本申请属于运营商大数据技术领域，尤其涉及一种5g套餐推送方法、装置、电子设备及计算机存储介质。
背景技术：
随着5g的加速到来，为了实现营收增长和吸引客户，运营商也相继推出了许多新的5g套餐。如何从现有用户群中挖掘出会更换5g套餐的潜在客户，并为其推荐最为合适的5g套餐类别是一项具有挑战性的工作。
当前运营商进行套餐推荐的方式主要为营业厅人工推荐，此种推荐方式未对潜在用户进行甄别，直接进行全量用户推荐，且推荐的套餐集中于热门套餐，存在不全面性和主观色彩，只有经验丰富的营销人员才可以为用户推荐合适的、个性化的5g套餐。
目前常用的推荐技术主要分为协同过滤推荐和构建多分类模型。第一种协同过滤推荐方式主要根据各用户属性、行为习惯，计算用户间的相似性，给用户推荐与其高相似性用户的5g套餐。另一种方式是构建多分类模型，以用户属性、消费行为、套餐使用情况作为用户特征，用户办理5g套餐类别作为标签，建模预测用户办理每类套餐的概率。
现有的套餐推荐方式都是对全量用户进行推荐，无针对性，此种营销方式销售效率低，销售成功率低，同时还可能会影响用户感知。在推荐技术上，第一种基于协同过滤算法进行套餐推荐的方式由于用户体量大，导致计算复杂度较高，运算效率差。第二种构建多分类模型的推荐方式，由于目前5g套餐种类繁多，且各套餐办理情况分布极不平衡，导致此种方式预测准确性较低。
因此，如何更加准确地进行5g套餐推送是本领域技术人员亟需解决的技术问题。
技术实现要素：
本申请实施例提供一种5g套餐推送方法、装置、电子设备及计算机存储介质，能够更加准确地进行5g套餐推送。
第一方面，本申请实施例提供一种5g套餐推送方法，包括：
利用预设的多层级联分类器中的二分类模型确定5g套餐潜客；其中，多层级联分类器包括二分类模型和级联多分类器；
针对5g套餐潜客，利用级联多分类器进行5g套餐推送。
可选的，在利用预设的多层级联分类器中的二分类模型确定5g套餐潜客之前，方法还包括：
基于业务和加权组合核函数对线性强相关特征进行衍生，确定模型输入特征；
基于模型输入特征，构建多层级联分类器。
可选的，基于业务和加权组合核函数对线性强相关特征进行衍生，确定模型输入特征，包括：
基于业务和加权组合核函数对线性强相关特征进行衍生，确定第一输入特征；
利用样本分布权重互信息函数和第一输入特征，确定模型输入特征。
可选的，基于模型输入特征，构建多层级联分类器，包括：
基于模型输入特征，通过策略规划聚类的方式构建父分类器；
针对聚类后的各个簇构建子分类器；
基于父分类器和子分类器，得到多层级联分类器中的级联多分类器。
可选的，基于模型输入特征，通过策略规划聚类的方式构建父分类器，包括：
采用数据增强方式对模型输入特征进行数据增强；
基于数据增强后的模型输入特征，通过策略规划聚类的方式构建父分类器。
第二方面，本申请实施例提供了一种5g套餐推送装置，包括：
第一确定模块，用于利用预设的多层级联分类器中的二分类模型确定5g套餐潜客；其中，多层级联分类器包括二分类模型和级联多分类器；
推送模块，用于针对5g套餐潜客，利用级联多分类器进行5g套餐推送。
可选的，装置还包括：
第二确定模块，用于基于业务和加权组合核函数对线性强相关特征进行衍生，确定模型输入特征；
构建模块，用于基于模型输入特征，构建多层级联分类器。
可选的，第二确定模块，包括：
衍生单元，用于基于业务和加权组合核函数对线性强相关特征进行衍生，确定第一输入特征；
确定单元，用于利用样本分布权重互信息函数和第一输入特征，确定模型输入特征。
可选的，构建模块，包括：
第一构建单元，用于基于模型输入特征，通过策略规划聚类的方式构建父分类器；
第二构建单元，用于针对聚类后的各个簇构建子分类器；
获取单元，用于基于父分类器和子分类器，得到多层级联分类器中的级联多分类器。
可选的，第一构建单元，包括：
数据增强子单元，用于采用数据增强方式对模型输入特征进行数据增强；
构建子单元，用于基于数据增强后的模型输入特征，通过策略规划聚类的方式构建父分类器。
第三方面，本申请实施例提供了一种电子设备，电子设备包括：处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现如第一方面所示的5g套餐推送方法。
第四方面，本申请实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面所示的5g套餐推送方法。
本申请实施例的5g套餐推送方法、装置、电子设备及计算机存储介质，能够更加准确地进行5g套餐推送。该5g套餐推送方法，利用预设的多层级联分类器中的二分类模型确定5g套餐潜客；其中，多层级联分类器包括二分类模型和级联多分类器；针对5g套餐潜客，利用级联多分类器，能够更加准确地进行5g套餐推送。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的5g套餐推送方法的流程示意图；
图2是本申请一个实施例提供的选取初始特征因子的流程示意图；
图3是本申请一个实施例提供的特征衍生的流程示意图；
图4是本申请一个实施例提供的预测结果输出流程示意图；
图5是本申请另一个实施例提供的5g套餐推送方法的流程示意图；
图6是本申请一个实施例提供的5g套餐推送装置的结构示意图；
图7是本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了解决现有技术问题，本申请实施例提供了一种5g套餐推送方法、装置、设备及计算机存储介质。下面首先对本申请实施例所提供的5g套餐推送方法进行介绍。
图1示出了本申请一个实施例提供的5g套餐推送方法的流程示意图。如图1所示，该5g套餐推送方法，包括：
s101、利用预设的多层级联分类器中的二分类模型确定5g套餐潜客；其中，多层级联分类器包括二分类模型和级联多分类器。
在一个实施例中，在利用预设的多层级联分类器中的二分类模型确定5g套餐潜客之前，方法还包括：
基于业务和加权组合核函数对线性强相关特征进行衍生，确定模型输入特征；
基于模型输入特征，构建多层级联分类器。
在一个实施例中，基于业务和加权组合核函数对线性强相关特征进行衍生，确定模型输入特征，包括：
基于业务和加权组合核函数对线性强相关特征进行衍生，确定第一输入特征；
利用样本分布权重互信息函数和第一输入特征，确定模型输入特征。
在一个实施例中，基于模型输入特征，构建多层级联分类器，包括：
基于模型输入特征，通过策略规划聚类的方式构建父分类器；
针对聚类后的各个簇构建子分类器；
基于父分类器和子分类器，得到多层级联分类器中的级联多分类器。
在一个实施例中，基于模型输入特征，通过策略规划聚类的方式构建父分类器，包括：
采用数据增强方式对模型输入特征进行数据增强；
基于数据增强后的模型输入特征，通过策略规划聚类的方式构建父分类器。
s102、针对5g套餐潜客，利用级联多分类器进行5g套餐推送。
该5g套餐推送方法，利用预设的多层级联分类器中的二分类模型确定5g套餐潜客；其中，多层级联分类器包括二分类模型和级联多分类器；针对5g套餐潜客，利用级联多分类器，能够更加准确地进行5g套餐推送。
下面以一个具体实施例对上述技术方案进行说明。
本方案提出一种基于多层级联分类器的5g套餐推荐的方法，主要解决措施有：1)构建多层分类器，优先构建二分类模型挖掘5g套餐潜客，再针对5g套餐潜客构建级联多分类器进行套餐推荐；2)基于业务和加权组合核函数对线性强相关特征进行衍生，深入挖掘其非线性信息；3)引入样本分布权重互信息函数，降低5g套餐潜客挖掘模型数据不平衡对有效特征选择的影响；4)构建集成分类器，提升5g套餐潜客挖掘模型准确性及鲁棒性；5)构建5g套餐推荐级联多分类器，通过最优策略规划聚类的方式构建父分类器，再针对各簇构建子分类器；6)采用数据增强的方式平衡上述父分类器样本数据。
该方案首先根据用户属性、消费行为、套餐使用情况等特征构建5g套餐潜客挖掘模型，优先挖掘出更换5g套餐概率较高的潜在用户，并将其作为下一阶段套餐推荐的目标用户，缩小目标推荐用户体量，提高推荐成功率。然后再构建级联分类器进行套餐推荐，根据现有5g套餐样本数据通过聚类的方式划分为多个簇，之后在各簇中构建子分类器，完成套餐推荐预测。
具体实施步骤为：
第一步，构建多层分类器，选取114个初始特征因子。从目前办理5g套餐的用户群来看，大多数用户为非5g终端，因此在筛选目标潜在客户时，优先判断用户是否为5g终端，针对是5g终端但未更换5g套餐的用户，均作为5g套餐推荐的潜在客户。对于非5g终端用户，输入到5g套餐潜客挖掘模型中，整体流程如图2所示，针对原始数据，先是数据采集，然后是数据预处理，接着判断用户是否为5g终端，若是，则利用套餐推荐模块推荐套餐；若否，则判断用户是否为5g套餐潜在客户，若是，则利用套餐推荐模块推荐套餐。
基于5g套餐业务，根据用户基本属性、终端属性、牵制类属性、消费类属性、历史套餐订购偏好、套餐契合度评估属性、流量实际使用行为、语音实际使用行为、app流量使用偏好共9大类维度特征选取114个初始特征因子。相关特征属性如表1所示，其中第一列为特征大类，第二列为具体特征，由于特征较多，仅展示每大类中部分特征。
表1特征属性表
第二步，线性强相关特征衍生。挖掘用户历史套餐使用习惯，提取用户多月相关套餐特征作为输入因子，这就会导致同一特征在多月中的表现会出现较强的线性相关性，如用户每月实际消费、每月实际流量消耗、每月实际语音消耗等。除此之外，一些非多月特征也会出现较强的相关性，如用户当月通话时长和当月通话次数等。为了保证这类强相关特征经过特征选择后不丢失某些重要的信息，将以上二类情况通过“基于业务特征衍生”和“基于加权组合函数特征衍生”两种方式进行特征衍生，具体流程如图3所示：
1、基于业务特征衍生：针对有多月值的特征，结合业务优先进行相关的特征衍生，对有多月值的特征生成方差、均值、最大值、最小值等统计值，并将各变量的衍生特征作为模型输入因子。
以实际总消费均值为例，可将用户近三个月每月实际消费值通过计算统计值衍生出近三月实际总消费均值、近三月实际总消费最大值、近三月实际总消费方差。
业务特征衍生的特征具体如表2所示：
表2基于业务衍生的特征
2)基于加权组合函数特征衍生：对于非多月特征，借助核函数挖掘线性强相关特征之间的非线性关系。本方案通过构建加权组合核函数对强相关特征进行衍生，引入高斯核函数和多项式核函数，并通过交叉验证选择最优的组合权重。高斯核函数kg(xi,xj)及多项式核函数kp(xi,xj)公式如公式1和2所示：
kg(xi,xj)＝(axitxj c)d公式1
其中，x表示特征向量，a,c,d,σ均为超参数。
最终加权组合核函数k(xi,xj)如公式3所示：
k(xi,xj)＝λ1kg(xi,xj) λ2kp(xi,xj)公式3
其中λ1 λ2＝1，权重λ1和λ2通过交叉验证的方式得到最优解，通过调参本方案得到的最优解λ1＝0.263，λ2＝0.737。
以生成总通话线性强相关特征组合为例，特征衍生公式为：
总通话线性强相关特征组合1＝0.263*kg(x总通话次数,x总通话时长) 0.737*kp(x总通话次数,x总通话时长)
其他基于加权核函数进行特征衍生的相关特征如表3所示：
表3基于加权核函数的特征衍生变量
第三步，引入样本分布权重互信息函数，降低5g套餐潜客挖掘模型数据不平衡对有效特征选择的影响。由于目前5g技术正处于推广初阶段，5g套餐用户群较小，5g套餐用户与非5g套餐用户的比例甚至可达到了1:112，样本呈现极度不平衡的情况。构建5g潜客挖掘模型需要考虑用户各方面的特征，如用户基本信息、终端信息、使用行为习惯、使用偏好、套餐订购情况等，涉及特征维度较高，合理的特征选择既有利于提升模型运行效率，也有利于后续的溯源分析。常用的特征选择方法会倾向于选择对多数类有利的特征子集，无法对不平衡样本进行合理的特征提取。因此为解决样本不平衡对特征选择的影响，本方案将正负样本分布作为权值加入到特征选择的过程中，并对传统的互信息公式进行了修改，从而提取出高效的特征序列。假设样本特征f和标签集合l＝{l1,l2},li∈l，如果特征f和标签li之间的互信息为i(f；li)，则特征f和标签集合l之间的互信息为：
h(f；l)＝i(f；l1) i(f；l2)
互信息值越大，表示特征和标签之间的关联性越强，该特征也就越重要。当样本分布不平衡时，不同标签对样本的描述程度有所不同。因此本方案根据正负样本的分布情况对标签赋予不同的权值w，其中w 表示正标签的权重，w-表示负标签的权重，将该权值带入后，特征f和标签集合l之间的互信息为：
其中：
若5g套餐数据中正负类样本比为1:n，则
通过以上加权互信息函数计算得到各特征的最终归一化后的互信息值如表4所示：
表4各特征归一化后的互信息值表
最终，将各特征归一化后的互信息值进行排序，选取前60％的特征作为模型最终的有效输入特征。原始特征加衍生后的特征，根据加权互信息值进行特征筛选后，最终输入到模型中的特征共有81个，具体特征如表5所示：
表5最终输入到模型中的特征表
从最终归一化后的各特征互信息值排名来看，其中用户合约到期时间、入网时长、近三月实际消费均值、历史套餐类型这几个特征是影响用户更换5g套餐的重要特征，符合业务逻辑。
第四步，构建集成分类器，提升5g套餐潜客挖掘模型准确性及鲁棒性。样本分布不平衡不仅会影响特征选择，也影响分类器精度。为了降低样本不平衡对分类器精度的影响，一般会采用欠采样或过采样的方法对数据集进行平衡处理。欠采样即随机删除多数类的样本数据，从而平衡数据集中的正负样本分布，但随机删除数据的方式可能会导致丢失某些重要信息，致使分类器性能降低。过采样的方法即增加少数类样本数量来平衡多数类样本，但此种方式可能会导致模型过拟合。
由于直接进行欠采样和过采样均有一定弊端，因此本方案采用多次欠采样的方式生成多个平衡数据集，即抽取少数已办理5g套餐样本的全集，在多数的未办理5g套餐样本中多次抽样出与少数已办理5g套餐样本相等的数据子集，并与少数已办理5g套餐样本拼接形成多个训练样本集。对生成的各均衡数据子集分别用分类模型对其进行拟合，分别对每个基分类器进行调参训练，最后采用bagging的思想集成各基分类器，形成一个组合分类器，以投票的方式得到最终的分类标签，即假设共集成了m个基分类器，若超过
第五步，构建5g套餐推荐级联多分类器，通过最优策略规划聚类的方式构建父分类器，再针对各簇构建子分类器。完成5g套餐目标用户筛选后，需对目标用户进行具体的套餐推荐。由于5g套餐种类繁多，且各类套餐样本分布不均，可合并相似类套餐，先构建父分类器，再构建子分类器。为了更合理的对相似类套餐进行合并，将样本通过dbscan聚类算法形成多个聚类簇，并根据5g套餐样本在各簇中的分布情况对聚类簇进行重新规划调整。假设dbscan算法将样本重新聚为3类，套餐1的样本数据在簇1、簇2、簇3的占比分别为70％，20％，10％，则将套餐1位于其余簇中的样本调整至簇1，并通过对各套餐簇内样本点向量求均值重新得到各簇中心点，以此类推。完成各簇内样本的重新规划后，重置各簇内样本标签，以聚类簇标签作为分类标签，训练父分类器。结合本业务场景，目前已有5g套餐类别共60类，通过轮廓系数选择出的最优聚类个数为7，即将已有的60类套餐聚为了七大类。后续对潜在客户进行套餐推荐时，先通过父分类器将用户粗略的划分到某一套餐大类中，再通过子分类器给用户推荐具体5g套餐类别。级联分类器流程图可参见图5。
第六步，采用数据增强的方式平衡父分类器样本数据。上一步通过dbscan聚类算法形成多个簇后，考虑存在各簇内样本数量不平衡的情况，影响父分类器效果。为了更合理的平衡各簇内样本数量，结合各簇内中心点采用数据增强的方式对少数类簇内样本进行扩充，具体方式如下：
(a)获取少数类5g套餐样本数据所在簇的样本中心点i，标记其特征向量为xi；
(b)首先从该少数类5g套餐样本的全部t个样本中找到簇内中心点的k个近邻，记为xi(near),near∈{1,…,k}；
(c)从这k个近邻中随机选择一个样本xi(1)，再生成一个0-1之间的随机数
(d)将上一步骤重复进行n此后，从而可以合成n个新样本，以达到与多数类簇样本量平衡。
假设共有七个聚类簇，原始总样本量为m，其中最大簇内样本量为n，n<<m，经过以上数据增强，最终样本总量增加至7*n。
通过第六步数据增强的方式，使得5g套餐推荐模型父分类器中各类样本数据达到平衡，从而提升5g套餐推荐父分类器模型的准确性和鲁棒性。
目前采用协同过滤、多分类模型对全量用户进行套餐推荐的效果较差，本方案的优势如下：
1、构建多层分类模型，优先挖掘5g套餐潜客，明确目标用户，节省后续推荐步骤中消耗的人力、物力；
2、基于业务和加权核函数进行线性强相关特征衍生，充分从有限的特征中提取出更加有效的信息。
3、将样本权重引入互信息公式中，减小不平衡样本对特征选择的影响，以便提取真实有效的特征变量，为后续溯源分析提供有力依据；
4、通过投票方式集成各种模型预测结果，保证了模型鲁棒性的同时，也提升了模型准确率；
5、采用级联分类器进行套餐推荐，有效缓解了套餐类别多，样本分布不均所导致的分类误差大等问题。
6、通过以上优化方案，提升了5g套餐潜客挖掘准确率以及套餐推荐成功率。5g套餐潜客挖掘模型训练集和测试集的roc曲线，训练集auc值为0.928，测试集auc值为0.885。5g套餐推荐的成功率为0.657，模型效果较好。
如图6所示，本申请实施例还提供一种5g套餐推送装置，包括：
第一确定模块601，用于利用预设的多层级联分类器中的二分类模型确定5g套餐潜客；其中，多层级联分类器包括二分类模型和级联多分类器；
推送模块602，用于针对5g套餐潜客，利用级联多分类器进行5g套餐推送。
在一个实施例中，装置还包括：
第二确定模块，用于基于业务和加权组合核函数对线性强相关特征进行衍生，确定模型输入特征；
构建模块，用于基于模型输入特征，构建多层级联分类器。
在一个实施例中，第二确定模块，包括：
衍生单元，用于基于业务和加权组合核函数对线性强相关特征进行衍生，确定第一输入特征；
确定单元，用于利用样本分布权重互信息函数和第一输入特征，确定模型输入特征。
在一个实施例中，构建模块，包括：
第一构建单元，用于基于模型输入特征，通过策略规划聚类的方式构建父分类器；
第二构建单元，用于针对聚类后的各个簇构建子分类器；
获取单元，用于基于父分类器和子分类器，得到多层级联分类器中的级联多分类器。
在一个实施例中，第一构建单元，包括：
数据增强子单元，用于采用数据增强方式对模型输入特征进行数据增强；
构建子单元，用于基于数据增强后的模型输入特征，通过策略规划聚类的方式构建父分类器。
图6所示装置中的各个模块/单元具有实现图1中各个步骤的功能，并能达到其相应的技术效果，为简洁描述，在此不再赘述。
图7示出了本申请实施例提供的电子设备的结构示意图。
电子设备可以包括处理器701以及存储有计算机程序指令的存储器702。
具体地，上述处理器701可以包括中央处理器(cpu)，或者特定集成电路(applicationspecificintegratedcircuit，asic)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器702可包括硬盘驱动器(harddiskdrive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universalserialbus，usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器702可在电子设备的内部或外部。在特定实施例中，存储器702可以是非易失性固态存储器。
在一个实例中，存储器702可以是只读存储器(readonlymemory，rom)。在一个实例中，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。
处理器701通过读取并执行存储器702中存储的计算机程序指令，以实现上述实施例中的任意一种5g套餐推送方法。
在一个示例中，电子设备还可包括通信接口703和总线710。其中，如图7所示，处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。
通信接口703，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线710包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(agp)或其他图形总线、增强工业标准架构(eisa)总线、前端总线(fsb)、超传输(ht)互连、工业标准架构(isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线710可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
另外，本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种5g套餐推送方法。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能模块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。
1.一种5g套餐推送方法，其特征在于，包括：
利用预设的多层级联分类器中的二分类模型确定5g套餐潜客；其中，所述多层级联分类器包括所述二分类模型和级联多分类器；
针对所述5g套餐潜客，利用所述级联多分类器进行5g套餐推送。
2.根据权利要求1所述的5g套餐推送方法，其特征在于，在所述利用预设的多层级联分类器中的二分类模型确定5g套餐潜客之前，所述方法还包括：
基于业务和加权组合核函数对线性强相关特征进行衍生，确定模型输入特征；
基于所述模型输入特征，构建所述多层级联分类器。
3.根据权利要求2所述的5g套餐推送方法，其特征在于，所述基于业务和加权组合核函数对线性强相关特征进行衍生，确定模型输入特征，包括：
基于业务和加权组合核函数对线性强相关特征进行衍生，确定第一输入特征；
利用样本分布权重互信息函数和所述第一输入特征，确定所述模型输入特征。
4.根据权利要求2所述的5g套餐推送方法，其特征在于，所述基于所述模型输入特征，构建所述多层级联分类器，包括：
基于所述模型输入特征，通过策略规划聚类的方式构建父分类器；
针对聚类后的各个簇构建子分类器；
基于所述父分类器和所述子分类器，得到所述多层级联分类器中的所述级联多分类器。
5.根据权利要求4所述的5g套餐推送方法，其特征在于，所述基于所述模型输入特征，通过策略规划聚类的方式构建父分类器，包括：
采用数据增强方式对所述模型输入特征进行数据增强；
基于数据增强后的模型输入特征，通过所述策略规划聚类的方式构建所述父分类器。
6.一种5g套餐推送装置，其特征在于，包括：
第一确定模块，用于利用预设的多层级联分类器中的二分类模型确定5g套餐潜客；其中，所述多层级联分类器包括所述二分类模型和级联多分类器；
推送模块，用于针对所述5g套餐潜客，利用所述级联多分类器进行5g套餐推送。
7.根据权利要求6所述的5g套餐推送装置，其特征在于，所述装置还包括：
第二确定模块，用于基于业务和加权组合核函数对线性强相关特征进行衍生，确定模型输入特征；
构建模块，用于基于所述模型输入特征，构建所述多层级联分类器。
8.根据权利要求7所述的5g套餐推送装置，其特征在于，所述第二确定模块，包括：
衍生单元，用于基于业务和加权组合核函数对线性强相关特征进行衍生，确定第一输入特征；
确定单元，用于利用样本分布权重互信息函数和所述第一输入特征，确定所述模型输入特征。
9.根据权利要求7所述的5g套餐推送装置，其特征在于，所述构建模块，包括：
第一构建单元，用于基于所述模型输入特征，通过策略规划聚类的方式构建父分类器；
第二构建单元，用于针对聚类后的各个簇构建子分类器；
获取单元，用于基于所述父分类器和所述子分类器，得到所述多层级联分类器中的所述级联多分类器。
10.根据权利要求9所述的5g套餐推送装置，其特征在于，所述第一构建单元，包括：
数据增强子单元，用于采用数据增强方式对所述模型输入特征进行数据增强；
构建子单元，用于基于数据增强后的模型输入特征，通过所述策略规划聚类的方式构建所述父分类器。
11.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-5任意一项所述的5g套餐推送方法。
12.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-5任意一项所述的5g套餐推送方法。
技术总结