本发明涉及信息技术领域,具体涉及一种智能套餐推荐方法,以及一种智能套餐推荐系统。
背景技术:
随着移动运营商的套餐资费种类越来越丰富,用户的选择也越来越多;而且,由于移动用户的生活习惯以及所偏好的业务都是不断变化的,使用一成不变的套餐资费并不总是最优选择,因此如何选择合适的套餐成为了问题。
目前,针对移动用户的套餐推荐通常采用人工客服推荐,或者用户通过广告获得新的业务套餐资费信息,均没有充分利用运营商积累的用户信息,导致推荐方法不够灵活智能,用户的体验较差。
技术实现要素:
为了至少部分解决现有技术中存在的技术问题而完成了本发明。
解决本发明技术问题所采用的技术方案是:
本发明提供一种智能套餐推荐方法,其包括:
基于用户画像直接推送套餐,以形成套餐集合a;
基于相似用户的套餐使用情况推送相似用户正在使用的套餐,以形成套餐集合b;
基于用户已选套餐推送相似套餐,以形成套餐集合c;
将套餐集合a、b和c合并,以形成最终套餐数据集z;
根据与用户的匹配度对最终套餐数据集z里面的套餐进行排序,并取排名前n的n款套餐推荐给用户,且n为大于1的正整数。
可选地,所述基于用户画像直接推送套餐,以形成套餐集合a,包括:
构建用户画像;
根据运营商积累的用户套餐使用情况和已构建的用户画像,形成用户画像数据库;
利用用户画像数据库计算用户与套餐的契合度;
根据契合度计算结果为用户推送套餐,以形成套餐集合a。
可选地,所述基于相似用户的套餐使用情况推送相似用户所使用的套餐,以形成套餐集合b,包括:
构建用户画像;
根据已构建的各个用户画像计算两两用户的相似度;
根据用户相似度计算结果和预设的用户画像相似度阈值确定相似的用户;
为用户推送与其相似的用户所使用的套餐,以形成套餐集合b。
可选地,所述构建用户画像包括:根据用户的基本信息、用户的使用习惯及用户的消费习惯构建用户画像。
可选地,所述基于用户已选套餐推送相似套餐,以形成套餐集合c,包括:
构建套餐画像;
根据已构建的各个套餐画像计算两两套餐的相似度;
根据套餐相似度计算结果和预设的套餐画像相似度阈值确定与用户已选套餐相似的套餐;
为用户推送与其已选套餐相似的套餐,以形成套餐集合c。
可选地,所述构建套餐画像包括:根据套餐类型、套餐价格、电话时长、流量数量、短信数量和上线时间构建套餐画像。
本发明还提供一种智能套餐推荐系统,其包括:
第一推送单元,用于基于用户画像直接推送套餐,以形成套餐集合a;
第二推送单元,用于基于相似用户的套餐使用情况推送相似用户正在使用的套餐,以形成套餐集合b;
第三推送单元,用于基于用户已选套餐推送相似套餐,以形成套餐集合c;
合并单元,用于将套餐集合a、b和c合并,以形成最终套餐数据集z;
排序单元,用于根据与用户的匹配度对最终套餐数据集z里面的套餐进行排序;
推荐单元,用于取排名前n的n款套餐推荐给用户,且n为大于1的正整数。
可选地,所述第一推送单元包括:
用户画像构建模块,用于构建用户画像;
用户画像数据库模块,用于根据运营商积累的用户套餐使用情况和已构建的用户画像,形成用户画像数据库;
契合度计算模块,用于利用用户画像数据库计算用户与套餐的契合度;
第一推送模块,用于根据契合度计算模块的计算结果为用户推送套餐,以形成套餐集合a。
可选地,所述第二推送单元包括:
用户画像构建模块,用于构建用户画像;
用户相似度计算模块,用于根据已构建的各个用户画像计算两两用户的相似度;
相似用户确定模块,用于根据相似度计算模块的计算结果和预设的用户画像相似度阈值确定相似的用户;
第二推送模块,用于为用户推送与其相似的用户所使用的套餐,以形成套餐集合b。
可选地,所述用户画像构建模块具体用于,根据用户的基本信息、用户的使用习惯及用户的消费习惯构建用户画像。
可选地,所述第三推送单元包括:
套餐画像构建模块,用于构建套餐画像;
套餐相似度计算模块,用于根据已构建的各个套餐画像计算两两套餐的相似度;
相似套餐确定模块,用于根据套餐相似度计算模块的计算结果和预设的套餐画像相似度阈值确定与用户已选套餐相似的套餐;
第三推送模块,用于为用户推送与其已选套餐相似的套餐,以形成套餐集合c。
可选地,所述套餐画像构建模块具体用于,根据套餐类型、套餐价格、电话时长、流量数量、短信数量和上线时间构建套餐画像。
有益效果:
本发明中,根据用户信息和套餐信息构建三个套餐集合,然后对这三个套餐集合取合集并进行排序,以得到一个合理而精准的套餐推荐集合,再选取与用户匹配度最高的前几款套餐作为推荐套餐并推荐给用户,从而充分利用了运营商积累的用户信息和套餐信息,灵活而智能地为用户推荐了更为精准的套餐,提升了用户满意度,改善了用户体验。
附图说明
图1为本发明实施例1提供的智能套餐推荐方法的流程图;
图2为本发明实施例2提供的智能套餐推荐系统的结构框图。
图中:100-第一推送单元;101-用户画像构建模块;102-用户画像数据库模块;103-契合度计算模块;104-第一推送模块;200-第二推送单元;201-用户画像构建模块;202-用户相似度计算模块;203-相似用户确定模块;204-第二推送模块;300-第三推送单元;301-套餐画像构建模块;302-套餐相似度计算模块;303-相似套餐确定模块;304-第三推送模块;400-合并单元;500-排序单元;600-推荐单元。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和实施例对本发明作进一步详细描述。
实施例1:
本实施例提供一种智能套餐推荐方法。如图1所示,所述方法包括如下步骤s100至s500。
s100.基于用户画像直接推送套餐,以形成套餐集合a;
s200.基于相似用户的套餐使用情况推送相似用户正在使用的套餐,以形成套餐集合b;
s300.基于用户已选套餐推送相似套餐,以形成套餐集合c;
s400.将套餐集合a、b和c合并(即取合集),以形成最终套餐数据集z;
s500.根据与用户的匹配度对最终套餐数据集z里面的套餐进行排序,并取排名前n的n款套餐推荐给用户,且n为大于1的正整数。
本实施例中,根据用户信息和套餐信息构建三个套餐集合,然后对这三个套餐集合取合集并进行排序,以得到一个合理而精准的套餐推荐集合,再选取与用户匹配度最高的前几款套餐作为推荐套餐并推荐给用户,从而充分利用了运营商积累的用户信息和套餐信息,灵活而智能地为用户推荐了更为精准的套餐,提升了用户满意度,改善了用户体验。
步骤s100具体包括:
s101.构建用户画像;
s102.根据运营商积累的用户套餐使用情况和已构建的用户画像,形成用户画像数据库;
s103.利用用户画像数据库计算用户与套餐的契合度;
s104.根据契合度计算结果为用户推送套餐,例如仅将契合度计算结果满足预设契合度阈值的那些套餐推送给用户,以形成套餐集合a。
进一步地,步骤s103具体为,利用用户画像数据库与训练数据集合训练模型m,再使用模型m计算用户与套餐的契合度。
其中,训练数据集合的构建方式为:根据运营商积累的用户套餐使用情况,获取用户与套餐的对应数据,以形成训练数据集合。
例如,可通过向用户推送对现有套餐满意度的方式,获取到用户与最优套餐的对应表,以形成训练数据集合。
契合度计算的模型如下:
1).采用线性回归算法、xgboost(extremegradientboosting,极端梯度提升)算法和dnn(deepneuralnetwork,深度神经网络)算法进行回归计算。
1-1.线性回归:
y=wx+b;其中,w代表权重向量;x代表数据特征向量。
1-2.xgboost:
xgboost是一种提升树模型,它将许多树模型集成在一起,形成一个很强的分类器,其中fk(xi)是每棵决策树的结果。
1-3.dnn:
使用多层神经网络进行回归计算。
2).使用各个分类器,分别进行分类。
3).将各个分类器的结果进行ensemble(集成),确定最后结果,可以选择投票法或者训练一个新的模型输出最后结果。
本实施例中,使用ensemble的方式,综合使用多个分类算法,并保持算法种类可扩展性。
步骤s200具体包括:
s201.构建用户画像;
s202.根据已构建的各个用户画像计算两两用户的相似度,即分别计算待推荐用户与其他用户的相似度;
s203.根据用户相似度计算结果和预设的用户画像相似度阈值确定相似的用户,即只有相似度计算结果符合预设的用户画像相似度阈值的那些用户才被视为与待推荐用户相似的用户;
s204.为用户推送与其相似的用户所使用的套餐,以形成套餐集合b。
例如,假设用户a为待推荐用户,若判定用户b与用户a相似,即用户b为与用户a相似的用户,则将用户b所使用的套餐推送给用户a。
可见,在步骤s200中,基于相似用户的套餐使用情况推送相似用户正在使用的套餐,相当于基于用户画像协同过滤,使用协同过滤的思路设计套餐推荐集合,从而形成套餐集合b。
在上述步骤s101和s201中,需通过挖掘用户信息来构建用户画像,具体地,根据用户的基本信息、用户的使用习惯及用户的消费习惯构建用户画像,从而获取用户偏好。
进一步地,用户的基本信息包括:用户的年龄、籍贯、生活区域、学历、收入和工作类型等信息;用户的使用习惯包括:终端类型、上网地点、上网时间段和网络归属地等;用户的消费习惯包括:月电话费金额,用户境内外通话时长、用户短信消费数量、用户流量消费数量和用户流量消费方向(如腾讯系、阿里系、抖音快手等指向性鲜明的app)等。
步骤s300具体包括:
s301.构建套餐画像;
s302.根据已构建的各个套餐画像计算两两套餐的相似度,即分别计算用户已选套餐与其他套餐的相似度;
s303.根据套餐相似度计算结果和预设的套餐画像相似度阈值确定与用户已选套餐相似的套餐,即只有相似度计算结果符合预设的套餐画像相似度阈值的那些套餐才被视为与用户已选套餐相似的套餐;
s304.为用户推送与其已选套餐相似的套餐,以形成套餐集合c。
例如,假设用户已选套餐a,若判定套餐b与套餐a相似,即套餐b为与套餐a相似的套餐,则将套餐b推送给用户。
步骤s301具体为:根据套餐类型、套餐价格、电话时长、流量数量、短信数量和上线时间构建套餐画像。
可见,在步骤s300中,基于用户已选套餐推送相似套餐,相当于基于套餐画像协同过滤,使用协同过滤的思路设计套餐推荐集合,从而形成套餐集合c。
在步骤s500中,对最终套餐数据集z里面的套餐进行排序可采用加权排序的方式或者模型排序的方式。
其中加权排序算法如下:
对于a、b和c三者的合集,分别为每个套餐集合中的相应名次套餐附加权重,再计算每个套餐的总权重,然后进行排序。
每个套餐的总权重具体为:wp=xwa+ywb+zwc;
其中,x、y和z分别为三个集合的权重,wa、wb和wc分别为某个套餐在分别在a、b和c集合里出现的次数。权重可根据实际情况进行调整,也可以训练模型进行训练。
综上所述,通过上述步骤s100、s200和s300,构建了三个套餐集合a、b和c,再通过步骤s400得到了一个潜在的套餐集合,即最终套餐数据集z,然后通过步骤s500对最终套餐数据集z中的套餐进行排序,最后按需求选取与用户匹配度最高的前几款套餐推荐给用户。而且,首次将用户画像和套餐画像引入运营商套餐推荐方案,推荐更为精准。
本实施例提供的技术方案中,先通过挖掘用户信息构建用户画像,以及通过挖掘套餐信息构建套餐画像,再基于用户画像直接推送套餐、基于用户画像协同过滤及基于套餐画像协同过滤等构建三个套餐集合,然后将这三个套餐集合进行合并,利用加权排序或者模型排序的方式,得到一个合理而精准的套餐推荐集合,最后选取与用户匹配度最高的前几款套餐推荐给用户,从而充分利用了运营商积累的用户信息和套餐信息,灵活而智能地为用户推荐了更为精准的套餐,提升了用户满意度,改善了用户体验。
实施例2:
本实施例提供一种智能套餐推荐系统。如图2所示,所述系统包括:第一推送单元100、第二推送单元200、第三推送单元300、合并单元400、排序单元500和推荐单元600。
其中,第一推送单元100用于基于用户画像直接推送套餐,以形成套餐集合a;第二推送单元200用于基于相似用户的套餐使用情况推送相似用户正在使用的套餐,以形成套餐集合b;第三推送单元300用于基于用户已选套餐推送相似套餐,以形成套餐集合c;合并单元400用于将套餐集合a、b和c合并,以形成最终套餐数据集z;排序单元500用于根据与用户的匹配度对最终套餐数据集z里面的套餐进行排序;推荐单元600用于取排名前n的n款套餐推荐给用户,且n为大于1的正整数。
本实施例中,第一推送单元100、第二推送单元200和第三推送单元300根据用户信息和套餐信息构建了三个套餐集合,然后合并单元400对这三个套餐集合取合集,再由排序单元500进行排序,以得到一个合理而精准的套餐推荐集合,最后由推荐单元600选取与用户匹配度最高的前几款套餐作为推荐套餐并推荐给用户,从而充分利用了运营商积累的用户信息和套餐信息,灵活而智能地为用户推荐了更为精准的套餐,提升了用户满意度,改善了用户体验。
第一推送单元100具体包括:用户画像构建模块101、用户画像数据库模块102、契合度计算模块103和第一推送模块104。
其中,用户画像构建模块101用于构建用户画像,具体地,用户画像构建模块101根据用户的基本信息、用户的使用习惯及用户的消费习惯构建用户画像;用户画像数据库模块102用于根据运营商积累的用户套餐使用情况和已构建的用户画像,形成用户画像数据库;契合度计算模块103用于利用用户画像数据库计算用户与套餐的契合度;第一推送模块104用于根据契合度计算模块的计算结果为用户推送套餐,例如仅将契合度计算结果满足预设契合度阈值的那些套餐推送给用户,以形成套餐集合a。
进一步地,契合度计算模块103具体用于,利用用户画像数据库与训练数据集合训练模型m,再使用模型m计算用户与套餐的契合度。
其中,训练数据集合的构建方式为:根据运营商积累的用户套餐使用情况,获取用户与套餐的对应数据,以形成训练数据集合。
例如,可通过向用户推送对现有套餐满意度的方式,获取到用户与最优套餐的对应表,以形成训练数据集合。
第二推送单元200具体包括:用户画像构建模块201、用户相似度计算模块202、相似用户确定模块203和第二推送模块204。
其中,用户画像构建模块201用于构建用户画像,具体地,用户画像构建模块201根据用户的基本信息、用户的使用习惯及用户的消费习惯构建用户画像;用户相似度计算模块202用于根据已构建的各个用户画像计算两两用户的相似度,即分别计算待推荐用户与其他用户的相似度;相似用户确定模块203用于根据相似度计算模块的计算结果和预设的用户画像相似度阈值确定相似的用户,即只有相似度计算结果符合预设的用户画像相似度阈值的那些用户才被视为与待推荐用户相似的用户;第二推送模块204用于为用户推送与其相似的用户所使用的套餐,以形成套餐集合b。
可见,第二推送单元200基于相似用户的套餐使用情况推送相似用户正在使用的套餐,相当于基于用户画像协同过滤,使用协同过滤的思路设计套餐推荐集合,从而形成套餐集合b。
用户画像构建模块101/201需通过挖掘用户信息来构建用户画像,具体地,根据用户的基本信息、用户的使用习惯及用户的消费习惯构建用户画像,从而获取用户偏好。
进一步地,用户的基本信息包括:用户的年龄、籍贯、生活区域、学历、收入和工作类型等信息;用户的使用习惯包括:终端类型、上网地点、上网时间段和网络归属地等;用户的消费习惯包括:月电话费金额,用户境内外通话时长、用户短信消费数量、用户流量消费数量和用户流量消费方向(如腾讯系、阿里系、抖音快手等指向性鲜明的app)等。
本实施例中,第一推送单元100中的用户画像构建模块101与第二推送单元200中的用户画像构建模块201可以为同一个模块,即第一推送单元100和第二推送单元200共用该模块,也可以为不同模块,本发明对此不作限定。
第三推送单元300具体包括:套餐画像构建模块301、套餐相似度计算模块302、相似套餐确定模块303和第三推送模块304。
其中,套餐画像构建模块301用于构建套餐画像,具体地,套餐画像构建模块301根据套餐类型、套餐价格、电话时长、流量数量、短信数量和上线时间构建套餐画像;套餐相似度计算模块302用于根据已构建的各个套餐画像计算两两套餐的相似度,即分别计算用户已选套餐与其他套餐的相似度;相似套餐确定模块303用于根据套餐相似度计算模块的计算结果和预设的套餐画像相似度阈值确定与用户已选套餐相似的套餐,即只有相似度计算结果符合预设的套餐画像相似度阈值的那些套餐才被视为与用户已选套餐相似的套餐;第三推送模块304用于为用户推送与其已选套餐相似的套餐,以形成套餐集合c。
套餐画像构建模块301具体用于,根据套餐类型、套餐价格、电话时长、流量数量、短信数量和上线时间构建套餐画像。
可见,第三推送单元300基于用户已选套餐推送相似套餐,相当于基于套餐画像协同过滤,使用协同过滤的思路设计套餐推荐集合,从而形成套餐集合c。
排序单元500对最终套餐数据集z里面的套餐进行排序可采用加权排序的方式或者模型排序的方式。
本实施例所述智能套餐推荐系统的构建流程可以为:
1).构建用户画像数据库、训练模型m。
根据运营商积累数据,获取用户与套餐对应数据,作为训练数据集合。
2).使用运营商积累数据与用户主动提交信息,构建用户画像。
3).使用运营商积累数据与用户主动提交信息,构建套餐画像。
4).使用用户画像数据库与训练数据集合,训练模型m。
5).针对用户构建各潜在推荐套餐数据集。
5-1.基于用户画像推荐套餐,使用模型m计算用户与套餐的契合度,形成套餐集合a;
5-2.基于用户画像协同过滤,形成套餐集合b;
5-3.基于套餐画像协同过滤,形成套餐集合c。
6).对套餐数据集a、b、c进行合并处理,形成最终套餐数据集z。
7).根据与用户的匹配度对最终套餐数据集z里的套餐进行排序,并取排名前n的n款套餐作为对用户的推荐套餐。
本实施例提供的技术方案中,先通过挖掘用户信息构建用户画像,以及通过挖掘套餐信息构建套餐画像,再基于用户画像直接推送套餐、基于用户画像协同过滤及基于套餐画像协同过滤等构建三个套餐集合,然后将这三个套餐集合进行合并,利用加权排序或者模型排序的方式,得到一个合理而精准的套餐推荐集合,最后选取与用户匹配度最高的前几款套餐推荐给用户,从而充分利用了运营商积累的用户信息和套餐信息,灵活而智能地为用户推荐了更为精准的套餐,提升了用户满意度,改善了用户体验。
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。