CN116304325A - 应用软件的功能推荐方法、推荐装置、设备及存储介质 - Google Patents
应用软件的功能推荐方法、推荐装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116304325A CN116304325A CN202310250193.5A CN202310250193A CN116304325A CN 116304325 A CN116304325 A CN 116304325A CN 202310250193 A CN202310250193 A CN 202310250193A CN 116304325 A CN116304325 A CN 116304325A
- Authority
- CN
- China
- Prior art keywords
- scoring
- determining
- function
- target user
- user
- 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 68
- 239000011159 matrix material Substances 0.000 claims abstract description 103
- 238000011156 evaluation Methods 0.000 claims abstract description 96
- 230000006870 function Effects 0.000 claims description 200
- 238000004590 computer program Methods 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 55
- 238000010586 diagram Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种应用软件的功能推荐方法、推荐装置、设备及存储介质,可以应用于人工智能技术领域。该方法,包括:确定与业务场景对应的评价特征,评价特征为业务场景中具有最高重要度的交易特征,重要度指示了交易特征在业务场景中的影响程度;根据评价特征,确定针对目标用户的评分矩阵;根据目标用户的评分矩阵,从多个候选用户中确定M个相似用户,M大于等于2;以及根据M个相似用户的历史行为信息,确定与目标用户相匹配的待推荐功能。
Description
技术领域
本公开涉及人工智能领域,具体涉及一种应用软件的功能推荐方法、推荐装置、设备及存储介质。
背景技术
在推荐场景中,一般根据用户对应用软件使用功能的喜好,向用户推荐功能。相关技术中对使用功能喜好的确定依赖于问卷调查或电话调查。但是,多个用户对于同一个使用感受的评分标准不同,用户也可能未对全部使用功能进行评分,导致确定的用户喜好存在偏差。
相关技术中,由于对应用软件功能喜好程度的获取依赖于用户主观因素,使得基于用户喜好程度推荐的功能存在偏差,从而导致推荐准确性低,用户体验不好的技术问题。
发明内容
鉴于上述问题,本公开提供了一种应用软件的功能推荐方法、推荐装置、设备及存储介质。
根据本公开的第一个方面,提供了一种应用软件的功能推荐方法,包括:
确定与业务场景对应的评价特征,评价特征为业务场景中具有最高重要度的交易特征,重要度指示了交易特征在业务场景中的影响程度;
根据评价特征,确定针对目标用户的评分矩阵;
根据目标用户的评分矩阵,从多个候选用户中确定M个相似用户,M大于等于2;以及
根据M个相似用户的历史行为信息,确定与目标用户相匹配的待推荐功能。
根据本公开的实施例,其中,根据评价特征,确定针对目标用户的评分矩阵包括:
确定与评价特征相匹配的N个评分区间,N大于等于2;
获取目标用户针对评价特征的第一特征值;以及
根据第一特征值和评分区间,确定目标用户的评分矩阵。
根据本公开的实施例,其中,根据第一特征值和评分区间,确定目标用户的评分矩阵,包括:
按照N个评分区间的顺序,生成初始评分矩阵,初始评分矩阵中包括N个元素,每个元素的元素值均为0;
从N个评分区间中确定包括第一特征值的第n个评分区间,n大于等于1,且n小于等于N;以及
将初始评分矩阵中与第n个评分区间对应的元素值修改为1,得到评分矩阵。
根据本公开的实施例,其中,确定与评价特征相匹配的N个评分区间包括:
基于评价特征,获取多个候选用户的第二特征值;
从多个第二特征值中获取最小的第二特征值和最大的第二特征值;以及
按照等距离的方式划分最小的第二特征值和最大的第二特征值,得到N个评分区间。
根据本公开的实施例,其中,根据目标用户的评分矩阵,从多个候选用户中确定M个相似用户,包括:
基于评分区间和多个候选用户的第二特征值,确定多个候选用户的评分矩阵;
根据评分矩阵,计算目标用户和多个候选用户之间的相似度;以及
将相似度大于或等于第一阈值的M个候选用户确定为M个相似用户。
根据本公开的实施例,其中,根据M个相似用户的历史行为信息,确定与目标用户相匹配的待推荐功能,包括:
根据所述历史行为信息,确定对所述应用场景内P个功能的评分值,P大于等于1;
根据M个相似用户与目标用户之间的相似度、和M个相似用户对P个功能的评分值,计算P个功能评分;
将P个功能评分中评分最高的功能确定为待推荐功能。
根据本公开的实施例,其中,根据M个相似用户与目标用户之间的相似度、和M个相似用户对P个功能的评分值,计算P个功能评分,包括:
将相似度作为权重,根据M个相似用户对第p个功能的评分值,计算第p个功能的加权求和值,p大于等于1,且p小于等于P;
计算M个相似用户与目标用户之间的相似度之和;以及
将加权求和值和相似度之和的比值,作为第p个功能的功能评分。
根据本公开的实施例,其中,确定与业务场景对应的评价特征,包括:
针对业务场景,获取已经训练好的预测模型的输入,预测模型用于预测用户是否使用业务场景下的目标功能,预测模型的输入包括用户的交易特征,交易特征包括行为信息、用户画像和资产信息,预测模型的输出表征用户是否使用目标功能,预测模型包括决策树模型;以及
调用决策树模型的预设函数,计算交易特征的重要度;以及
将重要度最高的交易特征作为评价特征。
本公开的第二方面提供了一种应用软件的功能推荐装置,包括:
特征确定模块,用于确定与业务场景对应的评价特征,评价特征为业务场景中具有最高重要度的交易特征,重要度指示了交易特征在业务场景中的影响程度;
矩阵确定模块,用于根据评价特征,确定针对目标用户的评分矩阵;
用户确定模块,用于根据目标用户的评分矩阵,从多个候选用户中确定M个相似用户,M大于等于2;以及
功能确定模块,用于根据M个相似用户的历史行为信息,确定与目标用户相匹配的待推荐功能。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器执行上述应用软件的功能推荐方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述应用软件的功能推荐方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述应用软件的功能推荐方法。
本公开通过确定与业务场景对应的评价特征,评价特征为业务场景中具有最高重要度的交易特征,重要度指示了交易特征在业务场景中的影响程度;根据评价特征,确定针对目标用户的评分矩阵;根据目标用户的评分矩阵,从多个候选用户中确定M个相似用户;以及根据M个相似用户的历史行为信息,确定与目标用户相匹配的待推荐功能,实现了应用软件功能的推荐。由于本公开的实施例中,对用户喜好的评价都是基于实际行为特征确定的,不依赖于用户的主观评价因素,因此,确定的评分矩阵更为准确、根据评分矩阵确定的相似用户也更为准确、根据相似用户确定的待推荐功能也更为准确,从整体提高了推荐功能的准确性,提高了用户体验。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的应用软件的功能推荐方法的应用场景;
图2示意性示出了根据本公开实施例的应用软件的功能推荐方法的流程图;
图3示意性示出了根据本公开实施例的确定评分矩阵方法的流程图;
图4示意性示出了根据本公开实施例的确定相似用户方法的流程图;
图5示意性示出了根据本公开一具体实施例的确定待推荐功能方法的示意图;
图6A示意性示出了根据本公开实施例的汇款场景中交易特征的重要度示意图;
图6B示意性示出了根据本公开实施例的余额查询场景中交易特征的重要度示意图;
图6C示意性示出了根据本公开实施例的理财场景中交易特征的重要度示意图;
图6D示意性示出了根据本公开实施例的贷款场景中交易特征的重要度示意图;
图6E示意性示出了根据本公开实施例的信用卡场景中交易特征的重要度示意图;
图7示意性示出了根据本公开实施例的应用软件的功能推荐装置的结构框图;以及
图8示意性示出了根据本公开实施例的适于应用软件的功能推荐方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本公开的技术方案中,所涉及的数据(如包括但不仅限于用户个人信息)的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在推荐场景中,一般通过调查问卷或电话询问,获取用户对应用软件内使用功能的喜好情况。但是,多个用户对于同一个使用感受的评分标准不同,例如,用户A习惯用满分表达喜欢,用户B习惯使用比满分低一分的分值表达喜欢,用户C的打分习惯趋向于中位数,习惯比中位数高/或低一分的分值表达喜欢。由此,针对同一个喜欢程度,不同用户的表达习惯不同。
对于应用软件内的全部使用功能,部分用户仅对A模块的使用功能进行评分,未对其他模块的使用功能进行评分;还有一部分用户仅对B功能模块的使用功能进行评分,未对其他模块的使用功能进行评分。这就导致根据用户的评分无法确定用户的全部喜好。
此外,针对问卷调查或电话调查本身,评分的规则和评分区间都是业务人员根据经验确定的,评分规则和评分区间的确定也会影响最终的喜好分布。
综上所述,相关技术依赖于主观因素确定的数据进行推荐,会导致最终推荐的使用功能存在偏差,从而导致推荐准确性低,用户体验不好的技术问题。
本公开的实施例提供了一种应用软件的功能推荐方法,包括:确定与业务场景对应的评价特征,评价特征为业务场景中具有最高重要度的交易特征,重要度指示了交易特征在业务场景中的影响程度;根据评价特征,确定针对目标用户的评分矩阵;根据目标用户的评分矩阵,从多个候选用户中确定M个相似用户,M大于等于2;以及根据M个相似用户的历史行为信息,确定与目标用户相匹配的待推荐功能。
图1示意性示出了根据本公开实施例的应用软件的功能推荐方法的应用场景。
如图1所示,根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104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。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种应用软件,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(仅为示例)。应用软件内包括多个模块,执行多种功能。
例如,针对某银行应用客户端,该客户端软件内包括余额查询、理财、贷款等多种功能。
第一终端设备101、第二终端设备102、第三终端设备103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105可以是提供各种服务的服务器,例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的应用软件的功能推荐方法一般可以由服务器105执行。相应地,本公开实施例所提供的应用软件的功能推荐装置一般可以设置于服务器105中。本公开实施例所提供的应用软件的功能推荐方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的应用软件的功能推荐装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1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。
以下将基于图1描述的场景,通过图2~图6E对公开实施例的应用软件的功能推荐方法进行详细描述。
需要说明的是,以下所有步骤中涉及的历史行为信息、历史评价数据的收集、存储、使用、加工、传输、提供、公开和应用等处理,都是在经过用户允许的情况下发生的。
图2示意性示出了根据本公开实施例的应用软件的功能推荐方法的流程图。
如图2所示,该方法200包括操作S210~S240。
在操作S210,确定与业务场景对应的评价特征。
根据本公开的实施例,评价特征为业务场景中具有最高重要度的交易特征,重要度指示了交易特征在业务场景中的影响程度。
根据本公开的实施例,多个业务场景包括多个交易特征,例如,余额查询场景中的交易特征包括:借记卡交易次数、借记卡交易金额、贷记卡交易次数、贷记卡交易金额、线下自动取款机(Automated Teller Machine,ATM)使用行为等。贷款场景中的交易特征包括:贷款金额、贷款次数、贷款地址等。其中,评价特征可以为上述交易特征中重要度最高的特征。
根据本公开的实施例,本公开中的交易特征是指根据用户的实际交易行为过程中的特征,例如,资产信息、交易行为等,并非基于用户的评分行为产生的特征。
根据本公开的实施例,重要度指示了交易特征在业务场景中的影响程度。交易特征的影响越大,重要度越高;反之,交易特征的影响越小,重要度越低。
根据本公开的实施例,重要度可以根据在该应用软件中已发生的历史行为信息确定。例如,根据交易特征的发生次数、交易金额、时间或其他数据,确定多个交易特征的重要度,以便将重要度最高的交易特征确定为评价特征。
根据本公开的实施例,还可以在该业务场景下,将已训练好的模型中输入特征的重要性作为重要度,以确定多个交易特征的重要度,进而将重要度最高的交易特征确定为评价特征。其中,模型的输入特征包括交易特征。
在操作S220,根据评价特征,确定针对目标用户的评分矩阵。
根据本公开的实施例,在确定评价特征之后,获取目标用户在该评价特征下的历史行为信息,进而根据目标用户的历史行为信息,确定目标用户的评分矩阵。
例如,以评价特征为贷款交易金额为例。针对目标用户,获取目标用户的历史贷款行为信息,根据历史贷款行为信息内的贷款交易金额,确定该目标用户的评分矩阵。
需要说明的是,评分矩阵的确定不依赖于目标用户的主观评分,而是依赖于目标用户的实际行为。
在操作S230,根据目标用户的评分矩阵,从多个候选用户中确定M个相似用户,M大于等于2。
根据本公开的实施例,在确定目标用户的评分矩阵之后,可以基于目标用户和候选用户的评分矩阵,确定多个候选用户与目标用户的相似度。根据相似度,从多个候选用户中确定与目标用户相似的相似用户。
根据本公开的实施例,与目标用户的评分矩阵确定方法类似,候选用户的评分矩阵也是根据候选用户的历史行为信息确定的。
根据本公开的实施例,从多个候选用户中确定M个相似用户包括:确定至少一个最高相似度,并将与上述至少一个最高相似度对应的候选用户确定为相似用户。例如,同时存在M个最高相似度的情况下,将与上述M个最高相似度对应的M个候选用户确定为M个相似用户。
根据本公开的实施例,从多个候选用户中确定M个相似用户还包括:确定相似度满足第一阈值的M个相似度,将与上述M个相似度对应的M个候选用户确定为M个相似用户。
在操作S240,根据M个相似用户的历史行为信息,确定与目标用户相匹配的待推荐功能。
根据本公开的实施例,在确定M个相似用户之后,根据M个相似用户针对该应用场景下多个功能的历史行为信息,确定M个相似用户对多个功能的评分值。然后综合M个相似用户对多个功能的评分值,得到多个功能的功能评分,以便根据对多个功能的功能评分,确定待推荐功能。
根据本公开的实施例,可以采用协同过滤算法确定待推荐的功能。例如,采用基于用户的协同过滤方法,确定与目标用户相似的至少一个相似用户,推荐相似用户使用过但目标客户没使用过的应用软件功能。
本公开通过确定与业务场景对应的评价特征,评价特征为业务场景中具有最高重要度的交易特征,重要度指示了交易特征在业务场景中的影响程度;根据评价特征,确定针对目标用户的评分矩阵;根据目标用户的评分矩阵,从多个候选用户中确定M个相似用户;以及根据M个相似用户的历史行为信息,确定与目标用户相匹配的待推荐功能,实现了应用软件功能的推荐。由于本公开的实施例中,对用户喜好的评价都是基于实际行为特征确定的,不依赖于用户的主观评价因素,因此,确定的评分矩阵更为准确、根据评分矩阵确定的相似用户也更为准确、根据相似用户确定的待推荐功能也更为准确,从整体提高了推荐功能的准确性,提高了用户体验。
图3示意性示出了根据本公开实施例的确定评分矩阵方法的流程图。
如图3所示,该实施例的确定评分矩阵方法300包括操作S321~操作S322,可以作为操作S220的一个具体实施例。
在操作S321,确定与评价特征相匹配的N个评分区间,N大于等于2。
在操作S322,获取目标用户针对评价特征的第一特征值。
在操作S323,根据第一特征值和评分区间,确定目标用户的评分矩阵。
根据本公开的实施例,在确定与应用场景对应的评价特征之后,根据数据库中与评价特征对应的历史行为信息确定N个评分区间。例如,获取数据库中所有用户针对该评价特征的历史行为信息,将所有用户的历史行为信息作为该评价特征的特征值;对上述多个特征值进行筛选、切分,确定N个评分区间。
根据本公开的实施例,评分区间的数目可以根据实际情况确定。
例如,评分区间的数量一般为5个,在用户量超过第一数量阈值的情况下,增加2个评分区间,在用户量超过第二数量阈值的情况下,增加3个评分区间。
或者,评分区间的数目固定为5个,评分区间的长度根据特征值确定。例如,每个评分区间的长度等于所有用户的特征值跨度的五分之一。如,特征值的跨度为从1至100,每个评分区间的长度为20。
根据本公开的实施例,在确定评分区间之后,将目标用户针对评价特征的实际行为信息确定为第一特征值,以便根据第一特征值和评分区间确定目标用户的评分矩阵。
本公开的实施例在确定评价特征之后,根据目标用户的实际特征值,确定评分矩阵,不依赖于用户的主观特征,根据实际特征值确定客观评分,有助于提高确定用户喜好的准确性。
根据本公开的实施例,确定与评价特征相匹配的N个评分区间包括一下步骤。
基于评价特征,获取多个候选用户的第二特征值。
从多个第二特征值中获取最小的第二特征值和最大的第二特征值。
按照等距离的方式划分最小的第二特征值和最大的第二特征值,得到N个评分区间。
根据本公开的实施例,数据库中已有的所有用户都可以作为候选用户。在确定评价特征之后,将所有候选用户针对该评价特征的历史行为信息作为该评价特征的第二特征值。
从上述多个第二特征值中筛选得到最小的第二特征值和最大的第二特征值。然后以最小的第二特征值作为最小值、以最大的第二特征值作为最大值,利用等距分箱法将最小值和最大值之间等分为N份,得到N个评分区间。
其中,每个评分区间的长度为:W=(Xmax-Xmin)/N,Xmax表示最大的第二特征值,Xmin表示最小的第二特征值,N为评分区间的个数。
根据本公开的实施例,由于N个评分区间是按照第二特征值的大小顺序进行切分的,因此,N个评分区间之间存在大小顺序。即,第1个评分区间最小,第2个评分区间的最小值大于或等于第1个评分区间的最大值…第n个评分区间的最小值大于或等于第n-1个评分区间的最大值…第N个评分区间的最大值为最大的第二特征值。
例如,对于余额查询场景、汇款场景、理财场景、贷款场景、信用卡场景,评分区间的数目都是5。
表1多场景中用户所属的评分区间表
余额查询 | 汇款 | 信用卡 | 贷款 | 理财 | |
user1 | 5 | 4 | 1 | 1 | 1 |
user2 | 1 | 1 | 1 | 1 | 1 |
user3 | 1 | 2 | 1 | 2 | 1 |
如表1所示,多场景中用户所属的评分区间表包括余额查询场景、汇款场景、信用卡场景、贷款场景、理财场景。用户user1分别位于上述五个场景的评价特征的第5个评分区间、第4个评分区间、第1个评分区间、第1个评分区间、第1个评分区间。用户user2分别位于上述五个场景的第1个评分区间、第1个评分区间、第1个评分区间、第1个评分区间、第1个评分区间。用户user3分别位于上述五个场景的第1个评分区间、第2个评分区间、第1个评分区间、第2个评分区间、第1个评分区间。
本公开的实施例针对评价特征下的多个用户,根据用户的历史行为数据确定客观的评分区间。相比于等频分箱,按照等距离的方式更能体现用户的行为差异。
根据本公开的实施例,根据第一特征值和评分区间,确定目标用户的评分矩阵,包括以下步骤。
按照N个评分区间的顺序,生成初始评分矩阵,初始评分矩阵中包括N个元素,每个元素的元素值均为0。
从N个评分区间中确定包括第一特征值的第n个评分区间,n大于等于1,且n小于等于N。
将初始评分矩阵中与第n个评分区间对应的元素值修改为1,得到评分矩阵。
根据本公开的实施例,评分区间之间存在数值大小的关系。根据N个评分区间之间的大小顺序,生成初始评分矩阵。其中初始评分矩阵为一维矩阵,且一维初始评分矩阵中的元素数量与评分区间的数目相同,元素值为0。
例如,评价特征为贷款金额,评价区间有5个,分别为0~1万元,1万元~10万元,10万元~100万元,100万元~1000万元,1000万元以上。目标用户的实际行为信息为:贷款90万元,即第一特征值为90。
生成的初始评分矩阵为[0,0,0,0,0]。根据第一特征值和5个评分区间可以确定,目标用户的第一特征值落入第3个评分区间,将初始评分矩阵中第3个元素的元素值更新为1,目标用户的评分矩阵为[0,0,1,0,0]。
图4示意性示出了根据本公开实施例的确定相似用户方法的流程图。
如图4所示,该实施例的确定相似用户方法400包括操作S431~操作S433,可以作为操作S230的一个具体实施例。
在操作S431,基于评分区间和多个候选用户的第二特征值,确定多个候选用户的评分矩阵。
在操作S432,根据评分矩阵,计算目标用户和多个候选用户之间的相似度。
在操作S433,将相似度大于或等于第一阈值的M个候选用户确定为M个相似用户。
根据本公开的实施例,候选用户的评分矩阵确定方法与目标用户的评分矩阵确定方法类似,在此不再赘述。
例如,评价特征为贷款金额,评价区间有5个,分别为0~1万元,1万元~10万元,10万元~100万元,100万元~1000万元,1000万元以上。如果用户user1为候选用户,候选用户user1的贷款金额为5000元,即候选用户user1的第二特征值位于贷款场景的第1个评分区间,由此,候选用户的评分矩阵为[1,0,0,0,0]。
根据本公开的实施例,可以计算候选用户的评分矩阵和目标用户的评分矩阵之间的余弦相似度,并基于余弦相似度确定为与目标用户相似的相似用户。
计算目标用户与候选用户的相似度的过程满足:
其中,i表示目标用户的评分矩阵,j表示候选用户的评分矩阵,sim(i,j)表示目标用户与候选用户之间的相似度。||i||和||j||表示向量i和j的长度。
例如,i可以为[0,0,1,0,0],j可以为[1,0,0,0,0]。
根据本公开的实施例,第一阈值可以为1。
例如,目标用户的评分矩阵为[0,0,1,0,0],候选用户user4、user5和user6的评分矩阵分别为[0,1,0,0,0]、[0,0,1,0,0]和[0,0,1,0,0],由此,计算目标用户与候选用户user4的相似度为0,与候选用户user5和候选用户user6的相似度均为1,由此,可以确定相似用户为user5和user6。
本公开的实施例中,相似度的计算依赖于客观得到的评分矩阵,不涉及主观评价,根据目标用户的评分矩阵和候选用户的评分矩阵确定的相似度更为准确,确定的相似用户也更为准确。
根据本公开的实施例,根据M个相似用户的历史行为信息,确定与目标用户相匹配的待推荐功能,包括以下步骤。
根据历史行为信息,确定对应用场景内P个功能的评分值,P大于等于1。
根据M个相似用户与目标用户之间的相似度、和M个相似用户对P个功能的评分值,计算P个功能评分。
将P个功能评分中评分最高的功能确定为待推荐功能。
根据本公开的实施例,相似用户可以已经使用过多个业务场景下的多个功能。例如,用户user5可以同时使用余额查询场景、汇款场景、信用卡场景、贷款场景、理财场景下的功能。
根据本公开的实施例,根据历史行为信息确定用户的评分值包括:根据M个相似用户针对P个功能中每个功能的特征值,确定每个功能的评分区间。将上述评分区间与每个相似用户的特征值进行比较,确定每个相似用户的特征值所落入的评分区间,进而根据落入的评分区间确定每个功能的评分值。
根据本公开的实施例,评分值可以根据评分区间的顺序确定。例如,评分区间的范围靠前的,评分值低;评分区间靠后的,评分制高。落入最后一个评分区间的评分值最高。
例如,用户user1分别位于余额查询场景、汇款场景、信用卡场景、贷款场景、理财场景的评价特征的第5个评分区间、第4个评分区间、第1个评分区间、第1个评分区间、第1个评分区间。由此,对应的评分值分别为5、4、1、1、1。
根据本公开的实施例,针对相似用户的历史行为信息,确定相似用户已使用过的该应用场景内的所有功能的评分制,确定P个评分值。根据相似用户与目标用户的相似度以及该相似用户对某一功能的评分值,确定该相似用户对某一功能的加权值;然后根据M个相似用户针对某一功能的加权值,和M个相似用户与目标用户的相似度,确定M个相似用户针对某一功能的功能评分。其中,P个功能评分均采用上述方法计算。
根据本公开的实施例,在计算P个功能评分之后,将P个功能评分中评分最高的功能确定为待推荐功能。
本公开的实施例综合多个相似用户的相似度和评分值,可以更准确地确定每个功能的评分,有助于提高推荐的准确性。
根据本公开的实施例,根据M个相似用户与目标用户之间的相似度、和M个相似用户对P个功能的评分值,计算P个功能评分,包括:
将相似度作为权重,根据M个相似用户对第p个功能的评分值,计算第p个功能的加权求和值,p大于等于1,且p小于等于P;
计算M个相似用户与目标用户之间的相似度之和;以及
将加权求和值和相似度之和的比值,作为第p个功能的功能评分。
根据本公开的实施例,确定第p个功能的功能评分的过程满足:
其中,Ru,p表示针对目标用户u,得到的第p个功能的功能评分,wu,s表示相似用户s与目标用户u之间的相似度,Rs,p表示相似用户s对第p个功能的评分值。
根据本公开的实施例,在应用阶段,由于目标用户未使用过该应用场景,由此,根据M个相似用户的历史行为信息确定P个功能评分,从而将P个功能评分中评分最高的功能确定为待推荐功能。
在测试阶段,目标用户可以是已使用过待推荐功能的用户。在确定待推荐功能之后,还可以根据目标用户的历史行为信息,确定目标用户针对待推荐功能的评分值,然后根据待推荐功能的功能评分和评分值,确定评价指标。其中,评价指标用户确定推荐过程的好坏。
根据本公开的实施例,评价指标包括平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square Error,RMSE)。
计算平均绝对误差的过程满足:
其中,n是所有目标用户个数的总和,pui是根据相似用户确定的预测评分,即待推荐功能的功能评分,rui是真实的评分值
计算均方根误差的过程满足:
其中,observedt表示第t个目标用户的预测值,即功能评分,predictedt表示第t个目标用户的真实值,即根据历史行为信息确定的评分值,N是所有目标用户个数的总和。均方根误差通过计算预测值和真实值之间的误差来衡量模型的优劣,预测值和真实值越接近,两者的均方根误差就越小,说明模型有很好的精度,推荐的效果越好。
根据本公开的实施例,还可以在确定待推荐功能之后,在经过用户允许的情况下,获取目标用户的后续历史行为信息,并根据历史行为信息确定上述评价指标。
图5示意性示出了根据本公开一具体实施例的确定待推荐功能方法的示意图。
如图5所示,示意图500包括第一特征值501、评价特征502、评分区间503、第二特征值504、目标用户的评分矩阵505、候选用户的评分矩阵505、相似用户507、相似用户的历史行为信息508和待推荐功能509
根据本公开的实施例,第一特征值501可以是根据目标用户针对评价特征的历史行为信息确定的,第二特征值504可以是根据候选用户针对评价特征的历史行为信息确定的。
在确定评价特征502之后,可以根据评价特征获取数据库中所有用户的特征值,以确定评分区间503。还可以根据候选用户的第二特征值,确定评分区间503。
根据本公开的实施例,在获取第一特征值501之后,比较第一特征值501和评分区间503,确定第一特征值501落入的评分区间,以确定目标用户的评分矩阵505。在获取第二特征值504之后,比较第二特征值504和评分区间503,确定第二特征值504落入的评分区间,以确定候选用户的评分矩阵506。
根据目标用户的评分矩阵505和候选用户的评分矩阵506,计算目标用户与多个候选用户之间的相似度,确定一个或多个相似用户507。
在确定相似用户507之后,根据相似用户507确定相似用户的历史行为信息508,并根据相似用户的历史行为信息508确定待推荐功能。
根据本公开的实施例,确定与业务场景对应的评价特征,包括:
针对业务场景,获取已经训练好的预测模型的输入,预测模型用于预测用户是否使用业务场景下的目标功能,预测模型的输入包括用户的交易特征,交易特征包括行为信息、用户画像和资产信息,预测模型的输出表征用户是否使用目标功能,预测模型包括决策树模型;以及
调用决策树模型的预设函数,计算交易特征的重要度;以及
将重要度最高的交易特征作为评价特征。
根据本公开的实施例,预测模型可以包括多个类型,分别用于预测多个业务场景。例如,针对手机银行应用客户端的五个热门功能:汇款,余额查询,信用卡,贷款和理财,利用LightGBM模型分别建立模型,最终形成5个二分类的预测模型。LightGBM是XGBoost后又一个基于树模型的高效算法框架,同样属于boosting算法族,具有训练速度快、准确率高等优势,并且支持并行计算,目前广泛用于银行业庞大的金融数据的处理。
根据本公开的实施例,还可以采用多种决策树模型构建预测模型。
例如,通过逻辑回归、随机森林、Lightgbm算法建立手机银行功能预测模型,通过比较预测准确性,选择最优的决策树模型作为预测模型。
根据本公开的实施例,LightGBM模型采用基于直方图的决策树算法,将连续型特征离散成K个数值,然后生成一个宽为K的直方图。当遍历训练样本时,将经过离散的数值当做索引,在进行一次遍历后,直方图保存了每一个指标的统计量,然后通过直方图的离散值,遍历寻找最优分割点,通过上述遍历方式,可以同时降低内存占用与时间复杂度
此外,在离散为K个数据在过程中,采用最优的leaf-wise分裂叶子节点确定K的数量。具体地,在分裂前会首先遍历树中全部叶子,接着找到分裂增益最大的叶子进行再分裂,并重复这一操作。实验证明,同样分裂次数下,Leaf-wise可以得到更高的精度,并且,在构建预测模型的过程中,在Leaf-wise中加入了防止过拟合的最大深度限制。
通过多次训练调优,LightGBM模型中重要超参数的参数值最终设定如表2所示。
表2超参数的参数值
根据本公开的实施例,还可以采用多种决策树模型构建预测模型。
例如,通过逻辑回归、随机森林、Lightgbm算法建立手机银行功能预测模型,通过比较预测准确性,选择最优的决策树模型作为预测模型。
根据本公开的实施例,预测模型的输入包括交易特征,交易特征包括行为信息、用户画像和资产信息。其中,用户画像包括:年龄、职业、性别等。资产信息包括:定期存款、活期存款、理财余额、持有产品、行内资产等。行为信息包括:借记卡交易次数、借记卡交易金额、贷记卡交易次数、贷记卡交易金额、购买理财次数、申请贷款次数等。
上述交易特征是在经过用户允许的情况下,通过页面的埋点信息获取的。
根据本公开的实施例,针对5个业务场景的预测模型,标签信息分别为:是否登录过汇款页面、是否登录过余额查询页面、是否登录过信用卡页面、是否登录过贷款页面、是否登录过理财页面。
预测模型在预测用户是否使用目标功能的之前,需要对模型的输入进行数据处理。其中,数据处理包括数据清洗和归一化。
根据本公开的实施例,针对数据集的数据,数值型特征补充0值,离散型特征补充9999,既保证数值型和离散型特征的合理性,也保证与原有数据做出明显区分。例如,数值型可以为金额、次数、时间;离散型可以为性别。
根据本公开的实施例,由于各个特征的单位不同、性质不同、量纲不同,当各个特征之间水平相差很大时,如果直接用原始数值进行分析,就会突出数值较高的指标在分析中的作用,削弱数值较低指标的作用。因此,在进行建模前,对各个连续型特征变量均进行了max-min归一化的操作,使得不同量纲的特征处于同一数值量级,减少方差大的特征影响。归一化所使用的公式:
其中,min为同一特征的样本最小值,max为同一特征的样本最大值,X表示样本值。
根据本公开的实施例,在获取预测模型的输入之后,可以调用决策树模型的预设函数,计算所有交易特征的重要度,并将重要度最高的交易特征作为评价特征。
根据本公开的实施例,预设函数包括feature_importances方法。例如,LightGBM的feature_importances函数可以通过特征的分裂次数或利用该特征分裂后的增益来衡量。一般情况下,不同的衡量准则得到的特征重要性顺序会有差异,多个业务场景存在多个衡量准则。
本公开的实施例通过对模型的特征重要性进行分析,针对业务场景的预测模型梳理出重要度最高的特征,并将该特征作为评价特征,以便后续确定目标用户的待推荐功能。通过LightGBM模型弥补了协同过滤算法rating参数的缺失问题,并使该值具有客观性,提高了推荐的准确性。
根据本公开的实施例,通过图6A~图6E展示了本公开实施例的5个业务场景的评价特征。
图6A示意性示出了根据本公开实施例的汇款场景中交易特征的重要度示意图。
根据本公开的实施例,针对汇款预测模型,模型的输入为用户画像:年龄、职业、性别等;资产信息:定期存款、活期存款、行内资产等;行为信息:借记卡交易次数、借记卡交易金额、贷记卡交易次数、贷记卡交易金额等。
利用汇款预测模型可以对用户使用汇款功能进行预测,还可以通过模型找出对汇款预测模型结果影响最大的特征。如图6A,汇款预测模型中“借记卡交易次数”特征的重要度最高,因此将“借记卡交易次数”作为汇款场景下执行后续推荐操作的评价特征。例如,将“借记卡交易次数”作为协同过滤模型中“汇款”功能的rating参数。
图6B示意性示出了根据本公开实施例的余额查询场景中交易特征的重要度示意图。
根据本公开的实施例,针对余额查询预测模型,模型的输入为用户画像:年龄、职业、性别等;资产信息:定期存款、活期存款、行内资产等;行为信息:借记卡交易次数、借记卡交易金额、贷记卡交易次数、贷记卡交易金额、ATM交易次数等。
利用余额查询预测模型可以对用户使用余额查询功能进行预测,还可以通过模型找出对余额查询预测模型结果影响最大的特征。如图6B,余额查询预测模型中“ATM交易次数”特征的重要度最高,因此将“ATM交易次数”作为余额查询场景下执行后续推荐操作的评价特征。例如,将“ATM交易次数”作为协同过滤模型中“余额查询”功能的rating参数。
图6C示意性示出了根据本公开实施例的理财场景中交易特征的重要度示意图。
根据本公开的实施例,针对理财预测模型,模型的输入为用户画像:年龄、职业、性别等;资产信息:定期存款、活期存款、行内资产、理财规模等;行为信息:借记卡交易次数、借记卡交易金额、贷记卡交易次数、贷记卡交易金额,购买理财金额等。
利用理财预测模型可以对用户使用理财功能进行预测,还可以通过模型找出对理财预测模型结果影响最大的特征。如图6C,理财预测模型中“理财规模”特征的重要度最高,因此将“理财规模”作为理财场景下执行后续推荐操作的评价特征。例如,将“理财规模”作为协同过滤模型中“理财”功能的rating参数。
图6D示意性示出了根据本公开实施例的贷款场景中交易特征的重要度示意图。
根据本公开的实施例,针对贷款预测模型,模型的输入为用户画像:年龄、职业、性别等;资产信息:定期存款、活期存款、行内资产等;行为信息:借记卡交易次数、借记卡交易金额、贷记卡交易次数、贷记卡交易金额,贷款交易金额等。
利用贷款模型可以对用户使用贷款功能进行预测,还可以通过模型找出对贷款预测模型结果影响最大的特征。如图6D,贷款预测模型中“贷款交易金额”特征的重要度最高,因此将“贷款交易金额”作为贷款场景下执行后续推荐操作的评价特征。例如,将“贷款交易金额”作为协同过滤模型中“贷款”功能的rating参数。
图6E示意性示出了根据本公开实施例的信用卡场景中交易特征的重要度示意图。
根据本公开的实施例,针对信用卡预测模型,模型的输入为用户画像:年龄、职业、性别等;资产信息:定期存款、活期存款、行内资产、信用卡持有情况等;行为信息:借记卡交易次数、借记卡交易金额、贷记卡交易次数、贷记卡交易金额等。
利用信用卡预测模型可以对用户使用信用卡功能进行预测,还可以通过模型找出对信用卡预测模型结果影响最大的特征。如图6E,信用卡预测模型中“信用卡持有数量”特征的重要度最高,因此将“信用卡持有数量”作为信用卡场景下执行后续推荐操作的评价特征。例如,将“信用卡持有数量”作为协同过滤模型中“信用卡”功能的rating参数。
图7示意性示出了根据本公开实施例的应用软件的功能推荐装置的结构框图。
如图7所示,该实施例的应用软件的功能推荐装置700包括特征确定模块710、矩阵确定模块720、用户确定模块730、功能确定模块740。
特征确定模块710,用于确定与业务场景对应的评价特征,评价特征为业务场景中具有最高重要度的交易特征,重要度指示了交易特征在业务场景中的影响程度。在一实施例中,特征确定模块710,可以用于执行前文描述的操作S210,在此不再赘述。
矩阵确定模块720,用于根据评价特征,确定针对目标用户的评分矩阵。在一实施例中,矩阵确定模块720可以用于执行前文描述的操作S220,在此不再赘述。
用户确定模块730,用于根据目标用户的评分矩阵,从多个候选用户中确定M个相似用户,M大于等于2。在一实施例中,用户确定模块730可以用于执行前文描述的操作S230,在此不再赘述。
功能确定模块740,用于根据M个相似用户的历史行为信息,确定与目标用户相匹配的待推荐功能。在一实施例中,功能确定模块740可以用于执行前文描述的操作S240,在此不再赘述。
根据本公开的实施例,矩阵确定模块720包括第一确定单元、第二确定单元和第三确定单元。
第一确定单元用于确定与评价特征相匹配的N个评分区间,N大于等于2。在一实施例中,第一确定单元可以用于执行前文描述的操作S321,在此不再赘述。
第二确定单元用于获取目标用户针对评价特征的第一特征值。在一实施例中,第二确定单元可以用于执行前文描述的操作S322,在此不再赘述。
第三确定单元用于根据第一特征值和评分区间,确定目标用户的评分矩阵。在一实施例中,第三确定单元可以用于执行前文描述的操作S323,在此不再赘述。
根据本公开的实施例,第三确定单元包括第一确定子单元、第二确定子单元和第三确定子单元。
第一确定子单元用于按照N个评分区间的顺序,生成初始评分矩阵,初始评分矩阵中包括N个元素,每个元素的元素值均为0。
第二确定子单元用于从N个评分区间中确定包括第一特征值的第n个评分区间,n大于等于1,且n小于等于N。
第三确定子单元用于将初始评分矩阵中与第n个评分区间对应的元素值修改为1,得到评分矩阵。
根据本公开的实施例,第一确定单元包括第四确定子单元、第五确定子单元和第六确定子单元。
第四确定子单元用于基于评价特征,获取多个候选用户的第二特征值。
第五确定子单元用于从多个第二特征值中获取最小的第二特征值和最大的第二特征值。
第六确定子单元用于按照等距离的方式划分最小的第二特征值和最大的第二特征值,得到N个评分区间。
根据本公开的实施例,用户确定模块730包括第四确定单元、第五确定单元和第六确定单元。
第四确定单元用于基于评分区间和多个候选用户的第二特征值,确定多个候选用户的评分矩阵。在一实施例中,第四确定单元可以用于执行前文描述的操作S431,在此不再赘述。
第五确定单元用于根据评分矩阵,计算目标用户和多个候选用户之间的相似度。在一实施例中,第五确定单元可以用于执行前文描述的操作S432,在此不再赘述。
第六确定单元用于将相似度大于或等于第一阈值的M个候选用户确定为M个相似用户。在一实施例中,第六确定单元可以用于执行前文描述的操作S433,在此不再赘述。
根据本公开的实施例,功能确定模块740包括第七确定单元、第八确定单元和第九确定单元。
第七确定单元用于根据历史行为信息,确定对应用场景内P个功能的评分值,P大于等于1。
第八确定单元用于根据M个相似用户与目标用户之间的相似度、和M个相似用户对P个功能的评分值,计算P个功能评分。
第九确定单元用于将P个功能评分中评分最高的功能确定为待推荐功能。
根据本公开的实施例,第八确定单元包括第七确定子单元、第八确定子单元和第九确定子单元。
第七确定子单元用于将相似度作为权重,根据M个相似用户对第p个功能的评分值,计算第p个功能的加权求和值,p大于等于1,且p小于等于P。
第八确定子单元用于计算M个相似用户与目标用户之间的相似度之和。
第九确定子单元用于将加权求和值和相似度之和的比值,作为第p个功能的功能评分。
根据本公开的实施例,特征确定模块710包括输入特征获取单元、重要度计算单元和评价特征确定单元。
输入特征获取单元用于针对业务场景,获取已经训练好的预测模型的输入,预测模型用于预测用户是否使用业务场景下的目标功能,预测模型的输入包括用户的交易特征,交易特征包括行为信息、用户画像和资产信息,预测模型的输出表征用户是否使用目标功能,预测模型包括决策树模型。
重要度计算单元用于调用决策树模型的预设函数,计算交易特征的重要度。
评价特征确定单元用于将重要度最高的交易特征作为评价特征。
根据本公开的实施例,特征确定模块710、矩阵确定模块720、用户确定模块730、功能确定模块740中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。
根据本公开的实施例,特征确定模块710、矩阵确定模块720、用户确定模块730、功能确定模块740中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,特征确定模块710、矩阵确定模块720、用户确定模块730、功能确定模块740中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图8示意性示出了根据本公开实施例的适于应用软件的功能推荐方法的电子设备的方框图。
如图8所示,根据本公开实施例的电子设备800包括处理器801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 803中,存储有电子设备800操作所需的各种程序和数据。处理器801、ROM802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 802和RAM803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备800还可以包括输入/输出(I/O)接口805,输入/输出(I/O)接口805也连接至总线804。电子设备800还可以包括连接至I/O接口805的以下部件中的一项或多项:包括键盘、鼠标等的输入部分806;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807;包括硬盘等的存储部分808;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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,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810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808。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储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执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于: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)、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。在本公开中,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。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,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。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供上述方法。
在该计算机程序被处理器801执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分809被下载和安装,和/或从可拆卸介质811被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上所述的具体实施例,对本公开的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本公开的具体实施例而已,并不用于限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (12)
1.一种应用软件的功能推荐方法,包括:
确定与业务场景对应的评价特征,所述评价特征为所述业务场景中具有最高重要度的交易特征,所述重要度指示了所述交易特征在所述业务场景中的影响程度;
根据所述评价特征,确定针对目标用户的评分矩阵;
根据所述目标用户的评分矩阵,从多个候选用户中确定M个相似用户,M大于等于2;以及
根据所述M个相似用户的历史行为信息,确定与所述目标用户相匹配的待推荐功能。
2.根据权利要求1所述的方法,其中,所述根据所述评价特征,确定针对目标用户的评分矩阵包括:
确定与所述评价特征相匹配的N个评分区间,N大于等于2;
获取所述目标用户针对所述评价特征的第一特征值;以及
根据所述第一特征值和所述评分区间,确定所述目标用户的评分矩阵。
3.根据权利要求2所述的方法,其中,所述根据所述第一特征值和所述评分区间,确定所述目标用户的评分矩阵,包括:
按照所述N个评分区间的顺序,生成初始评分矩阵,所述初始评分矩阵中包括N个元素,每个元素的元素值均为0;
从所述N个评分区间中确定包括所述第一特征值的第n个评分区间,n大于等于1,且n小于等于N;以及
将所述初始评分矩阵中与所述第n个评分区间对应的元素值修改为1,得到所述评分矩阵。
4.根据权利要求2所述的方法,其中,所述确定与所述评价特征相匹配的N个评分区间包括:
基于所述评价特征,获取多个候选用户的第二特征值;
从多个所述第二特征值中获取最小的第二特征值和最大的第二特征值;以及
按照等距离的方式划分所述最小的第二特征值和所述最大的第二特征值,得到所述N个评分区间。
5.根据权利要求2所述的方法,其中,所述根据所述目标用户的评分矩阵,从多个候选用户中确定M个相似用户,包括:
基于所述评分区间和所述多个候选用户的第二特征值,确定所述多个候选用户的评分矩阵;
根据所述评分矩阵,计算所述目标用户和所述多个候选用户之间的相似度;以及
将所述相似度大于或等于第一阈值的M个候选用户确定为所述M个相似用户。
6.根据权利要求5所述的方法,其中,所述根据所述M个相似用户的历史行为信息,确定与所述目标用户相匹配的待推荐功能,包括:
根据所述历史行为信息,确定对所述应用场景内P个功能的评分值,P大于等于1;
根据所述M个相似用户与所述目标用户之间的相似度、和所述M个相似用户对P个功能的评分值,计算P个功能评分;
将所述P个功能评分中评分最高的功能确定为所述待推荐功能。
7.根据权利要求6所述的方法,其中,所述根据所述M个相似用户与所述目标用户之间的相似度、和所述M个相似用户对P个功能的评分值,计算P个功能评分,包括:
将所述相似度作为权重,根据所述M个相似用户对第p个功能的评分值,计算第p个功能的加权求和值,p大于等于1,且p小于等于P;
计算所述M个相似用户与所述目标用户之间的相似度之和;以及
将所述加权求和值和所述相似度之和的比值,作为第p个功能的功能评分。
8.根据权利要求1所述的方法,其中,所述确定与业务场景对应的评价特征,包括:
针对所述业务场景,获取已经训练好的预测模型的输入,所述预测模型用于预测用户是否使用所述业务场景下的目标功能,所述预测模型的输入包括用户的交易特征,所述交易特征包括行为信息、用户画像和资产信息,所述预测模型的输出表征用户是否使用所述目标功能,所述预测模型包括决策树模型;
调用决策树模型的预设函数,计算所述交易特征的重要度;以及
将重要度最高的交易特征作为所述评价特征。
9.一种应用软件的功能推荐装置,包括:
特征确定模块,用于确定与业务场景对应的评价特征,所述评价特征为所述业务场景中具有最高重要度的交易特征,所述重要度指示了所述交易特征在所述业务场景中的影响程度;
矩阵确定模块,用于根据所述评价特征,确定针对目标用户的评分矩阵;
用户确定模块,用于根据所述目标用户的评分矩阵,从多个候选用户中确定M个相似用户,M大于等于2;以及
功能确定模块,用于根据所述M个相似用户的历史行为信息,确定与所述目标用户相匹配的待推荐功能。
10.一种电子设备,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,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~8中任一项所述的方法。
11.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~8中任一项所述的方法。
12.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310250193.5A CN116304325A (zh) | 2023-03-14 | 2023-03-14 | 应用软件的功能推荐方法、推荐装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310250193.5A CN116304325A (zh) | 2023-03-14 | 2023-03-14 | 应用软件的功能推荐方法、推荐装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116304325A true CN116304325A (zh) | 2023-06-23 |
Family
ID=86786541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310250193.5A Pending CN116304325A (zh) | 2023-03-14 | 2023-03-14 | 应用软件的功能推荐方法、推荐装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304325A (zh) |
-
2023
- 2023-03-14 CN CN202310250193.5A patent/CN116304325A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11423365B2 (en) | Transaction card system having overdraft capability | |
US20230132448A1 (en) | Heterogeneous graph embedding | |
Cerchiello et al. | How to measure the quality of financial tweets | |
US20200250623A1 (en) | Systems and techniques to quantify strength of a relationship with an enterprise | |
US11037236B1 (en) | Algorithm and models for creditworthiness based on user entered data within financial management application | |
CN112598472A (zh) | 产品推荐方法、装置、系统、介质和程序产品 | |
CN115983900A (zh) | 用户营销策略的构建方法、装置、设备、介质和程序产品 | |
CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
CN114782201A (zh) | 股票推荐方法、装置、计算机设备和存储介质 | |
López-Díaz et al. | A stochastic comparison of customer classifiers with an application to customer attrition in commercial banking | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
CN116800831A (zh) | 一种业务数据推送方法、装置、存储介质及处理器 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN116304325A (zh) | 应用软件的功能推荐方法、推荐装置、设备及存储介质 | |
CN115968478A (zh) | 机器学习特征推荐 | |
CN113094595A (zh) | 对象识别方法、装置、计算机系统及可读存储介质 | |
CN112950392A (zh) | 信息展示方法、后验信息确定方法及装置及相关设备 | |
Preeti et al. | Application of hybrid approach in banking system: An undesirable operational performance modelling | |
CN116308615A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN116431933A (zh) | 产品推荐方法、装置、电子设备、存储介质及程序产品 | |
CN117035843A (zh) | 客户流失的预测方法、装置、电子设备和介质 | |
CN117911033A (zh) | 交易限额确定方法、装置、设备、介质及程序产品 | |
Doumpos et al. | Applications to corporate default prediction and consumer credit | |
CN116450950A (zh) | 产品组合推荐方法、装置、设备及介质 |
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 |