CN116170330A - 业务套餐的推荐方法、装置及电子设备 - Google Patents
业务套餐的推荐方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116170330A CN116170330A CN202211718719.XA CN202211718719A CN116170330A CN 116170330 A CN116170330 A CN 116170330A CN 202211718719 A CN202211718719 A CN 202211718719A CN 116170330 A CN116170330 A CN 116170330A
- Authority
- CN
- China
- Prior art keywords
- target object
- recommendation
- information
- package
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5003—Managing SLA; Interaction between SLA and QoS
- H04L41/5009—Determining service level performance parameters or violations of service level contracts, e.g. violations of agreed response time or mean time between failures [MTBF]
- H04L41/5012—Determining service level performance parameters or violations of service level contracts, e.g. violations of agreed response time or mean time between failures [MTBF] determining service availability, e.g. which services are available at a certain point in time
- H04L41/5016—Determining service level performance parameters or violations of service level contracts, e.g. violations of agreed response time or mean time between failures [MTBF] determining service availability, e.g. which services are available at a certain point in time based on statistics of service availability, e.g. in percentage or over a given time
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5061—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the interaction between service providers and their network customers, e.g. customer relationship management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/508—Network service management, e.g. ensuring proper service fulfilment according to agreements based on type of value added network service under agreement
- H04L41/5087—Network service management, e.g. ensuring proper service fulfilment according to agreements based on type of value added network service under agreement wherein the managed service relates to voice services
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种业务套餐的推荐方法、装置及电子设备。其中,该方法包括:获取目标对象的消费数据,其中,消费数据包括以下至少之一:目标对象订阅的业务套餐价格、目标对象在第一时长内的流量使用量、目标对象在第一时长内的语音使用量;至少依据消费数据,以及目标对象所处的位置信息和时间信息,确定目标对象的业务需求得分;依据目标对象的消费能力水平的影响因素和目标对象的业务需求得分确定推荐结果。本申请解决了利用用户历史行为数据的相似度进行推荐,导致推荐准确率较低的技术问题。
Description
技术领域
本申请涉及机器学习领域,具体而言,涉及一种业务套餐的推荐方法、装置及电子设备。
背景技术
随着5G技术的迅速普及,用户对数据流量、语音以及智家产品的需求越来越大,对此,运营商推出了许多5G新套餐,然而大部分用户对自己的使用需求缺乏较好的感知,难以准确且迅速地找到适合自己的资费套餐,所以构建基于用户个性化需求的套餐推荐系统,高效准确地向用户推荐合适的套餐显得迫在眉睫。
相关技术中使用常规推荐系统的方法有基于协同过滤算法的套餐推荐研究,一方面根据用户特征行为找到与其相似的用户集,同时利用协同过滤推荐算法分析出目标用户的初始套餐推荐集,另一方面运用基于效用的推荐算法筛选最优的套餐推荐集。但使用常规推荐系统算法多依赖相似用户历史行为数据,对上下文信息的利用太少,产品冷启动困难,新产品推荐准确率较低。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种业务套餐的推荐方法、装置及电子设备,以至少解决利用用户历史行为数据的相似度进行推荐,导致推荐准确率较低的技术问题。
根据本申请实施例的一个方面,提供了一种业务套餐的推荐方法,包括:获取目标对象的消费数据,其中,消费数据包括以下至少之一:目标对象订阅的业务套餐价格、目标对象在第一时长内的流量使用量、目标对象在第一时长内的语音使用量;至少依据消费数据,以及目标对象所处的位置信息和时间信息,确定目标对象的业务需求得分;依据目标对象的消费能力水平的影响因素和目标对象的业务需求得分确定推荐结果,其中,推荐结果用于指示向目标对象推荐的业务套餐,目标对象的消费能力水平的影响因素包括以下至少之一:目标对象的属性信息、目标对象订阅的业务套餐信息。
可选地,获取目标对象的消费数据之前,方法还包括:获取所有的业务套餐信息,其中,业务套餐信息至少包括基础业务套餐信息、流量语音包信息和其他套餐信息,其中,其他套餐信息为除基础业务套餐信息和流量语音包信息之外的其他信息;将所有的业务套餐信息存储在数据库中。
可选地,确定目标对象的业务需求得分,包括:获取目标对象的上下文信息中的位置信息和时间信息;依据位置信息和时间信息对目标对象进行划分,得到多个群组;依据多个群组中的每个目标对象订阅的业务套餐信息,确定每个目标对象的需求意愿,其中,需求意愿包括:第一需求、第二需求、第三需求和无差异因素,第一需求为目标对象必须满足的需求,第二需求为目标对象期望提供的需求,第三需求为不在目标对象期望之内的需求,无差异因素表示是否存在替代套餐;依据需求意愿,确定每个目标对象的业务需求得分,其中,业务需求得分越高,表示目标对象的业务需求程度越大。
可选地,依据目标对象的消费能力水平的影响因素和目标对象的业务需求得分确定推荐结果,包括:获取目标对象在第二时长内的平均消费,以及获取目标对象的属性信息;依据平均消费和目标对象的属性信息,构建目标对象的推荐模型;至少依据目标对象的业务需求得分对推荐模型进行求解,得到推荐结果。
可选地,至少依据目标对象的业务需求得分对推荐模型进行求解,包括:确定推荐模型的目标函数,其中,目标函数包括第一函数、第二函数和第三函数,第一函数用于表示推荐结果中包含的语音和流量最多,第二函数用于表示推荐结果的价格最低,第三函数用于表示向目标对象推荐目标对象的业务需求得分最高的产品。
可选地,至少依据目标对象的业务需求得分对推荐模型进行求解,包括:确定推荐模型的约束条件,其中,约束条件包括第一条件、第二条件、第三条件和第四条件,第一条件表示推荐结果中包含的流量大于或等于目标对象在第一时长内的流量使用量,第二条件表示推荐结果中包含的语音大于或等于目标对象在第一时长内的语音使用量,第三条件表示推荐结果对应的价格大于或等于目标对象在第二时长内的平均消费,第四条件表示推荐结果中的主业务套餐价格大于或等于目标对象订阅的业务套餐价格。
可选地,至少依据目标对象的业务需求得分对推荐模型进行求解,包括:获取推荐结果满足的业务条件,其中,业务条件为推荐结果中包含的主业务套餐的数量为一个,且最多包含流量语音包信息和其他套餐信息中的一个;依据业务条件枚举推荐模型的所有推荐结果,并将所有推荐结果按照二进制位数从小到大的顺序进行排序;按照顺序确定每个推荐结果对应的目标函数值,并检验每个推荐结果是否满足约束条件;在推荐结果满足约束条件的情况下,确定推荐结果为推荐模型的最优解。
根据本申请实施例的另一方面,还提供了一种业务套餐的推荐装置,包括:获取模块,用于获取目标对象的消费数据,其中,消费数据包括以下至少之一:目标对象订阅的业务套餐价格、目标对象在第一时长内的流量使用量、目标对象在第一时长内的语音使用量;第一确定模块,用于至少依据消费数据,以及目标对象所处的位置信息和时间信息,确定目标对象的业务需求得分;第二确定模块,用于依据目标对象的消费能力水平的影响因素和目标对象的业务需求得分确定推荐结果,其中,推荐结果用于指示向目标对象推荐的业务套餐,目标对象的消费能力水平的影响因素包括以下至少之一:目标对象的属性信息、目标对象订阅的业务套餐信息。
根据本申请实施例的又一方面,还提供了一种电子设备,包括:存储器,用于存储程序指令;处理器,与存储器连接,用于执行实现以下功能的程序指令:获取目标对象的消费数据,其中,消费数据包括以下至少之一:目标对象订阅的业务套餐价格、目标对象在第一时长内的流量使用量、目标对象在第一时长内的语音使用量;至少依据消费数据,以及目标对象所处的位置信息和时间信息,确定目标对象的业务需求得分;依据目标对象的消费能力水平的影响因素和目标对象的业务需求得分确定推荐结果,其中,推荐结果用于指示向目标对象推荐的业务套餐,目标对象的消费能力水平的影响因素包括以下至少之一:目标对象的属性信息、目标对象订阅的业务套餐信息。
根据本申请实施例的再一方面,还提供了一种非易失性存储介质,该非易失性存储介质包括存储的程序,其中,在程序运行时控制该非易失性存储介质所在设备执行上述业务套餐的推荐方法。
在本申请实施例中,通过获取目标对象的消费数据,其中,消费数据包括以下至少之一:目标对象订阅的业务套餐价格、目标对象在第一时长内的流量使用量、目标对象在第一时长内的语音使用量;至少依据消费数据,以及目标对象所处的位置信息和时间信息,确定目标对象的业务需求得分;依据目标对象的消费能力水平的影响因素和目标对象的业务需求得分确定推荐结果,达到了利用上下文信息中的位置信息和时间信息向目标对象推荐业务套餐的目的,从而实现了提高用户满意度的技术效果,进而解决了利用用户历史行为数据的相似度进行推荐,导致推荐准确率较低的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种用于实现业务套餐的推荐方法的计算机终端(或电子设备)的硬件结构框图;
图2是根据本申请实施例的一种业务套餐的推荐方法的流程图;
图3是根据本申请实施例的一种数据库中存储的业务套餐信息的示意图;
图4是根据本申请实施例的一种确定目标对象的业务需求得分的流程图;
图5是根据本申请实施例的一种获取推荐模型的推荐结果的流程图;
图6是根据本申请实施例的一种确定推荐结果为推荐模型的最优解的流程图;
图7a是根据本申请实施例的一种推荐模型输出的推荐示例图;
图7b是根据本申请实施例的另一种推荐模型输出的推荐示例图;
图7c是根据本申请实施例的一种不同套餐推荐模型的效果对比图;
图8是根据本申请实施例的一种业务套餐的推荐装置的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的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。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
相关技术中主要有使用数据挖掘技术和常规推荐系统的方法,使用数据挖掘技术的方法有基于KNN(最近邻节点算法)的通信套餐推荐方法,为用户推荐与其相似的用户所选择的套餐,基于神经网络的电信套餐推荐方法,根据手机用户历史数据提炼特征值,实现对于手机用户提升套餐倾向的预测。使用常规推荐系统的方法有基于协同过滤算法的通信套餐推荐研究,一方面根据用户特征行为找到与其相似的用户集,同时利用协同过滤推荐算法分析出目标用户的初始套餐推荐集,另一方面运用基于效用的推荐算法筛选最优的套餐推荐集。
上述方法存在的优点是:(1)基于数据挖掘技术的套餐推荐方法可以处理海量的用户数据,挖掘出用户行为概率分布,进而可以做到对用户的使用需求进行快速预测。(2)基于常规推荐系统算法的套餐推荐方法可以满足不同用户的不同推荐需求,对用户偏好的变化敏感,且可以从产品、用户等多个角度考虑。但上述方法也存在如下缺点:(1)数据挖掘技术受数据质量的影响较大,涉及的特征维度较高,容易受极端特征和历史数据的影响。(2)常规推荐系统算法多依赖相似用户历史行为数据,对上下文信息的利用太少,产品冷启动困难,新产品推荐准确率较低。
基于常规机器学习的套餐推荐算法易受群体特征影响,推荐的套餐容易同质化,较难做到“千人千面”的套餐设计问题。为解决目前用户使用需求与套餐内容适配度不高的问题,实现套餐组合内容达到最优以提高用户满意度的目标,本申请实施例提供了如下解决方案,以下详细说明。
本申请实施例所提供的业务套餐的推荐方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现业务套餐的推荐方法的计算机终端(或电子设备)的硬件结构框图。如图1所示,计算机终端10(或电子设备10)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端10(或电子设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的业务套餐的推荐方法对应的程序指令/数据存储装置,处理器通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的业务套餐的推荐方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输模块106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端10(或电子设备)的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图1所示的计算机设备(或电子设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算机设备(或电子设备)中的部件的类型。
在上述运行环境下,本申请实施例提供了一种业务套餐的推荐方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本申请实施例的一种业务套餐的推荐方法的流程图,如图2所示,该方法包括如下步骤:
步骤S202,获取目标对象的消费数据,其中,消费数据包括以下至少之一:目标对象订阅的业务套餐价格、目标对象在第一时长内的流量使用量、目标对象在第一时长内的语音使用量。
在上述步骤S202中,当目标对象的消费数据中存在异常数据时,进行如下处理:对于缺失值:整行为空的直接删除,其余缺失占比较少的特征采用均值/众数/中位数等与缺失值记录相似记录上的值来填充;对于异常值:利用分位数法,对数据排序后取上下十分位数的值为上下限取值。
步骤S204,至少依据消费数据,以及目标对象所处的位置信息和时间信息,确定目标对象的业务需求得分。
在本申请实施例中,目标对象(也即用户)所处的位置、时间、环境参数、临近的设备和人员、用户活动等信息都算作用户的上下文信息,这些信息有助于对未来的事情进行推断,通过考虑用户的上下文信息中的位置信息和时间信息,按照不同地市、不同季度对用户分群抽样,对不同群体的用户需求进行针对性分析,从而确定用户的业务需求得分。
步骤S206,依据目标对象的消费能力水平的影响因素和目标对象的业务需求得分确定推荐结果,其中,推荐结果用于指示向目标对象推荐的业务套餐,目标对象的消费能力水平的影响因素包括以下至少之一:目标对象的属性信息、目标对象订阅的业务套餐信息,目标对象的属性信息包括以下至少之一:目标对象的职业、目标对象的等级。
用户的消费能力水平与用户的年龄、职业、现有套餐的价格、用户每月流量/语音使用量、终端使用/更换情况等多种因素有关,根据不同的因素构建回归模型,根据模型的决策变量、目标函数、约束条件等对模型进行求解即可确定推荐结果。
在上述业务套餐的推荐方法中的步骤S202中,获取目标对象的消费数据之前,方法还包括如下步骤:获取所有的业务套餐信息,其中,业务套餐信息至少包括基础业务套餐信息、流量语音包信息和其他套餐信息,其中,其他套餐信息为除基础业务套餐信息和流量语音包信息之外的其他信息;将所有的业务套餐信息存储在数据库中。需要说明的是,业务套餐信息中至少包括套餐的名称、价格、包含的内容,如流量、语音、产品类型等信息。数据库中存储的业务套餐信息如图3所示。
在上述业务套餐的推荐方法中的步骤S204中,确定目标对象的业务需求得分,如图4所示的流程图,具体包括如下步骤:
步骤S402,获取目标对象的上下文信息中的位置信息和时间信息;
步骤S404,依据位置信息和时间信息对目标对象进行划分,得到多个群组;
步骤S406,依据多个群组中的每个目标对象订阅的业务套餐信息,确定每个目标对象的需求意愿,其中,需求意愿包括:第一需求、第二需求、第三需求和无差异因素,第一需求为目标对象必须满足的需求,第二需求为目标对象期望提供的需求,第三需求为不在目标对象期望之内的需求,无差异因素表示是否存在替代套餐;
步骤S408,依据需求意愿,确定每个目标对象的业务需求得分,其中,业务需求得分越高,表示目标对象的业务需求程度越大。
在上述步骤S402至步骤S408中,根据位置信息和时间信息对用户进行划分后,构建C-KANO模型量化用户需求,通过分析用户订阅的业务套餐信息,例如用户对语音或流量包的叠加购买情况,对用户需求分类和排序,进而确定用户的需求意愿。具体为根据用户订阅的业务套餐信息,将用户的需求意愿划分为三个层次:第一需求,即基本型需求(必备属性)、第二需求,即期望型需求(期望属性)、第三需求,即兴奋型需求(魅力属性),具体表示为:
在上述公式中,demand_score表示需求得分,基本型需求对用户而言是必须满足的,用必备属性表示,具体使用0/1表示客户是否订阅,0表示未订阅,1表示已订阅;期望型需求是处于成长期的需求,若提供此需求,用户订阅意愿会提升,若不提供此需求,用户订阅意愿会降低,用期望属性来表示,具体使用概率值表示客户的订阅意愿;兴奋型需求是用户意想不到,能使用户产生惊喜的需求,用魅力属性来表示,具体使用概率值表示分群客户的订阅率;无差异因素是用户根本不在意的需求,具体使用0/1表示为是否有替代套餐或替代产品,0表示不存在替代套餐,1表示存在替代套餐。
通过基于上下文感知的需求分析模型(C-KANO),考虑用户的上下文信息(位置、时间),将用户分群,对不同群体的用户需求进行分类和排序,根据用户对产品的订阅情况确定用户的业务需求得分,可以精准量化用户需求,丰富已有推荐算法的特征处理方式。
在上述业务套餐的推荐方法中的步骤S206中,依据目标对象的消费能力水平的影响因素和目标对象的业务需求得分确定推荐结果,如图5所示的流程图,具体包括如下步骤:
步骤S502,获取目标对象在第二时长内的平均消费,以及获取目标对象的属性信息;
步骤S504,依据平均消费和目标对象的属性信息,构建目标对象的推荐模型;
步骤S506,至少依据目标对象的业务需求得分对推荐模型进行求解,得到推荐结果。
在上述步骤S502至步骤S506中,首先选择某一固定账期下的全量用户,追踪这些用户在接下来三个月内价值量是否发生改变(包括高迁和低迁),将价值量发生改变的用户作为样本,以用户未来“3个月平均消费”为因变量,即获取目标对象在第二时长内的平均消费,在本申请实施例中,第二时长设置为3个月,此处关于第二时长的设置可根据实际情况自行设置,不做限定。选择用户特征为自变量,该用户特征即为目标对象的属性信息,构建回归模型预测用户消费价值量,可以预判用户近期消费水平,使得推荐的销售品组合更加贴合用户实际情况。该回归模型即为推荐模型,对推荐模型进行求解可得到推荐结果。
在本申请实施例中,目标对象的属性信息包括:用户年龄、性别、星级及城乡属性和归属渠道等,此外,在构建模型时,还可选择目标对象订阅的业务套餐信息、目标对象使用的终端信息、目标对象的行为信息等作为自变量,该业务套餐信息包括:业务套餐类型、套餐档次及套餐内包含的语音流量等,该终端信息包括:终端品牌、终端价格、终端在网月数、终端类型等,该行为信息包括:用户近期语音流量的使用情况及套餐饱和度、套餐活跃情况、缴费及偏好等。需要说明的是,上述目标对象的属性信息、目标对象订阅的业务套餐信息、所述目标对象使用的终端信息、所述目标对象的行为信息均可作为目标对象的消费能力水平的影响因素。
在上述步骤S506中,至少依据目标对象的业务需求得分对推荐模型进行求解,具体包括如下步骤:确定推荐模型的目标函数,其中,目标函数包括第一函数、第二函数和第三函数,第一函数用于表示推荐结果中包含的语音和流量最多,第二函数用于表示推荐结果的价格最低,第三函数用于表示向目标对象推荐目标对象的业务需求得分最高的产品。
在本申请实施例中,根据业务要求设置推荐模型的目标函数和约束条件,在满足用户流量、语音使用且不低于预测出的用户当前消费能力的前提下为用户推荐合适的业务套餐组合,同时根据用户的业务需求得分确定目标函数的优先级。
首先设置推荐模型的决策变量,定义相关参数,将基础套餐和个性化产品表示为一个变量组合,该个性化产品包括其他套餐信息和流量语音包信息,在本申请实施例中,加包表示用户订阅的流量语音包信息,产品表示其他套餐信息,变量xi(i=1,2,...,m)代表第i个套餐,xi(i=m+1,...,m+n)代表第i个加包,xi(i=m+n+1,...,m+n+k)代表第i个产品,li表示套餐(或个性化产品)内包含流量,yi表示套餐(或个性化产品)内包含语音,pi表示套餐(或个性化产品)的价格,ci表示用户对产品的加装需求程度,ll表示用户实际使用流量,yy表示用户实际通话时长,fee表示用户实际消费价值,prim_fee表示用户当前办理套餐的价值量。
在本申请实施例中,推荐模型需满足的目标函数有如下三个:
第一函数用于表示推荐结果中包含的语音和流量最多,具体通过如下公式表示:
第二函数用于表示推荐结果的价格最低,即推荐的业务套餐组合的价格最低,具体通过如下公式表示:
第三函数用于表示向目标对象推荐目标对象的业务需求得分最高的产品,即根据用户对产品的需求优先级推荐产品,目标对象的业务需求得分越高,其对引发的需求优先级越高,具体通过如下公式表示:
在上述步骤S506中,至少依据目标对象的业务需求得分对推荐模型进行求解,具体包括如下步骤:确定推荐模型的约束条件,其中,约束条件包括第一条件、第二条件、第三条件和第四条件,第一条件表示推荐结果中包含的流量大于或等于目标对象在第一时长内的流量使用量,第二条件表示推荐结果中包含的语音大于或等于目标对象在第一时长内的语音使用量,第三条件表示推荐结果对应的价格大于或等于目标对象在第二时长内的平均消费,第四条件表示推荐结果中的主业务套餐价格大于或等于目标对象订阅的业务套餐价格。
在本申请实施例中,推荐模型需满足的约束条件有如下四个,具体包括:
第一条件:推荐结果中包含的流量大于或等于目标对象在第一时长内的流量使用量,具体可通过如下公式进行表示:
第二条件:推荐结果中包含的语音大于或等于目标对象在第一时长内的语音使用量,该第一时长可以设置为1个月,即推荐结果中包含的语音不低于用于一个月内的通过时长,具体可通过如下公式表示:
第三条件:推荐结果对应的价格大于或等于目标对象在第二时长内的平均消费,该第二时长可设置为3个月,即推荐结果对应的业务套餐组合价格不低于用户在近三个月内的平均消费,具体可通过如下公式表示:
第四条件:推荐结果中的主业务套餐价格大于或等于目标对象订阅的业务套餐价格,具体可通过如下公式表示:
在上述步骤S506中,至少依据目标对象的业务需求得分对推荐模型进行求解,如图6所示的流程图,具体包括如下步骤:
步骤S602,获取推荐结果满足的业务条件,其中,业务条件为推荐结果中包含的主业务套餐的数量为一个,且最多包含流量语音包信息和其他套餐信息中的一个;
步骤S604,依据业务条件枚举推荐模型的所有推荐结果,并将所有推荐结果按照二进制位数从小到大的顺序进行排序;
步骤S606,按照顺序确定每个推荐结果对应的目标函数值,并检验每个推荐结果是否满足约束条件;
步骤S608,在推荐结果满足约束条件的情况下,确定推荐结果为推荐模型的最优解。
在上述步骤S502至步骤S508中,可利用改进的隐枚举法求解上述最优化问题,首先预处理使得目标函数W是求最小值,变量的系数都为正且由小到大排列,然后按照目标函数中变量xi的顺序,同时基于业务条件(主套餐只选择一个,可选包和产品最多选择一个)枚举所有可能的解向量组合,也就是二进制数位从小到大(0...0到1...1),对每个解向量组合计算目标函数值以及检验是否满足约束条件,如果当前解满足所有的约束条件则为最优解,算法不需要再继续进行了,这样就能尽量较早的枚举出使得目标函数W取最小值的可行解Z。具体求解步骤如下:
步骤一:将目标函数W统一为求最小值,即"min",同时将约束条件都化为">=";
步骤二:利用加权求和的形式将多目标优化转换为单目标优化,设置的权重即代表该目标的优先级;
步骤三:按照目标函数中变量xi的顺序,同时基于业务要求枚举所有的解向量组合,并按照二进制位数从小到大排列;
步骤四:计算第一个解向量的目标函数值z0,同时检验是否满足所有的约束条件,不满足则继续往后计算,满足则当前解即为最优解。
在检验当前解是否满足所有的约束条件时,利用xi取值为0或1的特点,计算系数矩阵每一行的和,得到列向量q,若q的每一个元素都大于约束条件右端的值,则当前解满足所有约束,为算法需要求得的最优解。模型输出的推荐示例如图7a和图7b所示。
在上述求解最优化推荐模型时,改进隐枚举法,考虑业务条件(主套餐只选择一个,个性化产品最多选择一个),减少全枚举的解向量组合数,加快算法的求解速度。
推荐模型的输出结果为基础套餐+个性化产品的组合形式,为了评估算法推荐结果的合理性,从派单成功率和客户满意度两个方面来对推荐结果综合评价。派单成功率是指在一次派单规模中,呼通且有效沟通30秒以上的用户中,最终办理推荐产品的用户数所占的比率,公式如下:
客户满意度根据外呼结束后客户对本次服务内容的评价分数的平均值来确定,评价分数在[1,10]区间内,特别满意为10分。客户满意度的公式如下:
本申请涉及的最优化套餐推荐方法在这两个评估维度上均优于传统机器学习推荐模型和常规推荐系统推荐模型,效果如图7c所示。
本申请提供的业务套餐的推荐方法具有如下优点:(1)通过解决相关方法中过度依赖相似用户历史行为数据、受数据质量影响较大等问题,引入整数规划的思想,将套餐弹性推荐问题转换成数学上的求解最优化问题,在满足用户流量、语音使用且不低于预测出的用户当前消费能力的前提下为用户推荐合适的销售品组合,同时建立C-KANO需求分析模型和回归模型,确定用户需求程度和预期消费能力水平,使得推荐的销售品组合只受用户自身特征影响,实现套餐组合内容达到最优以提高用户满意度的目标。(2)采用运筹学和机器学习相结合方法,利用运筹学中整数规划的思想,从用户和企业的角度出发,综合考虑用户的产品需求和价值提升需求,找到满足两者的平衡点,最优化组合推荐销售品。
本申请实施例提供的业务套餐的推荐方法易于实现、通用性强、经济效益高。其中易于实现是基于成熟的整数规划和机器学习方法,减少受数据原始特征缺失、异常等数据质量差的影响,同时整合用户需求,为用户推荐个性化的套餐。通用性强体现在该优化思想不仅可以用于运营商的套餐弹性推荐,同时可以用于电商物品推荐等方面。经济效益佳体现在本申请提出的套餐弹性推荐模型,在支撑的活动营销成功率提升了10%,全省共计派单230万,模型接触转化率14.6%,按人均arpu值40元计算,增加了1340万元收入。
图8是根据本申请实施例的一种业务套餐的推荐装置的结构图,如图8所示,该装置包括:
获取模块802,用于获取目标对象的消费数据,其中,消费数据包括以下至少之一:目标对象订阅的业务套餐价格、目标对象在第一时长内的流量使用量、目标对象在第一时长内的语音使用量;
第一确定模块804,用于至少依据消费数据,以及目标对象所处的位置信息和时间信息,确定目标对象的业务需求得分;
第二确定模块806,用于依据目标对象的消费能力水平的影响因素和目标对象的业务需求得分确定推荐结果,其中,推荐结果用于指示向目标对象推荐的业务套餐,目标对象的消费能力水平的影响因素包括以下至少之一:目标对象的属性信息、目标对象订阅的业务套餐信息。
在上述业务套餐的推荐装置中的获取模块中,获取目标对象的消费数据之前,该模块还包括:获取所有的业务套餐信息,其中,业务套餐信息至少包括基础业务套餐信息、流量语音包信息和其他套餐信息,其中,其他套餐信息为除基础业务套餐信息和流量语音包信息之外的其他信息;将所有的业务套餐信息存储在数据库中。
在上述业务套餐的推荐装置中的第一确定模块中,确定目标对象的业务需求得分,具体包括如下过程:获取目标对象的上下文信息中的位置信息和时间信息;依据位置信息和时间信息对目标对象进行划分,得到多个群组;依据多个群组中的每个目标对象订阅的业务套餐信息,确定每个目标对象的需求意愿,其中,需求意愿包括:第一需求、第二需求、第三需求和无差异因素,第一需求为目标对象必须满足的需求,第二需求为目标对象期望提供的需求,第三需求为不在目标对象期望之内的需求,无差异因素表示是否存在替代套餐;依据需求意愿,确定每个目标对象的业务需求得分,其中,业务需求得分越高,表示目标对象的业务需求程度越大。
在上述业务套餐的推荐装置中的第二确定模块中,依据目标对象的消费能力水平的影响因素和目标对象的业务需求得分确定推荐结果,具体包括如下过程:获取目标对象在第二时长内的平均消费,以及获取目标对象的属性信息;依据平均消费和目标对象的属性信息,构建目标对象的推荐模型;至少依据目标对象的业务需求得分对推荐模型进行求解,得到推荐结果。
在上述业务套餐的推荐装置中,至少依据目标对象的业务需求得分对推荐模型进行求解,具体包括如下流程:确定推荐模型的目标函数,其中,目标函数包括第一函数、第二函数和第三函数,第一函数用于表示推荐结果中包含的语音和流量最多,第二函数用于表示推荐结果的价格最低,第三函数用于表示向目标对象推荐目标对象的业务需求得分最高的产品。
在上述业务套餐的推荐装置中,至少依据目标对象的业务需求得分对推荐模型进行求解,具体包括如下流程:确定推荐模型的约束条件,其中,约束条件包括第一条件、第二条件、第三条件和第四条件,第一条件表示推荐结果中包含的流量大于或等于目标对象在第一时长内的流量使用量,第二条件表示推荐结果中包含的语音大于或等于目标对象在第一时长内的语音使用量,第三条件表示推荐结果对应的价格大于或等于目标对象在第二时长内的平均消费,第四条件表示推荐结果中的主业务套餐价格大于或等于目标对象订阅的业务套餐价格。
在上述业务套餐的推荐装置中,至少依据目标对象的业务需求得分对推荐模型进行求解,具体包括如下流程:获取推荐结果满足的业务条件,其中,业务条件为推荐结果中包含的主业务套餐的数量为一个,且最多包含流量语音包信息和其他套餐信息中的一个;依据业务条件枚举推荐模型的所有推荐结果,并将所有推荐结果按照二进制位数从小到大的顺序进行排序;按照顺序确定每个推荐结果对应的目标函数值,并检验每个推荐结果是否满足约束条件;在推荐结果满足约束条件的情况下,确定推荐结果为推荐模型的最优解。
需要说明的是,图8所示的业务套餐的推荐装置用于执行图2所示的业务套餐的推荐方法,因此上述业务套餐的推荐方法中的相关解释说明也适用于该业务套餐的推荐装置,此处不再赘述。
本申请实施例还提供了一种非易失性存储介质,该非易失性存储介质包括存储的程序,其中,在程序运行时控制该非易失性存储介质所在设备执行以下业务套餐的推荐方法:获取目标对象的消费数据,其中,消费数据包括以下至少之一:目标对象订阅的业务套餐价格、目标对象在第一时长内的流量使用量、目标对象在第一时长内的语音使用量;至少依据消费数据,以及目标对象所处的位置信息和时间信息,确定目标对象的业务需求得分;依据目标对象的消费能力水平的影响因素和目标对象的业务需求得分确定推荐结果,其中,推荐结果用于指示向目标对象推荐的业务套餐,目标对象的消费能力水平的影响因素包括以下至少之一:目标对象的属性信息、目标对象订阅的业务套餐信息。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,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,可以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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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,在本申请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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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,本申请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全部或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(可为个人计算机、服务器或者网络设备等)执行本申请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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种业务套餐的推荐方法,其特征在于,包括:
获取目标对象的消费数据,其中,所述消费数据包括以下至少之一:所述目标对象订阅的业务套餐价格、所述目标对象在第一时长内的流量使用量、所述目标对象在所述第一时长内的语音使用量;
至少依据所述消费数据,以及所述目标对象所处的位置信息和时间信息,确定所述目标对象的业务需求得分;
依据所述目标对象的消费能力水平的影响因素和所述目标对象的业务需求得分确定推荐结果,其中,所述推荐结果用于指示向所述目标对象推荐的业务套餐,所述目标对象的消费能力水平的影响因素包括以下至少之一:所述目标对象的属性信息、所述目标对象订阅的业务套餐信息。
2.根据权利要求1所述的方法,其特征在于,获取目标对象的消费数据之前,所述方法还包括:
获取所有的业务套餐信息,其中,所述业务套餐信息至少包括基础业务套餐信息、流量语音包信息和其他套餐信息,其中,所述其他套餐信息为除所述基础业务套餐信息和所述流量语音包信息之外的其他信息;
将所述所有的业务套餐信息存储在数据库中。
3.根据权利要求1所述的方法,其特征在于,确定所述目标对象的业务需求得分,包括:
获取所述目标对象的上下文信息中的所述位置信息和所述时间信息;
依据所述位置信息和所述时间信息对所述目标对象进行划分,得到多个群组;
依据所述多个群组中的每个目标对象订阅的业务套餐信息,确定所述每个目标对象的需求意愿,其中,所述需求意愿包括:第一需求、第二需求、第三需求和无差异因素,所述第一需求为所述目标对象必须满足的需求,所述第二需求为所述目标对象期望提供的需求,所述第三需求为不在所述目标对象期望之内的需求,所述无差异因素表示是否存在替代套餐;
依据所述需求意愿,确定所述每个目标对象的业务需求得分,其中,所述业务需求得分越高,表示所述目标对象的业务需求程度越大。
4.根据权利要求1所述的方法,其特征在于,依据所述目标对象的消费能力水平的影响因素和所述目标对象的业务需求得分确定推荐结果,包括:
获取所述目标对象在第二时长内的平均消费,以及获取所述目标对象的属性信息;
依据所述平均消费和所述目标对象的属性信息,构建所述目标对象的推荐模型;
至少依据所述目标对象的业务需求得分对所述推荐模型进行求解,得到所述推荐结果。
5.根据权利要求4所述的方法,其特征在于,至少依据所述目标对象的业务需求得分对所述推荐模型进行求解,包括:确定所述推荐模型的目标函数,其中,所述目标函数包括第一函数、第二函数和第三函数,所述第一函数用于表示推荐结果中包含的语音和流量最多,所述第二函数用于表示所述推荐结果的价格最低,所述第三函数用于表示向所述目标对象推荐所述目标对象的业务需求得分最高的产品。
6.根据权利要求4所述的方法,其特征在于,至少依据所述目标对象的业务需求得分对所述推荐模型进行求解,包括:确定所述推荐模型的约束条件,其中,所述约束条件包括第一条件、第二条件、第三条件和第四条件,所述第一条件表示所述推荐结果中包含的流量大于或等于所述目标对象在所述第一时长内的流量使用量,所述第二条件表示所述推荐结果中包含的语音大于或等于所述目标对象在所述第一时长内的语音使用量,所述第三条件表示所述推荐结果对应的价格大于或等于所述目标对象在所述第二时长内的平均消费,所述第四条件表示所述推荐结果中的主业务套餐价格大于或等于所述目标对象订阅的业务套餐价格。
7.根据权利要求6所述的方法,其特征在于,至少依据所述目标对象的业务需求得分对所述推荐模型进行求解,包括:
获取所述推荐结果满足的业务条件,其中,所述业务条件为所述推荐结果中包含的主业务套餐的数量为一个,且最多包含流量语音包信息和其他套餐信息中的一个;
依据所述业务条件枚举所述推荐模型的所有推荐结果,并将所述所有推荐结果按照二进制位数从小到大的顺序进行排序;
按照所述顺序确定每个推荐结果对应的目标函数值,并检验所述每个推荐结果是否满足所述约束条件;
在所述推荐结果满足所述约束条件的情况下,确定所述推荐结果为所述推荐模型的最优解。
8.一种业务套餐的推荐装置,其特征在于,包括:
获取模块,用于获取目标对象的消费数据,其中,所述消费数据包括以下至少之一:所述目标对象订阅的业务套餐价格、所述目标对象在第一时长内的流量使用量、所述目标对象在所述第一时长内的语音使用量;
第一确定模块,用于至少依据所述消费数据,以及所述目标对象所处的位置信息和时间信息,确定所述目标对象的业务需求得分;
第二确定模块,用于依据所述目标对象的消费能力水平的影响因素和所述目标对象的业务需求得分确定推荐结果,其中,所述推荐结果用于指示向所述目标对象推荐的业务套餐,所述目标对象的消费能力水平的影响因素包括以下至少之一:所述目标对象的属性信息、所述目标对象订阅的业务套餐信息。
9.一种电子设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,与所述存储器连接,用于执行实现以下功能的程序指令:获取目标对象的消费数据,其中,所述消费数据包括以下至少之一:所述目标对象订阅的业务套餐价格、所述目标对象在第一时长内的流量使用量、所述目标对象在所述第一时长内的语音使用量;至少依据所述消费数据,以及所述目标对象所处的位置信息和时间信息,确定所述目标对象的业务需求得分;依据所述目标对象的消费能力水平的影响因素和所述目标对象的业务需求得分确定推荐结果,其中,所述推荐结果用于指示向所述目标对象推荐的业务套餐,所述目标对象的消费能力水平的影响因素包括以下至少之一:所述目标对象的属性信息、所述目标对象订阅的业务套餐信息。
10.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述业务套餐的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211718719.XA CN116170330A (zh) | 2022-12-29 | 2022-12-29 | 业务套餐的推荐方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211718719.XA CN116170330A (zh) | 2022-12-29 | 2022-12-29 | 业务套餐的推荐方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116170330A true CN116170330A (zh) | 2023-05-26 |
Family
ID=86414144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211718719.XA Pending CN116170330A (zh) | 2022-12-29 | 2022-12-29 | 业务套餐的推荐方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116170330A (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
- 2022-12-29 CN CN202211718719.XA patent/CN116170330A/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 |
---|---|---|
Meade et al. | Forecasting in telecommunications and ICT—A review | |
CN110222880B (zh) | 业务风险的确定方法、模型训练方法和数据处理方法 | |
CN111667207B (zh) | 供应链库存的管理方法及装置、存储介质和处理器 | |
CN107590688A (zh) | 目标客户的识别方法及终端设备 | |
CN110837587A (zh) | 一种基于机器学习的数据匹配方法和系统 | |
CN105744005A (zh) | 客户定位分析方法及服务器 | |
CN111738852B (zh) | 业务数据处理方法、装置和服务器 | |
AU2012216525A1 (en) | Churn analysis system | |
CN111951044A (zh) | 银行终端交互方法及系统 | |
CN112750011A (zh) | 商品推荐方法、装置和电子设备 | |
CN109978292B (zh) | 门店的智能管理方法及装置 | |
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 | |
CN110322093A (zh) | 信息处理方法、信息显示方法、装置及计算设备 | |
CN108133390A (zh) | 用于预测用户行为的方法和装置以及计算设备 | |
Ifrach et al. | NET Institute* www. NETinst. org | |
CN110766438A (zh) | 一种通过人工智能对电网用户的用户行为进行分析的方法 | |
CN116170330A (zh) | 业务套餐的推荐方法、装置及电子设备 | |
CN109492863A (zh) | 金融单证的自动生成方法及装置 | |
Adebiyi et al. | Improved customer churn and retention decision management using operations research approach | |
CN114170002A (zh) | 一种访问频次的预测方法及装置 | |
CN111078997B (zh) | 一种资讯推荐方法及装置 | |
CN111353794B (zh) | 数据处理的方法、供应链调度的方法和装置 | |
CN110246012A (zh) | 基于社交数据的消费金融产品推荐方法、装置和设备 | |
CN117557290A (zh) | 一种基于机器学习的电商运维管理方法及系统 | |
CN117217793A (zh) | 一种餐食分析大数据平台 |
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 |