CN114943585B - 一种基于生成对抗网络的业务推荐方法及系统 - Google Patents

一种基于生成对抗网络的业务推荐方法及系统 Download PDF

Info

Publication number
CN114943585B
CN114943585B CN202210587690.XA CN202210587690A CN114943585B CN 114943585 B CN114943585 B CN 114943585B CN 202210587690 A CN202210587690 A CN 202210587690A CN 114943585 B CN114943585 B CN 114943585B
Authority
CN
China
Prior art keywords
data set
user group
service
determining
data
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
Application number
CN202210587690.XA
Other languages
English (en)
Other versions
CN114943585A (zh
Inventor
黄弘毅
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.)
iMusic Culture and Technology Co Ltd
Original Assignee
iMusic Culture and Technology Co 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 iMusic Culture and Technology Co Ltd filed Critical iMusic Culture and Technology Co Ltd
Priority to CN202210587690.XA priority Critical patent/CN114943585B/zh
Publication of CN114943585A publication Critical patent/CN114943585A/zh
Application granted granted Critical
Publication of CN114943585B publication Critical patent/CN114943585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于生成对抗网络的业务推荐方法及系统，其中，方法包括根据上线业务对第一用户组进行业务推荐，确定第一数据集；将历史业务数据输入第一深度神经网络模型中进行训练，确定生成器；根据所述生成器对第二用户组进行业务推荐预测，确定第二数据集；将所述第一数据集与所述第二数据集进行组合，并将组合数据集输入第二深度神经网络模型中进行训练，确定判别器；根据所述判别器对所述第二用户组进行推荐预测，确定上线业务的业务推荐；本实施例能够使用生成对抗网络进行业务推荐，从而降低人工营销成本，提高了业务推荐的准确率，可广泛应用于业务营销技术领域。

Description

一种基于生成对抗网络的业务推荐方法及系统
技术领域
本发明涉及业务营销技术领域，尤其是一种基于生成对抗网络的业务推荐方法及系统。
背景技术
在电信业务对新上线的套餐和业务进行营销时，希望能够对高意向用户进行精准营销，但是对于新上线的套餐或业务，往往存在冷启动问题。冷启动问题为在缺乏有价值数据的时候，如何有效地满足业务需求的问题。相关技术一般通过大量累积数据来解决冷启动问题，但是这种方法会带来很高的人工成本；或通过使用历史数据构建的用户消费画像来解决新套餐或新业务的冷启动问题，但是这种方法仅仅使用历史套餐表现估算用户在新套餐表现会出现较大的偏差。
发明内容
有鉴于此，本发明实施例提供一种简单实用的基于生成对抗网络的业务推荐方法及系统。
一方面，本发明提供了一种基于生成对抗网络的业务推荐方法，包括：
根据上线业务对第一用户组进行业务推荐，确定第一数据集；
将历史业务数据输入第一深度神经网络模型中进行训练，确定生成器；
根据所述生成器对第二用户组进行业务推荐预测，确定第二数据集；
将所述第一数据集与所述第二数据集进行组合，并将组合数据集输入第二深度神经网络模型中进行训练，确定判别器；
根据所述判别器对所述第二用户组进行推荐预测，确定上线业务的业务推荐。
可选地，所述根据上线业务对第一用户组进行业务推荐，确定第一数据集，包括：
根据上线业务的静态数据，对用户群组进行分层抽样，确定第一用户组；
对所述第一用户组进行业务推荐，确定第一数据集，所述第一数据集为第一用户组更换套餐的成交数据。
可选地，在所述将历史业务数据输入第一深度神经网络模型中进行训练，确定生成器之前，包括：
从数据库中获取历史业务数据；
对所述第一数据集和所述历史业务数据分别进行归一化处理和独热编码处理，确定生成对抗网络可识别的第一数据集和历史业务数据。
可选地，所述将历史业务数据输入第一深度神经网络模型中进行训练，确定生成器，包括：
对所述历史业务数据进行误差干扰处理，确定误差数据；
将所述误差数据输入第一深度神经网络模型中进行训练，确定生成器。
可选地，所述根据所述生成器对第二用户组进行业务推荐预测，确定第二数据集，包括：
确定第二用户组，所述第二用户组为除第一用户组外的用户群组；
将所述第二用户组输入所述生成器中进行业务推荐预测，确定第二数据集。
可选地，所述将所述第一数据集与所述第二数据集进行组合，并将组合数据集输入第二深度神经网络模型中进行训练，确定判别器，包括：
将所述第一数据集与所述第二数据集进行组合，确定组合数据集；
将所述组合数据集输入第二深度神经网络模型中进行训练，确定判别器。
另一方面，本发明实施例还公开了一种基于生成对抗网络的业务推荐系统，包括：
第一模块，用于根据上线业务对第一用户组进行业务推荐，确定第一数据集；
第二模块，用于将历史业务数据输入第一深度神经网络模型中进行训练，确定生成器；
第三模块，用于根据所述生成器对第二用户组进行业务推荐预测，确定第二数据集；
第四模块，用于将所述第一数据集与所述第二数据集进行组合，并将组合数据集输入第二深度神经网络模型中进行训练，确定判别器；
第五模块，用于根据所述判别器对所述第二用户组进行推荐预测，确定上线业务的业务推荐。
可选地，所述第一模块，用于所述根据上线业务对第一用户组进行业务推荐，确定第一数据集，包括：
根据上线业务的静态数据，对用户群组进行分层抽样，确定第一用户组；
对所述第一用户组进行业务推荐，确定第一数据集，所述第一数据集为第一用户组更换套餐的成交数据。
可选地，所述第二模块，用于将历史业务数据输入第一深度神经网络模型中进行训练，确定生成器，包括：
对所述历史业务数据进行误差干扰处理，确定误差数据；
将所述误差数据输入第一深度神经网络模型中进行训练，确定生成器。
另一方面，本发明实施例还公开了一种系统，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
另一方面，本发明实施例还公开了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
另一方面，本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明实施例根据上线业务对第一用户组进行业务推荐，确定第一数据集；将历史业务数据输入第一深度神经网络模型中进行训练，确定生成器；根据所述生成器对第二用户组进行业务推荐预测，确定第二数据集；将所述第一数据集与所述第二数据集进行组合，并将组合数据集输入第二深度神经网络模型中进行训练，确定判别器；根据所述判别器对所述第二用户组进行推荐预测，确定上线业务的业务推荐；本实施例能够使用生成对抗网络进行业务推荐，从而降低人工营销成本，提高了业务推荐的准确率。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于生成对抗网络的业务推荐方法流程图。
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。
参照图1，本发明实施例提供一种基于生成对抗网络的业务推荐方法，包括：
S101、根据上线业务对第一用户组进行业务推荐，确定第一数据集；
S102、将历史业务数据输入第一深度神经网络模型中进行训练，确定生成器；
S103、根据所述生成器对第二用户组进行业务推荐预测，确定第二数据集；
S104、将所述第一数据集与所述第二数据集进行组合，并将组合数据集输入第二深度神经网络模型中进行训练，确定判别器；
S105、根据所述判别器对所述第二用户组进行推荐预测，确定上线业务的业务推荐。
其中，本发明实施例从用户群组中进行筛选得到第一用户组，对第一用户组进行上线业务的业务推荐，得到第一数据集，第一数据集为第一用户组的业务推荐数据；本实施例从数据库中获取得到大量的历史业务数据，历史业务数据包括营销信息和成交数据；将历史业务数据进行数据预处理后输入第一深度神经网络模型中进行训练，训练完成后得到生成器；接着本实施例根据训练得到的生成器对第二用户组进行业务推荐预测，第二用户组为用户群组中除第一用户组外的用户，预测得到第二数据集，第二数据集为对第二用户组进行业务推荐的预测数据；将第一数据集和第二数据集进行拼合，并一起输入第二深度神经网络模型中进行训练，训练完成后得到判别器。根据判别器再次对第二用户组进行业务推荐预测，预测得到最终的上线业务的推荐预测情况，根据推荐预测情况筛选意向高的用户进行精准细化业务推荐，从而解决上线业务冷启动问题。
进一步作为优选的实施方式，上述步骤S101中，所述根据上线业务对第一用户组进行业务推荐，确定第一数据集，包括：
根据上线业务的静态数据，对用户群组进行分层抽样，确定第一用户组；
对所述第一用户组进行业务推荐，确定第一数据集，所述第一数据集为第一用户组更换套餐的成交数据。
其中，本实施例通过上线的新套餐或业务的价格、是否绑定宽带、覆盖省份等静态数据，对运营商内部用户进行分层抽样处理；在分层抽样后的不同组内，分别抽取一定数量的用户，组成第一用户组，针对第一用户组中的用户，点对点细化推广新套餐或新业务，并收集第一用户组中用户对上线套餐的成交情况。
进一步作为优选的实施方式，在所述将历史业务数据输入第一深度神经网络模型中进行训练，确定生成器之前，包括：
从数据库中获取历史业务数据；
对所述第一数据集和所述历史业务数据分别进行归一化处理和独热编码处理，确定生成对抗网络可识别的第一数据集和历史业务数据。
其中，本实施例从数据库中获取大量历史套餐或业务营销的信息和成交情况，得到历史业务上数据；对第一数据集和历史业务数据，本发明实施例根据业务维度作为特征，分别进行归一化处理和独热编码处理，处理成生成对抗网络模型可识别的格式。可以理解的是，本发明实施例根据数据集中的套餐或业务是否绑定宽带、套餐是否为5g套餐、用户月均套餐价格、用户月均通话时长、用户月均通话频次等维度作为特征，进行数据归一化处理，对归一化后的数据进行独热编码，得到生成对抗网络可识别的第一数据集和历史业务数据，第一数据集为少量的上线业务推荐数据，历史业务数据为大量历史业务推荐数据。
进一步作为优选的实施方式，所述将历史业务数据输入第一深度神经网络模型中进行训练，确定生成器，包括：
对所述历史业务数据进行误差干扰处理，确定误差数据；
将所述误差数据输入第一深度神经网络模型中进行训练，确定生成器。
其中，本发明实施例在原有历史业务数据的基础上随机增加误差，并将误差干扰后的误差数据输入第一个具有三层结构的深度神经网络模型中进行训练，深度神经网络模型包括输入层、隐藏层和输出层，训练后得到生成器。在本发明实施例中，可采用将用户月均套餐价格随机上升或下降处理，或随机抽取一定数量的绑定宽带用户置为非绑定宽带用户。这样处理的结果为使用误差数据对第一深度神经网络进行训练，训练得到具有一定误差的生成器。
本发明一种基于生成对抗网络的业务推荐方法的一种具体的实施例包括：本实施例上线新一种上线业务为价格229元的50g流量，500M光纤的5G套餐；在历史套餐价格为100以上的5g套餐和非5g套餐两个用户分群中，分别随机抽取3000数量的用户拨打电话，共6000数量用户，进行新的5g套餐的一对一电话推荐，记录6000数量用户的电话营销成果数据，即第一数据集。收集100w已经存在数据库中的套餐价格100元以上的4/5g套餐的营销活动数据，即历史业务数据；获取用户套餐价格、套餐是否绑定宽带、套餐覆盖省份、用户年龄、用户性别、用户历史套餐价格等特征作为模型特征维度，根据业务维度对第一数据集和历史业务数据的维度进行数值标准化、类别特征独热编码等数据预处理。根据预处理后的历史业务数据进行误差干扰，把用户月均套餐价格随机上升/下降10％，随机抽5％用户更改所属省份，随机抽8％绑定宽带用户置为非绑定宽带用户，添加误差后，将数据输入第一个三层结构的深度神经网络模型进行训练，训练得到生成器；通过生成器对未进行上线业务推荐的第二用户组进行预测，得到用户在新套餐/业务的带有误差的业务推荐数据，即第二数据集；将第一数据集和第二数据集进行拼合，一起导入第二个三层结构的深度神经网络模型进行训练，训练得到判别器；根据已训练的判别器，对所有未进行上线业务推荐的用户进行业务推荐概率预测，根据预测结果，筛选业务推荐概率大于20％的用户进行精准人工细化营销。
进一步作为优选的实施方式，所述根据所述生成器对第二用户组进行业务推荐预测，确定第二数据集，包括：
确定第二用户组，所述第二用户组为除第一用户组外的用户群组；
将所述第二用户组输入所述生成器中进行业务推荐预测，确定第二数据集。
其中，第二用户组为除第一用户组外的用户群组，即未进行上线业务营销的用户。将第二用户组输入生成器进行上线业务推荐预测，得到第二数据集，第二数据集为具有一定误差的第二用户组业务推荐数据。
进一步作为优选的实施方式，所述将所述第一数据集与所述第二数据集进行组合，并将组合数据集输入第二深度神经网络模型中进行训练，确定判别器，包括：
将所述第一数据集与所述第二数据集进行组合，确定组合数据集；
将所述组合数据集输入第二深度神经网络模型中进行训练，确定判别器。
其中，将第一数据集和第二数据集进行组合，第一数据集为对第一用户组进行真实业务推荐后得到的业务推荐数据，第二数据集为带有一定误差的第二用户组业务推荐数据，将组合后的组合数据集输入第二深度神经网络模型中进行训练，训练完成后得到判别器。根据生成对抗网络原理，本发明实施例中的生成器生成接近真实的数据，并将这些数据输入判别器中进行训练，判别器在训练过程中区分生成器中生成的数据和真实数据，根据区分结果更新生成器的网络参数，直至判别器和生成器达到纳什均衡状态，即判别器无法区分生成器数据和真实数据的区别。
另一方面，本发明实施例还公开了一种基于生成对抗网络的业务推荐系统，包括：
第一模块，用于根据上线业务对第一用户组进行业务推荐，确定第一数据集；
第二模块，用于将历史业务数据输入第一深度神经网络模型中进行训练，确定生成器；
第三模块，用于根据所述生成器对第二用户组进行业务推荐预测，确定第二数据集；
第四模块，用于将所述第一数据集与所述第二数据集进行组合，并将组合数据集输入第二深度神经网络模型中进行训练，确定判别器；
第五模块，用于根据所述判别器对所述第二用户组进行推荐预测，确定上线业务的业务推荐。
进一步作为优选的实施方式，所述第一模块，用于所述根据上线业务对第一用户组进行业务推荐，确定第一数据集，包括：
根据上线业务的静态数据，对用户群组进行分层抽样，确定第一用户组；
对所述第一用户组进行业务推荐，确定第一数据集，所述第一数据集为第一用户组更换套餐的成交数据。
进一步作为优选的实施方式，所述第二模块，用于将历史业务数据输入第一深度神经网络模型中进行训练，确定生成器，包括：
对所述历史业务数据进行误差干扰处理，确定误差数据；
将所述误差数据输入第一深度神经网络模型中进行训练，确定生成器。
与图1的方法相对应，本发明实施例还提供了一种电子设备，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如前面所述的方法。
与图1的方法相对应，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
解决业务冷启动问题的相关技术，一般需要大量完成营销动作来积累历史数据，才能使模型有较好的预测用户的套餐订购意向的能力，大量营销这将带来很高的人工成本并对无意向用户进行一定的打扰；或仅使用历史业务数据进行预测，预测结果也会不够准确。
综上所述，本发明实施例具有以下优点：本发明实施例能够采用对抗生成网络进行业务推荐，能够减少大量新套餐营销数据收集成本，引入生成对抗网络代替传统分类模型，对用户新套餐意向进行预测，解决了新套餐冷启动问题；并结合真实推荐数据和历史业务数据使用对抗生成网络对用户进行预测，能够提高业务推荐的准确率。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-On ly Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (7)

1.一种基于生成对抗网络的业务推荐方法，其特征在于，包括：
根据上线业务对第一用户组进行业务推荐，确定第一数据集；
将历史业务数据输入第一深度神经网络模型中进行训练，确定生成器；
根据所述生成器对第二用户组进行业务推荐预测，确定第二数据集；
将所述第一数据集与所述第二数据集进行组合，并将组合数据集输入第二深度神经网络模型中进行训练，确定判别器；
根据所述判别器对所述第二用户组进行推荐预测，确定上线业务的业务推荐；所述根据上线业务对第一用户组进行业务推荐，确定第一数据集，包括：
根据上线业务的静态数据，对用户群组进行分层抽样，确定第一用户组；
对所述第一用户组进行业务推荐，确定第一数据集，所述第一数据集为第一用户组更换套餐的成交数据；
所述根据所述生成器对第二用户组进行业务推荐预测，确定第二数据集，包括：
确定第二用户组，所述第二用户组为除第一用户组外的用户群组；
将所述第二用户组输入所述生成器中进行业务推荐预测，确定第二数据集。
2.根据权利要求1所述的一种基于生成对抗网络的业务推荐方法，其特征在于，在所述将历史业务数据输入第一深度神经网络模型中进行训练，确定生成器之前，包括：
从数据库中获取历史业务数据；
对所述第一数据集和所述历史业务数据分别进行归一化处理和独热编码处理，确定生成对抗网络可识别的第一数据集和历史业务数据。
3.根据权利要求1所述的一种基于生成对抗网络的业务推荐方法，其特征在于，所述将历史业务数据输入第一深度神经网络模型中进行训练，确定生成器，包括：
对历史业务数据进行误差干扰处理，确定误差数据；
将所述误差数据输入第一深度神经网络模型中进行训练，确定生成器。
4.根据权利要求1所述的一种基于生成对抗网络的业务推荐方法，其特征在于，所述将所述第一数据集与所述第二数据集进行组合，并将组合数据集输入第二深度神经网络模型中进行训练，确定判别器，包括：
将所述第一数据集与所述第二数据集进行组合，确定组合数据集；
将所述组合数据集输入第二深度神经网络模型中进行训练，确定判别器。
5.一种基于生成对抗网络的业务推荐系统，其特征在于，包括：
第一模块，用于根据上线业务对第一用户组进行业务推荐，确定第一数据集；
第二模块，用于将历史业务数据输入第一深度神经网络模型中进行训练，确定生成器；
第三模块，用于根据所述生成器对第二用户组进行业务推荐预测，确定第二数据集；
第四模块，用于将所述第一数据集与所述第二数据集进行组合，并将组合数据集输入第二深度神经网络模型中进行训练，确定判别器；
第五模块，用于根据所述判别器对所述第二用户组进行推荐预测，确定上线业务的业务推荐；
所述第一模块，用于所述根据上线业务对第一用户组进行业务推荐，确定第一数据集，包括：
根据上线业务的静态数据，对用户群组进行分层抽样，确定第一用户组；
对所述第一用户组进行业务推荐，确定第一数据集，所述第一数据集为第一用户组更换套餐的成交数据；
所述第三模块，用于根据所述生成器对第二用户组进行业务推荐预测，确定第二数据集，包括：
确定第二用户组，所述第二用户组为除第一用户组外的用户群组；
将所述第二用户组输入所述生成器中进行业务推荐预测，确定第二数据集。
6.根据权利要求5所述的一种基于生成对抗网络的业务推荐系统，其特征在于，所述第二模块，用于将历史业务数据输入第一深度神经网络模型中进行训练，确定生成器，包括：
对所述历史业务数据进行误差干扰处理，确定误差数据；
将所述误差数据输入第一深度神经网络模型中进行训练，确定生成器。
7.一种系统，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1-4中任一项所述的方法。
CN202210587690.XA 2022-05-27 2022-05-27 一种基于生成对抗网络的业务推荐方法及系统 Active CN114943585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210587690.XA CN114943585B (zh) 2022-05-27 2022-05-27 一种基于生成对抗网络的业务推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210587690.XA CN114943585B (zh) 2022-05-27 2022-05-27 一种基于生成对抗网络的业务推荐方法及系统

Publications (2)

Publication Number Publication Date
CN114943585A CN114943585A (zh) 2022-08-26
CN114943585B true CN114943585B (zh) 2023-05-05

Family

ID=82909253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210587690.XA Active CN114943585B (zh) 2022-05-27 2022-05-27 一种基于生成对抗网络的业务推荐方法及系统

Country Status (1)

Country Link
CN (1) CN114943585B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109509056A (zh) * 2018-10-16 2019-03-22 平安科技（深圳）有限公司 基于对抗网络的商品推荐方法、电子装置及存储介质
CN109657156A (zh) * 2019-01-22 2019-04-19 杭州师范大学 一种基于循环生成对抗网络的个性化推荐方法
CN110704221A (zh) * 2019-09-02 2020-01-17 西安交通大学 一种基于数据增强的数据中心故障预测方法
CN110727868A (zh) * 2019-10-12 2020-01-24 腾讯音乐娱乐科技（深圳）有限公司 对象推荐方法、装置和计算机可读存储介质
WO2020168731A1 (zh) * 2019-02-19 2020-08-27 华南理工大学 一种基于生成对抗机制与注意力机制的标准人脸生成方法
CN114202061A (zh) * 2021-12-01 2022-03-18 北京航空航天大学 基于生成对抗网络模型及深度强化学习的物品推荐方法、电子设备及介质
CN114528896A (zh) * 2020-11-23 2022-05-24 京东城市(北京)数字科技有限公司 模型训练、数据增强方法、装置、电子设备及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10970765B2 (en) * 2018-02-15 2021-04-06 Adobe Inc. Generating user-customized items using a visually-aware image generation network
US10552714B2 (en) * 2018-03-16 2020-02-04 Ebay Inc. Generating a digital image using a generative adversarial network
CN108665355B (zh) * 2018-05-18 2023-06-02 深圳壹账通智能科技有限公司 金融产品推荐方法、装置、设备和计算机存储介质
CN111861605B (zh) * 2019-04-28 2024-07-19 阿里巴巴集团控股有限公司 业务对象推荐方法
CN111476622B (zh) * 2019-11-21 2021-05-25 北京沃东天骏信息技术有限公司 一种物品推送方法及装置、计算机可读存储介质
CN112395494B (zh) * 2020-10-15 2022-10-14 南京邮电大学 一种基于生成对抗网络的双向动态推荐系统
CN112633962B (zh) * 2020-12-03 2022-05-31 北京道隆华尔软件股份有限公司 业务推荐方法、装置、计算机设备和存储介质
CN114493781A (zh) * 2022-01-25 2022-05-13 工银科技有限公司 用户行为预测方法、装置、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109509056A (zh) * 2018-10-16 2019-03-22 平安科技（深圳）有限公司 基于对抗网络的商品推荐方法、电子装置及存储介质
CN109657156A (zh) * 2019-01-22 2019-04-19 杭州师范大学 一种基于循环生成对抗网络的个性化推荐方法
WO2020168731A1 (zh) * 2019-02-19 2020-08-27 华南理工大学 一种基于生成对抗机制与注意力机制的标准人脸生成方法
CN110704221A (zh) * 2019-09-02 2020-01-17 西安交通大学 一种基于数据增强的数据中心故障预测方法
CN110727868A (zh) * 2019-10-12 2020-01-24 腾讯音乐娱乐科技（深圳）有限公司 对象推荐方法、装置和计算机可读存储介质
CN114528896A (zh) * 2020-11-23 2022-05-24 京东城市(北京)数字科技有限公司 模型训练、数据增强方法、装置、电子设备及存储介质
CN114202061A (zh) * 2021-12-01 2022-03-18 北京航空航天大学 基于生成对抗网络模型及深度强化学习的物品推荐方法、电子设备及介质

Also Published As

Publication number Publication date
CN114943585A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
Bindu et al. From conventional governance to e-democracy: Tracing the evolution of e-governance research trends using network analysis tools
US11176154B1 (en) Collaborative dataset management system for machine learning data
Delgosha et al. Modelling the asymmetrical relationships between digitalisation and sustainable competitiveness: a cross-country configurational analysis
Oloyede et al. Measuring the impact of the digital economy in developing countries: A systematic review and meta-analysis
Nakamura et al. What factors affect the UX in mobile apps? A systematic mapping study on the analysis of app store reviews
CN102402594A (zh) 一种富媒体个性化推荐方法
Long et al. Reasoning by analogy and causality: a model and application
CN106372964A (zh) 一种行为忠诚度的识别及管理方法、系统和终端
CN106126592A (zh) 搜索数据的处理方法及装置
CN111091460A (zh) 一种数据处理方法及装置
US20220116348A1 (en) System and Method for Tagging Data
Xu et al. Influence of commercial insurance purchase on the health status of Chinese residents
Pegoraro et al. Uncertain case identifiers in process mining: A user study of the event-case correlation problem on click data
CN110209944A (zh) 一种股票分析师推荐方法、装置、计算机设备和存储介质
CN114943585B (zh) 一种基于生成对抗网络的业务推荐方法及系统
Liu et al. Survey on crowd-based mobile app testing
Thomas et al. Strategic mapping of the environmental social governance landscape in finance–A bibliometric exploration through concepts and themes
CN113450158A (zh) 银行活动信息推送方法及装置
Wasilewski et al. Clustering methods for adaptive e-commerce user interfaces
Cechich et al. Early detection of COTS component functional suitability
CN112667869B (zh) 数据处理方法、设备、系统及存储介质
CN116228137A (zh) 网络核查公司信息方法、装置、电子设备及存储介质
Solomon et al. Internet banking adoption in Nigeria: A literat re review
Fuad et al. Impact of E-CRM Implementation, Customer Experience, and Customer Loyalty in E-Commerce: Literature Review
Hinze et al. Advanced recommendation models for mobile tourist information

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