CN112307334B - 信息推荐方法、信息推荐装置、存储介质与电子设备 - Google Patents
信息推荐方法、信息推荐装置、存储介质与电子设备 Download PDFInfo
- Publication number
- CN112307334B CN112307334B CN202011182482.9A CN202011182482A CN112307334B CN 112307334 B CN112307334 B CN 112307334B CN 202011182482 A CN202011182482 A CN 202011182482A CN 112307334 B CN112307334 B CN 112307334B
- Authority
- CN
- China
- Prior art keywords
- agent
- group
- matrix
- information
- developed
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种信息推荐方法、装置、存储介质与电子设备,属于计算机技术领域。所述方法包括:通过代理人的特征数据确定代理人群体;根据代理人群体及该代理人群体中各代理人与发展对象的关联关系确定各代理人群体对应的发展对象群体,并根据发展对象的特征数据确定发展对象群体的群体特征;依据代理人群体中各代理人与待推荐信息的关联关系和发展对象的群体特征计算上述代理人群体对应的发展对象群体对待推荐信息的偏好值;获取上述代理人的待发展对象的个人特征数据,以根据该个人特征数据和偏好值生成待发展对象的推荐信息;将推荐信息发送至待发展对象的客户端。本公开可以提高推荐信息的准确率,降低推荐方法对数据量的依赖程度。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种信息推荐方法、信息推荐装置、计算机可读存储介质与电子设备。
背景技术
互联网的发展和普及带来了更多的业务类型。在一些业务类型,如保险业务、理财业务等中,通常需要代理人帮助完成,但由于业务内容等的需求,代理人需要将其他人员发展成为新的代理人。为了使其他人员能够充分了解业务,代理人需要向其推荐相应的信息资源。
具体的,在向发展对象推荐信息资源时,需要保证代理人推荐的信息资源是发展对象所感兴趣或者与发展对象相匹配的信息,现有的信息推荐方法主要是基于内容的推荐算法和基于用户的协同过滤算法,但是这两种方法均是建立在获取一定数量发展对象的历史行为数据来进行分析的,但由于发展对象均不是企业的内部员工,无法获取发展对象的详细信息和其历史行为数据,因而上述两种方法所得到的推荐结果的准确性较低,无法满足向发展对象推荐有效信息的需求。因此,需要提供一种具有较高适用性的信息推荐方法。
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
本公开提供了一种信息推荐方法、信息推荐装置、计算机可读存储介质与电子设备,进而至少在一定程度上改善现有技术信息推荐准确率不高的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供一种信息推荐方法,所述方法包括:通过代理人的特征数据确定代理人群体;根据所述代理人群体及所述代理人群体中各代理人与发展对象的关联关系确定各所述代理人群体对应的发展对象群体,并根据所述发展对象的特征数据确定所述发展对象群体的群体特征;依据所述代理人群体中各代理人与待推荐信息的关联关系和所述发展对象的群体特征计算所述代理人群体对应的发展对象群体对所述待推荐信息的偏好值;获取所述代理人的待发展对象的个人特征数据,以根据所述个人特征数据和所述偏好值生成所述待发展对象的推荐信息;将所述推荐信息发送至所述待发展对象的客户端。
在本公开的一种示例性实施方式中,所述通过代理人的特征数据确定代理人群体,包括:根据所述代理人的特征数据生成各所述代理人的特征向量和全部所述代理人的特征矩阵;将各所述代理人的特征向量与所述特征矩阵的转置矩阵相乘,得到所述代理人的群体特征矩阵;根据所述群体特征矩阵确定所述代理人群体。
在本公开的一种示例性实施方式中,所述根据所述代理人群体及所述代理人群体中各代理人与发展对象的关联关系确定各所述代理人群体对应的发展对象群体,并根据所述发展对象的特征数据确定所述发展对象群体的群体特征,包括:获取所述代理人与所述发展对象的关联数据,以根据所述关联数据生成所述代理人和所述发展对象的关系矩阵;基于所述代理人群体和所述关系矩阵确定各所述代理人群体对应的发展对象群体,并根据所述发展对象的特征数据确定所述发展对象群体的群体特征。
在本公开的一种示例性实施方式中,所述基于所述代理人群体和所述关系矩阵确定各所述代理人群体对应的发展对象群体,并根据所述发展对象的特征数据确定所述发展对象群体的群体特征,包括:将所述代理人的群体特征矩阵与所述关系矩阵相乘,得到各所述代理人群体对应的发展对象群体矩阵,以根据所述发展对象群体矩阵确定所述发展对象群体;通过所述发展对象群体矩阵和所述发展对象群体中各发展对象的特征数据确定所述发展对象群体的群体特征。
在本公开的一种示例性实施方式中,所述依据所述代理人群体中各代理人与待推荐信息的关联关系和所述发展对象的群体特征计算所述代理人群体对应的发展对象群体对所述待推荐信息的偏好值,包括:依据所述代理人群体中各代理人与待推荐信息的关联关系建立相关性矩阵;将所述相关性矩阵与所述发展对象群体矩阵相乘,并进行归一化,得到所述代理人群体对应的发展对象群体对所述待推荐信息的偏好值。
在本公开的一种示例性实施方式中,所述相关性矩阵通过以下方法生成:获取所述代理人的历史行为数据;在根据所述代理人的历史行为数据确定所述代理人与所述待推荐信息存在关联关系时,生成所述代理人的特征矩阵和所述代理人与所述待推荐信息的关联特征矩阵;将所述关联特征矩阵的转置矩阵与所述代理人的特征矩阵相乘,得到所述相关性矩阵;其中,所述关联特征矩阵中的元素值表示所述代理人选择所述待推荐信息的次数。
在本公开的一种示例性实施方式中,所述获取所述代理人的待发展对象的个人特征数据,以根据所述个人特征数据和所述偏好值生成所述待发展对象的推荐信息,包括:根据所述个人特征数据和所述发展对象群体的群体特征计算所述待发展对象与所述发展对象群体的相似度;将所述相似度大于相似度阈值的发展对象群体确定为目标发展对象群体;根据所述个人特征数据计算所述待发展对象的偏好值,以根据所述待发展对象的偏好值和所述目标发展对象群体的偏好值生成所述待发展对象的推荐信息。
在本公开的一种示例性实施方式中,所述根据所述个人特征数据计算所述待发展对象的偏好值,包括:根据所述个人特征数据生成所述待发展对象的个人特征向量;将所述个人特征向量与所述相关性矩阵相乘,得到所述待发展对象的偏好值。
在本公开的一种示例性实施方式中,所述方法还包括:所述根据所述个人特征数据计算所述待发展对象的偏好值,以根据所述待发展对象的偏好值和所述目标发展对象的偏好值生成所述待发展对象的推荐信息,包括:确定所述目标发展对象群体的偏好值权重和所述待发展对象的偏好值权重;根据所述目标发展对象群体的偏好值权重和所述待发展对象的偏好值权重计算所述待发展对象对所述待推荐信息的真实偏好值;根据所述真实偏好值将对应的待推荐信息确定为所述待发展对象的推荐信息。
在本公开的一种示例性实施方式中,所述方法还包括:采用一位有效编码方式对所述代理人的特征数据、所述发展对象的特征数据和所述个人特征数据中的任意一种或多种进行处理。
根据本公开的第二方面,提供一种信息推荐装置,所述信息推荐装置包括:第一确定模块,用于通过代理人的特征数据确定代理人群体;第二确定模块,用于根据所述代理人群体及所述代理人群体中各代理人与发展对象的关联关系确定各所述代理人群体对应的发展对象群体,并根据所述发展对象的特征数据确定所述发展对象群体的群体特征;计算模块,用于依据所述代理人群体中各代理人与待推荐信息的关联关系和所述发展对象的群体特征计算所述代理人对应的发展对象群体对所述待推荐信息的偏好值;生成模块,用于获取所述代理人的待发展对象的个人特征数据,以根据所述个人特征数据和所述偏好值生成所述待发展对象的推荐信息;发送模块,用于将所述推荐信息发送至所述待发展对象的客户端。
在本公开的一种示例性实施方式中,所述第一确定模块用于根据所述代理人的特征数据生成各所述代理人的特征向量和全部所述代理人的特征矩阵,将各所述代理人的特征向量与所述特征矩阵的转置矩阵相乘,得到所述代理人的群体特征矩阵,根据所述群体特征矩阵确定所述代理人群体。
在本公开的一种示例性实施方式中,所述第二确定模块用于获取所述代理人与所述发展对象的关联数据,以根据所述关联数据生成所述代理人和所述发展对象的关系矩阵,基于所述代理人群体和所述关系矩阵确定各所述代理人群体对应的发展对象群体,并根据所述发展对象的特征数据确定所述发展对象群体的群体特征。
在本公开的一种示例性实施方式中,所述第二确定模块还用于将所述代理人的群体特征矩阵与所述关系矩阵相乘,得到各所述代理人群体对应的发展对象群体矩阵,以根据所述发展对象群体矩阵确定所述发展对象群体,通过所述发展对象群体矩阵和所述发展对象群体中各发展对象的特征数据确定所述发展对象群体的群体特征。
在本公开的一种示例性实施方式中,所述计算模块用于依据所述代理人群体中各代理人与待推荐信息的关联关系建立相关性矩阵,将所述相关性矩阵与所述发展对象群体矩阵相乘,并进行归一化,得到所述代理人群体对应的发展对象群体对所述待推荐信息的偏好值。
在本公开的一种示例性实施方式中,所述计算模块还用于通过以下方法生成相关性矩阵:获取所述代理人的历史行为数据,在根据所述代理人的历史行为数据确定所述代理人与所述待推荐信息存在关联关系时,生成所述代理人的特征矩阵和所述代理人与所述待推荐信息的关联特征矩阵,将所述关联特征矩阵的转置矩阵与所述代理人的特征矩阵相乘,得到所述相关性矩阵,其中,所述关联特征矩阵中的元素值表示所述代理人选择所述待推荐信息的次数。
在本公开的一种示例性实施方式中,所述生成模块用于根据所述个人特征数据和所述发展对象群体的群体特征计算所述待发展对象与所述发展对象群体的相似度,将所述相似度大于相似度阈值的发展对象群体确定为目标发展对象群体,根据所述个人特征数据计算所述待发展对象的偏好值,以根据所述待发展对象的偏好值和所述目标发展对象群体的偏好值生成所述待发展对象的推荐信息。
在本公开的一种示例性实施方式中,所述生成模块还用于根据所述个人特征数据生成所述待发展对象的个人特征向量,将所述个人特征向量与所述相关性矩阵相乘,得到所述待发展对象的偏好值。
在本公开的一种示例性实施方式中,所述生成模块还用于确定所述目标发展对象群体的偏好值权重和所述待发展对象的偏好值权重,根据所述目标发展对象群体的偏好值权重和所述待发展对象的偏好值权重计算所述待发展对象对所述待推荐信息的真实偏好值,根据所述真实偏好值将对应的待推荐信息确定为所述待发展对象的推荐信息。
在本公开的一种示例性实施方式中,所述生成模块还用于采用一位有效编码方式对所述代理人的特征数据、所述发展对象的特征数据和所述个人特征数据中的任意一种或多种进行处理。
根据本公开的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一种信息推荐方法。
根据本公开的第四方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一种信息推荐方法。
本公开具有以下有益效果:
根据本示例性实施方式中的信息推荐方法、信息推荐装置、计算机可读存储介质及电子设备,可以通过代理人的特征数据确定代理人群体;根据上述代理人群体及代理人群体中各代理人与发展对象的关联关系确定各代理人群体对应的发展对象群体,并根据发展对象的特征数据确定发展对象群体的群体特征;依据上述代理人群体与待推荐信息的关联关系和上述发展对象的群体特征计算代理人群体对应的发展对象群体对待推荐信息的偏好值;获取上述代理人的待发展对象的个人特征数据,以根据该个人特征数据和上述偏好值生成待发展对象的推荐信息,并将该推荐信息发送至待发展对象的客户端。一方面,本示例性实施方式通过确定发展对象群体,并根据发展对象群体的群体特征计算代理人群体对应的发展对象群体对待推荐信息的偏好值,从而根据该偏好值和待发展对象的个人特征数据生成待发展对象的推荐信息,可以在缺乏待发展对象特征数据的情况下生成待发展对象的推荐信息,也降低了推荐方法对数据量的依赖;另一方面,通过确定各代理人群体对应的发展对象群体,可以将代理人以往发展的发展对象群体的特征数据和待发展对象的个人特征数据结合起来,提高了向待推荐对象推荐信息的准确率,不仅满足了待发展对象的个性化需求,也可以加强待推荐对象与代理人之间的互动,为提升增员效果提供了技术支撑。
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方式,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方式,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示出本示例性实施方式中一种信息推荐方法的流程图;
图2示出本示例性实施方式中一种信息推荐方法的子流程图;
图3示出本示例性实施方式中另一种信息推荐方法的子流程图;
图4A和图4B示出本示例性实施方式中一种待发展对象信息的显示示意图;
图5A、图5B、图5C和图5D示出本示例性实施方式中一种推荐信息的显示示意图;
图6示出本示例性实施方式中一种矩阵示意图;
图7示出本示例性实施方式中另一种矩阵示意图;
图8示出本示例性实施方式中一种偏好值矩阵的示意图;
图9示出本示例性实施方式中一种信息推荐装置的结构框图;
图10示出本示例性实施方式中一种用于实现上述方法的计算机可读存储介质;
图11示出本示例性实施方式中一种用于实现上述方法的电子设备。
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。
本公开的示例性实施方式首先提供了一种信息推荐方法。该方法可以由计算机或应用程序后台的服务器执行,向待发展对象发送对应的待推荐信息,例如,可以在应用程序中向待发展对象发送其兴趣度较高的视频、书籍和课程等信息资源。其中,待发展对象可以是代理人需要发展成为代理人的人。
图1示出了本示例性实施方式的一种流程,可以包括以下步骤S110~S150:
步骤S110.通过代理人的特征数据确定代理人群体。
其中,代理人的特征数据可以包括性别、出生日期、婚姻状态、学历、职级、是否聘才、入司时间、月均收入、职业来源、性格特征等数据。
本示例性实施方式中,代理人的特征数据通常可以存储在数据库或特定的数据平台中,可以以代理人的工号等为索引,获取对应代理人的特征数据。通过获取代理人的特征数据,可以根据该特征数据确定具有相似特征的代理人,并将具有相似特征的代理人划分为一个代理人群体。具体的,可以通过计算代理人特征数据之间的相似度,从而将该相似度大于一定阈值的代理人划分为同一代理人群体,按照这种方法可以将代理人划分为多个代理人群体。
为了便于计算,在一种可选的实施方式中,步骤S110可以通过以下方式实现:
根据上述代理人的特征数据生成各代理人的特征向量和全部代理人的特征矩阵;
将上述各代理人的特征向量与上述特征矩阵的转置矩阵相乘,得到上述代理人的群体特征矩阵;
根据上述群体特征矩阵确定代理人群体。
具体的,假设代理人A的特征数据包括性别,年龄、出生日期、婚姻状态等n个特征,则每个代理人的特征向量可以表示为包括上述特征的向量数据,即代理人A的特征向量A1=[性别,年龄、出生日期、婚姻状态…]n,全部代理人的特征矩阵可以表示为T1=[性别,年龄、出生日期、婚姻状态…]m×n,其中,m表示代理人数量,且一行数据可以表示一个代理人的特征信息,n表示特征数量。将代理人A的特征向量与全部代理人的特征矩阵的转置矩阵相乘,得到代理人A的群体特征矩阵,即可以得到与代理人A具有相似特征的代理人群体Group1。通过这种方式,可以将全部代理人划分为多个代理人群体,每个代理人群体中的代理人具有相似的特征。
步骤S120.根据上述代理人群体及上述代理人群体中各代理人与发展对象的关联关系确定各代理人群体对应的发展对象群体,并根据上述发展对象的特征数据确定发展对象群体的群体特征。
其中,发展对象是指由代理人从待发展对象发展为代理人的人,例如,在保险行业中,发展对象原先是公司的准增员,而后经代理人发展成为公司新的代理人;代理人与发展对象的关联关系可以用于表示代理人与发展对象之间是否存在发展关系,例如,若发展对象B是由代理人A发展成为的代理人,则可以确定发展对象B与代理人A之间存在关联关系;发展对象的特征数据可以包括性别、出生日期、婚姻状态、学历、职业来源、性格特征、是否聘才等数据;发展对象群体可以是由具有相似特征的发展对象形成的群体;发展对象群体的群体特征可以包括该发展对象群体中的普遍特征,如可以是年龄均处于20-25岁、性别均为男性等。
在确定代理人群体后,可以根据代理人群体中各代理人和发展对象的关联关系确定每个代理人群体,也就是每个代理人对应的发展对象群体和该发展对象群体的群体特征,例如,对代理人群体Group1而言,可以通过判断Group1中的每个代理人与各发展对象之间是否存在关联关系,从而在每个代理人群体中筛选与发展对象存在关联关系的发展对象,得到每个代理人群体对应的发展对象群体,进一步可以根据发展对象群体中各发展对象的特征数据得到该发展对象的群体特征。
具体的,在一种可选的实施方式中,参考图2所示,步骤S120可以通过以下步骤S210~S220实现:
步骤S210.获取代理人与发展对象的关联数据,以根据该关联数据生成上述代理人与上述发展对象的关系矩阵。
步骤S220.基于上述代理人群体和上述关系矩阵确定各代理人群体对应的发展对象群体,并根据发展对象的特征数据确定上述发展对象群体的群体特征。
其中,关联数据可以是存储代理人与发展对象之间关联关系的数据。
通过获取代理人和发展对象的关联数据,并根据该关联数据确定各代理人与各发展对象之间是否存在关联关系,可以建立代理人和发展对象的关系矩阵。例如,当代理人与发展对象存在关联关系时,即也就是发展对象是由对应代理人发展成代理人的,可以将关系矩阵中表示上述代理人和发展对象关联关系的矩阵元素值设置为1,若代理人与发展对象之间不存在关联关系,则将对应的矩阵元素值设置为0,由此,得到的0-1矩阵即可以作为表示代理人与发展对象关联关系的关系矩阵。在确定代理人与发展对象之间的关系矩阵后,可以根据上述代理人群体和上述关系矩阵确定各代理人群体对应的发展对象群体,并进一步根据发展对象群体中各发展对象的特征数据确定上述发展对象群体的群体特征,例如,可以根据关系矩阵在各代理人群体中确定与每个代理人存在关联关系的发展对象,从而将同一代理人群体中与各代理人存在关联关系的发展对象确定为同一发展对象群体,并通过这种方法确定全部发展对象群体,进而根据各发展对象的特征数据确定各发展对象群体的群体特征。
进一步的,在一种可选的实施方式中,步骤S220也可以通过以下方式实现:
将上述代理人的群体特征矩阵与上述关系矩阵相乘,得到各代理人群体对应的发展对象群体矩阵,以根据该发展对象群体矩阵确定上述发展对象群体;
通过上述发展对象群体矩阵和上述发展对象群体中各发展对象的特征数据确定上述发展对象群体的群体特征。
具体的,以代理人A为例,各代理人与发展对象的关系矩阵为T3,代理人A的群体特征矩阵为将该群体特征矩阵与上述关系矩阵相乘,可以得到各代理人群体对应的发展对象群体矩阵,即/>从而在该发展对象群体矩阵中确定发展对象群体,例如,针对同一代理人群体,若关系矩阵T3为0-1矩阵,则可以将除0外的数值对应的发展对象划分为同一发展对象群体;在得到发展对象群体后,可以将发展对象的特征数据转换为发展对象的特征矩阵,并将上述发展对象群体矩阵和发展对象的特征矩阵相乘,得到发展对象的群体特征矩阵,从而得到上述发展对象群体特征。从矩阵计算而言,假设发展对象的特征矩阵为T2,则发展对象的群体特征矩阵为/>
步骤S130.依据上述代理人群体中各代理人与待推荐信息的关联关系和上述发展对象的群体特征计算上述代理人群体对应的发展对象群体对上述待推荐信息的偏好值。
其中,代理人与待推荐信息的关联关系可以包括代理人是否选择过待推荐信息和选择该推荐信息的次数,其选择行为可以根据待推荐信息的类型包括多种行为,如待推荐信息是商品,则选择行为可以是购买、点赞、关注或收藏等等;偏好值可以用于表示代理人对应的发展对象群体对待推荐信息的感兴趣程度,偏好值越高,则代理人对应的发展对象群体对待推荐信息的感兴趣程度越高,反之则发展对象群体对待推荐信息的感兴趣程度越低。
在确定发展对象群体后,可以依据代理人群体中各代理人与待推荐信息的关联关系和上述发展对象的群体特征计算各代理人群体对应的发展对象群体对待推荐信息的偏好值。
具体的,在一种可选的实施方式中,上述步骤S130可以通过以下方式实现:
依据上述代理人群体中各代理人与待推荐信息的关联关系建立相关性矩阵;
将上述相关性矩阵与上述发展对象群体矩阵相乘,并进行归一化,得到上述代理人群体对应的发展对象群体对上述待推荐信息的偏好值。
其中,相关性矩阵可以用于表示代理人与待推荐信息之间是否存在对应关系,如可以表示代理人是否存在观看、点赞、收藏待推荐信息等的行为。
根据上述代理人群体中各代理人与待推荐信息的关联关系建立相关性矩阵,具体的,该相关性矩阵中的元素值可以用于表示代理人和待推荐信息的关联关系,如代理人A曾经浏览过待推荐信息x1,则代理人A与待推荐信息之间存在关联关系,将对应的矩阵元素值设置为1,若代理人A不曾浏览过待推荐信息x1,则将对应的矩阵元素值设置为0,由此得到上述相关性矩阵;将相关性矩阵与上述发展对象群体矩阵相乘,并进行归一化,可以得到上述代理人对应的发展对象群体对上述待推荐信息的偏好值。
为了提高计算发展对象群体对待推荐信息偏好值的准确率,在一种可选的实施方式中,参考图3所示,上述相关性矩阵也可以通过以下步骤S310~S330生成:
步骤S310.获取上述代理人的历史行为数据。
步骤S320.在根据上述代理人的历史行为数据确定上述代理人与上述待推荐信息存在关联关系时,生成上述代理人的特征矩阵和上述代理人与待推荐信息的关联特征矩阵。
步骤S330.将上述关联特征矩阵的转置矩阵与上述代理人的特征矩阵相乘,得到上述相关性矩阵。
其中,关联特征矩阵中的元素值可以表示上述代理人选择对应待推荐信息的次数;代理人的历史行为数据可以是代理人在过去某段时间中选择待推荐信息的日志数据,可以包括代理人的标识,如工号、待推荐信息的标识、类型、选择对应待推荐信息的时间等。
具体的,通过获取代理人的历史行为数据可以确定各个代理人选择待推荐信息的次数和时间等,进而可以在确定代理人与待推荐信息之间存在关联关系时,生成代理人的特征矩阵和代理人与待推荐信息的关联特征矩阵,该关联特征矩阵中的元素值可以表示对应代理人选择对应待推荐信息的次数。例如,假设T4表示与待推荐信息存在关联关系的代理人的特征数据,T5表示与代理人和待推荐信息之间关联关系的信息关系矩阵,则代理人与待推荐信息的相关性矩阵为由此,代理人群体对应的发展对象群体对待推荐信息的偏好值为/>
进一步的,在一种可选的实施方式中,由于矩阵乘法的结合律, 可以通过下面方法进行计算:
为了便于计算,在上式中,可以记为M1,/>为M2。M1可以表示代理人特征与发展对象特征的关系矩阵,矩阵中的每个元素值表示某种特征的代理人发展了多少个某种特征的发展对象;M2可以表示发展对象特征和待推荐信息之间的相关性矩阵,矩阵中的每个元素值可以表示某种特征的发展对象选择过某个待推荐信息的次数。
步骤S140.获取上述代理人的待发展对象的个人特征数据,以根据该个人特征数据和上述偏好值生成待发展对象的推荐信息;
其中,个人特征数据可以是每个待发展对象的特征数据,可以包括待发展对象的性别,婚姻状态,学历,职级,职业来源,性格特征等。在实际应用中,上述个人特征数据可以由代理人或待发展对象自己通过相应的应用程序录入,例如,代理人可以在如图4A所示的待发展对象界面录入其关注或需要发展的每个待发展对象的信息,并在如图4B所示的编辑界面设置对应待发展对象的特征信息等。
在确定代理人群体对应的发展对象群体对待推荐信息的偏好值后,各代理人群体的发展对象群体具有相似的特征,因而可以认为其存在相同喜好的可能性较大。因此,可以根据待发展对象的个人特征数据和上述代理人对应的发展对象群体确定与上述待发展对象相似的发展对象群体,从而根据该发展对象群体的偏好值和待发展对象的个人特征数据生成待发展对象的推荐信息。
对于一个代理人或同一类代理人群体而言,其对应的发展对象群体有可能存在多个。因此,在一种可选的实施方式中,步骤S140也可以通过以下方式实现:
根据上述个人特征数据和上述发展对象群体的群体特征计算上述待发展对象与上述发展对象群体的相似度;
将上述相似度大于相似度阈值的发展对象群体确定为目标发展对象群体;
根据上述个人特征数据计算上述待发展对象的偏好值,以根据上述待发展对象的偏好值和上述目标发展对象群体的偏好值生成上述待发展对象的推荐信息。
其中,相似度阈值一般可以根据经验设置,如可以设置为70%、80%等。
在得到待发展对象的个人特征数据后,可以根据该个人特征数据和各发展对象群体的群体特征之间的相似度,从而将相似度大于相似度阈值的发展对象群体确定为目标发展对象群体;根据上述个人特征数据计算待发展对象的偏好值,从而根据待发展对象的偏好值和目标发展对象群体的偏好值确定待发展对象的真实偏好值,以根据该真实偏好值生成待发展对象的推荐信息,例如可以将真实偏好值的前N个对应的待推荐信息生成为待发展对象的推荐信息,其中,N为正整数。
对待发展对象而言,其偏好值主要是用于表示该待发展对象对待推荐信息的喜好程度,因此,在一种可选的实施方式中,上述根据上述个人特征数据计算上述待发展对象的偏好值可以通过以下方式实现:
根据上述个人特征数据生成待发展对象的个人特征向量;
将上述个人特征向量与上述相关性矩阵相乘,得到上述待发展对象的偏好值。
通过生成待发展对象的个人特征向量,并将该个人特征向量与上述相关性矩阵相乘,可以通过上述代理人对待推荐信息的关联关系确定待发展对象对待推荐信息的偏好值。例如,假设待发展对象的特征向量为B1,待发展对象对待推荐信息的偏好值为其中/>可以表示待发展对象对应的代理人与待推荐信息之间的相关性。
进一步的,在待发展对象的个人特征数据量较少的情况下,为了提高计算待发展对象的推荐信息的准确率,在一种可选的实施方式中,上述根据上述个人特征数据计算上述待发展对象的偏好值,以根据上述待发展对象的偏好值和上述目标发展对象的偏好值生成上述待发展对象的推荐信息的方法也可以通过以下方法实现:
确定上述目标发展对象群体的偏好值权重和待发展对象的偏好值权重;
根据上述目标发展对象群体的偏好值权重和上述待发展对象的偏好值权重计算该待发展对象对上述待推荐信息的真实偏好值;
根据上述真实偏好值将对应的待推荐信息确定为该待发展对象的推荐信息。
其中,目标发展对象群体的偏好值权重和待发展对象的偏好值权重一般可以根据待发展对象的特征数据量和操作人员的经验设置,若待发展对象的特征数据量较大,则待发展对象的偏好值权重可以设置为较大值;反之,若待发展对象的特征数据量较少,则待发展对象的偏好值权重可以设置为较小值。
具体的,假设待发展对象的特征向量为B1,且待发展对象的偏好值权重为0.6,目标发展对象群体的偏好值权重为0.4,则上述待发展对象的真实偏好值为
其中,(M2)part可以用于表示待发展对象特征与待推荐信息之间的相关性。
由于待发展对象的信息数量较少,通过计算代理人群体对应的目标发展对象群体的偏好值实际上可以在一定程度上扩充待发展对象的特征数据,因而可以提高生成待发展对象的特征信息的准确性。
步骤S150.将上述推荐信息发送至上述待发展对象的客户端。
其中,待发展对象的客户端可以是待发展对象所使用的手机、电脑或平板电脑等终端设备。
在生成待发展对象的推荐信息后,可以将该推荐信息发送至待发展对象的客户端。例如,参考图5A所示,可以在应用程序中选择“智能推送”操作控件实现针对某个待发展对象,如图5A中所示的待发展对象A的推荐信息生成,从而在待发展对象的客户端上显示如图5B所示的推荐信息页面;再例如,参考图5C所示,根据待发展对象的年龄、职业“财务经理”、对象分类“金融”等信息,可以生成如图5D所示的推荐信息页面,且在该推荐信息页面中,可以包括多个金融类相关的推荐信息。可以看出,根据待发展对象的个人信息,如年龄、职业、对象分类等信息,可以生成与各待发展对象相对应的推荐信息。
此外,由于特征数据中往往存在很多数值范围较大的数据和一些非数值类的特征信息,如性别、婚姻状态等,因此,在一种可选的实施方式中,可以通过以下方式对上述代理人的特征数据、上述发展对象的特征数据和上述个人特征数据进行处理:
采用一位有效编码方式对上述代理人的特征数据、上述发展对象的特征数据和上述个人特征数据中的任意一种或多种进行处理。
其中,一位有效编码方式可以用于将非数值类的特征信息转换为特定的数值编码,也可以用于将数值类的特征信息转换为仅包括0、1两种数值编码,每种编码对应于一种特征类型的某个特征。例如,对于“性别”这个特征信息,采用一位有效编码后可以转换为三种特征编码,分别可以表示性别“男”,性别“女”,性别“性别未知”。
下表示出了一种通过一位有效编码方式处理后的特征数据示例,由表1和表2可知,在通过一位有效编码后,性别“男”可以表示为“100”,性别“女”可以表示为“010”,性别“性别未知”可以表示为“001”。
表1
姓名 | 性别 |
张三 | 男 |
李四 | 女 |
王五 | 未知null |
表2
姓名 | 性别 | 一位有效编码 |
张三 | 男 | 100 |
李四 | 女 | 010 |
王五 | 未知null | 001 |
进一步的,对一些数值数据而言,其可能涉及的范围较大,因此,在一种可选的实施方式中,可以通过分段处理方法对该类数据进行处理,进而采用一位有效编码进行处理。具体的,以年龄数据为例,分段的节点依次为0,15,25,35,45,55,65,75等,各年龄区间可以设置为前闭后开,之后对分段后的年龄数据进行一位有效编码;再例如,对入司时间这一特征数据,可以转换为对应的司龄(年),分段的节点可以依次为0,1,3,5,10;对月均收入(元)数据而言,也是分箱后进行一位有效编码,其中,分段的节点可以是0,500,3000,5000,10000,50000等。
在步骤S140中,考虑到在计算M1和M2时,当矩阵数据量较大时,有可能会导致内存溢出。例如,假设上式中各矩阵的维度分别为:T1为426593*104,T2为161709*44,T3为426593*161709,T4为59904*44,T5为59901*195,当生成T3时,由于矩阵维度较大,直接生成426593*161709的矩阵会导致内存溢出,而的计算结果实际上是每个发展对象对应的代理人的特征,故在计算/>时,可以先生成一个84*161709的空矩阵,再将每列的值填充至矩阵中。
为了减少矩阵的计算量,接下来可以对M1和M2进行归一化,对矩阵M1和M2而言,两者可以采用相同的方法进行归一化,以M2为例,参考图6所示,假设M2矩阵为如图6所示的矩阵,矩阵中Video 1、Video 2和Video 3分别表示三种不同的待推荐信息,其可以是某种特定的视频信息。
如图6所示,video1总共被点播过1000次,其中性别为男的有300次,性别为女的有700次;年龄_1有200次,年龄_2有500次,年龄_3有300次。对每行、每列按特征求和,对每行按特征求和可以得到每个视频的全部点击次数,对每列求和可以得到每个特征的人总共点击次数,求和后可以得到如图7所示的矩阵。
如图7所示,假设记第i列元素按特征求和后的值为m(性别_sum,i),如第一列的m(性别_sum,1)=1000,第二列的m(性别_sum,2)=700,记第j列的和为m(j,行和),如第一行的和m(1,行和)=2050,第二行的和m(2,行和)=1650,对第i列,第j行的元素m(j,i)标准化可以通过下式()计算得到:
其中,m(j,i)/m(性别_sum,i)衡量的是特征j对Video 1的喜好程度,m(j,行和)/m(性别_sum,行和)衡量的是特征j对全部待推荐信息,即Video 1、Video 2和Video 3的平均喜好程度。若std_m(j,i)>1,说明特征为j的人群对Video i的喜好程度高于平均水平;反之,若std_m(j,i)<1,则说明特征为j的人群对Video i的喜好程度低于平均水平。
在完成归一化后,矩阵M2被转换为如图8所示的矩阵,由图8可知:性别_男点击Video 3的次数为600,整体较高,但由于Video 3的总体点击次数较高,所以归一化后其值为0.67,也即说明了Video 3更受女性喜欢。
接下来,可以通过A1*M1*M2+B1*(M2)part计算待发展对象对每个待推荐信息的偏好值,进而可以按照偏好值由高到低的顺序对其进行排序并进行去重,从而将前N个偏好值对应的待推荐信息作为待发展对象的推荐信息,并将该推荐信息发送至上述待发展对象的客户端。
综上,根据本示例性实施方式中的信息推荐方法,可以通过代理人的特征数据确定代理人群体;根据上述代理人群体及代理人群体中各代理人与发展对象的关联关系确定各代理人群体对应的发展对象群体,并根据发展对象的特征数据确定发展对象群体的群体特征;依据上述代理人群体与待推荐信息的关联关系和上述发展对象的群体特征计算代理人群体对应的发展对象群体对待推荐信息的偏好值;获取上述代理人的待发展对象的个人特征数据,以根据该个人特征数据和上述偏好值生成待发展对象的推荐信息,并将该推荐信息发送至待发展对象的客户端。一方面,本示例性实施方式通过确定发展对象群体,并根据发展对象群体的群体特征计算代理人群体对应的发展对象群体对待推荐信息的偏好值,从而根据该偏好值和待发展对象的个人特征数据生成待发展对象的推荐信息,可以在缺乏待发展对象特征数据的情况下生成待发展对象的推荐信息,也降低了推荐方法对数据量的依赖;另一方面,通过确定各代理人群体对应的发展对象群体,可以将代理人以往发展的发展对象群体的特征数据和待发展对象的个人特征数据结合起来,提高了向待推荐对象推荐信息的准确率,不仅满足了待发展对象的个性化需求,也可以加强待推荐对象与代理人之间的互动,为提升增员效果提供了技术支撑。
本示例性实施方式还提供了一种信息推荐装置,参考图9所示,信息推荐装置900可以包括:第一确定模块910,可以用于通过代理人的特征数据确定代理人群体;第二确定模块920,可以用于根据上述代理人群体及上述代理人群体中各代理人与发展对象的关联关系确定各上述代理人群体对应的发展对象群体,并根据上述发展对象的特征数据确定上述发展对象群体的群体特征;计算模块930,可以用于依据上述代理人群体中各代理人与待推荐信息的关联关系和上述发展对象的群体特征计算上述代理人对应的发展对象群体对上述待推荐信息的偏好值;生成模块940,可以用于获取上述代理人的待发展对象的个人特征数据,以根据上述个人特征数据和上述偏好值生成上述待发展对象的推荐信息;发送模块950,可以用于将上述推荐信息发送至上述待发展对象的客户端。
在本公开的一种示例性实施方式中,第一确定模块910可以用于根据上述代理人的特征数据生成各上述代理人的特征向量和全部上述代理人的特征矩阵,将各上述代理人的特征向量与上述特征矩阵的转置矩阵相乘,得到上述代理人的群体特征矩阵,根据上述群体特征矩阵确定上述代理人群体。
在本公开的一种示例性实施方式中,第二确定模块920可以用于获取上述代理人与上述发展对象的关联数据,以根据上述关联数据生成上述代理人和上述发展对象的关系矩阵,基于上述代理人群体和上述关系矩阵确定各上述代理人群体对应的发展对象群体,并根据上述发展对象的特征数据确定上述发展对象群体的群体特征。
在本公开的一种示例性实施方式中,第二确定模块920还可以用于将上述代理人的群体特征矩阵与上述关系矩阵相乘,得到各上述代理人群体对应的发展对象群体矩阵,以根据上述发展对象群体矩阵确定上述发展对象群体,通过上述发展对象群体矩阵和上述发展对象群体中各发展对象的特征数据确定上述发展对象群体的群体特征。
在本公开的一种示例性实施方式中,计算模块930可以用于依据上述代理人群体中各代理人与待推荐信息的关联关系建立相关性矩阵,将上述相关性矩阵与上述发展对象群体矩阵相乘,并进行归一化,得到上述代理人群体对应的发展对象群体对上述待推荐信息的偏好值。
在本公开的一种示例性实施方式中,计算模块930还可以用于通过以下方法生成相关性矩阵:获取上述代理人的历史行为数据,在根据上述代理人的历史行为数据确定上述代理人与上述待推荐信息存在关联关系时,生成上述代理人的特征矩阵和上述代理人与上述待推荐信息的关联特征矩阵,将上述关联特征矩阵的转置矩阵与上述代理人的特征矩阵相乘,得到上述相关性矩阵,其中,上述关联特征矩阵中的元素值表示上述代理人选择上述待推荐信息的次数。
在本公开的一种示例性实施方式中,生成模块940可以用于根据上述个人特征数据和上述发展对象群体的群体特征计算上述待发展对象与上述发展对象群体的相似度,将上述相似度大于相似度阈值的发展对象群体确定为目标发展对象群体,根据上述个人特征数据计算上述待发展对象的偏好值,以根据上述待发展对象的偏好值和上述目标发展对象群体的偏好值生成上述待发展对象的推荐信息。
在本公开的一种示例性实施方式中,生成模块940还可以用于根据上述个人特征数据生成上述待发展对象的个人特征向量,将上述个人特征向量与上述相关性矩阵相乘,得到上述待发展对象的偏好值。
在本公开的一种示例性实施方式中,生成模块940还可以用于确定上述目标发展对象群体的偏好值权重和上述待发展对象的偏好值权重,根据上述目标发展对象群体的偏好值权重和上述待发展对象的偏好值权重计算上述待发展对象对上述待推荐信息的真实偏好值,根据上述真实偏好值将对应的待推荐信息确定为上述待发展对象的推荐信息。
在本公开的一种示例性实施方式中,生成模块940还可以用于采用一位有效编码方式对上述代理人的特征数据、上述发展对象的特征数据和上述个人特征数据中的任意一种或多种进行处理。
上述装置中各模块的具体细节在方法部分实施方式中已经详细说明,未披露的方案细节内容可以参见方法部分的实施方式内容,因而不再赘述。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
本公开的示例性实施方式还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图10所示,描述了根据本公开的示例性实施方式的用于实现上述方法的程序产品1000,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,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。
程序产品1000可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
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、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本公开的示例性实施方式还提供了一种能够实现上述方法的电子设备。下面参照图11来描述根据本公开的这种示例性实施方式的电子设备1100。图11显示的电子设备1100仅仅是一个示例,不应对本公开实施方式的功能和使用范围带来任何限制。
如图11所示,电子设备1100可以以通用计算设备的形式表现。电子设备1100的组件可以包括但不限于:上述至少一个处理单元1110、上述至少一个存储单元1120、连接不同系统组件(包括存储单元1120和处理单元1110)的总线1130和显示单元1140。
其中,存储单元1120存储有程序代码,程序代码可以被处理单元1110执行,使得处理单元1110执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,处理单元1110可以执行图1至图3所示的方法步骤等。
存储单元1120可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)1121和/或高速缓存存储单元1122,还可以进一步包括只读存储单元(ROM)1123。
存储单元1120还可以包括具有一组(至少一个)程序模块1125的程序/实用工具1124,这样的程序模块1125包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1130可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1100也可以与一个或多个外部设备1200(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1100交互的设备通信,和/或与使得该电子设备1100能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1150进行。并且,电子设备1100还可以通过网络适配器1160与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1160通过总线1130与电子设备1100的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1100使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
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或者单元,但是这种划分并非强制性的。实际上,根据本公开的示例性实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,上述附图仅是根据本公开示例性实施方式的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例性实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开示例性实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施方式的方法。
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他实施方式。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。说明书和实施方式仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (7)
1.一种信息推荐方法,其特征在于,所述方法包括:
通过代理人的特征数据确定代理人群体;
获取所述代理人与发展对象的关联数据,以根据所述关联数据生成所述代理人和所述发展对象的关系矩阵;
将所述代理人的群体特征矩阵与所述关系矩阵相乘,得到各所述代理人群体对应的发展对象群体矩阵,以根据所述发展对象群体矩阵确定所述发展对象群体;
通过所述发展对象群体矩阵和所述发展对象群体中各发展对象的特征数据确定所述发展对象群体的群体特征;
依据所述代理人群体中各代理人与待推荐信息的关联关系建立相关性矩阵;
将所述相关性矩阵与所述发展对象群体矩阵相乘,并进行归一化,得到所述代理人群体对应的发展对象群体对所述待推荐信息的偏好值;
获取所述代理人的待发展对象的个人特征数据,以根据所述个人特征数据和所述偏好值生成所述待发展对象的推荐信息;
将所述推荐信息发送至所述待发展对象的客户端。
2.根据权利要求1所述的信息推荐方法,其特征在于,所述通过代理人的特征数据确定代理人群体,包括:
根据所述代理人的特征数据生成各所述代理人的特征向量和全部所述代理人的特征矩阵;
将各所述代理人的特征向量与所述特征矩阵的转置矩阵相乘,得到所述代理人的群体特征矩阵;
根据所述群体特征矩阵确定所述代理人群体。
3.根据权利要求1所述的信息推荐方法,其特征在于,所述相关性矩阵通过以下方法生成:
获取所述代理人的历史行为数据;
在根据所述代理人的历史行为数据确定所述代理人与所述待推荐信息存在关联关系时,生成所述代理人的特征矩阵和所述代理人与所述待推荐信息的关联特征矩阵;
将所述关联特征矩阵的转置矩阵与所述代理人的特征矩阵相乘,得到所述相关性矩阵;
其中,所述关联特征矩阵中的元素值表示所述代理人选择所述待推荐信息的次数。
4.根据权利要求1所述的信息推荐方法,其特征在于,所述获取所述代理人的待发展对象的个人特征数据,以根据所述个人特征数据和所述偏好值生成所述待发展对象的推荐信息,包括:
根据所述个人特征数据和所述发展对象群体的群体特征计算所述待发展对象与所述发展对象群体的相似度;
将所述相似度大于相似度阈值的发展对象群体确定为目标发展对象群体;
根据所述个人特征数据计算所述待发展对象的偏好值,以根据所述待发展对象的偏好值和所述目标发展对象群体的偏好值生成所述待发展对象的推荐信息。
5.一种信息推荐装置,其特征在于,所述装置包括:
第一确定模块,用于通过代理人的特征数据确定代理人群体;
第二确定模块,用于获取所述代理人与发展对象的关联数据,以根据所述关联数据生成所述代理人和所述发展对象的关系矩阵;将所述代理人的群体特征矩阵与所述关系矩阵相乘,得到各所述代理人群体对应的发展对象群体矩阵,以根据所述发展对象群体矩阵确定所述发展对象群体;通过所述发展对象群体矩阵和所述发展对象群体中各发展对象的特征数据确定所述发展对象群体的群体特征;
计算模块,用于依据所述代理人群体中各代理人与待推荐信息的关联关系建立相关性矩阵;将所述相关性矩阵与所述发展对象群体矩阵相乘,并进行归一化,得到所述代理人群体对应的发展对象群体对所述待推荐信息的偏好值;
生成模块,用于获取所述代理人的待发展对象的个人特征数据,以根据所述个人特征数据和所述偏好值生成所述待发展对象的推荐信息;
发送模块,用于将所述推荐信息发送至所述待发展对象的客户端。
6.一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1-4任一项所述的方法。
7.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182482.9A CN112307334B (zh) | 2020-10-29 | 2020-10-29 | 信息推荐方法、信息推荐装置、存储介质与电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182482.9A CN112307334B (zh) | 2020-10-29 | 2020-10-29 | 信息推荐方法、信息推荐装置、存储介质与电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112307334A CN112307334A (zh) | 2021-02-02 |
CN112307334B true CN112307334B (zh) | 2023-09-12 |
Family
ID=74331699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011182482.9A Active CN112307334B (zh) | 2020-10-29 | 2020-10-29 | 信息推荐方法、信息推荐装置、存储介质与电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112307334B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI829241B (zh) * | 2022-07-11 | 2024-01-11 | 新光人壽保險股份有限公司 | 媒合系統 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915861A (zh) * | 2015-06-15 | 2015-09-16 | 浙江经贸职业技术学院 | 基于评分和标签构建用户群体模型的电子商务推荐方法 |
CN109064278A (zh) * | 2018-07-26 | 2018-12-21 | 北京三快在线科技有限公司 | 目标对象推荐方法及装置、电子设备、存储介质 |
CN109426985A (zh) * | 2017-09-04 | 2019-03-05 | 腾讯科技(深圳)有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
CN111143697A (zh) * | 2020-01-02 | 2020-05-12 | 腾讯科技(深圳)有限公司 | 一种内容推荐的方法以及相关装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170188102A1 (en) * | 2015-12-23 | 2017-06-29 | Le Holdings (Beijing) Co., Ltd. | Method and electronic device for video content recommendation |
-
2020
- 2020-10-29 CN CN202011182482.9A patent/CN112307334B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915861A (zh) * | 2015-06-15 | 2015-09-16 | 浙江经贸职业技术学院 | 基于评分和标签构建用户群体模型的电子商务推荐方法 |
CN109426985A (zh) * | 2017-09-04 | 2019-03-05 | 腾讯科技(深圳)有限公司 | 信息处理方法、装置、计算机设备和存储介质 |
CN109064278A (zh) * | 2018-07-26 | 2018-12-21 | 北京三快在线科技有限公司 | 目标对象推荐方法及装置、电子设备、存储介质 |
CN111143697A (zh) * | 2020-01-02 | 2020-05-12 | 腾讯科技(深圳)有限公司 | 一种内容推荐的方法以及相关装置 |
Non-Patent Citations (1)
Title |
---|
尹青山 ; .基于群组信息改进矩阵分解的群组推荐方法.计算机应用与软件.2020,(09),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112307334A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492772B (zh) | 生成信息的方法和装置 | |
CN107644036B (zh) | 一种数据对象推送的方法、装置及系统 | |
CN113177700B (zh) | 一种风险评估方法、系统、电子设备及存储介质 | |
CN112348592A (zh) | 广告推荐方法、装置、电子设备及介质 | |
CN111898675B (zh) | 信贷风控模型生成方法、装置、评分卡生成方法、机器可读介质及设备 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
CN111104590A (zh) | 信息推荐方法、装置、介质及电子设备 | |
CN112307334B (zh) | 信息推荐方法、信息推荐装置、存储介质与电子设备 | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN114943279A (zh) | 招投标合作关系的预测方法、设备及系统 | |
CN115730125A (zh) | 对象识别方法、装置、计算机设备和存储介质 | |
CN113836390A (zh) | 资源推荐方法、装置、计算机设备及存储介质 | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
CN110796453A (zh) | 电商会员等级处理方法及装置 | |
CN103377381A (zh) | 识别图像的内容属性的方法和装置 | |
CN113837843B (zh) | 产品推荐方法、装置、介质及电子设备 | |
CN113792039B (zh) | 数据处理方法及装置、电子设备、存储介质 | |
CN111127057A (zh) | 一种多维用户画像恢复方法 | |
CN112328899B (zh) | 信息处理方法、信息处理装置、存储介质与电子设备 | |
CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
CN112905786A (zh) | 一种标签推荐方法和装置 | |
CN113392203B (zh) | 智能问答方法、装置、电子设备和计算机可读存储介质 | |
US11397783B1 (en) | Ranking similar users based on values and personal journeys | |
CN117876021A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
CN113742564A (zh) | 目标资源的推送方法和装置 |
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 |