预约网点动态推荐的方法、装置、电子设备和介质与流程

1.本发明涉及大数据技术领域和人工智能技术领域，更具体地涉及一种预约网点动态推荐的方法、装置、电子设备和介质。


背景技术：

2.纪念币的预约和兑换由各大行负责，分线下预约、线上预约两种模式，在热门纪念币发行时，线上预约额度往往在几分钟甚至几十秒钟内就被客户通过手机银行、网上银行预约殆尽；同时，不同的纪念币的发行机构和销售渠道会设立不同的预约网点，而这些网点的数量、地理位置、服务质量等方面也会存在差异。由于预约时需要选择兑换网点，而每个网点的额度、预约人数及火爆程度各不相同，预约期间常会发生因选择网点额度不足导致预约失败的问题。具体地，各大行预约系统均需要客户在预约期间自主选择兑换网点，客户需从省、市、区、县、网点层层筛选，选择与自己距离适中，且仍有兑换额度的网点作为兑换网点。该流程耗费时间较长，对于热门纪念币的热门网点在几十秒内便会耗尽额度的情况，客户往往会因寻找兑换网点耗费大量的时间，最终导致提交预约请求时额度耗尽、预约失败。
3.针对上述问题，在现有技术中提出，可以根据目标用户在历史搜索范围内的各个银行网点预约纪念币成功的概率向目标用户进行推荐。但是，该方法只能涉及根据客户的历史预约记录向客户进行推荐，若该客户有不同于历史选择的新需求时无法满足需求，从而导致客户体验差。因此，如何快速、有效的选择最佳网点进行预约以保证预约的成功率，同时满足绝大部分客户的预约需求成为了需要解决的问题。


技术实现要素：

4.鉴于上述问题，根据本发明的第一方面，提供了一种预约网点动态推荐的方法，其特征在于，所述方法包括：获取客户进入预约系统的时刻信息；基于所述时刻信息判断当客户进入预约系统时预约入口的开放情况；在预约入口未开放的情况下，基于预先构建的事前推荐模型输出第一推荐网点；在预约入口已开放的情况下，基于预先构建的事中动态调整模型输出第二推荐网点。
5.根据一些示例性实施例，所述基于预先构建的事前推荐模型输出第一推荐网点，具体包括：获取各网点的第一预约数据；基于预先训练的成功率分析模型对所述第一预约数据进行分析，输出各网点的第一预约成功率；获取用户的定位信息，以获得各网点距所述用户的实际距离数据；基于所述实际距离数据，获得各网点的评分因子；以及基于所述第一预约成功率和所述评分因子，获得各网点的综合评分，并根据所述综合评分输出所述第一推荐网点。
6.根据一些示例性实施例，所述第一预约数据包括：预约额度、参与预约人数、t秒后已预约百分比和黑产用户识别信息，t为预设值。
7.根据一些示例性实施例，所述预先训练成功率分析模型，具体包括：基于所述第一
预约数据，获取训练数据集和测试数据集，从所述训练数据集有放回地抽取m个子训练数据集，其中，m为正整数；基于所述第一预约数据，获取特征集，从特征集中有放回地抽取n个子特征集，其中，n为正整数；基于所述子训练数据集和子特征集分别训练l棵决策树，以构建随机森林模型，其中，l为预先设定的；基于所述测试数据集进行评估，以获取所述成功率分析模型。
8.根据一些示例性实施例，所述基于预先训练的成功率分析模型对所述第一预约数据进行分析，输出各网点的第一预约成功率，具体包括：基于所述第一预约数据选择特征，提取特征值，输入多棵决策树中，得到对应的决策权重；基于每个特征值的所述决策权重计算总决策权重，基于所述总决策权重得到所述各网点的所述第一预约成功率。
9.根据一些示例性实施例，所述基于所述实际距离数据，获得各网点的评分因子，具体包括：通过评分因子函数计算所述评分因子，所述评分因子函数为评分参数a和所述实际距离数据的比，其中，评分参数a是预设值。
10.根据一些示例性实施例，所述根据所述综合评分输出第一推荐网点，具体包括：将所述综合评分排在前k位的网点储存至网点推荐表，并将所述综合评分排在第一位的网点设置为第一推荐网点，其中，k为预设值。
11.根据一些示例性实施例，所述基于预先构建的事中动态调整模型输出第二推荐网点，具体包括：获取所述网点推荐表中各网点的第二预约数据；基于所述第二预约数据生成事中动态调整函数；基于事中动态调整函数，按所述网点推荐表中各网点的顺序计算各网点的第二预约成功率，其中，所述第二预约成功率为0或1；以及基于所述第二预约成功率，输出第二推荐网点。
12.根据一些示例性实施例，所述基于所述事中动态调整模型输出的第二推荐网点向客户进行推荐，还包括：若所述第二预约成功率为1，则输出对应的网点作为第二推荐网点；若所述第二预约成功率为0，计算所述网点推荐表中下一个网点的所述第二预约成功率；若各网点的所述第二预约成功率均为0，则输出第二推荐网点为空，并建议客户手动选择。
13.根据一些示例性实施例，所述第二预约数据包括：预约系统开放时间、剩余额度和当前页面待提交预约请求人数。
14.根据本发明的第二方面，提出了一种预约网点动态推荐的装置，所述装置包括：时刻信息获取模块，用于：获取客户进入预约系统的时刻信息；预约入口开放判断模块，用于：基于所述时刻信息判断当客户进入预约系统时预约入口的开放情况；第一推荐模块，用于：在预约入口未开放的情况下，基于预先构建的事前推荐模型输出第一推荐网点；以及第二推荐模块，用于：在预约入口已开放的情况下，基于预先构建的事中动态调整模型输出第二推荐网点。
15.根据本发明的第三方面，提供一种电子设备，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，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上所述的方法。
16.根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行如上所述的方法。
17.根据本发明的第五方面，提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。
18.上述一个或多个实施例具有如下优点或有益效果：根据客户进入预约系统的时刻信息，可以向具有不同预约网点选择需求的预约客户智能推荐合适的推荐网点，从而帮助客户更加高效地进行预约网点的选择。因此，可以分别针对进入预约系统时预约系统未开放或进入预约系统时预约系统已开放的客户群体推荐优选网点，使得能够推荐历史成功率或实时成功率高的网点，以进一步提高用户体验，增强客户黏性。
附图说明
19.通过以下参照附图对本发明实施例的描述，本发明的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
20.图1示意性示出了根据本发明实施例的预约网点动态推荐的方法、装置、设备、介质的应用场景图。
21.图2示意性示出了根据本发明实施例的预约网点动态推荐的方法的流程图。
22.图3示意性示出了根据本发明实施例的基于事前推荐模型输出的第一推荐网点向客户进行推荐的方法的流程图。
23.图4示意性示出了根据本发明实施例的预先训练成功率分析模型的方法的流程图。
24.图5示意性示出了根据本发明实施例的基于事中动态调整模型输出的第二推荐网点向客户进行推荐的方法的流程图。
25.图6示意性示出了根据本发明实施例的预约网点动态推荐的装置的结构框图。
26.图7示意性示出了根据本发明实施例的适于实现预约网点动态推荐方法的电子设备的方框图。
具体实施方式
27.以下，将参照附图来描述本发明的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本发明实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
28.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
29.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
30.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
31.在本发明的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相
关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
32.首先，对本文中记载的技术术语作如下解释和说明。
33.机器学习：机器学习是指机器通过统计学算法，对大量历史数据进行学习，进而利用生成的经验模型指导业务。它是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
34.随机森林：随机森林是指利用多棵决策树对样本数据进行训练、分类并预测的一种方法，它在对数据进行分类的同时，还可以给出各个变量的重要性评分，评估各个变量在分类中所起的作用。
35.银行网点：银行网点指银行对外营业的地方，一般分为分行，支行、分理处、储蓄所和二十四小时自助银行等。
36.各大行的线上预约系统，针对每个可兑换网点均有一定的额度分配。目前，各大行预约系统均需要客户在预约期间自主选择兑换网点，客户需从省、市、区、县、网点层层筛选，选择与自己距离适中，且仍有兑换额度的网点作为兑换网点。该流程耗费时间较长，而热门纪念币的热门网点在几十秒内便会耗尽额度，客户往往会因寻找兑换网点耗费大量的时间，最终导致提交预约请求时额度耗尽、预约失败。手动选择网点不仅延长了提交预约请求的时间，降低了预约成功率，客户满意度较差。
37.基于此，本发明的实施例提供一种预约网点动态推荐的方法，所述方法包括：获取客户进入预约系统的时刻信息；基于所述时刻信息，判断当客户进入预约系统时预约入口的开放情况；在预约入口未开放的情况下，基于预先构建的事前推荐模型输出第一推荐网点；在预约入口已开放的情况下，基于预先构建的事中动态调整模型输出第二推荐网点。在根据本发明实施例的方法中，根据客户进入预约系统的时刻信息，可以向具有不同预约需求的预约客户智能推荐合适的推荐网点，从而帮助客户更加高效地进行预约网点的选择。具体地，在客户进入预约系统时预约入口未开放的情况下，向客户推荐第一推荐网点，即历史预约成功率高且距离适中的网点，以保证向该客户群体推荐最优选预约网点；在客户进入预约系统时预约入口已开放的情况下，向客户推荐第二推荐网点，即当前能够预约成功的网点，以帮助该客户群体提高预约成功率，从而避免客户花费大量时间手动选择网点，提高了客户体验，增强客户黏性。
38.需要说明的是，本发明确定的预约网点动态推荐的方法、装置、设备和介质可用于大数据技术领域和人工智能技术领域，也可用于金融领域，还可以用于除大数据技术领域、人工智能技术领域以及金融领域之外的多种领域。本发明的实施例提供的预约网点动态推荐的方法、装置、设备和介质的应用领域不做限定。
39.在本发明的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
40.在本发明的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
41.图1示意性示出了根据本发明实施例的预约网点动态推荐的方法、装置、设备、介质的应用场景图。
42.如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
43.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
44.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
45.服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站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用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
46.需要说明的是，本发明实施例所提供的预约网点动态推荐的方法一般可以由服务器105执行。相应地，本发明实施例所提供的预约网点动态推荐的装置一般可以设置于服务器105中。本发明实施例所提供的预约网点动态推荐的方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本发明实施例所提供的预约网点动态推荐的装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
47.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
48.图2示意性示出了根据本发明实施例的预约网点动态推荐的方法的流程图。
49.如图2所示，该实施例的预约网点动态推荐的方法200可以包括操作s210～操作s240。
50.在操作s210，获取客户进入预约系统的时刻信息。
51.在操作s220，基于所述时刻信息判断当客户进入预约系统时预约入口的开放情况。
52.现有的银行线上纪念币预约系统通常可以包括以下结构：用户界面，提供给用户进行预约的界面，通常是网页或移动应用程序；后台管理系统，用于管理预约信息、网点信息和库存信息等；通知系统，用于向用户发送预约成功、失败或提醒等通知的系统。对应的，其可以包括以下功能：用户可以查询当前可用的纪念币数量和网点位置；系统可以通过短信、电子邮件、手机应用程序推送等方式向用户发送预约成功、失败、提醒等通知。
53.由此，一般的纪念币预约流程可以为：注册或登录账户；查询系统中的纪念币库存和发行网点，选择所需的纪念币种类和网点位置；输入预约的数量和个人信息，确认预约信息并提交预约请求；如果预约成功，系统会向用户发送预约成功的通知，包括预约成功的时间、预约码和领取纪念币的时间和地点等信息。
54.在本发明的实施例中，不同客户在进入预约系统时，由于进入的时刻不同，因此预约系统的预约入口存在已开放和未开放的情况，也就存在进入预约系统时预约入口未开放的事前客户群体和进入预约系统时预约入口已开放的事中客户群体，根据上述进入预约系统的两种客户群体的不同需求，可以提供不同的预约网点推荐模型。并且，所述客户进入预
约系统的时刻信息能够反映客户群体的类型。具体地，当客户进入预约系统时预约入口未开放，该客户属于事前客户群体；当客户进入预约系统时预约入口已开放，该客户属于事中客户群体。
55.在操作s230，在预约入口未开放的情况下，基于预先构建的事前推荐模型输出第一推荐网点。
56.图3示意性示出了根据本发明实施例的基于事前推荐模型输出第一推荐网点的方法的流程图。
57.如图3所示，该实施例的基于事前推荐模型输出第一推荐网点的方法可以包括操作s310～操作s350。
58.在操作s310，获取各网点的第一预约数据。
59.在本发明的实施例中，所述第一预约数据为历史数次发行时各网点的历史预约数据，该数据包含如下几个类别：
60.(1)预约额度：即该网点某次发行中预留的预约额度总量，按套计算；
61.(2)参与预约人数：即该网点某次发行中所有预约的请求人数，包含成功及失败记录；
62.(3)30s后已预约百分比：预约入口开放30秒时，该网点已预约额度所占百分比；60s后已预约百分比：预约入口开放60秒时，该网点已预约额度所占百分比；t秒后已预约百分比：预约入口开放t秒时，该网点已预约额度所占百分比；
63.(4)黑产用户信息：黑产用户信息表示该网点预约成功订单中的黑产用户情况，所述黑产用户标示为身份证号与姓名不符的预约成功用户。如果存在黑产用户，则统计黑产用户的数量作为该网点的黑产用户信息。
64.上述多种不同类别的第一预约数据可以提供多方面的信息和参考，能够提高预测成功率的准确程度。
65.在操作s320，基于预先训练的成功率分析模型对所述第一预约数据进行分析，输出各网点的第一预约成功率。
66.在本发明的实施例中，通过训练随机森林模型获取成功率分析模型，并用于输出第一预约数据的第一预约成功率。
67.图4示意性示出了根据本发明实施例的预先训练成功率分析模型的方法的流程图。
68.如图4所示，该实施例的预先训练成功率分析模型的方法可以包括操作s410～操作s440。
69.在操作s410，基于所述第一预约数据，获取训练数据集和测试数据集，从所述训练数据集有放回地抽取m个子训练数据集，其中，m为正整数。
70.需要说明的是，获取训练数据集和测试数据集之前，需要对第一预约数据进行预处理，包括数据清洗、缺失值处理等，以用于后续的操作。
71.在操作s420，基于所述第一预约数据，获取特征集，从特征集中有放回地抽取n个子特征集，其中，n为正整数。
72.在操作s430，基于所述子训练数据集和子特征集分别训练l棵决策树，以构建随机森林模型，其中，l为预先设定的。
73.在操作s440，基于所述测试数据集进行评估，以获取所述成功率分析模型。
74.在本发明的实施例中，随机森林模型的训练过程包含以下步骤：随机采样，从训练数据集中随机选择一部分样本进行有放回的采样，形成m个子训练数据集；在每个子训练数据集中，基于第一预约数据获得的特征集随机进行有放回的采样，得到n个子特征集；对于每个子训练数据集，构建一个决策树模型，在决策树的构建过程中，基于子特征集特征进行划分，以降低模型复杂度和过拟合的风险；重复上述步骤，构建l棵决策树模型，将这些决策树模型组合成一个随机森林模型，并根据多数表决原则进行预测。
75.需要说明的是，随机森林的核心之一是随机采样，因此在构建随机森林之前，需要从训练数据集中进行有放回的随机抽样，得到多个不同的子训练数据集；而特征集是基于第一预约数据获得的，在构建随机森林模型之前，需要先进行特征选择、特征预处理和特征工程等操作，最终得到用于训练模型的特征集。
76.需要说明的是，在随机森林模型中，多数表决原则是一种集成学习的技术，用于对随机森林中的多个决策树的预测结果进行综合和决策，从而能够有效降低随机森林模型的方差，提高模型的稳定性和泛化能力。在随机森林模型中，每棵决策树都会对样本进行预测，并输出其预测结果。多数表决原则会将所有决策树的预测结果进行统计，选择出现次数最毒欧的预测结果最为最终的预测结果。
77.通过使用随机森林模型，可以处理高纬度数据，而且由于其随机选择子集进行训练，不需要特征选择或数据降维；随机森林不容易过拟合，因为其使用了决策树的平均值，而且每棵树只使用一部分的训练数据和特征；进一步地，随机森林能够检测特征之间的交互作用，从而提高各网点第一预约成功率的准确性。
78.在本发明的实施例中，所述基于预先训练的成功率分析模型对所述第一预约数据进行分析，输出各网点的第一预约成功率，具体包括：基于所述第一预约数据选择特征，提取特征值，输入多棵决策树中，得到对应的决策权重；基于每个特征值的所述决策权重计算总决策权重，基于所述总决策权重得到所述各网点的所述第一预约成功率。
79.在操作s330，获取用户的定位信息，以获得各网点距所述用户的实际距离数据。
80.在本发明的实施例中，可以根据事前客户群体的客户在登录预约系统时系统获取到的gps定位信息获得各网点距所述用户的实际距离数据。
81.需要说明的是，上述对于获取用户的实际距离数据方法的选择仅为示例性地，不意图限制本发明实施例中获取定位信息的方法，即，本发明实施例中的获取定位信息的方法还可以选择其他的方式。例如，利用地址库，根据用户提供的地址信息确定其位置，以获取实际距离数据。
82.在操作s340，基于所述实际距离数据，获得各网点的评分因子。
83.在本发明的实施例中，通过评分因子函数计算所述评分因子，所述评分因子函数为评分参数a和所述实际距离数据的比，其中，评分参数a是预先设定的。评分因子表示了实际距离数据对网点评分的影响。其中，评分因子与该实际距离数据呈反比，表明实际距离数据越大，即距客户距离越远的网点，评分因子越低。通过计算该评分因子，能够控制评分和距离之间的平衡，使得评分结果更具参考价值。
84.在操作s350，基于所述第一预约成功率和所述评分因子，获得各网点的综合评分，并根据所述综合评分输出所述第一推荐网点。
85.根据本发明的实施例，可以包括计算第一预约成功率和评分因子的乘积，将所述综合评分排在前k位的网点储存至网点推荐表，并将所述综合评分排在第一位的网点设置为第一推荐网点，其中，k为预设值。例如，可以储存综合评分在前5位或前10位的网点至网点推荐表，默认推荐评分最高网点，并在客户进入预约系统后自动选择该网点为默认网点。
86.根据本发明的实施例，结合某网点的第一预约成功率和实际距离数据能够向客户推荐多个可选网点，能够更实用地帮助客户进行网点选择，从而节省客户的选择时间。
87.在操作s240，在预约入口已开放的情况下，基于预先构建的事中动态调整模型输出第二推荐网点。
88.在本发明的实施例中，事中动态调整模型用于在客户进入预约系统时预约入口已开放的事中客户群体。由于各网点预约实时情况不同，事前推荐模型不再适用，则使用事中动态调整模型重新进行评估。
89.图5示意性示出了根据本发明实施例的基于事中动态调整模型输出第二推荐网点的方法的流程图。
90.如图5所示，该实施例的基于事中动态调整模型输出第二推荐网点的方法可以包括操作s510～操作s540。
91.在操作s510，获取所述网点推荐表中各网点的第二预约数据。
92.在本发明的实施例中，事中动态调整模型需实时收集各网点事中客户群体在预约中的各项实时数据，即所述第二预约数据，包括：预约系统已开放时间，网点剩余额度以及当前页面待提交预约请求人数。以下表1为某网点的第二预约数据的示例：
93.表1某网点的第二预约数据
94.预约系统已开放时间剩余额度当前页面待提交预约请求人数1100％1000297％970395％950493％930590％900
………
95.在操作s520，基于所述第二预约数据生成事中动态调整函数。
96.在本发明的实施例中，基于所述第二预约数据生成事中动态调整函数可以通过线性拟合或非线性拟合的方式实现。具体地，可以通过以下过程实现：根据预约系统已开放时间、网点剩余额度以及当前页面待提交预约请求人数选择适当的拟合函数进行拟合，如果数据呈现线性关系，可以选择线性拟合函数，例如，y＝ax+b；如果数据呈现非线性关系，可以选择非线性拟合函数，例如指数函数、对数函数或多项式函数等；将数据带入拟合函数中，使用最小二乘法或其他数学方法计算出拟合函数的参数，得到最终的拟合函数，如果使用非线性拟合函数，可以使用数值计算方法进行求解。
97.需要说明的是，上述对于生成事中动态调整函数方法的选择仅为示例性地，不意图限制本发明实施例中生成事中动态调整函数的方法，即，本发明实施例中的生成事中动态调整函数的方法还可以选择其他的方式。
98.在操作s530，基于事中动态调整函数，按所述网点推荐表中各网点的顺序计算各
网点的第二预约成功率，其中，所述第二预约成功率为0或1。
99.在操作s540，基于所述第二预约成功率，输出第二推荐网点。
100.在本发明的实施例中，第二预约成功率为0或1表明仅有成功/失败两种输出，即表示网点推荐表中的某推荐网点在当前时刻预约时是否能够预约成功。
101.在本发明的实施例中，若所述第二预约成功率为1，则输出对应的网点作为第二推荐网点；若所述第二预约成功率为0，计算所述网点推荐表中下一个网点的所述第二预约成功率；若各网点的所述第二预约成功率均为0，则输出第二推荐网点为空，并建议客户手动选择。具体地，上述过程包括：计算在网点推荐表中排名第一位的网点的第二预约成功率，当所述第二预约成功率为1，则输出排名第一位的网点作为第二推荐网点，当所述第二预约成功率为0，则计算排名第二位的网点的所述第二预约成功率；计算排名第二位的网点的第二预约成功率，当所述第二预约成功率为1，则输出排名第二位的网点作为第二推荐网点，当所述第二预约成功率为0，则计算排名第三位的网点的所述第二预约成功率
……
计算在网点推荐表中排名第k位的网点的第二预约成功率，当所述第二预约成功率为1，则输出排名第k位的网点作为第二推荐网点，当所述第二预约成功率为0，即所述网店推荐表中的所有网点的所述第二预约成功率均为0，表明在当前时刻无任何网点符合推荐模型，则输出第二推荐网点为空，并建议客户手动选择。
102.在本发明的实施例中，通过设置事中动态调整模型，能够推荐实时成功率高的网点，避免推荐网点对于已超过预约入口开放时间进入预约系统的客户失效，从而进一步提高了客户体验感，增强用户黏性。
103.根据本发明的实施例，能够选择距离、成功率适中的网点作为客户优选预约兑换网点，替代了现有预约流程中需客户手动从省、市、县、区、网点等层层选择网点的旧流程，解决了客户手动寻找网点时间长、流程繁琐的问题，能够快速、有效地向客户推荐最佳网点进行预约，避免因长时间选择网点导致预约失败、客户体验差的问题；同时，结合事中动态调整模型能够针对客户进入系统的不同时间更全面的为客户进行推荐，避免推荐网点对于已超过预约入口开放时间进入预约系统的客户失效，从而进一步提高了客户体验感，增强用户黏性。
104.图6示意性示出了根据本发明实施例的预约网点动态推荐的装置的结构框图。
105.如图6所示，根据该实施例的预约网点动态推荐的装置600包括时刻信息获取模块610、预约入口开放判断模块620、第一推荐模块630和第二推荐模块640。
106.所述时刻信息获取模块610可以用于获取客户进入预约系统的时刻信息。在一实施例中，所述时刻信息获取模块610可以用于执行前文描述的操作s210，在此不再赘述。
107.所述预约入口开放判断模块620可以用于基于所述时刻信息，判断当客户进入预约系统时预约入口的开放情况。在一实施例中，所述预约入口开放判断模块620可以用于执行前文描述的操作s220，在此不再赘述。
108.所述第一推荐模块630可以用于在预约入口未开放的情况下，基于预先构建的事前推荐模型输出第一推荐网点。在一实施例中，第一推荐模块630可以用于执行前文描述的操作s230，在此不再赘述。
109.所述第二推荐模块640可以用于在预约入口已开放的情况下，基于预先构建的事中动态调整模型输出第二推荐网点。在一实施例中，第二推荐模块640可以用于执行前文描
述的操作s240，在此不再赘述。
110.根据本发明的实施例，所述第一推荐模块630包括：第一预约数据获取单元、第一预约成功率分析模块、实际距离数据获取单元、评分因子获取单元和第一推荐网点获取单元。
111.所述第一预约数据获取单元可以用于获取各网点的第一预约数据。在一实施例中，第一预约数据获取单元可以用于执行前文描述的操作s310，在此不再赘述。
112.所述第一预约成功率分析模块可以用于基于预先训练的成功率分析模型对所述第一预约数据进行分析，输出各网点的第一预约成功率。在一实施例中，第一预约成功率分析模块可以用于执行前文描述的操作s320，在此不再赘述。
113.所述实际距离数据获取单元可以用于获取用户的定位信息，以获得各网点距所述用户的实际距离数据。在一实施例中，实际距离数据获取单元可以用于执行前文描述的操作s330，在此不再赘述。
114.所述评分因子获取单元可以用于基于所述实际距离数据，获得各网点的评分因子。在一实施例中，评分因子获取单元可以用于执行前文描述的操作s340，在此不再赘述。
115.所述第一推荐网点获取单元可以用于基于所述第一预约成功率和所述评分因子，获得各网点的综合评分，并根据所述综合评分输出所述第一推荐网点。在一实施例中，第一推荐网点获取单元可以用于执行前文描述的操作s350，在此不再赘述。
116.在本发明的实施例中，所述第一预约成功率分析模块可以包括数据集获取单元、特征集获取单元、模型构建单元和评估模型单元。
117.所述数据集获取单元可以用于基于所述第一预约数据，获取训练数据集和测试数据集，从所述训练数据集有放回地抽取m个子训练数据集，其中，m为正整数。在一实施例中，数据集获取单元可以用于执行前文描述的操作s410，在此不再赘述。
118.所述特征集获取单元可以用于基于所述第一预约数据，获取特征集，从特征集中有放回地抽取n个子特征集，其中，n为正整数。在一实施例中，特征集获取单元可以用于执行前文描述的操作s420，在此不再赘述。
119.所述模型构建单元可以用于基于所述子训练数据集和子特征集分别训练l棵决策树，以构建随机森林模型，其中，l为预先设定的。在一实施例中，模型构建单元可以用于执行前文描述的操作s430，在此不再赘述。
120.所述评估模型单元可以用于基于所述测试数据集进行评估，以获取所述成功率分析模型。在一实施例中，评估模型单元可以用于执行前文描述的操作s440，在此不再赘述。
121.在本发明的实施例中，所述第二推荐模块640可以包括第二预约数据获取单元、事中动态调整函数生成单元、第二预约成功率计算单元和第二推荐网点输出单元。
122.所述第二预约数据获取单元可以用于获取所述网点推荐表中各网点的第二预约数据。在一实施例中，所述第二预约数据获取单元可以用于执行前文描述的操作s510，在此不再赘述。
123.所述事中动态调整函数生成单元可以用于基于所述第二预约数据生成事中动态调整函数。在一实施例中，所述事中动态调整函数生成单元可以用于执行前文描述的操作s520，在此不再赘述。
124.所述第二预约成功率计算单元可以用于基于事中动态调整函数，按所述网点推荐
表中各网点的顺序计算各网点的第二预约成功率，其中，所述第二预约成功率为0或1。在一实施例中，所述第二预约成功率计算单元可以用于执行前文描述的操作s530，在此不再赘述。
125.所述第二推荐网点输出单元可以用于基于所述第二预约成功率，输出第二推荐网点。在一实施例中，所述第二预约数据获取单元可以用于执行前文描述的操作s540，在此不再赘述。
126.图7示意性示出了根据本发明实施例的适于实现预约网点动态推荐方法的电子设备的方框图。
127.如图7所示，根据本发明实施例的电子设备700包括处理器701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分707加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
128.在ram 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、rom 702以及ram 703通过总线704彼此相连。处理器701通过执行rom 702和/或ram 703中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 702和ram 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
129.根据本发明的实施例，电子设备700还可以包括输入/输出(i/o)接口707，输入/输出(i/o)接口707也连接至总线704。电子设备700还可以包括连接至i/o接口707的以下部件中的一项或多项：包括键盘、鼠标等的输入部分707；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分707；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分707。通信部分707经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口707。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分707。
130.本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本发明实施例的方法。
131.根据本发明的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本发明的实施例，计算机可读存储介质可以包括上文描述的rom 702和/或ram 703和/或rom 702和ram 703以外的一个或多个存储器。
132.本发明的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序
包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本发明实施例所提供的方法。
133.在该计算机程序被处理器701执行时执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
134.在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分707被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
135.在这样的实施例中，该计算机程序可以通过通信部分707从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本发明实施例的系统中限定的上述功能。根据本发明的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
136.根据本发明的实施例，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实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“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、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)。
137.附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
138.以上对本发明的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本发明的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。不脱离本发明的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本发明的范围之内。

技术特征：
1.一种预约网点动态推荐的方法，其特征在于，所述方法包括：获取客户进入预约系统的时刻信息；基于所述时刻信息，判断当客户进入预约系统时预约入口的开放情况；在预约入口未开放的情况下，基于预先构建的事前推荐模型输出第一推荐网点；在预约入口已开放的情况下，基于预先构建的事中动态调整模型输出第二推荐网点。2.根据权利要求1所述的方法，其特征在于，所述基于预先构建的事前推荐模型输出第一推荐网点，具体包括：获取各网点的第一预约数据；基于预先训练的成功率分析模型对所述第一预约数据进行分析，输出各网点的第一预约成功率；获取用户的定位信息，以获得各网点距所述用户的实际距离数据；基于所述实际距离数据，获得各网点的评分因子；以及基于所述第一预约成功率和所述评分因子，获得各网点的综合评分，并根据所述综合评分输出所述第一推荐网点。3.根据权利要求2所述的方法，其特征在于，所述第一预约数据包括：预约额度、参与预约人数、t秒后已预约百分比和黑产用户识别信息，t为预设值。4.根据权利要求3所述的方法，其特征在于，所述预先训练成功率分析模型，具体包括：基于所述第一预约数据，获取训练数据集和测试数据集，从所述训练数据集有放回地抽取m个子训练数据集，其中，m为正整数；基于所述第一预约数据，获取特征集，从特征集中有放回地抽取n个子特征集，其中，n为正整数；基于所述子训练数据集和子特征集分别训练l棵决策树，以构建随机森林模型，其中，l为预先设定的；基于所述测试数据集进行评估，以获取所述成功率分析模型。5.根据权利要求2-4任一项所述的方法，其特征在于，所述基于预先训练的成功率分析模型对所述第一预约数据进行分析，输出各网点的第一预约成功率，具体包括：基于所述第一预约数据选择特征，提取特征值，输入多棵决策树中，得到对应的决策权重；基于每个特征值的所述决策权重计算总决策权重，基于所述总决策权重得到所述各网点的所述第一预约成功率。6.根据权利要求2所述的方法，其特征在于，所述基于所述实际距离数据，获得各网点的评分因子，具体包括：通过评分因子函数计算所述评分因子，所述评分因子函数为评分参数a和所述实际距离数据的比，其中，评分参数a是预设值。7.根据权利要求2所述的方法，其特征在于，所述根据所述综合评分输出第一推荐网点，具体包括：将所述综合评分排在前k位的网点储存至网点推荐表，并将所述综合评分排在第一位的网点设置为第一推荐网点，其中，k为预设值。8.根据权利要求7所述的方法，其特征在于，所述基于预先构建的事中动态调整模型输
出第二推荐网点，具体包括：获取所述网点推荐表中各网点的第二预约数据；基于所述第二预约数据生成事中动态调整函数；基于事中动态调整函数，按所述网点推荐表中各网点的顺序计算各网点的第二预约成功率，其中，所述第二预约成功率为0或1；以及基于所述第二预约成功率，输出第二推荐网点。9.根据权利要求8所述的方法，其特征在于，所述基于所述事中动态调整模型输出的第二推荐网点向客户进行推荐，还包括：若所述第二预约成功率为1，则输出对应的网点作为第二推荐网点；若所述第二预约成功率为0，计算所述网点推荐表中下一个网点的所述第二预约成功率；若各网点的所述第二预约成功率均为0，则输出第二推荐网点为空，并建议客户手动选择。10.根据权利要求8或9所述的方法，其特征在于，所述第二预约数据包括：预约系统开放时间、剩余额度和当前页面待提交预约请求人数。11.一种预约网点动态推荐的装置，其特征在于，所述装置包括：时刻信息获取模块，用于：获取客户进入预约系统的时刻信息；预约入口开放判断模块，用于：基于所述时刻信息，判断当客户进入预约系统时预约入口的开放情况；第一推荐模块，用于：在预约入口未开放的情况下，基于预先构建的事前推荐模型输出第一推荐网点；以及第二推荐模块，用于：在预约入口已开放的情况下，基于预先构建的事中动态调整模型输出第二推荐网点。12.一种电子设备，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，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～10中任一项所述的方法。13.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～10中任一项所述的方法。14.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～10中任一项所述的方法。

技术总结
提供了一种预约网点动态推荐的方法、装置、电子设备和介质，可以应用于大数据技术领域和人工智能技术领域。所述方法包括：获取客户进入预约系统的时刻信息；基于所述时刻信息，判断当客户进入预约系统时预约入口的开放情况；在预约入口未开放的情况下，基于预先构建的事前推荐模型输出第一推荐网点；在预约入口已开放的情况下，基于预先构建的事中动态调整模型输出第二推荐网点。整模型输出第二推荐网点。整模型输出第二推荐网点。


技术研发人员：刘颢 杨晨 徐涛 刘从硕
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.05.30
技术公布日：2023/8/28