Nothing Special   »   [go: up one dir, main page]

CN110852785B - 用户分级方法、装置及计算机可读存储介质 - Google Patents

用户分级方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN110852785B
CN110852785B CN201910976136.9A CN201910976136A CN110852785B CN 110852785 B CN110852785 B CN 110852785B CN 201910976136 A CN201910976136 A CN 201910976136A CN 110852785 B CN110852785 B CN 110852785B
Authority
CN
China
Prior art keywords
user
product
grading
users
behavior record
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.)
Active
Application number
CN201910976136.9A
Other languages
English (en)
Other versions
CN110852785A (zh
Inventor
张浩然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN201910976136.9A priority Critical patent/CN110852785B/zh
Publication of CN110852785A publication Critical patent/CN110852785A/zh
Application granted granted Critical
Publication of CN110852785B publication Critical patent/CN110852785B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Technology Law (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种人工智能技术，揭露了一种用户分级方法，包括：获取原始用户标签集、原始用户行为记录集和产品分级集并进行处理得到初级用户标签集及初级用户行为记录集，对所述初级用户标签集进行分级操作得到普通用户标签集及核心用户标签集，将所述初级用户行为记录集进行预处理得到训练集，将所述训练集、普通用户标签集、核心用户标签集输入至分级模型中训练，接收用户行为记录，将所述行为记录输入至所述分级模型得到用户分级集，根据所述用户分级集与所述产品分级集建立用户产品对应模型，根据所述用户产品对应模型推荐用户对应的产品。本发明还提出一种用户分级装置以及一种计算机可读存储介质。本发明可以实现精准高效的用户分级功能。

Description

用户分级方法、装置及计算机可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种根据用户行为对用户进行分级的方法、装置及计算机可读存储介质。
背景技术
用户分级是根据用户的特征对用户进行划分的操作手段，如对于寿险公司来说，如何根据客户信息对客户进行分级划分，从而更为精确且自动地提供合适的产品。目前基于用户分级多以朴素贝叶斯或支持向量机为基础，如朴素贝叶斯根据用户建立条件概率模型，根据条件概率模型求解用户分级，支持向量机通过构建超平面对用户进行分级，上述方法虽然可以达到用户分级的目的，但缺少结合用户与产品之间的分析，难以达到精确的用户分级目的。
发明内容
本发明提供一种用户分级方法、装置及计算机可读存储介质，其主要目的在于提供一种能够结合用户与产品之间的分析，达到精确的用户分级的目的。
为实现上述目的，本发明提供的一种用户分级方法，包括：
获取原始用户标签集、原始用户行为记录集和产品分级集，并对所述原始用户标签集及所述原始用户行为记录集进行去异常处理得到具有对应关系的初级用户标签集及初级用户行为记录集；
根据用户属性对所述初级用户标签集进行分级操作，得到普通用户标签集及核心用户标签集；
将所述初级用户行为记录集进行预处理操作后得到训练集，将所述训练集、所述普通用户标签集及所述核心用户标签集输入至预先构建的分级模型中训练得到损失值，判断所述损失值与预设损失值的大小关系，若所述损失值大于所述预设损失值，所述分级模型继续训练内部参数，若所述损失值小于或等于所述预设损失值，所述分级模型完成训练；
接收用户的行为记录，将用户的所述行为记录输入至完成训练的所述分级模型中对所述用户进行分级得到用户分级集；
根据所述用户分级集与所述产品分级集建立用户-产品对应模型，根据所述用户-产品对应模型推荐用户对应的产品。
可选地，所述分级模型包括输入层、卷积层、池化层、全连接层和输出层；及
所述训练包括：
利用所述输入层接收所述初级用户行为记录集，利用所述卷积层、池化层、全连接层结合激活函数根据所述初级用户行为记录集进行训练，得到训练值并通过输出层输出预测值；
将所述预测值与所述普通用户标签集及所述核心用户标签集进行损失计算得到损失值。
可选地，所述激活函数包括：
其中，Oj表示所述全连接层第j个神经元的输出值，Ij表示所述输出层第j个神经元的输入值，t表示所述输出层神经元的总量，e为无限不循环小数；
所述损失计算包括：
其中，sj为所述预测值，k为所述初级用户标签集的数量，yi为所述普通用户标签集，yi ′为所述核心用户标签集。
可选地，所述建立用户-产品对应模型包括：
根据所述用户分级集与所述产品分级集计算不同用户m,n对所述产品分级集中第i个级别产品的偏好相似度；
计算所述用户分级集中的用户行为习惯相似度；
基于所述偏好相似度及所述用户行为习惯相似度构建出所述用户-产品对应模型。
可选地，所述偏好相似度包括：
其中，ps(m,n)为不同用户m,n对所述产品分级集中第i个级别产品的偏好相似度，其中m,n表示所述用户分级集中不同的用户级别数据，m为所述用户分级集中核心用户的用户级别数据，n为所述用户分级集中普通用户的用户级别数据，ps表示所述产品分级集，i为不同的分级产品，rmi表示在所述产品分级集中第i个级别下核心用户的用户数、rni表示在所述产品分级集中第i个级别下普通用户的用户数，rm表示所述用户分级集中核心用户的用户总数、rn表示所述用户分级集中普通用户的用户总数，a、b为所述偏好相似度的相关系数。
此外，为实现上述目的，本发明还提供一种用户分级装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的用户分级程序，所述用户分级程序被所述处理器执行时实现如下步骤：
获取原始用户标签集、原始用户行为记录集和产品分级集，并对所述原始用户标签集及所述原始用户行为记录集进行去异常处理得到具有对应关系的初级用户标签集及初级用户行为记录集；
根据用户属性对所述初级用户标签集进行分级操作，得到普通用户标签集及核心用户标签集；
将所述初级用户行为记录集进行预处理操作后得到训练集，将所述训练集、所述普通用户标签集及所述核心用户标签集输入至预先构建的分级模型中训练得到损失值，判断所述损失值与预设损失值的大小关系，若所述损失值大于所述预设损失值，所述分级模型继续训练内部参数，若所述损失值小于或等于所述预设损失值，所述分级模型完成训练；
接收用户的行为记录，将用户的所述行为记录输入至完成训练的所述分级模型中对所述用户进行分级得到用户分级集；
根据所述用户分级集与所述产品分级集建立用户-产品对应模型，根据所述用户-产品对应模型推荐用户对应的产品。
可选地，所述分级模型包括输入层、卷积层、池化层、全连接层和输出层；及
所述训练包括：
利用所述输入层接收所述初级用户行为记录集，利用所述卷积层、池化层、全连接层结合激活函数根据所述初级用户行为记录集进行训练，得到训练值并通过输出层输出预测值；
将所述预测值与所述普通用户标签集及所述核心用户标签集进行损失计算得到损失值。
可选地，所述激活函数包括：
其中，Oj表示所述全连接层第j个神经元的输出值，Ij表示所述输出层第j个神经元的输入值，t表示所述输出层神经元的总量，e为无限不循环小数；
所述损失计算包括：
其中，sj为所述预测值，k为所述初级用户标签集的数量，yi为所述普通用户标签集，yi ′为所述核心用户标签集。
可选地，所述建立用户-产品对应模型包括：
根据所述用户分级集与所述产品分级集计算不同用户m,n对所述产品分级集中第i个级别产品的偏好相似度；
计算所述用户分级集中的用户行为习惯相似度；
基于所述偏好相似度及所述用户行为习惯相似度构建出所述用户-产品对应模型。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有用户分级程序，所述用户分级程序可被一个或者多个处理器执行，以实现如上所述的用户分级方法的步骤。
本发明对原始用户标签集、原始用户行为记录集和产品分级集进行去异常处理并通过分级操作得到普通用户标签集及核心用户标签集，通过第一次的分级操作可以对用户进行划分，同时训练预先构建的分级模型，利用已经训练完成的分级模型判断用户行为，并根据用户分级集与产品分级集建立用户-产品对应模型，达到最终的用户产品推荐，总共通过三大步进行划分和推荐，可有效的提高分级效率。因此本发明提出的用户分级方法、装置及计算机可读存储介质，可以实现精准高效的用户分级。
附图说明
图1为本发明一实施例提供的用户分级方法的流程示意图；
图2为本发明一实施例提供的用户分级装置的内部结构示意图；
图3为本发明一实施例提供的用户分级装置中用户分级程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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发明，并不用于限定本发明。
本发明提供一种用户分级方法。参照图1所示，为本发明一实施例提供的用户分级方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，用户分级方法包括：
S1、获取原始用户标签集、原始用户行为记录集和产品分级集，并对所述原始用户标签集及所述原始用户行为记录集进行去异常处理得到具有对应关系的初级用户标签集及初级用户行为记录集。
较佳地，本发明所述的用户分级方法是根据预设属性对用户进行分级操作。如电信公司根据用户每月的话费消费记录、用户每月出省次数、用户的工作种类等属性，将用户分成轻度话费消耗和重度话费消费；保险公司根据用户每年在保险上的投保费用、用户的学历、用户的家庭成员数目等属性，将用户分成不投保用户、轻度投保用户和重度投保用户等，因此，本发明当接收到一位新用户时，根据所述新用户的预设属性对该用户进行分级。
本发明较佳实施例中所述原始用户行为记录集即上述的预设属性。如寿险公司对用户进行分级划分，所述原始用户行为记录集一般包括：用户在所述寿险公司内所购买的寿险产品的总价值及购买的寿险产品的总次数，用户在所述寿险公司的网页上收藏的寿险产品的种类数，用户在所述寿险公司的网页上所浏览的寿险产品的次数等。
进一步地，所述原始用户标签集即不同用户的编号，如采用数字加字母的方式，用户A001、用户A002、用户B001等。
优选地，本发明较佳实施例根据产品的属性对原始产品进行分级得到所述产品分级集，一般不同的产品可根据不同的产品属性进行划分。如寿险公司有少儿险、健康险、养老险、保障险、两全险、意外险、附加险、分红险等，因此，可根据每个险种的销售情况，将寿险划分为流行产品、长尾产品、利基产品等产品分级集。
较佳地，所述去异常处理是将所述原始用户标签集及所述原始用户行为记录集的关系进行一一对应，若不满足一一对应关系，则剔除所述原始用户标签集及所述原始用户行为记录集中多余的数据，或者或添加所述原始用户标签集及所述原始用户行为记录集中缺少的数据。
优选地，本发明所述去异常处理包括，例如：上述寿险公司对用户进行分级划分，在所述原始用户标签集中记录了用户A001，且在所述原始用户行为记录集中记录了所述用户A001在所述寿险公司内所购买的寿险产品的总价值为13000元，总共购买寿险产品的总次数为9次，所述用户A001在所述寿险公司的网页上收藏的寿险产品的种类数为18种，在所述寿险公司的网页上所浏览的寿险产品的次数为621次等，因此满足所述一一对应关系；若所述原始用户标签集中记录了用户B001，而在所述原始用户行为记录集中并没有记录所述用户B001任何的行为记录，则在所述原始用户标签集去除所述用户B001；相同的，若所述原始用户行为记录集中记录了用户C001行为记录，但是所述原始用户标签集并没有出现所述用户C001，则在所述原始用户标签集添加所述用户C001。
综合来说，根据所述去异常处理可有效防止由于前期数据不全或数据不对等而造成的分级准确率低下的现象。
S2、根据用户属性对所述初级用户标签集进行分级操作，得到普通用户标签集及核心用户标签集。
优选地，如上述寿险公司对用户进行分级划分，可根据用户是否购买了所述寿险公司的普通产品及核心产品，将所述初级用户标签集划分为普通用户标签集及核心用户标签集，所述普通用户标签集是购买了所述寿险公司的普通产品，所述核心用户标签集是购买了所述核心产品，不需要关心是否购买所述普通产品。因此本发明接收新用户的预测时，预测所述新用户是否为核心用户或普通用户。
S3、将所述初级用户行为记录集进行预处理操作后得到训练集，将所述训练集、所述普通用户标签集及所述核心用户标签集输入至预先构建的分级模型中训练得到损失值，判断所述损失值与预设损失值的大小关系，若所述损失值大于所述预设损失值，所述分级模型继续训练内部参数，若所述损失值小于或等于所述预设损失值，所述分级模型完成训练。
优选地，本发明所述预处理操作包括定性定量转变、数字提取、数字归一化等操作。
所述定性定量转变是将所述初级用户行为记录集中非数字的属性转变为数字属性。如网店A对用户的消费能力进行消费分级，若用户收藏了所述网店A的产品a、产品b、产品e、产品s等，则所述定性定量转变是统计出所有收藏的产品数并输出结果。
所述数字提取是将数字属性提取出来，如产品收藏数、浏览数等。
所述数字归一化是将所述初级用户行为记录集内的数字映射到[0,1]范围内，因为各个数字的量级一般差距很大，如寿险购买的总金额一定比购买次数的数字大很多，所以为了缩小因为量级带来的差距，一般所述归一化是必不可少的。优选地，所述归一化的方法为：
其中，Xnormal为所述归一化后的数字，X为所述归一化前的数字，Xmax所述初级用户行为记录集最大的数字，Xmin为所述初级用户行为记录集中数值最小的数字。
本发明较佳实施例中，所述分级模型包括输入层、卷积层、池化层、全连接层和输出层。
较佳地，所述训练过程具体地为：利用所述输入层接收所述初级用户行为记录集，利用所述卷积层、池化层、全连接层结合激活函数训练得到训练值并通过输出层输出预测值集，将所述预测值与所述普通用户标签集及所述核心用户标签集进行损失计算得到损失值，判断所述损失值与预设损失值的大小，若所述损失值大于所述预设损失值，则继续训练，若所述损失值小于所述预设损失值，则退出训练。
本发明较佳实施例，所述激活函数包括Softmax函数。所述Softmax函数为：
其中，Oj表示所述全连接层第j个神经元的输出值，Ij表示所述输出层第j个神经元的输入值，t表示所述输出层神经元的总量，e为无限不循环小数；
所述损失计算包括：
其中，sj为所述预测值，k为所述初级用户标签集的数量，yi为所述普通用户标签集，yi ′为所述核心用户标签集。
S4、接收用户的行为记录，将用户的所述行为记录输入至完成训练的所述分级模型中对所述用户进行分级得到用户分级集。
优选地，如寿险公司对用户进行分级划分的寿险客户分级模型，当所述寿险客户分级模型接收到用户A～用户Z的所有行为记录时，根据所述用户A～用户Z的所有行为记录分级为核心用户、普通用户等。
S5、根据所述用户分级集与所述产品分级集建立用户-产品对应模型，根据所述用户-产品对应模型推荐用户对应的产品。
如上所述，产品分级集可以包括流行产品、长尾产品、利基产品等。其中，所述流行产品是最受欢迎购买人数最多的产品；所述长尾产品是需求不旺或销量不佳的产品；所述利基产品是指该产品虽然销量一般，但是有明显表现出来与其他产品不同的独特利益，同时也能得到用户认同的产品。
优选地，所述用户-产品对应模型的目的是将所述用户分级集内不同级别的用户与所述产品分级集中不同产品属性的产品进行对应，以此将不同级别的用户与不同产品属性的产品进行关联推荐的目的，进而达到更精确的智能推荐目的。
进一步地，所述用户-产品对应模型包括计算不同用户m,n对所述产品分级集中第i个级别产品的偏好相似度，计算用户行为习惯相似度，基于所述偏好相似度及所述用户行为习惯相似度构建出用户-产品对应模型。
较佳地，所述偏好相似度为：
其中，ps(m，n)为不同用户m，n对所述产品分级集中第i个级别产品的偏好相似度，其中m，n表示所述用户分级集中不同级别的用户，如m可表示核心用户，n可表示为普通用户，ps表示所述产品分级集，i为不同的分级产品，如所述流行产品、长尾产品、利基产品，因此当i∈ps，i＝1时，代表所述产品分级集其中一个级别的产品，如所述流行产品等，rmi表示在所述产品分级集中第i个级别下核心用户的用户数、rni表示在所述产品分级集中第i个级别下普通用户的用户数，rm表示所述用户分级集中核心用户的用户总数、rn表示所述用户分级集中普通用户的用户总数，a、b为所述偏好相似度的相关系数。
进一步地，所述用户行为习惯相似度如上述的步骤S1所述，如寿险公司对用户进行用户行为记录包括有用户在所述寿险公司内所购买的寿险产品的总价值及购买的寿险产品的总次数，用户在所述寿险公司的网页上收藏的寿险产品的种类数，用户在所述寿险公司的网页上所浏览的寿险产品的次数等，因此根据所述用户分级集中不同级别的用户的行为记录计算可得到所述不同用户之间的用户行为习惯相似度。
较佳地，所述用户-产品对应模型最终为：
sim(x，[m，n])＝α*ps(x，[m，n])+β*hs(x，[m，n])
其中，sim(x，[m，n])为所述用户-产品对应模型，hs(x，[m，n])为所述用户行为习惯相似度，α，β分别为所述用户-产品对应模型的权重，x是未知用户，当接收到未知用户x时，所述用户-产品对应模型将未知用户x依次与不同级别的用户[m，n]进行相似度计算，依次遍历出与未知用户x相似度最高的用户，因此根据所述相似度最高的用户的级别向未知用户x推荐对应的同级别的产品，达到产品推荐的目的。
发明还提供一种用户分级装置。参照图2所示，为本发明一实施例提供的用户分级装置的内部结构示意图。
在本实施例中，所述用户分级装置1可以是PC(Personal Computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。该用户分级装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是用户分级装置1的内部存储单元，例如该用户分级装置1的硬盘。存储器11在另一些实施例中也可以是用户分级装置1的外部存储设备，例如用户分级装置1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括用户分级装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于用户分级装置1的应用软件及各类数据，例如用户分级程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行用户分级程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在用户分级装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及用户分级程序01的用户分级装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对用户分级装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的装置1实施例中，存储器11中存储有用户分级程序01；处理器12执行存储器11中存储的用户分级程序01时实现如下步骤：
步骤一、获取原始用户标签集、原始用户行为记录集和产品分级集，并对所述原始用户标签集及所述原始用户行为记录集进行去异常处理得到具有对应关系的初级用户标签集及初级用户行为记录集。
较佳地，本发明所述的用户分级方法是根据预设属性对用户进行分级操作。如电信公司根据用户每月的话费消费记录、用户每月出省次数、用户的工作种类等属性，将用户分成轻度话费消耗和重度话费消费；保险公司根据用户每年在保险上的投保费用、用户的学历、用户的家庭成员数目等属性，将用户分成不投保用户、轻度投保用户和重度投保用户等，因此，本发明当接收到一位新用户时，根据所述新用户的预设属性对该用户进行分级。
本发明较佳实施例中所述原始用户行为记录集即上述的预设属性。如寿险公司对用户进行分级划分，所述原始用户行为记录集一般包括：用户在所述寿险公司内所购买的寿险产品的总价值及购买的寿险产品的总次数，用户在所述寿险公司的网页上收藏的寿险产品的种类数，用户在所述寿险公司的网页上所浏览的寿险产品的次数等。
进一步地，所述原始用户标签集即不同用户的编号，如采用数字加字母的方式，用户A001、用户A002、用户B001等。
优选地，本发明较佳实施例根据产品的属性对原始产品进行分级得到所述产品分级集，一般不同的产品可根据不同的产品属性进行划分。如寿险公司有少儿险、健康险、养老险、保障险、两全险、意外险、附加险、分红险等，因此，可根据每个险种的销售情况，将寿险划分为流行产品、长尾产品、利基产品等产品分级集。
较佳地，所述去异常处理是将所述原始用户标签集及所述原始用户行为记录集的关系进行一一对应，若不满足一一对应关系，则剔除所述原始用户标签集及所述原始用户行为记录集中多余的数据，或者或添加所述原始用户标签集及所述原始用户行为记录集中缺少的数据。
优选地，本发明所述去异常处理包括，例如：上述寿险公司对用户进行分级划分，在所述原始用户标签集中记录了用户A001，且在所述原始用户行为记录集中记录了所述用户A001在所述寿险公司内所购买的寿险产品的总价值为13000元，总共购买寿险产品的总次数为9次，所述用户A001在所述寿险公司的网页上收藏的寿险产品的种类数为18种，在所述寿险公司的网页上所浏览的寿险产品的次数为621次等，因此满足所述一一对应关系；若所述原始用户标签集中记录了用户B001，而在所述原始用户行为记录集中并没有记录所述用户B001任何的行为记录，则在所述原始用户标签集去除所述用户B001；相同的，若所述原始用户行为记录集中记录了用户C001行为记录，但是所述原始用户标签集并没有出现所述用户C001，则在所述原始用户标签集添加所述用户C001。
综合来说，根据所述去异常处理可有效防止由于前期数据不全或数据不对等而造成的分级准确率低下的现象。
步骤二、根据用户属性对所述初级用户标签集进行分级操作，得到普通用户标签集及核心用户标签集。
优选地，如上述寿险公司对用户进行分级划分，可根据用户是否购买了所述寿险公司的普通产品及核心产品，将所述初级用户标签集划分为普通用户标签集及核心用户标签集，所述普通用户标签集是购买了所述寿险公司的普通产品，所述核心用户标签集是购买了所述核心产品，不需要关心是否购买所述普通产品。因此本发明接收新用户的预测时，预测所述新用户是否为核心用户或普通用户。
步骤三、将所述初级用户行为记录集进行预处理操作后得到训练集，将所述训练集、所述普通用户标签集及所述核心用户标签集输入至预先构建的分级模型中训练得到损失值，判断所述损失值与预设损失值的大小关系，若所述损失值大于所述预设损失值，所述分级模型继续训练内部参数，若所述损失值小于或等于所述预设损失值，所述分级模型完成训练。
优选地，本发明所述预处理操作包括定性定量转变、数字提取、数字归一化等操作。
所述定性定量转变是将所述初级用户行为记录集中非数字的属性转变为数字属性。如网店A对用户的消费能力进行消费分级，若用户收藏了所述网店A的产品a、产品b、产品e、产品s等，则所述定性定量转变是统计出所有收藏的产品数并输出结果。
所述数字提取是将数字属性提取出来，如产品收藏数、浏览数等。
所述数字归一化是将所述初级用户行为记录集内的数字映射到[0,1]范围内，因为各个数字的量级一般差距很大，如寿险购买的总金额一定比购买次数的数字大很多，所以为了缩小因为量级带来的差距，一般所述归一化是必不可少的。优选地，所述归一化的方法为：
其中，Xnormal为所述归一化后的数字，X为所述归一化前的数字，Xmax所述初级用户行为记录集最大的数字，Xmin为所述初级用户行为记录集中数值最小的数字。
本发明较佳实施例中，所述分级模型包括输入层、卷积层、池化层、全连接层和输出层。
较佳地，所述训练过程具体地为：利用所述输入层接收所述初级用户行为记录集，利用所述卷积层、池化层、全连接层结合激活函数训练得到训练值并通过输出层输出预测值集，将所述预测值与所述普通用户标签集及所述核心用户标签集进行损失计算得到损失值，判断所述损失值与预设损失值的大小，若所述损失值大于所述预设损失值，则继续训练，若所述损失值小于所述预设损失值，则退出训练。
本发明较佳实施例，所述激活函数包括Softmax函数。所述Softmax函数为：
其中，Oj表示所述全连接层第j个神经元的输出值，Ij表示所述输出层第j个神经元的输入值，t表示所述输出层神经元的总量，e为无限不循环小数；
所述损失计算包括：
其中，sj为所述预测值，k为所述初级用户标签集的数量，yi为所述普通用户标签集，yi ′为所述核心用户标签集。
步骤四、接收用户的行为记录，将用户的所述行为记录输入至完成训练的所述分级模型中对所述用户进行分级得到用户分级集。
优选地，如寿险公司对用户进行分级划分的寿险客户分级模型，当所述寿险客户分级模型接收到用户A～用户Z的所有行为记录时，根据所述用户A～用户Z的所有行为记录分级为核心用户、普通用户等。
步骤五、根据所述用户分级集与所述产品分级集建立用户-产品对应模型，根据所述用户-产品对应模型推荐用户对应的产品。
如上所述，产品分级集可以包括流行产品、长尾产品、利基产品等。其中，所述流行产品是最受欢迎购买人数最多的产品；所述长尾产品是需求不旺或销量不佳的产品；所述利基产品是指该产品虽然销量一般，但是有明显表现出来与其他产品不同的独特利益，同时也能得到用户认同的产品。
优选地，所述用户-产品对应模型的目的是将所述用户分级集内不同级别的用户与所述产品分级集中不同产品属性的产品进行对应，以此将不同级别的用户与不同产品属性的产品进行关联推荐的目的，进而达到更精确的智能推荐目的。
进一步地，所述用户-产品对应模型包括计算不同用户m，n对所述产品分级集中第i个级别产品的偏好相似度，计算用户行为习惯相似度，基于所述偏好相似度及所述用户行为习惯相似度构建出用户-产品对应模型。
较佳地，所述偏好相似度为：
其中，ps(m，n)为不同用户m，n对所述产品分级集中第i个级别产品的偏好相似度，其中m，n表示所述用户分级集中不同级别的用户，如m可表示核心用户，n可表示为普通用户，ps表示所述产品分级集，i为不同的分级产品，如所述流行产品、长尾产品、利基产品，因此当i∈ps，i＝1时，代表所述产品分级集其中一个级别的产品，如所述流行产品等，rmi表示在所述产品分级集中第i个级别下核心用户的用户数、rni表示在所述产品分级集中第i个级别下普通用户的用户数，rm表示所述用户分级集中核心用户的用户总数、rn表示所述用户分级集中普通用户的用户总数，a、b为所述偏好相似度的相关系数。
进一步地，所述用户行为习惯相似度如上述的步骤一所述，如寿险公司对用户进行用户行为记录包括有用户在所述寿险公司内所购买的寿险产品的总价值及购买的寿险产品的总次数，用户在所述寿险公司的网页上收藏的寿险产品的种类数，用户在所述寿险公司的网页上所浏览的寿险产品的次数等，因此根据所述用户分级集中不同级别的用户的行为记录计算可得到所述不同用户之间的用户行为习惯相似度。
较佳地，所述用户-产品对应模型最终为：
sim(x，[m，n])＝α*ps(x，[m，n])+β*hs(x，[m，n])
其中，sim(x，[m，n])为所述用户-产品对应模型，hs(x，[m，n])为所述用户行为习惯相似度，α，β分别为所述用户-产品对应模型的权重，x是未知用户，当接收到未知用户x时，所述用户-产品对应模型将未知用户x依次与不同级别的用户[m，n]进行相似度计算，依次遍历出与未知用户x相似度最高的用户，因此根据所述相似度最高的用户的级别向未知用户x推荐对应的同级别的产品，达到产品推荐的目的。
可选地，在其他实施例中，用户分级程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述用户分级程序在用户分级装置中的执行过程。
例如，参照图3所示，为本发明用户分级装置一实施例中的用户分级程序的程序模块示意图，该实施例中，所述用户分级程序可以被分割为数据接收及处理模块10、分级操作模块20、模型训练模块30、用户分级及产品推荐模块40示例性地：
所述数据接收及处理模块10用于：获取原始用户标签集、原始用户行为记录集和产品分级集，并对所述原始用户标签集及所述原始用户行为记录集进行去异常处理得到具有对应关系的初级用户标签集及初级用户行为记录集。
所述分级操作模块20用于：根据用户属性对所述初级用户标签集进行分级操作，得到普通用户标签集及核心用户标签集。
所述模型训练模块30用于：将所述初级用户行为记录集进行预处理操作后得到训练集，将所述训练集、所述普通用户标签集及所述核心用户标签集输入至预先构建的分级模型中训练得到损失值，判断所述损失值与预设损失值的大小关系，若所述损失值大于所述预设损失值，所述分级模型继续训练内部参数，若所述损失值小于或等于所述预设损失值，所述分级模型完成训练。
所述用户分级及产品推荐模块40用于：接收用户的行为记录，将用户的所述行为记录输入至完成训练的所述分级模型中对所述用户进行分级得到用户分级集，根据所述用户分级集与所述产品分级集建立用户-产品对应模型，根据所述用户-产品对应模型推荐用户对应的产品。
上述数据接收及处理模块10、分级操作模块20、模型训练模块30、用户分级及产品推荐模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有用户分级程序，所述用户分级程序可被一个或多个处理器执行，以实现如下操作：
获取原始用户标签集、原始用户行为记录集和产品分级集，并对所述原始用户标签集及所述原始用户行为记录集进行去异常处理得到具有对应关系的初级用户标签集及初级用户行为记录集。
根据用户属性对所述初级用户标签集进行分级操作，得到普通用户标签集及核心用户标签集。
将所述初级用户行为记录集进行预处理操作后得到训练集，将所述训练集、所述普通用户标签集及所述核心用户标签集输入至预先构建的分级模型中训练得到损失值，判断所述损失值与预设损失值的大小关系，若所述损失值大于所述预设损失值，所述分级模型继续训练内部参数，若所述损失值小于或等于所述预设损失值，所述分级模型完成训练。
接收用户的行为记录，将用户的所述行为记录输入至完成训练的所述分级模型中对所述用户进行分级得到用户分级集，根据所述用户分级集与所述产品分级集建立用户-产品对应模型，根据所述用户-产品对应模型推荐用户对应的产品。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种用户分级方法，其特征在于，所述方法包括：
获取原始用户标签集、原始用户行为记录集和产品分级集，并对所述原始用户标签集及所述原始用户行为记录集进行去异常处理得到具有对应关系的初级用户标签集及初级用户行为记录集；
根据用户属性对所述初级用户标签集进行分级操作，得到普通用户标签集及核心用户标签集；
将所述初级用户行为记录集进行预处理操作后得到训练集，将所述训练集、所述普通用户标签集及所述核心用户标签集输入至预先构建的分级模型中训练得到损失值，判断所述损失值与预设损失值的大小关系，若所述损失值大于所述预设损失值，所述分级模型继续训练内部参数，若所述损失值小于或等于所述预设损失值，所述分级模型完成训练；
接收用户的行为记录，将用户的所述行为记录输入至完成训练的所述分级模型中对所述用户进行分级得到用户分级集；
根据所述用户分级集与所述产品分级集建立用户-产品对应模型，根据所述用户-产品对应模型推荐用户对应的产品；
其中，所述建立用户-产品对应模型包括：根据所述用户分级集与所述产品分级集计算不同用户m,n对所述产品分级集中第i个级别产品的偏好相似度，所述偏好相似度的公式为：
其中，ps(m,n)为不同用户m,n对所述产品分级集中第i个级别产品的偏好相似度，其中m,n表示所述用户分级集中不同的用户级别数据，m为所述用户分级集中核心用户的用户级别数据，n为所述用户分级集中普通用户的用户级别数据，ps表示所述产品分级集，i为不同的分级产品，rmi表示在所述产品分级集中第i个级别下核心用户的用户数、rni表示在所述产品分级集中第i个级别下普通用户的用户数，rm表示所述用户分级集中核心用户的用户总数、rn表示所述用户分级集中普通用户的用户总数，a、b为所述偏好相似度的相关系数；根据所述用户分级集中的用户的行为记录计算得到所述用户分级集中的用户之间的用户行为习惯相似度，基于所述偏好相似度及所述用户行为习惯相似度构建出所述用户-产品对应模型sim(x,[m,n])＝α*ps(x,[m,n])+β*hs(x,[m,n])，其中，sim(x,[m,n])为所述用户-产品对应模型，α,β分别为所述用户-产品对应模型的权重，x为未知用户，hs(x,[m,n])为未知用户x与不同级别的用户[m,n]之间的用户行为习惯相似度，ps(x,[m,n])为未知用户x与不同级别的用户[m,n]对不同产品的偏好相似度，当接收到未知用户x时，所述用户-产品对应模型将未知用户x依次与不同级别的用户[m,n]进行相似度计算，遍历出与未知用户x相似度最高的用户，根据所述相似度最高的用户的级别向所述未知用户x推荐对应的同级别的产品，所述用户行为习惯包括用户所购买的产品的总价值及购买的产品的总次数，用户在销售所述产品的公司网页上收藏的产品的种类数，以及用户在所述网页上所浏览的产品的次数。
2.如权利要求1所述的用户分级方法，其特征在于，所述分级模型包括输入层、卷积层、池化层、全连接层和输出层；及
所述训练包括：
利用所述输入层接收所述初级用户行为记录集，利用所述卷积层、池化层、全连接层结合激活函数根据所述初级用户行为记录集进行训练，得到训练值并通过输出层输出预测值；
将所述预测值与所述普通用户标签集及所述核心用户标签集进行损失计算得到损失值。
3.如权利要求2所述的用户分级方法，其特征在于，所述激活函数包括：
其中，Oj表示所述全连接层第j个神经元的输出值，Ij表示所述输出层第j个神经元的输入值，t表示所述输出层神经元的总量，e为无限不循环小数；
所述损失计算包括：
其中，sj为所述预测值，k为所述初级用户标签集的数量，yi为所述普通用户标签集，y′i为所述核心用户标签集。
4.一种用户分级装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的用户分级程序，所述用户分级程序被所述处理器执行时实现如下步骤：
获取原始用户标签集、原始用户行为记录集和产品分级集，并对所述原始用户标签集及所述原始用户行为记录集进行去异常处理得到具有对应关系的初级用户标签集及初级用户行为记录集；
根据用户属性对所述初级用户标签集进行分级操作，得到普通用户标签集及核心用户标签集；
将所述初级用户行为记录集进行预处理操作后得到训练集，将所述训练集、所述普通用户标签集及所述核心用户标签集输入至预先构建的分级模型中训练得到损失值，判断所述损失值与预设损失值的大小关系，若所述损失值大于所述预设损失值，所述分级模型继续训练内部参数，若所述损失值小于或等于所述预设损失值，所述分级模型完成训练；
接收用户的行为记录，将用户的所述行为记录输入至完成训练的所述分级模型中对所述用户进行分级得到用户分级集；
根据所述用户分级集与所述产品分级集建立用户-产品对应模型，根据所述用户-产品对应模型推荐用户对应的产品；
其中，所述建立用户-产品对应模型包括：根据所述用户分级集与所述产品分级集计算不同用户m,n对所述产品分级集中第i个级别产品的偏好相似度，所述偏好相似度的公式为：
其中，ps(m,n)为不同用户m,n对所述产品分级集中第i个级别产品的偏好相似度，其中m,n表示所述用户分级集中不同的用户级别数据，m为所述用户分级集中核心用户的用户级别数据，n为所述用户分级集中普通用户的用户级别数据，ps表示所述产品分级集，i为不同的分级产品，rmi表示在所述产品分级集中第i个级别下核心用户的用户数、rni表示在所述产品分级集中第i个级别下普通用户的用户数，rm表示所述用户分级集中核心用户的用户总数、rn表示所述用户分级集中普通用户的用户总数，a、b为所述偏好相似度的相关系数；
根据所述用户分级集中的用户的行为记录计算得到所述用户分级集中的用户之间的用户行为习惯相似度，基于所述偏好相似度及所述用户行为习惯相似度构建出所述用户-产品对应模型sim(x,[m,n])＝α*ps(x,[m,n])+β*hs(x,[m,n])，其中，sim(x,[m,n])为所述用户-产品对应模型，α,β分别为所述用户-产品对应模型的权重，x为未知用户，hs(x,[m,n])为未知用户x与不同级别的用户[m,n]之间的用户行为习惯相似度，ps(x,[m,n])为未知用户x与不同级别的用户[m,n]对不同产品的偏好相似度，当接收到未知用户x时，所述用户-产品对应模型将未知用户x依次与不同级别的用户[m,n]进行相似度计算，遍历出与未知用户x相似度最高的用户，根据所述相似度最高的用户的级别向所述未知用户x推荐对应的同级别的产品，所述用户行为习惯包括用户所购买的产品的总价值及购买的产品的总次数，用户在销售所述产品的公司网页上收藏的产品的种类数，以及用户在所述网页上所浏览的产品的次数。
5.如权利要求4所述的用户分级装置，其特征在于，所述分级模型包括输入层、卷积层、池化层、全连接层和输出层；及
所述训练包括：
利用所述输入层接收所述初级用户行为记录集，利用所述卷积层、池化层、全连接层结合激活函数根据所述初级用户行为记录集进行训练，得到训练值并通过输出层输出预测值；
将所述预测值与所述普通用户标签集及所述核心用户标签集进行损失计算得到损失值。
6.如权利要求5所述的用户分级装置，其特征在于，所述激活函数包括：
其中，Oj表示所述全连接层第j个神经元的输出值，Ij表示所述输出层第j个神经元的输入值，t表示所述输出层神经元的总量，e为无限不循环小数；
所述损失计算包括：
其中，sj为所述预测值，k为所述初级用户标签集的数量，yi为所述普通用户标签集，yi ′为所述核心用户标签集。
7.一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上存储有用户分级程序，所述用户分级程序可被一个或者多个处理器执行，以实现如权利要求1至3中任一项所述的用户分级方法的步骤。
CN201910976136.9A 2019-10-12 2019-10-12 用户分级方法、装置及计算机可读存储介质 Active CN110852785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910976136.9A CN110852785B (zh) 2019-10-12 2019-10-12 用户分级方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910976136.9A CN110852785B (zh) 2019-10-12 2019-10-12 用户分级方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110852785A CN110852785A (zh) 2020-02-28
CN110852785B true CN110852785B (zh) 2023-11-21

Family

ID=69596616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910976136.9A Active CN110852785B (zh) 2019-10-12 2019-10-12 用户分级方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110852785B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102011A (zh) * 2020-10-13 2020-12-18 平安科技（深圳）有限公司 基于人工智能的用户等级预测方法、装置、终端及介质
CN114860788B (zh) * 2022-04-22 2023-05-05 广东车卫士信息科技有限公司 一种技术推广信息服务系统及方法
CN115511124B (zh) * 2022-09-27 2023-04-18 上海网商电子商务有限公司 一种基于售后维修记录的客户分级方法
CN115444263B (zh) * 2022-09-29 2024-05-07 深圳市轻生活科技有限公司 基于语音识别控制的智能止鼾枕头及止鼾方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009057103A2 (en) * 2007-10-31 2009-05-07 Musicgenome.Com Inc. Content-based recommendations across domains
WO2010037286A1 (zh) * 2008-09-27 2010-04-08 华为技术有限公司 一种基于协同过滤的推荐方法和系统
CN107820619A (zh) * 2017-09-21 2018-03-20 达闼科技（北京）有限公司 一种分级交互决策方法、交互终端以及云端服务器
CN110246012A (zh) * 2019-06-14 2019-09-17 哈尔滨哈银消费金融有限责任公司 基于社交数据的消费金融产品推荐方法、装置和设备
CN110264306A (zh) * 2019-05-21 2019-09-20 平安银行股份有限公司 基于大数据的产品推荐方法、装置、服务器及介质
CN110298574A (zh) * 2019-06-21 2019-10-01 国网辽宁省电力有限公司鞍山供电公司 一种基于卷积神经网络的用电用户缴费风险评级方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009057103A2 (en) * 2007-10-31 2009-05-07 Musicgenome.Com Inc. Content-based recommendations across domains
WO2010037286A1 (zh) * 2008-09-27 2010-04-08 华为技术有限公司 一种基于协同过滤的推荐方法和系统
CN107820619A (zh) * 2017-09-21 2018-03-20 达闼科技（北京）有限公司 一种分级交互决策方法、交互终端以及云端服务器
CN110264306A (zh) * 2019-05-21 2019-09-20 平安银行股份有限公司 基于大数据的产品推荐方法、装置、服务器及介质
CN110246012A (zh) * 2019-06-14 2019-09-17 哈尔滨哈银消费金融有限责任公司 基于社交数据的消费金融产品推荐方法、装置和设备
CN110298574A (zh) * 2019-06-21 2019-10-01 国网辽宁省电力有限公司鞍山供电公司 一种基于卷积神经网络的用电用户缴费风险评级方法

Also Published As

Publication number Publication date
CN110852785A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110852785B (zh) 用户分级方法、装置及计算机可读存储介质
CN109493199A (zh) 产品推荐方法、装置、计算机设备和存储介质
CN112328909B (zh) 信息推荐方法、装置、计算机设备及介质
US20150324939A1 (en) Real-estate client management method and system
US11367116B1 (en) System and method for automatic product matching
CN106844407B (zh) 基于数据集相关性的标签网络产生方法和系统
CN105446970A (zh) 推荐项目的方法和装置
CN112818218B (zh) 信息推荐方法、装置、终端设备及计算机可读存储介质
CN111652278B (zh) 用户行为检测方法、装置、电子设备及介质
CN115391669B (zh) 一种智能推荐方法、装置、电子设备
CN113656690B (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN109977316A (zh) 一种并行式文章推荐方法、装置、设备及存储介质
CN111966886A (zh) 对象推荐方法、对象推荐装置、电子设备及存储介质
CN113742492A (zh) 保险方案生成方法、装置、电子设备及存储介质
CN111582932A (zh) 场景间信息推送方法、装置、计算机设备及存储介质
CN113706291A (zh) 欺诈风险预测方法、装置、设备及存储介质
CN115222433A (zh) 一种信息推荐方法、装置及存储介质
CN115204971B (zh) 产品推荐方法、装置、电子设备及计算机可读存储介质
CN113689233A (zh) 广告投放选品方法及其相应的装置、设备、介质
CN113592605A (zh) 基于相似产品的产品推荐方法、装置、设备及存储介质
CN115018588A (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN111861679A (zh) 一种基于人工智能的商品推荐方法
CN114693409A (zh) 产品匹配方法、装置、计算机设备、存储介质和程序产品
CN118043802A (zh) 一种推荐模型训练方法及装置
CN113505273A (zh) 基于重复数据筛选的数据排序方法、装置、设备及介质

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