基于多任务模型的推荐方法、装置、电子设备和存储介质与流程

1.本发明涉及线上营销技术领域，特别是涉及一种基于多任务模型的推荐方法、一种基于多任务模型的推荐装置、一种电子设备和一种计算机可读存储介质。


背景技术：

2.由于用户入网时选择的套餐往往与后续使用习惯并不匹配，导致用户粘性不高，从而使得用户流失。并且，随着5g时代的到来，越来越多的用户需要将手机卡从4g更换至5g，因此，为了在用户携号转网时，能够留存更多的用户，如何跟用户推荐更适合的套餐，以增加用户对产品的信任和用户的粘度成为亟待解决的问题。


技术实现要素：

3.鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于多任务模型的推荐方法、一种基于多任务模型的推荐装置、一种电子设备和一种计算机可读存储介质。
4.为了解决上述问题，本发明实施例公开了一种基于多任务模型的推荐方法，所述方法包括：
5.根据用户手机号，从日志数据中获取用户行为数据；
6.从所述用户行为数据中筛选特征数据，所述特征数据包括基础特征、交互特征以及时间片特征；
7.采用所述特征数据，通过多任务模型进行针对语音使用的预测任务和针对流量使用的预测任务，得到预测结果；
8.根据所述预测结果，确定为所述用户推荐的语音套餐和流量套餐。
9.可选地，所述根据所述预测结果，确定为所述用户推荐的语音套餐和流量套餐，包括：
10.若所述预测结果为流量和语音时长，则根据预先设置的映射关系，将流量和语音时长映射为语音套餐和流量套餐；
11.根据所述语音套餐和所述流量套餐，组合成基础套餐，以推荐给所述用户。
12.可选地，所述多任务模型包括：两个门网络、多个专家网络以及两个tower网络，所述两个门网络与所述两个tower网络一一对应；所述采用所述特征数据，通过多任务模型进行针对语音使用的预测任务和针对流量使用的预测任务，得到预测结果，包括：
13.通过每个所述门网络对所述特征数据进行处理，以获取每个所述门网络对应的多个专家网络的权重；
14.通过每个所述门网络对应的多个专家网络，分别对所述特征数据进行特征提取，以得到多个第一特征；
15.根据每个门网络对应的多个专家网络的权重，对每个门网络对应的多个第一特征，进行加权求和，并通过每个所述门网络对应的tower网络得到所述预测结果。
16.可选地，所述通过每个门网络对所述特征数据进行处理，以获取每个门网络对应的多个专家网络的权重，包括：
17.通过每个所述门网络对所述特征数据进行特征提取，以得到多个所述专家网络被每个所述门网络选择的概率；
18.对多个所述专家网络被每个所述门网络选择的概率进行归一化处理，得到每个所述门网络对应的多个专家网络的权重。
19.可选地，通过如下方式训练所述多任务模型：
20.获取特征样本数据，所述特征样本数据包括基础特征样本、交互特征样本以及时间片特征样本；
21.将所述特征样本数据作为所述多任务模型的输入；
22.在所述多任务模型中，采用所述特征样本数据进行针对语音使用的预测任务和针对流量使用的预测任务，以得到预测结果；
23.根据所述预测结果，对所述多任务模型进行训练。
24.可选地，所述多任务模型包括：两个门网络、多个专家网络以及两个tower网络，所述两个门网络与所述两个tower网络一一对应；所述在所述多任务模型中，采用所述特征样本数据进行针对语音使用的预测任务和针对流量使用的预测任务，以得到预测结果，包括：
25.通过每个所述门网络对所述特征样本数据进行处理，以获取每个所述门网络对应的多个所述专家网络的权重；
26.通过每个所述门网络对应的多个专家网络，分别对所述特征样本数据进行特征提取，以得到多个第一特征样本；
27.根据每个所述门网络对应的多个专家网络的权重，对每个门网络对应的多个第一特征样本，进行加权求和，并通过每个所述门网络对应的tower网络，以得到流量和语音时长的预测结果。
28.可选地，所述通过每个所述门网络对所述特征样本数据进行处理，以获取每个所述门网络对应的多个所述专家网络的权重，包括：
29.通过每个所述门网络对所述特征样本数据进行特征提取，以得到多个所述专家网络被每个所述门网络选择的概率；
30.对多个所述专家网络被每个所述门网络选择的概率进行归一化处理，得到每个所述门网络对应的多个专家网络的权重。
31.本发明实施例还公开了一种基于多任务模型的推荐装置，所述装置包括：
32.获取数据模块，用于根据用户手机号，从日志数据中获取用户行为数据；
33.筛选特征模块，用于从所述用户行为数据中筛选特征数据，所述特征数据包括基础特征、交互特征以及时间片特征；
34.特征预测模块，用于采用所述特征数据，通过多任务模型进行针对语音使用的预测任务和针对流量使用的预测任务，得到预测结果；
35.套餐确定模块，用于根据所述预测结果，确定为所述用户推荐的语音套餐和流量套餐。
36.可选地，所述套餐确定模块包括：
37.套餐映射子模块，用于若所述预测结果为流量和语音时长，则根据预先设置的映
射关系，将流量和语音时长映射为语音套餐和流量套餐；
38.套餐推荐子模块，用于根据所述语音套餐和所述流量套餐，组合成基础套餐，以推荐给所述用户。
39.可选地，所述多任务模型包括：两个门网络、多个专家网络以及两个tower网络，所述两个门网络与所述两个tower网络一一对应；所述特征预测模块，包括：
40.权重获取子模块，用于通过每个所述门网络对所述特征数据进行处理，以获取每个所述门网络对应的多个专家网络的权重；
41.特征提取子模块，用于通过每个所述门网络对应的多个专家网络，分别对所述特征数据进行特征提取，以得到多个第一特征；
42.预测结果子模块，用于根据每个门网络对应的多个专家网络的权重，对每个门网络对应的多个第一特征，进行加权求和，并通过每个所述门网络对应的tower网络得到所述预测结果。
43.可选地，所述权重获取子模块，包括：
44.获取概率单元，用于通过每个所述门网络对所述特征数据进行特征提取，以得到多个所述专家网络被每个所述门网络选择的概率；
45.获取权重单元，用于对多个所述专家网络被每个所述门网络选择的概率进行归一化处理，得到每个所述门网络对应的多个专家网络的权重。
46.可选地，通过如下方式训练所述多任务模型：
47.样本获取模块，用于获取特征样本数据，所述特征样本数据包括基础特征样本、交互特征样本以及时间片特征样本；
48.样本输入模块，用于将所述特征样本数据作为所述多任务模型的输入；
49.样本预测模块，用于在所述多任务模型中，采用所述特征样本数据进行针对语音使用的预测任务和针对流量使用的预测任务，以得到预测结果；
50.模型训练模块，根据所述预测结果，对所述多任务模型进行训练。
51.可选地，所述多任务模型包括：两个门网络、多个专家网络以及两个tower网络，所述两个门网络与所述两个tower网络一一对应；所述样本预测模块包括：
52.样本权重子模块，用于通过每个所述门网络对所述特征样本数据进行处理，以获取每个所述门网络对应的多个所述专家网络的权重；
53.样本提取子模块，用于通过每个所述门网络对应的多个专家网络，分别对所述特征样本数据进行特征提取，以得到多个第一特征样本；
54.样本预测子模块，用于根据每个所述门网络对应的多个专家网络的权重，对每个门网络对应的多个第一特征样本，进行加权求和，并通过每个所述门网络对应的tower网络，以得到流量和语音时长的预测结果。
55.可选地，所述样本权重子模块包括：
56.样本概率单元，用于通过每个所述门网络对所述特征样本数据进行特征提取，以得到多个所述专家网络被每个所述门网络选择的概率；
57.样本权重单元，用于对多个所述专家网络被每个所述门网络选择的概率进行归一化处理，得到每个所述门网络对应的多个专家网络的权重。
58.本发明实施例包括以下优点：
59.在本发明实施例中，根据用户手机号，从日志数据中获取用户行为数据；从用户行为数据中筛选特征数据，采用特征数据，通过多任务模型进行针对语音使用的预测任务和针对流量使用的预测任务，得到预测结果；根据预测结果，确定为用户推荐的语音套餐和流量套餐。在本发明实施例中可以通过使用多任务模型，分别对流量和语音这两个任务进行预测，提高了预测效率，并且能够更加精准的匹配最合适用户的套餐，实现最大程度的服务并留存用户。
附图说明
60.图1是本发明实施例提供的一种基于多任务模型的推荐方法的步骤流程图；
61.图2为本发明实施例提供的一种多任务模型的结构图；
62.图3是本发明实施例提供的多任务模型的训练方法的流程图；
63.图4是本发明实施例提供的一种基于多任务模型的推荐装置的结构框图。
具体实施方式
64.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
65.随着5g时代的到来，越来越多的用户需要将手机卡更换成5g的形式，为了能够最大程度服务并提高用户的携号转化率，则需要精准的预测用户最适合的套餐，但是目前预测用户最适合的套餐并不精准，且预测效率较低，因此，为了更加精准预测用户最适合的套餐，并且提高预测效率，以为用户提高更好的服务，从而提高用户的携号转化率。
66.本发明实施例的核心构思之一在于，通过用户使用套餐时的用户行为数据，进行数据处理，将数据处理后的用户行为数据输入至已经训练好的、基于流量和语音这两个任务进行预测的多任务模型进行处理，从而得到预测结果，在提高预测效率的同时，能够更加精准的为用户匹配最合适的套餐，进一步提升用户体验，以实现最大程度的服务并留存用户。
67.参照图1，示出了本发明实施例提供的一种基于多任务模型的推荐方法的步骤流程图，所述方法具体可以包括如下步骤：
68.步骤101，根据用户手机号，从日志数据中获取用户行为数据；
69.示例性地，日志表中存储有日志数据，日志表中记载着用户的相关行为信息，可以根据用户的手机号，从日志表中获取用户行为数据，用户行为数据可以包括用户基础信息、用户行为信息以及用户终端信息等等。用户基础信息可以包括用户年龄、用户性别、当前所在省份以及当前的套餐类型等等；用户行为信息可以包括用户购买加油包次数、购买加油包类型以及用户点击行为、近n月出账金额、近n月流量使用量等；用户终端信息可以包括用户使用终端个数、终端品牌等。
70.步骤102，从所述用户行为数据中筛选特征数据，所述特征数据包括基础特征、交互特征以及时间片特征；
71.示例性地，筛选特征数据的具体操作可以为，首先对用户行为数据进行初步选择，然后对初步选择的用户行为数据进行数据清洗。
72.对用户行为数据进行初步选择可以为，对用户行为数据进行可视化分析，例如通
过箱型图、热力图等对用户行为数据进行初步选择，去除相关性过强或者缺失值、异常值严重的用户行为数据；利用随机森林来检查用户行为数据以过滤掉无关数据。
73.对初步选择的用户行为数据进行数据清洗，例如，对数据的格式进行转换，如金额类标签统一转换成以元为单位；对缺失值不严重的数据根据实际情况利用中位数和众数进行补值处理；利用k-means聚类算法对异常值进行重新赋值；对年龄等连续特征，做id化处理；对年龄、性别等重要特征做交叉，构造交叉特征等等。具体地，如何筛选出特征数据，本领域技术人员可以根据实际情况而定，本发明在此不作限制。
74.在本发明实施例中，特征数据可以包括基础特征、交互特征以及时间片特征；其中，基础特征可以包括用户年龄、性别等；交互特征可以包括用户对套餐或者流量包的行为以及套餐热度等；时间片特征可以包括前一天，近三天，月初月中月末，近一个月，近三个月等。
75.步骤103，采用所述特征数据，通过多任务模型进行针对语音使用的预测任务和针对流量使用的预测任务，得到预测结果；
76.在本发明实施例中，通过用户行为数据筛选的特征数据，输入至训练好的多任务模型中，以得到相应的预测结果。其中，训练好的多任务模型是分别基于语音任务和流量任务进行预测建模。具体地，使用何种方式训练多任务模型可以根据实际情况来定，本发明在此不作限制。
77.参照图2所示，为本发明实施例提供的一种多任务模型的结构图。多任务模型可以包括两个门网络(gate a和gate b)、多个专家网络(expert)以及与门网络一一对应的tower(塔)网络；其中，每一个任务对应配置一个gate(门网络)，专家网络的数量可以为多个，具体地，专家网络的数据根据实际情况而定，本发明在此不作限制。
78.门网络可以对输入的特征数据进行处理，以获取门网络对应的专家网络被选择的概率，并将特征数据基于多个专家网络进行加权求和，输出至对应的tower网络；tower网络用于表示最终的输出，表达式如下所示：
[0079][0080][0081]
其中，gk(x)表示gate的输出，为多层感知机模型，实现为简单的线性变换加softmax(柔性最大传递函数)层。
[0082]
softmax用于为每个输出分类的结果都赋予一个概率值，表示属于每个类别的可能性。
[0083]
损失函数：分别计算两个任务的rmse(root mean square error：均方根误差)，然后求和作为整个任务的损失函数。
[0084]
在一种可选的实施例中，所述多任务模型包括：两个门网络、多个专家网络以及两个tower网络，所述两个门网络与所述两个tower网络一一对应；所述步骤103可以包括以下子步骤s11-s13：
[0085]
子步骤s11，通过每个所述门网络对所述特征数据进行处理，以获取每个所述门网
络对应的多个专家网络的权重；
[0086]
在本发明实施例中，训练好的多任务模型可以包括两个门网络，多个专家网络以及与门网络一一对应的tower网络；在具体实施中，可以将gate a作为语音任务，gate b作为流量任务；gate a可以对输入的特征数据进行处理，从而获得语音任务对应的多个专家网络的权重；gate b可以对输入的特征数据进行处理，从而获得流量任务对应的多个专家网络的权重。具体地，gate a也可以作为流量任务，gate b也可以作为语音任务，每个任务对应的门网络可以根据实际情况设定，本发明在此不作限制。
[0087]
子步骤s12，通过每个所述门网络对应的多个专家网络，分别对所述特征数据进行特征提取，以得到多个第一特征；
[0088]
子步骤s13，根据每个门网络对应的多个专家网络的权重，对每个门网络对应的多个第一特征，进行加权求和，并通过每个所述门网络对应的tower网络得到所述预测结果。
[0089]
在本发明实施例中，每个门网络可以对应着多个专家网络，多个专家网络分别对输入的特征数据进行提取，从而得到对应的多个第一特征；基于每个门网络对应的多个专家网络的权重，对每个门网络对应的多个第一特征，进行加权求和，可以通过每个门网络对应的tower网络，获得预测结果。其中，第一特征的数量与专家网络的数量相同。
[0090]
在一种可选的实施例中，所述子步骤s11可以包括：通过每个所述门网络对所述特征数据进行特征提取，以得到多个所述专家网络被每个所述门网络选择的概率；对多个所述专家网络被每个所述门网络选择的概率进行归一化处理，得到每个所述门网络对应的多个专家网络的权重。
[0091]
在本发明实施例中，每个门网络可以对输入的特征数据进行特征提取，以得到该输入特征数据的第二特征；通过该门网络对第二特征进行softmax处理，以得到多个专家网络被该门网络选择的概率，并对每个门网络对应的多个专家网络的概率进行归一化处理，以得到每个门网络对应的多个专家网络的权重。其中，概率的大小可以为0。
[0092]
步骤104，根据所述预测结果，确定为所述用户推荐的语音套餐和流量套餐。
[0093]
示例性地，基于不同的任务预测需求，设置不同的tower网络，例如，如果是预测用户的点击率，则可以设置一个用于预测用户点击率的tower网络，通过该tower网络，得到用户的点击概率。
[0094]
在本发明实施例中，通过训练好的多任务模型可以进行针对语音使用的预测任务和针对流量使用的预测任务，通过设置的tower网络得到预测结果；其中，预测结果可以通过设置tower网络来进行调整。
[0095]
在一种可选的实施例中，所述步骤104可以包括以下子步骤s21-s22：
[0096]
子步骤s21，若所述预测结果为流量和语音时长，则根据预先设置的映射关系，将流量和语音时长映射为语音套餐和流量套餐；
[0097]
子步骤s22，根据所述语音套餐和所述流量套餐，组合成基础套餐，以推荐给所述用户。
[0098]
在本发明实施例中，预测结果可以为流量和语音时长；根据预先设置的语音套餐和流量套餐，将流量和语音时长映射为流量套餐和语音套餐，并组成基础套餐，推荐给用户。例如，流量套餐分别为a1、a2和a3套餐，对应的流量分别为5g、10g以及30g；语音套餐分别为b1、b2和b3套餐，对应的语音时长分别为30分钟、80分钟、150分钟。当预测结果的流量
为9g、语音时长为70分钟的时候，将流量套餐a2和语音套餐b2，组合成基础套餐，推荐给相应的用户。
[0099]
示例性地，推荐给用户的方式可以是通过短信、电话或者app弹窗等方式。具体地，如何将套餐推荐给用户，本领域技术人员可以根据实际情况而定，本发明在此不作限制。
[0100]
在本发明实施例中，根据用户手机号，从日志数据中获取用户行为数据；从用户行为数据中筛选特征数据，采用特征数据，通过多任务模型进行针对语音使用的预测任务和针对流量使用的预测任务，得到预测结果；根据预测结果，确定为用户推荐的语音套餐和流量套餐。通过使用多任务模型，分别对流量和语音这两个任务进行预测，提高了预测效率，并且能够更加精准的匹配最合适用户的套餐，实现最大程度的服务并留存用户。
[0101]
参照图3，示出了本发明实施例中多任务模型的训练方法的流程图，多任务模型的训练方法包括：
[0102]
步骤301，获取特征样本数据，所述特征样本数据包括基础特征样本、交互特征样本以及时间片特征样本；
[0103]
示例性地，特征样本数据可以包括基础特征样本、交互特征样本，以及时间片特征样本等，对于特征样本数据的获取可以通过用户的历史套餐使用数据进行筛选，具体地，如何获取特征样本数据，本领域技术人员可以根据实际情况而定，本发明在此不作限制。
[0104]
步骤302，将所述特征样本数据作为所述多任务模型的输入；
[0105]
步骤303，在所述多任务模型中，采用所述特征样本数据进行针对语音使用的预测任务和针对流量使用的预测任务，以得到预测结果；
[0106]
在本发明实施例中，可以将获取的特征样本数据作为多任务模型的输入，以通过多任务模型，得到针对语音和流量的预测结果。其中，多任务模型是分别基于语音任务和流量任务进行建模；其对应的预测结果可以为语音时长和流量，具体地，可以通过基于不同任务的预测需求，来设置tower网络，从而获取与需求对应的预测结果。
[0107]
在一种可选的实施例中，所述多任务模型包括：两个门网络、多个专家网络以及两个tower网络，所述两个门网络与所述两个tower网络一一对应；所述步骤303可以包括以下子步骤s31-s33：
[0108]
子步骤s31，通过每个所述门网络对所述特征样本数据进行处理，以获取每个所述门网络对应的多个所述专家网络的权重；
[0109]
在一种可选的实施例中，所述子步骤s31可以包括：
[0110]
通过每个所述门网络对所述特征样本数据进行特征提取，以得到多个所述专家网络被每个所述门网络选择的概率；对多个所述专家网络被每个所述门网络选择的概率进行归一化处理，得到每个所述门网络对应的多个专家网络的权重。
[0111]
在本发明实施例中，每个门网络可以用于对输入的特征样本数据进行特征提取后，以得到该输入特征数据的第二特征样本；通过该门网络对第二特征样本进行softmax处理，以得到多个专家网络被每个门网络选择的概率；其中，概率的大小可以为0。
[0112]
每个门网络对应的多个专家网络的权重，是对每个门网络对应的多个专家网络的概率进行归一化处理得到的。
[0113]
子步骤s32，通过每个所述门网络对应的多个专家网络，分别对所述特征样本数据进行特征提取，以得到多个第一特征样本；
[0114]
子步骤s33，根据每个所述门网络对应的多个专家网络的权重，对每个门网络对应的多个第一特征样本，进行加权求和，并通过每个所述门网络对应的tower网络，以得到流量和语音时长的预测结果；
[0115]
在本发明实施例中，每个门网络可以对应着多个专家网络，专家网络用于输入的特征样本数据进行特征提取，以得到对应的多个第一特征样本。其中，第一特征样本的数量与专家网络的数量相同。
[0116]
根据每个门网络对应的多个专家网络的权重，对多个第一特征样本进行加权求和，可以通过每个门网络对应的tower网络，获得流量和语音时长的预测结果。
[0117]
步骤304，根据所述预测结果，对所述多任务模型进行训练。
[0118]
在本发明实施例中，可以根据对应的预测结果，对多任务模型进行训练；示例性地，可以采用十折交叉验证方式或者五折交叉验证的方式对训练的多任务模型进行筛选。
[0119]
在本发明实施例中，在多任务模型中，通过特征样本数据进行语音使用的预测任务和针对流量使用的预测任务，来训练多任务模型，可以提高模型鲁棒性，并且通过不同门网络来同时预测语音任务和流量任务，既提高了预测的精准度，也提高了预测效率。
[0120]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
[0121]
参照图4，示出了本发明实施例提供的一种基于多任务模型的推荐装置的结构框图，具体可以包括如下模块：
[0122]
获取数据模块401，用于根据用户手机号，从日志数据中获取用户行为数据；
[0123]
筛选特征模块402，用于从所述用户行为数据中筛选特征数据，所述特征数据包括基础特征、交互特征以及时间片特征；
[0124]
特征预测模块403，用于采用所述特征数据，通过多任务模型进行针对语音使用的预测任务和针对流量使用的预测任务，得到预测结果；
[0125]
套餐确定模块404，用于根据所述预测结果，确定为所述用户推荐的语音套餐和流量套餐。
[0126]
在一种实施例中，所述套餐确定模块包括：
[0127]
套餐映射子模块，用于若所述预测结果为流量和语音时长，则根据预先设置的映射关系，将流量和语音时长映射为语音套餐和流量套餐；
[0128]
套餐推荐子模块，用于根据所述语音套餐和所述流量套餐，组合成基础套餐，以推荐给所述用户。
[0129]
在一种实施例中，所述多任务模型包括：两个门网络、多个专家网络以及两个tower网络，所述两个门网络与所述两个tower网络一一对应；所述特征预测模块，包括：
[0130]
权重获取子模块，用于通过每个所述门网络对所述特征数据进行处理，以获取每个所述门网络对应的多个专家网络的权重；
[0131]
特征提取子模块，用于通过每个所述门网络对应的多个专家网络，分别对所述特征数据进行特征提取，以得到多个第一特征；
[0132]
预测结果子模块，用于根据每个门网络对应的多个专家网络的权重，对每个门网络对应的多个第一特征，进行加权求和，并通过每个所述门网络对应的tower网络得到所述预测结果。
[0133]
在一种实施例中，所述权重获取子模块，包括：
[0134]
获取概率单元，用于通过每个所述门网络对所述特征数据进行特征提取，以得到多个所述专家网络被每个所述门网络选择的概率；
[0135]
获取权重单元，用于对多个所述专家网络被每个所述门网络选择的概率进行归一化处理，得到每个所述门网络对应的多个专家网络的权重。
[0136]
在一种实施例中，通过如下方式训练所述多任务模型：
[0137]
样本获取模块，用于获取特征样本数据，所述特征样本数据包括基础特征样本、交互特征样本以及时间片特征样本；
[0138]
样本输入模块，用于将所述特征样本数据作为所述多任务模型的输入；
[0139]
样本预测模块，用于在所述多任务模型中，采用所述特征样本数据进行针对语音使用的预测任务和针对流量使用的预测任务，以得到预测结果；
[0140]
模型训练模块，根据所述预测结果，对所述多任务模型进行训练。
[0141]
在一种实施例中，所述多任务模型包括：两个门网络、多个专家网络以及两个tower网络，所述两个门网络与所述两个tower网络一一对应；所述样本预测模块包括：
[0142]
样本权重子模块，用于通过每个所述门网络对所述特征样本数据进行处理，以获取每个所述门网络对应的多个所述专家网络的权重；
[0143]
样本提取子模块，用于通过每个所述门网络对应的多个专家网络，分别对所述特征样本数据进行特征提取，以得到多个第一特征样本；
[0144]
样本预测子模块，用于根据每个所述门网络对应的多个专家网络的权重，对每个门网络对应的多个第一特征样本，进行加权求和，并通过每个所述门网络对应的tower网络，以得到流量和语音时长的预测结果。
[0145]
在一种实施例中，所述样本权重子模块包括：
[0146]
样本概率单元，用于通过每个所述门网络对所述特征样本数据进行特征提取，以得到多个所述专家网络被每个所述门网络选择的概率；
[0147]
样本权重单元，用于对多个所述专家网络被每个所述门网络选择的概率进行归一化处理，得到每个所述门网络对应的多个专家网络的权重。
[0148]
综上，在本发明实施例中，根据用户手机号，从日志数据中获取用户行为数据；从用户行为数据中筛选特征数据，采用特征数据，通过多任务模型进行针对语音使用的预测任务和针对流量使用的预测任务，得到预测结果；根据预测结果，确定为用户推荐的语音套餐和流量套餐。通过使用多任务模型，分别对流量和语音这两个任务进行预测，提高了预测效率，并且能够更加精准的匹配最合适用户的套餐，实现最大程度的服务并留存用户。
[0149]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0150]
本发明实施例还提供了一种电子设备，包括：
[0151]
包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述一种基于多任务模型的推荐方法实施例的各
个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0152]
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现上述一种基于多任务模型的推荐方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0153]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0154]
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0155]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0156]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0157]
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0158]
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
[0159]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、方法、物品或者终端设备不仅包括那些要素，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、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0160]
以上对本发明所提供的一种基于多任务模型的推荐方法和一种基于多任务模型的推荐装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域
的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。