CN112765468A - 一种个性化用户服务定制方法和装置 - Google Patents
一种个性化用户服务定制方法和装置 Download PDFInfo
- Publication number
- CN112765468A CN112765468A CN202110090255.1A CN202110090255A CN112765468A CN 112765468 A CN112765468 A CN 112765468A CN 202110090255 A CN202110090255 A CN 202110090255A CN 112765468 A CN112765468 A CN 112765468A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- neural network
- convolutional neural
- network model
- 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 38
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 87
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- 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
- G06F16/906—Clustering; Classification
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种个性化用户服务定制方法和装置，该方法包括：获取原始数据，进行预处理，确定预处理数据；根据预处理数据，划分用户类型；根据用户类型，生成个性化服务策略；根据预处理数据，确定历史用户特征数据；建立深度卷积神经网络模型，利用历史用户特征数据和用户类型，对深度卷积神经网络模型进行训练，确定训练后的深度卷积神经网络模型；获取用户实时数据，分析得到用户实时特征数据；将用户实时特征数据输入到训练后的深度卷积神经网络模型进行类型划分，确定该用户对应的用户类型，调用个性化服务策略，定制个性化服务内容。本发明为用户自动化的定制了个性化的服务内容。
Description
技术领域
本发明涉及计算机数据处理技术领域，尤其涉及一种个性化用户服务定制方法和装置。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
信息检索技术满足了人们一定的需要，但由于其通用的性质，仍不能满足不同背景、不同山的和不同时期的查询请求，个性化服务技术就是针对这个问题而提出的，它为不同用户提供不同的服务，以满足不同的需求，个性化服务通过收集和分析用户信息来实现主动推荐的目的。
为提升企业服务质量，可以采用为用户提供个性化服务的手段。个性化服务在互联网领域被广泛地应用。目前在传统行业为用户提供个性化服务的主要方法是为每个用户提供专属的用户经理，用户经理先熟悉了解用户的背景资料，再为用户提供个性化服务或推荐。以这种方式提供个性化服务有以下几处弊端：1、每个用户经理服务的用户数量有限，随着提供个性化服务的用户增加，需要对应增加用户经理数量，这增加了企业的服务成本；2、目前来说用户的资料掌握在对应的用户经理的手中，而其他的用户经理没有该用户的资料，如果用户对应的用户经理因事不能处理，那么其他的用户经理也不能为该用户提供个性化服务；3、如果用户经理离职，那么公司需要培养新的用户经理来为用户提供个性化服务，这无疑再次增加成本，耗费公司资源。
上述原因极大地限制了企业服务质量的提升，制约降低了企业在服务质量方向的竞争力，进而降低了企业用户的扩展，限制企业的发展。
因此，如何提供一种新的方案，其能够解决上述技术问题是本领域亟待解决的技术难题。
发明内容
本发明实施例提供一种个性化用户服务定制方法，为用户自动化的定制了个性化的服务内容，包括：
获取原始数据，进行预处理，确定预处理数据；
根据预处理数据，划分用户类型；
根据用户类型，生成个性化服务策略；
根据预处理数据，确定历史用户特征数据；
建立深度卷积神经网络模型，利用历史用户特征数据和用户类型，对深度卷积神经网络模型进行训练，确定训练后的深度卷积神经网络模型；
获取用户实时数据，分析得到用户实时特征数据；
将用户实时特征数据输入到训练后的深度卷积神经网络模型进行类型划分，确定该用户对应的用户类型，调用个性化服务策略，定制个性化服务内容。
本发明实施例还提供一种个性化用户服务定制装置，包括：
数据获取模块，用于获取原始数据，进行预处理，确定预处理数据；
用户类型划分模块，用于根据预处理数据，划分用户类型；
个性化服务策略生成模块，用于根据用户类型，生成个性化服务策略；
历史用户特征数据确定模块，用于根据预处理数据，确定历史用户特征数据；
深度卷积神经网络模型训练模块，用于建立深度卷积神经网络模型，利用历史用户特征数据和用户类型，对深度卷积神经网络模型进行训练，确定训练后的深度卷积神经网络模型；
用户实时数据分析模块，用于获取用户实时数据，分析得到用户实时特征数据；
个性化服务内容生成模块，用于将用户实时特征数据输入到训练后的深度卷积神经网络模型进行类型划分，确定该用户对应的用户类型，调用个性化服务策略，定制个性化服务内容。
本发明实施例还提供一种计算机设备，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计算机程序时实现上述一种个性化用户服务定制方法。
本发明实施例还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执行上述一种个性化用户服务定制方法的计算机程序。
本发明实施例提供的一种个性化用户服务定制方法和装置，包括：首先获取原始数据，进行预处理，确定预处理数据；然后根据预处理数据，划分用户类型；接着根据用户类型，生成个性化服务策略；继续根据预处理数据，确定历史用户特征数据；下一步建立深度卷积神经网络模型，利用历史用户特征数据和用户类型，对深度卷积神经网络模型进行训练，确定训练后的深度卷积神经网络模型；再下一步获取用户实时数据，分析得到用户实时特征数据；最后将用户实时特征数据输入到训练后的深度卷积神经网络模型进行类型划分，确定该用户对应的用户类型，调用个性化服务策略，定制个性化服务内容。通过分析原始数据，对用户类型进行整体上的划分，实现了用户的分类，然后利用原始数据并建立深度卷积神经网络模型进行训练，确定了训练后的深度卷积神经网络模型，用于实现用户类型的准确识别，通过将分析得到的用户实时特征数据导入至训练后的深度卷积神经网络模型中，实现了实时且自动化的划分用户类型，然后根据不同的用户类型调用个性化服务策略，实现个性化服务内容的自动定制，提高了企业的服务质量和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。在附图中：
图1为本发明实施例一种个性化用户服务定制方法示意图。
图2为本发明实施例一种个性化用户服务定制装置示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
图1为本发明实施例一种个性化用户服务定制方法示意图，如图1所示，本发明实施例提供一种个性化用户服务定制方法，为用户自动化的定制了个性化的服务内容，包括：
步骤101：获取原始数据，进行预处理，确定预处理数据；
步骤102：根据预处理数据，划分用户类型；
步骤103：根据用户类型，生成个性化服务策略；
步骤104：根据预处理数据，确定历史用户特征数据；
步骤105：建立深度卷积神经网络模型，利用历史用户特征数据和用户类型，对深度卷积神经网络模型进行训练，确定训练后的深度卷积神经网络模型；
步骤106：获取用户实时数据，分析得到用户实时特征数据；
步骤107：将用户实时特征数据输入到训练后的深度卷积神经网络模型进行类型划分，确定该用户对应的用户类型，调用个性化服务策略，定制个性化服务内容。
本发明实施例提供的一种个性化用户服务定制方法和装置，通过分析原始数据，对用户类型进行整体上的划分，实现了用户的分类，然后利用原始数据并建立深度卷积神经网络模型进行训练，确定了训练后的深度卷积神经网络模型，用于实现用户类型的准确识别，通过将分析得到的用户实时特征数据导入至训练后的深度卷积神经网络模型中，实现了实时且自动化的划分用户类型，然后根据不同的用户类型调用个性化服务策略，实现个性化服务内容的自动定制，提高了企业的服务质量和效率。
实施本发明的一种个性化用户服务定制装置时，在一个具体的实施例中，可以包括：获取原始数据，进行预处理，确定预处理数据；根据预处理数据，划分用户类型；根据用户类型，生成个性化服务策略；根据预处理数据，确定历史用户特征数据；建立深度卷积神经网络模型，利用历史用户特征数据和用户类型，对深度卷积神经网络模型进行训练，确定训练后的深度卷积神经网络模型；获取用户实时数据，分析得到用户实时特征数据；将用户实时特征数据输入到训练后的深度卷积神经网络模型进行类型划分，确定该用户对应的用户类型，调用个性化服务策略，定制个性化服务内容。
获取的原始数据中通常会掺杂有各种噪声数据，需要通过预处理进行剔除，形成统一个规范化的数据，便于深度卷积神经网络模型的训练，实施本发明的一种个性化用户服务定制装置时，在一个具体的实施例中，获取原始数据，进行预处理，确定预处理数据，包括：
采集用户系统数据库中的原始数据；
将原始数据进行分词和去停用词处理，剔除缺省值和空值，进行归一化和离散化处理，确定预处理数据。
实施本发明的一种个性化用户服务定制装置时，在一个具体的实施例中，根据预处理数据，划分用户类型，包括：
根据预处理数据，确定特征向量集；
利用K-Means算法对特征向量集进行聚类分析，划分用户类型。
K-Means算法是无监督的聚类算法，它实现起来比较简单，聚类效果也不错，因此应用很广泛；K-Means算法的思想很简单，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。
实施本发明的一种个性化用户服务定制装置时，在一个具体的实施例中，利用K-Means算法对特征向量集进行聚类分析，划分用户类型，包括：
设定聚类数目的取值范围并获取聚类数目，将特征向量集映射至空间中形成对应的特征向量，选取与该聚类数目相等的数量的特征向量作为各初始中心点；
对于剩余的每一特征向量，计算每一特征向量分别到各初始中心点的点距离，将该特征向量分到与初始中心点的点距离最近的初始中心点所在的类中，以聚成各初始中心点对应的各初始类；
计算各初始类对应的质心，将该质心作为新中心点，对于除了新中心点外剩余的特征向量，计算每一特征向量分别到各新中心点的点距离，并将该特征向量分到与新中心点的点距离最近的新中心点所在的类中，以聚成各新中心点对应的各中间类，返回执行计算各中间类对应的质心的步骤，直至中心点固定，得到该聚类数目对应的各个类；
将该聚类数目对应的各个类输出为多个用户类型。
通过K-Means算法对特征向量集进行聚类分析，对用户类型进行整体上的划分，实现了用户的精准分类。
卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型数据处理有出色表现。
卷积神经网络(Convolutional Neural Networks/CNNs/ConvNets)与普通神经网络非常相似，它们都由具有可学习的权重和偏置常量(biases)的神经元组成。每个神经元都接收一些输入，并做一些点积计算，输出是每个分类的分数，普通神经网络里的一些计算技巧到这里依旧适用。
卷积神经网络通常包含以下几种层：
卷积层(Convolutional layer)，卷积神经网路中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。
线性整流层(Rectified Linear Units layer,ReLU layer)，这一层神经的活性化函数(Activation function)使用线性整流(Rectified Linear Units,ReLU)f(x)＝max(0,x)。
池化层(Pooling layer)，通常在卷积层之后会得到维度很大的特征，将特征切成几个区域，取其最大值或平均值，得到新的、维度较小的特征。
全连接层(Fully-Connected layer),把所有局部特征结合变成全局特征，用来计算最后每一类的得分。
实施本发明的一种个性化用户服务定制装置时，在一个具体的实施例中，建立深度卷积神经网络模型，利用历史用户特征数据和用户类型，对深度卷积神经网络模型进行训练，确定训练后的深度卷积神经网络模型，包括：
建立深度卷积神经网络模型；
将历史用户特征数据与用户类型建立对应关系，组成数据集；
将数据集分为训练集、测试集和验证集；
将训练集输入到建立的深度卷积神经网络模型中对深度卷积神经网络模型进行训练，利用测试集进行迭代，得到初步训练的深度卷积神经网络模型；
利用测试集对初步训练的深度卷积神经网络模型进行测试，监控测试过程中的损失函数，当损失函数满足预设收敛条件时，停止训练，输出训练后的深度卷积神经网络模型。
利用前述分析得到的历史用户特征数据和用户类型，建立深度卷积神经网络模型进行训练，确定了训练后的深度卷积神经网络模型，用于实现用户类型的准确识别。
实施本发明的一种个性化用户服务定制装置时，在一个具体的实施例中，还包括，根据定制的个性化服务内容，生成个性化用户服务报告。利用生成的个性化用户服务报告，可以定向的分析用户特征，为用户提供更好的线下服务。
实施本发明的一种个性化用户服务定制装置时，在一个具体的实施例中，还包括，根据该用户对应的用户类型，推荐同一用户类型中其他用户使用的新产品，在归属同一用户类型的用户中，对于其他用户已经在使用的产品的接受度较高，可以实现新产品的精准推广，节省新产品的推广和营销费用。
本发明实施例还提供一种计算机设备，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计算机程序时实现上述一种个性化用户服务定制方法。
本发明实施例还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执行实现上述一种个性化用户服务定制方法的计算机程序。
本发明实施例中还提供了一种个性化用户服务定制装置，如下面的实施例所述。由于该装置解决问题的原理与一种个性化用户服务定制方法相似，因此该装置的实施可以参见一种个性化用户服务定制方法的实施，重复之处不再赘述。
如图2所示，本发明实施例还提供一种个性化用户服务定制装置，包括：
数据获取模块201，用于获取原始数据，进行预处理，确定预处理数据；
用户类型划分模块202，用于根据预处理数据，划分用户类型；
个性化服务策略生成模块203，用于根据用户类型，生成个性化服务策略；
历史用户特征数据确定模块204，用于根据预处理数据，确定历史用户特征数据；
深度卷积神经网络模型训练模块205，用于建立深度卷积神经网络模型，利用历史用户特征数据和用户类型，对深度卷积神经网络模型进行训练，确定训练后的深度卷积神经网络模型；
用户实时数据分析模块206，用于获取用户实时数据，分析得到用户实时特征数据；
个性化服务内容生成模块207，用于将用户实时特征数据输入到训练后的深度卷积神经网络模型进行类型划分，确定该用户对应的用户类型，调用个性化服务策略，定制个性化服务内容。
实施本发明的一种个性化用户服务定制装置时，在一个具体的实施例中，数据获取模块，用于：
采集用户系统数据库中的原始数据；
将原始数据进行分词和去停用词处理，剔除缺省值和空值，进行归一化和离散化处理，确定预处理数据。
实施本发明的一种个性化用户服务定制装置时，在一个具体的实施例中，用户类型划分模块，用于：
根据预处理数据，确定特征向量集；
利用K-Means算法对特征向量集进行聚类分析，划分用户类型。
实施本发明的一种个性化用户服务定制装置时，在一个具体的实施例中，用户类型划分模块，还用于：
设定聚类数目的取值范围并获取聚类数目，将特征向量集映射至空间中形成对应的特征向量，选取与该聚类数目相等的数量的特征向量作为各初始中心点；
对于剩余的每一特征向量，计算每一特征向量分别到各初始中心点的点距离，将该特征向量分到与初始中心点的点距离最近的初始中心点所在的类中，以聚成各初始中心点对应的各初始类；
计算各初始类对应的质心，将该质心作为新中心点，对于除了新中心点外剩余的特征向量，计算每一特征向量分别到各新中心点的点距离，并将该特征向量分到与新中心点的点距离最近的新中心点所在的类中，以聚成各新中心点对应的各中间类，返回执行计算各中间类对应的质心的步骤，直至中心点固定，得到该聚类数目对应的各个类；
将该聚类数目对应的各个类输出为多个用户类型。
实施本发明的一种个性化用户服务定制装置时，在一个具体的实施例中，深度卷积神经网络模型训练模块，用于：
建立深度卷积神经网络模型；
将历史用户特征数据与用户类型建立对应关系，组成数据集；
将数据集分为训练集、测试集和验证集；
将训练集输入到建立的深度卷积神经网络模型中对深度卷积神经网络模型进行训练，利用测试集进行迭代，得到初步训练的深度卷积神经网络模型；
利用测试集对初步训练的深度卷积神经网络模型进行测试，监控测试过程中的损失函数，当损失函数满足预设收敛条件时，停止训练，输出训练后的深度卷积神经网络模型。
实施本发明的一种个性化用户服务定制装置时，在一个具体的实施例中，还包括，报告生成模块，用于：根据定制的个性化服务内容，生成个性化用户服务报告。
实施本发明的一种个性化用户服务定制装置时，在一个具体的实施例中，还包括，同类推荐模块，用于：根据该用户对应的用户类型，推荐同一用户类型中其他用户使用的新产品。
综上，本发明实施例提供的一种个性化用户服务定制方法和装置，包括：首先获取原始数据，进行预处理，确定预处理数据；然后根据预处理数据，划分用户类型；接着根据用户类型，生成个性化服务策略；继续根据预处理数据，确定历史用户特征数据；下一步建立深度卷积神经网络模型，利用历史用户特征数据和用户类型，对深度卷积神经网络模型进行训练，确定训练后的深度卷积神经网络模型；再下一步获取用户实时数据，分析得到用户实时特征数据；最后将用户实时特征数据输入到训练后的深度卷积神经网络模型进行类型划分，确定该用户对应的用户类型，调用个性化服务策略，定制个性化服务内容。通过分析原始数据，对用户类型进行整体上的划分，实现了用户的分类，然后利用原始数据并建立深度卷积神经网络模型进行训练，确定了训练后的深度卷积神经网络模型，用于实现用户类型的准确识别，通过将分析得到的用户实时特征数据导入至训练后的深度卷积神经网络模型中，实现了实时且自动化的划分用户类型，然后根据不同的用户类型调用个性化服务策略，实现个性化服务内容的自动定制，提高了企业的服务质量和效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种个性化用户服务定制方法，其特征在于，包括：
获取原始数据，进行预处理，确定预处理数据；
根据预处理数据，划分用户类型；
根据用户类型，生成个性化服务策略；
根据预处理数据，确定历史用户特征数据；
建立深度卷积神经网络模型，利用历史用户特征数据和用户类型，对深度卷积神经网络模型进行训练，确定训练后的深度卷积神经网络模型；
获取用户实时数据，分析得到用户实时特征数据；
将用户实时特征数据输入到训练后的深度卷积神经网络模型进行类型划分，确定该用户对应的用户类型，调用个性化服务策略，定制个性化服务内容。
2.如权利要求1所述的方法，其特征在于，获取原始数据，进行预处理，确定预处理数据，包括：
采集用户系统数据库中的原始数据；
将原始数据进行分词和去停用词处理，剔除缺省值和空值，进行归一化和离散化处理，确定预处理数据。
3.如权利要求1所述的方法，其特征在于，根据预处理数据，划分用户类型，包括：
根据预处理数据，确定特征向量集；
利用K-Means算法对特征向量集进行聚类分析，划分用户类型。
4.如权利要求3所述的方法，其特征在于，利用K-Means算法对特征向量集进行聚类分析，划分用户类型，包括：
设定聚类数目的取值范围并获取聚类数目，将特征向量集映射至空间中形成对应的特征向量，选取与该聚类数目相等的数量的特征向量作为各初始中心点；
对于剩余的每一特征向量，计算每一特征向量分别到各初始中心点的点距离，将该特征向量分到与初始中心点的点距离最近的初始中心点所在的类中，以聚成各初始中心点对应的各初始类；
计算各初始类对应的质心，将该质心作为新中心点，对于除了新中心点外剩余的特征向量，计算每一特征向量分别到各新中心点的点距离，并将该特征向量分到与新中心点的点距离最近的新中心点所在的类中，以聚成各新中心点对应的各中间类，返回执行计算各中间类对应的质心的步骤，直至中心点固定，得到该聚类数目对应的各个类；
将该聚类数目对应的各个类输出为多个用户类型。
5.如权利要求1所述的方法，其特征在于，建立深度卷积神经网络模型，利用历史用户特征数据和用户类型，对深度卷积神经网络模型进行训练，确定训练后的深度卷积神经网络模型，包括：
建立深度卷积神经网络模型；
将历史用户特征数据与用户类型建立对应关系，组成数据集；
将数据集分为训练集、测试集和验证集；
将训练集输入到建立的深度卷积神经网络模型中对深度卷积神经网络模型进行训练，利用测试集进行迭代，得到初步训练的深度卷积神经网络模型；
利用测试集对初步训练的深度卷积神经网络模型进行测试，监控测试过程中的损失函数，当损失函数满足预设收敛条件时，停止训练，输出训练后的深度卷积神经网络模型。
6.如权利要求1所述的方法，其特征在于，还包括，根据定制的个性化服务内容，生成个性化用户服务报告。
7.如权利要求1所述的方法，其特征在于，还包括，根据该用户对应的用户类型，推荐同一用户类型中其他用户使用的新产品。
8.一种个性化用户服务定制装置，其特征在于，包括：
数据获取模块，用于获取原始数据，进行预处理，确定预处理数据；
用户类型划分模块，用于根据预处理数据，划分用户类型；
个性化服务策略生成模块，用于根据用户类型，生成个性化服务策略；
历史用户特征数据确定模块，用于根据预处理数据，确定历史用户特征数据；
深度卷积神经网络模型训练模块，用于建立深度卷积神经网络模型，利用历史用户特征数据和用户类型，对深度卷积神经网络模型进行训练，确定训练后的深度卷积神经网络模型；
用户实时数据分析模块，用于获取用户实时数据，分析得到用户实时特征数据；
个性化服务内容生成模块，用于将用户实时特征数据输入到训练后的深度卷积神经网络模型进行类型划分，确定该用户对应的用户类型，调用个性化服务策略，定制个性化服务内容。
9.一种计算机设备，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计算机程序时实现权利要求1至7任一项所述方法。
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存储有执行实现权利要求1至7任一项所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110090255.1A CN112765468A (zh) | 2021-01-23 | 2021-01-23 | 一种个性化用户服务定制方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110090255.1A CN112765468A (zh) | 2021-01-23 | 2021-01-23 | 一种个性化用户服务定制方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112765468A true CN112765468A (zh) | 2021-05-07 |
Family
ID=75706698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110090255.1A Pending CN112765468A (zh) | 2021-01-23 | 2021-01-23 | 一种个性化用户服务定制方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112765468A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240213A (zh) * | 2021-07-09 | 2021-08-10 | 平安科技（深圳）有限公司 | 基于神经网络和树模型的人员甄选方法、装置及设备 |
| CN115001559A (zh) * | 2022-03-17 | 2022-09-02 | 中国科学院计算技术研究所 | 一种适用于卫星网络的用户终端分布模型构建方法 |
| CN117372206A (zh) * | 2023-12-08 | 2024-01-09 | 烟台云朵软件有限公司 | 一种元宇宙统一服务集成方法与系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107562793A (zh) * | 2017-08-01 | 2018-01-09 | 佛山市深研信息技术有限公司 | 一种大数据挖掘方法 |
| US20190163710A1 (en) * | 2017-11-28 | 2019-05-30 | Postmates Inc. | Menu Personalization |
| US20190251446A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Generating visually-aware item recommendations using a personalized preference ranking network |
| CN110162706A (zh) * | 2019-05-22 | 2019-08-23 | 南京邮电大学 | 一种基于交互数据聚类的个性化推荐方法及系统 |
| CN110213325A (zh) * | 2019-04-02 | 2019-09-06 | 腾讯科技（深圳）有限公司 | 数据处理方法以及数据推送方法 |
| US20210012405A1 (en) * | 2019-07-09 | 2021-01-14 | Walmart Apollo, Llc | Methods and apparatus for automatically providing personalized item reviews |
| CN112231583A (zh) * | 2020-11-11 | 2021-01-15 | 重庆邮电大学 | 基于动态兴趣组标识和生成对抗网络的电商推荐方法 |
-
2021
- 2021-01-23 CN CN202110090255.1A patent/CN112765468A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107562793A (zh) * | 2017-08-01 | 2018-01-09 | 佛山市深研信息技术有限公司 | 一种大数据挖掘方法 |
| US20190163710A1 (en) * | 2017-11-28 | 2019-05-30 | Postmates Inc. | Menu Personalization |
| US20190251446A1 (en) * | 2018-02-15 | 2019-08-15 | Adobe Inc. | Generating visually-aware item recommendations using a personalized preference ranking network |
| CN110213325A (zh) * | 2019-04-02 | 2019-09-06 | 腾讯科技（深圳）有限公司 | 数据处理方法以及数据推送方法 |
| CN110162706A (zh) * | 2019-05-22 | 2019-08-23 | 南京邮电大学 | 一种基于交互数据聚类的个性化推荐方法及系统 |
| US20210012405A1 (en) * | 2019-07-09 | 2021-01-14 | Walmart Apollo, Llc | Methods and apparatus for automatically providing personalized item reviews |
| CN112231583A (zh) * | 2020-11-11 | 2021-01-15 | 重庆邮电大学 | 基于动态兴趣组标识和生成对抗网络的电商推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘爱琴;李永清;: "基于SOM神经网络的高校图书馆个性化需求挖掘系统研究", 数字图书馆论坛, no. 10 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240213A (zh) * | 2021-07-09 | 2021-08-10 | 平安科技（深圳）有限公司 | 基于神经网络和树模型的人员甄选方法、装置及设备 |
| CN113240213B (zh) * | 2021-07-09 | 2021-10-08 | 平安科技（深圳）有限公司 | 基于神经网络和树模型的人员甄选方法、装置及设备 |
| CN115001559A (zh) * | 2022-03-17 | 2022-09-02 | 中国科学院计算技术研究所 | 一种适用于卫星网络的用户终端分布模型构建方法 |
| CN117372206A (zh) * | 2023-12-08 | 2024-01-09 | 烟台云朵软件有限公司 | 一种元宇宙统一服务集成方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112765468A (zh) | 一种个性化用户服务定制方法和装置 | |
| WO2022057694A1 (en) | Semantic learning in federated learning system | |
| CN110674636B (zh) | 一种用电行为分析方法 | |
| CN111523640A (zh) | 神经网络模型的训练方法和装置 | |
| CN112633962A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
| CN110197207B (zh) | 对未归类用户群进行归类的方法及相关装置 | |
| CN110310114A (zh) | 对象分类方法、装置、服务器及存储介质 | |
| CN113011895A (zh) | 关联账户样本筛选方法、装置和设备及计算机存储介质 | |
| US11790183B2 (en) | Systems and methods for generating dynamic conversational responses based on historical and dynamically updated information | |
| CN114896067B (zh) | 任务请求信息的自动生成方法、装置、计算机设备及介质 | |
| CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
| US11763154B1 (en) | Machine learning services with pre-trained models | |
| CN113570222A (zh) | 一种用户设备鉴别方法、装置和计算机设备 | |
| CN113095511A (zh) | 一种在自动化主站实现操作到位的判断方法及装置 | |
| CN117876018A (zh) | 潜在客户识别和预测的方法、装置、电子设备及存储介质 | |
| US11823066B2 (en) | Enterprise market volatility predictions through synthetic DNA and mutant nucleotides | |
| CN115905983A (zh) | 一种人工智能数据归类系统 | |
| US11657275B2 (en) | Method and system for adjusting a machine learning output | |
| CN113807898A (zh) | 代理人出单概率的预测方法、装置、设备及存储介质 | |
| CN118445627B (zh) | 基于人工智能的边坡稳定性分析方法 | |
| US11823064B2 (en) | Enterprise market volatility prediction through synthetic DNA and mutant nucleotides | |
| CN116701962B (zh) | 边缘数据处理方法、装置、计算设备及存储介质 | |
| US11823065B2 (en) | Enterprise market volatility predictions through synthetic DNA and mutant nucleotides | |
| CN117033733B (zh) | 图书馆资源的智能自动分类与标签生成系统及方法 | |
| Li et al. | An efficient method for meteorological nephogram recognition in cloud environment |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210507 |