[发明专利]一种电信套餐个性化匹配方法、系统、计算机设备及终端

说明书

本发明属于信息及数据处理技术领域，公开了一种电信套餐个性化匹配方法、系统、计算机设备及终端，对电信用户套餐资费情况的分析和匹配算法的研究，进而实现对用户选用的套餐的预测；通过特征工程进行特征排序与筛选，使用KNN、决策树、随机森林、朴素贝叶斯四种算法构建模型，对用户选用套餐进行预测，并且对比四种算法之间的差异性。使用网格调优算法对参数进行调优，并使用十折交叉验证对模型进行验证，通过对决策树模型和随机森林模型的改进优化，进一步提高模型的预测准确率。分析和比较各个模型发现，改进后的随机森林模型准确率达到90％，且花费时间短。使用多组随机数据对优化后的模型进行测试和评估，发现准确率和分数波动不大，这说明模型具有良好的泛化能力。

技术领域

本发明属于信息及数据处理技术领域，尤其涉及一种电信套餐个性化匹配方法、系统、计算机设备及终端。

背景技术

电信产业是我国基础产业之一，近年来，为了增强核心竞争力，提高市场占有率，各大运营商针对不同用户的需求，纷纷推出了多种多样的电信套餐。面对各式各样的套餐，要如何做出选择，就成为用户和运营商备受关注的问题。这个问题带来了三个困境：新用户在进入网络时找不到适合他们消费需求的套餐，面对复杂的套餐他们也不知所措；老用户发现套餐不能满足他们的消费需求，他们付出了不必要的费用；用户满意度不高，加快了离开该运营商的速度，给公司带来了巨大的损失。

电信套餐的研究就是在上述背景下产生的。目前，对电信套餐的研究主要集中在客户聚类，封装优化设计，封装定价模型演示和封装定价开发与评估等方面。国内外对电信套餐的研究也是不完整的，目前的方案也是比较少的。目前，推荐套餐的类型主要是短信消息的提醒和广告的发放。营业厅的手册推荐中有很多主观色彩和不完整性。

国内外许多电信运营商都使用信息技术来推荐和推广电信套餐。然而，这些套餐推荐并不存在所谓的“智能”，所以电信套餐推荐中存在许多问题。例如，消费者偏好的不准确表示，无效的消费者偏好和基本限制。

目前，主要有两种推荐算法：

(1)基于用户属性的推荐算法

该算法主要向相关用户推荐类似用户的首选产品或服务。它主要从用户消费数据中提取特征集，建立特征向量，并计算用户之间的相似性。可以通过购买后评估和角度余弦来计算相似度，或者可以通过计算两个用户之间的方差来计算用户兴趣相似度。

(2)模型的协同过滤推荐算法

该算法的实质就是从用户的历史数据中提取特征值和建模分析，以便为用户推荐最合适的产品。主要核心算法是最近邻算法和隐藏因子算法。协同过滤算法主要基于用户购买的产品或具有相同兴趣的用户购买的产品。在计算推荐模型后，建议用户使用所提出的产品。即为具有相同兴趣的用户添加相同的标签。基于最近邻的协同过滤主要是基于用户购买的产品构建特征集。根据相似度模型，筛选出用户购买的类似产品并推荐给用户。

通过分析目前的技术方案，现有技术存在的问题及缺陷为：一种机器学习算法具有十余个甚至数十个参数。每一个参数都有一定的区间，如果依靠手动一个个地去调整参数，无疑费时费力。对机器学习算法进行合适的调参非常重要，也有较大的难度。此外，由于每次划分数据集时都属于随机划分，这样每次得到的最佳参数并不固定，需要重新确定参数，且不能一次确定多个参数。因此，对算法进行调参优化十分重要，也是难点。

另外，现有技术存在的问题及缺陷还有：在套餐推荐中一个重要的任务是寻找相关的重要特征。有些特征对于推荐有关键作用，而另一些特征没那么重要。合理地选择参与学习的特征不仅能提高推荐准确率，还能避免因特征过多而陷入“维数灾难”导致运行时间过长或精度不高。如果选择了具有充分辨别能力的特征，则会明显提高分类器的精度。因此特征筛选是至关重要的。

发明内容

针对现有技术存在的问题，本发明提供了一种电信套餐个性化匹配方法、系统、计算机设备及终端。