CN113010785B - 用户推荐方法及设备 - Google Patents
用户推荐方法及设备 Download PDFInfo
- Publication number
- CN113010785B CN113010785B CN202110292052.0A CN202110292052A CN113010785B CN 113010785 B CN113010785 B CN 113010785B CN 202110292052 A CN202110292052 A CN 202110292052A CN 113010785 B CN113010785 B CN 113010785B
- Authority
- CN
- China
- Prior art keywords
- user
- target
- network
- user information
- target network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种用户推荐方法及设备,该方法包括:获取候选用户的用户信息;采用目标网络模型,对所述候选用户的用户信息进行处理,以确定各个候选用户对应的网络标签值;获取网络标签值为预设潜在标签值的候选用户,并将其确定为推荐用户,其中所述推荐用户为目标网络对应的潜在用户;输出所述推荐用户的用户信息,实现目标网络的精准推荐,从而实现目标网络推荐使用的成功率,进而提高目标网络的登网率。
Description
技术领域
本发明实施例涉及网络技术领域,尤其涉及一种用户推荐方法及设备。
背景技术
随着网络技术的发展,第五代移动通信技术(5th generation mobile networks,5G)网络得到了快速发展,但仍有大量用户并未打开5G功能开关,即并未使用5G网络,导致5G登网率较低。
现有技术中,为了提高5G登网率,当用户到营业厅等门店办理业务时,相关工作人员可以向该用户推荐5G网络,以促使用户使用5G网络,从而提高5G登网率。
然而,大部分办理业务的用户使用5G网络的意愿较低,无法有效的提高5G登网率,导致5G登网率仍较低。
发明内容
本发明实施例提供一种用户推荐方法及设备,以解决现有技术中5G登网率较低的技术问题。
第一方面,本发明实施例提供一种用户推荐方法,包括:
获取候选用户的用户信息;
采用目标网络模型,对所述候选用户的用户信息进行处理,以确定各个候选用户对应的网络标签值;
获取网络标签值为预设潜在标签值的候选用户,并将其确定为推荐用户,其中所述推荐用户为目标网络对应的潜在用户;
输出所述推荐用户的用户信息。
在一种可能的设计中,所述方法还包括:
获取训练样本用户的用户信息;
根据所述训练样本用户的用户信息,从所述训练样本用户中筛选目标用户;其中,所述目标用户为使用目标网络套餐且目标网络登录状态为未登录状态的用户;
根据目标用户的用户信息对初始网络模型进行训练,得到所述目标网络模型。
在一种可能的设计中,所述根据目标用户的用户信息对初始网络模型进行训练,得到所述目标网络模型,包括:
输出目标用户的用户信息至目标端,以使目标端基于目标用户的用户信息进行辅助登网操作;
在经过第一预设时间后,获取各个目标用户的最新目标网络登录状态;
若所述目标用户的最新目标网络登录状态为已登录状态,则确定所述目标用户对应的网络标签值为预设潜在标签值;
根据网络标签值为预设潜在标签值的目标用户的用户信息对初始网络模型进行训练,得到目标网络模型。
在一种可能的设计中,所述方法还包括:
在经过第二预设时间后,获取各个推荐用户的最新目标网络登录状态;
若所述推荐用户的最新目标网络登录状态为已登录状态,则确定所述推荐用户对应的网络标签值为预设潜在标签值;
根据网络标签值为预设潜在标签值的目标用户的用户信息对目标网络模型进行更新。
在一种可能的设计中,所述获取候选用户的用户信息,包括:
从第一服务器中获取目标网络终端用户信息,并从第二服务器中获取所有网络用户信息;
对目标网络终端用户信息和所有网络用户信息进行整合,确定所述候选用户的动态信息。
在一种可能的设计中,所述网络用户信息包括网络用户的静态属性信息和网络用户的动态属性信息。
第二方面,本发明实施例提供一种用户推荐设备,包括:
信息获取模块,用于获取候选用户的用户信息;
处理模块,用于采用目标网络模型,对所述候选用户的用户信息进行处理,以确定各个候选用户对应的网络标签值;
所述处理模块,还用于获取网络标签值为预设潜在标签值的候选用户,并将其确定为推荐用户,其中所述推荐用户为目标网络对应的潜在用户;
所述处理模块,还用于输出所述推荐用户的用户信息。
在一种可能的设计中,所述处理模块还用于:
获取训练样本用户的用户信息;
根据所述训练样本用户的用户信息,从所述训练样本用户中筛选目标用户;其中,所述目标用户为使用目标网络套餐且目标网络登录状态为未登录状态的用户;
根据目标用户的用户信息对初始网络模型进行训练,得到所述目标网络模型。
在一种可能的设计中,所述处理模块还用于:
输出目标用户的用户信息至目标端,以使目标端基于目标用户的用户信息进行辅助登网操作;
在经过第一预设时间后,获取各个目标用户的最新目标网络登录状态;
若所述目标用户的最新目标网络登录状态为已登录状态,则确定所述目标用户对应的网络标签值为预设潜在标签值;
根据网络标签值为预设潜在标签值的目标用户的用户信息对初始网络模型进行训练,得到目标网络模型。
在一种可能的设计中,所述处理模块还用于:
在经过第二预设时间后,获取各个推荐用户的最新目标网络登录状态;
若所述推荐用户的最新目标网络登录状态为已登录状态,则确定所述推荐用户对应的网络标签值为预设潜在标签值;
根据网络标签值为预设潜在标签值的目标用户的用户信息对目标网络模型进行更新。
在一种可能的设计中,所述信息获取模块还用于:
所述获取候选用户的用户信息,包括:
从第一服务器中获取目标网络终端用户信息,并从第二服务器中获取所有网络用户信息;
对目标网络终端用户信息和所有网络用户信息进行整合,确定所述候选用户的动态信息。
在一种可能的设计中,所述网络用户信息包括网络用户的静态属性信息和网络用户的动态属性信息。
第三方面,本发明实施例提供一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的用户推荐方法。
第四方面,本发明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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的用户推荐方法。
第五方面,本发明实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时,实现如上第一方面以及第一方面各种可能的设计所述的用户推荐方法。
本发明提供一种用户推荐方法及设备,通过采用目标网络模型,对选用户的用户信息进行处理,以确定各个候选用户对应的网络标签值,查找网络标签值为预设潜在标签值的候选用户,即确定会使用目标网络的潜在用户,并将其确定为推荐用户,实现潜在使用目标网络的用户的自动精准定位,输出该推荐用户的用户信息,以使相关人员利用该推荐用户的用户信息向该推荐用户推荐使用目标网络,实现目标网络的精准推荐,从而实现目标网络推荐使用的成功率,进而提高目标网络的登网率。
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一简单地介绍,显而易见地,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的用户推荐方法的场景示意图;
图2为本发明实施例提供的用户推荐方法的流程示意图一;
图3为本发明实施例提供的用户推荐方法的流程示意图二;
图4为本发明实施例提供的用户推荐设备的结构示意图;
图5为本发明实施例提供的电子设备的硬件结构示意图。
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,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,大量5G终端用户并未打开5G功能开关,即并未使用5G网络,导致5G登网率较低。为了提高5G登网率,采用全量推荐策略向用户推荐使用5G网络,即当用户到营业厅等门店办理业务时,相关工作人员便向该用户推荐使用5G网络。但大部分办理业务的用户使用5G网络的意愿较低,无法实现5G网络的精准推荐,从而无法有效的提高5G登网率,导致5G登网率仍较低,且推荐成功率低。
因此,针对上述问题,本发明的技术构思是利用已经打标,即确定网络标签值的训练样本用户数据对初始网络模型进行训练,以得到可以精准确定用户对应的网络标签值,即精准识别用户是否为5G网络用户的潜在用户的目标网络模型。在实际应用中,利用目标网络模型从候选用户中确定推荐用户,即确定5G网络对应的潜在用户,并向该潜在用户推荐5G网络,以使其使用5G网络,实现5G网络的精准推荐,从而可以有效提高推荐成功率,进而提高5G登网率。
下面以具体地示例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的示例可以相互结合,对于相同或相似的概念或过程可能在某些示例中不再赘述。下面将结合附图,对本公开的示例进行描述。
图1为本发明实施例提供的用户推荐方法的场景示意图,如图1所示,电子设备101从服务器102中获取候选用户的用户信息,利用候选用户的用户信息从候选用户中确定会使用目标网络的潜在用户,以使相关人员向潜在用户推荐目标网络,以使潜在用户登网,即使用目标网络。
可选的,电子设备101可以是电脑、服务器等具有数据处理能力的设备。
可选的,目标网络可以根据实际需求进行设置,例如,可以将5G网络作为目标网络。
可选的,候选用户为使用目标网络终端的用户,例如,目标网络为5G网络,则候选用户为使用5G终端(例如,5G手机)的用户。
图2为本发明实施例提供的用户推荐方法的流程示意图一,本实施例的执行主体可以为图1所示的电子设备。如图2所示,该方法包括:
S201、获取候选用户的用户信息。
在本实施例中,从服务中获取候选用户的用户信息,该候选用户为使用目标网络终端,但未使用目标网络的用户,例如,候选用户为使用5G终端,但未登录5G网络的用户。
可选的,服务器包括第一服务器和第二服务器,其中,第一服务器包括使用目标网络终端的用户信息,即目标网络终端用户信息,第二服务器包括办理过网络套餐的用户信息,即网络用户信息。具体的,第一服务器可以为网络侧分析服务器,第二服务器可以为营帐侧分析服务器。
其中,目标网络终端用户信息包括目标网络终端用户标识(例如,用户标号)、目标网络登录状态、目标网络开关状态和目标网络覆盖率中的一个或多个。
其中,目标网络登录状态包括已登录状态和未登录状态。当用户对应的目标网络登录状态为已登录状态,表明用户已经登录目标网络,即使用目标网络;当用户对应的目标网络登录状态为未登录状态,表明用户还未登录目标网络,即未使用目标网络。
其中,目标网络开关状态包括开启状态和关闭状态。当用户对应的目标网络开关状态为关闭状态,表明用户使用的目标网络终端上的目标网络开关还未打开,该用户无法使用目标网络;当用户对应的目标网络开关状态为开启状态,表明用户使用的目标网络终端上的目标网络开关已经打开,该用户可以使用目标网络。
其中,网络用户信息包括网络用户的静态属性信息和网络用户的动态属性信息。其中,静态属性信息包括网络用户标识和网络用户使用的网络套餐等。动态属性信息包括网络用户在预设时间段内使用流量的大小。
可选的,在获取候选用户的用户信息时,从第一服务器中获取目标网络终端用户信息,并从第二服务器中获取所有网络用户信息。对目标网络终端用户信息和所有网络用户信息进行整合,确定候选用户的动态信息。
具体的,在对目标网络终端用户信息和所有网络用户信息进行整合时,以用户标识为关联,整合目标网络终端用户信息和网络用户信息,即从目标网络终端用户信息中获取目标网络终端用户标识,对于每个目标网络终端用户标识,查找与目标网络终端用户标识相同的网络用户标识,并将该网络用户标识对应的网络用户信息与目标网络终端用户标识对应的目标网络终端用户信息进行合并。
S202、采用目标网络模型,对候选用户的用户信息进行处理,以确定各个候选用户对应的网络标签值。
在本实施例中,目标网络模型为已经训练好的网络模型,其可以根据用户的用户信息为用户打标,即确定用户对应的网络标签值。因此,将所有候选用户的用户信息输入至目标网络模型中,目标网络模型对该用户信息进行处理,即根据候选用户的用户信息对候选用户进行打标,以得到候选用户对于的网络标签值。
其中,网络标签值可以为预设潜在标签值,也可以为预设非潜在标签值。当用户对应的网络标签值为预设潜在标签值时,表明该用户使用目标网络的概率较大,即该用户为目标网络的潜在用户;当用户对应的网络标签值为预设非潜在标签值时,表明该用户使用目标网络的概率较低,即该用户不为目标网络的潜在用户。
可选的,预设潜在标签值和预设非潜在标签值可以根据实际需求进行设置,例如,预设潜在标签值为1,预设非潜在标签值为0。
S203、获取网络标签值为预设潜在标签值的候选用户,并将其确定为推荐用户,其中推荐用户为目标网络对应的潜在用户。
在本实施例中,对于每个候选用户,当该候选用户对应的网络标签值为预设潜在标签值时,表明该候选用户为使用目标网络的潜在用户,即该候选用户会使用目标网络的概率较高,则将该候选用户确定为推荐用户。当该候选用户对应的网络标签值为预设非潜在标签值时,表明该候选用户不为使用目标网络的潜在用户,即该候选用户会使用目标网络的概率较低,则无需向该候选用户推荐目标网络,即不将该候选用户作为推荐用户。
S204、输出推荐用户的用户信息。
在本实施例中,在确定会使用目标网络的潜在用户时,即在确定推荐用户后,输出推荐用户的用户信息,以利用推荐用户的用户信息向推荐用户推荐目标网络,以辅助推荐用户进行登网,即使用目标网络。
可选的,在输出推荐用户的用户信息时,可以直接显示推荐用户的用户信息,以使相关工作人员利用推荐用户的用户信息,即根据推荐用户的联系方式向推荐用户推荐目标网络,以告知推荐用户登网的方法,即使用目标网络的方法。
可选的,在输出推荐用户的用户信息时,也可以将其发送至目标端,以使目标端执行辅助登网操作,即基于推荐用户的用户信息中的联系方式,将目标网络对应的登网方法发送至推荐用户,以促使推荐用户使用目标网络。
其中,登网方法为打开目标网络终端上的目标网络开关,即使目标网络开关状态为开启状态,从而可以在使用网络时,可以使用目标网络。例如,当目标网络为5G网络时,当用户打开5G终端上的5G功能开关时,用户便可以使用5G网络,实现5G登网。
在本实施例中,利用目标网络模型预测推荐用户,即预测目标网络对应的潜在用户,实现会使用目标网络的潜在用户的精准挖掘,以在向目标网络对应的潜在用户推荐使用目标网络时,可以大幅度提高推荐的成功率,且提高了推荐的效率,从而提高目标网络的使用率,即登网率。
从上述描述可知,采用目标网络模型,对选用户的用户信息进行处理,以确定各个候选用户对应的网络标签值,查找网络标签值为预设潜在标签值的候选用户,即确定会使用目标网络的潜在用户,并将其确定为推荐用户,实现潜在使用目标网络的用户的自动精准定位,输出该推荐用户的用户信息,以使相关人员利用该推荐用户的用户信息向该推荐用户推荐使用目标网络,实现目标网络的精准推荐,从而实现目标网络推荐使用的成功率,进而提高目标网络的登网率。
图3为本发明实施例提供的用户推荐方法的流程示意图二,本实施例图2实施例的基础上,在利用目标网络模型确定目标网络对应的潜在用户之前,需要先对初始网络模型进行训练,以得到目标网络模型,下面将结合一个具体实施例对此过程进行描述。如图3所示,该方法包括:
S301、获取训练样本用户的用户信息。
S302、根据训练样本用户的用户信息,从训练样本用户中筛选目标用户。其中,目标用户为使用目标网络套餐且目标网络登录状态为未登录状态的用户。
在本实施例中,在对网络模型进行训练时,需要利用训练样本,则获取训练样本用户的用户信息。由于需要利用网络模型确定用户的网络标签值,即确定目标网络对应的潜在用户,因此,为了提高训练效率,可以基于训练样本用户的用户信息,从训练样本用户抽取会使用目标网络的用户,即抽取使用目标网络套餐且目标网络登录状态为未登录状态的用户,并将其抽取的用户确定为目标用户。
其中,当用户对应的目标网络登录状态为未登录状态时,表明用户使用的目标网络终端还未使用过目标网络。当用户使用的目标网络登录状态为已登录状态时,表明用户对应的目标网络终端开关为开启状态,用户已经使用目标网络。
其中,训练样本用户为使用目标网络终端,但未使用目标网络的用户。训练样本用户的用户信息与候选用户的用户信息所包括的信息类型可以相同。
另外,可选的,目标用户为使用目标网络套餐、目标网络登录状态为未登录状态,且目标网络开关状态为关闭状态的用户。
另外,可选的,训练样本用户的用户信息可以从服务器中获取,也可以从相关数据库中获取,在此,不对其进行限制。
S303、根据目标用户的用户信息对初始网络模型进行训练,得到目标网络模型。
在本实施例中,在确定目标用户后,即在确定使用目标网络的潜在用户后,利用该目标用户的用户信息对初始网络模型进行训练,将训练好的初始网络模型作为目标网络模型,该目标网络模型可以根据用户的用户信息对用户进行分类,即确定用户的网络标签值,实现目标网络对应的潜在用户的精准预测。
另外,在对初始网络模型进行训练后,还可以利用验证样本对训练后的初始网络模型进行验证,以验证该训练后的初始网络模型是否符合需求,在确定符合需求后,表明初始网络模型已经训练好,则将该训练后的初始网络模型作为目标网络模型,在确定不符合需求后,表明初始网络模型还未训练好,则继续利用训练样本对该训练后的初始网络模型进行训练。例如,验证该训练后的初始网络模型预测的用户的网络标签的准确率,在确定该准确率大于预设准确率后,则将该训练后的初始网络模型作为目标网络模型,在确定该准确率小于预设准确率后,则继续训练该训练后的初始网络模型。
在本实施例中,在对初始网络模型进行训练时,通过常用机器学习(例如,极端梯度提升(eXtreme Gradient Boosting,XGboost)、随机森林)或深度学习(例如,神经网络)算法,将目标用户的用户信息输入值初始网络模型中。具体的,可以按照现有模型训练方式对初始网络模型进行训练以及按照现有模型验证方式对训练后的初始网络模型进行验证,在此,不再对训练以及验证过程进行详述。
可选的,初始网络模型可以为神经网络模型(例如,CNN神经网络模型)、人工智能(Artificial Intelligence,AI)模型等。
在本实施例中,可选的,为了提高模型训练的效率以及准确度,可以进一步从目标用户中筛选出使用目标网络的概率更高的用户,并利用该用户的用户信息对初始网络模型进行训练,其具体过程为:输出目标用户的用户信息至目标端,以使目标端基于目标用户的用户信息进行辅助登网操作。在经过第一预设时间后,获取各个目标用户的最新目标网络登录状态。若目标用户的最新目标网络登录状态为已登录状态,则确定目标用户对应的网络标签值为预设潜在标签值。根据网络标签值为预设潜在标签值的目标用户的用户信息对初始网络模型进行训练,得到目标网络模型。
具体的,输出目标用户的用户信息至目标端,以使目标端执行辅助登网操作,即基于目标用户的用户信息中的联系方式,将目标网络对应的登网方法发送至目标用户,以促使目标用户使用目标网络。在经过一段时间,即第一预设时间后,重新获取各个目标用户的最新目标网络登录状态,即追踪目标用户的当前目标网络登录状态,以确定目标用户是否已经成功登网。当目标用户的最新目标网络登录状态为已登录状态时,表明目标用户已经登网,则将该目标用户对应的网络标签设置为预设潜在标签值,并利用该目标用户的用户信息对初始网络模型进行训练,以使训练后的初始网络模型可以根据用户的用户信息精准确定出其是否会使用目标网络,以进一步准确确定该目标用户为使用目标网络的潜在用户。
另外,当目标用户的最新目标网络登录状态为未登录状态,表明即使在进行辅助登网后,目标用户仍未使用目标网络,则确定该目标用户不是目标网络的潜在用户,则将该目标用户对应的网络标签设置为预设非潜在标签值,并利用该目标用户的用户信息对初始网络模型进行训练。
可选的,在输出目标用户的用户信息至目标端后,也可以由目标端对应的工作人员利用目标用户的用户信息,即根据目标用户的联系方式向目标用户推荐目标网络,以告知目标用户登网的方法,即使用目标网络的方法。
可选的,在经过第一预设时间后,在一个周期(例如,7天)内每隔一定时间(例如,24小时)便获取各个目标用户的最新目标网络登录状态。
S304、获取候选用户的用户信息。
S305、采用目标网络模型,对候选用户的用户信息进行处理,以确定各个候选用户对应的网络标签值。
S306、获取网络标签值为预设潜在标签值的候选用户,并将其确定为推荐用户,其中推荐用户为目标网络对应的潜在用户。
S307、输出推荐用户的用户信息。
在本实施例中,在输出推荐用户的用户信息后,还可以对推荐用户进行追踪,以确定其是否已经登网,从而利用登网的推荐用户的用户信息继续对目标网络模型进行训练更新,以提高目标网络模型的精确度,其具体过程为:在经过第二预设时间后,获取各个推荐用户的最新目标网络登录状态。若推荐用户的最新目标网络登录状态为已登录状态,则确定推荐用户对应的网络标签值为预设潜在标签值。根据网络标签值为预设潜在标签值的目标用户的用户信息对目标网络模型进行更新。
具体的,输出推荐用户的用户信息至目标端,以使目标端执行辅助登网操作,即基于推荐用户的用户信息中的联系方式,将目标网络对应的登网方法发送至推荐用户,以促使推荐用户使用目标网络。在经过一段时间,即第而预设时间后,重新获取各个推荐用户的最新目标网络登录状态,即追踪推荐用户当前目标网络登录状态,以确定推荐用户是否已经成功登网。当该推荐用户的最新目标网络登录状态为已登录状态时,表明推荐用户已经登网,即已经使用目标网络,则该推荐用户对应的网络标签值仍为预设潜在标签值,并利用该推荐用户的用户信息对目标网络模型进行更新,以提高目标网络模型的精确度,即使目标网络模型可以根据用户的用户信息精准确定出其是否会使用目标网络。
另外,可选的,若推荐用户的最新目标网络登录状态为未登录状态,表明即使在进行辅助登网后,该推荐用户仍未使用目标网络,则确定该推荐用户不是目标网络的潜在用户,则将该目标用户对应的网络标签更新为为预设非潜在标签值,并利用该目标用户的用户信息对目标网络模型进行更新。
可选的,输出推荐用户的用户信息至目标端后,也可以由目标端对应的工作人员利用推荐用户的用户信息,即根据推荐用户的联系方式向推荐用户推荐目标网络,以告知推荐用户登网的方法,即使用目标网络的方法。
可选的,在经过第一预设时间后,在一个周期(例如,7天)内每隔一定时间(例如,24小时)便获取各个目标用户的最新目标网络登录状态。
在本实施例中,从训练样本用户中筛选出可能会使用目标网络的用户,以得到目标用户,利用目标用户的用户信息对初始网络模型进行训练,以得到满足需求的目标网络模型,该目标网络模型可以根据用户的用户信息准确对用户进行分类,即确定用户对应的网络标签值,以供根据网络标签值确定目标网络对应的潜在用户,实现目标网络对应的潜在用户的精准确定,从而提高目标网络的登网率。
图4为本发明实施例提供的用户推荐设备的结构示意图,如图4所示,该用户推荐设备400包括:信息获取模块401和处理模块402。
其中,信息获取模块401,用于获取候选用户的用户信息。
处理模块402,用于采用目标网络模型,对候选用户的用户信息进行处理,以确定各个候选用户对应的网络标签值。
处理模块402,还用于获取网络标签值为预设潜在标签值的候选用户,并将其确定为推荐用户,其中推荐用户为目标网络对应的潜在用户。
处理模块402,还用于输出推荐用户的用户信息。
在一种可能的设计中,处理模块402还用于:
获取训练样本用户的用户信息。
根据训练样本用户的用户信息,从训练样本用户中筛选目标用户。其中,目标用户为使用目标网络套餐且目标网络登录状态为未登录状态的用户。
根据目标用户的用户信息对初始网络模型进行训练,得到目标网络模型。
在一种可能的设计中,处理模块402还用于:
输出目标用户的用户信息至目标端,以使目标端基于目标用户的用户信息进行辅助登网操作。
在经过第一预设时间后,获取各个目标用户的最新目标网络登录状态。
若目标用户的最新目标网络登录状态为已登录状态,则确定目标用户对应的网络标签值为预设潜在标签值。
根据网络标签值为预设潜在标签值的目标用户的用户信息对初始网络模型进行训练,得到目标网络模型。
在一种可能的设计中,处理模块402还用于:
在经过第二预设时间后,获取各个推荐用户的最新目标网络登录状态。
若推荐用户的最新目标网络登录状态为已登录状态,则确定推荐用户对应的网络标签值为预设潜在标签值。
根据网络标签值为预设潜在标签值的目标用户的用户信息对目标网络模型进行更新。
在一种可能的设计中,信息获取模块401还用于:
获取候选用户的用户信息,包括:
从第一服务器中获取目标网络终端用户信息,并从第二服务器中获取所有网络用户信息。
对目标网络终端用户信息和所有网络用户信息进行整合,确定候选用户的动态信息。
在一种可能的设计中,网络用户信息包括网络用户的静态属性信息和网络用户的动态属性信息。
本发明实施例提供的用户推荐设备,可以实现上述实施例的用户推荐方法,其实现原理和技术效果类似,此处不再赘述。
图5为本发明实施例提供的电子设备的硬件结构示意图。如图5所示,本实施例的电子设备500包括:处理器501以及存储器502;
其中,存储器502,用于存储计算机执行指令;
处理器501,用于执行存储器存储的计算机执行指令,以实现上述实施例中接收设备所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地,存储器502既可以是独立的,也可以跟处理器501集成在一起。
当存储器502独立设置时,该电子设备还包括总线503,用于连接所述存储器502和处理器501。
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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上所述的用户推荐方法。
本发明实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时,实现如上所述的用户推荐方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称:ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种用户推荐方法,其特征在于,包括:
获取候选用户的用户信息;
采用目标网络模型,对所述候选用户的用户信息进行处理,以确定各个候选用户对应的网络标签值;
获取网络标签值为预设潜在标签值的候选用户,并将其确定为推荐用户,其中所述推荐用户为目标网络对应的潜在用户;
输出所述推荐用户的用户信息;
所述方法还包括:
获取训练样本用户的用户信息;
根据所述训练样本用户的用户信息,从所述训练样本用户中筛选目标用户;其中,所述目标用户为使用目标网络套餐且目标网络登录状态为未登录状态的用户;
根据目标用户的用户信息对初始网络模型进行训练,得到所述目标网络模型;
输出目标用户的用户信息至目标端,以使目标端基于目标用户的用户信息进行辅助登网操作;
在经过第一预设时间后,获取各个目标用户的最新目标网络登录状态;
若所述目标用户的最新目标网络登录状态为已登录状态,则确定所述目标用户对应的网络标签值为预设潜在标签值;
根据网络标签值为预设潜在标签值的目标用户的用户信息对初始网络模型进行训练,得到目标网络模型。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在经过第二预设时间后,获取各个推荐用户的最新目标网络登录状态;
若所述推荐用户的最新目标网络登录状态为已登录状态,则确定所述推荐用户对应的网络标签值为预设潜在标签值;
根据网络标签值为预设潜在标签值的目标用户的用户信息对目标网络模型进行更新。
3.根据权利要求1或2所述的方法,其特征在于,所述获取候选用户的用户信息,包括:
从第一服务器中获取目标网络终端用户信息,并从第二服务器中获取所有网络用户信息;
对所述目标网络终端用户信息和所有网络用户信息进行整合,确定所述候选用户的动态信息。
4.根据权利要求3所述的方法,其特征在于,所述网络用户信息包括网络用户的静态属性信息和网络用户的动态属性信息。
5.一种用户推荐设备,其特征在于,包括:
信息获取模块,用于获取候选用户的用户信息;
处理模块,用于采用目标网络模型,对所述候选用户的用户信息进行处理,以确定各个候选用户对应的网络标签值;
所述处理模块,还用于获取网络标签值为预设潜在标签值的候选用户,并将其确定为推荐用户,其中所述推荐用户为目标网络对应的潜在用户;
所述处理模块,还用于输出所述推荐用户的用户信息;
所述处理模块,还用于获取训练样本用户的用户信息;根据所述训练样本用户的用户信息,从所述训练样本用户中筛选目标用户;其中,所述目标用户为使用目标网络套餐且目标网络登录状态为未登录状态的用户;根据目标用户的用户信息对初始网络模型进行训练,得到所述目标网络模型;输出目标用户的用户信息至目标端,以使目标端基于目标用户的用户信息进行辅助登网操作;在经过第一预设时间后,获取各个目标用户的最新目标网络登录状态;若所述目标用户的最新目标网络登录状态为已登录状态,则确定所述目标用户对应的网络标签值为预设潜在标签值;根据网络标签值为预设潜在标签值的目标用户的用户信息对初始网络模型进行训练,得到目标网络模型。
6.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至4任一项所述的用户推荐方法。
7.一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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至4任一项所述的用户推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110292052.0A CN113010785B (zh) | 2021-03-18 | 2021-03-18 | 用户推荐方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110292052.0A CN113010785B (zh) | 2021-03-18 | 2021-03-18 | 用户推荐方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113010785A CN113010785A (zh) | 2021-06-22 |
CN113010785B true CN113010785B (zh) | 2023-06-30 |
Family
ID=76402488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110292052.0A Active CN113010785B (zh) | 2021-03-18 | 2021-03-18 | 用户推荐方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113010785B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113873533B (zh) * | 2021-09-27 | 2023-06-27 | 中国联合网络通信集团有限公司 | 数据处理的方法、装置、设备及存储介质 |
CN114423051B (zh) * | 2021-12-22 | 2024-04-30 | 中国电信股份有限公司 | 信息推荐方法、装置、电子设备和计算机可读介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242539A (zh) * | 2018-08-14 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 基于流失用户的潜在用户预测方法、装置和计算机设备 |
CN109285023A (zh) * | 2017-07-21 | 2019-01-29 | Sk普兰尼特有限公司 | 用于剖析用户意图的方法及其装置 |
CN111447577A (zh) * | 2020-02-18 | 2020-07-24 | 中国联合网络通信集团有限公司 | 配额管理方法及设备 |
WO2021011131A1 (en) * | 2019-07-18 | 2021-01-21 | The Board Of Regents Of The University Of Oklahoma | Proactive mobile network optimization |
CN112487295A (zh) * | 2020-12-04 | 2021-03-12 | 中国移动通信集团江苏有限公司 | 5g套餐推送方法、装置、电子设备及计算机存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201502371D0 (en) * | 2015-02-13 | 2015-04-01 | Bae Systems Plc | Provision, configuration and use of a telecommunications network |
-
2021
- 2021-03-18 CN CN202110292052.0A patent/CN113010785B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285023A (zh) * | 2017-07-21 | 2019-01-29 | Sk普兰尼特有限公司 | 用于剖析用户意图的方法及其装置 |
CN109242539A (zh) * | 2018-08-14 | 2019-01-18 | 中国平安人寿保险股份有限公司 | 基于流失用户的潜在用户预测方法、装置和计算机设备 |
WO2021011131A1 (en) * | 2019-07-18 | 2021-01-21 | The Board Of Regents Of The University Of Oklahoma | Proactive mobile network optimization |
CN111447577A (zh) * | 2020-02-18 | 2020-07-24 | 中国联合网络通信集团有限公司 | 配额管理方法及设备 |
CN112487295A (zh) * | 2020-12-04 | 2021-03-12 | 中国移动通信集团江苏有限公司 | 5g套餐推送方法、装置、电子设备及计算机存储介质 |
Non-Patent Citations (2)
Title |
---|
Machine learning-driven service function chain placement and scaling in MEC-enabled 5G networks;Tejas Subramanya等;Computer Networks;第166卷;1-16 * |
ZJ电信单宽转融合套餐精准营销分析 ————基于数据挖掘的研究;杨煜钢;中国优秀硕士学位论文全文数据库 (经济与管理科学辑)(第12期);J152-555 * |
Also Published As
Publication number | Publication date |
---|---|
CN113010785A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491432B (zh) | 基于人工智能的低质量文章识别方法及装置、设备及介质 | |
CN110276023B (zh) | Poi变迁事件发现方法、装置、计算设备和介质 | |
CN111460250B (zh) | 用于画像的数据的清洗方法、装置、介质及电子设备 | |
CN110175851B (zh) | 一种作弊行为检测方法及装置 | |
CN113010785B (zh) | 用户推荐方法及设备 | |
CN112990294B (zh) | 行为判别模型的训练方法、装置、电子设备及存储介质 | |
CN110781960B (zh) | 视频分类模型的训练方法、分类方法、装置及设备 | |
CN110096617B (zh) | 视频分类方法、装置、电子设备及计算机可读存储介质 | |
CN113836925B (zh) | 预训练语言模型的训练方法、装置、电子设备及存储介质 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
CN113435499A (zh) | 标签分类方法、装置、电子设备和存储介质 | |
CN111104800B (zh) | 一种实体识别方法、装置、设备、存储介质和程序产品 | |
CN115952800A (zh) | 命名实体识别方法、装置、计算机设备及可读存储介质 | |
CN111507109A (zh) | 电子病历的命名实体识别方法及装置 | |
CN115203364A (zh) | 软件故障反馈处理方法、装置、设备及可读存储介质 | |
CN114067343A (zh) | 一种数据集的构建方法、模型训练方法和对应装置 | |
CN115130545A (zh) | 数据处理方法、电子设备、程序产品及介质 | |
CN113901817A (zh) | 文档分类方法、装置、计算机设备和存储介质 | |
US11436505B2 (en) | Data curation for corpus enrichment | |
CN113836297A (zh) | 文本情感分析模型的训练方法及装置 | |
CN112017634A (zh) | 数据的处理方法、装置、设备以及存储介质 | |
CN113723436A (zh) | 数据的处理方法、装置、计算机设备和存储介质 | |
CN111753548A (zh) | 信息获取方法及装置、计算机存储介质、电子设备 | |
CN111753521B (zh) | 基于人工智能的阅读理解方法及相关设备 | |
CN110728141B (zh) | 一种分词方法、装置、电子设备及存储介质 |
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 |