CN112446763A - 服务推荐方法、装置及电子设备 - Google Patents
服务推荐方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112446763A CN112446763A CN202011368461.6A CN202011368461A CN112446763A CN 112446763 A CN112446763 A CN 112446763A CN 202011368461 A CN202011368461 A CN 202011368461A CN 112446763 A CN112446763 A CN 112446763A
- Authority
- CN
- China
- Prior art keywords
- payment
- characteristic data
- data set
- user
- service recommendation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013145 classification model Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 47
- 238000010586 diagram Methods 0.000 description 7
- 230000007774 longterm Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000003181 Panax pseudoginseng Nutrition 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000008678 sanqi Substances 0.000 description 1
- 230000001502 supplementing effect 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/12—Payment architectures specially adapted for electronic shopping systems
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请公开了一种服务推荐方法、装置及电子设备，所述方法包括：响应服务推荐指令；根据所述服务推荐指令，获取目标用户在多个预设时段的第一付费特征数据集，所述第一付费特征数据集包括多个第一付费特征数据；根据各所述预设时段与当前时刻的间隔时长，更新各所述第一付费特征数据集的初始权重，得到各所述第一付费特征数据集的预设权重，其中，所述间隔时长与所述预设权重负相关；将各所述第一付费特征数据集与各所述预设权重输入分类模型，基于所述分类模型输出所述目标用户的付费等级；根据所述付费等级，向所述目标用户发送对应的推荐信息。
Description
技术领域
本申请涉及计算机技术领域，特别涉及一种服务推荐方法、装置及电子设备。
背景技术
随着互联网的发展，可向用户推荐的服务也逐渐增多。而为了满足用户需求，在某些领域，如游戏领域中，通常需要根据用户的付费习惯来制定相应的服务以满足用户需求，因此需要对用户进行付费等级预测，以根据不同的付费习惯为用户推荐对应的活动或虚拟物品等，提高用户体验。
现有的服务推荐方式，通过提取用户在当前游戏中的付费特征后代入预测模型，以根据各项付费特征确定用户付费等级后，根据用户的付费等级推荐对应的服务信息。而为提高服务推荐的准确性，通常需要采用长期的历史付费特征。但采用长期的付费特征进行付费等级预测时，会出现由于数据较多导致即使用户近期的付费特征波动较大，可整体的付费特征的波动却较小，使得最终付费等级的预测结果可能长期不变，进而导致向用户推荐的服务信息可能与用户当前的实际情况不符，从而导致用户体验较差。
发明内容
本申请的目的在于至少解决现有技术中存在的技术问题之一，提供一种服务推荐方法、装置以及电子设备，提高服务推荐的准确性，以提升用户体验。
本申请实施例提供一种服务推荐方法，包括：
响应服务推荐指令；
根据所述服务推荐指令，获取目标用户在多个预设时段的第一付费特征数据集，所述第一付费特征数据集包括多个第一付费特征数据；
根据各所述预设时段与当前时刻的间隔时长，更新各所述第一付费特征数据集的初始权重，得到各所述第一付费特征数据集的预设权重，其中，所述间隔时长与所述预设权重负相关；
将各所述第一付费特征数据集与各所述预设权重输入分类模型，基于所述分类模型输出所述目标用户的付费等级；
根据所述付费等级，向所述目标用户发送对应的推荐信息。
进一步的，所述根据所述服务推荐指令，获取目标用户在多个预设时段的第一付费特征数据集，包括：
根据所述服务推荐指令，从各目标应用程序中获取所述目标用户在所述多个预设时段的所述第一付费特征数据集，其中，各所述目标应用程序为所述目标用户通过同一用户信息登录的目标应用程序。
进一步的，所述在所述根据各所述预设时段与当前时刻的间隔时长之前，还包括：
提取各非目标用户在所述预设时段的第二付费特征数据集，其中，所述第二付费特征数据集包括多个第二付费特征数据；
根据所述第一付费特征数据集在对应的所述预设时段内的各所述第二付费特征数据集中的排序，形成数据序列，以根据所述数据序列获取所述第一付费特征数据集在对应的所述预设时段内的所述初始权重。
进一步的，在本申请实施例中，还包括：
根据所述数据序列，更新各所述历史用户的付费等级。
进一步的，在本申请实施例中，还包括：
将所述目标用户的关联数据存储至训练集，其中，所述关联数据包括各所述第一付费特征数据集、各所述第一付费特征数据集的预设权重以及所述目标用户的付费等级。
进一步的，所述将所述目标用户的关联数据存储至所述训练集，包括：
根据所述训练集中的小类样本，从所述第一付费特征数据集中提取对应的所述第一付费特征数据进行所述小类样本的数据扩增。
进一步的，所述基于所述分类模型输出所述目标用户的付费等级，包括：
根据各所述第一付费特征数据集的所述预设权重，对各所述第一付费特征数据集通过所述分类模型进行加权，以根据加权结果获取所述目标用户的付费等级。
进一步的，所述多个预设时段组成连续的时间序列。
进一步的，在本申请实施例中，还提供了一种服务推荐装置，包括：
指令响应模块，用于响应服务推荐指令；
数据获取模块，用于根据所述服务推荐指令，获取目标用户在多个预设时段的第一付费特征数据集，所述第一付费特征数据集包括多个第一付费特征数据；
权重更新模块，用于根据各所述预设时段与当前时刻的间隔时长，更新各所述第一付费特征数据集的初始权重，得到各所述第一付费特征数据集的预设权重，其中，所述间隔时长与所述预设权重负相关；
等级划分模块，用于将各所述第一付费特征数据集与各所述预设权重输入分类模型，基于所述分类模型输出所述目标用户的付费等级；
服务推荐模块，用于根据所述付费等级，向所述目标用户发送对应的推荐信息。
进一步的，所述数据获取模块具体用于：
根据所述服务推荐指令，从各目标应用程序中获取所述目标用户在所述多个预设时段的所述第一付费特征数据集，其中，各所述目标应用程序为所述目标用户通过同一用户信息登录的目标应用程序。
进一步的，本申请实施例提供一种电子设备，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，所述处理器执行所述程序时实现如上述实施例所述的服务推荐方法。
进一步的，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述实施例所述的服务推荐方法。
相比于现有技术，上述实施例通过获取用户在多个预设时段的付费特征数据集，使得不需要采用长期的付费特征进行付费等级预测，再根据间隔时长获取付费特征数据集的预设权重，使得获取的付费等级能够充分体现每个时间段的付费特征，同时令依据付费等级推荐的服务信息更好地贴合用户当前的实际情况，提高用户体验。
上述实施例从用户终端通过同一用户信息登录的多个目标应用程序中获取付费特征数据集，使得不需要获取长时段的付费特征数据后才能进行付费预测，同时获取的付费特征数据能够更准确地反映出用户的付费习惯，从而提升付费等级预测的准确性，进而向用户推荐更准确的服务信息。
上述实施例通过获取其他用户在预设时段中的付费特征数据集，来与目标用户的付费特征数据集构成数据序列，从而获取目标用户的付费特征数据集的初始权重，使得目标用户付费特征数据集的初始权重能够考虑其他用户的付费特征的水平来综合设置，令预测的目标用户的付费等级能够与当前付费情况相适应，提升预测的准确性，进而向用户推荐更准确的服务信息。
上述实施例通过依据其他用户在预设时段中的付费特征数据集和目标用户的付费特征数据集构成数据序列，来更新历史用户的付费等级，使得对各个付费等级所包含的用户进行更新，提升后续用户付费等级预测的准确性，进而提高服务信息推荐的准确性。
上述实施例通过将目标用户的付费特征数据集、数据集的预设权重和用户的付费等级存储到训练集中，使得确保训练集的实时更新训练，从而提高服务推荐的准确性。
上述实施例通过对训练集中的小类样本进行分类，并从付费特征数据集中提取对应的付费特征数据对小类样本进行数据扩增，能够对应地增加训练集数据，确保训练集的更新训练效果，提高服务推荐的准确性。
上述实施例通过加权计算的方式来提升付费特征数据集输入分类模型后得到付费等级预测结果的准确性。
上述实施例通过采用连续的时间序列来作为预设时段，使得得到的付费等级能更好地体现出用户持续的付费情况，提升付费等级预测的准确性，从而提高服务推荐的准确性。
附图说明
下面结合附图和实施例对本申请进一步地说明；
图1为一个实施例中服务推荐方法的应用环境图；
图2为一个实施例中服务推荐方法的流程示意图；
图3为一个实施例中服务推荐装置的结构框图；
图4为又一个实施例中服务推荐装置的结构框图；
图5为一个实施例中计算机设备的结构框图。
具体实施方式
本部分将详细描述本申请的具体实施例，本申请之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本申请的每个技术特征和整体技术方案，但其不能理解为对本申请保护范围的限制。
现有的服务推荐方式，通过提取用户在当前游戏中的付费特征后代入预测模型，以根据各项付费特征确定用户付费等级后，根据用户的付费等级推荐对应的服务信息。而为提高服务推荐的准确性，通常需要采用长期的历史付费特征。但采用长期的付费特征进行付费等级预测时，会出现由于数据较多导致即使用户近期的付费特征波动较大，可整体的付费特征的波动却较小，使得最终付费等级的预测结果可能长期不变，进而导致向用户推荐的服务信息可能与用户当前的实际情况不符，从而导致用户体验较差。
为了解决上述技术问题，如图1所示，是一个实施例中服务推荐方法的应用环境图。参照图1，该服务推荐系统包括用户终端110和服务器120。用户终端110和服务器120通过网络连接。用户终端110具体可以是台式用户终端。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
下面，将通过几个具体的实施例对本申请实施例提供的服务推荐方法进行详细介绍和说明。
如图2所示，在一个实施例中，提供了一种服务推荐方法。本实施例主要以该方法应用于计算机设备来举例说明。该计算机设备具体可以是上述图1中的服务器120。
参照图2，该服务推荐方法具体包括如下步骤：
S11、响应服务推荐指令。
在本实施例中，服务器接收服务推荐指令并进行响应，其中，服务推荐指令可以由用户进行发送，用户的发送方式可以为用户直接输入相关指令到服务器中，也可以为用户通过终端发送该服务推荐指令到服务器中，或由服务器在从用户终端接收用户的特征数据，包括付费特征数据时自动生成。接收并响应服务推荐指令后，服务器开始执行下述步骤。在本实施例中，对于服务器接收并响应服务推荐指令的方式不做具体限定。
S12、根据服务推荐指令，获取目标用户在多个预设时段的第一付费特征数据集，第一付费特征数据集包括多个第一付费特征数据。
在本实施例中，服务器从用户终端的数据库中获取目标用户在多个预设时段的第一付费特征数据，所获取的所有第一付费特征数据组成第一付费特征数据集。其中，第一付费特征数据指的是用户进行诸如游戏充值或商品购买等行为时的相关数据。
在本实施例中，第一付费特征数据以用户进行游戏充值的付费行为的相关数据来举例说明，例如，第一付费特征数据可以包括用户总充值金额、用户充值次数、用户最高充值金额等等。
在本实施例中，将用户开始使用终端到当前时刻的时间定义为注册时长，其中，可以通过服务器依据服务推荐指令，从注册时长中选取多个预设时段，也可以通过服务器从注册时长中随机选取时段来作为预设时段，所选取的预设时段的数量通过服务推荐指令进行规定。最终服务器从用户终端的数据库中获取多个预设时段中的第一付费特征数据。例如，用户开始使用终端的时间为2020年1月1日，那么预设时段可以为2020年2月1日、2020年3月1日和2020年5月1日。因此，获取的目标用户在多个预设时段的第一付费特征数据，可以为用户分别在2020年2月1日、2020年3月1日和2020年5月1日这三天时间内的用户总充值金额、用户充值次数、用户最高充值金额的具体数值。
在一个实施例中，根据服务推荐指令，获取目标用户在多个预设时段的第一付费特征数据集，包括：
根据服务推荐指令，从各目标应用程序中获取目标用户在多个预设时段的第一付费特征数据集，其中，各目标应用程序为目标用户通过同一用户信息登录的目标应用程序。
在本实施例中，服务器首先依据服务推荐指令，从用户终端的数据库中获取用户登录第一目标应用程序的用户信息，再依据用户信息从用户终端中获取安装在用户终端中的与登录信息相匹配的第二目标应用程序。第一目标应用程序与第二目标应用程序均为安装在用户终端中的应用程序，且第一目标应用程序与第二目标应用程序为目标用户通过同一用户信息登录的目标应用程序。其中，第一目标应用程序可以为服务器从安装在用户终端中的所有目标应用程序中随机选取的一个目标应用程序，也可以为服务器依据服务推荐指令选取的一个目标应用程序，第二目标应用程序指的是安装在用户终端中的除了第一目标应用程序外的其他目标应用程序。
在本实施例中，对于采用同一用户信息登录的方式，可以为第二目标应用程序与第一目标应用程序均为同一游戏平台中的游戏，即采用一个游戏平台账号登录游戏平台后，能够在游戏平台中打开的不同的游戏应用程序，例如第一目标应用程序为游戏《战神觉醒》，第二目标应用程序为游戏《王城英雄》，这两个游戏均通过三七网游的平台进行登录；也可以为用户在注册第一目标应用程序和第二目标应用程序时，自定义的登录账号相同，例如第一目标应用程序为游戏《云上城之歌》，第二目标应用程序为游戏《斗罗大陆》，这两个游戏注册时自定义的登录账号均为：sanqi123；还可以为用户在注册第一目标应用程序和第二目标应用程序时，所关联的外部应用程序的账号相同，例如第一目标应用程序为游戏《永恒纪元》，第二目标应用程序为游戏《大天使之剑》，这两个游戏均采用手机号进行注册登录。在本实施例中，对于第二目标应用程序与第一目标应用程序的登录信息相匹配的方式不做具体限定。
在本实施例中，服务器从安装在用户终端的各目标应用程序中获取目标用户在多个预设时段的第一付费特征数据，所获取的所有第一付费特征数据组成第一付费特征数据集。
在本实施例中，通过从用户通过同一用户信息登录的目标应用程序中获取付费特征数据集，使得获取的付费特征数据能够更准确地反映出用户的付费习惯，从而提升付费等级预测的准确性，进而向用户推荐更准确的服务信息。
S13、根据各预设时段与当前时刻的间隔时长，更新各第一付费特征数据集的初始权重，得到各第一付费特征数据集的预设权重，其中，间隔时长与预设权重负相关。
为了充分考虑时间对于付费特征数据的影响，因此需要根据付费特征数据集的时间的不同，来设置相应的权重。
在本实施例中，当预设时段与当前时刻之间的时间间隔越长，即时间越久远的预设时段中的第一付费特征数据对于付费等级预测所起到的影响就越小，因此，与当前时刻之间的时间间隔越长的预设时段中的付费特征数据，所设置的权重理应更小。例如，在2020年2月1日这天的预设时段中的第一付费特征数据集的预设权重，即用户总充值金额、用户充值次数、用户最高充值金额的第一付费特征数据所设置的预设权重为1；在2020年3月1日这天的预设时段中的第一付费特征数据集的预设权重，即用户总充值金额、用户充值次数、用户最高充值金额的第一付费特征数据所设置的预设权重为2；在2020年5月1日这天的预设时段中的第一付费特征数据集的预设权重，即用户总充值金额、用户充值次数、用户最高充值金额的第一付费特征数据所设置的预设权重为4。
在一个实施例中，在根据各预设时段与当前时刻的间隔时长之前，还包括：
提取各非目标用户在预设时段的第二付费特征数据集，其中，第二付费特征数据集包括多个第二付费特征数据。
根据第一付费特征数据集在对应的预设时段内的各第二付费特征数据集中的排序，形成数据序列，以根据数据序列获取第一付费特征数据集在对应的预设时段内的初始权重。
在本实施例中，第二付费特征数据指的是非目标用户在预设时段内的付费特征数据，即第二付费特征数据与第一付费特征数据在相同的预设时段内获取相同的相关数据，区别在于第二付费特征数据与第一付费特征数据所来自的用户不同。其中，服务器从用户终端的数据库中获取第二付费特征数据后，第二付费特征数据构成第二付费特征数据集。例如，获取目标用户以外的其他用户分别在2020年2月1日、2020年3月1日和2020年5月1日这三天时间内的用户总充值金额、用户充值次数、用户最高充值金额的具体数值，上述第二付费特征数据构成第二付费特征数据集。
在本实施例中，将第一付费特征数据和各第二付费特征数据，即将相同预设时段内的待预测付费等级的用户的第一付费特征数据与各非目标用户的第二付费特征数据进行排序，例如将2020年2月1日这预设时段内的目标用户的第一付费特征数据与各非目标用户的第二付费特征数据进行排序，得到数据序列。具体的，第一付费特征数据集中包括目标用户的用户总充值金额、用户充值次数、用户最高充值金额。对于用户总充值金额，第一付费特征数据为500元，第二付费特征数据包括三个非目标用户的付费特征数据，分别为5000，100，800；因此，排序后得到的数据序列为5000，800，500，100。第一付费特征数据“用户总充值金额为500元”在序列中排第三，可以按照从低到高权重加1的形式来设置初始权重，那么数据序列的初始权重4，3，2，1，第一付费特征数据对应的初始权重为2。对于用户充值次数，第一付费特征数据为2次，第二付费特征数据包括三个非目标用户的付费特征数据，分别为3，3，5；因此，排序后得到的数据序列为5，3，3，2。第一付费特征数据“用户充值次数为2次”在序列中排第四，可以按照从低到高权重加1的形式来设置初始权重，那么数据序列的初始权重4，3，2，1，第一付费特征数据对应的初始权重为1。对于用户最高充值金额，第一付费特征数据为400元，第二付费特征数据包括三个非目标用户的付费特征数据，分别为2000，50，300；因此，排序后得到的数据序列为2000，400，300，50。第一付费特征数据“用户最高充值金额为400元”在序列中排第二，可以按照从低到高权重加1的形式来设置初始权重，那么数据序列的初始权重4，3，2，1，第一付费特征数据对应的初始权重为3。
在本实施例中，在依据相同预设时段内的目标用户的第一付费特征数据与非目标用户的第二付费特征数据构成的数据序列，获取该预设时段内目标用户的第一付费特征数据的初始权重后，根据各预设时段与当前时刻的间隔时长，更新各第一付费特征数据集的初始权重，进而得到各第一付费特征数据集的预设权重。例如，在2020年2月1日的预设时段内，第一付费特征数据集包括第一付费特征数据为“用户总充值金额为500元”、第一付费特征数据为“用户充值次数为2次”、第一付费特征数据为“用户最高充值金额为400元”，对应的初始权重依次为2，1，3，对应的第一付费特征数据集的初始权重可以采用求平均值形式来得到，所以对应的第一付费特征数据集的初始权重为2。而该预设时段与当前时刻的间隔时长较大，因此降低第一付费特征数据集的初始权重，即将2020年2月1日的预设时段内的第一付费特征数据集的初始权重乘以0.5，最终得到的2020年2月1日的预设时段内的第一付费特征数据集的预设权重为1，即第一付费特征数据为“用户总充值金额为500元”、第一付费特征数据为“用户充值次数为2次”、第一付费特征数据为“用户最高充值金额为400元”的预设权重分别为1，0.5，1.5。
在本实施例中，通过获取其他用户在预设时段中的付费特征数据集，来与目标用户的付费特征数据集构成数据序列，从而获取目标用户的付费特征数据集的初始权重，使得目标用户付费特征数据集的初始权重能够考虑其他用户的付费特征的水平来综合设置，令预测的目标用户的付费等级能够与当前付费情况相适应，提升预测的准确性，进而向用户推荐更准确的服务信息。
S14、将各第一付费特征数据集与各预设权重输入分类模型，基于分类模型输出目标用户的付费等级。
在本实施例中，将从安装在用户终端的数据库中获取多个预设时段的目标用户的第一付费特征数据集以及各个预设时段的目标用户的第一付费特征数据集对应的预设权重输入分类模型，所述分类模型可以为基于长短期记忆神经网络(Long-Short TermMemory，LSTM)。通过将上述例如各预设时段内目标用户的用户总充值金额、用户充值次数、用户最高充值金额的第一付费特征数据输入到LSTM模型中，LSTM模型计算目标用户为不同付费等级时相应的概率。例如，目标用户的付费等级可以划分为高付费等级用户、中付费等级用户和低付费等级用户，通过LSTM模型输出的三种类别对应的概率分别为75％、20％和5％，因此，可以判断该目标用户的付费等级为高付费等级用户。
S15、根据付费等级，向目标用户发送对应的推荐信息。
在本实施例中，服务器根据预测的目标用户的付费等级，来发送对应的推荐信息。例如，目标用户的付费等级为高付费等级用户时，服务器向目标用户发送如高级皮肤购买、高级宝箱购买和高阶锻造购买等推荐信息。
在一个实施例中，所述服务推荐方法，还包括：
根据数据序列，更新各历史用户的付费等级。
在本实施例中，对于用户总充值金额，对应的第二付费特征数据的原数据序列为5000，800，100。可以按照从低到高权重加1的形式来设置初始权重，那么原数据序列的初始权重3，2，1。当用户总充值金额对应的第一付费特征数据“用户总充值金额为500元”更新数据序列后，对于用户总充值金额对应的数据序列为5000，800，500，100。因此该新的数据序列对应的初始权重依次为4，3，2，1，此时第二付费特征数据5000，800，100，所对应的新的初始权重为4，3，1。
对于用户充值次数，对应的第二付费特征数据的原数据序列为5，3，3。可以按照从低到高权重加1的形式来设置初始权重，那么原数据序列的初始权重3，1，1。当用户充值次数对应的第一付费特征数据“用户总充值金额为2次”更新数据序列后，对于用户充值次数对应的数据序列为5，3，3，2。因此该新的数据序列对应的初始权重依次为4，2，2，1，此时第二付费特征数据5，3，3，所对应的新的初始权重为4，2，2。
对于用户最高充值金额，对应的第二付费特征数据的原数据序列为2000，300，50。可以按照从低到高权重加1的形式来设置初始权重，那么原数据序列的初始权重3，2，1。当用户充值次数对应的第一付费特征数据“用户最高充值金额为400元”更新数据序列后，对于用户最高充值金额对应的数据序列为2000，400，300，50。因此该新的数据序列对应的初始权重依次为4，3，2，1，此时第二付费特征数据2000，300，50，所对应的新的初始权重为4，2，1。
再依据预设时段与当前时刻的间隔时长来调整第二付费特征数据集的初始权重，得到预设权重，再依据预设权重对各历史用户的付费等级进行更新，例如是否为高付费等级用户。
在本实施例中，通过依据其他用户在预设时段中的付费特征数据集和目标用户的付费特征数据集构成数据序列，来更新历史用户的付费等级，使得对各个付费等级所包含的用户进行更新，提升后续用户付费等级预测的准确性，进而提高服务信息推荐的准确性。
进一步的，所述服务推荐方法，还包括：
将目标用户的关联数据存储至训练集，其中，关联数据包括各第一付费特征数据集、各第一付费特征数据集的预设权重以及目标用户的付费等级。
在本实施例中，当付费等级待预测的用户A完成付费等级预测后，对于下一个付费等级待预测的用户B，对付费等级待预测的用户A进行付费等级预测所采用的第一付费特征数据集、各第一付费特征数据集的预设权重以及得到用户A的付费等级，则变为历史用户的付费特征数据集、各付费特征数据集的预设权重以及付费等级，因此将上述目标用户的关联数据存储到训练集中，从而确保训练集的实时更新训练，逐步提高用户分类的准确性。
在一个实施例中，将目标用户的关联数据存储至训练集，包括：
根据训练集中的小类样本，从第一付费特征数据集中提取对应的第一付费特征数据进行小类样本的数据扩增。
由于训练集中数据太少会对分类模型的训练效果产生影响，因此在本实施例中通过对训练集中的小类样本进行分类，并从付费特征数据集中提取对应的付费特征数据对其进行数据扩增，使得对应性地增加训练集，确保训练集的更新训练效果，提高用户分类的准确性。
在一个实施例中，基于分类模型输出目标用户的付费等级，包括：
根据各第一付费特征数据集的预设权重，对各第一付费特征数据集通过分类模型进行加权，以根据加权结果获取目标用户的付费等级。
在本实施例中，通过将目标用户的第一付费特征数据集输入到分类模型中进行付费等级预测，得到各第一付费特征数据为不同付费等级的概率，并通过预设权重对得到的各概率进行加权计算，最终确定目标用户的付费等级。例如，第一付费特征数据包括用户总充值金额为500元、用户充值次数为2次、用户最高充值金额为400元，对应的预设权重为1，0.5，1.5，将上述第一付费特征数据输入到分类模型中进行付费等级的预测，第一付费特征数据“用户总充值金额为500元”得到的结果为高付费等级用户概率为50％、中付费等级用户概率为25％、低付费等级用户概率为25％；第一付费特征数据“用户充值次数为2次”得到的结果为高付费等级用户概率为20％、中付费等级用户概率为20％、低付费等级用户概率为60％；第一付费特征数据“用户最高充值金额为400元”得到的结果为高付费等级用户概率为80％、中付费等级用户概率为20％、低付费等级用户概率为0％。因此，进行加权计算后，用户为高付费等级用户的数值为1.8，用户为中付费等级用户的数值为0.65，用户为低付费等级用户的数值为0.55，因此，用户付费等级为高付费等级用户。
在本实施例中，通过加权计算的方式来提升付费特征数据集输入分类模型后得到付费等级预测结果的准确性。
在一个实施例中，多个预设时段组成连续的时间序列。
在本实施例中，从注册时间中选取的多个预设时段可以为2020年2月1日-2月3日连续三天，每天作为一个预设时段，预设时段为连续的时间序列时，各预设时段与当前时刻的间隔时间不会相差很多，使得将初始权重进行修改得到预设权重的过程基本一致，使得得到的付费等级能更好地体现出用户持续的付费情况，提升付费等级预测的准确性，从而提高服务推荐的准确性。
在上述实施例中，通过获取用户在多个预设时段的付费特征数据集，使得不需要采用长期的付费特征进行付费等级预测，再根据间隔时长获取付费特征数据集的预设权重，使得获取的付费等级能够充分体现每个时间段的付费特征，同时令依据付费等级推荐的服务信息更好地贴合用户当前的实际情况，提高用户体验。
在一个实施例中，如图3所示，提供了一种服务推荐装置，包括：
指令响应模块101，用于响应服务推荐指令。
数据获取模块102，用于根据所述服务推荐指令，获取目标用户在多个预设时段的第一付费特征数据集，所述第一付费特征数据集包括多个第一付费特征数据。
权重更新模块103，用于根据各所述预设时段与当前时刻的间隔时长，更新各所述第一付费特征数据集的初始权重，得到各所述第一付费特征数据集的预设权重，其中，所述间隔时长与所述预设权重负相关。
等级划分模块104，用于将各所述第一付费特征数据集与各所述预设权重输入分类模型，基于所述分类模型输出所述目标用户的付费等级。
服务推荐模块105，用于根据所述付费等级，向所述目标用户发送对应的推荐信息。
在一个实施例中，多个预设时段组成连续的时间序列。
在一个实施例中，数据获取模块102，还用于：
根据服务推荐指令，从各目标应用程序中获取目标用户在多个预设时段的第一付费特征数据集，其中，各目标应用程序为目标用户通过同一用户信息登录的目标应用程序。
在一个实施例中，权重更新模块103，还用于：
在根据各预设时段与当前时刻的间隔时长之前，提取各非目标用户在预设时段的第二付费特征数据集，其中，第二付费特征数据集包括多个第二付费特征数据。
根据第一付费特征数据集在对应的预设时段内的各第二付费特征数据集中的排序，形成数据序列，以根据数据序列获取第一付费特征数据集在对应的预设时段内的初始权重。
在一个实施例中，权重更新模块103，还用于：
根据数据序列，更新各历史用户的付费等级。
在一个实施例中，等级划分模块104，还用于：
根据各第一付费特征数据集的预设权重，对各第一付费特征数据集通过分类模型进行加权，以根据加权结果获取目标用户的付费等级。
在另一个实施例中，如图4所示，提供了一种服务推荐装置，包括：
指令响应模块101，用于响应服务推荐指令。
数据获取模块102，用于根据所述服务推荐指令，获取目标用户在多个预设时段的第一付费特征数据集，所述第一付费特征数据集包括多个第一付费特征数据。
权重更新模块103，用于根据各所述预设时段与当前时刻的间隔时长，更新各所述第一付费特征数据集的初始权重，得到各所述第一付费特征数据集的预设权重，其中，所述间隔时长与所述预设权重负相关。
等级划分模块104，用于将各所述第一付费特征数据集与各所述预设权重输入分类模型，基于所述分类模型输出所述目标用户的付费等级。
服务推荐模块105，用于根据所述付费等级，向所述目标用户发送对应的推荐信息。
数据存储模块106，用于将目标用户的关联数据存储至训练集，其中，关联数据包括各第一付费特征数据集、各第一付费特征数据集的预设权重以及目标用户的付费等级。根据训练集中的小类样本，从第一付费特征数据集中提取对应的第一付费特征数据进行小类样本的数据扩增。
在一个实施例中，提供了一种计算机设备，如图5所示，该计算机设备包括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、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现服务推荐方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行服务推荐方法。本领域技术人员可以理解，图5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，本申请提供的服务推荐装置可以实现为一种计算机程序的形式，计算机程序可在如图5所示的计算机设备上运行。计算机设备的存储器中可存储组成该服务推荐装置的各个程序模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的服务推荐方法中的步骤。
在一个实施例中，提供了一种电子设备，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，所述处理器执行所述程序时执行上述服务推荐方法的步骤。此处服务推荐方法的步骤可以是上述各个实施例的服务推荐方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述服务推荐方法的步骤。此处服务推荐方法的步骤可以是上述各个实施例的服务推荐方法中的步骤。
以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本申请的保护范围。
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
Claims (11)
1.一种服务推荐方法，应用于服务器，其特征在于，包括：
响应服务推荐指令；
根据所述服务推荐指令，获取目标用户在多个预设时段的第一付费特征数据集，所述第一付费特征数据集包括多个第一付费特征数据；
根据各所述预设时段与当前时刻的间隔时长，更新各所述第一付费特征数据集的初始权重，得到各所述第一付费特征数据集的预设权重，其中，所述间隔时长与所述预设权重负相关；
将各所述第一付费特征数据集与各所述预设权重输入分类模型，基于所述分类模型输出所述目标用户的付费等级；
根据所述付费等级，向所述目标用户发送对应的推荐信息。
2.根据权利要求1所述的服务推荐方法，其特征在于，所述根据所述服务推荐指令，获取目标用户在多个预设时段的第一付费特征数据集，包括：
根据所述服务推荐指令，从各目标应用程序中获取所述目标用户在所述多个预设时段的所述第一付费特征数据集，其中，各所述目标应用程序为所述目标用户通过同一用户信息登录的目标应用程序。
3.根据权利要求1或2所述的服务推荐方法，其特征在于，所述在所述根据各所述预设时段与当前时刻的间隔时长之前，还包括：
提取各非目标用户在所述预设时段的第二付费特征数据集，其中，所述第二付费特征数据集包括多个第二付费特征数据；
根据所述第一付费特征数据集在对应的所述预设时段内的各所述第二付费特征数据集中的排序，形成数据序列，以根据所述数据序列获取所述第一付费特征数据集在对应的所述预设时段内的所述初始权重。
4.根据权利要求3所述的服务推荐方法，其特征在于，还包括：
根据所述数据序列，更新各所述历史用户的付费等级。
5.根据权利要求1所述的服务推荐方法，其特征在于，还包括：
将所述目标用户的关联数据存储至训练集，其中，所述关联数据包括各所述第一付费特征数据集、各所述第一付费特征数据集的预设权重以及所述目标用户的付费等级。
6.根据权利要求5所述的服务推荐方法，其特征在于，所述将所述目标用户的关联数据存储至所述训练集，包括：
根据所述训练集中的小类样本，从所述第一付费特征数据集中提取对应的所述第一付费特征数据进行所述小类样本的数据扩增。
7.根据权利要求1或2所述的服务推荐方法，其特征在于，所述基于所述分类模型输出所述目标用户的付费等级，包括：
根据各所述第一付费特征数据集的所述预设权重，对各所述第一付费特征数据集通过所述分类模型进行加权，以根据加权结果获取所述目标用户的付费等级。
8.根据权利要求1所述的服务推荐方法，其特征在于，所述多个预设时段组成连续的时间序列。
9.一种服务推荐装置，其特征在于，包括：
指令响应模块，用于响应服务推荐指令；
数据获取模块，用于根据所述服务推荐指令，获取目标用户在多个预设时段的第一付费特征数据集，所述第一付费特征数据集包括多个第一付费特征数据；
权重更新模块，用于根据各所述预设时段与当前时刻的间隔时长，更新各所述第一付费特征数据集的初始权重，得到各所述第一付费特征数据集的预设权重，其中，所述间隔时长与所述预设权重负相关；
等级划分模块，用于将各所述第一付费特征数据集与各所述预设权重输入分类模型，基于所述分类模型输出所述目标用户的付费等级；
服务推荐模块，用于根据所述付费等级，向所述目标用户发送对应的推荐信息。
10.根据权利要求9所述的服务推荐装置，其特征在于，所述数据获取模块具体用于：
根据所述服务推荐指令，从各目标应用程序中获取所述目标用户在所述多个预设时段的所述第一付费特征数据集，其中，各所述目标应用程序为所述目标用户通过同一用户信息登录的目标应用程序。
11.一种电子设备，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程序时实现如权利要求1至7中任一项所述的服务推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011368461.6A CN112446763A (zh) | 2020-11-27 | 2020-11-27 | 服务推荐方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011368461.6A CN112446763A (zh) | 2020-11-27 | 2020-11-27 | 服务推荐方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112446763A true CN112446763A (zh) | 2021-03-05 |
Family
ID=74737799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011368461.6A Pending CN112446763A (zh) | 2020-11-27 | 2020-11-27 | 服务推荐方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112446763A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376310A (zh) * | 2018-09-28 | 2019-02-22 | 乐蜜有限公司 | 用户推荐方法、装置、电子设备和计算机可读存储介质 |
| CN109598576A (zh) * | 2018-10-25 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 服务推荐方法、装置及设备 |
| CN110222267A (zh) * | 2019-06-06 | 2019-09-10 | 中山大学 | 一种游戏平台信息推送方法、系统、存储介质及设备 |
| CN111309939A (zh) * | 2020-02-03 | 2020-06-19 | 天津智融创新科技发展有限公司 | 视频推荐排序方法和装置 |
| CN111408143A (zh) * | 2020-03-13 | 2020-07-14 | 网易（杭州）网络有限公司 | 游戏付费预测方法、模型训练方法及装置 |
| CN111768239A (zh) * | 2020-06-29 | 2020-10-13 | 腾讯科技（深圳）有限公司 | 道具推荐方法、装置、系统、服务器和存储介质 |
| CN111803957A (zh) * | 2020-07-17 | 2020-10-23 | 网易（杭州）网络有限公司 | 一种网络游戏的玩家预测方法、装置、计算机设备和介质 |
-
2020
- 2020-11-27 CN CN202011368461.6A patent/CN112446763A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376310A (zh) * | 2018-09-28 | 2019-02-22 | 乐蜜有限公司 | 用户推荐方法、装置、电子设备和计算机可读存储介质 |
| CN109598576A (zh) * | 2018-10-25 | 2019-04-09 | 阿里巴巴集团控股有限公司 | 服务推荐方法、装置及设备 |
| CN110222267A (zh) * | 2019-06-06 | 2019-09-10 | 中山大学 | 一种游戏平台信息推送方法、系统、存储介质及设备 |
| CN111309939A (zh) * | 2020-02-03 | 2020-06-19 | 天津智融创新科技发展有限公司 | 视频推荐排序方法和装置 |
| CN111408143A (zh) * | 2020-03-13 | 2020-07-14 | 网易（杭州）网络有限公司 | 游戏付费预测方法、模型训练方法及装置 |
| CN111768239A (zh) * | 2020-06-29 | 2020-10-13 | 腾讯科技（深圳）有限公司 | 道具推荐方法、装置、系统、服务器和存储介质 |
| CN111803957A (zh) * | 2020-07-17 | 2020-10-23 | 网易（杭州）网络有限公司 | 一种网络游戏的玩家预测方法、装置、计算机设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109359762B (zh) | 风险预测模型生成方法、风险预测方法、装置及服务器 | |
| CN108833458B (zh) | 一种应用推荐方法、装置、介质及设备 | |
| CN107547214A (zh) | 基于电子书的群组阅读方法、电子设备及计算机存储介质 | |
| CN111340244B (zh) | 预测方法、训练方法、装置、服务器及介质 | |
| CN110415036B (zh) | 用户等级的确定方法、装置、计算机设备和存储介质 | |
| US20190073244A1 (en) | Computer network-based event management | |
| CN113034171B (zh) | 一种业务数据处理方法、装置、计算机及可读存储介质 | |
| CN112148992A (zh) | 内容推送方法、装置、计算机设备和存储介质 | |
| CN109903100A (zh) | 一种用户流失预测方法、装置及可读存储介质 | |
| CN110766513A (zh) | 信息排序方法、装置、电子设备及可读存储介质 | |
| CN111476510B (zh) | 一种风险用户识别的方法及系统、存储介质、设备 | |
| JP7295976B2 (ja) | データトラフィックを処理及び分配する予測モデリング及び分析 | |
| CN109075987A (zh) | 优化数字组件分析系统 | |
| CN109191159B (zh) | 数据定向方法、装置、计算机设备及计算机可读存储介质 | |
| CN112446763A (zh) | 服务推荐方法、装置及电子设备 | |
| CN111583010A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| CN114723455A (zh) | 业务处理方法、装置、电子设备和存储介质 | |
| CN114240599A (zh) | 贷款测算方法、装置、计算机设备和存储介质 | |
| CN113450211A (zh) | 一种用户授信方法、装置、电子设备与存储介质 | |
| CN114240605A (zh) | 贷款测算方法、装置、计算机设备和存储介质 | |
| CN114265983A (zh) | 信息推送方法及装置、电子设备、计算机可读存储介质 | |
| CN111612419A (zh) | 电力申报数据的处理方法、装置和计算机设备 | |
| CN110795232A (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
| CN112819500B (zh) | 信息展示方法、策略网络训练方法、设备及存储介质 | |
| US20220043735A1 (en) | Dynamic risk based analysis 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 |