CN114445179A - 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 PDFInfo
- Publication number
- CN114445179A CN114445179A CN202111680300.5A CN202111680300A CN114445179A CN 114445179 A CN114445179 A CN 114445179A CN 202111680300 A CN202111680300 A CN 202111680300A CN 114445179 A CN114445179 A CN 114445179A
- Authority
- CN
- China
- Prior art keywords
- service
- determining
- target user
- target
- recommended
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000011156 evaluation Methods 0.000 claims abstract description 114
- 230000002996 emotional effect Effects 0.000 claims abstract description 15
- 238000013145 classification model Methods 0.000 claims abstract description 11
- 230000008451 emotion Effects 0.000 claims description 75
- 239000013598 vector Substances 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 abstract description 9
- 238000006243 chemical reaction Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (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:获取目标业务的评价文本,并确定评价文本对应的目标用户;根据评价文本和预构建的情感倾向模型,确定目标用户对目标业务的满意度;在目标用户对目标业务的满意度小于预设第一阈值的情况下,确定目标用户与待推荐业务的匹配度;将匹配度满足预设条件的待推荐业务的相关信息发送至目标用户。该方法针对低满意度的用户推荐,目标群体选取更加聚焦,推荐针对性更强、转化率更高;在推荐时采用多标签分类模型同时预测用户的多项业务偏好数据,综合考虑该多项业务偏好数据与待推荐业务的匹配情况,进一步提高了推荐的准确性和有效性。
Description
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5G网络的加速普及,5G套餐更加丰富,用户可选择的套餐范围不断扩大。同时,用户对精准套餐的差异化需求日益凸显。然而,现有技术中的推荐方法多采用基于内容的推荐方式,从提升转化率的效果看,所推荐的套餐与用户需求的匹配度仍有进一步提升的空间。
发明内容
为解决上述技术问题或者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:
获取目标业务的评价文本,并确定所述评价文本对应的目标用户;
根据所述评价文本和预构建的情感倾向模型,确定所述目标用户对所述目标业务的满意度;
在所述目标用户对所述目标业务的满意度小于预设第一阈值的情况下,确定所述目标用户与待推荐业务的匹配度;
将所述匹配度满足预设条件的待推荐业务的相关信息发送至所述目标用户。
在可选的实施例中,确定所述目标用户与待推荐业务的匹配度包括:
获取所述目标用户的历史业务数据和基本属性数据;
根据所述历史业务数据、所述基本属性数据和多标签分类模型,确定所述目标用户的多项业务偏好数据;
根据所述多项业务偏好数据以及待推荐业务的详情数据,确定所述目标用户与所述待推荐业务的匹配度。
在可选的实施例中,所述业务偏好数据包括以下一种或多种:流量偏好数据、价格偏好数据和权益偏好数据;所述待推荐业务的详情数据包括以下一种或多种:在售流量、在售价格和在售权益;
根据所述多项业务偏好数据以及待推荐业务的详情数据,确定所述目标用户与所述待推荐业务的匹配度包括:根据所述流量偏好数据、所述价格偏好数据、所述权益偏好数据和所述待推荐业务的在售流量、在售价格、在售权益,确定所述目标用户与所述待推荐业务的匹配度。
在可选的实施例中,所述方法还包括:确定流量权重系数、价格权重系数和权益权重系数;
根据所述流量偏好数据、所述价格偏好数据、所述权益偏好数据和所述待推荐业务的在售流量、在售价格、在售权益,确定所述目标用户与所述待推荐业务的匹配度包括:根据所述流量权重系数、所述价格权重系数、所述权益权重系数、所述流量偏好数据、所述价格偏好数据、所述权益偏好数据和所述待推荐业务的在售流量、在售价格、在售权益,确定所述目标用户与所述待推荐业务的匹配度。
在可选的实施例中,获取目标业务的评价文本包括:确定与所述目标业务相关的关键词;根据所述关键词,获取所述目标业务的评价文本。
在可选的实施例中,根据所述评价文本和预构建的情感倾向模型,确定所述目标用户对所述目标业务的满意度包括:利用预设的向量空间模型,确定所述评价文本的特征词以及所述特征词的特征向量;根据所述特征词的特征向量、预设的情感词典和所述预构建的情感倾向模型,确定所述评价文本的情感得分;根据所述情感得分,确定所述目标用户对所述目标业务的满意度。
在可选的实施例中,所述预设的情感词典根据如下过程确定:获取基础情感词典以及与所述目标业务相关的低满意度评价关键词;将所述低满意度评价关键词添加至所述基础情感词典中,以获得所述预设的情感词典。
在可选的实施例中,所述方法还包括:确定所述低满意度评价关键词的特征向量;针对所述评价文本中的每一特征词,计算所述特征词的特征向量和所述低满意度评价关键词的特征向量的相似度;在所述相似度大于第二阈值的情况下,将所述评价文本的特征词添加至所述预设的情感词典。
在可选的实施例中,所述历史业务数据包括以下一项或多项:业务属性数据、业务账单数据、应用程序偏好数据;所述基本属性数据包括以下一项或多项:年龄、性别、用户等级、本地网ID、常住地和手机号码。
在可选的实施例中,确定与所述目标业务相关的关键词包括:确定以下一种或多种关键词:流量相关的关键词、网速相关的关键词、费用相关的关键词、权益相关的关键词和会员相关的关键词。
第二方面,本发明实施例提供了一种业务推荐装置,包括:
评价获取模块,用于获取目标业务的评价文本,并确定所述评价文本对应的目标用户;
满意度确定模块,用于根据所述评价文本和预构建的情感倾向模型,确定所述目标用户对所述目标业务的满意度;
匹配模块,用于在所述目标用户对所述目标业务的满意度小于预设第一阈值的情况下,确定所述目标用户与待推荐业务的匹配度;
推送模块,用于将所述匹配度满足预设条件的待推荐业务的相关信息发送至所述目标用户。
在可选的实施例中,所述匹配模块还用于:获取所述目标用户的历史业务数据和基本属性数据;根据所述历史业务数据、所述基本属性数据和多标签分类模型,确定所述目标用户的多项业务偏好数据;根据所述多项业务偏好数据以及待推荐业务的详情数据,确定所述目标用户与所述待推荐业务的匹配度。
在可选的实施例中,所述业务偏好数据包括以下一种或多种:流量偏好数据、价格偏好数据和权益偏好数据;所述待推荐业务的详情数据包括以下一种或多种:在售流量、在售价格和在售权益;
所述匹配模块还用于:根据所述流量偏好数据、所述价格偏好数据、所述权益偏好数据和所述待推荐业务的在售流量、在售价格、在售权益,确定所述目标用户与所述待推荐业务的匹配度。
在可选的实施例中,所述匹配模块还用于:确定流量权重系数、价格权重系数和权益权重系数;
根据所述流量权重系数、所述价格权重系数、所述权益权重系数、所述流量偏好数据、所述价格偏好数据、所述权益偏好数据和所述待推荐业务的在售流量、在售价格、在售权益,确定所述目标用户与所述待推荐业务的匹配度。
在可选的实施例中,所述评价获取模块还用于:确定与所述目标业务相关的关键词;根据所述关键词,获取所述目标业务的评价文本。
在可选的实施例中,所述满意度确定模块还用于:利用预设的向量空间模型,确定所述评价文本的特征词以及所述特征词的特征向量;根据所述特征词的特征向量、预设的情感词典和所述预构建的情感倾向模型,确定所述评价文本的情感得分;根据所述情感得分,确定所述目标用户对所述目标业务的满意度。
在可选的实施例中,所述装置还包括词典构建模块,用于:获取基础情感词典以及与所述目标业务相关的低满意度评价关键词;将所述低满意度评价关键词添加至所述基础情感词典中,以获得所述预设的情感词典。
在可选的实施例中,所述词典构建模块还用于:确定所述低满意度评价关键词的特征向量;针对所述评价文本中的每一特征词,计算所述特征词的特征向量和所述低满意度评价关键词的特征向量的相似度;在所述相似度大于第二阈值的情况下,将所述评价文本的特征词添加至所述预设的情感词典。
第三方面,本发明实施例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,其特征在于,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:
通过获取目标业务的评价文本,识别出业务低满意度的用户,从而针对低满意度的用户进行推荐,目标群体选取更加聚焦,推荐针对性更强、转化率更高;在向低满意度用户推荐时,根据该低满意度用户的历史业务数据和个人属性信息,预测得到该低满意度用户的业务偏好信息,根据预测的业务员偏好信息从待推荐的业务确定出与该低满意度用户最匹配的业务进行推荐,即通过分析低满意度用户的用户数据来衡量用户的需求,从而根据需求进行推荐,提高了推荐的准确性;在预测低满意度用户的业务偏好信息时,采用多标签分类模型,同时预测了该用户的多项业务偏好数据,例如价格偏好、流量偏好和权益偏好,综合考虑该用户的多项业务偏好数据与待推荐业务的匹配情况,进一步提高了推荐的准确性和有效性。
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子流程的示意图;
图3示意性示出了本发明实施例的业务推荐方法的另一子流程的示意图;
图4示意性示出了本发明实施例的业务推荐方法的又一子流程的示意图;
图5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。
图1示意性地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,如图1所示,该方法包括:
步骤S101:获取目标业务的评价文本,并确定所述评价文本对应的目标用户。
步骤S102:根据所述评价文本和预构建的情感倾向模型,确定所述目标用户对所述目标业务的满意度。
步骤S103:在所述目标用户对所述目标业务的满意度小于预设第一阈值的情况下,确定所述目标用户与待推荐业务的匹配度。
步骤S104:将所述匹配度满足预设条件的待推荐业务的相关信息发送至所述目标用户。
对于步骤S101,可以从互联网平台,例如视频播放类平台、音乐类平台、购物类平台、阅读类平台等获取与目标业务相关的评价文本。在可选的实施例中获取评价文本的渠道可以根据不同的目标业务来确定,以目标业务为电信运营商提供的套餐服务为例,获取评价文本的渠道除了上述互联网平台,还可以包括电信运营商的平台,例如客户端、官网等。
在一实施例中,由于在互联网平台以及电信运营商的平台上的评价数据是海量的,所以为了减少计算量以及提高效率,在获取目标业务的评价文本时,可以预先确定与目标业务相关的关键词,根据该关键词爬取相关的评价文本。继续以目标业务为电信运营商提供的套餐服务为例,确定的关键词可以包括以下一种或多种:流量相关的关键词、网速相关的关键词、费用相关的关键词、权益相关的关键词和会员相关的关键词。即本实施例在用户评价信息中重点关注流量、网速、费用、权益、会员等使用情况相关的评价数据。
获取到的评价文本如下表1所示:
表1:
在获取评价文本时,还需要获取与该评价文本对应的目标用户的信息,例如账号信息。
对于步骤S102,如图2所示,该步骤用于根据评价文本,识别目标用户对当前业务是否满意,进一步的识别目标用户的满意度,从而筛选出对业务满意度低的用户。在可选的实施例中,可以利用以下三类方法分析评价文本的情感:基于情感词典的方法、基于机器学习的方法(例如有监督学习方法、半监督学习方法)和二者相结合的方法。
在一实施例中,该步骤包括如下过程:
利用预设的向量空间模型,确定所述评价文本的特征词以及所述特征词的特征向量;
根据所述特征词的特征向量、预设的情感词典和所述预构建的情感倾向模型,确定所述评价文本的情感得分;
根据所述情感得分,确定所述目标用户对所述目标业务的满意度。
其中,在利用预设的向量空间模型获取评价文本中的特征词及其特征向量之前,该方法还包括对该评价文本进行分词处理、去停用词处理。例如,可以利用jieba、NLPIR、THULA(jieba、NLPIR、THULA均为现有的分词工具)对评价文本进行分词,获得多个词语。然后利用预先构建的停用词词典(停用词词典中包括语气助词、连接词、介词等),去除停用词。
去除停用词之后,利用向量空间模型对剩余的词语进行文本表示。向量空间模型(Vector Space Mode,简称为VSM)将文本表达为一个向量,看作向量空间中的一个点。向量空间模型使用内积计算向量之间距离。为方便理解,下面给出向量空间模型VSM的一些基本概念。特征项/项(feature term/term):特征项是VSM中最小的不可分的语言单元,可以是字、词、词组或短语等。一个文档的内容被看成是它含有的特征项所组成的集合,表示为:Document=D(t1,t2,...,tn)其中tk是特征项,1≤k≤n。项的权重(termweight):对于含义n个特征项的文档,每一特征项都依据一定原则被赋予一个权重,表示它们在文档中的重要程度。这样一个文档D可用它含有的特征项及其特征项所对应的权重表示。
特征项以及其权值的选取称为目标样本的特征提取。在本实施例中可以利用IDF(Inverse Document Frequency,逆文本频率指数)、TF-IDF(Term Frequency–InverseDocument Frequency,词频-逆文本频率指数)、χ2等衡量某个特征项的权值。其中,使用χ2统计量(CHI)衡量的是特征项和类别j之间的相关联程度,并假设特征项和类别之间符合具有一阶自由度的χ2分布,特征对于某类的χ2统计值越高,它与该类之间的相关性越大,携带的类别信息也较多,反之则越少。
在利用预构建的向量空间模型提取评价文本的特征词及其特征向量之后,利用预设的情感词典以及情感倾向模型分析该特征词的情感倾向强度,即该特征词的极性:正向(正面)、负向(负面)、中性,从而确定目标用户的满意度。作为示例,预设的情感词典可以知网HowNet情感词典(该情感词典将词语分为正向情感词、负向情感词、程度词、否定词),情感倾向模型可以是基于知网HowNet情感词典的SO-HowNet指标模型。其中,特征词极性的计算公式如下:
其中,Pwords代表正面情感词语集合,Nwords代表负面情感词语集合,Sim(word1,word2)表示word1和word2的相似度,其为各概念之间相似度的最大值。
基于评价文本每个特征词的极性,计算评价用户情感得分,根据情感得分,确定低满意度的目标用户,情感得分计算公式如下:
VP=V0×Vd×Vn×δvb
vp表示目标用户的情感得分,v0为极性词的极性值,极性为正面则取1,极性为负面则取-1,中性极性词得分取0,vd为程度词的程度参数值,vn为否定词系数,若否定词存在则取-1,反之取1,δvb为布尔数据取值,当否定在形容词或动词前时取0.5,当否定在形容词或动词后取0.3。
在可选的实施例中,该预设的情感词典可以是增强情感词典,即对基础情感词典进行扩充后的词典。具体的该预设的情感词典可以根据如下过程获得:获取基础情感词典以及与所述目标业务相关的低满意度评价关键词;将所述低满意度评价关键词添加至所述基础情感词典中,以获得所述预设的情感词典。其中,基础情感词典例如为知网HowNet情感词典。与目标业务相关的低满意度评价关键词可以是人工针对目标业务筛选得到的。以目标业务为电信运营商提供的套餐服务为例,低满意度评价关键词可以包括但不限于:流量用不完、网速卡、话费严重超出、流量消耗大、套餐贵等。本实施例通过将人工针对目标业务筛选的低满意度评价关键词扩充到基础情感词典中,有针对性和目的性的对情感词典进行了更新,特别地,加入了目标业务中特定的词汇,以增加分类的命中率,从而提高情感分类的准确性。
在另一实施例中,该方法还包括:确定所述低满意度评价关键词的特征向量;针对所述评价文本中的每一特征词,计算所述特征词的特征向量和所述低满意度评价关键词的特征向量的相似度;在所述相似度大于第二阈值的情况下,将所述评价文本的特征词添加至所述预设的情感词典。本实施例的目的是通过计算评价文本中特征词的特征向量与低满意度评价关键词的特征向量的相似度,来计算特征词与低满意度评价关键词的相似度,若特征词与低满意度评价关键词的相似度大于第二阈值,则将该特征词写入预设的情感词典,从而对该情感词典进行更新,提高情感分类的准确性。
在确定评价文本的情感得分(即目标用户的情感得分)之后,可以将该情感得分作为目标用户的满意度,当满意度大于或等于第一阈值时,将该目标用户作为高满意度用户,当满意度小于第一阈值时,将该目标用户作为低满意度用户。
作为具体的示例,识别结果如下表2所示:
表2:
在上述表2所示的实施例中令第一阈值为0,当目标用户的情感得分小于0时,将该目标用户作为低满意度用户。例如用户a的套餐服务评价文本信息为“网速太卡,看视频流量消耗大…”通过计算用户评价文本情感得分为-0.2分(分值区间为[-1,1]),识别结果为套餐低满意度用户。用户b的套餐服务评价文本为“流量经常用超,话费严重超支…”通过计算用户评价文本情感得分为-0.5分(分值区间为[-1,1]),识别结果为套餐低满意度用户。用户c的套餐服务评价文本为“套餐很合适,5G流量不限量、不限速,都绝版了…”通过计算用户评价文本情感得分为0.6分(分值区间为[-1,1]),识别结果为套餐满意度用户。用户d的套餐服务评价文本为“查询结果准确,套餐挺满意…”通过计算用户评价文本情感得分为0.2分(分值区间为[-1,1]),识别结果为套餐满意度用户。
对于步骤S103,如图3所示,该步骤包括以下过程:
步骤S301:获取所述目标用户的历史业务数据和基本属性数据。
在一实施例中,该历史业务数据可以包括以下一项或多项:业务属性数据、业务账单数据、应用程序偏好数据。该基本属性数据包括以下一项或多项:年龄、性别、用户等级、本地网ID、常住地和手机号码。
更具体的,该历史业务数据和基本属性数据如下表3所示:
表3:
步骤S302:根据所述历史业务数据、所述基本属性数据和多标签分类模型,确定所述目标用户的多项业务偏好数据。
在一实施例中,可以采用二元关联算法(Binary Relevance)建立多标签分类模型,利用该多标签分类模型预测目标用户的多项业务偏好数据。其中,业务偏好数据可以包括以下一种或多种:流量偏好数据、价格偏好数据和权益偏好数据。
作为具体的示例,确定的多项业务偏好数据如下表4所示:
表4:
步骤S303:根据所述多项业务偏好数据以及待推荐业务的详情数据,确定所述目标用户与所述待推荐业务的匹配度。其中,所述待推荐业务的详情数据包括在售流量、在售价格和在售权益。
本步骤用于计算预测得到的业务偏好数据与待推荐业务的匹配度,即目标用户与待推荐业务的匹配度。具体的,根据所述流量偏好数据、所述价格偏好数据、所述权益偏好数据和所述待推荐业务的在售流量、在售价格和在售权益,确定所述目标用户与待推荐业务的匹配度。在可选的实施例中,可以根据多种计算规则计算目标用户与待推荐业务的匹配度,例如根据业务偏好数据与待推荐业务的平均值、方差等。
在一实施例中,可以对流量偏好数据、价格偏好数据和权益偏好数据设置不同的权重。即该方法包括:确定流量权重系数、价格权重系数和权益权重系数;根据所述流量权重系数、所述价格权重系数、所述权益权重系数、所述流量偏好数据、所述价格偏好数据、所述权益偏好数据和所述待推荐业务的在售流量、在售价格和在售权益,确定所述目标用户与待推荐业务的匹配度。
作为示例,目标用户与待推荐业务的匹配度的计算公式为:
其中,S_core表示匹配度,α1表示价格权重系数,α2表示流量权重系数,α3表示权益权重系数,α1+α2+α3=1,m表示价格偏好数据,m′表示在售价格,f表示流量偏好数据,f′表示在售流量。
例如,用户a与待推荐业务的匹配度结果如下表5所示:
表5:
用户a与待推荐业务A套餐的匹配度最高,则可以将待推荐业务A套餐推荐给用户a,例如将A套餐的套餐内容(套餐内容包含30G全国流量及500分钟全国通话)、套餐资费(资费信息为129元)、优惠信息(附赠第一视频平台会员)等信息通过短信或客户端实时推送给用户a。
在可选的实施例中,可以将待推荐业务按照匹配度由高到低的顺序进行排序,然后将顺序靠前的N个待推荐业务的信息推送给目标用户,从而增加目标用户的选择范围,提高业务的转化率。
本发明实施例的业务推荐方法,通过获取目标业务的评价文本,识别出业务低满意度的用户,从而针对低满意度的用户进行推荐,目标群体选取更加聚焦,推荐针对性更强、转化率更高;在向低满意度用户推荐时,根据该低满意度用户的历史业务数据和个人属性信息,预测得到该低满意度用户的业务偏好信息,根据预测的业务员偏好信息从待推荐的业务确定出与该低满意度用户最匹配的业务进行推荐,即通过分析低满意度用户的用户数据来衡量用户的需求,从而根据需求进行推荐,提高了推荐的准确性;在预测低满意度用户的业务偏好信息时,采用多标签分类模型,同时预测了该用户的多项业务偏好数据,例如价格偏好、流量偏好和权益偏好,综合考虑该用户的多项业务偏好数据与待推荐业务的匹配情况,进一步提高了推荐的准确性和有效性。
在可选的实施例中,在将匹配度满足预设条件的待推荐业务的相关信息发送至所述目标用户之后,该方法还包括:获取目标用户对目标业务的响应结果,其中,目标业务是指推送给目标用户的待推荐业务,即匹配度满足预设条件的待推荐业务;在目标用户对目标业务的响应结果为订购了该目标业务的情况下,获取目标用户的业务订购数据,包括套餐办理时间、套餐档位、套餐价格等;根据所述业务订购数据,调整所述所构建的情感倾向模型的参数,持续提升效果。
图5示意性示出了本发明实施例的业务推荐装置500的主要模块的示意图,如图5所示,该业务推荐装置500包括:
评价获取模块501,用于获取目标业务的评价文本,并确定所述评价文本对应的目标用户;
满意度确定模块502,用于根据所述评价文本和预构建的情感倾向模型,确定所述目标用户对所述目标业务的满意度;
匹配模块503,用于在所述目标用户对所述目标业务的满意度小于预设第一阈值的情况下,确定所述目标用户与待推荐业务的匹配度;
推送模块504,用于将所述匹配度满足预设条件的待推荐业务的相关信息发送至所述目标用户。
在可选的实施例中,所述匹配模块503还用于:获取所述目标用户的历史业务数据和基本属性数据;根据所述历史业务数据、所述基本属性数据和多标签分类模型,确定所述目标用户的多项业务偏好数据;根据所述多项业务偏好数据以及待推荐业务的详情数据,确定所述目标用户与所述待推荐业务的匹配度。
在可选的实施例中,所述业务偏好数据包括以下一种或多种:流量偏好数据、价格偏好数据和权益偏好数据;所述待推荐业务的详情数据包括以下一种或多种:在售流量、在售价格和在售权益;
所述匹配模块503还用于:根据所述流量偏好数据、所述价格偏好数据、所述权益偏好数据和所述待推荐业务的在售流量、在售价格、在售权益,确定所述目标用户与所述待推荐业务的匹配度。
在可选的实施例中,所述匹配模块503还用于:确定流量权重系数、价格权重系数和权益权重系数;根据所述流量权重系数、所述价格权重系数、所述权益权重系数、所述流量偏好数据、所述价格偏好数据、所述权益偏好数据和所述待推荐业务的在售流量、在售价格、在售权益,确定所述目标用户与所述待推荐业务的匹配度。
在可选的实施例中,所述评价获取模块501还用于:确定与所述目标业务相关的关键词;根据所述关键词,获取所述目标业务的评价文本。
在可选的实施例中,所述满意度确定模块502还用于:利用预设的向量空间模型,确定所述评价文本的特征词以及所述特征词的特征向量;根据所述特征词的特征向量、预设的情感词典和所述预构建的情感倾向模型,确定所述评价文本的情感得分;根据所述情感得分,确定所述目标用户对所述目标业务的满意度。
在可选的实施例中,所述装置还包括词典构建模块,用于:获取基础情感词典以及与所述目标业务相关的低满意度评价关键词;将所述低满意度评价关键词添加至所述基础情感词典中,以获得所述预设的情感词典。
在可选的实施例中,所述词典构建模块还用于:确定所述低满意度评价关键词的特征向量;针对所述评价文本中的每一特征词,计算所述特征词的特征向量和所述低满意度评价关键词的特征向量的相似度;在所述相似度大于第二阈值的情况下,将所述评价文本的特征词添加至所述预设的情感词典。
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RAM703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:
获取目标业务的评价文本,并确定所述评价文本对应的目标用户;
根据所述评价文本和预构建的情感倾向模型,确定所述目标用户对所述目标业务的满意度;
在所述目标用户对所述目标业务的满意度小于预设第一阈值的情况下,确定所述目标用户与待推荐业务的匹配度;
将所述匹配度满足预设条件的待推荐业务的相关信息发送至所述目标用户。
本发明实施例的技术方案,通过获取的业务服务评价文本,识别出业务服务低满意度的用户,针对低满意度的用户推荐,目标群体选取更加聚焦,推荐针对性更强、转化率更高;在向低满意度用户推荐时,根据该低满意度用户的历史业务数据和个人属性信息,预测该低满意度用户的偏好信息,根据预测的偏好信息从待推荐的业务确定出与该低满意度用户最匹配的业务进行推荐,即通过分析低满意度用户的用户数据来衡量用户的需求,从而根据需求进行推荐,提高了推荐的准确性;在预测低满意度用户的偏好信息时,采用多标签分类模型,同时预测了该用户的价格偏好、流量偏好和权益偏好,综合考虑该用户的价格偏好、流量偏好和权益偏好与待推荐业务的匹配情况,从而进行推荐,进一步提高了推荐的准确性和有效性。
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 (13)
1.一种业务推荐方法,其特征在于,包括:
获取目标业务的评价文本,并确定所述评价文本对应的目标用户;
根据所述评价文本和预构建的情感倾向模型,确定所述目标用户对所述目标业务的满意度;
在所述目标用户对所述目标业务的满意度小于预设第一阈值的情况下,确定所述目标用户与待推荐业务的匹配度;
将所述匹配度满足预设条件的待推荐业务的相关信息发送至所述目标用户。
2.根据权利要求1所述的方法,其特征在于,确定所述目标用户与待推荐业务的匹配度包括:
获取所述目标用户的历史业务数据和基本属性数据;
根据所述历史业务数据、所述基本属性数据和多标签分类模型,确定所述目标用户的多项业务偏好数据;
根据所述多项业务偏好数据以及待推荐业务的详情数据,确定所述目标用户与所述待推荐业务的匹配度。
3.根据权利要求2所述的方法,其特征在于,所述业务偏好数据包括以下一种或多种:流量偏好数据、价格偏好数据和权益偏好数据;所述待推荐业务的详情数据包括以下一种或多种:在售流量、在售价格和在售权益;
根据所述多项业务偏好数据以及待推荐业务的详情数据,确定所述目标用户与所述待推荐业务的匹配度包括:
根据所述流量偏好数据、所述价格偏好数据、所述权益偏好数据和所述待推荐业务的在售流量、在售价格、在售权益,确定所述目标用户与所述待推荐业务的匹配度。
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:确定流量权重系数、价格权重系数和权益权重系数;
根据所述流量偏好数据、所述价格偏好数据、所述权益偏好数据和所述待推荐业务的在售流量、在售价格、在售权益,确定所述目标用户与所述待推荐业务的匹配度包括:
根据所述流量权重系数、所述价格权重系数、所述权益权重系数、所述流量偏好数据、所述价格偏好数据、所述权益偏好数据和所述待推荐业务的在售流量、在售价格、在售权益,确定所述目标用户与所述待推荐业务的匹配度。
5.根据权利要求1所述的方法,其特征在于,获取目标业务的评价文本包括:
确定与所述目标业务相关的关键词;
根据所述关键词,获取所述目标业务的评价文本。
6.根据权利要求1所述的方法,其特征在于,根据所述评价文本和预构建的情感倾向模型,确定所述目标用户对所述目标业务的满意度包括:
利用预设的向量空间模型,确定所述评价文本的特征词以及所述特征词的特征向量;
根据所述特征词的特征向量、预设的情感词典和所述预构建的情感倾向模型,确定所述评价文本的情感得分;
根据所述情感得分,确定所述目标用户对所述目标业务的满意度。
7.根据权利要求6所述的方法,其特征在于,所述预设的情感词典根据如下过程确定:
获取基础情感词典以及与所述目标业务相关的低满意度评价关键词;
将所述低满意度评价关键词添加至所述基础情感词典中,以获得所述预设的情感词典。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
确定所述低满意度评价关键词的特征向量;
针对所述评价文本中的每一特征词,计算所述特征词的特征向量和所述低满意度评价关键词的特征向量的相似度;
在所述相似度大于第二阈值的情况下,将所述评价文本的特征词添加至所述预设的情感词典。
9.根据权利要求1-8任一项所述的方法,其特征在于,所述历史业务数据包括以下一项或多项:业务属性数据、业务账单数据、应用程序偏好数据;所述基本属性数据包括以下一项或多项:年龄、性别、用户等级、本地网ID、常住地和手机号码。
10.根据权利要求9所述的方法,其特征在于,确定与所述目标业务相关的关键词包括:确定以下一种或多种关键词:流量相关的关键词、网速相关的关键词、费用相关的关键词、权益相关的关键词和会员相关的关键词。
11.一种业务推荐装置,其特征在于,包括:
评价获取模块,用于获取目标业务的评价文本,并确定所述评价文本对应的目标用户;
满意度确定模块,用于根据所述评价文本和预构建的情感倾向模型,确定所述目标用户对所述目标业务的满意度;
匹配模块,用于在所述目标用户对所述目标业务的满意度小于预设第一阈值的情况下,确定所述目标用户与待推荐业务的匹配度;
推送模块,用于将所述匹配度满足预设条件的待推荐业务的相关信息发送至所述目标用户。
12.一种电子设备,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1-10中任一所述的方法。
13.一种计算机可读介质,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1-10中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111680300.5A CN114445179A (zh) | 2021-12-30 | 2021-12-30 | 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 |
---|---|---|---|
CN202111680300.5A CN114445179A (zh) | 2021-12-30 | 2021-12-30 | 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 |
---|---|
CN114445179A true CN114445179A (zh) | 2022-05-06 |
Family
ID=81365183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111680300.5A Pending CN114445179A (zh) | 2021-12-30 | 2021-12-30 | 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) | CN114445179A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781914A (zh) * | 2022-05-11 | 2022-07-22 | 无锡尚米企业管理发展有限公司 | 一种基于大数据的代驾司机数据管理方法、系统及装置 |
CN114896509A (zh) * | 2022-05-31 | 2022-08-12 | 飞鸟鱼信息科技有限公司 | 一种业务对象的匹配方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777330A (zh) * | 2017-01-11 | 2017-05-31 | 北京小米移动软件有限公司 | 推荐聚餐信息的方法和装置 |
CN110096618A (zh) * | 2019-05-10 | 2019-08-06 | 北京友普信息技术有限公司 | 一种基于分维度情感分析的电影推荐方法 |
CN111080055A (zh) * | 2019-11-06 | 2020-04-28 | 邱素容 | 酒店评分方法、酒店推荐方法、电子装置和存储介质 |
CN111797320A (zh) * | 2020-07-02 | 2020-10-20 | 中国联合网络通信集团有限公司 | 数据处理方法、装置、设备及存储介质 |
-
2021
- 2021-12-30 CN CN202111680300.5A patent/CN114445179A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777330A (zh) * | 2017-01-11 | 2017-05-31 | 北京小米移动软件有限公司 | 推荐聚餐信息的方法和装置 |
CN110096618A (zh) * | 2019-05-10 | 2019-08-06 | 北京友普信息技术有限公司 | 一种基于分维度情感分析的电影推荐方法 |
CN111080055A (zh) * | 2019-11-06 | 2020-04-28 | 邱素容 | 酒店评分方法、酒店推荐方法、电子装置和存储介质 |
CN111797320A (zh) * | 2020-07-02 | 2020-10-20 | 中国联合网络通信集团有限公司 | 数据处理方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781914A (zh) * | 2022-05-11 | 2022-07-22 | 无锡尚米企业管理发展有限公司 | 一种基于大数据的代驾司机数据管理方法、系统及装置 |
CN114896509A (zh) * | 2022-05-31 | 2022-08-12 | 飞鸟鱼信息科技有限公司 | 一种业务对象的匹配方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107172151B (zh) | 用于推送信息的方法和装置 | |
US11281860B2 (en) | Method, apparatus and device for recognizing text type | |
US11556572B2 (en) | Systems and methods for coverage analysis of textual queries | |
CN107577807B (zh) | 用于推送信息的方法和装置 | |
CN107679217B (zh) | 基于数据挖掘的关联内容提取方法和装置 | |
CN107526718B (zh) | 用于生成文本的方法和装置 | |
CN110119445B (zh) | 生成特征向量和基于特征向量进行文本分类的方法和装置 | |
CN106354856B (zh) | 基于人工智能的深度神经网络强化搜索方法和装置 | |
CN107908662B (zh) | 搜索系统的实现方法和实现装置 | |
CN107908616B (zh) | 预测趋势词的方法和装置 | |
CN114445179A (zh) | 业务推荐方法、装置、电子设备和计算机可读介质 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN112328889A (zh) | 推荐搜索词确定方法、装置、可读介质及电子设备 | |
CN112765478A (zh) | 用于推荐内容的方法、装置、设备、介质和程序产品 | |
CN109472028B (zh) | 用于生成信息的方法和装置 | |
CN113742564A (zh) | 目标资源的推送方法和装置 | |
CN116204624A (zh) | 应答方法、装置、电子设备及存储介质 | |
CN111723201A (zh) | 一种用于文本数据聚类的方法和装置 | |
CN113743973B (zh) | 分析市场热点趋势的方法和装置 | |
CN113722593B (zh) | 事件数据处理方法、装置、电子设备和介质 | |
CN110852078A (zh) | 生成标题的方法和装置 | |
CN110766488A (zh) | 一种自动确定主题场景的方法和装置 | |
CN113325959A (zh) | 一种输入语料的推荐方法和装置 | |
CN110147488B (zh) | 页面内容的处理方法、处理装置、计算设备及存储介质 | |
CN112528644A (zh) | 实体挂载的方法、装置、设备以及存储介质 |
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 |