CN110111183A - 一种产品推荐方法及装置 - Google Patents

Abstract

本申请实施例提供一种产品推荐方法及装置，涉及资源管理技术领域，包括：获取用户信息和所述用户信息对应的风险评测信息；对所述用户信息和所述风险评测信息进行标注，得到标注信息；根据预设的推荐算法对所述标注信息进行匹配，得到与所述标注信息匹配的产品推荐信息；对所述产品推荐信息进行优化处理，得到优化推荐信息；输出所述优化推荐信息。可见，实施这种实施方式，能够提高产品推荐的准确性以及产品推荐的效率。

Description

一种产品推荐方法及装置

技术领域

本申请涉及资源管理技术领域，具体而言，涉及一种产品推荐方法及装置。

背景技术

目前，随着互联网的发展与普及，已经可以满足用户在信息时代对信息的需求了，但是，随着网络的迅速发展而大幅增长的网上信息使得许多用户无法从中获取对自己真正有用的信息，因此信息的使用效率反而降低了，这就是所谓的信息超载问题。

为了解决解决信息超载，推荐系统应运而生。然而，在实践中发现，在使用线上推荐系统时，往往会缺乏专业人员针对产品做专业性的解答，从而导致推荐效率降低，准确性也较差；在使用线下推荐系统时，由具有成本高、覆盖面窄的问题，这更使得准确性低，效率差的缺点暴露无遗。

发明内容

本申请实施例的目的在于提供一种产品推荐方法及装置，用以提高产品推荐的准确性以及产品推荐的效率。

本申请实施例提供了一种产品推荐方法，包括：

获取用户信息和所述用户信息对应的风险评测信息；

对所述用户信息和所述风险评测信息进行标注，得到标注信息；

根据预设的推荐算法对所述标注信息进行匹配，得到与所述标注信息匹配的产品推荐信息；

对所述产品推荐信息进行优化处理，得到优化推荐信息；

输出所述优化推荐信息。

在上述实现过程中，可以预先获取用户信息和风险评测信息作为基本信息，再对该基本信息进行自我标注与释义得到标注信息，然后根据标注信息和预设的算法进行产品的推荐，得到产品推荐信息，最终再对产品推荐信息进行优化(取优)以确定最优的优化推荐信息并输出。该方法在获取基本信息时获取风险评测信息可以更好地监控用户各维度信息的状态，从而使得在基本信息获取的时候便可以通过较大的信息数量与较高的信息质量来提高整体推荐的准确程度；同时，上述标注的过程也可以对信息进行更好的处理，从而得到具有注释的信息，使得后续的步骤可以根据基本信息和注释信息来进行处理，进而提高了推荐的精确程度；其次，推荐算法和优化处理皆可以对推荐信息进行一个更好更优的处理，从而得到最佳的优化推荐信息，进而使得该优化推荐信息的准确程度得以提高。最后，通过上述的推荐方法，可以通过预设好的获取方法、标注方法、推荐方法以及优化方法固定执行高效有序的操作，从而在信息输入之后可以更有效率地进行产品推荐，相比于传统的线上或线下的方法效率得以大大提高。

进一步地，所述获取用户信息和所述用户信息对应的风险评测信息的步骤之后，所述方法还包括：

存储所述用户信息和所述风险评测信息至预设的数据库；

所述对所述用户信息和所述风险评测信息进行标注，得到标注信息的步骤包括：

在所述数据库中对所述用户信息和所述风险评测信息进行标注，得到标注信息。

在上述实现过程中，增加了存储用户信息和风险评测信息的数据库，并控制标注的过程是位于数据库中进行的，从而使得用户信息和风险评测信息存储有序、调用有序，并且还可以通过存储使得数据得以备份，可见，通过添加数据库可以提高数据的自我解释能力，便于推荐系统的自我排查以及后续数据调用与推进。

进一步地，所述根据预设的推荐算法对所述标注信息进行匹配，得到与所述标注信息匹配的产品推荐信息的步骤包括：

根据预设的相关程度判断算法，匹配与所述标注信息相对应的数据库用户；

获取所述数据库用户的喜好信息；

确定所述喜好信息为与所述标注信息匹配的产品推荐信息。

在上述实现过程中，当预设的推荐算法是相关程度判断算法时，可以通过匹配标注信息对应的数据库用户的喜好信息来确定产品推荐信息，由此可见，通过使用该相关程度判断算法可以先查人，再查物，进而在匹配物与标注信息，从而可以通过多重判断与匹配提高产品推荐信息获取的准确程度。

进一步地，所述根据预设的推荐算法对所述标注信息进行匹配，得到与所述标注信息匹配的产品推荐信息的步骤包括：

根据预设的人工智能算法对所述标注信息进行匹配，得到与所述标注信息匹配的产品推荐信息。

在上述实现过程中，预设的推荐算法是人工智能算法，该种人工智能算法是基于产品信息的，也就是说是根据标注信息作出的推荐，使用该种人工智能算法可以明显地提高产品推荐效率和准确程度，还可以不再需要依据用户对项目的评价意见来进行推荐，从而只需要用人工智能算法(机器学习包括的算法)从标注信息(相关内容)的特征描述中得到用户的兴趣资料，从而避免了用户产品双方向的排查匹配，进而进一步提高了推荐的效率。

进一步地，所述根据预设的推荐算法对所述标注信息进行匹配，得到与所述标注信息匹配的产品推荐信息的步骤包括：

根据预设的协同过滤算法对所述标注信息进行匹配，得到与所述标注信息匹配的产品推荐信息。

在上述实现过程中，推荐算法为协同推荐算法，使用该种算法可以提高产品推荐信息的获取准确度。

进一步地，所述对所述产品推荐信息进行优化处理，得到优化推荐信息的步骤包括：

根据预设的重排序算法对所述产品推荐信息包括的多个产品信息进行排序，得到按照用户适配度高低排序的多个产品信息；

根据所述按照用户适配度高低排序的多个产品信息中用户适配度最高的产品信息进行确定，得到优化推荐信息。

在上述实现过程中，预设的重排序算法可以是rerank算法，其中，当重排序算法是rerank算法时，根据rerank算法对产品推荐信息包括的多个产品信息进行排序，并选取其中最优的一个进行转换输出，得到优化推荐信息，由此可见，通过排序算法可以根据原有的产品推荐信息获取更优的优化推荐信息，从而可以提高产品推荐的准确程度。

进一步地，在对所述产品推荐信息进行优化处理，得到优化推荐信息的步骤之后，所述方法还包括：

将所述优化推荐信息代入所述预设的推荐算法，以使所述预设的推荐算法根据所述优化推荐信息进行迭代，得到迭代后的推荐算法；

将所述迭代后的推荐算法确定为所述预设的推荐算法，并执行所述的根据预设的推荐算法对所述标注信息进行匹配，得到与所述标注信息匹配的产品推荐信息的步骤。

在上述实现过程中，可以优先代入优化推荐信息至预设的推荐算法，以使得推荐算法可以自主迭代，从而得到新的推荐算法，以使对标注信息进行匹配的过程可以依据新的推荐算法来进行匹配，从而可以实现有效地自我反馈，形成优化推荐信息的反馈机制，进而可以动态地调整推荐算法，以通过更优的推荐算法来提高优化推荐信息推荐的准确性。

本申请实施例第二方面提供了一种产品推荐装置，所述产品推荐装置包括：

获取模块，用于获取用户信息和所述用户信息对应的风险评测信息；

标注模块，用于对所述用户信息和所述风险评测信息进行标注，得到标注信息；

匹配模块，用于根据预设的推荐算法对所述标注信息进行匹配，得到与所述标注信息匹配的产品推荐信息；

优化模块，用于对所述产品推荐信息进行优化处理，得到优化推荐信息；

输出模块，用于输出所述优化推荐信息。

在上述实现过程中，产品推荐装置具有获取模块、标注模块、匹配模块、优化模块以及输出模块，其中，这些模块可以包括相应的具有组件、部件或零件，因此，此处对模块没有具体限定，一切以具有上述功能为准。同时，上述的这些模块，获取模块能够在获取基本信息时获取风险评测信息可以更好地监控用户各维度信息的状态，从而使得在基本信息获取的时候便可以通过较大的信息数量与较高的信息质量来提高整体推荐的准确程度；标注模块能够在标注的过程对信息进行更好的处理，从而得到具有注释的信息，以使后续的步骤可以根据基本信息和注释信息来进行处理，进而提高了推荐的精确程度；匹配模块和优化模块能够根据推荐算法进行匹配，根据优化处理的过程对推荐信息进行一个更优更好地处理，从而得到最佳的优化推荐信息，进而使得该优化推荐信息的准确程度得以提高，产品推荐准确程度得以提高；输出模块则能够对优化推荐信息进行输出，完成产品推荐的最后一环。可见，使用上述的产品推荐装置可以通过预设好的获取方法、标注方法、推荐方法以及优化方法固定执行高效有序的操作，从而在信息输入之后可以更有效率地进行产品推荐，相比于传统的线上或线下的方法效率得以大大提高。

本申请实施例第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行根据本申请实施例第一方面中任一项所述的产品推荐方法。

本申请实施例第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例第一方面中任一项所述的产品推荐方法。

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地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请实施例提供的一种产品推荐方法的流程示意图；

图2为本申请实施例提供的另一种产品推荐方法的流程示意图；

图3为本申请实施例提供的一种产品推荐装置的结构示意图；

图4为本申请实施例提供的另一种产品推荐装置的结构示意图；

图5为本申请实施例提供的一种产品推荐方法中生成优化推荐信息的数据流向图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1

请参看图1，图1为本申请实施例提供了一种产品推荐方法的流程示意图。其中，该产品推荐方法包括：

S101、获取用户信息和用户信息对应的风险评测信息。

作为一种可选的实施方式，在获取用户信息和用户信息对应的风险评测信息的步骤之前，该方法还可以包括：

通过用户输入端接收用户输入的用户信息。

实施这种实施方式，用户信息的获取可以实现实时性，同时，实时性的信息是具有非常高的时效性的，也就是说，当用户实时输入用户信息时，用户的用户信息是最接近用户当时的诉求的，因此这种实时性的诉求有助于产品推荐的实时推荐，而这种实时推荐则可以在时间层面上给予用户最大的推荐帮助，从而也在增加产品推荐的准确性。

本实施例中，用户信息可以指代用户的个人信息和用户行为偏好信息以及用户的选择偏好信息。

本实施例中，风险评测信息可以包括家庭风险评测和个人风险评测，同时还可以不断的积累用户行为偏好信息并自我完善，以增加推荐结果的精准性。

本实施例中，用户信息与风险评测信息是相对应的。举例来说，张三的个人信息和行为偏好信息和张三的个人风险评测信息、张三的家庭风险评测信息以及张三的其他风险评测信息之间皆是相对应的。

本实施例中，对于获取的方式不作任何限定。

在本实施例中，上述获取的方式包括接收、调用、提取等等，其中，接收是指对用户输入的信息进行接收，调用是指对数据库或者服务器中的数据进行调用，提取则是指对其他位置的数据进行部分内容的提取。

本实施例中，用户信息包括的用户基本信息可以包括用户姓名、家庭住址、用户年龄、性别、家庭成员构成等用户身份信息及与用户身份信息相关的各种信息。

S102、对用户信息和风险评测信息进行标注，得到标注信息。

本实施例中，标注信息是对用户信息和风险评测信息两者综合标注得到的标注信息，即标注信息是具有用户信息、风险评测信息和标注内容的信息集合，命名为标注信息。

作为一种可选的实施方式，对用户信息和风险评测信息进行标注，得到标注信息的步骤包括：

对用户信息和风险评测信息进行识别，得到识别文本；

在识别文本中提取具体的文本内容，并针对文本内容添加批注内容，得到标注信息；其中，批注内容为文本内容的上位概念，用于后续的推荐算法进行辨别和理解。

实施这种实施方式，可以将批注的过程具体化，从而得到具体的标注信息获取过程，从而便于后续步骤的执行，同时该标注可以将用户信息和风险评测信息加以细化，使得后续步骤可以具有准确的输入内容，从而可以提高产品推荐的输出结果的精准度。

在本实施例中，批注内容可也是为文本内容在当前上下文最合适的上位概念或下位概念，用于便于后续步骤文本内容进行辨别和理解。

S103、根据预设的推荐算法对标注信息进行匹配，得到与标注信息匹配的产品推荐信息。

本实施例中，推荐算法包括多种算法。

在本实施例中，推荐算法可以为相关程度判断算法、人工智能算法以及协同过滤算法中的一个或者多个的组合，其中，协同过滤算法也包括两种不同的算法。

本实施例中，根据预设的推荐算法对标注信息进行匹配，得到与标注信息匹配的产品推荐信息的步骤包括：

根据预设的推荐算法对标注信息进行匹配，得到与标注信息匹配的多个产品信息；

获取与多个产品信息匹配的产品推荐信息。

实施这种实施方式，可以根据标注信息获取对应的产品信息，并在产品信息的基础上生成产品推荐信息，从而使得产品推荐信息是包括产品信息和推荐信息的，进而使得产品推荐信息的准确性得以提高，使得最终产品推荐的准确性得以提高。

本实施例中，匹配的方法可以根据预设的匹配算法进行匹配，还可以根据相似度进行匹配。

本实施例中，产品推荐信息可以为多个产品信息的推荐信息，也可以为单个产品信息的产品推荐信息，对此本实施例中不作任何限定，但是产品推荐信息多指多个产品信息的产品推荐信息。

本实施例中，产品推荐信息是根据标注信息匹配得到的，因此产品推荐信息是与标注信息、用户信息等皆是相对应的。至于产品推荐信息的具体内容，本实施例中不作任何限定。

S104、对产品推荐信息进行优化处理，得到优化推荐信息。

本实施例中，优化处理可以包括信息提取优化、数据占用比优化以及内容优化等。其中，信息提取优化是指对产品推荐信息中有用的信息进行提取，并舍弃次要的信息所产生的优化；数据占用比优化是指对产品推荐信息进行数据传输方面的优化，从而降低传输的所需要的占用负载；内容优化，则是对产品推荐信息进行内容的调整，以使相应的内容更便于用户理解。

本实施例中，优化推荐信息可以为最终准确性最高的优化推荐信息，其中，该优化推荐信息作为推荐结果，其准确性相比之前技术有着明显提高。

S105、输出优化推荐信息。

本实施例中，对于输出的方法不作任何限定。其中，该输出方法包括视频输出及通讯传输等。

可见，实施图1所描述的产品推荐方法，能够预先获取用户信息和风险评测信息作为基本信息，再对该基本信息进行自我标注与释义得到标注信息，然后根据标注信息和预设的算法进行产品的推荐，得到产品推荐信息，最终再对产品推荐信息进行优化(取优)以确定最优的优化推荐信息并输出。该方法在获取基本信息时获取风险评测信息可以更好地监控用户各维度信息的状态，从而使得在基本信息获取的时候便可以通过较大的信息数量与较高的信息质量来提高整体推荐的准确程度；同时，上述标注的过程也可以对信息进行更好的处理，从而得到具有注释的信息，使得后续的步骤可以根据基本信息和注释信息来进行处理，进而提高了推荐的精确程度；其次，推荐算法和优化处理皆可以对推荐信息进行一个更好更优的处理，从而得到最佳的优化推荐信息，进而使得该优化推荐信息的准确程度得以提高。最后，通过上述的推荐方法，可以通过预设好的获取方法、标注方法、推荐方法以及优化方法固定执行高效有序的操作，从而在信息输入之后可以更有效率地进行产品推荐，相比于传统的线上或线下的方法效率得以大大提高。

实施例2

请参看图2，图2为本申请实施例提供的另一种产品推荐方法的流程示意图。图2所描述的产品推荐方法的流程示意图是根据图1所描述的产品推荐方法的流程示意图进行改进得到的。其中，该产品推荐方法包括：

S201、获取用户信息和用户信息对应的风险评测信息。

作为一种可选的实施方式，在获取用户信息和用户信息对应的风险评测信息的步骤之前，该方法还可以包括：

通过用户输入端接收用户输入的用户信息。

实施这种实施方式，用户信息的获取可以实现实时性，同时，实时性的信息是具有非常高的时效性的，也就是说，当用户实时输入用户信息时，用户的用户信息是最接近用户当时的诉求的，因此这种实时性的诉求有助于产品推荐的实时推荐，而这种实时推荐则可以在时间层面上给予用户最大的推荐帮助，从而也在增加产品推荐的准确性。

本实施例中，用户信息可以指代用户的个人信息和用户行为偏好信息以及用户的选择偏好信息。

本实施例中，风险评测信息可以包括家庭风险评测和个人风险评测，同时还可以不断的积累用户行为偏好信息并自我完善，以增加推荐结果的精准性。

本实施例中，用户信息与风险评测信息是相对应的。举例来说，张三的个人信息和行为偏好信息和张三的个人风险评测信息、张三的家庭风险评测信息以及张三的其他风险评测信息之间皆是相对应的。

本实施例中，对于获取的方式不作任何限定。

在本实施例中，上述获取的方式包括接收、调用、提取等等，其中，接收是指对用户输入的信息进行接收，调用是指对数据库或者服务器中的数据进行调用，提取则是指对其他位置的数据进行部分内容的提取。

本实施例中，用户信息包括的用户基本信息可以包括用户姓名、家庭住址、用户年龄、性别、家庭成员构成等用户身份信息及与用户身份信息相关的各种信息。

S202、存储用户信息和风险评测信息至预设的数据库。

本实施例中，数据库可以位于服务器中，也可以位于云端，对此本实施例中不作任何限定。

本实施例中，数据库可以为预设的数据存储中心，其中，该数据存储中心用于存储用户行为偏好信息及风险测评相关信息，并且，该数据存储中心包含数据存储、ETL、数据仓库和数据集市。

在本实施例中，该数据存储中心包括：DB数据库，用于存储数据；

ETL(Extraction-Transformation-Loading，数据仓库技术)，用于负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础；

ODS(Operational Data Store，操作数据存储)，用于在业务系统和数据仓库之间形成一个隔离，ODS直接存放从业务系统抽取过来的数据，这些数据从结构和数据上与业务系统保持一致，降低了数据抽取的复杂性，同时还具有转移一部分业务系统的细节查询功能，ODS存放的数据与业务系统相同，原有业务系统的报表可以从ODS中产生，在数据仓库中承上启下，ODS存放的是明细数据，而DW或DM存放的是汇聚数据，ODS还可以提供查询明细的功能；

DW(Data Warehouse，数据仓库)，用于为企业级决策定制过程提供所有类型数据支持的战略集合，是一个包含所有主题的通用的集合。效率足够高，能对进入的数据快速处理；数据质量，数据仓库是提供很多决策系统的支撑数据，所以数据准确非常重要；扩展性，企业业务扩展和降低企业建设数据仓库的成本考虑。面向主题，数据仓库中数据是按照一定的主题域进行组织的，每一个主题对应一个宏观的分析领域，数据仓库排除对决策无用的数据，提供特定主题的简明视图；

DM(DataMart，数据集市)，用于以某个业务应用为出发点而建设的局部DW，DW只关心自己需要的数据，不会全盘考虑企业整体的数据架构和应用，每个应用有自己的DM。

实施这种实施方式，该种数据存储中心有利于存储该产品推荐方法所使用的用户信息和风险评测信息，同时，对于该数据存储中心的具体使用方式按照其功能相应执行，对此本实施例中将不再赘述。

S203、在数据库中对用户信息和风险评测信息进行标注，得到标注信息。

本实施例中，标注信息是对用户信息和风险评测信息两者综合标注得到的标注信息，即标注信息是具有用户信息、风险评测信息和标注内容的信息集合，命名为标注信息。

本实施例中，标注的过程是位于数据库中进行的，因此标注的过程可以实时记录，从而可以有效地提高信息的可追溯性。

作为一种可选的实施方式，在数据库中对用户信息和风险评测信息进行标注，得到标注信息的步骤包括：

在数据库中对用户信息和风险评测信息进行识别，得到识别文本；

在识别文本中提取具体的文本内容，并针对文本内容添加批注内容，得到标注信息；其中，批注内容为文本内容的上位概念，用于后续的推荐算法进行辨别和理解。

实施这种实施方式，可以将批注的过程具体化，从而得到具体的标注信息获取过程，从而便于后续步骤的执行，同时该标注可以将用户信息和风险评测信息加以细化，使得后续步骤可以具有准确的输入内容，从而可以提高产品推荐的输出结果的精准度。

在本实施例中，批注内容可也是为文本内容在当前上下文最合适的上位概念或下位概念，用于便于后续步骤文本内容进行辨别和理解。

S204、根据预设的推荐算法对标注信息进行匹配，得到与标注信息匹配的产品推荐信息。

作为一种可选的实施方式，根据预设的推荐算法对标注信息进行匹配，得到与标注信息匹配的产品推荐信息的步骤包括：

1)根据预设的相关程度判断算法，匹配与标注信息相对应的数据库用户；

2)获取数据库用户的喜好信息；

3)确定喜好信息为与标注信息匹配的产品推荐信息。

实施这种实施方式，可以基于相关程度判断算法进行数据库用户的匹配，再根据数据库用户的基本信息(喜好信息)来将这些数据库用户的喜好信息推荐给当前用户，可见该种方法可以根据相同喜好的其他人的选择来进行推荐，因此可以通过提高信息推荐的准确程度。

本实施例中，相关程度判断算法是基于用户统计信息进行推荐的算法，而该算法是根据系统用户的基本信息来发现与该用户具有一定相关程度的相似用户，然后将相似用户喜爱的其他物品推荐给当前用户的一个算法。

作为一种可选的实施方式，根据预设的推荐算法对标注信息进行匹配，得到与标注信息匹配的产品推荐信息的步骤包括：

根据预设的人工智能算法对标注信息进行匹配，得到与标注信息匹配的产品推荐信息。

实施这种实施方式，可以通过人工智能算法提高匹配的精度，从而提高产品推荐的精确度。

本实施例中，人工智能算法首先是人工智能的算法，同时，该人工智能算法也可以细化成机器学习中的各种算法，对此，本实施例中不作任何限定。另外，该人工智能算法是基于内容的推荐的算法，其中，该算法是建立在产品的信息上作出的推荐，在该算法通过人工会智能的方法从内容的特征描述的事例中得到用户的兴趣资料之后，直接匹配出产品推荐信息，从而不再需要依据用户对产品的评价意见，进而可以客观的从产品本身触发，提高产品推荐的精确度。

作为一种可选的实施方式，根据预设的推荐算法对标注信息进行匹配，得到与标注信息匹配的产品推荐信息的步骤包括：

根据预设的协同过滤算法对标注信息进行匹配，得到与标注信息匹配的产品推荐信息。

实施这种实施方式，通过协同算法的多个方面协同匹配，可以多角度、多方面的获取产品推荐信息，其中，该多角度多方面的获取过程在实际中考虑的大量的元素，从而在考虑这些大量的元素之后，可以有效的提高产品推荐的准确性。

本实施例中，协同过滤算法可以包括两种，一种是基于用户的协同过滤算法，另一种是基于产品的协同过滤算法，其中，

第一种，基于用户的协同过滤算法是通过计算用户对商品评分之间的相似性，再搜索目标用户的最近邻居，然后根据最近邻居的评分向用户进行产品推荐的算法；

第二种，基于产品的协同过滤算法是通过计算产品之间的相似性来代替使用者之间的相似性。在这其中，具有这样一个基本假设“能够引起使用者兴趣的产品，必定与其之前评分高的产品相似”，因此，基于产品的协同过滤算法的关键步骤是计算产品之间的相似性并选出最相似的产品，并在最终加以推荐。

本实施例中，上述的推荐算法可以单独使用，也可以通过组合进行使用，其中上述描述的内容为单独使用，而后续描述的内容为组合使用，两者皆是本申请的内容所在。其中，该组合的方式称为算法组合方式。

本实施例中，上述的推荐算法可以被组合进行相应的产品推荐，其中，具体的组合的方法可以包括加权、特征组合、特征扩充以及元级别重推荐等多种方法，其中，

加权的方法是指将上述多种推荐技术进行加权处理得到新的推荐算法，并进行推荐的方法；

特征组合的方法是将来自不同推荐数据源的特征进行组合，并将组合数据运用在单一一种推荐算法中的方法；

特征扩充的方法是附加的特征信息嵌入到另一种推荐技术的特征输入中而加以完善的推荐算法；

元级别重推荐的方法就是把一种推荐方法的结果作为另一种推荐方法的输入形成一个二次推荐的方法。

在本实施例中，实施上述的任何一种实施方法都可以通过不同的角度来增加产品推荐的准确性。其中，加权的方法可以根据实际情况进行加权处理，以获取与实际情况相对应的准确结果；特征组合的方法则是通过扩大数据源来降低错误概率，从而提高推荐的准确程度；特征扩充的方法是将额外特征扩充到算法中以实现全方面运算的效果，从而使得数据库更加完善，提高了数据推荐的精度；而最后一种元级别重推荐的算法即是级联两个产品推荐算法，从而提高产品推荐的准确性。

S205、根据预设的重排序算法对产品推荐信息包括的多个产品信息进行排序，得到按照用户适配度高低排序的多个产品信息。

本实施例中，重排序算法可以为Rerank排序算法，该算法可以针对用户的行为偏好信息与产品信息的相关程度进行排序，再进行后续步骤或者反馈给用户。

S206、根据按照用户适配度高低排序的多个产品信息中用户适配度最高的产品信息进行确定，得到优化推荐信息，并根据条件执行步骤S207或者步骤S209。

本实施例中，上述条件在步骤S208处有详细描述。

本实施例中，产品信息就是基本的产品信息，产品推荐信息是包括产品信息和推荐信息的综合信息，优化推荐信息为最优的产品信息和对应的推荐信息的组合信息。

在本实施例中，适配度最高的产品信息可以具有多个。

在本实施例中，最高的产品信息可以替换为排名前几的产品信息。

S207、将优化推荐信息代入预设的推荐算法，以使预设的推荐算法根据优化推荐信息进行迭代，得到迭代后的推荐算法。

本实施例中，迭代推荐算法可以使得推荐算法更加准确有效，从而可以提高产品推荐的准确程度。

本实施例中，迭代后的推荐算法可以是对算法进行迭代重构以提高精确程度，也可以是对算法的组合方法进行迭代重构以提高精确程度，对此本实施例中不作任何限定。

S208、将迭代后的推荐算法确定为预设的推荐算法，并触发执行步骤S204。

本实施例中，触发执行步骤S204可以具有相应的条件，此处未指出是因为可以采取实时调控的方式进行实时的算法调控，进而起到推荐准确的效果。

作为一种可选的实施方式，将迭代后的推荐算法确定为预设的推荐算法，并触发执行步骤S204的步骤包括：

将迭代后的推荐算法确定为预设的推荐算法，并在预设的推荐算法发生改变的时候触发执行步骤S204。

实施这种实施方式，可以设置阈值来防止负反馈的无限循环，从而避免内存的不断占用。

作为一种可选的实施方式，将迭代后的推荐算法确定为预设的推荐算法，并触发执行步骤S204的步骤包括：

将迭代后的推荐算法确定为预设的推荐算法，并在该确定步骤重复次数小于三次的时候触发执行步骤S204。

实施这种实施方式，可以限制步骤S208的重复次数，从而可以防止负反馈的无限循环，从而避免内存的不断占用及操作步骤的死循环。

本实施例中，迭代后的推荐算法确定为预设的推荐算法的意义在于将预设的推荐算法加以替换，从而实现负反馈的进行。

实施这种实施方式，可以将优化推荐信息(推荐结果)进行召回，增加数据反馈机制，动态调整出更优的推荐算法(也可以称为最优的组合推荐模型)，从而确保了该方法推荐信息的推荐精准性

S209、输出优化推荐信息。

本实施例中，对于输出的方法不作任何限定。其中，该输出方法包括视频输出及通讯传输等。

实施步骤S201～步骤S209的这种实施方式，能够比传统单纯的保险产品推荐，更加能够通过上述步骤帮助用户获得体验较好的智能保险推荐，从而提高推荐的准确性和专业程度。同时还能够通过获取到的各维度用户信息，来提高精准度，并在此基础上辅以家庭风险评测信息和个人风险评测信息，可以有效地获取到用户必要的维度特征信息，并进一步提高精确程度。另外，该方法还能够在多种推荐模型的基础上通过加权、特征组合、特征扩充及元级别等多种组合推荐，避免传统的单一模型的推荐，从而增加推荐活性，提高准确程度。然后，还能够通过完善的数据库(包括数据中心或者数据库)，避免初次使用的零数据境地，从而为推荐方法提供了可靠的数据支撑，增加了稳定性，同时数据库中的内容(包括平台交互的业务数据、行业公开数据和第三方客户合作数据等大量真实可靠的数据，这些数据包含用户必要的维度信息)可以稳定提高最终结果的准确性。在这之后，数据反馈的方法还可以通过Rerank算法进行排序后，得到优化推荐结果并进行召回，该种数据反馈机制，可以动态调整最优的推荐算法，确保推荐的精准性。最后，使用该种方法还能够适用于类似保险的多种涉推荐的技术领域，可拓展性强，具有良好的应用前景。

请参阅图5，图5是本实施例中描述的产品推荐方法中生成优化推荐信息的数据流向图，其中，该数据传输流向图与本实施例中描述的方法相对应。同时，图中描述的推荐算法和算法组合方式皆在本实施例中有所描述，此处将不再赘述。

可见，实施图2所描述的产品推荐方法，能够在获取基本信息时获取风险评测信息可以更好地监控用户各维度信息的状态，从而使得在基本信息获取的时候便可以通过较大的信息数量与较高的信息质量来提高整体推荐的准确程度；同时，上述标注的过程也可以对信息进行更好的处理，从而得到具有注释的信息，使得后续的步骤可以根据基本信息和注释信息来进行处理，进而提高了推荐的精确程度；其次，推荐算法和优化处理皆可以对推荐信息进行一个更好更优的处理，从而得到最佳的优化推荐信息，进而使得该优化推荐信息的准确程度得以提高。最后，通过上述的推荐方法，可以通过预设好的获取方法、标注方法、推荐方法以及优化方法固定执行高效有序的操作，从而在信息输入之后可以更有效率地进行产品推荐，相比于传统的线上或线下的方法效率得以大大提高。

实施例3

请参看图3，图3为本申请实施例提供的一种产品推荐装置的结构示意图。其中，该产品推荐装置包括：

获取模块310，用于获取用户信息和用户信息对应的风险评测信息；

标注模块320，用于对用户信息和风险评测信息进行标注，得到标注信息；

匹配模块330，用于根据预设的推荐算法对标注信息进行匹配，得到与标注信息匹配的产品推荐信息；

优化模块340，用于对产品推荐信息进行优化处理，得到优化推荐信息；

输出模块350，用于输出优化推荐信息。

请参看图4，图4为本申请实施例提供的另一种产品推荐装置的结构示意图，其中该产品推荐装置还可以包括：

存储模块360，用于存储用户信息和风险评测信息至预设的数据库；

标注模块320，具体用于在数据库中对用户信息和风险评测信息进行标注，得到标注信息。

作为一种可选的实施方式，匹配模块330可以包括：

匹配子模块331，用于根据预设的相关程度判断算法，匹配与标注信息相对应的数据库用户；

获取子模块332，用于获取数据库用户的喜好信息；

确定子模块333，用于确定喜好信息为与标注信息匹配的产品推荐信息。

本实施例中，上述的数据库可以指代具有数据库的数据中心、数据存储中心或者其他类型的数据处理存储装置，对此本实施例中不再多加赘述。

作为一种可选的实施方式，匹配模块330还可以用于根据预设的人工智能算法对标注信息进行匹配，得到与标注信息匹配的产品推荐信息。

作为一种可选的实施方式，匹配模块330还可以用于根据预设的协同过滤算法对标注信息进行匹配，得到与标注信息匹配的产品推荐信息。

作为一种可选的实施方式，优化模块340可以包括：

排序子模块341，用于根据预设的重排序算法对产品推荐信息包括的多个产品信息进行排序，得到按照用户适配度高低排序的多个产品信息；

确定子模块342，用于根据按照用户适配度高低排序的多个产品信息中用户适配度最高的产品信息进行确定，得到优化推荐信息。

作为一种可选的实施方式，该产品推荐装置还可以包括：

迭代模块370，用于将优化推荐信息代入预设的推荐算法，以使预设的推荐算法根据优化推荐信息进行迭代，得到迭代后的推荐算法；

确定模块380，用于将迭代后的推荐算法确定为预设的推荐算法，并触发匹配模块330执行根据预设的推荐算法对标注信息进行匹配，得到与标注信息匹配的产品推荐信息的操作。

本实施例中，产品推荐装置具有获取模块310、标注模块320、匹配模块330、优化模块340以及输出模块350，其中，这些模块可以包括相应的具有组件、部件或零件，因此，此处对模块没有具体限定，一切以具有上述功能为准。同时，上述的这些模块，获取模块310能够在获取基本信息时获取风险评测信息可以更好地监控用户各维度信息的状态，从而使得在基本信息获取的时候便可以通过较大的信息数量与较高的信息质量来提高整体推荐的准确程度；标注模块320能够在标注的过程对信息进行更好的处理，从而得到具有注释的信息，以使后续的步骤可以根据基本信息和注释信息来进行处理，进而提高了推荐的精确程度；匹配模块330和优化模块340能够根据推荐算法进行匹配，根据优化处理的过程对推荐信息进行一个更优更好地处理，从而得到最佳的优化推荐信息，进而使得该优化推荐信息的准确程度得以提高，产品推荐准确程度得以提高；输出模块350则能够对优化推荐信息进行输出，完成产品推荐的最后一环。可见，使用上述的产品推荐装置可以通过预设好的获取方法、标注方法、推荐方法以及优化方法固定执行高效有序的操作，从而在信息输入之后可以更有效率地进行产品推荐，相比于传统的线上或线下的方法效率得以大大提高。

举例来说，产品推荐可以为保险方案推荐，在这其中，该方法通过获取模块310(收集用户信息)、标注模块320、匹配模块330、优化模块340以及输出模块350构成，并且，获取模块310负责收集、完善并积累用户行为偏好信息，为推荐模型提供精准化的数据支撑；标注模块320用于将用户行为偏好信息进行持久化标识，用于后续数据决策过程；匹配模块330提供包括基于用户统计信息推荐、基于内容的推荐和协同过滤推荐等多种推荐算法，并可以根据这些算法进行组合推荐(加权、特征组合、特征扩充和元级别等多种组合推荐方式)，从而使得组合推荐可以在单一推荐的基础上再度改进，进而提升推荐系统的精准度。同时再添加数据反馈模块以使该模块将经过Rerank算法排序后的推荐结果进行召回，这样可以增加数据反馈机制，从而实现动态调整最优的推荐算法，确保推荐系统的精准性，最后将最优推荐结果返回给用户。

本实施例中，该产品推荐装置可以引用上述产品推荐方法的所有解释说明以及相应的模块追加，对此本实施例中不再多加赘述。

可见，实施图3所描述的产品推荐装置，能够通过产品推荐装置完成产品推荐的方法，从而实现上述产品推荐方法所能起到的全部作用，对此本实施例中将不再赘述。

本申请实施例中还提供了一种电子设备，电子设备包括存储器以及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使计算机设备执行本申请第一实施例中描述的产品推荐方法。

本申请实施例中还提供了一种可读存储介质，可读取存储介质中存储有计算机程序指令，计算机程序指令被一处理器读取并运行时，执行本申请第一实施例中描述的产品推荐方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，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，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

上述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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)执行本申请各个实施例上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)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上描述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上描述，仅为本申请的具体实施方式，但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，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

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“包括一个……”限定的要素，并不排除在包括上述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种产品推荐方法，其特征在于，包括：

获取用户信息和所述用户信息对应的风险评测信息；

对所述用户信息和所述风险评测信息进行标注，得到标注信息；

根据预设的推荐算法对所述标注信息进行匹配，得到与所述标注信息匹配的产品推荐信息；

对所述产品推荐信息进行优化处理，得到优化推荐信息；

输出所述优化推荐信息。

2.根据权利要求1所述的产品推荐方法，其特征在于，所述获取用户信息和所述用户信息对应的风险评测信息的步骤之后，所述方法还包括：

存储所述用户信息和所述风险评测信息至预设的数据库；

所述对所述用户信息和所述风险评测信息进行标注，得到标注信息的步骤包括：

在所述数据库中对所述用户信息和所述风险评测信息进行标注，得到标注信息。

3.根据权利要求1所述的产品推荐方法，其特征在于，所述根据预设的推荐算法对所述标注信息进行匹配，得到与所述标注信息匹配的产品推荐信息的步骤包括：

根据预设的相关程度判断算法，匹配与所述标注信息相对应的数据库用户；

获取所述数据库用户的喜好信息；

确定所述喜好信息为与所述标注信息匹配的产品推荐信息。

4.根据权利要求1所述的产品推荐方法，其特征在于，所述根据预设的推荐算法对所述标注信息进行匹配，得到与所述标注信息匹配的产品推荐信息的步骤包括：

根据预设的人工智能算法对所述标注信息进行匹配，得到与所述标注信息匹配的产品推荐信息。

5.根据权利要求1所述的产品推荐方法，其特征在于，所述根据预设的推荐算法对所述标注信息进行匹配，得到与所述标注信息匹配的产品推荐信息的步骤包括：

根据预设的协同过滤算法对所述标注信息进行匹配，得到与所述标注信息匹配的产品推荐信息。

6.根据权利要求1所述的产品推荐方法，其特征在于，所述对所述产品推荐信息进行优化处理，得到优化推荐信息的步骤包括：

根据预设的重排序算法对所述产品推荐信息包括的多个产品信息进行排序，得到按照用户适配度高低排序的多个产品信息；

根据所述按照用户适配度高低排序的多个产品信息中用户适配度最高的产品信息进行确定，得到优化推荐信息。

7.根据权利要求1所述的产品推荐方法，其特征在于，在对所述产品推荐信息进行优化处理，得到优化推荐信息的步骤之后，所述方法还包括：

将所述优化推荐信息代入所述预设的推荐算法，以使所述预设的推荐算法根据所述优化推荐信息进行迭代，得到迭代后的推荐算法；

将所述迭代后的推荐算法确定为所述预设的推荐算法，并执行所述的根据预设的推荐算法对所述标注信息进行匹配，得到与所述标注信息匹配的产品推荐信息的步骤。

8.一种产品推荐装置，其特征在于，所述产品推荐装置包括：

获取模块，用于获取用户信息和所述用户信息对应的风险评测信息；

标注模块，用于对所述用户信息和所述风险评测信息进行标注，得到标注信息；

匹配模块，用于根据预设的推荐算法对所述标注信息进行匹配，得到与所述标注信息匹配的产品推荐信息；

优化模块，用于对所述产品推荐信息进行优化处理，得到优化推荐信息；

输出模块，用于输出所述优化推荐信息。

9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行根据权利要求1至7中任一项所述的产品推荐方法。

10.一种可读存储介质，其特征在于，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至7任一项所述的产品推荐方法。