策划推演方法、装置、设备及存储介质与流程

1.本发明涉及数据分析技术领域，尤其涉及一种策划推演方法、装置、设备及存储介质。


背景技术：

2.现有的活动策划运营推演方案，通常是人工推演或者采用预设参数的模型进行推演。对于人工推演的方式，现有技术中常通过运营经理的自身经验进行人工沙盘推演，得到用户可能的反馈和偏好倾向；对于采用预设参数的模型进行推演的方式，现有技术中常基于人工经验对策划推演模型的相关参数进行规定，并通过该推演模型进行推演。
3.综上，现有技术中存在着无法基于历史数据对策划进行有效的自动化推演的问题。


技术实现要素：

4.本技术的主要目的是提供一种策划推演方法、装置、设备及存储介质，以解决现有技术中存在的无法基于历史数据对策划进行有效的自动化推演的问题。
5.本发明第一方面提供了一种策划推演方法，所述策划推演方法包括：获取活动基本信息和客群信息，其中，所述客群信息包括至少两个客户的客户信息；基于所述客群信息从所述活动基本信息中提取出对应的历史活动信息，并进行向量化处理，得到对应的长向量；对所述长向量进行编码，并构造嵌入层数据集；调用因子分解机算法和深度神经网络算法对所述嵌入层数据集中的数据进行特征提取，分别得到第一偏好特征和第二偏好特征；对所述第一偏好特征和所述第二偏好特征进行回归计算，得到所述客群中各客户对应的活动偏好数据；获取待推演策划对应的数据，基于所述活动偏好数据对所述待推演策划进行推演，得到策划推演结果。
6.可选地，在本发明第一方面的第一种实现方式中，所述基于所述客群信息从所述活动基本信息中提取出对应的历史活动信息，并进行向量化处理，得到对应的长向量，包括：对所述客群信息进行解析，得到属性字段；以所述属性字段为标识索引，在所述活动基本信息进行搜索，并提取匹配到的数据，得到历史活动信息；对所述历史活动信息进行解析，得到客户各特征维度的信息；将同一个客户所有特征维度的信息转换成对应的向量，并进行拼接得到长向量。
7.可选地，在本发明第一方面的第二种实现方式中，所述对所述长向量进行编码，并构造嵌入层数据集，包括：通过预设的嵌入层对所述长向量进行降维，得到特征向量；按照独热编码的编码方式对所述特征向量进行编码，得到特征编码数据；基于所述特征编码数据构造所述嵌入层数据集。
8.可选地，在本发明第一方面的第三种实现方式中，所述因子分解机算法和深度神经网络算法分别基于预设的因子分解机模型和预设的深度神经网络模型，其中，所述因子分解机模型至少包括隐向量构造单元和全连接层，所述深度神经网络模型至少包括子网络
单元、输入层和隐藏层，所述调用因子分解机算法和深度神经网络算法对所述嵌入层数据集中的数据进行特征提取，分别得到第一偏好特征和第二偏好特征，包括：通过所述隐向量构造单元对所述嵌入层数据集中的数据进行解析，得到隐向量；通过对所述隐向量的点积运算，得到特征表示和特征权重；通过所述全连接层基于所述特征表示和特征权重构造第一偏好特征；根据所述隐向量对所述子网络单元中的子网络权重进行初始化；基于所述子网络权重，通过所述输入层对所述嵌入层数据集中的数据进行解析，得到子网络输出向量；通过所述隐藏层调用预设的激活函数构建非线性神经网络模型单元，并基于所述非线性神经网络模型单元对所述子网络输出向量进行非线性转化，得到第二偏好特征。
9.可选地，在本发明第一方面的第四种实现方式中，所述对所述第一偏好特征和所述第二偏好特征进行回归计算，得到所述客群中各客户对应的活动偏好数据，包括：调用sigmoid函数对所述第一偏好特征和所述第二偏好特征进行回归计算，得到偏好特征值；按照所述偏好特征值与所述客户之间的对应关系，构造各客户对应的活动偏好数据。
10.可选地，在本发明第一方面的第五种实现方式中，所述活动偏好数据至少包括历史活动项以及对应的客户偏好信息，所述获取待推演策划对应的数据，基于所述活动偏好数据对所述待推演策划进行推演，得到策划推演结果，包括：对所述待推演策划对应的数据进行解析，得到所述待推演策划中各活动项信息；从所述各活动项信息中提取各活动项，以所述各活动项为索引在所述活动偏好数据中搜索对应的所述历史活动项，并获取匹配到的所述历史活动项对应的所述客户偏好信息；基于所述客户偏好信息，分别计算其对应活动项的推演偏好数据，得到单项推演结果；基于所有所述单项推演结果构造所述策划推演结果。
11.可选地，在本发明第一方面的第六种实现方式中，在所述获取待推演策划，基于所述活动偏好数据对所述待推演策划进行推演，得到策划推演结果之后，还包括：提取所述推演结果中的各活动项以及对应的推演偏好数据；判断所述推演偏好数据是否符合预设的策划条件；若符合，则输出符合所述策划条件的活动项；若不符合，则读取不符合所述策划条件的活动项，并构造相似度匹配标识；基于所述相似度匹配标识在所述活动偏好数据中进行相似度匹配，得到所述活动偏好数据中各活动项的相似度；从所述活动偏好数据提取相似度大于预设的相似度阈值的活动项对应的数据，得到参考数据；基于所述参考数据构造策划修改参考意见。
12.本发明第二方面提供了一种策划推演装置，包括：获取模块，用于获取活动基本信息和客群信息，其中，所述客群信息包括至少两个客户的客户信息；第一提取模块，用于基于所述客群信息从所述活动基本信息中提取出对应的历史活动信息，并进行向量化处理，得到对应的长向量；编码模块，用于对所述长向量进行编码，并构造嵌入层数据集；第二提取模块，用于调用因子分解机算法和深度神经网络算法对所述嵌入层数据集中的数据进行特征提取，分别得到第一偏好特征和第二偏好特征；计算模块，用于对所述第一偏好特征和所述第二偏好特征进行回归计算，得到所述客群中各客户对应的活动偏好数据；推演模块，用于获取待推演策划对应的数据，基于所述活动偏好数据对所述待推演策划进行推演，得到策划推演结果。
13.可选地，在本发明第二方面的第一种实现方式中，所述第一提取模块包括：第一解析单元，用于对所述客群信息进行解析，得到属性字段；匹配单元，用于以所述属性字段为
标识索引，在所述活动基本信息进行搜索，并提取匹配到的数据，得到历史活动信息；第二解析单元，用于对所述历史活动信息进行解析，得到客户各特征维度的信息；转换单元，用于将同一个客户所有特征维度的信息转换成对应的向量，并进行拼接得到长向量。
14.可选地，在本发明第二方面的第二种实现方式中，所述编码模块包括：向量降维单元，用于通过预设的嵌入层对所述长向量进行降维，得到特征向量；编码单元，用于按照独热编码的编码方式对所述特征向量进行编码，得到特征编码数据；第一构造单元，用于基于所述特征编码数据构造所述嵌入层数据集。
15.可选地，在本发明第二方面的第三种实现方式中，所述第二提取模块包括：第三解析单元，用于通过所述隐向量构造单元对所述嵌入层数据集中的数据进行解析，得到隐向量；第一计算单元，用于通过对所述隐向量的点积运算，得到特征表示和特征权重；第二构造单元，用于通过所述全连接层基于所述特征表示和特征权重构造第一偏好特征；初始化单元，用于根据所述隐向量对所述子网络单元中的子网络权重进行初始化；第四解析单元，用于基于所述子网络权重，通过所述输入层对所述嵌入层数据集中的数据进行解析，得到子网络输出向量；第三构造单元，用于通过所述隐藏层调用预设的激活函数构建非线性神经网络模型单元，并基于所述非线性神经网络模型单元对所述子网络输出向量进行非线性转化，得到第二偏好特征。
16.可选地，在本发明第二方面的第四种实现方式中，所述计算模块包括：第二计算单元，用于调用sigmoid函数对所述第一偏好特征和所述第二偏好特征进行回归计算，得到偏好特征值；第四构造单元，用于按照所述偏好特征值与所述客户之间的对应关系，构造各客户对应的活动偏好数据。
17.可选地，在本发明第二方面的第五种实现方式中，所述推演模块包括：第五解析单元，用于对所述待推演策划对应的数据进行解析，得到所述待推演策划中各活动项信息；提取单元，用于从所述各活动项信息中提取各活动项，以所述各活动项为索引在所述活动偏好数据中搜索对应的所述历史活动项，并获取匹配到的所述历史活动项对应的所述客户偏好信息；第三计算单元，用于基于所述客户偏好信息，分别计算其对应活动项的推演偏好数据，得到单项推演结果；第五构造单元，用于基于所有所述单项推演结果构造所述策划推演结果。
18.可选地，在本发明第二方面的第六种实现方式中，所述策划推演装置还包括意见生成模块，用于提取所述推演结果中的各活动项以及对应的推演偏好数据；判断所述推演偏好数据是否符合预设的策划条件；若符合，则输出符合所述策划条件的活动项；若不符合，则读取不符合所述策划条件的活动项，并构造相似度匹配标识；基于所述相似度匹配标识在所述活动偏好数据中进行相似度匹配，得到所述活动偏好数据中各活动项的相似度；从所述活动偏好数据提取相似度大于预设的相似度阈值的活动项对应的数据，得到参考数据；基于所述参考数据构造策划修改参考意见。
19.本发明第三方面提供了一种计算机设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行上述的策划推演方法的各个步骤。
20.本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的策划推演方法的各个步骤。
21.本发明的技术方案中，该方法具体是通过获取活动基本信息和客群信息，其中，所述客群信息包括至少两个客户的客户信息；基于所述客群信息从所述活动基本信息中提取出对应的历史活动信息，并进行向量化处理，得到对应的长向量；对所述长向量进行编码，并构造嵌入层数据集；调用因子分解机算法和深度神经网络算法对所述嵌入层数据集中的数据进行特征提取，分别得到第一偏好特征和第二偏好特征；对所述第一偏好特征和所述第二偏好特征进行回归计算，得到所述客群中各客户对应的活动偏好数据；获取待推演策划对应的数据，基于所述活动偏好数据对所述待推演策划进行推演，得到策划推演结果；从而解决了现有技术中存在的无法基于历史数据对策划进行有效的自动化推演的问题。
附图说明
22.图1为本发明实施例中为策划推演方法的第一个实施例示意图；
23.图2为本发明实施例中为策划推演方法的第二个实施例示意图；
24.图3为本发明实施例中为策划推演方法的第三个实施例示意图；
25.图4为本发明实施例中策划推演装置的一个实施例示意图；
26.图5为本发明实施例中策划推演装置的另一个实施例示意图；
27.图6为本发明实施例中计算机设备的一个实施例示意图；
28.图7为本发明实施例中经过策划推演，返回对活动具有偏好的客户特征的流程示意图；
29.图8为本发明实施例中经过策划推演，返回对活动具有偏好的客户数量的流程示意图。
具体实施方式
30.为了解决现有技术中存在的无法基于历史数据对策划进行有效的自动化推演的问题，本技术提供了一种策划推演方法、装置、设备及存储介质。该方法通过获取活动基本信息和客群信息，其中，所述客群信息包括至少两个客户的客户信息；基于所述客群信息从所述活动基本信息中提取出对应的历史活动信息，并进行向量化处理，得到对应的长向量；对所述长向量进行编码，并构造嵌入层数据集；调用因子分解机算法和深度神经网络算法对所述嵌入层数据集中的数据进行特征提取，分别得到第一偏好特征和第二偏好特征；对所述第一偏好特征和所述第二偏好特征进行回归计算，得到所述客群中各客户对应的活动偏好数据；获取待推演策划对应的数据，基于所述活动偏好数据对所述待推演策划进行推演，得到策划推演结果；从而解决了现有技术中存在的无法基于历史数据对策划进行有效的自动化推演的问题。
31.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
32.为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中策划推演方法的第一个实施例，该方法的实现步骤如下：
33.101、获取活动基本信息和客群信息，其中，客群信息包括至少两个客户的客户信息；
34.对于该步骤，具体可以通过以下方式实现：
35.从预设的活动基本信息数据库中获取活动基本信息，其中，所述活动基本信息至少包括历史活动信息；
36.从预设的客群信息数据库中客群信息，其中，所述客群信息至少包括经合法授权的客户性别、年龄、收入和住址信息。
37.102、基于客群信息从活动基本信息中提取出对应的历史活动信息，并进行向量化处理，得到对应的长向量；
38.对于该步骤，具体可以通过以下方式实现：
39.对所述客群信息进行解析，得到客户信息项；
40.对所述客户信息项对应的数据分别进行统计，并基于统计结果构造对应的客群属性字段；
41.对所述活动基本信息进行解析，得到活动信息项；
42.对所述活动信息项对应的数据分别进行统计，并基于统计结果构造对应的活动属性字段，得到活动属性字段集；
43.以所述客群属性字段为标识索引，在所述活动属性字段集中进行搜索，并提取匹配到的数据，得到历史活动信息；
44.对所述历史活动信息进行解析，得到客户各特征维度的信息，例如，客户性别、年龄、收入和住址等特征维度；
45.将同一个客户所有特征维度的信息转换成对应的向量；
46.将同一个客户对应的所有向量进行向量空间的累加，得到所述长向量。
47.103、对长向量进行编码，并构造嵌入层数据集；
48.对于该步骤，具体可以通过以下方式实现：
49.通过预设的嵌入层，对所述长向量进行解析，得到各离散型特征；
50.为所述离散型特征对应的每个特征值都添加索引标识；
51.基于所述索引标识构造特征索引矩阵；
52.基于所述离散型特征对应的特征值构造特征值矩阵；
53.将所述特征索引矩阵和特征值矩阵通过独热编码(one-hot)转换成对应的特征索引编码和特征值编码；
54.按照所述特征索引矩阵和特征值矩阵之间的对应关系，构造所述嵌入层数据集。
55.104、调用因子分解机算法和深度神经网络算法对嵌入层数据集中的数据进行特征提取，分别得到第一偏好特征和第二偏好特征；
56.该步骤中，所述因子分解机算法和深度神经网络算法分别基于预设的因子分解机模型和预设的深度神经网络模型，其中，所述因子分解机模型至少包括隐向量构造单元和全连接层，所述深度神经网络模型至少包括子网络单元、输入层和隐藏层；
57.对于该步骤，具体可以通过以下方式实现：
58.对所述嵌入层数据集中的数据进行解析，得到所述特征索引矩阵对应的向量矩阵和所述特征值矩阵对应的向量矩阵；
59.通过所述隐向量构造单元，对所述特征索引矩阵对应的向量矩阵和所述特征值矩阵对应的向量矩阵进行矩阵内积运算，得到对应的隐向量；
60.通过对所述隐向量的点积运算，得到一阶特征表示和二阶特征表示以及其分别对应的特征权重；
61.通过所述全连接层基于所述一阶特征表示、二阶特征表示以及其分别对应的特征权重构造第一偏好特征；
62.对所述隐向量进行解析，得到隐向量各维度的输出值；
63.将所述隐向量各维度的输出值赋值给子网络单元中的子网络权重，完成网络权重的初始化，并构造对应的子网络输出向量；
64.通过所述输入层对所述嵌入层数据集中的数据进行特征提取，并修改所述子网络输出向量；
65.通过所述隐藏层对所述子网络输出向量进行非线性转化，得到第二偏好特征。
66.105、对第一偏好特征和第二偏好特征进行回归计算，得到客群中各客户对应的活动偏好数据；
67.对于该步骤，具体可以通过以下方式实现：
68.通过以下公式对所述第一偏好特征和所述第二偏好特征进行回归计算，得到偏好特征值；
69.y＝sigmoid(y1+y2)
70.其中，所述y表示偏好特征值，y1表示第一偏好特征，y2表示第二偏好特征；
71.对所述偏好特征值进行解析，得到客户标识；
72.基于所述客户标识将所述偏好特征值与所述客群中的客户进行匹配；
73.按照所述偏好特征值与所述客户之间的对应关系，构造各客户对应的活动偏好数据，例如，构造用户-活动兴趣偏好矩阵，并以数据表的格式保存，每个客户对应的字段包括：“客户号,偏好活动id_1,偏好活动id_2,偏好活动id_3,偏好活动id_4,偏好活动id_5”。
74.106、获取待推演策划对应的数据，基于活动偏好数据对待推演策划进行推演，得到策划推演结果。
75.该步骤中，所述活动偏好数据至少包括各活动项和对应的客户偏好信息；
76.对于该步骤，具体可以通过以下方式实现：
77.从预设的接口获取策划方案，并进行解析，得到待推演策划对应的数据；
78.对待推演策划对应的数据进行解析，得到各策划项信息；
79.对所述活动偏好数据进行解析，得到各活动项信息；
80.调用文本比对算法，对所述各策划项信息和各活动项信息进行文本比对，得到对应的相似度，其中，所述文本比对算法至少包括编辑距离算法；
81.按照预设的相似度阈值，提取相似度大于设定阈值的活动项信息，并获取对应的所述客户偏好信息；
82.根据所述客户偏好信息，计算其对应策划项的推演偏好数据，得到单项推演结果，其中，所述推演偏好数据包括策划项对应的客户偏好值和客户吸引量中的至少一项，例如，
根据客户偏好信息中的“客户号,偏好活动id_1”字段，计算对于策划项“id_1”有偏好的客户数量，得到客户吸引量，根据客户吸引量在客群中客户总数中的占比，计算客户偏好值；
83.基于所有所述单项推演结果构造所述策划推演结果，例如，基于所述单项推演结果构造推演结果矩阵。
84.通过对上述方法的实施，通过获取活动基本信息和客群信息，其中，所述客群信息包括至少两个客户的客户信息；基于所述客群信息从所述活动基本信息中提取出对应的历史活动信息，并进行向量化处理，得到对应的长向量；对所述长向量进行编码，并构造嵌入层数据集；调用因子分解机算法和深度神经网络算法对所述嵌入层数据集中的数据进行特征提取，分别得到第一偏好特征和第二偏好特征；对所述第一偏好特征和所述第二偏好特征进行回归计算，得到所述客群中各客户对应的活动偏好数据；获取待推演策划对应的数据，基于所述活动偏好数据对所述待推演策划进行推演，得到策划推演结果；以上，将客群信息对应的活动基本信息进行向量化处理，并降维编码，得到嵌入层数据集，分别调用因子分解机算法和深度神经网络算法对嵌入层数据集进行低维和高维的特征提取，并通过sigmoid函数进行回归，得到客群中各客户对应的活动偏好数据，并基于所述活动偏好数据对待推演策划各策划项进行推演计算，得到策划推演结果，从而解决了现有技术中存在的无法基于历史数据对策划进行有效的自动化推演的问题。
85.请参阅图2，本发明实施例中策划推演方法的第二个实施例，该方法的实现步骤如下：
86.201、获取活动基本信息和对应的客群信息；
87.该步骤中，所述活动基本信息包括活动信息和交互信息，其中，所述活动信息至少包括活动的类型、时间和金额，所述交互信息至少包括用户访问频次、时长和业务类型；
88.该步骤中，所述客群信息包括至少两个客户的客户标识、性别、年龄和资产阶层信息。
89.202、对活动基本信息和对应的客群信息进行解析并编码，构造嵌入层数据集；
90.对于该步骤，具体可以通过以下方式实现：
91.对所述活动基本信息和对应的客群信息进行解析，提取各特征维度的信息，并转换成对应的特征向量；
92.基于所述特征向量构造稀疏向量，得到稀疏向量矩阵；
93.对所述稀疏向量矩阵进行独热编码，得到编码数据；
94.通过预设的嵌入层对所述编码数据进行降维，得到特征向量和特征权重，并基于所述特征向量和特征权重构造嵌入层数据集，例如，当所述编码数据为《0,0,0,0,1》时，该编码数据的维度为5维，接入嵌入层中的全连接神经网络进行卷积运算，由于只有一个位置是1，其余位置是0，因此得到特征向量为一维，此时，对应的特征权重为从1的位置指向嵌入层结点的“embedding”。
95.203、调用因子分解机算法和前馈深度神经网络算法对嵌入层数据集中的数据进行偏好特征提取，分别得到第一偏好分析结果和第二偏好分析结果；
96.该步骤中，所述前馈深度神经网络算法基于前馈深度神经网络模型，其中，所述前馈深度神经网络模型至少包括一个输入层和两个隐藏层；
97.对于该步骤，具体可以通过以下方式实现：
98.对所述嵌入层数据集进行解析，得到各特征和对应的特征值；
99.调用因子分解机算法，对所述各特征和对应的特征值进行偏好特征提取，得到第一偏好分析结果；
100.调用前馈深度神经网络算法，对所述各特征和对应的特征值进行偏好特征提取，得到第二偏好分析结果；
101.在本实施例中，当以多项式模型表达所述特征之间的组合时，所述因子分解机算法包括以下表达式：
[0102][0103]
其中，y(x)表示所述因子分解机算法的输出，n表示所述特征的数量， xi和xj分别第i个和第j个特征表示特征xi和xj的组合采用x
i xj表示，ω0、ωi和ω
ij
为预设的因子分解机模型的模型参数。
[0104]
在本实施例中，所述调用前馈深度神经网络算法，对所述各特征和对应的特征值进行偏好特征提取，得到第二偏好分析结果的过程，包括：
[0105]
通过所述输入层对所述各特征和对应的特征值进行卷积运算，得到对应的矩阵和偏倚向量；
[0106]
在各所述隐藏层，按照前向传播的递归方式，通过以下表达式计算各所述隐藏层的输出：
[0107]al
＝σ(w
lal-1
+b
l
)
[0108]
其中，a
l
表示第l层的输出，σ代表激活函数，例如relu函数和sigmoid 函数，w
l
表示第l层的矩阵，b
l
表示第l层的偏倚向量；
[0109]
根据各所述隐藏层的输出，根据bp算法修改所述矩阵和所述偏倚向量，对所述矩阵和偏倚向量进行特征提取，得到第二偏好分析结果。
[0110]
204、对第一偏好分析结果和第二偏好分析结果进行回归计算，得到客群中各客户对应的活动偏好数据，并基于活动偏好数据构造历史活动分析结果；
[0111]
该步骤中，所述活动偏好数据至少包括各活动项、活动项对应的客户偏好信息以及对同一活动项具有偏好的客户标识；
[0112]
该步骤中，所述基于活动偏好数据构造历史活动分析结果的过程，包括：
[0113]
根据所述对同一活动项具有偏好的客户标识，在所述客群信息中查找对应的客户信息，得到活动关联客户信息；
[0114]
对所述活动关联客户信息进行解析，并提取其中的属性字段，统计各属性字段对应的属性特征分布，例如，提取其中的属性字段“年龄”，并统计所述活动关联客户信息中“年龄”对应的属性特征，得到年龄分布；
[0115]
基于所述属性特征分布构造历史活动分析结果。
[0116]
205、获取待推演策划对应的数据，基于活动偏好数据对待推演策划进行推演，得到策划推演结果，并结合历史活动分析结果构造策划修改参考。
[0117]
对于该步骤，具体可以通过以下方式实现：
[0118]
对所述待推演策划对应的数据进行解析，得到待推演策划活动项；
[0119]
以所述待推演策划活动项为标识索引，在所述活动偏好数据对应的各活动项中进行搜索，并提取匹配到的活动项；
[0120]
根据所述活动项对应的客户偏好信息，计算所述待推演策划活动项对应的客户偏好信息，得到单项策划推演结果；
[0121]
将所有所述单项策划推演结果保存至预设的策划推演结果表中，得到策划推演结果；
[0122]
将所述历史活动分析结果嵌入至所述策划推演结果中，得到策划修改参考，例如，解析所述历史活动分析结果中各属性特征分布，按照所述活动项与所述待推演策划活动项的对应关系，将所述属性特征分布添加至所述单项策划推演结果并行的字段，得到策划修改参考。
[0123]
在实际应用中，所述构造策划修改参考的过程，还包括：
[0124]
提取所述推演结果中的各活动项以及对应的推演偏好数据；
[0125]
判断所述推演偏好数据是否符合预设的策划条件；
[0126]
从所述活动偏好数据中提取相似度大于预设的相似度阈值的活动项对应的数据，得到参考数据；
[0127]
基于所述参考数据构造策划修改参考。
[0128]
通过对上述方法的实施，通过获取活动基本信息和客群信息，其中，所述客群信息包括至少两个客户的客户信息；基于所述客群信息从所述活动基本信息中提取出对应的历史活动信息，并进行向量化处理，得到对应的长向量；对所述长向量进行编码，并构造嵌入层数据集；调用因子分解机算法和深度神经网络算法对所述嵌入层数据集中的数据进行特征提取，分别得到第一偏好特征和第二偏好特征；对所述第一偏好特征和所述第二偏好特征进行回归计算，得到所述客群中各客户对应的活动偏好数据；获取待推演策划对应的数据，基于所述活动偏好数据对所述待推演策划进行推演，得到策划推演结果；以上，通过调用因子分解机算法和前馈深度神经网络算法对嵌入层数据集中的数据进行偏好特征提取，分别得到第一偏好分析结果和第二偏好分析结果，并进行回归计算，得到客群中各客户对应的活动偏好数据；构造历史活动分析结果；获取待推演策划对应的数据，基于活动偏好数据对待推演策划进行推演，得到策划推演结果，并结合所述历史活动分析结果构造策划修改参考；从而解决了现有技术中存在的无法基于历史数据对策划进行有效的自动化推演的问题。
[0129]
请参阅图3，本发明实施例中策划推演方法的第三个实施例，该方法的实现步骤如下：
[0130]
301、获取历史数据；
[0131]
该步骤中，所述历史数据至少包括历史活动信息、客户信息以及客户对历史活动的参与和反馈信息。
[0132]
302、对历史数据进行解析，得到各属性字段和属性字段值，并基于各属性字段和属性字段值构造分析数据集；
[0133]
该步骤中，所述对历史数据进行解析，得到各属性字段和属性字段值的过程，包括：
[0134]
读取所述历史数据中的历史活动信息、客户信息以及客户对历史活动的参与和反
馈信息；
[0135]
对所述历史活动信息进行解析，得到历史活动项属性字段和对应的属性字段值；
[0136]
对所述客户信息进行解析，得到客户信息属性字段和对应的属性字段值；
[0137]
对所述客户对历史活动的参与和反馈信息进行解析，得到客户交互属性字段和对应的属性字段值。
[0138]
303、调用deepfm算法，对所述分析数据集进行特征提取并计算客户偏好值，得到客户偏好数据；
[0139]
该步骤中，所述deepfm算法基于预设的deepfm模型，其中，所述 deepfm模型至少包括embedding模块、fm模块和dnn模块；
[0140]
对于该步骤，具体可以通过以下方式实现：
[0141]
通过embedding模块将所述分析数据集中的数据转换成对应的特征向量，并进行降维，分别输入至所述fm模块和dnn模块中；
[0142]
通过fm模块和dnn模块分别进行客户偏好值计算，得到第一偏好值和第二偏好值，其中，所述fm模块和dnn模块共享特征权重；
[0143]
通过sigmoid函数对所述第一偏好值和第二偏好值进行回归计算，得到客户偏好信息，其中，所述客户偏好信息至少包括客户标识序列和对应的客户偏好值。
[0144]
304、基于历史数据构造客群信息；
[0145]
对于该步骤，具体可以通过以下方式实现：
[0146]
提取历史数据中的客户信息并进行解析，得到客户标识集合，其中，所述客户标识集合记为客群；
[0147]
将所述客户信息保存至预设的存储位置，得到初始客群信息；
[0148]
根据随机因子的取值，更改所述初始客群信息，得到客群信息；
[0149]
具体地，若随机因子《1，则对原客群中按照随机因子的比例进行取样，并修改对应的初始客群信息，得到客群信息；
[0150]
若随机因子＝1，则不对初始客群信息进行修改；
[0151]
若随机因子》1，则在保持原客群的基础上，随机添加数量为(原客群*(随机因子-1))的客户，并修改对应的初始客群信息，得到客群信息。
[0152]
305、获取待推演策划对应的数据，并根据客户偏好数据和客群信息对待推演策划进行策划推演，得到策划推演结果。
[0153]
对于该步骤，具体可以通过以下方式实现：
[0154]
从预设的待推演策划信息输入接口读取待推演策划对应的数据，并对所述待推演策划对应的数据进行解析，得到活动项；
[0155]
读取所述客户偏好数据中与所述活动项对应的客户标识序列，并在所述客群信息中查询对应的客户标识；
[0156]
根据所述客户标识序列对应的客户偏好值，按照预设的计算方法计算对应客群中所有客户的推演偏好值，得到策划推演结果，例如，若读取客户标识序列a1对应的对活动b客户偏好值为1，且所述随机因子为0.8，按照将客户偏好值乘以随机因子的计算方式，得到客群中客户标识为a1的客户推演偏好值为0.8。
[0157]
在本实施例中，该步骤还可以通过以下方式实现：
[0158]
输入待推演策划对应的活动信息后，经过策划推演，返回对活动具有偏好的客户特征，如图7所示；
[0159]
在实际应用中，该步骤还可以通过以下方式实现：
[0160]
通过构造客群信息，输入活动特征，经过策划推演，返回对活动具有偏好的客户数量，如图8所示。
[0161]
通过对上述方法的实施，通过获取活动基本信息和客群信息，其中，所述客群信息包括至少两个客户的客户信息；基于所述客群信息从所述活动基本信息中提取出对应的历史活动信息，并进行向量化处理，得到对应的长向量；对所述长向量进行编码，并构造嵌入层数据集；调用因子分解机算法和深度神经网络算法对所述嵌入层数据集中的数据进行特征提取，分别得到第一偏好特征和第二偏好特征；对所述第一偏好特征和所述第二偏好特征进行回归计算，得到所述客群中各客户对应的活动偏好数据；获取待推演策划对应的数据，基于所述活动偏好数据对所述待推演策划进行推演，得到策划推演结果；以上，通过对历史数据进行解析，得到各属性字段和属性字段值，并基于各属性字段和属性字段值构造分析数据集；调用deepfm算法，对所述分析数据集进行特征提取并计算客户偏好值，得到客户偏好信息；基于客户信息构造客群信息；获取待推演策划对应的数据，并根据客户偏好数据和客群信息对待推演策划进行策划推演，得到策划推演结果；从而解决了现有技术中存在的无法基于历史数据对策划进行有效的自动化推演的问题。
[0162]
上面对本发明实施例中的策划推演方法进行了描述，下面对本发明实施例中的策划推演装置进行描述，请参照图4，本发明实施例中的策划推演装置的一个实施例，该装置包括：
[0163]
获取模块401，用于获取活动基本信息和客群信息，其中，所述客群信息包括至少两个客户的客户信息；
[0164]
第一提取模块402，用于基于所述客群信息从所述活动基本信息中提取出对应的历史活动信息，并进行向量化处理，得到对应的长向量；
[0165]
编码模块403，用于对所述长向量进行编码，并构造嵌入层数据集；
[0166]
第二提取模块404，用于调用因子分解机算法和深度神经网络算法对所述嵌入层数据集中的数据进行特征提取，分别得到第一偏好特征和第二偏好特征；
[0167]
计算模块405，用于对所述第一偏好特征和所述第二偏好特征进行回归计算，得到所述客群中各客户对应的活动偏好数据；
[0168]
推演模块406，用于获取待推演策划对应的数据，基于所述活动偏好数据对所述待推演策划进行推演，得到策划推演结果。
[0169]
通过对上述装置的实施，通过获取活动基本信息和客群信息，其中，所述客群信息包括至少两个客户的客户信息；基于所述客群信息从所述活动基本信息中提取出对应的历史活动信息，并进行向量化处理，得到对应的长向量；对所述长向量进行编码，并构造嵌入层数据集；调用因子分解机算法和深度神经网络算法对所述嵌入层数据集中的数据进行特征提取，分别得到第一偏好特征和第二偏好特征；对所述第一偏好特征和所述第二偏好特征进行回归计算，得到所述客群中各客户对应的活动偏好数据；获取待推演策划对应的数据，基于所述活动偏好数据对所述待推演策划进行推演，得到策划推演结果；从而解决了现有技术中存在的无法基于历史数据对策划进行有效的自动化推演的问题。
[0170]
请参阅图5，本发明实施例中的策划推演装置的另一个实施例包括：
[0171]
获取模块401，用于获取活动基本信息和客群信息，其中，所述客群信息包括至少两个客户的客户信息；
[0172]
第一提取模块402，用于基于所述客群信息从所述活动基本信息中提取出对应的历史活动信息，并进行向量化处理，得到对应的长向量；
[0173]
编码模块403，用于对所述长向量进行编码，并构造嵌入层数据集；
[0174]
第二提取模块404，用于调用因子分解机算法和深度神经网络算法对所述嵌入层数据集中的数据进行特征提取，分别得到第一偏好特征和第二偏好特征；
[0175]
计算模块405，用于对所述第一偏好特征和所述第二偏好特征进行回归计算，得到所述客群中各客户对应的活动偏好数据；
[0176]
推演模块406，用于获取待推演策划对应的数据，基于所述活动偏好数据对所述待推演策划进行推演，得到策划推演结果。
[0177]
意见生成模块407，用于提取所述推演结果中的各活动项以及对应的推演偏好数据；判断所述推演偏好数据是否符合预设的策划条件；若符合，则输出符合所述策划条件的活动项；若不符合，则读取不符合所述策划条件的活动项，并构造相似度匹配标识；基于所述相似度匹配标识在所述活动偏好数据中进行相似度匹配，得到所述活动偏好数据中各活动项的相似度；从所述活动偏好数据提取相似度大于预设的相似度阈值的活动项对应的数据，得到参考数据；基于所述参考数据构造策划修改参考意见。
[0178]
在本实施例中，所述第一提取模块402包括：
[0179]
第一解析单元4021，用于对所述客群信息进行解析，得到属性字段；
[0180]
匹配单元4022，用于以所述属性字段为标识索引，在所述活动基本信息进行搜索，并提取匹配到的数据，得到历史活动信息；
[0181]
第二解析单元4023，用于对所述历史活动信息进行解析，得到客户各特征维度的信息；
[0182]
转换单元4024，用于将同一个客户所有特征维度的信息转换成对应的向量，并进行拼接得到长向量。
[0183]
在本实施例中，所述编码模块403包括：
[0184]
向量降维单元4031，用于通过预设的嵌入层对所述长向量进行降维，得到特征向量；
[0185]
编码单元4032，用于按照独热编码的编码方式对所述特征向量进行编码，得到特征编码数据；
[0186]
第一构造单元4033，用于基于所述特征编码数据构造所述嵌入层数据集。
[0187]
在本实施例中，所述第二提取模块404包括：
[0188]
第三解析单元4041，用于通过所述隐向量构造单元对所述嵌入层数据集中的数据进行解析，得到隐向量；
[0189]
第一计算单元4042，用于通过对所述隐向量的点积运算，得到特征表示和特征权重；
[0190]
第二构造单元4043，用于通过所述全连接层基于所述特征表示和特征权重构造第一偏好特征；
[0191]
初始化单元4044，用于根据所述隐向量对所述子网络单元中的子网络权重进行初始化；
[0192]
第四解析单元4045，用于基于所述子网络权重，通过所述输入层对所述嵌入层数据集中的数据进行解析，得到子网络输出向量；
[0193]
第三构造单元4046，用于通过所述隐藏层调用预设的激活函数构建非线性神经网络模型单元，并基于所述非线性神经网络模型单元对所述子网络输出向量进行非线性转化，得到第二偏好特征。
[0194]
在本实施例中，所述计算模块405包括：
[0195]
第二计算单元4051，用于调用sigmoid函数对所述第一偏好特征和所述第二偏好特征进行回归计算，得到偏好特征值；
[0196]
第四构造单元4052，用于按照所述偏好特征值与所述客户之间的对应关系，构造各客户对应的活动偏好数据。
[0197]
在本实施例中，所述推演模块406包括：
[0198]
第五解析单元4061，用于对所述待推演策划对应的数据进行解析，得到所述待推演策划中各活动项信息；
[0199]
第三提取单元4062，用于从所述各活动项信息中提取各活动项，以所述各活动项为索引在所述活动偏好数据中搜索对应的所述历史活动项，并获取匹配到的所述历史活动项对应的所述客户偏好信息；
[0200]
第三计算单元4063，用于基于所述客户偏好信息，分别计算其对应活动项的推演偏好数据，得到单项推演结果；
[0201]
第五构造单元4064，用于基于所有所述单项推演结果构造所述策划推演结果。
[0202]
通过对上述装置的实施，通过获取活动基本信息和客群信息，其中，所述客群信息包括至少两个客户的客户信息；基于所述客群信息从所述活动基本信息中提取出对应的历史活动信息，并进行向量化处理，得到对应的长向量；对所述长向量进行编码，并构造嵌入层数据集；调用因子分解机算法和深度神经网络算法对所述嵌入层数据集中的数据进行特征提取，分别得到第一偏好特征和第二偏好特征；对所述第一偏好特征和所述第二偏好特征进行回归计算，得到所述客群中各客户对应的活动偏好数据；获取待推演策划对应的数据，基于所述活动偏好数据对所述待推演策划进行推演，得到策划推演结果；从而解决了现有技术中存在的无法基于历史数据对策划进行有效的自动化推演的问题。
[0203]
请参阅图6，下面从硬件处理的角度对本发明实施例中的计算机设备的一个实施例进行详细描述。
[0204]
图6是本发明实施例提供的一种计算机设备的结构示意图，该计算机设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)610(例如，一个或一个以上处理器) 和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630 (例如一个或一个以上海量存储设备)。其中，存储器620和存储介质630 可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对计算机设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在计算机设备600上执行存储介质630中的一系列指令操作。
[0205]
计算机设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如windows serve，mac os x，unix，linux，freebsd 等等。本领域技术人员可以理解，图6示出的计算机设备结构并不构成对本技术提供的计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0206]
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在计算机上运行时，使得计算机执行上述策划推演方法的步骤。
[0207]
在实际应用中，上述提供的方法可以基于人工智能技术来实现，其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。其具体可以是基于服务器来执行，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0208]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0209]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0210]
以上，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。