CN109272408A - 车贷款金融产品智能推荐方法、装置、设备及介质 - Google Patents

Abstract

本发明公开了一种车贷款金融产品推荐方法、装置、计算机设备及存储介质，该方法包括获取用户账号和车网页ID；基于车网页ID查询埋点表，获取与车网页ID对应的待识别动态行为数据；获取待识别静态画像数据，将待识别静态画像数据和待识别动态行为数据作为待识别用户行为数据；采用预先训练好的车贷款金融产品推荐模型对待识别用户行为数据进行识别，根据车贷款金融产品推荐模型的投票结果，获取待推荐车贷款金融产品；对待识别动态行为数据进行分析，获取用户活跃度标签；根据用户活跃度标签获取与用户活跃度标签对应的目标推荐方式，基于目标推荐方式将待推荐车贷款金融产品推荐给用户账号对应的客户端，有效提高待推荐车贷款金融产品的推荐效果。

Description

车贷款金融产品智能推荐方法、装置、设备及介质

技术领域

本发明涉及智能决策领域，尤其涉及一种车贷款金融产品推荐方法、装置、计算机设备及存储介质。

背景技术

目前评估适合用户的车贷款金融产品倾向主要依赖于用户静态画像数据，用户静态画像数据更新频率低，单纯根据用户静态画像数据向用户推荐车贷款金融产品，无法保证所推荐的车贷款金融产品就是用户当前所需要的，使得推荐车贷款金融产品准确性不高。另外，现有的车贷款金融产品推荐方式是预先设置好的推荐方式，或在网页上直接推荐，或打电话、发送短信给用户手机，不能做到根据用户实际情况选择合适的推荐方式，影响推荐效果。

发明内容

本发明实施例提供一种车贷款金融产品推荐方法、装置、计算机设备及存储介质，以解决车贷款金融产品推荐推荐效果不好的问题。

一种车贷款金融产品推荐方法，包括：

获取用户日志表，所述用户日志表包括用户账号和车网页ID；

基于所述车网页ID查询埋点表，获取与所述车网页ID对应的待识别动态行为数据；

获取待识别静态画像数据，将所述待识别静态画像数据和所述待识别动态行为数据作为待识别用户行为数据；

采用预先训练好的车贷款金融产品推荐模型对所述待识别用户行为数据进行识别，根据所述车贷款金融产品推荐模型的投票结果，获取待推荐车贷款金融产品；

对所述待识别动态行为数据进行分析，获取用户活跃度标签；

根据所述用户活跃度标签获取与所述用户活跃度标签对应的目标推荐方式，基于所述目标推荐方式将所述待推荐车贷款金融产品推荐给所述用户账号对应的客户端。

一种车贷款金融产品推荐装置，包括：

用户日志表获取模块，用于获取用户日志表，所述用户日志表包括用户账号和车网页ID；

待识别动态行为数据获取模块，用于基于所述车网页ID查询埋点表，获取与所述车网页ID对应的待识别动态行为数据；

待识别用户行为数据获取模块，用于获取待识别静态画像数据，将所述待识别静态画像数据和所述待识别动态行为数据作为待识别用户行为数据；

待推荐车贷款金融产品获取模块，用于采用预先训练好的车贷款金融产品推荐模型对所述待识别用户行为数据进行识别，根据所述车贷款金融产品推荐模型的投票结果，获取待推荐车贷款金融产品；

用户活跃度标签获取模块，用于对所述待识别动态行为数据进行分析，获取用户活跃度标签；

待推荐车贷款金融产品推荐模块，用于根据所述用户活跃度标签获取与所述用户活跃度标签对应的目标推荐方式，基于所述目标推荐方式将所述待推荐车贷款金融产品推荐给所述用户账号对应的客户端。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中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车贷款金融产品推荐方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述车贷款金融产品推荐方法的步骤。

上述车贷款金融产品推荐方法、装置、计算机设备及存储介质，通过车网页ID查询埋点表，获取车网页ID对应的待识别动态行为数据，并根据用户账号获取待识别静态画像数据，将待识别动态行为数据和待识别静态画像数据作为待识别用户行为数据，提高识别对象的准确性和针对性。采用预先训练好的车贷款金融产品推荐模型对待识别用户行为数据进行识别，根据车贷款金融产品推荐模型的投票结果，获取待推荐车贷款金融产品，提高了识别效率，使得获取的待推荐车贷款金融产品的准确性更高。根据用户活跃度标签确定用户在车交易平台的活跃度，根据用户在车交易平台的活跃度选择对应的目标推荐方式，将待推荐车贷款金融产品推荐给用户账号对应的客户端，可有效提高待推荐车贷款金融产品的推荐效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中车贷款金融产品推荐方法的一应用场景图；

图2是本发明一实施例中车贷款金融产品推荐方法的一流程图；

图3是图2中步骤S10的一具体流程图；

图4是本发明一实施例中车贷款金融产品推荐方法的另一流程图；

图5是图4中步骤S101的一具体流程图；

图6是本发明一实施例中车贷款金融产品推荐装置的一示意图；

图7是本发明一实施例中计算机设备的一示意图。

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作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。

本发明实施例提供的车贷款金融产品推荐方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务器进行通信。客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一实施例中，如图2所示，提供一种车贷款金融产品推荐方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：

S10：获取用户日志表，用户日志表包括用户账号和车网页ID。

其中，车网页ID指用于表示车网页的标识。本实施例中的车网页指用户登录车交易平台后，在该车交易平台上浏览的关于购买车的网页。该车网页的页面内容包括但不限于车辆品牌、车辆类型、车辆价格和车辆颜色。

具体地，用户在登录车交易平台后，服务器会将用户的用户账号以及用户在车交易平台浏览车网页时相关数据记录在用户日志表中，该相关数据包括但不限于车网页ID、用户登录车交易平台的次数、浏览车网页ID对应的车网页的时间段、时长和次数等信息。

S20：基于车网页ID查询埋点表，获取与车网页ID对应的待识别动态行为数据。

其中，埋点表指用于存储埋点数据的数据表。本实施例中的埋点指开发人员在前端代码中加入javascript的统计代码，用来统计用户浏览某一车网页时的相关数据(包括但不限于车网页ID、用户登录车交易平台的次数、浏览车网页ID对应的车网页的时间段、时长和次数)。可以理解地，当用户浏览某一车网页时，就会触发该车网页对应的统计代码。本实施例中的待识别动态行为数据指需要识别的用户日志表中记录的用户浏览车网页的行为数据，具体包括但不限于用户登录车交易平台的次数、浏览车网页ID对应的车网页的时间段、时长和次数。

具体地，服务器从用户日志表中获取车网页ID，根据该车网页ID查询埋点表，获取记录在埋点表中的待识别动态行为数据，即用户登录车交易平台的次数、浏览车网页ID对应的车网页的时间段、时长和次数。本实施例中，根据车网页ID查询埋点表，获取与车网页ID对应的待识别动态行为数据，为后续步骤进行车贷款金融产品推荐提供数据来源。

S30：获取待识别静态画像数据，将待识别静态画像数据和待识别动态行为数据作为待识别用户行为数据。

其中，待识别静态画像数据指需要识别的用户静态画像数据，该用户静态画像数据指一个人相对固定的个人信息的数据。本实施例中的用户静态画像数据包括但不限于用户的性别、年龄、职业、婚姻状况、爱好的车类型、是否使用过车贷款金融产品和购买的车贷款金融产品的种类、金额及数量等数据。

具体地，服务器获取用户账号后，根据用户账号在数据库中查找与该用户账号对应的用户静态画像数据，将该用户静态画像数据作为待识别静态画像数据。在获取待识别静态画像数据之后，服务器将用户账号对应的待识别动态行为数据和待识别静态画像数据作为待识别用户行为数据，作为车贷款金融产品推荐模型的识别对象，提高识别对象的准确性。若单独将待识别静态画像数据作为待识别用户行为数据，由于待识别静态画像数据更新频率低，不能及时反映用户对哪种车贷款金融产品感兴趣，单纯将用户静态画像数据作为车贷款金融产品推荐模型的识别对象，容易使得获取的待推荐车贷款金融产品准确性较低。

S40：采用预先训练好的车贷款金融产品推荐模型对待识别用户行为数据进行识别，根据车贷款金融产品推荐模型的投票结果，获取待推荐车贷款金融产品。

其中，车贷款金融产品推荐模型指预先训练好的用于根据待识别用户行为数据获取待推荐车贷款金融产品的模型。本实施例中的车贷款金融产品推荐模型可以是采用随机森林训练所得的模型，其中，随机森林指包含多个决策树的分类器。

待推荐车贷款金融产品指根据待识别用户行为数据推荐给用户的车贷款金融产品。本实施例中的车贷款金融产品是指根据用户需要推出的用于帮助用户购买汽车的金融产品，即该车贷款金融产品是指针对用户拥有一定的存款数量但不能够承担购买某一车的全部价格，或者用户不希望因为购买一辆车而损失当前的生活质量时，提供的帮助用户完成车辆购买的金融产品。

该汽车金融是由消费者在购买汽车需要贷款时，可以直接向汽车金融公司申请优惠的支付方式，可以按照自身的个性化需求，来选择不同的车型和不同的支付方法。具体地，在获取待识别用户行为数据后，采用预先训练好的车贷款金融产品推荐模型对待识别用户行为数据进行识别，获取车贷款金融产品推荐模型的投票结果，将投票结果最多的车贷款金融产品作为待推荐车贷款金融产品。根据待识别用户行为数据，获取待推荐车贷款金融产品，使得待推荐金融产品更加贴近用户的需求，提高待推荐车贷款金融产品的推荐效果，使用车贷款金融产品推荐模型对待识别用户行为数据进行识别，提高了识别效率，使得获取的待推荐车贷款金融产品的准确性更高，更容易满足用户的需求。

S50：对待识别动态行为数据进行分析，获取用户活跃度标签。

在获取待推荐车贷款金融产品后，服务器还需要对待识别动态行为数据中的用户登录车交易平台的次数、浏览车网页的时间段、时长和次数进行分析，以确定用户是否为经常登录车交易平台的用户。

为了方便辨别用户是否为经常登录车交易平台的用户，设置了用户活跃度标签来体现用户是否为经常登录车交易平台的用户。本实施例中的用户活跃度标签包括但不限于“不活跃”、“一般”、“活跃”和“非常活跃”这几种。可以理解地，用户活跃度标签为“不活跃”，则表示用户不依赖该车交易平台；用户活跃度标签为“一般”，则表示用户对该车交易平台的依懒性一般；用户活跃度标签为“活跃”和“非常活跃”，则表示用户非常依赖该车交易平台。本实施例中，服务器获取用户活跃度标签为后续步骤选择待推荐车贷款金融产品的推荐方式提供了数据来源。

在一实施例中，待识别用户动态数据包括车网页时长和车网页次数。步骤S50，对待识别动态行为数据进行分析，获取用户活跃度标签，具体包括如下步骤：基于网页时长和车网页次数，查询活跃度评分表，获取用户活跃度标签。

具体地，在获取待识别动态行为数据后，根据待识别动态行为数据中的车网页时长和车网页次数进行分析，查询活跃度评分表，获取用户活跃度标签。其中，活跃度评分表指根据车网页时长和车网页次数确定用户在该车交易平台上的活跃度。为了方便后续步骤根据用词活跃度标签对数据进行处理，本实施例中为活跃度设置了等级和标签。其中，活跃度的等级包括“不活跃”“一般”“活跃”和“非常活跃”四个等级。活跃度标签指为了方便辨别活跃度设置的标签。该用户活跃度标签可以用关键词或特定字符等表示。如可以用0表示“不活跃”，1表示“一般”，2表示“活跃”，3表示“非常活跃”。

S60：根据用户活跃度标签获取与用户活跃度标签对应的目标推荐方式，基于目标推荐方式将待推荐车贷款金融产品推荐给用户账号对应的客户端。

其中，目标推荐方式指根据用户活跃度标签确定的待推荐车贷款金融产品的推荐方式。本实施例中的推荐方式包括在线推荐和离线推荐，当用户对车交易平台的依赖性较高时，则选用在线推荐的目标推荐方式向用户推荐该待推荐车贷款金融产品。相应地，当用户对车交易平台的依赖性较低时，可选用离线推荐方式向用户推荐

具体地，在获取用户活跃度标签后，则了解了用户是否为经常登录车交易平台的用户，根据用户活跃度标签确定推荐该待推荐车贷款金融产品的目标推荐方式。当用户活跃度标签为“活跃”或者“非常活跃”时，则表示用户比较依赖该车交易平台，可以选择在线推荐的目标推荐方式将待推荐车贷款金融产品推荐给用户，即通过车交易平台将该待推荐车贷款金融产品推荐给用户。当用户活跃度标签为“不活跃”或者“一般”时，则表示用户不是很依赖该车交易平台，可以选择离线推荐的的目标推荐方式(即包括但不限于打电话、发短信、发邮件等离线推荐的目标推荐方式)，将待推荐车贷款金融产品通过车交易平台推荐给用户。根据用户活跃度标签选择目标推荐方式，使用目标推荐方式将待推荐车贷款金融产品推荐给用户账号对应的客户端，可有效提高待推荐车贷款金融产品的推荐效果。

步骤S10-步骤S60，通过车网页ID查询埋点表，获取车网页ID对应的待识别动态行为数据，并根据用户账号获取待识别静态画像数据，将待识别动态行为数据和待识别静态画像数据作为待识别用户行为数据，提高识别对象的准确性和针对性。采用预先训练好的车贷款金融产品推荐模型对待识别用户行为数据进行识别，根据车贷款金融产品推荐模型的投票结果，获取待推荐车贷款金融产品，提高了识别效率，使得获取的待推荐车贷款金融产品的准确性更高。根据用户活跃度标签确定用户在车交易平台的活跃度，根据用户在车交易平台的活跃度选择对应的目标推荐方式，将待推荐车贷款金融产品推荐给用户账号对应的客户端，可有效提高待推荐车贷款金融产品的推荐效果。

在一实施例中，如图3所示，步骤S10中，获取用户日志表，具体包括如下步骤：

S11：获取客户端发送的登录请求，登录请求包括用户账号和用户密码。

具体地，用户在车交易平台上浏览车网页，则需要在客户端输入用户账号和用户密码，并点击“登录”操作，通过发送登录请求将用户账号和用户密码发送给对应的服务器。服务器在接收到客户端发送的登录请求后，对等请求中携带的用户账号和用户密码进行验证，当用户账号和用户密码与用户在车交易平台上注册时填写的用户账号和用户密码匹配，则表示验证通过。对用户账号和用户密码进行验证，保证了用户在车交易平台上的信息安全。当验证通过后，服务器会根据登录请求中携带的用户账号执行步骤S12。

进一步地，当客户端发送的用户账号和用户密码与用户在车交易平台上注册时填写的用户账号和用户密码不匹配，或者服务器没有查找到该用户账号时，则表示验证不通过。服务器发送登录失败的信息给对应的客户端，提示用户需要重新登录或者需要注册用户账号。

S12：在用户账号和用户密码验证通过后，基于用户账号，获取与用户账号对应的用户日志表。

具体地，由于车交易平台对应的日志中存储有多个用户的相关数据，因此，当服务器对登录请求携带的用户账号和用户密码进行验证通过后，服务器会根据登录请求携带的用户账号获取与用户账号对应的用户日志表，即可以保障所获取的用户日志表的安全性，又可以实现根据用户账号个性化分析该用户账号对应的用户在车交易平台上的待识别动态行为数据，即浏览的车网页的车网页ID、登录车交易平台的次数及浏览车网页ID对应的车网页的时间段、时长和次数，提高数据分析的准确性。

步骤S11-步骤S12，获取客户端发送的登录请求，对登录请求携带的用户账号和用户密码进行验证，保证用户在车交易平台上的用户日志表的安全性。然后基于用户账号，获取与用户账号对应的用户日志表，实现根据用户账号个性化分析该用户账号对应的用户在车交易平台上被记录的相关数据(即待识别动态行为数据)，提高数据分析的准确性。

在一实施例中，如图4所示，车贷款金融产品推荐方法还包括：

S101：获取待训练用户行为数据，待训练用户行为数据携带有原始用户标签。

其中，待训练用户行为数据指用于训练车贷款金融产品推荐模型的用户行为数据。该待训练用户行为数据包括但不限于用户的性别、年龄、职业及婚姻状况、爱好的车类型、是否使用过车贷款金融产品、购买的车贷款金融产品的种类、金额及数量、浏览的车网页ID、登录车交易平台的次数和浏览车网页ID对应的车网页的时间段、时长及次数等数据。

为了给步骤S104提供数据来源，需要对待训练用户行为数据进行标签化处理，使得待训练用户行为数据携带有对应的原始用户标签。其中，原始用户标签是根据车贷款金融产品定义的标签，本实施例中的车贷款金融产品包括但不限于新车贷款、车辆抵押贷款和二手车贷款。其中，原始用户标签指根据待训练用户行为数据得到的标签。

具体地，在获取待训练用户行为数据后，对待训练用户行为数据进行分析，获取待训练用户行为数据对应的原始用户标签，使得待训练用户行为数据携带有对应的原始用户标签。如一待训练用户行为数据为男、36岁、已婚、爱好的车类型为轿车，曾使用过新车贷款对应的车贷款金融产品，浏览雪佛兰对应的车网页ID的时间段为5月份至6月份，时长累计统计为138个小时，次数高达150次，通过对该待训练用户行为数据进行分析，得到该待训练用户行为数据对应的原始用户标签为“车辆抵押贷款”。

S102：在待训练用户行为数据中随机抽取K个样本集，基于K个样本集生成对应的随机森林。

在获取待训练用户行为数据后，从待训练用户行为数据中随机抽取部分待训练用户行为数据，将该部分待训练用户行为数据分为K个样本集，一个样本集对应一棵决策树，K个样本集对应生成K棵决策树，形成一个随机森林。每个样本集中的待训练用户行为数据包括有M个属性(包括但不限于用户的性别、年龄、职业及婚姻状况、爱好的车类型、是否使用过车贷款金融产品、购买的车贷款金融产品的种类、金额及数量、浏览的车网页ID、登录车交易平台的次数和浏览车网页ID对应的车网页的时间段、时长及次数等)。

具体地，基于K个样本集生成对应的随机森林步骤包括：(1)对于每个样本集，从M个属性中选取m个属性(一般地，m为M的均方根)。从这m个属性中采用某种策略(包括但不限于信息增益、信息增益比和基尼指数)选择其中的一个属性作为构建第一棵决策树的分裂点；(2)对剩下的m-1个属性重复执行步骤(1)，直到不能够再分裂为止(如果下一次该节点选出来的那一个属性是刚刚其父节点分裂时用过的属性，则该节点已经达到了叶子节点，表示无须继续分裂)，得到决策树；(3)将生成的多棵子决策树组成随机森林。

S103：将没有抽取的待训练用户行为数据输入到随机森林中，将随机森林的输出结果作为待训练用户行为数据的训练用户标签。

具体地，在待训练用户行为数据抽取完K个样本集后，将剩余的待训练用户行为数据，即没有抽取到的待训练用户行为数据输入到随机森林中，随机森林对每棵决策树的输出结果进行投票，将投票最多的输出结果作为随机森林的输出结果。在得到随机森林的输出结果后，将随机森林对应的输出结果作为待训练用户行为数据的训练用户标签。通过随机森林获取训练用户标签提高了数据训练的速度。例如：随机森林中有3棵子决策树，2棵子决策树的分类结果是A车贷款金融产品，1棵子决策树树的分类结果是B车贷款金融产品，通过投票，该随机森林的输出结果是A类车贷款金融产品，该A类车贷款金融产品则为待训练用户行为数据通过随机森林得到的训练用户标签。

S104：将训练用户标签与原始用户标签进行对比，当训练用户标签与原始用户标签匹配，则将随机森林作为车贷款金融产品推荐模型。

在获取训练用户标签后，将训练用户标签与原始用户标签进行对比，当训练用户标签与原始用户标签匹配，则表示将随机森林训练成功，可以将该随机森林作为车贷款金融产品推荐模型。

步骤S101-步骤S104，通过在待训练用户行为数据中随机抽取K个样本集，生成随机森林，为后续将没有抽取的待训练用户行为数据输入到随机森林中提供基础。通过随机森林的投票结果，获取训练用户标签，提高了获取训练用户标签的效率。将训练用户标签与原始用户标签进行对比，当训练用户标签与原始用户标签匹配，则将随机森林作为车贷款金融产品推荐模型，保证了车贷款金融产品推荐模型的准确性。

在一实施例中，如图5所示，步骤S101，获取待训练用户行为数据，待训练用户行为数据携带有原始用户标签，具体包括如下步骤：

S1011：获取待训练用户行为数据，待训练用户行为数据包括待训练静态画像数据和待训练动态行为数据。

具体地，服务器从数据库中获取一部分用户行为数据作为待训练用户行为数据用于生成随机森林，并确定随机森林的准确性。本实施例中的待训练用户行为数据包括待训练静态画像数据和待训练动态行为数据。其中，待训练动态行为数据指用于生成随机森林的用户动态行为数据，包括但不限于用户登录车交易平台的次数、浏览车网页的时间段、时长和次数进行分析，以确定用户是否为经常登录车交易平台的用户。待训练静态画像数据指用于生成随机森林的用户静态画像数据，包括但不限于用户的性别、年龄、职业、婚姻状况、爱好的车类型、是否使用过车贷款金融产品和购买的车贷款金融产品的种类、金额和数量等数据。

S1012：基于待训练静态画像数据，获取第一喜好信息。

其中，第一喜好信息指根据待训练静态画像数据确定的用户的喜好信息。具体地，根据在获取待训练静态画像数据后，根据待训练静态画像数据中的性别、年龄、职业、婚姻状况和爱好的车类型以及是否使用过车贷款金融产品和购买的车贷款金融产品的种类、金额和数量等数据确定第一喜好信息。如一用户静态画像数据为男、32岁、已婚、爱好的车类型为轿车、SUV，没有购买过车贷款金融产品，根据这些信息可以判断出第一喜好信息为喜爱轿车和SUV。

S1013：基于待训练动态行为数据，获取至少一个原始关键词，每一原始关键词对应一关键词标识。

具体地，待训练动态行为数据指用于生成随机森林的用户动态行为数据，该用户动态行为数据中包括至少一个原始关键词，每一原始关键词对应一关键词标识，该关键词标识指用于识别关键词的标识。本实施例中的关键词标识包括但不限于车类型、车价格和车品牌等。服务器在获取用户动态行为数据后，会从待训练动态行为数据中获取至少一个关键词标识，方便后续步骤基于关键词标识查找对应的关键词。本实施例中车类型对应的原始关键词包括但不限于轿车、SUV、MPV、跑车、皮卡和微面。车价格对应的原始关键词为价格。车品牌对应的原始关键词为当前市面上所有出售的车辆品牌。

S1014：基于关键词标识，统计每一关键词标识对应的原始关键词的出现次数；将每一关键词标识对应的原始关键词中出现次数超过预设值的原始关键词作为目标关键词。

具体地，服务器从待训练动态行为数据在获取关键词标识后，会基于关键词标识，统计关键词标识对应的原始关键词的出现次数。例如，服务器会基于车类型这一关键词标识，统计轿车、SUV、MPV、跑车、皮卡和微面这六个原始关键词的出现次数，该出现次数反映了用户对轿车、SUV、MPV、跑车、皮卡和微面这六个车类型的浏览次数，可以在一定程度上反映用户的喜好。进一步地；将每一关键词标识对应的原始关键词中出现次数超过预设值的原始关键词作为目标关键词，该预设值指预先设置好的用于判断原始关键词的出现次数是否满足要求的值。例如，车类型这一关键词标识对应的轿车、SUV、MPV、跑车、皮卡和微面等原始关键词中，SUV的出现次数超过预设值，表示用户比较关注SUV这种车类型，则将SUV这一原始关键词作为车类型这一关键词标识对应的目标关键词。

为了方便统计车价格对应的原始关键词出现的次数，在获取车价格对应原始关键词后，还需要对车价格对应的原始关键词进行分档。如将车价格分为10万以下、10万-15万、15万-20万、20万-30万……等。

一个关键词标识对应至少一个原始关键词，针对每一关键词标识，统计该关键词标识对应的各个原始关键词的出现次数，选取每一关键词标识中出现次数最多的原始关键词作为目标关键词，使得一个关键词标识仅对应一个目标关键词，方便根据目标关键词确定用户喜好信息。

进一步地，服务器还可以通过训练动态行为数据中统计的时长最长的车网页ID，获取该车网页ID对应的车网页内容，通过爬虫工具从该车网页内容中爬取关键词标识对应的原始关键词作为目标关键词。

S1015：基于目标关键词，获取第二喜好信息。

其中，第二喜好信息指根据待训练动态行为数据确定的用户的喜好信息。

具体地，获取目标关键词后，将关键词标识对应的目标关键词作为第二喜好信息。如根据步骤S1014，确定的车类型对应的目标关键词为SUV，车价格对应的目标关键词为15万-20万，车品牌对应的目标关键词为雪佛兰。根据目标关键词，可以确定第二喜好信息为喜好车价格在15万-20万雪佛兰的SUV。

S1016：根据第一喜好信息和第二喜好信息查询车贷款金融产品推荐表，获取与第一喜好信息和第二喜好信息相匹配的目标车贷款金融产品，将目标车贷款金融产品作为原始用户标签。

具体地，在获取第一喜好信息和第二喜好信息后，根据第一喜好信息和第二喜好信息遍历车贷款金融产品推荐表，当车贷款金融产品推荐表中的信息与第一喜好信息和第二喜好信息均匹配，则将对应的车贷款金融产品作为目标车贷款金融产品。其中，车贷款金融产品推荐表指存储有用户喜好信息和对应的车贷款金融产品的数据表。该车贷款金融产品推荐表用于根据用户喜好信息获取与用户第一喜好信息和第二喜好信息均匹配目标车贷款金融产品。根据第一喜好信息和第二喜好信息确定目标车贷款金融产品，更加符合用户的要求，可以提高车贷款金融产品的推荐效果。为了方便后续步骤使用，将目标车贷款金融产品作为原始用户标签，与待训练用户行为数据进行关联。

步骤S1011-步骤S1016，通过待训练静态画像数据和待训练动态行为数据确定用户的第一喜好信息和第二喜好信息，并根据用户的第一喜好信息和第二喜好信息获取目标车贷款金融产品，使得目标车贷款金融产品更加符合用户的需求，并将目标车贷款金融产品作为待训练用户行为数据的原始用户标签，实现待训练用户行为数据的自动化标注，无需人工干预，提高待训练用户行为数据的获取效率。将目标车贷款金融产品作为原始用户标签，与待训练用户行为数据进行关联，为后续步骤验证随机森林的准确性提供了数据基础。

本发明提供的车贷款金融产品推荐方法，通过获取待训练用户行为数据，并根据待训练用户行为数据确定用户的第一喜好信息和第二喜好信息，从而确定符合用户需求的目标车贷款金融产品，并将目标车贷款金融产品作为原始用户标签，方便后续步骤验证随机森林的准确性。将原始用户标签与待训练用户行为数据关联，实现待训练用户行为数据的自动化标注，无需人工干预，提高待训练用户行为数据的获取效率，为后续步骤验证随机森林的准确性提供了数据基础。通过随机森林确定车贷款金融产品推荐模型，提高了数据训练速度，保证了车贷款金融产品推荐模型的准确性。通过车网页ID查询埋点表，获取车网页ID对应的待识别动态行为数据，并根据用户账号获取待识别静态画像数据，将待识别动态行为数据和待识别静态画像数据作为待识别用户行为数据，提高识别对象的准确性。采用预先训练好的车贷款金融产品推荐模型对待识别用户行为数据进行识别，根据车贷款金融产品推荐模型的投票结果，获取待推荐车贷款金融产品，提高了识别效率使得获取的待推荐车贷款金融产品的准确性更高。根据用户活跃度标签确定用户在车交易平台的活跃度，根据用户在车交易平台的活跃度选择对应的目标推荐方式，将待推荐车贷款金融产品推荐给用户账号对应的客户端，有效提高了待推荐车贷款金融产品的推荐效果。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种车贷款金融产品推荐装置，该车贷款金融产品推荐装置与上述实施例中车贷款金融产品推荐方法一一对应。如图6所示，该车贷款金融产品推荐装置包括用户日志表获取模块10、待识别动态行为数据获取模块20、待识别用户行为数据获取模块30、待推荐车贷款金融产品获取模块40、用户活跃度标签获取模块50和待推荐车贷款金融产品推荐模块60。各功能模块详细说明如下：

用户日志表获取模块10，用于获取用户日志表，用户日志表包括用户账号和车网页ID。

待识别动态行为数据获取模块20，用于基于车网页ID查询埋点表，获取与车网页ID对应的待识别动态行为数据。

待识别用户行为数据获取模块30，用于获取待识别静态画像数据，将待识别静态画像数据和待识别动态行为数据作为待识别用户行为数据。

待推荐车贷款金融产品获取模块40，用于采用预先训练好的车贷款金融产品推荐模型对待识别用户行为数据进行识别，根据车贷款金融产品推荐模型的投票结果，获取待推荐车贷款金融产品。

用户活跃度标签获取模块50，用于对待识别动态行为数据进行分析，获取用户活跃度标签。

待推荐车贷款金融产品推荐模块60，用于根据用户活跃度标签获取与用户活跃度标签对应的目标推荐方式，基于目标推荐方式将待推荐车贷款金融产品推荐给用户账号对应的客户端。

进一步地，用户日志表获取模块10包括登录请求获取单元和用户日志表获取单元。

登录请求获取单元，用于获取客户端发送的登录请求，登录请求包括用户账号和用户密码。

用户日志表获取单元，用于在用户账号和用户密码验证通过后，基于用户账号，获取与用户账号对应的用户日志表。

进一步地，用户活跃度标签获取模块50还用于基于网页时长和车网页次数，查询活跃度评分表，获取用户活跃度标签。

进一步地，车贷款金融产品推荐装置还包括待训练用户行为数据获取模块、随机森林生成模块、训练用户行为标签生成模块和车贷款金融产品推荐模型确定模块。

待训练用户行为数据获取模块，用于获取待训练用户行为数据，待训练用户行为数据携带有原始用户标签。

随机森林生成模块，用于在待训练用户行为数据中随机抽取K个样本集，基于K个样本集生成对应的随机森林。

训练用户行为标签生成模块，用于将没有抽取的待训练用户行为数据输入到随机森林中，将随机森林的输出结果作为待训练用户行为数据的训练用户标签。

车贷款金融产品推荐模型确定模块，用于将训练用户标签与原始用户标签进行对比，当训练用户标签与原始用户标签匹配，则将随机森林作为车贷款金融产品推荐模型。

进一步地，待训练用户行为数据获取模块包括待训练用户行为数据获取单元、第一喜好信息获取单元、原始关键词获取单元、目标关键词获取单元、第二喜好信息获取单元和原始用户标签确定单元。

待训练用户行为数据获取单元，用于获取待训练用户行为数据，待训练用户行为数据包括待训练静态画像数据和待训练动态行为数据。

第一喜好信息获取单元，用于基于待训练静态画像数据，获取第一喜好信息。

原始关键词获取单元，用于基于待训练动态行为数据，获取至少一个原始关键词，每一原始关键词对应一关键词标识。

目标关键词获取单元，用于基于关键词标识，统计每一关键词标识对应的原始关键词的出现次数；将每一关键词标识对应的原始关键词中出现次数超过预设值的原始关键词作为目标关键词。

第二喜好信息获取单元，用于基于目标关键词，获取第二喜好信息。

原始用户标签确定单元，用于根据第一喜好信息和第二喜好信息查询车贷款金融产品推荐表，获取与第一喜好信息和第二喜好信息相匹配的目标车贷款金融产品，将目标车贷款金融产品作为原始用户标签。

关于车贷款金融产品推荐装置的具体限定可以参见上文中对于车贷款金融产品推荐方法的限定，在此不再赘述。上述车贷款金融产品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储车贷款金融产品推荐方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车贷款金融产品推荐方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述车贷款金融产品推荐方法的步骤，如图2所示的步骤S10-步骤S60，或者图3至图5所示的步骤。或者，处理器执行计算机程序时实现上述车贷款金融产品推荐装置的步骤，如图6所示的用户日志表获取模块10、待识别动态行为数据获取模块20、待识别用户行为数据获取模块30、待推荐车贷款金融产品获取模块40、用户活跃度标签获取模块50和待推荐车贷款金融产品推荐模块60。为避免重复，不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述车贷款金融产品推荐方法的步骤，如图2所示的步骤S10-步骤S60，或者图3至图5所示的步骤。或者，计算机程序被处理器执行时实现上述车贷款金融产品推荐装置的步骤，如图6所示的用户日志表获取模块10、待识别动态行为数据获取模块20、待识别用户行为数据获取模块30、待推荐车贷款金融产品获取模块40、用户活跃度标签获取模块50和待推荐车贷款金融产品推荐模块60。为避免重复，不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种车贷款金融产品推荐方法，其特征在于，包括：

获取用户日志表，所述用户日志表包括用户账号和车网页ID；

基于所述车网页ID查询埋点表，获取与所述车网页ID对应的待识别动态行为数据；

获取待识别静态画像数据，将所述待识别静态画像数据和所述待识别动态行为数据作为待识别用户行为数据；

采用预先训练好的车贷款金融产品推荐模型对所述待识别用户行为数据进行识别，根据所述车贷款金融产品推荐模型的投票结果，获取待推荐车贷款金融产品；

对所述待识别动态行为数据进行分析，获取用户活跃度标签；

根据所述用户活跃度标签获取与所述用户活跃度标签对应的目标推荐方式，基于所述目标推荐方式将所述待推荐车贷款金融产品推荐给所述用户账号对应的客户端。

2.如权利要求1所述的车贷款金融产品推荐方法，其特征在于，所述获取用户日志表，包括：

获取客户端发送的登录请求，所述登录请求包括用户账号和用户密码；

在所述用户账号和所述用户密码验证通过后，基于所述用户账号，获取与所述用户账号对应的用户日志表。

3.如权利要求1所述的车贷款金融产品推荐方法，其特征在于，所述待识别用户动态数据包括车网页时长和车网页次数；

所述对所述待识别动态行为数据进行分析，获取用户活跃度标签，包括：

基于所述网页时长和所述车网页次数，查询活跃度评分表，获取用户活跃度标签。

4.如权利要求1所述的车贷款金融产品推荐方法，其特征在于,所述车贷款金融产品推荐方法还包括：

获取待训练用户行为数据，所述待训练用户行为数据携带有原始用户标签；

在所述待训练用户行为数据中随机抽取K个样本集，基于K个所述样本集生成对应的随机森林；

将没有抽取的所述待训练用户行为数据输入到所述随机森林中，将随机森林的输出结果作为所述待训练用户行为数据的训练用户标签；

将所述训练用户标签与所述原始用户标签进行对比，当所述训练用户标签与所述原始用户标签匹配，则将所述随机森林作为车贷款金融产品推荐模型。

5.如权利要求4所述的车贷款金融产品推荐方法，其特征在于，所述获取待训练用户行为数据，所述待训练用户行为数据携带有原始用户标签，包括：

获取待训练用户行为数据，所述待训练用户行为数据包括待训练静态画像数据和待训练动态行为数据；

基于所述待训练静态画像数据，获取第一喜好信息；

基于所述待训练动态行为数据，获取至少一个原始关键词，每一所述原始关键词对应一关键词标识；

基于所述关键词标识，统计每一所述关键词标识对应的原始关键词的出现次数；将每一所述关键词标识对应的原始关键词中出现次数超过预设值的原始关键词作为目标关键词；

基于所述目标关键词，获取第二喜好信息；

根据所述第一喜好信息和所述第二喜好信息查询车贷款金融产品推荐表，获取与所述第一喜好信息和所述第二喜好信息相匹配的目标车贷款金融产品，将所述目标车贷款金融产品作为原始用户标签。

6.一种车贷款金融产品推荐装置，其特征在于，包括：

用户日志表获取模块，用于获取用户日志表，所述用户日志表包括用户账号和车网页ID；

待识别动态行为数据获取模块，用于基于所述车网页ID查询埋点表，获取与所述车网页ID对应的待识别动态行为数据；

待识别用户行为数据获取模块，用于获取待识别静态画像数据，将所述待识别静态画像数据和所述待识别动态行为数据作为待识别用户行为数据；

待推荐车贷款金融产品获取模块，用于采用预先训练好的车贷款金融产品推荐模型对所述待识别用户行为数据进行识别，根据所述车贷款金融产品推荐模型的投票结果，获取待推荐车贷款金融产品；

用户活跃度标签获取模块，用于对所述待识别动态行为数据进行分析，获取用户活跃度标签；

待推荐车贷款金融产品推荐模块，用于根据所述用户活跃度标签获取与所述用户活跃度标签对应的目标推荐方式，基于所述目标推荐方式将所述待推荐车贷款金融产品推荐给所述用户账号对应的客户端。

7.如权利要求6所述的车贷款金融产品推荐装置，其特征在于，包括：

待训练用户行为数据获取模块，用于获取待训练用户行为数据，所述待训练用户行为数据携带有原始用户标签；

随机森林生成模块，用于在所述待训练用户行为数据中随机抽取K个样本集，基于K个所述样本集生成对应的随机森林；

训练用户行为标签生成模块，用于将没有抽取的所述待训练用户行为数据输入到所述随机森林中，将随机森林的输出结果作为所述待训练用户行为数据的训练用户标签；

车贷款金融产品推荐模型确定模块，用于将所述训练用户标签与所述原始用户标签进行对比，当所述训练用户标签与所述原始用户标签匹配，则将所述随机森林作为车贷款金融产品推荐模型。

8.如权利要求7所述的车贷款金融产品推荐装置，其特征在于，待训练用户行为数据获取模块包括：

待训练用户行为数据获取单元，用于获取待训练用户行为数据，所述待训练用户行为数据包括待训练静态画像数据和待训练动态行为数据；

第一喜好信息获取单元，用于基于所述待训练静态画像数据，获取第一喜好信息；

原始关键词获取单元，用于基于所述待训练动态行为数据，获取至少一个原始关键词，每一所述原始关键词对应一关键词标识；

目标关键词获取单元，用于基于所述关键词标识，统计每一所述关键词标识对应的原始关键词的出现次数；将每一所述关键词标识对应的原始关键词中出现次数超过预设值的原始关键词作为目标关键词；

第二喜好信息获取单元，用于基于所述目标关键词，获取第二喜好信息；

原始用户标签确定单元，用于根据所述第一喜好信息和所述第二喜好信息查询车贷款金融产品推荐表，获取与所述第一喜好信息和所述第二喜好信息相匹配的目标车贷款金融产品，将所述目标车贷款金融产品作为原始用户标签。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中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5任一项所述车贷款金融产品推荐方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述车贷款金融产品推荐方法的步骤。