[发明专利]基于LSTM模型的商机推荐方法、系统、电子设备及介质

说明书

本发明实施例公开了一种基于LSTM模型的商机推荐方法，包括：获取待处理数据；对其进行预处理，以得到LSTM、CFR和Lambdamart模型数据集；采用LSTM模型，预测得到目标用户；采用CFR模型，预测得到每一目标用户感兴趣的商机初步排序；针对每一目标用户，调用其对应的Lambdamart模型数据集，并将其与商机初步排序输入Lambdamart模型，得到每个目标用户的商机最终排序；将用户ID和商机最终排序分发至不同的业务部门。与现有的人工商机推送方法，本申请速度更快，用户覆盖面更全，能够挖掘出更多的潜在目标用户，而且节约了大量的人力物力，降低了公司成本。本发明还增加了商机推荐的多样性和准确率，显著提高了公司订单转化率。

技术领域

本发明涉及深度学习技术领域，具体涉及一种基于LSTM模型的商机推荐方法、系统、电子设备及介质。

背景技术

公司人员人工筛选出的目标客户和目标客户的需求，然后推送给销售人员的过程，称为商机推荐过程。现有推荐方式基于业务逻辑和经验，设置不同的商机推送规则，以在不同的场景下为用户推送相应的商机。

但现有的商机推荐方式主要存在两个方面的问题：

1、目标用户的挖掘方式，主要为人力通过一定规则和经验进行挖掘，耗时耗力，并且用户的覆盖面有局限，会流失大部分潜在目标用户。

2、预测目标用户的商机方式，主要为人力通过一定规则和经验进行推荐，推荐的商机种类比较单一，并且预测的准确率较低，导致销售人员转化率较低。

发明内容

针对上述技术缺陷，本发明实施例的目的在于提供一种基于LSTM模型的商机推荐方法、系统、电子设备及介质。

为实现上述目的，第一方面，本发明实施例提供了一种基于LSTM模型的商机推荐方法，包括：

获取待处理数据，所述待处理数据包括用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据；

对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行处理，以得到LSTM模型数据集、CFR模型数据集和Lambdamart模型数据集；

将所述LSTM模型数据集输入预先训练的LSTM模型，预测得到目标用户和非目标用户；

针对每一所述目标用户，调用其对应的所述CFR模型数据集，并将所述CFR模型数据集输入预设的CFR模型，预测得到每一目标用户感兴趣的商机初步排序；

针对每一所述目标用户，调用其对应的所述Lambdamart模型数据集，并将商机初步排序和所述Lambdamart模型数据集输入预设的Lambdamart模型，得到每个目标用户的商机最终排序；

将用户ID和所述商机最终排序分发至不同的业务部门。

在本申请有些优选实施方式中，得到CNN模型数据集之后，所述方法还包括训练LSTM模型，具体为：

通过CNN模型数据集调用deeplearning4j工具包的cnn接口进行训练，生成CNN模型。

第二方面，本发明实施例提供了一种基于LSTM模型的商机推荐系统，包括：

获取模块，用于获取待处理数据，所述待处理数据包括用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据；

处理模块，用于对用户的历史浏览行为数据、用户的短期咨询行为数据和用户的历史订单行为数据进行处理，以得到LSTM模型数据集、CFR模型数据集和Lambdamart模型数据集；

预测模块，用于将所述LSTM模型数据集输入预先训练的LSTM模型，预测得到目标用户和非目标用户；