【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、 ...
【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:
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。