CN113806634A - 业务套餐的推荐方法、装置及服务器 - Google Patents
业务套餐的推荐方法、装置及服务器 Download PDFInfo
- Publication number
- CN113806634A CN113806634A CN202111095224.1A CN202111095224A CN113806634A CN 113806634 A CN113806634 A CN 113806634A CN 202111095224 A CN202111095224 A CN 202111095224A CN 113806634 A CN113806634 A CN 113806634A
- Authority
- CN
- China
- Prior art keywords
- service
- target
- sub
- items
- sample
- 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 65
- 238000004891 communication Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 24
- 239000000284 extract Substances 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/60—Business processes related to postal services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer And Data Communications (AREA)
Abstract
本申请提供一种业务套餐的推荐方法、装置及服务器,应用于通信技术领域。该方法包括获取目标终端发送的目标用户特征数据和多个目标业务标识,从每个目标业务标识对应的目标业务项所包含的业务子项中分别提取一个目标业务子项进行组合,得到多个候选业务套餐,提取每个候选业务套餐中的各个目标业务子项对应的目标业务特征数据,将目标用户特征数据和目标业务特征数据输入目标网络模型,得到每个候选业务套餐的评分值,根据评分值从候选业务套餐中选取目标业务套餐并推送至目标终端。基于人工智能的方式,并结合目标用户特征数据和目标业务特征数据,筛选出目标业务套餐,减少了人为组合得到业务套餐的误差,提高了目标业务套餐推荐的准确性。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种业务套餐的推荐方法、装置及服务器。
背景技术
随着移动互联网的发展和普及,手机等移动终端已成为人们生活和工作中较为常见的工具,为了保证用户能够正常使用移动终端,用户需要为移动终端办理相应的业务,目前,运营商大部分均采用业务套餐的形式向用户提供相应的业务项,如为用户提供不同资费标准的业务套餐,该业务套餐可以包括语音、流量等业务项。
目前,运营商提供的业务套餐是运营人员人为将不同的业务项进行组合得到的,且将组合得到的业务套餐提供给用户,用户从中选取并办理对应的业务套餐。
但是,人为组合得到的业务套餐,容易出现该业务套餐中的某些业务项的业务数据用户使用不完,而某些业务项的业务数据不够用的情况,既造成了部分浪费,又增加了不必要的业务开支的问题,从而导致运营商提供的业务套餐往往不能很好地符合用户的实际需求。
发明内容
本申请提供了一种业务套餐的推荐方法、装置及服务器,基于目标用户的用户特征数据,为目标用户定制符合其个性化偏好业务的业务套餐并推荐给用户,使得推荐的业务套餐更加符合用户的实际需求。
第一方面,本申请提出了一种业务套餐的推荐方法,包括:获取目标终端发送的目标数据,目标数据包括目标用户对应的目标用户特征数据以及多个目标业务标识;查找每个目标业务标识对应的目标业务项所包含的业务子项;从每个目标业务项所包含的业务子项中依次提取一个目标业务子项,并将提取的目标业务子项进行组合,得到多个候选业务套餐,任意两个候选业务套餐至少包含部分不相同的目标业务子项;提取每个候选业务套餐中的各个目标业务子项对应的目标业务特征数据;将目标用户特征数据和每个候选业务套餐对应的目标业务特征数据输入目标网络模型,得到每个候选业务套餐的评分值;根据评分值从候选业务套餐中选取目标业务套餐;向目标终端推送目标业务套餐。
可选的,目标数据还包括候选业务套餐中的业务子项的数量,候选业务套餐中的业务子项的数量大于或等于目标业务子项的数量。
可选的,候选业务套餐中的业务子项的数量大于目标业务子项的数量;从每个目标业务项所包含的业务子项中依次提取一个目标业务子项,并将提取的目标业务子项进行组合,得到多个候选业务套餐,包括:从每个目标业务项所包含的业务子项中依次提取一个目标业务子项,并将提取的目标业务子项以及待合并业务子项进行组合,得到多个候选业务套餐;待合并业务子项所属的业务项与目标业务项不同,待合并业务子项的数量等于候选业务套餐中的业务子项的数量与目标业务子项的数量的差值;提取每个候选业务套餐中的各个目标业务子项对应的目标业务特征数据,包括:提取每个候选业务套餐中的各个目标业务子项以及待合并业务子项对应的目标业务特征数据。
可选的,根据所述评分值从候选业务套餐中选取目标业务套餐,包括:将各个候选业务套餐的评分值按照从高到低的顺序进行排序;选取排序靠前的N个候选业务套餐作为目标业务套餐,N为正整数。
可选的,在将目标用户特征数据和每个候选业务套餐对应的目标业务特征数据输入目标网络模型,得到每个候选业务套餐的评分值之前,还包括:获取训练样本数据,训练样本数据包括多个样本用户对应的样本用户特征数据以及每个样本用户的历史购买数据;根据历史购买数据,确定样本用户针对各个样本业务套餐的购买倾向结果;提取样本业务套餐中的各个样本业务子项对应的样本业务特征数据;对样本用户特征数据、样本业务特征数据和购买倾向结果进行训练,生成目标网络模型。
可选的,历史购买数据包括样本业务套餐中购买的样本业务子项的数量;根据历史购买数据,确定样本用户针对各个样本业务套餐的购买倾向结果,包括:当购买的样本业务子项的数量与样本业务套餐中的样本业务子项的数量之间的比值大于或等于预设比值时,确定购买倾向结果为有购买倾向;当购买的样本业务子项的数量与样本业务套餐中的样本业务子项的数量之间的比值小于预设比值时,确定购买倾向结果为没有购买倾向。
可选的,目标网络模型为FFM模型。
第二方面,本申请提出了一种业务套餐的推荐装置,包括:通信单元和处理单元;通信单元,用于获取目标终端发送的目标数据,目标数据包括目标用户对应的目标用户特征数据以及多个目标业务标识;处理单元,用于查找每个目标业务标识对应的目标业务项所包含的业务子项;从每个目标业务项所包含的业务子项中依次提取一个目标业务子项,并将提取的目标业务子项进行组合,得到多个候选业务套餐,任意两个候选业务套餐至少包含部分不相同的目标业务子项;提取每个候选业务套餐中的各个目标业务子项对应的目标业务特征数据;将目标用户特征数据和每个候选业务套餐对应的目标业务特征数据输入目标网络模型,得到每个候选业务套餐的评分值;根据评分值从候选业务套餐中选取目标业务套餐;通信单元,还用于向目标终端推送目标业务套餐。
可选的,目标数据还包括候选业务套餐中的业务子项的数量,候选业务套餐中的业务子项的数量大于或等于目标业务子项的数量。
可选的,候选业务套餐中的业务子项的数量大于目标业务子项的数量;处理单元,具体用于从每个目标业务项所包含的业务子项中依次提取一个目标业务子项,并将提取的目标业务子项以及待合并业务子项进行组合,得到多个候选业务套餐;提取每个候选业务套餐中的各个目标业务子项以及待合并业务子项对应的目标业务特征数据;其中,待合并业务子项所属的业务项与目标业务项不同,待合并业务子项的数量等于候选业务套餐中的业务子项的数量与目标业务子项的数量的差值。
可选的,处理单元,具体用于将各个候选业务套餐的评分值按照从高到低的顺序进行排序;选取排序靠前的N个候选业务套餐作为目标业务套餐,N为正整数。
可选的,通信单元,还用于获取训练样本数据,训练样本数据包括多个样本用户对应的样本用户特征数据以及每个样本用户的历史购买数据;处理单元,还用于根据历史购买数据,确定样本用户针对各个样本业务套餐的购买倾向结果;提取样本业务套餐中的各个样本业务子项对应的样本业务特征数据;对样本用户特征数据、样本业务特征数据和购买倾向结果进行训练,生成目标网络模型。
可选的,历史购买数据包括样本业务套餐中购买的样本业务子项的数量;处理单元,具体用于当购买的样本业务子项的数量与样本业务套餐中的样本业务子项的数量之间的比值大于或等于预设比值时,确定购买倾向结果为有购买倾向;当购买的样本业务子项的数量与样本业务套餐中的样本业务子项的数量之间的比值小于预设比值时,确定购买倾向结果为没有购买倾向。
可选的,目标网络模型为FFM模型。
第三方面,本申请提出了一种服务器,包括处理器,以及与处理器通信连接的存储器;存储器存储计算机执行指令;处理器执行存储器存储的计算机执行指令,以实现上述的业务套餐的推荐方法。
第四方面,本申请提出了一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现上述的业务套餐的推荐方法。
第五方面,本申请提出了一种计算机程序产品,包含计算机程序,该计算机程序被处理器执行时实现上述的业务套餐的推荐方法。
本申请提供的业务套餐的推荐方法,通过获取目标终端发送的目标用户对应的目标用户特征数据以及多个目标业务标识,查找每个目标业务标识对应的目标业务项所包含的业务子项,从每个目标业务项所包含的业务子项中分别提取一个目标业务子项,并将提取的目标业务子项进行组合,得到多个候选业务套餐,提取每个候选业务套餐中的各个目标业务子项对应的目标业务特征数据,将目标用户特征数据和每个候选业务套餐对应的目标业务特征数据输入目标网络模型,得到每个候选业务套餐的评分值,根据评分值从候选业务套餐中选取目标业务套餐,向目标终端推送目标业务套餐。基于人工智能的方式,并结合目标用户的目标用户特征数据以及目标用户需要办理的目标业务项包含的各个目标业务子项对应的目标业务特征数据,筛选出目标业务套餐并其推荐给目标用户,减少了人为组合得到的业务套餐的误差,提高了目标业务套餐推荐的准确性,使得推荐的业务套餐更加符合用户的个性化需求。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例中的示例性的系统架构示意图;
图2为本申请实施例中的一种业务套餐的推荐方法的流程图;
图3为本申请实施例中的目标网络模型的训练流程的示意图;
图4为本申请实施例中的目标网络模型的应用流程的示意图;
图5为本申请实施例中的另一种业务套餐的推荐方法的流程图;
图6为本申请实施例中的一种业务套餐的推荐装置的结构框图;
图7为本申请实施例提供的一种服务器的硬件结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
目前,运营商在向用户提供移动终端的业务项时,经常采用业务套餐的形式向用户提供相应的业务项。示例性的,运营商提供的业务套餐包括不同资费标准的业务套餐,如18元的业务套餐和38元的业务套餐,18元的业务套餐包括1GB的流量业务和100分钟的语音业务,38元的业务套餐包括3GB的流量业务和200分钟的语音业务,语音业务的业务数据(如上述的100分钟和200分钟)实际上指的是办理该语音业务的移动终端,拨打其他移动终端能够允许的通话时长。
针对某一用户Ux,当其非常喜欢看视频时,则往往需要办理流量业务的业务数据较多的业务套餐,但其对语音业务的业务数据的需求非常少,若用户办理38元的业务套餐,很有可能出现流量业务的业务数据不够用而语音业务的业务数据用不完的情况,此时,运营商会针对超出业务套餐的超额流量进行计费,且超额流量的计费单价比一般的业务套餐的流量计费单价更高,导致用户需要花费更多的开支,使得运营商提供的业务套餐往往不能很好地符合用户的实际需求。
基于此,本申请实施例提供了一种业务套餐的推荐方法,基于人工智能的方式,并结合目标用户的目标用户特征数据以及目标用户需要办理的目标业务项包含的各个目标业务子项对应的目标业务特征数据,筛选出目标业务套餐并其推荐给目标用户,减少了人为组合得到的业务套餐的误差,提高了目标业务套餐推荐的准确性,使得推荐的业务套餐更加符合用户的个性化需求。
本申请实施例提供的业务套餐的推荐方法,可以适用于如图1所示的系统架构示意图。如图1所示,该系统架构包括目标终端101和服务器102,应理解的是,图1中的目标终端101和服务器102的数量和类型仅仅是示意性的,根据实际需求,该系统架构中可以具有任意数量和任意类型的目标终端和服务器。
目标终端101与服务器102通过网络通信连接,网络用于在目标终端101与服务器102之间提供通信链路的介质,该网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
服务器102可以通过网络与目标终端101进行交互,以接收或发送请求或数据等,目标终端101指的是需要办理业务套餐的终端设备,该终端设备可以指的是手机等终端,服务器102指的是运营商服务器,其可以根据目标终端101发送的相关数据,从候选业务套餐中选取符合目标用户实际需求的目标业务套餐,并向目标终端101推送选取的目标业务套餐。
本申请实施例提供的业务套餐的推荐方法,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2为本申请实施例中的一种业务套餐的推荐方法的流程图,参照图2所示,本申请实施例中的业务套餐的推荐方法具体可以包括如下步骤:
步骤201,获取目标终端发送的目标数据;目标数据包括目标用户对应的目标用户特征数据以及多个目标业务标识。
在本申请实施例中,当目标用户需要办理相应的业务套餐时,会在目标终端上输入目标用户对应的目标用户特征数据,以及目标用户需要办理的多个目标业务项所对应的目标业务标识,则目标终端会将目标用户输入的目标用户特征数据和目标业务标识发送至服务器,使得服务器可获取到目标终端发送的目标用户特征数据和目标业务标识。
目标用户特征数据指的是目标用户本身的一些特征信息,如目标用户的年龄段、性别等特征数据;目标业务标识指的是运营商为目标用户提供的目标业务项的标识信息。
通常,运营商会提供有多种业务项,如流量业务、语音业务、短信业务、宽带业务等,每个业务项都具有其对应的业务标识,业务项与业务标识一一对应,不同的业务项对应的业务标识也不同。
其中,业务标识可以用业务标签表示,预先为每个业务项自定义其对应的业务标签,如01表示流量业务,02表示语音业务,03表示短信业务,04表示宽带业务等;业务标识也可以用业务项的名称,如业务项的名称为语音时,其对应的业务项为语音业务,业务项的名称为流量时,其对应的业务项为流量业务。
例如,目标终端发送的目标用户Ux的目标用户特征数据包括:年龄段20岁-35岁,性别为女,且目标业务标识为流量和语音。
步骤202,查找每个目标业务标识对应的目标业务项所包含的业务子项。
在本申请实施例中,服务器在接收到目标终端发送的目标业务标识后,先根据目标业务标识查找对应的目标业务项,再从其存储的各个业务项所包含的所有业务子项中查找该目标业务项所包含的所有业务子项。每个业务项均包括多个业务子项,同一业务项中的各个业务子项对应的业务数据不同。
例如,目标业务标识为流量和语音,则对应的目标业务项分别为流量业务和语音业务,流量业务包含的所有业务子项可以分别为:1GB流量业务、2GB流量业务、3GB流量业务以及5GB流量业务,语音业务包含的所有业务子项可以分别为:100分钟语音业务、200分钟语音业务和300分钟语音业务。可以看出,属于流量业务的各个业务子项的业务数据依次为1GB、2GB、3GB以及5GB等,则属于流量业务的各个业务子项的业务数据均不同;属于语音业务的各个业务子项的业务数据依次为100分钟、200分钟和300分钟,则属于语音业务的各个业务子项的业务数据也均不同。
步骤203,从每个目标业务项所包含的业务子项中依次提取一个目标业务子项,并将提取的目标业务子项进行组合,得到多个候选业务套餐。
在本申请实施例中,服务器在查找到目标业务项所包含的所有业务子项之后,从每个目标业务项所包含的业务子项中提取一个目标业务子项,当从所有的目标业务项中都提取到一个目标业务子项时,将提取到的目标业务子项进行组合,得到一个候选业务套餐;然后,再次从每个目标业务项所包含的业务子项中提取一个目标业务子项,本次提取到的目标业务子项与上次提取到的至少一个目标业务子项不同,将本次提取到的目标业务子项进行组合,得到一个候选业务套餐;接着,继续从每个目标业务项所包含的业务子项中提取一个目标业务子项,本次提取到的目标业务子项与之前两次提取到的至少一个目标业务子项均不同,将本次提取到目标业务子项进行组合,得到一个候选业务套餐;以此类推,直至将所有的目标业务项所包含的目标业务子项全部提取并组合完成,得到多个候选业务套餐。
假设目标业务项包括2个业务项,第一个目标业务项包括X个业务子项,第二个目标业务项包括Y个业务子项,则组合得到的候选业务套餐的总数量为X×Y个;假设目标业务项包括3个业务项,第一个目标业务项包括X个业务子项,第二个目标业务项包括Y个业务子项,第三个目标业务项包括Z个业务子项,则组合得到的候选业务套餐的总数量为X×Y×Z个。也就是说,组合得到的候选业务套餐的总数量等于各个目标业务项包含的所有业务子项的乘积。
并且,第M次组合得到的候选业务套餐与前M-1次组合得到的候选业务套餐均至少包含部分不相同的目标业务子项,使得在所有的候选业务套餐中,任意两个候选业务套餐至少包含部分不相同的目标业务子项。
例如,目标业务项分别为流量业务和语音业务,流量业务包含的所有业务子项可以分别为:1GB流量业务、2GB流量业务、3GB流量业务以及5GB流量业务,语音业务包含的所有业务子项可以分别为:100分钟语音业务、200分钟语音业务和300分钟语音业务,则组合得到的候选业务套餐的数量为12个,第一个候选业务套餐包括1GB流量业务和100分钟语音业务,第二个候选业务套餐包括1GB流量业务和200分钟语音业务,第三个候选业务套餐包括1GB流量业务和300分钟语音业务;第四个候选业务套餐包括2GB流量业务和100分钟语音业务,第五个候选业务套餐包括2GB流量业务和200分钟语音业务,第六个候选业务套餐包括2GB流量业务和300分钟语音业务;第七个候选业务套餐包括3GB流量业务和100分钟语音业务,第八个候选业务套餐包括3GB流量业务和200分钟语音业务,第九个候选业务套餐包括3GB流量业务和300分钟语音业务;第十个候选业务套餐包括5GB流量业务和100分钟语音业务,第十一个候选业务套餐包括5GB流量业务和200分钟语音业务,第十二个候选业务套餐包括5GB流量业务和300分钟语音业务。
步骤204,提取每个候选业务套餐中的各个目标业务子项对应的目标业务特征数据。
在本申请实施例中,在组合得到多个候选业务套餐之后,服务器提取每个候选业务套餐所包含的所有目标业务子项对应的目标业务特征数据。
目标业务特征数据可以包括目标业务子项对应的业务数据。例如,针对100分钟语音业务,其对应的业务数据为100分钟,针对3GB流量业务,其对应的业务数据为3GB。目标业务特征数据还可以包括目标业务子项对应的其他特征数据。例如,针对100分钟语音业务,其可以是语音时长小于300分钟的特征数据,针对3GB流量业务,其可以是流量数据小于5GB的特征数据。
此外,针对流量业务,其对应的目标业务特征数据还可以包括省内流量特征数据或国内流量特征数据等。
步骤205,将目标用户特征数据和每个候选业务套餐对应的目标业务特征数据输入目标网络模型,得到每个候选业务套餐的评分值。
在使用目标网络模型之前,需要对目标网络模型进行训练,并将训练好的目标网络模型存储在服务器内。目标网络模型的训练过程如图3所示:
S301,获取各样本业务标识对应的样本业务项;
S302,将各样本业务项中的样本业务子项进行随机组合,得到样本业务套餐;
S303,提取每个样本业务套餐中的各个样本业务子项对应的样本业务特征数据;
S304,获取样本用户对应的样本用户特征数据,以及每个样本用户针对样本业务套餐的购买倾向结果;
S305,对样本用户特征数据、样本业务特征数据和购买倾向结果进行训练,生成目标网络模型;
S306,输出该目标网络模型。
在进行目标网络模型的模型训练之前,服务器先根据其存储的各个样本业务标识查找其对应的样本业务项。可以理解的是,样本业务项实际上包含上述过程中提到的目标业务项,只是为了区分训练过程和应用过程,将训练过程中的业务项称为样本业务项,将应用过程中,目标用户想要办理业务项称为目标业务项。
然后,服务器查找到每个样本业务项所包含的所有样本业务子项,按照步骤203类似的方式,从部分或所有的样本业务项中依次提取一个样本业务子项,并将提取到的所有样本业务子项进行组合,得到多个样本业务套餐。可以理解的是,任意两个样本业务套餐至少包含部分不相同的样本业务子项;另外,任意两个样本业务套餐包含的样本业务子项的数量可以相等,也可以不相等。
例如,一个样本业务套餐包括5个样本业务子项,其分别为样本业务子项A1、B1、C1、D1和E1,另一个样本业务套餐包括3个样本业务子项,其分别为样本业务子项A1、B1和C1,再一个样本业务套餐也包括3个样本业务子项,其分别为样本业务子项A2、B2和C2。
接着,服务器可提取每个样本业务套餐中的各个样本业务子项对应的样本业务特征数据,样本业务特征数据的具体种类与目标业务特征数据的具体种类类似。
此外,在进行目标网络模型的模型训练之前,服务器还需要获取样本用户对应的样本用户特征数据,以及每个样本用户针对样本业务套餐的购买倾向结果。具体的,可先获取训练样本数据,该训练样本数据包括多个样本用户对应的样本用户特征数据以及每个样本用户的历史购买数据,然后根据该历史购买数据,确定样本用户针对各个样本业务套餐的购买倾向结果。
一种可选的实施方式,历史购买数据包括样本业务套餐中购买的样本业务子项的数量;当购买的样本业务子项的数量与样本业务套餐中的样本业务子项的数量之间的比值大于或等于预设比值时,确定购买倾向结果为有购买倾向;当购买的样本业务子项的数量与样本业务套餐中的样本业务子项的数量之间的比值小于预设比值时,确定购买倾向结果为没有购买倾向。
示例性的,该预设比值为0.5,也就是说,当样本用户购买过该样本业务套餐中的一半或一半以上的样本业务子项时,则认为该样本业务套餐比较符合该样本用户的个性化需求,确定该样本用户针对该样本业务套餐的购买倾向结果为有购买倾向;当样本用户未购买过该样本业务套餐中的任一样本业务子项或者样本用户购买过该样本业务套餐中的少于一半的样本业务子项时,则认为该样本业务套餐可能不符合该样本用户的个性化需求,确定该样本用户针对该样本业务套餐的购买倾向结果为没有购买倾向。
例如,预设比值为0.5,针对一个样本业务套餐,其包括的样本业务子项的数量为5个,某一样本用户U1购买过该样本业务套餐中的3个样本业务子项,则确定样本用户U1对该样本业务套餐的购买倾向结果为有购买倾向,而某一样本用户U2购买过该样本业务套餐中的2个样本业务子项,则确定样本用户U2对该样本业务套餐的购买倾向结果为没有购买倾向。
当然,预设比值不均限于为0.5,其还可以是其他数据,如预设比例可以为0.6、0.8等,本申请实施例对此不作限定。
服务器在获取到样本用户特征数据和样本业务特征数据之后,将样本用户特征数据和样本业务特征数据组合成一条样本特征,将该样本特征输入初始网络模型中,得到样本业务套餐的预测购买结果;然后,根据预测购买结果、购买倾向结果和损失函数,确定样本业务套餐的损失值;最后,根据损失值更新初始网络模型中的参数;通过多个样本特征更新初始网络模型中的参数,直至最终输出的预测购买结果的准确度达到要求,则得到最终训练好的目标网络模型。最后,输出该训练好的目标网络模型,并将目标网络模型存储在服务器中。
在训练目标网络模型的过程中,因为希望初始网络模型的输出尽可能的接近真正想要预测的值,所以可以通过比较当前初始网络模型的预测购买结果和真正想要的购买倾向结果,再根据两者之间的差异情况来更新初始网络模型中的权重,比如,如果初始网络模型的预测值高了,就调整权重让它的预测购买结果低一些,不断的调整,直到初始网络模型能够预测出真正想要的购买倾向结果或与真正想要的购买倾向结果非常接近的值,以最终得到目标网络模型。
因此,就需要预先定义“如何比较预测购买结果与购买倾向结果之间的差异”,这便是损失函数(loss function),它们是用于衡量预测购买结果与购买倾向结果的差异的重要方程。其中,以损失函数举例,损失函数的输出值(loss)越高表示差异越大,那么目标网络模型的训练就变成了尽可能缩小这个loss的过程。
需要说明的是,在将样本用户特征数据和样本业务特征数据组合成一条样本特征之后,需要先对样本特征进行一系列的处理,如特征归一化,省略零值特征等处理,然后再将处理后的样本特征输入初始网络模型进行模型训练。相应的,在目标网络模型的应用过程中,也需要对目标用户特征数据和目标业务特征数据进行特征归一化,省略零值特征等处理后,再输入目标网络模型。
而目标网络模型的应用过程如图4所示:
S401,获取目标业务标识对应的目标业务项;
S402,将各目标业务项中的目标业务子项进行随机组合,得到候选业务套餐;
S403,提取每个候选业务套餐中的各个目标业务子项对应的目标业务特征数据;
S404,获取目标用户对应的目标用户特征数据;
S405,将目标用户特征数据和目标业务特征数据输入目标网络模型,得到每个候选业务套餐的评分值。
S406,根据评分值从候选业务套餐中选取目标业务套餐进行推荐。
需要说明的是,S401至S404的具体过程可参照上述步骤201至步骤204的过程,为避免重复,在此不再赘述。
服务器在获取到目标用户的目标用户特征数据和每个候选业务套餐对应的目标业务特征数据之后,将目标用户特征数据和每个候选业务套餐对应的目标业务特征数据输入目标网络模型,目标网络模型则输出每个候选业务套餐的评分值。
该候选业务套餐的评分值用于表征目标用户对该候选业务套餐感兴趣的可能性,即目标用户办理该候选业务套餐的可能性。当候选业务套餐的评分值越高时,表示目标用户办理该候选业务套餐的可能性越高,当候选业务套餐的评分值越低时,表示目标用户办理该候选业务套餐的可能性越低。
最后,需要根据每个候选业务套餐的评分值,从各个候选业务套餐中选取目标业务套餐,并推荐给目标用户,具体过程可详见下面的步骤206和步骤207。
在本申请实施例中,目标网络模型为场感知分解机模型(field-awarefactorization machine,FFM)模型。
一般在推荐场景中,FFM主要用来评估站内的点击率(click through rate,CTR)和转化率(click value rate,CVR),即一个用户对一个业务子项的潜在点击率和点击后的转化率。CTR和CVR预估模型都是在线下训练,然后线上预测。在预估中,通常会遇到one-hot(独热)类型的变量,会导致数据特征的稀疏。为了解决这个问题,FFM在FM的基础上进一步改进,在模型中引入类别的概念,即field(域)。将同一个field的特征单独进行one-hot,因此在FFM中,每一维特征都会针对其他特征的每个field,分别学习一个隐变量,该隐变量不仅与特征相关,也与field相关。假设样本的n个特征属于f个field,那么FFM的二次项有nf个隐向量。而在FM模型中,每一维特征的隐向量只有一个。FM可以看做FFM的特例,把所有特征都归属到一个field的FFM模型,则FFM模型的方程为:
其中,y(x)表示预测购买结果,w0为全局偏量,wi为第i个特征的权重,xi为第i个特征的取值,Xj为第j个特征的取值,n表示每个样本中的特征的总数(即用户特征数据和每个候选业务套餐中的业务特征数据的总数),Vi,fj表示特征Xi选取特征Xj所在域对应的隐向量,Vj,fi表示特征Xj选取Xi所在域对应的隐向量。如果隐向量的长度为k,那么FFM的二次参数有nfk个,远多于FM模型的nk个。
FFM将问题定义为分类问题,其对应的损失函数可以为逻辑回归损失函数,并加入正则项,该损失函数Loss为:
为了使用FFM方法,所有的特征必须转换成“field_id:feat_id:value”格式,field_id代表特征所属field的编号,feat_id是特征编号,value是特征的值。数值型的特征比较容易处理,只需分配单独的field编号,如业务子项的规格等,连续特征需要经过One-Hot编码成数值型,编码产生的所有特征同属于一个field,而特征的值只能是0或1,如用户的性别、年龄段等。按前述方法得到field_id之后,再对转换后的特征顺序编号,得到feat_id,特征的值也可以按照之前的方法获得。
当然,可以理解的是,本申请实施例中的目标网络模型不局限于FFM模型,其还可以为其他神经网络模型;并且,本申请的损失函数也不局限于上述的逻辑回归损失函数。
步骤206,根据评分值从候选业务套餐中选取目标业务套餐。
在本申请实施例中,当采用目标网络模型输出得到每个候选业务套餐的评分值之后,服务器根据各个候选业务套餐的评分值,从所有的候选业务套餐中选取目标业务套餐。
例如,目标业务项分别为流量业务和语音业务,且候选业务项的数量为12个,则根据评分值从12个候选业务套餐中选取2个候选业务套餐作为目标业务套餐,如第十个候选业务套餐(其包括5GB流量业务和100分钟语音业务)以及第十一个候选业务套餐(其包括5GB流量业务和200分钟语音业务)。
步骤207,向目标终端推送目标业务套餐。
在本申请实施例中,服务器通过网络将选取的目标业务套餐发送至目标终端,以实现向目标终端推送目标业务套餐。
服务器在将目标业务套餐发送至目标终端之后,目标终端可在其具有的显示屏上显示该目标业务套餐,从目标业务套餐中选取最符合要求的一个目标业务套餐,办理相应的套餐业务。
例如,向目标终端推送包括5GB流量业务和100分钟语音业务的目标业务套餐,以及包括5GB流量业务和200分钟语音业务的目标业务套餐。
在本申请实施例中,基于人工智能的方式,并结合目标用户的目标用户特征数据以及目标用户需要办理的目标业务项包含的各个目标业务子项对应的目标业务特征数据,筛选出目标业务套餐并其推荐给目标用户,减少了人为组合得到的业务套餐的误差,提高了目标业务套餐推荐的准确性,使得推荐的业务套餐更加符合用户的个性化需求。
图5为本申请实施例中的另一种业务套餐的推荐方法的流程图,参照图5所示,本申请实施例的业务套餐的推荐方法具体可以包括如下步骤:
步骤501,获取目标终端发送的目标数据;目标数据包括目标用户对应的目标用户特征数据、多个目标业务标识以及候选业务套餐中的业务子项的数量。
在本申请实施例中,当目标用户需要办理相应的业务套餐时,会在目标终端上输入目标用户对应的目标用户特征数据、目标用户需要办理的多个目标业务项所对应的目标业务标识,以及需要办理的业务套餐中包含的业务子项的数量,需要办理的业务套餐中包含的业务子项的数量也就指的是后续组合得到的候选业务套餐中的业务子项的数量,候选业务套餐中的业务子项的数量大于或等于目标业务子项的数量。
目标终端将目标用户输入的目标用户特征数据、多个目标业务标识以及候选业务套餐中的业务子项的数量均发送至服务器,使得服务器可获取到目标终端发送的目标用户特征数据、多个目标业务标识以及候选业务套餐中的业务子项的数量。
例如,目标用户Ux输入的目标业务标识为流量和语音,其对应的业务子项的数量为2,而目标用户Ux输入的候选业务套餐中的业务子项的数量为3,则后续组合得到的候选业务套餐中的业务子项除了包含流量业务和语音业务中的业务子项外,还包括其他业务项中的业务子项。
步骤502,查找每个目标业务标识对应的目标业务项所包含的业务子项。
此步骤与上述步骤202执行过程类似,为避免重复,在此不再赘述。
步骤503,从每个目标业务项所包含的业务子项中依次提取一个目标业务子项,并将提取的目标业务子项以及待合并业务子项进行组合,得到多个候选业务套餐。
在本申请实施例中,服务器从每个目标业务项所包含的业务子项中依次提取一个目标业务子项,并将提取的目标业务子项以及其他种类的待合并业务子项进行组合,得到多个候选业务套餐。
其中,待合并业务子项所属的业务项与目标业务项不同,待合并业务子项的数量等于候选业务套餐中的业务子项的数量与目标业务子项的数量的差值。
例如,候选业务套餐中的业务子项的数量为3,目标业务项包括语音业务和流量业务,则可将宽带、短信等其他业务项中的任意一个业务子项作为待合并业务子项,并组合到候选业务套餐中。
步骤504,提取每个候选业务套餐中的各个目标业务子项以及待合并业务子项对应的目标业务特征数据。
此时,候选业务套餐包括目标业务子项和待合并业务子项,因此,服务器需要提取每个候选业务套餐中的各个目标业务子项以及待合并业务子项对应的目标业务特征数据。
步骤505,将目标用户特征数据和每个候选业务套餐对应的目标业务特征数据输入目标网络模型,得到每个候选业务套餐的评分值。
此步骤与上述步骤205执行过程类似,为避免重复,在此不再赘述。
步骤506,将各个候选业务套餐的评分值按照从高到低的顺序进行排序。
在本申请实施例中,当采用目标网络模型输出得到每个候选业务套餐的评分值之后,服务器将各个候选业务套餐的评分值按照从高到低的顺序进行排序。
例如,假设候选业务套餐1的评分值为0.2,候选业务套餐2的评分值为0.8,候选业务套餐3的评分值为0.6,候选业务套餐4的评分值为0.9,则排序结果依次为:候选业务套餐4、候选业务套餐2、候选业务套餐3和候选业务套餐1。
步骤507,选取排序靠前的N个候选业务套餐作为目标业务套餐。
在本申请实施例中,服务器在按照评分值对各个候选业务套餐按照从高到低的顺序进行排序后,选取排序靠前的N个候选业务套餐作为目标业务套餐,即目标业务套餐的数量为N,N为正整数。例如,N可以为1、2、5、10等,N的取值可根据经验值或者实际需求进行设定,本申请实施例对此不做具体限定。
由于各个候选业务套餐的评分值用于表征目标用户办理该候选业务套餐的可能性,因此,选取评分值排序靠前的N个候选业务套餐作为目标业务套餐,使得推荐给目标用户的目标业务套餐的准确度进一步提高。
例如,假设N取2,则将候选业务套餐4和候选业务套餐2作为目标业务套餐。
步骤508,向目标终端推送目标业务套餐。
此步骤与上述步骤207执行过程类似,为避免重复,在此不再赘述。
在本申请实施例中,基于人工智能的方式,并结合目标用户的目标用户特征数据以及目标用户需要办理的目标业务项包含的各个目标业务子项对应的目标业务特征数据,筛选出评分值较高的目标业务套餐并其推荐给目标用户,减少了人为组合得到的业务套餐的误差,提高了目标业务套餐推荐的准确性,使得推荐的业务套餐更加符合用户的个性化需求;并且,当目标用户除了需要办理已经输入的目标业务项之外,还可以根据输入的业务套餐需要包含的业务项的数量,为用户推荐其可能需要办理的其他业务项,提高目标业务套餐推荐的准确性。
上面已对本申请实施例的业务套餐的推荐方法进行了说明,下面对本申请实施例提供的执行上述业务套餐的推荐方法的业务套餐的推荐装置进行描述。本领域技术人员可以理解,方法和装置可以相互结合和引用,本申请实施例提供的业务套餐的推荐装置可以执行上述业务套餐的推荐方法的步骤。
图6为本申请实施例中的一种业务套餐的推荐装置的结构框图。图6所示的业务套餐的推荐装置600包括:通信单元601和处理单元602;通信单元601,用于获取目标终端发送的目标数据,目标数据包括目标用户对应的目标用户特征数据以及多个目标业务标识;处理单元602,用于查找每个目标业务标识对应的目标业务项所包含的业务子项;从每个目标业务项所包含的业务子项中依次提取一个目标业务子项,并将提取的目标业务子项进行组合,得到多个候选业务套餐,任意两个候选业务套餐至少包含部分不相同的目标业务子项;提取每个候选业务套餐中的各个目标业务子项对应的目标业务特征数据;将目标用户特征数据和每个候选业务套餐对应的目标业务特征数据输入目标网络模型,得到每个候选业务套餐的评分值;根据评分值从候选业务套餐中选取目标业务套餐;通信单元601,还用于向目标终端推送目标业务套餐。
可选的,目标数据还包括候选业务套餐中的业务子项的数量,候选业务套餐中的业务子项的数量大于或等于目标业务子项的数量。
可选的,候选业务套餐中的业务子项的数量大于目标业务子项的数量;处理单元602,具体用于从每个目标业务项所包含的业务子项中依次提取一个目标业务子项,并将提取的目标业务子项以及待合并业务子项进行组合,得到多个候选业务套餐;提取每个候选业务套餐中的各个目标业务子项以及待合并业务子项对应的目标业务特征数据;其中,待合并业务子项所属的业务项与目标业务项不同,待合并业务子项的数量等于候选业务套餐中的业务子项的数量与目标业务子项的数量的差值。
可选的,处理单元602,具体用于将各个候选业务套餐的评分值按照从高到低的顺序进行排序;选取排序靠前的N个候选业务套餐作为目标业务套餐,N为正整数。
可选的,通信单元601,还用于获取训练样本数据,训练样本数据包括多个样本用户对应的样本用户特征数据以及每个样本用户的历史购买数据;处理单元602,还用于根据历史购买数据,确定样本用户针对各个样本业务套餐的购买倾向结果;提取样本业务套餐中的各个样本业务子项对应的样本业务特征数据;对样本用户特征数据、样本业务特征数据和购买倾向结果进行训练,生成目标网络模型。
可选的,历史购买数据包括样本业务套餐中购买的样本业务子项的数量;处理单元602,具体用于当购买的样本业务子项的数量与样本业务套餐中的样本业务子项的数量之间的比值大于或等于预设比值时,确定购买倾向结果为有购买倾向;当购买的样本业务子项的数量与样本业务套餐中的样本业务子项的数量之间的比值小于预设比值时,确定购买倾向结果为没有购买倾向。
可选的,目标网络模型为FFM模型。
本实施例的业务套餐的推荐装置对应地可用于执行上述方法实施例中执行的步骤,其实现原理和技术效果类似,此处不再赘述。
图7为本申请实施例提供的一种服务器的硬件结构示意图。图7所示的服务器700包括:存储器701、处理器702和接口电路703,其中,存储器701、处理器702、接口电路703可以通信;示例性的,存储器701、处理器702和接口电路703可以通过通信总线通信。
存储器701可以是只读存储器(read only memory,ROM),静态存储设备,动态存储设备或者随机存取存储器(random access memory,RAM)。存储器701可以存储计算机程序,由处理器702来控制执行,并由接口电路703来执行通信,从而实现本申请上述实施例提供的业务套餐的推荐方法。
可能的实现方式中,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
处理器702可以采用通用的中央处理器(central processing unit,CPU),微处理器,应用专用集成电路(application apecific antegrated aircuit,ASIC),图形处理器(graphics processing unit,GPU)或者一个或多个集成电路。
处理器702还可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,本申请的业务套餐的推荐方法的功能可以通过处理器702中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器702还可以是通用处理器、数字信号处理器(digitalsignal processing,DSP)、专用集成电路(ASIC)、现成可编程门阵列(field programmablegate 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,可以实现或者执行本申请下文实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请下文实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器701,处理器702读取存储器701中的信息,结合其硬件完成本申请实施例的业务套餐的推荐方法的功能。
可选的,接口电路703使用例如但不限于收发器一类的收发模块,来实现服务器700与其他设备或通信网络之间的通信。例如,可以通过接口电路703向目标终端推送选取的N个目标业务套餐。
本申请实施例还提供了一种计算机可读存储介质。上述实施例中描述的方法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。如果在软件中实现,则功能可以作为一个或多个指令或代码存储在计算机可读介质上或者在计算机可读介质上传输。计算机可读介质可以包括计算机存储介质和通信介质,还可以包括任何可以将计算机程序从一个地方传送到另一个地方的介质。存储介质可以是可由计算机访问的任何目标介质。
一种可能的实现方式中,计算机可读介质可以包括RAM,ROM,只读光盘(compactdisc read-only memory,CD-ROM)或其它光盘存储器,磁盘存储器或其它磁存储设备,或目标于承载的任何其它介质或以指令或数据结构的形式存储所需的程序代码,并且可由计算机访问。而且,任何连接被适当地称为计算机可读介质。例如,如果使用同轴电缆,光纤电缆,双绞线,数字用户线(Digital Subscriber Line,DSL)或无线技术(如红外,无线电和微波)从网站,服务器或其它远程源传输软件,则同轴电缆,光纤电缆,双绞线,DSL或诸如红外,无线电和微波之类的无线技术包括在介质的定义中。如本文所使用的磁盘和光盘包括光盘,激光盘,光盘,数字通用光盘(Digital Versatile Disc,DVD),软盘和蓝光盘,其中磁盘通常以磁性方式再现数据,而光盘利用激光光学地再现数据。上述的组合也应包括在计算机可读介质的范围内。
本领域技术人员在考虑说明书及实践这里公开的申请后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (16)
1.一种业务套餐的推荐方法,其特征在于,包括:
获取目标终端发送的目标数据;所述目标数据包括目标用户对应的目标用户特征数据以及多个目标业务标识;
查找每个所述目标业务标识对应的目标业务项所包含的业务子项;
从每个所述目标业务项所包含的所述业务子项中依次提取一个目标业务子项,并将提取的所述目标业务子项进行组合,得到多个候选业务套餐;任意两个所述候选业务套餐至少包含部分不相同的所述目标业务子项;
提取每个所述候选业务套餐中的各个所述目标业务子项对应的目标业务特征数据;
将所述目标用户特征数据和每个所述候选业务套餐对应的所述目标业务特征数据输入目标网络模型,得到每个所述候选业务套餐的评分值;
根据所述评分值从所述候选业务套餐中选取目标业务套餐;
向所述目标终端推送所述目标业务套餐。
2.根据权利要求1所述的方法,其特征在于,所述目标数据还包括所述候选业务套餐中的业务子项的数量,所述候选业务套餐中的业务子项的数量大于或等于所述目标业务子项的数量。
3.根据权利要求2所述的方法,其特征在于,所述候选业务套餐中的业务子项的数量大于所述目标业务子项的数量;
所述从每个所述目标业务项所包含的所述业务子项中依次提取一个目标业务子项,并将提取的所述目标业务子项进行组合,得到多个候选业务套餐,包括:
从每个所述目标业务项所包含的所述业务子项中依次提取一个目标业务子项,并将提取的所述目标业务子项以及待合并业务子项进行组合,得到多个所述候选业务套餐;所述待合并业务子项所属的业务项与所述目标业务项不同,所述待合并业务子项的数量等于所述候选业务套餐中的业务子项的数量与所述目标业务子项的数量的差值;
所述提取每个所述候选业务套餐中的各个所述目标业务子项对应的目标业务特征数据,包括:
提取每个所述候选业务套餐中的各个所述目标业务子项以及所述待合并业务子项对应的目标业务特征数据。
4.根据权利要求1所述的方法,其特征在于,所述根据所述评分值从所述候选业务套餐中选取目标业务套餐,包括:
将各个所述候选业务套餐的评分值按照从高到低的顺序进行排序;
选取排序靠前的N个所述候选业务套餐作为所述目标业务套餐,所述N为正整数。
5.根据权利要求1所述的方法,其特征在于,在所述将所述目标用户特征数据和每个所述候选业务套餐对应的所述目标业务特征数据输入目标网络模型,得到每个所述候选业务套餐的评分值之前,还包括:
获取训练样本数据;所述训练样本数据包括多个样本用户对应的样本用户特征数据以及每个所述样本用户的历史购买数据;
根据所述历史购买数据,确定所述样本用户针对各个样本业务套餐的购买倾向结果;
提取所述样本业务套餐中的各个样本业务子项对应的样本业务特征数据;
对所述样本用户特征数据、所述样本业务特征数据和所述购买倾向结果进行训练,生成所述目标网络模型。
6.根据权利要求5所述的方法,其特征在于,所述历史购买数据包括所述样本业务套餐中购买的样本业务子项的数量;
所述根据所述历史购买数据,确定所述样本用户针对各个样本业务套餐的购买倾向结果,包括:
当购买的所述样本业务子项的数量与所述样本业务套餐中的所述样本业务子项的数量之间的比值大于或等于预设比值时,确定所述购买倾向结果为有购买倾向;
当购买的所述样本业务子项的数量与所述样本业务套餐中的所述样本业务子项的数量之间的比值小于所述预设比值时,确定所述购买倾向结果为没有购买倾向。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述目标网络模型为FFM模型。
8.一种业务套餐的推荐装置,其特征在于,包括:通信单元和处理单元;
所述通信单元,用于获取目标终端发送的目标数据;所述目标数据包括目标用户对应的目标用户特征数据以及多个目标业务标识;
所述处理单元,用于查找每个所述目标业务标识对应的目标业务项所包含的业务子项;从每个所述目标业务项所包含的所述业务子项中依次提取一个目标业务子项,并将提取的所述目标业务子项进行组合,得到多个候选业务套餐;任意两个所述候选业务套餐至少包含部分不相同的所述目标业务子项;提取每个所述候选业务套餐中的各个所述目标业务子项对应的目标业务特征数据;将所述目标用户特征数据和每个所述候选业务套餐对应的所述目标业务特征数据输入目标网络模型,得到每个所述候选业务套餐的评分值;根据所述评分值从所述候选业务套餐中选取目标业务套餐;
所述通信单元,还用于向所述目标终端推送所述目标业务套餐。
9.根据权利要求8所述的装置,其特征在于,所述目标数据还包括所述候选业务套餐中的业务子项的数量,所述候选业务套餐中的业务子项的数量大于或等于所述目标业务子项的数量。
10.根据权利要求9所述的装置,其特征在于,所述候选业务套餐中的业务子项的数量大于所述目标业务子项的数量;
所述处理单元,具体用于从每个所述目标业务项所包含的所述业务子项中依次提取一个目标业务子项,并将提取的所述目标业务子项以及待合并业务子项进行组合,得到多个所述候选业务套餐;提取每个所述候选业务套餐中的各个所述目标业务子项以及所述待合并业务子项对应的目标业务特征数据;
其中,所述待合并业务子项所属的业务项与所述目标业务项不同,所述待合并业务子项的数量等于所述候选业务套餐中的业务子项的数量与所述目标业务子项的数量的差值。
11.根据权利要求8所述的装置,其特征在于,所述处理单元,具体用于将各个所述候选业务套餐的评分值按照从高到低的顺序进行排序;选取排序靠前的N个所述候选业务套餐作为所述目标业务套餐,所述N为正整数。
12.根据权利要求8所述的装置,其特征在于,所述通信单元,还用于获取训练样本数据;所述训练样本数据包括多个样本用户对应的样本用户特征数据以及每个所述样本用户的历史购买数据;
所述处理单元,还用于根据所述历史购买数据,确定所述样本用户针对各个样本业务套餐的购买倾向结果;提取所述样本业务套餐中的各个样本业务子项对应的样本业务特征数据;对所述样本用户特征数据、所述样本业务特征数据和所述购买倾向结果进行训练,生成所述目标网络模型。
13.根据权利要求12所述的装置,其特征在于,所述历史购买数据包括所述样本业务套餐中购买的样本业务子项的数量;
所述处理单元,具体用于当购买的所述样本业务子项的数量与所述样本业务套餐中的所述样本业务子项的数量之间的比值大于或等于预设比值时,确定所述购买倾向结果为有购买倾向;当购买的所述样本业务子项的数量与所述样本业务套餐中的所述样本业务子项的数量之间的比值小于所述预设比值时,确定所述购买倾向结果为没有购买倾向。
14.根据权利要求8至13中任一项所述的装置,其特征在于,所述目标网络模型为FFM模型。
15.一种服务器,其特征在于,包括处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1至7中任一项所述的业务套餐的推荐方法。
16.一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,所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的业务套餐的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095224.1A CN113806634B (zh) | 2021-09-17 | 2021-09-17 | 业务套餐的推荐方法、装置及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095224.1A CN113806634B (zh) | 2021-09-17 | 2021-09-17 | 业务套餐的推荐方法、装置及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113806634A true CN113806634A (zh) | 2021-12-17 |
CN113806634B CN113806634B (zh) | 2023-05-30 |
Family
ID=78895810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111095224.1A Active CN113806634B (zh) | 2021-09-17 | 2021-09-17 | 业务套餐的推荐方法、装置及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113806634B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116456323A (zh) * | 2023-05-30 | 2023-07-18 | 南京邮电大学 | 一种基于用户偏好解耦的用户套餐推荐方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106332042A (zh) * | 2016-09-06 | 2017-01-11 | 华为技术有限公司 | 确定计费组合的方法和装置 |
CN107070971A (zh) * | 2016-12-30 | 2017-08-18 | 北京瑞星信息技术股份有限公司 | 电信业务的推荐方法及装置 |
CN108243016A (zh) * | 2016-12-27 | 2018-07-03 | 中国移动通信集团河北有限公司 | 业务套餐的推荐方法以及推荐装置、以及服务器 |
CN109241451A (zh) * | 2018-11-08 | 2019-01-18 | 北京点网聚科技有限公司 | 一种内容组合推荐方法、装置及可读存储介质 |
CN109995837A (zh) * | 2018-01-02 | 2019-07-09 | 中国移动通信有限公司研究院 | 一种业务套餐推荐方法、装置及服务器 |
CN110298725A (zh) * | 2019-05-24 | 2019-10-01 | 北京三快在线科技有限公司 | 商品组合的推荐方法、装置、电子设备及可读存储介质 |
US20200097981A1 (en) * | 2018-09-25 | 2020-03-26 | Capital One Services, Llc | Machine learning-driven servicing interface |
CN111586162A (zh) * | 2020-05-06 | 2020-08-25 | 支付宝(杭州)信息技术有限公司 | 一种信息推送方法和系统 |
-
2021
- 2021-09-17 CN CN202111095224.1A patent/CN113806634B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106332042A (zh) * | 2016-09-06 | 2017-01-11 | 华为技术有限公司 | 确定计费组合的方法和装置 |
CN108243016A (zh) * | 2016-12-27 | 2018-07-03 | 中国移动通信集团河北有限公司 | 业务套餐的推荐方法以及推荐装置、以及服务器 |
CN107070971A (zh) * | 2016-12-30 | 2017-08-18 | 北京瑞星信息技术股份有限公司 | 电信业务的推荐方法及装置 |
CN109995837A (zh) * | 2018-01-02 | 2019-07-09 | 中国移动通信有限公司研究院 | 一种业务套餐推荐方法、装置及服务器 |
US20200097981A1 (en) * | 2018-09-25 | 2020-03-26 | Capital One Services, Llc | Machine learning-driven servicing interface |
CN109241451A (zh) * | 2018-11-08 | 2019-01-18 | 北京点网聚科技有限公司 | 一种内容组合推荐方法、装置及可读存储介质 |
CN110298725A (zh) * | 2019-05-24 | 2019-10-01 | 北京三快在线科技有限公司 | 商品组合的推荐方法、装置、电子设备及可读存储介质 |
CN111586162A (zh) * | 2020-05-06 | 2020-08-25 | 支付宝(杭州)信息技术有限公司 | 一种信息推送方法和系统 |
Non-Patent Citations (2)
Title |
---|
DANIEL BILLSUS等: "User modeling for adapted news access", 《USER MODELING AND USER-ADAPTED INTERACTION》 * |
田颖: "基于用户消费行为的移动业务推荐", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116456323A (zh) * | 2023-05-30 | 2023-07-18 | 南京邮电大学 | 一种基于用户偏好解耦的用户套餐推荐方法及系统 |
CN116456323B (zh) * | 2023-05-30 | 2023-09-12 | 南京邮电大学 | 一种基于用户偏好解耦的用户套餐推荐方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113806634B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210157860A1 (en) | Object recommendation method and apparatus, storage medium and terminal device | |
CN103761254A (zh) | 多领域服务主题匹配推荐方法 | |
CN109685537B (zh) | 用户行为的分析方法、装置、介质和电子设备 | |
CN112801719A (zh) | 用户行为预测方法、用户行为预测装置、存储介质及设备 | |
US20200134361A1 (en) | Data processing method and apparatus | |
CN112528164B (zh) | 一种用户协同过滤召回方法及装置 | |
CN112818218A (zh) | 信息推荐方法、装置、终端设备及计算机可读存储介质 | |
US20240005165A1 (en) | Machine learning model training method, prediction method therefor, apparatus, device, computer-readable storage medium, and computer program product | |
CN114329207A (zh) | 多业务信息排序系统、方法、存储介质及电子设备 | |
CN105786941B (zh) | 一种信息挖掘方法和装置 | |
CN114371946B (zh) | 基于云计算和大数据的信息推送方法及信息推送服务器 | |
CN110378739B (zh) | 一种数据流量匹配方法及装置 | |
CN113806634B (zh) | 业务套餐的推荐方法、装置及服务器 | |
CN116910373B (zh) | 房源推荐方法、装置、电子设备及存储介质 | |
CN116881462A (zh) | 文本数据处理、文本表示、文本聚类的方法及设备 | |
CN110827078A (zh) | 一种信息推荐方法、装置、设备及存储介质 | |
CN116757270A (zh) | 基于人机交互模型或大模型的数据处理方法、服务器 | |
CN111192045A (zh) | 基于交易记录信息的反作弊方法、装置和系统 | |
CN109582865A (zh) | 一种推送应用程序的方法及装置 | |
CN114897607A (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
CN114529143A (zh) | 外呼线索的推荐方法和装置、电子设备 | |
CN112328779A (zh) | 训练样本构建方法、装置、终端设备及存储介质 | |
CN112860878A (zh) | 业务数据推荐方法、存储介质及设备 | |
CN113343076A (zh) | 一种基于特征匹配度的创新技术推荐方法及系统 | |
CN117217852B (zh) | 一种基于行为识别购买意愿度预测方法及装置 |
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 |