信息推荐方法、装置和设备制造方法及图纸

本申请实施例提供一种信息推荐方法、装置和设备，其中，信息推荐方法包括：获取用户的相关信息和N张骑行卡中每张骑行卡的相关信息；根据用户的相关信息、N张骑行卡中每张骑行卡的相关信息和目标概率统计模型，获得M种排序中每种排序下每张骑行卡的用户购买概率，M种排序为N张骑行卡的M种不同排序；根据每种排序下每张骑行卡的用户购买概率，获取用户的N张骑行卡的推荐排序；向终端设备发送用户的N张骑行卡的推荐排序，提升了用户选择到合适骑行卡的概率。

Information recommendation methods, devices and equipment

【技术实现步骤摘要】
信息推荐方法、装置和设备
本申请实施例涉及人工智能(artificialintelligence，AI)
，尤其涉及一种信息推荐方法、装置和设备。
技术介绍
随着智能终端的普及和应用，大量解决生活、工作问题的计算机应用程序(Application，APP)被开发出来。APP运行在智能终端的硬件和软件环境中。其中一类APP可以实现人们的智能出行，为用户提供预约叫车、共享单车等服务。对于共享单车服务，骑行卡作为用户使用共享单车服务的补充支付方式，不仅方便了用户骑行，而且提升了用户的粘性。骑行卡的种类较多，比如，月卡、季卡、半年卡、年卡、7天5次卡、15天10次卡等等，用户可以根据差异化的使用需求选择适合的骑行卡。目前，在APP的显示页面中按照固定推荐顺序展示骑行卡。由于骑行卡的种类较多，APP的显示页面中一次只能展示有限个数的骑行卡。如果适合用户购买的骑行卡被展示在第二页或者被折叠展示，将会降低用户选择到合适骑行卡的概率。
技术实现思路
本申请实施例提供一种信息推荐方法、装置和设备，提升了用户选择到合适骑行卡的概率。第一方面，本申请实施例提供一种信息推荐方法，包括：获取用户的相关信息和N张骑行卡中每张骑行卡的相关信息，所述N为大于等于2的整数；根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息和目标概率统计模型，获得M种排序中每种排序下每张骑行卡的用户购买概率；其中，所述M种排序为所述N张骑行卡的M种不同排序，所述M为大于等于2的整数；根据每种排序下每张骑行卡的用户购买概率，获取所述用户的所述N张骑行卡的推荐排序；向终端设备发送所述用户的所述N张骑行卡的推荐排序，所述推荐排序用于所述终端设备根据所述推荐排序在显示界面显示所述N张骑行卡。可选的，所述根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息和目标概率统计模型，获得M种排序中每种排序下每张骑行卡的用户购买概率，包括：根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息、所述每种排序的排序信息和所述目标概率统计模型，获得该种排序下每张骑行卡的用户购买概率。可选的，所述根据每种排序下每张骑行卡的用户购买概率，获取所述用户的所述N张骑行卡的推荐排序，包括：根据每种排序下每张骑行卡的用户购买概率以及每张骑行卡的购买金额，获得该种排序的用户购买期望值；根据所述M种排序中每种排序的用户购买期望值，确定所述用户的所述N张骑行卡的推荐排序。可选的，所述根据所述M种排序中每种排序的用户购买期望值，确定所述用户的所述N张骑行卡的推荐排序，包括：根据所述M种排序中每种排序的用户购买期望值，确定最大的用户购买期望值；将最大的用户购买期望值所对应的排序，确定为所述推荐排序。可选的，所述根据每种排序下每张骑行卡的用户购买概率以及每张骑行卡的购买金额，获得该种排序的用户购买期望值，包括：获取每种排序下，每张骑行卡的用户购买概率与购买金额的乘积；将所述N张骑行卡的用户购买概率与购买金额的乘积之和，确定为该种排序的用户购买期望值。可选的，所述骑行卡的购买金额是由所述骑行卡的应付金额与所述用户的折扣金额确定的。可选的，所述用户的相关信息包括：用户画像信息、用户的骑行需求信息、用户的历史付费信息中任一项或组合。可选的，所述目标概率统计模型，包括：机器学习模型。可选的，还包括：获取K个样本用户的相关信息、每个样本用户的所述N张骑行卡的排序及在该排序下各张骑行卡的样本购买概率、所述N张骑行卡中每张骑行卡的相关信息；其中，所述K为大于等于M的整数，所述K个样本用户的所述N张骑行卡的排序包括所述M种排序；根据所述K个样本用户的相关信息、所述每个样本用户的所述N张骑行卡的排序及在该排序下各张骑行卡的样本购买概率、所述N张骑行卡中每张骑行卡的相关信息，对初始机器学习模型进行训练，获得所述目标概率统计模型中的机器学习模型。可选的，所述目标概率统计模型，还包括：保序回归模型。可选的，还包括：根据所述K个样本用户的相关信息、所述每个样本用户的所述N张骑行卡的排序、所述N张骑行卡中每张骑行卡的相关信息，以及所述目标概率统计模型中的机器学习模型，获得每个样本用户在相应排序下各张骑行卡的统计购买概率；根据所述每个样本用户在相应排序下各张骑行卡的统计购买概率以及所述每个样本用户在相应排序下各张骑行卡的样本购买概率，对初始保序回归模型进行训练，获得所述目标概率统计模型的保序回归模型。第二方面，本申请实施例提供一种信息推荐装置，包括：获取模块，用于获取用户的相关信息和N张骑行卡中每张骑行卡的相关信息，所述N为大于等于2的整数；预测模块，用于根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息和目标概率统计模型，获得M种排序中每种排序下每张骑行卡的用户购买概率；其中，所述M种排序为所述N张骑行卡的M种不同排序，所述M为大于等于2的整数；确定模块，用于根据每种排序下每张骑行卡的用户购买概率，获取所述用户的所述N张骑行卡的推荐排序；发送模块，用于向终端设备发送所述用户的所述N张骑行卡的推荐排序，所述推荐排序用于所述终端设备根据所述推荐排序在显示界面显示所述N张骑行卡。可选的，所述预测模块具体用于：根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息、所述每种排序的排序信息和所述目标概率统计模型，获得该种排序下每张骑行卡的用户购买概率。可选的，所述确定模块具体用于：根据每种排序下每张骑行卡的用户购买概率以及每张骑行卡的购买金额，获得该种排序的用户购买期望值；根据所述M种排序中每种排序的用户购买期望值，确定所述用户的所述N张骑行卡的推荐排序。可选的，所述确定模块具体用于：根据所述M种排序中每种排序的用户购买期望值，确定最大的用户购买期望值；将最大的用户购买期望值所对应的排序，确定为所述推荐排序。可选的，所述确定模块具体用于：获取每种排序下，每张骑行卡的用户购买概率与购买金额的乘积；将所述N张骑行卡的用户购买概率与购买金额的乘积之和，确定为该种排序的用户购买期望值。可选的，所述骑行卡的购买金额是由所述骑行卡的应付金额与所述用户的折扣金额确定的。可选的，所述用户的相关信息包括：用户画像信息、用户的骑行需求信息、用户的历史付费信息中任一项或组合。可选的，所述目标概率统计模型，包括：机器学习模型。可选的，还包括训练模块，所述训练模块用于：获取K个样本用户的相关信息、每个样本用户的所述N张骑行卡的排序及在该排序下各张骑行卡的样本购买概率、所述N张骑行卡中每张骑行卡的相关信息；其中，所述K为大于等于M的整数，所述K个样本用户的所述N张骑行卡的排序包括所述M种排序；根据所述K个样本用户的相关信息、所述每个样本用户的所述N张骑行本文档来自技高网...

【技术保护点】
1.一种信息推荐方法，其特征在于，包括：/n获取用户的相关信息和N张骑行卡中每张骑行卡的相关信息，所述N为大于等于2的整数；/n根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息和目标概率统计模型，获得M种排序中每种排序下每张骑行卡的用户购买概率；其中，所述M种排序为所述N张骑行卡的M种不同排序，所述M为大于等于2的整数；/n根据每种排序下每张骑行卡的用户购买概率，获取所述用户的所述N张骑行卡的推荐排序；/n向终端设备发送所述用户的所述N张骑行卡的推荐排序，所述推荐排序用于所述终端设备根据所述推荐排序在显示界面显示所述N张骑行卡。/n

【技术特征摘要】
1.一种信息推荐方法，其特征在于，包括：
获取用户的相关信息和N张骑行卡中每张骑行卡的相关信息，所述N为大于等于2的整数；
根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息和目标概率统计模型，获得M种排序中每种排序下每张骑行卡的用户购买概率；其中，所述M种排序为所述N张骑行卡的M种不同排序，所述M为大于等于2的整数；
根据每种排序下每张骑行卡的用户购买概率，获取所述用户的所述N张骑行卡的推荐排序；
向终端设备发送所述用户的所述N张骑行卡的推荐排序，所述推荐排序用于所述终端设备根据所述推荐排序在显示界面显示所述N张骑行卡。


2.根据权利要求1所述的方法，其特征在于，所述根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息和目标概率统计模型，获得M种排序中每种排序下每张骑行卡的用户购买概率，包括：
根据所述用户的相关信息、所述N张骑行卡中每张骑行卡的相关信息、所述每种排序的排序信息和所述目标概率统计模型，获得该种排序下每张骑行卡的用户购买概率。


3.根据权利要求1所述的方法，其特征在于，所述根据每种排序下每张骑行卡的用户购买概率，获取所述用户的所述N张骑行卡的推荐排序，包括：
根据每种排序下每张骑行卡的用户购买概率以及每张骑行卡的购买金额，获得该种排序的用户购买期望值；
根据所述M种排序中每种排序的用户购买期望值，确定所述用户的所述N张骑行卡的推荐排序。


4.根据权利要求3所述的方法，其特征在于，所述根据所述M种排序中每种排序的用户购买期望值，确定所述用户的所述N张骑行卡的推荐排序，包括：
根据所述M种排序中每种排序的用户购买期望值，确定最大的用户购买期望值；
将最大的用户购买期望值所对应的排序，确定为所述推荐排序。


5.根据权利要求3所述的方法，其特征在于，所述根据每种排序下每张骑行卡的用户购买概率以及每张骑行卡的购买金额，获得该种排序的用户购买期望值，包括：
获取每种排序下，每张骑行卡的用户购买概率与购买金额的乘积；
将所述N张骑行卡的用户购买概率与购买金额的乘积之和，确定为该种排序的用户购买期望值。


6.根据权利要求3-5任一项所述的方法，其特征在于，所述骑行卡的购买金额是由所述骑行卡的应付金额与所述用户的折扣金额确定的。


7.根据权利要求1-5任一项所述的方法，其特征在于，所述用户的相关信息包括：用户画像信息、用户的骑行需求信息、用户的历史付费信息中任一项或组合。


8.根据权利要求1-5任一项所述的方法，其特征在于，所述目标概率统计模型，包括：机器学习模型。


9.根据权利要求8所述的方法，其特征在于，还包括：
获取K个样本用户的相关信息、每个样本用户的所述N张骑行卡的排序及在该排序下各张骑行卡的样本购买概率、所述N张骑行卡中每张骑行卡的相关信息；其中，所述K为大于等于M的整数，所述K个样本用户的所述N张骑行卡的排序包括所述M种排序；
根据所述K个样本用户的相关信息、所述每个样本用户的所述N张骑行卡的排序及在该排序下各张骑行卡的样本购买概率、所述N张骑行卡中每张骑行卡的相关信息，对初始机器学习模型进行训练，获得所述目标概率统计模型中的机器学习模型。


10.根据权利要求9所述的方法，其特征在于，所述目标概率统计模型，还包括：保序回归模型。


11.根据权利要求10所述的方法，其特征在于，还包括：
根据所述K个样本用户的相关信息、所述每个样本用户的所述N张骑行卡的排序、所述N张骑行卡中每张骑行卡的相关信息，以及所述目标概率统计模型中的机器学习模型，获得每个样本用户在相应排序下各张骑行卡的统计购买概率；
根据所述每个样本用户在相应排序下各张骑行卡的统计购买概率以及所述每个样本用户在相应排序下各张骑行卡的样本购买概率，对初始保序回归模型进行训练，获得所述目标概率统计模型的保序回归模型。


12.一种信息推荐装置，其特征在于，包括：
获取模块，用于获取用户...

【专利技术属性】
技术研发人员：周齐，吴艳平，王毅星，
申请(专利权)人：北京骑胜科技有限公司，
类型：发明
国别省市：北京;11