产品推荐方法、目标预测模型的创建方法、装置与流程

本公开涉及大数据数据处理，特别是涉及一种产品推荐方法、目标预测模型的创建方法、装置。

背景技术：

1、随着消费水平的发展，近年来，越来越多的企业为了提高自己产品的销量，往往会根据用户的一些信息来识别到对其产品较为感兴趣的目标客户，进而对目标客户进行针对性的营销，以此来提高产品的效率。

2、然而，随着当前市场的竞争日益激烈，营销成本随着营销量级的增长而增加，并且针对同一企业，往往会针对同一用户进行多次营销，进而会使不少客户针对过度的营销进行反感，导致客户针对产品的需求欲望进一步降低。

3、因此，目前亟需一种能够通过用户的各种信息，识别到对产品需求意图较为强烈的客户，从而营销转化率，同时降低营销成本，使产品更好的推荐给客户，进而保证产品的销量的方法。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够识别到对产品需求意图较为强烈的客户，并且使产品更好的推荐给客户，进而保证产品的销量的产品推荐方法、目标预测模型的创建方法、装置。

2、第一方面，本公开提供了一种产品推荐方法。所述方法包括：

3、获取至少一个目标对象与推荐对象对应的数据信息；

4、将所述数据信息输入至预先得到的目标预测模型中，利用所述目标预测模型输出所述目标对象对所述推荐对象的使用概率，所述目标预测模型是利用目标证据权重、目标变量和逻辑回归模型进行模型拟合后得到的模型，所述目标证据权重是对所述推荐对象对应的数据信息进行特征处理后得到的，所述目标变量包括：所述数据信息变化后，所述目标对象是否继续使用所述推荐对象的条件变量；

5、根据所述使用概率和预设的产品推荐策略，确定目标推荐策略，所述预设的产品推荐策略中包括所述使用概率和推荐策略中的对应关系；

6、利用所述目标推荐策略将所述推荐对象推荐给所述目标对象。

7、在其中一个实施例中，所述目标预测模型的获取过程包括：

8、对所述推荐对象对应的数据信息进行特征处理后得到目标证据权重；

9、利用所述目标证据权重、所述目标变量和所述逻辑回归模型进行模型拟合，得到预测模型；

10、对所述预测模型进行模型验证，得到所述预测模型的验证指标，所述验证指标表征所述预测模型的预测能力，所述验证指标包括：ks值和/或感受性曲线；

11、响应于所述验证指标大于预设的阈值范围，确定所述预测模型为目标预测模型。

12、在其中一个实施例中，所述对所述推荐对象对应的数据信息进行特征处理后得到目标证据权重，包括：

13、至少根据所述推荐对象的类型，确定目标范围，所述目标范围中包括多个目标对象；

14、根据所述目标变量和所述目标范围，确定训练对象并获取所述训练对象对应的训练数据；所述训练数据中至少包括所述推荐对象对应的数据信息；

15、对所述训练数据进行特征处理，得到特征宽表，所述特征处理至少包括：数据清洗、预处理、特征衍生和特征预筛选；

16、对所述特征宽表进行分箱处理和目标特征筛选，得到目标证据权重，所述目标证据权重用于表征所述特征宽表中特征数据的差异程度。

17、在其中一个实施例中，所述特征预筛选的具体过程，包括下述中的一种或多种：

18、根据所述训练数据中的特征变量的非空占比，对所述训练数据的特征变量进行筛选；

19、根据所述训练数据中的特征变量的群体稳定性指标，对所述训练数据的特征变量进行筛选；

20、根据所述训练数据中的特征变量的信息值，对所述训练数据的特征变量进行筛选。

21、在其中一个实施例中，所述对所述特征宽表进行分箱处理和目标特征筛选，得到目标证据权重，包括：

22、对所述特征宽表中的每个特征数据进行分箱处理，得到多组特征数据，所述特征数据是根据所述特征变量得到的；

23、根据每组特征数据的证据权重和信息值，对所述多组特征数据进行目标特征筛选，得到目标特征数据，所述目标特征数据中包括至少一组特征数据；

24、获取所述目标特征数据的证据权重，得到目标证据权重。

25、在其中一个实施例中，所述目标对象包括：

26、在预设的时间范围内，所述推荐对象对应的数据信息变化的对象。

27、第二方面，本公开还提供了一种目标预测模型的创建方法，所述方法包括：

28、对推荐对象对应的数据信息进行特征处理后得到目标证据权重；

29、利用所述目标证据权重、目标变量和逻辑回归模型进行模型拟合，得到预测模型，所述目标变量包括：所述数据信息变化后，目标对象是否继续使用所述推荐对象的条件变量；

30、对所述预测模型进行模型验证，得到所述预测模型的验证指标，所述验证指标表征所述预测模型的预测能力，所述验证指标包括：ks值和/或感受性曲线；

31、响应于所述验证指标大于预设的阈值范围，确定所述预测模型为目标预测模型。

32、第三方面，本公开还提供了一种产品推荐装置。所述装置包括：

33、数据获取模块，用于获取至少一个目标对象与推荐对象对应的数据信息；

34、模型处理模块，用于将所述数据信息输入至预先得到的目标预测模型中，利用所述目标预测模型输出所述目标对象对所述推荐对象的使用概率，所述目标预测模型是利用目标证据权重、目标变量和逻辑回归模型进行模型拟合后得到的模型，所述目标证据权重是对所述推荐对象对应的数据信息进行特征处理后得到的，所述目标变量包括：所述数据信息变化后，所述目标对象是否继续使用所述推荐对象的条件变量；

35、策略确定模块，用于根据所述使用概率和预设的产品推荐策略，确定目标推荐策略，所述预设的产品推荐策略中包括所述使用概率和推荐策略中的对应关系；

36、产品推荐模块，用于利用所述目标推荐策略将所述推荐对象推荐给所述目标对象。

37、在所述装置的其中一个实施例中，所述装置还包括：

38、特征处理模块，用于对所述推荐对象对应的数据信息进行特征处理后得到目标证据权重；

39、模型拟合模块，用于利用所述目标证据权重、所述目标变量和所述逻辑回归模型进行模型拟合，得到预测模型；

40、模型验证模块，用于对所述预测模型进行模型验证，得到所述预测模型的验证指标，所述验证指标表征所述预测模型的预测能力，所述验证指标包括：ks值和/或感受性曲线；

41、模型确定模块，用于响应于所述验证指标大于预设的阈值范围，确定所述预测模型为目标预测模型。

42、在所述装置的其中一个实施例中，所述特征处理模块，包括：

43、目标范围确定模块，用于至少根据所述推荐对象的类型，确定目标范围，所述目标范围中包括多个目标对象；

44、训练数据获取模块，用于根据所述目标变量和所述目标范围，确定训练对象并获取所述训练对象对应的训练数据；所述训练数据中至少包括所述推荐对象对应的数据信息；

45、特征处理子模块，用于对所述训练数据进行特征处理，得到特征宽表，所述特征处理至少包括：数据清洗、预处理、特征衍生和特征预筛选；

46、目标特征筛选模块，用于对所述特征宽表进行分箱处理和目标特征筛选，得到目标证据权重，所述目标证据权重用于表征所述特征宽表中特征数据的差异程度。

47、在所述装置的其中一个实施例中，所述特征子处理模块，还包括：第一筛选模块，用于根据所述训练数据中的特征变量的非空占比，对所述训练数据的特征变量进行筛选；

48、第二筛选模块，用于根据所述训练数据中的特征变量的群体稳定性指标，对所述训练数据的特征变量进行筛选；

49、第三筛选模块，用于根据所述训练数据中的特征变量的信息值，对所述训练数据的特征变量进行筛选。

50、在所述装置的其中一个实施例中，所述目标特征筛选模块，包括：

51、分箱处理模块，用于对所述特征宽表中的每个特征数据进行分箱处理，得到多组特征数据，所述特征数据是根据所述特征变量得到的；

52、目标筛选模块，用于根据每组特征数据的证据权重和信息值，对所述多组特征数据进行目标特征筛选，得到目标特征数据，所述目标特征数据中包括至少一组特征数据；

53、目标证据权重确定模块，用于获取所述目标特征数据的证据权重，得到目标证据权重。

54、第四方面，本公开还提供了一种目标预测模型的创建装置，所述装置包括：

55、数据信息处理模块，用于对推荐对象对应的数据信息进行特征处理后得到目标证据权重；

56、预测模型拟合模块，用于利用所述目标证据权重、目标变量和逻辑回归模型进行模型拟合，得到预测模型，所述目标变量包括：所述数据信息变化后，目标对象是否继续使用所述推荐对象的条件变量；

57、预测模型验证模块，用于对所述预测模型进行模型验证，得到所述预测模型的验证指标，所述验证指标表征所述预测模型的预测能力，所述验证指标包括：ks值和/或感受性曲线；

58、目标预测模型确定模块，用于响应于所述验证指标大于预设的阈值范围，确定所述预测模型为目标预测模型。

59、第五方面，本公开还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一方法实施例中的步骤。

60、第六方面，本公开还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法实施例中的步骤。

61、第七方面，本公开还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一方法实施例中的步骤。

62、上述各实施例中，获取目标对象与推荐对象对应的数据信息，能够使用与推荐对象相关信息作为输出数据。并将数据信息输入至预先得到的目标预测模型中，利用所述目标预测模型输出所述目标对象对所述推荐对象的使用概率。另外，目标预测模型也是根据推荐对象对应的数据进行特征处理得到的，并且目标预测模型的目标变量为数据信息变化后，所述目标对象是否继续使用所述推荐对象的条件变量。因此，可以根据不同的数据信息，并利用目标预测模型能够准确的确定使用概率。另外，因为目标预测模型是通过逻辑回归模型训练得到，该算法可解释性强，并且逻辑回归模型的训练速度较快，能够提高模型训练的速度，另外，利用目标证据权重能够确定不同特征对最终结果的影响，进一步的提高了使用概率确定的准确性。并且本案中由于使用目标预测模型进行自动化的处理，能够降低成本。另外，根据所述使用概率和预设的产品推荐策略，确定目标推荐策略，利用所述目标推荐策略将所述推荐对象推荐给所述目标对象。能够针对性的根据使用概率使用不同的方式将推荐对象推荐给目标对象，可以提高转化率，进而保证产品的销量。