一种权益产品组合包的生成方法及系统与流程

1.本发明实施例涉及人工智能技术领域，尤其涉及一种权益产品组合包的生成方法及系统。


背景技术：

2.权益产品，例如包括会员权益产品等。会员权益，即会员享有的“权利”，简单点说就是，会员能干什么、有什么好处。比如，视频网站的会员可以享有跳过广告、追更精彩的幕后花絮、看更多影视作品等权利。
3.如何将权益产品推荐给适合的用户，是亟待解决的问题。


技术实现要素：

4.本发明实施例提供一种权益产品组合包的生成方法及系统，用于解决如何将权益产品推荐给适合的用户的问题。
5.为了解决上述技术问题，本发明是这样实现的：
6.第一方面，本发明实施例提供了一种权益产品组合包的生成方法，包括：
7.获取多维度数据，所述多维度数据包括：用户基础数据、权益产品数据和用户对其感兴趣的权益产品的交互数据；
8.根据每个用户对其感兴趣的权益产品的交互数据，获取每个用户对其感兴趣的权益产品的偏好评分；
9.通过协同过滤算法对所有用户对其感兴趣的权益产品的偏好评分进行处理，得到每个用户对每个权益产品的偏好评分；
10.将所有用户的用户基础数据输入至目标组合价值预测算法模型，预测所有用户的权益产品组合包价值，所述权益产品组合包价值用于表示用户对权益产品的消费能力；
11.将所述权益产品数据、用户对每个权益产品的偏好评分和用户的权益产品组合包价值输入至动态规划算法模型中，获得用户的权益产品组合包。
12.可选的，所述多维度数据还包括用户对关联应用的使用数据，所述关联应用为用户感兴趣的权益产品对应的应用；
13.根据每个用户对其感兴趣的权益产品的交互数据，获取每个用户对其感兴趣的权益产品的偏好评分包括：
14.根据每个用户对其感兴趣的权益产品的交互数据，获取每个用户对其感兴趣的权益产品的第一偏好评分；
15.根据每个用户对关联应用的使用数据，获取每个用户对其感兴趣的权益产品的第二偏好评分；
16.根据所述第一偏好评分和第二偏好评分，得到每个用户对其感兴趣的权益产品的偏好评分。
17.可选的，所述第一偏好评分采用如下公式计算：
18.score1(x,i)＝ω1×nclick(i)
+ω2×norder(i)
19.其中，score1(x,i)为用户x对权益产品i的第一偏好评分，n
click(i)
为用户x对权益产品i的点击次数，n
order(i)
为用户x对权益产品i的订购次数，ω1和ω2为权重系数。
20.可选的，所述第二偏好评分采用如下公式计算：
21.score2(x,i)＝a1×ndays(i)
+a2×ntimes(i)
22.其中，score2(x,i)为用户x对权益产品i的第二偏好评分，n
days(i)
为用户x对权益产品i在预设时间内的使用天数，n
times(i)
为用户x对权益产品i在预设时间内的使用次数，a1和a2为权重系数。
23.可选的，用户对其感兴趣的权益产品的偏好评分采用如下公式计算：
24.scorefinal(x,i)＝λ1×
score1(x,i)+λ2×
score2(x,i)
25.其中，scorefinal(x,i)为用户x对权益产品i的偏好评分，score1(x,i)为用户x对权益产品i的第一偏好评分，score2(x,i)为用户x对权益产品i的第二偏好评分，λ1和λ2为权重系数。
26.可选的，预测所有用户的权益产品组合包价值包括：
27.采用如下公式对获得的权益产品组合包价值进行分档：
[0028][0029]
其中，v
final
为分档后的权益产品组合包价值，v
predict
为目标组合价值预测算法模型输出的权益产品组合包价值，ceil()为向上取整函数。
[0030]
可选的，所述方法还包括：
[0031]
对目标组合价值预测算法模型进行训练的步骤，其中，对目标组合价值预测算法模型进行训练的步骤包括：
[0032]
获取训练数据，所述训练数据至少包括：历史订购权益产品的订购用户的基础数据；
[0033]
采用所述训练数据对目标组合价值预测算法模型进行训练，得到训练后的目标组合价值预测算法模型。
[0034]
可选的，所述目标组合价值预测算法模型采用knn回归算法对所述训练数据进行训练，并采用均方根误差作为损失函数。
[0035]
可选的，所述动态规划算法模型采用如下方式程计算用户的权益产品组合包：
[0036]
f[i][v]＝max{f[i-1][v],f[i-1][v-ci]+wi}
[0037]
其中，f[i][v]为前i种权益产品恰好放入一个总价值为v的组合可以获得的最大价值，ci为第i个权益产品的单价，wi为用户对第i个权益产品的偏好评分，v是用户的权益产品组合包价值。
[0038]
可选的，获得用户的权益产品组合包之后还包括：
[0039]
根据以下至少一项，对获得的用户的权益产品组合包进行筛选：
[0040]
权益产品组合数据限定值；
[0041]
权益产品的偏好评分方差；
[0042]
权益产品的综合价值最高。
[0043]
第二方面，本发明实施例提供了一种权益产品组合包的生成系统，包括：
[0044]
数据模块，用于获取多维度数据，所述多维度数据包括：用户基础数据、权益产品数据和用户对其感兴趣的权益产品的交互数据；
[0045]
特征工程模块，用于根据每个用户对其感兴趣的权益产品的交互数据，获取每个用户对其感兴趣的权益产品的偏好评分；
[0046]
协同过滤模块，用于通过协同过滤算法对所有用户对其感兴趣的权益产品的偏好评分进行处理，得到每个用户对每个权益产品的偏好评分；
[0047]
权益产品组合包价值预测模块，用于将所有用户的用户基础数据输入至目标组合价值预测算法模型，预测所有用户的权益产品组合包价值，所述权益产品组合包价值用于表示用户对权益产品的消费能力；
[0048]
动态规划模块，用于将所述权益产品数据、用户对每个权益产品的偏好评分和用户的权益产品组合包价值输入至动态规划算法模型中，获得用户的权益产品组合包。
[0049]
可选的，所述多维度数据还包括用户对关联应用的使用数据，所述关联应用为用户感兴趣的权益产品对应的应用；
[0050]
所述特征工程模块，具体用于根据每个用户对其感兴趣的权益产品的交互数据，获取每个用户对其感兴趣的权益产品的第一偏好评分；根据每个用户对关联应用的使用数据，获取每个用户对其感兴趣的权益产品的第二偏好评分；根据所述第一偏好评分和第二偏好评分，得到每个用户对其感兴趣的权益产品的偏好评分。
[0051]
可选的，所述第一偏好评分采用如下公式计算：
[0052]
score1(x,i)＝ω1×nclick(i)
+ω2×norder(i)
[0053]
其中，score1(x,i)为用户x对权益产品i的第一偏好评分，n
click(i)
为用户x对权益产品i的点击次数，n
order(i)
为用户x对权益产品i的订购次数，ω1和ω2为权重系数。
[0054]
可选的，所述第二偏好评分采用如下公式计算：
[0055]
score2(x,i)＝a1×ndays(i)
+a2×ntimes(i)
[0056]
其中，score2(x,i)为用户x对权益产品i的第二偏好评分，n
days(i)
为用户x对权益产品i在预设时间内的使用天数，n
times(i)
为用户x对权益产品i在预设时间内的使用次数，a1和a2为权重系数。
[0057]
可选的，用户对其感兴趣的权益产品的偏好评分采用如下公式计算：
[0058]
scorefinal(x,i)＝λ1×
score1(x,i)+λ2×
score2(x,i)
[0059]
其中，scorefinal(x,i)为用户x对权益产品i的偏好评分，score1(x,i)为用户x对权益产品i的第一偏好评分，score2(x,i)为用户x对权益产品i的第二偏好评分，λ1和λ2为权重系数。
[0060]
可选的，所述权益产品组合包价值预测模块，用于采用如下公式对获得的权益产品组合包价值进行分档：
[0061][0062]
其中，v
final
为分档后的权益产品组合包价值，v
predict
为目标组合价值预测算法模型输出的权益产品组合包价值，ceil()为向上取整函数。
[0063]
可选的，所述装置还包括：
[0064]
训练模块，用于对目标组合价值预测算法模型进行训练，其中，对目标组合价值预
测算法模型进行训练包括：
[0065]
获取训练数据，所述训练数据至少包括：历史订购权益产品的订购用户的基础数据；
[0066]
采用所述训练数据对目标组合价值预测算法模型进行训练，得到训练后的目标组合价值预测算法模型。
[0067]
可选的，所述目标组合价值预测算法模型采用knn回归算法对所述训练数据进行训练，并采用均方根误差作为损失函数。
[0068]
可选的，所述动态规划算法模型采用如下方式程计算用户的权益产品组合包：
[0069]
f[i][v]＝max{f[i-1][v],f[i-1][v-ci]+wi}
[0070]
其中，f[i][v]为前i种权益产品恰好放入一个总价值为v的组合可以获得的最大价值，ci为第i个权益产品的单价，wi为用户对第i个权益产品的偏好评分，v是用户的权益产品组合包价值。
[0071]
可选的，所述装置还包括：
[0072]
筛选模块，用于根据以下至少一项，对获得的用户的权益产品组合包进行筛选：
[0073]
权益产品组合数据限定值；
[0074]
权益产品的偏好评分方差；
[0075]
权益产品的综合价值最高。
[0076]
第三方面，本发明实施例提供了一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上述第一方面所述的权益产品组合包的生成方法的步骤。
[0077]
第四方面，本发明实施例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如上述第一方面所述的权益产品组合包的生成方法的步骤。
[0078]
在本发明实施例中，在生成权益产品组合包的过程中，通过协同过滤算法扩大了用户感兴趣的权益产品的范围，拓展了用户的权益产品需求边界，另外考虑了用户的权益产品组合包价值，结合协同过滤算法获得的用户对每个权益产品的偏好评分以及回归算法获取的权益产品组合包价值，基于动态规划算法生成用户个性化权益产品组合包，使得推荐的权益产品组合包更符号用户需求。
附图说明
[0079]
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0080]
图1为本发明实施例的权益产品组合包的生成方法的流程示意图；
[0081]
图2为本发明实施例的权益产品组合包的生成系统的结构示意图；
[0082]
图3为本发明实施例的电子设备的结构示意图。
具体实施方式
[0083]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0084]
请参考图1，本发明实施例提供一种权益产品组合包的生成方法，包括：
[0085]
步骤11：获取多维度数据，所述多维度数据包括：用户基础数据、权益产品数据和用户对其感兴趣的权益产品的交互数据；
[0086]
用户基础数据可以包括以下至少一项：用户性别、年龄、网龄、主套餐价格、arpu(average revenue per user，每用户平均收入)值(本发明实施例中可以指话费值)、剩余话费等。
[0087]
权益产品数据可以包括以下至少一项：权益产品的名称、价格、销量、类型等。
[0088]
用户感兴趣的权益产品可以是指用户点击、订购和/或搜索过的权益产品。用户对其感兴趣的权益产品的交互数据可以包括用户对权益产品的点击、订购和/或搜索等。
[0089]
步骤12：根据每个用户对其感兴趣的权益产品的交互数据，获取每个用户对其感兴趣的权益产品的偏好评分；
[0090]
步骤13：通过协同过滤算法对所有用户对其感兴趣的权益产品的偏好评分进行处理，得到每个用户对每个权益产品的偏好评分；
[0091]
步骤14：将所有用户的用户基础数据输入至目标组合价值预测算法模型，预测所有用户的权益产品组合包价值，所述权益产品组合包价值用于表示用户对权益产品的消费能力；
[0092]
步骤15：将所述权益产品数据、用户对每个权益产品的偏好评分和用户的权益产品组合包价值输入至动态规划算法模型中，获得用户的权益产品组合包。
[0093]
在本发明实施例中，在生成权益产品组合包的过程中，通过协同过滤算法扩大了用户感兴趣的权益产品的范围，拓展了用户的权益产品需求边界，另外考虑了用户的权益产品组合包价值，结合协同过滤算法获得的用户对每个权益产品的偏好评分以及回归算法获取的权益产品组合包价值，基于动态规划算法生成用户个性化权益产品组合包，使得推荐的权益产品组合包更符号用户需求。
[0094]
本发明实施例中，步骤11获取多维度数据之后，还可以包括：对多维度数据进行预处理，数据预处理可以包括缺失值和/或异常值处理等。
[0095]
为了进一步丰富用户和权益产品的关联特征，本发明实施例中可以使用用户对关联应用(app)的使用数据作为用户对相关权益产品的偏好情况进行补充。所述关联应用为用户感兴趣的权益产品对应的应用。
[0096]
即，本发明实施例中，可选的，所述多维度数据还包括用户对关联应用的使用数据，所述关联应用为用户感兴趣的权益产品对应的应用；
[0097]
步骤12中，根据每个用户对其感兴趣的权益产品的交互数据，获取每个用户对其感兴趣的权益产品的偏好评分包括：
[0098]
步骤121：根据每个用户对其感兴趣的权益产品的交互数据，获取每个用户对其感兴趣的权益产品的第一偏好评分；
[0099]
可选的，所述第一偏好评分采用如下公式计算：
[0100]
score1(x,i)＝ω1×nclick(i)
+ω2×norder(i)
[0101]
其中，score1(x,i)为用户x对权益产品i的第一偏好评分，n
click(i)
为用户x对权益产品i的点击次数，n
order(i)
为用户x对权益产品i的订购次数，ω1和ω2为权重系数。
[0102]
步骤122：根据每个用户对关联应用的使用数据，获取每个用户对其感兴趣的权益产品的第二偏好评分；
[0103]
所述使用数据可以包括：用户在预设时间内对关联应用的使用次数、使用时长和/或使用流量等特征。
[0104]
可选的，所述第二偏好评分采用如下公式计算：
[0105]
score2(x,i)＝a1×ndays(i)
+a2×ntimes(i)
[0106]
其中，score2(x,i)为用户x对权益产品i的第二偏好评分，n
days(i)
为用户x对权益产品i在预设时间内的使用天数，n
times(i)
为用户x对权益产品i在预设时间内的使用次数，a1和a2为权重系数。
[0107]
举例来说，根据用户近一周对腾讯视频的使用天数和使用次数，计算得到用户对腾讯视频app的偏好情况。腾讯视频app对应的权益产品为腾讯视频月卡会员，则用户对腾讯视频app的偏好评分近似对腾讯视频月卡会员产品的偏好评分。
[0108]
步骤123：根据所述第一偏好评分和第二偏好评分，得到每个用户对其感兴趣的权益产品的偏好评分。
[0109]
可选的，用户对其感兴趣的权益产品的偏好评分采用如下公式计算：
[0110]
scorefinal(x,i)＝λ1×
score1(x,i)+λ2×
score2(x,i)
[0111]
其中，scorefinal(x,i)为用户x对权益产品i的偏好评分，score1(x,i)为用户x对权益产品i的第一偏好评分，score2(x,i)为用户x对权益产品i的第二偏好评分，λ1和λ2为权重系数。
[0112]
上述步骤13中，通过协同过滤算法对所有用户对其感兴趣的权益产品的偏好评分进行处理，得到每个用户对每个权益产品(即待推荐的每个权益产品，包括感兴趣和不感兴趣的权益产品)的偏好评分，扩大了用户感兴趣的权益产品的范围，拓展了用户的权益产品需求边界。
[0113]
本发明实施例中，协同过滤算法具有矩阵分解思想，输入的是所有用户对其感兴趣的权益产品的偏好评分，输出每个用户对每个权益产品的偏好评分(采用矩阵形式，一行代表一个用户对所有权益产品的偏好评分)，协同过滤算法例如可以是als(alternating least square，交替最小二乘法)算法，als算法的原理是：
[0114]am
×n≈um×k×vtn
×k，k《＝m,n
[0115]
其中，am×n表示输出的评分矩阵，m表示用户的数量，n表示权益产品的数量，um×k为一个m
×
k维度的矩阵，vt为一个n
×
k维度的矩阵。
[0116]
本技术实施例中，可选的，上述步骤14(将所有用户的用户基础数据输入至目标组合价值预测算法模型，预测所有用户的权益产品组合包价值)之前还包括：对目标组合价值预测算法模型进行训练的步骤，其中，对目标组合价值预测算法模型进行训练的步骤包括：
[0117]
步骤0141：获取训练数据，所述训练数据至少包括：历史订购权益产品的订购用户的基础数据；
[0118]
用户基础数据可以包括以下至少一项：用户性别、年龄、网龄、主套餐价格、arpu值(本发明实施例中可以指话费值)、剩余话费等。
[0119]
可选的，所述训练数据还可以包括：订购用户对多种类型的应用的使用数据，所述所种类型例如包括：视频、购物、出行、学习、阅读、音乐和/或工具等类型，所述使用数据可以包括：用户在预设时间内对应用的使用次数、使用时长和/或使用流量等特征。
[0120]
步骤0142：采用所述训练数据对目标组合价值预测算法模型进行训练，得到训练后的目标组合价值预测算法模型。
[0121]
本发明实施例中，可选的，所述目标组合价值预测算法模型采用knn(k-nearst neighbors，k近邻算法)回归算法对所述训练数据进行训练，并采用rmse(root mean squard error，均方根误差)作为损失函数。
[0122]
本发明实施例中，在训练数据输入到目标组合价值预测算法模型进行训练之前，还可以包括：对训练数据进行预处理，例如对训练数据按列进行归一化处理等。
[0123]
本贩卖那个实施例中，可选的，预测所有用户的权益产品组合包价值包括：采用如下公式对获得的权益产品组合包价值进行分档：
[0124][0125]
其中，v
final
为分档后的权益产品组合包价值，v
predict
为目标组合价值预测算法模型输出的权益产品组合包价值，ceil()为向上取整函数。
[0126]
例如，计算出的用户的权益产品组合包价值为38，向上取整，将其分档到40档位中。
[0127]
上述步骤15中，将所述权益产品数据、用户对每个权益产品的偏好评分和用户的权益产品组合包价值输入至动态规划算法模型中，获得用户的权益产品组合包。
[0128]
例如待推荐的权益产品的总数量为n，权益产品列表d＝[d1,d2,..dn]，权益产品对应的组合包价值列表为p＝[p1,p2,..pn]，用户a对各权益产品的偏好评分为s＝[s1,s2,..sn]，用户a产品组合包价格v元。
[0129]
利用动态规划思想求解组合，设当前用户组合，其中f[i][v]表示前i种权益产品恰好放入一个总价值为v的组合可以获得的最大价值，通过状态转移方程来确定第i个权益产品在前i-1个权益产品放置到权益产品组合包完毕后，是选择放还是不放，方程具体如下：
[0130]
f[i][v]＝max{f[i-1][v],f[i-1][v-ci]+wi}
[0131]
其中，f[i][v]为前i种权益产品恰好放入一个总价值为v的组合可以获得的最大价值，ci为第i个权益产品的单价，wi为用户对第i个权益产品的偏好评分，v是用户的权益产品组合包价值。
[0132]
本发明实施例中，可选的，获得用户的权益产品组合包之后还包括：
[0133]
根据以下至少一项，对获得的用户的权益产品组合包进行筛选：
[0134]
权益产品组合数据限定值；
[0135]
权益产品的偏好评分方差；
[0136]
权益产品的综合价值最高。
[0137]
请参考图2，本发明实施例提供了一种权益产品组合包的生成系统20，包括：
[0138]
数据模块21，用于获取多维度数据，所述多维度数据包括：用户基础数据、权益产品数据和用户对其感兴趣的权益产品的交互数据；
[0139]
特征工程模块22，用于根据每个用户对其感兴趣的权益产品的交互数据，获取每个用户对其感兴趣的权益产品的偏好评分；
[0140]
协同过滤模块23，用于通过协同过滤算法对所有用户对其感兴趣的权益产品的偏好评分进行处理，得到每个用户对每个权益产品的偏好评分；
[0141]
权益产品组合包价值预测模块24，用于将所有用户的用户基础数据输入至目标组合价值预测算法模型，预测所有用户的权益产品组合包价值，所述权益产品组合包价值用于表示用户对权益产品的消费能力；
[0142]
动态规划模块25，用于将所述权益产品数据、用户对每个权益产品的偏好评分和用户的权益产品组合包价值输入至动态规划算法模型中，获得用户的权益产品组合包。
[0143]
在本发明实施例中，在生成权益产品组合包的过程中，通过协同过滤算法扩大了用户感兴趣的权益产品的范围，拓展了用户的权益产品需求边界，另外考虑了用户的权益产品组合包价值，结合协同过滤算法获得的用户对每个权益产品的偏好评分以及回归算法获取的权益产品组合包价值，基于动态规划算法生成用户个性化权益产品组合包，使得推荐的权益产品组合包更符号用户需求。
[0144]
可选的，所述多维度数据还包括用户对关联应用的使用数据，所述关联应用为用户感兴趣的权益产品对应的应用；
[0145]
所述特征工程模块，具体用于根据每个用户对其感兴趣的权益产品的交互数据，获取每个用户对其感兴趣的权益产品的第一偏好评分；根据每个用户对关联应用的使用数据，获取每个用户对其感兴趣的权益产品的第二偏好评分；根据所述第一偏好评分和第二偏好评分，得到每个用户对其感兴趣的权益产品的偏好评分。
[0146]
可选的，所述第一偏好评分采用如下公式计算：
[0147]
score1(x,i)＝ω1×nclick(i)
+ω2×norder(i)
[0148]
其中，score1(x,i)为用户x对权益产品i的第一偏好评分，n
click(i)
为用户x对权益产品i的点击次数，n
order(i)
为用户x对权益产品i的订购次数，ω1和ω2为权重系数。
[0149]
可选的，所述第二偏好评分采用如下公式计算：
[0150]
score2(x,i)＝a1×ndays(i)
+a2×ntimes(i)
[0151]
其中，score2(x,i)为用户x对权益产品i的第二偏好评分，n
days(i)
为用户x对权益产品i在预设时间内的使用天数，n
times(i)
为用户x对权益产品i在预设时间内的使用次数，a1和a2为权重系数。
[0152]
可选的，用户对其感兴趣的权益产品的偏好评分采用如下公式计算：
[0153]
scorefinal(x,i)＝λ1×
score1(x,i)+λ2×
score2(x,i)
[0154]
其中，scorefinal(x,i)为用户x对权益产品i的偏好评分，score1(x,i)为用户x对权益产品i的第一偏好评分，score2(x,i)为用户x对权益产品i的第二偏好评分，λ1和λ2为权重系数。
[0155]
可选的，所述权益产品组合包价值预测模块，用于采用如下公式对获得的权益产品组合包价值进行分档：
[0156][0157]
其中，v
final
为分档后的权益产品组合包价值，v
predict
为目标组合价值预测算法模
型输出的权益产品组合包价值，ceil()为向上取整函数。
[0158]
可选的，所述装置还包括：
[0159]
训练模块，用于对目标组合价值预测算法模型进行训练，其中，对目标组合价值预测算法模型进行训练包括：
[0160]
获取训练数据，所述训练数据至少包括：历史订购权益产品的订购用户的基础数据；
[0161]
采用所述训练数据对目标组合价值预测算法模型进行训练，得到训练后的目标组合价值预测算法模型。
[0162]
可选的，所述目标组合价值预测算法模型采用knn回归算法对所述训练数据进行训练，并采用均方根误差作为损失函数。
[0163]
可选的，所述动态规划算法模型采用如下方式程计算用户的权益产品组合包：
[0164]
f[i][v]＝max{f[i-1][v],f[i-1][v-ci]+wi}
[0165]
其中，f[i][v]为前i种权益产品恰好放入一个总价值为v的组合可以获得的最大价值，ci为第i个权益产品的单价，wi为用户对第i个权益产品的偏好评分，v是用户的权益产品组合包价值。
[0166]
可选的，所述装置还包括：
[0167]
筛选模块，用于根据以下至少一项，对获得的用户的权益产品组合包进行筛选：
[0168]
权益产品组合数据限定值；
[0169]
权益产品的偏好评分方差；
[0170]
权益产品的综合价值最高。
[0171]
请参考图3，本发明实施例还提供一种电子设备30，包括处理器31，存储器32，存储在存储器32上并可在所述处理器31上运行的计算机程序，该计算机程序被处理器31执行时实现上述权益产品组合包的生成方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0172]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上述权益产品组合包的生成方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等。
[0173]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0174]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务
器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0175]
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

技术特征：
1.一种权益产品组合包的生成方法，其特征在于，包括：获取多维度数据，所述多维度数据包括：用户基础数据、权益产品数据和用户对其感兴趣的权益产品的交互数据；根据每个用户对其感兴趣的权益产品的交互数据，获取每个用户对其感兴趣的权益产品的偏好评分；通过协同过滤算法对所有用户对其感兴趣的权益产品的偏好评分进行处理，得到每个用户对每个权益产品的偏好评分；将所有用户的用户基础数据输入至目标组合价值预测算法模型，预测所有用户的权益产品组合包价值，所述权益产品组合包价值用于表示用户对权益产品的消费能力；将所述权益产品数据、用户对每个权益产品的偏好评分和用户的权益产品组合包价值输入至动态规划算法模型中，获得用户的权益产品组合包。2.根据权利要求1所述的方法，其特征在于，所述多维度数据还包括用户对关联应用的使用数据，所述关联应用为用户感兴趣的权益产品对应的应用；根据每个用户对其感兴趣的权益产品的交互数据，获取每个用户对其感兴趣的权益产品的偏好评分包括：根据每个用户对其感兴趣的权益产品的交互数据，获取每个用户对其感兴趣的权益产品的第一偏好评分；根据每个用户对关联应用的使用数据，获取每个用户对其感兴趣的权益产品的第二偏好评分；根据所述第一偏好评分和第二偏好评分，得到每个用户对其感兴趣的权益产品的偏好评分。3.根据权利要求2所述的方法，其特征在于，所述第一偏好评分采用如下公式计算：score1(x,i)＝ω1×
n
click(i)
+ω2×
n
order(i)
其中，score1(x,i)为用户x对权益产品i的第一偏好评分，n
click(i)
为用户x对权益产品i的点击次数，n
order(i)
为用户x对权益产品i的订购次数，ω1和ω2为权重系数。4.根据权利要求2所述的方法，其特征在于，所述第二偏好评分采用如下公式计算：score2(x,i)＝a1×
n
days(i)
+a2×
n
times(i)
其中，score2(x,i)为用户x对权益产品i的第二偏好评分，n
days(i)
为用户x对权益产品i在预设时间内的使用天数，n
times(i)
为用户x对权益产品i在预设时间内的使用次数，a1和a2为权重系数。5.根据权利要求2所述的方法，其特征在于，用户对其感兴趣的权益产品的偏好评分采用如下公式计算：scorefinal(x,i)＝λ1×
score1(x,i)+λ2×
score2(x,i)其中，scorefinal(x,i)为用户x对权益产品i的偏好评分，score1(x,i)为用户x对权益产品i的第一偏好评分，score2(x,i)为用户x对权益产品i的第二偏好评分，λ1和λ2为权重系数。6.根据权利要求1所述的方法，其特征在于，预测所有用户的权益产品组合包价值包括：采用如下公式对获得的权益产品组合包价值进行分档：
其中，v
final
为分档后的权益产品组合包价值，v
predict
为目标组合价值预测算法模型输出的权益产品组合包价值，ceil()为向上取整函数。7.根据权利要求1所述的方法，其特征在于，还包括：对目标组合价值预测算法模型进行训练的步骤，其中，对目标组合价值预测算法模型进行训练的步骤包括：获取训练数据，所述训练数据至少包括：历史订购权益产品的订购用户的基础数据；采用所述训练数据对目标组合价值预测算法模型进行训练，得到训练后的目标组合价值预测算法模型。8.根据权利要求7所述的方法，其特征在于，所述目标组合价值预测算法模型采用knn回归算法对所述训练数据进行训练，并采用均方根误差作为损失函数。9.根据权利要求1所述的方法，其特征在于，所述动态规划算法模型采用如下方式程计算用户的权益产品组合包：f[i][v]＝max{f[i-1][v],f[i-1][v-c
i
]+w
i
}其中，f[i][v]为前i种权益产品恰好放入一个总价值为v的组合可以获得的最大价值，c
i
为第i个权益产品的单价，w
i
为用户对第i个权益产品的偏好评分，v是用户的权益产品组合包价值。10.根据权利要求1所述的方法，其特征在于，获得用户的权益产品组合包之后还包括：根据以下至少一项，对获得的用户的权益产品组合包进行筛选：权益产品组合数据限定值；权益产品的偏好评分方差；权益产品的综合价值最高。11.一种权益产品组合包的生成系统，其特征在于，包括：数据模块，用于获取多维度数据，所述多维度数据包括：用户基础数据、权益产品数据和用户对其感兴趣的权益产品的交互数据；特征工程模块，用于根据每个用户对其感兴趣的权益产品的交互数据，获取每个用户对其感兴趣的权益产品的偏好评分；协同过滤模块，用于通过协同过滤算法对所有用户对其感兴趣的权益产品的偏好评分进行处理，得到每个用户对每个权益产品的偏好评分；权益产品组合包价值预测模块，用于将所有用户的用户基础数据输入至目标组合价值预测算法模型，预测所有用户的权益产品组合包价值，所述权益产品组合包价值用于表示用户对权益产品的消费能力；动态规划模块，用于将所述权益产品数据、用户对每个权益产品的偏好评分和用户的权益产品组合包价值输入至动态规划算法模型中，获得用户的权益产品组合包。12.一种电子设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1至10中任一项所述的权益产品组合包的生成方法的步骤。13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机
程序，所述计算机程序被处理器执行时实现如权利要求1至10中任一项所述的权益产品组合包的生成方法的步骤。

技术总结
本发明提供一种权益产品组合包的生成方法及系统，该方法包括：获取多维度数据，多维度数据包括：用户基础数据、权益产品数据和用户对其感兴趣的权益产品的交互数据；根据每个用户对其感兴趣的权益产品的交互数据，获取每个用户对其感兴趣的权益产品的偏好评分；通过协同过滤算法对所有用户对其感兴趣的权益产品的偏好评分进行处理，得到每个用户对每个权益产品的偏好评分；将所有用户的用户基础数据输入至目标组合价值预测算法模型，预测所有用户的权益产品组合包价值；将权益产品数据、用户对每个权益产品的偏好评分和用户的权益产品组合包价值输入至动态规划算法模型中，获得用户的权益产品组合包。本发明能够生成适合用户需求的权益产品组合包。需求的权益产品组合包。需求的权益产品组合包。


技术研发人员：羊威 邱婉 田靖玉 赵学峰 吴鹏 李旭川 鲁红霞 李静婉
受保护的技术使用者：中国移动通信集团有限公司
技术研发日：2022.01.05
技术公布日：2023/7/22