CN113657915A - 一种潜在用户推荐方法、装置、电子设备及可读存储介质 - Google Patents
一种潜在用户推荐方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113657915A CN113657915A CN202010397721.6A CN202010397721A CN113657915A CN 113657915 A CN113657915 A CN 113657915A CN 202010397721 A CN202010397721 A CN 202010397721A CN 113657915 A CN113657915 A CN 113657915A
- Authority
- CN
- China
- Prior art keywords
- user
- graph
- node
- preset
- relation
- 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
- 238000012549 training Methods 0.000 claims abstract description 124
- 239000013604 expression vector Substances 0.000 claims abstract description 80
- 239000013598 vector Substances 0.000 claims description 86
- 238000013507 mapping Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (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
本发明实施例提供了一种潜在用户推荐方法、装置、电子设备及可读存储介质。该方法包括:获得待进行潜在用户预测的待预测名单;加载预先生成的节点关系图中各个节点所对应的图嵌入表示向量;根据所加载得到的图嵌入表示向量,构建每个用户标识对应的图特征;将用户标识的图特征输入至预先构建的推荐模型,得到记录有被预测为潜在用户的用户标识的推荐名单;其中,用户推荐模型为基于预设训练集训练得到的,预设训练集包括:预设训练名单中预设用户标识对应的图特征所作为的图特征样本和图特征样本对应的针对目标卡的办卡状态标签。这样,可以通过推荐模型准确地预测哪些用户为可能办目标卡的潜在用户,进而可以准确地推荐潜在用户。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种潜在用户推荐方法、装置、电子设备及可读存储介质。
背景技术
目前,常常需要通过人工推荐的方式来推荐可能办卡的潜在用户,进而可以有针对性地吸引该潜在用户办卡。其中,该卡包括但并不局限于银行卡和健身卡。
具体地,工作人员需要先查看每个待分析用户的用户数据,然后根据主观感受来确定该待分析用户是否为可能办卡,若是,则推荐该待分析用户为潜在用户。可见,该种潜在用户推荐方式所得到的推荐结果会受工作人员的主观感受影响,使得推荐结果并不准确。
发明内容
本发明实施例的目的在于提供一种潜在用户推荐方法、装置、电子设备及可读存储介质,以可以通过推荐模型准确地预测哪些用户为可能办目标卡的潜在用户,进而可以准确地推荐潜在用户。具体技术方案如下:
第一方面,本发明实施例提供了一种潜在用户推荐方法,包括:
获得待进行潜在用户预测的待预测名单;待预测名单中记录有用户标识和用户标识对应的用户特征信息;
加载预先生成的节点关系图中各个节点所对应的图嵌入表示向量;节点关系图为基于预设训练名单中记录的预设用户标识所作为的用户类节点、预设用户特征信息所作为的属性类节点,及预设用户标识与预设用户特征信息的映射关系构建的异构关系图;
根据所加载得到的图嵌入表示向量,构建每个用户标识对应的图特征;其中,一个用户标识对应的图特征为基于该用户标识对应的图嵌入表示向量、在节点关系图中与该用户标识建立有连接的属性类节点对应的图嵌入表示向量,以及在节点关系图中未与该用户标识建立有连接的属性类节点对应的图嵌入表示向量拼接得到的;
将用户标识的图特征输入至预先构建的推荐模型,得到记录有被预测为潜在用户的用户标识的推荐名单;其中,用户推荐模型为基于预设训练集训练得到的,预设训练集包括:预设训练名单中预设用户标识对应的图特征所作为的图特征样本和图特征样本对应的针对目标卡的办卡状态标签。
可选地,节点关系图中各个节点所对应的图嵌入表示向量的计算步骤,可以包括:
获得预设训练名单;预设训练名单中记录有预设用户标识,及与预设用户标识具有映射关系的预设用户特征信息;
生成以预设用户标识作为用户类节点、以预设用户特征信息作为属性类节点,并以映射关系构建节点连接关系的节点关系图;
利用图嵌入算法对节点关系图中各个节点进行向量表示计算,得到每个节点所对应的图嵌入表示向量。
可选地,利用图嵌入算法对节点关系图中各个节点进行向量表示计算,得到每个节点所对应的图嵌入表示向量,包括:
针对每个用户类节点,根据节点关系图中与该用户类节点建立有连接的属性类节点,生成该用户类节点的多个正样本对;
针对每个用户类节点,根据节点关系图中未与该用户类节点建立有连接的属性类节点,生成该用户类节点的多个负样本对;
根据正样本对、负样本对和预设损失函数,训练得到节点关系图中各个节点的图嵌入表示向量;其中,预设损失函数为以正样本对的相似度与负样本对的相似度之和最优为目标的函数。
可选地,推荐模型的构建步骤可以包括:
在得到每个节点所对应的图嵌入表示向量之后,针对各个节点中的用户类节点,确定节点关系图中与该用户类节点建立有连接的属性类节点的图嵌入表示向量作为第一向量;
针对各个节点中的用户类节点,确定节点关系图中未与该用户类节点建立有连接的属性类节点的图嵌入表示向量作为第二向量;
针对各个节点中的用户类节点,对该用户类节点的图嵌入表示向量、以及该用户类节点对应的第一向量和第二向量进行向量拼接,生成该用户类节点的图特征样本;
生成包括图特征样本和该图特征样本对应的针对目标卡的办卡状态标签的预设训练集;
利用预设的二分类算法对预设训练集进行训练,得到推荐模型。
可选地,将用户标识的图特征输入至预先构建的推荐模型,得到记录有被预测为潜在用户的用户标识的推荐名单,包括:
将用户标识的图特征输入至预先构建的推荐模型,得到记录有预设数量个被预测为潜在用户的用户标识的推荐名单;其中,预设数量个用户标识为:推荐模型计算得到的办卡预测值中最大的前预设数量个办卡预测值所对应用户标识。
第二方面,本发明实施例还提供了一种潜在用户推荐装置,包括:
获得模块,用于获得待进行潜在用户预测的待预测名单;待预测名单中记录有用户标识和用户标识对应的用户特征信息;
加载模块,用于加载预先生成的节点关系图中各个节点所对应的图嵌入表示向量;节点关系图为基于预设训练名单中记录的预设用户标识所作为的用户类节点、预设用户特征信息所作为的属性类节点,及预设用户标识与预设用户特征信息的映射关系构建的异构关系图;
构建模块,用于根据所加载得到的图嵌入表示向量,构建每个用户标识对应的图特征;其中,一个用户标识对应的图特征为基于该用户标识对应的图嵌入表示向量、在节点关系图中与该用户标识建立有连接的属性类节点对应的图嵌入表示向量,以及在节点关系图中未与该用户标识建立有连接的属性类节点对应的图嵌入表示向量拼接得到的;
推荐模块,用于将用户标识的图特征输入至预先构建的推荐模型,得到记录有被预测为潜在用户的用户标识的推荐名单;其中,用户推荐模型为基于预设训练集训练得到的,预设训练集包括:预设训练名单中预设用户标识对应的图特征所作为的图特征样本和图特征样本对应的针对目标卡的办卡状态标签。
可选地,该装置还可以包括:
计算模块,用于计算节点关系图中各个节点所对应的图嵌入表示向量;计算模块具体用于:
获得预设训练名单;预设训练名单中记录有预设用户标识,及与预设用户标识具有映射关系的预设用户特征信息;
生成以预设用户标识作为用户类节点、以预设用户特征信息作为属性类节点,并以映射关系构建节点连接关系的节点关系图;
利用图嵌入算法对节点关系图中各个节点进行向量表示计算,得到每个节点所对应的图嵌入表示向量。
可选地,计算模块具体可以用于:
针对每个用户类节点,根据节点关系图中与该用户类节点建立有连接的属性类节点,生成该用户类节点的多个正样本对;
针对每个用户类节点,根据节点关系图中未与该用户类节点建立有连接的属性类节点,生成该用户类节点的多个负样本对;
根据正样本对、负样本对和预设损失函数,训练得到节点关系图中各个节点的图嵌入表示向量;其中,预设损失函数为以正样本对的相似度与负样本对的相似度之和最优为目标的函数。
可选地,该装置还可以包括:
训练模块,用于训练推荐模型;训练模块具体用于:
在得到每个节点所对应的图嵌入表示向量之后,针对各个节点中的用户类节点,确定节点关系图中与该用户类节点建立有连接的属性类节点的图嵌入表示向量作为第一向量;
针对各个节点中的用户类节点,确定节点关系图中未与该用户类节点建立有连接的属性类节点的图嵌入表示向量作为第二向量;
针对各个节点中的用户类节点,对该用户类节点的图嵌入表示向量、以及该用户类节点对应的第一向量和第二向量进行向量拼接,生成该用户类节点的图特征样本;
生成包括图特征样本和该图特征样本对应的针对目标卡的办卡状态标签的预设训练集;
利用预设的二分类算法对预设训练集进行训练,得到推荐模型。
可选地,推荐模块具体可以用于:
将用户标识的图特征输入至预先构建的推荐模型,得到记录有预设数量个被预测为潜在用户的用户标识的推荐名单;其中,预设数量个用户标识为:推荐模型计算得到的办卡预测值中最大的前预设数量个办卡预测值所对应用户标识。
第三方面,本发明实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现上述第一方面任一所述的方法步骤。
第四方面,本发明实施例还提供了一种可读存储介质,该可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一所述的方法步骤。
第五方面,本发明实施例还提供了一种计算机程序产品,当其在电子设备上运行时,使得电子设备执行第一方面任一所述的方法步骤。
在本发明实施例中,可以获得待进行潜在用户预测的待预测名单。其中,该待预测名单中记录有用户标识和用户标识对应的用户特征信息。然后,可以加载预先生成的节点关系图中各个节点所对应的图嵌入表示向量。其中,节点关系图为基于预设训练名单中记录的预设用户标识所作为的用户类节点、预设用户特征信息所作为的属性类节点,及预设用户标识与预设用户特征信息的映射关系构建的异构关系图。之后,可以根据所加载得到的图嵌入表示向量,构建每个用户标识对应的图特征。其中,一个用户标识对应的图特征为基于该用户标识对应的图嵌入表示向量、在节点关系图中与该用户标识建立有连接的属性类节点对应的图嵌入表示向量,以及在节点关系图中未与该用户标识建立有连接的属性类节点对应的图嵌入表示向量拼接得到的。然后,可以将用户标识的图特征输入至预先构建的推荐模型,得到记录有被预测为潜在用户的用户标识的推荐名单。其中,用户推荐模型为基于预设训练集训练得到的,预设训练集包括:预设训练名单中预设用户标识对应的图特征所作为的图特征样本和图特征样本对应的针对目标卡的办卡状态标签。这样,可以利用节点关系图中节点所对应的图嵌入表示向量构建图特征,并利用所构建的图特征对推荐模型进行训练。其中,由于节点关系图中各个节点所对应的图嵌入表示向量,可以将高维稀疏向量映射为低维稠密向量,丰富了节点关系图中节点之间的关联关系,增强节点之间的连接,使得所训练得到的推荐模型能够较好的学习用户特征信息之间的区别与联系。这样,使得推荐模型可以准确地预测哪些用户为可能办目标卡的潜在用户,进而可以准确地推荐潜在用户。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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。
图1是根据一示例性实施例示出的一种潜在用户推荐方法的流程图。
图2是根据一示例性实施例示出的一种待预测名单中所记录的用户标识和用户特征信息之间的映射关系示意图。
图3是根据一示例性实施例示出的一种节点关系图。
图4是根据一示例性实施例示出的另一种潜在用户推荐方法的流程图。
图5是根据一示例性实施例示出的一种潜在用户推荐装置的结构示意图。
图6是根据一示例性实施例示出的一种电子设备的结构示意图。
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,显然,所描述的实施例仅仅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,都属于本发明保护的范围。
相关技术中,常常需要通过人工推荐的方式来推荐可能办卡的潜在用户,进而可以有针对性地吸引该潜在用户办卡。其中,该卡包括但并不局限于银行卡和健身卡。但是,该种潜在用户推荐方式所得到的推荐结果会受工作人员的主观感受影响,使得推荐结果并不准确。另外,该种潜在用户推荐方式会耗费大量时间,使得推荐效率较低。
为了解决上述技术问题,本发明实施例提供了一种潜在用户推荐方法、装置、电子设备及可读存储介质。
下面从总体上对本发明实施例提供的潜在用户推荐方法进行说明。
在本发明实施例中,该潜在用户推荐方法可以包括:
获得待进行潜在用户预测的待预测名单;待预测名单中记录有用户标识和用户标识对应的用户特征信息;
加载预先生成的节点关系图中各个节点所对应的图嵌入表示向量;节点关系图为基于预设训练名单中记录的预设用户标识所作为的用户类节点、预设用户特征信息所作为的属性类节点,及预设用户标识与预设用户特征信息的映射关系构建的异构关系图;
根据所加载得到的图嵌入表示向量,构建每个用户标识对应的图特征;其中,一个用户标识对应的图特征为基于该用户标识对应的图嵌入表示向量、在节点关系图中与该用户标识建立有连接的属性类节点对应的图嵌入表示向量,以及在节点关系图中未与该用户标识建立有连接的属性类节点对应的图嵌入表示向量拼接得到的;
将用户标识的图特征输入至预先构建的推荐模型,得到记录有被预测为潜在用户的用户标识的推荐名单;其中,用户推荐模型为基于预设训练集训练得到的,预设训练集包括:预设训练名单中预设用户标识对应的图特征所作为的图特征样本和图特征样本对应的针对目标卡的办卡状态标签。
这样,可以利用节点关系图中节点所对应的图嵌入表示向量构建图特征,并利用所构建的图特征对推荐模型进行训练。其中,由于节点关系图中各个节点所对应的图嵌入表示向量,可以将高维稀疏向量映射为低维稠密向量,丰富了节点关系图中节点之间的关联关系,增强节点之间的连接,使得所训练得到的推荐模型能够较好的学习用户特征信息之间的区别与联系。这样,使得推荐模型可以准确地预测哪些用户为可能办目标卡的潜在用户,进而可以准确地推荐潜在用户。
下面将通过具体的实施例,对本发明实施例提供的潜在用户推荐方法进行详细描述。
图1是根据一示例性实施例示出的一种潜在用户推荐方法的流程图。如图1所示,该方法可以包括如下步骤:
S101:获得待进行潜在用户预测的待预测名单;待预测名单中记录有用户标识和用户标识对应的用户特征信息;
可以理解的是,本发明实施例提供的潜在用户推荐方法可以用于给银行推荐可能办理信用卡的潜在用户,也可以用于给健身俱乐部推荐可能办理健身年卡的潜在用户,还可以用于给培训机构推荐可能办理英语外教教学卡的潜在用户,当然并不局限于此。
其中,当本发明实施例提供的潜在用户推荐方法用于给某银行推荐可能办理信用卡的潜在用户时,那么在推荐潜在用户阶段,电子设备可以获得待进行潜在用户预测的待预测名单。其中,该待预测名单中记录有待进行办信用潜在用户预测的用户标识,以及该用户标识对应的用户特征信息。其中,该潜在用户是指有办理信用卡意向却尚未办理信用卡的用户。
举例而言,该待预测名单中记录的用户标识为:在该银行办理了借记卡但是并未办理信用卡的用户的用户标识。图2是根据一示例性实施例示出的一种待预测名单中所记录的用户标识和用户特征信息之间的映射关系示意图。参见图2,该待预测名单中可以记录有用户标识A1、A2、A3和A4等等。另外,该用户标识A1对应的用户特征信息可以为:未婚、本科生;该用户标识A2对应的用户特征信息可以为:未婚、硕士生;该用户标识A3对应的用户特征信息可以为:已婚、硕士生;该用户标识A4对应的用户特征信息可以为:已婚、博士生。
可以理解的是,电子设备在获得该待预测名单之前,可以先获得在该银行办理了借记卡但是并未办理信用卡的用户的基本信息。例如,该用户A1的基本信息可以包括:用户标识A1、未婚、本科生、男、身高175、电话15510621367和住址W市K小区m单元等等。然后,可以对该基本信息进行数据清洗,清洗掉缺失率大于预设缺失率和/或不具有预测信用卡潜在用户意义的用户特征信息。例如,对用户A1的基本信息进行数据清洗后,得到用户A1所对应的数据为:用户标识A1、未婚、本科生。之后,可以利用清洗后的数据来生成待预设名单,这样可以获得维度较低用户特征信息,而且这些用户特征信息具有预测信用卡潜在用户意义。
具体地,数据清洗方式可以包括:电子设备在获得用户的基本信息之后,可以计算基本信息中的各个字段的缺失率。其中,该字段包括但并不局限于:用户标识字段、婚姻状态字段、学历字段、性别字段、身高字段、电话字段和住址字段。若字段缺失率大于预设缺失率,则放弃选择该字段对应的特征信息作为待预测名单中所记录的用户特征信息。反之,则选择该字段对应的特征信息作为待预测名单中所记录的用户特征信息。
举例而言,假设在该银行办理了借记卡但是并未办理信用卡的用户数量为100万,并且在该100万中有80万用户的身高字段信息缺失,电子设备则可以计算得到身高字段缺失率为0.8。并且,可以确定该身高字段缺失率大于预设缺失率0.5。在该种情况下,电子设备可以放弃选择身高信息作为用户的用户特征信息。
另外,数据清洗方式还可以包括:电子设备在获得用户的基本信息之后,还可以确定每个字段的各个特征信息是否具有预测信用卡潜在用户意义。若具有预测信用卡潜在用户意义,则可以选择该字段对应的各个特征信息作为待预测名单中所记录的特征信息。反之,则放弃选择该字段对应的各个特征信息作为待预测名单中所记录的特征信息。
可以理解的是,对于性别男性和女性而言,计算得到的男性和女性办理信用卡的可能性是一样大的,因而可知性别字段的女性特征信息和男性特征信息不具有预测信用卡潜在用户意义。其中,可以基于标准差计算方式来分别计算男性和女性办理信用卡的可能性,在此不做详述。
S102:加载预先生成的节点关系图中各个节点所对应的图嵌入表示向量;节点关系图为基于预设训练名单中记录的预设用户标识所作为的用户类节点、预设用户特征信息所作为的属性类节点,及预设用户标识与预设用户特征信息的映射关系构建的异构关系图;
可以理解的是,在加载预先生成的节点关系图中各个节点所对应的图嵌入表示向量之前,可以计算该节点关系图中各个节点所对应的图嵌入表示向量。其中,该计算该节点关系图中各个节点所对应的图嵌入表示向量的步骤具体可以为:
首先,可以获得预设训练名单;预设训练名单中记录有预设用户标识,及与所述预设用户标识信息具有映射关系的预设用户特征信息;
举例而言,该预设训练名单中记录的用户标识为:在该银行办理了借记卡但是并未办理信用卡的第一预设用户的用户标识,在该银行办理了借记卡且办理了信用卡的第二预设用户的用户标识。具体地,该预设训练名单中可以记录有预设用户标识B1、B2、B3、B4、B5和B6等等。另外,与该预设用户标识B1具有映射关系的预设用户特征信息可以为:未婚、本科生;与该预设用户标识B2具有映射关系的预设用户特征信息可以为:未婚、硕士生;与该预设用户标识B3具有映射关系的预设用户特征信息可以为:已婚、硕士生;与该预设用户标识B4具有映射关系的预设用户特征信息可以为:已婚、博士生;与该预设用户标识B5具有映射关系的预设用户特征信息可以为:未婚、博士生;与该预设用户标识B6具有映射关系的预设用户特征信息可以为:已婚、本科生。
然后,可以生成以预设用户标识作为用户类节点、以预设用户特征信息作为属性类节点,并以映射关系作为节点连接关系的节点关系图;
之后,可以利用图嵌入算法对节点关系图中各个节点进行向量表示计算,得到每个节点所对应的图嵌入表示向量。
延续上述示例,可以生成如图3所示的节点关系图。其中,图3是根据一示例性实施例示出的一种节点关系图。其中,可以通过如下方式计算图3所示节点关系图中各个节点的图嵌入表示向量:
针对每个用户类节点,根据节点关系图中与该用户类节点建立有连接的属性类节点,生成该用户类节点的多个正样本对;
其中,对于为用户类节点的预设用户标识B1,可以根据图3所示节点关系图中与该预设用户标识B1建立有连接的属性类节点MR1和DR1,生成该预设用户标识B1的正样本对(B1,MR1)和正样本对(B1,DR1)。其中,图3中的MR1用于表征未婚,MR2用于表征已婚,DR1用于表征本科生,DR2用于表征研究生,DR3用于表征博士生。按照相同的方式,可以获得图3所示节点关系图中其他用户类节点所对应的正样本对,在此不做一一说明。
针对每个用户类节点,根据节点关系图中未与该用户类节点建立有连接的属性类节点,生成该用户类节点的多个负样本对;
其中,对于为用户类节点的预设用户标识B1,可以根据图3所示节点关系图中未与该预设用户标识B1建立有连接的属性类节点MR2、DR2和DR3,生成该预设用户标识B1的负样本对(B1,MR2)、负样本对(B1,DR2)和负样本对(B1,DR3)。按照相同的方式,可以获得图3所示节点关系图中其他用户类节点所对应的负样本对,在此不做一一说明。
根据正样本对、负样本对和预设损失函数,训练得到节点关系图中各个节点的图嵌入表示向量;其中,预设损失函数为以正样本对的相似度与负样本对的相似度之和最优为目标的函数。
其中,在正负样本对生成后,可以设计如下预设损失函数,然后通过模型训练,最小化以下损失函数L:
其中,e为节点关系图中连接两个节点的边,E为节点关系图中连接两个节点的边的总数;f+(v,u)为第一相似度计算函数,其中该第一相似度计算函数的输入为预设用户标识v的正样本对(v,u),输出为v和u的相似度;f-(v,z)为第二相似度计算函数,其中该第二相似度计算函数的输入为预设用户标识v的负样本对(v,z),输出为v和z的相似度;Ez~P(v)是指表示服从负样本分布;k是负样本总数,i是指第i个负样本对。
S103:根据所加载得到的图嵌入表示向量,构建每个用户标识对应的图特征;其中,一个用户标识对应的图特征为基于该用户标识对应的图嵌入表示向量、在节点关系图中与该用户标识建立有连接的属性类节点对应的图嵌入表示向量,以及在节点关系图中未与该用户标识建立有连接的属性类节点对应的图嵌入表示向量拼接得到的;
其中,在加载得到图嵌入表示向量之后,针对该待预测名单中的每个用户标识,可以在所加载得到的图嵌入标识向量中,查找与该用户标识对应的图嵌入表示向量、与该用户标识建立有连接的属性类节点对应的图嵌入表示向量,以及未与该用户标识建立有连接的属性类节点对应的图嵌入表示向量。然后,针对每个用户标识,将所查找到的图嵌入表示向量进行拼接,得到每个用户标识的图特征。
举例而言,针对用户标识A1,查找得到用户标识A1的图嵌入表示向量为V(A1),与该用户标识A1建立有连接的属性类节点MR1对应的图嵌入表示向量为V(MR1),以及未与该用户标识A1建立有连接的属性类节点DR1对应的图嵌入表示向量为V(DR1),则用户标识A1的图特征为:V(C1)⊕V(MR1)⊕V(DR1)。
S104:将用户标识的图特征输入至预先构建的推荐模型,得到记录有被预测为潜在用户的用户标识的推荐名单;其中,用户推荐模型为基于预设训练集训练得到的,预设训练集包括图特征样本和图特征样本对应的针对目标卡的办卡状态标签。
可以理解的是,推荐模型的构建步骤可以包括:
先通过上述示例中记载的方式,计算预先生成的节点关系图中各个节点所对应的图嵌入表示向量。并且,在得到每个节点所对应的图嵌入表示向量之后,针对各个节点中的用户类节点,确定节点关系图中与该用户类节点建立有连接的属性类节点的图嵌入表示向量作为第一向量;并且,确定节点关系图中未与该用户类节点建立有连接的属性类节点的图嵌入表示向量作为第二向量。
然后,针对各个节点中的用户类节点,对该用户类节点的图嵌入表示向量、以及该用户类节点对应的第一向量和第二向量进行向量拼接,生成该用户类节点的图特征样本。
之后,生成包括图特征样本和该图特征样本对应的针对目标卡的办卡状态标签的预设训练集;然后,利用预设的二分类算法对预设训练集进行训练,得到推荐模型。
这样,可以基于预设训练集,训练得到较好的学习用户特征信息之间的区别与联系的推荐模型。这样,使得推荐模型可以准确地预测哪些用户为可能办理目标卡的潜在用户,进而可以准确地推荐潜在用户。
其中,针对目标卡的办卡状态标签具体可以为:针对信用卡的办卡状态标签。该办卡状态标签可以为已办卡,也可以为未办卡。
另外,将用户标识的图特征输入至预先构建的推荐模型,得到记录有被预测为潜在用户的用户标识的推荐名单,具体可以包括:
将用户标识的图特征输入至预先构建的推荐模型,得到记录有预设数量个被预测为潜在用户的用户标识的推荐名单。其中,预设数量个用户标识为:推荐模型计算得到的办卡预测值中最大的前预设数量个办卡预测值所对应用户标识。
这样,可以将办卡预测值排名在前预设数量个的、被预测为潜在用户的用户标识来生成推荐名单,进而输出推荐结果,这样可以更准确地推荐可能办目标卡的潜在用户。
在本发明实施例中,可以获得待进行潜在用户预测的待预测名单。其中,该待预测名单中记录有用户标识和用户标识对应的用户特征信息。然后,可以加载预先生成的节点关系图中各个节点所对应的图嵌入表示向量。其中,节点关系图为基于预设训练名单中记录的预设用户标识所作为的用户类节点、预设用户特征信息所作为的属性类节点,及预设用户标识与预设用户特征信息的映射关系构建的异构关系图。之后,可以根据所加载得到的图嵌入表示向量,构建每个用户标识对应的图特征。其中,一个用户标识对应的图特征为基于该用户标识对应的图嵌入表示向量、在节点关系图中与该用户标识建立有连接的属性类节点对应的图嵌入表示向量,以及在节点关系图中未与该用户标识建立有连接的属性类节点对应的图嵌入表示向量拼接得到的。然后,可以将用户标识的图特征输入至预先构建的推荐模型,得到记录有被预测为潜在用户的用户标识的推荐名单。其中,用户推荐模型为基于预设训练集训练得到的,预设训练集包括:预设训练名单中预设用户标识对应的图特征所作为的图特征样本和图特征样本对应的针对目标卡的办卡状态标签。这样,可以利用节点关系图中节点所对应的图嵌入表示向量构建图特征,并利用所构建的图特征对推荐模型进行训练。其中,由于节点关系图中各个节点所对应的图嵌入表示向量,可以将高维稀疏向量映射为低维稠密向量,丰富了节点关系图中节点之间的关联关系,增强节点之间的连接,使得所训练得到的推荐模型能够较好的学习用户特征信息之间的区别与联系。这样,使得推荐模型可以准确地预测哪些用户为可能办目标卡的潜在用户,进而可以准确地推荐潜在用户。
下面结合图4对本发明实施例提供的潜在用户推荐方法进行再次说明。
图4是根据一示例性实施例示出的另一种潜在用户推荐方法的流程图。参见图4,本发明实施例提供的潜在用户推荐方法可以分为模型训练、模型评估和在线预测三个阶段。其中,每个阶段均存在输入、名单确定、特征选取、图嵌入、推荐、输出等六个子步骤。
具体地,在模型训练阶段,可以获取输入内容:在银行办理了借记卡的用户的基本信息表;其中,该一个用户的基本信息表中可以记录有该用户的用户标识A1、婚姻状态、身高值、体重值和家庭住址等用户特征信息。可以理解的是,在银行办理了借记卡的所有用户的基本信息可以记录在同一张基本信息表中,也可以记录在不同基本信息表中。
在获得在银行办理了借记卡的用户的基本信息表之后,则可以开始执行模型训练操作。其中,模型训练操作可以包括如下步骤:
先读取所输入的基本信息表;然后进行名单确定,具体地,可以从所获得的基本信息中选择出用于训练推荐模型的目标名单,并确定每个目标名单所对应的训练标签。其中,一个目标名单是指一个目标用户,目标名单对应的训练标签是该目标名单对应的目标用户针对信息卡的办卡状态信息。
之后进行特征选取,具体地,可以对所选择的目标名单进行数据统计分析。其中,该数据统计分析可以统计目标名单对应的基本信息表中字段缺失率高的字段,并删除该字段所对应的信息。另外还可以统计字段对应的各个用户特征信息总个数,以查看各个用户特征信息的重叠率。还可以统计目标名单对应总样本个数(Total)、正样本个数(Positive)、正样本比例(Rate)等,然后分析Total、Positive、Rate分布的Median(中值)、Mean(均值)、Min(最小值)、Max(最大值)、STD(标准差)等。然后,基于特征工程确定用于模型训练的特征集合;具体地,可以对离散字段分箱,连续型字段离散化,根据统计分析结果,挑选出缺失率较低、STD较大的离散的用户特征信息。
然后执行图嵌入操作,具体地,可以将挑选出的用户特征信息作为属性类节点属性类实体,将目标用户的用户标识作为用户类节点,以实现节点选择。之后,基于用户标识与挑选出的用户特征信息之间的映射关系,进行关系构边,生成节点关系图。然后,利用生成的节点关系图生成每个用户类节点的正负样本对。之后,对训练图嵌入模型,其中,训练得到的图嵌入模型可以得到每个节点的图嵌入表示向量,其中,存在关系的节点间的训练图嵌入模型相似,不存在关系的节点间的训练图嵌入模型不相似。然后,对所得到的节点关系图中每个节点的图嵌入表示向量进行存储,为模型评估、在线预测提供每个节点的图嵌入表示向量。之后,可以执行推荐操作,具体地可以提取训练样本的图特征,然后训练推荐模型。在训练好推荐模型之后,可以对该推荐模型进行存储,此时,模型训练阶段结束。
其中,模型训练阶段的训练方式可以参见表一:
表一
其中,模型评估方式可以参见表二:
表二
其中,在线预测方式可以参见表三:
相应于上述方法实施例,本发明实施例还提供了一种潜在用户推荐装置,参见图5,该装置可以包括:
获得模块501,用于获得待进行潜在用户预测的待预测名单;待预测名单中记录有用户标识和用户标识对应的用户特征信息;
加载模块502,用于加载预先生成的节点关系图中各个节点所对应的图嵌入表示向量;节点关系图为基于预设训练名单中记录的预设用户标识所作为的用户类节点、预设用户特征信息所作为的属性类节点,及预设用户标识与预设用户特征信息的映射关系构建的异构关系图;
构建模块503,用于根据所加载得到的图嵌入表示向量,构建每个用户标识对应的图特征;其中,一个用户标识对应的图特征为基于该用户标识对应的图嵌入表示向量、在节点关系图中与该用户标识建立有连接的属性类节点对应的图嵌入表示向量,以及在节点关系图中未与该用户标识建立有连接的属性类节点对应的图嵌入表示向量拼接得到的;
推荐模块504,用于将用户标识的图特征输入至预先构建的推荐模型,得到记录有被预测为潜在用户的用户标识的推荐名单;其中,用户推荐模型为基于预设训练集训练得到的,预设训练集包括:预设训练名单中预设用户标识对应的图特征所作为的图特征样本和图特征样本对应的针对目标卡的办卡状态标签。
应用本发明实施例提供的装置,可以获得待进行潜在用户预测的待预测名单。其中,该待预测名单中记录有用户标识和用户标识对应的用户特征信息。然后,可以加载预先生成的节点关系图中各个节点所对应的图嵌入表示向量。其中,节点关系图为基于预设训练名单中记录的预设用户标识所作为的用户类节点、预设用户特征信息所作为的属性类节点,及预设用户标识与预设用户特征信息的映射关系构建的异构关系图。之后,可以根据所加载得到的图嵌入表示向量,构建每个用户标识对应的图特征。其中,一个用户标识对应的图特征为基于该用户标识对应的图嵌入表示向量、在节点关系图中与该用户标识建立有连接的属性类节点对应的图嵌入表示向量,以及在节点关系图中未与该用户标识建立有连接的属性类节点对应的图嵌入表示向量拼接得到的。然后,可以将用户标识的图特征输入至预先构建的推荐模型,得到记录有被预测为潜在用户的用户标识的推荐名单。其中,用户推荐模型为基于预设训练集训练得到的,预设训练集包括:预设训练名单中预设用户标识对应的图特征所作为的图特征样本和图特征样本对应的针对目标卡的办卡状态标签。这样,可以利用节点关系图中节点所对应的图嵌入表示向量构建图特征,并利用所构建的图特征对推荐模型进行训练。其中,由于节点关系图中各个节点所对应的图嵌入表示向量,可以将高维稀疏向量映射为低维稠密向量,丰富了节点关系图中节点之间的关联关系,增强节点之间的连接,使得所训练得到的推荐模型能够较好的学习用户特征信息之间的区别与联系。这样,使得推荐模型可以准确地预测哪些用户为可能办目标卡的潜在用户,进而可以准确地推荐潜在用户。
可选地,在本发明实施例中,该装置还可以包括:
计算模块,用于计算节点关系图中各个节点所对应的图嵌入表示向量;该计算模块具体用于:
获得预设训练名单;预设训练名单中记录有预设用户标识,及与预设用户标识具有映射关系的预设用户特征信息;
生成以预设用户标识作为用户类节点、以预设用户特征信息作为属性类节点,并以映射关系构建节点连接关系的节点关系图;
利用图嵌入算法对节点关系图中各个节点进行向量表示计算,得到每个节点所对应的图嵌入表示向量。
可选地,在本发明实施例中,计算模块具体可以用于:
针对每个用户类节点,根据节点关系图中与该用户类节点建立有连接的属性类节点,生成该用户类节点的多个正样本对;
针对每个用户类节点,根据节点关系图中未与该用户类节点建立有连接的属性类节点,生成该用户类节点的多个负样本对;
根据正样本对、负样本对和预设损失函数,训练得到节点关系图中各个节点的图嵌入表示向量;其中,预设损失函数为以正样本对的相似度与负样本对的相似度之和最优为目标的函数。
可选地,在本发明实施例中,该装置还可以包括:
训练模块,用于训练推荐模型;该训练模块具体用于:
在得到每个节点所对应的图嵌入表示向量之后,针对各个节点中的用户类节点,确定节点关系图中与该用户类节点建立有连接的属性类节点的图嵌入表示向量作为第一向量;
针对各个节点中的用户类节点,确定节点关系图中未与该用户类节点建立有连接的属性类节点的图嵌入表示向量作为第二向量;
针对各个节点中的用户类节点,对该用户类节点的图嵌入表示向量、以及该用户类节点对应的第一向量和第二向量进行向量拼接,生成该用户类节点的图特征样本;
生成包括图特征样本和该图特征样本对应的针对目标卡的办卡状态标签的预设训练集;
利用预设的二分类算法对预设训练集进行训练,得到推荐模型。
可选地,在本发明实施例中,推荐模块504具体可以用于:
将用户标识的图特征输入至预先构建的推荐模型,得到记录有预设数量个被预测为潜在用户的用户标识的推荐名单;其中,预设数量个用户标识为:推荐模型计算得到的办卡预测值中最大的前预设数量个办卡预测值所对应用户标识。
相应于上述方法实施例,本发明实施例还提供了一种电子设备,如图6所示,包括处理器601、通信接口602、存储器603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信,
存储器603,用于存放计算机程序;
处理器601,用于执行存储器603上所存放的程序时,实现上述任一潜在用户推荐方法的方法步骤。
相应于上述方法实施例,本申请实施例还提供了一种可读存储介质,当存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述任一潜在用户推荐方法的方法步骤。其中,该可读存储介质为计算机可读存储介质。
相应于上述方法实施例,本申请实施例还提供了一种计算机程序产品,当其在电子设备上运行时,使得电子设备执行:上述任一潜在用户推荐方法的方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、可读存储介质和计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非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作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (12)
1.一种潜在用户推荐方法,其特征在于,包括:
获得待进行潜在用户预测的待预测名单;所述待预测名单中记录有用户标识和所述用户标识对应的用户特征信息;
加载预先生成的节点关系图中各个节点所对应的图嵌入表示向量;所述节点关系图为基于预设训练名单中记录的预设用户标识所作为的用户类节点、预设用户特征信息所作为的属性类节点,及所述预设用户标识与所述预设用户特征信息的映射关系构建的异构关系图;
根据所加载得到的所述图嵌入表示向量,构建每个所述用户标识对应的图特征;其中,一个所述用户标识对应的图特征为基于该用户标识对应的图嵌入表示向量、在所述节点关系图中与该用户标识建立有连接的属性类节点对应的图嵌入表示向量,以及在所述节点关系图中未与该用户标识建立有连接的属性类节点对应的图嵌入表示向量拼接得到的;
将所述用户标识的图特征输入至预先构建的推荐模型,得到记录有被预测为潜在用户的用户标识的推荐名单;其中,所述用户推荐模型为基于预设训练集训练得到的,所述预设训练集包括:所述预设训练名单中所述预设用户标识对应的图特征所作为的图特征样本和所述图特征样本对应的针对目标卡的办卡状态标签。
2.根据权利要求1所述的方法,其特征在于,所述节点关系图中各个节点所对应的图嵌入表示向量的计算步骤,包括:
获得预设训练名单;所述预设训练名单中记录有预设用户标识,及与所述预设用户标识具有映射关系的预设用户特征信息;
生成以所述预设用户标识作为用户类节点、以所述预设用户特征信息作为属性类节点,并以所述映射关系构建节点连接关系的节点关系图;
利用图嵌入算法对所述节点关系图中各个节点进行向量表示计算,得到每个节点所对应的图嵌入表示向量。
3.根据权利要求2所述的方法,其特征在于,所述利用图嵌入算法对所述节点关系图中各个节点进行向量表示计算,得到每个节点所对应的图嵌入表示向量,包括:
针对每个所述用户类节点,根据所述节点关系图中与该用户类节点建立有连接的属性类节点,生成该用户类节点的多个正样本对;
针对每个所述用户类节点,根据所述节点关系图中未与该用户类节点建立有连接的属性类节点,生成该用户类节点的多个负样本对;
根据所述正样本对、所述负样本对和预设损失函数,训练得到所述节点关系图中各个节点的图嵌入表示向量;其中,所述预设损失函数为以所述正样本对的相似度与所述负样本对的相似度之和最优为目标的函数。
4.根据权利要求3所述的方法,其特征在于,所述推荐模型的构建步骤包括:
在得到每个节点所对应的图嵌入表示向量之后,针对所述各个节点中的所述用户类节点,确定所述节点关系图中与该用户类节点建立有连接的属性类节点的图嵌入表示向量作为第一向量;
针对所述各个节点中的所述用户类节点,确定所述节点关系图中未与该用户类节点建立有连接的属性类节点的图嵌入表示向量作为第二向量;
针对所述各个节点中的所述用户类节点,对该用户类节点的图嵌入表示向量、以及该用户类节点对应的第一向量和第二向量进行向量拼接,生成该用户类节点的图特征样本;
生成包括所述图特征样本和该图特征样本对应的针对目标卡的办卡状态标签的预设训练集;
利用预设的二分类算法对所述预设训练集进行训练,得到所述推荐模型。
5.根据权利要求1所述的方法,其特征在于,所述将所述用户标识的图特征输入至预先构建的推荐模型,得到记录有被预测为潜在用户的用户标识的推荐名单,包括:
将所述用户标识的图特征输入至预先构建的推荐模型,得到记录有预设数量个被预测为潜在用户的用户标识的推荐名单;其中,所述预设数量个用户标识为:所述推荐模型计算得到的办卡预测值中最大的前所述预设数量个办卡预测值所对应用户标识。
6.一种潜在用户推荐装置,其特征在于,包括:
获得模块,用于获得待进行潜在用户预测的待预测名单;所述待预测名单中记录有用户标识和所述用户标识对应的用户特征信息;
加载模块,用于加载预先生成的节点关系图中各个节点所对应的图嵌入表示向量;所述节点关系图为基于预设训练名单中记录的预设用户标识所作为的用户类节点、预设用户特征信息所作为的属性类节点,及所述预设用户标识与所述预设用户特征信息的映射关系构建的异构关系图;
构建模块,用于根据所加载得到的所述图嵌入表示向量,构建每个所述用户标识对应的图特征;其中,一个所述用户标识对应的图特征为基于该用户标识对应的图嵌入表示向量、在所述节点关系图中与该用户标识建立有连接的属性类节点对应的图嵌入表示向量,以及在所述节点关系图中未与该用户标识建立有连接的属性类节点对应的图嵌入表示向量拼接得到的;
推荐模块,用于将所述用户标识的图特征输入至预先构建的推荐模型,得到记录有被预测为潜在用户的用户标识的推荐名单;其中,所述用户推荐模型为基于预设训练集训练得到的,所述预设训练集包括:所述预设训练名单中所述预设用户标识对应的图特征所作为的图特征样本和所述图特征样本对应的针对目标卡的办卡状态标签。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
计算模块,用于计算所述节点关系图中各个节点所对应的图嵌入表示向量;所述计算模块具体用于:
获得预设训练名单;所述预设训练名单中记录有预设用户标识,及与所述预设用户标识具有映射关系的预设用户特征信息;
生成以所述预设用户标识作为用户类节点、以所述预设用户特征信息作为属性类节点,并以所述映射关系构建节点连接关系的节点关系图;
利用图嵌入算法对所述节点关系图中各个节点进行向量表示计算,得到每个节点所对应的图嵌入表示向量。
8.根据权利要求7所述的装置,其特征在于,所述计算模块具体用于:
针对每个所述用户类节点,根据所述节点关系图中与该用户类节点建立有连接的属性类节点,生成该用户类节点的多个正样本对;
针对每个所述用户类节点,根据所述节点关系图中未与该用户类节点建立有连接的属性类节点,生成该用户类节点的多个负样本对;
根据所述正样本对、所述负样本对和预设损失函数,训练得到所述节点关系图中各个节点的图嵌入表示向量;其中,所述预设损失函数为以所述正样本对的相似度与所述负样本对的相似度之和最优为目标的函数。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
训练模块,用于训练所述推荐模型;所述训练模块具体用于:
在得到每个节点所对应的图嵌入表示向量之后,针对所述各个节点中的所述用户类节点,确定所述节点关系图中与该用户类节点建立有连接的属性类节点的图嵌入表示向量作为第一向量;
针对所述各个节点中的所述用户类节点,确定所述节点关系图中未与该用户类节点建立有连接的属性类节点的图嵌入表示向量作为第二向量;
针对所述各个节点中的所述用户类节点,对该用户类节点的图嵌入表示向量、以及该用户类节点对应的第一向量和第二向量进行向量拼接,生成该用户类节点的图特征样本;
生成包括所述图特征样本和该图特征样本对应的针对目标卡的办卡状态标签的预设训练集;
利用预设的二分类算法对所述预设训练集进行训练,得到所述推荐模型。
10.根据权利要求6所述的装置,其特征在于,所述推荐模块具体用于:
将所述用户标识的图特征输入至预先构建的推荐模型,得到记录有预设数量个被预测为潜在用户的用户标识的推荐名单;其中,所述预设数量个用户标识为:所述推荐模型计算得到的办卡预测值中最大的前所述预设数量个办卡预测值所对应用户标识。
11.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现权利要求1-5任一所述的方法步骤。
12.一种可读存储介质,其特征在于,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010397721.6A CN113657915B (zh) | 2020-05-12 | 2020-05-12 | 一种潜在用户推荐方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010397721.6A CN113657915B (zh) | 2020-05-12 | 2020-05-12 | 一种潜在用户推荐方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657915A true CN113657915A (zh) | 2021-11-16 |
CN113657915B CN113657915B (zh) | 2024-04-05 |
Family
ID=78488727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010397721.6A Active CN113657915B (zh) | 2020-05-12 | 2020-05-12 | 一种潜在用户推荐方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657915B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100100416A1 (en) * | 2008-10-17 | 2010-04-22 | Microsoft Corporation | Recommender System |
CN108875761A (zh) * | 2017-05-11 | 2018-11-23 | 华为技术有限公司 | 一种拓展潜在用户的方法及装置 |
CN110347881A (zh) * | 2019-06-19 | 2019-10-18 | 西安交通大学 | 一种基于路径回溯图嵌入的群体发现方法 |
CN110544190A (zh) * | 2018-05-29 | 2019-12-06 | 杭州海康威视数字技术股份有限公司 | 一种确定人员特征的方法、装置及设备 |
CN110737730A (zh) * | 2019-10-21 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 基于无监督学习的用户分类方法、装置、设备及存储介质 |
CN110889434A (zh) * | 2019-10-29 | 2020-03-17 | 东南大学 | 一种基于活动的社交网络活动特征提取方法 |
-
2020
- 2020-05-12 CN CN202010397721.6A patent/CN113657915B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100100416A1 (en) * | 2008-10-17 | 2010-04-22 | Microsoft Corporation | Recommender System |
CN108875761A (zh) * | 2017-05-11 | 2018-11-23 | 华为技术有限公司 | 一种拓展潜在用户的方法及装置 |
CN110544190A (zh) * | 2018-05-29 | 2019-12-06 | 杭州海康威视数字技术股份有限公司 | 一种确定人员特征的方法、装置及设备 |
CN110347881A (zh) * | 2019-06-19 | 2019-10-18 | 西安交通大学 | 一种基于路径回溯图嵌入的群体发现方法 |
CN110737730A (zh) * | 2019-10-21 | 2020-01-31 | 腾讯科技(深圳)有限公司 | 基于无监督学习的用户分类方法、装置、设备及存储介质 |
CN110889434A (zh) * | 2019-10-29 | 2020-03-17 | 东南大学 | 一种基于活动的社交网络活动特征提取方法 |
Non-Patent Citations (2)
Title |
---|
朱文强等: "一种融合本地社交网络的轻量级可信服务推荐方法", 小型微型计算机系统, no. 04 * |
金涛等: "基于百度贴吧的学习者群体挖掘研究", 中国教育信息化, no. 07 * |
Also Published As
Publication number | Publication date |
---|---|
CN113657915B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112182412B (zh) | 用于推荐体检项目的方法、计算设备和计算机存储介质 | |
US20180253657A1 (en) | Real-time credit risk management system | |
CN111523976A (zh) | 商品推荐方法、装置、电子设备及存储介质 | |
Basiri et al. | Alleviating the cold-start problem of recommender systems using a new hybrid approach | |
CN109299356B (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
CN111080360A (zh) | 行为预测方法、模型训练方法、装置、服务器及存储介质 | |
CN110737730B (zh) | 基于无监督学习的用户分类方法、装置、设备及存储介质 | |
WO2021169659A1 (zh) | 资源信息推送方法、装置、服务器及存储介质 | |
CN111429161A (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
Beck et al. | Exploring prediction uncertainty in machine translation quality estimation | |
CN113763095A (zh) | 信息推荐方法、装置和模型训练方法、装置 | |
CN112328869A (zh) | 一种用户贷款意愿的预测方法、装置及计算机系统 | |
JP7092194B2 (ja) | 情報処理装置、判定方法、及びプログラム | |
CN116340643B (zh) | 对象推荐的调整方法及装置、存储介质、电子设备 | |
CN115329207B (zh) | 智能销售信息推荐方法及系统 | |
CN116976995A (zh) | 多目标推荐的处理方法及装置 | |
Li et al. | Incorporating multi-level user preference into document-level sentiment classification | |
CN113657915A (zh) | 一种潜在用户推荐方法、装置、电子设备及可读存储介质 | |
CN111325372A (zh) | 预测模型的建立方法、预测方法、装置、介质及设备 | |
CN115511582A (zh) | 一种基于人工智能的商品推荐系统及方法 | |
CN113553501A (zh) | 一种基于人工智能的用户画像预测的方法及装置 | |
CN113313619A (zh) | 信息推送方法、装置、电子设备及存储介质 | |
Hu et al. | Utilizing users' tipping points in E-commerce Recommender systems | |
CN113496236A (zh) | 用户标签信息确定方法、装置、设备和存储介质 | |
CN110610378A (zh) | 产品需求分析方法、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 |