CN111611478B - 信息推荐方法、装置和电子设备 - Google Patents
信息推荐方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111611478B CN111611478B CN202010374757.2A CN202010374757A CN111611478B CN 111611478 B CN111611478 B CN 111611478B CN 202010374757 A CN202010374757 A CN 202010374757A CN 111611478 B CN111611478 B CN 111611478B
- Authority
- CN
- China
- Prior art keywords
- business
- health degree
- module
- data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0254—Targeted advertisements based on statistics
-
- 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
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本说明书实施例提出了一种信息推荐方法、装置和电子设备,其中,上述信息推荐方法中,采集业务数据之后,根据上述业务数据,提取用户特征,并根据上述用户特征生成用户画像,然后根据上述业务数据和上述用户画像,获取确定目标区域的业务健康度所需的业务指标;根据上述业务指标,利用预先训练的健康度模型确定目标区域的业务健康度;如果目标区域的业务健康度小于预定阈值,则获取异常指标,对上述异常指标进行归因分析,生成目标人群,从而可以实现根据目标区域的业务健康度,确定目标人群,进而可以根据上述目标人群中每个用户的历史行为,确定每个用户的用户偏好,根据用户偏好,进行信息推荐。
Description
【技术领域】
本说明书实施例涉及互联网技术领域,尤其涉及一种信息推荐方法、装置和电子设备。
【背景技术】
近年来,互联网的赋能给公共交通领域带来了巨大的便利,公共交通出行领域是一个庞大的消费场景,每天面对的用户都是数以千万计,甚至数以亿计。对互联网服务提供商来说,公共交通出行是不可错过的庞大消费场景,庞大的用户量,随之而来的也是巨大的运营难题,再加上公共交通领域又有着诸多其它领域所没有的难题,区域差异性、政策差异性、气候差异性、季节性、人口流动等等,让用户运营难上加难,人工运营的方式显然无法满足公共交通领域用户运营的需求。因此,需要针对互联网公共交通领域的用户运营现状,提供一种用户自动化运营方案。
【发明内容】
本说明书实施例提供了一种信息推荐方法、装置和电子设备,以实现针对互联网公共交通领域的用户运营现状,提供一种用户自动化运营方案,可以根据目标区域的业务健康度,确定目标人群,进而根据目标人群中每个用户的用户偏好,进行信息推荐。
第一方面,本说明书实施例提供一种信息推荐方法,包括:
采集业务数据,所述业务数据包括互联网公共交通领域各维度的业务数据;
根据所述业务数据,提取用户特征,并根据所述用户特征生成用户画像;
根据所述业务数据和所述用户画像,获取确定目标区域的业务健康度所需的业务指标;
根据所述业务指标,利用预先训练的健康度模型确定所述目标区域的业务健康度;
如果所述目标区域的业务健康度小于预定阈值,则获取异常指标,所述异常指标包括导致所述目标区域的业务健康度异常的业务指标;
对所述异常指标进行归因分析,生成目标人群;
根据所述目标人群中每个用户的历史行为,确定每个用户的用户偏好,根据所述用户偏好,进行信息推荐。
上述信息推荐方法中,采集业务数据之后,根据上述业务数据,提取用户特征,并根据上述用户特征生成用户画像,然后根据上述业务数据和上述用户画像,获取确定目标区域的业务健康度所需的业务指标;根据上述业务指标,利用预先训练的健康度模型确定目标区域的业务健康度;如果目标区域的业务健康度小于预定阈值,则获取异常指标,对上述异常指标进行归因分析,生成目标人群,从而可以实现根据目标区域的业务健康度,确定目标人群,进而可以根据上述目标人群中每个用户的历史行为,确定每个用户的用户偏好,根据用户偏好,进行信息推荐。本说明书实施例通过业务健康度可以直观地了解一个区域的业务现状,针对业务健康度低于预定阈值的目标区域,获取异常指标,再根据异常指标确定目标人群,进而进行信息推荐,既提升了业务分析效率,又提升了信息推荐准确率。
其中一种可能的实现方式中,所述根据所述用户偏好,进行信息推荐之后,还包括:
根据向所述目标人群推荐的信息,生成运营策略,并预测所述运营策略的执行效果,所述执行效果包括所述运营策略作用于所述业务指标和所述业务健康度,所获得的效果;
执行所述运营策略,获得所述运营策略的实际执行效果;
对所述运营策略的预测执行效果与所述实际执行效果进行差异分析;
保存所述运营策略、所述运营策略对应的异常指标和目标人群,以及所述运营策略的预测执行效果、所述实际执行效果和差异分析的分析结果中的一种或几种。
其中一种可能的实现方式中,所述保存所述运营策略、所述运营策略对应的异常指标和目标人群,以及所述运营策略的预测执行效果、所述实际执行效果和差异分析的分析结果中的一种或几种之后,还包括:
将所述运营策略、所述运营策略对应的异常指标和目标人群,以及所述运营策略的预测执行效果、所述实际执行效果和差异分析的分析结果中的一种或几种作为训练数据;
利用所述训练数据,训练获得策略推荐模型。
其中一种可能的实现方式中,所述根据所述业务指标,利用预先训练的健康度模型确定所述目标区域的业务健康度之前,还包括:
获取历史数据,所述历史数据包括根据区域划分的确定业务健康度所需的业务指标;
如果所述历史数据已被标注所属区域的业务健康度,则根据所述历史数据进行有监督或半监督的模型训练,获得训练好的健康度模型;如果所述历史数据未被标注所属区域的业务健康度,则根据所述历史数据进行无监督的模型训练,获得训练好的健康度模型。
其中一种可能的实现方式中,所述根据所述业务指标,利用预先训练的健康度模型确定所述目标区域的业务健康度之后,还包括:
对所述目标区域的业务健康度的准确性进行反馈;
将准确性的反馈结果作为所述历史数据的标注数据,利用所述标注数据对所述训练好的健康度模型进行优化。
其中一种可能的实现方式中,所述对所述异常指标进行归因分析,生成目标人群包括:
根据所述异常指标,进行区域异动分析和区域对比分析;
根据分析结果,生成推荐人群;
对多个异常指标生成的推荐人群进行合并,获得目标人群。
第二方面,本说明书实施例提供一种信息推荐装置,包括:
采集模块,用于采集业务数据,所述业务数据包括互联网公共交通领域各维度的业务数据;
生成模块,用于根据所述采集模块采集的业务数据,提取用户特征,并根据所述用户特征生成用户画像;
获取模块,用于根据所述业务数据和所述用户画像,获取确定目标区域的业务健康度所需的业务指标;
确定模块,用于根据所述获取模块获取的业务指标,利用预先训练的健康度模型确定所述目标区域的业务健康度;
所述获取模块,还用于当所述目标区域的业务健康度小于预定阈值时,获取异常指标,所述异常指标包括导致所述目标区域的业务健康度异常的业务指标;
所述生成模块,还用于对所述异常指标进行归因分析,生成目标人群;
推荐模块,用于根据所述目标人群中每个用户的历史行为,确定每个用户的用户偏好,根据所述用户偏好,进行信息推荐。
其中一种可能的实现方式中,所述装置还包括:预测模块、执行模块、分析模块和保存模块;
所述生成模块,还用于在所述推荐模块进行信息推荐之后,根据向所述目标人群推荐的信息,生成运营策略;
所述预测模块,用于预测所述运营策略的执行效果,所述执行效果包括所述运营策略作用于所述业务指标和所述业务健康度,所获得的效果;
所述执行模块,用于执行所述运营策略,获得所述运营策略的实际执行效果;
所述分析模块,用于对所述运营策略的预测执行效果与所述实际执行效果进行差异分析;
所述保存模块,用于保存所述运营策略、所述运营策略对应的异常指标和目标人群,以及所述运营策略的预测执行效果、所述实际执行效果和差异分析的分析结果中的一种或几种。
其中一种可能的实现方式中,所述装置还包括:
训练模块,用于将所述运营策略、所述运营策略对应的异常指标和目标人群,以及所述运营策略的预测执行效果、所述实际执行效果和差异分析的分析结果中的一种或几种作为训练数据;利用所述训练数据,训练获得策略推荐模型。
其中一种可能的实现方式中,所述装置还包括:训练模块;
所述获取模块,还用于在所述确定模块利用预先训练的健康度模型确定所述目标区域的业务健康度之前,获取历史数据,所述历史数据包括根据区域划分的确定业务健康度所需的业务指标;
所述训练模块,用于当所述历史数据已被标注所属区域的业务健康度时,根据所述历史数据进行有监督或半监督的模型训练,获得训练好的健康度模型;当所述历史数据未被标注所属区域的业务健康度时,根据所述历史数据进行无监督的模型训练,获得训练好的健康度模型。
其中一种可能的实现方式中,所述装置还包括:
反馈模块,用于当所述确定模块利用预先训练的健康度模型确定所述目标区域的业务健康度之后,对所述目标区域的业务健康度的准确性进行反馈;
所述训练模块,还用于将准确性的反馈结果作为所述历史数据的标注数据,利用所述标注数据对所述训练好的健康度模型进行优化。
其中一种可能的实现方式中,所述生成模块,具体用于根据所述异常指标,进行区域异动分析和区域对比分析,根据分析结果,生成推荐人群,对多个异常指标生成的推荐人群进行合并,获得目标人群。
第三方面,本说明书实施例提供一种电子设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行第一方面提供的方法。
第四方面,本说明书实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面提供的方法。
应当理解的是,本说明书实施例的第二~四方面与本说明书实施例的第一方面的技术方案一致,各方面及对应的可行实施方式所取得的有益效果相似,不再赘述。
【附图说明】
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,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它的附图。
图1为本说明书一个实施例提供的系统架构的示意图;
图2为本说明书信息推荐方法一个实施例的流程图;
图3为本说明书信息推荐方法中指标配置页一个实施例的示意图;
图4为本说明书信息推荐方法另一个实施例的流程图;
图5为本说明书信息推荐方法中运营策略沉淀一个实施例的示意图;
图6为本说明书信息推荐方法再一个实施例的流程图;
图7为本说明书信息推荐方法再一个实施例的流程图;
图8为本说明书信息推荐方法再一个实施例的流程图;
图9为本说明书信息推荐装置一个实施例的结构示意图;
图10为本说明书信息推荐装置另一个实施例的结构示意图;
图11为本说明书电子设备一个实施例的结构示意图。
【具体实施方式】
为了更好的理解本说明书的技术方案,下面结合附图对本说明书实施例进行详细描述。
应当明确,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本说明书保护的范围。
在本说明书实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本说明书实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
随着互联网行业的不断发展和普及,C端用户运营的流量红利时代几乎走近尾声,过去,只要争夺了流量,往往就意味着增长,增长虽然能给企业带来利润,但增长也可能麻痹思想,当流量不再增加时,就会陷入被动,很难再寻找到新的增长点,再加上竞争对手的不断出现,争夺已有流量,如果不能很好的从流量时代中跳脱出来,寻找新的模式,就无法在竞争中占得先机、甚至失去已有。其中,C端用户是指消费者、个人用户或终端用户,使用的是客户端。
在这样的大背景下,如何从拉新为主转变到留存为主就变成了关键,换言之,对于C端用户运营来说,要从粗犷式运营转变成精细化运营,从业务或产品本身出发,发现运营中的问题,找到原因,并针对性的解决。从大的方面讲即针对产品所处的不同的生命周期、对不同的目标人群、采用不同的运营手段、从而培养用户的忠诚度,提升用户的价值,并使得这一切可灵活配置、快速执行、且可追踪可复盘,这一完整链路要涉及到多个角色的协作,包括数据工程师、运营人员、算法工程师、数据分析师等等,现阶段,用户运营的过程中各种角色各司其职,串联的方式大都以业务需求传导,大量的成本耗费在沟通和执行效率上,且各角色的知识串联不够紧密,过多的主观意识干扰,使得运营效果不能很好的朝预期方向发展。其中,精细化运营,通常来讲是指结合渠道、奖品、活动形式和/或广告等内容,结合转化流程和用户行为数据,对用户流失率较高的用户环节进行针对性的运营活动,以提升整体的业务指标。
现在,对于互联网公共交通领域来说,人工运营的方式无法满足互联网公共交通领域用户运营的需求。好在随着云计算、大数据和/或人工智能等领域的高速发展,让基于大数据的精细化自动运营成为了可能。
本说明书即着眼于互联网公共交通领域的C端用户运营现状,针对该场景下的C端用户运营的执行效率和执行效果这两个难点问题,提出一种C端用户自动化运营方案,可以根据目标区域的业务健康度,确定目标人群,进而根据目标人群中每个用户的用户偏好,进行信息推荐。
本说明书实施例提供的信息推荐方法,可以通过收集互联网公共交通领域各个维度的业务数据,包括C端用户的行为数据、交易数据、业务相关的内部因素和外部因素数据、以及依托于平台获取到的用户基础数据和交叉场景的数据。通过这些数据,周期性的检测业务发展情况,探查业务中的问题和潜在的风险点,并对业务的异常指标分区域进行归因分析、用户分析和活动分析等等,最终产生能对业务异常指标有改进作用的目标人群,并根据目标人群的用户偏好,进行信息推荐,推荐的信息包括活动、奖品和/或内容等,生成运营策略所需要的所有元素,并自动执行,对于执行中的策略进行效果跟踪,和评估,并进行策略沉淀。支撑以上流程的是各类数据库管理以及大数据计算资源,辅助以上流程的是各类看板和报表,以及流程流转工具。实现上述信息推荐方法的系统架构可以如图1所示。
图1为本说明书一个实施例提供的系统架构的示意图,下面按照业务流程对图1所示的系统架构进行介绍。
从200-业务数据采集出发,采集的数据包括了201-用户基础数据、202-交易数据、203-行为数据和204-业务客观数据;其中,201-用户基础数据可以来自于业务本身或业务之外,主要用于构建用户画像;202-交易数据涵盖了所有交易明细数据;203-行为数据,是指从曝光到完成交易整个链路上的用户到所有操作数据,包括点击、浏览、领取优惠券和/或核销等;204-业务客观数据,这部分数据是指与业务本身相关的客观数据,如地域属性、天气、竟对和/或业务本身的推广等等。
200采集的数据由100-基础支撑的101-数据存储模块负责存储管理,200采集的所有历史数据被用于300-用户分群,用户分群主要包括了301-用户特征提取,这里的特征涵盖了通过统计、分析、算法和/或人为经验等提取出来的用户属性,这些用户属性大多与业务本身有密切的联系,这些特征也是302-用户画像的基础数据,301提取的用户特征和302-用户画像共同构成了后续精细化运营的人群选择基础,存储在102-1用户特征池中。
300-用户分群可以看成是对200采集的业务数据的提炼,二者协作生成各种业务指标,这些业务指标都作为400-健康度检测的输入,基于这些指标的历史数据训练健康度模型,并使用该健康度模型判断目标区域的业务健康水平,即401-分区域业务健康度评估,针对业务健康度低于预定阈值的区域,通过402-指标异常检测发现导致业务健康度异常的业务指标及其贡献度。其中,上述预定阈值可以在具体实现时,根据系统性能和/或实现需求等自行设定,本实施例对上述预定阈值的大小不作限定。
对于贡献度大的异常指标,由500-归因模块进行进一步的分析,包括501-归因分析、502-用户分析和503-活动分析,找出影响指标变化的核心因素、核心人群、以及是否有运营中的活动效果不佳,通过这些分析,最终决定是否要产生运营干预策略,以及干预策略对应的目标人群,即504-人群推荐。
600-策略推荐接收来自504-人群推荐的目标人群,通过用户的历史行为进行601-推荐,这里推荐的信息包括了活动、渠道、奖品和/或内容等,至此,才完成了整个策略的推荐,即602-运营策略生成,与此同时,还会通过603-策略效果预估模块对策略可能带来的业务指标的变化和业务健康度的变化进行预估。
600-策略推荐生成的策略被执行后,由700-策略跟踪对执行中的策略持续进行效果追踪,分析策略与预期的差异,以及策略对业务指标和业务健康度的影响,形成从业务健康度出发、回到业务健康度的闭环,并以此判定策略好坏,即701-运营策略效果分析;这些分析的结果都会以运营经验的形式沉淀到102-2运营策略池中,不断优化后续生成的运营策略。
整个逻辑闭环的过程中,涉及到模块间信息传递一致性的都由103-元数据管理保证,涉及到策略执行和/或人工干预等操作的,都由104-流程管理支持。
负责人机交互的是800-报表与交互,包括801-交互配置、802-健康度看板、803-分析看板、804-运营策略看板、805-策略效果分析看板、806-监控看板和807-人工反馈。
下面基于上述系统架构,对本说明书实施例提供的信息推荐方法进行介绍。
图2为本说明书信息推荐方法一个实施例的流程图,如图2所示,上述信息推荐方法可以包括:
步骤22,采集业务数据,上述业务数据包括互联网公共交通领域各维度的业务数据。
其中,上述业务数据可以包括:用户基础数据、交易数据、行为数据和业务客观数据;具体地,上述用户基础数据可以来自于业务本身或业务之外,主要用于构建用户画像;上述交易数据涵盖了所有交易明细数据;上述行为数据,是指从曝光到完成交易整个链路上的用户到所有操作数据,包括点击、浏览、领取优惠券和/或核销等;上述业务客观数据是指与业务本身相关的客观数据,如地域属性、天气、竟对和/或业务本身的推广等等。
步骤24,根据上述业务数据,提取用户特征,并根据上述用户特征生成用户画像。
步骤26,根据上述业务数据和上述用户画像,获取确定目标区域的业务健康度所需的业务指标。
本实施例中,业务指标是根据业务数据和用户画像计算的,举例来说,假设业务指标为高频用户交易占比,则该业务指标是根据高频用户和交易占比计算的,其中,高频用户是用户画像里的特征,交易占比是业务数据中的交易数据。
本实施例中,系统已经默认配置好了一系列的业务指标,但这些业务指标多为基础指标,随着业务的复杂度越来越高,业务指标的复杂程度也会越来越高,因此,有必要将这部分的自由度放开给用户,允许用户(多为运营人员)配置自己关注的指标,指标配置交互页面可以如图3所示,图3为本说明书信息推荐方法中指标配置页一个实施例的示意图。
当用户需要关注复合类指标时,可通过该页面配置,新增指标由一个或多个关联指标通过一定的计算方式求得,上述关联指标即业务的基础指标,在系统默认的情况下已经配置好。除此之外,本实施例还可以配置业务指标对应的重点关注人群,这一设计是考虑到业务指标通常有一定的指向性,例如:召回类的业务指标对应的重点关注人群应该是那些不再活跃的用户,此时,如果对活跃用户做用户分析,就成了无用功。系统收到新增指标的配置信息之后,只需更新配置文件即可实现对业务指标的监控、归因和/或推荐等等。
步骤28,根据上述业务指标,利用预先训练的健康度模型确定上述目标区域的业务健康度。
步骤210,如果上述目标区域的业务健康度小于预定阈值,则获取异常指标,上述异常指标包括导致上述目标区域的业务健康度异常的业务指标。
其中,上述预定阈值可以在具体实现时,根据系统性能和/或实现需求等自行设定,本实施例对上述预定阈值的大小不作限定。
步骤212,对上述异常指标进行归因分析,生成目标人群。
步骤214,根据上述目标人群中每个用户的历史行为,确定每个用户的用户偏好,根据上述用户偏好,进行信息推荐。
上述信息推荐方法中,采集业务数据之后,根据上述业务数据,提取用户特征,并根据上述用户特征生成用户画像,然后根据上述业务数据和上述用户画像,获取确定目标区域的业务健康度所需的业务指标;根据上述业务指标,利用预先训练的健康度模型确定目标区域的业务健康度;如果目标区域的业务健康度小于预定阈值,则获取异常指标,对上述异常指标进行归因分析,生成目标人群,从而可以实现根据目标区域的业务健康度,确定目标人群,进而可以根据上述目标人群中每个用户的历史行为,确定每个用户的用户偏好,根据用户偏好,进行信息推荐。本说明书实施例通过业务健康度可以直观地了解一个区域的业务现状,针对业务健康度低于预定阈值的目标区域,获取异常指标,再根据异常指标确定目标人群,进而进行信息推荐,既提升了业务分析效率,又提升了信息推荐准确率。
图4为本说明书信息推荐方法另一个实施例的流程图,如图4所示,本说明书图2所示实施例中,步骤214之后,还可以包括:
步骤42,根据向目标人群推荐的信息,生成运营策略,并预测上述运营策略的执行效果,上述执行效果包括上述运营策略作用于上述业务指标和上述业务健康度,所获得的效果。
步骤44,执行上述运营策略,获得上述运营策略的实际执行效果。
步骤46,对上述运营策略的预测执行效果与上述实际执行效果进行差异分析。
步骤48,保存上述运营策略、上述运营策略对应的异常指标和目标人群,以及上述运营策略的预测执行效果、上述实际执行效果和差异分析的分析结果中的一种或几种。
也就是说,本实施例中,对运营策略的执行效果进行分析之后,这些分析的结果都会以运营经验的形式沉淀到102-2运营策略池中,不断优化后续生成的运营策略。
进一步地,步骤48之后,还可以将上述运营策略、上述运营策略对应的异常指标和目标人群,以及上述运营策略的预测执行效果、上述实际执行效果和差异分析的分析结果中的一种或几种作为训练数据。然后,利用上述训练数据,训练获得策略推荐模型。
具体地,在获得策略推荐模型之后,当前叙流程生成目标人群后,结合对应的异常指标、当前的预算水平和/或运营策略的预测执行效果等等数据,应用上述策略推荐模型,即可获得适合的运营策略。
图5为本说明书信息推荐方法中运营策略沉淀一个实施例的示意图,本实施例中,执行运营策略之后,可以通过策略效果监控分析以及效果评估来完成对策略的标定,即评价策略好坏,然后将这些策略评估数据沉淀下来,沉淀下来的好处是:当后续策略生成时,就有更多的历史依据,从而使得干预策略的效果朝着越来越好的方向发展。
如图5所示,首先,是策略池的更新机制,当运营策略被执行后,可以对运营策略进行效果跟踪和评估,本实施例提出了策略池的概念,可以将运营策略的明细数据、对应的异常指标、目标人群、以及预算、运营策略的预测执行效果和实际执行效果等等数据组合成训练数据,利用这些训练数据,训练获得策略推荐模型,当前叙流程产生信息推荐的目标人群之后,结合对应的异常指标、当前的预算水平和/或预期效果等等数据,应用训练获得的策略推荐模型,可以匹配出更合理的运营策略,使得干预策略的效果朝着越来越好的方向收敛。
图6为本说明书信息推荐方法再一个实施例的流程图,本实施例中,在步骤28之前,还可以获取历史数据,上述历史数据包括根据区域划分的确定业务健康度所需的业务指标;如果上述历史数据已被标注所属区域的业务健康度,则根据上述历史数据进行有监督或半监督的模型训练,获得训练好的健康度模型;如果上述历史数据未被标注所属区域的业务健康度,则根据上述历史数据进行无监督的模型训练,获得训练好的健康度模型。
然后,在步骤28,可以根据上述业务指标,利用上述健康度模型确定目标区域的业务健康度。
接下来,还可以对上述目标区域的业务健康度的准确性进行反馈,将准确性的反馈结果作为上述历史数据的标注数据,利用上述标注数据对训练好的健康度模型进行优化。
本说明书实施例引入了区域的业务健康度的概念,业务健康度实际是对业务指标的抽象,好处在于提升业务指标的解读效率,不用花过多的时间逐个核对业务指标,尤其是当出现多个业务指标和/或关联指标异常时,判断难度会更大。通过业务健康度能更加直观的了解一个区域的业务现状,针对业务健康度低于预定阈值的区域再进行业务指标的核对,根据业务指标产生干预方案,既可以提升效率,又可以提升准确率。
如图6所示,区域的业务健康度的确定流程可以包括:
步骤62,获取历史数据,上述历史数据包括根据区域划分的确定业务健康度所需的业务指标。
步骤64,判断历史数据是否已被标注所属区域的业务健康度。如果是,则执行步骤66;如果上述历史数据未被标注所属区域的业务健康度,则执行步骤68。
步骤66,根据上述历史数据进行有监督或半监督的模型训练,获得训练好的健康度模型。
步骤68,根据上述历史数据进行无监督的模型训练,获得训练好的健康度模型。
步骤72,获取确定目标区域的业务健康度所需的业务指标。
步骤74,根据上述业务指标,利用训练获得的健康度模型确定上述目标区域的业务健康度。
进一步地,确定目标区域的业务健康度之后,可以执行步骤76或步骤710。也就是说,一方面可以将结果展示给用户,用户可以对上述目标区域的业务健康度的准确性进行人工反馈,反馈结果可以作为标注数据,这部分标注数据再作为训练健康度模型的输入数据,不断优化健康度模型;另一方面,可以判断上述目标区域的业务健康度是否小于预定阈值。
步骤76,对上述目标区域的业务健康度的准确性进行反馈。
步骤78,将准确性的反馈结果作为上述历史数据的标注数据,利用上述标注数据对训练好的健康度模型进行优化。
步骤710,判断上述目标区域的业务健康度是否小于预定阈值。如果否,则执行步骤712;如果上述目标区域的业务健康度小于预定阈值,则执行步骤714。
步骤712,用户自主分析。
也就是说,如果上述目标区域的业务健康度大于或等于预定阈值,则不进行后续动作,主动权交由用户进行用户自主分析。
步骤714,获取异常指标,上述异常指标包括导致上述目标区域的业务健康度异常的业务指标。
步骤716,对上述异常指标进行归因分析,生成目标人群。
图7为本说明书信息推荐方法再一个实施例的流程图,本实施例中,步骤212,对异常指标进行归因分析,生成目标人群可以为:根据上述异常指标,进行区域异动分析和区域对比分析,根据分析结果,生成推荐人群;对多个异常指标生成的推荐人群进行合并,获得目标人群。
本实施例可以通过对异常指标的归因分析自动生成目标人群,以客观事实为依据,受人为因素影响少,不容易出现遗漏和误判。
如图7所示,本实施例中,目标人群的生成流程可以包括:通过区域健康度评估结果可直接选定业务健康度低于预定阈值的区域进行深入分析,判定各相关指标,确定业务指标是否异常、异常程度以及业务指标异常对整体业务健康度异常的贡献度,找到贡献度大的异常指标进行下一步分析。这一步分析主要依赖区域异动分析和区域对比分析,区域异动分析指的是分析区域的业务指标是否发生异常波动,区域对比分析是指区域的业务指标是否长期处于异常状态,通过这两类分析,找到区域当前状态的健康对照区域,再通过两个区域之间全特征维度的用户分析,找到造成两个区域之间差异的主要用户群,即自动生成了推荐人群,再对多个异常指标生成的推荐人群进行合并,获得目标人群。
然后,可以对目标人群中的每个个体进行偏好推荐,即完成了整个策略的生成过程,整个过程均为自动生成,无需人工干预,极大的简化了流程,提高了效率,得益于全特征维度的用户分析,可以很大程度的减少遗漏。
图8为本说明书信息推荐方法再一个实施例的流程图,如图8所示,上述信息推荐方法可以包括:
80-数据采集,采集获取的数据,一方面用于82-人群特征提取和用户画像丰富,这里的包括了用户的乘车频次、活跃类型、是否是通勤用户、用户的年龄、工作地点、家庭地点和/或早晚高峰行为等等,另一方面用于84-业务指标的计算,业务指标的种类可以很多,可以是单一维度的,如拉新数量,也可以是复合维度的,如净流入率(拉新+回流-流失),根据业务指标确定业务健康度,对业务健康度进行86-健康度分析和评估,判定是否小于预定阈值,若大于或等于预定阈值,则不做处理,由用户根据自己需要进行810-自主分析,若小于预定阈值,则进行88-归因分析和812-用户分析,生成影响健康度指标的目标人群,即814-人群推荐,再对目标人群进行816-活动、渠道、奖品和/或内容等信息推荐,从而执行818-生成运营策略,再经820-策略执行,对于执行中的策略,进行822-策略监控,824-策略效果分析,评估策略对健康度影响、评价策略好坏,并最终进行826-策略沉淀。
本说明书实施例提供的信息推荐方法,引入业务健康度概念,在综合业务目标、投入和产出情况和区域差异性、政策差异性、气候差异性、季节性、人口流动等客观情况下,给出区域城市运营情况评价,更客观公正的评价效果的同时,可以提升业务分析效率。
在确定业务健康度的基础上,建立专家系统,针对区域波动进行归因分析并给出业务决策建议,拉平不同运营人员带来的个体能力差异,提升业务转化率和决策效率。
建立自动处置能力,针对需要干预的情况系统化进行处置,大大提升业务处置效率。
引入运营策略沉淀和复用机制,打造分析、决策、处置和优化策略的闭环,不断的迭代优化健康度模型和策略推荐模型,持续优化专家系统助力业务提升转化率和效能。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
图9为本说明书信息推荐装置一个实施例的结构示意图,如图9所示,上述信息推荐装置可以包括:采集模块91、生成模块92、获取模块93、确定模块94和推荐模块95;
采集模块91,用于采集业务数据,上述业务数据包括互联网公共交通领域各维度的业务数据;
生成模块92,用于根据采集模块91采集的业务数据,提取用户特征,并根据上述用户特征生成用户画像;
获取模块93,用于根据上述业务数据和上述用户画像,获取确定目标区域的业务健康度所需的业务指标;
确定模块94,用于根据获取模块93获取的业务指标,利用预先训练的健康度模型确定上述目标区域的业务健康度;
获取模块93,还用于当上述目标区域的业务健康度小于预定阈值时,获取异常指标,上述异常指标包括导致所述目标区域的业务健康度异常的业务指标;
生成模块92,还用于对上述异常指标进行归因分析,生成目标人群;
推荐模块95,用于根据上述目标人群中每个用户的历史行为,确定每个用户的用户偏好,根据上述用户偏好,进行信息推荐。
图9所示实施例提供的信息推荐装置可用于执行本说明书图2所示方法实施例的技术方案,其实现原理和技术效果可以进一步参考方法实施例中的相关描述。
图10为本说明书信息推荐装置另一个实施例的结构示意图,与图9所示的信息推荐装置相比,图10所示的信息推荐装置还可以包括:预测模块96、执行模块97、分析模块98和保存模块99;
生成模块92,还用于在推荐模块95进行信息推荐之后,根据向目标人群推荐的信息,生成运营策略;
预测模块96,用于预测上述运营策略的执行效果,上述执行效果包括运营策略作用于上述业务指标和上述业务健康度,所获得的效果;
执行模块97,用于执行上述运营策略,获得上述运营策略的实际执行效果;
分析模块98,用于对上述运营策略的预测执行效果与上述实际执行效果进行差异分析;
保存模块99,用于保存上述运营策略、上述运营策略对应的异常指标和目标人群,以及上述运营策略的预测执行效果、上述实际执行效果和差异分析的分析结果中的一种或几种。
进一步地,上述装置还可以包括:训练模块910;
训练模块910,用于将上述运营策略、上述运营策略对应的异常指标和目标人群,以及上述运营策略的预测执行效果、上述实际执行效果和差异分析的分析结果中的一种或几种作为训练数据;利用上述训练数据,训练获得策略推荐模型。
获取模块93,还用于在确定模块94利用预先训练的健康度模型确定上述目标区域的业务健康度之前,获取历史数据,上述历史数据包括根据区域划分的确定业务健康度所需的业务指标;
训练模块910,用于当上述历史数据已被标注所属区域的业务健康度时,根据上述历史数据进行有监督或半监督的模型训练,获得训练好的健康度模型;当上述历史数据未被标注所属区域的业务健康度时,根据上述历史数据进行无监督的模型训练,获得训练好的健康度模型。
进一步地,上述装置还可以包括:反馈模块911;
反馈模块911,用于当确定模块94利用预先训练的健康度模型确定上述目标区域的业务健康度之后,对上述目标区域的业务健康度的准确性进行反馈;
训练模块910,还用于将准确性的反馈结果作为上述历史数据的标注数据,利用上述标注数据对上述训练好的健康度模型进行优化。
本实施例中,生成模块92,具体用于根据上述异常指标,进行区域异动分析和区域对比分析,根据分析结果,生成推荐人群,对多个异常指标生成的推荐人群进行合并,获得目标人群。
图10所示实施例提供的信息推荐装置可用于执行本申请图2~图8所示方法实施例的技术方案,其实现原理和技术效果可以进一步参考方法实施例中的相关描述。
图11为本说明书电子设备一个实施例的结构示意图,如图11所示,上述电子设备可以包括至少一个处理器;以及与上述处理器通信连接的至少一个存储器,其中:存储器存储有可被处理器执行的程序指令,上述处理器调用上述程序指令能够执行本说明书图2~图8所示实施例提供的信息推荐方法。
其中,上述电子设备可以为服务器,例如:普通的物理服务器或云服务器,本实施例对上述电子设备的形式不作限定。
图11示出了适于用来实现本说明书实施方式的示例性电子设备的框图。图11显示的电子设备仅仅是一个示例,不应对本说明书实施例的功能和使用范围带来任何限制。
如图11所示,电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于:一个或者多个处理器410,通信接口420,存储器430,以及连接不同组件(包括存储器430、通信接口420和处理单元410)的通信总线440。
通信总线440表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,或者使用多种总线结构中的任意总线结构的局域总线。举例来说,通信总线440可以包括但不限于工业标准体系结构(industry standardarchitecture,ISA)总线,微通道体系结构(micro channel architecture,MAC)总线,增强型ISA总线、视频电子标准协会(video electronics standards association,VESA)局域总线以及外围组件互连(peripheral component interconnection,PCI)总线。
电子设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器430可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(random access memory,RAM)和/或高速缓存存储器。存储器430可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本说明书图2~图8所示实施例的功能。
具有一组(至少一个)程序模块的程序/实用工具,可以存储在存储器430中,这样的程序模块包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块通常执行本说明书图2~图8所描述的实施例中的功能和/或方法。
处理器410通过运行存储在存储器430中的程序,从而执行各种功能应用以及数据处理,例如实现本说明书图2~图8所示实施例提供的信息推荐方法。
本说明书实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行本说明书图2~图8所示实施例提供的信息推荐方法。
上述非暂态计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(read only memory,ROM)、可擦式可编程只读存储器(erasable programmable read onlymemory,EPROM)或闪存、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、射频(radio frequency,RF)等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本说明书操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(localarea network,LAN)或广域网(wide area network,WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本说明书的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本说明书的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本说明书的实施例所属技术领域的技术人员所理解。
取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
需要说明的是,本说明书实施例中所涉及的终端可以包括但不限于个人计算机(personal computer,PC)、个人数字助理(personal digital assistant,PDA)、无线手持设备、平板电脑(tablet computer)、手机、MP3播放器、MP4播放器等。
在本说明书所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本说明书各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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装置(可以是个人计算机,服务器,或者网络装置等)或处理器(processor)执行本说明书各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (14)
1.一种信息推荐方法,包括:
采集业务数据,所述业务数据包括互联网公共交通领域各维度的业务数据;
根据所述业务数据,提取用户特征,并根据所述用户特征生成用户画像;
根据所述业务数据和所述用户画像,获取确定目标区域的业务健康度所需的业务指标;
根据所述业务指标,利用预先训练的健康度模型确定所述目标区域的业务健康度;
如果所述目标区域的业务健康度小于预定阈值,则获取异常指标,所述异常指标包括导致所述目标区域的业务健康度异常的业务指标;
对所述异常指标进行归因分析,生成目标人群;
根据所述目标人群中每个用户的历史行为,确定每个用户的用户偏好,根据所述用户偏好,进行信息推荐。
2.根据权利要求1所述的方法,其中,所述根据所述用户偏好,进行信息推荐之后,还包括:
根据向所述目标人群推荐的信息,生成运营策略,并预测所述运营策略的执行效果,所述执行效果包括所述运营策略作用于所述业务指标和所述业务健康度,所获得的效果;
执行所述运营策略,获得所述运营策略的实际执行效果;
对所述运营策略的预测执行效果与所述实际执行效果进行差异分析;
保存所述运营策略、所述运营策略对应的异常指标和目标人群,以及所述运营策略的预测执行效果、所述实际执行效果和差异分析的分析结果中的一种或几种。
3.根据权利要求2所述的方法,其中,所述保存所述运营策略、所述运营策略对应的异常指标和目标人群,以及所述运营策略的预测执行效果、所述实际执行效果和差异分析的分析结果中的一种或几种之后,还包括:
将所述运营策略、所述运营策略对应的异常指标和目标人群,以及所述运营策略的预测执行效果、所述实际执行效果和差异分析的分析结果中的一种或几种作为训练数据;
利用所述训练数据,训练获得策略推荐模型。
4.根据权利要求1所述的方法,其中,所述根据所述业务指标,利用预先训练的健康度模型确定所述目标区域的业务健康度之前,还包括:
获取历史数据,所述历史数据包括根据区域划分的确定业务健康度所需的业务指标;
如果所述历史数据已被标注所属区域的业务健康度,则根据所述历史数据进行有监督或半监督的模型训练,获得训练好的健康度模型;如果所述历史数据未被标注所属区域的业务健康度,则根据所述历史数据进行无监督的模型训练,获得训练好的健康度模型。
5.根据权利要求4所述的方法,其中,所述根据所述业务指标,利用预先训练的健康度模型确定所述目标区域的业务健康度之后,还包括:
对所述目标区域的业务健康度的准确性进行反馈;
将准确性的反馈结果作为所述历史数据的标注数据,利用所述标注数据对所述训练好的健康度模型进行优化。
6.根据权利要求1所述的方法,其中,所述对所述异常指标进行归因分析,生成目标人群包括:
根据所述异常指标,进行区域异动分析和区域对比分析;
根据分析结果,生成推荐人群;
对多个异常指标生成的推荐人群进行合并,获得目标人群。
7.一种信息推荐装置,包括:
采集模块,用于采集业务数据,所述业务数据包括互联网公共交通领域各维度的业务数据;
生成模块,用于根据所述采集模块采集的业务数据,提取用户特征,并根据所述用户特征生成用户画像;
获取模块,用于根据所述业务数据和所述用户画像,获取确定目标区域的业务健康度所需的业务指标;
确定模块,用于根据所述获取模块获取的业务指标,利用预先训练的健康度模型确定所述目标区域的业务健康度;
所述获取模块,还用于当所述目标区域的业务健康度小于预定阈值时,获取异常指标,所述异常指标包括导致所述目标区域的业务健康度异常的业务指标;
所述生成模块,还用于对所述异常指标进行归因分析,生成目标人群;
推荐模块,用于根据所述目标人群中每个用户的历史行为,确定每个用户的用户偏好,根据所述用户偏好,进行信息推荐。
8.根据权利要求7所述的装置,还包括:预测模块、执行模块、分析模块和保存模块;
所述生成模块,还用于在所述推荐模块进行信息推荐之后,根据向所述目标人群推荐的信息,生成运营策略;
所述预测模块,用于预测所述运营策略的执行效果,所述执行效果包括所述运营策略作用于所述业务指标和所述业务健康度,所获得的效果;
所述执行模块,用于执行所述运营策略,获得所述运营策略的实际执行效果;
所述分析模块,用于对所述运营策略的预测执行效果与所述实际执行效果进行差异分析;
所述保存模块,用于保存所述运营策略、所述运营策略对应的异常指标和目标人群,以及所述运营策略的预测执行效果、所述实际执行效果和差异分析的分析结果中的一种或几种。
9.根据权利要求8所述的装置,还包括:
训练模块,用于将所述运营策略、所述运营策略对应的异常指标和目标人群,以及所述运营策略的预测执行效果、所述实际执行效果和差异分析的分析结果中的一种或几种作为训练数据;利用所述训练数据,训练获得策略推荐模型。
10.根据权利要求7所述的装置,还包括:训练模块;
所述获取模块,还用于在所述确定模块利用预先训练的健康度模型确定所述目标区域的业务健康度之前,获取历史数据,所述历史数据包括根据区域划分的确定业务健康度所需的业务指标;
所述训练模块,用于当所述历史数据已被标注所属区域的业务健康度时,根据所述历史数据进行有监督或半监督的模型训练,获得训练好的健康度模型;当所述历史数据未被标注所属区域的业务健康度时,根据所述历史数据进行无监督的模型训练,获得训练好的健康度模型。
11.根据权利要求10所述的装置,还包括:
反馈模块,用于当所述确定模块利用预先训练的健康度模型确定所述目标区域的业务健康度之后,对所述目标区域的业务健康度的准确性进行反馈;
所述训练模块,还用于将准确性的反馈结果作为所述历史数据的标注数据,利用所述标注数据对所述训练好的健康度模型进行优化。
12.根据权利要求7所述的装置,其中,所述生成模块,具体用于根据所述异常指标,进行区域异动分析和区域对比分析,根据分析结果,生成推荐人群,对多个异常指标生成的推荐人群进行合并,获得目标人群。
13.一种电子设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。
14.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010374757.2A CN111611478B (zh) | 2020-05-06 | 2020-05-06 | 信息推荐方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010374757.2A CN111611478B (zh) | 2020-05-06 | 2020-05-06 | 信息推荐方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611478A CN111611478A (zh) | 2020-09-01 |
CN111611478B true CN111611478B (zh) | 2023-04-07 |
Family
ID=72201874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010374757.2A Active CN111611478B (zh) | 2020-05-06 | 2020-05-06 | 信息推荐方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611478B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112562854A (zh) * | 2020-12-17 | 2021-03-26 | 山东大学 | 一种高龄人员精准医疗关怀服务推荐方法及系统 |
CN113762688A (zh) * | 2021-01-06 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 业务分析系统、方法以及存储介质 |
CN112819528A (zh) * | 2021-01-30 | 2021-05-18 | 北京奇保信安科技有限公司 | 人群包的上线方法、装置及电子设备 |
CN112818249B (zh) * | 2021-03-04 | 2022-06-21 | 中南大学 | 一种特定倾向性人群的多维画像构建方法和系统 |
CN113297258B (zh) * | 2021-04-25 | 2023-04-07 | 上海淇玥信息技术有限公司 | 一种基于目标人群数据提取的定制化信息推送方法及装置 |
CN113283675B (zh) * | 2021-06-29 | 2023-02-03 | 中国平安人寿保险股份有限公司 | 指标数据分析方法、装置、设备及存储介质 |
CN113592540B (zh) * | 2021-07-14 | 2023-09-19 | 车智互联(北京)科技有限公司 | 一种用户裂变方法及计算设备 |
CN115238197B (zh) * | 2022-09-26 | 2023-05-23 | 中国电子科技集团公司第十研究所 | 一种基于专家思维模型的领域业务辅助分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023188A (zh) * | 2015-01-07 | 2015-11-04 | 泰华智慧产业集团股份有限公司 | 一种基于云数据的数字化城市管理数据共享系统 |
CN108076353A (zh) * | 2017-05-18 | 2018-05-25 | 北京市商汤科技开发有限公司 | 业务对象推荐方法、装置、存储介质和电子设备 |
CN109359961A (zh) * | 2018-08-23 | 2019-02-19 | 阿里巴巴集团控股有限公司 | 清算渠道推荐方法及装置和电子设备 |
CN109377260A (zh) * | 2018-09-14 | 2019-02-22 | 江阴逐日信息科技有限公司 | 面向服装行业的用户行为分析系统 |
CN110163621A (zh) * | 2018-02-10 | 2019-08-23 | 广州供电局有限公司 | 一种电力客服大数据决策支持系统 |
CN110890972A (zh) * | 2018-09-07 | 2020-03-17 | 中国移动通信集团浙江有限公司 | 一种业务系统的健康度评估方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7966246B2 (en) * | 2003-10-23 | 2011-06-21 | Alphacet, Inc. | User interface for correlation of analysis systems |
-
2020
- 2020-05-06 CN CN202010374757.2A patent/CN111611478B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105023188A (zh) * | 2015-01-07 | 2015-11-04 | 泰华智慧产业集团股份有限公司 | 一种基于云数据的数字化城市管理数据共享系统 |
CN108076353A (zh) * | 2017-05-18 | 2018-05-25 | 北京市商汤科技开发有限公司 | 业务对象推荐方法、装置、存储介质和电子设备 |
CN110163621A (zh) * | 2018-02-10 | 2019-08-23 | 广州供电局有限公司 | 一种电力客服大数据决策支持系统 |
CN109359961A (zh) * | 2018-08-23 | 2019-02-19 | 阿里巴巴集团控股有限公司 | 清算渠道推荐方法及装置和电子设备 |
CN110890972A (zh) * | 2018-09-07 | 2020-03-17 | 中国移动通信集团浙江有限公司 | 一种业务系统的健康度评估方法及装置 |
CN109377260A (zh) * | 2018-09-14 | 2019-02-22 | 江阴逐日信息科技有限公司 | 面向服装行业的用户行为分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111611478A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611478B (zh) | 信息推荐方法、装置和电子设备 | |
CN110119477B (zh) | 一种信息推送方法、装置和存储介质 | |
CN110705719B (zh) | 执行自动机器学习的方法和装置 | |
CN112199580B (zh) | 面向云计算和大数据定位的业务处理方法及人工智能平台 | |
CN111405030B (zh) | 一种消息推送方法、装置、电子设备和存储介质 | |
CN111125519B (zh) | 用户行为预测方法、装置、电子设备以及存储介质 | |
US11811708B2 (en) | Systems and methods for generating dynamic conversational responses using cluster-level collaborative filtering matrices | |
KR20210066754A (ko) | 연합 학습을 활용한 사용자 특성 분석을 위한 딥 러닝 모델 생성 방법 | |
US11809505B2 (en) | Method for pushing information, electronic device | |
CN111460384A (zh) | 策略的评估方法、装置和设备 | |
CN113015010A (zh) | 推送参数确定方法、装置、设备及计算机可读存储介质 | |
CN115983900A (zh) | 用户营销策略的构建方法、装置、设备、介质和程序产品 | |
Çiçek et al. | Smartphone power management based on ConvLSTM model | |
CN113919361A (zh) | 一种文本分类方法和装置 | |
CN117472511A (zh) | 容器资源监控方法、装置、计算机设备和存储介质 | |
CN113836388B (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN113378067A (zh) | 基于用户挖掘的消息推荐方法、设备、介质及程序产品 | |
CN115456273A (zh) | 一种用户行为预测方法、装置及设备 | |
CN112950258B (zh) | 活动分析方法、装置和电子设备 | |
CN112200602B (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
CN114448060A (zh) | 充电控制方法、充电控制装置、存储介质与电子设备 | |
CN115185606A (zh) | 业务配置参数的获得方法、装置、设备及存储介质 | |
CN114357242A (zh) | 基于召回模型的训练评估方法及装置、设备、存储介质 | |
CN114444698A (zh) | 信息推荐模型训练方法、装置、计算机设备和存储介质 | |
CN116776160B (zh) | 一种数据处理方法和相关装置 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40036406 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |