推荐方法、装置、设备及计算机可读存储介质制造方法及图纸

本申请提供了一种推荐方法、装置、设备及计算机可读存储介质；该方法包括：获取多个营销场景类型分别对应的训练好的推荐模型和多个用户标识对应的多个用户数据，所述用户数据包括用户特征数据和行为数据；将所述用户数据分别输入各个推荐模型，得到各个营销场景类型对应的预测向量；基于各个营销场景类型对应的预测向量构建多场景融合矩阵，所述多场景融合矩阵包括各个营销场景类型下的多个目标用户标识在各个营销场景类型下的预测概率；基于所述多场景融合矩阵确定各个目标用户标识对应的目标营销场景类型；在确定达到推荐时机时，向所述各个目标用户标识对应的终端发送目标营销场景类型对应的推荐信息。通过本申请，能够实现精准推荐。够实现精准推荐。够实现精准推荐。

【技术实现步骤摘要】
推荐方法、装置、设备及计算机可读存储介质


[0001]本申请涉及互联网技术，尤其涉及一种推荐方法、装置、设备及计算机可读存储介质。

技术介绍

[0002]一个产品完整的生命周期一般包括：初创期、成长期、成熟期、衰减期、退出期这五个周期。对应着五个生命周期，企业所采用的干预活动大致分为：初始期—拉新，成长期—拉新、流失预警，成熟期—流失预警、流失挽回、付费拉新、付费活跃等，衰退期—流失挽回、付费活跃、付费流失挽回，退出期—流失挽回、付费流失挽回等。目前，企业对于产品生命周期管理，一般采用单个场景进行单个活动的营销干预。然而，有很多用户存在于产品的多个生命周期阶段，因此，一个用户会涉及多个产品生命周期的营销活动，而目前的生命周期营销方案并不能给出用户最优先的营销运动，不仅推荐精度不高，并且对用户容易造成骚扰。

技术实现思路

[0003]本申请实施例提供一种推荐方法、装置及计算机可读存储介质，能够提高推荐精度。
[0004]本申请实施例的技术方案是这样实现的：本申请实施例提供一种推荐方法，包括：获取多个营销场景类型分别对应的训练好的推荐模型和多个用户标识对应的多个用户特征数据；将所述用户特征数据分别输入各个推荐模型，得到各个营销场景类型对应的预测向量；基于各个营销场景类型对应的预测向量构建多场景融合矩阵，所述多场景融合矩阵包括各个营销场景类型下的多个目标用户标识在各个营销场景类型下的预测概率；基于所述多场景融合矩阵确定各个目标用户标识对应的目标营销场景类型；在确定达到推荐时机时，向所述各个目标用户标识对应的终端发送目标营销场景类型对应的推荐信息。
[0005]本申请实施例提供一种推荐装置，包括：第一获取模块，用于获取多个营销场景类型分别对应的训练好的推荐模型和多个用户标识对应的用户特征数据；预测模块，用于将所述用户特征数据分别输入各个推荐模型，得到各个营销场景类型对应的预测向量；场景融合模块，用于基于各个营销场景类型对应的预测向量构建多场景融合矩阵，所述多场景融合矩阵包括各个营销场景类型下的多个目标用户标识在各个营销场景类型下的预测概率；第一确定模块，用于基于所述多场景融合矩阵确定各个目标用户标识对应的目标
营销场景类型；第一发送模块，用于在确定达到推荐时机时，向所述各个目标用户标识对应的终端发送目标营销场景类型对应的推荐信息。
[0006]在一些实施例中，该场景融合模块，还用于：基于各个营销场景类型对应的预测向量确定所述各个营销场景类型对应的多个目标用户标识；基于所述各个营销场景类型对应的预测向量获取各个目标用户标识在至少一个营销场景类型下的预测概率；基于所述各个目标用户标识在至少一个营销场景类型下的预测概率，构建多场景融合矩阵。
[0007]在一些实施例中，该场景融合模块，还用于：基于所述各个目标用户标识在至少一个营销场景类型下的预测概率，生成带有缺失值的概率矩阵；其中，所述概率矩阵的第i行第j列为第i个目标用户标识在第j个营销场景类型下的预测概率，i=1,2，
…
，M，j=1,2，
…
，N，其中M为目标用户标识总数，N为营销场景类型总数，当第p个目标用户标识不为第q个营销场景类型下的目标用户时，所述概率矩阵的第p行第q列为缺失值；将所述概率矩阵输入训练好的协同过滤模型进行缺失值预测，得到多场景融合矩阵。
[0008]在一些实施例中，该第一确定模块，还用于：基于所述多场景融合矩阵确定所述各个目标用户标识对应的场景排序向量，所述场景排序向量为目标用户标识对应的场景概率向量的排序结果；基于所述各个目标用户标识对应的场景排序向量确定所述各个目标用户标识的最高场景概率；将所述最高场景概率对应的营销场景类型确定为目标营销场景类型。
[0009]在一些实施例中，该装置还包括：第二确定模块，用于在确定达到预设的推荐间隔时长时，确定达到推荐时机；或者，第三确定模块，用于在确定推荐信息更新时，确定达到推荐时机；或者，第四确定模块，用于在确定用户登录时，确定达到推荐时机。
[0010]在一些实施例中，该装置还包括：第二获取模块，用于获取各个用户标识对应的日志数据，基于所述日志数据确定训练数据，所述训练数据包括多个训练特征数据和各个训练特征数据对应的营销场景标签；第三获取模块，用于获取所述各个营销场景类型对应的训练特征数据和所述各个营销场景类型对应的预设推荐模型；第一训练模块，用于利用所述各个营销场景类型对应的训练特征数据分别对所述各个营销场景类型对应的预设推荐模型进行训练，得到各个营销场景类型对应的训练好的推荐模型。
[0011]在一些实施例中，该第二获取模块，还用于：
基于所述日志数据确定各个用户标识对应的历史特征数据和营销场景标签；基于所述营销场景标签确定各个营销场景类型对应的历史特征数据；将所述各个营销场景类型对应的历史特征数据进行划分，得到各个营销场景类型对应的训练特征数据和各个营销场景类型对应的测试数据。
[0012]在一些实施例中，该第二获取模块，还用于：基于所述各个用户标识对应的日志数据，确定所述各个用户标识对应的身份特征数据、所述各个用户标识在第（K
‑
1）个时间周期的消费特征数据和活跃特征数据，其中，所述第（K
‑
1）个时间周期为当前时间周期的上一个时间周期，K为大于2的整数；基于用户标识对应的日志数据，如果确定在第K个时间周期之前未进行过登陆，确定所述用户标识的营销场景标签为拉新场景；如果确定在第（K
‑
1）个时间周期进行过登陆，在所述第K个时间周期未进行登录，确定所述用户标识的营销场景标签为流失预警场景；如果确定在第（K
‑
2）个时间周期进行过登陆，在所述第（K
‑
1）个时间周期未进行登录，在所述第K个时间周期进行登录，确定所述用户标识的营销场景标签为流失挽回场景；如果确定在第K个时间周期之前进行过登陆但未消费，在第K个时间周期进行登录并消费，确定所述用户标识的营销场景标签为付费新增场景；如果确定在第（K
‑
2）个时间周期进行过登陆并消费，在第（K
‑
1）个时间周期进行登录未消费，在第K个时间周期进行登录并消费，确定所述用户标识的营销场景标签为付费回流场景。
[0013]在一些实施例中，该第一训练模块，还用于：将所述各个营销场景类型对应的训练特征数据分别输入所述各个营销场景类型对应的预设推荐模型进行迭代训练；在确定达到迭代结束条件时，获取初步训练好的各个推荐模型；获取各个营销场景类型对应的测试数据，所述测试数据包括测试特征数据和测试场景标签；将所述各个营销场景类型对应的测试特征数据对应输入初步训练好的各个推荐模型，得到各个推荐模型对应的预测场景信息；当基于所述测试场景标签和各个推荐模型对应的预测场景信息确定达到训练结束条件时，将所述初步训练好的各个推荐模型确定为训练好的各个推荐模型。
[0014]在一些实施例中，该装置还包括：第四获取模块，用于当基于所述测试场景标签和所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种推荐方法，其特征在于，所述方法包括：获取多个营销场景类型分别对应的训练好的推荐模型和多个用户标识对应的多个用户特征数据；将所述用户特征数据分别输入各个推荐模型，得到各个营销场景类型对应的预测向量；基于各个营销场景类型对应的预测向量构建多场景融合矩阵，所述多场景融合矩阵包括各个营销场景类型下的多个目标用户标识在各个营销场景类型下的预测概率；基于所述多场景融合矩阵确定各个目标用户标识对应的目标营销场景类型；在确定达到推荐时机时，向所述各个目标用户标识对应的终端发送目标营销场景类型对应的推荐信息。2.根据权利要求1中所述的方法，其特征在于，所述基于各个营销场景类型对应的预测向量构建多场景融合矩阵，包括：基于各个营销场景类型对应的预测向量确定所述各个营销场景类型对应的多个目标用户标识；基于所述各个营销场景类型对应的预测向量获取各个目标用户标识在至少一个营销场景类型下的预测概率；基于所述各个目标用户标识在至少一个营销场景类型下的预测概率，构建多场景融合矩阵。3.根据权利要求2中所述的方法，其特征在于，所述基于所述各个目标用户标识在至少一个营销场景类型下的预测概率，构建多场景融合矩阵，包括：基于所述各个目标用户标识在至少一个营销场景类型下的预测概率，生成带有缺失值的概率矩阵；其中，所述概率矩阵的第i行第j列为第i个目标用户标识在第j个营销场景类型下的预测概率，i=1,2，
…
，M，j=1,2，
…
，N，其中M为目标用户标识总数，N为营销场景类型总数，当第p个目标用户标识不为第q个营销场景类型下的目标用户时，所述概率矩阵的第p行第q列为缺失值；将所述概率矩阵输入训练好的协同过滤模型进行缺失值预测，得到多场景融合矩阵。4.根据权利要求1中所述的方法，其特征在于，所述基于所述多场景融合矩阵确定各个目标用户标识对应的目标营销场景类型，包括：基于所述多场景融合矩阵确定所述各个目标用户标识对应的场景排序向量，所述场景排序向量为目标用户标识对应的场景概率向量的排序结果；基于所述各个目标用户标识对应的场景排序向量确定所述各个目标用户标识的最高场景概率；将所述最高场景概率对应的营销场景类型确定为目标营销场景类型。5.根据权利要求1中所述的方法，其特征在于，所述方法还包括：在确定达到预设的推荐间隔时长时，确定达到推荐时机；或者，在确定推荐信息更新时，确定达到推荐时机；或者，在确定用户登录时，确定达到推荐时机。6.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：
获取各个用户标识对应的日志数据，基于所述日志数据确定训练数据，所述训练数据包括多个训练特征数据和各个训练特征数据对应的营销场景标签；获取所述各个营销场景类型对应的训练特征数据和所述各个营销场景类型对应的预设推荐模型；利用所述各个营销场景类型对应的训练特征数据分别对所述各个营销场景类型对应的预设推荐模型进行训练，得到各个营销场景类型对应的训练好的推荐模型。7.根据权利要求6中所述的方法，其特征在于，所述基于所述日志数据确定训练数据，包括：基于所述日志数据确定各个用户标识对应的历史特征数据和营销场景标签；基于所述营销场景标签确定各个营销场景类型对应的历史特征数据；将所述各个营销场景类型对应的历史特征数据进行划分，得到各个营销场景类型对应的训练特征数据和各个营销场景类型对应的测试数据。8.根据权利要求7中所述的方法，其特征在于，所述基于所述各个用户标识日志数据确定各个用户标识对应的历史特征数据和营销场景标签，包括：基于所述各个用户标识对应的日志数据，确定所述各个用户标识对应的身份特征...

【专利技术属性】
技术研发人员：钟子宏，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：