[發明專利]針對行程預定類用戶的分類及信息推送的方法和裝置

有效

• 申請號: 201811110182.2
• 申請日: 2018-09-21
• 公開（公告）號: CN109166012B
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 湯友花;王安琪;周國靜;郭毓
• 申請（專利權）人: 蘇州創旅天下信息技術有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F16/9535;G06Q50/14
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種針對行程預定類用戶的分類及信息推送的方法，其特征在于，包括：

確定時間窗口參數H，從所述時間窗口參數H內的用戶的歷史行程數據信息中提取一類特征信息形成精準推薦數據集，所述行程數據信息包括退票概率信息，所述精準推薦數據集包括訓練集和測試集，且所述訓練集和測試集均通過隨機分配精準推薦數據集中的樣本所得；若用戶的一類特征信息中包含二類特征信息，則標記為正例；若用戶的一類特征信息中不包含二類特征信息，則標記為負例；其中，提取的一類特征信息包括用戶屬性信息、車票信息以及是否含有二類特征信息；二類特征信息即為歷史的退改無憂服務信息，向用戶推送的信息為新的退改無憂服務信息；

通過分類決策算法以及訓練集，訓練得到精準推薦模型；根據所述精準推薦數據集以及精準推薦模型，計算獲得所述精準推薦數據集中每一樣本的推薦值，所述推薦值大于N且小于N+1；其中，所述推薦值越接近N+1，則表示對應的用戶對推送信息的利用率越高；

將所述測試集的樣本按照推薦值的大小降序排列，通過從第一個樣本開始不斷累加推薦值獲得推薦總值；當所述推薦總值達到測試集所有樣本的推薦值總和的設定占比值時，將最后累加的樣本所對應的推薦值作為允許為用戶推送信息的推送閾值；

將所述精準推薦數據集中推薦值大于推送閾值的樣本所對應的用戶作為允許推送信息的用戶并向允許推送信息的用戶推送對應的信息；

篩選所述測試集中推薦值大于推送閾值的樣本作為退票概率預測數據集；

通過分類決策算法以及退票概率預測數據集，訓練得到退票傾向預測模型；

根據所述退票概率預測數據集以及退票傾向預測模型，計算獲得所述退票概率預測數據集中每一樣本的退票傾向值；

根據所述退票傾向值獲得若干個退票傾向范圍值，根據所述退票傾向范圍值篩選出允許推送特定信息的用戶并將向允許推送特定信息的用戶推送的信息替換為特定信息。

2.一種針對行程預定類用戶的分類及信息推送的裝置，其特征在于，包括：

數據庫（301），用于通過用戶的歷史行程數據信息獲得精準推薦數據集，所述精準推薦數據集包括訓練集和測試集；

精準推薦模塊（302），用于通過分類決策算法以及訓練集，訓練得到精準推薦模型；

閾值計算模塊（303），用于根據所述測試集以及精準推薦模型，計算獲得允許為用戶推送信息的推送閾值；

用戶篩選模塊（304），用于根據所述推送閾值，篩選出允許推送信息的用戶并向允許推送信息的用戶推送對應的信息；

其中，所述數據庫（301）用于從確定的時間窗口大小內的用戶的歷史行程數據信息中提取一類特征信息形成所述精準推薦數據集，提取的一類特征信息包括用戶屬性信息、車票信息以及是否含有二類特征信息，二類特征信息即為歷史的退改無憂服務信息；

所述精準推薦模塊（302）還用于根據精準推薦數據集中的樣本以及精準推薦模型，計算獲得精準推薦數據集中每一樣本的推薦值；閾值計算模塊（303）在根據測試集以及精準推薦模型計算推送閾值時，首先會將測試集的樣本按照推薦值的大小降序排列，通過從第一個樣本開始不斷累加推薦值獲得推薦總值；當推薦總值達到測試集所有樣本的推薦值總和的95%時，閾值計算模塊（303）將最后累加的樣本所對應的推薦值作為允許為用戶在購買車票時推送退改無憂服務信息的推送閾值；

所述裝置還包括：

退票概率預測模塊（305），用于篩選所述測試集中與允許推送信息的用戶所對應的樣本作為退票概率預測數據集；

預測模型訓練模塊（306），用于通過分類決策算法以及退票概率預測數據集，訓練得到退票傾向預測模型；

傾向值計算模塊（307），用于根據所述退票概率預測數據集以及退票傾向預測模型，計算獲得所述退票概率預測數據集中每一樣本的退票傾向值；

推送信息調整模塊（308），用于根據所述退票傾向值，篩選出允許推送特定信息的用戶并將向允許推送特定信息的用戶推送的信息替換為特定信息。