一种信息推荐方法、装置、电子设备及存储介质与流程

1.本技术涉及信息推荐技术领域，特别是涉及一种信息推荐方法、装置、电子设备及存储介质。


背景技术：

2.进入全业务运营以来，各大运营商都将宽带业务发展作为“重头戏”。相关技术中，主要通过两种方式向用户推荐宽带业务。具体的，第一种方式为：依赖门店位置的自然流量现场宣传，以向用户推荐宽带业务；第二种方式为通过全量电话外呼用户终端，以向用户推荐宽带业务。
3.相关技术中的上述两种推荐宽带业务的方式，虽然可以实现将宽带业务推荐给用户，但仍存在宽带业务推荐不准确的问题。


技术实现要素：

4.为解决上述技术问题，本技术示出了一种信息推荐方法、装置、电子设备及存储介质。
5.第一方面，本技术示出了一种信息推荐方法，所述方法包括：
6.获取目标用户的历史业务数据；
7.基于所述历史业务数据，通过预先训练得到的预测模型得到所述目标用户的宽带业务偏好信息；
8.基于所述目标用户的位置信息和宽带业务厅店的位置信息，确定与所述目标用户距离小于预设距离的宽带业务厅店；
9.将与所述用户距离小于预设距离的宽带业务厅店中，宽带业务与所述目标用户的宽带业务偏好信息相匹配的宽带业务厅店确定为目标宽带业务厅店；
10.向所述目标用户的用户终端推荐所述目标宽带业务厅店中目标宽带业务的相关信息，所述目标宽带业务为与所述目标用户的宽带业务偏好信息相匹配的宽带业务。
11.可选的，所述历史业务数据包括：个人特征信息、家庭特征信息、购房类应用程序偏好信息、装修类应用程序偏好信息和搬家类应用程序偏好信息；
12.所述基于所述历史业务数据，通过预先训练得到的预测模型得到所述目标用户的宽带业务偏好信息，包括：
13.从所述目标用户的历史业务数据中提取目标特征数据，所述目标特征数据包括个人特征数据，家庭特征数据、购房类应用程序特征数据、装修类应用程序特征数据和搬家类应用程序特征数据；
14.将所提取的目标特征数据进行融合，得到融合后的目标特征数据；
15.将所述融合后的目标特征数据输入预先训练得到的预测模型中，得到所述目标用户的宽带业务偏好信息。
16.可选的，所述预测模型的训练过程，包括：
17.获取样本用户的历史业务数据和目标宽带业务偏好信息，所述样本用户为已办理宽带业务的用户；
18.从所述样本用户的历史业务数据中提取样本特征数据，所述特征数据包括个人特征数据，家庭特征数据、购房类应用程序特征数据、装修类应用程序特征数据和搬家类应用程序特征数据；
19.将所提取的样本特征数据进行融合，得到融合后的样本特征数据；
20.将所述融合后的样本特征数据输入到待训练的预测模型中，得到所述样本用户对应的预测宽带业务偏好信息；
21.基于所述样本用户对应的预测宽带业务偏好信息和目标宽带业务偏好信息，确定所述预测模型对应的召回率和准确率；
22.基于所述召回率和准确率，确定所述预测模型的评价指标；
23.在所述评价指标满足预设条件时，确定得到训练后的预测模型。
24.可选的，所述向所述目标用户的用户终端推荐所述目标宽带业务厅店中目标宽带业务的相关信息，包括：
25.获取目标宽带业务的价格信息、促销信息和联系人信息；
26.将所述价格信息、促销信息和联系人信息配置到预设文案模板；
27.基于所述预设文案模板，通过自有数字化渠道将所述价格信息、促销信息和联系人信息发送到所述目标用户的用户终端。
28.可选的，所述方法还包括：
29.获取所述目标用户在所述目标宽带业务厅店的宽带业务交易信息。
30.第二方面，本技术实施例提供了一种信息推荐装置，所述装置包括：
31.业务数据获取模块，用于获取目标用户的历史业务数据；
32.宽带业务偏好信息预测模块，用于基于所述历史业务数据，通过预先训练得到的预测模型得到所述目标用户的宽带业务偏好信息；
33.第一宽带业务厅店确定模块，用于基于所述目标用户的位置信息和宽带业务厅店的位置信息，确定与所述目标用户距离小于预设距离的宽带业务厅店；
34.第二宽带业务厅店确定模块，用于将与所述用户距离小于预设距离的宽带业务厅店中，宽带业务与所述目标用户的宽带业务偏好信息相匹配的宽带业务厅店确定为目标宽带业务厅店；
35.信息推荐模块，用于向所述目标用户的用户终端推荐所述目标宽带业务厅店中目标宽带业务的相关信息，所述目标宽带业务为与所述目标用户的宽带业务偏好信息相匹配的宽带业务。
36.可选的，所述历史业务数据包括：个人特征信息、家庭特征信息、购房类应用程序偏好信息、装修类应用程序偏好信息和搬家类应用程序偏好信息；
37.所述宽带业务偏好信息预测模块，具体用于：
38.从所述目标用户的历史业务数据中提取目标特征数据，所述目标特征数据包括个人特征数据，家庭特征数据、购房类应用程序特征数据、装修类应用程序特征数据和搬家类应用程序特征数据；
39.将所提取的目标特征数据进行融合，得到融合后的目标特征数据；
40.将所述融合后的目标特征数据输入预先训练得到的预测模型中，得到所述目标用户的宽带业务偏好信息。
41.可选的，所述方法还包括：预测模型训练模块；
42.所述预测模型训练模块，具体用于：
43.获取样本用户的历史业务数据和目标宽带业务偏好信息，所述样本用户为已办理宽带业务的用户；
44.从所述样本用户的历史业务数据中提取样本特征数据，所述特征数据包括个人特征数据，家庭特征数据、购房类应用程序特征数据、装修类应用程序特征数据和搬家类应用程序特征数据；
45.将所提取的样本特征数据进行融合，得到融合后的样本特征数据；
46.将所述融合后的样本特征数据输入到待训练的预测模型中，得到所述样本用户对应的预测宽带业务偏好信息；
47.基于所述样本用户对应的预测宽带业务偏好信息和目标宽带业务偏好信息，确定所述预测模型对应的召回率和准确率；
48.基于所述召回率和准确率，确定所述预测模型的评价指标；
49.在所述评价指标满足预设条件时，确定得到训练后的预测模型。
50.可选的，所述信息推荐模块，具体用于：
51.获取目标宽带业务的价格信息、促销信息和联系人信息；
52.将所述价格信息、促销信息和联系人信息配置到预设文案模板；
53.基于所述预设文案模板，通过自有数字化渠道将所述价格信息、促销信息和联系人信息发送到所述目标用户的用户终端。
54.可选的，所述装置还包括：
55.交易信息获取模块，用于获取所述目标用户在所述目标宽带业务厅店的宽带业务交易信息。
56.第三方面，本技术实施例提供了一种电子设备，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程序时实现第一方面所述的信息处理方法的步骤。
57.第四方面，本技术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第一方面所述的信息处理方法的步骤。
58.本公开实施例提供的技术方案，获取目标用户的历史业务数据；基于历史业务数据，通过预先训练得到的预测模型得到目标用户的宽带业务偏好信息；基于目标用户的位置信息和宽带业务厅店的位置信息，确定与目标用户距离小于预设距离的宽带业务厅店；将与用户距离小于预设距离的宽带业务厅店中，宽带业务与目标用户的宽带业务偏好信息相匹配的宽带业务厅店确定为目标宽带业务厅店；向目标用户的用户终端推荐目标宽带业务厅店中目标宽带业务的相关信息。
59.可见，通过本公开实施例的技术方案，在向用户推荐宽带业务时，会结合用户的宽带业务偏好信息，并且所推荐的宽带业务是与用户距离较近的宽带业务厅店的宽带业务，因此，为用户推荐的宽带业务的准确率较高，用户对所推荐的宽带业务感兴趣的概率也较
高，提高了用户办理宽带业务的成功率。
附图说明
60.图1是本技术实施例提供的一种信息推荐方法的步骤流程图；
61.图2是图1中步骤s120的一种实施方式的步骤流程图；
62.图3是图1中步骤s120的一种实施方式的示意图；
63.图4是本技术实施例提供的一种为目标用户推荐目标宽带业务厅店的示意图；
64.图5是图1中步骤s150的一种实施方式的步骤流程图；
65.图6是本技术实施例提供的一种信息推荐装置的结构框图；
66.图7是本技术实施例提供的一种电子设备的结构框图。
具体实施方式
67.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。
68.为了解决相关技术中，为用户推荐的宽带业务准确率较低的问题，本技术实施例提供了一种信息推荐方法、装置、电子设备及存储介质。
69.第一方面，首先对本技术实施例所提供的一种信息推荐方法进行详细阐述。
70.如图1所示，示出了本技术的一种信息推荐方法的步骤流程图，具体可以包括如下步骤：
71.s110，获取目标用户的历史业务数据。
72.其中，目标用户可以为向其推荐宽带业务的任一用户，本技术实施例对此不做具体限定。
73.并且，历史业务数据可以包括：个人特征信息、家庭特征信息、购房应用程序偏好信息、装修应用程序偏好信息和搬家应用程序偏好信息。
74.具体的，1、个人特征信息可以包括：手机号码、年龄、性别、标准本地网id、标准省份id、客户星级、是否出国人群等。
75.2、家庭特征信息可以包括：家庭分群、职业分群、是否有车一族、二人世界、三口之家、家有老人、家有儿童等；
76.3、购房类应用程序偏好信息，可以包括：购房类应用程序的名称，如购房类类应用程序a、购房类类应用程序b和购房类类应用程序c等，以及购房类应用程序的访问名称、购房类应用程序的访问时长、购房类应用程序的访问次数、购房类应用程序的消耗流量等。
77.4、装修类应用程序偏好信息，可以包括：装修类应用程序的名称，如装修类类应用程序a、装修类类应用程序b和装修类类应用程序c等，以及装修类应用程序的访问名称、装修类应用程序的访问时长、装修类应用程序的访问次数、装修类应用程序的消耗流量等。
78.5、搬家类应用程序偏好信息，可以包括：搬家类应用程序的名称，如搬家类类应用程序a、搬家类类应用程序b和搬家类类应用程序c等，以及搬家类应用程序的访问名称、搬家类应用程序的访问时长、搬家类应用程序的访问次数、搬家类应用程序的消耗流量等。
79.s120，基于历史业务数据，通过预先训练得到的预测模型得到目标用户的宽带业务偏好信息。
80.具体的，在获取到目标用户的历史业务数据后，可以基于历史业务数据，通过预先训练得到的预测模型得到目标用户的宽带业务偏好信息。即预测模型根据目标用户的历史业务数据来预测其宽带业务偏好信息。
81.在一种实施方式中，s120，基于历史业务数据，通过预先训练得到的预测模型得到目标用户的宽带业务偏好信息，如图2所示，可以包括如下步骤：
82.s121，从目标用户的历史业务数据中提取目标特征数据。
83.其中，目标特征数据包括个人特征数据，家庭特征数据、购房类应用程序特征数据、装修类应用程序特征数据和搬家类应用程序特征数据。
84.在得到目标用户的历史业务数据后，可以从目标用户的历史业务数据中提取目标特征数据，具体的，可以从个人特征信息中提取个人特征数据，可以从家庭特征信息中提取家庭特征数据；可以从购房类应用程序偏好信息中提取购房类应用程序特征数据；可以从装修类应用程序偏好信息中提取装修类应用程序特征数据；可以从搬家类应用程序偏好信息中提取搬家类应用程序特征数据。
85.s122，将所提取的目标特征数据进行融合，得到融合后的目标特征数据。
86.通过步骤s121得到上述五类目标特征数据后，可以将这五类目标特征数据进行融合，得到融合后的目标特征数据，以通过融合后的目标特征数据来预测目标用户的宽带业务偏好信息。
87.s123，将融合后的目标特征数据输入预先训练得到的预测模型中，得到目标用户的宽带业务偏好信息。
88.具体的，在得到融合后的目标特征后，可以将融合后的目标特征数据输入预先训练得到的预测模型中，预测模型输出目标用户的宽带业务偏好信息。
89.需要说明的是，上述s121至s123的具体实现过程，可详见图3所示实施例。
90.为了方案描述完整和清楚，将在下面实施例对预测模型的训练过程进行详细阐述。
91.s130，基于目标用户的位置信息和宽带业务厅店的位置信息，确定与目标用户距离小于预设距离的宽带业务厅店。
92.具体的，目标用户的lbs(基于位置的服务，location based service)地理位置信息和宽带业务厅店的经纬度数据，即可以获取到目标用户的位置信息和宽带业务厅店的位置信息；然后通过目标用户的位置信息和宽带业务厅店的位置信息计算目标用户和各个宽带业务厅店的距离，并确定距离用户较近的宽带业务厅店，即确定与目标用户距离小于预设距离的宽带业务厅店。其中，预设距离可以根据实际情况进行确定，例如，预设距离可以为1km。本技术实施例对预设距离不做具体限定。
93.举例而言，首先，获取目标用户的lbs定位数据，记为(x0,y0)；然后，通过宽带业务厅店信息管理系统，获取宽带业务厅店的经纬度数据，记为(x1,y1)，地球半径r为6371km。其次，将(x0,y0)和(x1,y1)套用如下目标用户到宽带业务厅店距离公式进行计算：
94.d＝r*arcos[cos(y0)*cos(y1)*cos(x0-x1) sin(y0)*sin(y1)]。
[0095]
假设有三个宽带业务厅店，分别为厅店a、厅店b和厅店c。那么，可以计算得到三个距离，分别为da、db和dc。
[0096]
s140，将与用户距离小于预设距离的宽带业务厅店中，宽带业务与目标用户的宽
带业务偏好信息相匹配的宽带业务厅店确定为目标宽带业务厅店。
[0097]
具体的，在确定了与目标用户距离较近的宽带业务厅店后，为了后续步骤中能够准确地为目标用户推荐宽带业务，可以在与目标用户距离较近的宽带业务厅店中，选择宽带业务与目标用户的宽带业务偏好信息相匹配的宽带业务厅店。
[0098]
其中，如果一个宽带业务厅店中存在该目标用户喜欢的宽带业务，则该宽带业务厅店与目标用户的宽带业务偏好信息相匹配；如果一个宽带业务厅店中不存在该目标用户喜欢的宽带业务，则该宽带业务厅店与目标用户的宽带业务偏好信息不匹配。
[0099]
如图4所示，有3个营业厅店，分别为a营业厅店、b营业厅店和c营业厅店，其中，a营业厅店的位置坐标为(xa,ya)，b营业厅店的位置坐标为(xb,yb)，c营业厅店的位置坐标为(xc,yc)，目标用户的位置坐标为(x0,y0)，预设距离为1km。
[0100]
分别计算a营业厅店、b营业厅店及c营业厅店与目标用户之间的距离，a营业厅店及b营业厅店与目标用户之间的距离小于1km，c营业厅店与目标用户之间的距离大于1km，因此，a营业厅店及b营业厅店与目标用户的距离较近。但是a营业厅店中没有用户喜好的宽带业务，b营业厅店中有用户喜好的宽带业务，因此，将b营业厅店确定为目标用户相匹配的目标宽带业务厅店。
[0101]
s150，向目标用户的用户终端推荐目标宽带业务厅店中目标宽带业务的相关信息。
[0102]
其中，目标宽带业务为与目标用户的宽带业务偏好信息相匹配的宽带业
[0103]
具体的，在得到目标宽带业务厅店后，可以将目标宽带业务厅店中与目标用户的宽带业务偏好信息相匹配的目标宽带业务推荐给目标用户。由于所推荐的目标宽带业务是与用户距离较近的宽带业务厅店中的宽带业务，且目标宽带业务与目标用户的宽带业务偏好信息相匹配，因此，因此，为用户推荐的宽带业务的准确率较高，用户对所推荐的宽带业务感兴趣的概率也较高，提高了用户办理宽带业务的成功率。
[0104]
在一种实现方式中，s150，向目标用户的用户终端推荐目标宽带业务厅店中目标宽带业务的相关信息，如图5所示，可以包括如下步骤：
[0105]
s151，获取目标宽带业务的价格信息、促销信息和联系人信息。
[0106]
s152，将价格信息、促销信息和联系人信息配置到预设文案模板。
[0107]
s153，基于所述预设文案模板，通过自有数字化渠道将价格信息、促销信息和联系人信息发送到目标用户的用户终端。
[0108]
具体的，在为目标用户的用户终端发送目标宽带业务的相关信息时，首先，可以获取目标宽带业务的价格信息、促销信息和联系人信息；然后，将获取到的价格信息、促销信息、联系人信息整合到已设计好的文案模板中。最后，通过自有数字化渠道，将价格信息、促销信息、联系人信息发送到用户手机上。
[0109]
其中，上述提到的自有数字化渠道可以是运营商的营销短信，也可以是运营商自有的门户网站、应用程序等。这都是合理的，本技术实施例对此不做具体限定。
[0110]
本公开实施例提供的技术方案，获取目标用户的历史业务数据；基于历史业务数据，通过预先训练得到的预测模型得到目标用户的宽带业务偏好信息；基于目标用户的位置信息和宽带业务厅店的位置信息，确定与目标用户距离小于预设距离的宽带业务厅店；将与用户距离小于预设距离的宽带业务厅店中，宽带业务与目标用户的宽带业务偏好信息
相匹配的宽带业务厅店确定为目标宽带业务厅店；向目标用户的用户终端推荐目标宽带业务厅店中目标宽带业务的相关信息。
[0111]
可见，通过本公开实施例的技术方案，在向用户推荐宽带业务时，会结合用户的宽带业务偏好信息，并且所推荐的宽带业务是与用户距离较近的宽带业务厅店的宽带业务，因此，为用户推荐的宽带业务的准确率较高，用户对所推荐的宽带业务感兴趣的概率也较高，提高了用户办理宽带业务的成功率。
[0112]
为了方案描述完整和清楚，将在下面实施例对预测模型的训练过程进行详细阐述。预测模型的训练过程，可以包括如下步骤：
[0113]
步骤a，获取样本用户的历史业务数据和目标宽带业务偏好信息。
[0114]
其中，样本用户为已办理宽带业务的用户。
[0115]
在训练预测模型时，由于已办理宽带业务的用户的宽带业务偏好信息是知道的，因此，可以将已办理宽带业务的用户作为样本用户。
[0116]
其中，按照样本用户最近预设时间段内每用户平均收入arpu均值将样本用户分为0-39元、39-99元及99元以上三档。分别选取正样本用户和负样本用户，可以理解的是，正样本用户和负样本用户越多，训练得到的预测模型的预测准确率越高。
[0117]
样本用户的历史业务数据也可以包括：个人特征信息、家庭特征信息、购房应用程序偏好信息、装修应用程序偏好信息和搬家应用程序偏好信息。
[0118]
具体的，1、个人特征信息可以包括：手机号码、年龄、性别、标准本地网id、标准省份id、客户星级、是否出国人群等。
[0119]
2、家庭特征信息可以包括：家庭分群、职业分群、是否有车一族、二人世界、三口之家、家有老人、家有儿童等；
[0120]
3、购房类应用程序偏好信息，可以包括：购房类应用程序的名称，如购房类类应用程序a、购房类类应用程序b和购房类类应用程序c等，以及购房类应用程序的访问名称、购房类应用程序的访问时长、购房类应用程序的访问次数、购房类应用程序的消耗流量等。
[0121]
4、装修类应用程序偏好信息，可以包括：装修类应用程序的名称，如装修类类应用程序a、装修类类应用程序b和装修类类应用程序c等，以及装修类应用程序的访问名称、装修类应用程序的访问时长、装修类应用程序的访问次数、装修类应用程序的消耗流量等。
[0122]
5、搬家类应用程序偏好信息，可以包括：搬家类应用程序的名称，如搬家类类应用程序a、搬家类类应用程序b和搬家类类应用程序c等，以及搬家类应用程序的访问名称、搬家类应用程序的访问时长、搬家类应用程序的访问次数、搬家类应用程序的消耗流量等。
[0123]
步骤b，从样本用户的历史业务数据中提取样本特征数据。
[0124]
其中，特征数据包括个人特征数据，家庭特征数据、购房类应用程序特征数据、装修类应用程序特征数据和搬家类应用程序特征数据。
[0125]
具体的，在得到样本用户的历史业务数据后，可以从样本用户的历史业务数据中提取样本特征数据，具体的，可以从个人特征信息中提取个人特征数据，可以从家庭特征信息中提取家庭特征数据；可以从购房类应用程序偏好信息中提取购房类应用程序特征数据；可以从装修类应用程序偏好信息中提取装修类应用程序特征数据；可以从搬家类应用程序偏好信息中提取搬家类应用程序特征数据。
[0126]
步骤c，将所提取的样本特征数据进行融合，得到融合后的样本特征数据。
[0127]
通过步骤步骤b得到上述五类目标特征数据后，可以将这五类目标特征数据进行融合，得到融合后的样本特征数据，
[0128]
步骤d，将融合后的样本特征数据输入到待训练的预测模型中，得到样本用户对应的预测宽带业务偏好信息。
[0129]
具体的，在训练预测模型时，以已知的目标宽带业务偏好信息为标签，将融合后的样本特征数据输入到待训练的预测模型中，得到样本用户对应的预测宽带业务偏好信息。其中，预测模型可以是随机森林、xgboost等，本技术实施例对此不做具体限定。
[0130]
步骤e，基于样本用户对应的预测宽带业务偏好信息和目标宽带业务偏好信息，确定预测模型对应的召回率和准确率。
[0131]
具体的，在训练预测模型的过程中，不断调整参数。以预测模型为随机森林模型为例，调参范围如下：树最大深度在[9,15)范围内；叶子节点最小样本数在[25,70)，每隔5取值；树棵树在[40,80)，每隔5取值。参数遍历这些取值训练模型，并确定预测模型对应的召回率和准确率。
[0132]
其中，召回率＝预测宽带业务办理人数/实际办理宽带业务人数；
[0133]
准确率＝预测实际宽带业务办理人数/预测宽带业务办理人数。
[0134]
步骤f，基于召回率和准确率，确定预测模型的评价指标。
[0135]
具体的，在确定了召回率和准确率之后，可以确定预测模型的评价指标f1值。其中，f1值＝2*召回率*准确率/(召回率 准确率)。
[0136]
步骤g，在评价指标满足预设条件时，确定得到训练后的预测模型。
[0137]
具体的，预设条件可以为f1值大于预设值，在评价指标满足预设条件时，说明训练后的预测模型的预测宽带业务偏好信息的准确度较高，因此，确定得到训练后的预测模型。
[0138]
可见，通过将已办理宽带业务的用户作为样本用户，样本用户的目标宽带业务偏好信息是可以准确获取到的，因此，通过样本用户的历史业务数据和目标宽带业务偏好信息对预测模型进行训练，所得的预测模型可以准确地预测目标用户的宽带业务偏好信息。
[0139]
可以理解的是，在得到训练后的预测模型后，可以通过测试用户对训练后的预测模型进行测试。
[0140]
在上述实施例的基础上，在一种实施方式中，该信息推荐方法还可以包括如下步骤：
[0141]
获取目标用户在目标宽带业务厅店的宽带业务交易信息。
[0142]
具体的，通过宽带业务交易系统，获取目标用户在目标宽带业务厅店的宽带业务交易信息，宽带业务交易信息包括但不限于办理宽带业务的产品类别、价格、交易完成时间等。
[0143]
可见，通过本技术实施例提供的技术方案，可以及时获取办理宽带业务的用户的宽带业务交易信息，并作为历史数据调节模型参数及营销策略，最大限度提升营销效果。
[0144]
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作并不一定是本技术所必须的。
[0145]
第二方面，本技术实施例提供了一种信息推荐装置，如图6所示，所述装置包括：
[0146]
业务数据获取模块610，用于获取目标用户的历史业务数据；
[0147]
宽带业务偏好信息预测模块620，用于基于所述历史业务数据，通过预先训练得到的预测模型得到所述目标用户的宽带业务偏好信息；
[0148]
第一宽带业务厅店确定模块630，用于基于所述目标用户的位置信息和宽带业务厅店的位置信息，确定与所述目标用户距离小于预设距离的宽带业务厅店；
[0149]
第二宽带业务厅店确定模块640，用于将与所述用户距离小于预设距离的宽带业务厅店中，宽带业务与所述目标用户的宽带业务偏好信息相匹配的宽带业务厅店确定为目标宽带业务厅店；
[0150]
信息推荐模块650，用于向所述目标用户的用户终端推荐所述目标宽带业务厅店中目标宽带业务的相关信息，所述目标宽带业务为与所述目标用户的宽带业务偏好信息相匹配的宽带业务。
[0151]
可见，通过本公开实施例的技术方案，在向用户推荐宽带业务时，会结合用户的宽带业务偏好信息，并且所推荐的宽带业务是与用户距离较近的宽带业务厅店的宽带业务，因此，为用户推荐的宽带业务的准确率较高，用户对所推荐的宽带业务感兴趣的概率也较高，提高了用户办理宽带业务的成功率。
[0152]
可选的，所述历史业务数据包括：个人特征信息、家庭特征信息、购房类应用程序偏好信息、装修类应用程序偏好信息和搬家类应用程序偏好信息；
[0153]
所述宽带业务偏好信息预测模块，具体用于：
[0154]
从所述目标用户的历史业务数据中提取目标特征数据，所述目标特征数据包括个人特征数据，家庭特征数据、购房类应用程序特征数据、装修类应用程序特征数据和搬家类应用程序特征数据；
[0155]
将所提取的目标特征数据进行融合，得到融合后的目标特征数据；
[0156]
将所述融合后的目标特征数据输入预先训练得到的预测模型中，得到所述目标用户的宽带业务偏好信息。
[0157]
可选的，所述方法还包括：预测模型训练模块；
[0158]
所述预测模型训练模块，具体用于：
[0159]
获取样本用户的历史业务数据和目标宽带业务偏好信息，所述样本用户为已办理宽带业务的用户；
[0160]
从所述样本用户的历史业务数据中提取样本特征数据，所述特征数据包括个人特征数据，家庭特征数据、购房类应用程序特征数据、装修类应用程序特征数据和搬家类应用程序特征数据；
[0161]
将所提取的样本特征数据进行融合，得到融合后的样本特征数据；
[0162]
将所述融合后的样本特征数据输入到待训练的预测模型中，得到所述样本用户对应的预测宽带业务偏好信息；
[0163]
基于所述样本用户对应的预测宽带业务偏好信息和目标宽带业务偏好信息，确定所述预测模型对应的召回率和准确率；
[0164]
基于所述召回率和准确率，确定所述预测模型的评价指标；
[0165]
在所述评价指标满足预设条件时，确定得到训练后的预测模型。
[0166]
可选的，所述信息推荐模块，具体用于：
[0167]
获取目标宽带业务的价格信息、促销信息和联系人信息；
[0168]
将所述价格信息、促销信息和联系人信息配置到预设文案模板；
[0169]
基于所述预设文案模板，通过自有数字化渠道将所述价格信息、促销信息和联系人信息发送到所述目标用户的用户终端。
[0170]
可选的，所述装置还包括：
[0171]
交易信息获取模块，用于获取所述目标用户在所述目标宽带业务厅店的宽带业务交易信息。
[0172]
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0173]
第三方面，本技术实施例提供了一种电子设备，如图7所示，包括存储器710、处理器720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程序时实现第一方面所述的信息处理方法的步骤。
[0174]
可见，通过本公开实施例的技术方案，在向用户推荐宽带业务时，会结合用户的宽带业务偏好信息，并且所推荐的宽带业务是与用户距离较近的宽带业务厅店的宽带业务，因此，为用户推荐的宽带业务的准确率较高，用户对所推荐的宽带业务感兴趣的概率也较高，提高了用户办理宽带业务的成功率。
[0175]
第四方面，本技术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第一方面所述的信息处理方法的步骤。
[0176]
可见，通过本公开实施例的技术方案，在向用户推荐宽带业务时，会结合用户的宽带业务偏好信息，并且所推荐的宽带业务是与用户距离较近的宽带业务厅店的宽带业务，因此，为用户推荐的宽带业务的准确率较高，用户对所推荐的宽带业务感兴趣的概率也较高，提高了用户办理宽带业务的成功率。
[0177]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0178]
本领域内的技术人员应明白，本技术的实施例可提供为方法、装置、或计算机程序产品。因此，本技术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，本技术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。
[0179]
本技术是参照根据本技术的方法、终端设备(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终端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终端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。
[0180]
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终端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。
[0181]
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终端设备上，使得在计算机或其他可编程终端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终端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。
[0182]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0183]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端设备不仅包括那些要素，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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0184]
以上对本技术所提供的一种信息推荐方法、装置、电子设备及存储介质，进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。