TWI716057B

TWI716057B - 服務推薦方法、裝置及設備

Info

Publication number: TWI716057B
Application number: TW108127215A
Authority: TW
Inventors: 柳林東
Original assignee: 開曼群島商創新先進技術有限公司
Priority date: 2018-10-25
Filing date: 2019-07-31
Publication date: 2021-01-11
Also published as: CN109598576A; EP3872735A1; WO2020082855A1; US11222273B2; TW202016842A; US20210174230A1; EP3872735A4

Abstract

本說明書實施例提供一種服務推薦方法、裝置及設備，該方法可以預先配置有推薦方案模型，透過獲取目標用戶的用戶特徵、所述目標用戶對服務的使用特徵以及所述目標用戶當前所使用服務的服務特徵，可以輸出針對目標用戶的付費服務推薦方案，因此可以為目標用戶輸入符合其需求的付費服務，實現了付費服務的動態推薦，推薦精準度較高。

Description

服務推薦方法、裝置及設備

本說明書涉及網際網路技術領域，尤其涉及服務推薦方法、裝置及設備。

隨著網際網路技術的快速發展，網際網路產品越來越多，給用戶帶來了很多便利。對於一些網路雲端硬碟等產品，通常有免費服務、以及一種或多種付費服務。這些產品的功能介面通常會提供付費服務入口，以向用戶推薦付費服務。基於此，需要提供一種精準度更高的服務推薦方案。

為克服相關技術中存在的問題，本說明書提供了資料推薦方法、裝置及設備。根據本說明書實施例的第一方面，提供一種服務推薦方法，包括：獲取目標用戶的如下特徵：用戶特徵、所述目標用戶對服務的使用特徵以及所述目標用戶當前所使用服務的服務特徵；將獲取的特徵輸入至推薦方案模型，獲取所述推薦方案模型輸出的針對所述目標用戶的付費服務推薦方案；利用所述付費服務推薦方案對所述目標用戶進行付費服務推薦。可選的，所述對所述目標用戶進行付費服務推薦，包括：在所述目標用戶使用服務的頁面中輸出付費推薦入口。可選的，所述使用特徵包括如下一種或多種：使用時間範圍特徵、使用時長特徵、使用頻度特徵、已使用儲存空間特徵或已使用儲存數量特徵。可選的，所述服務特徵，包括如下一種或多種：儲存空間特徵、文件夾數量特徵、功能類型特徵、儲存數量特徵、儲存總量特徵、計算單位峰值特徵、計算總量特徵、網路下載速度特徵、網路上傳速度特徵、網路下載總量特徵或網路上傳總量特徵。可選的，所述付費服務推薦方案中包括如下一種或多種資訊：付費服務類型、推薦頻度、推薦時間或推薦位置。根據本說明書實施例的第二方面，提供一種服務推薦裝置，包括：特徵獲取模組，用於：獲取目標用戶的用戶特徵以及所述目標用戶對服務的使用特徵；方案獲取模組，用於：以所述用戶特徵和使用特徵為輸入，調用推薦方案模型，獲取所述推薦方案模型輸出的付費服務推薦方案；其中，所述推薦方案模型預先利用用戶資料、用戶對服務的歷史使用資料、以及免費服務和付費服務的區別特徵資料訓練得到；推薦模組，用於：利用所述付費服務推薦方案對所述目標用戶進行付費服務推薦。可選的，所述推薦模組，具體用於：在所述目標用戶使用服務的頁面中輸出付費推薦入口。可選的，所述使用特徵包括如下一種或多種：使用時間範圍特徵、使用時長特徵、使用頻度特徵、已使用儲存空間特徵或已使用儲存數量特徵。可選的，所述服務特徵，包括如下一種或多種：儲存空間特徵、文件夾數量特徵、功能類型特徵、儲存數量特徵、儲存總量特徵、計算單位峰值特徵、計算總量特徵、網路下載速度特徵、網路上傳速度特徵、網路下載總量特徵或網路上傳總量特徵。可選的，所述付費服務推薦方案中包括如下一種或多種資訊：付費服務類型、推薦頻度、推薦時間或推薦位置。根據本說明書實施例的第三方面，提供一種服務推薦設備，包括記憶體、處理器及儲存在記憶體上並可在處理器上運行的電腦程式，其中，所述處理器執行所述程式時實現如下方法：獲取目標用戶的如下特徵：用戶特徵、所述目標用戶對服務的使用特徵以及所述目標用戶當前所使用服務的服務特徵；將獲取的特徵輸入至推薦方案模型，獲取所述推薦方案模型輸出的針對所述目標用戶的付費服務推薦方案；利用所述付費服務推薦方案對所述目標用戶進行付費服務推薦。本說明書的實施例提供的技術方案可以包括以下有益效果：本說明書實施例中，可以預先配置有推薦方案模型，透過獲取目標用戶的用戶特徵、所述目標用戶對服務的使用特徵以及所述目標用戶當前所使用服務的服務特徵，可以輸出針對目標用戶的付費服務推薦方案，因此可以為目標用戶輸入符合其需求的付費服務，實現了付費服務的動態推薦，推薦精準度較高。應當理解的是，以上的一般描述和後文的細節描述僅是示例性和解釋性的，並不能限制本說明書。

這裡將詳細地對示例性實施例進行說明，其示例表示在圖式中。下面的描述涉及圖式時，除非另有表示，不同圖式中的相同數字表示相同或相似的要素。以下示例性實施例中所描述的實施方式並不代表與本說明書相一致的所有實施方式。相反，它們僅是與如所附申請專利範圍中所詳述的、本說明書的一些方面相一致的裝置和方法的例子。在本說明書使用的術語是僅僅出於描述特定實施例的目的，而非旨在限制本說明書。在本說明書和所附申請專利範圍中所使用的單數形式的“一種”、“所述”和“該”也旨在包括多數形式，除非上下文清楚地表示其他含義。還應當理解，本文中使用的術語“和/或”是指並包含一個或多個相關聯的列出項目的任何或所有可能組合。應當理解，儘管在本說明書可能採用術語第一、第二、第三等來描述各種資訊，但這些資訊不應限於這些術語。這些術語僅用來將同一類型的資訊彼此區分開。例如，在不脫離本說明書範圍的情況下，第一資訊也可以被稱為第二資訊，類似地，第二資訊也可以被稱為第一資訊。取決於語境，如在此所使用的詞語“如果”可以被解釋成為“在……時”或“當……時”或“響應於確定”。目前，網際網路產品的種類、提供的服務越來越多樣化。以網路雲端硬碟類產品為例，此類產品通常有免費服務、以及一種或多種付費服務等，用戶可以選取適合自身需要的服務。此類產品中可能會向用戶進行付費服務的推薦，一種服務推薦的實現思路是在產品的功能介面中固定提供一付費服務入口，此種方式可能會被用戶忽視，導致服務推薦效果較差，推薦精準度較低。本說明書實施例提供了一種服務推薦方法，根據此方法可以精準地向用戶推薦付費服務。該方法的部分流程可參照圖1所示，可以包括如下步驟：在步驟102中，獲取目標用戶的如下特徵：用戶特徵、所述目標用戶對服務的使用特徵以及所述目標用戶當前所使用服務的服務特徵。在步驟104中，將獲取的特徵輸入至推薦方案模型，獲取所述推薦方案模型輸出的針對所述目標用戶的付費服務推薦方案。在步驟106中，利用所述付費服務推薦方案對所述目標用戶進行付費服務推薦。本說明書實施例的方法中，網際網路產品的服務方可能面向用戶提供有客戶端，在一些例子中，本說明書實施例的方法可應用於客戶端，由客戶端獲取付費服務推薦方案並進行推薦。在另一些例子中，也可以是應用在與客戶端對應的伺服端中，當用戶利用客戶端登錄伺服端後，由伺服端獲取付費服務推薦方案並利用客戶端進行推薦。本申請實施例可以預先訓練有推薦方案模型，該推薦方案模型可以預置於客戶端，也可以設置於伺服端中。在一些例子中，推薦方案模型可以由服務方預先進行訓練，訓練後的推薦方案模型可以配置於客戶端中，以用於服務推薦。例如，在需要進行服務推薦時，可以由伺服端獲取付費服務推薦方案後返回給客戶端、利用客戶端進行服務推薦，也可以是由客戶端直接利用推薦方案模型獲取付費服務推薦方案，直接在本端中進行付費服務推薦。接下來對推薦方案模型進行說明。本實施例中，服務方可以預先準備用於訓練的樣本資料。樣本資料至少包括用戶資料、用戶對服務的歷史使用資料以及各類服務的特徵資料。其中，用戶資料可以指示用戶的個人資訊、註冊資訊或身份資訊等。作為例子，可以在用戶註冊帳戶後要求用戶填寫註冊資料，基於用戶填寫註冊資料後提交的資料後獲取該用戶資料，也可以在用戶使用服務的過程中持續獲取用戶資料。用戶對服務的歷史使用資料可以透過客戶端收集，例如客戶端可以在一定時間範圍內，收集多個用戶在客戶端使用服務的過程中產生的使用資料，客戶端收集後可以發送給伺服端。此處的用戶對服務的歷史使用資料，包括用戶對免費服務的使用資料，也包括對各類付費服務的使用資料。具體的，使用資料可以包括如下一種或多種資料：使用時間範圍資料、使用時長資料、使用頻度資料、已使用儲存空間資料或已使用儲存數量資料等等。獲取歷史使用資料可以有多種用途，例如確定用戶對服務的使用習慣，確定使用免費服務的用戶的特點，確定使用付費服務的特點，確定用戶從使用免費服務轉變為付費服務的特點等等。本實施例中，還可以獲取免費服務的服務資料和付費服務的服務資料，以確定免費服務和付費服務的區別，實際應用中可根據所應用的場景靈活配置，該服務資料可以由服務方的技術人員配置，以網路雲端硬碟為例，免費服務的服務資料和付費服務的服務資料可以包括儲存空間區別資料、文件夾數量區別資料、功能類型區別資料、儲存數量區別資料、儲存總量區別資料、計算單位峰值區別資料、計算總量區別資料、網路下載速度區別資料、網路上傳速度區別資料、網路下載總量區別資料或網路上傳總量區別資料等等。通常，樣本資料需要達到一定的數量以保證訓練出的模型的精確度，而樣本資料越多，則模型的精確度可能越高。另一方面，當推薦方案模型訓練好後開始應用，可以利用推薦方案模型獲取目標用戶的付費服務推薦方案以進行推薦，客戶端能夠獲取到推薦後目標用戶的反饋結果(例如是否選取推薦的付費服務)，模型開始投入應用後，客戶端接收的反饋結果和其他用戶資料也可以作為樣本，從實現對推薦方案模型的持續訓練及最佳化。在準備有上述樣本資料後，推薦方案模型可以利用樣本資料對機器學習模型訓練得到。在訓練過程中，訓練一個準確率較高的合適的模型，需要依賴於特徵選擇和模型選擇。其中，機器學習模型可以包括邏輯回歸模型，隨機森林模型、貝葉斯方法模型、支持向量機模型或神經網路模型等等，模型的選擇影響最終所訓練得到的識別模型的精確度，因此，實際應用中可以選擇多種模型進行訓練，而訓練過程較為耗時，需要複雜、迭代，不斷地去錯誤嘗試和重複。訓練過程的另一方面，是選取合適的特徵。本實施例中所確定的特徵，可以包括有用戶特徵、目標用戶對服務的使用特徵以及目標用戶當前所使用服務的服務特徵。具體的，所述用戶特徵可以包括：用戶的個人特徵或身份特徵等，例如年齡、性別、教育程度、職業、所在行業、工作單位或工作單位是否為企業用戶等等。上述用戶特徵可以指示用戶對付費服務的偏好或需求，因此可以透過該用戶特徵對用戶對付費服務的偏好或需求。例如，某種職業的用戶可能需要使用較大的儲存空間，對付費服務的偏好較大；或者，年齡較大的用戶可能對付費服務的偏好較小等等，透過該用戶特徵可以一定程度上預測用戶對付費服務的偏好或需求。所述使用特徵包括如下一種或多種：使用時間範圍特徵、使用時長特徵、使用頻度特徵、已使用儲存空間特徵或已使用儲存數量特徵。上述使用特徵可以由客戶端或伺服端透過持續收集用戶使用服務的資料而確定，上述使用特徵也可能會指示用戶對付費服務的需求，例如使用頻度較多的用戶更有可能需要各類付費服務，儲存空間使用較多的用戶更有可能需要升級付費服務等等。透過該用戶特徵可以一定程度上預測用戶對付費服務的偏好或需求。本實施例中，目標用戶當前所使用服務的服務特徵包括如下一種或多種：儲存空間特徵、文件夾數量特徵、功能類型特徵、儲存數量特徵、儲存總量特徵、計算單位峰值特徵、計算總量特徵、網路下載速度特徵、網路上傳速度特徵、網路下載總量特徵或網路上傳總量特徵。透過上述方式，服務方準備好樣本資料，選取好目標特徵和模型，即可預先訓練出推薦方案模型，在推薦方案模型訓練完成後，該推薦方案模型可以設置於電子設備中或者也可以設置於伺服端中，在需要時，可以獲取目標用戶的付費服務推薦方案。具體的獲取付費服務推薦方案的過程，可以是獲取目標用戶的用戶特徵以及目標用戶對服務的使用特徵並輸入至該推薦方案模型中，利用該模型輸出匹配該目標用戶的付費服務推薦方案。可以理解，獲取付費服務推薦方案時所輸入的特徵可以與訓練過程中所使用的特徵類型大致相同。可選的，付費服務推薦方案中包括如下一種或多種資訊：付費服務類型、推薦頻度、推薦時間或推薦位置。其中，付費服務推薦方案中的付費服務類型指示服務方所提供的若干種付費服務的其中一個或多個；推薦頻度指示付費服務方案的推薦頻率，例如用戶每次打開頁面就推薦一次，或者是每天推薦一次，或者是每隔一定時間間隔推薦一次等等；推薦時間指示付費服務方案的在什麼時間段或時刻推薦給用戶，該推薦時間可以是不影響用戶使用服務的時間等；推薦位置可以是服務方所提供的多個頁面中的其中一個或多個，或者還可以是具體某個頁面的某個具體位置，從而使得用戶可以及時查閱到付費服務推薦方案。透過上述資訊，可以動態地進行服務推薦，例如可以在所述目標用戶使用服務的頁面中輸出付費推薦入口，使得推薦的付費服務符合用戶的偏好和需求。如圖2所示，是本說明書根據一示例性實施例示出一種服務推薦的介面示意圖，圖2中以一知識庫服務產品為例，該產品為用戶提供網路雲端硬碟和文件共享等服務，用戶可以上傳文件儲存於服務方為其提供的網路儲存空間中。該知識庫服務產品可應用本實施例的服務推薦方案，在用戶使用服務的過程中，透過用戶特徵、目標用戶對服務的使用特徵(例如當前該用戶已使用的儲存空間大小、所上傳的文件數量或建立的文件夾數量等)以及所述目標用戶當前所使用服務的服務特徵(例如當前用戶使用免費服務)，進而將獲取的特徵輸入至推薦方案模型，獲取所述推薦方案模型輸出的針對該目標用戶的付費服務推薦方案，利用該付費服務推薦方案，可以在目標用戶使用服務的頁面中動態輸出付費推薦入口。具體的，圖2所示實施例的付費推薦入口為“升級Pro用戶，享受更多知識庫”的矩形框，用戶可以觸發該付費推薦入口進入付費服務購買頁面。由上述實施例可見，本實施例可以預先配置有推薦方案模型，透過獲取目標用戶的用戶特徵、所述目標用戶對服務的使用特徵以及所述目標用戶當前所使用服務的服務特徵，可以輸出針對目標用戶的付費服務推薦方案，因此可以為目標用戶輸入符合其需求的付費服務，實現了付費服務的動態推薦，推薦精準度較高。與前述服務推薦方法的實施例相對應，本說明書還提供了服務推薦裝置及其所應用的設備的實施例。本說明書服務推薦裝置的實施例可以應用在電腦設備上，例如伺服器或終端設備。裝置實施例可以透過軟體實現，也可以透過硬體或者軟硬體結合的方式實現。以軟體實現為例，作為一個邏輯意義上的裝置，是透過其所在文件處理的處理器將非揮發性記憶體中對應的電腦程式指令讀取到記憶體中運行形成的。從硬體層面而言，如圖3所示，為本說明書實施例服務推薦裝置所在電腦設備的一種硬體結構圖，除了圖3所示的處理器310、記憶體330、網路介面320、以及非揮發性記憶體340之外，實施例中裝置331所在的伺服器或電子設備，通常根據該電腦設備的實際功能，還可以包括其他硬體，對此不再贅述。如圖4所示，圖4是本說明書根據一示例性實施例示出的一種服務推薦裝置的方塊圖，所述裝置包括：特徵獲取模組41，用於：獲取目標用戶的如下特徵：用戶特徵、所述目標用戶對服務的使用特徵以及所述目標用戶當前所使用服務的服務特徵；方案獲取模組42，用於：將獲取的特徵輸入至推薦方案模型，獲取所述推薦方案模型輸出的針對所述目標用戶的付費服務推薦方案；推薦模組43，用於：利用所述付費服務推薦方案對所述目標用戶進行付費服務推薦。可選的，所述推薦模組，具體用於：在所述目標用戶使用服務的頁面中輸出付費推薦入口。可選的，所述使用特徵包括如下一種或多種：使用時間範圍特徵、使用時長特徵、使用頻度特徵、已使用儲存空間特徵或已使用儲存數量特徵。可選的，所述服務特徵包括如下一種或多種：儲存空間特徵、文件夾數量特徵、功能類型特徵、儲存數量特徵、儲存總量特徵、計算單位峰值特徵、計算總量特徵、網路下載速度特徵、網路上傳速度特徵、網路下載總量特徵或網路上傳總量特徵。可選的，所述付費服務推薦方案中包括如下一種或多種資訊：付費服務類型、推薦頻度、推薦時間或推薦位置。相應的，本說明書還提供一種服務推薦設備，包括記憶體、處理器及儲存在記憶體上並可在處理器上運行的電腦程式，其中，所述處理器執行所述程式時實現如下方法：獲取目標用戶的如下特徵：用戶特徵、所述目標用戶對服務的使用特徵以及所述目標用戶當前所使用服務的服務特徵；將獲取的特徵輸入至推薦方案模型，獲取所述推薦方案模型輸出的針對所述目標用戶的付費服務推薦方案；利用所述付費服務推薦方案對所述目標用戶進行付費服務推薦。上述服務推薦裝置中各個模組的功能和作用的實現過程具體詳見上述服務推薦方法中對應步驟的實現過程，在此不再贅述。對於裝置實施例而言，由於其基本對應於方法實施例，所以相關之處參見方法實施例的部分說明即可。以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的模組可以是或者也可以不是物理上分開的，作為模組顯示的部件可以是或者也可以不是物理模組，即可以位於一個地方，或者也可以分佈到多個網路模組上。可以根據實際的需要選擇其中的部分或者全部模組來實現本說明書方案的目的。本領域普通技術人員在不付出創造性勞動的情況下，即可以理解並實施。上述對本說明書特定實施例進行了描述。其它實施例在所附申請專利範圍的範圍內。在一些情況下，在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外，在圖式中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中，多任務處理和並行處理也是可以的或者可能是有利的。本領域技術人員在考慮說明書及實踐這裡申請的發明後，將容易想到本說明書的其它實施方案。本說明書旨在涵蓋本說明書的任何變型、用途或者適應性變化，這些變型、用途或者適應性變化遵循本說明書的一般性原理並包括本說明書未申請的本技術領域中的公知常識或慣用技術手段。說明書和實施例僅被視為示例性的，本說明書的真正範圍和精神由下面的申請專利範圍指出。應當理解的是，本說明書並不局限於上面已經描述並在圖式中示出的精確結構，並且可以在不脫離其範圍進行各種修改和改變。本說明書的範圍僅由所附的申請專利範圍來限制。以上所述僅為本說明書的較佳實施例而已，並不用以限制本說明書，凡在本說明書的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本說明書保護的範圍之內。

102，104，106:步驟 310:處理器 320:網路介面 330:記憶體 340:非揮發性記憶體 331:服務推薦裝置 41:特徵獲取模組 42:方案獲取模組 43:推薦模組

此處的圖式被併入說明書中並構成本說明書的一部分，示出了符合本說明書的實施例，並與說明書一起用於解釋本說明書的原理。圖1是本說明書根據一示例性實施例示出的一種服務推薦方法的流程圖。圖2是本說明書根據一示例性實施例示出的一種方法的應用場景圖。圖3是本說明書實施例服務推薦裝置所在電腦設備的一種硬體結構圖。圖4是本說明書根據一示例性實施例示出的一種服務推薦裝置的方塊圖。

Claims

一種服務推薦方法，包括：至少獲取目標用戶的如下特徵：用戶特徵、所述目標用戶對服務的使用特徵以及所述目標用戶當前所使用服務的服務特徵；將獲取的特徵輸入至推薦方案模型，獲取所述推薦方案模型輸出的針對所述目標用戶的付費服務推薦方案，所述推薦方案模型基於用戶資料、用戶對所述服務的歷史使用資料以及所述服務的特徵資料訓練得到，其中，所述歷史使用資料包括用於表示所述用戶使用所述免費服務轉變為使用所述付費服務的資料，所述服務特徵資料包括用於表示所述付費服務與所述免費服務的區別的資料；利用所述付費服務推薦方案對所述目標用戶進行付費服務推薦。
根據申請專利範圍第1項所述的方法，其中，所述對所述目標用戶進行付費服務推薦，包括：在所述目標用戶使用服務的頁面中輸出付費推薦入口。
根據申請專利範圍第1項所述的方法，其中，所述使用特徵包括如下一種或多種：使用時間範圍特徵、使用時長特徵、使用頻度特徵、已使用儲存空間特徵或已使用儲存數量特徵。
根據申請專利範圍第1項所述的方法，其中，所述服務特徵包括如下一種或多種：儲存空間特徵、文件夾數量特徵、功能類型特徵、儲存數量特徵、儲存總量特徵、計算單位峰值特徵、計算總量特徵、網路下載速度特徵、網路上傳速度特徵、網路下載總量特徵或網路上傳總量特徵。
根據申請專利範圍第1項所述的方法，其中，所述付費服務推薦方案中包括如下一種或多種資訊：付費服務類型、推薦頻度、推薦時間或推薦位置。
一種服務推薦裝置，包括：特徵獲取模組，用於：至少獲取目標用戶的如下特徵：用戶特徵、所述目標用戶對服務的使用特徵以及所述目標用戶當前所使用服務的服務特徵；方案獲取模組，用於：將獲取的特徵輸入至推薦方案模型，獲取所述推薦方案模型輸出的針對所述目標用戶的付費服務推薦方案，所述推薦方案模型基於用戶資料、用戶對所述服務的歷史使用資料以及所述服務的特徵資料訓練得到，其中，所述歷史使用資料包括用於表示所述用戶使用所述免費服務轉變為使用所述付費服務的資料，所述服務特徵資料包括用於表示所述付費服務與所述免費服務的區別的資料；推薦模組，用於：利用所述付費服務推薦方案對所述目標用戶進行付費服務推薦。
根據申請專利範圍第6項所述的裝置，其中，所述推薦模組，具體用於：在所述目標用戶使用服務的頁面中輸出付費推薦入口。
根據申請專利範圍第6項所述的裝置，其中，所述使用特徵包括如下一種或多種：使用時間範圍特徵、使用時長特徵、使用頻度特徵、已使用儲存空間特徵或已使用儲存數量特徵。
根據申請專利範圍第6項所述的裝置，其中，所述服務特徵，包括如下一種或多種：儲存空間特徵、文件夾數量特徵、功能類型特徵、儲存數量特徵、儲存總量特徵、計算單位峰值特徵、計算總量特徵、網路下載速度特徵、網路上傳速度特徵、網路下載總量特徵或網路上傳總量特徵。
根據申請專利範圍第6項所述的裝置，其中，所述付費服務推薦方案中包括如下一種或多種資訊：付費服務類型、推薦頻度、推薦時間或推薦位置。
一種服務推薦設備，包括記憶體、處理器及儲存在記憶體上並可在處理器上運行的電腦程式，其中，所述處理器執行所述程式時實現如下方法：至少獲取目標用戶的如下特徵：用戶特徵、所述目標用戶對服務的使用特徵以及所述目標用戶當前所使用服務的服務特徵；將獲取的特徵輸入至推薦方案模型，獲取所述推薦方案模型輸出的針對所述目標用戶的付費服務推薦方案，所述推薦方案模型基於用戶資料、用戶對所述服務的歷史使用資料以及所述服務的特徵資料訓練得到，其中，所述歷史使用資料包括用於表示所述用戶使用所述免費服務轉變為使用所述付費服務的資料，所述服務特徵資料包括用於表示所述付費服務與所述免費服務的區別的資料；利用所述付費服務推薦方案對所述目標用戶進行付費服務推薦。