CN117057812B - 用户满意度确定方法、装置、计算机设备及存储介质 - Google Patents
用户满意度确定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117057812B CN117057812B CN202311323347.5A CN202311323347A CN117057812B CN 117057812 B CN117057812 B CN 117057812B CN 202311323347 A CN202311323347 A CN 202311323347A CN 117057812 B CN117057812 B CN 117057812B
- Authority
- CN
- China
- Prior art keywords
- target
- satisfaction
- feature
- pricing
- quota
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000006399 behavior Effects 0.000 claims abstract description 86
- 238000012545 processing Methods 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 33
- 210000001061 forehead Anatomy 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 17
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 9
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06Q30/01—Customer relationship services
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06Q30/0203—Market surveys; Market polls
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种用户满意度确定方法、装置、计算机设备及存储介质。方法包括:获取目标用户属性特征、目标行为特征、目标定价特征以及目标额度特征;根据目标用户属性特征以及目标行为特征输入用户满意度确定模型,得到确定平台满意度分值;根据目标用户属性特征以及目标定价特征输入用户满意度确定模型,得到确定定价满意度分值;根据目标用户属性特征以及目标额度特征输入用户满意度确定模型,得到确定额度满意度分值;根据目标用户属性特征、目标行为特征、目标定价特征、目标额度特征以及自注意力权重学习规则确定各特征的权重值;根据各满意度分值以及各特征的权重值确定目标满意度分值,通过本方案可以提高满意度衡量的准确性。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种用户满意度确定方法、装置、计算机设备及存储介质。
背景技术
在消费金融领域,定价、额度等是借贷交易中的核心要素,站在金融服务公司的角度,金融产品合理的定价等可以增加效益、提升用户留存、降低资金风险;而站在用户的角度,只有在用户对金融产品较为满意的情况下,交易才会发生,由于用户对金融产品的满意度与用户是否下单存在高度关联,因此可以通过预估用户下单的概率来衡量用户的满意度。
在现有技术中,衡量用户满意度主要是通过用户属性对用户进行分组,然后在利用用户所在分组对应的打分规则以及当前产品的定价确定用户对当前产品的满意度,其中,该打分规则包括定价与满意度的对应关系。
然而,现有技术中,仅通过用户属性对用户进行分组以及金融产品的定价衡量用户对当前金融产品的满意度,由于特征过于单薄,且计算粒度大,难以有效的衡量用户对产品的满意度,为了更好地吸引用户,为客户提供满意度高的金融产品,亟需一种方法,可以更加准确地衡量用户对金融产品的满意度。
发明内容
本申请实施例提供了一种用户满意度确定方法、装置、计算机设备及存储介质,可以提高满意度衡量的准确性。
第一方面,本申请实施例提供了一种用户满意度确定方法,其包括:
获取目标用户的目标用户属性特征、所述目标用户在目标平台上的目标行为特征、目标产品的目标定价特征以及所述目标产品的目标额度特征,所述目标平台为所述目标产品的投放平台;
将所述目标用户属性特征以及所述目标行为特征输入预设的用户满意度确定模型,得到平台满意度分值;
将所述目标用户属性特征以及所述目标定价特征输入所述用户满意度确定模型,得到定价满意度分值;
将所述目标用户属性特征以及所述目标额度特征输入所述用户满意度确定模型,得到额度满意度分值;
基于所述用户满意度确定模型中的自注意力权重学习规则、所述目标用户属性特征、所述目标行为特征、所述目标定价特征以及所述目标额度特征,确定平台权重值、定价权重值以及额度权重值;
根据所述平台满意度分值、所述定价满意度分值、所述额度满意度分值、所述平台权重值、所述定价权重值以及所述额度权重值确定所述目标用户对所述目标产品的目标满意度分值。
第二方面,本申请实施例还提供了一种用户满意度确定装置,其包括:收发单元,用于获取目标用户的目标用户属性特征、所述目标用户在目标平台上的目标行为特征、目标产品的目标定价特征以及所述目标产品的目标额度特征,所述目标平台为所述目标产品的投放平台;
处理单元,用于将所述目标用户属性特征以及所述目标行为特征输入预设的用户满意度确定模型,得到平台满意度分值;将所述目标用户属性特征以及所述目标定价特征输入所述用户满意度确定模型,得到定价满意度分值;将所述目标用户属性特征以及所述目标额度特征输入所述用户满意度确定模型,得到额度满意度分值;基于所述用户满意度确定模型中的自注意力权重学习规则、所述目标用户属性特征、所述目标行为特征、所述目标定价特征以及所述目标额度特征,确定平台权重值、定价权重值以及额度权重值;根据所述平台满意度分值、所述定价满意度分值、所述额度满意度分值、所述平台权重值、所述定价权重值以及所述额度权重值确定所述目标用户对所述目标产品的目标满意度分值。
第三方面,本申请实施例还提供了一种计算机设备,其包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时可实现上述方法。
相较于现有技术,本申请实施例提供的方案中,一方面,本方案结合了目标用户的目标用户属性特征、目标用户在目标平台上的目标行为特征、目标产品的目标定价特征以及目标产品的目标额度特征多种特征确定满意度分值,工作人员可基于该满意度分值衡量用户对产品的满意度,相对于现有技术仅使用用户属性以及产品定价进行满意度的衡量,本方案可提高满意度衡量的准确性;另一方面,本实施例通过预设的自注意力权重学习规则为平台满意度分值、定价满意度分值以及额度满意度分值分别动态确定对应的权重值,相对于固定的权重值,本方案针对目标用户的特征学习到更加贴合目标用户的权重值,使用更加贴合用户的权重值进行满意度分值的计算,可提高目标满意度分值的计算精度,从而进一步提高满意度衡量的准确性。
附图说明
为了更清楚地说明本申请实施例技术方案,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用户满意度确定方法的应用场景示意图;
图2为本申请实施例提供的用户满意度确定模型的一个结构示意图;
图3为本申请实施例提供的用户满意度确定方法的流程示意图;
图4为本申请实施例提供的用户满意度确定装置的示意性框图;
图5为本申请实施例提供的计算机设备的示意性框图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本申请实施例提供了一种用户满意度确定方法、装置、计算机设备及存储介质。
该用户满意度确定方法的执行主体可以是本申请实施例提供的用户满意度确定装置,或者集成了该用户满意度确定装置的计算机设备,其中,该用户满意度确定装置可以采用硬件或者软件的方式实现,该计算机设备可以为终端或服务器,该终端可以是智能手机、平板电脑、掌上电脑、或者笔记本电脑等。
请参阅图1,图1为本申请实施例提供的用户满意度确定方法的应用场景示意图。该用户满意度确定方法应用于图1中的计算机设备10中,该计算机设备10中预设有用户满意度确定模型,该用户满意度确定模型包括平台满意度预估子模型、定价满意度预估子模型、额度满意度预估子模型、用户特征DNN层(图1中未图示)以及自注意力权重学习规则,计算机设备10在执行用户满意度确定方法时,实现以下步骤:首先获取目标用户的目标用户属性特征、所述目标用户在目标平台上的目标行为特征、目标产品的目标定价特征以及所述目标产品的目标额度特征,其中,所述目标平台为所述目标产品的投放平台;然后将所述目标用户属性特征以及所述目标行为特征输入预设的用户满意度确定模型,得到平台满意度分值;将所述目标用户属性特征以及所述目标定价特征输入所述用户满意度确定模型,得到定价满意度分值;将所述目标用户属性特征以及所述目标额度特征输入所述用户满意度确定模型,得到额度满意度分值;基于所述用户满意度确定模型中的自注意力权重学习规则、所述目标用户属性特征、所述目标行为特征、所述目标定价特征以及所述目标额度特征,确定平台权重值、定价权重值以及额度权重值;最后根据所述平台满意度分值、所述定价满意度分值、所述额度满意度分值、所述平台权重值、所述定价权重值以及所述额度权重值确定所述目标用户对所述目标产品的目标满意度分值。
本实施例中,在使用用户满意度确定模型进行用户满意度的计算之前,首选需要构建并训练该用户满意度确定模型,请参阅图2,图2是本申请实施例中用户满意度确定模型的一个结构示意图,该用户满意度确定模型包括平台满意度预估子模型、定价满意度预估子模型、额度满意度预估子模型、自注意力权重学习规则(attention)、用户特征深度神经网络(Deep Neural Networks,DNN)层以及综合输出层,其中,平台满意度预估子模型包括嵌入(Embedding)层、行为序列门控循环单元(Gated Recurrent Unit,GRU)层、行为序列Concat层、行为序列全连接(Full Connection,FC)层以及平台满意度输出层;定价满意度预估子模型包括Embedding层、定价特征DNN层、定价特征Concat层、定价特征FC层以及定价满意度输出层;额度满意度预估子模型包括Embedding层、额度特征DNN层、额度特征Concat层、额度特征FC层以及额度满意度输出层。
其中,该用户特征DNN层可以单独构建,供各模型共用,也可以分别嵌入平台满意度预估子模型、定价满意度预估子模型以及额度满意度预估子模型中,作为各模型专属的用户特征DNN层,该用户特征DNN层用于提取用户特征更高层次的特征。
其中,各子模型可以共用一个Embedding层,也可以分开设置Embedding层,具体结构本实施例不作限定。
需要说明的是,为了有效处理序列特征,本实施例平台满意度预估子模型中设置的是行为序列GRU层,使用GRU对行为序列进行处理,可以克服传统方法无法利用时序特征序列的缺点。
在上述模型结构中,Embedding层用于对输入的特征进行降维处理,以降低输入特征的维度,提高处理速度;各模型中的Concat层用于连接目标用户属性特征输出的目标用户属性特征以及对应模型中DNN层或GUR层输出的特征;各模型的FC层用于对对应模型Concat层输出的特征进行全连接处理;各模型的输出层用于输出对应的满意度分数,综合输出层用于结合各模型输出的满意度分数以及自注意力权重学习规则学习到的权重值输出目标用户对目标产品的目标满意度分值。
本实施例中,在进行用户满意度确定模型训练时,通过目标平台收集平台用户对历史产品的下单情况,获取训练样本,然后以用户未来N天是否下单为训练目标,对用户满意度确定模型进行训练,其中,N可以为30,也可以为其他数值,具体本实施例不作限定,训练完成之后,使用训练完成的用户满意度确定模型进行用户满意度的计算。
以下对本申请实施例提供的用户满意度确定方法进行详细描述:
图3是本申请实施例提供的用户满意度确定方法的流程示意图。如图3所示,该方法包括以下步骤S110-S160。
S110、获取目标用户的目标用户属性特征、所述目标用户在目标平台上的目标行为特征、目标产品的目标定价特征以及所述目标产品的目标额度特征。
其中,本实施例中的目标用户为当前需要计算对目标产品满意度的用户,目标平台为所述目标产品的投放平台。
在一些实施例中,步骤S110包括:获取目标用户属性信息、目标行为信息、目标定价信息以及目标额度信息;对所述目标用户属性信息、目标行为信息、目标定价信息以及目标额度信息分别进行独热编码处理,得到用户属性稀疏特征、行为稀疏特征、定价稀疏特征以及额度稀疏特征;对所述用户属性稀疏特征、所述行为稀疏特征、所述定价稀疏特征以及所述额度稀疏特征分别进行降维处理,得到用户属性稠密特征、行为稠密特征、定价稠密特征以及额度稠密特征;对所述用户属性稠密特征、所述行为稠密特征、所述定价稠密特征以及所述额度稠密特征分别进行深度特征抽象处理,得到所述目标用户属性特征、所述目标行为特征、所述目标定价特征以及所述目标额度特征。
具体地,相对于图2,用户满意度确定模型还包括独热编码层,获取目标用户属性信息、目标行为信息、目标定价信息以及目标额度信息之后,为了让计算机能后识别各个信息,首先需要将各信息分别输入独热编码层,将各信息转换成对应的稀疏特征(向量),由于稀疏特征维度太大,浪费计算资源,为了降低特征维度,本实施例还将各稀疏特征输入Embedding层得到各稀疏特征的稠密特征,最后,为了提取各特征更深的特征,还将用户属性稠密特征输入用户特征DNN层进行特征抽象处理、将行为稠密特征输入行为序列GRU层进行特征抽象处理、将定价稠密特征输入定价特征DNN层进行特征抽象处理以及将额度稠密特征输入额度特征DNN层进行特征抽象处理,分别得到目标用户属性特征、目标行为特征、目标定价特征以及、目标额度特征。
其中,本实施例中,用户属性信息包括目标用户的年龄、性别、风控登记信息以及职业等,目标行为信息为目标用户在目标平台中的浏览信息、点击信息以及历史下单信息等,目标定价信息为目标产品的利率以及目标额度信息为目标产品为目标用户分配的额度。
S120、将所述目标用户属性特征以及所述目标行为特征输入预设的用户满意度确定模型,得到平台满意度分值。
本实施例中,具体地,将目标用户属性特征以及目标行为特征输入平台满意度预估子模型中的行为序列Concat层,将目标用户属性特征以及目标行为特征首尾连接后得到综合行为特征,然后将综合行为特征输入行为序列FC层,并通过台满意度输出层输出平台满意度分值。
S130、将所述目标用户属性特征以及所述目标定价特征输入所述用户满意度确定模型,得到定价满意度分值。
本实施例中,具体地,将目标用户属性特征以及目标行为特征输入定价满意度预估子模型中的定价特征Concat层,将目标用户属性特征以及目标定价特征首尾连接后得到综合定价特征,然后将综合定价特征输入定价特征FC层,并通过定价满意度输出层输出定价满意度分值。
S140、将所述目标用户属性特征以及所述目标额度特征输入所述用户满意度确定模型,得到额度满意度分值。
本实施例中,具体地,将目标用户属性特征以及目标额度特征输入额度满意度预估子模型中的额度特征Concat层,将目标用户属性特征以及目标额度特征首尾连接后得到综合额度特征,然后将综合额度特征输入额度特征FC层,并通过额度满意度输出层输出额度满意度分值。
需要说明的是,本申请实施例对步骤S120、S130与S140的执行顺序不作限定,即步骤S120、S130与S140还可以同时执行,步骤S140还可以在S120、S130之前执行等等。
S150、基于所述用户满意度确定模型中的自注意力权重学习规则、所述目标用户属性特征、所述目标行为特征、所述目标定价特征以及所述目标额度特征,确定平台权重值、定价权重值以及额度权重值。
本实施例中,由于不同的用户对于产品的满意度的侧重点不一样,有的用户更加重视定价,有的用户更加重视平台,有的用户更加重视额度,若是为不同的定价设置固定的权重,那么就忽略了用户的个性化,求出来的目标满意度分值不够精细,为了实现提高目标满意度分值的计算精度,本实施例引入了自注意力权重学习规则,根据用户不同的特征个性化确定不同的权重值。
具体地,步骤S150包括:确定所述目标用户属性特征与所述目标行为特征的第一相似度、所述目标用户属性特征与所述目标定价特征的第二相似度、以及所述目标用户属性特征与所述目标额度特征的第三相似度;根据所述第一相似度、所述第二相似度、所述第三相似度以及所述自注意力权重学习规则确定所述平台权重值、所述定价权重值以及所述额度权重值。
其中,本实施例中的自注意力权重学习规则包括第一权重计算公式、第二权重计算公式以及第三权重计算公式。
具体地,所述平台权重值根据所述第一权重计算公式确定,所述第一权重计算公式为:
W1 = exp(a1) / [ exp(a1) + exp(a2) + exp(a3) ];
所述定价权重值根据所述第二权重计算公式确定,所述第二权重计算公式为:
W2 = exp(a2) / [ exp(a1) + exp(a2) + exp(a3) ];
所述额度权重值根据所述第三权重计算公式确定,所述第三权重计算公式为:
W3 = exp(a3) / [ exp(a1) + exp(a2) + exp(a3) ];
其中,W1表示所述平台权重值、W2表示所述定价权重值、W3表示为所述额度权重值,a1表示所述第一相似度,a2表示所述第二相似度,a3表示所述第三相似度。
具体地,本实施例中第一相似度、第二相似度以及第三相似度为余弦相似度,本实施例可以在自注意力权重学习规则中设置第一相似度、第二相似度以及第三相似度的计算逻辑。
需要说明的是,在本实施例对步骤S150与S120-S140的执行顺序也不做限定,步骤S150在步骤S110之后,且步骤S160之前执行即可。
S160、根据所述平台满意度分值、所述定价满意度分值、所述额度满意度分值、所述平台权重值、所述定价权重值以及所述额度权重值确定所述目标用户对所述目标产品的目标满意度分值。
本实施例中,得到各子模型分别输出的满意度分数以及各特征分别对应的权重值之后,将这些数据输入用户满意度确定模型中的综合输出层,得到目标满意度分值。
具体地,基于以下公式确定目标满意度分值:
Y = W1Y1 + W2Y2 + W3Y3;
其中,Y表示目标满意度分值,Y1表示平台满意度分值,Y2 表示定价满意度分值,Y3表示额度满意度分值,W1表示所述平台权重值,W2表示所述定价权重值,W3表示为所述额度权重值。
在一些实施例中,确定所述目标用户对所述目标产品的目标满意度分值之后,所述方法还包括:
若所述目标满意度分值小于预设第一满意度阈值,则判断所述定价满意度分值是否小于预设的第二满意度阈值;若所述定价满意度分值小于所述第二满意度阈值且所述目标产品的目标定价小于预设的定价阈值,则根据预设的定价调整策略调整所述目标定价。
具体地,若得到的目标满意度分值小于第一满意度阈值(例如60分),则说明此时用户对目标产品的满意度较低,购买该产品的可能性较低,进一步判断对定价满意度分值是否小于第二满意度阈值(例如50分),若小于,则说明用户对目标产品的定价比较不满,此时,为了提高目标用户对目标产品的满意度,需要调整目标产品的目标定价,该目标定价为针对目标用户设置的定价,具体地,本实施例的定价调整策略包括折扣券发放策略以及基本定价调整策略。
在一些实施例中,第二满意度阈值的数值小于第一满意度阈值的数值。
在一些实施例中,所述判断所述定价满意度分值是否小于预设的第二满意度阈值之后,所述方法还包括:
若所述定价满意度分值大于或等于所述第二满意度阈值,则判断所述额度满意度分值是否小于预设的第三满意度阈值(例如50分);若所述额度满意度分值小于所述第三满意度阈值,则根据预设的额度调整策略调整所述目标产品的目标额度。
具体地,如果定价满意度分值大于或等于第二满意度阈值,此时,不需要对目标定价进行调整,进一步判断额度满意度分值是否小于第三满意度阈值,如果小于,则根据额度调整策略调整所述目标产品的目标额度,其中,该额度调整策略可以为将目标额度调整为目标平均额度,该目标平均额度为目标用户集群中多个相似用户对应的多个额度的平均值,相似用户为目标用户集群中用户属性特征与目标用户属性特征的相似度大于预设相似度阈值(例如80%)的用户,目标用户集群中包括多个需要针对目标产品进行满意度调查的用户。
综上所述,本申请实施例提供的方案中,一方面,本方案结合了目标用户的目标用户属性特征、目标用户在目标平台上的目标行为特征、目标产品的目标定价特征以及目标产品的目标额度特征多种特征确定满意度分值,工作人员可基于该满意度分值衡量用户对产品的满意度,相对于现有技术仅使用用户属性以及产品定价进行满意度的衡量,本方案可提高满意度衡量的准确性;另一方面,本实施例通过预设的自注意力权重学习规则为平台满意度分值、定价满意度分值以及额度满意度分值分别动态确定对应的权重值,相对于固定的权重值,本方案针对目标用户的特征学习到更加贴合目标用户的权重值,使用更加贴合用户的权重值进行满意度分值的计算,可提高目标满意度分值的计算精度,从而进一步提高满意度衡量的准确性。
图4是本申请实施例提供的一种用户满意度确定装置的示意性框图。如图4所示,对应于以上用户满意度确定方法,本申请还提供一种用户满意度确定装置。该用户满意度确定装置包括用于执行上述用户满意度确定方法的单元,该装置可以被配置于终端或服务器中。具体地,请参阅图4,该用户满意度确定装置400包括收发单元401以及处理单元402,其中:
收发单元401,用于获取目标用户的目标用户属性特征、所述目标用户在目标平台上的目标行为特征、目标产品的目标定价特征以及所述目标产品的目标额度特征,所述目标平台为所述目标产品的投放平台;
处理单元402,用于将所述目标用户属性特征以及所述目标行为特征输入预设的用户满意度确定模型,得到平台满意度分值;将所述目标用户属性特征以及所述目标定价特征输入所述用户满意度确定模型,得到定价满意度分值;将所述目标用户属性特征以及所述目标额度特征输入所述用户满意度确定模型,得到额度满意度分值;基于所述用户满意度确定模型中的自注意力权重学习规则、所述目标用户属性特征、所述目标行为特征、所述目标定价特征以及所述目标额度特征,确定平台权重值、定价权重值以及额度权重值;根据所述平台满意度分值、所述定价满意度分值、所述额度满意度分值、所述平台权重值、所述定价权重值以及所述额度权重值确定所述目标用户对所述目标产品的目标满意度分值。
在一些实施例中,所述收发单元401在执行所述获取目标用户的目标用户属性特征、所述目标用户在目标平台上的目标行为特征、目标产品的目标定价特征以及所述目标产品的目标额度特征步骤时,具体用于:
获取目标用户属性信息、目标行为信息、目标定价信息以及目标额度信息;
通过所述处理单元402对所述目标用户属性信息、目标行为信息、目标定价信息以及目标额度信息分别进行独热编码处理,得到用户属性稀疏特征、行为稀疏特征、定价稀疏特征以及额度稀疏特征;通过所述处理单元402对所述用户属性稀疏特征、所述行为稀疏特征、所述定价稀疏特征以及所述额度稀疏特征分别进行降维处理,得到用户属性稠密特征、行为稠密特征、定价稠密特征以及额度稠密特征;通过所述处理单元402对所述用户属性稠密特征、所述行为稠密特征、所述定价稠密特征以及所述额度稠密特征分别进行深度特征抽象处理,得到所述目标用户属性特征、所述目标行为特征、所述目标定价特征以及所述目标额度特征。
在一些实施例中,所述用户满意度确定模型包括用户特征DNN层、平台满意度预估子模型、定价满意度预估子模型、额度满意度预估子模型;所述处理单元402在执行所述对所述用户属性稠密特征、所述行为稠密特征、所述定价稠密特征以及所述额度稠密特征分别进行深度特征抽象处理,得到所述目标用户属性特征、所述目标行为特征、所述目标定价特征以及所述目标额度特征步骤时,具体用于:
将所述用户属性稠密特征输入所述用户特征DNN层进行特征抽象处理,得到所述目标用户属性特征;将所述行为稠密特征输入所述平台满意度预估子模型中的行为序列GRU层进行特征抽象处理,得到所述目标行为特征;将所述定价稠密特征输入所述定价满意度预估子模型中的定价特征DNN层进行特征抽象处理,得到所述目标定价特征;将所述额度稠密特征输入所述额度满意度预估子模型中的额度特征DNN层进行特征抽象处理,得到所述目标额度特征。
在一些实施例中,所述处理单元402在执行所述基于所述用户满意度确定模型中的自注意力权重学习规则、所述目标用户属性特征、所述目标行为特征、所述目标定价特征以及所述目标额度特征,确定平台权重值、定价权重值以及额度权重值步骤时,具体用于:
基于所述自注意力权重学习规则,确定所述目标用户属性特征与所述目标行为特征的第一相似度、所述目标用户属性特征与所述目标定价特征的第二相似度、以及所述目标用户属性特征与所述目标额度特征的第三相似度;根据所述第一相似度、所述第二相似度、所述第三相似度以及所述自注意力权重学习规则确定所述平台权重值、所述定价权重值以及所述额度权重值。
在一些实施例中,所述自注意力权重学习规则包括第一权重计算公式、第二权重计算公式以及第三权重计算公式;所述平台权重值根据所述第一权重计算公式确定,所述第一权重计算公式为:
W1 = exp(a1) / [ exp(a1) + exp(a2) + exp(a3) ];
所述定价权重值根据所述第二权重计算公式确定,所述第二权重计算公式为:
W2 = exp(a2) / [ exp(a1) + exp(a2) + exp(a3) ];
所述额度权重值根据所述第三权重计算公式确定,所述第三权重计算公式为:
W3 = exp(a3) / [ exp(a1) + exp(a2) + exp(a3) ];
其中,W1表示所述平台权重值、W2表示所述定价权重值、W3表示为所述额度权重值,a1表示所述第一相似度,a2表示所述第二相似度,a3表示所述第三相似度。
在一些实施例中,所述处理单元402在执行所述根据所述平台满意度分值、所述定价满意度分值、所述额度满意度分值、所述平台权重值、所述定价权重值以及所述额度权重值确定所述目标用户对所述目标产品的目标满意度分值步骤之后,还用于:
若所述目标满意度分值小于预设第一满意度阈值,则判断所述定价满意度分值是否小于预设的第二满意度阈值;若所述定价满意度分值小于所述第二满意度阈值且所述目标产品的目标定价小于预设的定价阈值,则根据预设的定价调整策略调整所述目标定价。
在一些实施例中,所述处理单元402在执行所述判断所述定价满意度分值是否小于预设的第二满意度阈值步骤之后,还用于:
若所述定价满意度分值大于或等于所述第二满意度阈值,则判断所述额度满意度分值是否小于预设的第三满意度阈值;若所述额度满意度分值小于所述第三满意度阈值,则根据预设的额度调整策略调整所述目标产品的目标额度。
综上所述,本申请实施例提供的方案中,一方面,本方案中的用户满意度确定装置400结合了目标用户的目标用户属性特征、目标用户在目标平台上的目标行为特征、目标产品的目标定价特征以及目标产品的目标额度特征多种特征确定满意度分值,工作人员可基于该满意度分值衡量用户对产品的满意度,相对于现有技术仅使用用户属性以及产品定价进行满意度的衡量,本方案可提高满意度衡量的准确性;另一方面,本实施例中的用户满意度确定装置400通过预设的自注意力权重学习规则为平台满意度分值、定价满意度分值以及额度满意度分值分别动态确定对应的权重值,相对于固定的权重值,本方案针对目标用户的特征学习到更加贴合目标用户的权重值,使用更加贴合用户的权重值进行满意度分值的计算,可提高目标满意度分值的计算精度,从而进一步提高满意度衡量的准确性。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述用户满意度确定装置和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述用户满意度确定装置可以实现为一种计算机程序的形式,该计算机程序可以在如图5所示的计算机设备上运行。
请参阅图5,图5是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端,也可以是服务器,其中,终端可以是智能手机、平板电脑、笔记本电脑、台式电脑等具有通信功能的电子设备。服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图5,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种用户满意度确定方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种用户满意度确定方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
获取目标用户的目标用户属性特征、所述目标用户在目标平台上的目标行为特征、目标产品的目标定价特征以及所述目标产品的目标额度特征,所述目标平台为所述目标产品的投放平台;
将所述目标用户属性特征以及所述目标行为特征输入预设的用户满意度确定模型,得到平台满意度分值;
将所述目标用户属性特征以及所述目标定价特征输入所述用户满意度确定模型,得到定价满意度分值;
将所述目标用户属性特征以及所述目标额度特征输入所述用户满意度确定模型,得到额度满意度分值;
基于所述用户满意度确定模型中的自注意力权重学习规则、所述目标用户属性特征、所述目标行为特征、所述目标定价特征以及所述目标额度特征,确定平台权重值、定价权重值以及额度权重值;
根据所述平台满意度分值、所述定价满意度分值、所述额度满意度分值、所述平台权重值、所述定价权重值以及所述额度权重值确定所述目标用户对所述目标产品的目标满意度分值。
应当理解,在本申请实施例中,处理器502可以是中央处理单元 (CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路 (Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本申请还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如下步骤:
获取目标用户的目标用户属性特征、所述目标用户在目标平台上的目标行为特征、目标产品的目标定价特征以及所述目标产品的目标额度特征,所述目标平台为所述目标产品的投放平台;
将所述目标用户属性特征以及所述目标行为特征输入预设的用户满意度确定模型,得到平台满意度分值;
将所述目标用户属性特征以及所述目标定价特征输入所述用户满意度确定模型,得到定价满意度分值;
将所述目标用户属性特征以及所述目标额度特征输入所述用户满意度确定模型,得到额度满意度分值;
基于所述用户满意度确定模型中的自注意力权重学习规则、所述目标用户属性特征、所述目标行为特征、所述目标定价特征以及所述目标额度特征,确定平台权重值、定价权重值以及额度权重值;
根据所述平台满意度分值、所述定价满意度分值、所述额度满意度分值、所述平台权重值、所述定价权重值以及所述额度权重值确定所述目标用户对所述目标产品的目标满意度分值。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
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单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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,各个单元的划分,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。例如多个单元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。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本申请实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以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,或者该技术方案的全部或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,终端,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。
以上所述,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,可轻易想到各种等效的修改或替换,这些修改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权利要求的保护范围为准。
Claims (9)
1.一种用户满意度确定方法,其特征在于,包括:
获取目标用户的目标用户属性特征、所述目标用户在目标平台上的目标行为特征、目标产品的目标定价特征以及所述目标产品的目标额度特征,所述目标平台为所述目标产品的投放平台;
将所述目标用户属性特征以及所述目标行为特征输入预设的用户满意度确定模型中的平台满意度预估子模型,得到平台满意度分值;
将所述目标用户属性特征以及所述目标定价特征输入所述用户满意度确定模型中的定价满意度预估子模型,得到定价满意度分值;
将所述目标用户属性特征以及所述目标额度特征输入所述用户满意度确定模型中的额度满意度预估子模型,得到额度满意度分值;
基于所述用户满意度确定模型中的自注意力权重学习规则、所述目标用户属性特征、所述目标行为特征、所述目标定价特征以及所述目标额度特征,确定平台权重值、定价权重值以及额度权重值;
根据所述平台满意度分值、所述定价满意度分值、所述额度满意度分值、所述平台权重值、所述定价权重值以及所述额度权重值确定所述目标用户对所述目标产品的目标满意度分值;
其中,所述基于所述用户满意度确定模型中的自注意力权重学习规则、所述目标用户属性特征、所述目标行为特征、所述目标定价特征以及所述目标额度特征,确定平台权重值、定价权重值以及额度权重值,包括:
确定所述目标用户属性特征与所述目标行为特征的第一相似度、所述目标用户属性特征与所述目标定价特征的第二相似度、以及所述目标用户属性特征与所述目标额度特征的第三相似度;
根据所述第一相似度、所述第二相似度、所述第三相似度以及所述自注意力权重学习规则确定所述平台权重值、所述定价权重值以及所述额度权重值。
2.根据权利要求1所述的方法,其特征在于,所述获取目标用户的目标用户属性特征、所述目标用户在目标平台上的目标行为特征、目标产品的目标定价特征以及所述目标产品的目标额度特征,包括:
获取目标用户属性信息、目标行为信息、目标定价信息以及目标额度信息;
对所述目标用户属性信息、目标行为信息、目标定价信息以及目标额度信息分别进行独热编码处理,得到用户属性稀疏特征、行为稀疏特征、定价稀疏特征以及额度稀疏特征;
对所述用户属性稀疏特征、所述行为稀疏特征、所述定价稀疏特征以及所述额度稀疏特征分别进行降维处理,得到用户属性稠密特征、行为稠密特征、定价稠密特征以及额度稠密特征;
对所述用户属性稠密特征、所述行为稠密特征、所述定价稠密特征以及所述额度稠密特征分别进行深度特征抽象处理,得到所述目标用户属性特征、所述目标行为特征、所述目标定价特征以及所述目标额度特征。
3.根据权利要求2所述的方法,其特征在于,所述用户满意度确定模型包括用户特征DNN层、平台满意度预估子模型、定价满意度预估子模型、额度满意度预估子模型;所述对所述用户属性稠密特征、所述行为稠密特征、所述定价稠密特征以及所述额度稠密特征分别进行深度特征抽象处理,得到所述目标用户属性特征、所述目标行为特征、所述目标定价特征以及所述目标额度特征,包括:
将所述用户属性稠密特征输入所述用户特征DNN层进行特征抽象处理,得到所述目标用户属性特征;
将所述行为稠密特征输入所述平台满意度预估子模型中的行为序列GRU层进行特征抽象处理,得到所述目标行为特征;
将所述定价稠密特征输入所述定价满意度预估子模型中的定价特征DNN层进行特征抽象处理,得到所述目标定价特征;
将所述额度稠密特征输入所述额度满意度预估子模型中的额度特征DNN层进行特征抽象处理,得到所述目标额度特征。
4.根据权利要求1所述的方法,其特征在于,所述自注意力权重学习规则包括第一权重计算公式、第二权重计算公式以及第三权重计算公式;所述平台权重值根据所述第一权重计算公式确定,所述第一权重计算公式为:
W1 = exp(a1) / [ exp(a1) + exp(a2) + exp(a3) ];
所述定价权重值根据所述第二权重计算公式确定,所述第二权重计算公式为:
W2 = exp(a2) / [ exp(a1) + exp(a2) + exp(a3) ];
所述额度权重值根据所述第三权重计算公式确定,所述第三权重计算公式为:
W3 = exp(a3) / [ exp(a1) + exp(a2) + exp(a3) ];
其中,W1表示所述平台权重值、W2表示所述定价权重值、W3表示为所述额度权重值,a1表示所述第一相似度,a2表示所述第二相似度,a3表示所述第三相似度。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述根据所述平台满意度分值、所述定价满意度分值、所述额度满意度分值、所述平台权重值、所述定价权重值以及所述额度权重值确定所述目标用户对所述目标产品的目标满意度分值之后,所述方法还包括:
若所述目标满意度分值小于预设第一满意度阈值,则判断所述定价满意度分值是否小于预设的第二满意度阈值;
若所述定价满意度分值小于所述第二满意度阈值且所述目标产品的目标定价小于预设的定价阈值,则根据预设的定价调整策略调整所述目标定价。
6.根据权利要求5所述的方法,其特征在于,所述判断所述定价满意度分值是否小于预设的第二满意度阈值之后,所述方法还包括:
若所述定价满意度分值大于或等于所述第二满意度阈值,则判断所述额度满意度分值是否小于预设的第三满意度阈值;
若所述额度满意度分值小于所述第三满意度阈值,则根据预设的额度调整策略调整所述目标产品的目标额度。
7.一种用户满意度确定装置,其特征在于,包括:
收发单元,用于获取目标用户的目标用户属性特征、所述目标用户在目标平台上的目标行为特征、目标产品的目标定价特征以及所述目标产品的目标额度特征,所述目标平台为所述目标产品的投放平台;
处理单元,用于将所述目标用户属性特征以及所述目标行为特征输入预设的用户满意度确定模型中的平台满意度预估子模型,得到平台满意度分值;将所述目标用户属性特征以及所述目标定价特征输入所述用户满意度确定模型中的定价满意度预估子模型,得到定价满意度分值;将所述目标用户属性特征以及所述目标额度特征输入所述用户满意度确定模型中的额度满意度预估子模型,得到额度满意度分值;基于所述用户满意度确定模型中的自注意力权重学习规则、所述目标用户属性特征、所述目标行为特征、所述目标定价特征以及所述目标额度特征,确定平台权重值、定价权重值以及额度权重值;根据所述平台满意度分值、所述定价满意度分值、所述额度满意度分值、所述平台权重值、所述定价权重值以及所述额度权重值确定所述目标用户对所述目标产品的目标满意度分值;
其中,所述处理单元在执行所述基于所述用户满意度确定模型中的自注意力权重学习规则、所述目标用户属性特征、所述目标行为特征、所述目标定价特征以及所述目标额度特征,确定平台权重值、定价权重值以及额度权重值步骤时,具体用于:
基于所述自注意力权重学习规则,确定所述目标用户属性特征与所述目标行为特征的第一相似度、所述目标用户属性特征与所述目标定价特征的第二相似度、以及所述目标用户属性特征与所述目标额度特征的第三相似度;根据所述第一相似度、所述第二相似度、所述第三相似度以及所述自注意力权重学习规则确定所述平台权重值、所述定价权重值以及所述额度权重值。
8.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的用户满意度确定方法。
9.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-6任一项所述的用户满意度确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311323347.5A CN117057812B (zh) | 2023-10-13 | 2023-10-13 | 用户满意度确定方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311323347.5A CN117057812B (zh) | 2023-10-13 | 2023-10-13 | 用户满意度确定方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117057812A CN117057812A (zh) | 2023-11-14 |
CN117057812B true CN117057812B (zh) | 2024-02-02 |
Family
ID=88664934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311323347.5A Active CN117057812B (zh) | 2023-10-13 | 2023-10-13 | 用户满意度确定方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057812B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114764471A (zh) * | 2021-01-12 | 2022-07-19 | 腾讯科技(深圳)有限公司 | 一种推荐方法、装置及存储介质 |
CN115271886A (zh) * | 2022-08-16 | 2022-11-01 | 中国工商银行股份有限公司 | 金融产品的推荐方法及装置、存储介质、电子设备 |
CN115330490A (zh) * | 2022-08-22 | 2022-11-11 | 平安银行股份有限公司 | 一种产品推荐方法、装置、存储介质及设备 |
WO2023040494A1 (zh) * | 2021-09-14 | 2023-03-23 | 腾讯科技(深圳)有限公司 | 资源推荐方法、多目标融合模型的训练方法及装置 |
CN116362841A (zh) * | 2023-03-27 | 2023-06-30 | 平安科技(深圳)有限公司 | 金融产品的推荐方法、装置、计算机设备及可读存储介质 |
-
2023
- 2023-10-13 CN CN202311323347.5A patent/CN117057812B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114764471A (zh) * | 2021-01-12 | 2022-07-19 | 腾讯科技(深圳)有限公司 | 一种推荐方法、装置及存储介质 |
WO2023040494A1 (zh) * | 2021-09-14 | 2023-03-23 | 腾讯科技(深圳)有限公司 | 资源推荐方法、多目标融合模型的训练方法及装置 |
CN115271886A (zh) * | 2022-08-16 | 2022-11-01 | 中国工商银行股份有限公司 | 金融产品的推荐方法及装置、存储介质、电子设备 |
CN115330490A (zh) * | 2022-08-22 | 2022-11-11 | 平安银行股份有限公司 | 一种产品推荐方法、装置、存储介质及设备 |
CN116362841A (zh) * | 2023-03-27 | 2023-06-30 | 平安科技(深圳)有限公司 | 金融产品的推荐方法、装置、计算机设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117057812A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108364195B (zh) | 用户留存概率预测方法、装置、预测服务器及存储介质 | |
US20210248651A1 (en) | Recommendation model training method, recommendation method, apparatus, and computer-readable medium | |
EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
WO2021204269A1 (zh) | 分类模型的训练、对象分类 | |
CN108510402A (zh) | 险种信息推荐方法、装置、计算机设备及存储介质 | |
WO2019205325A1 (zh) | 确定用户风险等级的方法、终端设备及计算机可读存储介质 | |
CN110647921B (zh) | 一种用户行为预测方法、装置、设备及存储介质 | |
US11068285B2 (en) | Machine-learning models applied to interaction data for determining interaction goals and facilitating experience-based modifications to interface elements in online environments | |
JP7160980B2 (ja) | 情報提供装置、情報提供方法、およびプログラム | |
CN108460618B (zh) | 一种资源配置方法及装置,电子设备 | |
CN107943897B (zh) | 一种用户推荐方法 | |
WO2023000491A1 (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
US20210241158A1 (en) | Machine-learning models applied to interaction data for facilitating experience-based modifications to interface elements in online environments | |
WO2020257991A1 (zh) | 用户识别方法及相关产品 | |
WO2023000794A1 (zh) | 保护数据隐私的业务预测模型训练的方法及装置 | |
CN109903095A (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
CN111754287A (zh) | 物品筛选方法、装置、设备和存储介质 | |
CN113034168A (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
CN113222073B (zh) | 训练广告推荐模型的方法及装置 | |
CN115730125A (zh) | 对象识别方法、装置、计算机设备和存储介质 | |
CN111510473B (zh) | 访问请求处理方法、装置、电子设备和计算机可读介质 | |
CN117057812B (zh) | 用户满意度确定方法、装置、计算机设备及存储介质 | |
CN114330465A (zh) | 聚类方法、装置和计算设备 | |
CN114971742A (zh) | 一种用户分类模型的训练、用户分类处理的方法及装置 | |
CN103645889B (zh) | 软件自适应的动态生成方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |