CN112036951A - 基于cnn模型的商机推荐方法、系统、电子设备及介质 - Google Patents
基于cnn模型的商机推荐方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN112036951A CN112036951A CN202010915005.2A CN202010915005A CN112036951A CN 112036951 A CN112036951 A CN 112036951A CN 202010915005 A CN202010915005 A CN 202010915005A CN 112036951 A CN112036951 A CN 112036951A
- Authority
- CN
- China
- Prior art keywords
- user
- model
- data set
- business
- behavior data
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种基于CNN模型的商机推荐方法,包括:获取待处理数据;对其进行预处理,以得到CNN、CFR和XGB模型数据集;采用CNN模型,预测得到目标用户;采用CFR模型,预测得到每一目标用户感兴趣的商机初步排序;针对每一目标用户,调用其对应的XGB模型数据集,并将其与商机初步排序输入XGB模型,得到每个目标用户的商机最终排序;将用户ID和商机最终排序分发至不同的业务部门。与现有的人工商机推送方法,本申请能够在两个小时内完成商机推送,用户的覆盖面更加深入,更加全面,无论是新老用户都能够良好的被挖掘,每日推送的商机,用户转化率高,对业务部门起到了良好的协助作用。
Description
技术领域
本发明涉及深度学习技术领域,具体涉及一种基于CNN模型的商机推荐方法、系统、电子设备及介质。
背景技术
服务平台型的公司,人为的从海量的数据库中筛选出目标客户,根据已有的经验和业务逻辑,然后推送给销售人员,称为商机推荐,即根据不同商机的推送关联规则,在不同场景下为用户推送最有可能的商机。
现有的商机推荐方式主要存在两个方面的问题:
1、用户挖掘方面:主要是业务人员通过业务逻辑和经验进行数据对最近的数据进行筛选,耗时耗力,并且用户的筛选的效果还不一定好,会流失大部分潜在目标用户。
2、预测商机方面:主要为人力通过一定规则和经验进行推荐,推荐的商机种类主要看业务人员的经验储备,并且预测的准确率较低,导致销售人员的业绩转化率较低。
发明内容
针对上述技术缺陷,本发明实施例的目的在于提供一种基于CNN模型的商机推荐方法、系统、电子设备及介质。
为实现上述目的,第一方面,本发明实施例提供了一种基于CNN模型的商机推荐方法,包括:
获取待处理数据,所述待处理数据包括用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据;
对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行处理,以得到CNN模型数据集、CFR模型数据集和XGB模型输入数据集;
将所述CNN模型数据集输入预先训练的CNN模型,预测得到目标用户和非目标用户;
针对每一所述目标用户,调用其对应的所述CFR模型数据集,并将所述CFR模型数据集输入预设的CFR模型,预测得到每一目标用户感兴趣的商机初步排序;
针对每一所述目标用户,调用其对应的所述XGB模型数据集,并将商机初步排序和所述XGB模型数据集输入预设的XGB模型,得到每个目标用户的商机最终排序;
将用户ID和所述商机最终排序分发至不同的业务部门。
在本申请有些优选实施方式中,得到CNN模型数据集之后,所述方法还包括训练CNN模型具体为:
通过CNN模型数据集调用deeplearning4j工具包的cnn接口进行训练,生成CNN模型。
第二方面,本发明实施例提供了一种基于CNN模型的商机推荐系统,包括:
获取模块,用于获取待处理数据,所述待处理数据包括用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据;
处理模块,用于对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行处理,以得到CNN模型数据集、CFR模型数据集和XGB模型数据集;
预测模块,用于将所述CNN模型数据集输入预先训练的CNN模型,预测得到目标用户和非目标用户;
所述预测模块还用于针对每一所述目标用户,调用其对应的所述CFR模型数据集,并将所述CFR模型数据集输入预设的CFR模型,预测得到每一目标用户感兴趣的商机初步排序;
所述预测模块还用于针对每一所述目标用户,调用其对应的所述XGB模型数据集,并将商机初步排序和所述XGB模型数据集输入预设的XGB模型,得到每个目标用户的商机最终排序;
推荐模块,用于将用户ID和所述商机最终排序分发至不同的业务部门。
在本申请的某些具体实施方式中,所述系统还包括训练模块,用于训练CNN模型,具体为:
通过CNN模型数据集调用deeplearning4j工具包的cnn接口进行训练,生成CNN模型。
第三方面,本发明实施例还提供了一种电子设备,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述第一方面的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其内存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
与现有的人工商机推送方法,本申请提出了一套基于深度学习的商机推荐方法及系统,能够在两个小时内完成商机推送,用户的覆盖面更加深入,更加全面,无论是新老用户都能够良好的被挖掘,每日推送的商机,用户转化率高,对业务部门起到了良好的协助作用。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1是本发明实施例提供的基于CNN模型的商机推荐方法的示意流程图;
图2是模型训练流程图;
图3是商机推荐流程图;
图4本发明实施例提供的基于CNN模型的商机推荐系统的结构图;
图5是本发明实施例提供的电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
请参考图1,是本发明实施例提供的基于CNN模型的商机推荐方法。如图所示,该方法可以包括以下步骤:
S101,获取待处理数据。
该待处理数据包括用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据。
其中,浏览行为是通过GALog+kafka+Hbase的方案进行存储,拉取数据时直接从hbase进行拉取。咨询行为和订单行为是业务单元直接存储在mysql数据库的,拉取数据时直接从mysql进行拉取。
S102,对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行处理,以得到CNN模型数据集、CFR模型数据集和XGB模型数据集。
具体地,对获得的行为数据进行去噪、标准化等预处理,去噪主要是排除垃圾浏览行为、垃圾咨询行为和垃圾订单行为,排除噪声,让分布接近正态,通过调用公司提供的垃圾行为识别接口来达到目的。并以用户ID为关联将三种行为数据整合到一起,形成三种不同的数据集,分别为:
(1)卷积神经网络模型(CNN)数据集,将非结构化的数据整合为结构化的数据,该数据集为分类数据集,包含是目标用户和不是目标用户两个类目,用于训练二分类模型。正负样本数据集格式如下所示:
1 1 0.091 0.238 1 0.33 1 0.5 …
2 1 0.083 0.378 0 0 0 0 …
3 0 0 0.412 1 0.21 0 0 …
4 0 0 0.235 0 0 0 0 …
…
上述数据集从左到右分别表示类别、是否有浏览行为、浏览服务个数的标准化数值、浏览服务商个数的标准化数据、是否有咨询行为、咨询服务商个数、是否有订单行为、下单个数。以上数据集为部分特征数据,未完全展示。
(2)协同过滤(CFR)数据集,非标注数据集,用于训练推荐模型、本方法中主要用于粗排模块。数据集格式如图所示:
114 1448 1333 1576 …
115 1448 1323 1556 …
…
上述数据集第一列表示用户id,后面的列表示浏览和下单的商机id,以上数据集为部分特征数据,未完全展示。
(3)XGB数据集,排序数据集,用于训练推荐模型、本方法中主要用于精排模块。
0 qid:114 1:1 2:0.3232 3:…
1 qid:114 1:1 2:0.4534 3:…
2 qid:114 1:1 2:0.4676 3:…
0 qid:115 1:1 2:0.2323 3:…
1 qid:115 1:1 2:0.3235 3:…
2 qid:115 1:1 2:0.4458 3:…
…
上述数据集第一列表示排序标记,有浏览行为的商机标记0,有咨询行为的商机表示1,有订单行为的商机表示2,第二列表示服务商id,第三列及后表示不同的特征。
S103,训练CNN模型。
具体地,CNN模型数据集调用deeplearning4j工具包的cnn接口,训练后生成cnn模型,即目标用户判别模型。cnn模型包括:嵌入层,将结构化的数据集转为一个矩阵,记为N*K维;一层卷积层:首先采用S个3*3的卷积核,分别在0维和1维上对矩阵做卷积,得到S个N*1维的矩阵。再分别使用M2*1和M3*1维的卷积核对上层得到的矩阵进行卷积;一层池化层,对卷积层最终输出的矩阵进行全局最大的池化层,得到数据的矩阵;全连接层,将上层得到的向量和一个两层全连接神经网络相连,最终输出用户的结果,是否为目标用户和非目标用户。
关于CNN模型的训练过程可参考图2。
S104,将所述CNN模型数据集输入预先训练的CNN模型,预测得到目标用户和非目标用户。
例如,在本次预测中,预测得到类别为1的是目标用户。
S105,针对每一所述目标用户,调用其对应的所述CFR模型数据集,并将所述CFR模型数据集输入预设的CFR模型,预测得到每一目标用户感兴趣的商机初步排序。
具体地,根据目标用户获取从步骤S103获取对应的CFR模型的数据集,将数据集输入CFR模型,预测出每个目标用户感兴趣的商机排序(粗排)。
举例来说,CFR模型数据集中包括用户1、用户2……用户n的数据集,经过CNN模型后确定本次目标用户为用户1,则调用用户1对应的数据集,并将其输入CRF模型进行商机排序(粗排)。
S106,针对每一所述目标用户,调用其对应的所述XGB模型数据集,并将商机初步排序和所述XGB模型输入数据集输入预设的XGB模型,得到每个目标用户的商机最终排序。
具体地,根据上个步骤预测出的用户对应的商机从步骤S103获取对应的XGB模型的数据集,将数据集输入到XGB模型,对每个用户对应的商机进行业务逻辑排序(精排)。输入数据集如下所示:
qid:114 1:1 2:0.3232 …
qid:114 1:1 2:0.4534 …
qid:114 1:1 2:0.4676 …
数据集同模型训练步骤2相似,只是没有排序标记。
S107,将用户ID和所述商机最终排序分发至不同的业务部门。
最终输出数据集格式如下所示:
114 1448 1345 1624 …
115 1345 1448 1624 …
从左到右分别为用户Id,商机id1,商机id2等。
与现有的人工商机推送方法,本申请提出了一套基于深度学习的商机推荐方法及系统,能够在两个小时内完成商机推送,用户的覆盖面更加深入,更加全面,无论是新老用户都能够良好的被挖掘,每日推送的商机,用户转化率高,对业务部门起到了良好的协助作用。
即,本申请的商机推荐方法主要具有以下优点:
1、训练cnn分类模型,预测出目标用户,用于解决传统方法的效率低和效果差的问题,可以节省非常多的人力,并且算法搜索范围可以覆盖公司平台内所有的已经注册的用户,无论是新用户还是老用户,明显提升了用户的准确率。
2、采用基于cfr和xgb的推荐模型,用于解决传统的商机预测问题,增加了预测商机的丰富度,提升了预测的准确率。
基于相同的发明构思,本发明实施例还提供一种基于CNN模型的商机推荐系统。如图4所示,该系统包括:
训练模块10,用于训练CNN模型;
获取模块11,用于获取待处理数据,所述待处理数据包括用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据;
处理模块12,用于对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行处理,以得到CNN模型数据集、CFR模型数据集和XGB模型数据集;
预测模块13,用于将所述CNN模型数据集输入预先训练的CNN模型,预测得到目标用户和非目标用户;
所述预测模块13还用于针对每一所述目标用户,调用其对应的所述CFR模型数据集,并将所述CFR模型数据集输入预设的CFR模型,预测得到每一目标用户感兴趣的商机初步排序;
所述预测模块13还用于针对每一所述目标用户,调用其对应的所述XGB模型输入数据集,并将商机初步排序和所述XGB模型输入数据集输入预设的XGB模型,得到每个目标用户的商机最终排序;
推荐模块14,用于将用户ID和所述商机最终排序分发至不同的业务部门。
进一步地,训练模块10具体用于:
通过CNN模型数据集调用deeplearning4j工具包的cnn接口进行训练,生成CNN模型。
进一步地,获取模块11具体用于:
从hbase拉取用户的历史浏览行为数据;
从mysql数据库拉取用户的短期咨询行为数据和用户的历史订单行为数据。
进一步地,处理模块12具体用于:
对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行去噪和标准化处理,并以用户ID作为关联信息对三种行为数据进行整合,分别形成CNN模型数据集、CFR模型数据集和XGB模型数据集。
需要说明的是,本实施例的具体工作流程请参考前述方法实施例部分,在此不再赘述。
可选地,本发明实施例还提供了一种电子设备。如图5所示,该基于属性距离的商品相似度分析装置,可以包括:一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104,上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序,所述计算机程序包括程序指令,所述处理器101被配置用于调用所述程序指令执行上述方法实施例部分的方法。
应当理解,在本发明实施例中,所称处理器101可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备102可以包括键盘等,输出设备103可以包括显示器(LCD等)、扬声器等。
该存储器104可以包括只读存储器和随机存取存储器,并向处理器101提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如,存储器104还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器101、输入设备102、输出设备103可执行本发明实施例提供的基于CNN模型的商机推荐方法的实施例中所描述的实现方式,在此不再赘述。
实施本发明实施例所提供的基于CNN模型的商机推荐系统及电子设备,能够在两个小时内完成商机推送,用户的覆盖面更加深入,更加全面,无论是新老用户都能够良好的被挖掘,每日推送的商机,用户转化率高,对业务部门起到了良好的协助作用。
相应地,本发明实施例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存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现:上述基于CNN模型的商机推荐方法。
所述计算机可读存储介质可以是前述任一实施例所述的系统的内部存储单元,例如系统的硬盘或内存。所述计算机可读存储介质也可以是所述系统的外部存储设备,例如所述系统上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述系统的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述系统所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
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发明实施例方案的目的。
另外,在本发明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,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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,可以存储在一个计算机可读取存储介质中。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,或者该技术方案的全部或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)执行本发明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(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于CNN模型的商机推荐方法,其特征在于,包括:
获取待处理数据,所述待处理数据包括用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据;
对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行处理,以得到CNN模型数据集、CFR模型数据集和XGB模型数据集;
将所述CNN模型数据集输入预先训练的CNN模型,预测得到目标用户和非目标用户;
针对每一所述目标用户,调用其对应的所述CFR模型数据集,并将所述CFR模型数据集输入预设的CFR模型,预测得到每一目标用户感兴趣的商机初步排序;
针对每一所述目标用户,调用其对应的所述XGB模型数据集,并将商机初步排序和所述XGB模型数据集输入预设的XGB模型,得到每个目标用户的商机最终排序;
将用户ID和所述商机最终排序分发至不同的业务部门。
2.如权利要求1所述的商机推荐方法,其特征在于,获取待处理数据具体包括:
从hbase拉取用户的历史浏览行为数据;
从mysql数据库拉取用户的短期咨询行为数据和用户的历史订单行为数据。
3.如权利要求1所述的商机推荐方法,其特征在于,得到CNN模型数据集、CFR模型数据集和XGB模型数据集,具体包括:
对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行去噪和标准化处理,并以用户ID作为关联信息对三种行为数据进行整合,分别形成CNN模型数据集、CFR模型数据集和XGB模型数据集。
4.如权利要求1所述的商机推荐方法,其特征在于,得到CNN模型数据集之后,所述方法还包括训练CNN模型,具体为:
通过CNN模型数据集调用deeplearning4j工具包的cnn接口进行训练,生成CNN模型。
5.一种基于CNN模型的商机推荐系统,其特征在于,包括:
获取模块,用于获取待处理数据,所述待处理数据包括用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据;
处理模块,用于对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行处理,以得到CNN模型数据集、CFR模型数据集和XGB模型数据集;
预测模块,用于将所述CNN模型数据集输入预先训练的CNN模型,预测得到目标用户和非目标用户;
所述预测模块还用于针对每一所述目标用户,调用其对应的所述CFR模型输入数据集,并将所述CFR模型数据集输入预设的CFR模型,预测得到每一目标用户感兴趣的商机初步排序;
所述预测模块还用于针对每一所述目标用户,调用其对应的所述XGB模型数据集,并将商机初步排序和所述XGB模型数据集输入预设的XGB模型,得到每个目标用户的商机最终排序;
推荐模块,用于将用户ID和所述商机最终排序分发至不同的业务部门。
6.如权利要求5所述的商机推荐系统,其特征在于,所述获取模块具体用于:
从hbase拉取用户的历史浏览行为数据;
从mysql数据库拉取用户的短期咨询行为数据和用户的历史订单行为数据。
7.如权利要求5所述的商机推荐系统,其特征在于,所述处理模块具体用于:
对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行去噪和标准化处理,并以用户ID作为关联信息对三种行为数据进行整合,分别形成CNN模型数据集、CFR模型数据集和XGB模型数据集。
8.如权利要求5所述的商机推荐系统,其特征在于,所述系统还包括训练模块,用于训练CNN模型,具体为:
通过CNN模型数据集调用deeplearning4j工具包的cnn接口进行训练,生成CNN模型。
9.一种电子设备,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-4任一项所述的方法。
10.一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存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010915005.2A CN112036951A (zh) | 2020-09-03 | 2020-09-03 | 基于cnn模型的商机推荐方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010915005.2A CN112036951A (zh) | 2020-09-03 | 2020-09-03 | 基于cnn模型的商机推荐方法、系统、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112036951A true CN112036951A (zh) | 2020-12-04 |
Family
ID=73591801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010915005.2A Pending CN112036951A (zh) | 2020-09-03 | 2020-09-03 | 基于cnn模型的商机推荐方法、系统、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036951A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339502A (zh) * | 2016-09-18 | 2017-01-18 | 电子科技大学 | 一种基于用户行为数据分片聚类的建模推荐方法 |
CN109388674A (zh) * | 2018-08-31 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、设备及可读存储介质 |
CN109815980A (zh) * | 2018-12-18 | 2019-05-28 | 北京三快在线科技有限公司 | 用户类型的预测方法、装置、电子设备及可读存储介质 |
US10325285B1 (en) * | 2013-06-28 | 2019-06-18 | Groupon, Inc. | Predictive recommendation system |
CN110148023A (zh) * | 2019-05-15 | 2019-08-20 | 山大地纬软件股份有限公司 | 基于逻辑回归的电力积分商品推荐方法及系统 |
CN110363590A (zh) * | 2019-07-16 | 2019-10-22 | 深圳乐信软件技术有限公司 | 一种广告推荐方法、装置、终端和存储介质 |
CN110598084A (zh) * | 2018-05-24 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 对象排序方法、商品排序方法、装置及电子设备 |
-
2020
- 2020-09-03 CN CN202010915005.2A patent/CN112036951A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10325285B1 (en) * | 2013-06-28 | 2019-06-18 | Groupon, Inc. | Predictive recommendation system |
CN106339502A (zh) * | 2016-09-18 | 2017-01-18 | 电子科技大学 | 一种基于用户行为数据分片聚类的建模推荐方法 |
CN110598084A (zh) * | 2018-05-24 | 2019-12-20 | 阿里巴巴集团控股有限公司 | 对象排序方法、商品排序方法、装置及电子设备 |
CN109388674A (zh) * | 2018-08-31 | 2019-02-26 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、设备及可读存储介质 |
CN109815980A (zh) * | 2018-12-18 | 2019-05-28 | 北京三快在线科技有限公司 | 用户类型的预测方法、装置、电子设备及可读存储介质 |
CN110148023A (zh) * | 2019-05-15 | 2019-08-20 | 山大地纬软件股份有限公司 | 基于逻辑回归的电力积分商品推荐方法及系统 |
CN110363590A (zh) * | 2019-07-16 | 2019-10-22 | 深圳乐信软件技术有限公司 | 一种广告推荐方法、装置、终端和存储介质 |
Non-Patent Citations (1)
Title |
---|
郝志峰: "数据科学与数学建模", vol. 1, 华中科技大学出版社, pages: 147 - 151 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659318B (zh) | 基于大数据的策略推送方法、系统及计算机设备 | |
US9576246B2 (en) | Predictive modeling and data analysis in a secure shared system | |
AU2006202224A1 (en) | An intellectual property analysis and report generating system and method | |
CN108885631B (zh) | 用于数据市场中的合同管理的方法和系统 | |
CN111352962A (zh) | 客户画像构建方法及装置 | |
CN106991175A (zh) | 一种客户信息挖掘方法、装置、设备以及存储介质 | |
CN110852785A (zh) | 用户分级方法、装置及计算机可读存储介质 | |
Gao et al. | Artificial intelligence in advertising: advancements, challenges, and ethical considerations in targeting, personalization, content creation, and ad optimization | |
CN111104590A (zh) | 信息推荐方法、装置、介质及电子设备 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN115271976A (zh) | 一种顾问推荐的方法、装置及计算机可读存储介质 | |
CN114493686A (zh) | 一种运营内容生成推送方法及装置 | |
CN111931065A (zh) | 基于lstm模型的商机推荐方法、系统、电子设备及介质 | |
CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN111324594A (zh) | 用于粮食加工业的数据融合方法、装置、设备及存储介质 | |
CN115905472A (zh) | 商机业务处理方法、装置、服务器及计算机可读存储介质 | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN112036951A (zh) | 基于cnn模型的商机推荐方法、系统、电子设备及介质 | |
CN115829809A (zh) | 基于配置化的碳核算方法、装置、计算机设备及存储介质 | |
CN114519073A (zh) | 一种基于图谱关系挖掘的产品配置推荐方法及系统 | |
CN108255920A (zh) | 机构名称检索式的显示方法、装置、设备及存储介质 | |
CN113870998A (zh) | 问诊方法、装置、电子设备和存储介质 | |
CN113436023A (zh) | 基于区块链的理财产品推荐方法及装置 | |
CN112765451A (zh) | 一种基于集成学习算法的客户智能筛选方法和系统 | |
CN111882339A (zh) | 预测模型训练及响应率预测方法、装置、设备及存储介质 |
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 |