CN116708546A - 服务推送方法、装置、电子设备及可读存储介质 - Google Patents
服务推送方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116708546A CN116708546A CN202310616220.6A CN202310616220A CN116708546A CN 116708546 A CN116708546 A CN 116708546A CN 202310616220 A CN202310616220 A CN 202310616220A CN 116708546 A CN116708546 A CN 116708546A
- Authority
- CN
- China
- Prior art keywords
- user
- service
- pushing
- sample
- cluster
- 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 57
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims description 36
- 230000006399 behavior Effects 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 26
- 238000010801 machine learning Methods 0.000 claims description 24
- 238000013136 deep learning model Methods 0.000 claims description 11
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/21—Monitoring or handling of messages
- H04L51/214—Monitoring or handling of messages using selective forwarding
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种服务推送方法、装置、电子设备及可读存储介质,应用于服务推送系统,所述服务推送系统维护了用户类簇表和推送时段表,所述方法包括:获取待推送的用户对应的用户特征;基于所述用户特征和所述用户类簇表,确定所述用户在所述用户类簇表中的用户类簇;基于所述推送时段表,以及所述用户在所述用户类簇表中的用户类簇,确定与所述用户对应的接受服务推送的有效时间段;基于所述有效时间段针对所述用户进行服务推送。
Description
技术领域
本申请涉及服务推送技术领域,尤其涉及一种服务推送方法、装置、电子设备及可读存储介质。
背景技术
企业的生产过程中,往往需要通过服务推送的对客户进行不同信息的告知。而不同的客户对于接受服务推送的时间段往往有不同的偏好,相同的客户在不同时间段接受服务推送的成功率差异较大。为了提高服务推送的成功率,减少服务推送的成本,往往会对在服务推送时设置一些规则,挑选合适的时间段进行服务推送。
发明内容
本申请提供一种服务推送方法,应用于服务推送系统,所述服务推送系统维护了用户类簇表和推送时段表;其中,所述用户类簇表包括将若干样本用户的历史服务记录作为训练样本进行训练得到的与接受服务推送的用户行为相关的若干关键特征,以及基于所述若干关键特征进行聚类得到的至少一个用户类簇;所述推送时段表包括与所述用户类簇表中的每一个用户类簇对应的接受服务推送的有效时间段,所述方法包括:
获取待推送的用户对应的用户特征;
基于所述用户特征和所述用户类簇表,确定所述用户在所述用户类簇表中的用户类簇;
基于所述推送时段表,以及所述用户在所述用户类簇表中的用户类簇,确定与所述用户对应的接受服务推送的有效时间段;
基于所述有效时间段针对所述用户进行服务推送。
可选的,所述方法还包括:
获取服务推送样本集;所述服务推送样本集包括若干服务推送样本;所述服务推送样本包括样本用户的历史推送记录;所述服务推送样本集中的服务推送样本被标记了指示该服务推送样本是否为与接受服务推送的用户行为对应的样本标签;
将所述服务推送样本集输入机器学习模型进行有监督训练,以得到所述服务推送样本中的与接受服务推送的用户行为相关的若干关键特征;
针对所述若干关键特征进行聚类分析,并生成用户类簇表。
可选的,所述机器学习模型包括深度学习模型;
将所述服务推送样本输入机器学习模型进行有监督训练,以得到所述服务推送样本中的与接受服务推送的用户行为相关的若干关键特征,包括:
将所述服务推送样本输入深度学习模型进行有监督训练,并获取所述深度学习模型的特征提取层输出的与接受服务推送的用户行为相关的若干关键特征。
可选的,所述服务推送样本包括正样本和负样本;所述正样本被标记了指示该服务推送样本中的历史服务记录的服务持续时长达到阈值的样本标签;所述负样本被标记了指示该服务推送样本中的历史服务推送记录的服务持续时长没有达到阈值的样本标签。
可选的,所述方法还包括:
针对所述用户类簇表中的每一用户类簇,基于所述每一用户类簇对应的样本用户的历史服务记录,分别统计所述每一用户类簇对应的样本用户在预设时间段内接受服务推送的比例;
将所述接受服务推送比例最高的时间段确定为与该用户类簇对应的接受服务推送的有效时间段;
分别建立各个用户类簇与该用户类簇对应的接受服务推送的有效时间段之间的对应关系,基于所述对应关系生成所述推送时段表。
可选的,所述机器学习模型包括CART模型或GBDT模型。
可选的,所述方法还包括:
基于所述待推送的用户对应的用户特征以及所述服务推送的结果,生成服务推送样本,并将生成的所述服务推送样本添加至所述服务推送样本集。
可选的,所述基于所述用户特征和所述用户类簇表,确定所述用户在所述用户类簇表中的用户类簇,包括:
基于所述用户特征,生成第一特征向量;
基于所述用户类簇表中每一用户类簇对应的若干关键特征,生成若干第二特征向量;
分别计算所述第一特征向量与所述若干第二特征向量之间的距离,基于所述距离确定所述用户在所述用户类簇表中的用户类簇。
本申请还提供一种服务推送装置,应用于服务推送系统,所述服务推送系统维护了用户类簇表和推送时段表;其中,所述用户类簇表包括将若干样本用户的历史服务记录作为训练样本进行训练得到的与接受服务推送的用户行为相关的若干关键特征,以及基于所述若干关键特征进行聚类得到的至少一个用户类簇;所述推送时段表包括与所述用户类簇表中的每一个用户类簇对应的接受服务推送的有效时间段,所述装置包括:
用户特征获取单元,用于获取待推送的用户对应的用户特征;
用户类簇确定单元,用于基于所述用户特征和所述用户类簇表,确定所述用户在所述用户类簇表中的用户类簇;
有效时间段确定单元,用于基于所述推送时段表,以及所述用户在所述用户类簇表中的用户类簇,确定与所述用户对应的接受服务推送的有效时间段;
服务推送单元,用于基于所述有效时间段针对所述用户进行服务推送。
本申请还提供一种电子设备,包括通信接口、处理器、存储器和总线,所述通信接口、所述处理器和所述存储器之间通过总线相互连接;
所述存储器中存储机器可读指令,所述处理器通过调用所述机器可读指令,执行上述方法。
本申请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存储有机器可读指令,所述机器可读指令在被处理器调用和执行时,实现上述方法。
在以上实施例记载的方案中,服务推送系统预先维护了用户类簇表和推送时段表,通过用户特征和用户类簇表确定用户所在的用户类簇,并进一步基于推送时段表确定与用户类簇对应的接受服务推送的有效时间段,并由服务推送系统基于有效时间段进行服务推送,针对不同用户选择不同的时间段进行服务推送,实现了更精确的服务推送时间控制,提高服务推送的成功率,减少了服务推送系统中进行服务推送时所消耗的系统资源的使用成本。
附图说明
图1是一示例性的实施例示出的生成用户类簇表和推送时段表的流程示意图。
图2是一示例性的实施例示出的一种服务推送方法的流程示意图。
图3是一示例性的实施例示出的一种确定接受服务推送的有效时间段的流程示意图。
图4是一示例性的实施例示出的一种服务推送装置所在电子设备的硬件结构图。
图5是一示例性的实施例示出的一种服务推送装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
在服务推送领域,为了提高服务推送的接通率,减少服务推送的使用成本,往往会针对不同的客户,人工设置一些规则,根据不同的人群设置合适的服务推送时间。
由于规则的生成依赖人工,规则的配置也需要人工,耗时较高。同时,传统策略主要针对待服务推送的用户类型进行整体的时间范围选择,难以针对每个客户实现千人千面的时间决策。有鉴于此,本申请提出一种基于用户特征确定用户类簇,并进一步基于用户类簇对应的有效时间段进行服务推送的技术方案。
在实现时,所述服务推送系统,所述服务推送系统维护了用户类簇表和推送时段表;其中,所述用户类簇表包括将若干样本用户的历史服务记录作为训练样本进行训练得到的与接受服务推送的用户行为相关的若干关键特征,以及基于所述若干关键特征进行聚类得到的至少一个用户类簇;所述推送时段表包括与所述用户类簇表中的每一个用户类簇对应的接受服务推送的有效时间段。
所述服务推送系统可以获取待推送的用户对应的用户特征;
基于所述用户特征和所述用户类簇表,确定所述用户在所述用户类簇表中的用户类簇;
基于所述推送时段表,以及所述用户在所述用户类簇表中的用户类簇,确定与所述用户对应的接受服务推送的有效时间段;
基于所述有效时间段针对所述用户进行服务推送。
在以上实施例记载的方案中,服务推送系统预先维护了用户类簇表和推送时段表,通过用户特征和用户类簇表确定用户所在的用户类簇,并进一步基于推送时段表确定与用户类簇对应的接受服务推送的有效时间段,并由服务推送系统基于有效时间段进行服务推送,针对不同用户选择不同的时间段进行服务推送,实现了更精确的服务推送时间控制,提高服务推送的成功率,减少了服务推送系统中进行服务推送时所消耗的系统资源的使用成本在本说明书中,所述服务推送系统可以用于负责针对客户发起服务推送,并获取服务推送的结果,统计服务推送的成功率等等。所述服务推送系统可以是一种应用程序,也可以是云通信平台的一项服务等等在本说明书中不做具体限定。
在一种实施方式中,所述服务推送系统可以是一种语音外呼系统,可以用于负责向客户发起语音外呼,并统计语音外呼是否拨通等等。
在本说明书中,所述服务推送系统预先维护了用户类簇表以及推送时段表。
其中,所述用户类簇表包括将若干样本用户的历史服务记录作为训练样本进行训练得到的与接受服务推送的用户行为相关的若干关键特征,以及基于所述若干关键特征进行聚类得到的至少一个用户类簇。
在本说明书中,所述用户类簇表包括至少一个用户类簇,所述用户类簇包括至少一个关键特征,所述用户类簇用于指示用户的分类。
例如,请参见表1,表1是一示例性实施例提供的一种用户类簇表的示意图。
用户类簇编号 | 关键特征X1 | 关键特征X2 | ... | 关键特征Xn |
1 | X1(1) | X2(1) | ... | Xn(1) |
2 | X1(2) | X2(2) | ... | Xn(2) |
... | ... | ... | ... | ... |
m | X1(m) | X2(m) | ... | Xn(m) |
表1
例如,以表1示出的用户类簇表为例,上述用户类簇编号为1的用户类簇,关键特征X1可以为职业A,关键特征X2可以为工作信息B,关键特征X2可以为教育信息C等等。
在一种实施方式中,服务推送系统可以预先基于服务推送样本集,基于机器学习模型生成用户类簇表。
服务推送系统可以获取服务推送样本集。所述服务推送样本集包括若干服务推送样本;所述服务推送样本包括样本用户的历史服务记录;所述服务推送样本集中的服务推送样本被标记了指示该服务推送样本是否为与接受服务推送的用户行为对应的样本标签。
在本说明书中,样本用户可以为服务推送系统进行服务推送过的用户,其中服务推送系统可以保存针对该用户的历史服务记录,并基于历史服务记录生成服务推送样本。
所述历史服务记录具体可以包括与用户有关的若干用户信息,以及与历史服务记录相关的信息,例如发起服务的时刻,服务处理结果,服务持续时长等等。在本说明书中,所述服务推送样本被标记了指示该服务推送样本是否为与接受服务推送的用户行为对应的样本标签。
在实际应用中,主要以用户的服务处理结果以及服务持续时长作为是否为与接受服务推送的用户行为的判断依据。
例如,当用户的服务处理结果为用户接受服务,且服务持续时长超过10秒时,可以认为用户接受了服务,因此可以针对这个服务推送样本进行打标,指示该服务推送样本包括与接受服务推送的用户行为。
例如,请参见表2,表2是一示例性实施例提供的一种服务推送样本的示意图。
表2
在一种实施方式中,为了提高机器模型有监督训练的训练效果,所述服务推送样本可以包括正样本和负样本。
其中,所述正样本被标记了指示该服务推送样本中的历史服务记录的服务持续时长达到阈值的样本标签。
所述负样本被标记了指示该服务推送样本中的历史服务推送记录的服务持续时长没有达到阈值的样本标签。
其中所述历史服务记录的服务持续时长的阈值,可以根据服务推送的推送内容进行设定,在本说明书中不做具体限定。
例如,当服务推送的推送内容中所需告知用户的信息内容较多时,可以将阈值设定为20秒或30秒。当服务推送的推送内容中所需告知用户的信息内容较少时,可以将阈值设定为8秒或10秒等等。
在本说明书中,针对正样本和负样本之间的比例不做限定,可以基于模型训练的训练参数进行调整。例如,在实际应用中,可以是80%正样本、20%负样本。
由于服务推送样本中包括正样本以及负样本,使得服务推送样本集中的样本更加均衡,在训练时可以提高模型的范化能力,并进一步提高模型的训练效果。
在获取到服务推送样本集后,可以将所述服务推送样本集输入机器学习模型进行有监督训练,以得到所述服务推送样本中的与接受服务推送的用户行为相关的若干关键特征。
其中,所述关键特征具体可以包括用户的职业信息,用户的资产信息,用户的教育信息等等,可以根据服务推送的具体内容进行设定,在本说明书中不做具体限定。
例如,服务推送应用于金融领域,服务推送的内容为与金融服务相关的信息,因此关键特征可以包括用户的职业信息,用户的资产信息等等。又例如,服务推送应用于教育领域,服务推送的内容为与课程相关的信息,因此关键特征可以包括用户的教育信息等等。
在本说明书中,训练所使用的机器学习模型不做具体限定。在实际应用中,可以使用CART(classification and regression tree,决策树)模型,或GBDT(GradientBoosting Decision Tree,梯度提升决策树)模型等等。
在一种实施方式中,本说明书采用的基于机器学习模型进行有监督训练,仅使用机器学习模型的特征提取层,而并非完整的机器学习的训练过程。因此,将所述服务推送样本输入深度学习模型进行有监督训练,并获取所述深度学习模型的特征提取层输出的与接受服务推送的用户行为相关的若干关键特征。
在获取服务推送样本中的与接受服务推送的用户行为相关的若干关键特征后,可以针对所述若干关键特征进行聚类分析,并生成用户类簇表。
其中,聚类分析所使用的算法在本说明书中不做具体限定。例如,可以是k-均值算法、k-中心点等算法等等。
在针对若干关键特征进行聚类分析后,可以得到若干用户类簇,其中每一类簇包括若干接受服务推送的用户行为相关的若干关键特征。基于所述若干用户类簇,可以进一步生成用户类簇表,以用户后续服务推送系统进行服务推送。
上述服务推送系统还维护了推送时段表包括与所述用户类簇表中的每一个用户类簇对应的接受服务推送的有效时间段。
在本说明书中,与每一种用户类簇对应的用户,其接受服务推送的有效时间段也各不相同,所述推送时段表用于存储与各个用户类簇对应的接受服务推送的有效时间段,以用于针对该用户类簇对应的用户进行服务推送。
例如,请参见表3,表3是一示例性实施例提供的一种推送时段表的示意图。
用户类簇编号 | 接受服务推送的有效时间段 |
1 | 7点-8点 |
2 | 5点-6点 |
... | ... |
m | 1点-2点 |
表3
在一种实施方式中,所述服务推送系统可以针对所述用户类簇表中的每一用户类簇,基于所述每一用户类簇对应的样本用户的历史服务记录,分别统计所述每一用户类簇对应的样本用户在预设时间段内接受服务推送的比例。
并将接受服务推送比例最高的时间段确定为与该用户类簇对应的接受服务推送的有效时间段。
在确定所述有效时间段后,可以分别各个用户类簇与该用户类簇对应的接受服务推送的有效时间段之间的对应关系,并基于所述对应关系生成所述推送时段表。
在本说明书中,预设时间段可以根据实际应用进行设定,例如可以将每个小时作为一个时间段,也可以将每两个小时作为一个时间段。以每个小时作为一个时间段为例,9点-10点可以为有效时间段。以每两个小时作为一个时间段为例,18点-20点可以为有效时间段。
需要说明的是,如果所述服务推送样本集中的样本数量足够多,所述预设时间段可以精确到分钟。例如,可以以每10分钟或每5分钟作为预设时间段,在本说明书中不做具体限定。
在基于上述服务推送样本集中的各个服务推送样本生成用户类簇表后,可以针对每个用户类簇,统计该用户类簇对应的样本用户的历史服务记录中在各个预设时间段接受服务推送的比例,并将所述接受服务推送比例最高的时间段确定为与该用户类簇对应的接受服务推送的有效时间段。
例如,针对用户类簇1,用户类簇1包括样本用户A,样本用户B以及样本用户C。以每个小时作为一个时间段为例,样本用户A的历史服务记录中,接受服务推送的时间段为9,样本用户B的历史服务记录中,接受服务推送的时间段为9,样本用户C的历史服务记录中,接受服务推送的时间段为10。该用户类簇对应的样本用户的历史服务记录中9点-10点这个时间段接受服务推送的比例最高,因此可以将9点-10点确定为与该用户类簇对应的接受服务推送的有效时间段。
确定与用户类簇对应的接受服务推送的有效时间段后,可以进一步建立各个用户类簇与该用户类簇对应的接受服务推送的有效时间段之间的对应关系,基于所述对应关系生成所述推送时段表。
下面以一个具体的实施例详细阐述用户类簇表和推送时段表的生成过程。
请参见图1,图1是一示例性实施例提供的一种生成用户类簇表和推送时段表的流程示意图。
如图1所示,步骤102,可以获取历史服务记录,其中所述历史服务记录中可以包括与用户有关的若干用户信息,以及与历史服务记录相关的信息,例如发起服务的时刻,服务处理结果,服务持续时长等等。步骤104,基于所述历史服务记录生成服务推送样本集,其中所述服务推送样本集包括若干正样本以及负样本;所述正样本被标记了指示该服务推送样本中的历史服务记录的服务持续时长达到阈值的样本标签。所述负样本被标记了指示该服务推送样本中的历史服务记录的服务持续时长没有达到阈值的样本标签。
步骤106,将所述服务推送样本集输入机器学习模型进行有监督训练,以基于所述机器学习模型的特征提取层输出的与接受服务推送的用户行为相关的若干关键特征。
步骤108,获取由机器学习模型输出的若干关键特征,关键特征具体可以包括职业信息,用户的职业信息,用户的资产信息等等。
步骤110,基于若干关键特征进行聚类分析,得到若干个用户类簇。其中,每一个用户类簇用于指示一类用户群体。
步骤112,基于若干用户类簇,生成用户类簇表。所述用户类簇表包括至少一个用户类簇,以及与每个用户类簇对应的若干个关键特征。
步骤114,从服务推送样本集中获取每个服务推送样本中的服务持续时长,用于后续生成推送时段表。
步骤116,针对用户类簇表中的每一用户类簇,统计每一用户类簇对应的样本用户在预设时间段内接受服务推送的比例,将所述接受服务推送比例最高的时间段确定为与该用户类簇对应的接受服务推送的有效时间段。
步骤108,基于每一用户类簇对应的接受服务推送的有效时间段,进一步生成推送时段表,以用于后续进行服务推送。
所述服务推送方法可以应用于服务推送系统,所述方法可以包括以下步骤:
请参见图2,图2是一示例性实施例提供的一种服务推送方法的流程示意图。所述方法可以应用于服务推送系统,所述方法可以包括以下步骤:
步骤202,获取待推送的用户对应的用户特征。
获取待推送的用户对应的用户特征的具体实施方式,在本说明书中不作具体限定。例如,服务推送系统的管理员可以手动输入待推送的用户对应的用户特征;也可以通过服务推送系统提供的接口导入相应的包含待推送的用户对应的用户特征的表单;也可以通过将服务推送系统对接信息管理系统,从信息管理系统中自动获取待推送的用户对应的用户特征等等。
在实际应用中,还可以将用户信息输入所述服务推送系统,并由服务推送系统自动提取与用户信息对应的用户特征。
其中,所述用户信息可以包括用户的职业信息,用户的资产信息,用户的教育信息等等。
所述服务推送系统基于用户信息提取用户特征的具体实施方式在本说明书中不做具体限定。例如,可以使用上述训练过程中所使用的机器学习模型,自动提取所述用户信息中包含的用户特征。也可以使用相关特征提取算法,从所述用户信息中提取用户特征。
例如,在实际应用中,所述服务推送系统可以对接信息管理系统,信息管理系统自动生成包含若干待呼叫用户的用户信息表,所述服务推送系统可以针对所述用户信息表中的每一条用户信息,并进一步提取该用户信息对应的用户特征。
步骤204,基于所述用户特征和所述用户类簇表,确定所述用户在所述用户类簇表中的用户类簇。
在本说明书,所述用户特征可以包括至少一个特征,例如用户的职业信息,用户的资产信息等等。
确定用户在所述用户类簇表中的用户类簇的方式,在本说明书中不做具体限定。例如,可以将用户特征进行排序,并将排序后的用户特征逐个与用户类簇表中的关键特征进行匹配,以此确定所述待呼叫用户的用户类簇。还可以将所述用户特征转换为特征向量,并针对每个用户类簇,将用户类簇对应的关键特征转化换特征向量,并进一步计算向量之前的距离,以确定用户在所述用户类簇表中的用户类簇。
在一种实施方式中,可以基于所述用户特征,生成第一特征向量;并基于所述用户类簇表中每一用户类簇对应的若干关键特征,生成若干第二特征向量;分别计算所述第一特征向量与所述若干第二特征向量之间的距离基于所述距离确定所述用户在所述用户类簇表中的用户类簇。
其中,可以使用最短距离法,将若干第二特征向量中与第一特征向量之间的距离最短的第二特征向量对应的用户类簇,作为与所述用户特征对应的用户类簇。
步骤206,基于所述推送时段表,以及所述用户在所述用户类簇表中的用户类簇,确定与所述用户对应的接受服务推送的有效时间段。
确定用户在所述用户类簇表中的用户类簇后,可以进一步基于推送时段表,确定与所述用户对应的接受服务推送的有效时间段。
如上述表3示出的推送时段表,每一用户类簇具有对应的用户类簇标号,以及与用户类簇对应的接受服务推送的有效时间段。在确定用户在所述用户类簇表中的用户类簇后,可以基于该用户类簇对应的用户类簇编号,在所述推送时段表中确定与该用户类簇对应的接受服务推送的有效时间段。
步骤208,基于所述有效时间段针对所述用户进行服务推送。
在确定出与该用户类簇对应的接受服务推送的有效时间段后,所述服务推送系统可以基于与该用户类簇对应的接受服务推送的有效时间段针对所述用户进行服务推送。
在一种实施方式中,所述服务推送系统还可以基于所述服务推送的结果,以及用户对应的用户特征,生成服务推送样本,并进一步将所述服务推送样本添加至服务推送样本集,以由所述机器学习模型下一次训练时进行迭代以及优化,提高模型的训练效果。下面结合具体的应用场景对以上技术方案进行详细描述。
请参见图3,图3是一示例性实施例提供的一种确定接受服务推送的有效时间段的流程示意图。
步骤302,获取待推送用户的用户特征,所述用户特征可以由服务推送系统基于用户信息自动进行提取,也可以由服务推送系统管理员手动进行输入等等。所述用户特征具体可以包括用户的职业信息,用户的资产信息等等。
步骤304,所述服务推送系统预先维护了用户类簇表,所述用户类簇表中包括至少一个用户类簇以及与每一用户类簇对应的若干关键特征,所述用户类簇用于指示一类用户。
步骤306,确定待推送的用户所在的用户类簇。可以通过最短距离法,确定所述用户特征对应的特征向量,以及每一用户类簇对应的若干关键特征对应的特征向量之间向量的距离,将向量距离最短的用户类簇作为与待呼叫的用户所在的用户类簇。
步骤308,所述服务推送系统预先维护了推送时段表,所述推送时段表包括与所述用户类簇表中的每一个用户类簇对应的接受服务推送的有效时间段。
步骤310,在确定待推送的用户所在的用户类簇后,可以基于所述用户类簇,在所述推送时段表中进行查询,查询得到与所述用户类簇对应的接受服务推送的有效时间段,并将所述接受服务推送的有效时间段作为与所述待推送的用户对应的接受服务推送的有效时间段。
步骤312,所述服务推送系统可以基于所述接受服务推送的有效时间段,针对所述用户进行服务推送。
在以上实施例记载的方案中,服务推送系统预先维护了用户类簇表和推送时段表,通过用户特征和用户类簇表确定用户所在的用户类簇,并进一步基于推送时段表确定与用户类簇对应的接受服务推送的有效时间段,并由服务推送系统基于有效时间段进行服务推送,针对不同用户选择不同的时间段进行服务推送,实现了更精确的服务推送时间控制,提高服务推送的成功率,减少了服务推送系统中进行服务推送时所消耗的系统资源的使用成本。
与上述服务推送方法的实施例对应的,本说明书还提供了服务推送装置的实施例。
请参见图4,图4是一示例性的实施例示出的一种服务推送装置所在电子设备的硬件结构图。在硬件层面,该设备包括处理器402、内部总线404、网络接口406、内存408以及非易失性存储器410,当然还可能包括其他服务所需要的硬件。本说明书一个或多个实施例可以基于软件方式来实现,比如由处理器402从非易失性存储器410中读取对应的计算机程序到内存408中然后运行。当然,除了软件实现方式之外,本说明书一个或多个实施例并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
请参见图5,图5是一示例性的实施例示出的一种服务推送装置的框图。服务推送装置可以应用于图4所示的电子设备中,以实现本说明书的技术方案。其中,上述服务推送装置可以包括:
用户特征获取单元502,用于获取待推送的用户对应的用户特征;
用户类簇确定单元504,用于基于所述用户特征和所述用户类簇表,确定所述用户在所述用户类簇表中的用户类簇;
有效时间段确定单元506,用于基于所述推送时段表,以及所述用户在所述用户类簇表中的用户类簇,确定与所述用户对应的接受服务推送的有效时间段;
服务推送单元508,用于基于所述有效时间段针对所述用户进行服务推送在本实施例中,所述装置还包括:
用户类簇表生成单元,用于
获取服务推送样本集;所述服务推送样本集包括若干服务推送样本;所述服务推送样本包括样本用户的历史推送记录;所述服务推送样本集中的服务推送样本被标记了指示该服务推送样本是否为与接受服务推送的用户行为对应的样本标签;
将所述服务推送样本集输入机器学习模型进行有监督训练,以得到所述服务推送样本中的与接受服务推送的用户行为相关的若干关键特征;
针对所述若干关键特征进行聚类分析,并生成用户类簇表。
在本实施例中,所述机器学习模型包括深度学习模型;
所述用户类簇表生成单元,进一步用于
将所述服务推送样本输入机器学习模型进行有监督训练,以得到所述服务推送样本中的与接受服务推送的用户行为相关的若干关键特征,包括:
将所述服务推送样本输入深度学习模型进行有监督训练,并获取所述深度学习模型的特征提取层输出的与接受服务推送的用户行为相关的若干关键特征。
在本实施例中,所述装置还包括:
推送时段表生成单元,用于
针对所述用户类簇表中的每一用户类簇,基于所述每一用户类簇对应的样本用户的历史服务记录,分别统计所述每一用户类簇对应的样本用户在预设时间段内接受服务推送的比例;
将所述接受服务推送比例最高的时间段确定为与该用户类簇对应的接受服务推送的有效时间段;
分别建立各个用户类簇与该用户类簇对应的接受服务推送的有效时间段之间的对应关系,基于所述对应关系生成所述推送时段表。
在本实施例中,所述机器学习模型包括CART模型或GBDT模型。
在本实施例中,所述装置还包括:
结果反馈单元,用于基于所述待推送的用户对应的用户特征以及所述服务推送的结果,生成服务推送样本,并将生成的所述服务推送样本添加至所述服务推送样本集。
在本实施例中,所述用户类簇确定单元进一步用于基于所述用户特征,生成第一特征向量;
基于所述用户类簇表中每一用户类簇对应的若干关键特征,生成若干第二特征向量;
分别计算所述第一特征向量与所述若干第二特征向量之间的距离,基于所述距离确定所述用户在所述用户类簇表中的用户类簇。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例只是示意性的,其中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模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本说明书所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
本说明书还提供了一种计算机可读存储介质的实施例。所述计算机可读存储介质存储有机器可读指令,所述机器可读指令在被处理器调用和执行时,可以实现本说明书中任意一个实施例提供的所述服务推送方法。
本说明书实施例提供的计算机可读存储介质具体可以包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random Access Memory,随机存储器)、EPROM(Erasable Programmable Read-OnlyMemory,可擦写可编程只读存储器)、EEPROM(Electrically Erasable ProgrammableRead-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光纤卡片。也就是,可读存储介质包括可以存储或传输信息的可读介质。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中,计算机包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个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。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已,并不用以限制本说明书一个或多个实施例,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (14)
1.一种服务推送方法,其特征在于,应用于服务推送系统,所述服务推送系统维护了用户类簇表和推送时段表;其中,所述用户类簇表包括将若干样本用户的历史服务记录作为训练样本进行训练得到的与接受服务推送的用户行为相关的若干关键特征,以及基于所述若干关键特征进行聚类得到的至少一个用户类簇;所述推送时段表包括与所述用户类簇表中的每一个用户类簇对应的接受服务推送的有效时间段,所述方法包括:
获取待推送的用户对应的用户特征;
基于所述用户特征和所述用户类簇表,确定所述用户在所述用户类簇表中的用户类簇;
基于所述推送时段表,以及所述用户在所述用户类簇表中的用户类簇,确定与所述用户对应的接受服务推送的有效时间段;
基于所述有效时间段针对所述用户进行服务推送。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取服务推送样本集;所述服务推送样本集包括若干服务推送样本;所述服务推送样本包括样本用户的历史推送记录;所述服务推送样本集中的服务推送样本被标记了指示该服务推送样本是否为与接受服务推送的用户行为对应的样本标签;
将所述服务推送样本集输入机器学习模型进行有监督训练,以得到所述服务推送样本中的与接受服务推送的用户行为相关的若干关键特征;
针对所述若干关键特征进行聚类分析,并生成用户类簇表。
3.根据权利要求2所述的方法,其特征在于,所述机器学习模型包括深度学习模型;
将所述服务推送样本输入机器学习模型进行有监督训练,以得到所述服务推送样本中的与接受服务推送的用户行为相关的若干关键特征,包括:
将所述服务推送样本输入深度学习模型进行有监督训练,并获取所述深度学习模型的特征提取层输出的与接受服务推送的用户行为相关的若干关键特征。
4.根据权利要求2所述的方法,其特征在于,所述服务推送样本包括正样本和负样本;所述正样本被标记了指示该服务推送样本中的历史服务记录的服务持续时长达到阈值的样本标签;所述负样本被标记了指示该服务推送样本中的历史服务推送记录的服务持续时长没有达到阈值的样本标签。
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
针对所述用户类簇表中的每一用户类簇,基于所述每一用户类簇对应的样本用户的历史服务记录,分别统计所述每一用户类簇对应的样本用户在预设时间段内接受服务推送的比例;
将所述接受服务推送比例最高的时间段确定为与该用户类簇对应的接受服务推送的有效时间段;
分别建立各个用户类簇与该用户类簇对应的接受服务推送的有效时间段之间的对应关系,基于所述对应关系生成所述推送时段表。
6.根据权利要求2所述的方法,其特征在于,所述机器学习模型包括CART模型或GBDT模型。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述待推送的用户对应的用户特征以及所述服务推送的结果,生成服务推送样本,并将生成的所述服务推送样本添加至所述服务推送样本集。
8.根据权利要求1所述的方法,其特征在于,所述基于所述用户特征和所述用户类簇表,确定所述用户在所述用户类簇表中的用户类簇,包括:
基于所述用户特征,生成第一特征向量;
基于所述用户类簇表中每一用户类簇对应的若干关键特征,生成若干第二特征向量;
分别计算所述第一特征向量与所述若干第二特征向量之间的距离,基于所述距离确定所述用户在所述用户类簇表中的用户类簇。
9.一种服务推送装置,其特征在于,应用于服务推送系统,所述服务推送系统维护了用户类簇表和推送时段表;其中,所述用户类簇表包括将若干样本用户的历史服务记录作为训练样本进行训练得到的与接受服务推送的用户行为相关的若干关键特征,以及基于所述若干关键特征进行聚类得到的至少一个用户类簇;所述推送时段表包括与所述用户类簇表中的每一个用户类簇对应的接受服务推送的有效时间段,所述装置包括:
用户特征获取单元,用于获取待推送的用户对应的用户特征;
用户类簇确定单元,用于基于所述用户特征和所述用户类簇表,确定所述用户在所述用户类簇表中的用户类簇;
有效时间段确定单元,用于基于所述推送时段表,以及所述用户在所述用户类簇表中的用户类簇,确定与所述用户对应的接受服务推送的有效时间段;
服务推送单元,用于基于所述有效时间段针对所述用户进行服务推送。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
用户类簇表生成单元,用于获取服务推送样本集;所述服务推送样本集包括若干服务推送样本;所述服务推送样本包括样本用户的历史推送记录;所述服务推送样本集中的服务推送样本被标记了指示该服务推送样本是否为与接受服务推送的用户行为对应的样本标签;
将所述服务推送样本集输入机器学习模型进行有监督训练,以得到所述服务推送样本中的与接受服务推送的用户行为相关的若干关键特征;
针对所述若干关键特征进行聚类分析,并生成用户类簇表。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:
推送时段表生成单元,用于针对所述用户类簇表中的每一用户类簇,基于所述每一用户类簇对应的样本用户的历史服务记录,分别统计所述每一用户类簇对应的样本用户在预设时间段内接受服务推送的比例;
将所述接受服务推送比例最高的时间段确定为与该用户类簇对应的接受服务推送的有效时间段;
分别建立各个用户类簇与该用户类簇对应的接受服务推送的有效时间段之间的对应关系,基于所述对应关系生成所述推送时段表。
12.根据权利要求9所述的装置,其特征在于,所述装置还包括:
结果反馈单元,用于基于所述待推送的用户对应的用户特征以及所述服务推送的结果,生成服务推送样本,并将生成的所述服务推送样本添加至所述服务推送样本集。
13.一种电子设备,其特征在于,包括通信接口、处理器、存储器和总线,所述通信接口、所述处理器和所述存储器之间通过总线相互连接;
所述存储器中存储机器可读指令,所述处理器通过调用所述机器可读指令,执行权利要求1-8任一项所述的方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有机器可读指令,所述机器可读指令在被处理器调用和执行时,实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310616220.6A CN116708546A (zh) | 2023-05-29 | 2023-05-29 | 服务推送方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310616220.6A CN116708546A (zh) | 2023-05-29 | 2023-05-29 | 服务推送方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116708546A true CN116708546A (zh) | 2023-09-05 |
Family
ID=87824963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310616220.6A Pending CN116708546A (zh) | 2023-05-29 | 2023-05-29 | 服务推送方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116708546A (zh) |
-
2023
- 2023-05-29 CN CN202310616220.6A patent/CN116708546A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108920654B (zh) | 一种问答文本语义匹配的方法和装置 | |
CN107122369B (zh) | 一种业务数据处理方法、装置和系统 | |
CN108805583B (zh) | 基于地址映射的电商欺诈检测方法、装置、设备及介质 | |
CN108520046B (zh) | 搜索聊天记录的方法及设备 | |
TW201917601A (zh) | 使用者意圖識別方法及裝置 | |
CN111274390B (zh) | 一种基于对话数据的情感原因确定方法及装置 | |
CN110807044A (zh) | 一种基于人工智能技术的模型维度管理方法 | |
CN113656699B (zh) | 用户特征向量确定方法、相关设备及介质 | |
CN106997350A (zh) | 一种数据处理的方法及装置 | |
CN110929285B (zh) | 一种隐私数据的处理方法及装置 | |
CN111309882B (zh) | 用于实现智能客服问答的方法和装置 | |
CN116861107A (zh) | 业务内容展示方法、装置、设备、介质和产品 | |
CN116708546A (zh) | 服务推送方法、装置、电子设备及可读存储介质 | |
CN113887214A (zh) | 基于人工智能的意愿推测方法、及其相关设备 | |
CN111597368A (zh) | 一种数据处理方法及装置 | |
CN115115843B (zh) | 数据处理方法及装置 | |
US20220156618A1 (en) | Ensemble classification algorithms having subclass resolution | |
CN112785320B (zh) | 信用风险的确定方法及装置、存储介质和电子设备 | |
CN117151727B (zh) | 基于用户行为分析的客服智能切换方法 | |
CN107330110B (zh) | 一种多元关联关系的分析方法及装置 | |
CN116434415A (zh) | 叫号系统的信息处理方法、装置、处理器以及电子设备 | |
CN117291518A (zh) | 业务处理方法、装置及计算机设备 | |
CN116881411A (zh) | 一种问答内容的检索优化方法及装置 | |
CN116701658A (zh) | 业务意向的确定方法、装置及计算机设备 | |
CN117351297A (zh) | 噪声干扰图像的识别方法、装置、处理器及电子设备 |
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 |