CN113393295A - 服务数据的推送方法、装置、电子设备及存储介质 - Google Patents
服务数据的推送方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113393295A CN113393295A CN202110661423.8A CN202110661423A CN113393295A CN 113393295 A CN113393295 A CN 113393295A CN 202110661423 A CN202110661423 A CN 202110661423A CN 113393295 A CN113393295 A CN 113393295A
- Authority
- CN
- China
- Prior art keywords
- service
- sample
- target user
- target
- information
- 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 48
- 238000013475 authorization Methods 0.000 claims abstract description 107
- 238000012549 training Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013079 data visualisation Methods 0.000 claims description 4
- 239000003814 drug Substances 0.000 description 67
- 229940079593 drug Drugs 0.000 description 20
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000000820 nonprescription drug Substances 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 239000002699 waste material Substances 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种服务数据的推送方法、装置、电子设备及存储介质。该方法包括：当检测到目标用户终端发送的用于请求为目标用户推荐服务的服务请求时，基于服务请求获取目标用户的授权信息；基于授权信息和预先建立的服务特征预测模型，确定目标用户的目标服务特征；基于目标服务特征和授权信息，确定与目标用户对应的目标服务数据，并将目标服务数据推送至目标用户终端。本发明实施例的技术方案，可以节省了工作人员的时间，基于目标服务特征为用户推送服务数据，提高了推送的服务数据的有效性和准确性。
Description
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种服务数据的推送方法、装置、电子设备及存储介质。
背景技术
用户在请求获取服务时，需要了解用户的服务需求，才能为用户精确推荐出合适的服务。现有技术中，通常采用由工作人员询问用户的方式确定出用户的需求服务特征，基于用户的需求服务需求，再精准地为用户进行服务推荐。
但是，采用现有技术，用户请求服务的获取全部依靠人工描述，易出现用户表达错误或者描述的不全面的情况，从而导致确定出的需求服务特征存在错误、准确度低；并且，采用人工的方式将产生大量的人力、时间资源浪费。
发明内容
本发明实施例提供了一种服务数据的推送方法、装置、电子设备及存储介质，以实现基于服务请求获取授权信息，无需人工询问，节省工作人员的时间；并且，基于服务特征预测模型预测出目标用户的目标服务特征，基于目标服务特征为用户推送服务数据，提高了推送的服务数据的有效性和准确性。
第一方面，本发明实施例提供了一种服务数据的推送方法，可以包括：
当检测到目标用户终端发送的用于请求为目标用户推荐服务的服务请求时，基于所述服务请求获取所述目标用户的授权信息；
基于所述授权信息和预先建立的服务特征预测模型，确定所述目标用户的目标服务特征；
基于所述目标服务特征和所述授权信息，确定与所述目标用户对应的目标服务数据，并将所述目标服务数据推送至所述目标用户终端。
第二方面，本发明实施例提供了一种服务数据的推送装置，可以包括：
获取授权信息模块，用于当检测到目标用户终端发送的用于请求为目标用户推荐服务的服务请求时，基于所述服务请求获取所述目标用户的授权信息；
确定目标服务特征模块，用于基于所述授权信息和预先建立的服务特征预测模型，确定所述目标用户的目标服务特征；
推送模块，用于基于所述目标服务特征和所述授权信息，确定与所述目标用户对应的目标服务数据，并将所述目标服务数据推送至所述目标用户终端。
第三方面，本发明实施例提供了一种电子设备，可以包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的服务数据的推送方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的服务数据的推送方法。
本发明实施例所提供的一种服务数据的推送方法，当检测到目标用户终端发送的用于请求为目标用户推荐服务的服务请求时，基于服务请求获取目标用户的授权信息；基于授权信息和预先建立的服务特征预测模型，确定目标用户的目标服务特征；从而无需人工询问即可预测出目标用户所需要提供的服务的服务特征，并且基于目标服务特征和授权信息，确定与目标用户对应的目标服务数据，并将目标服务数据推送至目标用户终端。由此可见，本发明实施例基于服务请求获取授权信息，无需人工询问，节省了工作人员的时间；并且，基于服务特征预测模型预测出目标用户的目标服务特征，基于目标服务特征为用户推送服务数据，提高了推送的服务数据的有效性和准确性。
此外，本发明所提供的一种服务数据的推送装置、电子设备及存储介质与上述方法对应，具有同样的有益效果。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，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。
图1为本发明实施例提供的一种服务数据的推送方法的流程图；
图2为本发明实施例提供的另一种服务数据的推送方法的流程图；
图3为本发明实施例提供的一种服务数据的推送装置的结构图；
图4为本发明实施例提供的一种电子设备的结构图。
具体实施方式
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。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
本发明的核心是提供一种服务数据的推送方法、装置、电子设备及存储介质，以实现基于服务请求获取授权信息，无需人工询问，节省工作人员的时间；并且，基于服务特征预测模型预测出目标用户的目标服务特征，基于目标服务特征为用户推送服务数据，提高了推送的服务数据的有效性和准确性。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
实施例一
图1为本发明实施例提供的一种服务数据的推送方法的流程图。该方法可以由本发明实施例提供的服务数据的推送装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在各种用户终端或服务器上。
本发明实施例可用于多种应用场景下，如对目标用户购药时，预测目标用户所需药品进行推荐；在目标用户需要就餐时，推荐服务餐厅，并为目标用户推荐合适菜品等。为了使本领域技术人员进一步清楚本方法的技术方案，下文以目标用户购药这一应用场景为例进行说明。
如图1所示，本发明实施例的方法具体包括如下步骤：
S101、当检测到目标用户终端发送的用于请求为目标用户推荐服务的服务请求时，基于服务请求获取所述目标用户的授权信息。
在具体实施中，当目标用户需要推荐服务时，将通过操作目标用户终端生成服务请求。示例性的，在目标用户需要购药时，可在目标用户终端插入目标用户的购药卡，基于读取到的购药卡中的目标用户的信息生成服务请求。
具体的，授权信息为目标用户允许查阅的目标用户的个人信息，可包括目标用户的姓名信息、年龄信息、性别信息、身份标识信息和电子病历信息等。身份标识信息可包括目标用户的购药卡卡号、病历卡号或身份证号等。
可选的，可定时对目标用户终端进行检测，也可实时进行检测；当检测到并接收了目标用户终端发送的服务请求后，可基于接收到的服务请求获取目标用户的授权信息。
进一步的，目标用户的授权信息可预先存储于目标用户终端，基于目标用户的身份标识信息获取对应的授权信息后，基于授权信息生成服务请求进行发送。授权信息也可预先存储于目标用户的购药卡内，目标用户终端也可通过读取目标用户的购药卡获取目标用户的授权信息，基于授权信息生成服务请求进行发送。当接收到目标用户终端发送的服务请求后，获取服务请求中包含的目标用户的授权信息。
S102、基于授权信息和预先建立的服务特征预测模型，确定目标用户的目标服务特征。
可选的，预先建立用于对目标用户的服务特征进行预测的服务特征预测模型，将获取到的目标用户的姓名信息、年龄信息、性别信息、身份标识信息和电子病历信息等授权信息，输入至服务特征预测模型中，确定出目标用户的目标服务特征。
在一个实施例中，服务特征预测模型包括线性回归模型，目标服务特征包括服务频率特征和单位时间总价值特征。基于授权信息和预先建立的服务特征预测模型，确定目标用户的目标服务特征，包括：基于授权信息和线性回归模型，确定目标用户的服务频率特征和单位时间总价值特征。
具体的，服务频率特征为预测出的目标用户单位时间购买药品的次数。服务频率特征越高，反映出目标用户在单位时间内购买药品的次数越多，该目标用户经常需要购买药品。单位时间总价值特征为预测出的目标用户单位时间在购买药品上的总花费。需要说明的是，单位时间通常以每月为单位。本领域技术人员也可以每天、每年为单位，本发明实施例对此不做限定。
在一个实施例中，服务特征预测模型包括协同过滤模型；目标服务特征包括服务多样性特征。基于授权信息和预先建立的服务特征预测模型，确定目标用户的目标服务特征，包括：基于授权信息和协同过滤模型，确定目标用户的服务多样性特征。
具体的，当服务特征预测模型为协同过滤模型时，将获取到的目标用户的授权信息，输入至协同过滤模型中，基于协同过滤模型的输出结果，确定出目标用户的服务多样性特征。服务多样性特征为按照适应症分类，预测出的目标用户的购买药品的种类数。
S103、基于目标服务特征和授权信息，确定与目标用户对应的目标服务数据，并将目标服务数据推送至目标用户终端。
可选的，目标服务特征包括服务频率特征、单位时间总价值特征和服务多样性特征。可基于目标服务特征和预先设定的确定规则，确定与目标用户对应的目标服务数据。具体的，确定规则可为当服务频率特征高于频率阈值、单位时间总价值特征低于价值阈值时，则可将服务数据的价值小于价值阈值的服务数据确定为目标服务数据。
示例性的，目标服务数据可为用于给目标用户推荐的购药数据。目标服务特征包括目标用户购买药品的服务频率特征、单位时间总价值特征和服务多样性特征。
当目标用户的服务多样性特征高于多样性阈值、服务频率特征高于频率阈值、单位时间总价值特征低于价值阈值时，说明该目标用户的需要经常购买不同种类的药品，但花费较低，则可基于目标用户的电子病历信息，为目标用户推荐符合目标用户病症的平价OTC(over the counter drug，非处方药)药品，并将该平价OTC药品数据作为目标服务数据推送至目标用户终端。当目标用户的服务多样性特征低与多样性阈值、服务频率特征高于频率阈值时，可确定同种类、不同生产厂家的药品为目标药品，并将目标药品的药品数据作为目标服务数据推送至目标用户终端。
本发明实施例所提供的一种服务数据的推送方法，当检测到目标用户终端发送的用于请求为目标用户推荐服务的服务请求时，基于服务请求获取目标用户的授权信息；基于授权信息和预先建立的服务特征预测模型，确定目标用户的目标服务特征；从而无需人工询问即可预测出目标用户所需要的提供的服务的服务特征，并且基于目标服务特征和授权信息，确定与目标用户对应的目标服务数据，并将目标服务数据推送至目标用户终端。由此可见，本发明实施例基于服务请求获取授权信息，无需人工询问，节省了工作人员的时间；并且，基于服务特征预测模型预测出目标用户的目标服务特征，基于目标服务特征为用户推送服务数据，提高了推送的服务数据的有效性和准确性。
实施例二
图2为本发明实施例提供的另一种服务数据的推送方法的流程图。本实施例以上述各技术方案为基础进行优化。在基于授权信息和预先建立的服务特征预测模型，确定目标用户的目标服务特征之前，还包括：获取各样本用户对应的样本授权信息和样本服务信息；基于样本授权信息、样本服务信息对预先建立的特征预测模型进行训练，得到服务特征预测模型。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
如图2所示，本发明实施例的方法具体包括如下步骤：
S201、获取各样本用户对应的样本授权信息和样本服务信息。
可选的，与目标用户购药这一应用场景对应的，样本授权信息包括样本用户的姓名信息、性别信息、年龄信息和电子病历信息，样本服务信息为样本用户的历史购药信息。为提高建立的特征预测模型的准确性，可选择不同年龄段、不同性别的用户作为样本用户。
S202、基于样本授权信息、样本服务信息对预先建立的特征预测模型进行训练，得到服务特征预测模型。
可选的，基于样本服务信息，可确定出各样本用户的样本服务特征。基于样本服务特征和样本授权信息，对预先建立的特征预测模型进行训练。示例性的，样本服务信息为样本用户的历史购药信息时，可根据药品适应症对购买的药品进行分类，统计样本用户购买的药品种类的数量作为服务多样性特征。根据历史购药信息计算样本用户共购买药品的次数和买药历史时长，用计算得到的次数除以时长，以确定服务频率特征。统计单位时间内样本用户购买药品的总价值作为单位时间总价值特征。
在具体实施中，基于样本授权信息、样本服务信息对预先建立的特征预测模型进行训练，包括：基于样本服务信息，确定样本服务特征；采用独热编码的方式对样本授权信息进行向量化处理，以得到样本授权向量信息；基于样本授权向量信息与样本服务特征，生成样本数据集；基于样本数据集，对预先建立的特征预测模型进行训练。其中，独热编码的方式为one-hot encoding方式。通过将样本授权信息进行向量化处理后，基于样本授权向量进行更便于对特征预测模型进行训练。
具体的，样本数据集可为包含有各样本用户的样本授权向量信息与对应的样本服务特征的数据表。示例性的，样本服务特征包括样本用户的服务频率特征和单位时间总价值特征。基于样本授权向量信息与服务频率特征生成第一数据集；基于样本授权向量信息与单位时间总价值特征生成第二数据集，将线性回归模型作为特征预测模型，分别基于第一数据集和第二数据集对线性回归模型进行训练。示例性的，样本服务特征包括样本用户的服务多样性特征，基于样本授权向量信息与服务多样性特征生成第三数据集，基于第三数据集，将协同过滤模型作为特征预测模型进行训练。
进一步的，基于样本数据集，对预先建立的特征预测模型进行训练，包括：基于数据可视化降维算法，对样本数据集进行降维处理以生成降维样本数据集；基于降维样本数据集对预先建立的特征预测模型进行训练。由于得到的样本数据集中数据稀疏，因此可采用tsne数据可视化降维算法对样本数据集进行降维处理，基于降维后的样本数据集对特征预测模型进行训练。
进一步的，样本授权向量信息包括样本年龄信息和样本性别信息；由于样本年龄信息、样本性别信息与样本服务特征格式不统一。因此，基于样本授权向量信息与样本服务特征，生成样本数据集，包括：对样本年龄信息和样本性别信息进行归一化处理，基于本服务特征、归一化处理后的样本年龄信息和样本性别信息，生成样本数据集。
S203、当检测到目标用户终端发送的用于请求为目标用户推荐服务的服务请求时，基于服务请求获取所述目标用户的授权信息。
S204、基于授权信息和预先建立的服务特征预测模型，确定目标用户的目标服务特征。
S205、基于目标服务特征和授权信息，确定与目标用户对应的目标服务数据，并将目标服务数据推送至目标用户终端。
本发明实施例基于样本授权信息、样本服务信息生成样本数据集，基于样本数据集对预先建立的特征预测模型进行训练，得到服务特征预测模型。通过对样本授权信息的向量化操作，对样本数据集的降维操作，大大减少了特征预测模型训练过程中的计算量，提高了训练特征预测模型的效率。
实施例三
在一个实施例中，为了使本领域技术人员进一步清楚本方法的技术方案，下文中给出目标用户购药这一应用场景。具体步骤如下：
(1)预先建立用于预测目标用户的购药特征的购药特征预测模型。获取样本数据库中样本用户的姓名、性别、年龄、疾病史等用户信息。以样本用户的ID为主键，在表格中关联样本用户的姓名、性别、年龄和疾病史等信息。
(2)获取样本数据集中各样本用户的历史购药记录，并将历史购药记录体现为三列因变量，因变量包括购药多样性特征、频率特征、单位时间总价值特征。其中，从样本用户的历史购药记录中，将购买的药物按照适应症分类，并统计每位样本用户购买的药物的种类数量以作为购药多样性特征；统计样本用户购药次数，用购药次数除以购药时间跨度以得到频率特征；以月为单位，用购买药品总价值除以月份数得出单位时间的在药品购物上的花费，作为单位时间总价值特征。
(3)将基于样本用户ID、性别、年龄和疾病史得到的表格中，分别关联购药多样性特征、频率特征、单位时间总价值特征，以对应生成第一数据表、第二数据表和第三数据表。
(4)对各数据表中性别、年龄和疾病史一项利用one-hot encoding的方式进行向量化处理，即行转列处理，生成稀疏宽表。对各稀疏宽表中向量化后的性别、年龄两项内容分别做进行归一化处理，统一疾病史、性别和年龄的格式。对稀疏宽表用tsne干事进行降维处理，生成第一降维数据表、第二降维数据表和第三降维数据表。
(5)基于第一数据表，对协同过滤模型进行训练，以得到购药特征协同预测模型；由于频率和价值因变量是连续的，所以在这两个值的预测上，选择回归模型，则基于第二数据表和第三数据表对回归模型进行训练，以得到购药特征回归预测模型。
(6)当接收到目标用户终端发送的购药请求时，则可基于购药请求确定出目标用户的姓名、性别、年龄和疾病史等授权用户信息，将目标用户的授权用户信息输入至购药特征回归预测模型中，预测出目标用户购药的频率特征和单位时间总价值特征；将目标用户的授权用户信息输入至购药特征协同预测模型中，预测出目标用户的购药多样性特征。
(7)基于预测出的目标用户的购药的频率特征、单位时间总价值特征和购药多样性特征，为目标用户推荐对应的目标药品。例如，目标用户的购药多样性特征高、频率高但单位时间总价值低，则可推荐平价OTC药品；购药多样性低但是频率高的用户，可推荐同类药品但是不同商家，从而完成目标药品的推荐。
本发明实施例基于购药请求获取授权用户信息，无需人工询问，节省了工作人员的时间；并且，基于特征预测模型预测出目标用户的购药的频率特征、单位时间总价值特征和购药多样性特征，基于各购药特征为目标用户推荐药品，提高了药品推荐的有效性和准确性。
实施例四
图3为本发明实施例提供的一种服务数据的推送装置的结构图，该装置用于执行上述任意实施例所提供的服务数据的推送方法。该装置与上述各实施例的服务数据的推送方法属于同一个发明构思，在服务数据的推送装置的实施例中未详尽描述的细节内容，可以参考上述服务数据的推送方法的实施例。参见图3，该装置具体可包括：
获取授权信息模块10，用于当检测到目标用户终端发送的用于请求为目标用户推荐服务的服务请求时，基于服务请求获取目标用户的授权信息；
确定目标服务特征模块11，用于基于授权信息和预先建立的服务特征预测模型，确定目标用户的目标服务特征；
推送模块12，用于基于目标服务特征和授权信息，确定与目标用户对应的目标服务数据，并将目标服务数据推送至目标用户终端。
在本发明实施例任一可选实施方案的基础上，服务特征预测模型包括线性回归模型；该确定目标服务特征模块11包括：
第一确定单元，用于基于授权信息和线性回归模型，确定目标用户的服务频率特征和单位时间总价值特征。
在本发明实施例任一可选实施方案的基础上，服务特征预测模型包括协同过滤模型；该确定目标服务特征模块11包括：
第二确定单元，用于基于授权信息和协同过滤模型，确定目标用户的服务多样性特征。
在本发明实施例任一可选实施方案的基础上，该装置还包括：
训练模块，用于在基于授权信息和预先建立的服务特征预测模型，确定目标用户的目标服务特征之前，获取各样本用户对应的样本授权信息和样本服务信息；基于样本授权信息、样本服务信息对预先建立的特征预测模型进行训练，得到服务特征预测模型。
在本发明实施例任一可选实施方案的基础上，训练模块包括：
向量化单元，用于基于样本服务信息，确定样本服务特征；采用独热编码的方式对样本授权信息进行向量化处理，以得到样本授权向量信息；基于样本授权向量信息与样本服务特征，生成样本数据集；基于样本数据集，对预先建立的特征预测模型进行训练。
在本发明实施例任一可选实施方案的基础上，向量化单元包括：
降维单元，用于基于数据可视化降维算法，对样本数据集进行降维处理以生成降维样本数据集；基于降维样本数据集对预先建立的特征预测模型进行训练。
在本发明实施例任一可选实施方案的基础上，样本授权向量信息包括样本年龄信息和样本性别信息；向量化单元包括：
归一化单元，用于基于样本授权向量信息与样本服务特征，生成样本数据集，包括：对样本年龄信息和样本性别信息进行归一化处理，基于本服务特征、归一化处理后的样本年龄信息和样本性别信息，生成样本数据集。
本发明实施例所提供的服务数据的推送装置可执行本发明任意实施例所提供的服务数据的推送方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述服务数据的推送装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例五
图4为本发明实施例提供的一种电子设备的结构图。图4示出了适于用来实现本发明实施例实施方式的示例性电子设备20的框图。显示的电子设备20仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，电子设备20以通用计算设备的形式表现。电子设备20的组件可以包括但不限于：一个或者多个处理器或者处理单元201，系统存储器202，连接不同系统组件(包括系统存储器202和处理单元201)的总线203。
总线203表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备20典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备20访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器202可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)204和/或高速缓存存储器205。电子设备20可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统206可以用于读写不可移动的、非易失性磁介质。可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线203相连。存储器202可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块207的程序/实用工具208，可以存储在例如存储器202中，这样的程序模块207包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块207通常执行本发明所描述的实施例中的功能和/或方法。
电子设备20也可以与一个或多个外部设备209(例如键盘、指向设备、显示器210等)通信，还可与一个或者多个使得用户能与该电子设备20交互的设备通信，和/或与使得该电子设备20能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口211进行。并且，电子设备20还可以通过网络适配器212与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器212通过总线203与电子设备20的其它模块通信。应当明白，可以结合电子设备20使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元201通过运行存储在系统存储器202中的程序，从而执行各种功能应用以及数据处理。
本发明所提供的一种电子设备，能够实现如下方法：当检测到目标用户终端发送的用于请求为目标用户推荐服务的服务请求时，基于服务请求获取目标用户的授权信息；基于授权信息和预先建立的服务特征预测模型，确定目标用户的目标服务特征；基于目标服务特征和授权信息，确定与目标用户对应的目标服务数据，并将目标服务数据推送至目标用户终端。由此可见，本发明实施例基于服务请求获取授权信息，无需人工询问，节省了工作人员的时间；并且，基于服务特征预测模型预测出目标用户的目标服务特征，基于目标服务特征为用户推送服务数据，提高了推送的服务数据的有效性和准确性。
实施例六
本发明实施例提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种服务数据的推送方法，该方法包括：
当检测到目标用户终端发送的用于请求为目标用户推荐服务的服务请求时，基于服务请求获取目标用户的授权信息；基于授权信息和预先建立的服务特征预测模型，确定目标用户的目标服务特征；基于目标服务特征和授权信息，确定与目标用户对应的目标服务数据，并将目标服务数据推送至目标用户终端。由此可见，本发明实施例基于服务请求获取授权信息，无需人工询问，节省了工作人员的时间；并且，基于服务特征预测模型预测出目标用户的目标服务特征，基于目标服务特征为用户推送服务数据，提高了推送的服务数据的有效性和准确性。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的服务数据的推送方法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种服务数据的推送方法，其特征在于，包括：
当检测到目标用户终端发送的用于请求为目标用户推荐服务的服务请求时，基于所述服务请求获取所述目标用户的授权信息；
基于所述授权信息和预先建立的服务特征预测模型，确定所述目标用户的目标服务特征；
基于所述目标服务特征和所述授权信息，确定与所述目标用户对应的目标服务数据，并将所述目标服务数据推送至所述目标用户终端。
2.根据权利要求1所述的方法，其特征在于，所述服务特征预测模型包括线性回归模型；
所述基于所述授权信息和预先建立的服务特征预测模型，确定所述目标用户的目标服务特征，包括：
基于所述授权信息和所述线性回归模型，确定所述目标用户的服务频率特征和单位时间总价值特征。
3.根据权利要求1或2所述的方法，其特征在于，所述服务特征预测模型包括协同过滤模型；
所述基于所述授权信息和预先建立的服务特征预测模型，确定所述目标用户的目标服务特征，包括：
基于所述授权信息和所述协同过滤模型，确定所述目标用户的服务多样性特征。
4.根据权利要求1所述的方法，其特征在于，在所述基于所述授权信息和预先建立的服务特征预测模型，确定所述目标用户的目标服务特征之前，还包括：
获取各样本用户对应的样本授权信息和样本服务信息；
基于所述样本授权信息、所述样本服务信息对预先建立的特征预测模型进行训练，得到所述服务特征预测模型。
5.根据权利要求4所述的方法，其特征在于，所述基于所述样本授权信息、所述样本服务信息对预先建立的特征预测模型进行训练，包括：
基于所述样本服务信息，确定样本服务特征；
采用独热编码的方式对所述样本授权信息进行向量化处理，以得到样本授权向量信息；
基于所述样本授权向量信息与所述样本服务特征，生成样本数据集；
基于所述样本数据集，对所述预先建立的特征预测模型进行训练。
6.根据权利要求5所述的方法，其特征在于，所述基于所述样本数据集，对所述预先建立的特征预测模型进行训练，包括：
基于数据可视化降维算法，对所述样本数据集进行降维处理以生成降维样本数据集；基于所述降维样本数据集对所述预先建立的特征预测模型进行训练。
7.根据权利要求5所述的方法，其特征在于，所述样本授权向量信息包括样本年龄信息和样本性别信息；
所述基于所述样本授权向量信息与所述样本服务特征，生成样本数据集，包括：
对所述样本年龄信息和所述样本性别信息进行归一化处理，基于所述本服务特征、归一化处理后的样本年龄信息和样本性别信息，生成所述样本数据集。
8.一种服务数据的推送装置，其特征在于，包括：
获取授权信息模块，用于当检测到目标用户终端发送的用于请求为目标用户推荐服务的服务请求时，基于所述服务请求获取所述目标用户的授权信息；
确定目标服务特征模块，用于基于所述授权信息和预先建立的服务特征预测模型，确定所述目标用户的目标服务特征；
推送模块，用于基于所述目标服务特征和所述授权信息，确定与所述目标用户对应的目标服务数据，并将所述目标服务数据推送至所述目标用户终端。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的服务数据的推送方法。
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如权利要求1-7中任一所述的服务数据的推送方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110661423.8A CN113393295A (zh) | 2021-06-15 | 2021-06-15 | 服务数据的推送方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110661423.8A CN113393295A (zh) | 2021-06-15 | 2021-06-15 | 服务数据的推送方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113393295A true CN113393295A (zh) | 2021-09-14 |
Family
ID=77621152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110661423.8A Pending CN113393295A (zh) | 2021-06-15 | 2021-06-15 | 服务数据的推送方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113393295A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113779609A (zh) * | 2021-09-22 | 2021-12-10 | 北方健康医疗大数据科技有限公司 | 数据管理方法、装置、电子设备及存储介质 |
| CN114048907A (zh) * | 2021-11-15 | 2022-02-15 | 杭州数理大数据技术有限公司 | 一种服务方式确定方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447458A (zh) * | 2018-10-26 | 2019-03-08 | 平安科技（深圳）有限公司 | 校园食堂管理方法、电子装置及计算机可读存储介质 |
| CN109636494A (zh) * | 2017-10-09 | 2019-04-16 | 耀方信息技术(上海)有限公司 | 药品推荐方法及系统 |
| CN109785975A (zh) * | 2018-12-04 | 2019-05-21 | 平安科技（深圳）有限公司 | 辅助用户自主购药的方法、装置、设备及存储介质 |
| CN110349678A (zh) * | 2019-07-19 | 2019-10-18 | 齐鲁工业大学 | 一种基于高效用正负序列规则挖掘的中药销售系统及其工作方法 |
| CN111260448A (zh) * | 2020-02-13 | 2020-06-09 | 平安科技（深圳）有限公司 | 基于人工智能的药品推荐方法及相关设备 |
| CN111353092A (zh) * | 2018-12-24 | 2020-06-30 | 北京嘀嘀无限科技发展有限公司 | 服务推送方法、装置、服务器及可读存储介质 |
| CN112927042A (zh) * | 2021-02-24 | 2021-06-08 | 深圳壹肆壹叁网络科技有限公司 | 一种酒店自助购物结算平台和系统 |
-
2021
- 2021-06-15 CN CN202110661423.8A patent/CN113393295A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636494A (zh) * | 2017-10-09 | 2019-04-16 | 耀方信息技术(上海)有限公司 | 药品推荐方法及系统 |
| CN109447458A (zh) * | 2018-10-26 | 2019-03-08 | 平安科技（深圳）有限公司 | 校园食堂管理方法、电子装置及计算机可读存储介质 |
| CN109785975A (zh) * | 2018-12-04 | 2019-05-21 | 平安科技（深圳）有限公司 | 辅助用户自主购药的方法、装置、设备及存储介质 |
| CN111353092A (zh) * | 2018-12-24 | 2020-06-30 | 北京嘀嘀无限科技发展有限公司 | 服务推送方法、装置、服务器及可读存储介质 |
| CN110349678A (zh) * | 2019-07-19 | 2019-10-18 | 齐鲁工业大学 | 一种基于高效用正负序列规则挖掘的中药销售系统及其工作方法 |
| CN111260448A (zh) * | 2020-02-13 | 2020-06-09 | 平安科技（深圳）有限公司 | 基于人工智能的药品推荐方法及相关设备 |
| CN112927042A (zh) * | 2021-02-24 | 2021-06-08 | 深圳壹肆壹叁网络科技有限公司 | 一种酒店自助购物结算平台和系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113779609A (zh) * | 2021-09-22 | 2021-12-10 | 北方健康医疗大数据科技有限公司 | 数据管理方法、装置、电子设备及存储介质 |
| CN113779609B (zh) * | 2021-09-22 | 2024-03-22 | 北方健康医疗大数据科技有限公司 | 数据管理方法、装置、电子设备及存储介质 |
| CN114048907A (zh) * | 2021-11-15 | 2022-02-15 | 杭州数理大数据技术有限公司 | 一种服务方式确定方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11232365B2 (en) | Digital assistant platform | |
| Zhou | The effect of initial trust on user adoption of mobile payment | |
| CN111666304B (zh) | 数据处理装置、数据处理方法、存储介质与电子设备 | |
| CN113393295A (zh) | 服务数据的推送方法、装置、电子设备及存储介质 | |
| CN110162518B (zh) | 数据分组方法、装置、电子设备及存储介质 | |
| Schwendicke et al. | Better reporting of studies on artificial intelligence: CONSORT-AI and beyond | |
| CN111125266A (zh) | 数据处理方法、装置、设备及存储介质 | |
| Tzeremes | Hotel productivity: a robust Luenberger productivity indicator | |
| CN111310065A (zh) | 一种社交推荐方法、装置、服务器及存储介质 | |
| Efird | Goldilocks rounding: Achieving balance between accuracy and parsimony in the reporting of relative effect estimates | |
| WO2015074062A1 (en) | Systems and methods for efficient handling of medical documentation | |
| Mason et al. | Creating a real-world linked research platform for analyzing the urgent and emergency care system | |
| CN112487021A (zh) | 业务数据的关联分析方法、装置及设备 | |
| CN111639903A (zh) | 一种针对架构变更的评审处理方法及相关设备 | |
| Jagodzinski | Identification of parameters in cohort models | |
| CN111091416A (zh) | 一种预测酒店购买机器人的概率的方法和装置 | |
| CN114925050A (zh) | 基于知识库的数据核查方法、装置、电子设备及存储介质 | |
| Daas et al. | On the Validity of Using Webpage Texts to Identify the Target Population of a Survey: An Application to Detect Online Platforms | |
| CN113780675A (zh) | 一种消耗预测方法、装置、存储介质及电子设备 | |
| CN113344674A (zh) | 基于用户购买力的产品推荐方法、装置、设备及存储介质 | |
| Lian et al. | Two-tier stochastic frontier analysis using Stata | |
| Louzada et al. | A gap time model based on a multiplicative marginal rate function that accounts for zero-recurrence units | |
| CN113762675A (zh) | 信息生成方法、装置、服务器、系统和存储介质 | |
| North et al. | Online self-triage of ear or hearing concerns in a patient portal: Comparison of subsequent diagnoses and hospitalizations to national emergency department and national ambulatory ear or hearing visits | |
| CN112699872A (zh) | 表单审核处理方法及装置、电子设备和存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210914 |