CN112085566A - 基于智能决策的产品推荐方法、装置及计算机设备 - Google Patents
基于智能决策的产品推荐方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN112085566A CN112085566A CN202010930269.5A CN202010930269A CN112085566A CN 112085566 A CN112085566 A CN 112085566A CN 202010930269 A CN202010930269 A CN 202010930269A CN 112085566 A CN112085566 A CN 112085566A
- Authority
- CN
- China
- Prior art keywords
- product
- target
- information
- target object
- groups
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000011156 evaluation Methods 0.000 claims abstract description 48
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 claims abstract description 28
- 230000006978 adaptation Effects 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 16
- 230000009193 crawling Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 239000000047 product Substances 0.000 description 237
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000007792 addition Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q40/08—Insurance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例属于人工智能领域,涉及一种基于智能决策的产品推荐方法,包括获取预设终端中的第一对象列表;根据预先建立的对象数据库在第一对象列表中确定第一目标对象,并确定与第一目标对象关联的第二目标对象;提取第二目标对象的若干组对象标签;根据若干组对象标签的产生时间,给若干组对象标签分别添加权重后输入多标签分类模型,得到第二目标对象与各候选产品的适配评估值;根据得到的适配评估值在各候选产品中确定目标产品,并将确定的目标产品发送至预设终端。本申请还提供一种基于智能决策的产品推荐装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,目标产品可存储于区块链中。本申请提高了产品推荐的效率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于智能决策的产品推荐方法、装置、计算机设备及存储介质。
背景技术
随着计算机技术的发展,经常需要使用人工智能进行产品或信息的推荐。产品推荐推荐涉及人工智能中的智能决策,通常是由训练好的模型依据输入的信息输出向对象推荐的产品。
然而,传统的推荐技术中,需要先针对对象获取大量信息,而这些信息通常包括较多私密信息,信息的获取过程耗费大量的时间和精力。当对象信息较少时,判断是否需要向对象进行推送的准确性较低,同时,长时间的信息获取过程使得向对象进行产品推荐的效率较低。
发明内容
本申请实施例的目的在于提出一种基于智能决策的产品推荐方法、装置、计算机设备及存储介质,以解决在对象信息较少时产品推荐的效率较低的问题。
为了解决上述技术问题,本申请实施例提供一种基于智能决策的产品推荐方法,采用了如下所述的技术方案:
获取预设终端中的第一对象列表;
根据预先建立的对象数据库在所述第一对象列表中确定第一目标对象,并确定与所述第一目标对象关联的第二目标对象;
从所述对象数据库中提取所述第二目标对象的若干组对象标签;
根据所述若干组对象标签的产生时间,给所述若干组对象标签分别添加权重;
将带有权重的所述若干组对象标签输入多标签分类模型,得到所述第二目标对象与各候选产品的适配评估值;
根据得到的适配评估值在所述各候选产品中确定目标产品,并将确定的目标产品发送至所述预设终端。
进一步的,所述对象数据库用于存储对象信息,所述对象信息包括第一目标对象、与所述第一目标对象关联的第二目标对象以及所述第二目标对象的若干组对象标签;在所述根据预先建立的对象数据库在所述第一对象列表中确定第一目标对象,并确定与所述第一目标对象关联的第二目标对象的步骤之前,还包括:
通过爬虫获取对象信息;
基于爬取到的对象信息建立对象数据库;
或者,
与信息存储服务器及控制服务器进行联邦学习,获取对象信息;
基于获取到的对象信息建立对象数据库。
进一步的,所述通过爬虫获取对象信息包括:
接收终端发送的爬虫配置信息;其中,所述爬虫配置信息包括运行信息和信息爬取量;
根据所述爬虫配置信息对爬虫进行配置;
运行配置完毕的爬虫,得到对象信息。
进一步的,所述根据所述若干组对象标签的产生时间,给所述若干组对象标签分别添加权重的步骤包括:
提取所述若干组对象标签的产生时间;
获取预设的时间衰减函数;
根据所述若干组对象标签的产生时间和所述时间衰减函数,分别给所述若干组对象标签添加权重。
进一步的,所述根据得到的适配评估值在所述各候选产品中确定目标产品,并将确定的目标产品发送至所述预设终端的步骤包括:
依据适配维度将所述各候选产品分为若干类;
根据得到的适配评估值,在若干类候选产品中分别确定目标产品;
将确定的目标产品发送至所述预设终端。
进一步的,所述将确定的目标产品发送至所述预设终端包括:
提取确定的目标产品的产品信息;
将所述产品信息和所述若干组对象标签输入训练好的信息生成模型,输出产品推荐信息;
将所述产品推荐信息发送至所述预设终端。
进一步的,在所述根据所述若干组对象标签的产生时间,给所述若干组对象标签分别添加权重的步骤之后还包括:
将带有权重的所述若干组对象标签输入多标签分类模型,输出所述第二目标对象与各产品属性的适配评估值;
根据输出的适配评估值对所述各产品属性进行筛选;
根据筛选到的产品属性从候选产品库中确定目标产品,并将确定的目标产品发送至所述预设终端。
为了解决上述技术问题,本申请实施例还提供一种基于智能决策的产品推荐装置,采用了如下所述的技术方案:
列表获取模块,用于获取预设终端中的第一对象列表;
对象确定模块,用于根据预先建立的对象数据库在所述第一对象列表中确定第一目标对象,并确定与所述第一目标对象关联的第二目标对象;
标签提取模块,用于从所述对象数据库中提取所述第二目标对象的若干组对象标签;
权重添加模块,用于根据所述若干组对象标签的产生时间,给所述若干组对象标签分别添加权重;
标签输入模块,用于将带有权重的所述若干组对象标签输入多标签分类模型,得到所述第二目标对象与各候选产品的适配评估值;
产品确定模块,用于根据得到的适配评估值在所述各候选产品中确定目标产品,并将确定的目标产品发送至所述预设终端。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述所述的基于智能决策的产品推荐方法。
为了解决上述技术问题,本申请实施例还提供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,所述计算机程序被处理器执行时实现上述所述的基于智能决策的产品推荐方法。
与现有技术相比,本申请实施例主要有以下有益效果:先从预设终端获取第一对象列表,第一对象列表是对象的集合,可以在终端快速建立;对象数据库是预先建立的,存储了大量对象信息,根据对象数据库可以快速从第一对象列表中确定与产品推送相关的第一目标对象和第二目标对象,其中,第一目标对象可以对第二目标对象下达指令。对象数据库还包括第二目标对象的多组对象标签,每组对象标签可以产生于不同的时间节点,以此可以给每组对象标签添加相应的权重,在对象标签较少的情况下提升对象标签的差异性与丰富性。将各组对象标签输入多标签分类模型,得到第二目标对象与候选产品的适配评估值,从而确定适配第二目标对象的目标产品,使得模型可以在对象信息较少的情况下也可以快速地完成精准推送。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的基于智能决策的产品推荐方法的一个实施例的流程图;
图3是图2中步骤S206的一种具体实施方式的流程图;
图4是根据本申请的基于智能决策的产品推荐装置的一个实施例的结构示意图;
图5是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于智能决策的产品推荐方法一般由服务器执行,相应地,基于智能决策的产品推荐装置一般设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的基于智能决策的产品推荐方法的一个实施例的流程图。所述的基于智能决策的产品推荐方法,包括以下步骤:
步骤S201,获取预设终端中的第一对象列表。
在本实施例中,基于智能决策的产品推荐方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从预设终端获取第一对象列表。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
其中,第一对象列表可以是存储于预设终端中的对象列表,包括终端中各种应用中的对象列表。
具体地,用户可以操作终端对第一对象列表进行更新,并可以定时将第一对象列表上传至服务器。此外,终端还可以运行监测程序,实时监测第一对象列表,当监测到第一对象列表被修改时,触发上传指令,将第一对象列表上传至服务器。
在一个实施例中,终端中安装有管理对象的应用,通过该应用监测并读取第一对象列表。当应用监测到第一对象列表有更新时,可以实时或者在一定时间后将第一对象列表与云端的备份对象列表相比较,将变化的列表信息发送至服务器。
步骤S202,根据预先建立的对象数据库在第一对象列表中确定第一目标对象,并确定与第一目标对象关联的第二目标对象。
其中,对象数据库可以是存储对象信息的数据库。第一目标对象可以是用于产品推荐分析的第一类对象;第二目标对象可以是用于产品推荐分析的第二类对象;第一目标对象可以向第二目标对象下达指令,从而对第二目标对象进行控制。
具体地,服务器获取到第一对象列表后,读取前次从预设终端获取的第一对象列表,比较两个第一对象列表,将发生变化的对象作为候选目标对象。对象的变化包括新增和修改。
服务器将候选目标对象与预先建立的对象数据库中的对象信息进行匹配,将实现匹配的候选目标对象确定为第一目标对象,同时,在对象数据库中查询与第一目标对象关联的第二目标对象。第一目标对象可以与多个第二目标对象关联,第二目标对象也可以关联于多个第一目标对象。
在一个实施例中,对象数据库中的对象信息以特征宽表的形式存在。候选目标对象还包括对象标识。服务器在对象信息中可以直接查询候选目标对象,也可以查询候选目标对象的对象标识,还可以同时查询候选目标对象与对象标识。若可以查询到,则实现匹配,将候选目标对象确定为第一目标对象。
举例说明,第一对象列表可以是预设终端中的通讯录,则候选目标对象可以是新增或者信息修改后的人员姓名,对象标识可以是该人员的联系方式,例如手机号或者座机号。服务器在库存对象信息中查询人员姓名或者联系方式,当可以查询到时,将该人员作为第一目标对象。若根据对象信息确定该人员在某一机构中任职,且在该机构中具有一定的决策权,则该机构可以作为第二目标对象。
步骤S203,从对象数据库中提取第二目标对象的若干组对象标签。
其中,对象标签可以是第二目标对象的标签,用于对第二目标对象进行信息记录,例如记录第二目标对象的属性、特征等。
具体地,对象数据库记录了第一目标对象、与第一目标对象关联的第二目标对象以及第二目标对象的若干组对象标签。服务器从对象数据库中提取第二目标对象的若干组对象标签。各组对象标签中的信息种类可以相同,也可以存在不同。
步骤S204,根据若干组对象标签的产生时间,给若干组对象标签分别添加权重。
具体地,各组对象标签为平行关系,各组对象标签可以具有相同的信息种类,但是各组对象标签产生于不同的时间节点,在采集对象标签时,对应存储了各组对象标签的产生时间。服务器根据对象标签的产生时间,给各组对象标签添加权重。对象标签的产生时间并非对象标签发布于万维网或者对象标签被添加进对象数据库的时间,而是对象标签中各标签元素的出现时间。
举例说明,服务器采集到两组对象标签并添加到对象数据库中,其中,第一组对象标签和第二组对象标签可以在2020年首次公布于万维网。第一组对象标签是根据某企业2018年的数据得到的,则第一组对象标签的产生时间为2018年;第二组对象标签是根据某企业2019年的数据得到的,则第一组对象标签的产生时间为2019年。两组对象标签的权重可以相同还可以不同。
步骤S205,将带有权重的若干组对象标签输入多标签分类模型,得到第二目标对象与各候选产品的适配评估值。
其中,多标签分类模型是分类模型,多标签分类模型可以对被处理的对象进行分类,将被处理的对象划入多个类中,给被处理的对象添加多个类的标签。在产品推荐的应用环境中,多标签分类模型可以计算第二目标对象与多个候选产品的适配评估值。适配评估值可以是数值,用于表征第二目标对象与候选产品的匹配或适合程度。
具体地,服务器将带有权重的各组对象标签输入训练完毕的多标签分类模型,多标签分类模型依据对象标签进行计算,输出第二目标对象与各候选产品的适配评估值。
在使用多标签分类模型之前,还需通过训练得到多标签分类模型。具体地,服务器访问历史数据库,历史数据库记录了第二目标对象、第二目标对象的若干组对象标签以及向第二目标对象推荐成功的产品。服务器将历史数据库中的若干组对象标签作为输入,将推荐成功的产品作为期望输出,训练初始分类模型,得到多标签分类模型。
步骤S206,根据得到的适配评估值在各候选产品中确定目标产品,并将确定的目标产品发送至预设终端。
具体地,服务器得到第二目标对象与各候选产品的适配评估值后,依据适配评估值对候选产品进行降序排列,将排序靠前的预设数量的候选产品作为目标产品。服务器还可以根据预设的适配阈值对候选产品进行筛选,将适配评估值大于适配阈值的候选产品作为目标产品。
服务器确定目标产品后,将目标产品发送至预设终端,以便进一步的产品推荐。
在一个实施例中,产品推荐由人工进行。预设终端接收到目标产品后,可以向持有预设终端的人员进行提示,以便该人员依据接收到的目标产品进行产品推荐。
需要强调的是,为进一步保证上述确定的目标产品的私密和安全性,上述目标产品还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本实施例中,先从预设终端获取第一对象列表,第一对象列表是对象的集合,可以在终端快速建立;对象数据库是预先建立的,存储了大量对象信息,根据对象数据库可以快速从第一对象列表中确定与产品推送相关的第一目标对象和第二目标对象,其中,第一目标对象可以对第二目标对象下达指令。对象数据库还包括第二目标对象的多组对象标签,每组对象标签可以产生于不同的时间节点,以此可以给每组对象标签添加相应的权重,在对象标签较少的情况下提升对象标签的差异性与丰富性。将各组对象标签输入多标签分类模型,得到第二目标对象与候选产品的适配评估值,从而确定适配第二目标对象的目标产品,使得模型可以在对象信息较少的情况下也可以快速地完成精准推送。
进一步的,对象数据库用于存储对象信息,对象信息包括第一目标对象、与第一目标对象关联的第二目标对象以及第二目标对象的若干组对象标签;在上述步骤S202之前,还包括:通过爬虫获取对象信息;基于爬取到的对象信息建立对象数据库;或者,与信息存储服务器及控制服务器进行联邦学习,获取对象信息;基于获取到的对象信息建立对象数据库。
具体地,对象数据库可以基于爬虫建立。服务器可以运行爬虫,从万维网上爬取对象信息,基于爬取到的对象信息建立对象数据库。对象信息包括第一目标对象、与第一目标对象关联的第二目标对象以及第二目标对象的若干组对象标签。
举例说明,第一目标对象可以是企业中的董监高(董事(执行董事)、监事以及高级管理人员),第二目标对象可以是董监高所在的企业,对象标签可以是企业的公开信息,比如企业的工商信息(企业的注册资本金额、所属行业、成立时长、注册地址和员工数量等)、企业的联系方式等,对象标签还可以包括企业的经营状况、经营风险、行政处罚、是否为上市公司等。第一目标对象也可以作为第二目标对象的对象标签。
在一个实施例中,所述通过爬虫获取对象信息的步骤包括:接收终端发送的爬虫配置信息;其中,爬虫配置信息包括运行信息和信息爬取量;根据爬虫配置信息对爬虫进行配置;运行配置完毕的爬虫,得到对象信息。
其中,爬虫配置信息可以是用于配置爬虫的信息;运行信息用于对爬虫的启动运行进行控制,例如,运行信息可以规定爬虫每天随机运行一次;信息爬取量用于规定爬虫每次运行所需爬取的信息量,例如,信息爬取量可以规定每次需要爬取到200家企业的信息。
具体地,本申请中的对象标签具有高饱和度,例如企业的公开信息,公开这些信息的网页较少设置反爬取,服务器容易从万维网中爬取到这些对象标签。同时,为了避免可能遇到的反爬取,操作人员可以通过终端对爬虫进行配置,从而对爬取进行控制,以避免短时间内过高频率地访问同一网页。
操作人员可以在终端的页面中录入爬虫配置信息,由终端将爬虫配置信息发送至服务器。爬虫配置信息包括运行信息和信息爬取量,服务器根据爬虫配置信息对爬虫进行配置。配置完毕的爬虫依据爬虫配置信息运行,从万维网上爬取对象信息。
在一个实施例中,操作人员还可以为爬虫配置代理服务器,以应对一些页面的反爬取。
本实施例中,通过爬虫配置信息对爬虫进行配置,从而对爬虫的运行进行控制,保证了可以稳定地爬取到对象信息。
当通过联邦学习获取对象信息时,需要三方的数据互通,其一为本申请中的服务器;其二为存储对象信息的信息存储服务器,例如提供个人和企业信息查询的网站的服务器;其三为控制服务器,用于发送联邦学习中所需的密钥等信息,从而控制、辅助联邦学习。通过联邦学习建立对象数据库,各方可以相互利用对方数据库中的数据,同时不会出现数据隐私的安全隐患。
本实施例中,通过爬虫或者联邦学习可以快速地获取对象信息,提升了建立对象数据库的速度。
进一步的,上述步骤S204还包括:提取若干组对象标签的产生时间;获取预设的时间衰减函数;根据若干组对象标签的产生时间和时间衰减函数,分别给若干组对象标签添加权重。
具体地,服务器可以直接将每组对象标签的产生时间作为时间衰减函数的自变量,也可以将产生时间距离当前时间节点的时间间隔作为自变量。时间衰减函数可以是指数函数,也可以是分段函数。
可以理解,对象标签可以记录第二目标对象在一段较长时间内的属性、特征。当每组对象标签的权重一样时,多标签分类模型会趋向适应于所有对象标签,不能较好地适应最新的对象标签,而最新的对象标签能更好地反映第二目标对象当前的状况。因此,可以引入权重的概念,给各组对象标签添加权重,以对各组对象标签加以区分,提高了有限样本的差异性与丰富性。同时,多组对象标签也可以考虑到对象标签在时间上的变化给第二目标对象带来的影响。
本实施例中,依据对象标签的产生时间和时间衰减函数,计算对象标签的权重,提高了对象标签的差异性以及丰富性。
进一步的,如图3所示,上述步骤S206还包括:
步骤S2061,依据适配维度将各候选产品分为若干类。
其中,适配维度可以用于衡量候选产品的适配属性,在本申请中,适配维度可以是候选产品适配于个体对象,或者候选产品适配于群体对象。
具体地,候选产品具有适配维度,适配维度在产品设计时便已确定,属于候选产品的一种特征属性。依据适配维度,可以将候选产品分为不同的类别。
步骤S2062,根据得到的适配评估值,在若干类候选产品中分别确定目标产品。
具体地,为了使候选产品从更多的维度适配第二目标对象,可以从各类候选产品中,根据适配评估值各自确定目标产品。即,得到的目标产品可以多于一种,以产品组合的形式进行推荐。
举例说明,候选产品可以是保险公司推出的各种保险产品,保险产品的适配维度包括适配个人以及适配团体,则保险产品可以分类为企业相关保险和员工相关保险。在计算出适配评估值后,既选取企业相关保险,又选取员工相关保险,这样生成的产品组合可以互补,更好地满足企业的需要。
步骤S2063,将确定的目标产品发送至预设终端。
具体地,服务器依据适配维度从若干类候选产品中分别确定目标产品后,将目标产品发送至预设终端,以便进行进一步的产品推荐。
本实施例中,依据适配维度将候选产品进行分类,在各类候选产品中均确定目标产品,保证了可以得到更适配的产品。
进一步的,上述步骤S2063还包括:提取确定的目标产品的产品信息;将产品信息和若干组对象标签输入训练好的信息生成模型,输出产品推荐信息;将产品推荐信息发送至预设终端。
其中,产品信息可以是目标产品的介绍、说明;推荐信息可以是对目标产品进行推荐的话术信息。
具体地,服务器提取目标产品的产品信息,再获取第二目标对象的对象标签。产品信息可以用于描述目标产品,对象标签可以用于描述第二目标对象,服务器可以将产品信息和对象标签输入训练好的信息生成模型,信息生成模型依据产品信息和对象标签生成用于产品推荐的产品推荐信息。
产品推荐信息可以是推荐话术,被发送至预设终端。预设终端可以由产品推荐人员持有,产品推荐人员可以依据产品推荐信息的指引进行推荐。
本实施例中,结合目标产品的产品信息以及对象标签生成指引产品推荐的产品推荐信息,提高了产品推荐的成功率。
进一步的,上述步骤S204之后,所述基于智能决策的产品推荐方法还可以包括以下步骤:将带有权重的若干组对象标签输入多标签分类模型,输出第二目标对象与各产品属性的适配评估值;根据输出的适配评估值对各产品属性进行筛选;根据筛选到的产品属性从候选产品库中确定目标产品,并将确定的目标产品发送至预设终端。
其中,候选产品库可以是候选产品的集合。
具体地,候选产品可以存在于候选产品库中,候选产品库并非固定不变,可以添加新的候选产品,也可以移除部分候选产品。为了避免候选产品库的更新,使得多标签分类模型需要不断进行训练,可以基于多标签分类模型计算第二目标对象与各产品属性的适配评估值,而不是计算第二目标对象与具体的候选产品的适配评估值。
得到适配评估值后,服务器可以根据适配阈值,筛选出适配评估值大于适配阈值的产品属性,然后根据筛选得到的产品属性,再从候选产品库中筛选候选产品,得到目标产品,并将目标产品发送至预设终端。
在候选产品库中筛选候选产品时,还可以附加约束条件,约束条件对产品筛选具有限制作用。举例说明,某个候选产品只适用于某个行业,例如餐饮业综合保险只适用于餐饮业;又比如,某种风格的裙子默认推荐给女性。
表1是一个具体应用中计算适配评估值得到的表格,客户C1、C2和C3为三个第二目标对象,产品属性包括企财、团雇和公责,适配阈值为0.5,则有客户C1偏向于团雇、公责险种,客户C2偏向企财、团雇险种,客户C3偏向于企财险种。在对客户C1进行推荐时,从候选产品库中,查找主推团雇、公责的保险,再根据约束条件,判断查找到的保险是否适合客户C1。
客户 | 企财 | 团雇 | 公责 |
C1 | 0.1 | 0.7 | 0.9 |
C2 | 0.8 | 0.7 | 0.2 |
C3 | 0.9 | 0.4 | 0.3 |
表1
候选产品库是候选产品的集合,包括热门产品以及最新产品,可以定时更新。
训练计算产品属性的适配评估值的多标签分类模型时,模型输入可以是第二目标对象的对象标签,期望输出为推荐成功的产品的产品属性。
本实施例中,计算第二目标对象与产品属性的适配评估值,确定第二目标对象对产品属性的适配,再依据产品属性确定目标产品,从另一维度实现产品推荐,同时减少了模型的训练量。
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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图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,其可以以其他的顺序执行。而且,附图的流程图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,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他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。
进一步参考图4,作为对上述图2所示方法的实现,本申请提供了一种基于智能决策的产品推荐装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例所述的基于智能决策的产品推荐装置300包括:列表获取模块301、对象确定模块302、标签提取模块303、权重添加模块304、标签输入模块305以及产品确定模块306。其中:
列表获取模块301,用于获取预设终端中的第一对象列表。
对象确定模块302,用于根据预先建立的对象数据库在第一对象列表中确定第一目标对象,并确定与第一目标对象关联的第二目标对象。
标签提取模块303,用于从对象数据库中提取第二目标对象的若干组对象标签。
权重添加模块304,用于根据若干组对象标签的产生时间,给若干组对象标签分别添加权重。
标签输入模块305,用于将带有权重的若干组对象标签输入多标签分类模型,得到第二目标对象与各候选产品的适配评估值。
产品确定模块306,用于根据得到的适配评估值在各候选产品中确定目标产品,并将确定的目标产品发送至预设终端。
本实施例中,先从预设终端获取第一对象列表,第一对象列表是对象的集合,可以在终端快速建立;对象数据库是预先建立的,存储了大量对象信息,根据对象数据库可以快速从第一对象列表中确定与产品推送相关的第一目标对象和第二目标对象,其中,第一目标对象可以对第二目标对象下达指令。对象数据库还包括第二目标对象的多组对象标签,每组对象标签可以产生于不同的时间节点,以此可以给每组对象标签添加相应的权重,在对象标签较少的情况下提升对象标签的差异性与丰富性。将各组对象标签输入多标签分类模型,得到第二目标对象与候选产品的适配评估值,从而确定适配第二目标对象的目标产品,使得模型可以在对象信息较少的情况下也可以快速地完成精准推送。
在本实施例的一些可选的实现方式中,上述基于智能决策的产品推荐装置300还包括:爬虫获取模块和爬取建立模块,或者,联邦获取模块和获取建立模块,其中:
爬虫获取模块,用于通过爬虫获取对象信息。
爬取建立模块,用于基于爬取到的对象信息建立对象数据库。
联邦获取模块,用于与信息存储服务器及控制服务器进行联邦学习,获取对象信息。
获取建立模块,用于基于获取到的对象信息建立对象数据库。
本实施例中,通过爬虫或者联邦学习可以快速地获取对象信息,提升了建立对象数据库的速度。
在本实施例的一些可选的实现方式中,上述爬虫获取模块还包括:配置接收子模块、爬虫配置子模块以及爬虫运行子模块,其中:
配置接收子模块,用于接收终端发送的爬虫配置信息;其中,爬虫配置信息包括运行信息和信息爬取量。
爬虫配置子模块,用于根据爬虫配置信息对爬虫进行配置。
爬虫运行子模块,用于运行配置完毕的爬虫,得到对象信息。
本实施例中,通过爬虫配置信息对爬虫进行配置,从而对爬虫的运行进行控制,保证了可以稳定地爬取到对象信息。
在本实施例的一些可选的实现方式中,上述权重添加模块304还包括:时间提取子模块、函数获取子模块以及权重添加子模块,其中:
时间提取子模块,用于提取若干组对象标签的产生时间。
函数获取子模块,用于获取预设的时间衰减函数。
权重添加子模块,用于根据若干组对象标签的产生时间和时间衰减函数,分别给若干组对象标签添加权重。
本实施例中,依据对象标签的产生时间和时间衰减函数,计算对象标签的权重,提高了对象标签的差异性以及丰富性。
在本实施例的一些可选的实现方式中,上述产品确定模块306还包括:产品分类子模块、产品确定子模块以及产品发送子模块,其中:
产品分类子模块,用于依据适配维度将各候选产品分为若干类。
产品确定子模块,用于根据得到的适配评估值,在若干类候选产品中分别确定目标产品。
产品发送子模块,用于将确定的目标产品发送至预设终端。
本实施例中,依据适配维度将候选产品进行分类,在各类候选产品中均确定目标产品,保证了可以得到更适配的产品。
在本实施例的一些可选的实现方式中,上述产品发送子模块还包括:信息提取单元、信息生成单元以及信息发送单元,其中:
信息提取单元,用于提取确定的目标产品的产品信息。
信息生成单元,用于将产品信息和若干组对象标签输入训练好的信息生成模型,输出产品推荐信息。
信息发送单元,用于将产品推荐信息发送至预设终端。
本实施例中,结合目标产品的产品信息以及对象标签生成指引产品推荐的产品推荐信息,提高了产品推荐的成功率。
在本实施例的一些可选的实现方式中,上述基于智能决策的产品推荐装置300包括:列表获取模块、对象确定模块、标签提取模块、权重添加模块、属性适配模块、属性筛选模块以及目标确定模块,其中:
列表获取模块,用于获取预设终端中的第一对象列表。
对象确定模块,用于根据预先建立的对象数据库在第一对象列表中确定第一目标对象,并确定与第一目标对象关联的第二目标对象。
标签提取模块,用于从对象数据库中提取第二目标对象的若干组对象标签。
权重添加模块,用于根据若干组对象标签的产生时间,给若干组对象标签分别添加权重。
属性适配模块,用于将带有权重的若干组对象标签输入多标签分类模型,输出第二目标对象与各产品属性的适配评估值。
属性筛选模块,用于根据输出的适配评估值对各产品属性进行筛选。
目标确定模块,用于根据筛选到的产品属性从候选产品库中确定目标产品,并将确定的目标产品发送至预设终端。
本实施例中,计算第二目标对象与产品属性的适配评估值,确定第二目标对象对产品属性的适配,再依据产品属性确定目标产品,从另一维度实现产品推荐,同时减少了模型的训练量。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如基于智能决策的产品推荐方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述基于智能决策的产品推荐方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本实施例中提供的计算机设备可以执行上述基于智能决策的产品推荐方法。此处基于智能决策的产品推荐方法可以是上述各个实施例的基于智能决策的产品推荐方法。
本实施例中,先从预设终端获取第一对象列表,第一对象列表是对象的集合,可以在终端快速建立;对象数据库是预先建立的,存储了大量对象信息,根据对象数据库可以快速从第一对象列表中确定与产品推送相关的第一目标对象和第二目标对象,其中,第一目标对象可以对第二目标对象下达指令。对象数据库还包括第二目标对象的多组对象标签,每组对象标签可以产生于不同的时间节点,以此可以给每组对象标签添加相应的权重,在对象标签较少的情况下提升对象标签的差异性与丰富性。将各组对象标签输入多标签分类模型,得到第二目标对象与候选产品的适配评估值,从而确定适配第二目标对象的目标产品,使得模型可以在对象信息较少的情况下也可以快速地完成精准推送。
本申请还提供了另一种实施方式,即提供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计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于智能决策的产品推荐方法的步骤。
本实施例中,先从预设终端获取第一对象列表,第一对象列表是对象的集合,可以在终端快速建立;对象数据库是预先建立的,存储了大量对象信息,根据对象数据库可以快速从第一对象列表中确定与产品推送相关的第一目标对象和第二目标对象,其中,第一目标对象可以对第二目标对象下达指令。对象数据库还包括第二目标对象的多组对象标签,每组对象标签可以产生于不同的时间节点,以此可以给每组对象标签添加相应的权重,在对象标签较少的情况下提升对象标签的差异性与丰富性。将各组对象标签输入多标签分类模型,得到第二目标对象与候选产品的适配评估值,从而确定适配第二目标对象的目标产品,使得模型可以在对象信息较少的情况下也可以快速地完成精准推送。
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上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于智能决策的产品推荐方法,其特征在于,包括下述步骤:
获取预设终端中的第一对象列表;
根据预先建立的对象数据库在所述第一对象列表中确定第一目标对象,并确定与所述第一目标对象关联的第二目标对象;
从所述对象数据库中提取所述第二目标对象的若干组对象标签;
根据所述若干组对象标签的产生时间,给所述若干组对象标签分别添加权重;
将带有权重的所述若干组对象标签输入多标签分类模型,得到所述第二目标对象与各候选产品的适配评估值;
根据得到的适配评估值在所述各候选产品中确定目标产品,并将确定的目标产品发送至所述预设终端。
2.根据权利要求1所述的基于智能决策的产品推荐方法,其特征在于,所述对象数据库用于存储对象信息,所述对象信息包括第一目标对象、与所述第一目标对象关联的第二目标对象以及所述第二目标对象的若干组对象标签;在所述根据预先建立的对象数据库在所述第一对象列表中确定第一目标对象,并确定与所述第一目标对象关联的第二目标对象的步骤之前,还包括:
通过爬虫获取对象信息;
基于爬取到的对象信息建立对象数据库;
或者,
与信息存储服务器及控制服务器进行联邦学习,获取对象信息;
基于获取到的对象信息建立对象数据库。
3.根据权利要求2所述的基于智能决策的产品推荐方法,其特征在于,所述通过爬虫获取对象信息包括:
接收终端发送的爬虫配置信息;其中,所述爬虫配置信息包括运行信息和信息爬取量;
根据所述爬虫配置信息对爬虫进行配置;
运行配置完毕的爬虫,得到对象信息。
4.根据权利要求1所述的基于智能决策的产品推荐方法,其特征在于,所述根据所述若干组对象标签的产生时间,给所述若干组对象标签分别添加权重的步骤包括:
提取所述若干组对象标签的产生时间;
获取预设的时间衰减函数;
根据所述若干组对象标签的产生时间和所述时间衰减函数,分别给所述若干组对象标签添加权重。
5.根据权利要求1所述的基于智能决策的产品推荐方法,其特征在于,所述根据得到的适配评估值在所述各候选产品中确定目标产品,并将确定的目标产品发送至所述预设终端的步骤包括:
依据适配维度将所述各候选产品分为若干类;
根据得到的适配评估值,在若干类候选产品中分别确定目标产品;
将确定的目标产品发送至所述预设终端。
6.根据权利要求5所述的基于智能决策的产品推荐方法,其特征在于,所述将确定的目标产品发送至所述预设终端包括:
提取确定的目标产品的产品信息;
将所述产品信息和所述若干组对象标签输入训练好的信息生成模型,输出产品推荐信息;
将所述产品推荐信息发送至所述预设终端。
7.根据权利要求1所述的基于智能决策的产品推荐方法,其特征在于,在所述根据所述若干组对象标签的产生时间,给所述若干组对象标签分别添加权重的步骤之后还包括:
将带有权重的所述若干组对象标签输入多标签分类模型,输出所述第二目标对象与各产品属性的适配评估值;
根据输出的适配评估值对所述各产品属性进行筛选;
根据筛选到的产品属性从候选产品库中确定目标产品,并将确定的目标产品发送至所述预设终端。
8.一种基于智能决策的产品推荐装置,其特征在于,包括:
列表获取模块,用于获取预设终端中的第一对象列表;
对象确定模块,用于根据预先建立的对象数据库在所述第一对象列表中确定第一目标对象,并确定与所述第一目标对象关联的第二目标对象;
标签提取模块,用于从所述对象数据库中提取所述第二目标对象的若干组对象标签;
权重添加模块,用于根据所述若干组对象标签的产生时间,给所述若干组对象标签分别添加权重;
标签输入模块,用于将带有权重的所述若干组对象标签输入多标签分类模型,得到所述第二目标对象与各候选产品的适配评估值;
产品确定模块,用于根据得到的适配评估值在所述各候选产品中确定目标产品,并将确定的目标产品发送至所述预设终端。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于智能决策的产品推荐方法的步骤。
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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于智能决策的产品推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010930269.5A CN112085566B (zh) | 2020-09-07 | 2020-09-07 | 基于智能决策的产品推荐方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010930269.5A CN112085566B (zh) | 2020-09-07 | 2020-09-07 | 基于智能决策的产品推荐方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085566A true CN112085566A (zh) | 2020-12-15 |
CN112085566B CN112085566B (zh) | 2023-04-28 |
Family
ID=73732355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010930269.5A Active CN112085566B (zh) | 2020-09-07 | 2020-09-07 | 基于智能决策的产品推荐方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085566B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598471A (zh) * | 2020-12-25 | 2021-04-02 | 北京知因智慧科技有限公司 | 一种产品的推荐方法、推荐装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
CN110162695A (zh) * | 2019-04-09 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种信息推送的方法及设备 |
CN110909259A (zh) * | 2019-11-27 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 基于区块链的用户推荐方法、装置、设备及存储介质 |
-
2020
- 2020-09-07 CN CN202010930269.5A patent/CN112085566B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345302A (zh) * | 2018-09-27 | 2019-02-15 | 腾讯科技(深圳)有限公司 | 机器学习模型训练方法、装置、存储介质和计算机设备 |
CN110162695A (zh) * | 2019-04-09 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种信息推送的方法及设备 |
CN110909259A (zh) * | 2019-11-27 | 2020-03-24 | 腾讯科技(深圳)有限公司 | 基于区块链的用户推荐方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598471A (zh) * | 2020-12-25 | 2021-04-02 | 北京知因智慧科技有限公司 | 一种产品的推荐方法、推荐装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112085566B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119413B (zh) | 数据融合的方法和装置 | |
CN111782943B (zh) | 基于历史数据记录的信息推荐方法、装置、设备及介质 | |
CN112507116B (zh) | 基于客户应答语料的客户画像方法及其相关设备 | |
CN112148987A (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN106845999A (zh) | 风险用户识别方法、装置和服务器 | |
CN106844407B (zh) | 基于数据集相关性的标签网络产生方法和系统 | |
CN109816321A (zh) | 一种服务管理方法、装置、设备和计算机可读存储介质 | |
CN113220734A (zh) | 课程推荐方法、装置、计算机设备及存储介质 | |
CN113836131A (zh) | 一种大数据清洗方法、装置、计算机设备及存储介质 | |
CN110851729A (zh) | 资源信息推荐方法、装置、设备及计算机存储介质 | |
CN112818230B (zh) | 内容推荐方法、装置、电子设备和存储介质 | |
CN114398477A (zh) | 基于知识图谱的政策推荐方法及其相关设备 | |
CN107368499B (zh) | 一种客户标签建模及推荐方法及装置 | |
CN111641517A (zh) | 同质网络的社群划分方法、装置、计算机设备和存储介质 | |
CN112182390B (zh) | 一种函件推送方法、装置、计算机设备及存储介质 | |
CN112085566B (zh) | 基于智能决策的产品推荐方法、装置及计算机设备 | |
CN110598124B (zh) | 数值属性挖掘方法、装置、计算机设备和存储介质 | |
CN112507141A (zh) | 调查任务生成方法、装置、计算机设备及存储介质 | |
CN114549053B (zh) | 数据分析方法、装置、计算机设备及存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN112084408B (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN113111132B (zh) | 一种识别目标用户的方法和装置 | |
CN109885647B (zh) | 用户履历验证方法、装置、电子设备及存储介质 | |
CN112069807A (zh) | 文本数据的主题提取方法、装置、计算机设备及存储介质 | |
CN112258195A (zh) | 一种交易数据的处理方法、装置、计算机设备及存储介质 |
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 |