CN109146193B - 产品智能推荐方法、装置、计算机设备及存储介质 - Google Patents

产品智能推荐方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN109146193B
CN109146193B CN201811029043.7A CN201811029043A CN109146193B CN 109146193 B CN109146193 B CN 109146193B CN 201811029043 A CN201811029043 A CN 201811029043A CN 109146193 B CN109146193 B CN 109146193B
Authority
CN
China
Prior art keywords
product
scoring
value
unit
mean square
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811029043.7A
Other languages
English (en)
Other versions
CN109146193A (zh
Inventor
金戈
徐亮
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201811029043.7A priority Critical patent/CN109146193B/zh
Priority to PCT/CN2018/125345 priority patent/WO2020048065A1/zh
Publication of CN109146193A publication Critical patent/CN109146193A/zh
Application granted granted Critical
Publication of CN109146193B publication Critical patent/CN109146193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了产品智能推荐方法、装置、计算机设备及存储介质。该方法包括：通过预设的模型构建规则及预先存储的产品信息表中的产品信息构建评分预测模型；根据预先存储的历史评分数据表中产品的评分数据及预设的训练参数对所构建的评分预测模型进行训练；获取一个客户的评分数据，根据该客户对已评分产品的评分数据及已训练的评分预测模型对该客户的未评分产品进行评分以得到未评分产品的预测评分；根据预设的产品筛选规则对该客户的未评分产品进行筛选以得到对该客户进行推荐的目标产品。通过采用上述基于神经网络的产品智能推荐方法，能够大幅提高对产品进行预测评分的效率以及准确性，减少了预测评分耗时，方便了企业筛选出目标产品。

Description

产品智能推荐方法、装置、计算机设备及存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种产品智能推荐方法、装置、计算机设备及存储介质。
背景技术
在根据客户对某部分产品的评分计算客户对其他产品进行评分并根据评分结果为客户推荐相关产品的过程中，涉及对未评分的产品进行预测评分，目前所采用的预测评分方法是通过矩阵分解结合用户已有评分建立映射矩阵，以实现对其他产品进行预测评分。然而采用建立映射矩阵的预测评分方法对未评分产品进行计算时，存在计算量较大、评分耗时长的问题，导致客户所需等待的时间较长，因而现有的评分方法存在预测评分效率不高的问题。
发明内容
本发明实施例提供了一种产品智能推荐方法、装置、计算机设备及存储介质，旨在解决现有技术中产品推荐方法所存在的预测评分效率不高的问题。
第一方面，本发明实施例提供了一种产品智能推荐方法，其包括：
获取预先存储的产品信息表，通过预设的模型构建规则及所述产品信息表中的产品信息构建评分预测模型；
获取预先存储的历史评分数据表，根据所述历史评分数据表中产品的评分数据及预设的训练参数对所构建的评分预测模型进行训练；
获取预先存储的历史评分数据表中一个客户的评分数据，根据该客户对已评分产品的评分数据及已训练的评分预测模型对该客户的未评分产品进行评分以得到未评分产品的预测评分；
根据预设的产品筛选规则及未评分产品的预测评分对该客户的未评分产品进行筛选以得到对该客户进行推荐的目标产品。
第二方面，本发明实施例提供了一种产品智能推荐装置，其包括：
评分模型构建单元，用于获取预先存储的产品信息表，通过预设的模型构建规则及所述产品信息表中的产品信息构建评分预测模型；
评分模型训练单元，用于获取预先存储的历史评分数据表，根据所述历史评分数据表中产品的评分数据及预设的训练参数对所构建的评分预测模型进行训练；
预测评分单元，用于获取预先存储的历史评分数据表中一个客户的评分数据，根据该客户对已评分产品的评分数据及已训练的评分预测模型对该客户的未评分产品进行评分以得到未评分产品的预测评分；
目标产品筛选单元，用于根据预设的产品筛选规则及未评分产品的预测评分对该客户的未评分产品进行筛选以得到对该客户进行推荐的目标产品。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的产品智能推荐方法。
第四方面，本发明实施例还提供了一种存储介质，其中所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的产品智能推荐方法。
本发明实施例提供了一种产品智能推荐方法、装置、计算机设备及存储介质。通过产品信息及模型构建规则构建得到评分预测模型，并通过历史评分数据表对评分预测模型进行训练，以通过评分预测模型及客户已评分产品的评分数据计算得到该客户未评分产品的预测评分，并预设的产品筛选规则从未评分产品中筛选出预测评分较高的目标产品相该客户进行推荐，能够大幅提高对产品进行预测评分的效率以及预测评分的准确性，减少了预测评分耗时，方便了企业筛选出目标产品对客户进行推荐。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的产品智能推荐方法的流程示意图；
图2为本发明实施例提供的产品智能推荐方法的评分预测模型示意图；
图3为本发明实施例提供的产品智能推荐方法的子流程示意图；
图4为本发明实施例提供的产品智能推荐方法的另一子流程示意图；
图5为本发明实施例提供的产品智能推荐方法的另一子流程示意图；
图6为本发明实施例提供的产品智能推荐方法的另一子流程示意图；
图7为本发明实施例提供的产品智能推荐装置的示意性框图；
图8为本发明实施例提供的产品智能推荐装置的子单元示意性框图；
图9为本发明实施例提供的产品智能推荐装置的另一子单元示意性框图；
图10为本发明实施例提供的产品智能推荐装置的另一子单元示意性框图；
图11为本发明实施例提供的产品智能推荐装置的另一子单元示意性框图；
图12为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，图1是本发明实施例提供的产品智能推荐方法的流程示意图。该产品智能推荐方法应用于管理服务器中，该方法通过安装于管理服务器中的应用软件进行执行，其中，管理服务器即是用于对产品进行智能推荐的企业终端。
如图1所示，该方法包括步骤S101～S104。
S101、获取预先存储的产品信息表，通过预设的模型构建规则及所述产品信息表中的产品信息构建评分预测模型。
通过预设的模型构建规则及所述产品信息表中的产品信息，构建包含全连接隐层、输入节点和输出节点的评分预测模型。模型构建规则即是用于对评分预测模型进行构建的规则信息，评分预测模型基于神经网络进行构建，模型构建规则中包括全连接隐层以及对全连接隐层中特征单元的数量进行配置的单元数量配置信息，全连接隐层即是用于对输入节点与输出节点进行联系的中间层。产品信息表中包含企业为消费者所提供的所有产品的信息，产品信息表中的产品信息包括但不限于产品的数量、产品的名称。图2为本发明实施例提供的产品智能推荐方法的评分预测模型示意图，如图2所示，评分预测模型中包括全连接隐层、多个输入节点和多个输出节点。
在一实施例中，如图3所示，步骤S101包括子步骤S1011、S1012、S1013、S1014和S1015。
S1011、根据产品信息构建评分预测模型的输入节点和输出节点，所述输入节点与输出节点一一对应。
根据产品信息构建评分预测模型的输入节点和输出节点，所述输入节点与输出节点一一对应。具体的，根据产品信息中产品的数量构建与产品数量相同的多个输入节点，并构建与产品数量相同的多个输出节点，其中，一个产品对应一个输入节点和一个输出节点，也即是输入节点包含与该输出节点相对应的产品名称，输出节点包含与该输出节点相对应的产品名称，同一个产品的输入节点与输出节点一一对应。
S1012、根据所述产品信息及模型构建规则中的单元数量配置信息对模型构建规则中的全连接隐层中特征单元的数量进行配置。
根据所述产品信息及模型构建规则中的单元数量配置信息对模型构建规则中的全连接隐层中特征单元的数量进行配置。其中，全连接隐层即是用于对输入节点与输出节点进行联系的中间层，全连接隐层中包含若干个特征单元，每一个特征单元均与所有输入节点和所有输出节点进行关联，特征单元可用于反映产品特性与客户偏好之间的关系，全连接隐层中特征单元的数量可根据单元数量配置信息及产品信息中产品的数量进行配置。例如，单元数量配置信息中预先设定特征单元的数量为产品数量的2/5，产品信息表中企业所有产品的数量为100个，则全连接隐层中特征单元的数量配置为40个。
S1013、根据所述全连接隐层的特征单元及所构建的输入节点，以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组。
根据所述全连接隐层的特征单元及所构建的输入节点，以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组。其中，第一公式组包含所有输入节点至所有特征单元的公式。输入节点即是评分预测模型中用于对某一个产品的评分进行输入的节点，输入节点的具体数值即为输入节点值，特征单元值即是全连接隐层中的特征单元的计算值。
例如，某一输入节点的输入节点值为x1，某一特征单元的特征单元值为y1，则该输入节点至该特征单元的公式为y1＝a×x1+b；其中，a和b为该公式中的参数。
S1014、根据所述全连接隐层的特征单元及所构建的输出节点，以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组。
根据所述全连接隐层的特征单元及所构建的输出节点，以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组。其中，第二公式组包含所有特征单元至所有输出节点的公式。输出节点即是评分预测模型中用于对某一个产品的预测评分进行输出的节点，输出节点的具体数值即是输出节点值，输出节点值即是用于对某一产品进行预测的评分值，特征单元值即是全连接隐层中的特征单元的计算值。
例如，某一特征单元的特征单元值为y1，某一输出节点的输出节点值为z1，则该特征单元至该输出节点的公式为z1＝c×y1+d；其中，c和d为该公式中的参数。
S1015、对所构建的第一公式组和第二公式组中公式的参数进行随机配置。
对第一公式组中公式的参数进行随机配置，对第二公式组中公式的参数进行随机配置，即完成了评分预测模型的构建过程。
S102、获取预先存储的历史评分数据表，根据所述历史评分数据表中产品的评分数据及预设的训练参数对所构建的评分预测模型进行训练。
根据多个客户对产品的评分数据及预设的训练参数，对所构建的评分预测模型进行训练。由于企业所包含的产品数量较多，客户在使用企业的部分产品以后对相应产品进行评分，而由于企业的其他产品该客户未使用，因此该客户只对企业中部分已使用过的产品进行了评分。获取多个客户对产品的评分数据，即可对企业所有产品的评分进行全覆盖，通过多个客户对所有产品的评分数据，对所构建的评分预测模型进行训练。其中，训练参数即是预设的用于对评分预测模型进行训练的参数信息，训练参数中包括均方误差函数、均方误差阈值及参数调整规则。
在一实施例中，如图4所示，步骤S102包括子步骤S1021、S1022、S1023、S1024和S1025。
S1021、获取历史评分数据表中一个客户对产品的评分数据作为第一公式组中相应公式的输入节点值，根据第一公式组中相应公式及输入节点值计算得到全连接隐层中所有特征单元的特征单元值。
获取一个客户对产品的评分数据，作为第一公式组中相应公式的输入节点值，根据第一公式组中相应公式及输入节点值计算得到全连接隐层中所有特征单元的特征单元值。由于每一个特征单元均与所有输入节点和所有输出节点进行关联，也即是通过第一公式组中相应公式及输入节点值即可计算得到全连接隐层中所有特征单元的特征单元值。若第一公式组中相应公式的计算结果中某一特征单元包含多个计算值，则取多个计算值的平均值作为该特征单元的特征单元值；若第一公式组中相应公式的计算结果中某一特征单元仅包含一个计算值，则取该计算值作为该特征单元的特征单元值。
S1022、根据第二公式组中相应公式及特征单元值计算得到相应输出节点的输出节点值。
根据第二公式组中相应公式及特征单元值计算得到相应输出节点的输出节点值，由于同一个产品的输入节点与输出节点一一对应，通过第二公式组中相应公式及特征单元值即可计算得到与输入节点相对应的同一产品输出节点的输出节点值，该输出节点值即是通过评分预测模型对该产品进行预测得到的评分值，由于评分预测模型中的公式的参数还未经过训练进行调整更新，因此当前计算得到的输出节点值仅能用于对评分预测模型进行训练，而无法作为预测评分结果对客户进行相关产品的推荐。
S1023、获取输入节点的输入节点值以及与输入节点一一对应的输出节点的输出节点值，根据所述均方误差函数对所得到的输入节点值及输出节点值进行计算以得到该客户的均方误差值；
获取输入节点的输入节点值，以及与该输入节点一一对应的输出节点的输出节点值，也即是获取评分预测模型中同一产品的输入节点值及输出节点值作为一个产品的数值组，获取该客户已评分的多个产品的数值组，并根据所述均方误差函数对输入节点值及输出节点值进行计算，以得到该客户的均方误差值，均方误差函数(MSE函数)即是用于反映估计量与被估计量之间差异程度的一种计算函数，通过均方误差函数即可计算得到客户对产品的评分与评分预测模型计算得到的产品评分之间的误差值，均方误差值越大则表明客户的评分与评分预测模型计算得到的评分之间的误差越大，均方误差值越小则表明客户的评分与评分预测模型计算得到的评分之间的误差越小。
具体的，均方误差函数为：均方误差值XMSE＝((z1-x1)2+(z2-x2)2+……+(zn-xn)2)/n；其中，zn为评分预测模型计算得到的第n个该客户已评分产品的评分，也即是输出节点值；xn为该客户的第n个已评分产品的评分，也即是输出节点值。
例如，第一个输入节点值为70，与第一个输入节点相对应的第一个输出节点值为55；第二个输入节点值为82，与第二个输入节点相对应的第二个输出节点值为60。则计算得到均方误差值XMSE＝((55-70)2+(60-82)2)/2＝354.5。
S1024、根据所述均方误差阈值对均方误差值是否大于均方误差阈值进行判断；
根据所述均方误差阈值对均方误差值是否大于均方误差阈值进行判断。则判断结果分为两种情况，即均方误差值不大于所述均方误差阈值，以及均方误差值大于所述均方误差阈值。
S1025、若均方误差值大于均方误差阈值，根据所述参数调整规则对评分预测模型中公式的参数进行调整。
若均方误差值大于均方误差阈值，根据所述参数调整规则对评分预测模型中公式的参数进行调整。具体的，若判断结果为均方误差值小于或等于所述均方误差阈值，不对评分预测模型中公式的参数进行调整，获取下一个客户对产品的评分数据以对评分预测模型进行迭代训练；若判断结果为均方误差至大于所述均方误差阈值，根据参数调整规则对第一公式组中相应公式的参数及第二公式组中相应公式的参数进行调整及更新。参数调整规则包括参数调整方向及参数调整幅度，参数调整方向即是用于对公式的参数进行方法调整或缩小调整的方向信息，参数调整幅度即是用于对公式的参数进行调整的幅度信息。
例如，某参数调整规则中的参数调整方向放大调整、参数调整幅度为2％。
为达到良好的训练效果，在获取一个客户对产品的评分数据对评分预测模型进行训练的过程中，可多次输入该客户对产品的评分数据以根据参数调整规则对评分预测模型中公式的参数进行多次调整并计算得到多个均方误差调整值，从所得到的多个均方误差调整值中，选择与最小均方误差调整值相对应的一组参数对第一公式组中相应公式的参数及第二公式组中相应公式的参数进行更新，在对评分预测模型中公式的参数进行更新后，获取下一个客户对产品的评分数据以对评分预测模型进行迭代训练。
S103、获取预先存储的历史评分数据表中一个客户的评分数据，根据该客户对已评分产品的评分数据及已训练的评分预测模型对该客户的未评分产品进行评分以得到未评分产品的预测评分。
获取预先存储的历史评分数据表中一个客户的评分数据，根据该客户对产品的评分数据以及已训练的评分预测模型对该客户的未评分产品进行评分，以得到预测评分结果，其中，预测评分结果包括该客户所有的未评分产品的预测评分，所述输出节点包括产品名称。
由于企业所包含的产品数量较多，一个客户在使用企业的部分产品以后对相应产品进行评分，而由于企业的其他产品该客户未使用，因此该客户只对企业中部分已使用过的产品进行了评分，所得到的即是该客户对已评分产品的评分数据，其他该客户未进行评分的产品也即是未评分产品。
在一实施例中，如图5所示，步骤S103包括子步骤S1031、S1032和S1033。
S1031、获取该客户对已评分产品的评分数据作为第一公式组中相应公式的输入节点值，根据第一公式组中相应公式及输入节点值计算得到全连接隐层中所有特征单元的特征单元值。
获取一个客户对产品的评分数据，作为第一公式组中相应公式的输入节点值，根据第一公式组中相应公式及输入节点值计算得到全连接隐层中所有特征单元的特征单元值。由于每一个特征单元均与所有输入节点和所有输出节点进行关联，也即是通过第一公式组中相应公式及输入节点值即可计算得到全连接隐层中所有特征单元的特征单元值。若第一公式组中相应公式的计算结果中某一特征单元包含多个计算值，则取多个计算值的平均值作为该特征单元的特征单元值；若第一公式组中相应公式的计算结果中某一特征单元仅包含一个计算值，则取该计算值作为该特征单元的特征单元值。
S1032、根据第二公式组中相应公式及特征单元值计算得到所有输出节点的输出节点值。
根据第二公式组中相应公式及特征单元值计算得到相应输出节点的输出节点值，由于进过训练之后评分预测模型中第二公式组中所有公式的参数均已进行过调整更新，因此通过第二公式组中所有公式及特征单元值即可计算得到所有输出节点的输出节点值。由于评分预测模型中的公式的参数已通过训练进行了调整及更新，因此当前计算得到的输出节点值能够用于对该客户的未评分产品进行预测评分。
S1033、根据输出节点的产品名称与未评分产品进行匹配，将与未评分产品相匹配的输出节点值作为该客户未评分产品的预测评分。
根据输出节点的产品名称与未评分产品进行匹配，将输出节点中与未评分产品相匹配的输出节点值作为未评分产品的预测评分，获取所有未评分产品的预测评分即可得到预测评分结果。由于一个产品对应一个输入节点和一个输出节点，根据根据输出节点的产品名称与未评分产品进行匹配，即可将相应输出节点的输出节点值作为未评分产品的预测评分。
S104、根据预设的产品筛选规则及未评分产品的预测评分对该客户的未评分产品进行筛选以得到对该客户进行推荐的目标产品。
根据预设的产品筛选规则及未评分产品的预测评分对该客户的未评分产品进行筛选，即可得到对该客户进行推荐的目标产品，具体的可选择该客户未评分产品中预测评分较高的产品作为目标产品相该客户进行推荐。
在一实施例中，如图6所示，步骤S104包括子步骤S1041和S1042。
S1041、对该客户的未评分产品的预测评分进行排序以得到未评分产品的排序结果。
对该客户的未评分产品的预测评分进行排序，以得到未评分产品的排序结果。
S1042、根据预设的产品推荐规则及未评分产品的排序结果对未评分产品进行筛选以得到对该客户进行推荐的目标产品。
根据预设的产品推荐规则及未评分产品的排序结果对未评分产品进行筛选以得到对该客户进行推荐的目标产品，具体的，可根据产品推荐规则中的设置对未评分产品进行筛选，例如，产品推荐规则可以是选择预测评分排名前三的未评分产品作为目标产品向该客户进行推荐。
通过产品信息及模型构建规则构建得到评分预测模型，并通过历史评分数据表对评分预测模型进行训练，以通过评分预测模型及客户已评分产品的评分数据计算得到该客户未评分产品的预测评分，并预设的产品筛选规则从未评分产品中筛选出预测评分较高的目标产品相该客户进行推荐，能够大幅提高对产品进行预测评分的效率以及预测评分的准确性，减少了预测评分耗时，方便了企业筛选出目标产品对客户进行推荐。
本发明实施例还提供一种产品智能推荐装置，该产品智能推荐装置用于执行前述产品智能推荐方法的任一实施例。具体地，请参阅图7，图7是本发明实施例提供的产品智能推荐装置的示意性框图。该产品智能推荐装置100可以配置于管理服务器中。
如图7所示，产品智能推荐装置100包括评分模型构建单元101、评分模型训练单元102、预测评分单元103、目标产品筛选单元104。
评分模型构建单元101，用于获取预先存储的产品信息表，通过预设的模型构建规则及所述产品信息表中的产品信息构建评分预测模型。
通过预设的模型构建规则及所述产品信息表中的产品信息，构建包含全连接隐层、输入节点和输出节点的评分预测模型。模型构建规则即是用于对评分预测模型进行构建的规则信息，评分预测模型基于神经网络进行构建，模型构建规则中包括全连接隐层以及对全连接隐层中特征单元的数量进行配置的单元数量配置信息，全连接隐层即是用于对输入节点与输出节点进行联系的中间层。产品信息表中包含企业为消费者所提供的所有产品的信息，产品信息表中的产品信息包括但不限于产品的数量、产品的名称。评分预测模型中包括全连接隐层、多个输入节点和多个输出节点。
其他发明实施例中，如图8所示，所述评分模型构建单元101包括子单元：节点构建单元1011、特征单元数量配置单元1012、第一公式组构建单元1013、第二公式组构建单元1014和参数配置单元1015。
节点构建单元1011，用于根据产品信息构建评分预测模型的输入节点和输出节点，所述输入节点与输出节点一一对应。
根据产品信息构建评分预测模型的输入节点和输出节点，所述输入节点与输出节点一一对应。具体的，根据产品信息中产品的数量构建与产品数量相同的多个输入节点，并构建与产品数量相同的多个输出节点，其中，一个产品对应一个输入节点和一个输出节点，也即是输入节点包含与该输出节点相对应的产品名称，输出节点包含与该输出节点相对应的产品名称，同一个产品的输入节点与输出节点一一对应。
特征单元数量配置单元1012，用于根据所述产品信息及模型构建规则中的单元数量配置信息对模型构建规则中的全连接隐层中特征单元的数量进行配置。
根据所述产品信息及模型构建规则中的单元数量配置信息对模型构建规则中的全连接隐层中特征单元的数量进行配置。其中，全连接隐层即是用于对输入节点与输出节点进行联系的中间层，全连接隐层中包含若干个特征单元，每一个特征单元均与所有输入节点和所有输出节点进行关联，特征单元可用于反映产品特性与客户偏好之间的关系，全连接隐层中特征单元的数量可根据单元数量配置信息及产品信息中产品的数量进行配置。例如，单元数量配置信息中预先设定特征单元的数量为产品数量的2/5，产品信息表中企业所有产品的数量为100个，则全连接隐层中特征单元的数量配置为40个。
第一公式组构建单元1013，用于根据所述全连接隐层的特征单元及所构建的输入节点，以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组。
根据所述全连接隐层的特征单元及所构建的输入节点，以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组。其中，第一公式组包含所有输入节点至所有特征单元的公式。输入节点即是评分预测模型中用于对某一个产品的评分进行输入的节点，输入节点的具体数值即为输入节点值，特征单元值即是全连接隐层中的特征单元的计算值。
第二公式组构建单元1014，用于根据所述全连接隐层的特征单元及所构建的输出节点，以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组。
根据所述全连接隐层的特征单元及所构建的输出节点，以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组。其中，第二公式组包含所有特征单元至所有输出节点的公式。输出节点即是评分预测模型中用于对某一个产品的预测评分进行输出的节点，输出节点的具体数值即是输出节点值，输出节点值即是用于对某一产品进行预测的评分值，特征单元值即是全连接隐层中的特征单元的计算值。
参数配置单元1015，用于对所构建的第一公式组和第二公式组中公式的参数进行随机配置。
对第一公式组中公式的参数进行随机配置，对第二公式组中公式的参数进行随机配置，即完成了评分预测模型的构建过程。
评分模型训练单元102，用于获取预先存储的历史评分数据表，根据所述历史评分数据表中产品的评分数据及预设的训练参数对所构建的评分预测模型进行训练。
根据多个客户对产品的评分数据及预设的训练参数，对所构建的评分预测模型进行训练。由于企业所包含的产品数量较多，客户在使用企业的部分产品以后对相应产品进行评分，而由于企业的其他产品该客户未使用，因此该客户只对企业中部分已使用过的产品进行了评分。获取多个客户对产品的评分数据，即可对企业所有产品的评分进行全覆盖，通过多个客户对所有产品的评分数据，对所构建的评分预测模型进行训练。其中，训练参数即是预设的用于对评分预测模型进行训练的参数信息，训练参数中包括均方误差函数、均方误差阈值及参数调整规则。
其他发明实施例中，如图9所示，所述评分模型训练单元102包括子单元：第一特征单元值计算单元1021、第一输出节点值计算单元1022、均方误差值计算单元1023、均方误差判断单元1024和参数调整单元1025。
第一特征单元值计算单元1021，用于获取历史评分数据表中一个客户对产品的评分数据作为第一公式组中相应公式的输入节点值，根据第一公式组中相应公式及输入节点值计算得到全连接隐层中所有特征单元的特征单元值。
获取一个客户对产品的评分数据，作为第一公式组中相应公式的输入节点值，根据第一公式组中相应公式及输入节点值计算得到全连接隐层中所有特征单元的特征单元值。由于每一个特征单元均与所有输入节点和所有输出节点进行关联，也即是通过第一公式组中相应公式及输入节点值即可计算得到全连接隐层中所有特征单元的特征单元值。若第一公式组中相应公式的计算结果中某一特征单元包含多个计算值，则取多个计算值的平均值作为该特征单元的特征单元值；若第一公式组中相应公式的计算结果中某一特征单元仅包含一个计算值，则取该计算值作为该特征单元的特征单元值。
第一输出节点值计算单元1022，用于根据第二公式组中相应公式及特征单元值计算得到相应输出节点的输出节点值。
根据第二公式组中相应公式及特征单元值计算得到相应输出节点的输出节点值，由于同一个产品的输入节点与输出节点一一对应，通过第二公式组中相应公式及特征单元值即可计算得到与输入节点相对应的同一产品输出节点的输出节点值，该输出节点值即是通过评分预测模型对该产品进行预测得到的评分值，由于评分预测模型中的公式的参数还未经过训练进行调整更新，因此当前计算得到的输出节点值仅能用于对评分预测模型进行训练，而无法作为预测评分结果对客户进行相关产品的推荐。
均方误差值计算单元1023，用于获取输入节点的输入节点值以及与输入节点一一对应的输出节点的输出节点值，根据所述均方误差函数对所得到的输入节点值及输出节点值进行计算以得到该客户的均方误差值。
获取输入节点的输入节点值，以及与该输入节点一一对应的输出节点的输出节点值，也即是获取评分预测模型中同一产品的输入节点值及输出节点值作为一个产品的数值组，获取该客户已评分的多个产品的数值组，并根据所述均方误差函数对输入节点值及输出节点值进行计算，以得到该客户的均方误差值，均方误差函数(MSE函数)即是用于反映估计量与被估计量之间差异程度的一种计算函数，通过均方误差函数即可计算得到客户对产品的评分与评分预测模型计算得到的产品评分之间的误差值，均方误差值越大则表明客户的评分与评分预测模型计算得到的评分之间的误差越大，均方误差值越小则表明客户的评分与评分预测模型计算得到的评分之间的误差越小。
具体的，均方误差函数为：均方误差值XMSE＝((z1-x1)2+(z2-x2)2+……+(zn-xn)2)/n；其中，zn为评分预测模型计算得到的第n个该客户已评分产品的评分，也即是输出节点值；xn为该客户的第n个已评分产品的评分，也即是输出节点值。
均方误差判断单元1024，用于根据所述均方误差阈值对均方误差值是否大于均方误差阈值进行判断。
根据所述均方误差阈值对均方误差值是否大于均方误差阈值进行判断。则判断结果分为两种情况，即均方误差值小于或等于所述均方误差阈值，以及均方误差至大于所述均方误差阈值。
参数调整单元1025，用于若均方误差值大于均方误差阈值，根据所述参数调整规则对评分预测模型中公式的参数进行调整。
若均方误差值大于均方误差阈值，根据所述参数调整规则对评分预测模型中公式的参数进行调整。具体的，若判断结果为均方误差值小于或等于所述均方误差阈值，不对评分预测模型中公式的参数进行调整，获取下一个客户对产品的评分数据以对评分预测模型进行迭代训练；若判断结果为均方误差至大于所述均方误差阈值，根据参数调整规则对第一公式组中相应公式的参数及第二公式组中相应公式的参数进行调整及更新。参数调整规则包括参数调整方向及参数调整幅度，参数调整方向即是用于对公式的参数进行方法调整或缩小调整的方向信息，参数调整幅度即是用于对公式的参数进行调整的幅度信息。
为达到良好的训练效果，在获取一个客户对产品的评分数据对评分预测模型进行训练的过程中，可多次输入该客户对产品的评分数据以根据参数调整规则对评分预测模型中公式的参数进行多次调整并计算得到多个均方误差调整值，从所得到的多个均方误差调整值中，选择与最小均方误差调整值相对应的一组参数对第一公式组中相应公式的参数及第二公式组中相应公式的参数进行更新，在对评分预测模型中公式的参数进行更新后，获取下一个客户对产品的评分数据以对评分预测模型进行迭代训练。
预测评分单元103，用于获取预先存储的历史评分数据表中一个客户的评分数据，根据该客户对已评分产品的评分数据及已训练的评分预测模型对该客户的未评分产品进行评分以得到未评分产品的预测评分。
获取预先存储的历史评分数据表中一个客户的评分数据，根据该客户对产品的评分数据以及已训练的评分预测模型对该客户的未评分产品进行评分，以得到预测评分结果，其中，预测评分结果包括该客户所有的未评分产品的预测评分，所述输出节点包括产品名称。
由于企业所包含的产品数量较多，一个客户在使用企业的部分产品以后对相应产品进行评分，而由于企业的其他产品该客户未使用，因此该客户只对企业中部分已使用过的产品进行了评分，所得到的即是该客户对已评分产品的评分数据，其他该客户未进行评分的产品也即是未评分产品。
其他发明实施例中，如图10所示，所述预测评分单元103包括子单元：第二特征单元值计算单元1031、第二输出节点值计算单元1032和产品名称匹配单元1033。
第二特征单元值计算单元1031，用于获取该客户对已评分产品的评分数据作为第一公式组中相应公式的输入节点值，根据第一公式组中相应公式及输入节点值计算得到全连接隐层中所有特征单元的特征单元值。
获取一个客户对产品的评分数据，作为第一公式组中相应公式的输入节点值，根据第一公式组中相应公式及输入节点值计算得到全连接隐层中所有特征单元的特征单元值。由于每一个特征单元均与所有输入节点和所有输出节点进行关联，也即是通过第一公式组中相应公式及输入节点值即可计算得到全连接隐层中所有特征单元的特征单元值。若第一公式组中相应公式的计算结果中某一特征单元包含多个计算值，则取多个计算值的平均值作为该特征单元的特征单元值；若第一公式组中相应公式的计算结果中某一特征单元仅包含一个计算值，则取该计算值作为该特征单元的特征单元值。
第二输出节点值计算单元1032，用于根据第二公式组中相应公式及特征单元值计算得到所有输出节点的输出节点值。
根据第二公式组中相应公式及特征单元值计算得到相应输出节点的输出节点值，由于进过训练之后评分预测模型中第二公式组中所有公式的参数均已进行过调整更新，因此通过第二公式组中所有公式及特征单元值即可计算得到所有输出节点的输出节点值。由于评分预测模型中的公式的参数已通过训练进行了调整及更新，因此当前计算得到的输出节点值能够用于对该客户的未评分产品进行预测评分。
产品名称匹配单元1033，用于根据输出节点的产品名称与未评分产品进行匹配，将与未评分产品相匹配的输出节点值作为该客户未评分产品的预测评分。
根据输出节点的产品名称与未评分产品进行匹配，将输出节点中与未评分产品相匹配的输出节点值作为未评分产品的预测评分，获取所有未评分产品的预测评分即可得到预测评分结果。由于一个产品对应一个输入节点和一个输出节点，根据根据输出节点的产品名称与未评分产品进行匹配，即可将相应输出节点的输出节点值作为未评分产品的预测评分。
目标产品筛选单元104，用于根据预设的产品筛选规则及未评分产品的预测评分对该客户的未评分产品进行筛选以得到对该客户进行推荐的目标产品。
根据预设的产品筛选规则及未评分产品的预测评分对该客户的未评分产品进行筛选，即可得到对该客户进行推荐的目标产品，具体的可选择该客户未评分产品中预测评分较高的产品作为目标产品相该客户进行推荐。
其他发明实施例中，如图11所示，所述目标产品筛选单元104包括子单元：产品排序单元1041和产品筛选单元1042。
产品排序单元1041，用于对该客户的未评分产品的预测评分进行排序以得到未评分产品的排序结果。
对该客户的未评分产品的预测评分进行排序，以得到未评分产品的排序结果。
产品筛选单元1042，用于根据预设的产品推荐规则及未评分产品的排序结果对未评分产品进行筛选以得到对该客户进行推荐的目标产品。
根据预设的产品推荐规则及未评分产品的排序结果对未评分产品进行筛选以得到对该客户进行推荐的目标产品，具体的，可根据产品推荐规则中的设置对未评分产品进行筛选，例如，产品推荐规则可以是选择预测评分排名前三的未评分产品作为目标产品向该客户进行推荐。
通过产品信息及模型构建规则构建得到评分预测模型，并通过历史评分数据表对评分预测模型进行训练，以通过评分预测模型及客户已评分产品的评分数据计算得到该客户未评分产品的预测评分，并预设的产品筛选规则从未评分产品中筛选出预测评分较高的目标产品相该客户进行推荐，能够大幅提高对产品进行预测评分的效率以及预测评分的准确性，减少了预测评分耗时，方便了企业筛选出目标产品对客户进行推荐。
上述产品智能推荐装置可以实现为计算机程序的形式，该计算机程序可以在如图12所示的计算机设备上运行。
请参阅图12，图12是本发明实施例提供的计算机设备的示意性框图。
参阅图12，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行产品智能推荐方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行产品智能推荐方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图12中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下功能：获取预先存储的产品信息表，通过预设的模型构建规则及所述产品信息表中的产品信息构建评分预测模型；获取预先存储的历史评分数据表，根据所述历史评分数据表中产品的评分数据及预设的训练参数对所构建的评分预测模型进行训练；获取预先存储的历史评分数据表中一个客户的评分数据，根据该客户对已评分产品的评分数据及已训练的评分预测模型对该客户的未评分产品进行评分以得到未评分产品的预测评分；根据预设的产品筛选规则及未评分产品的预测评分对该客户的未评分产品进行筛选以得到对该客户进行推荐的目标产品。
在一实施例中，处理器502在执行获取预先存储的产品信息表，通过预设的模型构建规则及所述产品信息表中的产品信息构建评分预测模型的步骤时，执行如下操作：根据产品信息构建评分预测模型的输入节点和输出节点，所述输入节点与输出节点一一对应；根据所述产品信息及模型构建规则中的单元数量配置信息对模型构建规则中的全连接隐层中特征单元的数量进行配置；根据所述全连接隐层的特征单元及所构建的输入节点，以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组；根据所述全连接隐层的特征单元及所构建的输出节点，以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组；对所构建的第一公式组和第二公式组中公式的参数进行随机配置。
在一实施例中，处理器502在执行获取预先存储的历史评分数据表，根据所述历史评分数据表中产品的评分数据及预设的训练参数对所构建的评分预测模型进行训练的步骤时，执行如下操作：获取历史评分数据表中一个客户对产品的评分数据作为第一公式组中相应公式的输入节点值，根据第一公式组中相应公式及输入节点值计算得到全连接隐层中所有特征单元的特征单元值；根据第二公式组中相应公式及特征单元值计算得到相应输出节点的输出节点值；获取输入节点的输入节点值以及与输入节点一一对应的输出节点的输出节点值，根据所述均方误差函数对所得到的输入节点值及输出节点值进行计算以得到该客户的均方误差值；根据所述均方误差阈值对均方误差值是否大于均方误差阈值进行判断；若均方误差值大于均方误差阈值，根据所述参数调整规则对评分预测模型中公式的参数进行调整。
在一实施例中，处理器502在执行获取预先存储的历史评分数据表中一个客户的评分数据，根据该客户对已评分产品的评分数据及已训练的评分预测模型对该客户的未评分产品进行评分以得到未评分产品的预测评分的步骤时，执行如下操作：获取该客户对已评分产品的评分数据作为第一公式组中相应公式的输入节点值，根据第一公式组中相应公式及输入节点值计算得到全连接隐层中所有特征单元的特征单元值；根据第二公式组中相应公式及特征单元值计算得到所有输出节点的输出节点值；根据输出节点的产品名称与未评分产品进行匹配，将与未评分产品相匹配的输出节点值作为该客户未评分产品的预测评分。
在一实施例中，处理器502在执行根据预设的产品筛选规则及未评分产品的预测评分对该客户的未评分产品进行筛选以得到对该客户进行推荐的目标产品的步骤时，执行如下操作：对该客户的未评分产品的预测评分进行排序以得到未评分产品的排序结果；根据预设的产品推荐规则及未评分产品的排序结果对未评分产品进行筛选以得到对该客户进行推荐的目标产品。
本领域技术人员可以理解，图12中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图12所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供存储介质。该存储介质可以为非易失性的计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序被处理器执行时实现以下步骤：获取预先存储的产品信息表，通过预设的模型构建规则及所述产品信息表中的产品信息构建评分预测模型；获取预先存储的历史评分数据表，根据所述历史评分数据表中产品的评分数据及预设的训练参数对所构建的评分预测模型进行训练；获取预先存储的历史评分数据表中一个客户的评分数据，根据该客户对已评分产品的评分数据及已训练的评分预测模型对该客户的未评分产品进行评分以得到未评分产品的预测评分；根据预设的产品筛选规则及未评分产品的预测评分对该客户的未评分产品进行筛选以得到对该客户进行推荐的目标产品。
在一实施例中，所述获取预先存储的产品信息表，通过预设的模型构建规则及所述产品信息表中的产品信息构建评分预测模型的步骤，包括：根据产品信息构建评分预测模型的输入节点和输出节点，所述输入节点与输出节点一一对应；根据所述产品信息及模型构建规则中的单元数量配置信息对模型构建规则中的全连接隐层中特征单元的数量进行配置；根据所述全连接隐层的特征单元及所构建的输入节点，以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组；根据所述全连接隐层的特征单元及所构建的输出节点，以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组；对所构建的第一公式组和第二公式组中公式的参数进行随机配置。
在一实施例中，所述获取预先存储的历史评分数据表，根据所述历史评分数据表中产品的评分数据及预设的训练参数对所构建的评分预测模型进行训练的步骤，包括：获取历史评分数据表中一个客户对产品的评分数据作为第一公式组中相应公式的输入节点值，根据第一公式组中相应公式及输入节点值计算得到全连接隐层中所有特征单元的特征单元值；根据第二公式组中相应公式及特征单元值计算得到相应输出节点的输出节点值；获取输入节点的输入节点值以及与输入节点一一对应的输出节点的输出节点值，根据所述均方误差函数对所得到的输入节点值及输出节点值进行计算以得到该客户的均方误差值；根据所述均方误差阈值对均方误差值是否大于均方误差阈值进行判断；若均方误差值大于均方误差阈值，根据所述参数调整规则对评分预测模型中公式的参数进行调整。
在一实施例中，所述获取预先存储的历史评分数据表中一个客户的评分数据，根据该客户对已评分产品的评分数据及已训练的评分预测模型对该客户的未评分产品进行评分以得到未评分产品的预测评分的步骤，包括：获取该客户对已评分产品的评分数据作为第一公式组中相应公式的输入节点值，根据第一公式组中相应公式及输入节点值计算得到全连接隐层中所有特征单元的特征单元值；根据第二公式组中相应公式及特征单元值计算得到所有输出节点的输出节点值；根据输出节点的产品名称与未评分产品进行匹配，将与未评分产品相匹配的输出节点值作为该客户未评分产品的预测评分。
在一实施例中，所述根据预设的产品筛选规则及未评分产品的预测评分对该客户的未评分产品进行筛选以得到对该客户进行推荐的目标产品的步骤，包括：对该客户的未评分产品的预测评分进行排序以得到未评分产品的排序结果；根据预设的产品推荐规则及未评分产品的排序结果对未评分产品进行筛选以得到对该客户进行推荐的目标产品。
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，上述描述的设备、装置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。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，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发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种产品智能推荐方法，其特征在于，包括：
获取预先存储的产品信息表，通过预设的模型构建规则及所述产品信息表中的产品信息构建评分预测模型；
获取预先存储的历史评分数据表，根据所述历史评分数据表中产品的评分数据及预设的训练参数对所构建的评分预测模型进行训练；
获取预先存储的历史评分数据表中一个客户的评分数据，根据该客户对已评分产品的评分数据及已训练的评分预测模型对该客户的未评分产品进行评分以得到未评分产品的预测评分；
根据预设的产品筛选规则及未评分产品的预测评分对该客户的未评分产品进行筛选以得到对该客户进行推荐的目标产品；
所述通过预设的模型构建规则及所述产品信息表中的产品信息构建评分预测模型，包括：
根据产品信息构建评分预测模型的输入节点和输出节点，所述输入节点与输出节点一一对应；
根据所述产品信息及模型构建规则中的单元数量配置信息对模型构建规则中的全连接隐层中特征单元的数量进行配置；
根据所述全连接隐层的特征单元及所构建的输入节点，以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组；
根据所述全连接隐层的特征单元及所构建的输出节点，以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组；
对所构建的第一公式组和第二公式组中公式的参数进行随机配置。
2.根据权利要求1所述的产品智能推荐方法，其特征在于，所述训练参数中包括均方误差函数、均方误差阈值及参数调整规则；
所述根据所述历史评分数据表中产品的评分数据及预设的训练参数对所构建的评分预测模型进行训练，包括：
获取历史评分数据表中一个客户对产品的评分数据作为第一公式组中相应公式的输入节点值，根据第一公式组中相应公式及输入节点值计算得到全连接隐层中所有特征单元的特征单元值；
根据第二公式组中相应公式及特征单元值计算得到相应输出节点的输出节点值；
获取输入节点的输入节点值以及与输入节点一一对应的输出节点的输出节点值，根据所述均方误差函数对所得到的输入节点值及输出节点值进行计算以得到该客户的均方误差值；
根据所述均方误差阈值对均方误差值是否大于均方误差阈值进行判断；
若均方误差值大于均方误差阈值，根据所述参数调整规则对评分预测模型中公式的参数进行调整。
3.根据权利要求1所述的产品智能推荐方法，其特征在于，所述根据该客户对已评分产品的评分数据及已训练的评分预测模型对该客户的未评分产品进行评分以得到未评分产品的预测评分，包括：
获取该客户对已评分产品的评分数据作为第一公式组中相应公式的输入节点值，根据第一公式组中相应公式及输入节点值计算得到全连接隐层中所有特征单元的特征单元值；
根据第二公式组中相应公式及特征单元值计算得到所有输出节点的输出节点值；
根据输出节点的产品名称与未评分产品进行匹配，将与未评分产品相匹配的输出节点值作为该客户未评分产品的预测评分。
4.根据权利要求1所述的产品智能推荐方法，其特征在于，所述根据预设的产品筛选规则及未评分产品的预测评分对该客户的未评分产品进行筛选以得到对该客户进行推荐的目标产品，包括：
对该客户的未评分产品的预测评分进行排序以得到未评分产品的排序结果；
根据预设的产品推荐规则及未评分产品的排序结果对未评分产品进行筛选以得到对该客户进行推荐的目标产品。
5.一种产品智能推荐装置，其特征在于，包括：
评分模型构建单元，用于获取预先存储的产品信息表，通过预设的模型构建规则及所述产品信息表中的产品信息构建评分预测模型；
评分模型训练单元，用于获取预先存储的历史评分数据表，根据所述历史评分数据表中产品的评分数据及预设的训练参数对所构建的评分预测模型进行训练；
预测评分单元，用于获取预先存储的历史评分数据表中一个客户的评分数据，根据该客户对已评分产品的评分数据及已训练的评分预测模型对该客户的未评分产品进行评分以得到未评分产品的预测评分；
目标产品筛选单元，用于根据预设的产品筛选规则及未评分产品的预测评分对该客户的未评分产品进行筛选以得到对该客户进行推荐的目标产品；
所述评分模型构建单元，包括：
节点构建单元，用于根据产品信息构建评分预测模型的输入节点和输出节点，所述输入节点与输出节点一一对应；
特征单元数量配置单元，用于根据所述产品信息及模型构建规则中的单元数量配置信息对模型构建规则中的全连接隐层中特征单元的数量进行配置；
第一公式组构建单元，用于根据所述全连接隐层的特征单元及所构建的输入节点，以输入节点值作为输入值、特征单元值作为输出值构建输入节点至特征单元的第一公式组；
第二公式组构建单元，用于根据所述全连接隐层的特征单元及所构建的输出节点，以特征单元值作为输入值、输出节点值作为输出值构建特征单元至输出节点的第二公式组；
参数配置单元，用于对所构建的第一公式组和第二公式组中公式的参数进行随机配置。
6.根据权利要求5所述的产品智能推荐装置，其特征在于，所述训练参数中包括均方误差函数、均方误差阈值及参数调整规则，所述评分模型训练单元，包括：
第一特征单元值计算单元，用于获取历史评分数据表中一个客户对产品的评分数据作为第一公式组中相应公式的输入节点值，根据第一公式组中相应公式及输入节点值计算得到全连接隐层中所有特征单元的特征单元值；
第一输出节点值计算单元，用于根据第二公式组中相应公式及特征单元值计算得到相应输出节点的输出节点值；
均方误差值计算单元，用于获取输入节点的输入节点值以及与输入节点一一对应的输出节点的输出节点值，根据所述均方误差函数对所得到的输入节点值及输出节点值进行计算以得到该客户的均方误差值；
均方误差判断单元，用于根据所述均方误差阈值对均方误差值是否大于均方误差阈值进行判断；
参数调整单元，用于若均方误差值大于均方误差阈值，根据所述参数调整规则对评分预测模型中公式的参数进行调整。
7.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的产品智能推荐方法。
8.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至4任一项所述的产品智能推荐方法。
CN201811029043.7A 2018-09-05 2018-09-05 产品智能推荐方法、装置、计算机设备及存储介质 Active CN109146193B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811029043.7A CN109146193B (zh) 2018-09-05 2018-09-05 产品智能推荐方法、装置、计算机设备及存储介质
PCT/CN2018/125345 WO2020048065A1 (zh) 2018-09-05 2018-12-29 产品智能推荐方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811029043.7A CN109146193B (zh) 2018-09-05 2018-09-05 产品智能推荐方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN109146193A CN109146193A (zh) 2019-01-04
CN109146193B true CN109146193B (zh) 2023-04-28

Family

ID=64826825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811029043.7A Active CN109146193B (zh) 2018-09-05 2018-09-05 产品智能推荐方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN109146193B (zh)
WO (1) WO2020048065A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458191B (zh) * 2019-07-05 2024-04-12 中国平安财产保险股份有限公司 疲劳状态判断方法、装置、计算机设备及存储介质
CN110533453B (zh) * 2019-07-22 2024-10-18 平安科技（深圳）有限公司 基于用户匹配的产品推荐方法、装置、计算机设备
CN110674104B (zh) * 2019-08-15 2023-07-25 中国平安人寿保险股份有限公司 特征组合筛选方法、装置、计算机设备及存储介质
CN110633304B (zh) * 2019-08-15 2023-08-22 中国平安人寿保险股份有限公司 组合特征筛选方法、装置、计算机设备及存储介质
CN111612581A (zh) * 2020-05-18 2020-09-01 深圳市分期乐网络科技有限公司 一种物品推荐的方法、装置、设备及存储介质
CN112330411B (zh) * 2020-11-17 2023-10-31 中国平安财产保险股份有限公司 团体产品推荐方法、装置、计算机设备及存储介质
CN113763017B (zh) * 2021-01-19 2024-06-21 北京沃东天骏信息技术有限公司 一种信息处理方法及装置、存储介质
CN113656122B (zh) * 2021-07-28 2023-05-16 上海纽盾科技股份有限公司 面向等保测评的信息筛选方法、装置及系统
CN113705782A (zh) * 2021-08-18 2021-11-26 上海明略人工智能(集团)有限公司 一种用于媒体数据推荐的模型训练方法及装置
CN115935533B (zh) * 2022-11-02 2023-10-03 北京能科瑞元数字技术有限公司 基于参数的产品智能设计系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563841A (zh) * 2017-08-03 2018-01-09 电子科技大学 一种基于用户评分分解的推荐系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294812B (zh) * 2013-06-06 2016-02-10 浙江大学 一种基于混合模型的商品推荐方法
CN104424247A (zh) * 2013-08-28 2015-03-18 北京闹米科技有限公司 一种产品信息过滤推荐方法和装置
US20160225073A1 (en) * 2015-01-30 2016-08-04 Wal-Mart Stores, Inc. System, method, and non-transitory computer-readable storage media for predicting a customer's credit score
CN106127506B (zh) * 2016-06-13 2019-12-17 浙江大学 一种基于主动学习解决商品冷启动问题的推荐方法
CN108287902B (zh) * 2018-01-24 2020-11-20 厦门大学 一种基于数据非随机缺失机制的推荐系统方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563841A (zh) * 2017-08-03 2018-01-09 电子科技大学 一种基于用户评分分解的推荐系统

Also Published As

Publication number Publication date
CN109146193A (zh) 2019-01-04
WO2020048065A1 (zh) 2020-03-12

Similar Documents

Publication Publication Date Title
CN109146193B (zh) 产品智能推荐方法、装置、计算机设备及存储介质
US10831733B2 (en) Interactive adjustment of decision rules
Yang et al. Information management strategies and supply chain performance under demand disruptions
JP6147433B2 (ja) ユーザとの自然会話能力を備えたエージェントシステム、エージェント制御方法、エージェント制御プログラム、及び記録媒体
CN106228386A (zh) 一种信息推送方法及装置
CN110533453B (zh) 基于用户匹配的产品推荐方法、装置、计算机设备
Rao et al. Flexible manufacturing system selection using a combinatorial mathematics-based decision-making method
WO2021098265A1 (zh) 缺失信息预测方法、装置、计算机设备及存储介质
CN107633326A (zh) 一种用户投递意愿模型的构建方法和计算设备
Rahimi-Vahed et al. A multi-objective scatter search for a bi-criteria no-wait flow shop scheduling problem
CA3037152A1 (en) System and method for heuristic predictive and nonpredictive modeling
US11195112B2 (en) System and method for identifying composition preferences
Lai et al. QFD optimization using linear physical programming
JP2022028611A (ja) 情報処理に用いられる方法、装置、デバイス及び記憶媒体
CN105867851A (zh) 一种存储设备调整方法及装置
CN116822927A (zh) 一种业务流程优化方法、装置及存储介质
US20140214734A1 (en) Classifying a submission
Cullmann et al. R&D efficiency and heterogeneity–a latent class application for the OECD
WO2021014986A1 (ja) 情報処理方法、情報処理装置、およびプログラム
CN110674838B (zh) 基于组合特征筛选的模型构建方法、装置、计算机设备
Amali et al. Fuzzy logic-based diversity-controlled self-adaptive differential evolution
KR102199432B1 (ko) 소프트웨어 정의 네트워킹(Software Defined Networking)에서 최적의 컨트롤러를 선택하는 방법 및 장치
Detti et al. Minimizing and balancing setups in a serial production system
Song et al. An ordinal optimization based evolution strategy to schedule complex make-to-order products
US20230036764A1 (en) Systems and Method for Evaluating and Selectively Distilling Machine-Learned Models on Edge Devices

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant