CN112132659A - 信息的推荐方法、装置、电子设备及计算机可读介质 - Google Patents
信息的推荐方法、装置、电子设备及计算机可读介质 Download PDFInfo
- Publication number
- CN112132659A CN112132659A CN202011024983.4A CN202011024983A CN112132659A CN 112132659 A CN112132659 A CN 112132659A CN 202011024983 A CN202011024983 A CN 202011024983A CN 112132659 A CN112132659 A CN 112132659A
- Authority
- CN
- China
- Prior art keywords
- product
- user
- confidence
- item
- determining
- 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 35
- 238000012559 user support system Methods 0.000 claims abstract description 40
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 241001122767 Theaceae Species 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种信息的推荐方法、装置、电子设备及计算机可读介质,属于数据处理技术领域。该方法包括:获取用户信息数据以及产品获取记录,并根据产品获取记录得到产品频繁项集合;根据产品频繁项集合中各个产品项的用户支持度确定产品的置信度,并根据置信度大于等于阈值的产品生成初始产品推荐列表;确定每一类型的信息数据中与各项离散信息数据相关产品的单一置信度,并根据单一置信度确定单一调整系数;根据单一调整系数确定各个用户对于产品的整体调整系数,根据整体调整系数对初始产品推荐列表中的置信度进行调整,并根据调整后的置信度向用户推荐产品。本公开通过综合多个维度的用户信息数据计算调整系数,可以更精确地向用户推荐产品。
Description
技术领域
本公开涉及数据处理技术领域,具体而言,涉及一种信息的推荐方法、信息的推荐装置、电子设备及计算机可读介质。
背景技术
对于一些以销售为主要业务的企业来说,如何针对不同的用户个性化地推荐其所需的产品,从而引导客户进行消费,是企业运营过程中十分重要的一个环节。
在产品的销售过程中,产品代理人可以通过用户的基本信息和行为数据等进行产品的推荐。然而,在对已有客户的二次销售方面,主要依赖于产品代理人的销售经验与技巧,没有一个标准统一的个性化产品推荐方案,导致二次销售的效率与成功率较低。
鉴于此,本领域亟需一种能够提高产品信息推荐效率的方法。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种信息的推荐方法、信息的推荐装置、电子设备及计算机可读介质,进而至少在一定程度上提高信息推荐的效率。
根据本公开的第一个方面,提供一种信息的推荐方法,包括:
从历史数据中获取多个用户的各类信息数据,以及各个用户所对应的产品获取记录,并根据所述用户的产品获取记录得到各个产品的产品频繁项集合;
根据所述产品频繁项集合中各个产品项的用户支持度,确定与每个所述产品项相关的产品的置信度,并根据所述置信度大于或等于置信度阈值的产品和所述多个用户中每个用户未获取的产品信息生成初始产品推荐列表;
通过所述多个用户的各类信息数据以及所述多个用户的产品获取记录,确定每一类型的信息数据中,与各项离散信息数据相关的各个产品的单一置信度,并根据所述单一置信度确定所述各项离散信息数据的单一调整系数;
根据所述单一调整系数确定每个用户对于各个产品的整体调整系数,根据所述整体调整系数对所述初始产品推荐列表中所述产品的置信度进行调整,并根据调整后的置信度确定所述每个用户对应的目标产品推荐信息;
向所述每个用户的客户端发送所述每个用户对应的目标产品推荐信息。
在本公开的一种示例性实施例中,所述根据所述用户的产品获取记录得到各个产品的产品频繁项集合,包括:
根据所述用户的产品获取记录得到每个所述产品所对应的用户集合;
根据所述产品的个数确定所述产品频繁项集合中的产品项的最大项数,并根据所述最大项数确定所述产品项的级数;
分别将上一级的所述产品项所对应的用户集合两两之间求交集,得到当前级的所述产品项对应的用户集合;
根据各级的所述产品项所对应的用户集合,得到所述产品的产品频繁项集合。
在本公开的一种示例性实施例中,所述根据所述产品频繁项集合中各个产品项的用户支持度,确定与每个所述产品项相关的产品的置信度,包括:
根据所述产品频繁项集合中各个产品项所对应的用户集合中的用户个数,得到所述产品项的用户支持度;
确定所述产品项的用户支持度,以及由所述产品项和与所述产品项相关的产品组成的组合产品项的用户支持度;
根据所述组合产品项的用户支持度和所述产品项的用户支持度的比值,得到与每个所述产品项相关的产品的置信度。
在本公开的一种示例性实施例中,所述
所述通过所述多个用户的各类信息数据以及所述多个用户的产品获取记录,确定每一类型的信息数据中,与各项离散信息数据相关的各个产品的单一置信度,包括:
通过所述多个用户的各类信息数据以及所述多个用户的产品获取记录,确定每一类型的信息数据中与各项离散信息数据相关的各个产品的单一信息支持度;
根据所述单一信息支持度与所述产品的用户支持度的比值,得到与所述各项离散信息数据相关的各个产品的单一置信度。
在本公开的一种示例性实施例中,所述根据所述单一置信度确定所述各项离散信息数据的单一调整系数,包括:
将同一产品所对应的每一类型的信息数据中,与所述各项离散信息数据相关的所述产品的单一置信度相加后求平均值,得到所述类型的信息数据相对于所述产品的平均置信度;
根据所述单一置信度与所述平均置信度的比值,得到所述各项离散信息数据相对于各个产品的单一调整系数。
在本公开的一种示例性实施例中,所述根据所述单一调整系数确定每个用户对于各个产品的整体调整系数,包括:
根据所述用户的各类信息数据确定所述用户的每一项信息数据相对于各个产品的单一调整系数;
根据所述用户每一项信息数据相对于所述产品的单一调整系数的乘积,得到所述用户对于各个产品的整体调整系数。
在本公开的一种示例性实施例中,
所述根据所述整体调整系数对所述初始产品推荐列表中所述产品的置信度进行调整,并根据调整后的置信度确定所述每个用户对应的目标产品推荐信息,包括:
根据所述整体调整系数与所述初始产品推荐列表中与所述用户对应的所述产品的置信度的乘积,得到所述用户对于所述产品的目标置信度;
通过所述目标置信度生成目标产品推荐列表,并根据所述目标产品推荐列表确定所述每个用户对应的目标产品推荐信息。
根据本公开的第二方面,提供一种信息的推荐装置,包括:
频繁项集确定模块,用于从历史数据中获取多个用户的各类信息数据,以及各个用户所对应的产品获取记录,并根据所述用户的产品获取记录得到各个产品的产品频繁项集合;
初始列表生成模块,用于根据所述产品频繁项集合中各个产品项的用户支持度,确定与每个所述产品项相关的产品的置信度,并根据所述置信度大于或等于置信度阈值的产品和所述多个用户中每个用户未获取的产品信息生成初始产品推荐列表;
调整系数确定模块,用于通过所述多个用户的各类信息数据以及所述多个用户的产品获取记录,确定每一类型的信息数据中,与各项离散信息数据相关的各个产品的单一置信度,并根据所述单一置信度确定所述各项离散信息数据的单一调整系数;
推荐信息确定模块,用于根据所述单一调整系数确定每个用户对于各个产品的整体调整系数,根据所述整体调整系数对所述初始产品推荐列表中所述产品的置信度进行调整,并根据调整后的置信度确定所述每个用户对应的目标产品推荐信息;
推荐信息发送模块,用于向所述每个用户的客户端发送所述每个用户对应的目标产品推荐信息。
本公开示例性实施例可以具有以下有益效果:
本公开示例实施方式的信息的推荐方法中,通过用户的产品获取记录生成初始产品推荐列表,再计算每项用户信息数据的单一调整系数,并综合单一调整系数得到产品整体的个性化调整系数,最后根据整体调整系数对初始产品推荐列表进行调整,得到最终的推荐结果。本公开示例实施方式中的信息的推荐方法,通过综合多个维度的用户信息数据对初始产品推荐列表中每个产品的置信度进行针对性的调整,可以挖掘用户及产品之间的潜在联系,生成一套符合用户潜在需求的个性化产品推荐方案,结合用户的历史记录以及多个维度的用户信息,更精确地向用户推荐个性化的产品,提高产品信息推荐的效率和准确度,进而提高二次销售的成功率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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,还可以根据这些附图获得其他的附图。
图1示出了本公开示例实施方式的信息的推荐方法的流程示意图;
图2示出了本公开示例实施方式的得到产品频繁项集合的流程示意图;
图3示出了本公开示例实施方式的确定产品置信度的流程示意图;
图4示出了本公开示例实施方式的确定产品单一置信度的流程示意图;
图5示出了本公开示例实施方式的确定单一调整系数的流程示意图;
图6示出了本公开示例实施方式的确定整体调整系数的流程示意图;
图7示出了本公开示例实施方式的生成目标产品推荐列表的流程示意图;
图8示出了本公开示例实施方式的信息的推荐装置的框图;
图9示出了适于用来实现本公开实施方式的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式首先提供了一种信息的推荐方法。参考图1所示,上述信息的推荐方法可以包括以下步骤:
步骤S110.从历史数据中获取多个用户的各类信息数据,以及各个用户所对应的产品获取记录,并根据用户的产品获取记录得到各个产品的产品频繁项集合。
步骤S120.根据产品频繁项集合中各个产品项的用户支持度,确定与每个产品项相关的产品的置信度,并根据置信度大于或等于置信度阈值的产品和多个用户中每个用户未获取的产品信息生成初始产品推荐列表。
步骤S130.通过多个用户的各类信息数据以及多个用户的产品获取记录,确定每一类型的信息数据中与各项离散信息数据相关的各个产品的单一置信度,并根据单一置信度确定各项离散信息数据的单一调整系数。
步骤S140.根据单一调整系数确定每个用户对于各个产品的整体调整系数,根据整体调整系数对初始产品推荐列表中产品的置信度进行调整,并根据调整后的置信度确定每个用户对应的目标产品推荐信息。
步骤S150.向每个用户的客户端发送每个用户对应的目标产品推荐信息。
本公开示例实施方式的信息的推荐方法中,通过用户的产品获取记录生成初始产品推荐列表,再计算每项用户信息数据的单一调整系数,并综合单一调整系数得到产品整体的个性化调整系数,最后根据整体调整系数对初始产品推荐列表进行调整,得到最终的推荐结果。本公开示例实施方式中的产品的推荐方法,通过综合多个维度的用户信息数据对初始产品推荐列表中每个产品的置信度进行针对性的调整,可以挖掘用户及产品之间的潜在联系,生成一套符合用户潜在需求的个性化产品推荐方案,结合用户的历史记录以及多个维度的用户信息,更精确地向用户推荐个性化的产品,提高产品推荐的准确度,进而提高二次销售的成功率。除此之外,还可以根据新增的产品获取记录快速更新推荐方案。
下面,结合图2至图7对本示例实施方式的上述步骤进行更加详细的说明。
在步骤S110中,从历史数据中获取多个用户的各类信息数据,以及各个用户所对应的产品获取记录,并根据用户的产品获取记录得到各个产品的产品频繁项集合。
历史数据指的是历史订单数据,通过历史订单数据可以确定用户所购买的产品。用户的各类信息数据可以包括如年龄、性别、职业、年收入、婚姻状态、地域、家庭情况等。
本示例实施方式中,从数据库中获取历史订单数据,包括用户信息及其所购产品名称。下面以保险产品为例,构建虚拟数据进行说明。读取数据库,获取历史保单销售信息如下表所示:
姓名 | 年龄 | 性别 | 职业 | 收入 | 地域 | 保险产品 |
张三 | 30 | 男 | 教师 | 28万 | 江苏 | a |
李四 | 33 | 女 | 公务员 | 35万 | 上海 | a |
李四 | 33 | 女 | 公务员 | 35万 | 上海 | c |
王五 | 37 | 男 | 国企员工 | 36万 | 山东 | b |
赵六 | 47 | 男 | 个体户 | 39万 | 广东 | a |
赵六 | 47 | 男 | 个体户 | 39万 | 广东 | b |
赵六 | 47 | 男 | 个体户 | 39万 | 广东 | c |
本示例实施方式中,如图2所示,根据用户的产品获取记录得到各个产品的产品频繁项集合,具体可以包括以下几个步骤:
步骤S210.根据用户的产品获取记录得到每个产品所对应的用户集合。
首先,根据历史订单数据可以看出,购买了保险产品a的用户有张三、李四和赵六,因此将这三个用户放入产品a所对应的用户集合中。以此类推,即可得到所有保险产品的数据项集:
步骤S220.根据产品的个数确定产品频繁项集合中的产品项的最大项数,并根据最大项数确定产品项的级数。
本示例实施方式中,如果产品的个数为3个,包括产品a、b和c,则产品项的最大项数为3,产品项的级数为3。
步骤S230.分别将上一级的产品项所对应的用户集合两两之间求交集,得到当前级的产品项对应的用户集合。
本示例实施方式中,可以通过等价类变换(ECLAT,Equivalent ClassTransformation)算法产生频繁项集。将历史保单信息根据产品进行合并,生成的产品项集格式为:
{productid:personset}
其中“productid”是保险产品的唯一编码,“personset”是已购该产品所有用户的集合。
从K=1开始,分别得到各个级数的产品项对应的用户集合。具体计算步骤如下:
K=1,此时1项集就是步骤S210中所生成的用户集合,产品项中只包含一项产品;
K=2,通过对1项集的personset集合两两求交集,计算出对应的2项集的personset。
K=n,通过对K-1项集的personset集合两两求交集,计算出对应的K项集的personset。
本示例实施方式中,如果产品项的级数为3,则只需要计算到K=3的产品项的用户集合即可。
步骤S240.根据各级的产品项所对应的用户集合,得到产品的产品频繁项集合。
将各个级数的产品项对应的用户集合进行整理,得到产品的产品频繁项集合如下:
在步骤S120中,根据产品频繁项集合中各个产品项的用户支持度,确定与每个产品项相关的产品的置信度,并根据置信度大于或等于置信度阈值的产品和多个用户中每个用户未获取的产品信息生成初始产品推荐列表。
用户支持度指的是该产品项所对应的用户集合中用户的个数,置信度指的是某个关联规则的概率。
本示例实施方式中,如图3所示,根据产品频繁项集合中各个产品项的用户支持度,确定与每个产品项相关的产品的置信度,具体可以包括以下几个步骤:
步骤S310.根据产品频繁项集合中各个产品项所对应的用户集合中的用户个数,得到产品项的用户支持度。
产品的产品频繁项集合计算各个产品项的支持度,可以选取最小支持度1对产品项进行筛选(实际应用中应根据数据情况调整),得到的各个产品项的支持度如下表:
保险产品集 | 投保人 | 支持度 |
a | 张三,李四,赵六 | 3 |
b | 王五,赵六 | 2 |
c | 李四,赵六 | 2 |
ab | 赵六 | 1 |
ac | 李四,赵六 | 2 |
bc | 赵六 | 1 |
abc | 赵六 | 1 |
步骤S320.确定产品项的用户支持度,以及由产品项和与产品项相关的产品组成的组合产品项的用户支持度。
本示例实施方式中,在计算置信度时,需要得到产品项的用户支持度,以及由产品项和与产品项相关的产品组成的组合产品项的用户支持度。
例如,在计算与产品项X相关的产品Y的置信度时,需要先获取产品项X的用户支持度support(X),以及由产品项X和与产品项X相关的产品Y组成的组合产品项X∪Y的用户支持度support(X∪Y)。
步骤S330.根据组合产品项的用户支持度和产品项的用户支持度的比值,得到与每个产品项相关的产品的置信度。
与每个产品项相关的产品的置信度的计算公式如下:
其中,support(·)表示支持度,X和X∪Y均为步骤S310中的频繁项集。
然后,根据上述产品项的置信度将各个产品项纳入产品推荐规则集R:
已购产品 | 推荐产品 | 置信度 |
a | b | 0.33 |
a | c | 0.67 |
b | a | 0.5 |
b | c | 0.5 |
c | a | 1 |
c | b | 0.5 |
ab | c | 1 |
ac | b | 0.5 |
bc | a | 1 |
根据规则集R,结合用户已购产品信息,根据置信度大于或等于置信度阈值的产品以及每个用户未购买的产品,可以得到一个可以推荐给用户的产品列表L,并将该产品列表中的产品项按照置信度进行排序。
这里选取置信度阈值为0.5(实际应用中可以根据数据情况调整),根据推荐规则,结合投保人已购产品,生成初始产品推荐列表L为:
投保人 | 推荐列表 | 置信度 |
张三 | c | 0.67 |
李四 | b | 0.5 |
王五 | a | 0.5 |
王五 | c | 0.5 |
例如,用户张三购买了产品a,则根据上述推荐规则集R给用户张三推荐产品b和产品c,由于产品b的置信度为0.33小于0.5,产品c的置信度为0.67大于0.5,因此对于用户张三来说,在初始产品推荐列表L中只保留产品c的推荐。
得到初始产品推荐列表之后,再通过综合多个维度的用户信息数据对初始产品推荐列表中每个产品的置信度进行针对性的调整。
在步骤S130中,通过多个用户的各类信息数据以及多个用户的产品获取记录,确定每一类型的信息数据中与各项离散信息数据相关的各个产品的单一置信度,并根据单一置信度确定各项离散信息数据的单一调整系数。
单一置信度指的是用户单一信息的置信度,即用户某一类型的信息数据对于关联规则的概率。
本示例实施方式中,如图4所示,通过多个用户的各类信息数据以及用户的产品获取记录,确定每一类型的信息数据中与各项离散信息数据相关的各个产品的单一置信度,具体可以包括以下几个步骤:
步骤S410.通过多个用户的各类信息数据以及多个用户的产品获取记录,确定每一类型的信息数据中与各项离散信息数据相关的各个产品的单一信息支持度。
首先,将用户各类型的基本信息数据处理为离散的信息数据集,例如用户年龄可以划分为{0~10岁,10~20岁,20~30岁,30~40岁,40岁以上}。
令所有产品构成产品集P,并计算每种产品Pn的支持度(即历史订单量):
support(Pn)=length(Pn),Pn∈P
然后计算单一信息In的支持度support(In)。其中,P为所有产品的集合,Pn为某一产品,In为单一信息值,如:{男}。
步骤S420.根据单一信息支持度与产品的用户支持度的比值,得到与各项离散信息数据相关的各个产品的单一置信度。
分别计算用户的基本信息数据(如年龄、性别、职业、年收入、婚姻状态、地域等)对每种产品的置信度,计算公式如下:
其中,I为购买Pn的所有用户的信息数据集合。
以年龄和收入为例(实际应用中应纳入更多信息,如年龄、性别、职业、年收入、婚姻状态、地域、家庭情况等),通过上述步骤分别得到与年龄和收入相关的各个产品的单一置信度如下:
年龄段 | 年龄段支持度 | 产品 | 产品支持度 | 置信度 |
30-40 | 2 | a | 3 | 0.67 |
40-50 | 1 | a | 3 | 0.33 |
30-40 | 1 | b | 2 | 0.5 |
40-50 | 1 | b | 2 | 0.5 |
30-40 | 1 | c | 2 | 0.5 |
40-50 | 1 | c | 2 | 0.5 |
收入 | 收入支持度 | 产品 | 产品支持度 | 置信度 |
20-30万 | 1 | a | 3 | 0.33 |
30-40万 | 2 | a | 3 | 0.67 |
30-40万 | 2 | b | 2 | 1 |
30-40万 | 2 | c | 2 | 1 |
得到与各项离散信息数据相关的各个产品的单一置信度之后,本示例实施方式中,如图5所示,根据单一置信度确定各项离散信息数据的单一调整系数,具体可以包括以下几个步骤:
步骤S510.将同一产品所对应的每一类型的信息数据中,与各项离散信息数据相关的产品的单一置信度相加后求平均值,得到类型的信息数据相对于产品的平均置信度。
步骤S520.根据单一置信度与平均置信度的比值,得到各项离散信息数据相对于各个产品的单一调整系数。
按照基本信息类型分别计算所有项对单一产品的调整系数:
其中adji为某一基本类型i对单一产品的调整系数,confi为该类型的信息数据中的离散值对该产品的置信度。
根据上述步骤可以得到各种基本信息数据对各个产品的单一调整系数,仍以年龄和收入为例,具体的单一调整系数如下:
年龄段 | 产品 | 调整系数 |
30-40 | a | 1.34 |
40-50 | a | 0.66 |
30-40 | b | 1 |
40-50 | b | 1 |
30-40 | c | 1 |
40-50 | b | 1 |
收入 | 产品 | 调整系数 |
20-30万 | a | 0.66 |
30-40万 | a | 1.34 |
30-40万 | b | 1 |
30-40万 | c | 1 |
在步骤S140中,根据单一调整系数确定每个用户对于各个产品的整体调整系数,根据整体调整系数对初始产品推荐列表中产品的置信度进行调整,并根据调整后的置信度确定每个用户对应的目标产品推荐信息。
本示例实施方式中,如图6所示,根据单一调整系数确定每个用户对于各个产品的整体调整系数,具体可以包括以下几个步骤:
步骤S610.根据用户的各类信息数据确定用户的每一项信息数据相对于各个产品的单一调整系数。
首先,确定各个用户具体的信息数据,例如,用户张三的年龄段为30-40,收入为20-30万。
步骤S620.根据用户每一项信息数据相对于产品的单一调整系数的乘积,得到用户对于各个产品的整体调整系数。
用户对某产品的整体的个性化调整系数的计算公式如下:
例如,张三的年龄段为30-40,收入为20-30万,则张三的年龄段对于产品a的单一调整系数为1.34,收入对于产品a的单一调整系数为0.66,因此,张三对于产品a的个性化调整系数为1.34×0.66≈0.88。其余个性化调整系数的计算方式以此类推。
综合年龄和收入信息,得出各个用户对各个产品的个性化调整系数如下:
用户 | 产品 | 个性化调整系数 |
张三 | a | 0.88 |
张三 | b | 0 |
张三 | c | 0 |
李四 | a | 1.8 |
李四 | b | 1 |
李四 | c | 1 |
王五 | a | 1.8 |
王五 | b | 1 |
王五 | c | 1 |
赵六 | a | 0.88 |
赵六 | b | 1 |
赵六 | c | 1 |
本示例实施方式中,如图7所示,根据整体调整系数对初始产品推荐列表中产品的置信度进行调整,并根据调整后的置信度确定每个用户对应的目标产品推荐信息,具体可以包括以下几个步骤:
步骤S710.根据整体调整系数与初始产品推荐列表中与用户对应的产品的置信度的乘积,得到用户对于产品的目标置信度。
对于步骤S120中生成的初始产品推荐列表,通过上一步骤S620中生成的个性化调整系数于初始产品推荐列表中对应的置信度相乘,得到用户对于产品的目标置信度。
步骤S720.通过目标置信度生成目标产品推荐列表,并根据目标产品推荐列表确定每个用户对应的目标产品推荐信息。
根据调整后的目标置信度生成目标产品推荐列表,并根据目标产品推荐列表中的内容确定每个用户对应的目标产品推荐信息。
例如,将步骤S120生成的初始产品推荐列表中的置信度乘以步骤S620生成的个性化调整系数,并按照每个用户置信度从高到低的产品进行排序后得出最终推荐列表,将其存储在数据库中。最终生成的目标产品推荐列表如下:
投保人 | 推荐列表 | 调整后置信度 |
李四 | b | 0.5 |
王五 | a | 0.9 |
王五 | c | 0.5 |
在步骤S150中,向每个用户的客户端发送每个用户对应的目标产品推荐信息。
将目标产品推荐列表中每个用户对应的目标产品推荐信息通过网络服务输出提供给产品代理人,以使产品代理人按照每个用户对应的目标产品推荐信息向各个用户推荐产品。
应当注意,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
进一步的,本公开还提供了一种信息的推荐装置。参考图8所示,该信息的推荐装置可以包括频繁项集确定模块810、初始列表生成模块820、调整系数确定模块830、推荐信息确定840以及推荐信息发送模块850。其中:
频繁项集确定模块810可以用于从历史数据中获取多个用户的各类信息数据,以及各个用户所对应的产品获取记录,并根据用户的产品获取记录得到各个产品的产品频繁项集合;
初始列表生成模块820可以用于根据产品频繁项集合中各个产品项的用户支持度,确定与每个产品项相关的产品的置信度,并根据置信度大于或等于置信度阈值的产品和多个用户中每个用户未获取的产品信息生成初始产品推荐列表;
调整系数确定模块830可以用于通过多个用户的各类信息数据以及多个用户的产品获取记录,确定每一类型的信息数据中,与各项离散信息数据相关的各个产品的单一置信度,并根据单一置信度确定各项离散信息数据的单一调整系数;
推荐信息确定模块840可以用于根据单一调整系数确定每个用户对于各个产品的整体调整系数,根据整体调整系数对初始产品推荐列表中产品的置信度进行调整,并根据调整后的置信度确定每个用户对应的目标产品推荐信息;
推荐信息发送模块850可以用于向每个用户的客户端发送每个用户对应的目标产品推荐信息。
在本公开的一些示例性实施例中,频繁项集确定模块810可以包括产品用户集合确定单元、产品项级数确定单元、产品项用户集合确定单元以及频繁项集合确定单元。其中:
产品用户集合确定单元可以用于根据用户的产品获取记录得到每个产品所对应的用户集合;
产品项级数确定单元可以用于根据产品的个数确定产品频繁项集合中的产品项的最大项数,并根据最大项数确定产品项的级数;
产品项用户集合确定单元可以用于分别将上一级的产品项所对应的用户集合两两之间求交集,得到当前级的产品项对应的用户集合;
频繁项集合确定单元可以用于根据各级的产品项所对应的用户集合,得到产品的产品频繁项集合。
在本公开的一些示例性实施例中,初始列表生成模块820可以包括产品项支持度确定单元、组合产品项支持度确定单元以及产品置信度确定单元。其中:
产品项支持度确定单元可以用于根据产品频繁项集合中各个产品项所对应的用户集合中的用户个数,得到产品项的用户支持度;
组合产品项支持度确定单元可以用于确定产品项的用户支持度,以及由产品项和与产品项相关的产品组成的组合产品项的用户支持度;
产品置信度确定单元可以用于根据组合产品项的用户支持度和产品项的用户支持度的比值,得到与每个产品项相关的产品的置信度。
在本公开的一些示例性实施例中,调整系数确定模块830可以包括单一信息支持度确定单元以及单一置信度确定单元。其中:
单一信息支持度确定单元可以用于通过多个用户的各类信息数据以及多个用户的产品获取记录,确定每一类型的信息数据中与各项离散信息数据相关的各个产品的单一信息支持度;
单一置信度确定单元可以用于根据单一信息支持度与产品的用户支持度的比值,得到与各项离散信息数据相关的各个产品的单一置信度。
在本公开的一些示例性实施例中,调整系数确定模块830还可以包括平均置信度确定单元以及单一调整系数计算单元。其中:
平均置信度确定单元可以用于将同一产品所对应的每一类型的信息数据中,与各项离散信息数据相关的产品的单一置信度相加后求平均值,得到类型的信息数据相对于产品的平均置信度;
单一调整系数计算单元可以用于根据单一置信度与平均置信度的比值,得到各项离散信息数据相对于各个产品的单一调整系数。
在本公开的一些示例性实施例中,产品推荐模块840可以包括单一调整系数确定单元以及整体调整系数确定单元。其中:
单一调整系数确定单元可以用于根据用户的各类信息数据确定用户的每一项信息数据相对于各个产品的单一调整系数;
整体调整系数确定单元可以用于根据用户每一项信息数据相对于产品的单一调整系数的乘积,得到用户对于各个产品的整体调整系数。
在本公开的一些示例性实施例中,产品推荐模块840还可以包括目标置信度确定单元以及目标产品推荐列表生成单元。其中:
目标置信度确定单元可以用于根据整体调整系数与初始产品推荐列表中与用户对应的产品的置信度的乘积,得到用户对于产品的目标置信度;
目标产品推荐列表生成单元可以用于通过目标置信度生成目标产品推荐列表,并根据目标产品推荐列表确定每个用户对应的目标产品推荐信息。
上述信息的推荐装置中各模块/单元的具体细节在相应的方法实施例部分已有详细的说明,此处不再赘述。
图9示出了适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图9示出的电子设备的计算机系统900仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,计算机系统900包括中央处理单元(CPU)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有系统操作所需的各种程序和数据。CPU901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地,根据本发明的实施例,下文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如下述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之,上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种信息的推荐方法,其特征在于,应用于服务器,包括:
从历史数据中获取多个用户的各类信息数据,以及各个用户所对应的产品获取记录,并根据所述用户的产品获取记录得到各个产品的产品频繁项集合;
根据所述产品频繁项集合中各个产品项的用户支持度,确定与每个所述产品项相关的产品的置信度,并根据所述置信度大于或等于置信度阈值的产品和所述多个用户中每个用户未获取的产品信息生成初始产品推荐列表;
通过所述多个用户的各类信息数据以及所述多个用户的产品获取记录,确定每一类型的信息数据中,与各项离散信息数据相关的各个产品的单一置信度,并根据所述单一置信度确定所述各项离散信息数据的单一调整系数;
根据所述单一调整系数确定每个用户对于各个产品的整体调整系数,根据所述整体调整系数对所述初始产品推荐列表中所述产品的置信度进行调整,并根据调整后的置信度确定所述每个用户对应的目标产品推荐信息;
向所述每个用户的客户端发送所述每个用户对应的目标产品推荐信息。
2.根据权利要求1所述的信息的推荐方法,其特征在于,所述根据所述用户的产品获取记录得到各个产品的产品频繁项集合,包括:
根据所述用户的产品获取记录得到每个所述产品所对应的用户集合;
根据所述产品的个数确定所述产品频繁项集合中的产品项的最大项数,并根据所述最大项数确定所述产品项的级数;
分别将上一级的所述产品项所对应的用户集合两两之间求交集,得到当前级的所述产品项对应的用户集合;
根据各级的所述产品项所对应的用户集合,得到所述产品的产品频繁项集合。
3.根据权利要求2所述的信息的推荐方法,其特征在于,所述根据所述产品频繁项集合中各个产品项的用户支持度,确定与每个所述产品项相关的产品的置信度,包括:
根据所述产品频繁项集合中各个产品项所对应的用户集合中的用户个数,得到所述产品项的用户支持度;
确定所述产品项的用户支持度,以及由所述产品项和与所述产品项相关的产品组成的组合产品项的用户支持度;
根据所述组合产品项的用户支持度和所述产品项的用户支持度的比值,得到与每个所述产品项相关的产品的置信度。
4.根据权利要求1所述的信息的推荐方法,其特征在于,所述通过所述多个用户的各类信息数据以及所述多个用户的产品获取记录,确定每一类型的信息数据中,与各项离散信息数据相关的各个产品的单一置信度,包括:
通过所述多个用户的各类信息数据以及所述多个用户的产品获取记录,确定每一类型的信息数据中与各项离散信息数据相关的各个产品的单一信息支持度;
根据所述单一信息支持度与所述产品的用户支持度的比值,得到与所述各项离散信息数据相关的各个产品的单一置信度。
5.根据权利要求1所述的信息的推荐方法,其特征在于,所述根据所述单一置信度确定所述各项离散信息数据的单一调整系数,包括:
将同一产品所对应的每一类型的信息数据中,与所述各项离散信息数据相关的所述产品的单一置信度相加后求平均值,得到所述类型的信息数据相对于所述产品的平均置信度;
根据所述单一置信度与所述平均置信度的比值,得到所述各项离散信息数据相对于各个产品的单一调整系数。
6.根据权利要求1所述的信息的推荐方法,其特征在于,所述根据所述单一调整系数确定每个用户对于各个产品的整体调整系数,包括:
根据所述用户的各类信息数据确定所述用户的每一项信息数据相对于各个产品的单一调整系数;
根据所述用户每一项信息数据相对于所述产品的单一调整系数的乘积,得到所述用户对于各个产品的整体调整系数。
7.根据权利要求1所述的信息的推荐方法,其特征在于,所述根据所述整体调整系数对所述初始产品推荐列表中所述产品的置信度进行调整,并根据调整后的置信度确定所述每个用户对应的目标产品推荐信息,包括:
根据所述整体调整系数与所述初始产品推荐列表中与所述用户对应的所述产品的置信度的乘积,得到所述用户对于所述产品的目标置信度;
通过所述目标置信度生成目标产品推荐列表,并根据所述目标产品推荐列表确定所述每个用户对应的目标产品推荐信息。
8.一种信息的推荐装置,其特征在于,包括:
频繁项集确定模块,用于从历史数据中获取多个用户的各类信息数据,以及各个用户所对应的产品获取记录,并根据所述用户的产品获取记录得到各个产品的产品频繁项集合;
初始列表生成模块,用于根据所述产品频繁项集合中各个产品项的用户支持度,确定与每个所述产品项相关的产品的置信度,并根据所述置信度大于或等于置信度阈值的产品和所述多个用户中每个用户未获取的产品信息生成初始产品推荐列表;
调整系数确定模块,用于通过所述多个用户的各类信息数据以及所述多个用户的产品获取记录,确定每一类型的信息数据中,与各项离散信息数据相关的各个产品的单一置信度,并根据所述单一置信度确定所述各项离散信息数据的单一调整系数;
推荐信息确定模块,用于根据所述单一调整系数确定每个用户对于各个产品的整体调整系数,根据所述整体调整系数对所述初始产品推荐列表中所述产品的置信度进行调整,并根据调整后的置信度确定所述每个用户对应的目标产品推荐信息;
推荐信息发送模块,用于向所述每个用户的客户端发送所述每个用户对应的目标产品推荐信息。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至7中任一项所述的信息的推荐方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至7中任一项所述的信息的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011024983.4A CN112132659B (zh) | 2020-09-25 | 2020-09-25 | 信息的推荐方法、装置、电子设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011024983.4A CN112132659B (zh) | 2020-09-25 | 2020-09-25 | 信息的推荐方法、装置、电子设备及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132659A true CN112132659A (zh) | 2020-12-25 |
CN112132659B CN112132659B (zh) | 2023-11-28 |
Family
ID=73840158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011024983.4A Active CN112132659B (zh) | 2020-09-25 | 2020-09-25 | 信息的推荐方法、装置、电子设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132659B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417183A (zh) * | 2022-03-14 | 2022-04-29 | 北京优全智汇信息技术有限公司 | 基于大数据汇总的保险产品智能营销方法与系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022807A (zh) * | 2015-07-01 | 2015-11-04 | 广州酷狗计算机科技有限公司 | 信息推荐方法及装置 |
CN106407349A (zh) * | 2016-09-06 | 2017-02-15 | 北京三快在线科技有限公司 | 一种产品推荐方法及装置 |
US20180276734A1 (en) * | 2016-07-12 | 2018-09-27 | Tencent Technology (Shenzhen) Company Limited | Information push method and apparatus, server, and storage medium |
CN109344320A (zh) * | 2018-08-03 | 2019-02-15 | 昆明理工大学 | 一种基于Apriori的图书推荐方法 |
CN110136008A (zh) * | 2019-04-15 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 利用大数据的产品数据推送方法、装置、设备和存储介质 |
CN110162566A (zh) * | 2019-04-15 | 2019-08-23 | 平安普惠企业管理有限公司 | 业务数据的关联分析方法、装置、计算机设备及存储介质 |
CN110196904A (zh) * | 2018-02-26 | 2019-09-03 | 佛山市顺德区美的电热电器制造有限公司 | 一种获取推荐信息的方法、装置及计算机可读存储介质 |
CN111309787A (zh) * | 2020-03-02 | 2020-06-19 | 广州大学 | 一种基于Apriori算法挖掘二维数据间关联规则的方法 |
CN111414533A (zh) * | 2019-01-04 | 2020-07-14 | 北京京东尚科信息技术有限公司 | 推荐信息的生成方法、装置、电子设备、存储介质 |
-
2020
- 2020-09-25 CN CN202011024983.4A patent/CN112132659B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022807A (zh) * | 2015-07-01 | 2015-11-04 | 广州酷狗计算机科技有限公司 | 信息推荐方法及装置 |
US20180276734A1 (en) * | 2016-07-12 | 2018-09-27 | Tencent Technology (Shenzhen) Company Limited | Information push method and apparatus, server, and storage medium |
CN106407349A (zh) * | 2016-09-06 | 2017-02-15 | 北京三快在线科技有限公司 | 一种产品推荐方法及装置 |
CN110196904A (zh) * | 2018-02-26 | 2019-09-03 | 佛山市顺德区美的电热电器制造有限公司 | 一种获取推荐信息的方法、装置及计算机可读存储介质 |
CN109344320A (zh) * | 2018-08-03 | 2019-02-15 | 昆明理工大学 | 一种基于Apriori的图书推荐方法 |
CN111414533A (zh) * | 2019-01-04 | 2020-07-14 | 北京京东尚科信息技术有限公司 | 推荐信息的生成方法、装置、电子设备、存储介质 |
CN110136008A (zh) * | 2019-04-15 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 利用大数据的产品数据推送方法、装置、设备和存储介质 |
CN110162566A (zh) * | 2019-04-15 | 2019-08-23 | 平安普惠企业管理有限公司 | 业务数据的关联分析方法、装置、计算机设备及存储介质 |
CN111309787A (zh) * | 2020-03-02 | 2020-06-19 | 广州大学 | 一种基于Apriori算法挖掘二维数据间关联规则的方法 |
Non-Patent Citations (2)
Title |
---|
OZGUR CAKIR: "A Recommendation Engine by Using Association Rule", 《PROCEDIA - SOCIAL AND BEHAVIORAL SCIENCES》, vol. 62, pages 452 - 456 * |
余鹏程: "基于属性规则与关联规则的推荐模型设计", 《电子科技》, vol. 30, no. 3, pages 26 - 29 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417183A (zh) * | 2022-03-14 | 2022-04-29 | 北京优全智汇信息技术有限公司 | 基于大数据汇总的保险产品智能营销方法与系统 |
CN114417183B (zh) * | 2022-03-14 | 2022-07-15 | 北京优全智汇信息技术有限公司 | 基于大数据汇总的保险产品智能营销方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112132659B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8732015B1 (en) | Social media pricing engine | |
CN109299356B (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
CN108540508B (zh) | 用于推送信息的方法、装置和设备 | |
US20170142119A1 (en) | Method for creating group user profile, electronic device, and non-transitory computer-readable storage medium | |
CN105871940A (zh) | 信息推荐方法和系统 | |
US9846746B2 (en) | Querying groups of users based on user attributes for social analytics | |
US20090150198A1 (en) | Estimating tv ad impressions | |
CN111160847A (zh) | 一种处理流程信息的方法和装置 | |
CN110197317B (zh) | 目标用户确定方法及装置、电子设备及存储介质 | |
CN112132659B (zh) | 信息的推荐方法、装置、电子设备及计算机可读介质 | |
CN111127222A (zh) | 业务服务的处理方法、装置、设备及存储介质 | |
CN110633405A (zh) | 用于推送信息的方法和装置 | |
CN112287208B (zh) | 用户画像生成方法、装置、电子设备及存储介质 | |
CN113763004A (zh) | 信息匹配方法及装置 | |
CN110197316B (zh) | 运营数据的处理方法、装置、计算机可读介质及电子设备 | |
CN109933727A (zh) | 用户画像生成方法及系统、用户画像应用方法及系统 | |
CN112182386B (zh) | 一种基于知识图谱的目标推荐方法及装置 | |
CN109033343B (zh) | 用于生成信息的方法和装置 | |
CN108399249B (zh) | 数据归一化方法、用户画像提供方法、设备及存储介质 | |
CN111723274B (zh) | 用于处理信息的方法和装置 | |
CN112308648A (zh) | 信息处理方法及装置 | |
CN111127077A (zh) | 一种基于流计算的推荐方法和装置 | |
CN111126018B (zh) | 表单生成方法及装置、存储介质、电子设备 | |
CN112348614A (zh) | 用于推送信息的方法和装置 | |
CN109978209B (zh) | 线路设计方法和装置 |
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 |