CN112633962A - 业务推荐方法、装置、计算机设备和存储介质 - Google Patents
业务推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112633962A CN112633962A CN202011405538.2A CN202011405538A CN112633962A CN 112633962 A CN112633962 A CN 112633962A CN 202011405538 A CN202011405538 A CN 202011405538A CN 112633962 A CN112633962 A CN 112633962A
- Authority
- CN
- China
- Prior art keywords
- sample data
- service
- recommendation
- user
- recommending
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000002131 composite material Substances 0.000 claims abstract description 97
- 238000003062 neural network model Methods 0.000 claims abstract description 87
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000007635 classification algorithm Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 200
- 238000011156 evaluation Methods 0.000 claims description 60
- 238000012545 processing Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 239000013589 supplement Substances 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 5
- 239000010410 layer Substances 0.000 description 143
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000004913 activation Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009469 supplementation 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种业务推荐方法、装置、计算机设备和存储介质。所述方法包括:获取待推荐业务的候选用户的样本数据,样本数据包含第一样本数据和第二样本数据;将第一样本数据输入复合叠加神经网络模型的判别层,基于判别层的分类算法,得到分类推荐判别结果;分类推荐判别结果表征用户类别;根据分类推荐判别结果,判定候选用户为目标推荐用户;将第二样本数据输入复合叠加神经网络模型的推荐层,基于推荐层的回归算法,得到预设的业务属性指标的推荐值;根据业务属性指标的推荐值,向目标推荐用户进行业务推荐。采用本方法能够提高业务推荐成功率。
Description
技术领域
本申请涉及信息技术领域,特别是涉及一种业务推荐方法、装置、计算机设备和存储介质。
背景技术
随着5G(第五代移动通信技术,5th generation mobile networks)网络的快速建设,5G网络的覆盖度和用户数正在不断提升,为了加快用户向5G迁移,运营商们需要向用户群推荐5G套餐,大力发展5G用户。
传统的套餐推荐方法,主要是将已升级为5G的用户作为参考用户,分析参考用户的5G套餐,提取特征数据进行分类,以参考用户的分类标准划分候选用户群,向分类后的候选用户群推荐与之同类的参考用户对应的5G套餐。
然而,传统的套餐推荐方法无法根据用户类别进行针对性推荐,无法适应于新增业务的情况,推荐的结果并不准确。
发明内容
基于此,有必要针对上述技术问题,提供一种业务推荐方法、装置、计算机设备和存储介质。
一种业务推荐方法,所述方法包括:
获取待推荐业务的候选用户的样本数据,所述样本数据包含第一样本数据和第二样本数据;
将所述第一样本数据输入复合叠加神经网络模型的判别层,基于所述判别层的分类算法,得到分类推荐判别结果;所述分类推荐判别结果表征用户类别;
根据所述分类推荐判别结果,判定所述候选用户为目标推荐用户;
将所述第二样本数据输入所述复合叠加神经网络模型的推荐层,基于所述推荐层的回归算法,得到预设的业务属性指标的推荐值;
根据所述业务属性指标的推荐值,向所述目标推荐用户进行业务推荐。
在其中一个实施例中,所述根据所述业务属性指标的推荐值,向所述目标推荐用户进行业务推荐,包括:
根据所述业务属性指标的推荐值,在当前全部业务中进行对应属性指标的匹配,将匹配度最高的当前业务作为推荐业务,向所述目标推荐用户进行业务推荐。
在其中一个实施例中,所述根据所述业务属性指标的推荐值,向所述目标推荐用户进行业务推荐,包括:
根据所述业务属性指标的推荐值,生成基于所述业务属性指标推荐值的新业务,将所述新业务作为推荐业务,向所述目标推荐用户进行业务推荐。
在其中一个实施例中,在所述获取待推荐业务的候选用户的样本数据之前,所述方法还包括:
获取训练样本数据,所述训练样本数据包括第一训练样本数据和第二训练样本数据;
将所述第一训练样本数据输入复合叠加神经网络模型的判别层,对所述第一训练样本数据进行计算,得到第一输出结果;
将所述第二训练样本数据输入所述复合叠加神经网络模型的推荐层,对所述第二训练样本数据进行计算,得到第二输出结果;
根据所述第一输出结果、所述第二输出结果以及对应的第一输出结果参考值和第二输出结果参考值,得到所述复合叠加神经网络模型的训练评价结果;
根据所述复合叠加神经网络模型的训练评价结果,对所述复合叠加神经网络模型进行参数调整,直至所述复合叠加神经网络模型的训练评价结果满足预设的评价指标。
在其中一个实施例中,所述获取训练样本数据,包括:
基于历史业务推荐成功与否,获取推荐成功的正样本数据和推荐不成功的负样本数据,作为初始样本数据;
对所述初始样本数据进行预处理,得到预处理后的训练样本数据。
在其中一个实施例中,所述对所述初始样本数据进行预处理,得到预处理后的训练样本数据,包括:
对所述初始样本数据进行空值补充处理,得到处理后的初始训练样本数据;
对所述初始训练样本数据中包含的连续型数据进行归一化处理,并对所述初始训练样本数据中包含的离散型数据进行独热编码处理,得到处理后的过渡训练样本数据;
对所述过渡训练样本数据中事件期前用户实际使用业务服务数据进行降序排列,得到最终的训练样本数据,所述事件期前用户实际使用业务服务数据为接受推荐事件或拒绝推荐事件前用户业务的使用情况数据。
在其中一个实施例中,所述复合叠加神经网络模型的训练评价结果包括第一训练评价结果和第二训练评价结果,所述根据所述第一输出结果、所述第二输出结果以及对应的第一输出结果参考值和第二输出结果参考值,得到所述复合叠加神经网络模型的训练评价结果,包括:
根据所述第一输出结果、第一输出结果参考值以及预设的交叉熵误差函数,得到所述判别层的所述第一训练评价结果;
根据所述第二输出结果、第二输出结果参考值以及预设的均方误差算法,得到所述推荐层的所述第二训练评价结果。
一种业务推荐装置,所述装置包括:
获取模块,用于获取待推荐业务的候选用户的样本数据,所述样本数据包含第一样本数据和第二样本数据;
判别模块,用于将所述第一样本数据输入复合叠加神经网络模型的判别层,基于所述判别层的分类算法,得到分类推荐判别结果;所述分类推荐判别结果表征用户类别;
判定模块,用于根据所述分类推荐判别结果,判定所述候选用户为目标推荐用户;
第一推荐模块,用于将所述第二样本数据输入所述复合叠加神经网络模型的推荐层,基于所述推荐层的回归算法,得到预设的业务属性指标的推荐值;
第二推荐模块,用于根据所述业务属性指标的推荐值,向所述目标推荐用户进行业务推荐。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待推荐业务的候选用户的样本数据,所述样本数据包含第一样本数据和第二样本数据;
将所述第一样本数据输入复合叠加神经网络模型的判别层,基于所述判别层的分类算法,得到分类推荐判别结果;所述分类推荐判别结果表征用户类别;
根据所述分类推荐判别结果,判定所述候选用户为目标推荐用户;
将所述第二样本数据输入所述复合叠加神经网络模型的推荐层,基于所述推荐层的回归算法,得到预设的业务属性指标的推荐值;
根据所述业务属性指标的推荐值,向所述目标推荐用户进行业务推荐。
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以下步骤:
获取待推荐业务的候选用户的样本数据,所述样本数据包含第一样本数据和第二样本数据;
将所述第一样本数据输入复合叠加神经网络模型的判别层,基于所述判别层的分类算法,得到分类推荐判别结果;所述分类推荐判别结果表征用户类别;
根据所述分类推荐判别结果,判定所述候选用户为目标推荐用户;
将所述第二样本数据输入所述复合叠加神经网络模型的推荐层,基于所述推荐层的回归算法,得到预设的业务属性指标的推荐值;
根据所述业务属性指标的推荐值,向所述目标推荐用户进行业务推荐。
上述业务推荐方法、装置、计算机设备和存储介质,获取待推荐业务的候选用户的样本数据,所述样本数据包含第一样本数据和第二样本数据;将所述第一样本数据输入复合叠加神经网络模型的判别层,基于所述判别层的分类算法,得到分类推荐判别结果;所述分类推荐判别结果表征用户类别;根据所述分类推荐判别结果,判定所述候选用户为目标推荐用户;将所述第二样本数据输入所述复合叠加神经网络模型的推荐层,基于所述推荐层的回归算法,得到预设的业务属性指标的推荐值;根据所述业务属性指标的推荐值,向所述目标推荐用户进行业务推荐。采用本方法,基于潜在的被动型用户(即目标推荐用户)进行业务推荐可以提高业务推荐准确性,同时提高推荐业务接受度。
附图说明
图1为一个实施例中业务推荐方法的流程示意图;
图2为一个实施例中复合叠加模型模型训练方法的流程示意图;
图3为一个实施例中中间隐层神经元节点的结构示意图;
图4为一个实施例中输出层结构示意图;
图5为一个实施例中复合叠加神经网络内部结构示意图;
图6为一个实施例中获取训练样本数据的步骤的流程示意图;
图7为一个实施例中对初始样本数据进行预处理步骤的流程示意图;
图8为一个实施例中输出数据进行预处理步骤的流程示意图;
图9为一个实施例中对初始样本数据进行预处理的具体过程的流程示意图;
图10为一个实施例中得到模型的训练评价结果步骤的流程示意图;
图11为一个实施例中业务推荐装置的结构示意图;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,提供了一种业务推荐方法,本实施例以该方法应用于终端设备(或称为计算机设备)进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。可选的,具体的业务推荐内容可以但不限于为手机套餐推荐业务、视频推荐业务、平台商品推荐业务,本申请实施例以该业务推荐为手机套餐推荐业务为例进行举例说明,如图1所示,本实施例中,该方法包括以下步骤:
步骤101,获取待推荐业务的候选用户的样本数据,样本数据包含第一样本数据和第二样本数据。
在实施中,计算机设备获取待推荐业务的候选用户的样本数据,其中,样本数据包含第一样本数据和第二样本数据。也即第一样本数据和第二样本数据分别是基于样本数据(全量样本数据)进行抽取得到的。
具体地,在电信业务的业务记录中,用户变更套餐业务的形式分为主动更新升级型,还有被动接受推荐型,由此将用户划分为主动型用户和被动型用户,确定部分用户作为待推荐业务的候选用户(该候选用户为被动型用户),获取候选用户对应的样本数据(全量样本数据),其中,样本数据包含用户属性信息(也称为用户基本信息)、用户实际使用业务服务数据(事件期前)、用户历史(套餐)业务属性信息和预先设定的将被推荐的业务的各项建议属性指标等等。用户基本信息:例如,年龄、收入、职业、性别、手机开户地域等。用户实际使用(套餐)业务服务数据(事件期前):即实际使用电信服务的数据,例如,通话时长、数据流量使用量、流量使用类型(例如、游戏、视频)、漫游情况等,其中,事件期前指的是经推荐成功变更套餐业务或者经推荐未办理变更套餐业务之前。用户历史(套餐)业务属性信息:套餐业务基础属性类(例如,月收费金额)、基本话务类(例如,免费语音时长,超时长收费属性、免费短信条数、免费数据流量属性等)、增值话务类(例如,各种游戏包免费流量、视频包免费流量)。
在获取到的候选用户的样本数据(即全量样本)中,进一步抽取模型的输入数据(即第一样本数据和第二样本数据),其中,抽取到的第一样本数据需要包含候选用户的用户属性信息、用户实际使用业务服务数据、用户历史(套餐)业务属性信息和预先设定的建议属性指标(例如,为保证判断用户类型的准确性,可以直接抽取全量样本数据,作为第一样本数据);第二样本数据只需包含候选用户的用户实际使用业务服务数据和用户历史(套餐)业务属性信息。
可选的,获取的候选用户的样本数据均经过预处理(空值处理、归一化处理),以保证模型所得结果的准确性。
本步骤中,将用户划分为主动型用户和被动型用户,主动型用户无需进行套餐推荐活动即可主动进行业务套餐升级,因此,在选取样本数据时,仅将被动型用户作为研究的重点既节约采集样本数据的成本,又提高数据处理效率,同时,针对被动型用户进行推荐,也是电信运营企业解决推荐营销时的效果不显著的关键,本申请基于被动型用户进行业务推荐分析,更贴合电信运营企业的运营需要。
步骤102,将第一样本数据输入复合叠加神经网络模型的判别层,基于判别层的分类算法,得到分类推荐判别结果;分类推荐判别结果表征用户类别。
在实施中,复合叠加神经网络模型是包含两个多隐层前馈反向传播(BP)的神经网络,其中两个多隐层前馈反向传播网络在本申请中称为复合叠加神经网络的判别层和推荐层。计算机设备将第一样本数据输入至复合叠加神经网络模型的判别层,基于判别层的分类算法,得到分类推荐判别结果;其中,分类推荐判别结果表征用户类别,例如,当分裂判别结果大于0.5时,将用户划归为“1”类用户,该类用户为目标潜在客户,当分类判别结果小于0.5时,将用户划归为“0”类用户,该类用户为非目标潜在客户。
步骤103,根据分类推荐判别结果,判定候选用户为目标推荐用户。
在实施中,计算机设备根据分类推荐判别结果,判定候选用户为目标推荐用户。具体地,当接收到的分类判别结果为1时,判定该用户为目标推荐用户,也即我们需要针对性推荐的被动型用户(即需要进行业务推荐才能进行业务更新升级的用户)。
步骤104,将第二样本数据输入复合叠加神经网络模型的推荐层,基于推荐层的回归算法,得到预设的业务属性指标的推荐值。
在实施中,在确定出目标推荐用户之后,计算机设备将第二样本数据(目标推荐用户对应的样本数据)输入复合叠加神经网络模型的推荐层,基于推荐层的回归算法,得到预设的将被推荐的业务的业务属性指标的推荐值(也称为建议值)。
可选地,复合叠加神经网络模型的推荐层输出的推荐值为归一化后的数据,需要经过归一化的逆变换处理,得到对应业务属性指标的实际数值,以供运营商进行业务(套餐)推荐的参考。
步骤105,根据业务属性指标的推荐值,向目标推荐用户进行业务推荐。
在实施中,计算机设备根据业务属性指标的推荐值,向目标推荐用户进行业务推荐。具体地,根据行业内的基本经验,预先设定的业务属性指标可以为6个关键属性指标,即价格、月免费语音分钟数、月免费流量G数、月免费短信条数、月免费视频流量和月免费游戏流量。因此,针对这6个关键业务属性指标,在给出指标推荐值(建议值)后,计算机设备可以根据推荐值,向目标推荐用户进行业务推荐。
具体的,预先以业务套餐包含的主要属性指标(例如,上述6个关键业务属性指标)作为目标变量,经过复合叠加神经网络的推荐层进行回归处理,可以得到每个业务属性指标量的推荐值,每个业务属性指标量并不绑定于某一固定的业务套餐中,均是可以进行独立分析的属性特征,因此,不必以每个业务套餐作为一个推荐标准,避免现有业务套餐重合度高,数据量大造成的模型运算量过大,分析处理过程复杂,同时,预设的主要业务属性指标还可以灵活搭配,定义新套餐业务或者与现有套餐业务相匹配进行业务推荐,提高了业务推荐的可实施性。
上述业务推荐方法中,获取待推荐业务的候选用户的样本数据,样本数据包含第一样本数据和第二样本数据;将第一样本数据输入复合叠加神经网络模型的判别层,基于判别层的分类算法,得到分类推荐判别结果;分类推荐判别结果表征用户类别;根据分类推荐判别结果,判定候选用户为目标推荐用户;将第二样本数据输入复合叠加神经网络模型的推荐层,基于推荐层的回归算法,得到预设的业务属性指标的推荐值;根据业务属性指标的推荐值,向目标推荐用户进行业务推荐。采用本方法,通过复合叠加神经网络的判别层筛选出目标推荐用户(被动型用户),提高业务推荐成功率,通过复合叠加神经网络的推荐层进行业务推荐,提高推荐的准确性。
在一个实施例中,步骤105的具体处理过程为:根据业务属性指标的推荐值,在当前全部业务中进行对应属性指标的匹配,将匹配度最高的当前业务作为推荐业务,向目标推荐用户进行业务推荐。
在实施中,计算机设备根据业务属性指标的推荐值,在当前全部业务中进行对应属性指标的匹配,将匹配度最高的当前业务作为推荐业务,向目标推荐用户进行业务推荐。
本实施例中,基于复合叠加神经网络的推荐层给出的各预设业务属性指标的推荐值,在当前业务套餐中查找匹配到最符合的业务套餐,以该套餐业务作为推荐套餐向用户进行推荐,更贴合推荐成功情况的业务套餐特征,提高了业务的用户推荐成功率。
在另一个实施例中,步骤105的具体处理过程为:根据业务属性指标的推荐值,生成基于业务属性指标推荐值的新业务,将新业务作为推荐业务,向目标推荐用户进行业务推荐。
在实施中,计算机设备根据业务属性指标的推荐值,生成业务属性指标满足推荐值的新业务,将该新业务作为推荐业务,向目标推荐用户进行业务推荐。
本实施例中,基于复合叠加神经网络的推荐层给出的各预设业务属性指标的推荐值,生成新的业务套餐,使得新业务套餐中包含的主要业务属性(即预设的业务属性指标)完全符合易推荐成功的套餐特征,提高了用户推荐成功率。
在一个实施例中,上述业务推荐方法中应用的复合叠加神经网络模型需要预先经过模型训练,以保证推荐业务的准确性,如图2所示,则步骤101之前,该方法还包括:
步骤201,获取训练样本数据,训练样本数据包括第一训练样本数据和第二训练样本数据。
在实施中,计算机设备获取训练样本数据,其中,训练样本数据包括第一训练样本数据和第二训练样本数据。
具体地,训练样本同样包括:用户属性信息(用户基本信息)、用户实际使用业务服务数据(事件期前)、用户历史(套餐)业务属性信息以及预先设定的将被推荐的业务的各项建议属性指标等等。用户基本信息,例如,年龄、收入、职业、性别、手机开户地域等。用户实际使用(套餐)业务服务数据:即用户实际使用电信服务数据,例如,通话时长、数据流量使用量、使用类型(例如、游戏、视频)、漫游情况等,其中,事件期前指的是经推荐成功变更套餐业务或者经推荐未办理变更套餐业务之前。用户历史(套餐)业务属性信息:套餐业务基础属性类(例如,月收费金额)、基本话务类(免费语音时长,超时长收费属性、免费短信条数、免费数据流量属性等)、增值话务类(例如,各种游戏包免费流量、视频包免费流量)。
在训练样本数据中,抽取模型的输入数据,得到第一训练样本数据和第二训练样本数据,其中,第一训练样本数据包含训练样本中的用户属性信息、用户实际使用业务服务数据、用户历史(套餐)业务属性信息和预先设定的建议属性指标(例如,可以抽取全量训练样本数据作为第一训练样本数据);第二样本数据包含用户实际使用业务服务数据和用户历史(套餐)业务属性信息。
值得注意的是,训练样本数据还携带有辅助的隐属性信息,例如,用户行为特征,可以反映用户对于推荐业务的偏好,但是用户行为特征无法用明确的数据来表示,因此该种属性称为隐属性,在获取训练样本数据时,选择的训练样本中包含的各数据内容可以间接携带隐属性信息,例如,以本实施例中套餐业务为例,用户实际使用量(是否超出套餐规格)、用户套餐升级情况(是否主动办理升级业务)都携带有隐属性信息,因此,对于训练样本数据所包含的内容要基于业务知识和行业经验进行选择。进而,待推荐的样本数据(即预测样本数据)对应于训练样本的内容进行选择。
训练数据样本并非单纯的数值数据,而是接携带有隐属性信息的特征数据,该特征数据样本中的隐属性信息可以表征用户的消费习惯和倾向等,因此,根据该训练数据样本进行的模型学习训练,学习了用户的行为偏好,使得推荐的结果更具准确性。
步骤202,将第一训练样本数据输入复合叠加神经网络模型的判别层,对第一训练样本数据进行计算,得到第一输出结果。
在实施中,计算机设备将第一训练样本数据输入复合叠加神经网络模型的判别层,对第一训练样本数据进行计算(也即对判别层进行训练),得到第一输出结果,该输出结果表征用户类别(即用户是否为目标推荐用户的类别)。
具体地,复合叠加神经网络模型的判别层用于判别输入的第一训练样本数据对应的用户是否为易推荐成功的用户(即目标推荐用户),当第一输出结果大于0.5时,为易推荐成功的用户,小于0.5时为难以推荐成功的用户;或者第一输出结果为1时为易推荐成功的用户,第一输出结果为0时为难推荐成功的用户,本申请实施例对于第一输出结果的含义规则,不做限定。
另外,仅为了与推荐层进行描述上的区分,本实施中判别层中包含的各层结构均以“第一XX”表示(例如,第一输入层),推荐层均以“第二XX”表示(例如,第二输入层)。则判别层中包括第一输入层、第一中间隐层(中间隐层数目不做限定)和第一输出层,其中,第一输入层、第一中间隐层和第一输出层的各节点彼此间没有相互连接,各层也没有隔层连接,层与层之间是全连接。
针对判别层中各层结构进行介绍:第一输入层每个节点接收一个训练样本数据作为输入变量。第一中间隐层每个节点代表一个神经元,每个神经元结构,如图3所示,具体包括:Affine单元、Batch Norm单元和ReLU单元。Affine单元(仿射单元)用于计算各输入数据的加权和。Batch Norm单元(批归一化单元)用于调整各层的激活值分布,使其拥有适当的广度。具体作用为:1)增大模型学习率,2)不依赖初始值,3)抑制模型过拟合(使得dropout意义不大)。应用Batch Norm单元进行训练学习时,按照min-batch算法进行数据分布的均值和方差的正规化,即均值为0,方差为1。具体的计算公式如下所示:
其中,将训练样本数据中的第一训练样本数据作为输入数据,表示为集合B={x1,x2,x3,...xm},则μB为数据集合B的均值,为数据集合B的方差,ε为一个微小值(例如,10e-7),用于防止除数为0的情况。表示经过min-batch算法后数据的分布为标准正态分布。ReLU单元(激活单元)用于通过ReLU(Rectified Linear Unit)算法(其中x为该单元的输入数据),作为激活函数,确定中间隐层输出值y。如图4所示,第一输出层结构包括:Affine单元和激活函数单元,其中,Affine单元用于计算各输入数据的加权和。激活函数单元用于计算激活函数,第一输出层具体的激活函数为sigmoid函数,即
步骤203,将第二训练样本数据输入复合叠加神经网络模型的推荐层,对第二训练样本数据进行计算,得到第二输出结果。
在实施中,计算机设备将第二训练样本数据输入复合叠加神经网络模型的推荐层,对第二训练样本数据进行计算,第二输出结果,其中第二输出结果表征预设的业务属性指标的推荐值。
具体地,复合叠加神经网络模型的推荐层用于给出业务属性指标的推荐值,其具体包含的各层结构为:第二输入层、第二中间隐层(中间隐层数目不做限定)和第二输出层,其中,第二输入层、第二中间隐层和第二输出层的各节点彼此间没有相互连接,各层也没有隔层连接,层与层之间是全连接。
针对推荐层中各层结构:第二输入层、第二中间隐层和第二输出层,每一层的功能与判别层相同,例如,第二输入层功能也为每个节点接收一个训练样本数据作为输入变量等。另外,推荐层中的第二中间隐层的结构也与判别层相同,即包含Affine单元、BatchNorm单元和ReLU单元。因此,第二输入层、第二中间隐层和第二输出层的结构和功能详见上述步骤202,本申请实施例不再赘述。本实施例仅描述,推荐层中各层结构区别于判别层的算法。具体为:在推荐层的第二输出层中对应的激活函数单元实现激活功能的函数(区别于判别层的sigmoid函数)为ReLU(Rectified Linear Unit)函数(其中x为该单元的输入数据)。
具体地,结合步骤203的描述,复合神经网络的内部结构,如图5所示。
步骤204,根据第一输出结果、第二输出结果以及对应的第一输出结果参考值和第二输出结果参考值,得到复合叠加神经网络模型的训练评价结果。
在实施中,计算机设备根据第一输出结果、第二输出结果以及对应的第一输出结果参考值和第二输出结果参考值,得到复合叠加神经网络模型的训练评价结果。
具体的,在复合叠加神经网络模型训练过程中,除了给出输入的训练样本数据,输出结果的参考值也对应给出,以用于对模型结果的评价。因此,计算机设备根据第一输出结果与对应的第一输出结果参考值进行判别层评价,得到判别层评价结果,计算机设备根据第二输出结果与对应的第二输出结果参考值进行推荐层评价,得到推荐层评价结果。
步骤205,根据复合叠加神经网络模型的训练评价结果,对复合叠加神经网络模型进行参数调整,直至复合叠加神经网络模型的训练评价结果满足预设的评价指标。
在实施中,计算机设备根据复合叠加神经网络模型的训练评价结果,对复合叠加神经网络模型进行参数调整,直至复合叠加神经网络模型的训练评价结果满足预设的评价指标。
本实施例中,通过训练数据样本对复合叠加神经网络模型的各层进行模型训练,保证复合叠加神经网络模型经过学习后,对新输入模型的样本数据进行精确预测。
在一个实施例中,如图6所示,步骤201的具体处理过程如下所示:
步骤2011,基于历史业务推荐成功与否,获取推荐成功的正样本数据和推荐不成功的负样本数据,作为初始样本数据。
在实施中,计算机设备基于历史业务推荐成功与否,获取推荐成功的正样本数据和推荐不成功的负样本数据,作为初始样本数据。
具体地,基于电信运营中心等的历史业务记录,以用户是否成功升级套餐业务为标准,构建正负样本,作为初始样本数据。具体为将用户升级套餐成功的业务数据记录作为正样本数据,将用户升级套餐失败的业务数据记录作为负样本数据,其中,用户升级套餐成功体现为:一、经过推荐,用户升级套餐业务;二、用户坚持使用升级后的套餐业务,未进行投诉或者违约更改。
另外,正样本数据和负样本数据中均包含与业务相关的属性信息,即上述步骤201中描述的用户属性信息、用户事件期前实际使用电信复合的情况……本申请实施例不再赘述。
步骤2012,对初始样本数据进行预处理,得到预处理后的训练样本数据。
在实施中,计算机设备对初始样本数据进行预处理,从而得到预处理后的训练样本数据,以用于复合叠加神经网络模型的训练。具体的模块图如图7所示。
可选的,如图8所示,不仅对初始样本数据进行预处理得到训练数据样本,而且对复合叠加神经网络模型输出的数据进行预处理,以保证输出结果的完整性和统一性。
本实施例中,以推荐成功与否作为标准选取正负样本,并由正负样本构建得到初始数据样本,经过对初始数据进行预处理,得到标准化的训练数据样本,基于正负样本的选取,使得训练出的模型输出结果(即预设业务指标推荐值)更贴合推荐成功的业务特征。
在一个实施例中,如图9所示,步骤2011的具体处理过程如下所示:
步骤901,对初始样本数据进行空值补充处理,得到处理后的初始训练样本数据。
在实施中,计算机设备对初始样本数据进行空值补充处理,得到处理后的初始训练样本数据。具体地,针对初始样本数据中存在的空值字段,采用样本中位数进行空值补充,以保证处理后的初始训练样本数据的完整性。
步骤902,对初始训练样本数据中包含的连续型数据进行归一化处理,并对初始训练样本数据中包含的离散型数据进行独热编码处理,得到处理后的过渡训练样本数据。
在实施中,计算机设备对初始训练样本数据中包含的连续型数据进行归一化处理,并对初始训练样本数据中包含的离散型数据进行独热编码(one-hot)处理,得到处理后的过渡训练样本数据。
具体地,初始训练样本数据中包含的不同类型、不同属性的数据又可以按照连续型数据和离散型数据划分为两大类,例如,本实施例中月通话分钟数、月数据流量为连续型数据,用户性别、年龄等为离散型数据,针对连续型数据计算机设备通过线性函数归一化算法(Min-Max scaling),进行数据处理,得到归一化后的连续型数据。具体的归一化公式为:
其中,Xnorm为归一化后的数据,X为原始数据,Xmin、Xmax分别为原始数据集的最大值和最小值。针对离散型数据计算机设备做one-hot处理,得到处理后的数据。最后,计算机设备可以将初始训练样本数据处理为过渡训练样本数据。
步骤903,对过渡训练样本数据中事件期前用户实际使用业务服务数据进行降序排列,得到最终的训练样本数据,事件期前用户实际使用业务服务数据为接受推荐事件或拒绝推荐事件前用户业务的使用情况数据。
在实施中,计算机设备对过渡训练样本数据中事件期前的用户实际使用业务服务数据进行降序排列,得到处理后的最终训练样本数据,具体地,事件期前用户实际使用业务服务数据为接受推荐事件(例如,接受推荐的套餐业务)或拒绝推荐事件(例如,拒绝推荐的套餐业务)之前用户业务的使用情况数据。
在一个实施例中,如图10所示,复合叠加神经网络模型的训练评价结果包括第一训练评价结果和第二训练评价结果,则步骤204的具体处理过程如下所示:
步骤2041,根据第一输出结果、第一输出结果参考值以及预设的交叉熵误差函数,得到判别层的第一训练评价结果。
在实施中,复合叠加神经网络模型中判别层的损失函数为交叉熵误差函数,则计算机设备根据第一输出结果、第一输出结果的参考值以及预设的交叉熵误差函数,得到判别层的第一训练评价结果。
具体地,交叉熵误差函数(cross entropy error)的计算公式为其中,log表示以e为底数的自然对数(loge)。yk为神经网络的输出结果(即判别层第一输出结果),tk为正确解标签(即第一输出结果对应的标签)tk为正确解标签的索引为1,否则为0(具体用one-hot形式表示)。
步骤2042,根据第二输出结果、第二输出结果参考值以及预设的均方误差算法,得到推荐层的第二训练评价结果。
在实施中,复合叠加神经网络模型中推荐层的损失函数为均方误差函数,则计算机设备根据第二输出结果、第二输出结果参考值以及预设的均方误差算法,得到推荐层的第二训练评价结果。
可选的,针对损失函数的反向传播(backword propagation)问题和模型泛化问题,本申请中基于链式法则,通过反向传播来计算各权重的偏导数,基于AdaGrad算法加快网络学习速度,在神经网络学习时,学习率过小会导致模型学习花费过多时间;反过来,学习率过大,则会导致学习发散而不能正确进行。学习率衰减(learning rate decay)的方法可以随着学习的进行,使学习率逐渐减小。AdaGrad算法发展了这种思想,不是针对全体参数,而是进一步针对每个具体参数调整其学习率。
可选的,本申请实施例中,利用权值衰退技术防止过拟合,通过在模型训练学习过程中对大的权重进行惩罚,来抑制过拟合情况。L2正则化项(也称为罚项)就是在代价函数(损失函数)后面再加上一个正则化项,计算公式为:
其中,C0代表原始的损失函数,后面的是L2正则化项。其具体计算:W的平方的和,n训练集的样本大小。λ是正则项系数,是个超参数即模型训练之前预先设定参数值的参数。
本实施例中,采用AdaGrad算法训练神经网络,并且在Batch Norm单元做归一化处理,因此,可以采用简单的权值衰退技术防止过拟合现象,降低了模型处理复杂度。
应该理解的是,虽然图1-2,图6-10的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-2,图6-10中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图11所示,提供了一种业务推荐装置1100,包括:获取模块1110、判别模块1120、判定模块1130、第一推荐模块1140和第二推荐模块1150,其中:
获取模块1110,用于获取待推荐业务的候选用户的样本数据,样本数据包含第一样本数据和第二样本数据;
判别模块1120,用于将第一样本数据输入复合叠加神经网络模型的判别层,基于判别层的分类算法,得到分类推荐判别结果;分类推荐判别结果表征用户类别;
判定模块1130,用于根据分类推荐判别结果,判定候选用户为目标推荐用户;
第一推荐模块1140,用于将第二样本数据输入复合叠加神经网络模型的推荐层,基于推荐层的回归算法,得到预设的业务属性指标的推荐值;
第二推荐模块1150,用于根据业务属性指标的推荐值,向目标推荐用户进行业务推荐。
在一个实施例中,第二推荐模块1150具体用于根据业务属性指标的推荐值,在当前全部业务中进行对应属性指标的匹配,将匹配度最高的当前业务作为推荐业务,向目标推荐用户进行业务推荐。
在一个实施例中,第二推荐模块1150具体用于根据业务属性指标的推荐值,生成基于业务属性指标推荐值的新业务,将新业务作为推荐业务,向目标推荐用户进行业务推荐。
在一个实施例中,该装置1100还包括:
训练数据获取模块,用于获取训练样本数据,训练样本数据包括第一训练样本数据和第二训练样本数据;
判别模块,用于将第一训练样本数据输入复合叠加神经网络模型的判别层,对第一训练样本数据进行计算,得到第一输出结果;
推荐模块,用于将第二训练样本数据输入复合叠加神经网络模型的推荐层,对第二训练样本数据进行计算,得到第二输出结果;
训练评价模块,用于根据第一输出结果、第二输出结果以及对应的第一输出结果参考值和第二输出结果参考值,得到复合叠加神经网络模型的训练评价结果;
参数调整模块,用于根据复合叠加神经网络模型的训练评价结果,对复合叠加神经网络模型进行参数调整,直至复合叠加神经网络模型的训练评价结果满足预设的评价指标。
在一个实施例中,训练数据获取模块具体用于基于历史业务推荐成功与否,获取推荐成功的正样本数据和推荐不成功的负样本数据,作为初始样本数据;
对初始样本数据进行预处理,得到预处理后的训练样本数据。
在一个实施例中,训练数据获取模块具体用于对初始样本数据进行空值补充处理,得到处理后的初始训练样本数据;
对初始训练样本数据中包含的连续型数据进行归一化处理,并对初始训练样本数据中包含的离散型数据进行独热编码处理,得到处理后的过渡训练样本数据;
对过渡训练样本数据中事件期前用户实际使用业务服务数据进行降序排列,得到最终的训练样本数据,事件期前用户实际使用业务服务数据为接受推荐事件或拒绝推荐事件前用户业务的使用情况数据。
在一个实施例中,复合叠加神经网络模型的训练评价结果包括第一训练评价结果和第二训练评价结果,则训练评价模块具体用于根据第一输出结果、第一输出结果参考值以及预设的交叉熵误差函数,得到判别层的第一训练评价结果;
根据第二输出结果、第二输出结果参考值以及预设的均方误差算法,得到推荐层的第二训练评价结果。
关于业务推荐装置的具体限定可以参见上文中对于业务推荐方法的限定,在此不再赘述。上述业务推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种业务推荐方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待推荐业务的候选用户的样本数据,样本数据包含第一样本数据和第二样本数据;
将第一样本数据输入复合叠加神经网络模型的判别层,基于判别层的分类算法,得到分类推荐判别结果;分类推荐判别结果表征用户类别;
根据分类推荐判别结果,判定候选用户为目标推荐用户;
将第二样本数据输入复合叠加神经网络模型的推荐层,基于推荐层的回归算法,得到预设的业务属性指标的推荐值;
根据业务属性指标的推荐值,向目标推荐用户进行业务推荐。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据业务属性指标的推荐值,在当前全部业务中进行对应属性指标的匹配,将匹配度最高的当前业务作为推荐业务,向目标推荐用户进行业务推荐。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据业务属性指标的推荐值,生成基于业务属性指标推荐值的新业务,将新业务作为推荐业务,向目标推荐用户进行业务推荐。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取训练样本数据,训练样本数据包括第一训练样本数据和第二训练样本数据;
将第一训练样本数据输入复合叠加神经网络模型的判别层,对第一训练样本数据进行计算,得到第一输出结果;
将第二训练样本数据输入复合叠加神经网络模型的推荐层,对第二训练样本数据进行计算,得到第二输出结果;
根据第一输出结果、第二输出结果以及对应的第一输出结果参考值和第二输出结果参考值,得到复合叠加神经网络模型的训练评价结果;
根据复合叠加神经网络模型的训练评价结果,对复合叠加神经网络模型进行参数调整,直至复合叠加神经网络模型的训练评价结果满足预设的评价指标。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于历史业务推荐成功与否,获取推荐成功的正样本数据和推荐不成功的负样本数据,作为初始样本数据;
对初始样本数据进行预处理,得到预处理后的训练样本数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对初始样本数据进行空值补充处理,得到处理后的初始训练样本数据;
对初始训练样本数据中包含的连续型数据进行归一化处理,并对初始训练样本数据中包含的离散型数据进行独热编码处理,得到处理后的过渡训练样本数据;
对过渡训练样本数据中事件期前用户实际使用业务服务数据进行降序排列,得到最终的训练样本数据,事件期前用户实际使用业务服务数据为接受推荐事件或拒绝推荐事件前用户业务的使用情况数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据第一输出结果、第一输出结果参考值以及预设的交叉熵误差函数,得到判别层的第一训练评价结果;
根据第二输出结果、第二输出结果参考值以及预设的均方误差算法,得到推荐层的第二训练评价结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待推荐业务的候选用户的样本数据,样本数据包含第一样本数据和第二样本数据;
将第一样本数据输入复合叠加神经网络模型的判别层,基于判别层的分类算法,得到分类推荐判别结果;分类推荐判别结果表征用户类别;
根据分类推荐判别结果,判定候选用户为目标推荐用户;
将第二样本数据输入复合叠加神经网络模型的推荐层,基于推荐层的回归算法,得到预设的业务属性指标的推荐值;
根据业务属性指标的推荐值,向目标推荐用户进行业务推荐。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据业务属性指标的推荐值,在当前全部业务中进行对应属性指标的匹配,将匹配度最高的当前业务作为推荐业务,向目标推荐用户进行业务推荐。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据业务属性指标的推荐值,生成基于业务属性指标推荐值的新业务,将新业务作为推荐业务,向目标推荐用户进行业务推荐。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取训练样本数据,训练样本数据包括第一训练样本数据和第二训练样本数据;
将第一训练样本数据输入复合叠加神经网络模型的判别层,对第一训练样本数据进行计算,得到第一输出结果;
将第二训练样本数据输入复合叠加神经网络模型的推荐层,对第二训练样本数据进行计算,得到第二输出结果;
根据第一输出结果、第二输出结果以及对应的第一输出结果参考值和第二输出结果参考值,得到复合叠加神经网络模型的训练评价结果;
根据复合叠加神经网络模型的训练评价结果,对复合叠加神经网络模型进行参数调整,直至复合叠加神经网络模型的训练评价结果满足预设的评价指标。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于历史业务推荐成功与否,获取推荐成功的正样本数据和推荐不成功的负样本数据,作为初始样本数据;
对初始样本数据进行预处理,得到预处理后的训练样本数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对初始样本数据进行空值补充处理,得到处理后的初始训练样本数据;
对初始训练样本数据中包含的连续型数据进行归一化处理,并对初始训练样本数据中包含的离散型数据进行独热编码处理,得到处理后的过渡训练样本数据;
对过渡训练样本数据中事件期前用户实际使用业务服务数据进行降序排列,得到最终的训练样本数据,事件期前用户实际使用业务服务数据为接受推荐事件或拒绝推荐事件前用户业务的使用情况数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据第一输出结果、第一输出结果参考值以及预设的交叉熵误差函数,得到判别层的第一训练评价结果;
根据第二输出结果、第二输出结果参考值以及预设的均方误差算法,得到推荐层的第二训练评价结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种业务推荐方法,其特征在于,所述方法包括:
获取待推荐业务的候选用户的样本数据,所述样本数据包含第一样本数据和第二样本数据;
将所述第一样本数据输入复合叠加神经网络模型的判别层,基于所述判别层的分类算法,得到分类推荐判别结果;所述分类推荐判别结果表征用户类别;
根据所述分类推荐判别结果,判定所述候选用户为目标推荐用户;
将所述第二样本数据输入所述复合叠加神经网络模型的推荐层,基于所述推荐层的回归算法,得到预设的业务属性指标的推荐值;
根据所述业务属性指标的推荐值,向所述目标推荐用户进行业务推荐。
2.根据权利要求1所述的方法,其特征在于,所述根据所述业务属性指标的推荐值,向所述目标推荐用户进行业务推荐,包括:
根据所述业务属性指标的推荐值,在当前全部业务中进行对应属性指标的匹配,将匹配度最高的当前业务作为推荐业务,向所述目标推荐用户进行业务推荐。
3.根据权利要求1所述的方法,其特征在于,所述根据所述业务属性指标的推荐值,向所述目标推荐用户进行业务推荐,包括:
根据所述业务属性指标的推荐值,生成基于所述业务属性指标推荐值的新业务,将所述新业务作为推荐业务,向所述目标推荐用户进行业务推荐。
4.根据权利要求1所述的方法,其特征在于,在所述获取待推荐业务的候选用户的样本数据之前,所述方法还包括:
获取训练样本数据,所述训练样本数据包括第一训练样本数据和第二训练样本数据;
将所述第一训练样本数据输入复合叠加神经网络模型的判别层,对所述第一训练样本数据进行计算,得到第一输出结果;
将所述第二训练样本数据输入所述复合叠加神经网络模型的推荐层,对所述第二训练样本数据进行计算,得到第二输出结果;
根据所述第一输出结果、所述第二输出结果以及对应的第一输出结果参考值和第二输出结果参考值,得到所述复合叠加神经网络模型的训练评价结果;
根据所述复合叠加神经网络模型的训练评价结果,对所述复合叠加神经网络模型进行参数调整,直至所述复合叠加神经网络模型的训练评价结果满足预设的评价指标。
5.根据权利要求4所述的方法,其特征在于,所述获取训练样本数据,包括:
基于历史业务推荐成功与否,获取推荐成功的正样本数据和推荐不成功的负样本数据,作为初始样本数据;
对所述初始样本数据进行预处理,得到预处理后的训练样本数据。
6.根据权利要求5所述的方法,其特征在于,所述对所述初始样本数据进行预处理,得到预处理后的训练样本数据,包括:
对所述初始样本数据进行空值补充处理,得到处理后的初始训练样本数据;
对所述初始训练样本数据中包含的连续型数据进行归一化处理,并对所述初始训练样本数据中包含的离散型数据进行独热编码处理,得到处理后的过渡训练样本数据;
对所述过渡训练样本数据中事件期前用户实际使用业务服务数据进行降序排列,得到最终的训练样本数据,所述事件期前用户实际使用业务服务数据为接受推荐事件或拒绝推荐事件前用户业务的使用情况数据。
7.根据权利要求4所述的方法,其特征在于,所述复合叠加神经网络模型的训练评价结果包括第一训练评价结果和第二训练评价结果,所述根据所述第一输出结果、所述第二输出结果以及对应的第一输出结果参考值和第二输出结果参考值,得到所述复合叠加神经网络模型的训练评价结果,包括:
根据所述第一输出结果、第一输出结果参考值以及预设的交叉熵误差函数,得到所述判别层的所述第一训练评价结果;
根据所述第二输出结果、第二输出结果参考值以及预设的均方误差算法,得到所述推荐层的所述第二训练评价结果。
8.一种业务推荐装置,其特征在于,所述装置包括:
获取模块,用于获取待推荐业务的候选用户的样本数据,所述样本数据包含第一样本数据和第二样本数据;
判别模块,用于将所述第一样本数据输入复合叠加神经网络模型的判别层,基于所述判别层的分类算法,得到分类推荐判别结果;所述分类推荐判别结果表征用户类别;
判定模块,用于根据所述分类推荐判别结果,判定所述候选用户为目标推荐用户;
第一推荐模块,用于将所述第二样本数据输入所述复合叠加神经网络模型的推荐层,基于所述推荐层的回归算法,得到预设的业务属性指标的推荐值;
第二推荐模块,用于根据所述业务属性指标的推荐值,向所述目标推荐用户进行业务推荐。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011405538.2A CN112633962B (zh) | 2020-12-03 | 2020-12-03 | 业务推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011405538.2A CN112633962B (zh) | 2020-12-03 | 2020-12-03 | 业务推荐方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633962A true CN112633962A (zh) | 2021-04-09 |
CN112633962B CN112633962B (zh) | 2022-05-31 |
Family
ID=75307936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011405538.2A Active CN112633962B (zh) | 2020-12-03 | 2020-12-03 | 业务推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633962B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191812A (zh) * | 2021-05-12 | 2021-07-30 | 深圳索信达数据技术有限公司 | 业务推荐方法、计算机设备及计算机可读存储介质 |
CN113673744A (zh) * | 2021-07-16 | 2021-11-19 | 广东好太太智能家居有限公司 | 一种基于天气的晾衣机功能推荐方法及系统 |
CN114943585A (zh) * | 2022-05-27 | 2022-08-26 | 天翼爱音乐文化科技有限公司 | 一种基于生成对抗网络的业务推荐方法及系统 |
CN116628348A (zh) * | 2023-07-19 | 2023-08-22 | 支付宝(杭州)信息技术有限公司 | 业务推荐的系统、方法、装置、电子设备及存储介质 |
CN117252665A (zh) * | 2023-11-14 | 2023-12-19 | 苏州元脑智能科技有限公司 | 业务推荐方法、装置、电子设备及存储介质 |
CN117409819A (zh) * | 2023-12-15 | 2024-01-16 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于人工智能的人体嗓音检测分析方法 |
CN117416239A (zh) * | 2023-10-10 | 2024-01-19 | 北京理工大学前沿技术研究院 | 一种电动汽车交流充电桩的监测方法、系统及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150178811A1 (en) * | 2013-02-21 | 2015-06-25 | Google Inc. | System and method for recommending service opportunities |
CN107577736A (zh) * | 2017-08-25 | 2018-01-12 | 上海斐讯数据通信技术有限公司 | 一种基于bp神经网络的文件推荐方法及系统 |
CN110135942A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置及计算机可读存储介质 |
CN110428231A (zh) * | 2019-08-06 | 2019-11-08 | 重庆仙桃前沿消费行为大数据有限公司 | 行政信息推荐方法、装置、设备及可读存储介质 |
CN111310025A (zh) * | 2020-01-17 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 模型训练方法、数据处理方法、装置以及相关设备 |
-
2020
- 2020-12-03 CN CN202011405538.2A patent/CN112633962B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150178811A1 (en) * | 2013-02-21 | 2015-06-25 | Google Inc. | System and method for recommending service opportunities |
CN107577736A (zh) * | 2017-08-25 | 2018-01-12 | 上海斐讯数据通信技术有限公司 | 一种基于bp神经网络的文件推荐方法及系统 |
CN110135942A (zh) * | 2019-04-12 | 2019-08-16 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置及计算机可读存储介质 |
CN110428231A (zh) * | 2019-08-06 | 2019-11-08 | 重庆仙桃前沿消费行为大数据有限公司 | 行政信息推荐方法、装置、设备及可读存储介质 |
CN111310025A (zh) * | 2020-01-17 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 模型训练方法、数据处理方法、装置以及相关设备 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191812A (zh) * | 2021-05-12 | 2021-07-30 | 深圳索信达数据技术有限公司 | 业务推荐方法、计算机设备及计算机可读存储介质 |
CN113191812B (zh) * | 2021-05-12 | 2024-02-02 | 深圳索信达数据技术有限公司 | 业务推荐方法、计算机设备及计算机可读存储介质 |
CN113673744A (zh) * | 2021-07-16 | 2021-11-19 | 广东好太太智能家居有限公司 | 一种基于天气的晾衣机功能推荐方法及系统 |
CN114943585A (zh) * | 2022-05-27 | 2022-08-26 | 天翼爱音乐文化科技有限公司 | 一种基于生成对抗网络的业务推荐方法及系统 |
CN116628348A (zh) * | 2023-07-19 | 2023-08-22 | 支付宝(杭州)信息技术有限公司 | 业务推荐的系统、方法、装置、电子设备及存储介质 |
CN117416239A (zh) * | 2023-10-10 | 2024-01-19 | 北京理工大学前沿技术研究院 | 一种电动汽车交流充电桩的监测方法、系统及电子设备 |
CN117416239B (zh) * | 2023-10-10 | 2024-04-19 | 北京理工大学前沿技术研究院 | 一种电动汽车交流充电桩的监测方法、系统及电子设备 |
CN117252665A (zh) * | 2023-11-14 | 2023-12-19 | 苏州元脑智能科技有限公司 | 业务推荐方法、装置、电子设备及存储介质 |
CN117252665B (zh) * | 2023-11-14 | 2024-02-20 | 苏州元脑智能科技有限公司 | 业务推荐方法、装置、电子设备及存储介质 |
CN117409819A (zh) * | 2023-12-15 | 2024-01-16 | 北京大学第三医院(北京大学第三临床医学院) | 一种基于人工智能的人体嗓音检测分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112633962B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
Bi et al. | A big data clustering algorithm for mitigating the risk of customer churn | |
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN109816483B (zh) | 信息推荐方法及装置、可读存储介质 | |
CN111435482A (zh) | 一种外呼模型的构建方法、外呼方法、装置和存储介质 | |
CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
CN111489095A (zh) | 一种风险用户管理方法、装置、计算机设备和存储介质 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN111061948B (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
CN114493686A (zh) | 一种运营内容生成推送方法及装置 | |
CN117093782B (zh) | 一种电力人工智能模型系统及方法 | |
CN110855474B (zh) | Kqi数据的网络特征提取方法、装置、设备及存储介质 | |
Droftina et al. | A diffusion model for churn prediction based on sociometric theory | |
CN112817563A (zh) | 目标属性配置信息确定方法、计算机设备和存储介质 | |
CN116915710A (zh) | 流量预警方法、装置、设备及可读存储介质 | |
CN115914363A (zh) | 消息推送方法、装置、计算机设备和存储介质 | |
CN115099934A (zh) | 一种高潜客户识别方法、电子设备和存储介质 | |
CN114723469A (zh) | 用户满意度预测与归因的方法、系统以及电子设备 | |
CN113505369A (zh) | 一种时空感知的用户风险识别模型训练的方法及装置 | |
CN111737319A (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
CN114548620A (zh) | 物流准时保业务推荐方法、装置、计算机设备和存储介质 | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
CN113822490B (zh) | 基于人工智能的资产清收方法及装置、电子设备 | |
CN113705682B (zh) | 用户行为特征的处理方法及装置 | |
CN112633638B (zh) | 业务风险评估方法、装置、计算机设备和存储介质 |
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 |