业务推荐方法、装置、相关设备及存储介质制造方法及图纸

本发明专利技术公开了一种业务推荐方法、装置、服务器、客户端设备及存储介质。其中，方法包括：获取第一用户的信用参数；所述信用参数表征第一用户的信用能力；利用获取的信用参数，确定所述第一用户能够使用的信用业务；利用所述第一用户的第一数据及第二数据，确定所述第一用户的信用服务模式偏好；并利用所述第一数据及第二数据，确定所述第一用户的信用业务需求；所述第一数据表征所述第一用户的信用业务历史行为；所述第二数据表征所述第一用户在通信运营商产生的历史行为；利用确定的所述第一用户能够使用的信用业务、信用服务模式偏好、信用业务需求，对所述第一用户进行信用业务推荐。

【技术实现步骤摘要】
业务推荐方法、装置、相关设备及存储介质
本专利技术涉及数据处理领域，尤其涉及一种业务推荐方法、装置、相关设备及存储介质。
技术介绍
随着互联网技术、通信技术的发展和社会信用体系的构建，基于信用分为用户提供各类服务场景逐渐发展起来。通信运营商拥有巨大的数据资产，能够较好地评估用户的信用能力。基于通信运商评估的信用分，可以发展各类信用应用服务，例如信用购机、信用住店、信用租车、信用通信(不停机)、信用借书、信用号码贷款等等。近年来，随着信用评估技术和信用应用体系的逐渐成熟，信用服务领域和信用业务场景越来越丰富。相关技术中，信用业务推荐技术的推荐准确度差，从而导致用户体验较差。
技术实现思路
为解决相关技术问题，本专利技术实施例提供一种业务推荐方法、装置、相关设备及存储介质。本专利技术实施例的技术方案是这样实现的：本专利技术实施例提供了一种业务推荐方法，应用于服务器，包括：获取第一用户的信用参数；所述信用参数表征第一用户的信用能力；利用获取的信用参数及所述第一用户的身份信息，确定所述第一用户能够使用的信用业务；利用所述第一用户的第一数据及第二数据，确定所述第一用户的信用服务模式偏好；并利用所述第一数据及第二数据，确定所述第一用户的信用业务需求；所述第一数据表征所述第一用户的信用业务历史行为；所述第二数据表征所述第一用户在通信运营商产生的历史行为；利用确定的所述第一用户能够使用的信用业务、信用服务模式偏好、信用业务需求，对所述第一用户进行信用业务推荐。上述方案中，所述利用获取的信用参数及所述第一用户的身份信息，确定所述第一用户能够使用的信用业务，包括：针对数据库中至少两类信用业务中的每类信用业务，从相应类信用业务中确定与所述获取的信用参数匹配的业务及对应的业务等级，或者从相应类信用业务中确定与所述第一用户的身份信息匹配的业务及对应的业务等级。上述方案中，所述利用所述第一用户的第一数据及第二数据，确定所述第一用户的信用服务模式偏好，包括：对所述第一数据和第二数据进行第一特征提取，得到第一提取结果，并所述第一数据和第二数据进行第二特征提取，得到第二提取结果；所述第一提取结果表征所述第一用户的行为；所述第二提取结果表征所述第一用户的时间序列；利用所述第一提取结果，结合第一模型，评估所述第一用户的信用服务模式偏好，得到第一信用服务模式偏好结果；利用所述第二提取结果，结合第二模型，评估所述第一用户的信用服务模式偏好，得到第二信用服务模式偏好结果；利用第一信用服务模式偏好结果和第二信用服务模式偏好结果，确定所述第一用户的信用服务模式偏好。上述方案中，所述利用第一信用服务模式偏好结果和第二信用服务模式偏好结果，确定所述第一用户的信用服务模式偏好，包括：将所述第一信用服务模式偏好结果进行归一化处理，得到第一处理结果；并将所述第二信用服务模式偏好结果进行归一化处理，得到第二处理结果；利用所述第一处理结果和第二处理结果，确定所述第一用户的信用服务模式偏好。上述方案中，所述利用所述第一数据及第二数据，确定所述第一用户的信用业务需求，包括：对所述第一数据及第二数据进行特征提取，获得用户需求特征；在获得的用户需求特征符合第一条件的情况下，将获得的用户需求特征输入至深度学习模型中，得到所述第一用户的信用业务需求；所述深度学习模型是利用训练样本基于隐含狄利克雷分布-长短时记忆网络(LDA-LSTM)算法建立的；在获得的用户需求特征符合第二条件的情况下，将获得的用户需求特征输入至专家规则推荐模型中，得到所述第一用户的信用业务需求；所述专家规则推荐模型是利用训练样本构建需求标签，基于构建的需求标签建立的；其中，所述第一条件与第二条件不同。上述方案中，在利用深度学习模型得到的所述第一用户的信用业务需求与深度学习模型对应的推荐项目过滤规则不匹配的情况下，将获得的用户需求特征输入至专家规则推荐模型中，得到所述第一用户的信用业务需求。上述方案中，在利用专家规则推荐模型得到的所述第一用户的信用业务需求与专家规则推荐模型对应的推荐项目过滤规则不匹配的情况下，将获得的用户需求特征输入至随机策略推荐模型中，得到所述第一用户的信用业务需求；所述随机策略推荐模型是基于推荐概率的排序结果得到的。上述方案中，利用确定的所述第一用户能够使用的信用业务、信用服务模式偏好、信用业务需求，对所述第一用户进行信用业务推荐，包括：将所述第一用户能够使用的信用业务中各信用业务对应的分数、信用服务模式偏好对应的信用业务中各信用业务对应的分数、信用业务需求中各信用业务对应的分数进行融合，得到融合结果；基于融合结果对所述第一用户进行信用业务推荐。上述方案中，将信用服务模式偏好与数据库中信用业务的服务模式进行相似度匹配，基于相似度匹配结果，确定信用服务模式偏好对应的信用业务中各信用业务对应的分数。上述方案中，所述对所述第一用户进行信用业务推荐时，所述方法包括：向所述第一用户对应的客户端设备发送信用业务推荐信息；所述业务推荐信息包含信用业务及对应的等级信息。上述方案中，所述方法还包括：获取所述第一用户针对第一信用业务产生的用户数据；所述第一信用业务是基于对所述第一用户进行信用业务推荐后所述第一用户选择的信用业务；利用产生的用户数据，更新相应模型。本专利技术实施例还提供了一种业务推荐方法，应用于客户端设备，包括：接收服务器发送的信用业务推荐信息；所述业务推荐信息包含信用业务及对应的等级信息；基于收到的信用业务推荐信息，呈现信用业务推荐呈现；呈现的内容包含信用业务及对应的等级信息。上述方案中，所述方法还包括：向所述服务器发送所述第一用户的身份信息。本专利技术实施例还提供了一种业务推荐装置，包括：获取单元，用于获取第一用户的信用参数；所述信用参数表征第一用户的信用能力；第一确定单元，用于利用获取的信用参数及所述第一用户的身份信息，确定所述第一用户能够使用的信用业务；第二确定单元，用于利用所述第一用户的第一数据及第二数据，确定所述第一用户的信用服务模式偏好；并利用所述第一数据及第二数据，确定所述第一用户的信用业务需求；所述第一数据表征所述第一用户的信用业务历史行为；所述第二数据表征所述第一用户在通信运营商产生的历史行为；第三确定单元，用于利用确定的所述第一用户能够使用的信用业务、信用服务模式偏好、信用业务需求，对所述第一用户进行信用业务推荐。本专利技术实施例还提供了一种业务推荐装置，包括：收发单元，用于接收服务器发送的信用业务推荐信息；所述业务推荐信息包含信用业务及对应的等级信息；处理单元，用于基于收到的信用业务推荐信息，呈现信用业务推荐呈现；呈现的内容包含信用业务及对应的等级信息。本专利技术实施例还提供了一种服务器，包括：第一处理器和用于存储能够在处理器上运行的计算机程序的第一存储器，本文档来自技高网...

【技术保护点】
1.一种业务推荐方法，其特征在于，应用于服务器，包括：/n获取第一用户的信用参数；所述信用参数表征第一用户的信用能力；/n利用获取的信用参数及所述第一用户的身份信息，确定所述第一用户能够使用的信用业务；/n利用所述第一用户的第一数据及第二数据，确定所述第一用户的信用服务模式偏好；并利用所述第一数据及第二数据，确定所述第一用户的信用业务需求；所述第一数据表征所述第一用户的信用业务历史行为；所述第二数据表征所述第一用户在通信运营商产生的历史行为；/n利用确定的所述第一用户能够使用的信用业务、信用服务模式偏好、信用业务需求，对所述第一用户进行信用业务推荐。/n

【技术特征摘要】
1.一种业务推荐方法，其特征在于，应用于服务器，包括：
获取第一用户的信用参数；所述信用参数表征第一用户的信用能力；
利用获取的信用参数及所述第一用户的身份信息，确定所述第一用户能够使用的信用业务；
利用所述第一用户的第一数据及第二数据，确定所述第一用户的信用服务模式偏好；并利用所述第一数据及第二数据，确定所述第一用户的信用业务需求；所述第一数据表征所述第一用户的信用业务历史行为；所述第二数据表征所述第一用户在通信运营商产生的历史行为；
利用确定的所述第一用户能够使用的信用业务、信用服务模式偏好、信用业务需求，对所述第一用户进行信用业务推荐。


2.根据权利要求1所述的方法，其特征在于，所述利用获取的信用参数及所述第一用户的身份信息，确定所述第一用户能够使用的信用业务，包括：
针对数据库中至少两类信用业务中的每类信用业务，从相应类信用业务中确定与所述获取的信用参数匹配的业务及对应的业务等级，或者从相应类信用业务中确定与所述第一用户的身份信息匹配的业务及对应的业务等级。


3.根据权利要求1所述的方法，其特征在于，所述利用所述第一用户的第一数据及第二数据，确定所述第一用户的信用服务模式偏好，包括：
对所述第一数据和第二数据进行第一特征提取，得到第一提取结果，并所述第一数据和第二数据进行第二特征提取，得到第二提取结果；所述第一提取结果表征所述第一用户的行为；所述第二提取结果表征所述第一用户的时间序列；
利用所述第一提取结果，结合第一模型，评估所述第一用户的信用服务模式偏好，得到第一信用服务模式偏好结果；
利用所述第二提取结果，结合第二模型，评估所述第一用户的信用服务模式偏好，得到第二信用服务模式偏好结果；
利用第一信用服务模式偏好结果和第二信用服务模式偏好结果，确定所述第一用户的信用服务模式偏好。


4.根据权利要求3所述的方法，其特征在于，所述利用第一信用服务模式偏好结果和第二信用服务模式偏好结果，确定所述第一用户的信用服务模式偏好，包括：
将所述第一信用服务模式偏好结果进行归一化处理，得到第一处理结果；并将所述第二信用服务模式偏好结果进行归一化处理，得到第二处理结果；
利用所述第一处理结果和第二处理结果，确定所述第一用户的信用服务模式偏好。


5.根据权利要求1所述的方法，其特征在于，所述利用所述第一数据及第二数据，确定所述第一用户的信用业务需求，包括：
对所述第一数据及第二数据进行特征提取，获得用户需求特征；
在获得的用户需求特征符合第一条件的情况下，将获得的用户需求特征输入至深度学习模型中，得到所述第一用户的信用业务需求；所述深度学习模型是利用训练样本基于隐含狄利克雷分布-长短时记忆网络LDA-LSTM算法建立的；
在获得的用户需求特征符合第二条件的情况下，将获得的用户需求特征输入至专家规则推荐模型中，得到所述第一用户的信用业务需求；所述专家规则推荐模型是利用训练样本构建需求标签，基于构建的需求标签建立的；
其中，所述第一条件与第二条件不同。


6.根据权利要求5所述的方法，其特征在于，在利用深度学习模型得到的所述第一用户的信用业务需求与深度学习模型对应的推荐项目过滤规则不匹配的情况下，将获得的用户需求特征输入至专家规则推荐模型中，得到所述第一用户的信用业务需求。


7.根据权利要求5所述的方法，其特征在于，在利用专家规则推荐模型得到的所述第一用户的信用业务需求与专家规则推荐模型对应的推荐项目过滤规则不匹配的情况下，将获得的用户需求特征输入至随机策略推荐模型中，得到所述第一用户的信用业...

【专利技术属性】
技术研发人员：孙越佳，张科，杜瑜，刘晓宇，杨勇，
申请(专利权)人：中国移动通信有限公司研究院，中国移动通信集团有限公司，
类型：发明
国别省市：北京;11