CN116796076A - 业务推荐方法、装置、设备及存储介质 - Google Patents
业务推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116796076A CN116796076A CN202311094854.6A CN202311094854A CN116796076A CN 116796076 A CN116796076 A CN 116796076A CN 202311094854 A CN202311094854 A CN 202311094854A CN 116796076 A CN116796076 A CN 116796076A
- Authority
- CN
- China
- Prior art keywords
- user
- group
- recommendation
- information
- population
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000006399 behavior Effects 0.000 claims description 54
- 230000000694 effects Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种业务推荐方法、装置、设备及存储介质,包括:获取待推荐业务,确定待推荐业务对应的初始用户画像;确定初始用户群体;获取初始用户群体中每个用户的目标用户信息和历史行为数据,确定推荐方案;基于推荐方案向初始用户群体发送待推荐业务的推荐信息,并提取有正向反馈的用户群体特征和有负向反馈的用户群体特征,进而确定群体差异特征及群体共同特征,然后对初始用户画像中的用户特征以及特征权重进行调整,得到目标用户画像;确定目标用户画像对应的目标用户群体,进而推荐待推荐业务,通过该方式可以准确找到对该业务有需求的用户群体,从而实现了精准推荐。此外,还提出了一种业务推荐装置、设备和存储介质。
Description
技术领域
本申请涉及计算机技术领域,特别涉及为一种业务推荐方法、装置、设备及存储介质。
背景技术
随着人工智能技术的发展,很多领域开始利用大数据来进行智能推荐,进行个性化推荐,最典型的就是电商领域和新闻领域。但是电信业务不同于电商业务,其往往没有很多的历史数据可以参考,且能参考的数据也相对比较单一,且很多时候用户可能是新用户,除了用户信息之外没有更多的可参考的数据。尤其是对于新业务,往往面临冷启动的问题,所以在电信业务的推荐常常没办法实现精准推荐,从而影响了业务的推广效果。
发明内容
基于此,提出了一种可以实现精准推荐的业务推荐方法、装置、设备及存储介质。
为实现上述目的,本申请第一方面提供一种业务推荐方法,所述方法包括:
获取待推荐业务,确定所述待推荐业务对应的初始用户画像,所述初始用户画像包括:多个用户特征;
获取满足所述初始用户画像的初始用户群体,包括:获取用户信息,所述用户信息包括:用户性别、用户年龄、所在地域、关联卡信息;当存在关联卡时,获取所述关联卡对应的定位信息,基于所述定位信息确定所述关联卡对应的身份信息;根据所述关联卡对应的身份信息确定对应的用户标签,将所述用户标签添加到所述用户信息中,得到完善后的目标用户信息;基于完善后的目标用户信息确定满足所述初始用户画像的初始用户群体;
获取初始用户群体中每个用户的目标用户信息和用户的历史行为数据,基于所述目标用户信息和所述历史行为数据确定推荐方案,所述历史行为数据包括:历史购买过哪些业务的数据,以及触发购买相应业务的事件和时间点;
基于所述推荐方案向所述初始用户群体发送所述待推荐业务的推荐信息,并提取对所述推荐信息有正向反馈的用户群体特征和有负向反馈的用户群体特征;
根据所述有正向反馈的用户群体的群体特征和所述有负向反馈的用户群体的群体特征确定群体差异特征及群体共同特征,所述群体特征是基于目标用户信息提取得到的;
根据所述群体差异特征和所述群体共同特征对所述初始用户画像中的用户特征以及特征权重进行调整,得到目标用户画像;
确定所述目标用户画像对应的目标用户群体,向所述目标用户群体推荐所述待推荐业务。
为实现上述目的,本申请第二方面提供一种业务推荐装置,包括:
第一确定模块,用于获取待推荐业务,确定所述待推荐业务对应的初始用户画像,所述初始用户画像包括:多个用户特征;
获取模块,用于获取满足所述初始用户画像的初始用户群体,包括:获取用户信息,所述用户信息包括:用户性别、用户年龄、所在地域、关联卡信息;当存在关联卡时,获取所述关联卡对应的定位信息,基于所述定位信息确定所述关联卡对应的身份信息;根据所述关联卡对应的身份信息确定对应的用户标签,将所述用户标签添加到所述用户信息中,得到完善后的目标用户信息;基于完善后的目标用户信息确定满足所述初始用户画像的初始用户群体;
第二确定模块,用于获取初始用户群体中每个用户的目标用户信息和用户的历史行为数据,基于所述目标用户信息和所述历史行为数据确定推荐方案,所述历史行为数据包括:历史购买过哪些业务的数据,以及触发购买相应业务的事件和时间点;
提取模块,用于基于所述推荐方案向所述初始用户群体发送所述待推荐业务的推荐信息,并提取对所述推荐信息有正向反馈的用户群体特征和有负向反馈的用户群体特征;
第三确定模块,用于根据所述有正向反馈的用户群体的群体特征和所述有负向反馈的用户群体的群体特征确定群体差异特征及群体共同特征,所述群体特征是基于目标用户信息提取得到的;
调整模块,用于根据所述群体差异特征和所述群体共同特征对所述初始用户画像中的用户特征以及特征权重进行调整,得到目标用户画像;
推荐模块,用于确定所述目标用户画像对应的目标用户群体,向所述目标用户群体推荐所述待推荐业务。
为实现上述目的,本申请第三方面提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
获取待推荐业务,确定所述待推荐业务对应的初始用户画像,所述初始用户画像包括:多个用户特征;
获取满足所述初始用户画像的初始用户群体,包括:获取用户信息,所述用户信息包括:用户性别、用户年龄、所在地域、关联卡信息;当存在关联卡时,获取所述关联卡对应的定位信息,基于所述定位信息确定所述关联卡对应的身份信息;根据所述关联卡对应的身份信息确定对应的用户标签,将所述用户标签添加到所述用户信息中,得到完善后的目标用户信息;基于完善后的目标用户信息确定满足所述初始用户画像的初始用户群体;
获取初始用户群体中每个用户的目标用户信息和用户的历史行为数据,基于所述目标用户信息和所述历史行为数据确定推荐方案,所述历史行为数据包括:历史购买过哪些业务的数据,以及触发购买相应业务的事件和时间点;
基于所述推荐方案向所述初始用户群体发送所述待推荐业务的推荐信息,并提取对所述推荐信息有正向反馈的用户群体特征和有负向反馈的用户群体特征;
根据所述有正向反馈的用户群体的群体特征和所述有负向反馈的用户群体的群体特征确定群体差异特征及群体共同特征,所述群体特征是基于目标用户信息提取得到的;
根据所述群体差异特征和所述群体共同特征对所述初始用户画像中的用户特征以及特征权重进行调整,得到目标用户画像;
确定所述目标用户画像对应的目标用户群体,向所述目标用户群体推荐所述待推荐业务。
为实现上述目的,本申请第四方面提供一种计算机可读存储介质,包括:存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
获取待推荐业务,确定所述待推荐业务对应的初始用户画像,所述初始用户画像包括:多个用户特征;
获取满足所述初始用户画像的初始用户群体,包括:获取用户信息,所述用户信息包括:用户性别、用户年龄、所在地域、关联卡信息;当存在关联卡时,获取所述关联卡对应的定位信息,基于所述定位信息确定所述关联卡对应的身份信息;根据所述关联卡对应的身份信息确定对应的用户标签,将所述用户标签添加到所述用户信息中,得到完善后的目标用户信息;基于完善后的目标用户信息确定满足所述初始用户画像的初始用户群体;
获取初始用户群体中每个用户的目标用户信息和用户的历史行为数据,基于所述目标用户信息和所述历史行为数据确定推荐方案,所述历史行为数据包括:历史购买过哪些业务的数据,以及触发购买相应业务的事件和时间点;
基于所述推荐方案向所述初始用户群体发送所述待推荐业务的推荐信息,并提取对所述推荐信息有正向反馈的用户群体特征和有负向反馈的用户群体特征;
根据所述有正向反馈的用户群体的群体特征和所述有负向反馈的用户群体的群体特征确定群体差异特征及群体共同特征,所述群体特征是基于目标用户信息提取得到的;
根据所述群体差异特征和所述群体共同特征对所述初始用户画像中的用户特征以及特征权重进行调整,得到目标用户画像;
确定所述目标用户画像对应的目标用户群体,向所述目标用户群体推荐所述待推荐业务。
上述业务推荐方法、装置、设备及存储介质,首先,确定待推荐业务对应的初始用户画像,基于初始用户画像确定初始用户群体,为了能够准确确定初始用户群体,通过对用户相关信息进行分析完善得到目标用户信息,基于完善后的目标用户信息确定初始用户群体,针对初始用户群体,就可以根据初始用户群体的目标用户信息和历史行为数据进行推荐方案的确定,并提取有正向反馈的用户群体的群体特征和负向反馈的用户群体的群体特征来确定群体差异特征和群体共同特征,基于群体差异特征和群体共同特征对初始用户画像中的用户特征以及特征权重进行调整,得到目标用户画像,确定目标用户画像对应的目标用户群体,进而向目标用户群体进行业务推荐。对于数据不足的冷启动问题,先通过初始用户画像进行推荐,然后基于推荐反馈再来调整初始用户画像从而得到目标用户画像,通过该方式可以准确找到对该业务有需求的用户群体,从而实现了精准推荐,解决了冷启动面临的数据不足而导致推荐不准的问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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。
其中:
图1为一个实施例中业务推荐方法的流程图;
图2为一个实施例中确定第一推荐方案的方法流程图;
图3为一个实施例中确定第二用户群体对应的推荐方案的方法流程图;
图4为一个实施例中业务推荐装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
下面将结合本申请的实施例中的附图,对本申请的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请的一部分实施例,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作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。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“包括”、“包含”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。在本申请的权利要求书、说明书以及说明书附图中的术语,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体/操作/对象与另一个实体/操作/对象区分开来,而不一定要求或者暗示这些实体/操作/对象之间存在任何这种实际的关系或者顺序。
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,也不是与其他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他实施例相结合。
如图1所示,提出了一种业务推荐方法,所述方法包括:
步骤102,获取待推荐业务,确定待推荐业务对应的初始用户画像,初始用户画像包括:多个用户特征。
其中,待推荐业务是指需要进行推广的业务,比如,云存业务,云存业务是指运营商可以给用户提供的视频监控服务,比如,基于上传到云端的视频可以协助用户监控家里的老人或者小孩是否摔倒等。待推荐业务为新业务,在推荐之初会先假定相应的受众,由于该待推荐业务为新业务,没有相应的参考数据,所以会预先假定一个初始受众,即设定一个初始用户画像,比如,初始用户画像设定为:家里有老人或孩子的22-52年龄段的人。
步骤104,获取满足初始用户画像的初始用户群体,包括:获取用户信息,用户信息包括:用户性别、用户年龄、所在地域、关联卡信息;当存在关联卡时,获取关联卡对应的定位信息,基于定位信息确定关联卡对应的身份信息;根据关联卡对应的身份信息确定对应的用户标签,将用户标签添加到用户信息中,得到完善后的目标用户信息;基于完善后的目标用户信息确定满足初始用户画像的初始用户群体。
其中,用户在办理电信业务时是需要实名注册的,比如,办理SIM卡等需要填写实名注册信息,故,用户信息是可以从***中获取到的。用户信息包括:用户性别、用户年龄、所在地域、名下是否有关联卡,关联卡是指与主卡存在关联的其他卡,比如,副卡。一般开通副卡是给家里的老人或者孩子使用的,但是也不排除其他情况,为了更加准确地确定副卡使用者的身份信息,获取副卡对应的定位信息,确定副卡使用者的活动轨迹,根据活动轨迹可以推断出该副卡使用者的身份,比如,活动轨迹中常出现学校,那么就可以推断身份为学生,如果活动轨迹常出现在老人活动中心,那么就可以推断身份为老人。在对副卡的身份信息进行分析后,确定相应的用户标签添加到用户信息中,从而得到完善后的目标用户信息。
步骤106,获取初始用户群体中每个用户的目标用户信息和用户的历史行为数据,基于目标用户信息和历史行为数据确定推荐方案,历史行为数据包括:历史购买过哪些业务的数据,以及触发购买相应业务的事件和时间点。
其中,在初始用户群体中有一部分用户是有历史行为数据的,这部分用户的推荐是有可参考的历史行为数据的,所以这部分可以像其他基于大数据进行推荐的方式一样,基于目标用户信息和历史行为数据进行推荐方案的确定。在电网领域的历史行为数据主要包括:历史都买过什么套餐、流量使用情况、套餐使用情况、什么增值服务,以及每次购买相应服务对应的触发事件和时间点。比如,当用户流量快使用完毕时,***自动推荐流量套餐给用户,然后用户如果购买了该推荐的流量套餐,那么就相应地就会将对应的触发事件和时间点进行记录。
步骤108,基于推荐方案向初始用户群体发送待推荐业务的推荐信息,并提取对推荐信息有正向反馈的用户群体特征和有负向反馈的用户群体特征。
其中,推荐信息可以是摘要信息或者链接信息,可以通过采集用户是否点击了该推荐信息来确定哪些用户是正向反馈的用户,哪些是有负向反馈的用户。正向反馈和负向反馈是相对的,比如,设置用户点击了推荐则标记为正向反馈,没有点击就是负向反馈,还可以设置用户如果购买了,则标记为正向反馈,没有购买则是负向反馈。针对不同的业务,可以提前自定义正向反馈和负向反馈的规则。
步骤110,根据有正向反馈的用户群体的群体特征和有负向反馈的用户群体的群体特征确定群体差异特征及群体共同特征,群体特征是基于目标用户信息提取得到的。
其中,在获取到有正向反馈的用户群体后,提取该用户群体的群体特征,该群体特征是基于用户信息提取得到的,即分析具有正向反馈的用户群体的用户特征和负向反馈的用户群体的用户特征,然后找出群体差异特征,该群体差异特征其实就是决定用户是否对推荐内容感兴趣的重要特征。
步骤112,根据群体差异特征和群体共同特征对初始用户画像中的用户特征以及特征权重进行调整,得到目标用户画像。
其中,群体差异特征是正向反馈和负向反馈对应的差异特征,该部分特征是决定用户是否对推荐业务感兴趣的重要特征,所以这部分特征需要加强,然后共同特征是指正向反馈和负向反馈都有的特征,说明该特征不是影响用户的主要因素,可以将这部分特征的权重下调。举个例子,我们初始用户画像可能设定的是
家里有老人或孩子的22-52年龄段的人,在得到推荐反馈后,可能发现家里是否有老人或者孩子不是决定其是否购买的重要特征,而年龄段或者区域是决定是否购买的重要特征,那么该初始用户画像就可以调整为22-52年龄段,XX区域的目标用户画像。
步骤114,确定目标用户画像对应的目标用户群体,向目标用户群体推荐待推荐业务。
其中,在得到目标用户画像就可以基于最终确定的目标用户群体进行精准推荐,从而实现精准营销。
上述业务推荐方法,首先,确定待推荐业务对应的初始用户画像,基于初始用户画像确定初始用户群体,为了能够准确确定初始用户群体,通过对用户相关信息进行分析完善得到目标用户信息,基于完善后的目标用户信息确定初始用户群体,针对初始用户群体,就可以根据初始用户群体的目标用户信息和历史行为数据进行推荐方案的确定,并提取有正向反馈的用户群体的群体特征和负向反馈的用户群体的群体特征来确定群体差异特征和群体共同特征,基于群体差异特征和群体共同特征对初始用户画像中的用户特征以及特征权重进行调整,得到目标用户画像,确定目标用户画像对应的目标用户群体,进而向目标用户群体进行业务推荐。对于数据不足的冷启动问题,先通过初始用户画像进行推荐,然后基于推荐反馈再来调整初始用户画像从而得到目标用户画像,通过该方式可以准确找到对该业务有需求的用户群体,从而实现了精准推荐,解决了冷启动面临的数据不足而导致推荐不准的问题。
在一个实施例中,业务推荐方法应用于用户运营营销***,该***通过引入引入Spring Cloud可以提供更强大的微服务架构支持。Spring Cloud是一个用于构建分布式***的开源框架,它基于Spring Boot,并提供了众多的云原生组件和工具,如服务注册与发现、负载均衡、断路器、配置管理等,以帮助构建高可用、可扩展的分布式应用程序。
另外,本***是采用MySQL***, MySQL是一种常用的关系型数据库管理***,可以用于存储用户数据和任务信息。MySQL具有良好的性能和可靠性,支持高并发访问和复杂查询操作。通过合理的数据库设计和优化,可以确保***对用户数据的高效管理和访问。
在构建用户运营营销***中,引入XXL-Job框架可以提供任务调度和分布式任务执行的支持。XXL-Job是一个开源的分布式任务调度平台,具有简单易用、高可靠、高性能的特点。它基于Java语言开发,适用于各种任务调度场景,包括定时任务、定时调度、数据处理等。
通过该用户运营营销还可以达到以下效果:第一,用户触达多样化: 通过集成第三方服务提供商的API,实现短信、邮件、推送通知、电话外呼机器人等多种方式的用户触达,确保营销信息能够准确、及时地传递给用户。 第二, 任务管理高效化: 建立任务管理模块,实现任务的创建、调度、执行和监控,通过异步执行、队列和调度器等技术手段,提高任务处理效率和响应速度。第三, 数据管理精细化: 设计用户画像模块,收集和分析用户的基本信息、行为数据等,为营销团队提供准确的用户洞察和个性化营销策略,提升营销效果。
在一个实施例中,所述初始用户群体包括:第一用户群体和第二用户群体,所述第一用户群体是指初始用户群体中对应有历史行为数据的用户群体,所述第二用户群体是指初始用户群体中没有历史行为数据的用户群体;
所述向所述初始用户群体发送所述待推荐业务的推荐信息,并提取对所述推荐信息有正向反馈的用户群体特征和有负向反馈的用户群体特征,包括:
向所述初始用户群体中的第一用户群体发送待推荐业务的推荐信息,提取第一用户群体中对所述推荐信息有正向反馈的用户群体特征和有负向反馈的用户群体特征;
获取初始用户群体中没有历史行为数据的第二用户群体,基于所述群体差异特征确定所述第二用户群体对应的推荐方案;
提取所述第二用户群体中有正向反馈的用户群体特征和有负向反馈的用户群体特征。
其中,为了使得推荐的更加精准,在对初始用户群体推荐时,将初始用户群体分为了第一用户群体和第二用户群体,第一用户群体是有可参考的历史行为数据的,第二用户群体是没有历史行为数据的。由于第二用户群体是没有历史行为数据的,所以不能基于历史行为数据确定推荐方案。为了使得第二用户群体的推荐方案更加准确。首先是得到第一用户群体的反馈,提到得到群体差异特征后,基于群体差异特征为第二用户群体匹配对应的推荐方案。通过该方式可以更好地为第二用户群体进行准确推荐,解决了针对新用户推荐的问题。
在一个实施例中,所述获取初始用户群体中每个用户的目标用户信息和用户的历史行为数据,基于所述目标用户信息和所述历史行为数据确定推荐方案,包括:
基于第一用户群体对应的所述目标用户信息和用户的历史行为数据进行聚类分析,得到多个第一子用户群体;
提取每个所述第一子用户群体的群体特征,基于所述群体特征确定相应第一子用户群体对应的第一推荐方案,所述第一推荐方案包括:推荐文案、推荐方式、推荐时间、动态过滤用户方式;
接收所述第一子用户群体的推荐反馈;
所述根据所述有正向反馈的用户群体的群体特征和所述有负向反馈的用户群体的群体特征确定群体差异特征及群体共同特征,包括:
根据所述第一子用户群体中有正向反馈的用户群体的群体特征和负向反馈的用户群体的群体特征,得到子群体差异特征;
确定每个第一子用户群体对应的子群体差异特征;
所述获取初始用户群体中没有历史行为数据的第二用户群体,基于所述群体差异特征确定所述第二用户群体对应的推荐方案,包括:
基于多个所述子群体差异特征对所述第二用户群体进行分类,基于分类结果确定相应的推荐方案。
其中,将第一用户群体分为多个第一子用户群体,然后确定每个第一子用户群体对应的第一推荐方案,并接收推荐之后的推荐反馈,根据推荐之后的正向反馈和负向反馈进行差异特征提取得到相应的子群体差异特征,这样就得到了每个第一子用户群体对应的子群体差异特征。将第二用户群体与各个子群体差异特征进行匹配分类,然后根据匹配分类结果确定相应的推荐方案。
具体地,在得到群体差异特征后,就可以将第二用户群体与该群体差异特征进行匹配,计算匹配度,匹配度大于预设值的,则采用与群体差异特征对应的推荐方案。每个第一子用户群体对应有一个群体差异特征。具体地,基于多个子群体差异特征对所述第二用户群体进行分类,基于分类结果确定相应的推荐方案。
如图2所示,在一个实施例中,所述提取每个所述第一子用户群体的群体特征,基于所述群体特征确定相应第一子用户群体对应的第一推荐方案,所述第一推荐方案包括:推荐文案和推荐方式,包括:
步骤112A,获取待推荐业务的业务特征。
其中,业务特征是指待推荐业务所对应的特征,业务特征包括:业务的适用场景、业务类型、以及业务目的。
步骤112B,将群体特征和业务特征作为营销方案模型的输入,获取营销方案模型输出的营销特征,营销方案模型是基于历史推荐业务对应的营销数据训练得到的。
其中,营销方案模型是预先基于历史推荐业务对应的营销数据训练得到的,历史推荐业务对应的营销数据包括:业务特征、对应的用户群体以及获取到的有正向反馈的营销特征。营销特征包括:用户偏好的文案特点以及用户偏好的文案推荐方式。
步骤112C,根据营销特征匹配得到对应的第一推荐方案。
其中,不同的营销特征对应不用的推荐方案,在得到营销特征后就可以根据预先设置的营销特征与推荐特征的对应关系来确定推荐方案。
通过根据群体特征和业务特征利用训练得到的营销方案模型可以得到相应的营销特征,进而基于营销特征匹配得到对应的推荐方案,该推荐方案的确定不仅省时省力,且准确可靠。
如图3所示,在一个实施例中,所述基于多个所述子群体差异特征对所述第二用户群体进行分类,基于分类结果确定相应的推荐方案,包括:
步骤302,获取每个第一子用户群体对应的子群体差异特征;
步骤304,提取第二用户群体中每个用户的第二用户特征;
步骤306,计算所述第二用户特征与每个所述子群体差异特征之间的符合度,将符合度最高的子群体差异特征对应的第一子用户群体作为与所述用户匹配的群体,将相应的第一推荐方案作为所述用户的第一推荐方案。
其中,子群体差异特征是可以体现用户是否有意向购买的特征,通过比对第二用户特征与每个子群体差异特征的符合度,确定符合度最高的子群体差异特征,然后将该子群体差异特征对应的第一用户群体作为与该用户最为匹配的群体,将该最匹配的第一用户群体对应的第一推荐方案就相应地作为该用户的第一推荐方案。通过该方式,可以给没有历史行为数据的第二用户群体匹配到最为合适的推荐方案,从而来提高推荐效果。
在一个实施例中,所述提取所述第一子用户群体中有正向反馈的用户群体的群体特征和负向反馈的用户群体的群体特征,得到子群体差异特征,包括:对正向反馈的用户特征进行进一步细分,提取具有共性的第一群体特征,将负向反馈的用户特征进行进一步细分,提取具有共性的第二群体特征;基于第一群体特征、第二群体特征提取出子群体差异特征。
其中,为了提取出差异特征,需要对用户特征一步步进行细分,比如,年龄段开始可以简单设置为三个阶段,比如,0-18年龄段,18-60年龄段,以及60岁以上。如果粗略分的话,很可能正向反馈和负向反馈的用户年龄段都处于18-60年龄段,那这样就提取不出差异特征,所以还需要进一步细分,直到能够提取出差异特征,比如,将年龄段18-60年龄段继续细分为18-25年龄段,25-35年龄段、35-45年龄段,45-55年龄段等。同样地,如果涉及到地域,那么开始可能就是按照区域分为华南地区、华中地区以及华北地区,后面进行细分为各个省份,甚至是各个市等。
在一个实施例中,所述获取所述副卡对应的定位信息,基于所述定位信息确定所述副卡对应的身份信息;根据所述副卡对应的身份信息确定对应的用户标签,包括:提取所述副卡一段时间内的定位信息,当所述定位信息中对应的位置场所中频繁出现学校,则判断所述副卡对应的身份信息为学生,将家有学生作为相应用户的用户标签;当所述定位信息中对应的位置场所中频繁出现老年活动场所,则判断所述副卡对应的身份信息为老人,将家有老人作为相应用户的用户标签。
其中,通过提取副卡一段时间内(半年内)的定位信息,制定副卡使用者的活动轨迹图,基于所述活动轨迹图来间接判断副卡对应的身份信息。
在一个实施例中,在所述接收所述第一子用户群体的推荐反馈之后,还包括:
判断所述推荐反馈是否大于预设效果值,当推荐反馈大于预设效果值时,进入所述提取所述第一子用户群体中有正向反馈的用户群体的群体特征和负向反馈的用户群体的群体特征,得到子群体差异特征的步骤;
当所述推荐反馈小于预设效果值时,对所述第一推荐方案进行调整,得到调整后的第一推荐方案。
其中,在接收推荐反馈之前,需要先判断一下此次业务推荐的效果是否达到了理想效果(预设效果值),比如,设置转化率10%作为预设效果值,只有大于这个数值,说明推荐方案也才是合理的,如果没有达到预设效果值,则需要重新对第一推荐方案进行调整,进而利用调整后的第一推荐方案进行推荐。
如图4所示,提出了一种业务推荐装置,所述装置包括:
第一确定模块402,用于获取待推荐业务,确定所述待推荐业务对应的初始用户画像,所述初始用户画像包括:多个用户特征;
获取模块404,用于获取满足所述初始用户画像的初始用户群体,包括:获取用户信息,所述用户信息包括:用户性别、用户年龄、所在地域、关联卡信息;当存在关联卡时,获取所述关联卡对应的定位信息,基于所述定位信息确定所述关联卡对应的身份信息;根据所述关联卡对应的身份信息确定对应的用户标签,将所述用户标签添加到所述用户信息中,得到完善后的目标用户信息;基于完善后的目标用户信息确定满足所述初始用户画像的初始用户群体;
第二确定模块406,用于获取初始用户群体中每个用户的目标用户信息和用户的历史行为数据,基于所述目标用户信息和所述历史行为数据确定推荐方案,所述历史行为数据包括:历史购买过哪些业务的数据,以及触发购买相应业务的事件和时间点;
提取模块408,用于基于所述推荐方案向所述初始用户群体发送所述待推荐业务的推荐信息,并提取对所述推荐信息有正向反馈的用户群体特征和有负向反馈的用户群体特征;
第三确定模块410,用于根据所述有正向反馈的用户群体的群体特征和所述有负向反馈的用户群体的群体特征确定群体差异特征及群体共同特征,所述群体特征是基于目标用户信息提取得到的;
调整模块412,用于根据所述群体差异特征和所述群体共同特征对所述初始用户画像中的用户特征以及特征权重进行调整,得到目标用户画像;
推荐模块414,用于确定所述目标用户画像对应的目标用户群体,向所述目标用户群体推荐所述待推荐业务。
在一个实施例中,所述初始用户群体包括:第一用户群体和第二用户群体,所述第一用户群体是指初始用户群体中对应有历史行为数据的用户群体,所述第二用户群体是指初始用户群体中没有历史行为数据的用户群体;
提取模块还用于向所述初始用户群体中的第一用户群体发送待推荐业务的推荐信息,提取第一用户群体中对所述推荐信息有正向反馈的用户群体特征和有负向反馈的用户群体特征;获取初始用户群体中没有历史行为数据的第二用户群体,基于所述群体差异特征确定所述第二用户群体对应的推荐方案;提取所述第二用户群体中有正向反馈的用户群体特征和有负向反馈的用户群体特征。
在一个实施例中,第二确定模块还用于基于第一用户群体对应的所述目标用户信息和用户的历史行为数据进行聚类分析,得到多个第一子用户群体;提取每个所述第一子用户群体的群体特征,基于所述群体特征确定相应第一子用户群体对应的第一推荐方案,所述第一推荐方案包括:推荐文案和推荐方式;接收所述第一子用户群体的推荐反馈;
第三确定模块还用于根据所述第一子用户群体中有正向反馈的用户群体的群体特征和负向反馈的用户群体的群体特征,得到子群体差异特征;确定每个第一子用户群体对应的子群体差异特征;
第二确定模块还用于基于多个所述子群体差异特征对所述第二用户群体进行分类,基于分类结果确定相应的推荐方案。
在一个实施例中,第二确定模块还用于获取所述待推荐业务的业务特征;将所述群体特征和所述业务特征作为营销方案模型的输入,获取所述营销方案模型输出的营销特征,所述营销方案模型是基于历史推荐业务对应的营销数据训练得到的;根据所述营销特征匹配得到对应的第一推荐方案。
在一个实施例中,第二确定模块还用于获取每个第一子用户群体对应的子群体差异特征; 提取第二用户群体中每个用户的第二用户特征;计算所述第二用户特征与每个所述子群体差异特征之间的符合度,将符合度最高的子群体差异特征对应的第一子用户群体作为与所述用户匹配的群体,将相应的第一推荐方案作为所述用户的第一推荐方案。
在一个实施例中,第三确定模块还用于对正向反馈的用户特征进行进一步细分,提取具有共性的第一群体特征,将负向反馈的用户特征进行进一步细分,提取具有共性的第二群体特征;基于第一群体特征、第二群体特征提取出子群体差异特征。
上述业务推荐方法还包括:
判断模块,用于判断所述推荐反馈是否大于预设效果值,当推荐反馈大于预设效果值时,进入所述提取所述第一子用户群体中有正向反馈的用户群体的群体特征和负向反馈的用户群体的群体特征,得到子群体差异特征的步骤;当所述推荐反馈小于预设效果值时,对所述第一推荐方案进行调整,得到调整后的第一推荐方案。
图5示出了一个实施例中计算机设备的内部结构图。如图5所示,该计算机设备包括通过***总线连接的处理器、存储器和网格接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质有存储操作***,还可有存储计算机程序,该计算机程序被处理器执行时,可使得处理器实现上述的业务推荐方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行上述的业务推荐方法。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设备的限定,具体的设备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。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,所述存储器有存储计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述业务推荐方法的步骤。
在一个实施例中,提出了一种计算机可读存储介质,有存储计算机程序,计算机程序被处理器执行时,使得处理器执行上述业务推荐方法的步骤。
可以理解的是,上述业务推荐方法、装置、计算机设备以及计算机可读存储介质属于一个总的发明构思,实施例可相互适用。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种业务推荐方法,所述方法包括:
获取待推荐业务,确定所述待推荐业务对应的初始用户画像,所述初始用户画像包括:多个用户特征;
获取满足所述初始用户画像的初始用户群体,包括:获取用户信息,所述用户信息包括:用户性别、用户年龄、所在地域、关联卡信息;当存在关联卡时,获取所述关联卡对应的定位信息,基于所述定位信息确定所述关联卡对应的身份信息;根据所述关联卡对应的身份信息确定对应的用户标签,将所述用户标签添加到所述用户信息中,得到完善后的目标用户信息;基于完善后的目标用户信息确定满足所述初始用户画像的初始用户群体;
获取初始用户群体中每个用户的目标用户信息和用户的历史行为数据,基于所述目标用户信息和所述历史行为数据确定推荐方案,所述历史行为数据包括:历史购买过哪些业务的数据,以及触发购买相应业务的事件和时间点;
基于所述推荐方案向所述初始用户群体发送所述待推荐业务的推荐信息,并提取对所述推荐信息有正向反馈的用户群体特征和有负向反馈的用户群体特征;
根据所述有正向反馈的用户群体的群体特征和所述有负向反馈的用户群体的群体特征确定群体差异特征及群体共同特征,所述群体特征是基于目标用户信息提取得到的;
根据所述群体差异特征和所述群体共同特征对所述初始用户画像中的用户特征以及特征权重进行调整,得到目标用户画像;
确定所述目标用户画像对应的目标用户群体,向所述目标用户群体推荐所述待推荐业务。
2.根据权利要求1所述的方法,其特征在于,所述初始用户群体包括:第一用户群体和第二用户群体,所述第一用户群体是指初始用户群体中对应有历史行为数据的用户群体,所述第二用户群体是指初始用户群体中没有历史行为数据的用户群体;
所述基于所述推荐方案向所述初始用户群体发送所述待推荐业务的推荐信息,并提取对所述推荐信息有正向反馈的用户群体特征和有负向反馈的用户群体特征,包括:
向所述初始用户群体中的第一用户群体发送待推荐业务的推荐信息,提取第一用户群体中对所述推荐信息有正向反馈的用户群体特征和有负向反馈的用户群体特征;
获取初始用户群体中没有历史行为数据的第二用户群体,基于所述群体差异特征确定所述第二用户群体对应的推荐方案;
提取所述第二用户群体中有正向反馈的用户群体特征和有负向反馈的用户群体特征。
3.根据权利要求2所述的方法,其特征在于,所述获取初始用户群体中每个用户的目标用户信息和用户的历史行为数据,基于所述目标用户信息和所述历史行为数据确定推荐方案,包括:
基于第一用户群体对应的所述目标用户信息和用户的历史行为数据进行聚类分析,得到多个第一子用户群体;
提取每个所述第一子用户群体的群体特征,基于所述群体特征确定相应第一子用户群体对应的第一推荐方案,所述第一推荐方案包括:推荐文案和推荐方式;
接收所述第一子用户群体的推荐反馈;
所述根据所述有正向反馈的用户群体的群体特征和所述有负向反馈的用户群体的群体特征确定群体差异特征及群体共同特征,包括:
根据所述第一子用户群体中有正向反馈的用户群体的群体特征和负向反馈的用户群体的群体特征,得到子群体差异特征;
确定每个第一子用户群体对应的子群体差异特征;
所述获取初始用户群体中没有历史行为数据的第二用户群体,基于所述群体差异特征确定所述第二用户群体对应的推荐方案,包括:
基于多个所述子群体差异特征对所述第二用户群体进行分类,基于分类结果确定相应的推荐方案。
4.根据权利要求3所述的方法,其特征在于,所述提取每个所述第一子用户群体的群体特征,基于所述群体特征确定相应第一子用户群体对应的第一推荐方案,所述第一推荐方案包括:推荐文案和推荐方式,包括:
获取所述待推荐业务的业务特征;
将所述群体特征和所述业务特征作为营销方案模型的输入,获取所述营销方案模型输出的营销特征,所述营销方案模型是基于历史推荐业务对应的营销数据训练得到的;
根据所述营销特征匹配得到对应的第一推荐方案。
5.根据权利要求3所述的方法,其特征在于,所述基于多个所述子群体差异特征对所述第二用户群体进行分类,基于分类结果确定相应的推荐方案,包括:
获取每个第一子用户群体对应的子群体差异特征;
提取第二用户群体中每个用户的第二用户特征;
计算所述第二用户特征与每个所述子群体差异特征之间的符合度,将符合度最高的子群体差异特征对应的第一子用户群体作为与所述用户匹配的群体,将相应的第一推荐方案作为所述用户的第一推荐方案。
6.根据权利要求3所述的方法,其特征在于,所述根据所述第一子用户群体中有正向反馈的用户群体的群体特征和负向反馈的用户群体的群体特征,得到子群体差异特征,包括:
对正向反馈的用户特征进行进一步细分,提取具有共性的第一群体特征,将负向反馈的用户特征进行进一步细分,提取具有共性的第二群体特征;
基于第一群体特征、第二群体特征提取出子群体差异特征。
7.根据权利要求3所述的方法,其特征在于,在所述接收所述第一子用户群体的推荐反馈之后,还包括:
判断所述推荐反馈是否大于预设效果值,当推荐反馈大于预设效果值时,进入所述提取所述第一子用户群体中有正向反馈的用户群体的群体特征和负向反馈的用户群体的群体特征,得到子群体差异特征的步骤;
当所述推荐反馈小于预设效果值时,对所述第一推荐方案进行调整,得到调整后的第一推荐方案。
8.一种业务推荐装置,所述装置包括:
第一确定模块,用于获取待推荐业务,确定所述待推荐业务对应的初始用户画像,所述初始用户画像包括:多个用户特征;
获取模块,用于获取满足所述初始用户画像的初始用户群体,包括:获取用户信息,所述用户信息包括:用户性别、用户年龄、所在地域、关联卡信息;当存在关联卡时,获取所述关联卡对应的定位信息,基于所述定位信息确定所述关联卡对应的身份信息;根据所述关联卡对应的身份信息确定对应的用户标签,将所述用户标签添加到所述用户信息中,得到完善后的目标用户信息;基于完善后的目标用户信息确定满足所述初始用户画像的初始用户群体;
第二确定模块,用于获取初始用户群体中每个用户的目标用户信息和用户的历史行为数据,基于所述目标用户信息和所述历史行为数据确定推荐方案,所述历史行为数据包括:历史购买过哪些业务的数据,以及触发购买相应业务的事件和时间点;
提取模块,用于基于所述推荐方案向所述初始用户群体发送所述待推荐业务的推荐信息,并提取对所述推荐信息有正向反馈的用户群体特征和有负向反馈的用户群体特征;
第三确定模块,用于根据所述有正向反馈的用户群体的群体特征和所述有负向反馈的用户群体的群体特征确定群体差异特征及群体共同特征,所述群体特征是基于目标用户信息提取得到的;
调整模块,用于根据所述群体差异特征和所述群体共同特征对所述初始用户画像中的用户特征以及特征权重进行调整,得到目标用户画像;
推荐模块,用于确定所述目标用户画像对应的目标用户群体,向所述目标用户群体推荐所述待推荐业务。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述的业务推荐方法的步骤。
10.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述的业务推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311094854.6A CN116796076B (zh) | 2023-08-29 | 2023-08-29 | 业务推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311094854.6A CN116796076B (zh) | 2023-08-29 | 2023-08-29 | 业务推荐方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116796076A true CN116796076A (zh) | 2023-09-22 |
CN116796076B CN116796076B (zh) | 2023-11-03 |
Family
ID=88045183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311094854.6A Active CN116796076B (zh) | 2023-08-29 | 2023-08-29 | 业务推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116796076B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110302240A1 (en) * | 2010-06-03 | 2011-12-08 | Katsu Saito | Content recommendation system, content recommendation device, and content recommendation method |
CN108108451A (zh) * | 2017-12-27 | 2018-06-01 | 合肥美的智能科技有限公司 | 群体的群体用户画像获取方法和装置 |
CN110795640A (zh) * | 2019-10-12 | 2020-02-14 | 华中师范大学 | 一种弥补群组成员差异的自适应组推荐方法 |
US20210118036A1 (en) * | 2019-10-16 | 2021-04-22 | Coupang Corp. | Computerized systems and methods for providing product recommendations |
WO2021138823A1 (zh) * | 2020-01-08 | 2021-07-15 | 深圳市欢太科技有限公司 | 信息推送方法、装置、服务器及存储介质 |
CN114036403A (zh) * | 2022-01-07 | 2022-02-11 | 智者四海(北京)技术有限公司 | 用户兴趣探测方法、装置和存储介质 |
US20220286521A1 (en) * | 2020-12-28 | 2022-09-08 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus, computer device and medium |
CN115203543A (zh) * | 2022-06-29 | 2022-10-18 | 清华大学 | 内容推荐方法、内容推荐模型的训练方法及装置 |
WO2023050143A1 (zh) * | 2021-09-29 | 2023-04-06 | 华为技术有限公司 | 一种推荐模型训练方法及装置 |
-
2023
- 2023-08-29 CN CN202311094854.6A patent/CN116796076B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110302240A1 (en) * | 2010-06-03 | 2011-12-08 | Katsu Saito | Content recommendation system, content recommendation device, and content recommendation method |
CN108108451A (zh) * | 2017-12-27 | 2018-06-01 | 合肥美的智能科技有限公司 | 群体的群体用户画像获取方法和装置 |
CN110795640A (zh) * | 2019-10-12 | 2020-02-14 | 华中师范大学 | 一种弥补群组成员差异的自适应组推荐方法 |
US20210118036A1 (en) * | 2019-10-16 | 2021-04-22 | Coupang Corp. | Computerized systems and methods for providing product recommendations |
WO2021138823A1 (zh) * | 2020-01-08 | 2021-07-15 | 深圳市欢太科技有限公司 | 信息推送方法、装置、服务器及存储介质 |
US20220286521A1 (en) * | 2020-12-28 | 2022-09-08 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus, computer device and medium |
WO2023050143A1 (zh) * | 2021-09-29 | 2023-04-06 | 华为技术有限公司 | 一种推荐模型训练方法及装置 |
CN114036403A (zh) * | 2022-01-07 | 2022-02-11 | 智者四海(北京)技术有限公司 | 用户兴趣探测方法、装置和存储介质 |
CN115203543A (zh) * | 2022-06-29 | 2022-10-18 | 清华大学 | 内容推荐方法、内容推荐模型的训练方法及装置 |
Non-Patent Citations (1)
Title |
---|
谷鹏;李琳;苏畅;袁景凌;: "面向群组的社交follow推荐方法研究", 小型微型计算机***, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN116796076B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271420B (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
WO2018040068A1 (zh) | 基于知识图谱的语意分析***及方法 | |
CN109509010B (zh) | 一种多媒体信息处理方法、终端及存储介质 | |
CN110807655A (zh) | 一种广告竞价方法、装置及设备 | |
CN113505272B (zh) | 基于行为习惯的控制方法和装置、电子设备和存储介质 | |
CN111737443B (zh) | 答案文本的处理方法和装置、关键文本的确定方法 | |
CN112104505A (zh) | 应用推荐方法、装置、服务器和计算机可读存储介质 | |
EP2958062A1 (en) | Determining multiple users of a network enabled device | |
CN112561636A (zh) | 一种推荐方法、装置、终端设备及介质 | |
CN116796076B (zh) | 业务推荐方法、装置、设备及存储介质 | |
CN108388811A (zh) | 微信公众平台下的个性化书屋 | |
CN112182414A (zh) | 文章推荐方法、装置及电子设备 | |
CN112115354A (zh) | 信息处理方法、装置、服务器及存储介质 | |
CN108875014B (zh) | 基于大数据与人工智能的精准项目推荐方法和机器人*** | |
CN108520012B (zh) | 基于机器学习的移动互联网用户评论挖掘方法 | |
CN116091157A (zh) | 资源推送方法及装置、存储介质、计算机设备 | |
CN108259588A (zh) | 一种基于大数据的文化云平台的推送方法及装置 | |
CN109885504B (zh) | 推荐***的测试方法、装置、介质及电子设备 | |
CN113792211A (zh) | 一种资源推送处理方法、装置、电子设备及存储介质 | |
CN113706298A (zh) | 一种延期业务处理方法及装置 | |
CN113240479A (zh) | 一种用户分析方法、装置及电子设备 | |
CN112527991A (zh) | 信息处理方法、装置及介质 | |
CN112036576A (zh) | 一种基于数据形式的数据处理方法、装置和电子设备 | |
CN111382343A (zh) | 一种标签体系生成方法及装置 | |
CN117390292B (zh) | 基于机器学习的应用程序信息推荐方法、***及设备 |
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 |