CN112381620A - 产品推荐方法、装置、电子设备及计算机可读存储介质 - Google Patents

产品推荐方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN112381620A
CN112381620A CN202011403224.9A CN202011403224A CN112381620A CN 112381620 A CN112381620 A CN 112381620A CN 202011403224 A CN202011403224 A CN 202011403224A CN 112381620 A CN112381620 A CN 112381620A
Authority
CN
China
Prior art keywords
user
product
recommended
scoring
financial
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
Application number
CN202011403224.9A
Other languages
English (en)
Other versions
CN112381620B (zh
Inventor
刮婷
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.)
China Citic Bank Corp Ltd
Original Assignee
China Citic Bank Corp 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 China Citic Bank Corp Ltd filed Critical China Citic Bank Corp Ltd
Priority to CN202011403224.9A priority Critical patent/CN112381620B/zh
Publication of CN112381620A publication Critical patent/CN112381620A/zh
Application granted granted Critical
Publication of CN112381620B publication Critical patent/CN112381620B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例涉及数据处理技术领域，公开了一种产品推荐方法、装置、电子设备及计算机可读存储介质，其中，产品推荐方法包括：基于协同过滤法算法，根据用户的相关信息，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵，相关信息包括个人基本信息、对理财产品的评分以及理财产品的历史购买信息；接着，基于低秩矩阵分解算法，根据用户与每个理财产品之间的购买关系，构建用户与各理财产品的第二评分推荐矩阵；接着，根据第一评分推荐矩阵和第二评分推荐矩阵，计算每个待推荐理财产品的评分，并根据评分向用户推荐相应的待推荐理财产品。本申请实施例的方法，充分考虑用户特征和产品特征，极大提高理财产品推荐的精度和准确度。

Description

产品推荐方法、装置、电子设备及计算机可读存储介质
技术领域
本申请实施例涉及数据处理技术领域，具体而言，本申请涉及一种产品推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
随着互联网、信息化技术的快速发展，各业务领域都在不断电子化，例如在理财业务领域中可以在线购买理财产品、在线出售理财产品及在线推荐理财产品等。其中，可以根据用户数据为用户进行理财产品的个性化推荐。通常，在进行理财产品的个性化推荐过程中，需要根据用户的历史偏好和用户历史数据，向用户提供其可能感兴趣的理财产品。
其中，为了实现为用户推荐理财产品，可以采用协同过滤推荐方法进行推荐。然而，本申请的发明人在具体实现过程中发现：协同过滤推荐方法的评分计算方法，在不同的应用场景无法获得较好的评分效果，导致推荐结果不够准确，造成较差的用户体验。
发明内容
本申请实施例的目的旨在至少能解决上述的技术缺陷之一，特提出以下技术方案：
一方面，提供了一种产品推荐方法，包括：
基于协同过滤法算法，根据用户的相关信息，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵，相关信息包括个人基本信息、对理财产品的评分以及理财产品的历史购买信息；
基于低秩矩阵分解算法，根据用户与每个理财产品之间的购买关系，构建用户与各理财产品的第二评分推荐矩阵；
根据第一评分推荐矩阵和第二评分推荐矩阵，计算每个待推荐理财产品的评分，并根据评分向用户推荐相应的待推荐理财产品。
在一种可能的实现方式中，基于协同过滤法算法，根据用户的相关信息，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵，包括：
利用协同过滤法算法，根据相关信息，计算用户与其他用户之间的相似度；
根据相似度，从其他用户中选取与用户相似度最高的k个用户，k为正整数；
基于k个用户的理财产品的购买记录，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵。
在一种可能的实现方式中，基于k个用户的理财产品的购买记录，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵，包括：
根据k个用户的理财产品的购买记录，确定出k个用户中的任一用户购买过且用户未购买过的理财产品，并计算用户未购买过的理财产品的评分，用户未购买过的理财产品包括至少一个待推荐理财产品；
根据用户未购买过的理财产品的评分，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵。
在一种可能的实现方式中，计算用户未购买过的理财产品的评分，包括：
根据如下评分计算公式，计算用户未购买过的理财产品的评分：
Figure BDA0002817653580000021
Figure BDA0002817653580000022
表示在与用户u相似度最高的k个用户购买过的理财产品中，未被用户u购买过的理财产品pi出现的概率；
Figure BDA0002817653580000023
表示理财产品pi在k个用户中的总收益与总投入的比值；
Figure BDA0002817653580000024
表示用户u与k个用户的相似度均值。
在一种可能的实现方式中，根据第一评分推荐矩阵和第二评分推荐矩阵，计算每个待推荐理财产品的评分，包括：
根据粒子群算法，确定第一评分推荐矩阵的第一权重与第二评分推荐矩阵的第二权重；
通过第一权重的第一评分推荐矩阵和第二权重的第二评论推荐矩阵，计算每个待推荐理财产品的评分。
在一种可能的实现方式中，根据评分向用户推荐相应的待推荐理财产品，包括以下任一项：
确定各个待推荐理财产品分别对应的评分中的最大值，并将最大值对应的待推荐理财产品推荐给用户；
确定各个待推荐理财产品分别对应的评分中的M个最大值，并将M个最大值分别对应的待推荐理财产品均推荐给用户，M为正整数。
一方面，提供了一种产品推荐装置，包括：
第一处理模块，用于基于协同过滤法算法，根据用户的相关信息，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵，相关信息包括个人基本信息、对理财产品的评分以及理财产品的历史购买信息；
第二处理模块，用于基于低秩矩阵分解算法，根据用户与每个理财产品之间的购买关系，构建用户与各理财产品的第二评分推荐矩阵；
第三处理模块，用于根据第一评分推荐矩阵和第二评分推荐矩阵，计算每个待推荐理财产品的评分，并根据评分向用户推荐相应的待推荐理财产品。
在一种可能的实现方式中，第一处理模块具体用于
利用协同过滤法算法，根据相关信息，计算用户与其他用户之间的相似度；
根据相似度，从其他用户中选取与用户相似度最高的k个用户，k为正整数；
基于k个用户的理财产品的购买记录，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵。
在一种可能的实现方式中，第一处理模块在基于k个用户的理财产品的购买记录，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵时，用于：
根据k个用户的理财产品的购买记录，确定出k个用户中的任一用户购买过且用户未购买过的理财产品，并计算用户未购买过的理财产品的评分，用户未购买过的理财产品包括至少一个待推荐理财产品；
根据用户未购买过的理财产品的评分，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵。
在一种可能的实现方式中，第一处理模块在计算用户未购买过的理财产品的评分时，用于：
根据如下评分计算公式，计算用户未购买过的理财产品的评分：
Figure BDA0002817653580000041
Figure BDA0002817653580000042
表示在与用户u相似度最高的k个用户购买过的理财产品中，未被用户u购买过的理财产品pi出现的概率；
Figure BDA0002817653580000043
表示理财产品pi在k个用户中的总收益与总投入的比值；
Figure BDA0002817653580000044
表示用户u与k个用户的相似度均值。
在一种可能的实现方式中，第三处理模块用于：
根据粒子群算法，确定第一评分推荐矩阵的第一权重与第二评分推荐矩阵的第二权重；
通过第一权重的第一评分推荐矩阵和第二权重的第二评论推荐矩阵，计算每个待推荐理财产品的评分。
在一种可能的实现方式中，第三处理模块在根据评分向用户推荐相应的待推荐理财产品时，用于执行以下任一项：
确定各个待推荐理财产品分别对应的评分中的最大值，并将最大值对应的待推荐理财产品推荐给用户；
确定各个待推荐理财产品分别对应的评分中的M个最大值，并将M个最大值分别对应的待推荐理财产品均推荐给用户，M为正整数。
一方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时实现上述的产品推荐方法。
一方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的产品推荐方法。
本申请实施例提供的产品推荐方法，根据用户的相关信息，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵，使得可以在推荐过程中充分考虑用户特征，根据用户与每个理财产品之间的购买关系，构建用户与各理财产品的第二评分推荐矩阵，使得可以在推荐过程中充分考虑产品特征，基于用户特征和理财产品特征对待推荐产品进行评分，使得不仅根据用户相似度进行推荐，还结合了用户和理财产品的关联性，利于最大程度的去挖掘特征的潜在价值，根据第一评分推荐矩阵和第二评分推荐矩阵，计算每个待推荐理财产品的评分，可以确保确定出的评分更加准确、合理，获得较好的评分效果，从而可以达到准确度更高的预测效果，极大提高理财产品推荐的精度和准确度，提升用户体验。
本申请实施例附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请实施例上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例的产品推荐方法的流程示意图；
图2为本申请实施例的产品推荐的过程示意图；
图3为本申请实施例的产品推荐装置的基本结构示意图；
图4为本申请实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
下面以具体地实施例对本申请实施例的技术方案以及本申请实施例的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
本申请一个实施例提供了一种产品推荐方法，该方法由计算机设备执行，该计算机设备可以是终端或者服务器。终端可以是台式设备或者移动终端。服务器可以是独立的物理服务器、物理服务器集群或者虚拟服务器。如图1所示，该方法包括：
步骤S110，基于协同过滤法算法，根据用户的相关信息，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵，相关信息包括个人基本信息、对理财产品的评分以及理财产品的历史购买信息；步骤S120，基于低秩矩阵分解算法，根据用户与每个理财产品之间的购买关系，构建用户与各理财产品的第二评分推荐矩阵；步骤S130，根据第一评分推荐矩阵和第二评分推荐矩阵，计算每个待推荐理财产品的评分，并根据评分向用户推荐相应的待推荐理财产品。
协同过滤是一种典型的推荐技术，其利用用户特征，使用近邻技术计算用户距离，将与目标用户距离最近的用户物品评价作为参考，以此对物品进行推荐。基于此，可以基于协同过滤法算法，根据用户的个人基本信息、对理财产品的评分以及理财产品的历史购买信息等相关信息，计算出用户与其他用户之间的相似度，并基于该相似度构建用户与一个、两个或多个待推荐理财产品之间的评分推荐矩阵，即该评分推荐矩阵是用户与各个待推荐理财产品之间的评分推荐矩阵，使得可以在产品推荐过程中可以充分考虑用户特征(即上述的用户的相关信息)。
由于，单纯依据协同过滤推荐方法的评分计算算法对于不同的应用场景不一能都能获得较好的评分效果，所以可以考虑采用混合推荐方法对待推荐产品进行推荐。基于此，本申请实施例，在确定每个待推荐理财产品的评分时，不仅考虑上述的第一评分推荐矩阵，还考虑第二评分推荐矩阵，即结合第一评分推荐矩阵与第二评分推荐矩阵，共同确定每个待推荐理财产品的评分。其中，第二评分推荐矩阵是根据用户与每个理财产品之间的购买关系，构建的用户与各理财产品的评分推荐矩阵，使得在产品推荐过程中可以充分考虑理财产品的产品特征，最终实现了根据用户特征和产品特征进行产品的联合推荐，提高理财产品推荐的精度和准确度。
本申请实施例提供的产品推荐方法，根据用户的相关信息，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵，使得可以在推荐过程中充分考虑用户特征，根据用户与每个理财产品之间的购买关系，构建用户与各理财产品的第二评分推荐矩阵，使得可以在推荐过程中充分考虑产品特征，基于用户特征和理财产品特征对待推荐产品进行评分，使得不仅根据用户相似度进行推荐，还结合了用户和理财产品的关联性，利于最大程度的去挖掘特征的潜在价值，根据第一评分推荐矩阵和第二评分推荐矩阵，计算每个待推荐理财产品的评分，可以确保确定出的评分更加准确、合理，获得较好的评分效果，从而可以达到准确度更高的预测效果，极大提高理财产品推荐的精度和准确度，提升用户体验。
在一种可能的实现方式中，在基于协同过滤法算法，根据用户的相关信息，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵的过程中，可以执行如下处理：首先，利用协同过滤法算法，根据相关信息，计算用户与其他用户之间的相似度；接着，根据相似度，从其他用户中选取与用户相似度最高的k个用户，k为正整数；接着，基于k个用户的理财产品的购买记录，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵。
在实际应用中，可以预先收集用户的用户个人信息、用户对理财产品的评分和用户对理财产品的历史购买信息等相关信息。在后续进行产品推荐的过程中，首先，可以直接根据收集的用户个人信息、用户对理财产品的评分和用户对理财产品的历史购买信息等相关信息，利用协同过滤算法，计算出用户与其他用户之间的相似度。在一个示例中，假如当前用户为U_1，其他用户分别为U_2、U_3、U_4、…、U_N，即其他用户有N个，N为正整数，则可以根据收集的用户U_1、U_2、U_3、U_4、…、U_N各自对应的相关信息，利用协同过滤算法，计算用户U_1与用户U_2之间的相似度(记作S_12)、计算用户U_1与用户U_3之间的相似度(记作S_13)、以此类推，计算用户U_1与用户U_N之间的相似度(记作S_1N)。
接着，根据计算出的各个相似度(即S_12、S_13、…、S_1N)，从其他用户(即U_2、U_3、U_4、…、U_N)中选取与当前用户U_1相似度最高的k个用户，k为小于或等于N的正整数。在一个示例中，假如N为9，k为4，且S_12大于S_13、S_13大于S_14、S_14大于S_15、S_15大于S_16、S_16大于S_17、S_17大于S_18、S_18大于S_19，则从U_2、U_3、U_4、…、U_9中选取出与当前用户U_1相似度最高的4个用户，分别为：U_2、U_3、U_4、U_5，相当于，从用户U_2、U_3、U_4、…、U_9中选取出与U_1最相似的4个用户U_2、U_3、U_4及U_5。
接着，基于k个用户的理财产品的购买记录，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵。在一个示例中，假如k为4，且与当前用户U_1最相似的4个用户分别为U_2、U_3、U_4、U_5，则可以基于用户U_2、U_3、U_4和U_5的理财产品的购买记录，构建当前用户U_1与至少一个待推荐理财产品之间的评分推荐矩阵(记作第一评分推荐矩阵)。
在一种可选实现方式中，在基于k个用户的理财产品的购买记录，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵的过程中，可以执行如下处理：首先，根据k个用户的理财产品的购买记录，确定出k个用户中的任一用户购买过且所述用户未购买过的理财产品，并计算用户未购买过的理财产品的评分，用户未购买过的理财产品包括至少一个待推荐理财产品；接着，根据用户未购买过的理财产品的评分，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵。
在一种可选实现方式中，在计算用户未购买过的理财产品的评分的过程中，可以根据如下评分计算公式，计算用户未购买过的理财产品的评分：
Figure BDA0002817653580000091
Figure BDA0002817653580000092
表示在与用户u相似度最高的k个用户购买过的理财产品中，未被用户u购买过的理财产品pi出现的概率；
Figure BDA0002817653580000093
表示理财产品pi在k个用户中的总收益与总投入的比值；
Figure BDA0002817653580000094
表示用户u与k个用户的相似度均值。
在确定出与当前用户(例如用户U_1)最相似的k个用户(例如4个用户，分别为U_2、U_3、U_4及U_5)后，可以根据这k个用户购买理财产品的记录，从中选出当前用户未购买过的理财产品并对其进行评分计算，组成最终的用户和理财产品的评分推荐矩阵(即上述的第一评分推荐矩阵)。
在实际应用中，在利用协同过滤推荐算法构建用户和理财产品的评分推荐矩阵时，最主要的是计算用户和理财产品的评分。其中，在计算计算用户和理财产品的评分的过程中，可以执行如下处理：
(1)使用相似度度量中使用较为广泛的皮尔森相似系数计算当前用户(例如用户U_2)与其他用户(例如用户U_2、U_3、U_4、…、U_9)之间的相似度；
(2)对用户(例如用户U_1)和其他用户(例如用户U_2、U_3、U_4、…、U_9)之间的相似度进行排序，获取前k个(例如k为4)与当前用户相似度最高的用户(例如用户U_2、U_3、U_4、U_5)，选出这k个用户购买过而当前用户未购买过的理财产品，根据如下评分计算公式，构建用户和理财产品的评分推荐矩阵：
Figure BDA0002817653580000095
在上述公式中，
Figure BDA0002817653580000096
表示与当前用户u最相似的k个用户中，未被用户u购买过的理财产品pi出现的频率；
Figure BDA0002817653580000097
表示理财产品pi在这k个用户中总收益εi和总投入ei的比值，在一个示例中，为防止出现负收益影响计算，可以在比值基础上加一；
Figure BDA0002817653580000101
表示当前用户u与k个用户的相似度均值。
随后，对构建的用户和理财产品之间的评分推荐矩阵进行归一化操作，形成最终的评分推荐矩阵
Figure BDA0002817653580000102
其中，
Figure BDA0002817653580000103
如下所示：
Figure BDA0002817653580000104
在一种可选实现方式中，在基于低秩矩阵分解算法，根据用户与每个理财产品之间的购买关系，构建用户与各理财产品的第二评分推荐矩阵的过程中，可以执行如下处理：
根据用户和理财产品之间的购买关系，构建一个用户和理财产品的0、1稀疏矩阵，其中，0表示用户没有购买对应的理财产品，1表示用户已购买对应的理财产品，当然也可以根据需要利用1表示用户没有购买对应的理财产品，利用0表示用户已购买对应的理财产品。由于，直接使用稀疏矩阵进行预测推荐，会影响最终预测的准确性，因此，为了提高预测准确度，可以对稀疏矩阵进行特征提取，筛除冗余信息，提取矩阵中具有代表性的信息代替整个矩阵。其中，低秩矩阵分解就是利用这一思想，将矩阵分解为两个秩较低的矩阵乘积近似表示原矩阵，不仅可以最大程度保存有效信息，还可以减少时间和空间成本。使用低秩矩阵分解方法最终可获取评分推荐矩阵
Figure BDA0002817653580000105
(即第二评分推荐矩阵)。
在一种可选实现方式中，在根据第一评分推荐矩阵和第二评分推荐矩阵，计算每个待推荐理财产品的评分的过程中，可以执行如下处理：首先，根据粒子群算法，确定第一评分推荐矩阵的第一权重与第二评分推荐矩阵的第二权重；接着，通过第一权重的第一评分推荐矩阵和第二权重的第二评论推荐矩阵，计算每个待推荐理财产品的评分。
上述处理过程主要是基于协同过滤推荐算法构建的第一评分推荐矩阵
Figure BDA0002817653580000106
和基于低秩矩阵分解算法构建的第二评分推荐矩阵
Figure BDA0002817653580000107
根据粒子群算法寻找出两个评分推荐矩阵的最优的权重进行联合计算，组成最后的理财产品预测评分。
在一个示例中，假如根据粒子群算法确定出的第一评分推荐矩阵
Figure BDA0002817653580000111
的权重(即上述的第一权重)为P1，第二评分推荐矩阵
Figure BDA0002817653580000112
的权重(即上述的第二权重)为P2，则可以根据P1倍的第一评分推荐矩阵
Figure BDA0002817653580000113
和P2倍的第二评分推荐矩阵
Figure BDA0002817653580000114
联合计算出各个待推荐的理财产品的预测评分，比如各个待推荐的理财产品分别为F1、F2、F3、F4及F5，且计算出的理财产品F1、F2、F3、F4及F5的预测评分分别为S1、S2、S3、S4及S5。在确定出各个待推荐理财产品的预测评分后，后续可以根据该预测评分向用户选取合适的理财产品进行推荐。
在一个示例中，在根据预测评分向用户推荐相应的待推荐理财产品的过程中，一方面，可以确定各个待推荐理财产品分别对应的评分中的最大值，并将最大值对应的待推荐理财产品推荐给用户，例如，S1、S2、S3、S4及S5中的最大值为S3，则可以将S3对应的待推荐理财产品F3推荐给用户，又例如，S1、S2、S3、S4及S5中的最大值为S5，则可以将S5对应的待推荐理财产品F5推荐给用户。另一方面，可以确定各个待推荐理财产品分别对应的评分中的M个最大值，并将M个最大值分别对应的待推荐理财产品均推荐给用户，例如M为3，且S1、S2、S3、S4及S5中的最M个值分别为S1、S3、S4，则可以将S1、S3、S4各自对应的待推荐理财产品F1、F3和F4推荐给用户，又例如M为2，且S1、S2、S3、S4及S5中的最M个值分别为S2和S5，则可以将S2和S5各自对应的待推荐理财产品F2和F5推荐给用户。
图2给出了本申请实施例的产品推荐的过程示意图，在图2中，首先获取数据特征，其中，数据特征包括用户特征和理财产品特征；接着，根据用户与用户之间的特征，构建用户-用户特征矩阵，同时，根据用户与理财产品之间的特征，构建用户-理财产品特征矩阵；接着，协同过滤推荐模块根据收集的用户个人信息、用户对理财产品的评分和用户历史信息等，利用协同过滤算法，首先计算出用户与用户之间的相似度，接着，对每个用户选择k个最相似的用户，接着，根据这k个用户购买理财产品的记录，选出当前用户未购买过的理财产品进行评分计算，组成最后的用户和理财产品的第一评分推荐矩阵；接着，低秩矩阵分解推荐模块根据用户和理财产品之间的购买关系，使用低秩矩阵分解方法构建第二评分推荐矩阵；接着，使用粒子群算法寻找一评分推荐矩阵、第二评分推荐矩阵的最优的权重，并进行联合计算得到最后的关于理财产品的预测评分。
本申请实施例的方法，结合用户特征和项目特征联合进行推荐，为更好的使用这两类特征，减少特征间的干扰，本申请实施例分别基于这两类特征进行评分，最大程度的去挖掘特征的潜在价值。本申请实施例还结合应用场景，提出了一种新的评分计算公式，更适用于当前理财产品的推荐；而且，对于用户特征和项目特征这两种特征类型使用不同的模型生成的推荐评分值，使用粒子群算法寻找最优的权重，将两种推荐评分合理结合，以此达到准确度更高的预测效果。
图3为本申请又一实施例提供的一种产品推荐装置的结构示意图，如图3所示，该装置300可以包括第一处理模块301、第二处理模块302及第三处理模块303，其中：
第一处理模块301，用于基于协同过滤法算法，根据用户的相关信息，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵，相关信息包括个人基本信息、对理财产品的评分以及理财产品的历史购买信息；
第二处理模块302，用于基于低秩矩阵分解算法，根据用户与每个理财产品之间的购买关系，构建用户与各理财产品的第二评分推荐矩阵；
第三处理模块303，用于根据第一评分推荐矩阵和第二评分推荐矩阵，计算每个待推荐理财产品的评分，并根据评分向用户推荐相应的待推荐理财产品。
在一种可能的实现方式中，第一处理模块具体用于
利用协同过滤法算法，根据相关信息，计算用户与其他用户之间的相似度；
根据相似度，从其他用户中选取与用户相似度最高的k个用户，k为正整数；
基于k个用户的理财产品的购买记录，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵。
在一种可能的实现方式中，第一处理模块在基于k个用户的理财产品的购买记录，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵时，用于：
根据k个用户的理财产品的购买记录，确定出k个用户中的任一用户购买过且用户未购买过的理财产品，并计算用户未购买过的理财产品的评分，用户未购买过的理财产品包括至少一个待推荐理财产品；
根据用户未购买过的理财产品的评分，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵。
在一种可能的实现方式中，第一处理模块在计算用户未购买过的理财产品的评分时，用于：
根据如下评分计算公式，计算用户未购买过的理财产品的评分：
Figure BDA0002817653580000131
Figure BDA0002817653580000132
表示在与用户u相似度最高的k个用户购买过的理财产品中，未被用户u购买过的理财产品pi出现的概率；
Figure BDA0002817653580000133
表示理财产品pi在k个用户中的总收益与总投入的比值；
Figure BDA0002817653580000134
表示用户u与k个用户的相似度均值。
在一种可能的实现方式中，第三处理模块用于：
根据粒子群算法，确定第一评分推荐矩阵的第一权重与第二评分推荐矩阵的第二权重；
通过第一权重的第一评分推荐矩阵和第二权重的第二评论推荐矩阵，计算每个待推荐理财产品的评分。
在一种可能的实现方式中，第三处理模块在根据评分向用户推荐相应的待推荐理财产品时，用于执行以下任一项：
确定各个待推荐理财产品分别对应的评分中的最大值，并将最大值对应的待推荐理财产品推荐给用户；
确定各个待推荐理财产品分别对应的评分中的M个最大值，并将M个最大值分别对应的待推荐理财产品均推荐给用户，M为正整数。
本申请实施例提供的装置，根据用户的相关信息，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵，使得可以在推荐过程中充分考虑用户特征，根据用户与每个理财产品之间的购买关系，构建用户与各理财产品的第二评分推荐矩阵，使得可以在推荐过程中充分考虑产品特征，基于用户特征和理财产品特征对待推荐产品进行评分，使得不仅根据用户相似度进行推荐，还结合了用户和理财产品的关联性，利于最大程度的去挖掘特征的潜在价值，根据第一评分推荐矩阵和第二评分推荐矩阵，计算每个待推荐理财产品的评分，可以确保确定出的评分更加准确、合理，获得较好的评分效果，从而可以达到准确度更高的预测效果，极大提高理财产品推荐的精度和准确度，提升用户体验。
需要说明的是，本实施例为与上述的方法项实施例相对应的装置项实施例，本实施例可与上述方法项实施例互相配合实施。上述方法项实施例中提到的相关技术细节在本实施例中依然有效，为了减少重复，这里不再赘述。相应地，本实施例中提到的相关技术细节也可应用在上述方法项实施例中。
本申请另一实施例提供了一种电子设备，如图4所示，图4所示的电子设备400包括：处理器401和存储器403。其中，处理器401和存储器403相连，如通过总线402相连。进一步地，电子设备400还可以包括收发器404。需要说明的是，实际应用中收发器404不限于一个，该电子设备400的结构并不构成对本申请实施例的限定。
其中，处理器401应用于本申请实施例中，用于实现图3所示的第一处理模块、第二处理模块及第三处理模块的功能。收发器404包括接收机和发射机。
处理器401可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器401也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线402可包括一通路，在上述组件之间传送信息。总线402可以是PCI总线或EISA总线等。总线402可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器403可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器403用于存储执行本申请方案的应用程序代码，并由处理器401来控制执行。处理器401用于执行存储器403中存储的应用程序代码，以实现图3所示实施例提供的产品推荐装置的动作。
本申请实施例提供的电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，可实现：基于协同过滤法算法，根据用户的相关信息，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵，相关信息包括个人基本信息、对理财产品的评分以及理财产品的历史购买信息；接着，基于低秩矩阵分解算法，根据用户与每个理财产品之间的购买关系，构建用户与各理财产品的第二评分推荐矩阵；接着，根据第一评分推荐矩阵和第二评分推荐矩阵，计算每个待推荐理财产品的评分，并根据评分向用户推荐相应的待推荐理财产品。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例所示的方法。其中，根据用户的相关信息，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵，使得可以在推荐过程中充分考虑用户特征，根据用户与每个理财产品之间的购买关系，构建用户与各理财产品的第二评分推荐矩阵，使得可以在推荐过程中充分考虑产品特征，基于用户特征和理财产品特征对待推荐产品进行评分，使得不仅根据用户相似度进行推荐，还结合了用户和理财产品的关联性，利于最大程度的去挖掘特征的潜在价值，根据第一评分推荐矩阵和第二评分推荐矩阵，计算每个待推荐理财产品的评分，可以确保确定出的评分更加准确、合理，获得较好的评分效果，从而可以达到准确度更高的预测效果，极大提高理财产品推荐的精度和准确度，提升用户体验。
本申请实施例提供的计算机可读存储介质适用于上述方法的任一实施例。
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。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种产品推荐方法，其特征在于，包括：
基于协同过滤法算法，根据用户的相关信息，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵，所述相关信息包括个人基本信息、对理财产品的评分以及理财产品的历史购买信息；
基于低秩矩阵分解算法，根据所述用户与每个理财产品之间的购买关系，构建所述用户与各理财产品的第二评分推荐矩阵；
根据所述第一评分推荐矩阵和所述第二评分推荐矩阵，计算每个待推荐理财产品的评分，并根据所述评分向所述用户推荐相应的待推荐理财产品。
2.根据权利要求1所述的方法，其特征在于，所述基于协同过滤法算法，根据用户的相关信息，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵，包括：
利用所述协同过滤法算法，根据所述相关信息，计算所述用户与其他用户之间的相似度；
根据所述相似度，从所述其他用户中选取与所述用户相似度最高的k个用户，所述k为正整数；
基于所述k个用户的理财产品的购买记录，构建所述用户与至少一个待推荐理财产品之间的第一评分推荐矩阵。
3.根据权利要求2所述的方法，其特征在于，所述基于所述k个用户的理财产品的购买记录，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵，包括：
根据所述k个用户的理财产品的购买记录，确定出所述k个用户中的任一用户购买过且所述用户未购买过的理财产品，并计算所述用户未购买过的理财产品的评分，所述用户未购买过的理财产品包括所述至少一个待推荐理财产品；
根据所述用户未购买过的理财产品的评分，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵。
4.根据权利要求3所述的方法，其特征在于，所述计算所述用户未购买过的理财产品的评分，包括：
根据如下评分计算公式，计算所述用户未购买过的理财产品的评分：
Figure FDA0002817653570000021
所述
Figure FDA0002817653570000022
表示在与用户u相似度最高的k个用户购买过的理财产品中，未被所述用户u购买过的理财产品pi出现的概率；所述
Figure FDA0002817653570000023
表示理财产品pi在所述k个用户中的总收益与总投入的比值；所述
Figure FDA0002817653570000024
表示所述用户u与所述k个用户的相似度均值。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述第一评分推荐矩阵和所述第二评分推荐矩阵，计算每个待推荐理财产品的评分，包括：
根据粒子群算法，确定第一评分推荐矩阵的第一权重与所述第二评分推荐矩阵的第二权重；
通过所述第一权重的第一评分推荐矩阵和所述第二权重的第二评论推荐矩阵，计算每个待推荐理财产品的评分。
6.根据权利要求1或5所述的方法，其特征在于，所述根据所述评分向所述用户推荐相应的待推荐理财产品，包括以下任一项：
确定各个待推荐理财产品分别对应的评分中的最大值，并将所述最大值对应的待推荐理财产品推荐给所述用户；
确定各个待推荐理财产品分别对应的评分中的M个最大值，并将所述M个最大值分别对应的待推荐理财产品均推荐给所述用户，所述M为正整数。
7.一种产品推荐装置，其特征在于，包括：
第一处理模块，用于基于协同过滤法算法，根据用户的相关信息，构建用户与至少一个待推荐理财产品之间的第一评分推荐矩阵，所述相关信息包括个人基本信息、对理财产品的评分以及理财产品的历史购买信息；
第二处理模块，用于基于低秩矩阵分解算法，根据所述用户与每个理财产品之间的购买关系，构建所述用户与各理财产品的第二评分推荐矩阵；
第三处理模块，用于根据所述第一评分推荐矩阵和所述第二评分推荐矩阵，计算每个待推荐理财产品的评分，并根据所述评分向所述用户推荐相应的待推荐理财产品。
8.根据权利要求7所述的装置，其特征在于，所述第一处理模块具体用于：
利用所述协同过滤法算法，根据所述相关信息，计算所述用户与其他用户之间的相似度；
根据所述相似度，从所述其他用户中选取与所述用户相似度最高的k个用户，所述k为正整数；
基于所述k个用户的理财产品的购买记录，构建所述用户与至少一个待推荐理财产品之间的第一评分推荐矩阵。
9.一种电子设备，包括存储器、处理器及存储在存储器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1-6任一项所述的方法。
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程序，该程序被处理器执行时实现权利要求1-6任一项所述的方法。
CN202011403224.9A 2020-12-04 2020-12-04 产品推荐方法、装置、电子设备及计算机可读存储介质 Active CN112381620B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011403224.9A CN112381620B (zh) 2020-12-04 2020-12-04 产品推荐方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011403224.9A CN112381620B (zh) 2020-12-04 2020-12-04 产品推荐方法、装置、电子设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112381620A true CN112381620A (zh) 2021-02-19
CN112381620B CN112381620B (zh) 2024-07-09

Family

ID=74589329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011403224.9A Active CN112381620B (zh) 2020-12-04 2020-12-04 产品推荐方法、装置、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112381620B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113032682A (zh) * 2021-04-22 2021-06-25 中国平安人寿保险股份有限公司 基于协同过滤的产品推荐方法、装置、设备及存储介质
CN113052666A (zh) * 2021-04-30 2021-06-29 中国银行股份有限公司 理财产品推荐方法及装置
CN114707067A (zh) * 2022-04-08 2022-07-05 湖南茶旅云科技有限公司 旅游产品推荐方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665323A (zh) * 2018-05-20 2018-10-16 北京工业大学 一种用于理财产品推荐系统的集成方法
CN109241449A (zh) * 2018-10-30 2019-01-18 国信优易数据有限公司 一种物品推荐方法及装置
CN110020917A (zh) * 2019-03-15 2019-07-16 上海电机学院 一种基于协同过滤的在线理财产品推荐方法
CN111428181A (zh) * 2020-04-08 2020-07-17 深圳索信达数据技术有限公司 一种基于广义加性模型结合矩阵分解的银行理财产品推荐方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665323A (zh) * 2018-05-20 2018-10-16 北京工业大学 一种用于理财产品推荐系统的集成方法
CN109241449A (zh) * 2018-10-30 2019-01-18 国信优易数据有限公司 一种物品推荐方法及装置
CN110020917A (zh) * 2019-03-15 2019-07-16 上海电机学院 一种基于协同过滤的在线理财产品推荐方法
CN111428181A (zh) * 2020-04-08 2020-07-17 深圳索信达数据技术有限公司 一种基于广义加性模型结合矩阵分解的银行理财产品推荐方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113032682A (zh) * 2021-04-22 2021-06-25 中国平安人寿保险股份有限公司 基于协同过滤的产品推荐方法、装置、设备及存储介质
CN113032682B (zh) * 2021-04-22 2023-07-21 中国平安人寿保险股份有限公司 基于协同过滤的产品推荐方法、装置、设备及存储介质
CN113052666A (zh) * 2021-04-30 2021-06-29 中国银行股份有限公司 理财产品推荐方法及装置
CN114707067A (zh) * 2022-04-08 2022-07-05 湖南茶旅云科技有限公司 旅游产品推荐方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112381620B (zh) 2024-07-09

Similar Documents

Publication Publication Date Title
US20210248651A1 (en) Recommendation model training method, recommendation method, apparatus, and computer-readable medium
CN112381620B (zh) 产品推荐方法、装置、电子设备及计算机可读存储介质
CN103678672B (zh) 一种信息推荐方法
CN103377250B (zh) 基于邻域的top‑k推荐方法
CN104063481A (zh) 一种基于用户实时兴趣向量的电影个性化推荐方法
US11544751B2 (en) Quotation method executed by computer, quotation device, electronic device and storage medium
CN110879864A (zh) 一种基于图神经网络和注意力机制的上下文推荐方法
CN102789462A (zh) 一种项目推荐方法及系统
CN106777200A (zh) 项目推荐的方法及装置
CN111310038B (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质
CN106610970A (zh) 基于协同过滤的内容推荐系统与方法
CN113569129A (zh) 点击率预测模型处理方法、内容推荐方法、装置及设备
CN111260449B (zh) 一种模型训练的方法、商品推荐的方法、装置及存储介质
CN113609345B (zh) 目标对象关联方法和装置、计算设备以及存储介质
CN111159563A (zh) 用户兴趣点信息的确定方法、装置、设备及存储介质
CN111797319B (zh) 推荐方法、装置、设备及存储介质
CN115375382A (zh) 一种商品推荐方法、装置及相关设备
CN111488526A (zh) 一种推荐方法及装置
CN111339419A (zh) 信息推荐方法、装置、电子设备及存储介质
Ali et al. Inferring context with reliable collaborators: a novel similarity estimation method for recommender systems
CN113850523A (zh) 基于数据补全的esg指数确定方法及相关产品
CN117151823A (zh) 一种基于大数据的购车评估方法、系统、电子设备及介质
CN109886299B (zh) 一种用户画像方法、装置、可读存储介质及终端设备
CN108763515B (zh) 一种基于概率矩阵分解的时间敏感个性化推荐方法
CN111046280A (zh) 一种应用fm的跨领域推荐方法

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