套餐推荐方法、装置、电子设备及计算机可读介质与流程

1.本公开涉及信息技术领域，尤其涉及一种套餐推荐方法、装置、电子设备及计算机可读介质。


背景技术：

2.用户入网时主观选择的套餐往往与其后续使用习惯并不匹配，导致用户粘性不高。当前的个性化套餐推荐方法，普遍采用电商推荐算法，将一个套餐当作一个商品进行推荐。而不同于用户在电商的点击等行为海量数据，用户按月消费数据规模小，预测精准性不高。
3.因此，需要一种新的套餐推荐方法、装置、电子设备及计算机可读介质。
4.在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解。


技术实现要素：

5.有鉴于此，本公开实施例提供一种套餐推荐方法、装置、电子设备及计算机可读介质，能够基于用户在套餐中不同维度的使用情况推荐匹配度高的套餐。
6.本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
7.根据本公开实施例的第一方面，提出一种套餐推荐方法，该方法包括：获取目标用户的历史套餐用量；对所述目标用户的历史套餐用量确定所述目标用户在至少两个套餐维度下的历史套餐维度用量；根据所述目标用户在每一套餐维度下的历史套餐维度用量确定所述目标用户在该套餐维度下的预测套餐维度用量；根据所述目标用户在至少两个套餐维度下预测套餐维度用量确定所述目标用户与备选套餐的匹配度；根据所述备选套餐的匹配度确定推荐套餐，以向所述目标用户发送所述推荐套餐。
8.在本公开的一种示例性实施例中，所述套餐维度包括以下情况的两种或多种：资费、流量用量、语音用量、宽带费用与宽带速率。
9.在本公开的一种示例性实施例中，根据所述目标用户在每一套餐维度下的历史套餐维度用量确定所述目标用户在该套餐维度下的预测套餐维度用量包括：若所述套餐维度包括资费，则根据所述历史套餐用量中的历史资费时间序列确定所述目标用户的预测资费；若所述套餐维度包括流量，则根据历史套餐用量中的历史流量用量时间序列确定所述目标用户的预测流量用量；若所述套餐维度包括语音用量，则根据所述历史套餐用量中的历史语音用量时间序列确定所述目标用户的预测语音用量。
10.在本公开的一种示例性实施例中，根据所述历史套餐用量中的历史资费时间序列确定所述目标用户的预测资费包括：对所述历史资费时间序列进行平稳性检测和白噪声检测；若平稳性检测结果为弱平稳序列，且白噪声检测结果为非白噪声序列，则采用arima时间序列预测模型对所述历史资费时间序列进行处理，获得所述目标用户的预测资费。
11.在本公开的一种示例性实施例中，所述方法还包括：获取训练样本集，所述训练样
本集包括样本资费时间序列；通过所述arima时间序列预测模型对所述样本资费时间序列进行处理，获得样本预测资费；根据所述样本资费时间序列和所述样本预测资费调整所述arima时间序列预测模型的参数，获得训练完成的所述arima时间序列预测模型。
12.在本公开的一种示例性实施例中，还包括：确定切换为推荐套餐的切换用户；将所述切换用户的历史套餐用量整合为更新样本集；根据所述更新样本集优化所述arima时间序列预测模型的参数。
13.在本公开的一种示例性实施例中，根据所述目标用户在至少两个套餐维度下预测套餐维度用量确定所述目标用户与备选套餐的匹配度包括：计算所述目标用户在每一套餐维度下预测套餐维度用量与所述备选套餐在该套餐维度下的备选套餐维度用量的差值的绝对值，获得所述目标用户在每一套餐维度下与所述备选套餐的初始距离；计算所述目标用户在每一套餐维度下与所述备选套餐的初始距离与距离补偿的和值的倒数，确定所述目标用户在每一套餐维度下与所述备选套餐的匹配距离；根据所述目标用户在至少两个套餐维度下与所述备选套餐的匹配距离的加权求和结果确定所述目标用户与所述备选套餐的匹配度。
14.根据本公开实施例的第二方面，提出一种套餐推荐装置，该装置包括：历史数据获取模块，用于获取目标用户的历史套餐用量；套餐维度定量模块，用于对所述目标用户的历史套餐用量确定所述目标用户在至少两个套餐维度下的历史套餐维度用量；套餐维度预测模块，用于根据所述目标用户在每一套餐维度下的历史套餐维度用量确定所述目标用户在该套餐维度下的预测套餐维度用量；匹配度计算模块，用于根据所述目标用户在至少两个套餐维度下预测套餐维度用量确定所述目标用户与备选套餐的匹配度；套餐推荐模块，用于根据所述备选套餐的匹配度确定推荐套餐，以向所述目标用户发送所述推荐套餐。
15.根据本公开实施例的第三方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一项所述的套餐推荐方法。
16.根据本公开实施例的第四方面，提出一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述任一项所述的套餐推荐方法。
17.根据本公开某些实施例提供的套餐推荐方法、装置、电子设备及计算机可读介质，基于目标用户的历史套餐用量；利用目标用户在至少两个套餐维度下的历史套餐维度用量分别预测目标用户在每一套餐维度下的预测套餐维度用量；能够基于不同套餐维度对用户的使用习惯进行细化预测，在根据目标用户在至少两个套餐维度下预测套餐维度用量确定所述目标用户与备选套餐的匹配度，能够综合多个套餐维度下的细化预测结果，基于每个备选套餐在该至少两个套餐维度下的备选套餐维度用量计算该备选套餐与目标用户的匹配度，进而根据备选套餐的匹配度准确定位与目标用户匹配度高的推荐套餐。
18.应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
19.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。下面描述的附图仅仅是本公开的一些实施例，
对于本领域的普通技术人员来讲，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。
20.图1是根据一示例性实施例示出的一种套餐推荐方法及装置的系统框图。
21.图2是根据一示例性实施例示出的一种套餐推荐方法的流程图。
22.图3是根据另一示例性实施例示出的一种套餐推荐方法的流程图。
23.图4是根据又一示例性实施例示出的一种套餐推荐方法的流程图。
24.图5是根据再一示例性实施例示出的一种套餐推荐方法的流程图。
25.图6是根据一示例性实施例示出的数据采集流程的示意图。
26.图7是根据一示例性实施例示出的数据处理预测流程的示意图。
27.图8是根据一示例性实施例示出的流量预测模型预测效果图。
28.图9是根据一示例性实施例示出的语音预测模型预测效果图。
29.图10是根据一示例性实施例示出的资费预测模型预测效果图。
30.图11是根据一示例性实施例示出的推荐套餐的短信推送效果图。
31.图12是根据一示例性实施例示出的推荐套餐的线上营业厅推送效果图。
32.图13是根据一示例性实施例示出的切换数据采集流程的示意图。
33.图14是根据一示例性实施例示出的一种套餐推荐装置的框图。
34.图15示意性示出本公开一个示例性实施例中一种电子设备的方框图。
具体实施方式
35.现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本发明将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
36.所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
37.附图仅为本发明的示意性图解，图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
38.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和步骤，也不是必须按所描述的顺序执行。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
39.下面结合附图对本发明示例实施方式进行详细说明。
40.图1是根据一示例性实施例示出的一种套餐推荐方法及装置的系统框图。
41.在套餐推荐方法及装置的系统100中，服务器105可以是提供各种服务的服务器，
例如通过网络104对用户利用终端设备101、102、103所进行操作的套餐推荐系统提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的套餐推荐请求等数据进行分析等处理，并将处理结果(例如推荐套餐、目标用户与备选套餐的匹配度
‑‑
仅为示例)反馈给终端设备。
42.服务器105可以是一个实体的服务器，还可例如为多个服务器组成，服务器105中的一部分可例如作为本公开中的套餐推荐任务提交系统，用于获取将要执行套餐推荐命令的任务；以及服务器105中的一部分还可例如作为本公开中的套餐推荐系统，用于获取目标用户的历史套餐用量；对所述目标用户的历史套餐用量确定所述目标用户在至少两个套餐维度下的历史套餐维度用量；根据所述目标用户在每一套餐维度下的历史套餐维度用量确定所述目标用户在该套餐维度下的预测套餐维度用量；根据所述目标用户在至少两个套餐维度下预测套餐维度用量确定所述目标用户与备选套餐的匹配度；根据所述备选套餐的匹配度确定推荐套餐，以向所述目标用户发送所述推荐套餐。
43.图2是根据一示例性实施例示出的一种套餐推荐方法的流程图。本公开实施例提供的套餐推荐方法可以由任意具备计算处理能力的电子设备执行，例如终端设备101、102、103和/或服务器105，在下面的实施例中，以服务器执行所述方法为例进行举例说明，但本公开并不限定于此。本公开实施例提供的套餐推荐方法可以包括步骤s202至s210。
44.如图2所示，在步骤s202中，获取目标用户的历史套餐用量。
45.在步骤s204中，对所述目标用户的历史套餐用量确定所述目标用户在至少两个套餐维度下的历史套餐维度用量。
46.本公开实施例中，历史套餐用量的套餐维度可具有多个维度，例如资费维度、流量用量维度、语音用量维度、宽带费用维度与宽带速率维度。套餐维度包括以下情况的两种或多种：资费、流量用量、语音用量、宽带费用与宽带速率。其中，当某一维度具有限制条件时，例如流量用量维度具有地区限制，被划分为本地流量与全国流量时，可进一步将流量用量维度划分为本地流量维度和全国流量维度。又例如，流量用量维度还可划分为定向流量、套内流量与套外流量。定向流量例如具有限制条件：仅适用于指定应用程序。套内流量例如具有限制条件：套餐内包含的优先使用的流量用量。套外流量例如具有限制条件：套内流量剩余为0后可使用的流量用量。又例如语音用量维度具有拨号对象的限制，被划分为家庭群组通话语音量、本地语音通话语音量以及全国语音通话语音量时，可进一步将语音用量维度划分为家庭群组通话语音维度、本地语音通话语音维度以及全国语音通话语音维度。
47.其中，还可获取目标用户的当前套餐信息，当前套餐信息可包括当前套餐资费、当前套餐流量、当前套餐语音量、当前套餐宽带费用与当前套餐宽带速率等。例如，在目标用户的当前套餐资费小于历史套餐用量中的历史资费时、和/或目标用户的当前套餐流量小于历史套餐用量中的历史流量用量时、和/或目标用户的当前套餐语音量小于历史套餐用量中的历史语音用量时，和/或目标用户的当前套餐宽带费用小于历史套餐用量中的历史套餐宽带费用时，和/或目标用户的当前套餐宽带速率小于历史套餐用量中的历史套餐宽带速率时，再执行本实施例的步骤s202至s210。
48.在步骤s206中，根据所述目标用户在每一套餐维度下的历史套餐维度用量确定所述目标用户在该套餐维度下的预测套餐维度用量。
49.本公开实施例中，若所述套餐维度包括资费，则可根据所述历史套餐用量中的历
史资费时间序列确定所述目标用户的预测资费；
50.若所述套餐维度包括流量，则根据历史套餐用量中的历史流量用量时间序列确定所述目标用户的预测流量用量；
51.若所述套餐维度包括语音用量，则根据所述历史套餐用量中的历史语音用量时间序列确定所述目标用户的预测语音用量。
52.其中，历史资费时间序列可为根据目标用户在每月中的资费按照时间顺序生成的序列。历史流量用量时间序列可为根据目标用户在每月中的流量用量按照时间顺序生成的序列。历史语音用量时间序列可为根据目标用户在每月中的语音用量按照时间顺序生成的序列。
53.在步骤s208中，根据所述目标用户在至少两个套餐维度下预测套餐维度用量确定所述目标用户与备选套餐的匹配度。
54.其中，备选套餐可例如为根据目标用户的用户信息召回获得，备选套餐可为召回的该目标用户当前可办理的套餐。在获得备选套餐后，可提取每个备选套餐的套餐信息，例如在每个套餐维度下的备选套餐维度用量。
55.其中，可确定目标用户在每个套餐维度下的预测套餐维度用量与备选套餐在该套餐维度下的备选套餐维度用量的目标距离，并根据在各套餐维度下的目标距离的加权计算结果确定目标用户与备选套餐的匹配度。
56.在步骤s210中，根据所述备选套餐的匹配度确定推荐套餐，以向所述目标用户发送所述推荐套餐。
57.其中，可根据匹配度对备选套餐进行降序排序，将排序结果中的前n个备选套餐作为推荐套餐并发送给目标用户，n为大于0的整数。
58.根据本公开实施例提供的套餐推荐方法，基于目标用户的历史套餐用量；利用目标用户在至少两个套餐维度下的历史套餐维度用量分别预测目标用户在每一套餐维度下的预测套餐维度用量；能够基于不同套餐维度对用户的使用习惯进行细化预测，在根据目标用户在至少两个套餐维度下预测套餐维度用量确定所述目标用户与备选套餐的匹配度，能够综合多个套餐维度下的细化预测结果，基于每个备选套餐在该至少两个套餐维度下的备选套餐维度用量计算该备选套餐与目标用户的匹配度，进而根据备选套餐的匹配度准确定位与目标用户匹配度高的推荐套餐。
59.进一步的，在向目标用户发送推荐套餐后，可确定切换为推荐套餐的切换用户；将所述切换用户的历史套餐用量整合为更新样本集；根据所述更新样本集优化所述arima时间序列预测模型的参数。
60.其中，当目标用户将其套餐切换为推荐套餐，则对于该目标用户的预测套餐维度用量较为准确，基于该切换用户的历史套餐用量进一步优化所述arima时间序列预测模型的参数，能够实现对预测套餐用量维度的精准化预测。
61.图3是根据另一示例性实施例示出的一种套餐推荐方法的流程图。本公开实施例的套餐推荐方法中，若套餐维度包括资费，则在根据所述历史套餐用量中的历史资费时间序列确定所述目标用户的预测资费时，可包括步骤s302至s304。
62.如图3所示，在步骤s302中，对所述历史资费时间序列进行平稳性检测和白噪声检测。
63.本公开实施例中，可首先进行平稳性检测，在平稳性检结果为弱平稳序列时，进行白噪声检测。平稳性检测要求经由样本时间序列所得到的拟合曲线在未来的一段期间内仍能顺着现有的形态“惯性”地延续下去。在平稳性检测结果为弱平稳序列时，可考虑白噪声检测。并不是所有的平稳序列都值得建模。只有序列值之间具有密切的相关关系，历史数据对未来的发展有一定影响的序列，才值得挖掘历史数据中的有效信息，用来预测序列未来的发展。
64.在步骤s304中，若平稳性检测结果为弱平稳序列，且白噪声检测结果为非白噪声序列，则采用arima时间序列预测模型对所述历史资费时间序列进行处理，获得所述目标用户的预测资费。
65.其中，差分整合移动平均自回归模型(autoregressive integrated moving average model，arima)，又称整合移动平均自回归模型(移动也可称作滑动)。arima(p，d，q)中，ar是“自回归”，p为自回归项数；ma为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数(阶数)。“差分”一词虽未出现在arima的英文名称中，却是关键步骤。
66.该arima时间序列预测模型可由如下步骤获得：
67.获取训练样本集，所述训练样本集包括样本资费时间序列；通过所述arima时间序列预测模型对所述样本资费时间序列进行处理，获得样本预测资费；根据所述样本资费时间序列和所述样本预测资费调整所述arima时间序列预测模型的参数，获得训练完成的所述arima时间序列预测模型。
68.进一步地，若套餐维度包括流量，则可在根据历史套餐用量中的历史流量用量时间序列确定所述目标用户的预测流量用量时，对所述历史流量用量时间序列进行平稳性检测和白噪声检测；若平稳性检测结果为弱平稳序列，且白噪声检测结果为非白噪声序列，则采用arima时间序列预测模型对所述历史流量用量时间序列进行处理，获得所述目标用户的预测流量用量。
69.进一步地，若套餐维度包括语音用量，则可在根据所述历史套餐用量中的历史语音用量时间序列确定所述目标用户的预测语音用量时，对对所述历史语音用量时间序列进行平稳性检测和白噪声检测；若平稳性检测结果为弱平稳序列，且白噪声检测结果为非白噪声序列，则采用arima时间序列预测模型对所述历史语音用量时间序列进行处理，获得所述目标用户的预测语音用量。
70.图4是根据又一示例性实施例示出的一种套餐推荐方法的流程图。本公开实施例提供套餐推荐方法可以包括步骤s402至s406。
71.如图4所示，在步骤s402中，计算所述目标用户在每一套餐维度下预测套餐维度用量与所述备选套餐在该套餐维度下的备选套餐维度用量的差值的绝对值，获得所述目标用户在每一套餐维度下与所述备选套餐的初始距离。
72.本公开实施例中，当套餐维度包括资费，可根据目标用户的预测资费与备选套餐的套餐资费的差值的绝对值确定目标用户在资费维度下与备选套餐的初始距离。
73.当套餐维度包括流量，可根据目标用户的预测流量用量与备选套餐的套餐流量的差值的绝对值确定目标用户在流量维度下与备选套餐的初始距离。
74.当套餐维度包括语音用量，可根据目标用户的预测语音用量与备选套餐的套餐语
音量的差值的绝对值确定目标用户在语音用量维度下与备选套餐的初始距离。
75.在步骤s404中，计算所述目标用户在每一套餐维度下与所述备选套餐的初始距离与距离补偿的和值的倒数，确定所述目标用户在每一套餐维度下与所述备选套餐的匹配距离。
76.补偿距离为预设数值，在一个实施例中，补偿距离的数值可为1。
77.当套餐维度包括资费，目标用户在资费维度下与备选套餐的匹配距离可表示为：
78.当套餐维度包括流量，目标用户在流量维度下与备选套餐的匹配距离可表示为：
79.当套餐维度包括语音用量，目标用户在语音用量维度下与备选套餐的匹配距离可表示为：
80.在步骤s406中，根据所述目标用户在至少两个套餐维度下与所述备选套餐的匹配距离的加权求和结果确定所述目标用户与所述备选套餐的匹配度。
81.其中，当套餐维度包括资费、流量与语音用量时，目标用户与所述备选套餐的匹配度可表示为：
[0082][0083]
其中，s为目标用户与所述备选套餐的匹配度。ω1、ω2、ω3为权重值。
[0084]
在该实施例中，基于目标用户在每个套餐维度下与备选套餐的匹配距离，能够准确定位目标用户与备选套餐的匹配度。
[0085]
进一步地，可计算切换用户与该切换用户所选择的推荐套餐对权重值进行迭代更新。
[0086]
图5是根据再一示例性实施例示出的一种套餐推荐方法的流程图。本公开实施例提供套餐推荐方法可以包括步骤s502至s512。
[0087]
如图5所示，在步骤s502中，数据提取。
[0088]
例如，在检测到目标用户登录线上渠道(例如线上营业厅)后，可根据用户账号提取目标用户的用户身份、历史消费等数据，并完成数据清洗与特征加工。此外，根据目标用户的用户信息，可召回用户可办理的套餐，并提取套餐信息。
[0089]
本步骤首先在目标用户登录线上渠道后，采集到目标用户的登录账号，关联用户信息，包含但不限于：
[0090]
1)当前套餐信息，例如：套餐金额、套内流量、套内语音等；
[0091]
2)历史套餐用量，例如：近m月出账资费、近m月流量用量、近m月语音使用量等，m为大于0的整数。
[0092]
其次，召回目标用户可办理的套餐作为备选套餐，并提取每个套餐维度下的信息，
包含但不限于：套餐金额、套内流量、套内语音等。
[0093]
详细步骤可见图6，如图6所示，数据采集过程中，在线上渠道后台使用前端埋点技术，实时将用户登录数据写入到本地日志(可包括登录日志、浏览日志、消费日志中的一种或多种)中。数据关联：通过日志数据实时采集到中间件(例如filebeat)中，并进行实时计算。数据存储：将实时计算后的数据写入到各类数据库中进行存储，将这些用户视为需推荐的目标用户。
[0094]
通过目标用户的用户标识可实时查询标签库，获取预测模型所需的用户的用户信息。
[0095]
在步骤s504中，基于目标用户的用户数据建模预测目标用户的月用量。
[0096]
用户数据例如为历史套餐用量，可将套餐拆分成资费、流量用量、语音用量3个套餐维度，分别建模预测目标用户在每个套餐维度下的月用量。
[0097]
可使用目标用户的历史套餐用量中的流量、语音、资费三个消费属性，利用arima时间序列预测模型分别建模预测用户每月用量。
[0098]
详细步骤如下：
[0099]
关联目标用户的历史数据如计费系统数据、用户行为数据、推送、办理数据、聚类标签数据等得到用户的流量用量、语音用量、资费数据，通过特征工程，训练获得三类模型，具体过程见图7。图7中hdfs、es、mysql、redis为数据库。
[0100]
如图7所示，(1)基于流量用量、语音用量、资费等a个套餐维度，构建a个arima(差分自回归移动评价模型)时间序列预测模型。a为大于0的整数，本实施例以a＝3，即套餐维度包括流量用量、语音用量、资费进行示例性说明。
[0101]
①
首先将采集到的数据进行清洗获得规则的数据。
[0102]
②
然后对数据进行时间序列的预处理：平稳性检测和白噪声检验。
[0103]
a.平稳性检测
[0104]
对数据的平稳性进行检验是时间序列分析的重要步骤，平稳性就是要求经由样本时间序列所得到的拟合曲线在未来的一段期间内仍能顺着现有的形态“惯性”地延续下去。
[0105]
平稳性检测可通过观察时序图和adf单位根来检测。若存在单位根，则序列非平稳化，需要使序列平稳化，依次进行对数变换、指数平滑、差分、分解。
[0106]
结论：均值恒定、方差始终存在、自协方差不随时间波动，可认定为弱平稳序列，满足预测条件。
[0107]
b.白噪声检测
[0108]
并不是所有的平稳序列都值得建模。只有那些序列值之间具有密切的相关关系，历史数据对未来的发展有一定影响的序列，才值得挖掘历史数据中的有效信息，用来预测序列未来的发展。
[0109]
基于ljung-box q统计量，计算q统计量的p值之后，如果p值大于0.05，说明是该时间序列是白噪声序列。
[0110]
结论：基于卡方分布的pvalue统计量，0.0387《0.05，因此可以拒绝原假设，认为该序列不是白噪声序列。
[0111]
③
模型识别定阶
[0112]
arima(p，d，q)中，ar是"自回归"，p为自回归项数；i为差分，d为使之成为平稳序列
所做的差分次数(阶数)；ma为"滑动平均"，q为滑动平均项数。acf自相关系数能决定q的取值，pacf偏自相关系数能够决定q的取值。arima原理：将非平稳时间序列转化为平稳时间序列然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。
[0113]
a.确定回归项
[0114]
自回归模型(ar)：描述当前值和历史值之间的关系，用变量自身的历史时间数据对自身进行预测。
[0115]
p阶自回归过程的公式：
[0116][0117]
其中，∈
t
为白噪声。
[0118]
pacf，偏自相关函数(决定p值)，剔除了中间k-1个随机变量x(t-1)、x(t-2)、
……
、x(t-k 1)的干扰之后x(t-k)对x(t)影响的相关程度。
[0119]
b.确定移动平均项数
[0120]
移动平均模型(ma)：移动平均模型关注的是自回归模型中的误差项的累加，移动平均法能有效地消除预测中的随机波动。
[0121]
q阶自回归过程的公式定义：
[0122]
acf，自相关函数(决定q值)反映了同一序列在不同时序的取值之间的相关性。x(t)同时还会受到中间k-1个随机变量x(t-1)、x(t-2)、
……
、x(t-k 1)的影响而这k-1个随机变量又都和x(t-k)具有相关关系，所以自相关系数p(k)里实际掺杂了其他变量对x(t)与x(t-k)的影响
[0123][0124]
c.确定差分次数
[0125]
自回归移动平均模型(arma)：自回归和移动平均的结合
[0126][0127]
④
建立模型：
[0128]
a.第一类模型：arima流量预测模型
[0129]
经过模型训练获取模型最优参数：
[0130]
回归项：4
[0131]
移动平均项：5
[0132]
差分次数：2
[0133]
arima(4,2,5)
[0134]
如图8示，为arima流量预测模型预测效果图。
[0135]
b.第二类模型：arima语音预测模型
[0136]
经过模型训练获取模型最优参数：
[0137]
回归项：2
[0138]
移动平均项：2
[0139]
差分次数：4
[0140]
arima(2,4,2)
[0141]
如图9所示，为arima语音预测模型预测效果图
[0142]
c.第三类模型：arima资费预测模型
[0143]
经过模型训练获取模型最优参数：
[0144]
回归项：3
[0145]
移动平均项：2
[0146]
差分次数：2
[0147]
arima(3,2,2)
[0148]
如图10所示，为arima资费预测模型预测效果图
[0149]
(2)模型评估
[0150]
回归模型评估：提取用户历史b个月的消费记录，b为大于0的整数，使用arima模型预测一个月的数据，然后用预测数据与真实数据对比计算出评估指标，主要通过r平方值判断模型的优劣。
[0151]
针对各个模型，提取1000万用户历史一年的消费记录，迭代训练模型，经过多次调整，目前为止，最优的模型参数及评估结果如下：
[0152]
a.流量使用量预测模型评估
[0153]
根据模型的最优参数：回归项(4)，移动平均项数(5)，差分次数(2)。得到模型的评估：平均绝对误差(6.2)，平均方差(9.6)，r平方值(0.84)。评估结果为：模型拟合完好。
[0154]
b.语音使用量预测模型评估
[0155]
根据模型的最优参数：回归项(2)，移动平均项数(2)，差分次数(4)。得到模型的评估：平均绝对误差(4.5)，平均方差(11.2)，r平方值(0.88)。评估结果为：模型拟合完好
[0156]
c.资费使用量预测模型评估
[0157]
根据模型的最优参数：回归项(3)，移动平均项数(2)，差分次数(2)。得到模型的评估：平均绝对误差(5.8)，平均方差(10.4)，r平方值(0.85)。评估结果为：模型拟合完好
[0158]
在步骤s506中，根据用户每月用量组合评价备选套餐匹配度。
[0159]
根据目标用户每月的预测流量用量、预测语音用量与预测资费，定义公式加权组合，计算目标用户与备选套餐的匹配度，基于匹配度排序获得最匹配的备选套餐top n，确定为推荐套餐。备选套餐的匹配度的计算方式可见步骤s406的相关内容。
[0160]
在步骤s508中，将推荐套餐的详细信息及优惠活动等推荐给目标用户。
[0161]
将预测得到的n个推荐套餐信息实时推荐给目标用户。
[0162]
推荐渠道例如：短信、线上营业厅客户端等实时推荐给用户，包括现有套餐与最优套餐的对比详情；
[0163]
以短信和线上营业厅客户端推送为例：
[0164]
1)短信渠道
[0165]
①
采用短信平台发送短信接口：/tymh_interface_sms/send。
[0166]
②
入参：destmobiles(手机号数组)，content(短信内容)，syscode(发起方平台编码)，mac(签名字段)，senddate(发送时间)，smstype(短信类型)。
[0167]
③
响应：code(响应码)，errordescription(响应描述)，phone(电话号码)，flag(短信发送标识)，identifier(短信唯一标识码)，smsid(短信编码)。
[0168]
④
发送限制规则：同一用户每周发送一次。
[0169]
⑤
短信模板内容：尊敬的xxx用户，您目前的套餐为：xxx。鉴于您的套餐使用情况，以下套餐更加适合您：xxx套餐，包含xx流量，xx语音。如果您切换为该套餐每月将为您省下x元。戳我查看详情xxx地址。
[0170]
如图11所示，为短信推送效果图。
[0171]
2)线上营业厅客户端渠道
[0172]
①
采用数据平台api推送接口：/ipush/api/sync/push。
[0173]
②
入参：destination(电话号码)，taskid(api任务id)，thirdpartytoken(第三方接入token)，extendinfo(扩展信息)，messagetype(推送任务类型)，pushway(推送方式)。
[0174]
③
响应：code(响应码)，errormessage(响应描述)，pushid(推送id)，messageid(消息id)，msgid(推送状态id)。
[0175]
④
发送限制规则：同一用户每天发送一次。
[0176]
⑤
模板信息：小主！匹配到更优套餐xxx，戳我查看详情。
[0177]
如图12所示，为线上营业厅推送效果图。
[0178]
在步骤s510中，获取目标用户的套餐切换信息。
[0179]
获取目标用户的当前流量用量、当前语音用量等使用明细信息，以及该目标用户是否切换套餐等信息，包括但不限于切换时间、套餐价格等。
[0180]
采集用户是否进行切换的数据保存离线数仓，用于系统优化。允许切换的用户数据写入数据库，在下月对用户的套餐进行切换，如图13所示。
[0181]
在步骤s512中，效果反馈及系统优化。
[0182]
获取目标用户实际的流量，语音，app偏好等信息，作为历史数据调节上述s504中的模型参数，优化系统效果。
[0183]
本实施例提供的套餐推荐方案，具有如下技术效果。第一、特征选取以及模型上的创新：不同于传统的将套餐作为商品来进行预测，而是根据套餐的固有属性特征构建多个arima时间序列预测模型，各类单独预测用户习惯，准确性显著提升。第二、套餐推荐精准性提升：本文所提推荐方法将套餐固有属性拆分，分别预测用户每月用量，由于用户每月流量、语音等的用量都有极强的习惯性，各类单独预测用户习惯，精准性有很大提升。再通过预测得到的用户每月使用量加权组合选取最优套餐。
[0184]
应清楚地理解，本公开描述了如何形成和使用特定示例，但本公开的原理不限于这些示例的任何细节。相反，基于本公开公开的内容的教导，这些原理能够应用于许多其它实施例。
[0185]
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由中央处理器(central processing unit，cpu)执行的计算机程序。在该计算机程序被中央处理器cpu执行时，执行本公开提供的上述方法所限定的上述功能。该程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器、磁盘或光盘等。
[0186]
此外，需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
[0187]
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实
施例中未披露的细节，请参照本公开方法实施例。
[0188]
图14是根据一示例性实施例示出的一种套餐推荐装置的框图。参照图14，本公开实施例提供的套餐推荐装置1400可以包括：历史数据获取模块1402、套餐维度定量模块1404、套餐维度预测模块1406、匹配度计算模块1408与套餐推荐模块1410。
[0189]
在套餐推荐装置1400中，历史数据获取模块1402可用于获取目标用户的历史套餐用量。
[0190]
套餐维度定量模块1404可用于对所述目标用户的历史套餐用量确定所述目标用户在至少两个套餐维度下的历史套餐维度用量。
[0191]
套餐维度预测模块1406可用于根据所述目标用户在每一套餐维度下的历史套餐维度用量确定所述目标用户在该套餐维度下的预测套餐维度用量。
[0192]
匹配度计算模块1408可用于根据所述目标用户在至少两个套餐维度下预测套餐维度用量确定所述目标用户与备选套餐的匹配度。
[0193]
套餐推荐模块1410可用于根据所述备选套餐的匹配度确定推荐套餐，以向所述目标用户发送所述推荐套餐。
[0194]
根据本公开实施例提供的套餐推荐装置，基于目标用户的历史套餐用量；利用目标用户在至少两个套餐维度下的历史套餐维度用量分别预测目标用户在每一套餐维度下的预测套餐维度用量；能够基于不同套餐维度对用户的使用习惯进行细化预测，在根据目标用户在至少两个套餐维度下预测套餐维度用量确定所述目标用户与备选套餐的匹配度，能够综合多个套餐维度下的细化预测结果，基于每个备选套餐在该至少两个套餐维度下的备选套餐维度用量计算该备选套餐与目标用户的匹配度，进而根据备选套餐的匹配度准确定位与目标用户匹配度高的推荐套餐。
[0195]
在示例性实施例中，所述套餐维度可包括以下情况的两种或多种：资费、流量用量与语音用量。
[0196]
在示例性实施例中，套餐维度预测模块1406可包括：资费维度预测单元，可用于若所述套餐维度包括资费，则根据所述历史套餐用量中的历史资费时间序列确定所述目标用户的预测资费；流量维度预测单元，可用于若所述套餐维度包括流量，则根据历史套餐用量中的历史流量用量时间序列确定所述目标用户的预测流量用量；语音维度预测单元，可用于若所述套餐维度包括语音用量，则根据所述历史套餐用量中的历史语音用量时间序列确定所述目标用户的预测语音用量。
[0197]
在示例性实施例中，资费维度预测单元可包括：时间序列检测子单元，可用于对所述历史资费时间序列进行平稳性检测和白噪声检测；资费维度预测子单元，可用于若平稳性检测结果为弱平稳序列，且白噪声检测结果为非白噪声序列，则采用arima时间序列预测模型对所述历史资费时间序列进行处理，获得所述目标用户的预测资费。
[0198]
在示例性实施例中，本公开实施例提供的套餐推荐装置还可包括：样本集获取模块，可用于获取训练样本集，所述训练样本集包括样本资费时间序列；样本集处理模块，可用于通过所述arima时间序列预测模型对所述样本资费时间序列进行处理，获得样本预测资费；模型训练单元，可用于根据所述样本资费时间序列和所述样本预测资费调整所述arima时间序列预测模型的参数，获得训练完成的所述arima时间序列预测模型。
[0199]
在示例性实施例中，本公开实施例提供的套餐推荐装置还可包括：切换用户定位
模块，可用于确定切换为推荐套餐的切换用户；更新样本集模块，可用于将所述切换用户的历史套餐用量整合为更新样本集；迭代更新模块，可用于根据所述更新样本集优化所述arima时间序列预测模型的参数。
[0200]
在示例性实施例中，匹配度计算模块1408可包括：初始距离计算单元，可用于计算所述目标用户在每一套餐维度下预测套餐维度用量与所述备选套餐在该套餐维度下的备选套餐维度用量的差值的绝对值，获得所述目标用户在每一套餐维度下与所述备选套餐的初始距离；匹配距离计算单元，可用于计算所述目标用户在每一套餐维度下与所述备选套餐的初始距离与距离补偿的和值的倒数，确定所述目标用户在每一套餐维度下与所述备选套餐的匹配距离；匹配度计算单元，可用于根据所述目标用户在至少两个套餐维度下与所述备选套餐的匹配距离的加权求和结果确定所述目标用户与所述备选套餐的匹配度。
[0201]
下面参照图15来描述根据本发明的这种实施方式的电子设备1500。图15显示的电子设备1500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0202]
如图15所示，电子设备1500以通用计算设备的形式表现。电子设备1500的组件可以包括但不限于：上述至少一个处理单元1510、上述至少一个存储单元1520、连接不同系统组件(包括存储单元1520和处理单元1510)的总线1530。
[0203]
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1510执行，使得所述处理单元1510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元1510可以执行如图2或图3或图4或图5或图6或图7或图13中所示的步骤。
[0204]
存储单元1520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)15201和/或高速缓存存储单元15202，还可以进一步包括只读存储单元(rom)15203。
[0205]
存储单元1520还可以包括具有一组(至少一个)程序模块15205的程序/实用工具15204，这样的程序模块15205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0206]
总线1530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0207]
电子设备1500也可以与一个或多个外部设备1600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1500交互的设备通信，和/或与使得该电子设备1500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1550进行。并且，电子设备1500还可以通过网络适配器1560与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1560通过总线1530与电子设备1500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0208]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失
性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
[0209]
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
[0210]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0211]
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0212]
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0213]
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0214]
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
[0215]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和构思由权利要求指出。