CN111784449A - 数据推送方法、设备、存储介质及装置 - Google Patents
数据推送方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN111784449A CN111784449A CN202010602739.5A CN202010602739A CN111784449A CN 111784449 A CN111784449 A CN 111784449A CN 202010602739 A CN202010602739 A CN 202010602739A CN 111784449 A CN111784449 A CN 111784449A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- recommended
- consumption
- user information
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能,提供一种数据推送方法、设备、存储介质及装置,该方法通过获取待推荐用户的基本信息,根据基本信息从用户关系画像中查找与待推荐用户对应的目标关联用户信息,根据基本信息和目标关联用户信息,计算待推荐用户的消费等级,消费等级用于表征所述待推荐用户的消费能力,结合与用户存在关联关系的目标关联用户信息,从而提高评估用户消费能力的准确性;通过神经网络推荐模型对基本信息和消费等级进行处理,获得目标推荐信息,将目标推荐信息发送至待推荐用户的用户终端,基于数据分析及经过训练的神经网络模型,提高信息推送的准确性。此外,本发明还涉及区块链技术,神经网络推荐模型可存储于区块链中。
Description
技术领域
本发明涉及数据处理的技术领域,尤其涉及一种数据推送方法、设备、存储介质及装置。
背景技术
根据不同的产品类别,有着许多的公司处理各类产品业务,各公司采用各自的数据库管理各自的业务数据,不同的数据库之间没有信息共享,无法对其他数据库中的关联用户进行考虑,导致在对用户进行产品或数据推送时,无法准确评估各用户的全面信息,导致数据推送准确率低。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种数据推送方法、设备、存储介质及装置,旨在解决现有技术中由于不同数据库之间的数据独立,导致数据推送准确率低的技术问题。
为实现上述目的,本发明提供一种数据推送方法,所述数据推送方法包括以下步骤:
获取待推荐用户的基本信息,根据所述基本信息从用户关系画像中查找与所述待推荐用户对应的目标关联用户信息;
根据所述基本信息和所述目标关联用户信息,计算所述待推荐用户的消费等级,所述消费等级用于表征所述待推荐用户的消费能力;
通过神经网络推荐模型对所述基本信息和所述消费等级进行处理,获得目标推荐信息;
将所述目标推荐信息发送至所述待推荐用户的用户终端。
优选地,所述通过神经网络推荐模型对所述基本信息和所述消费等级进行处理,获得目标推荐信息之前,所述数据推送方法还包括:
获取用户关系画像、各用户的消费等级及对应的历史购买产品信息;
根据所述用户关系画像、各用户的消费等级及对应的历史购买产品信息,建立用户信息训练表;
对所述用户信息训练表进行数据数值化,获得数值化训练表;
根据所述数值化训练表对基于遗传算法的反向传播神经网络进行训练,获得神经网络推荐模型,所述神经网络推荐模型存储于区块链中。
优选地,所述根据所述用户关系画像、各用户的消费等级及对应的历史购买产品信息,建立用户信息训练表,包括:
对所述用户关系画像、所述消费等级及所述历史购买产品信息分别设置对应的权重,获得画像权重、影响值权重和历史产品权重;
根据所述用户关系画像、各用户的消费等级、各用户的历史购买产品信息、画像权重、影响值权重和历史产品权重,建立用户信息训练表。
优选地,所述获取待推荐用户的基本信息,根据所述基本信息从用户关系画像中查找与所述待推荐用户对应的目标关联用户信息之前,所述数据推送方法还包括:
获取第一数据库的第一用户信息,并获取除所述第一数据库之外的其他数据库中的第二用户信息;
从所述第二用户信息中提取与第一用户存在关联关系的第一关联用户信息,所述第一用户包括待推荐用户,所述第一关联用户信息包括目标关联用户信息;
根据所述第一用户信息及所述第一关联用户信息建立用户关系画像。
优选地,所述根据所述第一用户信息及所述第一关联用户信息建立用户关系画像,包括:
根据所述第一用户信息及所述第二用户信息,统计各第一关联用户的出现频率;
根据所述第一关联用户信息确定各第一关联用户与所述第一用户之间的亲密程度;
根据所述出现频率和所述亲密程度,计算各第一关联用户与所述第一用户之间的距离系数;
根据所述第一用户信息、所述第一关联用户信息及各第一关联用户与所述第一用户之间的距离系数,建立用户关系画像。
优选地,所述将所述目标推荐信息发送至所述待推荐用户的用户终端之后,所述数据推送方法还包括:
接收所述待推荐用户的更新信息,根据所述更新信息对所述第一数据库中的所述第一用户信息和所述其他数据库中的所述其他用户信息进行更新;
根据更新的第一用户信息及更新的第一关联用户信息,对所述用户关系画像进行更新。
优选地,所述根据所述基本信息和所述目标关联用户信息,计算所述待推荐用户的消费等级,包括:
从所述基本信息中提取历史产品种类基数、产品影响因子、年龄段基数、年龄影响系数、从事行业基数和行业归属影响系数;
根据所述历史产品种类基数、所述产品影响因子、所述年龄段基数、所述年龄影响系数、所述从事行业基数和所述行业归属影响系数,计算所述待推荐用户的产品消费值;
从所述目标关联用户信息中提取亲友消费等级和与所述待推荐用户的距离系数;
根据所述亲友消费等级和所述距离系数,计算所述待推荐用户的亲友影响值;
从所述基本信息中提取所述待推荐用户的资产所处范围基数和资产系数;
根据所述待推荐用户的所述资产所处范围基数、所述资产系数、所述产品消费值和所述亲友影响值,计算所述待推荐用户的消费等级。
此外,为实现上述目的,本发明还提出一种数据推送设备,所述数据推送设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数据推送程序,所述数据推送程序配置为实现如上文所述的数据推送方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有数据推送程序,所述数据推送程序被处理器执行时实现如上文所述的数据推送方法的步骤。
此外,为实现上述目的,本发明还提出一种数据推送装置,所述数据推送装置包括:
查找模块,用于获取待推荐用户的基本信息,根据所述基本信息从用户关系画像中查找与所述待推荐用户对应的目标关联用户信息;
计算模块,用于根据所述基本信息和所述目标关联用户信息,计算所述待推荐用户的消费等级,所述消费等级用于描述所述待推荐用户的消费能力;
处理模块,用于通过神经网络推荐模型对所述基本信息和所述消费等级进行处理,获得目标推荐信息;
发送模块,用于将所述目标推荐信息发送至所述待推荐用户的用户终端。
本发明中,通过获取待推荐用户的基本信息,根据所述基本信息从用户关系画像中查找与所述待推荐用户对应的目标关联用户信息,根据所述基本信息和所述目标关联用户信息,计算所述待推荐用户的消费等级,所述消费等级用于表征所述待推荐用户的消费能力,结合与用户存在关联关系的目标关联用户信息,从而提高评估用户消费能力的准确性;通过神经网络推荐模型对所述基本信息和所述消费等级进行处理,获得目标推荐信息,将所述目标推荐信息发送至所述待推荐用户的用户终端,基于基于数据分析及经过训练的神经网络模型,提高信息推送的准确性。此外,本发明还涉及区块链技术,神经网络推荐模型可存储于区块链中。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的数据推送设备的结构示意图;
图2为本发明数据推送方法第一实施例的流程示意图;
图3为本发明数据推送方法第二实施例的流程示意图;
图4为本发明数据推送方法第三实施例的流程示意图;
图5为本发明数据推送装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的数据推送设备结构示意图。
如图1所示,该数据推送设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对数据推送设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及数据推送程序。
在图1所示的数据推送设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述数据推送设备通过处理器1001调用存储器1005中存储的数据推送程序,并执行本发明实施例提供的数据推送方法。
基于上述硬件结构,提出本发明数据推送方法的实施例。
参照图2,图2为本发明数据推送方法第一实施例的流程示意图,提出本发明数据推送方法第一实施例。
在第一实施例中,所述数据推送方法包括以下步骤:
步骤S10:获取待推荐用户的基本信息,根据所述基本信息从用户关系画像中查找与所述待推荐用户对应的目标关联用户信息。
应理解的是,本实施例的执行主体是所述数据推送设备,其中,所述数据推送设备可为智能手机、个人电脑或服务器等电子设备,本实施例对此不加以限制。所述待推荐用户的基本信息包括性别、年龄、职业、工作城市、车辆价格等级、历史购买产品信息、历史接触标签以及是首保还是续保等信息。所述目标关联用户为与所述待推荐用户存在关联关系的用户,比如配偶、父母或子女等。所述目标关联用户信息包括所述目标关联用户的性别、年龄、职业、工作城市、车辆价格等级、历史购买产品信息、历史接触标签以及是首保还是续保等信息。
需要说明的是,预先将各子公司或机构的数据库中的用户信息进行整合,将存在关联关系的用户进行关联,获得用户关系画像。从而可从所述用户关系画像中查找与所述待推荐用户存在关联关系的目标关联用户信息。
步骤S20:根据所述基本信息和所述目标关联用户信息,计算所述待推荐用户的消费等级,所述消费等级用于表征所述待推荐用户的消费能力。
可理解的是,可先从所述基本信息中提取所述待推荐用户的第一历史购买产品信息,从所述目标关联用户信息中提取所述目标关联用户的第二历史购买产品信息,根据所述第一历史购买产品信息和所述第二历史购买产品信息对所述待推荐用户的消费等级进行计算,例如根据所述待推荐用户在寿险购买了A产品,A产品的保费在那个层级,再结合其他相关特性可以初步判断所述待推荐用户的初步资产系数,从而确定所述待推荐用户的经济定位和投保关注点,从而准确为所述待推荐用户进行信息推送。
进一步地,在本实施例中,所述步骤S20,包括:
从所述基本信息中提取历史产品种类基数、产品影响因子、年龄段基数、年龄影响系数、从事行业基数和行业归属影响系数;
根据所述历史产品种类基数、所述产品影响因子、所述年龄段基数、所述年龄影响系数、所述从事行业基数和所述行业归属影响系数,计算所述待推荐用户的产品消费值;
从所述目标关联用户信息中提取亲友消费等级和与所述待推荐用户的距离系数;
根据所述亲友消费等级和所述距离系数,计算所述待推荐用户的亲友影响值;
从所述基本信息中提取所述待推荐用户的资产所处范围基数和资产系数;
根据所述待推荐用户的所述资产所处范围基数、所述资产系数、所述产品消费值和所述亲友影响值,计算所述待推荐用户的消费等级。
在具体实现中,将各类产品按照价格设置对应的产品种类基数;所述产品影响因子为影响产品价格的因子,比如市场价格等;将年龄按照不同年龄段设置对应的年龄段基数;所述年龄影响系数根据经验值设置,比如,通常处于22~32和32~42年龄段的用户相较于其他年龄段消费能力更强,可设置较高的年龄影响系数;所述从事行业基数可根据不同行业的薪资水平进行设置;根据不同行业分类设置对应的所述行业归属影响系数,比如服装行业和饰品行业都属于消费品类别,基板和印制线路板都属于集成电路类别,根据各类别的稳定性,对于消费品类别和集成电路类别等分类根据经验值设置对应的所述行业归属影响系数。
应理解的是,产品消费值的计算公式为:产品消费值=历史产品种类基数*产品影响因子+年龄段基数*年龄影响系数+从事行业基数*行业归属影响系数;若还有其他因素影响用户的产品消费值,可以继续添加至所述产品消费值的计算公式中进行计算。统计在所述用户关系画像中到所述待推荐用户相关联的节点链路中不超过3层的节点,即为所述目标关联用户,将所述目标关联用户的消费等级和距离系数相乘,获得所述目标关联用户对所述待推荐用户的贡献值,以此方法计算所有3层节点的各目标关联用户的贡献值求和,获得所述待推荐用户的亲友影响值。用户的消费等级的计算公式为:资产所处范围基数*资产系数+产品消费值+亲友影响值。
步骤S30:通过神经网络推荐模型对所述基本信息和所述消费等级进行处理,获得目标推荐信息。
在具体实现中,获取用户关系画像、各用户的消费等级及对应的历史购买产品信息,根据所述用户关系画像、各用户的消费等级及对应的历史购买产品信息对基于遗传算法(genetic algorithm,GA)的反向传播(back propagation,BP)神经网络进行训练,获得所述神经网络推荐模型,则将所述基本信息和所述消费等级输入所述神经网络推荐模型进行处理,获得目标推荐信息。经过大量数据训练的神经网络推荐模型,具有更好的数据推荐能力,获得的所述目标推荐信息符合所述待推荐用户的消费能力。
步骤S40:将所述目标推荐信息发送至所述待推荐用户的用户终端。
可理解的是,将符合所述待推荐用户的消费能力的所述目标推荐信息,发送至所述待推荐用户的用户终端,以使所述待推荐用户通过所述用户终端进行目标推荐信息的查看,提升用户体验。
在本实施例中,通过获取待推荐用户的基本信息,根据所述基本信息从用户关系画像中查找与所述待推荐用户对应的目标关联用户信息,根据所述基本信息和所述目标关联用户信息,计算所述待推荐用户的消费等级,所述消费等级用于表征所述待推荐用户的消费能力,结合与用户存在关联关系的目标关联用户信息,从而提高评估用户消费能力的准确性;通过神经网络推荐模型对所述基本信息和所述消费等级进行处理,获得目标推荐信息,将所述目标推荐信息发送至所述待推荐用户的用户终端,基于数据分析及经过训练的神经网络模型,提高信息推送的准确性。
参照图3,图3为本发明数据推送方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明数据推送方法的第二实施例。
在第二实施例中,在所述步骤S30之前,还包括:
步骤S201:获取用户关系画像、各用户的消费等级及对应的历史购买产品信息。
应理解的是,所述用户关系画像中包括各个数据库中的所有用户的基本信息,所述基本信息包括性别、年龄、职业、工作城市、车辆价格等级、历史购买产品信息、历史接触标签以及是首保还是续保等。所述用户关系画像中包括各用户之间的关联关系。通过将各数据库中的用户信息进行同步和完善,获得所述用户关系画像,所述用户关系画像中还包括根据各种算法计算的产品消费值、亲友影响值和消费等级等要素信息。
步骤S202:根据所述用户关系画像、各用户的消费等级及对应的历史购买产品信息,建立用户信息训练表。
需要说明的是,根据所述用户关系画像中的用户信息、各用户的消费等级及对应的历史购买产品信息,建立各种产品信息与各用户之间的映射关系。每个用户都可能购买一个或多个产品,一个产品也可能被一个或多个用户购买,因此,各产品信息和各用户之间存在多对多的映射关系。各种产品信息与各用户之间的映射关系即可作为所述用户信息训练表。还可将用户历史购买产品编码、产品所属细化分类和购买时长,是否续保也追加进入所述用户信息训练表。
进一步地,所述步骤S202,还包括:
对所述用户关系画像、所述消费等级及所述历史购买产品信息分别设置对应的权重,获得画像权重、影响值权重和历史产品权重;
根据所述用户关系画像、各用户的消费等级、各用户的历史购买产品信息、画像权重、影响值权重和历史产品权重,建立用户信息训练表。
可理解的是,可对用户信息、消费等级和历史购买产品信息这些维度分别设置不同的权重,以对所述数值化训练表进行修正,从而获得更好的训练效果。还可根据后续目标推荐信息的准确率,判断是否对画像权重、影响值权重和历史产品权重进行调整,以提高所述神经网络推荐模型的处理能力。
步骤S203:对所述用户信息训练表进行数据数值化,获得数值化训练表。
在具体实现中,对数据进行预处理,将所述用户信息训练表相关字段尤其是职业、城市等定性化数据进行数值化,历史购买产品信息、产品所属类别使用编码进行标示,以进行多维度训练。多维度包括用户信息、消费等级和历史购买产品信息等维度。
步骤S204:根据所述数值化训练表对基于遗传算法的反向传播神经网络进行训练,获得神经网络推荐模型,所述神经网络推荐模型存储于区块链中。
应理解的是,使用GA-BP神经网络对所述数值化训练表进行训练,获得训练好的神经网络推荐模型,通过定时任务将待推荐用户信息输入已经训练好的神经网络推荐模型,输出的目标推荐信息为推送至所述待推荐用户的产品信息,对待推荐用户进行产品推荐,以对用户关系画像中的潜在用户推荐合适的产品。例如,训练过程中,GA-BP神经网络的参数设置如下表1和表2所示:
表1:BP神经网络相关参数初始设置拟设表
表2:GA算法相关参数拟设置表
其中,表1中隐含层传输函数为逻辑(logsig)函数,输出层传输函数为逻辑(Logsig)函数,训练(traingdx)函数是带冲量(momentum)的梯度下降(gd,Gradientdescent)和具有自适应学习速率(lr,learning rate)的反向传播(bp)的一种多层感知机(MLP,multi-layer perceptron)。
需要强调的是,为进一步保证上述神经网络推荐模型的私密和安全性,上述神经网络推荐模型还可以存储于一区块链的节点中。
在本实施例中,通过获取用户关系画像、各用户的消费等级及对应的历史购买产品信息,根据所述用户关系画像、各用户的消费等级及对应的历史购买产品信息,建立用户信息训练表,对所述用户信息训练表进行数据数值化,获得数值化训练表,根据所述数值化训练表对基于遗传算法的反向传播神经网络进行训练,获得神经网络推荐模型,经过训练获得的神经网络推荐模型具有较好的用户信息处理能力,提高目标推荐信息的准确度。
参照图4,图4为本发明数据推送方法第三实施例的流程示意图,基于上述方法第一实施例或第二实施例,提出本发明数据推送方法的第三实施例。本实施例中基于所述第一实施例进行说明。
在第三实施例中,在所述步骤S10之前,还包括:
步骤S01:获取第一数据库的第一用户信息,并获取除所述第一数据库之外的其他数据库中的第二用户信息。
需要说明的是,所述第一数据库可以是某个子公司或机构的数据库,用于存储该子公司的各种数据信息,比如用户信息、产品信息和业务员信息等。所述其他数据库是指其他子公司或机构的数据库,用于存储对应子公司或机构的各种数据信息,比如用户信息、产品信息和业务员信息等。所述其他数据库不包括所述第一数据库。所述第一用户信息为存储在所述第一数据库中所有用户的基本信息;所述第二用户信息为存储在所述其他数据库中所有用户的基本信息。
步骤S02:从所述第二用户信息中提取与第一用户存在关联关系的第一关联用户信息,所述第一用户包括待推荐用户,所述第一关联用户信息包括目标关联用户信息。
可理解的是,所述其他用户为其他数据库中除了所述第一用户之外的用户,在所述第一用户信息中未描述的亲友关系,在第二用户信息中可能存在第一关联用户将所述第一用户列为亲友,则可将所述第一关联用户与所述第一数据库中的第一用户建立亲友关系。举个例子,在产险的车险保单中,被保人A是第一用户,在寿险的平安福保单中,A是被保人(第一关联用户)的亲属或朋友,第一用户和第一关联用户彼此熟悉且关系较为密切。
步骤S03:根据所述第一用户信息及所述第一关联用户信息建立用户关系画像。
应理解的是,根据所述第一用户信息及所述第一关联用户信息建立用户关系画像,也就是说,将各数据库中存在的关联关系的用户均进行关联,获得所述用户关系画像。则可从所述用户关系画像中查找与所述待推荐用户存在关联关系的目标关联用户信息。
进一步地,所述步骤S03,包括:
根据所述第一用户信息及所述第二用户信息,统计各第一关联用户的出现频率;
根据所述第一关联用户信息确定各第一关联用户与所述第一用户之间的亲密程度;
根据所述出现频率和所述亲密程度,计算各第一关联用户与所述第一用户之间的距离系数;
根据所述第一用户信息、所述第一关联用户信息及各第一关联用户与所述第一用户之间的距离系数,建立用户关系画像。
在具体实现中,对于一个第一用户,可能存在多个存在关联关系的第一关联用户,为了区分各第一关联用户,可对各第一关联用户设置对应的距离系数,在各数据库中多次出现与所述第一用户存在关联关系的第一关联用户,通常与所述第一用户的关系更密切,则可统计各第一关联用户的出现频率,可根据直系亲属、旁系亲属、朋友和同学等关系设置对应的亲密程度。所述出现频率越高,且所述亲密程度越高,则所述距离系数越小,可将所述距离系数作为所述用户关系画像中的节点层数,根据所述第一用户信息、所述第一关联用户信息及各第一关联用户与所述第一用户之间的距离系数,建立用户关系画像。
进一步地,在本实施例中,所述步骤S40之后,还包括:
接收所述待推荐用户的更新信息,根据所述更新信息对所述第一数据库中的所述第一用户信息和所述其他数据库中的所述其他用户信息进行更新;
根据更新的第一用户信息及更新的第一关联用户信息,对所述用户关系画像进行更新。
需要说明的是,所述更新信息包括所述待推荐用户新购买的产品信息,或者所述待推荐用户的联系方式变更等,则将所述第一数据库和各所述其他数据库中的用户信息进行相应地更新。所述第一数据库和所述其他数据库属于不同的内网,根据所述更新信息对各数据库进行及时更新,以使得各子公司的业务员能够掌握最新的用户信息,实现用户信息在各子公司之间的信息共享。实现集团各专业公司客户信息的相互校准,例如:产险电销坐席已经判定某个客户的手机号是空号,那么寿险的坐席就没必要再去拨打这个号码。将从其他专业公司同步过来的用户数据进行相应处理后直接进入产险客户资源池,后续可以将其分配给产险电销坐席或是创展业务员进行销售或拜访。所述更新信息可以是任意一个数据库中同步过来的数据,具体更新过程包括:对同步过来的用户信息通过用户身份证号匹配各数据库中现有用户名单,如果存在则作为该条记录的扩展将新增的亲友信息、手机号等进行补充入库;对于所述第一数据库中没有的用户,则将用户信息进行新增入库,包括该用户在其他数据库中存储的关联用户信息等,关联用户的手机号也需要与第一数据库现有客户进行递归匹配,对匹配到的用户关联;对于第一数据库中因为同步操作进行过新增修改的记录,需要重新计算用户的消费等级;对于新增的用户,需要根据用户标签和分类自动派工到相应的业务人员。
在本实施例中,通过获取第一数据库的第一用户信息,并获取除所述第一数据库之外的其他数据库中的第二用户信息,从所述第二用户信息中提取与第一用户存在关联关系的第一关联用户信息,所述第一用户包括待推荐用户,所述第一关联用户信息包括目标关联用户信息,根据所述第一用户信息及所述第一关联用户信息建立用户关系画像,实现各数据库中用户信息的共享同步,提高评估用户消费能力的准确性,从而提高数据推送的准确性。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有数据推送程序,所述数据推送程序被处理器执行时实现如上文所述的数据推送方法的步骤。
此外,参照图5,本发明实施例还提出一种数据推送装置,所述数据推送装置包括:
查找模块10,用于获取待推荐用户的基本信息,根据所述基本信息从用户关系画像中查找与所述待推荐用户对应的目标关联用户信息。
应理解的是,所述待推荐用户的基本信息包括性别、年龄、职业、工作城市、车辆价格等级、历史购买产品信息、历史接触标签以及是首保还是续保等信息。所述目标关联用户为与所述待推荐用户存在关联关系的用户,比如配偶、父母或子女等。所述目标关联用户信息包括所述目标关联用户的性别、年龄、职业、工作城市、车辆价格等级、历史购买产品信息、历史接触标签以及是首保还是续保等信息。
需要说明的是,预先将各子公司或机构的数据库中的用户信息进行整合,将存在关联关系的用户进行关联,获得用户关系画像。从而可从所述用户关系画像中查找与所述待推荐用户存在关联关系的目标关联用户信息。
计算模块20,用于根据所述基本信息和所述目标关联用户信息,计算所述待推荐用户的消费等级,所述消费等级用于表征所述待推荐用户的消费能力。
可理解的是,可先从所述基本信息中提取所述待推荐用户的第一历史购买产品信息,从所述目标关联用户信息中提取所述目标关联用户的第二历史购买产品信息,根据所述第一历史购买产品信息和所述第二历史购买产品信息对所述待推荐用户的消费等级进行计算,例如根据所述待推荐用户在寿险购买了A产品,A产品的保费在那个层级,再结合其他相关特性可以初步判断所述待推荐用户的初步资产系数,从而确定所述待推荐用户的经济定位和投保关注点,从而准确为所述待推荐用户进行信息推送。
进一步地,在本实施例中,所述计算模块20,还用于从所述基本信息中提取历史产品种类基数、产品影响因子、年龄段基数、年龄影响系数、从事行业基数和行业归属影响系数;根据所述历史产品种类基数、所述产品影响因子、所述年龄段基数、所述年龄影响系数、所述从事行业基数和所述行业归属影响系数,计算所述待推荐用户的产品消费值;从所述目标关联用户信息中提取亲友消费等级和与所述待推荐用户的距离系数;根据所述亲友消费等级和所述距离系数,计算所述待推荐用户的亲友影响值;从所述基本信息中提取所述待推荐用户的资产所处范围基数和资产系数;根据所述待推荐用户的所述资产所处范围基数、所述资产系数、所述产品消费值和所述亲友影响值,计算所述待推荐用户的消费等级。
在具体实现中,将各类产品按照价格设置对应的产品种类基数;所述产品影响因子为影响产品价格的因子,比如市场价格等;将年龄按照不同年龄段设置对应的年龄段基数;所述年龄影响系数根据经验值设置,比如,通常处于22~32和32~42年龄段的用户相较于其他年龄段消费能力更强,可设置较高的年龄影响系数;所述从事行业基数可根据不同行业的薪资水平进行设置;根据不同行业分类设置对应的所述行业归属影响系数,比如服装行业和饰品行业都属于消费品类别,基板和印制线路板都属于集成电路类别,根据各类别的稳定性,对于消费品类别和集成电路类别等分类根据经验值设置对应的所述行业归属影响系数。
应理解的是,产品消费值的计算公式为:产品消费值=历史产品种类基数*产品影响因子+年龄段基数*年龄影响系数+从事行业基数*行业归属影响系数;若还有其他因素影响用户的产品消费值,可以继续添加至所述产品消费值的计算公式中进行计算。统计在所述用户关系画像中到所述待推荐用户相关联的节点链路中不超过3层的节点,即为所述目标关联用户,将所述目标关联用户的消费等级和距离系数相乘,获得所述目标关联用户对所述待推荐用户的贡献值,以此方法计算所有3层节点的各目标关联用户的贡献值求和,获得所述待推荐用户的亲友影响值。用户的消费等级的计算公式为:资产所处范围基数*资产系数+产品消费值+亲友影响值。
处理模块30,还用于通过神经网络推荐模型对所述基本信息和所述消费等级进行处理,获得目标推荐信息。
在具体实现中,获取用户关系画像、各用户的消费等级及对应的历史购买产品信息,根据所述用户关系画像、各用户的消费等级及对应的历史购买产品信息对基于遗传算法(genetic algorithm,GA)的反向传播(back propagation,BP)神经网络进行训练,获得所述神经网络推荐模型,则将所述基本信息和所述消费等级输入所述神经网络推荐模型进行处理,获得目标推荐信息。经过大量数据训练的神经网络推荐模型,具有更好的数据推荐能力,获得的所述目标推荐信息符合所述待推荐用户的消费能力。
发送模块40,用于将所述目标推荐信息发送至所述待推荐用户的用户终端。
可理解的是,将符合所述待推荐用户的消费能力的所述目标推荐信息,发送至所述待推荐用户的用户终端,以使所述待推荐用户通过所述用户终端进行目标推荐信息的查看,提升用户体验。
在本实施例中,通过获取待推荐用户的基本信息,根据所述基本信息从用户关系画像中查找与所述待推荐用户对应的目标关联用户信息,根据所述基本信息和所述目标关联用户信息,计算所述待推荐用户的消费等级,所述消费等级用于表征所述待推荐用户的消费能力,结合与用户存在关联关系的目标关联用户信息,从而提高评估用户消费能力的准确性;通过神经网络推荐模型对所述基本信息和所述消费等级进行处理,获得目标推荐信息,将所述目标推荐信息发送至所述待推荐用户的用户终端,基于数据分析及经过训练的神经网络模型,提高信息推送的准确性。
在一实施例中,所述数据推送装置还包括:
获取模块,用于获取用户关系画像、各用户的消费等级及对应的历史购买产品信息;
建立模块,用于根据所述用户关系画像、各用户的消费等级及对应的历史购买产品信息,建立用户信息训练表;
数值化模块,用于对所述用户信息训练表进行数据数值化,获得数值化训练表;
训练模块,用于根据所述数值化训练表对基于遗传算法的反向传播神经网络进行训练,获得神经网络推荐模型,所述神经网络推荐模型存储于区块链中。
在一实施例中,所述建立模块,还用于对所述用户关系画像、所述消费等级及所述历史购买产品信息分别设置对应的权重,获得画像权重、影响值权重和历史产品权重;根据所述用户关系画像、各用户的消费等级、各用户的历史购买产品信息、画像权重、影响值权重和历史产品权重,建立用户信息训练表。
在一实施例中,所述获取模块,还用于获取第一数据库的第一用户信息,并获取除所述第一数据库之外的其他数据库中的第二用户信息;
所述数据推送装置还包括:
提取模块,用于从所述第二用户信息中提取与第一用户存在关联关系的第一关联用户信息,所述第一用户包括待推荐用户,所述第一关联用户信息包括目标关联用户信息;
所述建立模块,还用于根据所述第一用户信息及所述第一关联用户信息建立用户关系画像。
在一实施例中,所述建立模块,还用于根据所述第一用户信息及所述第二用户信息,统计各第一关联用户的出现频率;根据所述第一关联用户信息确定各第一关联用户与所述第一用户之间的亲密程度;根据所述出现频率和所述亲密程度,计算各第一关联用户与所述第一用户之间的距离系数;根据所述第一用户信息、所述第一关联用户信息及各第一关联用户与所述第一用户之间的距离系数,建立用户关系画像。
在一实施例中,所述数据推送装置还包括:
更新模块,用于接收所述待推荐用户的更新信息,根据所述更新信息对所述第一数据库中的所述第一用户信息和所述其他数据库中的所述其他用户信息进行更新;根据更新的第一用户信息及更新的第一关联用户信息,对所述用户关系画像进行更新。
本发明所述数据推送装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种数据推送方法,其特征在于,所述数据推送方法包括以下步骤:
获取待推荐用户的基本信息,根据所述基本信息从用户关系画像中查找与所述待推荐用户对应的目标关联用户信息;
根据所述基本信息和所述目标关联用户信息,计算所述待推荐用户的消费等级,所述消费等级用于表征所述待推荐用户的消费能力;
通过神经网络推荐模型对所述基本信息和所述消费等级进行处理,获得目标推荐信息;
将所述目标推荐信息发送至所述待推荐用户的用户终端。
2.如权利要求1所述的数据推送方法,其特征在于,所述通过神经网络推荐模型对所述基本信息和所述消费等级进行处理,获得目标推荐信息之前,所述数据推送方法还包括:
获取用户关系画像、各用户的消费等级及对应的历史购买产品信息;
根据所述用户关系画像、各用户的消费等级及对应的历史购买产品信息,建立用户信息训练表;
对所述用户信息训练表进行数据数值化,获得数值化训练表;
根据所述数值化训练表对基于遗传算法的反向传播神经网络进行训练,获得神经网络推荐模型,所述神经网络推荐模型存储于区块链中。
3.如权利要求2所述的数据推送方法,其特征在于,所述根据所述用户关系画像、各用户的消费等级及对应的历史购买产品信息,建立用户信息训练表,包括:
对所述用户关系画像、所述消费等级及所述历史购买产品信息分别设置对应的权重,获得画像权重、影响值权重和历史产品权重;
根据所述用户关系画像、各用户的消费等级、各用户的历史购买产品信息、画像权重、影响值权重和历史产品权重,建立用户信息训练表。
4.如权利要求1所述的数据推送方法,其特征在于,所述获取待推荐用户的基本信息,根据所述基本信息从用户关系画像中查找与所述待推荐用户对应的目标关联用户信息之前,所述数据推送方法还包括:
获取第一数据库的第一用户信息,并获取除所述第一数据库之外的其他数据库中的第二用户信息;
从所述第二用户信息中提取与第一用户存在关联关系的第一关联用户信息,所述第一用户包括待推荐用户,所述第一关联用户信息包括目标关联用户信息;
根据所述第一用户信息及所述第一关联用户信息建立用户关系画像。
5.如权利要求4所述的数据推送方法,其特征在于,所述根据所述第一用户信息及所述第一关联用户信息建立用户关系画像,包括:
根据所述第一用户信息及所述第二用户信息,统计各第一关联用户的出现频率;
根据所述第一关联用户信息确定各第一关联用户与所述第一用户之间的亲密程度;
根据所述出现频率和所述亲密程度,计算各第一关联用户与所述第一用户之间的距离系数;
根据所述第一用户信息、所述第一关联用户信息及各第一关联用户与所述第一用户之间的距离系数,建立用户关系画像。
6.如权利要求4所述的数据推送方法,其特征在于,所述将所述目标推荐信息发送至所述待推荐用户的用户终端之后,所述数据推送方法还包括:
接收所述待推荐用户的更新信息,根据所述更新信息对所述第一数据库中的所述第一用户信息和所述其他数据库中的所述其他用户信息进行更新;
根据更新的第一用户信息及更新的第一关联用户信息,对所述用户关系画像进行更新。
7.如权利要求1~6中任一项所述的数据推送方法,其特征在于,所述根据所述基本信息和所述目标关联用户信息,计算所述待推荐用户的消费等级,包括:
从所述基本信息中提取历史产品种类基数、产品影响因子、年龄段基数、年龄影响系数、从事行业基数和行业归属影响系数;
根据所述历史产品种类基数、所述产品影响因子、所述年龄段基数、所述年龄影响系数、所述从事行业基数和所述行业归属影响系数,计算所述待推荐用户的产品消费值;
从所述目标关联用户信息中提取亲友消费等级和与所述待推荐用户的距离系数;
根据所述亲友消费等级和所述距离系数,计算所述待推荐用户的亲友影响值;
从所述基本信息中提取所述待推荐用户的资产所处范围基数和资产系数;
根据所述待推荐用户的所述资产所处范围基数、所述资产系数、所述产品消费值和所述亲友影响值,计算所述待推荐用户的消费等级。
8.一种数据推送装置,其特征在于,所述数据推送装置包括:
查找模块,用于获取待推荐用户的基本信息,根据所述基本信息从用户关系画像中查找与所述待推荐用户对应的目标关联用户信息;
计算模块,用于根据所述基本信息和所述目标关联用户信息,计算所述待推荐用户的消费等级,所述消费等级用于描述所述待推荐用户的消费能力;
处理模块,用于通过神经网络推荐模型对所述基本信息和所述消费等级进行处理,获得目标推荐信息;
发送模块,用于将所述目标推荐信息发送至所述待推荐用户的用户终端。
9.一种数据推送设备,其特征在于,所述数据推送设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数据推送程序,所述数据推送程序被所述处理器执行时实现如权利要求1至7中任一项所述的数据推送方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有数据推送程序,所述数据推送程序被处理器执行时实现如权利要求1至7中任一项所述的数据推送方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010602739.5A CN111784449A (zh) | 2020-06-29 | 2020-06-29 | 数据推送方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010602739.5A CN111784449A (zh) | 2020-06-29 | 2020-06-29 | 数据推送方法、设备、存储介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784449A true CN111784449A (zh) | 2020-10-16 |
Family
ID=72760244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010602739.5A Pending CN111784449A (zh) | 2020-06-29 | 2020-06-29 | 数据推送方法、设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784449A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112269926A (zh) * | 2020-10-21 | 2021-01-26 | 深圳思为科技有限公司 | 数据推送方法及相关装置 |
CN112561651A (zh) * | 2020-12-17 | 2021-03-26 | 中国平安人寿保险股份有限公司 | 产品信息推送方法以及相关产品 |
CN112884550A (zh) * | 2021-02-07 | 2021-06-01 | 绿瘦健康产业集团有限公司 | 一种基于客户购买能力的商品推荐方法及装置 |
CN113723525A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技(深圳)有限公司 | 基于遗传算法的产品推荐方法、装置、设备及存储介质 |
-
2020
- 2020-06-29 CN CN202010602739.5A patent/CN111784449A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112269926A (zh) * | 2020-10-21 | 2021-01-26 | 深圳思为科技有限公司 | 数据推送方法及相关装置 |
CN112561651A (zh) * | 2020-12-17 | 2021-03-26 | 中国平安人寿保险股份有限公司 | 产品信息推送方法以及相关产品 |
CN112884550A (zh) * | 2021-02-07 | 2021-06-01 | 绿瘦健康产业集团有限公司 | 一种基于客户购买能力的商品推荐方法及装置 |
CN113723525A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技(深圳)有限公司 | 基于遗传算法的产品推荐方法、装置、设备及存储介质 |
CN113723525B (zh) * | 2021-08-31 | 2024-02-20 | 平安科技(深圳)有限公司 | 基于遗传算法的产品推荐方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784449A (zh) | 数据推送方法、设备、存储介质及装置 | |
CN105677831B (zh) | 一种确定推荐商户的方法及装置 | |
CN107871276A (zh) | 贷款产品的查询装置、方法及计算机可读存储介质 | |
JP6014515B2 (ja) | レコメンド情報提供システム、レコメンド情報生成装置、レコメンド情報提供方法、およびプログラム | |
US11727420B2 (en) | Time series clustering analysis for forecasting demand | |
WO2017028735A1 (zh) | 选择及推荐展示对象的方法及装置 | |
US20170024783A1 (en) | Methods and systems for ranking merchants | |
US10223726B2 (en) | Information provisioning device, method, and medium for evaluating and estimating gift candidates | |
CN116308684B (zh) | 一种网购平台店铺信息推送方法及系统 | |
JP6976207B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
US20230297552A1 (en) | System, Method, and Computer Program Product for Monitoring and Improving Data Quality | |
JP2016206878A (ja) | 営業員育成支援システムおよび営業員育成支援方法 | |
CN109711917A (zh) | 信息推送方法和装置 | |
CN111461827B (zh) | 产品评价信息的推送方法和装置 | |
KR102115364B1 (ko) | 전자명함 플랫폼 및 전자명함 플랫폼을 이용한 정보공유방법 | |
CN112581226A (zh) | 产品推荐方法及系统 | |
CN113537878A (zh) | 包裹派送方法、装置、设备及存储介质 | |
CN110276648A (zh) | 客户识别及提醒方法和装置 | |
CN114461918A (zh) | 物品推荐方法、装置、电子设备和存储介质 | |
CN115578155A (zh) | 一种订单搜索方法、装置、计算机设备和存储介质 | |
CN114153860A (zh) | 业务数据管理方法及装置、电子设备、存储介质 | |
CN114187029A (zh) | 一种商品价格参数验证的方法和系统 | |
CN113448876A (zh) | 一种业务测试方法、装置、计算机设备及存储介质 | |
CN110727858A (zh) | 一种推荐方法、计算机存储介质及电子设备 | |
CN111489245A (zh) | 数据处理方法、装置、计算机设备和可读存储介质 |
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 |