一种通联时间推荐方法、装置、设备、存储介质和产品与流程

本说明书实施例涉及人工智能领域，特别地，涉及一种通联时间推荐方法、装置、设备、存储介质和产品。

背景技术：

1、为提升用户的体验，现在越来越多的企业愿意主动向用户进行产品的推荐，在进行产品推荐过程中存在通过短信、电话外呼推荐，也存在通过即时通讯工具进行推荐等多种推荐方式，但是不论上述哪一种推荐方式，均无法确定具体在周几与用户联系用户能够响应。

2、传统方法是通过在一周内随机选择通联时间与用户通联以达到用户能够响应的效果，但这种不合适的通联时间会造成用户反感，无法提升用户体验。

3、因此现在亟需一种通联时间推荐方法，能够推荐一通联时间，在通联时间与用户通联能够得到有效的用户响应，提升用户体验。

技术实现思路

1、本说明书实施例的目的在于提供一种通联时间推荐方法、装置、设备、存储介质和产品，以在通联时间与用户通联能够得到有效的用户响应，提升用户体验。

2、为达到上述目的，一方面，本说明书实施例提供了一种通联时间推荐方法，包括：

3、在当前用户为存量用户时：

4、根据存量用户的基本信息、在一周内每日的通联信息以及在一周内每日的行为信息，构建存量用户的数据宽表；

5、将所述存量用户的数据宽表输入训练好的通联概率预测模型，预测存量用户在一周内每日的通联概率；

6、根据所述一周内每日的通联概率对一周七日进行降序排序，得到一周七日的预测排名；

7、对所述一周七日的预测排名进行去重处理，得到一周七日的最终排名；

8、将所述最终排名最高者对应的一日作为推荐通联时间；

9、在当前用户为新用户时：

10、根据新用户的基本信息以及在一周内每日的行为信息，得到新用户的目标特征的值；

11、将所述新用户的目标特征的值输入训练好的新用户预测模型，预测新用户的通联时间作为新用户的推荐通联时间。

12、优选的，所述存量用户的基本信息包括：年龄、性别、月日均资产和资产余额；所述存量用户在一周内每日的通联信息包括：在一周内每日的通联次数、有效通联次数和有效通联总时长；所述存量用户在一周内每日的行为信息包括：在一周内每日的还款交易次数、产品赎回交易次数、产品赎回交易金额和权益领取次数。

13、优选的，所述对所述一周七日的预测排名进行去重处理，得到一周七日的最终排名进一步包括：

14、当所述一周七日的预测排名中不存在重复的排名时，将所述一周七日的预测排名作为最终排名；

15、当所述一周七日的预测排名中存在重复的排名时，利用当前用户在一周内每日的行为信息和/或全量存量用户在一周内每日的行为信息，对所述一周七日的预测排名进行调整，得到一周内七日的最终排名。

16、优选的，所述利用当前用户在一周内每日的行为信息和/或全量存量用户在一周内每日的行为信息，对所述一周七日的预测排名进行调整，得到一周内七日的最终排名进一步包括：

17、获取当前用户在一周内每日的有效通联次数；

18、将所述当前用户在一周内每日的有效通联次数进行降序排序，得到第一排序结果；

19、根据所述第一排序结果对所述一周七日的预测排名中存在重复的预测排名进行调整，得到一周七日调整后的排名；

20、当所述一周七日调整后的排名中不存在重复的排名时，将所述一周七日调整后的排名作为最终排名；

21、当所述一周七日调整后的排名中存在重复的排名时，获取全量用户在一周内每日的有效通联次数；

22、将所述全量用户在一周内每日的有效通联次数进行降序排序，得到第二排序结果；

23、根据所述第二排序结果对所述一周七日调整后的排名中存在重复的预测排名进行调整，得到一周七日的最终排名。

24、优选的，所述新用户的基本信息包括：年龄、性别、月日均资产、资产余额和开户时长；所述新用户在一周内每日的行为信息包括：在一周内每日的服务行为子信息、交易行为子信息和活动行为子信息。

25、优选的，所述目标特征的确定方法包括：

26、根据任一新用户的基本信息和行为信息，得到任一新用户的全量特征；

27、根据各特征的iv值，由全量特征中筛选设定数目个选中特征；

28、根据任意两个选中特征之间的相关系数和iv值之差，保留部分选中特征作为目标特征。

29、优选的，所述根据任意两个选中特征之间的相关系数和iv值之差，保留部分选中特征作为目标特征进一步包括：

30、若任意两个选中特征之间的相关系数大于等于0.7，则判断所述两个选中特征之间的iv值之差与是否小于等于设定差值；

31、若是，则判断两个选中特征是否包括一个源于行为信息的特征，另一个源于基本信息的特征；

32、若是，则保留所述两个选中特征中源于行为信息的特征；

33、若否，则保留所述两个选中特征中iv值大的选中特征；

34、若否，则保留所述两个选中特征中iv值大的选中特征；

35、若任意两个选中特征之间的相关系数小于0.7，则均保留两个选中特征。

36、优选的，所述新用户预测模型的训练过程包括：

37、将一周内每日的通联概率中存在大于等于设定概率的存量用户，作为目标存量用户；

38、将目标存量用户和全量新用户混合作为训练样本；

39、将所述训练样本输入新用户预测模型进行模型训练。

40、另一方面，本说明书实施例提供了一种通联时间推荐装置，所述装置包括：

41、存量用户推荐模块，用于在当前用户为存量用户时：根据存量用户的基本信息、在一周内每日的通联信息以及在一周内每日的行为信息，构建存量用户的数据宽表；将所述存量用户的数据宽表输入训练好的通联概率预测模型，预测存量用户在一周内每日的通联概率；根据所述一周内每日的通联概率对一周七日进行降序排序，得到一周七日的预测排名；对所述一周七日的预测排名进行去重处理，得到一周七日的最终排名；将所述最终排名最高者对应的一日作为推荐通联时间；

42、新用户推荐模块，用于在当前用户为新用户时：根据新用户的基本信息以及在一周内每日的行为信息，得到新用户的目标特征的值；将所述新用户的目标特征的值输入训练好的新用户预测模型，预测新用户的通联时间作为新用户的推荐通联时间。

43、又一方面，本说明书实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述任意一项所述方法的指令。

44、又一方面，本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述任意一项所述方法的指令。

45、又一方面，本说明书实施例还提供了一种计算机程序产品，所述计算机程序产品被计算机设备的处理器运行时，执行根据上述任意一项所述方法的指令。

46、由以上本说明书实施例提供的技术方案可见，通过本说明书实施例的方法，对于存量用户来说，可以通过存量用户的基本信息、在一周内每日的通联信息以及在一周内每日的行为信息，得到存量用户的数据宽表，通过数据宽表输入训练好的通联概率预测模型，预测存量用户在一周内每日的通联概率，并对通联数据进行降序排序，为防止重复，进行去重处理得到一周七日最终排名，其中最终排名最高者对应的一日作为推荐通联时间。对于新用户来说，直接根据新用户的基本信息以及在一周内每日的行为信息，得到新用户的目标特征，目标特征输入训练好的新用户预测模型，预测新用户的通联时间作为新用户的推荐通联时间。对于存量用户和新用户分别进行预测，能够针对性的对不同用户执行不同预测方法，与用户进行有效通联，提升用户体验。

47、为让本说明书的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。