CN107578332A - 一种推荐现金商品的方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种推荐现金商品的方法、装置、设备及存储介质。该方法包括：获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本；将预设的用户特征信息对应配置于正样本和负样本并生成目标训练集；采用二元分类器算法，根据目标训练集，对预设的数学模型进行训练，得到训练模型；获取待预测用户的用户特征信息，将用户特征信息作为输入变量输入训练模型，输出待预测用户对应的现金商品的排序结果。本发明实施例解决了向用户推荐的现金商品与用户实际购买的现金商品偏离较大的问题，实现了推荐准确度及盈利的提高和用户体验的改善。

Description

一种推荐现金商品的方法、装置、设备及存储介质

技术领域

本发明实施例涉及互联网技术，尤其涉及一种推荐现金商品的方法、装置、设备及存储介质。

背景技术

随着互联网金融的发展，出现了现金商品，如取现、信用卡还卡等。上述商品主要有两个不确定因素：金额和期数，当用户面对现金商品页面时，如何根据用户特征，提供合适的金额和期数的组合选择方式，目前主要有两种处理方法：其一，采用业务规则方法，如按照用户公司收益最大化的方法，将其最大的可借额度作为推荐金额，按照最大期数作为推荐期数；其二，热销方法，按照实际用户最常出现的借款的金额和期数作为推荐的金额和期数。

上述方式一，虽然理论上可实现公司利益最大化，但实际上并不是大部分用户在多数情况下的选择，当和用户真实选择的金额和期数偏离较大时，用户需要手动修改金额和期数；上述方式二，由于不同用户对应的借款需求以及还款意愿不一样，因此用实际最常出现的金额和期数并不能代表所用用户的选择，因而准确率也不高。

针对上述问题，目前尚未提出有效的解决方案。

发明内容

本发明提供一种推荐现金商品的方法、装置、设备及存储介质，以实现提高推荐准确度。

第一方面，本发明实施例提供了一种推荐现金商品的方法，该方法包括：

获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本；

将预设的用户特征信息对应配置于所述正样本和所述负样本并生成目标训练集；

采用二元分类器算法，根据所述目标训练集，对预设的数学模型进行训练，得到训练模型；

获取待预测用户的用户特征信息，将所述用户特征信息作为输入变量输入所述训练模型，输出所述待预测用户对应的现金商品的排序结果。

进一步的，现金商品的参数包括金额和期数；所述正样本为所述用户购买的现金商品中选择的金额和期数构成的组合；所述负样本为所述用户购买的现金商品中未选择的金额和期数构成的组合。

进一步的，所述获取待预测用户的用户特征信息，将所述用户特征信息作为输入变量输入所述训练模型，输出所述待预测用户对应的现金商品的排序结果之后，还包括：

基于预设的业务规则，从所述排序结果中选取对应最大值的金额和期数的组合，将所述金额和期数的组合推荐给所述待预测用户。

进一步的，所述将预设的用户特征信息对应配置于所述正样本和所述负样本并生成目标训练集，包括：

获取预设的用户特征信息，所述用户特征信息包括用户基本信息、现金商品信息、用户历史借款信息和用户与推荐现金商品组合关系信息；

将所述预设的用户特征信息填入对应的所述正样本和所述负样本中，并生成所述目标训练集。

进一步的，所述二元分类器算法包括决策树和逻辑回归。

第二方面，本发明实施例还提供了一种推荐现金商品的装置，该装置包括：

正负样本获取模块，用于获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本；

目标训练集生成模块，用于将预设的用户特征信息对应配置于所述正样本和所述负样本并生成目标训练集；

训练模型获取模块，用于采用二元分类器算法，根据所述目标训练集，对预设的数学模型进行训练，得到训练模型；

排序结果生成模块，用于获取待预测用户的用户特征信息，将所述用户特征信息作为输入变量输入所述训练模型，输出所述待预测用户对应的现金商品的排序结果。

进一步的，现金商品的参数包括金额和期数；所述正样本为所述用户购买的现金商品中选择的金额和期数构成的组合；所述负样本为所述用户购买的现金商品中未选择的金额和期数构成的组合；

所述装置，还包括：

推荐模块，用于基于预设的业务规则，从所述排序结果中选取对应最大值的金额和期数的组合，将所述金额和期数的组合推荐给所述待预测用户。

进一步的，所述目标训练集生成模块，包括：

信息获取单元，用于获取预设的用户特征信息，所述用户特征信息包括用户基本信息、现金商品信息、用户历史借款信息和用户与推荐现金商品组合关系信息；

样本训练单元，用于将所述预设的用户特征信息填入对应的所述正样本和所述负样本中，并生成所述目标训练集。

第三方面，本发明实施例还提供了一种设备，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如前文所述的推荐现金商品的方法。

第四方面，本发明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，该程序被处理器执行时实现如前文所述的推荐现金商品的方法。

本发明通过获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本，将预设的用户特征信息对应配置于正样本和负样本并生成目标训练集，采用二元分类器算法，根据上述目标训练集对预设的数学模型进行训练，得到训练模型，利用上述训练模型预测待预测用户对应的现金商品的排序结果。解决了向用户推荐的现金商品与用户实际购买的现金商品偏离较大的问题，实现了推荐准确度及盈利的提高和用户体验的改善。

附图说明

图1a是本发明实施例一中的一种推荐现金商品的方法的流程图；

图1b是本发明实施例一中的用户特征信息的示意图；

图1c是本发明实施例一中的现金商品的金额填写页面的示意图；

图1d是本发明实施例一中的现金商品的期数填写页面的示意图；

图2是本发明实施例一中的一种推荐现金商品的方法的流程图；

图3是本发明实施例三中的一种推荐现金商品的装置的结构示意图；

图4是本发明实施例四中的一种设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1a为本发明实施例一提供的一种推荐现金商品的方法的流程图，本实施例可适用于向用户推荐合适的现金商品的情况，该方法可以由推荐现金商品的装置来执行，该装置可以采用软件和/或硬件的方式实现，该装置可以配置于终端中，例如典型的是手机、计算机、平板电脑等。如图1a所示，该方法具体包括如下步骤：

步骤S110、获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本；

其中，现金商品是随着互联网金融的发展而出现的，可选的，现金商品的参数包括金额和期数，相应的，正样本为用户购买的现金商品中选择的金额和起手构成的组合，负样本为用户购买的现金商品中未选择的金额和期数构成的组合。示例性的，可供用户选择的金额的最小值为100元，最大值为公司给每个用户的可借额度，比如5000元，同时设定可选择的金额为100元的整倍数；可供用户选择的期数有3期，6期，9期，12期，18期，21期，24期，36期等，上述金额和期数便可形成(1000元，3期)、(1000元，6期)、(1000元，9期)等组合方式，需要说明的是，在实际业务中，由于向用户提供的可选择的金额和期数的种类均为有限种，因此，上述构成的组合方式也为有限种。此外，根据实际情况，针对具体金额和期数的可选种类进行设定，在此并不作限定。当用户在上述提供的多种组合方式中选择了某一种(如(1000元，6期))，那么该种组合便称为正样本，与此同时，未被选择的其它种类(如(1000元,3期)，(1000元，24期)等)便称为负样本。由此可以看出，针对一名用户来说，正样本的个数为一个，而负样本的个数为多个。

步骤S120、将预设的用户特征信息对应配置于正样本和负样本并生成目标训练集；

可选的，用户特征信息至少包括用户基本信息和现金商品信息，其中，用户基本信息包括性别、年龄和最大可借额度，现金商品信息包括金额、期数、该金额有多少用户选择、该期数有多少用户选择以及该金额期数有多少用户选择，需要说明的是，现金商品信息中所填写的金额和期数即为步骤S110中正样本和负样本中所选择的金额和期数，示例性的，比如某名用户购买的现金商品中正样本(1000元，6期)中金额和期数分别为1000元和6期，那么相应的现金商品信息中所填写的金额和期数便分别为1000元和6期，采用同样的方式可以对应负样本中的现金商品信息中所应该填写的金额和期数，在此不再赘述。该金额有多少用户选择、该期数有多少用户选择以及该金额期数有多少用户选择可以通过统计系统中的历史数据获取。

由于正样本和负样本本身体现了对金额和期数组合方式的选择，优选的，设定正样本对应取值为1，负样本对应取值为0，这样正样本和负样本以及对应取值便组成了目标训练集，即可以用X表示配置了预设的用户特征信息的正样本和负样本，用Y表示正样本和负样本的对应取值，则(X，Y)表示构成的目标训练，上述目标训练集用于后续对建立的f：X→Y这个模型进行训练。

步骤S130、采用二元分类器算法，根据目标训练集，对预设的数学模型进行训练，得到训练模型；

其中，所谓分类就是从已知数据中找到一组能够描述所有数据的共同特征的模型，以便能够识别出未知数据的所属类别，分类器算法包括二元分类器算法和多元分类器算法。分类器算法属于有监督算法，一般来说，分类的过程分为两个部分，分别是训练和测试，即先从训练数据上训练出一个分类模型，再将该模型应用在测试数据上。这个分类模型代表了分类“知识”的集合，即属性值与类别之间的关系，对于给定的类别未知的实例，分类模型可以通过其属性值来预测它所属的类别。分类器算法的主要目标之一就是使训练模型在测试数据上的分类正确率最大化，对于本实施例来说，便是期望推荐给用户的现金商品是用户最终购买的现金商品。需要说明的是，上述目标训练集可以按照预设比例和规则，将其中一部分划分为训练集，另一部分划分为测试集，比如1000个样本按照85％的比例，随机抽取850个作为训练集，其余的150个作为测试集，上述比例和规则根据实际情况进行设定，在此不作具体限定，训练集具体用于对预设的数学模型进行训练，得到训练模型，测试集具体用于对训练模型进行评价，以便得到与实际情况更相符合的训练模型。

可选的，在多类问题中，每个实例都属于N(N＞2)个不同的类之一，可以基于分解策略的思想，将N类问题转换成N个独立的二元分类问题，每个二元分类器可以区分其中一个类和除该类外的其它类。在训练过程中，每个二元分类器要用到所有的训练数据，一般情况下，将指定的一个类标记为正，其余的类标记为负，当然也可以标记为其它形式，如指定的一个类标记为1，其余的类标记为0。在对实例进行测试的阶段，每一个二元分类器都会有一个输出，在大多数情况下，N个二元分类器可能会出现多个

可选的，二元分类器算法包括但不限于决策树、逻辑回归以及梯度提升回归树，下面以决策树和逻辑回归为例进行说明。

示例性的，决策树是一种用于解决分类和回归问题的非参数化的监督式的学习算法，也是一种在已知各种情况发生的概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率来判断可行性的决策分析算法。同时也是直观运用概率分析的一种图解算法，其树结构不仅限于是二叉树，并且决策树的构造不依赖于具体的领域知识，构造和决策的过程十分清晰、直观。在机器学习中，决策树是一种预测模型，它代表的是对象属性与对象值之间的一种映射关系，在本实施例中对象属性指的是配置了预设的用户特征信息的正样本和负样本，对象值指的是正样本和负样本的对应取值。树中每个节点表示某个对象，而每个分叉路径则代表的某个可能的属性值，而每个叶节点则对应从根节点到该叶节点所经历的路径所表示的对象的值。在本实施例中，节点指的是用户基本信息、现金商品信息，以及性别、年龄、最大可借额度、金额、期数、该金额有多少用户选择、该期数有多少用户选择和该金额期数有多少用户选择等，属性值指的是该节点对应的概率。决策树由决策点、状态节点和结果节点组成，其中，决策点是对几种可能方案的选择，即最后选择的最佳方案。如果决策属于多级决策，则决策树的中间可以由多个决策点，以决策树根部的决策点为最终决策方案；状态节点，代表备选方案的期望值，通过各状态节点的期望值的对比，按照一定的决策标准就可以选出最佳方案，由状态节点引出的分支称为概率枝，概率枝的数目表示可能出现的自然状态数目，每个分支上要注明该状态出现的概率；结果节点，用于将每个方案在各种自然状态下取得的损益值标注于结果节点的右端。

基于决策树算法，利用目标训练集(X，Y)对预设的数学模型f进行训练，最终得到训练模型Y＝f(X)，即确定了X→Y的映射关系f。之后便可以应用该模型，输入X，获取对应的Y，其中，获取的对应的Y表示概率值。概率值越大表示用户购买该现金商品的可能性越高。

示例性的，逻辑回归本质上是一种线性回归，它通过把逻辑函数作用在线性回归上，将线性回归的值域从(-∞，+∞)映射到(0,1)，主要用于解决二元分类问题，算法在已有的训练数据上对分类建立回归公式，回归系数可以被理解为是各个属性重要性的权重。逻辑回归的具体实现过程为：设定合适的预测函数，一般表示为h函数，用来预测输入数据的判断结果；构造损失函数，该函数表示预测的输出h与目标训练集中的输出Y之间的偏差，可以是两者之间的差h-Y或者是其它的形式。综合考虑所有训练数据的“损失”，将损失函数求和或者求平均，记为J(θ)函数，表示所有训练数据预测值与实际输出值的偏差；求取J(θ)函数的最小值，并在此基础上求得回归系数，即确定Y＝βX。

基于逻辑回归算法，利用目标训练集(X，Y)对预设的数学模型f＝f(X)＝βX进行训练，最终得到训练模型Y＝f(X)，即确定了X→Y的映射关系f。之后便可以应用该模型，输入X，获取对应的Y，其中，获取的对应的Y表示概率值。同样，概率值越大表示用户购买该现金商品的可能性越高。

上述完成训练模型的确定过程，便于后续应用该训练模型向用户推荐符合自身预期的现金商品。

步骤S140、获取待预测用户的用户特征信息，将用户特征信息作为输入变量输入训练模型，输出待预测用户对应的现金商品的排序结果。

其中，待预测的用户特征信息与步骤S120中的用户特征信息包含的内容相同，同样也至少包括用户基本信息和现金商品信息，其中，用户基本信息包括性别、年龄和最大可借额度，现金商品信息包括金额、期数、该金额有多少用户选择、该期数有多少用户选择以及该金额期数有多少用户选择。需要说明的是，金额和期数的所有可能的组合方式均需要填入现金商品信息中，换句话说，用户特征信息中包含了所有的金额和期数的组合方式。示例性的，比如可供用户选择的金额的最小值为100元，最大值为公司给每个用户的可借额度，比如5000元，同时设定可选择的金额为100元的整倍数，那么可供用户选择的金额共有50种；可供用户选择的期数有3期，6期，9期，12期，18期，21期，24期和36期，那么可供用户选择的期数共有8种。基于上述，金额和期数的组合方式共有400种，比如，针对金额1000元来说，有(1000元，3期)、(1000元，6期)、(1000元，9期)、(1000元，12期)、(1000元，18期)、(1000元，21期)、(1000元，24期)和(1000元，36期)共计8种组合方式，其它组合方式可以采用同样的方式构成，在此不再赘述。这400种组合方式均需填入现金商品信息中，相应的，输入变量也就包含了金额和期数的所有可能的组合方式，那么对应的输出变量也便有了每种组合方式的结果，将上述结果进行降序或升序排序，最终输出对应的现金商品的排序结果，根据步骤S130可知，输出变量中每种组合方式的结果表示概率值。

需要说明的是，上述可供用户选择的金额的上限并不一定是公司给该名用户的可借额度，可以为可提供的最大可借额度。

可选的，根据上述排序结果可以向用户推荐现金商品，即金额和期数的组合方式。

需要说明的是，通常向用户推荐现金商品的过程中，也会将盈利考虑在内。

本实施例的技术方案，通过获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本，将预设的用户特征信息对应配置于正样本和负样本并生成目标训练集，采用二元分类器算法，根据上述目标训练集对预设的数学模型进行训练，得到训练模型，利用上述训练模型预测待预测用户对应的现金商品的排序结果，解决了向用户推荐的现金商品与用户实际购买的现金商品偏离较大的问题，实现了推荐准确度及盈利的提高和用户体验的改善。

进一步的，在上述技术方案的基础上，将预设的用户特征信息对应配置于正样本和负样本并生成目标训练集，包括：

获取预设的用户特征信息，用户特征信息包括用户基本信息、现金商品信息、用户历史借款信息和用户与推荐现金商品组合关系信息；

示例性的，图1b示出了用户特征信息所包含的内容，上述用户特征信息可以根据实际情况进行具体设定，在此并不作具体限定。其中，根据用户历史借款信息和用户与推荐现金商品组合关系信息为向用户推荐其合适的现金商品提供了可更加准确分析的维度，并使得用户特征信息比较全面。

将预设的用户特征信息填入对应的正样本和负样本中，并生成目标训练集。

基于上述用户特征信息生成的目标训练集中由于包含了用户历史借款信息和用户与推荐现金商品组合关系信息，使得构成的目标训练集更加符合实际情况。

进一步的，在上述技术方案的基础上，在获取待预测用户的用户特征信息，将用户特征信息作为输入变量输入训练模型，输出待预测用户对应的现金商品的排序结果之后，还包括：

基于预设的业务规则，从排序结果中选取对应最大值的金额和期数的组合，将金额和期数的组合推荐给待预测用户。

根据步骤S140可知，排序结果为概率值大小排序结果。预设的业务规则可以表示用户的最大可借额度，比如某名用户的最大可借额度为1000元，那么向该名用户推荐现金商品时，金额1000元以上的排序结果便不再考虑范围内，这样可以减少数据处理量，提高推荐准确率。

具体的，根据步骤S140可知，输出变量包含有每种组合方式的结果，从排序结果中选取对应最大值，即概率值最大的金额和期数的组合，将该金额和期数的组合作为现金商品推荐给用户，便可认为上述现金商品是用户最可能选择的。示例性的，比如(1000元，36期)对应的概率值最大为0.98，那么便可将金额1000元填入用户默认金额中，如图1c所示。如果用户选择了该金额，那么下一步选择期数时，便将36期作为用户默认期数推荐给用户，如图1d所示。如果用户没有选择金额1000元，而是修改了另外一个金额，比如500元，那么下一步选择期数时，需要重新根据排序结果选取金额500元对应的最大值，即概率值最大的金额和期数的组合，比如(500元，3期)对应的概率值在金额500元的条件下最大，进而便可将3期作为用户默认期数推荐给用户。

通过上述步骤，尽量使得推荐给用户的现金商品是用户最终选择的现金商品。

进一步的，在上述技术方案的基础上，在获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本之前，还包括：

筛选符合预设条件的用户。

其中，预设条件指的是符合规定的借款条件。该借款条件包括用户身份，比如是没有使用记录的新用户，便不会将其筛选，即不作本实施例提供的技术方案的推荐，主要基于如下理由：其一，新用户一般有特定的新人优惠券，新人优惠券里面对金额和期数的组合有明确的限定，这会对用户选择金额和期数形成明确的导向性；其二，新人优惠券一般是倾向性客户，对公司来说是亏损的，所以推荐的逻辑与盈利性质的现金商品的推荐逻辑不同，即在有新人优惠券的情况下，期望用户选择的金额越小越好，期数也越小越好。

通过筛选用户，使得推荐现金商品的群体更有针对性。

实施例二

图2为本发明实施例二提供的一种推荐现金商品的方法的流程图，本实施例可适用于向用户推荐合适的现金商品的情况，该方法可以由推荐现金商品的装置来执行，该装置可以采用软件和/或硬件的方式实现，该装置可以配置于终端中，例如典型的是手机、计算机、平板电脑等。如图2所示，该方法具体包括如下步骤：

步骤S210、筛选符合预设条件的用户；

其中，通过筛选用户，使得推荐现金商品的群体更有针对性。

步骤S220、获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本；

其中，现金商品的参数包括金额和期数，相应的，正样本为用户购买的现金商品中选择的金额和起手构成的组合，负样本为用户购买的现金商品中未选择的金额和期数构成的组合。

步骤S230、获取预设的用户特征信息，用户特征信息包括用户基本信息、现金商品信息、用户历史借款信息和用户与推荐现金商品组合关系信息；

步骤S240、将预设的用户特征信息填入对应的正样本和负样本中，并生成目标训练集；

基于上述用户特征信息生成的目标训练集中由于包含了用户历史借款信息和用户与推荐现金商品组合关系信息，使得构成的目标训练集更加符合实际情况。

步骤S250、采用二元分类器算法，根据目标训练集，对预设的数学模型进行训练，得到训练模型；

可选的，二元分类器算法包括但不限于决策树、逻辑回归以及梯度提升回归树。

步骤S260、获取待预测用户的用户特征信息，将用户特性信息作为输入变量输入训练模型，输出待预测用户对应的现金商品的排序结果；

步骤S270、基于预设的业务规则，从排序结果中选取对应的最大值的金额和期数的组合，将金额和期数的组合推荐给待预测用户。

通过上述步骤，尽量使得推荐给用户的现金商品是用户最终选择的现金商品。

本实施例的技术方案，通过获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本，将预设的用户特征信息对应配置于正样本和负样本并生成目标训练集，采用二元分类器算法，根据上述目标训练集对预设的数学模型进行训练，得到训练模型，利用上述训练模型预测待预测用户对应的现金商品的排序结果，解决了向用户推荐的现金商品与用户实际购买的现金商品偏离较大的问题，实现了推荐准确度及盈利的提高和用户体验的改善。

实施例三

图3为本发明实施例三提供的一种推荐现金商品的装置的结构示意图，本实施例可适用于向用户推荐合适的现金商品的情况，该装置可以采用软件和/或硬件的方式实现，该装置可以配置于终端中，例如典型的是手机、计算机、平板电脑等。如图3所示，该装置具体包括：

正负样本获取模块310，用于获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本；

可选的，现金商品的参数包括金额和期数，相应的，正样本为用户购买的现金商品中选择的金额和期数构成的组合，负样本为用户购买的现金商品中未选择的金额和期数构成的组合。

目标训练集生成模块320，用于将预设的用户特征信息对应配置于所述正样本和所述负样本并生成目标训练集；

训练模型获取模块330，用于采用二元分类器算法，根据所述目标训练集，对预设的数学模型进行训练，得到训练模型；

可选的，二元分类器算法包括但不限于决策树、逻辑回归以及梯度提升回归树。

排序结果生成模块340，用于获取待预测用户的用户特征信息，将所述用户特征信息作为输入变量输入所述训练模型，输出所述待预测用户对应的现金商品的排序结果。

本实施例的技术方案，通过获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本，将预设的用户特征信息对应配置于正样本和负样本并生成目标训练集，采用二元分类器算法，根据上述目标训练集对预设的数学模型进行训练，得到训练模型，利用上述训练模型预测待预测用户对应的现金商品的排序结果，解决了向用户推荐的现金商品与用户实际购买的现金商品偏离较大的问题，实现了推荐准确度及盈利的提高和用户体验的改善。

进一步的，在上述技术方案的基础上，目标训练集生成模块320，包括：

信息获取单元，用于获取预设的用户特征信息，用户特征信息包括用户基本信息、现金商品信息、用户历史借款信息和用户与推荐现金商品组合关系信息；

样本训练单元，用于将预设的用户特征信息填入对应的正样本和负样本中，并生成目标训练集。

进一步的，在上述技术方案的基础上，所述装置，还包括：

推荐模块350，用于基于预设的业务规则，从排序结果中选取对应最大值的金额和期数的组合，将金额和期数的组合推荐给待预测用户。

进一步的，在上述技术方案的基础上，所述装置，还包括：

筛选模块300，用于筛选符合预设条件的用户。

本发明实施例所提供的配置于终端的推荐现金商品的装置可执行本发明任意实施例所提供的应用于终端的推荐现金商品的方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4为本发明实施例四提供的一种设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性设备412的框图。图4显示的设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，设备412以通用计算设备的形式表现。设备412的组件可以包括但不限于：一个或者多个处理器416，系统存储器428，连接于不同系统组件(包括系统存储器428和处理器416)的总线418。

总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。

设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该设备412交互的设备通信，和/或与使得该设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与设备412的其它模块通信。应当明白，尽管图4中未示出，可以结合设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理器416通过运行存储在系统存储器428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种推荐现金商品的方法，包括：

获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本；

将预设的用户特征信息对应配置于正样本和负样本并生成目标训练集；

采用二元分类器算法，根据目标训练集，对预设的数学模型进行训练，得到训练模型；

获取待预测用户的用户特征信息，将用户特征信息作为输入变量输入训练模型，输出待预测用户对应的现金商品的排序结果。

实施例五

本发明实施例五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，该程序被处理器执行时实现如本发明实施例所提供的一种推荐现金商品的方法，该方法包括：

获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本；

将预设的用户特征信息对应配置于正样本和负样本并生成目标训练集；

采用二元分类器算法，根据目标训练集，对预设的数学模型进行训练，得到训练模型；

获取待预测用户的用户特征信息，将用户特征信息作为输入变量输入训练模型，输出待预测用户对应的现金商品的排序结果。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、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。在本文件中，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。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种推荐现金商品的方法，其特征在于，包括：

获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本；

将预设的用户特征信息对应配置于所述正样本和所述负样本并生成目标训练集；

采用二元分类器算法，根据所述目标训练集，对预设的数学模型进行训练，得到训练模型；

获取待预测用户的用户特征信息，将所述用户特征信息作为输入变量输入所述训练模型，输出所述待预测用户对应的现金商品的排序结果。

2.根据权利要求1所述的方法，其特征在于，现金商品的参数包括金额和期数；所述正样本为所述用户购买的现金商品中选择的金额和期数构成的组合；所述负样本为所述用户购买的现金商品中未选择的金额和期数构成的组合。

3.根据权利要求2所述的方法，其特征在于，所述获取待预测用户的用户特征信息，将所述用户特征信息作为输入变量输入所述训练模型，输出所述待预测用户对应的现金商品的排序结果之后，还包括：

基于预设的业务规则，从所述排序结果中选取对应最大值的金额和期数的组合，将所述金额和期数的组合推荐给所述待预测用户。

4.根据权利要求1所述的方法，其特征在于，所述将预设的用户特征信息对应配置于所述正样本和所述负样本并生成目标训练集，包括：

获取预设的用户特征信息，所述用户特征信息包括用户基本信息、现金商品信息、用户历史借款信息和用户与推荐现金商品组合关系信息；

将所述预设的用户特征信息填入对应的所述正样本和所述负样本中，并生成所述目标训练集。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述二元分类器算法包括决策树和逻辑回归。

6.一种推荐现金商品的装置，其特征在于，包括：

正负样本获取模块，用于获取多名用户购买的现金商品所构成的多个预先确定的正样本和负样本；

目标训练集生成模块，用于将预设的用户特征信息对应配置于所述正样本和所述负样本并生成目标训练集；

训练模型获取模块，用于采用二元分类器算法，根据所述目标训练集，对预设的数学模型进行训练，得到训练模型；

排序结果生成模块，用于获取待预测用户的用户特征信息，将所述用户特征信息作为输入变量输入所述训练模型，输出所述待预测用户对应的现金商品的排序结果。

7.根据权利要求6所述的装置，其特征在于，现金商品的参数包括金额和期数；所述正样本为所述用户购买的现金商品中选择的金额和期数构成的组合；所述负样本为所述用户购买的现金商品中未选择的金额和期数构成的组合；

所述装置，还包括：

推荐模块，用于基于预设的业务规则，从所述排序结果中选取对应最大值的金额和期数的组合，将所述金额和期数的组合推荐给所述待预测用户。

8.根据权利要求6所述的装置，其特征在于，所述目标训练集生成模块，包括：

信息获取单元，用于获取预设的用户特征信息，所述用户特征信息包括用户基本信息、现金商品信息、用户历史借款信息和用户与推荐现金商品组合关系信息；

样本训练单元，用于将所述预设的用户特征信息填入对应的所述正样本和所述负样本中，并生成所述目标训练集。

9.一种设备，其特征在于，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的推荐现金商品的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的推荐现金商品的方法。