CN110163747A - 目标推荐对象挖掘方法、装置、介质及电子设备 - Google Patents

Abstract

本公开实施例提供了一种目标推荐对象挖掘方法、装置、计算机可读存储介质和电子设备，涉及计算机技术领域，所述方法包括：获取目标产品的历史响应对象；根据所述历史响应对象获得所述目标产品的潜在对象；通过机器学习模型对所述潜在对象进行处理，获得所述目标产品的目标推荐对象。本公开实施例的技术方案中，根据目标产品的历史响应对象获得目标产品的潜在对象，再通过机器学习模型对潜在对象进行处理以得到目标推荐对象，由于经过了对历史响应对象的进一步处理后，增加了机器学习模型处理的数据的普适性，使得挖掘目标推荐对象的准确性较高。

Description

目标推荐对象挖掘方法、装置、介质及电子设备

技术领域

本公开涉及互联网技术领域，具体而言，涉及一种目标推荐对象挖掘方法、装置、计算机可读存储介质及电子设备。

背景技术

相关技术中，从海量人群中发现对目标信贷产品感兴趣的人群比较困难。如果随机触达，投资回报率较低。

在通过获得信贷平台提供的手机号后，基于这些手机号的基本信息如归属城市等以及手机号关联的多个信贷产品上的历史行为等数据，可以挖掘出对该信贷平台有兴趣的手机号，向该手机号推荐感兴趣的信贷产品。

由于历史营销的结果会受到若干外界因素的影响，且单次或者少数几次营销的结果不具有普适性，直接采用历史营销的结果进行数据挖掘时，准确度相对较低，且对于“中等兴趣”和“低兴趣”等不同人群的区分不明显。

如何准确有效地挖掘目标推荐对象是当前亟需解决的技术问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开实施例的目的在于提供一种目标推荐对象挖掘方法、装置、计算机可读存储介质及电子设备，进而至少在一定程度上克服不能准确有效地挖掘目标推荐对象的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开实施例的第一方面，提供了一种目标推荐对象挖掘方法，包括：获取目标产品的历史响应对象；根据所述历史响应对象获得所述目标产品的潜在对象；通过机器学习模型对所述潜在对象进行处理，获得所述目标产品的目标推荐对象。

在一些实施例中，所述方法还包括：将所述目标产品的历史响应对象作为正样本；获取与所述目标产品的产品相似度超过产品阈值的相似产品；获得所述相似产品的历史响应对象，并将其作为负样本；根据所述正样本和所述负样本训练所述机器学习模型。

在一些实施例中，根据所述历史响应对象获得所述目标产品的潜在对象，包括：计算产品与所述目标产品之间的产品相似度；获得与所述目标产品的产品相似度最高的前第一预设数量的产品作为类似产品；获取所述类似产品的历史响应对象；将所述类似产品的历史响应对象作为所述潜在对象。

在一些实施例中，根据所述历史响应对象获得所述目标产品的潜在对象，包括：获得与所述目标产品同属同一行业的同行产品；计算各同行产品的热门度；选择热门度最高的前第二预设数量的同行产品作为热门产品；获取所述热门产品的历史响应对象；将所述热门产品的历史响应对象作为所述潜在对象。

在一些实施例中，根据所述历史响应对象获得所述目标产品的潜在对象，包括：获得所述目标产品的历史响应对象；在所述目标产品的历史响应对象中选取在当前时间之前的第一预设时间段内无响应的流失响应对象；将所述流失响应对象作为所述潜在对象。

在一些实施例中，根据所述历史响应对象获得所述目标产品的潜在对象，包括：建立响应对象与产品的行为矩阵，所述响应对象包括所述历史响应对象，所述产品包括所述目标产品；使用交替最小二乘法计算所述行为矩阵，得到矩阵解；根据所述矩阵解获得所述目标产品的潜在对象。

在一些实施例中，所述使用交替最小二乘法计算所述行为矩阵，包括：获取交替最小二乘法算法包；使用地图连接算法替换所述交替最小二乘法算法包中的笛卡尔乘积算法，得到新的交替最小二乘法；使用所述新的交替最小二乘法计算所述行为矩阵。

在一些实施例中，所述通过机器学习模型对所述潜在对象进行处理，包括：通过机器学习模型对所述潜在对象进行消费倾向预测并根据所述消费倾向预测的结果对所述潜在对象进行排序，得到排序结果；选择所述排序结果的前第三预设数量的所述潜在对象作为所述目标推荐对象。

根据本公开实施例的第二方面，提供了一种目标推荐对象挖掘装置，包括：响应对象获取单元，用于获取目标产品的历史响应对象；潜在对象获得单元，用于根据所述历史响应对象获得所述目标产品的潜在对象；推荐对象获得单元，用于通过机器学习模型对所述潜在对象进行处理，获得所述目标产品的目标推荐对象。

根据本公开实施例的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中第一方面所述的目标推荐对象挖掘方法。

根据本公开实施例的第四方面，提供了一种电子设备，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时，使得所述一个或多个处理器实现如上述实施例中第一方面所述的目标推荐对象挖掘方法。

本公开实施例提供的技术方案可以包括以下有益效果：

在本公开的一些实施例所提供的技术方案中，根据目标产品的历史响应对象获得目标产品的潜在对象，再通过机器学习模型对潜在对象进行处理以得到目标推荐对象，由于经过了对历史响应对象的进一步处理后，增加了机器学习模型处理的数据的普适性，使得挖掘目标推荐对象的准确性较高。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。在附图中：

图1示意性示出了根据本公开的实施例的一种目标推荐对象挖掘方法的流程图；

图2示意性示出了根据本公开的实施例的另一种目标推荐对象挖掘方法的流程图；

图3示意性示出了根据本公开的实施例的一种目标推荐对象挖掘装置的方框图；

图4示意性示出了根据本公开的实施例的另一种目标推荐对象挖掘装置的方框图；

图5示意性示出了适于用来实现本公开实施例的电子设备的计算机系统的结构图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

相关技术中，进行目标推荐对象挖掘时，可以使用逻辑回归模型或梯度提升决策树等传统机器学习模型作为营销响应模型，利用历史营销后是否响应的数据作为标签，训练分类模型，并用其预测海量人群对营销活动的响应概率以筛选有较高兴趣的人群，对比随机营销，具有稍高的投资回报率。

但是，仍然存在着由于历史营销的结果会受到若干外界因素的影响、模型泛化能力较差、表现不稳定，以及，响应模型准确度相对较低、于“中等兴趣“和“低兴趣“人群的区分不明显等问题。

为解决上述问题，本公开实施例提供一种目标推荐对象挖掘方法，根据目标产品的历史响应对象获取所述目标产品的潜在对象并进一步利用机器学习模型对所述潜在对象进行处理，以最终获得所述目标产品的目标推荐对象，提高挖掘目标推荐对象的准确性。

图1示意性示出了本公开的示例性实施方式的一种目标推荐对象挖掘方法。本公开实施例提供的方法可以由任何具备计算处理能力的电子设备执行，例如终端设备和/或服务器，本公开对此不作限定。参考图1，本公开实施例提供的目标推荐对象挖掘方法可以包括以下步骤：

步骤S102，获取目标产品的历史响应对象。

在本发明实施例中，产品可以为信贷产品，目标产品即为目标信贷产品，本发明实施例提供的目标推荐对象挖掘方法挖掘的即是该目标信贷产品的目标推荐对象。历史响应对象是在历史营销活动中对目标产品有响应的人群。

步骤S104，根据历史响应对象获得目标产品的潜在对象。

潜在对象是指对目标产品可能感兴趣的人群。例如，对与目标产品相似的产品感兴趣的人群、对目标产品同行业中的热门产品感兴趣的人群均可以为该目标产品的潜在对象。在本发明实施例中，可以通过对目标产品进行不同方向的扩散来获得该潜在对象。

步骤S106，通过机器学习模型对潜在对象进行处理，获得目标产品的目标推荐对象。

目标推荐对象指的是对目标产品感兴趣的推荐人群。经过最终确定的目标推荐对象可以作为目标产品的推广对象。

在本公开实施例的技术方案中，以该目标产品的历史响应对象作为种子人群进行扩散获得初选人群即目标产品的潜在对象，再使用训练好的机器学习模型对该初选人群进行处理，得到目标产品的目标推荐对象。相比较相关技术，本公开实施例提供的方法得到的目标推荐对象具有更高的响应率，节省约17％-20％的营销成本，因而也具有更高的投资回报率。

其中，本公开实施例中的投资回报率指的是营销活动带来的收益/营销活动付出的成本*100％。

在本公开实施例的技术方案中，目标产品的历史响应对象等数据来自用户在产品平台产生的历史行为记录日志中的源数据。源数据中包含用户ID、产品名称、用户行为类型、用户行为发生的时间。

相关技术中，以目标产品的历史响应人群和非响应人群分别作为正负样本训练二分类的营销模型，将其应用到之后的目标推荐对象筛选中。这样，对于单次的营销触达，非响应人群远大于响应人群即人群具有长尾的特性，因此传统的二分类的营销模型比较难以挖掘数量庞大的“较低兴趣”的人群中的实际“有兴趣”人群。

在本公开实施例中，基于用户历史上所有的在信贷产品上的行为，挖掘产品与产品之间、人与人之间的相似性，可以较好地解决这个问题，提升了营销触达的响应率，降低了营销成本。

其中，步骤S104中根据历史响应对象获得目标产品的潜在对象可以通过不同方向的扩散来实现。其中，扩散方向可以包括：基于产品的相似性扩散、热门扩散、流失召回扩散或者同好人群扩散等中的任意一种或者多种的组合。

在进行基于产品的相似性扩散时，可以计算产品与目标产品之间的产品相似度；获得与目标产品的产品相似度最高的前第一预设数量的产品作为类似产品；获取类似产品的历史响应对象；将类似产品的历史响应对象作为潜在对象。

其中，计算产品与目标产品间的产品相似度时，可以通过两个产品的Jaccard距离来衡量两个产品的相似度。Jaccard距离的计算方式可以为：样本交集个数和样本并集个数的比值，这里，样本即为需要衡量相似度的两个产品。

Jaccard距离用J(A,B)表示，其中，A为其中一个产品的产品集合，B为另一个产品的产品集合，样本交集即为A和B的交集，样本并集即为A和B的并集。

此外，计算产品与目标产品间的产品相似度时，可以通过两个产品的余弦相似度来衡量两个产品的相似度。

这里，第一预设数量可以为20，即获取与目标产品的产品相似度最高的前20个产品作为目标产品的相似产品，以这些相似产品的历史响应对象作为潜在对象。需要说明的是，这里的20仅是一个举例说明，本公开对第一预设数量的取值不作限定。

在进行热门扩散时，可以获得与目标产品同属同一行业的同行产品；计算各同行产品的热门度；选择热门度最高的前第二预设数量的同行产品作为热门产品；获取热门产品的历史响应对象；将热门产品的历史响应对象作为潜在对象。

这里，同一行业可以为信贷行业，信贷行业的同行产品可以为项目贷款、商品融资、房地产贷款以及流动资金贷款。计算同一行业中各同行产品的热门度时，需要计算该同一行业的各同行产品在当前时间之前的第二预设时间段内的历史响应人数。历史响应人数越多的同行产品的热门度越高。第一预设时间段可以根据业务调整范围。其中，第二预设时间段可以为一年，但在实际应用中并不局限于此。

这里，第二预设数量可以为10，即选择热门度最高的前10的同行产品作为热门产品，将这些热门产品的历史响应对象作为潜在对象。需要说明的是，这里的10仅是一个举例说明，本公开对第一预设数量的取值不作限定。

在进行流失召回扩散时，获得目标产品的历史响应对象；在目标产品的历史响应对象中选取在当前时间之前的第一预设时间段内无响应的流失响应对象；将所述流失响应对象作为所述目标产品的潜在对象。这些潜在对象即为历史上在目标产品有响应、但是最近一段时间在该目标产品沉默的人群。这里，沉默的人群即为对该目标产品没有响应的人群。

第一预设时间段可以根据业务调整范围。这里，第一预设时间段可以为一年，即选取当前时间之前一年内无任何响应行为的历史响应对象为流失响应对象，即潜在对象。

在进行同好人群扩散时，建立响应对象与产品的行为矩阵；使用交替最小二乘法计算行为矩阵，得到矩阵解；根据矩阵解获得目标产品的潜在对象。

为了解决信息过载以及用户兴趣不明确的问题，协同过滤利用用户对产品发生的行为数据计算用户与用户之间以及产品与产品之间的相似性，然后根据相似性结果做个性化推荐。这里的同好人群扩散应用了协同过滤的方法。

协同过滤应用较多的是基于领域的方法、隐语义模型以及基于图的随机游走算法。

交替最小二乘法是一种矩阵分解分方法，原理如下：

用户对物品的打分行为可以定义成一个m*n(m和n均为自然数)的评分矩阵，即如下表1所述的响应对象与产品的行为矩阵。

表1响应对象与产品的行为矩阵

该矩阵表示m个用户对n个物品的打分情况，如表1所示的矩阵中，m＝5，n＝6。在推荐系统中，希望得到用户对所有物品的打分情况，就需要预测用户是否会对该物品打分，以及会打多少分，即“矩阵补全”。

交替最小二乘法的核心假设是，行为矩阵是低秩的，即可以近似等于两个小矩阵的乘积。则有A(m*n)＝U(m*k)V^T(n*k),k≤m,n，这里，矩阵A是一个m*n矩阵，矩阵U是一个m*k矩阵，矩阵V是一个k*n矩阵，矩阵A由矩阵U和V相乘得到。其中m、n、k为自然数，k代表物品的潜在因素，用来解释数据中的交互关系。

求解矩阵A时，采用最小化损失函数其中，λ(||u_i||²+||v_i||²)是为了防止过拟合加入的正则化项，λ为正则化因子。

交替最小二乘法算法的思想是：先随机生成U，固定它求解V，然后固定V求解U；这样交替进行，直到取得最优解。因为每步迭代都会降低误差，并且误差是有下界的，所以采用交替最小二乘法处理的数据一定会收敛。

使用交替最小二乘法计算行为矩阵时，可以自机器学习算法库获取交替最小二乘法算法包，再使用地图连接算法(map join)替换交替最小二乘法算法包中的笛卡尔乘积算法，得到新的交替最小二乘法。这样，就可以使用新的交替最小二乘法计算行为矩阵。

具体地，在应用交替最小二乘法求解矩阵之前，对Spark ML(基于数据结构DataFrame的机器学习库)机器学习算法库的交替最小二乘法包进行了优化创新。

原有的交替最小二乘法用笛卡尔乘积(cross join)处理表之间的连接，只考虑了两个大矩阵相乘的场景，没有考虑到一大一小或者两个小的场景，本公开实施例的技术方案使用map join来处理表之间的连接，节省了大量数据传输，在相同的硬件软件条件下，可以解决一个大矩阵和一个小矩阵相乘计算不出来结果的问题，还可以使得计算时间从10个小时缩短至20分钟，有效节省约90％矩阵求解时间，大大提高了该算法的应用效率。

在步驟S106中，使用经过训练的机器学习模型对潜在对象进行处理。

在步骤S106中之前，可以预先训练所述机器学习模型。这里的机器学习模型可以为二分类的逻辑回归模型或者梯度提升决策树模型。

在训练机器学习模型时，将目标产品的历史响应对象作为正样本；获取与目标产品的产品相似度超过产品阈值的相似产品；获得相似产品的历史响应对象，并将其作为负样本；根据正样本和负样本训练机器学习模型。

在步骤S106中，通过机器学习模型对潜在对象进行处理时，可以通过机器学习模型对潜在对象进行消费倾向预测并根据消费倾向预测的结果对潜在对象进行排序，得到排序结果；再选择排序结果的前第三预设数量的潜在对象作为目标推荐对象。

相关技术中，是在矩阵排序取Topb的时候，为了提高并发度，进行了两次排序。其中第一次排序是将数据分成a个分区，每个分区中有4096个数据，取topb，这样得到了a*b个数据；第二次排序是对第一次排序中得到的a*b个数据进行降序排列，取Topb。如果要取的top个数很多，例如b多于4096个的话，第一次排序就会无效。其中，a为自然数，b为自然数，代表全局个数。

在公开中，将第一次排序的数据分成x个分区，每个分区的数据量为总数据量乘上不同的设定比例，保证第一次排序有效进行。其中，x为自然数。

这样，就可以实现根据消费倾向预测的结果以及实际业务的营销需求量，选取排在前面的更有兴趣的人群进行营销触达，因而可以提高目标推荐对象的响应率。本公开实施例提供的技术方案对比传统的营销响应模型，可以稳定提高20％-30％的响应率。

如图2所示，本公开一种实施例中，在目标推荐对象挖掘过程中，需要将历史响应对象进行不同方向的扩散，得到扩散人群。这里，不同方向扩散包括基于产品的相似性扩散、热门扩散、流失召回扩散和/或同好人群扩散。扩散人群经过机器学习模型处理可以得到目标推荐对象。其中，机器学习模型需要预先使用正样本和负样本进行训练。

这里，正样本使用的是目标产品的历史响应人群，负样本使用的是目标产品的相似产品的历史响应人群。该相似产品即为与目标产品的产品相似度超过产品阈值的产品。这里，产品阈值可以为75％。需要说明的是，这里的75％仅是一个举例说明，本公开对产品阈值的取值不做限定。

本公开实施例提供的目标推荐对象挖掘方法，根据目标产品的历史响应对象获得目标产品的潜在对象，再通过机器学习模型对潜在对象进行处理以得到目标推荐对象，由于经过了对历史响应对象的进一步处理后，增加了机器学习模型处理的数据的普适性，使得挖掘目标推荐对象的准确性较高。

以下介绍本公开的装置实施例，可以用于执行本公开上述的目标推荐对象挖掘方法。如图3所示，根据本公开实施例提供的一种目标推荐对象挖掘装置300包括：

响应对象获取单元302，用于获取目标产品的历史响应对象。

潜在对象获得单元304，用于根据历史响应对象获得目标产品的潜在对象。

推荐对象获得单元306，用于通过机器学习模型对潜在对象进行处理，获得目标产品的目标推荐对象。

在本公开实施例的技术方案中，以该目标产品的历史响应对象作为种子人群进行扩散获得初选人群即目标产品的潜在对象，再使用训练好的机器学习模型对该初选人群进行处理，得到目标产品的目标推荐对象。相比较现有技术，该方案得到的目标推荐对象具有更高的响应率，节省约17％-20％的营销成本，因而也具有更高的投资回报率。

潜在对象获得单元304根据历史响应对象获得目标产品的潜在对象时，可以通过不同方向的扩散来获得目标产品的潜在对象。其中，扩散方向包括以下四种：基于产品的相似性扩散、热门扩散、流失召回扩散或者同好人群扩散。

在基于产品的相似性扩散获得潜在对象时，需要获得与目标产品的产品相似度最高的前第一预设数量的产品作为类似产品；并获取类似产品的历史响应对象；将类似产品的历史响应对象作为潜在对象。

在基于热门扩散获得潜在对象时，需要获得与目标产品同属同一行业的同行产品；计算各同行产品的热门度；选择热门度最高的前第二预设数量的同行产品作为热门产品；获取热门产品的历史响应对象；将热门产品的历史响应对象作为潜在对象。

在基于流失召回扩散获得潜在对象时，需要获得目标产品的历史响应对象；在目标产品的历史响应对象中选取在当前时间之前的第一预设时间段内无响应的流失响应对象；将流失响应对象作为潜在对象。

在基于同好人群扩散获得潜在对象时，需要建立响应对象与产品的行为矩阵；使用交替最小二乘法计算行为矩阵，得到矩阵解；根据矩阵解获得目标产品的潜在对象。

使用交替最小二乘法计算行为矩阵包括：自机器学习算法库获取交替最小二乘法算法包；使用地图连接算法替换交替最小二乘法算法包中的笛卡尔乘积算法，得到新的交替最小二乘法；使用新的交替最小二乘法计算行为矩阵。

具体地，推荐对象获得单元306通过机器学习模型对潜在对象进行处理时，通过机器学习模型对潜在对象进行消费倾向预测并根据消费倾向预测的结果对潜在对象进行排序，得到排序结果；选择排序结果的前第三预设数量的潜在对象作为目标推荐对象。

这样，就可以实现根据消费倾向预测的结果以及实际业务的营销需求量，选取排在前面的更有兴趣的人群进行营销触达，因而可以提高目标推荐对象的响应率。本公开实施例提供的技术方案对比传统的营销响应模型，可以稳定提高20％-30％的响应率。

根据本公开的示例性实施例，参考图4，相比较目标推荐对象挖掘装置300，目标推荐对象挖掘装置400不仅包括响应对象获取单元302、潜在对象获得单元304和推荐对象获得单元306，还包括模型训练单元402。

模型训练单元402用于：将目标产品的历史响应对象作为正样本；获取与目标产品的产品相似度超过产品阈值的相似产品；获得相似产品的历史响应对象，并将其作为负样本；根据正样本和负样本训练机器学习模型。

由于本公开的示例实施例的目标推荐对象挖掘装置的各个功能模块与上述目标推荐对象挖掘方法的示例实施例的步骤对应，因此对于本公开装置实施例中未披露的细节，请参照本公开上述的目标推荐对象挖掘方法的实施例。

本公开实施例的目标推荐对象挖掘装置，根据目标产品的历史响应对象获得目标产品的潜在对象，再通过机器学习模型对潜在对象进行处理以得到目标推荐对象，由于经过了对历史响应对象的进一步处理后，增加了机器学习模型处理的数据的普适性，使得挖掘目标推荐对象的准确性较高。

下面参考图5，其示出了适于用来实现本公开实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备的计算机系统500仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本公开所示的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的目标推荐对象挖掘方法。

例如，所述的电子设备可以实现如图1中所示的：步骤S102，获取目标产品的历史响应对象；步骤S104，根据所述历史响应对象获得所述目标产品的潜在对象；步骤S106，通过机器学习模型对所述潜在对象进行处理，获得所述目标产品的目标推荐对象。

又如，所述的电子设备可以实现如图2所示的各个步骤。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (11)

1.一种目标推荐对象挖掘方法，其特征在于，包括：

获取目标产品的历史响应对象；

根据所述历史响应对象获得所述目标产品的潜在对象；

通过机器学习模型对所述潜在对象进行处理，获得所述目标产品的目标推荐对象。

2.根据权利要求1所述的方法，其特征在于，还包括：

将所述目标产品的历史响应对象作为正样本；

获取与所述目标产品的产品相似度超过产品阈值的相似产品；

获得所述相似产品的历史响应对象，并将其作为负样本；

根据所述正样本和所述负样本训练所述机器学习模型。

3.根据权利要求1所述的方法，其特征在于，根据所述历史响应对象获得所述目标产品的潜在对象，包括：

计算产品与所述目标产品之间的产品相似度；

获得与所述目标产品的产品相似度最高的前第一预设数量的产品作为类似产品；

获取所述类似产品的历史响应对象；

将所述类似产品的历史响应对象作为所述潜在对象。

4.根据权利要求1所述的方法，其特征在于，根据所述历史响应对象获得所述目标产品的潜在对象，包括：

获得与所述目标产品同属同一行业的同行产品；

计算各同行产品的热门度；

选择热门度最高的前第二预设数量的同行产品作为热门产品；

获取所述热门产品的历史响应对象；

将所述热门产品的历史响应对象作为所述潜在对象。

5.根据权利要求1所述的方法，其特征在于，根据所述历史响应对象获得所述目标产品的潜在对象，包括：

在所述目标产品的历史响应对象中选取在当前时间之前的第一预设时间段内无响应的流失响应对象；

将所述流失响应对象作为所述潜在对象。

6.根据权利要求1所述的方法，其特征在于，根据所述历史响应对象获得所述目标产品的潜在对象，包括：

建立响应对象与产品的行为矩阵，所述响应对象包括所述历史响应对象，所述产品包括所述目标产品；

使用交替最小二乘法计算所述行为矩阵，得到矩阵解；

根据所述矩阵解获得所述目标产品的潜在对象。

7.根据权利要求6所述的方法，其特征在于，所述使用交替最小二乘法计算所述行为矩阵，包括：

获取交替最小二乘法算法包；

使用地图连接算法替换所述交替最小二乘法算法包中的笛卡尔乘积算法，得到新的交替最小二乘法；

使用所述新的交替最小二乘法计算所述行为矩阵。

8.根据权利要求1所述的方法，其特征在于，所述通过机器学习模型对所述潜在对象进行处理，包括：

通过机器学习模型对所述潜在对象进行消费倾向预测并根据所述消费倾向预测的结果对所述潜在对象进行排序，得到排序结果；

选择所述排序结果的前第三预设数量的所述潜在对象作为所述目标推荐对象。

9.一种目标推荐对象挖掘装置，其特征在于，包括：

响应对象获取单元，用于获取目标产品的历史响应对象；

潜在对象获得单元，用于根据所述历史响应对象获得所述目标产品的潜在对象；

推荐对象获得单元，用于通过机器学习模型对所述潜在对象进行处理，获得所述目标产品的目标推荐对象。

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，所述程序被处理器执行时实现如权利要求1至8中任一项所述的目标推荐对象挖掘方法。

11.一种电子设备，其特征在于，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时，使得所述一个或多个处理器实现如权利要求1至8中任一项所述的目标推荐对象挖掘方法。