CN117493626A - 业务推荐方法、装置、电子设备及存储介质 - Google Patents
业务推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117493626A CN117493626A CN202310680705.1A CN202310680705A CN117493626A CN 117493626 A CN117493626 A CN 117493626A CN 202310680705 A CN202310680705 A CN 202310680705A CN 117493626 A CN117493626 A CN 117493626A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- user
- users
- strategies
- strategy
- 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 70
- 238000012549 training Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 25
- 230000009469 supplementation Effects 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 17
- 238000006243 chemical reaction Methods 0.000 description 15
- 230000008451 emotion Effects 0.000 description 14
- 230000006399 behavior Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 230000005611 electricity Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000012795 verification Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- 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
- G06N3/0499—Feedforward networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Finance (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种业务推荐方法、装置、电子设备及存储介质。所述方法包括:获取待推荐名单中各用户的用户特征;通过适用于目标业务场景的N种推荐策略分别对应的推荐模型,基于各用户的用户特征对各用户进行推荐预测,得到各用户在N种推荐策略下对应的N个预测推荐分值,其中,N为大于1的整数,每个预测推荐分值对应一种推荐策略,用户的每个预测推荐分值用于表示用户在相应推荐策略下的业务推荐结果,每个推荐模型为基于相应推荐策略匹配的历史用户的用户特征及历史业务推荐结果进行训练得到;基于待推荐名单中各用户的N个预测推荐分值,确定N种推荐策略分别匹配的目标用户;基于各种推荐策略对各种推荐策略匹配的目标用户进行业务推荐。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种业务推荐方法、装置、电子设备及存储介质。
背景技术
用户分流是进行业务推荐的常用方案之一,广泛应用于电话销售、电子商务、社交媒体、金融、医疗等各个领域。用户分流是指将用户根据一定的规则和策略进行分类,然后将不同类别的用户投放到不同的业务流程或资源中,以提高资源的利用率和用户的转化率。
目前的用户分流方案主要基于人为设置的简单规则,将待推荐的用户划分为不同的群体和类别,然后针对不同群体和类别的用户采用不同的推荐策略进行业务推荐。但是,这种分流方案比较粗略,仅仅适用于简单业务场景下的用户分流,对于更加复杂和精细化的业务场景,分流效果不佳,进而影响用户转化率,无法满足业务需求。
发明内容
本申请实施例的目的提供一种业务推荐方法、装置、电子设备及存储介质,用于在简单业务场景、复杂和精细化等各类业务场景下都能实现准确分流,从而提高用户转化。
为了实现上述目的,本申请实施例采用下述技术方案:
第一方面,本申请实施例提供一种业务推荐方法,包括:
获取待推荐名单中各用户的用户特征,每个用户的用户特征是指相应用户在目标业务场景下的特征;
通过适用于所述目标业务场景的N种推荐策略分别对应的推荐模型,基于各用户的用户特征对各用户进行推荐预测,得到各用户在所述N种推荐策略下对应的N个预测推荐分值,其中,N为大于1的整数,每个预测推荐分值对应一种推荐策略,用户的每个预测推荐分值用于表示用户在相应推荐策略下的业务推荐结果,每个推荐模型为基于所对应的推荐策略匹配的历史用户的用户特征及历史业务推荐结果进行训练得到;
基于所述待推荐名单中各用户在所述N种推荐策略下对应的N个预测推荐分值,确定所述N种推荐策略分别匹配的目标用户;
基于各种推荐策略对各种推荐策略匹配的目标用户进行业务推荐。
第二方面,本申请实施例提供一种业务推荐装置,包括:
获取单元,用于获取待推荐名单中各用户的用户特征,每个用户的用户特征是指相应用户在目标业务场景下的特征;
预测单元,用于通过适用于所述目标业务场景的N种推荐策略分别对应的推荐模型,基于各用户的用户特征对各用户进行推荐预测,得到各用户在所述N种推荐策略下对应的N个预测推荐分值,其中,N为大于1的整数,每个预测推荐分值对应一种推荐策略,用户的每个预测推荐分值用于表示用户在相应推荐策略下的业务推荐结果,每个推荐模型为基于所对应的推荐策略匹配的历史用户的用户特征及历史业务推荐结果进行训练得到;
分流单元,用于基于所述待推荐名单中各用户在所述N种推荐策略下对应的N个预测推荐分值,确定所述N种推荐策略分别匹配的目标用户;
推荐单元,用于基于各种推荐策略对各种推荐策略匹配的目标用户进行业务推荐。
第三方面,本申请实施例提供一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现如第一方面所述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如第一方面所述的方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:预先针对适用于目标业务场景的N种推荐策略中的每一种,利用该推荐策略匹配的历史用户在目标业务场景下的用户特征及历史业务推荐结果,训练该推荐策略对应的推荐模型,使得该推荐模型能够基于任一用户的用户特征,准确预测在目标业务场景下,使用该推荐策略对该用户进行业务推荐的推荐结果;在此基础上,通过N种推荐策略分别对待推荐名单中各用户进行推荐预测,并将各用户对各种推荐策略下的业务推荐结果量化为相应的预测推荐分值,得到各用户在N种推荐策略下对应的N个预测推荐分值;进一步,综合考虑待推荐名单中各用户在N种推荐策略下分别对应的预测推荐分值,将推荐名单中的用户匹配不同的推荐策略中,得到N种推荐策略分别匹配的目标用户,使在目标业务场景下的用户分流更精细、更准确,无论对于简单业务场景还是复杂和精细化的业务场景,均能够更好地适应目标业务场景下的用户分流需求;最后,基于各种推荐策略,对各种推荐策略匹配的目标用户进行业务推荐,有利于提高用户转化率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请的一个实施例提供的一种业务推荐方法的流程示意图;
图2为本申请的一个实施例提供的一种推荐模型的结构示意图;
图3为本申请的一个实施例提供的一种推荐模型的训练方法的流程示意图;
图4为本申请的一个实施例提供的一种电话销售场景下的业务推荐方法的流程示意图;
图5为本申请的一个实施例提供的一种电商平台的业务推荐方法的流程示意图;
图6为本申请的一个实施例提供的一种金融理财场景下的业务推荐方法的流程示意图;
图7为本申请的一个实施例提供的一种业务推荐装置的结构示意图;
图8为本申请的一个实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅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。
本说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应理解,这样使用的数据在适当情况下可以互换,以便本申请实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,本说明书和权利要求书中“和/或”表示所连接对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。
如背景技术中所述,目前的用户分流方案主要基于人为设置的简单规则,将待推荐的用户划分为不同的群体和类别,然后针对不同群体和类别的用户采用不同的推荐策略进行业务推荐。但是,这种分流方案比较粗略,仅仅适用于简单业务场景下的用户分流,对于更加复杂和精细化的业务场景,分流效果不佳,进而影响用户转化率,无法满足业务需求。
有鉴于此,本申请实施例旨在提出一种业务推荐方案,预先针对适用于目标业务场景的N种推荐策略中的每一种,利用该推荐策略匹配的历史用户在目标业务场景下的用户特征及历史业务推荐结果,训练该推荐策略对应的推荐模型,使得该推荐模型能够基于任一用户的用户特征,准确预测在目标业务场景下,使用该推荐策略对该用户进行业务推荐的推荐结果;在此基础上,通过N种推荐策略分别对待推荐名单中各用户进行推荐预测,并将用户对各种推荐策略下的业务推荐结果量化为相应的预测推荐分值,得到用户在N种推荐策略下对应的N个预测推荐分值;进一步,综合考虑待推荐名单中各用户在N种推荐策略下分别对应的预测推荐分值,将推荐名单中的用户匹配不同的推荐策略中,得到N种推荐策略分别匹配的目标用户,使在目标业务场景下的用户分流更精细、更准确,无论对于简单业务场景还是复杂和精细化的业务场景,均能够更好地适应目标业务场景下的用户分流需求;最后,基于各种推荐策略,对各种推荐策略匹配的目标用户进行业务推荐,有利于提高用户转化率。
应理解,本申请实施例提供的业务推荐方法均可以由电子设备或安装在电子设备中的软件执行。此处所谓的电子设备可以包括终端设备,比如智能手机、平板电脑、笔记本电脑、台式计算机、智能语音交互设备、智能家电、智能手表、车载终端、飞行器等;或者,电子设备还可以包括服务器,比如独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云计算服务的云服务器。
以下结合附图,详细说明本申请各实施例提供的技术方案。
请参见图1,为本申请的一个实施例提供的一种业务推荐方法的流程示意图,该方法可以包括如下步骤:
S102,获取待推荐名单中各用户的用户特征。
待推荐名单包含待推荐的多个用户。各个用户具有对应的用户特征。各用户的用户特征是指各用户在目标业务场景下的特征。为了更全面、客观地反映用户在目标业务场景下的特征,以便更准确、更精细化地进行用户分流,各用户的用户特征可以包括用户在多个业务维度的用户子特征。其中,这里的多个业务维度是指与目标业务场景相关的维度。
例如,在电话销售场景下,上述多个业务维度可以包括用户属性、行为、情感倾向以及社会性等至少两个维度,相应地,用户在用户属性维度的用户子特征用户用于表示用户的属性,具体可以例如包括但不限于性别(如男、女)、年龄段(如70后、80后、90后)、婚姻状况(如已婚、未婚、离异、丧偶)等;用户在行为维度的用户子特征用于表示用户在电话销售场景下的用户行为,具体可以例如包括但不限于用户的营销行为特征、登录行为特征、营销对话特征等,其中,营销行为特征可以例如包括但不限于近3个月内的电话接通次数、电话通话的总时长、电话通话平均时间等,登录行为特征可以例如包括但不限于近3个月的登录次数、登录形式(如主动登录、被动登录、输入密码登录、不输入密码登录)、主动登录次数、通过第三方应用登录的次数等,营销对话特征可以例如包括但不限于近3个月的最多挂断环节(如开场白、业务介绍、异议处理、促成、结束语)、最多客户异议内容(如额度异议、利率异议)、平均通话次数、通话轮数(一问一答是一轮)等;用户在情感倾向维度的用户子特征用于描述用户的情感倾向,具体可以例如包括但不限于平均情感值、最近一次的情感值、情感值小于0的占比等,其中,情感值小于0表示用户具有厌恶、不开心等负面倾向,情感值大于0表示用户具有开心、兴奋等正向情绪;用户在社会性维度的用户子特征用于表示用户在社会生活中的情况,具体可以例如包括但不限于工作类型、收入区间、居住城市等。
又如,在电商平台场景下,上述多个业务维度可以例如包括但不限于如下维度中的至少两种:历史购买记录、浏览行为、兴趣爱好等。
再如,在金融理财场景下,上述多个业务维度可以例如包括但不限于财务状况、投资偏好、风险承受能力等。
值的说明的是,用户的用户特征是经过用户授权后获取得到的。
S104,通过适用于目标业务场景的N种推荐策略分别对应的推荐模型,基于各用户的用户特征对各用户进行推荐预测,得到各用户在N种推荐策略下对应的N个预测推荐分值。
其中,N为大于1的整数。推荐策略是指用于进行业务推荐的策略。不同业务场景适用的推荐策略不同,适用于各种业务场景的N种推荐策略可根据实际需要进行设置。示例地,适用于电话销售场景的N种推荐策略可以包但不限于:对于高价值的用户,选择有经验的销售人员进行电话营销,以提高转化率和用户满意度;对于高意向用户,通过智能机器人进行电话营销等,以降低成本和提高效率;适用于电商平台的N种推荐策略可以包括但不限于:N种营销渠道和广告位,不同营销渠道和广告位用于投放不同购买阶段和消费水平的用户;适用于金融理财场景的N种推荐策略可以包括N个理财投资产品,不同理财投资产品用于投放不同投资阶段和风险偏好的用户,等等。
每种推荐策略具有对应的推荐模型。每种推荐策略对应的推荐模型,是基于该推荐策略匹配的历史用户的用户特征及历史业务推荐结果进行训练得到的。由此,每种推荐策略对应的推荐模型能够基于任一用户的用户特征,准确预测在目标业务场景下,使用该推荐策略对该用户进行业务推荐的推荐结果。也就是说,上述N个预测推荐分值中的每一个对应一种推荐策略,用户在每种推荐策略下对应的预测推荐分值用于表示用户在该推荐策略下的业务推荐结果,是对该业务推荐结果的量化表示,其中,业务推荐结果可以包括用户针对该推荐策略的反馈操作信息,比如购买产品、登录应用程序(Application,APP)、参与完成营销过程、未完成营销过程但通话时长大于预设时长等操作的操作信息。由此,对于每个推荐策略而言,用户在推荐策略下对应的预测推荐分值可以准确反映使用该推荐策略对用户进行业务推荐的效果。
在一种可选的实施方式中,上述S104可以包括:针对每种推荐策略,将待推荐名单中各用户的用户特征输入该推荐策略对应的推荐模型中,得到各用户在该推荐策略下对应的预测推荐分值。
在另一种可选的实施方式中,考虑到在用户的用户特征包含用户在多个业务维度的用户子特征的情况下,可能因为数据采集补全等各种原因,造成部分用户子特征出现数据缺失,为了确保对用户进行推荐预测的准确性,上述S104可以包括:从每个用户在多个业务维度的用户子特征中确定每个用户存在数据缺失的用户子特征;基于每个用户存在数据缺失的用户子特征的类型,对每个用户存在数据缺失的用户子特征进行数据补充,得到各用户的目标用户特征;将各用户的目标用户特征输入N种推荐策略分别对应的推荐模型,得到各用户在N种推荐策略下对应的N个预测推荐分值。
其中,用户子特征的类型可以包括离散特征和连续特征。对于用户子特征的数据补充,具体地,若存在数据缺失的用户子特征为离散特征,那么,可使用预设类别对该用户子特征进行数据补充,比如若用户性别存在缺失,则使用预设类别“未知”作为该用户子特征的特征值。若存在数据缺失的用户子特征为连续特征,那么,可使用预设值对该用户子特征进行数据补充,比如若用户近3个月的登录次数存在缺失,则使用“-9”作为该用户子特征的特征值。
本申请实施例中,各种推荐策略对应的推荐模型可根据实际需要进行设置,本申请实施例对此不作限定。为了确保推荐预测的可靠性,各种推荐策略对应的推荐模型可以具有相同的结构。
可选地,为了在保证推荐预测准确性的前提下,减少模型计算开销,如图2所示,各种推荐策略对应的推荐模型可以包括编码网络和预测网络。其中,任一个推荐模型中的编码网络用于对各用户的用户特征进行编码,得到各用户的特征向量;任一个推荐模型中的预测网络用于基于编码网络输出的各用户的特征向量,预测各用户在该推荐模型对应的推荐策略下的预测推荐分值。
结合图2,考虑到在用户的用户特征包括用户在多个业务维度的用户子特征的情况下,不同类型的用户子特征适用的编码方式不同,为了进一步提高推荐预测的准确性,上述编码网络可以包括嵌入子网络、线性子网络以及交叉子网络。
其中,嵌入子网络用于对各用户在多个业务维度的用户子特征中的离散特征进行嵌入处理,得到各用户的第一特征子向量。示例地,嵌入子网络可将各个离散特征编码为相应的嵌入向量,比如性别是由“男”、“女”和“未知”三个向量构成,这三个向量的维度为8,假如“男”、“女”、“未知”的嵌入向量分别为[0,0,…,0]、[1,1,…,1]、[2,2,…,2],那么,当某个用户的性别为“男”时,经嵌入子网络进行嵌入处理后,可得到嵌入向量[0,0,…,0]。进一步,假设用户在多个业务维度的用户子特征中共有47个离散特征,这些离散特征经过嵌入子网络嵌入处理后,可得到47个8维的嵌入向量,这47个8维的嵌入向量再经嵌入子网络拼接后形成376维向量作为嵌入子网络的输出,即用户的第一特征子向量。
线性子网络用于对各用户在多个业务维度的用户子特征中的连续特征进行线性映射处理,得到各用户的第二特征子向量。示例地,假设上述用户在在多个业务维度的用户子特征包括用户近3个月的登录次数为4、用户近3个月的平均情感值为-0.2等共66个连续特征,这66个连续特征顺序拼接成66维的向量,这个66维的向量输入线性子网络中,线性子网络由66x512的单层前馈构成,因此66维的向量输入线性子网络中后,会输出512维的向量,即用户的第二特征子向量。
交叉子网络用于对各用户的第一特征子向量和第二特征子向量进行融合处理,得到各用户的特征向量。示例地,交叉子网络的输入为嵌入子网络输出的376维的第一特征子向量和线性子网络输出的512维的第二特征子向量,这两个向量顺序拼接后输入交叉子网络中的带dropout机制的池化层中(池化意思是输入的向量和输出的向量大小一致),输出512维的向量,该512维向量再经relu函数激活处理,得到激活后的512维向量,该向量输入512x128的致密层,输出128维的向量,该向量为交叉子网络的输出,也即用户的特征向量。
相应地,预测网络可接收用户的特征向量,经池化层后再通过relu函数激活处理,得到与输入同样维度(如128维)的向量,该向量经全连接层进行预测处理后,输出预测推荐分值。
本申请实施例在此示出了推荐模型的一种结构。当然,应理解,各种推荐策略对应的推荐模型还可以采用其他本领域常用的模型结构,本申请实施例对此不作限定。
S106,基于待推荐名单中各用户在N种推荐策略下对应的N个预测推荐分值,确定N种推荐策略分别匹配的目标用户。
其中,对于每种推荐策略而言,与该推荐策略匹配的目标用户是指适用于该推荐策略进行业务推荐的用户。通过为N种推荐策略确定相匹配的目标用户,起到对待推荐名单中的用户进行分流的效果,从而能够更有针对性地对待推荐名单中的用户进行业务推荐,有利于提高用户转化率。由于用户在不同推荐策略对应的预测推荐分值能够反映使用不同推荐策略对用户进行业务推荐的效果,在进行用户分流时,综合考虑待推荐名单中各用户在N种推荐策略下分别对应的预测推荐分值,将推荐名单中的用户匹配不同的推荐策略中,得到N种推荐策略分别匹配的目标用户,使在目标业务场景下的用户分流更精细、更准确,无论对于简单业务场景还是复杂和精细化的业务场景,均能够更好地适应目标业务场景下的用户分流需求。
在一种可选的实现方式中,上述S106可以包括如下步骤:首先,按照历史推荐成功率对N种推荐策略进行用户选取的优先级排序;其中,排序在后的推荐策略对应的历史推荐成功率高于优先级排序在前的推荐策略;然后,按照优先级排序由前到后的顺序确定当前需进行用户选取的当前推荐策略,并从当前推荐策略对应的候选用户中,按照当前推荐策略对应的预测推荐分值由高到低的顺序选取指定数量的用户,作为当前推荐策略匹配的目标用户;其中,按照优先级排序的顺序,后一个推荐策略对应的候选用户是指前一个推荐策略的候选用户中除去前一个推荐策略的目标用户后的剩余用户;第一个推荐策略对应的候选用户是指待推荐名单中的各用户。
更为具体地,上述S106可以包括:步骤A1,按照历史推荐成功率对N种推荐策略进行排序;步骤A2,从第i个推荐策略的各候选用户中按照在第i个推荐策略对应的预测推荐分值由高到低的顺序,选取指定数量用户,作为第i个推荐策略匹配的目标用户,并将其余的用户作为第i+1个推荐策略的候选用户;步骤A3,从第i+1个推荐策略的各候选用户中,按照在第i+1个推荐策略对应的预测推荐分值由高到低的顺序,选取指定数量用户,确定第i+1个推荐策略匹配的目标用户;其中,i为正整数,第i个推荐策略的历史推荐成功率小于第i+1个推荐策略的历史推荐成功率,第1个推荐策略对应的候选用户是指待推荐名单中的各用户。
值的说明的是,各种推荐策略的历史推荐成功率可通过对各种推荐策略的历史推荐数据进行统计分析得到,不再赘述。另外,在为每种推荐策略选取的指定数量用户的过程中,指定数量可以根据待推荐名单中的用户数量以及N的取值进行设置。任意两者推荐策略对应的指定数量可以相同,或者也可以不同。
示例地,假设N=3,即适用于目标业务场景的推荐策略共3种,按照历史推荐成功率从低到高的顺序依次为:推荐策略1<推荐策略2<推荐策略3,待推荐名单中共有100名用户,那么,可确定这些推荐策略对应的指定数量依次为40、30、30。在此基础上,首先,对于推荐策略1,从待推荐名单中选取在推荐策略1下对应的预测推荐分值排在前40位的用户,作为推荐策略1匹配的目标用户,并将其余的60名用户作为推荐策略2的候选用户;接着,对于推荐策略2,从这60名用户中选取在推荐策略2下对应的预测推荐分值排在前30的用户,作为推荐策略2匹配的目标用户;最后,将剩余的30名用户作为推荐策略3匹配的目标用户。
可以理解的是,由于历史推荐成功率越高的推荐策略的业务推荐效果越好,并且,在某种推荐策略下对应的预测推荐分值越高的用户对该推荐策略的转化率、推荐成功的概率越高,基于此,通过按照历史推荐成功率从低到高的顺序依次为每种推荐策略,匹配在该推荐策略下对应的预测推荐分值较高的前指定数量用户,可以将待推荐名单中相对容易推荐成功的用户分流到推荐成功率相对较低的推荐策略,而将相对不容易推荐成功的用户分流到推荐成功率较高的推荐策略,从而有利于提升对待推荐名单的整体推荐成功率、用户转化率,实现增效的目标。
在另一种可选的实现方式中,在N=2的情况下,即上述N种推荐策略包括第一推荐策略和第二推荐策略,且第一推荐策略的历史推荐成功率小于第二推荐策略的历史推荐成功率,上述S106可以包括如下步骤:步骤B1,从待推荐名单的各用户中,按照在第一推荐策略对应的预测推荐分值由高到低的顺序选取指定数量用户,作为第一推荐策略匹配的目标用户,并将其余的用户作为第二推荐策略的候选用户;步骤B2,确定第二推荐策略的候选用户中每个用户的分值差,每个用户的分值差是指相应用户在第一推荐策略对应的预测推荐分值和在第二推荐策略对应的预测推荐分值之间的分值差;步骤B3,从第二推荐策略的候选用户中,按照分值差由高到低的顺序选取指定数量用户作为第二推荐策略匹配的目标用户,以及将该候选用户中其余的用户添加为第一推荐策略匹配的目标用户。
示例地,以电话销售场景为例,假设上述N种推荐策略包括智能机器人电销和人工电销两种推荐策略,智能机器人电销的历史成功率小于人工电销的历史成功率,待推荐名单中共有100名用户。在此基础上,首先,对于智能机器人电销,从待推荐名单中选取在智能机器人电销下对应的预测推荐分值排在前10位的用户,作为智能机器人电销匹配的目标用户,可以确保将相对容易推荐成功的用户分流到智能机器人电销,可以保证对这部分用户的推荐成功率;接着,将其余的90名用户作为人工电销的候选用户,并确定这90名用户分别在智能机器人电销和人工电销对应的预测推荐分值之间的分值差;进一步,从这90名用户中,选取分值差排在前25位的用户作为人工电销匹配的目标用户,并将其余的65名用户也作为智能机器人电销匹配的目标用户,可以且确保将相对不容易推荐成功的用户分流到人工电销,通过电销人员的主观能动性,提升对这部分用户的推荐成功率,从而提升对待推荐名单的整体推荐成功率,达到增效的效果。
可以理解的是,由于历史推荐成功率越高的推荐策略的业务推荐效果越好,并且,在某种推荐策略下对应的预测推荐分值越高的用户对该推荐策略的转化率、推荐成功的概率越高,基于此,优先为历史推荐成功率低的推荐策略匹配在推荐策略下推荐分值较高的用户,可以确保将待推荐名单中相对容易推荐成功的用户分流到推荐成功率较低的推荐策略,进而保证对这部分用户的推荐成功率;接着,考虑到用户在两种推荐策略下对应的预测推荐分值之间的分值差越大,表明对该用户推荐成功的概率越小,基于此,为历史推荐成功率较高的推荐策略匹配分值差较大的用户,再为历史推荐成功率较低的推荐策略匹配分值差较小的用户,可以确保将待推荐名单中相对不容易推荐成功的用户分流到推荐成功率高的推荐策略,进而保证对这部分用户的提交成功率;这样,有利于提升对待推荐名单的整体推荐成功率、用户转化率,实现增效的目标。
在又一种可选的实现方式中,在N=2的情况下,即上述N种推荐策略包括第一推荐策略和第二推荐策略,且第一推荐策略的历史推荐成功率小于第二推荐策略的历史推荐成功率,上述S106可以包括如下步骤:步骤C1,确定待推荐名单中各用户的分值差,每个用户的分值差是指相应用户分别在第一推荐策略对应的预测推荐分值和在第二推荐策略对应的预测推荐分值之间的分值差;步骤C2,从待推荐名单的各用户中,按照分值差由高到低的顺序选取指定数量用户,作为第二推荐策略匹配的目标用户,以及将待推荐名单中其余的用户作为第一推荐策略匹配的目标用户,其中,第二推荐策略匹配的目标用户数量小于第一推荐策略匹配的目标用户数量。
示例地,仍以电话销售场景为例,假设上述N种推荐策略包括智能机器人电销和人工电销两种推荐策略,智能机器人电销的历史成功率小于人工电销的历史成功率,待推荐名单中共有100名用户。在此基础上,首先,确定这100名用户分别在智能机器人电销和人工电销对应的预测推荐分值之间的分值差;接着,从这100名用户中选取分值差排在前20位的用户,作为人工电销匹配的目标用户,以及将其余的80名用户作为智能机器人电销匹配的目标用户,可以确保将少量相对不易推荐成功的用户分流到历史推荐成功率高的人工电销,充分利用电销人员的主观能动性,在保证对这部分用户的推荐成功率的情况下,减少对人力资源的消耗,而将大量相对容易推荐成功的用户分流到历史推荐成功率低的智能机器人电销,可以保证对这部分用户的推荐成功率;这样,在保证对待推荐名单的整体推荐成功率的情况下,所需的人力资源更少,可以达到降本的效果。
本申请实施例在此示出了上述S106的部分具体实现方式。当然,应理解,上述S106还可以通过其他方式实现,本申请实施例对此不作限定。
S108,基于各种推荐策略对各种推荐策略匹配的目标用户进行业务推荐。
针对每种推荐策略,在为该推荐策略匹配到相应的目标用户之后,可采用该推荐策略对所匹配的目标用户进行业务推荐,有利于提高用户转化率、推荐成功率。
示例地,在电话销售场景下,上述N种推荐策略包括智能机器人电销和人工电销,可将待推荐名单中的用户分流到智能机器人电销和人工电销,然后对待推荐名单中的不同用户采用不同的推荐策略进行电话销售。又如,在电商平台场景下,上述N种推荐策略包括N种营销渠道和广告位,可将待推荐名单中的用户投放到不同的营销渠道和广告位。再如,在金融理财场景中,上述N种推荐策略包括N个理财投资产品,可为待推荐名单中的用户推荐相应的理财投资产品。
针对上述N种推荐策略各自对应的推荐模型,本申请实施例还包括对各种推荐策略对应的推荐模型的训练方法。值得说明的是,对每种推荐策略对应的推荐模型的训练是基于该推荐策略匹配的历史用户的用户特征及历史业务推荐结果预先进行的,后续在业务推荐过程中,无需每次对推荐模型进行训练,或者,可以周期性地基于新获取的历史用户的用户特征及历史业务推荐结果对推荐模型进行更新。
具体地,对每种推荐策略对应的推荐模型的训练方法如图3所示,包括:
S302,针对每种推荐策略,获取该推荐策略匹配的历史用户的用户特征及历史用户的历史业务推荐结果。
其中,与推荐策略匹配的历史用户是指被使用了该推荐策略进行业务推荐的历史用户。历史用户的历史业务推荐结果包括历史用户对该推荐策略所执行的反馈操作信息,比如购买产品、登录APP、参与完成营销过程、未完成营销过程但通话时长大于预设时长等操作的操作信息。
S304,基于历史用户的历史业务推荐结果中的反馈操作信息,对历史用户的历史业务推荐结果进行值化处理,得到历史用户的历史推荐分值。
具体地,不同反馈操作信息与数值之间具有预设对应关系,通过查询该预设对应关系,可确定历史用户的历史业务推荐结果中的反馈操作信息对应的数值,进而根据这些数值确定历史用户的历史推荐分值。
表1
反馈操作信息 | 数值 |
购买产品 | 1 |
登录APP | 0.8 |
参与完成营销过程 | 0.6 |
未完成营销过程,但是通话时长大于40秒 | 0.4 |
其他 | 0 |
示例地,表1示出了部分反馈操作信息与数值之间的预设对应关系。
对于某个推荐策略,若历史用户对该推荐策略的反馈操作为购买产品,那么,通过查询上述表1,可确定历史用户的历史推荐分值为1;若历史用户对该推荐策略的反馈操作包括购买产品、登录APP、参与完成营销过程,那么,通过查询上述表1,可从1、0.8、0.6中选取最大数值作为历史用户的历史推荐分值,或者,也可以对1、0.8、0.6进行加权求和后的均值,作为历史用户的历史推荐分值。
S306,基于该推荐策略匹配的历史用户的用户特征和历史推荐分值,训练该推荐策略对应的推荐模型。
具体地,可针对每个推荐策略,将该推荐策略匹配的历史用户的历史推荐分值作为标签,将该推荐策略匹配的历史用户的用户特征作为输入的样本,利用本领域常用的各种模型训练方法进行训练,比如反向传播算法、梯度下降算法等,得到该推荐策略对应的推荐模型。
示例地,可针对每个推荐策略,从历史推荐记录中提取被使用该推荐策略的历史用户名单,采用无放回随机采样的方式,从历史用户名单中选取多个历史用户,并获取各个历史用户的用户特征和历史业务推荐结果,通过对各个历史用户的历史业务推荐结果进行值化处理,得到各个历史用户的历史推荐分值。
然后,将多个历史用户各自的用户特征输入待训练模型,得到多个历史用户的预测推荐分值,并基于预设损失函数,如均方误差(Mean Square Error,MSE)、多个历史用户的预测推荐分值和历史推荐分值,计算待训练模型的预测损失。
进一步,基于待训练模型的预测损失计算待训练模型中各个网络的权值上的梯度,并通过优化器完成权值更新。
重复上述步骤直至满足预设训练停止条件,比如训练次数达到预设训练次数、待训练模型的预测损失收敛等,并保存当前的待训练模型的权值,计算当前的待训练模型在验证集上的得分。示例地,可将验证集中的各历史用户的用户特征输入当前的待训练模型中,得到各历史用户的预测推荐分值,然后计算各历史用户的预测推荐分值与历史推荐分值之间的距离,比如其中,d表示历史用户的预测推荐分值与历史推荐分值之间的距离,p表示历史用户的预测推荐分值,t表示历史用户的历史推荐分值;进一步,将验证集中所有历史用户的预测推荐分值与历史推荐分值之间的距离的平均值,作为当前的待训练模型在验证集上的得分。
如果当前的待训练模型在验证集上的得分超过预设分值,则将当前的待训练模型作为该推荐策略对应的推荐模型;否则,重复上述过程,直至当前的待训练模型在验证集上的得分超过预设分值为止。
下面分别以电话销售场景、电商平台场景以及金融理财场景为例,对本申请实施例提供的业务推荐方法进行说明。
场景一:电话销售场景
适用于该业务场景的N个推荐策略包括智能机器人电销和人工电销,在该业务场景下,用户的用户特征包括用户的属性特征、行为特征、情感特征以及社会特征,其中,用户的属性特征可以例如包括但不限于用户的性别、年龄段、婚姻状况等,用户的行为特征可以例如包括但不限于用户的营销行为特征(比如近3个月内的电话接通次数、电话通话的总时长、电话通话平均时间等)、登录行为特征(比如近3个月的登录次数、登录形式、主动登录次数、通过第三方应用登录的次数)等,用户的情感特征可以例如包括但不限于平均情感值、最近一次的情感值、情感值小于0的占比等,用户的社会特征可以例如包括但不限于工作类型、收入区间、居住城市等。
首先,从历史电销记录中提取通过智能机器人电销的多个第一历史用户各自的上述用户特征及各第一历史用户对智能机器人电销的业务推荐结果,并对业务推荐结果进行值化处理,得到各第一历史用户的历史推荐分值;然后,利用多个第一历史用户各自的用户特征和历史推荐分值,训练智能机器人电销对应的推荐模型(以下称为第一推荐模型)。
同样地,从历史电销记录中提取通过人工电销的多个第二历史用户各自的上述用户特征及各第二历史用户对人工电销的业务推荐结果,并对业务推荐结果进行值化处理,得到各第二历史用户的历史推荐分值;然后,利用多个第二历史用户各自的用户特征和历史推荐分值,训练人工电销对应的推荐模型(以下称为第二推荐模型)。
结合图4,若要对待推荐名单中的用户进行电销,可将待推荐名单中各用户的用户特征输入第一推荐模型,得到各用户在智能机器人电销下的预测推荐分值(以下称为第一预测推荐分值),以及将待推荐名单中各用户的用户特征输入第二推荐模型,得到各用户在人工电销下的预测推荐分值(以下称为第二预测推荐分值);进一步,基于待推荐名单中各用户的第一预测推荐分值和第二预测推荐分值,将待推荐名单中的用户分流到智能机器人电销和人工电销;最后,通过智能机器人对分流到智能机器人电销的用户进行电话销售,以及通过销售人员对分流到人工电销的用户进行电话销售。
场景二:电商平台场景
适用于该业务场景的N个推荐策略包括N个广告位,在该业务场景下,用户的用户特征包括用户的历史购买记录、浏览行为、兴趣爱好等。
首先,针对每个广告位,从电商平台的历史交易记录中提取投放到该广告位的多个历史用户各自的用户特征及各历史用户对该广告位的业务推荐结果,并对业务推荐结果进行值化处理,得到各历史用户的历史推荐分值;然后,利用多个历史用户各自的用户特征和历史推荐分值,训练广告位对应的推荐模型。
结合图5,若要对待推荐名单中的用户进行广告投放,可针对每个广告位,将待推荐名单中各用户的用户特征输入该广告位对应的推荐模型,得到各用户在该广告位下的预测推荐分值;进一步,基于待推荐名单中各用户在N个广告位下对应的N个预测推荐分值,将待推荐名单中的用户投放到不同的广告位。
场景三:金融理财场景
适用于该业务场景的N个推荐策略包括N个理财产品,在该业务场景下,用户的用户特征包括用户的财务状况、投资偏好、风险承受能力等。
首先,针对每个理财产品,从历史购买记录中提取被推荐该理财产品的多个历史用户各自的用户特征及各历史用户对该理财产品的业务推荐结果,并对业务推荐结果进行值化处理,得到各历史用户的历史推荐分值;然后,利用多个历史用户各自的用户特征和历史推荐分值,训练该理财产品对应的推荐模型。
结合图6,若要对待推荐名单中的用户推荐理财产品,可针对每个理财产品,将待推荐名单中各用户的用户特征输入该理财产品对应的推荐模型,得到各用户在该理财产品下的预测推荐分值;进一步,基于待推荐名单中各用户在N个理财产品下对应的N个预测推荐分值,将待推荐名单中的用户分流到不同的理财产品;最后,为每个理财产品匹配的用户推荐该理财产品。
本申请的一个或多个实施例提供的业务推荐方法,预先针对适用于目标业务场景的N种推荐策略中的每一种,利用该推荐策略匹配的历史用户在目标业务场景下的用户特征及历史业务推荐结果,训练该推荐策略对应的推荐模型,使得该推荐模型能够基于任一用户的用户特征,准确预测在目标业务场景下,使用该推荐策略对该用户进行业务推荐的推荐结果;在此基础上,通过N种推荐策略分别对待推荐名单中各用户进行推荐预测,并将用户对各种推荐策略下的业务推荐结果量化为相应的预测推荐分值,得到用户在N种推荐策略下对应的N个预测推荐分值;进一步,综合考虑待推荐名单中各用户在N种推荐策略下分别对应的预测推荐分值,将推荐名单中的用户匹配不同的推荐策略中,得到N种推荐策略分别匹配的目标用户,使在目标业务场景下的用户分流更精细、更准确,无论对于简单业务场景还是复杂和精细化的业务场景,均能够更好地适应目标业务场景下的用户分流需求;最后,基于各种推荐策略,对各种推荐策略匹配的目标用户进行业务推荐,有利于提高用户转化率。
应理解,本申请实施例提供的业务推荐方法应用于上述三种业务场景只是一种示例性的说明,并不应理解为对该方法所适用的业务场景的限定。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本申请实施例还提供一种业务推荐装置。请参见图7,为本申请的一个实施例提供的一种业务推荐装置700的结构示意图,该装置700可以包括:
获取单元710,用于获取待推荐名单中各用户的用户特征,每个用户的用户特征是指相应用户在目标业务场景下的特征;
预测单元720,用于通过适用于所述目标业务场景的N种推荐策略分别对应的推荐模型,基于各用户的用户特征对各用户进行推荐预测,得到各用户在所述N种推荐策略下对应的N个预测推荐分值,其中,N为大于1的整数,每个预测推荐分值对应一种推荐策略,用户的每个预测推荐分值用于表示用户在相应推荐策略下的业务推荐结果,每个推荐模型为基于所对应的推荐策略匹配的历史用户的用户特征及历史业务推荐结果进行训练得到;
分流单元730,用于基于所述待推荐名单中各用户在所述N种推荐策略下对应的N个预测推荐分值,确定所述N种推荐策略分别匹配的目标用户;
推荐单元740,用于基于各种推荐策略对各种推荐策略匹配的目标用户进行业务推荐。
可选地,所述分流单元730在基于所述待推荐名单中各用户在所述N种推荐策略下对应的N个预测推荐分值,确定所述N种推荐策略分别匹配的目标用户时,执行如下步骤:
按照历史推荐成功率对所述N种推荐策略进行用户选取的优先级排序;其中,排序在后的推荐策略对应的历史推荐成功率高于优先级排序在前的推荐策略;
按照优先级排序由前到后的顺序确定当前需进行用户选取的当前推荐策略,并从所述当前推荐策略对应的候选用户中,按照所述当前推荐策略对应的预测推荐分值由高到低的顺序选取指定数量的用户,作为所述当前推荐策略匹配的目标用户;其中,按照优先级排序的顺序,后一个推荐策略对应的候选用户是指前一个推荐策略的候选用户中除去所述前一个推荐策略的目标用户后的剩余用户;第一个推荐策略对应的候选用户是指所述待推荐名单中的各用户。可选地,在N=2的情况下,所述N种推荐策略包括第一推荐策略和第二推荐策略,且所述第一推荐策略的历史推荐成功率小于所述第二推荐策略的历史推荐成功率;
所述分流单元730在基于所述待推荐名单中各用户在所述N种推荐策略下对应的N个预测推荐分值,确定所述N种推荐策略分别匹配的目标用户时,执行如下步骤:
从所述待推荐名单的各用户中按照在所述第一推荐策略对应的预测推荐分值由高到低的顺序选取指定数量用户,作为所述第一推荐策略匹配的目标用户,并将其余的用户作为所述第二推荐策略的候选用户;
确定所述第二推荐策略的候选用户中每个用户的分值差,每个用户的分值差是指相应用户在所述第一推荐策略对应的预测推荐分值和在第二推荐策略对应的预测推荐分值之间的分值差;
从所述第二推荐策略的候选用户中,按照分值差由大到小的顺序选取指定数量用户作为所述第二推荐策略匹配的目标用户,以及将所述候选用户中其余的用户添加为所述第一推荐策略匹配的目标用户。
可选地,在N=2的情况下,所述N种推荐策略包括第一推荐策略和第二推荐策略,所述第一推荐策略的历史推荐成功率小于所述第二推荐策略的历史推荐成功率;
所述分流单元730在基于所述待推荐名单中各用户在所述N种推荐策略下对应的N个预测推荐分值,确定所述N种推荐策略分别匹配的目标用户时,执行如下步骤:
确定所述待推荐名单中各用户的分值差,每个用户的分值差是指相应用户分别在所述第一推荐策略对应的预测推荐分值和在所述第二推荐策略对应的预测推荐分值之间的分值差;
从所述待推荐名单的各用户中按照分值差由高到低的顺序选取指定数量用户,作为所述第二推荐策略匹配的目标用户,以及将所述各用户中其余的用户作为所述第一推荐策略匹配的目标用户,其中,所述第二推荐策略匹配的目标用户数量小于所述第一推荐策略匹配的目标用户数量。
可选地,各个推荐模型包括编码网络和预测网络;
任意一个推荐模型中的编码网络,用于对各用户的用户特征进行编码,得到各用户的特征向量;
所述任意一个推荐模型中的预测网络,用于基于编码网络输出的各用户的特征向量,预测各用户在所述任意一个推荐模型对应的推荐策略下的预测推荐分值。
可选地,各用户的用户特征包括各用户在多个业务维度的用户子特征,所述编码网络包括嵌入子网络、线性子网络以及交叉子网络;
所述嵌入子网络,用于对各用户在多个业务维度的用户子特征中的离散特征进行嵌入处理,得到各用户的第一特征子向量;
所述线性子网络,用于对各用户在多个业务维度的用户子特征中的连续特征进行线性映射处理,得到各用户的第二特征子向量;
所述交叉子网络,用于对各用户的第一特征子向量和第二特征子向量进行融合处理,得到各用户的特征向量。
可选地,所述各用户的用户特征包括各用户在多个业务维度的用户子特征;
所述预测单元720在通过适用于所述目标业务的N种推荐策略分别对应的推荐模型,基于各用户的用户特征对各用户进行推荐预测,得到各用户在所述N种推荐策略下对应的N个预测推荐分值时,执行如下步骤:
从每个用户在多个业务维度的用户子特征中确定每个用户存在数据缺失的用户子特征;
基于存在数据缺失的用户子特征的类型,对每个用户存在数据缺失的用户子特征进行数据补充,得到各用户的目标用户特征;
将各用户的目标用户特征输入所述N种推荐策略分别对应的推荐模型,得到各用户在所述N种推荐策略下对应的N个预测推荐分值。
可选地,所述获取单元710还用于:在所述预测单元720通过适用于所述目标业务的N种推荐策略分别对应的推荐模型,基于各用户的用户特征对各用户进行推荐预测,得到各用户在所述N种推荐策略下对应的N个预测推荐分值之前,针对每种推荐策略,获取所述推荐策略匹配的历史用户的用户特征及所述历史用户的历史业务推荐结果,所述历史业务推荐结果包括所述历史用户对所述推荐策略所执行的反馈操作信息;
所述业务推荐装置700还包括:
值化单元,用于基于所述历史业务推荐结果中的反馈操作信息,对所述历史业务推荐结果进行值化处理,得到所述历史用户的历史推荐分值;
训练单元,用于基于所述推荐策略匹配的历史用户的用户特征和历史推荐分值,训练所述推荐策略对应的推荐模型。
显然,本申请实施例提供的业务推荐装置能够作为图1所示的业务推荐方法的执行主体,例如图1所示的业务推荐方法中,步骤S102可由图7所示的业务推荐装置中的获取单元710执行,步骤S104可由图7所示的业务推荐装置中的预测单元720执行,步骤S106可由图7所示的业务推荐装置中的分流单元730执行,步骤S108可由图7所示的业务推荐装置中的推荐单元740执行。
根据本申请的另一个实施例,图7所示的业务推荐装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本申请实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以由多个单元来实现,或者多个单元的功能由一个单元实现。在本申请的其他实施例中,业务推荐装置也可以包括其他单元,在实际应用中,这些功能也可以由其他单元协助实现,并且可以由多个单元协作实现。
根据本申请的另一个实施例,可以通过在包括中央处理单元(CentralProcessing Unit,CPU)、随机存取存储介质(Random Access Memory,RAM)、只读存储介质(Read-Only Memory,ROM)等处理元件和存储元件的例如计算机的通用计算设备上,运行能够执行如图1所示的相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造如图7中所示的业务推荐装置,以及来实现本申请实施例的业务推荐方法。所述计算机程序可以记载于例如计算机可读存储介质上,并通过计算机可读存储介质转载于电子设备中,并在其中运行。
图8是本申请的一个实施例电子设备的结构示意图。请参考图8,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述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8中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成业务推荐装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:获取待推荐名单中各用户的用户特征,每个用户的用户特征是指相应用户在目标业务场景下的特征;通过适用于所述目标业务场景的N种推荐策略分别对应的推荐模型,基于各用户的用户特征对各用户进行推荐预测,得到各用户在所述N种推荐策略下对应的N个预测推荐分值,其中,N为大于1的整数,每个预测推荐分值对应一种推荐策略,用户的每个预测推荐分值用于表示用户在相应推荐策略下的业务推荐结果,每个推荐模型为基于所对应的推荐策略匹配的历史用户的用户特征及历史业务推荐结果进行训练得到;基于所述待推荐名单中各用户在所述N种推荐策略下对应的N个预测推荐分值,确定所述N种推荐策略分别匹配的目标用户;基于各种推荐策略对各种推荐策略匹配的目标用户进行业务推荐。
上述如本申请图1所示实施例揭示的业务推荐装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1的方法,并实现业务推荐装置在图1至图6所示实施例的功能,本申请实施例在此不再赘述。
当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示实施例的方法,并具体用于执行以下操作:获取待推荐名单中各用户的用户特征,每个用户的用户特征是指相应用户在目标业务场景下的特征;通过适用于所述目标业务场景的N种推荐策略分别对应的推荐模型,基于各用户的用户特征对各用户进行推荐预测,得到各用户在所述N种推荐策略下对应的N个预测推荐分值,其中,N为大于1的整数,每个预测推荐分值对应一种推荐策略,用户的每个预测推荐分值用于表示用户在相应推荐策略下的业务推荐结果,每个推荐模型为基于所对应的推荐策略匹配的历史用户的用户特征及历史业务推荐结果进行训练得到;基于所述待推荐名单中各用户在所述N种推荐策略下对应的N个预测推荐分值,确定所述N种推荐策略分别匹配的目标用户;基于各种推荐策略对各种推荐策略匹配的目标用户进行业务推荐。
总之,以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (11)
1.一种业务推荐方法,其特征在于,包括:
获取待推荐名单中各用户的用户特征,每个用户的用户特征是指相应用户在目标业务场景下的特征;
通过适用于所述目标业务场景的N种推荐策略分别对应的推荐模型,基于各用户的用户特征对各用户进行推荐预测,得到各用户在所述N种推荐策略下对应的N个预测推荐分值,其中,N为大于1的整数,每个预测推荐分值对应一种推荐策略,用户的每个预测推荐分值用于表示用户在相应推荐策略下的业务推荐结果,每个推荐模型为基于所对应的推荐策略匹配的历史用户的用户特征及历史业务推荐结果进行训练得到;
基于所述待推荐名单中各用户在所述N种推荐策略下对应的N个预测推荐分值,确定所述N种推荐策略分别匹配的目标用户;
基于各种推荐策略对各种推荐策略匹配的目标用户进行业务推荐。
2.根据权利要求1所述的方法,其特征在于,所述基于所述待推荐名单中各用户在所述N种推荐策略下对应的N个预测推荐分值,确定所述N种推荐策略分别匹配的目标用户,包括:
按照历史推荐成功率对所述N种推荐策略进行用户选取的优先级排序;其中,排序在后的推荐策略对应的历史推荐成功率高于优先级排序在前的推荐策略;
按照优先级排序由前到后的顺序确定当前需进行用户选取的当前推荐策略,并从所述当前推荐策略对应的候选用户中,按照所述当前推荐策略对应的预测推荐分值由高到低的顺序选取指定数量的用户,作为所述当前推荐策略匹配的目标用户;其中,按照优先级排序的顺序,后一个推荐策略对应的候选用户是指前一个推荐策略的候选用户中除去所述前一个推荐策略的目标用户后的剩余用户;第一个推荐策略对应的候选用户是指所述待推荐名单中的各用户。
3.根据权利要求1所述的方法,其特征在于,在N=2的情况下,所述N种推荐策略包括第一推荐策略和第二推荐策略,且所述第一推荐策略的历史推荐成功率小于所述第二推荐策略的历史推荐成功率;
所述基于所述待推荐名单中各用户在所述N种推荐策略下对应的N个预测推荐分值,确定所述N种推荐策略分别匹配的目标用户,包括:
从所述待推荐名单的各用户中按照在所述第一推荐策略对应的预测推荐分值由高到低的顺序选取指定数量用户,作为所述第一推荐策略匹配的目标用户,并将其余的用户作为所述第二推荐策略的候选用户;
确定所述第二推荐策略的候选用户中每个用户的分值差,每个用户的分值差是指相应用户在所述第一推荐策略对应的预测推荐分值和在第二推荐策略对应的预测推荐分值之间的分值差;
从所述第二推荐策略的候选用户中,按照分值差由大到小的顺序选取指定数量用户作为所述第二推荐策略匹配的目标用户,以及将所述候选用户中其余的用户添加为所述第一推荐策略匹配的目标用户。
4.根据权利要求1所述的方法,其特征在于,在N=2的情况下,所述N种推荐策略包括第一推荐策略和第二推荐策略,所述第一推荐策略的历史推荐成功率小于所述第二推荐策略的历史推荐成功率;
所述基于所述待推荐名单中各用户在所述N种推荐策略下对应的N个预测推荐分值,确定所述N种推荐策略分别匹配的目标用户,包括:
确定所述待推荐名单中各用户的分值差,每个用户的分值差是指相应用户分别在所述第一推荐策略对应的预测推荐分值和在所述第二推荐策略对应的预测推荐分值之间的分值差;
从所述待推荐名单的各用户中按照分值差由高到低的顺序选取指定数量用户,作为所述第二推荐策略匹配的目标用户,以及将所述各用户中其余的用户作为所述第一推荐策略匹配的目标用户,其中,所述第二推荐策略匹配的目标用户数量小于所述第一推荐策略匹配的目标用户数量。
5.根据权利要求1所述的方法,其特征在于,各个推荐模型包括编码网络和预测网络;任意一个推荐模型中的编码网络,用于对各用户的用户特征进行编码,得到各用户的特征向量;所述任意一个推荐模型中的预测网络,用于基于编码网络输出的各用户的特征向量,预测各用户在所述任意一个推荐模型对应的推荐策略下的预测推荐分值。
6.根据权利要求5所述的方法,其特征在于,各用户的用户特征包括各用户在多个业务维度的用户子特征,所述编码网络包括嵌入子网络、线性子网络以及交叉子网络;
所述嵌入子网络,用于对各用户在多个业务维度的用户子特征中的离散特征进行嵌入处理,得到各用户的第一特征子向量;
所述线性子网络,用于对各用户在多个业务维度的用户子特征中的连续特征进行线性映射处理,得到各用户的第二特征子向量;
所述交叉子网络,用于对各用户的第一特征子向量和第二特征子向量进行融合处理,得到各用户的特征向量。
7.根据权利要求1所述的方法,其特征在于,所述各用户的用户特征包括各用户在多个业务维度的用户子特征;所述通过适用于所述目标业务的N种推荐策略分别对应的推荐模型,基于各用户的用户特征对各用户进行推荐预测,得到各用户在所述N种推荐策略下对应的N个预测推荐分值,包括:
从每个用户在多个业务维度的用户子特征中确定每个用户存在数据缺失的用户子特征;
基于存在数据缺失的用户子特征的类型,对每个用户存在数据缺失的用户子特征进行数据补充,得到各用户的目标用户特征;
将各用户的目标用户特征输入所述N种推荐策略分别对应的推荐模型,得到各用户在所述N种推荐策略下对应的N个预测推荐分值。
8.根据权利要求1至7中任一项所述的方法,其特征在于,在通过适用于所述目标业务的N种推荐策略分别对应的推荐模型,基于各用户的用户特征对各用户进行推荐预测,得到各用户在所述N种推荐策略下对应的N个预测推荐分值之前,所述方法还包括:
针对每种推荐策略,获取所述推荐策略匹配的历史用户的用户特征及所述历史用户的历史业务推荐结果,所述历史业务推荐结果包括所述历史用户对所述推荐策略所执行的反馈操作信息;
基于所述历史业务推荐结果中的反馈操作信息,对所述历史业务推荐结果进行值化处理,得到所述历史用户的历史推荐分值;
基于所述推荐策略匹配的历史用户的用户特征和历史推荐分值,训练所述推荐策略对应的推荐模型。
9.一种业务推荐装置,其特征在于,包括:
获取单元,用于获取待推荐名单中各用户的用户特征,每个用户的用户特征是指相应用户在目标业务场景下的特征;
预测单元,用于通过适用于所述目标业务场景的N种推荐策略分别对应的推荐模型,基于各用户的用户特征对各用户进行推荐预测,得到各用户在所述N种推荐策略下对应的N个预测推荐分值,其中,N为大于1的整数,每个预测推荐分值对应一种推荐策略,用户的每个预测推荐分值用于表示用户在相应推荐策略下的业务推荐结果,每个推荐模型为基于所对应的推荐策略匹配的历史用户的用户特征及历史业务推荐结果进行训练得到;
分流单元,用于基于所述待推荐名单中各用户在所述N种推荐策略下对应的N个预测推荐分值,确定所述N种推荐策略分别匹配的目标用户;
推荐单元,用于基于各种推荐策略对各种推荐策略匹配的目标用户进行业务推荐。
10.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至8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,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310680705.1A CN117493626A (zh) | 2023-06-08 | 2023-06-08 | 业务推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310680705.1A CN117493626A (zh) | 2023-06-08 | 2023-06-08 | 业务推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117493626A true CN117493626A (zh) | 2024-02-02 |
Family
ID=89675098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310680705.1A Pending CN117493626A (zh) | 2023-06-08 | 2023-06-08 | 业务推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117493626A (zh) |
-
2023
- 2023-06-08 CN CN202310680705.1A patent/CN117493626A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
US9723151B2 (en) | Optimized routing of interactions to contact center agents based on forecast agent availability and customer patience | |
US9635181B1 (en) | Optimized routing of interactions to contact center agents based on machine learning | |
US9716792B2 (en) | System and method for generating a network of contact center agents and customers for optimized routing of interactions | |
CN108874823A (zh) | 智能客服的实现方法和装置 | |
US20170111503A1 (en) | Optimized routing of interactions to contact center agents based on agent preferences | |
CN107451854B (zh) | 确定用户类型的方法及装置、电子设备 | |
US10440187B1 (en) | Bootstrapped predicative routing in CRM | |
CN113159901B (zh) | 融资租赁业务会话的实现方法和装置 | |
US20180247247A1 (en) | Method and system for search provider selection based on performance scores with respect to each search query | |
CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
US20180374029A1 (en) | Selection of customer service requests | |
CN112966189B (zh) | 一种基金产品推荐*** | |
CN111061948B (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
US10762423B2 (en) | Using a neural network to optimize processing of user requests | |
CN109829593B (zh) | 目标对象的信用度确定方法、装置、存储介质及电子装置 | |
CN116433324A (zh) | 一种产品推荐方法、装置、介质和计算机设备 | |
CN114092162B (zh) | 推荐质量确定方法、推荐质量确定模型的训练方法及装置 | |
CN117493626A (zh) | 业务推荐方法、装置、电子设备及存储介质 | |
CN117493625A (zh) | 业务推荐模型的训练方法、业务推荐方法及相关设备 | |
Inoue et al. | Mobile-carrier & mobile-phone choice behavior analysis using supervised learning models | |
CN117495392A (zh) | 用户交互方法、预测模型的训练方法及相关设备 | |
KR102689996B1 (ko) | 스마트 부동산 매칭 시스템 | |
CN117495393A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN112671823B (zh) | 基于机器学习的交互到联络中心代理的最优路由 |
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 |