CN113191812B - 业务推荐方法、计算机设备及计算机可读存储介质 - Google Patents

业务推荐方法、计算机设备及计算机可读存储介质 Download PDF

Info

Publication number
CN113191812B
CN113191812B CN202110519348.1A CN202110519348A CN113191812B CN 113191812 B CN113191812 B CN 113191812B CN 202110519348 A CN202110519348 A CN 202110519348A CN 113191812 B CN113191812 B CN 113191812B
Authority
CN
China
Prior art keywords
sample data
data set
undetermined
negative
target
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
Application number
CN202110519348.1A
Other languages
English (en)
Other versions
CN113191812A (zh
Inventor
邵平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Suoxinda Data Technology Co ltd
Original Assignee
Shenzhen Suoxinda Data Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Suoxinda Data Technology Co ltd filed Critical Shenzhen Suoxinda Data Technology Co ltd
Priority to CN202110519348.1A priority Critical patent/CN113191812B/zh
Publication of CN113191812A publication Critical patent/CN113191812A/zh
Application granted granted Critical
Publication of CN113191812B publication Critical patent/CN113191812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0254—Targeted advertisements based on statistics
    • 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
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种业务推荐方法、计算机设备及计算机可读存储介质，该方法包括：获取正样本数据组以及未定类样本数据组，从未定类样本数据组中选取多个未定类样本数据，生成负样本数据组，根据正样本数据组和负样本数据组，对初始二分类模型进行训练，获得对应的目标二分类模型，将未定类样本数据组输入目标二分类模型，输出每个未定类样本数据对应的评分，循环上述操作，直至输出的每个未定类样本数据对应的评分的数量达到预设数量，根据每个未定类样本数据对应的预设数量的评分，计算每个未定类样本数据对应的平均分，根据每个未定类样本数据对应的平均分，确定目标客户，以根据目标客户进行业务推荐，提高了业务推荐的可靠性。

Description

业务推荐方法、计算机设备及计算机可读存储介质
技术领域
本申请涉及计算机技术领域，具体涉及一种业务推荐方法、计算机设备及计算机可读存储介质。
背景技术
目前市场中，在进行业务推荐时，比如向客户群推荐某产品时，可以通过已购买该产品的客户群画像去拓展对该产品偏好相似的客户群，然后根据拓展的偏好相似的客户群去进行该产品的推荐。拓展偏好相似的客户群需要投入一定的专家人力去进行人工处理，耗时耗力，而且准确性也不够高，从而使得推荐的可靠性不高。
因此，如何提高业务推荐的可靠性成为亟待解决的问题。
发明内容
本申请实施例提供一种业务推荐方法、计算机设备及计算机可读存储介质，可以提高业务推荐的可靠性。
第一方面，本申请实施例提供了一种业务推荐方法，包括：
获取正样本数据组以及未定类样本数据组，其中，所述未定类样本数据组为业务的备选客户对应的数据集合；
从所述未定类样本数据组中选取多个未定类样本数据，生成负样本数据组；
根据所述正样本数据组和所述负样本数据组，对初始二分类模型进行训练，获得对应的目标二分类模型；
将所述未定类样本数据组输入所述目标二分类模型，输出所述未定类样本数据组中每个未定类样本数据对应的评分，并返回执行所述从所述未定类样本数据组中选取多个未定类样本数据，生成负样本数据组的步骤，直至输出的每个所述未定类样本数据对应的评分的数量达到预设数量；
根据每个所述未定类样本数据对应的预设数量的评分，计算每个所述未定类样本数据对应的平均分；
根据每个所述未定类样本数据对应的所述平均分，从所述备选客户中确定对应的目标客户，以根据所述目标客户进行业务推荐。
第二方面，本申请实施例还提供了一种计算机设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行上述的业务推荐方法。
第三方面，本申请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用于存储计算机程序，所述计算机程序被处理器执行时使所述处理器实现上述的业务推荐方法。
本申请实施例提供了一种业务推荐方法、计算机设备及计算机可读存储介质，通过获取正样本数据组以及未定类样本数据组(业务的备选客户对应的数据集合)，从未定类样本数据组中选取多个未定类样本数据，生成负样本数据组，并根据正样本数据组和负样本数据组，对初始二分类模型进行训练，获得对应的目标二分类模型，然后将未定类样本数据组输目标二分类模型，输出未定类样本数据组中每个未定类样本数据对应的评分，循环上述操作直至输出的每个未定类样本数据对应的评分的数量达到预设数量，计算每个未定类样本数据对应的预设数量的评分的平均分，根据每个未定类样本数据对应的平均分，从备选客户中确定对应的目标客户，进而有针对性地向目标客户进行业务推荐，因此，提高了业务推荐的可靠性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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。
图1是本申请实施例提供的一种业务推荐方法的步骤示意流程图；
图2是本申请实施例提供的一种从所述未定类样本数据组中选取多个未定类样本数据，生成负样本数据组的步骤示意流程图；
图3是本申请实施例提供的一种输出所述未定类样本数据组中每个未定类样本数据对应的评分的步骤示意流程图；
图4是本申请实施例提供的一种生成负样本数据组的步骤示意流程图；
图5是本申请实施例提供的一种输出每个所述未定类样本数据对应的评分的步骤示意流程图；
图6是本申请实施例提供的一种生成负样本数据组的步骤示意流程图；
图7是本申请实施例提供的一种输出每个所述未定类样本数据对应的评分的步骤示意流程图；
图8是本申请实施例提供的一种根据每个所述未定类样本数据对应的预设数量的评分，计算每个所述未定类样本数据对应的平均分的步骤示意流程图；
图9是本申请实施例提供的一种计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
本申请的实施例提供了一种业务推荐方法、装置、计算机设备及存储介质，用于实现提高用户数据预测的可靠性。
请参阅图1，图1是本申请一实施例提供的业务推荐方法的流程示意图。其中，该业务推荐方法可以应用于计算机设备中，以实现提高业务推荐的可靠性。
如图1所示，该业务推荐方法具体包括步骤S101至步骤S106。
S101、获取正样本数据组以及未定类样本数据组，其中，所述未定类样本数据组为业务的备选客户对应的数据集合。
以某种理财产品推荐业务为例，根据是否购买该理财产品为过虑条件，将客户群划分为两类：已购买该理财产品的客户群、未购买该理财产品的客户群，将已购买该理财产品的客户对应数据作为正样本数据，获得对应的正样本数据组。也即，正样本数据组中的每个正样本数据对应为已购买该理财产品的一位客户数据。将未购买该理财产品的客户(未来可能会购买该理财产品)作为业务推荐的备选客户，备选客户对应的数据作为未定类样本数据，获得对应的未定类样本数据组。也即，未定类样本数据组为业务的备选客户对应的数据集合。
示例性的，对正样本数据以及未定类样本数据进行标记。例如，采用字符“1”对正样本数据进行标记，采用字符“u”对未定类样本数据进行标记。
其中，未定类样本数据组中未定类样本数据的数量不低于正样本数据组中正样本数据的数量。例如，若正样本数据组中正样本数据的数量为m，未定类样本数据组中未定类样本数据的数量为n，则m小于或等于n。
S102、从所述未定类样本数据组中选取多个未定类样本数据，生成负样本数据组。
示例性的，为了实现样本均衡，根据正样本数据组中正样本数据的数量，从未定类样本数据组中选取相同数量的未定类样本数据，作为负样本数据组。
例如，若正样本数据组中正样本数据的数量为m，未定类样本数据组中未定类样本数据的数量为n，其中，m小于n。则从n个未定类样本数据中随机选取m个未定类样本数据。将随机选取到的m个未定类样本数据作为负样本，生成对应的负样本数据组。
S103、根据所述正样本数据组和所述负样本数据组，对初始二分类模型进行训练，获得对应的目标二分类模型。
示例性的，初始二分类模型为采用XGBoost算法构建的二分类模型M，通过正样本数据组和负样本数据组对二分类模型M进行训练，获得训练好的目标二分类模型。
S104、将所述未定类样本数据组输入所述目标二分类模型，输出所述未定类样本数据组中每个未定类样本数据对应的评分，并返回执行步骤S102，直至输出的每个所述未定类样本数据对应的评分的数量达到预设数量，执行步骤S105；
S105、若输出的每个所述未定类样本数据对应的评分的数量达到预设数量，则根据每个所述未定类样本数据对应的预设数量的评分，计算每个所述未定类样本数据对应的平均分。
例如，将n个未定类样本数据输入训练好的目标二分类模型，输出每个未定类样本数据对应的评分s11、s12、......、s1n。
示例性的，预先设置该预设数量为T，可以理解的是，该预设数量T可根据实际情况继续灵活设置，在此不作具体限制。
也即，将上述步骤S102至步骤S104的操作循环执行T次，获得每个未定类样本数据对应的T个评分s1i、s2i、......、sTi，其中，1≤i≤n。
根据每个未定类样本数据对应的T个评分s1i、s2i、......、sTi，计算每个未定类样本数据对应的平均分si。示例性的，根据公式si＝(s1i+s2i+......+sTi)/T计算获得每个未定类样本数据对应的平均分si。例如，计算获得n个未定类样本数据对应的平均分为s1、s2、......、sn。
S106、根据每个所述未定类样本数据对应的所述平均分，从所述备选客户中确定对应的目标客户，以根据所述目标客户进行业务推荐。
获得的n个未定类样本数据对应的平均分s1、s2、......、sn有高有低，选取其中平均分高的未定类样本数据对应的备选客户，确定为业务的目标客户，作为与正样本数据对应客户偏好相似的客户。示例性的，根据s1、s2、......、sn的高低进行排序，例如，按从高到低的顺序进行排序，选取排序在前也即平均分高的多个未定类样本数据，将选取的未定类样本数据对应的备选客户，确定为业务的目标客户。根据确定的目标客户，向目标客户进行业务推荐。
在一些实施例中，预先设置目标客户数量，根据每个未定类样本数据对应的平均分，从中选取平均分高的目标客户数量的未定类样本数据，将选取的目标客户数量的未定类样本数据对应的备选客户，确定为业务的目标客户。例如，若预设目标客户数量为s，则将平均分高的s个未定类样本数据对应的备选客户，确定为业务的目标客户。
在一些实施例中，根据正样本的先验概率来确定目标客户数量，比如，若正样本的先验概率为p，未定类样本数据的数量为n，则确定目标客户数量s为：s＝p*n。然后根据确定的目标客户数量s，以及每个未定类样本数据对应的平均分，从中选取平均分高的s个未定类样本数据，将选取的s个未定类样本数据对应的备选客户，确定为业务的目标客户。
在一些实施例中，如图2所示，步骤S102可以包括子步骤S1021和子步骤S1022。
S1021、从所述未定类样本数据组中随机选取相应数量的未定类样本数据，其中，选取的未定类样本数据的数量与所述正样本数据组中正样本数据的数量一致。
在第一次进行负样本数据的获取时，可以根据正样本数据的数量，从未定类样本数据组中随机选取与正样本数据的数量相同的未定类样本数据。例如，若正样本数据的数量为m，未定类样本数据的数量为n，其中，m小于n。则从n个未定类样本数据中随机选取m个未定类样本数据。
S1022、根据选取的所述未定类样本数据，生成第一负样本数据组。
当第一次随机选取到m个未定类样本数据后，将其作为负样本，生成对应的负样本数据组。为了便于区分描述，下文将该负样本数据组称为第一负样本数据组。
在一些实施例中，如图3所示，步骤S103可以包括子步骤S1031，步骤S104可以包括子步骤S1041。
S1031、根据所述正样本数据组和所述第一负样本数据组，基于正样本数据准确率对应的第一优化目标函数，对所述初始二分类模型进行训练，获得对应的第一目标二分类模型。
获得第一负样本数据组后，根据正样本数据组和第一负样本数据组，基于相应的优化目标函数，其中，该优化目标函数为针对正样本数据准确率而设置，对构建的二分类模型M进行第一次训练，获得对应的目标二分类模型。为了便于区分描述，下文将针对正样本数据准确率的优化目标函数称为第一优化目标函数，将第一次训练获得的目标二分类模型称为第一目标二分类模型。
S1041、将所述未定类样本数据组输入所述第一目标二分类模型，输出每个所述未定类样本数据对应的评分。
例如，将n个未定类样本数据输入训练好的第一目标二分类模型，输出每个未定类样本数据对应的评分。具体操作如上述实施例中所述，在此不再赘述。
在一些实施例中，如图4所示，步骤S1041之后可以包括步骤S107，步骤S102可以包括子步骤S1023至子步骤S1024。
S107、根据每个所述未定类样本数据对应的评分，选取第一数量的所述未定类样本数据，生成第一负样本数据子集，其中，选取的第一数量的所述未定类样本数据对应的评分低于其他未选取的所述未定类样本数据对应的评分。
示例性的，根据每个未定类样本数据对应的评分，选取第一数量的低评分对应的未定类样本数据，也即，选取的未定类样本数据对应的评分低于其他未选取的未定类样本数据对应的评分。例如，设置第一数量为m/2，则选取评分低的m/2个未定类样本数据。
根据选取的第一数量的未定类样本数据，生成相应的负样本数据子集。为了便于区分描述，下文将该负样本数据子集称为第一负样本数据子集N1。
S1023、从除去所述第一负样本数据子集的所述未定类样本数据组中随机选取第二数量的未定类样本数据，其中，所述第一数量、所述第二数量之和与所述正样本数据组中正样本数据的数量一致。
获得第一负样本数据子集N1后，将未定类样本数据组中属于第一负样本数据子集N1的未定类样本数据去除，从未定类样本数据组剩余的未定类样本数据中随机选取第二数量的未定类样本数据。其中，第二数量由正样本数据组中正样本数据的数量以及第一数量来定，第一数量、第二数量之和与正样本数据组中正样本数据的数量一致。例如，若正样本数据的数量为m，第一数量为m/2，则第二数量为m/2，从剩余的未定类样本数据中随机选取m/2个未定类样本数据。
S1024、根据选取的所述第二数量的所述未定类样本数据、以及所述第一负样本数据子集，生成第二负样本数据组。
根据所选取的第二数量的未定类样本数据，以及由第一数量的未定类样本数据所组成的第一负样本数据子集N1，将其作为负样本，生成相应的负样本数据组。为了便于区分描述，下文将由第二数量的未定类样本数据、以及第一负样本数据子集N1所生成的负样本数据组称为第二负样本数据组。
在一些实施例中，如图5所示，步骤S103可以包括子步骤S1032，步骤S104可以包括子步骤S1042。
S1032、根据所述正样本数据组和所述第二负样本数据组，基于正样本数据准确率和第一负样本数据子集准确率对应的第二优化目标函数，对所述初始二分类模型进行训练，获得对应的第二目标二分类模型。
获得第二负样本数据组后，根据正样本数据组和第二负样本数据组，基于相应的优化目标函数，其中，该优化目标函数为针对正样本数据准确率和第一负样本数据子集N1准确率而设置，对构建的二分类模型M进行训练，获得对应的目标二分类模型。为了便于区分描述，下文将针对正样本数据准确率和第一负样本数据子集N1准确率的优化目标函数称为第二优化目标函数，将训练获得的目标二分类模型称为第二目标二分类模型。
S1042、将所述未定类样本数据组输入所述第二目标二分类模型，输出每个所述未定类样本数据对应的评分。
例如，将n个未定类样本数据输入训练好的第二目标二分类模型，输出每个未定类样本数据对应的评分。具体操作如上述实施例中所述，在此不再赘述。
在一些实施例中，如图6所示，步骤S1042之后可以包括步骤S108和步骤S109，步骤S102可以包括子步骤S1025至子步骤S1026。
S108、根据每个所述未定类样本数据对应的评分，选取第三数量的所述未定类样本数据，其中，选取的第三数量的所述未定类样本数据对应的评分低于其他未选取的所述未定类样本数据对应的评分。
示例性的，根据每个未定类样本数据对应的评分，选取第三数量的低评分对应的未定类样本数据，也即，选取的未定类样本数据对应的评分低于其他未选取的未定类样本数据对应的评分。
其中，第三数量与第一数量可以相同，也可以不同。例如，设置第三数量为m/2，则选取评分低的m/2个未定类样本数据。第三数量的具体数值可根据实际情况进行灵活设置，在此不作具体限制。
S109、计算选取的所述第三数量的所述未定类样本数据与所述第一负样本数据子集的并集，生成第二负样本数据子集。
选取了第三数量的未定类样本数据后，计算第三数量的未定类样本数据与第一负样本数据子集N1的并集，将获得的第三数量的未定类样本数据与第一负样本数据子集N1的并集确定为第二负样本数据子集N2。
S1025、从除去所述第二负样本数据子集的所述未定类样本数据组中随机选取第四数量的未定类样本数据，其中，所述第四数量和所述第二负样本数据子集中未定类样本数据的数量之和，与所述正样本数据组中正样本数据的数量一致。
获得第二负样本数据子集N2后，将未定类样本数据组中属于第二负样本数据子集N2的未定类样本数据去除，从未定类样本数据组剩余的未定类样本数据中随机选取第四数量的未定类样本数据。其中，第四数量由正样本数据组中正样本数据的数量以及第二负样本数据子集N2中未定类样本数据的数量来定，第四数量、第二负样本数据子集N2中未定类样本数据的数量之和与正样本数据组中正样本数据的数量一致。例如，若正样本数据的数量为m，第二负样本数据子集N2中未定类样本数据的数量为p，则第四数量为m-p，从剩余的未定类样本数据中随机选取(m-p)个未定类样本数据。
S1026、根据选取的所述第四数量的所述未定类样本数据、以及所述第二负样本数据子集，生成第三负样本数据组。
根据所选取的第四数量的未定类样本数据，以及第二负样本数据子集N2，将其作为负样本，生成相应的负样本数据组。为了便于区分描述，下文将由第四数量的未定类样本数据，以及第二负样本数据子集N2所生成的负样本数据组称为第三负样本数据组。
在一些实施例中，如图7所示，步骤S103可以包括子步骤S1033，步骤S104可以包括子步骤S1043。
S1033、根据所述正样本数据组和所述第三负样本数据组，基于正样本数据准确率和第二负样本数据子集准确率对应的第三优化目标函数，对所述初始二分类模型进行训练，获得对应的第三目标二分类模型。
获得第三负样本数据组后，根据正样本数据组和第三负样本数据组，基于相应的优化目标函数，其中，该优化目标函数为针对正样本数据准确率和第二负样本数据子集N2准确率而设置，对构建的二分类模型M进行训练，获得对应的目标二分类模型。为了便于区分描述，下文将针对正样本数据准确率和第二负样本数据子集N2准确率的优化目标函数称为第三优化目标函数，将训练获得的目标二分类模型称为第三目标二分类模型。
S1043、将所述未定类样本数据组输入所述第三目标二分类模型，输出每个所述未定类样本数据对应的评分。
例如，将n个未定类样本数据输入训练好的第三目标二分类模型，输出每个未定类样本数据对应的评分。具体操作如上述实施例中所述，在此不再赘述。
然后，根据每个未定类样本数据对应的评分，以及上一次获得的负样本数据子集(如第二负样本数据子集N2)，从去除上一次获得的负样本数据子集的未定类样本数据组中随机选取相应数量的未定类样本数据，并计算选取的相应数量的未定类样本数据与上一次获得的负样本数据子集的并集，生成当前的负样本数据子集Ni。
若当前的负样本数据子集Ni中未定类样本数据的数量小于正样本数据组中正样本数据的数量，则继续循环上述操作，以再次获得新的当前的负样本数据子集Ni，直至当前的负样本数据子集Ni中未定类样本数据的数量达到正样本数据组中正样本数据的数量。根据当前最新获得的负样本数据子集Ni，生成对应的目标负样本数据组。
通过上述方式逐步找出纯净的负样本出来，替代了使用人工经验找负样本的方法，不仅能确保负样本的纯度，还节约了成本，提高了效率。
根据正样本数据组和得到的目标负样本数据组，基于相应的优化目标函数，其中，该优化目标函数为针对所有样本数据准确率而设置，对构建的二分类模型M进行训练，获得对应的目标二分类模型。
之后，将未定类样本数据组输入上述获得的目标二分类模型，输出每个未定类样本数据对应的评分。例如，将n个未定类样本数据输入目标二分类模型，输出所有未定类样本数据对应的评分s11、s12、......、s1n。
示例性的，若预设数量为T，则通过循环上述操作训练出T个目标二分类模型，输出每个未定类样本数据对应的T个评分s1i、s2i、......、sTi，其中，1≤i≤n。
在一些实施例中，如图8所示，步骤S105可以包括子步骤S1051和子步骤S1052。
S1051、将每个所述未定类样本数据对应的预设数量的评分中的最高评分和最低评分去除。
例如，若获得每个未定类样本数据对应的T个评分s1i、s2i、......、sTi，根据每个未定类样本数据对应的T个评分s1i、s2i、......、sTi的大小，将s1i、s2i、......、sTi中的最高评分和最低评分去除。
S1052、根据去除最高评分和最低评分后剩余的每个所述未定类样本数据对应的评分，计算每个所述未定类样本数据对应的所述平均分。
将每个未定类样本数据的s1i、s2i、......、sTi中的最高评分和最低评分去除后，根据剩余的(T-2)个评分，对剩余的(T-2)个评分进行平均值计算，获得每个未定类样本数据对应的平均分si。例如，获得n个未定类样本数据对应的平均分为s1、s2、......、sn。
通过去除最高评分和最低评分，可以避免异常值带来的误差，从而更进一步提高确定目标客户的准确性，进而提高业务推荐的可靠性。
上述实施例通过获取正样本数据组以及未定类样本数据组(业务的备选客户对应的数据集合)，从未定类样本数据组中选取多个未定类样本数据，生成负样本数据组，并根据正样本数据组和负样本数据组，对初始二分类模型进行训练，获得对应的目标二分类模型，然后将未定类样本数据组输目标二分类模型，输出未定类样本数据组中每个未定类样本数据对应的评分，循环上述操作直至输出的每个未定类样本数据对应的评分的数量达到预设数量，计算每个未定类样本数据对应的预设数量的评分的平均分，根据每个未定类样本数据对应的平均分，从备选客户中确定对应的目标客户，进而有针对性地向目标客户进行业务推荐，因此，提高了业务推荐的可靠性。
请参阅图9，图9为本申请实施例提供的一种计算机设备的示意性框图。如图9所示，计算机设备900可以包括处理器910和存储器920。处理器910和存储器920通过总线连接，该总线比如为I2C(Inter-integrated Circuit)总线。
具体地，处理器910可以是微控制单元(Micro-controller Unit，MCU)、中央处理单元(Central Processing Unit，CPU)或数字信号处理器(Digital Signal Processor，DSP)等。
具体地，存储器920可以是Flash芯片、只读存储器(ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
其中，所述处理器用于运行存储在存储器中的计算机程序，并在执行所述计算机程序时实现如下步骤：
获取正样本数据组以及未定类样本数据组，其中，所述未定类样本数据组为业务的备选客户对应的数据集合；
从所述未定类样本数据组中选取多个未定类样本数据，生成负样本数据组；
根据所述正样本数据组和所述负样本数据组，对初始二分类模型进行训练，获得对应的目标二分类模型；
将所述未定类样本数据组输入所述目标二分类模型，输出所述未定类样本数据组中每个未定类样本数据对应的评分，并返回执行所述从所述未定类样本数据组中选取多个未定类样本数据，生成负样本数据组的步骤，直至输出的每个所述未定类样本数据对应的评分的数量达到预设数量；
根据每个所述未定类样本数据对应的预设数量的评分，计算每个所述未定类样本数据对应的平均分；
根据每个所述未定类样本数据对应的所述平均分，从所述备选客户中确定对应的目标客户，以根据所述目标客户进行业务推荐。
在一些实施例中，所述处理器在实现所述从所述未定类样本数据组中选取多个未定类样本数据，生成负样本数据组时，用于实现：
从所述未定类样本数据组中随机选取相应数量的未定类样本数据，其中，选取的未定类样本数据的数量与所述正样本数据组中正样本数据的数量一致；
根据选取的所述未定类样本数据，生成第一负样本数据组。
在一些实施例中，所述处理器在实现所述根据所述正样本数据组和所述负样本数据组，对初始二分类模型进行训练，获得对应的目标二分类模型时，用于实现：
根据所述正样本数据组和所述第一负样本数据组，基于正样本数据准确率对应的第一优化目标函数，对所述初始二分类模型进行训练，获得对应的第一目标二分类模型；
所述处理器在实现所述将所述未定类样本数据组输入所述目标二分类模型，输出所述未定类样本数据组中每个未定类样本数据对应的评分时，用于实现：
将所述未定类样本数据组输入所述第一目标二分类模型，输出每个所述未定类样本数据对应的评分。
在一些实施例中，所述处理器在实现所述将所述未定类样本数据组输入所述第一目标二分类模型，输出每个所述未定类样本数据对应的评分之后，用于实现：
根据每个所述未定类样本数据对应的评分，选取第一数量的所述未定类样本数据，生成第一负样本数据子集，其中，选取的第一数量的所述未定类样本数据对应的评分低于其他未选取的所述未定类样本数据对应的评分；
所述处理器在实现所述从所述未定类样本数据组中选取多个未定类样本数据，生成负样本数据组时，用于实现：
从除去所述第一负样本数据子集的所述未定类样本数据组中随机选取第二数量的未定类样本数据，其中，所述第一数量、所述第二数量之和与所述正样本数据组中正样本数据的数量一致；
根据选取的所述第二数量的所述未定类样本数据、以及所述第一负样本数据子集，生成第二负样本数据组。
在一些实施例中，所述处理器在实现所述根据所述正样本数据组和所述负样本数据组，对初始二分类模型进行训练，获得对应的目标二分类模型时，用于实现：
根据所述正样本数据组和所述第二负样本数据组，基于正样本数据准确率和第一负样本数据子集准确率对应的第二优化目标函数，对所述初始二分类模型进行训练，获得对应的第二目标二分类模型；
所述处理器在实现所述将所述未定类样本数据组输入所述目标二分类模型，输出所述未定类样本数据组中每个未定类样本数据对应的评分时，用于实现：
将所述未定类样本数据组输入所述第二目标二分类模型，输出每个所述未定类样本数据对应的评分。
在一些实施例中，所述处理器在实现所述将所述未定类样本数据组输入所述第二目标二分类模型，输出每个所述未定类样本数据对应的评分之后，用于实现：
根据每个所述未定类样本数据对应的评分，选取第三数量的所述未定类样本数据，其中，选取的第三数量的所述未定类样本数据对应的评分低于其他未选取的所述未定类样本数据对应的评分；
计算选取的所述第三数量的所述未定类样本数据与所述第一负样本数据子集的并集，生成第二负样本数据子集；
所述处理器在实现所述从所述未定类样本数据组中选取多个未定类样本数据，生成负样本数据组时，用于实现：
从除去所述第二负样本数据子集的所述未定类样本数据组中随机选取第四数量的未定类样本数据，其中，所述第四数量和所述第二负样本数据子集中未定类样本数据的数量之和，与所述正样本数据组中正样本数据的数量一致；
根据选取的所述第四数量的所述未定类样本数据、以及所述第二负样本数据子集，生成第三负样本数据组。
在一些实施例中，所述处理器在实现所述根据所述正样本数据组和所述负样本数据组，对初始二分类模型进行训练，获得对应的目标二分类模型时，用于实现：
根据所述正样本数据组和所述第三负样本数据组，基于正样本数据准确率和第二负样本数据子集准确率对应的第三优化目标函数，对所述初始二分类模型进行训练，获得对应的第三目标二分类模型；
所述处理器在实现所述将所述未定类样本数据组输入所述目标二分类模型，输出所述未定类样本数据组中每个未定类样本数据对应的评分时，用于实现：
将所述未定类样本数据组输入所述第三目标二分类模型，输出每个所述未定类样本数据对应的评分。
在一些实施例中，所述处理器在实现所述根据每个所述未定类样本数据对应的预设数量的评分，计算每个所述未定类样本数据对应的平均分时，用于实现：
将每个所述未定类样本数据对应的预设数量的评分中的最高评分和最低评分去除；
根据去除最高评分和最低评分后剩余的每个所述未定类样本数据对应的评分，计算每个所述未定类样本数据对应的所述平均分。
上述实施例通过获取正样本数据组以及未定类样本数据组(业务的备选客户对应的数据集合)，从未定类样本数据组中选取多个未定类样本数据，生成负样本数据组，并根据正样本数据组和负样本数据组，对初始二分类模型进行训练，获得对应的目标二分类模型，然后将未定类样本数据组输目标二分类模型，输出未定类样本数据组中每个未定类样本数据对应的评分，循环上述操作直至输出的每个未定类样本数据对应的评分的数量达到预设数量，计算每个未定类样本数据对应的预设数量的评分的平均分，根据每个未定类样本数据对应的平均分，从备选客户中确定对应的目标客户，进而有针对性地向目标客户进行业务推荐，因此，提高了业务推荐的可靠性。
本申请的实施例中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计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现上述实施例提供的业务推荐方法的步骤。例如，该计算机程序被处理器加载，可以执行如下步骤：
获取正样本数据组以及未定类样本数据组，其中，所述未定类样本数据组为业务的备选客户对应的数据集合；
从所述未定类样本数据组中选取多个未定类样本数据，生成负样本数据组；
根据所述正样本数据组和所述负样本数据组，对初始二分类模型进行训练，获得对应的目标二分类模型；
将所述未定类样本数据组输入所述目标二分类模型，输出所述未定类样本数据组中每个未定类样本数据对应的评分，并返回执行所述从所述未定类样本数据组中选取多个未定类样本数据，生成负样本数据组的步骤，直至输出的每个所述未定类样本数据对应的评分的数量达到预设数量；
根据每个所述未定类样本数据对应的预设数量的评分，计算每个所述未定类样本数据对应的平均分；
根据每个所述未定类样本数据对应的所述平均分，从所述备选客户中确定对应的目标客户，以根据所述目标客户进行业务推荐。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，计算机可读存储介质可以是前述实施例的计算机设备的内部存储单元，例如计算机设备的硬盘或内存。计算机可读存储介质也可以是计算机设备的外部存储设备，例如计算机设备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。
由于该计算机可读存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种业务推荐方法，因此，可以实现本申请实施例所提供的任一种业务推荐方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅是本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种业务推荐方法，其特征在于，包括：
获取正样本数据组以及未定类样本数据组，其中，所述未定类样本数据组为业务的备选客户对应的数据集合；
从所述未定类样本数据组中选取多个未定类样本数据，生成负样本数据组；
根据所述正样本数据组和所述负样本数据组，对初始二分类模型进行训练，获得对应的目标二分类模型；
将所述未定类样本数据组输入所述目标二分类模型，输出所述未定类样本数据组中每个未定类样本数据对应的评分，并返回执行所述从所述未定类样本数据组中选取多个未定类样本数据，生成负样本数据组的步骤，直至输出的每个所述未定类样本数据对应的评分的数量达到预设数量；
根据每个所述未定类样本数据对应的预设数量的评分，计算每个所述未定类样本数据对应的平均分；
根据每个所述未定类样本数据对应的所述平均分，从中选取平均分高的目标客户数量的未定类样本数据，将选取的所述目标客户数量的未定类样本数据对应的备选客户，确定为目标客户，以根据所述目标客户进行业务推荐。
2.根据权利要求1所述的方法，其特征在于，所述从所述未定类样本数据组中选取多个未定类样本数据，生成负样本数据组，包括：
从所述未定类样本数据组中随机选取相应数量的未定类样本数据，其中，选取的未定类样本数据的数量与所述正样本数据组中正样本数据的数量一致；
根据选取的所述未定类样本数据，生成第一负样本数据组。
3.根据权利要求2所述的方法，其特征在于，所述根据所述正样本数据组和所述负样本数据组，对初始二分类模型进行训练，获得对应的目标二分类模型，包括：
根据所述正样本数据组和所述第一负样本数据组，基于正样本数据准确率对应的第一优化目标函数，对所述初始二分类模型进行训练，获得对应的第一目标二分类模型；
所述将所述未定类样本数据组输入所述目标二分类模型，输出所述未定类样本数据组中每个未定类样本数据对应的评分，包括：
将所述未定类样本数据组输入所述第一目标二分类模型，输出每个所述未定类样本数据对应的评分。
4.根据权利要求3所述的方法，其特征在于，所述将所述未定类样本数据组输入所述第一目标二分类模型，输出每个所述未定类样本数据对应的评分之后，包括：
根据每个所述未定类样本数据对应的评分，选取第一数量的所述未定类样本数据，生成第一负样本数据子集，其中，选取的第一数量的所述未定类样本数据对应的评分低于其他未选取的所述未定类样本数据对应的评分；
所述从所述未定类样本数据组中选取多个未定类样本数据，生成负样本数据组，包括：
从除去所述第一负样本数据子集的所述未定类样本数据组中随机选取第二数量的未定类样本数据，其中，所述第一数量、所述第二数量之和与所述正样本数据组中正样本数据的数量一致；
根据选取的所述第二数量的所述未定类样本数据、以及所述第一负样本数据子集，生成第二负样本数据组。
5.根据权利要求4所述的方法，其特征在于，所述根据所述正样本数据组和所述负样本数据组，对初始二分类模型进行训练，获得对应的目标二分类模型，包括：
根据所述正样本数据组和所述第二负样本数据组，基于正样本数据准确率和第一负样本数据子集准确率对应的第二优化目标函数，对所述初始二分类模型进行训练，获得对应的第二目标二分类模型；
所述将所述未定类样本数据组输入所述目标二分类模型，输出所述未定类样本数据组中每个未定类样本数据对应的评分，包括：
将所述未定类样本数据组输入所述第二目标二分类模型，输出每个所述未定类样本数据对应的评分。
6.根据权利要求5所述的方法，其特征在于，所述将所述未定类样本数据组输入所述第二目标二分类模型，输出每个所述未定类样本数据对应的评分之后，还包括：
根据每个所述未定类样本数据对应的评分，选取第三数量的所述未定类样本数据，其中，选取的第三数量的所述未定类样本数据对应的评分低于其他未选取的所述未定类样本数据对应的评分；
计算选取的所述第三数量的所述未定类样本数据与所述第一负样本数据子集的并集，生成第二负样本数据子集；
所述从所述未定类样本数据组中选取多个未定类样本数据，生成负样本数据组，包括：
从除去所述第二负样本数据子集的所述未定类样本数据组中随机选取第四数量的未定类样本数据，其中，所述第四数量和所述第二负样本数据子集中未定类样本数据的数量之和，与所述正样本数据组中正样本数据的数量一致；
根据选取的所述第四数量的所述未定类样本数据、以及所述第二负样本数据子集，生成第三负样本数据组。
7.根据权利要求6所述的方法，其特征在于，所述根据所述正样本数据组和所述负样本数据组，对初始二分类模型进行训练，获得对应的目标二分类模型，包括：
根据所述正样本数据组和所述第三负样本数据组，基于正样本数据准确率和第二负样本数据子集准确率对应的第三优化目标函数，对所述初始二分类模型进行训练，获得对应的第三目标二分类模型；
所述将所述未定类样本数据组输入所述目标二分类模型，输出所述未定类样本数据组中每个未定类样本数据对应的评分，包括：
将所述未定类样本数据组输入所述第三目标二分类模型，输出每个所述未定类样本数据对应的评分。
8.根据权利要求1至7任一项所述的方法，其特征在于，所述根据每个所述未定类样本数据对应的预设数量的评分，计算每个所述未定类样本数据对应的平均分，包括：
将每个所述未定类样本数据对应的预设数量的评分中的最高评分和最低评分去除；
根据去除最高评分和最低评分后剩余的每个所述未定类样本数据对应的评分，计算每个所述未定类样本数据对应的所述平均分。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行如权利要求1至8中任一项所述的业务推荐方法。
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计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至8中任一项所述的业务推荐方法。
CN202110519348.1A 2021-05-12 2021-05-12 业务推荐方法、计算机设备及计算机可读存储介质 Active CN113191812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110519348.1A CN113191812B (zh) 2021-05-12 2021-05-12 业务推荐方法、计算机设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110519348.1A CN113191812B (zh) 2021-05-12 2021-05-12 业务推荐方法、计算机设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113191812A CN113191812A (zh) 2021-07-30
CN113191812B true CN113191812B (zh) 2024-02-02

Family

ID=76981301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110519348.1A Active CN113191812B (zh) 2021-05-12 2021-05-12 业务推荐方法、计算机设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113191812B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875776A (zh) * 2018-05-02 2018-11-23 北京三快在线科技有限公司 模型训练方法和装置、业务推荐的方法和装置、电子设备
CN109711929A (zh) * 2018-12-13 2019-05-03 中国平安财产保险股份有限公司 基于预测模型的业务推荐的方法及装置
CN110163647A (zh) * 2019-03-14 2019-08-23 腾讯科技（深圳）有限公司 一种数据处理方法及装置
CN110349038A (zh) * 2019-06-13 2019-10-18 中国平安人寿保险股份有限公司 风险评估模型训练方法和风险评估方法
CN110362751A (zh) * 2019-07-22 2019-10-22 腾讯科技（深圳）有限公司 业务推荐方法、装置、计算机设备和存储介质
CN110457447A (zh) * 2019-05-15 2019-11-15 国网浙江省电力有限公司电力科学研究院 一种电网任务型对话系统
CN110796482A (zh) * 2019-09-27 2020-02-14 北京淇瑀信息科技有限公司 用于机器学习模型的金融数据分类方法、装置及电子设备
CN110796170A (zh) * 2019-09-27 2020-02-14 北京淇瑀信息科技有限公司 客户动支模型生成方法、装置及电子设备
CN111274472A (zh) * 2018-12-04 2020-06-12 北京嘀嘀无限科技发展有限公司 信息推荐方法、装置、服务器及可读存储介质
CN111310053A (zh) * 2020-03-03 2020-06-19 上海喜马拉雅科技有限公司 信息的推荐方法、装置、设备和存储介质
CN112116411A (zh) * 2020-08-10 2020-12-22 第四范式（北京）技术有限公司 一种用于商品推荐的排序模型的训练方法、装置及系统
CN112163963A (zh) * 2020-09-27 2021-01-01 中国平安财产保险股份有限公司 业务推荐方法、装置、计算机设备和存储介质
CN112184304A (zh) * 2020-09-25 2021-01-05 中国建设银行股份有限公司 一种辅助决策的方法、系统、服务器和存储介质
CN112287976A (zh) * 2020-09-30 2021-01-29 北京三快在线科技有限公司 一种对象推荐方法、装置、电子设备及存储介质
CN112633962A (zh) * 2020-12-03 2021-04-09 北京道隆华尔软件股份有限公司 业务推荐方法、装置、计算机设备和存储介质
CN112785390A (zh) * 2021-02-02 2021-05-11 微民保险代理有限公司 推荐处理方法、装置、终端设备以及存储介质
CN116450951A (zh) * 2023-05-05 2023-07-18 中国工商银行股份有限公司 业务推荐方法、装置、存储介质及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103430196A (zh) * 2010-09-17 2013-12-04 甲骨文国际公司 销售预测和推荐系统
CN109598576A (zh) * 2018-10-25 2019-04-09 阿里巴巴集团控股有限公司 服务推荐方法、装置及设备

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875776A (zh) * 2018-05-02 2018-11-23 北京三快在线科技有限公司 模型训练方法和装置、业务推荐的方法和装置、电子设备
CN111274472A (zh) * 2018-12-04 2020-06-12 北京嘀嘀无限科技发展有限公司 信息推荐方法、装置、服务器及可读存储介质
CN109711929A (zh) * 2018-12-13 2019-05-03 中国平安财产保险股份有限公司 基于预测模型的业务推荐的方法及装置
CN110163647A (zh) * 2019-03-14 2019-08-23 腾讯科技（深圳）有限公司 一种数据处理方法及装置
CN110457447A (zh) * 2019-05-15 2019-11-15 国网浙江省电力有限公司电力科学研究院 一种电网任务型对话系统
CN110349038A (zh) * 2019-06-13 2019-10-18 中国平安人寿保险股份有限公司 风险评估模型训练方法和风险评估方法
CN110362751A (zh) * 2019-07-22 2019-10-22 腾讯科技（深圳）有限公司 业务推荐方法、装置、计算机设备和存储介质
CN110796170A (zh) * 2019-09-27 2020-02-14 北京淇瑀信息科技有限公司 客户动支模型生成方法、装置及电子设备
CN110796482A (zh) * 2019-09-27 2020-02-14 北京淇瑀信息科技有限公司 用于机器学习模型的金融数据分类方法、装置及电子设备
CN111310053A (zh) * 2020-03-03 2020-06-19 上海喜马拉雅科技有限公司 信息的推荐方法、装置、设备和存储介质
CN112116411A (zh) * 2020-08-10 2020-12-22 第四范式（北京）技术有限公司 一种用于商品推荐的排序模型的训练方法、装置及系统
CN112184304A (zh) * 2020-09-25 2021-01-05 中国建设银行股份有限公司 一种辅助决策的方法、系统、服务器和存储介质
CN112163963A (zh) * 2020-09-27 2021-01-01 中国平安财产保险股份有限公司 业务推荐方法、装置、计算机设备和存储介质
CN112287976A (zh) * 2020-09-30 2021-01-29 北京三快在线科技有限公司 一种对象推荐方法、装置、电子设备及存储介质
CN112633962A (zh) * 2020-12-03 2021-04-09 北京道隆华尔软件股份有限公司 业务推荐方法、装置、计算机设备和存储介质
CN112785390A (zh) * 2021-02-02 2021-05-11 微民保险代理有限公司 推荐处理方法、装置、终端设备以及存储介质
CN116450951A (zh) * 2023-05-05 2023-07-18 中国工商银行股份有限公司 业务推荐方法、装置、存储介质及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PSVM: a preference-enhanced SVM model using preference data for classification;Ma, LR;SCIENCE CHINA-INFORMATION SCIENCES;第60卷(第12期);1-12 *
基于机器学习的推荐模型的设计与研究;顾方婷;;信息通信(第09期);29-31 *

Also Published As

Publication number Publication date
CN113191812A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN109871886B (zh) 基于谱聚类的异常点比例优化方法、装置及计算机设备
CN106651542B (zh) 一种物品推荐的方法及装置
CN109241415B (zh) 项目推荐方法、装置、计算机设备及存储介质
CN110896488B (zh) 一种直播间的推荐方法以及相关设备
US10140342B2 (en) Similarity calculation system, method of calculating similarity, and program
US10846332B2 (en) Playlist list determining method and device, electronic apparatus, and storage medium
CN110019876B (zh) 数据查询方法、电子设备及存储介质
CN109492180A (zh) 资源推荐方法、装置、计算机设备及计算机可读存储介质
CN109241451B (zh) 一种内容组合推荐方法、装置及可读存储介质
CN111010592B (zh) 一种视频推荐方法、装置、电子设备及存储介质
JP2016212547A (ja) 情報提供プログラム、情報提供装置、及び情報提供方法
CN110489574B (zh) 一种多媒体信息推荐方法、装置和相关设备
CN109218769B (zh) 一种直播间的推荐方法以及相关设备
Pan et al. Collaborative recommendation with multiclass preference context
WO2023168856A1 (zh) 一种关联场景推荐方法、装置、存储介质及电子装置
JP6308339B1 (ja) クラスタリングシステム、方法およびプログラム、並びに、レコメンドシステム
CN112989211B (zh) 一种确定信息相似度的方法及系统
CN113191812B (zh) 业务推荐方法、计算机设备及计算机可读存储介质
CN112487021B (zh) 业务数据的关联分析方法、装置及设备
CN108170664B (zh) 基于重点关键词的关键词拓展方法和装置
CN110555182A (zh) 用户画像的确定方法、装置及计算机可读存储介质
KR101958555B1 (ko) 검색 결과 제공 장치 및 방법
CN109857859B (zh) 新闻信息的处理方法、装置、设备以及存储介质
CN111984867B (zh) 一种网络资源确定方法及装置
CN113987034A (zh) 信息展示方法、装置、电子设备及可读存储介质

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