一种基于神经网络挖掘模型的业务智能推荐方法技术

本发明专利技术涉及业务智能推送技术领域，尤其公开了一种基于神经网络挖掘模型的业务智能推荐方法，包括：获取用户数据并对用户数据进行预处理；利用预处理后的用户数据作为数据源输入，结合激活函数，训练数据，调整误差，构建神经网络模型；根据所构建的神经网络模型的数据输出，计算用户的效用函数，结合推荐算法，计算用户对业务产品的用户相似度和用户兴趣度，构建混合业务推荐模型，所构建的混合业务推荐模型建立并展示混合业务推荐列表。本发明专利技术的基于神经网络挖掘模型的业务智能推荐方法，覆盖的业务产品范围更广，利用同一套模型、业务推荐标准统一，在满足业务产品推荐的准确性和时效性的同时，能够解决业务产品推荐的优先级排序问题。问题。问题。

【技术实现步骤摘要】
一种基于神经网络挖掘模型的业务智能推荐方法


[0001]本专利技术涉及业务智能推送
，特别是涉及基于神经网络挖掘模型的业务智能推荐方法。

技术介绍

[0002]近年来，随着移动互联网市场的快速发展，各种新式业务产品不断增加，要求运营商快速响应市场业务精准推荐的需求，不断提升客户营销精准度和及时性。然而，传统的移动市场业务精准营销推荐均是针对具体业务产品进行精细市场分析，基于用户基础属性、行为偏好、消费偏好等多维度搭建用户标签库，提取与业务相关的指标，通过构建决策树、逻辑回归等数据挖掘模型算法，计算目标用户购买具体业务产品的概率，从而提供个性化业务精准推荐服务。传统的业务精准营销推荐方法针对的业务产品单一、覆盖不够全面，考虑指标维度较片面、过于依赖业务经验，且缺乏业务产品推荐优先级的统一标准，导致业务智能推荐工作效率低下而被动。

技术实现思路

[0003]基于此，本专利技术的目的在于，提供一种基于神经网络挖掘模型的业务智能推荐方法，能适应不同业务产品的推荐、覆盖的业务产品范围更广，且是利用同一套模型、业务推荐标准统一，在满足业务产品推荐的准确性和时效性的同时，能够解决业务产品推荐的优先级排序问题。
[0004]本专利技术的目的通过以下技术方案实现：
[0005]一种基于神经网络挖掘模型的业务智能推荐方法，包括以下步骤：
[0006]获取用户数据并对用户数据进行预处理，所述用户数据包括用户人口属性数据、用户消费行为数据、用户上网行为数据，所述预处理包括对用户数据进行去重处理、剔除异常值处理、标准化处理、以及均值归一化处理；
[0007]利用预处理后的用户数据作为数据源输入，结合激活函数，训练数据，调整误差，构建神经网络模型，所述训练数据包括卷积层训练、池化层训练、以及尾部感知机训练；
[0008]根据所构建的神经网络模型的数据输出，计算用户的效用函数，结合推荐算法，计算用户对业务产品的用户相似度和用户兴趣度，构建混合业务推荐模型，所构建的混合业务推荐模型建立并展示混合业务推荐列表，所述推荐算法包括基于内容的推荐、协同过滤推荐、和基于知识的推荐。
[0009]本专利技术的基于神经网络挖掘模型的业务智能推荐方法，采用神经网络模型将用户数据的特征矩阵进行估值填充，提高矩阵的密度，可以很好地解决混合业务推荐模型的数据稀疏性问题，从而提高业务智能推荐方法的准确性；再将深度训练的神经网络模型的输出结果作为混合业务推荐模型的输入，建立基于Item CF、user CF、协同过滤推荐算法的最优组合混合推荐算法，能适应不同业务产品的推荐、覆盖的业务产品范围更广，且是利用同一套模型、业务推荐标准统一，在满足业务产品推荐的准确性和时效性的同时，能够解决业
务产品推荐的优先级排序问题。
[0010]进一步优选地，所述用户人口属性数据包括用户的年龄、性别、职业、手机归属地、以及身份证归属地；
[0011]所述用户消费行为数据包括用户的月租费用、apru值、语音次数、以及通话次数；
[0012]所述用户上网行为数据包括用户使用的网站或软件、对应网站或软件的访问次数、对应网站或软件的使用流量、用户在对应网站或软件上搜索的关键字；
[0013]所述用户数据还包括额外数据，所述额外数据包括用户的手机终端档次、入网时长、用户使用状态。
[0014]进一步优选地，所述预处理中的标准化处理具体为利用公式对用户数据进行Z-score标准化；
[0015]所述预处理中的均值归一化处理具体为利用公式对用户数据进行均值归一化处理；
[0016]其中x为原始的用户数据特征，μ为均值，σ为标准差，x
max
为原始的用户数据特征中的最大值，x
min
为原始的用户数据特征中的最小值，x`为预处理后的用户数据特征。
[0017]进一步优选地，所述激活函数为sigmoid函数其中x为预处理后的用户数据特征，e为自然对数，f(x)为神经元的计算值，；
[0018]所述训练数据中的卷积层训练具体为采用所述激活函数对卷积层的权重矩阵加权求和计算f(x)＝sigmoid((W
k
*x)
ij
+b
k
)(4)，其中x为预处理后的用户数据特征，W
k
为卷积层的权重矩阵，b
k
为偏置，*为卷积运算符；
[0019]所述训练数据中的池化层训练具体为采用平均池化的计算方法对预处理后的用户数据特征进行特征降维处理以及压缩数据和参数的数量处理；
[0020]所述训练数据中的尾部感知机训练具体为将卷积层训练得到的训练样本和/或池化层训练得到的训练样本整合连接成输出向量，将所述输出向量乘以单层感知机的权重矩阵，再加上尾部感知机的偏置后进行卷积操作。
[0021]进一步优选地，所述调整误差具体为采用梯度下降法计算代价函数再通过权重计算公式ΔW
i
＝-ηE
′
＝ηx
i
(t-y)f
′
(x)＝ηx
i
δ(6)得出最终权重矩阵,其中，其中参数W和b通过求解公式求偏导而得到，所述求解公式为：
[0022][0023][0024]其中η为学习率，W为神经网络模型的权重矩阵，b为偏置，l表示第几层神经元，其取值范围为(l＝1,2,3，...)，y为通过一次数据训练后得到的训练样本结果。
[0025]进一步优选地，所述调整误差还包括迭代计算，使得代价函数达到预设极小值。
[0026]进一步优选地，所述用户的效用函数为效用函数其中u表示用户，i表示业务产品；
[0027]所述计算用户对业务产品的用户相似度具体为采用皮尔逊相关系数来计算神经网络模型的数据输出的特征矩阵之间的相似度，其中，r
u,i
表示用户u对业务产品i的评分，r
v,i
表示用户v对业务产品i的评分，表示用户u的评分的平均值，表示用户v的评分的平均值；
[0028]所述计算用户对业务产品的用户兴趣度具体为采用计算用户u对业务产品j的兴趣度P
uj
，其中，N(u)表示用户感兴趣的业务产品的集合，S(j，k)表示和业务产品j最相似的k个业务产品的集合；W
ji
表示业务产品j和业务产品i的相似度，r
ui
是用户u对业务产品i的兴趣度，
[0029]所构建的混合业务推荐模型根据计算所得的用户兴趣度排序建立并展示混合业务推荐列表。
[0030]进一步优选地，所述基于神经网络挖掘模型的业务智能推荐方法还包括步骤：对所构建的混合业务推荐模型的推荐效果进行评估，并根据评估结果对所构建的混合业务推荐模型进行定期更新。
[0031]进一步优选地，所述对所构建的混合业务推荐模型的推荐效果进行评估具体为通过计算所构建的混合业务推荐模型推荐业务产品的准确率和召回率来进行评估，所述准确率通过进行计算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络挖掘模型的业务智能推荐方法，其特征在于，包括以下步骤：获取用户数据并对用户数据进行预处理，所述用户数据包括用户人口属性数据、用户消费行为数据、用户上网行为数据，所述预处理包括对用户数据进行去重处理、剔除异常值处理、标准化处理、以及均值归一化处理；利用预处理后的用户数据作为数据源输入，结合激活函数，训练数据，调整误差，构建神经网络模型，所述训练数据包括卷积层训练、池化层训练、以及尾部感知机训练；根据所构建的神经网络模型的数据输出，计算用户的效用函数，结合推荐算法，计算用户对业务产品的用户相似度和用户兴趣度，构建混合业务推荐模型，所构建的混合业务推荐模型建立并展示混合业务推荐列表，所述推荐算法包括基于内容的推荐、协同过滤推荐、和基于知识的推荐。2.根据权利要求1所述的基于神经网络挖掘模型的业务智能推荐方法，其特征在于，所述用户人口属性数据包括用户的年龄、性别、职业、手机归属地、以及身份证归属地；所述用户消费行为数据包括用户的月租费用、apru值、语音次数、以及通话次数；所述用户上网行为数据包括用户使用的网站或软件、对应网站或软件的访问次数、对应网站或软件的使用流量、用户在对应网站或软件上搜索的关键字；所述用户数据还包括额外数据，所述额外数据包括用户的手机终端档次、入网时长、用户使用状态。3.根据权利要求1所述的基于神经网络挖掘模型的业务智能推荐方法，其特征在于，所述预处理中的标准化处理具体为利用公式对用户数据进行Z-score标准化；所述预处理中的均值归一化处理具体为利用公式对用户数据进行均值归一化处理；其中x为原始的用户数据特征，μ为均值，σ为标准差，x
max
为原始的用户数据特征中的最大值，x
min
为原始的用户数据特征中的最小值，x`为预处理后的用户数据特征。4.根据权利要求1-3任一项所述的基于神经网络挖掘模型的业务智能推荐方法，其特征在于，所述激活函数为sigmoid函数其中x为预处理后的用户数据特征，e为自然对数，f(x)为神经元的计算值，；所述训练数据中的卷积层训练具体为采用所述激活函数对卷积层的权重矩阵加权求和计算f(x)＝sigmoid((W
k
*x)
ij
+b
k
) (4)，其中x为预处理后的用户数据特征，W
k
为卷积层的权重矩阵，b
k
为偏置，*为卷积运算符；所述训练数据中的池化层训练具体为采用平均池化的计算方法对预处理后的用户数据特征进行特征降维处理以及压缩数据和参数的数量处理；所述训练数据中的尾部感知机训练具体为将卷积层训练得到的训练样本和/或池化层训练得到的训练样本整合连接成输出向量，将所述输出向量乘以单层感知机的权重矩阵，
再加上尾部感知机的偏置后进行卷积操作。5.根据权利要求4所述的基于神经网络挖掘模型的业务智能推荐方法，其特征在于，所述调整误差具体为采用梯度下...

【专利技术属性】
技术研发人员：苏如春，孙少峰，练镜锋，
申请(专利权)人：广州瀚信通信科技股份有限公司，
类型：发明
国别省市：