CN110428244B - 套餐推荐方法和装置 - Google Patents

套餐推荐方法和装置 Download PDF

Info

Publication number
CN110428244B
CN110428244B CN201910515606.1A CN201910515606A CN110428244B CN 110428244 B CN110428244 B CN 110428244B CN 201910515606 A CN201910515606 A CN 201910515606A CN 110428244 B CN110428244 B CN 110428244B
Authority
CN
China
Prior art keywords
data
user
recommended
expense
package
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.)
Active
Application number
CN201910515606.1A
Other languages
English (en)
Other versions
CN110428244A (zh
Inventor
刘永平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Xingyun Kaiwu Technology Co ltd
Original Assignee
Guangzhou Leyaoyao Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Leyaoyao Information Technology Co ltd filed Critical Guangzhou Leyaoyao Information Technology Co ltd
Priority to CN201910515606.1A priority Critical patent/CN110428244B/zh
Publication of CN110428244A publication Critical patent/CN110428244A/zh
Application granted granted Critical
Publication of CN110428244B publication Critical patent/CN110428244B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/18—Payment architectures involving self-service terminals [SST], vending machines, kiosks or multimedia terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
    • G06Q20/32—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices
    • G06Q20/327—Short range or proximity payments by means of M-devices
    • G06Q20/3276—Short range or proximity payments by means of M-devices using a pictured code, e.g. barcode or QR-code, being read by the M-device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种套餐推荐方法和装置，其中，一种套餐推荐方法，基于用户历史行为数据得到关键字集合，并将关键字集合作为用户标签，从而可利用数据挖掘和匹配算法对用户历史行为进行解析，得到用户的消费习惯信息，进而能够基于用户标签对用户进行更加准确地识别，提高用户识别的精准度；通过采用预设成本优化模型处理推荐费用数据，并得到推荐映射关系和邻近费用数据，从而能够根据预设成本优化模型对费用数据进行预判，并得到推荐费用数据；通过根据推荐使用次数和邻近使用次数，生成待显示套餐信息，从而能够基于用户历史行为数据、自动调整待显示套餐信息，进而实现了自适应推荐。

Description

套餐推荐方法和装置
技术领域
本申请涉及物联网技术领域，特别是涉及一种套餐推荐方法和装置。
背景技术
随着物联网技术的发展和移动支付的普及，自助设备例如娃娃机、兑币机、洗衣机和充电桩等，具备了支持在线支付的功能。用户可通过在线支付购买充值套餐以进行充值，从而能够对自助设备进行使用。在购买充值套餐时，一般通过套餐推荐方法向用户推荐充值套餐，即预先在后台设置套餐数据并所有用户进行推荐。
然而，在实现过程中，发明人发现传统技术中至少存在如下问题：传统的套餐推荐方法是将后台预先设置好的套餐数据显示在客户端，无法实现自适应推荐。
发明内容
基于此，有必要针对上述技术问题，提供一种能够实现自适应推荐的套餐推荐方法和装置。
为了实现上述目的，一方面，本申请实施例提供了一种套餐推荐方法，包括以下步骤：
获取用户标签，并根据用户标签确定推荐费用数据；用户标签为基于用户历史行为数据得到的关键字集合；
采用预设成本优化模型处理推荐费用数据，得到场地套餐集合中对应推荐费用数据的推荐映射关系，且获取推荐映射关系中本地费用数据与自助设备使用次数的商；场地套餐集合包含本地费用数据与自助设备使用次数的映射关系；
按照数据大小的次序，获取通用费用数据集合中、临近推荐费用数据的邻近费用数据；
处理推荐费用数据和商，得到推荐使用次数；处理邻近费用数据和商，得到邻近使用次数；
根据推荐使用次数和邻近使用次数，生成待显示套餐信息，并将待显示套餐信息传输给客户端以进行显示。
本申请实施例提供了一种套餐推荐装置，装置包括：
推荐费用数据确定模块，用于获取用户标签，并根据用户标签确定推荐费用数据；用户标签为基于用户历史行为数据得到的关键字集合；
推荐映射关系确定模块，用于采用预设成本优化模型处理推荐费用数据，得到场地套餐集合中对应推荐费用数据的推荐映射关系，且获取推荐映射关系中本地费用数据与自助设备使用次数的商；场地套餐集合包含本地费用数据与自助设备使用次数的映射关系；
邻近费用数据模块，用于按照数据大小的次序，获取通用费用数据集合中、临近推荐费用数据的邻近费用数据；
邻近使用数据获取模块，用于处理推荐费用数据和商，得到推荐使用次数；处理邻近费用数据和商，得到邻近使用次数；
显示模块，用于比较推荐使用次数和邻近使用次数，且依据比较的结果确定待显示套餐信息，并将待显示套餐信息传输给客户端以进行显示。
本申请实施例提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，其特征在于，处理器执行计算机程序时实现任一实施例的套餐推荐方法的步骤。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现任一实施例的套餐推荐方法的步骤。
上述技术方案中的一个技术方案具有如下优点和有益效果：
基于用户历史行为数据得到关键字集合，并将关键字集合作为用户标签，进而能够根据预设成本优化模型对费用数据进行预判，得到推荐费用数据；通过根据推荐映射关系中本地费用数据与自助设备使用次数分别处理推荐费用数据和邻近费用数据，并根据得到的推荐使用次数和邻近使用次数，生成待显示套餐信息，从而能够基于用户历史行为数据、自动调整待显示套餐信息，进而实现自适应推荐。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为一个实施例中套餐推荐方法的应用环境图；
图2为一个实施例中套餐推荐方法的第一示意性流程示意图；
图3为一个实施例中获取用户标签步骤的流程示意图；
图4为一个实施例中用户标签的示意图；
图5为一个实施例中根据用户标签确定推荐费用数据步骤的第一流程示意图；
图6为一个实施例中根据用户标签确定推荐费用数据步骤的第二流程示意图；
图7为一个实施例中得到场地套餐集合中对应推荐费用数据的映射关系步骤的流程示意图；
图8为一个实施例中得获取邻近费用数据步骤的流程示意图；
图9为一个实施例中套餐推荐方法的第二示意性流程示意图；
图10为一个实施例中套餐推荐方法的第三示意性流程示意图；
图11为一个实施例中套餐推荐方法的第四示意性流程示意图；
图12为一个实施例中套餐推荐装置的结构框图；
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本申请的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
随着物联网技术和在线支付技术的发展，当用户想要使用自助设备如娃娃机、兑币机、洗衣机、烘衣机、充电桩、自动售卖机等时，可通过在线支付的方式进行付费充值。多数情况下，在进行付费充值时，会通过套餐推荐方法向用户推荐充值套餐，然而通过传统的套餐推荐方法进行推荐时，所有用户能查看到的充值套餐都是商家在设备管理后台预设好的，即所有用户看到的充值套餐都是一样的，无任何差异，无法实现“因人而异，各有不同”地对不同用户推荐相应的套餐，即无法实现自适应推荐。
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的套餐推荐方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。当用户通过终端102进行充值操作时，服务器104根据其存储的用户历史行为数据、获取该用户对应的用户标签，并得到推荐费用数据。服务器104采用预设成本优化模型处理推荐费用数据，得到场地套餐集合中相应的推荐映射关系，以及通用费用数据集合中的邻近费用数据，并根据推荐映射关系中本地费用数据与自助设备使用次数分别处理推荐费用数据和邻近费用数据，得到推荐使用次数和邻近使用次数。服务器104根据推荐使用次数和邻近使用次数，生成待显示套餐信息，并将待显示套餐信息传输给终端102，以使终端102显示相应的套餐信息。
或者，当用户通过终端102进行充值操作时，终端102获取存储在服务器104上的用户历史行为数据，并基于用户历史行为数据得到对应的用户标签，以及推荐费用数据。终端102采用预设成本优化模型处理推荐费用数据，得到推荐映射关系以及邻近费用数据，并根据推荐映射关系中本地费用数据与自助设备使用次数分别处理推荐费用数据和邻近费用数据，得到推荐使用次数和邻近使用次数。终端102根据推荐使用次数和邻近使用次数，生成待显示套餐信息，并对待显示套餐信息进行显示。其中，终端102可以但不限于是各种自助设备、个人计算机、笔记本电脑、智能手机和平板电脑，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种套餐推荐方法，以该方法应用于图1中的终端或服务器为例进行说明，包括以下步骤：
步骤S202，获取用户标签，并根据用户标签确定推荐费用数据；
其中，用户标签为基于用户历史行为数据得到的关键字集合；推荐费用数据为根据用户标签确定的费用数值。
具体地，本申请可按照预设更新时间对用户标签进行更新，即当预设更新时间来临时，获取用户当前最新的用户历史行为数据，并基于当前最新的用户历史行为数据得到关键字集合，将关键字集合作为该用户所对应的用户标签，当需要获取用户标签时，根据用户的用户标识，获取该用户标识所对应的已有用户标签，即在预设更新时间到来时得到的用户标签；或者，当需要获取用户标签时，获取当前最新的用户历史行为数据，并基于当前最新的用户历史行为数据、得到关键字集合，将关键字集合作为用户标签；又或者，当检测到用户历史行为数据进行更新时，基于更新后的用户历史行为数据、获取用户标签。通过基于用户历史行为数据确定用户标签，从而能够实现通过数据挖掘和匹配算法、对用户的行为偏好进行解析。
获得用户标签后，本申请可通过为不同的用户标签设定不同的推荐费用数据获取算法；或者为不同的用户标签设定相应的权值等方式，从而可根据用户标签对相应的消费偏好信息和消费能力进行预判，并得到推荐费用数据，进而根据预判结果进行套餐推荐，实现“因人而异，各有不同”的自适应推荐。
例如，当通过为不同的用户标签设定不同的推荐费用数据获取算法，以确定推荐费用数据时，可为不同的用户标签设定对应的推荐费用数据，如用户标签包括标签A和标签B，标签A对应费用数据A，标签B对应费用数据B，当获取到的用户标签包括标签A时，将推荐费用数据确定为费用数据A。又例如，当通过为不同的用户标签设定相应的权值，以确定推荐费用数据时，标签A对应的权值为1.2，标签B对应的权值为0.2，若用户A的用户标签为标签A时，确定权值为1.2，当用户B的用户标签为标签A、标签B时，确认权值为1.4，通过将权值乘以基础费用数据，最终得到推荐费用数据。
需要说明的是，获取用户标签以及根据用户标签确定最终费用数据除了可根据各实施例中记载的内容实现外，还可根据设计需要通过其他方式实现，并不只限于本实施例所记载的方式。
通过获取用户标签，并根据用户标签确定推荐费用数据，从而可利用数据挖掘和匹配算法对用户历史行为进行解析，得到用户的消费习惯信息，进而能够基于用户标签对用户进行更加准确地识别，提高用户识别的精准度。
步骤S204，采用预设成本优化模型处理推荐费用数据，得到场地套餐集合中对应推荐费用数据的推荐映射关系，且获取推荐映射关系中本地费用数据与自助设备使用次数的商。
其中，场地套餐集合包含本地费用数据与自助设备使用次数的映射关系，该映射关系为商户预先设置的，不同类型不同的商户的自助设备、同一类型不同商户的自助设备、不同类型同一商户的自助设备以及不同类型不同商户的自助设备均可对应不同的场地套餐集合。在一个示例中，场地套餐集合可包含零个、一个或多个映射关系。
而预设成本优化模型用于按照预设规则、对推荐费用数据和场地套餐集合中映射关系对应的本地费用数据进行匹配，其中，预设规则包括但不限于差值最小、差值在预设范围内或本地费用数据与推荐费用数据的商在预设范围内等。
具体地，采用预设成本优化模型处理推荐费用数据，对场地套餐集合中映射关系对应的本地费用数据进行匹配，并得到匹配结果，即推荐映射关系，且获取推荐映射关系中本地费用数据与自助设备使用次数的商。需要说明的是，推荐映射关系的数量可为一个或多个。
本申请通过采用预设成本优化模型处理推荐费用数据，并得到推荐映射关系和邻近费用数据，从而能够根据预设成本优化模型对费用数据进行预判，并得到推荐费用数据。
步骤S206，按照数据大小的次序，获取通用费用数据集合中、临近推荐费用数据的邻近费用数据。
其中，通用费用数据集合为数值集合，可包括一个或多个通用费用数据，而通用费用数据为针对不同的商户均相同的费用数值。进一步地，通用费用数据集合可以为有序集合或无序集合。在一个示例中，可针对不同类型的自助设备、设定相应的通用费用数据集合，例如A类型的自助设备设置通用费用数据集合A，B类型的自助设备设置通用费用数据集合B。当用户使用A类型的自助设备时，无论该自助设备属于何商户，本申请均是获取通用费用数据集合A中、临近推荐费用数据的邻近费用数据。
具体地，本申请各实施例中所述的“临近”，可以包括直接相邻、或一定范围内的相邻；“临近推荐费用数据”包括但不限于位置临近推荐费用数据或数值临近推荐费用数据等，以实现按照数据大小的次序，获取通用费用数据集合中、临近推荐费用数据的邻近费用数据。例如，通过位置确定邻近费用数据时，可按照数据大小，将推荐费用数据插入通用费用数据集合中、与推荐费用数据差值最小的通用费用数据前后，并获取位置与推荐费用数据直接相邻的通用费用数据；又如，通过数值确定推荐费用数据时，可遍历通用费用数据集合中的各通用费用数据，得到各通用费用数据与推荐费用数据的差值，并将差值最小的通用费用数据作为邻近费用数据。
需要说明的是，本申请各实施例中，还可将与推荐费用数据的差值或商在预设范围内的通用费用数据作为邻近费用数据，并不只限于将差值最小所对应的通用费用数据确认为邻近费用数据。同时，邻近费用数据的数量可以为一个或多个。
步骤S208，处理推荐费用数据和商，得到推荐使用次数；处理邻近费用数据和商，得到邻近使用次数。
其中，推荐使用次数和邻近使用次数均用于指示自助设备的使用次数。
具体地，通过获取推荐映射关系中本地费用数据与自助设备使用次数的商，并处理推荐费用数据和商，从而可得到推荐费用数据对应的推荐使用次数；同时，处理邻近费用数据和商，从而可得到邻近费用数据对应的邻近使用次数。在一个示例中，可通过将推荐费用数据除以商，得到推荐使用次数；以及将邻近费用数据除以商，得到邻近使用次数。
步骤S210，根据推荐使用次数和邻近使用次数，生成待显示套餐信息，并将待显示套餐信息传输给客户端以进行显示。
其中，待显示套餐信息包括用于在终端进行显示的信息；客户端可安装在终端上。
具体地，对推荐使用次数和邻近使用次数进行判断，以分别确认推荐使用次数和邻近使用次数是否为有效数据，其中，有效数据包括但不限于：整数或大于或等于预设数值等。当确认推荐使用次数为有效数据时，将推荐使用次数对应的信息添加到待显示套餐信息；当确认邻近使用次数为有效数据时，将邻近使用次数对应的信息添加到待显示套餐信息。生成待显示套餐信息后，将待显示套餐信息传输给客户端以进行显示。
本申请各通过根据推荐映射关系中本地费用数据与自助设备使用次数分别处理推荐费用数据和邻近费用数据，得到推荐使用次数和邻近使用次数，并根据推荐使用次数和邻近使用次数，生成待显示套餐信息，从而能够基于用户历史行为数据、自动调整待显示套餐信息，进而实现自适应推荐。通过结合人工智能、大数据和智能硬件芯片进行自适应推荐，从而能够弥补自定义套餐数据的不足，进而提高经济效益和用户选择效率。
本申请基于用户历史行为数据得到关键字集合，并将关键字集合作为用户标签，进而能够根据预设成本优化模型对费用数据进行预判，得到推荐费用数据；通过根据推荐映射关系中本地费用数据与自助设备使用次数分别处理推荐费用数据和邻近费用数据，并根据得到的推荐使用次数和邻近使用次数，生成待显示套餐信息，从而能够基于用户历史行为数据、自动调整待显示套餐信息，进而实现自适应推荐。
在一个实施例中，如图3所示，获取用户标签的步骤包括：
步骤S302，识别当前用户的用户ID，获取用户ID对应的用户历史行为数据。
其中，用户历史行为数据包括第一时间段内的消费数据和第二时间段内的消费数据；第二时间段早于第一时间段。
具体地，用户ID用于对每一个用户进行标识，每个用户ID可以为唯一的、不可重复的。在一个示例中，用户ID包括但不限于用户账号名称、终端IMEI(International MobileEquipment Identity，国际移动设备识别码)码和/或移动电话号码等。用户历史行为数据包括但不限于历史消费记录信息及其对应的位置信息、历史浏览信息、消费次数、消费时间和/或常用设备类型等。本申请可通过账号登录或用户扫码等方式，获取当前用户的用户ID，并根据用户ID获取对应的用户历史行为数据。
步骤S304，当当前用户的用户ID对应的第一时间段内的消费数据为NULL时，提取当前用户的用户基本信息；处理当前用户的用户ID对应的第二时间段内的消费数据，得到当前用户的历史行为特征值。
具体地，用户基本信息包括但不限于用户性别信息、用户年龄信息和/或用户生日信息等。若当前用户的用户ID对应的第一时间段内的消费数据为空时，根据当前用户的用户ID、提取当前用户对应的用户基本信息，并第二时间段内的消费数据，计算第二时间段内的消费数据对应的历史行为特征值。
步骤S306，根据用户基本信息和历史行为特征值，于用户数据库中获取相似度最高的旧用户的用户ID；并获取旧用户的用户ID对应的第一时间段内的消费数据。
其中，用户数据库存储有多个用户ID分别对应的基本特征信息以及用户历史行为数据。
具体地，若当前用户的用户ID对应的第一时间段内的消费数据为NULL，根据当前用户的用户ID所对应的用户基本信息和历史行为特征值进行相似度计算，获取当前用户与存储在用户数据库的其他用户的相似度，即获取当前用户与旧用户的用户相似度，并确定用户数据库中、与当前用户相似度最高的旧用户的用户ID，根据旧用户的用户ID获取对应的第一时间段内的消费数据。
步骤S308，对旧用户的用户ID对应的第一时间段内的消费数据进行关键字提取，将提取到的关键字确定为当前用户的用户标签。
其中，用户标签可包括用户基本信息标签和行为属性标签，用户基本信息标签包括但不限于性别标签、年龄标签和生日标签等；行为属性标签包括但不限于自助设备类型标签、使用频率标签、位置标签、活跃情况标签和/或交易偏好标签等。
具体地，本申请根据旧用户的用户ID对应的第一时间段内的消费数据、提取出旧用户所对应的关键字集合，并将得到的关键字作为当前用户的用户标签。在一个示例中，可根据旧用户的用户ID对应的第一时间段内的消费数据、提取出旧用户所对应的行为属性标签，并将旧用户的行为属性标签作为当前用户的行为属性标签，进一步地，可通过大数据分析获取如图4所示的用户标签。
在一个实施例中，获取用户标签的步骤，还包括：
当当前用户的用户ID对应的第一时间段内的消费数据不为NULL时，对当前用户的用户ID对应的第一时间段内的消费数据进行关键字提取，将提取到的关键字确定为当前用户的用户标签。
具体地，如上各实施例所述，用户标签可包括用户基本信息标签和行为属性标签。当当前用户的用户ID对应的第一时间段内的消费数据不为NULL时，本申请根据当前用户的用户ID对应的第一时间段内的消费数据、提取出当前用户所对应的关键字集合，并将得到的关键字作为当前用户的用户标签。进一步地，可根据当前用户的用户ID对应的第一时间段内的消费数据、提取出当前用户所对应的行为属性标签。
在一个实施例中，如图5所示，根据用户标签确定推荐费用数据的步骤，包括：
步骤S502，当用户标签包括第一类关键词时，将通用费用数据集合中的通用费用数据确认为推荐费用数据。
其中，第一类关键词和第二类关键词均属于使用频率标签，即通过第一类关键词和第二类关键词，可识别出用户对自助设备的使用频率。每个用户的用户标签可包括多个分属于不同类型的标签，但任意多个用户标签不属于同一类型标签。例如，标签A和标签B属于自助设备类型标签、标签C和标签D属于使用频率标签，则用户A对应的用户标签可包括标签A和标签C，但可不同时包括标签A和标签B，抑或同时包括标签C和标签D。
具体地，第一类关键词包括新用户，即通过第一类关键词，可识别用户是否为新用户，当确定用户为新用户时，将通用费用数据集合中的一个或多个通用费用数据确认为推荐费用数据。
步骤S504，当用户标签不包括第一类关键词、且当前用户的用户ID对应的第一时间段内的消费数据不为NULL时，将第一时间段内的消费数据中的总费用数值与消费次数的商、确认为平均费用数据。
具体地，若用户标签不包括第一类关键词，同时当前用户的用户ID对应的第一时间段内的消费数据不为NULL，则根据当前用户的用户ID对应的第一时间段内的消费数据、确认平均费用数据。通过获取第一时间段内的总消费数值与消费次数的商，从而可得知当前用户每次消费的平均费用数据。
在一个示例中，可获取第一时间段内、某一子时间段的总消费数值与消费次数的商，并将该结果确认为平均费用数据。例如第一时间段内为最近六个月，可将最近三个月内的总消费数值与消费次数的商、确认为平均费用数据。
步骤S506，当用户标签包括第二类关键词时，将平均费用数据确认为推荐费用数据。
其中，第二类关键词包括重度用户，重度用户可用于指示该用户的使用频率最高。
具体地，若用户标签不包括第一类关键词、且包括第二类关键词，可将平均费用数据确认为推荐费用数据。
步骤S508，当用户标签不包括第二类关键词、且接收到费用衰减指令时，对平均费用数据进行衰减处理，得到推荐费用数据。
具体地，若用户标签既不包括第一类关键词、又不包括第二类关键词，当没有接收到费用衰减指令时，可将平均费用数据确认为推荐费用数据；当接收到费用衰减指令时，则对平均费用数据进行衰减处理，并得到推荐费用数据。
在一个实施例中，用户标签还包括状态关键词、常驻场地关键词和设备类型关键词；
如图6所示，当用户标签不包括第二类关键词、且接收到费用衰减指令时，对平均费用数据进行衰减处理，得到推荐费用数据的步骤包括：
步骤S602，获取当前用户的当前设备类型，并对当前设备类型和设备类型关键词进行匹配，得到类型匹配结果。
其中，状态关键词为活跃情况标签；常驻场地关键词为位置标签；设备类型关键词为自助设备类型标签。
具体地，获取当前用户正在进行充值的当前设备类型，以及当前设备对应的商户信息，即拥有当前设备的商家的信息。通过对当前设备类型和设备类型关键词进行匹配，以及对获取到的商户信息与当前用户对应的敏感商户信息进行匹配，得到类型匹配结果。其中，可将预设时间段内，当前用户在商户消费的费用数值占该预设时间段内总费用数值的比例超过预设数值的商户，确认为敏感商户。例如，可将预设数值确认为50％，预设时间段为最近3个月内。当当前用户近3个月里的总费用数值为160，在A商家累计消费的费用数值为100时，可以确认A商家对应的费用数值占总费用数值的62.5％，超过50％，将A商家确认为当前用户的敏感商户。
步骤S604，当用户标签包括第三类关键词时，基于类型匹配结果确定费减比例；当用户标签不包括第三类关键词时，获取当前用户的当前位置，对当前位置和常驻场地关键词进行匹配，得到位置匹配结果；并基于类型匹配结果、位置匹配结果和状态关键词确定费减比例。
其中，第三类关键词属于使用频率标签，第三类关键词包括爱好者。
具体地，当用户标签不包括第一类关键词、不包括第二类关键词且包括第三类关键词时，基于类型匹配结果确定费减比例。在一个示例中，当类型匹配结果指示当前设备类型与设备类型关键词不匹配，以及商户信息与敏感商户信息不匹配时，将费减比例确定为第一预设比例。当类型匹配结果指示当前设备类型与设备类型关键词匹配，以及商户信息与敏感商户信息匹配时，将费减比例确定为零。
当用户标签不包括第一类关键词、不包括第二类关键词且不包括第三类关键词时，获取当前用户的当前位置，并将当前位置与常驻地关键字进行匹配，得到位置匹配结果。本申请基于类型匹配结果、位置匹配结果和状态关键词确定费减比例。
在一个示例中，若类型匹配结果显示不匹配，将第一加数确定为第一预设比例；位置匹配结果显示为不匹配，将第二加数确定为第二预设比例；若类型匹配结果或位置匹配结果显示为匹配，则将相应的加数确定为零。若状态关键词指示当前用户不处于活跃期，将第三加数确定为第三预设比例，若处于活跃期，则将第三加数确定零。费减比例为第一加数、第二加数和第三加数之和。
步骤S606，按照费减比例对平均费用数据进行衰减，得到推荐费用数据。
在一个实施例中，根据用户标签确定推荐费用数据的步骤包括：
当当前用户的用户ID对应的第一时间段内的消费数据为NULL时，将旧用户的用户ID对应的第一时间段内的消费数据中、总费用数值与消费次数的商确认平均费用数据。
具体地，若当前用户的用户ID对应的第一时间段内的消费数据为NULL时，则获取相似度最高的旧用户的用户ID，并根据旧用户的用户ID对应的第一时间段内的消费数据中、总费用数值与消费次数的商确认平均费用数据。
在一个实施例中，如图7所示，采用预设成本优化模型处理推荐费用数据，得到场地套餐集合中对应推荐费用数据的映射关系的步骤，包括：
步骤S702，将场地套餐集合中、本地费用数据与自助设备使用次数的商最小的映射关系，确认为最优映射关系；
步骤S704，当推荐费用数据大于或等于最优映射关系中的本地费用数据时，将最优映射关系确认为推荐映射关系；
步骤S706，当推荐费用数据小于最优映射关系中的本地费用数据时，将与推荐费用数据差值最小的本地费用数据所对应的映射关系，确认为推荐映射关系。
具体地，对场地套餐集合中包含的映射关系进行遍历，得到各映射关系的本地费用数据与自助设备使用次数的商，将商最小所对应的映射关系确认为最优映射关系。当推荐费用数据大于或等于最优映射关系中的本地费用数据时，则将最优映射关系确认为推荐映射关系；当推荐费用数据小于最优映射关系中的本地费用数据时，遍历场地套餐集合中包含的映射关系，得到各映射关系中本地费用数据与推荐费用数据的差值，并将差值最小所对应的映射关系确认为推荐映射关系。
在另一个实施例中，推荐映射关系的数量可以为一个或多个；
当推荐费用数据小于最优映射关系中的本地费用数据时，将与推荐费用数据的差值在预设范围内的本地费用数据所对应的映射关系、确认为推荐映射关系；
或者
当推荐费用数据小于最优映射关系中的本地费用数据时，将与推荐费用数据的商在预设范围内的本地费用数据所对应的映射关系、确认为推荐映射关系。
在一个实施例中，如图8所示，按照数据大小的次序，获取通用费用数据集合中、临近推荐费用数据的邻近费用数据的步骤，包括：
步骤S802，将推荐费用数据插入通用费用数据集合中，并对插入后的通用费用数据集合中的各数据进行大小排序；
步骤S804，将排序后的通用费用数据集合中、排序位置与推荐费用数据临近的数据，确认为邻近费用数据。
其中，通用费用数据集合为有序集合。
具体地，可将推荐费用数据插入通用费用数据集合中的任意位置，并按照数值大小、对插入后的通用费用数据集合进行排序，通过将排序后的通用费用数据集合中、排序位置与推荐费用数据相邻的数据，确认为邻近费用数据，从而可将数值与推荐费用数据最接近的通用费用数据确认为邻近费用数据。在一个示例中，将排序后的通用费用数据集合中、排序位置与推荐费用数据临近、且数值较小的数据确认为邻近费用数据。
例如，推荐费用数据为20，通用费用数据集合为{1，5，10，50}，将推荐费用数据插入通用费用数据集合并进行排序后得到排序后的通用费用数据集合为{1，5，10，20，50}，此时与推荐费用数据临近的数据分别为10和50，则将数值较小的数据，即20确认为邻近费用数据。
在一个实施例中，根据推荐使用次数和邻近使用次数，生成待显示套餐信息的步骤，包括：
当推荐使用次数大于或等于预设使用次数时，将推荐使用次数和推荐费用数据添加到待显示套餐信息中；
和/或
当邻近使用次数大于或等于预设使用次数时，根据邻近使用次数和邻近费用数据添加到待显示套餐信息中。
具体地，当推荐使用次数大于或等于预设使用次数时，将推荐使用次数以及推荐费用数据添加到带显示套餐信息中。在一个示例中，还可将生成的推荐使用次数与推荐费用数据的映射关系、加入待显示套餐信息中，从而可将推荐使用次数和推荐费用数据进行推荐。
类似地，当邻近使用次数大于或等于预设使用次数时，根据邻近使用次数和邻近费用数据添加到待显示套餐信息中。在另一个示例中，可将生成的邻近使用次数与邻近费用数据的映射关系、加入待显示套餐信息中，从而可将邻近使用次数和邻近费用数据进行推荐。在又一个示例中，预设使用次数可以为1。
在一个实施例中，如图9所示，将待显示套餐信息传输给客户端以进行显示的步骤之前，还包括步骤：
步骤S902，获取待显示套餐信息的套餐显示条目；
步骤S904，当套餐显示条目小于预设显示数量时，将推荐映射关系所对应的本地费用数据和自助设备使用次数添加到待显示套餐信息中；
步骤S906，当添加后的待显示套餐信息的套餐显示条目小于预设显示数量时，将场地套餐集合中的映射关系添加到待显示套餐信息，直至套餐显示条目大于或等于预设显示数量。
具体地，通过将待显示套餐信息传输给客户端，从而可在客户端上显示推荐套餐。其中，在客户端上显示的推荐套餐数量可以为一个或多个，其具体数量可根据实际情况以及设计需求确定。
为确保在客户端上显示的推荐套餐数量满足预设显示数量，在将待显示套餐信息传输给客户端以进行显示的步骤之前，需要获取待显示套餐信息中的套餐显示条目，即待显示套餐信息中包括的推荐套餐数量。当套餐显示条目小于预设显示数量时，将推荐映射关系所对应的本地费用数据和自助设备使用次数添加到待显示套餐信息中，并获取添加推荐映射关系对应的数据后、待显示套餐信息的套餐显示条目。若套餐显示条目仍小于预设显示数量，则将场地套餐集合中的映射关系添加到待显示套餐信息，直至套餐显示条目大于或等于预设显示数量。当套餐显示条目大于或等于预设显示数量时，将待显示套餐信息传输给客户端以进行显示。
在一个示例中，当添加后的待显示套餐信息的套餐显示条目小于预设显示数量时，可按照一定次序、将场地套餐集合中的映射关系添加到待显示套餐信息，直至套餐显示条目大于或等于预设显示数量。例如，可按照场地套餐集合中各映射关系优先级的顺序、集合位置次序或计算结果大小次序等。其中，计算结果可为场地套餐集合中其他映射关系的本地套餐数据与邻近映射关系的本地套餐数据之差。
在一个实施例中，场地套餐集合包含本地费用数据、自助设备使用次数与赠送次数的映射关系；
将所述待显示套餐信息传输给客户端以进行显示的步骤之前，还包括步骤：
当接收到次数赠送指令时，获取待显示套餐信息的费用数据，并按照数据大小的次序，获取场地套餐集合中、与各费用数据临近的本地费用数据所对应的映射关系。
获取各映射关系中、自助设备使用次数与赠送次数的商，得到各映射关系对应的次数赠送比例；
获取各费用数据对应的使用次数，并处理使用次数与相应的次数赠送比例，得到各费用数据对应的赠送次数，且将各赠送次数添加到所述待显示套餐信息中。
其中，费用数据包括推荐费用数据、邻近费用数据和/或本地费用数据。
具体地，当待显示套餐信息中的套餐显示条目大于或等于预设显示数量、且接收到次数赠送指令时，获取待显示套餐信息中的费用数据，即获取待显示套餐信息中的推荐费用数据、邻近费用数据和本地费用数据，并按照数值大小的次序，确定场地套餐集合中、与各费用数据临近的本地费用数据所对应的映射关系，即分别确定每个费用数据所对应的场地套餐集合中的映射关系。将对应的映射关系中、自助设备使用次数与赠送次数的商，确定为次数赠送比例。并处理费用数据对应的使用次数与相应的次数赠送比例，得到费用数据对应的赠送次数，并将赠送次数添加到待显示套餐信息中。其中，使用次数包括推荐使用次数、邻近使用次数或自助设备使用次数。
当在客户端上显示待显示套餐信息时，可显示预设显示数量的套餐信息，其中，每个套餐信息包括费用数据、使用次数和赠送次数。
在一个实施例中，获取各费用数据对应的使用次数，并处理使用次数与相应的次数赠送比例，得到各费用数据对应的赠送次数，且将赠送次数添加到所述待显示套餐信息中的步骤之后，还包括步骤：
当接收到积分赠送指令时，根据各费用数据、确定对应的赠送积分，并将各赠送积分添加到待显示套餐信息中。
具体地，当待显示套餐信息中的套餐显示条目大于或等于预设显示数量、且接收到积分赠送指令时，获取待显示套餐信息中的费用数据，即获取待显示套餐信息中的推荐费用数据、邻近费用数据和本地费用数据，并按照各费用数据的数值大小、确定各费用数据对应的赠送积分，并将赠送积分添加到待显示套餐信息中。当在客户端上显示待显示套餐信息时，可显示预设显示数量的套餐信息，其中，每个套餐信息包括费用数据、使用次数和赠送积分。
在一个示例中，可对不同数值范围的费用数据、确定对应的赠送积分。例如当费用数据为[0，10]时，将赠送积分确定为0；当费用数据为(10，20]时，将赠送积分确定为1。其中，[a，b]表示大于等于a且小于等于b的任意数值；(a，b]表示大于a且小于等于b的任意数值。
为便于理解本申请的方案，下面通过一个具体的示例进行说明，如图10和图11所示，提供了一种套餐推荐方法，应用于娃娃机购币系统。
其中，通用费用数据集合为{1,5,10,20,50}，需要说明的是，通用费用数据集合可根据实际情况以及设计需求进行调整。
具体地，本申请可将业务系统中的所有用户数据和用户历史消费行为数据进行标签化。当用户进行充值操作时，通过扫描机台二维码从而可对用户ID进行识别，并可基于户ID查询用户标签列表，计算出对应的平均费用数据。平均费用数据会根据用户的消费能力进行相应的费用数据权重衰减、通用费用数据集合匹配、场地套餐集合匹配、次数赠送计算以及积分赠送计算等模块的运算，并得到待显示套餐信息，并将待显示套餐信息传输给客户端，从而可在前端用户界面上显示相应的套餐信息。
其中，用户标签可如图4所示，将系统中每个用户的所有交易数据，例如全部娃娃机场地的所有消费数据，包括购币消费数据和兑币机消费数据进行分析统计，从而为将每个用户打上用户标签，例如，用户标签可以包括娃娃机偏好标签和消费特征标签。进一步地，娃娃机偏好标签可以包括重度用户、娃娃机爱好者或潜在用户，消费特征标签可以包括常驻场地信息、敏感商户信息、愿意尝试新鲜事物、活跃性(高、中、低、不活跃、)、交易趋势(月初、月中、月末)和/或套餐XX敏感等。
然后，根据当前用户的用户标签确定推荐费用数据，如图10所示，当用户标签包括新用户时，可将通用费用集合中的{5,10,20}作为推荐费用数据；若用户标签不包括新用户时，可通过先确定平均费用数据，然后对平均费用数据进行衰减得到推荐费用数据。当用户标签包括重度用户时，可将近一个月内的总消费费用数据和消费次数的商，作为平均费用数据；当用户标签包括爱好者时，可将近三个月内的总消费费用数据和消费次数的商，作为平均费用数据；若用户标签不包括重度用户、新用户和爱好者，则可将历史消费数据中的总消费费用数据和消费次数的商，作为平均费用数据。
在接收到费减指令时，通过衰减模块对平均费用数据进行金额衰减，经过衰减剩余下来的数据就是推荐费用数据。其中，可通过费减指令确定通过衰减模块对平均费用数据进行衰减，若没有接收到费减指令，则衰减比例为0％，即不会衰减。若接收到费减指令，当用户标签包括重度用户时，确定费减比例为0；当用户标签包括爱好者时，判断是否有敏感商户，若有，则费减比例为0，若无，则将费减比例确定为第一预设比例；当用户标签不包括重度用户、新用户和爱好者时，判断是否有敏感商户、是否属于敏感商户、目前所在位置是否为常驻地和是否处于活跃期，上述判断中，若判断结果为是，则对应的衰减比例为0，若判断结果为否，则对应的衰减比例为预设比例。总衰减比例为多项衰减比例之和，并按照总衰减比例处理平均费用数据，并得到推荐费用数据。例如总衰减比例为10％，平均费用数据为100，则经过衰减后，推荐费用数据为100*(1-10％)，即90。
确定推荐费用数据后，根据推荐费用数据匹配通用费用数据集合。通过将推荐费用数据插入到通用费用数据集合中，并进行从小到大排序，找到推荐费用数据的邻近费用数据Pi和邻近费用数据Pj，且Pi<P1<Pj，其中i和j为元素对应的通用费用数据集合序号。
获取场地套餐集合中的推荐映射关系，将场地套餐集合中、本地费用数据与自助设备使用次数的商最小的映射关系，确认为最优映射关系；当推荐费用数据大于或等于最优映射关系中的本地费用数据时，将最优映射关系确认为推荐映射关系；当推荐费用数据小于最优映射关系中的本地费用数据时，将与推荐费用数据差值最小的本地费用数据所对应的映射关系，确认为推荐映射关系。并根据推荐映射关系中、本地费用数据与自助设备使用次数(即购币数量)的商作为币单价，得到对应的币数量，例如，推荐映射关系中本地费用数据为Pk，购币数量为Mk，则M1可为[P1/(Pk/Mk)]，Mi可为[Pi/(Pk/Mk)]，Mj可为[Pj/(Pk/Mk)]。其中[]表示对计算结果进行取整处理。剔除其中币数小于1的组合，将剩余的金额最小的两个组合进行推荐。
若币数量大于或等于1的结果为1个，则将推荐映射关系对应的本地费用数据和购币数量添加到待显示套餐信息中，以进行推荐；若币数量大于或等于1的结果为0个，则将场地套餐集合中、本地费用数据最小的两个映射关系确定为推荐映射关系，并将各推荐映射关系分别对应的本地费用数据和购币数量添加到待显示套餐信息中，以进行推荐。
在将待显示套餐信息传输到客户端之前，检查是否接受到赠币指令(即次数赠送指令)和积分赠送指令，若接收到相应的指令，则根据费用数据和对应的购币数量、确定对应的赠币个数和赠积分个数。其中赠币个数全部取整数部分，积分可精确到小数点后两位，无需四舍五入。
在一个具体的示例中，张三为重度用户，近一个月充值交易均值为60元；李四为重度用户，常驻场地和敏感商家，近半年没有消费记录，但其用户历史行为数据与同是重度用户的张三最接近。
通用套餐费用数据为{1，5，10，20，50，100}；场地套餐集合包括：{1元，1币，赠币0，赠积分0}，{5元，5币，赠币0，赠积分0}，{20元，21币，赠币1，赠积分1}，{30元，32币，赠币2，赠积分5}。
当张三和李四进行充值操作时，对通用套餐费用数据进行遍历，确认60元的前置和后继分别是50元和100元，则取前置值50，即推荐给张三的套餐费用数据为50元和60元，暂定两个套餐为{50元，M1币，赠币S1，赠积分X1}，{60元，M2币，赠币S2，赠积分X2}。
再针对50元，对场地套餐进行遍历比较，得出50的前置场地套餐组合为{30元，32币，赠币2，赠积分5}，无后继。则币单价为30元/32币，约为0.94元/每币；赠币比例为32币/2币，即16币送1币；积分赠送比例30元/5积分，即6元赠1积分。则可确定，M1＝50元/0.94，即53个币；赠币S1＝53/16，即3个币；赠送积分为X1＝50/6，即8.33积分。因此可确定50元对应的套餐组合为{50元，53币，赠币3，赠积分8.33}。
针对60元，对场地套餐进行遍历比较，得出60的前置为{30元，32币，赠币2，赠积分5}，无后继。则可算出：M2＝60元/0.94，即63个币；赠币S2＝63/16，即3个币；赠送积分X2＝60/6，即10积分，则可确认60元对应的套餐组合为{60元，63币，赠币3，赠积分10}。然后将50元套餐的套餐信息和60元套餐的套餐信息添加到待显示套餐信息中，并将待显示套餐信息传输到张三得客户端和李四的客户端以进行显示，因此，张三看到的前端页面推荐套餐为{50元，53币，赠币3，赠积分8.33}，{60元，63币，赠币3，赠积分10}；李四看到的前端页面推荐套餐为{50元，53币，赠币3，赠积分8.33}，{60元，63币，赠币3，赠积分10}，从而实现前端可见的套餐就是基于用户偏好推荐的，进而实现了自适应推荐，提高选择效率。
应该理解的是，虽然图1-11的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-11中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图12所示，提供了一种套餐推荐装置，包括：
推荐费用数据确定模块110，用于获取用户标签，并根据用户标签确定推荐费用数据；用户标签为基于用户历史行为数据得到的关键字集合；
推荐映射关系确定模块120，用于采用预设成本优化模型处理推荐费用数据，得到场地套餐集合中对应推荐费用数据的推荐映射关系，且获取推荐映射关系中本地费用数据与自助设备使用次数的商；场地套餐集合包含本地费用数据与自助设备使用次数的映射关系；
邻近费用数据模块130，用于按照数据大小的次序，获取通用费用数据集合中、临近推荐费用数据的邻近费用数据；
邻近使用次数获取模块140，用于处理推荐费用数据和商，得到推荐使用次数；处理邻近费用数据和商，得到邻近使用次数；
显示模块150，用于比较推荐使用次数和邻近使用次数，且依据比较的结果确定待显示套餐信息，并将待显示套餐信息传输给客户端以进行显示。
关于套餐推荐装置的具体限定可以参见上文中对于套餐推荐方法的限定，在此不再赘述。上述套餐推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户历史消费数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种套餐推荐方法。
本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
步骤A，获取用户标签，并根据用户标签确定推荐费用数据；用户标签为基于用户历史行为数据得到的关键字集合；
步骤B，采用预设成本优化模型处理推荐费用数据，得到场地套餐集合中对应推荐费用数据的推荐映射关系，且获取推荐映射关系中本地费用数据与自助设备使用次数的商；场地套餐集合包含本地费用数据与自助设备使用次数的映射关系；
步骤C，按照数据大小的次序，获取通用费用数据集合中、临近推荐费用数据的邻近费用数据；
步骤D，处理推荐费用数据和商，得到推荐使用次数；处理邻近费用数据和商，得到邻近使用次数；
步骤E，根据推荐使用次数和邻近使用次数，生成待显示套餐信息，并将待显示套餐信息传输给客户端以进行显示。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
步骤A，获取用户标签，并根据用户标签确定推荐费用数据；用户标签为基于用户历史行为数据得到的关键字集合；
步骤B，采用预设成本优化模型处理推荐费用数据，得到场地套餐集合中对应推荐费用数据的推荐映射关系，且获取推荐映射关系中本地费用数据与自助设备使用次数的商；场地套餐集合包含本地费用数据与自助设备使用次数的映射关系；
步骤C，按照数据大小的次序，获取通用费用数据集合中、临近推荐费用数据的邻近费用数据；
步骤D，处理推荐费用数据和商，得到推荐使用次数；处理邻近费用数据和商，得到邻近使用次数；
步骤E，根据推荐使用次数和邻近使用次数，生成待显示套餐信息，并将待显示套餐信息传输给客户端以进行显示。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种套餐推荐方法，其特征在于，包括以下步骤：
获取用户标签，并根据所述用户标签确定推荐费用数据；所述用户标签为基于用户历史行为数据得到的关键字集合；
采用预设成本优化模型处理所述推荐费用数据，得到场地套餐集合中对应所述推荐费用数据的推荐映射关系，且获取所述推荐映射关系中本地费用数据与自助设备使用次数的商；所述场地套餐集合包含本地费用数据与自助设备使用次数的映射关系；所述预设成本优化模型用于按照预设规则，对所述推荐费用数据和各所述映射关系中的本地费用数据进行匹配，以得到所述推荐映射关系；
按照数据大小的次序，获取通用费用数据集合中、临近所述推荐费用数据的邻近费用数据；所述通用费用数据集合包括通用费用数据，所述通用费用数据为针对不同商户均相同的费用数据；
处理所述推荐费用数据和所述商，得到推荐使用次数；处理所述邻近费用数据和所述商，得到邻近使用次数；
根据所述推荐使用次数和所述邻近使用次数，生成待显示套餐信息，并将所述待显示套餐信息传输给客户端以进行显示；
其中，获取用户标签的步骤包括：
识别当前用户的用户ID，获取所述用户ID对应的所述用户历史行为数据；所述用户历史行为数据包括第一时间段内的消费数据和第二时间段内的消费数据；所述第二时间段早于所述第一时间段；
当所述当前用户的用户ID对应的第一时间段内的消费数据为NULL时，提取所述当前用户的用户基本信息；处理所述当前用户的用户ID对应的第二时间段内的消费数据，得到所述当前用户的历史行为特征值；
根据所述用户基本信息和所述历史行为特征值，于用户数据库中获取相似度最高的旧用户的用户ID；并获取所述旧用户的用户ID对应的第一时间段内的消费数据；
对所述旧用户的用户ID对应的第一时间段内的消费数据进行关键字提取，将提取到的关键字确定为所述当前用户的用户标签；
获取用户标签的步骤，还包括：
当所述当前用户的用户ID对应的第一时间段内的消费数据不为NULL时，对所述当前用户的用户ID对应的第一时间段内的消费数据进行关键字提取，将提取到的所述关键字确定为所述当前用户的用户标签。
2.根据权利要求1所述的套餐推荐方法，其特征在于，根据所述用户标签确定推荐费用数据的步骤，包括：
当所述用户标签包括第一类关键词时，将所述通用费用数据集合中的通用费用数据确认为所述推荐费用数据；所述第一类关键词包括新用户；
当所述用户标签不包括所述第一类关键词、且所述当前用户的用户ID对应的第一时间段内的消费数据不为NULL时，将所述第一时间段内的消费数据中的总费用数值与消费次数的商、确认为平均费用数据；
当所述用户标签包括第二类关键词时，将所述平均费用数据确认为所述推荐费用数据；所述第二类关键词包括重度用户；
当所述用户标签不包括所述第二类关键词、且接收到费用衰减指令时，对所述平均费用数据进行衰减处理，得到所述推荐费用数据。
3.根据权利要求2所述的套餐推荐方法，其特征在于，所述用户标签还包括状态关键词、常驻场地关键词和设备类型关键词；
当所述用户标签不包括所述第二类关键词、且接收到费用衰减指令时，对所述平均费用数据进行衰减处理，得到所述推荐费用数据的步骤包括：
获取所述当前用户的当前设备类型，并对所述当前设备类型和所述设备类型关键词进行匹配，得到类型匹配结果；
当所述用户标签包括第三类关键词时，基于所述类型匹配结果确定费减比例；当所述用户标签不包括所述第三类关键词时，获取所述当前用户的当前位置，对所述当前位置和所述常驻场地关键词进行匹配，得到位置匹配结果；并基于所述类型匹配结果、所述位置匹配结果和所述状态关键词确定费减比例；所述第三类关键词包括爱好者；
按照费减比例对所述平均费用数据进行衰减，得到所述推荐费用数据。
4.根据权利要求2所述的套餐推荐方法，其特征在于，根据所述用户标签确定推荐费用数据的步骤包括：
当所述当前用户的用户ID对应的第一时间段内的消费数据为NULL时，将所述旧用户的用户ID对应的第一时间段内的消费数据中、总费用数值与消费次数的商确认所述平均费用数据。
5.根据权利要求1所述的套餐推荐方法，其特征在于，采用预设成本优化模型处理所述推荐费用数据，得到场地套餐集合中对应所述推荐费用数据的映射关系的步骤，包括：
将所述场地套餐集合中、本地费用数据与自助设备使用次数的商最小的映射关系，确认为最优映射关系；
当所述推荐费用数据大于或等于所述最优映射关系中的本地费用数据时，将所述最优映射关系确认为所述推荐映射关系；
当所述推荐费用数据小于所述最优映射关系中的本地费用数据时，将与所述推荐费用数据差值最小的本地费用数据所对应的映射关系，确认为所述推荐映射关系。
6.根据权利要求1所述的套餐推荐方法，其特征在于，按照数据大小的次序，获取通用费用数据集合中、临近所述推荐费用数据的邻近费用数据的步骤，包括：
将所述推荐费用数据插入所述通用费用数据集合中，并对插入后的所述通用费用数据集合中的各数据进行大小排序；
将排序后的所述通用费用数据集合中、排序位置与所述推荐费用数据临近的数据，确认为所述邻近费用数据。
7.根据权利要求1所述的套餐推荐方法，其特征在于，根据所述推荐使用次数和所述邻近使用次数，生成待显示套餐信息的步骤，包括：
当所述推荐使用次数大于或等于预设使用次数时，将所述推荐使用次数和所述推荐费用数据添加到所述待显示套餐信息中；
和/或
当所述邻近使用次数大于或等于所述预设使用次数时，根据所述邻近使用次数和所述邻近费用数据添加到所述待显示套餐信息中。
8.根据权利要求1所述的套餐推荐方法，其特征在于，将所述待显示套餐信息传输给客户端以进行显示的步骤之前，还包括步骤：
获取所述待显示套餐信息的套餐显示条目；
当所述套餐显示条目小于预设显示数量时，将所述推荐映射关系所对应的本地费用数据和自助设备使用次数添加到所述待显示套餐信息中；
当添加后的所述待显示套餐信息的套餐显示条目小于所述预设显示数量时，将所述场地套餐集合中的映射关系添加到所述待显示套餐信息，直至所述套餐显示条目大于或等于所述预设显示数量。
9.一种套餐推荐装置，其特征在于，所述装置包括：
推荐费用数据确定模块，用于获取用户标签，并根据所述用户标签确定推荐费用数据；所述用户标签为基于用户历史行为数据得到的关键字集合；
推荐映射关系确定模块，用于采用预设成本优化模型处理所述推荐费用数据，得到场地套餐集合中对应所述推荐费用数据的推荐映射关系，且获取所述推荐映射关系中本地费用数据与自助设备使用次数的商；所述场地套餐集合包含所述本地费用数据与所述自助设备使用次数的映射关系；所述预设成本优化模型用于按照预设规则，对所述推荐费用数据和各所述映射关系中的本地费用数据进行匹配，以得到所述推荐映射关系；
邻近费用数据模块，用于按照数据大小的次序，获取通用费用数据集合中、临近所述推荐费用数据的邻近费用数据；所述通用费用数据集合包括通用费用数据，所述通用费用数据为针对不同商户均相同的费用数据；
邻近使用数据获取模块，用于处理所述推荐费用数据和所述商，得到推荐使用次数；处理所述邻近费用数据和所述商，得到邻近使用次数；
显示模块，用于比较所述推荐使用次数和所述邻近使用次数，且依据所述比较的结果确定待显示套餐信息，并将所述待显示套餐信息传输给客户端以进行显示；
其中，所述推荐费用数据确定模块用于识别当前用户的用户ID，获取所述用户ID对应的所述用户历史行为数据；所述用户历史行为数据包括第一时间段内的消费数据和第二时间段内的消费数据；所述第二时间段早于所述第一时间段；当所述当前用户的用户ID对应的第一时间段内的消费数据为NULL时，提取所述当前用户的用户基本信息；处理所述当前用户的用户ID对应的第二时间段内的消费数据，得到所述当前用户的历史行为特征值；根据所述用户基本信息和所述历史行为特征值，于用户数据库中获取相似度最高的旧用户的用户ID；并获取所述旧用户的用户ID对应的第一时间段内的消费数据；对所述旧用户的用户ID对应的第一时间段内的消费数据进行关键字提取，将提取到的关键字确定为所述当前用户的用户标签；还用于当所述当前用户的用户ID对应的第一时间段内的消费数据不为NULL时，对所述当前用户的用户ID对应的第一时间段内的消费数据进行关键字提取，将提取到的所述关键字确定为所述当前用户的用户标签。
10.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
CN201910515606.1A 2019-06-14 2019-06-14 套餐推荐方法和装置 Active CN110428244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910515606.1A CN110428244B (zh) 2019-06-14 2019-06-14 套餐推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910515606.1A CN110428244B (zh) 2019-06-14 2019-06-14 套餐推荐方法和装置

Publications (2)

Publication Number Publication Date
CN110428244A CN110428244A (zh) 2019-11-08
CN110428244B true CN110428244B (zh) 2021-07-13

Family

ID=68407628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910515606.1A Active CN110428244B (zh) 2019-06-14 2019-06-14 套餐推荐方法和装置

Country Status (1)

Country Link
CN (1) CN110428244B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851720A (zh) * 2019-11-11 2020-02-28 北京百度网讯科技有限公司 信息推荐方法、装置以及电子设备
CN110971694A (zh) * 2019-12-03 2020-04-07 广州乐摇摇信息科技有限公司 自助设备参数的远程控制方法及装置
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
CN114186129B (zh) * 2021-12-10 2023-05-26 中国电信股份有限公司 套餐推荐方法、装置、电子设备及计算机可读介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9241242B2 (en) * 2013-04-19 2016-01-19 Tencent Technology (Shenzhen) Company Limited Information recommendation method and apparatus
CN105590189A (zh) * 2015-12-14 2016-05-18 苏州天平先进数字科技有限公司 一种充值系统及其充值方法
CN108243016B (zh) * 2016-12-27 2021-05-07 中国移动通信集团河北有限公司 业务套餐的推荐方法以及推荐装置、以及服务器
CN109214799A (zh) * 2017-07-04 2019-01-15 优信数享（北京）信息技术有限公司 一种充值方法、装置及具有充值功能的平台
CN108389041A (zh) * 2018-03-16 2018-08-10 北京云点联动科技发展有限公司 一种模块化娃娃机的支付方法
CN108960975A (zh) * 2018-06-15 2018-12-07 广州麦优网络科技有限公司 基于用户画像的个性化精准营销方法、服务器及存储介质
CN109034957A (zh) * 2018-07-06 2018-12-18 北京摩拜科技有限公司 一种用于共享物品的产品推荐方法、服务器及系统

Also Published As

Publication number Publication date
CN110428244A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN110428244B (zh) 套餐推荐方法和装置
US10810650B2 (en) Buyer profile management
US20100228649A1 (en) Method and system for detecting fraud in a credit card transaction over the internet
CN109003131B (zh) 基于用户场景属性信息的精准营销方法及装置
CN107563757A (zh) 数据风险控制的方法及装置
JP6209691B2 (ja) マーケティング装置、マーケティング方法およびプログラム
CN108509458B (zh) 一种业务对象识别方法及装置
US20160019613A1 (en) Method and apparatus for calculating a transaction quality score of a merchant
CN106560853A (zh) 一种业务处理方法和装置
CN110489691A (zh) 页面组件显示方法及终端设备
CN109583826B (zh) 申报文件生成方法、装置、服务器及可读存储介质
CN109165947B (zh) 账户信息确定方法、装置及服务器
CN111105244B (zh) 基于退款的服务方案确定方法及装置
CN112200595A (zh) 优惠券校验方法、支付方法、装置、设备及介质
CN110766441A (zh) 资源对象处理方法、装置、存储介质及计算机设备
CN114625975B (zh) 一种基于知识图谱的客户行为分析系统
CN110348983A (zh) 交易信息管理方法及装置、电子设备和非暂态存储介质
US10915416B1 (en) System for environmental impact
CN109714381B (zh) 基于消费追踪的信息推送方法、设备、存储介质及装置
CN113902553A (zh) 基于知识图谱的风险识别方法、装置、计算机设备及介质
CN113434660A (zh) 基于多领域分类的产品推荐方法、装置、设备及存储介质
CN113240472B (zh) 理财产品推荐方法、电子设备及存储介质
US20240062289A1 (en) Prioritized database search based on imminent interaction
US20220138864A1 (en) Inferring item-level data with backward chaining rule-based reasoning systems
JP6438092B2 (ja) マーケティング装置、マーケティング方法およびプログラム

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 510000 Room 301, building 5, 28 Qinglan street, Xiaoguwei street, Panyu District, Guangzhou City, Guangdong Province

Patentee after: Guangdong Xingyun Kaiwu Technology Co.,Ltd.

Address before: 511400 b213-10, 22 zhongerheng Road, Xiaoguwei street, Panyu District, Guangzhou City, Guangdong Province

Patentee before: GUANGZHOU LEYAOYAO INFORMATION TECHNOLOGY Co.,Ltd.

CP03 Change of name, title or address