CN110796512B - 产品信息推荐方法及装置、存储介质、计算机设备 - Google Patents

产品信息推荐方法及装置、存储介质、计算机设备 Download PDF

Info

Publication number
CN110796512B
CN110796512B CN201910895053.7A CN201910895053A CN110796512B CN 110796512 B CN110796512 B CN 110796512B CN 201910895053 A CN201910895053 A CN 201910895053A CN 110796512 B CN110796512 B CN 110796512B
Authority
CN
China
Prior art keywords
product
information
product recommendation
user
feature vector
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
CN201910895053.7A
Other languages
English (en)
Other versions
CN110796512A (zh
Inventor
金戈
徐亮
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 CN201910895053.7A priority Critical patent/CN110796512B/zh
Publication of CN110796512A publication Critical patent/CN110796512A/zh
Priority to PCT/CN2020/111371 priority patent/WO2021052126A1/zh
Application granted granted Critical
Publication of CN110796512B publication Critical patent/CN110796512B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Technology Law (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了产品信息推荐方法及装置、存储介质、计算机设备，涉及信息处理技术领域，可以提升信息识别准确度。其中方法包括：根据人群统计信息训练初始化第一产品推荐模型，得到训练好的第一产品推荐模型；根据产品量化信息训练初始化第二产品推荐模型，得到训练好的第二产品推荐模型；根据所述训练好的第一产品推荐模型的第一隐藏层和所述训练好的第二产品推荐模型的第二隐藏层构建产品推荐预测模型；根据用户的历史购买信息，利用所构建的产品推荐预测模型得到与所述历史购买信息匹配的产品推荐预测信息。本申请适用于移动互联网和电子商务中产品的精准推送。

Description

产品信息推荐方法及装置、存储介质、计算机设备
技术领域
本申请涉及信息处理技术领域，尤其是涉及到产品信息推荐方法及装置、存储介质及计算机设备。
背景技术
随着移动互联网和电子商务的迅猛发展，人们对银行金融产品的认可度、信任度、需求量越来越高，而与以前银行金融产品的单一性不同，当前银行产品存在种类丰富、可选择性高、购买门槛低等特点，银行产品已从之前少部分人可购买的金融产品，变成了大众可参与的资产增值渠道之一。
可见，银行产品的类别越来越丰富，银行产品的数据信息量也随之增长，数据挖掘已成为电子商务提高效益的主要方式。现有银行产品推荐系统的实现方法主要为，通过关联规则等统计方法实现对用户的银行产品推荐。例如，银行为运用积累的数据，银行大部分采取基于人工经验的规则引擎和传统的机器学习方法进行产品营销，但随着银行金融产品、数据维度、数据量日益剧增，营销上所采取的经验规则和方法越来越难以满足市场需要，从而使得在银行金融产品的市场定位和客户个性化需求之间产生错配。上述实现方法存在的不足为，缺乏对银行产品信息的充分利用，导致产品信息资源的浪费，且对用户的银行产品推荐的准确度较低。
发明内容
有鉴于此，本申请提供了产品信息推荐方法及装置、存储介质、计算机设备，主要目的在于解决现有通过关联规则等统计方法实现的银行产品推荐缺乏对银行产品信息的充分利用，导致产品信息资源的浪费，且对用户的银行产品推荐的准确度较低的技术问题。
根据本申请的一个方面，提供了一种产品信息推荐方法，该方法包括：
根据人群统计信息训练初始化第一产品推荐模型，得到训练好的第一产品推荐模型；
根据产品量化信息训练初始化第二产品推荐模型，得到训练好的第二产品推荐模型；
根据所述训练好的第一产品推荐模型的第一隐藏层和所述训练好的第二产品推荐模型的第二隐藏层构建产品推荐预测模型；
根据用户的历史购买信息，利用所构建的产品推荐预测模型得到与所述历史购买信息匹配的产品推荐预测信息。
根据本申请的另一方面，提供了一种产品信息推荐装置，该装置包括：
第一训练模块，用于根据人群统计信息训练初始化第一产品推荐模型，得到训练好的第一产品推荐模型；
第二训练模块，用于根据产品量化信息训练初始化第二产品推荐模型，得到训练好的第二产品推荐模型；
构建模块，用于根据所述训练好的第一产品推荐模型的第一隐藏层和所述训练好的第二产品推荐模型的第二隐藏层构建产品推荐预测模型；
预测模块，用于根据用户的历史购买信息，利用所构建的产品推荐预测模型得到与所述历史购买信息匹配的产品推荐预测信息。
依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述产品信息推荐方法。
依据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述产品信息推荐方法。
借由上述技术方案，本申请提供的产品信息推荐方法及装置、存储介质、计算机设备，与现有的产品信息推荐的技术方案相比，本申请根据人群统计信息训练初始化第一产品推荐模型，得到训练好的第一产品推荐模型，以及根据产品量化信息训练初始化第二产品推荐模型，得到训练好的第二产品推荐模型，根据训练好的第一产品推荐模型的第一隐藏层和训练好的第二产品推荐模型的第二隐藏层构建产品推荐预测模型，以便根据用户的历史购买信息，利用所构建的产品推荐预测模型得到与该用户的历史购买信息匹配的产品推荐预测信息。可见，通过所构建的产品推荐预测模型能够根据用户的历史购买信息，为用户推荐与该用户的历史购买信息相匹配的符合该用户购买特征的个性化产品，从而实现对产品信息的充分利用，避免产品信息资源的浪费，以及进一步提升对用户进行产品推荐的准确度。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了本申请实施例提供的一种产品信息推荐方法的流程示意图；
图2示出了本申请实施例提供的另一种产品信息推荐方法的流程示意图；
图3示出了本申请实施例提供的一种产品信息推荐装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
针对现有的产品信息推荐的技术方案存在的缺乏对银行产品信息的充分利用，导致产品信息资源的浪费，且对用户的银行产品推荐的准确度较低的技术问题。本实施例提供了一种产品信息推荐方法，能够有效避免现有技术通过关联规则等统计方法实现的银行产品推荐缺乏对银行产品信息的充分利用，导致产品信息资源的浪费，且对用户的银行产品推荐的准确度较低的技术问题，如图1所示，该方法包括：
101、根据人群统计信息训练初始化第一产品推荐模型，得到训练好的第一产品推荐模型。
在本实施例中，基于神经网络算法中的编码解码结构构建初始化第一产品推荐模型，通过对银行产品信息中的人群统计信息进行提取与向量化，以实现对初始化第一产品推荐模型的训练，从而得到训练好的第一产品推荐模型。
102、根据产品量化信息训练初始化第二产品推荐模型，得到训练好的第二产品推荐模型。
在本实施例中，基于神经网络算法中的编码解码结构构建初始化第二产品推荐模型，通过对银行产品信息中的产品量化信息进行提取与向量化，以实现对初始化第二产品推荐模型的训练，从而得到训练好的第二产品推荐模型。
103、根据所述训练好的第一产品推荐模型的第一隐藏层和所述训练好的第二产品推荐模型的第二隐藏层构建产品推荐预测模型。
在本实施例中，根据实际应用场景的需要，该第一隐藏层为训练好的第一产品推荐模型的隐藏层，该第二隐藏层为训练好的第二产品推荐模型的隐藏层，第一隐藏层和第二隐藏层的数量一致，可以基于多层的第一隐藏层和第二隐藏层构建用于银行产品推荐系统的产品推荐预测模型，也可以基于中间层的第一隐藏层和第二隐藏层构建用于银行产品推荐系统的产品推荐预测模型，此处不对第一隐藏层和第二隐藏层的层数进行具体限定。
104、根据用户的历史购买信息，利用所构建的产品推荐预测模型得到与所述历史购买信息匹配的产品推荐预测信息。
在本实施例中，根据用户的历史购买信息中的用户身份信息和用户购买过的产品信息进行预处理，得到用户身份特征向量和用户购买过的产品量化特征向量，将用户身份特征向量和用户购买过的产品量化特征向量分别经由产品推荐预测模型第一隐藏层和第二隐藏层进行编码和解码，并将编码和解码处理后的用户身份特征向量和用户购买过的产品量化特征向量进行特征向量求和，得到与历史购买信息匹配的产品特征向量，以便根据得到的与历史购买信息匹配的产品特征向量，进一步预测得到与历史购买信息匹配的产品推荐预测信息。
对于本实施例可以按照上述方案，根据人群统计信息训练初始化第一产品推荐模型，得到训练好的第一产品推荐模型，以及根据产品量化信息训练初始化第二产品推荐模型，得到训练好的第二产品推荐模型，根据训练好的第一产品推荐模型的第一隐藏层和训练好的第二产品推荐模型的第二隐藏层构建产品推荐预测模型，以便根据用户的历史购买信息，利用所构建的产品推荐预测模型得到与该用户的历史购买信息匹配的产品推荐预测信息。与现有的产品信息推荐的技术方案相比，本申请通过所构建的产品推荐预测模型能够根据用户的历史购买信息，为用户推荐与该用户的历史购买信息相匹配的符合该用户购买特征的个性化产品，从而实现对产品信息的充分利用，避免产品信息资源的浪费，以及进一步提升对用户进行产品推荐的准确度。
进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，提供了另一种产品信息推荐方法，如图2所示，该方法包括：
201、对获取到的人群统计信息进行预处理，得到用于构建训练数据集的人群统计特征向量。其中，人群统计信息包括购买产品的用户的年龄信息、购买产品的用户的消费金额信息。
在本实施例中，在Python的tensorflow库中建立并训练初始化第一产品推荐模型，具体为，利用基于自编码结构的深度学习算法构建初始化第一产品推荐模型，基于自编码结构的深度学习算法是一种基于神经网络学习隐含特征的非监督学习方法，自编码结构为对称形式的网络结构，即基于自编码结构定义基于深度学习算法的初始化第一产品推荐模型。
实施中，在对所定义的初始化第一产品推荐模型进行训练之前构建用于训练初始化第一产品推荐模型的训练数据集，训练数据集的构建方法，具体为：
1)采集购买产品的人群统计信息，人群统计信息包括购买产品的用户的年龄、购买产品的用户的年消费金额或季度消费金额等用户特征信息，根据实际场景的需求，还可以是购买产品的用户的平均年龄、购买产品的用户的年平均收入或季度平均收入等用户特征信息，此处不对人群统计信息的维度进行具体限定。
2)对采集到的人群统计信息进行预处理，得到人群统计特征向量，从而得到用于训练初始化第一产品推荐模型的训练数据集。
202、利用初始化第一产品推荐模型对所述人群统计特征向量进行编码和解码，得到用于预测产品推荐的第一产品特征向量。
203、根据所述人群统计特征向量和第一产品特征向量对所述初始化第一产品推荐模型进行训练，得到训练好的第一产品推荐模型。
在本实施例中，对所定义的初始化第一产品推荐模型进行训练，具体为：
1)将训练数据集中的人群统计特征向量作为初始化第一产品推荐模型的输入数据，经由一个或多个隐藏层对输入的人群统计特征向量进行编码(例如，降维处理，或者降噪处理)，得到人群统计的隐层特征向量，人群统计的隐层特征向量的维度小于人群统计特征向量的维度，从而更好地学习人群统计信息的隐层特征，进一步提升第一产品推荐模型的训练准确度。其中，隐藏层数量，以及每个隐藏层中的变量数量可以根据实际应用场景的需要进行相应调整，此处不进行具体限定。
2)对得到的人群统计的隐层特征向量进行解码，得到与输入数据的维数相对应的输出数据，即用于推荐给用户的产品的第一产品特征向量，根据输出得到的第一产品特征向量和训练数据集中的人群统计特征向量，利用第一产品推荐模型的损失函数确定第一产品特征向量与训练数据集中对应的人群统计特征向量之间的误差，以及根据第一产品特征向量与训练数据集中对应的人群统计特征向量之间的误差，利用自适应矩估计(ADAM：Adaptive Moment Estimation)优化算法对第一产品推荐模型进行训练，当初第一产品推荐模型的训练收敛速度达到最优时，得到训练好的第一产品推荐模型。
第一产品推荐模型的损失函数为均方误差(MSE：Mean-Square Error)，MSE的计算公式具体为：
其中，yi为训练数据集中第i个人群统计特征向量，yi′为第一产品推荐模型输出的第一产品特征向量，n为训练数据集中人群统计特征向量的数量。
实施中，ADAM优化算法通过计算梯度的一阶矩估计和二阶矩估计，为第一产品推荐模型中的不同网络模型参数设置独立的自适应性学习率，以实现对第一产品推荐模型的训练。
204、对获取到的产品量化信息进行预处理，得到用于构建训练数据集的产品量化特征向量。其中，产品量化信息包括产品价格信息、产品收益信息。
在本实施例中，训练数据集的构建方法包括采集产品量化信息，产品量化信息包括产品价格、产品收益等产品自身特征信息；对采集到的产品量化信息进行预处理，得到产品量化特征向量，从而得到用于训练初始化第二产品推荐模型的训练数据集。
205、利用初始化第二产品推荐模型对所述产品量化特征向量进行编码和解码，得到用于预测产品推荐的第二产品特征向量。
206、根据所述产品量化特征向量和第二产品特征向量对所述初始化第二产品推荐模型进行训练，得到训练好的第二产品推荐模型。
在本实施例中，利用第一产品推荐模型的定义方法和训练方法实现对第二产品推荐模型的定义和训练，从而得到训练好的第二产品推荐模型。其中，初始化第二产品推荐模型的输入数据为训练数据集中的产品量化特征向量，其输出数据为与输入数据的维数相对应的第二产品特征向量。
207、分别提取所述训练好的第一产品推荐模型的第一隐藏层和所述训练好的第二产品推荐模型的第二隐藏层。
208、将提取到的所述第一隐藏层和第二隐藏层进行平行设置，得到产品推荐预测模型。
在本实施例中，在第一和第二产品推荐模型的自编码结构中，每一隐藏层均是前馈全连接层，其计算方式是y＝wx+b，以第一产品推荐模型为例，输入是一组人群统计特征向量，即y1＝w1*x1+w2*x2+…wn*xn+b，隐藏层中的每一单元根据隐藏层的输入x，通过wx+b的方式计算得到的，每一隐藏层的输入为上一隐藏层的输出。其中，所构建的产品推荐预测模型的自编码结构包括第一和第二产品推荐模型的中间隐藏层，根据实际应用场景的需要，第一隐藏层和第二隐藏层可以包括多层隐藏层，并基于最中间隐藏层获取人群统计的隐层特征向量和产品量化的隐层特征向量。
实施中，对所构建的产品推荐预测模型进行进一步训练，每一隐藏层的网络模型参数w和b均是随机初始化的，通过进一步训练以保证产品推荐预测模型能够进行压缩并在中间隐藏层充分保留人群统计信息和产品量化信息的有效特征。其中，产品推荐预测模型训练方法为，通过最小化MSE损失函数求解对应的网络模型参数，优化算法为ADAM，训练方法与第一和第二产品推荐模型的训练方法一致，此处不再赘述。
209、当监测到来自用户的产品搜索请求时，获取所述产品搜索请求中的用户的历史购买信息。
210、对所述用户的历史购买信息进行预处理，得到用户身份特征向量和用户购买过的产品量化特征向量。
211、将所述用户身份特征向量和用户购买过的产品量化特征向量分别经由产品推荐预测模型的第一隐藏层和第二隐藏层进行编码和解码，得到与所述历史购买信息匹配的产品推荐预测信息。
在本实施例中，对用户的历史购买信息进行预处理，得到用户身份特征向量(对应于人群统计特征向量)和用户购买过的产品量化特征向量(对应于产品量化特征向量)，将得到的用户身份特征向量和用户购买过的产品量化特征向量输入产品推荐预测模型，并对分别得到的用户的第一产品特征向量和第二产品特征向量进行拼接处理(例如，特征向量求和)，得到该用户的产品特征向量，以便根据该用户的产品特征向量进行相似度计算，得到与该用户的历史购买信息匹配的产品推荐预测信息。
为了说明步骤211的具体实施方式，作为一种优选实施例，步骤211具体可以包括：获取与所述用户购买过的产品量化特征向量对应的多个历史用户特征向量，以及与所述历史用户特征向量对应的多个历史产品特征向量；根据所述多个历史用户特征向量和多个历史产品特征向量，得到预置的多个产品特征向量；根据所述用户身份特征向量和用户购买过的产品量化特征向量，得到用户的产品特征向量；对得到的所述预置的多个产品特征向量和所述用户的产品特征向量进行相似度计算，得到与所述历史购买信息匹配的产品推荐预测信息。
实施中，产品推荐预测模型的第一隐藏层接收的输入数据为用户身份特征向量，用户身份特征向量包括当前购买产品的用户的年龄、当前购买产品的用户的年消费金额或季度消费金额等用户特征向量，根据实际应用场景的需要，还可以是当前购买产品的用户的平均年龄、当前购买产品的用户的年平均收入或季度平均收入等用户特征向量。
根据实际应用场景的需要，将上述用户特征向量进行排列拼接，得到用户身份特征向量，并作为产品推荐预测模型第一隐藏层的第一输入，记为第一输入数据x1。该输入数据为高维特征向量，其包括无用的特征信息以及重复的特征信息，将用户身份特征向量经由产品推荐预测模型的第一隐藏层进行自编码处理(包括压缩、过滤)后，得到该用户身份的隐层特征向量。
相应地，产品推荐预测模型的第二隐藏层接收的输入数据为用户购买过的产品量化特征向量，用户购买过的产品量化特征向量包括产品价格、产品收益等产品自身特征向量。将上述产品自身特征向量进行排列拼接，得到用户购买过的产品量化特征向量，并作为产品推荐预测模型第二隐藏层的第二输入，记为第二输入数据x2。该输入数据为高维特征向量，其包括无用的特征信息以及重复的特征信息，将用户购买过的产品量化特征向量经由产品推荐预测模型的第二隐藏层进行自编码处理(包括压缩、过滤)后，得到用户购买过的产品量化的隐层特征向量。
实施中，利用产品推荐预测模型分别对得到的第一和第二输入数据进行压缩、过滤，并对得到的用户身份的隐层特征向量和用户购买过的产品量化的隐层特征向量进行拼接，得到对应该用户的历史购买信息的产品特征向量。
在实际的应用场景中，对于用户，获取当前用户的用户身份特征向量(对应于人群统计特征向量)，进行降维处理得到对应该用户的降维后的用户身份特征向量a1k，获取该用户购买过的产品量化特征向量(对应于产品量化特征向量)，进行降维处理得到对应该用户的降维后的购买过的产品量化特征向量b1k，将该用户的降维后的用户身份特征向量a1k与降维后的购买过的产品量化特征向量b1k进行拼接，得到对应该用户的历史购买信息的用户的产品特征向量，即[a1k，b1k]，并作为相似度计算公式中的x1k。
相应地，对于产品，根据该用户购买过的产品量化特征向量，获取对应该用户购买过的产品量化特征向量的多个历史用户特征向量，即对应购买过相同产品的多个历史用户，以及分别对应多个历史用户特征向量的多个历史产品特征向量，通过降维处理分别得到降维后的多个历史用户特征向量a2k(对应于人群统计特征向量)和多个历史产品特征向量b2k(对应于产品量化特征向量)，将降维后的多个历史用户特征向量a2k与多个历史产品特征向量b2k进行拼接，得到对应该用户的历史购买信息的预置的多个产品特征向量，即[a2k，b2k]，并作为相似度计算公式中的x2k，从而通过相似度计算得到产品推荐预测信息。
实施中，获取用户近期购买的两项产品，利用获取到的该用户的两项产品的产品特征向量，分别与得到的对应不同产品的预置的多个产品特征向量进行相似度计算，若计算得到的相似度值大于预置的相似度值，则将大于预置的相似度值的预置的产品特征向量所对应的产品信息作为推荐给该用户的产品推荐预测信息；或者，将计算得到的相似度值进行降序排列，将相似度值最大的3组预置的产品特征向量(例如，将用户的两项产品所对应的相似度值整合后进行降序排列)所对应的3项产品信息作为该用户的产品推荐预测信息推送给用户。
根据实际应用场景的需要，相似度算法可以为欧式距离算法或余弦相似度算法。欧氏距离算法的计算公式具体为：
其中，用户购买过的产品的产品特征向量为(x11，x12，…，x1n)，产品特征向量包括降维后的用户身份特征向量与降维后的购买过的产品量化特征向量，在银行产品数据库中获取到的对应的预置的产品特征向量为(x21，x22，…，x2n)，是指银行自有产品的产品特征向量，包括与该用户购买过的产品的产品特征向量匹配的降维后的多个历史用户特征向量与多个历史产品特征向量。
余弦相似度算法的计算公式具体为：
其中，用户购买的产品的产品特征向量为(x11，x12，…，x1n)，产品特征向量包括降维后的用户身份特征向量与降维后的购买过的产品量化特征向量，在银行产品数据库中获取到的对应的预置的产品特征向量为(x21，x22，…，x2n)，是指银行自有产品的产品特征向量，包括与该用户购买过的产品的产品特征向量匹配的降维后的多个历史用户特征向量与多个历史产品特征向量。
通过应用本实施例的技术方案，根据人群统计信息训练初始化第一产品推荐模型，得到训练好的第一产品推荐模型，以及根据产品量化信息训练初始化第二产品推荐模型，得到训练好的第二产品推荐模型，根据训练好的第一产品推荐模型的第一隐藏层和训练好的第二产品推荐模型的第二隐藏层构建产品推荐预测模型，以便根据用户的历史购买信息，利用所构建的产品推荐预测模型得到与该用户的历史购买信息匹配的产品推荐预测信息。与现有的产品信息推荐的技术方案相比，本申请通过所构建的产品推荐预测模型能够根据用户的历史购买信息，对购买产品的用户实现对人群统计特征的向量化，以及对购买过的产品实现对产品自身特征的向量化，从而构建针对银行产品的向量空间，以实现基于向量空间的银行产品的个性化推荐预测，以及进一步地对产品信息进行充分利用，避免产品信息资源的浪费，从而提升对用户进行产品推荐预测的准确度。
进一步的，作为图1方法的具体实现，本申请实施例提供了一种产品信息推荐装置，如图3所示，该装置包括：第一训练模块31、第二训练模块32、构建模块33、预测模块35。
第一训练模块31，可以用于根据人群统计信息训练初始化第一产品推荐模型，得到训练好的第一产品推荐模型；
第二训练模块32，可以用于根据产品量化信息训练初始化第二产品推荐模型，得到训练好的第二产品推荐模型；
构建模块33，可以用于根据所述训练好的第一产品推荐模型的第一隐藏层和所述训练好的第二产品推荐模型的第二隐藏层构建产品推荐预测模型；
预测模块35，可以用于根据用户的历史购买信息，利用所构建的产品推荐预测模型得到与所述历史购买信息匹配的产品推荐预测信息。
在具体的应用场景中，还包括监测模块34。
在具体的应用场景中，所述人群统计信息包括购买产品的用户的年龄信息、购买产品的用户的消费金额信息，第一训练模块31，可以具体用于对获取到的人群统计信息进行预处理，得到用于构建训练数据集的人群统计特征向量；利用初始化第一产品推荐模型对所述人群统计特征向量进行编码和解码，得到用于预测产品推荐的第一产品特征向量；根据所述人群统计特征向量和第一产品特征向量对所述初始化第一产品推荐模型进行训练，得到训练好的第一产品推荐模型。
在具体的应用场景中，所述产品量化信息包括产品价格信息、产品收益信息，第二训练模块32，可以具体用于对获取到的产品量化信息进行预处理，得到用于构建训练数据集的产品量化特征向量；利用初始化第二产品推荐模型对所述产品量化特征向量进行编码和解码，得到用于预测产品推荐的第二产品特征向量；根据所述产品量化特征向量和第二产品特征向量对所述初始化第二产品推荐模型进行训练，得到训练好的第二产品推荐模型。
在具体的应用场景中，构建模块33，可以具体用于分别提取所述训练好的第一产品推荐模型的第一隐藏层和所述训练好的第二产品推荐模型的第二隐藏层；将提取到的所述第一隐藏层和第二隐藏层进行平行设置，得到产品推荐预测模型。
在具体的应用场景中，监测模块34，可以用于当监测到来自用户的产品搜索请求时，获取所述产品搜索请求中的用户的历史购买信息。
在具体的应用场景中，预测模块35，可以具体用于对所述用户的历史购买信息进行预处理，得到用户身份特征向量和用户购买过的产品量化特征向量；将所述用户身份特征向量和用户购买过的产品量化特征向量分别经由产品推荐预测模型的第一隐藏层和第二隐藏层进行编码和解码，得到与所述历史购买信息匹配的产品推荐预测信息。
在具体的应用场景中，所述将所述用户身份特征向量和用户购买过的产品量化特征向量分别经由产品推荐预测模型的第一隐藏层和第二隐藏层进行编码和解码，得到与所述历史购买信息匹配的产品推荐预测信息，具体包括：获取与所述用户购买过的产品量化特征向量对应的多个历史用户特征向量，以及与所述历史用户特征向量对应的多个历史产品特征向量；根据所述多个历史用户特征向量和多个历史产品特征向量，得到预置的多个产品特征向量；根据所述用户身份特征向量和用户购买过的产品量化特征向量，得到用户的产品特征向量；对得到的所述预置的多个产品特征向量和所述用户的产品特征向量进行相似度计算，得到与所述历史购买信息匹配的产品推荐预测信息。
需要说明的是，本申请实施例提供的一种产品信息推荐装置所涉及各功能单元的其他相应描述，可以参考图1和图2中的对应描述，在此不再赘述。
基于上述如图1和图2所示方法，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1和图2所示的产品信息推荐方法。
基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1、图2所示的方法，以及图3所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该实体设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1和图2所示的产品信息推荐方法。
可选的，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency，RF)电路，传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等，可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该实体设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。通过应用本申请的技术方案，与现有的产品信息推荐的技术方案相比，本实施例能够通过所构建的产品推荐预测模型能够根据用户的历史购买信息，对购买产品的用户实现对人群统计特征的向量化，以及对购买过的产品实现对产品自身特征的向量化，从而构建针对银行产品的向量空间，以实现基于向量空间的银行产品的个性化推荐预测，以及进一步地对产品信息进行充分利用，避免产品信息资源的浪费，从而提升对用户进行产品推荐预测的准确度。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。

Claims (10)

1.一种产品信息推荐方法，其特征在于，包括：
根据人群统计信息训练初始化第一产品推荐模型，得到训练好的第一产品推荐模型；
根据产品量化信息训练初始化第二产品推荐模型，得到训练好的第二产品推荐模型；
根据所述训练好的第一产品推荐模型的第一隐藏层和所述训练好的第二产品推荐模型的第二隐藏层构建产品推荐预测模型；
根据用户的历史购买信息，利用所构建的产品推荐预测模型得到与所述历史购买信息匹配的产品推荐预测信息；
其中，基于神经网络算法中的编码解码结构，构建所述初始化第一产品推荐模型和所述初始化第二产品推荐模型。
2.根据权利要求1所述的方法，其特征在于，所述人群统计信息包括购买产品的用户的年龄信息、购买产品的用户的消费金额信息，根据人群统计信息训练初始化第一产品推荐模型，得到训练好的第一产品推荐模型，具体包括：
对获取到的人群统计信息进行预处理，得到用于构建训练数据集的人群统计特征向量；
利用初始化第一产品推荐模型对所述人群统计特征向量进行编码和解码，得到用于预测产品推荐的第一产品特征向量；
根据所述人群统计特征向量和第一产品特征向量对所述初始化第一产品推荐模型进行训练，得到训练好的第一产品推荐模型。
3.根据权利要求1所述的方法，其特征在于，所述产品量化信息包括产品价格信息、产品收益信息，根据产品量化信息训练初始化第二产品推荐模型，得到训练好的第二产品推荐模型，具体包括：
对获取到的产品量化信息进行预处理，得到用于构建训练数据集的产品量化特征向量；
利用初始化第二产品推荐模型对所述产品量化特征向量进行编码和解码，得到用于预测产品推荐的第二产品特征向量；
根据所述产品量化特征向量和第二产品特征向量对所述初始化第二产品推荐模型进行训练，得到训练好的第二产品推荐模型。
4.根据权利要求1所述的方法，其特征在于，所述根据所述训练好的第一产品推荐模型的第一隐藏层和所述训练好的第二产品推荐模型的第二隐藏层构建产品推荐预测模型，具体包括：
分别提取所述训练好的第一产品推荐模型的第一隐藏层和所述训练好的第二产品推荐模型的第二隐藏层；
将提取到的所述第一隐藏层和第二隐藏层进行平行设置，得到产品推荐预测模型。
5.根据权利要求1所述的方法，其特征在于，所述用户的历史购买信息包括用户身份信息和用户购买过的产品信息，根据用户的历史购买信息，利用所构建的产品推荐预测模型得到与所述历史购买信息匹配的产品推荐预测信息之前，具体还包括：
当监测到来自用户的产品搜索请求时，获取所述产品搜索请求中的用户的历史购买信息。
6.根据权利要求1或5所述的方法，其特征在于，所述根据用户的历史购买信息，利用所构建的产品推荐预测模型得到与所述历史购买信息匹配的产品推荐预测信息，具体包括：
对所述用户的历史购买信息进行预处理，得到用户身份特征向量和用户购买过的产品量化特征向量；
将所述用户身份特征向量和用户购买过的产品量化特征向量分别经由产品推荐预测模型的第一隐藏层和第二隐藏层进行编码和解码，得到与所述历史购买信息匹配的产品推荐预测信息。
7.根据权利要求6所述的方法，其特征在于，所述将所述用户身份特征向量和用户购买过的产品量化特征向量分别经由产品推荐预测模型的第一隐藏层和第二隐藏层进行编码和解码，得到与所述历史购买信息匹配的产品推荐预测信息，具体包括：
获取与所述用户购买过的产品量化特征向量对应的多个历史用户特征向量，以及与所述历史用户特征向量对应的多个历史产品特征向量；
根据所述多个历史用户特征向量和多个历史产品特征向量，得到预置的多个产品特征向量；
根据所述用户身份特征向量和用户购买过的产品量化特征向量，得到用户的产品特征向量；
对得到的所述预置的多个产品特征向量和所述用户的产品特征向量进行相似度计算，得到与所述历史购买信息匹配的产品推荐预测信息。
8.一种产品信息推荐装置，其特征在于，包括：
第一训练模块，用于根据人群统计信息训练初始化第一产品推荐模型，得到训练好的第一产品推荐模型；
第二训练模块，用于根据产品量化信息训练初始化第二产品推荐模型，得到训练好的第二产品推荐模型；
构建模块，用于根据所述训练好的第一产品推荐模型的第一隐藏层和所述训练好的第二产品推荐模型的第二隐藏层构建产品推荐预测模型；
预测模块，用于根据用户的历史购买信息，利用所构建的产品推荐预测模型得到与所述历史购买信息匹配的产品推荐预测信息；
其中，基于神经网络算法中的编码解码结构，构建所述初始化第一产品推荐模型和所述初始化第二产品推荐模型。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至7中任一项所述的产品信息推荐方法。
10.一种计算机设备，包括存储介质、处理器及存储在存储介质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中任一项所述的产品信息推荐方法。
CN201910895053.7A 2019-09-20 2019-09-20 产品信息推荐方法及装置、存储介质、计算机设备 Active CN110796512B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910895053.7A CN110796512B (zh) 2019-09-20 2019-09-20 产品信息推荐方法及装置、存储介质、计算机设备
PCT/CN2020/111371 WO2021052126A1 (zh) 2019-09-20 2020-08-26 产品信息推荐方法及装置、存储介质、计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910895053.7A CN110796512B (zh) 2019-09-20 2019-09-20 产品信息推荐方法及装置、存储介质、计算机设备

Publications (2)

Publication Number Publication Date
CN110796512A CN110796512A (zh) 2020-02-14
CN110796512B true CN110796512B (zh) 2023-09-05

Family

ID=69438743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910895053.7A Active CN110796512B (zh) 2019-09-20 2019-09-20 产品信息推荐方法及装置、存储介质、计算机设备

Country Status (2)

Country Link
CN (1) CN110796512B (zh)
WO (1) WO2021052126A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796512B (zh) * 2019-09-20 2023-09-05 平安科技（深圳）有限公司 产品信息推荐方法及装置、存储介质、计算机设备
CN111626832B (zh) * 2020-06-05 2023-10-03 中国银行股份有限公司 产品推荐方法、装置及计算机设备
CN111951050B (zh) * 2020-08-14 2023-08-11 中国工商银行股份有限公司 理财产品推荐方法及装置
CN113094602B (zh) * 2021-04-09 2023-08-29 携程计算机技术（上海）有限公司 酒店推荐方法、系统、设备及介质
CN113516533A (zh) * 2021-06-24 2021-10-19 平安科技（深圳）有限公司 基于改进bert模型的产品推荐方法、装置、设备及介质
CN113592606B (zh) * 2021-08-10 2023-08-22 平安银行股份有限公司 基于多重决策的产品推荐方法、装置、设备及存储介质
CN113822739A (zh) * 2021-08-11 2021-12-21 未鲲(上海)科技服务有限公司 产品推荐方法、装置、电子设备及存储介质
CN116186693B (zh) * 2023-04-27 2023-08-29 中国科学技术大学 针对推荐系统的用户隐私保护方法、系统、设备及介质
CN117391583B (zh) * 2023-10-23 2024-04-05 南京鑫智链科技信息有限公司 采购数据管理方法及平台
CN117168081B (zh) * 2023-11-03 2024-01-05 山东爱德信商用厨具有限公司 保鲜柜智能控制管理系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106933996A (zh) * 2017-02-28 2017-07-07 广州大学 一种采用深度特征匹配的推荐方法
CN109903168A (zh) * 2019-01-18 2019-06-18 平安科技（深圳）有限公司 基于机器学习的推荐保险产品的方法及相关设备
CN109993638A (zh) * 2019-05-05 2019-07-09 重庆天蓬网络有限公司 产品推荐的方法、装置、介质和电子设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108711075A (zh) * 2018-05-22 2018-10-26 阿里巴巴集团控股有限公司 一种产品推荐方法和装置
CN108920665B (zh) * 2018-07-05 2020-08-07 北京邮电大学 基于网络结构和评论文本的推荐评分方法及装置
CN110796512B (zh) * 2019-09-20 2023-09-05 平安科技（深圳）有限公司 产品信息推荐方法及装置、存储介质、计算机设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106933996A (zh) * 2017-02-28 2017-07-07 广州大学 一种采用深度特征匹配的推荐方法
CN109903168A (zh) * 2019-01-18 2019-06-18 平安科技（深圳）有限公司 基于机器学习的推荐保险产品的方法及相关设备
CN109993638A (zh) * 2019-05-05 2019-07-09 重庆天蓬网络有限公司 产品推荐的方法、装置、介质和电子设备

Also Published As

Publication number Publication date
CN110796512A (zh) 2020-02-14
WO2021052126A1 (zh) 2021-03-25

Similar Documents

Publication Publication Date Title
CN110796512B (zh) 产品信息推荐方法及装置、存储介质、计算机设备
Wu et al. Sliced wasserstein generative models
Liu et al. DeepN-JPEG: A deep neural network favorable JPEG-based image compression framework
CN111797321B (zh) 一种面向不同场景的个性化知识推荐方法及系统
CN109492772B (zh) 生成信息的方法和装置
CN112307332B (zh) 基于用户画像聚类的协同过滤推荐方法、系统及存储介质
CN109344998A (zh) 一种基于医疗美容场景的客户违约概率预测方法
CN111260220B (zh) 群控设备识别方法、装置、电子设备和存储介质
CN109903168A (zh) 基于机器学习的推荐保险产品的方法及相关设备
CN111626767B (zh) 资源数据的发放方法、装置及设备
CN112364937A (zh) 用户类别确定方法及装置、推荐内容确定方法、电子设备
Zhou et al. Improved cross-label suppression dictionary learning for face recognition
CN112417294A (zh) 一种基于神经网络挖掘模型的业务智能推荐方法
CN110706055A (zh) 商品信息推送方法及装置、存储介质、计算机设备
CN111400551B (zh) 一种视频分类方法、电子设备和存储介质
Lu et al. DAC–deep autoencoder-based clustering: A general deep learning framework of representation learning
CN111949886A (zh) 一种用于信息推荐的样本数据生成方法和相关装置
CN114090401A (zh) 处理用户行为序列的方法及装置
CN112069412A (zh) 信息推荐方法、装置、计算机设备及存储介质
CN112036987A (zh) 确定推荐商品的方法和装置
CN115860783B (zh) 一种基于人工智能的电商平台用户反馈分析方法及系统
CN115618079A (zh) 会话推荐方法、装置、电子设备及存储介质
CN114330519A (zh) 数据确定方法、装置、电子设备及存储介质
CN113688281A (zh) 一种基于深度学习行为序列的视频推荐方法及系统
CN113688421A (zh) 基于隐私保护的预测模型更新方法及装置

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