CN116756417A - 行为信息的推荐方法、装置、设备及介质 - Google Patents
行为信息的推荐方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116756417A CN116756417A CN202310641226.9A CN202310641226A CN116756417A CN 116756417 A CN116756417 A CN 116756417A CN 202310641226 A CN202310641226 A CN 202310641226A CN 116756417 A CN116756417 A CN 116756417A
- Authority
- CN
- China
- Prior art keywords
- user
- behavior
- behavior data
- data
- calculating
- 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 63
- 230000006399 behavior Effects 0.000 claims description 289
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000003542 behavioural effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供了一种行为信息的推荐方法、装置、设备及介质,该方法包括:通过目标用户的特征数据,计算所述目标用户与用户集合中每个用户的相似度;所述用户集合中包括多个用户分别对应的特征数据以及行为数据;根据所述用户集合中用户与所述目标用户的相似度、所述用户集合中用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值;根据所述行为数据对应的行为分值,为所述目标用户推荐行为信息,通过向用户推荐的行为信息,提高用户获取维修方案的及时性。
Description
技术领域
本申请实施例涉及信息推荐技术领域,尤其涉及一种行为信息的推荐方法、装置、设备及介质。
背景技术
随着互联网的快速发展,为人们的生活带来了许多便利,同时也带了海量的数据信息。在推荐场景中,可以基于信息为用户提供感兴趣的内容。例如,当车辆出现故障或者运行异常时,使用者总是希望能够第一时间知道车辆的情况,例如车辆出现哪些故障、出现故障的原因以及解决方案等。
目前,针对具体实物的推荐方案中,需要用户知道对应的售后部门方可获取对应的推荐信息,如在车辆出现故障或者运行异常时,车主需要将车辆开至售后部门方可获取维修方案,但可能需要维修的部品对于车主来讲存在信息不透明问题,售后部门也无法及时通知车主。
发明内容
本申请提供一种行为信息的推荐方法、装置、设备及介质,通过向用户推荐的行为信息,提高用户获取维修方案的及时性。
第一方面,提供一种行为信息的推荐方法,包括:通过目标用户的特征数据,计算所述目标用户的与用户集合中每个用户的相似度;所述用户集合中包括多个用户分别对应的特征数据以及行为数据;根据所述用户集合中用户与所述目标用户的相似度、所述用户集合中用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值;根据所述行为数据对应的行为分值,为所述目标用户推荐行为信息。
优选地,所述根据所述用户集合中用户与所述目标用户的相似度、所述用户集合中每个用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值,包括:
通过下述公式计算各行为数据对应的行为分值:
其中,pj为用户集合中所有用户在第j个行为数据的行为分值,sim(u,Ui)为目标用户与用户集合中第i个用户的相似度,wij为所述用户集合中第i个用户在第j个行为数据对应的偏好分值,n为用户集合中的用户数量。
优选地,所述方法还包括:获取所述行为数据中的售后间隔时间;根据所述行为数据中的售后间隔时间,计算所述用户集合中每个用户在各行为数据分别对应的偏好分值。
优选地,所述根据所述行为数据中的售后间隔时间,计算所述用户集合中每个用户在各行为数据分别对应的偏好分值,包括:
通过下述公式计算各行为数据分别对应的偏好分值:
wij=1/(1+tij);
其中,wij为所述用户集合中第i个用户在第j个行为数据对应的偏好分值,tij为所述用户集合中第i个用户在第j个行为数据对应的售后间隔时间。
优选地,所述售后间隔时间为汽车故障发生时间与对应的售后处理时间的时间间隔。
优选地,所述根据所述用户集合中用户与所述目标用户的相似度、所述用户集合中用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值之前,所述方法还包括:将所述用户集合中与所述目标用户的相似度大于预置数值的用户确定为候选用户;相应的,所述根据所述用户集合中用户与所述目标用户的相似度、所述用户集合中用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值,包括:根据所述候选用户与所述目标用户的相似度、所述候选用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值。
优选地,所述特征数据包括:驾驶行为特征数据、车辆位置特征数据、车辆故障特征数据、车辆使用特征数据。
第二方面,提供一种行为信息的推荐装置,包括:第一计算模块,用于通过目标用户的特征数据,计算所述目标用户的与用户集合中每个用户的相似度;所述用户集合中包括多个用户分别对应的特征数据以及行为数据;第二计算模块,用于根据所述用户集合中用户与所述目标用户的相似度、所述用户集合中用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值;推荐模块,用于根据所述行为数据对应的行为分值,为所述目标用户推荐行为信息。
第三方面,提供一种电子设备,包括:处理器和存储器,该存储器用于存储计算机程序,该处理器用于调用并运行该存储器中存储的计算机程序,执行如第一方面或其各实现方式中的方法。
第四方面,提供一种计算机可读存储介质,用于存储计算机程序,计算机程序使得计算机执行如第一方面或其各实现方式中的方法。
第五方面,提供一种计算机程序产品,包括计算机程序指令,该计算机程序指令使得计算机执行如第一方面或其各实现方式中的方法。
第六方面,提供一种计算机程序,计算机程序使得计算机执行如第一方面或其各实现方式中的方法。
通过本申请提供的技术方案,首先通过目标用户的特征数据,计算目标用户的与用户集合中每个用户的相似度,该用户集合中包括多个用户分别对应的特征数据以及行为数据;然后根据用户集合中用户与目标用户的相似度、用户集合中用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值;最后根据行为数据对应的行为分值,为目标用户推荐行为信息。与现有技术针对实物需要到售后部门方可获取维修方案相比,本申请方案通过计算目标用户与用户集合中的相似度及用户集合中在各特征行为数据分别对应的偏好分值,便可实现为目标用户推荐对应的行为信息,因此通过本申请向用户推荐的行为信息,可提高用户获取维修方案的及时性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种应用场景图;
图2为本申请实施例提供的一种行为信息的推荐方法的流程图;
图3为本申请实施例提供的另一种行为信息的推荐方法的流程图;
图4为本申请实施例提供的偏好分值计算流程图;
图5为本申请实施例提供的行为分值计算示例图;
图6为本申请实施例提供的又一种行为信息的推荐方法的流程图;
图7为本申请实施例提供的一种行为信息的推荐装置的示意图;
图8是本申请实施例提供的电子设备的示意性框图。
具体实施方式
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的前提下所获得的所有其他实施例,都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、产品或服务器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。
应理解的是,本申请技术方案可以应用于如下场景,但不限于:
在一些可实现方式中,图1为本申请实施例提供的一种应用场景图,如图1所示,该应用场景中可以包括电子设备110和网络设备120。电子设备110可以通过有线网络或者无线网络与网络设备120建立连接。
示例性的,电子设备110可以是设置在汽车中的中控台,可以是与汽车相关联的手机终端,也可以是台式电脑、笔记本电脑、平板电脑等终端设备,但不限于此。网络设备120可以是终端设备或者服务器,但不限于此。
此外,图1示例性地给出了一个电子设备和一个网络设备,实际上可以包括其他数量的电子设备和网络设备,本申请对此不作限制。
在另一些可实现方式中,本申请技术方案也可以由上述电子设备110执行,或者,本申请技术方案还可以由上述网络设备120执行,本申请对此不做限制。
在介绍了本申请实施例的应用场景之后,下面将对本申请技术方案进行详细阐述:
图2为本申请实施例提供的一种行为信息的推荐方法的流程图,该方法可以由如图2所示的电子设备110执行,但不限于此。如图2所示,该方法可以包括如下步骤:
S210:通过目标用户的特征数据,计算目标用户的与用户集合中每个用户的相似度。
其中,目标用户为需要进行推荐行为信息的用户,目标用户的特征数据为该用户对相应实物的使用数据、操作数据以及该实物基础数据等。本实施例中,该用户具体可以为车辆用户、手机用户、家电用户等一切对实物使用的用户,本实施例对此不具体限定。例如,目标用户为手机用户,则其特征数据具体可以为用户对手机的操作数据、手机的运行数据、手机的外观数据等。
在本发明提供的一个实施例中,目标用户为车辆用户,目标用户的特征数据具体可以包括:驾驶行为特征数据、车辆位置特征数据、车辆故障特征数据、车辆使用特征数据。其中,驾驶行为特征数据用于表示用户的驾驶行为,具体可以为驾驶风格、驾驶习惯等;车辆位置特征数据用于表示该车辆在哪些位置运行,具体可以为位置坐标,然后根据位置坐标确定位置对应的位置属性,该位置属性可以为城市、山区、高原等;车辆故障特征数据用于表示车辆所出现的故障,具体可以为车灯故障、刹车故障等;车辆使用特征数据用于表示用户对车辆的使用情况,具体可为表现为对车辆中部品的使用频率以及使用时长等,可以理解的是本实施例仅是对特征数据进行的示例性说明,其并不代表所有形式的特征数据。
在本实施例中,用户集合中包括多个用户分别对应的特征数据以及行为数据,该行为数据用于表示用户所使用实物在出现故障或异常后所采用的售后行为或处理方式,该行为数据具体可以为售后间隔时间,售后行为等。
本实施例中的用户集合的表现形式可以为特征矩阵,该特征矩阵中包含每个用户对应的特征数据及行为数据。例如,可将用户集合表示为:
其中,t用于表示故障发生的时间,score用于表示用户的驾驶风格评分,pos1和pos2用于表示车辆位置,w1…wn用于表示n个部品,ser用于表示车系,f1…fn用于表示n个部品分别对应的故障问题,inter用于表示售后间隔时间(单位小时或天),M用于表示售后行为,该售后行为通过数值进行表示,通过不同的数值表示不同的售后行为,如通过0.075表示用户对刹车故障进行了维修。
需要说明的是,本实施例中的行为数据除了包含了保养或是维修建议等信息,还可以包含购买的产品信息等。如针对某品牌车辆的用户,在其行驶公里达到一定数值之后,销售方推出了一个保养促销信息,当目标用户满足销售方的要求(公里数以及车辆品牌满足要求)时,会向其推荐对应的保养促销信息。
具体的,本实施例中的特征矩阵获取的方式为:首先获取用户售后数据,然后从用户售后数据中提取对售后行为产生影响的数据,如驾驶风格评分、地点、部品使用、车系、故障灯、维修时间等维度等,之后对提取的数据特征进行处理,该处理包括降低数值过大对权重产生的影响,同时对文本型、字符型数据进行处理。
例如,将驾驶风格评分转换为1-5的数值型数据,位置数据为连续的GPS数据,部品使用为0,1数值等,因此需要对连续性数值数据做归一化处理,将所有数据映射到(0,1)区间,降低数值对结果的影响;而对于文本型数据,需要采用TFIDF(term frequency–inversedocument frequency,术语频率-逆文档频率)的方法做特征处理,即将文本数据转换成数值型数据,对所有数据处理完成后,建立特征矩阵,通过该特征矩阵表示每个用户对应的特征数据及行为数据。
S220:根据用户集合中用户与目标用户的相似度、所述用户集合中用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值。
具体的,本实施例可以通过KNN(K-NearestNeighbor,k最邻近分类算法)、余弦相似度、欧式距离等算法计算用户集合中每个用户分别与目标用户的相似度,本实施例不对相似度的具体计算方式进行限定。
其中,偏好分值用于表示用户对出现的故障问题(故障问题对应特征数据)的重视程度,该重视程度具体可以通过出现问题到报告该问题之间的时间间隔确定,还可以通过出现问题到处理该问题的时间间隔确定,本实施例对此不做具体限定。
在发明提供的一个可选实施例中,所述根据所述用户集合中用户与所述目标用户的相似度、所述用户集合中每个用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值,包括:
通过下述公式计算各行为数据对应的行为分值:
其中,pj为用户集合中所有用户在第j个行为数据的行为分值,n为目标用户,Ui为用户集合中的第i个用户,sim(u,Ui)为目标用户与用户集合中第i个用户的相似度,wij为所述用户集合中第i个用户在第j个行为数据对应的偏好分值,n为用户集合中的用户数量,j∈(1,m),m为特征数据的种类数量。
在本实施例中,偏好分值wij可以通过第i个用户处理第j个行为数据对应的时间,该时间可以根据出现问题到解决问题的时间间隔确定的偏好分值。
S230:根据行为数据对应的行为分值,为目标用户推荐行为信息。
在本实施例中,在通过相似度和偏好分值计算各行为数据分别对应的分值之后,可先对分值进行排序,然后从用户集合中获取分值排名前3用户,即获取与目标用户相似度高且重视程度高的用户,然后基于排名前3用户的行为数据为目标用户推荐行为信息。
本实施例提供的一种行为信息的推荐方法,首先通过目标用户的特征数据,计算目标用户的与用户集合中每个用户的相似度,该用户集合中包括多个用户分别对应的特征数据以及行为数据;然后根据用户集合中用户与目标用户的相似度、用户集合中用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值;最后根据行为数据对应的行为分值,为目标用户推荐行为信息。与现有技术针对实物需要到售后部门方可获取维修方案相比,本申请方案通过计算目标用户与用户集合中的相似度及用户集合中在各特征行为数据分别对应的偏好分值,便可以实现为目标用户推荐对应的行为信息,因此通过本申请向用户推荐的行为信息,可提高用户获取维修方案的及时性。
图3为本申请实施例提供的另一种行为信息的推荐方法的流程图,该方法可以由如图3所示的电子设备110执行,但不限于此。如图3所示,该方法可以包括如下步骤:
S310:通过目标用户的特征数据,计算目标用户的与用户集合中每个用户的相似度。
其中,所述用户集合中包括多个用户分别对应的特征数据以及行为数据。
S320:将用户集合中与目标用户的相似度大于预置数值的用户确定为候选用户。
其中,该预置数值可以根据实际需求进行设置,如该预置数值为80%、85%、90%等;当然,本实施例还可以将相似度排名前m名的用户确定为候选用户,m具体可以为3、5、10等,本实施例对此不做具体限定。
S330:根据候选用户与目标用户的相似度、候选用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值。
需要说明的是,本实施例中行为分值的计算方式与图2中步骤S220描述的内容相同,本实施例在此不再赘述。
图4为本申请实施例提供的偏好分值计算流程图,该计算过程包括:
S410:获取所述行为数据中的售后间隔时间。
其中,售后间隔时间为汽车故障发生时间与对应的售后处理时间的时间间隔。汽车故障发生时间可以为故障灯亮的时间,也可以为用户向售后反馈的时间。
S420:根据所述行为数据中的售后间隔时间,计算所述用户集合中每个用户在各行为数据分别对应的偏好分值。
在本发明提供的一个可选实施例中,所述根据所述行为数据中的售后间隔时间,计算用户集合中每个用户在各行为数据分别对应的偏好分值,包括:
通过下述公式计算各行为数据分别对应的偏好分值:
wij=1/(1+tij);
其中,wij为所述用户集合中第i个用户在第j个行为数据对应的偏好分值,tij为所述用户集合中第i个用户在第j个行为数据对应的售后间隔时间。
S430:根据行为数据对应的行为分值,为目标用户推荐行为信息。
在本实施例中,可首先对行为数据对应的行为分值进行排序,然后从排序结果中选择满足预置条件的行为数据,为目标用户推荐行为信息。例如,可以从行为分值中出选择分值最大的一个、两个或三个对应的行为数据为目标用户推荐行为信息。
例如,图5为本实施例提供的行为分值计算示例图,通过相似度计算获取的候选用户的数量为3,分别为用户1、用户2和用户3,目标用户与用户1的相似度为0.6、目标用户与用户2的相似度为0.5、目标用户与用户3的相似度为0.8;3个用户的均产生了行为数据A、行为数据B和行为数据C,用户1对行为数据A的偏好程度为0.8、用户2对行为数据A的偏好程度为0.6、用户3对行为数据A的偏好程度为0.9;用户1对行为数据B的偏好程度为0.2、用户2对行为数据B的偏好程度为0.3、用户3对行为数据B的偏好程度为0.9;用户1对行为数据C的偏好程度为0.8、用户2对行为数据C的偏好程度为0.3、用户3对行为数据C的偏好程度为0.7。
其中,偏好程度是根据行为数据A对应的售后间隔时间确定的,即根据公式wij=1/(1+tij)计算3个用户分别针对行为数据A的偏好程度。
在计算得到相似度和偏好程度之后,通过下述公式计算行为分值:
即通过上述公式计算得到3个用户对行为数据A、行为数据B和行为数据C分别对应的行为分值,从三个行为分值中选择分值最大的行为数据A为目标用户推荐行为信息。
本实施例提供的另一种行为信息的推荐方法,首先根据候选用户与目标用户的相似度、候选用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值,然后根据行为数据对应的行为分值为目标用户推荐行为信息。由于本实施例中的候选用户为用户集合中与目标用户的相似度大于预置数值的用户,因此计算的行为分值能够体现出与目标用户出现类是问题其他用户所做出的处理方式,从而基于行为分值可准确的为目标用户推荐出对应的行为信息,进而提高推荐的准确度。
图6为本申请实施例提供的又一种行为信息的推荐方法的流程图,该方法可以由如图6所示的电子设备110执行,但不限于此。如图6所示,该方法可以包括如下步骤:
S610:通过目标用户的特征数据,计算目标用户的与用户集合中每个用户的相似度。
其中,所述用户集合中包括多个用户分别对应的特征数据以及行为数据。
S620:将用户集合中与目标用户的相似度大于预置数值的用户确定为候选用户。
S630:根据候选用户与目标用户的相似度、候选用户在各行为数据分别对应的偏好分值和/或候选用户对应行为数据的偏好分值,计算各行为数据对应的行为分值和/或各候选用户对应的用户分值。
具体的,本实施例可根据用户集合中用户与目标用户的相似度和用户集合中用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值,关于各行为数据对应的行为分值的具体计算方式与图1和图3中相应步骤的内容相同,本实施例在此不再赘述;可根据候选用户与目标用户的相似度和候选用户对应行为数据的偏好分值计算各候选用户对应的用户分值。
更具体的,本实施例通过下述公式计算各候选用户对应的用户分值:
qi=sim(u,Ui)*wi
wi=1/(1+ti)
其中,qi为第i个候选用户的用户分值,sim(u,Ui)为目标用户与第i个候选用户的相似度,wi为第i个为候选用户对应行为数据的偏好分值,ti为第i个候选用户对所有行为数据的售后间隔时间。需要说明的是,本实施中用户集合中每个用户对应有一个或多个行为数据,该多个行为数据对应有相同或不同的售后间隔时间,若多个行为售后行为数据对应不同的售后间隔时间,则可计算其平均值作为所有行为数据的售后间隔时间,或是将时间最久的售后间隔时间作为ti。
S640:根据行为数据对应的行为分值和/或各候选用户对应的用户分值,为目标用户推荐行为信息。
在本实施例中,在得到行为数值和/或用户分值后,可对行为数值和/或用户分值进行排序,然后根据排序结果中前几个行为数值和/或用户分值,为目标用户推荐行为信息。针对行为数值,可根据排序结果中前几个行为数值对应的行为数据为目标用户推荐行为信息;针对用户分值,可根据排序结果中前几个用户分值对应用户的行为数据为目标用户推荐信息。
针对行为数值和用户分值,首先从排序结果中获取前M个用户分值对应的用户,然后从获取的用户中获取与前N个行为数值对应的行为数据中相同的行为数据,然后根据获取的行为数据为目标用户推荐行为信息。
例如,基于用户分值获取排序结果前3名的用户为:用户A、用户B和用户C;基于行为数值获取排序结果前2个的行为数据为:行为数据1和行为数据2;若用户A、用户B和用户C中均包括行为数据1或3个用户中行为数据出现次数最多的为行为数据1,则基于行为数据1为目标用户推荐行为信息。
本实施例提供的又一种行为信息的推荐方法,首先根据候选用户与目标用户的相似度、候选用户在各行为数据分别对应的偏好分值和/或候选用户对应行为数据的偏好分值,计算各行为数据对应的行为分值和/或各候选用户对应的用户分值,然后根据行为数据对应的行为分值和/或各候选用户对应的用户分值,为目标用户推荐行为信息。本实施例中综合考虑行为分值和/或用户分值为目标用户推荐行为信息,因此通过本实施例可提高行为信息推荐的准确度。
图7为本申请实施例提供的一种行为信息的推荐装置700的示意图。如图7所示,该装置700包括:
第一计算模块701,用于通过目标用户的特征数据,计算所述目标用户的与用户集合中每个用户的相似度;所述用户集合中包括多个用户分别对应的特征数据以及行为数据;
第二计算模块702,用于根据所述用户集合中用户与所述目标用户的相似度、所述用户集合中用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值;
推荐模块703,用于根据所述行为数据对应的行为分值,为所述目标用户推荐行为信息。
在一些可实现方式中,第二计算模块702具体用于:通过下述公式计算各行为数据对应的行为分值:
其中,pj为用户集合中所有用户在第j个行为数据的行为分值,sim(u,Ui)为目标用户与用户集合中第i个用户的相似度,wij为所述用户集合中第i个用户在第j个行为数据对应的偏好分值,n为用户集合中的用户数量。
在一些可实现方式中,第二计算模块702具体用于:获取所述行为数据中的售后间隔时间;根据所述行为数据中的售后间隔时间,计算所述用户集合中每个用户在各行为数据分别对应的偏好分值。
在一些可实现方式中,第二计算模块702具体用于:
通过下述公式计算各行为数据分别对应的偏好分值:
wij=1/(1+tij)
其中,wij为所述用户集合中第i个用户在第j个行为数据对应的偏好分值,tij为所述用户集合中第i个用户在第j个行为数据对应的售后间隔时间。
在一些可实现方式中,所述售后间隔时间为汽车故障发生时间与对应的售后处理时间的时间间隔。
在一些可实现方式中,所述装置还包括:
确定模块704,用于将所述用户集合中与所述目标用户的相似度大于预置数值的用户确定为候选用户;
第二计算模块702用于:根据所述候选用户与所述目标用户的相似度、所述候选用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值。
在一些可实现方式中,所述特征数据包括:驾驶行为特征数据、车辆位置特征数据、车辆故障特征数据、车辆使用特征数据。
应理解的是,装置实施例与行为信息的推荐方法实施例可以相互对应,类似的描述可以参照行为信息的推荐方法实施例。为避免重复,此处不再赘述。具体地,图7所示的装置700可以执行上述行为信息的推荐方法实施例,并且装置700中的各个模块的前述和其它操作和/或功能分别为了实现上述行为信息的推荐方法中的相应流程,为了简洁,在此不再赘述。
上文中结合附图从功能模块的角度描述了本申请实施例的装置700。应理解,该功能模块可以通过硬件形式实现,也可以通过软件形式的指令实现,还可以通过硬件和软件模块组合实现。具体地,本申请实施例中的行为信息的推荐方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成,结合本申请实施例公开的行为信息的推荐方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。可选地,软件模块可以位于随机存储器,闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述行为信息的推荐方法实施例中的步骤。
图8是本申请实施例提供的电子设备800的示意性框图。如图8所示,该电子设备800可以包括:处理器801,存储器802。该电子设备800还可以包括多媒体组件803,输入/输出(I/O)接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该电子设备800的整体操作,以完成上述的行为信息的推荐方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该电子设备800的操作,这些数据例如可以包括用于在该电子设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该电子设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件905可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的行为信息的推荐方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的行为信息的推荐方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器902,上述程序指令可由电子设备800的处理器801执行以完成上述的行为信息的推荐方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的行为信息的推荐方法的步骤。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的行为信息的推荐方法的代码部分。
在另一示例性实施例中,还提供一种计算机程序,计算机程序使得计算机执行如上述的行为信息的推荐方法。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,该模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,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实施例方案的目的。例如,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以该权利要求的保护范围为准。
Claims (10)
1.一种行为信息的推荐方法,其特征在于,所述方法包括:
通过目标用户的特征数据,计算所述目标用户与用户集合中每个用户的相似度;所述用户集合中包括多个用户分别对应的特征数据以及行为数据;
根据所述用户集合中用户与所述目标用户的相似度、所述用户集合中用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值;
根据所述行为数据对应的行为分值,为所述目标用户推荐行为信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述用户集合中用户与所述目标用户的相似度、所述用户集合中每个用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值,包括:
通过下述公式计算各行为数据对应的行为分值:
其中,pj为用户集合中所有用户在第j个行为数据的行为分值,sim(u,Ui)为目标用户与用户集合中第i个用户的相似度,wij为所述用户集合中第i个用户在第j个行为数据对应的偏好分值,n为用户集合中的用户数量。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
获取所述行为数据中的售后间隔时间;
根据所述行为数据中的售后间隔时间,计算所述用户集合中每个用户在各行为数据分别对应的偏好分值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述行为数据中的售后间隔时间,计算所述用户集合中每个用户在各行为数据分别对应的偏好分值,包括:
通过下述公式计算各行为数据分别对应的偏好分值:
wij=1/(1+tij)
其中,wij为所述用户集合中第i个用户在第j个行为数据对应的偏好分值,tij为所述用户集合中第i个用户在第j个行为数据对应的售后间隔时间。
5.根据权利要求4所述的方法,其特征在于,所述售后间隔时间为汽车故障发生时间与对应的售后处理时间的时间间隔。
6.根据权利要求1所述的方法,其特征在于,所述根据所述用户集合中用户与所述目标用户的相似度、所述用户集合中用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值之前,所述方法还包括:
将所述用户集合中与所述目标用户的相似度大于预置数值的用户确定为候选用户;
相应的,所述根据所述用户集合中用户与所述目标用户的相似度、所述用户集合中用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值,包括:
根据所述候选用户与所述目标用户的相似度、所述候选用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值。
7.根据权利要求1所述的方法,其特征在于,所述特征数据包括:驾驶行为特征数据、车辆位置特征数据、车辆故障特征数据、车辆使用特征数据。
8.一种行为信息的推荐装置,其特征在于,所述装置包括:
第一计算模块,用于通过目标用户的特征数据,计算所述目标用户与用户集合中每个用户的相似度;所述用户集合中包括多个用户分别对应的特征数据以及行为数据;
第二计算模块,用于根据所述用户集合中用户与所述目标用户的相似度、所述用户集合中用户在各行为数据分别对应的偏好分值,计算各行为数据对应的行为分值;
推荐模块,用于根据所述行为数据对应的行为分值,为所述目标用户推荐行为信息。
9.一种电子设备,其特征在于,包括:
处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,以执行权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序,所述计算机程序使得计算机执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310641226.9A CN116756417A (zh) | 2023-05-31 | 2023-05-31 | 行为信息的推荐方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310641226.9A CN116756417A (zh) | 2023-05-31 | 2023-05-31 | 行为信息的推荐方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116756417A true CN116756417A (zh) | 2023-09-15 |
Family
ID=87956357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310641226.9A Pending CN116756417A (zh) | 2023-05-31 | 2023-05-31 | 行为信息的推荐方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756417A (zh) |
-
2023
- 2023-05-31 CN CN202310641226.9A patent/CN116756417A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073519B (zh) | 测试用例生成方法和装置 | |
US10970641B1 (en) | Heuristic context prediction engine | |
US9880714B2 (en) | Dynamic loading of contextual ontologies for predictive touch screen typing | |
CN105447730B (zh) | 目标用户定向方法及装置 | |
US11741072B2 (en) | Method and apparatus for real-time interactive recommendation | |
US9542451B2 (en) | Mobile application search ranking | |
KR20190069421A (ko) | 차량내 예측적 고장 검출을 위한 시스템 및 방법 | |
US20150095267A1 (en) | Techniques to dynamically generate real time frequently asked questions from forum data | |
CN110727868B (zh) | 对象推荐方法、装置和计算机可读存储介质 | |
KR102029941B1 (ko) | 어뷰저 탐지 | |
US20150262264A1 (en) | Confidence in online reviews | |
CN112181752B (zh) | 车辆总线测试方法、装置、电子设备和可读存储介质 | |
CN113076416A (zh) | 信息热度评估方法、装置和电子设备 | |
WO2021139335A1 (zh) | 物理机销售数据预测方法、装置、计算机设备及存储介质 | |
US11070651B2 (en) | Contractor data server and methods for use therewith for generating individual scoring data | |
US20160275046A1 (en) | Method and system for personalized presentation of content | |
CN112905898B (zh) | 信息推荐方法、装置及电子设备 | |
WO2021039797A1 (ja) | クリック率予測モデル構築装置 | |
US20190370850A1 (en) | Reliability metrics for real-time auctions | |
JP6121575B1 (ja) | 情報生成装置、情報生成方法 | |
US11853948B2 (en) | Methods and systems for managing risk with respect to potential customers | |
CN116756417A (zh) | 行为信息的推荐方法、装置、设备及介质 | |
CN113114734B (zh) | 信息处理方法、装置、设备及存储介质 | |
WO2016147654A1 (ja) | ルール生成装置、ルール生成方法及びルール生成プログラムを記憶する記録媒体 | |
CN111507471B (zh) | 一种模型训练方法、装置、设备及存储介质 |
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 |