[go: up one dir, main page]

CN117112900A - 一种业务推荐方法、装置、设备及存储介质 - Google Patents

一种业务推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117112900A
CN117112900A CN202311084578.5A CN202311084578A CN117112900A CN 117112900 A CN117112900 A CN 117112900A CN 202311084578 A CN202311084578 A CN 202311084578A CN 117112900 A CN117112900 A CN 117112900A
Authority
CN
China
Prior art keywords
information
user
service
recommendation
target user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311084578.5A
Other languages
English (en)
Inventor
夏越
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202311084578.5A priority Critical patent/CN117112900A/zh
Publication of CN117112900A publication Critical patent/CN117112900A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例公开了一种业务推荐方法、装置、设备及存储介质，可应用于金融领域或其他领域。在该方法中，根据预先设置在客户端中的埋点获取目标用户历史信息；基于聚类算法和数据正则化对目标用户历史信息进行处理，得到轨迹信息数据集和用户属性因子集；根据业务项目集合、轨迹信息数据集和用户属性因子集构建潜在特征模型；基于协同过滤算法根据潜在特征模型生成个性化推荐列表；根据个性化推荐列表向目标用户进行业务推荐。由此可见，利用本申请实施例提供的方案，结合用户的轨迹信息数据集构建潜在特征模型，能够根据用户的轨迹信息确定用户对业务的兴趣，进而生成个性化推荐列表，从而提高业务推荐的精准度。

Description

一种业务推荐方法、装置、设备及存储介质
技术领域
本申请涉及金融领域或其他领域，尤其涉及一种业务推荐方法、装置、设备及存储介质。
背景技术
在银行客服的服务过程中，服务用户解决用户问题的同时为用户精准推荐业务是带来高度业务价值的主要途径之一。
目前银行客服人员为用户进行业务推荐时，主要依据目前当前行内业务推广情况以及用户描述，用户基本信息，结合客服经验去进行业务推荐，仅仅依靠用户主观输出的信息以及客服经验进行业务推荐时，容易导致业务推荐的精准度低的问题。
因此，如何实现提高银行客服服务时业务推荐的精准度，是本领域技术人员需要解决的。
发明内容
本申请实施例提供了一种业务推荐方法、装置、设备及存储介质，可以提高业务推荐的精准度。
本申请第一方面提供了一种业务推荐方法，包括：
根据预先设置在客户端中的埋点获取目标用户历史信息；
基于聚类算法和数据正则化对所述目标用户历史信息进行处理，得到轨迹信息数据集和用户属性因子集；
根据业务项目集合、所述轨迹信息数据集和所述用户属性因子集构建潜在特征模型；
基于协同过滤算法根据所述潜在特征模型生成个性化推荐列表；
根据所述个性化推荐列表向目标用户进行业务推荐。
可选地，所述目标用户历史信息包括渠道接触信息和浏览信息，所述渠道接触信息包括语音识别交互信息、投诉单信息和按键轨迹信息；所述根据预先设置在客户端中的埋点获取目标用户历史信息，包括：
根据预先设置在客户端页面的埋点获取所述浏览信息；
根据预先设置在语音自助渠道的埋点获取所述按键轨迹信息；
根据预先设置在投诉渠道的埋点获取所述投诉单信息；
根据预先设置在智能渠道的埋点获取所述语音识别交互信息。
可选地，所述基于聚类算法和数据正则化对所述目标用户历史信息进行处理前，所述方法，还包括：
对所述目标用户历史信息进行清洗处理，得到清洗后的目标用户历史信息。
可选地，所述基于聚类算法和数据正则化对所述目标用户历史信息进行处理，得到轨迹信息数据集和用户属性因子集包括：
基于所述聚类算法，结合业务场景对所述清洗后的目标用户历史信息进行分类，得到分类后的目标用户历史信息；
基于数据正则化对所述分类后的目标用户历史信息进行正则化处理，得到所述轨迹信息数据集和所述用户属性因子集。
可选地，所述用户属性因子集包括多个用户；所述基于协同过滤算法根据所述潜在特征模型生成个性化推荐列表包括：
基于协同过滤算法分别计算目标用户与所述用户属性因子集中各个用户的兴趣相似度；
根据兴趣相似度确定目标用户的相似用户列表；
根据所述相似用户列表中相似用户对应的轨迹信息数据基于所述潜在特征模型确定目标推荐业务的推荐度；
根据所述目标推荐业务的推荐度生成所述个性化推荐列表。
可选地，所述根据所述相似用户列表中相似用户对应的轨迹信息数据基于所述潜在特征模型确定目标推荐业务的推荐度包括：
遍历所述相似用户列表；
基于所述相似用户列表获取所述相似用户对应的轨迹信息数据的历史访问业务；
根据所述相似用户的历史访问业务和所述目标用户的历史访问业务确定目标推荐业务，其中，所述目标推荐业务为所述相似用户的历史访问业务中除所述目标用户的历史访问业务外的其他历史访问业务；
根据所述潜在特征模型计算所述目标推荐业务的推荐度。
本申请第二方面提供了一种业务推荐装置，包括：
获取单元，用于根据预先设置在客户端中的埋点获取目标用户历史信息；
处理单元，用于基于聚类算法和数据正则化对所述目标用户历史信息进行处理，得到轨迹信息数据集和用户属性因子集；
构建单元，用于根据业务项目集合、所述轨迹信息数据集和所述用户属性因子集构建潜在特征模型；
生成单元，用于基于协同过滤算法根据所述潜在特征模型生成个性化推荐列表；
推荐单元，用于根据所述个性化推荐列表向目标用户进行业务推荐。
可选地，所述目标用户历史信息包括渠道接触信息和浏览信息，所述渠道接触信息包括语音识别交互信息、投诉单信息和按键轨迹信息；所述获取单元，具体用于：
根据预先设置在客户端页面的埋点获取所述浏览信息；
根据预先设置在语音自助渠道的埋点获取所述按键轨迹信息；
根据预先设置在投诉渠道的埋点获取所述投诉单信息；
根据预先设置在智能渠道的埋点获取所述语音识别交互信息。
本申请第三方面提供了一种业务推荐设备，包括：
一个或多个处理器；
存储器，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述任意一项所述的业务推荐的方法。
本申请第四方面提供了一种计算机可读存储介质，用于存储程序，所述程序被执行时，用于实现如上述任意一项所述的业务推荐的方法。
本申请实施例公开了一种业务推荐方法、装置、设备及存储介质。在该方法中，根据预先设置在客户端中的埋点获取目标用户历史信息；基于聚类算法和数据正则化对目标用户历史信息进行处理，得到轨迹信息数据集和用户属性因子集；根据业务项目集合、轨迹信息数据集和用户属性因子集构建潜在特征模型；基于协同过滤算法根据潜在特征模型生成个性化推荐列表；根据个性化推荐列表向目标用户进行业务推荐。由此可见，利用本申请实施例提供的方案，结合用户的轨迹信息数据集构建潜在特征模型，能够根据用户的轨迹信息确定用户对业务的兴趣，进而生成个性化推荐列表，从而提高业务推荐的精准度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种业务推荐方法的流程示意图；
图2为本申请实施例提供的一种业务推荐装置的结构示意图；
图3为本申请实施例提供的一种业务推荐设备的结构示意图。
具体实施方式
本申请实施例提供了一种业务推荐方法、装置、设备及存储介质，可以提高业务推荐的精准度。
为方便理解，首先对本申请实施例的应用场景进行介绍。
在银行客服热线服务领域内，在服务用户、解决用户问题的同时精准获取用户的潜在业务意图并完成精准推荐是被认为能带来高度业务价值的必要途径之一，针对用户潜在业务意图的分析挖掘问题，有利于完成用户的正向迁移，实现客户从非用户到用户，从低价值用户到高价值用户的转换，实现银行业务活动的精准推广和运营。
目前银行客服人员为用户进行业务推荐时，主要依据目前当前行内业务推广情况以及用户描述、用户基本信息，结合客服经验去进行业务推荐，仅仅依靠用户主观输出的信息以及客服经验进行业务推荐，会导致答非所问或者业务推荐失败的问题。
因此本申请实施例提供了一种业务推荐方法，通过获取用户的轨迹信息数据集，将轨迹信息数据集作为其中一个特征加入模型进行训练，提高基于基本信息的协同过滤算法的推荐准确率，精准推荐，促进消费，进而提高用户满意度和粘合度。
参见图1，该图为本申请实施例提供的一种业务推荐方法的流程示意图。本申请实施例提供的业务推荐方法，例如可以通过如下步骤S101-105实现。
S101：根据预先设置在客户端中的埋点获取目标用户历史信息。
在本申请实施例中，目标用户历史信息包括渠道接触信息和浏览信息，渠道接触信息包括语音识别交互信息、投诉单信息和按键轨迹信息。根据预先设置在客户端页面的埋点获取浏览信息；根据预先设置在语音自助渠道的埋点获取语音识别交互信息；根据预先设置在投诉渠道的埋点获取投诉单信息；根据预先设置在智能渠道的埋点获取按键轨迹信息。
具体的，各渠道节点以及页面数据埋点保存模块，改造目前自助语音渠道、智能导航渠道、手机银行客户端、客服等多个系统，通过数据埋点方式将用户历史信息存入各系统后台的轨迹信息表中，将用户历史信息包括轨迹信息数据和用户属性因子。当识别到目标用户有业务推荐意图时，获取预先埋点的系统的目标用户历史信息。
其中，轨迹信息数据包括获取用户在客服相关渠道的轨迹信息，其中，客服相关渠道包括自助语音渠道、智能导航渠道和手机银行渠道等在线渠道，自助语音是指用户通过电话投诉时会播放的指导用户通过按键自助处理问题的机器语音，用户在自助语音渠道中的按键选择就可以作为自助语音渠道对应的操作轨迹信息；智能导航渠道中会有智能机器人和用户进行在线沟通，智能导航和人工客服的区别在于智能导航是通过智能机器人和用户进行沟通，而人工客服是通过客服人员和用户进行沟通，智能导航渠道中的交互语音可以转为交互文本，采用语料库对交互文本进行处理可以得到智能导航渠道对应的按键轨迹信息；手机银行渠道是指银行对应的应用程序，用户在手机银行的停留时间、进入流程节点、页面信息、投诉信息都可以作为手机银行渠道对应的操作轨迹信息。用户属性因子是指用户的基本信息，用户在金融机构办理服务时，金融机构会在取得用户允许的情况下对用户的基本信息进行相应的存储。
在本申请实施例的一种实现方式中，对目标用户历史信息进行清洗处理，得到清洗后的目标用户历史信息。本申请通过对数据进行清洗处理，降低数据的不规则性，使数据更加规范。
S102：基于聚类算法和数据正则化对目标用户历史信息进行处理，得到轨迹信息数据集和用户属性因子集。
在本申请实施例中，用户历史信息包括轨迹信息数据和用户属性因子。基于聚类算法，结合业务场景对清洗后的目标用户历史信息进行分类，得到分类后的目标用户历史信息；基于数据正则化对分类后的目标用户历史信息进行正则化处理，得到轨迹信息数据集和用户属性因子集。
具体的，通过聚类算法以及数据正则化对用户历史信息进行数据预处理，处理为轨迹信息数据集和用户属性因子集合(用户属性因子集合包含用户的基本信息和入口信息)。通过聚类算法(例如K-means算法，本申请对与聚类算法的选择不做限定)将用户历史信息进行分类，分类为查询、办理、投诉等场景，通过数据正则化的规则将轨迹信息转换成对应业务节点名称等信息。
S103：根据业务项目集合、轨迹信息数据集和用户属性因子集构建潜在特征模型。
在本申请实施例中，定义业务项目集合向量I、轨迹信息数据集向量C和用户属性因子集向量U；业务项目集合向量I，包括业务1、业务2等。
根据如下三维结构构建潜在特征模型：
I×U×C→R；
其中，R表示推荐度。
根据业务项目集合的潜在历史轨迹集合，确定业务i1和i2具有相似度，例如比如理财产品1和理财产品2都属于同类别养老产品，即具有一定相似度；服务历史轨迹c1和c2也具有关联，例如用户进入自助渠道或者互联网渠道页面浏览大类节点一致；那么通过基于服务历史轨迹的协同过滤推荐算法，挖掘目标用户u1在服务历史轨迹c2中对业务项目i1的潜在偏好，例如用户A在历史轨迹1中对业务1、业务2、业务3的办理及客服轨迹，用户B在历史轨迹2中对业务2、业务3进行办理，那么根据协同过滤算法就会将业务1推荐给用户B，因为用户A、B相似；或者，经过历史轨迹1对业务1、业务2、业务3进行办理，经过历史轨迹2对业务2、业务3进行办理，根据基于协同过滤算法，经过历史轨迹2的用户就会将业务1推荐给当前用户，因为轨迹1和轨迹2存在关联。根据服务历史轨迹c2将业务i1推荐给u2，从而构建目标用户、业务项目、历史轨迹三者之间的潜在特征模型。
S104：基于协同过滤算法根据潜在特征模型生成个性化推荐列表。
在本申请实施例中，用户属性因子集包括多个用户。基于协同过滤算法分别计算目标用户与用户属性因子集中各个用户之间的兴趣相似度；根据兴趣相似度确定目标用户的相似用户列表；根据相似用户列表的中相似用户对应的轨迹信息数据基于潜在特征模型确定目标推荐业务的推荐度，根据目标推荐业务的推荐度生成个性化推荐列表。
具体的，首先，找到和目标用户兴趣相似的用户集合。计算目标用户与其他用户的兴趣相似度。协同过滤算法主要利用行为的相似度计算兴趣的相似度。给定用户u和用户v，令N(u)表示用户u曾经有过办理业务集合，令N(v)为用户v曾经有过正反馈的业务集合采用的是余弦相似度计算用户的兴趣相似度wuv：
通过计算兴趣相似度矩阵，最终生成目标用户对应的相似用户列表。
在本申请实施例的一种实现方式中，遍历相似用户列表；基于相似用户列表获取相似用户的历史访问业务；根据相似用户的历史访问业务和目标用户的历史访问业务确定目标推荐业务，其中，目标推荐业务为相似用户的历史访问业务中除目标用户的历史访问业务外的其他历史访问业务；根据潜在特征模型计算目标推荐业务的推荐度。基于目标推荐业务的推荐度生成个性化推荐列表。
具体的，遍历相似用户列表，获取到相似用户访问过，而目标用户未访问过的业务，这些业务即为推荐给目标用户的业务，基于这些业务生成个性化推荐列表。
在本申请实施例的一种实现方式中，在确定推荐给目标用户的业务后，进一步计算目标用户可能对这些业务的兴趣度，需要说明的是，本申请对与兴趣度的计算方法不做具体的限制，例如可以通过计算：目标用户与相似用户的相似度*相似用户对该业务的兴趣度，从而得到目标用户对该业务的兴趣段，具体的计算方法根据实现需求进行选择。最后按照兴趣度进行排序后生成个性化推荐列表。
S105：根据个性化推荐列表向目标用户进行业务推荐。
在本申请实施例中，将生成的个性化推荐列表推送至客服界面，通过客服界面向目标用户进行业务推荐。
在本申请实施例的一种实现方式中，获取业务推荐服务的业务推荐结果；获取业务推荐服务的语音识别结果和服务单信息；根据业务推荐结果、语音识别结果和服务单信息对潜在特征模型进行优化。
具体的，客服人员结合满意度、精准度来评估模型的性能，同时获取银行客服完成服务的语音识别结果进行对比，语音识别结果是通过语音识别实际推荐后的客服服务录音，将语音识别出的客户具体问题、客服给出推荐业务与业务推荐结果进行对比的结果。通过语音识别结果和服务单信息对潜在特征模型的参数进行优化。根据语音识别结果和服务单信息对潜在特征模型进行不断地调整，通过语音识别结果和服务单信息对潜在特征模型中的轨迹信息集合对应的轨迹信息进行调整，从而得到优化后的潜在特征模型。
本申请实施例公开了一种业务推荐方法，可应用于金融领域或其他领域。在该方法中，根据预先设置在客户端中的埋点获取目标用户历史信息；基于聚类算法和数据正则化对目标用户历史信息进行处理，得到轨迹信息数据集和用户属性因子集；根据业务项目集合、轨迹信息数据集和用户属性因子集构建潜在特征模型；基于协同过滤算法根据潜在特征模型生成个性化推荐列表；根据个性化推荐列表向目标用户进行业务推荐。由此可见，利用本申请实施例提供的方案，结合用户的轨迹信息数据集构建潜在特征模型，能够根据用户的轨迹信息确定用户对业务的兴趣，进而生成个性化推荐列表，从而提高业务推荐的精准度。
基于以上实施例提供的方法，本申请实施例还提供了一种业务推荐装置，以下结合附图介绍该业务推荐装置。
参见图2，该图为本申请实施例提供的一种业务推荐装置的结构示意图。
本申请实施例提供的业务推荐装置200，包括：获取单元201、处理单元202、构建单元203、生成单元204和推荐单元205。
获取单元201，用于根据预先设置在客户端中的埋点获取目标用户历史信息；
处理单元202，用于基于聚类算法和数据正则化对目标用户历史信息进行处理，得到轨迹信息数据集和用户属性因子集；
构建单元203，用于根据业务项目集合、轨迹信息数据集和用户属性因子集构建潜在特征模型；
生成单元204，用于基于协同过滤算法根据潜在特征模型生成个性化推荐列表；
推荐单元205，用于根据个性化推荐列表向目标用户进行业务推荐。
在一种可能的实现方式中，目标用户历史信息包括渠道接触信息和浏览信息，渠道接触信息包括语音识别交互信息、投诉单信息和按键轨迹信息，获取单元201，具体用于：
根据预先设置在客户端页面的埋点获取浏览信息；
根据预先设置在语音自助渠道的埋点获取按键轨迹信息；
根据预先设置在投诉渠道的埋点获取投诉单信息；
根据预先设置在智能渠道的埋点获取语音识别交互信息。
在一种可能的实现方式中，处理单元202，还用于：
对目标用户历史信息进行清洗处理，得到清洗后的目标用户历史信息。
在一种可能的实现方式中，处理单元202，具有用于：
基于聚类算法，结合业务场景对清洗后的目标用户历史信息进行分类，得到分类后的目标用户历史信息；
基于数据正则化对分类后的目标用户历史信息进行正则化处理，得到轨迹信息数据集和用户属性因子集。
在一种可能的实现方式中，用户属性因子集包括多个用户；生成单元204，具有用于：
基于协同过滤算法分别计算目标用户与用户属性因子集中各个用户的兴趣相似度；
根据兴趣相似度确定目标用户的相似用户列表；
根据相似用户列表中相似用户对应的轨迹信息数据基于潜在特征模型确定目标推荐业务的推荐度；
根据目标推荐业务的推荐度生成个性化推荐列表。
在一种可能的实现方式中，生成单元204，具有用于：
遍历相似用户列表；
基于相似用户列表获取相似用户对应的轨迹信息数据的历史访问业务；
根据相似用户的历史访问业务和目标用户的历史访问业务确定目标推荐业务，其中，目标推荐业务为相似用户的历史访问业务中除目标用户的历史访问业务外的其他历史访问业务；
根据潜在特征模型计算目标推荐业务的推荐度。
在一种可能的实现方式中，该装置，还包括：
优化单元，用于获取业务推荐服务的业务推荐结果；获取业务推荐服务的语音识别结果和服务单信息；根据业务推荐结果、语音识别结果和服务单信息对潜在特征模型进行优化。
由于装置200是与以上方法实施例提供的一种业务推荐方法对应的装置，装置200的各个单元的具体实现，均与以上方法实施例为同一构思，因此，关于装置200的各个单元的具体实现，可以参考以上方法实施例关于业务推荐方法的描述部分，此处不再赘述。
本申请提供的一种业务推荐方法、装置、设备及存储介质可用于金融领域或其他领域，例如，可用于金融领域中的客服进行业务推荐的应用场景。其他领域为除金融领域之外的任意领域，例如，智能决策技术领域。上述仅为示例，并不对本发明提供的一种业务推荐方法、装置、设备及存储介质的应用领域进行限定。
本申请实施例还提供了一种业务推荐设备，设备包括：处理器和存储器；
存储器，用于存储指令；
处理器，用于执行存储器中的指令，执行以上实施例提及的由分析设备执行的链路属性确定方法。
需要说明的是，本申请实施例中提供的业务推荐设备，其硬件结构均可以为如图3所示的结构，图3为本申请实施例提供的一种业务推荐设备的结构示意图。
请参阅图3所示，设备300包括：处理器310、通信接口320和和存储器330。其中设备300中的处理器310的数量可以一个或多个，图3中以一个处理器为例。本申请实施例中，处理器310、通信接口320和存储器330可通过总线系统或其它方式连接，其中，图3中以通过总线系统340连接为例。
处理器310可以是中央处理器(central processing unit，CPU)，网络处理器(network processor，NP)或者CPU和NP的组合。处理器310还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，ASIC)，可编程逻辑器件(programmable logic device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device，CPLD)，现场可编程逻辑门阵列(field-programmable gate array，FPGA)，通用阵列逻辑(generic array logic,GAL)或其任意组合。
存储器330可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器330也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)；存储器330还可以包括上述种类的存储器的组合。
可选地，存储器330存储有操作系统和程序、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，程序可包括各种操作指令，用于实现各种操作。操作系统可包括各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。处理器310可以读取存储器330中的程序，实现本申请实施例提供的业务推荐方法。
总线系统340可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。总线系统340可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
本申请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”和“具有”以及他们的任何变形，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。
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，上述描述的系统，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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑业务划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各业务单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件业务单元的形式实现。
集成的单元如果以软件业务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，本申请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)执行本申请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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的业务可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些业务存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已。
以上，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的范围。

Claims (10)

1.一种业务推荐方法，其特征在于，所述方法包括：
根据预先设置在客户端中的埋点获取目标用户历史信息；
基于聚类算法和数据正则化对所述目标用户历史信息进行处理，得到轨迹信息数据集和用户属性因子集；
根据业务项目集合、所述轨迹信息数据集和所述用户属性因子集构建潜在特征模型；
基于协同过滤算法根据所述潜在特征模型生成个性化推荐列表；
根据所述个性化推荐列表向目标用户进行业务推荐。
2.根据权利要求1所述的方法，其特征在于，所述目标用户历史信息包括渠道接触信息和浏览信息，所述渠道接触信息包括语音识别交互信息、投诉单信息和按键轨迹信息；所述根据预先设置在客户端中的埋点获取目标用户历史信息，包括：
根据预先设置在客户端页面的埋点获取所述浏览信息；
根据预先设置在语音自助渠道的埋点获取所述按键轨迹信息；
根据预先设置在投诉渠道的埋点获取所述投诉单信息；
根据预先设置在智能渠道的埋点获取所述语音识别交互信息。
3.根据权利要求1所述的方法，其特征在于，所述基于聚类算法和数据正则化对所述目标用户历史信息进行处理前，所述方法，还包括：
对所述目标用户历史信息进行清洗处理，得到清洗后的目标用户历史信息。
4.根据权利要求3所述的方法，其特征在于，所述基于聚类算法和数据正则化对所述目标用户历史信息进行处理，得到轨迹信息数据集和用户属性因子集包括：
基于所述聚类算法，结合业务场景对所述清洗后的目标用户历史信息进行分类，得到分类后的目标用户历史信息；
基于数据正则化对所述分类后的目标用户历史信息进行正则化处理，得到所述轨迹信息数据集和所述用户属性因子集。
5.根据权利要求1所述的方法，其特征在于，所述用户属性因子集包括多个用户；所述基于协同过滤算法根据所述潜在特征模型生成个性化推荐列表包括：
基于协同过滤算法分别计算目标用户与所述用户属性因子集中各个用户的兴趣相似度；
根据兴趣相似度确定目标用户的相似用户列表；
根据所述相似用户列表中相似用户对应的轨迹信息数据基于所述潜在特征模型确定目标推荐业务的推荐度；
根据所述目标推荐业务的推荐度生成所述个性化推荐列表。
6.根据权利要求5所述的方法，其特征在于，所述根据所述相似用户列表中相似用户对应的轨迹信息数据基于所述潜在特征模型确定目标推荐业务的推荐度包括：
遍历所述相似用户列表；
基于所述相似用户列表获取所述相似用户对应的轨迹信息数据的历史访问业务；
根据所述相似用户的历史访问业务和所述目标用户的历史访问业务确定目标推荐业务，其中，所述目标推荐业务为所述相似用户的历史访问业务中除所述目标用户的历史访问业务外的其他历史访问业务；
根据所述潜在特征模型计算所述目标推荐业务的推荐度。
7.一种业务推荐装置，其特征在于，所述装置包括：
获取单元，用于根据预先设置在客户端中的埋点获取目标用户历史信息；
处理单元，用于基于聚类算法和数据正则化对所述目标用户历史信息进行处理，得到轨迹信息数据集和用户属性因子集；
构建单元，用于根据业务项目集合、所述轨迹信息数据集和所述用户属性因子集构建潜在特征模型；
生成单元，用于基于协同过滤算法根据所述潜在特征模型生成个性化推荐列表；
推荐单元，用于根据所述个性化推荐列表向目标用户进行业务推荐。
8.根据权利要求7所述的装置，其特征在于，所述目标用户历史信息包括渠道接触信息和浏览信息，所述渠道接触信息包括语音识别交互信息、投诉单信息和按键轨迹信息；所述获取单元，具体用于：
根据预先设置在客户端页面的埋点获取所述浏览信息；
根据预先设置在语音自助渠道的埋点获取所述按键轨迹信息；
根据预先设置在投诉渠道的埋点获取所述投诉单信息；
根据预先设置在智能渠道的埋点获取所述语音识别交互信息。
9.一种业务推荐设备，其特征在于，所述设备包括：处理器和存储器；
所述存储器，用于存储指令；
所述处理器，用于执行所述存储器中的所述指令，执行权利要求1-7任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，包括指令，当其在计算机上运行时，使得计算机执行以上权利要求1-7任意一项所述的方法。
CN202311084578.5A 2023-08-25 2023-08-25 一种业务推荐方法、装置、设备及存储介质 Pending CN117112900A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311084578.5A CN117112900A (zh) 2023-08-25 2023-08-25 一种业务推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311084578.5A CN117112900A (zh) 2023-08-25 2023-08-25 一种业务推荐方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117112900A true CN117112900A (zh) 2023-11-24

Family

ID=88794368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311084578.5A Pending CN117112900A (zh) 2023-08-25 2023-08-25 一种业务推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117112900A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119809788A (zh) * 2024-12-19 2025-04-11 江苏鑫合易家信息技术有限责任公司 一种预测用户行为智能柜台辅助办理业务的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763314A (zh) * 2018-04-26 2018-11-06 深圳市腾讯计算机系统有限公司 一种兴趣推荐方法、装置、服务器及存储介质
CN111666492A (zh) * 2020-04-30 2020-09-15 中国平安财产保险股份有限公司 基于用户行为的信息推送方法、装置、设备及存储介质
CN112307332A (zh) * 2020-10-16 2021-02-02 四川大学 基于用户画像聚类的协同过滤推荐方法、系统及存储介质
CN113779414A (zh) * 2021-10-19 2021-12-10 平安科技（深圳）有限公司 基于机器学习模型的数据推荐方法、装置、设备及介质
CN114997507A (zh) * 2022-06-17 2022-09-02 中国平安财产保险股份有限公司 行为路径生成方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763314A (zh) * 2018-04-26 2018-11-06 深圳市腾讯计算机系统有限公司 一种兴趣推荐方法、装置、服务器及存储介质
CN111666492A (zh) * 2020-04-30 2020-09-15 中国平安财产保险股份有限公司 基于用户行为的信息推送方法、装置、设备及存储介质
CN112307332A (zh) * 2020-10-16 2021-02-02 四川大学 基于用户画像聚类的协同过滤推荐方法、系统及存储介质
CN113779414A (zh) * 2021-10-19 2021-12-10 平安科技（深圳）有限公司 基于机器学习模型的数据推荐方法、装置、设备及介质
CN114997507A (zh) * 2022-06-17 2022-09-02 中国平安财产保险股份有限公司 行为路径生成方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119809788A (zh) * 2024-12-19 2025-04-11 江苏鑫合易家信息技术有限责任公司 一种预测用户行为智能柜台辅助办理业务的方法

Similar Documents

Publication Publication Date Title
CN112559865B (zh) 信息处理系统、计算机可读存储介质及电子设备
US11269665B1 (en) Method and system for user experience personalization in data management systems using machine learning
WO2023065859A1 (zh) 物品推荐方法、装置及存储介质
WO2019037202A1 (zh) 目标客户的识别方法、装置、电子设备及介质
CN111506821B (zh) 推荐模型、方法、装置、设备及存储介质
CN114817741A (zh) 一种理财产品精准推荐方法及装置
US12154122B2 (en) Segments of contacts
US20180218432A1 (en) Recommendation integrated online digital sales service chat system
CN112749238A (zh) 搜索排序方法、装置、电子设备以及计算机可读存储介质
CN110990007A (zh) 银行软件功能界面生成方法和装置
CN111104590A (zh) 信息推荐方法、装置、介质及电子设备
CN110069713A (zh) 一种基于用户上下文感知的个性化推荐方法
CN108228950A (zh) 一种信息处理方法及装置
CN118612284A (zh) 一种出游场景推荐方法、装置、终端及存储介质
CN111125428A (zh) 基于评分预测函数拟合结构的时间相关电影推荐方法
CN117112900A (zh) 一种业务推荐方法、装置、设备及存储介质
CN117725195A (zh) 联想词推荐方法、装置、非易失性存储介质和计算机设备
CN116228329A (zh) 用户类型的确定方法、装置、存储介质以及电子设备
CN114943279A (zh) 招投标合作关系的预测方法、设备及系统
CN106339492A (zh) 一种基于地理位置信息的音乐推荐方法
CN118708691A (zh) 一种问答系统的构建方法和装置
CN110852338A (zh) 用户画像的构建方法及装置
CN115545888A (zh) 策略生成方法、装置、计算机设备和存储介质
CN110209923A (zh) 话题影响力用户的推送方法和装置
CN115455081A (zh) 问卷生成方法、装置、计算机设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination