CN112529665A - 基于组合模型的产品推荐方法、装置及计算机设备 - Google Patents
基于组合模型的产品推荐方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN112529665A CN112529665A CN202011508791.0A CN202011508791A CN112529665A CN 112529665 A CN112529665 A CN 112529665A CN 202011508791 A CN202011508791 A CN 202011508791A CN 112529665 A CN112529665 A CN 112529665A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- model
- customer
- product
- data
- 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
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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及数据分析技术领域,提供了一种基于组合模型的产品推荐方法,包括:获取多个客户的购买行为相关数据,并对其进行预处理,以构建第一推荐模型;获取多个客户的偏好调研数据,并构建第二推荐模型;基于预设分析规则确定多个产品与多个客户的匹配度,并生成匹配度分析结果,以构建第三推荐模型;获取多个客户的客户特征数据和多个产品的产品特征数据,并对其进行分析生成客户‑产品的特征矩阵,以构建第四推荐模型;利用第一至第四推荐模型分别计算待推荐产品相对于每一待推荐客户的推荐分数,并根据四个模型推荐分数计算得到总推荐分数,以基于总推荐分数制定针对每一待推荐客户的产品推荐方案。本发明实施例可提升推荐效果。
Description
技术领域
本发明实施例涉及数据分析技术领域,尤其涉及一种基于组合模型的产品推荐方法、装置及计算机设备。
背景技术
随着现代计算机技术、信息技术和大数据技术日新月异的发展,现代人们进入到海量信息的时代。如何让人们在海量数据中发现他们的信息,找到他们的兴趣,也变得越来越困难。对于需求明确的信息检索,用户可以使用不同搜索引擎来满足对信息发现的需求。如果用户不明确自己的需求,就需要一个推荐引擎,从用户角度去更深层次的理解、发掘用户的真实需求,并基于用户真实需求,反馈给用户所需要的信息。随着推荐引擎的出现,用户获取信息的方式从简单的数据搜索,转换到更智能、更高级、更符合人们使用习惯的信息发现方式。推荐引擎也广泛的应用于不同的网站,如电商网站、视频网站、社交类网站、咨询类网站等。
常用的推荐方法都有各自的不足之处,一方面可能对于新产品的“冷启动”场景缺乏覆盖,无法针对新产品进行推荐;另一方面可能对于不同用户之间的个性化需求难以识别,无法提供高质量的个性化推荐服务。
发明内容
有鉴于此,本发明实施例的目的是提供一种基于组合模型的产品推荐方法、装置、计算机设备及计算机可读存储介质,用于克服现有的无法提供满足不同用户需求的高质量的个性化推荐服务及无法针对新产品进行推荐的问题。
为实现上述目的,本发明实施例提供了一种基于组合模型的产品推荐方法,包括:
获取多个客户的购买行为相关数据,并对所述购买行为相关数据进行预处理,以基于所述购买行为相关数据构建第一推荐模型;
获取多个客户的偏好调研数据,并基于所述偏好调研数据构建第二推荐模型;
基于预设分析规则确定多个产品与多个客户的匹配度,并生成匹配度分析结果,以基于所述匹配度分析结果构建第三推荐模型;
获取多个客户的客户特征数据和多个产品的产品特征数据,并对所述客户特征数据和所述产品特征数据进行分析生成客户-产品的特征矩阵,以基于所述特征矩阵构建第四推荐模型;
利用所述第一推荐模型、所述第二推荐模型、所述第三推荐模型及所述第四推荐模型分别计算待推荐产品相对于每一待推荐客户的推荐分数,并根据每一所述待推荐客户的四个模型推荐分数计算得到总推荐分数,以基于所述总推荐分数制定针对每一所述待推荐客户的产品推荐方案。
可选地,所述对所述购买行为相关数据进行预处理的步骤,包括:
利用K-Means聚类算法对所述购买行为相关数据进行聚类分析。
可选地,所述偏好调研数据包括多个产品的客户偏好问卷数据,所述基于所述偏好调研数据构建第二推荐模型的步骤,包括:
基于多个客户对多个产品的客户偏好问卷数据构建基于客户偏好的第二推荐模型。
可选地,所述客户特征数据包括客户名称、所属行业分类及历史购买意向数据,所述产品特征数据包括产品名称、产品类别、发行期限、发行地域,所述对所述客户特征数据和所述产品特征数据进行分析生成客户-产品的特征矩阵的步骤,包括:
对所述客户特征数据及所述产品特征数据依次采用连续型变量的离散化处理及类别变量的数值映射处理,生成所述客户-产品的特征矩阵。
可选地,所述基于所述特征矩阵构建第四推荐模型的步骤,包括:
将所述历史购买意向数据作为模型的分类标签,将所述特征矩阵作为模型的输入训练特征,利用逻辑回归算法和梯度提升树算法训练得到所述第四推荐模型。
可选地,所述利用所述第一推荐模型、所述第二推荐模型、所述第三推荐模型及所述第四推荐模型分别计算待推荐产品相对于每一待推荐客户的推荐分数的步骤,包括:
基于正态分布的规范化过程计算所述待推荐产品相对于每一所述待推荐客户的单个模型的规范化推荐分数,其中所述规范化推荐分数通过以下算式计算得到:Z=(x-u)/s,Z为所述规范化推荐分数,x为所述单个模型的原始推荐分数,u为所述单个模型的原始推荐分数均值的参数估计值,s为所述单个模型的原始推荐分数标准差的参数估计值;
基于Logistics函数的归一化方法对所述规范化推荐分数进行处理,得到所述待推荐产品相对于每一所述待推荐客户的单个模型的推荐分数,其中所述单个模型的推荐分数通过以下算式计算得到:y=1/(1+e-z),y为所述单个模型的推荐分数,e为自然常数;
其中,所述单个模型为所述第一推荐模型、所述第二推荐模型、所述第三推荐模型和所述第四推荐模型其中之一。
可选地,所述根据每一所述待推荐客户的四个模型推荐分数计算得到总推荐分数的步骤,包括:
对每一所述待推荐客户的四个模型推荐分数进行加权运算,得到总推荐分数,其中总推荐分数通过以下算式计算得到:Y=a1y1+a2y2+a3y3+a4y4,Y为所述总推荐分数,y1、y2、y3、y4分别为第一至第四推荐模型的推荐分数,a1、a2、a3、a4分别为第一至第四推荐模型的模型权重值。
为实现上述目的,本发明实施例还提供了一种基于组合模型的产品推荐装置,所述基于组合模型的产品推荐装置包括:
第一构建模块,用于获取多个客户的购买行为相关数据,并对所述购买行为相关数据进行预处理,以基于所述客户购买相关数据构建第一推荐模型;
第二构建模块,用于获取多个客户的偏好调研数据,并基于所述偏好调研数据构建第二推荐模型;
第三构建模块,用于基于预设分析规则确定多个产品与多个客户的匹配度,并生成匹配度分析结果,以基于所述匹配度分析结果构建第三推荐模型;
第四构建模块,用于获取多个客户的客户特征数据和产品特征数据,并对所述客户特征数据和所述产品特征数据进行分析生成客户-产品的特征矩阵,以基于所述特征矩阵构建第四推荐模型;
产品推荐模块,用于利用所述第一推荐模型、所述第二推荐模型、所述第三推荐模型及所述第四推荐模型分别计算待推荐产品相对于每一待推荐客户的推荐分数,并根据每一所述待推荐客户的四个模型推荐分数计算得到总推荐分数,以基于所述总推荐分数制定每一所述待推荐客户的产品推荐方案。
为实现上述目的,本发明实施例还提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的基于组合模型的产品推荐方法的步骤。
为实现上述目的,本发明实施例还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内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如上所述的基于组合模型的产品推荐方法的步骤。
本发明实施例提供的基于组合模型的产品推荐方法、装置、计算机设备及计算机可读存储介质,通过获取多个客户的购买行为相关数据,并对所述购买行为相关数据进行预处理,以基于所述购买行为相关数据构建第一推荐模型;获取多个客户的偏好调研数据,并基于所述偏好调研数据构建第二推荐模型;基于预设分析规则确定多个产品与多个客户的匹配度,并生成匹配度分析结果,以基于所述匹配度分析结果构建第三推荐模型;获取多个客户的客户特征数据和多个产品的产品特征数据,并对所述客户特征数据和所述产品特征数据进行分析生成客户-产品的特征矩阵,以基于所述特征矩阵构建第四推荐模型;利用所述第一推荐模型、所述第二推荐模型、所述第三推荐模型及所述第四推荐模型分别计算待推荐产品相对于每一待推荐客户的推荐分数,并根据每一所述待推荐客户的四个模型推荐分数计算得到总推荐分数,以基于所述总推荐分数制定针对每一所述待推荐客户的产品推荐方案,可实现结合多种推荐模型,良好地整合多种推荐模型的输出分数,构建统一的推荐策略,弥补使用单一推荐模型的劣势,提升产品推荐效果。
附图说明
图1为本发明基于组合模型的产品推荐方法的一实施方式的步骤流程示意图。
图2为本发明一实施方式的基于组合模型的产品推荐装置的程序模块示意图。
图3为本发明一实施方式的计算机设备的硬件结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
以下结合附图与具体实施例进一步阐述本发明的优点。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本发明的描述中,需要理解的是,步骤前的数字标号并不标识执行步骤的前后顺序,仅用于方便描述本发明及区别每一步骤,因此不能理解为对本发明的限制。
参阅图1,示出了本发明实施例一之基于组合模型的产品推荐方法的流程图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。下面以基于组合模型的产品推荐装置(下文以“产品推荐装置”简称)为执行主体进行示例性描述,所述产品推荐装置可以应用于计算机设备中,所述计算机设备可以是移动电话、平板个人计算机(tabletpersonal computer)、膝上型计算机(laptop computer)、服务器等具有数据传输功能的设备。具体如下:
步骤S10,获取多个客户的购买行为相关数据,并对所述购买行为相关数据进行预处理,以基于所述购买行为相关数据构建第一推荐模型。
在一实施方式中,所述购买行为相关数据可以包括多个产品的客户购买行为相关数据。所述购买行为相关数据可以包括客户的历史购买数据和意向购买数据。所述历史购买数据可以包括多个产品对应的历史购买次数。可以通过Web页面反馈的现有产品的销量数据,构建多个类似产品的销量排行榜,以获取对于多个产品的客户的购买行为相关数据。由于所述购买行为相关数据还可以包括意向购买数据,所述第一推荐模型可看成推荐场景下的先验知识,对于没有历史购买数据的新客户也有效,因此可以在一定程度解决新客户的“冷启动”问题。
在一实施方式中,在获取多个产品的购买行为相关数据后,可以利用K-Means聚类算法对所述购买行为相关数据进行聚类分析,以基于所述购买行为相关数据构建第一推荐模型。
具体地,可以通过所述K-Means聚类算法对所述客户的购买行为相关数据进行聚类分析,不同的类对应不同的分数。例如1~10次购买次数的类得1分,10~20次购买次数的类得2分。
步骤S11,获取多个客户的偏好调研数据,并基于所述偏好调研数据构建第二推荐模型。
在一实施方式中,所述偏好调研数据可以包括多个产品的客户偏好问卷数据。可以通过线上/线下客户问卷调查方式收集关于多个产品的客户偏好信息以获取偏好调研数据,并基于多个客户对多个产品的客户偏好问卷数据构建基于客户偏好的第二推荐模型。
在一实施方式中,对于不同的产品的客户偏好问卷调查包含的产品特征信息可以不同,例如,国债类可以包括产品发行期限,地方政府债类可以包括发行期限,发行方式及发行地域。对于不同的产品特征信息可以配置不同的权重值,例如国债类的产品发行期限可以配置权重值1,地方政府债的发行期限,发行方式及发行地域分别对应配置权重值0.5、0.3、0.2。不同的产品特征信息对应的客户偏好答案也可以包括多种,以国债类产品的客户偏好问卷数据为例,答案可以为关注、非关注、禁投三种。举例而言,针对某客户A的国债类的产品发行期限的偏好调研数据,1-3年国债为关注,3-5年国债非关注,10年以上国债为禁投。
在一实施方式中,对于所述第二推荐模型而言,不同的关注程度对应的得分不同,比如关注为1分、非关注为0分、禁投为-3分。
步骤S12,基于预设分析规则确定多个产品与多个客户的匹配度,并生成匹配度分析结果,以基于所述匹配度分析结果构建第三推荐模型。
在一实施方式中,所述匹配度分析结果可以包括匹配和不匹配。所述预设分析规则可以是专家根据历史数据分析得来的。例如“商业银行债”类产品匹配“股份商业银行”、“城市商业银行”、“农村商业银行”类客户。在确定多个产品与多个客户的匹配度并生成匹配度分析结果后,可以根据所述匹配度分析结果构建基于客户-产品匹配度的第三推荐模型,以在后续输出客户-产品的匹配度分数。
可以理解,匹配度分析过程不需要客户或产品对应的行为数据,即对“新客户”或“新产品”均能形成有效匹配度分析结果。
在一实施方式中,对于所述第三推荐模型而言,匹配与不匹配对应的得分不同,比如匹配为1分、不匹配为0分。
步骤S13,获取多个客户的客户特征数据和多个产品的产品特征数据,并对所述客户特征数据和所述产品特征数据进行分析生成客户-产品的特征矩阵,以基于所述特征矩阵构建第四推荐模型。
在一实施方式中,所述客户特征数据可以包括客户名称、所属行业分类及历史购买意向数据,所述产品特征数据包括产品名称、产品类别、发行期限、发行地域。可以获取多个客户的客户特征数据和多个产品的产品特征数据,并对所述客户特征数据及所述产品特征数据依次采用连续型变量的离散化处理及类别变量的数值映射处理,生成所述客户-产品的特征矩阵(矩阵特征值),将所述历史购买意向数据作为模型的分类标签,将所述特征矩阵作为模型的输入训练特征,利用逻辑回归(LogisticsRegression)算法和梯度提升树(GradientBoostingDecisionTree)算法训练得到所述第四推荐模型,以在后续输出客户-产品的特征矩阵值作为原始推荐分数,以提升个性化推荐的效果。
步骤S14,利用所述第一推荐模型、所述第二推荐模型、所述第三推荐模型及所述第四推荐模型分别计算待推荐产品相对于每一待推荐客户的推荐分数,并根据每一所述待推荐客户的四个模型推荐分数计算得到总推荐分数,以基于所述总推荐分数制定针对每一所述待推荐客户的产品推荐方案。
在一实施方式中,所述利用所述第一推荐模型、所述第二推荐模型、所述第三推荐模型及所述第四推荐模型分别计算待推荐产品相对于每一待推荐客户的推荐分数的具体过程可以包括:基于正态分布的规范化过程计算所述待推荐产品相对于每一所述待推荐客户的单个模型的规范化推荐分数,其中所述规范化推荐分数通过以下算式计算得到:Z=(x-u)/s,Z为所述规范化推荐分数,x为所述单个模型的原始推荐分数,u为所述单个模型的原始推荐分数均值的参数估计值,s为所述单个模型的原始推荐分数标准差的参数估计值;基于Logistics函数的归一化方法对所述规范化推荐分数进行处理,得到所述待推荐产品相对于每一所述待推荐客户的单个模型的推荐分数,其中所述单个模型的推荐分数通过以下算式计算得到:y=1/(1+e-z),y为所述单个模型的推荐分数,e为自然常数;其中,所述单个模型为所述第一推荐模型、所述第二推荐模型、所述第三推荐模型和所述第四推荐模型其中之一。
在一实施方式中,例如购买行为相关数据为1~10次购买次数的类的原始推荐分数为1分,购买行为相关数据为10~20次购买次数的类的原始推荐分数为2分,产品为关注的原始推荐分数为1分、产品为非关注的原始推荐分数为0分,产品为禁投的原始推荐分数为-3分,产品为与客户匹配的原始推荐分数为1分,产品与客户不匹配的原始推荐分数为0分,客户-产品的特征矩阵值为原始推荐分数。
在一实施方式中,所述根据每一所述待推荐客户的四个模型推荐分数计算得到总推荐分数的过程可以包括:对每一所述待推荐客户的四个模型推荐分数进行加权运算,得到总推荐分数,其中总推荐分数通过以下算式计算得到:Y=a1y1+a2y2+a3y3+a4y4,Y为所述总推荐分数,y1、y2、y3、y4分别为第一至第四推荐模型的推荐分数,a1、a2、a3、a4分别为第一至第四推荐模型的模型权重值。
在一实施方式中,所述a1、a2、a3、a4的值可以全部相同或者部分相同或者完全不同。
在一实施方式中,根据每一所述待推荐客户的四个模型推荐分数计算得到总推荐分数后可以基于所述总推荐分数制定针对每一所述待推荐客户的产品推荐方案,例如,得到总推荐分数后可以基于所述总推荐分数筛选出60以上、70分以上的客户制定针对60以上、70分以上的客户的产品推荐方案,这样可以良好地整合多种模型的推荐分数,构建统一的产品推荐方案,且针对不同的推荐应用场景,开发者可以根据需求灵活配置需要使用的模型及对应模型权重,避免了重复开发的过程,大幅提升了产品推荐方案的适用性。
本发明实施例通过获取多个客户的购买行为相关数据,并对所述购买行为相关数据进行预处理,以基于所述购买行为相关数据构建第一推荐模型;获取多个客户的偏好调研数据,并基于所述偏好调研数据构建第二推荐模型;基于预设分析规则确定多个产品与多个客户的匹配度,并生成匹配度分析结果,以基于所述匹配度分析结果构建第三推荐模型;获取多个客户的客户特征数据和多个产品的产品特征数据,并对所述客户特征数据和所述产品特征数据进行分析生成客户-产品的特征矩阵,以基于所述特征矩阵构建第四推荐模型;利用所述第一推荐模型、所述第二推荐模型、所述第三推荐模型及所述第四推荐模型分别计算待推荐产品相对于每一待推荐客户的推荐分数,并根据每一所述待推荐客户的四个模型推荐分数计算得到总推荐分数,以基于所述总推荐分数制定针对每一所述待推荐客户的产品推荐方案,可实现结合多种推荐模型,良好地整合多种推荐模型的输出分数,构建统一的推荐策略,弥补使用单一推荐模型的劣势,提升产品推荐效果。
请参阅图2,示出了本发明实施例之基于组合模型的产品推荐装置300(以下简称为“产品推荐装置”300)的程序模块示意图。所述产品推荐装置300可以应用于计算机设备中,所述计算机设备可以是移动电话、平板个人计算机(tablet personal computer)、膝上型计算机(laptop computer)、服务器等具有数据传输功能的设备。在本实施例中,所述产品推荐装置300可以包括或被分割成一个或多个程序模块,一个或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本发明,并可实现上述基于组合模型的产品推荐方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序本身更适合于描述基于组合模型的产品推荐方法在存储介质中的执行过程。在本实施例中,所述基于组合模型的产品推荐装置300包括第一构建模块301、第二构建模块302、第三构建模块303、第四构建模块304及产品推荐模块305。以下描述将具体介绍本实施例各程序模块的功能:
第一构建模块301,用于获取多个客户的购买行为相关数据,并对所述购买行为相关数据进行预处理,以基于所述客户购买相关数据构建第一推荐模型。
在一实施方式中,所述购买行为相关数据可以包括多个产品的客户购买行为相关数据。所述购买行为相关数据可以包括客户的历史购买数据和意向购买数据。所述历史购买数据可以包括多个产品对应的历史购买次数。可以通过Web页面反馈的现有产品的销量数据,构建多个类似产品的销量排行榜,以获取对于多个产品的客户的购买行为相关数据。由于所述购买行为相关数据还可以包括意向购买数据,所述第一推荐模型可看成推荐场景下的先验知识,对于没有历史购买数据的新客户也有效,因此可以在一定程度解决新客户的“冷启动”问题。
在一实施方式中,在获取多个产品的购买行为相关数据后,所述第一构建模块301可以利用K-Means聚类算法对所述购买行为相关数据进行聚类分析,以基于所述购买行为相关数据构建第一推荐模型。
具体地,所述第一构建模块301可以通过所述K-Means聚类算法对所述客户的购买行为相关数据进行聚类分析,不同的类对应不同的分数。例如1~10次购买次数的类得1分,10~20次购买次数的类得2。
第二构建模块302,用于获取多个客户的偏好调研数据,并基于所述偏好调研数据构建第二推荐模型。
在一实施方式中,所述偏好调研数据可以包括多个产品的客户偏好问卷数据。所述第二构建模块302可以通过线上/线下客户问卷调查方式收集关于多个产品的客户偏好信息以获取偏好调研数据,并基于多个客户对多个产品的客户偏好问卷数据构建基于客户偏好的第二推荐模型。
在一实施方式中,对于不同的产品的偏好问卷调查包含的产品特征信息可以不同,例如国债类可以包括产品发行期限,地方政府债可以包括发行期限,发行方式及发行地域。对于不同的产品特征信息可以配置不同的权重值,例如国债类的产品发行期限可以配置权重值1,地方政府债的发行期限,发行方式及发行地域分别对应配置权重值0.5、0.3、0.2。不同的产品特征信息对应的客户偏好答案也可以包括多种,以国债类产品的客户偏好问卷数据为例,答案可以为关注、非关注、禁投三种。举例而言,针对某客户A的国债类的产品发行期限的偏好调研数据,1-3年国债为关注,3-5年国债非关注,10年以上国债为禁投。
在一实施方式中,对于所述第二推荐模型而言,不同的关注程度对应的得分不同,比如关注为1分、非关注为0分、禁投为-3分。
第三构建模块303,用于基于预设分析规则确定多个产品与多个客户的匹配度,并生成匹配度分析结果,以基于所述匹配度分析结果构建第三推荐模型。
在一实施方式中,所述匹配度分析结果可以包括匹配和不匹配。所述预设分析规则可以是专家根据历史数据分析得来的。例如“商业银行债”类产品匹配“股份商业银行”、“城市商业银行”、“农村商业银行”类客户。在确定多个产品与多个客户的匹配度并生成匹配度分析结果后,所述第三构建模块303可以根据所述匹配度分析结果构建基于客户-产品匹配度的第三推荐模型,以在后续输出客户-产品的匹配度分数。
可以理解,匹配度分析过程不需要客户或产品对应的行为数据,即对“新客户”或“新产品”均能形成有效匹配度分析结果。
在一实施方式中,对于所述第三推荐模型而言,匹配与不匹配对应的得分不同,比如匹配为1分、不匹配为0分。
第四构建模块304,用于获取多个客户的客户特征数据和产品特征数据,并对所述客户特征数据和所述产品特征数据进行分析生成客户-产品的特征矩阵,以基于所述特征矩阵构建第四推荐模型。
在一实施方式中,所述客户特征数据可以包括客户名称、所属行业分类及历史购买意向数据,所述产品特征数据包括产品名称、产品类别、发行期限、发行地域。所述第四构建模块304可以获取多个客户的客户特征数据和多个产品的产品特征数据,并对所述客户特征数据及所述产品特征数据依次采用连续型变量的离散化处理及类别变量的数值映射处理,生成所述客户-产品的特征矩阵(矩阵特征值),将所述历史购买意向数据作为模型的分类标签,将所述特征矩阵作为模型的输入训练特征,利用逻辑回归(LogisticsRegression)算法和梯度提升树(GradientBoostingDecisionTree)算法训练得到所述第四推荐模型,以在后续输出客户-产品的特征矩阵值作为原始推荐分数,以提升个性化推荐的效果。
产品推荐模块305,用于利用所述第一推荐模型、所述第二推荐模型、所述第三推荐模型及所述第四推荐模型分别计算待推荐产品相对于每一待推荐客户的推荐分数,并根据每一所述待推荐客户的四个模型推荐分数计算得到总推荐分数,以基于所述总推荐分数制定每一所述待推荐客户的产品推荐方案。
在一实施方式中,所述产品推荐模块305利用所述第一推荐模型、所述第二推荐模型、所述第三推荐模型及所述第四推荐模型分别计算待推荐产品相对于每一待推荐客户的推荐分数的具体过程可以包括:基于正态分布的规范化过程计算所述待推荐产品相对于每一所述待推荐客户的单个模型的规范化推荐分数,其中所述规范化推荐分数通过以下算式计算得到:Z=(x-u)/s,Z为所述规范化推荐分数,x为所述单个模型的原始推荐分数,u为所述单个模型的原始推荐分数均值的参数估计值,s为所述单个模型的原始推荐分数标准差的参数估计值;基于Logistics函数的归一化方法对所述规范化推荐分数进行处理,得到所述待推荐产品相对于每一所述待推荐客户的单个模型的推荐分数,其中所述单个模型的推荐分数通过以下算式计算得到:y=1/(1+e-z),y为所述单个模型的推荐分数,e为自然常数;其中,所述单个模型为所述第一推荐模型、所述第二推荐模型、所述第三推荐模型和所述第四推荐模型其中之一。
在一实施方式中,例如购买行为相关数据为1~10次购买次数的类的原始推荐分数为1分,购买行为相关数据为10~20次购买次数的类的原始推荐分数为2分,产品为关注的原始推荐分数为1分、产品为非关注的原始推荐分数为0分,产品为禁投的原始推荐分数为-3分,产品为与客户匹配的原始推荐分数为1分,产品与客户不匹配的原始推荐分数为0分,客户-产品的特征矩阵值为原始推荐分数。
在一实施方式中,所述产品推荐模块305根据每一所述待推荐客户的四个模型推荐分数计算得到总推荐分数的过程可以包括:对每一所述待推荐客户的四个模型推荐分数进行加权运算,得到总推荐分数,其中总推荐分数通过以下算式计算得到:Y=a1y1+a2y2+a3y3+a4y4,Y为所述总推荐分数,y1、y2、y3、y4分别为第一至第四推荐模型的推荐分数,a1、a2、a3、a4分别为第一至第四推荐模型的模型权重值。
在一实施方式中,所述a1、a2、a3、a4的值可以全部相同或者部分相同或者完全不同。
在一实施方式中,所述产品推荐模块305根据每一所述待推荐客户的四个模型推荐分数计算得到总推荐分数后可以基于所述总推荐分数制定针对每一所述待推荐客户的产品推荐方案,例如,得到总推荐分数后可以基于所述总推荐分数筛选出60以上、70分以上的客户制定针对60以上、70分以上的客户的产品推荐方案,这样可以良好地整合多种模型的推荐分数,构建统一的产品推荐方案,且针对不同的推荐应用场景,开发者可以根据需求灵活配置需要使用的模型及对应模型权重,避免了重复开发的过程,大幅提升了产品推荐方案的适用性。
本发明实施例通过获取多个客户的购买行为相关数据,并对所述购买行为相关数据进行预处理,以基于所述购买行为相关数据构建第一推荐模型;获取多个客户的偏好调研数据,并基于所述偏好调研数据构建第二推荐模型;基于预设分析规则确定多个产品与多个客户的匹配度,并生成匹配度分析结果,以基于所述匹配度分析结果构建第三推荐模型;获取多个客户的客户特征数据和多个产品的产品特征数据,并对所述客户特征数据和所述产品特征数据进行分析生成客户-产品的特征矩阵,以基于所述特征矩阵构建第四推荐模型;利用所述第一推荐模型、所述第二推荐模型、所述第三推荐模型及所述第四推荐模型分别计算待推荐产品相对于每一待推荐客户的推荐分数,并根据每一所述待推荐客户的四个模型推荐分数计算得到总推荐分数,以基于所述总推荐分数制定针对每一所述待推荐客户的产品推荐方案,可实现结合多种推荐模型,良好地整合多种推荐模型的输出分数,构建统一的推荐策略,弥补使用单一推荐模型的劣势,提升产品推荐效果。
参阅图3,是本发明实施例之计算机设备400的硬件架构示意图。在本实施例中,所述计算机设备400是一种能够按照事先设定或者存储的指令,自动进行数值计算和/或信息处理的设备。如图所示,所述计算机设备400至少包括,但不限于,可通过装置总线相互通信连接存储器401、处理器402、网络接口403。其中:
本实施例中,存储器401至少包括一种类型的计算机可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器401可以是计算机设备400的内部存储单元,例如所述计算机设备400的硬盘或内存。在另一些实施例中,存储器401也可以是计算机设备400的外部存储设备,例如所述计算机设备400上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器401还可以既包括计算机设备400的内部存储单元也包括其外部存储设备。本实施例中,存储器401通常用于存储安装于计算机设备400的操作装置和各类应用软件,例如基于组合模型的产品推荐装置300的程序代码等。此外,存储器401还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器402在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。所述处理器402通常用于控制计算机设备400的总体操作。本实施例中,处理器402用于运行存储器401中存储的程序代码或者处理数据,例如运行基于组合模型的产品推荐装置300,以实现上述各个实施例中的基于组合模型的产品推荐方法。
所述网络接口403可包括无线网络接口或有线网络接口,所述网络接口403通常用于在所述计算机设备400与其他电子装置之间建立通信连接。例如,所述网络接口403用于通过网络将所述计算机设备400与外部终端相连,在所述计算机设备400与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯装置(Global System of Mobile communication,GSM)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是,图3仅示出了具有部件401-403的计算机设备400,但是应理解的是,并不要求实施所有示出的部件,可以替代的实施更多或者更少的部件。
在本实施例中,存储于存储器401中的所述基于组合模型的产品推荐装置300还可以被分割为一个或者多个程序模块,所述一个或者多个程序模块被存储于存储器401中,并由一个或多个处理器(本实施例为处理器402)所执行,以完成本发明之基于组合模型的产品推荐方法。
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储基于组合模型的产品推荐装置300,以被处理器执行时实现本发明之基于组合模型的产品推荐方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于组合模型的产品推荐方法,其特征在于,包括:
获取多个客户的购买行为相关数据,并对所述购买行为相关数据进行预处理,以基于所述购买行为相关数据构建第一推荐模型;
获取多个客户的偏好调研数据,并基于所述偏好调研数据构建第二推荐模型;
基于预设分析规则确定多个产品与多个客户的匹配度,并生成匹配度分析结果,以基于所述匹配度分析结果构建第三推荐模型;
获取多个客户的客户特征数据和多个产品的产品特征数据,并对所述客户特征数据和所述产品特征数据进行分析生成客户-产品的特征矩阵,以基于所述特征矩阵构建第四推荐模型;
利用所述第一推荐模型、所述第二推荐模型、所述第三推荐模型及所述第四推荐模型分别计算待推荐产品相对于每一待推荐客户的推荐分数,并根据每一所述待推荐客户的四个模型推荐分数计算得到总推荐分数,以基于所述总推荐分数制定针对每一所述待推荐客户的产品推荐方案。
2.如权利要求1所述的基于组合模型的产品推荐方法,其特征在于,所述对所述购买行为相关数据进行预处理的步骤,包括:
利用K-Means聚类算法对所述购买行为相关数据进行聚类分析。
3.如权利要求1所述的基于组合模型的产品推荐方法,其特征在于,所述偏好调研数据包括多个产品的客户偏好问卷数据,所述基于所述偏好调研数据构建第二推荐模型的步骤,包括:
基于多个客户对多个产品的客户偏好问卷数据构建基于客户偏好的第二推荐模型。
4.如权利要求1所述的基于组合模型的产品推荐方法,其特征在于,所述客户特征数据包括客户名称、所属行业分类及历史购买意向数据,所述产品特征数据包括产品名称、产品类别、发行期限、发行地域,所述对所述客户特征数据和所述产品特征数据进行分析生成客户-产品的特征矩阵的步骤,包括:
对所述客户特征数据及所述产品特征数据依次采用连续型变量的离散化处理及类别变量的数值映射处理,生成所述客户-产品的特征矩阵。
5.如权利要求4所述的基于组合模型的产品推荐方法,其特征在于,所述基于所述特征矩阵构建第四推荐模型的步骤,包括:
将所述历史购买意向数据作为模型的分类标签,将所述特征矩阵作为模型的输入训练特征,利用逻辑回归算法和梯度提升树算法训练得到所述第四推荐模型。
6.如权利要求1所述的基于组合模型的产品推荐方法,其特征在于,所述利用所述第一推荐模型、所述第二推荐模型、所述第三推荐模型及所述第四推荐模型分别计算待推荐产品相对于每一待推荐客户的推荐分数的步骤,包括:
基于正态分布的规范化过程计算所述待推荐产品相对于每一所述待推荐客户的单个模型的规范化推荐分数,其中所述规范化推荐分数通过以下算式计算得到:Z=(x-u)/s,Z为所述规范化推荐分数,x为所述单个模型的原始推荐分数,u为所述单个模型的原始推荐分数均值的参数估计值,s为所述单个模型的原始推荐分数标准差的参数估计值;
基于Logistics函数的归一化方法对所述规范化推荐分数进行处理,得到所述待推荐产品相对于每一所述待推荐客户的单个模型的推荐分数,其中所述单个模型的推荐分数通过以下算式计算得到:y=1/(1+e-z),y为所述单个模型的推荐分数,e为自然常数;
其中,所述单个模型为所述第一推荐模型、所述第二推荐模型、所述第三推荐模型和所述第四推荐模型其中之一。
7.如权利要求6所述的基于组合模型的产品推荐方法,其特征在于,所述根据每一所述待推荐客户的四个模型推荐分数计算得到总推荐分数的步骤,包括:
对每一所述待推荐客户的四个模型推荐分数进行加权运算,得到总推荐分数,其中总推荐分数通过以下算式计算得到:Y=a1y1+a2y2+a3y3+a4y4,Y为所述总推荐分数,y1、y2、y3、y4分别为第一至第四推荐模型的推荐分数,a1、a2、a3、a4分别为第一至第四推荐模型的模型权重值。
8.一种基于组合模型的产品推荐装置,其特征在于,所述基于组合模型的产品推荐装置包括:
第一构建模块,用于获取多个客户的购买行为相关数据,并对所述购买行为相关数据进行预处理,以基于所述客户购买相关数据构建第一推荐模型;
第二构建模块,用于获取多个客户的偏好调研数据,并基于所述偏好调研数据构建第二推荐模型;
第三构建模块,用于基于预设分析规则确定多个产品与多个客户的匹配度,并生成匹配度分析结果,以基于所述匹配度分析结果构建第三推荐模型;
第四构建模块,用于获取多个客户的客户特征数据和产品特征数据,并对所述客户特征数据和所述产品特征数据进行分析生成客户-产品的特征矩阵,以基于所述特征矩阵构建第四推荐模型;
产品推荐模块,用于利用所述第一推荐模型、所述第二推荐模型、所述第三推荐模型及所述第四推荐模型分别计算待推荐产品相对于每一待推荐客户的推荐分数,并根据每一所述待推荐客户的四个模型推荐分数计算得到总推荐分数,以基于所述总推荐分数制定每一所述待推荐客户的产品推荐方案。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述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任一项所述的基于组合模型的产品推荐方法的步骤。
10.一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内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如权利要求1-7中任一项所述的基于组合模型的产品推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011508791.0A CN112529665A (zh) | 2020-12-18 | 2020-12-18 | 基于组合模型的产品推荐方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011508791.0A CN112529665A (zh) | 2020-12-18 | 2020-12-18 | 基于组合模型的产品推荐方法、装置及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112529665A true CN112529665A (zh) | 2021-03-19 |
Family
ID=75001917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011508791.0A Pending CN112529665A (zh) | 2020-12-18 | 2020-12-18 | 基于组合模型的产品推荐方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529665A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158053A (zh) * | 2021-04-25 | 2021-07-23 | 平安科技(深圳)有限公司 | 服务类产品推荐方法、装置、计算机设备及存储介质 |
CN113591986A (zh) * | 2021-07-30 | 2021-11-02 | 阿里巴巴新加坡控股有限公司 | 用于生成推荐模型的对象权值的方法和个性化推荐方法 |
CN113706258A (zh) * | 2021-08-31 | 2021-11-26 | 平安银行股份有限公司 | 基于组合模型的产品推荐方法、装置、设备及存储介质 |
CN114936326A (zh) * | 2022-07-20 | 2022-08-23 | 深圳格隆汇信息科技有限公司 | 基于人工智能的信息推荐方法、装置、设备及存储介质 |
CN115880076A (zh) * | 2022-04-20 | 2023-03-31 | 北京中关村科金技术有限公司 | 信托产品推荐方法、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711075A (zh) * | 2018-05-22 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
CN110473073A (zh) * | 2019-08-21 | 2019-11-19 | 河北工程大学 | 线性加权推荐的方法及装置 |
CN111831918A (zh) * | 2020-07-24 | 2020-10-27 | 上海掌学教育科技有限公司 | 一种在线教育场景下的混合推荐系统 |
-
2020
- 2020-12-18 CN CN202011508791.0A patent/CN112529665A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108711075A (zh) * | 2018-05-22 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
CN110473073A (zh) * | 2019-08-21 | 2019-11-19 | 河北工程大学 | 线性加权推荐的方法及装置 |
CN111831918A (zh) * | 2020-07-24 | 2020-10-27 | 上海掌学教育科技有限公司 | 一种在线教育场景下的混合推荐系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158053A (zh) * | 2021-04-25 | 2021-07-23 | 平安科技(深圳)有限公司 | 服务类产品推荐方法、装置、计算机设备及存储介质 |
CN113158053B (zh) * | 2021-04-25 | 2022-09-30 | 平安科技(深圳)有限公司 | 服务类产品推荐方法、装置、计算机设备及存储介质 |
CN113591986A (zh) * | 2021-07-30 | 2021-11-02 | 阿里巴巴新加坡控股有限公司 | 用于生成推荐模型的对象权值的方法和个性化推荐方法 |
CN113706258A (zh) * | 2021-08-31 | 2021-11-26 | 平安银行股份有限公司 | 基于组合模型的产品推荐方法、装置、设备及存储介质 |
CN115880076A (zh) * | 2022-04-20 | 2023-03-31 | 北京中关村科金技术有限公司 | 信托产品推荐方法、装置及存储介质 |
CN114936326A (zh) * | 2022-07-20 | 2022-08-23 | 深圳格隆汇信息科技有限公司 | 基于人工智能的信息推荐方法、装置、设备及存储介质 |
CN114936326B (zh) * | 2022-07-20 | 2022-11-29 | 陈守红 | 基于人工智能的信息推荐方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529665A (zh) | 基于组合模型的产品推荐方法、装置及计算机设备 | |
CN111460130B (zh) | 信息推荐方法、装置、设备和可读存储介质 | |
CN109582876B (zh) | 旅游行业用户画像构造方法、装置和计算机设备 | |
Nadimi-Shahraki et al. | Cold-start problem in collaborative recommender systems: Efficient methods based on ask-to-rate technique | |
US20210056458A1 (en) | Predicting a persona class based on overlap-agnostic machine learning models for distributing persona-based digital content | |
CN110659318A (zh) | 基于大数据的策略推送方法、系统及计算机设备 | |
Okon et al. | An improved online book recommender system using collaborative filtering algorithm | |
WO2021155691A1 (zh) | 用户画像生成方法、装置、存储介质及设备 | |
CN110020022B (zh) | 数据处理方法、装置、设备及可读存储介质 | |
US11244332B2 (en) | Segments of contacts | |
CN110750523A (zh) | 数据标注方法、系统、计算机设备和存储介质 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
JP2019028793A (ja) | 情報処理装置、方法及びプログラム | |
CN112417294A (zh) | 一种基于神经网络挖掘模型的业务智能推荐方法 | |
CN116402539B (zh) | 基于大数据的拓客方法、系统、设备及存储介质 | |
CN113112282A (zh) | 基于客户画像处理咨诉问题的方法、装置、设备及介质 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN112597292B (zh) | 问题回复推荐方法、装置、计算机设备和存储介质 | |
CN112989177A (zh) | 信息处理方法、装置、电子设备及计算机存储介质 | |
KR102531457B1 (ko) | 빅데이터를 이용한 개인별 맞춤형 화장품 추천 서비스를 제공하기 위한 방법 및 시스템 | |
CN112818235B (zh) | 基于关联特征的违规用户识别方法、装置和计算机设备 | |
CN113704623A (zh) | 一种数据推荐方法、装置、设备及存储介质 | |
CN113822691A (zh) | 用户账号的识别方法、装置、系统和介质 | |
KR20200075067A (ko) | 채팅을 기반으로 한 주문형 쇼핑 큐레이션 장치 |
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 |