业务推送方法和业务推送系统与流程

本发明涉及电信业务推送领域，特别涉及一种业务推送方法和业务推送系统。

背景技术：

在现有技术中，往往采用如下两种方式进行业务推送：

其一，通过获取业务信息、用户身份、订购业务信息和上网日志信息，建立用户兴趣模型，依据用户兴趣模型、电信业务信息和订购业务信息，获得用户兴趣和电信业务的关联关系以及用户兴趣模型，得到推荐业务列表，对用户进行业务推荐。

其二，根据用户的通信记录，确定用户与用户的各个联系人的疏密度因子，疏密度因子用于表示用户与各联系人的通信频繁程度；获取各联系人的业务信息，业务信息用于表示联系人的业务订购情况和/或业务使用情况；根据用户与各联系人的疏密度因子以及各联系的业务信息，为用户推荐业务。

上述第一种推送方法，其需要建立用户兴趣模型需综合多方面系统中的信息，跨系统信息融合，需进行统一资源定位符(uniformresourcelocator简称url)解析，流处理等计算，开发难度大，周期长，系统效率不高，依据用户兴趣模型的推荐结果范围粒度较粗，影响客户体验。

上述第二种推送方法，以用户与各联系人的疏密因子来作为推荐依据，其推送的依据单一，效果不佳。

由此可见，本领域中亟需一种处理过程简单，推送效果较佳的业务推送方法。

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，提出了一种业务推送方法和业务推送系统。

为实现上述目的，本发明提供了一种业务推送方法，包括：

步骤s1、确定影响所述业务订购概率的用户特征向量，所述业务特征向量包括若干个用户特征变量；

步骤s2、选取若干个已经订购所述业务的已订购用户的用户特征向量作为样本，带入逻辑回归模型中以预估出所述已订购用户的所述用户特征变量中各用户特征变量的权值，并生成各所述已订购用户对应于所述用户特征变量的权值向量；

步骤s3、根据各所述已订购用户的所述权值向量，预测出针对全体用户的对应于所述用户特征变量的基准权值向量；

步骤s4、将所述基准权值向量带入至所述逻辑回归模型中，计算出可使得逻辑回归模型中的sigmoid函数的取值处于预设概率范围的用户特征向量的取值；

步骤s5、根据所计算出的所述用户特征向量的取值向对应的用户推送所述业务。

可选地，所述用户特征变量包括：用户最近一次消费距离当前时刻的时间、用户在预设时间段内的消费总额、用户在预设时间段内的消费次数、用户的性别、用户的年龄中的至少一者。

可选地，所述逻辑回归模型为：

sigmoid函数：

加权评分表达式：

zm＝βm_1xm_1+βm_2xm_2+...+βm_nxm_n

βm_1+βm_2+...+βm_n＝1

f(zm)表示第m个用户订购所述业务的概率评分，0<f(zm)<1，zm表示第m个用户的用户特征变量的加权评分，xm_1、xm_2……xm_n为第m个用户的用户特征向量中的n个用户特征变量的取值，βm_1、βm_2、……βm_n为第m个用户的用户特征向量中n个用户特征变量对应的权值；

在步骤s2中计算出的第m个已订购用户的对应于所述用户特征变量的权值向量为βm＝(βm_1，βm_2......βm_n)；

在步骤s4中计算已订购用户的所述用户特征变量中各用户特征变量的权值时，f(zm)的取值为θ，0<θ<1。

可选地，在步骤s4中的预设概率范围包括：(θ，1)。

可选地，在步骤s3中，根据各所述已订购用户的所述权值向量，并采用指数平滑预测算法以预测出针对全体用户的对应于所述用户特征变量的基准权值向量。

为实现上述目的，本发明提供了一种业务推送系统，包括：

确定模块，用于确定影响所述业务订购概率的用户特征向量，所述业务特征向量包括若干个用户特征变量；

第一计算模块，用于选取若干个已经订购所述业务的已订购用户的用户特征向量作为样本，带入逻辑回归模型中以预估出所述已订购用户的所述用户特征变量中各用户特征变量的权值，并生成各所述已订购用户对应于所述用户特征变量的权值向量；

预测模块，用于根据各所述已订购用户的所述权值向量，预测出针对全体用户的对应于所述用户特征变量的基准权值向量；

第二计算模块，用于将所述基准权值向量带入至逻辑回归模型中，计算出可使得逻辑回归模型中的sigmoid函数的取值处于预设范围的用户特征向量的取值；

推送模块，用于根据所计算出的所述用户特征向量的取值向对应的用户推送所述业务。

可选地，所述用户特征变量包括：用户最近一次消费距离当前时刻的时间、用户在预设时间段内的消费总额、用户在预设时间段内的消费次数、用户的性别、用户的年龄中的至少一者。

可选地，所述逻辑回归模型为：

sigmoid函数：

加权评分表达式：

zm＝βm_1xm_1+βm_2xm_2+...+βm_nxm_n

βm_1+βm_2+...+βm_n＝1

f(zm)表示第m个用户订购所述业务的概率评分，0<f(zm)<1，zm表示第m个用户的用户特征变量的加权评分，xm_1、xm_2……xm_n为第m个用户的用户特征向量中的n个用户特征变量的取值，βm_1、βm_2、……βm_n为第m个用户的用户特征向量中n个用户特征变量对应的权值；

在第一计算模块计算出的第m个已订购用户的对应于所述用户特征变量的权值向量为βm＝(βm_1，βm_2......βm_n)；

在第一计算模块中计算已订购用户的所述用户特征变量中各用户特征变量的权值时，f(zm)的取值为θ，0<θ<1。

可选地，所述预设概率范围包括：(θ，1)。

可选地，所述预测模块具体用于根据各所述已订购用户的所述权值向量，并采用指数平滑预测算法以预测出针对全体用户的对应于所述用户特征变量的基准权值向量。

本发明具有以下有益效果：

本发明提供了一种业务推送方法和业务推送系统，包括：步骤s1、确定影响业务订购概率的用户特征向量，业务特征向量包括若干个用户特征变量；步骤s2、选取若干个已经订购业务的已订购用户的用户特征向量作为样本，带入逻辑回归模型中以预估出已订购用户的用户特征变量中各用户特征变量的权值，并生成各已订购用户对应于用户特征变量的权值向量；步骤s3、根据各已订购用户的权值向量，预测出针对全体用户的对应于用户特征变量的基准权值向量；步骤s4、将基准权值向量带入至逻辑回归模型中，计算出可使得逻辑回归模型中的sigmoid函数的取值处于预设概率范围的用户特征向量的取值；步骤s5、根据所计算出的用户特征向量的取值向对应的用户推送业务。本发明的技术方案可对高概率订购业务的用户进行业务推送，具有较高的推送精度，提升用户体验。

附图说明

图1为本发明实施例一提供的一种业务推送方法的流程图；

图2为本发明实施例二提供的一种业务推送系统的结构示意图。

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，下面结合附图对本发明提供的一种业务推送方法和业务推送系统进行详细描述。

图1为本发明实施例一提供的一种业务推送方法的流程图，如图1所述，该业务推送方法包括：

步骤s1、确定影响业务订购概率的用户特征向量，业务特征向量包括若干个用户特征变量。

在步骤s1中，可先对该业务的当前订购情况进行数据采集、梳理，分析该业务的当前订购、退订情况，然后选取影响业务订购概率的用户特征变量，以得到影响业务订购概率的用户特征向量。

可选地，用户特征变量包括：用户最近一次消费距离当前时刻的时间、用户在预设时间段内的消费总额、用户在预设时间段内的消费次数、用户的性别、用户的年龄等。

需要说明的是，为便于后续的数据处理，可在选取好用户特征变量后，针对所选取的用户特征变量，制定相应的赋值规则。

例如，若用户特征变量中包括用户最近一次消费距离当前时刻的时间，则可将时间在1至5天之间对应的赋值为0，将时间在6至10天之间对应的赋值为1，将时间在11至15天之间对应的赋值为2，将时间在16至20天对应的赋值为3……以此类推。

若用户特征变量中包括用户在预设时间段内的消费总额，则可将消费总额在0至20元之间对应的赋值为0，将消费总额在21至40元之间对应的赋值为1，将消费总额在41至60元之间对应的赋值为2……以此类推。

若用户特征变量中包括消费次数，则可直接将消费次数所对应的数值作为对应的赋值。

若用户特征变量中包括用户的性别，则可将性别“男”对应的赋值为0，性别“女”对应的赋值为1。

若用户特征变量中包括用户的年龄，则可将年龄在10至15岁之间对应的赋值为0，年龄在16至20岁之间对应的赋值为1，年龄在21至25岁之间对应的赋值为2……以此类推。

需要说明的是，上述针对所选取的用户特征变量制定相应的赋值规则的情况仅起到示例性作用，其不会对本发明的技术方案产生限制。

在本实施例中，用户的用户特征向量记为x：

x＝(x1，x2，x3……xn)

x1，x2，x3……xn为用户特征向量中的n个用户特征变量。

在实际应用中，可根据实际需要来选择相应的用户特征变量以及对应的赋值规则。

步骤s2、选取若干个已经订购业务的已订购用户的用户特征向量作为样本，带入逻辑回归模型中以预估出已订购用户的用户特征变量中各用户特征变量的权值，并生成各已订购用户对应于用户特征变量的权值向量。

在步骤s2中，逻辑回归模型包含两部分：

sigmoid函数：

加权评分表达式：

zm＝βm_1xm_1+βm_2xm_2+...+βm_nxm_n…(2)

βm_1+βm_2+...+βm_n＝1…(3)

f(zm)表示第m个用户订购业务的概率评分，0<f(zm)<1，zm表示第m个用户的用户特征变量的加权评分，xm_1、xm_2……xm_n为第m个用户的用户特征向量中的n个用户特征变量的取值，βm_1、βm_2、……βm_n为第m个用户的用户特征向量中n个用户特征变量分别对应的权值。

步骤s2的具体计算过程如下：

以预估第m个已订购用户的用户特征变量中各用户特征变量的权值为例，假定选择已订购用户对应的概率评分为θ，其中0<θ<1，即假定在将已订购用户的用户特征变量带入上述逻辑回归模型后，其对应的概率评分f(zm)取值为θ。

此时，通过将f(zm)＝θ代入至上式(1)中，可推算出:

接着，求解能满足上述式(2)(3)(4)的一组βm_1、βm_2、……βm_n。

需要说明的是，在根据上述式(2)(3)(4)求解βm_1、βm_2、……βm_n时，可能存在无数组满足式(2)(3)(4)的解，在本实施例中，仅需任意选择一组能够满足式(2)(3)(4)的解即可。

在步骤s2中计算出的第m个已订购用户的对应于用户特征变量的权值向量为βm＝(βm_1，βm_2......βm_n)。

本实施例中，若选取k个已经订购业务的已订购用户的用户特征向量作为样本，则在步骤s2中可得到k个已订购用户的对应的权值向量：

β1＝(β1_1，β1_2......β1_n)

β2＝(β2_1，β2_2......β2_n)

……

βm＝(βm_1，βm_2......βm_n)

……

βk＝(βk_1，βk_2......βk_n)

步骤s3、根据各已订购用户的权值向量，预测出针对全体用户的对应于用户特征变量的基准权值向量。

在步骤s3中，可根据步骤s2中获取到的k个已经订购业务的已订购用户的权值向量，来预测出针对全体用户的对应于用户特征变量的基准权值向量。

可选地，根据各已订购用户的权值向量，并采用指数平滑预测算法以预测出针对全体用户的对应于用户特征变量的基准权值向量。

其中，指数平滑预测算法具体包括但不限于一次指数平滑预测算法、二次指数平滑预测算法和三次指数平滑预测算法。需要说明的是，指数平滑预测算法为本领域中以熟知的算法，具体运算过程此处不再进行详细描述。

在步骤s3中预测出的基准权值向量为：β0

β0＝(β0_1，β0_2......β0_n)

需要说明的是，上述采用指数平滑预测算法来预测基准权值向量的技术手段仅为本发明中的一种可选方案，本发明中还可以采用其他算法来求得基准权值向量。例如，根据k个已经订购业务的已订购用户的权值向量求平均值以得到基准权值向量，对于其他求解基准权值向量的算法，此处不再一一举例说明。

步骤s4、将基准权值向量带入至逻辑回归模型中，计算出可使得逻辑回归模型中的sigmoid函数的取值处于预设概率范围的用户特征向量的取值。

步骤s4中的逻辑回归模型的具体形式可参见前述步骤s2中的相应内容。下面仅对步骤s4的计算过程进行详细描述。

首先，将基准权值向量β0＝(β0_1，β0_2......β0_n)代入至上式(2)中，可得到：

z0＝β0_1x0_1+β0_2x0_2+...+β0_nx0_n…(5)

将上式(5)带入至上式(1)中，可得到：

假定预设概率范围为(a，b)，即：

a<f(z0)<b…(7)

求解能满足上述式(5)(6)(7)的至少一组x0：

x0＝(x0_1，x0_2，x0_3……x0_n)

需要说明的是，在根据上述式(5)(6)(7)求解x0_1、x0_2、……x0_n时，可能存在一组或多组满足式(5)(6)(7)的解。

可选地，在步骤s2中采用概率评分f(zm)取值为θ来计算已订购用户对应的权值向量时，则在步骤s4中预设概率范围可设为(θ，1)，其表示用户选择订购该业务的概率大于已订购用户选择订购该业务的概率。

步骤s5、根据所计算出的用户特征向量的取值向对应的用户推送业务。

本实施例中，假定步骤s1中确定的用户特征向量包括5个用户特征变量且依次为：用户最近一次消费距离当前时刻的时间、用户在预设时间段内的消费总额、用户在预设时间段内的消费次数、用户的性别和用户的年龄，各用户特征变量对应的赋值规则采用步骤s1中示例所示。

若在步骤s4中求解出一组x0＝(1,2,3,0,2),则表明后序待推送的用户同时满足如下5个条件：

1)最近一次消费距离当前时刻的时间在6至10天之间；

2)在预设时间段内的消费总额在消费总额在41至60元之间；

3)在预设时间段内的消费次数为3次；

4)性别为男性；

5)年龄在21至25岁之间。

通过上述内容可见，本发明的技术方案可精确的确定推送范围，提高推送精度，改善用户体验。

当然，若步骤s4中计算出多组能够式(5)(6)(7)的x0，则在步骤s5中可针对多组x0进行推送。

本发明实施例一提供了一种业务推送方法，可对高概率订购业务的用户进行业务推送，具有较高的推送精度，提升用户体验。

图2为本发明实施例二提供的一种业务推送系统的结构示意图，如图2所示，该业务推送系统用于实现上述实施例一中的业务推送方法，该业务推送系统包括：确定模块1、第一计算模块2、预测模块3、第二计算模块4和推送模块5。

其中，确定模块1用于确定影响业务订购概率的用户特征向量，业务特征向量包括若干个用户特征变量。

可选地，用户特征变量包括：用户最近一次消费距离当前时刻的时间、用户在预设时间段内的消费总额、用户在预设时间段内的消费次数、用户的性别、用户的年龄中的至少一者。

第一计算模块2，用于选取若干个已经订购业务的已订购用户的用户特征向量作为样本，带入逻辑回归模型中以预估出已订购用户的用户特征变量中各用户特征变量的权值，并生成各已订购用户对应于用户特征变量的权值向量。

其中，逻辑回归模型为：

sigmoid函数：

加权评分表达式：

zm＝βm_1xm_1+βm_2xm_2+...+βm_nxm_n

βm_1+βm_2+...+βm_n＝1

f(zm)表示第m个用户订购业务的概率评分，0<f(zm)<1，zm表示第m个用户的用户特征变量的加权评分，xm_1、xm_2……xm_n为第m个用户的用户特征向量中的n个用户特征变量的取值，βm_1、βm_2、……βm_n为第m个用户的用户特征向量中n个用户特征变量对应的权值；

在第一计算模块2计算出的第m个已订购用户的对应于用户特征变量的权值向量为βm＝(βm_1，βm_2......βm_n)；

在第一计算模块2中计算已订购用户的用户特征变量中各用户特征变量的权值时，f(zm)的取值为θ，0<θ<1。

预测模块3，用于根据各已订购用户的权值向量，预测出针对全体用户的对应于用户特征变量的基准权值向量。

可选地，预测模块3具体用于根据各已订购用户的权值向量，并采用指数平滑预测算法以预测出针对全体用户的对应于用户特征变量的基准权值向量。

第二计算模块4，用于将基准权值向量带入至逻辑回归模型中，计算出可使得逻辑回归模型中的sigmoid函数的取值处于预设范围的用户特征向量的取值。

可选地，预设概率范围包括：(θ，1)。

推送模块5，用于根据所计算出的用户特征向量的取值向对应的用户推送业务。

需要说明的是，本实施例中的确定模块1用于执行上述实施例一中的步骤s1，第一计算模块2用于执行上述实施例一中的步骤s2，预测模块3用于执行上述实施例一中的步骤s3，第二计算模块4用于执行上述实施例一中的步骤s4，推送模块5用于执行上述实施例一中的步骤s5。对于各模块的具体工作过程可参见前述实施例一中的相应内容，此处不再赘述。

本发明实施例二提供了一种业务推送系统，可对高概率订购业务的用户进行业务推送，具有较高的推送精度，提升用户体验。

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。