本发明专利技术实施例公开了一种业务推荐的方法、装置、可读存储介质和电子设备。本发明专利技术实施例通过获取目标用户的至少一个特征，进而确定每个所述特征对应的特征值，接着将至少一个所述特征值分别输入到预先训练的多个概率预测模型中，输出多个预测概率，其中，每个所述概率预测模型对应一种业务；最后根据预先设定的指标以及所述目标用户的多个预测概率生成所述目标用户的业务推荐方案。通过上述方法，确定出目标用户对于不同业务的购买概率，然后根据不同的指标以及不同业务的购买概率制定出目标用户的最佳业务推荐方案，根据所述最佳业务推荐方案，为目标用户推荐业务。为目标用户推荐业务。为目标用户推荐业务。
【技术实现步骤摘要】
一种业务推荐的方法、装置、可读存储介质和电子设备
[0001]本专利技术涉及计算机
，具体涉及一种业务推荐的方法、装置、可读存储介质和电子设备。
技术介绍
[0002]随着互联网应用的发展，改变了人们传统的生活方式，例如，在线教学改变了人们传统的教学方式，在线购物改变了人们传统的购物该方式，在线教学平台和在线购物平台在人们的日常生活使用越来越广泛，平台之间的竞争也越来越激励，因此保证平台的收益才能保证平台的持续运营，进而实现为用户长期服务的目的。
[0003]以在线教学平台为例，在线教学平台有大量的用户，并且设置了不同课程，不同的课程设置了不同的收费标准，现有技术中，为了保证在线教育平台的收益，通过人为分析历史数据，确定出课程推荐的方案，但是人为分析数据会存在一定的局限性，并且当人员和课程的数量较多时，也很难制定出最佳的课程推荐方案。
[0004]综上所述，如何自动的确定出最佳的课程推荐方案，是目前需要解决的问题。
技术实现思路
[0005]有鉴于此，本专利技术实施例提供了一种业务推荐的方法、装置、可读存储介质和电子设备，为每个用户确定出最佳的课程推荐方案，提高用户的使用体验。
[0006]第一方面，本专利技术实施例提供了一种业务推荐的方法，该方法包括：
[0007]获取目标用户的至少一个特征；
[0008]确定每个所述特征对应的特征值；
[0009]将至少一个所述特征值分别输入到预先训练的多个概率预测模型中，输出多个预测概率，其中，每个所述概率预测模型对应一种业务；
[0010]根据预先设定的指标以及所述目标用户的多个预测概率生成所述目标用户的业务推荐方案。
[0011]优选地，该方法还包括：
[0012]将所述多个预测概率分别输入到预先训练的概率矫正模型，输出多个矫正后预测概率。
[0013]优选地，所述根据预先设定的指标以及所述目标用户的多个预测概率生成所述目标用户的业务推荐方案，具体包括：
[0014]根据所述预先设定的指标、所述目标用户的多个预测概率、以及每个业务对应的收益或成交额，生成所述目标用户的业务推荐方案。
[0015]优选地，该方法还包括：
[0016]根据所述预先设定的指标以及所述目标用户的多个矫正后的预测概率生成所述目标用户的业务推荐方案。
[0017]优选地，所述根据所述预先设定的指标以及所述目标用户的多个矫正后的预测概
率生成所述目标用户的业务推荐方案，具体包括：
[0018]所述根据所述预先设定的指标、所述目标用户的多个矫正后的预测概率以及每个业务对应的收益或成交额，生成所述目标用户的业务推荐方案。
[0019]优选地，所述目标用户的特征包括基础特征和组合特征，其中，所述基础特征是根据用户基本信息直接确定的，所述组合特征是根据至少两个基本特征确定的。
[0020]优选地，所述基础特征为字符型数据特征时，所述基础特征的特征值根据独热编码的方式确定；所述组合特征的特征值是历史用户的历史购买概率的均值，其中，所述历史用户包括组成所述组合特征的至少两个基础特征，所述历史购买概率是已购买任一业务的历史用户数量与全部历史用户数量的比值。
[0021]优选地，所述概率预测模型的生成过程包括：
[0022]获取多个历史用户的历史特征；
[0023]将所述历史特征作为输入，每个历史用户对于任一业务的购买结果作为输出，训练所述概率预测模型。
[0024]优选地，所述概率预测模型为xgboost分类模型或神经网络模型。
[0025]优选地，所述概率矫正模型的生成过程包括：
[0026]获取历史用户对于任一业务的预测概率；
[0027]将所述预测概率作为输入，所述历史用户对于任一业务的购买结果作为输出，训练所述概率矫正模型。
[0028]优选地，所述概率矫正模型为逻辑回归模型。
[0029]第二方面，本专利技术实施例提供了一种业务推荐的装置，该装置包括：获取单元，用于获取目标用户的至少一个特征；确定单元，用于确定每个所述特征对应的特征值；处理单元，用于将至少一个所述特征值分别输入到预先训练的多个概率预测模型中，输出多个预测概率，其中，每个所述概率预测模型对应一种业务；生成单元，用于根据预先设定的指标以及所述目标用户的多个预测概率生成所述目标用户的业务推荐方案。
[0030]优选地，所述处理单元还用于，将所述多个预测概率分别输入到预先训练的概率矫正模型，输出多个矫正后预测概率。
[0031]优选地，所述生成单元具体用于：
[0032]根据所述预先设定的指标、所述目标用户的多个预测概率、以及每个业务对应的收益或成交额，生成所述目标用户的业务推荐方案。
[0033]优选地，所述生成单元还用于：
[0034]根据所述预先设定的指标以及所述目标用户的多个矫正后的预测概率生成所述目标用户的业务推荐方案。
[0035]优选地，所述生成单元具体用于：
[0036]所述根据所述预先设定的指标、所述目标用户的多个矫正后的预测概率以及每个业务对应的收益或成交额，生成所述目标用户的业务推荐方案。
[0037]优选地，所述目标用户的特征包括基础特征和组合特征，其中，所述基础特征是根据用户基本信息直接确定的，所述组合特征是根据至少两个基本特征确定的。
[0038]优选地，所述基础特征为字符型数据特征时，所述基础特征的特征值根据独热编码的方式确定；所述组合特征的特征值是历史用户的历史购买概率的均值，其中，所述历史
用户包括组成所述组合特征的至少两个基础特征，所述历史购买概率是已购买任一业务的历史用户数量与全部历史用户数量的比值。
[0039]优选地，所述概率预测模型的生成过程中：
[0040]所述获取单元还用于，获取多个历史用户的历史特征；
[0041]训练单元，用于将所述历史特征作为输入，每个历史用户对于任一业务的购买结果作为输出，训练所述概率预测模型。
[0042]优选地，所述概率预测模型为xgboost分类模型或神经网络模型。
[0043]优选地，所述概率矫正模型的生成过程中：
[0044]所述获取单元还用于，获取历史用户对于任一业务的预测概率；
[0045]所述训练单元还用于，将所述预测概率作为输入，所述历史用户对于任一业务的购买结果作为输出，训练所述概率矫正模型。
[0046]优选地，所述概率矫正模型为逻辑回归模型。
[0047]第三方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如第一方面或第一方面任一种可能中任一项所述的方法。
[0048]第四方面，本专利技术实施例提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面或第一方面任一本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种业务推荐方法，其特征在于，该方法包括：获取目标用户的至少一个特征；确定每个所述特征对应的特征值；将至少一个所述特征值分别输入到预先训练的多个概率预测模型中，输出多个预测概率，其中，每个所述概率预测模型对应一种业务；根据预先设定的指标以及所述目标用户的多个预测概率生成所述目标用户的业务推荐方案。2.如权利要求1所述的方法，其特征在于，该方法还包括：将所述多个预测概率分别输入到预先训练的概率矫正模型，输出多个矫正后预测概率。3.如权利要求1所述的方法，其特征在于，所述根据预先设定的指标以及所述目标用户的多个预测概率生成所述目标用户的业务推荐方案，具体包括：根据所述预先设定的指标、所述目标用户的多个预测概率、以及每个业务对应的收益或成交额，生成所述目标用户的业务推荐方案。4.如权利要求2所述的方法，其特征在于，该方法还包括：根据所述预先设定的指标以及所述目标用户的多个矫正后的预测概率生成所述目标用户的业务推荐方案。5.如权利要求4所述的方法，其特征在于，所述根据所述预先设定的指标以及所述目标用户的多个矫正后的预测概率生成所述目标用户的业务推荐方案，具体包括：所述根据所述预先设定的指标、所述目标用户的多个矫正后的预测概率以及每个业务对应的收益或成交额，生成所述目标用户的业务推荐方案。6.如权利要求1所述的方法，其特征在于，所述目标用户的特征包括基础特征和组合特征，其中，所述基础特征是根据用户基本信息直接确定的，所述组合特征是根据至少两个基本特征确定的。7.如权利要求6所述的方法，其特征在于，所述基础特征为字符型数据特征时，所述基础特征的特征值根据独热编码的方式确定；所述组合特征的特征值是历史用户的历史购买概率的均值，其中，所述历史用...
【专利技术属性】
技术研发人员：张锐，陈鹏，杜冲，
申请(专利权)人：北京大米科技有限公司，
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。