CN111782948A - 目标对象的业务推荐方法、装置和设备及存储介质 - Google Patents
目标对象的业务推荐方法、装置和设备及存储介质 Download PDFInfo
- Publication number
- CN111782948A CN111782948A CN202010614084.3A CN202010614084A CN111782948A CN 111782948 A CN111782948 A CN 111782948A CN 202010614084 A CN202010614084 A CN 202010614084A CN 111782948 A CN111782948 A CN 111782948A
- Authority
- CN
- China
- Prior art keywords
- asset
- area
- target object
- sample
- resident area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 75
- 230000006399 behavior Effects 0.000 claims description 76
- 230000015654 memory Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 34
- 210000004027 cell Anatomy 0.000 description 23
- 230000008569 process Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000005065 mining Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 101100153581 Bacillus anthracis topX gene Proteins 0.000 description 3
- 101150041570 TOP1 gene Proteins 0.000 description 3
- 101150104012 TOP2 gene Proteins 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 210000003719 b-lymphocyte Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
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
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种目标对象的业务推荐方法、装置和设备及存储介质,涉及大数据处理技术领域,该方法通过获取目标对象关联的历史行为数据,行为数据包括表征目标对象所在位置的数据;根据行为数据确定目标对象的常驻区域;获得常驻区域对应的资产评估参数数据;根据资产评估参数数据确定目标对象的资产评估等级;根据目标对象的资产评估等级,获得与资产评估等级匹配的目标业务;向目标对象推荐目标业务。其中资产水平评估的粒度能够缩小至目标对象的常驻区域,目标对象的常驻区域与目标对象的真实资产水平是更为接近的,能够有效降低资产水平评估的粒度,提高资产水平评估的准确性,进而提升业务推荐的精准性。
Description
技术领域
本申请涉及计算机领域,尤其涉及大数据处理技术领域,提供一种目标对象的业务推荐方法、装置和设备及存储介质。
背景技术
用户资产水平在一定程度上反映了目标对象的净值水平,是推荐系统中的重要特征,因此,准确的对用户进行资产水平的评估是推荐系统进行精准推荐的前提之一。
而目前,对于用户的资产水平评估一般是简单根据居住城市来进行粗略评估,这种评估方式,粒度较粗,无法准确的反映用户的资产水平,使得用户人群划分不准确,进而也就无法实现为特定人群进行准确的内容推荐。
发明内容
本申请实施例提供一种目标对象的业务推荐方法、装置和设备及存储介质,用于提高业务推荐的精准性。
一方面,提供一种目标对象的业务推荐方法,所述方法包括:
获取目标对象关联的历史行为数据,所述行为数据包括表征所述目标对象所在位置的数据;
根据所述行为数据确定所述目标对象的常驻区域;
获得所述常驻区域对应的资产评估参数数据;
根据所述资产评估参数数据确定所述目标对象的资产评估等级;
根据所述目标对象的资产评估等级,获得与所述资产评估等级匹配的目标业务;
向所述目标对象推荐所述目标业务。
一方面,提供一种目标对象的业务推荐装置,所述装置包括:
数据获取单元,用于获取目标对象关联的历史行为数据,所述行为数据包括表征所述目标对象所在位置的数据;
常驻区域确定单元,用于根据所述行为数据确定所述目标对象的常驻区域;
资产评估单元,用于获得所述常驻区域对应的资产评估参数数据,并根据所述资产评估参数数据确定所述目标对象的资产评估等级;
业务推荐单元,用于根据所述目标对象的资产评估等级,获得与所述资产评估等级匹配的目标业务,并向所述目标对象推荐所述目标业务。
可选的,所述常驻区域确定单元,用于:
根据所述目标对象在每个可选区域的次数,从所述多个可选区域中确定至少一个常驻区域;或者,
根据所述目标对象在每个可选区域的时长,从所述多个可选区域中确定至少一个常驻区域。
可选的,所述常驻区域确定单元,用于:
分别确定所述多个可选区域中每一可选区域的类型是否为居住区域;
将类型为居住区域的可选区域确定为所述目标对象的常驻区域。
可选的,所述常驻区域确定单元,用于:
将所述可选区域与信息点POI信息库进行匹配,将与所述可选区域匹配的信息点的类型确定为所述可选区域的类型,以确定所述可选区域的类型是否为居住区域;所述POI信息库中包括各信息点的类型信息。
可选的,所述资产评估单元,用于:
在确定样本区域的分布密度大于第一分布密度时,选择与所述常驻区域之间的距离位于第一预设范围内的N个样本区域,且N的取值为第一值;或者,
在确定样本区域的分布密度不大于所述第一分布密度,且大于第二分布密度时,选择与所述常驻区域之间的距离位于第二预设范围内的N个样本区域,且N的取值为第二值;或者,
在确定样本区域的分布密度不大于所述第二分布密度时,选择与所述常驻区域之间的距离位于第三预设范围内的N个样本区域,且N的取值为第三值;
其中,所述第一分布密度大于所述第二分布密度,所述第一预设范围内的最大值小于所述第二预设范围内的最大值,且所述第二预设范围内的最大值小于所述第三预设范围内的最大值,第一值小于所述第二值,且所述第二值小于所述第三值。
可选的,所述资产评估单元,用于:
根据各所述样本区域与所述常驻区域之间的距离,分别获取各所述样本区域的权重值,所述权重值用于表征所述样本区域与所述常驻区域对应的资产评估参数数据之间的接近程度;
基于各所述样本区域对应的资产评估参数数据,以及各所述样本区域的权重值进行加权求和,以得到所述常驻区域对应的资产评估参数数据。
一方面,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一种方法的步骤。
一方面,提供一种计算机存储介质,其上存储有计算机程序指令,该计算机程序指令被处理器执行时实现上述任一种方法的步骤。
一方面,提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中,计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述任一种方法的步骤。
本申请实施例中,获取目标对象关联的历史行为数据,根据行为数据确定目标对象的常驻区域,获得常驻区域对应的资产评估参数数据,以根据资产评估参数数据确定目标对象的资产评估等级,从而根据目标对象的资产评估等级,获得与资产评估等级匹配的目标业务,并向目标对象推荐目标业务。其中,根据目标对象的历史行为数据来确定到目标对象的常驻区域,从而根据常驻区域的资产评估参数数据来衡量目标对象的资产评估等级,即资产水平评估的粒度能够缩小至目标对象的常驻区域,目标对象的常驻区域与目标对象的真实资产水平是更为接近的,相较于直接根据所在城市进行评估的方案来说,能够有效降低资产水平评估的粒度,提高资产水平评估的准确性,进而提升业务推荐的精准性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种场景示意图;
图2为本申请实施例提供的目标对象的业务推荐方法的流程示意图;
图3为本申请实施例提供的确定目标对象的常驻区域的流程示意图;
图4为本申请实施例提供的各位置与可选区域的示例图;
图5为本申请实施例提供的常驻区域挖掘流程示意图;
图6为本申请实施例提供的获取资产评估参数数据的流程示意图;
图7为本申请实施例提供的常驻区域与样本区域的示例图;
图8为本申请实施例提供的目标对象的业务推荐方法的一种结构示意图;
图9为本申请实施例提供的计算机设备的一种结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
为便于理解本申请实施例提供的技术方案,这里先对本申请实施例使用的一些关键名词进行解释:
目标对象:一个目标对象可以为一个用户。具体到获取的用户数据中,一个目标对象可以为一个账户或者一个用户身份标识(identity,ID)对应的一个注册用户。
行为数据:行为数据能够反映用户的行为以及行为发生时所处的环境,在本申请实施例中,行为数据主要是指能够表征用户所在位置的这一部分数据,例如用户的支付数据以及定位数据等。
信息点(Point of Information,POI)信息库:一个POI可以是一栋房子、一个商铺、一个邮筒或者一个公交站等,在POI信息库中,存储了各个POI的名称、类别、坐标以及分类等信息。
插值法:在离散数据的基础上补插连续函数,使得这条连续曲线通过全部给定的离散数据点。插值是离散函数逼近的重要方法,利用它可通过函数在有限个数据点处的取值状况,估算出函数在其他点处的近似值。适用于地理平面上的空间插值法有反距离加权插值(Inverse Distance Weight,IDW)法以及克里金(Kriging)法等方法。
反距离加权插值法:也可以称为距离倒数乘方法。用于进行确切的或者圆滑的方式插值,反距离加权插值的幂次参数控制着加权系数如何随着离开一个格网结点距离的增加而下降。对于一个较大的幂次,较近的数据点被给定一个较高的权重份额,对于一个较小的幂次,权重比较均匀地分配给各数据点。例如,对于房价而言,地理平面上的两个点,距离越近房价差异越小距离越远差异越大,表现为城市中距离近的两个片区房价往往比较接近,而距离远的片区则出现比较大的分化。
克里金法:是依据协方差函数对随机过程/随机场进行空间建模和预测(插值)的回归算法。在特定的随机过程,例如固有平稳过程中,克里金法能够给出最优线性无偏估计(Best Linear Unbiased Prediction,BLUP),因此在地统计学中也被称为空间最优无偏估计器(spatial BLUP)。克里金法是典型的地统计学算法,被应用于地理科学、环境科学、大气科学等领域。
常驻区域:常驻区域例如可以为用户居住的小区。在实际应用过程中,区域的大小范围可以根据需求来进行设置,例如一个区域可以为一个小区。
用户资产水平是推荐系统中的重要特征,因此,准确的对用户进行资产水平的评估是推荐系统进行精准推荐的前提,考虑到现有实现方式中划分方式较为粗略,用户的资产水平与真实资产水平差距较大,无法反应用户的真实资产水平,进而得到的资产水平相关数据对于推荐系统来说意义不大,并且基于此数据来向用户推荐业务的话,很容易由于业务推荐的不准确,为用户带来心理负担,且浪费业务推荐相关计算资源和传输资源。因此,本申请实施例中,为了提高用户资产水平评估数据的可利用性,那么必须降低用户资产水平评估的粒度,来提升用户资产水平评估数据的准确性。
基于此,本申请实施例提供一种目标对象的业务推荐方法,在该方法中,根据用户的历史行为数据来确定到用户的常驻区域,从而根据常驻区域的资产评估参数数据来衡量用户的资产评估等级,即资产水平评估的粒度能够缩小至用户的常驻区域,用户的常驻区域与用户的真实资产水平是更为接近的,相较于直接根据所在城市进行评估的方案来说,能够有效降低资产水平评估的粒度,提高资产水平评估的准确性,进而提升业务推荐的精准性。
本申请实施例中,通过对用户的历史行为数据进行数据挖掘,得到用户的常驻区域,结合POI信息库,从中得到用户居住的常驻区域,一般而言,用户居住的区域是与用户的资产水平相关的,能够在一定程度上反映出用户的资产水平,因此后续得到的用户的资产评估等级能够更加准确,进而为用户推荐的业务更加准确。
此外,考虑到并不是所有的区域都具有对应的资产评估参数数据,本申请实施例中采用空间插值方法对数据库中没有资产评估参数数据的区域进行插值,以扩充各个区域的资产评估参数数据,以便后续对用户的资产水平进行评估奠定基础。
在介绍完本申请实施例的设计思想之后,下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍,需要说明的是,以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施过程中,可以根据实际需要灵活地应用本申请实施例提供的技术方案。
如图1所示,为本申请实施例提供的方案能够适用的一种场景,在该场景中,可以包括用户终端101、数据库102、资产等级评估设备103以及业务推荐设备104。
用户终端101包括但不限于移动电话、移动电脑、平板电脑、智能可穿戴设备、车载设备、个人数字助理(personal digital assistant,PDA)等可移动电子设备。用户可以通过用户终端101进行某些行为,以产生用户的行为数据。例如用户可以通过用户终端101进行电子支付时,则可以产生包含用户本次支付的商家以及支付时间的行为数据;或者,用户通过用户终端101进行地图导航时,则可以产生包含用户行动轨迹和行驶时间的行为数据;或者,用户通过用户终端101使用某个应用时,该应用被设置为自动定位,那么则可以产生包含定位数据和定位时间的行为数据。
数据库102可以用于存储各个用户的行为数据,以及资产等级评估设备103以及业务推荐设备104所输出的数据,当然,也可以存储其他可能的数据,对此不做限制。
资产等级评估设备103以及业务推荐设备104均为具有一定处理能力的计算机设备,例如可以为个人计算机(personal computer,PC)、笔记本电脑或者服务器等。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器,但并不局限于此。
云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。云技术基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑,只能通过云计算来实现。具体而言,本申请实施例除了可以通过实体计算资源执行程序流程,以及通过实体存储资源来实现数据存储之外,也可以通过云端提供的计算资源来执行程序流程,并且分类过程中所涉及到的数据均可通过云端提供的存储资源来进行存储。
资产等级评估设备103可以包括一个或多个处理器、存储器以及与其他设备交互的I/O接口等。其中,资产等级评估设备103的存储器中可以存储本申请实施例提供的目标对象的业务推荐方法中资产等级评估相关的程序指令,这些程序指令被处理器执行时能够用以实现本申请实施例提供的目标对象的业务推荐方法中资产等级评估相关的步骤,以得到目标对象的资产评估等级。具体的,资产等级评估设备103可以从数据库102获取资产等级评估相关的数据,并基于这些数据得到目标对象的资产评估等级。
资产等级评估设备103输出的目标对象的资产评估等级数据可以提供给业务推荐设备104,业务推荐设备104可将资产评估等级作为业务推荐的依据,来向目标对象推荐业务。
业务推荐设备104也可以包括一个或多个处理器、存储器以及与其他设备交互的I/O接口等。其中,业务推荐设备104的存储器中可以存储本申请实施例提供的目标对象的业务推荐方法中业务推荐相关的程序指令,这些程序指令被处理器执行时能够用以实现本申请实施例提供的目标对象的业务推荐方法中业务推荐相关的步骤,以向目标对象推荐目标业务。
在一种可能的实施方式中,资产等级评估设备103以及业务推荐设备104所实现的功能可以通过同一设备来实现。
上述的用户终端101、数据库102、资产等级评估设备103以及业务推荐设备104之间可以通过一个或者多个网络105进行直接或间接的通信连接。该网络105可以是有线网络,也可以是无线网络,例如无线网络可以是移动蜂窝网络,或者可以是无线保真(WIreless-Fidelity,WIFI)网络,当然还可以是其他可能的网络,本发明实施例对此不做限制。
当然,本发明实施例提供的方法并不限用于图1所示的应用场景中,还可以用于其他可能的应用场景,本发明实施例并不进行限制。
请参见图2,为本发明实施例提供的目标对象的业务推荐方法的流程示意图,该方法的流程介绍如下。
步骤20:获取目标对象关联的历史行为数据,行为数据包括表征目标对象所在位置的数据。
本申请实施例中,行为数据包括能够表征目标对象所在位置的数据,例如支付数据以及定位数据等,目标对象可以认为是一个用户,而在网络中,用户通常是以注册用户的身份出现的,目标对象可以是能够表征注册用户身份信息的内容,例如在某一个应用程序(application,APP)中,用户通常需要注册账户,进而通过该账户使用应用程序中的而一些功能,并产生该账户的行为数据,因而该账户可以代表用户在该APP中的身份,可以将账户作为目标对象;或者,用户注册账户之后,通常会为用户分配用户ID,因此,也可以将用户ID作为目标对象。
一般而言,用户通过终端进行某些行为时,都会产生相应的行为数据。例如,用户通过终端进行电子支付时,则可以产生包含用户本次支付的商家以及支付时间的行为数据;或者,用户通过终端进行地图导航时,则可以产生包含用户行动轨迹和行驶时间的行为数据;或者,用户通过终端使用某个应用时,若该应用被设置为自动定位,那么则可以产生包含定位数据和定位时间的行为数据;或者,用户在使用终端时,都需要与运营商基站进行信令交互,交互的信令也可以作为行为数据。
行为数据可以存储于数据库中,因此在需要行为数据时,可以从数据库中获取。例如,基于用户终端的定位功能采集用户定位数据后,可上报到服务端,服务端对上报的定位数据进行数据清洗后存储到基于位置的服务(LocationBased Services,LBS)地理位置数据库中,那么需要某个目标对象的定位数据时,则可以从LBS地理位置数据库中获取。
步骤21:根据行为数据确定目标对象的常驻区域。
本申请实施例中,由于行为数据可以反映出目标对象行为发生时的位置信息,因此可以通过对行为数据进行数据分析,从而获得目标对象在行为发生时的位置,从而确定目标对象的常驻区域。获取的历史行为数据中可以包括多个目标对象的行为数据,且由于每一目标对象的常驻区域挖掘过程是相同的,因此下面具体以一个目标对象为例,对常驻区域的挖掘过程进行介绍。
具体的,如图3所示,根据行为数据确定目标对象的常驻区域,可以通过如下过程进行实施。
S210:根据历史行为数据中各天中预设时间段内的行为数据,确定目标对象在预设时间段所在的多个位置。
在不同的时间段内,目标对象的行为数据所反映的位置类型可能是不同的,例如,在日间时间段时,一般都是工作时间,行为数据所反映出的位置多半是与工作相关的位置,在晚间时间段时,一般是在家度过,行为数据所反映的位置多半是与居住环境相关的位置,目标对象的工作地和居住环境都能够反映出目标对象的资产水平,但是相对来讲,目标对象的居住环境更能够真实反映目标对象的资产水平,而工作地虽然在一定程度上能够反映用户的资产水平,但是置信度远低于居住环境,因此,对于资产水平的评估,可以是基于居住环境进行的,即常驻区域可以为目标对象的居住小区。因此,在获取历史行为数据之后,可以根据历史行为数据中各天中预设时间段内的行为数据,确定目标对象在预设时间段所在的多个位置。
其中,预设时间段根据对应常驻区域的估计常驻时间设定的。例如常驻区域为工作地时,工作时的估计常驻时间一般为早上9点到下午6点,因此可以将预设时间段设置为早上9点到下午6点;而当常驻区域为居住小区时,按照经验来讲,在晚上10点到早上6点这个时间段时,一般是在家度过的,因此可以将预设时间段设置为晚上10点到早上6点。预设时间段的设置还可以是对目标对象的行为轨迹进行分析后进行设置的,例如基于目标对象的行为轨迹得出目标对象在晚间8点到早上7点这个时间段一般都是在家,那么可以将该目标对象的预设时间段设置为晚间8点到早上7点这个时间段。
具体的,针对具体的一个行为数据,可以包括行为发生时间,以及直接或者间接反映行为发生时位置的信息,因此,可以对行为数据进行分析,得到目标对象的行为发生时间,以及行为发生时的位置信息,这些位置信息表征的位置则为目标对象在预设时间段所在的多个位置。例如,用户在商家A中通过支付账户进行电子支付,那么则可以获取商家A的坐标信息,将其作为支付行为发生时的位置信息;或者,用户使用某APP,APP自动定位产生了定位数据,那么定位数据包括的坐标信息即为行为发生时的位置信息。
S211:根据多个位置确定目标对象所在的多个可选区域。
本申请实施例中,目标对象的行为发生位置与目标对象的常驻区域一般是相关的,例如当目标对象对应用户居住在B小区,那么获取的行为发生位置一般是分布在B小区附近的,因此可以针对获取的目标对象的多个位置分析得到目标对象的常驻区域可能所在的多个可选区域。
具体的,上述多个位置中的一个位置可以与一个可选区域对应。例如,当一个位置属于小区或者办公楼性质的位置时,则确定用户该位置对应可选区域为该小区或者楼盘,例如用户在家使用游戏APP、购物APP或者新闻APP时,APP上报了定位数据,定位的位置即用户所在小区或者小区内楼栋,那么用户所在的小区则可以作为一个可选区域。
或者,还可以由多个位置包围形成的区域对应一个可选区域。例如,当一个位置属于非小区或者办公楼性质的位置时,则可以根据多个位置来确定目标对象所在的可选区域。如图4所示,行为数据表明目标对象在超市C、便利店B和便利店D存在支付行为,超市C、便利店B和便利店D所围成的区域为小区A,那么则可将小区A作为一个可选区域。
S212:从多个可选区域中确定至少一个常驻区域。
由于用户的移动性,基于上述步骤得到的可选区域通常为多个,但是这多个可选区域中可能只有部分为用户本身的居住环境,例如用户加班时,得到的可选区域可能为公司办公楼,或者,到他人家中做客时,得到的可选区域可能为他人的居住小区,因此需要从这些可选区域中确定属于用户的居住区域的常驻区域。
具体的,一般情况下,在预设时间段中,在居住区域或者居住区域附近待的时长最长,那么目标对象在居住区域出现的次数也是最多的,因此可以根据目标对象在每个可选区域的次数,从多个可选区域中确定至少一个常驻区域,或者,根据目标对象在每个可选区域的时长,从多个可选区域中确定至少一个常驻区域。其中,目标对象在每个可选区域的次数可以通过行为数据发生次数来衡量。
此外,除了考虑目标对象在可选区域出现的次数以及时长等,还需要考虑可选区域的类型是否为居住区域。因此,还可以分别确定多个可选区域中每一可选区域的类型是否为居住区域,进而将类型为居住区域的可选区域确定为目标对象的常驻区域。其中,在具体实施时,可以通过次数以及时长等参数对可选区域进行筛选后,再判断可选区域的类型是否居住区域,从而确定出常驻区域。
具体的,对于可选区域的类型的判断,可以是基于POI信息库进行的。在POI信息库中包括了各个信息点的类型信息,因而可以将可选区域与POI信息库进行匹配,从而找到与可选区域匹配的信息点,该信息点的类型即为可选区域的类型,从而确定可选区域的类型是否居住区域。例如针对一个可选区域A小区,可以从POI信息库中找到A小区,知晓A小区的类型为居住区域。
以基于LBS地理位置数据库挖掘用户常驻区域为例,可以从LBS地理位置数据库中获取一年内或者几年内的地理位置数据,从中抽取出各个目标对象在非工作时段的地理位置定位信息,以得到目标对象的多个可选区域,针对于同一目标对象,可以按定位次数进行排名,从中选择定位次数最多N个可选区域top1、top2、…、topn,判断top1、top2、…、topn三个可选区域的类型,以确定目标对象的常驻区域。
如图5所示,为一种可能的针对top1、top2、top3的挖掘流程示意图。
S501:判断top k类型是否为居住区域。
k的初始取值为1。
S502:若S501的结果为是,确定top k为目标对象的常驻区域,流程结束。
S503:若S501的结果为否,使得k=k+1。
S504:判断k是否大于N。
S505:若S501的结果为是,该目标对象常驻区域挖掘失败。
S506:若S501的结果为否,跳转至S501。
当然,在实际应用中,也可以直接分别对N个可选区域进行类型判别,从中选择为居住区域的至少一个常驻区域。
对于挖掘的各个目标对象的常驻区域,可以存储至数据库中,以便需要时从数据库中直接获取即可。
本申请实施例中,目标对象所在的常驻区域可能并非属于自己的资产,例如用户租房居住时,则用户的居住小区的房产并非属于用户的,若以该房产对用户进行资产水平的评估,结果显然是不准确的,因此可以利用居住属性对用户进行过滤。例如居住属性可以包括买房和租房,进而可以过滤租房居住的用户。
步骤22:获得常驻区域对应的资产评估参数数据。
本申请实施例中,资产评估参数数据可以从预先构建的资产样本数据库中获得,资产样本数据库包括多个样本区域对应的资产评估参数数据。其中,资产评估参数是能够衡量目标对象资产水平的参数,例如房产以及常驻区域的物价水平等。
以房产为例,对于房产而言,房产价值无法直接获取,因此可以用常驻区域的房价来衡量。其中,可以获取互联网发布的各城市重点楼盘和二手房价格,将这些小区作为样本小区,来构建房价样本数据库,针对每一样本区域的资产评估参数数据可以包括小区名称、经纬度以及均价。
如图6所示,为基于资产样本数据库获取资产评估参数数据的流程示意图。
S220:确定资产样本数据库中是否已包括目标对象的常驻区域的资产评估参数数据。
S221:若S220的确定结果为是,则输出该常驻区域的资产评估参数数据。
由于资产样本数据库中可能不会囊括所有区域的资产评估参数数据,因此针对目标对象的常驻区域,可以确定资产样本数据库中是否已包括该常驻区域的资产评估参数数据,若是资产样本数据库中已包括该常驻区域的资产评估参数数据,则直接从资产样本数据库中获取该常驻区域的资产评估参数数据;否则,则可以根据资产样本数据库中样本区域对应的资产评估参数数据,采用空间插值方法确定该常驻区域对应的资产评估参数数据。
其中,空间插值方法例如可以为反距离加权插值法或者克里金法,当然,也可以为其他可能的空间插值方法,对此不做限制。这里具体以反距离加权插值法为例进行说明。
S222:若S220的确定结果为否,则分别获取资产样本数据库中各样本区域与该常驻区域之间的距离。
具体的,对于目标对象的一个常驻区域,可以分别获取资产样本数据库中各样本区域与该常驻区域之间的距离。当然,这里需要计算距离的样本区域可以是常驻区域所在城市内的,或者常驻区域所在行政区内的,以减少计算量。距离计算公式可以如下:
S223:确定从资产样本数据库中是否能够找到N个样本区域作为插值样本。
本申请实施例中,N个样本区域为与常驻区域之间的距离位于预设范围内的N个样本区域,N为正整数。由于各个城市的小区在地理位置上的分布密度有所不同,进而样本区域的分布密度也有所不同,因此,预设范围的大小以及样本区域的数量N的取值可以根据小区分布密度或者样本区域的稀疏度来确定。
具体的,在确定分布密度大于第一分布密度时,选择与常驻区域之间的距离位于第一预设范围内的N个样本区域,且N的取值为第一值;或者,在确定样本区域的分布密度不大于第一分布密度,且大于第二分布密度时,选择与常驻区域之间的距离位于第二预设范围内的N个样本区域,且N的取值为第二值;或者,在确定样本区域的分布密度不大于第二分布密度时,选择与常驻区域之间的距离位于第三预设范围内的N个样本区域,且N的取值为第三值。
其中,第一分布密度大于第二分布密度,第一预设范围内的最大值小于第二预设范围内的最大值,且第二预设范围内的最大值小于第三预设范围内的最大值,第一值小于第二值,且第二值小于第三值。上述的分布密度可以为城市小区分布密度,也可以是样本区域的分布密度。
例如,小区分布密度很高时,预设范围可以设置为0~1Km,N的取值可以为3;小区分布密度较高时,预设范围可以设置为0~3Km,N的取值可以为5;小区分布密度较高时,预设范围可以设置为大于3Km,N的取值可以为9。
获取各样本区域与该常驻区域之间的距离之后,则从各样本区域中选择与该常驻区域之间的距离位于预设范围内的N个样本区域,当预设范围内存在大于N个样本区域时,可以选择与常驻区域之间的距离最小的N个样本区域。如图7所示,位于常驻区域(图7中五角星表示)1Km范围内存在A~F五个样本区域,当N为3时,则可以选择A、B和C这三个样本区域,作为插值样本。
S224:在S223的确定结果为否时,将常驻区域所在城市的资产评估参数的均值作为常驻区域的资产评估参数数据。
当然,也可以将常驻区域所在行政区的资产评估参数的均值作为常驻区域的资产评估参数数据。例如当资产评估参数为房价时,则可以将城市房价的均价作为目标对象的常驻区域的房价,或者,将所在行政区的房价的均价作为目标对象的常驻区域的房价。
S225:在S223的确定结果为是时,基于N个样本区域对应的资产评估参数数据,对常驻区域进行空间插值,确定常驻区域对应的资产评估参数数据。
当能够获取N各样本区域时,则可以根据这N个样本区域对应的资产评估参数数据,对常驻区域进行空间插值,来预估常驻区域对应的资产评估参数数据。具体的,可以根据各样本区域与常驻区域之间的距离,分别获取各样本区域的权重值,权重值用于表征样本区域与常驻区域对应的资产评估参数数据之间的接近程度,进而基于各样本区域对应的资产评估参数数据,以及各样本区域的权重值进行加权求和,以得到常驻区域对应的资产评估参数数据。
具体可以通过如下公式计算常驻区域的资产评估参数数据:
其中,是常驻区域的资产评估参数数据的估计值,是样本区域的资产评估参数数据,i=[1、2、…、N],di是第i个样本区域到常驻区域(x0,y0)的距离,λi是第i个样本区域的权重值,p是幂次参数,控制距离影响强弱的因子,p可以根据城市分布密度进行设置。
以资产评估参数数据为房价为例,当选择的样本区域分别为{z1,z2,z3},这三个样本区域与常驻区域之间的距离分别为{d1,d2,d3},则可以根据样本区域的房价预测目标对象的常驻区域的房价可以通过如下公式进行:
这里幂次参数设置为1。基于上述过程,可以获得所有目标对象的常驻区域的房价数据,形成所有区域的房价数据库。
步骤23:根据资产评估参数数据确定目标对象的资产评估等级。
本申请实施例中,获取目标对象的资产评估参数数据之后,则可以根据资产评估参数数据评估目标对象的资产水平。
具体的,可以对资产评估参数划分数值区间,各个数值区间分别对应不同的资产评估等级,这样,就根据目标对象的在资产评估参数数据在各资产评估参数的哪个数值区间内,确定目标对象的资产评估等级。
资产评估参数数据排名区间段 | 资产评估等级 |
排名top 1-top 10 | 超高 |
排名top 10-top 20 | 高 |
排名top 20-top 40 | 中高 |
排名top 40-top 60 | 中 |
排名top 60-top 90 | 中低 |
排名top 90-top 100 | 低 |
表1
具体的,还可以将所有目标对象按照资产评估参数数据的大小进行排序,进而根据排序确定各目标对象的资产评估等级。如表1所示,可以根据资产评估参数数据的大小,从大到小进行排序,然后排序的高低来确定各目标对象的资产评估等级,如上面表1中所示,当一目标对象的资产评估参数数据排名位于top 1-top 10时,确定该目标对象的资产评估等级为超高;或者,当一目标对象的资产评估参数数据排名位于top 10-top 20时,确定该目标对象的资产评估等级为高,以此类推。
本申请实施例中,通过上述步骤21的过程可以得到每一目标对象的常驻区域,形成常驻区域数据库,以及通过上述步骤22的过程可以得到每一常驻区域的资产评估参数数据,形成资产评估参数数据库。通过常驻区域可以将常驻区域数据库与资产评估参数数据库关联起来,得到用户资产数据库,进而根据用户资产数据库中的各数据来评估各目标对象的资产评估等级。其中,用户资产数据库中可包括各用户的身份信息、所在城市、常驻区域以及常驻区域的资产评估参数数据。
步骤24:根据目标对象的资产评估等级,获得与资产评估等级匹配的目标业务。
本申请实施例中,目标对象的资产评估等级可以作为推荐系统的特征,来为目标对象推荐相应的业务,如金融业务推荐或者商品推荐等。具体的,各资产评估等级可以与各业务相对应,因此,获取了目标对象的资产评估等级,则可以获得与资产评估等级匹配的目标业务。
在实际应用中,对于同一业务,不同资产评估等级还可以对应不同的业务信息。
例如,资产评估等级为高或者超高时,可以为目标对象进行奢侈品或者豪华车等高端消费品的广告推荐。当确定为一目标对象进行房产或者家居等广告推荐时,还可以确定与该目标对象资产评估等级匹配的房产或者家居。
步骤25:向目标对象推荐目标业务。
具体的,可以通过APP或者短信推送等方式向目标对象推荐目标业务,以使得用户能够在APP或者短信界面上查看到相关业务信息。例如,以视频APP为例,当用户进入视频APP后,可以在视频APP的广告推荐位上展示为该用户推荐的业务信息。
综上所述,本申请实施例通过用户的居住地信息进行挖掘,进一步结合通过插值法预测得到的资产评估参数数据行,对用户进行资产等级评估,进而为用户推荐相应的业务,在奢侈品、豪华车、房产家居等行业的广告推荐中有不错的效果。
请参见图8,基于同一发明构思,本申请实施例还提供了一种目标对象的业务推荐装置80,该装置包括:
数据获取单元801,用于获取目标对象关联的历史行为数据,行为数据包括表征目标对象所在位置的数据;
常驻区域确定单元802,用于根据行为数据确定目标对象的常驻区域;
资产评估单元803,用于获得常驻区域对应的资产评估参数数据,并根据资产评估参数数据确定目标对象的资产评估等级;
业务推荐单元804,用于根据目标对象的资产评估等级,获得与资产评估等级匹配的目标业务,并向目标对象推荐目标业务。
可选的,常驻区域确定单元802,用于:
根据历史行为数据中各天中预设时间段内的行为数据,确定目标对象在预设时间段所在的多个位置;预设时间段根据对应常驻区域的估计常驻时间设定的;
根据多个位置确定目标对象所在的多个可选区域;其中,一个位置与一个可选区域对应,或者,由多个位置包围形成的区域对应一个可选区域;
从多个可选区域中确定至少一个常驻区域。
可选的,常驻区域确定单元802,用于:
根据目标对象在每个可选区域的次数,从多个可选区域中确定至少一个常驻区域;或者,
根据目标对象在每个可选区域的时长,从多个可选区域中确定至少一个常驻区域。
可选的,常驻区域确定单元802,用于:
分别确定多个可选区域中每一可选区域的类型是否为居住区域;
将类型为居住区域的可选区域确定为目标对象的常驻区域。
可选的,常驻区域确定单元802,用于:
将可选区域与信息点POI信息库进行匹配,将与可选区域匹配的信息点的类型确定为可选区域的类型,以确定可选区域的类型是否为居住区域;POI信息库中包括各信息点的类型信息。
可选的,资产评估单元803,用于:
确定资产样本数据库中是否包括常驻区域的资产评估参数数据;资产样本数据库包括多个样本区域对应的资产评估参数数据;
若确定结果为否,则根据资产样本数据库中样本区域对应的资产评估参数数据,采用空间插值方法确定常驻区域对应的资产评估参数数据。
可选的,资产评估单元803,用于:
获取资产样本数据库中各样本区域与常驻区域之间的距离;
从资产样本数据库中选择与常驻区域之间的距离位于预设范围内的N个样本区域;N为正整数;
基于N个样本区域对应的资产评估参数数据,对常驻区域进行空间插值,确定常驻区域对应的资产评估参数数据。
可选的,资产评估单元803,用于:
在确定样本区域的分布密度大于第一分布密度时,选择与常驻区域之间的距离位于第一预设范围内的N个样本区域,且N的取值为第一值;或者,
在确定样本区域的分布密度不大于第一分布密度,且大于第二分布密度时,选择与常驻区域之间的距离位于第二预设范围内的N个样本区域,且N的取值为第二值;或者,
在确定样本区域的分布密度不大于第二分布密度时,选择与常驻区域之间的距离位于第三预设范围内的N个样本区域,且N的取值为第三值;
其中,第一分布密度大于第二分布密度,第一预设范围内的最大值小于第二预设范围内的最大值,且第二预设范围内的最大值小于第三预设范围内的最大值,第一值小于第二值,且第二值小于第三值。
可选的,资产评估单元803,用于:
根据各样本区域与常驻区域之间的距离,分别获取各样本区域的权重值,权重值用于表征样本区域与常驻区域对应的资产评估参数数据之间的接近程度;
基于各样本区域对应的资产评估参数数据,以及各样本区域的权重值进行加权求和,以得到常驻区域对应的资产评估参数数据。
该装置可以用于执行图2~图7所示的实施例中所示的方法,因此,对于该装置的各功能模块所能够实现的功能等可参考图2~图7所示的实施例的描述,不多赘述。
请参见图9,基于同一技术构思,本发明实施例还提供了一种计算机设备90,可以包括存储器901和处理器902。
所述存储器901,用于存储处理器902执行的计算机程序。存储器901可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据计算机设备的使用所创建的数据等。处理器902,可以是一个中央处理单元(central processing unit,CPU),或者为数字处理单元等等。本发明实施例中不限定上述存储器901和处理器902之间的具体连接介质。本发明实施例在图9中以存储器901和处理器902之间通过总线903连接,总线903在图9中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。所述总线903可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器901可以是易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储器901也可以是非易失性存储器(non-volatilememory),例如只读存储器,快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)、或者存储器901是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器901可以是上述存储器的组合。
处理器902,用于调用所述存储器901中存储的计算机程序时执行如图2~图7所示的实施例中设备所执行的方法。
在一些可能的实施方式中,本发明提供的方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在计算机设备上运行时,所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本发明各种示例性实施方式的方法中的步骤,例如,所述计算机设备可以执行如图2~图7所示的实施例中设备所执行的方法。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。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。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、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (15)
1.一种目标对象的业务推荐方法,其特征在于,所述方法包括:
获取目标对象关联的历史行为数据,所述行为数据包括表征所述目标对象所在位置的数据;
根据所述行为数据确定所述目标对象的常驻区域;
获得所述常驻区域对应的资产评估参数数据;
根据所述资产评估参数数据确定所述目标对象的资产评估等级;
根据所述目标对象的资产评估等级,获得与所述资产评估等级匹配的目标业务;
向所述目标对象推荐所述目标业务。
2.如权利要求1所述的方法,其特征在于,所述根据所述行为数据确定所述目标对象的常驻区域,包括:
根据所述历史行为数据中各天中预设时间段内的行为数据,确定所述目标对象在预设时间段所在的多个位置;所述预设时间段根据对应所述常驻区域的估计常驻时间设定的;
根据所述多个位置确定所述目标对象所在的多个可选区域;其中,一个位置与一个可选区域对应,或者,由多个位置包围形成的区域对应一个可选区域;
从所述多个可选区域中确定至少一个常驻区域。
3.如权利要求2所述的方法,其特征在于,从所述多个可选区域中确定至少一个常驻区域,包括:
根据所述目标对象在每个可选区域的次数,从所述多个可选区域中确定至少一个常驻区域;或者,
根据所述目标对象在每个可选区域的时长,从所述多个可选区域中确定至少一个常驻区域。
4.如权利要求2或3所述的方法,其特征在于,从所述多个可选区域中确定至少一个常驻区域,包括:
分别确定所述多个可选区域中每一可选区域的类型是否为居住区域;
将类型为居住区域的可选区域确定为所述目标对象的常驻区域。
5.如权利要求4所述的方法,其特征在于,确定一可选区域的类型是否为居住区域,包括:
将所述可选区域与信息点POI信息库进行匹配,将与所述可选区域匹配的信息点的类型确定为所述可选区域的类型,以确定所述可选区域的类型是否为居住区域;所述POI信息库中包括各信息点的类型信息。
6.如权利要求1所述的方法,其特征在于,确定所述常驻区域对应的资产评估参数数据,包括:
确定资产样本数据库中是否包括所述常驻区域的资产评估参数数据;所述资产样本数据库包括多个样本区域对应的资产评估参数数据;
若确定结果为否,则根据所述资产样本数据库中样本区域对应的资产评估参数数据,采用空间插值方法确定所述常驻区域对应的资产评估参数数据。
7.如权利要求6所述的方法,其特征在于,根据所述资产样本数据库中样本区域对应的资产评估参数数据,采用空间插值方法确定所述常驻区域对应的资产评估参数数据,包括:
获取所述资产样本数据库中各样本区域与所述常驻区域之间的距离;
从资产样本数据库中选择与所述常驻区域之间的距离位于预设范围内的N个样本区域;N为正整数;
基于所述N个样本区域对应的资产评估参数数据,对所述常驻区域进行空间插值,确定所述常驻区域对应的资产评估参数数据。
8.如权利要求7所述的方法,其特征在于,所述预设范围与所述N的取值与样本区域在地理位置上的分布密度相关,所述从资产样本数据库中选择与所述常驻区域之间的距离位于预设范围内的N个样本区域,包括:
在确定样本区域的分布密度大于第一分布密度时,选择与所述常驻区域之间的距离位于第一预设范围内的N个样本区域,且N的取值为第一值;或者,
在确定样本区域的分布密度不大于所述第一分布密度,且大于第二分布密度时,选择与所述常驻区域之间的距离位于第二预设范围内的N个样本区域,且N的取值为第二值;或者,
在确定样本区域的分布密度不大于所述第二分布密度时,选择与所述常驻区域之间的距离位于第三预设范围内的N个样本区域,且N的取值为第三值;
其中,所述第一分布密度大于所述第二分布密度,所述第一预设范围内的最大值小于所述第二预设范围内的最大值,且所述第二预设范围内的最大值小于所述第三预设范围内的最大值,第一值小于所述第二值,且所述第二值小于所述第三值。
9.如权利要求6所述的方法,其特征在于,基于所述N个样本区域对应的资产评估参数数据,对所述常驻区域进行空间插值,确定所述常驻区域对应的资产评估参数数据,包括:
根据各所述样本区域与所述常驻区域之间的距离,分别获取各所述样本区域的权重值,所述权重值用于表征所述样本区域与所述常驻区域对应的资产评估参数数据之间的接近程度;
基于各所述样本区域对应的资产评估参数数据,以及各所述样本区域的权重值进行加权求和,以得到所述常驻区域对应的资产评估参数数据。
10.一种目标对象的业务推荐装置,其特征在于,所述装置包括:
数据获取单元,用于获取目标对象关联的历史行为数据,所述行为数据包括表征所述目标对象所在位置的数据;
常驻区域确定单元,用于根据所述行为数据确定所述目标对象的常驻区域;
资产评估单元,用于获得所述常驻区域对应的资产评估参数数据,并根据所述资产评估参数数据确定所述目标对象的资产评估等级;
业务推荐单元,用于根据所述目标对象的资产评估等级,获得与所述资产评估等级匹配的目标业务,并向所述目标对象推荐所述目标业务。
11.如权利要求10所述的装置,其特征在于,所述常驻区域确定单元,用于:
根据所述历史行为数据中各天中预设时间段内的行为数据,确定所述目标对象在预设时间段所在的多个位置;所述预设时间段根据对应所述常驻区域的估计常驻时间设定的;
根据所述多个位置确定所述目标对象所在的多个可选区域;其中,一个位置与一个可选区域对应,或者,由多个位置包围形成的区域对应一个可选区域;
从所述多个可选区域中确定至少一个常驻区域。
12.如权利要求10所述的装置,其特征在于,所述资产评估单元,用于:
确定资产样本数据库中是否包括所述常驻区域的资产评估参数数据;所述资产样本数据库包括多个样本区域对应的资产评估参数数据;
若确定结果为否,则根据所述资产样本数据库中样本区域对应的资产评估参数数据,采用空间插值方法确定所述常驻区域对应的资产评估参数数据。
13.如权利要求12所述的装置,其特征在于,所述资产评估单元,用于:
获取所述资产样本数据库中各样本区域与所述常驻区域之间的距离;
从资产样本数据库中选择与所述常驻区域之间的距离位于预设范围内的N个样本区域;N为正整数;
基于所述N个样本区域对应的资产评估参数数据,对所述常驻区域进行空间插值,确定所述常驻区域对应的资产评估参数数据。
14.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,
所述处理器执行所述计算机程序时实现权利要求1至9任一项所述方法的步骤。
15.一种计算机存储介质,其上存储有计算机程序指令,其特征在于,
该计算机程序指令被处理器执行时实现权利要求1至9任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010614084.3A CN111782948A (zh) | 2020-06-30 | 2020-06-30 | 目标对象的业务推荐方法、装置和设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010614084.3A CN111782948A (zh) | 2020-06-30 | 2020-06-30 | 目标对象的业务推荐方法、装置和设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111782948A true CN111782948A (zh) | 2020-10-16 |
Family
ID=72760157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010614084.3A Pending CN111782948A (zh) | 2020-06-30 | 2020-06-30 | 目标对象的业务推荐方法、装置和设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111782948A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396453A (zh) * | 2020-11-05 | 2021-02-23 | 绿瘦健康产业集团有限公司 | 基于居住地址分级的产品推荐方法、装置及存储介质 |
CN113469741A (zh) * | 2021-06-30 | 2021-10-01 | 杭州云深科技有限公司 | App地域分布等级确定方法、装置、计算机设备及存储介质 |
-
2020
- 2020-06-30 CN CN202010614084.3A patent/CN111782948A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396453A (zh) * | 2020-11-05 | 2021-02-23 | 绿瘦健康产业集团有限公司 | 基于居住地址分级的产品推荐方法、装置及存储介质 |
CN113469741A (zh) * | 2021-06-30 | 2021-10-01 | 杭州云深科技有限公司 | App地域分布等级确定方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Hotel location evaluation: A combination of machine learning tools and web GIS | |
Karatas | A multi-objective facility location problem in the presence of variable gradual coverage performance and cooperative cover | |
Suárez-Vega et al. | Locating a supermarket using a locally calibrated Huff model | |
Zhao et al. | LandSys: an agent-based Cellular Automata model of land use change developed for transportation analysis | |
Cheng et al. | Optimizing Location of Car‐Sharing Stations Based on Potential Travel Demand and Present Operation Characteristics: The Case of Chengdu | |
CN109949063B (zh) | 一种地址确定方法、装置、电子设备及可读存储介质 | |
Budziński et al. | Using geographically weighted choice models to account for the spatial heterogeneity of preferences | |
CN112069281B (zh) | 兴趣点位置的确定方法、装置、计算机设备及存储介质 | |
CN108446944B (zh) | 一种常驻城市的确定方法、装置及电子设备 | |
Park et al. | Leveraging temporal changes of spatial accessibility measurements for better policy implications: A case study of electric vehicle (EV) charging stations in Seoul, South Korea | |
Lee et al. | The modifiable areal unit problem in hedonic house-price models | |
CN112861026B (zh) | 用户偏好挖掘方法、装置、介质和电子设备 | |
Abildtrup et al. | Combining RP and SP data while accounting for large choice sets and travel mode–an application to forest recreation | |
Nilsson | The influence of urban and natural amenities on second home prices | |
Sachdeva et al. | Do places have value?: Quantifying the intrinsic value of housing neighborhoods using MGWR | |
Nicholls et al. | Spatial is special: The need to consider spatial effects in leisure research | |
CN116437291A (zh) | 一种基于手机信令的文化圈规划方法和系统 | |
JP2003022314A (ja) | 不動産価格関数推定方法、不動産価格関数推定装置、及び不動産価格関数推定プログラム | |
Cubillos et al. | Solution of the maximal covering tour problem for locating recycling drop-off stations | |
Kopczewska et al. | The price for subway access: spatial econometric modelling of office rental rates in London | |
Scoccimarro et al. | Country-level energy demand for cooling has increased over the past two decades | |
CN111782948A (zh) | 目标对象的业务推荐方法、装置和设备及存储介质 | |
Oppio et al. | Evaluating the urban quality through a hybrid approach: Application in the Milan (Italy) city area | |
Nilsson | Are valuations of place-based amenities driven by scale? | |
Huang | Simulating individual work trips for transit-facilitated accessibility study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40030091 Country of ref document: HK |
|
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201016 |
|
WD01 | Invention patent application deemed withdrawn after publication |