CN110415084A - 一种产品智能推荐方法及装置 - Google Patents

Abstract

本申请提供了一种产品智能推荐方法及装置，包括：对预先选定的产品集和客户集进行预处理，得到客户与产品的匹配关系；根据匹配关系计算客户与产品的粘合度，构建客户与产品的粘合度矩阵；计算客户集客户之间相似性，构建客户相似度矩阵；利用客户相似度矩阵通过最近邻算法计算相似客户集；利用相似客户集、客户相似度矩阵和粘合度矩阵通过协同过滤和关联分析的混合算法计算推荐产品集。本申请解决了目前单纯依靠销售经理经验对客户进行推销的问题，实现了以客户为中心的金融产品营销推荐同时还解决了对新客户进行推荐或者将新产品推荐给客户的“冷启动”问题。

Description

一种产品智能推荐方法及装置

技术领域

本申请涉及金融业务中客户产品营销推荐领域，具体地讲，涉及一种金融产品的智能推荐方法及装置。

背景技术

银行个人金融产品种类繁多，个人客户需求各异，客户经理在维护客户和营销产品方面对客户资产提升具有重要贡献。因此，在客户主体、分布、行为模式不断变化，金融科技飞速发展的新形势下，如何发现客户最可能需要的下一个产品是什么，如何计算客户和产品之间的粘性，如何对客户分群发现相似客户，如何学习并强化客户经理营销能力偏好，如何将合适的产品通过合适的渠道营销给合适的客户，做到因需而变，因时而动，是银行个人客户智慧营销问题的核心所在。

但是当前客户经理向客户营销推荐金融产品的方式主要是依靠自身经验以及和客户的关系。因此存在如下不足：

1、当前银行的金融产品分类主要是从产品设计或计财科目的角度进行分类，缺乏面向营销的产品分类体系，难以符合个性化产品分类营销。

2、客户数量多且需求差异大，客户经理维护客户能力有限，亟需精准营销推荐辅助。

3、对于新客户或新产品的营销，客户经理缺乏营销判断依据，不易找到合适的营销切入点。

以上原因导致客户经理的营销达成率较低，并且对客户维护和业绩提升带来诸多不便。

发明内容

本申请提供了一种产品智能推荐方法，以至少解决现有技术中面向客户推销产品时产品推荐不够精确，无法实现精准营销的问题。

根据本申请的一个方面，提供了一种产品智能推荐方法，包括：对预先选定的产品集和客户集进行预处理，得到客户与产品的匹配关系；根据匹配关系计算客户与产品的粘合度，构建客户与产品的粘合度矩阵；计算客户集客户之间相似性，构建客户相似度矩阵；利用客户相似度矩阵通过最近邻算法计算相似客户集；利用相似客户集、客户相似度矩阵和粘合度矩阵通过协同过滤和关联分析的混合算法计算推荐产品集。

在一实施例中，对预先选定的产品集和客户集进行预处理，得到客户与产品的匹配关系，包括：

对预先选定的产品集和客户集进行整合，得到客户与产品的关联关系；

根据业务规则从关联关系中剔除无法匹配的关联关系，得到匹配关系。

在一实施例中，根据匹配关系计算粘合度，构建客户与产品的粘合度矩阵，包括：

根据产品交易特征建立交易特征集合；根据客户集中和产品集以及、预先建立的交易特征集合计算客户与产品的粘合度，交易特征集合中包括多个交易特征；根据粘合度构建粘合度矩阵。

在一实施例中，计算客户集客户之间相似性，构建客户相似度矩阵，包括：

根据客户集中的客户和客户以及预先建立的客户特征集合计算客户相似度，客户特征集合包括多个客户特征；根据客户相似度构建客户相似度矩阵。

在一实施例中，利用相似客户集、客户相似度矩阵和粘合度矩阵通过协同过滤和关联分析的混合算法计算推荐产品集，包括：

根据相似度矩阵、相似客户集和粘合度矩阵预测客户对未交易产品的评分，并对评分按降序排序，根据评分的排序，取前若干个未交易产品组成未交易过的推荐产品集；对客户交易过的产品按粘合度降序排序，根据粘合度的排序，取前若干个交易过的产品组成交易过的推荐产品集；通过关联分析算法产生产品间关联规则，向左手规则产品对应的粘合度较大的客户推荐右手规则产品；根据未交易过的推荐产品集、交易过的推荐产品集和右手规则产品生成推荐产品集。

在一实施例中，该产品智能推荐方法，还包括：

根据客户与产品的粘性判读该客户是否为新客户；如果是，通过最近邻算法计算新客户的相似老客户，利用协同过滤算法计算相似老客户的推荐产品集。

在一实施例中，该产品智能推荐方法，还包括：

将推荐产品集按照粘合度降序排序。

通过本申请所述的产品智能推荐方法，能够解决目前银行业中缺乏精准营销推荐的辅助工具以及不易找到合适的营销切入点的问题，能够通过分析客户的偏好，将合适的产品通过合适的渠道营销给合适的客户，做到因需而变，并且能够给银行客户经理提供精准的营销辅助，发掘潜在客户。

根据本申请的另一个方面，提供了一种产品智能推荐装置，包括：

预处理单元，用于对预先选定的产品集和客户集进行预处理，得到客户与产品的匹配关系；

粘合度计算单元，用于根据匹配关系计算客户与产品的粘合度，构建客户与产品的粘合度矩阵；

相似性计算单元，用于计算客户集客户之间相似性，构建客户相似度矩阵；

相似集计算单元，用于利用客户相似度矩阵通过最近邻算法计算相似客户集；

推荐产品计算单元，用于利用相似客户集、客户相似度矩阵和粘合度矩阵通过协同过滤和关联分析的混合算法计算推荐产品集。

在一实施例中，预处理单元，包括：

整合模块，用于对预先选定的产品集和客户集进行整合，得到客户与产品的关联关系；

剔除模块，用于根据业务规则从关联关系中剔除无法匹配的关联关系，得到匹配关系。

在一实施例中，粘合度计算单元，包括：

特征集合建立模块，用于根据产品交易特征建立交易特征集合；

第一计算模块，用于预测根据客户集中和产品集以及、预先建立的交易特征集合计算客户与产品的粘合度，交易特征集合中包括多个交易特征；

第一矩阵构建模块，用于根据粘合度构建粘合度矩阵。

在一实施例中，相似性计算单元，包括：

第二计算模块，用于根据客户集中的客户和客户以及预先建立的客户特征集合计算客户相似度，客户特征集合包括多个客户特征；

第二矩阵构建模块，用于根据客户相似度构建客户相似度矩阵。

在一实施例中，推荐产品计算单元，包括：

未交易产品推荐模块，用于根据相似度矩阵、相似客户集和粘合度矩阵预测客户对未交易产品的评分，并对评分按降序排序，根据评分的排序，取前若干个未交易产品组成未交易过的推荐产品集；

交易产品推荐模块，用于对客户交易过的产品按粘合度降序排序，根据粘合度的排序，取前若干个交易过的产品组成交易过的推荐产品集；

相似产品推荐模块，用于通过关联分析算法产生产品间关联规则，向左手规则产品对应的粘合度较大的客户推荐右手规则产品；

推荐产品生成模块，用于根据未交易过的推荐产品集、交易过的推荐产品集和右手规则产品生成推荐产品集。

在一实施例中，该产品智能推荐装置还包括：

新客户判断单元，用于根据客户与产品的粘性判读该客户是否为新客户；

新客推荐单元，当该客户是新客户时，用于通过最近邻算法计算新客户的相似老客户，利用协同过滤算法计算相似老客户的推荐产品集。

在一实施例中，该产品智能推荐装置还包括：

排序单元，用于将推荐产品集按照粘合度降序排序。

本申请提供了一种产品智能推荐装置，能够面向客户、产品和客户经理进行智慧营销，能够量化识别客户、产品和客户经理的关系，本装置的设计基于协同过滤、关联分析和最优化模型的混合算法，实现了以客户为中心的金融产品营销推荐，同时解决对新客户进行推荐或者将新产品推荐给客户的冷启动问题。并且还能够进行动态优先级产品推荐营销，改变目前营销方式主要依靠客户经理盲目销售与经验营销的现状，实现以客户以及客户群Wie中心的产品销售策略整合，达到留住客人购买产品、锁定客人的多重效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本申请的一种产品智能推荐方法的流程图。

图2为本申请的实施例中一种预处理方法的流程图。

图3为本申请的实施例中一种粘合度计算方法的流程图。

图4为本申请的实施例中一种相似度矩阵构建方法的流程图。

图5为本申请的实施例中一种计算推荐产品集方法的流程图。

图6为本申请的实施例中一种产品智能方法的流程图。

图7为本申请的一种产品智能推荐装置的结构框图。

图8为本申请的产品智能推荐装置中预处理单元的结构框图。

图9为本申请的产品智能推荐装置中粘合度计算单元的结构框图。

图10为本申请的产品智能推荐装置中相似性计算单元的结构框图。

图11为本申请的产品智能推荐装置中推荐产品计算单元的结构框图。

图12为本申请的实施例中一种产品智能推荐装置的结构框图。

图13为本申请的产品智能推荐方法的一种电子设备的具体实施方式。

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，所描述的实施例仅仅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。

现有技术中，金融产品的营销主要依靠客户经理的个人经验来判断目标客户，并依据经验和对客户及产品的了解度来向目标客户进行产品匹配推荐，并且当前的金融产品分类主要是从产品设计或计财科目的角度来进行分类，而缺乏面向营销的产品分类体系，难以符合个性化产品的分类营销。基于此，本申请提供了一种产品智能推荐方法，如图1所示，该产品智能推荐方法包括如下步骤：

S101对预先选定的产品集和客户集进行预处理，得到客户与产品的匹配关系。

具体地，选定产品集意为对银行目前在市面上营销的金融产品进行细分类，分类的依据主要参考业务专家、一线销售人员的建议等，或者也可以结合银行已经构建的金融产品分类体系，将金融产品进行分类，比如保险类产品可以分为大病险、交通意外险等，基金类产品可以分为短期纯债、券商集合计划、股票型基金等；接下来选定客户集，就是对客户群体进行筛选，筛选的依据可以参考银行营销的目标客户群体，比如日均资产在50万-100万之间的客户群或者储蓄率占比50％以上的客户群体等。

预先对产品群体和客户群体进行分类筛选实现了锁定目标客户的功能以及根据需求和产品类型快速划分产品归类的功能。

S102根据匹配关系计算客户与产品的粘合度，构建客户与产品的粘合度矩阵。

具体地，银行客户与产品间的粘性，衡量着一个产品能够吸引客户回头再次购买的能力，体现了产品留住客户的能力，同时也反映出不同客户的产品需求偏好。通过计算客户与产品的粘合度，反映出了某一特定客户对已购买过的产品的喜好程度以及再次购买的可能性，实现了反映客户对产品的偏好的功能。

S103计算客户集客户之间相似性，构建客户相似度矩阵。

具体地，客户与客户的相似性主要表现为客户对各种产品的购买偏好的一致性，因此，需要采集客户的购买历史，同时，对于银行客户而言，客户的性别、年龄、资产等具有个人属性的特征也和客户的购买偏好具有较强的相关性，所以要从多个角度来衡量客户与客户之间的相似性，需要预先收集客户的特征数据，并用客户与客户之间的相似度来进行量化。计算客户集中客户之间的相似性实现了量化客户间相似度的功能，从而能够迅速圈定出与某一客户近似的客户群体。

S104利用客户相似度矩阵通过最近邻算法计算相似客户集。

在一实施例中，可以采用KNN算法来计算与某一客户u的最相似的客户群体，具体步骤如下：

获取用户u、相似度矩阵SM、相似度阈值λ和最近邻参数n₁。

对每一个客户j≤n，计算SM_u＝{SM_uj,满足SM_uj≥λ}，对SM_u按降序排序，取前n₁个客户子集Su。

那么客户子集Su即为与客户u的最相似的客户群体。

S105利用相似客户集、客户相似度矩阵和粘合度矩阵通过协同过滤和关联分析的混合算法计算推荐产品集。

具体地，在实际的产品营销过程中，根据客户与产品的粘合度，并不能准确地提供客户真正偏好的产品，这是因为客户与产品的粘合度只能表明从客户的历史交易中发现的偏好，而这种推测偏好的方法并不全面，因为客户对未曾交易的产品也可能会存在潜在的偏好，而预测某一客户的潜在的偏好可以从与该客户最相似的客户群体中得出，即如果与该客户最相似的客户群体对某一产品有偏好，则可以推测该客户大概率对该产品也有偏好，因此就可以向从未交易过该产品的该客户推荐该产品。

利用协同过滤算法可以计算出客户对未交易过的产品以及已交易过的产品的偏好，而为了弥补协同过滤算法可能遗漏掉的客户潜在偏好产品，将关联分析算法与协同过滤算法进行混合，依据已有的客户对某一产品的偏好，通过关联算法找出与该产品想近似的其他未交易过的产品向该客户推荐，实现了完善地筛选出面向客户推荐产品集的功能，做到不遗漏任何一个可能具有潜在偏好的产品。

图1所示的方法的执行主体可以为服务器、PC、移动终端，该方法实现了以客户为核心，从客户的个人偏好以及与该客户相似的其他客户的偏好的角度出发，对客户实行精准营销的功能。

在一实施例中，步骤S101对预先选定的产品集和客户集进行预处理，得到客户与产品的匹配关系中，包括如下步骤，如图2所示：

S201对预先选定的产品集和客户集进行整合，得到客户与产品的关联关系。

具体地，如果已经选定的产品集为人身保险类产品，共10件产品，然后从银行的数据库中筛选出日均资产在50万-100万之间的具有购买人身保险能力的客户集有100人，将客户集与产品集进行一一整合关联，共整合出100╳10种关联关系。

S202根据业务规则从关联关系中剔除无法匹配的关联关系，得到匹配关系。

具体地，根据业务规则把不需要匹配到一起的客户和产品关联关系剔除，比如，某几款人身保险产品(人寿保险)不适合65周岁以上的客户购买，因此不需要将65周岁以上的客户与人身保险产品匹配到一起，可以将65周岁以上的客户与人身保险产品的关联关系剔除。

通过对客户集和产品集进行预处理，剔除掉明显不符合要求的匹配关系，能够减少后续对该类客户进行无效推荐的麻烦，实现了针对客户的属性来进行精准匹配产品的目的，同时减少了运算量，提升了匹配效率的功能。

图2所示的方法实现了对获取的客户和产品数据进行预处理剔除干扰数据的功能。

在一实施例中，步骤S102根据匹配关系计算粘合度，构建客户与产品的粘合度矩阵，包括如下步骤，如图3所示：

S301根据产品交易特征建立交易特征集合。

具体地，产品交易特征包括交易频次、交易金额和中位数收益等，这些产品交易特征组成交易特征集合Feature。

S302根据客户集中和产品集以及、预先建立的交易特征集合计算客户与产品的粘合度，交易特征集合中包括多个交易特征。

具体地，通过一段时期内客户交易某类产品产生的交易频次、交易金额、笔均交易金额占客户配置类资产占比等特征(产品交易特征)，构建客户i∈I与产品k∈K的粘合度ST_ik：

如果客户i没有交易产品k，则ST_ik＝0，否则，

其中Feature是交易频次、交易金额和中收等特征的集合，|Feature|表示特征总数量。

S303根据粘合度构建粘合度矩阵。

具体地，根据S302步骤中计算的所有粘合度，由此构建客户与产品的粘合度矩阵ST，0≤ST_ik≤1。

图3所示的方法实现了依据产品交易特征计算产品对客户的粘合度并建立粘合度矩阵的功能。

在一实施例中，步骤S103计算客户集客户之间相似性构建客户相似度矩阵，包括如下步骤，如图4所示：

S401根据客户集中的客户和客户以及预先建立的客户特征集合计算客户相似度，客户特征集合包括多个客户特征。

具体地，根据客户的性别、年龄、日均资产、日均存款、持有产品小类个数、交易产品频度、交易产品金额、交易产品中收、风险承受能力等特征建立客户特征集合；

构建客户i∈I与客户j∈J的相似度SM_ij：

其中，ω_f表示特征f的权重，sim(i,j,f)表示在特征f上计算的客户i与客户j之间的相似性。

具体地，sim(i,j,f)的计算方法如下：

如果特征f为数值型变量(比如日均资产、交易笔数)，或者特征f为分类有序变量(比如风险等级，需要重新编码为数值型)，则采用汉明距离(Hamming distance)计算，

如果特征f为分类无序变量(比如性别、职业等)，则

特征f的权重ω_f的计算方法如下：

如果在特征f上不同用户i∈I和j∈J之间的sim(i,j,f)总和比较小，说明特征f的区分能力比较弱；相反，如果这个总和比较大，则意味着特征f应该被赋予一个较大的权重，基于这种分析，特征f的权重ω_f的计算可以转化为一个有约束的优化问题，即

ω_f＞0

通过求解可得

S402根据客户相似度构建客户相似度矩阵。

根据S401步骤中计算出的客户相似度SM_ij，构建出客户相似度矩阵SM。

图4所示的方法实现了根据客户的特征信息计算出客户集中任意两个客户之间的相似度，量化客户间相似程度的功能。

在一实施例中，步骤S105利用相似客户集、客户相似度矩阵和粘合度矩阵通过协同过滤和关联分析的混合算法计算推荐产品集，包括了如下步骤，如图5所示：

S501根据相似度矩阵、相似客户集和粘合度矩阵预测客户对未交易产品的评分，并对评分按降序排序，根据评分的排序，取前若干个未交易产品组成未交易过的推荐产品集。

具体地，获取客户u的相似客户集Su，客户与客户之间的相似度矩阵SM，客户与产品的粘合度矩阵ST；

协同过滤算法(CF算法)：对客户u的每一个未交易的产品k(已剔除不满足业务规则的客户-产品对)，预测客户u对产品k的评分P_uk：

其中，表示客户u对其交易产品的平均粘合度，表示与客户u相似的客户v对其交易产品的平均粘合度。

然后对按降序排序，其中表示客户u未交易的产品集合，取前k₁个产品子集作为客户u的未交易过的推荐产品集

S502对客户交易过的产品按粘合度降序排序，根据粘合度的排序，取前若干个交易过的产品组成交易过的推荐产品集。

具体地，对客户交易过的产品子集对按降序排序，取前k₂个产品子集作为客户u的交易过的推荐产品集

由此得到客户u的推荐产品集

S503通过关联分析算法产生产品间关联规则，向左手规则产品对应的粘合度较大的客户推荐右手规则产品。

具体地，应用关联分析的Apriori算法，通过频繁模式挖掘搜索交易数据集中反复出现的联系，首先发现频繁项集，再根据最小支持度和最小置信度阈值的限定，产生关联规则，找出与客户所偏爱的某一产品(左手规则产品)相关联的其他产品(右手规则产品)，并将这些右手规则产品组成右手规则产品集并向左手规则产品对应的粘合度较大的客户推荐右手规则产品。

S504根据未交易过的推荐产品集、交易过的推荐产品集和右手规则产品生成推荐产品集。

具体地，最终可得到老客户的推荐产品集

图5所示的方法实现了全面筛选出合适的推荐产品的功能，做到不遗漏任何一件适合产品。

在一实施例中，在一实施例中，该产品智能推荐方法，还包括以下步骤，如图6所示：

S601根据客户与产品的粘性判读该客户是否为新客户。

S602如果是，通过最近邻算法计算新客户的相似老客户，利用协同过滤算法计算相似老客户的推荐产品集。

具体地，如果该客户与所有产品的粘合度均为0，则表明该客户从未交易过任何产品，是新客户，对于新客户，首先按照KNN算法找到与其相似的“老”客户，然后采用老客户的特征用CF算法(协同过滤算法)向新客户推荐产品。对于新产品，首先将其纳入已有的产品分类，然后应用Apriori算法计算与该类产品关联较强的产品，将该推荐产品粘合度较大的客户群作为目标客户群。

S603将推荐产品集按照粘合度降序排序。

具体地，将推荐产品集按照客户和产品的粘合度降序排序，并将客户分类为购买过该产品和没有购买过该产品的客户以及和推荐客户最相似的客户群，打包提供给客户经理，再让客户经理结合自身经验有优先级地进行个性化营销。

图6所示的方法实现了对新客户进行产品推荐以及将新产品推荐给老客户的功能。

基于同一发明构思，本申请实施例还提供了一种产品智能推荐装置，可以用于实现上述实施例中所描述的方法，如下面实施例所述。由于该产品智能推荐装置解决问题的原理与产品智能推荐方法相似，因此产品智能推荐装置的实施可以参见产品智能推荐方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图7为本申请的一种产品智能推荐装置的结构框图，如图7所示，该产品智能推荐装置包括：

预处理单元701，用于对预先选定的产品集和客户集进行预处理，得到客户与产品的匹配关系。

粘合度计算单元702，用于根据匹配关系计算客户与产品的粘合度，构建客户与产品的粘合度矩阵。

相似性计算单元703，用于计算客户集客户之间相似性，构建客户相似度矩阵。

相似集计算单元704，用于利用客户相似度矩阵通过最近邻算法计算相似客户集。

推荐产品计算单元705，用于利用相似客户集、客户相似度矩阵和粘合度矩阵通过协同过滤和关联分析的混合算法计算推荐产品集。

在一实施例中，预处理单元701，如图8所示，包括：

整合模块801，用于对预先选定的产品集和客户集进行整合，得到客户与产品的关联关系。

剔除模块802，用于根据业务规则从关联关系中剔除无法匹配的关联关系，得到匹配关系。

在一实施例中，粘合度计算单元702，如图9所示，包括：

特征集合建立模块901，用于根据产品交易特征建立交易特征集合。

第一计算模块902，用于预测根据客户集中和产品集以及、预先建立的交易特征集合计算客户与产品的粘合度，交易特征集合中包括多个交易特征。

第一矩阵构建模块903，用于根据粘合度构建粘合度矩阵。

在一实施例中，相似性计算单元703，如图10所示，包括：

第二计算模块1001，用于根据客户集中的客户和客户以及预先建立的客户特征集合计算客户相似度，客户特征集合包括多个客户特征。

第二矩阵构建模块1002，用于根据客户相似度构建客户相似度矩阵。

在一实施例中，推荐产品计算单元705，如图11所示包括：

未交易产品推荐模块1101，用于根据相似度矩阵、相似客户集和粘合度矩阵预测客户对未交易产品的评分，并对评分按降序排序，根据评分的排序，取前若干个未交易产品组成未交易过的推荐产品集。

交易产品推荐模块1102，用于对客户交易过的产品按粘合度降序排序，根据粘合度的排序，取前若干个交易过的产品组成交易过的推荐产品集。

相似产品推荐模块1103，用于通过关联分析算法产生产品间关联规则，向左手规则产品对应的粘合度较大的客户推荐右手规则产品。

推荐产品生成模块1104，用于根据未交易过的推荐产品集、交易过的推荐产品集和右手规则产品生成推荐产品集。

在一实施例中，如图12所示，该产品智能推荐装置还包括：

新客户判断单元1201，用于根据客户与产品的粘性判读该客户是否为新客户。

新客推荐单元1202，当该客户是新客户时，用于通过最近邻算法计算新客户的相似老客户，利用协同过滤算法计算相似老客户的推荐产品集。

排序单元1203，用于将推荐产品集按照粘合度降序排序。

从上述方案可以看出，本申请具有以下有益效果：

利用本申请，为相关业务部门提供有效的金融产品营销推荐方案，支持客户经理进行动态优先级推荐，提高客户满意度和产品达成率。

利用本申请，为相关部门的产品分类管理和精准营销提供决策依据。根据客户经理营销效果反馈改进产品分类和模型调优，根据模型得出的客户偏好及客户经理自身偏好进行精准营销。在模型推广模式方面，提出“客户经理自身经验+模型推荐”模式。即将客户经理的能力和偏好因素考虑在内，发挥客户经理个人优势，结合模型推荐结果，为客户提供更加贴心、有温度的营销服务。

利用本申请，为不同网点客户、客户经理、产品的营销管理提供决策参考。根据不同网点的经营条件和客户资源，提取不同的产品集和客户集，使用模型推荐结果和客户经理营销反馈发现客户偏好产品和客户经理营销能力偏好，从而为产品设计和客户经理培训方案提供有益参考。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式，参见图13，所述电子设备具体包括如下内容：

处理器(processor)1301、内存1302、通信接口(Communications Interface)1303、总线1304和非易失性存储器1305；

其中，所述处理器1301、内存1302、通信接口1303通过所述总线1304完成相互间的通信；

所述处理器1301用于调用所述内存1302和非易失性存储器1305中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

S101对预先选定的产品集和客户集进行预处理，得到客户与产品的匹配关系。

S102根据匹配关系计算客户与产品的粘合度，构建客户与产品的粘合度矩阵。

S103计算客户集客户之间相似性，构建客户相似度矩阵。

S104利用客户相似度矩阵通过最近邻算法计算相似客户集。

S105利用相似客户集、客户相似度矩阵和粘合度矩阵通过协同过滤和关联分析的混合算法计算推荐产品集。

本申请的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

S101对预先选定的产品集和客户集进行预处理，得到客户与产品的匹配关系。

S102根据匹配关系计算客户与产品的粘合度，构建客户与产品的粘合度矩阵。

S103计算客户集客户之间相似性，构建客户相似度矩阵。

S104利用客户相似度矩阵通过最近邻算法计算相似客户集。

S105利用相似客户集、客户相似度矩阵和粘合度矩阵通过协同过滤和关联分析的混合算法计算推荐产品集。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。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、产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、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。

在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。

Claims (16)

1.一种产品智能推荐方法，其特征在于，包括：

对预先选定的产品集和客户集进行预处理，得到客户与产品的匹配关系；

根据所述匹配关系计算客户与产品的粘合度，构建客户与产品的粘合度矩阵；

计算所述客户集客户之间相似性，构建客户相似度矩阵；

利用所述客户相似度矩阵通过最近邻算法计算相似客户集；

利用所述相似客户集、所述客户相似度矩阵和所述粘合度矩阵通过协同过滤和关联分析的混合算法计算推荐产品集。

2.根据权利要求1所述的推荐方法，其特征在于，对预先选定的产品集和客户集进行预处理，得到客户与产品的匹配关系，包括：

对预先选定的产品集和客户集进行整合，得到客户与产品的关联关系；

根据业务规则从所述关联关系中剔除无法匹配的关联关系，得到所述匹配关系。

3.根据权利要求1所述的推荐方法，其特征在于，所述根据所述匹配关系计算所述粘合度，构建客户与产品的粘合度矩阵，包括：

根据产品交易特征建立交易特征集合；

根据所述客户集中和所述产品集以及、预先建立的交易特征集合计算客户与产品的粘合度，所述交易特征集合中包括多个交易特征；

根据所述粘合度构建所述粘合度矩阵。

4.根据权利要求1所述的推荐方法，其特征在于，所述计算所述客户集客户之间相似性，构建客户相似度矩阵，包括：

根据所述客户集中的客户和客户以及预先建立的客户特征集合计算所述客户相似度，所述客户特征集合包括多个客户特征；

根据所述客户相似度构建所述客户相似度矩阵。

5.根据权利要求1所述的推荐方法，其特征在于，所述利用所述相似客户集、所述客户相似度矩阵和所述粘合度矩阵通过协同过滤和关联分析的混合算法计算推荐产品集，包括：

根据所述相似度矩阵、所述相似客户集和所述粘合度矩阵预测客户对未交易产品的评分，并对所述评分按降序排序，根据所述评分的排序，取前若干个所述未交易产品组成未交易过的推荐产品集；

对客户交易过的产品按所述粘合度降序排序，根据所述粘合度的排序，取前若干个所述交易过的产品组成交易过的推荐产品集；

通过关联分析算法产生产品间关联规则，向左手规则产品对应的所述粘合度较大的客户推荐右手规则产品；

根据所述未交易过的推荐产品集、所述交易过的推荐产品集和所述右手规则产品生成所述推荐产品集。

6.根据权利要求1所述的推荐方法，其特征在于，还包括：

根据所述客户与产品的粘性判读该客户是否为新客户；

如果是，通过最近邻算法计算所述新客户的相似老客户，利用协同过滤算法计算所述相似老客户的推荐产品集。

7.根据权利要求1所述的推荐方法，其特征在于，还包括：

将所述推荐产品集按照所述粘合度降序排序。

8.一种产品智能推荐装置，其特征在于，包括：

预处理单元，用于对预先选定的产品集和客户集进行预处理，得到客户与产品的匹配关系；

粘合度计算单元，用于根据所述匹配关系计算客户与产品的粘合度，构建客户与产品的粘合度矩阵；

相似性计算单元，用于计算所述客户集客户之间相似性，构建客户相似度矩阵；

相似集计算单元，用于利用所述客户相似度矩阵通过最近邻算法计算相似客户集；

推荐产品集计算单元，用于利用所述相似客户集、所述客户相似度矩阵和所述粘合度矩阵通过协同过滤和关联分析的混合算法计算推荐产品集。

9.根据权利要求8所述的推荐装置，其特征在于，所述预处理单元，包括：

整合模块，用于对预先选定的产品集和客户集进行整合，得到客户与产品的关联关系；

剔除模块，用于根据业务规则从所述关联关系中剔除无法匹配的关联关系，得到所述匹配关系。

10.根据权利要求8所述的推荐装置，其特征在于，所述粘合度计算单元，包括：

特征集合建立模块，用于根据产品交易特征建立交易特征集合；

第一计算模块，用于预测根据所述客户集中和所述产品集以及、预先建立的交易特征集合计算客户与产品的粘合度，所述交易特征集合中包括多个交易特征；

第一矩阵构建模块，用于根据所述粘合度构建所述粘合度矩阵。

11.根据权利要求8所述的推荐装置，其特征在于，所述相似性计算单元，包括：

第二计算模块，用于根据所述客户集中的客户和客户以及预先建立的客户特征集合计算所述客户相似度，所述客户特征集合包括多个客户特征；

第二矩阵构建模块，用于根据所述客户相似度构建所述客户相似度矩阵。

12.根据权利要求8所述的推荐装置，其特征在于，所述推荐产品计算单元包括：

未交易产品推荐模块，用于根据所述相似度矩阵、所述相似客户集和所述粘合度矩阵预测客户对未交易产品的评分，并对所述评分按降序排序，根据所述评分的排序，取前若干个所述未交易产品组成未交易过的推荐产品集；

交易产品推荐模块，用于对客户交易过的产品按所述粘合度降序排序，根据所述粘合度的排序，取前若干个所述交易过的产品组成交易过的推荐产品集；

相似产品推荐模块，用于通过关联分析算法产生产品间关联规则，向左手规则产品对应的所述粘合度较大的客户推荐右手规则产品；

推荐产品集生成模块，用于根据所述未交易过的推荐产品集、所述交易过的推荐产品集和所述右手规则产品生成所述推荐产品集。

13.根据权利要求8所述的推荐装置，其特征在于，还包括：

新客户判断单元，用于根据所述客户与产品的粘性判读该客户是否为新客户；

新客推荐单元，当该客户是新客户时，用于通过最近邻算法计算所述新客户的相似老客户，利用协同过滤算法计算所述相似老客户的推荐产品集。

14.根据权利要求8所述的推荐装置，其特征在于，还包括：

排序单元，用于将所述推荐产品集按照所述粘合度降序排序。

15.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现权利要求1至7中任一项所述产品智能推荐方法。

16.一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，该计算机程序被处理器执行时实现权利要求1至7中任一项所述产品智能推荐方法。