CN110751533B - 产品画像生成方法、装置、计算机设备和存储介质 - Google Patents
产品画像生成方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110751533B CN110751533B CN201910848501.8A CN201910848501A CN110751533B CN 110751533 B CN110751533 B CN 110751533B CN 201910848501 A CN201910848501 A CN 201910848501A CN 110751533 B CN110751533 B CN 110751533B
- Authority
- CN
- China
- Prior art keywords
- product
- portrait
- label
- information
- user
- 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
Links
Images
Classifications
-
- 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
-
- 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
Abstract
本申请涉及一种数据分析领域的产品画像生成方法、装置、计算机设备和存储介质。所述方法包括:获取多维度产品信息以及对应的标签类别;根据多维度产品信息以及标签类别建立产品矩阵;根据产品标识对产品矩阵的建立过程进行监听,当建立过程完成时,调用线程将所述产品矩阵输入训练后的标签模型;通过标签模型在产品标签库中识别产品标识对应的多个画像标签,根据多个画像标签识别相关联的推测标签,通过多线程并发计算画像标签与多个推测标签之间的关联性;提取关联性达到阈值的推测标签,将提取的推测标签以及画像标签输入至画像模型进行运算,生成与所述产品标识对应的产品画像。采用本方法能够有效提高产品画像的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种产品画像生成方法、装置、计算机设备和存储介质。
背景技术
企业在向用户推荐产品时,需要对产品进行描述,即生成与产品对应的产品画像。该产品可以是有形产品,也可以是无形产品。在传统方式中,是根据产品的特有功能来得到对应的产品标签,并根据产品标签生成与产品对应的产品画像。但是在面对专业的、复杂的产品时,通过传统方式无法得到全面的产品标签,导致生成的产品画像的准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高产品画像的准确性的产品画像生成方法、装置、计算机设备和存储介质。
一种产品画像生成方法,所述方法包括:
利用线程扫描任务表,在所述任务表中提取产品画像任务,所述产品画像任务包括产品标识;
根据所述产品画像任务读取信息维度文件,所述信息维度文件中包括与产品标识对应的多个维度;
根据所述维度在产品信息库中获取多维度产品信息以及对应的标签类别;
根据所述多维度产品信息以及所述标签类别建立产品矩阵;
根据产品标识对产品矩阵的建立过程进行监听,当建立过程完成时,调用线程将所述产品矩阵输入训练后的标签模型;
通过所述标签模型在产品标签库中识别所述产品标识对应的多个画像标签,根据多个画像标签识别相关联的推测标签,通过多线程并发计算所述画像标签与多个推测标签之间的关联性;
提取所述关联性达到阈值的推测标签,将提取的推测标签以及所述画像标签输入至画像模型进行运算,生成与所述产品标识对应的产品画像,将生成的产品画像存储至产品画像库中。
在其中一个实施例中,所述标签模型中部署有多个画像标签的重要因子;所述根据多个画像标签识别相关联的推测标签,包括:
利用多线程对多个画像标签进行特征提取,得到对应的画像标签向量;
利用多线程以及多个画像标签的重要因子,并发计算多个画像标签向量之间的关联性;
利用多线程以及多个画像标签向量之间的关联性,并发计算多个画像标签向量与候选标签之间的关联性;
提取所述关联性达到预设阈值的候选标签,将所述候选标签作为推测标签。
在其中一个实施例中,所述方法还包括:
获取待推荐用户的用户画像;
将所述用户画像与多个产品标识对应的产品画像进行匹配,得到与所述用户画像对应的第一画像标签;
在用户历史数据中查找与所述待推荐用户对应的第二画像标签;
根据所述第一画像标签以及第二画像标签确定与所述待推荐用户对应的待推荐产品信息;
将所述待推荐产品信息推送至所述待推荐用户。
在其中一个实施例中,所述方法还包括:
获取待推荐用户的用户信息;
将所述用户信息与预设配置矩阵进行匹配,得到与所述用户信息相对应的产品配置信息;
根据所述产品配置信息与多个产品标识对应的产品画像,确定待推荐产品信息;
将所述待推荐产品信息推送至所述待推荐用户。
在其中一个实施例中,所述根据所述产品配置信息与多个产品标识对应的产品画像,确定待推荐产品信息包括:
根据所述产品配置信息以及所述预设配置矩阵,在多个产品标识对应的产品画像中确定与所述待推荐用户对应的产品画像;
根据所述产品画像确定待推荐产品信息。
在其中一个实施例中,所述根据所述产品配置信息以及预设配置矩阵在所述多个产品标识对应的产品画像中确定与所述待推荐用户对应的产品画像包括:
根据所述预设配置矩阵获取与所述用户信息对应的产品策略信息;
将所述产品配置信息与所述待推荐用户的现有产品信息进行比较,得到所述现有产品信息的差异信息;
根据所述差异信息以及产品策略信息在所述多个产品标识对应的产品画像中确定与所述待推荐用户对应的产品画像。
一种产品画像生成装置,所述装置包括:
扫描模块,用于利用线程扫描任务表,在所述任务表中提取产品画像任务,所述产品画像任务包括产品标识;
读取模块,用于根据所述产品画像任务读取信息维度文件,所述信息维度文件中包括与产品标识对应的多个维度;
第一获取模块,用于根据所述维度在产品信息库中获取多维度产品信息以及对应的标签类别;
建立模块,根据所述多维度产品信息以及所述标签类别建立产品矩阵;将所述产品矩阵存储至产品标签库中;
监听模块,用于根据产品标识对产品矩阵的建立过程进行监听,当建立过程完成时,调用线程将所述产品矩阵输入训练后的标签模型;
识别模块,用于通过标签模型在产品标签库中识别所述产品标识对应的多个画像标签,根据多个画像标签识别相关联的推测标签,通过多线程并发计算所述画像标签与多个推测标签之间的关联性;
生成模块,用于提取所述关联性达到阈值的推测标签,将提取的推测标签以及所述画像标签输入至画像模型进行运算,生成与所述产品标识对应的产品画像,将生成的产品画像存储至产品画像库中。
在其中一个实施例中,所述装置还包括:
第二获取模块,用于获取待推荐用户的用户信息;
第一匹配模块,用于将所述用户信息与预设配置矩阵进行匹配,得到与所述用户信息相对应的产品配置信息;
第一确定模块,用于根据所述产品配置信息与多个产品标识对应的产品画像,确定待推荐产品信息;
第一推送模块,用于将所述待推荐产品信息推送至所述待推荐用户。
一种计算机设备,包括存储器和处理器,所述存储器存储有可在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上述各个方法实施例中的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
上述产品画像生成方法、装置、计算机设备和存储介质,通过产品标识对应的多个维度在产品信息库来获取多维度的产品信息,有助于得到更全面的画像标签。通过在产品信息库中获取多维度信息对应的标签类别,标签类别是预先设置的,能够提高标签类别的获取效率。根据多维度产品信息以及所述标签类别建立产品矩阵,以便将产品矩阵输入训练后的标签模型。通过对产品矩阵的建立过程进行监听,能够及时将产品矩阵输入训练后的标签模型中。通过训练后的标签模型根据多个画像标签识别相关联的推测标签,通过多线程并发计算画像标签与多个推测标签之间的关联性,能够提高画像标签的全面性以及识别效率。通过画像模型对提取的推测标签以及画像标签进行运算,从而得到与产品标识对应的产品画像。能够在面对专业、复杂的产品时,生成全面的画像标签,进而有效提高产品画像的准确性。
附图说明
图1为一个实施例中产品画像生成方法的应用环境图;
图2为一个实施例中产品画像生成方法的流程示意图;
图3为一个实施例中根据用户信息与多个产品标识对应的产品画像确定待推荐产品信息步骤的流程示意图;
图4为一个实施例中产品画像生成装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的产品画像生成方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。终端102上传任务表至服务器104,服务器104利用线程扫描任务表,在任务表中提取产品画像任务,产品画像任务包括产品标识。服务器104根据产品画像任务读取信息维度文件,信息维度文件中包括与产品标识对应的多个维度。服务器104根据维度在产品信息库中获取多维度产品信息以及对应的标签类别。服务器104根据多维度产品信息以及标签类别建立产品矩阵,将产品矩阵存储至产品标签库中。服务器104根据产品标识对产品矩阵的建立过程进行监听,当建立过程完成时,调用线程将产品矩阵输入训练后的标签模型。服务器104通过标签模型在产品标签库中识别产品标识对应的多个画像标签,根据多个画像标签识别相关联的推测标签,通过多线程并发计算画像标签与多个推测标签之间的关联性。服务器104提取关联性达到阈值的推测标签,将提取的推测标签以及画像标签输入至画像模型进行运算,生成与产品标识对应的产品画像,将生成的产品画像存储至产品画像库中。能够生成全面、准确的产品画像。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种产品画像生成方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,利用线程扫描任务表,在任务表中提取产品画像任务,产品画像任务包括产品标识。
步骤204,根据产品画像任务读取信息维度文件,信息维度文件中包括与产品标识对应的多个维度。
步骤206,根据维度在产品信息库中获取多维度产品信息以及对应的标签类别。
步骤208,根据多维度产品信息以及标签类别建立产品矩阵;将产品矩阵存储至产品标签库中。
步骤210,根据产品标识对产品矩阵的建立过程进行监听,当建立过程完成时,调用线程将产品矩阵输入训练后的标签模型。
步骤212,通过标签模型识别产品标识对应的多个画像标签,根据多个画像标签识别相关联的推测标签,通过多线程并发计算画像标签与多个推测标签之间的关联性。
步骤214,提取关联性达到阈值的推测标签,将提取的推测标签以及画像标签输入至画像模型进行运算,生成与产品标识对应的产品画像,将生成的产品画像存储至产品画像库中。
服务器接收终端上传的任务表,服务器利用线程扫描任务表,在任务表中提取产品画像任务。服务器对产品画像任务进行解析,得到产品标识。产品标识是产品的唯一识别标识,产品标识包括产品名称、产品编码等。产品标识可以是有形产品的产品标识,也可以无形产品的产品标识。服务器根据产品画像任务读取信息维度文件,信息维度文件中包括与产品标识对应的多个维度。服务器根据维度在产品信息库中获取多维度产品信息以及对应的标签类别。多维度的产品信息包括:产品基本要素信息、产品风险信息、产品销量信息、产品财务指标、产品获奖信息、产品管理人信息等。服务器可以通过多种信息获取渠道获取产品标识对应的多维度产品信息。多种信息获取渠道包括:产品管理人、销售平台、数据供应商、互联网等。
服务器可以根据预先设置的标签类别得到多维度产品信息对应的标签类别,标签类别存储在产品信息库中。预先设置的标签类别与产品信息的维度之间存在对应关系。每个维度的产品信息可以对应一个标签类别,也可以对应多个标签类别。服务器可以根据产品标识对应的多个维度在预先设置的标签类别中获取与多维度产品信息对应的标签类别。预先设置的标签类别可以是通过对所有的产品标识对应的多维度产品信息进行聚类分析得到的。服务器根据多维度产品信息的属性信息对多维度产品信息进行聚类分析,将所有产品标识对应的多维度信息中具有相同相似度的信息聚到一个聚类类别中,并得到聚类类别对应的聚类标签,从而得到多个标签类别,即预先设置的标签类别。一个聚类类别中可以包括产品标识中一个或多个维度的产品信息。
例如,服务器获取到的某个金融产品的多维度产品信息包括产品基本要素信息以及产品风险信息两个维度的产品信息。服务器则可以先在预先设置的标签类别中获取产品基本要素信息维度对应的标签类别。产品基本要素信息维度对应的标签类别包括产品期限、产品规模、产品类型、管理费用等多个标签类别。服务器再从预先设置的标签类别中获取产品风险信息维度对应的标签类别。产品风险信息维度对应的标签类别包括风险级别、产品级别、稳定性等多个标签类别。
服务器在调用训练后的标签模型识别产品标识对应的多个画像标签之前,还需要对多维度产品信息进行预处理。具体的,服务器根据多维度产品信息以及对应的标签类别建立产品矩阵。服务器根据每个维度的产品信息与对应的标签类别生成行向量,根据多个维度的产品信息对应生成列向量,从而建立产品矩阵。标签类别包括每个维度的产品信息对应的标签类别。服务器可以根据产品标识对产品矩阵的建立过程进行监听,当建立过程完成时,服务器调用线程将产品矩阵输入训练后的标签模型。
标签模型中包括预先设置的标签类别以及每个预先设置的标签类别对应的产品标签。例如,标签类别为风险级别,则对应的产品标签可以是低风险。服务器通过训练后的标签模型根据产品矩阵在预先设置的标签类别中进行标签类别定位。服务器通过训练后的标签模型在产品标签库中根据定位得到的标签类别的多个产品标签中识别产品标识对应的多个画像标签。服务器根据识别得到的多个画像标签识别相关联的推测标签。服务器利用多线程并发计算画像标签与多个推测标签之间的关联性。画像标签是指根据多维度的产品信息以及产品标签对产品进行画像的过程中,用于描述产品特征的产品标签。每个维度的产品信息对应的画像标签可以是一个画像标签。也可以是多个画像标签。
服务器还可以在将产品矩阵输入训练后的标签模型之前,对产品矩阵进行降维处理,降维处理的方式可以是Linear Discriminant Analysis(简称LDA)。能够减小产品信息造成的误差,同时减少数据处理量,从而提高画像标签识别的效率。
进一步地,服务器在计算画像标签与多个推测标签之间的关联性之后,可以得到画像标签与多个推测标签之间的关联关系。服务器可以根据关联关系将画像标签与多个推测标签进行映射与合并,将画像标签与多个推测标签进行关联连接,将原本没有联系的标签连通,进而有效形成产品标识对应的标签图谱。能够有效地提取出标签之间的关联关系,从而对相关的产品标识对应的多维度产品信息进行有效分析。
服务器通过关联性达到阈值的推测标签,将提取的推测标签以及画像标签输入至画像模型进行运算,生成与产品标识对应的产品画像。画像模型中预先设置有画像标签的排列顺序。产品画像中包括提取的推测标签以及画像标签。服务器通过画像模型将提取的推测标签以及画像标签按照预设排列顺序生成与产品标识对应的产品画像。服务器在生成产品画像之后,将该产品画像存储至产品画像库中。
在本实施例中,服务器通过在产品信息库来获取多维度的产品信息有助于得到更全面的画像标签。服务器通过在产品信息库中获取多维度信息对应的标签类别,标签类别是预先设置的,能够提高标签类别的获取效率。服务器根据多维度产品信息以及所述标签类别建立产品矩阵,以便将产品矩阵输入训练后的标签模型。服务器通过对产品矩阵的建立过程进行监听,能够及时将产品矩阵输入训练后的标签模型中。服务器通过训练后的标签模型根据多个画像标签识别相关联的推测标签,通过多线程并发计算画像标签与多个推测标签之间的关联性,能够提高画像标签的全面性以及识别效率。服务器通过画像模型对提取的推测标签以及画像标签进行运算,从而得到与产品标识对应的产品画像。能够在面对专业、复杂的产品时,生成全面的画像标签,进而有效提高产品画像的准确性。
在一个实施例中,服务器还可以获取多个产品标识对应的多维度产品信息;对多维度产品信息进行聚类分析,得到多个标签类别以及每个维度的产品信息对应的标签类别。
服务器在获取产品标识之前,需要预先设置标签类别。具体的,服务器获取所有产品标识对应的多维度产品信息。服务器可以通过多种信息获取渠道获取多维度产品信息。其中,信息获取渠道包括产品管理人、销售平台、数据供应商、互联网等。多维度产品信息包括产品基本要素信息、产品风险信息、产品销量信息、产品财务指标、产品获奖信息、产品管理人信息等。
服务器根据多维度产品信息的属性信息对多维度产品信息进行聚类分析,将所有产品标识对应的多维度信息中具有相同相似度的信息聚到一个聚类类别中,从而得到多个聚类类别。服务器可以利用K均值(K-Means)、谱聚类(Spectral Clustering)、层次聚类(Hierarchical Clustering)等多种聚类方法对多维度产品信息进行聚类分析。服务器获取每个聚类类别对应的聚类标签,从而得到多个标签类别,即预先设置的标签类别。一个聚类类别中可以包括产品标识中一个或多个维度的产品信息,从而得到每个维度的产品信息对应的标签类别。服务器在生成产品画像的过程中,可以直接根据多维度产品信息中每个维度的产品信息获取对应的标签类别。
在本实施例中,服务器在生成产品画像之前,预先对所有产品标识对应的多维度产品信息进行聚类分析,得到每个维度的产品信息对应的标签类别。从而建立产品信息的维度与标签类别之间的对应关系。当需要生成产品画像时,可直接根据多维度产品信息中每个维度的产品信息获取对应的标签类别。能够有效提高标签类别的获取效率。
在一个实施例中,标签模型中部署有多个画像标签的重要因子;利用多线程对多个画像标签进行特征提取,得到对应的画像标签向量;利用多线程以及多个画像标签的重要因子,并发计算多个画像标签向量之间的关联性;利用多线程以及多个画像标签向量之间的关联性,并发计算多个画像标签向量与候选标签之间的关联性;提取关联性达到预设阈值的候选标签,将候选标签作为推测标签。
服务器将产品矩阵输入至训练后的标签模型后,通过该训练后的标签模型在产品标签库中识别产品标识对应的多个画像标签,进而根据多个画像标签识别相关联的推测标签。具体地,服务器利用多线程通过训练后的模型对多个画像标签进行特征提取,提取出对应的画像标签向量。服务器进而通过多线程以及训练后的标签模型中部署的多个画像标签的重要因子,并发计算多个画像标签向量之间的关联性,进而根据多个画像标签向量之间的关联性计算多个画像标签向量与候选标签之间的关联性。服务器则获取关联性达到预设阈值的候选标签,并将该候选标签作为推测标签。由此服务器可以有效的根据已识别的画像标签分析出相关联的推测标签,同时,通过多线程并发计算能够提高画像标签的识别效率。
在一个实施例中,如图3所示,根据用户信息与多个产品标识对应的产品画像确定待推荐产品信息的步骤包括:
步骤302,获取待推荐用户的用户信息。
步骤304,将用户信息与预设配置矩阵进行匹配,得到与用户信息相对应的产品配置信息。
步骤306,根据产品配置信息与多个产品标识对应的产品画像,确定待推荐产品信息。
步骤308,将待推荐产品信息推送至待推荐用户。
产品画像可以应用于产品推荐的过程中。服务器可以将多个产品标识对应的产品画像与待推荐用户的用户信息进行匹配,确定待推荐信息,将待推荐信息发送至待推荐用户,从而实现产品推荐。具体的,服务器获取待推荐用户的用户信息。用户信息包括与产品推荐行为相关的用户信息。与产品推荐行为相关的用户信息包括用户年龄、用户的风险承受能力、用户经验信息以及产品推荐平台的生命周期。用户信息可以是通过服务器接收终端发送的产品推荐请求,服务器对产品推荐请求进行解析,得到待推荐用户的用户标识,服务器根据用户标识获取的。也可以是通过服务器下达产品推荐指令至终端,终端对产品推荐指令进行分析,得到待推荐用户的用户标识,终端根据用户标识获取用户信息,服务器接收终端发送的用户信息得到的。
服务器将待推荐用户的用户信息与预设配置矩阵进行匹配,预设配置矩阵中已经预先将用户群体进行多个维度的划分,得到多个用户群体类型。用户群体类型可以是多个维度等级组合得到的用户群体类型。每个用户群体类型预先设置有产品配置信息。服务器根据待推荐用户的用户信息在预设配置矩阵中查找与用户信息对应的用户群体类型。服务器根据用户群体类型在预设配置矩阵中匹配与用户信息相对应的产品配置信息。产品配置信息可以包括产品风险信息。
例如,可以将用户群体按照年龄等级、用户的风险承受能力等级、用户的经验等级以及产品推荐平台的生命周期进行四个维度的划分。其中,将年龄等级划分为60岁以下和60岁以上。将用户的风险承受能力等级划分为C1、C2、C3、C4和C5五个等级,该五个等级的风险承受能力可以是由低到高,也可以是由高到低。将用户的经验等级划分为经验丰富和经验不足。将产品推荐平台的生命周期划分为3年以上和3年以下。服务器根据待推荐用户的用户信息在预设配置矩阵中查找与用户信息对应的用户群体类型可以是60岁以下、经验丰富、风险承受能力为C5且产品推荐平台的生命周期为3年以下。服务器根据该用户群体类型在预设配置矩阵中匹配与用户信息相对应的产品配置信息。该产品配置信息中的产品风险级别与用户的风险承受能力C5相对应。
服务器根据产品配置信息与多个产品标识对应的产品画像,确定待推荐产品信息。在一个实施例中,服务器根据产品配置信息以及预设配置矩阵,在多个产品标识对应的产品画像中确定与待推荐用户对应的产品画像;根据产品画像确定待推荐产品信息。服务器将待推荐产品信息推送至待推荐用户。
在本实施例中,服务器将用户信息与预设配置矩阵进行匹配,得到产品配置信息,服务器根据产品配置信息与多个产品标识对应的产品画像,确定待推荐产品信息。由于预设配置矩阵已经预先将用户信息划分为多个维度,以使服务器能够将用户信息与产品画像进行多个维度的匹配,从而有效提高了产品推荐的准确性。
在一个实施例中,根据产品配置信息以及预设配置矩阵在多个产品标识对应的产品画像中确定与待推荐用户对应的产品画像包括:根据配置矩阵获取与用户信息对应的产品策略信息;将产品配置信息与待推荐用户的现有产品信息进行比较,得到现有产品信息的差异信息;根据差异信息在产品策略信息中查找与待推荐用户对应的产品画像。
服务器根据待推荐用户的用户信息在预设配置矩阵中查找与用户信息对应的用户群体类型。服务器根据该用户群体类型获取与用户信息对应的产品策略信息。产品策略信息包括与该用户群体类型对应的第二级别产品类型以及第三级别产品类型。服务器将产品配置信息中的产品风险信息与待推荐用户的现有产品信息进行比较,得到的现有产品信息的差异信息。现有产品信息包括产品标识、产品类型以及产品风险信息。差异信息包括产品风险差异信息。产品风险差异信息可以是产品风险所占比重的差异信息。服务器根据差异信息获取对应的第一级别产品类型差异信息。第一级别产品类型差异信息可以是第一级别产品类型所占比重的差异信息。第一级别产品类别对应第二级别产品类型,第二级别产品类型对应第三级别产品类型。
服务器在产品策略信息中获取与差异信息对应的最低级别产品类型。最低级别产品类型可以是差异信息中第一级别产品类型对应的第二级别产品类型,也可以是差异信息中第一级别产品类型对应的第三级别产品类型。服务器根据最低级别类型在多个产品标识对应的产品画像中确定与待推荐用户对应的产品画像。服务器根据所述产品画像确定待推荐产品信息,将待推荐产品信息推送至待推荐用户。
在本实施例中,服务器将产品配置信息与待推荐用户的产品信息进行比较,得到现有产品信息的差异信息。服务器将差异信息以及产品策略信息在多个产品标识对应的产品画像中确定与待推荐用户对应的产品画像。能够根据待推荐用户的实际情况确定待推荐用户对应的产品画像,进而有效提高了产品推荐的准确性。
在一个实施例中,上述方法还包括:获取待推荐用户的用户画像;将用户画像与多个产品标识对应的产品画像进行匹配,得到与用户画像对应的第一画像标签;在用户历史数据中查找与用户画像对应的第二画像标签;根据第一画像标签以及第二画像标签确定与待推荐用户对应的待推荐产品信息;将待推荐产品信息推送至待推荐用户。
服务器可以通过将多个产品标识的产品画像与待推荐用户的用户画像进行匹配以及在用户历史数据查找相关数据,确定待推荐信息,并将待推荐信息推送至待推荐用户,从而实现产品推荐。具体的,服务器获取待推荐用户的用户画像。服务器将用户画像中的所有用户标签与多个产品标识对应的产品画像中的所有画像标签进行匹配,得到与用户标签对应的画像标签,从而得到与用户画像对应的第一画像标签。用户标签包括用户类型、用户兴趣等。第一画像标签可以是产品画像的所有画像标签中的部分画像标签。
服务器根据用户标识获取用户历史数据,在历史数据中查找与所述待推荐用户对应的第二画像标签。用户历史数据包括用户业务数据、用户行为数据等。例如,用户业务数据可以是用户在金融机构办理信用卡、贷款等相关业务的业务数据。用户行为数据可以是用户在金融机构的应用程序中进行浏览页面、搜索关键词等操作生成的日志数据。第二画像标签可以是产品画像的所有画像标签中的部分画像标签。第一画像标签与第二画像标签之间可以存在交叉关系。
服务器将第一画像标签与第二画像标签进行汇总,得到用户画像对应的所有的画像标签。服务器根据用户画像对应的所有画像标签确定用户画像对应的产品标识。服务器根据产品标识获取用户画像对应的待推荐产品信息。待推荐产品信息可以包括产品标识、多维度产品信息等内容。
在本实施例中,服务器通过将多个产品标识的产品画像与待推荐用户的用户画像进行匹配以及在用户历史数据中查找两个方面来匹配待推荐用户对应的画像标签。能够全面、准确地匹配用户画像对应的所有画像标签,从而提高待推荐产品信息的准确性。
应该理解的是,虽然图2至3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2至3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种产品画像生成装置,包括:扫描模块402,、读取模块404、第一获取模块406、建立模块408、监听模块410、识别模块412和生成模块414,其中:
扫描模块402,用于利用线程扫描任务表,在任务表中提取产品画像任务,产品画像任务包括产品标识。
读取模块404,用于根据产品画像任务读取信息维度文件,信息维度文件中包括与产品标识对应的多个维度。
第一获取模块406,用于根据维度在产品信息库中获取多维度产品信息以及对应的标签类别。
建立模块408,用于根据多维度产品信息以及标签类别建立产品矩阵。
监听模块410,用于根据产品标识对产品矩阵的建立过程进行监听,当建立过程完成时,调用线程将产品矩阵输入训练后的标签模型。
识别模块412,用于通过标签模型在产品标签库中识别产品标识对应的多个画像标签,根据多个画像标签识别相关联的推测标签,通过多线程并发计算画像标签与多个推测标签之间的关联性。
生成模块414,用于提取关联性达到阈值的推测标签,将提取的推测标签以及画像标签输入至画像模型进行运算,生成与产品标识对应的产品画像,将生成的产品画像存储至产品画像库中。
在一个实施例中,上述装置还包括:聚类模块,该聚类模块用于获取多个产品标识对应的多维度产品信息;对多维度产品信息进行聚类分析,得到多个标签类别以及每个维度的产品信息对应的标签类别。
在一个实施例中,上述识别模块412还用于利用多线程对多个画像标签进行特征提取,得到对应的画像标签向量;利用多线程以及多个画像标签的重要因子,并发计算多个画像标签向量之间的关联性;利用多线程以及多个画像标签向量之间的关联性,并发计算多个画像标签向量与候选标签之间的关联性;提取关联性达到预设阈值的候选标签,将所述候选标签作为推测标签。
在一个实施例中,上述装置还包括:第二获取模块,用于获取待推荐用户的用户信息;第一匹配模块,用于将用户信息与预设配置矩阵进行匹配,得到与用户信息相对应的产品配置信息;第一确定模块,用于根据产品配置信息与多个产品标识对应的产品画像,确定待推荐产品信息;第一推送模块,用于将待推荐产品信息推送至待推荐用户。
在一个实施例中,上述第一确定模块还用于根据产品配置信息以及预设配置矩阵,在多个产品标识对应的产品画像中确定与待推荐用户对应的产品画像;根据产品画像确定待推荐产品信息。
在一个实施例中,上述第一确定模块还用于根据预设配置矩阵获取与用户信息对应的产品策略信息;将产品配置信息与待推荐用户的现有产品信息进行比较,得到现有产品信息的差异信息;根据差异信息以及产品策略信息在多个产品标识对应的产品画像中确定与待推荐用户对应的产品画像。
在一个实施例中,上述装置还包括:第三获取模块,用于获取待推荐用户的用户画像;第二匹配模块,用于将用户画像与多个产品标识对应的产品画像进行匹配,得到与用户画像对应的第一画像标签;查找模块,用于在用户历史数据中查找与待推荐用户对应的第二画像标签;第二确定模块,用于根据第一画像标签以及第二画像标签确定与待推荐用户对应的待推荐产品信息;第二推送模块,用于将待推荐产品信息推送至待推荐用户。
关于产品画像生成装置的具体限定可以参见上文中对于产品画像生成方法的限定,在此不再赘述。上述产品画像生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储多维度产品信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种产品画像生成方法。
本领域技术人员可以理解,图5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。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种产品画像生成方法,所述方法包括:
利用线程扫描任务表,在所述任务表中提取产品画像任务,所述产品画像任务包括产品标识;
根据所述产品画像任务读取信息维度文件,所述信息维度文件中包括与产品标识对应的多个维度;
根据所述维度在产品信息库中获取多维度产品信息以及对应的标签类别;
根据所述多维度产品信息以及所述标签类别建立产品矩阵;将所述产品矩阵存储至产品标签库中;
根据产品标识对产品矩阵的建立过程进行监听,当建立过程完成时,调用线程将所述产品矩阵输入训练后的标签模型;所述标签模型中包括预先设置的标签类别以及每个预先设置的标签类别对应的产品标签;所述标签模型用于根据产品矩阵在预先设置的标签类别中进行标签类别的定位;
通过所述标签模型在所述产品标签库中根据定位得到的标签类别的多个产品标签中识别所述产品标识对应的多个画像标签,根据多个画像标签识别相关联的推测标签,通过多线程并发计算所述画像标签与多个推测标签之间的关联性;所述画像标签为根据多维度的产品信息以及产品标签对产品进行画像的过程中,用于描述产品特征的产品标签;
提取所述关联性达到阈值的推测标签,将提取的推测标签以及所述画像标签输入至画像模型进行运算,生成与所述产品标识对应的产品画像,将生成的产品画像存储至产品画像库中。
2.根据权利要求1所述的方法,其特征在于,所述标签模型中部署有多个画像标签的重要因子;所述根据多个画像标签识别相关联的推测标签,包括:
利用多线程对多个画像标签进行特征提取,得到对应的画像标签向量;
利用多线程以及多个画像标签的重要因子,并发计算多个画像标签向量之间的关联性;
利用多线程以及多个画像标签向量之间的关联性,并发计算多个画像标签向量与候选标签之间的关联性;
提取所述关联性达到预设阈值的候选标签,将所述候选标签作为推测标签。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取待推荐用户的用户画像;
将所述用户画像与多个产品标识对应的产品画像进行匹配,得到与所述用户画像对应的第一画像标签;
在用户历史数据中查找与所述待推荐用户对应的第二画像标签;
根据所述第一画像标签以及第二画像标签确定与所述待推荐用户对应的待推荐产品信息;
将所述待推荐产品信息推送至所述待推荐用户。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取待推荐用户的用户信息;
将所述用户信息与预设配置矩阵进行匹配,得到与所述用户信息相对应的产品配置信息;
根据所述产品配置信息与多个产品标识对应的产品画像,确定待推荐产品信息;
将所述待推荐产品信息推送至所述待推荐用户。
5.根据权利要求4所述的方法,其特征在于,所述根据所述产品配置信息与多个产品标识对应的产品画像,确定待推荐产品信息包括:
根据所述产品配置信息以及所述预设配置矩阵,在多个产品标识对应的产品画像中确定与所述待推荐用户对应的产品画像;
根据所述产品画像确定待推荐产品信息。
6.根据权利要求5所述的方法,其特征在于,所述根据所述产品配置信息以及预设配置矩阵在所述多个产品标识对应的产品画像中确定与所述待推荐用户对应的产品画像包括:
根据所述预设配置矩阵获取与所述用户信息对应的产品策略信息;
将所述产品配置信息与所述待推荐用户的现有产品信息进行比较,得到所述现有产品信息的差异信息;
根据所述差异信息以及产品策略信息在所述多个产品标识对应的产品画像中确定与所述待推荐用户对应的产品画像。
7.一种产品画像生成装置,其特征在于,所述装置包括:
扫描模块,用于利用线程扫描任务表,在所述任务表中提取产品画像任务,所述产品画像任务包括产品标识;
读取模块,用于根据所述产品画像任务读取信息维度文件,所述信息维度文件中包括与产品标识对应的多个维度;
第一获取模块,用于根据所述维度在产品信息库中获取多维度产品信息以及对应的标签类别;
建立模块,用于根据所述多维度产品信息以及标签类别建立产品矩阵;
监听模块,用于根据产品标识对产品矩阵的建立过程进行监听,当建立过程完成时,调用线程将所述产品矩阵输入训练后的标签模型;所述标签模型中包括预先设置的标签类别以及每个预先设置的标签类别对应的产品标签;所述标签模型用于根据产品矩阵在预先设置的标签类别中进行标签类别的定位;
识别模块,用于通过标签模型在产品标签库中根据定位得到的标签类别的多个产品标签中识别所述产品标识对应的多个画像标签,根据多个画像标签识别相关联的推测标签,通过多线程并发计算所述画像标签与多个推测标签之间的关联性;所述画像标签为根据多维度的产品信息以及产品标签对产品进行画像的过程中,用于描述产品特征的产品标签;
生成模块,用于提取所述关联性达到阈值的推测标签,将提取的推测标签以及所述画像标签输入至画像模型进行运算,生成与所述产品标识对应的产品画像,将生成的产品画像存储至产品画像库中。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取待推荐用户的用户信息;
第一匹配模块,用于将所述用户信息与预设配置矩阵进行匹配,得到与所述用户信息相对应的产品配置信息;
第一确定模块,用于根据所述产品配置信息与多个产品标识对应的产品画像,确定待推荐产品信息;
第一推送模块,用于将所述待推荐产品信息推送至所述待推荐用户。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有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计算机程序时实现权利要求1至6中任一项所述方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910848501.8A CN110751533B (zh) | 2019-09-09 | 2019-09-09 | 产品画像生成方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910848501.8A CN110751533B (zh) | 2019-09-09 | 2019-09-09 | 产品画像生成方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751533A CN110751533A (zh) | 2020-02-04 |
CN110751533B true CN110751533B (zh) | 2022-11-15 |
Family
ID=69276275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910848501.8A Active CN110751533B (zh) | 2019-09-09 | 2019-09-09 | 产品画像生成方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751533B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581296B (zh) * | 2020-04-02 | 2022-08-16 | 深圳壹账通智能科技有限公司 | 数据相关性分析方法、装置、计算机系统及可读存储介质 |
CN111582799B (zh) * | 2020-05-09 | 2023-05-05 | 广州信天翁信息科技有限公司 | 一种物品画像的构建方法及装置 |
CN111652767B (zh) * | 2020-05-21 | 2021-12-31 | 上海松鼠课堂人工智能科技有限公司 | 用户画像构建方法、装置、计算机设备和存储介质 |
CN111506733B (zh) * | 2020-05-29 | 2022-06-28 | 广东太平洋互联网信息服务有限公司 | 对象画像的生成方法、装置、计算机设备和存储介质 |
CN111967970B (zh) * | 2020-08-18 | 2024-02-27 | 中国银行股份有限公司 | 基于spark平台的银行产品推荐方法及装置 |
CN112035519B (zh) * | 2020-08-28 | 2023-11-24 | 中国平安人寿保险股份有限公司 | 用户画像方法、装置、计算机可读存储介质及终端设备 |
CN112613917A (zh) * | 2020-12-30 | 2021-04-06 | 平安壹钱包电子商务有限公司 | 基于用户画像的信息推送方法、装置、设备及存储介质 |
CN114049142A (zh) * | 2021-10-27 | 2022-02-15 | 创优数字科技(广东)有限公司 | 商品质量数据处理方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875781A (zh) * | 2018-05-07 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种标签分类方法、装置、电子设备及存储介质 |
CN109801101A (zh) * | 2019-01-03 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 标签确定方法、装置、计算机设备和存储介质 |
CN109934619A (zh) * | 2019-02-13 | 2019-06-25 | 北京三快在线科技有限公司 | 用户画像标签建模方法、装置、电子设备及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10922737B2 (en) * | 2017-12-22 | 2021-02-16 | Industrial Technology Research Institute | Interactive product recommendation method and non-transitory computer-readable medium |
-
2019
- 2019-09-09 CN CN201910848501.8A patent/CN110751533B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875781A (zh) * | 2018-05-07 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种标签分类方法、装置、电子设备及存储介质 |
CN109801101A (zh) * | 2019-01-03 | 2019-05-24 | 深圳壹账通智能科技有限公司 | 标签确定方法、装置、计算机设备和存储介质 |
CN109934619A (zh) * | 2019-02-13 | 2019-06-25 | 北京三快在线科技有限公司 | 用户画像标签建模方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110751533A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751533B (zh) | 产品画像生成方法、装置、计算机设备和存储介质 | |
CN109165840B (zh) | 风险预测处理方法、装置、计算机设备和介质 | |
CN109729383B (zh) | 双录视频质量检测方法、装置、计算机设备和存储介质 | |
CN109829629B (zh) | 风险分析报告的生成方法、装置、计算机设备和存储介质 | |
CN110489520B (zh) | 基于知识图谱的事件处理方法、装置、设备和存储介质 | |
CN109272396B (zh) | 客户风险预警方法、装置、计算机设备和介质 | |
CN110457431B (zh) | 基于知识图谱的问答方法、装置、计算机设备和存储介质 | |
WO2020186786A1 (zh) | 文件处理方法、装置、计算机设备和存储介质 | |
CN109543925B (zh) | 基于机器学习的风险预测方法、装置、计算机设备和存储介质 | |
CN110008250B (zh) | 基于数据挖掘的社保数据处理方法、装置和计算机设备 | |
CN109871490B (zh) | 媒体资源匹配方法、装置、存储介质和计算机设备 | |
CN109063921B (zh) | 客户风险预警的优化处理方法、装置、计算机设备和介质 | |
CN109472310B (zh) | 确定两份简历为相同人才的识别方法及装置 | |
CN112395500B (zh) | 内容数据推荐方法、装置、计算机设备及存储介质 | |
CN112035611B (zh) | 目标用户推荐方法、装置、计算机设备和存储介质 | |
CN110135943B (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN110674131A (zh) | 财务报表数据处理方法、装置、计算机设备和存储介质 | |
CN109766474A (zh) | 审讯信息审核方法、装置、计算机设备和存储介质 | |
CN111190946A (zh) | 报告生成方法、装置、计算机设备和存储介质 | |
CN112685475A (zh) | 报表查询方法、装置、计算机设备及存储介质 | |
CN110555165B (zh) | 信息识别方法、装置、计算机设备和存储介质 | |
CN112541121A (zh) | 页面数据推送方法、装置、计算机设备及存储介质 | |
CN110532229B (zh) | 证据文件检索方法、装置、计算机设备和存储介质 | |
CN113707296B (zh) | 医疗方案数据处理方法、装置、设备及存储介质 | |
CN110362478B (zh) | 应用升级测试方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200122 Address after: 200120 floor 15, 1333 Lujiazui Ring Road, free trade Experimental Zone, Pudong New Area, Shanghai Applicant after: Weikun (Shanghai) Technology Service Co.,Ltd. Address before: 13th Floor, 1333 Lujiazui Ring Road, Shanghai Free Trade Pilot Area, 200120 Applicant before: SHANGHAI LUJIAZUI INTERNATIONAL FINANCIAL ASSETS TRANSACTION MARKET CO.,LTD. |
|
TA01 | Transfer of patent application right | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |