CN114399352B - 一种信息推荐方法、装置、电子设备及存储介质 - Google Patents
一种信息推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114399352B CN114399352B CN202111583733.9A CN202111583733A CN114399352B CN 114399352 B CN114399352 B CN 114399352B CN 202111583733 A CN202111583733 A CN 202111583733A CN 114399352 B CN114399352 B CN 114399352B
- Authority
- CN
- China
- Prior art keywords
- broadband
- user
- information
- classifier
- prediction model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种信息推荐方法、装置、电子设备及存储介质,该方法包括:获取多个用户的用户数据和多个待推荐宽带产品的宽带信息;对每个用户的用户数据进行处理,得到第一类型数据、第二类型数据和第三类型数据;将第一类型数据、第二类型数据、第三类型数据依次输入到第一预测模型、第二预测模型、第三预测模型;基于各个异网宽带用户对应的宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息,以及各个待推荐宽带产品的宽带价格信息、宽带速率信息和宽带权益信息,计算各个异网宽带用户与各个待推荐宽带产品的匹配度;向异网宽带用户的用户标识对应的用户终端发送目标宽带产品的相关信息。从而为异网宽带用户推荐的宽带产品的准确率较高。
Description
技术领域
本申请涉及信息推荐技术领域,特别是涉及一种信息推荐方法、装置、电子设备及存储介质。
背景技术
进入全业务运营以来,宽带成为各大运营商争夺市场份额的焦点。因此,如何实现精准预测异网宽带用户及其偏好产品,并进行宽带业务转网精准营销,从而提升市场占有率,成为运营商的重点研究方向。
相关技术中,宽带产品推荐主要参考电商商品的推荐算法,而忽略了宽带产品的内部属性特征,往往存在推荐不准确的问题。
发明内容
为解决上述技术问题,本申请示出了一种信息推荐方法、装置、电子设备及存储介质。
第一方面,本申请实施例提供了一种信息推荐方法,所述方法包括:
获取多个用户的用户数据和多个待推荐宽带产品的宽带信息,所述多个用户为注册移动业务但未注册宽带业务的用户,所述宽带信息包括宽带价格信息、宽带速率信息和宽带权益信息;
对每个用户的用户数据进行处理,得到第一类型数据、第二类型数据和第三类型数据,所述第一类型数据为与宽带价格相关的数据,所述第二类型数据为与宽带速率相关的数据,所述第三类型数据为与宽带权益相关的数据;
将所述第一类型数据输入到第一预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带价格偏好信息;将所述第二类型数据输入到第二预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带速率偏好信息;将所述第三类型数据输入到第三预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带权益偏好信息;
基于各个异网宽带用户对应的宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息,以及各个待推荐宽带产品的宽带价格信息、宽带速率信息和宽带权益信息,计算各个异网宽带用户与各个待推荐宽带产品的匹配度;
对于每个异网宽带用户,向该异网宽带用户的用户标识对应的用户终端发送目标宽带产品的相关信息,所述目标宽带产品为匹配度大于预设匹配度的宽带产品。
可选的,所述用户数据包括:个人特征信息、业务特征信息、终端偏好信息、应用程序偏好信息和网页访问信息;
所述对每个用户的用户数据进行处理,得到第一类型数据、第二类型数据和第三类型数据,包括:
对于每个用户的用户数据进行预处理和特征降维,得到第一类型数据、第二类型数据和第三类型数据。
可选的,所述第一预测模型包括第一分类器和第二分类器,第一分类器和第二分类器组成分类器链,在训练所述第一分类器时,将样本用户的第一类数据型作为输入,异网宽带用户的用户标识作为标签,在训练所述第二分类器时,将所述样本用户的第一类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带价格偏好信息作为标签;
所述第二预测模型包括第三分类器和第四分类器,第三分类器和第四分类器组成分类器链,在训练所述第三分类器时,将样本用户的第二类数据型作为输入,异网宽带用户的用户标识作为标签,在训练所述第四分类器时,将所述样本用户的第二类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带速率偏好信息作为标签;
所述第三预测模型包括第五分类器和第六分类器,第五分类器和第六分类器组成分类器链,在训练所述第五分类器时,将样本用户的第三类数据型作为输入,异网宽带用户的用户标识作为标签,在训练所述第六分类器时,将所述样本用户的第二类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带权益偏好信息作为标签。
可选的,所述方法还包括:
获取所述第一预测模型对应的第一召回率和第一准确率,基于所述第一召回率和所述第一准确率确定所述第一预测模型对应的评估指标;
获取所述第二预测模型对应的第二召回率和第二准确率,基于第二召回率和第一准确率确定所述第二预测模型对应的评估指标;
获取所述第三预测模型对应的第三召回率和第三准确率,基于第三召回率和第三准确率确定所述第三预测模型对应的评估指标。
可选的,所述基于各个异网宽带用户对应的宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息,以及各个待推荐宽带产品的宽带价格信息、宽带速率信息和宽带权益信息,计算各个异网宽带用户与各个待推荐宽带产品的匹配度,包括:
确定目标异网宽带用户的目标用户标识,所述目标用户标识为基于所述第一预测模型所得到的异网宽带用户的用户标识,基于所述第二预测模型所得到的异网宽带用户的用户标识,以及,基于所述第三预测模型所得到的异网宽带用户的用户标识的交集;
对于每一目标用户标识,基于该目标用户标识对应的宽带价格偏好信息、宽带速率偏好信息以及宽带权益偏好信息,与各个待推荐宽带产品的宽带价格信息、宽带速率信息和宽带权益信息,通过预先确定的加权求和公式,计算该目标用户标识对应的目标异网宽带用户与各个待推荐宽带产品的匹配度。
可选的,所述方法还包括:
获取所述目标异网宽带用户针对所述目标宽带产品的宽带业务交易信息。
第二方面,本申请实施例提供了一种信息推荐装置,所述装置包括:
信息获取模块,用于获取多个用户的用户数据和多个待推荐宽带产品的宽带信息,所述多个用户为注册移动业务但未注册宽带业务的用户,所述宽带信息包括宽带价格信息、宽带速率信息和宽带权益信息;
数据处理模块,用于对每个用户的用户数据进行处理,得到第一类型数据、第二类型数据和第三类型数据,所述第一类型数据为与宽带价格相关的数据,所述第二类型数据为与宽带速率相关的数据,所述第三类型数据为与宽带权益相关的数据;
信息预测模块,用于将所述第一类型数据输入到第一预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带价格偏好信息;将所述第二类型数据输入到第二预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带速率偏好信息;将所述第三类型数据输入到第三预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带权益偏好信息;
匹配度确定模块,用于基于各个异网宽带用户对应的宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息,以及各个待推荐宽带产品的宽带价格信息、宽带速率信息和宽带权益信息,计算各个异网宽带用户与各个待推荐宽带产品的匹配度;
信息发送模块,用于对于每个异网宽带用户,向该异网宽带用户的用户标识对应的用户终端发送目标宽带产品的相关信息,所述目标宽带产品为匹配度大于预设匹配度的宽带产品。
可选的,所述用户数据包括:个人特征信息、业务特征信息、终端偏好信息、应用程序偏好信息和网页访问信息;
所述数据处理模块,具体用于:
对于每个用户的用户数据进行预处理和特征降维,得到第一类型数据、第二类型数据和第三类型数据。
可选的,所述第一预测模型包括第一分类器和第二分类器,第一分类器和第二分类器组成分类器链,在训练所述第一分类器时,将样本用户的第一类数据型作为输入,异网宽带用户的用户标识作为标签,在训练所述第二分类器时,将所述样本用户的第一类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带价格偏好信息作为标签;
所述第二预测模型包括第三分类器和第四分类器,第三分类器和第四分类器组成分类器链,在训练所述第三分类器时,将样本用户的第二类数据型作为输入,异网宽带用户的用户标识作为标签,在训练所述第四分类器时,将所述样本用户的第二类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带速率偏好信息作为标签;
所述第三预测模型包括第五分类器和第六分类器,第五分类器和第六分类器组成分类器链,在训练所述第五分类器时,将样本用户的第三类数据型作为输入,异网宽带用户的用户标识作为标签,在训练所述第六分类器时,将所述样本用户的第二类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带权益偏好信息作为标签。
可选的,所述装置还包括:预测模型评估模块;
所述预测模型评估模块,具体用于:
获取所述第一预测模型对应的第一召回率和第一准确率,基于所述第一召回率和所述第一准确率确定所述第一预测模型对应的评估指标;
获取所述第二预测模型对应的第二召回率和第二准确率,基于第二召回率和第一准确率确定所述第二预测模型对应的评估指标;
获取所述第三预测模型对应的第三召回率和第三准确率,基于第三召回率和第三准确率确定所述第三预测模型对应的评估指标。
可选的,所述匹配度确定模块,具体用于:
确定目标异网宽带用户的目标用户标识,所述目标用户标识为基于所述第一预测模型所得到的异网宽带用户的用户标识,基于所述第二预测模型所得到的异网宽带用户的用户标识,以及,基于所述第三预测模型所得到的异网宽带用户的用户标识的交集;
对于每一目标用户标识,基于该目标用户标识对应的宽带价格偏好信息、宽带速率偏好信息以及宽带权益偏好信息,与各个待推荐宽带产品的宽带价格信息、宽带速率信息和宽带权益信息,通过预先确定的加权求和公式,计算该目标用户标识对应的目标异网宽带用户与各个待推荐宽带产品的匹配度。
可选的,所述装置还包括:
交易信息获取模块,用于获取所述目标异网宽带用户针对所述目标宽带产品的宽带业务交易信息。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现第一方面所述的信息推荐方法的步骤。
第四方面,本申请实施例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上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的信息推荐方法的步骤。
本申请实施例提供的技术方案,建立了第一预测模型、第二预测模型和第三预测模型,在识别出异网宽带用户的同时,还可以预测其对应的宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息;然后综合宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息获取推荐给异网宽带用户的目标宽带产品,从而为异网宽带用户推荐的宽带产品的准确率较高。
附图说明
图1是本申请实施例提供的一种信息推荐方法的步骤流程图;
图2是本申请实施例提供的一种数据处理的示意图;
图3是本申请实施例提供的一种模型训练的示意图;
图4是图1中S140的一种实施方式的步骤流程图;
图5是确定目标异网宽带用户的一种实施方式的步骤流程图;
图6是是本申请实施例提供的一种信息推荐装置的示意图;
图7是是本申请实施例提供的一种信息推荐装置的示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
为了解决相关技术中存在的技术问题,本申请实施例提供了一种信息推荐方法、装置、电子设备及存储介质。
第一方面,首先对本申请实施例提供的一种信息推荐方法进行详细阐述。
如图1所示,本申请实施例提供的一种信息推荐方法,具体可以包括如下步骤:
S110,获取多个用户的用户数据和多个待推荐宽带产品的宽带信息。
多个用户为注册移动业务但未注册宽带业务的用户,宽带信息包括宽带价格信息、宽带速率信息和宽带权益信息。
具体的,可以通过用户业务注册信息,来获取注册移动业务但未注册宽带业务的用户,并获取这多个用户的用户数据。其中,用户数据可以包括:个人特征信息、业务特征信息、终端偏好信息、应用程序偏好信息和网页访问信息。并且,个人特征信息、业务特征信息、终端偏好信息、应用程序偏好信息和网页访问信息的具体数据可以如表1所示。
表1
并且,可以将多个待推荐宽带产品即在售宽带产品的宽带信拆分成宽带价格信息、宽带速率信息和宽带权益信息。
S120,对每个用户的用户数据进行处理,得到第一类型数据、第二类型数据和第三类型数据。
其中,第一类型数据为与宽带价格相关的数据,第二类型数据为与宽带速率相关的数据,第三类型数据为与宽带权益相关的数据。
在获得多个用户的用户数据之后,针对每个用户的用户数据,可以完成预处理如数据清洗及特征降维。预处理可以包括数据格式转换、异常值删除、缺失值填充及编码转换、归一化或离散化处理等;对预处理后的数据集进行特征优化。并且,为了后续步骤中,能够对用户的宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息进行预测,分别选取重要性前topN的关键数据,即第一类型数据、第二类型数据和第三类型数据。
以图2为例进行说明,可以从移动DPI数据、CRM受理数据、计费系统数据、异网URL数据和终端平台数据等多个数据库获取数据,得到个人体征指标、业务特征指标、终端偏好指标、APP偏好指标和网页访问指标等,并提取三大类型数据,以在后续步骤中,分别输入到三个预测模型中。
S130,将第一类型数据输入到第一预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带价格偏好信息;将第二类型数据输入到第二预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带速率偏好信息;将第三类型数据输入到第三预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带权益偏好信息。
具体的,本步骤考虑到宽带产品具有价格、速率和权益3大重要属性,为了后续步骤中可以为异网宽带用户准确地推荐宽带产品,可以针对这3大重要属性,分别建立分类器链模型(CC),以预测异网宽带用户及其对应的宽带产品的宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息。
通常情况下,异网宽带用户识别及产品偏好预测是使用两个模型分别预测,未考虑用户与偏好属性之间的相关性;本申请实施例使用分类器链模型(多标签分类模型),即三个预测模型均包括两个分类器,第一个分类器只在输入数据上进行训练,用于对用户进行分类;第二分类器在输入空间和链上的第一分类器上进行训练,用于对用户偏好属性分类。从而增加了用户与偏好属性之间的相关性,使得模型预测更加准确。具体如图3所示。
具体的,本申请实施例包括三个预测模型,分别为第一预测模型、第二预测模型和第三预测模型。
第一预测模型包括第一分类器和第二分类器,第一分类器和第二分类器组成分类器链,在训练第一分类器时,将样本用户的第一类数据型作为输入,异网宽带用户的用户标识作为标签,在训练第二分类器时,将样本用户的第一类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带价格偏好信息作为标签;
第二预测模型包括第三分类器和第四分类器,第三分类器和第四分类器组成分类器链,在训练第三分类器时,将样本用户的第二类数据型作为输入,异网宽带用户的用户标识作为标签,在训练第四分类器时,将样本用户的第二类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带速率偏好信息作为标签;
第三预测模型包括第五分类器和第六分类器,第五分类器和第六分类器组成分类器链,在训练第五分类器时,将样本用户的第三类数据型作为输入,异网宽带用户的用户标识作为标签,在训练第六分类器时,将样本用户的第二类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带权益偏好信息作为标签。
在对第一预测模型、第二预测模型和第二预测模进行训练时,需要对第一预测模型、第二预测模型和第三预测模型进行模型评估。
在一种实施方式中,该信息推荐方法还可以包括如下步骤:
步骤a,获取第一预测模型对应的第一召回率和第一准确率,基于第一召回率和第一准确率确定第一预测模型对应的评估指标。
步骤b,获取第二预测模型对应的第二召回率和第二准确率,基于第二召回率和第一准确率确定第二预测模型对应的评估指标。
步骤c,获取第三预测模型对应的第三召回率和第三准确率,基于第三召回率和第三准确率确定第三预测模型对应的评估指标。
具体的,可以分别获取第一预测模型、第二预测模型和第三预测模型对应的召回率和准确率。
其中,召回率=预测宽带业务办理人数/实际办理宽带业务人数;
准确率=预测实际宽带业务办理人数/预测宽带业务办理人数;
最后以F1值=2*召回率*准确率/(召回率+准确率),作为预测模型的评价指标。在评估指标满足预设条件时,得到训练后的第一预测模型、第二预测模型和第三预测模型。
S140,基于各个异网宽带用户对应的宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息,以及各个待推荐宽带产品的宽带价格信息、宽带速率信息和宽带权益信息,计算各个异网宽带用户与各个待推荐宽带产品的匹配度。
具体的,对于每个异网宽带用户,可以根据该异网宽带用户对应的宽带价格偏好信息与各个待推荐宽带产品的宽带价格信息;该异网宽带用户对应的宽带速率偏好信息与各个待推荐宽带产品的宽带速率信息,以及,该异网宽带用户对应的宽带权益信息与各个待推荐宽带产品的宽带权益信息,这三个方面来准确地计算每个异网宽带用户与各个待推荐宽带产品的匹配度。
为了方案描述清楚,将在下面实施例中,对步骤S140的具体实现方式进行详细阐述。
S150,对于每个异网宽带用户,向该异网宽带用户的用户标识对应的用户终端发送目标宽带产品的相关信息,目标宽带产品为匹配度大于预设匹配度的目标宽带产品。
具体的,对于每个异网宽带用户,在确定了与该异网宽带用户匹配度较高的宽带产品后,可以向该异网宽带用户的用户终端发送到目标宽带产品的相关信息。其中,相关信息可以是目标宽带的产品内容、促销信息、联系人信息等。
本申请实施例提供的技术方案,建立了第一预测模型、第二预测模型和第三预测模型,在识别出异网宽带用户的同时,还可以预测其对应的宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息;然后综合宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息获取推荐给异网宽带用户的目标宽带产品,从而为异网宽带用户推荐的宽带产品的准确率较高。
为了方案描述清楚,将在下面实施例中,对步骤S140的具体实现方式进行详细阐述。
如图4所示,S140,基于各个异网宽带用户对应的宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息,以及各个待推荐宽带产品的宽带价格信息、宽带速率信息和宽带权益信息,计算各个异网宽带用户与各个待推荐宽带产品的匹配度,可以包括如下步骤:
S141,确定目标异网宽带用户的目标用户标识,目标用户标识为基于第一预测模型所得到的异网宽带用户的用户标识,基于第二预测模型所得到的异网宽带用户的用户标识,以及,基于第三预测模型所得到的异网宽带用户的用户标识的交集。
具体的,将第一预测模型输出的异网宽带用户标识、第二预测模型输出的异网宽带用户标识以及第三预测模型输出的异网宽带用户标识进行合并,以输出带有宽带价格偏好标签、宽带速率偏好标签、宽带权益偏好标签的最终异网宽带用户。具体如图5所示。
S142,对于每一目标用户标识,基于该目标用户标识对应的宽带价格偏好信息、宽带速率偏好信息以及宽带权益偏好信息,与各个待推荐宽带产品的宽带价格信息、宽带速率信息和宽带权益信息,通过预先确定的加权求和公式,计算该目标用户标识对应的目标异网宽带用户与各个待推荐宽带产品的匹配度。
具体的,在得到目标用户标识后,可以从第一预测模型获取到目标用户标识对应的宽带价格偏好信息;可以从第二预测模型获取到目标用户标识对应的宽带速率偏好信息;可以从第三预测模型获取到目标用户标识对应的宽带权益偏好信息。并可以将目标用户标识对应的宽带价格偏好信息、宽带速率偏好信息以及宽带权益偏好信息,与待推荐宽带产品的宽带价格信息、宽带速率信息和宽带权益信息带入如下公式,来计算匹配度。
其中,公式中的在售产品价格为待推荐宽带产品的宽带价格,预测价格区间中值为目标用户标识对应的宽带价格偏好信息;在售产品速率为待推荐宽带产品的宽带速率,预测价格区间中值为目标用户标识对应的宽带速率偏好信息;α1、α2、α3分别为宽带产品价格权重系数、宽带产品速率权重系数、宽带产品权益权重系数,可以理解的是,α1+α2+α3=1(具体权重结合实际业务情况确定,例如,可分别取0.3、0.3、0.4)。
ρ为宽带产品权益得分,在预测宽带权益偏好信息=待推荐宽带产品权益时,ρ=1;在预测宽带权益偏好信息≠待推荐宽带产品权益时,ρ=0。
可见,通过本实施方式提供的技术方案,可以准确地得到与异网宽带用户相匹配的宽带产品,进而有利于准确地为异网宽带用户推荐宽带产品。
在上述实施例的基础上,该信息推荐方法还可以包括:
获取所述目标异网宽带用户针对所述目标宽带产品的宽带业务交易信息。
具体的,通过宽带业务交易系统,获取成功策反异网宽带用户的业务交易信息,包括融合套餐档位、价格等。并作为历史数据调节模型参数及营销策略,最大限度提升营销效果。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作并不一定是本申请所必须的。
第二方面,本申请实施例提供了一种信息推荐装置,如图6所示,所述装置包括:
信息获取模块610,用于获取多个用户的用户数据和多个待推荐宽带产品的宽带信息,所述多个用户为注册移动业务但未注册宽带业务的用户,所述宽带信息包括宽带价格信息、宽带速率信息和宽带权益信息;
数据处理模块620,用于对每个用户的用户数据进行处理,得到第一类型数据、第二类型数据和第三类型数据,所述第一类型数据为与宽带价格相关的数据,所述第二类型数据为与宽带速率相关的数据,所述第三类型数据为与宽带权益相关的数据;
信息预测模块630,用于将所述第一类型数据输入到第一预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带价格偏好信息;将所述第二类型数据输入到第二预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带速率偏好信息;将所述第三类型数据输入到第三预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带权益偏好信息;
匹配度确定模块640,用于基于各个异网宽带用户对应的宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息,以及各个待推荐宽带产品的宽带价格信息、宽带速率信息和宽带权益信息,计算各个异网宽带用户与各个待推荐宽带产品的匹配度;
信息发送模块650,用于对于每个异网宽带用户,向该异网宽带用户的用户标识对应的用户终端发送目标宽带产品的相关信息,所述目标宽带产品为匹配度大于预设匹配度的宽带产品。
本申请实施例提供的技术方案,建立了第一预测模型、第二预测模型和第三预测模型,在识别出异网宽带用户的同时,还可以预测其对应的宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息;然后综合宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息获取推荐给异网宽带用户的目标宽带产品,从而为异网宽带用户推荐的宽带产品的准确率较高。
可选的,所述用户数据包括:个人特征信息、业务特征信息、终端偏好信息、应用程序偏好信息和网页访问信息;
所述数据处理模块,具体用于:
对于每个用户的用户数据进行预处理和特征降维,得到第一类型数据、第二类型数据和第三类型数据。
可选的,所述第一预测模型包括第一分类器和第二分类器,第一分类器和第二分类器组成分类器链,在训练所述第一分类器时,将样本用户的第一类数据型作为输入,异网宽带用户的用户标识作为标签,在训练所述第二分类器时,将所述样本用户的第一类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带价格偏好信息作为标签;
所述第二预测模型包括第三分类器和第四分类器,第三分类器和第四分类器组成分类器链,在训练所述第三分类器时,将样本用户的第二类数据型作为输入,异网宽带用户的用户标识作为标签,在训练所述第四分类器时,将所述样本用户的第二类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带速率偏好信息作为标签;
所述第三预测模型包括第五分类器和第六分类器,第五分类器和第六分类器组成分类器链,在训练所述第五分类器时,将样本用户的第三类数据型作为输入,异网宽带用户的用户标识作为标签,在训练所述第六分类器时,将所述样本用户的第二类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带权益偏好信息作为标签。
可选的,所述装置还包括:预测模型评估模块;
所述预测模型评估模块,具体用于:
获取所述第一预测模型对应的第一召回率和第一准确率,基于所述第一召回率和所述第一准确率确定所述第一预测模型对应的评估指标;
获取所述第二预测模型对应的第二召回率和第二准确率,基于第二召回率和第一准确率确定所述第二预测模型对应的评估指标;
获取所述第三预测模型对应的第三召回率和第三准确率,基于第三召回率和第三准确率确定所述第三预测模型对应的评估指标。
可选的,所述匹配度确定模块,具体用于:
确定目标异网宽带用户的目标用户标识,所述目标用户标识为基于所述第一预测模型所得到的异网宽带用户的用户标识,基于所述第二预测模型所得到的异网宽带用户的用户标识,以及,基于所述第三预测模型所得到的异网宽带用户的用户标识的交集;
对于每一目标用户标识,基于该目标用户标识对应的宽带价格偏好信息、宽带速率偏好信息以及宽带权益偏好信息,与各个待推荐宽带产品的宽带价格信息、宽带速率信息和宽带权益信息,通过预先确定的加权求和公式,计算该目标用户标识对应的目标异网宽带用户与各个待推荐宽带产品的匹配度。
可选的,所述装置还包括:
交易信息获取模块,用于获取所述目标异网宽带用户针对所述目标宽带产品的宽带业务交易信息。
对于装置实施例而言,由于其与方法实施例基本相似,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。
第三方面,本申请实施例提供了一种电子设备,如图7所示,包括存储器710、处理器及存储在存储器上并可在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程序时实现第一方面所述的信息推荐方法的步骤。
本申请实施例提供的技术方案,建立了第一预测模型、第二预测模型和第三预测模型,在识别出异网宽带用户的同时,还可以预测其对应的宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息;然后综合宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息获取推荐给异网宽带用户的目标宽带产品,从而为异网宽带用户推荐的宽带产品的准确率较高。
第四方面,本申请实施例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上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的信息推荐方法的步骤。
本申请实施例提供的技术方案,建立了第一预测模型、第二预测模型和第三预测模型,在识别出异网宽带用户的同时,还可以预测其对应的宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息;然后综合宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息获取推荐给异网宽带用户的目标宽带产品,从而为异网宽带用户推荐的宽带产品的准确率较高。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请的实施例可提供为方法、装置、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
最后,还需要说明的是,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种信息推荐方法、装置、电子设备及存储介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (12)
1.一种信息推荐方法,其特征在于,所述方法包括:
获取多个用户的用户数据和多个待推荐宽带产品的宽带信息,所述多个用户为注册移动业务但未注册宽带业务的用户,所述宽带信息包括宽带价格信息、宽带速率信息和宽带权益信息;
对每个用户的用户数据进行处理,得到第一类型数据、第二类型数据和第三类型数据,所述第一类型数据为与宽带价格相关的数据,所述第二类型数据为与宽带速率相关的数据,所述第三类型数据为与宽带权益相关的数据;
将所述第一类型数据输入到第一预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带价格偏好信息;将所述第二类型数据输入到第二预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带速率偏好信息;将所述第三类型数据输入到第三预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带权益偏好信息;
基于各个异网宽带用户对应的宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息,以及各个待推荐宽带产品的宽带价格信息、宽带速率信息和宽带权益信息,计算各个异网宽带用户与各个待推荐宽带产品的匹配度;
对于每个异网宽带用户,向该异网宽带用户的用户标识对应的用户终端发送目标宽带产品的相关信息,所述目标宽带产品为匹配度大于预设匹配度的宽带产品;
所述基于各个异网宽带用户对应的宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息,以及各个待推荐宽带产品的宽带价格信息、宽带速率信息和宽带权益信息,计算各个异网宽带用户与各个待推荐宽带产品的匹配度,包括:
确定目标异网宽带用户的目标用户标识,所述目标用户标识为基于所述第一预测模型所得到的异网宽带用户的用户标识,基于所述第二预测模型所得到的异网宽带用户的用户标识,以及,基于所述第三预测模型所得到的异网宽带用户的用户标识的交集;
对于每一目标用户标识,基于该目标用户标识对应的宽带价格偏好信息、宽带速率偏好信息以及宽带权益偏好信息,与各个待推荐宽带产品的宽带价格信息、宽带速率信息和宽带权益信息,通过预先确定的加权求和公式,计算该目标用户标识对应的目标异网宽带用户与各个待推荐宽带产品的匹配度。
2.根据权利要求1所述的方法,其特征在于,所述用户数据包括:个人特征信息、业务特征信息、终端偏好信息、应用程序偏好信息和网页访问信息;
所述对每个用户的用户数据进行处理,得到第一类型数据、第二类型数据和第三类型数据,包括:
对于每个用户的用户数据进行预处理和特征降维,得到第一类型数据、第二类型数据和第三类型数据。
3.根据权利要求1或2所述的方法,其特征在于,所述第一预测模型包括第一分类器和第二分类器,第一分类器和第二分类器组成分类器链,在训练所述第一分类器时,将样本用户的第一类数据型作为输入,异网宽带用户的用户标识作为标签,在训练所述第二分类器时,将所述样本用户的第一类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带价格偏好信息作为标签;
所述第二预测模型包括第三分类器和第四分类器,第三分类器和第四分类器组成分类器链,在训练所述第三分类器时,将样本用户的第二类数据型作为输入,异网宽带用户的用户标识作为标签,在训练所述第四分类器时,将所述样本用户的第二类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带速率偏好信息作为标签;
所述第三预测模型包括第五分类器和第六分类器,第五分类器和第六分类器组成分类器链,在训练所述第五分类器时,将样本用户的第三类数据型作为输入,异网宽带用户的用户标识作为标签,在训练所述第六分类器时,将所述样本用户的第二类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带权益偏好信息作为标签。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取所述第一预测模型对应的第一召回率和第一准确率,基于所述第一召回率和所述第一准确率确定所述第一预测模型对应的评估指标;
获取所述第二预测模型对应的第二召回率和第二准确率,基于第二召回率和第一准确率确定所述第二预测模型对应的评估指标;
获取所述第三预测模型对应的第三召回率和第三准确率,基于第三召回率和第三准确率确定所述第三预测模型对应的评估指标。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标异网宽带用户针对所述目标宽带产品的宽带业务交易信息。
6.一种信息推荐装置,其特征在于,所述装置包括:
信息获取模块,用于获取多个用户的用户数据和多个待推荐宽带产品的宽带信息,所述多个用户为注册移动业务但未注册宽带业务的用户,所述宽带信息包括宽带价格信息、宽带速率信息和宽带权益信息;
数据处理模块,用于对每个用户的用户数据进行处理,得到第一类型数据、第二类型数据和第三类型数据,所述第一类型数据为与宽带价格相关的数据,所述第二类型数据为与宽带速率相关的数据,所述第三类型数据为与宽带权益相关的数据;
信息预测模块,用于将所述第一类型数据输入到第一预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带价格偏好信息;将所述第二类型数据输入到第二预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带速率偏好信息;将所述第三类型数据输入到第三预测模型,得到异网宽带用户的用户标识以及各个异网宽带用户对应的宽带权益偏好信息;
匹配度确定模块,用于基于各个异网宽带用户对应的宽带价格偏好信息、宽带速率偏好信息和宽带权益偏好信息,以及各个待推荐宽带产品的宽带价格信息、宽带速率信息和宽带权益信息,计算各个异网宽带用户与各个待推荐宽带产品的匹配度;
信息发送模块,用于对于每个异网宽带用户,向该异网宽带用户的用户标识对应的用户终端发送目标宽带产品的相关信息,所述目标宽带产品为匹配度大于预设匹配度的宽带产品;
所述匹配度确定模块,具体用于:
确定目标异网宽带用户的目标用户标识,所述目标用户标识为基于所述第一预测模型所得到的异网宽带用户的用户标识,基于所述第二预测模型所得到的异网宽带用户的用户标识,以及,基于所述第三预测模型所得到的异网宽带用户的用户标识的交集;
对于每一目标用户标识,基于该目标用户标识对应的宽带价格偏好信息、宽带速率偏好信息以及宽带权益偏好信息,与各个待推荐宽带产品的宽带价格信息、宽带速率信息和宽带权益信息,通过预先确定的加权求和公式,计算该目标用户标识对应的目标异网宽带用户与各个待推荐宽带产品的匹配度。
7.根据权利要求6所述的装置,其特征在于,所述用户数据包括:个人特征信息、业务特征信息、终端偏好信息、应用程序偏好信息和网页访问信息;
所述数据处理模块,具体用于:
对于每个用户的用户数据进行预处理和特征降维,得到第一类型数据、第二类型数据和第三类型数据。
8.根据权利要求6或7所述的装置,其特征在于,所述第一预测模型包括第一分类器和第二分类器,第一分类器和第二分类器组成分类器链,在训练所述第一分类器时,将样本用户的第一类数据型作为输入,异网宽带用户的用户标识作为标签,在训练所述第二分类器时,将所述样本用户的第一类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带价格偏好信息作为标签;
所述第二预测模型包括第三分类器和第四分类器,第三分类器和第四分类器组成分类器链,在训练所述第三分类器时,将样本用户的第二类数据型作为输入,异网宽带用户的用户标识作为标签,在训练所述第四分类器时,将所述样本用户的第二类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带速率偏好信息作为标签;
所述第三预测模型包括第五分类器和第六分类器,第五分类器和第六分类器组成分类器链,在训练所述第五分类器时,将样本用户的第三类数据型作为输入,异网宽带用户的用户标识作为标签,在训练所述第六分类器时,将所述样本用户的第二类型数据和异网宽带用户的用户标识作为输入,样本用户的宽带权益偏好信息作为标签。
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:预测模型评估模块;
所述预测模型评估模块,具体用于:
获取所述第一预测模型对应的第一召回率和第一准确率,基于所述第一召回率和所述第一准确率确定所述第一预测模型对应的评估指标;
获取所述第二预测模型对应的第二召回率和第二准确率,基于第二召回率和第一准确率确定所述第二预测模型对应的评估指标;
获取所述第三预测模型对应的第三召回率和第三准确率,基于第三召回率和第三准确率确定所述第三预测模型对应的评估指标。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
交易信息获取模块,用于获取所述目标异网宽带用户针对所述目标宽带产品的宽带业务交易信息。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至5中任一项所述的信息推荐方法的步骤。
12.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的信息推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111583733.9A CN114399352B (zh) | 2021-12-22 | 2021-12-22 | 一种信息推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111583733.9A CN114399352B (zh) | 2021-12-22 | 2021-12-22 | 一种信息推荐方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114399352A CN114399352A (zh) | 2022-04-26 |
CN114399352B true CN114399352B (zh) | 2023-06-16 |
Family
ID=81227825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111583733.9A Active CN114399352B (zh) | 2021-12-22 | 2021-12-22 | 一种信息推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399352B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115905698B (zh) * | 2022-11-29 | 2023-12-26 | 贵州优特数联科技有限公司 | 基于人工智能的用户画像分析方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368488A (zh) * | 2016-05-12 | 2017-11-21 | 阿里巴巴集团控股有限公司 | 一种确定用户行为偏好的方法、推荐信息的展示方法和装置 |
CN108229590B (zh) * | 2018-02-13 | 2020-05-15 | 阿里巴巴集团控股有限公司 | 一种获取多标签用户画像的方法和装置 |
CN110163723A (zh) * | 2019-05-20 | 2019-08-23 | 深圳市和讯华谷信息技术有限公司 | 基于产品特征的推荐方法、装置、计算机设备及存储介质 |
CN111680221B (zh) * | 2020-08-11 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
CN112215664A (zh) * | 2020-10-29 | 2021-01-12 | 支付宝(杭州)信息技术有限公司 | 信息推荐方法及装置 |
CN113256367B (zh) * | 2021-04-25 | 2023-06-06 | 西安交通大学 | 用户行为历史数据的商品推荐方法、系统、设备及介质 |
CN113688326B (zh) * | 2021-10-26 | 2022-02-08 | 腾讯科技(深圳)有限公司 | 推荐方法、装置、设备及计算机可读存储介质 |
-
2021
- 2021-12-22 CN CN202111583733.9A patent/CN114399352B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114399352A (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107424043B (zh) | 一种产品推荐方法及装置,电子设备 | |
US9569499B2 (en) | Method and apparatus for recommending content on the internet by evaluating users having similar preference tendencies | |
TWI591556B (zh) | Search engine results sorting method and system | |
CN111898031B (zh) | 一种获得用户画像的方法及装置 | |
CN110163647B (zh) | 一种数据处理方法及装置 | |
US20160364490A1 (en) | Method, system and computer readable medium for creating a profile of a user based on user behavior | |
CN107862022B (zh) | 文化资源推荐系统 | |
CN108205766A (zh) | 信息推送方法、装置及系统 | |
CN108777701B (zh) | 一种确定信息受众的方法及装置 | |
JP6097126B2 (ja) | レコメンド情報生成装置及びレコメンド情報生成方法 | |
JP5615857B2 (ja) | 分析装置、分析方法及び分析プログラム | |
TW201513019A (zh) | 基於用戶行爲的特徵提取、個性化推薦方法和系統 | |
CN111768244A (zh) | 一种广告投放的推荐方法及装置 | |
JP7271529B2 (ja) | 自動化されたアトリビューションモデリングおよび測定 | |
WO2022081267A1 (en) | Product evaluation system and method of use | |
CN103177129A (zh) | 互联网实时信息推荐预测系统 | |
KR20190097879A (ko) | 마케팅 플랫폼 시스템과, 이를 이용한 소셜 네트워크 기반 광고 방법 및 컴퓨터 프로그램 | |
CN114399352B (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
CN115496523A (zh) | 一种广告发布方法、计算机可读存储介质和电子设备 | |
US20180012264A1 (en) | Custom features for third party systems | |
US20230316106A1 (en) | Method and apparatus for training content recommendation model, device, and storage medium | |
CN115222433A (zh) | 一种信息推荐方法、装置及存储介质 | |
CN110309406B (zh) | 点击率预估方法、装置、设备及存储介质 | |
KR102404247B1 (ko) | 고객 관리 시스템 | |
US11586937B1 (en) | Data transmission between two systems to improve outcome predictions |
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 |