CN117272174A - 信息推送方法、装置、设备、存储介质及产品 - Google Patents
信息推送方法、装置、设备、存储介质及产品 Download PDFInfo
- Publication number
- CN117272174A CN117272174A CN202311229993.5A CN202311229993A CN117272174A CN 117272174 A CN117272174 A CN 117272174A CN 202311229993 A CN202311229993 A CN 202311229993A CN 117272174 A CN117272174 A CN 117272174A
- Authority
- CN
- China
- Prior art keywords
- user
- intention
- data
- information
- classified
- 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
- 238000013145 classification model Methods 0.000 claims abstract description 51
- 230000006870 function Effects 0.000 claims description 57
- 230000006399 behavior Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 229910000510 noble metal Inorganic materials 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000010970 precious metal Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06F16/906—Clustering; Classification
-
- 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
- G06F18/21—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种信息推送方法、装置、设备、存储介质及产品,涉及大数据领域。本方法包括:获取待分类用户的意向特征数据;将待分类用户的意向特征数据输入训练完成的用户意向分类模型对待分类用户进行分类,以确定用户的用户意向;将用户意向为积极的用户确定为目标用户,获取目标用户对各功能页面的查看频率;确定在查看频率较高的功能页面上推送该功能页面对应的待推送信息;所述查看频率较高的功能页面显示于目标用户的用户终端中。可以实现对用户地个性化推送,提高了用户体验;并且在功能页面上推送信息,可以避免首页信息冗余,还便于意向积极用户获知到推送的信息。
Description
技术领域
本申请涉及大数据领域,尤其涉及一种信息推送方法、装置、设备、存储介质及产品。
背景技术
为使金融软件的用户了解金融知识及理财产品等信息,需要向用户推送相关信息数据。
目前在对用户进行信息推送时,通常在金融软件首页向所有的用户推送信息。而部分用户可能对推送的信息不感兴趣,或暂时不想了解,在各用户终端金融软件首页上显示推送的信息,会导致首页信息冗余,影响用户体验。
发明内容
本申请提供一种信息推送方法、装置、设备、存储介质及产品,用以解决在各用户终端金融软件首页上显示推送的信息,会导致首页信息冗余,影响客户体验的问题。
第一方面,本申请提供一种信息推送方法,包括:
获取待分类用户的意向特征数据;
将待分类用户的意向特征数据输入训练完成的用户意向分类模型对待分类用户进行分类,以确定用户的用户意向;
将用户意向为积极的用户确定为目标用户,获取目标用户对各功能页面的查看频率;
确定在查看频率较高的功能页面上推送该功能页面对应的待推送信息;所述查看频率较高的功能页面显示于目标用户的用户终端中。
可选地,所述信息推送方法还包括训练用户意向分类模型的步骤;所述用户意向分类模型为朴素贝叶斯分类器,所述训练用户意向分类模型的步骤,包括:
获取各样本用户的样本特征数据;基于各样本用户的行为数据确定各样本用户的意向标签;采用所述样本用户的样本特征数据及意向标签训练初始用户意向分类模型,以获取训练完成的用户意向分类模型。
可选地,所述待推送信息为产品信息,所述基于样本用户的行为数据确定样本用户的意向标签,包括:
若确定用户对产品信息的查看频次大于预设次数阈值,或用户对产品信息的查看时长大于预设时长阈值,或用户存在对产品的购买行为、或收藏行为、或推荐行为,则确定样本用户的意向标签为积极。
可选地,所述用户意向分类模型为朴素贝叶斯分类器,所述获取待分类用户的意向特征数据之后,还包括:对所述意向特征数据中的连续型意向特征数据进行离散化处理,以将连续型意向特征数据转化为离散型意向特征数据;所述将待分类用户的意向特征数据输入训练完成的用户意向分类模型对待分类用户进行分类,包括:采用训练完成的用户意向分类模型基于待分类用户的离散型意向特征数据对待分类用户进行分类。
可选地,所述对所述意向特征数据中的连续型意向特征数据进行离散化处理,包括:采用分位数离散算法对连续型意向特征数据进行离散化处理。
可选地,所述获取待分类用户的意向特征数据,包括:采用收入计算公式及入账流水数据、账户余额数据计算待分类用户的收入水平数据;将年龄数据、性别数据、理财经历数据、收入水平数据确定为待分类用户的意向特征数据。
可选地,所述确定在查看频率较高的功能页面上推送该功能页面对应的产品信息,包括:按查看频率由高到低的顺序对各功能页面进行排序;将排序在预设频率排位之前的功能页面确定为查看频率较高的功能页面;若确定存在某查看频率较高的功能页面对应的待推送信息,则确定在该查看频率较高的功能页面上推送该功能页面对应的待推送信息。
可选地,所述确定在查看频率较高的功能页面上推送该功能页面对应的待推送信息,包括:确定采用数字人技术在查看频率较高的功能页面上推送该功能页面对应的待推送信息。
第二方面,本申请提供一种信息推送装置,包括:
获取模块,用于获取待分类用户的意向特征数据;
分类模块,用于将待分类用户的意向特征数据输入训练完成的用户意向分类模型对待分类用户进行分类,以确定用户的用户意向;
用户确定模块,用于将用户意向为积极的用户确定为目标用户,获取目标用户对各功能页面的查看频率;
页面确定模块,用于确定在查看频率较高的功能页面上推送该功能页面对应的待推送信息;所述查看频率较高的功能页面显示于目标用户的用户终端中。
第三方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器及收发器;
所述存储器存储计算机执行指令;所述收发器用于收发数据;
所述处理器执行所述存储器存储的计算机执行指令,以实现上述任一方面所述的信息推送方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现上述任一方面所述的信息推送方法。
第五方面,本申请提供一种计算机程序产品,包括计算机执行指令,该计算机执行指令被处理器执行时实现上述任一方面所述的信息推送方法。
本申请提供的信息推送方法、装置、设备、存储介质及产品,获取待分类用户的意向特征数据;将待分类用户的意向特征数据输入训练完成的用户意向分类模型对待分类用户进行分类,以确定用户的用户意向;将用户意向为积极的用户确定为目标用户,获取目标用户对各功能页面的查看频率;确定在查看频率较高的功能页面上推送该功能页面对应的待推送信息;所述查看频率较高的功能页面显示于目标用户的用户终端中。可以实现对用户地个性化推送,仅对积极用户推送信息,提高了意向消极用户的用户体验;并且在功能页面上推送信息,可以避免首页信息冗余,提高了意向积极用户的用户体验;在查看频率较高的功能页面上推送信息,还便于意向积极用户获知到推送的信息。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的信息推送方法流程图;
图2为本申请实施例提供的网络架构示意图;
图3为本申请实施例提供的信息推送装置的结构示意图;
图4为本申请实施例提供的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
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。
术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
首先对本发明所涉及的现有技术进行详细说明及分析。
目前在对客户进行信息推送时,通常在金融软件首页向所有的客户推送信息。而部分用户可能对推送的信息不感兴趣,或暂时不想了解,在各用户终端金融软件首页上显示推送的信息,会导致首页信息冗余,影响客户体验。
发明人在研究中发现,可以对用户进行准确分类,确定用户是否有意愿了解待推送的信息,从而向用户提供个性化服务。并且,在金融软件首页中通常会存在存款、转账汇款、贷款、生活缴费、理财、养老金、信用卡、任务中心、年度账单等功能页面的入口,在用户通过首页入口进入功能页面后,可以确定用户可能有意向了解该功能页面相关的功能信息,因此可以在功能页面中进行精准的信息推送。所以本申请实施例提供一种信息推送方法,可以获取待分类用户的意向特征数据,基于待分类用户的意向特征数据对待分类用户进行分类,以确定用户的用户意向;若确定用户的用户意向为积极,则将该用户确定为目标用户,获取目标用户对各功能页面的查看频率;确定在查看频率较高的功能页面上推送该功能页面对应的待推送信息;查看频率较高的功能页面显示于目标用户的用户终端中。
需要说明的是,本申请所涉及的用户信息(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。
需要说明的是,本申请信息推送方法、装置、设备及存储介质可用于大数据领域,也可用于除大数据领域之外的任意领域,本申请信息推送方法、装置、设备、存储介质及产品的应用领域不做限定。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图1为本申请实施例提供的信息推送方法流程图,本申请实施例针对在各用户终端金融软件首页上显示推送的信息,会导致首页信息冗余,影响客户体验的问题,提供了信息推送方法。本实施例中的方法应用于信息推送装置,信息推送装置可以位于电子设备中。其中,电子设备可以为表示各种形式的数字计算机。诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。
如图1所示,该方法具体步骤如下:
步骤S101、获取待分类用户的意向特征数据。
其中,待分类用户的意向特征数据为用于对用户意向进行分类的特征数据。示例性地,意向特征可以包括用户的属性特征、如用户年龄、用户性别、用户地区等。还可以包括用户的金融特性,如是否有理财经历、用户收入等。
本申请实施例中,信息推送方法的执行主体可以获取待分类用户的意向特征数据。
本申请实施例中,用户意向可以为积极或消极。用户意向为积极的用户关注向其推送的信息,用户意向为消极的用户不关注向其推送的信息。可选地,用户意向还可以不确定。
步骤S102、将待分类用户的意向特征数据输入训练完成的用户意向分类模型对待分类用户进行分类,以确定用户的用户意向。
本申请实施例中,信息推送方法的执行主体可以将待分类用户的意向特征数据输入训练完成的用户意向分类模型,训练完成的用户意向分类模型对待分类用户进行分类后,输出用户的用户意向。
应理解的是,本申请实施例中的用户意向分类模型可以为任一种分类模型,本申请实施例对此不做限定。示例性地,可以为决策树模型、支持向量机模型、朴素贝叶斯模型等。
步骤S103、将用户意向为积极的用户确定为目标用户,获取目标用户对各功能页面的查看频率。
在一种可选地实施方式中,目标用户对各功能页面的查看频率可以为预设时间段内用户对功能页面打开控件的点击次数。其中,预设时间段可以为相对于当前时间过去的一段时间,例如,预设时间段可以为当前时间之前一个月;可以将近一个月用户对功能页面打开控件的点击次数确定为目标用户对各功能页面的查看频率。
步骤S104、确定在查看频率较高的功能页面上推送该功能页面对应的待推送信息。
其中,查看频率较高的功能页面显示于目标用户的用户终端中。
可选地,可以确定采用数字人技术在查看频率较高的功能页面上推送该功能页面对应的待推送信息。
目前,金融软件中通常集成了数字人模块作为线上的智能金融助手,可进行金融知识的专业讲解,理财产品的智能推荐,步骤流程的耐心解答,助力银行线上数字化转型,通过数据驱动催生新产品、新业务、新模式。因此,可以采用数字人技术在查看频率较高的功能页面上推送该功能页面对应的待推送信息,提高用户获取待推送信息的效率。
具体地,在确定采用数字人技术在查看频率较高的功能页面上推送该功能页面对应的待推送信息后,响应于用户在用户终端中对查看频率较高的功能页面的查看操作,在该功能页面中生成包括待推送信息的数字人,通过用户与数字人的交互可以使用户获知待推送信息。
图2为本申请实施例提供的网络架构示意图,如图所示,电子设备2可以从数据库3中获取待分类用户的意向特征数据,并将电子设备2输入训练完成的用户意向分类模型中,确定用户意向为积极的目标用户;基于目标用户对各功能页面的查看频率确定查看频率较高的功能页面,从而响应于目标用户在用户终端1中对查看频率较高的功能页面的打开操作,向用户终端1发送该功能页面对应的待推送信息,以使用户终端1在查看频率较高的功能页面上推送该功能页面对应的待推送信息。
本申请实施例提供的信息推送方法,获取待分类用户的意向特征数据;将待分类用户的意向特征数据输入训练完成的用户意向分类模型对待分类用户进行分类,以确定用户的用户意向;将用户意向为积极的用户确定为目标用户,获取目标用户对各功能页面的查看频率;确定在查看频率较高的功能页面上推送该功能页面对应的待推送信息;查看频率较高的功能页面显示于目标用户的用户终端中。可以实现对用户地个性化推送,仅对积极用户推送信息,提高了意向消极用户的用户体验;并且在功能页面上推送信息,可以避免首页信息冗余,提高了意向积极用户的用户体验;在查看频率较高的功能页面上推送信息,还便于意向积极用户获知到推送的信息。
本申请提供的信息推送方法还包括训练用户意向分类模型的步骤。训练用户意向分类模型的步骤,包括:
步骤S201、获取各样本用户的样本特征数据。
步骤S202、基于各样本用户的行为数据确定各样本用户的意向标签。
步骤S203、采用样本用户的样本特征数据及意向标签训练初始用户意向分类模型,以获取训练完成的用户意向分类模型。
本申请实施例中,样本特征数据与意向特征数据相对应。其中,样本用户的样本特征数据及样本特征数据用于训练用户分类模型。
具体地,可以从现有用户中确定样本用户,并向样本用户推送信息,收集样本用户对推送信息的行为反馈,根据样本用户对推送信息的行为反馈以及样本用户的样本特征数据,训练初始用户意向分类模型,并获取训练完成的用户意向分类模型。可选地,可以将中高收入用户确定为样本用户。
本申请实施例中,在获取各样本用户的样本特征数据之前,还可以进行特征选择,从可用的用户特征中确定与用户意向相关的特征。具体可以利用数据可视化技术确定特征与用户意向的相关性。
本申请实施例提供的信息推送方法,获取各样本用户的样本特征数据;基于各样本用户的行为数据确定各样本用户的意向标签;采用样本用户的样本特征数据及意向标签训练初始用户意向分类模型,以获取训练完成的用户意向分类模型。可以实现对样本用户的意向标签的自动标注,无需人工进行判断,提高了标签标注的效率,从而提高了用户意向分类模型的训练效率。
在一种可选地实施方式中,样本用户的行为数据可以包括:对产品信息的查看频次及查看时长、以及购买行为、或收藏行为、或推荐行为。
具体地,若确定用户对产品信息的查看频次大于预设次数阈值,或用户对产品信息的查看时长大于预设时长阈值,或用户存在对产品的购买行为、或收藏行为、或推荐行为,则确定样本用户的意向标签为积极。若确定用户对产品信息的查看频次小于或等于预设次数阈值,且用户对产品信息的查看时长小于或等于预设时长阈值,且用户不存在对产品的购买行为、及收藏行为、及推荐行为,则确定样本用户的意向标签为消极。
本申请实施例不限制预设时长阈值以及预设次数阈值的具体取值,可以基于实际需求进行调整。预设时长阈值以及预设次数阈值设定的较高,则有利于提升精准营销的成功率,但潜在用户流失的可能性也会随之增大。
本申请实施例中,基于用户对产品信息的查看频次、查看时长以及是否存在对产品的购买行为、或收藏行为、或推荐行为确定用户的意向标签,提高了确定的用户标签的准确率。
下面结合一个具体的示例对上述实施例提供的信息推送方法进行说明,本申请实施例中用户意向分类模型为朴素贝叶斯分类器,信息推送方法可以包括以下步骤:
步骤S301、获取待分类用户的年龄数据、性别数据、理财经历数据、入账流水数据及账户余额数据。
步骤S302、采用收入计算公式及入账流水数据、账户余额数据计算待分类用户的收入水平数据。
步骤S303、将年龄数据、性别数据、理财经历数据、收入水平数据确定为待分类用户的意向特征数据。
本申请实施例中,可以将用户的年龄数据、性别数据、理财经历数据、收入水平数据确定为待分类用户的意向特征数据。
本申请实施例中,收入水平可以基于用户的入账流水数据、账户余额数据计算,收入计算公式可以表示为I=kΣλ+Φ;其中,λ表示年入账流水数据,k为设定的积蓄系数,Φ为月底账户余额数据。
理财经历数据可以基于用户的理财历史数据确定,理财经历数据可以为存在理财经历或不存在理财经历。性别数据和理财经历数据可以表示为布尔型值。
年龄数据可以由用户生日信息或身份证信息中获取,是离散型数据。
本申请实施例中,由于年龄数据、性别数据、理财经历数据、收入水平数据与用户意向的关联性较高,且较容易获取,因此可以将用户的年龄数据、性别数据、理财经历数据、收入水平数据确定为待分类用户的意向特征数据,可以提高训练完成的用户意向分类模型对用户进行分类的准确率。
步骤S304、对意向特征数据中的连续型意向特征数据进行离散化处理,以将连续型意向特征数据转化为离散型意向特征数据。
应理解的是,朴素贝叶斯分类器是基于贝叶斯定理与特征条件独立假设的分类方式。
本申请实施中,由于朴素贝叶斯分类器以完善的贝叶斯定理为基础,有较强的模型表示、学习能力,同时表现出高效率和高准确性,尤其适用于小规模数据集的学习,因此用户意向分类模型可以为朴素贝叶斯分类器。
其中,贝叶斯定理为:
P(X,Y)=P(Y|X)×P(X)=P(X|Y)×P(Y)
以下为贝叶斯定理到朴素贝叶斯分类器的推理过程:
给定训练数据集(X,Y),其中每个样本X都包括N维特征,即(X1,X2,...Xn),类标记集合有K类,即(Y1,Y2...Yk)。
朴素贝叶斯分类即:根据新样本X,计算P(Y1|X),P(Y2|X)..P(Yk|X),概率最大的即是样本X所属的类。
根据贝叶斯公式,可以得到:
其中,从样本中可以直接计算出P(Yk),并可以确定P(X|Yj)=P(X1,X2,...Xn|Yj)。
根据特征条件独立这个假设可以推出:
P(Xi|Yj)也可以根据样本数据获取,可解得P(Yk|X)为:
应理解的是,由于朴素贝叶斯分类器要求特征值离散或可近似为概论分布函数。因此,需要对意向特征数据中的连续型意向特征数据进行离散化处理,以将连续型意向特征数据转化为离散型意向特征数据。
本申请实施例中,年龄数据及收入水平数据可以为连续型意向特征数据,在采用年龄数据、性别数据、理财经历数据、收入水平数据对待分类用户进行分类之前,需要对年龄数据及收入水平数据进行离散化处理。
可选地,可以采用分位数离散算法对连续型意向特征数据进行离散化处理。
示例性地,对年龄数据进行离散化处理的方式可以为:可以预先确定分段数量,基于分段数量对以及积极的样本用户的年龄数据对年龄阈值进行分段,基于对年龄阈值的分段确定离散化处理后的年龄数据。
本申请实施例中,分位数离散算法的算法分组度较低,提高对连续型意向特征数据进行离散化处理的速度;并且分位数离散算法的离散化效果较好,可以在确保离散化处理的质量,从而提高训练完成的用户意向分类模型的准确率。
步骤S305、采用训练完成的用户意向分类模型基于待分类用户的离散型意向特征数据对待分类用户进行分类。
具体地,可以将性别数据、理财经历数据以及离散化处理后的年龄数据及收入水平数据代入训练完成的用户意向分类模型中,获取训练完成的用户意向分类模型输出的用户意向。
步骤S306、将用户意向为积极的用户确定为目标用户,获取目标用户对各功能页面的查看频率。
步骤S307、按查看频率由高到低的顺序对各功能页面进行排序。
步骤S308、将排序在预设频率排位之前的功能页面确定为查看频率较高的功能页面。
步骤S309、若确定存在某查看频率较高的功能页面对应的待推送信息,则确定在该查看频率较高的功能页面上推送该功能页面对应的待推送信息。
其中,预设频率排位预先设定。示例性地,预设频率排位可以为21,则将查看频率排序在前20的功能页面确定为查看频率较高的功能页面。
本申请实施例中,待推送信息预先设定。应理解的是,并非各功能页面均预先设定了对应的待推送信息。因此,仅在设定了待推送信息且查看频率的功能页面中进行信息推送。
示例性地,可以预先设置贵金属、理财、信用卡和消费季四个方面的待推送信息;若确定四个方面的待推送信息中某待推送信息对应的功能页面排序在预设频率排位之前,则确定在对应的功能页面中推送该待推送信息。例如,贵金属对应的功能页面排序在预设频率排位之前,则在贵金属对应的功能页面中推送贵金属的待推送信息。
本申请实施例提供的信息推送方法,按查看频率由高到低的顺序对各功能页面进行排序;将排序在预设频率排位之前的功能页面确定为查看频率较高的功能页面;若确定存在某查看频率较高的功能页面对应的待推送信息,则确定在该查看频率较高的功能页面上推送该功能页面对应的待推送信息。可以通过对功能页面的排序确定查看频率较高的功能页面,从而可以实现在查看频率较高的功能页面上推送该功能页面对应的待推送信息,并且待推送信息及预设频率排位均可以预先设定,提高了信息推送方法的灵活性。
图3为本申请实施例提供的信息推送装置的结构示意图。本申请实施例提供的信息推送装置可以执行信息推送方法实施例提供的处理流程。如图3所示,该信息推送装置50包括:获取模块501,分类模块502,用户确定模块503和页面确定模块504。
具体地,获取模块501,用于获取待分类用户的意向特征数据。
分类模块502,用于将待分类用户的意向特征数据输入训练完成的用户意向分类模型对待分类用户进行分类,以确定用户的用户意向。
用户确定模块503,用于将用户意向为积极的用户确定为目标用户,获取目标用户对各功能页面的查看频率。
页面确定模块504,用于确定在查看频率较高的功能页面上推送该功能页面对应的待推送信息;查看频率较高的功能页面显示于目标用户的用户终端中。
本申请实施例提供的装置可以具体用于执行上述实施例一所提供的方法实施例,具体功能此处不再赘述。
可选地,信息推送装置50还包括:训练模块;训练模块用于:获取各样本用户的样本特征数据;基于各样本用户的行为数据确定各样本用户的意向标签;采用样本用户的样本特征数据及意向标签训练初始用户意向分类模型,以获取训练完成的用户意向分类模型。
可选地,待推送信息为产品信息,训练模块具体用于:若确定用户对产品信息的查看频次大于预设次数阈值,或用户对产品信息的查看时长大于预设时长阈值,或用户存在对产品的购买行为、或收藏行为、或推荐行为,则确定样本用户的意向标签为积极。
可选地,用户意向分类模型为朴素贝叶斯分类器,获取模块501还用于:对意向特征数据中的连续型意向特征数据进行离散化处理,以将连续型意向特征数据转化为离散型意向特征数据;分类模块502具体用于:采用训练完成的用户意向分类模型基于待分类用户的离散型意向特征数据对待分类用户进行分类。
可选地,获取模块501还具体用于:采用分位数离散算法对连续型意向特征数据进行离散化处理。
可选地,获取模块501具体用于:采用收入计算公式及入账流水数据、账户余额数据计算待分类用户的收入水平数据;将年龄数据、性别数据、理财经历数据、收入水平数据确定为待分类用户的意向特征数据。
可选地,页面确定模块504具体用于:按查看频率由高到低的顺序对各功能页面进行排序;将排序在预设频率排位之前的功能页面确定为查看频率较高的功能页面;若确定存在某查看频率较高的功能页面对应的待推送信息,则确定在该查看频率较高的功能页面上推送该功能页面对应的待推送信息。
可选地,页面确定模块504具体用于:确定采用数字人技术在查看频率较高的功能页面上推送该功能页面对应的待推送信息。
本申请实施例提供的装置可以具体用于执行上述方法实施例,具体功能此处不再赘述。
图4为本申请实施例提供的电子设备的结构示意图,如图4所示,本申请还提供了一种电子设备60,包括:处理器601,以及与处理器601通信连接的存储器602及收发器603。其中,存储器602存储计算机执行指令;收发器603用于收发数据;处理器601执行存储器602存储的计算机执行指令,以实现本申请任意一个实施例提供的方法。
具体地,程序可以包括程序代码,程序代码包括计算机执行指令。存储器602可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。其中,计算机执行指令存储在存储器602中,并被配置为由处理器601执行以实现本申请任意一个实施例提供的方法。相关说明可以对应参见附图中的步骤所对应的相关描述和效果进行理解,此处不做过多赘述。
其中,本申请实施例中,存储器602和处理器601通过总线连接。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(Peripheral Component Interconnect,简称为PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现本申请任意一个实施例提供的方法。
本申请实施例还提供一种计算机程序产品,包括计算机执行指令,计算机执行指令被处理器执行时实现本申请任意一个实施例提供的方法。
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,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模块上。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。
另外,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。上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程全路径轨迹融合装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本申请的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (12)
1.一种信息推送方法,其特征在于,包括:
获取待分类用户的意向特征数据;
将待分类用户的意向特征数据输入训练完成的用户意向分类模型对待分类用户进行分类,以确定用户的用户意向;
将用户意向为积极的用户确定为目标用户,获取目标用户对各功能页面的查看频率;
确定在查看频率较高的功能页面上推送该功能页面对应的待推送信息;所述查看频率较高的功能页面显示于目标用户的用户终端中。
2.根据权利要求1所述的方法,其特征在于,所述信息推送方法还包括训练用户意向分类模型的步骤;所述用户意向分类模型为朴素贝叶斯分类器,所述训练用户意向分类模型的步骤,包括:
获取各样本用户的样本特征数据;
基于各样本用户的行为数据确定各样本用户的意向标签;
采用所述样本用户的样本特征数据及意向标签训练初始用户意向分类模型,以获取训练完成的用户意向分类模型。
3.根据权利要求2所述的方法,其特征在于,所述待推送信息为产品信息,所述基于样本用户的行为数据确定样本用户的意向标签,包括:
若确定用户对产品信息的查看频次大于预设次数阈值,或用户对产品信息的查看时长大于预设时长阈值,或用户存在对产品的购买行为、或收藏行为、或推荐行为,则确定样本用户的意向标签为积极。
4.根据权利要求1所述的方法,其特征在于,所述用户意向分类模型为朴素贝叶斯分类器,所述获取待分类用户的意向特征数据之后,还包括:
对所述意向特征数据中的连续型意向特征数据进行离散化处理,以将连续型意向特征数据转化为离散型意向特征数据;
所述将待分类用户的意向特征数据输入训练完成的用户意向分类模型对待分类用户进行分类,包括:
采用训练完成的用户意向分类模型基于待分类用户的离散型意向特征数据对待分类用户进行分类。
5.根据权利要求4所述的方法,其特征在于,所述对所述意向特征数据中的连续型意向特征数据进行离散化处理,包括:
采用分位数离散算法对连续型意向特征数据进行离散化处理。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述获取待分类用户的意向特征数据,包括:
采用收入计算公式及入账流水数据、账户余额数据计算待分类用户的收入水平数据;
将年龄数据、性别数据、理财经历数据、收入水平数据确定为待分类用户的意向特征数据。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述确定在查看频率较高的功能页面上推送该功能页面对应的产品信息,包括:
按查看频率由高到低的顺序对各功能页面进行排序;
将排序在预设频率排位之前的功能页面确定为查看频率较高的功能页面;
若确定存在某查看频率较高的功能页面对应的待推送信息,则确定在该查看频率较高的功能页面上推送该功能页面对应的待推送信息。
8.根据权利要求1-5任一项所述的方法,其特征在于,所述确定在查看频率较高的功能页面上推送该功能页面对应的待推送信息,包括:
确定采用数字人技术在查看频率较高的功能页面上推送该功能页面对应的待推送信息。
9.一种信息推送装置,其特征在于,包括:
获取模块,用于获取待分类用户的意向特征数据;
分类模块,用于将待分类用户的意向特征数据输入训练完成的用户意向分类模型对待分类用户进行分类,以确定用户的用户意向;
用户确定模块,用于将用户意向为积极的用户确定为目标用户,获取目标用户对各功能页面的查看频率;
页面确定模块,用于确定在查看频率较高的功能页面上推送该功能页面对应的待推送信息;所述查看频率较高的功能页面显示于目标用户的用户终端中。
10.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器及收发器;
所述存储器存储计算机执行指令;所述收发器用于收发数据;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-7中任一项所述的方法。
11.一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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-7中任一项所述的方法。
12.一种计算机程序产品,包括计算机执行指令,其特征在于,所述计算机执行指令被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311229993.5A CN117272174A (zh) | 2023-09-22 | 2023-09-22 | 信息推送方法、装置、设备、存储介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311229993.5A CN117272174A (zh) | 2023-09-22 | 2023-09-22 | 信息推送方法、装置、设备、存储介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117272174A true CN117272174A (zh) | 2023-12-22 |
Family
ID=89202120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311229993.5A Pending CN117272174A (zh) | 2023-09-22 | 2023-09-22 | 信息推送方法、装置、设备、存储介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272174A (zh) |
-
2023
- 2023-09-22 CN CN202311229993.5A patent/CN117272174A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583966B (zh) | 一种高价值客户识别方法、系统、设备及存储介质 | |
US11531987B2 (en) | User profiling based on transaction data associated with a user | |
CN112990294B (zh) | 行为判别模型的训练方法、装置、电子设备及存储介质 | |
CN109284369B (zh) | 证券新闻资讯重要性的判定方法、系统、装置及介质 | |
US11423442B2 (en) | Method and system for predicting relevant offerings for users of data management systems using machine learning processes | |
AU2019203386A1 (en) | Data validation | |
CN110942392A (zh) | 一种业务数据处理方法、装置、设备和介质 | |
CN113093958A (zh) | 数据处理方法、装置和服务器 | |
CN111612581A (zh) | 一种物品推荐的方法、装置、设备及存储介质 | |
CN113393306A (zh) | 产品推荐方法、装置、电子设备及计算机可读介质 | |
CN111046184B (zh) | 文本的风险识别方法、装置、服务器和存储介质 | |
CN105359172A (zh) | 计算企业存在拖欠的概率 | |
CN111429214A (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
US20220076264A1 (en) | System and method for simplifying fraud detection in real-time payment transactions from trusted accounts | |
CN111815435A (zh) | 一种群体风险特征的可视化方法、装置、设备及存储介质 | |
US20230334339A1 (en) | Supervised and/or unsupervised machine learning models for supplementing records stored in a database for retrieval | |
CN115827994A (zh) | 一种数据处理方法、装置、设备、存储介质 | |
CN117272174A (zh) | 信息推送方法、装置、设备、存储介质及产品 | |
CN115048487A (zh) | 基于人工智能的舆情分析方法、装置、计算机设备及介质 | |
CN113362141A (zh) | 一种关联商品的推荐方法、装置、介质及电子设备 | |
CN110955837A (zh) | 一种产品数据的查看方法、装置、设备及存储介质 | |
US11989243B2 (en) | Ranking similar users based on values and personal journeys | |
CN113486145B (zh) | 基于网络节点的用户咨询回复方法、装置、设备及介质 | |
US11954166B2 (en) | Supervised and/or unsupervised machine learning models for supplementing records stored in a database for retrieval | |
CN117911033A (zh) | 交易限额确定方法、装置、设备、介质及程序产品 |
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 |