户E,用户A、用户B、用户C、用户D、用户E与各自使用的业务套餐的业务套餐匹配值分别为4、8、9、6、7。进而,可以有多种方式从用户A、用户B、用户C、用户D、用户E使用的业务套餐中选出业务套餐匹配值较高的预推荐业务套餐,以下仅以其中两种方式进行举例:
方式一,选择业务套餐匹配值排名前M位的业务套餐,如M=3时,则可以确定用户B、用户C、用户E使用的业务套餐为预推荐业务套餐。
方式二,选择业务套餐匹配值高于一预设值的业务套餐,如选择业务套餐匹配值高于5的业务套餐,则可以确定用户B、用户C、用户D、用户E使用的业务套餐为预推荐业务套餐。
在一种可能的实施方式中,从至少一个预推荐业务套餐中,确定至少一个推荐业务套餐,可以通过如下的步骤实现:
步骤一,确定第一用户与至少一个预推荐业务套餐中各预推荐业务套餐的业务套餐匹配值。举例来说,可以采用皮尔逊相关系数计算方法、欧式距离计算方法、余弦相似度计算方法等衡量相似度的方法来计算该业务套餐匹配值。本发明实施例中,采用前述的公式(2)进行举例说明。
步骤二,根据第一用户与各近邻用户的相似度,第一用户与各预推荐业务套餐的业务套餐匹配值,第一用户与自身使用过的预推荐业务套餐的业务套餐匹配值的平均值,及各近邻用户与自身使用过的预推荐业务套餐的业务套餐匹配值的平均值,确定第一用户对各预推荐业务套餐的预测评分。
假设用户v为第一用户u的近邻用户,则可以通过如下的公式(3)来计算第一用户对预推荐业务套餐i的预测评分:
其中,sim(u,v)是第一用户u和近邻用户v的相似度,Rv,i是用户v对套餐i的匹配度(可以根据欧式距离计算),是用户u在用户-套餐矩阵中所有使用过的预推荐业务套餐的业务套餐匹配值的平均值,是用户v在用户-套餐矩阵中所有使用过的预推荐业务套餐的业务套餐匹配值的平均值。本发明实施例中,在确定用户与使用过的业务套餐间的业务套餐匹配值时,可以根据用户使用该业务套餐的时间段内的消费特征来确定业务套餐匹配值。
步骤三,对第一用户与各预推荐业务套餐的业务套餐匹配值,及第一用户对各预推荐业务套餐的预测评分进行加权计算,以获得各预推荐套餐的推荐评分。具体来说,推荐评分Fu,i可以通过如下的公式(4)来计算:
Fu,i=αRu,i+βPu,i········(4)
其中α,β为权值,并且,α,β可以是预先确定的。
步骤四,根据推荐评分对至少一个预推荐套餐进行排序,确定排序结果中的前N个预推荐业务套餐为至少一个推荐业务套餐,即从至少一个预推荐套餐中确定TopN作为推荐业务套餐,N为正整数。
本发明实施例中,从至少一个预推荐业务套餐中确定至少一个推荐业务套餐的过程中,步骤一、二、三、四的顺序可以根据实际需要进行调整,而非是固定的。并且,步骤一、二、三、四种的各公式可以被拆分,也可以相互融合,例如,可以将步骤一、二、三、四中的各公式融合为一个公式,等等。
实施例二
基于同一发明构思,本发明实施例提供一种业务套餐的推荐设备,该业务套餐的推荐设备可以是实施例一中应用业务套餐的推荐方法的设备。并且,由于实施例一和实施例二基于同一发明构思,因而,在理解和解释实施例一、二中的内容时,可以相互参看和引用。
如图2所示,业务套餐的推荐设备至少包括聚类模块201、近邻用户确定模块202和协同过滤模块203,其中:
聚类模块201,用于根据多个用户在使用的业务套餐中各业务子项上的消费特征,对多个用户进行粗糙集聚类,以获得按用户在业务子项上的消费特征相似性划分的至少一个用户聚类,至少一个用户聚类中的各用户聚类由上近似用户集和下近似用户集这两种类型的近似用户集组成;
近邻用户确定模块202,用于基于多个用户中的第一用户所在的近似用户集的类型,以近似用户集为单位,组成第一用户的近邻用户集,第一用户为多个用户中的一个目标用户;
协同过滤模块203,用于从近邻用户集包含的各近邻用户使用的业务套餐中,确定用于向第一用户推荐的至少一个推荐业务套餐。
在一种可能的实施方式中,设备还包括目标用户确定模块,用于:
在基于多个用户中的第一用户所在的近似用户集的类型,以近似用户集为单位,组成第一用户的近邻用户集之前,根据多个用户使用的业务套餐中各业务子项的实际业务使用量与套餐包含业务量,分别确定多个用户与使用的业务套餐的业务套餐匹配值;其中,业务套餐匹配值用于表征用户与业务套餐间的匹配度;
根据预设的目标用户比例,及多个用户与使用的业务套餐的业务套餐匹配值,从多个用户中确定出至少一个目标用户;其中,目标用户对应的业务套餐匹配值低于非目标用户对应的业务套餐匹配值。
在一种可能的实施方式中,聚类模块201用于:
根据多个用户在使用的业务套餐中各业务子项上的业务子项匹配值,对多个用户进行粗糙集聚类;其中,业务子项匹配值根据业务子项上的实际业务使用量与套餐包含业务量确定,用于表征用户与业务子项间的匹配度;
其中,在对多个用户进行粗糙集聚类的过程中,将确定属于一用户聚类的用户归属到该用户聚类的下近似用户集,将存在一定概率属于一用户聚类的用户归属到该用户聚类的上近似用户集。
在一种可能的实施方式中,近邻用户确定模块202用于,当第一用户在所属的用户聚类中的下近似用户集,则:
若第一用户所属的用户聚类中的下近似用户集包含的用户数量大于或等于预设近邻用户集阈值,则将第一用户所属的用户聚类中的下近似用户集作为近邻用户集;近邻用户集中不包含目标用户;
若第一用户所属的用户聚类中的下近似用户集包含的用户数量小于预设近邻用户集阈值,且第一用户所属的用户聚类包含的用户数量大于或等于预设近邻用户集阈值,则将第一用户所属的用户聚类包含的上近似用户集和下近似用户集合并作为近邻用户集;近邻用户集中不包含目标用户;
若第一用户所属的用户聚类包含的用户数量小于预设近邻用户集阈值,则将第一用户所属的用户聚类包含的上近似用户集和下近似用户集合并作为近邻用户集,并统计近邻用户集中部分或全部用户所属的用户聚类,将出现频次最高的用户聚类所包含的上近似用户集和/或下近似用户集中的用户加入近邻用户集;近邻用户集中不包含目标用户。
在一种可能的实施方式中,近邻用户确定模块202用于,当第一用户同时属于至少两个用户聚类中的上近似用户集,则:
若第一用户所属的至少两个用户聚类中的上近似用户集共同包含的用户数量大于或等于预设近邻用户集阈值,则将第一用户所属的至少两个用户聚类中的上近似用户集合并作为近邻用户集;近邻用户集中不包含目标用户;
若第一用户所属的至少两个用户聚类中的上近似用户集共同包含的用户数量小于预设近邻用户集阈值,则将第一用户所属的至少两个用户聚类中的上近似用户集合并作为近邻用户集,并统计近邻用户集中部分或全部用户所属的用户聚类,将出现频次最高的用户聚类所包含的上近似用户集和/或下近似用户集中的用户加入近邻用户集;近邻用户集中不包含目标用户。
在一种可能的实施方式中,协同过滤模块203用于:
在各近邻用户使用的业务套餐中,根据各近邻用户与使用的业务套餐的业务套餐匹配值,确定出至少一个预推荐业务套餐;其中,预推荐业务套餐对应的业务套餐匹配值高于非预推荐业务套餐对应的业务套餐匹配值;
从至少一个预推荐业务套餐中,确定至少一个推荐业务套餐。
在一种可能的实施方式中,协同过滤模块203用于:
确定第一用户与至少一个预推荐业务套餐中各预推荐业务套餐的业务套餐匹配值;
根据第一用户与各近邻用户的相似度,第一用户与各预推荐业务套餐的业务套餐匹配值,第一用户与自身使用过的预推荐业务套餐的业务套餐匹配值的平均值,及各近邻用户与自身使用过的预推荐业务套餐的业务套餐匹配值的平均值,确定第一用户对各预推荐业务套餐的预测评分;
对第一用户与各预推荐业务套餐的业务套餐匹配值,及第一用户对各预推荐业务套餐的预测评分进行加权计算,以获得各预推荐套餐的推荐评分;
根据推荐评分对至少一个预推荐套餐进行排序,确定排序结果中的前N个预推荐业务套餐为至少一个推荐业务套餐,N为正整数。
实施例三
基于同一发明构思,本发明实施例提供一种业务套餐的推荐设备,包括:
与至少一个处理器连接的存储器;
其中,存储器存储有可被至少一个处理器执行的指令,至少一个处理器通过执行存储器存储的指令,执行如实施例一所述的方法。
实施例四
基于同一发明构思,本发明实施例提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,当计算机指令在计算机上运行时,使得计算机执行实施例一所述的方法。
在具体的实施过程中,计算机可读存储介质包括:通用串行总线闪存盘(Universal Serial Bus flash drive,USB)、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的存储介质。
上述的一个或多个技术方案,具有如下技术效果或优点:
本发明实施例中,根据多个用户在使用的业务套餐中各业务子项上的消费特征,对多个用户进行粗糙集聚类,获得的至少一个用户聚类中的各用户聚类由上近似用户集和下近似用户集组成,基于第一用户所在的近似用户集的类型,以用户集为单位,组成第一用户的近邻用户集,并从近邻用户集包含的各近邻用户使用的业务套餐中,确定用于向第一用户推荐的至少一个推荐业务套餐。
根据业务套餐中各业务子项上的消费特征进行聚类的方式,融入了业务套餐中多个业务维度的特征,能够结合用户在各个业务上的需求去综合评价用户间的相似性,保证了聚类结果的准确性,避免了根据单一业务上的消费特征评价用户间的相似性,导致聚类结果失真的情况。
进一步地,本发明实施例中,通过粗糙集聚类的方式对多个用户进行聚类,可以将确定属于一用户聚类的用户与存在一定概率属于一用户聚类的用户区分开,并且以近似用户集为单元组成第一用户的近邻用户集,考虑了处于聚类边缘的用户的多兴趣需求,提高了确定出的近邻用户集的准确性,可以为目标用户推荐更加准确的推荐业务套餐。
进一步地,本发明实施例中,在组成近邻用户集之前,根据预设的目标用户比例,及多个用户与使用的业务套餐的业务套餐匹配值,从多个用户中确定出目标用户。相较于设置固定阈值的方式,以设定目标用户比例确定目标用户的方式可以实现业务套餐匹配阈值的动态调整,能够根据实际情况更加灵活地确定目标用户。
进一步地,本发明实施例中,在进行粗糙集聚类所确定的用户聚类的基础上,以近似用户集为单位组成目标用户的近邻用户集,充分考虑了用户的兴趣多样性,避免了为聚类边缘的用户确定的推荐业务套餐不准确的情况,并且,有效缩短了搜索的空间和时间,提高了推荐效率。
进一步地,从至少一个预推荐业务套餐中确定推荐业务套餐的过程中,融合了目标用户与预推荐套餐的匹配值这一因素,改进了完全基于近邻用户评分的预测评分方法,考虑了用户的个性化消费行为特征,可以为目标用户推荐更加准确的推荐业务套餐。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元/模块可以是或者也可以不是物理上分开的,作为单元/模块显示的部件可以是或者也可以不是物理单元/模块,即可以位于一个地方,或者也可以分布到多个网络单元/模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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。
Claims (10)
1.一种业务套餐的推荐方法,其特征在于,所述方法包括:
根据多个用户在使用的业务套餐中各业务子项上的消费特征,对所述多个用户进行粗糙集聚类,以获得按用户在业务子项上的消费特征相似性划分的至少一个用户聚类,所述至少一个用户聚类中的各用户聚类由上近似用户集和下近似用户集这两种类型的近似用户集组成;
基于所述多个用户中的第一用户所在的近似用户集的类型,以近似用户集为单位,组成所述第一用户的近邻用户集,所述第一用户为所述多个用户中的一个目标用户;
从所述近邻用户集包含的各近邻用户使用的业务套餐中,确定用于向所述第一用户推荐的至少一个推荐业务套餐。
2.如权利要求1所述的方法,其特征在于,在基于所述多个用户中的第一用户所在的近似用户集的类型,以近似用户集为单位,组成所述第一用户的近邻用户集之前,所述方法还包括:
根据所述多个用户使用的业务套餐中各业务子项的实际业务使用量与套餐包含业务量,分别确定所述多个用户与使用的业务套餐的业务套餐匹配值;其中,业务套餐匹配值用于表征用户与业务套餐间的匹配度;
根据预设的目标用户比例,及所述多个用户与使用的业务套餐的业务套餐匹配值,从所述多个用户中确定出至少一个目标用户;其中,目标用户对应的业务套餐匹配值低于非目标用户对应的业务套餐匹配值。
3.如权利要求1或2所述的方法,其特征在于,根据多个用户在使用的业务套餐中各业务子项上的消费特征,对所述多个用户进行粗糙集聚类,包括:
根据所述多个用户在使用的业务套餐中各业务子项上的业务子项匹配值,对所述多个用户进行粗糙集聚类;其中,业务子项匹配值根据业务子项上的实际业务使用量与套餐包含业务量确定,用于表征用户与业务子项间的匹配度;
其中,在对所述多个用户进行粗糙集聚类的过程中,将确定属于一用户聚类的用户归属到该用户聚类的下近似用户集,将存在一定概率属于一用户聚类的用户归属到该用户聚类的上近似用户集。
4.如权利要求1或2所述的方法,其特征在于,若所述第一用户在所属的用户聚类中的下近似用户集,则基于所述多个用户中的第一用户所在的近似用户集的类型,以近似用户集为单位,组成所述第一用户的近邻用户集,包括:
若所述第一用户所属的用户聚类中的下近似用户集包含的用户数量大于或等于预设近邻用户集阈值,则将所述第一用户所属的用户聚类中的下近似用户集作为所述近邻用户集;所述近邻用户集中不包含目标用户;
若所述第一用户所属的用户聚类中的下近似用户集包含的用户数量小于预设近邻用户集阈值,且所述第一用户所属的用户聚类包含的用户数量大于或等于所述预设近邻用户集阈值,则将所述第一用户所属的用户聚类包含的上近似用户集和下近似用户集合并作为所述近邻用户集;所述近邻用户集中不包含目标用户;
若所述第一用户所属的用户聚类包含的用户数量小于所述预设近邻用户集阈值,则将所述第一用户所属的用户聚类包含的上近似用户集和下近似用户集合并作为所述近邻用户集,并统计所述近邻用户集中部分或全部用户所属的用户聚类,将出现频次最高的用户聚类所包含的上近似用户集和/或下近似用户集中的用户加入所述近邻用户集;所述近邻用户集中不包含目标用户。
5.如权利要求1或2所述的方法,其特征在于,若所述第一用户同时属于至少两个用户聚类中的上近似用户集,则基于所述多个用户中的第一用户所在的近似用户集的类型,以近似用户集为单位,组成所述第一用户的近邻用户集,包括:
若所述第一用户所属的至少两个用户聚类中的上近似用户集共同包含的用户数量大于或等于预设近邻用户集阈值,则将所述第一用户所属的至少两个用户聚类中的上近似用户集合并作为所述近邻用户集;所述近邻用户集中不包含目标用户;
若所述第一用户所属的至少两个用户聚类中的上近似用户集共同包含的用户数量小于预设近邻用户集阈值,则将所述第一用户所属的至少两个用户聚类中的上近似用户集合并作为所述近邻用户集,并统计所述近邻用户集中部分或全部用户所属的用户聚类,将出现频次最高的用户聚类所包含的上近似用户集和/或下近似用户集中的用户加入所述近邻用户集;所述近邻用户集中不包含目标用户。
6.如权利要求1或2所述的方法,其特征在于,从所述近邻用户集包含的各近邻用户使用的业务套餐中,确定用于向所述第一用户推荐的至少一个推荐业务套餐,包括:
在所述各近邻用户使用的业务套餐中,根据所述各近邻用户与使用的业务套餐的业务套餐匹配值,确定出至少一个预推荐业务套餐;其中,预推荐业务套餐对应的业务套餐匹配值高于非预推荐业务套餐对应的业务套餐匹配值;
从所述至少一个预推荐业务套餐中,确定所述至少一个推荐业务套餐。
7.如权利要求6所述的方法,其特征在于,从所述至少一个预推荐业务套餐中,确定所述至少一个推荐业务套餐,包括:
确定所述第一用户与所述至少一个预推荐业务套餐中各预推荐业务套餐的业务套餐匹配值;
根据所述第一用户与所述各近邻用户的相似度,所述第一用户与所述各预推荐业务套餐的业务套餐匹配值,所述第一用户与自身使用过的预推荐业务套餐的业务套餐匹配值的平均值,及所述各近邻用户与自身使用过的预推荐业务套餐的业务套餐匹配值的平均值,确定所述第一用户对各预推荐业务套餐的预测评分;
对所述第一用户与所述各预推荐业务套餐的业务套餐匹配值,及所述第一用户对所述各预推荐业务套餐的预测评分进行加权计算,以获得所述各预推荐套餐的推荐评分;
根据推荐评分对所述至少一个预推荐套餐进行排序,确定排序结果中的前N个预推荐业务套餐为所述至少一个推荐业务套餐,N为正整数。
8.一种业务套餐的推荐设备,其特征在于,所述设备包括:
聚类模块,用于根据多个用户在使用的业务套餐中各业务子项上的消费特征,对所述多个用户进行粗糙集聚类,以获得按用户在业务子项上的消费特征相似性划分的至少一个用户聚类,所述至少一个用户聚类中的各用户聚类由上近似用户集和下近似用户集这两种类型的近似用户集组成;
近邻用户确定模块,用于基于所述多个用户中的第一用户所在的近似用户集的类型,以近似用户集为单位,组成所述第一用户的近邻用户集,所述第一用户为所述多个用户中的一个目标用户;
协同过滤模块,用于从所述近邻用户集包含的各近邻用户使用的业务套餐中,确定用于向所述第一用户推荐的至少一个推荐业务套餐。
9.一种业务套餐的推荐设备,其特征在于,所述设备包括:
至少一个处理器,以及
与所述至少一个处理器连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令,执行如权利要求1-7中任一项所述的方法。
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存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710984478.6A CN109697448A (zh) | 2017-10-20 | 2017-10-20 | 一种业务套餐的推荐方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710984478.6A CN109697448A (zh) | 2017-10-20 | 2017-10-20 | 一种业务套餐的推荐方法、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109697448A true CN109697448A (zh) | 2019-04-30 |
Family
ID=66225406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710984478.6A Pending CN109697448A (zh) | 2017-10-20 | 2017-10-20 | 一种业务套餐的推荐方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109697448A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110087228A (zh) * | 2019-05-15 | 2019-08-02 | 中国联合网络通信集团有限公司 | 一种业务套餐的确定方法及装置 |
CN110335122A (zh) * | 2019-07-11 | 2019-10-15 | 中国联合网络通信集团有限公司 | 智能套餐推荐方法和系统 |
CN112395486A (zh) * | 2019-08-12 | 2021-02-23 | 中国移动通信集团重庆有限公司 | 一种宽带业务推荐方法、系统、服务器和存储介质 |
CN113129091A (zh) * | 2019-12-31 | 2021-07-16 | 中国移动通信集团湖南有限公司 | 一种资费套餐的推荐方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046524A (zh) * | 2015-06-29 | 2015-11-11 | 北京联合大学 | 一种话费套餐分析与推荐的方法 |
CN105389713A (zh) * | 2015-10-15 | 2016-03-09 | 南京大学 | 基于用户历史数据的移动流量套餐推荐算法 |
CN106851605A (zh) * | 2015-12-07 | 2017-06-13 | 中国联合网络通信集团有限公司 | 一种确定套餐的方法及装置 |
-
2017
- 2017-10-20 CN CN201710984478.6A patent/CN109697448A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046524A (zh) * | 2015-06-29 | 2015-11-11 | 北京联合大学 | 一种话费套餐分析与推荐的方法 |
CN105389713A (zh) * | 2015-10-15 | 2016-03-09 | 南京大学 | 基于用户历史数据的移动流量套餐推荐算法 |
CN106851605A (zh) * | 2015-12-07 | 2017-06-13 | 中国联合网络通信集团有限公司 | 一种确定套餐的方法及装置 |
Non-Patent Citations (1)
Title |
---|
杜金涛: "基于粗糙集的协同推荐模型研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110087228A (zh) * | 2019-05-15 | 2019-08-02 | 中国联合网络通信集团有限公司 | 一种业务套餐的确定方法及装置 |
CN110335122A (zh) * | 2019-07-11 | 2019-10-15 | 中国联合网络通信集团有限公司 | 智能套餐推荐方法和系统 |
CN112395486A (zh) * | 2019-08-12 | 2021-02-23 | 中国移动通信集团重庆有限公司 | 一种宽带业务推荐方法、系统、服务器和存储介质 |
CN112395486B (zh) * | 2019-08-12 | 2023-11-03 | 中国移动通信集团重庆有限公司 | 一种宽带业务推荐方法、系统、服务器和存储介质 |
CN113129091A (zh) * | 2019-12-31 | 2021-07-16 | 中国移动通信集团湖南有限公司 | 一种资费套餐的推荐方法及装置 |
CN113129091B (zh) * | 2019-12-31 | 2023-10-27 | 中国移动通信集团湖南有限公司 | 一种资费套餐的推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697448A (zh) | 一种业务套餐的推荐方法、设备及计算机可读存储介质 | |
CN105224699B (zh) | 一种新闻推荐方法及装置 | |
CN107894998B (zh) | 视频推荐方法及装置 | |
CN104050187B (zh) | 搜索结果展示方法及系统 | |
CN102902744A (zh) | 一种图书推荐方法 | |
CN105723402A (zh) | 用于确定社交数据网络中的影响者的系统和方法 | |
CN107896153B (zh) | 一种基于移动用户上网行为的流量套餐推荐方法及装置 | |
Liu et al. | Mobile commerce product recommendations based on hybrid multiple channels | |
CN109472286A (zh) | 基于兴趣度模型与类型因子的高校图书推荐方法 | |
CN110909222B (zh) | 基于聚类的用户画像建立方法、装置、介质及电子设备 | |
CN111324789A (zh) | 一种网络信息数据热度的计算方法 | |
CN111611496A (zh) | 产品推荐方法及其装置 | |
CN107092609A (zh) | 一种信息推送方法及装置 | |
Yu et al. | A coupled clustering approach for items recommendation | |
KR101082589B1 (ko) | 매체의 편향 현상을 완화하기 위한 단면수준 뉴스브라우징 서비스 시스템 및 서비스 제공방법 | |
CN108132964A (zh) | 一种基于用户对项目类评分的协同过滤方法 | |
CN106844402B (zh) | 数据处理方法及装置 | |
CN109918678A (zh) | 一种字段含义识别方法和装置 | |
CN108694606A (zh) | 一种基于关联规则的客户画像及服务推送方法 | |
CN107239964A (zh) | 用户价值评分方法和系统 | |
CN109345201A (zh) | 人力资源管理方法、装置、电子设备及存储介质 | |
CN109447103A (zh) | 一种基于硬聚类算法的大数据分类方法、装置及设备 | |
CN111078997B (zh) | 一种资讯推荐方法及装置 | |
US9020863B2 (en) | Information processing device, information processing method, and program | |
US20220075804A1 (en) | Method and device for providing guide information for enhancement of artist's reputation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190430 |