CN117009670A - 基于用户画像的综合推荐方法、装置、设备及存储介质 - Google Patents
基于用户画像的综合推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117009670A CN117009670A CN202311109218.6A CN202311109218A CN117009670A CN 117009670 A CN117009670 A CN 117009670A CN 202311109218 A CN202311109218 A CN 202311109218A CN 117009670 A CN117009670 A CN 117009670A
- Authority
- CN
- China
- Prior art keywords
- user
- service
- recommended
- portrait
- portraits
- 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 56
- 238000012545 processing Methods 0.000 claims description 42
- 238000010276 construction Methods 0.000 claims description 29
- 238000007781 pre-processing Methods 0.000 claims description 25
- 238000013145 classification model Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 abstract description 14
- 239000003795 chemical substances by application Substances 0.000 description 40
- 239000000047 product Substances 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000004899 c-terminal region Anatomy 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000007704 transition 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
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种基于用户画像的综合推荐方法、装置、设备及存储介质,属于人工智能技术领域和产险金融技术领域。本申请通过获取服务人员的用户数据,基于服务人员的用户数据构建服务人员画像,获取待推荐服务用户的用户数据,根据推荐服务用户的用户数据构建待推荐服务用户画像,对待推荐服务用户画像和服务人员画像进行用户画像匹配,得到用户画像匹配结果,根据用户画像匹配结果确定与待推荐服务用户匹配的服务人员,将与待推荐服务用户匹配的服务人员推荐给待推荐服务用户。此外,本申请还涉及区块链技术,用户数据可存储于区块链中。本申请通过构建待推荐服务用户画像和服务人员画像,提升服务推荐的准确度,提高用户使用体验。
Description
技术领域
本申请属于人工智能技术领域和产险金融技术领域,具体涉及一种基于用户画像的综合推荐方法、装置、设备及存储介质。
背景技术
随着互联网及智能手机的逐渐发展,保险代理人的推广也逐渐的从线下发展到线上,微信的普及、公众号及小程序的开发给保险人带来了新的销售方式和技术,但原始的公众号,只能针对代理人推送客户感兴趣的保险相关信息,无法真正触达客户,了解客户并,且难以通过运营,有针对性的提升客户满意度。并且由于保险业务复杂、代理人专业化、咨询需求多等问题,代理人大量的重复劳动花在回答问题上,使得代理人效率不高,且成本过高。
为了解决上述问题,在数据引领创新,驱动发展已成为大数据时代的标志的基础上,近年来大量生活化互联网产品的出现刺激用户在网络平台中产生庞大的个人数据,并且这些用户数据背后隐藏的用户需求促使企业结合前沿技术探索产品与用户互动关系。因此,金融保险企业如何挖掘海量保险用户数据其中的价值,这也成为金融保险企业在大数据时代下的过渡转型关键。
用户画像工具是帮助企业了解用户的有效指南工具,在产品运营、体验设计等领域应用广泛,用户画像可以完美地抽象出一个用户的信息全貌,使得企业可进一步精准、快速地分析用户行为习惯、消费习惯,为用户提供更贴心的服务。然而市面上有关用户画像的产品针对的人群都是C端客户,而针对A端产险代理人的产品几乎没有,导致销售过程中经常出现专业知识不足、不能针对客户的问题精准推荐,影响用户购买体验的问题。
发明内容
本申请实施例的目的在于提出一种基于用户画像的综合推荐方法、装置、计算机设备及存储介质,以解决市面上有关用户画像的产品针对的人群都是C端客户,而针对A端产险代理人的产品几乎没有,导致销售过程中经常出现专业知识不足、不能针对客户的问题精准推荐,影响用户购买体验的问题。
为了解决上述技术问题,本申请实施例提供一种基于用户画像的综合推荐方法,采用了如下所述的技术方案:
一种基于用户画像的综合推荐方法,包括:
接收服务人员的用户画像构建指令,获取服务人员的用户数据,基于服务人员的用户数据构建服务人员画像;
接收服务推荐指令,获取待推荐服务用户的用户数据,根据推荐服务用户的用户数据构建待推荐服务用户画像;
对待推荐服务用户画像和服务人员画像进行用户画像匹配,得到用户画像匹配结果;
根据用户画像匹配结果确定与待推荐服务用户匹配的服务人员;
将与待推荐服务用户匹配的服务人员推荐给待推荐服务用户。
进一步地,接收服务人员的用户画像构建指令,获取服务人员的用户数据,基于服务人员的用户数据构建服务人员画像,具体包括:
接收服务人员的用户画像构建指令,获取服务人员的用户数据;
对服务人员的用户数据进行预处理操作,其中,预处理操作至少包括数据去重处理、缺失值处理、异常值处理、数据归一化处理;
对执行预处理操作后的服务人员的用户数据进行数据扩增,得到服务人员的扩增用户数据;
基于服务人员的扩增用户数据构建服务人员画像。
进一步地,基于服务人员的扩增用户数据构建服务人员画像,具体包括:
对服务人员的扩增用户数据进行特征提取,得到服务人员数据特征;
对服务人员数据特征进行特征编码,得到服务人员数据特征的编码特征;
利用服务人员数据特征的编码特征对预设的第一初始模型进行训练,生成服务人员画像,其中,第一初始模型为聚类模型或分类模型。
进一步地,接收服务推荐指令,获取待推荐服务用户的用户数据,根据推荐服务用户的用户数据构建待推荐服务用户画像,具体包括:
接收服务推荐指令,基于服务推荐指令确定待推荐服务用户,并获取待推荐服务用户的用户数据;
对待推荐服务用户的用户数据进行预处理操作,其中,预处理操作至少包括数据去重处理、缺失值处理、异常值处理、数据归一化处理;
基于预处理后的待推荐服务用户的用户数据构建待推荐服务用户画像。
进一步地,基于预处理后的待推荐服务用户的用户数据构建待推荐服务用户画像,具体包括:
对预处理后的待推荐服务用户的用户数据进行特征提取,得到待推荐服务用户数据特征;
对待推荐服务用户数据特征进行特征编码,得到待推荐服务用户数据特征的编码特征;
利用待推荐服务用户数据特征的编码特征对预设的第二初始模型进行训练,生成待推荐服务用户画像,其中,第二初始模型为聚类模型或分类模型。
进一步地,对待推荐服务用户画像和服务人员画像进行用户画像匹配,得到用户画像匹配结果,具体包括:
提取待推荐服务用户画像的画像特征,得到第一画像特征;
提取服务人员画像的画像特征,得到第二画像特征;
基于第一画像特征和第二画像特征对待推荐服务用户画像和服务人员画像进行用户画像匹配,生成用户画像匹配结果。
进一步地,基于第一画像特征和第二画像特征对待推荐服务用户画像和服务人员画像进行用户画像匹配,生成用户画像匹配结果,具体包括:
计算第一画像特征和第二画像特征的特征相似度;
基于特征相似度确定待推荐服务用户画像和服务人员画像的画像匹配程度,得到用户画像匹配结果。
为了解决上述技术问题,本申请实施例还提供一种基于用户画像的综合推荐装置,采用了如下所述的技术方案:
一种基于用户画像的综合推荐装置,包括:
第一画像构建模块,用于接收服务人员的用户画像构建指令,获取服务人员的用户数据,基于服务人员的用户数据构建服务人员画像;
第二画像构建模块,用于接收服务推荐指令,获取待推荐服务用户的用户数据,根据推荐服务用户的用户数据构建待推荐服务用户画像;
用户画像匹配模块,用于对待推荐服务用户画像和服务人员画像进行用户画像匹配,得到用户画像匹配结果;
服务人员匹配模块,用于根据用户画像匹配结果确定与待推荐服务用户匹配的服务人员;
服务人员推荐模块,用于将与待推荐服务用户匹配的服务人员推荐给待推荐服务用户。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上述任一项所述的基于用户画像的综合推荐方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上述中任一项所述的基于用户画像的综合推荐方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请公开一种基于用户画像的综合推荐方法、装置、设备及存储介质,属于人工智能技术领域和产险金融技术领域。本申请通过获取服务人员的用户数据,基于服务人员的用户数据构建服务人员画像,获取待推荐服务用户的用户数据,根据推荐服务用户的用户数据构建待推荐服务用户画像,对待推荐服务用户画像和服务人员画像进行用户画像匹配,得到用户画像匹配结果,根据用户画像匹配结果确定与待推荐服务用户匹配的服务人员,将与待推荐服务用户匹配的服务人员推荐给待推荐服务用户。本申请通过分别构建待推荐服务用户画像和服务人员画像,然后对待推荐服务用户画像和服务人员画像进行用户画像匹配,根据画像匹配结果来为待推荐服务用户推荐合适的服务人员,以提升服务推荐的准确度,提高用户使用体验。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,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示出了本申请可以应用于其中的示例性系统架构图;
图2示出了根据本申请的基于用户画像的综合推荐方法的一个实施例的流程图;
图3示出了根据本申请的基于用户画像的综合推荐装置的一个实施例的结构示意图;
图4示出了根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、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。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、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、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、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,例如对终端设备101、102、103上显示的页面提供支持的后台服务器,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是,本申请实施例所提供的基于用户画像的综合推荐方法一般由服务器执行,相应地,基于用户画像的综合推荐装置一般设置于服务器中。
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。
继续参考图2,示出了根据本申请的基于用户画像的综合推荐方法的一个实施例的流程图。本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
针对保险产品推荐场景,市面上有关用户画像的产品针对的人群都是C端客户,而针对A端产险代理人的产品几乎没有,导致销售过程中经常出现专业知识不足、不能针对客户的问题精准推荐,影响用户购买体验的问题。
为了解决上述技术问题,本申请公开一种基于用户画像的综合推荐方法、装置、设备及存储介质,属于人工智能技术领域和产险金融技术领域,本申请通过分别构建待推荐服务用户画像和服务人员画像,然后对待推荐服务用户画像和服务人员画像进行用户画像匹配,根据画像匹配结果来为待推荐服务用户推荐合适的服务人员,以提升服务推荐的准确度,提高用户使用体验。
所述的基于用户画像的综合推荐方法,包括以下步骤:
S201,接收服务人员的用户画像构建指令,获取服务人员的用户数据,基于服务人员的用户数据构建服务人员画像。
在本实施例中,服务器接收服务人员的用户画像构建指令,并获取服务人员的用户数据,基于服务人员的用户数据构建服务人员画像。服务人员可以是产险代理人,产险代理人是指从事财产保险和人身保险业务,代表保险公司与客户之间进行保险业务咨询、销售和服务等方面的工作人员。产险代理人的用户数据包括其销售数据、服务记录等信息。在获得产险代理人的用户数据后,选择选取合适的算法对产险代理人的用户数据进行训练,例如基于聚类算法的K-Means算法或者基于分类算法的决策树、随机森林等,以获得产险代理人画像。
用户画像(User Profile)是指通过收集、分析和整合用户的各种数据,对用户的行为、兴趣、偏好、需求等进行深入的分析和描述,从而形成一个综合的用户描述模型。用户画像是为了更好地理解和服务用户而创建的,它将用户从单一的维度(如年龄、性别、地区等)拓展为多个方面的维度,通过细化、深度挖掘用户的数据,为企业提供更精准的服务,实现产品的个性化定制、精细化运营和精准化营销。
在上述实施例中,构建产险代理人画像有很多实际的意义,包括:
提升代理人的销售能力:通过深入分析代理人的销售数据和服务记录等信息,了解代理人的销售优劣势和潜在的改进点,从而针对性地提供销售培训、指导和改进方案,帮助代理人提升销售能力和业绩水平。
优化客户服务质量:代理人是客户的第一接触点,通过分析代理人的服务记录等信息,可以了解代理人的服务态度和能力,进而优化客户服务质量,提高客户满意度和忠诚度。
优化产品设计和营销策略:通过分析代理人的销售数据和客户反馈等信息,可以了解产品的市场反应和用户需求,进而优化产品设计和营销策略,提高产品的市场竞争力和销售额。
提高企业的数据驱动能力:通过构建代理人画像,可以帮助企业了解自己的数据资源和分析能力,提高企业的数据驱动能力,推动企业数字化转型和创新发展。
通过构建产险代理人画像可以帮助企业更好地了解代理人和客户的需求和行为习惯,提高代理人的销售能力和客户服务质量,优化产品设计和营销策略,提高企业的数据驱动能力,从而在激烈的市场竞争中占据优势。
进一步地,接收服务人员的用户画像构建指令,获取服务人员的用户数据,基于服务人员的用户数据构建服务人员画像,具体包括:
接收服务人员的用户画像构建指令,获取服务人员的用户数据;
对服务人员的用户数据进行预处理操作,其中,预处理操作至少包括数据去重处理、缺失值处理、异常值处理、数据归一化处理;
对执行预处理操作后的服务人员的用户数据进行数据扩增,得到服务人员的扩增用户数据;
基于服务人员的扩增用户数据构建服务人员画像。
在本实施例中,相较于服务用户的用户数据,服务人员的用户数据一般来说数据较少,因此需要对服务人员的用户数据进行数据预处理操作后,使用数据扩增方式对服务人员的用户数据进行扩增,提高数据的质量和准确性,构建出更全面、准确的服务人员画像。数据扩增方式包括但不限于在已有数据中随机替换某些特征值、添加噪声、进行数据合成等方式,以及利用深度学习的技术,通过生成器和判别器之间的对抗训练,生成新的数据样本等等。
以产险代理人的用户数据为例,可以随机替换代理人的工作经验、学历、从业时间等特征值,从而生成新的数据样本或者将已有的代理人数据按照不同的特征进行组合,生成新的数据样本。
进一步地,基于服务人员的扩增用户数据构建服务人员画像,具体包括:
对服务人员的扩增用户数据进行特征提取,得到服务人员数据特征;
对服务人员数据特征进行特征编码,得到服务人员数据特征的编码特征;
利用服务人员数据特征的编码特征对预设的第一初始模型进行训练,生成服务人员画像,其中,第一初始模型为聚类模型或分类模型。
在本实施例中,可以采用聚类模型或分类模型构建服务人员画像,例如,基于聚类算法的K-Means算法或者基于分类算法的决策树、随机森林等。服务器通过提取服务人员数据特征,并对特征进行编码,将编码特征输入预设的第一初始模型进行训练,模型拟合后得到服务人员画像,其中,第一初始模型为聚类模型或分类模型。
S202,接收服务推荐指令,获取待推荐服务用户的用户数据,根据推荐服务用户的用户数据构建待推荐服务用户画像。
在本实施例中,服务器接收服务推荐指令,并获取待推荐服务用户的用户数据,根据推荐服务用户的用户数据构建待推荐服务用户画像。待推荐服务用户指的是具有服务需求的用户,例如,想要购买保险产品的客户,推荐服务用户的用户数据包括用户的行为数据、社交媒体数据、交易数据等信息。
进一步地,接收服务推荐指令,获取待推荐服务用户的用户数据,根据推荐服务用户的用户数据构建待推荐服务用户画像,具体包括:
接收服务推荐指令,基于服务推荐指令确定待推荐服务用户,并获取待推荐服务用户的用户数据;
对待推荐服务用户的用户数据进行预处理操作,其中,预处理操作至少包括数据去重处理、缺失值处理、异常值处理、数据归一化处理;
基于预处理后的待推荐服务用户的用户数据构建待推荐服务用户画像。
在本实施例中,服务器接收服务推荐指令,基于服务推荐指令确定待推荐服务用户,并网络爬虫获取待推荐服务用户的行为数据、社交媒体数据、交易数据等信息,对待推荐服务用户的用户数据进行预处理操作,其中,预处理操作至少包括数据去重处理、缺失值处理、异常值处理、数据归一化处理,基于预处理后的待推荐服务用户的用户数据和预设的分类算法或聚类算法构建待推荐服务用户画像。
进一步地,基于预处理后的待推荐服务用户的用户数据构建待推荐服务用户画像,具体包括:
对预处理后的待推荐服务用户的用户数据进行特征提取,得到待推荐服务用户数据特征;
对待推荐服务用户数据特征进行特征编码,得到待推荐服务用户数据特征的编码特征;
利用待推荐服务用户数据特征的编码特征对预设的第二初始模型进行训练,生成待推荐服务用户画像,其中,第一初始模型为聚类模型或分类模型。
在本实施例中,可以采用聚类模型或分类模型构建待推荐服务用户画像,例如,基于聚类算法的K-Means算法或者基于分类算法的决策树、随机森林等。服务器通过提取待推荐服务用户的数据特征,并对特征进行编码,将编码特征输入预设的第二初始模型进行训练,模型拟合后得到服务人员画像,其中,第二初始模型为聚类模型或分类模型。
S203,对待推荐服务用户画像和服务人员画像进行用户画像匹配,得到用户画像匹配结果。
在本实施例中,服务器通过提取待推荐服务用户画像的特征和提取服务人员画像的特征,并通过比对提取的画像特征进行用户画像匹配,得到用户画像匹配结果。
在本申请具体的实施例中,以为保险产品推荐为例,传统的推荐方案通常只是简单地对用户数据特征和产险代理人数据特征提取和比对,往往只能获得一些基础的信息,如用户的基本信息、历史购买记录等等,这些信息虽然可以为推荐提供基础,但是往往并不能反映出用户和代理人的深层次需求和特点,从而可能导致推荐效果不佳。本申请通过先构建待推荐服务用户画像和产险代理人画像,并从待推荐服务用户画像和产险代理人画像中提取深层次的特征,可以深入了解用户和代理人的需求和特点,提高推荐的准确率。
在上述实施例中,本申请通过构建待推荐服务用户画像和服务人员画像,可以分析了大量的相关数据,挖掘隐藏的信息和规律,从而深入了解用户和代理人的需求和特点,使得推荐更加精准、个性化。此外,画像匹配还可以通过对画像特征的分析,发现用户和代理人之间的联系和相似性,从而为推荐提供更多的依据和可能性。
进一步地,对待推荐服务用户画像和服务人员画像进行用户画像匹配,得到用户画像匹配结果,具体包括:
提取待推荐服务用户画像的画像特征,得到第一画像特征;
提取服务人员画像的画像特征,得到第二画像特征;
基于第一画像特征和第二画像特征对待推荐服务用户画像和服务人员画像进行用户画像匹配,生成用户画像匹配结果。
在本实施例中,服务器通过提取待推荐服务用户画像的画像特征,得到第一画像特征,提取服务人员画像的画像特征,得到第二画像特征,基于第一画像特征和第二画像特征对待推荐服务用户画像和服务人员画像进行用户画像匹配,生成用户画像匹配结果。根据不同的场景和需求,选择适合的画像匹配算法,如基于规则、基于关联规则、基于协同过滤、基于深度学习等。
进一步地,基于第一画像特征和第二画像特征对待推荐服务用户画像和服务人员画像进行用户画像匹配,生成用户画像匹配结果,具体包括:
计算第一画像特征和第二画像特征的特征相似度;
基于特征相似度确定待推荐服务用户画像和服务人员画像的画像匹配程度,得到用户画像匹配结果。
在本申请具体的实施例中,以基于协同过滤的画像匹配算法为例,通过提取待推荐服务用户画像的画像特征,得到第一画像特征,提取服务人员画像的画像特征,得到第二画像特征,然后计算第一画像特征和第二画像特征之间的余弦特征相似度,根据计算的特征相似度来确定画像匹配程度,可以预设一个或多个相似度阈值,通过比对特征相似度和相似度阈值来确定画像匹配等级,即用户画像匹配结果。
S204,根据用户画像匹配结果确定与待推荐服务用户匹配的服务人员。
在本实施例中,根据用户画像匹配程度来确定与待推荐服务用户匹配的服务人员。例如,设置一个相似度阈值为0.8,选取特征相似度大于0.8的用户画像匹配结果作为目标画像匹配结果,确定每一个目标画像匹配结果对应的服务人员,将这些服务人员确定为与待推荐服务用户匹配的服务人员,将这些匹配的服务人员推荐给待推荐服务用户。
S205,将与待推荐服务用户匹配的服务人员推荐给待推荐服务用户。
在本实施例中,确定与待推荐服务用户匹配的服务人员之后,将这些匹配的服务人员推荐给待推荐服务用户。
在本申请具体的实施例中,本申请通过产险代理人画像和C端客户用户画像的画像匹配来实现推荐,相较于传统的推荐方案主要是基于用户历史行为、兴趣等信息,往往存在一定的误差,而通过画像匹配,可以更加准确地匹配用户和代理人的属性特征,从而实现更精准的推荐,提高用户体验,因为推荐的产品更加符合用户的需求,可以帮助用户更快速地找到所需要的保险产品。此外,画像匹配还可以帮助代理人更加准确地了解客户需求,从而提高销售效率,提高代理人的业绩表现,通过画像匹配还可以对客户需求进行更加全面、深入的了解,从而为公司提供更多的业务发展机会。
在上述实施例中,本申请公开一种基于用户画像的综合推荐方法,属于人工智能技术领域和产险金融技术领域。本申请通过获取服务人员的用户数据,基于服务人员的用户数据构建服务人员画像,获取待推荐服务用户的用户数据,根据推荐服务用户的用户数据构建待推荐服务用户画像,对待推荐服务用户画像和服务人员画像进行用户画像匹配,得到用户画像匹配结果,根据用户画像匹配结果确定与待推荐服务用户匹配的服务人员,将与待推荐服务用户匹配的服务人员推荐给待推荐服务用户。本申请通过分别构建待推荐服务用户画像和服务人员画像,然后对待推荐服务用户画像和服务人员画像进行用户画像匹配,根据画像匹配结果来为待推荐服务用户推荐合适的服务人员,以提升服务推荐的准确度,提高用户使用体验。
在本实施例中,基于用户画像的综合推荐方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收服务人员的用户画像构建指令或接收服务推荐指令。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
需要强调的是,为进一步保证上述用户数据的私密和安全性,上述用户数据还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种基于用户画像的综合推荐装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的基于用户画像的综合推荐装置300,包括:
第一画像构建模块301,用于接收服务人员的用户画像构建指令,获取服务人员的用户数据,基于服务人员的用户数据构建服务人员画像;
第二画像构建模块302,用于接收服务推荐指令,获取待推荐服务用户的用户数据,根据推荐服务用户的用户数据构建待推荐服务用户画像;
用户画像匹配模块303,用于对待推荐服务用户画像和服务人员画像进行用户画像匹配,得到用户画像匹配结果;
服务人员匹配模块304,用于根据用户画像匹配结果确定与待推荐服务用户匹配的服务人员;
服务人员推荐模块305,用于将与待推荐服务用户匹配的服务人员推荐给待推荐服务用户。
进一步地,第一画像构建模块301具体包括:
第一用户数据获取单元,用于接收服务人员的用户画像构建指令,获取服务人员的用户数据;
第一预处理单元,用于对服务人员的用户数据进行预处理操作,其中,预处理操作至少包括数据去重处理、缺失值处理、异常值处理、数据归一化处理;
数据扩增单元,用于对执行预处理操作后的服务人员的用户数据进行数据扩增,得到服务人员的扩增用户数据;
第一画像构建单元,用于基于服务人员的扩增用户数据构建服务人员画像。
进一步地,第一画像构建单元具体包括:
第一特征提取子单元,用于对服务人员的扩增用户数据进行特征提取,得到服务人员数据特征;
第一特征编码子单元,用于对服务人员数据特征进行特征编码,得到服务人员数据特征的编码特征;
第一画像构建子单元,用于利用服务人员数据特征的编码特征对预设的第一初始模型进行训练,生成服务人员画像,其中,第一初始模型为聚类模型或分类模型。
进一步地,第二画像构建模块302具体包括:
第二用户数据获取单元,用于接收服务推荐指令,基于服务推荐指令确定待推荐服务用户,并获取待推荐服务用户的用户数据;
第二预处理单元,用于对待推荐服务用户的用户数据进行预处理操作,其中,预处理操作至少包括数据去重处理、缺失值处理、异常值处理、数据归一化处理;
第二画像构建单元,用于基于预处理后的待推荐服务用户的用户数据构建待推荐服务用户画像。
进一步地,第二画像构建单元具体包括:
第二特征提取子单元,用于对预处理后的待推荐服务用户的用户数据进行特征提取,得到待推荐服务用户数据特征;
第二特征编码子单元,用于对待推荐服务用户数据特征进行特征编码,得到待推荐服务用户数据特征的编码特征;
第二画像构建子单元,用于利用待推荐服务用户数据特征的编码特征对预设的第二初始模型进行训练,生成待推荐服务用户画像,其中,第二初始模型为聚类模型或分类模型。
进一步地,用户画像匹配模块303具体包括:
第一画像特征提取单元,用于提取待推荐服务用户画像的画像特征,得到第一画像特征;
第二画像特征提取单元,用于提取服务人员画像的画像特征,得到第二画像特征;
用户画像匹配单元,用于基于第一画像特征和第二画像特征对待推荐服务用户画像和服务人员画像进行用户画像匹配,生成用户画像匹配结果。
进一步地,用户画像匹配单元具体包括:
画像特征相似度计算子单元,用于计算第一画像特征和第二画像特征的特征相似度;
用户画像匹配子单元,用于基于特征相似度确定待推荐服务用户画像和服务人员画像的画像匹配程度,得到用户画像匹配结果。
在上述实施例中,本申请公开一种基于用户画像的综合推荐装置,属于人工智能技术领域和产险金融技术领域。本申请通过获取服务人员的用户数据,基于服务人员的用户数据构建服务人员画像,获取待推荐服务用户的用户数据,根据推荐服务用户的用户数据构建待推荐服务用户画像,对待推荐服务用户画像和服务人员画像进行用户画像匹配,得到用户画像匹配结果,根据用户画像匹配结果确定与待推荐服务用户匹配的服务人员,将与待推荐服务用户匹配的服务人员推荐给待推荐服务用户。本申请通过分别构建待推荐服务用户画像和服务人员画像,然后对待推荐服务用户画像和服务人员画像进行用户画像匹配,根据画像匹配结果来为待推荐服务用户推荐合适的服务人员,以提升服务推荐的准确度,提高用户使用体验。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如基于用户画像的综合推荐方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述基于用户画像的综合推荐方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
在上述实施例中,本申请公开一种计算机设备,属于人工智能技术领域和产险金融技术领域。本申请通过获取服务人员的用户数据,基于服务人员的用户数据构建服务人员画像,获取待推荐服务用户的用户数据,根据推荐服务用户的用户数据构建待推荐服务用户画像,对待推荐服务用户画像和服务人员画像进行用户画像匹配,得到用户画像匹配结果,根据用户画像匹配结果确定与待推荐服务用户匹配的服务人员,将与待推荐服务用户匹配的服务人员推荐给待推荐服务用户。本申请通过分别构建待推荐服务用户画像和服务人员画像,然后对待推荐服务用户画像和服务人员画像进行用户画像匹配,根据画像匹配结果来为待推荐服务用户推荐合适的服务人员,以提升服务推荐的准确度,提高用户使用体验。
本申请还提供了另一种实施方式,即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计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于用户画像的综合推荐方法的步骤。
在上述实施例中,本申请公开一种计算机可读存储介质,属于人工智能技术领域和产险金融技术领域。本申请通过获取服务人员的用户数据,基于服务人员的用户数据构建服务人员画像,获取待推荐服务用户的用户数据,根据推荐服务用户的用户数据构建待推荐服务用户画像,对待推荐服务用户画像和服务人员画像进行用户画像匹配,得到用户画像匹配结果,根据用户画像匹配结果确定与待推荐服务用户匹配的服务人员,将与待推荐服务用户匹配的服务人员推荐给待推荐服务用户。本申请通过分别构建待推荐服务用户画像和服务人员画像,然后对待推荐服务用户画像和服务人员画像进行用户画像匹配,根据画像匹配结果来为待推荐服务用户推荐合适的服务人员,以提升服务推荐的准确度,提高用户使用体验。
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上述实施例方法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,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
显然,以上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,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于用户画像的综合推荐方法,其特征在于,包括:
接收服务人员的用户画像构建指令,获取所述服务人员的用户数据,基于所述服务人员的用户数据构建服务人员画像;
接收服务推荐指令,获取待推荐服务用户的用户数据,根据所述推荐服务用户的用户数据构建待推荐服务用户画像;
对所述待推荐服务用户画像和所述服务人员画像进行用户画像匹配,得到用户画像匹配结果;
根据所述用户画像匹配结果确定与所述待推荐服务用户匹配的服务人员;
将所述与所述待推荐服务用户匹配的服务人员推荐给所述待推荐服务用户。
2.如权利要求1所述的基于用户画像的综合推荐方法,其特征在于,所述接收服务人员的用户画像构建指令,获取所述服务人员的用户数据,基于所述服务人员的用户数据构建服务人员画像,具体包括:
所述接收服务人员的用户画像构建指令,获取所述服务人员的用户数据;
对所述服务人员的用户数据进行预处理操作,其中,所述预处理操作至少包括数据去重处理、缺失值处理、异常值处理、数据归一化处理;
对执行所述预处理操作后的所述服务人员的用户数据进行数据扩增,得到所述服务人员的扩增用户数据;
基于所述服务人员的扩增用户数据构建所述服务人员画像。
3.如权利要求2所述的基于用户画像的综合推荐方法,其特征在于,所述基于所述服务人员的扩增用户数据构建所述服务人员画像,具体包括:
对所述服务人员的扩增用户数据进行特征提取,得到服务人员数据特征;
对所述服务人员数据特征进行特征编码,得到所述服务人员数据特征的编码特征;
利用所述服务人员数据特征的编码特征对预设的第一初始模型进行训练,生成所述服务人员画像,其中,所述第一初始模型为聚类模型或分类模型。
4.如权利要求1所述的基于用户画像的综合推荐方法,其特征在于,所述接收服务推荐指令,获取待推荐服务用户的用户数据,根据所述推荐服务用户的用户数据构建待推荐服务用户画像,具体包括:
接收服务推荐指令,基于所述服务推荐指令确定待推荐服务用户,并获取所述待推荐服务用户的用户数据;
对所述待推荐服务用户的用户数据进行预处理操作,其中,所述预处理操作至少包括数据去重处理、缺失值处理、异常值处理、数据归一化处理;
基于预处理后的所述待推荐服务用户的用户数据构建所述待推荐服务用户画像。
5.如权利要求4所述的基于用户画像的综合推荐方法,其特征在于,所述基于预处理后的所述待推荐服务用户的用户数据构建所述待推荐服务用户画像,具体包括:
对预处理后的所述待推荐服务用户的用户数据进行特征提取,得到待推荐服务用户数据特征;
对所述待推荐服务用户数据特征进行特征编码,得到所述待推荐服务用户数据特征的编码特征;
利用所述待推荐服务用户数据特征的编码特征对预设的第二初始模型进行训练,生成所述待推荐服务用户画像,其中,所述第二初始模型为聚类模型或分类模型。
6.如权利要求1至4任意一项所述的基于用户画像的综合推荐方法,其特征在于,所述对所述待推荐服务用户画像和所述服务人员画像进行用户画像匹配,得到用户画像匹配结果,具体包括:
提取所述待推荐服务用户画像的画像特征,得到第一画像特征;
提取所述服务人员画像的画像特征,得到第二画像特征;
基于所述第一画像特征和所述第二画像特征对所述待推荐服务用户画像和所述服务人员画像进行用户画像匹配,生成所述用户画像匹配结果。
7.如权利要求6所述的基于用户画像的综合推荐方法,其特征在于,所述基于所述第一画像特征和所述第二画像特征对所述待推荐服务用户画像和所述服务人员画像进行用户画像匹配,生成所述用户画像匹配结果,具体包括:
计算所述第一画像特征和所述第二画像特征的特征相似度;
基于所述特征相似度确定所述待推荐服务用户画像和所述服务人员画像的画像匹配程度,得到所述用户画像匹配结果。
8.一种基于用户画像的综合推荐装置,其特征在于,包括:
第一画像构建模块,用于接收服务人员的用户画像构建指令,获取所述服务人员的用户数据,基于所述服务人员的用户数据构建服务人员画像;
第二画像构建模块,用于接收服务推荐指令,获取待推荐服务用户的用户数据,根据所述推荐服务用户的用户数据构建待推荐服务用户画像;
用户画像匹配模块,用于对所述待推荐服务用户画像和所述服务人员画像进行用户画像匹配,得到用户画像匹配结果;
服务人员匹配模块,用于根据所述用户画像匹配结果确定与所述待推荐服务用户匹配的服务人员;
服务人员推荐模块,用于将所述与所述待推荐服务用户匹配的服务人员推荐给所述待推荐服务用户。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于用户画像的综合推荐方法的步骤。
10.一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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于用户画像的综合推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311109218.6A CN117009670A (zh) | 2023-08-30 | 2023-08-30 | 基于用户画像的综合推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311109218.6A CN117009670A (zh) | 2023-08-30 | 2023-08-30 | 基于用户画像的综合推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117009670A true CN117009670A (zh) | 2023-11-07 |
Family
ID=88571040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311109218.6A Pending CN117009670A (zh) | 2023-08-30 | 2023-08-30 | 基于用户画像的综合推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117009670A (zh) |
-
2023
- 2023-08-30 CN CN202311109218.6A patent/CN117009670A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112861662B (zh) | 基于人脸和交互文本的目标对象行为预测方法及相关设备 | |
CN111583018A (zh) | 一种基于用户金融表现分析的授信策略管理方法、装置和电子设备 | |
CN112995414B (zh) | 基于语音通话的行为质检方法、装置、设备及存储介质 | |
CN117557331A (zh) | 一种产品推荐方法、装置、计算机设备及存储介质 | |
CN112100491A (zh) | 基于用户数据的信息推荐方法、装置、设备及存储介质 | |
CN112182390B (zh) | 一种函件推送方法、装置、计算机设备及存储介质 | |
CN113780318B (zh) | 用于生成提示信息的方法、装置、服务器和介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN114219664A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN117009670A (zh) | 基于用户画像的综合推荐方法、装置、设备及存储介质 | |
CN113792549B (zh) | 一种用户意图识别的方法、装置、计算机设备及存储介质 | |
CN116911913B (zh) | 一种交互结果的预测方法及装置 | |
CN117788051A (zh) | 基于人工智能的客户偏好分析方法、装置、设备及介质 | |
CN117853247A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
CN117314586A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN116757771A (zh) | 基于人工智能的方案推荐方法、装置、设备及存储介质 | |
CN117909489A (zh) | 基于人工智能的数据生成方法、装置、设备及存储介质 | |
CN117076775A (zh) | 资讯数据的处理方法、装置、计算机设备及存储介质 | |
CN116542779A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
CN115826973A (zh) | 列表页面的生成方法、装置、计算机设备及存储介质 | |
CN117273968A (zh) | 一种跨业务线产品的会计凭证生成方法及其相关设备 | |
CN116720692A (zh) | 客服派工方法、装置、计算机设备及存储介质 | |
CN113779967A (zh) | 企业转型信息生成方法及装置、存储介质、电子设备 | |
CN116756404A (zh) | 一种搜索场景的滚动词推荐方法、装置、设备及存储介质 | |
CN117078406A (zh) | 一种客户流失预警方法、装置、计算机设备及存储介质 |
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 |