CN109934648A - 一种基于信息协同过滤算法的集团产品推荐方法及装置 - Google Patents
一种基于信息协同过滤算法的集团产品推荐方法及装置 Download PDFInfo
- Publication number
- CN109934648A CN109934648A CN201711350447.1A CN201711350447A CN109934648A CN 109934648 A CN109934648 A CN 109934648A CN 201711350447 A CN201711350447 A CN 201711350447A CN 109934648 A CN109934648 A CN 109934648A
- Authority
- CN
- China
- Prior art keywords
- group
- customer
- client
- product subscription
- similarity
- 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
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于信息协同过滤算法的集团产品推荐方法及装置。所述方法包括:对于有产品订购关系的第一集团客户,根据所述第一集团客户的基础信息和产品订购关系,利用协同过滤算法进行相似度计算,获得所述第一集团客户与相似集团客户的相似度;根据所述相似集团客户的产品订购关系,利用所述第一集团客户与相似集团客户的相似度,获取针对所述第一集团客户的推荐产品及其推荐度。本发明基于信息协同过滤算法根据集团客户的产品订购关系进行精确推荐,为一线集团客户经理提供个性化的产品推荐和商机指引,提升一线客户经理营销服务效率及效果。
Description
技术领域
本发明涉及集团客户业务大数据营销领域,更具体地,涉及一种基于信息协同过滤算法的集团产品推荐方法及装置。
背景技术
在电信运营商领域,面向集团单位客户,如何基于集团单位客户群体的通信消费行为数据,实现集团客户精准营销的大数据应用几乎空白。目前对集团客户的产品推荐,主要依靠客户经理,通过查询集团客户的基础数据及产品订购数据,根据固定的集团基础信息表和产品信息表,依赖自身经验进行相关营销维系工作。客户经理面对庞大的客户数据,没有个性化的商机指引,缺乏精准的服务指引,使得客户经理营销服务效率及效果都不理想。
目前客户经理主要依赖业务经验进行客户营销服务,存在如下弊端影响:
1、目标集团客户筛选不精准、全面:客户经理根据集团客户基础信息和产品订购关系,依赖经验人工制定筛选条件进行目标集团客户筛选。当人工设置的筛选条件过少,筛选出的目标集团客户会泛而不精;当人工设置的筛选条件设置过多或设置错误,又会导致很多潜在的目标集团客户没有被挖掘出来。
2、推荐产品不精准:人工方式是根据产品特性进行推荐,而不是根据集团用户真正的需要进行推荐。
3、难以提供案例营销:客户经理无法从海量集团用户中,高效地筛选出与目标客户相似度很高、且使用了所推荐产品的客户案例,面向目标客户营销时缺乏更强的说服力。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的基于信息协同过滤算法的集团产品推荐方法及装置。
根据本发明的一个方面,提供一种基于信息协同过滤算法的集团产品推荐方法,包括:
对于有产品订购关系的第一集团客户,根据所述第一集团客户的基础信息和产品订购关系,利用协同过滤算法进行相似度计算,获得针对所述第一集团客户与相似集团客户的相似度;
根据所述相似集团客户的产品订购关系,利用所述第一集团客户与相似集团客户的相似度,获取针对所述第一集团客户的推荐产品及其推荐度。
根据本发明的另一个方面,还提供一种基于信息协同过滤算法的集团产品推荐装置,包括相似度计算模块和推荐度模块;
所述相似度计算模块,用于对于有产品订购关系的第一集团客户,根据所述第一集团客户的基础信息和产品订购关系,利用协同过滤算法进行相似度计算,获得针对所述第一集团客户与相似集团客户的相似度;
所述推荐度模块,用于根据所述相似集团客户的产品订购关系,利用所述第一集团客户与相似集团客户的相似度,获取针对所述第一集团客户的推荐产品及其推荐度。
根据本发明的另一个方面,还提供电子设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行本发明实施例基于信息协同过滤算法的集团产品推荐方法及其任一可选实施例的方法。
根据本发明的另一个方面,提供一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行本发明实施例基于信息协同过滤算法的集团产品推荐方法及其任一可选实施例的方法。
本发明提出一种基于信息协同过滤算法的集团产品推荐方法,基于信息协同过滤算法根据集团客户的产品订购关系进行精确推荐,为一线集团客户经理提供个性化的产品推荐和商机指引,提升一线客户经理营销服务效率及效果。
附图说明
图1为本发明实施例一种基于信息协同过滤算法的集团产品推荐方法流程示意图;
图2为本发明实施例基于信息协同过滤算法的集团产品推荐方法第二流程示意图;
图3为本发明实施例一种电子设备的框架示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
在详细说明之前首先对本发明实施例使用的协同过滤推荐算法进行介绍。
协同过滤推荐(Collaborative Filtering recommendation)是在信息过滤和信息***中一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同,协同过滤分析用户兴趣,在用户群中找到指定用户的相似用户,综合这些相似用户对某一信息的评价,形成***对该指定用户对此信息的喜好程度预测。主要分为以用户为基础的协同过滤和以项目为基础的协同过滤。协同过滤推荐包括欧几里得距离计算和欧几里得相似度计算。
其中,欧几里得距离计算公式如下:
式中x,y表示两个对象在n个维度上的两点,n表示n个维度。
其中,欧几里得相似度计算公式如下:
图1为本发明实施例一种基于信息协同过滤算法的集团产品推荐方法流程示意图,如图1所示的基于信息协同过滤算法的集团产品推荐方法,包括:
S100,对于有产品订购关系的第一集团客户,根据所述第一集团客户的基础信息和产品订购关系,利用协同过滤算法进行相似度计算,获得所述第一集团客户与相似集团客户的相似度;
本发明实施例步骤S100之前要收集集团客户的相关信息,进行数据准备,包括基础信息和产品订购关系。所述产品订购关系主要包括:集团对所有类型集团产品的订购情况。根据集团是否有订购集团产品,分成无订购关系集团基础信息和有订购关系的集团基础信息和产品订购信息。步骤100对有产品订购关系的集团客户进行相似度计算。
S200,根据所述相似集团客户的产品订购关系,利用所述第一集团客户与相似集团客户的相似度,获取针对所述第一集团客户的推荐产品及其推荐度。
本发明实施例提出一种基于信息协同过滤算法的集团产品推荐方法,基于信息协同过滤算法根据集团客户的产品订购关系进行精确推荐,为一线集团客户经理提供个性化的产品推荐和商机指引,提升一线客户经理营销服务效率及效果。
在一个可选的实施例中,所述基于信息协同过滤算法的集团产品推荐方法还包括:
S201,对于无产品订购关系的第二集团客户,根据所述第二集团客户所属行业的其他集团客户的产品订购关系,获取所述第二集团客户的推荐产品及其推荐度。
本发明实施例步骤S201对无产品订购关系的第二集团客户进行产品推荐时,采用依据行业属性为推荐依据。基于上述实施例,本发明实施例对于无产品订购关系的集团客户,采用依据行业属性为推荐依据;对于有产品订购关系的集团客户,采用以用户为基础的协同过滤算法进行相似度计算再进行产品推荐。
本发明实施例中,第一集团客户和第二集团客户均为接受推荐的集团客户,相似集团客户为推荐的依据。
由于协同过滤推荐算法是以集团客户之间的相似度来进行产品推荐,是以集团客户现有的产品订购情况为依据的客观评估,可能会出现推荐的产品,是比较老旧,推荐度较低的产品。使用产品的匹配分析方法,将低推荐度产品优化为推荐度高的类似产品。因此本发明实施例在上述实施例的基础上还提供一种最成功营销案例的推荐方法,如下述:
在一个可选的实施例中,所述基于信息协同过滤算法的集团产品推荐方法还包括:
S300,根据集团客户的产品订购关系,筛选订购了所述推荐产品且与目标集团客户相似度最高的第三集团客户,所述目标集团客户为第一集团客户或第二集团客户;将所述第三集团客户、所述第三集团客户订购的推荐产品及其推荐度作为营销案例推荐给所述目标集团客户。
本发明实施例根据步骤S200或步骤S201的结果,对计算优化后的推荐产品,进一步筛选,获取相似度最高的集团客户,并将相似度最高的集团客户的订购产品及定购产品的推荐度提供给目标客户,作为推荐给目标客户的最佳营销案例。
本发明实施例所述目标客户为步骤S200中的第一集团客户或步骤 S201中的第二集团客户。
在一个可选的实施例中,步骤S100,所述对于有产品订购关系的第一集团客户,根据所述第一集团客户的基础信息和产品订购关系,利用协同过滤算法进行相似度计算,获得所述第一集团客户与相似集团客户的相似度,具体包括:
S100.1,根据集团客户的基础信息和产品订购关系,构建集团客户信息矩阵;其中所述集团客户的基础信息包括集团ID、客户名称、价值等级、集团人数、集团收入规模、行业归属和垂直行业归属;
S100.2,对所述集团客户信息矩阵进行归一化处理,使所述集团客户信息矩阵中价值等级、集团人数和产品订购关系量化在[0,1]之间;
S100.3,计算所述集团客户信息矩阵中所述第一集团客户和相似集团客户的欧几里得距离,并利用所述欧几里得距离计算所述第一集团客户和相似集团客户的相似度。
具体的,所述价值等级可以从集团客户的“影响力价值”、“贡献价值”、“忠诚价值”三个维度,将集团客户分为ABCD四类价值等级。
具体的,所述基础信息主要包括:集团ABCD类、集团规模、集团人数、集团收入规模、行业归属和垂直行业归属等。所述产品订购关系包括:专线订购、融合通道订购、物联网订购、集团短彩信订购和短信通订购等。
具体实例请参见表1和表2。
表1集团ID和集团名称
集团ID | 集团名称 |
集团A | 国**南省**公司**县**分公司 |
集团B | 湖**岳阳市**市**局 |
集团C | 心**集团有限公司**分公司 |
集团D | 国**南省**公司**市**分公司 |
集团E | 嘉****有限公司 |
… | … |
表2集团客户基础信息和产品订购信息
具体的,步骤S100.2,对所述集团客户信息矩阵进行归一化处理,使所述集团客户信息矩阵中价值等级、集团人数和产品订购关系量化在[0,1]之间,具体包括:
首先,使用z-score方法进行标准化处理,公式为:
其中,ri是集团信息值,u是指标值的平均值,σ是指标值的标准差。
对于表2,集团信息标准化结果为:
其次进行归一化处理,公式为:
其中,zi是集团业务指标标准化结果。
对于表2,集团客户信息进行归一化处理结果为:
具体的,步骤S100.3,计算所述集团客户信息矩阵中所述第一集团客户和相似集团客户的欧几里得距离,并利用所述欧几里得距离计算所述第一集团客户和相似集团客户的相似度,其中,欧几里得距离计算公式为:
其中,x,y表示两个集团客户在n维空间的两点,n表示集团客户的n个属性(n维)。
在一个具体实例中,各集团客户间欧几里得距离计算结果如表3:
表3
欧几里得距离 | 集团A | 集团B | 集团C | 集团D | 集团E | …… |
集团A | - | 3.0186 | 2.9012 | 2.0318 | 3.2632 | - |
集团B | 3.0186 | - | 2.6906 | 3.0092 | 3.0728 | - |
集团C | 2.9012 | 2.6906 | - | 3.1761 | 3.1672 | - |
集团D | 2.0318 | 3.0092 | 3.1761 | - | 2.0318 | - |
集团E | 3.2632 | 3.0728 | 3.1672 | 2.0318 | - | - |
…… | …… | …… | …… | …… | …… | - |
欧几里得相似度计算公式:
在一个具体实例中,各单位间欧几里得相似度计算结果如表4:
表4
欧几里得相似度 | 集团A | 集团B | 集团C | 集团D | 集团E | …… |
集团A | - | 0.24884 | 0.25633 | 0.32984 | 0.23457 | - |
集团B | 0.24884 | - | 0.27096 | 0.24943 | 0.24553 | - |
集团C | 0.25633 | 0.27096 | - | 0.23946 | 0.23997 | - |
集团D | 0.32984 | 0.24943 | 0.23946 | - | 0.28624 | - |
集团E | 0.23457 | 0.24553 | 0.23997 | 0.28624 | - | - |
…… | …… | …… | …… | …… | …… | - |
通过上述计算,得到了集团客户间的相似度,利用集团客户间的相似度,可以为根据一个集团客户的产品定购关系为另一个具有相似度的集团客户推荐产品。
在一个可选的实施例中,步骤S200,所述根据所述相似集团客户的产品订购关系,利用所述第一集团客户与相似集团客户的相似度,获取针对所述第一集团客户的推荐产品及其推荐度,具体包括:
利用下式获取所述第一集团客户的推荐产品及其推荐度predx,p:
其中,x为所述第一集团客户,p为集团产品,y为相似集团客户, sim(x,y)为第一集团客户x和相似集团客户y的相似度,r为所述相似集团客户的产品订购关系,n表示所有集团客户数,m为所述第二集团客户所属行业下的所有集团客户数,即相似集团客户y的个数。
本发明实施例是根据步骤S100计算的相似度,为有产品订购关系的集团客户进行产品推荐。
在一个具体实例中,集团客户间的相似度、产品订购关系和产品推荐度分别如表5、表6和表7所示。
表5集团客户间的相似度
表6产品订购关系ry,p:
推荐集团ID | 专线订购 | 融合通信订购 | 物联网订购 | 集团短彩信订购 | 短码通订购 | … |
集团A | 0 | 0 | 0 | 1 | 1 | |
集团B | 1 | 1 | 0 | 0 | 1 | |
集团C | 0 | 1 | 0 | 0 | 1 | |
集团D | 1 | 0 | 1 | 0 | 0 | |
集团E | 1 | 0 | 1 | 0 | 0 | |
…… | …… | …… | …… | …… | …… |
表7集团客户产品推荐度:
推荐集团ID | 推荐产品 | 推荐度 |
集团A | 专线 | 76.03% |
集团B | 物联网 | 48.78% |
集团C | 专线 | 74.54% |
集团D | 短码通 | 52.42% |
集团E | 融合通信 | 48.25% |
在一个可选的实施例中,步骤S201,所述对于无产品订购关系的第二集团客户,根据所述第二集团客户所属行业的其他集团客户的产品订购关系,获取针对所述第二集团客户的推荐产品及其推荐度,具体包括:
利用下式获取所述第二集团客户的推荐产品及其推荐度predind:
其中,ind表示所述第二集团客户所属行业下的所有的其他集团客户,all表示所有集团客户,p为集团产品,r为其他集团客户的产品订购关系,n为所述第二集团客户所属行业下的所有的其他集团客户的个数。
本发明实施例为无产品订购关系的集团客户进行产品推荐。
在一个具体实例中,集团客户总数、总的产品订购关系、行业集团客户数、行业的产品订购关系和团客户依据行业属性推荐度分别如表8、表9、表10、表11和表12所示。
表8 count(all):
集团总数 | 集团总数 |
count(all) | 339408 |
表9 rall,p:
推荐产品 | 专线 | 融合通信 | 物联网 | 集团短彩信 | 短码通 |
r<sub>all,p</sub> | 44149 | 6814 | 20501 | 8765 | 45941 |
表10 Count(ind):
Count(ind) | 集团客户数 |
农林牧渔业 | 65472 |
采矿业 | 3861 |
制造业 | 25415 |
电力,燃气及水的生产和供应业 | 3298 |
建筑业 | 8630 |
交通运输仓储和邮政业 | 8394 |
信息传输计算机服务和软件业 | 17371 |
批发和零售业 | 65579 |
住宿和餐饮业 | 16452 |
金融业 | 6561 |
房地产业 | 5436 |
租赁和商务服务业 | 8889 |
科学研究、技术服务和地质勘查业 | 2643 |
水利、环境和公共设施管理业 | 1990 |
居民服务和其他服务业 | 40288 |
教育 | 15968 |
卫生、社会保障和社会福利业 | 7145 |
文化、体育和娱乐业 | 7200 |
公共管理和社会组织 | 28707 |
国际组织 | 34 |
表11 rind,p:
表12集团客户依据行业属性推荐度:
推荐产品 | 专线 | 融合通信 | 物联网 | 集团短彩信 | 短码通 |
农林牧渔业 | 21.61% | 32.94% | 71.90% | 52.24% | 72.53% |
采矿业 | 39.90% | 23.88% | 78.49% | 38.11% | 68.13% |
制造业 | 44.77% | 36.45% | 66.87% | 22.73% | 78.37% |
电力,燃气及水的生产和供应业 | 30.30% | 41.66% | 52.14% | 84.31% | 35.49% |
建筑业 | 61.37% | 29.62% | 66.69% | 21.99% | 72.61% |
交通运输仓储和邮政业 | 22.51% | 74.29% | 65.26% | 29.38% | 60.40% |
信息传输计算机服务和软件业 | 84.52% | 39.98% | 50.24% | 39.66% | 29.29% |
批发和零售业 | 58.76% | 47.20% | 72.34% | 16.06% | 61.07% |
住宿和餐饮业 | 80.32% | 46.78% | 45.77% | 20.11% | 56.74% |
金融业 | 42.56% | 35.98% | 26.52% | 82.60% | 58.36% |
房地产业 | 46.32% | 71.54% | 48.88% | 17.35% | 69.66% |
租赁和商务服务业 | 63.27% | 18.97% | 77.53% | 44.42% | 47.36% |
科学研究、技术服务和地质勘查业 | 43.26% | 27.60% | 81.28% | 62.75% | 31.99% |
水利、环境和公共设施管理业 | 42.24% | 32.95% | 50.33% | 84.64% | 33.26% |
居民服务和其他服务业 | 64.77% | 41.50% | 80.28% | 24.85% | 36.29% |
教育 | 58.68% | 40.21% | 20.73% | 50.03% | 80.00% |
卫生、社会保障和社会福利业 | 57.81% | 51.02% | 15.36% | 70.45% | 61.81% |
文化、体育和娱乐业 | 18.06% | 49.75% | 75.15% | 65.83% | 44.03% |
公共管理和社会组织 | 30.53% | 70.22% | 28.93% | 78.09% | 39.96% |
国际组织 | 51.02% | 83.18% | 28.14% | 51.20% | 32.09% |
在一个可选的实施例中,步骤S300中,所述根据集团客户的产品订购关系,筛选订购了所述推荐产品且与目标集团客户相似度最高的第三集团客户,具体包括:
S300.1,从所述集团客户信息矩阵中筛选订购了所述推荐产品的待选集团客户;
S300.2,根据所述待选集团客户的基础信息和产品订购关系,利用协同过滤算法进行相似度计算,获取与所述目标集团客户相似度最高的第三集团客户。
本发明实施例S300.2中利用协同过滤算法进行相似度计算,与步骤S200中利用协同过滤算法进行相似度计算,是相同的处理,只是步骤S300.2的初始数据是订购了所述推荐产品的集团客户,而步骤S200 的初始数据所有有产品订购关系的集团客户。
在一个具体实例中,集团客户产品推荐对应成功案例如表13:
表13
推荐集团名称 | 成功案例集团 |
国**南省**公司**县**分公司 | 国**南省**公司**市**分公司 |
湖**岳阳市**市**局 | 湖****市**县**湖**局 |
心**集团有限公司**分公司 | 深****株洲分公司 |
国**南省**公司**分公司 | 国**南省**公司**县**分公司 |
嘉****有限公司 | 郴****县**乡**村 |
图2为本发明实施例基于信息协同过滤算法的集团产品推荐方法第二流程示意图,综上所述,
为解决现有技术问题,本发明实施例提出一种基于信息协同过滤算法的集团产品推荐方法,主要流程包括:
第一步数据准备:准备好集团客户基础信息和产品订购信息数据。
第二步相似度计算:针对无产品订购关系的集团,采用以集团客户行业属性(客户基础信息)作为推荐依据;针对有产品订购关系的集团,在准备好的数据上建立集团客户基础信息及产品订购信息矩阵,将矩阵的集团客户信息进行归一化处理,进行欧几里得算法距离计算和相似度。
第三步产品推荐及优化:由第二步生成集团客户产品推荐度信息,并结合产品相似度分析,优化低推荐度的产品。
第四步案例推荐:根据优化后的推荐产品,二次利用协同过滤算法,输出与目标集团相似度最高、而且使用了所推荐产品的成功案例。
第五步输出结果:生成目标集团客户产品推荐度数据,以及与目标客户相似度最高的成功营销案例。
本发明实施例基于集团单位客户的基础信息和通信消费信息数据,提供了一种基于信息协同过滤算法的集团产品推荐装置,为一线集团客户经理提供个性化的产品推荐和商机指引,提升一线客户经理营销服务效率及效果。本发明旨在解决:
1、精准筛选目标集团客户:采用以用户为基础的协同过滤算法,利用欧几里得相似度计算,分析全量集团客户的相似度信息,全面、精准地筛选出推荐目标集团客户。
2、精确的个性化产品推荐:使用协同过滤算法,生成集团客户个性化的产品推荐度,结合产品相似度分析,优化低推荐度的产品,生成集团客户精确的个性化产品推荐数据。
3、提供相似度最高的成功案例:本方案在生成目标集团客户的产品推荐数据的同时,通过二次利用协同过滤算法,输出与目标集团相似度最高而且使用了此产品的成功案例,供客户经理进行营销的参考案例。
本发明实施例所述基于信息协同过滤算法的集团产品推荐方法,与现有技术相比,具有如下有益效果:
1、采用以用户为基础的协同过滤算法,分析全量集团客户的相似度信息,能更加全面、精准地筛选出推荐目标集团客户。
2、使用协同过滤算法结合集团产品相似度分析,优化低推荐度的产品推荐,生成更为合理、适用的集团客户个性化产品推荐。
3、提供和目标集团客户相似度最高且已使用了所推荐产品的其他客户,作为成功案例,供客户经理进行营销的参考案例,使客户营销更有说服力。
本发明实施例还提供一种基于信息协同过滤算法的集团产品推荐装置,包括相似度计算模块和推荐度模块;
所述相似度计算模块,用于对于有产品订购关系的第一集团客户,根据所述第一集团客户的基础信息和产品订购关系,利用协同过滤算法进行相似度计算,获得所述第一集团客户与相似集团客户的相似度;
所述推荐度模块,用于根据所述相似集团客户的产品订购关系,利用所述第一集团客户与相似集团客户的相似度,获取针对所述第一集团客户的推荐产品及其推荐度。
本发明实施例的装置,可用于执行图1所示的可见光通信与WiFi 异构***的切换方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
在一个可选的实施例中,所述装置还包括第二推荐模块,所述第二推荐模块用于:
对于无产品订购关系的第二集团客户,根据所述第二集团客户所属行业的其他集团客户的产品订购关系,获取针对所述第二集团客户的推荐产品及其推荐度。
在一个可选的实施例中,所述装置还包括营销案例推荐模块,所述营销案例推荐模块用于:
根据集团客户的产品订购关系,筛选订购了所述推荐产品且与目标集团客户相似度最高的第三集团客户;
将所述第三集团客户、所述第三集团客户订购的推荐产品及其推荐度作为营销案例推荐给所述目标集团客户。
在一个可选的实施例中,所述相似度计算模块,具体用于:
根据集团客户的基础信息和产品订购关系,构建集团客户信息矩阵;其中所述集团客户的基础信息包括集团ID、客户名称、价值等级、集团人数和垂直行业归属;
对所述集团客户信息矩阵进行归一化处理,使所述集团客户信息矩阵中价值等级、集团人数和产品订购关系量化在[0,1]之间;
计算所述集团客户信息矩阵中所述第一集团客户和相似集团客户的欧几里得距离,并利用所述欧几里得距离计算所述第一集团客户和相似集团客户的相似度。
在一个可选的实施例中,所述推荐度模块,具体用于:
利用下式获取所述第一集团客户的推荐产品及其推荐度predx,p:
其中,x为所述第一集团客户,p为集团产品,y为相似集团客户, sim(x,y)为第一集团客户x和相似集团客户y的相似度,r为所述相似集团客户的产品订购关系。
在一个可选的实施例中,第二推荐模块,具体用于:
利用下式获取所述第二集团客户的推荐产品及其推荐度predind:
其中,Ind表示所述第二集团客户所属行业下的所有的其他集团客户,all表示所有集团客户,p为集团产品,r为其他集团客户的产品订购关系。
在一个可选的实施例中,营销案例推荐模块,具体用于:
从所述集团客户信息矩阵中筛选订购了所述推荐产品的待选集团客户;
根据所述待选集团客户的基础信息和产品订购关系,利用协同过滤算法进行相似度计算,获取与所述目标集团客户相似度最高的第三集团客户。
图3示出了本发明实施例所述电子设备的框架示意图。
参照图3,所述电子设备,包括:处理器(processor)601、存储器 (memory)602和总线603;其中,所述处理器601和存储器602通过所述总线603完成相互间的通信;
所述处理器601用于调用所述存储器602中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:对于有产品订购关系的第一集团客户,根据所述第一集团客户的基础信息和产品订购关系,利用协同过滤算法进行相似度计算,获得所述第一集团客户与相似集团客户的相似度;根据所述相似集团客户的产品订购关系,利用所述第一集团客户与相似集团客户的相似度,获取所述第一集团客户的推荐产品及其推荐度。
本发明另一实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:对于有产品订购关系的第一集团客户,根据所述第一集团客户的基础信息和产品订购关系,利用协同过滤算法进行相似度计算,获得所述第一集团客户与相似集团客户的相似度;根据所述相似集团客户的产品订购关系,利用所述第一集团客户与相似集团客户的相似度,获取所述第一集团客户的推荐产品及其推荐度。
本发明另一实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:对于有产品订购关系的第一集团客户,根据所述第一集团客户的基础信息和产品订购关系,利用协同过滤算法进行相似度计算,获得所述第一集团客户与相似集团客户的相似度;根据所述相似集团客户的产品订购关系,利用所述第一集团客户与相似集团客户的相似度,获取所述第一集团客户的推荐产品及其推荐度。
本领域普通技术人员可以理解:实现上述设备实施例或方法实施例仅仅是示意性的,其中所述处理器和所述存储器可以是物理上分离的部件也可以不是物理上分离的,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方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于信息协同过滤算法的集团产品推荐方法,其特征在于,包括:
对于有产品订购关系的第一集团客户,根据所述第一集团客户的基础信息和产品订购关系,利用协同过滤算法进行相似度计算,获得所述第一集团客户与相似集团客户的相似度;
根据所述相似集团客户的产品订购关系,利用所述第一集团客户与相似集团客户的相似度,获取针对所述第一集团客户的推荐产品及其推荐度。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对于无产品订购关系的第二集团客户,根据所述第二集团客户所属行业的其他集团客户的产品订购关系,获取针对所述第二集团客户的推荐产品及其推荐度。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
根据集团客户的产品订购关系,筛选订购了所述推荐产品且与目标集团客户相似度最高的第三集团客户;所述目标集团客户为第一集团客户或第二集团客户;
将所述第三集团客户、所述第三集团客户订购的推荐产品及其推荐度作为营销案例推荐给所述目标集团客户。
4.根据权利要求3所述的方法,其特征在于,所述对于有产品订购关系的第一集团客户,根据所述第一集团客户的基础信息和产品订购关系,利用协同过滤算法进行相似度计算,获得所述第一集团客户与相似集团客户的相似度,具体包括:
根据集团客户的基础信息和产品订购关系,构建集团客户信息矩阵;其中所述集团客户的基础信息包括集团ID、客户名称、价值等级、集团人数、集团收入规模、行业归属和垂直行业归属;
对所述集团客户信息矩阵进行归一化处理,使所述集团客户信息矩阵中价值等级、集团人数和产品订购关系量化在[0,1]之间;
计算所述集团客户信息矩阵中所述第一集团客户和相似集团客户的欧几里得距离,并利用所述欧几里得距离计算所述第一集团客户和相似集团客户的相似度。
5.根据权利要求1所述的方法,其特征在于,所述根据所述相似集团客户的产品订购关系,利用所述第一集团客户与相似集团客户的相似度,获取针对所述第一集团客户的推荐产品及其推荐度,具体包括:
利用下式获取所述第一集团客户的推荐产品及其推荐度predx,p:
其中,x为所述第一集团客户,p为集团产品,y为相似集团客户,sim(x,y)为第一集团客户x和相似集团客户y的相似度,r为所述相似集团客户的产品订购关系,n为相似集团客户y的个数。
6.根据权利要求2所述的方法,其特征在于,所述对于无产品订购关系的第二集团客户,根据所述第二集团客户所属行业的其他集团客户的产品订购关系,获取针对所述第二集团客户的推荐产品及其推荐度,具体包括:
利用下式获取所述第二集团客户的推荐产品及其推荐度predind:
其中,ind表示所述第二集团客户所属行业下的所有的其他集团客户,all表示所有集团客户,p为集团产品,r为其他集团客户的产品订购关系,n表示所有集团客户数,m为所述第二集团客户所属行业下的所有集团客户数。
7.根据权利要求4所述的方法,其特征在于,所述根据集团客户的产品订购关系,筛选订购了所述推荐产品且与目标集团客户相似度最高的第三集团客户,具体包括:
从所述集团客户信息矩阵中筛选订购了所述推荐产品的待选集团客户;
根据所述待选集团客户的基础信息和产品订购关系,利用协同过滤算法进行相似度计算,获取与所述目标集团客户相似度最高的第三集团客户。
8.一种基于信息协同过滤算法的集团产品推荐装置,其特征在于,包括相似度计算模块和推荐度模块;
所述相似度计算模块,用于对于有产品订购关系的第一集团客户,根据所述第一集团客户的基础信息和产品订购关系,利用协同过滤算法进行相似度计算,获得针对所述第一集团客户与相似集团客户的相似度;
所述推荐度模块,用于根据所述相似集团客户的产品订购关系,利用所述第一集团客户与相似集团客户的相似度,获取针对所述第一集团客户的推荐产品及其推荐度。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711350447.1A CN109934648A (zh) | 2017-12-15 | 2017-12-15 | 一种基于信息协同过滤算法的集团产品推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711350447.1A CN109934648A (zh) | 2017-12-15 | 2017-12-15 | 一种基于信息协同过滤算法的集团产品推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109934648A true CN109934648A (zh) | 2019-06-25 |
Family
ID=66980067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711350447.1A Pending CN109934648A (zh) | 2017-12-15 | 2017-12-15 | 一种基于信息协同过滤算法的集团产品推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934648A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103377242A (zh) * | 2012-04-25 | 2013-10-30 | Tcl集团股份有限公司 | 用户行为分析方法、分析预测方法及电视节目推送*** |
CN103646092A (zh) * | 2013-12-18 | 2014-03-19 | 孙燕群 | 基于用户参与的搜索引擎排序方法 |
CN104021153A (zh) * | 2014-05-19 | 2014-09-03 | 江苏金智教育信息技术有限公司 | 一种校园图书的个性化推荐方法 |
CN106126669A (zh) * | 2016-06-28 | 2016-11-16 | 北京邮电大学 | 基于标签的用户协同过滤内容推荐方法及装置 |
CN107146112A (zh) * | 2017-05-16 | 2017-09-08 | 西华大学 | 一种移动互联网广告投放方法 |
-
2017
- 2017-12-15 CN CN201711350447.1A patent/CN109934648A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103377242A (zh) * | 2012-04-25 | 2013-10-30 | Tcl集团股份有限公司 | 用户行为分析方法、分析预测方法及电视节目推送*** |
CN103646092A (zh) * | 2013-12-18 | 2014-03-19 | 孙燕群 | 基于用户参与的搜索引擎排序方法 |
CN104021153A (zh) * | 2014-05-19 | 2014-09-03 | 江苏金智教育信息技术有限公司 | 一种校园图书的个性化推荐方法 |
CN106126669A (zh) * | 2016-06-28 | 2016-11-16 | 北京邮电大学 | 基于标签的用户协同过滤内容推荐方法及装置 |
CN107146112A (zh) * | 2017-05-16 | 2017-09-08 | 西华大学 | 一种移动互联网广告投放方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kos et al. | Digital technologies, hyper-transparency and smallholder farmer inclusion in global value chains | |
CN103548019B (zh) | 用于根据数据仓库提供统计信息的方法和*** | |
CN109858740A (zh) | 企业风险的评估方法、装置、计算机设备及存储介质 | |
CN110418200A (zh) | 一种视频推荐方法、装置及终端设备 | |
CN106952072A (zh) | 一种数据处理的方法及*** | |
CN109063945A (zh) | 一种基于价值评估体系的售电公司360度客户画像构建方法 | |
CN103927615A (zh) | 将实体与类别相关联 | |
CN105744005A (zh) | 客户定位分析方法及服务器 | |
CN107229730A (zh) | 数据查询方法及装置 | |
CN109636430A (zh) | 对象识别方法及其*** | |
CN105205188A (zh) | 采购物料供应商的推荐方法及推荐装置 | |
CN108629698A (zh) | 一种保险产品的定价方法、装置、终端设备及存储介质 | |
CN110111167A (zh) | 一种确定推荐对象的方法和装置 | |
CN107067282B (zh) | 一种消费品返利销售营销管理***及其使用方法 | |
CN108090759A (zh) | 一种支付渠道智能路由算法 | |
CN115170294A (zh) | 一种客户分类方法、装置及服务器 | |
CN109615504A (zh) | 产品推荐方法、装置、电子设备和计算机可读存储介质 | |
CN110097302A (zh) | 分配订单的方法和装置 | |
WO2014145853A1 (en) | Mapping consumer ownership of financial assets to geographic localities and computer-implemented methods and computer systems thereof | |
CN110473073A (zh) | 线性加权推荐的方法及装置 | |
EP3437060A1 (en) | Rule based hierarchical configuration | |
CN112215642A (zh) | 一种自动化广告多平台投放*** | |
Sperling et al. | The informal seed business: Focus on yellow bean in Tanzania | |
Atashsooz et al. | Interpretive structural modeling of petrochemical industry supply chain risks | |
KR20170094935A (ko) | 기업정보 제공 시스템 및 방법 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190625 |
|
RJ01 | Rejection of invention patent application after publication |