本发明属于互联网
技术领域：
，具体涉及一种移动终端合约的推荐方法及系统。
背景技术：
：移动终端合约是目前运营商的主要产品之一，是运营商维持客户粘性，吸引客户的重要手段。为了争取最大化利益，需要尽可能准确地向用户推荐合适的移动终端合约，移动终端合约的推荐方法至关重要。目前，主要通过以下几种终端合约推荐方法：第一种：营销人员依赖经验，判断客户购买意向，进行主动推荐。第二种：营销人员按公司市场政策，将当前公司主推终端合约推荐给客户。第三种：运营商部建设大数据分析系统，对客户进行打标，如按预先定义给用户打上职业、消费水平等标签，根据用户所属的标签做简单判断，向用户推荐相应终端合约。如用户打标为学生，则向该用户推荐千元智能机+校园合约，如用户打标为行业重点客户，则向该用户推荐Iphone合约套餐。在实际应用中，第一种终端合约推荐方法完全取决于一线营销人员的水平和积极性，推荐的移动终端合约不准确。第二种终端合约推荐方法灵活性差，缺乏针对性。第三种终端合约推荐方法更多是将打标数据提供给营销人员参考，选择何种终端合约进行营销更多还是依赖营销人员主观水平，导致向客户推荐的移动合约终端准确性不高。技术实现要素：本发明旨在至少解决现有技术中存在的技术问题之一，提出了一种移动终端合约的推荐方法及系统。为解决上述问题之一，本发明提供了一种移动终端合约的推荐方法，包括：根据历史购买每个移动终端合约的用户的特征向量，抽象出每种移动终端合约对应的至少一个特征向量，每个特征向量至少包括一个维度；获取当前用户的特征向量；计算当前用户的特征向量与抽象出的每个特征向量之间的相似度；选取与当前用户的特征向量相似的抽象出的特征向量所对应的所述移动终端合约，作为向当前用户推荐的所述移动终端合约。优选地，所述选取与当前用户的特征向量相似的抽象出的特征向量所对应的所述移动终端合约，作为向当前用户推荐的所述移动终端合约，包括；判断所述当前用户的特征向量与抽象出的每个特征向量之间的相似度是否达到预设阈值，若是，则选取该抽象出的特征向量所对应的所述移动终端合约，作为向当前用户推荐的所述移动终端合约。优选地，所述根据历史购买每个移动终端合约的用户的特征向量，抽象出每种移动终端合约对应的至少一个特征向量，包括：根据多个历史移动终端合约购买行为数据，获取各自对应的移动终端合约和用户的初始特征向量；针对同一种所述移动终端合约，计算该种移动终端合约对应的所有用户的初始特征向量的平均值，选取该平均值作为该种移动终端合约对应的特征向量。优选地，计算两个所述特征向量之间的相似度，包括：计算两个所述特征向量的每个维度的均值；根据每个维度的均值修正每个所述特征向量，得到两个修正后的所述特征向量；计算修正之后的两个所述特征向量之间的相似度，作为该两个所述特征向量之间的相似度。优选地，所述计算修正之后的两个所述特征向量之间的相似度，包括：通过余弦定理计算修正之后的两个所述特征向量之间的相似度。优选地，所述特征向量的维度包括：职业、消费层次、品牌偏好、兴趣爱好、消费特征、行为轨迹、应用偏好、游戏爱好。本发明还提供一种移动终端合约的推荐系统，包括：抽象模块，用于根据历史购买每个移动终端合约的用户的特征向量，抽象出每种移动终端合约对应的至少一个特征向量，每个特征向量至少包括一个维度；获取模块，用于获取当前用户的特征向量；计算模块，用于计算当前用户的特征向量与抽象出的每个特征向量之间的相似度；选取模块，用于选取与当前用户的特征向量相似的抽象出的特征向量所对应的所述移动终端合约，作为向当前用户推荐的所述移动终端合约。优选地，所述选取模块，还用于判断所述当前用户的特征向量与抽象出的每个特征向量之间的相似度是否达到预设阈值，若是，则选取该抽象出的特征向量所对应的所述移动终端合约，作为向当前用户推荐的所述移动终端合约。优选地，所述抽象模块包括：获取单元，用于根据多个历史移动终端合约购买行为数据，获取各自对应的移动终端合约和用户的初始特征向量；第一计算单元，用于针对同一种所述移动终端合约，计算该种移动终端合约对应的所有用户的初始特征向量的平均值，选取该平均值作为该种移动终端合约对应的特征向量。优选地，计算模块包括：第二计算单元，用于计算两个所述特征向量的每个维度的均值；修正单元，用于根据每个维度的均值修正每个所述特征向量，得到两个修正后的所述特征向量；第三计算单元，用于计算修正之后的两个所述特征向量之间的相似度，作为该两个所述特征向量之间的相似度。优选地，所述第三计算单元，用于通过余弦定理计算修正之后的两个所述特征向量之间的相似度。优选地，所述特征向量的维度包括：职业、消费层次、品牌偏好、兴趣爱好、消费特征、行为轨迹、应用偏好、游戏爱好。本发明具有以下有益效果：本发明提供的移动终端合约的推荐方法及系统，通过对历史购买每个移动终端合约的用户的特征向量进行抽象，从而得到每种移动终端合约对应的至少一个特征向量，并在进行移动终端合约推荐时，通过计算当前用户的特征向量与抽象出的每个特征向量之间的相似度，进而选取与当前用户的特征向量相似的抽象出的特征向量所对应的所述移动终端合约，作为向当前用户推荐的所述移动终端合约，使得推荐移动终端合约是基于历史的终端合约购买行为及用户特征实现的，不仅推荐移动终端合约的方式简单，推荐结果不依赖于营销人员的主观水平，而且由于基于当前用户的特征向量使得推荐更具针对性，因此推荐结果比较准确。附图说明图1为本发明实施例1提供的移动终端合约的推荐方法的流程图；图2为本发明实施例2提供的移动终端合约的推荐方法中的步骤S1的流程图；图3为本发明实施例3提供的移动终端合约的推荐方法中计算两个特征向量的相似度的流程图；图4为本发明实施例4提供的移动终端合约的推荐系统的原理框图；图5为本发明实施例5提供的移动终端合约的推荐系统中抽象模块的原理框图；图6为本发明实施例6提供的移动终端合约的推荐系统中计算模块的原理框图。具体实施方式为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图来对本发明提供的移动终端合约的推荐方法及系统进行详细描述。实施例1图1为本发明实施例1提供的移动终端合约的推荐方法的流程图；请参阅图1，本实施例提供的移动终端合约的推荐方法包括：S1，根据历史购买每个移动终端合约的用户的特征向量，抽象出每种移动终端合约对应的至少一个特征向量，每个特征向量至少包括一个维度。其中，所述特征向量的维度包括：职业、消费层次、品牌偏好、兴趣爱好、消费特征、行为轨迹、应用偏好、游戏爱好。每一个维度可以根据需要设定不同类型为不同的值。例如，以向量的每个维度即为描述客户行为的要素，如：CustomerA＝(ElementA1,ElementA2...ElementAn)；例如，ElementA1可以表示客户月消费情况：取值可以为客户实际月消费金额；ElementA2可以表示客户评级：取值为按VIP客户、集团客户的关键人物等属性由客户经理进行评分；ElementA3可以表示客户应用偏好，其可以根据上网行为数据分析得出，如微信(取值1)，微博(取值2)等。另外，历史购买每个终端合约的用户均会有一定的特征，因此，历史购买的每种终端合约的用户均会对应一个特征向量，而购买同一类型的终端合约的用户可能具有不同的特征，因此，每种移动终端合约对应的至少一个特征向量。S2，获取当前用户的特征向量。其中，当前用户为当前需要购买终端合约的用户。S3，计算当前用户的特征向量与抽象出的每个特征向量之间的相似度。计算两个特征向量的相似度的方式可以基于已有的相似度计算方法实现，本发明实施例对此不做具体描述。S4，选取与当前用户的特征向量相似的抽象出的特征向量所对应的所述移动终端合约，作为向当前用户推荐的所述移动终端合约。其中，当前用户的特征向量是否与某一抽象出的特征向量相似，可以基于当前用户的特征向量与抽象出的特征向量之间的相似度的值进行判断。进一步地，在选取与当前用户的特征向量相似的抽象出的特征向量时，可以从抽象出的每个特征向量中，选取与当前用户的特征向量之间的相似度最大的那个抽象出的特征向量。例如，如果抽象出的特征向量a与当前用户的特征向量之间的相似度比其余抽象出的特征向量与当前用户的特征向量之间的相似度都大，则确定抽象出的特征向量a为与当前用户的特征向量相似的抽象出的特征向量。更进一步地，在选取与当前用户的特征向量相似的抽象出的特征向量所对应的所述移动终端合约，作为向当前用户推荐的所述移动终端合约时，在确定当前用户的特征向量与抽象出的每个特征向量之间的相似度之后，可以进一步判断所述当前用户的特征向量与抽象出的每个特征向量之间的相似度是否达到预设阈值，若是，则选取该抽象出的特征向量所对应的所述移动终端合约，作为向当前用户推荐的所述移动终端合约，在这种情况下，可能会选取多个抽象出的特征向量对应的多个移动终端合约，这样，可供当前用户进行多种选择。其中，预设阈值的具体数值可以根据需要设定。然而，为了获得使推荐结果更加准确，该预设阈值的数值可以设置得比较大，例如，将预设阈值设置为0.9、0.92等等。实施例2图2为本发明实施例2提供的移动终端合约的推荐方法中步骤S1的流程图，本实施例提供的移动终端合约的推荐方法与上述实施例1提供的移动终端合约的推荐方法相类似，同样包括步骤S1～S4，由于步骤S1～S4在实施例1中已有了详细地描述，在此不再赘述。下面仅描述本实施例与上述实施例1的不同点。具体地，请参阅图2，所述步骤S1包括：S11，根据多个历史移动终端合约购买行为数据，获取各自对应的移动终端合约和用户的初始特征向量。其中，一个历史移动终端合约购买行为数据即一个用户购买何种终端合约，因此，一个历史移动终端合约购买行为数据对应一个移动终端合约与一个初始特征向量。对于历史上已成交的每个历史移动终端合约购买行为数据，均获取其对应的移动终端合约和用户的初始特征向量，则可以获得多个一一对应的移动终端合约和初始特征向量。S12，针对同一种所述移动终端合约，计算该种移动终端合约对应的所有用户的初始特征向量的平均值，选取该平均值作为该种移动终端合约对应的特征向量。由于购买同一种移动终端合约的用户有多个，且不同用户对应不同的初始特征向量，因此，本实施例在抽象每种移动终端合约对应的特征向量作为后续进行移动终端合约推荐的参考时，针对同一种移动终端合约，通过计算该种移动终端合约对应的所有用户的初始特征向量各个维度的平均值，将由各个维度的平均值构成的特征向量作为该种移动终端合约对应的特征向量。如，以CustomerStandn表示抽象出的移动终端合约P对应的一种特征向量，则CustomerStandn各个维度的取值为：所有历史购买该种移动终端合约的初始特征向量各个维度的均值，其可以表示如下：CustomerStandardn=(CustomerAn+CustomerBn+CustomerTn)n]]>其中，CustomerAn、CustomerBn和CustomerTn分别为移动终端合约为P时的初始特征向量。实施例3图3为本发明实施例3提供的移动终端合约的推荐方法中计算两个特征向量之间的相似度的流程图。本实施例提供的移动终端合约的推荐方法与上述实施例1和2提供的移动终端合约的推荐方法相类似，同样包括步骤S1-步骤S3，二者的相同点在此不再赘述。下面仅描述本实施例与上述实施例1和2的不同点。具体地，请参阅图3，计算两个所述特征向量之间的相似度，包括：S31，计算两个所述特征向量的每个维度的均值。为了便于说明，下述以这两个特征向量分别为CustomerA和CustomerB为例进行说明。例如，CustomerB＝(ElementB1,ElementB2...ElementAn)CustomerA＝(ElementA1,ElementA2...ElementAn)则，这两个特征向量每个维度的均值可以表示为：EleAvgn＝(ElementAn+ElementBn)÷2。S32，根据每个维度的均值修正每个所述特征向量，得到两个修正后的所述特征向量。上述两个特征向量CustomerA和CustomerB修正后的特征向量可以表示为：CustomerAdjB＝((ElementB1-EleAvg1),...(ElementBn-EleAvgn))CustomerAdjA＝((ElementA1-EleAvg1),...(ElementAn-EleAvgn))S33，计算修正之后的两个所述特征向量之间的相似度，作为该两个所述特征向量之间的相似度。其中，可以通过余弦定理计算修正之后的两个所述特征向量之间的相似度：cos∂={CustomerAdjA,CustomerAdjB}|CustomerAdjA||CustomerAdjB|=Σt=1nCustomerAdjAt×CustomerAdjBtΣt=1n(CustomerAdjAt)2×(CustomerAdjBt)2]]>本发明实施例中，如果两个客户的特征向量之间的相似度比较大，则可以认为其行为相似。然而，向量包括方向和大小两个方面。方向维度，如两个特征向量夹角接近0，则两个客户的行为相似度越高。通过余弦定理来判断两个特征向量的夹角，从而推算两类用户行为的相似度。但大小维度，余弦定理计算的相似度对绝对大小不敏感，如两个特征向量分别为(1,2)和(4,5)，余弦定理计算结果为0.98，表明两个客户行为相似，但从数值角度看，两者还是存在差异。因此，本发明实施例通过上述方式修正特征向量，即在特征向量的所有维度上均减去一个均值方法，可以消除这种误差，从而使得计算结果更加准确。实施例4图4为本发明实施例4提供的移动终端合约的推荐系统，请参阅图4，该移动终端合约的推荐系统，包括：抽象模块41、获取模块42、计算模块43和选取模块44。其中抽象模块41用于根据历史购买每个移动终端合约的用户的特征向量，抽象出每种移动终端合约对应的至少一个特征向量，每个特征向量至少包括一个维度。获取模块42用于获取当前用户的特征向量。计算模块43用于计算当前用户的特征向量与抽象出的每个特征向量之间的相似度。选取模块44用于选取与当前用户的特征向量相似的抽象出的特征向量所对应的所述移动终端合约，作为向当前用户推荐的所述移动终端合约。可选地，所述选取模块44还用于判断所述当前用户的特征向量与抽象出的每个特征向量之间的相似度是否达到预设阈值，若是，则选取该抽象出的特征向量所对应的所述移动终端合约，作为向当前用户推荐的所述移动终端合约。可选地，如图5所示，所述抽象模块41包括：获取单元411和第一计算单元412。其中，获取单元411用于根据多个历史移动终端合约购买行为数据，获取各自对应的移动终端合约和用户的初始特征向量。第一计算单元412用于针对同一种所述移动终端合约，计算该种移动终端合约对应的所有用户的初始特征向量的平均值，选取该平均值作为该种移动终端合约对应的特征向量。可选地，如图6所示，计算模块43包括：第二计算单元431、修正单元432和第三计算单元433。其中，第二计算单元431用于计算两个所述特征向量的每个维度的均值；修正单元432用于根据每个维度的均值修正每个所述特征向量，得到两个修正后的所述特征向量；第三计算单元433用于计算修正之后的两个所述特征向量之间的相似度，作为该两个所述特征向量之间的相似度。可选地，所述第三计算单元433用于通过余弦定理计算修正之后的两个所述特征向量之间的相似度。可选地，所述特征向量的维度包括：职业、消费层次、品牌偏好、兴趣爱好、行为轨迹、应用偏好、游戏爱好。上述系统中各个模块或单元的具体实现方式已在上述实施例1至实施例3中进行了详细说明，具体可参见上述实施例1至实施例3中的内容，此处不再赘述。本发明实施例提供的移动终端合约的推荐系统，通过对历史购买每个移动终端合约的与用户一一对应的特征向量进行抽象，从而得到每种移动终端合约对应的至少一个特征向量，并在进行移动终端合约推荐时，通过计算当前用户的特征向量与抽象出的每个特征向量之间的相似度，进而选取与当前用户的特征向量相似的抽象出的特征向量所对应的所述移动终端合约，作为向当前用户推荐的所述移动终端合约，使得推荐移动终端合约是基于历史的终端合约购买行为及用户特征实现的，不仅推荐移动终端合约的方式简单，推荐结果不依赖于营销人员的主观水平，而且由于基于当前用户的特征向量使得推荐更具针对性，因此推荐结果比较准确。可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。当前第1页1 2 3