CN116910665A - 业务匹配方法、装置、设备及计算机程序产品 - Google Patents

业务匹配方法、装置、设备及计算机程序产品 Download PDF

Info

Publication number
CN116910665A
CN116910665A CN202310856617.2A CN202310856617A CN116910665A CN 116910665 A CN116910665 A CN 116910665A CN 202310856617 A CN202310856617 A CN 202310856617A CN 116910665 A CN116910665 A CN 116910665A
Authority
CN
China
Prior art keywords
user
service
consumption
determining
users
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
Application number
CN202310856617.2A
Other languages
English (en)
Inventor
曾瑞
邵波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Group Heilongjiang Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Heilongjiang Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Group Heilongjiang Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202310856617.2A priority Critical patent/CN116910665A/zh
Publication of CN116910665A publication Critical patent/CN116910665A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及数据分析领域，提供一种业务匹配方法、装置、设备及计算机程序产品。所述业务匹配方法包括：基于各用户之间的关系确定用户关系网，根据所述用户关系网生成用户业务匹配网；基于所述用户业务匹配网和用户历史消费信息，确定用户消费量；通过随机森林模型对各所述用户进行预测，得到预测价值，所述随机森林模型是基于所述用户消费量训练得到的；获取各所述用户的实际价值，基于所述预测价值与所述实际价值的比较结果，确定各所述用户的业务匹配策略。本申请实现了通过用户社会关系形成针对性的业务匹配方案。

Description

业务匹配方法、装置、设备及计算机程序产品
技术领域
本申请涉及数据分析领域，具体涉及一种业务匹配方法、装置、设备及计算机程序产品。
背景技术
对用户的社会关系进行识别有助于分析用户的社会网络结构和金融风险，以及可以针对性地对用户进行精准营销。目前分析用户的社会关系的方法有：使用用户在社交平台上的个人资料数据，线下对用户的社会关系进行问卷调查，以及使用用户的通讯录数据等。但上述分析用户社会关系的方法存在数据真实性较低以及数据规模较小的问题。这些用户社会关系无法度量用户的社会关系强度，无法针对相似的社会关系进行差异识别，没有考虑到用户的消费潜能形成针对性的业务匹配方法。
发明内容
本申请实施例提供一种业务匹配方法、装置、设备及计算机程序产品，用以解决现有用户社会关系无法形成针对性的业务匹配方案的技术问题。
第一方面，本申请实施例提供一种业务匹配方法，包括：
基于各用户之间的关系确定用户关系网，根据所述用户关系网生成用户业务匹配网；
基于所述用户业务匹配网和用户历史消费信息，确定用户消费量；
通过随机森林模型对各所述用户进行预测，得到预测价值，所述随机森林模型是基于所述用户消费量训练得到的；
获取各所述用户的实际价值，基于所述预测价值与所述实际价值的比较结果，确定各所述用户的业务匹配策略。
在一个实施例中，所述基于各用户之间的关系确定用户关系网，根据所述用户关系网生成用户业务匹配网包括：
基于各用户之间的共享信息确定用户关系网；
根据所述用户关系网以及各所述用户之间共享业务的订阅信息，生成用户业务匹配网。
在一个实施例中，所述基于所述用户业务匹配网和用户历史消费信息，确定用户消费量包括：
确定各所述用户的个人偏好参数以及业务费用数据，各所述用户包括种子用户和追随用户；
基于所述种子用户的个人偏好参数和业务费用数据，确定所述种子用户的消费量；
基于所述种子用户的消费量以及所述追随用户的业务费用数据，确定所述追随用户的消费量。
在一个实施例中，所述业务匹配方法还包括：
获取各所述用户的订阅业务信息，基于所述订阅业务信息确定各所述用户中的种子用户和追随用户。
在一个实施例中，所述通过随机森林模型对各所述用户进行预测，得到预测价值包括：
基于所述用户消费量确定第一业务消费数据和第二业务消费数据；
将所述用户消费量作为随机森林模型的输入特征，将所述第一业务消费数据和所述第二业务消费数据作为所述随机森林模型的输出标签对各所述用户进行预测，得到预测价值。
在一个实施例中，所述通过随机森林模型对各所述用户进行预测，得到预测价值还包括：
通过随机森林模型对各所述用户进行预测，得到各所述用户的第一业务敏感度和第二业务敏感度；
基于所述第一业务敏感度和所述第二业务敏感度，确定各所述用户的预测价值。
在一个实施例中，所述基于所述预测价值与所述实际价值的比较结果，确定各所述用户的业务匹配策略包括：
在所述预测价值高于所述实际价值的情况下，确定第一预设匹配策略为各所述用户的业务匹配策略；
在所述预测价值低于或等于所述实际价值的情况下，确定第二预设匹配策略为各所述用户的业务匹配策略。
第二方面，本申请实施例提供一种业务匹配装置，包括：
用户业务匹配网生成模块，用于基于各用户之间的关系确定用户关系网，根据所述用户关系网生成用户业务匹配网；
用户消费量确定模块，用于基于所述用户业务匹配网和用户历史消费信息，确定用户消费量；
用户价值预测模块，用于通过随机森林模型对各所述用户进行预测，得到预测价值，所述随机森林模型是基于所述用户消费量训练得到的；
业务匹配模块，用于获取各所述用户的实际价值，基于所述预测价值与所述实际价值的比较结果，确定各所述用户的业务匹配策略。
第三方面，本申请实施例提供一种设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述计算机程序时实现第一方面所述的业务匹配方法的步骤。
第四方面，本申请实施例提供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第一方面所述的业务匹配方法的步骤。
本申请实施例提供的业务匹配方法、装置、设备及计算机程序产品，通过个用户之间的关系确定用户关系网，在用户关系网的基础上生成用户业务匹配网；获取各用户的历史消费信息，基于生成的用户业务匹配网以及用户的历史消费信息，确定用户消费量，然后通过基于所述用户消费量训练得到的随机森林模型对各用户进行预测，得到用户的预测价值，最后获取用户的实际价值，基于用户的实际价值与预测价值的比较结果，确定针对各用户的业务匹配策略。实现了通过用户社会关系形成针对性的业务匹配方案。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本申请实施例提供的业务匹配方法的流程示意图之一；
图2是本申请实施例提供的业务匹配方法的流程示意图之二；
图3是本申请实施例提供的业务匹配装置的结构示意图；
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作出创造性劳动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。
参照图1，图1是本申请实施例中业务匹配方法的流程示意图之一。本申请实施例提供的业务匹配方法，可以包括：
步骤100，基于各用户之间的关系确定用户关系网，根据所述用户关系网生成用户业务匹配网；
步骤100还可以包括：
步骤110，基于各用户之间的共享信息确定用户关系网；
步骤120，根据所述用户关系网以及各所述用户之间共享业务的订阅信息，生成用户业务匹配网。
具体地，用户间的关系网络(即本实施例中的用户关系网)可以用邻接矩阵表示。如果用户1和用户2是朋友并且可以彼此共享信息，则用户1和用户2对应的矩阵元素的取值可以为1，否则则为0。基于用户间的关系网络，生成用户间业务匹配网络(即本实施例中的用户业务匹配网)。用户业务匹配网中用户1和用户2对应的元素等于1表示第二用户成功业务匹配第一用户订购或者购买的相关业务，而用户1和用户2对应的元素等于0则第二用户未成功业务匹配第一用户订购或者购买的相关业务。
步骤200，基于所述用户业务匹配网和用户历史消费信息，确定用户消费量；
具体地，业务匹配网络的引入将对用户效用产生两个方面的影响：一种是来自于业务匹配成果发出者的影响，另一种来自被成功业务匹配用户。换言之，这两种影响来自不同的方向，用户的效用不仅受到推荐他的用户的影响，还受到他成功推荐的所有用户的影响。由此可以得到用户的效能函数。用户的效能函数包括用户的消费量，不包括该用户的其他用户构成的消费量向量，以及提供给用户的业务价格。
用户的效能函数除了已解释的来自引入的推荐网络的两个影响因素外，还考虑了个人偏好及商品价格对用户效用的影响。具体地，个人偏好参数刻画用户对该产品的偏好水平：个人偏好参数之一反应了每增加一个单位的商品消费而增加的效用，也即边际效用值；个人偏好参数之二则反映了边际效用递减规律，他们都为正数。用户的效能函数的最后一部分刻画了用户消费产品所需要支付的成本。可以针对不同用户制定不同的价格，即可以根据不同购买数量以及用户在推荐网络的位置，实施业务匹配个性化配置策略。
步骤300，通过随机森林模型对各所述用户进行预测，得到预测价值，所述随机森林模型是基于所述用户消费量训练得到的；
具体地，依据种子用户和追随用户关系的识别结果，可以得到每一个用户样本对应的套餐消费计算结果以及流量消费计算结果。并生成由用户样本、套餐消费计算结果以及流量消费计算结果组成的训练样本。通过训练样本训练学习不同用户特征和用户的关系，将套餐消费和流量消费作为输出标签，将用户特征作为输出特征，分别利用随机森林，训练起两个及其学习模型。将未参与或将要进行业务匹配的用户的特征输入到套餐消费模型和流量消费模型中，可以得到预测的用户的业务匹配活动的敏感程度，并可以得到预测的用户参与业务匹配活动后，对应的套餐消费金额以及流量使用额，即本实施例中的预测价值。
步骤400，获取各所述用户的实际价值，基于所述预测价值与所述实际价值的比较结果，确定各所述用户的业务匹配策略。
具体地，根据上述模型预测得到的用户业务匹配活动的敏感程度，对用户的类别进行划分。依据预测得到的用户的套餐消费数据，以及用户的流量消费数据的均值，可以将用户划分为低价值、潜价值、次价值以及高价值四类用户，其中，低价值＜潜价值＜次价值＜高价值。然后，获取用户真实的套餐消费数据以及流量消费数据，基于用户真实的套餐消费数据以及流量消费数据，通过上述方法得到真实的用户价值。
真实的用户价值也包括低价值、潜价值、次价值以及高价值。然后，将用户的真实价值与预测的用户价值进行比较，如果预测的用户价值高于用户的实际价值，这说明该用户具有极高的消费潜力，可以对该用户采取刺激性的营销策略(即本实施例中的第一预设匹配策略)，激发该用户的消费潜力，使得该用户转变为高价值用户；如果预测的用户价值低于或等于当前用户的实际价值，说明当前用户的消费水平超过了同期的其他用户水平，可以对当前用户采用维持的营销策略，即本实施例中的第二预设匹配策略。
本实施例通过个用户之间的关系确定用户关系网，在用户关系网的基础上生成用户业务匹配网；获取各用户的历史消费信息，基于生成的用户业务匹配网以及用户的历史消费信息，确定用户消费量，然后通过基于所述用户消费量训练得到的随机森林模型对各用户进行预测，得到用户的预测价值，最后获取用户的实际价值，基于用户的实际价值与预测价值的比较结果，确定针对各用户的业务匹配策略。实现了通过用户社会关系形成针对性的业务匹配方案。
参照图2，图2是本申请实施例中业务匹配方法的流程示意图之二，在一个实施例中，本申请实施例提供的业务匹配方法，还可以包括：
步骤210，确定各所述用户的个人偏好参数以及业务费用数据，各所述用户包括种子用户和追随用户；
步骤220，基于所述种子用户的个人偏好参数和业务费用数据，确定所述种子用户的消费量；
步骤230，基于所述种子用户的消费量以及所述追随用户的业务费用数据，确定所述追随用户的消费量。
本申请实施例提供的业务匹配方法，还可以包括：
步骤211，获取各所述用户的订阅业务信息，基于所述订阅业务信息确定各所述用户中的种子用户和追随用户。
具体地，种子用户和追随用户的选择方法可以是：一些用户会比其他用户更早订阅购买相关业务，然后可能在自己的关系网络上宣传该业务。为了体现这种普遍情况，可以将所有用户分为种子用户和追随用户两类。为了简化这种分类描述，将从1到m编号的前m个用户设置为种子用户，集合记为a；而从m+1到N编号的剩余用户被设置为追随用户，集合为b。可以通过直接观察种子用户的订购业务来了解种子用户消费量，追随用户制定业务匹配策略时可以认为种子用户的消费量已知。由此，面对提供的业务价格和种子用户的消费，追随者可以通过最大化其效用来确定最优的消费量。追随用户的消费量可以通过种子用户的消费量、价格向量以及准线性函数确定，将追随用户的消费量表达式代入种子用户的效用函数，得到种子用户的消费量。
本实施例提出如何选择最优的种子用户和追谁用户集合，确定种子用户发起相关业务推荐和被推荐用户群。
在一个实施例中，本申请实施例提供的业务匹配方法，还可以包括：
步骤310，基于所述用户消费量确定第一业务消费数据和第二业务消费数据；
步骤320，将所述用户消费量作为随机森林模型的输入特征，将所述第一业务消费数据和所述第二业务消费数据作为所述随机森林模型的输出标签对各所述用户进行预测，得到预测价值。
本申请实施例提供的业务匹配方法，还可以包括：
步骤321，通过随机森林模型对各所述用户进行预测，得到各所述用户的第一业务敏感度和第二业务敏感度；
步骤322，基于所述第一业务敏感度和所述第二业务敏感度，确定各所述用户的预测价值。
基于种子用户和追随用户的关系识别，进行相关业务匹配方法内容主要有两方面，其一是找出潜在的用户，其二为其制定合适的业务匹配内容，具体地：依据种子用户和追随用户关系的识别结果，可以得到每一个用户样本对应的套餐消费计算结果和流量消费计算结果。并生成包含用户样本、套餐消费计算结果以及流量消费计算结果的训练样本。通过训练样本训练与学习不同用户特征和用户的关系，将套餐消费和流量消费作为输出标签，将用户样本作为输出特征，分别利用随机森林，训练起两个及其学习模型。
将未参与或将要进行业务匹配的用户的特征输入到套餐消费模型和流量消费模型中，可以得到预测的用户的业务匹配活动的敏感程度，并可以得到预测的用户参与业务匹配活动后，对应的套餐消费金额，以及流量使用额。
本实施例设计了一种结合用户消费行为、交往特征的潜在用户画像。
在一个实施例中，本申请实施例提供的业务匹配方法，还可以包括：
步骤410，在所述预测价值高于所述实际价值的情况下，确定第一预设匹配策略为各所述用户的业务匹配策略；
步骤420，在所述预测价值低于或等于所述实际价值的情况下，确定第二预设匹配策略为各所述用户的业务匹配策略。
具体地，根据模型预测得到的用户业务匹配活动的敏感程度，划分不同类别的用户。具体地，依据预测得到的用户的套餐消费数据，以及用户的流量消费数据的均值，可以将用户划分为<低套餐，低流量>，<低套餐，高流量>，<高套餐，低流量>，<高套餐，高流量>四个区间，分别对应低价值、潜价值、次价值以及高价值四类用户，其中，低价值＜潜价值＜次价值＜高价值。
然后获取用户真实的套餐消费数据以及流量消费数据，基于上述方法形成真实的用户价值，真实用户价值也可以包括低价值、潜价值、次价值以及高价值。然后将用户的真实价值与预测的价值进行比较，如果预测的用户价值高于用户的实际价值，这说明该用户具有极高的消费潜力，可以对该用户采取刺激性的营销策略(即本实施例中的第一预设匹配策略)，激发该用户的消费潜力，使得该用户转变为高价值用户；如果预测的用户价值低于或等于当前用户的实际价值，说明当前用户的消费水平超过了同期的其他用户水平，可以对当前用户采用维持的营销策略，即本实施例中的第二预设匹配策略。
其中，第一预设匹配策略可以包括存话费送话费，高消费套餐限时折扣等，从而促进用户进行高消费。其刺激的强度，按照1到4级依次增强；第二预设匹配策略可以包括长期套餐和合约套餐等促进用户保持当前的消费水平的策略。其策略的强度也可以按照1到4级依次增强。
本实施例针对用户的消费潜能的差异形成了具有不同强度的精细化的业务匹配方案，更具有针对性。
参考图3，图3是本申请实施例中业务匹配装置的结构示意图，下面对本申请实施例提供的业务匹配装置进行描述，下文描述的业务匹配装置与上文描述的业务匹配方法可相互对应参照。
用户业务匹配网生成模块301，用于基于各用户之间的关系确定用户关系网，根据所述用户关系网生成用户业务匹配网；
用户消费量确定模块302，用于基于所述用户业务匹配网和用户历史消费信息，确定用户消费量；
用户价值预测模块303，用于通过随机森林模型对各所述用户进行预测，得到预测价值，所述随机森林模型是基于所述用户消费量训练得到的；
业务匹配模块304，用于获取各所述用户的实际价值，基于所述预测价值与所述实际价值的比较结果，确定各所述用户的业务匹配策略。
可选地，所述用户业务匹配网生成模块包括：
用户关系网确定单元，用于基于各用户之间的共享信息确定用户关系网；
用户业务匹配网生成单元，用于根据所述用户关系网以及各所述用户之间共享业务的订阅信息，生成用户业务匹配网。
可选地，所述用户消费量确定模块包括：
个人信息确定单元，用于确定各所述用户的个人偏好参数以及业务费用数据，各所述用户包括种子用户和追随用户；
种子用户消费量确定单元，用于基于所述种子用户的个人偏好参数和业务费用数据，确定所述种子用户的消费量；
追随用户消费量确定单元，用于基于所述种子用户的消费量以及所述追随用户的业务费用数据，确定所述追随用户的消费量。
可选地，所述业务匹配装置还包括：
用户分类模块，用于获取各所述用户的订阅业务信息，基于所述订阅业务信息确定各所述用户中的种子用户和追随用户。
可选地，所述用户价值预测模块包括：
业务消费数据确定单元，用于基于所述用户消费量确定第一业务消费数据和第二业务消费数据；
随机森林模型预测单元，用于将所述用户消费量作为随机森林模型的输入特征，将所述第一业务消费数据和所述第二业务消费数据作为所述随机森林模型的输出标签对各所述用户进行预测，得到预测价值。
可选地，所述用户价值预测模块还包括：
业务敏感度预测单元，用于通过随机森林模型对各所述用户进行预测，得到各所述用户的第一业务敏感度和第二业务敏感度；
预测价值确定单元，用于基于所述第一业务敏感度和所述第二业务敏感度，确定各所述用户的预测价值。
可选地，所述业务匹配模块包括：
第一预设匹配策略确定单元，用于在所述预测价值高于所述实际价值的情况下，确定第一预设匹配策略为各所述用户的业务匹配策略；
第二预设匹配策略确定单元，用于在所述预测价值低于或等于所述实际价值的情况下，确定第二预设匹配策略为各所述用户的业务匹配策略。
图4示例了一种设备的实体结构示意图，如图4所示，该设备可以包括：处理器(processor)410、通信接口(Communication Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的计算机程序，以执行业务匹配方法的步骤。
此外，上述的存储器430中的逻辑指令可以通过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(可以是个人计算机，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、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例所提供的业务匹配方法的步骤。
以上所描述的装置实施例仅仅是示意性的，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实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的业务匹配方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种业务匹配方法，其特征在于，包括：
基于各用户之间的关系确定用户关系网，根据所述用户关系网生成用户业务匹配网；
基于所述用户业务匹配网和用户历史消费信息，确定用户消费量；
通过随机森林模型对各所述用户进行预测，得到预测价值，所述随机森林模型是基于所述用户消费量训练得到的；
获取各所述用户的实际价值，基于所述预测价值与所述实际价值的比较结果，确定各所述用户的业务匹配策略。
2.根据权利要求1所述的业务匹配方法，其特征在于，所述基于各用户之间的关系确定用户关系网，根据所述用户关系网生成用户业务匹配网包括：
基于各用户之间的共享信息确定用户关系网；
根据所述用户关系网以及各所述用户之间共享业务的订阅信息，生成用户业务匹配网。
3.根据权利要求1所述的业务匹配方法，其特征在于，所述基于所述用户业务匹配网和用户历史消费信息，确定用户消费量包括：
确定各所述用户的个人偏好参数以及业务费用数据，各所述用户包括种子用户和追随用户；
基于所述种子用户的个人偏好参数和业务费用数据，确定所述种子用户的消费量；
基于所述种子用户的消费量以及所述追随用户的业务费用数据，确定所述追随用户的消费量。
4.根据权利要求3所述的业务匹配方法，其特征在于，所述业务匹配方法还包括：
获取各所述用户的订阅业务信息，基于所述订阅业务信息确定各所述用户中的种子用户和追随用户。
5.根据权利要求1所述的业务匹配方法，其特征在于，所述通过随机森林模型对各所述用户进行预测，得到预测价值包括：
基于所述用户消费量确定第一业务消费数据和第二业务消费数据；
将所述用户消费量作为随机森林模型的输入特征，将所述第一业务消费数据和所述第二业务消费数据作为所述随机森林模型的输出标签对各所述用户进行预测，得到预测价值。
6.根据权利要求5所述的业务匹配方法，其特征在于，所述通过随机森林模型对各所述用户进行预测，得到预测价值还包括：
通过随机森林模型对各所述用户进行预测，得到各所述用户的第一业务敏感度和第二业务敏感度；
基于所述第一业务敏感度和所述第二业务敏感度，确定各所述用户的预测价值。
7.根据权利要求1所述的业务匹配方法，其特征在于，所述基于所述预测价值与所述实际价值的比较结果，确定各所述用户的业务匹配策略包括：
在所述预测价值高于所述实际价值的情况下，确定第一预设匹配策略为各所述用户的业务匹配策略；
在所述预测价值低于或等于所述实际价值的情况下，确定第二预设匹配策略为各所述用户的业务匹配策略。
8.一种业务匹配装置，其特征在于，包括：
用户业务匹配网生成模块，用于基于各用户之间的关系确定用户关系网，根据所述用户关系网生成用户业务匹配网；
用户消费量确定模块，用于基于所述用户业务匹配网和用户历史消费信息，确定用户消费量；
用户价值预测模块，用于通过随机森林模型对各所述用户进行预测，得到预测价值，所述随机森林模型是基于所述用户消费量训练得到的；
业务匹配模块，用于获取各所述用户的实际价值，基于所述预测价值与所述实际价值的比较结果，确定各所述用户的业务匹配策略。
9.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的业务匹配方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的业务匹配方法的步骤。
CN202310856617.2A 2023-07-12 2023-07-12 业务匹配方法、装置、设备及计算机程序产品 Pending CN116910665A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310856617.2A CN116910665A (zh) 2023-07-12 2023-07-12 业务匹配方法、装置、设备及计算机程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310856617.2A CN116910665A (zh) 2023-07-12 2023-07-12 业务匹配方法、装置、设备及计算机程序产品

Publications (1)

Publication Number Publication Date
CN116910665A true CN116910665A (zh) 2023-10-20

Family

ID=88357525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310856617.2A Pending CN116910665A (zh) 2023-07-12 2023-07-12 业务匹配方法、装置、设备及计算机程序产品

Country Status (1)

Country Link
CN (1) CN116910665A (zh)

Similar Documents

Publication Publication Date Title
CN110070391B (zh) 数据处理方法、装置、计算机可读介质及电子设备
US20210049622A1 (en) Marketing method and apparatus based on deep reinforcement learning
JP6516809B2 (ja) 情報解析装置、情報解析方法、およびプログラム
CN112633962B (zh) 业务推荐方法、装置、计算机设备和存储介质
Ben David et al. Explainable AI and adoption of financial algorithmic advisors: an experimental study
CN112966189B (zh) 一种基金产品推荐系统
CN111061948A (zh) 一种用户标签推荐方法、装置、计算机设备及存储介质
CN110555749A (zh) 基于神经网络的信用行为预测方法以及装置
CN110851482B (zh) 为多个数据方提供数据模型的方法及装置
CN111598632B (zh) 权益份额、权益份额序列的确定方法及装置
Yuping et al. New methods of customer segmentation and individual credit evaluation based on machine learning
CN110020728B (zh) 业务模型强化学习方法以及装置
CN110796379B (zh) 业务渠道的风险评估方法、装置、设备及存储介质
CN110909753B (zh) 数据分类方法、系统和设备
JP7345032B1 (ja) 与信審査装置、方法及びプログラム
CN116362895A (zh) 理财产品推荐方法、装置及存储介质
CN109241249B (zh) 一种确定突发问题的方法及装置
CN116910665A (zh) 业务匹配方法、装置、设备及计算机程序产品
CN116361542A (zh) 产品推荐方法、装置、计算机设备和存储介质
CN115719183A (zh) 基于权重动态分级的电力客户自反馈服务评价方法及系统
JP2019046172A (ja) 情報解析装置、情報解析方法、およびプログラム
CN113407827A (zh) 基于用户价值分类的信息推荐方法、装置、设备及介质
Hadden A customer profiling methodology for churn prediction
CN111882339A (zh) 预测模型训练及响应率预测方法、装置、设备及存储介质
JP7518244B1 (ja) 予測装置、予測方法、及びプログラム

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