CN114399353A - 业务推荐方法、装置、电子设备和计算机可读介质 - Google Patents

业务推荐方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN114399353A
CN114399353A CN202111584645.0A CN202111584645A CN114399353A CN 114399353 A CN114399353 A CN 114399353A CN 202111584645 A CN202111584645 A CN 202111584645A CN 114399353 A CN114399353 A CN 114399353A
Authority
CN
China
Prior art keywords
user
target
identified
information
service
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
Application number
CN202111584645.0A
Other languages
English (en)
Inventor
张健
力兴龙
刘健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Telecom Corp Ltd
Original Assignee
China Telecom Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN202111584645.0A priority Critical patent/CN114399353A/zh
Publication of CN114399353A publication Critical patent/CN114399353A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种业务推荐方法、装置、电子设备和计算机可读介质，涉及通信技术领域。该方法包括：获取待识别用户的用户画像信息；根据用户画像信息，确定待识别用户的用户画像特征；根据待识别用户的用户画像特征和预构建的堆叠分类模型，确定待识别用户中的目标用户；该堆叠分类模型包括第一分类器和第二分类器，第一分类器用于根据用户画像特征对待识别用户进行初分类，获得初始分类结果；第二分类器用于根据初始分类结果对待识别用户进行二次分类，确定待识别用户中的目标用户；向目标用户发送目标宽带业务的相关信息。该实施方式能充分挖掘用户需求，提高业务推广效率，有效降低推广成本，实现精准高效、低成本的推广，并提升了用户体验。

Description

业务推荐方法、装置、电子设备和计算机可读介质
技术领域
本发明涉及通信技术领域，尤其涉及一种业务推荐方法、装置、电子设备和计算机可读介质。
背景技术
随着通信网络的发展，人们对于通信网络的依赖性越来越强，人们对宽带业务的需求量不断增长，也因此各运营商宽带业务市场的竞争也日趋激烈。然而，目前运营商主要还是通过人工，例如电话营销、信息群发或地面推广等方式推广宽带业务，这种推广活动的针对性不强，准确度不高，不能准确识别出具有办理宽度业务的潜在客户，推广效率低下，而且为了提高推广活动的覆盖度，需要运营商投入大量的人力、物力和时间，导致推广成本较高。
发明内容
为解决上述技术问题或至少部分地解决上述技术问题，本发明实施例提供一种业务推荐方法、装置、电子设备和计算机可读介质。
第一方面，本发明实施例提供了一种业务推荐方法，包括：获取待识别用户的用户画像信息；根据所述用户画像信息，确定所述待识别用户的用户画像特征和上网行为特征；根据所述待识别用户的用户画像特征和预构建的堆叠分类模型，确定所述待识别用户中的目标用户；其中，所述堆叠分类模型包括第一分类器和第二分类器，所述第一分类器用于根据所述用户画像特征对所述待识别用户进行初分类，获得初始分类结果；所述第二分类器用于根据所述初始分类结果对所述待识别用户进行二次分类，确定所述待识别用户中的目标用户；向所述目标用户发送目标宽带业务的相关信息。
在可选的实施例中，所述用户画像信息包括以下一种或多种：身份信息、通信业务信息、通信账单信息、个人终端信息和历史上网行为信息；所述用户画像特征包括以下一种或多种：身份特征、通信业务特征、通信账单特征、个人终端特征和上网行为特征。
在可选的实施例中，获取待识别用户的用户画像信息包括：获取待识别用户的多个统计周期内的通信账单信息；根据所述用户画像信息，确定所述待识别用户的用户画像特征包括：计算所述多个统计周期内的通信账单信息的均值；将所述多个统计周期内的通信账单信息的均值，作为所述待识别用户的通信账单特征。
在可选的实施例中，所述方法还包括：确定与所述待识别用户相似度最高的正样本，其中，所述正样本为训练所述预构建的堆叠分类模型的样本，所述正样本的用户画像特征包括宽带速率平均值；
将所述正样本的宽带速率平均值作为所述待识别用户的目标宽带速率值，将所述目标宽带速率值作为所述待识别用户的用户画像特征；
向所述目标用户发送目标宽带业务的相关信息包括：根据所述目标用户的目标宽带速率值，确定与所述目标用户匹配的目标宽带业务，向所述目标用户发送所述目标宽带业务的相关信息。
在可选的实施例中，所述方法还包括：设置至少一个类别的目标宽带业务的约束条件；
向所述目标用户发送目标宽带业务的相关信息包括：根据所述至少一个类别的目标宽带业务的约束条件和所述待识别用户的用户画像特征，对所述目标用户进行分类，确定所述目标用户中与所述至少一个类别的目标宽带业务对应的用户群组；向所述用户群组发送与所述至少一个类别的目标宽带业务相关的信息。
在可选的实施例中，所述上网行为特征包括多个类别的多媒体应用的偏好特征；
根据所述至少一个类别的目标宽带业务的约束条件和所述待识别用户的用户画像特征，对所述目标用户进行分类包括：根据所述至少一个类别的目标宽带业务的约束条件和所述多个类别的多媒体应用的偏好特征，对所述目标用户进行分类；其中，所述目标宽带业务的类别包括以下一种或多种：教育类、视频类、游戏类和普通类；所述多个类别的多媒体应用的偏好特征包括：教育类多媒体应用偏好特征、视频类多媒体应用偏好特征、游戏类多媒体应用偏好特征。
在可选的实施例中，根据所述用户画像信息，确定所述待识别用户的用户画像特征包括：对所述用户画像信息进行数据清洗，所述清洗包括以下一种或多种操作：填充缺省值、去除重复值和标准化；根据清洗后的所述用户画像信息，确定所述待识别用户的用户画像特征。
在可选的实施例中，所述方法还包括：统计所述目标用户对所述目标宽带业务的响应结果；根据所述响应结果，更新所述用户画像特征和/或所述预构建的堆叠分类模型的参数。
第二方面，本发明实施例提供了一种业务推荐装置，包括：信息获取模块，用于获取待识别用户的用户画像信息；特征工程模块，用于根据所述用户画像信息，确定所述待识别用户的用户画像特征；目标识别模块，用于根据所述待识别用户的用户画像特征和预构建的堆叠分类模型，确定所述待识别用户中的目标用户；其中，所述堆叠分类模型包括第一分类器和第二分类器，所述第一分类器用于根据所述用户画像特征对所述待识别用户进行初分类，获得初始分类结果；所述第二分类器用于根据所述初始分类结果对所述待识别用户进行二次分类，确定所述待识别用户中的目标用户；信息推送模块，用于向所述目标用户发送目标宽带业务的相关信息。
在可选的实施例中，所述信息获取模块还用于：获取待识别用户的多个统计周期内的通信账单信息；所述特征工程模块还用于：计算所述多个统计周期内的通信账单信息的均值；将所述多个统计周期内的通信账单信息的均值，作为所述待识别用户的通信账单特征。
在可选的实施例中，所述特征工程模块还用于：确定与所述待识别用户相似度最高的正样本，其中，所述正样本为训练所述预构建的堆叠分类模型的样本，所述正样本的用户画像特征包括宽带速率平均值；将所述正样本的宽带速率平均值作为所述待识别用户的目标宽带速率值，将所述目标宽带速率值作为所述待识别用户的用户画像特征；
所述信息推送模块还用于：根据所述目标用户的目标宽带速率值，确定与所述目标用户匹配的目标宽带业务，向所述目标用户发送所述目标宽带业务的相关信息。
在可选的实施例中，所述装置还包括配置模块，用于设置至少一个类别的目标宽带业务的约束条件；所述信息推送模块还用于：根据所述至少一个类别的目标宽带业务的约束条件和所述待识别用户的用户画像特征，对所述目标用户进行分类，确定所述目标用户中与所述至少一个类别的目标宽带业务对应的用户群组；向所述用户群组发送与所述至少一个类别的目标宽带业务相关的信息。
在可选的实施例中，所述上网行为特征包括多个类别的多媒体应用的偏好特征；所述特征工程模块还用于：根据所述至少一个类别的目标宽带业务的约束条件和所述多个类别的多媒体应用的偏好特征，对所述目标用户进行分类；其中，所述目标宽带业务的类别包括以下一种或多种：教育类、视频类、游戏类和普通类；所述多个类别的多媒体应用的偏好特征包括：教育类多媒体应用偏好特征、视频类多媒体应用偏好特征、游戏类多媒体应用偏好特征。
在可选的实施例中，所述装置还包括调整模块，用于统计所述目标用户对所述目标宽带业务的响应结果；根据所述响应结果，更新所述用户画像特征和/或所述预构建的堆叠分类模型的参数。
第三方面，本发明实施例还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的业务推荐方法。
第四方面，本发明实施例还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的业务推荐方法。
上述发明中的一个实施例具有如下优点或有益效果：
通过具有两层分类器的堆叠分类模型分析待识别用户的用户画像特征，该堆叠分类模型能够对待识别用户进行两次分类，能够充分挖掘待识别用户的需求，确定待识别用户中的目标用户，进而针对目标用户发送目标宽带业务的相关信息，实现个性化推广，提升了用户体验，并且能够提高运营商的业务推广效率，有效降低推广成本，实现精准高效、低成本的业务推广。进一步的，在获取用户画像特征时，对于在不同统计周期内波动的用户画像信息，将其平均值作为该用户画像信息对应的用户画像特征，通过该平均值反映待识别用户的平均水平，能够更准确的描述待识别用户，从而提高用户识别的准确率；更进一步的，在确定目标用户之后，还可以根据预设的目标宽带业务的约束条件和用户画像特征，对目标用户进行细分，以进行个性化、精准推广，进一步地提高推广效率和转化率。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1示意性示出了本发明实施例的业务推荐方法的主要流程的示意图；
图2示意性示出了本发明实施例的业务推荐方法的堆叠分类模型的示意图；
图3示意性示出了本发明另一实施例的业务推荐方法的流程示意图；
图4示意性示出了本发明又一实施例的业务推荐方法的流程示意图；
图5是示意性示出了本发明实施例的业务推荐装置的主要模块的示意图；
图6是本发明实施例可以应用于其中的示例性系统架构图；
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不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，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
本发明实施例提供了一种业务推荐方法，该方法通过具有两层分类器的堆叠分类模型分析待识别用户的用户画像信息，该堆叠分类模型能够对待识别用户进行两次分类，能够充分挖掘待识别用户的需求，确定待识别用户中的目标用户，进而针对目标用户发送业务的相关信息，实现个性化推广，提升了用户体验，并且能够提高业务推广效率，有效降低推广成本，实现精准高效、低成本的业务推广。该方法中的用户画像信息可以包括但不限于待识别用户的属性信息和行为信息，可以是大数据背景下通过各种渠道获取到的用户信息，也可以是针对具体的应用场景筛选的特定的用户信息。该方法可以应用于多种业务推广场景(例如宽带业务推广、5G业务推广和新产品的推广)和不同内容的推荐场景中(例如书籍信息、电影信息、短视频信息、新闻信息、外卖信息、游乐场信息、旅游景点信息的推荐)。进一步的，在上述业务推广场景中，待识别用户的用户画像信息可以包括但不限于待识别用户的个人特征信息，还可以包括与待推广的业务相关联的业务的信息，还可以包括待识别用户使用各类多媒体应用程序时产生的用户数据。在上述推荐场景中，待识别用户的用户画像信息可以包括但不限于待识别用户的个人特征信息，还可以包括用户通过各种各类应用程序如购物类应用程序所进行的行为，例如购买、收藏、评论、分享、关注等行为。
为使本发明实施例的业务推荐方法更加清楚，下文以宽带业务推广场景为例进行说明。
图1示意性地示出了本发明一实施例的业务推荐方法的主要步骤的示意图，如图1所示，该方法包括：
步骤S101：获取待识别用户的用户画像信息；
步骤S102：根据所述用户画像信息，确定所述待识别用户的用户画像特征；
步骤S103：根据所述待识别用户的用户画像特征和预构建的堆叠分类模型，确定所述待识别用户中的目标用户；其中，所述堆叠分类模型包括第一分类器和第二分类器，所述第一分类器用于根据所述用户画像特征对所述待识别用户进行初分类，获得初始分类结果；所述第二分类器用于根据所述初始分类结果对所述待识别用户进行二次分类，确定所述待识别用户中的目标用户；
步骤S104：向所述目标用户发送目标宽带业务的相关信息。
在本实施例中，用户画像信息可以包括但不限于待识别用户的属性信息和行为信息，例如可以包括但不限于：年龄、性别、家庭情况(例如单身、二人世界、三口之家等)、手机号码、职业身份(例如学生、工人、企业人员、公务员等)、收入情况、支出情况(例如包括教育支出、生活支出、医疗支出等)、地域(即常住地)、教育背景、兴趣爱好、通信套餐(例如5G套餐)等。考虑到在宽带业务推广场景中，用户对流量的需求对用户是否办理宽带业务至关重要，而用户对流量的需求可以通过用户的历史上网行为(例如对多媒体应用的使用情况)衡量，比如用户经常通过视频类的多媒体应用观看视频，则可以说明该用户对流量的需求较大。因此在该应用场景中，用户画像信息还可以包括用户的历史上网行为，例如用户对多媒体应用的使用情况。更进一步的，在获取待识别用户的多媒体应用的使用情况时，可以获取某个类别或若干个类别的多媒体应用的使用情况，进而获取待识别用户对各类多媒体应用的偏好情况。例如可以获取视频类多媒体应用、教育类多媒体应用以及游戏类多媒体应用的使用情况。其中，多媒体应用的使用情况可以通过多媒体应用的使用时长、次数和偏好度来表示。多媒体应用的偏好度可以根据预设的规则来计算，例如根据使用时长、次数和账号等级来计算。
在不同的应用场景中，待识别的用户以及目标用户的定义不同，例如在推广宽带业务场景中，待识别用户可以是未办理宽带业务的用户，进一步的可以是在仅办理了手机业务的用户(即该用户的身份证号码下仅有一项手机业务)，该待识别用户也可以称为单C用户。目标用户可以是具有办理融合业务意向的用户，其中，融合业务可以是将多项服务捆绑在一起缴费的业务，例如将手机、宽带融合的业务(套餐)，或将将手机、宽带、固话、电视融合的业务(套餐)。
对于步骤S102，在不同的应用场景中，可以对上述用户画像信息进行不同的规整和分类，以从中筛选出对目标识别影响较大的信息，进而提取特征。例如在上述宽带业务推广场景中，可以将其大致分为个人信息、业务信息、通信出账信息、个人终端信息和历史上网行为信息。其中，个人信息可以包括但不限于：手机号码、号卡数量、家庭分群(例如单身、二人世界、三口之家)、性别、年龄、常住地(例如某省某市)、本地网ID。业务信息可以包括但不限于：套餐类型(例如是否是5G套餐)、套餐详情(例如套餐包含的产品以及套餐的资费)、是否是特定用户(例如运营商互动电视用户)、在网时长、活跃性(例如可以根据登录运营商客户端的次数或频率确定，例如近3个月是否登录过运营商的客户端)。通信出账信息可以包括但不限于：充值金额、账单金额、流量使用量、语音使用量和短信使用量。个人终端信息包括但不限于：终端类型(例如是否是5G终端)、品牌、型号、价格。历史上网行为信息可以包括但不限于：多媒体应用的使用次数、使用时长、账号等级(例如是否为会员、会员等级)以及偏好度。
在对用户画像信息进行规整和分类后，可以从中提取如下特征：身份特征、通信业务特征、通信账单特征、个人终端特征和上网行为特征。示例性的，身份特征可以包括：性别、年龄、常住地、省份。通信业务特征可以包括：套餐编码、套餐类型、在网时长、活跃性、号卡数量、是否为运营商互动电视用户。通信账单特征可以包括：流量、语音、短信、充值平均值、出账平均值。个人终端特征可以包括：终端价格和类型。上网行为特征可以包括多媒体应用偏好特征，例如APP偏好度TOP1、APP使用TOP1次数、视频类APP偏好度、教育类APP偏好度、游戏类APP偏好度、教育APP次数、视频APP次数、在线游戏APP次数、单机游戏APP次数。在获得上述特征数据之后，即可利用该特征数据和预构建的堆叠分类模型识别待识别用户中的目标用户。
在其他可选的实施例中，该方法还可以包括：确定与所述待识别用户相似度最高的正样本，其中，所述正样本为训练所述预构建的堆叠分类模型的样本，所述正样本的用户画像特征包括宽带速率平均值；将所述正样本的宽带速率平均值作为所述待识别用户的目标宽带速率值，将所述目标宽带速率值作为所述待识别用户的用户画像特征。
继续以上述宽带业务场景为例，正样本为办理了手机、宽带等融合业务的用户，与之相对的，负样本为只办理了手机业务未办理宽带等融合业务的用户。正样本的用户画像特征数据中包括该用户办理的宽带业务的速率平均值(如下表3所示)。在本发明实施例中，确定正样本与待识别用户的相似度的方式可以灵活设置，例如可以根据待识别用户与正样本相同用户画像特征的数量来确定两者之间的相似度，也可以根据特定的若干个用户画像特征来确定两者之间的相似度。当与待识别用户的相似度最高的正样本有多个时，可以将该多个正样本的宽带速率平均值的平均值作为该待识别用户的目标宽带速率值。示例性的，假设待识别用户与正样本A具有5项相同的用户画像特征，与正样本B具有7项相同的用户画像特征，则将正样本B的宽带速率平均值作为该待识别用户的目标宽带速率值。若在后续步骤中确定该待识别用户为目标用户，则将该待识别用户的目标宽带速率值作为该待识别用户的待推荐的宽带速率值，然后根据该目标宽带速率值确定与该目标用户匹配的目标宽带业务。
示例性的，最终输入堆叠分类模型的特征可以如下表1所示：
表1：
Figure BDA0003427003770000091
Figure BDA0003427003770000101
对于上述用户画像信息中的通信账单信息，由于待识别用户在不同统计周期内通信账单信息会有一定浮动。因此，在优选的实施例中，在获取待识别用户的通信账单特征时，可以将多个统计周期内的通信账单信息的均值作为通信账单特征，例如将3个统计周期内的通信账单信息的均值作为通信账单特征。示例性地，可以将表1中的通信账单特征如表2所示进行更新：
表2：
特征 口径 说明
流量 T-2月、T-1月、T月 近3个月平均使用流量
语音 T-2月、T-1月、T月 近3个月平均通话时长
短信 T-2月、T-1月、T月 近3个月平均使用短信
充值平均值 T-2月、T-1月、T月 近3个月平均充值金额
出账平均值 T-2月、T-1月、T月 近3个月平均出账金额
对于步骤S103，本发明实施例采用两层分类器堆叠(stacking)的方式构建堆叠分类模型。第一层的分类器为第一分类器，用于根据用户画像特征对待识别用户进行初始分类，获得初始分类结果。第二层的分类器为第二分类器，用于将第一分类器的输出结果合并为新的特征集，对待识别用户进行二次分类，确定待识别用户中的目标用户，以此来提高用户分类的准确率。其中，第一层可以有多个第一分类器，也可以只有一个第一分类器。
示例性的，如图2所示，第一层包括3个第一分类器，分别是随机森林、xgboost、神经网络，第二层的第二分类器为xgboost分类器。其中，随机森林指的是利用多棵树对样本进行训练并预测的一种分类器。Xgboost(eXtremegradient boosting，极端梯度提升树)是经过优化的分布式梯度提升模型。神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。更具体的，各个分类器的结构如下：
随机森林：深度为6，100个决策树，criterion＝‘gini’(选择基尼最小的随机特征作为根节点)，叶子节点最小为10。
Xgboost：深度为10，100个决策树，学习率为0.1，目标函数为softmax函数(也可以称为归一化指数函数)的分类器。
神经网络：构建了3层神经网络，分别为150、150、100个节点，其中激活函数为relu函数(Rectified Linear Unit，线性整流函数)和softmax函数，损失函数使用focal loss函数。
该堆叠分类模型可以通过训练预先采集的样本数据得到，该样本数据包括正样本和负样本。在上述宽带业务推广场景中，将办理了手机和宽带等融合业务的用户为正样本，只办理了手机业务未办理宽带业务的用户为负样本，采集正负样本的信息并进行数据清洗，得到样本数据。数据清洗是数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性、完整性，主要包括处理缺省值、去除重复值、标准化。标准化包括规范数据类型以及归一化，将数据按比例缩放，使之落入一个小的特定区间，通过标准化处理，可以使得不同的特征具有相同的尺度(scale)，可以保证在使用梯度下降法学习参数时不同特征对参数的影响程度保持一致。示例性的，正样本和负样本的样本数据包括的特征如下表3所示。
表3：
Figure BDA0003427003770000121
Figure BDA0003427003770000131
对于表3中记载的宽带速率平均值，由于负样本未办理宽带业务，因此对于负样本来说，该项的值可以设置为NULL(空)或预设的默认值(例如零)。
在训练模型的过程中，可以将该样本数据划分为训练集、测试集和验证集。训练集用于模型的初始化，测试集用于模型的验证和优化，验证集用于模型的最终验证。训练集、测试集、验证集的比例为7:2:1。训练集的正负样本比例为1:10(即1份正样本10份负样本)，测试集和验证集为避免初始模型的偶然性(偏斜、过度拟合)保持原始的自然比例。在利用训练集得到堆叠分类模型之后，可以利用测试集对模型参数进行优化调整，根据准确率、精确率、召回率、F1值等指标评判模型的分类效果。其中，准确率是指所有的判断中有多少判断是正确的，即将正样本判断为正样本，负样本判断为负样本，计算公式为A＝(TP+TN)/(TP+TN+FN+FP)。精确率表示预测为正的样本中有多少是正确的，计算公式为P＝TP/(TP+FP)。召回率是指样本中有多少正样本被预测正确了，计算公式为R＝TP/(TP+FN)。TP表示将样本数据中的正样本预测为正的数量，FN表示将样本数据中的正样本预测为负的数量，FP表示将样本数据中的负样本预测为负的数量，TN表示将样本数据中的负样本预测为负的数量。F1值是精确率和召回率的调和均值，计算公式为F1＝2*召回率*精确率/(召回率+精确率)＝2PR/(P+R)。
对于步骤S104，在确定目标用户之后，可以向该目标用户发送目标宽带业务的相关信息，以向该目标用户推广该目标宽带业务。
本发明实施例的业务推荐方法，通过具有两层分类器的堆叠分类模型分析待识别用户的用户画像信息，该堆叠分类模型能够对待识别用户进行两次分类，能够充分挖掘待识别用户的需求，确定待识别用户中的目标用户，进而针对目标用户发送目标宽带业务的相关信息，实现个性化推广，提升了用户体验，并且能够提高业务推广效率，有效降低推广成本，实现精准高效、低成本的业务推广。
在可选的实施例中，在提取待识别用户的用户画像特征的过程中，还可以对所述用户画像信息进行数据清洗，数据清洗是数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性、完整性。主要包括处理缺省值、去除重复值、标准化。标准化包括规范数据类型以及归一化，将数据按比例缩放，使之落入一个小的特定区间，通过标准化处理，可以使得不同的特征具有相同的尺度(scale)，可以保证在使用梯度下降法学习参数时不同特征对参数的影响程度保持一致。
图3示意性地示出了本发明一实施例的业务推荐方法的流程图，如图3所示，该方法包括：
步骤S301：获取待识别用户的用户画像信息；
步骤S302：根据所述用户画像信息，确定所述待识别用户的用户画像特征；
步骤S303：根据所述待识别用户的用户画像特征和预构建的堆叠分类模型，确定所述待识别用户中的目标用户；其中，所述堆叠分类模型包括第一分类器和第二分类器，所述第一分类器用于根据所述用户画像特征对所述待识别用户进行初分类，获得初始分类结果；所述第二分类器用于根据所述初始分类结果对所述待识别用户进行二次分类，确定所述待识别用户中的目标用户；
步骤S304：向所述目标用户发送目标宽带业务的相关信息；
步骤S305：统计所述目标用户对所述目标宽带业务的响应结果；
步骤S306：根据所述响应结果，更新所述用户画像特征和/或所述预构建的堆叠分类模型的参数。
其中，步骤S301-S304与图1所示的实施例相同，本发明在此不再赘述。对于步骤S305-S306，本实施例在向目标用户发送目标宽带业务的相关信息之后，可以追踪该目标用户对该目标宽带业务的响应结果：办理了该目标宽带业务或未办理该目标宽带业务。然后根据统计的响应结果，更新优化输入堆叠分类模型的特征和/或调整堆叠分类模型的参数。
本发明实施例的业务推荐方法，不仅能实现个性化推广，提升用户体验，提高业务推广效率，有效降低推广成本，以实现精准高效、低成本的业务推广，还能随着时间的推移进行实时更新，能够适应市场的变化。
图4示意性地示出了本发明另一实施例的业务推荐方法的流程图。如图4所示，所述方法包括：
步骤S401：设置至少一个类别的目标宽带业务的约束条件；
步骤S402：获取待识别用户的用户画像信息，该用户画像信息包括以下一种或多种：身份信息、通信业务信息、通信账单信息、个人终端信息和历史上网行为信息；
步骤S403：对所述用户画像信息进行数据清洗，所述清洗包括以下一种或多种操作：填充缺省值、去除重复值和标准化；
步骤S404：根据清洗后的用户画像信息，确定所述待识别用户的用户画像特征；用户画像特征包括以下一种或多种：身份特征、通信业务特征、通信账单特征、个人终端特征和上网行为特征，该上网行为特征包括多个类别的多媒体应用的偏好特征；示例性的，多媒体应用的类别可以是：教育类、视频类、游戏类；
步骤S405：根据所述待识别用户的用户画像特征和预构建的堆叠分类模型，确定所述待识别用户中的目标用户；
步骤S406：根据所述至少一个类别的目标宽带业务的约束条件和所述待识别用户的用户画像特征，对所述目标用户进行分类，确定所述目标用户中与所述至少一个类别的目标宽带业务对应的用户群组；
步骤S407：向所述用户群组发送与所述至少一个类别的目标宽带业务相关的信息；
步骤S408：统计所述目标用户对所述目标宽带业务的响应结果；
步骤S409：根据所述响应结果，更新所述用户画像特征和/或所述上网行为特征和/或所述预构建的堆叠分类模型的参数。
该实施例与上文的实施例的不同之处在于：本实施例在确定目标用户之后，根据预先设置的至少一个类别的目标宽带业务的约束条件和多个类别的多媒体应用的偏好特征，对目标用户进行细分，以实现个性化精准推荐。其中，目标宽带业务的类别可以灵活设置，示例性的，可以将不同资费的宽带业务分为不同的类别；也可以将不同速率的宽带业务分为不同的类别；也可以根据场景分为不同的类别，例如可以教育类、视频类、游戏类、普通类，将目标用户进一步细分为教育宽带意向高群体、游戏宽带意向高群体、视频宽带意向高群体、普通宽带意向高群体，对四种用户群体进行针对性的个性化推广。不同类别的目标宽带业务的约束条件也可以灵活设置，示例性的，对于根据资费划分业务类别的情况，可以根据年龄、业务特征、个人终端特征对目标用户的所属的类别进行匹配。对于根据速率划分业务类别的情况，考虑到目标用户对高流量、低延迟的多媒体应用的需求，可以根据视频类以及游戏类多媒体应用的使用次数和偏好度对目标用户的所属的类别进行匹配。对于将目标宽带业务的类别划分为教育类、视频类、游戏类、普通类的情况，可以综合目标用户对教育类、视频类、游戏类的多媒体应用的偏好特征来确定。
本发明实施例的业务推荐方法，在确定目标用户之后，还可以根据预设的目标宽带业务的约束条件和用户画像特征，对目标用户进行细分，以进行个性化、精准推广，进一步地提高推广效率和转化率。
图5示意性地示出了本发明实施例的业务推荐装置500的结构示意图，如图5所示，该业务推荐装置500包括：
信息获取模块501，用于获取待识别用户的用户画像信息；
特征工程模块502，用于根据所述用户画像信息，确定所述待识别用户的用户画像特征；
目标识别模块503，用于根据所述待识别用户的用户画像特征和预构建的堆叠分类模型，确定所述待识别用户中的目标用户；其中，所述堆叠分类模型包括第一分类器和第二分类器，所述第一分类器用于根据所述用户画像特征对所述待识别用户进行初分类，获得初始分类结果；所述第二分类器用于根据所述初始分类结果对所述待识别用户进行二次分类，确定所述待识别用户中的目标用户；
信息推送模块504，用于向所述目标用户发送目标宽带业务的相关信息。
在可选的实施例中，所述信息获取模块还用于：获取待识别用户的多个统计周期内的通信账单信息；所述特征工程模块还用于：计算所述多个统计周期内的通信账单信息的均值；将所述多个统计周期内的通信账单信息的均值，作为所述待识别用户的通信账单特征。
在可选的实施例中，所述特征工程模块还用于：确定与所述待识别用户相似度最高的正样本，其中，所述正样本为训练所述预构建的堆叠分类模型的样本，所述正样本的用户画像特征包括宽带速率平均值；将所述正样本的宽带速率平均值作为所述待识别用户的目标宽带速率值，将所述目标宽带速率值作为所述待识别用户的用户画像特征；
所述信息推送模块还用于：根据所述目标用户的目标宽带速率值，确定与所述目标用户匹配的目标宽带业务，向所述目标用户发送所述目标宽带业务的相关信息。
在可选的实施例中，所述装置还包括配置模块，用于设置至少一个类别的目标宽带业务的约束条件；所述信息推送模块还用于：根据所述至少一个类别的目标宽带业务的约束条件和所述待识别用户的用户画像特征，对所述目标用户进行分类，确定所述目标用户中与所述至少一个类别的目标宽带业务对应的用户群组；向所述用户群组发送与所述至少一个类别的目标宽带业务相关的信息。
在可选的实施例中，所述上网行为特征包括多个类别的多媒体应用的偏好特征；根据所述至少一个类别的目标宽带业务的约束条件和所述多个类别的多媒体应用的偏好特征，对所述目标用户进行分类；其中，所述目标宽带业务的类别包括以下一种或多种：教育类、视频类、游戏类和普通类；所述多个类别的多媒体应用的偏好特征包括：教育类多媒体应用偏好特征、视频类多媒体应用偏好特征、游戏类多媒体应用偏好特征。
在可选的实施例中，所述特征工程模块还用于：对所述用户画像信息进行数据清洗，所述清洗包括以下一种或多种操作：填充缺省值、去除重复值和标准化；根据清洗后的所述用户画像信息，确定所述待识别用户的用户画像特征。
在可选的实施例中，所述装置还包括调整模块，用于统计所述目标用户对所述目标宽带业务的响应结果；根据所述响应结果，更新所述用户画像特征和/或所述预构建的堆叠分类模型的参数。
本发明实施例的业务推荐装置，通过具有两层分类器的堆叠分类模型分析待识别用户的用户画像特征，该堆叠分类模型能够对待识别用户进行两次分类，能够充分挖掘待识别用户的需求，确定待识别用户中的目标用户，进而针对目标用户发送目标宽带业务的相关信息，实现个性化推广，提升了用户体验，并且能够提高运营商的业务推广效率，有效降低推广成本，实现精准高效、低成本的业务推广。进一步的，在获取用户画像特征时，对于在不同统计周期内波动的用户画像信息，将其平均值作为该用户画像信息对应的用户画像特征，通过该平均值反映待识别用户的平均水平，能够更准确的描述待识别用户，从而提高用户识别的准确率；更进一步的，在确定目标用户之后，还可以根据预设的目标宽带业务的约束条件和用户画像特征，对目标用户进行细分，以进行个性化、精准推广，进一步地提高推广效率和转化率。
上述装置可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
图6示出了可以应用本发明实施例的业务推荐方法或业务推荐装置的示例性系统架构600。
如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604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。
用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
需要说明的是，本发明实施例所提供的业务推荐方法一般由服务器605执行，相应地，业务推荐装置一般设置于服务器605中。
应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图7，其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中，这些模块的名称在某种情况下并不构成对该单元本身的限定，例如，发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备：获取待识别用户的用户画像信息；根据所述用户画像信息，确定所述待识别用户的用户画像特征；根据所述待识别用户的用户画像特征和预构建的堆叠分类模型，确定所述待识别用户中的目标用户；其中，所述堆叠分类模型包括第一分类器和第二分类器，所述第一分类器用于根据所述用户画像特征对所述待识别用户进行初分类，获得初始分类结果；所述第二分类器用于根据所述初始分类结果对所述待识别用户进行二次分类，确定所述待识别用户中的目标用户；向所述目标用户发送目标宽带业务的相关信息。
本发明实施例的技术方案，通过具有两层分类器的堆叠分类模型分析待识别用户的用户画像特征，能够充分挖掘待识别用户的需求，确定待识别用户中的目标用户，进而针对目标用户发送目标宽带业务的相关信息，实现个性化推广，提升了用户体验，并且能够提高运营商的业务推广效率，有效降低推广成本，实现精准高效、低成本的业务推广。进一步的，在获取用户画像特征时，对于在不同统计周期内波动的用户画像信息，将其平均值作为该用户画像信息对应的用户画像特征，通过该平均值反映待识别用户的平均水平，能够更准确的描述待识别用户，从而提高用户识别的准确率；更进一步的，在确定目标用户之后，还可以根据预设的目标宽带业务的约束条件和用户画像特征，对目标用户进行细分，以进行个性化推广，进一步地提高推广效率和转化率。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (11)

1.一种业务推荐方法，其特征在于，包括：
获取待识别用户的用户画像信息；
根据所述用户画像信息，确定所述待识别用户的用户画像特征；
根据所述待识别用户的用户画像特征和预构建的堆叠分类模型，确定所述待识别用户中的目标用户；其中，所述堆叠分类模型包括第一分类器和第二分类器，所述第一分类器用于根据所述用户画像特征对所述待识别用户进行初分类，获得初始分类结果；所述第二分类器用于根据所述初始分类结果对所述待识别用户进行二次分类，确定所述待识别用户中的目标用户；
向所述目标用户发送目标宽带业务的相关信息。
2.根据权利要求1所述的方法，其特征在于，所述用户画像信息包括以下一种或多种：身份信息、通信业务信息、通信账单信息、个人终端信息和历史上网行为信息；所述用户画像特征包括以下一种或多种：身份特征、通信业务特征、通信账单特征、个人终端特征和上网行为特征。
3.根据权利要求2所述的方法，其特征在于：获取待识别用户的用户画像信息包括：获取待识别用户的多个统计周期内的通信账单信息；
根据所述用户画像信息，确定所述待识别用户的用户画像特征包括：计算所述多个统计周期内的通信账单信息的均值；将所述多个统计周期内的通信账单信息的均值，作为所述待识别用户的通信账单特征。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
确定与所述待识别用户相似度最高的正样本，其中，所述正样本为训练所述预构建的堆叠分类模型的样本，所述正样本的用户画像特征包括宽带速率平均值；
将所述正样本的宽带速率平均值作为所述待识别用户的目标宽带速率值，将所述目标宽带速率值作为所述待识别用户的用户画像特征；
向所述目标用户发送目标宽带业务的相关信息包括：根据所述目标用户的目标宽带速率值，确定与所述目标用户匹配的目标宽带业务，向所述目标用户发送所述目标宽带业务的相关信息。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：设置至少一个类别的目标宽带业务的约束条件；
向所述目标用户发送目标宽带业务的相关信息包括：
根据所述至少一个类别的目标宽带业务的约束条件和所述待识别用户的用户画像特征，对所述目标用户进行分类，确定所述目标用户中与所述至少一个类别的目标宽带业务对应的用户群组；
向所述用户群组发送与所述至少一个类别的目标宽带业务相关的信息。
6.根据权利要求5所述的方法，其特征在于，所述上网行为特征包括多个类别的多媒体应用的偏好特征；
根据所述至少一个类别的目标宽带业务的约束条件和所述待识别用户的用户画像特征，对所述目标用户进行分类包括：
根据所述至少一个类别的目标宽带业务的约束条件和所述多个类别的多媒体应用的偏好特征，对所述目标用户进行分类；其中，所述目标宽带业务的类别包括以下一种或多种：教育类、视频类、游戏类和普通类；所述多个类别的多媒体应用的偏好特征包括：教育类多媒体应用偏好特征、视频类多媒体应用偏好特征、游戏类多媒体应用偏好特征。
7.根据权利要求1所述的方法，其特征在于，根据所述用户画像信息，确定所述待识别用户的用户画像特征包括：
对所述用户画像信息进行数据清洗，所述清洗包括以下一种或多种操作：填充缺省值、去除重复值和标准化；
根据清洗后的所述用户画像信息，确定所述待识别用户的用户画像特征。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
统计所述目标用户对所述目标宽带业务的响应结果；
根据所述响应结果，更新所述用户画像特征和/或所述预构建的堆叠分类模型的参数。
9.一种用户识别装置，其特征在于，包括：
信息获取模块，用于获取待识别用户的用户画像信息；
特征工程模块，用于根据所述用户画像信息，确定所述待识别用户的用户画像特征；
目标识别模块，用于根据所述待识别用户的用户画像特征和预构建的堆叠分类模型，确定所述待识别用户中的目标用户；其中，所述堆叠分类模型包括第一分类器和第二分类器，所述第一分类器用于根据所述用户画像特征对所述待识别用户进行初分类，获得初始分类结果；所述第二分类器用于根据所述初始分类结果对所述待识别用户进行二次分类，确定所述待识别用户中的目标用户；
信息推送模块，用于向所述目标用户发送目标宽带业务的相关信息。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
11.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
CN202111584645.0A 2021-12-22 2021-12-22 业务推荐方法、装置、电子设备和计算机可读介质 Pending CN114399353A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111584645.0A CN114399353A (zh) 2021-12-22 2021-12-22 业务推荐方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111584645.0A CN114399353A (zh) 2021-12-22 2021-12-22 业务推荐方法、装置、电子设备和计算机可读介质

Publications (1)

Publication Number Publication Date
CN114399353A true CN114399353A (zh) 2022-04-26

Family

ID=81227927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111584645.0A Pending CN114399353A (zh) 2021-12-22 2021-12-22 业务推荐方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN114399353A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766580A (zh) * 2017-11-20 2018-03-06 北京奇虎科技有限公司 消息的推送方法及装置
CN110909222A (zh) * 2019-10-12 2020-03-24 中国平安人寿保险股份有限公司 基于聚类的用户画像建立方法、装置、介质及电子设备
CN113360768A (zh) * 2021-06-29 2021-09-07 平安信托有限责任公司 基于用户画像的产品推荐方法、装置、设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766580A (zh) * 2017-11-20 2018-03-06 北京奇虎科技有限公司 消息的推送方法及装置
CN110909222A (zh) * 2019-10-12 2020-03-24 中国平安人寿保险股份有限公司 基于聚类的用户画像建立方法、装置、介质及电子设备
CN113360768A (zh) * 2021-06-29 2021-09-07 平安信托有限责任公司 基于用户画像的产品推荐方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
WO2017202006A1 (zh) 数据处理方法和装置、计算机存储介质
US8700551B2 (en) Systems and methods for identifying provider noncustomers as likely acquisition targets
CN110866767A (zh) 电信用户满意度的预测方法、装置、设备及介质
CN105225135B (zh) 潜力客户识别方法以及装置
CN105744005A (zh) 客户定位分析方法及服务器
CN112950359B (zh) 一种用户识别方法和装置
CN106408325A (zh) 基于用户支付信息的用户消费行为预测分析方法及系统
CN111522724A (zh) 异常账号的确定方法、装置、服务器及存储介质
CN113362095A (zh) 一种信息投放的方法和装置
US20180349476A1 (en) Evaluating theses using tree structures
CN112990311A (zh) 一种准入客户的识别方法和装置
CN112202849A (zh) 内容分发方法、装置、电子设备和计算机可读存储介质
CN107977855B (zh) 一种管理用户信息的方法及装置
CN111429161A (zh) 特征提取方法、特征提取装置、存储介质及电子设备
CN116127184A (zh) 产品的推荐方法及装置、非易失性存储介质、电子设备
CN112734352A (zh) 一种基于数据维度的单据审核方法和装置
CN115082203A (zh) 生息方案推送方法、装置、电子设备及存储介质
CN113392920B (zh) 生成作弊预测模型的方法、装置、设备、介质及程序产品
CN109829593B (zh) 目标对象的信用度确定方法、装置、存储介质及电子装置
US20230316106A1 (en) Method and apparatus for training content recommendation model, device, and storage medium
CN108711073B (zh) 用户分析方法、装置及终端
CN110210884A (zh) 确定用户特征数据的方法、装置、计算机设备及存储介质
CN114048294B (zh) 相似人群扩展模型训练方法、相似人群扩展方法和装置
CN115880077A (zh) 基于客户标签的推荐方法及其装置、电子设备及存储介质
CN110766488A (zh) 一种自动确定主题场景的方法和装置

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