【技术实现步骤摘要】
基于人工智能的业务推荐方法及相关设备
[0001]本申请涉及人工智能
，尤其涉及一种基于人工智能的业务推荐方法、装置、电子设备及存储介质。
技术介绍
[0002]随着数字化进程的发展，越来越多的商业领域都开启了线上运营模式，例如金融行业和商贸行业涌现出了多种具备咨询和交易功能的手机端应用程序，企业会不定期向用户推荐应用程序中更新版本的业务方案以吸引用户使用手机端应用程序进而增加营收，随着线上用户体量的与日俱增，精准的向用户推荐业务方案变得尤为重要。
[0003]目前，通常随机选取用户进行业务方案实验以确定要推荐的标定业务方案，然而，这种业务推荐的方式并未考虑到随机抽取的客户存在特征指向性，进而会导致业务推荐的结果不够准确。
技术实现思路
[0004]鉴于以上内容，有必要提供一种基于人工智能的业务推荐方法及相关设备，以解决如何提高业务推荐的准确性这一技术问题，其中，相关设备包括基于人工智能的业务推荐装置、电子设备及存储介质。
[0005]本申请实施例提供一种基于人工智能的业务推荐方法，所述方法包括：
[0006]分析业务场景和预设的业务方案以获取额定业务指标，所述业务场景指企业需要解决的问题，所述业务方案指企业针对业务场景设计的解决方案，所述额定业务指标用以表征所述业务方案的优劣程度；
[0007]基于所述额定业务指标从所述业务场景对应的业务数据库中采集用户数据以构建目标用户集；
[0008]对所述目标用户集中的每条用户数据进行分类以获取多个用户簇；>[0009]对每个用户簇中的用户数据进行分组以获取用户分组置信度；
[0010]基于所述用户分组置信度评估所述业务场景对应的业务方案，并根据评估结果推荐所述业务方案。
[0011]上述业务推荐方法中，通过分析业务场景确定了参与测试的目标用户集，并通过聚类方法将目标用户集划分为多个用户簇，进而将用户簇中的用户数据划分为不同的类别并重组为多个用户组，且基于每组用户的置信度评估了业务推荐结果，从而使得每组用户特征尽可能的均衡，提升了后续业务推荐结果的准确度。
[0012]在一些实施例中，所述基于所述额定业务指标从所述业务场景对应的业务数据库中采集用户数据以构建目标用户集包括：
[0013]依据业务指标对所述业务场景对应的业务数据库中的用户数据进行标记，若用户数据中的业务指标小于所述额定业务指标，则该用户数据被标记为目标用户；
[0014]统计所述目标用户的特征，所述特征包括用户年龄，用户性别，用户在线时长，用
户偏好类别；
[0015]将每个目标用户对应的特征作为用户数据，存储所述用户数据以作为所述目标用户集。
[0016]如此，通过对比用户数据的业务指标和额定业务指标，从业务数据库中采集并标记了目标用户，并存储为目标用户集，为后续进行用户分组和业务推荐提供了样本支撑，提升了业务推荐的准确性。
[0017]在一些实施例中，所述目标用户的特征包括数值型数据和非数值型数据，所述统计所述目标用户的特征之后，所述方法还包括：
[0018]辨别每个用户特征是否属于非数值型数据，并依据辨别结果标记每个用户特征，所述标记包括“是”和“否”；
[0019]依次遍历每一种用户特征的标记，若一个用户特征的标记为“是”，则统计该特征的取值种类的数量，依据自然数依次标记该特征中的每一个种类，并将标记的自然数作为该特征中每个数据的编码值以获得数值型特征，若一个用户特征的标记为“否”，则不作任何操作；
[0020]将标记为“是”的用户特征中的每个数据替换为其对应的编码值以更新目标用户集。
[0021]如此，通过对所述用户数据的特征中的非数值数据进行了编码以获得完全量化的数据，能够为后续业务推荐提供样本支撑，进而能够提升业务推荐的准确性。
[0022]在一些实施例中，所述对所述目标用户集中的每条用户数据进行分类以获取多个用户簇包括：
[0023]依据余弦距离算法计算每两条用户数据之间的余弦距离；
[0024]依据所述余弦距离和预设的聚类算法对所述目标用户集进行分类，以获得多个用户簇，其中每个用户簇包含多条用户数据；
[0025]分别统计每个用户簇中用户数据的数量和聚合度，所述聚合度用以表征用户数据的特征的多样程度；
[0026]将所述用户数据的数量和聚合度输入自定义的整合模型获得整合结果，以作为该用户簇的权重。
[0027]如此，通过对所述用户数据集进行分类获得了多个用户簇，并分别统计了每个用户簇中用户数据的数量和聚合度，进而依据所述数量和聚合度获得了每个用户簇的权重，能够将数据划分为具备特征相似性的多个簇，并为每个簇赋予权重以表征每个簇中用户数据在业务推荐时的重要性，能够提升后续业务推荐的准确度。
[0028]在一些实施例中，所述自定义的整合模型满足以下关系式：
[0029][0030]其中，T
i
代表第i个用户簇的权重，该权重越高则表明利用该簇中的用户数据测试所述业务方案时，测试结果的可信度越高；A
i
代表第i个用户簇中用户数据的数量，所述A
i
的值越大则表明该簇中囊括的用户数据越多，则该簇的权重应越高；B
i
代表第i个用户簇的聚合度，所述聚合度的值越低则表明该簇中用户数据的特征越离散，则该簇的权重应越高。
[0031]如此，通过自定义整合模型计算了所述用户数据的数量和聚合度的整合结果，该整合结果的值能够表征用户簇中的用户数据具备特征指向性的程度，能够为后续计算用户分组置信度提供数据支撑，从而能够提升业务推荐的准确性。
[0032]在一些实施例中，所述对每个用户簇中的用户数据进行分组以获取用户分组置信度包括：
[0033]利用预设的聚类算法对每个用户簇中的用户数据进行二分类，并依据类别对该用户簇中的用户数据进行标记，所述标记包括“实验”和“对照”；
[0034]分别计算每个用户簇的每个类别中的用户数据的聚合程度以作为聚合值；
[0035]将每个用户簇对应的权重与所述聚合值的乘积作为每个类别对应的置信度；
[0036]将具备相同标记的用户数据进行组合以作为实验组和对照组；
[0037]计算实验组中用户数据的置信度之和以作为实验组的置信度，计算对照组中数据的置信度之和以作为对照组的置信度。
[0038]如此，通过对每个用户簇中的用户进行分类获得了多个类别的用户，并依据每个类别中用户数据的聚合程度计算了每个类别的置信度，该置信度的值越高则表明以该组用户作为样本进行业务推荐时，所获得的业务推荐结果的可信度越高，从而能够提升后续业务推荐的准确性。
[0039]在一些实施例中，所述基于所述用户分组置信度评估所述业务场景对应的业务方案，并根据评估结果推荐所述业务方案包括：
[0040]分别计算所述实验组和所述对照组中用户数据的业务指标的均值以作为每组用户的基准值；<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于人工智能的业务推荐方法，其特征在于，所述方法包括：分析业务场景和预设的业务方案以获取额定业务指标，所述业务场景指企业需要解决的问题，所述业务方案指企业针对业务场景设计的解决方案，所述额定业务指标用以表征所述业务方案的优劣程度；基于所述额定业务指标从所述业务场景对应的业务数据库中采集用户数据以构建目标用户集；对所述目标用户集中的每条用户数据进行分类以获取多个用户簇；对每个用户簇中的用户数据进行分组以获取用户分组置信度；基于所述用户分组置信度评估所述业务场景对应的业务方案，并根据评估结果推荐所述业务方案。2.如权利要求1所述的基于人工智能的业务推荐方法，其特征在于，所述基于所述额定业务指标从所述业务场景对应的业务数据库中采集用户数据以构建目标用户集包括：依据业务指标对所述业务场景对应的业务数据库中的用户数据进行标记，若用户数据中的业务指标小于所述额定业务指标，则该用户数据被标记为目标用户；统计所述目标用户的特征，所述特征包括用户年龄，用户性别，用户在线时长，用户偏好类别；将每个目标用户对应的特征作为用户数据，存储所述用户数据以作为所述目标用户集。3.如权利要求2所述的基于人工智能的业务推荐方法，其特征在于，所述目标用户的特征包括数值型数据和非数值型数据，所述统计所述目标用户的特征之后，所述方法还包括：辨别每个用户特征是否属于非数值型数据，并依据辨别结果标记每个用户特征，所述标记包括“是”和“否”；依次遍历每一种用户特征的标记，若一个用户特征的标记为“是”，则统计该特征的取值种类的数量，依据自然数依次标记该特征中的每一个种类，并将标记的自然数作为该特征中每个数据的编码值以获得数值型特征，若一个用户特征的标记为“否”，则不作任何操作；将标记为“是”的用户特征中的每个数据替换为其对应的编码值以更新目标用户集。4.如权利要求1所述的基于人工智能的业务推荐方法，其特征在于，所述对所述目标用户集中的每条用户数据进行分类以获取多个用户簇包括：依据余弦距离算法计算每两条用户数据之间的余弦距离；依据所述余弦距离和预设的聚类算法对所述目标用户集进行分类，以获得多个用户簇，其中每个用户簇包含多条用户数据；分别统计每个用户簇中用户数据的数量和聚合度，所述聚合度用以表征用户数据的特征的多样程度；将所述用户数据的数量和聚合度输入自定义的整合模型获得整合结果，以作为该用户簇的权重。5.如权利要求4所述的基于人工智能的业务推荐方法，其特征在于，所述自定义的整合模型满足以下关系式：
其中，T
i
代表第i个用户簇的权重，该权重越高则表明利用该簇中的用户数据测试所述业务方案时，测试结果的可...
【专利技术属性】
技术研发人员：刘育基，
申请(专利权)人：中国平安财产保险股份有限公司，
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。