CN113946753A - 基于位置围栏的服务推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及数据分析技术领域，公开了一种基于位置围栏的服务推荐方法、装置、设备及存储介质。本方法包括：对采集的用户行为数据分析，通过标签化处理将用户进行归类，得到用户标签；基于预设LBS定位获取电子围栏区域内用户的历史位置数据，对历史位置数据进行分析，预测用户的第一用户行为偏好；根据用户标签和接收的用户画像生成请求，生成用户对应的目标用户画像；将目标用户画像输入预设行为偏好分析模型进行分析，得到用户的第二用户行为偏好；将第一用户行为偏好和第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。解决了无法精准识别并触达指定范围内的目标客户，网点服务推荐的准确率低下的技术问题。

Description

基于位置围栏的服务推荐方法、装置、设备及存储介质

技术领域

本发明涉及数据分析技术领域，尤其涉及基于位置围栏的服务推荐方法、装置、设备及存储介质。

背景技术

随着社会经济和计算机技术的快速发展，各大银行均推出了与银行网点相关的应用软件，银行理财产品的种类也越来越多。然而目前银行中的这些理财产品都是固定种类的银行产品，银行在为用户进行产品推荐的时候，只能从这些固定种类的银行产品中进行选择推荐，无法根据用户的个人需求或个人情况进行针对性推荐，极大的耗费用户的精力。

同时，客户无法了解去往银行网点的各个路线的当前的交通情况。在银行大零售转型的背景下，为了能够多纬度、跨渠道贯彻全局客户经营策略，需要通过一个虚拟的围栏将欲推送信息的辐射范围进行规划，并综合利用基站定位、GPS等定位技术，在设定的时间将信息服务推给围栏范围内的所有特定的对象，提供了一个新的推广渠道给银行网点用来做活动的推广，引导用户到网点，根据用户的个人偏好进行精准的推送满足用户的实时需求。因此，如何通过用户的地理定点信息和用户日常行为数据确定用户行为偏好，进而精准识别并触达指定范围内的目标客户，为网点承接重客提供基础，进一步提高银行网点客流量，提高网点服务推荐的准确性，成为本领域技术人员目前需要解决的技术问题。

发明内容

本发明的主要目的在于解决了网点服务推荐的准确率低的技术问题。

本发明第一方面提供了基于位置围栏的服务推荐方法，包括：采集目标用户的用户行为数据，其中，所述用户行为数据包括用户操作行为数据和用户浏览行为数据；通过标签化处理，对所述用户行为数据进行标签分析，基于分析的结果确定所述目标用户的用户标签，其中，所述用户标签为描述用户关注服务属性的关键词；利用LBS定位技术，获取所述目标用户的历史位置数据，基于所述历史位置数据对应的位置围栏，确定所述目标用户在所述位置围栏内的第一用户行为偏好，其中，所述历史位置数据包括多个与时间分片相对应的分片位置数据；接收用户画像生成请求，根据所述用户标签和所述用户画像生成请求，生成所述目标用户对应的目标用户画像；将所述目标用户画像输入预设行为偏好分析模型进行分析，得到所述目标用户的第二用户行为偏好；将所述第一用户行为偏好和所述第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。

可选地，在本发明第一方面的第一种实现方式中，所述采集目标用户的用户行为数据包括：接收用户基于应用软件触发的页面加载请求，获取所述页面加载请求中包含的页面标识；获取所述页面标识对应的网络页面及其所述网络页面的页面标签，并根据所述页面标签判断所述网络页面中是否包含采集控件；若所述网络页面中不包含采集控件，则获取所述应用软件中的采集控件，并将所述采集控件导入至所述网络页面中；当检测到所述网络页面加载完成时，调用所述采集控件，以采集所述网络页面上的用户行为数据，并将所述用户行为数据上传至服务器。

可选地，在本发明第一方面的第二种实现方式中，所述利用LBS定位技术，获取所述目标用户的历史位置数据，基于所述历史位置数据对应的位置围栏，确定所述目标用户在所述位置围栏内的第一用户行为偏好包括：基于预设LBS定位获取电子围栏区域内目标用户的历史位置数据；对所述历史位置数据中包含的各个历史位置点所对应的停留时长和/或停留频次进行筛选，得到与所述目标用户对应的历史关键位置点；获取与所述历史关键位置点对应的目标地理数据以及与所述目标地理数据对应的兴趣点；根据所述兴趣点，确定所述目标用户的第一用户行为偏好。

可选地，在本发明第一方面的第三种实现方式中，所述对所述历史位置数据中包含的各个历史位置点所对应的停留时长和/或停留频次进行筛选，得到与所述目标用户对应的历史关键位置点包括：确定每个分片位置数据中包含的各个位置点的停留时长，将停留时长大于预设的时长阈值的位置点筛选为该分片位置数据中的候选位置点；根据各个候选位置点在各个分片位置数据中的出现次数，确定各个候选位置点的停留频次，将停留频次不小于预设的频次阈值的候选位置点筛选为所述关键位置点。

可选地，在本发明第一方面的第四种实现方式中，所述接收用户画像生成请求，根据所述用户标签和所述用户画像生成请求，生成所述目标用户对应的目标用户画像包括：接收用户画像生成指令，根据所述目标用户数据和所述用户画像生成指令，生成所述目标用户所对应的初始用户画像；获取所述待推荐信息数据中各埋点发送的采集数据，以组成反馈数据集；其中，各埋点发送的采集数据包括浏览量、转发量、点赞次数、留言内容和停留时长；调用预先设置的标签转换策略，将所述反馈数据集中数据项转化成对应的用户行为标签；通过所述用户行为标签对所述目标用户画像进行更新，得到更新后用户画像。

可选地，在本发明第一方面的第五种实现方式中，在所述将所述目标用户画像输入预设行为偏好分析模型进行分析，得到所述目标用户的第二用户行为偏好之前，还包括：构建训练样本集合，其中，所述训练样本集中包含多个训练样本，所述训练样本样本内容数据、训练样本的用户偏好实际结果和实际分类结果；对所述样本内容数据进行特征提取，得到所述样本内容数据的特征内容，并将所述特征内容输入预设初始行为偏好分析模型，得到所述样本内容数据的偏好分析结果；将所述特征内容输入预设分类模型，确定所述样本内容数据的预测分类结果；基于所述偏好分析结果与所述偏好实际结果之间的第一损失值，以及所述预测分类结果与所述实际分类结果之间的第二损失值，确定总损失值；基于所述总损失值对所述初始行为偏好分析模型的参数进行调整，直至所述总损失满足收敛条件，得到行为偏好分析模型。

可选地，在本发明第一方面的第六种实现方式中，所述将所述第一用户行为偏好和所述第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务包括：将所述第一用户行为偏好和所述第二用户行为偏好输入预设服务预测模型，通过所述服务预测模型对所述第一用户行为偏好和所述第二用户行为偏好进行标签拆分，得到所述目标用户对应行为偏好的用户偏好标签；将所述用户偏好标签分别输入至预设服务预测模型进行所述服务预测，得到所述用户偏好标签对应的待推荐服务；将所述待推荐服务进行综合计算操作，得到所述目标用户对所述待推荐服务的兴趣度，并基于所述兴趣度对所述待推荐服务进行筛选，得到目标推荐服务。

本发明第二方面提供了基于位置围栏的服务推荐装置，包括：采集模块，用于采集目标用户的用户行为数据，其中，所述用户行为数据包括用户操作行为数据和用户浏览行为数据；第一分析模块，用于通过标签化处理，对所述用户行为数据进行标签分析，基于分析的结果确定所述目标用户的用户标签，其中，所述用户标签为描述用户关注服务属性的关键词；确定模块，用于利用LBS定位技术，获取所述目标用户的历史位置数据，基于所述历史位置数据对应的位置围栏，确定所述目标用户在所述位置围栏内的第一用户行为偏好，其中，所述历史位置数据包括多个与时间分片相对应的分片位置数据；生成模块，用于接收用户画像生成请求，根据所述用户标签和所述用户画像生成请求，生成所述目标用户对应的目标用户画像；第二分析模块，用于将所述目标用户画像输入预设行为偏好分析模型进行分析，得到所述目标用户的第二用户行为偏好；预测模块，用于将所述第一用户行为偏好和所述第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。

可选地，在本发明第二方面的第一种实现方式中，所述采集模块具体用于：接收用户基于应用软件触发的页面加载请求，获取所述页面加载请求中包含的页面标识；获取所述页面标识对应的网络页面及其所述网络页面的页面标签，并根据所述页面标签判断所述网络页面中是否包含采集控件；若所述网络页面中不包含采集控件，则获取所述应用软件中的采集控件，并将所述采集控件导入至所述网络页面中；当检测到所述网络页面加载完成时，调用所述采集控件，以采集所述网络页面上的用户行为数据，并将所述用户行为数据上传至服务器。

可选地，在本发明第二方面的第二种实现方式中，所述确定模块包括：获取单元，用于基于预设LBS定位获取电子围栏区域内目标用户的历史位置数据；筛选单元，用于对所述历史位置数据中包含的各个历史位置点所对应的停留时长和/或停留频次进行筛选，得到与所述目标用户对应的历史关键位置点；确定单元，用于获取与所述历史关键位置点对应的目标地理数据以及与所述目标地理数据对应的兴趣点；根据所述兴趣点，确定所述目标用户的第一用户行为偏好。

可选地，在本发明第二方面的第三种实现方式中，所述筛选单元具体用于：确定每个分片位置数据中包含的各个位置点的停留时长，将停留时长大于预设的时长阈值的位置点筛选为该分片位置数据中的候选位置点；根据各个候选位置点在各个分片位置数据中的出现次数，确定各个候选位置点的停留频次，将停留频次不小于预设的频次阈值的候选位置点筛选为所述关键位置点。

可选地，在本发明第二方面的第四种实现方式中，所述生成模块具体用于：接收用户画像生成指令，根据所述目标用户数据和所述用户画像生成指令，生成所述目标用户所对应的初始用户画像；获取所述待推荐信息数据中各埋点发送的采集数据，以组成反馈数据集；其中，各埋点发送的采集数据包括浏览量、转发量、点赞次数、留言内容和停留时长；调用预先设置的标签转换策略，将所述反馈数据集中数据项转化成对应的用户行为标签；通过所述用户行为标签对所述目标用户画像进行更新，得到更新后用户画像。

可选地，在本发明第二方面的第五种实现方式中，所述基于位置围栏的服务推荐装置还包括：构建模块，用于构建训练样本集合，其中，所述训练样本集中包含多个训练样本，所述训练样本样本内容数据、训练样本的用户偏好实际结果和实际分类结果；特征提取模块，用于对所述样本内容数据进行特征提取，得到所述样本内容数据的特征内容，并将所述特征内容输入预设初始行为偏好分析模型，得到所述样本内容数据的偏好分析结果；确定模块，用于将所述特征内容输入预设分类模型，确定所述样本内容数据的预测分类结果；基于所述偏好分析结果与所述偏好实际结果之间的第一损失值，以及所述预测分类结果与所述实际分类结果之间的第二损失值，确定总损失值；调整模块，用于基于所述总损失值对所述初始行为偏好分析模型的参数进行调整，直至所述总损失满足收敛条件，得到行为偏好分析模型。

可选地，在本发明第二方面的第六种实现方式中，所述预测模块具体用于：将所述第一用户行为偏好和所述第二用户行为偏好输入预设服务预测模型，通过所述服务预测模型对所述第一用户行为偏好和所述第二用户行为偏好进行标签拆分，得到所述目标用户对应行为偏好的用户偏好标签；将所述用户偏好标签分别输入至预设服务预测模型进行所述服务预测，得到所述用户偏好标签对应的待推荐服务；将所述待推荐服务进行综合计算操作，得到所述目标用户对所述待推荐服务的兴趣度，并基于所述兴趣度对所述待推荐服务进行筛选，得到目标推荐服务。

本发明第三方面提供了基于位置围栏的服务推荐设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于位置围栏的服务推荐设备执行上述的基于位置围栏的服务推荐方法的步骤。

本发明的第四方面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中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于位置围栏的服务推荐方法的步骤。

本发明提供的技术方案中，通过对采集的用户行为数据分析，通过标签化处理将目标用户进行归类，得到用户标签；基于预设LBS定位获取电子围栏区域内目标用户的历史位置数据，对历史位置数据进行分析，预测目标用户的第一用户行为偏好；接收用户画像生成请求，根据用户标签和用户画像生成请求，生成目标用户对应的目标用户画像；将目标用户画像输入预设行为偏好分析模型进行分析，得到目标用户的第二用户行为偏好；将第一用户行为偏好和第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。为网点承接重客提供基础，进一步提高银行网点客流量。解决了过去无法精准识别并触达指定范围内的目标客户，网点服务推荐的准确率低下的技术问题。

附图说明

图1为本发明基于位置围栏的服务推荐方法的第一个实施例示意图；

图2为本发明基于位置围栏的服务推荐方法的第二个实施例示意图；

图3为本发明基于位置围栏的服务推荐方法的第三个实施例示意图；

图4为本发明基于位置围栏的服务推荐方法的第四个实施例示意图；

图5为本发明基于位置围栏的服务推荐方法的第五个实施例示意图；

图6为本发明基于位置围栏的服务推荐装置的第一个实施例示意图；

图7为本发明基于位置围栏的服务推荐装置的第二个实施例示意图；

图8为本发明基于位置围栏的服务推荐设备的一个实施例示意图。

具体实施方式

本发明实施例提供了基于位置围栏的服务推荐方法、装置、设备及存储介质，先通过采集目标用户的用户行为数据；对用户行为数据分析，通过标签化处理将目标用户进行归类，得到用户标签；基于预设LBS定位获取电子围栏区域内目标用户的历史位置数据，对历史位置数据进行分析，预测目标用户的第一用户行为偏好；接收用户画像生成请求，根据用户标签和用户画像生成请求，生成目标用户对应的目标用户画像；将目标用户画像输入预设行为偏好分析模型进行分析，得到目标用户的第二用户行为偏好；将第一用户行为偏好和第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。为网点承接重客提供基础，进一步提高银行网点客流量。解决了过去无法精准识别并触达指定范围内的目标客户，网点服务推荐的准确率低下的技术问题。

本发明的说明书和权利要求书及上述附中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于位置围栏的服务推荐方法的第一个实施例包括：

101、采集目标用户的用户行为数据，其中，用户行为数据包括用户操作行为数据和用户浏览行为数据；

本实施例中，预设应用服务预先安装并运行于终端中，预设应用服务采用埋点方式进行数据采集。可选的，服务器通过预设埋点方式从预设应用服务中采集目标用户的目标用户数据。其中，目标用户数据包括用户行为数据和用户标识数据，用户行为数据包括用户操作行为数据和用户浏览行为数据；服务器将用户行为数据和用户标识数据组装成待处理消息，并通过预设消息中间件将待处理消息存储至预设数据库中。

具体的，服务器采集预设应用服务中预设交互页面中的用户行为数据和用户标识数据，用户行为数据包括用户操作行为数据和用户浏览行为数据，用户行为数据用于指示待监听的用户交互行为。例如，下单、收藏、在线健康咨询、观看视频各种用户行为；服务器将用户操作行为数据和用户浏览行为数据以用户标识数据为标识发送至消息队列；服务器将消息队列中用户操作行为数据和用户浏览行为数据上报至预设消息中间件；服务器通过预设消息中间件将具有相同用户标识数据的用户操作行为数据和用户浏览行为数据，以用户标识数据为关联关键词存储至预设数据库中。

102、通过标签化处理，对用户行为数据进行标签分析，基于分析的结果确定所述目标用户的用户标签，其中，用户标签为描述用户关注服务属性的关键词；

本实施例中，通过大数据分析与特性标签化，确定了用户的个性化标签为追求高生活品质且爱购物的女性；然后根据省份特性进行分析，分析不同省份人群的用户习惯，生活方式，民族风情各有区别，确定省份标签；最后根据精准定位，用户是否在大型商场、围绕用户是否有其他特殊商品等，以此确定用户的场景便签，这样便可针对不同人物个性、不同省份、以及不同场景的单独生产服务投放策略，当客户端向服务服务器发送服务推送请求时，服务器就会根据用户当前场景、省份特性配置的特性标签下发布与用户个性需求相应的服务给用户，从而确保了推送匹配度高的服务给用户，给了用户最感兴趣的服务，提高服务效果，通过一个虚拟的围栏将欲推送信息的辐射范围进行规划，并综合利用基站定位、GPS等定位技术，在设定的时间将信息服务推给围栏范围内的所有特定的对象，最终形成最大的价值。提供了一个新的推广渠道给银行网点用来做活动的推广，引导用户到网点，丰富了银行商城活动的推广，根据用户的维度，精准的推送信息，满足用户的实时需求，根据商户的位置信息，如果用户到达指定位置的话，可以进行有针对的推送。客户LBS商机推荐项目最近的验证结果，触达率比以前的推送提高了10％，引导用户到店率增加了大概15％，对比以前明显增加，提高了网点和活动推广的效率。对网点本身，可以有效的发挥网点的赋能团队，及时的了解到用户需求。同时，对活动本身，可以很好的促进活动的推广和活动的转化；对商城本身，可以提高商城活动的推广和用户的点击以及用户到店；通过建立平安银行客户行为轨迹模型，可用于各类反欺诈、反洗钱场景，及时防范各类风险事件发生。

103、利用LBS定位技术，获取目标用户的历史位置数据，基于历史位置数据对应的位置围栏，确定目标用户在位置围栏内的第一用户行为偏好，其中，历史位置数据包括多个与时间分片相对应的分片位置数据；

本实施例中，借助地理信息系统划定LBS数据采集的工作区域，其次根据围栏区域内采集的LBS关联数据，比如人流总量、人流密度、人群画像特征、网络舆情、车流量、视频监控、应急处置等，结合数据挖掘算法，建立不同场景下的数据分析模型，最终实现各类专题应用，称为LBS大数据中的电子围栏技术，通过LBS位置大数据，利用电子围栏技术，可以更加准确、清晰地了解人流特征、车流特征、网络舆情等信息，结合电子围栏技术，可以对指定地理范围内的人流数据进行精确感知与分析。

具体地，根据目标兴趣点的类型、目标兴趣点对应的停留时长和停留时段推测用户行为偏好。例如，目标兴趣点的类型为影院，目标兴趣点对应的停留时长为3小时，停留时段为周六下午，停留频次为一个月4次，可以推测目标用户为电影爱好者，习惯周末去影院看电影。

104、接收用户画像生成请求，根据用户标签和用户画像生成请求，生成目标用户对应的目标用户画像；

本实施例中，初始用户画像包括预先导入的用户行为标签集。可选的，服务器接收导入用户标签数据请求，解析导入用户标签数据请求，得到离线用户行为标签数据集和待导入用户标识数据；服务器按照待导入用户标识数据将离线用户行为标签数据集导入至预设画像数据库中，得到初始用户画像。

本实施例中，目标用户画像包括导入的离线用户行为标签和实时采集的用户行为标签。可选的，服务器采用结构化查询语言语法规则、用户标识数据和预设画像数据库生成第二查询语句；服务器执行第二查询语句，得到初始用户画像；服务器判断初始用户画像中是否存在用户意图标签数据；当初始用户画像中不存在用户意图标签数据时，服务器按照对应的标签更新规则对用户意图标签数据与初始用户画像进行标签数据融合，得到目标用户画像。其中，标签数据融合是指将用户意图标签数据与初始用户画像中已有的用户行为标签进行合并与组合。

可以理解的是，离线和实时用户标签关联系统，都是通过对用户关联标签，达到提升内容投放的精准度的。用户的标签和画像信息越丰富，就可以更准确的了解用户，进而推荐更适合用户的内容。离线用户行为标签数据集为存量数据，标签信息更全面。

105、将目标用户画像输入预设行为偏好分析模型进行分析，得到目标用户的第二用户行为偏好；

本实施例中，由于目标用户画像中包括的用户标签对应的关键词较多，不一定每一项用户标签都是用户A所需要的核心关键词，此时可以调用服务器中预先配置的核心标签筛选策略，以实现从所述初始关键词集合中筛选性别标签、年龄标签、地区标签、收入标签及用户行为标签分别对应的标签值，由上述标签值集合组成一个关键词集合。

当获取了目标用户信息对应的关键词集合后，由于之前也设定了待推荐服务类型集，此时可以在服务器的本地内容库中根据所述关键词集合和所述待推荐服务类型集筛选确定目标用户的第二用户行为偏好。

106、将第一用户行为偏好和第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。

本实施例中，服务预测模型主要用于根据用户画像中不同的用户属性标签推荐最符合该用户的推荐服务。

本实施例中，服务预测模型是基于不同的“用户画像”对应的“推荐服务”所训练得到的，即该服务预测模型已学习好不同用户画像对应的推荐服务内容，在实际应用中，在进行服务预测操作时，可将上述当前用户画像文本信息按照属性标签为一次服务预测操作输入至该服务预测模型进行特征提取，该服务预测模型则基于输入的属性标签的特征信息获取最为接近的推荐服务，当上述当前用户画像文本信息的全部标签输入至该服务预测模型后，得到输出的所有推荐服务，即为该目标推荐服务。

本实施例中，服务预测模型得到输出的所有推荐服务后，可将输出的推荐服务按照重复次数进行排序，从而得到推荐强度较高的推荐服务内容，最后可以按照预设的个数继续筛选，从而得到最为符合入场用户的推荐服务。

本发明实施例中，通过采集目标用户的用户行为数据；对用户行为数据分析，通过标签化处理将目标用户进行归类，得到用户标签；基于预设LBS定位获取电子围栏区域内目标用户的历史位置数据，对历史位置数据进行分析，预测目标用户的第一用户行为偏好；接收用户画像生成请求，根据用户标签和用户画像生成请求，生成目标用户对应的目标用户画像；将目标用户画像输入预设行为偏好分析模型进行分析，得到目标用户的第二用户行为偏好；将第一用户行为偏好和第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。为网点承接重客提供基础，进一步提高银行网点客流量。解决了过去无法精准识别并触达指定范围内的目标客户，网点服务推荐的准确率低下的技术问题。

请参阅图2，本发明实施例中基于位置围栏的服务推荐方法的第二个实施例包括：

201、接收用户基于应用软件触发的页面加载请求，获取页面加载请求中包含的页面标识；

本实施例中，用户通过手机中安装的应用软件中设置采集控件(采集控件可理解为用户行为数据采集程序)触发的页面加载请求，终端获取页面加载请求中包含的页面标识，其中，页面标识是指唯一识别网络页面的标识信息，以根据页面标识进行网络页面的加载。

202、获取页面标识对应的网络页面及其网络页面的页面标签，并根据页面标签判断网络页面中是否包含采集控件；

本实施例中，终端获取页面标识对应的网络页面，及其网络页面的页面标签，其中，页面标签中标记有网络页面的属性信息，例如，页面标签中记录有该网络页面中的数据类型，该网络页面中包含的控件信息；终端根据页面标签中的属性信息，判断网络页面中是否包含采集控件，即，终端根据页面标签中是否包含控件标识，判断网络页面中是否包含采集控件。

203、若网络页面中不包含采集控件，则获取应用软件中的采集控件，并将采集控件导入至网络页面中；

本实施例中，若网络页面中不包含采集控件，则终端获取应用软件中的采集控件，并将采集控件导入至所述网络页面中，其中，采集控件导入至所述网络页面中是指将采集控件输入至网络页面对应的代码中，在网络页面对应的代码运行是可以调用该采集控件；具体地，终端获取网络页面的页面数据接口，将获取的采集控件通过所述页面数据接口导入至网络页面中。

204、当检测到网络页面加载完成时，调用采集控件，以采集网络页面上的用户行为数据，并将用户行为数据上传至服务器；

本实施例中，在网络页面加载完成时停止数据传输，在检测到终端网络页面的数据传输量为零时，网络页面加载完成，终端调用网络页面中导入的采集控件，以通过采集控件进行用户行为数据的采集。

具体的，通过采集控件进行用户行为采集的一种实现方式包括：当检测到所述网络页面加载完成时，调用所述采集控件；接收用户操作指令，获取所述用户操作指令中的操作事件，将所述操作事件与所述待采集事件进行比对；若所述操作事件与所述待采集事件匹配，则触发所述待采集事件对应的所述采集指令，并根据所述采集指令采集所述网络页面上的用户行为数据。

终端检测到网络页面(网络页面又叫H5页面)加载完成时，终端自动调用采集控件中采集指令，执行用户行为数据的采集操作，即，采集控件会接收用户操作指令，获取操作指令中的操作事件，将操作事件与待采集事件进行比对；确定用户操作触发的操作事件是否为待采集事件，若用户操作触发的操作事件是待采集事件匹配，则采集网络页面上的用户行为数据。

在本实施例中在检测到用户基于APP加载网络页面时，加载对应的网络页面，并将APP壳中的采集控件输入到网络页面对应的代码中，采集控件中设置了需要采集的用户行为类型，用户行为次数等，网络页面就可以根据采集控件对网络页面上用户行为数据进行监听。例如，采集控件中包括采集用户“点击”、“滑动”的操作，在加载完成网络页面时，若用户在网络页面上进行“点击”、“滑动”、等操作时，采集控件就可以将用户的“点击”、“滑动”等事件进行采集。本实施例中可以实时地进行用户行为数据的采集，避免了现有埋点采集埋点采集用户行为不够准确、不够及时、内容不够丰富的弊端。

本实施例中，终端获取用户行为数据，并将用户行为数据按预设处理规则(其中，预设处理规则是预先设置的用户行为数据处理的规则，根据用户行为数据的可以灵活设置处理规则，其中，本实施例中的预设处理规则可包括数据清洗规则，数据分类规则、数据统计规则等等)处理并上传至服务器。

205、通过标签化处理，对用户行为数据进行标签分析，基于分析的结果确定所述目标用户的用户标签，其中，用户标签为描述用户关注服务属性的关键词；

206、利用LBS定位技术，获取目标用户的历史位置数据，基于历史位置数据对应的位置围栏，确定目标用户在位置围栏内的第一用户行为偏好，其中，历史位置数据包括多个与时间分片相对应的分片位置数据；

207、接收用户画像生成请求，根据用户标签和用户画像生成请求，生成目标用户对应的目标用户画像；

208、将目标用户画像输入预设行为偏好分析模型进行分析，得到目标用户的第二用户行为偏好；

209、将第一用户行为偏好和第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。

本实施例中步骤205-209与第一实施例中的步骤102-106类似，此处不再赘述。

本发明实施例中，通过采集目标用户的用户行为数据；对用户行为数据分析，通过标签化处理将目标用户进行归类，得到用户标签；基于预设LBS定位获取电子围栏区域内目标用户的历史位置数据，对历史位置数据进行分析，预测目标用户的第一用户行为偏好；接收用户画像生成请求，根据用户标签和用户画像生成请求，生成目标用户对应的目标用户画像；将目标用户画像输入预设行为偏好分析模型进行分析，得到目标用户的第二用户行为偏好；将第一用户行为偏好和第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。为网点承接重客提供基础，进一步提高银行网点客流量。解决了过去无法精准识别并触达指定范围内的目标客户，网点服务推荐的准确率低下的技术问题。

请参阅图3，本发明实施例中基于位置围栏的服务推荐方法的第三个实施例包括：

301、采集目标用户的用户行为数据，其中，用户行为数据包括用户操作行为数据和用户浏览行为数据；

302、通过标签化处理，对用户行为数据进行标签分析，基于分析的结果确定所述目标用户的用户标签，其中，用户标签为描述用户关注服务属性的关键词；

303、基于预设LBS定位获取目标用户的历史位置数据；

本实施例中，借助地理信息系统划定LBS数据采集的工作区域，其次根据围栏区域内采集的LBS关联数据，比如人流总量、人流密度、人群画像特征、网络舆情、车流量、视频监控、应急处置等，结合数据挖掘算法，建立不同场景下的数据分析模型，最终实现各类专题应用，称为LBS大数据中的电子围栏技术，通过LBS位置大数据，利用电子围栏技术，可以更加准确、清晰地了解人流特征、车流特征、网络舆情等信息，结合电子围栏技术，可以对指定地理范围内的人流数据进行精确感知与分析。

其中，与目标用户相对应的历史位置数据是指目标用户所在的各个位置点的经度和纬度数据。

具体地，判断历史位置数据中包含的各个位置点所对应的停留时长是否大于预设的时长阈值，和/或判断历史位置数据中包含的各个位置点所对应的停留频次是否大于预设的频次阈值。若是，将上述历史位置数据中包含的位置点确定为与目标用户相对应的关键位置点。其中，上述关键位置点的数量至少一个。

304、基于历史位置数据对应的位置围栏，确定每个分片位置数据中包含的各个位置点的停留时长，将停留时长大于预设的时长阈值的位置点筛选为该分片位置数据中的候选位置点；

本实施例中，确定每个分片位置数据中包含的各个位置点的停留时长，将停留时长大于预设的时长阈值的位置点筛选为该分片位置数据中的候选位置点。比如，在2019年2月17日对应的分片位置数据中，预设的时长阈值为0.5小时。位置点A的停留时长分别为1小时和3.3小时，位置点B的停留时长分别为3小时和4小时，位置点C的停留时长为1.5小时，位置点D的停留时长为1小时。位置点A、B、C、D的停留时长于预设的时长阈值，将位置点A、B、C、D筛选为该分片位置数据中的候选位置点。进一步地，根据该分片位置数据中的候选位置点确定分片位置数据对应的时间分片下的用户位置轨迹。

305、根据各个候选位置点在各个分片位置数据中的出现次数，确定各个候选位置点的停留频次，将停留频次不小于预设的频次阈值的候选位置点筛选为关键位置点；

本实施例中，根据各个候选位置点在各个分片位置数据中的出现次数，确定各个候选位置点的停留频次，将停留频次不小于预设的频次阈值的候选位置点筛选为关键位置点。其中，上述筛选出的关键位置点至少一个。例如，预设的频次阈值为时间分片的数量，在10个时间分片对应的各个分片位置数据中，位置点A出现的次数为10，位置点B出现的次数为10，位置点C出现的次数为9，位置点D出现的次数为10。位置点A、B、D的停留频次不小于预设的频次阈值10次，将位置点A、B、D筛选为与目标用户相对应的关键位置点。进一步地，根据与目标用户相对应的关键位置点确定用户重合轨迹。

306、获取与历史关键位置点对应的目标地理数据以及与目标地理数据对应的兴趣点；

本实施例中，目标地理数据是指从地理信息系统中获取的某一位置点的数据。具体地，将关键位置点的经纬度数据与目标地理数据中的经纬度数据匹配，将经纬度数据匹配成功的目标地理数据确定为与关键位置点相对应的目标目标地理数据。其中，某一目标地理数据中包含至少一个兴趣点。根据与关键位置点相对应的目标目标地理数据，确定与目标目标地理数据相对应的兴趣点。兴趣点是指地理信息系统中某一位置点附近的地形地貌、行政划分、区域功能、商业服务区等。需要说明的是，经纬度数据匹配成功是指关键位置点的经纬度数据与目标地理数据中的经纬度数据的误差在预设误差范围内。

其中，判断兴趣点的属性是否满足预设的常驻地属性规则，若兴趣点的属性满足预设的常驻地属性规则，将上述兴趣点确定为目标兴趣点，其中，预设的常驻地属性规则具体包括：兴趣点对应的停留时长大于预设的常驻时长阈值，停留时段满足预设的常驻时段范围。具体实施时，上述预设的常驻时长阈值为7小时，上述预设的常驻时段范围为早上8点到晚上8点。例如，餐厅类型兴趣点a对应的停留时长为12小时，停留时段为早上9点到晚上9点，餐厅类型兴趣点a满足预设的常驻地属性规则，将餐厅类型兴趣点a确定为目标兴趣点，根据餐厅类型兴趣点a可以推测目标用户在餐厅工作。需要说明的，本实施例对常驻地属性规则的具体内涵不作限制，本领域技术人员可以采用其他方式确定常驻地属性规则的具体内涵。

307、根据兴趣点，预测目标用户的第一用户行为偏好；

本实施例中，根据目标兴趣点的类型、目标兴趣点对应的停留时长和停留时段推测用户行为偏好。例如，目标兴趣点的类型为影院，目标兴趣点对应的停留时长为3小时，停留时段为周六下午，停留频次为一个月4次，可以推测目标用户为电影爱好者，习惯周末去影院看电影。

综上，该方式结合个人位置数据和GIS数据，从兴趣点与关键位置点的距离、兴趣点权重、目标用户停留时长等多个维度考虑，预测目标用户的用户行为偏好。比如，整合同一个人在一段时间的位置行为，勾勒出个人的位置行为轨迹，位置行为轨迹的勾勒可以选择结合GIS系统实现，亦可脱离GIS系统，在这个阶段勾勒个人轨迹的目的是从海量的个人位置数据中提取有效的信息，清理掉位置数据中信息价值较低的数据，提炼出关键的位置数据供后续步骤使用。在勾勒个人位置行为轨迹的同时，对位置数据的处理附加上时间维度数据，如2019年2月17日9:00出现于经度LNG1，纬度LAT1的位置，停留6.5小时，2019年2月25日15:30出现于经度LNG2，纬度LAT2的位置，停留3小时。

308、接收用户画像生成请求，根据用户标签和用户画像生成请求，生成目标用户对应的目标用户画像；

309、将目标用户画像输入预设行为偏好分析模型进行分析，得到目标用户的第二用户行为偏好；

310、将第一用户行为偏好和第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。

本实施例中步骤301-302、307-309与第一实施例中的步骤101-102、104-106类似，此处不再赘述。

本发明实施例中，通过采集目标用户的用户行为数据；对用户行为数据分析，通过标签化处理将目标用户进行归类，得到用户标签；基于预设LBS定位获取电子围栏区域内目标用户的历史位置数据，对历史位置数据进行分析，预测目标用户的第一用户行为偏好；接收用户画像生成请求，根据用户标签和用户画像生成请求，生成目标用户对应的目标用户画像；将目标用户画像输入预设行为偏好分析模型进行分析，得到目标用户的第二用户行为偏好；将第一用户行为偏好和第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。为网点承接重客提供基础，进一步提高银行网点客流量。解决了过去无法精准识别并触达指定范围内的目标客户，网点服务推荐的准确率低下的技术问题。

请参阅图4，本发明实施例中基于位置围栏的服务推荐方法的第四个实施例包括：

401、采集目标用户的用户行为数据，其中，用户行为数据包括用户操作行为数据和用户浏览行为数据；

402、通过标签化处理，对用户行为数据进行标签分析，基于分析的结果确定所述目标用户的用户标签，其中，用户标签为描述用户关注服务属性的关键词；

403、利用LBS定位技术，获取目标用户的历史位置数据，基于历史位置数据对应的位置围栏，确定目标用户在位置围栏内的第一用户行为偏好，其中，历史位置数据包括多个与时间分片相对应的分片位置数据；

404、接收用户画像生成指令，根据目标用户数据和用户画像生成指令，生成目标用户所对应的初始用户画像；

本实施例中，初始用户画像包括预先导入的用户行为标签集。可选的，服务器接收导入用户标签数据请求，解析导入用户标签数据请求，得到离线用户行为标签数据集和待导入用户标识数据；服务器按照待导入用户标识数据将离线用户行为标签数据集导入至预设画像数据库中，得到初始用户画像。

405、获取待推荐信息数据中各埋点发送的采集数据，以组成反馈数据集；其中，各埋点发送的采集数据包括浏览量、转发量、点赞次数、留言内容和停留时长；

本实施例中，为了通过埋点采集的用户行为数据(即浏览量、转发量、点赞次数、留言内容和停留时长)反馈至服务器中后，得到反馈数据集。

406、调用预先设置的标签转换策略，将反馈数据集中数据项转化成对应的用户行为标签；

本实施例中，服务器可以根据用户行为数据及预设的标签转换策略将反馈数据集中数据项转化成对应的用户行为标签。

407、通过用户行为标签对目标用户画像进行更新，得到更新后用户画像；

将这些用户行为标签作为新增标签融合至目标用户画像以进行更新，得到更新后用户画像，形成了一个闭环的数据处理过程。本实施例实现了基于用户画像筛选待推荐服务，将待推荐服务聚合后发送至用户端，推荐内容分更加精准，而且更便于用户集中直观式查看。

408、构建训练样本集合，其中，训练样本集中包含多个训练样本，训练样本样本内容数据、训练样本的用户偏好实际结果和实际分类结果；

本实施例中，构建训练样本集合，训练样本集合中的训练样本指所有数字传输的资源，包括图片、文字、声音、视频、动画，还有衍生的一些表现方式，比如flash(固态存储器与动画编辑器)、vrml(VirtualRealityModeling Language，虚拟现实建模语言)、交互媒体、游戏、网页等都属于多媒体内容。而在本申请实施例中，多媒体内容可以是指文字类多媒体内容，例如新闻资讯、公众号文章等；多媒体内容也可以是指包含图像内容的多媒体内容，例如视频、动画、动态图片或是照片等。

其中，动态图片是指当一组特定的静态图像以指定的频率切换而产生某种动态效果的图片。网络上常见的表现形式是Gif(Graphics Interchange Format，图像互换格式)动画，它是通过对多图层的图片，按时间进行不同的切换，从而达到动画的效果。在下文中也可简称为动图。

训练样本的用户偏好实际结果表示用户对多媒体内容的真实偏好，例如，用户喜欢看纪实类电影，不喜欢看搞笑综艺。训练样本的实际分类结果表示多媒体内容归属的类别，是一种多媒体内容自身的属性，例如，这个视频属于电视剧片段节选。在本实施例中，用户偏好实际结果和实际分类结果都是作为训练数据，对应的概率通常为1，即在训练过程中将用户偏好实际结果和实际分类结果都看做是正样本。

409、对样本内容数据进行特征提取，得到样本内容数据的特征内容，并将特征内容输入预设初始行为偏好分析模型，得到样本内容数据的偏好分析结果；

本实施例中，当样本内容信息为多媒体内容的文本信息，特征提取子模型包括第一特征提取网络和第二特征提取网络。首先，基于第一特征提取网络对文本信息进行分词处理，得到对应的词列表，并对词列表进行向量化处理，确定每一个词对应的词向量，得到词向量矩阵。具体地，可对文本进行清洗，利用分词工具对文本分词，再利用词袋法、TF-IDF等方法将文本表示成向量形式再将其输入分类器如SVM、决策树等以得到最终结果。

其次，基于第二特征提取网络对词向量矩阵进行语义挖掘处理，得到内容特征。RNN是一种循环神经网络，广泛应用于计算机视觉技术、自然语言处理技术等方向，这种网络的本质特征是在处理单元之间既有内部的反馈连接、又有前馈连接，相比于前馈神经网络来说，RNN在计算过程中具有更强的动态行为和计算能力。正是由于RNN的这一特性，导致RNN很容易出现长期依赖(Long-Term Dependencies)问题——即当前的系统状态不仅受到前一时刻的系统状态影响，还可能受到很长时间之前的系统状态影响。例如，让RNN从“这块冰糖味道真？”这句话里预测下一个词，是很容易得出“甜”这个词的；如果让RNN从“他吃了一口菜，被辣得流出了眼泪，满脸通红。旁边的人赶紧给他倒了一杯凉水，他咕咚咕咚地喝了两口，才逐渐恢复正常。他气愤地说道：“这个菜味道真？”这段话里预测下一个词，RNN是很难输出“辣”这个词的。

为了克服上述提及的长期依赖问题，本申请实施例的第二特征网络采用Bi_LSTM对词向量矩阵进行语义挖掘处理。

本实施例中，利用残差学习子模型对图像序列中的各个图像进行特征提取，确定每一张图像对应的图像向量，得到图像向量矩阵。其中，残差学习子模型是一种结合ResNet(Deep residual network，深度残差网络)和DC(Dilated Convolution，空洞卷积)的网络结构，既能减少模型的训练量级，又能保证图像通过残差学习被充分理解。其次，基于第三特征提取网络对图像向量矩阵进行图像内容分析处理，得到内容特征。

410、将特征内容输入预设分类模型，确定样本内容数据的预测分类结果；

本实施例中，当样本内容信息为多媒体内容的文本信息时，本申请实施例中的分类模型包括第一分类模型和第二分类模型。将词向量矩阵输入第一分类模型获得第一预测分类结果，并将内容特征输入第二分类模型获得第二预测分类结果。其中，第一分类模型是用来识别文本信息中可能影响用户偏好的类别词语，第二分类模型是用来识别文本信息中可能影响用户偏好的类别语句。第一分类模型和第二分类模型的网络架构是一样的，均由全连接层和Softmax层连接组成。其中，全连接层在整个卷积神经网络中起到“分类器”的作用，如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用；Softmax层的作用是将全连接层输出的多媒体内容归属于各个类别的概率映射到(0，1)的区间内。

当样本内容信息为多媒体内容的图像序列时，本申请实施例中的分类模型包括第三分类模型和第四分类模型。将图像向量矩阵输入第一分类模型获得第三预测分类结果，并将内容特征输入第四分类模型获得第四预测分类结果。

同样地，第一分类模型是用来识别文本信息中可能影响用户偏好的单张类别图像，第二分类模型是用来识别文本信息中可能影响用户偏好的至少一组类别图像序列。第三分类模型和第四分类模型的网络架构也是由全连接层和Softmax层连接组成，其中，全连接层在整个卷积神经网络中起到“分类器”的作用，如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用；Softmax层的作用是将全连接层输出的多媒体内容归属于各个类别的概率映射到(0，1)的区间内。

当样本内容信息既包括多媒体内容的文本信息，又包括多媒体内容的图像序列时，使用第一分类模型和第二分类模型对文本信息进行分类，以及使用第三分类模型和第四分类模型对图像序列进行分类。

411、基于偏好分析结果与偏好实际结果之间的第一损失值，以及预测分类结果与实际分类结果之间的第二损失值，确定总损失值；

本实施例中，当样本内容信息为多媒体内容的文本信息时。使用用户偏好模型的损失函数，确定用户偏好预测结果与用户偏好实际结果之间的第一损失值；使用第一分类模型的损失函数确定第一预测分类结果与实际分类结果之间的损失值，以及，使用第二分类模型的损失函数确定第二预测分类结果与实际分类结果之间的损失，将上述两个分类模型的损失总和确定为预测分类结果与实际分类结果之间的第二损失值。

本实施例中，当样本内容信息为多媒体内容的图像序列时，使用用户偏好模型的损失函数，确定用户偏好预测结果与用户偏好实际结果之间的第一损失；使用第三分类模型的损失函数确定第三预测分类结果与所述实际分类结果之间的损失，以及使用第四分类模型的损失函数确定第四预测分类结果与实际分类结果之间的损失，将上述两个分类模型的损失总和确定为预测分类结果与实际分类结果之间的第二损失值。

本实施例中，当样本内容信息既包括多媒体内容的文本信息，又包括多媒体内容的图像序列时，将两个用户偏好模型的损失总和确定为用户偏好预测结果与用户偏好实际结果之间的第一损失值，将上述四个分类模型的损失总和确定为预测分类结果与实际分类结果之间的第二损失值。

412、基于总损失值对初始行为偏好分析模型的参数进行调整，直至总损失满足收敛条件，得到行为偏好分析模型；

本实施例中，利用总损失值，确定特征提取子模型中权重矩阵的第一梯度，并按照第一梯度的方向对特征提取子模型的参数进行调整；或者利用总损失值，确定用户偏好子模型的第二梯度，并按照第二梯度的方向对用户偏好子模型的参数进行调整；或者利用总损失值，确定特征提取模型中权重矩阵的第一梯度和用户偏好模型的第二梯度，按照第一梯度的方向对特征提取子模型的参数进行调整，并按照第二梯度的方向用户偏好子模型的参数进行调整，直至总损失值收敛至预设的期望值时，判定用户偏好模型训练完毕。

其中，特征提取子模型中只需要对采用Bi_LSTM网络架构的第二特征提取网络和第四特征提取网络的参数进行调整，而偏好估计子模型是需要对全连接层和Softmax层的参数都进行调整的。

413、将目标用户画像输入预设行为偏好分析模型进行分析，得到目标用户的第二用户行为偏好；

414、将第一用户行为偏好和第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。

本实施例中步骤401-403、413-414与第一实施例中的步骤101-103、105-106类似，此处不再赘述。

在本发明实施例中，通过采集目标用户的用户行为数据；对用户行为数据分析，通过标签化处理将目标用户进行归类，得到用户标签；基于预设LBS定位获取电子围栏区域内目标用户的历史位置数据，对历史位置数据进行分析，预测目标用户的第一用户行为偏好；接收用户画像生成请求，根据用户标签和用户画像生成请求，生成目标用户对应的目标用户画像；将目标用户画像输入预设行为偏好分析模型进行分析，得到目标用户的第二用户行为偏好；将第一用户行为偏好和第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。为网点承接重客提供基础，进一步提高银行网点客流量。解决了过去无法精准识别并触达指定范围内的目标客户，网点服务推荐的准确率低下的技术问题。

请参阅图5，本发明实施例中基于位置围栏的服务推荐方法的第五个实施例包括：

501、采集目标用户的用户行为数据，其中，用户行为数据包括用户操作行为数据和用户浏览行为数据；

502、通过标签化处理，对用户行为数据进行标签分析，基于分析的结果确定所述目标用户的用户标签，其中，用户标签为描述用户关注服务属性的关键词；

503、利用LBS定位技术，获取目标用户的历史位置数据，基于历史位置数据对应的位置围栏，确定目标用户在位置围栏内的第一用户行为偏好，其中，历史位置数据包括多个与时间分片相对应的分片位置数据；

504、接收用户画像生成请求，根据用户标签和用户画像生成请求，生成目标用户对应的目标用户画像；

505、将目标用户画像输入预设行为偏好分析模型进行分析，得到目标用户的第二用户行为偏好；

506、将第一用户行为偏好和第二用户行为偏好输入预设服务预测模型，通过服务预测模型对第一用户行为偏好和第二用户行为偏好进行标签拆分，得到目标用户对应行为偏好的用户偏好标签；

本实施例中，将第一用户行为偏好和第二用户行为偏好输入预设服务预测模型，通过服务预测模型对所述第一用户行为偏好和所述第二用户行为偏好进行标签拆分。其中，由于由于第一用户行为偏好和所述第二用户行为偏好是基于不同的用户偏好标签内容组合构成的，因此，可以对该第一用户行为偏好和所述第二用户行为偏好的标签内容进行拆分，从而得到单独分开的标签文本信息。

507、将用户偏好标签分别输入至预设服务预测模型进行服务预测，得到用户偏好标签对应的待推荐服务；

本实施例中，通过将单个标签文本输入至服务预测模型进行预测，相较于将用户画像信息一次性输入至服务预测模型进行预测，可减少服务预测模型的运行时间，有效提升服务预测作的预测效率。

508、将待推荐服务进行综合计算操作，得到目标用户对待推荐服务的兴趣度，并基于兴趣度从待推荐服务中筛选出目标推荐服务。

本实施例中，综合计算操作可以是按照平均分、方差平均等方式进行计算，该综合计算操作也可以按照各自的权重比值进行计算，应当理解，此处对综合计算操作的举例仅为方便理解，不用于限定本申请。

本实施例中，由于用户偏好标签内容的多样性，使得将全部标签一次性输入至服务预测模型进行预测时，该服务预测模型只能输出一个结果，从而降低该服务预测结果的准确性。通过将标签内容进行拆分，得到单独分开的标签文本信息，再将单独分开的标签文本信息分别输入至服务预测模型进行服务预测操作，从而得到更加符合入场用户当前情况的推荐服务，有效提高服务预测操作的准确性。

本实施例中步骤501-505与第一实施例中的步骤101-105类似，此处不再赘述。

本发明实施例中，通过采集目标用户的用户行为数据；对用户行为数据分析，通过标签化处理将目标用户进行归类，得到用户标签；基于预设LBS定位获取电子围栏区域内目标用户的历史位置数据，对历史位置数据进行分析，预测目标用户的第一用户行为偏好；接收用户画像生成请求，根据用户标签和用户画像生成请求，生成目标用户对应的目标用户画像；将目标用户画像输入预设行为偏好分析模型进行分析，得到目标用户的第二用户行为偏好；将第一用户行为偏好和第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。为网点承接重客提供基础，进一步提高银行网点客流量。解决了过去无法精准识别并触达指定范围内的目标客户，网点服务推荐的准确率低下的技术问题。

上面对本发明实施例中基于位置围栏的服务推荐方法进行了描述，下面对本发明实施例中基于位置围栏的服务推荐装置进行描述，请参阅图6，本发明实施例中基于位置围栏的服务推荐装置的第一个实施例包括：

采集模块601，用于采集目标用户的用户行为数据，其中，所述用户行为数据包括用户操作行为数据和用户浏览行为数据；

第一分析模块602，用于通过标签化处理，对所述用户行为数据进行标签分析，基于分析的结果确定所述目标用户的用户标签，其中，所述用户标签为描述用户关注服务属性的关键词；

确定模块603，用于利用LBS定位技术，获取所述目标用户的历史位置数据，基于所述历史位置数据对应的位置围栏，确定所述目标用户在所述位置围栏内的第一用户行为偏好，其中，所述历史位置数据包括多个与时间分片相对应的分片位置数据；

生成模块604，用于接收用户画像生成请求，根据所述用户标签和所述用户画像生成请求，生成所述目标用户对应的目标用户画像；

第二分析模块605，用于将所述目标用户画像输入预设行为偏好分析模型进行分析，得到所述目标用户的第二用户行为偏好；

预测模块606，用于将所述第一用户行为偏好和所述第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。

本发明实施例中，通过采集目标用户的用户行为数据；对用户行为数据分析，通过标签化处理将目标用户进行归类，得到用户标签；基于预设LBS定位获取电子围栏区域内目标用户的历史位置数据，对历史位置数据进行分析，预测目标用户的第一用户行为偏好；接收用户画像生成请求，根据用户标签和用户画像生成请求，生成目标用户对应的目标用户画像；将目标用户画像输入预设行为偏好分析模型进行分析，得到目标用户的第二用户行为偏好；将第一用户行为偏好和第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。为网点承接重客提供基础，进一步提高银行网点客流量。解决了过去无法精准识别并触达指定范围内的目标客户，网点服务推荐的准确率低下的技术问题。

请参阅图7，本发明实施例中基于位置围栏的服务推荐装置的第二个实施例，该基于位置围栏的服务推荐装置具体包括：

采集模块601，用于采集目标用户的用户行为数据，其中，所述用户行为数据包括用户操作行为数据和用户浏览行为数据；

第一分析模块602，用于通过标签化处理，对所述用户行为数据进行标签分析，基于分析的结果确定所述目标用户的用户标签，其中，所述用户标签为描述用户关注服务属性的关键词；

确定模块603，用于利用LBS定位技术，获取所述目标用户的历史位置数据，基于所述历史位置数据对应的位置围栏，确定所述目标用户在所述位置围栏内的第一用户行为偏好，其中，所述历史位置数据包括多个与时间分片相对应的分片位置数据；

生成模块604，用于接收用户画像生成请求，根据所述用户标签和所述用户画像生成请求，生成所述目标用户对应的目标用户画像；

第二分析模块605，用于将所述目标用户画像输入预设行为偏好分析模型进行分析，得到所述目标用户的第二用户行为偏好；

预测模块606，用于将所述第一用户行为偏好和所述第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。

在本实施例中，所述采集模块601具体用于：接收用户基于应用软件触发的页面加载请求，获取所述页面加载请求中包含的页面标识；

获取所述页面标识对应的网络页面及其所述网络页面的页面标签，并根据所述页面标签判断所述网络页面中是否包含采集控件；

若所述网络页面中不包含采集控件，则获取所述应用软件中的采集控件，并将所述采集控件导入至所述网络页面中；

当检测到所述网络页面加载完成时，调用所述采集控件，以采集所述网络页面上的用户行为数据，并将所述用户行为数据上传至服务器。

在本实施例中，所述确定模块603包括：

获取单元6031，用于基于预设LBS定位获取电子围栏区域内目标用户的历史位置数据；

筛选单元6032，用于对所述历史位置数据中包含的各个历史位置点所对应的停留时长和/或停留频次进行筛选，得到与所述目标用户对应的历史关键位置点；

确定单元6033，用于获取与所述历史关键位置点对应的目标地理数据以及与所述目标地理数据对应的兴趣点；根据所述兴趣点，确定所述目标用户的第一用户行为偏好。

在本实施例中，所述筛选单元6032具体用于：确定每个分片位置数据中包含的各个位置点的停留时长，将停留时长大于预设的时长阈值的位置点筛选为该分片位置数据中的候选位置点；

根据各个候选位置点在各个分片位置数据中的出现次数，确定各个候选位置点的停留频次，将停留频次不小于预设的频次阈值的候选位置点筛选为所述关键位置点。

在本实施例中，所述生成模块604具体用于：

接收用户画像生成指令，根据所述目标用户数据和所述用户画像生成指令，生成所述目标用户所对应的初始用户画像；

获取所述待推荐信息数据中各埋点发送的采集数据，以组成反馈数据集；其中，各埋点发送的采集数据包括浏览量、转发量、点赞次数、留言内容和停留时长；

调用预先设置的标签转换策略，将所述反馈数据集中数据项转化成对应的用户行为标签；

通过所述用户行为标签对所述目标用户画像进行更新，得到更新后用户画像。

在本实施例中，所述基于位置围栏的服务推荐装置还包括：

构建模块607，用于构建训练样本集合，其中，所述训练样本集中包含多个训练样本，所述训练样本样本内容数据、训练样本的用户偏好实际结果和实际分类结果；

特征提取模块608，用于对所述样本内容数据进行特征提取，得到所述样本内容数据的特征内容，并将所述特征内容输入预设初始行为偏好分析模型，得到所述样本内容数据的偏好分析结果；

确定模块609，用于将所述特征内容输入预设分类模型，确定所述样本内容数据的预测分类结果；基于所述偏好分析结果与所述偏好实际结果之间的第一损失值，以及所述预测分类结果与所述实际分类结果之间的第二损失值，确定总损失值；

调整模块610，用于基于所述总损失值对所述初始行为偏好分析模型的参数进行调整，直至所述总损失满足收敛条件，得到行为偏好分析模型。

本实施例中，所述预测模块606具体用于：

将所述第一用户行为偏好和所述第二用户行为偏好输入预设服务预测模型，通过所述服务预测模型对所述第一用户行为偏好和所述第二用户行为偏好进行标签拆分，得到所述目标用户对应行为偏好的用户偏好标签；

将所述用户偏好标签分别输入至预设服务预测模型进行所述服务预测，得到所述用户偏好标签对应的待推荐服务；

将所述待推荐服务进行综合计算操作，得到所述目标用户对所述待推荐服务的兴趣度，并基于所述兴趣度对所述待推荐服务进行筛选，得到目标推荐服务。

本发明实施例中，通过采集目标用户的用户行为数据；对用户行为数据分析，通过标签化处理将目标用户进行归类，得到用户标签；基于预设LBS定位获取电子围栏区域内目标用户的历史位置数据，对历史位置数据进行分析，预测目标用户的第一用户行为偏好；接收用户画像生成请求，根据用户标签和用户画像生成请求，生成目标用户对应的目标用户画像；将目标用户画像输入预设行为偏好分析模型进行分析，得到目标用户的第二用户行为偏好；将第一用户行为偏好和第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。为网点承接重客提供基础，进一步提高银行网点客流量。解决了过去无法精准识别并触达指定范围内的目标客户，网点服务推荐的准确率低下的技术问题。

上面图6和图7从模块化功能实体的角度对本发明实施例中的基于位置围栏的服务推荐装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于位置围栏的服务推荐设备进行详细描述。

图8是本发明实施例提供的基于位置围栏的服务推荐设备的结构示意图，该基于位置围栏的服务推荐设备800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)810(例如，一个或一个以上处理器)和存储器820，一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中，存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对基于位置围栏的服务推荐设备800中的一系列指令操作。更进一步地，处理器810可以设置为与存储介质830通信，在基于位置围栏的服务推荐设备800上执行存储介质830中的一系列指令操作，以实现上述各方法实施例提供的基于位置围栏的服务推荐方法的步骤。

基于位置围栏的服务推荐设备800还可以包括一个或一个以上电源840，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口860，和/或，一个或一个以上操作系统831，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图8示出的基于位置围栏的服务推荐设备结构并不构成对本申请提供的基于位置围栏的服务推荐设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行上述基于位置围栏的服务推荐方法的步骤。

所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于位置围栏的服务推荐方法，其特征在于，所述基于位置围栏的服务推荐方法包括：

采集目标用户的用户行为数据，其中，所述用户行为数据包括用户操作行为数据和用户浏览行为数据；

通过标签化处理，对所述用户行为数据进行标签分析，基于分析的结果确定所述目标用户的用户标签，其中，所述用户标签为描述用户关注服务属性的关键词；

利用LBS定位技术，获取所述目标用户的历史位置数据，基于所述历史位置数据对应的位置围栏，确定所述目标用户在所述位置围栏内的第一用户行为偏好，其中，所述历史位置数据包括多个与时间分片相对应的分片位置数据；

接收用户画像生成请求，根据所述用户标签和所述用户画像生成请求，生成所述目标用户对应的目标用户画像；

将所述目标用户画像输入预设行为偏好分析模型进行分析，得到所述目标用户的第二用户行为偏好；

将所述第一用户行为偏好和所述第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。

2.根据权利要求1所述的基于位置围栏的服务推荐方法，其特征在于，所述采集目标用户的用户行为数据包括：

接收用户基于应用软件触发的页面加载请求，获取所述页面加载请求中包含的页面标识；

获取所述页面标识对应的网络页面及其所述网络页面的页面标签，并根据所述页面标签判断所述网络页面中是否包含采集控件；

若所述网络页面中不包含采集控件，则获取所述应用软件中的采集控件，并将所述采集控件导入至所述网络页面中；

当检测到所述网络页面加载完成时，调用所述采集控件，以采集所述网络页面上的用户行为数据，并将所述用户行为数据上传至服务器。

3.根据权利要求1所述的基于位置围栏的服务推荐方法，其特征在于，所述利用LBS定位技术，获取所述目标用户的历史位置数据，基于所述历史位置数据对应的位置围栏，确定所述目标用户在所述位置围栏内的第一用户行为偏好包括：

基于预设LBS定位获取目标用户的历史位置数据；

基于所述历史位置数据对应的位置围栏，对所述历史位置数据中包含的各个历史位置点所对应的停留时长和/或停留频次进行筛选，得到与所述目标用户对应的历史关键位置点；

获取与所述历史关键位置点对应的目标地理数据以及与所述目标地理数据对应的兴趣点；

根据所述兴趣点，确定所述目标用户的第一用户行为偏好。

4.根据权利要求3所述的基于位置围栏的服务推荐方法，其特征在于，所述基于所述历史位置数据对应的位置围栏，对所述历史位置数据中包含的各个历史位置点所对应的停留时长和/或停留频次进行筛选，得到与所述目标用户对应的历史关键位置点包括：

基于所述历史位置数据对应的位置围栏，确定每个分片位置数据中包含的各个位置点的停留时长，将停留时长大于预设的时长阈值的位置点筛选为该分片位置数据中的候选位置点；

根据各个候选位置点在各个分片位置数据中的出现次数，确定各个候选位置点的停留频次，将停留频次不小于预设的频次阈值的候选位置点筛选为所述关键位置点。

5.根据权利要求1所述的基于位置围栏的服务推荐方法，其特征在于，所述接收用户画像生成请求，根据所述用户标签和所述用户画像生成请求，生成所述目标用户对应的目标用户画像包括：

接收用户画像生成指令，根据所述目标用户数据和所述用户画像生成指令，生成所述目标用户所对应的初始用户画像；

获取所述待推荐信息数据中各埋点发送的采集数据，以组成反馈数据集；其中，各埋点发送的采集数据包括浏览量、转发量、点赞次数、留言内容和停留时长；

调用预先设置的标签转换策略，将所述反馈数据集中数据项转化成对应的用户行为标签；

通过所述用户行为标签对所述目标用户画像进行更新，得到更新后用户画像。

6.根据权利要求1所述的基于位置围栏的服务推荐方法，其特征在于，在所述将所述目标用户画像输入预设行为偏好分析模型进行分析，得到所述目标用户的第二用户行为偏好之前，还包括：

构建训练样本集合，其中，所述训练样本集中包含多个训练样本，所述训练样本样本内容数据、训练样本的用户偏好实际结果和实际分类结果；

对所述样本内容数据进行特征提取，得到所述样本内容数据的特征内容，并将所述特征内容输入预设初始行为偏好分析模型，得到所述样本内容数据的偏好分析结果；

将所述特征内容输入预设分类模型，确定所述样本内容数据的预测分类结果；

基于所述偏好分析结果与所述偏好实际结果之间的第一损失值，以及所述预测分类结果与所述实际分类结果之间的第二损失值，确定总损失值；

基于所述总损失值对所述初始行为偏好分析模型的参数进行调整，直至所述总损失满足收敛条件，得到行为偏好分析模型。

7.根据权利要求1所述的基于位置围栏的服务推荐方法，其特征在于，所述将所述第一用户行为偏好和所述第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务包括：

将所述第一用户行为偏好和所述第二用户行为偏好输入预设服务预测模型，通过所述服务预测模型对所述第一用户行为偏好和所述第二用户行为偏好进行标签拆分，得到所述目标用户对应行为偏好的用户偏好标签；

将所述用户偏好标签分别输入至预设服务预测模型进行所述服务预测，得到所述用户偏好标签对应的待推荐服务；

将所述待推荐服务进行综合计算操作，得到所述目标用户对所述待推荐服务的兴趣度，并基于所述兴趣度对所述待推荐服务进行筛选，得到目标推荐服务。

8.一种基于位置围栏的服务推荐装置，其特征在于，所述基于位置围栏的服务推荐装置包括：

采集模块，用于采集目标用户的用户行为数据，其中，所述用户行为数据包括用户操作行为数据和用户浏览行为数据；

第一分析模块，用于通过标签化处理，对所述用户行为数据进行标签分析，基于分析的结果确定所述目标用户的用户标签，其中，所述用户标签为描述用户关注服务属性的关键词；

确定模块，用于利用LBS定位技术，获取所述目标用户的历史位置数据，基于所述历史位置数据对应的位置围栏，确定所述目标用户在所述位置围栏内的第一用户行为偏好，其中，所述历史位置数据包括多个与时间分片相对应的分片位置数据；

生成模块，用于接收用户画像生成请求，根据所述用户标签和所述用户画像生成请求，生成所述目标用户对应的目标用户画像；

第二分析模块，用于将所述目标用户画像输入预设行为偏好分析模型进行分析，得到所述目标用户的第二用户行为偏好；

预测模块，用于将所述第一用户行为偏好和所述第二用户行为偏好输入预设服务预测模型进行预测，得到目标推荐服务。

9.基于位置围栏的服务推荐设备，其特征在于，所述基于位置围栏的服务推荐设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于位置围栏的服务推荐设备执行如权利要求1-7中任一项所述的基于位置围栏的服务推荐方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质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中任一项所述的基于位置围栏的服务推荐方法的步骤。

Images