CN112232556B - 产品的推荐方法、装置、计算机设备和存储介质 - Google Patents
产品的推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112232556B CN112232556B CN202011057562.1A CN202011057562A CN112232556B CN 112232556 B CN112232556 B CN 112232556B CN 202011057562 A CN202011057562 A CN 202011057562A CN 112232556 B CN112232556 B CN 112232556B
- Authority
- CN
- China
- Prior art keywords
- product
- recommended
- user
- label
- product set
- 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.)
- Active
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种产品的推荐方法、装置、计算机设备和存储介质。所述方法包括:获取售后服务工单的工单信息,工单信息包括待推荐用户的用户信息、作业人员信息和作业产品信息;根据工单信息生成工单标签,工单标签包括待推荐用户的用户特征标签、作业人员特征标签和作业产品特征标签;根据用户特征标签与作业产品特征标签获取第一产品集,第一产品集中包含利用用户特征标签和作业产品特征标签匹配的第一产品;根据作业人员特征标签与作业产品特征标签获取第二产品集,第二产品集中包含利用作业人员特征标签和作业产品特征标签匹配的第二产品;根据第一产品集和第二产品集获取待推荐用户的目标推荐产品。采用本方法能够辅助售后人员进行精准推荐。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种产品的推荐方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展,信息量与数据量迅速增加,用户从繁杂信息中获取有效信息的难度也随之增加。基于大数据分析逐渐出现了为用户进行产品推荐的技术。但是,传统的产品推荐技术多是单方面基于用户的历史购买行为进行分析,并没有切实考虑实用场景,尤其是没有一种面向售后作业人员的产品推荐方法或系统,售后作业人员无法在进行售后服务时高效、精准地向顾客推荐合适的产品,从而降低了解决售后问题的效率。
例如,售后服务承载着全国300多个大中小城市的上门业务,日均作业工单10万。目前售后工程师提供是上门服务,与顾客面对面的进行沟通交流,当场分析顾客的实际需求后,为顾客推荐合适的产品以解决售后问题。但面对千差万别的顾客与现场情况,售后工程师无法快速、精准地向顾客推荐产品,导致无法针对性地、有效地解决售后问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够针对性地、有效地解决售后问题的产品的推荐方法、装置、计算机设备和存储介质。
一种产品的推荐方法,所述方法包括:
获取售后服务工单的工单信息;其中,工单信息包括待推荐用户的用户信息、作业人员信息和作业产品信息;
根据工单信息生成工单标签;其中,工单标签包括待推荐用户的用户特征标签、作业人员特征标签和作业产品特征标签;
根据用户特征标签与作业产品特征标签获取第一产品集;其中,第一产品集中包含利用用户特征标签和作业产品特征标签匹配的第一产品;
根据作业人员特征标签与作业产品特征标签获取第二产品集;其中,第二产品集中包含利用作业人员特征标签和作业产品特征标签匹配的第二产品;
根据第一产品集和第二产品集获取待推荐用户的目标推荐产品。
在一个实施例中,根据第一产品集和第二产品集获取待推荐用户的目标推荐产品,包括:
根据第一产品集和第二产品集生成待推荐产品集;其中,待推荐产品集包含多个待推荐产品;
确定各待推荐产品在第一产品集出现的第一次数;
确定各待推荐产品在第二产品集出现的第二次数;
根据第一次数与第二次数的累加值确定各待推荐产品的权重;
根据各待推荐产品的权重从待推荐产品集中筛选出目标推荐产品。
在一个实施例中,根据用户特征标签与作业产品特征标签获取第一产品集,包括:
根据作业产品标签获取第三产品集;
根据用户特征标签获取第四产品集;
利用枚举算法确定第四产品集中与第三产品集中产品相匹配的第一产品,由相匹配的第一产品生成第一产品集。
在一个实施例中,工单标签还包括房屋地址特征标签,根据作业产品标签获取第三产品集,包括:
根据作业产品标签获取第五产品集;
根据作业产品标签和房屋地址特征标签获取第六产品集;
根据第五产品集和第六产品集获取第三产品集。
在一个实施例中,工单标签还包括房屋地址特征标签,根据用户特征标签获取第四产品集,包括:
根据用户特征标签以及房屋地址特征标签获取待推荐用户所在居住地址的一定范围内的相似用户的历史售后维护信息;
根据历史售后维护信息获取相似用户已购买的历史产品;
根据历史产品生成第四产品集。
在一个实施例中,根据各权重筛选目标推荐产品,包括:
基于各权重构建用户评分矩阵;其中,用户评分矩阵用于确定待推荐用户对各待推荐产品的第二预测评分;
基于各第二预测评分以及预先训练的神经网络模型获取待推荐用户对各待推荐产品的购买意向得分;
根据各购买意向得分确定目标推荐产品。
在一个实施例中,基于各权重构建用户评分矩阵,包括:
基于协同过滤推荐算法构建待推荐用户与各待推荐产品的第一评分矩阵;
根据第一评分矩阵获取待推荐用户对各待推荐产品的第一预测评分;
将各第一预测评分乘以各待推荐产品的权重,得到第二预测评分;
根据各第二预测评分构建第二评分矩阵,将第二评分矩阵作为用户评分矩阵。
在一个实施例中,基于各第二预测评分以及预先训练的神经网络模型获取待推荐用户对各待推荐产品的购买意向得分,包括:
将待推荐用户、各待推荐产品以及各待推荐产品对应的第二预测评分作为特征值输入至预先训练的神经网络模型中,获取预先训练的神经网络模型输出的待推荐用户对各待推荐产品的购买意向得分。
一种产品的推荐装置,上述装置包括:
工单信息获取模块,用于获取售后服务工单的工单信息;其中,所述工单信息包括待推荐用户的用户信息、作业人员信息和作业产品信息;
特征标签生成模块,用于根据所述工单信息生成工单标签;其中,所述工单标签包括待推荐用户的用户特征标签、作业人员特征标签和作业产品特征标签;
第一集合获取模块,用于根据所述用户特征标签与所述作业产品特征标签获取第一产品集;其中,所述第一产品集中包含利用所述用户特征标签和所述作业产品特征标签匹配的第一产品;
第二集合获取模块,用于根据所述作业人员特征标签与所述作业产品特征标签获取第二产品集;其中,所述第二产品集中包含利用所述作业人员特征标签和所述作业产品特征标签匹配的第二产品;
目标产品确定模块,用于根据所述第一产品集和所述第二产品集获取所述待推荐用户的目标推荐产品。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一项的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一项的方法的步骤。
上述产品的推荐方法、装置、计算机设备和存储介质,通过对售后服务工单中的工单信息进行全面分析,根据工单信息生成待推荐用户的用户特征标签、作业人员特征标签和作业产品特征标签,根据这些特征标签获取第一、第二产品集,并根据第一、第二产品集可以得到既满足用户需求又符合作业人员服务实态的目标推荐产品。使得产品推荐更贴合实际售后服务场景和需求,能够辅助售后作业人员在售后作业时进行精准推荐,提高售后作业人员解决售后问题的效率。
附图说明
图1为一个实施例中产品的推荐方法的应用环境图;
图2为一个实施例中产品的推荐方法的流程示意图;
图3为一个实施例中根据第一产品集和第二产品集获取待推荐用户的目标推荐产品步骤的流程示意图;
图4为一个应用实例的产品的推荐方法的流程示意图;
图5为一个实施例中产品的推荐装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的产品的推荐方法,可以应用于如图1所示的应用环境中。其中,售后服务辅助推荐系统100获取售后服务工单,并根据本申请的产品的推荐方法确定适合售后作业人员向待推荐用户推荐的目标推荐产品。具体地,售后服务辅助推荐系统100可以从售后服务工单系统102或作业人员终端104获取售后服务工单,并根据所述工单信息生成工单标签,根据用户特征标签与作业产品特征标签获取第一产品集,根据作业人员特征标签与作业产品特征标签获取第二产品集,根据第一产品集和所述第二产品集获取待推荐用户的目标推荐产品。进一步地,售后服务辅助推荐系统 100还可以将确定出的目标推荐产品推送至作业人员终端104。其中,作业人员终端104可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,售后服务辅助推荐系统100 可以用独立的售后服务辅助推荐系统或者是多个售后服务辅助推荐系统组成的售后服务辅助推荐系统集群来实现。
在一个实施例中,如图2所示,提供了一种产品的推荐方法,以该方法应用于图1中的售后服务辅助推荐系统为例进行说明,包括以下步骤:
步骤S10:获取售后服务工单的工单信息;其中,工单信息包括待推荐用户的用户信息、作业人员信息和作业产品信息。
其中,待推荐用户是指接受售后服务的客户。作业人员信息是指为待推荐用户提供售后服务的作业人员的信息。作业产品指的是售后服务工单中涉及的需要作业人员实施售后作业的产品,作业产品信息为作业产品的特征信息。用户信息可以包括用户名称、用户会员编码等。作业产品信息可以包括产品名称、型号、安装时间、维修时间、维修次数或安装使用时间等。作业人员信息可以包括作业人员名称、编号等。
在本步骤中,售后服务辅助推荐系统可以通过与作业人员终端的通信获取各售后作业人员的终端账户下的售后服务工单,从而获得工单信息。也可以从售后服务工单系统或数据库中调取售后服务工单。
步骤S20:根据工单信息生成工单标签;其中,工单标签包括待推荐用户的用户特征标签、作业人员特征标签和作业产品特征标签。
其中,用户特征标签、作业人员特征标签以及作业产品特征标签分别根据待推荐用户的用户信息、为待推荐用户提供售后服务的作业人员的作业人员信息以及作业产品的作业产品信息生成。
具体地,可以直接从工单信息中提取关键词,并根据提取到的关键词生成工单标签。也可以将工单信息在数据库中进行信息匹配,匹配到工单信息对应的相关特征信息,再从相关特征信息中提取关键词来生成工单标签。
例如,对于用户特征标签,可以根据工单信息中的待推荐用户的用户信息从用户大数据中提取该用户的服务地址、性别、年龄、消费水平、职业、所在城市、爱好或偏好等相关特征信息,并从这些相关特征信息中提取关键词生成用户特征标签。用户特征标签中可以包括多个子标签,如表征待推荐用户的地址、性别、年龄、消费水平、职业或爱好的子标签等。进一步地,根据用户特征标签还可以构建待推荐用户的用户画像,以使得对待推荐用户有更加全面和完善的分析。
对于作业人员特征标签,可以根据工单信息中的作业人员信息从售后人员数据库中提取为待推荐用户提供售后服务的该作业人员的性别、年龄、工作年限、等级或服务资质等相关特征信息,并从这些相关特征信息中提取关键词生成作业人员特征标签。作业人员特征标签中可以包括多个子标签,如表征该作业人员的性别、年龄、工作年限、等级或服务资质的子标签等。进一步地,根据作业人员特征标签还可以构建作业人员的作业人员画像,以使得对作业有更加全面和完善的分析。
对于作业产品特征标签,可以根据工单信息中的作业产品信息从产品大数据中提取该作业产品的产品品类、品牌、分类、价格、所在城市、产品型号、质保标识、适用服务类型或适用范围等相关特征信息,并从这些相关特征信息中提取关键词生成作业产品特征标签。作业产品特征标签中可以包括多个子标签,如表征该作业产品的产品品类、品牌、分类、价格、产品型号或质保标识的子标签等。进一步地,在生成作业产品特征标签时还可以结合售后服务工单中的其他信息,例如,服务类型、保质期限等信息,以使得对售后服务工单中的作业产品及作业内容有更加全面和完善的分析。
步骤S30:根据用户特征标签和作业产品特征标签获取第一产品集;其中,第一产品集中包含利用用户特征标签和作业产品特征标签匹配的第一产品。
具体地,根据用户特征标签和作业产品特征标签在服务产品数据库中进行匹配,得到匹配用户特征标签和作业产品特征标签的第一产品,由该第一产品组成第一产品集。
在本步骤中,由于第一产品集是基于用户特征标签和作业产品特征标签获得的,第一产品集中的第一产品很好地匹配了用户的相关属性,因此第一产品集可以作为用户可能感兴趣的用户偏好产品集。
步骤S40:根据作业人员特征标签与作业产品特征标签获取第二产品集;其中,第二产品集中包含利用作业人员特征标签和作业产品特征标签匹配的第二产品。
具体地,根据作业人员特征标签和作业产品特征标签在服务产品数据库中进行匹配,得到匹配作业人员特征标签和作业产品特征标签的第二产品,由该第二产品组成第二产品集。
在本步骤中,由于第二产品集是基于作业人员特征标签与作业产品特征标签获得的产品集,第二产品集中的第二产品可以很好地匹配作业人员的相关属性,因此第二产品集可以作为符合作业人员推荐能力的售后服务产品集。
步骤S50:根据第一产品集和第二产品集获取待推荐用户的目标推荐产品。
在本步骤中,根据第一产品集中的第一产品和第二产品集中的第二产品获取待推荐用户的目标推荐产品的方式不限,只要保证该目标推荐产品既匹配待推荐用户的偏好又匹配作业人员的推荐能力即可。
上述产品的推荐方法,通过对售后服务工单中的工单信息进行全面分析,根据工单信息生成待推荐用户的用户特征标签、作业人员特征标签和作业产品特征标签,根据这些特征标签获取第一、第二产品集,并根据第一、第二产品集可以得到既满足用户需求又符合作业人员服务实态的目标推荐产品。使得产品推荐更贴合实际售后服务场景和需求,能够辅助售后作业人员在售后作业时进行精准推荐,提高售后作业人员解决售后问题的效率。
在一个实施例中,如图3所示,图3为一个实施例的根据第一产品集和第二产品集获取待推荐用户的目标推荐产品的步骤的流程示意图,具体包括:
S502:根据第一产品集和第二产品集生成待推荐产品集;其中,待推荐产品集包含多个待推荐产品。
S504:确定各待推荐产品在第一产品集出现的第一次数。
S506:确定各待推荐产品在第二产品集出现的第二次数。
S508:根据第一次数与第二次数的累加值确定各待推荐产品的权重;根据各待推荐产品的权重从待推荐产品集中筛选出目标推荐产品。
在本实施例中,将第一产品集和第二产品集进行求交集合并处理,生成待推荐产品集。在进行求交集合并处理的过程中,可以将第一产品集中和第二产品集中重复出现的同一产品进行合并。进行求交集合并处理后生成的待推荐产品集中可以包括多个待推荐产品,每个待推荐产品在待推荐产品集中的权重可以根据其在第一产品集中出现的第一次数、以及其在第二产品集中出现的第二次数的累加值进行设置。
本实施例,将第一产品集和第二产品集进行了合并处理,并根据产品在第一产品集和第二产品集中出现的总次数进行了权重设置。产品在产品集中重复出现的次数与该产品匹配特征标签的程度相关,产品在产品集中重复出现的次数越多其与该产品集的特征标签(得到该产品集的特征标签) 的匹配程度越高。通过将待推荐产品在第一、第二产品集中重复出现的第一次数和第二次数进行累加后设置权重,使得待推荐产品的权重设置既可以体现用户的偏好程度又可以体现作业人员的适配程度。具体地,根据各待推荐产品的权重从待推荐产品集中筛选出目标推荐产品,可以包括:根据各待推荐产品的权重从待推荐产品集中筛选出权重满足预设条件的待推荐产品作为目标推荐产品。例如,将待推荐产品集中权重大于预设值的待推荐产品作为目标推荐产品。或者,根据待推荐产品集中各待推荐产品的权重从大到小排序,将排序靠前的预设数量的待推荐产品作为目标推荐产品。因此,在提高产品推荐的针对性的同时,融合了的售后作业的实际应用需求,即使售后作业人员的能力水平参差不齐、面对的顾客千差万别,也可以进行快速、有效、精准的产品推荐,提高售后作业的效率。
在一个实施例中,根据用户特征标签与作业产品特征标签获取第一产品集,包括:根据作业产品标签获取第三产品集;根据用户特征标签获取第四产品集;利用枚举算法确定第四产品集中与第三产品集中产品相匹配的第一产品,由相匹配的第一产品生成第一产品集。
具体地,根据作业产品标签的内容在产品数据库中进行标签内容的显性匹配,得到与作业产品标签相关的第三产品集。根据用户特征标签得到与用户特征标签的内容相匹配的第四产品集。具体地,可以利用枚举算法,分别判断每一个第三产品集中出现的产品是否出现在第四产品集,若是,将该产品作为第一产品加入至第一产品集中。
本实施例,由于根据用户特征标签匹配得到的产品涵盖范围很广,可能涵盖各个领域,因此通过采用枚举算法从第四产品集中筛选产品,可以得到待推荐用户在售后服务的相关作业产品范围内的用户偏好产品集,从而可以缩小推荐范围,提高产品推荐的准确度。
在一个实施例中,工单标签还包括房屋地址特征标签,根据作业产品标签获取第三产品集,包括:根据作业产品标签获取第五产品集;根据作业产品标签和房屋地址特征标签获取第六产品集;根据第五产品集和第六产品集获取第三产品集。
具体地,房屋地址特征标签根据工单信息中的房屋地址信息得到,根据房屋地址信息,从房屋大数据中提取房屋性质、楼龄、所处商圈或建筑特征等相关特征信息,从这些相关特征信息中提取关键词生成房屋特征标签或标签集合。
可以首先仅利用作业产品标签获取第五产品集,再将作业产品标签和房屋地址特征标签进行结合后获取第六产品集,将第五产品集和第六产品集进行求并集合并处理生成第三产品集。在进行求并集合并处理过程中,可以将重复出现在第五、第六产品集中的同一产品进行合并,并标记各重复出现的产品的重复出现次数。
本实施例,在产品集获取的过程中引入了房屋地址特征标签,由于售后服务作业的领域特殊性,售后服务一般涉及上门服务,尤其售后作业人员对作业产品进行维修、护理等作业时需要考虑用户房屋的结构、环境等特征,从而进行有针对性的服务。一般情况下,作业人员只有上门与用户沟通并实地考察房屋环境后才能获取信息,在进行产品推荐时往往比较仓促盲目,不能很好地解决实际售后问题。
本实施例,根据工单信息中的房屋地址信息提取房屋地址特征标签,并将房屋地址特征标签加入到产品筛选的过程中,筛选出来的目标推荐产品符合用户的房屋环境特征,因此,售后作业人员不需要上门实地考察环境,也不需要临场根据作业环境修改售后处理方案,可以减轻作业人员的工作量,并提高用户对于售后服务的满意度。
在一个实施例中,工单标签还包括房屋地址特征标签,根据用户特征标签获取第四产品集,包括:根据用户特征标签以及房屋地址特征标签获取待推荐用户所在居住地址的一定范围内的相似用户的历史售后维护信息;根据历史售后维护信息获取相似用户已购买的历史产品;根据历史产品生成第四产品集。
在本实施例中,根据用户特征标签获取第四产品集的时候可以结合房屋地址特征标签获取待推荐用户所在居住地址的一定范围内的相似用户的历史售后维护信息,通过分析处理相似用户的历史售后维护信息,得到历史购买率高的产品生成第四产品集。
本实施例,通过结合相似用户的历史售后维护信息可以更准确地得到符合待推荐用户售后需求的产品集。
在一个实施例中,根据各权重筛选目标推荐产品,包括:基于各权重构建用户评分矩阵;其中,用户评分矩阵用于确定待推荐用户对各待推荐产品的第二预测评分;基于各第二预测评分以及预先训练的神经网络模型 (DNN)获取待推荐用户对各待推荐产品的购买意向得分;根据各购买意向得分确定目标推荐产品。
具体地,在构建评分矩阵时,对于待推荐用户,将待推荐用户的多个待推荐产品的产品矩阵输入到线性模型中,并将待推荐产品权重数据作为输入值引入模型,得到待推荐用户对于待推荐产品的用户评分矩阵,还可以进一步将用户评分矩阵中将待推荐用户已购买的有效产品移除,得到关于待推荐用户与未购买的待推荐产品的用户评分矩阵。
本实施例,由于用户评分矩阵是基于权重数据构建的,而各权重的设置结合了售后服务过程中的用户及相对应的作业人员这两方面的数据,因此在构建评分矩阵的时候结合待推荐产品的权重可以得到适合售后作业人员为待推荐用户进行推荐的评分矩阵。
进一步地,还可以基于预先训练的神经网络模型,将基于上述权重得到用户评分矩阵作为特征值输入预先训练的神经网络模型,进一步对待推荐产品进行筛选,从而确定出更准确的目标推荐产品。其中,预先训练的神经网络模型基于用户与产品的复杂交互构建并采用各用户与对应的产品的关系作为训练样本进行预先训练得到,因此预先训练的神经网络模型能够深度确定用户当前时刻对产品的购买意向得分。
此外,也可以采用其他产品推荐模型进行目标推荐产品的确定和筛选,只要将根据第一、第二产品集获取的待推荐产品的权重作为输入值引入产品推荐模型中即可。
在一个实施例中,基于各权重构建用户评分矩阵,包括:基于协同过滤推荐算法构建待推荐用户与各待推荐产品的第一评分矩阵;根据第一评分矩阵获取待推荐用户对各待推荐产品的第一预测评分;将各第一预测评分乘以各待推荐产品的权重,得到第二预测评分;根据各第二预测评分构建第二评分矩阵,将第二评分矩阵作为用户评分矩阵。
在本实施例中,对于评分矩阵的构建可以采用基于协同过滤推荐算法进行构建。在得到待推荐用户与各待推荐产品的第一评分矩阵以及待推荐用户对各待推荐产品的第一预测评分后,将各第一预测评分乘以各待推荐产品的权重后得到各第二预测评分,基于各第二预测评分获取上述的用户评分矩阵。
在一个实施例中,基于各第二预测评分以及预先训练的神经网络模型获取待推荐用户对各待推荐产品的购买意向得分,包括:将待推荐用户、各待推荐产品以及各待推荐产品对应的第二预测评分作为特征值输入至预先训练的神经网络模型中,获取预先训练的神经网络模型输出的待推荐用户对各待推荐产品的购买意向得分。
具体地,预先训练的神经网络模型的训练方法可以包括:获取多个样本用户的意向购买产品数据,从样本用户的历史售后维护信息中提取样本用户的已购产品数据,将意向购买产品数据作为神经网络模型训练的基础训练数据,并将已购产品数据作为增强因子加入至神经网络模型的训练,得到预先训练的神经网络模型。
本实施例,利用预先训练的神经网络模型对经过评分矩阵筛选的产品进行进一步筛选,可以进一步提高推荐的准确度。
下面,结合一个应用实例,对本发明所涉及的产品的推荐方法进行进一步详细说明。如图4所示,图4示出了一个应用实例的产品的推荐方法的流程示意图。
步骤S1:获取售后服务工单,根据售后服务工单获取用户信息、作业产品信息、房屋地址信息、作业人员信息。
例如,用户A在线上平台预约了一台挂壁式空调维修,预约系统生成售后服务工单,预约系统将售后服务工单中的用户信息、作业产品信息、房屋地址信息、作业人员信息等发送至售后服务辅助推荐系统。
步骤S2:生成用户画像、作业产品特征标签、作业人员画像和房屋地址特征标签。
具体地,对于用户画像,售后服务辅助推荐系统接收到售后服务工单后,根据售后服务工单中的用户信息从大数据平台中获取用户的服务地址、性别、年龄、消费水平、职业、所在城市、爱好、偏好等,生成用户特征标签,并利用用户特征标签绘制用户画像。例如,得出用户A家住江苏省南京市玄武区XXX小区、30岁、男性、消费水平高、金融理财经理。
对于作业人员画像,售后服务辅助推荐系统接收到售后服务工单中的作业人员信息从售后作业人员大数据中提取售后作业人员的性别、年龄、工作年限、等级、服务资质等生成作业人员特征标签,并根据作业人员特征标签绘制作业人员画像。例如,得出作业人员A、男、47岁、从业21 年、金牌工程师、空调安装维修及清洗保养资质。
对于房屋地址特征标签,售后服务辅助推荐系统接收到售后服务工单后,根据售后服务工单中的房屋地址信息在房屋大数据中提取房屋地址特征标签。例如,得出紫气钟山、砖混结构、2003年建成、仙鹤门商圈、两梯六户。
对于作业产品特征标签,售后服务辅助推荐系统接收到售后服务工单后,根据售后服务工单中的作业产品信息获取作业产品特征标签。例如,得出美的、空调、挂壁式冷暖机、50-1000元、南京、清洗、保养、 KFR-35GW/N8VJA3、1.5匹。
步骤S3:根据作业产品特征标签获取产品集1。
具体地,通过上述作业产品特征标签在服务产品大数据中查询出显性关联的产品集合。例如,产品集1中包括:A、空调清洗单台85元、B、空调+油烟机清洗255元等1000个商品。
步骤S4:根据房屋地址特征标签和作业产品特征标签获取产品集2。
具体地,通过上述房屋地址特征标签和作业产品特征标签在服务商品大数据中查询出与房屋的环境相关的产品集。例如,产品集2中包括:A、 1-3楼空调外机维护288元,B、4-7楼空调外机维护388元等500个商品。
步骤S5:将产品集1和产品集2进行合并生成产品集3。
具体地,将产品集1和产品集2进行求并集处理,并将重复出现的产品按照重复出现的次数设置权重并进行加权排序后生成产品集3。
步骤S6:根据用户画像和房屋地址特征标签获取产品集4。
具体地,根据用户画像和房屋地址特征标签查找该用户的相同房屋地址范围内的同类用户的所历史售后维护记录,根据历史售后维护记录中记录的同类用户已购买的历史产品生成产品集4。
步骤S7:将产品集4与产品集3中的产品进行枚举计算,得到产品集 5。
步骤S8:根据作业人员画像和房屋地址特征标签获取产品集6。
步骤S9:将产品集5和产品集6进行合并得到待推荐产品集,确定待推荐产品集中的待推荐产品的权重。
具体地,将待推荐产品集中的待推荐产品在产品集5中重复出现的第一次数,以及在产品集6中重复出现的第二次数进行累加,还可以进一步结合待推荐产品在上述的各产品集中重复出现的次数或权重,确定待推荐产品的在待推荐产品集中的权重。
步骤S10:利用协同过滤算法(LR)构建用户对待推荐产品的用户评分矩阵。
例如,经过协同过滤算法处理后,得到用户A的评分矩阵中的内容为: A、空调清洗单台85元98.99%,B、1-3楼空调外机维护288元97.63%, C、空调+油烟机清洗255元80.72%,4-7楼空调外机维护388元13.64%等。
步骤S11:将经过评分矩阵处理后的待推荐产品输入到神经网络模型中,得到用户对待推荐产品的购买意向评分。
具体地,将经过评分矩阵处理后的待推荐产品集输入到基于用户与产品的复杂交互构建的神经网络模型(DNN)中,得出用户当前时间对产品的购买意向得分,例如,A、空调清洗单台85元9.95,B、4-7楼空调外机维护388元9.52,C、1-3楼空调外机维护288元8.75,C空调+油烟机清洗255元8.54。
步骤S12:按照购买意向评分降序排列后,按照排序顺序将目标待推荐产品发送至售后作业人员的终端。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种产品的推荐装置,包括:工单信息获取模块10、特征标签生成模块20、第一集合获取模块30、第二集合获取模块40和目标产品确定模块50,其中:
工单信息获取模块10,用于获取售后服务工单的工单信息;其中,所述工单信息包括待推荐用户的用户信息、作业人员信息和作业产品信息;
特征标签生成模块20,用于根据所述工单信息生成工单标签;其中,所述工单标签包括待推荐用户的用户特征标签、作业人员特征标签和作业产品特征标签;
第一集合获取模块30,用于根据所述用户特征标签与所述作业产品特征标签获取第一产品集;其中,所述第一产品集中包含利用所述用户特征标签和所述作业产品特征标签匹配的第一产品;
第二集合获取模块40,用于根据所述作业人员特征标签与所述作业产品特征标签获取第二产品集;其中,所述第二产品集中包含利用所述作业人员特征标签和所述作业产品特征标签匹配的第二产品;
目标产品确定模块50,用于根据所述第一产品集和所述第二产品集获取所述待推荐用户的目标推荐产品。
在一个实施例中,目标产品确定模块50根据第一产品集和第二产品集生成待推荐产品集;其中,待推荐产品集包含多个待推荐产品;确定各待推荐产品在第一产品集出现的第一次数;确定各待推荐产品在第二产品集出现的第二次数;根据第一次数与第二次数的累加值确定各待推荐产品的权重;根据各待推荐产品的权重从待推荐产品集中筛选出目标推荐产品。
在一个实施例中,第一集合获取模块30根据作业产品标签获取第三产品集;根据用户特征标签获取第四产品集;利用枚举算法确定第四产品集中与第三产品集中产品相匹配的第一产品,由相匹配的第一产品生成第一产品集。
在一个实施例中,工单标签还包括房屋地址特征标签,第一集合获取模块30根据作业产品标签获取第五产品集;根据作业产品标签和房屋地址特征标签获取第六产品集;根据第五产品集和第六产品集获取第三产品集。
在一个实施例中,工单标签还包括房屋地址特征标签,第一集合获取模块30根据用户特征标签以及房屋地址特征标签获取待推荐用户所在居住地址的一定范围内的相似用户的历史售后维护信息;根据历史售后维护信息获取相似用户已购买的历史产品;根据历史产品生成第四产品集。
在一个实施例中,目标产品确定模块50基于各权重构建用户评分矩阵;其中,用户评分矩阵用于确定待推荐用户对各待推荐产品的第二预测评分;基于各第二预测评分以及预先训练的神经网络模型获取待推荐用户对各待推荐产品的购买意向得分;根据各购买意向得分确定目标推荐产品。
在一个实施例中,目标产品确定模块50基于协同过滤推荐算法构建待推荐用户与各待推荐产品的第一评分矩阵;根据第一评分矩阵获取待推荐用户对各待推荐产品的第一预测评分;将各第一预测评分乘以各待推荐产品的权重,得到第二预测评分;根据各第二预测评分构建第二评分矩阵,将第二评分矩阵作为用户评分矩阵。
在一个实施例中,目标产品确定模块50将待推荐用户、各待推荐产品以及各待推荐产品对应的第二预测评分作为特征值输入至预先训练的神经网络模型中,获取预先训练的神经网络模型输出的待推荐用户对各待推荐产品的购买意向得分。
关于产品的推荐装置的具体限定可以参见上文中对于产品的推荐方法的限定,在此不再赘述。上述产品的推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库可以用于存储用户数据、作业人员数据、作业产品数据、房屋地址数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种产品的推荐方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:获取售后服务工单的工单信息;其中,工单信息包括待推荐用户的用户信息、作业人员信息和作业产品信息;根据工单信息生成工单标签;其中,工单标签包括待推荐用户的用户特征标签、作业人员特征标签和作业产品特征标签;根据用户特征标签与作业产品特征标签获取第一产品集;其中,第一产品集中包含利用用户特征标签和作业产品特征标签匹配的第一产品;根据作业人员特征标签与作业产品特征标签获取第二产品集;其中,第二产品集中包含利用作业人员特征标签和作业产品特征标签匹配的第二产品;根据第一产品集和第二产品集获取待推荐用户的目标推荐产品。
在一个实施例中,处理器执行计算机程序实现根据第一产品集和第二产品集获取待推荐用户的目标推荐产品时,具体实现以下步骤:根据第一产品集和第二产品集生成待推荐产品集;其中,待推荐产品集包含多个待推荐产品;确定各待推荐产品在第一产品集出现的第一次数;确定各待推荐产品在第二产品集出现的第二次数;根据第一次数与第二次数的累加值确定各待推荐产品的权重;根据各待推荐产品的权重从待推荐产品集中筛选出目标推荐产品。
在一个实施例中,处理器执行计算机程序实现根据用户特征标签与作业产品特征标签获取第一产品集时,具体实现以下步骤:根据作业产品标签获取第三产品集;根据用户特征标签获取第四产品集;利用枚举算法确定第四产品集中与第三产品集中产品相匹配的第一产品,由相匹配的第一产品生成第一产品集。
在一个实施例中,处理器执行计算机程序实现根据作业产品标签获取第三产品集时,具体实现以下步骤:根据作业产品标签获取第五产品集;根据作业产品标签和房屋地址特征标签获取第六产品集;根据第五产品集和第六产品集获取第三产品集。
在一个实施例中,处理器执行计算机程序实现根据用户特征标签获取第四产品集时,具体实现以下步骤:根据用户特征标签以及房屋地址特征标签获取待推荐用户所在居住地址的一定范围内的相似用户的历史售后维护信息;根据历史售后维护信息获取相似用户已购买的历史产品;根据历史产品生成第四产品集。
在一个实施例中,处理器执行计算机程序实现根据各权重筛选目标推荐产品时,具体实现以下步骤:基于各权重构建用户评分矩阵;其中,用户评分矩阵用于确定待推荐用户对各待推荐产品的第二预测评分;基于各第二预测评分以及预先训练的神经网络模型获取待推荐用户对各待推荐产品的购买意向得分;根据各购买意向得分确定目标推荐产品。
在一个实施例中,处理器执行计算机程序实现基于各权重构建用户评分矩阵时,具体实现以下步骤:基于协同过滤推荐算法构建待推荐用户与各待推荐产品的第一评分矩阵;根据第一评分矩阵获取待推荐用户对各待推荐产品的第一预测评分;将各第一预测评分乘以各待推荐产品的权重,得到第二预测评分;根据各第二预测评分构建第二评分矩阵,将第二评分矩阵作为用户评分矩阵。
在一个实施例中,处理器执行计算机程序实现基于各第二预测评分以及预先训练的神经网络模型获取待推荐用户对各待推荐产品的购买意向得分时,具体实现以下步骤:将待推荐用户、各待推荐产品以及各待推荐产品对应的第二预测评分作为特征值输入至预先训练的神经网络模型中,获取预先训练的神经网络模型输出的待推荐用户对各待推荐产品的购买意向得分。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取售后服务工单的工单信息;其中,工单信息包括待推荐用户的用户信息、作业人员信息和作业产品信息;根据工单信息生成工单标签;其中,工单标签包括待推荐用户的用户特征标签、作业人员特征标签和作业产品特征标签;根据用户特征标签与作业产品特征标签获取第一产品集;其中,第一产品集中包含利用用户特征标签和作业产品特征标签匹配的第一产品;根据作业人员特征标签与作业产品特征标签获取第二产品集;其中,第二产品集中包含利用作业人员特征标签和作业产品特征标签匹配的第二产品;根据第一产品集和第二产品集获取待推荐用户的目标推荐产品。
在一个实施例中,计算机程序被处理器执行现根据第一产品集和第二产品集获取待推荐用户的目标推荐产品时,具体实现以下步骤:根据第一产品集和第二产品集生成待推荐产品集;其中,待推荐产品集包含多个待推荐产品;确定各待推荐产品在第一产品集出现的第一次数;确定各待推荐产品在第二产品集出现的第二次数;根据第一次数与第二次数的累加值确定各待推荐产品的权重;根据各待推荐产品的权重从待推荐产品集中筛选出目标推荐产品。
在一个实施例中,计算机程序被处理器执行现根据用户特征标签与作业产品特征标签获取第一产品集时,具体实现以下步骤:根据作业产品标签获取第三产品集;根据用户特征标签获取第四产品集;利用枚举算法确定第四产品集中与第三产品集中产品相匹配的第一产品,由相匹配的第一产品生成第一产品集。
在一个实施例中,计算机程序被处理器执行现根据作业产品标签获取第三产品集时,具体实现以下步骤:根据作业产品标签获取第五产品集;根据作业产品标签和房屋地址特征标签获取第六产品集;根据第五产品集和第六产品集获取第三产品集。
在一个实施例中,计算机程序被处理器执行现根据用户特征标签获取第四产品集时,具体实现以下步骤:根据用户特征标签以及房屋地址特征标签获取待推荐用户所在居住地址的一定范围内的相似用户的历史售后维护信息;根据历史售后维护信息获取相似用户已购买的历史产品;根据历史产品生成第四产品集。
在一个实施例中,计算机程序被处理器执行现根据各权重筛选目标推荐产品时,具体实现以下步骤:基于各权重构建用户评分矩阵;其中,用户评分矩阵用于确定待推荐用户对各待推荐产品的第二预测评分;基于各第二预测评分以及预先训练的神经网络模型获取待推荐用户对各待推荐产品的购买意向得分;根据各购买意向得分确定目标推荐产品。
在一个实施例中,计算机程序被处理器执行现基于各权重构建用户评分矩阵时,具体实现以下步骤:基于协同过滤推荐算法构建待推荐用户与各待推荐产品的第一评分矩阵;根据第一评分矩阵获取待推荐用户对各待推荐产品的第一预测评分;将各第一预测评分乘以各待推荐产品的权重,得到第二预测评分;根据第二预测评分构建第二评分矩阵,将第二评分矩阵作为用户评分矩阵。
在一个实施例中,计算机程序被处理器执行现基于各第二预测评分以及预先训练的神经网络模型获取待推荐用户对各待推荐产品的购买意向得分时,具体实现以下步骤:将待推荐用户、各待推荐产品以及各待推荐产品对应的第二预测评分作为特征值输入至预先训练的神经网络模型中,获取预先训练的神经网络模型输出的待推荐用户对各待推荐产品的购买意向得分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM) 或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种产品的推荐方法,所述方法包括:
获取售后服务工单的工单信息;其中,所述工单信息包括待推荐用户的用户信息、作业人员信息和作业产品信息;
根据所述工单信息生成工单标签;其中,所述工单标签包括待推荐用户的用户特征标签、作业人员特征标签和作业产品特征标签;
根据所述用户特征标签与所述作业产品特征标签获取第一产品集;其中,所述第一产品集中包含利用所述用户特征标签和所述作业产品特征标签匹配的第一产品;
根据所述作业人员特征标签与所述作业产品特征标签获取第二产品集;其中,所述第二产品集中包含利用所述作业人员特征标签和所述作业产品特征标签匹配的第二产品;
根据所述第一产品集和所述第二产品集获取所述待推荐用户的目标推荐产品。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一产品集和所述第二产品集获取所述待推荐用户的目标推荐产品,包括:
根据所述第一产品集和所述第二产品集生成待推荐产品集;其中,所述待推荐产品集包含多个待推荐产品;
确定各所述待推荐产品在所述第一产品集出现的第一次数;
确定各所述待推荐产品在第二产品集出现的第二次数;
根据所述第一次数与所述第二次数的累加值确定各所述待推荐产品的权重;
根据各所述待推荐产品的权重从所述待推荐产品集中筛选出所述目标推荐产品。
3.根据权利要求1所述的方法,其特征在于,所述根据所述用户特征标签与所述作业产品特征标签获取第一产品集,包括:
根据所述作业产品标签获取第三产品集;
根据所述用户特征标签获取第四产品集;
利用枚举算法确定所述第四产品集中与所述第三产品集中产品相匹配的第一产品,由所述相匹配的第一产品生成所述第一产品集。
4.根据权利要求3所述的方法,其特征在于,所述工单标签还包括房屋地址特征标签,所述根据所述作业产品标签获取第三产品集,包括:
根据所述作业产品标签获取第五产品集;
根据所述作业产品标签和所述房屋地址特征标签获取第六产品集;
根据所述第五产品集和所述第六产品集获取第三产品集。
5.根据权利要求3所述的方法,其特征在于,所述工单标签还包括房屋地址特征标签,所述根据所述用户特征标签获取第四产品集,包括:
根据所述用户特征标签以及所述房屋地址特征标签获取所述待推荐用户所在居住地址的一定范围内的相似用户的历史售后维护信息;
根据所述历史售后维护信息获取所述相似用户已购买的历史产品;
根据所述历史产品生成第四产品集。
6.根据权利要求2所述的方法,其特征在于,所述根据各所述待推荐产品的权重从所述待推荐产品集中筛选出所述目标推荐产品,包括:
基于各所述权重构建用户评分矩阵;其中,所述用户评分矩阵用于确定所述待推荐用户对各所述待推荐产品的第二预测评分;
基于各所述第二预测评分以及预先训练的神经网络模型获取所述待推荐用户对各所述待推荐产品的购买意向得分;
根据各所述购买意向得分确定所述目标推荐产品。
7.根据权利要求6所述的方法,其特征在于,所述基于各所述权重构建用户评分矩阵,包括:
基于协同过滤推荐算法构建所述待推荐用户与各所述待推荐产品的第一评分矩阵;
根据所述第一评分矩阵获取所述待推荐用户对各所述待推荐产品的第一预测评分;
将各所述第一预测评分乘以各所述待推荐产品的权重,得到第二预测评分;
根据各所述第二预测评分构建第二评分矩阵,将所述第二评分矩阵作为所述用户评分矩阵;和/或,
所述基于各所述第二预测评分以及预先训练的神经网络模型获取所述待推荐用户对各所述待推荐产品的购买意向得分,包括:
将所述待推荐用户、各所述待推荐产品以及各所述待推荐产品对应的第二预测评分作为特征值输入至预先训练的神经网络模型中,获取所述预先训练的神经网络模型输出的所述待推荐用户对各所述待推荐产品的购买意向得分。
8.一种产品的推荐装置,其特征在于,所述装置包括:
工单信息获取模块,用于获取售后服务工单的工单信息;其中,所述工单信息包括待推荐用户的用户信息、作业人员信息和作业产品信息;
特征标签生成模块,用于根据所述工单信息生成工单标签;其中,所述工单标签包括待推荐用户的用户特征标签、作业人员特征标签和作业产品特征标签;
第一集合获取模块,用于根据所述用户特征标签与所述作业产品特征标签获取第一产品集;其中,所述第一产品集中包含利用所述用户特征标签和所述作业产品特征标签匹配的第一产品;
第二集合获取模块,用于根据所述作业人员特征标签与所述作业产品特征标签获取第二产品集;其中,所述第二产品集中包含利用所述作业人员特征标签和所述作业产品特征标签匹配的第二产品;
目标产品确定模块,用于根据所述第一产品集和所述第二产品集获取所述待推荐用户的目标推荐产品。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011057562.1A CN112232556B (zh) | 2020-09-29 | 2020-09-29 | 产品的推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011057562.1A CN112232556B (zh) | 2020-09-29 | 2020-09-29 | 产品的推荐方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232556A CN112232556A (zh) | 2021-01-15 |
CN112232556B true CN112232556B (zh) | 2022-08-05 |
Family
ID=74119760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011057562.1A Active CN112232556B (zh) | 2020-09-29 | 2020-09-29 | 产品的推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232556B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113488168A (zh) * | 2021-06-30 | 2021-10-08 | 浙江大学 | 一种基于用户健康信息特征集的个性化体检项目推荐方法 |
CN115002211B (zh) * | 2022-07-28 | 2022-12-06 | 成都乐超人科技有限公司 | 基于云原生的售后微服务实现方法、装置、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712001A (zh) * | 2018-11-29 | 2019-05-03 | 平安科技(深圳)有限公司 | 信息推荐方法、装置、计算机设备和存储介质 |
CN109493199A (zh) * | 2019-01-04 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
-
2020
- 2020-09-29 CN CN202011057562.1A patent/CN112232556B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112232556A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345302B (zh) | 机器学习模型训练方法、装置、存储介质和计算机设备 | |
CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
Göçer et al. | Completing the missing link in building design process: Enhancing post-occupancy evaluation method for effective feedback for building performance | |
Mahamid | Impact of rework on material waste in building construction projects | |
WO2019061994A1 (zh) | 电子装置、保险产品推荐方法、系统及计算机可读存储介质 | |
WO2020073727A1 (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
CN112232556B (zh) | 产品的推荐方法、装置、计算机设备和存储介质 | |
CN112231533A (zh) | 数据处理方法、装置、设备及存储介质 | |
Sasananan et al. | Selection of third party logistics service provider using a multi-criteria decision making approach for Indian cement manufacturing industries | |
CN115311042A (zh) | 商品推荐方法、装置、计算机设备和存储介质 | |
CN110647676A (zh) | 基于大数据的兴趣属性挖掘方法、装置和计算机设备 | |
CN113034295A (zh) | 险种推荐方法、装置、电子设备及存储介质 | |
Janicijevic et al. | Software quality improvement: a model based on managing factors impacting software quality | |
KR20220037023A (ko) | 플리마켓의 운영 및 관리 자동화를 수행하는 방법 및 이를 수행하는 서버 | |
CN117114901A (zh) | 基于人工智能的投保数据处理方法、装置、设备及介质 | |
CN110598124A (zh) | 数值属性挖掘方法、装置、计算机设备和存储介质 | |
CN111291795A (zh) | 人群特征分析方法、装置、存储介质和计算机设备 | |
US8000995B2 (en) | System and method for assessing customer segmentation strategies | |
Liu et al. | Application of fuzzy ordered weighted geometric averaging (FOWGA) operator for project delivery system decision-making | |
CN112988135B (zh) | 面向开源软件的任务单元推荐方法、装置和计算机设备 | |
CN115587830A (zh) | 工作任务激励方法、装置、计算机设备及存储介质 | |
US20200320452A1 (en) | Solution Proposal Support System and Solution Proposal Support Method | |
CN114565470A (zh) | 基于人工智能的金融产品推荐方法、及其相关设备 | |
Randelovic et al. | An Approach to Determining the Importance of Model Criteria in Certifying a City as Business-Friendly. | |
El‐Sawalhi et al. | Forecasting contractor performance using a neural network and genetic algorithm in a pre‐qualification model |
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 |