CN114266625A - 基于新用户的推荐方法、装置、设备及存储介质 - Google Patents
基于新用户的推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114266625A CN114266625A CN202111573682.1A CN202111573682A CN114266625A CN 114266625 A CN114266625 A CN 114266625A CN 202111573682 A CN202111573682 A CN 202111573682A CN 114266625 A CN114266625 A CN 114266625A
- Authority
- CN
- China
- Prior art keywords
- product
- new user
- products
- distribution
- recommending
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请适用于人工智能技术领域,提供了基于新用户的推荐方法、装置、设备及存储介质。包括:构建新用户对产品集合中每个产品的初始意愿分布;将每个产品推荐给新用户;采集新用户对每个产品的行为数据,行为数据包括点击数据;通过预设的汤姆森采样算法和行为数据,实时更新初始意愿分布;根据更新后的初始意愿分布,确定产品集合中的目标产品;将目标产品推荐给新用户。这种推荐新用户的方法,既能够不受新用户的行为数据稀疏的影响,又能够省去收集新用户信息的成本,利用汤姆森采样算法高效地在线学习,给新用户推荐其真正感兴趣的目标产品,同时也可以预测新用户对新产品的感兴趣程度,进而将新产品更准确地推荐给新用户。
Description
技术领域
本申请属于人工智能技术领域,尤其涉及基于新用户的推荐方法、装置、设备及存储介质。
背景技术
对于公司开展的多项业务(例如保险业务、网课业务等),我们期望在留存老客户的基础上,尽可能地发展新用户。除了能够带来业务增长,还能有利于公司把握市场发展走向。纯新用户作为公司的重要组成部分,无疑发挥着至关重要的作用,而如何为这些纯新用户推荐最契合、最合适的业务产品,成为了维持新用户增长的关键问题。
目前大多数行业的产品都会在线上销售,如金融理财产品、保险产品等。以保险产品为例,保险产品在线上销售时,会采用产品推荐算法,目前采用的算法一般是通过收集用户对该保险产品的各种操作数据,对这些操作数据进行分析后推荐保险产品。这需要采集大量的用户的操作数据,对于新用户而言,这些操作数据极为稀疏,导致缺乏为新用户进行产品推荐的依据,进而导致无法准确地向新用户推荐产品。
发明内容
有鉴于此,本申请实施例提供了基于新用户的推荐方法、装置、设备及存储介质,以解决现有技术中在向新用户推荐产品时,由于缺乏为新用户进行产品推荐的依据,导致无法准确地向新用户推荐产品的问题。
本申请实施例的第一方面提供了一种基于新用户的推荐方法,该方法包括:
构建新用户对产品集合中每个产品的初始意愿分布;
将每个产品推荐给所述新用户;
采集所述新用户对每个产品的行为数据,所述行为数据包括点击数据;
通过预设的汤姆森采样算法和所述行为数据,实时更新所述初始意愿分布;
根据更新后的初始意愿分布,确定所述产品集合中的目标产品;
将所述目标产品推荐给所述新用户。
可选地,所述构建新用户对产品集合中每个产品的初始意愿分布,包括:
构建所述新用户对每个产品的分布函数;
根据所述分布函数,构建所述新用户对每个产品的初始意愿分布。
可选地,所述将每个产品推荐给所述新用户,包括:
在第一预设时间内,将每个产品以相同的推荐次数推荐给所述新用户。
可选地,所述更新后的初始意愿分布包括公式Choice=arg max(rBeta(1+α,1+sum-α)),所述根据更新后的初始意愿分布,确定所述产品集合中的目标产品,包括:
利用所述公式Choice=arg max(rBeta(1+α,1+sum-α)),在所述产品集合包含的所有产品中确定所述目标产品;
其中,Choice表示目标产品,arg max表示最大值,rBeta表示分布函数,α表示推荐任一产品后所述新用户点击的次数,sum表示推荐的总次数。
可选地,所述将所述目标产品推荐给所述新用户,包括:
在第二预设时间内,以预设推荐频率将所述目标产品定向推荐给所述新用户。
可选地,当所述目标产品的数量为多个时,所述将所述目标产品推荐给所述新用户之后,所述推荐方法还包括:
统计推荐给所述新用户的目标产品对应的第一数量;
统计所述新用户购买目标产品的第二数量;
根据所述第一数量和所述第二数量,确定产品推荐成功率。
可选地,所述构建新用户对产品集合中每个产品的初始意愿分布之前,所述推荐方法还包括:
获取线上发布的多个保险产品和/或多个金融产品;
根据每个所述保险产品和/或每个所述金融产品,生成所述产品集合。
本申请实施例的第二方面提供了一种新用户的产品推荐装置,包括:
构建单元,用于构建新用户对产品集合中每个产品的初始意愿分布;
第一推荐单元,用于将每个产品推荐给所述新用户;
采集单元,用于采集所述新用户对每个产品的行为数据,所述行为数据包括点击数据;
更新单元,用于通过预设的汤姆森采样算法和所述行为数据,实时更新所述初始意愿分布;
确定单元,用于根据更新后的初始意愿分布,确定所述产品集合中的目标产品;
第二推荐单元,用于将所述目标产品推荐给所述新用户。
本申请实施例的第三方面提供了一种新用户的产品推荐设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述第一方面所述的基于新用户的推荐方法的步骤。
本申请实施例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存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的基于新用户的推荐方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在设备上运行时,使得该设备执行上述第一方面所述的基于新用户的推荐方法的步骤。
本申请实施例提供的基于新用户的推荐方法、装置、设备及存储介质,具有以下有益效果:
现有技术中,通常需要收集大量的用户对产品的多维度特征进行预测训练,对于纯新用户并不适用,纯新用户行为数据极其稀疏,影响预测准确性,无法有针对性地将产品推荐给有需求的新用户。本方案中假定初始新用户对每个产品的初始意愿均等,构建新用户对产品集合中每个产品的初始意愿分布;将每个产品初次推荐给新用户;采集新用户对每个产品的行为数据,行为数据包括点击数据;通过预设的汤姆森采样算法和行为数据,实时更新初始意愿分布;根据更新后的初始意愿分布,确定产品集合中的目标产品;将目标产品推荐给新用户。这种推荐新用户的方法,既能够不受新用户的行为数据稀疏的影响,又能够省去收集新用户信息的成本,利用汤姆森采样算法高效地在线学习,给新用户推荐其真正感兴趣的目标产品,同时也可以预测新用户对新产品的感兴趣程度,进而将新产品更准确地推荐给新用户。提升了新用户留存率,增强用户粘性,为用户提供更好的推荐服务,为公司带来更高的利益。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一示例性实施例提供的基于新用户的推荐方法的示意性流程图;
图2是本申请另一示例性实施例示出的一种基于新用户的推荐方法的步骤S101的具体流程图;
图3是本申请再一示例性实施例提供的基于新用户的推荐方法的示意性流程图;
图4是本申请一实施例提供的一种新用户的产品推荐装置的示意图;
图5是本申请另一实施例提供的一种新用户的产品推荐设备的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,在本申请实施例的描述中,“多个”是指两个或多于两个。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习/监督学习等几大方向。
请参见图1,图1是本申请一示例性实施例提供的基于新用户的推荐方法的示意性流程图。本申请提供的基于新用户的推荐方法的执行主体为设备,其中,该设备包括但不限于智能手机、平板计算机、计算机、个人数字助理(Personal Digital Assistant,PDA)、台式计算机等移动终端,还可以包括各种类型的服务器。例如,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务。
本申请实施例中以执行主体为计算机终端为例进行说明。
如图1所示的基于新用户的推荐方法可包括:S101~S106,具体如下:
S101:构建新用户对产品集合中每个产品的初始意愿分布。
示例性地,新用户可以包括在平台未注册过信息的用户,平台指销售产品的平台,该平台可以是系统、网站、小程序、应用程序(Application,APP)等。
可选地,新用户也可以包括在平台注册了信息,但是未购买任何产品的用户。可选地,新用户还可以包括在平台注册了信息,但是未购买产品集合中的产品的用户。
可选地,为了精准地为新用户推荐产品,可以根据销售领域确定新用户。例如,对于保险领域,未购买过任何保险产品的用户即为新用户。对于金融领域,未购买过任何理财产品的用户即为新用户。对于线上教育领域,未购买过任何网课产品的用户即为新用户。
根据实际产品的销售情况确定新用户,此处仅为示例性说明,对此不做限定。
产品集合中包括若干个产品,产品可以包括保险产品、网课产品、金融产品等,根据实际情况确定,对此不做限定。产品集合中的产品可由工作人员预先设定,也可由终端随机选定。例如,对于保险产品业务,可由销售员预先在系统中选择若干个保险产品,由这些被选择的保险产品组成产品集合。也可以是,由保险公司的业务系统随机选定若干个保险产品,由这些被选定的保险产品组成产品集合。
又例如,对于金融产品业务,可由销售员预先在系统中选择若干个金融产品(例如,基金产品、股票产品等),由这些被选择的金融产品组成产品集合。也可以是,由金融公司的业务系统随机选定若干个金融产品,由这些被选定的金融产品组成产品集合。
构建新用户对产品集合中的每个产品的初始意愿分布。示例性地,假设开始新用户对产品集合中的每个产品的意愿都是均等的。即新用户对产品集合中的每个产品的满意倾向和不满意倾向是均等的。
请参见图2,图2是本申请另一示例性实施例示出的一种基于新用户的推荐方法的步骤S101的具体流程图;可选地,在本申请一些可能的实现方式中,上述S101可包括S1011~S1012,具体如下:
S1011:构建新用户对每个产品的分布函数。
具体地,构建新用户对产品集合中的每个产品的贝塔(Beta)分布函数。例如,产品集合中有10个保险产品,新用户对这10个保险产品最开始的满意倾向和不满意倾向是均等的。我们假定新用户对产品集合中的每个产品的意愿都符合Beta分布。
示例性地,构建新用户对每个产品的Beta分布函数。构建的Beta分布函数如下:
在实施过程中,可以对新用户x对某个产品的满意/不满意倾向进行初始化,使得新用户x对某个产品的满意程度等于其对该产品的不满意程度。
S1012:根据分布函数,构建新用户对每个产品的初始意愿分布。
示例性地,先根据Beta分布函数构建新用户对每个产品的初始意愿分布,具体如下:
Choice=arg max(rBeta(1+α,1+sum-α)), (2)
上述(2)式中,Choice表示目标产品,argmax表示最大值,rBeta表示分布函数,α表示推荐任一产品后新用户点击的次数,sum表示推荐的总次数。
值得说明的是,新用户对每个产品的初始意愿分布,与更新后的初始意愿分布在表现形式上相同。即新用户对每个产品的初始意愿分布对应的公式与更新后的初始意愿分布对应的公式,在形式上相同。不同的是,构建得到的(2)式中的各个值均进行了初始化。在刚构建好新用户对每个产品的初始意愿分布时,新用户对每个产品的满意/不满意倾向相等,每个产品被选为目标产品的概率相同。
可选地,在一种可能的实现方式中,在S101之前还可包括:
获取线上发布的多个保险产品和/或多个金融产品;根据每个保险产品和/或每个金融产品,生成产品集合。
示例性地,获取线上平台发布的多个保险产品,根据这些保险产品生成产品集合。例如,统计线上平台发布的所有保险产品,根据统计的这些保险产品生成产品集合。或者,统计线上平台发布的所有新的保险产品,根据统计的这些保险产品生成产品集合。再或者,由销售员在线上平台中选择若干个保险产品,由这些被选择的保险产品生成产品集合。再或者,由保险公司的线上平台随机选定若干个保险产品,由这些被选定的保险产品生成产品集合。
示例性地,获取线上平台发布的多个金融产品,根据这些金融产品生成产品集合。例如,统计线上平台发布的所有金融产品,根据统计的这些金融产品生成产品集合。或者,统计线上平台发布的所有新的金融产品,根据统计的这些金融产品生成产品集合。再或者,由销售员在线上平台中选择若干个金融产品,由这些被选择的金融产品生成产品集合。再或者,由保险公司的线上平台随机选定若干个金融产品,由这些被选定的金融产品生成产品集合。
示例性地,产品集合中也可以同时包括多个保险产品和多个金融产品,获取多个保险产品和多个金融产品的方式,与上述单独获取多个保险产品或单独获取多个金融产品的方式相同,可参考上面描述,此处不再赘述。
上述实现方式中,根据实际产品推荐需求,生成不同类型的产品集合,便于后续有针对性地将产品集合中的产品准确地推荐给新用户。例如,只想给新用户推荐保险产品时,产品集合中可以只包括保险产品,这样就可以将想要推荐的保险产品准确地推荐给新用户。又例如,只想给新用户推荐金融产品时,产品集合中可以只包括金融产品,这样就可以将想要推荐的金融产品准确地推荐给新用户。再例如,想给新用户推荐保险产品的同时推荐金融产品,产品集合中可以包括保险产品和金融产,这样就可以将想要推荐的保险产品和金融产准确地推荐给新用户。
S102:将每个产品推荐给新用户。
示例性地,获取每个新用户的标识信息,根据每个新用户的标识信息,将产品集合中的每个产品初次推荐给新用户。标识信息可以为每个新用户的平台账号信息、手机号码、身份证号、微信号等,对此不做限定。其中,这里的推荐是指初次推荐,初次推荐是指这些新用户在此之前均未收到过关于产品集合中每个产品的推荐信息,可以理解为,这些新用户都是首次收到关于产品集合中产品的推荐。
例如,获取每个新用户的账号信息,当检测到这些新用户登录系统时,在这些新用户的首页滚动栏展示产品集合中的产品的相关信息。
又例如,获取每个新用户的手机号码,基于每个新用户的手机号码,将产品集合中产品通过短信的方式,发送到每个新用户的手机上。
再例如,预先指引每个新用户关注公众号,获取每个新用户的微信号,通过该公众号和用户的微信号,向新用户推荐产品集合中的产品。
值得说明的是,这里的初次推荐仅仅是指在本次推荐之前,这些新用户没有收到过关于产品集合中的产品的推荐信息,但并不限制本次推荐的推荐次数。也就是说,在开始给每个新用户推荐产品集合中的产品后,对每个产品都可以多次推荐。
可选地,在将产品集合中的产品初次推荐给每个新用户时,可以包括推荐的产品的简介、宣传图片、宣传视频、链接等。
可选地,在一种可能的实现方式中,将每个产品初次推荐给新用户包括:在第一预设时间内,将每个产品以相同的推荐次数推荐给新用户。可以理解为,将每个产品初次推荐给新用户时,是以相同的推荐频率进行推荐的。第一预设时间可以根据实际情况进行设置,例如,第一预设时间可以为10小时、一天、一周等。
例如,产品集合中有10个保险产品,在第一预设时间内,每个保险产品都被推荐给新用户5次,推荐的频率均为2小时一次。也就是说这10个保险产品在第一预设时间内,每个产品推荐给新用户的次数和频率都是相同的。此处仅为示例性说明,对此不做限定。
上述实现方式中,为了后续能更准确地、有针对性的为新用户推荐产品集合中的产品,在第一预设时间内,以同等的推荐次数,为新用户初次推荐产品集合中的每个产品,保证新用户在一段时间内被推荐产品集合中的每个产品的次数是相同的,这样对该产品集合中的产品是否感兴趣,就可以通过新用户对产品集合中的产品的操作中体现出来,从而在产品集合中的多个产品中筛选出新用户有意向的产品,便于后续将产品集合中的产品准确地推荐给新用户,提升了向新用户推荐产品的准确性。
S103:采集新用户对每个产品的行为数据,行为数据包括点击数据。
示例性地,将产品集合中的每个产品推荐给新用户后,采集该新用户对每个产品的行为数据。该行为数据可以包括点击数据、咨询数据、购买数据、收藏数据、评论数据、浏览数据等。
其中,点击数据包括新用户对每个产品进行点击操作后产生的数据,例如点击数据可以包括点击每个产品的点击次数。咨询数据包括新用户咨询每个产品的次数。购买数据包括新用户购买每个产品的次数。收藏数据包括新用户收藏某个产品,或用户未收藏某个产品。评论数据包括新用户对每个产品的正面评论,或新用户对某个产品的负面评论。浏览数据包括新用户浏览每个产品的时长、次数等。此处仅为示例性说明,对此不做限定。
值得说明的是,无论新用户只是点击产品,还是对产品进行了咨询、购买、收藏、评论、浏览等操作,都需要先点击该产品。因此,新用户对每个产品的咨询、购买、收藏、评论、浏览等操作都会同时产生点击数据。
例如,将产品集合中的10个保险产品初次均等的推荐给新用户。新用户对该每个产品进行操作后,产生对应的行为数据,采集新用户对每个产品的行为数据。
S104:通过预设的汤姆森采样算法和行为数据,实时更新初始意愿分布。
汤姆森采样算法(Thompson Sampling)属于机器学习中的一种算法。最先构建新用户对每个产品的初始意愿分布时,新用户对每个产品的满意/不满意倾向是相等的,在将产品集合中每个产品初次推荐给新用户之后,新用户对产品集合中的每个产品进行了操作,产生了对应的行为数据,通过汤姆森采样算法在线学习新用户对每个产品进行操作后产生的影响,从而更新用户对产品集合中每个产品的初始意愿分布。
可以通俗理解为,初始新用户对产品集合中每个产品的初始意愿是相同的,新用户对每个产品进行了操作后,就改变了其对该产品的意愿。通过汤姆森采样算法学习新用户进行操作从而改变其对该产品的意愿的过程,并在初始意愿分布中体现出来。
例如,行为数据包括点击数据。点击数据可以包括将每个产品推荐给新用户时,新用户是否有点击每个产品对应的记录数据。记录被推荐的次数,以及每次推荐时新用户是否有点击产品,可以计算得到α和sum的值。
例如,将某个保险产品给新用户推荐了20次,则sum的值为20。在这20次的推荐中,新用户有10次点击了该保险产品,则α的值为10。用同样的方式对产品集合中的每个产品都进行记录,从而更新上述(2)式。
S105:根据更新后的初始意愿分布,确定产品集合中的目标产品。
示例性地,目标产品包括要正式推荐给新用户的产品。可以理解为目标产品为新用户感兴趣的产品,从而在产品集合中确定目标产品后,可将目标产品推荐给该新用户。
新用户对产品集合中的产品进行各种行为操作后,改变了其对产品集合中的产品的意愿,即更新了新用户对产品集合中每个产品的初始意愿分布,根据更新后的新用户对产品集合中每个产品的初始意愿分布,可以确定产品集合中的目标产品。
可选地,在一种可能的实现方式中,更新后的初始意愿分布包括公式Choice=argmax(rBeta(1+α,1+sum-α)), (3)
可以利用该公式Choice=argmax(rBeta(1+α,1+sum-α)),在产品集合包含的所有产品中确定目标产品;
其中,Choice表示目标产品,argmax表示最大值,rBeta表示分布函数,α表示推荐任一产品后新用户点击的次数,sum表示推荐的总次数。
值得说明的是,新用户对每个产品的初始意愿分布,与更新后的初始意愿分布在表现形式上相同。即新用户对每个产品的初始意愿分布对应的公式与更新后的初始意愿分布对应的公式,在形式上相同。不同的是,新用户对产品集合中的产品进行各种行为操作后,改变了其对产品集合中的产品的意愿,即更新了新用户对产品集合中每个产品的初始意愿分布。此时,每个产品被选为目标产品的概率不同。
示例性地,预先会设定预设实验次数,当实验达到预设次数时,停止实验,根据更新后的新用户对每个产品的初始意愿分布,计算新用户对每个产品的评分,根据新用户对每个产品的评分确定目标产品。
例如,实验次数为20次,将产品集合中每个产品向新用户分别推荐了20次,记录每个产品被推荐的这20次中,该新用户点击每个产品的操作,根据记录的行为数据更新新用户对每个产品的初始意愿分布。
示例性地,rBeta(1+α,1+sum-α)整体可用于表示新用户对每个产品的评分。每次更新时,都会得到新用户对每个产品不同的评分,为了保证实验结果的准确性,我们以实验次数达标后,得到的rBeta(1+α,1+sum-α)为准。
新用户对每个产品的评分用于表示新用户对每个产品感兴趣的程度。评分越高,表示该新用户对该产品越感兴趣。相对的,评分越低,表示该新用户对该产品越不感兴趣。
具体地更新流程包括:随机初始化参数α1和β;例如,每个产品用α1和β作为参数,用Beta分布函数产生一个随机数。观察新用户对每个产品的操作,根据新用户对每个产品的操作调整α1和β的值;例如,新用户点击该产品,则将对应的产品的α1加1,否则β加1。
按照随机数排序,输出rBeta(1+α,1+sum-α)中的最大值,该最大值对应的产品即为目标产品。例如,arg max即表示在每个产品对应的rBeta(1+α,1+sum-α)中选取最大值,该最大值对应的产品即为目标产品,Choice表示被选中的目标产品。
可选地,在一种可能的实现方式中,当目标产品的数量为多个时,输出rBeta(1+α,1+sum-α)中排序靠前的若干个评分,每个评分对应的产品即为目标产品。
可选地,在一种可能的实现方式中,也可以是根据新用户对每个产品的评分,对产品集合中的所有产品进行排序。可按照评分从高到低的方式对产品集合中的所有产品进行排序,选取排在最前的一个或多个产品作为目标产品。例如,产品集合中的共有10个产品,按照评分从高到低的方式对这10个产品进行排序后,选取排在最前的一个产品作为目标产品,也可以选取排在前三的三个产品作为目标产品。
也可以按照评分从低到高的方式对产品集合中的所有产品进行排序,选取排在最后的一个或多个产品作为目标产品。例如,产品集合中的共有10个产品,按照评分从低到高的方式对这10个产品进行排序后,选取排在最后的一个产品作为目标产品,也可以选取排在后三的三个产品作为目标产品。
S106:将目标产品推荐给新用户。
示例性地,在S102中给新用户推荐产品是将产品集合中的每个产品都推荐给新用户,且每个产品被推荐的频率是相同的。本实施方式中,仅仅将确定的产品集合中的目标产品推荐给新用户。
可根据实际情况,设置目标产品推荐给新用户的推荐频率。可选地,当目标产品的数量为多个时,可根据每个目标产品对应的评分高低,设置不同的推荐频率。
现有技术中,通常需要收集大量的用户对产品的多维度特征进行预测训练,对于纯新用户并不适用,纯新用户行为数据极其稀疏,影响预测准确性,无法有针对性地将产品推荐给有需求的新用户。本方案中假定初始新用户对每个产品的初始意愿均等,构建新用户对产品集合中每个产品的初始意愿分布;将每个产品初次推荐给新用户;采集新用户对每个产品的行为数据,行为数据包括点击数据;通过预设的汤姆森采样算法和行为数据,实时更新初始意愿分布;根据更新后的初始意愿分布,确定产品集合中的目标产品;将目标产品推荐给新用户。这种推荐新用户的方法,既能够不受新用户的行为数据稀疏的影响,又能够省去收集新用户信息的成本,利用汤姆森采样算法高效地在线学习,给新用户推荐其真正感兴趣的目标产品,同时也可以预测新用户对新产品的感兴趣程度,进而将新产品更准确地推荐给新用户。提升了新用户留存率,增强用户粘性,为用户提供更好的推荐服务,为公司带来更高的利益。
可选地,在一种可能的实现方式中,将目标产品推荐给新用户,包括:在第二预设时间内,以预设推荐频率将目标产品定向推荐给新用户。
示例性地,第二预设时间可以与第一预设时间相同,也可以不同,根据实际情况进行设置,对此不做限定。
具体地,在第二预设时间内,以预设推荐频率将产品集合中的目标产品定向推荐给该新用户。定向推荐只针对目标产品,对于产品集合中的非目标产品,并不会通过此推荐方式进行推荐。
例如,第二预设时间为一天,预设推荐频率为3小时一次,在一天内将目标产品以3小时每次的推荐频率推荐给该新用户。
当目标产品的数量为多个时,每个目标产品对应的第二预设时间和预设推荐频率均可以不同。根据每个目标产品对应的预设推荐频率,在每个目标产品对应的第二预设时间内,将每个目标产品推荐给新用户。此处仅为示例性说明,对此不做限定。
上述实施方式中,根据预设推荐频率将目标产品定向推荐给新用户,提升了用户的好感度,提升了用户购买目标产品的购买率,增强用户粘性,为用户提供更好的推荐服务,为公司带来更高的利益。
请参见图3,图3是本申请再一示例性实施例提供的基于新用户的推荐方法的示意性流程图。本实施例与图1对应的实施例的区别在于在S206之后,还包括S207~S209,本实施例中S201~S206与图1所对应的实施例中的S101~S106完全相同,具体请参阅上一实施例中S101~S106的相关描述,此处不赘述。S207~S209具体如下:
S207:统计推荐给新用户的目标产品对应的第一数量。
示例性地,第一数量表示推荐给新用户的目标产品的总数量。每将一个目标产品推荐给新用户后,第一数量增加1,以此方法统计第三预设时间内的第一数量。例如,统计一个月内推荐给新用户的目标产品对应的第一数量。
也可以是直接统计第三预设时间内确定的目标产品的数量,因为被确定为目标产品后一定会推荐给新用户,则第三预设时间内确定的目标产品的数量即为第一数量。
S208:统计新用户购买目标产品的第二数量。
示例性地,当新用户购买目标产品后会产生购买数据,获取新用户购买目标产品产生的购买数据,在这些购买数据中统计新用户购买不同的目标产品的数量,并记为第二数量。
S209:根据第一数量和第二数量,确定产品推荐成功率。
示例性地,可以用第二数量对应的数值除以第一数量对应的数值,得到的商乘以百分比,就可得到产品推荐成功率。
因为向用户推荐目标产品的最终目的还是希望用户可以购买该目标产品,计算产品推荐成功率,使公司可以直观地了解到当前向新用户推荐目标产品带来的结果,从而进一步确定是否需要调整推荐策略,进而提升公司的经济效益。
可选地,在本申请一些可能的实现方式中,产品集合中的每个产品可以为老产品,老产品是指已经有老用户购买过该产品,或者已经上线一段时间的产品。本方案提供的新用户的产品推荐方,也可用于推荐新产品。新产品指刚上线的产品,无论是老用户还是新用户,对该刚上线的产品还未有过任何的操作行为。
示例性地,也可以特地选择若干个新产品,由这些被选择的新产品组成新产品集合,构建新用户对每个新产品的初始意愿分布,采集新用户对每个新产品的行为数据,通过汤姆森采样算法和新用户对每个新产品的行为数据,更新该新用户对每个新产品的初始意愿分布,根据更新后的新用户对每个新产品的初始意愿分布,确定新产品中的目标新产品,将产品集合中的目标新产品定向推荐给该新用户。
这种推荐方法可以探索新用户对从未有过操作行为的新产品意愿,提升了新用户留存率,增强用户粘性,为用户提供更好的推荐服务,为公司带来更高的利益。
可选地,在本申请一些可能的实现方式中,本申请提供的基于新用户的推荐方法,可应用在医疗领域,例如利用基于新用户的推荐方法向新患者推荐合适的治疗产品,有利于医院收集、完善患者的信息,从而对患者更深层次地治疗,侧面提升了患者的好感度,有利于促进医患关系。
请参见图4,图4是本申请一实施例提供的一种新用户的产品推荐装置的示意图。该装置包括的各单元用于执行图1~图3对应的实施例中的各步骤。具体请参阅图1~图3各自对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。参见图4,包括:
构建单元310,用于构建新用户对产品集合中每个产品的初始意愿分布;
第一推荐单元320,用于将每个产品推荐给所述新用户;
采集单元330,用于采集所述新用户对每个产品的行为数据,所述行为数据包括点击数据;
更新单元340,用于通过预设的汤姆森采样算法和所述行为数据,实时更新所述初始意愿分布;
确定单元350,用于根据更新后的初始意愿分布,确定所述产品集合中的目标产品;
第二推荐单元360,用于将所述目标产品推荐给所述新用户。
可选地,所述构建单元310具体用于:
构建所述新用户对每个产品的分布函数;
根据所述分布函数,构建所述新用户对每个产品的初始意愿分布。
可选地,所述第一推荐单元320具体用于:
在第一预设时间内,将每个产品以相同的推荐次数推荐给所述新用户。
可选地,所述更新后的初始意愿分布包括公式Choice=arg max(rBeta(1+α,1+sum-α)),所述更新单元340具体用于:
利用所述公式Choice=arg max(rBeta(1+α,1+sum-α)),在所述产品集合包含的所有产品中确定所述目标产品;
其中,Choice表示目标产品,argmax表示最大值,rBeta表示分布函数,α表示推荐任一产品后所述新用户点击的次数,sum表示推荐的总次数。
可选地,第二推荐单元360具体用于:
在第二预设时间内,以预设推荐频率将所述目标产品定向推荐给所述新用户。
可选地,所述装置还包括:
第一统计单元,用于统计推荐给所述新用户的目标产品对应的第一数量;
第二统计单元,用于统计所述新用户购买目标产品的第二数量;
成功率确定单元,用于根据所述第一数量和所述第二数量,确定产品推荐成功率。
可选地,所述装置还包括:
获取单元,用于获取线上发布的多个保险产品和/或多个金融产品;
生成单元,用于根据每个所述保险产品和/或每个所述金融产品,生成所述产品集合。
请参见图5,图5是本申请另一实施例提供的一种新用户的产品推荐设备的示意图。如图5所示,该实施例的设备4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个基于新用户的推荐方法实施例中的步骤,例如图1所示的S101至S106。或者,所述处理器40执行所述计算机程序42时实现上述各实施例中各单元的功能,例如图4所示单元310至360功能。
示例性地,所述计算机程序42可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器41中,并由所述处理器40执行,以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机指令段,该指令段用于描述所述计算机程序42在所述设备4中的执行过程。例如,所述计算机程序42可以被分割为构建单元、第一推荐单元、采集单元、更新单元、确定单元以及第二推荐单元,各单元具体功能如上所述。
所述设备可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图5仅仅是设备4的示例,并不构成对设备的限定,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,例如所述设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(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、分立硬件组件等。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。
所述存储器41可以是所述设备的内部存储单元,例如设备的硬盘或存储器。所述存储器41也可以是所述设备的外部存储终端,例如所述设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述设备的内部存储单元也包括外部存储终端。所述存储器41用于存储所述计算机指令以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机存储介质,计算机存储介质可以是非易失性,也可以是易失性,该计算机存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述各个基于新用户的推荐方法实施例中的步骤。
本申请还提供了一种计算机程序产品,当计算机程序产品在设备上运行时,使得该设备执行上述各个基于新用户的推荐方法实施例中的步骤。
本申请实施例还提供了一种芯片或者集成电路,该芯片或者集成电路包括:处理器,用于从存储器中调用并运行计算机程序,使得安装有该芯片或者集成电路的设备执行上述各个基于新用户的推荐方法实施例中的步骤。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其他实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于新用户的推荐方法,其特征在于,包括:
构建新用户对产品集合中每个产品的初始意愿分布;
将每个产品推荐给所述新用户;
采集所述新用户对每个产品的行为数据,所述行为数据包括点击数据;
通过预设的汤姆森采样算法和所述行为数据,实时更新所述初始意愿分布;
根据更新后的初始意愿分布,确定所述产品集合中的目标产品;
将所述目标产品推荐给所述新用户。
2.如权利要求1所述的推荐方法,其特征在于,所述构建新用户对产品集合中每个产品的初始意愿分布,包括:
构建所述新用户对每个产品的分布函数;
根据所述分布函数,构建所述新用户对每个产品的初始意愿分布。
3.如权利要求1所述的推荐方法,其特征在于,所述将每个产品推荐给所述新用户,包括:
在第一预设时间内,将每个产品以相同的推荐次数推荐给所述新用户。
4.如权利要求2所述的推荐方法,其特征在于,所述更新后的初始意愿分布包括公式Choice=arg max(rBeta(1+α,1+sum-α)),所述根据更新后的初始意愿分布,确定所述产品集合中的目标产品,包括:
利用所述公式Choice=arg max(rBeta(1+α,1+sum-α)),在所述产品集合包含的所有产品中确定所述目标产品;
其中,Choice表示目标产品,arg max表示最大值,rBeta表示分布函数,α表示推荐任一产品后所述新用户点击的次数,sum表示推荐的总次数。
5.如权利要求1所述的推荐方法,其特征在于,所述将所述目标产品推荐给所述新用户,包括:
在第二预设时间内,以预设推荐频率将所述目标产品定向推荐给所述新用户。
6.如权利要求1至5任一项所述的推荐方法,其特征在于,当所述目标产品的数量为多个时,所述将所述目标产品推荐给所述新用户之后,所述推荐方法还包括:
统计推荐给所述新用户的目标产品对应的第一数量;
统计所述新用户购买目标产品的第二数量;
根据所述第一数量和所述第二数量,确定产品推荐成功率。
7.如权利要求1至5任一项所述的推荐方法,其特征在于,所述构建新用户对产品集合中每个产品的初始意愿分布之前,所述推荐方法还包括:
获取线上发布的多个保险产品和/或多个金融产品;
根据每个所述保险产品和/或每个所述金融产品,生成所述产品集合。
8.一种新用户的产品推荐装置,其特征在于,包括:
构建单元,用于构建新用户对产品集合中每个产品的初始意愿分布;
第一推荐单元,用于将每个产品推荐给所述新用户;
采集单元,用于采集所述新用户对每个产品的行为数据,所述行为数据包括点击数据;
更新单元,用于通过预设的汤姆森采样算法和所述行为数据,实时更新所述初始意愿分布;
确定单元,用于根据更新后的初始意愿分布,确定所述产品集合中的目标产品;
第二推荐单元,用于将所述目标产品推荐给所述新用户。
9.一种新用户的产品推荐设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111573682.1A CN114266625A (zh) | 2021-12-21 | 2021-12-21 | 基于新用户的推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111573682.1A CN114266625A (zh) | 2021-12-21 | 2021-12-21 | 基于新用户的推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114266625A true CN114266625A (zh) | 2022-04-01 |
Family
ID=80828323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111573682.1A Pending CN114266625A (zh) | 2021-12-21 | 2021-12-21 | 基于新用户的推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266625A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167829A (zh) * | 2023-04-26 | 2023-05-26 | 湖南惟客科技集团有限公司 | 一种多维多粒度用户行为分析方法 |
-
2021
- 2021-12-21 CN CN202111573682.1A patent/CN114266625A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167829A (zh) * | 2023-04-26 | 2023-05-26 | 湖南惟客科技集团有限公司 | 一种多维多粒度用户行为分析方法 |
CN116167829B (zh) * | 2023-04-26 | 2023-08-29 | 湖南惟客科技集团有限公司 | 一种多维多粒度用户行为分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10497013B2 (en) | Purchasing behavior analysis apparatus and non-transitory computer readable medium | |
US8631122B2 (en) | Determining demographics based on user interaction | |
US9177326B2 (en) | Method and system for determining overall content values for content elements in a web network and for optimizing internet traffic flow through the web network | |
US20170034593A1 (en) | Cross-screen measurement accuracy in advertising performance | |
US20180108029A1 (en) | Detecting differing categorical features when comparing segments | |
US20210398164A1 (en) | System and method for analyzing and predicting emotion reaction | |
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 | |
CN112000894A (zh) | 一种健康管理信息推送方法、装置、设备及存储介质 | |
US20110191282A1 (en) | Evaluating Statistical Significance Of Test Statistics Using Placebo Actions | |
WO2009002525A1 (en) | System and method for providing targeted content | |
US9911130B1 (en) | Attribution modeling using regression analysis | |
KR102477687B1 (ko) | 광고 관리 장치 및 이의 동작 방법 | |
US20200234829A1 (en) | Systems and methods for facilitating response prediction for a condition | |
CN113919437A (zh) | 生成客户画像的方法、装置、设备及存储介质 | |
KR20220079249A (ko) | 소비자 수요를 예측하고 이를 반영한 정기배송 방법 및 시스템 | |
US10296927B2 (en) | System and method for projecting product movement | |
US10521829B2 (en) | Dynamic ordering of online advertisement software steps | |
Aziz et al. | The consequences of rating inflation on platforms: Evidence from a quasi-experiment | |
CN114266625A (zh) | 基于新用户的推荐方法、装置、设备及存储介质 | |
US11301879B2 (en) | Systems and methods for quantifying customer engagement | |
CN113392200A (zh) | 基于用户学习行为的推荐方法及装置 | |
Ruotsalainen et al. | How a service user knows the level of privacy and to whom trust in pHealth systems? | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN113902576A (zh) | 基于深度学习的信息推送方法、装置、电子设备及介质 | |
CN113724044A (zh) | 基于用户画像的商品推荐、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 |