CN109816483B - 信息推荐方法及装置、可读存储介质 - Google Patents

Abstract

一种信息推荐方法及装置、可读存储介质，所述信息推荐方法包括：获取待服务用户的个人标识信息和历史行为信息；根据所述个人标识信息和所述历史行为信息，判断所述待服务用户是否符合预设条件；当所述待服务用户符合预设条件时，根据所述个人标识信息、所述历史行为信息以及预设的推荐问题模型，确定针对所述待服务用户的推荐问题；当检测到所述待服务用户已登陆，将所述推荐问题推送到所述待服务用户对应的用户终端。采用上述方案，可以快速、有针对性地向客户推荐问题。

Description

信息推荐方法及装置、可读存储介质

技术领域

本发明属于互联网技术领域，特别涉及一种信息推荐方法及装置、可读存储介质。

背景技术

随着各行业为客户提供的业务种类不断增加，业务复杂度的逐渐增强，以及用户量的不断攀升，客户服务部门承受着越来越大的压力。而客户服务模式多为人工服务，其应对方式单一，容易造成渠道过于拥挤、呼叫等待时间过长，因此造成客户的服务体验较差，降低了客户对客户服务的满意度。

基于人工服务的诸多缺点，智能客服机器人逐渐应用于客户服务行业。智能客服基于后台预设的知识库，知识库中包括各种类型的问题。针对客户简单、重复以及多渠道的问题，智能客服可以快速响应。

如今，很多行业已采用智能客服，如淘宝、京东等。但是现在的大多数智能客服所提供的推荐问题是固定不变的，即每个人看到的问题是一样的，无法针对不同客户的不同需求推送推荐问题。同时，客户再次进入客服系统后，其点击过的问题还是会再次展示，导致客户对客服的体验不好。

发明内容

本发明实施例解决的是如何快速、有针对性地向客户推荐问题。

为解决上述技术问题，本发明实施例提供一种信息推荐方法，信息推荐方法包括：获取待服务用户的个人标识信息和历史行为信息；根据所述个人标识信息和所述历史行为信息，判断所述待服务用户是否符合预设条件；当所述待服务用户符合预设条件时，根据所述个人标识信息、所述历史行为信息以及预设的推荐问题模型，确定针对所述待服务用户的推荐问题；当检测到所述待服务用户已登陆，将所述推荐问题推送到所述待服务用户对应的用户终端。

可选的，所述根据所述个人标识信息和所述历史行为信息，判断所述待服务用户是否符合预设条件，包括：根据所述个人标识信息，判断所述待服务用户是否为已注册用户；根据所述个人标识信息和所述历史行为信息，判断所述待服务用户是否存在历史服务记录。

可选的，所述预设的推荐问题模型采用如下方式生成：获取历史问题库、已服务用户的信息以及已服务用户对推荐问题的评估结果；对所述已服务用户的信息进行处理，得到特征变量；根据所述已服务用户的信息、所述特征变量以及所述历史问题库，选取至少一个分类算法进行模型训练，得到推荐问题工程模型；根据所述推荐问题工程模型和所述评估结果，纠正模型输出的推荐问题，得到所述预设的推荐问题模型。

可选的，所述选取至少一个分类算法进行模型训练，包括：判断所述已服务用户接受服务的次数是否超过预设阈值；当判断所述已服务用户接受服务的次数未超过预设阈值，将所述已服务用户分为对照组用户和训练用户；选取基于直方图的决策树算法预测所述训练组用户的推荐问题得分，得到所述训练组用户的推荐问题。

可选的，所述选取至少一个分类算法进行模型训练，包括：判断所述已服务用户接受服务的次数是否超过预设阈值；当判定所述已服务用户接受服务的次数超过预设阈值，将所述已服务用户分为对照组用户、第一训练组用户和第二训练组用户；选取基于直方图的决策树算法预测所述第一训练组用户的推荐问题得分，得到所述第一训练组用户的推荐问题；选取逻辑回归算法预测所述第二训练组用户的推荐问题得分，得到所述第二训练组用户的推荐问题；结合基于直方图的决策树算法和逻辑回归算法，再次预测所述第二训练组用户的推荐问题得分，得到更新的所述第二训练组用户的推荐问题。

可选的，还包括：将预设问题作为所述对照组用户的推荐问题。

可选的，还包括：将所述已服务用户在预设时间内查看过的所述推荐问题剔除，得到更新的推荐问题。

可选的，还包括：将所述待服务用户在预设时间内查看过的所述推荐问题剔除，得到更新的推荐问题。

可选的，所述个人标识信息包括个人标签，以及以下至少一种：姓名、年龄、性别、职业以及账号；所述历史行为信息包括以下至少一种：借款金额、借款日期、登陆次数、登陆时间、历史点击问题、历史点击操作以及历史浏览记录。

可选的，还包括：当所述待服务用户不符合预设条件时，当检测到所述待服务用户已登陆，将预设问题推送到所述待服务用户对应的用户终端。

为解决上述技术问题，本发明实施例还公开了一种信息推荐装置，信息推荐装置包括获取单元，用于获取待服务用户的个人标识信息和历史行为信息；判断单元，用于根据所述个人标识信息和所述历史行为信息，判断所述待服务用户是否符合预设条件；确定单元，用于当所述待服务用户符合预设条件时，根据所述个人标识信息、所述历史行为信息以及预设的推荐问题模型，确定针对所述待服务用户的推荐问题；推送单元，用于当检测到所述待服务用户已登陆，将所述推荐问题推送到所述待服务用户对应的用户终端。

可选的，所述判断单元，用于：根据所述个人标识信息，判断所述待服务用户是否为已注册用户；根据所述个人标识信息和所述历史行为信息，判断所述待服务用户是否存在历史服务记录。

可选的，所述预设的推荐问题模型采用如下方式生成：获取历史问题库、已服务用户的信息以及已服务用户对推荐问题的评估结果；对所述已服务用户的信息进行处理，得到特征变量；根据所述已服务用户的信息、所述特征变量以及所述历史问题库，选取至少一个分类算法进行模型训练，得到推荐问题工程模型；根据所述推荐问题工程模型和所述评估结果，纠正模型输出的推荐问题，得到所述预设的推荐问题模型。

可选的，所述确定单元，用于选取至少一个分类算法进行模型训练，包括：判断所述已服务用户接受服务的次数是否超过预设阈值；当判断所述已服务用户接受服务的次数未超过预设阈值，将所述已服务用户分为对照组用户和训练用户；选取基于直方图的决策树算法预测所述训练组用户的推荐问题得分，得到所述训练组用户的推荐问题。

可选的，所述确定单元，用于选取至少一个分类算法进行模型训练，包括：判断所述已服务用户接受服务的次数是否超过预设阈值；当判定所述已服务用户接受服务的次数超过预设阈值，将所述已服务用户分为对照组用户、第一训练组用户和第二训练组用户；选取基于直方图的决策树算法预测所述第一训练组用户的推荐问题得分，得到所述第一训练组用户的推荐问题；选取逻辑回归算法预测所述第二训练组用户的推荐问题得分，得到所述第二训练组用户的推荐问题；结合基于直方图的决策树算法和逻辑回归算法，再次预测所述第二训练组用户的推荐问题得分，得到更新的所述第二训练组用户的推荐问题。

可选的，所述确定单元，还用于：将预设问题作为所述对照组用户的推荐问题。

可选的，所述确定单元，还用于：将所述已服务用户在预设时间内查看过的所述推荐问题剔除，得到更新的推荐问题。

可选的，所述确定单元，还用于：将所述待服务用户在预设时间内查看过的所述推荐问题剔除，得到更新的推荐问题。

可选的，所述个人标识信息包括个人标签，以及以下至少一种：姓名、年龄、性别、职业以及账号；所述历史行为信息包括以下至少一种：借款金额、借款日期、登陆次数、登陆时间、历史点击问题、历史点击操作以及历史浏览记录。

可选的，所述推送单元，还用于当所述待服务用户不符合预设条件时，当检测到所述待服务用户已登陆，将预设问题推送到所述待服务用户对应的用户终端。

本发明实施例还公开了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述任一种所述的信息推荐方法的步骤。

本发明实施例还提供了一种信息推荐装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行上述任一种所述的信息推荐方法的步骤。

与现有技术相比，本发明实施例的技术方案具有以下有益效果：

当所述待服务用户符合预设条件时，根据所述个人标识信息、所述历史行为信息以及预设的推荐问题模型，确定针对所述待服务用户的推荐问题。当检测到所述待服务用户已登陆，将所述推荐问题推送到所述待服务用户对应的用户终端。对于不同客户，可以根据用户的个人标识信息和历史行为信息，通过机器学习的方式，快速地推送有针对性、个性化的推荐问题，提高了客户的服务体验。

进一步，将所述已服务用户、所述待服务用户在预设时间内查看过的所述推荐问题剔除，得到更新的推荐问题，保证不会在一定时间内向客户重复推荐问题，提高了客户的服务体验。

附图说明

图1是本发明实施例一种信息推荐方法的流程图；

图2是本发明实施例一种信息推荐方法的场景示意图；

图3是本发明实施例一种信息推荐装置的结构示意图。

具体实施方式

现有技术中，大多数智能客服所提供的推荐问题是固定不变的，即每个人看到的问题是一样的，无法针对不同客户的不同需求推送推荐问题。同时，客户再次进入客服系统后，其点击过的问题还是会再次展示，导致客户对客服的体验不好。

本发明实施例中，当所述待服务用户符合预设条件时，根据所述个人标识信息、所述历史行为信息以及预设的推荐问题模型，确定针对所述待服务用户的推荐问题。当检测到所述待服务用户已登陆，将所述推荐问题推送到所述待服务用户对应的用户终端。对于不同客户，可以根据用户的个人标识信息和历史行为信息，通过机器学习的方式，快速地推送有针对性、个性化的推荐问题，提高了客户的服务体验。

为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

本发明实施例提供了一种信息推荐方法，参照图1，以下通过具体步骤进行详细说明。

本发明实施例中提供的信息推荐方法可以应用于客户服务系统。

步骤S101，获取待服务用户的个人标识信息和历史行为信息。

在具体实施中，个人标识信息可以包括个人标签，以及以下至少一种信息：姓名、年龄、性别、职业以及账号；个人标签可以包括用户的身份信息如“男客户”，也可以包括客服系统根据用户的行为数据而提取的标签。

例如，用户在预设时间内，在“人民公园”这一地点登陆客服系统的次数超过预设阈值，可以将“人民公园”作为该用户的个人标签。又如，用户通过应用系统已获得过系统所提供的任一种服务后，将“老客户”这一个人标签作为该用户的个人标签。同时，根据客户所要求的服务内容，可以将用户的个人标签细化为“借入资金用户”、“借出资金用户”等。

可以理解的是，根据客户的自行输入的个人数据和服务系统所采集到的数据(例如系统日志、行为数据等)，以提取用户的个人标签。个人标签不限定种类，即只要满足个人标签可以反映用户的标识信息，就可以作为该用户的个人标签，本发明在此不作赘述。

在具体实施中，历史行为信息可以包括以下至少一种：借款金额、借款日期、登陆次数、登陆时间、历史点击问题、历史点击操作以及历史浏览记录。可以理解的是，以上所列举的用户历史行为信息是基于贷款服务系统而获取到的数据。根据不同用户所要求的不同业务服务，可以获取不同用户在不同服务类型的应用系统上的行为数据，以作为用户的历史行为信息。同时，由于行为数据的多样化，同样不限定历史行为信息的种类，即可以以应用系统所能获得的所有用户行为数据作为该用户的历史行为信息，本发明在此不作赘述。

步骤S102，根据所述个人标识信息和所述历史行为信息，判断所述待服务用户是否符合预设条件。

在具体实施中，根据所述个人标识信息，可以判断所述待服务用户是否为已注册用户。由于个人标识信息中包括个人标签，可以通过用户的“注册用户”标签判断该用户为已注册用户，进而判断该用户是否存在服务记录；如果登陆的用户无“注册用户”这一标签，则说明该用户为未注册用户，不满足预设条件。

同时，个人标识信息可以包括用户的账号信息，当应用系统可以获取到用户的账号信息时，判断该用户为已注册账号的用户，进而判断该用户是否存在服务记录；当应用系统不能获取到用户的账号信息或直接获取到用户的游客用户信息，则判断该用户为未注册用户，不满足预设条件。

在具体实施中，可以根据所述个人标识信息和所述历史行为信息，判断所述待服务用户是否存在历史服务记录。同样的，由于个人标识信息中包括个人标签，可以通过用户的“老客户”标签判断该用户为获取过服务的用户，进而执行步骤S103。由于该个人标签来源于用户的历史行为信息，因此结合用户的个人标识信息和历史行为信息以做出上述判断。同时，用户也可以选择将历史行为信息中的某一项或某几项数据作为判断结果的交叉印证，以保证判断结果的准确性。另一方面，如果用户无“老客户”的个人标签，或存在“新客户”的标签，则判断该用户为无历史服务记录的用户，不满足预设条件。

步骤S103，当所述待服务用户符合预设条件时，根据所述个人标识信息、所述历史行为信息以及预设的推荐问题模型，确定针对所述待服务用户的推荐问题。

在具体实施中，所述预设的推荐问题模型可以采用如下方式生成：先获取历史问题库、已服务用户的信息以及已服务用户对推荐问题的评估结果；然后，对所述已服务用户的信息进行处理，得到特征变量；接着，根据所述已服务用户的信息、所述特征变量以及所述历史问题库，选取至少一个分类算法进行模型训练，得到推荐问题工程模型；最后，根据所述推荐问题工程模型和所述评估结果，纠正模型输出的推荐问题，得到所述预设的推荐问题模型。

在本发明一实施例中，历史问题库为金融贷款类问题，根据所有用户提出的所有问题，将问题分类为基本问题和拓展问题，进而生成历史问题以及对应的标准回答，形成了历史问题库(即问题库中包含问题和对应的标准回答)。进一步，历史问题库将问题分为七大类，包括：如何借款、借款进度、借款额度、还款、账号信息、注册认证以及充值提现。可以理解的是，采用客服系统的用户可以根据自身不同的需求，采用不同业务类型的历史问题库，如投资类历史问题库、买卖类历史问题库等等。同时，也可以将历史问题库中的问题同样加以大类分组，以使得后续推荐问题模型可以先在大类问题上进行推荐，再根据某一大类问题继续进行细化的问题推荐。

在实际应用中，在对已服务用户的信息进行处理的过程中，包括对用户信息的清洗、处理以及选取特征变量，进而将得到的特征变量输入模型进行训练，得到推荐问题工程模型。

在具体实施中，选取至少一个分类算法进行模型训练，可以包括：先判断所述已服务用户接受服务的次数是否超过预设阈值；当判断所述已服务用户接受服务的次数未超过预设阈值，将所述已服务用户分为对照组用户和训练用户；再选取基于直方图的决策树算法预测所述训练组用户的推荐问题得分，得分越高的问题在推荐问题排序上的顺序越靠前，从而得到所述训练组用户按得分高低排序的推荐问题。

在具体实施中，选取至少一个分类算法进行模型训练，还可以包括：先判断所述已服务用户接受服务的次数是否超过预设阈值；当判定所述已服务用户接受服务的次数超过预设阈值，将所述已服务用户分为对照组用户、第一训练组用户和第二训练组用户；再选取基于直方图的决策树算法预测所述第一训练组用户的推荐问题得分，得分越高的问题在推荐问题排序上的顺序越靠前，得到所述第一训练组用户的推荐问题；接着，选取逻辑回归算法预测所述第二训练组用户的推荐问题得分，得到所述第二训练组用户的推荐问题；最后，结合基于直方图的决策树算法和逻辑回归算法，再次预测所述第二训练组用户的推荐问题得分，得分越高的问题在推荐问题排序上的顺序越靠前，得到更新的所述第二训练组用户按得分高低排序的推荐问题。

在实际应用中，将已服务用户接受服务的次数是否超过预设阈值对用户加以分类，再根据分类后的用户分别进行不同算法下的推荐问题预测，最后结合所有分类下的推荐问题，可以优化推荐问题模型，使得向客户所推荐的问题更加准确地满足客户的提问需求。

在本发明一实施例中，对金融类业务中的借款用户进行问题推荐。在获取到待服务用户的个人标识信息和历史行为信息后，判断该用户是否有账号，当判定该用户无账号时，将热门问题作为该用户的推荐问题；当判定该用户有账号时，判断该用户为借入资金用户还是借出资金用户。当判定该用户为借出资金用户时，将热门问题作为该用户的推荐问题；当判定该用户为借入资金用户是，判断该用户是否第一次借入资金。当判定该用户第一次借入资金时，将热门问题作为用户账号的尾号为0和5的用户的推荐问题；将账号尾号为1、2、3、4、6、7、8、9的用户的信息和相应的特征变量输入基于直方图的决策树模型，得到大分类下的推荐问题排序。

当判定该用户借入资金的次数超过两次时，将热门问题作为用户账号的尾号为0和5的用户的推荐问题；将账号尾号为6、7、8、9的用户的信息和相应的特征变量输入基于直方图的决策树模型，得到大分类下的推荐问题排序。将账号尾号为1、2、3、4的用户的信息和相应的特征变量输入逻辑回归模型，根据输出结果判断是否还需要输入新模型中继续预测。当输出结果未超过预设阈值，将大分类下的推荐问题排序作为该用户的推荐问题；当输出结果超过预设阈值，将用户信息和相应的特征变量数据输入基于直方图的决策树模型和逻辑回归模型中再次预测，得到大分类下的推荐问题排序。

最后，将大分类下的推荐问题排序细化到具体问题继续预测，得到具体的推荐问题排序，剔除该用户在三天内点击过的问题，将更新的推荐问题排序作为该用户的推荐问题。

在具体实施中，可以将预设问题作为所述对照组用户的推荐问题。一般可以将客服系统中获取的大多数用户点击过的热门问题作为预设问题，可以理解的是，用户也可以在不同的时间段设置不同的预设问题，例如根据客服系统获取的实时热门问题的变化，实时更新预设问题。同样的，用户根据自身的不同需求，也可以将其他非热门问题(例如业务推广问题)作为预设问题，或者在固定时间设置固定的预设问题，本发明在此不作赘述。

在具体实施中，在训练推荐问题模型时，可以将所述已服务用户在预设时间内查看过的所述推荐问题剔除，得到更新的推荐问题。之后，再结合已服务用户对客服系统所推荐的问题的结果反馈，调整所推荐的问题，得到优化的推荐问题模型，以提高后续向待服务用户推荐问题的准确性。

在具体实施中，将所述待服务用户在预设时间内查看过的所述推荐问题剔除，得到更新的推荐问题，从而将更新的推荐问题作为该用户的推荐问题，保证了不会在一定时间内向客户重复推荐问题，提高了客户的服务体验。

步骤S104，当检测到所述待服务用户已登陆，将所述推荐问题推送到所述待服务用户对应的用户终端。

在实际应用中，客服系统的所有数据可以存储在数据库中(例如MySQL、HBASE等)，进而对各类数据进行分析，用户的数据进行清洗、处理、选取特征变量等。然后采用分类算法对用户数据进行训练，得到工程模型。进而计算用户对各类问题的喜好程度，预测用户对问题的得分，以得分高的问题排列在先。

同时，网络层的平台站点、移动应用程序或其他平台应用调用应用程序编程接口，进行数据访问，将推荐问题按得分高低顺序进行封装。当用户打开运营方提供的应用系统时，系统直接给出对该用户定制的推荐问题，可以做到全天候毫秒级响应客户的服务需求。最后，结合用户在应用系统中的点击行为等，系统后台记录用户的行为数据，评估推荐问题的正确性，以不断调整改进系统，进一步提高对该用户定制的推荐问题的准确性。

在实际应用中，用户终端可以包括用户的个人电脑、用户的移动涉笔以及用户的其他终端，即可以接受到信息推荐的各类设备，本发明在此不作赘述。

在具体实施中，当所述待服务用户不符合预设条件时，当检测到所述待服务用户已登陆，可以将预设问题推送到所述待服务用户对应的用户终端。

在实际应用中，可以采用调度工具对信息推荐的过程，以及整体客服系统进行调度。例如采用azkaban软件，设置具体的调度时间，并设置脚本进行循环处理，保证信息推荐及客服系统基本不需要人工干预，不仅减轻了运营方的运营负担，也保证了对客户要求的服务及时响应，提高了客户的满意度。

综上所述，当所述待服务用户符合预设条件时，根据所述个人标识信息、所述历史行为信息以及预设的推荐问题模型，确定针对所述待服务用户的推荐问题。当检测到所述待服务用户已登陆，将所述推荐问题推送到所述待服务用户对应的用户终端。对于不同客户，可以根据用户的个人标识信息和历史行为信息，通过机器学习的方式，快速地推送有针对性、个性化的推荐问题，提高了客户的服务体验。

参照图2给出了本发明实施例一种信息推荐方法的场景示意图。由图2可知，用户打开应用系统，系统直接采用智能客服向客户推荐定制问题，解决了人工客服数量不足的问题，不会造成客户长时间等待服务。

图2右侧为根据用户信息得到的推荐问题排序，用户可以点击问题，进而得到该问题对应的回答。同时，图2左侧为根据用户信息得到的大分类推荐问题排序，用户也可以选择点击大分类问题如“借款进度”，进而得到借款进度分类下的推荐问题排序。

其中，大分类问题列表中第一项为“热点关注”。根据本发明中提出的信息推荐方法，得到针对该用户定制的其他大分类问题，自第二项开始，分别是“借款进度”、“借款额度”、“如何借款”、“还款”。

而细化的推荐问题排序则是根据大分类问题排序，再次进行预测，为客户定制细化的推荐问题。由图2可知，该用户的推荐问题为“如何修改绑定手机”、“如何借款”、“查询借款进度”、“资金筹集要多久”、“借款额度的范围”、“借款额度降低的原因”、“借款要求”、“如何上传借款资料”等等。细化的推荐问题可以根据问题的预测得分高低排序，例如“如何绑定手机”，虽然该问题所归属的大分类问题的预测得分较低，未出现在显示界面的第一页，但问题“如何绑定手机”预测得分最高(即预测该问题为该用户最感兴趣的问题)，因此该问题在细化的推荐问题列表中排在第一位。

综上所述，由于客服系统在用户打开应用系统时，实时发送为该用户定制的推荐问题，可以做到全天候毫秒级响应客户的服务需求。

参照图3，本发明实施例还提供了一种信息推荐装置30，包括：获取单元301、判断单元302、确定单元303和推送单元304：

其中，所述获取单元301，用于获取待服务用户的个人标识信息和历史行为信息；

所述判断单元302，用于根据所述个人标识信息和所述历史行为信息，判断所述待服务用户是否符合预设条件；

所述确定单元303，用于当所述待服务用户符合预设条件时，根据所述个人标识信息、所述历史行为信息以及预设的推荐问题模型，确定针对所述待服务用户的推荐问题；

所述推送单元304，用于当检测到所述待服务用户已登陆，将所述推荐问题推送到所述待服务用户对应的用户终端。

在具体实施中，所述判断单元302，可以用于：根据所述个人标识信息，判断所述待服务用户是否为已注册用户；根据所述个人标识信息和所述历史行为信息，判断所述待服务用户是否存在历史服务记录。

在具体实施中，所述预设的推荐问题模型可以采用如下方式生成：获取历史问题库、已服务用户的信息以及已服务用户对推荐问题的评估结果；对所述已服务用户的信息进行处理，得到特征变量；根据所述已服务用户的信息、所述特征变量以及所述历史问题库，选取至少一个分类算法进行模型训练，得到推荐问题工程模型；根据所述推荐问题工程模型和所述评估结果，纠正模型输出的推荐问题，得到所述预设的推荐问题模型。

在具体实施中，所述确定单元303，可以用于选取至少一个分类算法进行模型训练，包括：判断所述已服务用户接受服务的次数是否超过预设阈值；当判断所述已服务用户接受服务的次数未超过预设阈值，将所述已服务用户分为对照组用户和训练用户；选取基于直方图的决策树算法预测所述训练组用户的推荐问题得分，得到所述训练组用户的推荐问题。

在具体实施中，所述确定单元303，可以用于选取至少一个分类算法进行模型训练，包括：判断所述已服务用户接受服务的次数是否超过预设阈值；当判定所述已服务用户接受服务的次数超过预设阈值，将所述已服务用户分为对照组用户、第一训练组用户和第二训练组用户；选取基于直方图的决策树算法预测所述第一训练组用户的推荐问题得分，得到所述第一训练组用户的推荐问题；选取逻辑回归算法预测所述第二训练组用户的推荐问题得分，得到所述第二训练组用户的推荐问题；结合基于直方图的决策树算法和逻辑回归算法，再次预测所述第二训练组用户的推荐问题得分，得到更新的所述第二训练组用户的推荐问题。

在具体实施中，所述确定单元303，还可以用于：将预设问题作为所述对照组用户的推荐问题。

在具体实施中，所述确定单元303，还可以用于：将所述已服务用户在预设时间内查看过的所述推荐问题剔除，得到更新的推荐问题。

在具体实施中，所述确定单元303，还可以用于：将所述待服务用户在预设时间内查看过的所述推荐问题剔除，得到更新的推荐问题。

在具体实施中，所述个人标识信息包括个人标签，以及以下至少一种：姓名、年龄、性别、职业以及账号；所述历史行为信息可以包括以下至少一种：借款金额、借款日期、登陆次数、登陆时间、历史点击问题、历史点击操作以及历史浏览记录。

在具体实施中，所述推送单元304，还可以用于当所述待服务用户不符合预设条件时，当检测到所述待服务用户已登陆，将预设问题推送到所述待服务用户对应的用户终端。

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机指令，所述计算机指令运行时执行本发明上述实施例中提供的所述的信息推荐方法的步骤。

本发明实施例还提供了一种信息推荐装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所示计算机指令时，执行本发明上述实施例中提供的所述的信息推荐方法的步骤。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于任一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (18)

1.一种信息推荐方法，其特征在于，包括：

获取待服务用户的个人标识信息和历史行为信息；

根据所述个人标识信息和所述历史行为信息，判断所述待服务用户是否符合预设条件；

当所述待服务用户符合预设条件时，根据所述个人标识信息、所述历史行为信息以及预设的推荐问题模型，确定针对所述待服务用户的推荐问题；所述预设的推荐问题模型采用如下方式生成：获取历史问题库、已服务用户的信息以及已服务用户对推荐问题的评估结果；对所述已服务用户的信息进行处理，得到特征变量；根据所述已服务用户的信息、所述特征变量以及所述历史问题库，选取至少一个分类算法进行模型训练，得到推荐问题工程模型；

根据所述推荐问题工程模型和所述评估结果，纠正模型输出的推荐问题，得到所述预设的推荐问题模型；所述选取至少一个分类算法进行模型训练，包括：判断所述已服务用户接受服务的次数是否超过预设阈值；当判定所述已服务用户接受服务的次数超过预设阈值，将所述已服务用户分为对照组用户、第一训练组用户和第二训练组用户；选取基于直方图的决策树算法预测所述第一训练组用户的推荐问题得分，得到所述第一训练组用户的推荐问题；选取逻辑回归算法预测所述第二训练组用户的推荐问题得分，得到所述第二训练组用户的推荐问题；结合基于直方图的决策树算法和逻辑回归算法，再次预测所述第二训练组用户的推荐问题得分，得到更新的所述第二训练组用户的推荐问题；

当检测到所述待服务用户已登陆，将所述推荐问题推送到所述待服务用户对应的用户终端。

2.如权利要求1所述的信息推荐方法，其特征在于，所述根据所述个人标识信息和所述历史行为信息，判断所述待服务用户是否符合预设条件，包括：

根据所述个人标识信息，判断所述待服务用户是否为已注册用户；

根据所述个人标识信息和所述历史行为信息，判断所述待服务用户是否存在历史服务记录。

3.如权利要求1所述的信息推荐方法，其特征在于，所述选取至少一个分类算法进行模型训练，包括：

判断所述已服务用户接受服务的次数是否超过预设阈值；

当判断所述已服务用户接受服务的次数未超过预设阈值，将所述已服务用户分为对照组用户和训练用户；

选取基于直方图的决策树算法预测所述训练组用户的推荐问题得分，得到所述训练组用户的推荐问题。

4.如权利要求1或3所述的信息推荐方法，其特征在于，还包括：将预设问题作为所述对照组用户的推荐问题。

5.如权利要求1或3所述的信息推荐方法，其特征在于，还包括：将所述已服务用户在预设时间内查看过的所述推荐问题剔除，得到更新的推荐问题。

6.如权利要求1所述的信息推荐方法，其特征在于，还包括：将所述待服务用户在预设时间内查看过的所述推荐问题剔除，得到更新的推荐问题。

7.如权利要求1所述的信息推荐方法，其特征在于，所述个人标识信息包括个人标签，以及以下至少一种：姓名、年龄、性别、职业以及账号；所述历史行为信息包括以下至少一种：借款金额、借款日期、登陆次数、登陆时间、历史点击问题、历史点击操作以及历史浏览记录。

8.如权利要求1所述的信息推荐方法，其特征在于，还包括：当所述待服务用户不符合预设条件时，当检测到所述待服务用户已登陆，将预设问题推送到所述待服务用户对应的用户终端。

9.一种信息推荐装置，其特征在于，包括：

获取单元，用于获取待服务用户的个人标识信息和历史行为信息；

判断单元，用于根据所述个人标识信息和所述历史行为信息，判断所述待服务用户是否符合预设条件；

确定单元，用于当所述待服务用户符合预设条件时，根据所述个人标识信息、所述历史行为信息以及预设的推荐问题模型，确定针对所述待服务用户的推荐问题；所述预设的推荐问题模型采用如下方式生成：获取历史问题库、已服务用户的信息以及已服务用户对推荐问题的评估结果；对所述已服务用户的信息进行处理，得到特征变量；根据所述已服务用户的信息、所述特征变量以及所述历史问题库，选取至少一个分类算法进行模型训练，得到推荐问题工程模型；根据所述推荐问题工程模型和所述评估结果，纠正模型输出的推荐问题，得到所述预设的推荐问题模型；所述选取至少一个分类算法进行模型训练，包括：判断所述已服务用户接受服务的次数是否超过预设阈值；当判定所述已服务用户接受服务的次数超过预设阈值，将所述已服务用户分为对照组用户、第一训练组用户和第二训练组用户；选取基于直方图的决策树算法预测所述第一训练组用户的推荐问题得分，得到所述第一训练组用户的推荐问题；选取逻辑回归算法预测所述第二训练组用户的推荐问题得分，得到所述第二训练组用户的推荐问题；结合基于直方图的决策树算法和逻辑回归算法，再次预测所述第二训练组用户的推荐问题得分，得到更新的所述第二训练组用户的推荐问题；

推送单元，用于当检测到所述待服务用户已登陆，将所述推荐问题推送到所述待服务用户对应的用户终端。

10.如权利要求9所述的信息推荐装置，其特征在于，所述判断单元，用于：根据所述个人标识信息，判断所述待服务用户是否为已注册用户；根据所述个人标识信息和所述历史行为信息，判断所述待服务用户是否存在历史服务记录。

11.如权利要求9所述的信息推荐装置，其特征在于，所述确定单元，用于选取至少一个分类算法进行模型训练，包括：判断所述已服务用户接受服务的次数是否超过预设阈值；当判断所述已服务用户接受服务的次数未超过预设阈值，将所述已服务用户分为对照组用户和训练用户；选取基于直方图的决策树算法预测所述训练组用户的推荐问题得分，得到所述训练组用户的推荐问题。

12.如权利要求9或11所述的信息推荐装置，其特征在于，所述确定单元，还用于：将预设问题作为所述对照组用户的推荐问题。

13.如权利要求9或11所述的信息推荐装置，其特征在于，所述确定单元，还用于：将所述已服务用户在预设时间内查看过的所述推荐问题剔除，得到更新的推荐问题。

14.如权利要求9所述的信息推荐装置，其特征在于，所述确定单元，还用于：将所述待服务用户在预设时间内查看过的所述推荐问题剔除，得到更新的推荐问题。

15.如权利要求9所述的信息推荐装置，其特征在于，所述个人标识信息包括个人标签，以及以下至少一种：姓名、年龄、性别、职业以及账号；所述历史行为信息包括以下至少一种：借款金额、借款日期、登陆次数、登陆时间、历史点击问题、历史点击操作以及历史浏览记录。

16.如权利要求9所述的信息推荐装置，其特征在于，所述推送单元，还用于当所述待服务用户不符合预设条件时，当检测到所述待服务用户已登陆，将预设问题推送到所述待服务用户对应的用户终端。

17.一种计算机可读存储介质，计算机可读存储介质为非易失性存储介质或非瞬态存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1至8中任一项所述的信息推荐方法的步骤。

18.一种信息推荐装置，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至8任一项所述的信息推荐方法的步骤。

Images