CN110297953A - 产品信息推荐方法、装置、计算机设备以及存储介质 - Google Patents
产品信息推荐方法、装置、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN110297953A CN110297953A CN201910428431.0A CN201910428431A CN110297953A CN 110297953 A CN110297953 A CN 110297953A CN 201910428431 A CN201910428431 A CN 201910428431A CN 110297953 A CN110297953 A CN 110297953A
- Authority
- CN
- China
- Prior art keywords
- user
- user behavior
- label
- behavior label
- product information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000000284 extract Substances 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 210
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 13
- 230000003542 behavioural effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/903—Querying
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种产品信息推荐方法、装置、计算机设备以及存储介质，所述方法包括：采集每个用户的用户行为数据，从用户行为数据中提取出用户行为标签；通过多标签分类模型对所述用户行为标签进行分类，将所述用户与所述已分类用户行为标签的对应关系存储于用户标签库中；获取待推送产品信息的信息标签，并计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，根据所计算的相似度从用户标签库中查找出最大相似度数值对应的用户行为标签；向已查找出的用户行为标签对应的用户发送所述产品信息。本发明提供一种产品信息推荐方法，针对性地推荐信用卡，提高客户转化率，降低推广成本。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种产品信息推荐方法、装置、计算机设备以及存储介质。
背景技术
目前，信用卡推荐技术在各类银行软件(Application，APP)中得到广泛的应用，信用卡推荐技术可以根据用户的行为特征、产品本身的属性等，向用户推荐更合适的信用卡，实现对用户的引导作用，增强用户选卡的准确性。但是，如今的很多银行软件的用户数量、产品数量均已达到上亿数量级，用户的行为特征以及对信用卡的偏好也具有丰富性与多样性。因此，要从海量的用户行为特征中选取出与用户的消费力最合适的信用卡，并且还需要降低推广成本，对当前的信用卡推荐技术来说是一个极具挑战的技术问题。
发明内容
有鉴于此，本发明实施例提供一种产品信息推荐方法、装置、计算机设备以及存储介质，能够具有针对性地推荐信用卡产品，提高客户转化率，降低推广成本。
一方面，本发明实施例提供了一种产品信息推荐方法，该方法包括：
采集每个用户的用户行为数据，从所述用户行为数据中提取出用户行为标签；
通过多标签分类模型对所述用户行为标签进行分类，将所述用户与所述已分类用户行为标签的对应关系存储于用户标签库中；
获取待推送产品信息的信息标签，并计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，根据所计算的相似度从用户标签库中查找出最大相似度数值对应的用户行为标签；
向已查找出的用户行为标签对应的用户发送所述产品信息。
另一方面，本发明实施例提供了一种产品信息推荐装置，所述装置包括：
采集提取单元，用于采集每个用户的用户行为数据，从所述用户行为数据中提取出用户行为标签；
分类存储单元，用于通过多标签分类模型对所述用户行为标签进行分类，将所述用户与所述已分类用户行为标签的对应关系存储于用户标签库中；
获取单元，用于获取待推荐产品信息的信息标签，并计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，根据所计算的相似度从用户标签库中查找出最大相似度数值对应的用户行为标签；
发送单元，用于向已查找出的用户行为标签对应的用户发送所述产品信息。
又一方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的产品信息推荐方法。
再一方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者一个以上计算机程序，所述一个或者一个以上计算机程序可被一个或者一个以上的处理器执行，以实现如上所述的产品信息推荐方法。
本发明实施例提供一种产品信息推荐方法、装置、计算机设备以及存储介质，其中方法包括：采集每个用户的用户行为数据，从用户行为数据中提取出用户行为标签；通过多标签分类模型对所述用户行为标签进行分类，将所述用户与所述已分类用户行为标签的对应关系存储于用户标签库中；获取待推送产品信息的信息标签，并计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，根据所计算的相似度从用户标签库中查找出最大相似度数值对应的用户行为标签；向已查找出的用户行为标签对应的用户发送所述产品信息。本发明提供一种产品信息推荐方法，针对性地推荐信用卡，提高客户转化率，降低推广成本。
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是本发明实施例提供的一种产品信息推荐方法的应用场景示意图；
图2是本发明实施例提供的一种产品信息推荐方法的示意流程图；
图3是本发明实施例提供的一种产品信息推荐方法的另一示意流程图；
图4是本发明实施例提供的一种产品信息推荐方法的另一示意流程图；
图5是本发明实施例提供的一种产品信息推荐装置的示意性框图；
图6是本发明实施例提供的一种产品信息推荐装置的另一示意性框图；
图7是本发明实施例提供的一种产品信息推荐装置的另一示意性框图；
图8是本发明实施例提供的一种产品信息推荐装置的另一示意性框图；
图9是本发明实施例提供的一种计算机设备的结构组成示意图。
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。
请参阅图1，图1为本发明实施例提供的一种产品信息推荐方法的应用场景示意图，所述应用场景包括：
(1)服务器，服务器用于提供数据传输的后端服务。服务器为一种计算机设备，可以为单台服务器或者服务器集群，也可以为云服务器，或者为专门的网页服务器，接收外部终端的访问，通过有线网络或者无线网络与终端连接。
(2)终端，图1所示终端包括终端1、终端2和终端3，所述终端通过访问服务器，从服务器上获取目标数据，在终端上将所获取的目标数据插入终端上的本地数据表中。所述终端可以为智能手机、智能手表、笔记本电脑、平板电脑或者台式电脑等电子设备，终端通过有线网络或者无线网络访问服务器。
请参阅图2，图2为本发明实施例提供的一种产品信息推荐方法的示意流程图。如图2所示，该方法包括以下步骤S101～S104。
S101，采集每个用户的用户行为数据，从所述用户行为数据中提取出用户行为标签。
在本发明实施例中，产品信息的推荐是基于用户行为标签为用户进行自动推荐的，用户行为标签可以从用户行为数据中获得，而用户行为数据可以从运营商流量运用分析平台中自动获得，在本实施例中，所述产品信息为信用卡信息。具体的，可以通过运营商流量运用分析平台提供的用户登录自助窗口自动采集每个用户的用户行为数据，例如，用户通过在运营商流量运用分析平台提供的用户登录自助窗口中录入用户姓名、手机号码以及身份证号码登录运营商流量运用分析平台，并从运营商流量运用分析平台中获得用户行为数据，由于用户的手机号码以及身份证号码是用户身份的唯一标识，因此，用户只需要使用“手机号码+身份证号码”的方式登录运营商流量运用分析平台就能够准确地获得目标用户的用户行为数据，对于存在多个用户的情况，可以分别多次使用用户姓名、手机号码以及身份证号码登录运营商流量运用分析平台，从而在运营商流量运用分析平台上获得不同用户的用户行为数据。
在实际应用中，由于用户在相关第三方应用中的行为能够反映出用户的喜好，所以本实施例的用户行为标签与用户在相关第三方应用中的行为有关，其中，采集每个用户的用户行为数据，可以通过连接运营商流量运用分析平台，收集用户在使用相关第三方应用过程中所产生的应用类型数据、应用登录数据，应用使用时长数据、浏览应用中的相关资讯数据等，以及其它浏览行为所产生的数据。从每个用户的用户行为数据中提取出用户行为标签，例如，用户使用的相关第三方应用为“旅游”类型的应用，用户在该应用中浏览的相关资讯数据包括有境外游、境内游等等，可以从中提取出用户的行为标签分别包括有“旅游”、“境外游”、“境内游”，另外用户使用的相关第三方应用还可以为“金融”类型的应用，用户在该应用中浏览的相关资讯数据包括有理财、保险等等，可以从中提取出用户的行为标签分别包括有“金融”、“理财”、“保险”，再者用户使用的相关第三方应用还可以为“汽车”类型的应用，用户在该应用中浏览的相关资讯数据包括有二手车、新车等等，可以从中提取出用户的行为标签分别包括有“汽车”、“二手车”、“新车”。
进一步地，如图3所示，所述从所述用户行为数据中用户行为标签，包括以下步骤S201～S202：
S201，解析所述用户行为数据，得到用于表征所述用户行为数据的词语；
在本发明实施例中，通过对所采集的用户行为数据进行分析，得到能够表征用户行为数据的词语，该词语可以通过对用户行为数据对应的内容进行拆分并筛选后得到，这些筛选后得到的词语即为从所述用户行为数据中提取出的标签关键词。例如，用户行为数据包括有境外游、境内游等等，可以从中提取出标签关键词分别包括有“旅游”、“境外游”、“境内游”。
S202，将所得到的用于表征所述用户行为数据的词语作为从所述用户行为数据中提取出的用户行为标签。
在本发明实施例中，将得到的用于表征所述用户行为数据的词语作为用户行为标签。
S102，通过多标签分类模型对所述用户行为标签进行分类，将所述用户与所述已分类用户行为标签的对应关系存储于用户标签库中。
在本发明实施例中，由于用户所使用的应用程序之间的类型可能是相同的，但是具体体现出来的用户行为标签却不同，因此对于同一类型的标签进行统一分类，这样便不需要每一个行为标签都设置一次跟用户之间的对应关系，从而提高匹配效率和推荐效率；具体的，通过多标签分类模型对所述用户行为标签进行分类，以每一种应用程序的类型作为分类基础对用户行为标签进行分类，例如，“金融”类型的应用程序，其对应的用户行为标签将分为“金融”类，在该类中用户行为标签分别包括有“金融”、“理财”、“保险”，其它以此类推，在此不再详述；需要说明的是，所述多标签分类模型为mobilenet_v2，利用该多标签分类模型进行分类输出的结果为n维向量，由于mobilenet_v2分类器是一个轻量化的分类模型，而且其分类结构呈网络结构，在本实施例中，将对mobilenet_v2分类器的输出进行一定的修改，即根据用户自行定义，将mobilenet_v2分类器的输出定位到m维向量，通过m维向量对每一维的取值来具体的对各用户行为标签进行判断，从而输出分类结果。在对用户行为标签进行分类后，将用户与已分类的用户行为标签的对应关系存储于用户标签库中，在本实施例中，一个用户可以包括多个用户行为标签，一个用户也可以包括多个类别的用户行为标签，例如，用户A可以分别包括有“旅游”类、“金融”类、“汽车”类的用户行为标签，用户A也可以分别包括“旅游”类、“金融”类或者“旅游”类、“汽车”类或者“金融”类、“汽车”类的用户行为标签，用户A还可以分别包括“旅游”类、“金融”类、“汽车”类其中一种类型的用户行为标签，其中，“旅游”类的用户行为标签包括“旅游”、“境外游”、“境内游”，“金融”类的用户行为标签包括“金融”、“理财”、“保险”，“汽车”类的用户行为标签包括“汽车”、“二手车”、“新车”。
S103，获取待推荐的产品信息的信息标签，并计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，根据所计算的相似度从用户标签库中查找出最大相似度数值对应的用户行为标签。
在本发明实施例中，所述产品为信用卡，所述产品信息为信用卡信息，所述信息标签为信用卡信息标签；其中，信用卡包括多种类型，每一种类型的信用卡均对应并预先设置有信用卡信息标签，例如，对于航旅信用卡，其预先设置的信用卡信息标签为旅游，对于单币信用卡，其预先设置的信用卡信息标签为金融等等。本发明实施例通过获取信息标签并遍历所述用户标签库，利用信息标签查找出所述用户标签库中与所述信息标签相匹配的用户行为标签，例如，信用卡信息标签为旅游可以从“旅游”类的用户行为标签查找到相对应的用户行为标签。
具体的，所述待推荐的产品信息可以为多张信用卡信息，若多张信用卡为多种类型的信用卡，可以通过运算符将所获取的信用卡对应的信用卡信息标签进行关联，再使用关联后的信用卡信息标签遍历所述用户标签库，并利用关联后的信用卡信息标签查找出所述用户标签库中与关联后的信用卡信息标签相匹配的用户行为标签，例如，使用运算符“and”、“or”对多个信用卡信息标签进行关联，例如信用卡信息标签分别为“旅游”、“金融”，关联后的的信用卡信息标签为“旅游”and“金融”，然后利用“旅游”and“金融”查找出所述用户标签库中相匹配的用户行为标签分别为“旅游”以及“金融”。
进一步地，如图4所示，所述计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，通过所计算的相似度对用户标签库中的用户行为标签进行识别以查找出所述用户标签库中与所述信息标签相匹配的用户行为标签，包括以下步骤S401～S402：
S401，使用K-means聚类算法计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，可以得到多个相似度数值，在多个相似度数值中选择最大相似度数值对应的用户行为标签；
具体的，使用K-means聚类算法计算信息标签与所述用户标签库中的用户行为标签之间的相似度，可以得到多个相似度数值，在多个相似度数值中选择相似度数值最大的数值对应的用户行为标签，该用户行为标签即为所述用户标签库中与所述信息标签相匹配的用户行为标签。
需要说明的是，使用K-means聚类算法计算信息标签与所述用户标签库中的用户行为标签之间的相似度的计算方法可以包括：
设所述用户标签库中具有n个用户行为标签，分别对所述信息标签以及所述n个用户行为标签进行向量化，通过夹角余弦函数计算所述信息标签与所述n个用户行为标签之间的相似度，并和到相似度矩阵K；对相似度矩阵K进行求和，从而计算出所述信息标签与所述n个用户行为标签之间的相似度：
设K＝[sim(x，yi)]n，i＝1，…，n，其中，sim(x，yi)表示信息标签与所述n个用户行为标签之间的相似度，求和公式为：
S402，将所选择的用户行为标签作为在所述用户标签库中与所述信息标签相匹配的用户行为标签。
S104，向已查找出的用户行为标签对应的用户发送所述产品信息。
在本发明实施例中，利用所述用户标签库中的用户与用户行为标签确定相对应的用户，并向用户发送所述信用卡的推送资讯，在本实施例中，可以通过短信的方式向用户发送信用卡的推送资讯，其中该推送资讯可以包括信用卡类型信息，信用卡额度信息以及信用卡办理流程信息等等。
由以上可见，本发明实施例通过采集每个用户的用户行为数据，从用户行为数据中提取出用户行为标签；通过多标签分类模型对所述用户行为标签进行分类，将所述用户与所述已分类用户行为标签的对应关系存储于用户标签库中；获取待推送产品信息的信息标签，并计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，根据所计算的相似度从用户标签库中查找出最大相似度数值对应的用户行为标签；向已查找出的用户行为标签对应的用户发送所述产品信息。本发明提供一种产品信息推荐方法，针对性地推荐信用卡，提高客户转化率，降低推广成本。
请参阅图5，对应上述一种产品信息推荐方法，本发明实施例还提出一种产品信息推荐装置，该装置100包括：采集提取单元101、分类存储单元102、获取单元103、发送单元104。
其中，采集提取单元101，用于采集每个用户的用户行为数据，从所述用户行为数据中提取出用户行为标签；
分类存储单元102，用于通过多标签分类模型对所述用户行为标签进行分类，将所述用户与所述已分类用户行为标签的对应关系存储于用户标签库中；
获取单元103，用于获取待推荐产品信息的信息标签，并计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，根据所计算的相似度从用户标签库中查找出最大相似度数值对应的用户行为标签；
发送单元104，用于向已查找出的用户行为标签对应的用户发送所述产品信息。
由以上可见，本发明实施例通过采集每个用户的用户行为数据，从用户行为数据中提取出用户行为标签；通过多标签分类模型对所述用户行为标签进行分类，将所述用户与所述已分类用户行为标签的对应关系存储于用户标签库中；获取待推送产品信息的信息标签，并计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，根据所计算的相似度从用户标签库中查找出最大相似度数值对应的用户行为标签；向已查找出的用户行为标签对应的用户发送所述产品信息。本发明提供一种产品信息推荐方法，针对性地推荐信用卡，提高客户转化率，降低推广成本。
请参阅图6，所述采集提取单元101，包括：
采集单元101a，用于通过运营商流量运用分析平台提供的用户登录自助窗口自动采集每个用户的用户行为数据。
请参阅图7，所述采集提取单元101，包括：
解析单元101b，用于解析所述用户行为数据，得到用于表征所述用户行为数据的词语；
执行单元101c，用于将所得到的用于表征所述用户行为数据的词语作为从所述用户行为数据中提取出的用户行为标签。
请参阅图8，获取单元103，包括：
计算选择单元103a，用于使用K-means聚类算法计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，可以得到多个相似度数值，在多个相似度数值中选择最大相似度数值对应的用户行为标签；
执行单元103b，用于将所选择的用户行为标签作为在所述用户标签库中与所述信息标签相匹配的用户行为标签。
上述产品信息推荐装置与上述产品信息推荐方法一一对应，其具体的原理和过程与上述实施例所述方法相同，不再赘述。
上述产品信息推荐装置可以实现为一种计算机程序的形式，计算机程序可以在如图9所示的计算机设备上运行。
图9为本发明一种计算机设备的结构组成示意图。该设备可以是终端，也可以是服务器，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装置等具有通信功能和语音输入功能的电子装置。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。参照图9，该计算机设备500包括通过系统总线501连接的处理器502、非易失性存储介质503、内存储器504和网络接口505。其中，该计算机设备500的非易失性存储介质503可存储操作系统5031和计算机程序5032，该计算机程序5032被执行时，可使得处理器502执行一种产品信息推荐方法。该计算机设备500的处理器502用于提供计算和控制能力，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，该计算机程序被处理器执行时，可使得处理器502执行一种产品信息推荐方法。计算机设备500的网络接口505用于进行网络通信。本领域技术人员可以理解，图9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的限定，具体的计算机设备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。
其中，所述处理器502执行所述计算机程序时实现如下操作：
采集每个用户的用户行为数据，从所述用户行为数据中提取出用户行为标签；
通过多标签分类模型对所述用户行为标签进行分类，将所述用户与所述已分类用户行为标签的对应关系存储于用户标签库中；
获取待推送产品信息的信息标签，并计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，根据所计算的相似度从用户标签库中查找出最大相似度数值对应的用户行为标签；
向已查找出的用户行为标签对应的用户发送所述产品信息。
在一个实施例中，所述采集每个用户的用户行为数据，包括：
通过运营商流量运用分析平台提供的用户登录自助窗口自动采集每个用户的用户行为数据。
在一个实施例中，所述从所述用户行为数据中提取出用户行为标签，包括：
解析所述用户行为数据，得到用于表征所述用户行为数据的词语；
将所得到的用于表征所述用户行为数据的词语作为从所述用户行为数据中提取出的用户行为标签。
在一个实施例中，所述多标签分类模型为mobilenet_v2。
在一个实施例中，所述计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，根据所计算的相似度从用户标签库中查找出最大相似度数值对应的用户行为标签，包括：
使用K-means聚类算法计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，可以得到多个相似度数值，在多个相似度数值中选择最大相似度数值对应的用户行为标签；
将所选择的用户行为标签作为在所述用户标签库中与所述信息标签相匹配的用户行为标签。
本领域技术人员可以理解，图9中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图9所示实施例一致，在此不再赘述。
本发明提供了一种计算机可读存储介质，计算机可读存储介质存储有一个或者一个以上计算机程序，所述一个或者一个以上计算机程序可被一个或者一个以上的处理器执行，以实现以下步骤：
采集每个用户的用户行为数据，从所述用户行为数据中提取出用户行为标签；
通过多标签分类模型对所述用户行为标签进行分类，将所述用户与所述已分类用户行为标签的对应关系存储于用户标签库中；
获取待推送产品信息的信息标签，并计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，根据所计算的相似度从用户标签库中查找出最大相似度数值对应的用户行为标签；
向已查找出的用户行为标签对应的用户发送所述产品信息。
在一个实施例中，所述采集每个用户的用户行为数据，包括：
通过运营商流量运用分析平台提供的用户登录自助窗口自动采集每个用户的用户行为数据。
在一个实施例中，所述从所述用户行为数据中提取出用户行为标签，包括：
解析所述用户行为数据，得到用于表征所述用户行为数据的词语；
将所得到的用于表征所述用户行为数据的词语作为从所述用户行为数据中提取出的用户行为标签。
在一个实施例中，所述多标签分类模型为mobilenet_v2。
在一个实施例中，所述计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，根据所计算的相似度从用户标签库中查找出最大相似度数值对应的用户行为标签，包括：
使用K-means聚类算法计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，可以得到多个相似度数值，在多个相似度数值中选择最大相似度数值对应的用户行为标签；
将所选择的用户行为标签作为在所述用户标签库中与所述信息标签相匹配的用户行为标签。
本发明前述的存储介质包括：磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等各种可以存储程序代码的介质。
本发明所有实施例中的单元可以通过通用集成电路，例如CPU(CentralProcessing Unit，中央处理器)，或通过ASIC(Application Specific IntegratedCircuit，专用集成电路)来实现。
本发明实施例产品信息推荐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。
本发明实施例产品信息推荐装置中的单元可以根据实际需要进行合并、划分和删减。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种产品信息推送方法，其特征在于，所述方法包括：
采集每个用户的用户行为数据，从所述用户行为数据中提取出用户行为标签；
通过多标签分类模型对所述用户行为标签进行分类，将所述用户与所述已分类用户行为标签的对应关系存储于用户标签库中；
获取待推送产品信息的信息标签，并计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，根据所计算的相似度从用户标签库中查找出最大相似度数值对应的用户行为标签；
向已查找出的用户行为标签对应的用户发送所述产品信息。
2.如权利要求1所述的方法，其特征在于，所述采集每个用户的用户行为数据，包括：
通过运营商流量运用分析平台提供的用户登录自助窗口自动采集每个用户的用户行为数据。
3.如权利要求1所述的方法，其特征在于，所述从所述用户行为数据中提取出用户行为标签，包括：
解析所述用户行为数据，得到用于表征所述用户行为数据的词语；
将所得到的用于表征所述用户行为数据的词语作为从所述用户行为数据中提取出的用户行为标签。
4.如权利要求1所述的方法，其特征在于，所述多标签分类模型为mobilenet_v2。
5.如权利要求1所述的方法，其特征在于，所述计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，根据所计算的相似度从用户标签库中查找出最大相似度数值对应的用户行为标签，包括：
使用K-means聚类算法计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，可以得到多个相似度数值，在多个相似度数值中选择最大相似度数值对应的用户行为标签；
将所选择的用户行为标签作为在所述用户标签库中与所述信息标签相匹配的用户行为标签。
6.一种产品信息推荐装置，其特征在于，所述装置包括：
采集提取单元，用于采集每个用户的用户行为数据，从所述用户行为数据中提取出用户行为标签；
分类存储单元，用于通过多标签分类模型对所述用户行为标签进行分类，将所述用户与所述已分类用户行为标签的对应关系存储于用户标签库中；
获取单元，用于获取待推荐产品信息的信息标签，并计算所述信息标签与所述用户标签库中的用户行为标签之间的相似度，根据所计算的相似度从用户标签库中查找出最大相似度数值对应的用户行为标签；
发送单元，用于向已查找出的用户行为标签对应的用户发送所述产品信息。
7.如权利要求6所述的装置，其特征在于，所述采集提取单元，包括：
采集单元，用于通过运营商流量运用分析平台提供的用户登录自助窗口自动采集每个用户的用户行为数据。
8.如权利要求6所述的装置，其特征在于，所述采集提取单元，包括：
解析单元，用于解析所述用户行为数据，得到用于表征所述用户行为数据的词语；
执行单元，用于将所得到的用于表征所述用户行为数据的词语作为从所述用户行为数据中提取出的用户行为标签。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述的产品信息推荐方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者一个以上计算机程序，所述一个或者一个以上计算机程序可被一个或者一个以上的处理器执行，以实现如权利要求1-5任一项所述的产品信息推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910428431.0A CN110297953A (zh) | 2019-05-22 | 2019-05-22 | 产品信息推荐方法、装置、计算机设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910428431.0A CN110297953A (zh) | 2019-05-22 | 2019-05-22 | 产品信息推荐方法、装置、计算机设备以及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110297953A true CN110297953A (zh) | 2019-10-01 |
Family
ID=68027140
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910428431.0A Pending CN110297953A (zh) | 2019-05-22 | 2019-05-22 | 产品信息推荐方法、装置、计算机设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110297953A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111008349A (zh) * | 2020-03-09 | 2020-04-14 | 深圳博士创新技术转移有限公司 | 一种大数据信息推送处理方法及系统 |
| CN111985901A (zh) * | 2020-08-24 | 2020-11-24 | 北京思特奇信息技术股份有限公司 | 一种电信行业的营销产品配置方法、装置、设备和存储介质 |
| CN113139141A (zh) * | 2021-04-22 | 2021-07-20 | 康键信息技术（深圳）有限公司 | 用户标签扩展标注方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102591942A (zh) * | 2011-12-27 | 2012-07-18 | 奇智软件（北京）有限公司 | 一种应用自动推荐的方法及装置 |
| CN109117442A (zh) * | 2017-06-23 | 2019-01-01 | 腾讯科技（深圳）有限公司 | 一种应用推荐方法及装置 |
| CN109446412A (zh) * | 2018-09-25 | 2019-03-08 | 中国平安人寿保险股份有限公司 | 基于网页标签的产品数据推送方法、装置、设备及介质 |
| CN109493199A (zh) * | 2019-01-04 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
-
2019
- 2019-05-22 CN CN201910428431.0A patent/CN110297953A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102591942A (zh) * | 2011-12-27 | 2012-07-18 | 奇智软件（北京）有限公司 | 一种应用自动推荐的方法及装置 |
| CN109117442A (zh) * | 2017-06-23 | 2019-01-01 | 腾讯科技（深圳）有限公司 | 一种应用推荐方法及装置 |
| CN109446412A (zh) * | 2018-09-25 | 2019-03-08 | 中国平安人寿保险股份有限公司 | 基于网页标签的产品数据推送方法、装置、设备及介质 |
| CN109493199A (zh) * | 2019-01-04 | 2019-03-19 | 深圳壹账通智能科技有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111008349A (zh) * | 2020-03-09 | 2020-04-14 | 深圳博士创新技术转移有限公司 | 一种大数据信息推送处理方法及系统 |
| CN111985901A (zh) * | 2020-08-24 | 2020-11-24 | 北京思特奇信息技术股份有限公司 | 一种电信行业的营销产品配置方法、装置、设备和存储介质 |
| CN111985901B (zh) * | 2020-08-24 | 2024-02-02 | 北京思特奇信息技术股份有限公司 | 一种电信行业的营销产品配置方法、装置、设备和存储介质 |
| CN113139141A (zh) * | 2021-04-22 | 2021-07-20 | 康键信息技术（深圳）有限公司 | 用户标签扩展标注方法、装置、设备及存储介质 |
| CN113139141B (zh) * | 2021-04-22 | 2023-10-31 | 康键信息技术（深圳）有限公司 | 用户标签扩展标注方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108334533B (zh) | 关键词提取方法和装置、存储介质及电子装置 | |
| CN108984675B (zh) | 基于评价的数据查询方法和装置 | |
| CN109493199A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
| CN108268619A (zh) | 内容推荐方法及装置 | |
| CN109165975B (zh) | 标签推荐方法、装置、计算机设备及存储介质 | |
| CN113901320A (zh) | 场景服务推荐方法、装置、设备及存储介质 | |
| CN109783741A (zh) | 用于推送信息的方法和装置 | |
| CN114238573B (zh) | 基于文本对抗样例的信息推送方法及装置 | |
| CN110297953A (zh) | 产品信息推荐方法、装置、计算机设备以及存储介质 | |
| US9460165B2 (en) | Retrieval device, retrieval system, retrieval method, retrieval program, and computer-readable recording medium storing retrieval program | |
| CN106919711A (zh) | 基于人工智能的标注信息的方法和装置 | |
| CN112818111B (zh) | 文档推荐方法、装置、电子设备和介质 | |
| CN111563382A (zh) | 文本信息的获取方法、装置、存储介质及计算机设备 | |
| AU2016346740B2 (en) | Server for providing internet content and computer-readable recording medium including implemented internet content providing method | |
| CN107977678A (zh) | 用于输出信息的方法和装置 | |
| CN111125491A (zh) | 商品信息的搜索方法和装置、存储介质及电子装置 | |
| CN114416998A (zh) | 文本标签的识别方法、装置、电子设备及存储介质 | |
| CN106383857A (zh) | 一种信息处理方法及电子设备 | |
| CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
| CN116823410A (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
| CN113495987A (zh) | 数据搜索方法、装置、设备和存储介质 | |
| CN109993592A (zh) | 信息推送方法和装置 | |
| CN114154052A (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
| CN107426338A (zh) | 一种资讯管理方法及系统 | |
| CN106408350A (zh) | 一种基于溯源数据库的用户商品推荐方法及系统 |
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 |