CN110210892B - 产品推荐方法、装置和可读存储介质 - Google Patents

产品推荐方法、装置和可读存储介质 Download PDF

Info

Publication number
CN110210892B
CN110210892B CN201910366799.9A CN201910366799A CN110210892B CN 110210892 B CN110210892 B CN 110210892B CN 201910366799 A CN201910366799 A CN 201910366799A CN 110210892 B CN110210892 B CN 110210892B
Authority
CN
China
Prior art keywords
user
map
network
points
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910366799.9A
Other languages
English (en)
Other versions
CN110210892A (zh
Inventor
刘继宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910366799.9A priority Critical patent/CN110210892B/zh
Publication of CN110210892A publication Critical patent/CN110210892A/zh
Application granted granted Critical
Publication of CN110210892B publication Critical patent/CN110210892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种产品推荐方法、装置、可读存储介质和程序产品，本申请涉及人工智能技术领域。本申请的方法构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱；将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网；基于图谱网获得交叉特征；根据图谱网，分别提取与用户存在一级关联关系、二级关联关系和三级关联关系的关联特征；根据图谱网中各关联特征与用户之间的所有边的权重之和*各关联特征与用户存在i级关联关系的权重的值确定关联用户；根据交叉特征和关联用户，采用回归树非线性模型预测用户对推荐产品的意向度，进而进行产品推荐，提升了推荐产品与用户的匹配度，提高推荐产品转化率。

Description

产品推荐方法、装置和可读存储介质
技术领域
本发明涉及大数据技术领域，尤其涉及产品推荐方法、装置、可读存储介质和程序产品。
背景技术
随着大数据时代的到来，各行各业使用数据的方式都发生了巨大的变化。在金融行业中，数据是异常重要的资源，如何突破既有的数据使用模式，更高效、精准、迅速地获得数据带来的价值，一直都是金融机构关注的问题。利用基于关联关系的知识图谱概念，可以突破现有的关系型数据库的限制，在金融行业中让数据发挥更大的价值。
知识图谱，本质上是语义网络，是一种基于图的数据结构。由“节点”和“边”组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。
由于金融产品多样性和丰富性，而用户需要的特定的金融产品，产品与用户之间的匹配度目前很难衡量，进而造成新发布的金融产品很难给到用户，产品转化率较低。
发明内容
为解决上述问题，本申请实施例提供了一种产品推荐方法，所述方法包括：
根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱；
将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网；
基于所述图谱网获得交叉特征；
根据所述图谱网，分别提取与所述用户存在一级关联关系、二级关联关系和三级关联关系的关联特征；
根据所述图谱网中各关联特征与所述用户之间的所有边的权重之和*各关联特征与所述用户存在i级关联关系的权重的值确定关联用户；
根据所述交叉特征和所述关联用户，采用回归树非线性模型预测所述用户对推荐产品的意向度；
根据各推荐产品的意向度进行产品推荐；
其中，一级关联关系为与所述用户直接关联的特征；
二级关联关系为与所述用户间隔一个特征进行关联的特征；
二级关联关系为与所述用户间隔两个特征进行关联的特征；
i为1或，2，或3，i为1时关联特征与所述用户存在一级关联关系，i为2时关联特征与所述用户存在二级关联关系，i为3时关联特征与所述用户存在三级关联关系；
若所述图谱网中任一关联特征与所述用户之间的边是基于联系人网络图谱得到的，则其权重为1；
若所述图谱网中任一关联特征与所述用户之间的边是基于通信网络图谱得到的，则其权重为任一关联特征对应的其他用户与所述用户之间的通话次数/任一关联特征对应的其他用户的通话次数与所述用户的通话次数之和；
若所述图谱网中任一关联特征与所述用户之间的边是基于兴趣网络图谱得到的，则其权重为预先训练的兴趣模型输出的分数；
若所述图谱网中任一关联特征与所述用户之间的边是基于轨迹网络图得到的，则其权重为1。
可选地，所述根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱，包括：
根据用户的联系人信息，构建联系人网络图谱；
根据用户的手机号码与手机设备对应通话记录之间关联关系，构建通信网络图谱；
根据用户的兴趣爱好标签信息，构建兴趣网络图谱；
根据用户的运动轨迹标签信息，构建轨迹网络图谱。
可选地，所述将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网，包括：
选择任一个知识图谱中的任一点作为起始点；
将所述起始点的所有邻接点均作为处理点；
遍历所有处理点，确定其他知识图谱中是否存在与遍历的处理点相同的点；若其他知识图谱中存在与遍历的处理点相同的点，则建立遍历的处理点与其他知识图谱中相同的点之间的连接关系；
重复执行将所有处理点的所有邻接点均作为新的处理点，遍历所有新的处理点，确定其他知识图谱中是否存在与遍历的新的处理点相同的点；若其他知识图谱中存在与遍历的新的处理点相同的点，则建立遍历的新的处理点与其他知识图谱中相同的点之间的连接关系的步骤，直至所述任一个知识图谱中的所有点均被遍历。
可选地，所述基于所述图谱网获得交叉特征，包括：
确定所述图谱网中各点的特征以及各点对应的知识图谱标识；
将各点的特征及对应的知识图谱标识形成一个属性向量；
将每个点作为一个数据点，将各点的属性向量作为对应数据点的属性；
将所有数据点进行k-means聚类，得到与该用户属于同类的数据点；
将属于同类的数据点的属性中的特征确定为交叉特征。
可选地，所述根据所述交叉特征和所述关联用户，采用回归树非线性模型预测所述用户对推荐产品的意向度，包括：
确定推荐产品对应的特征属性；
确定所述关联用户与推荐产品对应的特征属性之间的匹配标签信息；
计算各级关联关系的关联用户占比Ratioi＝object_numi/total_numi；
根据所述交叉特征、所述关联用户的匹配标签信息、Ratioi，采用回归树非线性模型预测所述用户对推荐产品的意向度；
所述Ratioi为i级关联关系的关联用户占比，object_numi为i级关联关系的关联用户数量，total_numi为所述图谱网中与所述用户存在i级关联关系的特征对应的所有用户总数量。
可选地，兴趣模型是通过文本样本数据，通过回归树非线性模型训练的金融兴趣分类模型。
可选地，所述推荐产品为金融产品。
本申请实施例还提供了一种产品推荐装置，所述装置包括：
构建模块，用于根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱；
形成模块，用于将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网；
获取模块，用于基于所述图谱网获得交叉特征；
提取模块，用于根据所述图谱网，分别提取与所述用户存在一级关联关系、二级关联关系和三级关联关系的关联特征；
确定模块，用于根据所述图谱网中各关联特征与所述用户之间的所有边的权重之和*各关联特征与所述用户存在i级关联关系的权重的值确定关联用户；
预测模块，用于根据所述交叉特征和所述关联用户，采用回归树非线性模型预测所述用户对推荐产品的意向度；
推荐模块，用于根据各推荐产品的意向度进行产品推荐；
其中，一级关联关系为与所述用户直接关联的特征；
二级关联关系为与所述用户间隔一个特征进行关联的特征；
二级关联关系为与所述用户间隔两个特征进行关联的特征；
i为1或，2，或3，i为1时关联特征与所述用户存在一级关联关系，i为2时关联特征与所述用户存在二级关联关系，i为3时关联特征与所述用户存在三级关联关系；
若所述图谱网中任一关联特征与所述用户之间的边是基于联系人网络图谱得到的，则其权重为1；
若所述图谱网中任一关联特征与所述用户之间的边是基于通信网络图谱得到的，则其权重为任一关联特征对应的其他用户与所述用户之间的通话次数/任一关联特征对应的其他用户的通话次数与所述用户的通话次数之和；
若所述图谱网中任一关联特征与所述用户之间的边是基于兴趣网络图谱得到的，则其权重为预先训练的兴趣模型输出的分数；
若所述图谱网中任一关联特征与所述用户之间的边是基于轨迹网络图得到的，则其权重为1。
本申请实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储有计算机指令，所述计算机指令使所述计算机执行本申请上述产品推荐方法。
本申请实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行本申请上述产品推荐方法。
有益效果如下：
根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱；将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网；基于图谱网获得交叉特征；根据图谱网，分别提取与用户存在一级关联关系、二级关联关系和三级关联关系的关联特征；根据图谱网中各关联特征与用户之间的所有边的权重之和*各关联特征与用户存在i级关联关系的权重的值确定关联用户；根据交叉特征和关联用户，采用回归树非线性模型预测用户对推荐产品的意向度，根据各推荐产品的意向度进行产品推荐，提升了推荐产品与用户的匹配度，提高推荐产品转化率。
附图说明
下面将参照附图描述本申请的具体实施例，其中：
图1示出了本申请一实施例提供的一种产品推荐方法的流程示意图；
图2示出了本申请一实施例提供的一种部分图谱网示意图；
图3示出了本申请一实施例提供的另一种部分图谱网示意图；
图4示出了本申请一实施例提供的一种产品推荐的结构示意图；
图5示出了本申请一实施例提供的一种计算机设备的示意图。
具体实施方式
由于金融产品多样性和丰富性，而用户需要的特定的金融产品，产品与用户之间的匹配度目前很难衡量，进而造成新发布的金融产品很难给到用户，产品转化率较低。
基于此，本申请提供一种产品推荐方法，根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱；将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网；基于图谱网获得交叉特征；根据图谱网，分别提取与用户存在一级关联关系、二级关联关系和三级关联关系的关联特征；根据图谱网中各关联特征与用户之间的所有边的权重之和*各关联特征与用户存在i级关联关系的权重的值确定关联用户；根据交叉特征和关联用户，采用回归树非线性模型预测用户对推荐产品的意向度，提升了推荐产品与用户的匹配度，提高推荐产品转化率。
如图1所示，本实施例提供的产品推荐方法的实现流程如下：
101，根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱。
其中用户的各维度数据包括但不限于：用户的联系人信息、用户的手机号码、手机设备对应通话记录、用户的兴趣爱好标签信息、用户的运动轨迹标签信息。
1、构建联系人网络图谱的过程为：根据用户的联系人信息，构建联系人网络图谱。
2、构建通信网络图谱的过程为：1)根据用户的手机号码、手机设备对应通话记录确定用户的手机号码与手机设备对应通话记录之间关联关系；2)根据用户的手机号码与手机设备对应通话记录之间关联关系，构建通信网络图谱。
3、构建兴趣网络图谱的过程为：根据用户的兴趣爱好标签信息，构建兴趣网络图谱。
4、构建轨迹网络图谱的过程为：根据用户的运动轨迹标签信息，构建轨迹网络图谱。
通过构建知识图谱(建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱)将用户数据通过多个知识图谱组合的形式识别用户对推荐产品的意向度，更加有效的提升产品转化率。
102，将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网。
本步骤的实现过程为：
2.1选择任一个知识图谱中的任一点作为起始点。
2.2将起始点的所有邻接点均作为处理点。
2.3遍历所有处理点，确定其他知识图谱中是否存在与遍历的处理点相同的点。若其他知识图谱中存在与遍历的处理点相同的点，则建立遍历的处理点与其他知识图谱中相同的点之间的连接关系。
2.4重复执行将所有处理点的所有邻接点均作为新的处理点，遍历所有新的处理点，确定其他知识图谱中是否存在与遍历的新的处理点相同的点。若其他知识图谱中存在与遍历的新的处理点相同的点，则建立遍历的新的处理点与其他知识图谱中相同的点之间的连接关系的步骤，直至任一个知识图谱中的所有点均被遍历。
均被遍历后得到一个网，该网即为图谱网。
一张知识图谱仅能从一个方面反映该方面用户之间的关系，例如，联系人网络图谱仅能反映与用户存在联系关系的同学、老师、朋友、同事等之间的关联关系，但不能反映于其有相同兴趣爱好(如均喜欢喝星巴克咖啡，均喜欢游泳等)的陌生人之间的兴趣关系。但该兴趣关系会在用户兴趣网络图谱中反映。因此，先将构建的多个知识图谱进行交叉组合，即可将从单一方面反映用户关系的多个独立的图组合成可以从多个角度同时反映用户之间关系的网，通过该网所反映的用户特征更加全面，更加立体，更加能够准确的反应用户的特征，进而保证了后续意向度的预测准确度。
103，基于图谱网获得交叉特征。
本步骤的具体实现方式为：
3.1确定图谱网中各点的特征以及各点对应的知识图谱标识。
3.2将各点的特征及对应的知识图谱标识形成一个属性向量。
3.3将每个点作为一个数据点，将各点的属性向量作为对应数据点的属性。
3.4将所有数据点进行k-means聚类，得到与该用户属于同类的数据点。
3.5将属于同类的数据点的属性中的特征确定为交叉特征。
交叉特征描述了特征之间的关系，通过交叉特征能够发现位于不同知识图谱中的离散特征之间的内在关系。
104，根据图谱网，分别提取与用户存在一级关联关系、二级关联关系和三级关联关系的关联特征。
其中，一级关联关系为与用户直接关联的特征。
二级关联关系为与用户间隔一个特征进行关联的特征。
三级关联关系为与用户间隔两个特征进行关联的特征。
105，根据图谱网中各关联特征与用户之间的所有边的权重之和*各关联特征与用户存在i级关联关系的权重的值确定关联用户。
其中，i为1或，2，或3，i为1时关联特征与用户存在一级关联关系，i为2时关联特征与用户存在二级关联关系，i为3时关联特征与用户存在三级关联关系。
如图2所示的部分图谱网，此部分图谱网是基于兴趣网络图谱和轨迹网络图谱得到的。其中，user表示用户，P1，P2，P3，P4表示与用户之间存在一级关联关系的关联特征，user1，user2，user3表示用户通过属性P4(标签是NBA)关联到关联特征对应的关联用户。以此类推也可以得到通过二级关联关系的关联特征对应的关联用户和通过三级关联关系的关联特征对应的关联用户。W1表示user与属性P1之间的权重，W2表示user与属性P2之间的权重，W3表示user与属性P3之间的权重，W4表示user与属性P4之间的权重，W5表示user2与属性P4之间的权重，W6表示user3与属性P4之间的权重，W7表示user1与属性P4之间的权重。
如图3所示的部分图谱网，此部分图谱网是基于联系人网络图谱和通信网络图谱得到的。User4，user5，user6，User7，user8，user9，user10表示用户关联到的关联用户。W8表示user4与user8之间的权重，W9表示user4与user7之间的权重，W10表示user与user4之间的权重，W11表示user4与user5之间的权重，W12表示user与user8之间的权重，W13表示user与user9之间的权重，W14表示user与user10之间的权重。
边的权重确定方案如下：
若图谱网中任一关联特征与用户之间的边是基于联系人网络图谱得到的，则其权重为1。
若图谱网中任一关联特征与用户之间的边是基于通信网络图谱得到的，则其权重为任一关联特征对应的其他用户与用户之间的通话次数/任一关联特征对应的其他用户的通话次数与用户的通话次数之和。
若图谱网中任一关联特征与用户之间的边是基于兴趣网络图谱得到的，则其权重为预先训练的兴趣模型输出的分数。
兴趣模型是通过文本样本数据，通过回归树非线性模型训练的金融兴趣分类模型。
若图谱网中任一关联特征与用户之间的边是基于轨迹网络图得到的，则其权重为1。
步骤105的具体实现方式为：
5.1针对各关联特征，计算该关联特征与用户之间的所有边的权重之和*该关联特征与用户存在i级关联关系的权重的值。
该关联特征与用户存在i级关联关系的权重的值的确定方式可以为用户定义，也可以为1/i，还可以为其他方式，本实施例不低该关联特征与用户存在i级关联关系的权重的值的具体确定方式进行限定。
例如，对于与用户之间存在一级关联关系的关联特征A，由于关联特征A与用户之间是一级关联关系，则关联特征A与用户之间只有一条边。若一级关联关系的权重的值为1，则得到该边的权重*1。
对于与用户之间存在二级关联关系的关联特征B，由于关联特征B与用户之间是二级关联关系，则关联特征B与用户之间有两条边，如边1和边2。若二级关联关系的权重的值为1/2，则得到(边1的权重+边2的权重)*1/2。
对于与用户之间存在三级关联关系的关联特征C，由于关联特征C与用户之间是三级关联关系，则关联特征C与用户之间有两条边，如边3、边4和边5。若三级关联关系的权重的值为1/3，则得到(边3的权重+边4的权重+边5的权重)*1/3。
5.2选择该值较大的预设数量个关联特征。
5.3将选择的关联特征对应的用户确定为关联用户。
关联用户为与待推荐用户较为相似(如具有相同兴趣)的用户，通过关联用户所对应的一群特定的人群在什么时候对什么推荐产品的需求度，可以准确的反应待推荐用户对推荐产品的意向度，保证能精准识别待推荐用户对各推荐产品的意向度。
106，根据交叉特征和关联用户，采用回归树非线性模型预测用户对推荐产品的意向度。
其中，推荐产品包括但不限于金融产品。
步骤106的具体实现方式为：
6.1确定推荐产品对应的特征属性。
6.2确定关联用户与推荐产品对应的特征属性之间的匹配标签信息。
此处的匹配标签信息包括但不限于对推荐产品对应的特征属性感兴趣，或者，对推荐产品对应的特征属性不感兴趣。
通过匹配标签信息可以反映关联用户与推荐产品是否相关，是否为推荐产品的目标用户。
虽然关联用户是与用户极为相似的，但是用户喜好还是有偏爱的。通过匹配标签信息对关联用户再次细分，可以更加细致的对用户意向度进行预测，提升预测的准确性。
6.3计算各级关联关系的关联用户占比Ratioi＝object_numi/total_numi。
Ratioi为i级关联关系的关联用户占比，object_numi为i级关联关系的关联用户数量，total_numi为图谱网中与用户存在i级关联关系的特征对应的所有用户总数量。
Ratioi描述了用户的习惯与大众的平均习惯的贴合度，Ratioi越大表示与用户直接相关的所有用户中关联用户较多，说明在于用户相关的所有用户中，大多数均与该用户相似，该用户较为大众化，该用户的习惯与大众的平均习惯较为贴合。Ratioi越小表示与用户直接相关的所有用户中关联用户较少，说明在于用户相关的所有用户中，较少的人均与该用户相似，该用户较为特别，该用户的习惯与大众的平均习惯不贴合，个性化较强。
6.4根据交叉特征、关联用户的匹配标签信息、Ratioi，采用回归树非线性模型预测用户对推荐产品的意向度。
交叉特征描述了特征之间的关系，关联用户的匹配标签信息描述了与用户类似的其他用户与该推荐产品之间的匹配程度，Ratioi描述了用户的习惯与大众的平均习惯的贴合度，因此基于交叉特征、关联用户的匹配标签信息、Ratioi，采用回归树非线性模型预测用户对推荐产品的意向度会更准确的对用户和推荐产品之间的契合度进行衡量，使得基于此得到的意向度更加贴合产品，预测的意向度更加准确，可以有效的提升产品转化率。
107，根据各推荐产品的意向度进行产品推荐。
本步骤的实现方式包括但不限于：推荐意向度最大的推荐产品，或者，推荐意向度排名靠前的预设数量个推荐产品(如推荐意向度排名靠前的5个推荐产品)。
由于推荐产品的意向度准确的反应了用户和推荐产品之间的契合度，使得基于此得到的意向度更加贴合产品，预测的意向度更加准确，可以有效的提升产品转化率。
有益效果：
根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱；将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网；基于图谱网获得交叉特征；根据图谱网，分别提取与用户存在一级关联关系、二级关联关系和三级关联关系的关联特征；根据图谱网中各关联特征与用户之间的所有边的权重之和*各关联特征与用户存在i级关联关系的权重的值确定关联用户；根据交叉特征和关联用户，采用回归树非线性模型预测用户对推荐产品的意向度，根据各推荐产品的意向度进行产品推荐，提升了推荐产品与用户的匹配度，提高推荐产品转化率。
基于与图1所示的产品推荐方法同一发明构思，本实施例还提供一种产品推荐装置，参见图4，该装置包括：
构建模块401，用于根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱；
形成模块402，用于将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网；
获取模块403，用于基于所述图谱网获得交叉特征；
提取模块404，用于根据所述图谱网，分别提取与所述用户存在一级关联关系、二级关联关系和三级关联关系的关联特征；
确定模块405，用于根据所述图谱网中各关联特征与所述用户之间的所有边的权重之和*各关联特征与所述用户存在i级关联关系的权重的值确定关联用户；
预测模块406，用于根据所述交叉特征和所述关联用户，采用回归树非线性模型预测所述用户对推荐产品的意向度；
推荐模块407，用于根据各推荐产品的意向度进行产品推荐；
其中，一级关联关系为与所述用户直接关联的特征；
二级关联关系为与所述用户间隔一个特征进行关联的特征；
二级关联关系为与所述用户间隔两个特征进行关联的特征；
i为1或，2，或3，i为1时关联特征与所述用户存在一级关联关系，i为2时关联特征与所述用户存在二级关联关系，i为3时关联特征与所述用户存在三级关联关系；
若所述图谱网中任一关联特征与所述用户之间的边是基于联系人网络图谱得到的，则其权重为1；
若所述图谱网中任一关联特征与所述用户之间的边是基于通信网络图谱得到的，则其权重为任一关联特征对应的其他用户与所述用户之间的通话次数/任一关联特征对应的其他用户的通话次数与所述用户的通话次数之和；
若所述图谱网中任一关联特征与所述用户之间的边是基于兴趣网络图谱得到的，则其权重为预先训练的兴趣模型输出的分数；
若所述图谱网中任一关联特征与所述用户之间的边是基于轨迹网络图得到的，则其权重为1。
可选地，构建模块401，用于根据用户的联系人信息，构建联系人网络图谱；根据用户的手机号码与手机设备对应通话记录之间关联关系，构建通信网络图谱；根据用户的兴趣爱好标签信息，构建兴趣网络图谱；根据用户的运动轨迹标签信息，构建轨迹网络图谱。
可选地，形成模块402，用于选择任一个知识图谱中的任一点作为起始点；将所述起始点的所有邻接点均作为处理点；遍历所有处理点，确定其他知识图谱中是否存在与遍历的处理点相同的点；若其他知识图谱中存在与遍历的处理点相同的点，则建立遍历的处理点与其他知识图谱中相同的点之间的连接关系；重复执行将所有处理点的所有邻接点均作为新的处理点，遍历所有新的处理点，确定其他知识图谱中是否存在与遍历的新的处理点相同的点；若其他知识图谱中存在与遍历的新的处理点相同的点，则建立遍历的新的处理点与其他知识图谱中相同的点之间的连接关系的步骤，直至所述任一个知识图谱中的所有点均被遍历。
可选地，获取模块403，用于确定所述图谱网中各点的特征以及各点对应的知识图谱标识；将各点的特征及对应的知识图谱标识形成一个属性向量；将每个点作为一个数据点，将各点的属性向量作为对应数据点的属性；将所有数据点进行k-means聚类，得到与该用户属于同类的数据点；将属于同类的数据点的属性中的特征确定为交叉特征。
可选地，预测模块406，用于确定推荐产品对应的特征属性；确定所述关联用户与推荐产品对应的特征属性之间的匹配标签信息；计算各级关联关系的关联用户占比Ratioi＝object_numi/total_numi；根据所述交叉特征、所述关联用户的匹配标签信息、Ratioi，采用回归树非线性模型预测所述用户对推荐产品的意向度；所述Ratioi为i级关联关系的关联用户占比，object_numi为i级关联关系的关联用户数量，total_numi为所述图谱网中与所述用户存在i级关联关系的特征对应的所有用户总数量。
可选地，兴趣模型是通过文本样本数据，通过回归树非线性模型训练的金融兴趣分类模型。
可选地，所述推荐产品为金融产品。
有益效果：
根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱；将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网；基于图谱网获得交叉特征；根据图谱网，分别提取与用户存在一级关联关系、二级关联关系和三级关联关系的关联特征；根据图谱网中各关联特征与用户之间的所有边的权重之和*各关联特征与用户存在i级关联关系的权重的值确定关联用户；根据交叉特征和关联用户，采用回归树非线性模型预测用户对推荐产品的意向度，根据各推荐产品的意向度进行产品推荐，提升了推荐产品与用户的匹配度，提高推荐产品转化率。
本实施例还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储有计算机指令，所述计算机指令使所述计算机执行上述图1所示的方法实施例所提供的方法。
如：
根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱；
将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网；
基于图谱网获得交叉特征；
根据图谱网，分别提取与用户存在一级关联关系、二级关联关系和三级关联关系的关联特征；
根据图谱网中各关联特征与用户之间的所有边的权重之和*各关联特征与用户存在i级关联关系的权重的值确定关联用户；
根据交叉特征和关联用户，采用回归树非线性模型预测用户对推荐产品的意向度；
根据各推荐产品的意向度进行产品推荐；
其中，一级关联关系为与用户直接关联的特征；
二级关联关系为与用户间隔一个特征进行关联的特征；
二级关联关系为与用户间隔两个特征进行关联的特征；
i为1或，2，或3，i为1时关联特征与用户存在一级关联关系，i为2时关联特征与用户存在二级关联关系，i为3时关联特征与用户存在三级关联关系；
若图谱网中任一关联特征与用户之间的边是基于联系人网络图谱得到的，则其权重为1；
若图谱网中任一关联特征与用户之间的边是基于通信网络图谱得到的，则其权重为任一关联特征对应的其他用户与用户之间的通话次数/任一关联特征对应的其他用户的通话次数与用户的通话次数之和；
若图谱网中任一关联特征与用户之间的边是基于兴趣网络图谱得到的，则其权重为预先训练的兴趣模型输出的分数；
若图谱网中任一关联特征与用户之间的边是基于轨迹网络图得到的，则其权重为1。
可选地，根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱，包括：
根据用户的联系人信息，构建联系人网络图谱；
根据用户的手机号码与手机设备对应通话记录之间关联关系，构建通信网络图谱；
根据用户的兴趣爱好标签信息，构建兴趣网络图谱；
根据用户的运动轨迹标签信息，构建轨迹网络图谱。
可选地，将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网，包括：
选择任一个知识图谱中的任一点作为起始点；
将起始点的所有邻接点均作为处理点；
遍历所有处理点，确定其他知识图谱中是否存在与遍历的处理点相同的点；若其他知识图谱中存在与遍历的处理点相同的点，则建立遍历的处理点与其他知识图谱中相同的点之间的连接关系；
重复执行将所有处理点的所有邻接点均作为新的处理点，遍历所有新的处理点，确定其他知识图谱中是否存在与遍历的新的处理点相同的点；若其他知识图谱中存在与遍历的新的处理点相同的点，则建立遍历的新的处理点与其他知识图谱中相同的点之间的连接关系的步骤，直至任一个知识图谱中的所有点均被遍历。
可选地，基于图谱网获得交叉特征，包括：
确定图谱网中各点的特征以及各点对应的知识图谱标识；
将各点的特征及对应的知识图谱标识形成一个属性向量；
将每个点作为一个数据点，将各点的属性向量作为对应数据点的属性；
将所有数据点进行k-means聚类，得到与该用户属于同类的数据点；
将属于同类的数据点的属性中的特征确定为交叉特征。
可选地，根据交叉特征和关联用户，采用回归树非线性模型预测用户对推荐产品的意向度，包括：
确定推荐产品对应的特征属性；
确定关联用户与推荐产品对应的特征属性之间的匹配标签信息；
计算各级关联关系的关联用户占比Ratioi＝object_numi/total_numi；
根据交叉特征、关联用户的匹配标签信息、Ratioi，采用回归树非线性模型预测用户对推荐产品的意向度；
Ratioi为i级关联关系的关联用户占比，object_numi为i级关联关系的关联用户数量，total_numi为图谱网中与用户存在i级关联关系的特征对应的所有用户总数量。
可选地，兴趣模型是通过文本样本数据，通过回归树非线性模型训练的金融兴趣分类模型。
可选地，推荐产品为金融产品。
有益效果：
根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱；将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网；基于图谱网获得交叉特征；根据图谱网，分别提取与用户存在一级关联关系、二级关联关系和三级关联关系的关联特征；根据图谱网中各关联特征与用户之间的所有边的权重之和*各关联特征与用户存在i级关联关系的权重的值确定关联用户；根据交叉特征和关联用户，采用回归树非线性模型预测用户对推荐产品的意向度，根据各推荐产品的意向度进行产品推荐，提升了推荐产品与用户的匹配度，提高推荐产品转化率。
本实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述图1所示的方法实施例所提供的方法。
如：
根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱；
将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网；
基于图谱网获得交叉特征；
根据图谱网，分别提取与用户存在一级关联关系、二级关联关系和三级关联关系的关联特征；
根据图谱网中各关联特征与用户之间的所有边的权重之和*各关联特征与用户存在i级关联关系的权重的值确定关联用户；
根据交叉特征和关联用户，采用回归树非线性模型预测用户对推荐产品的意向度；
根据各推荐产品的意向度进行产品推荐；
其中，一级关联关系为与用户直接关联的特征；
二级关联关系为与用户间隔一个特征进行关联的特征；
二级关联关系为与用户间隔两个特征进行关联的特征；
i为1或，2，或3，i为1时关联特征与用户存在一级关联关系，i为2时关联特征与用户存在二级关联关系，i为3时关联特征与用户存在三级关联关系；
若图谱网中任一关联特征与用户之间的边是基于联系人网络图谱得到的，则其权重为1；
若图谱网中任一关联特征与用户之间的边是基于通信网络图谱得到的，则其权重为任一关联特征对应的其他用户与用户之间的通话次数/任一关联特征对应的其他用户的通话次数与用户的通话次数之和；
若图谱网中任一关联特征与用户之间的边是基于兴趣网络图谱得到的，则其权重为预先训练的兴趣模型输出的分数；
若图谱网中任一关联特征与用户之间的边是基于轨迹网络图得到的，则其权重为1。
可选地，根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱，包括：
根据用户的联系人信息，构建联系人网络图谱；
根据用户的手机号码与手机设备对应通话记录之间关联关系，构建通信网络图谱；
根据用户的兴趣爱好标签信息，构建兴趣网络图谱；
根据用户的运动轨迹标签信息，构建轨迹网络图谱。
可选地，将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网，包括：
选择任一个知识图谱中的任一点作为起始点；
将起始点的所有邻接点均作为处理点；
遍历所有处理点，确定其他知识图谱中是否存在与遍历的处理点相同的点；若其他知识图谱中存在与遍历的处理点相同的点，则建立遍历的处理点与其他知识图谱中相同的点之间的连接关系；
重复执行将所有处理点的所有邻接点均作为新的处理点，遍历所有新的处理点，确定其他知识图谱中是否存在与遍历的新的处理点相同的点；若其他知识图谱中存在与遍历的新的处理点相同的点，则建立遍历的新的处理点与其他知识图谱中相同的点之间的连接关系的步骤，直至任一个知识图谱中的所有点均被遍历。
可选地，基于图谱网获得交叉特征，包括：
确定图谱网中各点的特征以及各点对应的知识图谱标识；
将各点的特征及对应的知识图谱标识形成一个属性向量；
将每个点作为一个数据点，将各点的属性向量作为对应数据点的属性；
将所有数据点进行k-means聚类，得到与该用户属于同类的数据点；
将属于同类的数据点的属性中的特征确定为交叉特征。
可选地，根据交叉特征和关联用户，采用回归树非线性模型预测用户对推荐产品的意向度，包括：
确定推荐产品对应的特征属性；
确定关联用户与推荐产品对应的特征属性之间的匹配标签信息；
计算各级关联关系的关联用户占比Ratioi＝object_numi/total_numi；
根据交叉特征、关联用户的匹配标签信息、Ratioi，采用回归树非线性模型预测用户对推荐产品的意向度；
Ratioi为i级关联关系的关联用户占比，object_numi为i级关联关系的关联用户数量，total_numi为图谱网中与用户存在i级关联关系的特征对应的所有用户总数量。
可选地，兴趣模型是通过文本样本数据，通过回归树非线性模型训练的金融兴趣分类模型。
可选地，推荐产品为金融产品。
有益效果：
根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱；将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网；基于图谱网获得交叉特征；根据图谱网，分别提取与用户存在一级关联关系、二级关联关系和三级关联关系的关联特征；根据图谱网中各关联特征与用户之间的所有边的权重之和*各关联特征与用户存在i级关联关系的权重的值确定关联用户；根据交叉特征和关联用户，采用回归树非线性模型预测用户对推荐产品的意向度，根据各推荐产品的意向度进行产品推荐，提升了推荐产品与用户的匹配度，提高推荐产品转化率。
图5是本发明实施例提供的一种计算机设备的示意图。如图5所示，该实施例的计算机设备50包括：处理器51、存储器52以及存储在存储器52中并可在处理器51上运行的计算机程序53，该计算机程序53被处理器51执行时实现图1所示的实施例中的产品推荐方法，为避免重复，此处不一一赘述。或者，该计算机程序被处理器51执行时实现图4所示的实施例中产品推荐装置中各模型/单元的功能，为避免重复，此处不一一赘述。
计算机设备50可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括，但不仅限于，处理器51、存储器52。本领域技术人员可以理解，图5仅仅是计算机设备50的示例，并不构成对计算机设备50的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器51可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器52可以是计算机设备50的内部存储单元，例如计算机设备50的硬盘或内存。存储器52也可以是计算机设备50的外部存储设备，例如计算机设备50上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器52还可以既包括计算机设备50的内部存储单元也包括外部存储设备。存储器52用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器52还可以用于暂时地存储已经输出或者将要输出的数据。
有益效果：
根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱；将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网；基于图谱网获得交叉特征；根据图谱网，分别提取与用户存在一级关联关系、二级关联关系和三级关联关系的关联特征；根据图谱网中各关联特征与用户之间的所有边的权重之和*各关联特征与用户存在i级关联关系的权重的值确定关联用户；根据交叉特征和关联用户，采用回归树非线性模型预测用户对推荐产品的意向度，根据各推荐产品的意向度进行产品推荐，提升了推荐产品与用户的匹配度，提高推荐产品转化率。

Claims (5)

1.一种产品推荐方法，其特征在于，所述方法包括：
根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱；
将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网；
基于所述图谱网获得交叉特征；
根据所述图谱网，分别提取与所述用户存在一级关联关系、二级关联关系和三级关联关系的关联特征；
根据所述图谱网中各关联特征与所述用户之间的所有边的权重之和*各关联特征与所述用户存在i级关联关系的权重的值确定关联用户；
根据所述交叉特征和所述关联用户，采用回归树非线性模型预测所述用户对推荐产品的意向度；
根据各推荐产品的意向度进行产品推荐；
其中，一级关联关系为与所述用户直接关联的特征；
二级关联关系为与所述用户间隔一个特征进行关联的特征；
二级关联关系为与所述用户间隔两个特征进行关联的特征；
i为1或，2，或3，i为1时关联特征与所述用户存在一级关联关系，i为2时关联特征与所述用户存在二级关联关系，i为3时关联特征与所述用户存在三级关联关系；
若所述图谱网中任一关联特征与所述用户之间的边是基于联系人网络图谱得到的，则其权重为1；
若所述图谱网中任一关联特征与所述用户之间的边是基于通信网络图谱得到的，则其权重为任一关联特征对应的其他用户与所述用户之间的通话次数/任一关联特征对应的其他用户的通话次数与所述用户的通话次数之和；
若所述图谱网中任一关联特征与所述用户之间的边是基于兴趣网络图谱得到的，则其权重为预先训练的兴趣模型输出的分数；
若所述图谱网中任一关联特征与所述用户之间的边是基于轨迹网络图得到的，则其权重为1；
其中，所述根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱，包括：
根据用户的联系人信息，构建联系人网络图谱；
根据用户的手机号码与手机设备对应通话记录之间关联关系，构建通信网络图谱；
根据用户的兴趣爱好标签信息，构建兴趣网络图谱；以及
根据用户的运动轨迹标签信息，构建轨迹网络图谱；
所述将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网，包括：
选择任一个知识图谱中的任一点作为起始点；
将所述起始点的所有邻接点均作为处理点；
遍历所有处理点，确定其他知识图谱中是否存在与遍历的处理点相同的点；若其他知识图谱中存在与遍历的处理点相同的点，则建立遍历的处理点与其他知识图谱中相同的点之间的连接关系；以及
重复执行将所有处理点的所有邻接点均作为新的处理点，遍历所有新的处理点，确定其他知识图谱中是否存在与遍历的新的处理点相同的点；若其他知识图谱中存在与遍历的新的处理点相同的点，则建立遍历的新的处理点与其他知识图谱中相同的点之间的连接关系的步骤，直至所述任一个知识图谱中的所有点均被遍历；
所述基于所述图谱网获得交叉特征，包括：
确定所述图谱网中各点的特征以及各点对应的知识图谱标识；
将各点的特征及对应的知识图谱标识形成一个属性向量；
将每个点作为一个数据点，将各点的属性向量作为对应数据点的属性；
将所有数据点进行k-means聚类，得到与该用户属于同类的数据点；以及
将属于同类的数据点的属性中的特征确定为交叉特征；
所述根据所述交叉特征和所述关联用户，采用回归树非线性模型预测所述用户对推荐产品的意向度，包括：
确定推荐产品对应的特征属性；
确定所述关联用户与推荐产品对应的特征属性之间的匹配标签信息；
计算各级关联关系的关联用户占比Ratioi＝object_numi/total_numi；
根据所述交叉特征、所述关联用户的匹配标签信息、Ratioi，采用回归树非线性模型预测所述用户对推荐产品的意向度；以及
所述Ratioi为i级关联关系的关联用户占比，object_numi为i级关联关系的关联用户数量，total_numi为所述图谱网中与所述用户存在i级关联关系的特征对应的所有用户总数量。
2.根据权利要求1所述的方法，其特征在于，兴趣模型是通过文本样本数据，通过回归树非线性模型训练的金融兴趣分类模型。
3.根据权利要求1或2所述的方法，其特征在于，所述推荐产品为金融产品。
4.一种产品推荐装置，其特征在于，所述装置包括：
构建模块，用于根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱；
形成模块，用于将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网；
获取模块，用于基于所述图谱网获得交叉特征；
提取模块，用于根据所述图谱网，分别提取与所述用户存在一级关联关系、二级关联关系和三级关联关系的关联特征；
确定模块，用于根据所述图谱网中各关联特征与所述用户之间的所有边的权重之和*各关联特征与所述用户存在i级关联关系的权重的值确定关联用户；
预测模块，用于根据所述交叉特征和所述关联用户，采用回归树非线性模型预测所述用户对推荐产品的意向度；
推荐模块，用于根据各推荐产品的意向度进行产品推荐；
其中，一级关联关系为与所述用户直接关联的特征；
二级关联关系为与所述用户间隔一个特征进行关联的特征；
二级关联关系为与所述用户间隔两个特征进行关联的特征；
i为1或，2，或3，i为1时关联特征与所述用户存在一级关联关系，i为2时关联特征与所述用户存在二级关联关系，i为3时关联特征与所述用户存在三级关联关系；
若所述图谱网中任一关联特征与所述用户之间的边是基于联系人网络图谱得到的，则其权重为1；
若所述图谱网中任一关联特征与所述用户之间的边是基于通信网络图谱得到的，则其权重为任一关联特征对应的其他用户与所述用户之间的通话次数/任一关联特征对应的其他用户的通话次数与所述用户的通话次数之和；
若所述图谱网中任一关联特征与所述用户之间的边是基于兴趣网络图谱得到的，则其权重为预先训练的兴趣模型输出的分数；
若所述图谱网中任一关联特征与所述用户之间的边是基于轨迹网络图得到的，则其权重为1；
其中，所述根据用户的各维度数据，构建联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱，包括：
根据用户的联系人信息，构建联系人网络图谱；
根据用户的手机号码与手机设备对应通话记录之间关联关系，构建通信网络图谱；
根据用户的兴趣爱好标签信息，构建兴趣网络图谱；以及
根据用户的运动轨迹标签信息，构建轨迹网络图谱；
所述将联系人网络图谱、通信网络图谱、兴趣网络图谱和轨迹网络图谱进行交叉组合，形成图谱网，包括：
选择任一个知识图谱中的任一点作为起始点；
将所述起始点的所有邻接点均作为处理点；
遍历所有处理点，确定其他知识图谱中是否存在与遍历的处理点相同的点；若其他知识图谱中存在与遍历的处理点相同的点，则建立遍历的处理点与其他知识图谱中相同的点之间的连接关系；以及
重复执行将所有处理点的所有邻接点均作为新的处理点，遍历所有新的处理点，确定其他知识图谱中是否存在与遍历的新的处理点相同的点；若其他知识图谱中存在与遍历的新的处理点相同的点，则建立遍历的新的处理点与其他知识图谱中相同的点之间的连接关系的步骤，直至所述任一个知识图谱中的所有点均被遍历；
所述基于所述图谱网获得交叉特征，包括：
确定所述图谱网中各点的特征以及各点对应的知识图谱标识；
将各点的特征及对应的知识图谱标识形成一个属性向量；
将每个点作为一个数据点，将各点的属性向量作为对应数据点的属性；
将所有数据点进行k-means聚类，得到与该用户属于同类的数据点；以及
将属于同类的数据点的属性中的特征确定为交叉特征；
所述根据所述交叉特征和所述关联用户，采用回归树非线性模型预测所述用户对推荐产品的意向度，包括：
确定推荐产品对应的特征属性；
确定所述关联用户与推荐产品对应的特征属性之间的匹配标签信息；
计算各级关联关系的关联用户占比Ratioi＝object_numi/total_numi；
根据所述交叉特征、所述关联用户的匹配标签信息、Ratioi，采用回归树非线性模型预测所述用户对推荐产品的意向度；以及
所述Ratioi为i级关联关系的关联用户占比，object_numi为i级关联关系的关联用户数量，total_numi为所述图谱网中与所述用户存在i级关联关系的特征对应的所有用户总数量。
5.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1至3任一项所述的方法。
CN201910366799.9A 2019-05-05 2019-05-05 产品推荐方法、装置和可读存储介质 Active CN110210892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910366799.9A CN110210892B (zh) 2019-05-05 2019-05-05 产品推荐方法、装置和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910366799.9A CN110210892B (zh) 2019-05-05 2019-05-05 产品推荐方法、装置和可读存储介质

Publications (2)

Publication Number Publication Date
CN110210892A CN110210892A (zh) 2019-09-06
CN110210892B true CN110210892B (zh) 2023-05-30

Family

ID=67786834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910366799.9A Active CN110210892B (zh) 2019-05-05 2019-05-05 产品推荐方法、装置和可读存储介质

Country Status (1)

Country Link
CN (1) CN110210892B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111625722B (zh) * 2020-05-27 2022-03-29 海南大学 一种基于深度学习的人才推荐方法、系统及存储介质
CN111966912B (zh) * 2020-09-02 2023-03-10 深圳壹账通智能科技有限公司 基于知识图谱的推荐方法、装置、计算机设备及存储介质
CN115062227B (zh) * 2022-07-06 2023-01-10 广推科技(北京)有限公司 采用人工智能分析的用户行为活动分析方法及大数据系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593792A (zh) * 2013-11-13 2014-02-19 复旦大学 一种基于中文知识图谱的个性化推荐方法与系统
CN107729444A (zh) * 2017-09-30 2018-02-23 桂林电子科技大学 一种基于知识图谱的个性化旅游景点推荐方法
CN109033101A (zh) * 2017-06-08 2018-12-18 华为软件技术有限公司 标签推荐方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593792A (zh) * 2013-11-13 2014-02-19 复旦大学 一种基于中文知识图谱的个性化推荐方法与系统
CN109033101A (zh) * 2017-06-08 2018-12-18 华为软件技术有限公司 标签推荐方法及装置
CN107729444A (zh) * 2017-09-30 2018-02-23 桂林电子科技大学 一种基于知识图谱的个性化旅游景点推荐方法

Also Published As

Publication number Publication date
CN110210892A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
US20210329094A1 (en) Discovering signature of electronic social networks
Nettleton Data mining of social networks represented as graphs
Li et al. Multiple location profiling for users and relationships from social network and content
US9330174B1 (en) Determining topics of interest
CN110210892B (zh) 产品推荐方法、装置和可读存储介质
US8880600B2 (en) Creating groups of users in a social networking system
CN111190939A (zh) 一种用户画像构建方法及装置
US9208444B1 (en) Determining happiness indices
US11449766B2 (en) Invitation behavior prediction method and apparatus, and storage medium
US9710470B2 (en) Social recommendation across heterogeneous networks
Beyers et al. Inter-regional networks in Brussels: Analyzing the information exchanges among regional offices
CN104541273A (zh) 推断关于兴趣点的信息的社交相关性
Srba et al. Utilizing non-qa data to improve questions routing for users with low qa activity in cqa
CN112214677B (zh) 一种兴趣点推荐方法、装置、电子设备及存储介质
Ju et al. Relationship strength estimation based on Wechat Friends Circle
US11470032B2 (en) Method for recommending groups and related electronic device
Ectors et al. Developing an optimised activity type annotation method based on classification accuracy and entropy indices
Wilken Communication infrastructures and the contest over location positioning
Bowerman et al. Boaters’ perceptions of a mobile app for a marine conservation social marketing campaign
KR20210065773A (ko) 빅데이터 기반의 감성정보 분석평가 시스템 및 그 구동방법
Liu et al. A novel trajectory similarity–based approach for location prediction
CN110209704B (zh) 用户匹配方法及设备
Assam et al. Context-based location clustering and prediction using conditional random fields
JPWO2019187107A1 (ja) 情報処理装置、制御方法、及びプログラム
KR20150087891A (ko) 소셜 네트워크 분석과 온톨로지를 이용한 전문가 매칭 시스템 및 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant