CN115907907A - 移动网络套餐推荐方法、系统、电子设备及存储介质 - Google Patents
移动网络套餐推荐方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115907907A CN115907907A CN202211455364.XA CN202211455364A CN115907907A CN 115907907 A CN115907907 A CN 115907907A CN 202211455364 A CN202211455364 A CN 202211455364A CN 115907907 A CN115907907 A CN 115907907A
- Authority
- CN
- China
- Prior art keywords
- user
- package
- information
- matrix
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供一种移动网络套餐推荐方法、系统、电子设备及介质,以解决套餐推荐时依据的用户信息较少的问题,所述方法包括:获取第三方平台的用户对应商品的评论并预处理,通过预设词表将评论中的每一个词转换为向量;将预处理后的数据输入预设的U‑bert模型,并训练参数,使模型能够学习该用户偏好;获取当前所有套餐信息、用户以往订购套餐信息和用户当前成功订购的套餐信息,并分别以矩阵形式I、SO和SN表示;将I和SO输入到训练后的模型,对模型进行参数调整,使模型输出为SN,使模型能够基于对应用户偏好学习用户对套餐的偏好;基于调整后的模型,输入SO+SN和I,向用户推荐输出的用户未来偏好套餐。以进行套餐的精准推荐。
Description
技术领域
本公开涉及通信技术领域,具体涉及一种移动网络套餐推荐方法,一种移动网络套餐推荐系统,一种电子设备以及一种计算机可读存储介质。
背景技术
目前,随着通信行业市场竞争日趋激烈,各种资费套餐层出不穷,可供客户选择的套餐也越来越多,而当前对于用户的移网通信套餐的推荐都是基于用户过去的套餐订购信息来进行推荐,或者是运营商推出的新套餐进行推荐,这两种推荐方式所能依据的用户信息都较少,无法更深入了解用户的喜好来进行精准推荐。用户也无法获取最适合的套餐,用户满意度较低。
发明内容
为了解决现有技术中存在的上述技术问题,本公开提供一种移动网络套餐推荐方法、移动网络套餐推荐系统、电子设备及计算机可读存储介质,通过获取用户在其他领域中的相关评论信息,并基于大模型方法来精准了解用户的潜在喜好,之后对大模型进行微调并结合套餐基本信息、用户对套餐的订购信息等来对用户进行套餐的精准推荐。
第一方面,本公开提供一种移动网络套餐推荐方法,所述方
法包括:
获取第三方平台的用户对应商品的评论信息;
对所述评论信息进行预处理,通过预设词表将评论中的每一个词转换为向量,得到预处理后的数据;
将预处理后的数据输入预设的U-bert模型,并训练模型中的参数,以使U-bert模型能够学习用户评论中该用户的偏好;
获取当前所有套餐信息、用户以往订购套餐信息和用户当前成功订购的套餐信息,并分别以预设的矩阵形式表示,得到所有套餐矩阵I、用户以往订购套餐矩阵SO和用户当前成功订购的套餐矩阵SN;
将I和SO输入到训练后的U-bert模型,并对U-bert模型进行参数调整,使U-bert模型输出为SN,以使U-bert模型能够基于学习到的对应用户偏好学习用户对于套餐的偏好;
基于参数调整后的U-bert模型,输入SO+SN和I,向用户推荐模型输出的用户未来偏好的套餐。
进一步的,所述方法还包括
通过用户的手机号码将用户对应商品的评论信息与用户进行关联。
进一步的,所述通过预设词表将评论中的每一个词转换为向量,得到预处理后的数据,包括:
通过预设词表将一个用户的一条评论数据转换为矩阵S∈RL×d,其中L为该条评论的字数,d为向量维度。
进一步的,所述用户评论中该用户的偏好包括:
质量、价格、优惠力度和性价比。
进一步的,所述矩阵I、矩阵SO和矩阵SN用以下形式表示:
矩阵I∈R|I|×d,矩阵SO∈RU×|I|,矩阵SN∈RU×|I|;
其中,d为向量维度,R表示实数矩阵,U表示用户数量,|I|表示套餐数量。
第二方面,本公开提供一种移动网络套餐推荐系统,所述系统包括:
获取模块,其设置为获取第三方平台的用户对应商品的评论信息;
预处理模块,其设置为对所述评论信息进行预处理,通过预设词表将评论中的每一个词转换为向量,得到预处理后的数据;
训练模块,其设置为将预处理后的数据输入预设的U-bert模型,并训练模型中的参数,以使U-bert模型能够学习用户评论中该用户的偏好;
所述获取模块还设置为获取当前所有套餐信息、用户以往订购套餐信息和用户当前成功订购的套餐信息,并分别以预设的矩阵形式表示,得到所有套餐矩阵I、用户以往订购套餐矩阵SO和用户当前成功订购的套餐矩阵SN;
调整模块,其设置为将I和SO输入到训练后的U-bert模型,并对U-bert模型进行参数调整,使U-bert模型输出为SN,以使U-bert模型能够基于学习到的对应用户偏好学习用户对于套餐的偏好;
推荐模块,其设置为基于参数调整后的U-bert模型,输入SO+SN和I,向用户推荐模型输出的用户未来偏好的套餐。
进一步的,所述获取模块还设置为:
通过用户的手机号码将用户对应商品的评论信息与用户进行关联。
进一步的,所述用户评论中该用户的偏好包括:
质量、价格、优惠力度和性价比。
第三方面,本公开提供一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行如第一方面中任一所述的移动网络套餐推荐方法。
第四方面,本公开提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面中任一所述的移动网络套餐推荐方法。
有益效果:
本公开提供的移动网络套餐推荐方法、移动网络套餐推荐系统、电子设备以及计算机可读存储介质,通过获取用户在其他领域中的相关评论信息,并基于大模型方法来精准了解用户的潜在喜好,之后对大模型进行微调并结合套餐基本信息、用户对套餐的订购信息等来对用户进行套餐的精准推荐。
附图说明
图1为本公开实施例一提供的一种移动网络套餐推荐方法的流程示意图;
图2为本公开实施例二提供的一种移动网络套餐推荐方法的具体流程示意图;
图3为本公开实施例三提供的一种移动网络套餐推荐系统的架构图;
图4为本公开实施例四提供的一种电子设备的架构图。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案,下面结合附图和实施例对本公开作进一步详细描述。应当理解的是,此处描述的具体实施例和附图仅仅用于解释本发明,而非对本发明的限定。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序;并且,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互任意组合。
其中,在本公开实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本公开的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
目前移动网络套餐的推荐方法都是基于用户以往的订购套餐信息来进行的,这些信息包含的内容较少,无法全面深入了解用户的精准喜好。而大模型是目前流行的一种模型框架,主要是为了解决某些特定数据较少,模型无法被很好训练的问题。预训练通过利用广泛的通用数据对模型进行预训练,进行特征提取,之后再利用较少的特有数据对模型进行微调,匹配具体的任务。解决在某些领域数据缺失的问题;对于数据较少的领域,利用同一用户的特点,在数据丰富的领域中抽取其偏好和特征,适配到数据较少的领域中可以更好的为用户进行推荐。
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决现有技术中存在的套餐推荐时依据的用户信息较少,无法更深入了解用户的喜好来进行精准推荐的技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本公开实施例一提供的一种移动网络套餐推荐方法的流程示意图,如图1所示,所述方法包括:
步骤S101:获取第三方平台的用户对应商品的评论信息;
步骤S102:对所述评论信息进行预处理,通过预设词表将评论中的每一个词转换为向量,得到预处理后的数据;
步骤S103:将预处理后的数据输入预设的U-bert模型,并训练模型中的参数,以使U-bert模型能够学习用户评论中该用户的偏好;
步骤S104:获取当前所有套餐信息、用户以往订购套餐信息和用户当前成功订购的套餐信息,并分别以预设的矩阵形式表示,得到所有套餐矩阵I、用户以往订购套餐矩阵SO和用户当前成功订购的套餐矩阵SN;
步骤S105:将I和SO输入到训练后的U-bert模型,并对U-bert模型进行参数调整,使U-bert模型输出为SN,以使U-bert模型能够基于学习到的对应用户偏好学习用户对于套餐的偏好;
步骤S106:基于参数调整后的U-bert模型,输入SO+SN和I,向用户推荐模型输出的用户未来偏好的套餐。
运营商在进行套餐推荐时由于可以依据的用户信息较少,不能确定用户的偏好,因此,通过获取第三方平台的用户对应商品的评论信息,第三方平台可以是电商平台,运营商和电商平台一般都是战略合作伙伴,可以获取到相关数据,并且这类数据较多,可以更好的对用户偏好进行分析,在获取到用户评论信息后,根据大模型U-bert的要求,对信息进行预处理,通过预设词表将评论中的每一个词转换为向量,得到预处理后的数据;预设词表为U-bert模型相应的公开自带词表,将每一个词转化为对应的嵌入向量,一个用户的一条评论数据转换为矩阵S∈RL×d,其中L为该条评论的字数,d为向量维度。对数据输入以后的模型框架U-bert,训练模型中的参数,深入学习用户评论中的潜在的用户喜好,例如评论中“质量”,“价格”等词可以看出用户的不同偏好;然后获取当前所有套餐信息、用户以往订购套餐信息和用户当前成功订购的套餐信息,并分别以预设的矩阵形式表示,将这些数据输入到U-bert的一个面向预测的微调框架,训练参数,使输入I和SO,能够输出SN。这样就能基于预训练学习到的该用户偏好,结合该用户以往对于套餐的偏好,更加深入学习用户对于套餐的偏好。然后基于微调后的模型,后续输入SO+SN和I,即可预测用户未来偏向的套餐,即可将输出的推荐套餐向用户推荐,更符合用户的偏好,提高套餐推荐的成功率。
本公开实施例通过获取用户在其他领域中的相关评论信息,并基于大模型方法来精准了解用户的潜在喜好,之后对大模型进行微调并结合套餐基本信息、用户对套餐的订购信息等来对用户进行套餐的精准推荐,解决了用户数据较少,不能获知用户偏好的问题,使推荐的套餐更符合用户需求,提升用户满意度。
进一步的,所述方法还包括
通过用户的手机号码将用户对应商品的评论信息与用户进行关联。
目前在各个第三方平台用户账号都与手机号进行关联,而且手机号码唯一,因此,通过用户手机号码可以很好的将用户评论和用户身份进行关联。
进一步的,所述通过预设词表将评论中的每一个词转换为向量,得到预处理后的数据,包括:
通过预设词表将一个用户的一条评论数据转换为矩阵S∈RL×d,其中L为该条评论的字数,d为向量维度。
根据U-bert模型要求,将评论数据转换为矩阵S,更好的进行模型训练处理,在模型中获取用户对商品的偏好。
进一步的,所述用户评论中该用户的偏好包括:
质量、价格、优惠力度和性价比。
用户对商品的偏好可以转移到对移动网络套餐的偏好上,如用户是更关注价格,还是更专注套餐中的资源流量等,更好的为用户推荐相应的移动网络套餐。
进一步的,所述矩阵I、矩阵SO和矩阵SN用以下形式表示:
矩阵I∈R|I|×d,矩阵SO∈RU×|I|,矩阵SN∈RU×|I|;
其中,d为向量维度,R表示实数矩阵,U表示用户数量,|I|表示套餐数量。
根据大模型U-bert的要求,对应词表将所有套餐矩阵I、用户以往订购套餐矩阵SO和用户当前成功订购的套餐矩阵SN按上述方式表示,以方便在模型中进行参数调整。
本公开实施例通过获取用户在其他领域中的相关评论信息,并基于大模型方法来精准了解用户的潜在喜好,之后对大模型进行微调并结合套餐基本信息、用户对套餐的订购信息等来对用户进行套餐的精准推荐,解决了用户数据较少,不能获知用户偏好的问题,使推荐的套餐更符合用户需求,提升用户满意度。
如图2所示,本公开实施例二提供一种移动网络套餐推荐方法,包括:
模型预训练,模型微调和模型推荐;通过模型预训练,将其他电商平台的用户评论数据处理后,在大模型U-bert中进行模型训练,深入学习用户评论中的潜在的用户喜好,再进行模型微调,将当前移网套餐、用户以往订购套餐数据和用户当前订购套餐数据,输入模型,对模型进行微调,使输入当前移网套餐、用户以往订购套餐数据能够输出得到用户当前订购套餐数据,用户当前订购套餐数据为用户满意度较高的套餐;基于预训练学习到的用户偏好,结合用户以往对于套餐的偏好,更加深入学习用户对于套餐的偏好。模型微调外成后,通过模型进行套餐推荐,将当前订购套餐和用户以往订购套餐数据作为后续推荐时的用户以往订购套餐数据,与推荐时的当前移网套餐数据作为输入,由模型输出套餐推荐结果。
具体的,所述方法包括:
第一步:模型预训练,包括:
①数据准备:用户在其他电商平台的评论数据(如下表1),通过一个词表(该表为公开的表),将每一个词转换为向量,一个用户的一条评论数据转换为矩阵S∈R^(L×d),其中L为该条评论的字数,d为向量维度,R表示实数矩阵。
表1:用户在其他电商平台的评论数据
序号 | 用户手机号 | 评论 |
1 | 186XXXXXXXX | 衣服质量很好,很喜欢 |
2 | 156XXXXXXXX | 价格实惠,商家服务态度很好 |
... | ... | ... |
②模型训练:数据输入以后的模型框架U-bert,训练模型中的参数,深入学习用户评论中的潜在的用户喜好,例如评论中“质量”,“价格”等词可以看出用户的不同偏好。
第二步:模型微调,包括:
①数据准备:
现有套餐数据(如下表2),通过一个词表(该表为公开的表),将每一个词转换为向量,一个套餐用一个向量表示,所有套餐组成一个矩阵I∈R|I|×d。|I|表示套餐数量,R表示实数矩阵。
表2:现有套餐数据
套餐序号 | 套餐名 | 套餐详情 |
1 | 冰激凌159套餐 | 流量40G、通话时长4000分钟 |
2 | 冰激凌199套餐 | 流量60G、通话时长4000分钟 |
... | ... | ... |
用户以往套餐订购信息(见下表3),形成矩阵SO∈R|U|×|I|,|U|表示用户数量,|I|表示套餐数量。如共有100名用户,套餐50个,则矩阵有100行,50列,若序号21的用户订购了序号2的套餐1次,那么第20行、第1列处的数据标注为1。
表3:用户以往套餐订购信息
用户手机号 | 订购套餐序号 | 订购套餐名 | 订购时间 |
186XXXXXXXX | 1 | 冰激凌159套餐 | 2019.10.1 |
186XXXXXXXX | 2 | 冰激凌199套餐 | 2020.2.12 |
... | ... | ... | ... |
用户当前订购的套餐信息(见下表4),形成矩阵SN∈R|U|×|I|
表4:用户当前订购的套餐信息
用户手机号 | 订购套餐序号 | 订购套餐名 | 订购时间 |
186XXXXXXXX | 5 | 全家福套餐 | 2022.1.12 |
156XXXXXXXX | 5 | 全家福套餐 | 2022.2.21 |
... | ... | ... | ... |
②模型训练:这里将数据输入到U-bert的一个面向预测的微调框架,训练参数,使输入I和SO,能够输出SN。这样就能基于预训练学习到的用户偏好,结合用户以往对于套餐的偏好,更加深入学习用户对于套餐的偏好。
第三步:套餐推荐,包括:
基于微调后的模型,后续输入SO+SN和I,输出一个全新的矩阵SJ∈R|U|×|I|,SJ表示预测用户未来偏向的套餐。矩阵的样式如下表5,如用户1对三个套餐中对套餐2的数据最大为0.333,因此预测用户1偏好套餐2,向其推荐套餐2。同理向用户2推荐套餐3,用户3推荐套餐1,用户4推荐套餐3。
表5:预测用户未来偏向的套餐矩阵
本公开实施例通过获取用户在其他领域中的相关评论信息,并基于大模型方法来精准了解用户的潜在喜好,之后对大模型进行微调并结合套餐基本信息、用户对套餐的订购信息等来对用户进行套餐的精准推荐,解决了用户数据较少,不能获知用户偏好的问题,使推荐的套餐更符合用户需求,提升用户满意度。
图3为本公开实施例三提供的一种移动网络套餐推荐系统的架构图,如图3所示,所述系统包括:
获取模块11,其设置为获取第三方平台的用户对应商品的评论信息;
预处理模块12,其设置为对所述评论信息进行预处理,通过预设词表将评论中的每一个词转换为向量,得到预处理后的数据;
训练模块13,其设置为将预处理后的数据输入预设的U-bert模型,并训练模型中的参数,以使U-bert模型能够学习用户评论中该用户的偏好;
所述获取模块11还设置为获取当前所有套餐信息、用户以往订购套餐信息和用户当前成功订购的套餐信息,并分别以预设的矩阵形式表示,得到所有套餐矩阵I、用户以往订购套餐矩阵SO和用户当前成功订购的套餐矩阵SN;
调整模块14,其设置为将I和SO输入到训练后的U-bert模型,并对U-bert模型进行参数调整,使U-bert模型输出为SN,以使U-bert模型能够基于学习到的对应用户偏好学习用户对于套餐的偏好;
推荐模块15,其设置为基于参数调整后的U-bert模型,输入SO+SN和I,向用户推荐模型输出的用户未来偏好的套餐。
进一步的,所述获取模块11还设置为:
通过用户的手机号码将用户对应商品的评论信息与用户进行关联。
进一步的,所述用户评论中该用户的偏好包括:
质量、价格、优惠力度和性价比。
进一步的,所述预处理模块12具体设置为:
通过预设词表将一个用户的一条评论数据转换为矩阵S∈RL×d,其中L为该条评论的字数,d为向量维度。
进一步的,所述矩阵I、矩阵SO和矩阵SN用以下形式表示:
矩阵I∈R|I|×d,矩阵SO∈RU×|I|,矩阵SN∈RU×|I|;
其中,d为向量维度,R表示实数矩阵,U表示用户数量,|I|表示套餐数量。
本公开实施例通过获取用户在其他领域中的相关评论信息,并基于大模型方法来精准了解用户的潜在喜好,之后对大模型进行微调并结合套餐基本信息、用户对套餐的订购信息等来对用户进行套餐的精准推荐,解决了用户数据较少,不能获知用户偏好的问题,使推荐的套餐更符合用户需求,提升用户满意度。
本公开实施例的移动网络套餐推荐系统用于实施方法实施例一中的移动网络套餐推荐方法,所以描述的较为简单,具体可以参见前面方法实施例一和实施例二中的相关描述,此处不再赘述。
此外,如图4所示,本公开实施例四还提供一种电子设备,包括存储器100和处理器200,所述存储器100中存储有计算机程序,当所述处理器200运行所述存储器100存储的计算机程序时,所述处理器200执行上述各种可能的方法。
其中,存储器100与处理器200连接,存储器100可采用闪存或只读存储器或其他存储器,处理器200可采用中央处理器或单片机。
此外,本公开实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行上述各种可能的方法。
该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random Access Memory,随机存取存储器),ROM(Read-Only Memory,只读存储器),EEPROM(Electrically ErasableProgrammable read only memory,带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory,光盘只读存储器),数字多功能盘(DVD,DigitalVideo Disc)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
可以理解的是,以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式,然而本公开并不局限于此。对于本领域内的普通技术人员而言,在不脱离本公开的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本公开的保护范围。
Claims (10)
1.一种移动网络套餐推荐方法,其特征在于,所述方法包括:
获取第三方平台的用户对应商品的评论信息;
对所述评论信息进行预处理,通过预设词表将评论中的每一个词转换为向量,得到预处理后的数据;
将预处理后的数据输入预设的U-bert模型,并训练模型中的参数,以使U-bert模型能够学习用户评论中该用户的偏好;
获取当前所有套餐信息、用户以往订购套餐信息和用户当前成功订购的套餐信息,并分别以预设的矩阵形式表示,得到所有套餐矩阵I、用户以往订购套餐矩阵SO和用户当前成功订购的套餐矩阵SN;
将I和SO输入到训练后的U-bert模型,并对U-bert模型进行参数调整,使U-bert模型输出为SN,以使U-bert模型能够基于学习到的对应用户偏好学习用户对于套餐的偏好;
基于参数调整后的U-bert模型,输入SO+SN和I,向用户推荐模型输出的用户未来偏好的套餐。
2.根据权利要求1所述的移动网络套餐推荐方法,其特征在于,所述方法还包括
通过用户的手机号码将用户对应商品的评论信息与用户进行关联。
3.根据权利要求1所述的移动网络套餐推荐方法,其特征在于,所述通过预设词表将评论中的每一个词转换为向量,得到预处理后的数据,包括:
通过预设词表将一个用户的一条评论数据转换为矩阵S∈RL×d,其中L为该条评论的字数,d为向量维度。
4.根据权利要求1所述的移动网络套餐推荐方法,其特征在于,所述用户评论中该用户的偏好包括:
质量、价格、优惠力度和性价比。
5.根据权利要求1所述的移动网络套餐推荐方法,其特征在于,所述矩阵I、矩阵SO和矩阵SN用以下形式表示:
矩阵I∈R|I|×d,矩阵SO∈RU×|I|,矩阵SN∈RU×|I|;
其中,d为向量维度,R表示实数矩阵,U表示用户数量,|I|表示套餐数量。
6.一种移动网络套餐推荐系统,其特征在于,所述系统包括:
获取模块,其设置为获取第三方平台的用户对应商品的评论信息;
预处理模块,其设置为对所述评论信息进行预处理,通过预设词表将评论中的每一个词转换为向量,得到预处理后的数据;
训练模块,其设置为将预处理后的数据输入预设的U-bert模型,并训练模型中的参数,以使U-bert模型能够学习用户评论中该用户的偏好;
所述获取模块还设置为获取当前所有套餐信息、用户以往订购套餐信息和用户当前成功订购的套餐信息,并分别以预设的矩阵形式表示,得到所有套餐矩阵I、用户以往订购套餐矩阵SO和用户当前成功订购的套餐矩阵SN;
调整模块,其设置为将I和SO输入到训练后的U-bert模型,并对U-bert模型进行参数调整,使U-bert模型输出为SN,以使U-bert模型能够基于学习到的对应用户偏好学习用户对于套餐的偏好;
推荐模块,其设置为基于参数调整后的U-bert模型,输入SO+SN和I,向用户推荐模型输出的用户未来偏好的套餐。
7.根据权利要求6所述的移动网络套餐推荐系统,其特征在于,所述获取模块还设置为:
通过用户的手机号码将用户对应商品的评论信息与用户进行关联。
8.根据权利要求6所述的移动网络套餐推荐系统,其特征在于,所述用户评论中该用户的偏好包括:
质量、价格、优惠力度和性价比。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行如权利要求1-5中任一项所述的移动网络套餐推荐方法。
10.一种计算机可读存储介质,包括:计算机程序,当其在计算机上运行时,使得计算机执行根据权利要求1-5中任一项所述的移动网络套餐推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211455364.XA CN115907907A (zh) | 2022-11-21 | 2022-11-21 | 移动网络套餐推荐方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211455364.XA CN115907907A (zh) | 2022-11-21 | 2022-11-21 | 移动网络套餐推荐方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907907A true CN115907907A (zh) | 2023-04-04 |
Family
ID=86483579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211455364.XA Pending CN115907907A (zh) | 2022-11-21 | 2022-11-21 | 移动网络套餐推荐方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907907A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116456323A (zh) * | 2023-05-30 | 2023-07-18 | 南京邮电大学 | 一种基于用户偏好解耦的用户套餐推荐方法及系统 |
-
2022
- 2022-11-21 CN CN202211455364.XA patent/CN115907907A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116456323A (zh) * | 2023-05-30 | 2023-07-18 | 南京邮电大学 | 一种基于用户偏好解耦的用户套餐推荐方法及系统 |
CN116456323B (zh) * | 2023-05-30 | 2023-09-12 | 南京邮电大学 | 一种基于用户偏好解耦的用户套餐推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861569B (zh) | 产品信息推荐方法及装置 | |
Tan et al. | Integrating Kano's model in the planning matrix of quality function deployment | |
CN102811371B (zh) | 智能电视应用程序推荐的方法、系统及装置 | |
CN106339507A (zh) | 流媒体消息推送方法和装置 | |
CN106294830A (zh) | 多媒体资源的推荐方法及装置 | |
CN111611488B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
CN108595493A (zh) | 媒体内容的推送方法和装置、存储介质、电子装置 | |
AU2013250963A1 (en) | Testing system | |
CN106210759A (zh) | 视频直播方法和装置 | |
CN108595492A (zh) | 内容的推送方法和装置、存储介质、电子装置 | |
CN115907907A (zh) | 移动网络套餐推荐方法、系统、电子设备及存储介质 | |
CN112232546A (zh) | 一种推荐概率预估方法、装置、电子设备及存储介质 | |
CN106294483A (zh) | 用于为产品品牌匹配代言人的数据处理方法和装置 | |
CN108038655A (zh) | 部门需求的推荐方法、应用服务器及计算机可读存储介质 | |
CN115994226A (zh) | 基于联邦学习的聚类模型训练系统及方法 | |
CN115455158A (zh) | 智能聊天的信息处理方法、装置、电子设备及存储设备 | |
CN112348669A (zh) | 一种贷款资质审核系统及方法 | |
CN108876517A (zh) | 基于人工智能的用户喜好分析方法及系统 | |
CN117436679B (zh) | 一种元宇宙资源匹配方法及其系统 | |
CN109005431B (zh) | 一种视频评估推荐系统 | |
US20160004970A1 (en) | Method and apparatus for recommendations with evolving user interests | |
CN111352841B (zh) | 金融交易软件的质量检测方法及装置 | |
CN107862489A (zh) | 业绩统计方法、装置、终端和计算机可读存储介质 | |
CN107562846A (zh) | 一种推荐应用的方法和装置 | |
CN112215664A (zh) | 信息推荐方法及装置 |
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 |