一种电信业务的推荐方法及装置.pdf

本发明的实施例提供了一种电信业务的推荐方法及装置，其中该方法包括：根据目标用户的历史信息和预先得到的用于检验用户是否会接受待推荐电信业务的训练结果，对目标用户进行电信业务匹配预测，得到电信业务匹配预测的结果；根据电信业务匹配预测的结果，识别出会接受待推荐电信业务的用户；向会接受待推荐电信业务的用户发送电信业务推荐信息。本发明的实施例能够精确地向用户推荐电信业务。

权利要求书
1.  一种电信业务的推荐方法，其特征在于，所述方法包括：
根据目标用户的历史信息和预先得到的用于检验用户是否会接受待推荐电信业务的训练结果，对所述目标用户进行电信业务匹配预测，得到电信业务匹配预测的结果；
根据所述电信业务匹配预测的结果，识别出会接受待推荐电信业务的用户；
向会接受待推荐电信业务的用户发送电信业务推荐信息。

2.  如权利要求1所述的推荐方法，其特征在于，所述根据所述电信业务匹配预测的结果，识别出会接受待推荐电信业务的用户，具体包括：
判断所述电信业务匹配预测的结果是否大于预设值；
若所述电信业务匹配预测的结果大于预设值，则确定该目标用户为会接受待推荐电信业务的用户。

3.  如权利要求1所述的推荐方法，其特征在于，在所述根据目标用户的历史信息和预先得到的用于检验用户是否会接受待推荐电信业务的训练结果，对所述目标用户进行电信业务匹配预测，得到电信业务匹配预测的结果之前，所述方法还包括：
获取用于检验用户是否会接受待推荐电信业务的训练结果。

4.  如权利要求3所述的推荐方法，其特征在于，所述获取用于检验用户是否会接受待推荐电信业务的训练结果，具体包括：
获取训练所需要的基础数据；
对所述基础数据进行预处理，得到中间数据；
通过遗传算法和神经网络算法对所述中间数据进行训练，得到所述训练结果。

5.  如权利要求4所述的推荐方法，其特征在于，所述对所述基础数据进行预处理，得到中间数据，具体包括：
根据预设的筛选要求对所述基础数据进行筛选，得到筛选后的数据；
根据预设的数据格式，对所述筛选后的数据进行排序；
对排序后的数据进行归一化处理，得到具有所述遗传算法能识别的数据结 构的中间数据。

6.  如权利要求4所述的推荐方法，其特征在于，所述通过遗传算法和神经网络算法对所述中间数据进行训练，得到所述训练结果，具体包括：
通过遗传算法对所述中间数据进行迭代运算，得到初始群体；
对所述初始群体进行解码，得到所述初始群体中的每个个体；
通过神经网络算法对所述初始群体中的每个个体的检验精度进行优化，得到中间群体；
判断所述中间群体中是否存在检验精度大于预设检验精度的个体；
若所述中间群体中存在检验精度大于预设检验精度的个体，则将该个体作为训练结果。

7.  如权利要求6所述的推荐方法，其特征在于，所述方法还包括：
若所述中间群体中不存在检验精度大于预设检验精度的个体，则根据预设检验精度，通过遗传算法对所述中间群体进行选择、交叉和变异操作，得到新的群体；
对所述新的群体进行解码，并通过神经网络算法对解码后的每个个体的检验精度进行优化，得到新的中间群体；
判断新的中间群体中是否存在检验精度大于预设检验精度的个体；
若所述新的中间群体中存在检验精度大于预设检验精度的个体，则将该个体作为训练结果；
若所述新的中间群体中不存在检验精度大于预设检验精度的个体，则继续通过遗传算法对新的中间群体进行选择、交叉和变异操作，得到新的群体，并继续通过神经网络算法对新的群体中的每个个体的检验精度进行优化，得到新的中间群体，直至新的中间群体中存在检验精度大于预设检验精度的个体，并将该个体作为训练结果。

8.  如权利要求7所述的推荐方法，其特征在于，在所述继续通过神经网络算法对新的群体中的每个个体的检验精度进行优化，得到新的中间群体之后，所述方法还包括：
判断遗传算法的迭代运算次数是否达到预设次数；
若遗传算法的迭代运算次数达到预设次数，则停止训练，并将最后一次运 算得到的新的中间群体中的检验精度最高的个体作为训练结果。

9.  一种电信业务的推荐装置，其特征在于，所述装置包括：
预测模块，用于根据目标用户的历史信息和预先得到的用于检验用户是否会接受待推荐电信业务的训练结果，对所述目标用户进行电信业务匹配预测，得到电信业务匹配预测的结果；
识别模块，用于根据所述电信业务匹配预测的结果，识别出会接受待推荐电信业务的用户；
发送模块，用于向会接受待推荐电信业务的用户发送电信业务推荐信息。

10.  如权利要求9所述的推荐装置，其特征在于，所述识别模块包括：
判断单元，用于判断所述电信业务匹配预测的结果是否大于预设值，并当所述电信业务匹配预测的结果大于预设值时，触发确定单元；
确定单元，用于根据所述判断单元的触发，确定该目标用户为会接受待推荐电信业务的用户。

11.  如权利要求9所述的推荐装置，其特征在于，所述装置还包括：
获取模块，用于获取用于检验用户是否会接受待推荐电信业务的训练结果。

12.  如权利要求11所述的推荐装置，其特征在于，所述获取模块包括：
获取单元，用于获取训练所需要的基础数据；
处理单元，用于对所述基础数据进行预处理，得到中间数据；
训练单元，用于通过遗传算法和神经网络算法对所述中间数据进行训练，得到所述训练结果。

13.  如权利要求12所述的推荐装置，其特征在于，所述处理单元包括：
筛选子单元，用于根据预设的筛选要求对所述基础数据进行筛选，得到筛选后的数据；
排序子单元，用于根据预设的数据格式，对所述筛选后的数据进行排序；
归一单元，用于对排序后的数据进行归一化处理，得到具有所述遗传算法能识别的数据结构的中间数据。

14.  如权利要求12所述的推荐装置，其特征在于，所述训练单元包括：
运算子单元，用于通过遗传算法对所述中间数据进行迭代运算，得到初始群体；
解码子单元，用于对所述初始群体进行解码，得到所述初始群体中的每个个体；
优化子单元，用于通过神经网络算法对所述初始群体中的每个个体的检验精度进行优化，得到中间群体；
判断子单元，用于判断所述中间群体中是否存在检验精度大于预设检验精度的个体，并当所述中间群体中存在检验精度大于预设检验精度的个体时，触发第一确定子单元；
第一确定子单元，用于根据所述判断子单元的触发，将该个体作为训练结果。

15.  如权利要求14所述的推荐装置，其特征在于，所述装置还包括：
第一操作模块，用于当所述中间群体中不存在检验精度大于预设检验精度的个体时，根据预设检验精度，通过遗传算法对所述中间群体进行选择、交叉和变异操作，得到新的群体；
解码模块，用于对所述新的群体进行解码，并通过神经网络算法对解码后的每个个体的检验精度进行优化，得到新的中间群体；
第一判断模块，用于判断新的中间群体中是否存在检验精度大于预设检验精度的个体，并当所述新的中间群体中存在检验精度大于预设检验精度的个体时，触发确定模块，当所述新的中间群体中不存在检验精度大于预设检验精度的个体时，触发第二操作模块；
确定模块，用于根据所述第一判断模块的触发，将该个体作为训练结果；
第二操作模块，用于根据所述第一判断模块的触发，继续通过遗传算法对新的中间群体进行选择、交叉和变异操作，得到新的群体，并继续通过神经网络算法对新的群体中的每个个体的检验精度进行优化，得到新的中间群体，直至新的中间群体中存在检验精度大于预设检验精度的个体，并将该个体作为训练结果。

16.  如权利要求15所述的推荐装置，其特征在于，所述装置还包括：
第二判断模块，用于判断遗传算法的迭代运算次数是否达到预设次数，并当遗传算法的迭代运算次数达到预设次数时，触发停止模块；
停止模块，用于根据所述第二判断模块的触发，停止训练，并将最后一次 运算得到的新的中间群体中的检验精度最高的个体作为训练结果。

说明书一种电信业务的推荐方法及装置
技术领域
本发明涉及通信技术领域，特别涉及一种电信业务的推荐方法及装置。
背景技术
现阶段，伴随着数据流量消费的普及和资费水平的大幅降低，三大电信运营商传统的电信业务面临着同质化竞争的宿命，使得电信运营商必须向集约化经营和精细化运营转型，从以往的依靠传统媒体，如电视、广播、报纸、户外广告等“地毯式”轰炸的大众营销模式，到深入分析与把握用户的需求，精确定位出用户适配的业务类型，从而向“为客户寻找适合他自己的业务”的精确营销模式转变。
目前，各基础电信运营商都建立了各自的经营分析系统，主要依靠以下几种方式来辅助进行精确营销挖掘：
方式一：传统的以及改进的业务关联规则方法，形成多个业务关联项来辅助进行营销挖掘；
方式二：基于该电信用户的基本资料、品牌类别(全球通、神州行、动感地带)、历史月消费额度等基础信息来进行简单分析和数据挖掘。
针对方式一，由于该方式中只考虑了业务之间的关联性，没有从客户的角度出发，来考虑客户的真实消费需要，所以该方式只是反映的是业务开发者认为值得推荐的业务，显然这样的业务推荐结果是从业务开发者角度得出来的，不是十分准确的，无法真正满足客户的业务需求。
针对方式二，由于用户的真实需求无法从自身的基本资料、客户套餐类别、历史月消费额度中获得，例如，历史上月度高消费的客户并不全都对贵的业务感兴趣，同样历史上低消费客户也并不全是对便宜的业务感兴趣。所以显然这样的业务推荐结果也是不准确的，也无法真正满足客户真实需求。
发明内容
本发明实施例的目的在于提供一种电信业务的推荐方法及装置，能够精确地向用户推荐电信业务。
为了达到上述目的，本发明的实施例提供了一种电信业务的推荐方法，该方法包括：
根据目标用户的历史信息和预先得到的用于检验用户是否会接受待推荐电信业务的训练结果，对目标用户进行电信业务匹配预测，得到电信业务匹配预测的结果；
根据电信业务匹配预测的结果，识别出会接受待推荐电信业务的用户；
向会接受待推荐电信业务的用户发送电信业务推荐信息。
其中，根据电信业务匹配预测的结果，识别出会接受待推荐电信业务的用户，具体包括：
判断电信业务匹配预测的结果是否大于预设值；
若电信业务匹配预测的结果大于预设值，则确定该目标用户为会接受待推荐电信业务的用户。
其中，在根据目标用户的历史信息和预先得到的用于检验用户是否会接受待推荐电信业务的训练结果，对目标用户进行电信业务匹配预测，得到电信业务匹配预测的结果之前，方法还包括：
获取用于检验用户是否会接受待推荐电信业务的训练结果。
其中，获取用于检验用户是否会接受待推荐电信业务的训练结果，具体包括：
获取训练所需要的基础数据；
对基础数据进行预处理，得到中间数据；
通过遗传算法和神经网络算法对中间数据进行训练，得到训练结果。
其中，对基础数据进行预处理，得到中间数据，具体包括：
根据预设的筛选要求对基础数据进行筛选，得到筛选后的数据；
根据预设的数据格式，对筛选后的数据进行排序；
对排序后的数据进行归一化处理，得到具有遗传算法能识别的数据结构的中间数据。
其中，通过遗传算法和神经网络算法对中间数据进行训练，得到训练结果，具体包括：
通过遗传算法对中间数据进行迭代运算，得到初始群体；
对初始群体进行解码，得到初始群体中的每个个体；
通过神经网络算法对初始群体中的每个个体的检验精度进行优化，得到中间群体；
判断中间群体中是否存在检验精度大于预设检验精度的个体；
若中间群体中存在检验精度大于预设检验精度的个体，则将该个体作为训练结果。
其中，方法还包括：
若中间群体中不存在检验精度大于预设检验精度的个体，则根据预设检验精度，通过遗传算法对中间群体进行选择、交叉和变异操作，得到新的群体；
对新的群体进行解码，并通过神经网络算法对解码后的每个个体的检验精度进行优化，得到新的中间群体；
判断新的中间群体中是否存在检验精度大于预设检验精度的个体；
若新的中间群体中存在检验精度大于预设检验精度的个体，则将该个体作为训练结果；
若新的中间群体中不存在检验精度大于预设检验精度的个体，则继续通过遗传算法对新的中间群体进行选择、交叉和变异操作，得到新的群体，并继续通过神经网络算法对新的群体中的每个个体的检验精度进行优化，得到新的中间群体，直至新的中间群体中存在检验精度大于预设检验精度的个体，并将该个体作为训练结果。
其中，在继续通过神经网络算法对新的群体中的每个个体的检验精度进行优化，得到新的中间群体之后，方法还包括：
判断遗传算法的迭代运算次数是否达到预设次数；
若遗传算法的迭代运算次数达到预设次数，则停止训练，并将最后一次运算得到的新的中间群体中的检验精度最高的个体作为训练结果。
本发明的实施例还提供了一种电信业务的推荐装置，该装置包括：
预测模块，用于根据目标用户的历史信息和预先得到的用于检验用户是否 会接受待推荐电信业务的训练结果，对目标用户进行电信业务匹配预测，得到电信业务匹配预测的结果；
识别模块，用于根据电信业务匹配预测的结果，识别出会接受待推荐电信业务的用户；
发送模块，用于向会接受待推荐电信业务的用户发送电信业务推荐信息。
其中，识别模块包括：
判断单元，用于判断电信业务匹配预测的结果是否大于预设值，并当电信业务匹配预测的结果大于预设值时，触发确定单元；
确定单元，用于根据判断单元的触发，确定该目标用户为会接受待推荐电信业务的用户。
其中，装置还包括：
获取模块，用于获取用于检验用户是否会接受待推荐电信业务的训练结果。
其中，获取模块包括：
获取单元，用于获取训练所需要的基础数据；
处理单元，用于对基础数据进行预处理，得到中间数据；
训练单元，用于通过遗传算法和神经网络算法对中间数据进行训练，得到训练结果。
其中，处理单元包括：
筛选子单元，用于根据预设的筛选要求对基础数据进行筛选，得到筛选后的数据；
排序子单元，用于根据预设的数据格式，对筛选后的数据进行排序；
归一单元，用于对排序后的数据进行归一化处理，得到具有遗传算法能识别的数据结构的中间数据。
其中，训练单元包括：
运算子单元，用于通过遗传算法对中间数据进行迭代运算，得到初始群体；
解码子单元，用于对初始群体进行解码，得到初始群体中的每个个体；
优化子单元，用于通过神经网络算法对初始群体中的每个个体的检验精度进行优化，得到中间群体；
判断子单元，用于判断中间群体中是否存在检验精度大于预设检验精度的 个体，并当中间群体中存在检验精度大于预设检验精度的个体时，触发第一确定子单元；
第一确定子单元，用于根据判断子单元的触发，将该个体作为训练结果。
其中，装置还包括：
第一操作模块，用于当中间群体中不存在检验精度大于预设检验精度的个体时，根据预设检验精度，通过遗传算法对中间群体进行选择、交叉和变异操作，得到新的群体；
解码模块，用于对新的群体进行解码，并通过神经网络算法对解码后的每个个体的检验精度进行优化，得到新的中间群体；
第一判断模块，用于判断新的中间群体中是否存在检验精度大于预设检验精度的个体，并当新的中间群体中存在检验精度大于预设检验精度的个体时，触发确定模块，当新的中间群体中不存在检验精度大于预设检验精度的个体时，触发第二操作模块；
确定模块，用于根据第一判断模块的触发，将该个体作为训练结果；
第二操作模块，用于根据第一判断模块的触发，继续通过遗传算法对新的中间群体进行选择、交叉和变异操作，得到新的群体，并继续通过神经网络算法对新的群体中的每个个体的检验精度进行优化，得到新的中间群体，直至新的中间群体中存在检验精度大于预设检验精度的个体，并将该个体作为训练结果。
其中，装置还包括：
第二判断模块，用于判断遗传算法的迭代运算次数是否达到预设次数，并当遗传算法的迭代运算次数达到预设次数时，触发停止模块；
停止模块，用于根据第二判断模块的触发，停止训练，并将最后一次运算得到的新的中间群体中的检验精度最高的个体作为训练结果。
本发明的上述方案至少包括以下有益效果：
在本发明的实施例中，通过目标用户的历史信息和预先得到的用于检验用户是否会接受待推荐电信业务的训练结果，从目标用户中识别出会接受待推荐电信业务的用户，并向会接受待推荐电信业务的用户发送电信业务推荐信息，解决了不能准确地向用户推荐电信业务的问题，达到了精确地向用户推荐电信 业务的效果。
附图说明
图1为本发明第一实施例中电信业务的推荐方法的流程图；
图2为本发明第二实施例中电信业务的推荐方法的流程图；
图3为本发明第三实施例中电信业务的推荐方法的流程图；
图4为本发明第三实施例中得到训练结果的流程图；
图5为本发明第四实施例中电信业务的推荐装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
第一实施例
如图1所示，本发明的第一实施例提供了一种电信业务的推荐方法，该方法包括：
步骤S11，根据目标用户的历史信息和预先得到的用于检验用户是否会接受待推荐电信业务的训练结果，对目标用户进行电信业务匹配预测，得到电信业务匹配预测的结果；
在本发明的第一实施例中，上述目标用户的历史信息主要包括用户流量信息数据和用户账号基础信息，其中用户流量信息数据主要通过网关分组无线服务技术(GPRS，General Packet Radio Service)支持节点采集得到，用户账号基础信息主要通过业务运营支撑系统(BOSS)采集得到。
步骤S12，根据电信业务匹配预测的结果，识别出会接受待推荐电信业务的用户；
步骤S13，向会接受待推荐电信业务的用户发送电信业务推荐信息。
在本发明的第一实施例中，可以通过短信的方式向会接受待推荐电信业务的用户发送电信业务推荐信息。可以理解的是，在本发明的第一实施例中并不 限定向会接受待推荐电信业务的用户发送电信业务推荐信息的具体方式。
在本发明的第一实施例中，可以将用于检验用户是否会接受待推荐电信业务的训练结果理解为一种函数，因此当将目标用户的历史信息导入其中的时候，会得到一个电信业务匹配预测的结果。进而根据得到的电信业务匹配预测的结果来判断该目标用户是否为会接受待推荐电信业务的用户，当其为会接受待推荐电信业务的用户时，向其发送电信业务推荐信息即可。这样便实现了精确地向用户推荐电信业务的目的。
第二实施例
如图2所示，本发明的第二实施例提供了一种电信业务的推荐方法，该方法包括：
步骤S21，根据目标用户的历史信息和预先得到的用于检验用户是否会接受待推荐电信业务的训练结果，对目标用户进行电信业务匹配预测，得到电信业务匹配预测的结果；
在本发明的第二实施例中，上述目标用户的历史信息主要包括用户流量信息数据和用户账号基础信息，其中用户流量信息数据主要通过网关分组无线服务技术(GPRS，General Packet Radio Service)支持节点采集得到，用户账号基础信息主要通过业务运营支撑系统(BOSS)采集得到。
步骤S22，判断电信业务匹配预测的结果是否大于预设值；
步骤S23，若电信业务匹配预测的结果大于预设值，则确定该目标用户为会接受待推荐电信业务的用户；
步骤S24，向会接受待推荐电信业务的用户发送电信业务推荐信息。
在本发明的第二实施例中，可以通过短信的方式向会接受待推荐电信业务的用户发送电信业务推荐信息。可以理解的是，在本发明的第二实施例中并不限定向会接受待推荐电信业务的用户发送电信业务推荐信息的具体方式。
在本发明的第二实施例中，可以将用于检验用户是否会接受待推荐电信业务的训练结果理解为一种函数，因此当将目标用户的历史信息导入其中的时候，会得到一个电信业务匹配预测的结果。进而判断该电信业务匹配预测的结果是否大于预设值(例如0.8)，当其大于预设值时，认为该目标用户为会接受待推荐电信业务的用户，并向其发送电信业务推荐信息。当然如果电信业务匹配预 测的结果小于预设值，则认为该目标用户为不会接受待推荐电信业务的用户，不需要向其发送电信业务推荐信息，从而实现精确的业务营销模式，达到精确地向用户推荐电信业务的目的。
第三实施例
如图3所示，本发明的第三实施例提供了一种电信业务的推荐方法，该方法包括：
步骤S31，获取用于检验用户是否会接受待推荐电信业务的训练结果；
步骤S32，根据目标用户的历史信息和预先得到的用于检验用户是否会接受待推荐电信业务的训练结果，对目标用户进行电信业务匹配预测，得到电信业务匹配预测的结果；
在本发明的第三实施例中，上述目标用户的历史信息主要包括用户流量信息数据和用户账号基础信息，其中用户流量信息数据主要通过网关分组无线服务技术(GPRS，General Packet Radio Service)支持节点采集得到，用户账号基础信息主要通过业务运营支撑系统(BOSS)采集得到。
步骤S33，根据电信业务匹配预测的结果，识别出会接受待推荐电信业务的用户；
步骤S34，向会接受待推荐电信业务的用户发送电信业务推荐信息。
在本发明的第三实施例中，可以通过短信的方式向会接受待推荐电信业务的用户发送电信业务推荐信息。可以理解的是，在本发明的第三实施例中并不限定向会接受待推荐电信业务的用户发送电信业务推荐信息的具体方式。
在本发明的第三实施例中，可以将用于检验用户是否会接受待推荐电信业务的训练结果理解为一种函数，因此当将目标用户的历史信息导入其中的时候，会得到一个电信业务匹配预测的结果。进而根据得到的电信业务匹配预测的结果来判断该目标用户是否为会接受待推荐电信业务的用户，当其为会接受待推荐电信业务的用户时，向其发送电信业务推荐信息即可。这样便能实现精确的业务营销模式，达到精确地向用户推荐电信业务的目的。
其中，在本发明的第三实施例中，上述步骤S31具体包括：首先获取训练所需要的基础数据；然后对基础数据进行预处理，得到中间数据；最后通过遗传算法和神经网络算法对中间数据进行训练，得到训练结果。
在本发明的第三实施例中，训练所需要的基础数据主要包括：一部分订购待推荐电信业务的用户和一部分未订购待推荐电信业务的用户的用户流量信息数据和用户账号基础信息，其中用户流量信息数据主要通过网关分组无线服务技术(GPRS，General Packet Radio Service)支持节点采集得到，用户账号基础信息主要通过业务运营支撑系统(BOSS)采集得到。相应地，在获取到训练所需要的基础数据后，会对其进行预处理，得到中间数据，最后通过遗传算法和神经网络算法对中间数据进行训练，得到训练结果，至于具体的训练过程会在后文详细阐述。
在本发明的第三实施例中，以10元流量升档套餐(以下简称A套餐)为例，详细阐述上述电信业务的推荐方法。通过前期关联分析发现用户话单中有八个属性列与用户订购A套餐存在较大的关联度。从而可以使用黑龙江省2014年1-6月份的用户话单数据，从中抽取500万个用户号码话单(包括订购A套餐用户和未订购A套餐用户)作为训练的基础数据，并对基础数据进行预处理，然后再通过遗传算法和神经网络算法对经过预处理的数据进行训练，得到训练结果。而当需要向未订购A套餐的用户推荐A套餐时，为了使本发明第三实施例中的电信业务的推荐方法的精确度更加的鲜明，在此抽取未订购A套餐的60万个用户2014年1-6月份话单数据来识别出其中接受A套餐的用户。分成3个组，每组20万个用户，分别用本发明的第三实施例中的算法，神经网络算法，人工经验法识别出各自预测的会接受A套餐的用户，从三组会接受A套餐的用户中各取出5000个号码，针对这些会接受A套餐的用户发送10086端口A套餐营销短信，用户通过回复字母即可办理，从BOSS系统统计用户订购情况如表1所示。另外，与此类似的，用以上同样方法，对10万个未订购亲情网话费套餐的用户进行识别，得到29744个会接受亲情网话费套餐的用户，对这些会接受亲情网话费套餐的用户进行亲情网订购短信群发，共有10321户用户通过上行短信方式订购该业务，识别率达到34.7％，而且普通短信群发营销用户订购率在1～5％。由此可知，本发明第三实施例提供的电信业务的推荐方法要比传统推荐电信业务的方法精确得多。
 第三实施例中的神经网络算人工经验法
 算法法 订购用户数454339246识别准确度(％)9.08％6.78％4.92％
表1
其中，在本发明的第三实施例中，上述对基础数据进行预处理，得到中间数据，具体包括：首先根据预设的筛选要求对基础数据进行筛选，去除后续遗传算法和神经网络算法中不需要的数据，得到筛选后的数据；然后根据预设的数据格式，对筛选后的数据进行排序，即，将筛选后的数据拼接为一行行的数据，并统一按照预设的数据格式进行存储；对排序后的数据进行归一化处理，即将各属性数值的绝对值变成某种相对值关系，得到具有遗传算法能识别的数据结构的中间数据。
在阐述通过遗传算法和神经网络算法对中间数据进行训练，得到训练结果之前，先简单阐述一下遗传算法和神经网络算法结合使用的方法。具体步骤如下：
(1)通过遗传算法对初始权值分布进行优化，在解空间中定位出一些较好的搜索空间：
①参数编码，将随机初始化连接权值(wi)和节点阈值(￠i)通过编码表示成遗传空间的基因型串结构数据，如表2所示：
W1..Wk￠1..￠m
表2
②令t＝0，确定初始种群，把神经网络的节点编号，将连接权和阈值组成一组数据，代表一个个体，若干个这样的数据组便构成初始种群。
③计算适应度函数F，以神经网络的输出节点误差的网络能量函数E为基础，选定F＝C/E，式中C为一常数。
④选择(复制)操作，为防止已经搜索到的最优结果丢失，把上一代群体中适应度最大的10％直接进入到下一代群体中。另外的90％个体的复制比例由适应度决定：
fiΣi=1nfi*0.9,i=1,2,...n]]>
⑤进行交换操作，适当地选取交换的概率Pc，一般以0.85为好。
⑥进行变异操作，作用是防止丢失有用的可能解，使算法具有全局收敛性。
⑦令t＝t+1，继续计算适应度fi，i＝1，2，…n。
⑧判断终止条件是否满足，即t＝N(N为事先指定的迭代次数)则令s＝0，进入(2)，否则返回④。
(2)对(1)步得到的群体中每个新个体采用神经网络算法迭代若干步，然后再用遗传算法进行操作：
①令s＝s+1，对于群体中的每个个体进行解码，得到相应网络的连接权值和阈值；根据局部最大训练次数，通过神经网络算法对该网络的连接权值和阈值进行修正，然后将网络的连接权值和阈值进行编码生成对应的新个体，所有这些新个体组成一个新的群体。
②对于新群体，进行个体适应度计算，若群体中适应度最大的个体所对应的误差小于下限或者s＝M(M为事先指定的迭代次数)，则转入③；否则，对新群体进行选择(复制)操作，交换操作，变异操作，转向①。
③将适应度最大的个体解码，得到所需网络的连接权值和阈值。
在整个搜索进程中，每种方法的作用都被限定在一个“部分的”范围内，从而一方面由遗传算法保证学习的全局收敛性，克服高斯-牛顿法对初始值的依赖性和局部收敛问题；另一方面，与“精确的”高斯-牛顿学习算法的结合也克服了单纯遗传算法所带有的随机性和概率性问题，而有助于提高它的搜索效率。这样做的结果，将有望显著改善算法的收敛性，在弱化它对初始条件的依赖程度的同时保证其收敛方向，即使在对问题所知有限的情况下，仍然能够得到比较满意的训练结果。
如图4所示，在本发明的第三实施例中，上述通过遗传算法和神经网络算法对中间数据进行训练，得到训练结果，具体包括：
步骤S401，通过遗传算法对中间数据进行迭代运算，得到初始群体；
步骤S402，对初始群体进行解码，得到初始群体中的每个个体；
步骤S403，通过神经网络算法对初始群体中的每个个体的检验精度进行优化，得到中间群体；
步骤S404，判断中间群体中是否存在检验精度大于预设检验精度的个体； 若中间群体中存在检验精度大于预设检验精度的个体，执行步骤S405，否则执行步骤S406；
步骤S405，将该个体作为训练结果；
步骤S406，根据预设检验精度，通过遗传算法对中间群体进行选择、交叉和变异操作，得到新的群体；
步骤S407，对新的群体进行解码，并通过神经网络算法对解码后的每个个体的检验精度进行优化，得到新的中间群体；
步骤S408，判断新的中间群体中是否存在检验精度大于预设检验精度的个体，若新的中间群体中存在检验精度大于预设检验精度的个体，则执行步骤S409，否则执行步骤S410；
步骤S409，将该个体作为训练结果；
步骤S410，继续通过遗传算法对新的中间群体进行选择、交叉和变异操作，得到新的群体，并继续通过神经网络算法对新的群体中的每个个体的检验精度进行优化，得到新的中间群体，直至新的中间群体中存在检验精度大于预设检验精度的个体，并将该个体作为训练结果。
在本发明的第三实施例中，在通过遗传算法和神经网络算法得到训练结果的过程中，会判断遗传算法的迭代运算次数是否达到预设次数，当遗传算法的迭代运算次数达到预设次数时，即使不存在检验精度大于预设检验精度的个体也会停止训练，并将最后一次运算得到的新的中间群体中的检验精度最高的个体作为训练结果。
其中，神经网络算法到遗传算法的切换可通过所限制的预设检验精度或局部最大步数来实现，遗传算法到神经网络算法的切换可通过一次完整的遗传算子操作(例如选择算子、交差算子或变异算子)来实现，这样互以对方的训练结果作为自己的初始权值或初始群体，反复交替训练，直到达到所限制的预设检验精度或遗传算法的迭代运算次数的预设次数。
第四实施例
以下为本发明第四实施例提供的一种电信业务的推荐装置的实施例。所述电信业务的推荐装置的实施例与上述的方法实施例属于同一构思，电信业务的推荐装置的实施例中未详尽描述的细节内容，可以参考上述方法实施例。
如图5所示，本发明的第四实施例提供了一种电信业务的推荐装置，该装置包括：
预测模块51，用于根据目标用户的历史信息和预先得到的用于检验用户是否会接受待推荐电信业务的训练结果，对目标用户进行电信业务匹配预测，得到电信业务匹配预测的结果；
识别模块52，用于根据电信业务匹配预测的结果，识别出会接受待推荐电信业务的用户；
发送模块53，用于向会接受待推荐电信业务的用户发送电信业务推荐信息。
其中，识别模块52包括：
判断单元，用于判断电信业务匹配预测的结果是否大于预设值，并当电信业务匹配预测的结果大于预设值时，触发确定单元；
确定单元，用于根据判断单元的触发，确定该目标用户为会接受待推荐电信业务的用户。
其中，装置还包括：
获取模块，用于获取用于检验用户是否会接受待推荐电信业务的训练结果。
其中，获取模块包括：
获取单元，用于获取训练所需要的基础数据；
处理单元，用于对基础数据进行预处理，得到中间数据；
训练单元，用于通过遗传算法和神经网络算法对中间数据进行训练，得到训练结果。
其中，处理单元包括：
筛选子单元，用于根据预设的筛选要求对基础数据进行筛选，得到筛选后的数据；
排序子单元，用于根据预设的数据格式，对筛选后的数据进行排序；
归一单元，用于对排序后的数据进行归一化处理，得到具有遗传算法能识别的数据结构的中间数据。
其中，训练单元包括：
运算子单元，用于通过遗传算法对中间数据进行迭代运算，得到初始群体；
解码子单元，用于对初始群体进行解码，得到初始群体中的每个个体；
优化子单元，用于通过神经网络算法对初始群体中的每个个体的检验精度进行优化，得到中间群体；
判断子单元，用于判断中间群体中是否存在检验精度大于预设检验精度的个体，并当中间群体中存在检验精度大于预设检验精度的个体时，触发第一确定子单元；
第一确定子单元，用于根据判断子单元的触发，将该个体作为训练结果。
其中，装置还包括：
第一操作模块，用于当中间群体中不存在检验精度大于预设检验精度的个体时，根据预设检验精度，通过遗传算法对中间群体进行选择、交叉和变异操作，得到新的群体；
解码模块，用于对新的群体进行解码，并通过神经网络算法对解码后的每个个体的检验精度进行优化，得到新的中间群体；
第一判断模块，用于判断新的中间群体中是否存在检验精度大于预设检验精度的个体，并当新的中间群体中存在检验精度大于预设检验精度的个体时，触发确定模块，当新的中间群体中不存在检验精度大于预设检验精度的个体时，触发第二操作模块；
确定模块，用于根据第一判断模块的触发，将该个体作为训练结果；
第二操作模块，用于根据第一判断模块的触发，继续通过遗传算法对新的中间群体进行选择、交叉和变异操作，得到新的群体，并继续通过神经网络算法对新的群体中的每个个体的检验精度进行优化，得到新的中间群体，直至新的中间群体中存在检验精度大于预设检验精度的个体，并将该个体作为训练结果。
其中，装置还包括：
第二判断模块，用于判断遗传算法的迭代运算次数是否达到预设次数，并当遗传算法的迭代运算次数达到预设次数时，触发停止模块；
停止模块，用于根据第二判断模块的触发，停止训练，并将最后一次运算得到的新的中间群体中的检验精度最高的个体作为训练结果。
在本发明的第四实施例中，电信业务的推荐装置可以根据目标用户的历史 信息和预先得到的用于检验用户是否会接受待推荐电信业务的训练结果，得到一个电信业务匹配预测的结果。进而根据得到的电信业务匹配预测的结果来判断该目标用户是否为会接受待推荐电信业务的用户，当其为会接受待推荐电信业务的用户时，向其发送电信业务推荐信息即可。这样便能实现精确的业务营销模式，达到精确地向用户推荐电信业务的目的。
需要说明的是，本发明实施例提供的电信业务的推荐装置是应用上述方法的装置，即上述方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。