CN115271854A - 宽带套餐推荐方法、装置、电子设备及存储介质 - Google Patents
宽带套餐推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115271854A CN115271854A CN202210795102.1A CN202210795102A CN115271854A CN 115271854 A CN115271854 A CN 115271854A CN 202210795102 A CN202210795102 A CN 202210795102A CN 115271854 A CN115271854 A CN 115271854A
- Authority
- CN
- China
- Prior art keywords
- package
- user
- broadband
- prediction model
- 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.)
- Pending
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
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种宽带套餐推荐方法、装置、电子设备及存储介质,方法包括:获取用户的用户数据和宽带套餐的套餐属性,将用户数据输入用户偏好预测模型,得到套餐属性偏好结果,套餐属性偏好结果为用户针对宽带套餐中多个套餐属性的偏好结果,根据套餐属性偏好结果与宽带套餐的套餐属性的匹配度,确定宽带套餐的综合评分,将综合评分最高的宽带套餐推荐给用户。本发明实施例中,通过用户偏好预测模型预测用户针对宽带套餐中多个套餐属性的偏好结果,进而通过套餐属性偏好结果精准预测用户偏好的宽带套餐,并进行宽带套餐的精准营销,从而提高宽带套餐办理成功率,避免因采用电商的推荐方式,导致推荐不精准、营销效果受限的情况发生。
Description
技术领域
本发明涉及通信技术领域,特别是涉及一种宽带套餐推荐方法、一种宽带套餐推荐装置、一种电子设备以及一种计算机可读存储介质。
背景技术
进入全业务运营以来,宽带套餐成为各大运营商的重要营销产品。当前宽带套餐主要参考电商的推荐算法,例如,1)针对用户的浏览、搜索等行为进行相关推荐;2)根据购物车或物品收藏进行相关推荐;3)根据历史购买行为记录,利用推荐机制进行相关推荐。
然而,采用上述电商的推荐方式,存在推荐不精准、营销效果受限等问题。
发明内容
本发明实施例是提供一种宽带套餐推荐方法、装置、电子设备以及计算机可读存储介质,以解决采用电商的推荐方式,存在推荐不精准、营销效果受限的问题。
本发明实施例公开了一种宽带套餐推荐方法,所述方法包括:
获取用户的用户数据和宽带套餐的套餐属性;
将所述用户数据输入用户偏好预测模型,得到套餐属性偏好结果;其中,所述套餐属性偏好结果为用户针对所述宽带套餐中多个套餐属性的偏好结果;
根据所述套餐属性偏好结果与所述宽带套餐的套餐属性的匹配度,确定所述宽带套餐的综合评分;
将所述综合评分最高的宽带套餐推荐给所述用户。
可选地,所述用户数据包括消费数据、流量使用数据和访问数据,所述用户偏好预测模型包括价格预测模型、速率预测模型和流量预测模型,所述将所述用户数据输入用户偏好预测模型,得到套餐属性偏好结果,包括:
将所述消费数据输入所述价格预测模型,得到用户偏好的套餐价格;
将所述流量使用数据和所述访问数据输入所述速率预测模型,得到用户偏好的宽带速率;
将所述流量使用数据和所述访问数据输入所述流量预测模型,得到用户偏好的套餐流量。
可选地,所述套餐属性至少包括所述宽带套餐的价格、所述宽带套餐的速率和所述宽带套餐的套餐流量,所述根据所述套餐属性偏好结果与所述宽带套餐的套餐属性的匹配度,确定所述宽带套餐的综合评分,包括:
根据所述用户偏好的套餐价格和所述宽带套餐的价格的匹配度,计算所述宽带套餐的价格评分;
根据所述用户偏好的宽带速率和所述宽带套餐的速率的匹配度,计算所述宽带套餐的速率评分;
根据所述用户偏好的套餐流量和所述宽带套餐的套餐流量的匹配度,计算所述宽带套餐的流量评分;
根据所述价格评分、所述速率评分和所述流量评分,确定所述宽带套餐的综合评分。
可选地,所述用户数据还包括用户常驻的位置信息,所述将所述综合评分最高的宽带套餐推荐给所述用户,还包括:
获取所述用户常驻的位置信息附近的营业厅的位置信息;
将所述用户常驻的位置信息和所述营业厅的位置信息输入距离模型,得到与所述用户常驻的位置距离最短的营业厅,作为待推荐营业厅;
将所述综合评分最高的宽带套餐、所述待推荐营业厅的相关信息、优惠券信息推荐给用户。
可选地,还包括:
对待训练的用户偏好预测模型进行训练,得到训练完成的用户偏好预测模型;
所述待训练的用户偏好预测模型包括待训练的价格预测模型、待训练的速率预测模型和待训练的流量预测模型,所述对待训练的用户偏好预测模型进行训练,得到训练完成的用户偏好预测模型,包括:
获取历史用户数据;其中,所述历史用户数据至少包括历史消费数据、历史流量使用数据、历史访问数据和历史办理的宽带套餐;
根据所述历史消费数据和所述历史办理的宽带套餐的价格,对待训练的价格预测模型进行训练,得到训练完成的价格预测模型;
根据所述历史流量使用数据、所述历史访问数据和所述历史办理的宽带套餐的速率,对待训练的速率预测模型进行训练,得到训练完成的速率预测模型;
根据所述历史流量使用数据、所述历史访问数据和所述历史办理的宽带套餐的套餐流量,对待训练的流量预测模型进行训练,得到训练完成的流量预测模型。
可选地,在所述得到训练完成的用户偏好预测模型之后,还包括:
获取用户办理所述宽带套餐的交易数据;其中所述交易数据至少包括办理的宽带套餐;
根据所述消费数据和所述办理的宽带套餐的价格,对所述训练完成的价格预测模型进行进一步训练;
根据所述流量使用数据、所述访问数据和所述办理的宽带套餐的速率,对所述训练完成的速率预测模型进行进一步训练;
根据所述流量使用数据、所述访问数据和所述办理的宽带套餐的套餐流量,对所述训练完成的流量预测模型进行进一步训练。
可选地,在所述获取所述用户常驻的位置信息附近的营业厅的位置信息之前,还包括:
获取用户历史常驻的位置信息、所述用户历史常驻的位置信息附近的营业厅的位置信息和历史办理宽带套餐的营业厅;
根据所述用户历史常驻的位置信息、所述用户历史常驻的位置信息附近的营业厅的位置信息和所述历史办理宽带套餐的营业厅,对待训练的距离模型进行训练,得到训练完成的距离模型;
在所述得到训练完成的距离模型之后,还包括:
获取用户办理所述宽带套餐的交易数据;其中,所述交易数据至少包括办理宽带套餐的营业厅;
根据所述用户常驻的位置信息、所述用户常驻的位置信息附近的营业厅的位置信息和所述办理宽带套餐的营业厅,对所述训练完成的距离模型进行进一步训练。
本发明实施例还公开了一种宽带套餐推荐装置,包括:
数据获取模块,用于获取用户的用户数据和宽带套餐的套餐属性;
偏好预测模块,用于将所述用户数据输入用户偏好预测模型,得到套餐属性偏好结果;其中,所述套餐属性偏好结果为用户针对所述宽带套餐中多个套餐属性的偏好结果;
评分确定模块,用于根据所述套餐属性偏好结果与所述宽带套餐的套餐属性的匹配度,确定所述宽带套餐的综合评分;
套餐推荐模块,用于将所述综合评分最高的宽带套餐推荐给所述用户。
可选地,所述用户数据包括消费数据、流量使用数据和访问数据,所述用户偏好预测模型包括价格预测模型、速率预测模型和流量预测模型,所述偏好预测模块,包括:
价格预测子模块,用于将所述消费数据输入所述价格预测模型,得到用户偏好的套餐价格;
速率预测子模块,用于将所述流量使用数据和所述访问数据输入所述速率预测模型,得到用户偏好的宽带速率;
流量预测子模块,用于将所述流量使用数据和所述访问数据输入所述流量预测模型,得到用户偏好的套餐流量。
可选地,所述套餐属性至少包括所述宽带套餐的价格、所述宽带套餐的速率和所述宽带套餐的套餐流量,所述评分确定模块,包括:
价格评分计算子模块,用于根据所述用户偏好的套餐价格和所述宽带套餐的价格的匹配度,计算所述宽带套餐的价格评分;
速率评分计算子模块,用于根据所述用户偏好的宽带速率和所述宽带套餐的速率的匹配度,计算所述宽带套餐的速率评分;
流量评分计算子模块,用于根据所述用户偏好的套餐流量和所述宽带套餐的套餐流量的匹配度,计算所述宽带套餐的流量评分;
综合评分确定子模块,用于根据所述价格评分、所述速率评分和所述流量评分,确定所述宽带套餐的综合评分。
可选地,所述用户数据还包括用户常驻的位置信息,还包括:
信息获取模块,用于获取所述用户常驻的位置信息附近的营业厅的位置信息;
营业厅确定模块,用于将所述用户常驻的位置信息和所述营业厅的位置信息输入距离模型,得到与所述用户常驻的位置距离最短的营业厅,作为待推荐营业厅;
套餐推荐模块,还用于将所述综合评分最高的宽带套餐、所述待推荐营业厅的相关信息、优惠券信息推荐给用户。
可选地,还包括:
模型训练模块,用于对待训练的用户偏好预测模型进行训练,得到训练完成的用户偏好预测模型;
所述待训练的用户偏好预测模型包括待训练的价格预测模型、待训练的速率预测模型和待训练的流量预测模型,所述模型训练模块,包括:
数据获取子模块,用于获取历史用户数据;其中,所述历史用户数据至少包括历史消费数据、历史流量使用数据、历史访问数据和历史办理的宽带套餐;
价格预测模型训练子模块,用于根据所述历史消费数据和所述历史办理的宽带套餐的价格,对待训练的价格预测模型进行训练,得到训练完成的价格预测模型;
速率预测模型训练子模块,用于根据所述历史流量使用数据、所述历史访问数据和所述历史办理的宽带套餐的速率,对待训练的速率预测模型进行训练,得到训练完成的速率预测模型;
流量预测模型训练子模块,用于根据所述历史流量使用数据、所述历史访问数据和所述历史办理的宽带套餐的套餐流量,对待训练的流量预测模型进行训练,得到训练完成的流量预测模型。
可选地,还包括:
数据获取子模块,还用于获取用户办理所述宽带套餐的交易数据;其中所述交易数据至少包括办理的宽带套餐;
价格预测模型优化子模块,用于根据所述消费数据和所述办理的宽带套餐的价格,对所述训练完成的价格预测模型进行进一步训练;
速率预测模型优化子模块,用于根据所述流量使用数据、所述访问数据和所述办理的宽带套餐的速率,对所述训练完成的速率预测模型进行进一步训练;
流量预测模型优化子模块,用于根据所述流量使用数据、所述访问数据和所述办理的宽带套餐的套餐流量,对所述训练完成的流量预测模型进行进一步训练。
可选地,还包括:
信息获取模块,还用于获取用户历史常驻的位置信息、所述用户历史常驻的位置信息附近的营业厅的位置信息和历史办理宽带套餐的营业厅;
距离模型训练模块,用于根据所述用户历史常驻的位置信息、所述用户历史常驻的位置信息附近的营业厅的位置信息和所述历史办理宽带套餐的营业厅,对待训练的距离模型进行训练,得到训练完成的距离模型;
还包括:
数据获取模块,还用于获取用户办理所述宽带套餐的交易数据;其中,所述交易数据至少包括办理宽带套餐的营业厅;
距离模型优化模块,用于根据所述用户常驻的位置信息、所述用户常驻的位置信息附近的营业厅的位置信息和所述办理宽带套餐的营业厅,对所述训练完成的距离模型进行进一步训练。
本发明实施例还公开了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行存储器上所存放的程序时,实现如本发明实施例所述的方法。
本发明实施例还公开了一种计算机可读存储介质,其上存储有指令,当由一个或多个处理器执行时,使得所述处理器执行如本发明实施例所述的方法。
本发明实施例包括以下优点:通过用户偏好预测模型预测用户针对宽带套餐中多个套餐属性的偏好结果,从而根据套餐属性偏好结果与宽带套餐的套餐属性的匹配度,确定宽带套餐的综合评分,并将综合评分最高的宽带套餐推荐给所述用户。本发明实施例中,通过用户偏好预测模型预测用户针对宽带套餐中多个套餐属性的偏好结果,进而可以通过套餐属性偏好结果精准预测用户偏好的宽带套餐,并进行宽带套餐的精准营销,从而提高宽带套餐办理成功率,避免因采用电商的推荐方式,导致推荐不精准、营销效果受限的情况发生。
附图说明
图1是本发明实施例中提供的一种宽带套餐推荐方法的步骤流程图;
图2是本发明实施例中提供的另一种宽带套餐推荐方法的步骤流程图;
图3是本发明实施例中提供的一种数据提取及特征加工流程示意图;
图4是本发明实施例中提供的一种宽带套餐用户-套餐属性偏好确定的示意图;
图5是本发明实施例中提供的一种待推荐营业厅确定的示意图;
图6是本发明实施例中提供的一种宽带套餐推荐装置的结构框图;
图7是本发明实施例中提供的一种电子设备的框图。
具体实施方式
为使本发明的上述目的、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发明作进一步详细的说明。
进入全业务运营以来,宽带套餐成为各大运营商的重要营销产品。当前宽带套餐主要参考电商的推荐算法,而忽略了套餐内部属性特征,往往存在推荐不精准、营销效果受限等问题。若能充分利用宽带套餐的精准推荐,权益营销率会显著提高。因此,如何实现精准预测宽带套餐的用户及其偏好产品,并进行宽带套餐的精准营销,从而提升市场占有率,成为运营商的重点研究方向。
基于此,本发明实施例中提出了一种宽带套餐推荐方法、装置、电子设备及存储介质,将宽带套餐拆分成套餐价格、宽带速率、套餐流量等多个属性,分别建立模型预测潜在宽带套餐用户及其对应的偏好,再组合评价预测结果,选择匹配度最高的在售宽带套餐进行精准推荐,从而提高办理宽带套餐的成功率。
参照图1,示出了本发明实施例中提供的一种宽带套餐推荐方法的步骤流程图,具体可以包括如下步骤:
步骤101:获取用户的用户数据和宽带套餐的套餐属性。
其中,用户数据可以为用户个人属性、历史消费、行为偏好、网络访问、用户权益、智慧家庭等数据;宽带套餐为在售的套餐,宽带套餐可以为单纯的宽带套餐,也可以为包含手机卡套餐的宽带融合套餐,宽带套餐的套餐属性可以为宽带套餐的产品信息,如价格、速率、宽带流量、手机卡流量和优惠信息等信息。
需要说明的是,本发明实施例中提出的所有获取用户数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
具体地,获取用户的用户数据和宽带套餐的套餐属性,并对用户数据进行清洗和特征加工,以得到需要使用到的用户数据。
步骤102:将所述用户数据输入用户偏好预测模型,得到套餐属性偏好结果。
其中,套餐属性偏好结果为用户针对宽带套餐中多个套餐属性的偏好结果,如用户偏好的套餐价格、用户偏好的宽带速率等。
具体地,将用户数据输入用户偏好预测模型,可以预测得到用户对宽带套餐中多个套餐属性的偏好结果,即套餐属性偏好结果,从而可以根据套餐属性偏好结果确定潜在的宽带用户和适合该用户的宽带套餐。
步骤103:根据所述套餐属性偏好结果与所述宽带套餐的套餐属性的匹配度,确定所述宽带套餐的综合评分。
具体地,在预测得到用户针对宽带套餐中多个套餐属性的偏好结果之后,通过套餐属性偏好结果与宽带套餐的套餐属性进行匹配,并根据匹配度对宽带套餐进行综合评分,从而确定出各在售宽带套餐的综合评分,如用户针对宽带套餐中多个套餐属性的偏好结果与宽带套餐属性越接近,那么该宽带套餐的综合评分就越高,用户针对宽带套餐中多个套餐属性的偏好结果与宽带套餐属性差距越大,那么该宽带套餐的综合评分就越低。
步骤104:将所述综合评分最高的宽带套餐推荐给所述用户。
具体地,在通过套餐属性偏好结果与宽带套餐的套餐属性的匹配度,确定出宽带套餐的综合评分之后,综合评分最高的宽带套餐表明该宽带套餐的套餐属性与用户针对宽带套餐中多个套餐属性的偏好结果最接近,该宽带套餐就越符合该用户的要求,因此将综合评分最高的宽带套餐推荐给用户。如可以通过电话、短信、应用程序推送或公众号推送等方式将综合评分最高的宽带套餐推荐给用户。
本发明实施例中,通过用户偏好预测模型预测用户针对宽带套餐中多个套餐属性的偏好结果,从而根据套餐属性偏好结果与宽带套餐的套餐属性的匹配度,确定宽带套餐的综合评分,并将综合评分最高的宽带套餐推荐给所述用户。通过用户偏好预测模型预测用户针对宽带套餐中多个套餐属性的偏好结果,进而可以通过套餐属性偏好结果,实现精准预测用户偏好的宽带套餐,并进行宽带套餐的精准营销,从而提高宽带套餐办理成功率,避免因采用电商的推荐方式,导致推荐不精准、营销效果受限的情况发生。
参照图2,示出了本发明实施例中提供的另一种宽带套餐推荐方法的步骤流程图,具体可以包括如下步骤:
步骤201:获取用户的用户数据和宽带套餐的套餐属性。
该步骤具体可以参照上述步骤101,此处不再赘述。
步骤202:将所述用户数据输入用户偏好预测模型,得到套餐属性偏好结果。
其中,用户数据包括消费数据、流量使用数据和访问数据,用户偏好预测模型为多个分类器链模型,通过将用户数据输入用户偏好预测模型,可以预测得到用户偏好的套餐价格、用户偏好的宽带速率和用户偏好的套餐流量(宽带套餐流量)。
需要说明的是,本发明实施例中以预测用户偏好的套餐价格、用户偏好的宽带速率和用户偏好的套餐流量为例进行说明,而在实际应用中,还可以预测用户偏好的其他套餐属性,通过用户偏好的其他套餐属性去确定用户偏好的宽带套餐,如当宽带套餐为宽带融合套餐时,还可以预测用户偏好的手机卡流量,用户偏好的通话时间等。
在本发明一实施例中,所述用户偏好预测模型包括价格预测模型、速率预测模型和流量预测模型,所述步骤202,包括:将所述消费数据输入所述价格预测模型,得到用户偏好的套餐价格;将所述流量使用数据和所述访问数据输入所述速率预测模型,得到用户偏好的宽带速率;将所述流量使用数据和所述访问数据输入所述流量预测模型,得到用户偏好的套餐流量。
参照图3,示出了本发明实施例中提供的一种数据提取及特征加工流程示意图。用户数据可以包括DPI(Deep packet inspection,深度数据)数据、CRM(CustomerRelationship Management,客户关系管理)受理数据、异网URL(uniform resourcelocator,统一资源定位系统)数据和终端平台数据。
在获取到用户数据后,对用户数据进行清洗和特征加工,具体对用户进行特征融合并将特征融合后的数据进行区分,具体区分为个人体征指标、业务特征指标、终端偏好指标、APP偏好指标、网页访问指标等,再进一步提取到用户的信息数据,消费数据、流量使用数据和访问数据,如用户的信息数据可以包括用户年龄、用户性别、在网时长、用户权利类型等;消费数据可以包括终端价格、套餐价格、消费趋势、月均出账金额、月均充值金额等;流量使用数据可以包括终端网络速率,宽带速率质差、定向流量、忙时流量、流量趋势、学习培训APP流量、在线游戏APP流量、视频APP流量等;访问数据可以包括APP访问偏好、APP访问类型偏好、学习培训APP时长、在线游戏APP时长、视频APP使用时长、学习培训APP次数、在线游戏APP次数、视频APP次数等。
在提取到用户的信息数据,消费数据、流量使用数据和访问数据后,将用户的信息数据和消费数据输入价格预测模型,可以预测得到用户偏好的套餐价格,将流量使用数据和访问数据输入速率预测模型,可以预测得到用户偏好的宽带速率,将用户的信息数据、流量使用数据和访问数据输入流量预测模型,可以预测得到用户偏好的套餐流量。
在本发明一实施例中,在所述将用户数据输入用户偏好预测模型之前,还包括:对待训练的用户偏好预测模型进行训练,得到训练完成的用户偏好预测模型;
所述待训练的用户偏好预测模型包括待训练的价格预测模型、待训练的速率预测模型和待训练的流量预测模型,所述对待训练的用户偏好预测模型进行训练,得到训练完成的用户偏好预测模型,包括:获取历史用户数据;其中,所述历史用户数据至少包括历史消费数据、历史流量使用数据、历史访问数据和历史办理的宽带套餐;根据所述历史消费数据和所述历史办理的宽带套餐的价格,对待训练的价格预测模型进行训练,得到训练完成的价格预测模型;根据所述历史流量使用数据、所述历史访问数据和所述历史办理的宽带套餐的速率,对待训练的速率预测模型进行训练,得到训练完成的速率预测模型;根据所述历史流量使用数据、所述历史访问数据和所述历史办理的宽带套餐的套餐流量,对待训练的流量预测模型进行训练,得到训练完成的流量预测模型。
具体地,获取历史用户数据,历史用户数据至少包括用户的信息数据、历史消费数据、历史流量使用数据、历史访问数据和历史办理的宽带套餐,因此可以通过用户的信息数据、历史消费数据、历史流量使用数据、历史访问数据、历史办理的宽带套餐的价格、速率和流量,对待训练的价格预测模型、待训练的速率预测模型和待训练的流量预测模型进行训练,得到训练完成的价格预测模型、速率预测模型和流量预测模型,以便对用户偏好的套餐属性进行预测。
步骤203:根据所述套餐属性偏好结果与所述宽带套餐的套餐属性的匹配度,确定所述宽带套餐的综合评分。
在本发明一实施例中,所述套餐属性至少包括所述宽带套餐的价格、所述宽带套餐的速率和所述宽带套餐的套餐流量,所述步骤203,包括:根据所述用户偏好的套餐价格和所述宽带套餐的价格的匹配度,计算所述宽带套餐的价格评分;根据所述用户偏好的宽带速率和所述宽带套餐的速率的匹配度,计算所述宽带套餐的速率评分;根据所述用户偏好的套餐流量和所述宽带套餐的套餐流量的匹配度,计算所述宽带套餐的流量评分;根据所述价格评分、所述速率评分和所述流量评分,确定所述宽带套餐的综合评分。
具体地,在预测得到用户偏好的套餐价格(简称预测价格)、用户偏好的宽带速率(简称预测速率)和用户偏好的套餐流量(简称预测流量)之后,可以根据预测价格、预测速率和预测流量,与宽带套餐的价格(简称套餐价格)、宽带套餐的速率(简称宽带速率)和宽带套餐的套餐流量(简套餐带流量)进行匹配,以确定宽带套餐的综合评分,具体匹配方式如下:
根据预测价格和宽带价格的匹配度,计算宽带套餐的价格评分方式如下:
单位:元
其中,S价格为宽带套餐的价格评分。如当预测价格为120元,套餐价格为99元,那么预测价格减去套餐价格为21元,此时宽带套餐的价格评分为20分。
根据预测速率和宽带速率的匹配度,计算宽带套餐的速率评分方式如下:
单位:M
其中,S速率为宽带套餐的速率评分。如当预测速率为600M,套餐速率500M,那么预测速率减去套餐速率为100M,此时宽带套餐的速率评分为30分。
根据预测流量和套餐流量的匹配度,计算宽带套餐的流量评分方式如下:
单位:G
其中,S流量为宽带套餐的流量评分。如当预测流量为40G,套餐流量为20G,那么预测价格减去套餐价格为20G,此时宽带套餐的价格评分为20分。
在计算出宽带套餐的价格评分、速率评分和流量评分之后,确定宽带套餐的综合评分,具体计算方式如下:
S综合评分=S价格+S速率+S流量;
当S价格为20分,S速率为30分,S流量为20分时,S综合评分为70分,即宽带套餐的综合评分为70分。
因此,可以通过上述方式计算出所有在售宽带套餐的综合评分。
本发明实施例中,通过将分别对宽带套餐的价格、宽带套餐的速率、宽带套餐的套餐流量3类偏好属性分别拆分预测,然后将3个模型预测的预测价格、预测速率和预测流量进行合并,输出带价格、速率、流量偏好标签的最终潜在宽带套餐用户,提高了目标用户的准确性。同时通过预测价格、预测速率和预测流量还可以提高推荐套餐的准确性。
步骤204:获取所述用户常驻的位置信息附近的营业厅的位置信息。
其中,用户数据还包括用户常驻的位置信息,位置信息为经纬度数据。
具体地,在确定出所有在售宽带套餐的综合评分之后,获取用户常驻的位置信息附近的营业厅的位置信息,即营业厅的经纬度数据,如用户经纬度为(X1,Y1),营业厅经纬度(X2,Y2),其中X1、X2为经度,Y1、Y2为纬度。
步骤205:将所述用户常驻的位置信息和所述营业厅的位置信息输入距离模型,得到与所述用户常驻的位置距离最短的营业厅,作为待推荐营业厅。
其中,用户常驻的位置信息可以通过用户终端LBS(Location Based Service,基于移动位置服务)定位得到。
具体地,将用户常驻的位置信息和营业厅的位置信息输入距离模型,可以得到与用户常驻的位置距离最短的营业厅,作为待推荐营业厅。具体计算用户到营业厅的距离公式如下:
d=R*arcos[cos(Y1)*cos(Y2)*cos(X1-X2)+sin(Y1)*sin(Y2)]
其中,d为用户到营业厅的距离,R为地球半径为6371km,X1为用户经度,Y1为用户纬度,X2为营业厅经度,Y2为营业厅纬度。
从而可以计算出用户附近营业厅与用户的距离,并确定出与用户常驻的位置距离最短的营业厅,作为待推荐营业厅。
在本发明一实施例中,在所述获取所述用户常驻的位置信息附近的营业厅的位置信息之前,还包括:获取用户历史常驻的位置信息、所述用户历史常驻的位置信息附近的营业厅的位置信息和历史办理宽带套餐的营业厅;根据所述用户历史常驻的位置信息、所述用户历史常驻的位置信息附近的营业厅的位置信息和所述历史办理宽带套餐的营业厅,对待训练的距离模型进行训练,得到训练完成的距离模型。
具体地,在使用距离模型之前,获取用户历史常驻的位置信息、用户历史常驻的位置信息附近的营业厅的位置信息和历史办理宽带套餐的营业厅,以对待训练的距离模型进行训练,得到训练完成的距离模型。
步骤206:将所述综合评分最高的宽带套餐、所述待推荐营业厅的相关信息、优惠券信息推荐给用户。
其中,宽带套餐的套餐属性包括优惠券信息,待推荐营业厅的相关信息包括待推荐营业厅的联系人和位置信息等。具体地,在得到宽带套餐的综合评分和待推荐营业厅之后,将综合评分最高的宽带套餐、优惠券信息、待推荐营业厅的联系人和位置信息等推送给用户。
另外,在本发明一实施例中,在用户根据推荐的信息办理了宽带套餐之后,还包括:获取用户办理的宽带套餐的交易数据;其中,所述交易数据至少包括办理的宽带套餐;根据所述消费数据和所述办理的宽带套餐的价格,对所述训练完成的价格预测模型进行进一步训练;根据所述流量使用数据、所述访问数据和所述办理的宽带套餐的速率,对所述训练完成的速率预测模型进行进一步训练;根据所述流量使用数据、所述访问数据和所述办理的宽带套餐的套餐流量,对所述训练完成的流量预测模型进行进一步训练。
具体地,在用户根据推荐的信息办理了宽带套餐之后,获取用户办理的宽带套餐的价格、速率和流量,通过用户的信息数据、消费数据、流量使用数据和访问数据对训练完成的价格预测模型、速率预测模型和流量预测模型进行进一步的训练和优化,从而可以实现对价格预测模型、速率预测模型和流量预测模型不断地更新优化。
在本发明一实施例中,在用户根据推荐的信息办理了宽带套餐之后,还包括:获取用户办理所述宽带套餐的交易数据;其中,所述交易数据至少包括办理宽带套餐的营业厅;根据所述用户常驻的位置信息、所述用户常驻的位置信息附近的营业厅的位置信息和所述办理宽带套餐的营业厅,对所述训练完成的距离模型进行进一步训练。
具体地,在用户根据推荐的信息办理了宽带套餐之后,获取用户办理宽带套餐的营业厅,通过用户常驻的位置信息、用户常驻的位置信息附近的营业厅的位置信息和办理宽带套餐的营业厅的位置信息,对训练完成的距离模型进行进一步训练和优化,从而可以实现对距离模型不断地更新优化。
为了更好的理解本发明中的实施例,以下通过一具体实施例进行示例性说明。
S1、数据提取:本步骤首先获取用户信息及在售宽带套餐信息,其次进行数据清洗及特征加工。包括但不限于以下数据:①用户信息,例如:DPI数据、月均消费、忙时流量等,②宽带套餐信息,例如:套餐价格、宽带速率、套餐内流量。
S2、建模预测潜在宽带套餐用户及其宽带套餐的权益偏好属性:识别潜在宽带套餐用户,并基于用户特征预测潜在宽带套餐用户的套餐属性偏好。
参照图4,示出了本发明实施例中提供的一种宽带套餐用户-套餐属性偏好确定的示意图。本方法分别对潜在宽带套餐用户-价格、潜在宽带套餐用户-速率、潜在宽带套餐用户-流量3类偏好属性分别拆分预测,然后将3个模型预测的用户集进行合并,输出带价格、速率、流量偏好标签的最终潜在宽带套餐用户,提高了目标用户的准确性。
例如,预测潜在宽带套餐用户张三偏好的套餐价格为155元,偏好的宽带速率300M,偏好的套餐流量为10G。
用户 | 手机号 | 偏好价格 | 偏好宽带速率 | 偏好流量 |
张三 | 189****1701 | 155 | 300M | 10G |
模型合并及公式计算:将3个预测模型的预测用户集进行合并,获得最终的潜在用户,通过综合评分的方式,计算潜在用户的套餐属性偏好与宽带套餐的匹配度综合评分(具体计算方式同上述步骤203,此处不再赘述),对综合评分进行降序排列,取分数最高的TOP3宽带套餐。
例如,计算潜在宽带套餐用户张三的预测套餐价格、预测宽带速率、预测流量与在售套餐的匹配度得分,选取综合匹配得分最高的宽带套餐作为张三的待推荐套餐。
通过上表可知,综合评分最高的宽带套餐为在售宽带套餐B,综合评分为120分,因此可以将宽带套餐B推送给张三。
S3、获取预设范围内营业厅信息:获取用户夜间常驻位置及附近营业厅的经纬度数据,选择离用户常驻地最近的营业厅,作为待推荐营业厅。具体参照图5,示出了本发明实施例中提供的一种待推荐营业厅确定的示意图。图中,可以通过通LBS终端定位获取用户夜间常驻位置,目标用户、A营业厅、B营业厅和C营业厅的经纬度分别为(X1,Y2)、(Xa,Ya)、(Xb,Yb)和(Xc,Yc),将目标用户、A营业厅、B营业厅和C营业厅的经纬度输入距离模型中,可以计算出A营业厅、B营业厅和C营业厅与目标用户的距离a、b和c,并确定出与目标用户距离最短的营业厅,其中,B营业厅与目标用户的距离b最短,因此,将B营业厅作为待推荐营业厅。如目标用户附近包括A营业厅、B营业厅和C营业厅,具体可以如下:
S4、将宽带套餐优惠信息及营业厅信息发送至用户手机
将用户偏好的宽带套餐价格信息、优惠券信息、营业厅位置信息、联系人信息等发送至用户手机;
例如获取到S3所述用户匹配度最高的宽带套餐为5G畅享159元宽带套餐(在售产品B,优惠后价格151元),内容包含300M宽带及30G流量,将此营销消息及营业厅店B的位置信息实时发送到用户手机上。
S5、效果反馈及系统优化
获取用户宽带套餐的交易信息(如办理营业厅、办理时间、套餐价格等),作为历史数据调节上述S1至S4中的模型参数,优化系统效果。
本发明实施例中,根据宽带套餐的套餐价格属性、宽带速率属性、套餐流量属性分别建立分类器链模型,在识别出潜在宽带套餐用户的同时分别预测其套餐属性偏好,然后综合各个预测模型预测结果获取推荐宽带套餐,提升预测准确性。
将宽带套餐属性拆分,分别预测用户的偏好价格、速率、流量,获取匹配度最高的在售宽带套餐后,再引导用户至距离其常驻位置最近的营业厅店办理业务,提升推荐精准性及办理成功率。
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,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,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优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图6,示出了本发明实施例中提供的一种宽带套餐推荐装置的结构框图,具体可以包括如下模块:
数据获取模块601,用于获取用户的用户数据和宽带套餐的套餐属性;
偏好预测模块602,用于将所述用户数据输入用户偏好预测模型,得到套餐属性偏好结果;其中,所述套餐属性偏好结果为用户针对所述宽带套餐中多个套餐属性的偏好结果;
评分确定模块603,用于根据所述套餐属性偏好结果与所述宽带套餐的套餐属性的匹配度,确定所述宽带套餐的综合评分;
套餐推荐模块604,用于将所述综合评分最高的宽带套餐推荐给所述用户。
可选地,所述用户数据包括消费数据、流量使用数据和访问数据,所述用户偏好预测模型包括价格预测模型、速率预测模型和流量预测模型,所述偏好预测模块,包括:
价格预测子模块,用于将所述消费数据输入所述价格预测模型,得到用户偏好的套餐价格;
速率预测子模块,用于将所述流量使用数据和所述访问数据输入所述速率预测模型,得到用户偏好的宽带速率;
流量预测子模块,用于将所述流量使用数据和所述访问数据输入所述流量预测模型,得到用户偏好的套餐流量。
可选地,所述套餐属性至少包括所述宽带套餐的价格、所述宽带套餐的速率和所述宽带套餐的套餐流量,所述评分确定模块,包括:
价格评分计算子模块,用于根据所述用户偏好的套餐价格和所述宽带套餐的价格的匹配度,计算所述宽带套餐的价格评分;
速率评分计算子模块,用于根据所述用户偏好的宽带速率和所述宽带套餐的速率的匹配度,计算所述宽带套餐的速率评分;
流量评分计算子模块,用于根据所述用户偏好的套餐流量和所述宽带套餐的套餐流量的匹配度,计算所述宽带套餐的流量评分;
综合评分确定子模块,用于根据所述价格评分、所述速率评分和所述流量评分,确定所述宽带套餐的综合评分。
可选地,所述用户数据还包括用户常驻的位置信息,还包括:
信息获取模块,用于获取所述用户常驻的位置信息附近的营业厅的位置信息;
营业厅确定模块,用于将所述用户常驻的位置信息和所述营业厅的位置信息输入距离模型,得到与所述用户常驻的位置距离最短的营业厅,作为待推荐营业厅;
套餐推荐模块,还用于将所述综合评分最高的宽带套餐、所述待推荐营业厅的相关信息、优惠券信息推荐给用户。
可选地,还包括:
模型训练模块,用于对待训练的用户偏好预测模型进行训练,得到训练完成的用户偏好预测模型;
所述待训练的用户偏好预测模型包括待训练的价格预测模型、待训练的速率预测模型和待训练的流量预测模型,所述模型训练模块,包括:
数据获取子模块,用于获取历史用户数据;其中,所述历史用户数据至少包括历史消费数据、历史流量使用数据、历史访问数据和历史办理的宽带套餐;
价格预测模型训练子模块,用于根据所述历史消费数据和所述历史办理的宽带套餐的价格,对待训练的价格预测模型进行训练,得到训练完成的价格预测模型;
速率预测模型训练子模块,用于根据所述历史流量使用数据、所述历史访问数据和所述历史办理的宽带套餐的速率,对待训练的速率预测模型进行训练,得到训练完成的速率预测模型;
流量预测模型训练子模块,用于根据所述历史流量使用数据、所述历史访问数据和所述历史办理的宽带套餐的套餐流量,对待训练的流量预测模型进行训练,得到训练完成的流量预测模型。
可选地,还包括:
数据获取子模块,还用于获取用户办理所述宽带套餐的交易数据;其中所述交易数据至少包括办理的宽带套餐;
价格预测模型优化子模块,用于根据所述消费数据和所述办理的宽带套餐的价格,对所述训练完成的价格预测模型进行进一步训练;
速率预测模型优化子模块,用于根据所述流量使用数据、所述访问数据和所述办理的宽带套餐的速率,对所述训练完成的速率预测模型进行进一步训练;
流量预测模型优化子模块,用于根据所述流量使用数据、所述访问数据和所述办理的宽带套餐的套餐流量,对所述训练完成的流量预测模型进行进一步训练。
可选地,还包括:
信息获取模块,还用于获取用户历史常驻的位置信息、所述用户历史常驻的位置信息附近的营业厅的位置信息和历史办理宽带套餐的营业厅;
距离模型训练模块,用于根据所述用户历史常驻的位置信息、所述用户历史常驻的位置信息附近的营业厅的位置信息和所述历史办理宽带套餐的营业厅,对待训练的距离模型进行训练,得到训练完成的距离模型;
还包括:
数据获取模块,还用于获取用户办理所述宽带套餐的交易数据;其中,所述交易数据至少包括办理宽带套餐的营业厅;
距离模型优化模块,用于根据所述用户常驻的位置信息、所述用户常驻的位置信息附近的营业厅的位置信息和所述办理宽带套餐的营业厅,对所述训练完成的距离模型进行进一步训练。
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。
另外,本发明实施例还提供了一种电子设备,包括:处理器,存储器,存储在存储器上并可在处理器上运行的计算机程序,该计算机程序被处理器执行时实现上述数据获取方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述数据获取方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
图7为实现本发明各个实施例的一种电子设备的硬件结构示意图。
该电子设备700包括但不限于:射频单元701、网络模块702、音频输出单元703、输入单元704、传感器705、显示单元706、用户输入单元707、接口单元708、存储器709、处理器710、以及电源711等部件。本领域技术人员可以理解,图7中示出的电子设备结构并不构成对电子设备的限定,电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。在本发明实施例中,电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
应理解的是,本发明实施例中,射频单元701可用于收发信息或通话过程中,信号的接收和发送,具体的,将来自基站的下行数据接收后,给处理器710处理;另外,将上行的数据发送给基站。通常,射频单元701包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元701还可以通过无线通信系统与网络和其他设备通信。
电子设备通过网络模块702为用户提供了无线的宽带互联网访问,如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元703可以将射频单元701或网络模块702接收的或者在存储器709中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元703还可以提供与电子设备700执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元703包括扬声器、蜂鸣器以及受话器等。
输入单元704用于接收音频或视频信号。输入单元704可以包括图形处理器(Graphics Processing Unit,GPU)7041和麦克风7042,图形处理器7041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元706上。经图形处理器7041处理后的图像帧可以存储在存储器709(或其它存储介质)中或者经由射频单元701或网络模块702进行发送。麦克风7042可以接收声音,并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元701发送到移动通信基站的格式输出。
电子设备700还包括至少一种传感器705,比如光传感器、运动传感器以及其他传感器。具体地,光传感器包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板7061的亮度,接近传感器可在电子设备700移动到耳边时,关闭显示面板7061和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;传感器705还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等,在此不再赘述。
显示单元706用于显示由用户输入的信息或提供给用户的信息。显示单元706可包括显示面板7061,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板7061。
用户输入单元707可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地,用户输入单元707包括触控面板7071以及其他输入设备7072。触控面板7071,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板7071上或在触控面板7071附近的操作)。触控面板7071可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器710,接收处理器710发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板7071。除了触控面板7071,用户输入单元707还可以包括其他输入设备7072。具体地,其他输入设备7072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
进一步的,触控面板7071可覆盖在显示面板7061上,当触控面板7071检测到在其上或附近的触摸操作后,传送给处理器710以确定触摸事件的类型,随后处理器710根据触摸事件的类型在显示面板7061上提供相应的视觉输出。虽然在图7中,触控面板7071与显示面板7061是作为两个独立的部件来实现电子设备的输入和输出功能,但是在某些实施例中,可以将触控面板7071与显示面板7061集成而实现电子设备的输入和输出功能,具体此处不做限定。
接口单元708为外部装置与电子设备700连接的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元708可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到电子设备700内的一个或多个元件或者可以用于在电子设备700和外部装置之间传输数据。
存储器709可用于存储软件程序以及各种数据。存储器709可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器709可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器710是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器709内的软件程序和/或模块,以及调用存储在存储器709内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。处理器710可包括一个或多个处理单元;优选的,处理器710可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器710中。
电子设备700还可以包括给各个部件供电的电源711(比如电池),优选的,电源711可以通过电源管理系统与处理器710逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外,电子设备700包括一些未示出的功能模块,在此不再赘述。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
本领域普通技术人员可以意识到,结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种宽带套餐推荐方法,其特征在于,所述方法包括:
获取用户的用户数据和宽带套餐的套餐属性;
将所述用户数据输入用户偏好预测模型,得到套餐属性偏好结果;其中,所述套餐属性偏好结果为用户针对所述宽带套餐中多个套餐属性的偏好结果;
根据所述套餐属性偏好结果与所述宽带套餐的套餐属性的匹配度,确定所述宽带套餐的综合评分;
将所述综合评分最高的宽带套餐推荐给所述用户。
2.根据权利要求1所述的方法,其特征在于,所述用户数据包括消费数据、流量使用数据和访问数据,所述用户偏好预测模型包括价格预测模型、速率预测模型和流量预测模型,所述将所述用户数据输入用户偏好预测模型,得到套餐属性偏好结果,包括:
将所述消费数据输入所述价格预测模型,得到用户偏好的套餐价格;
将所述流量使用数据和所述访问数据输入所述速率预测模型,得到用户偏好的宽带速率;
将所述流量使用数据和所述访问数据输入所述流量预测模型,得到用户偏好的套餐流量。
3.根据权利要求2所述的方法,其特征在于,所述套餐属性至少包括所述宽带套餐的价格、所述宽带套餐的速率和所述宽带套餐的套餐流量,所述根据所述套餐属性偏好结果与所述宽带套餐的套餐属性的匹配度,确定所述宽带套餐的综合评分,包括:
根据所述用户偏好的套餐价格和所述宽带套餐的价格的匹配度,计算所述宽带套餐的价格评分;
根据所述用户偏好的宽带速率和所述宽带套餐的速率的匹配度,计算所述宽带套餐的速率评分;
根据所述用户偏好的套餐流量和所述宽带套餐的套餐流量的匹配度,计算所述宽带套餐的流量评分;
根据所述价格评分、所述速率评分和所述流量评分,确定所述宽带套餐的综合评分。
4.根据权利要求1所述的方法,其特征在于,所述用户数据还包括用户常驻的位置信息,所述将所述综合评分最高的宽带套餐推荐给所述用户,还包括:
获取所述用户常驻的位置信息附近的营业厅的位置信息;
将所述用户常驻的位置信息和所述营业厅的位置信息输入距离模型,得到与所述用户常驻的位置距离最短的营业厅,作为待推荐营业厅;
将所述综合评分最高的宽带套餐、所述待推荐营业厅的相关信息、优惠券信息推荐给用户。
5.根据权利要求2所述的方法,其特征在于,还包括:
对待训练的用户偏好预测模型进行训练,得到训练完成的用户偏好预测模型;
所述待训练的用户偏好预测模型包括待训练的价格预测模型、待训练的速率预测模型和待训练的流量预测模型,所述对待训练的用户偏好预测模型进行训练,得到训练完成的用户偏好预测模型,包括:
获取历史用户数据;其中,所述历史用户数据至少包括历史消费数据、历史流量使用数据、历史访问数据和历史办理的宽带套餐;
根据所述历史消费数据和所述历史办理的宽带套餐的价格,对待训练的价格预测模型进行训练,得到训练完成的价格预测模型;
根据所述历史流量使用数据、所述历史访问数据和所述历史办理的宽带套餐的速率,对待训练的速率预测模型进行训练,得到训练完成的速率预测模型;
根据所述历史流量使用数据、所述历史访问数据和所述历史办理的宽带套餐的套餐流量,对待训练的流量预测模型进行训练,得到训练完成的流量预测模型。
6.根据权利要求5所述的方法,其特征在于,在所述得到训练完成的用户偏好预测模型之后,还包括:
获取用户办理所述宽带套餐的交易数据;其中所述交易数据至少包括办理的宽带套餐;
根据所述消费数据和所述办理的宽带套餐的价格,对所述训练完成的价格预测模型进行进一步训练;
根据所述流量使用数据、所述访问数据和所述办理的宽带套餐的速率,对所述训练完成的速率预测模型进行进一步训练;
根据所述流量使用数据、所述访问数据和所述办理的宽带套餐的套餐流量,对所述训练完成的流量预测模型进行进一步训练。
7.根据权利要求4所述的方法,其特征在于,在所述获取所述用户常驻的位置信息附近的营业厅的位置信息之前,还包括:
获取用户历史常驻的位置信息、所述用户历史常驻的位置信息附近的营业厅的位置信息和历史办理宽带套餐的营业厅;
根据所述用户历史常驻的位置信息、所述用户历史常驻的位置信息附近的营业厅的位置信息和所述历史办理宽带套餐的营业厅,对待训练的距离模型进行训练,得到训练完成的距离模型;
在所述得到训练完成的距离模型之后,还包括:
获取用户办理所述宽带套餐的交易数据;其中,所述交易数据至少包括办理宽带套餐的营业厅;
根据所述用户常驻的位置信息、所述用户常驻的位置信息附近的营业厅的位置信息和所述办理宽带套餐的营业厅,对所述训练完成的距离模型进行进一步训练。
8.一种宽带套餐推荐装置,其特征在于,包括:
数据获取模块,用于获取用户的用户数据和宽带套餐的套餐属性;
偏好预测模块,用于将所述用户数据输入用户偏好预测模型,得到套餐属性偏好结果;其中,所述套餐属性偏好结果为用户针对所述宽带套餐中多个套餐属性的偏好结果;
评分确定模块,用于根据所述套餐属性偏好结果与所述宽带套餐的套餐属性的匹配度,确定所述宽带套餐的综合评分;
套餐推荐模块,用于将所述综合评分最高的宽带套餐推荐给所述用户。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行存储器上所存放的程序时,实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有指令,当由一个或多个处理器执行时,使得所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210795102.1A CN115271854A (zh) | 2022-07-07 | 2022-07-07 | 宽带套餐推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210795102.1A CN115271854A (zh) | 2022-07-07 | 2022-07-07 | 宽带套餐推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115271854A true CN115271854A (zh) | 2022-11-01 |
Family
ID=83762514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210795102.1A Pending CN115271854A (zh) | 2022-07-07 | 2022-07-07 | 宽带套餐推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115271854A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115714708A (zh) * | 2022-11-09 | 2023-02-24 | 中国联合网络通信集团有限公司 | 无宽带用户的确定方法、装置及可读存储介质 |
-
2022
- 2022-07-07 CN CN202210795102.1A patent/CN115271854A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115714708A (zh) * | 2022-11-09 | 2023-02-24 | 中国联合网络通信集团有限公司 | 无宽带用户的确定方法、装置及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472145B (zh) | 一种内容推荐方法和电子设备 | |
CN108520058B (zh) | 一种商家信息推荐方法及移动终端 | |
CN108334539B (zh) | 对象推荐方法、移动终端及计算机可读存储介质 | |
CN108182626B (zh) | 服务推送方法、信息采集终端及计算机可读存储介质 | |
CN107408258A (zh) | 在运载工具中呈现广告 | |
CN110458655B (zh) | 一种商铺信息推荐方法及移动终端 | |
CN110097419A (zh) | 商品数据处理方法、计算机设备和存储介质 | |
CN108122105A (zh) | 一种支付方法及移动终端 | |
CN108156228A (zh) | 一种广告数据推送方法及装置 | |
WO2016015471A1 (zh) | 一种预测用户离网的方法及装置 | |
WO2021120875A1 (zh) | 搜索方法、装置、终端设备及存储介质 | |
CN107909399A (zh) | 一种可用资源推荐方法和装置 | |
CN111475072B (zh) | 一种支付信息显示方法及电子设备 | |
CN111476629A (zh) | 一种数据预测方法、装置、电子设备及存储介质 | |
CN108510267B (zh) | 一种账户信息获取方法、移动终端 | |
CN110990679A (zh) | 信息搜索方法及电子设备 | |
CN115271931A (zh) | 一种信用卡产品的推荐方法、装置、电子设备和介质 | |
CN115271854A (zh) | 宽带套餐推荐方法、装置、电子设备及存储介质 | |
WO2020142926A1 (zh) | 一种广告推送方法及相关设备 | |
CN111080305A (zh) | 一种风险识别方法、装置及电子设备 | |
CN111256678A (zh) | 导航方法及电子设备 | |
CN114840570A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN108235407B (zh) | 一种提示方法及移动终端 | |
CN107844242B (zh) | 一种移动终端的显示方法及移动终端 | |
CN110809234A (zh) | 一种人物类别识别方法和终端设备 |
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 |