CN110619585A - 推荐数据的方法、装置、存储介质和处理器 - Google Patents

Abstract

本发明公开了一种推荐数据的方法、装置、存储介质和处理器。其中，该方法包括：获取目标用户的特征数据，其中，特征数据包括：目标用户的用户特征和/或与目标用户关联的关联对象的对象特征；基于可解释神经网络模型，对目标用户的特征数据进行分析，得到推荐数据，其中，可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。本发明解决了现有技术基于用户关注的内容来推荐数据，由于数据推荐的范围大，导致数据的推荐结果不准确的技术问题。

Description

推荐数据的方法、装置、存储介质和处理器

技术领域

本发明涉及数据领域，具体而言，涉及一种推荐数据的方法、装置、存储介质和处理器。

背景技术

目前，在推荐数据时，通常是基于内容的推荐算法，原理是用户可能喜欢的内容和自己关注过的内容类似，则将与用户关注过的内容类似的内容的数据推荐给用户，比如，用户关注了“玻璃破碎险”，则基于内容的推荐算法发现了“车身划痕险”，这与之前关注的“玻璃破碎险”在内容上面有很大的关联性，则将“车身划痕险”的数据推荐给用户。

在相关技术中，还通过协同过滤算法来推荐数据，原理是用户可能喜欢那些具有相似兴趣的用户所喜欢过的内容，则可以将具有相似兴趣的用户所喜欢过的内容的数据推荐给用户，比如，宝马车主购买了“盗抢险”，另一用户购买的新车也是宝马，则另一用户和宝马车主具有相似兴趣，则将宝马车主购买的“盗抢险”的数据推荐给另一用户。

针对上述现有技术中一般基于用户关注的内容或与用户具有相似兴趣的用户所喜欢的内容来推荐数据，由于数据推荐的范围大，导致数据的推荐结果不准确的技术问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种推荐数据的方法、装置、存储介质和处理器，以至少解决现有技术基于用户关注的内容来推荐数据，由于数据推荐的范围大，导致数据的推荐结果不准确的技术问题。

根据本发明实施例的一个方面，提供了一种推荐数据的方法。该方法包括：获取目标用户的特征数据，其中，特征数据包括：目标用户的用户特征和/或与目标用户关联的关联对象的对象特征；基于可解释神经网络模型，对目标用户的特征数据进行分析，得到推荐数据，其中，可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。

可选地，该方法还包括：计算目标用户选择推荐数据的概率；基于计算得到的推荐数据的概率，确定是否向目标用户推荐推荐数据。

可选地，在推荐数据的概率超过推荐阈值的情况下，向目标用户推荐推荐数据。

可选地，在基于可解释神经网络模型，对目标用户的特征数据进行分析，得到推荐数据之前，该方法还包括：获取样本数据，其中，样本数据包括：不同类型用户的用户信息、以及与不同类型用户关联的关联对象的信息；基于学习模型对样本数据进行学习，生成可解释神经网络模型。

可选地，在目标用户为驾驶车辆的车辆用户，且关联对象为车辆的情况下，用户特征为车辆用户的至少一个用户信息，对象特征包括：车辆的至少一个车辆信息和已经为车辆购买的保险的保险信息；其中，推荐数据为基于用户信息和车辆信息而预测得到的车辆保险的种类。

可选地，对预先存储的车辆保险按照种类进行分类，车辆的车辆信息和已购买的保险的保险信息作为关键的学习因素用于构建可解释神经网络模型。

根据本发明实施例的另一方面，还提供了一种推荐数据的方法。该方法包括：在交互界面上输入并显示目标用户的特征数据，其中，特征数据包括：目标用户的用户特征和/或与目标用户关联的关联对象的对象特征；在交互界面上显示推荐数据，其中，推荐数据为基于可解释神经网络模型，对目标用户的特征数据进行分析得到，可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。

可选地，在交互界面上显示推荐数据之前，该方法还包括：计算目标用户选择推荐数据的概率；基于计算得到的推荐数据的概率，确定是否向目标用户推荐推荐数据；在推荐数据的概率超过推荐阈值的情况下，在交互界面上显示提示信息，其中，提示信息用户提示用户将在交互界面上显示推荐数据。

根据本发明实施例的另一方面，还提供了一种推荐数据的装置。该装置包括：获取单元，用于获取目标用户的特征数据，其中，特征数据包括：目标用户的用户特征和/或与目标用户关联的关联对象的对象特征；分析单元，用于基于可解释神经网络模型，对目标用户的特征数据进行分析，得到推荐数据，其中，可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。

根据本发明实施例的另一方面，还提供了一种推荐数据的装置。该装置包括：第一显示单元，用于在交互界面上输入并显示目标用户的特征数据，其中，特征数据包括：目标用户的用户特征和/或与目标用户关联的关联对象的对象特征；第二显示单元，用于在交互界面上显示推荐数据，其中，基于可解释神经网络模型，对目标用户的特征数据进行分析，得到推荐数据，其中，可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。

在本发明实施例中，获取目标用户的特征数据，其中，特征数据包括：目标用户的用户特征和/或与目标用户关联的关联对象的对象特征；基于可解释神经网络模型，对目标用户的特征数据进行分析，得到推荐数据，其中，可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。也就是说，预先训练好可解释神经网络模型，由于该可解释神经网络模型建立了不同的特征数据与对应的推荐数据之间的映射关系，因而只需要获取目标用户的特征数据即可，将该特征数据输入至可解释神经网络模型进行分析，从而得到了向用户进行推荐的推荐数据，由于输入至可解释神经网络模型的特征数据与用户强相关，是用户本身的用户特征(比如，车辆用户的至少一个用户信息)和/或与用户关联的关联对象的对象特征(比如，车辆的至少一个车辆信息和已经为车辆购买的保险的保险信息)，并非用户之前关注过的内容，也并非与用户具有相似兴趣的用户所喜欢的内容，避免了基于用户关注的内容或与用户具有相似兴趣的用户所喜欢的内容来推荐数据，由于数据推荐的范围大，所导致数据的推荐结果不准确的技术问题，进而达到了提高数据的推荐结果的准确性的技术效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种推荐数据的方法的流程图；

图2是根据本发明实施例提供了另一种推荐数据的方法的流程图；

图3是根据本发明实施例的一种推荐数据的装置的示意图；以及

图4是根据本发明实施例的另一种推荐数据的装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明实施例，提供了一种推荐数据的方法的实施例。

图1是根据本发明实施例的一种推荐数据的方法的流程图。如图1所示，该方法包括如下步骤：

步骤S102，获取目标用户的特征数据。

在本发明上述步骤S102提供的技术方案中，特征数据包括：目标用户的用户特征和/或与目标用户关联的关联对象的对象特征。

在该实施例中，目标用户为需要向其推荐数据的对象，比如，为车主，目标用户的特征数据与目标用户强相关，可以为用于指示用户本身属性的用户特征，包括不同特征维度的用户的数据，比如，包括目标用户的性别、年龄等维度的特征，此处不做任何限制；该实施例的目标用户具有与其相关联的关联对象，该关联对象与目标用户可以是所属关联关系，比如，目标用户拥有对该关联对象的使用权。该实施例的目标用户的特征数据还可以为关联对象的对象特征，可以包括不同特征维度的关联对象的数据，比如，包括驾龄、车长、车宽、车高、车有无前保险杠、车有无后保险杠、车的使用时长、车价格、车品牌、是否二手车等维度的特征，此处不做任何限制。因而，该实施例的获取目标用户的特征数据包括可以获取目标用户的用户特征和/或目标用户关联的关联对象的对象特征。

步骤S104，基于可解释神经网络模型，对目标用户的特征数据进行分析，得到推荐数据。

在本发明上述步骤S104提供的技术方案中，在获取目标用户的特征数据之后，基于可解释神经网络模型(Explainable Neural Networks，简称为xNN))，对目标用户的特征数据进行分析，得到推荐数据，可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。

在该实施例中，不同用户的特征数据为可解释神经网络模型的输入，对应的推荐数据为可解释神经网络模型的输出，特征数据与对应的推荐数据之间的映射关系通过对可解释神经网络模型进行训练来建立，这样在获取目标用户的特征数据之后，可以将目标用户的特征数据输入至可解释神经网络模型，通过可解释神经网络模型对目标用户的特征数据进行分析，从而得到待向目标用户进行推荐的推荐数据。

在该实施例中，可解释神经网络模型是机器学习模型的一项新进展，主要可以为模型提供可解释的洞察力，消除其黑箱属性，也即，该可解释神经网络模型能够提供关于输入的特征数据以及网络完成输出(预测)过程中所学得的非线性变换的直白解释。该实施例的可解释神经网络模型可以包含用于清楚地解释输入的目标用户的特征数据与输出的推荐数据之间的关系的机制，并能对可视化该网络所学习的函数起到帮助作用。

作为一种可选的实施方式，该方法还包括：计算目标用户选择推荐数据的概率；基于计算得到的推荐数据的概率，确定是否向目标用户推荐推荐数据。

在该实施例中，可解释神经网络模型可以建立不同的特征数据与对应的推荐数据之间的映射关系，而得到的推荐数据可能被目标用户选择，也可能不被目标用户选择，因而并不是得到的所有推荐数据都可以向目标用户推荐。

可选地，该实施例的推荐数据可以携带有目标用户选择该推荐数据的概率，在基于可解释神经网络模型，对目标用户的特征数据进行分析，得到推荐数据之后，可以进一步计算目标用户选择该推荐数据的概率，可以从数据库中确定其它实际已经选择过的与推荐数据相同的数据的至少一个用户，获取该至少一个用户的特征数据，分别计算该至少一个用户的特征数据与目标用户的特征数据之间的相似度或重叠度，进而基于该相似度或重叠度来计算该目标用户选择该推荐数据的概率，其中，每一个用户的特征数据与目标用户的特征数据之间的相似度或重叠度越高，则目标用户选择该推荐数据的概率就越高，否则，目标用户选择该推荐数据的概率就越低。

可选地，该实施例还可以在数据库中，获取特征数据与目标用户的特征数据相同的其它用户的总数量，以及其它用户中选择过与推荐数据相同的数据的数量，通过其它用户中选择过与推荐数据相同的数据的数量占与目标用户的特征数据相同的其它用户的总数量的比值，确定目标用户选择该推荐数据的概率，进而基于选择该推荐数据的概率确定是否向目标用户推荐该推荐数据。

需要说明的是，上述计算目标用户选择推荐数据的概率的方式仅为本发明实施例的一种举例，并不代表本发明实施例的计算目标用户选择推荐数据的概率仅为上述方式，任何可以计算目标用户选择推荐数据的概率的方式都在本发明实施例的范围之内，此处不再一一举例说明。

可选地，该实施例在输出推荐数据的同时，可以输出该推荐数据的概率。

作为一种可选的实施方式，在推荐数据的概率超过推荐阈值的情况下，向目标用户推荐推荐数据。

在计算目标用户选择推荐数据的概率之后，可以判断推荐数据的概率是否超过预先设定的推荐阈值，其中，推荐阈值为基于推荐数据的概率向目标用户推荐推荐数据和不向目标用户推荐推荐数据的临界值，比如，为0.5，此处不做任何限制。可以在推荐数据的概率超过推荐数据的概率的情况下，自动向目标用户推荐推荐数据，也可以由人工进一步确定向目标用户推荐推荐数据，可以将该推荐数据发送至目标用户所使用的终端，进而在用户所使用的终端上进行显示。可选地，如果推荐数据的概率未超过推荐阈值的情况下，则不向目标用户推荐推荐数据，从而通过推荐数据的概率为数据推荐提供参考，有针对性地推荐数据，进而提高了数据推荐的准确性和效率。

作为一种可选的实施方式，在步骤S104，基于可解释神经网络模型，对目标用户的特征数据进行分析，得到推荐数据之前，该方法还包括：获取样本数据，其中，样本数据包括：不同类型用户的用户信息、以及与不同类型用户关联的关联对象的信息；基于学习模型对样本数据进行学习，生成可解释神经网络模型。

在该实施例中，在基于可解释神经网络模型，对目标用户的特征数据进行分析，得到推荐数据之前，需要训练可解释神经网络模型，可以定义不同类型用户对应的已经选择过的数据，对用户已经选择过的数据进行分类，比如，分为辆损失险、第三者责任险、全车盗抢险、车上责任险、无过失责任险、划痕险、玻璃单独破碎险、车辆停驶损失险、自燃损失险、新增加设备损失险、不计免赔特约险等，从而得到不同类型的数据，然后采集大量的样本数据，该样本数据可以包括不同类型用户的用户信息、与不同类型用户关联的关联对象的信息以及不同类型用户已经选择过的不同类型的数据，其中，不同类型用户的用户信息可以为用于指示用户本身属性的用户信息，包括不同特征维度的用户的数据，比如，包括不同用户的性别、年龄等维度的特征，此处不做任何限制；与不同类型用户关联的关联对象的信息征，可以包括不同特征维度的关联对象的数据，比如，包括驾龄、车长、车宽、车高、车有无前保险杠、车有无后保险杠、车的使用时长、车价格、车品牌、是否二手车等维度的特征，此处不做任何限制。

根据不同类型用户的用户信息、与不同类型用户关联的关联对象的信息以及不同类型用户已经选择过的不同类型的数据建立可解释神经网络模型所需要的样本数据，其中，一个用户对应样本数据中的一条样本数据记录，比如，在样本数据中，样本数据记录1为车主1对应的用户信息包括男性、30岁等信息，对应的关联对象的信息包括2年驾龄、车长4米、车宽2.5米、车高1.3米等信息，对应的已经选择过的数据为第三者责任险；样本数据记录2为车主2对应的用户信息包括女性、29岁、新车等信息，对应的关联对象的信息包括3年驾龄、车长5米、车宽3米、车高1.4米、二手车等信息，对应的已经选择过的数据为划痕险，该实施例的样本数据还可以包括其它的样本数据记录，此处不再一一举例说明。

可选地，该实施例可以将每条样本数据按照以下方式进行记录，不同类型用户的用户信息、以及与不同类型用户关联的关联对象的信息用X表示，比如，X＝[X1(性别)、X2(年龄)、X3(驾龄)、X4(车长)、X5(车宽)、X6(车高)、X7(车有无前保险杠)、X8(车有无后保险杠)、X9(车的使用时长)、X10(车价格)、X11(车品牌)、X12(是否二手车)]，用户选择某类型的数据Y＝1，用户没有选择某类型的数据Y＝0。以选择的数据为车辆损失险为例，当车主购买了车辆损失险，则Y＝1，当车主没有购买车辆损失险(包括购买了第三者责任险、全车盗抢险、车上责任险、无过失责任险、划痕险、玻璃单独破碎险、车辆停驶损失险、自燃损失险、新增加设备损失险和不计免赔特约险中的任一项或多项保险)，则Y＝0，比如，对于上述数据记录1而言，则车辆损失险的Y＝0。

在采集大量的样本数据之后，基于学习模型对样本数据进行学习，生成可解释神经网络模型，其中，学习模型可以为初始神经网络模型，该初始神经网络模型是以神经元的数学模型为基础来描述的。在采集大量的样本数据之后，通过机器学习来解析样本数据，从中学习来对学习模型进行训练，其中，在通过机器学习来解析样本数据时，可以对样本数据按照分布一致性算法、去噪、采样等算法进行预处理，再从预处理后的数据中进行特征提取、特征变换、特征归一、特征组合等得到用于训练学习模型的特征，进一步通过优化算法、假设函数、损失函数、决策边界、收敛速度、迭代策略等对特征进行处理，得到不同类型用户的用户信息、以及与不同类型用户关联的关联对象的信息与不同类型用户所选择的数据之间的映射关系的标签，进而通过该标签对学习模型进行训练，得到目标参数，进而通过该学习模型和目标参数共同确定可解释神经网络模型。可选地，该实施例还可以对可解释神经网络模进行交叉验证、评估目标、过拟合、欠拟合等评价，从而最终得到用于确定向用户进行推荐的推荐数据的可解释神经网络模型。

在该实施例中，可以计算用户选择不同类型的数据的概率，比如，Pr(Y＝1|车险品种)，用于表示车主购买某个车险的概率，可以针对定义过的不同类型的数据，计算用户选择不同类型的数据的概率，比如，计算Pr(Y＝1|车辆损失险)，用于表示购买车辆损失险的概率；计算Pr(Y＝1|第三者责任险)，用于表示购买第三者责任险的概率；计算Pr(Y＝1|全车盗抢险)，用于表示购买全车盗抢险的概率；计算Pr(Y＝1|车上责任险)，用于表示购买车上责任险的概率；计算Pr(Y＝1|无过失责任险)，用于表示购买无过失责任险的概率；计算Pr(Y＝1|划痕险)，用于表示购买划痕险的概率；计算Pr(Y＝1|玻璃单独破碎险)，用于表示购买玻璃单独破碎险的概率；计算Pr(Y＝1|车辆停驶损失险)，用于表示购买车辆停驶损失险的概率；计算Pr(Y＝1|自燃损失险)，用于表示购买自燃损失险的概率；计算Pr(Y＝1|新增加设备损失险)，用于表示购买新增加设备损失险的概率；计算Pr(Y＝1|不计免赔特约险)，用于表示购买不计免赔特约险的概率等。

作为一种可选的实施方式，在目标用户为驾驶车辆的车辆用户，且关联对象为车辆的情况下，用户特征为车辆用户的至少一个用户信息，对象特征包括：车辆的至少一个车辆信息和已经为车辆购买的保险的保险信息；其中，推荐数据为基于用户信息和车辆信息而预测得到的车辆保险的种类。

该实施例的数据推荐方法可以应用于车辆数据推荐领域中，目标用户可以为驾驶车辆的车辆用户，也即，车主，与目标用户相关联的关联对象可以为车辆，该车辆可以为任意类型的车辆，此处不做任何限制，用户特征可以为车辆用户的至少一个用户信息，包括性别、年龄等用户信息，此处不做任何限制；关联对象的对象特征可以包括车辆的至少一个车辆信息和已经为车辆购买的保险的保险信息，其中，至少一个车辆信息可以包括驾龄、车长、车宽、车高、车有无前保险杠、车有无后保险杠、车的使用时长、车价格、车品牌、是否二手车等车辆信息，已经为车辆购买的保险的保险信息可以包括保险的种类，比如，为车辆损失险、第三者责任险、全车盗抢险、车上责任险、无过失责任险、划痕险、玻璃单独破碎险、车辆停驶损失险、自燃损失险、新增加设备损失险和不计免赔特约险等，此处不做任何限制。其中，推荐数据可以为基于用户信息和车辆信息而预测得到的车辆保险的种类。

作为一种可选的实施方式，对预先存储的车辆保险按照种类进行分类，车辆的车辆信息和已购买的保险的保险信息作为关键的学习因素用于构建可解释神经网络模型。

在该实施例中，在训练得到可解释神经网络模型之前，该实施例可以对预先存储的车辆保险按照种类进行分类，将车辆的车辆信息和已购买的保险的保险信息均作为用于构建可解释神经网络模型的关键的学习因素，进而结合车辆用户的至少一个用户信息训练得到可解释神经网络模型。

本发明实施例还从用户交互角度，提供了另一种推荐数据的方法。

图2是根据本发明实施例提供了另一种推荐数据的方法的流程图。如图2所示，该方法可以包括：

步骤S202，在交互界面上输入并显示目标用户的特征数据。

在本发明上述步骤S202提供的技术方案中，特征数据包括：目标用户的用户特征和/或与目标用户关联的关联对象的对象特征。

该实施例中，交互界面可以为数据推荐终端的图形用户界面，在交互界面上输入并显示目标用户的特征数据，该目标用户为需要向其推荐数据的对象，比如，为车主，目标用户的特征数据与目标用户强相关，可以为用于指示用户本身属性的用户特征，包括不同特征维度的用户的数据，比如，包括目标用户的性别、年龄等维度的特征，此处不做任何限制；该实施例的目标用户具有与其相关联的关联对象，该关联对象与目标用户可以是所属关联关系，比如，目标用户拥有对该关联对象的使用权。该实施例的目标用户的特征数据还可以为关联对象的对象特征，可以包括不同特征维度的关联对象的数据，比如，包括驾龄、车长、车宽、车高、车有无前保险杠、车有无后保险杠、车的使用时长、车价格、车品牌、是否二手车等维度的特征，此处不做任何限制。因而，该实施例在交互界面上输入并显示目标用户的特征数据包括获取在交互界面上输入并显示目标用户的用户特征和/或目标用户关联的关联对象的对象特征。

步骤S204，在交互界面上显示推荐数据。

在本发明上述步骤S204提供的技术方案中，在交互界面上输入并显示目标用户的特征数据之后，在交互界面上显示推荐数据，其中，推荐数据为基于可解释神经网络模型，对目标用户的特征数据进行分析得到，可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。

在本发明上述步骤S204提供的技术方案中，在交互界面上显示推荐数据之后，可以在交互界面上显示基于可解释神经网络模型对目标用户的特征数据进行分析所得到的推荐数据，其中，可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。

在该实施例中，不同用户的特征数据为可解释神经网络模型的输入，对应的推荐数据为可解释神经网络模型的输出，特征数据与对应的推荐数据之间的映射关系通过对可解释神经网络模型进行训练来建立，这样在获取目标用户的特征数据之后，可以将目标用户的特征数据输入至可解释神经网络模型，通过可解释神经网络模型对目标用户的特征数据进行分析，从而得到待向目标用户进行推荐的推荐数据。

该实施例的可解释神经网络模型可以包含用于清楚地解释输入的目标用户的特征数据与输出的推荐数据之间的关系的机制，并能对可视化该网络所学习的函数起到帮助作用。

作为一种可选的实施方式，在步骤S204，交互界面上显示推荐数据之前，该方法还包括：计算目标用户选择推荐数据的概率；基于计算得到的推荐数据的概率，确定是否向目标用户推荐推荐数据；在推荐数据的概率超过推荐阈值的情况下，在交互界面上显示提示信息，其中，提示信息用户提示用户将在交互界面上显示推荐数据。

在该实施例中，可解释神经网络模型输出的推荐数据还可以携带有目标用户选择该推荐数据的概率，在基于可解释神经网络模型，对目标用户的特征数据进行分析，得到推荐数据之后，可以进一步计算目标用户选择该推荐数据的概率，可以从数据库中确定其它实际已经选择过的与推荐数据相同的数据的至少一个用户，获取该至少一个用户的特征数据，分别计算该至少一个用户的特征数据与目标用户的特征数据之间的相似度或重叠度，进而基于该相似度或重叠度来计算该目标用户选择该推荐数据的概率，其中，每一个用户的特征数据与目标用户的特征数据之间的相似度或重叠度越高，则目标用户选择该推荐数据的概率就越高，否则，目标用户选择该推荐数据的概率就越低。

可选地，该实施例还可以在数据库中，获取特征数据与目标用户的特征数据相同的其它用户的总数量，以及其它用户中选择过与推荐数据相同的数据的数量，通过其它用户中选择过与推荐数据相同的数据的数量占与目标用户的特征数据相同的其它用户的总数量的比值，确定目标用户选择该推荐数据的概率，进而基于选择该推荐数据的概率确定是否向目标用户推荐该推荐数据。

在计算目标用户选择推荐数据的概率之后，可以判断推荐数据的概率是否超过预先设定的推荐阈值，可以在推荐数据的概率超过推荐数据的概率的情况下，在交互界面上显示提示信息，该提示信息用户提示用户将在交互界面上显示推荐数据，可以自动向目标用户推荐推荐数据，也可以由人工进一步确定向目标用户推荐推荐数据，可以将该推荐数据发送至目标用户所使用的终端，进而在用户所使用的终端上进行显示。可选地，如果推荐数据的概率未超过推荐阈值的情况下，则不在交互界面上显示提示信息，从而通过推荐数据的概率为数据推荐提供参考，有针对性地推荐数据，进而提高了数据推荐的准确性和效率。

在该实施例中，预先训练好可解释神经网络模型，由于该可解释神经网络模型建立了不同的特征数据与对应的推荐数据之间的映射关系，因而只需要获取目标用户的特征数据即可，将该特征数据输入至可解释神经网络模型进行分析，从而得到了向用户进行推荐的推荐数据，由于输入至可解释神经网络模型的特征数据与用户强相关，是用户本身的用户特征(比如，车辆用户的至少一个用户信息)和/或与用户关联的关联对象的对象特征(比如，车辆的至少一个车辆信息和已经为车辆购买的保险的保险信息)，并非用户之前关注过的内容，也并非与用户具有相似兴趣的用户所喜欢的内容，避免了基于用户关注的内容或与用户具有相似兴趣的用户所喜欢的内容来推荐数据，由于数据推荐的范围大，所导致数据的推荐结果不准确的技术问题，进而达到了提高数据的推荐结果的准确性的技术效果。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例2

下面结合优选的实施例对本发明实施例的推荐数据的方法进行介绍，具体以车辆数据推荐领域，目标用户为驾驶车辆的车主，关联对象为车辆，用户特征为车辆用户的至少一个用户信息，对象特征包括车辆的至少一个车辆信息和已经为车辆购买的保险的保险信息，推荐数据为基于用户信息和车辆信息而预测得到的车辆保险的种类进行举例说明。

在该实施例中，可解释神经网络是机器学习模型的一项新进展，旨在为模型提供可解释的洞察力，消除其黑箱属性。这意味着它能够提供关于特征以及网络完成输出(预测)过程中所学得的非线性变换的直白解释。通过该模型，研究者可以清楚地解释输入特征与复杂神经网络输出之间的关系，因为xNN网络结构包含解释这种关系的机制，并能对可视化该网络所学习的函数起到帮助作用。

该实施例提出了一种基于可解释神经网络，构建车辆的保险推荐模型的方法。

第一步，车主特征信息采集，该特征信息的维度包括性别、年龄、驾龄、车长、车宽、车高、车有无前保险杠、车有无后保险杠、车的使用时长、车价格、车品牌、是否二手车等，此处不做任何限制。

第二步，对车辆的保险进行分类，如表1所示。

表1车辆的保险类型表

车辆损失险	第三者责任险	全车盗抢险	车上责任险
				无过失责任险	划痕险	玻璃单独破碎险	车辆停驶损失险
自燃损失险	新增加设备损失险	不计免赔特约险

第三步，根据已经购买过车辆的保险的车主，建立构建可解释神经网络模型所需要的数据集，其中，一个车主对应一条数据记录，如下表2所示。

表2数据集的数据记录表

第四步，以车辆损失险为例，记X＝(性别、年龄、驾龄、车长、车宽、车高、车有无前保险杠、车有无后保险杠、车的使用时长、车价格、车品牌、是否二手车)。Y＝1或0，其中，当车主购买了车辆损失险，Y＝1，当车主没有购买车辆损失险，Y＝0。利用可解释神经网络xNN，建立X->Y的映射关系，从而计算Y＝1的概率。为了方便进行说明，可记Pr(Y＝1|车险品种)，用于表示车主购买某个车险的概率，比如，Pr(Y＝1|车辆损失险)用于表示车主购买车辆损失险的概率。

第五步，对第二步中定义的所有车辆的保险的类型，重复进行第四步的操作，可以得到：

表3车辆的保险的类型与购买其的概率

Pr(Y＝1|车辆损失险)	购买车辆损失险的概率
		Pr(Y＝1|第三者责任险)	购买第三者责任险的概率
Pr(Y＝1|全车盗抢险)	购买全车盗抢险的概率
		Pr(Y＝1|车上责任险)	购买车上责任险的概率
Pr(Y＝1|无过失责任险)	购买无过失责任险的概率
		Pr(Y＝1|划痕险)	购买划痕险的概率
Pr(Y＝1|玻璃单独破碎险)	购买玻璃单独破碎险的概率
		Pr(Y＝1|车辆停驶损失险)	购买车辆停驶损失险的概率
Pr(Y＝1|自燃损失险)	购买自燃损失险的概率
		Pr(Y＝1|新增加设备损失险)	购买新增加设备损失险的概率
Pr(Y＝1|不计免赔特约险)	购买不计免赔特约险的概率

第六步，当Pr(Y＝1|车险品种)>0.5时，向车主推荐该车辆的保险的类型。

该实施例通过上述方法可以提升车险推销员的工作效率，为车险推销员给车主制定车险方案提供参考，并且为车主购买车险提供参考，进而提高了车辆保险的类型推荐的准确性。

需要说明的是，该实施例以车辆数据推荐领域中的推荐车辆保险的种类进行举例说明，但并不限于该本发明实施例的数据推荐方法仅为上述车辆数据推荐领域中的推荐车辆保险的种类方法，还可以应用在其它的需要提高数据推荐准确性的领域中，此处不再一一举例说明。

实施例3

本发明实施例还提供了一种推荐数据的装置。需要说明的是，该实施例的推荐数据的装置可以用于执行图1所示的本发明实施例的推荐数据的方法。

图3是根据本发明实施例的一种推荐数据的装置的示意图。如图3所示，该推荐数据的装置30可以包括：获取单元31和分析单元32。

获取单元31，用于获取目标用户的特征数据，其中，特征数据包括：目标用户的用户特征和/或与目标用户关联的关联对象的对象特征。

分析单元32，用于基于可解释神经网络模型，对目标用户的特征数据进行分析，得到推荐数据，其中，可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。

可选地，该装置还包括：第一计算单元，用于计算目标用户选择推荐数据的概率；第一确定单元，用于基于计算得到的推荐数据的概率，确定是否向目标用户推荐推荐数据。

可选地，该装置还包括：推荐单元，用于在推荐数据的概率超过推荐阈值的情况下，向目标用户推荐推荐数据。

可选地，该装置还包括：第一获取单元，用于在基于可解释神经网络模型，对目标用户的特征数据进行分析，得到推荐数据之前，获取样本数据，其中，样本数据包括：不同类型用户的用户信息、以及与不同类型用户关联的关联对象的信息；生成单元，用于基于学习模型对样本数据进行学习，生成可解释神经网络模型。

可选地，在目标用户为驾驶车辆的车辆用户，且关联对象为车辆的情况下，用户特征为车辆用户的至少一个用户信息，对象特征包括：车辆的至少一个车辆信息和已经为车辆购买的保险的保险信息；其中，推荐数据为基于用户信息和车辆信息而预测得到的车辆保险的种类。

可选地，对预先存储的车辆保险按照种类进行分类，车辆的车辆信息和已购买的保险的保险信息作为关键的学习因素用于构建可解释神经网络模型。

本发明实施例还从用户交互角度提供了另一种推荐数据的装置。需要说明的是，该实施例的推荐数据的装置可以用于执行图2所示的本发明实施例的推荐数据的方法。

图4是根据本发明实施例的另一种推荐数据的装置的示意图。如图4所示，该推荐数据的装置40可以包括：第一显示单元41和第二显示单元42。

第一显示单元41，用于在交互界面上输入并显示目标用户的特征数据，其中，特征数据包括：目标用户的用户特征和/或与目标用户关联的关联对象的对象特征。

第二显示单元42，用于在交互界面上显示推荐数据，其中，基于可解释神经网络模型，对目标用户的特征数据进行分析，得到推荐数据，其中，可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。

可选地，该装置还包括：第二计算单元，用于在交互界面上显示推荐数据之前，计算目标用户选择推荐数据的概率；第二确定单元，用于基于计算得到的推荐数据的概率，确定是否向目标用户推荐推荐数据；第三显示单元，用于在推荐数据的概率超过推荐阈值的情况下，在交互界面上显示提示信息，其中，提示信息用户提示用户将在交互界面上显示推荐数据。

在该实施例中，预先训练好可解释神经网络模型，由于该可解释神经网络模型建立了不同的特征数据与对应的推荐数据之间的映射关系，因而只需要获取目标用户的特征数据即可，将该特征数据输入至可解释神经网络模型进行分析，从而得到了向用户进行推荐的推荐数据，由于输入至可解释神经网络模型的特征数据与用户强相关，是用户本身的用户特征(比如，车辆用户的至少一个用户信息)和/或与用户关联的关联对象的对象特征(比如，车辆的至少一个车辆信息和已经为车辆购买的保险的保险信息)，并非用户之前关注过的内容，也并非与用户具有相似兴趣的用户所喜欢的内容，避免了基于用户关注的内容或与用户具有相似兴趣的用户所喜欢的内容来推荐数据，由于数据推荐的范围大，所导致数据的推荐结果不准确的技术问题，进而达到了提高数据的推荐结果的准确性的技术效果。

实施例4

根据本发明实施例，还提供了一种存储介质，该存储介质包括存储的程序，其中，所述程序执行实施例1中所述的推荐数据的方法。

实施例5

根据本发明实施例，还提供了一种处理器，该处理器用于运行程序，其中，所述程序运行时执行实施例1中所述的推荐数据的方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

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，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述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，可以存储在一个计算机可读取存储介质中。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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种推荐数据的方法，其特征在于，包括：

获取目标用户的特征数据，其中，所述特征数据包括：所述目标用户的用户特征和/或与所述目标用户关联的关联对象的对象特征；

基于可解释神经网络模型，对所述目标用户的特征数据进行分析，得到推荐数据，其中，所述可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。

2.根据权利要求1所述的方法，其特征在于，在得到所述推荐数据之后，所述方法还包括：

计算所述目标用户选择所述推荐数据的概率；

基于计算得到的所述推荐数据的概率，确定是否向所述目标用户推荐所述推荐数据。

3.根据权利要求2所述的方法，其特征在于，在所述推荐数据的概率超过推荐阈值的情况下，向所述目标用户推荐所述推荐数据。

4.根据权利要求1所述的方法，其特征在于，在基于可解释神经网络模型，对所述目标用户的特征数据进行分析，得到所述推荐数据之前，所述方法还包括：

获取样本数据，其中，所述样本数据包括：不同类型用户的用户信息、以及与所述不同类型用户关联的关联对象的信息；

基于学习模型对所述样本数据进行学习，生成所述可解释神经网络模型。

5.根据权利要求1至4中任意一项所述的方法，其特征在于，在所述目标用户为驾驶车辆的车辆用户，且所述关联对象为所述车辆的情况下，所述用户特征为所述车辆用户的至少一个用户信息，所述对象特征包括：所述车辆的至少一个车辆信息和已经为所述车辆购买的保险的保险信息；

其中，所述推荐数据为基于所述用户信息和所述车辆信息而预测得到的车辆保险的种类。

6.根据权利要求5所述的方法，其特征在于，对预先存储的车辆保险按照种类进行分类，所述车辆的车辆信息和已购买的保险的保险信息作为关键的学习因素用于构建所述可解释神经网络模型。

7.一种推荐数据的方法，其特征在于，包括：

在交互界面上输入并显示目标用户的特征数据，其中，所述特征数据包括：所述目标用户的用户特征和/或与所述目标用户关联的关联对象的对象特征；

在所述交互界面上显示推荐数据，其中，所述推荐数据为基于可解释神经网络模型，对所述目标用户的特征数据进行分析得到，所述可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。

8.根据权利要求7所述的方法，其特征在于，在所述交互界面上显示推荐数据之前，所述方法还包括：

计算所述目标用户选择所述推荐数据的概率；

基于计算得到的所述推荐数据的概率，确定是否向所述目标用户推荐所述推荐数据；

在所述推荐数据的概率超过推荐阈值的情况下，在所述交互界面上显示提示信息，其中，所述提示信息用户提示用户将在所述交互界面上显示所述推荐数据。

9.一种推荐数据的装置，其特征在于，包括：

获取单元，用于获取目标用户的特征数据，其中，所述特征数据包括：所述目标用户的用户特征和/或与所述目标用户关联的关联对象的对象特征；

分析单元，用于基于可解释神经网络模型，对所述目标用户的特征数据进行分析，得到推荐数据，其中，所述可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。

10.一种推荐数据的装置，其特征在于，包括：

第一显示单元，用于在交互界面上输入并显示目标用户的特征数据，其中，所述特征数据包括：所述目标用户的用户特征和/或与所述目标用户关联的关联对象的对象特征；

第二显示单元，用于在所述交互界面上显示推荐数据，其中，基于可解释神经网络模型，对所述目标用户的特征数据进行分析，得到所述推荐数据，其中，所述可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。

11.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至8中任意一项所述的方法。

12.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至8中任意一项所述的方法。