【技术实现步骤摘要】
通信服务方案预测模型训练和推荐方法、装置和设备
[0001]本专利技术涉及通信服务
，特别涉及一种通信服务方案预测模型训练方法、通信服务方案推荐方法、电子设备和计算机可读存储介质。
技术介绍
[0002]针对通信服务方案(例如移动通信套餐)进行推荐的算法在本领域中是已知的。现有的推荐算法要么无法精准优化所有用户的服务方案，要么需要根据业务类型数量进行多次运算，存在运算效率低的问题。在一些利用机器学习技术的推荐算法中，无法处理好机器学习模型的训练问题，导致推荐的结果不理想，运算效率不高。
技术实现思路
[0003]为此，本申请致力于提供一种通信服务方案预测模型训练方法、通信服务方案推荐方法、电子设备和计算机可读存储介质，能够通过训练良好的预测模型，实现精准的推荐和较高的运算效率。
[0004]在一方面，本申请提供一种通信服务方案预测模型训练方法，通信服务方案预测模型用于预测适于推荐给通信服务用户的通信服务方案，方法包括：基于LightGBM算法，构建初始模型；根据初始模型，计算多个数据样本中每个数据样本的梯度；根据多个数据样本的梯度，对多个数据样本进行筛选；将经筛选的多个数据样本输入初始模型进行训练，以使损失函数的值最小化；当损失函数的值最小时，停止训练，得到通信服务方案预测模型。
[0005]根据本申请一特别实施例，根据多个数据样本的梯度，对多个数据样本进行筛选，包括：按照梯度的绝对值，对多个数据样本进行降序排列；确定比例阈值a，将排序后的多个数据样本中的前a
×>100％的数据样本全部保留，对后(1
‑
a)
×
100％的数据样本按照b
×
100％的比例进行随机抽样。其中，确定比例阈值a，包括：计算多个数据样本的梯度绝对值的平均值μ和标准差σ；计算梯度绝对值大于μ+2σ和小于μ
‑
2σ的数据样本的占比m；根据a＝(1
‑
m)，确定a的值。
[0006]根据本申请一特别实施例，损失函数为：
[0007][0008]式中，F(x)为损失函数的值，f(x)为预测值，y为真实值，x为输入特征。
[0009]在另一方面，本申请提供一种通信服务方案推荐方法，包括：获取多个历史用户的服务历史数据；按照推荐规则，使用服务方案标签对每个历史用户的服务历史数据进行批量标注，使得服务历史数据与推荐服务方案匹配；将经标注的多个历史用户的服务历史数据作为多个数据样本，以此根据上述的通信服务方案预测模型训练方法训练出通信服务方案预测模型；将多个当前用户的服务历史数据输入通信服务方案预测模型，预测多个当前用户的推荐服务方案；将预测的推荐服务方案批量发送给多个当前用户。
[0010]根据本申请一特别实施例，服务历史数据包括服务用量，推荐规则包括：当历史用
户的服务用量低于原服务方案中的服务总量的第一比例或者高于服务总量的第二比例时，按照服务用量的第三比例确定推荐服务方案；当服务用量处于服务总量的第一比例和第二比例之间时，确定推荐服务方案为原服务方案。
[0011]根据本申请一特别实施例，在获取多个历史用户的服务历史数据之后，还包括：计算服务历史数据中的A个数据项目之间的相关性，将相关性高于第一阈值的任意两个数据项目之一去除，得到B个数据项目，其中B小于或等于A；计算B个数据项目与服务方案标签之间的相关性，将相关性高于第二阈值的C个数据项目用于标注，其中C小于或等于B。
[0012]根据本申请一特别实施例，在将预测的推荐服务方案批量发送给多个当前用户之后，还包括：当通信服务方案更新时，将通信服务方案转化为新的服务方案标签；根据推荐规则，使用新的服务方案标签对多个历史用户的历史服务数据重新进行批量标注，使得多个历史用户的历史服务数据与新的推荐服务方案匹配；建立新的通信服务方案预测模型，将原通信服务方案预测模型的参数输入新的通信服务方案预测模型，并将经重新标注的多个历史用户的服务历史数据输入新的服务方案预测模型中，训练新的服务方案预测模型。
[0013]在另一方面，本申请提供一种通信服务方案预测模型训练装置，通信服务方案预测模型用于预测适于推荐给通信服务用户的通信服务方案，装置包括：构建模块，用于基于LightGBM算法，构建初始模型；计算模块，用于根据初始模型，计算多个数据样本中每个数据样本的梯度；筛选模块，用于根据多个数据样本的梯度，对多个数据样本进行筛选；训练模块，用于将经筛选的多个数据样本输入初始模型进行训练，以使损失函数的值最小化；停止模块，用于当损失函数的值最小时，停止训练，得到通信服务方案预测模型。
[0014]在另一方面，本申请提供一种电子设备，包括：处理器；存储器；应用程序，应用程序存储在存储器中，并配置成由处理器执行，应用程序包括用于执行上述的通信服务方案预测模型训练方法的指令。
[0015]在另一方面，本申请提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序用于执行上述的通信服务方案预测模型训练方法。
[0016]根据本申请的通信服务方案预测模型训练方法、通信服务方案推荐方法、电子设备和计算机可读存储介质，能够根据LightGBM算法的特点，构建适于处理通信服务历史数据的推荐模型。具体而言，LightGBM算法中的基于梯度的单边采样(GOSS)算法，能够减少样本数量，有效克服服务历史数据体量庞大、难以处理的缺点；LightGBM中的互斥特征捆绑(EFB)算法，能够降低样本特征维度，有利于克服服务历史数据维度多，计算量大的缺点。
附图说明
[0017]以下，结合附图详细描述本申请的具体实施方式，其中：
[0018]图1示出根据本申请一实施例的通信服务方案预测模型训练方法的流程示意图；
[0019]图2示出根据本申请一实施例的通信服务方案推荐方法的流程示意图；
[0020]图3示出根据本申请一实施例的通信服务方案推荐方法的流程示意图；
[0021]图4示出根据本申请一实施例的通信服务方案预测模型训练装置的结构示意图；
[0022]图5示出根据本申请一实施例的电子设备的结构示意图。
具体实施方式
[0023]为了使本领域技术人员更加清楚地理解本申请的概念和思想，以下结合具体实施例详细描述本申请。应理解，本文给出的实施例都只是本申请可能具有的所有实施例的一部分。本领域技术人员在阅读本申请的说明书以后，有能力对下述实施例的部分或整体作出改进、改造、或替换，这些改进、改造、或替换也都包含在本申请要求保护的范围内。
[0024]在本文中，术语“一”、“一个”和其它类似词语并不意在表示只存在一个所述事物，而是表示有关描述仅仅针对所述事物中的一个，所述事物可能具有一个或多个。在本文中，术语“包含”、“包括”和其它类似词语意在表示逻辑上的相互关系，而不能视作表示空间结构上的关系。例如，“A包括B”意在表示在逻辑上B属于A，而不表示在空间上B位于A的内部。另外本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种通信服务方案预测模型训练方法，所述通信服务方案预测模型用于预测适于推荐给通信服务用户的通信服务方案，所述方法包括：基于LightGBM算法，构建初始模型；根据所述初始模型，计算多个数据样本中每个数据样本的梯度；根据所述多个数据样本的梯度，对所述多个数据样本进行筛选；将经筛选的多个数据样本输入所述初始模型进行训练，以使损失函数的值最小化；当所述损失函数的值最小时，停止训练，得到通信服务方案预测模型。2.根据权利要求1所述的通信服务方案预测模型训练方法，其中，所述根据所述多个数据样本的梯度，对所述多个数据样本进行筛选，包括：按照梯度的绝对值，对所述多个数据样本进行降序排列；确定比例阈值a，将排序后的所述多个数据样本中的前a
×
100％的数据样本全部保留，对后(1
‑
a)
×
100％的数据样本按照b
×
100％的比例进行随机抽样；其中，所述确定比例阈值a，包括：计算所述多个数据样本的梯度绝对值的平均值μ和标准差σ；计算梯度绝对值大于μ+2σ和小于μ
‑
2σ的数据样本的占比m；根据a＝(1
‑
m)，确定a的值。3.根据权利要求1所述的通信服务方案预测模型训练方法，其中，所述损失函数为：式中，F(x)为损失函数的值，f(x)为预测值，y为真实值，x为输入特征。4.一种通信服务方案推荐方法，包括：获取多个历史用户的服务历史数据；按照推荐规则，使用服务方案标签对每个历史用户的服务历史数据进行批量标注，使得所述服务历史数据与推荐服务方案匹配；将所述经标注的所述多个历史用户的服务历史数据作为多个数据样本，以此根据权利要求1至3所述的通信服务方案预测模型训练方法训练出通信服务方案预测模型；将多个当前用户的服务历史数据输入所述通信服务方案预测模型，预测所述多个当前用户的推荐服务方案；将预测的推荐服务方案批量发送给所述多个当前用户。5.根据权利要求4所述的通信服务方案推荐方法，其中，所述服务历史数据包括服务用量，所述推荐规则包括：当所述历史用户的服务用量低于原服务方案中的服务总量的第一比例或者高于所述服务总量的第二比例时，按照所...
【专利技术属性】
技术研发人员：李永恒，
申请(专利权)人：杭州东方通信软件技术有限公司，
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。