CN111178949A - 服务资源匹配参考数据确定方法、装置、设备和存储介质 - Google Patents
服务资源匹配参考数据确定方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111178949A CN111178949A CN201911312745.0A CN201911312745A CN111178949A CN 111178949 A CN111178949 A CN 111178949A CN 201911312745 A CN201911312745 A CN 201911312745A CN 111178949 A CN111178949 A CN 111178949A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- current user
- historical
- service resource
- 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
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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/0282—Rating or review of business operators or products
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种服务资源匹配参考数据确定方法、装置、设备和存储介质,所述方法包括:获取当前用户的标签信息;根据当前用户的标签信息在预设信息库中查找与当前用户关联的相关用户,以及相关用户对应的历史成交服务资源数据;根据对应的历史成交服务资源数据,获取相关用户对历史成交服务资源数据的评分数据,获取当前用户与相关用户的特征相似度数据;根据特征相似度数据以及评分数据,将对应的历史成交服务资源数据与当前用户进行匹配,获得当前用户的服务资源匹配结果。通过上述方法获得的服务资源匹配参考数据由于整个过程由计算机完成,可以提高效率,且避免由人工分析导致的错误,提高用于匹配的参考数据的准确率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种服务资源匹配参考数据确定方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展,数据对于各行各业的影响越来越重要。以销售行业为例,用户对于为其提供服务的销售人员和产品通常有自己的偏好,为了提高销售成功的概率,应当由合适的销售人员向用户推销符合用户需求的产品,而如何确定合适的销售人员以及合适的产品是需要解决的问题。
为了解决这一问题,出现了通过分析现存的数据进行总结分析,将现存数据作为经验数据,结合这一经验数据来为用户匹配合适的销售人员或者产品的方法。
然而,现有方法通常是由人工对数据做统计分析获得分析结果,基于分析结果可以为用户匹配相关的服务资源,由于现有的数据随着时间越来越多,由人工对数据进行统计分析不仅效率低且容易出错,从而容易导致用于匹配的参考数据准确率低。
发明内容
基于此,有必要针对上述技术问题,提供一种准确的服务资源匹配参考数据确定方法、装置、设备和存储介质。
一种服务资源匹配参考数据确定方法,所述方法包括:
获取当前用户的标签信息;
根据所述标签信息在预设信息库中查找与所述当前用户关联的相关用户,以及所述相关用户对应的历史成交服务资源数据;
根据所述对应的历史成交服务资源数据,获取所述相关用户对历史成交服务资源数据的评分数据,获取所述当前用户与所述相关用户的特征相似度数据;
根据所述特征相似度数据以及所述评分数据,生成与所述当前用户对应的服务资源匹配参考数据。
在其中一个实施例中,所述根据所述特征相似度数据以及所述评分数据,生成与所述当前用户对应的服务资源匹配参考数据包括:
根据所述特征相似度数据确定特征相似度矩阵,根据所述评分数据确定评分矩阵;
对所述特征相似度矩阵以及所述评分矩阵进行点积运算,获得所述服务资源匹配参考数据。
在其中一个实施例中,对所述特征相似度矩阵以及所述评分矩阵进行点积运算,获得所述服务资源匹配参考数据包括:
对所述特征相似度矩阵以及所述评分矩阵进行点积运算,获得所述当前用户对于各所述历史成交服务资源的评分估计数据;
对所述评分估计数据进行数值大小排序获得排序结果;
获取所述排序结果中数值由大到小的前预设数目位评分估计数据,确定为所述与所述当前用户对应的服务资源匹配参考数据。
在其中一个实施例中,所述与所述当前用户关联的相关用户包括与所述当前用户关联的用户个体及所述当前用户自身;
所述获取当前用户的标签信息之前,还包括:
获取多个历史用户的标签信息,对各所述历史用户的标签信息进行特征运算,根据所述特征运算的结果将各所述历史用户的标签信息划分为多个特征映射集合;
所述根据所述标签信息在预设信息库中查找与所述当前用户关联的相关用户包括:
对所述当前用户的标签信息进行所述特征运算,确定所述当前用户的标签信息的特征值所对应的目标特征映射集合;
根据所述目标特征映射集合确定与所述当前用户关联的用户个体;
所述获取所述当前用户与所述相关用户的特征相似度数据包括:根据所述目标特征映射集合确定所述当前用户与所述相关用户的特征相似度数据。
在其中一个实施例中,对各所述历史用户的标签信息进行特征运算,根据所述特征运算的结果将各所述历史用户的标签信息划分为多个特征映射集合包括:
对各所述历史用户的标签信息进行编码,并将标签编码乘以所述历史用户的标签信息对应属性的预设权重,获得所述历史用户的标签信息对应的标签矩阵;
对所述标签矩阵进行哈希运算,获得所述历史用户的标签信息对应的签名矩阵;
对各所述历史用户的标签信息的签名矩阵进行局部敏感哈希运算,根据所述局部敏感哈希运算的结果将各所述历史用户的标签信息划分为多个特征映射集合。
在其中一个实施例中,所述与所述当前用户关联的相关用户包括与所述当前用户关联的用户群体;
所述获取当前用户的标签信息之前,还包括:
获取多个历史用户的标签信息,基于各所述历史用户的标签信息对各所述历史用户进行聚类,获得多个用户群体;
所述获取所述当前用户与所述相关用户的特征相似度数据包括:
分别计算所述当前用户与各所述用户群体的相似度数值,获得所述当前用户与所述相关用户的特征相似度数据。
在其中一个实施例中,所述分别计算所述当前用户与各所述用户群体的相似度数值包括:
获取对各所述历史用户聚类获得的各所述用户群体的中心点标签特征向量;
确定所述当前用户的标签信息对应的特征向量;
计算所述当前用户的标签信息对应的特征向量与各所述用户群体的中心点标签特征向量的距离,获得距离结果;
对各所述距离结果进行归一化及取反操作,得到所述当前用户与各所述用户群体的相似度数值。
在其中一个实施例中,所述方法还包括:根据所述服务资源匹配参考数据,将所述对应的历史成交服务资源数据与所述当前用户进行匹配,获得所述当前用户的服务资源匹配结果。
一种服务资源匹配参考数据确定装置,所述装置包括:
标签信息获取模块,用于获取当前用户的标签信息;
查找模块,用于根据所述标签信息在预设信息库中查找与所述当前用户关联的相关用户,以及所述相关用户对应的历史成交服务资源数据;
数据获取模块,用于根据所述对应的历史成交服务资源数据,获取所述相关用户对历史成交服务资源数据的评分数据,获取所述当前用户与所述相关用户的特征相似度数据;
资源匹配参考数据确定模块,用于根据所述特征相似度数据以及所述评分数据,生成与所述当前用户对应的服务资源匹配参考数据。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
上述服务资源匹配参考数据确定方法、装置、设备和存储介质,预先对于现有的数据建立了预设信息库,在需要为用户做服务资源匹配时,根据用户的标签信息从预设信息库中确定与用户关联的相关用户,并且在预设信息库中可以获取到与相关用户对应的历史成交服务资源的数据,最后结合用户与相关用户之间的相似程度(特征相似度数据),以及相关用户对于各历史成交服务资源的评分(评分数据)来生成当前用户对应的服务资源匹配参考数据;该服务资源匹配参考数据可以用于指导为当前用户进行服务资源的匹配;通过上述方法获得的服务资源匹配参考数据由于整个过程由计算机完成,可以提高效率,且避免由人工分析导致的错误,提高用于匹配的参考数据的准确率。
附图说明
图1为一个实施例中服务资源匹配参考数据确定方法的应用环境图;
图2为一个实施例中服务资源匹配参考数据确定方法的流程示意图;
图3(A)为一个具体实施例中当前用户与相关用户个体之间的特征相似度矩阵的示意图;
图3(B)为一个具体实施例中当前用户与相关用户群体之间的特征相似度矩阵的示意图;
图4(A)为一个具体实施例中相关用户对于历史成交的销售记录中的销售人员的评分矩阵的示意图;
图4(B)为一个具体实施例中相关用户对于历史成交的销售记录中的销售人员的评分矩阵的示意图;
图5为一个实施例中对特征相似度矩阵以及评分矩阵进行点积运算,获得服务资源匹配参考数据的流程示意图;
图6为一个实施例中对各历史用户的标签信息进行特征运算的流程示意图;
图7为一个实施例中分别计算当前用户与各用户群体的相似度数值的流程示意图;
图8为一个具体实施例中用户群体的聚类结构示意图;
图9为一个实施例中服务资源匹配参考数据确定装置的结构示意图;
图10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。
本申请提供的服务资源匹配参考数据确定方法,可以应用于如图1所示的应用环境中。其中,终端110通过网络与服务器120进行通信。服务器中已预先对于已有的数据建立了预设信息库,在需要为当前用户做服务资源匹配时,服务器从终端获取当前用户的标签信息,根据当前用户的标签信息从预设信息库中确定与用户关联的相关用户,并且在预设信息库中可以获取到与相关用户对应的历史成交服务资源的数据,最后结合用户与相关用户之间的相似程度(特征相似度数据),以及相关用户对于各历史成交服务资源的评分(评分数据)生成当前用户对应的服务资源匹配参考数据。其中,终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器120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,提供了一种服务资源匹配参考数据确定方法,以该方法应用于图1中的服务器为例进行说明,包括步骤S210至步骤S240。
步骤S210,获取当前用户的标签信息。
其中,一个用户具备各种属性,属性用于表示用户的基本信息,例如一个用户具备年龄、性别等属性;进一步地,在本实施例中,将用户的各属性对应的数值范围记为本实施例中的标签信息,可以是枚举值、区间值、任意值。在本实施例中,将需要进行服务资源匹配的用户记为当前用户。在一个具体实施例中,当前用户的标签信息包括:当前用户的年龄为30岁,性别为男,等等。
步骤S220,根据标签信息在预设信息库中查找与当前用户关联的相关用户,以及相关用户对应的历史成交服务资源数据。
其中,预设信息库中存储有现有的数据以及对现有数据进行一定数据处理后得到的信息;在一个实施例中,现有的数据包括:历史成交数据、用户信息、销售人员信息和产品信息;进一步地,在一个实施例中,历史成交数据包括历史成交的销售记录中对应的用户信息、产品信息以及销售人员信息;用户信息包括用户姓名、性别和年龄等信息;销售人员信息可以包括销售人员姓名、编号、年龄、性别、职级和工龄等等信息;产品信息包括产品类型、名称、适用年龄段等。可以理解地,预设信息库中存储的用户信息为所有已知用户的信息,其中存储的销售人员信息为所有销售人员的信息。
进一步地,在一个实施例中,对现有数据进行一定数据处理包括:根据用户的标签信息计算用户之间的相似度,以及根据预设规则将各用户进行聚类划分成为不同的用户群体;其中,在一个实施例中,将用户划分为不同的用户群体所采用的预设规则可以是将同一个销售人员对口的用户划分为一个用户群体;在另一个实施例中,也可以是将购买过同一个产品的用户划分为一个用户群体;在其它实施例中还可以通过其它方式划分用户群体。
在一个实施例中,历史成交服务资源数据包括交易状态为已完成且交易成功的销售记录中涉及的信息,具体可以包括用户、销售人员以及产品的信息,在一个最终交易成功的销售记录中,用户与销售人员、产品一一对应。
在一个实施例中,与当前用户关联的相关用户包括:与当前用户关联的用户个体及用户自身,或者与当前用户关联的用户群体。在一个实施例中,希望通过用户个体的标签信息特征为当前用户匹配服务资源时,则从预设信息库中查找与当前用户关联的用户个体;在另一个实施例中,若希望通过用户群体的标签信息特征为当前用户匹配服务资源时,则从预设信息库中查找与当前用户关联的用户群体。进一步地,在一个实施例中,与当前用户关联的相关用户个体包括与当前用户的特征相似度较高的用户个体;与当前用户关联的相关用户群体包括与当前用户的特征相似度较高的用户群体。
在一个实施例中,历史成交服务资源数据包括:销售人员和产品数据、销售人员数据或者产品数据。进一步地,在一个实施例中,若需要为当前用户匹配合适的产品,则查找的相关用户对应的历史成交服务资源数据包括产品数据,若需要为当前用户匹配合适的销售人员,则查找的相关用户对应的历史成交服务资源数据包括销售人员数据,若需要为当前用户匹配合适的销售人员和产品,那么从预设信息库中查找的相关用户对应的历史成交服务资源数据包括产品和销售人员数据。
可以理解地,在上述实施例中,先通过当前用户的标签信息查找预设信息库中与当前用户关联的相关用户,然后通过查询相关用户的历史成交的记录,获得相关用户对应的历史服务资源数据。
步骤S230,根据对应的历史成交服务资源数据,获取相关用户对历史成交服务资源数据的评分数据,获取当前用户与相关用户的特征相似度数据。
本实施例中,在历史成交的销售记录中,用户对于销售人员存在评分,同样地,用户对于产品也存在评分;一个实施例中,历史成交的销售记录中,相关用户对于销售人员的评分和/或相关用户对于产品的评分即为本实施例中相关用户对历史成交服务资源数据的评分数据。
在一个实施例中,历史成交服务资源数据包括销售人员数据,在本实施例中,相关用户对历史成交服务资源数据的评分数据包括相关用户对于历史成交的销售记录中销售人员的评分数据;在另一个实施例中,历史成交服务资源数据包括产品数据,则相关用户对历史成交服务资源数据的评分数据包括相关用户对于历史成交的销售记录中相关用户所购买的产品的评分数据。
其中,当前用户与相关用户的特征相似度数据包括当前用户与相关用户的标签信息之间的特征相似度;在一个实施例中,当前用户与相关用户的特征相似度数据的获取方式包括:计算当前用户的标签信息与相关用户个体的标签信息之间的特征相似度,或者计算当前用户的标签信息与相关用户群体的中心点标签信息之间的特征相似度。
步骤S240,根据特征相似度数据以及评分数据,生成与当前用户对应的服务资源匹配参考数据。
其中,服务资源匹配参考数据为与当前用户相关的参考数据,可以用于指导为当前用户进行服务资源的匹配。在获取与当前用户关联的相关用户对于历史成交服务资源数据的评分数据,以及当前用户与相关用户之间的特征相似度数据之后,根据这这些数据信息,可以确定当前用户的服务资源匹配参考数据,用于为当前用户进行服务资源的匹配提供参考。
在一个实施例中,根据特征相似度数据以及评分数据,生成与当前用户对应的服务资源匹配参考数据包括:根据特征相似度数据确定特征相似度矩阵,根据评分数据确定评分矩阵;对特征相似度矩阵以及评分矩阵进行点积运算,获得服务资源匹配参考数据。
其中,根据当前用户与相关用户的特征相似度数据,构建当前用户与相关用户的特征相似度矩阵,如图3(A)所示为一个具体实施例中,当前用户(用户A)与相关用户个体(用户B和用户C)之间的特征相似度矩阵示意图(用户个体特征同现矩阵);如图3(B)所示为一个具体实施例中,当前用户(用户A)与相关用户群体(用户群体A、用户群体B和用户群体C)之间的特征相似度矩阵示意图(用户个体-用户群体特征相似度矩阵)。
根据相关用户对于历史成交服务资源数据的评分数据构建相关用户对于各历史成交服务资源数据的评分矩阵,如图4(A)所示,为一个具体实施例中,相关用户(用户B和用户C)对于历史成交的销售记录中的销售人员(销售人员A、销售人员B和销售人员C)的评分矩阵示意图(个体用户-销售人员评分矩阵);如图4(B)所示,为一个具体实施例中,相关用户(用户群体A、用户群体B和用户群体C)对于历史成交的销售记录中的销售人员(销售人员A、销售人员B和销售人员C)的评分矩阵示意图(用户群体-销售人员评分矩阵)。可以理解地,评分矩阵中的销售人员数据也可以替换为产品数据。
其中,用户群体对于销售人员的评分数据的确定方式包括:对该用户群体中的每一位用户对同一销售人员的评分进行累加,作为该用户群体对于该销售人员的评分数据。
点积在数学中又称数量积(dot product,scalar product),是指接受在实数R上的两个向量并返回一个实数值标量的二元运算。两个向量的a=[a1,a2]和b=[b1,b2]的点积运算可以表示为:a·b=a1*b1+b1*b2。两个矩阵的进行点积运算,
进一步地,在一个实施例中,如图5所示,对特征相似度矩阵以及评分矩阵进行点积运算,获得服务资源匹配参考数据包括步骤S510至步骤S530。
步骤S510,对特征相似度矩阵以及评分矩阵进行点积运算,获得当前用户对于各历史成交服务资源的评分估计数据。
一个实施例中,对特征相似度矩阵以及评分矩阵进行点积运算,获得当前用户对于各历史成交服务资源的评分估计数据包括:分别将特征相似度矩阵中当前用户与各相关用户的特征相似度数据,跟各相关用户对各历史成交服务资源的评分数据进行点积运算,获得当前用户对于各历史成交服务资源的评分估计数据。可以理解地,这里所提及的历史成交服务资源是指与相关用户对应的历史成交服务资源。在一个具体实施例中,当前用户M与各相关用户的相似度数据记为A=[a,b,c],各相关用户对历史成交服务资源N1的评分数据记为B2=[x1,y1,z1],则当前用户M对于历史成交服务资源N的评分估计数据为S1=ax1+by1+cz1;各相关用户对历史成交服务资源N2的评分数据记为B2=[x2,y2,z2],则当前用户M对于历史成交服务资源N2的评分估计数据记为S2=ax2+by2+cz2。其中的历史成交服务资源可以表示产品或者销售人员。
其中,当前用户对于各历史成交服务资源的评分估计数据,表征的是当前用户对于各历史成交服务资源的较为可能的评分数据;一个实施例中,当前用户对历史成交服务资源的评分估计数据值越高,表示当前用户与该历史成交服务资源越匹配。
步骤S520,对评分估计数据进行数值大小排序获得排序结果。
在步骤S510中确定了当前用户对于各历史成交服务资源的评分估计数据,具体为评分数值,可以根据各评分数值的大小进行排序,对各评分估计数据排序获得的结果即为排序结果。在一个实施例中,根据评分估计数据进行数值大小排序,可以是由大到小进行排序,也可以是由小到大进行排序。
步骤S530,获取排序结果中数值由大到小的前预设数目位评分估计数据,确定为与当前用户对应的服务资源匹配参考数据。
根据评分估计数据进行数值由大到小进行排序时,取排序结果的前预设数目位评分估计数据确定为当前用户对于的服务资源匹配参考数据;当根据评分估计数据进行数值由小到大进行排序时,取排序结果的最后一位开始往前的预设数目位评分估计数据确定为当前用户对于的服务资源匹配参考数据。
在一个具体实施例中,以图3(A)和图4(A)所示的特征相似度矩阵以及评分矩阵进行点积运算的过程为:
Score(销售人员A-用户A)=3x1+2x0.3+1x0.4=4;
Score(销售人员A-用户B)=3x0.3+2x1+1x0.9=3.8;
Score(销售人员A-用户C)=3x0.4+2x0.9+1x1=4.
其中,Score表示评分估计数据;Score(销售人员A-用户A)表示当前用户A对于销售人员A的评分估计数据,Score(销售人员A-用户B)表示当前用户A对于销售人员B的评分估计数据,Score(销售人员A-用户C)表示当前用户A对于销售人员C的评分估计数据。
进一步地,根据图3(A)和图4(A)所示的特征相似度矩阵以及评分矩阵进行点积运算还可以获得用户B对于销售人员A、用户B对于销售人员B以及用户B对于销售人员C,以及,用户C对于销售人员A、用户C对于销售人员B以及用户C对于销售人员C的评分估计数据。在一个实施例中,与当前用户关联的相关用户包括多个,相关用户对应的历史成交服务资源数据也包括多个,同理当前用户的服务资源匹配参考数据(评分估计数据)也包括多个。
进一步地,仍以图3(A)和图4(A)所示的特征相似度矩阵以及评分矩阵计算评分估计数据为例,对评分估计数据进行数值由大到小排序,可以得到:当前用户A对于销售人员A的评分估计数据:4,当前用户A对于销售人员C的评分估计数据:4;当前用户A对于销售人员B的评分估计数据:3.8;假设预设数目为2,当前用户的服务资源匹配参考数据为:当前用户A对于销售人员A的评分估计数据:4,当前用户A对于销售人员C的评分估计数据:4。可以理解地,在其它实施例中,当前用户的服务资源匹配结果的数量也可以设置为其它数值。
当前用户可能与相关用户的历史成交服务资源数据之间并不存在成交的销售记录,当前用户对于该历史成交服务资源数据不存在评分数据,但是通过上述方法,可以获得当前用户对于相关用户的历史成交服务资源数据的评分估计数据,作为当前用户的服务资源匹配参考数据;可以理解地,评分估计数据越高,该历史成交服务资源数据可能越适合当前用户;从而根据当前用户对于多个历史成交服务资源数据的评分估计数据,可以为当前用户匹配服务资源。
在需要为当前用户匹配合适的销售人员时,则获取相关用户对应的历史成交的销售记录中的销售人员的数据,并获取相关用户对于各销售人员的评分,来计算当前用户对于这些销售人员的评分估计数据,从而为当前用户匹配合适的销售人员;同理,在需要为当前用户匹配合适的产品时,获取相关用户对应的历史成交的销售记录中产品的数据,并获取相关用户对于各产品的评分,来计算当前用户对于这些产品的评分估计数据,从而为当前用户匹配合适的产品。在一个具体实施例中,通过协同过滤模型完成生成当前用户的服务资源匹配参考数据的过程。
上述服务资源匹配参考数据确定方法,预先对于现有的数据建立了预设信息库,在需要为用户做服务资源匹配时,根据用户的标签信息从预设信息库中确定与用户关联的相关用户,并且在预设信息库中可以获取到与相关用户对应的历史成交服务资源的数据,最后结合用户与相关用户之间的相似程度(特征相似度数据),以及相关用户对于各历史成交服务资源的评分(评分数据)来生成当前用户对应的服务资源匹配参考数据;该服务资源匹配参考数据可以用于指导为当前用户进行服务资源的匹配;通过上述方法获得的服务资源匹配参考数据由于整个过程由计算机完成,可以提高效率,且避免由人工分析导致的错误,提高用于匹配的参考数据的准确率。
进一步地,在一个实施例中,上述方法还包括:根据服务资源匹配参考数据,将对应的历史成交服务资源数据与当前用户进行匹配,获得当前用户的服务资源匹配结果。
在一个实施例中,与当前用户关联的相关用户包括:与当前用户关联的用户个体及当前用户自身;在本实施例中,获取当前用户的标签信息之前,还包括:获取多个历史用户的标签信息,对各历史用户的标签信息进行特征运算,根据特征运算的结果将各历史用户的标签信息划分为多个特征映射集合。
其中,将存入预设信息库中的用户记为历史用户,历史用户的标签信息记为历史用户的标签信息。在一个实施例中,与当前用户关联的用户个体包括与当前用户之间相似度大于相似度阈值的用户个体;其中,用户个体是指单个用户。对历史用户的标签信息进行特征运算,获得特征运算的结果,进一步地,根据特征运算的结果,将各历史用户的标签信息划分为多个特征映射集合。其中,特征相似度较高的历史用户的标签信息的特征运算的结果较为接近,从而这些特征相似度较高的历史用户的标签信息的特征运算结果将会落入同一个特征映射集合;可以理解地,一个特征映射集合中对应的历史用户的标签信息之间存在较高的相似度。
进一步地,在本实施例中,根据标签信息在预设信息库中查找与当前用户关联的相关用户包括:对当前用户的标签信息进行特征运算,确定当前用户的标签信息的特征值所对应的目标特征映射集合;根据目标特征映射集合确定与当前用户关联的用户个体。
其中,对当前用户的标签信息进行特征运算是对当前用户的标签信息做与历史用户的标签信息相同的特征运算,可以理解地,当前用户的标签信息的特征运算结果可以对应至某一个已有的特征映射集合中;在本实施例中,将当前用户的标签信息的特征运算结果落入的特征映射集合即为目标特征映射集合。
更进一步地,在一个实施例中,获取当前用户与相关用户的特征相似度数据包括:根据目标特征映射集合确定当前用户与相关用户的特征相似度数据。
在对当前用户的标签信息做特征运算,不仅可以确定当前用户的标签信息所对应的目标特征映射集合,还可以获得当前用户的标签信息与目标特征映射集合中对应的各历史用户的标签信息之间特征相似度。因此在本实施例中,通过目标特征映射集合确定当前用户与相关用户的特征相似度数据。
在上述实施例中,对存入预设信息库中的历史用户的各标签信息进行特征运算,将历史用户的标签信息映射至特定的特征映射集合中,如此获得的各特征映射集合中历史用户的标签信息对应的历史用户之间相似度较高;在确定与当前用户关联的相关用户时,对当前用户的标签信息做同样的特征运算(与对历史用户的标签信息做相同的特征运算),获得当前用户的标签信息的特征运算结果,确定其落入的目标特征映射集合,从而根据该目标特征映射集合可以确定与当前用户关联的相关用户。
在一个实施例中,每隔预定时间获取一次历史用户的标签信息,并更新预设信息库中存储的数据。
在其中的一个实施例中,对各历史用户的标签信息进行特征运算,根据特征运算的结果将历史用户的标签信息划分为多个特征映射集合,如图6所示,包括步骤S610至步骤S630。
步骤S610,对各历史用户的标签信息进行编码,并将标签编码乘以历史用户的标签信息对应属性的预设权重,获得历史用户的标签信息对应的标签矩阵。
其中,对历史用户的标签信息编码后获得对应的标签编码;历史用户的标签信息对应的属性包括年龄、性别等,对于各历史用户的各属性预先设置了各自的权重,在本实施例中记为预设权重;在本实施例中,对历史用的标签信息编码之后获得的标签编码乘以对应的属性的预设权重之后,获得历史用户的标签信息对应的标签矩阵。在一个具体实施例中,对历史用户的标签信息进行编码采用的是独热编码。
步骤S620,对标签矩阵进行哈希运算,获得历史用户的标签信息对应的签名矩阵。
其中,对标签矩阵进行哈希运算采用的哈希算法可以是任意一种哈希算法。
步骤S630,对各历史用户的标签信息对应的签名矩阵进行局部敏感哈希运算,根据局部敏感哈希运算的结果将各历史用户的标签信息划分为多个特征映射集合。
局部敏感哈希,Locality Sensitivity Hashing,简称为LSH,是利用正式哈希冲突加速检索,通常用于高维海量数据的快速近似查找;在本实施例中,对于历史用户的标签信息对应的签名矩阵采用局部敏感哈希运算,可以减少海量数据之间相似度的计算量。
进一步地,在对各历史用户的标签信息对应的签名矩阵进行局部敏感哈希运算之后,根据获得的运算结果将各历史用户的标签信息映射至不同的集合中,形成多个特征映射集合。在一个具体实施例中,通过向量空间模型完成对用户的标签信息进行特征运算映射至不同的特征映射集合,以及确定用户之间的特征相似度的过程。
在另一个实施例中,与当前用户关联的相关用户包括:与当前用户关联的用户群体;在本实施例中,获取当前用户的标签信息之前,还包括:获取多个历史用户的标签信息,基于各历史用户的标签信息对各历史用户进行聚类,获得多个用户群体;进一步地,在本实施例中,获取当前用户与相关用户的特征相似度数据包括:分别计算当前用户与各用户群体的相似度数值,获得当前用户与相关用户的特征相似度数据。
其中,将存入预设信息库中的用户记为历史用户,历史用户的标签信息记为历史用户的标签信息。当从预设信息库中查找的相关用户为用户群体时,在获取当前用户的标签信息之前还需要对历史用户的标签信息按照一定规则进行聚类,划分为多个用户群体,在获取当前用户与相关用户的特征相似度数据时,分别计算当前用户与各用户群体之间的特征相似度数值,即为当前用户与相关用户的特征相似度数据。
进一步地,在一个实施例中,如图7所示,分别计算当前用户与各用户群体的相似度数值,包括步骤S710至步骤S740。
步骤S710,获取对各历史用户聚类获得的各用户群体的中心点标签特征向量。
其中,通过对各历史用户进行聚类,可以获得用户群体以及用户群体的中心标签特征向量,在本实施例中,获取对历史用户聚类时获得的各用户群体的中心标签特征向量;具体地,可以采用任意一种聚类算法实现计算各用户群体的中心点标签特征向量。
步骤S720,确定当前用户的标签信息对应的特征向量。
在一个实施例中,可以对当前用户的标签信息进行编码,并将标签编码乘以当前用户的标签信息对应属性的预设权重,获得当前用户的标签信息对应的特征向量。
步骤S730,计算当前用户的标签信息对应的特征向量与各用户群体的中心点标签特征向量的距离,获得距离结果。
步骤S740,对各距离结果进行归一化及取反操作,获得当前用户与各用户群体的相似度数值。
在一个具体实施例中,假设用户A的标签为X=[x1,x2,...,xn],对销售人员C下的所有用户聚类划分为多个用户群体,其中聚类获得的一个用户群体C的中心点标签特征向量为Y=[y1,y2,...,yn],则用户A对用户群体C的特征相似度计算公式如下:
其中,similarly表示特征相似度;通过这一特征相似度计算公式构建当前用户对各用户群体之间的特征相似度,获得当前用户与相关用户的特征相似度数据。如图8所示,为一个具体实施例中,用户群体的聚类结构示意图。在一个具体实施例中,通过k-means(k均值聚类算法)聚类模型完成用户群体的聚类过程。
上述实施例中,对于各用户群体进行聚类获得各用户群体的中心点标签特征向量之后,计算当前用户的标签信息对应的特征向量,通过计算当前用户的标签信息对应的特征向量与各用户群体的中心点标签特征向量之间的距离来确定当前用户与各用户群体之间的特征相似度数据。
在一个具体实施例中,下面以建立预设信息库的过程进行详细描述;在本实施例中,将用户、销售人员和产品定义为实体,各实体均具备属性,属性对应的数值范围记为标签。其中,用户具备年龄和性别等属性,销售人员具备性别、年龄、职级和工龄等属性,产品具备产品类型、名称和适用年龄段等属性。
获取历史用户的用户标签信息、销售人员的标签信息、产品的标签信息以及历史成交数据、根据历史成交数据获得的分析数据;其中每一份历史成交数据至少包括一一对应的用户、销售人员以及产品;根据历史成交数据获得的分析数据包括用户对于销售人员的评分、用户对于产品的评分数据,其中,用户对于销售人员的评分、用户对于产品的评分根据历史成交数据的详略程度不同,有多种实施算法,最简单的一种实施例是用户在销售人员推销下的购买次数作为用户对于销售人员的评分,用户购买产品的次数作为用户对于产品的评分。如果历史成交数据提供有更加明确的行为取向,例如回访评价数据,则可以细化评分机制,综合评价数据进行差异化评分。
对于获取的历史数据,不仅需要直接存储,还需要根据历史用户的标签信息进行分析各历史用户的相似度,以及对各历史用户聚类获得用户群体。分析各历史用户的相似度包括:是将历史用户的年龄、性别等标签信息映射到一个新的空间中,该空间将保留原始标签信息的相似性信息。更加具体地是:将历史用户的标签信息通过哈希函数映射成为签名矩阵,再通过局部敏感哈希将签名矩阵映射到某一分桶(上述特征映射集合)中;如此可以获得多个特征映射集合;当需要为当前用户找寻相关用户时,将该当前用户的标签信息通过如上的同样处理,判断该当前用户对应的特征最终落到哪一分桶(特征映射集合)内,该分桶中历史用户即为与当前用户关联的相关用户。聚类获得用户群体的过程包括:对一个销售对口的用户进行聚类,或者一个产品对应的用户进行聚类,获得不同的用户群体。计算当前用户和相关用户之间的相似度通过计算用户标签与用户群体中心点标签特征距离并进行归一化及取反操作完成,聚类通过整个服务资源匹配系统中的K-MEANS聚类引擎完成。
接下来以为当前用户进行服务资源匹配的过程为例进行详细描述:获取当前用户的用户标签信息,根据用户标签信息从预设信息库中获取与当前用户关联的相关用户,相关用户可以是用户个体,也可以是用户群体;若为用户个体相关用户即为与当前用户的标签信息落入同一分桶中的历史用户及用户个体自身;若为用户群体,相关用户为预设信息库中的用户群体,(可以是与当前用户较为相关的用户群体,可通过计算当前用户与各用户群体的相似度确定)。
同时从预设信息库中获取与相关用户对应的历史成交服务资源数据,这里指的是与相关用户存在历史成交记录的服务资源数据,可以包括销售人员数据和产品数据。不同的服务资源匹配模型对应获取的历史成交服务资源数据不相同,为当前用户匹配销售人员的服务资源匹配模型对应获取的是历史成交数据中相关用户对应的销售人员数据;可以理解地,为当前用户匹配产品的服务资源匹配模型对应获取的是历史成交数据中相关用户对应的产品数据。
先以为当前用户匹配销售人员的服务资源匹配模型为例,根据相关用户对应的历史成交服务数据,获取相关用户对获取的历史成交数据中销售人员的评分数据,同时获取当前用户与相关用户的特征相似度数据;根据这两项数据为当前用户与相关用户的历史成交服务资源数据进行匹配,获得当前用户的服务资源匹配结果。匹配的具体过程为:根据评分数据构建用户-销售人员评分矩阵,根据特征相似度数据构建用户-用户特征相似度矩阵,对用户-销售人员评分矩阵和用户-用户特征相似度矩阵进行点积运算,可以获得当前用户对于相关用户的各历史成交服务资源数据的评分估计数据,根据当前用户对于相关用户的各历史成交服务资源数据的评分估计数据确定当前用户的服务资源匹配结果;具体可以是将评分估计数据中较高的预设数目历史成交服务资源数据作为当前用户的服务资源匹配结果。
在另一个实施例中,将上述实施例中的相关用户替换为用户群体,过程为:获取相关用户群体对获取的历史成交数据中销售人员的评分数据,同时获取当前用户与相关用户群体的特征相似度数据;其中,相关用户群体对获取的历史成交数据中销售人员的评分数据需要对每一用户群体中的每一位用户对同一销售人员的评分进行累加,作为该用户群体对该销售的历史行为评分。当前用户与相关用户群体的特征相似度数据需要先计算当前用户的标签信息对应的特征向量与各相关用户群体的中心点标签特征向量(聚类获得,作为该用户群体的总体特征表征)的距离,通过归一化及取反操作获得当前用户与各用户群体的特征相似度。
然后根据这两项数据为当前用户与各相关用户群体的历史成交服务资源数据进行匹配,获得当前用户的服务资源匹配结果。匹配的具体过程为:根据评分数据构建用户群体-销售人员评分矩阵,根据特征相似度数据构建用户-用户群体特征相似度矩阵,对用户群体-销售人员评分矩阵和用户-用户群体特征相似度矩阵进行点积运算,可以获得当前用户对于各相关用户群体的历史成交数据中各销售人员的评分估计数据,根据当前用户对于各相关用户群体的历史成交数据中各销售人员的评分估计数据确定当前用户的服务资源匹配结果;具体可以是将评分估计数据中较高的预设数目历史成交数据中各销售人员作为当前用户的服务资源匹配结果。
其中,相关用户为用户个体的实施例中偏向于用户个体标签特征的挖掘,而相关用户为用户群体的实施例中偏向于用户群体的标签特征的挖掘。在一个实施例中获取相关用户的历史成交数据中对应的销售人员的方法可以用于:为当前用户匹配合适的销售的经验资源以及为当前用户匹配合适的销售人员。
而为当前用户匹配产品的服务资源匹配模型中,只需将获取的相关用户对应的历史成交服务资源数据中的销售人员替换为产品即可实现。在一个实施例中获取相关用户的历史成交数据中对应的产品的方法可以用于:为当前用户匹配合适的产品。其中,服务资源匹配模型构建完成之后还可以建立场景并进行测试,并对不符合要求的模型进行调整重新训练。
通过上述服务资源匹配参考数据确定方法,可以克服传统方法的局限性,充分利用用户标签的特征数据,使匹配过程更加合理,匹配结果更加精准。同时,聚类算法和协同过滤的组合应用,能够使模型具备发掘群体特征的能力。此外,属性权重的自定义,使服务资源匹配模型的构建更加灵活、透明,充分发挥业务经验在建模过程中的主导作用。最后如果将上述方法应用于存在产品数量较小、用户实时隐反馈行为数据缺失等问题的业务中,可以充分利用容易获取的用户历史成交数据,根据不同的应用场景,推荐最匹配的服务资源,充分发挥历史数据的价值。
应该理解的是,虽然图2-6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2-6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9所示,提供了一种服务资源匹配参考数据确定装置,包括:标签信息获取模块910、查找模块920、数据获取模块930和资源匹配参考数据确定模块940,其中:
标签信息获取模块910,用于获取当前用户的标签信息;
查找模块920,用于根据标签信息在预设信息库中查找与当前用户关联的相关用户,以及相关用户对应的历史成交服务资源数据;
数据获取模块930,用于根据对应的历史成交服务资源数据,获取相关用户对历史成交服务资源数据的评分数据,获取当前用户与相关用户的特征相似度数据;
资源匹配参考数据确定模块940,用于根据特征相似度数据以及评分数据,生成与当前用户对应的服务资源匹配参考数据。
上述服务资源匹配参考数据确定装置,预先对于现有的数据建立了预设信息库,在需要为用户做服务资源匹配时,根据用户的标签信息从预设信息库中确定与用户关联的相关用户,并且在预设信息库中可以获取到与相关用户对应的历史成交服务资源的数据,最后结合用户与相关用户之间的相似程度(特征相似度数据),以及相关用户对于各历史成交服务资源的评分(评分数据)来生成当前用户对应的服务资源匹配参考数据;该服务资源匹配参考数据可以用于指导为当前用户进行服务资源的匹配;通过上述方法获得的服务资源匹配参考数据由于整个过程由计算机完成,可以提高效率,且避免由人工分析导致的错误,提高用于匹配的参考数据的准确率。
关于服务资源匹配参考数据确定装置的具体限定可以参见上文中对于服务资源匹配参考数据确定方法的限定,在此不再赘述。上述服务资源匹配参考数据确定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10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预设信息库中的数据。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服务资源匹配参考数据确定方法。
本领域技术人员可以理解,图10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:
获取当前用户的标签信息;
根据标签信息在预设信息库中查找与当前用户关联的相关用户,以及相关用户对应的历史成交服务资源数据;
根据对应的历史成交服务资源数据,获取相关用户对历史成交服务资源数据的评分数据,获取当前用户与相关用户的特征相似度数据;
根据特征相似度数据以及评分数据,生成与当前用户对应的服务资源匹配参考数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据特征相似度数据确定特征相似度矩阵,根据评分数据确定评分矩阵;
对特征相似度矩阵以及评分矩阵进行点积运算,获得服务资源匹配参考数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对特征相似度矩阵以及评分矩阵进行点积运算,获得当前用户对于各历史成交服务资源的评分估计数据;
对评分估计数据进行数值大小排序获得排序结果;
获取排序结果中数值由大到小的前预设数目位评分估计数据,确定为与当前用户对应的服务资源匹配参考数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取当前用户的标签信息之前,还包括:
获取多个历史用户的标签信息,对各历史用户的标签信息进行特征运算,根据特征运算的结果将各历史用户的标签信息划分为多个特征映射集合;
根据当前用户的标签信息在预设信息库中查找与当前用户关联的相关用户包括:对当前用户的标签信息进行特征运算,确定当前用户的标签信息的特征值所对应的目标特征映射集合;根据目标特征映射集合确定与当前用户关联的用户个体;
获取当前用户与相关用户的特征相似度数据包括:根据目标特征映射集合确定当前用户与相关用户的特征相似度数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对各历史用户的标签信息进行编码,并将标签编码乘以历史用户的标签信息对应属性的预设权重,获得历史用户的标签信息对应的标签矩阵;
对标签矩阵进行哈希运算,获得历史用户的标签信息对应的签名矩阵;
对各历史用户的标签信息对应的签名矩阵进行局部敏感哈希运算,根据局部敏感哈希运算的结果将各历史用户的标签信息划分为多个特征映射集合。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取当前用户的标签信息之前,还包括:获取多个历史用户的标签信息,基于各历史用户的标签信息对各历史用户进行聚类,获得多个用户群体;
获取当前用户与相关用户的特征相似度数据包括:分别计算当前用户与各用户群体的相似度数值,获得当前用户与相关用户的特征相似度数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:分别计算当前用户与各用户群体的相似度数值包括:
获取对各历史用户聚类获得的各用户群体的中心点标签特征向量;
确定当前用户的标签信息对应的特征向量;
计算当前用户的标签信息对应的特征向量与各用户群体的中心点标签特征向量的距离,获得距离结果;
对各距离结果进行归一化及取反操作,获得当前用户与各用户群体的相似度数值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据服务资源匹配参考数据,将对应的历史成交服务资源数据与当前用户进行匹配,获得当前用户的服务资源匹配结果。
在一个实施例中,本申请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,计算机程序被处理器执行时实现以下步骤:
获取当前用户的标签信息;
根据标签信息在预设信息库中查找与当前用户关联的相关用户,以及相关用户对应的历史成交服务资源数据;
根据对应的历史成交服务资源数据,获取相关用户对历史成交服务资源数据的评分数据,获取当前用户与相关用户的特征相似度数据;
根据特征相似度数据以及评分数据,生成与当前用户对应的服务资源匹配参考数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据特征相似度数据确定特征相似度矩阵,根据评分数据确定评分矩阵;
对特征相似度矩阵以及评分矩阵进行点积运算,获得服务资源匹配参考数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对特征相似度矩阵以及评分矩阵进行点积运算,获得当前用户对于各历史成交服务资源的评分估计数据;
对评分估计数据进行数值大小排序获得排序结果;
获取排序结果中数值由大到小的前预设数目位评分估计数据,确定为与当前用户对应的服务资源匹配参考数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取当前用户的标签信息之前,还包括:获取多个历史用户的标签信息,对各历史用户的标签信息进行特征运算,根据特征运算的结果将各历史用户的标签信息划分为多个特征映射集合;
根据当前用户的标签信息在预设信息库中查找与当前用户关联的相关用户包括:对当前用户的标签信息进行特征运算,确定当前用户的标签信息的特征值所对应的目标特征映射集合;根据目标特征映射集合确定与当前用户关联的用户个体;
获取当前用户与相关用户的特征相似度数据包括:根据目标特征映射集合确定当前用户与相关用户的特征相似度数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对各历史用户的标签信息进行编码,并将标签编码乘以历史用户的标签信息对应属性的预设权重,获得历史用户的标签信息对应的标签矩阵;
对标签矩阵进行哈希运算,获得历史用户的标签信息对应的签名矩阵;
对各历史用户的标签信息对应的签名矩阵进行局部敏感哈希运算,根据局部敏感哈希运算的结果将各历史用户的标签信息划分为多个特征映射集合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取多个历史用户的标签信息,基于各历史用户的标签信息对各历史用户进行聚类,获得多个用户群体;
获取当前用户与相关用户的特征相似度数据包括:分别计算当前用户与各用户群体的相似度数值,获得当前用户与相关用户的特征相似度数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取各历史用户聚类获得的各用户群体的中心点标签特征向量;
确定当前用户的标签信息对应的特征向量;
计算当前用户的标签信息对应的特征向量与各用户群体的中心点标签特征向量的距离,获得距离结果;
对各距离结果进行归一化及取反操作,获得当前用户与各用户群体的相似度数值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据服务资源匹配参考数据,将对应的历史成交服务资源数据与当前用户进行匹配,获得当前用户的服务资源匹配结果。
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 (11)
1.一种服务资源匹配参考数据确定方法,所述方法包括:
获取当前用户的标签信息;
根据所述标签信息在预设信息库中查找与所述当前用户关联的相关用户,以及所述相关用户对应的历史成交服务资源数据;
根据所述对应的历史成交服务资源数据,获取所述相关用户对历史成交服务资源数据的评分数据,获取所述当前用户与所述相关用户的特征相似度数据;
根据所述特征相似度数据以及所述评分数据,生成与所述当前用户对应的服务资源匹配参考数据。
2.根据权利要求1所述的方法,其特征在于,所述根据所述特征相似度数据以及所述评分数据,生成与所述当前用户对应的服务资源匹配参考数据包括:
根据所述特征相似度数据确定特征相似度矩阵,根据所述评分数据确定评分矩阵;
对所述特征相似度矩阵以及所述评分矩阵进行点积运算,获得所述服务资源匹配参考数据。
3.根据权利要求2所述的方法,其特征在于,所述对所述特征相似度矩阵以及所述评分矩阵进行点积运算,获得所述服务资源匹配参考数据包括:
对所述特征相似度矩阵以及所述评分矩阵进行点积运算,获得所述当前用户对于各所述历史成交服务资源的评分估计数据;
对所述评分估计数据进行数值大小排序获得排序结果;
获取所述排序结果中数值由大到小的前预设数目位评分估计数据,确定为所述与所述当前用户对应的服务资源匹配参考数据。
4.根据权利要求1所述的方法,其特征在于,所述与所述当前用户关联的相关用户包括与所述当前用户关联的用户个体及所述当前用户自身;
所述获取当前用户的标签信息之前,还包括:
获取多个历史用户的标签信息,对各所述历史用户的标签信息进行特征运算,根据所述特征运算的结果将各所述历史用户的标签信息划分为多个特征映射集合;
所述根据所述标签信息在预设信息库中查找与所述当前用户关联的相关用户包括:
对所述当前用户的标签信息进行所述特征运算,确定所述当前用户的标签信息的特征值所对应的目标特征映射集合;
根据所述目标特征映射集合确定与所述当前用户关联的用户个体;
所述获取所述当前用户与所述相关用户的特征相似度数据包括:根据所述目标特征映射集合确定所述当前用户与所述相关用户的特征相似度数据。
5.根据权利要求4所述的方法,其特征在于,所述对各所述历史用户的标签信息进行特征运算,根据所述特征运算的结果将各所述历史用户的标签信息划分为多个特征映射集合包括:
对各所述历史用户的标签信息进行编码,并将标签编码乘以所述历史用户的标签信息对应属性的预设权重,获得所述历史用户的标签信息对应的标签矩阵;
对所述标签矩阵进行哈希运算,获得所述历史用户的标签信息对应的签名矩阵;
对各所述历史用户的标签信息的签名矩阵进行局部敏感哈希运算,根据所述局部敏感哈希运算的结果将各所述历史用户的标签信息划分为多个特征映射集合。
6.根据权利要求1所述的方法,其特征在于,所述与所述当前用户关联的相关用户包括与所述当前用户关联的用户群体;
所述获取当前用户的标签信息之前,还包括:
获取多个历史用户的标签信息,基于各所述历史用户的标签信息对各所述历史用户进行聚类,获得多个用户群体;
所述获取所述当前用户与所述相关用户的特征相似度数据包括:
分别计算所述当前用户与各所述用户群体的相似度数值,获得所述当前用户与所述相关用户的特征相似度数据。
7.根据权利要求6所述的方法,其特征在于,所述分别计算所述当前用户与各所述用户群体的相似度数值包括:
获取对各所述历史用户聚类获得的各所述用户群体的中心点标签特征向量;
确定所述当前用户的标签信息对应的特征向量;
计算所述当前用户的标签信息对应的特征向量与各所述用户群体的中心点标签特征向量的距离,获得距离结果;
对各所述距离结果进行归一化及取反操作,得到所述当前用户与各所述用户群体的相似度数值。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述服务资源匹配参考数据,将所述对应的历史成交服务资源数据与所述当前用户进行匹配,获得所述当前用户的服务资源匹配结果。
9.一种资源匹配参考数据确定装置,其特征在于,所述装置包括:
标签信息获取模块,用于获取当前用户的标签信息;
查找模块,用于根据所述标签信息在预设信息库中查找与所述当前用户关联的相关用户,以及所述相关用户对应的历史成交服务资源数据;
数据获取模块,用于根据所述对应的历史成交服务资源数据,获取所述相关用户对历史成交服务资源数据的评分数据,获取所述当前用户与所述相关用户的特征相似度数据;
资源匹配参考数据确定模块,用于根据所述特征相似度数据以及所述评分数据,生成与所述当前用户对应的服务资源匹配参考数据。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
11.一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,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911312745.0A CN111178949B (zh) | 2019-12-18 | 2019-12-18 | 服务资源匹配参考数据确定方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911312745.0A CN111178949B (zh) | 2019-12-18 | 2019-12-18 | 服务资源匹配参考数据确定方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178949A true CN111178949A (zh) | 2020-05-19 |
CN111178949B CN111178949B (zh) | 2023-07-28 |
Family
ID=70657557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911312745.0A Active CN111178949B (zh) | 2019-12-18 | 2019-12-18 | 服务资源匹配参考数据确定方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178949B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985765A (zh) * | 2020-07-06 | 2020-11-24 | 招联消费金融有限公司 | 资源提供方的确定方法、装置、设备和存储介质 |
CN112419011A (zh) * | 2020-12-14 | 2021-02-26 | 国泰新点软件股份有限公司 | 一种公共资源交易推荐方法、装置、计算机可读存储介质 |
CN112488859A (zh) * | 2020-11-26 | 2021-03-12 | 泰康保险集团股份有限公司 | 数据处理方法、装置、设备及存储介质 |
CN112633690A (zh) * | 2020-12-22 | 2021-04-09 | 微民保险代理有限公司 | 服务人员信息分配方法、装置、计算机设备和存储介质 |
CN114880323A (zh) * | 2022-04-26 | 2022-08-09 | 深圳市未来鼠信息技术有限公司 | 数据管理方法、装置、设备及存储介质 |
US11977653B2 (en) * | 2022-03-07 | 2024-05-07 | Recolabs Ltd. | Systems and methods for securing files and/or records related to a business process |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070083932A1 (en) * | 2005-10-06 | 2007-04-12 | International Business Machines Corporation | System and method for utilizing a gaming environment for evaluating security policies |
US20100268661A1 (en) * | 2009-04-20 | 2010-10-21 | 4-Tell, Inc | Recommendation Systems |
US20130151383A1 (en) * | 2011-12-13 | 2013-06-13 | Opera Solutions, Llc | Recommender engine for collections treatment selection |
US20130325848A1 (en) * | 2012-06-05 | 2013-12-05 | King Fahd University Of Petroleum And Minerals | Hierarchal clustering method for large xml data |
CN104468752A (zh) * | 2014-11-26 | 2015-03-25 | 无锡成电科大科技发展有限公司 | 一种提高云计算资源利用率的方法及系统 |
WO2015144089A1 (en) * | 2014-03-28 | 2015-10-01 | Tencent Technology (Shenzhen) Company Limited | Application recommending method and apparatus |
CN105142104A (zh) * | 2015-06-19 | 2015-12-09 | 北京奇虎科技有限公司 | 提供推荐信息的方法、设备以及系统 |
US20160132601A1 (en) * | 2014-11-12 | 2016-05-12 | Microsoft Technology Licensing | Hybrid Explanations In Collaborative Filter Based Recommendation System |
CN105681835A (zh) * | 2016-02-26 | 2016-06-15 | 腾讯科技(深圳)有限公司 | 一种信息推送的方法以及服务器 |
CN106528813A (zh) * | 2016-11-18 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 一种多媒体推荐方法和装置 |
US20170185673A1 (en) * | 2015-12-25 | 2017-06-29 | Le Holdings (Beijing) Co., Ltd. | Method and Electronic Device for QUERY RECOMMENDATION |
WO2017121244A1 (zh) * | 2016-01-12 | 2017-07-20 | 腾讯科技(深圳)有限公司 | 信息推荐方法、系统以及存储介质 |
CN107247786A (zh) * | 2017-06-15 | 2017-10-13 | 北京小度信息科技有限公司 | 用于确定相似用户的方法、装置和服务器 |
CN107545069A (zh) * | 2017-09-20 | 2018-01-05 | 广州炫锐信息科技有限公司 | 一种查询多种资源的方法及装置 |
WO2018090839A1 (zh) * | 2016-11-16 | 2018-05-24 | 阿里巴巴集团控股有限公司 | 身份认证系统、方法、装置及账号认证方法 |
CN108429776A (zh) * | 2017-02-13 | 2018-08-21 | 阿里巴巴集团控股有限公司 | 网络对象的推送方法、装置、客户端、交互设备以及系统 |
CN109284417A (zh) * | 2018-08-27 | 2019-01-29 | 广州飞磨科技有限公司 | 视频推送方法、装置、计算机设备和存储介质 |
CN109360048A (zh) * | 2018-09-26 | 2019-02-19 | 中国平安人寿保险股份有限公司 | 订单生成方法、系统、计算机设备和存储介质 |
CN109919652A (zh) * | 2019-01-17 | 2019-06-21 | 平安城市建设科技(深圳)有限公司 | 用户群体分类方法、装置、设备及存储介质 |
WO2019153518A1 (zh) * | 2018-02-08 | 2019-08-15 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN110210314A (zh) * | 2019-05-06 | 2019-09-06 | 深圳市华付信息技术有限公司 | 人脸检测方法、装置、计算机设备及存储介质 |
CN110363569A (zh) * | 2019-06-17 | 2019-10-22 | 深圳壹账通智能科技有限公司 | 数据产品推荐方法、装置、计算机设备和存储介质 |
-
2019
- 2019-12-18 CN CN201911312745.0A patent/CN111178949B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070083932A1 (en) * | 2005-10-06 | 2007-04-12 | International Business Machines Corporation | System and method for utilizing a gaming environment for evaluating security policies |
US20100268661A1 (en) * | 2009-04-20 | 2010-10-21 | 4-Tell, Inc | Recommendation Systems |
US20130151383A1 (en) * | 2011-12-13 | 2013-06-13 | Opera Solutions, Llc | Recommender engine for collections treatment selection |
US20130325848A1 (en) * | 2012-06-05 | 2013-12-05 | King Fahd University Of Petroleum And Minerals | Hierarchal clustering method for large xml data |
WO2015144089A1 (en) * | 2014-03-28 | 2015-10-01 | Tencent Technology (Shenzhen) Company Limited | Application recommending method and apparatus |
US20160132601A1 (en) * | 2014-11-12 | 2016-05-12 | Microsoft Technology Licensing | Hybrid Explanations In Collaborative Filter Based Recommendation System |
CN104468752A (zh) * | 2014-11-26 | 2015-03-25 | 无锡成电科大科技发展有限公司 | 一种提高云计算资源利用率的方法及系统 |
CN105142104A (zh) * | 2015-06-19 | 2015-12-09 | 北京奇虎科技有限公司 | 提供推荐信息的方法、设备以及系统 |
US20170185673A1 (en) * | 2015-12-25 | 2017-06-29 | Le Holdings (Beijing) Co., Ltd. | Method and Electronic Device for QUERY RECOMMENDATION |
WO2017121244A1 (zh) * | 2016-01-12 | 2017-07-20 | 腾讯科技(深圳)有限公司 | 信息推荐方法、系统以及存储介质 |
CN105681835A (zh) * | 2016-02-26 | 2016-06-15 | 腾讯科技(深圳)有限公司 | 一种信息推送的方法以及服务器 |
WO2018090839A1 (zh) * | 2016-11-16 | 2018-05-24 | 阿里巴巴集团控股有限公司 | 身份认证系统、方法、装置及账号认证方法 |
CN106528813A (zh) * | 2016-11-18 | 2017-03-22 | 腾讯科技(深圳)有限公司 | 一种多媒体推荐方法和装置 |
WO2018090793A1 (zh) * | 2016-11-18 | 2018-05-24 | 腾讯科技(深圳)有限公司 | 多媒体推荐方法和装置 |
CN108429776A (zh) * | 2017-02-13 | 2018-08-21 | 阿里巴巴集团控股有限公司 | 网络对象的推送方法、装置、客户端、交互设备以及系统 |
CN107247786A (zh) * | 2017-06-15 | 2017-10-13 | 北京小度信息科技有限公司 | 用于确定相似用户的方法、装置和服务器 |
CN107545069A (zh) * | 2017-09-20 | 2018-01-05 | 广州炫锐信息科技有限公司 | 一种查询多种资源的方法及装置 |
WO2019153518A1 (zh) * | 2018-02-08 | 2019-08-15 | 平安科技(深圳)有限公司 | 信息推送方法、装置、计算机设备及存储介质 |
CN109284417A (zh) * | 2018-08-27 | 2019-01-29 | 广州飞磨科技有限公司 | 视频推送方法、装置、计算机设备和存储介质 |
CN109360048A (zh) * | 2018-09-26 | 2019-02-19 | 中国平安人寿保险股份有限公司 | 订单生成方法、系统、计算机设备和存储介质 |
CN109919652A (zh) * | 2019-01-17 | 2019-06-21 | 平安城市建设科技(深圳)有限公司 | 用户群体分类方法、装置、设备及存储介质 |
CN110210314A (zh) * | 2019-05-06 | 2019-09-06 | 深圳市华付信息技术有限公司 | 人脸检测方法、装置、计算机设备及存储介质 |
CN110363569A (zh) * | 2019-06-17 | 2019-10-22 | 深圳壹账通智能科技有限公司 | 数据产品推荐方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
张邦佐等: "一种融合异构信息网络和评分矩阵的推荐新算法", 《计算机研究与发展》 * |
张邦佐等: "一种融合异构信息网络和评分矩阵的推荐新算法", 《计算机研究与发展》, 31 December 2014 (2014-12-31), pages 69 - 75 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985765A (zh) * | 2020-07-06 | 2020-11-24 | 招联消费金融有限公司 | 资源提供方的确定方法、装置、设备和存储介质 |
CN111985765B (zh) * | 2020-07-06 | 2024-04-05 | 招联消费金融股份有限公司 | 资源提供方的确定方法、装置、设备和存储介质 |
CN112488859A (zh) * | 2020-11-26 | 2021-03-12 | 泰康保险集团股份有限公司 | 数据处理方法、装置、设备及存储介质 |
CN112419011A (zh) * | 2020-12-14 | 2021-02-26 | 国泰新点软件股份有限公司 | 一种公共资源交易推荐方法、装置、计算机可读存储介质 |
CN112633690A (zh) * | 2020-12-22 | 2021-04-09 | 微民保险代理有限公司 | 服务人员信息分配方法、装置、计算机设备和存储介质 |
US11977653B2 (en) * | 2022-03-07 | 2024-05-07 | Recolabs Ltd. | Systems and methods for securing files and/or records related to a business process |
CN114880323A (zh) * | 2022-04-26 | 2022-08-09 | 深圳市未来鼠信息技术有限公司 | 数据管理方法、装置、设备及存储介质 |
CN114880323B (zh) * | 2022-04-26 | 2023-12-12 | 深圳市未来鼠信息技术有限公司 | 数据管理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111178949B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178949B (zh) | 服务资源匹配参考数据确定方法、装置、设备和存储介质 | |
US11567989B2 (en) | Media unit retrieval and related processes | |
CN110866181B (zh) | 资源推荐的方法、装置及存储介质 | |
CN110598845B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN111080398B (zh) | 商品推荐方法、装置、计算机设备和存储介质 | |
WO2021081962A1 (zh) | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 | |
CN109063108B (zh) | 搜索排序方法、装置、计算机设备和存储介质 | |
CN106251174A (zh) | 信息推荐方法及装置 | |
CN109492191B (zh) | 计算投保概率的方法、装置、计算机设备和存储介质 | |
CN110880006B (zh) | 用户分类方法、装置、计算机设备和存储介质 | |
WO2020140681A1 (zh) | 数值计算方法、装置、计算机设备和存储介质 | |
CN113032668A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN111429214B (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
CN115311042A (zh) | 商品推荐方法、装置、计算机设备和存储介质 | |
CN115098650A (zh) | 基于历史数据模型的评论信息分析方法及相关装置 | |
CN111538909A (zh) | 一种信息推荐方法及装置 | |
US20140324523A1 (en) | Missing String Compensation In Capped Customer Linkage Model | |
CN115169637A (zh) | 社交关系预测方法、装置、设备和介质 | |
CN113887613A (zh) | 基于注意力机制的深度学习方法、装置、设备及存储介质 | |
CN112307298A (zh) | 个人品牌标签的生成方法及其装置 | |
EP3139279A1 (en) | Media unit retrieval and related processes | |
EP3139281A1 (en) | Media unit retrieval and related processes | |
EP3139284A1 (en) | Media unit retrieval and related processes | |
EP3139282A1 (en) | Media unit retrieval and related processes | |
CN117390257A (zh) | 业务推荐方法、装置、设备、存储介质和程序产品 |
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 | ||
CB02 | Change of applicant information |
Address after: 100089 Room 401, building 4, area C, Dongsheng Science Park, 66 xixiaokou Road, Haidian District, Beijing Applicant after: Zhongdian Jinxin Software Co.,Ltd. Address before: 100089 Room 401, building 4, area C, Dongsheng Science Park, 66 xixiaokou Road, Haidian District, Beijing Applicant before: Beijing Wensi Haihui Jinxin Software Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |