营销活动推荐方法及装置与流程

1.本发明涉及人工智能技术领域，尤其涉及营销活动推荐方法及装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.目前手机银行app端的营销活动较多，比如交话费优惠、购物优惠、刷信用卡积分双倍等等，而首页放置营销活动的位置有限，只能营销极少数的活动，营销效果不好，且营销活动统一推荐，未能针对不同的客户，营销该客户感兴趣的活动，影响营销效果，客户体验也不好。


技术实现要素：

4.本发明实施例提供一种营销活动推荐方法，用以解决现有技术中手机银行app端的首页放置营销活动的位置有限，只能营销极少数的活动，营销效果不好，且营销活动统一推荐，未能针对不同的客户，营销该客户感兴趣的活动，影响营销效果，客户体验也不好的技术问题，该方法包括：
5.获取手机银行客户信息，所述手机银行客户信息包括客户属性信息及客户最感兴趣的业务产品；
6.将客户属性信息和客户最感兴趣的业务样品作为输入，利用神经网络模型进行营销活动推荐模型训练和优化；
7.获取新客户的客户属性信息，基于新客户的客户属性信息和营销活动推荐模型，预测新客户感兴趣的业务产品；
8.获取新客户历史使用多的多个业务产品，基于新客户感兴趣的业务产品的权重和新客户历史使用多的多个业务产品的权重，基于所述权重确定营销活动推荐产品，将所述营销活动推荐产品推荐给客户。
9.本发明实施例还提供一种营销活动推荐装置，用以解决现有技术中手机银行app端的首页放置营销活动的位置有限，只能营销极少数的活动，营销效果不好，且营销活动统一推荐，未能针对不同的客户，营销该客户感兴趣的活动，影响营销效果，客户体验也不好的技术问题，该装置包括：
10.收集手机银行客户信息模块，用于获取手机银行客户信息，所述手机银行客户信息包括客户属性信息及客户最感兴趣的业务产品；
11.训练及优化模型模块，用于将客户属性信息和客户最感兴趣的业务样品作为输入，利用神经网络模型进行营销活动推荐模型训练和优化；
12.预测模块，用于获取新客户的客户属性信息，基于新客户的客户属性信息和营销活动推荐模型，预测新客户感兴趣的业务产品；
13.推荐模块，用于获取新客户历史使用多的多个业务产品，基于新客户感兴趣的业
务产品的权重和新客户历史使用多的多个业务产品的权重，基于所述权重确定营销活动推荐产品，将所述营销活动推荐产品推荐给客户。
14.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述营销活动推荐方法。
15.本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所述营销活动推荐方法的步骤。
16.本发明实施例中，与现有技术中手机银行app端的首页放置营销活动的位置有限，只能营销极少数的活动，营销效果不好，且营销活动统一推荐，未能针对不同的客户，营销该客户感兴趣的活动，影响营销效果，客户体验也不好的技术方案相比，通过获取手机银行客户信息，手机银行客户信息包括客户属性信息及客户最感兴趣的业务产品；将客户属性信息和客户最感兴趣的业务样品作为输入，利用神经网络模型进行营销活动推荐模型训练和优化；获取新客户的客户属性信息，基于新客户的客户属性信息和营销活动推荐模型，预测新客户感兴趣的业务产品；获取新客户历史使用多的多个业务产品，基于新客户感兴趣的业务产品的权重和新客户历史使用多的多个业务产品的权重，基于权重确定营销活动推荐产品推荐给客户，本发明通过人工智能实现营销活动的智能推荐，给不同客户推荐感兴趣的活动，从而提高营销效果，提高客户体验。
附图说明
17.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
18.图1为本发明实施例中营销活动推荐方法流程图一；
19.图2为本发明实施例中营销活动推荐方法流程图二；
20.图3为本发明实施例中营销活动推荐方法流程图三；
21.图4为本发明实施例中营销活动推荐装置结构框图；
22.图5为本发明实施例中的计算机装置结构框图。
具体实施方式
23.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
24.图1为本发明实施例中营销活动推荐方法流程图一，如图1所示，该方法包括：
25.步骤101：获取手机银行客户信息，所述手机银行客户信息包括客户属性信息及客户最感兴趣的业务产品；
26.步骤102：将客户属性信息和客户最感兴趣的业务样品作为输入，利用神经网络模型进行营销活动推荐模型训练和优化；
27.步骤103：获取新客户的客户属性信息，基于新客户的客户属性信息和营销活动推
荐模型，预测新客户感兴趣的业务产品；
28.步骤104：获取新客户历史使用多的多个业务产品，基于新客户感兴趣的业务产品的权重和新客户历史使用多的多个业务产品的权重，基于所述权重确定营销活动推荐产品，将所述营销活动推荐产品推荐给客户。
29.具体的，步骤101中，从手机银行系统数据库里获取存量手机银行客户信息，包括客户属性信息及每一个客户最感兴趣业务产品。信息样式如表1所示：
30.表1手机银行客户信息
[0031][0032]
在本发明实施例中，如图2所示，步骤102具体包括：
[0033]
步骤201：将客户属性信息及客户最感兴趣的业务产品分为训练样本和测试样本；
[0034]
步骤202：将作为训练样本的客户属性信息和客户最感兴趣的业务样品作为输入，利用神经网络模型进行营销活动推荐模型训练，获得训练的营销活动推荐模型；
[0035]
步骤203：将作为测试样本的客户属性信息和客户最感兴趣的业务样品作为输入，对训练的营销活动推荐模型进行优化，获得优化的营销活动推荐模型。
[0036]
具体的，把数据一分为二，80％用于训练模型，20％用于测试模型。
[0037]
将客户发属性信息作为输入利用ga-bp神经网络训练模型，结合bp神经网络和遗传算法的优点，在bp神经网络的权值和阈值的优化方面引入遗传算法，构建ga-bp神经网络模型。根据网络输入输出的个数确定bp神经网络结构，进而确定了遗传算法中需要优化的参数个数。根据kolmogorov原理，一个三层bp神经网络足以完成任意的n维到m维的映射，一般只需要采用一个隐层即可，隐层节点个数采用试凑法确定，从而确定ga-bp神经网络结构。通过遗传算法输出的最优个体作为bp神经网络初始权值和阈值进行bp神经网络训练和学习。然后利用20％的测试数据持续对模型进货测试优化。
[0038]
将客户属性信息和客户最感兴趣的业务样品作为输入，利用神经网络模型进行营销活动推荐模型训练和优化，包括：
[0039]
在本发明实施例中，如图3所示，步骤104包括：
[0040]
将得到的多个权重按照从大到小排序，选取预设数量前的产品作为营销活动推荐产品推荐给客户。
[0041]
具体的，根据模型输出和客户历史使用次数前3多的业务产品的权重，分别计算客户对业务产品的喜欢程度，排序选择前3的业务产品相差的营销活动推荐给该客户。其中模型预测的业务产品权重为0.3，历史使用次数前3多的业务产品权重为0.7，如模型输出客户对产品a、产品b、产品c的兴趣程度分别为：0.4、0.3、0.2，而该客户使用次数前3多的业务产品为产品a30次、产品c 20次、产品d10次，转化成占比分别为：0.5、0.33、0.17。则客户对产品a、b、c、d的喜欢程度分别为：0.4
×
0.3+0.5
×
0.7、0.3
×
0.3+0
×
0.7、0.2
×
0.3+0.33
×
0.7、0
×
0.3+0.17
×
0.7。然后从大到小排序，选取前3产品相关的营销活动推荐给客户。
[0042]
本发明实施例中还提供了一种营销活动推荐装置，如下面的实施例所述。由于该装置解决问题的原理与营销活动推荐方法相似，因此该装置的实施可以参见营销活动推荐方法的实施，重复之处不再赘述。
[0043]
图4为本发明实施例中营销活动推荐装置结构框图，如图4所示，该装置包括：
[0044]
收集手机银行客户信息模块02，用于获取手机银行客户信息，所述手机银行客户信息包括客户属性信息及客户最感兴趣的业务产品；
[0045]
训练及优化模型模块04，用于将客户属性信息和客户最感兴趣的业务样品作为输入，利用神经网络模型进行营销活动推荐模型训练和优化；
[0046]
预测模块06，用于获取新客户的客户属性信息，基于新客户的客户属性信息和营销活动推荐模型，预测新客户感兴趣的业务产品；
[0047]
推荐模块08，用于获取新客户历史使用多的多个业务产品，基于新客户感兴趣的业务产品的权重和新客户历史使用多的多个业务产品的权重，基于所述权重确定营销活动推荐产品，将所述营销活动推荐产品推荐给客户。
[0048]
在本发明实施例中，训练及优化模型模块具体用于：
[0049]
将客户属性信息和客户最感兴趣的业务样品作为输入，利用ga-bp神经网络模型进行营销活动推荐模型训练和优化。
[0050]
在本发明实施例中，训练及优化模型模块具体用于：
[0051]
将客户属性信息及客户最感兴趣的业务产品分为训练样本和测试样本；
[0052]
将作为训练样本的客户属性信息和客户最感兴趣的业务样品作为输入，利用神经网络模型进行营销活动推荐模型训练，获得训练的营销活动推荐模型；
[0053]
将作为测试样本的客户属性信息和客户最感兴趣的业务样品作为输入，对训练的营销活动推荐模型进行优化，获得优化的营销活动推荐模型。
[0054]
在本发明实施例中，推荐模块具体用于：
[0055]
将得到的多个权重按照从大到小排序，选取预设数量前的产品作为营销活动推荐产品推荐给客户。
[0056]
本发明实施例还提供一种计算机设备500，如图5所示，包括存储器510、处理器520及存储在存储器上并可在处理器上运行的计算机程序530，所述处理器执行所述计算机程序时实现上述营销活动推荐方法。
[0057]
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所述营销活动推荐方法的步骤。
[0058]
本发明实施例中，本发明实施例中，与现有技术中手机银行app端的首页放置营销活动的位置有限，只能营销极少数的活动，营销效果不好，且营销活动统一推荐，未能针对不同的客户，营销该客户感兴趣的活动，影响营销效果，客户体验也不好的技术方案相比，通过获取手机银行客户信息，手机银行客户信息包括客户属性信息及客户最感兴趣的业务产品；将客户属性信息和客户最感兴趣的业务样品作为输入，利用神经网络模型进行营销活动推荐模型训练和优化；获取新客户的客户属性信息，基于新客户的客户属性信息和营销活动推荐模型，预测新客户感兴趣的业务产品；获取新客户历史使用多的多个业务产品，基于新客户感兴趣的业务产品的权重和新客户历史使用多的多个业务产品的权重，基于权
重确定营销活动推荐产品推荐给客户，本发明通过人工智能实现营销活动的智能推荐，给不同客户推荐感兴趣的活动，从而提高营销效果，提高客户体验。
[0059]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0060]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0061]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0062]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0063]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。