CN111047406B - 一种电信套餐推荐方法、装置、存储介质和设备 - Google Patents
一种电信套餐推荐方法、装置、存储介质和设备 Download PDFInfo
- Publication number
- CN111047406B CN111047406B CN201911274901.9A CN201911274901A CN111047406B CN 111047406 B CN111047406 B CN 111047406B CN 201911274901 A CN201911274901 A CN 201911274901A CN 111047406 B CN111047406 B CN 111047406B
- Authority
- CN
- China
- Prior art keywords
- package
- user
- field
- vector
- feature vector
- 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
Links
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Abstract
本发明涉及一种电信套餐推荐方法,包括以下步骤:确定用户的用户特征向量和套餐库中每一个套餐的套餐特征向量;将每一个所述套餐特征向量和所述用户特征向量进行连接后,输入至因子分解机模型中得到隐向量矩阵;将所述隐向量矩阵输入至已训练的多层感知机模型中,得到用户订购每一个所述套餐的概率,并根据所述概率,确定所述用户的套餐推荐列表。本发明可以学习到用户和套餐的深层次特征,且提升为用户推荐套餐的准确率。本发明还涉及一种电信套餐推荐装置、存储介质和设备。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及一种电信套餐推荐方法、装置、存储介质和设备。
背景技术
随着通信技术的发展和用户需求的不断提升,电信套餐的目标市场划分日益细致,套餐设计越显多样化和多角度,种类功能也愈加齐全丰富。但是,套餐的数量并没能带来与之相匹配的市场优势,套餐数量繁多臃肿、信息庞大,给电信运营商带来管理和营销困难的同时,用户也难以选择最适合自己的套餐。因此,如何为客户提供适合的套餐是目前亟需解决的问题。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种电信套餐推荐方法、装置、存储介质和设备。
本发明解决上述技术问题的技术方案如下:一种电信套餐推荐方法,包括以下步骤:
确定用户的用户特征向量和套餐库中每一个套餐的套餐特征向量;
将每一个所述套餐特征向量和所述用户特征向量进行连接后,输入至因子分解机模型中得到隐向量矩阵;
将所述隐向量矩阵输入至已训练的多层感知机模型中,得到用户订购每一个所述套餐的概率,并根据所述概率,确定所述用户的套餐推荐列表。
本发明的有益效果是:提供一种电信套餐推荐方法,通过确定用户的用户特征向量、套餐特征向量,因子分解机模型和多层感知机模型,得到用户订购每一个套餐的概率,并根据概率,确定用户的套餐推荐列表,本发明中综合使用了因子分解机模型和多层感知机模型,提高了多层感知机模型学习的速度,还可以提升为用户推荐套餐的准确率。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步地,所述确定用户的用户特征向量,具体包括以下步骤:
从数据库中提取所述用户的所有用户字段并进行预处理,所述预处理包括计算每一个所述用户字段的缺失率,去除缺失率高高于预设缺失率的所述用户字段;
判断所述用户字段的类型,若所述用户字段是序列型,则对所述用户字段进行One-hot处理,若所述用户字段是数值型,则对所述用户字段进行归一化处理;
将所有所述用户字段输入最佳XGBoost模型中,得到所有所述用户字段的特征重要性排序,其中所述最佳XGBoost模型是通过对XGBoost算法训练得到的;
将所述特征重要性排序中排名大于预设名次的所述用户字段进行连接,得到所述用户特征向量。
采用上述进一步方案的有益效果是:通过提取用户的用户特征向量,从用户的数据中挖掘出用户需求,动态分析用户需求,科学建立推荐模型,获取到的用户需求更加准确。
进一步地,所述确定套餐库中的每一个套餐的套餐特征向量,具体包括以下步骤:
获取用来区分套餐的所有套餐字段;
将每一个所述套餐字段对应的值进行统一量纲处理,得到所述套餐字段的特征值;
将所有所述套餐字段的值按照升序排序,得到升序套餐字段队列;
将所述升序套餐字段队列中每一个所述套餐字段对应的特征值按照与所述套餐字段队列反向顺序进行排列,得到反向特征值队列;
将所述升序套餐字段队列中的每一个所述套餐字段和对应序号的所述反向特征值队列中的每一个特征值连接,得到所述套餐特征向量。
采用上述进一步方案的有益效果是:通过提取套餐特征向量,挖掘出每一个套餐的区别特征,科学建立推荐模型,提高为客户推荐套餐的准确度。
进一步地,所述将每一个所述套餐字段进行统一量纲处理,具体包括以下步骤:
所述将每一个所述套餐字段进行统一量纲处理,具体包括以下步骤:
将所述套餐字段对应的值划分为q个区间,其中第p个区间左右的端点值分别为ap和bp,若所述套餐字段对应的值x在所述第p个区间,则变量cp=1,若所述x未在所述第p个区间,则变量cp=0;
根据公式得到所述套餐字段的特征值yP,其中aj和bj分别是第j个区间的端点值,j、p和q均为正整数且q>1,p<q。
采用上述进一步方案的有益效果是:通过对套餐字段的量纲处理,提升得到的套餐特征向量的准确度。
进一步地,所述将每一个所述套餐特征向量和所述用户特征向量进行连接后,输入至因子分解机模型中得到隐向量矩阵,具体包括:
分别将每一个所述套餐特征向量和所述用户特征向量连接,得到对应的预目标向量;
当所述预目标向量中的第i个向量的值是非零时,将所述第i个向量输入至所述因子分解机模型,得到所述隐向量矩阵V中第i行[Vi,1,Vi,2,……,Vi,k],直到所有所述预目标向量处理完成,得到所述隐向量矩阵V,其中i和k为正整数,且i>1,k>1。
采用上述进一步方案的有益效果是:通过套餐特征向量、用户特征向量和因子分解机模型,可以提升为用户推荐合适套餐的准确度。
进一步地,还包括:
根据历史订购记录中的用户、用户未订购的套餐和用户已订购的套餐,得到初始训练集;
将所述初始训练集输入所述因子分解及模型进行训练,得到最终训练集。
采用上述进一步方案的有益效果是:通过使用多层感知机进行学习,可以学习到用户和套餐的深层次特征,提升为用户推荐合适套餐的准确度。
进一步地,还包括:
将所述最终训练集输入多层感知机网络,采用Adam算法对所述多层感知机网络训练,得到所述多层感知机模型,其中所述多层感知机网络中的输入层、第一个隐层和其余各隐层之间都采用Dropout技术进行处理。
采用上述进一步方案的有益效果是:通过使用多层感知机进行学习,可以学习到用户和套餐的深层次特征,提升为用户推荐合适套餐的准确度。
本发明解决上述技术问题的另一种技术方案如下:
一种电信套餐推荐装置,包括:
获取模块,用于确定用户的用户特征向量和套餐库中每一个套餐的套餐特征向量;
转换模块,用于将每一个所述套餐特征向量和所述用户特征向量进行连接后,输入至因子分解机模型中得到隐向量矩阵;
确定模块,用于将所述隐向量矩阵输入至已训练的多层感知机模型中,得到用户订购每一个所述套餐的概率,并根据所述概率,确定所述用户的套餐推荐列表。
本发明的有益效果是:提供一种电信套餐推荐装置,通过确定用户的用户特征向量、套餐特征向量,因子分解机模型和多层感知机模型,得到用户订购每一个套餐的概率,并根据概率,确定用户的套餐推荐列表,本发明中综合使用了因子分解机模型和多层感知机模型,提高了多层感知机模型学习的速度,还可以提升为用户推荐套餐的准确率。
本发明还提供一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使所述计算机执行根据上述方案中任一项所述的电信套餐推荐方法的步骤。
此外,本发明还提供一种计算机设备,包括存储器、处理器及存储在所述存储器上的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程序时实现如上述方案中任一项所述的电信套餐推荐方法的步骤。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
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,下面所描述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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种电信套餐推荐方法的示意性流程图;
图2为本发明另一实施例提供的一种电信套餐推荐方法的示意性流程图;
图3为本发明另一实施例提供的一种电信套餐推荐方法的示意性流程图;
图4为本发明另一实施例提供的一种电信套餐推荐装置的模块结构图。
具体实施方式
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的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
如图1本发明实施例提供的一种电信套餐推荐方法的示意图流程图所示,电信套餐推荐方法包括以下步骤:
110、确定用户的用户特征向量。
120、确定套餐库中每一个套餐的套餐特征向量。
130、将每一个套餐特征向量和用户特征向量进行连接后,输入至因子分解机模型中得到隐向量矩阵。
140、将隐向量矩阵输入至已训练的多层感知机模型中,得到用户订购每一个套餐的概率,并根据概率,确定用户的套餐推荐列表。
基于本发明提供的电信套餐推荐方法,通过确定用户的用户特征向量、套餐特征向量,因子分解机模型和多层感知机模型,得到用户订购每一个套餐的概率,并根据概率,确定用户的套餐推荐列表,本发明中综合使用了因子分解机模型和多层感知机模型,提高了多层感知机模型学习的速度,还可以提升为用户推荐套餐的准确率。
进一步地,如图2本发明实施例提供的一种电信套餐推荐方法的示意图流程图所示,步骤110中通过以下步骤生成用户特征向量:
111、从数据库中提取用户的所有用户字段并进行预处理,预处理包括计算每一个用户字段的缺失率,去除缺失率高高于预设缺失率的用户字段;
应理解,对用户字段的预处理包括计算各个用户字段的缺失率,去除缺失率高的字段,并且需要去除只有单一取值或取值相差过大的字段。
112、判断用户字段的类型,若用户字段是序列型,则对用户字段进行One-hot处理,若用户字段是数值型,则对用户字段进行归一化处理。
其中,One-hot形式的特征向量可以包括N个数据值,该数据值可以包括数据值0和数据值1。
113、将所述用户字段输入最佳XGBoost模型中,得到用户字段的特征重要性排序,其中最佳XGBoost模型是通过对XGBoost算法训练得到的。
应理解,最佳XGBoost模型是通过调试xgboost算法,选择使用测试集测试时,准确率最高的XGBoost模型。
114、将特征重要性排序中排名大于预设名次的用户字段进行连接,得到用户特征向量。
基于上述实施例通过提取用户的用户特征向量,从用户的数据中挖掘出用户需求,动态分析用户需求,科学建立推荐模型,获取到的用户需求更加准确。
进一步地,如图3本发明实施例提供的一种电信套餐推荐方法的示意图流程图所示,步骤120中通过以下步骤确定套餐库中的每一个套餐的套餐特征向量。
121、获取用来区分套餐的所有套餐字段。
122、将每一个套餐字段对应的值进行统一量纲处理,得到套餐字段的特征值。
123、将所有套餐字段的值按照升序排序,得到升序套餐字段队列。
124、将升序套餐字段队列中每一个套餐字段对应的特征值按照与套餐字段队列反向顺序进行排列,得到反向特征值队列。
125、将升序套餐字段队列中的每一个套餐字段和对应序号的反向特征值队列中的每一个特征值连接,得到套餐特征向量。
应理解,例如有套餐1:字段是50元,套餐2:字段是100元,套餐3:字段是150元,套餐4:字段是200元;将套餐1、套餐2、套餐3和套餐4按照字段的值的升序排序。套餐1的特征值是0.4,套餐2的特征值是0.5,套餐3的特征值是0.6,套餐4的特征值是0.8;
将套餐1与特征值0.8连接,套餐2与特征值0.6连接,套餐3与特征值0.5连接,套餐4与特征值0.4连接,得到套餐的特征向量。
其中,步骤122中具体包括以下步骤:
将套餐字段对应的值划分为q个区间,其中第p个区间左右的端点值分别为ap和bp,若套餐字段对应的值x在第p个区间,则变量cp=1,若x未在第p个区间,则变量cp=0;
根据公式得到套餐字段的特征值yP,其中aj和bj分别是第j个区间的端点值,j、p和q均为正整数且q>1,p<q。
基于上述实施例中通过提取套餐特征向量,挖掘出每一个套餐的区别特征,科学建立推荐模型,提高为客户推荐套餐的准确度。
进一步地,步骤130中具体包括:
131、分别将每一个套餐特征向量和用户特征向量连接,得到对应的预目标向量;
132、当预目标向量中的第i个向量的值是非零时,将第i个向量输入至因子分解机模型,得到隐向量矩阵V中第i行[Vi,1,Vi,2,……,Vi,k],直到所有预目标向量处理完成,得到隐向量矩阵V,其中i和k为正整数,且i>1,k>1。
进一步地,根据历史订购记录中的用户、用户未订购的套餐和用户已订购的套餐,得到初始训练集;
将初始训练集输入因子分解及模型进行训练,得到最终训练集。
应理解,通过历史订购人数对套餐进行排序,形成套餐库,确定套餐库中,用户未订购的套餐,获取用户的用户特征向量、用户每一个订购套餐的套餐特征向量和用户每一个未订购套餐的套餐特征向量,将用户特征向量和用户每一个订购套餐的套餐特征向量进行连接,得到第一训练向量,且第一训练向量的标签标记为第一预设值,将用户特征向量和用户已订购套餐的套餐特征向量进行连接,得到第二训练向量,且第二训练向量的标签标记为第二预设值,获取所有用户的第一训练向量和第二训练向量,得到初始训练集;
通过将初始训练集中的每一个向量输入因子分解机模型中进行转换后再进行连接所得到的最终训练集。
进一步地,将最终训练集输入多层感知机网络,采用Adam算法对多层感知机网络训练,得到多层感知机模型,其中多层感知机网络中的输入层、第一个隐层和其余各隐层之间都采用Dropout技术进行处理。
具体地,构建多层感知机网络,其中多层感知机网络包含五个隐层,五个隐层的神经元数目分别为128、64、32、16和8,且层与层之间为全连接网络,将通过因子分解机模型生成的最终训练集输入多层感知机网络,采用Adam算法对多层感知机网络训练,得到多层感知机模型,其中多层感知机网络中的输入层、第一个隐层和各个隐层之间都采用Dropout技术进行处理。
基于上述实施例通过使用多层感知机进行学习,可以学习到用户和套餐的深层次特征,提升为用户推荐合适套餐的准确度。
进一步地,因子分解机模型,具体通过以下步骤建立:初始化权重值w0、w1、…、wn和V,其中n是输入向量维度且n>1,w0、w1、…、wn为标量,V是行数为n,列数为k的矩阵,k是隐向量维度的数量且k>1,n为正整数且n>1;输入初始训练集,根据初始化公式得到权重值w0,当初始训练集中的每一个样本中的特征i∈{1,2……,n}时,根据公式/>得到权重值w1、…、wn,当隐向量维度f∈{1,2……,k}时,根据公式
得到隐向量矩阵Vi,f;其中α为学习率,取值为(0,1),σ(x)的计算公式是/>
基于上述实施例通过使用多层感知机进行学习,可以学习到用户和套餐的深层次特征,提升为用户推荐合适套餐的准确度。
如图3本发明实施例提供的一种电信套餐推荐装置的模块结构图所示,一种电信套餐推荐装置包括:
获取模块,用于确定用户的用户特征向量和套餐库中每一个套餐的套餐特征向量;
转换模块,用于将每一个套餐特征向量和用户特征向量进行连接后,输入至因子分解机模型中得到隐向量矩阵;
确定模块,用于将隐向量矩阵输入至已训练的多层感知机模型中,得到用户订购每一个所述套餐的概率,并根据概率,确定用户的套餐推荐列表。
基于本实施例提供的电信套餐推荐装置,通过确定用户的用户特征向量、套餐特征向量,因子分解机模型和多层感知机模型,得到用户订购每一个套餐的概率,并根据概率,确定用户的套餐推荐列表,本发明中综合使用了因子分解机模型和多层感知机模型,提高了多层感知机模型学习的速度,还可以提升为用户推荐套餐的准确率。
本发明还提供一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使所述计算机执行根据上述实施例中任一项所述的电信套餐推荐方法的步骤。
此外,本发明还提供一种计算机设备,包括存储器、处理器及存储在所述存储器上的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程序时实现如上述实施例中任一项所述的电信套餐推荐方法的步骤。
以上,仅为本发明的具体实施方式,但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。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种电信套餐推荐方法,其特征在于,包括以下步骤:
确定用户的用户特征向量和套餐库中每一个套餐的套餐特征向量;
将每一个所述套餐特征向量和所述用户特征向量进行连接后,输入至因子分解机模型中得到隐向量矩阵;
将所述隐向量矩阵输入至已训练的多层感知机模型中,得到用户订购每一个所述套餐的概率,并根据所述概率,确定所述用户的套餐推荐列表;
所述确定套餐库中的每一个套餐的套餐特征向量,具体包括以下步骤:
获取用来区分套餐的所有套餐字段;
将每一个所述套餐字段对应的值进行统一量纲处理,得到所述套餐字段的特征值;
将所有所述套餐字段的值按照升序排序,得到升序套餐字段队列;
将所述升序套餐字段队列中每一个所述套餐字段对应的特征值按照与所述套餐字段队列反向顺序进行排列,得到反向特征值队列;
将所述升序套餐字段队列中的每一个所述套餐字段和对应序号的所述反向特征值队列中的每一个特征值连接,得到所述套餐特征向量;
所述将每一个所述套餐字段进行统一量纲处理,具体包括以下步骤:
将所述套餐字段对应的值划分为q个区间,其中第p个区间左右的端点值分别为ap和bp,若所述套餐字段对应的值x在所述第p个区间,则变量cp=1,若所述x未在所述第p个区间,则变量cp=0;
根据公式得到所述套餐字段的特征值yP,其中aj和bj分别是第j个区间的端点值,j、p和q均为正整数且q>1,p<q。
2.根据权利要求1所述的电信套餐推荐方法,其特征在于,所述确定用户的用户特征向量,具体包括以下步骤:
从数据库中提取所述用户的所有用户字段并进行预处理,所述预处理包括计算每一个所述用户字段的缺失率,去除缺失率高于预设缺失率的所述用户字段;
判断所述用户字段的类型,若所述用户字段是序列型,则对所述用户字段进行One-hot处理,若所述用户字段是数值型,则对所述用户字段进行归一化处理;
将所有所述用户字段输入最佳XGBoost模型中,得到所有所述用户字段的特征重要性排序,其中所述最佳XGBoost模型是通过对XGBoost算法训练得到的;
将所述特征重要性排序中排名大于预设名次的所述用户字段进行连接,得到所述用户特征向量。
3.根据权利要求1所述的电信套餐推荐方法,其特征在于,所述将每一个所述套餐特征向量和所述用户特征向量进行连接后,输入至因子分解机模型中得到隐向量矩阵,具体包括:
分别将每一个所述套餐特征向量和所述用户特征向量连接,得到对应的预目标向量;
当所述预目标向量中的第i个向量的值是非零时,将所述第i个向量输入至所述因子分解机模型,得到所述隐向量矩阵V中第i行[Vi,1,Vi,2,……,Vi,k],直到所有所述预目标向量处理完成,得到所述隐向量矩阵V,其中i和k为正整数,且i>1,k>1。
4.根据权利要求1-3中任一项所述的电信套餐推荐方法,其特征在于,还包括:
根据历史订购记录中的用户、用户未订购的套餐和用户已订购的套餐,得到初始训练集;
将所述初始训练集输入所述因子分解及模型进行训练,得到最终训练集。
5.根据权利要求4所述的电信套餐推荐方法,其特征在于,还包括:
将所述最终训练集输入多层感知机网络,采用Adam算法对所述多层感知机网络训练,得到所述多层感知机模型,其中所述多层感知机网络中的输入层、第一个隐层和其余各隐层之间都采用Dropout技术进行处理。
6.一种电信套餐推荐装置,其特征在于,包括:
获取模块,用于确定用户的用户特征向量和套餐库中每一个套餐的套餐特征向量;
转换模块,用于将每一个所述套餐特征向量和所述用户特征向量进行连接后,输入至因子分解机模型中得到隐向量矩阵;
确定模块,用于将所述隐向量矩阵输入至已训练的多层感知机模型中,得到用户订购每一个所述套餐的概率,并根据所述概率,确定所述用户的套餐推荐列表;
所述获取模块具体用于:
获取用来区分套餐的所有套餐字段;
将每一个所述套餐字段对应的值进行统一量纲处理,得到所述套餐字段的特征值;
将所有所述套餐字段的值按照升序排序,得到升序套餐字段队列;
将所述升序套餐字段队列中每一个所述套餐字段对应的特征值按照与所述套餐字段队列反向顺序进行排列,得到反向特征值队列;
将所述升序套餐字段队列中的每一个所述套餐字段和对应序号的所述反向特征值队列中的每一个特征值连接,得到所述套餐特征向量;
所述将每一个所述套餐字段进行统一量纲处理,具体包括:
将所述套餐字段对应的值划分为q个区间,其中第p个区间左右的端点值分别为ap和bp,若所述套餐字段对应的值x在所述第p个区间,则变量cp=1,若所述x未在所述第p个区间,则变量cp=0;
根据公式得到所述套餐字段的特征值yP,其中aj和bj分别是第j个区间的端点值,j、p和q均为正整数且q>1,p<q。
7.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在计算机上运行时,使所述计算机执行根据权利要求1-5中任一项所述的电信套餐推荐方法的步骤。
8.一种计算机设备,包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一项所述的电信套餐推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911274901.9A CN111047406B (zh) | 2019-12-12 | 2019-12-12 | 一种电信套餐推荐方法、装置、存储介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911274901.9A CN111047406B (zh) | 2019-12-12 | 2019-12-12 | 一种电信套餐推荐方法、装置、存储介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111047406A CN111047406A (zh) | 2020-04-21 |
CN111047406B true CN111047406B (zh) | 2023-08-22 |
Family
ID=70236362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911274901.9A Active CN111047406B (zh) | 2019-12-12 | 2019-12-12 | 一种电信套餐推荐方法、装置、存储介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047406B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111782821B (zh) * | 2020-06-30 | 2023-12-19 | 平安科技(深圳)有限公司 | 基于fm模型的医学热点的预测方法、装置和计算机设备 |
CN112702179A (zh) * | 2020-12-18 | 2021-04-23 | 中国联合网络通信集团有限公司 | 一种套餐推荐方法及装置 |
CN112651804B (zh) * | 2020-12-28 | 2023-07-07 | 中国联合网络通信集团有限公司 | 合约机的推荐方法及推荐系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871858A (zh) * | 2017-12-05 | 2019-06-11 | 北京京东尚科信息技术有限公司 | 预测模型建立、对象推荐方法及系统、设备及存储介质 |
CN110162693A (zh) * | 2019-03-04 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种信息推荐的方法以及服务器 |
CN110245285A (zh) * | 2019-04-30 | 2019-09-17 | 中国科学院信息工程研究所 | 一种基于异构信息网络的个性化推荐方法 |
CN110503508A (zh) * | 2019-07-15 | 2019-11-26 | 电子科技大学 | 一种层级多粒度矩阵分解的物品推荐方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11188965B2 (en) * | 2017-12-29 | 2021-11-30 | Samsung Electronics Co., Ltd. | Method and apparatus for recommending customer item based on visual information |
US11100400B2 (en) * | 2018-02-15 | 2021-08-24 | Adobe Inc. | Generating visually-aware item recommendations using a personalized preference ranking network |
-
2019
- 2019-12-12 CN CN201911274901.9A patent/CN111047406B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871858A (zh) * | 2017-12-05 | 2019-06-11 | 北京京东尚科信息技术有限公司 | 预测模型建立、对象推荐方法及系统、设备及存储介质 |
CN110162693A (zh) * | 2019-03-04 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种信息推荐的方法以及服务器 |
CN110245285A (zh) * | 2019-04-30 | 2019-09-17 | 中国科学院信息工程研究所 | 一种基于异构信息网络的个性化推荐方法 |
CN110503508A (zh) * | 2019-07-15 | 2019-11-26 | 电子科技大学 | 一种层级多粒度矩阵分解的物品推荐方法 |
Non-Patent Citations (1)
Title |
---|
王涛等.深度学习下的推荐系统研究.《电脑知识与技术》.2017,第13卷(第25期),180-181. * |
Also Published As
Publication number | Publication date |
---|---|
CN111047406A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106021364B (zh) | 图片搜索相关性预测模型的建立、图片搜索方法和装置 | |
CN111797321B (zh) | 一种面向不同场景的个性化知识推荐方法及系统 | |
CN111047406B (zh) | 一种电信套餐推荐方法、装置、存储介质和设备 | |
CN106651057B (zh) | 一种基于安装包序列表的移动端用户年龄预测方法 | |
CN103761254B (zh) | 多领域服务主题匹配推荐方法 | |
CN107220217A (zh) | 基于逻辑回归的特征系数训练方法和装置 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN106484777A (zh) | 一种多媒体数据处理方法以及装置 | |
CN110633421B (zh) | 特征提取、推荐以及预测方法、装置、介质和设备 | |
CN112395487B (zh) | 信息推荐方法、装置、计算机可读存储介质及电子设备 | |
CN110399895A (zh) | 图像识别的方法和装置 | |
CN116994709B (zh) | 一种个性化的饮食与运动推荐方法、系统及电子设备 | |
CN114332984B (zh) | 训练数据处理方法、装置和存储介质 | |
CN110019163A (zh) | 对象特征的预测、推荐的方法、系统、设备和存储介质 | |
CN108228684A (zh) | 聚类模型的训练方法、装置、电子设备和计算机存储介质 | |
CN112417294A (zh) | 一种基于神经网络挖掘模型的业务智能推荐方法 | |
CN109933502A (zh) | 电子装置、用户操作记录的处理方法和存储介质 | |
CN112529638A (zh) | 基于用户分类和深度学习的服务需求动态预测方法及系统 | |
CN110472659B (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
CN115545832A (zh) | 商品搜索推荐方法及其装置、设备、介质 | |
CN117436679B (zh) | 一种元宇宙资源匹配方法及其系统 | |
CN106326904A (zh) | 获取特征排序模型的装置和方法以及特征排序方法 | |
CN111782774B (zh) | 一种问题推荐的方法及装置 | |
Insuwan et al. | Improving missing values imputation in collaborative filtering with user-preference genre and singular value decomposition | |
CN116957128A (zh) | 业务指标预测方法、装置、设备和存储介质 |
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 |