[发明专利]业务推荐方法、装置及设备

说明书

本发明实施例涉及机器学习技术领域，公开了一种业务推荐方法、装置和设备，所述方法包括：获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵；根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵，通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵；根据所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵进行业务推荐。通过上述方式，本发明实施例大大提高了业务推荐效率、降低了误差，提升了业务推荐和业务预测的精度。

技术领域

本发明实施例涉及机器学习技术领域，具体涉及一种业务推荐方法、装置和设备。

背景技术

在移动通信领域，运营商通常运用分类、聚类等数据分析的方法，对运营商系统内的历史数据进行分析，实现对客户的特征化群体的细分，从而把握了用户的真正需求，帮助运营商进行有效的市场营销和客户服务。

目前经常用到的分析方法有：

分类算法，根据事物的特征和属性，将事物划分到已有的类别中。在移动通信行业，通常应用分类算法来识别潜在的客户群。比如说，使用决策树模型来识别2/3G客户是否可以迁转为4G客户，首先选取使用2/3G网络的客户，然后判断这些客户是否使用4G终端，由此将客户分为2个节点，再判断使用4G终端的客户的流量使用情况，这样一层层往下细分，直到确定可以迁转为4G网络的2/3G客户，运营商可以对这部分潜在客户群进行4G流量资费套餐推荐。

聚类分析，根据事物彼此之间不同的属性进行区分，将具有相似属性的事物聚为一类，使得同一类的事物具有高度的相似性。在移动通信行业，应用聚类分析对移动运营商的客户进行细分，将现有的客户按照不同的标准划分为不同的客户群，营销人员再对不同的客户群进行精准营销。比如说，使用K-means聚类算法分析客户的消费行为，选取客户的通话情况、消费情况，然后根据客户在流量和通话方面的差异对客户进行分层，确定K值，例如将客户群分为3层，则K值为3，最后经过K-means算法建模和计算得到客户细分模型数据，可以将客户分为上网一族、通话达人、商业人士，各层次的客户群关注的业务需求不同，对于上网一族，这类客户群的上网流量经常超出套餐额度，运营商可以向这类客户办理流量加油包或者不限量套餐产品。

协同过滤算法，根据用户的历史行为数据，挖掘发现用户的偏好，再基于不同的偏好对用户进行群组划分并推荐相似的产品。协同过滤算法主要分为3类：基于用户的协同过滤，基于物品的协同过滤，基于模型的协同过滤。在移动通信行业，主要使用基于用户的协同过滤算法进行客户群的划分，比如说根据移动用户在流量、语音、资费、增值业务等方面偏好,利用协同过滤算法来计算移动用户之间的相似度，再利用相似用户在相似项目的偏好进行预测，提供推荐。

在实现本发明实施例的过程中，发明人发现：目前存在的业务推荐方式存在效率较低、误差较大以及预测推荐的业务精度不高等问题。

发明内容

鉴于上述问题，本发明实施例提供了一种业务推荐方法、装置和设备，克服了上述问题或者至少部分地解决了上述问题。

根据本发明实施例的一个方面，提供了一种业务推荐方法，所述方法包括：

获取目标用户的业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵；

根据所述业务内容矩阵、用户评分矩阵和用户通话关系邻接矩阵，通过神经网络生成业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵；

根据所述业务隐因子特征矩阵、用户隐因子特征矩阵和通话关系隐因子特征矩阵进行业务推荐。

可选的，所述获取目标用户的用户通话关系邻接矩阵，具体为：

获取与目标用户有通话关系的其他用户；

获取目标用户和与其有通话关系的其他用户的订购业务内容；