CN111681743A - 业务对象推荐方法、系统及装置 - Google Patents
业务对象推荐方法、系统及装置 Download PDFInfo
- Publication number
- CN111681743A CN111681743A CN202010388412.2A CN202010388412A CN111681743A CN 111681743 A CN111681743 A CN 111681743A CN 202010388412 A CN202010388412 A CN 202010388412A CN 111681743 A CN111681743 A CN 111681743A
- Authority
- CN
- China
- Prior art keywords
- sub
- business
- service
- recommendation
- acquiring
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
Abstract
本发明涉及数据处理技术领域,具体提供了一种业务对象推荐方法、系统及装置,旨在解决如何基于物品大数据信息更精准地定位目标业务对象,进而为目标业务对象提供准确的推荐信息的技术问题。为此目的,本发明是根据目标物品类型的历史业务数据获取目标业务对象,在获取到目标业务对象之后,基于预设的分类模型并根据目标业务对象中的每个子对象以及相应的子对象特征,分析每个子对象是否为潜在推荐子对象。在上述目标业务对象的获取步骤以及潜在推荐子对象的分析步骤中,分别通过对目标业务对象的大数据分析以及对子对象的大数据分析来实现,基于大数据分析结果能够更加准确与快速地定位目标业务对象以及目标业务对象内的子对象。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种业务对象推荐方法、系统及装置。
背景技术
通常,业务人员可以通过线下访问业务对象的方式实现与业务对象的信息交互如向业务对象提供需要物品的信息或获取业务对象使用物品的反馈信息等。目前传统方式主要是业务人员根据业务需求采用手动搜索的方法对业务访问系统中存储的所有业务对象的信息进行逐一筛选以确定对应的目标业务对象,然后对目标业务对象进行业务访问,将要推荐的数据信息提供给目标业务对象。然而当业务访问系统中存储的业务对象信息数据量较大时,不仅需要耗费较长时间进行筛选,还会极大降低目标业务对象的准确性,因而也就无法将数据信息精准地提供给潜在的业务对象。
发明内容
为了克服上述缺陷,提出了本发明,以提供解决或至少部分地解决如何基于海量大数据信息更精准地定位目标业务对象,进而为目标业务对象提供准确的推荐信息的问题的业务对象推荐方法、系统及装置。
第一方面,提供一种业务对象推荐方法,该方法包括:
获取物品业务需求中目标物品类型的历史业务数据,判断当前业务对象中是否存在与所述历史业务数据关联的业务对象并且根据判断结果获取目标业务对象;获取所述目标业务对象中的每个子对象以及相应的子对象特征;基于预设的分类模型并根据所述每个子对象各自对应的子对象特征,分析每个子对象是否为潜在推荐子对象并根据分析结果输出推荐信息;其中,所述目标物品类型包括物品品牌和功能。
在上述业务对象推荐方法的一个技术方案中,当所述当前业务对象中存在与所述历史业务数据关联的业务对象时,“根据判断结果获取目标业务对象”的步骤具体包括:获取预设关键对象特征集中的关键对象特征;基于预设的第一特征与第一权重之间的对应关系,分别获取所述当前业务对象中每个业务对象各自对应的每个关键对象特征的第一权重;根据所述每个业务对象各自对应的每个关键对象特征的第一权重分别进行加权和计算,得到每个业务对象各自对应的第一评分值;按照评分值由大至小的顺序对第一评分值进行排序,获取顺序值小于预设第一阈值的第一评分值以及相应的业务对象并将所述业务对象作为目标业务对象。
在上述业务对象推荐方法的一个技术方案中,所述关键对象特征集的获取方法包括:获取预设的关联业务对象集中的关联业务对象;获取每个关联业务对象各自对应的历史业务数据以及对象特征,根据所述历史业务数据与对象特征进行最大业务数据预测,根据预测结果获取最大业务数据预测值对应的对象特征以及相应的权重;将所述对象特征作为关键对象特征,根据所述关键对象特征构建所述关键对象特征集并且根据所述关键对象特征以及相应的权重建立所述预设的第一特征与第一权重之间的对应关系;其中,所述关联业务对象是与所述历史业务数据关联的业务对象。
在上述业务对象推荐方法的一个技术方案中,所述关键对象特征集的获取方法还包括:获取每个潜在推荐子对象的业务反馈信息,所述业务反馈信息包括业务成功信息和业务失败信息;获取所述业务成功信息对应的潜在推荐子对象所属的目标业务对象,根据所述目标业务对象对所述预设的关联业务对象集进行数据更新。
在上述业务对象推荐方法的一个技术方案中,当所述当前业务对象中不存在与所述历史业务数据关联的业务对象时,“根据判断结果获取目标业务对象”的步骤具体包括:获取在每个预设的业务区域内其他物品类型的历史业务数据以及目标物品类型的市场容量预测值;其中,所述其他物品类型与所述目标物品类型中的物品品牌不同且功能相同;根据所述其他物品类型的历史业务数据以及目标物品类型的市场容量预测值之间的差值,获取目标业务区域;获取所述目标业务区域内每个业务对象各自对应的对象特征,基于预设的第二特征与第二权重之间的对应关系,获取每个对象特征各自对应的第二权重;根据每个业务对象各自对应的对象特征的第二权重分别进行加权和计算,得到每个业务对象各自对应的第二评分值;按照评分值由大至小的顺序对第二评分值进行排序,获取顺序值小于预设第二阈值的第二评分值以及相应的业务对象并将所述业务对象作为目标业务对象。
在上述业务对象推荐方法的一个技术方案中,当所述当前业务对象中不存在与所述历史业务数据关联的业务对象时,“根据判断结果获取目标业务对象”的步骤具体包括:获取每个子对象各自对应的子对象特征,基于预设的子对象特征与权重之间的对应关系,获取每个子对象特征各自对应的权重;根据每个子对象各自对应的子对象特征的权重分别进行加权和计算,得到每个子对象各自对应的第三评分值;按照评分值由大至小的顺序对第三评分值进行排序,获取顺序值小于预设第三阈值的第三评分值以及相应的子对象并将所述子对象所属的业务对象作为目标业务对象。
在上述业务对象推荐方法的一个技术方案中,所述预设的分类模型的模型训练方法包括:获取预设训练集中的数据样本,所述数据样本包括正样本和负样本,所述正样本包括与所述目标物品类型的历史业务数据关联的子对象以及每个子对象各自对应的子对象特征,所述负样本包括与所述目标物品类型的历史业务数据没有关联的子对象以及每个子对象各自对应的子对象特征;分别对所述正样本与负样本中的子对象特征进行聚类分析,根据聚类分析结果获取所述正样本中子对象的第一子对象群体特征以及所述负样本中子对象的第二子对象群体特征;基于所述第一子对象群体特征、第二子对象群体特征并利用机器学习算法对所述分类模型进行模型训练。
在上述业务对象推荐方法的一个技术方案中,所述模型训练方法还包括:获取每个潜在推荐子对象的业务反馈信息,所述业务反馈信息包括业务成功信息和业务失败信息;获取所述业务成功信息对应的潜在推荐子对象以及相应的子对象特征并且根据获取到的潜在推荐子对象以及相应的子对象特征对所述预设训练集中的正样本进行数据更新;获取所述业务失败信息对应的潜在推荐子对象以及相应的子对象特征并且根据获取到的潜在推荐子对象以及相应的子对象特征对所述预设训练集中的负样本进行数据更新。
在上述业务对象推荐方法的一个技术方案中,“根据分析结果输出推荐信息”的具体步骤包括:根据所述预设的分类模型的输出结果获取每个潜在推荐子对象各自对应的子对象特征的权重;根据潜在推荐子对象各自对应的子对象特征的权重分别进行加权和计算,得到每个潜在推荐子对象各自对应的第四评分值;根据每个潜在推荐子对象各自对应的第四评分值输出推荐信息。
在上述业务对象推荐方法的一个技术方案中,“根据分析结果输出推荐信息”的具体步骤包括:获取潜在推荐子对象访问过的文献以及访问行为;根据所述文献与所述访问行为分析所述潜在推荐子对象的兴趣偏好;根据所述兴趣偏好输出文献推荐信息;其中,所述访问行为包括阅读、和/或转载、和/或收藏、和/或评论。
在上述业务对象推荐方法的一个技术方案中,在“根据分析结果输出推荐信息”的步骤之后,所述方法还包括:根据下式所示的方法计算并输出每个潜在推荐子对象各自对应的访问得分,以便能够根据所述访问得分选择当日访问的潜在推荐子对象:N=N1×N2+N3+N4+N5;其中,所述N是访问得分,所述N1是潜在推荐子对象所属业务对象的等级得分,所述N2是潜在推荐子对象的等级得分,所述N3是潜在推荐子对象的活跃度,所述N4是潜在推荐子对象的兴趣系数,所述N5是潜在推荐子对象的丢失系数。
在上述业务对象推荐方法的一个技术方案中,所述方法还包括:获取所述潜在推荐子对象所属业务对象的业务数据预测值和历史业务数据,根据所述业务数据预测值与历史业务数据确定所述业务对象的等级得分N1;获取所述潜在推荐子对象的属性信息,根据所述属性信息确定所述潜在推荐子对象的等级得分N2;所述属性信息包括职位等级和/或与所述目标物品类型中功能对应的用户数量;获取所述潜在推荐子对象的访问反馈信息以及所述潜在推荐子对象根据接收到的推荐信息反馈的推荐反馈信息,根据所述访问反馈信息与所述推荐反馈信息确定所述潜在推荐子对象的活跃度N3;所述推荐信息包括文献推荐信息和/或会议推荐信息;获取所述潜在推荐子对象的访问反馈信息和/或工作状态信息,根据所述访问反馈信息和/或工作状态信息确定所述潜在推荐子对象的兴趣系数N4;获取所述潜在推荐子对象的历史访问时间,根据所述历史访问时间确定所述潜在推荐子对象的丢失系数N5。
第二方案,提供一种业务对象推荐系统,所述系统包括:
目标业务对象获取装置,其被配置成获取物品业务需求中目标物品类型的历史业务数据,判断当前业务对象中是否存在与所述历史业务数据关联的业务对象并且根据判断结果获取目标业务对象;
子对象获取装置,其被配置成获取所述目标业务对象中的每个子对象以及相应的子对象特征;
子对象推荐装置,其被配置成基于预设的分类模型并根据所述每个子对象各自对应的子对象特征,分析每个子对象是否为潜在推荐子对象并根据分析结果输出推荐信息;
其中,所述目标物品类型包括物品品牌和功能。
在上述业务对象推荐系统的一个技术方案中,还包括:所述目标业务对象获取装置被配置成当所述当前业务对象中存在与所述历史业务数据关联的业务对象时执行以下操作:获取预设关键对象特征集中的关键对象特征;基于预设的第一特征与第一权重之间的对应关系,分别获取所述当前业务对象中每个业务对象各自对应的每个关键对象特征的第一权重;根据所述每个业务对象各自对应的每个关键对象特征的第一权重分别进行加权和计算,得到每个业务对象各自对应的第一评分值;按照评分值由大至小的顺序对第一评分值进行排序,获取顺序值小于预设第一阈值的第一评分值以及相应的业务对象并将所述业务对象作为目标业务对象。
在上述业务对象推荐系统的一个技术方案中,所述目标业务对象获取装置包括关键对象特征集获取模块,所述关键对象特征集获取模块被配置成执行以下操作:获取预设的关联业务对象集中的关联业务对象;获取每个关联业务对象各自对应的历史业务数据以及对象特征,根据所述历史业务数据与对象特征进行最大业务数据预测,根据预测结果获取最大业务数据预测值对应的对象特征以及相应的权重;将所述对象特征作为关键对象特征,根据所述关键对象特征构建所述关键对象特征集并且根据所述关键对象特征以及相应的权重建立所述预设的第一特征与第一权重之间的对应关系;其中,所述关联业务对象是与所述历史业务数据关联的业务对象。
在上述业务对象推荐系统的一个技术方案中,还包括:所述关键对象特征集获取模块被配置成执行以下操作:获取每个潜在推荐子对象的业务反馈信息,所述业务反馈信息包括业务成功信息和业务失败信息;获取所述业务成功信息对应的潜在推荐子对象所属的目标业务对象,根据所述目标业务对象对所述预设的关联业务对象集进行数据更新。
在上述业务对象推荐系统的一个技术方案中,还包括:所述目标业务对象获取装置被配置成当所述当前业务对象中不存在与所述历史业务数据关联的业务对象时执行以下操作:获取在每个预设的业务区域内其他物品类型的历史业务数据以及目标物品类型的市场容量预测值;其中,所述其他物品类型与所述目标物品类型中的物品品牌不同且功能相同;根据所述其他物品类型的历史业务数据以及目标物品类型的市场容量预测值之间的差值,获取目标业务区域;获取所述目标业务区域内每个业务对象各自对应的对象特征,基于预设的第二特征与第二权重之间的对应关系,获取每个对象特征各自对应的第二权重;根据每个业务对象各自对应的对象特征的第二权重分别进行加权和计算,得到每个业务对象各自对应的第二评分值;按照评分值由大至小的顺序对第二评分值进行排序,获取顺序值小于预设第二阈值的第二评分值以及相应的业务对象并将所述业务对象作为目标业务对象。
在上述业务对象推荐系统的一个技术方案中,还包括:所述目标业务对象获取装置被配置成当所述当前业务对象中不存在与所述历史业务数据关联的业务对象时执行以下操作:获取每个子对象各自对应的子对象特征,基于预设的子对象特征与权重之间的对应关系,获取每个子对象特征各自对应的权重;根据每个子对象各自对应的子对象特征的权重分别进行加权和计算,得到每个子对象各自对应的第三评分值;按照评分值由大至小的顺序对第三评分值进行排序,获取顺序值小于预设第三阈值的第三评分值以及相应的子对象并将所述子对象所属的业务对象作为目标业务对象。
在上述业务对象推荐系统的一个技术方案中,所述系统还包括所述预设的分类模型的模型训练装置,所述模型训练装置被配置成执行以下操作:获取预设训练集中的数据样本,所述数据样本包括正样本和负样本,所述正样本包括与所述目标物品类型的历史业务数据关联的子对象以及每个子对象各自对应的子对象特征,所述负样本包括与所述目标物品类型的历史业务数据没有关联的子对象以及每个子对象各自对应的子对象特征;分别对所述正样本与负样本中的子对象特征进行聚类分析,根据聚类分析结果获取所述正样本中子对象的第一子对象群体特征以及所述负样本中子对象的第二子对象群体特征;基于所述第一子对象群体特征、第二子对象群体特征并利用机器学习算法对所述分类模型进行模型训练。
在上述业务对象推荐系统的一个技术方案中,还包括:所述模型训练装置被配置成执行以下操作:获取每个潜在推荐子对象的业务反馈信息,所述业务反馈信息包括业务成功信息和业务失败信息;获取所述业务成功信息对应的潜在推荐子对象以及相应的子对象特征并且根据获取到的潜在推荐子对象以及相应的子对象特征对所述预设训练集中的正样本进行数据更新;获取所述业务失败信息对应的潜在推荐子对象以及相应的子对象特征并且根据获取到的潜在推荐子对象以及相应的子对象特征对所述预设训练集中的负样本进行数据更新。
在上述业务对象推荐系统的一个技术方案中,还包括:所述子对象推荐装置被配置成执行以下操作:根据所述预设的分类模型的输出结果获取每个潜在推荐子对象各自对应的子对象特征的权重;根据潜在推荐子对象各自对应的子对象特征的权重分别进行加权和计算,得到每个潜在推荐子对象各自对应的第四评分值;根据每个潜在推荐子对象各自对应的第四评分值输出推荐信息。
在上述业务对象推荐系统的一个技术方案中,还包括:所述子对象推荐装置被配置成执行以下操作:获取潜在推荐子对象访问过的文献以及访问行为;根据所述文献与所述访问行为分析所述潜在推荐子对象的兴趣偏好;根据所述兴趣偏好输出文献推荐信息;其中,所述访问行为包括阅读、和/或转载、和/或收藏、和/或评论。
在上述业务对象推荐系统的一个技术方案中,所述系统还包括潜在推荐子对象的访问评分装置,所述潜在推荐子对象的访问评分装置被配置成执行以下操作:根据下式所示的方法计算并输出每个潜在推荐子对象各自对应的访问得分,以便能够根据所述访问得分选择当日访问的潜在推荐子对象:N=N1×N2+N3+N4+N5;其中,所述N是访问得分,所述N1是潜在推荐子对象所属业务对象的等级得分,所述N2是潜在推荐子对象的等级得分,所述N3是潜在推荐子对象的活跃度,所述N4是潜在推荐子对象的兴趣系数,所述N5是潜在推荐子对象的丢失系数。
在上述业务对象推荐系统的一个技术方案中,还包括:所述潜在推荐子对象的访问评分装置被配置成执行以下操作:获取所述潜在推荐子对象所属业务对象的业务数据预测值和历史业务数据,根据所述业务数据预测值与历史业务数据确定所述业务对象的等级得分N1;获取所述潜在推荐子对象的属性信息,根据所述属性信息确定所述潜在推荐子对象的等级得分N2;所述属性信息包括职位等级和/或与所述目标物品类型中功能对应的用户数量;获取所述潜在推荐子对象的访问反馈信息以及所述潜在推荐子对象根据接收到的推荐信息反馈的推荐反馈信息,根据所述访问反馈信息与所述推荐反馈信息确定所述潜在推荐子对象的活跃度N3;所述推荐信息包括文献推荐信息和/或会议推荐信息;获取所述潜在推荐子对象的访问反馈信息和/或工作状态信息,根据所述访问反馈信息和/或工作状态信息确定所述潜在推荐子对象的兴趣系数N4;获取所述潜在推荐子对象的历史访问时间,根据所述历史访问时间确定所述潜在推荐子对象的丢失系数N5。
第三方面,提供一种存储装置,其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述任一项技术方案所述的业务对象推荐方法。
第四方面,提供一种控制装置,包括处理器和存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行上述任一项技术方案所述的业务对象推荐方法。
方案1、一种业务对象推荐方法,其特征在于,所述方法包括:
获取物品业务需求中目标物品类型的历史业务数据,判断当前业务对象中是否存在与所述历史业务数据关联的业务对象并且根据判断结果获取目标业务对象;
获取所述目标业务对象中的每个子对象以及相应的子对象特征;
基于预设的分类模型并根据所述每个子对象各自对应的子对象特征,分析每个子对象是否为潜在推荐子对象并根据分析结果输出推荐信息;
其中,所述目标物品类型包括物品品牌和功能。
方案2、根据方案1所述的业务对象推荐方法,其特征在于,当所述当前业务对象中存在与所述历史业务数据关联的业务对象时,“根据判断结果获取目标业务对象”的步骤具体包括:
获取预设关键对象特征集中的关键对象特征;
基于预设的第一特征与第一权重之间的对应关系,分别获取所述当前业务对象中每个业务对象各自对应的每个关键对象特征的第一权重;
根据所述每个业务对象各自对应的每个关键对象特征的第一权重分别进行加权和计算,得到每个业务对象各自对应的第一评分值;按照评分值由大至小的顺序对第一评分值进行排序,获取顺序值小于预设第一阈值的第一评分值以及相应的业务对象并将所述业务对象作为目标业务对象。
方案3、根据方案2所述的业务对象推荐方法,其特征在于,所述关键对象特征集的获取方法包括:
获取预设的关联业务对象集中的关联业务对象;
获取每个关联业务对象各自对应的历史业务数据以及对象特征,根据所述历史业务数据与对象特征进行最大业务数据预测,根据预测结果获取最大业务数据预测值对应的对象特征以及相应的权重;
将所述对象特征作为关键对象特征,根据所述关键对象特征构建所述关键对象特征集并且根据所述关键对象特征以及相应的权重建立所述预设的第一特征与第一权重之间的对应关系;
其中,所述关联业务对象是与所述历史业务数据关联的业务对象。
方案4、根据方案3所述的业务对象推荐方法,其特征在于,所述关键对象特征集的获取方法还包括:
获取每个潜在推荐子对象的业务反馈信息,所述业务反馈信息包括业务成功信息和业务失败信息;
获取所述业务成功信息对应的潜在推荐子对象所属的目标业务对象,根据所述目标业务对象对所述预设的关联业务对象集进行数据更新。
方案5、根据方案1所述的业务对象推荐方法,其特征在于,当所述当前业务对象中不存在与所述历史业务数据关联的业务对象时,“根据判断结果获取目标业务对象”的步骤具体包括:
获取在每个预设的业务区域内其他物品类型的历史业务数据以及目标物品类型的市场容量预测值;其中,所述其他物品类型与所述目标物品类型中的物品品牌不同且功能相同;
根据所述其他物品类型的历史业务数据以及目标物品类型的市场容量预测值之间的差值,获取目标业务区域;
获取所述目标业务区域内每个业务对象各自对应的对象特征,基于预设的第二特征与第二权重之间的对应关系,获取每个对象特征各自对应的第二权重;
根据每个业务对象各自对应的对象特征的第二权重分别进行加权和计算,得到每个业务对象各自对应的第二评分值;按照评分值由大至小的顺序对第二评分值进行排序,获取顺序值小于预设第二阈值的第二评分值以及相应的业务对象并将所述业务对象作为目标业务对象。
方案6、根据方案1所述的业务对象推荐方法,其特征在于,当所述当前业务对象中不存在与所述历史业务数据关联的业务对象时,“根据判断结果获取目标业务对象”的步骤具体包括:
获取每个子对象各自对应的子对象特征,基于预设的子对象特征与权重之间的对应关系,获取每个子对象特征各自对应的权重;
根据每个子对象各自对应的子对象特征的权重分别进行加权和计算,得到每个子对象各自对应的第三评分值;按照评分值由大至小的顺序对第三评分值进行排序,获取顺序值小于预设第三阈值的第三评分值以及相应的子对象并将所述子对象所属的业务对象作为目标业务对象。
方案7、根据方案1所述的业务对象推荐方法,其特征在于,所述预设的分类模型的模型训练方法包括:
获取预设训练集中的数据样本,所述数据样本包括正样本和负样本,所述正样本包括与所述目标物品类型的历史业务数据关联的子对象以及每个子对象各自对应的子对象特征,所述负样本包括与所述目标物品类型的历史业务数据没有关联的子对象以及每个子对象各自对应的子对象特征;
分别对所述正样本与负样本中的子对象特征进行聚类分析,根据聚类分析结果获取所述正样本中子对象的第一子对象群体特征以及所述负样本中子对象的第二子对象群体特征;
基于所述第一子对象群体特征、第二子对象群体特征并利用机器学习算法对所述分类模型进行模型训练。
方案8、根据方案7所述的业务对象推荐方法,其特征在于,所述模型训练方法还包括:
获取每个潜在推荐子对象的业务反馈信息,所述业务反馈信息包括业务成功信息和业务失败信息;
获取所述业务成功信息对应的潜在推荐子对象以及相应的子对象特征并且根据获取到的潜在推荐子对象以及相应的子对象特征对所述预设训练集中的正样本进行数据更新;
获取所述业务失败信息对应的潜在推荐子对象以及相应的子对象特征并且根据获取到的潜在推荐子对象以及相应的子对象特征对所述预设训练集中的负样本进行数据更新。
方案9、根据方案1所述的业务对象推荐方法,其特征在于,“根据分析结果输出推荐信息”的具体步骤包括:
根据所述预设的分类模型的输出结果获取每个潜在推荐子对象各自对应的子对象特征的权重;
根据潜在推荐子对象各自对应的子对象特征的权重分别进行加权和计算,得到每个潜在推荐子对象各自对应的第四评分值;
根据每个潜在推荐子对象各自对应的第四评分值输出推荐信息。
方案10、根据方案1所述的业务对象推荐方法,其特征在于,“根据分析结果输出推荐信息”的具体步骤包括:
获取潜在推荐子对象访问过的文献以及访问行为;
根据所述文献与所述访问行为分析所述潜在推荐子对象的兴趣偏好;
根据所述兴趣偏好输出文献推荐信息;
其中,所述访问行为包括阅读、和/或转载、和/或收藏、和/或评论。
方案11、根据方案1所述的业务对象推荐方法,其特征在于,在“根据分析结果输出推荐信息”的步骤之后,所述方法还包括:
根据下式所示的方法计算并输出每个潜在推荐子对象各自对应的访问得分,以便能够根据所述访问得分选择当日访问的潜在推荐子对象:
N=N1×N2+N3+N4+N5
其中,所述N是访问得分,所述N1是潜在推荐子对象所属业务对象的等级得分,所述N2是潜在推荐子对象的等级得分,所述N3是潜在推荐子对象的活跃度,所述N4是潜在推荐子对象的兴趣系数,所述N5是潜在推荐子对象的丢失系数。
方案12、根据方案11所述的业务对象推荐方法,其特征在于,所述方法还包括:
获取所述潜在推荐子对象所属业务对象的业务数据预测值和历史业务数据,根据所述业务数据预测值与历史业务数据确定所述业务对象的等级得分N1;
获取所述潜在推荐子对象的属性信息,根据所述属性信息确定所述潜在推荐子对象的等级得分N2;所述属性信息包括职位等级和/或与所述目标物品类型中功能对应的用户数量;
获取所述潜在推荐子对象的访问反馈信息以及所述潜在推荐子对象根据接收到的推荐信息反馈的推荐反馈信息,根据所述访问反馈信息与所述推荐反馈信息确定所述潜在推荐子对象的活跃度N3;所述推荐信息包括文献推荐信息和/或会议推荐信息;
获取所述潜在推荐子对象的访问反馈信息和/或工作状态信息,根据所述访问反馈信息和/或工作状态信息确定所述潜在推荐子对象的兴趣系数N4;
获取所述潜在推荐子对象的历史访问时间,根据所述历史访问时间确定所述潜在推荐子对象的丢失系数N5。
方案13、一种业务对象推荐系统,其特征在于,所述系统包括:
目标业务对象获取装置,其被配置成获取物品业务需求中目标物品类型的历史业务数据,判断当前业务对象中是否存在与所述历史业务数据关联的业务对象并且根据判断结果获取目标业务对象;
子对象获取装置,其被配置成获取所述目标业务对象中的每个子对象以及相应的子对象特征;
子对象推荐装置,其被配置成基于预设的分类模型并根据所述每个子对象各自对应的子对象特征,分析每个子对象是否为潜在推荐子对象并根据分析结果输出推荐信息;
其中,所述目标物品类型包括物品品牌和功能。
方案14、根据方案1所述的业务对象推荐系统,其特征在于,还包括:
所述目标业务对象获取装置被配置成当所述当前业务对象中存在与所述历史业务数据关联的业务对象时执行以下操作:
获取预设关键对象特征集中的关键对象特征;
基于预设的第一特征与第一权重之间的对应关系,分别获取所述当前业务对象中每个业务对象各自对应的每个关键对象特征的第一权重;
根据所述每个业务对象各自对应的每个关键对象特征的第一权重分别进行加权和计算,得到每个业务对象各自对应的第一评分值;按照评分值由大至小的顺序对第一评分值进行排序,获取顺序值小于预设第一阈值的第一评分值以及相应的业务对象并将所述业务对象作为目标业务对象。
方案15、根据方案14所述的业务对象推荐系统,其特征在于,所述目标业务对象获取装置包括关键对象特征集获取模块,所述关键对象特征集获取模块被配置成执行以下操作:
获取预设的关联业务对象集中的关联业务对象;
获取每个关联业务对象各自对应的历史业务数据以及对象特征,根据所述历史业务数据与对象特征进行最大业务数据预测,根据预测结果获取最大业务数据预测值对应的对象特征以及相应的权重;
将所述对象特征作为关键对象特征,根据所述关键对象特征构建所述关键对象特征集并且根据所述关键对象特征以及相应的权重建立所述预设的第一特征与第一权重之间的对应关系;
其中,所述关联业务对象是与所述历史业务数据关联的业务对象。
方案16、根据方案15所述的业务对象推荐系统,其特征在于,还包括:所述关键对象特征集获取模块被配置成执行以下操作:
获取每个潜在推荐子对象的业务反馈信息,所述业务反馈信息包括业务成功信息和业务失败信息;
获取所述业务成功信息对应的潜在推荐子对象所属的目标业务对象,根据所述目标业务对象对所述预设的关联业务对象集进行数据更新。
方案17、根据方案13所述的业务对象推荐系统,其特征在于,还包括:所述目标业务对象获取装置被配置成当所述当前业务对象中不存在与所述历史业务数据关联的业务对象时执行以下操作:
获取在每个预设的业务区域内其他物品类型的历史业务数据以及目标物品类型的市场容量预测值;其中,所述其他物品类型与所述目标物品类型中的物品品牌不同且功能相同;
根据所述其他物品类型的历史业务数据以及目标物品类型的市场容量预测值之间的差值,获取目标业务区域;
获取所述目标业务区域内每个业务对象各自对应的对象特征,基于预设的第二特征与第二权重之间的对应关系,获取每个对象特征各自对应的第二权重;
根据每个业务对象各自对应的对象特征的第二权重分别进行加权和计算,得到每个业务对象各自对应的第二评分值;按照评分值由大至小的顺序对第二评分值进行排序,获取顺序值小于预设第二阈值的第二评分值以及相应的业务对象并将所述业务对象作为目标业务对象。
方案18、根据方案13所述的业务对象推荐系统,其特征在于,还包括:所述目标业务对象获取装置被配置成当所述当前业务对象中不存在与所述历史业务数据关联的业务对象时执行以下操作:
获取每个子对象各自对应的子对象特征,基于预设的子对象特征与权重之间的对应关系,获取每个子对象特征各自对应的权重;
根据每个子对象各自对应的子对象特征的权重分别进行加权和计算,得到每个子对象各自对应的第三评分值;按照评分值由大至小的顺序对第三评分值进行排序,获取顺序值小于预设第三阈值的第三评分值以及相应的子对象并将所述子对象所属的业务对象作为目标业务对象。
方案19、根据方案13所述的业务对象推荐系统,其特征在于,所述系统还包括所述预设的分类模型的模型训练装置,所述模型训练装置被配置成执行以下操作:
获取预设训练集中的数据样本,所述数据样本包括正样本和负样本,所述正样本包括与所述目标物品类型的历史业务数据关联的子对象以及每个子对象各自对应的子对象特征,所述负样本包括与所述目标物品类型的历史业务数据没有关联的子对象以及每个子对象各自对应的子对象特征;
分别对所述正样本与负样本中的子对象特征进行聚类分析,根据聚类分析结果获取所述正样本中子对象的第一子对象群体特征以及所述负样本中子对象的第二子对象群体特征;
基于所述第一子对象群体特征、第二子对象群体特征并利用机器学习算法对所述分类模型进行模型训练。
方案20、根据方案19所述的业务对象推荐系统,其特征在于,还包括:所述模型训练装置被配置成执行以下操作:
获取每个潜在推荐子对象的业务反馈信息,所述业务反馈信息包括业务成功信息和业务失败信息;
获取所述业务成功信息对应的潜在推荐子对象以及相应的子对象特征并且根据获取到的潜在推荐子对象以及相应的子对象特征对所述预设训练集中的正样本进行数据更新;
获取所述业务失败信息对应的潜在推荐子对象以及相应的子对象特征并且根据获取到的潜在推荐子对象以及相应的子对象特征对所述预设训练集中的负样本进行数据更新。
方案21、根据方案13所述的业务对象推荐系统,其特征在于,还包括:所述子对象推荐装置被配置成执行以下操作:
根据所述预设的分类模型的输出结果获取每个潜在推荐子对象各自对应的子对象特征的权重;
根据潜在推荐子对象各自对应的子对象特征的权重分别进行加权和计算,得到每个潜在推荐子对象各自对应的第四评分值;
根据每个潜在推荐子对象各自对应的第四评分值输出推荐信息。
方案22、根据方案13所述的业务对象推荐系统,其特征在于,还包括:所述子对象推荐装置被配置成执行以下操作:
获取潜在推荐子对象访问过的文献以及访问行为;
根据所述文献与所述访问行为分析所述潜在推荐子对象的兴趣偏好;
根据所述兴趣偏好输出文献推荐信息;
其中,所述访问行为包括阅读、和/或转载、和/或收藏、和/或评论。
方案23、根据方案13所述的业务对象推荐系统,其特征在于,所述系统还包括潜在推荐子对象的访问评分装置,所述潜在推荐子对象的访问评分装置被配置成执行以下操作:
根据下式所示的方法计算并输出每个潜在推荐子对象各自对应的访问得分,以便能够根据所述访问得分选择当日访问的潜在推荐子对象:
N=N1×N2+N3+N4+N5
其中,所述N是访问得分,所述N1是潜在推荐子对象所属业务对象的等级得分,所述N2是潜在推荐子对象的等级得分,所述N3是潜在推荐子对象的活跃度,所述N4是潜在推荐子对象的兴趣系数,所述N5是潜在推荐子对象的丢失系数。
方案24、根据方案23所述的业务对象推荐系统,其特征在于,还包括:所述潜在推荐子对象的访问评分装置被配置成执行以下操作:
获取所述潜在推荐子对象所属业务对象的业务数据预测值和历史业务数据,根据所述业务数据预测值与历史业务数据确定所述业务对象的等级得分N1;
获取所述潜在推荐子对象的属性信息,根据所述属性信息确定所述潜在推荐子对象的等级得分N2;所述属性信息包括职位等级和/或与所述目标物品类型中功能对应的用户数量;
获取所述潜在推荐子对象的访问反馈信息以及所述潜在推荐子对象根据接收到的推荐信息反馈的推荐反馈信息,根据所述访问反馈信息与所述推荐反馈信息确定所述潜在推荐子对象的活跃度N3;所述推荐信息包括文献推荐信息和/或会议推荐信息;
获取所述潜在推荐子对象的访问反馈信息和/或工作状态信息,根据所述访问反馈信息和/或工作状态信息确定所述潜在推荐子对象的兴趣系数N4;
获取所述潜在推荐子对象的历史访问时间,根据所述历史访问时间确定所述潜在推荐子对象的丢失系数N5。
方案25、一种存储装置,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行方案1至12中任一项所述的业务对象推荐方法。
方案26、一种控制装置,包括处理器和存储装置,所述存储装置适于存储多条程序代码,其特征在于,所述程序代码适于由所述处理器加载并运行以执行方案1至12中任一项所述的业务对象推荐方法。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
在实施本发明的技术方案中,可以基于繁杂庞大的物品数据信息例如药品的大数据信息,更精准地定位目标业务对象,进而为目标业务对象提供正确的推荐信息。具体而言,可以根据目标物品类型的历史业务数据,判断当前业务对象中是否存在与历史业务数据关联的业务对象,进而根据判断结果获取目标业务对象。进一步,在获取到目标业务对象之后,基于预设的分类模型并根据目标业务对象中的每个子对象以及相应的子对象特征,分析每个子对象是否为潜在推荐子对象。在上述目标业务对象的获取步骤以及潜在推荐子对象的分析步骤中,分别通过对目标业务对象的大数据分析以及对子对象的大数据分析来实现,基于大数据分析结果能够更加准确与快速地定位目标业务对象以及目标业务对象内的子对象,避免了现有技术中由于对业务对象进行手动筛选导致的耗时长以及准确性低的问题。
在实施本发明的技术方案中,在得到潜在推荐子对象之后还可以根据潜在推荐子对象访问过的文献以及访问行为来分析潜在推荐子对象的兴趣偏好,进而根据兴趣偏好结果输出文献推荐信息和/或会议推荐信息,以便业务人员能够通过阅读文献推荐信息指定的文献来进一步分析潜在推荐子对象的潜在需求,以及有利于潜在推荐子对象能够及时获知自己感兴趣的文献和/或会议。
在实施本发明的技术方案中,在得到潜在推荐子对象之后还可以计算每个潜在推荐子对象各自对应的访问得分,有利于业务人员能够根据访问得分选择当日访问的最佳潜在推荐子对象。
附图说明
下面参照附图来描述本发明的具体实施方式,附图中:
图1是根据本发明的一个实施例的业务对象推荐方法主要步骤流程示意图;
图2是根据本发明的一个实施例的业务对象推荐系统的主要结构示意图;
附图标记列表:
11:目标业务对象获取装置;12:子对象获取装置;13:子对象推荐装置。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
在本发明的描述中,“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路,各种合适的感应器,通信端口,存储器,也可以包括软件部分,比如程序代码,也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合,比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似,可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“某个”也可以包含复数形式。
现有技术中常规的数据信息推荐方法主要是业务人员采用手动筛选的方法并根据业务需求对数据库中存储的所有业务对象进行逐一筛选,确定目标业务对象,然后将要推荐的数据信息提供给目标业务对象。但是,当业务对象的数据量很大时,这种方法不仅需要耗费较长的时间,还会极大降低目标业务对象的准确性,因而无法将数据信息精准地提供给潜在的业务对象。
在本发明实施例中可以基于海量物品数据信息例如药品的大数据信息更精准地定位目标业务对象,进而为目标业务对象提供正确的推荐信息。具体而言,根据本发明的一个实施例的业务对象推荐方法,可以根据目标物品类型的历史业务数据,判断当前业务对象中是否存在与历史业务数据关联的业务对象,进而根据判断结果获取目标业务对象。进一步,在获取到目标业务对象之后,基于预设的分类模型并根据目标业务对象中的每个子对象以及相应的子对象特征,分析每个子对象是否为潜在推荐子对象。在上述目标业务对象的获取步骤以及潜在推荐子对象的分析步骤中,分别通过对目标业务对象的大数据分析以及对子对象的大数据分析来实现,基于大数据分析结果能够更加准确与快速地定位目标业务对象以及目标业务对象内的子对象,避免了现有技术中由于对业务对象进行手动筛选导致的耗时长以及准确性低的问题。
参阅附图1,图1是根据本发明的一个实施例的业务对象推荐方法的主要步骤流程示意图。此例子中以医药系统或者说海量繁琐的药品大数据信息为例子,说明如何利用本发明的方案实现为医院或医生需求的药品信息进行精准需求用户定位以及准确的信息推荐,如图1所示,本发明实施例中业务对象推荐方法主要包括以下步骤:
步骤S101:获取物品业务需求中目标物品类型的历史业务数据。
在本实施例中物品业务需求指的是执行某个物品业务的需求信息,物品业务需求中的目标物品类型可以包括物品品牌和功能。在一个实施方式中,物品可以是药品,物品业务需求可以是药品业务需求,指的是执行某个药品业务的需求信息,药品业务需求中的目标药品类型可以包括药品品牌和适应症。业务数据指的是成功执行某个物品例如药品业务后产生的业务数据。一个例子:药品业务是提供药品,目标药品类型中的药品品牌是以岭药业的通心络,相应的适应症包括冠心病、心绞痛、心肌缺血、心肌梗死等,则业务数据是以岭药业的通心络的供应量。
步骤S102:判断当前业务对象中是否存在与历史业务数据关联的业务对象并且根据判断结果获取目标业务对象。
在本实施例中业务对象指的是进行业务信息推荐的目标,以通过向该目标提供业务推荐信息来完成相应的物品业务。当前业务对象指的是当前时刻获取到的所有业务对象。
如果通过向某个业务对象提供业务推荐信息,成功完成了相应的物品业务,那么成功执行物品业务后产生的业务数据就与该业务对象存在关联关系,而“与历史业务数据关联的业务对象”指的就是与历史业务数据存在上述关联关系的业务对象。
在一个实施方式中,如果当前业务对象中存在与历史业务数据关联的业务对象,可以按照以下步骤获取目标业务对象:
步骤11:获取预设关键对象特征集中的关键对象特征。
在本实施例中对象特征指的是用于评估业务对象是否为目标业务对象的指标,而关键对象特征指的是根据历史业务数据从这些对象特征中筛选出的关键特征,利用关键对象特征确定目标业务对象,有利于对目标业务对象中的子对象进行精准定位。一个例子:如果物品可以是药品,物品业务需求可以是药品业务需求,业务对象是医院,关键对象特征就是用于评估该医院是否为目标医院的关键指标。在一个实施方式中,当业务对象是医院时,业务对象的对象特征包括但不限于:医院等级(例如:三级医院、二级医院等)、医院所在城市的级别(例如:一线城市、二线城市等)、是否为与历史业务数据关联的业务对象、目标药品类型对应的医院科室中的医生人数等等。
具体而言,可以按照以下步骤获取预设关键对象特征集:
步骤111:获取预设的关联业务对象集中的关联业务对象。其中,关联业务对象指的是与历史业务数据存在关联关系的业务对象。
步骤112:获取每个关联业务对象各自对应的历史业务数据以及对象特征,根据历史业务数据与对象特征进行最大业务数据预测,根据预测结果获取最大业务数据预测值对应的对象特征以及相应的权重。
在本实施例中可以利用机器学习技术领域中的回归算法如线性回归算法、决策树算法等来进行最大业务数据预测,根据预测结果选取最大业务数据预测值对应的对象特征以及相应的权重。
要说明的是,虽然本发明仅提供了利用回归算法进行最大业务数据预测这一具体实施方式,但是,本领域技术人员能够理解的是,本发明的保护范围显然不限于这一具体实施方式,在不改变本发明技术原理的前提下,可以采用其他能够根据业务对象的历史业务数据进行业务数据预测的算法来进行最大业务数据预测,这些特征的改变和/或替换都在本发明的保护范围之内。
步骤113:将步骤112得到的最大业务数据预测值对应的对象特征作为关键对象特征,根据获取到的所有关键对象特征构建关键对象特征集并且根据关键对象特征以及相应的权重建立第一特征与第一权重之间的对应关系。
步骤12:基于预设的第一特征与第一权重之间的对应关系,分别获取当前业务对象中每个业务对象各自对应的每个关键对象特征的第一权重。在本实施例中“预设的第一特征与第一权重之间的对应关系”指的是通过前述步骤111-步骤113建立的第一特征与第一权重之间的对应关系。
步骤13:根据每个业务对象各自对应的每个关键对象特征的第一权重分别进行加权和计算,得到每个业务对象各自对应的第一评分值;按照评分值由大至小的顺序对第一评分值进行排序,获取顺序值小于预设第一阈值的第一评分值以及相应的业务对象并将该业务对象作为目标业务对象。
一个例子:假设关键对象特征包括特征f1、特征f2和特征f3,业务对象包括对象Object1、对象Object2、对象Object3和对象Object4,对象Object1对应的特征f1-f3的第一权重分别是w11、w12和w13,对象Object2对应的特征f1-f3的第一权重分别是w21、w22和w23,对象Object3对应的特征f1-f3的第一权重分别是w31、w32和w33,对象Object4对应的特征f1-f3的第一权重分别是w41、w42和w43。预设第一阈值是3。首先根据下式(1)所示的方法分别对每个业务对象的第一权重进行加权和计算,得到第一评分值。然后按照评分值由大至小的顺序对第一评分值进行排序,获取将前两个第一评分值对应的业务对象作为目标业务对象。
Si1=wi1+wi2+wi3 (1)
公式(1)中各参数含义是:
Si1是第i个业务对象的第一评分值,wi1是第i个业务对象对应的特征f1的第一权重,wi2是第i个业务对象对应的特征f2的第一权重,wi3是第i个业务对象对应的特征f3的第一权重,i=1、2、3、4。
在一个实施方式中,如果当前业务对象中不存在与历史业务数据关联的业务对象,可以按照以下步骤获取目标业务对象:
步骤21:获取在每个预设的业务区域内其他物品类型的历史业务数据以及目标物品类型的市场容量预测值。其中,其他物品类型与目标物品类型中的物品品牌不同且功能相同。在一个实施方式中,如果物品是药品,物品业务需求是药品业务需求,则其他物品类型指的是其他药品类型,该其他药品类型与药品业务需求中的目标药品类型中的药品品牌不同且适应症相同。
在本实施例中预设的业务区域指的是按照预设的区域划分方法对地理区域进行划分后得到的业务区域。一个例子:预设的区域划分方法可以是按照省、城市或城镇等进行区域划分。
步骤22:根据其他物品类型的历史业务数据以及目标物品类型的市场容量预测值之间的差值,获取目标业务区域。
在本实施例中其他物品类型的历史业务数据,与前述步骤S101中所述的历史业务数据类似,为了描述简洁,在此不再赘述。目标物品类型的市场容量预测值指的是目标物品类型在每个业务区域内的容量预测值,该市场容量预测值可以从物品分析技术领域中常规的物品市场容量分析平台获取。
在本实施例中可以将最大差值对应的业务区域作为目标业务区域,也可以按照数值由大至小的顺序对差值进行排序,获取顺序值小于一定值的差值以及相应的业务区域并将该业务区域作为目标业务对象。
步骤23:获取目标业务区域内每个业务对象各自对应的对象特征,基于预设的第二特征与第二权重之间的对应关系,获取每个对象特征各自对应的第二权重。
本实施方式中的业务对象的对象特征,与前述实施方式中的业务对象的对象特征是类似的,为了描述简洁,在此不再赘述。
步骤24:根据每个业务对象各自对应的对象特征的第二权重分别进行加权和计算,得到每个业务对象各自对应的第二评分值;按照评分值由大至小的顺序对第二评分值进行排序,获取顺序值小于预设第二阈值的第二评分值以及相应的业务对象并将业务对象作为目标业务对象。
本实施方式中对第二权重进行加权和计算的方法,与前述实施方式中对第一权重进行加权和计算的方法是类似的,为了描述简洁,在此不再赘述。
在一个实施方式中,如果当前业务对象中不存在与历史业务数据关联的业务对象,可以按照以下步骤获取目标业务对象:
步骤31:获取每个子对象各自对应的子对象特征,基于预设的子对象特征与权重之间的对应关系,获取每个子对象特征各自对应的权重。
在本实施例中子对象特征指的是用于评估子对象是否为潜在推荐子对象的指标,利用子对象特征筛选出潜在推荐子对象,有利于对子对象进行精准定位。一个例子:如果业务对象是医院,子对象是医院内的医生,那么子对象特征就是用于评估该医院内的医生是否为潜在推荐医生的指标。在一个实施方式中,当子对象是医生时,子对象特征包括学术影响特征和诊疗影响特征。学术影响特征包括但不限于:学术头衔(例如:院士、长江学者等)、是否在学术期刊任职以及职位(例如:期刊总编、期刊副总编等)等等。诊疗影响特征包括但不限于:问诊量、医院等级(例如:三级医院、二级医院等)等等。
步骤32:根据每个子对象各自对应的子对象特征的权重分别进行加权和计算,得到每个子对象各自对应的第三评分值;按照评分值由大至小的顺序对第三评分值进行排序,获取顺序值小于预设第三阈值的第三评分值以及相应的子对象并将子对象所属的业务对象作为目标业务对象。
本实施方式中对第三权重进行加权和计算的方法,与前述实施方式中对第一权重进行加权和计算的方法是类似的,为了描述简洁,在此不再赘述。
步骤S103:获取目标业务对象中的每个子对象以及相应的子对象特征。
在本实施例中子对象特征指的是用于评估子对象是否为潜在推荐子对象的指标,利用子对象特征筛选出潜在推荐子对象,有利于对子对象进行精准定位,进而为子对象提供准确的推荐信息。一个例子:如果业务对象是医院,子对象是医院内的医生,那么子对象特征就是用于评估该医院内的医生是否为潜在推荐医生的指标。
步骤S104:基于预设的分类模型并根据每个子对象各自对应的子对象特征,分析每个子对象是否为潜在推荐子对象并根据分析结果输出推荐信息。
在本实施例中预设的分类模型可以是基于神经网络架构并利用机器学习算法进行网络训练得到的分类模型,该分类模型的输入数据是子对象的子对象特征,输出结果包括子对象是否为潜在推荐子对象的标签信息。在得到分类模型的输出结果后,可以根据该输出结果进行推荐信息输出。推荐信息包括所有输入到分类模型的子对象,以及每个子对象各自对应的是否为潜在推荐子对象的标签信息。
在一个实施方式中,可以按照以下步骤输出推荐信息:
步骤41:根据预设的分类模型的输出结果获取每个潜在推荐子对象各自对应的子对象特征的权重。
步骤42:根据潜在推荐子对象各自对应的子对象特征的权重分别进行加权和计算,得到每个潜在推荐子对象各自对应的第四评分值。本实施方式中对子对象特征的权重进行加权和计算的方法,与前述实施方式中对第一权重进行加权和计算的方法是类似的,为了描述简洁,在此不再赘述。
步骤43:根据每个潜在推荐子对象各自对应的第四评分值输出推荐信息。
在本实施方式中可以先根据预设的数值区间以及每个潜在推荐子对象的第四评分值,判断出每个第四评分值所在的数值区间,然后根据预设的数值区间与推荐信息的对应关系,匹配并输出每个潜在推荐子对象对应的推荐信息。
在一个实施方式中,可以按照以下步骤输出推荐信息:
步骤51:获取潜在推荐子对象访问过的文献以及访问行为。其中,访问行为包括阅读、和/或转载、和/或收藏、和/或评论等。
步骤52:根据文献与访问行为分析潜在推荐子对象的兴趣偏好。
在本实施方式中可以利用机器学习技术领域中常规的基于内容的推荐算法来分析潜在推荐子对象的兴趣偏好。一个例子:利用基于隐语义模型(Latent Factor Model,LFM)的协同过滤推荐算法(Alternating Least Squares,ALS)分析潜在推荐子对象的兴趣偏好。
要说明的是,虽然本发明仅提供了利用基于内容的推荐算法进行潜在推荐子对象的兴趣偏好分析这一具体实施方式,但是,本领域技术人员能够理解的是,本发明的保护范围显然不限于这一具体实施方式,在不改变本发明技术原理的前提下,可以采用其他能够根据潜在推荐子对象访问过的文献以及访问行为进行兴趣偏好分析的算法来分析潜在推荐子对象的兴趣偏好,这些特征的改变和/或替换都在本发明的保护范围之内。
步骤53:根据兴趣偏好输出文献推荐信息。
在一个实施方式中,可以按照以下步骤对预设的分类模型进行网络训练:
步骤61:获取预设训练集中的数据样本。
具体而言,数据样本包括正样本和负样本,正样本包括与目标物品类型的历史业务数据关联的子对象以及每个子对象各自对应的子对象特征,负样本包括与目标物品类型的历史业务数据没有关联的子对象以及每个子对象各自对应的子对象特征。
步骤62:分别对正样本与负样本中的子对象特征进行聚类分析,根据聚类分析结果获取正样本中子对象的第一子对象群体特征以及负样本中子对象的第二子对象群体特征。
步骤63:基于步骤62得到的第一子对象群体特征、第二子对象群体特征并利用机器学习算法对分类模型进行模型训练。
在一个实施方式中,向潜在推荐子对象进行业务信息推荐之后,可以获取潜在推荐子对象的业务反馈信息(包括业务成功信息和业务失败信息),进而根据业务反馈信息更新预设训练集中的数据样本,提高预设的分类模型的分类准确性。
具体而言,可以按照以下步骤更新数据样本:
步骤64:获取每个潜在推荐子对象的业务反馈信息。
步骤65:获取业务成功信息对应的潜在推荐子对象以及相应的子对象特征并且根据获取到的潜在推荐子对象以及相应的子对象特征对预设训练集中的正样本进行数据更新,即将业务成功信息对应的潜在推荐子对象以及相应的子对象特征作为正样本,增加到预设训练集中。
步骤66:获取业务失败信息对应的潜在推荐子对象以及相应的子对象特征并且根据获取到的潜在推荐子对象以及相应的子对象特征对预设训练集中的负样本进行数据更新,即将业务失败信息对应的潜在推荐子对象以及相应的子对象特征作为负样本,增加到预设训练集中。
本实施方式利用潜在推荐子对象的业务反馈信息更新预设训练集中的数据样本,随着获取到的业务反馈信息越来越多,训练集中的数据样本也会越来越多,利用大数据量的样本对预设的分类模型进行网络训练,能够极大地提高分类模型的分类准确性。
在前述步骤S102所述的一个实施方式中,可以根据预设的关联业务对象集中的关联业务对象来获取预设关键对象特征集,进而根据预设关键对象特征集中的关键对象特征来获取目标业务对象。而为了进一步提高目标业务对象的准确性,也可以根据潜在推荐子对象的业务反馈信息来更新预设的关联业务对象集中的数据,进而根据更新后的关联业务对象集获取预设关键对象特征集,随着获取到的业务反馈信息越来越多,预设关键对象特征集中的关键对象特征也会越来越准确,利用这些更加准确的关键对象特征能够获取到更为准确的目标业务对象。具体而言,可以在前述实施方式中的步骤113之后增加下述步骤114和步骤115。
步骤114:获取每个潜在推荐子对象的业务反馈信息。其中,业务反馈信息包括业务成功信息和业务失败信息。
步骤115:获取业务成功信息对应的潜在推荐子对象所属的目标业务对象,根据目标业务对象对预设的关联业务对象集进行数据更新,即将业务成功信息对应的潜在推荐子对象所属的目标业务对象作为新的关联业务对象,增加到预设的关联业务对象集中。
在通过步骤S101-步骤S104所述的实施方式获取到推荐信息之后,还可以进一步分析每个潜在推荐子对象的访问得分,以便能够根据访问得分选择当日访问的潜在推荐子对象。具体而言,在执行步骤S104之后还可以包括潜在推荐子对象访问得分分析步骤,该潜在推荐子对象访问得分分析步骤包括根据下式(2)所示的方法计算并输出每个潜在推荐子对象各自对应的访问得分:
N=N1×N2+N3+N4+N5 (2)
公式(2)中各参数含义是:
N是访问得分,N1是潜在推荐子对象所属业务对象的等级得分,N2是潜在推荐子对象的等级得分,N3是潜在推荐子对象的活跃度,N4是潜在推荐子对象的兴趣系数,N5是潜在推荐子对象的丢失系数。
在本实施例中可以按照以下方法分别获取N1、N2、N3、N4和N5。
1、潜在推荐子对象所属业务对象的等级得分N1
在本实施例中可以获取潜在推荐子对象所属业务对象的业务数据预测值和历史业务数据,根据业务数据预测值与历史业务数据确定N1。
具体而言,可以先根据预设的数值区间以及每个潜在推荐子对象所属业务对象的业务数据预测值,判断出每个业务数据预测值所在的数值区间,然后根据预设的数值区间与初始得分的对应关系,匹配并输出相应的等级得分初始值。一个例子:假设业务数据预测值是物品供应量,如果潜在推荐子对象a所属业务对象A的业务数据预测值大于2万,则根据“根据预设的数值区间与初始得分的对应关系”可以得到业务对象A的等级得分初始值是20。
在获取到等级得分初始值之后,可以按照以下步骤进一步获取潜在推荐子对象所属业务对象的附加得分,然后将等级得分初始值与附加得分之后作为潜在推荐子对象所属业务对象的等级得分N1。
具体是:获取历史业务数据对应的业务时间,然后判断在一定时间段内产生业务数据的频次,根据预设的频次区间与附加得分的对应关系,匹配并输出相应的附加得分。一个例子:假设业务对象A对应的历史业务数据的业务时间包括2020年1月1日、2020年2月1日,进而可知业务对象A在2020年1月-3月这一时间段内产生业务数据的频次是2,则根据“预设的频次区间与附加得分的对应关系”可以得到业务对象A的附加得分是10,最后可以得到业务对象A等级得分N1=20+10=30。
2、潜在推荐子对象的等级得分N2
在本实施例中可以获取潜在推荐子对象的属性信息,根据属性信息确定N2。
在本实施例中潜在推荐子对象的属性信息可以包括职位等级和/或与目标物品类型中功能对应的用户数量。在一个实施方式中,如果物品是药品,物品业务需求是药品业务需求,潜在推荐子对象是医生,则潜在推荐子对象的属性信息可以包括职位等级和/或与目标药品类型中适应症对应的患者数量。职位等级指的是医生在医院中的职位等级如主任、副主任等。目标药品类型中适应症对应的患者数量指的是在医生接诊的所有患者中病症与目标药品类型中的适应症相同的患者数量。在本实施例中可以通过采集医疗问诊技术领域中常规的问诊平台(例如:好大夫问诊平台、春雨医生问诊平台等)提供的信息来获取医生的属性信息。
在本实施例中可以先获取潜在推荐子对象的职位等级,然后根据预设的职位等级与等级系数之间对应关系,匹配出相应的等级系数,根据等级系数计算潜在推荐子对象的等级得分N2。在一个实施方式中,如果无法获取到潜在推荐子对象的职位等级,则获取目标物品类型中功能对应的用户数量,然后根据预设的用户数量与等级系数之间对应关系,匹配出相应的等级系数,根据等级系数计算潜在推荐子对象的等级得分N2。在一个实施方式中,可以将等级系数与前述“潜在推荐子对象所属业务对象的等级得分N1”的乘积作为潜在推荐子对象的等级得分N2。
3、潜在推荐子对象的活跃度N3
在本实施例中可以获取潜在推荐子对象的访问反馈信息以及潜在推荐子对象根据接收到的推荐信息反馈的推荐反馈信息,根据访问反馈信息与推荐反馈信息确定N3。其中,推荐信息包括文献推荐信息和/或会议推荐信息。
访问反馈信息指的是,业务访问人员在利用前述步骤S104输出的推荐信息筛选并访问潜在推荐子对象之后,输入的访问反馈信息。访问反馈信息包括但不限于:访问时间、访问时长和访问方式(例如:通过互联网远程访问或去潜在推荐子对象所在地进行实地访问)等。
推荐反馈信息指的是,潜在推荐子对象根据接收到的推荐信息(例如:前述步骤S104输出的文献推荐信息和/或会议推荐信息)反馈的信息。文献推荐信息的推荐反馈信息包括但不限于:是否阅读文献、文献阅读时长等。会议推荐信息的推荐反馈信息包括但不限于:是否参加会议、参加会议的时长等。
在本实施例中可以根据预设的访问反馈信息与第一分值之间的对应关系,匹配出潜在推荐子对象对应的第一分值,以及根据预设的推荐反馈信息与第二分值之间的对应关系,匹配出潜在推荐子对象对应的第二分值,最后根据第一分值与第二分值获取潜在推荐子对象的活跃度N3。在一个实施方式中,活跃度N3等于第一分值与第二分值之和。
4、潜在推荐子对象的兴趣系数N4
在本实施例中可以获取潜在推荐子对象的访问反馈信息和/或工作状态信息,根据访问反馈信息和/或工作状态信息确定N4。
工作状态信息指的是,潜在推荐子对象的当前工作状态信息。工作状态信息包括但不限于:正在工作状态、参加会议状态、休息状态等。在本实施例中可以根据预设的工作状态信息与兴趣系数之间的对应关系匹配出潜在推荐子对象对应的兴趣系数N4。
5、潜在推荐子对象的丢失系数N5
在本实施例中可以获取潜在推荐子对象的历史访问时间,根据历史访问时间统计在一定时间段内潜在推荐子对象的访问次数,判断访问次数是否小于预设的次数阈值,以及最近两次访问的时间间隔是否大于预设的时长阈值,若访问次数小于次数阈值且两次访问的时间间隔大于时长阈值,则将丢失系数N5设置为预设的系数值;否则,将丢失系数N5设置为零。一个例子:预设的系数值为10。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本发明的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些变化都在本发明的保护范围之内。
进一步,本发明还提供了一种业务对象推荐系统。参阅附图2,图2是根据本发明的一个实施例的业务对象推荐系统的主要结构示意图。如图2所示,本发明实施例中业务对象推荐系统主要包括目标业务对象获取装置11、子对象获取装置12和子对象推荐装置13。在一个实施方式中,目标业务对象获取装置11、子对象获取装置12和子对象推荐装置13中的一个或多个可以合并在一起成为一个装置。在一个实施方式中,目标业务对象获取装置11可以被配置成获取物品业务需求中目标物品类型的历史业务数据,判断当前业务对象中是否存在与历史业务数据关联的业务对象并且根据判断结果获取目标业务对象。子对象获取装置12可以被配置成获取目标业务对象中的每个子对象以及相应的子对象特征。子对象推荐装置13可以被配置成基于预设的分类模型并根据每个子对象各自对应的子对象特征,分析每个子对象是否为潜在推荐子对象并根据分析结果输出推荐信息。其中,目标物品类型包括物品品牌和功能。在一个实施方式中,具体实现功能的描述可以参见步骤S101-步骤S104所述。
在一个实施方式中,目标业务对象获取装置11可以被配置成如果当前业务对象中存在与历史业务数据关联的业务对象,则执行以下操作:
获取预设关键对象特征集中的关键对象特征;
基于预设的第一特征与第一权重之间的对应关系,分别获取当前业务对象中每个业务对象各自对应的每个关键对象特征的第一权重;
根据每个业务对象各自对应的每个关键对象特征的第一权重分别进行加权和计算,得到每个业务对象各自对应的第一评分值;按照评分值由大至小的顺序对第一评分值进行排序,获取顺序值小于预设第一阈值的第一评分值以及相应的业务对象并将业务对象作为目标业务对象。在一个实施方式中,具体实现功能的描述可以参见步骤11-步骤13所述。
在一个实施方式中,目标业务对象获取装置11可以包括关键对象特征集获取模块,关键对象特征集获取模块可以被配置成执行以下操作:
获取预设的关联业务对象集中的关联业务对象;其中,关联业务对象是与历史业务数据关联的业务对象;
获取每个关联业务对象各自对应的历史业务数据以及对象特征,根据历史业务数据与对象特征进行最大业务数据预测,根据预测结果获取最大业务数据预测值对应的对象特征以及相应的权重;
将对象特征作为关键对象特征,根据关键对象特征构建关键对象特征集并且根据关键对象特征以及相应的权重建立第一特征与第一权重之间的对应关系。在一个实施方式中,具体实现功能的描述可以参见步骤111-步骤113所述。
在一个实施方式中,关键对象特征集获取模块可以被配置成执行以下操作:获取每个潜在推荐子对象的业务反馈信息,业务反馈信息包括业务成功信息和业务失败信息;获取业务成功信息对应的潜在推荐子对象所属的目标业务对象,根据目标业务对象对预设的关联业务对象集进行数据更新。在一个实施方式中,具体实现功能的描述可以参见步骤114-步骤115所述。
在一个实施方式中,目标业务对象获取装置11可以被配置成如果当前业务对象中不存在与历史业务数据关联的业务对象,则执行以下操作:
获取在每个预设的业务区域内其他物品类型的历史业务数据以及目标物品类型的市场容量预测值;其中,其他物品类型与目标物品类型中的物品品牌不同且功能相同;
根据其他物品类型的历史业务数据以及目标物品类型的市场容量预测值之间的差值,获取目标业务区域;
获取目标业务区域内每个业务对象各自对应的对象特征,基于预设的第二特征与第二权重之间的对应关系,获取每个对象特征各自对应的第二权重;
根据每个业务对象各自对应的对象特征的第二权重分别进行加权和计算,得到每个业务对象各自对应的第二评分值;按照评分值由大至小的顺序对第二评分值进行排序,获取顺序值小于预设第二阈值的第二评分值以及相应的业务对象并将业务对象作为目标业务对象。在一个实施方式中,具体实现功能的描述可以参见步骤21-步骤24所述。
在一个实施方式中,目标业务对象获取装置11可以被配置成如果当前业务对象中不存在与历史业务数据关联的业务对象,则执行以下操作:
获取每个子对象各自对应的子对象特征,基于预设的子对象特征与权重之间的对应关系,获取每个子对象特征各自对应的权重;
根据每个子对象各自对应的子对象特征的权重分别进行加权和计算,得到每个子对象各自对应的第三评分值;按照评分值由大至小的顺序对第三评分值进行排序,获取顺序值小于预设第三阈值的第三评分值以及相应的子对象并将子对象所属的业务对象作为目标业务对象。在一个实施方式中,具体实现功能的描述可以参见步骤31-步骤32所述。
在一个实施方式中,业务对象推荐系统还包括预设的分类模型的模型训练装置,在本实施方式中模型训练装置可以被配置成执行以下操作:
获取预设训练集中的数据样本,数据样本包括正样本和负样本,正样本包括与目标物品类型的历史业务数据关联的子对象以及每个子对象各自对应的子对象特征,负样本包括与目标物品类型的历史业务数据没有关联的子对象以及每个子对象各自对应的子对象特征;
分别对正样本与负样本中的子对象特征进行聚类分析,根据聚类分析结果获取正样本中子对象的第一子对象群体特征以及负样本中子对象的第二子对象群体特征;
基于第一子对象群体特征、第二子对象群体特征并利用机器学习算法对分类模型进行模型训练。在一个实施方式中,具体实现功能的描述可以参见步骤61-步骤63所述。
在一个实施方式中,模型训练装置可以被配置成执行以下操作:
获取每个潜在推荐子对象的业务反馈信息,业务反馈信息包括业务成功信息和业务失败信息;
获取业务成功信息对应的潜在推荐子对象以及相应的子对象特征并且根据获取到的潜在推荐子对象以及相应的子对象特征对预设训练集中的正样本进行数据更新;
获取业务失败信息对应的潜在推荐子对象以及相应的子对象特征并且根据获取到的潜在推荐子对象以及相应的子对象特征对预设训练集中的负样本进行数据更新。在一个实施方式中,具体实现功能的描述可以参见步骤64-步骤66所述。
在一个实施方式中,子对象推荐装置13可以被配置成执行以下操作:
根据预设的分类模型的输出结果获取每个潜在推荐子对象各自对应的子对象特征的权重;
根据潜在推荐子对象各自对应的子对象特征的权重分别进行加权和计算,得到每个潜在推荐子对象各自对应的第四评分值;
根据每个潜在推荐子对象各自对应的第四评分值输出推荐信息。在一个实施方式中,具体实现功能的描述可以参见步骤41-步骤43所述。
在一个实施方式中,子对象推荐装置13可以被配置成执行以下操作:
获取潜在推荐子对象访问过的文献以及访问行为;其中,访问行为包括阅读、和/或转载、和/或收藏、和/或评论;
根据文献与访问行为分析潜在推荐子对象的兴趣偏好;
根据兴趣偏好输出文献推荐信息。在一个实施方式中,具体实现功能的描述可以参见步骤51-步骤53所述。
在一个实施方式中,业务对象推荐系统还包括潜在推荐子对象的访问评分装置,在本实施方式中潜在推荐子对象的访问评分装置可以被配置成根据公式(1)所示的方法计算并输出每个潜在推荐子对象各自对应的访问得分,以便能够根据访问得分选择当日访问的潜在推荐子对象。在一个实施方式中,具体实现功能的描述可以参见前述方法实施例中潜在推荐子对象访问得分分析步骤所述。
在一个实施方式中,潜在推荐子对象的访问评分装置可以被配置成执行以下操作:
获取潜在推荐子对象所属业务对象的业务数据预测值,根据业务数据预测值确定业务对象的等级得分N1;
获取潜在推荐子对象的属性信息,根据属性信息确定潜在推荐子对象的等级得分N2;属性信息包括职位等级和/或与目标物品类型中功能对应的用户数量;
获取潜在推荐子对象的访问反馈信息以及潜在推荐子对象根据接收到的推荐信息反馈的推荐反馈信息,根据访问反馈信息与推荐反馈信息确定潜在推荐子对象的活跃度N3;推荐信息包括文献推荐信息和/或会议推荐信息;
获取潜在推荐子对象的访问反馈信息和/或工作状态信息,根据访问反馈信息和/或工作状态信息确定潜在推荐子对象的兴趣系数N4;
获取潜在推荐子对象的历史访问时间以及相应的访问时长,根据历史访问时间以及相应的访问时长确定潜在推荐子对象的丢失系数N5。
上述业务对象推荐系统以用于执行图1所示的业务对象推荐方法实施例,两者的技术原理、所解决的技术问题及产生的技术效果相似,本技术领域技术人员可以清楚地了解到,为了描述的方便和简洁,业务对象推荐系统的具体工作过程及有关说明,可以参考业务对象推荐方法的实施例所描述的内容,此处不再赘述。
进一步,本发明还提供了一种存储装置。在该存储装置实施例中存储装置可以被配置成存储执行上述方法实施例的业务对象推荐方法的程序,该程序可以由处理器加载并运行以实现上述业务对象推荐方法。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该存储装置可以是包括各种电子设备形成的存储装置设备,可选的,本发明实施例中存储是非暂时性的计算机可读存储介质。
进一步,本发明还提供了一种控制装置。在该控制装置实施例中,控制装置包括处理器和存储装置,存储装置可以被配置成存储执行上述方法实施例的业务对象推荐方法的程序,处理器可以被配置成用于执行存储装置中的程序,该程序包括但不限于执行上述方法实施例的业务对象推荐方法的程序。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备,可选的,本发明实施例中控制装置是服务器。
本领域技术人员能够理解的是,本发明实现上述一实施例的方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
进一步,应该理解的是,由于各个模块的设定仅仅是为了说明本发明的系统的功能单元,这些模块对应的物理器件可以是处理器本身,或者处理器中软件的一部分,硬件的一部分,或者软件和硬件结合的一部分。因此,图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是,可以对系统中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理,因此,拆分或合并之后的技术方案都将落入本发明的保护范围内。
至此,已经结合附图所示的一个实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种业务对象推荐方法,其特征在于,所述方法包括:
获取物品业务需求中目标物品类型的历史业务数据,判断当前业务对象中是否存在与所述历史业务数据关联的业务对象并且根据判断结果获取目标业务对象;
获取所述目标业务对象中的每个子对象以及相应的子对象特征;
基于预设的分类模型并根据所述每个子对象各自对应的子对象特征,分析每个子对象是否为潜在推荐子对象并根据分析结果输出推荐信息;
其中,所述目标物品类型包括物品品牌和功能。
2.根据权利要求1所述的业务对象推荐方法,其特征在于,当所述当前业务对象中存在与所述历史业务数据关联的业务对象时,“根据判断结果获取目标业务对象”的步骤具体包括:
获取预设关键对象特征集中的关键对象特征;
基于预设的第一特征与第一权重之间的对应关系,分别获取所述当前业务对象中每个业务对象各自对应的每个关键对象特征的第一权重;
根据所述每个业务对象各自对应的每个关键对象特征的第一权重分别进行加权和计算,得到每个业务对象各自对应的第一评分值;按照评分值由大至小的顺序对第一评分值进行排序,获取顺序值小于预设第一阈值的第一评分值以及相应的业务对象并将所述业务对象作为目标业务对象。
3.根据权利要求2所述的业务对象推荐方法,其特征在于,所述关键对象特征集的获取方法包括:
获取预设的关联业务对象集中的关联业务对象;
获取每个关联业务对象各自对应的历史业务数据以及对象特征,根据所述历史业务数据与对象特征进行最大业务数据预测,根据预测结果获取最大业务数据预测值对应的对象特征以及相应的权重;
将所述对象特征作为关键对象特征,根据所述关键对象特征构建所述关键对象特征集并且根据所述关键对象特征以及相应的权重建立所述预设的第一特征与第一权重之间的对应关系;
其中,所述关联业务对象是与所述历史业务数据关联的业务对象。
4.根据权利要求3所述的业务对象推荐方法,其特征在于,所述关键对象特征集的获取方法还包括:
获取每个潜在推荐子对象的业务反馈信息,所述业务反馈信息包括业务成功信息和业务失败信息;
获取所述业务成功信息对应的潜在推荐子对象所属的目标业务对象,根据所述目标业务对象对所述预设的关联业务对象集进行数据更新。
5.根据权利要求1所述的业务对象推荐方法,其特征在于,当所述当前业务对象中不存在与所述历史业务数据关联的业务对象时,“根据判断结果获取目标业务对象”的步骤具体包括:
获取在每个预设的业务区域内其他物品类型的历史业务数据以及目标物品类型的市场容量预测值;其中,所述其他物品类型与所述目标物品类型中的物品品牌不同且功能相同;
根据所述其他物品类型的历史业务数据以及目标物品类型的市场容量预测值之间的差值,获取目标业务区域;
获取所述目标业务区域内每个业务对象各自对应的对象特征,基于预设的第二特征与第二权重之间的对应关系,获取每个对象特征各自对应的第二权重;
根据每个业务对象各自对应的对象特征的第二权重分别进行加权和计算,得到每个业务对象各自对应的第二评分值;按照评分值由大至小的顺序对第二评分值进行排序,获取顺序值小于预设第二阈值的第二评分值以及相应的业务对象并将所述业务对象作为目标业务对象。
6.根据权利要求1所述的业务对象推荐方法,其特征在于,当所述当前业务对象中不存在与所述历史业务数据关联的业务对象时,“根据判断结果获取目标业务对象”的步骤具体包括:
获取每个子对象各自对应的子对象特征,基于预设的子对象特征与权重之间的对应关系,获取每个子对象特征各自对应的权重;
根据每个子对象各自对应的子对象特征的权重分别进行加权和计算,得到每个子对象各自对应的第三评分值;按照评分值由大至小的顺序对第三评分值进行排序,获取顺序值小于预设第三阈值的第三评分值以及相应的子对象并将所述子对象所属的业务对象作为目标业务对象。
7.根据权利要求1所述的业务对象推荐方法,其特征在于,所述预设的分类模型的模型训练方法包括:
获取预设训练集中的数据样本,所述数据样本包括正样本和负样本,所述正样本包括与所述目标物品类型的历史业务数据关联的子对象以及每个子对象各自对应的子对象特征,所述负样本包括与所述目标物品类型的历史业务数据没有关联的子对象以及每个子对象各自对应的子对象特征;
分别对所述正样本与负样本中的子对象特征进行聚类分析,根据聚类分析结果获取所述正样本中子对象的第一子对象群体特征以及所述负样本中子对象的第二子对象群体特征;
基于所述第一子对象群体特征、第二子对象群体特征并利用机器学习算法对所述分类模型进行模型训练。
8.根据权利要求7所述的业务对象推荐方法,其特征在于,所述模型训练方法还包括:
获取每个潜在推荐子对象的业务反馈信息,所述业务反馈信息包括业务成功信息和业务失败信息;
获取所述业务成功信息对应的潜在推荐子对象以及相应的子对象特征并且根据获取到的潜在推荐子对象以及相应的子对象特征对所述预设训练集中的正样本进行数据更新;
获取所述业务失败信息对应的潜在推荐子对象以及相应的子对象特征并且根据获取到的潜在推荐子对象以及相应的子对象特征对所述预设训练集中的负样本进行数据更新。
9.根据权利要求1所述的业务对象推荐方法,其特征在于,“根据分析结果输出推荐信息”的具体步骤包括:
根据所述预设的分类模型的输出结果获取每个潜在推荐子对象各自对应的子对象特征的权重;
根据潜在推荐子对象各自对应的子对象特征的权重分别进行加权和计算,得到每个潜在推荐子对象各自对应的第四评分值;
根据每个潜在推荐子对象各自对应的第四评分值输出推荐信息。
10.根据权利要求1所述的业务对象推荐方法,其特征在于,“根据分析结果输出推荐信息”的具体步骤包括:
获取潜在推荐子对象访问过的文献以及访问行为;
根据所述文献与所述访问行为分析所述潜在推荐子对象的兴趣偏好;
根据所述兴趣偏好输出文献推荐信息;
其中,所述访问行为包括阅读、和/或转载、和/或收藏、和/或评论。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010388412.2A CN111681743A (zh) | 2020-05-09 | 2020-05-09 | 业务对象推荐方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010388412.2A CN111681743A (zh) | 2020-05-09 | 2020-05-09 | 业务对象推荐方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111681743A true CN111681743A (zh) | 2020-09-18 |
Family
ID=72433444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010388412.2A Pending CN111681743A (zh) | 2020-05-09 | 2020-05-09 | 业务对象推荐方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681743A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052639A (zh) * | 2017-12-21 | 2018-05-18 | 中国联合网络通信集团有限公司 | 基于运营商数据的行业用户推荐方法及装置 |
CN109637651A (zh) * | 2018-10-31 | 2019-04-16 | 北京春雨天下软件有限公司 | 多医生推荐方法及装置、在线会诊系统 |
CN110083634A (zh) * | 2019-03-19 | 2019-08-02 | 中国平安人寿保险股份有限公司 | 基于数据分析的订单处理方法、装置、设备及存储介质 |
CN110727857A (zh) * | 2019-09-04 | 2020-01-24 | 口碑(上海)信息技术有限公司 | 针对业务对象识别潜在用户的关键特征的方法及装置 |
CN110851725A (zh) * | 2019-11-15 | 2020-02-28 | 北京盛诺一家医院管理咨询有限公司 | 一种医疗资源推荐方法、系统、计算设备和存储介质 |
-
2020
- 2020-05-09 CN CN202010388412.2A patent/CN111681743A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052639A (zh) * | 2017-12-21 | 2018-05-18 | 中国联合网络通信集团有限公司 | 基于运营商数据的行业用户推荐方法及装置 |
CN109637651A (zh) * | 2018-10-31 | 2019-04-16 | 北京春雨天下软件有限公司 | 多医生推荐方法及装置、在线会诊系统 |
CN110083634A (zh) * | 2019-03-19 | 2019-08-02 | 中国平安人寿保险股份有限公司 | 基于数据分析的订单处理方法、装置、设备及存储介质 |
CN110727857A (zh) * | 2019-09-04 | 2020-01-24 | 口碑(上海)信息技术有限公司 | 针对业务对象识别潜在用户的关键特征的方法及装置 |
CN110851725A (zh) * | 2019-11-15 | 2020-02-28 | 北京盛诺一家医院管理咨询有限公司 | 一种医疗资源推荐方法、系统、计算设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kelleher et al. | Data science | |
CN111078994B (zh) | 基于画像的医学科普文章推荐方法及系统 | |
CN108647996B (zh) | 一种基于Spark的个性化推荐方法及系统 | |
Çavdar et al. | Airline customer lifetime value estimation using data analytics supported by social network information | |
Seeber et al. | WebPSN: a web server for high-throughput investigation of structural communication in biomacromolecules | |
CN104573130B (zh) | 基于群体计算的实体解析方法及装置 | |
CN103988203A (zh) | 根据协作的和/或基于内容的节点相互关系提供推荐的系统和方法 | |
KR20130062442A (ko) | 협업 필터링 추천 방식을 이용한 추천 방법 및 추천 시스템 | |
CN106909560B (zh) | 兴趣点排序方法 | |
De Nicola et al. | Evaluating Italian public hospital efficiency using bootstrap DEA and CART | |
KR20210082114A (ko) | 저변동성 시계열 데이터의 이중 학습 장치 | |
Kang et al. | A personalized point-of-interest recommendation system for O2O commerce | |
Park et al. | Two-stage technology opportunity discovery for firm-level decision making: GCN-based link-prediction approach | |
Taneja et al. | Recommendation research trends: review, approaches and open issues | |
Zhang et al. | Analysis and research on library user behavior based on apriori algorithm | |
Jiang et al. | Effective biomedical document classification for identifying publications relevant to the mouse Gene Expression Database (GXD) | |
Crook et al. | Analysis of the first genetic engineering attribution challenge | |
Knock et al. | Bayesian model choice for epidemic models with two levels of mixing | |
Huang et al. | Rough set theory: a novel approach for extraction of robust decision rules based on incremental attributes | |
CN111681743A (zh) | 业务对象推荐方法、系统及装置 | |
Zhang et al. | Multiple imputation for missingness due to nonlinkage and program characteristics: a case study of the National Health Interview Survey linked to medicare claims | |
CN111460300B (zh) | 网络内容推送方法、装置及存储介质 | |
Wagner et al. | Reconstructing signaling pathways using regular language constrained paths | |
CN115101160A (zh) | 药品销售数据挖掘和检索方法及装置 | |
Xiong et al. | ProtoCell4P: an explainable prototype-based neural network for patient classification using single-cell RNA-seq |
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 |