CN111858873A - 一种推荐内容的确定方法、装置、电子设备及存储介质 - Google Patents
一种推荐内容的确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111858873A CN111858873A CN202010318760.2A CN202010318760A CN111858873A CN 111858873 A CN111858873 A CN 111858873A CN 202010318760 A CN202010318760 A CN 202010318760A CN 111858873 A CN111858873 A CN 111858873A
- Authority
- CN
- China
- Prior art keywords
- recommended
- target user
- candidate
- determining
- contents
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 61
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06Q30/01—Customer relationship services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及数据处理技术领域,尤其涉及一种推荐内容的确定方法、装置、电子设备及存储介质。本申请在检测到目标用户触发客户服务时,通过确定出的目标用户的用户信息对应的信息特征向量,可以确定出用于推送给目标用户的多个候选推荐内容,这样,通过针对目标用户自身的特征,来为目标用户进行推荐,可以提升推荐内容的准确性,进一步地,通过预设的推荐特征匹配条件,从多个候选推荐内容中,可以筛选出用于推送给目标用户包括属于可解释类型的候选推荐内容,这样,优选为目标用户推荐可解释类型的推荐内容,可以提升推荐内容的可信度,进而,提升用户选择推荐内容的意愿,以提高解决问题的效率。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种推荐内容的确定方法、装置、电子设备及存储介质。
背景技术
客户服务主要分为在线客服、语音客服和人工客服,在线客服和语音客服的出现,大大减少了对人工客服的依赖。通常,在用户请求这类客户服务时,服务系统会先推荐给用户常见问题的问题列表,并在用户选择其中一个问题后,给出该问题对应的解答内容,这样,可以减少用户的输入成本,提高为用户解决问题的效率。
但是,请求客户服务的用户是带着很强的目的性的,即用户是带着问题而来的,目前的推荐方法给出的问题列表通常是常见的、普遍性的问题,对于某个用户来讲,针对性不高,导致推荐的准确率不高。
发明内容
有鉴于此,本申请实施例至少提供一种推荐内容的确定方法、装置、电子设备及存储介质,可以提升推荐内容的准确性,并提高解决问题的效率。
本申请主要包括以下几个方面:
第一方面,本申请实施例提供一种推荐内容的确定方法,所述确定方法包括:
在检测到目标用户触发客户服务时,获取所述目标用户的用户信息,并确定所述用户信息对应的信息特征向量;
基于所述信息特征向量,确定出用于推送给所述目标用户的多个候选推荐内容;
基于预设的推荐特征匹配条件,从所述多个候选推荐内容中,确定出用于推送给所述目标用户的目标推荐内容;其中,所述目标推荐内容包括属于可解释类型的候选推荐内容。
在本申请的一些实施例中,所述确定方法还包括根据以下步骤确定所述信息特征向量:
从所述用户信息中提取特征,得到所述用户信息对应的多个特征元素;
将所述多个特征元素与所述客户服务对应的预设特征池中的特征元素进行匹配,得到特征匹配结果;
根据所述特征匹配结果,生成所述用户信息对应的信息特征向量;
其中,所述用户信息包括所述目标用户的基本信息、所述目标用户的历史订单信息、所述目标用户的历史行为信息。
在本申请的一些实施例中,所述基于所述信息特征向量,确定出用于推送给所述目标用户的多个候选推荐内容,包括:
将所述信息特征向量输入训练好的推荐模型,得到所述目标用户选择各个预设推荐内容的概率;
从各个所述预设推荐内容中,选取对应的概率大于或等于预设阈值的预设推荐内容,确定为用于推送给所述目标用户的候选推荐内容。
在本申请的一些实施例中,所述确定方法还包括根据以下步骤生成训练好的推荐模型:
获取各个样本用户对应的用户信息和样本推荐内容;
从各个样本用户的用户信息中,提取出各个样本用户分别对应的样本特征向量;
根据提取出的样本特征向量和所述样本推荐内容,对初始的推荐模型进行训练,生成训练好的推荐模型。
在本申请的一些实施例中,所述基于预设的推荐特征匹配条件,从所述多个候选推荐内容中,确定出用于推送给所述目标用户的目标推荐内容,包括:
根据每个所述候选推荐内容的内容特征,判断每个所述候选推荐内容是否满足所述推荐特征匹配条件;
将所述多个候选推荐内容中,满足所述推荐特征匹配条件的候选推荐内容,确定为属于所述可解释类型的候选推荐内容,以及,将不满足所述推荐特征匹配条件的候选推荐内容,确定为属于不可解释类型的候选推荐内容;
将属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容。
在本申请的一些实施例中,所述基于预设的推荐特征匹配条件,从所述多个候选推荐内容中,确定出用于推送给所述目标用户的目标推荐内容,包括:
根据所述推荐特征匹配条件,确定所述多个候选推荐内容中属于所述可解释类型的候选推荐内容和属于不可解释类型的候选推荐内容,以及属于所述可解释类型的候选推荐内容的第一数量;
若所述第一数量大于或等于预设数量,则从所述多个候选推荐内容中,选取所述预设数量的属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容;
若所述第一数量小于所述预设数量,将所述预设数量减去所述第一数量,得到第二数量,并从所述多个候选推荐内容中,选取所述第二数量的属于所述不可解释类型的候选推荐内容,以及所述第一数量的属于所述可解释类型的候选推荐内容,共同确定为用于推送给所述目标用户的目标推荐内容。
在本申请的一些实施例中,所述从所述多个候选推荐内容中,选取所述预设数量的属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容,包括:
基于所述用户信息,确定所述目标用户选择各个属于所述可解释类型的候选推荐内容的概率;
按照对应的概率由高到低的顺序,对各个属于所述可解释类型的推荐内容进行排序,选取排序靠前的所述预设数量的属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容。
在本申请的一些实施例中,所述从所述多个候选推荐内容中,选取所述第二数量的属于所述不可解释类型的候选推荐内容,包括:
基于所述用户信息,确定所述目标用户选择各个属于所述不可解释类型的候选推荐内容的概率;
按照对应的概率由高到低的顺序,对各个属于所述不可解释类型的候选推荐内容进行排序,选取排序靠前的所述第二数量的属于所述不可解释类型的候选推荐内容。
在本申请的一些实施例中,所述确定方法还包括:
对所述目标推荐内容中属于所述可解释类型的候选推荐内容添加推荐解释后,推荐给所述目标用户。
第二方面,本申请实施例还提供一种推荐内容的确定装置,所述确定装置包括:
第一确定模块,用于在检测到目标用户触发客户服务时,获取所述目标用户的用户信息,并确定所述用户信息对应的信息特征向量;
第二确定模块,用于基于所述信息特征向量,确定出用于推送给所述目标用户的多个候选推荐内容;
第三确定模块,用于基于预设的推荐特征匹配条件,从所述多个候选推荐内容中,确定出用于推送给所述目标用户的目标推荐内容;其中,所述目标推荐内容包括属于可解释类型的候选推荐内容。
在本申请的一些实施例中,所述第一确定模块包括:
第一生成单元,用于从所述用户信息中提取特征,得到所述用户信息对应的多个特征元素;
匹配单元,用于将所述多个特征元素与所述客户服务对应的预设特征池中的特征元素进行匹配,得到特征匹配结果;
第二生成单元,用于根据所述特征匹配结果,生成所述用户信息对应的信息特征向量;
其中,所述用户信息包括所述目标用户的基本信息、所述目标用户的历史订单信息、所述目标用户的历史行为信息。
在本申请的一些实施例中,所述第二确定模块包括:
第三生成单元,用于将所述信息特征向量输入训练好的推荐模型,得到所述目标用户选择各个预设推荐内容的概率;
选取单元,用于从各个所述预设推荐内容中,选取对应的概率大于或等于预设阈值的预设推荐内容,确定为用于推送给所述目标用户的候选推荐内容。
在本申请的一些实施例中,所述确定装置还包括生成模块;所述生成模块,用于根据以下步骤生成训练好的推荐模型:
获取各个样本用户对应的用户信息和样本推荐内容;
从各个样本用户的用户信息中,提取出各个样本用户分别对应的样本特征向量;
根据提取出的样本特征向量和所述样本推荐内容,对初始的推荐模型进行训练,生成训练好的推荐模型。
在本申请的一些实施例中,所述第三确定模块,还用于根据以下步骤确定所述目标推荐内容:
根据每个所述候选推荐内容的内容特征,判断每个所述候选推荐内容是否满足所述推荐特征匹配条件;
将所述多个候选推荐内容中,满足所述推荐特征匹配条件的候选推荐内容,确定为属于所述可解释类型的候选推荐内容,以及,将不满足所述推荐特征匹配条件的候选推荐内容,确定为属于不可解释类型的候选推荐内容;
将属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容。
在本申请的一些实施例中,所述第三确定模块包括:
第一确定单元,用于根据所述推荐特征匹配条件,确定所述多个候选推荐内容中属于所述可解释类型的候选推荐内容和属于不可解释类型的候选推荐内容,以及属于所述可解释类型的候选推荐内容的第一数量;
第二确定单元,用于若所述第一数量大于或等于预设数量,则从所述多个候选推荐内容中,选取所述预设数量的属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容;
第三确定单元,用于若所述第一数量小于所述预设数量,将所述预设数量减去所述第一数量,得到第二数量,并从所述多个候选推荐内容中,选取所述第二数量的属于所述不可解释类型的候选推荐内容,以及所述第一数量的属于所述可解释类型的候选推荐内容,共同确定为用于推送给所述目标用户的目标推荐内容。
在本申请的一些实施例中,所述第二确定单元,还用于根据以下步骤确定所述目标推荐内容:
基于所述用户信息,确定所述目标用户选择各个属于所述可解释类型的候选推荐内容的概率;
按照对应的概率由高到低的顺序,对各个属于所述可解释类型的推荐内容进行排序,选取排序靠前的所述预设数量的属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容。
在本申请的一些实施例中,所述第三确定单元,还用于根据以下步骤选取属于所述不可解释类型的候选推荐内容:
基于所述用户信息,确定所述目标用户选择各个属于所述不可解释类型的候选推荐内容的概率;
按照对应的概率由高到低的顺序,对各个属于所述不可解释类型的候选推荐内容进行排序,选取排序靠前的所述第二数量的属于所述不可解释类型的候选推荐内容。
在本申请的一些实施例中,所述确定装置还包括:
添加模块,用于对所述目标推荐内容中属于所述可解释类型的候选推荐内容添加推荐解释后,推荐给所述目标用户。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线进行通信,所述机器可读指令被所述处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的推荐内容的确定方法的步骤。
第四方面,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中所述的推荐内容的确定方法的步骤。
在本申请实施例中,在检测到目标用户触发客户服务时,通过确定出的目标用户的用户信息对应的信息特征向量,可以确定出用于推送给目标用户的多个候选推荐内容,这样,通过针对目标用户自身的特征,来为目标用户进行推荐,可以提升推荐内容的准确性,进一步地,通过预设的推荐特征匹配条件,从多个候选推荐内容中,可以筛选出用于推送给目标用户包括属于可解释类型的候选推荐内容,这样,优选为目标用户推荐可解释类型的推荐内容,可以提升推荐内容的可信度,进而,提升用户选择推荐内容的意愿,以提高解决问题的效率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1为本申请实施例提供的一种推荐系统的架构示意图;
图2示出了本申请实施例所提供的一种推荐内容的确定方法的流程图;
图3示出了本申请实施例所提供的另一种推荐内容的确定方法的流程图;
图4示出了本申请实施例所提供的一种推荐内容的确定装置的结构示意图之一;
图5示出了图4中的第一确定模块的结构示意图;
图6示出了图4中的第二确定模块的结构示意图;
图7示出了本申请实施例所提供的一种推荐内容的确定装置的结构示意图之二;
图8示出了图4中的第三确定模块的结构示意图;
图9示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,应当理解,本申请中的附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“客户服务”,给出以下实施方式,对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。
本申请实施例下述方法、装置、电子设备或计算机可读存储介质可以应用于任何需要进行推荐内容的确定的场景,本申请实施例并不对具体的应用场景作限制,任何使用本申请实施例提供的推荐内容的确定方法及装置的方案均在本申请保护范围内。
值得注意的是,在本申请提出之前,目前的推荐方法给出的问题列表通常是常见的、普遍性的问题,对于某个用户来讲,针对性不高,导致推荐的准确率不高。因此,用户选择推荐的问题的概率较低,还需要人工客服的介入来解决用户的问题,解决问题的效率不高。
针对上述问题,本申请实施例,在检测到目标用户触发客户服务时,通过确定出的目标用户的用户信息对应的信息特征向量,可以确定出用于推送给目标用户的多个候选推荐内容,这样,通过针对目标用户自身的特征,来为目标用户进行推荐,可以提升推荐内容的准确性,进一步地,通过预设的推荐特征匹配条件,从多个候选推荐内容中,可以筛选出用于推送给目标用户包括属于可解释类型的候选推荐内容,这样,优选为目标用户推荐可解释类型的推荐内容,可以提升推荐内容的可信度,进而,提升用户选择推荐内容的意愿,以提高解决问题的效率。
为便于对本申请进行理解,下面结合具体实施例对本申请提供的技术方案进行详细说明。
图1为本申请实施例提供的一种推荐系统的架构示意图。推荐系统可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的客户服务平台。推荐系统可以包括服务请求端110、网络120、服务提供端130和数据库140中的一种或多种。
在一些实施例中,服务请求端110为用户终端,用户终端可以为移动终端,也可以为个人电脑。服务提供端130可以为服务器,也可以为云平台,服务提供端130包括处理器,处理器可以处理与服务请求有关的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,处理器对目标用户的用户信息进行处理,确定出用于推送给目标用户的目标推荐内容。在一些实施例中,处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit,ASIC)、专用指令集处理器(Application Specific Instruction-set Processor,ASIP)、图形处理单元(GraphicsProcessing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field Programmable GateArray,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing,RISC)、或微处理器等,或其任意组合。
在一些实施例中,数据库140可以连接到网络120以与推荐系统中的一个或多个组件(例如,服务请求端110,服务提供端130等)通信。推荐系统中的一个或多个组件可以经由网络120访问存储在数据库140中的数据或指令。在一些实施例中,数据库140可以是服务提供端130的一部分。
图2为本申请实施例所提供的一种推荐内容的确定方法的流程图。如图2所示,本申请实施例提供的推荐内容的确定方法,包括以下步骤:
S201:在检测到目标用户触发客户服务时,获取所述目标用户的用户信息,并确定所述用户信息对应的信息特征向量。
在具体实施中,在检测到目标用户触发客户服务时,即,在接收到目标用户请求客户服务时,获取目标用户的用户信息,这里,用户信息可以为反映出目标用户的基本信息、行为信息、偏好信息、特征信息的信息,并从目标用户的用户信息中提取出目标用户的特征,确定出目标用户的用户信息对应的信息特征向量。
进一步地,对通过目标用户的用户信息,确定出用户信息对应的信息特征向量的步骤展开说明,也即,根据以下步骤确定所述信息特征向量:
从所述用户信息中提取特征,得到所述用户信息对应的多个特征元素;将所述多个特征元素与所述客户服务对应的预设特征池中的特征元素进行匹配,得到特征匹配结果;根据所述特征匹配结果,生成所述用户信息对应的信息特征向量;其中,所述用户信息包括所述目标用户的基本信息、所述目标用户的历史订单信息、所述目标用户的历史行为信息。
在具体实施中,可以先从服务平台中获取到目标用户的用户信息,并对用户信息进行特征处理,即,从用户信息中提取出特征元素,这些特征元素可以反映出目标用户的特征,进而,将目标用户对应的特征元素与客户服务对应的预设特征池中的特征元素进行匹配,得到特征匹配结果,进而,根据特征匹配结果,生成用户信息对应的信息特征向量,具体地,可以事先根据预设特征池中的特征元素,确定信息特征向量的维度,并根据目标用户对应的特征元素,来确定信息特征向量中的各个元素,进而得到目标用户对应的特征向量。
这里,服务平台可以为出行平台,用户信息可以为目标用户的基本信息、历史订单信息、历史行为信息,其中,基本信息包括但不限于性别、年龄、身份、地域,历史订单信息为目标用户在服务平台上产生的订单信息,包括但不限于出行地点、出行时间,历史行为信息可以为目标用户的行为偏好信息。
S202:基于所述信息特征向量,确定出用于推送给所述目标用户的多个候选推荐内容。
在具体实施中,在获取到目标用户的用户信息,并确定出用户信息对应的信息特征向量后,通过可以反映出目标用户特征的信息特征向量,来确定出用于推送给目标用户的多个候选推荐内容,候选推荐内容可以理解为预测出的目标用户可能想要咨询的问题。通常,进入客户服务中的用户是带着很强的目的性的,即用户是带着问题而来,所以不同于其他场景的推荐,客户服务中的问题推荐需要结合用户自身的情况,而不是针对大众普遍性的推荐,针对性更强,其他场景推荐比如,商品推荐、地点推荐、服务推荐等。这里,本申请通过目标用户自身的特征,来为目标用户进行推荐,更具针对性,不会出现目标用户最近没有打车,在目标用户请求客户服务时,推荐给该目标用户“司机迟到了,怎么办”这类不符合目标用户实际情况的推荐内容,可以提升推荐内容的准确性。
进一步地,对通过目标用户对应的信息特征向量,确定出向目标用户推荐的候选推荐内容的具体步骤进行详细说明,也即,步骤S202中基于所述信息特征向量,确定出用于推送给所述目标用户的多个候选推荐内容,包括以下步骤:
将所述信息特征向量输入训练好的推荐模型,得到所述目标用户选择各个预设推荐内容的概率;从各个所述预设推荐内容中,选取对应的概率大于或等于预设阈值的预设推荐内容,确定为用于推送给所述目标用户的候选推荐内容。
在具体实施中,可以事先训练好推荐模型,通过将目标用户对应的信息向量输入训练好的推荐模型中,可以预测出目标用户选择各个预设推荐内容的概率,这里,训练好的推荐模型中事先预设有与客户服务场景对应的预设推荐内容,预设推荐内容可以为客户服务场景中各个用户在历史上咨询过的问题,进而,可以通过预测出的目标用户可能选择的各个预设推荐内容的概率,来确定向目标用户推送的候选推荐内容,具体地,选择对应的概率大于或等于预设阈值的预设推荐内容,确定为用于推送给目标用户的候选推荐内容。其中,预设阈值可以根据实际需要进行设置,优选设置为90%。
这里,推荐模型可以为深度神经模型DeepFM,深度神经模型包含两部分,一部分为神经网络部分,另一部分为因子分解机部分,分别负责低阶特征的提取和高阶特征的提取,这两部分共享同样的输入。对于本申请,通过将目标用户的信息特征向量输入训练好的深度神经模型,可以更准确地对目标用户的特征进行分析,进而,得到更为准确的用于推送给目标用户的候选推荐内容。这里,推荐模型也可以为其他神经网络模型。
进一步地,可以根据以下步骤生成训练好的推荐模型:
获取各个样本用户对应的用户信息和样本推荐内容;从各个样本用户的用户信息中,提取出各个样本用户分别对应的样本特征向量;根据提取出的样本特征向量和所述样本推荐内容,对初始的推荐模型进行训练,生成训练好的推荐模型。
在具体实施中,可以实时从服务平台中获取请求过客户服务的用户作为样本用户的用户信息,将各个样本用户的用户信息作为训练样本,将客户服务中用户咨询过的问题作为样本推荐内容,进而,从每个样本用户的用户信息中,提取出每个样本用户分别对应的样本特征向量,具体地,将每个样本用户的用户信息,放入特征池中进行处理,得到每个样本用户对应的样本特征向量,并根据每个样本用户的样本特征向量和样本推荐内容,对初始的推荐模型进行训练,得到训练好的推荐模型。这里,可以从服务平台中实时或每隔预设时获样本用户的用户信息和样本推荐内容,来对推荐模型不断训练、不断更新。
S203:基于预设的推荐特征匹配条件,从所述多个候选推荐内容中,确定出用于推送给所述目标用户的目标推荐内容;其中,所述目标推荐内容包括属于可解释类型的候选推荐内容。
在具体实施中,通过目标用户对应的信息特征向量,确定出的用于推送给目标用户的多个候选推荐内容中,包括属于可解释类型的候选推荐内容和不可解释类型的候选推荐内容,通过预设的推荐特征匹配条件,可以从多个候选推荐内容中,筛选出包括属于可解释类型的候选推荐内容,优先作为推送给目标用户的目标推荐内容,这样,可以提升推荐内容的可信度,进而,提升用户选择推荐内容的意愿,以提高解决问题的效率。
其中,通过推荐特征匹配条件可以区分候选推荐内容是否属于可解释类型的候选推荐内容,通常,属于可解释类型的推荐内容是具备一定的内容特征的内容,故,可以设计出推荐特征匹配条件识别出可解释类型的推荐内容。其中,属于可解释类型的推荐内容包括但不限于包含费用的内容,比如过桥费、停车费、高速费。
这里,对于不可解释类型的推荐内容,是指不适合通过语言来解释向目标用户这样推荐的原因,对于客户服务领域来讲,不可解释类型的推荐内容,比如“如何更换手机号”、“如何注销账号”、“司机态度恶劣”等;对于可解释类型的推荐内容,是指适合通过语言来解释向目标用户这样推荐的原因,对于客户服务领域来讲,可解释类型的推荐内容,比如“为什么收取附加费”、“司机绕路怎么办”、“打车的预估金额和实际金额不一致原因”。
进一步地,在步骤S203中确定出用于推送给所述目标用户的目标推荐内容之后,还包括以下步骤:
对所述目标推荐内容中属于所述可解释类型的候选推荐内容添加推荐解释后,推荐给所述目标用户。
在具体实施中,对于属于可解释类型的候选推荐内容,可以在给出的这类推荐内容的基础上作出解释,这样,从用户角度来说,用户不仅仅获得了向其推送的推荐内容,还获得了为什么推送这些推荐内容的原因。比如,新闻推荐中,给出为什么从几百篇新闻中给出一篇新闻进行推荐的原因。
需要说明的是,当前对于推荐内容后处理主要是为了能够展现给用户推荐内容的原因,来提高推荐内容的透明度和可信度,比如推荐了一本书,需要给用户列出原因例如你的微信好友喜欢这个,但是,这些推荐内容都是有固定的模版,千篇一律,用户的新鲜感也缺失,这个模版可以适配许多推荐内容,他们与内容不是强相关,所以推荐效果也一般。不同于其他类型的推荐,比如,商品推荐、地点推荐、服务推荐等,本申请中的推荐内容应用于客户服务领域,对于客户服务领域来说,对客户服务中的问题推荐的推荐准确率的要求更高,因为进入客户服务中的用户是带着很强的目的性的,即用户是带着问题而来,问题比如,司机进线咨询服务分为啥降低、乘客进线咨询预估费用和实际费用为啥不一致,本申请通过目标用户的用户信息来确定向目标用户推荐的候选推荐内容,这样,通过针对目标用户自身的特征,来为目标用户进行推荐,可以提升推荐内容的准确性,而且,从候选推荐内容中优选可解释类型的推荐内容向目标用户推荐,可以提升推荐内容的可信度和透明度,进而,提升用户选择推荐内容的意愿,以提高解决问题的效率。
在本申请实施例中,在检测到目标用户触发客户服务时,通过确定出的目标用户的用户信息对应的信息特征向量,可以确定出用于推送给目标用户的多个候选推荐内容,这样,通过针对目标用户自身的特征,来为目标用户进行推荐,可以提升推荐内容的准确性,进一步地,通过预设的推荐特征匹配条件,从多个候选推荐内容中,可以筛选出用于推送给目标用户包括属于可解释类型的候选推荐内容,这样,优选为目标用户推荐可解释类型的推荐内容,可以提升推荐内容的可信度,进而,提升用户选择推荐内容的意愿,以提高解决问题的效率。
图3为本申请实施例所提供的另一种推荐内容的确定方法的流程图。如图3所示,本申请实施例提供的推荐内容的确定方法,包括以下步骤:
S301:在检测到目标用户触发客户服务时,获取所述目标用户的用户信息,并确定所述用户信息对应的信息特征向量。
S302:基于所述信息特征向量,确定出用于推送给所述目标用户的多个候选推荐内容。
S303:根据每个所述候选推荐内容的内容特征,判断每个所述候选推荐内容是否满足所述推荐特征匹配条件。
在具体实施中,属于可解释类型的推荐内容是具备一定的内容特征的内容,故,可以设计出推荐特征匹配条件,从多个候选推荐内容中,识别出可解释类型的推荐内容。
S304:将所述多个候选推荐内容中,满足所述推荐特征匹配条件的候选推荐内容,确定为属于所述可解释类型的候选推荐内容,以及,将不满足所述推荐特征匹配条件的候选推荐内容,确定为属于不可解释类型的候选推荐内容。
在具体实施中,通过推荐特征匹配条件,可以将确定出的向目标用户推荐的多个候选推荐内容,区分为两种类型的候选推荐内容,一类为可解释类型,另一类为不可解释类型。这里,推荐特征匹配条件中包括多个特征,当一个候选推荐内容的内容特征与推荐特征匹配条件中的至少一个特征匹配时,即满足推荐特征匹配条件,确定该候选推荐内容为属于可解释类型的推荐内容;当一个候选推荐内容的内容特征与推荐特征匹配条件中的特征都不匹配时,即不满足推荐特征匹配条件,确定该候选推荐内容为属于不可解释类型的推荐内容。
S305:将属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容。
在具体实施中,通过预设的推荐特征匹配条件,将确定出的多个候选推荐内容分为不可解释类型的候选推荐内容和可解释类型的候选推荐内容,并将属于可解释类型的候选推荐内容,确定为用于推送给目标用户的目标推荐内容,这样,在保证推荐内容的准确性的同时,只向目标用户推荐可解释类型的推荐内容,可以提升推荐内容的可信度和透明度,进而,提升用户选择推荐内容的意愿,可以提高解决问题的效率。
进一步地,除了将候选推荐内容中的属于可解释类型的候选推荐内容,作为目标推荐内容推送给目标用户的方案,即,侧重向目标用户推送属于可解释类型的候选推荐内容的方案外,还可以将属于不可解释类型的、目标用户可能选择概率高的候选推荐内容,作为属于可解释类型的候选推荐内容的补充,推送给目标用户的方案,这种方案,可以权衡可解释性和推荐模型的预测结果,来进行推荐。
也即,所述基于预设的推荐特征匹配条件,从所述多个候选推荐内容中,确定出用于推送给所述目标用户的目标推荐内容,还包括以下步骤:
步骤a:根据所述推荐特征匹配条件,确定所述多个候选推荐内容中属于所述可解释类型的候选推荐内容和属于不可解释类型的候选推荐内容,以及属于所述可解释类型的候选推荐内容的第一数量。
在具体实施中,可以事先设置向用户推送的目标推荐内容的预设数量,当从确定出的多个候选推荐内容中,确定出的属于可解释类型的候选推荐内容的第一数量。
步骤b:若所述第一数量大于或等于预设数量,则从所述多个候选推荐内容中,选取所述预设数量的属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容。
在具体实施中,若属于可解释类型的候选推荐内容的第一数量大于或等于预设数量时,将该多个候选推荐内容中,所有属于可解释类型的候选推荐内容都作为目标推荐内容推送给目标用户。
进一步地,步骤b中所述从所述多个候选推荐内容中,选取所述预设数量的属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容,包括以下步骤:
基于所述用户信息,确定所述目标用户选择各个属于所述可解释类型的候选推荐内容的概率;按照对应的概率由高到低的顺序,对各个属于所述可解释类型的推荐内容进行排序,选取排序靠前的所述预设数量的属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容。
这里,考虑到基于目标用户的特征,预测出的目标用户选择各个候选推荐模型的概率,可以从该多个候选推荐内容中,选取对应的概率靠前的预设数量的属于可解释类型的候选推荐内容,作为目标推荐内容推荐给目标用户,这样,可以在保证推送给目标用户的推荐内容的准确性的同时,优选为目标用户推荐可解释类型的推荐内容,可以提升推荐内容的可信度,进而,提升用户选择推荐内容的意愿,以提高解决问题的效率。
步骤c:若所述第一数量小于所述预设数量,将所述预设数量减去所述第一数量,得到第二数量,并从所述多个候选推荐内容中,选取所述第二数量的属于所述不可解释类型的候选推荐内容,以及所述第一数量的属于所述可解释类型的候选推荐内容,共同确定为用于推送给所述目标用户的目标推荐内容。
在具体实施中,若属于可解释类型的候选推荐内容的第一数量小于预设数量时,将该多个候选推荐内容中,所有属于可解释类型的候选推荐内容都作为目标推荐内容推送给目标用户,并且,从候选推荐内容中,选取第二数量的属于不可解释类型的候选推荐内容,作为补充,也推送给目标用户,这里,第二数量为预设数量减去第一数量得到的数量。
进一步地,步骤c中所述从所述多个候选推荐内容中,选取所述第二数量的属于所述不可解释类型的候选推荐内容,包括以下步骤:
基于所述用户信息,确定所述目标用户选择各个属于所述不可解释类型的候选推荐内容的概率;按照对应的概率由高到低的顺序,对各个属于所述不可解释类型的候选推荐内容进行排序,选取排序靠前的所述第二数量的属于所述不可解释类型的候选推荐内容。
这里,在确定出的多个候选推荐内容中的,属于可解释类型的候选推荐内容的第一数量不足预先设置的向用户推送的推荐内容的预设数量时,可以将属于不可解释类型的推荐内容作为补充,来推送给目标用户,这里,可以从该多个候选推荐内容中,选取对应的概率靠前的预设数量的属于不可解释类型的候选推荐内容,作为目标推荐内容推荐给目标用户,这样,可以兼顾推送给目标用户的推荐内容的准确性和解释性,优选为目标用户推荐可解释类型的推荐内容,时属于不可解释类型的推荐内容作为补充,也推送给目标用户,可以提升推荐内容的可信度,进而,提升用户选择推荐内容的意愿,以提高解决问题的效率。
在本申请实施中,在检测到目标用户触发客户服务时,通过确定出的目标用户的用户信息对应的信息特征向量,可以确定出用于推送给目标用户的多个候选推荐内容,这样,通过针对目标用户自身的特征,来为目标用户进行推荐,可以提升推荐内容的准确性,进一步地,通过预设的推荐特征匹配条件,从多个候选推荐内容中,可以筛选出用于推送给目标用户包括属于可解释类型的候选推荐内容,这样,优选为目标用户推荐可解释类型的推荐内容,可以提升推荐内容的可信度,进而,提升用户选择推荐内容的意愿,以提高解决问题的效率。
基于同一申请构思,本申请实施例中还提供了与上述实施例提供的推荐内容的确定方法对应的推荐内容的确定装置,由于本申请实施例中的装置解决问题的原理与本申请上述实施例的推荐内容的确定方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
如图4至图8所示,图4示出了本申请实施例所提供的一种推荐内容的确定装置400的结构示意图之一;图5示出了图4中的第一确定模块410的结构示意图;图6示出了图4中的第二确定模块420的结构示意图;图7示出了本申请实施例所提供的一种推荐内容的确定装置400的结构示意图之二;图8示出了图4中的第三确定模块430的结构示意图。
如图4所示,所述推荐内容的确定装置400包括:
第一确定模块410,用于在检测到目标用户触发客户服务时,获取所述目标用户的用户信息,并确定所述用户信息对应的信息特征向量;
第二确定模块420,用于基于所述信息特征向量,确定出用于推送给所述目标用户的多个候选推荐内容;
第三确定模块430,用于基于预设的推荐特征匹配条件,从所述多个候选推荐内容中,确定出用于推送给所述目标用户的目标推荐内容;其中,所述目标推荐内容包括属于可解释类型的候选推荐内容。
在本申请的一些实施例中,如图5所示,所述第一确定模块410包括:
第一生成单元412,用于从所述用户信息中提取特征,得到所述用户信息对应的多个特征元素;
匹配单元414,用于将所述多个特征元素与所述客户服务对应的预设特征池中的特征元素进行匹配,得到特征匹配结果;
第二生成单元416,用于根据所述特征匹配结果,生成所述用户信息对应的信息特征向量;
其中,所述用户信息包括所述目标用户的基本信息、所述目标用户的历史订单信息、所述目标用户的历史行为信息。
在本申请的一些实施例中,如图6所示,所述第二确定模块420包括:
第三生成单元422,用于将所述信息特征向量输入训练好的推荐模型,得到所述目标用户选择各个预设推荐内容的概率;
选取单元424,用于从各个所述预设推荐内容中,选取对应的概率大于或等于预设阈值的预设推荐内容,确定为用于推送给所述目标用户的候选推荐内容。
在本申请的一些实施例中,如图7所示,所述推荐内容的确定装置400还包括生成模块440;所述生成模块440,用于根据以下步骤生成训练好的推荐模型:
获取各个样本用户对应的用户信息和样本推荐内容;
从各个样本用户的用户信息中,提取出各个样本用户分别对应的样本特征向量;
根据提取出的样本特征向量和所述样本推荐内容,对初始的推荐模型进行训练,生成训练好的推荐模型。
在本申请的一些实施例中,如图4所示,所述第三确定模块430,还用于根据以下步骤确定所述目标推荐内容:
根据每个所述候选推荐内容的内容特征,判断每个所述候选推荐内容是否满足所述推荐特征匹配条件;
将所述多个候选推荐内容中,满足所述推荐特征匹配条件的候选推荐内容,确定为属于所述可解释类型的候选推荐内容,以及,将不满足所述推荐特征匹配条件的候选推荐内容,确定为属于不可解释类型的候选推荐内容;
将属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容。
在本申请的一些实施例中,如图8所示,所述第三确定模块430包括:
第一确定单元432,用于根据所述推荐特征匹配条件,确定所述多个候选推荐内容中属于所述可解释类型的候选推荐内容和属于不可解释类型的候选推荐内容,以及属于所述可解释类型的候选推荐内容的第一数量;
第二确定单元434,用于若所述第一数量大于或等于预设数量,则从所述多个候选推荐内容中,选取所述预设数量的属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容;
第三确定单元436,用于若所述第一数量小于所述预设数量,将所述预设数量减去所述第一数量,得到第二数量,并从所述多个候选推荐内容中,选取所述第二数量的属于所述不可解释类型的候选推荐内容,以及所述第一数量的属于所述可解释类型的候选推荐内容,共同确定为用于推送给所述目标用户的目标推荐内容。
在本申请的一些实施例中,如图8所示,所述第二确定单元434,还用于根据以下步骤确定所述目标推荐内容:
基于所述用户信息,确定所述目标用户选择各个属于所述可解释类型的候选推荐内容的概率;
按照对应的概率由高到低的顺序,对各个属于所述可解释类型的推荐内容进行排序,选取排序靠前的所述预设数量的属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容。
在本申请的一些实施例中,如图8所示,所述第三确定单元436,还用于根据以下步骤选取属于所述不可解释类型的候选推荐内容:
基于所述用户信息,确定所述目标用户选择各个属于所述不可解释类型的候选推荐内容的概率;
按照对应的概率由高到低的顺序,对各个属于所述不可解释类型的候选推荐内容进行排序,选取排序靠前的所述第二数量的属于所述不可解释类型的候选推荐内容。
在本申请的一些实施例中,如图7所示,所述推荐内容的确定装置400还包括:
添加模块450,用于对所述目标推荐内容中属于所述可解释类型的候选推荐内容添加推荐解释后,推荐给所述目标用户。
在本申请的实施例中,在检测到目标用户触发客户服务时,通过确定出的目标用户的用户信息对应的信息特征向量,可以确定出用于推送给目标用户的多个候选推荐内容,这样,通过针对目标用户自身的特征,来为目标用户进行推荐,可以提升推荐内容的准确性,进一步地,通过预设的推荐特征匹配条件,从多个候选推荐内容中,可以筛选出用于推送给目标用户包括属于可解释类型的候选推荐内容,这样,优选为目标用户推荐可解释类型的推荐内容,可以提升推荐内容的可信度,进而,提升用户选择推荐内容的意愿,以提高解决问题的效率。
基于同一申请构思,参见图9所示,为本申请实施例提供的一种电子设备900的结构示意图,包括:处理器910、存储器920和总线930,所述存储器920存储有所述处理器910可执行的机器可读指令,当电子设备900运行时,所述处理器910与所述存储器920之间通过所述总线930进行通信,所述机器可读指令被所述处理器910运行时执行如上述实施例中任一所述的推荐内容的确定方法的步骤。
具体地,所述机器可读指令被所述处理器910执行时可以执行如下处理:
在检测到目标用户触发客户服务时,获取所述目标用户的用户信息,并确定所述用户信息对应的信息特征向量;
基于所述信息特征向量,确定出用于推送给所述目标用户的多个候选推荐内容;
基于预设的推荐特征匹配条件,从所述多个候选推荐内容中,确定出用于推送给所述目标用户的目标推荐内容;其中,所述目标推荐内容包括属于可解释类型的候选推荐内容。
本申请实施例中,在检测到目标用户触发客户服务时,通过确定出的目标用户的用户信息对应的信息特征向量,可以确定出用于推送给目标用户的多个候选推荐内容,这样,通过针对目标用户自身的特征,来为目标用户进行推荐,可以提升推荐内容的准确性,进一步地,通过预设的推荐特征匹配条件,从多个候选推荐内容中,可以筛选出用于推送给目标用户包括属于可解释类型的候选推荐内容,这样,优选为目标用户推荐可解释类型的推荐内容,可以提升推荐内容的可信度,进而,提升用户选择推荐内容的意愿,以提高解决问题的效率。
基于同一申请构思,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述实施例提供的推荐内容的确定方法的步骤。
具体地,所述存储介质能够为通用的存储介质,如移动磁盘、硬盘等,所述存储介质上的计算机程序被运行时,能够执行上述推荐内容的确定方法,通过预设的推荐特征匹配条件,从多个候选推荐内容中,可以筛选出用于推送给目标用户包括属于可解释类型的候选推荐内容,这样,优选为目标用户推荐可解释类型的推荐内容,可以提升推荐内容的可信度,进而,提升用户选择推荐内容的意愿,以提高解决问题的效率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的几个实施例中,应所述理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。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,又例如,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通信接口,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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的部分可以以软件产品的形式体现出来,所述计算机软件产品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设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种推荐内容的确定方法,其特征在于,所述确定方法包括:
在检测到目标用户触发客户服务时,获取所述目标用户的用户信息,并确定所述用户信息对应的信息特征向量;
基于所述信息特征向量,确定出用于推送给所述目标用户的多个候选推荐内容;
基于预设的推荐特征匹配条件,从所述多个候选推荐内容中,确定出用于推送给所述目标用户的目标推荐内容;其中,所述目标推荐内容包括属于可解释类型的候选推荐内容。
2.根据权利要求1所述的确定方法,其特征在于,所述确定方法还包括根据以下步骤确定所述信息特征向量:
从所述用户信息中提取特征,得到所述用户信息对应的多个特征元素;
将所述多个特征元素与所述客户服务对应的预设特征池中的特征元素进行匹配,得到特征匹配结果;
根据所述特征匹配结果,生成所述用户信息对应的信息特征向量;
其中,所述用户信息包括所述目标用户的基本信息、所述目标用户的历史订单信息、所述目标用户的历史行为信息。
3.根据权利要求1所述的确定方法,其特征在于,所述基于所述信息特征向量,确定出用于推送给所述目标用户的多个候选推荐内容,包括:
将所述信息特征向量输入训练好的推荐模型,得到所述目标用户选择各个预设推荐内容的概率;
从各个所述预设推荐内容中,选取对应的概率大于或等于预设阈值的预设推荐内容,确定为用于推送给所述目标用户的候选推荐内容。
4.根据权利要求3所述的确定方法,其特征在于,所述确定方法还包括根据以下步骤生成训练好的推荐模型:
获取各个样本用户对应的用户信息和样本推荐内容;
从各个样本用户的用户信息中,提取出各个样本用户分别对应的样本特征向量;
根据提取出的样本特征向量和所述样本推荐内容,对初始的推荐模型进行训练,生成训练好的推荐模型。
5.根据权利要求1所述的确定方法,其特征在于,所述基于预设的推荐特征匹配条件,从所述多个候选推荐内容中,确定出用于推送给所述目标用户的目标推荐内容,包括:
根据每个所述候选推荐内容的内容特征,判断每个所述候选推荐内容是否满足所述推荐特征匹配条件;
将所述多个候选推荐内容中,满足所述推荐特征匹配条件的候选推荐内容,确定为属于所述可解释类型的候选推荐内容,以及,将不满足所述推荐特征匹配条件的候选推荐内容,确定为属于不可解释类型的候选推荐内容;
将属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容。
6.根据权利要求1所述的确定方法,其特征在于,所述基于预设的推荐特征匹配条件,从所述多个候选推荐内容中,确定出用于推送给所述目标用户的目标推荐内容,包括:
根据所述推荐特征匹配条件,确定所述多个候选推荐内容中属于所述可解释类型的候选推荐内容和属于不可解释类型的候选推荐内容,以及属于所述可解释类型的候选推荐内容的第一数量;
若所述第一数量大于或等于预设数量,则从所述多个候选推荐内容中,选取所述预设数量的属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容;
若所述第一数量小于所述预设数量,将所述预设数量减去所述第一数量,得到第二数量,并从所述多个候选推荐内容中,选取所述第二数量的属于所述不可解释类型的候选推荐内容,以及所述第一数量的属于所述可解释类型的候选推荐内容,共同确定为用于推送给所述目标用户的目标推荐内容。
7.根据权利要求6所述的确定方法,其特征在于,所述从所述多个候选推荐内容中,选取所述预设数量的属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容,包括:
基于所述用户信息,确定所述目标用户选择各个属于所述可解释类型的候选推荐内容的概率;
按照对应的概率由高到低的顺序,对各个属于所述可解释类型的推荐内容进行排序,选取排序靠前的所述预设数量的属于所述可解释类型的候选推荐内容,确定为用于推送给所述目标用户的目标推荐内容。
8.根据权利要求6所述的确定方法,其特征在于,所述从所述多个候选推荐内容中,选取所述第二数量的属于所述不可解释类型的候选推荐内容,包括:
基于所述用户信息,确定所述目标用户选择各个属于所述不可解释类型的候选推荐内容的概率;
按照对应的概率由高到低的顺序,对各个属于所述不可解释类型的候选推荐内容进行排序,选取排序靠前的所述第二数量的属于所述不可解释类型的候选推荐内容。
9.根据权利要求1至8中任一所述的确定方法,其特征在于,所述确定方法还包括:
对所述目标推荐内容中属于所述可解释类型的候选推荐内容添加推荐解释后,推荐给所述目标用户。
10.一种推荐内容的确定装置,其特征在于,所述确定装置包括:
第一确定模块,用于在检测到目标用户触发客户服务时,获取所述目标用户的用户信息,并确定所述用户信息对应的信息特征向量;
第二确定模块,用于基于所述信息特征向量,确定出用于推送给所述目标用户的多个候选推荐内容;
第三确定模块,用于基于预设的推荐特征匹配条件,从所述多个候选推荐内容中,确定出用于推送给所述目标用户的目标推荐内容;其中,所述目标推荐内容包括属于可解释类型的候选推荐内容。
11.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线进行通信,所述机器可读指令被所述处理器运行时执行如权利要求1至9中任一所述的推荐内容的确定方法的步骤。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至9中任一所述的推荐内容的确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010318760.2A CN111858873B (zh) | 2020-04-21 | 2020-04-21 | 一种推荐内容的确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010318760.2A CN111858873B (zh) | 2020-04-21 | 2020-04-21 | 一种推荐内容的确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111858873A true CN111858873A (zh) | 2020-10-30 |
CN111858873B CN111858873B (zh) | 2024-06-04 |
Family
ID=72985074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010318760.2A Active CN111858873B (zh) | 2020-04-21 | 2020-04-21 | 一种推荐内容的确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111858873B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650482A (zh) * | 2020-12-25 | 2021-04-13 | 浙江蓝卓工业互联网信息技术有限公司 | 一种逻辑组件的推荐方法及相关装置 |
CN112835882A (zh) * | 2021-01-29 | 2021-05-25 | 北京百家科技集团有限公司 | 信息预测方法、装置、电子设备和存储介质 |
CN113111264A (zh) * | 2021-06-15 | 2021-07-13 | 深圳追一科技有限公司 | 界面内容显示方法、装置、电子设备及存储介质 |
CN113468426A (zh) * | 2021-07-01 | 2021-10-01 | 北京明略软件系统有限公司 | 一种信息的推荐方法、装置、电子设备及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018213736A1 (en) * | 2017-05-18 | 2018-11-22 | Aiqudo, Inc. | Cluster based search and recommendation method to rapidly on-board commands in personal assistants |
EP3477509A1 (en) * | 2017-10-27 | 2019-05-01 | Microsoft Technology Licensing, LLC | Expanding search queries |
CN110162701A (zh) * | 2019-05-10 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推送方法、装置、计算机设备和存储介质 |
WO2019214236A1 (zh) * | 2018-05-11 | 2019-11-14 | 北京三快在线科技有限公司 | 原创内容摘要确定和原创内容推荐 |
CN110825957A (zh) * | 2019-09-17 | 2020-02-21 | 中国平安人寿保险股份有限公司 | 基于深度学习的信息推荐方法、装置、设备及存储介质 |
CN110825956A (zh) * | 2019-09-17 | 2020-02-21 | 中国平安人寿保险股份有限公司 | 一种信息流推荐方法、装置、计算机设备及存储介质 |
CN110837598A (zh) * | 2019-11-11 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及存储介质 |
CN111008336A (zh) * | 2019-12-23 | 2020-04-14 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法、装置、设备及可读存储介质 |
-
2020
- 2020-04-21 CN CN202010318760.2A patent/CN111858873B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018213736A1 (en) * | 2017-05-18 | 2018-11-22 | Aiqudo, Inc. | Cluster based search and recommendation method to rapidly on-board commands in personal assistants |
EP3477509A1 (en) * | 2017-10-27 | 2019-05-01 | Microsoft Technology Licensing, LLC | Expanding search queries |
WO2019214236A1 (zh) * | 2018-05-11 | 2019-11-14 | 北京三快在线科技有限公司 | 原创内容摘要确定和原创内容推荐 |
CN110162701A (zh) * | 2019-05-10 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推送方法、装置、计算机设备和存储介质 |
CN110825957A (zh) * | 2019-09-17 | 2020-02-21 | 中国平安人寿保险股份有限公司 | 基于深度学习的信息推荐方法、装置、设备及存储介质 |
CN110825956A (zh) * | 2019-09-17 | 2020-02-21 | 中国平安人寿保险股份有限公司 | 一种信息流推荐方法、装置、计算机设备及存储介质 |
CN110837598A (zh) * | 2019-11-11 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及存储介质 |
CN111008336A (zh) * | 2019-12-23 | 2020-04-14 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法、装置、设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
俞春花;刘学军;李斌;: "隐式反馈场景中融合社交信息的上下文感知推荐", 计算机科学, no. 06 * |
吴文明;刘茜萍;: "基于可信相似用户的服务推荐方法", 计算机工程, no. 11 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650482A (zh) * | 2020-12-25 | 2021-04-13 | 浙江蓝卓工业互联网信息技术有限公司 | 一种逻辑组件的推荐方法及相关装置 |
CN112835882A (zh) * | 2021-01-29 | 2021-05-25 | 北京百家科技集团有限公司 | 信息预测方法、装置、电子设备和存储介质 |
CN112835882B (zh) * | 2021-01-29 | 2024-02-02 | 北京百家科技集团有限公司 | 信息预测方法、装置、电子设备和存储介质 |
CN113111264A (zh) * | 2021-06-15 | 2021-07-13 | 深圳追一科技有限公司 | 界面内容显示方法、装置、电子设备及存储介质 |
CN113468426A (zh) * | 2021-07-01 | 2021-10-01 | 北京明略软件系统有限公司 | 一种信息的推荐方法、装置、电子设备及可读存储介质 |
CN113468426B (zh) * | 2021-07-01 | 2024-01-30 | 北京明略软件系统有限公司 | 一种信息的推荐方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111858873B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111858873A (zh) | 一种推荐内容的确定方法、装置、电子设备及存储介质 | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
CN111275470B (zh) | 服务发起概率预测方法及其模型的训练方法和装置 | |
CN110910180B (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN108512883B (zh) | 一种信息推送方法、装置及可读介质 | |
CN111861643A (zh) | 一种乘车位置的推荐方法、装置、电子设备及存储介质 | |
CN111401388A (zh) | 数据挖掘方法、装置、服务器及可读存储介质 | |
CN112037775B (zh) | 语音识别方法、装置、设备及存储介质 | |
CN111858922A (zh) | 服务方信息查询方法、装置、电子设备以及存储介质 | |
CN111831894A (zh) | 一种信息匹配方法及装置 | |
CN111859172B (zh) | 信息推送方法、装置、电子设备和计算机可读存储介质 | |
CN111831967A (zh) | 一种到店识别方法、装置、电子设备及介质 | |
CN110784435B (zh) | 一种异常服务识别方法、装置、电子设备及存储介质 | |
CN111582589A (zh) | 一种租车出险预测方法、装置、设备及存储介质 | |
CN111861538A (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN111860512A (zh) | 一种车辆识别方法、装置、电子设备及计算机可读存储介质 | |
CN111325614A (zh) | 电子对象的推荐方法、装置和电子设备 | |
CN110704614A (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN111782774A (zh) | 一种问题推荐的方法及装置 | |
CN111833080A (zh) | 信息推送的方法、装置、电子设备和计算机可读存储介质 | |
CN115238676A (zh) | 招标需求热点识别方法、装置、存储介质及电子设备 | |
CN111831930B (zh) | 目的地信息的推送方法、装置、电子设备及可读存储介质 | |
CN111651686A (zh) | 一种测试处理方法、装置、电子设备及存储介质 | |
CN111339468A (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN110782287A (zh) | 实体相似度计算方法及装置、物品推荐系统、介质、设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |