CN109961311A - 客户推荐方法、装置、计算设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种客户推荐方法、装置、计算设备及存储介质，该方法包括：对于预定操作类型，统计用户在过去预定时间内每个子周期内进行的与活动相关的操作次数；对于每个子周期，基于操作次数和衰减因子，计算子周期评分，衰减因子是基于子周期和当前时间相距的时间长度确定的；综合所有子周期的子周期评分，计算用户对活动的操作类型相关偏好评分；基于操作类型相关偏好评分，确定用户对活动的偏好评分。通过本方案，可以根据用户的隐式行为来进行客户推荐，提高了推荐的准确性和有效性。

Description

客户推荐方法、装置、计算设备及存储介质

技术领域

本发明涉及互联网大数据推荐领域，尤其涉及一种客户推荐方法、装置、计算设备及存储介质。

背景技术

现有的推荐系统一般使用用户对营销活动的打分信息，或者营销活动自身的特征来进行推荐，这种技术在营销活动本身内容标签维护较为完善时，可以在一定程度上找到相似活动，从而给用户推荐符合其偏好的某种类型的活动。

传统的基于客户显性评分的推荐流程是利用经典的协同过滤技术做出推荐，通过营销活动本身内容标签的相似性做出推荐，主要业务流程包括：通过网站/APP设计用户评分功能；获取用户对营销活动的显性评分数据；将获取到的用户评分作为协同过滤算法的输入；为目标用户确定相似邻居并形成个性化推荐；为营销活动进行标签维护；通过协同过滤算法进行相似性确定；根据算法结果形成推荐结果。

但是，现有技术存在以下缺点：用户未必会对营销活动进行打分操作，难以获取显性评分；标签维护的有效性、时效性都很欠缺；用户相似性难以度量、相似用户计算量巨大等问题。

发明内容

本发明实施例提供了一种客户推荐方法，该方法不依赖于用户显性评分数据，能够基于隐式用户行为分析进行用户推荐。

第一方面，本发明实施例提供了一种客户推荐方法，方法包括：

对于预定操作类型，统计用户在过去预定时间内每个子周期内进行的与活动相关的操作次数；

对于每个子周期，基于操作次数和衰减因子，计算子周期评分，其中，衰减因子是基于子周期和当前时间相距的时间长度确定的；

根据所述预定时间内的所有子周期的子周期评分，计算用户对活动的操作类型相关偏好评分；

基于操作类型相关偏好评分，确定用户对活动的偏好评分。

第二方面，本发明实施例提供了一种客户推荐装置，装置包括：统计模块、第一计算模块、第二计算模块和确定模块。

对于预定操作类型，统计模块用于统计用户在过去预定时间内每个子周期内进行的与活动相关的操作次数。

对于每个子周期，第一计算模块用于基于操作次数和衰减因子，计算子周期评分，衰减因子是基于子周期和当前时间相距的时间长度确定的。

第二计算模块用于根据所述预定时间内的所有子周期的子周期评分，计算用户对活动的操作类型相关偏好评分。

确定模块用于基于操作类型相关偏好评分，确定用户对活动的偏好评分。

第三方面，本发明实施例提供了一种计算设备，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。

本发明实施例提供的客户推荐方法、装置、计算设备及存储介质，基于逐步遗忘策略的评分度量方式把用户隐式行为转化为用户项目评分，降低了用户在以往兴趣影响下评分的重要性。其次，从群体用户的行为中提取出能够影响推荐效果的潜在语义特征，为用户做出个性化推荐。能够根据用户的隐式行为来进行客户推荐，提高推荐的准确性和有效性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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，还可以根据这些附图获得其他的附图。

图1示出了根据本发明一实施例的客户推荐方法的示意性流程图。

图2示出了根据本发明一实施例的客户推荐装置的示意性结构框图。

图3示出了根据本发明一实施例的计算设备的示意性结构图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，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描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本发明主要解决两方面的技术问题，一是如何从用户的隐形行为中获取到用户对营销活动的偏好评分，二是如何从营销活动中提取出能够影响推荐效果的特征。下面将结合附图对本发明方案进一步解释说明。

图1示出了根据本发明一实施例的客户推荐方法的示意性流程图。

如图1所示，在步骤S100中可以对于预定操作类型，统计用户在过去预定时间内每个子周期进行的与活动相关的操作次数。

其中，预定操作类型可以是如搜索、咨询、下载、收藏、分享等较宽泛的操作，也可以是如语音搜索、文字搜索、电话咨询、网络咨询、微信分享、微博分享等更具体的操作，也可以是各种操作的集合作为一个操作类型，可以视具体的活动而定。

以下述场景为例，可以根据用户日常使用的流量消费结构和常用上网内容APP偏好来分析用户对4G流量套餐选择的隐性消费习惯行为，例如是否具备消费高单价4G套餐的能力，是否具备成为移动定向流量的潜力，并根据行为特征来推荐对应的产品。其中，隐形行为是指并非有意产生，而是在日常生活中为达到其他目的的过程中无意产生的行为，隐形行为可从侧面反映出个人的行为特点、生活轨迹、兴趣爱好等信息。实际中采集到的用户隐形行为包括对营销活动的搜索、收藏、分享等多种行为。

以基于用户搜索行为进行4G套餐销售影响因素预测进行说明：

预定时间可以是过去日期的最大范围数，比如预定时间为过去30天，那么可以只考虑过去30天内的操作次数数据。子周期可以是一天、一周等时间间隔，比如一个用户对4G飞享套餐的当日搜索数3次。

在步骤S200中可以对于每个子周期，基于操作次数和衰减因子，计算子周期评分，衰减因子是基于子周期和当前时间相距的时间长度确定。

可以对用户的搜索行为进行非线性衰减，例如可以记k_i为某个用户对第i个活动一天内的搜索次数，ω是考虑的数据的日期最大范围数，衰减以后的子周期评分t_j(x)可以通过下述公式计算：

其中，t_j(x)表示用户第j个操作类型的子周期评分。x表示距离当日日期的时间，也就是从当日往前数已经过去的天数。k_i(x)为某个用户在当日往前数第x天对第i个活动内的搜索次数。为衰减因子。

在步骤S300中可以根据所述预定时间内的所有子周期的子周期评分，计算用户对活动的操作类型相关偏好评分。

例如，某搜索的全部子周期加权后得分汇总。用户在数据日期ω天内对4G飞享套餐的操作类型相关偏好评分g_j(x)为：

在步骤S400中可以基于操作类型相关偏好评分，确定所述用户对所述活动的偏好评分。

根据本发明一实施例，可以基于用户对所有活动的操作类型相关偏好评分的最大值和最小值，对操作类型相关偏好评分进行标准化处理。

例如，将用户搜索的全部活动加权得分的最大值、最小值分别记录为g_max,g_min，可以通过下述公式对用户搜索的活动进行标准化：

f_j(x)＝(g_j(x)-g_min)/g_max-g_min)

得到用户对搜索过的4G飞享套餐的操作类型相关偏好评分f_i(x)。同理可以得到用户对4G飞享套餐的查看、下载等行为的评分，其他类型的行为计算过程保持一致。记下载评分为f_xz(x)，查看评分为f_ck(x)。

根据本发明一实施例，对于多种操作类型中的每一种操作类型，分别统计所述操作次数，计算子周期评分，并计算用户对活动的操作类型相关偏好评分，在步骤S400中可以综合所有操作类型的操作类型相关偏好评分，计算用户对活动的偏好评分。对于每种操作类型，基于用户对多个活动的操作类型的操作次数，分别确定其权重；基于权重综合所有操作类型的操作类型相关偏好评分，计算用户对活动的偏好评分。

例如，可以通过熵值法确定各操作类型的权重α、β、γ，f_j(x)、f_xz(x)_、f_ck(x)分别表示用户对搜索过的4G飞享套餐的操作类型相关偏好评分、下载过的4G飞享套餐的操作类型相关偏好评分和查看过的4G飞享套餐的操作类型相关偏好评分。则用户对4G飞享套餐的偏好评分为

z＝α*f_j(x)+β*f(x)_xz+γ*f_ck(x)

其中，x表示距离当日日期的时间(天数)。

由熵值法确定具体权重α、β、γ的步骤如下：

可以基于所述用户对所述活动的多种操作类型的一致性程度，计算所述权重。

例如，通过下述公式计算第j种操作类型的所述一致性程度dj，

d_j＝1-E_j

其中，x_ij表示用户对第i种活动的第j种操作类型的操作次数，m为用户的活动个数，K＝1/ln(m)。P_ij为用户对第i种活动的第j种操作类型与用户对所有活动地第j种操作类型相比的贡献度。

根据本发明一实施例，可以通过下述公式计算第j种操作类型的所述权重，

根据本发明一实施例，可以基于用户对活动的各种操作类型的重要性占比对一致性程度进行调整。可以考虑每个操作类型重要性占比，对上述一致性程度做了如下改进，重新计算各类型操作权重确定为：

其中，d_j的系数表示操作类型的重要性占比，d_j′表示改进后的一致性程度，X_i表示用户对i个活动所有操作类型的操作次数，X_j表示用户对所有活动的j个操作类型的操作次数。σ′_j为改进后第j种操作类型的所述权重。

通过本发明优化，营销推荐流程优化如下：

(1)通过网站/APP预设用户评分功能，结合用户访问次数和轨迹等方式形成用户行为偏好源数据；

(2)采集用户行为偏好源数据作为输入；

(3)运用本发明提出的基于逐步遗忘的策略的评分度量方式进行隐形行为模型计算获得用户活动偏好矩阵M_UI。

通过上述方法，可以降低用户在以往兴趣影响下评分的重要性，同时保障在繁杂的营销活动中的有效隐式行为通过数据收敛可进行有效评估计算，解决了传统用户行为转化为用户对营销活动的显式评分度量不准确问题。

根据本发明一实施例，该方法还可以包括：基于多个用户对多个活动的偏好评分，得到用户活动偏好矩阵；通过交替最小二乘法将用户活动偏好矩阵近似分解为用户特征偏好矩阵和活动特征矩阵的乘积。

例如，可以将用户活动偏好矩阵M_UI利用交替最小二乘法进行降维分解：M_UI＝P_UK*Q_KI。其中，(U×k)矩阵P_UK是用户特征偏好矩阵，代表用户喜好营销活动的某种潜在特征；(k×I)矩阵Q_KI是有效的营销活动特征矩阵。

可以利用多种方法对用户活动偏好矩阵M_UI降维分解为P_UK和Q_KI。例如，本方案使用的交替最小二乘法是一种协同推荐算法。通过用户对活动的打分，来推断每个用户的偏好并向用户个性化推荐。通过分析用户以及用户相关的活动的相关性，用以识别新的用户-活动相关性。最后通过最小化损失函数求解最优解。运用交替推荐和最小化矩阵收敛实现数据的降维，实现客户营销活动的关键影响要素确定。

其中，用户特征偏好矩阵表示多个用户对多个特征的偏好值，活动特征矩阵表示多个活动与多个特征的包含关系，特征的数量小于活动的数量。

例如，可以通过最小二乘法对批量用户行为进行计算，提取出该客户群对应的可选营销活动中能够影响推荐效果的关键要素，进行相似性确定形成活动特征矩阵Q_KI，其中，(k×I)矩阵是活动的特征矩阵，K是提取出来的潜在特征因子，K<<I。

可以继续进行矩阵降维，在可选的偏好的活动中剔除用户偏好概率较低的列表，并按照预测评分降序排列，得到有效的个性化推荐结果用于营销实施。

通过上述方案，运用交替最小二乘法实现数据的降维，实现客户营销活动的关键影响要素确定，解决了从营销活动中提取出能够影响推荐效果的特征的问题。

另外，本发明实施例的客户推荐方法可以由客户推荐装置来实现。图2示出了根据本发明一实施例的客户推荐装置的示意性结构框图。如图2所示，该装置200可以包括：统计模块210、第一计算模块220、第二计算模块230和确定模块240。

对于预定操作类型，统计模块210可以统计用户在过去预定时间内每个子周期内进行的与活动相关的操作次数。

对于每个子周期，第一计算模块220可以基于操作次数和衰减因子，计算子周期评分，衰减因子是基于子周期和当前时间相距的时间长度确定的。

第二计算模块230可以综合所有子周期的子周期评分，计算用户对活动的操作类型相关偏好评分。

确定模块240可以基于操作类型相关偏好评分，确定用户对活动的偏好评分。

根据本发明一实施例，该装置200还可以包括标准化模块。标准化模块可以基于用户对所有活动的操作类型相关偏好评分的最大值和最小值，对操作类型相关偏好评分进行标准化处理。

根据本发明一实施例，确定模块240可以包括综合单元，综合单元可以综合所有操作类型的操作类型相关偏好评分，计算用户对活动的偏好评分。

根据本发明一实施例，综合单元可以包括权重确定单元和第一计算单元。其中，权重确定单元可以对于每种操作类型，基于用户对多个活动的操作类型的操作次数，分别确定其权重。

第一计算单元可以基于确定的权重综合所有操作类型的操作类型相关偏好评分，计算用户对活动的偏好评分。

根据本发明一实施例，权重确定单元可以包括第二计算单元和第三计算单元。

第二计算单元可以基于用户对活动的多种操作类型的一致性程度，计算权重。第三计算单元可以基于用户对活动的各种操作类型的重要性占比对一致性程度进行调整，计算权重。

根据本发明一实施例，该装置200还可以包括：分解模块。分解模块可以基于多个用户对多个活动的偏好评分，得到用户活动偏好矩阵；通过交替最小二乘法将用户活动偏好矩阵近似分解为用户特征偏好矩阵和活动特征矩阵的乘积。

图3示出了本发明实施例提供的计算设备的硬件结构示意图。

计算设备可以包括处理器301以及存储有计算机程序指令的存储器302。

具体地，上述处理器301可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。

存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器302可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器302可在数据处理装置的内部或外部。在特定实施例中，存储器302是非易失性固态存储器。在特定实施例中，存储器302包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

处理器301通过读取并执行存储器302中存储的计算机程序指令，以实现上述实施例中的任意一种客户推荐方法。

在一个示例中，计算设备还可包括通信接口303和总线310。其中，如图3所示，处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。

通信接口303，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。

总线310包括硬件、软件或两者，将计算设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线310可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。

另外，结合上述实施例中的客户推荐方法，本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种客户推荐方法。

综上所述，本发明基于对逐步遗忘的策略进行评分度量，降低了用户评分的重要性，同时用户的有效隐式行为通过数据收敛可进行有效评估计算；同时，通过最小二乘法进行优化，运用交替推荐和最小化矩阵收敛实现数据的降维，实现客户营销活动的关键影响要素确定。结合以上技术手段，最终达到了根据用户的隐式行为来进行客户推荐，提高了推荐的准确性和有效性，为营销推广提供有效帮助。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (14)

1.一种客户推荐方法，其特征在于，所述方法包括：

对于预定操作类型，统计用户在过去预定时间内每个子周期进行的与活动相关的操作次数；

对于每个所述子周期，基于所述操作次数和衰减因子，计算子周期评分，所述衰减因子是基于所述子周期和当前时间相距的时间长度确定；

根据所述预定时间内的所有所述子周期的子周期评分，计算所述用户对所述活动的操作类型相关偏好评分；以及

基于所述操作类型相关偏好评分，确定所述用户对所述活动的偏好评分。

2.根据权利要求1所述的方法，其特征在于，所述对于预定操作类型，统计用户在过去预定时间内每个子周期进行的与活动相关的操作次数包括：对于多种操作类型中的每一种操作类型，分别统计所述操作次数；

所述基于所述操作类型相关偏好评分，确定所述用户对所述活动的偏好评分，之后进一步包括：

综合所有操作类型的操作类型相关偏好评分，计算所述用户对所述活动的偏好评分。

3.根据权利要求2所述的方法，其特征在于，所述综合所有操作类型的操作类型相关偏好评分计算所述用户对所述活动的偏好评分的步骤包括：

对于每种操作类型，基于所述用户对多个活动的所述操作类型的操作次数，分别确定其权重；以及

基于所述权重综合所有操作类型的操作类型相关偏好评分，计算所述用户对所述活动的偏好评分。

4.根据权利要求3所述的方法，其特征在于，所述对于每种操作类型基于所述用户对多个活动的所述操作类型的操作次数分别确定其权重的步骤包括：

基于所述用户对所述活动的多种操作类型的一致性程度，计算所述权重。

5.根据权利要求4所述的方法，其特征在于，所述对于每种操作类型基于所述用户对多个活动的所述操作类型的操作次数分别确定其权重的步骤还包括：

通过下述公式计算第j种操作类型的所述一致性程度d_j，

d_j＝1-E_j

其中，x_ij表示用户对第i种活动的第j种操作类型的操作次数，m为用户的活动个数，K＝1/ln(m)。

6.根据权利要求5所述的方法，其特征在于，所述对于每种操作类型基于所述用户对多个活动的所述操作类型的操作次数分别确定其权重的步骤还包括：

通过下述公式计算第j种操作类型的所述权重，

7.根据权利要求4所述的方法，其特征在于，所述对于每种操作类型基于所述用户对多个活动的所述操作类型的操作次数分别确定其权重的步骤还包括：

基于所述用户对所述活动的各种操作类型的重要性占比对所述一致性程度进行调整。

8.根据权利要求7所述的方法，其特征在于，所述对于每种操作类型基于所述用户对多个活动的所述操作类型的操作次数分别确定其权重的步骤还包括：

通过下述公式计算第j种操作类型的所述权重，

其中，d_j的系数表示操作类型的重要性占比，X_i表示用户对活动所有操作类型的操作次数，X_j表示用户对所有活动的操作类型的操作次数。

9.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于所述用户对所有活动的所述操作类型相关偏好评分的最大值和最小值，对所述操作类型相关偏好评分进行标准化处理。

10.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于多个用户对多个活动的偏好评分，得到用户活动偏好矩阵；以及

通过交替最小二乘法将所述用户活动偏好矩阵近似分解为用户特征偏好矩阵和活动特征矩阵的乘积。

11.根据权利要求10所述的方法，其特征在于，

所述用户特征偏好矩阵表示多个用户对多个特征的偏好值，所述活动特征矩阵表示多个活动与所述多个特征的包含关系，所述特征的数量小于所述活动的数量。

12.一种客户推荐装置，其特征在于，所述装置包括：

统计模块，用于对于预定操作类型，统计用户在过去预定时间内每个子周期进行的与活动相关的操作次数；

第一计算模块，用于对于每个子周期，基于操作次数和衰减因子，计算子周期评分，衰减因子是基于子周期和当前时间相距的时间长度确定的；

第二计算模块，用于根据所述预定时间内的所有子周期的子周期评分，计算用户对活动的操作类型相关偏好评分；

确定模块，用于基于操作类型相关偏好评分，确定用户对活动的偏好评分。

13.一种计算设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-11任一项所述的方法。

14.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-11中任一项所述的方法。