【技术实现步骤摘要】
推荐指数归因方法、装置及电子设备
本专利技术涉及数据处理领域，具体而言，涉及一种推荐指数归因方法、装置及电子设备。
技术介绍
随着时间的推移用户对应用平台、娱乐网页等公共服务资源的推荐心态可能会改变，现有的一般是通过问卷调查的方式了解用户对应用平台、娱乐网页等公共服务资源的推荐心态进行了解，但是问卷调查可能仅仅是针对指定小群体，问卷调查的结果也可能随用户当时的心情得到的结果也不一样。因此，现有对用户对目标网页的推荐元素的重要性的了解并不会很客观。
技术实现思路
有鉴于此，本专利技术实施例的目的在于提供一种推荐指数归因方法、装置及电子设备。第一方面，本专利技术实施例提供的一种推荐指数归因方法，包括：使用计分模型计算目标用户在第一时间和第二时间的每个特征的推荐指数得分，所述推荐指数得分表示对应特征对用户的影响度；计算每个特征在所述第一时间和所述第二时间的推荐指数得分的分值变化值；将每个特征对应的分值变化值进行排序，得到各个特征对所述目标用户的推荐指数的影响。可选地，在所...
【技术保护点】
1.一种推荐指数归因方法，其特征在于，包括：/n使用计分模型计算目标用户在第一时间和第二时间的每个特征的推荐指数得分，所述推荐指数得分表示对应特征对用户的影响度；/n计算每个特征在所述第一时间和所述第二时间的推荐指数得分的分值变化值；/n将每个特征对应的分值变化值进行排序，得到各个特征对所述目标用户的推荐指数的影响。/n
【技术特征摘要】
1.一种推荐指数归因方法，其特征在于，包括：
使用计分模型计算目标用户在第一时间和第二时间的每个特征的推荐指数得分，所述推荐指数得分表示对应特征对用户的影响度；
计算每个特征在所述第一时间和所述第二时间的推荐指数得分的分值变化值；
将每个特征对应的分值变化值进行排序，得到各个特征对所述目标用户的推荐指数的影响。
2.如权利要求1所述的推荐指数归因方法，其特征在于，在所述计算目标用户群中每个用户在第一时间和第二时间的每个特征的推荐指数得分的步骤之前，所述方法还包括：
使用推荐预估模型计算所述目标用户的推荐值，所述特征为指定服务的服务中所产生的特征，所述推荐值表示所述目标用户对指定服务的推荐程度；
判断所述推荐值是否低于设定阈值，若所述推荐值低于所述设定阈值，则执行计算目标用户在第一时间和第二时间的每个特征的推荐指数得分的步骤。
3.如权利要求1所述的推荐指数归因方法，其特征在于，在所述计算目标用户群中每个用户在第一时间和第二时间的每个特征的推荐指数得分的步骤之前，所述方法还包括：
使用推荐预估模型计算所述目标用户在第三时间和第四时间的推荐值；
计算所述第三时间的推荐值和第四时间的第四时间的推荐值的差值；
判断所述差值是否落入设定区间，若所述差值未落入所述设定区间，则执行计算目标用户在第一时间和第二时间的每个特征的推荐指数得分的步骤。
4.如权利要求2或3任意一项所述的推荐指数归因方法，其特征在于，所述推荐预估模型是XGBoost模型、逻辑斯特回归LR模型或神经网络模型中任意一种模型。
5.如权利要求1所述的推荐指数归因方法，其特征在于，所述计分模型通过以下方式得到：
获取训练数据，所述训练数据包括历史成交数据中的指定数量的用户数据，每个所述用户数据包括对应用户的各个特征的数值及该用户的推荐类型；
根据设定规则将每个特征分为多个区间，获得每个特征的每一区间对应的不同推荐类型的用户数量；
根据每个特征的每一区间对应的不同推荐类型的用户数量计算每一特征在每一区间中对应的影响特征值；
将所述训练数据中每个用户的所述影响特征值输入学习模型中计算得到每一特征对应的权重；
根据每一特征对应的权重得到每一特征的计分模型。
6.如权利要求5所述的推荐指数归因方法，其特征在于，所述推荐类型包括：推荐者和贬损者；所述根据每个特征的每一区间对应的不同推荐类型的用户数量计算每一特征在每一区间中对应的影响特征值通过以下公式计算：
其中，woej表示一特定特征的第j区间的影响特征值；Bj表示一特定特征的第j区间中推荐者的数量；BT表示一特定特征的中推荐者的数量；Gj表示一特定特征的第j区间中贬损者的数量；GT表示一特定特征的中贬损者的数量。
7.如权利要求5所述的推荐指数归因方法，其特征在于，将所述训练数据中每个用户的所述影响特征值输入学习模型中计算得到每一特征对应的权重通过以下公式进行计算：
其中，p表示训练数据中一用户的推荐值；β0表示一常量；βi表示第i个特征对应的权重；xi表示p推荐值对应的用户的第i个特征对应的影响特征值；n表示特征数量。
8.如权利要求5所述的推荐指数归因方法，其特征在于，所述根据每一特征对应的权重得到每一特征的计分模型通过以下公式实现：
si＝(woei*βi+β0/n)*factor+offset/n；
其中，si表示第i个特征对应的推荐指数得分；woei表示需要计算推荐指数得分的用户的第i个特征对应影响特征值；β0表示一常量；βi表示第i个特征对应的权重；factor和offset表示两个常量，n表示特征数量。
9.如权利要求8所述的推荐指数归因方法，其特征在于，所述使用计分模型计算目标用户在第一时间和第二时间的每个特征的推荐指数得分，所述推荐指数得分表示对应特征对用户的影响度的步骤，包括：
获得所述目标用户在第一时间和第二时间的每个特征的影响特征值；
将所述目标用户在第一时间和第二时间的每个特征的影响特征值分别输入所述计分模型计算得到在第一时间和第二时间的每个特征的推荐指数得分。
10.如权利要求1所述的推荐指数归因方法，其特征在于，所述方法还包括：
计算目标群体中每个用户的每个特征在所述第一时间和所述第二时间的推荐指数得分的分值变化值；
计算目标群体中每个用户的每个特征的分值变化值的变化总和；
将每一特征的所述变化总和进行排序，得到所述第一时间至所述第二时间各个特征对所述目标群体的推荐指数的影响。
11.如权利要求1所述的推荐指数归因方法，其特征在于，所述目标用户是网约车的司机或乘客，所述特征为网约车成交过程中产生的相关参数以及司机或乘客本身携带的参数。
12.一种推荐指数归因装置，其特征在于，包括：
第一计算模块，用于使用计分模型计算目标用户在第一时间和第二时间的每个特征的推荐...
【专利技术属性】
技术研发人员：张坤雷，王震阳，陈学文，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。