CN110163723A - 基于产品特征的推荐方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明公开了一种基于产品特征的推荐方法、装置、计算机设备及存储介质，方法包括：获取并分析待推荐产品的产品特征；获取曾使用所述待推荐产品用户的用户画像；获得每种类型模型的特征模型；以及获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品。该基于产品特征的推荐方法、装置、计算机设备及存储介质，其根据用户的喜好特征推荐产品，并将产品的特征权重作为参数，使用者可根据具体需求调整对各产品特征的不同关注程度，使得最终的推荐结果更加合理，实用性更强。

Description

基于产品特征的推荐方法、装置、计算机设备及存储介质

技术领域

本发明涉及大数据应用技术领域，尤其涉及一种产品特征的智能推荐方法、装置、计算机设备及存储介质。

背景技术

智能推荐算法总的来说分为两种，基于内容的推荐和协同过滤推荐。

基于内容的推荐算法是根据内容的相似度进行推荐，内容一般是以标签的形式体现，通过计算标签相似度来区分内容。然后根据用户的喜好设置、不同关注点等进行相似内容的推荐。

协同过滤算法推荐过程是自动的，推荐结果的产生是系统用户的历史购买行为或浏览记录等信息分析到的，无需用户通过填表等方式来明确自己的喜好。另一种协同过滤算法是基于模型的协同过滤；假设有x个物品，x个用户的数据，只有部分用户和部分数据之间是有评分数据的，其它部分评分是空白，此时我们要用已有的部分稀疏数据来预测那些空白的物品和数据之间的评分关系，找到最高评分的物品推荐给用户。但是，上述推荐方法，最终推荐结果都是指向某款具体的产品。但是，一旦遇到产品更新迭代，旧的产品下架，新的产品添加，或者是同一款产品本身做了优化，都需要重新训练模型。也就是说，只要产品端发生了任何细微变化，模型就得重新训练，不然推荐结果就是错误的，因为原模型推荐出来的结果不会包含发生了变化的产品。

发明内容

本发明的实施例提供了一种基于产品特征的推荐方法、装置、计算机设备及存储介质，旨在解决现有的产品推荐方法依据具体产品的推荐导致推荐更新不及时，对模型训练较多的问题。

为达到上述目的，本发明所提出的技术方案为：

第一方面，本发明的实施例提供了一种基于产品特征的推荐方法，其包括以下步骤：

获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型；

获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量；

将用户画像作为所有类型的模型的输入变量进行模型训练，获得每种类型模型的特征模型；以及

获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品。

其中，所述步骤“获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型”包括以下步骤：

选取同属一类的若干产品，挖掘产品特征；

从产品特征中提取出能够区别各产品的有效特征；

根据有效特征，确定模型训练的模型的类型。

其中，所述步骤“获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量”包括以下步骤：

获取用户的数据，将数据标签化；

将标签进行数值化、归一化处理；

将数值化、归一化的标签作为模型的输入变量送入训练模型。

其中，所述步骤“获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品”之后还包括以下步骤：

获取用户输入的各产品特征的权重参数，根据权重参数与特征模型的匹配度，确定被推荐用户的优先级排列；

利用flask将优先级排列的结果以http的形式发布出去。

其中，所述步骤“获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品”之后还包括以下步骤：

将用户最终的选择作为反馈输入至特征模型的模型训练中，再次优化特征模型。

第二方面，本发明的实施例提供了一种智能推荐装置，其包括：

产品特征获取单元，用于获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型；

用户画像获取单元，用于获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量；

模型训练单元，用于将用户画像作为所有类型的模型的输入变量进行模型训练，获得每种类型模型的特征模型；以及

匹配推荐单元，用于获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品。

其中，所述的产品特征获取单元包括：

挖掘单元，用于选取同属一类的若干产品，挖掘产品特征；

提取单元，用于从产品特征中提取出能够区别各产品的有效特征；

模型类型确定单元，用于根据有效特征，确定模型训练的模型的类型。

其中，所述用户画像获取单元包括：

数据获取单元，用于获取用户的数据，将数据标签化；

数据处理单元，用于将标签进行数值化、归一化处理；

输入单元，用于将数值化、归一化的标签作为模型的输入变量送入训练模型。

第三方面，本发明的实施例提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述的基于产品特征的推荐方法。

第四方面，本发明的实施例提供了一种计算机可读存储介质，所述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可实现如上任一项所述的基于产品特征的推荐方法。

与现有技术相比，本发明的实施例提供了一种基于产品特征的推荐方法、装置、计算机设备及存储介质，其根据用户的喜好特征推荐产品，并将产品的特征权重作为参数，使用者可根据具体需求调整对各产品特征的不同关注程度，使得最终的推荐结果更加合理，实用性更强。

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基于产品特征的推荐方法的流程图；

图2为本发明实施例提供的基于产品特征的推荐方法的子流程图；

图3为本发明实施例提供的基于产品特征的推荐方法的子流程图；

图4为本发明实施例提供的智能推荐装置的示意性简图；以及

图5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。

请参阅附图1，附图1为本发明实施例提供的基于产品特征的推荐方法的流程图，以下以互联网借贷产品为例进行阐述，该基于产品特征的推荐方法包括以下步骤：

本实施例提供的基于产品特征的推荐方法，其包括以下步骤：

步骤S101，获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型。例如，通过分析待推荐的近1000个借贷产品，如顺风贷、微粒贷、钱包借等，共提取了包括最低借款金额、最高借款金额、月利率、最低借款期限、最高借款期限共5个可以很好区分所有产品的产品特征。根据借贷这一大类产品的共性并具有区别性的特征，则确定了，基于产品特征的智能推荐方法的，训练模型的类型包括：最低借款金额、最高借款金额、月利率、最低借款期限、最高借款期限这五种模型。

请再次参阅图2，所述步骤S101“获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型”包括以下步骤：

步骤S101a，选取同属一类的若干产品，挖掘产品特征；例如上述的借贷产品，被推荐的产品首先需要属于统一大类，相互之间具有关联性，但也具有显著的区别，以便从相同属类的产品中推荐给用户具体某一产品。根据所属类的产品，分析得到这些产品的各自特征。

步骤S101b，从产品特征中提取出能够区别各产品的有效特征；由于各种不同的借贷产品均具有自身的较多特色特征，这些特色特征中，这些产品特征相互之间即具有相同属性，但同一属性不同产品又有自己的特征，因此，需要从这些特征中，提取出能够区分这些产品的特定特征，同时这些特定特征也是不同产品自身的重要特色的体现。例如，不同借贷产品，其利率，借贷期限，借款额等不同的特定特征，这些特定特征称之为有效特征。

步骤S101c，根据有效特征，确定模型训练的模型的类型。根据提取的特定的有效特征，每一个有效特征即为一种训练类型。本实施例中，采用谷歌发布的TensorFlow开源机器学习平台设计、开发算法，统一管理、部署批量模型，各模型的推荐结果利用flask工具统一由一个接口做转发，供使用者调用。因此需要将“最低借款金额、最高借款金额、月利率、最低借款期限、最高借款期限”这五种类型作为TensorFlow开源机器学习平台的模型训练入口，分别训练这五种特征模型。

步骤S102，获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量。例如，利用样本的用户画像作为模型的输入变量，其中，样本的用户画像来源于曾使用过被推荐产品的一种或多种的用户，之所以，需要采集使用过被推荐产品的用户作为样本，是因为，通过使用者的用户行为与产品之间的关联性，才能训练出有效可靠的特征模型，二者之间必须有内在的关联性。用户画像，即用户信息标签化，就是企业通过收集与分析用户线上、线下行为等主要信息的数据之后，完美地抽象出一个用户的商业全貌。例如借贷产品中共提取了用户包含年龄、性别、学历、工作居住地、消费收入能力等在内的共160个标签，然后对标签进行数值化、归一化处理后，作为模型的输入变量。针对不同行业的产品，所获取的用户线上、线下数据的特征类型也不同，其主要根据所述行业的特性与用户特定行为的关联性而定。

请再次参阅图3，所述步骤S102，获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量包括以下步骤：

步骤S102a，取用户的数据，将数据标签化；根据借贷行业特性，获取目标客户的线上、线下消费等特征数据，对获取的数据进行抽象化，并对不同的特征数据进行标签化，以便统一数据处理。

步骤S102b，将标签进行数值化、归一化处理；将标签化的数据进行数据处理，以便能够统计和计算机识别。

步骤S102c，将数值化、归一化的标签作为模型的输入变量送入训练模型。针对每个产品特征，都需要独立训练模型，因为不同的产品特征划分的阶段不同，产品落在各特征的区间也不同，因此，训练出来的模型参数也不一样。谷歌开源的机器学习平台TensorFlow可以很好处理这个问题，多个模型可以同时训练，互不干扰，而且训练效率更高。TensorFlow是世界上最受欢迎的开源机器学习框架，它具有快速、灵活并适合产品级大规模应用等特点。也即，将数值化、归一化的用户画像数据分别作为特征模型的输入量，分别输入至五种不同类型的模型进行训练，以获得同一输入数据，针对不同产品特征的内在关联程度，以确定用户画像与产品特征之间的粘性。

步骤S103，将用户画像作为所有类型的模型的输入变量进行模型训练，获得每种类型模型的特征模型。借贷产品在步骤S102中确定了“最低借款金额、最高借款金额、月利率、最低借款期限、最高借款期限这五种特征模型”分别输入用户画像的基础数据，分别训练五种特征模型，训练完成的五种特征模型作为用户推荐的模型模板备用。

步骤S104，获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品。

输入被推荐用户ID，提取他的用户画像，将被推荐用户的用户画像与画像数据库里的用户画像进行匹配，以找到与该推荐用户画像高度近似的用户画像，则画像数据库中的对应的用户画像对应的特征模型即为该被推荐用户的特征模型。而每一种特征模型中对应若干种具有这一类特征的产品，因此，就可以基于特征模型，将对应的一类产品推荐给被推荐用户。在此过程中，即便产品更新、迭代，只需要更新产品的特征标签进行更新，即可将新产品归属于某一对应的特征模型下，根据特征模型即可将更新的产品推荐给用户。

进一步的，所述步骤S104，“获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品”之后还包括：获取用户输入的各产品特征的权重参数，根据权重参数与特征模型的匹配度，确定被推荐用户的优先级排列。这一步是推荐系统的最终输出环节。在这一步，算法会接收外部输入的各产品特征的权重参数，该权重参数是模型使用者对各产品特征的不同关注度。将上一步的模型输出明细，分别乘以各自对应的权重参数；然后对各特征下的不同分段进行全排列组合，计算得分，根据得分情况进行降序排列；使用者通过从接口输入被推荐用户的ID和对各特征的不同权重参数后，就可以从接口处获取到浙江一个推荐结果。然后只需要根据被推荐出来的各产品特征的分段，映射出对应的产品，就可以将这些产品推荐给用户了。这一步，是从产品提供者的角度进行筛选的过程，产品提供者，通过输入其对自己产品所针对的目标用户的特征，进行权重分配，例如，某一种借贷产品其目标用户是贷款额度较大的一类用户，则输入的贷款额度这一特征的权重对应较大，其他四项特征则对应减小。此时，系统可以自动将目标客户主动筛选后推荐给产品提供者。进一步，提高了产品的适用范围，从消费者到提供者都可以提供智能推荐服务。

所述“获取用户输入的各产品特征的权重参数，根据权重参数与特征模型的匹配度，确定被推荐用户的优先级排列”的步骤之后还包括利用flask将优先级排列的结果以http的形式发布出去。利用flask将排列后的结果以http的形式发布出去，使用者通过从接口输入被推荐用户的ID和对各特征的不同权重参数后，就可以从接口处获取到浙江一个推荐结果。然后只需要根据被推荐出来的各产品特征的分段，映射出对应的产品，就可以将这些产品推荐给用户了。

更进一步，为了优化推荐结果，所述步骤S104，“获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品”之后还包括：将用户最终的选择结果数据作为反馈输入至特征模型的模型训练中，再次优化用户行为特征模型。推荐完成后，推荐系统自动获取用户最终选择的产品，及时反馈到模型训练样本集中，实时优化模型，模型就可以将不断优化后的结果推荐出来。这样就可以确保，随着推荐系统使用时间的增加，模型准确性也会不断的提升。而且由于推荐的内容是产品特征，不直接指向具体产品，又可以避免旧产品更新迭代、下架，新产品增加的问题。大大减少了人为干预，同时降低了该推荐系统的使用复杂度。

整体而言，本实施例的基于产品特征的推荐方法，依托谷歌发布的TensorFlow开源机器学习平台，利用神经网络算法，通过输入被推荐用户的用户画像和产品特征权重参数，输出被推荐用户对各产品特征的偏好程度。

首先分析需要被推荐的所有产品，挖掘它们的产品特征，提取可以很好区分这些产品的有效特征。然后根据收集到的购买过各产品的用户信息，获取用户画像作为模型输入，利用神经网络算法训练模型，预测用户可能偏好的产品特征。模型的输出为具体某一个特征的偏好度，因此若上一步确定了m个产品特征，则需要训练m个模型。最后针对每个模型的输出，都会从外部获取一个特征权重，目的是考虑到使用者对各产品特征的不同关注度，会影响到最终的推荐结果。多个模型借助TensorFlow平台统一管理，集中由一个flask做http分发，即从flask提供的接口处输入需要被推荐的用户ID和模型使用者对各产品特征的不同关注度(即产品特征权重)，接口会从内部调用推荐用户的用户画像，输入到各模型里，然后接收各模型的预测结果，经过产品特征权重调优后输出推荐结果。

请再次参阅图4，本发明的实施例公开了一种智能推荐装置100，其包括：

产品特征获取单元101，用于获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型。

其中，所述的产品特征获取单元101包括：

挖掘单元1011，用于选取同属一类的若干产品，挖掘产品特征；

提取单元1012，用于从产品特征中提取出能够区别各产品的有效特征；

模型类型确定单元1013，用于根据有效特征，确定模型训练的模型的类型。

用户画像获取单元102，用于获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量。

其中，所述用户画像获取单元102包括：

数据获取单元1021，用于获取用户的数据，将数据标签化；

数据处理单元1022，用于将标签进行数值化、归一化处理；

输入单元1023，用于将数值化、归一化的标签作为模型的输入变量送入训练模型。

模型训练单元103，用于将用户画像作为所有类型的模型的输入变量进行模型训练，获得每种类型模型的特征模型。

匹配推荐单元104，用于获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品。

于另一实施例中，该智能推荐装置100还包括：

筛选单元，用于获取用户输入的各产品特征的权重参数，根据权重参数与特征模型的匹配度，确定被推荐用户的优先级排列；

发布单元，用于利用flask将映射后的结果以http的形式发布出去。

在另一实施例中，所述匹配推荐单元还连接有一优化单元，用于将用户最终的选择作为反馈输入至用户行为特征模型中，再次优化用户行为特征模型。

请再次参阅图5，图5为本发明的实施例提供的一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现基于产品特征的推荐方法：

步骤S101，获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型。例如，通过分析待推荐的近1000个借贷产品，如顺风贷、微粒贷、钱包借等，共提取了包括最低借款金额、最高借款金额、月利率、最低借款期限、最高借款期限共5个可以很好区分所有产品的产品特征。根据借贷这一大类产品的共性并具有区别性的特征，则确定了，基于产品特征的智能推荐方法的，训练模型的类型包括：最低借款金额、最高借款金额、月利率、最低借款期限、最高借款期限这五种模型。

请再次参阅图2，所述步骤S101“获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型”包括以下步骤：

步骤S101a，选取同属一类的若干产品，挖掘产品特征；例如上述的借贷产品，被推荐的产品首先需要属于统一大类，相互之间具有关联性，但也具有显著的区别，以便从相同属类的产品中推荐给用户具体某一产品。根据所属类的产品，分析得到这些产品的各自特征。

步骤S101b，从产品特征中提取出能够区别各产品的有效特征；由于各种不同的借贷产品均具有自身的较多特色特征，这些特色特征中，这些产品特征相互之间即具有相同属性，但同一属性不同产品又有自己的特征，因此，需要从这些特征中，提取出能够区分这些产品的特定特征，同时这些特定特征也是不同产品自身的重要特色的体现。例如，不同借贷产品，其利率，借贷期限，借款额等不同的特定特征，这些特定特征称之为有效特征。

步骤S101c，根据有效特征，确定模型训练的模型的类型。根据提取的特定的有效特征，每一个有效特征即为一种训练类型。本实施例中，采用谷歌发布的TensorFlow开源机器学习平台设计、开发算法，统一管理、部署批量模型，各模型的推荐结果利用flask工具统一由一个接口做转发，供使用者调用。因此需要将“最低借款金额、最高借款金额、月利率、最低借款期限、最高借款期限”这五种类型作为TensorFlow开源机器学习平台的模型训练入口，分别训练这五种特征模型。

步骤S102，获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量。例如，利用样本的用户画像作为模型的输入变量，其中，样本的用户画像来源于曾使用过被推荐产品的一种或多种的用户，之所以，需要采集使用过被推荐产品的用户作为样本，是因为，通过使用者的用户行为与产品之间的关联性，才能训练出有效可靠的特征模型，二者之间必须有内在的关联性。用户画像，即用户信息标签化，就是企业通过收集与分析用户线上、线下行为等主要信息的数据之后，完美地抽象出一个用户的商业全貌。例如借贷产品中共提取了用户包含年龄、性别、学历、工作居住地、消费收入能力等在内的共160个标签，然后对标签进行数值化、归一化处理后，作为模型的输入变量。针对不同行业的产品，所获取的用户线上、线下数据的特征类型也不同，其主要根据所述行业的特性与用户特定行为的关联性而定。

请再次参阅图3，所述步骤S102，获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量包括以下步骤：

步骤S102a，取用户的数据，将数据标签化；根据借贷行业特性，获取目标客户的线上、线下消费等特征数据，对获取的数据进行抽象化，并对不同的特征数据进行标签化，以便统一数据处理。

步骤S102b，将标签进行数值化、归一化处理；将标签化的数据进行数据处理，以便能够统计和计算机识别。

步骤S102c，将数值化、归一化的标签作为模型的输入变量送入训练模型。针对每个产品特征，都需要独立训练模型，因为不同的产品特征划分的阶段不同，产品落在各特征的区间也不同，因此，训练出来的模型参数也不一样。谷歌开源的机器学习平台TensorFlow可以很好处理这个问题，多个模型可以同时训练，互不干扰，而且训练效率更高。TensorFlow是世界上最受欢迎的开源机器学习框架，它具有快速、灵活并适合产品级大规模应用等特点。也即，将数值化、归一化的用户画像数据分别作为特征模型的输入量，分别输入至五种不同类型的模型进行训练，以获得同一输入数据，针对不同产品特征的内在关联程度，以确定用户画像与产品特征之间的粘性。

步骤S103，将用户画像作为所有类型的模型的输入变量进行模型训练，获得每种类型模型的特征模型。借贷产品在步骤S102中确定了“最低借款金额、最高借款金额、月利率、最低借款期限、最高借款期限这五种特征模型”分别输入用户画像的基础数据，分别训练五种特征模型，训练完成的五种特征模型作为用户推荐的模型模板备用。

步骤S104，获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品。

输入被推荐用户ID，提取他的用户画像，将被推荐用户的用户画像与画像数据库里的用户画像进行匹配，以找到与该推荐用户画像高度近似的用户画像，则画像数据库中的对应的用户画像对应的特征模型即为该被推荐用户的特征模型。而每一种特征模型中对应若干种具有这一类特征的产品，因此，就可以基于特征模型，将对应的一类产品推荐给被推荐用户。在此过程中，即便产品更新、迭代，只需要更新产品的特征标签进行更新，即可将新产品归属于某一对应的特征模型下，根据特征模型即可将更新的产品推荐给用户。

进一步的，所述步骤S104，“获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品”之后还包括：获取用户输入的各产品特征的权重参数，根据权重参数与特征模型的匹配度，确定被推荐用户的优先级排列。这一步是推荐系统的最终输出环节。在这一步，算法会接收外部输入的各产品特征的权重参数，该权重参数是模型使用者对各产品特征的不同关注度。将上一步的模型输出明细，分别乘以各自对应的权重参数；然后对各特征下的不同分段进行全排列组合，计算得分，根据得分情况进行降序排列；使用者通过从接口输入被推荐用户的ID和对各特征的不同权重参数后，就可以从接口处获取到浙江一个推荐结果。然后只需要根据被推荐出来的各产品特征的分段，映射出对应的产品，就可以将这些产品推荐给用户了。这一步，是从产品提供者的角度进行筛选的过程，产品提供者，通过输入其对自己产品所针对的目标用户的特征，进行权重分配，例如，某一种借贷产品其目标用户是贷款额度较大的一类用户，则输入的贷款额度这一特征的权重对应较大，其他四项特征则对应减小。此时，系统可以自动将目标客户主动筛选后推荐给产品提供者。进一步，提高了产品的适用范围，从消费者到提供者都可以提供智能推荐服务。

所述“获取用户输入的各产品特征的权重参数，根据权重参数与特征模型的匹配度，确定被推荐用户的优先级排列”的步骤之后还包括利用flask将优先级排列的结果以http的形式发布出去。利用flask将排列后的结果以http的形式发布出去，使用者通过从接口输入被推荐用户的ID和对各特征的不同权重参数后，就可以从接口处获取到浙江一个推荐结果。然后只需要根据被推荐出来的各产品特征的分段，映射出对应的产品，就可以将这些产品推荐给用户了。

更进一步，为了优化推荐结果，所述步骤S104，“获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品”之后还包括：将用户最终的选择结果数据作为反馈输入至特征模型的模型训练中，再次优化用户行为特征模型。推荐完成后，推荐系统自动获取用户最终选择的产品，及时反馈到模型训练样本集中，实时优化模型，模型就可以将不断优化后的结果推荐出来。这样就可以确保，随着推荐系统使用时间的增加，模型准确性也会不断的提升。而且由于推荐的内容是产品特征，不直接指向具体产品，又可以避免旧产品更新迭代、下架，新产品增加的问题。大大减少了人为干预，同时降低了该推荐系统的使用复杂度。

该计算机设备为终端，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。

参阅图5，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。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请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。

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包括程序指令，该程序指令被执行时，可使得处理器502执行一种基于产品特征的推荐方法。

该处理器502用于提供计算和控制能力，以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执行以下步骤：

步骤S101，获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型。

步骤S102，获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量。

步骤S103，将用户画像作为所有类型的模型的输入变量进行模型训练，获得每种类型模型的特征模型。

步骤S104，获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品。

与现有技术相比，本发明的实施例提供了一种基于产品特征的推荐方法、装置、计算机设备及存储介质，该推荐方法及装置不直接推荐具体的产品，而是推荐用户可能偏好的产品特征。当有新的产品增加或旧的产品迭代时，只需要将这些变更后的产品对应到具体的产品特征里，就可以完成向用户推荐了，不需要去直接修改模型算法；将产品特征的权重作为参数，使用者可根据具体需求调整对各产品特征的不同关注程度，使得最终的推荐结果更加合理，实用性更强；由于算法的推荐结果指向具体的产品特征，因此对于多个特征，就需要针对每个特征训练一个模型，因为对于不同产品特征的推荐，训练出的模型参数是不同的。本发明通过TensorFlow平台统一管理多个模型，各模型的预测结果统一由一个flask搜集整理后做分发；本实施例的基于产品特征的推荐方法及装置适用性很强，它不针对具体的产品，而是推荐用户偏好的产品特征，只要某款产品能对应到用于建模的产品特征里，就都能使用该推荐方法和装置。

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，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。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。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。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。

该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，终端，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。

上述内容，仅为本发明的较佳实施例，并非用于限制本发明的实施方案，本领域普通技术人员根据本发明的主要构思和精神，可以十分方便地进行相应的变通或修改，故本发明的保护范围应以权利要求书所要求的保护范围为准。

Claims (10)

1.一种基于产品特征的推荐方法，其特征在于，包括以下步骤：

获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型；

获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量；

将用户画像作为所有类型的模型的输入变量进行模型训练，获得每种类型模型的特征模型；以及

获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品。

2.如权利要求1所述的基于产品特征的推荐方法，其特征在于，所述步骤“获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型”包括以下步骤：

选取同属一类的若干产品，挖掘产品特征；

从产品特征中提取出能够区别各产品的有效特征；

根据有效特征，确定模型训练的模型的类型。

3.如权利要求1所述的基于产品特征的推荐方法，其特征在于，所述步骤“获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量”包括以下步骤：

获取用户的数据，将数据标签化；

将标签进行数值化、归一化处理；

将数值化、归一化的标签作为模型的输入变量送入训练模型。

4.如权利要求1所述的基于产品特征的推荐方法，其特征在于，所述步骤“获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品”之后还包括以下步骤：

获取用户输入的各产品特征的权重参数，根据权重参数与特征模型的匹配度，确定被推荐用户的优先级排列；

利用flask将优先级排列的结果以http的形式发布出去。

5.如权利要求1所述的基于产品特征的推荐方法，其特征在于，所述步骤“获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品”之后还包括以下步骤：

将用户最终的选择作为反馈输入至特征模型的模型训练中，再次优化特征模型。

6.一种智能推荐装置，其特征在于，包括：

产品特征获取单元，用于获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型；

用户画像获取单元，用于获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量；

模型训练单元，用于将用户画像作为所有类型的模型的输入变量进行模型训练，获得每种类型模型的特征模型；以及

匹配推荐单元，用于获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品。

7.如权利要求6所述的智能推荐装置，其特征在于，所述的产品特征获取单元包括：

挖掘单元，用于选取同属一类的若干产品，挖掘产品特征；

提取单元，用于从产品特征中提取出能够区别各产品的有效特征；

模型类型确定单元，用于根据有效特征，确定模型训练的模型的类型。

8.如权利要求6所述的智能推荐装置，其特征在于，所述用户画像获取单元包括：

数据获取单元，用于获取用户的数据，将数据标签化；

数据处理单元，用于将标签进行数值化、归一化处理；

输入单元，用于将数值化、归一化的标签作为模型的输入变量送入训练模型。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，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任一项所述的基于产品特征的推荐方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如权利要求1至5任一项所述的基于产品特征的推荐方法。