CN109934704A - 信息推荐方法、装置、设备和存储介质 - Google Patents

Abstract

本发明公开了一种信息推荐方法、装置、设备和存储介质，该方法包括：根据目标用户的特征数据和预先训练的下单模型确定所述用户的下单意愿值；根据所述下单意愿值确定所述目标用户对应的分类集合；根据所述分类集合确定待推荐信息，并将所述待推荐信息推荐给所述目标用户。本发明实施例的技术方案，通过对目标用户的特征数据分析，准确定位目标用户的推荐信息，将适当的信息推荐给目标用户，提高了用户的体验程度。

Description

信息推荐方法、装置、设备和存储介质

技术领域

本发明实施例涉及数据处理技术领域，尤其涉及一种信息推荐方法、装置、设备和存储介质。

背景技术

互联网小额信贷是一种无抵押、无担保的信用借贷产品，互联网小额贷款的坏账风险往往高于传统贷款机构的借贷产品，严重影响了互联网小额信贷的健康发展。

为解决上述问题，现有的互联网公司多制定严苛的风险控制体系对用户群体进行授信分类，来对坏账风险进行管控，以及向不同授信分类的用户推荐相应的利率信息，由于风控体系的严格程度决定了用户群体的授信分类，常对用户群体的推荐利率信息定位不准确，无法准确实现适当的利率信息推荐给相关用户。

发明内容

本发明提供一种信息推荐方法、装置、设备和存储介质，以实现为目标用户准确推荐信息，提高用户体验度。

第一方面，本发明实施例提供了一种信息推荐方法，包括：

根据目标用户的特征数据和预先训练的下单模型确定所述用户的下单意愿值；

根据所述下单意愿值确定所述目标用户对应的分类集合；

根据所述分类集合确定待推荐信息，并将所述待推荐信息推荐给所述目标用户。

第二方面，本发明实施例还提供了一种信息推荐装置，包括：

意愿值确定模块，用于根据目标用户的特征数据和预先训练的下单模型确定所述用户的下单意愿值；

分类集合确定模块，用于根据所述下单意愿值确定所述目标用户对应的分类集合；

信息推荐模块，用于根据所述分类集合确定待推荐信息，并将所述待推荐信息推荐给所述目标用户。

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；

存储装置，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本发明任意实施例所述的信息推荐方法。

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本发明任意实施例所述的信息推荐方法。

本发明实施例的技术方案，通过目标用户的特征数据以及预先训练的下单模型确定目标用户的下单意愿值，根据下单意愿值确定目标用户对应的分类集合，根据分类集合确定待推荐信息，并将待推荐信息推荐给目标用户，使得目标用户的推荐信息定位准确，可将适当的信息推荐给目标用户，提升用户的使用体验度。

附图说明

图1是本发明实施例一提供的一种信息推荐方法的流程图；

图2是本发明实施例二提供的一种信息推荐方法的流程图；

图3a是本发明实施例二提供的一种信息确定模型的测试方法流程图；

图3b是本发明实施例二提供的另一种信息确定模型的测试方法流程图；

图4是本发明实施例二提供的一种信息推荐方法的实例图；

图5是本发明实施例三提供的一种信息推荐装置的结构框图；

图6是本发明实施例四提供的一种设备的结构框图。

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，此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

图1是本发明实施例一提供的一种信息推荐方法的流程图，本发明实施例可适用于信息推荐的情况，特别是信贷产品中利率推荐的情况，该方法可以由本发明实施例中的信息推荐装置来执行，该装置可以通过软件和/或硬件的方式实现，并一般可以集成在服务器中，本发明实施例的方法具体包括如下步骤：

步骤101、根据目标用户的特征数据和预先训练的下单模型确定所述目标用户的下单意愿值。

其中，目标用户可以是登录软件或者网页的使用者，特征数据可以用于表征目标用户软件或者网页使用习惯的数据，可以包括用户的基本特征数据、统计特征数据和时间特征数据等，下单模型可以是通过神经网络或者逻辑回归预先训练的模型，可以用于确定目标用户根据推荐信息下单的意愿大小，下单意愿值可以是用于表征下单意愿大小的数值。

具体的，可以基于目标用户的特征数据和预先训练的下单模型确定目标用户根据推荐信息进行下单的意愿大小。

步骤102、根据所述下单意愿值确定所述目标用户对应的分类集合。

其中，分类集合可以是基于下单意愿值进行划分的分组集合，例如可以按下单意愿值划分为低意愿集合、中意愿集合和高意愿集合三个分类集合。

具体的，可以将目标用户的下单意愿值与预设阈值进行对比，确定目标用户所属的分类集合，预设阈值可以提前预设固定值，例如0.5和0.8，当目标用户的下单意愿值小于0.5时，则目标用户所属的分类集合可以为低意愿集合，若目标用户的下单意愿值大于0.5小于0.8，则目标用户所属的分类集合可以为中意愿集合，若目标用户的下单意愿值大于0.8，则目标用户所属的分类集合可以为高意愿集合。

步骤103、根据所述分类集合确定待推荐信息，并将所述待推荐信息推荐给所述目标用户。

其中，待推荐信息可以是需要推荐给目标用户的信息，例如，可以是商品信息、视频信息和利率信息等。

具体的，每个分类集合可以预设有对应的待推荐信息，例如属于低分类集合对应具有低利率的借贷产品信息，中分类集合对应具有较高利率的接待产品信息，可以根据目标用户所属的分类集合确定对应的待推荐信息作为目标用户的待推荐信息，分类集合对应的待推荐信息可以是商品的价格范围。

本发明实施例的技术方案，通过目标用户的特征数据和预先训练的下单模型确定目标用户的下单意愿值，基于下单意愿值确定目标用户对应的分类集合，根据分类集合确定待推荐信息，并将待推荐信息推荐给目标用户，可将适当的信息推荐给目标用户，提升用户的使用体验度。

实施例二

图2是本发明实施例二提供的一种信息推荐方法的流程图，本发明实施例是在上述实施例基础上进行具体优化，本发明实施例提供的方法包括：

步骤201、将所述特征数据组成特征向量。

其中，特征向量可以是由目标用户特征数据组成的行向量或者列向量，可以是下单模型的输入。

具体的，可以将目标用户的特征数据按照顺序依次排列生成特征向量。

步骤202、将所述特征向量作为所述下单模型的输入，并获取生成的下单意愿值。

具体的，下单模型可以是基于高阶逻辑回归训练的下单模型，可以将特征向量作为下单模型的输入参数，生成相应的下单意愿值，下单意愿值可以是介于0到1之间的数值，下单意愿值越靠近1说明目标用户根据推荐信息下单的意愿越强。

其中，步骤202中的下单模型的预先训练包括：

步骤11、将下单周期作为窗口获取历史用户数据。

其中，下单周期可以是用户打开软件到完成下单操作的平均时间长度，可以通过分析日历获取，历史用户数据可以是所有用户产生的使用数据，可以通过日志文件获取。

具体的，由于业务软件用户粘度问题，很多用户会连续登录软件进行业务操作，由于连续多天的选择样本会导致，负面样本的特征被覆盖，导致模型训练不充分，因此以一天作为下单周期，可以按照一天的时间长度获取历史数据。

步骤12、根据历史用户数据生成训练数据集和测试数据集。

其中，训练数据集可以是用于训练下单模型的数据集，测试数据集可以是基于训练数据集对下单模型训练完成后进行评价测试的数据集。

具体的，可以在历史用户数据中选择数据提取日期，可以将历史用户数据中数据提取日期之前的数据作为训练数据集，可以将历史用户数据集中提取日期之后的数据作为测试数据集。

步骤13、依据训练数据集对设定的下单预测公式进行训练生成下单模型。

其中，下单预测公式可以是高阶逻辑回归中使用的逻辑函数。

具体的，可以基于训练数据集对设定好的下单预测公式基于高阶逻辑回归进行训练，将经过训练后的下单预测公式作为下单模型。

步骤14、根据所述测试数据集对所述下单模型进行测试获取第一评价参数，当所述第一评价参数满足第一预设条件时，所述下单模型训练完成。

其中，第一评价参数可以是基于测试数据集对下单模型进行测试生成的结果参数，可以用于评估下单模型的用于预测的准确程度，第一预设条件可以是用于评估第一评价参数的评价条件，例如可以包括业务规则和测试教师值范围等。

具体的，可以基于测试数据集作为下单模型的输入，可以将生成的结果作为第一评价参数，当第一评价参数满足第一预设条件时，例如第一评价参数符合测试教师值范围时，可以认为下单模型训练完成。

步骤203、提取历史用户数据中已下单数据作为正样本数据，根据所述正样本数据占所述历史用户数据的比例确定分类阈值。

其中，正样本数据可以是历史数据中已下单的数据，例如，可以将历史数据中点击了下单按钮的用户数据作为正样本数据，其他数据作为负样本数据，分类阈值可以是用于区分用户下单意愿大小的阈值。

具体的，可以在历史用户数据中提取点击了下单按钮的用户数据作为正样本数据，可以计算正样本数据占历史用户数据的比例，将计算得到的比例作为分类阈值，例如正样本数据占历史用户数据的20％，那么可以将0.8作为分类阈值，大于0.8的下单意愿值对应的目标用户可以认为属于高分类集合。

步骤204、将所述下单意愿值与所述分类阈值进行对比，确定目标用户对应的分类集合。

具体的，可以将生成的下单意愿值于分类阈值进行对比，根据比较结果确定目标用户对应的分类集合，例如，如果下单意愿值大于分类阈值，可以确定目标用户对应的分类集合为高意愿值得分类集合。

步骤205、根据所述分类集合确定对应的业务消息集合。

其中，业务消息可以是对应分类集合得推送信息，可以是推送信息的范围集合，例如业务消息集合可是利率的范围值(0.2-0.5)。

具体的，可以根据分类集合确定对应的业务消息集合，业务消息集合可以是不同利率的范围值，例如一个业务消息集合的范围值是(0.2-0.5)，分类集合根据业务消息集合确定的利率范围值可以是(0.2-0.5)。

步骤206、根据预先训练的信息确定模型确定所述业务消息集合中业务消息对应的推荐值。

其中，信息确定模型可以是用于确定业务消息推荐值的模型，可以基于高阶逻辑回归模型生成，推荐值可以是业务消息被推荐给目标用户后下单的概率值，推荐值可以是0到1之间的数值，推荐值可以对应于业务消息。

具体的，可以基于预先训练的信息确定模型计算出业务消息集合中各业务消息对应的推荐值，例如，业务消息集合中的业务消息分别为a、b和c，那么根据信息确定模型计算出的分别对应a、b和c的推荐值为0.2、0.6和0.3。

其中信息确定模型的训练，包括：

步骤21、根据各所述业务消息生成对应的信息接受预测公式。

其中，信息接受预测公式可以是高阶逻辑回归中使用的逻辑函数。

具体的，可以根据各业务消息的具体内容选择适当的信息接受预测公式，例如，当业务消息为具体利率时，可以选择作为信息接受预测公式。

步骤22、以下单周期为窗口获取历史用户数据，并根据历史用户数据生成训练数据集和测试数据集。

其中，下单周期可以时根据业务消息的具体内容确定下单时间的平均长度，例如，若业务消息为利率，那么下单周期可以是用户进入使用利率场景后点击下单并最终完成利率使用的时间长度，可以设置为7天。

具体的，可以按照下单周期为获取特征数据的最大时间长度，提取历史用户数据中的特征值，特征值可以包括基本特征、统计特征、业务特征和关联特征等，可以将获取到的特征值进行交叉高阶处理作为数据集，可以选择数据集中某一日期，将数据集中日期前的数据作为训练数据集，将数据集中日期后的数据作为测试集数据，在特征值处理过程中先进行交叉再进高阶处理，使得特征值的拟合离散程度更加明显，使得训练的信息确定模型更加准确。

步骤23、基于所述训练数据集对所述信息接受预测公式进行训练生成信息确定模型。

具体的，可以基于训练数据集对信息接受预测公式进行训练生成信息确定模型。

步骤24、基于所述测试数据集对所述信息确定模型进行测试获取第二评价参数，当所述第二评价参数满足第二预设条件时，所述信息确定模型训练完成。

其中，第二评价参数可以是基于测试数据集对信息确定模型进行测试生成的结果参数，可以用于评估信息确定模型的用于预测的准确程度，第二预设条件可以是用于评估第二评价参数的评价条件，例如可以包括业务规则和测试教师值范围等。

具体的，可以基于测试数据集作为信息确定模型的输入，可以将生成的结果作为第二评价参数，当第二评价参数满足第二预设条件时，例如第二评价参数符合测试教师值范围时，可以认为信息确定模型训练完成。图3a是本发明实施例二提供的一种信息确定模型的测试方法流程图，图3b是本发明实施例二提供的另一种信息确定模型的测试方法流程图，参见图3a，可以提取测试数据集，根据测试数据集对信息确定模型进行训练，可以对计算结果P值进行拟合，确保拟合方差尽量小且拟合后的计算结果P值大于0，可以计算平均P值，也可以使用离线数据进行统计进行预计收益，将平均P值和预计收益作为第二预设条件。参见图3b，可以在日志文件中提取预测数据，例如目标用户的特征数据，根据预测数据基于信息确定模型进行预测，将生成的结果与目标用户实际线上的效果进行对比，可以作为第二预设条件。

步骤207、根据业务规则对所述推荐值进行排序，将位于排序首位推荐值对应的业务消息确定为待推荐信息。

其中，业务规则可以根据具体业务确定的排序规则，例如，当业务具体为借贷业务时，业务规则可以与借贷业务相关的风险控制规则。

具体的，可以根据具体业务内容生成业务规则，根据业务规则对推荐值进行排序，可以将排序中处于首位的推荐值对应的业务消息作为待推荐信息。

步骤208、将所述待推荐信息推荐给所述目标用户。

本发明实施例的技术方案，通过将目标用户的特征数据作为特征向量，将特征向量作为下单模型的输入，获取生成的下单意愿值，提取历史用户数据中已下单数据作为正样本数据，根据所述正样本数据占历史用户数据的比例确定分类阈值，将下单意愿值与分类阈值进行对比，确定目标用户所属的分类集合，根据分类集合确定对应的业务消息集合，根据信息确定模型确定业务消息对应的推荐值，结合业务规则对各推荐值进行排序，将位于首位的推荐值对应的业务消息确定待推荐消息，将所述待推荐消息推荐给目标用户，使得待推荐信息可以准确确定，将适当目标用户的待推荐信息发送给目标用户，提高目标用户的体验程度。

在上述实施例的基础上，根据目标用户的特征数据和预先训练的下单模型确定所述目标用户的下单意愿之前，还包括：

提取用户的特征数据，并根据所述特征数据确定用户的用户类型；若所述用户的用户类型为设定类型，则确定所述用户为目标用户。

其中，特征数据可以是具有用户特点的数据，可以包括基本特征、行为特征和关联特征等，例如基本特征可以包括用户注册邮箱、姓名、单位和联系电话等，行为特征可以是登录次数、最近登录时间和使用时长等，关联特征可以是对待推荐信息的下单次数或者下单的成功率等，用户类型可以是表征用户使用状态的类型，可以包括老用户、流失用户、普通用户和新用户等，设定类型可以是根据业务情境确定的需要进行信息推荐的目标用户的用户类型，可以是老用户、流失用户、普通用户和新用户中的至少一种。

具体的，可以提取用户基本特征、行为特征和关联特征等数据作为特征数据，根据提取到的特征数据判断用户的用户类型，例如登录次数为0，那么用户的用户类型可以为新用户，可以对用户的用户类型进行判断，如果用户是老用户、流失用户或者普通用户，那么可以确定用户是目标用户，可以为目标用户进行信息推荐。

示例性的，以业务场景为借贷场景进行举例说明，图4是本发明实施例二提供的一种信息推荐方法的实例图，参见图4，可以在获取用户的特征数据后对用户进行基于用户类型进行分类，例如老用户、流失用户、普通用户和新用户等，若用户为新用户并且没有历史下单成功信息，那么用户的待推荐信息中的利率范围可以是(最低利率，最低利率*1.3)，然后可以根据业务规则对的待推荐信息中的利率进行排序最终确定待推荐信息的目标利率；如果用户是老用户、流失用户或者普通用户，可以根据下单模型确定用户下单的概率，若用户下单概率为低，那么可以待推荐信息的利率范围为(最低利率*0.9，最低利率)，若下单概率为高，那么待推荐信息的利率范围为(最近利率，最近利率*1.1)，若下单概率为中，那么还可以通过信息确定模型确定各利率的推荐值，最终由业务规则对推荐值进行排序，可以基于推荐值的排序确定待推荐信息的目标利率。为于不同类型、不同下单意愿的用户设定不同的利率范围，最后按照业务规则进行排序，使得用户接收适当的利率值，提高用户的使用体验度，从而实现提升借贷平台的整体收益。

实施例三

图5是本发明实施例三提供的一种信息推荐装置的结构框图，参见图5，本发明实施例提供的信息推荐装置，可执行本发明任意实施例提供的信息推荐方法，具备执行方法相应的功能模块和有益效果。该装置可以由软件和/或硬件实现，具体包括：意愿值确定模块501、分类集合确定模块502和信息推荐模块503。

其中，意愿值确定模块501，用于根据目标用户的特征数据和预先训练的下单模型确定所述目标用户的下单意愿值。

分类集合确定模块502，用于根据所述下单意愿值确定所述目标用户对应的分类集合。

信息推荐模块503，用于根据所述分类集合确定待推荐信息，并将所述待推荐信息推荐给所述目标用户。

本发明实施例的技术方案，通过分类集合确定模块通过目标用户的特征数据以及预先训练的下单模型确定目标用户的下单意愿值，分类集合确定模块根据下单意愿值确定目标用户对应的分类集合，信息推荐模块根据分类集合确定待推荐信息，将待推荐信息推荐给目标用户，使得待推荐信息相对目标用户定位准确，将适当的信息推荐给目标用户，提高目标用户的使用体验度。

在上述实施例的基础上，意愿值确定模块501，包括：

向量生成单元，用于将所述特征数据组成特征向量。

意愿值生成单元，用于将所述特征向量作为所述下单模型的输入，并获取生成的下单意愿值。

在上述实施例的基础上，信息推荐装置还包括：

数据获取模块，用于将下单周期作为窗口获取历史用户数据。

数据处理模块，用于根据历史用户数据生成训练数据集和测试数据集。

下单训练模块，用于依据训练数据集对设定的下单预测公式进行训练生成下单模型。

下单评价模块，用于根据所述测试数据集对所述下单模型进行测试获取第一评价参数，当所述第一评价参数满足第一预设条件时，所述下单模型训练完成。

在上述实施例的基础上，分类集合确定模块502，包括：

阈值确定单元，用于提取历史用户数据中已下单数据作为正样本数据，根据所述正样本数据占所述历史用户数据的比例确定分类阈值。

分类单元，用于将所述下单意愿值与所述分类阈值进行对比，确定目标用户对应的分类集合。

在上述实施例的基础上，信息推荐模块503，包括：

集合确定单元，用于根据所述分类集合确定对应的业务消息集合。

推荐值生成单元，用于根据预先训练的信息确定模型确定所述业务消息集合中业务消息对应的推荐值。

排序单元，用于根据业务规则对所述推荐值进行排序，将位于排序首位推荐值对应的业务消息确定为待推荐信息。

在上述实施例的基础上，推荐值生成单元，包括：

公式确定子单元，用于根据各所述业务消息生成对应的信息接受预测公式。

数据处理子单元，用于以下单周期为窗口获取历史用户数据，并根据历史用户数据生成训练数据集和测试数据集。

信息训练子单元，用于基于所述训练数据集对所述信息接受预测公式进行训练生成信息确定模型。

信息测试子单元，用于基于所述测试数据集对所述信息确定模型进行测试获取第二评价参数，当所述第二评价参数满足第二预设条件时，所述信息确定模型训练完成。

在上述实施例的基础上，所述装置，还包括：

类型确定模块，用于提取用户的特征数据，并根据所述特征数据确定用户的用户类型。

目标用户选定模块，用于若所述用户的用户类型为设定类型，则确定所述用户为目标用户。

实施例四

图6是本发明实施例四提供的一种设备的结构框图，如图6所示，该设备包括处理器60、存储器61、输入装置62和输出装置63；设备中处理器60的数量可以是一个或多个，图6中以一个处理器60为例；设备中的处理器60、存储器61、输入装置62和输出装置63可以通过总线或其他方式连接，图6中以通过总线连接为例。

存储器61作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的信息推荐方法对应的程序模块(例如，信息推荐装置中的意愿值确定模块501、分类集合确定模块502和信息推荐模块503)。处理器60通过运行存储在存储器61中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的信息推荐方法。

存储器61可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器61可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器61可进一步包括相对于处理器60远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置62可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置63可包括显示屏等显示设备。

实施例五

本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种信息推荐方法，该方法包括：

根据目标用户的特征数据和预先训练的下单模型确定所述目标用户的下单意愿值；

根据所述下单意愿值确定所述目标用户对应的分类集合；

根据所述分类集合确定待推荐信息，并将所述待推荐信息推荐给所述目标用户。

当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的信息推荐方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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的方法。

值得注意的是，上述信息推荐装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

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)

1.一种信息推荐方法，其特征在于，包括：

根据目标用户的特征数据和预先训练的下单模型确定所述目标用户的下单意愿值；

根据所述下单意愿值确定所述目标用户对应的分类集合；

根据所述分类集合确定待推荐信息，并将所述待推荐信息推荐给所述目标用户。

2.根据权利要求1所述的方法，其特征在于，所述根据目标用户的特征数据和预先训练的下单模型确定所述目标用户的下单意愿值，包括：

将所述特征数据组成特征向量；

将所述特征向量作为所述下单模型的输入，并获取生成的下单意愿值。

3.根据权利要求1所述的方法，其特征在于，所述下单模型的预先训练包括：

将下单周期作为窗口获取历史用户数据；

根据历史用户数据生成训练数据集和测试数据集；

依据训练数据集对设定的下单预测公式进行训练生成下单模型；

根据所述测试数据集对所述下单模型进行测试获取第一评价参数，当所述第一评价参数满足第一预设条件时，所述下单模型训练完成。

4.根据权利要求1所述的方法，其特征在于，所述根据所述下单意愿值确定所述目标用户对应的分类集合，包括：

提取历史用户数据中已下单数据作为正样本数据，根据所述正样本数据占所述历史用户数据的比例确定分类阈值；

将所述下单意愿值与所述分类阈值进行对比，确定目标用户对应的分类集合。

5.根据权利要求1所述的方法，其特征在于，所述根据所述分类集合确定待推荐信息，包括：

根据所述分类集合确定对应的业务消息集合；

根据预先训练的信息确定模型确定所述业务消息集合中业务消息对应的推荐值；

根据业务规则对所述推荐值进行排序，将位于排序首位推荐值对应的业务消息确定为待推荐信息。

6.根据权利要求5所述的方法，其特征在于，所述信息确定模型的训练，包括：

根据各所述业务消息生成对应的信息接受预测公式；

以下单周期为窗口获取历史用户数据，并根据历史用户数据生成训练数据集和测试数据集；

基于所述训练数据集对所述信息接受预测公式进行训练生成信息确定模型；

基于所述测试数据集对所述信息确定模型进行测试获取第二评价参数，当所述第二评价参数满足第二预设条件时，所述信息确定模型训练完成。

7.根据权利要求1所述的方法，其特征在于，根据目标用户的特征数据和预先训练的下单模型确定所述目标用户的下单意愿值之前，还包括：

提取用户的特征数据，并根据所述特征数据确定用户的用户类型；

若所述用户的用户类型为设定类型，则确定所述用户为目标用户。

8.一种信息推荐装置，其特征在于，包括：

意愿值确定模块，用于根据目标用户的特征数据和预先训练的下单模型确定所述目标用户的下单意愿值；

分类集合确定模块，用于根据所述下单意愿值确定所述目标用户对应的分类集合；

信息推荐模块，用于根据所述分类集合确定待推荐信息，并将所述待推荐信息推荐给所述目标用户。

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1-7中任一所述的信息推荐方法。

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1-7中任一所述的信息推荐方法。