CN111090805A - 推荐指数归因方法、装置及电子设备 - Google Patents
推荐指数归因方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111090805A CN111090805A CN201811238088.5A CN201811238088A CN111090805A CN 111090805 A CN111090805 A CN 111090805A CN 201811238088 A CN201811238088 A CN 201811238088A CN 111090805 A CN111090805 A CN 111090805A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- recommendation
- time
- value
- user
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000008859 change Effects 0.000 claims abstract description 53
- 238000012163 sequencing technique Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 14
- 238000007477 logistic regression Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000036651 mood Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 235000003434 Sesamum indicum Nutrition 0.000 description 1
- 244000000231 Sesamum indicum Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种推荐指数归因方法、装置及电子设备。所述推荐指数归因方法包括:使用计分模型计算目标用户在第一时间和第二时间的每个特征的推荐指数得分,所述推荐指数得分表示对应特征对用户的影响度;计算每个特征在所述第一时间和所述第二时间的推荐指数得分的分值变化值;将每个特征对应的分值变化值进行排序,得到各个特征对所述目标用户的推荐指数的影响。
Description
技术领域
本发明涉及数据处理领域,具体而言,涉及一种推荐指数归因方法、装置及电子设备。
背景技术
随着时间的推移用户对应用平台、娱乐网页等公共服务资源的推荐心态可能会改变,现有的一般是通过问卷调查的方式了解用户对应用平台、娱乐网页等公共服务资源的推荐心态进行了解,但是问卷调查可能仅仅是针对指定小群体,问卷调查的结果也可能随用户当时的心情得到的结果也不一样。因此,现有对用户对目标网页的推荐元素的重要性的了解并不会很客观。
发明内容
有鉴于此,本发明实施例的目的在于提供一种推荐指数归因方法、装置及电子设备。
第一方面,本发明实施例提供的一种推荐指数归因方法,包括:
使用计分模型计算目标用户在第一时间和第二时间的每个特征的推荐指数得分,所述推荐指数得分表示对应特征对用户的影响度;
计算每个特征在所述第一时间和所述第二时间的推荐指数得分的分值变化值;
将每个特征对应的分值变化值进行排序,得到各个特征对所述目标用户的推荐指数的影响。
可选地,在所述计算目标用户群中每个用户在第一时间和第二时间的每个特征的推荐指数得分的步骤之前,所述方法还包括:
使用推荐预估模型计算所述目标用户的推荐值,所述特征为指定服务的服务中所产生的特征,所述推荐值表示所述目标用户对指定服务的推荐程度;
判断所述推荐值是否低于设定阈值,若所述推荐值低于所述设定阈值,则执行计算目标用户在第一时间和第二时间的每个特征的推荐指数得分的步骤。
可选地,在所述计算目标用户群中每个用户在第一时间和第二时间的每个特征的推荐指数得分的步骤之前,所述方法还包括:
使用推荐预估模型计算所述目标用户在第三时间和第四时间的推荐值;
计算所述第三时间的推荐值和第四时间的第四时间的推荐值的差值;
判断所述差值是否落入设定区间,若所述差值未落入所述设定区间,则执行计算目标用户在第一时间和第二时间的每个特征的推荐指数得分的步骤。
可选地,所述推荐预估模型是XGBoost模型、逻辑斯特回归LR模型或神经网络模型中任意一种模型。
可选地,所述计分模型通过以下方式得到:
获取训练数据,所述训练数据包括历史成交数据中的指定数量的用户数据,每个所述用户数据包括对应用户的各个特征的数值及该用户的推荐类型;
根据设定规则将每个特征分为多个区间,获得每个特征的每一区间对应的不同推荐类型的用户数量;
根据每个特征的每一区间对应的不同推荐类型的用户数量计算每一特征在每一区间中对应的影响特征值;
将所述训练数据中每个用户的所述影响特征值输入学习模型中计算得到每一特征对应的权重;
根据每一特征对应的权重得到每一特征的计分模型。
可选地,所述推荐类型包括:推荐者和贬损者;所述根据每个特征的每一区间对应的不同推荐类型的用户数量计算每一特征在每一区间中对应的影响特征值通过以下公式计算:
其中,woej表示一特定特征的第j区间的影响特征值;Bj表示一特定特征的第j区间中推荐者的数量;BT表示一特定特征的中推荐者的数量;Gj表示一特定特征的第j区间中贬损者的数量;GT表示一特定特征的中贬损者的数量。
可选地,将所述训练数据中每个用户的所述影响特征值输入学习模型中计算得到每一特征对应的权重通过以下公式进行计算:
其中,p表示训练数据中一用户的推荐值;β0表示一常量;βi表示第i个特征对应的权重;xi表示p推荐值对应的用户的第i个特征对应的影响特征值;n表示特征数量。
可选地,所述根据每一特征对应的权重得到每一特征的计分模型通过以下公式实现:
si=(woei*βi+β0/n)*factor+offset/n;
其中,si表示第i个特征对应的推荐指数得分;woei表示需要计算推荐指数得分的用户的第i个特征对应影响特征值;β0表示一常量;βi表示第i个特征对应的权重;factor和offset表示两个常量,n表示特征数量。
可选地,所述使用计分模型计算目标用户在第一时间和第二时间的每个特征的推荐指数得分,所述推荐指数得分表示对应特征对用户的影响度的步骤,包括:
获得所述目标用户在第一时间和第二时间的每个特征的影响特征值;
将所述目标用户在第一时间和第二时间的每个特征的影响特征值分别输入所述计分模型计算得到在第一时间和第二时间的每个特征的推荐指数得分。
可选地,所述方法还包括:
计算目标群体中每个用户的每个特征在所述第一时间和所述第二时间的推荐指数得分的分值变化值;
计算目标群体中每个用户的每个特征的分值变化值的变化总和;
将每一特征的所述变化总和进行排序,得到所述第一时间至所述第二时间各个特征对所述目标群体的推荐指数的影响。
可选地,所述目标用户是网约车的司机或乘客,所述特征为网约车成交过程中产生的相关参数以及司机或乘客本身携带的参数。
第二方面,本发明实施例还提供一种推荐指数归因装置,包括:
第一计算模块,用于使用计分模型计算目标用户在第一时间和第二时间的每个特征的推荐指数得分,所述推荐指数得分表示对应特征对用户的影响度;
第二计算模块,用于计算每个特征在所述第一时间和所述第二时间的推荐指数得分的分值变化值;
第一排序模块,用于将每个特征对应的分值变化值进行排序,得到各个特征对所述目标用户的推荐指数的影响。
可选地,所述推荐指数归因装置还包括:
第三计算模块,用于使用推荐预估模型计算所述目标用户的推荐值,所述特征为指定服务的服务中所产生的特征,所述推荐值表示所述目标用户对指定服务的推荐程度;
第一判断模块,用于判断所述推荐值是否低于设定阈值,若所述推荐值低于所述设定阈值,则执行计算目标用户在第一时间和第二时间的每个特征的推荐指数得分的步骤。
可选地,所述推荐指数归因装置还包括:
第四计算模块,用于使用推荐预估模型计算所述目标用户在第三时间和第四时间的推荐值;
第五计算模块,用于计算所述第三时间的推荐值和第四时间的第四时间的推荐值的差值;
第二判断模块,用于判断所述差值是否落入设定区间,若所述差值未落入所述设定区间,则执行计算目标用户在第一时间和第二时间的每个特征的推荐指数得分的步骤。
可选地,所述推荐预估模型是XGBoost模型、逻辑斯特回归LR模型或神经网络模型中任意一种模型。
可选地,所述计分模型通过以下几个模块得到:
获取模块,用于获取训练数据,所述训练数据包括历史成交数据中的指定数量的用户数据,每个所述用户数据包括对应用户的各个特征的数值及该用户的推荐类型;
获得模块,用于根据设定规则将每个特征分为多个区间,获得每个特征的每一区间对应的不同推荐类型的用户数量;
第六计算模块,用于根据每个特征的每一区间对应的不同推荐类型的用户数量计算每一特征在每一区间中对应的影响特征值;
第七计算模块,用于将所述训练数据中每个用户的所述影响特征值输入学习模型中计算得到每一特征对应的权重;
得到模块,用于根据每一特征对应的权重得到每一特征的计分模型。
可选地,所述推荐类型包括:推荐者和贬损者;所述第六计算模块通过以下公式计算:
其中,woej表示一特定特征的第j区间的影响特征值;Bj表示一特定特征的第j区间中推荐者的数量;BT表示一特定特征的中推荐者的数量;Gj表示一特定特征的第j区间中贬损者的数量;GT表示一特定特征的中贬损者的数量。
可选地,第七计算模块通过以下公式进行计算:
其中,p表示训练数据中一用户的推荐值;β0表示一常量;βi表示第i个特征对应的权重;xi表示p推荐值对应的用户的第i个特征对应的影响特征值;n表示特征数量。
可选地,所述得到模块通过以下公式实现:
si=(woei*βi+β0/n)*factor+offset/n;
其中,si表示第i个特征对应的推荐指数得分;woei表示需要计算推荐指数得分的用户的第i个特征对应影响特征值;β0表示一常量;βi表示第i个特征对应的权重;factor和offset表示两个常量,n表示特征数量。
可选地,所述第一计算模块还用于:
获得所述目标用户在第一时间和第二时间的每个特征的影响特征值;
将所述目标用户在第一时间和第二时间的每个特征的影响特征值分别输入所述计分模型计算得到在第一时间和第二时间的每个特征的推荐指数得分。
可选地,所述推荐指数归因装置还包括:
第八计算模块,用于计算目标群体中每个用户的每个特征在所述第一时间和所述第二时间的推荐指数得分的分值变化值;
第九计算模块,用于计算目标群体中每个用户的每个特征的分值变化值的变化总和;
第二排序模块,用于将每一特征的所述变化总和进行排序,得到所述第一时间至所述第二时间各个特征对所述目标群体的推荐指数的影响。
可选地,所述目标用户是网约车的司机或乘客,所述特征为网约车成交过程中产生的相关参数以及司机或乘客本身携带的参数。
第三方面,本发明实施例还提供一种电子设备,所述电子设备包括存储器以及处理器,所述存储器用于存储支持处理器执行上述述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述的方法的步骤。
与现有技术相比,本发明实施例的推荐指数归因方法、装置及电子设备,通过使用模型根据目标用户携带的特征进行计算可以得到每个特征的推荐得分,进一步地,再通过对比各个特征的变化趋势可以了解到各个特征对所述目标用户推荐心态的重要性,可以提高获知各个特征对用户的推荐心态的影响的重要性的效率的情况下,还能够使得到的结果更加客观。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的电子设备的方框示意图。
图2为本发明实施例提供的推荐指数归因方法的流程图。
图3为本发明实施例提供的推荐指数归因方法的计分模型得到的详细流程图。
图4为本发明另一实施例提供的推荐指数归因方法的流程图。
图5为本发明实施例提供的推荐指数归因装置的功能模块示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域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,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,是一电子设备100的方框示意图。所述电子设备100包括存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115、显示单元116。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对电子设备100的结构造成限定。例如,电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。本实施例所述的电子设备100可以是个人计算机、数据处理服务器或者移动电子设备等具有数据处理能力的计算设备。
所述存储器111、存储控制器112、处理器113、外设接口114、输入输出单元115及显示单元116各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器111中存储至少一个以软件或固件(Firmware)的形式的软件功能模块,或所述电子设备100的操作系统(Operating System,OS)中固化有软件功能模块。所述处理器113用于执行存储器中存储的可执行模块。
其中,所述存储器111可以是,但不限于,随机存取存储器(Random AccessMemory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。其中,存储器111用于存储程序,所述处理器113在接收到执行指令后,执行所述程序,本发明实施例任一实施例揭示的过程定义的电子设备100所执行的方法可以应用于处理器113中,或者由处理器113实现。
所述处理器113可能是一种集成电路芯片,具有信号的处理能力。上述的处理器113可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑期间、分立门或者晶体管逻辑期间、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述外设接口114将各种输入/输入装置耦合至处理器113以及存储器111。在一些实施例中,外设接口114,处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
所述输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是,但不限于,鼠标和键盘等。
所述显示单元116在所述电子设备100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器进行计算和处理。
多数服务提供商为了更好地服务用户,会通过各种方式了解用户的需求、态度等。所述服务可以是线上的应用平台、娱乐网页等公共网络服务资源,也可以是线下的娱乐会所、教育服务、业余培训等公共活动提供服务。现有技术中会通过问卷调查的方式了解用户的需求或者当前的态度。通过问卷调查可以局部地了解用户的NPS。
其中,NPS(Net Promoter Score)是由贝恩咨询公司提出,翻译为净推荐值,又称净促进者得分,亦可称口碑,是一种计量某个客户将会向其他人推荐某个企业或服务可能性的指数。它是顾客忠诚度分析指标,专注于顾客口碑如何影响企业成长。近年来,越来越多的企业把NPS作为衡量用户体验的关键指标之一。
现有的通过向相关用户发放调研问卷,让用户依据推荐意愿的程度在0-10分之间进行打分。在一个实例中,可以依据打分将用户分为三个群体:打0-6分,视为贬损者;打7-8分,视为中立者;打9-10分,视为推荐者。NPS便可以通过下面公式计算得出:
净推荐值(NPS)=(推荐者数-贬损者数)/总样本数×100%
即,NPS是等于推荐者所占的百分比减去贬损者所占的百分比。
目前NPS的获取及分析应用存在以下几方面问题。
(1)问卷调研得到的NPS仅覆盖很小部分用户群体
需要先对用户进行抽样得到发送调研问卷的用户群体,这样最初的环节已决定了只会覆盖一部分用户,而且所采用的抽样方法要依赖于业务情况确定,否则会对回收的问卷和计算出的NPS值引入偏差。更主要的问题是,NPS问卷回收率普遍很低,可能会处于10%以下,导致只能获取到小部分用户的NPS打分值。这样带来的后果是,由于搜集到的问卷数量太少而不够统计上的显著性,进而使得计算出来的NPS值波动大、可信度低。另一方面,为了持续获取足够的问卷量,需要持续的发送调研问卷,长期以来调研费用成为企业的一项开支。
(2)NPS作为一个统计指标,个体维度的体验指标缺失
即使问卷回收量具有统计上的显著性而适用于计算整体NPS值,但这样算出的NPS是一个综合统计指标,仍缺失个体维度的NPS指标。除了问卷覆盖到的小部分用户群体,实际业务中获知每个用户的NPS推荐指数具有多方面重要应用。
(3)现有NPS体系对于业务提升体验的直接指导性非常有限
现有的NPS体系虽然可以衡量业务的体验情况,但给予的指导却非常有限,原因在于现有NPS体系缺少将综合NPS值及个体NPS推荐指数与对应业务数据在因果性上相关联。为得到该关联性关系,需要做相应的NPS因素分析。
本申请提供以下几个实施例可以有效地解决上述技术问题,具体描述如下。
请参阅图2,是本发明实施例提供的应用于图1所示的电子设备的推荐指数归因方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤S201,使用计分模型计算目标用户在第一时间和第二时间的每个特征的推荐指数得分。
其中,所述推荐指数得分表示对应特征对用户的影响度。
本实施例中,所述目标用户是网约车的司机或乘客,所述特征为网约车成交过程中产生的相关参数以及司机或乘客本身携带的参数。
在一个应用场景中,本实施例中的方法用于计算网约车用户的各个特征对用户的推荐或贬损的心态的影响。例如,所述目标用户为网约车的司机。所述司机对应关联有多组信息,例如:基础信息、收入信息、订单信息、高维订单信息、策略信息、累计信息、投诉评价相关等。每一组信息对应有一个或多个特征。
本实施例中,所述目标用户的每个特征在第一时间对应有影响特征值,每个特征在第二时间对应有影响特征值。将所述影响特征值输入所述积分模型可以计算得到对应的推荐指数得分。
下表以网约车司机为例,列出网约车司机关联的各个特征的特征表1:
下面以所述目标用户为网约车司机为例进行描述,可以知道的是,虽然后面以网约车司机为例进行描述,但是并不会对目标用户的类型造成任何限制,本实施例中的方法同样适应对其它用户进行推荐指数归因预测。当然,本实施例中的方法对其它服务的用户进行推荐指数归因预测时,用户携带的特征可能存在不同。
所述推荐指数得分表示对应特征对应用户对网约车的推荐的影响度。例如,所述推荐分数越高表示用户的对应特征表征为用户对网约车呈推荐态度。
每个特征的推荐指数得分相加得到的总和可以了解到所述目标用户对网约车服务的推荐或贬损心态。
步骤S202,计算每个特征在所述第一时间和所述第二时间的推荐指数得分的分值变化值。
在一种实施方式,可以计算每个特征的第一时间的推荐指数得分与第二时间的推荐指数得分之差,得到所述分值变化值。
在一种实施方式,可以计算每个特征的第一时间的推荐指数得分与第二时间的推荐指数得分之商,得到所述分值变化值。
步骤S203,将每个特征对应的分值变化值进行排序,得到各个特征对所述目标用户的推荐指数的影响。
若所述分值变化值为所述第一时间的推荐指数得分与第二时间的推荐指数得分之差,则所述分值变化值越大表示所述第一时间与所述第二时间相比对应特征表征的用户心态变化越大。
通过了解到目标用户的各个特征对所述目标用户的推荐指数的影响,可以有针对性地为该目标用户推送相关优惠,可以使用户能够由贬损心态变为推荐心态。例如,所述目标用户的特征“补贴率”对应的分值变化值比较大,可能表示第二时间对目标用户的补贴率有所降低,可能导致用户有推荐心态想贬损心态转变,可以适当为所述目标用户提高补贴率。
本发明实施例的推荐指数归因方法,通过使用模型根据目标用户携带的特征进行计算可以得到每个特征的推荐得分,进一步地,再通过对比各个特征的变化趋势可以了解到各个特征对所述目标用户推荐心态的重要性,可以提高获知各个特征对用户的推荐心态的影响的重要性的效率的情况下,还能够使得到的结果更加客观。
本实施例中,在步骤S201之前,所述方法还包括:
使用推荐预估模型计算所述目标用户的推荐值,所述特征为指定服务的服务中所产生的特征,所述推荐值表示所述目标用户对指定服务的推荐程度;
判断所述推荐值是否低于设定阈值,若所述推荐值低于所述设定阈值,则执行计算目标用户在第一时间和第二时间的每个特征的推荐指数得分的步骤。
在一种实施方式中,所述设定阈值可以是由推荐者转换为贬损者的界定值。在一个实例中,所述推荐值的取值范围可以是[0,10]。其中,若推荐值属于[0,6),归类为贬损者;若推荐值属于[6,10],归类为推荐者,此时,所述设定阈值可以是6。在另一个实例中,所述推荐值的取值范围可以是[0,10]。其中,若推荐值属于[0,5),归类为贬损者;若推荐值属于[5,10],归类为推荐者,此时,所述设定阈值可以是5。当然,所述界定值也可以是由相关人员按照需求设定。
在另一种实施方式,所述设定阈值也可以比由推荐者转换为贬损者的界定值大,还可以比由推荐者转换为贬损者的界定值小。
本实施例中,所述目标用户通过所述推荐预估模型进行计算得到的推荐值对应为贬损者,则可以通过步骤S201至S203的过程进行计算可以分析出由于那些特征的影响导致所述目标用户被识别为贬损者。从而可以进一步地,根据分析结果为所述目标用户推送相关优惠,以使所述目标用户可以由贬损者转变为推荐者。
本实施例中,在步骤S201之前,所述方法还包括:
使用推荐预估模型计算所述目标用户在第三时间和第四时间的推荐值;
计算所述第三时间的推荐值和第四时间的第四时间的推荐值的差值;
判断所述差值是否落入设定区间,若所述差值未落入所述设定区间,则执行计算目标用户在第一时间和第二时间的每个特征的推荐指数得分的步骤。
所述设定区间可以是[-a,a],其中a表示一个正数。如果所述差值在所述设定区间内可以表示所述目标用户在第三时间与第四时间两个时间节点的浮动不大;如果所述差值不在所述设定区间内可以表示所述目标用户在第三时间与第四时间两个时间节点的浮动较大,可以通过步骤S201至S203中的步骤对所述目标用户进行分析。
本实施例中,所述第三时间和第一时间可以是相同的时间,所述第四时间和第二时间可以是相同的时间。当所述第三时间和第四时间计算得到的差值变化比较大,可能是所述目标用户在这期间被提供的服务可能产生了一些变化。则可以通过步骤S201至S203的过程进行计算可以分析出由于那些特征的影响导致所述目标用户的推荐心态的转变。如果是有推荐者转变为贬损者,则可以根据分析结果为所述目标用户推送相关优惠,以使所述目标用户可以由贬损者转变为推荐者。如果是有贬损者转变为推荐者,则可以根据所述分析结果分析出那些特征的转变会导致用户由贬损者转变为推荐者,从而根据分析结果对其它用户也推送能够使相关特征转变的优惠策略。
本实施例中,所述第三时间和第一时间也可以是不相同的时间,所述第四时间和第二时间也可以是不相同的时间。通过计算第三时间与第四时间相比导致变化比较大,则可以进一步地计算所述目标用户在第一时间与第二时间可能会产生的变化,以及哪些特征会可能引起推荐值的改变。
本实施例中,所述推荐预估模型可以是XGBoost(Extreme Gradient Boostingtree)模型、逻辑斯特回归LR模型或神经网络模型中任意一种模型。
其中,所述XGBoost模型携带有能够影响计算结果的参数包括:树的个数、学习率、树的深度、目标函数等,调试所述XGBoost模型过程中可以利用交替式网格搜索的方法找到最优参数值。本发明构建的NPS预测模型中,输入是描述每个用户的特征,输出是每个用户的NPS推荐值。在一个实例中,该推荐值可以属于[0,1](0代表非常不愿意推荐,1代表非常愿意推荐)。所述推荐预估模型中使用逻辑斯特Logistic函数将该推荐预估模型的预测值和预估的用户推荐分数联系起来。设推荐值为y,模型参数是θ,模型特征是x,则所述推荐预估模型表示为:
在其它实施方式中,所述推荐预估模型也可以是逻辑斯特回归(LogisticRegression,简称:LR)逻辑斯特回归等线性模型,使用线性模型可以提升计算效率。
在其它实施方式中,所述推荐预估模型也可以是神经网络系列模型,使用神经网络系列模型可以得到很准确地计算结果。其中,使用所述神经网络系列模型作为推荐预估模型时,需要对每个特征做合适的归一化,需要更多的调试以找到最优参数组合。
通过上述方式先计算得到目标用户的推荐值,可以就需要进行进一步地了解的用户再进行详细计算分析得到每个特征对该目标用户的推荐心态的影响,可以避免对一些没有明显变化的用户也进行计算,浪费计算资源。
实施例二
为了准确地计算得到各个特征的推荐指数得分,本申请实施例还提供一种得到所述计分模型得到方式。请参阅图3,本申请在图2的基础上新增了以下步骤。
步骤S301,获取训练数据。
本实施中,所述训练数据包括历史成交数据中的指定数量的用户数据,每个所述用户数据包括对应用户的各个特征的数值及该用户的推荐类型。
以网约车为例,所述训练数据可以是在指定时间段注册的网约车司机的用户数据。其中,所述用户数据包括对应司机注册的账号的基本信息以及成单所产生的相关数据及该司机对网约车的推荐类型。本实例中,所述用户数据可以包括特征表1中的全部特征对应的数值,也可以仅仅包括特征表1中的部分特征对应的数值。当所述用户数据仅包括所述特征表1中的部分特征对应的数值时,所述部分特征可以是相关人员进行筛选得到的;也可以是从每组信息中随机抽取多个特征;当然,还可以是按照其他的筛选规则筛选出的部分特征。进一步地,所述训练数据中的每个用户数据还可以包括比特征表1中更多的特征。
本实施例中,所述推荐类型可以包括三种:推荐者、中立者及贬损者;也可以包括两种:推荐者及贬损者。下面以推荐类型包括推荐者及贬损者为例进行描述。
步骤S302,根据设定规则将每个特征分为多个区间,获得每个特征的每一区间对应的不同推荐类型的用户数量。
所述设定规则可以是按照人数均分原则将每个特征分为多个区间。所述设定规则还可以是按照特征对应的数值分区间等。
在一个实例中,所述训练数据中可以包括7000名司机的用户数据。下面以所述训练数据为七千为例进行描述。其中,7000名司机中有5200名是推荐者,1800名是贬损者。
在一个实例中,其一特征是司机ID,可以根据司机ID注册时间将司机ID这一特征分为三个区间,分别为:五年前注册的ID、五年前至一年前期间注册的ID、最近一年注册的ID。其中,7000个司机ID中有1500个司机ID是五年前注册的ID,其中,1300名司机为推荐者,200名司机为贬损者;其中有4000个司机ID是五年前至一年前期间注册的ID,其中,3200名司机为推荐者,800名司机为贬损者;其中有2500个司机ID是近一年注册的ID,其中,1700名司机推荐者,800名司机为贬损者。
步骤S303,根据每个特征的每一区间对应的不同推荐类型的用户数量计算每一特征在每一区间中对应的影响特征值。
在一种实施方式中,所述推荐类型包括:推荐者和贬损者;所述根据每个特征的每一区间对应的不同推荐类型的用户数量计算每一特征在每一区间中对应的影响特征值通过以下公式计算:
其中,woej表示一特定特征的第j区间的影响特征值;Bj表示一特定特征的第j区间中推荐者的数量;BT表示一特定特征的中推荐者的数量;Gj表示一特定特征的第j区间中贬损者的数量;GT表示一特定特征的中贬损者的数量;
其中,woej的计算公式可以由以下过程变换得到:
首先,需要对连续变量进行离散,然后根据信息增益IV值进行特征选择。IV值的计算如下所示:
在一个实例中,以上述司机ID所举例的数据进行计算:
第一区间五年前注册的ID的影响特征值为:
第二区间五年前至一年前期间注册的ID的影响特征值为:
第三区间近一年注册的ID的影响特征值为:
通过步骤S301至S303可以计算得到每一特征的每一区间对应的影响特征值。
步骤S304,将所述训练数据中每个用户的所述影响特征值输入学习模型中计算得到每一特征对应的权重。
本实施例中,将所述训练数据中每个用户的所述影响特征值输入学习模型中计算得到每一特征对应的权重通过以下公式进行计算:
其中,p表示训练数据中一用户的推荐值;β0表示一常量;βi表示第i个特征对应的权重;xi表示p推荐值对应的用户的第i个特征对应的影响特征值;n表示特征数量。
步骤S305,根据每一特征对应的权重得到每一特征的计分模型。
本实施例中,所述根据每一特征对应的权重得到每一特征的计分模型通过以下公式实现:
si=(woei*βi+β0/n)*factor+offset/n;
其中,si表示第i个特征对应的推荐指数得分;woei表示需要计算推荐指数得分的用户的第i个特征对应影响特征值;β0表示一常量;βi表示第i个特征对应的权重;factor和offset表示两个常量,n表示特征数量。
在一种实施方式中,实施例二中新增的步骤S301至S305可以与实施例一种的步骤可以由同一电子设备执行,由实施例一中的步骤可以使用实施二中的新增的步骤S301至S305得到计分模型计算各个特征的推荐指数得分。
在另一种实施方式中,实施例二中新增的步骤S301至S305可以与实施例一种的步骤可以由不同电子设备执行,例如,由第一电子设备执行实施例一中的各个步骤,由第二电子设备执行实施例二中新增的步骤S301至S305。由第二电子设备执行新增的步骤S301至S305得到所述计分模型,传输给所述第一电子设备由第一电子设备使用所述积分模型。
本实施例中,所述步骤S201包括:获得所述目标用户在第一时间和第二时间的每个特征的影响特征值;将所述目标用户在第一时间和第二时间的每个特征的影响特征值分别输入所述计分模型计算得到在第一时间和第二时间的每个特征的推荐指数得分。
则该司机ID这一特征对应的推荐指数得分为:
其中,β1表示司机ID对应的权重。
通过上述过程可以通过训练数据计算统计得到所述计分模型,以及各个特征对应不同区间时的影响特征值。可以有效地预估待计算用户的各个特征对所述待计算用户的推荐指数的影响。
实施例三
为了进一步地对指定区域,指定类型的用户进行更好地分析,本申请除了可以对单个用户进行处理得到各个特征对单个用户的推荐指数的影响,还可以对群体用户进行处理得到各个特征对群体用户的推荐指数的影响。基于此,请参阅图4,本申请实施例在图2或图3的基础上新增以下步骤,可以实现得到各个特征对群体用户的推荐指数的影响。
步骤S401,计算目标群体中每个用户的每个特征在所述第一时间和所述第二时间的推荐指数得分的分值变化值。
所述目标群体可以是某城市或谋行政区中的所有用户。所述目标群体也可以是某一性别的用户。所述目标群体还可以是某一年龄段的用户。
步骤S402,计算目标群体中每个用户的每个特征的分值变化值的变化总和。
主要是针对某个群体在不同时间周期的NPS变化,计算各特征的影响度及排序。假设群体特征维度为n,用户数量为m,前后两个时刻为T1、T2,在群体中第i维特征的分值变化为:
其中,s′i表示所述目标群体的第i个特征的分值变化值的变化总和;m表示所述目标群体中人数;spiT2表示所述目标群体中第p个用户在T2时间的第i个特征的推荐指数得分;spiT1表示所述目标群体中第p个用户在T1时间的第i个特征的推荐指数得分。
步骤S403,将每一特征的所述变化总和进行排序,得到所述第一时间至所述第二时间各个特征对所述目标群体的推荐指数的影响。
将所有特征的变化总和进行排序,依据分值正负和分值大小判断各因素对于这两个时刻之间NPS变化的正负向影响及影响度大小。
通过对目标群体进行统一计算可以使相关人员能够更好地了解各个特征对群体用户的推荐指数的影响,从而可以为目标群体提供相匹配的策略,从而使相关服务在群众中的推荐度更高。
实施例四
请参阅图5,是本发明实施例提供的推荐指数归因装置的功能模块示意图。本实施例中的推荐指数归因装置中的各个模块用于执行上述方法实施例中的各个步骤。所述推荐指数归因装置包括以下模块。
第一计算模块501,用于使用计分模型计算目标用户在第一时间和第二时间的每个特征的推荐指数得分。
本实施例中,所述推荐指数得分表示对应特征对用户的影响度。
第二计算模块502,用于计算每个特征在所述第一时间和所述第二时间的推荐指数得分的分值变化值。
第一排序模块503,用于将每个特征对应的分值变化值进行排序,得到各个特征对所述目标用户的推荐指数的影响。
本实施例中,所述推荐指数归因装置还包括:
第三计算模块,用于使用推荐预估模型计算所述目标用户的推荐值,所述特征为指定服务的服务中所产生的特征,所述推荐值表示所述目标用户对指定服务的推荐程度;
第一判断模块,用于判断所述推荐值是否低于设定阈值,若所述推荐值低于所述设定阈值,则执行计算目标用户在第一时间和第二时间的每个特征的推荐指数得分的步骤。
本实施例中,所述推荐指数归因装置还包括:
第四计算模块,用于使用推荐预估模型计算所述目标用户在第三时间和第四时间的推荐值;
第五计算模块,用于计算所述第三时间的推荐值和第四时间的第四时间的推荐值的差值;
第二判断模块,用于判断所述差值是否落入设定区间,若所述差值未落入所述设定区间,则执行计算目标用户在第一时间和第二时间的每个特征的推荐指数得分的步骤。
本实施例中,所述推荐预估模型是XGBoost模型、逻辑斯特回归LR模型或神经网络模型中任意一种模型。
本实施例中,所述计分模型通过以下几个模块得到:
获取模块,用于获取训练数据,所述训练数据包括历史成交数据中的指定数量的用户数据,每个所述用户数据包括对应用户的各个特征的数值及该用户的推荐类型;
获得模块,用于根据设定规则将每个特征分为多个区间,获得每个特征的每一区间对应的不同推荐类型的用户数量;
第六计算模块,用于根据每个特征的每一区间对应的不同推荐类型的用户数量计算每一特征在每一区间中对应的影响特征值;
第七计算模块,用于将所述训练数据中每个用户的所述影响特征值输入学习模型中计算得到每一特征对应的权重;
得到模块,用于根据每一特征对应的权重得到每一特征的计分模型。
本实施例中,所述推荐类型包括:推荐者和贬损者;所述第六计算模块通过以下公式计算:
其中,woej表示一特定特征的第j区间的影响特征值;Bj表示一特定特征的第j区间中推荐者的数量;BT表示一特定特征的中推荐者的数量;Gj表示一特定特征的第j区间中贬损者的数量;GT表示一特定特征的中贬损者的数量。
本实施例中,第七计算模块通过以下公式进行计算:
其中,p表示训练数据中一用户的推荐值;β0表示一常量;βi表示第i个特征对应的权重;xi表示p推荐值对应的用户的第i个特征对应的影响特征值;n表示特征数量。
本实施例中,所述得到模块通过以下公式实现:
si=(woei*βi+β0/n)*factor+offset/n;
其中,si表示第i个特征对应的推荐指数得分;woei表示需要计算推荐指数得分的用户的第i个特征对应影响特征值;β0表示一常量;βi表示第i个特征对应的权重;factor和offset表示两个常量,n表示特征数量。
本实施例中,所述第一计算模块还用于:
获得所述目标用户在第一时间和第二时间的每个特征的影响特征值;
将所述目标用户在第一时间和第二时间的每个特征的影响特征值分别输入所述计分模型计算得到在第一时间和第二时间的每个特征的推荐指数得分。
本实施例中,所述推荐指数归因装置还包括:
第八计算模块,用于计算目标群体中每个用户的每个特征在所述第一时间和所述第二时间的推荐指数得分的分值变化值;
第九计算模块,用于计算目标群体中每个用户的每个特征的分值变化值的变化总和;
第二排序模块,用于将每一特征的所述变化总和进行排序,得到所述第一时间至所述第二时间各个特征对所述目标群体的推荐指数的影响。
本实施例中,所述目标用户是网约车的司机或乘客,所述特征为网约车成交过程中产生的相关参数以及司机或乘客本身携带的参数。
关于本实施例的其它细节可以进一步地参考上述方法实施例中的描述,在此不再赘述。
本发明实施例的推荐指数归因装置,通过使用模型根据目标用户携带的特征进行计算可以得到每个特征的推荐得分,进一步地,再通过对比各个特征的变化趋势可以了解到各个特征对所述目标用户推荐心态的重要性,以使相关人员能够根据各个特征对目标用户的推荐心态的影响的重要性采取对应的措施,以提高应用平台、娱乐网页等公共服务资源的欢迎度。
进一步地,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述的方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。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“包括一个……”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。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,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,可轻易想到变化或替换,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 (24)
1.一种推荐指数归因方法,其特征在于,包括:
使用计分模型计算目标用户在第一时间和第二时间的每个特征的推荐指数得分,所述推荐指数得分表示对应特征对用户的影响度;
计算每个特征在所述第一时间和所述第二时间的推荐指数得分的分值变化值;
将每个特征对应的分值变化值进行排序,得到各个特征对所述目标用户的推荐指数的影响。
2.如权利要求1所述的推荐指数归因方法,其特征在于,在所述计算目标用户群中每个用户在第一时间和第二时间的每个特征的推荐指数得分的步骤之前,所述方法还包括:
使用推荐预估模型计算所述目标用户的推荐值,所述特征为指定服务的服务中所产生的特征,所述推荐值表示所述目标用户对指定服务的推荐程度;
判断所述推荐值是否低于设定阈值,若所述推荐值低于所述设定阈值,则执行计算目标用户在第一时间和第二时间的每个特征的推荐指数得分的步骤。
3.如权利要求1所述的推荐指数归因方法,其特征在于,在所述计算目标用户群中每个用户在第一时间和第二时间的每个特征的推荐指数得分的步骤之前,所述方法还包括:
使用推荐预估模型计算所述目标用户在第三时间和第四时间的推荐值;
计算所述第三时间的推荐值和第四时间的第四时间的推荐值的差值;
判断所述差值是否落入设定区间,若所述差值未落入所述设定区间,则执行计算目标用户在第一时间和第二时间的每个特征的推荐指数得分的步骤。
4.如权利要求2或3任意一项所述的推荐指数归因方法,其特征在于,所述推荐预估模型是XGBoost模型、逻辑斯特回归LR模型或神经网络模型中任意一种模型。
5.如权利要求1所述的推荐指数归因方法,其特征在于,所述计分模型通过以下方式得到:
获取训练数据,所述训练数据包括历史成交数据中的指定数量的用户数据,每个所述用户数据包括对应用户的各个特征的数值及该用户的推荐类型;
根据设定规则将每个特征分为多个区间,获得每个特征的每一区间对应的不同推荐类型的用户数量;
根据每个特征的每一区间对应的不同推荐类型的用户数量计算每一特征在每一区间中对应的影响特征值;
将所述训练数据中每个用户的所述影响特征值输入学习模型中计算得到每一特征对应的权重;
根据每一特征对应的权重得到每一特征的计分模型。
8.如权利要求5所述的推荐指数归因方法,其特征在于,所述根据每一特征对应的权重得到每一特征的计分模型通过以下公式实现:
si=(woei*βi+β0/n)*factor+offset/n;
其中,si表示第i个特征对应的推荐指数得分;woei表示需要计算推荐指数得分的用户的第i个特征对应影响特征值;β0表示一常量;βi表示第i个特征对应的权重;factor和offset表示两个常量,n表示特征数量。
9.如权利要求8所述的推荐指数归因方法,其特征在于,所述使用计分模型计算目标用户在第一时间和第二时间的每个特征的推荐指数得分,所述推荐指数得分表示对应特征对用户的影响度的步骤,包括:
获得所述目标用户在第一时间和第二时间的每个特征的影响特征值;
将所述目标用户在第一时间和第二时间的每个特征的影响特征值分别输入所述计分模型计算得到在第一时间和第二时间的每个特征的推荐指数得分。
10.如权利要求1所述的推荐指数归因方法,其特征在于,所述方法还包括:
计算目标群体中每个用户的每个特征在所述第一时间和所述第二时间的推荐指数得分的分值变化值;
计算目标群体中每个用户的每个特征的分值变化值的变化总和;
将每一特征的所述变化总和进行排序,得到所述第一时间至所述第二时间各个特征对所述目标群体的推荐指数的影响。
11.如权利要求1所述的推荐指数归因方法,其特征在于,所述目标用户是网约车的司机或乘客,所述特征为网约车成交过程中产生的相关参数以及司机或乘客本身携带的参数。
12.一种推荐指数归因装置,其特征在于,包括:
第一计算模块,用于使用计分模型计算目标用户在第一时间和第二时间的每个特征的推荐指数得分,所述推荐指数得分表示对应特征对用户的影响度;
第二计算模块,用于计算每个特征在所述第一时间和所述第二时间的推荐指数得分的分值变化值;
第一排序模块,用于将每个特征对应的分值变化值进行排序,得到各个特征对所述目标用户的推荐指数的影响。
13.如权利要求12所述的推荐指数归因装置,其特征在于,所述推荐指数归因装置还包括:
第三计算模块,用于使用推荐预估模型计算所述目标用户的推荐值,所述特征为指定服务的服务中所产生的特征,所述推荐值表示所述目标用户对指定服务的推荐程度;
第一判断模块,用于判断所述推荐值是否低于设定阈值,若所述推荐值低于所述设定阈值,则执行计算目标用户在第一时间和第二时间的每个特征的推荐指数得分的步骤。
14.如权利要求12所述的推荐指数归因装置,其特征在于,所述推荐指数归因装置还包括:
第四计算模块,用于使用推荐预估模型计算所述目标用户在第三时间和第四时间的推荐值;
第五计算模块,用于计算所述第三时间的推荐值和第四时间的第四时间的推荐值的差值;
第二判断模块,用于判断所述差值是否落入设定区间,若所述差值未落入所述设定区间,则执行计算目标用户在第一时间和第二时间的每个特征的推荐指数得分的步骤。
15.如权利要求13或14任意一项所述的推荐指数归因装置,其特征在于,所述推荐预估模型是XGBoost模型、逻辑斯特回归LR模型或神经网络模型中任意一种模型。
16.如权利要求12所述的推荐指数归因装置,其特征在于,所述计分模型通过以下几个模块得到:
获取模块,用于获取训练数据,所述训练数据包括历史成交数据中的指定数量的用户数据,每个所述用户数据包括对应用户的各个特征的数值及该用户的推荐类型;
获得模块,用于根据设定规则将每个特征分为多个区间,获得每个特征的每一区间对应的不同推荐类型的用户数量;
第六计算模块,用于根据每个特征的每一区间对应的不同推荐类型的用户数量计算每一特征在每一区间中对应的影响特征值;
第七计算模块,用于将所述训练数据中每个用户的所述影响特征值输入学习模型中计算得到每一特征对应的权重;
得到模块,用于根据每一特征对应的权重得到每一特征的计分模型。
19.如权利要求16所述的推荐指数归因装置,其特征在于,所述得到模块通过以下公式实现:
si=(woei*βi+β0/n)*factor+offset/n;
其中,si表示第i个特征对应的推荐指数得分;woei表示需要计算推荐指数得分的用户的第i个特征对应影响特征值;β0表示一常量;βi表示第i个特征对应的权重;factor和offset表示两个常量,n表示特征数量。
20.如权利要求19所述的推荐指数归因装置,其特征在于,所述第一计算模块还用于:
获得所述目标用户在第一时间和第二时间的每个特征的影响特征值;
将所述目标用户在第一时间和第二时间的每个特征的影响特征值分别输入所述计分模型计算得到在第一时间和第二时间的每个特征的推荐指数得分。
21.如权利要求12所述的推荐指数归因装置,其特征在于,所述推荐指数归因装置还包括:
第八计算模块,用于计算目标群体中每个用户的每个特征在所述第一时间和所述第二时间的推荐指数得分的分值变化值;
第九计算模块,用于计算目标群体中每个用户的每个特征的分值变化值的变化总和;
第二排序模块,用于将每一特征的所述变化总和进行排序,得到所述第一时间至所述第二时间各个特征对所述目标群体的推荐指数的影响。
22.如权利要求12所述的推荐指数归因装置,其特征在于,所述目标用户是网约车的司机或乘客,所述特征为网约车成交过程中产生的相关参数以及司机或乘客本身携带的参数。
23.一种电子设备,其特征在于,所述电子设备包括存储器以及处理器,所述存储器用于存储支持处理器执行权利要求1~11任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
24.一种计算机可读存储介质,所述计算机可读存储介质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1~11中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811238088.5A CN111090805B (zh) | 2018-10-23 | 2018-10-23 | 推荐指数归因方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811238088.5A CN111090805B (zh) | 2018-10-23 | 2018-10-23 | 推荐指数归因方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111090805A true CN111090805A (zh) | 2020-05-01 |
CN111090805B CN111090805B (zh) | 2023-08-29 |
Family
ID=70391438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811238088.5A Active CN111090805B (zh) | 2018-10-23 | 2018-10-23 | 推荐指数归因方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111090805B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598453A (zh) * | 2020-12-29 | 2021-04-02 | 上海硬通网络科技有限公司 | 广告投放方法、装置及电子设备 |
CN113420261A (zh) * | 2021-08-23 | 2021-09-21 | 平安科技(深圳)有限公司 | 基于归因分析的课程推荐方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160226733A1 (en) * | 2015-02-02 | 2016-08-04 | Telefonaktiebolaget L M Ericsson (Publ) | Method and score management node for supporting service evaluation |
CN107230090A (zh) * | 2016-03-23 | 2017-10-03 | 中国移动通信集团上海有限公司 | 一种净推荐值nps分类方法及装置 |
CN107392667A (zh) * | 2017-07-24 | 2017-11-24 | 中国联合网络通信集团有限公司 | 用户口碑的确定方法、装置及网络设备 |
CN107798029A (zh) * | 2017-02-17 | 2018-03-13 | 平安科技(深圳)有限公司 | 贬损客户预测方法和装置 |
CN108074108A (zh) * | 2017-11-02 | 2018-05-25 | 平安科技(深圳)有限公司 | 一种净推荐值的显示方法及其终端 |
-
2018
- 2018-10-23 CN CN201811238088.5A patent/CN111090805B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160226733A1 (en) * | 2015-02-02 | 2016-08-04 | Telefonaktiebolaget L M Ericsson (Publ) | Method and score management node for supporting service evaluation |
CN107230090A (zh) * | 2016-03-23 | 2017-10-03 | 中国移动通信集团上海有限公司 | 一种净推荐值nps分类方法及装置 |
CN107798029A (zh) * | 2017-02-17 | 2018-03-13 | 平安科技(深圳)有限公司 | 贬损客户预测方法和装置 |
CN107392667A (zh) * | 2017-07-24 | 2017-11-24 | 中国联合网络通信集团有限公司 | 用户口碑的确定方法、装置及网络设备 |
CN108074108A (zh) * | 2017-11-02 | 2018-05-25 | 平安科技(深圳)有限公司 | 一种净推荐值的显示方法及其终端 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598453A (zh) * | 2020-12-29 | 2021-04-02 | 上海硬通网络科技有限公司 | 广告投放方法、装置及电子设备 |
CN113420261A (zh) * | 2021-08-23 | 2021-09-21 | 平安科技(深圳)有限公司 | 基于归因分析的课程推荐方法、装置、设备及介质 |
CN113420261B (zh) * | 2021-08-23 | 2021-11-09 | 平安科技(深圳)有限公司 | 基于归因分析的课程推荐方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111090805B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145216B (zh) | 网络舆情监控方法、装置及存储介质 | |
Wildgaard et al. | A review of the characteristics of 108 author-level bibliometric indicators | |
Liu et al. | Risk assessment in system FMEA combining fuzzy weighted average with fuzzy decision-making trial and evaluation laboratory | |
CN106485562B (zh) | 一种基于用户历史行为的商品信息推荐方法及系统 | |
El-Habil | An application on multinomial logistic regression model | |
Millard et al. | Machine learning to assist risk-of-bias assessments in systematic reviews | |
US20190354997A1 (en) | Brand Personality Comparison Engine | |
US11315149B2 (en) | Brand personality inference and recommendation system | |
WO2016035072A2 (en) | Sentiment rating system and method | |
US20050210025A1 (en) | System and method for predicting the ranking of items | |
CN109299356B (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
US10395258B2 (en) | Brand personality perception gap identification and gap closing recommendation generation | |
El-Korany | Integrated expert recommendation model for online communities | |
Ng et al. | CrsRecs: A personalized course recommendation system for college students | |
CN110502639B (zh) | 基于问题贡献度的信息推荐方法、装置、及计算机设备 | |
Mirhedayatian et al. | A new approach for weight derivation using data envelopment analysis in the analytic hierarchy process | |
Xiao et al. | Graph-based rank aggregation method for high-dimensional and partial rankings | |
CN111090805B (zh) | 推荐指数归因方法、装置及电子设备 | |
CN117668373B (zh) | 一种级联标签推荐方法、装置、电子设备及存储介质 | |
Strickland et al. | Inhibitory cognitive control allows automated advice to improve accuracy while minimizing misuse | |
Bartolucci et al. | Ranking scientific journals via latent class models for polytomous item response data | |
CN116976995A (zh) | 多目标推荐的处理方法及装置 | |
CN109460778B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
CN116701772A (zh) | 数据推荐方法和装置、计算机可读存储介质、电子设备 | |
CN111091416A (zh) | 一种预测酒店购买机器人的概率的方法和装置 |
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 |