CN112288337B - 行为推荐方法、装置、设备及介质 - Google Patents
行为推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112288337B CN112288337B CN202011474836.7A CN202011474836A CN112288337B CN 112288337 B CN112288337 B CN 112288337B CN 202011474836 A CN202011474836 A CN 202011474836A CN 112288337 B CN112288337 B CN 112288337B
- Authority
- CN
- China
- Prior art keywords
- data
- target
- behavior
- recommendation
- analyzed
- 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
- G06Q10/06—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
- G06Q10/06398—Performance of employee with respect to a job function
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Abstract
本发明涉及人工智能领域,提供一种行为推荐方法、装置、设备及介质,能够对标注数据进行加工预处理,有效提高了数据质量,提升了数据的可用性,结合SHAP值及预测模型提升了预测模型的可解释性,通过SHAP值能够有针对性地判断每个用户的待改进环节,以便后续针对该环节进行有针对性的行为推荐,同时针对不同用户群体分别构建推荐模型,推荐适合各自群体的重要展业动作,避免使用单一模型时影响数据的运行速度,进而结合人工智能手段有针对性地进行千人千面的行为推荐。本发明还涉及区块链技术,目标推荐行为可存储于区块链。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种行为推荐方法、装置、设备及介质。
背景技术
为了指导代理人在销售过程中的销售行为,传统的方法是通过岗前培训以及岗后辅导,由主管传授基线代理人如何进行展业,但每个代理人有惯用的固定打法,优秀代理人的展业方法并不一定适合所有人,缺少了针对每个代理人个性化的设计及考量;另一种方法是通过代理人不断地摸索与实践,最后寻找到合适自己的展业方法,但是这种方式周期较长,且很多代理人在摸索过程中会因为考核不达标而失去信心等原因流失。
另外,目前的智能推荐方式所覆盖的因素不够全面,也无法准确的定位每个代理人出现问题的行为特征,进而无法有针对性的进行行为指导。
发明内容
鉴于以上内容,有必要提供一种行为推荐方法、装置、设备及介质,能够结合人工智能手段有针对性地进行千人千面的行为推荐。
一种行为推荐方法,所述行为推荐方法包括:
响应于对目标用户的行为推荐指令,根据所述行为推荐指令确定目标区域,并获取所述目标用户在所述目标区域的初始数据;
对所述初始数据进行标注,得到标注数据;
对所述标注数据进行加工预处理,得到待分析数据,其中,所述待分析数据包括至少一个子数据;
将所述待分析数据输入至预先训练的预测模型,并根据所述预测模型的预测值确定所述待分析数据中每个子数据的SHAP值;
从所述待分析数据中获取所述SHAP值最低的子数据作为目标数据;
识别所述目标数据的目标类型,并根据所述目标类型从预先训练的至少一个推荐模型中选择目标推荐模型;
将所述目标数据输入至所述目标推荐模型,并根据所述目标推荐模型的输出确定目标推荐行为。
根据本发明优选实施例,所述根据所述行为推荐指令确定目标区域,并获取所述目标用户在所述目标区域的初始数据包括:
解析所述行为推荐指令的方法体,得到所述行为推荐指令所携带的信息;
获取预设标签;
在所述行为推荐指令所携带的信息中查找与所述预设标签相同的数据作为所述目标区域;
连接所述目标区域对应的服务器,并从所述服务器中获取所述目标用户在所述目标区域产生的行为数据及所述目标用户的基础信息作为所述初始数据。
根据本发明优选实施例,所述对所述初始数据进行标注,得到标注数据包括:
确定所述初始数据中每个数据的关键字;
根据每个数据的关键字识别每个数据所属的环节;
将每个数据所属的环节确定为每个数据的标签;
根据每个数据的标签对所述初始数据进行标注,得到所述标注数据。
根据本发明优选实施例,所述对所述标注数据进行加工预处理,得到待分析数据包括:
调用线程计算所述标注数据中每个标注数据的饱和度,及计算所述标注数据中每两个标注数据间的相关度;
从所述标注数据中获取饱和度小于或者等于配置饱和度的数据,并删除获取的数据,得到第一中间数据;
从所述第一中间数据中获取相关度大于或者等于配置相关度的两个数据,并从所述两个数据中获取饱和度较小的数据,删除所述饱和度较小的数据,得到第二中间数据;
检测所述第二中间数据中的缺失数据,并对所述缺失数据进行填充处理,得到第三中间数据;
对所述第三中间数据进行扩展处理,得到所述待分析数据。
根据本发明优选实施例,所述根据所述预测模型的预测值确定所述待分析数据中每个子数据的SHAP值包括:
采用下述公式,根据所述预测模型的预测值计算所述待分析数据中每个子数据的SHAP值:
yi=ybase+f(xi,1)+ f(xi,2)+…+ f(xi,j);
其中,i、j为正整数,yi为所述预测模型对第i个待分析数据的预测值,ybase 为所述预测模型对所有所述待分析数据的预测值的均值,xi 为第i个待分析数据,xi,j为第i个待分析数据的第j个子数据,f(xi,j)为xi,j的SHAP值。
根据本发明优选实施例,所述根据所述目标推荐模型的输出确定目标推荐行为包括:
从所述目标推荐模型的输出中确定所述目标数据所包含的每个目标子数据的重要性;
将每个目标子数据的重要性按照由高到低的顺序进行排序,并获取排在前预设位的目标子数据作为目标因子;
获取所述目标因子的标签;
根据所述目标因子的标签确定所述目标因子所属的目标环节;
调用预先配置的动作池,并根据所述目标环节在所述动作池中进行映射,得到映射结果;
将所述映射结果确定为所述目标推荐行为。
根据本发明优选实施例,所述方法还包括:
获取至少一个用户的历史数据;
将所述至少一个用户的历史数据输入至所述目标推荐模型,并获取所述目标推荐模型的当前输出;
从所述目标推荐模型的当前输出中筛选出目标结果,所述目标结果与所述目标推荐行为中的每个目标推荐行为相对应;
确定每个目标推荐行为对应的所述目标结果的数量作为每个目标推荐行为对应的第一数值,及确定所述至少一个用户的数量作为第二数值;
分别计算每个第一数值与所述第二数值的商作为每个目标推荐行为的参考值;
将每个目标推荐行为的参考值发送至所述目标用户的终端设备。
一种行为推荐装置,所述行为推荐装置包括:
获取单元,用于响应于对目标用户的行为推荐指令,根据所述行为推荐指令确定目标区域,并获取所述目标用户在所述目标区域的初始数据;
标注单元,用于对所述初始数据进行标注,得到标注数据;
预处理单元,用于对所述标注数据进行加工预处理,得到待分析数据,其中,所述待分析数据包括至少一个子数据;
确定单元,用于将所述待分析数据输入至预先训练的预测模型,并根据所述预测模型的预测值确定所述待分析数据中每个子数据的SHAP值;
所述获取单元,还用于从所述待分析数据中获取所述SHAP值最低的子数据作为目标数据;
选择单元,用于识别所述目标数据的目标类型,并根据所述目标类型从预先训练的至少一个推荐模型中选择目标推荐模型;
所述确定单元,还用于将所述目标数据输入至所述目标推荐模型,并根据所述目标推荐模型的输出确定目标推荐行为。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述行为推荐方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述行为推荐方法。
由以上技术方案可以看出,本发明能够对标注数据进行加工预处理,有效提高了数据质量,提升了数据的可用性,结合SHAP值及预测模型提升了预测模型的可解释性,通过SHAP值能够有针对性地判断每个用户的待改进环节,以便后续针对该环节进行有针对性的行为推荐,同时针对不同用户群体分别构建推荐模型,推荐适合各自群体的重要展业动作,避免使用单一模型时影响数据的运行速度,进而结合人工智能手段有针对性地进行千人千面的行为推荐。
附图说明
图1是本发明行为推荐方法的较佳实施例的流程图。
图2是本发明行为推荐装置的较佳实施例的功能模块图。
图3是本发明实现行为推荐方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明行为推荐方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述行为推荐方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,响应于对目标用户的行为推荐指令,根据所述行为推荐指令确定目标区域,并获取所述目标用户在所述目标区域的初始数据。
可以理解的是,代理人在销售展业过程中的行为主要分为四个环节:获客,即通过各种渠道获取新的客户;互动,即与新客、老客进行日常互动拜访;转化,即给客户推荐各类保险并制定相应的建议书,期望能促使客户购买产品;成交,即最终成功销售保险产品,以及后续提供的基础和增值服务,并希望客户能够转介绍来更多新的客户,形成展业闭环。为了给新老客户销售产品,代理人需要经历四个环节的展业过程,并且在每个环节各式各样的方法中,选取最优的展业行为以及目标。
在本实施例中,所述目标用户可以包括需要进行行为推荐的用户,如:销售代理人等。
在本实施例中,所述行为推荐指令可以由指定工作人员触发,如:销售代理人、销售管理人员等。
所述目标区域是指所述目标用户(如销售代理人)执行销售行为的区域。
所述初始数据是指所述目标用户(如销售代理人)在不同展业环节内的行为数据及基础信息(如年龄、性别、绩效、年资等)。
在本发明的至少一个实施例中,所述根据所述行为推荐指令确定目标区域,并获取所述目标用户在所述目标区域的初始数据包括:
解析所述行为推荐指令的方法体,得到所述行为推荐指令所携带的信息;
获取预设标签;
在所述行为推荐指令所携带的信息中查找与所述预设标签相同的数据作为所述目标区域;
连接所述目标区域对应的服务器,并从所述服务器中获取所述目标用户在所述目标区域产生的行为数据及所述目标用户的基础信息作为所述初始数据。
其中,所述服务器中的数据来源主要包括,但不限于:代理人展业相关应用程序、通过问卷收集补充的行为数据,以及通过打造新工具补充收集的缺失行为数据等。
具体地,所述行为推荐指令实质上是一条代码,在所述行为推荐指令中,根据代码的编写原则,{}之间的内容被称之为所述方法体。
所述预设标签可以进行自定义配置,如add。
通过上述实施方式,在以预设标签能够直接获取到目标区域时,直接从指令中获取数据,以提升效率,并且,以标签进行获取,也提高了数据获取的准确性。
S11,对所述初始数据进行标注,得到标注数据。
具体地,所述对所述初始数据进行标注,得到标注数据包括:
确定所述初始数据中每个数据的关键字;
根据每个数据的关键字识别每个数据所属的环节;
将每个数据所属的环节确定为每个数据的标签;
根据每个数据的标签对所述初始数据进行标注,得到所述标注数据。
例如:当识别到所述初始数据中包括“渠道”、“客户名”等关键字时,可以确定所述初始数据所属的环节为“获客”。
通过上述实施方式,能够实现对数据的自动标注,不仅提高了标注效率,且有效避免了由于人为标注造成的错误。
当然,在其他实施例中,也可以采用专家标注的方式,本发明不限制。
S12,对所述标注数据进行加工预处理,得到待分析数据,其中,所述待分析数据包括至少一个子数据。
可以理解的是,由于所述初始数据是指所述目标用户在不同展业环节内的行为数据及基础信息,必然包括多个子数据,那么,经过标注及加工后,得到的所述待分析数据也包括至少一个子数据。
需要说明的是,所述标注数据中还可能存在一定的数据缺陷,如重复数据、不饱和数据等,为了提高数据的可用性,首先需要对数据进行加工预处理。
具体地,所述对所述标注数据进行加工预处理,得到待分析数据包括:
调用线程计算所述标注数据中每个标注数据的饱和度,及计算所述标注数据中每两个标注数据间的相关度;
从所述标注数据中获取饱和度小于或者等于配置饱和度的数据,并删除获取的数据,得到第一中间数据;
从所述第一中间数据中获取相关度大于或者等于配置相关度的两个数据,并从所述两个数据中获取饱和度较小的数据,删除所述饱和度较小的数据,得到第二中间数据;
检测所述第二中间数据中的缺失数据,并对所述缺失数据进行填充处理,得到第三中间数据;
对所述第三中间数据进行扩展处理,得到所述待分析数据。
其中,可以采用皮尔逊算法计算所述标注数据中每两个标注数据间的相关度,本发明不限制。
进一步地,在对所述缺失数据进行填充处理时,可以采用零值或者均值的方式。例如:对于年龄、收入等数据采用均值填充,对于一般行为数据采用零值填充。
更进一步地,在对所述第三中间数据进行扩展处理时,可以采用时间衍生的方式(比如将数据衍生至近1个月、3个月等),也可以采用求和方式,以构建更多的特征。
在本实施例中,通过删除饱和度低的数据,能够避免由于缺少因子导致数据分析不准确。
通过对相关度高的数据进行删除处理,能够删除重复数据,避免由于数据的冗余给系统造成不必要的运行负担。
通过对缺失数据进行填补,能够进一步保证数据的可用性。
通过对数据进行扩展处理,能够有效提高样本数量,以提高后续模型训练的精度,进而提升模型的训练效果。
S13,将所述待分析数据输入至预先训练的预测模型,并根据所述预测模型的预测值确定所述待分析数据中每个子数据的SHAP(SHapley Additive exPlanation)值。
在本实施例中,所述预测模型可以包括,但不限于:随机森林模型、XGBoost模型、LightGBM模型、神经网络模型等。
本实施例中,在将所述待分析数据输入至预先训练的预测模型前,首先训练所述预测模型。
例如:以历史数据中6月份的展业行为数据作为可变因子,代理人在7月份业绩是否有提升作为目标因子,将提升的数据确定为正样本,将没有提升的数据确定为负样本。通过划分训练集、验证集、测试集,构建模型并训练,不断调整模型以选取最优参数。训练得到的模型可运用在最新月份的数据上,预测代理人在下个月业绩是否会提升。
SHAP是由Shapley value启发的可加性解释模型。对于每个预测样本,模型都产生一个预测值,SHAP 值就是该样本中每个特征所分配到的数值。
在本发明的至少一个实施例中,所述根据所述预测模型的预测值确定所述待分析数据中每个子数据的SHAP值包括:
采用下述公式,根据所述预测模型的预测值计算所述待分析数据中每个子数据的SHAP值:
yi=ybase+f(xi,1)+ f(xi,2)+…+ f(xi,j);
其中,i、j为正整数,yi为所述预测模型对第i个待分析数据的预测值,ybase 为所述预测模型对所有所述待分析数据的预测值的均值,xi 为第i个待分析数据,xi,j为第i个待分析数据的第j个子数据,f(xi,j)为xi,j的SHAP值。
例如:当i=1,j=1时,y1 = ybase + f(x1,1),此时能算出f(x1,1);当i=1,j=2时,y1=ybase + f(x1,1)+ f(x1,2),由于f(x1,1)已经算出来,此时能得到f(x1,2),以此类推,即可根据需要进行计算,得到对应的f(xi,j)。
通过上述公式,模型的预测值及均值为已知,因此,通过模型的预测值与均值进行计算分析,即可得到每个子数据的SHAP值,即f(xi,j)。
具体地,f(xi,j)为第i个待分析数据的第j个子数据对最终预测值yi的贡献值,f(xi,j)>0,说明该子数据提升了预测值,有正向作用;反之,说明该子数据使得预测值降低,有反作用。
可以理解的是,采用SHAP 值最大的优势是能够反映出每一个子数据对最终预测结果的影响力,有效提升了预测模型的可解释性。
S14,从所述待分析数据中获取所述SHAP值最低的子数据作为目标数据。
需要说明的是,不同于一般的因子重要性,SHAP值可以分解预测结果(即所述预测值)以展示每个因子(即所述子数据)对每个样本(即所述待分析数据)的影响。SHAP值解释了对于给定特征具有某些特定值时所产生的影响,并与在该特征具有某些基线值时所作的预测进行比较。
所述SHAP值最低的子数据对应的即为所述目标用户最需要改善的环节。
因此,在本实施例中,通过SHAP值能够有针对性地判断每个用户的待改进环节,以便后续针对该环节进行有针对性的行为推荐。
S15,识别所述目标数据的目标类型,并根据所述目标类型从预先训练的至少一个推荐模型中选择目标推荐模型。
在本实施例中,可以根据不同的类型分别构建推荐模型。
例如:结合专家经验和聚类模型,将代理人依据基本信息如年龄、性别、婚姻状态、学历、兴趣爱好等,分类成8个类型;同时根据专家经验,不同年资的代理人应该选择的展业方法不一样,所以将年资切分为5档:0-3个月、3-6个月、6-9个月、9-12个月、以及1年以上;最后,绩效水平不同的代理人也应该使用不同的展业方法,比如绩优的代理人应该继续保持发挥优势,而绩差代理人则应该循序渐进不断进步,不能设定太难的目标,因此根据业绩的不同水平,将代理人划分为5个星级,从1-5,5星代表代理人业绩达到最高档的水平。综上所述,可以将所有代理人划分为200个cube:即8类代理人交叉5档年资,再交叉5档星级。进一步地,在每个cube中各自构建推荐模型,以代理人展业行为的完成情况为输入,预测代理人在3个月后星级是否能够上升。
通过上述实施方式,能够避免使用单一模型时影响数据的运行速度。
S16,将所述目标数据输入至所述目标推荐模型,并根据所述目标推荐模型的输出确定目标推荐行为。
具体地,所述根据所述目标推荐模型的输出确定目标推荐行为包括:
从所述目标推荐模型的输出中确定所述目标数据所包含的每个目标子数据的重要性;
将每个目标子数据的重要性按照由高到低的顺序进行排序,并获取排在前预设位的目标子数据作为目标因子;
获取所述目标因子的标签;
根据所述目标因子的标签确定所述目标因子所属的目标环节;
调用预先配置的动作池,并根据所述目标环节在所述动作池中进行映射,得到映射结果;
将所述映射结果确定为所述目标推荐行为。
例如:当所述目标数据对应的环节为“互动”时,每个目标子数据即为在所述“互动”中的每个展业行为,如通过手机进行问候,到客户家进行拜访等。
在本实施例中,所述目标推荐模型实际上是一种分类模型(如LightGBM模型),通过所述目标推荐模型,可以直接输出每个目标子数据的重要性。
其中,所述预设位可以进行自定义配置,如:占比为前70%的数据。
在本实施例中,所述动作池可以根据每个环节的最优行为进行配置,即所述动作池中存储着每个环节对应的至少一个最佳展业行为。例如:对于“互动”环节对应的动作池,可以存储“智能终端问候行为”、“家访式问候行为”等。
通过上述实施方式,能够针对用户的薄弱环节进行有针对性的行为推荐,以改善用户的薄弱点。
在本发明的至少一个实施例中,所述方法还包括:
获取至少一个用户的历史数据;
将所述至少一个用户的历史数据输入至所述目标推荐模型,并获取所述目标推荐模型的当前输出;
从所述目标推荐模型的当前输出中筛选出目标结果,所述目标结果与所述目标推荐行为中的每个目标推荐行为相对应;
确定每个目标推荐行为对应的所述目标结果的数量作为每个目标推荐行为对应的第一数值,及确定所述至少一个用户的数量作为第二数值;
分别计算每个第一数值与所述第二数值的商作为每个目标推荐行为的参考值;
将每个目标推荐行为的参考值发送至所述目标用户的终端设备。
其中,所述目标结果是指成功完成了对应行为,例如成功达成“在3个月后星级能够上升”。
其中,所述至少一个用户可以是在历史上绩效提升的代理人,以便后续根据这些优秀的代理人的展业行为为每个动作设立次数的目标值,也就是给代理人提供每个展业动作的执行数量的参考值。
例如:在训练所述目标推荐模型时,以代理人展业行为的完成情况为输入,预测代理人在3个月后星级是否能够上升,其中,将“代理人在3个月后星级能够上升”确定为所述目标结果。从所述目标推荐模型的当前输出中筛选出所述目标结果,并且,所述目标结果(即“代理人在3个月后星级能够上升”)可以与每个目标推荐行为相对应,进一步地,计算出这些有代表性的优秀代理人执行每个目标推荐行为后取得所述目标结果的次数(即每个目标推荐行为对应的所述目标结果的数量),再与这些优秀代理人的人数(即所述至少一个用户的数量)相除,即可作为每个目标推荐行为的参考值,供其他代理人(如所述目标用户)进行自我监督与学习。
通过上述实施方式,能够为每个行为配置参考值,对相应的代理人起到警示及监督的作用。
在本实施例中,为了进一步保证数据的安全性,可以将目标推荐行为存储于区块链。
由以上技术方案可以看出,本发明能够对标注数据进行加工预处理,有效提高了数据质量,提升了数据的可用性,结合SHAP值及预测模型提升了预测模型的可解释性,通过SHAP值能够有针对性地判断每个用户的待改进环节,以便后续针对该环节进行有针对性的行为推荐,同时针对不同用户群体分别构建推荐模型,推荐适合各自群体的重要展业动作,避免使用单一模型时影响数据的运行速度,进而结合人工智能手段有针对性地进行千人千面的行为推荐。
如图2所示,是本发明行为推荐装置的较佳实施例的功能模块图。所述行为推荐装置11包括获取单元110、标注单元111、预处理单元112、确定单元113、选择单元114。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
响应于对目标用户的行为推荐指令,获取单元110根据所述行为推荐指令确定目标区域,并获取所述目标用户在所述目标区域的初始数据。
可以理解的是,代理人在销售展业过程中的行为主要分为四个环节:获客,即通过各种渠道获取新的客户;互动,即与新客、老客进行日常互动拜访;转化,即给客户推荐各类保险并制定相应的建议书,期望能促使客户购买产品;成交,即最终成功销售保险产品,以及后续提供的基础和增值服务,并希望客户能够转介绍来更多新的客户,形成展业闭环。为了给新老客户销售产品,代理人需要经历四个环节的展业过程,并且在每个环节各式各样的方法中,选取最优的展业行为以及目标。
在本实施例中,所述目标用户可以包括需要进行行为推荐的用户,如:销售代理人等。
在本实施例中,所述行为推荐指令可以由指定工作人员触发,如:销售代理人、销售管理人员等。
所述目标区域是指所述目标用户(如销售代理人)执行销售行为的区域。
所述初始数据是指所述目标用户(如销售代理人)在不同展业环节内的行为数据及基础信息(如年龄、性别、绩效、年资等)。
在本发明的至少一个实施例中,所述获取单元110根据所述行为推荐指令确定目标区域,并获取所述目标用户在所述目标区域的初始数据包括:
解析所述行为推荐指令的方法体,得到所述行为推荐指令所携带的信息;
获取预设标签;
在所述行为推荐指令所携带的信息中查找与所述预设标签相同的数据作为所述目标区域;
连接所述目标区域对应的服务器,并从所述服务器中获取所述目标用户在所述目标区域产生的行为数据及所述目标用户的基础信息作为所述初始数据。
其中,所述服务器中的数据来源主要包括,但不限于:代理人展业相关应用程序、通过问卷收集补充的行为数据,以及通过打造新工具补充收集的缺失行为数据等。
具体地,所述行为推荐指令实质上是一条代码,在所述行为推荐指令中,根据代码的编写原则,{}之间的内容被称之为所述方法体。
所述预设标签可以进行自定义配置,如add。
通过上述实施方式,在以预设标签能够直接获取到目标区域时,直接从指令中获取数据,以提升效率,并且,以标签进行获取,也提高了数据获取的准确性。
标注单元111对所述初始数据进行标注,得到标注数据。
具体地,所述标注单元111对所述初始数据进行标注,得到标注数据包括:
确定所述初始数据中每个数据的关键字;
根据每个数据的关键字识别每个数据所属的环节;
将每个数据所属的环节确定为每个数据的标签;
根据每个数据的标签对所述初始数据进行标注,得到所述标注数据。
例如:当识别到所述初始数据中包括“渠道”、“客户名”等关键字时,可以确定所述初始数据所属的环节为“获客”。
通过上述实施方式,能够实现对数据的自动标注,不仅提高了标注效率,且有效避免了由于人为标注造成的错误。
当然,在其他实施例中,也可以采用专家标注的方式,本发明不限制。
预处理单元112对所述标注数据进行加工预处理,得到待分析数据,其中,所述待分析数据包括至少一个子数据。
可以理解的是,由于所述初始数据是指所述目标用户在不同展业环节内的行为数据及基础信息,必然包括多个子数据,那么,经过标注及加工后,得到的所述待分析数据也包括至少一个子数据。
需要说明的是,所述标注数据中还可能存在一定的数据缺陷,如重复数据、不饱和数据等,为了提高数据的可用性,首先需要对数据进行加工预处理。
具体地,所述预处理单元112对所述标注数据进行加工预处理,得到待分析数据包括:
调用线程计算所述标注数据中每个标注数据的饱和度,及计算所述标注数据中每两个标注数据间的相关度;
从所述标注数据中获取饱和度小于或者等于配置饱和度的数据,并删除获取的数据,得到第一中间数据;
从所述第一中间数据中获取相关度大于或者等于配置相关度的两个数据,并从所述两个数据中获取饱和度较小的数据,删除所述饱和度较小的数据,得到第二中间数据;
检测所述第二中间数据中的缺失数据,并对所述缺失数据进行填充处理,得到第三中间数据;
对所述第三中间数据进行扩展处理,得到所述待分析数据。
其中,可以采用皮尔逊算法计算所述标注数据中每两个标注数据间的相关度,本发明不限制。
进一步地,在对所述缺失数据进行填充处理时,可以采用零值或者均值的方式。例如:对于年龄、收入等数据采用均值填充,对于一般行为数据采用零值填充。
更进一步地,在对所述第三中间数据进行扩展处理时,可以采用时间衍生的方式(比如将数据衍生至近1个月、3个月等),也可以采用求和方式,以构建更多的特征。
在本实施例中,通过删除饱和度低的数据,能够避免由于缺少因子导致数据分析不准确。
通过对相关度高的数据进行删除处理,能够删除重复数据,避免由于数据的冗余给系统造成不必要的运行负担。
通过对缺失数据进行填补,能够进一步保证数据的可用性。
通过对数据进行扩展处理,能够有效提高样本数量,以提高后续模型训练的精度,进而提升模型的训练效果。
确定单元113将所述待分析数据输入至预先训练的预测模型,并根据所述预测模型的预测值确定所述待分析数据中每个子数据的SHAP(SHapley Additive exPlanation)值。
在本实施例中,所述预测模型可以包括,但不限于:随机森林模型、XGBoost模型、LightGBM模型、神经网络模型等。
本实施例中,在将所述待分析数据输入至预先训练的预测模型前,首先训练所述预测模型。
例如:以历史数据中6月份的展业行为数据作为可变因子,代理人在7月份业绩是否有提升作为目标因子,将提升的数据确定为正样本,将没有提升的数据确定为负样本。通过划分训练集、验证集、测试集,构建模型并训练,不断调整模型以选取最优参数。训练得到的模型可运用在最新月份的数据上,预测代理人在下个月业绩是否会提升。
SHAP是由Shapley value启发的可加性解释模型。对于每个预测样本,模型都产生一个预测值,SHAP 值就是该样本中每个特征所分配到的数值。
在本发明的至少一个实施例中,所述根据所述预测模型的预测值确定所述待分析数据中每个子数据的SHAP值包括:
采用下述公式,根据所述预测模型的预测值计算所述待分析数据中每个子数据的SHAP值:
yi=ybase+f(xi,1)+ f(xi,2)+…+ f(xi,j);
其中,i、j为正整数,yi为所述预测模型对第i个待分析数据的预测值,ybase 为所述预测模型对所有所述待分析数据的预测值的均值,xi 为第i个待分析数据,xi,j为第i个待分析数据的第j个子数据,f(xi,j)为xi,j的SHAP值。
例如:当i=1,j=1时,y1 = ybase + f(x1,1),此时能算出f(x1,1);当i=1,j=2时,y1=ybase + f(x1,1)+ f(x1,2),由于f(x1,1)已经算出来,此时能得到f(x1,2),以此类推,即可根据需要进行计算,得到对应的f(xi,j)。
通过上述公式,模型的预测值及均值为已知,因此,通过模型的预测值与均值进行计算分析,即可得到每个子数据的SHAP值,即f(xi,j)。
具体地,f(xi,j)为第i个待分析数据的第j个子数据对最终预测值yi的贡献值,f(xi,j)>0,说明该子数据提升了预测值,有正向作用;反之,说明该子数据使得预测值降低,有反作用。
可以理解的是,采用SHAP 值最大的优势是能够反映出每一个子数据对最终预测结果的影响力,有效提升了预测模型的可解释性。
所述获取单元110从所述待分析数据中获取所述SHAP值最低的子数据作为目标数据。
需要说明的是,不同于一般的因子重要性,SHAP值可以分解预测结果(即所述预测值)以展示每个因子(即所述子数据)对每个样本(即所述待分析数据)的影响。SHAP值解释了对于给定特征具有某些特定值时所产生的影响,并与在该特征具有某些基线值时所作的预测进行比较。
所述SHAP值最低的子数据对应的即为所述目标用户最需要改善的环节。
因此,在本实施例中,通过SHAP值能够有针对性地判断每个用户的待改进环节,以便后续针对该环节进行有针对性的行为推荐。
选择单元114识别所述目标数据的目标类型,并根据所述目标类型从预先训练的至少一个推荐模型中选择目标推荐模型。
在本实施例中,可以根据不同的类型分别构建推荐模型。
例如:结合专家经验和聚类模型,将代理人依据基本信息如年龄、性别、婚姻状态、学历、兴趣爱好等,分类成8个类型;同时根据专家经验,不同年资的代理人应该选择的展业方法不一样,所以将年资切分为5档:0-3个月、3-6个月、6-9个月、9-12个月、以及1年以上;最后,绩效水平不同的代理人也应该使用不同的展业方法,比如绩优的代理人应该继续保持发挥优势,而绩差代理人则应该循序渐进不断进步,不能设定太难的目标,因此根据业绩的不同水平,将代理人划分为5个星级,从1-5,5星代表代理人业绩达到最高档的水平。综上所述,可以将所有代理人划分为200个cube:即8类代理人交叉5档年资,再交叉5档星级。进一步地,在每个cube中各自构建推荐模型,以代理人展业行为的完成情况为输入,预测代理人在3个月后星级是否能够上升。
通过上述实施方式,能够避免使用单一模型时影响数据的运行速度。
所述确定单元113将所述目标数据输入至所述目标推荐模型,并根据所述目标推荐模型的输出确定目标推荐行为。
具体地,所述确定单元113根据所述目标推荐模型的输出确定目标推荐行为包括:
从所述目标推荐模型的输出中确定所述目标数据所包含的每个目标子数据的重要性;
将每个目标子数据的重要性按照由高到低的顺序进行排序,并获取排在前预设位的目标子数据作为目标因子;
获取所述目标因子的标签;
根据所述目标因子的标签确定所述目标因子所属的目标环节;
调用预先配置的动作池,并根据所述目标环节在所述动作池中进行映射,得到映射结果;
将所述映射结果确定为所述目标推荐行为。
例如:当所述目标数据对应的环节为“互动”时,每个目标子数据即为在所述“互动”中的每个展业行为,如通过手机进行问候,到客户家进行拜访等。
在本实施例中,所述目标推荐模型实际上是一种分类模型(如LightGBM模型),通过所述目标推荐模型,可以直接输出每个目标子数据的重要性。
其中,所述预设位可以进行自定义配置,如:占比为前70%的数据。
在本实施例中,所述动作池可以根据每个环节的最优行为进行配置,即所述动作池中存储着每个环节对应的至少一个最佳展业行为。例如:对于“互动”环节对应的动作池,可以存储“智能终端问候行为”、“家访式问候行为”等。
通过上述实施方式,能够针对用户的薄弱环节进行有针对性的行为推荐,以改善用户的薄弱点。
在本发明的至少一个实施例中,获取至少一个用户的历史数据;
将所述至少一个用户的历史数据输入至所述目标推荐模型,并获取所述目标推荐模型的当前输出;
从所述目标推荐模型的当前输出中筛选出目标结果,所述目标结果与所述目标推荐行为中的每个目标推荐行为相对应;
确定每个目标推荐行为对应的所述目标结果的数量作为每个目标推荐行为对应的第一数值,及确定所述至少一个用户的数量作为第二数值;
分别计算每个第一数值与所述第二数值的商作为每个目标推荐行为的参考值;
将每个目标推荐行为的参考值发送至所述目标用户的终端设备。
其中,所述目标结果是指成功完成了对应行为,例如成功达成“在3个月后星级能够上升”。
其中,所述至少一个用户可以是在历史上绩效提升的代理人,以便后续根据这些优秀的代理人的展业行为为每个动作设立次数的目标值,也就是给代理人提供每个展业动作的执行数量的参考值。
例如:在训练所述目标推荐模型时,以代理人展业行为的完成情况为输入,预测代理人在3个月后星级是否能够上升,其中,将“代理人在3个月后星级能够上升”确定为所述目标结果。从所述目标推荐模型的当前输出中筛选出所述目标结果,并且,所述目标结果(即“代理人在3个月后星级能够上升”)可以与每个目标推荐行为相对应,进一步地,计算出这些有代表性的优秀代理人执行每个目标推荐行为后取得所述目标结果的次数(即每个目标推荐行为对应的所述目标结果的数量),再与这些优秀代理人的人数(即所述至少一个用户的数量)相除,即可作为每个目标推荐行为的参考值,供其他代理人(如所述目标用户)进行自我监督与学习。
通过上述实施方式,能够为每个行为配置参考值,对相应的代理人起到警示及监督的作用。
在本实施例中,为了进一步保证数据的安全性,可以将目标推荐行为存储于区块链。
由以上技术方案可以看出,本发明能够对标注数据进行加工预处理,有效提高了数据质量,提升了数据的可用性,结合SHAP值及预测模型提升了预测模型的可解释性,通过SHAP值能够有针对性地判断每个用户的待改进环节,以便后续针对该环节进行有针对性的行为推荐,同时针对不同用户群体分别构建推荐模型,推荐适合各自群体的重要展业动作,避免使用单一模型时影响数据的运行速度,进而结合人工智能手段有针对性地进行千人千面的行为推荐。
如图3所示,是本发明实现行为推荐方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线,还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如行为推荐程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,所述电子设备1既可以是总线型结构,也可以是星形结构,所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置,例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是,所述电子设备1仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
其中,存储器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(Secure Digital, SD)卡、闪存卡(Flash Card)等。进一步地,存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如行为推荐程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit),利用各种接口和线路连接整个电子设备1的各个部件,通过运行或执行存储在所述存储器12内的程序或者模块(例如执行行为推荐程序等),以及调用存储在所述存储器12内的数据,以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个行为推荐方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成获取单元110、标注单元111、预处理单元112、确定单元113、选择单元114。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块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、计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述行为推荐方法的部分。
所述电子设备1集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指示相关的硬件设备来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器等。
进一步地,计算机可读存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图3中仅用一根箭头表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器13逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种行为推荐方法,所述处理器13可执行所述多个指令从而实现:
响应于对目标用户的行为推荐指令,根据所述行为推荐指令确定目标区域,并获取所述目标用户在所述目标区域的初始数据;
对所述初始数据进行标注,得到标注数据;
对所述标注数据进行加工预处理,得到待分析数据,其中,所述待分析数据包括至少一个子数据;
将所述待分析数据输入至预先训练的预测模型,并根据所述预测模型的预测值确定所述待分析数据中每个子数据的SHAP值;
从所述待分析数据中获取所述SHAP值最低的子数据作为目标数据;
识别所述目标数据的目标类型,并根据所述目标类型从预先训练的至少一个推荐模型中选择目标推荐模型;
将所述目标数据输入至所述目标推荐模型,并根据所述目标推荐模型的输出确定目标推荐行为。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种行为推荐方法,其特征在于,所述行为推荐方法包括:
响应于对目标用户的行为推荐指令,根据所述行为推荐指令确定目标区域,并获取所述目标用户在所述目标区域的初始数据;
对所述初始数据进行标注,得到标注数据;
对所述标注数据进行加工预处理,得到待分析数据,其中,所述待分析数据包括至少一个子数据;
将所述待分析数据输入至预先训练的预测模型,并根据所述预测模型的预测值确定所述待分析数据中每个子数据的SHAP值,其中,所述根据所述预测模型的预测值确定所述待分析数据中每个子数据的SHAP值包括:采用下述公式,根据所述预测模型的预测值计算所述待分析数据中每个子数据的SHAP值:yi=ybase+f(xi,1)+f(xi,2)+…+f(xi,j);其中,i、j为正整数,yi为所述预测模型对第i个待分析数据的预测值,ybase为所述预测模型对所有所述待分析数据的预测值的均值,xi为第i个待分析数据,xi,j为第i个待分析数据的第j个子数据,f(xi,j)为xi,j的SHAP值;
从所述待分析数据中获取所述SHAP值最低的子数据作为目标数据;
识别所述目标数据的目标类型,并根据所述目标类型从预先训练的至少一个推荐模型中选择目标推荐模型,其中,所述至少一个推荐模型根据不同的类型分别构建;
将所述目标数据输入至所述目标推荐模型,并根据所述目标推荐模型的输出确定目标推荐行为。
2.如权利要求1所述的行为推荐方法,其特征在于,所述根据所述行为推荐指令确定目标区域,并获取所述目标用户在所述目标区域的初始数据包括:
解析所述行为推荐指令的方法体,得到所述行为推荐指令所携带的信息;
获取预设标签;
在所述行为推荐指令所携带的信息中查找与所述预设标签相同的数据作为所述目标区域;
连接所述目标区域对应的服务器,并从所述服务器中获取所述目标用户在所述目标区域产生的行为数据及所述目标用户的基础信息作为所述初始数据。
3.如权利要求1所述的行为推荐方法,其特征在于,所述对所述初始数据进行标注,得到标注数据包括:
确定所述初始数据中每个数据的关键字;
根据每个数据的关键字识别每个数据所属的环节;
将每个数据所属的环节确定为每个数据的标签;
根据每个数据的标签对所述初始数据进行标注,得到所述标注数据。
4.如权利要求1所述的行为推荐方法,其特征在于,所述对所述标注数据进行加工预处理,得到待分析数据包括:
调用线程计算所述标注数据中每个标注数据的饱和度,及计算所述标注数据中每两个标注数据间的相关度;
从所述标注数据中获取饱和度小于或者等于配置饱和度的数据,并删除获取的数据,得到第一中间数据;
从所述第一中间数据中获取相关度大于或者等于配置相关度的两个数据,并从所述两个数据中获取饱和度较小的数据,删除所述饱和度较小的数据,得到第二中间数据;
检测所述第二中间数据中的缺失数据,并对所述缺失数据进行填充处理,得到第三中间数据;
对所述第三中间数据进行扩展处理,得到所述待分析数据。
5.如权利要求1所述的行为推荐方法,其特征在于,所述根据所述目标推荐模型的输出确定目标推荐行为包括:
从所述目标推荐模型的输出中确定所述目标数据所包含的每个目标子数据的重要性;
将每个目标子数据的重要性按照由高到低的顺序进行排序,并获取排在前预设位的目标子数据作为目标因子;
获取所述目标因子的标签;
根据所述目标因子的标签确定所述目标因子所属的目标环节;
调用预先配置的动作池,并根据所述目标环节在所述动作池中进行映射,得到映射结果;
将所述映射结果确定为所述目标推荐行为。
6.如权利要求1所述的行为推荐方法,其特征在于,所述方法还包括:
获取至少一个用户的历史数据;
将所述至少一个用户的历史数据输入至所述目标推荐模型,并获取所述目标推荐模型的当前输出;
从所述目标推荐模型的当前输出中筛选出目标结果,所述目标结果与所述目标推荐行为中的每个目标推荐行为相对应;
确定每个目标推荐行为对应的所述目标结果的数量作为每个目标推荐行为对应的第一数值,及确定所述至少一个用户的数量作为第二数值;
分别计算每个第一数值与所述第二数值的商作为每个目标推荐行为的参考值;
将每个目标推荐行为的参考值发送至所述目标用户的终端设备。
7.一种行为推荐装置,其特征在于,所述行为推荐装置包括:
获取单元,用于响应于对目标用户的行为推荐指令,根据所述行为推荐指令确定目标区域,并获取所述目标用户在所述目标区域的初始数据;
标注单元,用于对所述初始数据进行标注,得到标注数据;
预处理单元,用于对所述标注数据进行加工预处理,得到待分析数据,其中,所述待分析数据包括至少一个子数据;
确定单元,用于将所述待分析数据输入至预先训练的预测模型,并根据所述预测模型的预测值确定所述待分析数据中每个子数据的SHAP值,其中,所述根据所述预测模型的预测值确定所述待分析数据中每个子数据的SHAP值包括:采用下述公式,根据所述预测模型的预测值计算所述待分析数据中每个子数据的SHAP值:yi=ybase+f(xi,1)+f(xi,2)+…+f(xi,j);其中,i、j为正整数,yi为所述预测模型对第i个待分析数据的预测值,ybase为所述预测模型对所有所述待分析数据的预测值的均值,xi为第i个待分析数据,xi,j为第i个待分析数据的第j个子数据,f(xi,j)为xi,j的SHAP值;
所述获取单元,还用于从所述待分析数据中获取所述SHAP值最低的子数据作为目标数据;
选择单元,用于识别所述目标数据的目标类型,并根据所述目标类型从预先训练的至少一个推荐模型中选择目标推荐模型,其中,所述至少一个推荐模型根据不同的类型分别构建;
所述确定单元,还用于将所述目标数据输入至所述目标推荐模型,并根据所述目标推荐模型的输出确定目标推荐行为。
8.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至6中任意一项所述的行为推荐方法。
9.一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中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至6中任意一项所述的行为推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011474836.7A CN112288337B (zh) | 2020-12-15 | 2020-12-15 | 行为推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011474836.7A CN112288337B (zh) | 2020-12-15 | 2020-12-15 | 行为推荐方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112288337A CN112288337A (zh) | 2021-01-29 |
CN112288337B true CN112288337B (zh) | 2021-03-19 |
Family
ID=74426899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011474836.7A Active CN112288337B (zh) | 2020-12-15 | 2020-12-15 | 行为推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288337B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114444986B (zh) * | 2022-04-11 | 2022-06-03 | 成都数之联科技股份有限公司 | 产品分析方法及系统及装置及介质 |
CN115760201B (zh) * | 2023-01-09 | 2023-06-16 | 启客(北京)科技有限公司 | 智能销售线索推荐理由生成方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919629A (zh) * | 2017-12-13 | 2019-06-21 | 深圳市宇轩网络技术有限公司 | 一种客户关系管理系统及方法 |
CN110956527A (zh) * | 2019-10-11 | 2020-04-03 | 北京华跃博弈科技有限公司 | 一种智能分析客户装修需求匹配服务商的平台系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7702383B2 (en) * | 2006-05-04 | 2010-04-20 | Cardiac Pacemakers, Inc. | Methodology for automated signal morphology analysis in implantable electrotherapy and diagnostic systems |
CN109615437A (zh) * | 2018-12-18 | 2019-04-12 | 北京蚁链科技有限公司 | 销售获客跟踪管理方法 |
CN110647921B (zh) * | 2019-09-02 | 2024-03-15 | 腾讯科技(深圳)有限公司 | 一种用户行为预测方法、装置、设备及存储介质 |
CN111639284A (zh) * | 2020-05-29 | 2020-09-08 | 深圳壹账通智能科技有限公司 | 网页标注方法、装置、电子设备及介质 |
CN111815435A (zh) * | 2020-07-14 | 2020-10-23 | 深圳市卡牛科技有限公司 | 一种群体风险特征的可视化方法、装置、设备及存储介质 |
-
2020
- 2020-12-15 CN CN202011474836.7A patent/CN112288337B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919629A (zh) * | 2017-12-13 | 2019-06-21 | 深圳市宇轩网络技术有限公司 | 一种客户关系管理系统及方法 |
CN110956527A (zh) * | 2019-10-11 | 2020-04-03 | 北京华跃博弈科技有限公司 | 一种智能分析客户装修需求匹配服务商的平台系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112288337A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112231586A (zh) | 基于迁移学习的课程推荐方法、装置、设备及介质 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN107368521B (zh) | 一种基于大数据和深度学习的知识推介方法及系统 | |
CN112288337B (zh) | 行为推荐方法、装置、设备及介质 | |
CN114648392B (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
CN113704429A (zh) | 基于半监督学习的意图识别方法、装置、设备及介质 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN113435202A (zh) | 基于用户画像的产品推荐方法、装置、电子设备及介质 | |
CN111738778B (zh) | 用户画像生成方法、装置、计算机设备及存储介质 | |
CN113886691A (zh) | 基于历史数据的智能推荐方法、装置、电子设备及介质 | |
CN115146865A (zh) | 基于人工智能的任务优化方法及相关设备 | |
CN115081538A (zh) | 基于机器学习的客户关系识别方法、装置、设备及介质 | |
CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN112860989A (zh) | 课程推荐方法、装置、计算机设备及存储介质 | |
CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
Kortum et al. | Dissection of AI job advertisements: A text mining-based analysis of employee skills in the disciplines computer vision and natural language processing | |
CN112860851B (zh) | 基于根因分析的课程推荐方法、装置、设备及介质 | |
CN112396547B (zh) | 基于无监督学习的课程推荐方法、装置、设备及介质 | |
CN113256181A (zh) | 风险因子预测方法、装置、设备及介质 | |
CN111831708A (zh) | 基于缺失数据的样本分析方法、装置、电子设备及介质 | |
CN111652282A (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN113674065B (zh) | 基于服务触点的业务推荐方法、装置、电子设备及介质 | |
CN113420847B (zh) | 基于人工智能的目标对象匹配方法及相关设备 |
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 |