CN112163929B - 业务推荐方法、装置、计算机设备和存储介质 - Google Patents

业务推荐方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112163929B
CN112163929B CN202011034757.4A CN202011034757A CN112163929B CN 112163929 B CN112163929 B CN 112163929B CN 202011034757 A CN202011034757 A CN 202011034757A CN 112163929 B CN112163929 B CN 112163929B
Authority
CN
China
Prior art keywords
service
ripple
layer
recommended
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
CN202011034757.4A
Other languages
English (en)
Other versions
CN112163929A (zh
Inventor
陈昊炅
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 Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China 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 Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202011034757.4A priority Critical patent/CN112163929B/zh
Publication of CN112163929A publication Critical patent/CN112163929A/zh
Application granted granted Critical
Publication of CN112163929B publication Critical patent/CN112163929B/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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及数据分析领域，通过根据历史购买业务记录和波纹层对应的三元组向量，确定待推荐业务对应的选择概率，有效提高了推荐业务的准确性。尤其涉及一种业务推荐方法、装置、计算机设备和存储介质，该方法包括：获取目标用户对应的历史购买业务记录，根据历史购买业务记录，生成交互矩阵；根据知识图谱和交互矩阵构建波纹网络；确定多层波纹层对应的三元组向量，以及获取至少一个待推荐业务；根据多层波纹层对应的三元组向量确定中心业务对每个待推荐业务的业务响应向量；根据业务响应向量确定每个待推荐业务对应的选择概率，并将选择概率大于预设概率值的待推荐业务向目标用户推荐。此外，本申请还涉及区块链技术，知识图谱可存储于区块链中。

Description

业务推荐方法、装置、计算机设备和存储介质
技术领域
本申请涉及数据分析领域，尤其涉及一种业务推荐方法、装置、计算机设备和存储介质。
背景技术
随着互联网信息的爆发性增长以及线上销售的快速发展，用户在面对繁杂的各类业务时，很难快速寻求和定位到适合自己的业务。
现有的业务推荐方法主要包括协同过滤算法。协同过滤算法是基于用户历史上与多款业务产生交互的数据基础上，在启动阶段往往效果不佳，存在冷启动的问题；此外，当缺少用户或业务的历史记录时，又会出现稀疏性的问题，导致协同过滤算法在推荐业务时的准确度较低。
因此如何提高业务推荐的准确度成为亟需解决的问题。
发明内容
本申请提供了一种业务推荐方法、装置、计算机设备和存储介质，通过根据历史购买业务记录和波纹层对应的三元组向量，确定待推荐业务对应的选择概率，提高了推荐业务的准确性。
第一方面，本申请提供了一种业务推荐方法，所述方法包括：
获取目标用户对应的历史购买业务记录，根据所述历史购买业务记录，生成用于表示所述目标用户与历史购买业务之间的购买关系的交互矩阵；
根据预设的知识图谱和所述交互矩阵构建波纹网络，其中，所述波纹网络包括中心业务以及多层波纹层；
确定所述多层波纹层对应的三元组向量，以及获取至少一个待推荐业务；
根据所述多层波纹层对应的三元组向量，确定所述中心业务对每个所述待推荐业务的业务响应向量；
根据所述业务响应向量确定每个所述待推荐业务对应的选择概率，并将对应的选择概率大于预设概率值的待推荐业务向所述目标用户推荐。
第二方面，本申请还提供了一种业务推荐装置，所述装置包括：
交互矩阵生成模块，用于获取目标用户对应的历史购买业务记录，根据所述历史购买业务记录，生成用于表示所述目标用户与历史购买业务之间的购买关系的交互矩阵；
波纹网络构建模块，用于根据预设的知识图谱和所述交互矩阵构建波纹网络，其中，所述波纹网络包括中心业务以及多层波纹层；
三元组向量生成模块，用于确定所述多层波纹层对应的三元组向量，以及获取至少一个待推荐业务；
业务响应向量确定模块，用于根据所述多层波纹层对应的三元组向量，确定所述中心业务对每个所述待推荐业务的业务响应向量；
业务推荐模块，用于根据所述业务响应向量确定每个所述待推荐业务对应的选择概率，并将对应的选择概率大于预设概率值的待推荐业务向所述目标用户推荐。
第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的业务推荐方法。
第四方面，本申请还提供了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程序，所述计算机程序被处理器执行时使所述处理器实现如上述的业务推荐方法。
本申请公开了一种业务推荐方法、装置、计算机设备和存储介质，通过获取目标用户对应的历史购买业务记录，可以根据历史购买业务记录生成用于表示目标用户与历史购买业务之间的购买关系的交互矩阵；通过根据预设的知识图谱和交互矩阵构建波纹网络，后续可以根据波纹网络中的多层波纹层对应的三元组向量确定业务响应向量，解决了冷启动和稀疏性的问题；通过确定多层波纹层对应的三元组向量和获取至少一个待推荐业务，可以实现根据多层波纹层对应的三元组向量，确定中心业务对每个待推荐业务的业务响应向量；通过根据业务响应向量确定每个待推荐业务对应的选择概率，并将对应的选择概率大于预设概率值的待推荐业务向目标用户推荐，实现根据待推荐业务的选择概率向目标用户推荐业务，可以有效提高推荐业务的准确性。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例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是本申请实施例提供的一种业务推荐方法的示意流程图；
图2是本申请实施例提供的目标用户与历史购买业务之间的购买关系的示意图；
图3是本申请实施例提供的一种构建波纹网络的子步骤的示意性流程图；
图4是本申请实施例提供的一种预设的知识图谱的结构示意图；
图5是本申请实施例提供的一种波纹网络的结构示意图；
图6是本申请实施例提供的确定三元组向量的子步骤的示意性流程图；
图7是本申请实施例提供的确定业务响应向量的子步骤的示意性流程图；
图8是本申请实施例提供的计算波纹响应向量的子步骤的示意性流程图；
图9是本申请实施例提供的一种业务推荐装置的示意性框图；
图10是本申请实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本申请的实施例提供了一种业务推荐方法、装置、计算机设备和存储介质。其中，该业务推荐方法可以应用于服务器或终端中，通过根据历史购买业务记录和波纹层对应的三元组向量，确定待推荐业务对应的选择概率，有效提高了推荐业务的准确性。
其中，服务器可以为独立的服务器，也可以为服务器集群。终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
如图1所示，业务推荐方法包括步骤S10至步骤S50。
步骤S10、获取目标用户对应的历史购买业务记录，根据所述历史购买业务记录，生成用于表示所述目标用户与历史购买业务之间的购买关系的交互矩阵。
需要说明的是，在本申请实施例中，当目标用户登录终端时，服务器或终端可以通过终端获取目标用户对应的历史购买业务记录。
具体地，可以根据目标用户的身份标识获取目标用户对应的历史业务购买记录，进而根据历史业务购买记录，得到目标用户对应的历史购买业务。
示例性的，身份标识可以包括但不限于目标用户的姓名、身份证号、手机号、终端设备账号以及终端ID等。
具体地，当用户登陆终端时，可以将终端对应的用户标记为目标用户。在目标用户使用终端的APP或网页时，可以通过与后端接口对应的前端埋点采集目标用户输入的数据，可以将前端埋点采集的数据作为目标用户的身份标识信息。其中，目标用户输入的数据可以是姓名、身份证号、手机号、终端设备账号或终端ID等。通过在终端采集数据，可以快速获取目标用户的身份标识，不易察觉，避免目标用户的反感。
示例性的，历史购买业务记录可以包括历史购买业务，也可以不包括历史购买业务。
具体地，在本申请实施例中，可以用集合U＝{u1,u2,…,un}表示用户集合，用集合V＝{v1,v2,…,vn}表示历史购买业务集合。其中，目标用户u可以是用户集合U中的其中一个，目标用户u对应的历史购买业务Vu可以是历史购买业务集合V中的其中一个。
示例性的，目标用户u对应的交互矩阵可以表示为：Y＝{yuv|u∈U,v∈V}，其中，当目标用户u与历史购买业务Vu存在购买关系时，yuv＝1；当目标用户u与历史购买业务Vu不存在购买关系时，yuv＝0。
在一些实施例中，可以采用知识图谱来表示目标用户与历史购买业务之间的购买关系。示例性的，若目标用户u为“张三”，历史购买业务Vu为“产品全家福”，则目标用户u与历史购买业务Vu可以用知识图谱表示，如图2所示，图2是本申请实施例提供的目标用户与历史购买业务之间的购买关系的示意图。
需要说明的是，知识图谱是结构化的语义知识库，用于以符号形式描述物理世界中的概念及其相互关系；知识图谱的基本组成单位是(头实体，关系，尾实体)的三元组，以及实体及其相关属性-值对，实体之间通过关系相互联结，构成网状的知识结构。
通过获取目标用户对应的历史购买业务记录，可以生成目标用户与历史购买业务之间的交互矩阵，后续可以根据交互矩阵确定波纹网络的中心业务。
步骤S20、根据预设的知识图谱和所述交互矩阵构建波纹网络，其中，所述波纹网络包括中心业务以及多层波纹层。
在本申请实施例中，通过根据预设的知识图谱和交互矩阵，构建得到一个波纹网络，从而可以根据波纹网络中的中心业务以及多层波纹层中的补充业务，确定多层波纹层对应的三元组向量，进而可以得到中心业务对每个待推荐业务的业务响应向量。
请参阅图3，图3是步骤S20中根据预设的知识图谱和交互矩阵构建波纹网络的子步骤的示意性流程图，具体可以包括以下步骤S201至步骤S203。
步骤S201、从区块链节点中获取预设的所述知识图谱，其中，所述知识图谱包括至少一条知识路径。
示例性的，预设的知识图谱可以包括多条知识路径，可以事先设定。例如，知识路径可以包括：产品全家福-->产品三-->产品四-->产品五等等。需要说明的是，知识路径中包括多个相互连接的三元组，其中，各三元组包括头实体、关系和尾实体。
需要强调的是，为进一步保证上述预设的知识图谱的私密和安全性，上述预设的知识图谱还可以存储于一区块链的节点中。在本申请实施例中，在构建波纹网络时，可以从区块链节点中获取预设的知识图谱。
步骤S202、根据所述交互矩阵，确定所述知识图谱的中心点对应的中心业务。
示例性的，基于交互矩阵Y＝{yuv|u∈U,v∈V}，当yuv＝1时，将与目标用户存在购买关系的历史购买业务作为波纹网络的中心业务。
可以理解的是，知识图谱的中心点可以当做第0层波纹层。通过确定知识图谱的中心点对应的中心业务，后续可以中心业务为起始点构建波纹网络。
步骤S203、以所述中心业务为起始点，沿着所述至少一条知识路径向外扩散并根据所述至少一条知识路径中的关系属性建立波纹层，生成所述波纹网络。
具体地，以中心业务为起始点，沿着至少一条知识路径向外扩散，每经过两个业务之间的关系属性时，新增一层波纹层，得到构建好的波纹网络。
请参阅图4，图4是本申请实施例提供的一种预设的知识图谱的结构示意图。示例性的，在图4中，知识路径包括：产品全家福-->产品三-->产品四-->产品五，且中心业务为“产品全家福”，其中，中心业务与产品三之间存在关系属性、产品三与产品四之间存在关系属性、产品四与产品五之间存在关系属性；则在构建波纹网络时，中心业务在第0层波纹层；由于中心业务与与产品三之间存在关系属性，则新增一层波纹层，产品三处于第1层波纹层中；由于产品三与产品四之间存在关系属性，则新增一层波纹层，此时产品四处于第2层波纹层中；产品四与产品五之间存在关系属性，则新增一层波纹层，此时产品五处于第3层波纹层中。依次根据知识路径中的关系属性新增波纹层，得到构建好的波纹网络，如图5所示，图5是本申请实施例提供的一种波纹网络的结构示意图。
此外，若还存在其它知识路径，例如，产品全家福-->产品二，则还可以继续沿着该知识路径向外扩散并根据该知识路径中的关系属性建立波纹层。
请参阅图5，在波纹网络中，各层波纹存在至少一个补充业务。例如，第1层波纹层包括至少一个第一补充业务，如产品二和产品三；第2层波纹层包括至少一个第二补充业务，如产品四。
具体地，各层波纹层中的业务与相邻层波纹层中的业务存在一个关系属性。示例性的，中心业务与第一补充业务存在同套餐的关系属性或存在同系列的关系属性；第一补充业务与二补充业务存在同目标人群的关系属性；第二补充业务与第三补充业务存在竞品的关系属性。
通过构建波纹网络，得到的波纹网络的各层波纹设有补充业务，可以得到更多与中心业务存在关联关系的补充业务，解决了冷启动和稀疏性的问题，从而提高了后续向目标用户推荐业务的准确度。
步骤S30、确定所述多层波纹层对应的三元组向量，以及获取至少一个待推荐业务。
请参阅图6，图6是步骤S30中确定多层波纹层对应的三元组向量的子步骤的示意性流程图，具体可以包括以下步骤S301和步骤S302。
步骤S301、根据所述中心业务、以及所述多层波纹层中的补充业务，生成所述多层波纹层对应的三元组。
需要说明的是，在生成多层波纹层时，由于第一层波纹层中的补充业务需要结合中心业务，生成第一个三元组，与其它相邻层波纹层之间生成三元组的情况不同；因此，为了方便说明，将多层波纹层分成第一层波纹层和剩余的各层波纹层。
在一些实施例中，根据中心业务、以及多层波纹层中的补充业务，生成多层波纹层对应的三元组，可以包括：获取中心业务与第一层波纹层中的第一补充业务之间的第一关系属性，根据中心业务、第一补充业务以及第一关系属性，生成第一层波纹层对应的三元组；获取剩余的每层波纹层中的补充业务与剩余的每层波纹层的前一层波纹层中的补充业务之间的第二关系属性，根据剩余的每层波纹层中的补充业务、前一层波纹中的补充业务以及第二关系属性，生成剩余的每层波纹层对应的三元组。
示例性，关系属性可以包括但不限于同系列、同套餐、同目标人群以及竞争等属性。
示例性的，对于目标用户u和历史购买业务Vu，预设的知识图谱可以表示为G，其中，知识图谱G可以包括多个三元组S，即各层波纹对应的三元组。根据交互矩阵Y和知识图谱G，第k层波纹层对应的三元组的尾实体可以表示为：
式中，h表示三元组中的头实体，r表示三元组中的关系属性；t表示三元组中的尾实体；n表示波纹层的总层数。当第0层波纹层的尾实体为即在交互矩阵Y中，目标用户u对应的历史购买业务为第0层波纹层的尾实体。
示例性的，第k层波纹层对应的三元组可以表示为：
需要说明的是，波纹网络中的每一层波纹层扩散都是从上一层的尾实体开始，沿着三元组中关系路径向外扩散。每一层波纹层上的尾实体均可以认为是与中心实体相似的实体，且层数越少即两个实体间的路径越短，则说明两个实体的相似度越高。
示例性的，若中心业务为“产品全家福”，第一层波纹层对应的第一补充业务为“产品三”，且中心业务“产品全家福”与第一补充业务“产品三”之间的关系属性为“同套餐”，则生成第一层波纹层对应的三元组为(产品全家福，同套餐，产品三)。其中，该三元组的头实体为中心业务“产品全家福”，关系为关系属性“同套餐”，尾实体为第一补充业务“产品三”。
具体地，剩余的每层波纹层是指第2层至第n层。需要说明的是，第2层波纹层的前一层波纹层为第1层波纹层，第3层波纹层的前一层波纹层为第2层波纹层，依此类推。
示例性的，若第二层波纹层对应的第二补充业务为“产品四”，且第二补充业务与第一补充业务之间的关系属性为“同目标人群”，则生成第二层波纹层对应的三元组为(产品三，同目标人群，产品四)。
通过根据中心业务和各层波纹层中的补充业务，可以生成波纹网络中的各层波纹层对应的三元组，后续可以对三元组进行向量化，得到各层波纹层对应的三元组向量。
步骤S302、对所述多层波纹层对应的三元组进行向量化处理，得到所述多层波纹对应的三元组向量。
需要说明的是，在本申请实施例中，通过对多层波纹层对应的三元组进行向量化处理，可以得到多层波纹对应的三元组向量，后续可以根据多层波纹层对应的三元组向量，进而可以确定中心业务对每个待推荐业务的业务响应向量。
在一些实施例中，对多层波纹层对应的三元组进行向量化处理，得到多层波纹对应的三元组向量，可以包括：对多层波纹层对应的三元组中的头实体、关系属性以及尾实体分别进行独热编码，得到多层波纹对应的三元组向量。
其中，三元组向量包括头实体向量、关系矩阵以及尾实体向量。
需要说明的是，独热编码，使用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候，其中只有一位有效。
具体地，对于三元组中的头实体hk、关系rk以及尾实体tk，分别进行独热编码，得到三元组向量/>其中，三元组向量/>中的头实体向量为Hk、关系矩阵为Rk以及尾实体向量为Tk；关系矩阵是d*d的矩阵，头尾实体都是d维向量。
具体地，可以从本地数据库或本地磁盘中获取预设的待推荐业务。示例性的，待推荐业务可以是一个，也可以是多个。
需要说明的是，待推荐业务是指向目标用户推荐的业务。通过获取待推荐业务，可以在波纹网络中，确定中心业务对每个待推荐业务的业务响应向量。
步骤S40、根据所述多层波纹层对应的三元组向量，确定所述中心业务对每个所述待推荐业务的业务响应向量。
请参阅图7，图7是步骤S40中根据多层波纹层对应的三元组向量，确定中心业务对每个待推荐业务的业务响应向量的子步骤的示意性流程图，具体可以包括以下步骤S401和步骤S402。
步骤S401、根据所述多层波纹层对应的三元组向量，计算所述中心业务对每个所述待推荐业务在所述多层波纹层的每层波纹层中的波纹响应向量。
需要说明的是，波纹响应向量可以表示中心业务对每个待推荐业务在每层波纹层中的相似度。波纹响应向量对应的值越大，表示待推荐业务与中心业务之间的相似度越高；将波纹响应向量较大的待推荐业务向目标用户推荐，可以有效提高业务推荐的准确度。
请参阅图8，图8是步骤S401中计算波纹响应向量的子步骤的示意性流程图，具体可以包括以下步骤S4011至步骤S4013。
步骤S4011、对每个所述待推荐业务进行独热编码，得到每个所述待推荐业务对应的业务向量。
示例性的，待推荐业务可以表示为v0。在本申请实施例中，在获取待推荐业务之后，需要对待推荐业务进行向量化，得到待推荐业务对应的业务向量。其中，例如，业务向量可以表示为V0。
示例性的，可以对每个待推荐业务进行独热编码，得到每个待推荐业务对应的业务向量，例如，V01、V02以及V03等等。
步骤S4012、基于预设的关联算法，根据每个所述业务向量以及所述三元组向量中的头实体向量和关系矩阵，确定所述中心业务对每个所述业务向量在所述每层波纹层中的关联概率。
具体地，预设的关联算法可以包括softmax函数。示例性的，关联概率可以表示为pi。需要说明的是，关联概率可以理解为业务向量与头实体在关系矩阵中的相似度。
具体地，基于softmax函数，每个业务向量在第k层波纹层中的关联概率，可以通过下述计算公式进行计算：
式中，Hi表示第k层波纹层中第i个三元组向量中的头实体向量；Ri表示第k层波纹层中第i个对应的三元组向量中的关系矩阵；V0 T表示业务向量V0的转置矩阵。
具体地，通过上述的关联概率计算公式，可以根据每个业务向量以及三元组向量中的头实体向量和关系矩阵，确定每个业务向量在每层波纹层中的关联概率。
步骤S4013、根据所述关联概率与所述三元组向量中的尾实体向量，确定所述中心业务对每个所述业务向量在所述每层波纹层中的波纹响应向量。
示例性的，波纹响应向量可以表示为其中，波纹响应向量/>的计算公式如下：
式中，Ti表示三元组向量中的尾实体向量；表示中心业务对应的向量。
具体地，通过上述波纹响应向量的计算公式，可以根据关联概率与三元组向量中的尾实体向量，确定每个业务向量在每层波纹层中的波纹响应向量。
示例性的，可以表示中心业务对每个业务向量在第1层波纹层中的波纹响应向量；/>可以表示中心业务对每个业务向量在第2层波纹层中的波纹响应向量。
步骤S402、根据所述每层波纹层中的波纹响应向量，确定所述中心业务对每个所述待推荐业务的所述业务响应向量。
在一些实施例中，根据每层波纹层中的波纹响应向量，确定中心业务对每个待推荐业务的业务响应向量，可以包括：对每层波纹层中的波纹响应向量进行求和，得到中心业务对每个待推荐业务的业务响应向量。
示例性的，业务响应向量可以表示为D，其中，业务响应向量D可以通过下式计算得到：
通过根据各层波纹层对应的三元组向量计算中心业务对每个待推荐业务的业务响应向量，可以将各层波纹层中的实体向量添加至计算关联概率的过程中，使得业务响应向量更能反映目标用户的历史购买业务与待推荐业务之间的相似性，进而提高了推荐业务的准确性。
S50、根据所述业务响应向量确定每个所述待推荐业务对应的选择概率，并将对应的选择概率大于预设概率值的待推荐业务向所述目标用户推荐。
具体地，可以基于预设的阈值函数，根据业务响应向量确定每个待推荐业务对应的选择概率。
示例性的，预设的阈值函数可以包括sigmoid函数。需要说明的是，sigmoid函数是一种非线性作用函数；sigmoid函数常被用作神经网络的阈值函数，将变量映射到0-1之间。
需要说明的是，选择概率是指目标用户选择待推荐业务的概率。示例性的，选择概率可以表示为
具体地，根据sigmoid函数，计算每个待推荐业务对应的选择概率可以通过下述计算公式计算：
式中，DT表示业务响应向量D的转置矩阵；V0表示待推荐业务对应的业务向量。
示例性的，待推荐业务可以包括多个；若待推荐业务包括待推荐业务A、待推荐业务B以及待推荐业务C等，则可以根据业务响应向量分别确定待推荐业务A、待推荐业务B以及待推荐业务C对应的选择概率。例如，待推荐业务A对应的选择概率为待推荐业务B对应的选择概率为/>待推荐业务C对应的选择概率为/>
在一些实施例中，将对应的选择概率大于预设概率值的待推荐业务向目标用户推荐，可以包括：将对应的选择概率大于预设概率值的待推荐业务生成待推荐业务表，并将待推荐业务表中的待推荐业务向目标用户推荐。
其中，预设概率值以表示为预设概率值/>可以根据实际情况设定，具体数值在此不作限定。
示例性的，若待推荐业务A对应的选择概率与待推荐业务B对应的选择概率/>大于预设的概率值/>而待推荐业务C对应的选择概率/>小于概率值/>则生成的待推荐业务表包括待推荐业务A和待推荐业务B，如表1所示。
表1
待推荐业务
待推荐业务A
待推荐业务B
具体地，可以将待推荐业务A和待推荐业务B向目标用户推荐。
通过基于预设的阈值函数，可以根据业务响应向量确定待推荐业务对应的选择概率，可以提高待推荐业务的推荐准确性，使得推荐的业务符合目标用户的需求，提高了用户的体验感。
上述实施例提供的业务推荐方法，通过获取目标用户对应的历史购买业务记录，可以生成目标用户与历史购买业务之间的交互矩阵，后续可以根据交互矩阵确定波纹网络的中心业务；通过构建波纹网络，得到的波纹网络的各层波纹设有补充业务，可以得到更多与中心业务存在关联关系的补充业务，解决了冷启动和稀疏性的问题，从而提高了后续向目标用户推荐业务的准确度；通过根据中心业务和各层波纹层中的补充业务，可以生成波纹网络中的各层波纹层对应的三元组，后续可以对三元组进行向量化，得到各层波纹层对应的三元组向量；通过获取待推荐业务，可以在波纹网络中，确定中心业务对每个待推荐业务的业务响应向量；通过根据各层波纹层对应的三元组向量计算中心业务对每个待推荐业务的业务响应向量，可以将各层波纹层中的实体向量添加至计算关联概率的过程中，使得业务响应向量更能反映目标用户的历史购买业务与待推荐业务之间的相似性，进而提高了推荐业务的准确性；通过基于预设的阈值函数，可以根据业务响应向量确定待推荐业务对应的选择概率，可以提高待推荐业务的推荐准确性，使得推荐的业务符合目标用户的需求，提高了用户的体验感。
请参阅图9，图9是本申请的实施例还提供一种业务推荐装置100的示意性框图，该业务推荐装置用于执行前述的业务推荐方法。其中，该业务推荐装置可以配置于服务器或终端中。
如图9所示，该业务推荐装置100，包括：交互矩阵生成模块101、波纹网络构建模块102、三元组向量生成模块103、业务响应向量确定模块104和业务推荐模块105。
交互矩阵生成模块101，用于获取目标用户对应的历史购买业务记录，根据所述历史购买业务记录，生成用于表示所述目标用户与历史购买业务之间的购买关系的交互矩阵。
波纹网络构建模块102，用于根据预设的知识图谱和所述交互矩阵构建波纹网络，其中，所述波纹网络包括中心业务以及多层波纹层。
三元组向量生成模块103，用于确定所述多层波纹层对应的三元组向量，以及获取至少一个待推荐业务。
业务响应向量确定模块104，用于根据所述多层波纹层对应的三元组向量，确定所述中心业务对每个所述待推荐业务的业务响应向量。
业务推荐模块105，用于根据所述业务响应向量确定每个所述待推荐业务对应的选择概率，并将对应的选择概率大于预设概率值的待推荐业务向所述目标用户推荐。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上述的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10，图10是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器。
请参阅图10，该计算机设备包括通过系统总线连接的处理器和存储器，其中，存储器可以包括非易失性存储介质和内存储器。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种业务推荐方法。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
获取目标用户对应的历史购买业务记录，根据所述历史购买业务记录，生成用于表示所述目标用户与历史购买业务之间的购买关系的交互矩阵；根据预设的知识图谱和所述交互矩阵构建波纹网络，其中，所述波纹网络包括中心业务以及多层波纹层；确定所述多层波纹层对应的三元组向量，以及获取至少一个待推荐业务；根据所述多层波纹层对应的三元组向量，确定所述中心业务对每个所述待推荐业务的业务响应向量；根据所述业务响应向量确定每个所述待推荐业务对应的选择概率，并将对应的选择概率大于预设概率值的待推荐业务向所述目标用户推荐。
在一个实施例中，所述处理器在实现根据预设的知识图谱和所述交互矩阵构建波纹网络时，用于实现：
从区块链节点中获取预设的所述知识图谱，其中，所述知识图谱包括至少一条知识路径；根据所述交互矩阵，确定所述知识图谱的中心点对应的中心业务；以所述中心业务为起始点，沿着所述至少一条知识路径向外扩散并根据所述至少一条知识路径中的关系属性建立波纹层，生成所述波纹网络。
在一个实施例中，所述多层波纹层包括补充业务；所述处理器在实现确定所述多层波纹层对应的三元组向量时，用于实现：
根据所述中心业务、以及所述多层波纹层中的补充业务，生成所述多层波纹层对应的三元组；对所述多层波纹层对应的三元组进行向量化处理，得到所述多层波纹对应的三元组向量。
在一个实施例中，所述多层波纹层包括第一层波纹层和剩余的各层波纹层；所述处理器在实现根据所述中心业务、以及所述多层波纹层中的补充业务，生成所述多层波纹层对应的三元组时，用于实现：
获取所述中心业务与所述第一层波纹层中的第一补充业务之间的第一关系属性，根据所述中心业务、所述第一补充业务以及所述第一关系属性，生成所述第一层波纹层对应的三元组；获取剩余的每层波纹层中的补充业务与所述剩余的每层波纹层的前一层波纹层中的补充业务之间的第二关系属性，根据所述剩余的每层波纹层中的补充业务、所述前一层波纹中的补充业务以及所述第二关系属性，生成所述剩余的每层波纹层对应的三元组。
在一个实施例中，所述处理器在实现对所述多层波纹层对应的三元组进行向量化处理，得到所述多层波纹对应的三元组向量时，用于实现：
对所述多层波纹层对应的三元组中的头实体、关系属性以及尾实体分别进行独热编码，得到所述多层波纹对应的三元组向量，其中，所述三元组向量包括头实体向量、关系矩阵以及尾实体向量。
在一个实施例中，所述处理器在实现根据所述多层波纹层对应的三元组向量，确定所述中心业务对每个所述待推荐业务的业务响应向量时，用于实现：
根据所述多层波纹层对应的三元组向量，计算所述中心业务对每个所述待推荐业务在所述多层波纹层的每层波纹层中的波纹响应向量；根据所述每层波纹层中的波纹响应向量，确定所述中心业务对每个所述待推荐业务的所述业务响应向量。
在一个实施例中，所述处理器在实现根据所述多层波纹层对应的三元组向量，计算所述中心业务对每个所述待推荐业务在所述多层波纹层的每层波纹层中的波纹响应向量时，用于实现：
对每个所述待推荐业务进行独热编码，得到每个所述待推荐业务对应的业务向量；基于预设的关联算法，根据每个所述业务向量以及所述三元组向量中的头实体向量和关系矩阵，确定所述中心业务对每个所述业务向量在所述每层波纹层中的关联概率；根据所述关联概率与所述三元组向量中的尾实体向量，确定所述中心业务对每个所述业务向量在所述每层波纹层中的波纹响应向量。
在一个实施例中，所述处理器在实现根据所述每层波纹层中的波纹响应向量，确定所述中心业务对每个所述待推荐业务的所述业务响应向量时，用于实现：
对所述每层波纹层中的波纹响应向量进行求和，得到所述中心业务对所述每个待推荐业务的所述业务响应向量。
在一个实施例中，所述待推荐业务包括多个；所述处理器在实现将对应的选择概率大于预设概率值的待推荐业务向所述目标用户推荐时，用于实现：
将对应的选择概率大于所述预设概率值的待推荐业务生成待推荐业务表，并将所述待推荐业务表中的所述待推荐业务向所述目标用户推荐。
本申请的实施例中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存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项业务推荐方法。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字卡(Secure Digital Card，SD Card)，闪存卡(Flash Card)等。
进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
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。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种业务推荐方法，其特征在于，包括：
获取目标用户对应的历史购买业务记录，根据所述历史购买业务记录，生成用于表示所述目标用户与历史购买业务之间的购买关系的交互矩阵；
根据预设的知识图谱和所述交互矩阵构建波纹网络，其中，所述波纹网络包括中心业务以及多层波纹层；
确定所述多层波纹层对应的三元组向量，以及获取至少一个待推荐业务；
根据所述多层波纹层对应的三元组向量，确定所述中心业务对每个所述待推荐业务的业务响应向量；
根据所述业务响应向量确定每个所述待推荐业务对应的选择概率，并将对应的选择概率大于预设概率值的待推荐业务向所述目标用户推荐；
所述根据预设的知识图谱和所述交互矩阵构建波纹网络，包括：从区块链节点中获取预设的所述知识图谱，其中，所述知识图谱包括至少一条知识路径；根据所述交互矩阵，确定所述知识图谱的中心点对应的中心业务；以所述中心业务为起始点，沿着所述至少一条知识路径向外扩散并根据所述至少一条知识路径中的关系属性建立波纹层，生成所述波纹网络；所述中心业务为与所述目标用户存在购买关系的历史购买业务。
2.根据权利要求1所述的业务推荐方法，其特征在于，所述多层波纹层包括补充业务；所述确定所述多层波纹层对应的三元组向量，包括：
根据所述中心业务、以及所述多层波纹层中的补充业务，生成所述多层波纹层对应的三元组；
对所述多层波纹层对应的三元组进行向量化处理，得到所述多层波纹对应的三元组向量。
3.根据权利要求2所述的业务推荐方法，其特征在于，所述多层波纹层包括第一层波纹层和剩余的各层波纹层；所述根据所述中心业务、以及所述多层波纹层中的补充业务，生成所述多层波纹层对应的三元组，包括：
获取所述中心业务与所述第一层波纹层中的第一补充业务之间的第一关系属性，根据所述中心业务、所述第一补充业务以及所述第一关系属性，生成所述第一层波纹层对应的三元组；
获取剩余的每层波纹层中的补充业务与所述剩余的每层波纹层的前一层波纹层中的补充业务之间的第二关系属性，根据所述剩余的每层波纹层中的补充业务、所述前一层波纹中的补充业务以及所述第二关系属性，生成所述剩余的每层波纹层对应的三元组；
所述对所述多层波纹层对应的三元组进行向量化处理，得到所述多层波纹对应的三元组向量，包括：
对所述多层波纹层对应的三元组中的头实体、关系属性以及尾实体分别进行独热编码，得到所述多层波纹对应的三元组向量，其中，所述三元组向量包括头实体向量、关系矩阵以及尾实体向量。
4.根据权利要求1所述的业务推荐方法，其特征在于，所述根据所述多层波纹层对应的三元组向量，确定所述中心业务对每个所述待推荐业务的业务响应向量，包括：
根据所述多层波纹层对应的三元组向量，计算所述中心业务对每个所述待推荐业务在所述多层波纹层的每层波纹层中的波纹响应向量；
根据所述每层波纹层中的波纹响应向量，确定所述中心业务对每个所述待推荐业务的所述业务响应向量。
5.根据权利要求4所述的业务推荐方法，其特征在于，所述根据所述多层波纹层对应的三元组向量，计算所述中心业务对每个所述待推荐业务在所述多层波纹层的每层波纹层中的波纹响应向量，包括：
对每个所述待推荐业务进行独热编码，得到每个所述待推荐业务对应的业务向量；
基于预设的关联算法，根据每个所述业务向量以及所述三元组向量中的头实体向量和关系矩阵，确定所述中心业务对每个所述业务向量在所述每层波纹层中的关联概率；
根据所述关联概率与所述三元组向量中的尾实体向量，确定所述中心业务对每个所述业务向量在所述每层波纹层中的波纹响应向量；
所述根据所述每层波纹层中的波纹响应向量，确定所述中心业务对每个所述待推荐业务的所述业务响应向量，包括：
对所述每层波纹层中的波纹响应向量进行求和，得到所述中心业务对所述每个待推荐业务的所述业务响应向量。
6.根据权利要求1所述的业务推荐方法，其特征在于，所述待推荐业务包括多个；所述将对应的选择概率大于预设概率值的待推荐业务向所述目标用户推荐，包括：
将对应的选择概率大于所述预设概率值的待推荐业务生成待推荐业务表，并将所述待推荐业务表中的所述待推荐业务向所述目标用户推荐。
7.一种业务推荐装置，其特征在于，包括：
交互矩阵生成模块，用于获取目标用户对应的历史购买业务记录，根据所述历史购买业务记录，生成用于表示所述目标用户与历史购买业务之间的购买关系的交互矩阵；
波纹网络构建模块，用于根据预设的知识图谱和所述交互矩阵构建波纹网络，其中，所述波纹网络包括中心业务以及多层波纹层；
三元组向量生成模块，用于确定所述多层波纹层对应的三元组向量，以及获取至少一个待推荐业务；
业务响应向量确定模块，用于根据所述多层波纹层对应的三元组向量，确定所述中心业务对每个所述待推荐业务的业务响应向量；
业务推荐模块，用于根据所述业务响应向量确定每个所述待推荐业务对应的选择概率，并将对应的选择概率大于预设概率值的待推荐业务向所述目标用户推荐；
所述波纹网络构建模块，还用于从区块链节点中获取预设的所述知识图谱，其中，所述知识图谱包括至少一条知识路径；根据所述交互矩阵，确定所述知识图谱的中心点对应的中心业务；以所述中心业务为起始点，沿着所述至少一条知识路径向外扩散并根据所述至少一条知识路径中的关系属性建立波纹层，生成所述波纹网络；所述中心业务为与所述目标用户存在购买关系的历史购买业务。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至6中任一项所述的业务推荐方法。
9.一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存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至6中任一项所述的业务推荐方法。
CN202011034757.4A 2020-09-27 2020-09-27 业务推荐方法、装置、计算机设备和存储介质 Active CN112163929B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011034757.4A CN112163929B (zh) 2020-09-27 2020-09-27 业务推荐方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011034757.4A CN112163929B (zh) 2020-09-27 2020-09-27 业务推荐方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112163929A CN112163929A (zh) 2021-01-01
CN112163929B true CN112163929B (zh) 2024-04-05

Family

ID=73860569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011034757.4A Active CN112163929B (zh) 2020-09-27 2020-09-27 业务推荐方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112163929B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113010778A (zh) * 2021-03-10 2021-06-22 北京明略软件系统有限公司 一种基于用户历史兴趣的知识图谱推荐方法和系统
CN114238767A (zh) * 2021-12-20 2022-03-25 中国平安财产保险股份有限公司 业务推荐方法、装置、计算机设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717097A (zh) * 2019-09-06 2020-01-21 中国平安财产保险股份有限公司 业务推荐方法、装置、计算机设备和存储介质
CN111259133A (zh) * 2020-01-17 2020-06-09 成都信息工程大学 一种融合多信息的个性化推荐方法
CN111507796A (zh) * 2020-04-07 2020-08-07 桂林电子科技大学 一种基于知识图谱的网上商城商品推荐方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717097A (zh) * 2019-09-06 2020-01-21 中国平安财产保险股份有限公司 业务推荐方法、装置、计算机设备和存储介质
CN111259133A (zh) * 2020-01-17 2020-06-09 成都信息工程大学 一种融合多信息的个性化推荐方法
CN111507796A (zh) * 2020-04-07 2020-08-07 桂林电子科技大学 一种基于知识图谱的网上商城商品推荐方法

Also Published As

Publication number Publication date
CN112163929A (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
Pan et al. Predicting missing links and identifying spurious links via likelihood analysis
US9218630B2 (en) Identifying influential users of a social networking service
CN108491511B (zh) 基于图数据的数据挖掘方法和装置、模型训练方法和装置
US20150199541A1 (en) Method and system for secured communication of personal information
CN109062914B (zh) 用户推荐方法和装置，存储介质和服务器
CN106874253A (zh) 识别敏感信息的方法及装置
CN112163929B (zh) 业务推荐方法、装置、计算机设备和存储介质
Cooper et al. Some typical properties of the spatial preferred attachment model
CN111949890A (zh) 基于医学领域的数据推荐方法、设备、服务器及存储介质
CN108182633B (zh) 贷款数据处理方法、装置、计算机设备和存储介质
CN111369313A (zh) 订房失败订单的处理方法、装置、计算机设备及存储介质
Davila-Frias et al. All-terminal network reliability estimation using convolutional neural networks
CN110929172B (zh) 信息选择方法、装置、电子设备及可读存储介质
CN112507230A (zh) 基于浏览器的网页推荐方法、装置、电子设备及存储介质
CN115271980A (zh) 风险值预测方法、装置、计算机设备和存储介质
Janssen et al. Nonuniform distribution of nodes in the spatial preferential attachment model
WO2021174881A1 (zh) 多维度信息的组合预测方法、装置、计算机设备及介质
US20230359769A1 (en) Systems and Methods for Anonymizing Large Scale Datasets
Alirezaee et al. New analytical hierarchical process/data envelopment analysis methodology for ranking decision‐making units
CN115758271A (zh) 数据处理方法、装置、计算机设备和存储介质
Hao et al. Adaptive procedures for the Wilcoxon–Mann–Whitney test: Seven decades of advances
Li et al. Efficient computation of the likelihood expansions for diffusion models
Singh et al. Limit theorems for sums of dependent and non-identical Bernoulli random variables
CN112580916B (zh) 数据评估方法、装置、计算机设备和存储介质
Yarmand et al. Analytic solution of the susceptible-infective epidemic model with state-dependent contact rates and different intervention policies

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