CN112598472A - 产品推荐方法、装置、系统、介质和程序产品 - Google Patents

Abstract

本公开提供了一种产品推荐方法，可应用于金融领域和大数据领域等。该方法包括：获取用户的历史操作信息，该历史操作信息包括对预设对象的历史选中信息和对预设对象中产品的历史交易信息；根据历史选中信息，确定用户选中预设的多类对象中每类对象的第一概率值；根据历史交易信息，确定用户购买每类对象中产品的第二概率值；根据第一概率值和第二概率值，确定针对每类对象的评估值权重；以及根据针对每类对象的评估值权重，确定向用户推荐的多类对象中的产品。还公开还提供了一种产品推荐装置、设备和存储介质。

Description

产品推荐方法、装置、系统、介质和程序产品

技术领域

本公开涉及信息技术领域，具体涉及一种产品推荐方法、装置、系统、介质和程序产品。

背景技术

随着信息技术的发展，各种线上平台应用而生。为促进用户线上购物的体验感并提高成交量，往往会为根据用户兴趣向用户进行产品的个性化推荐。

相关技术中，在向用户进行个性化推荐时，一般根据用户的购买历史、用户的浏览历史向用户推荐产品。但随着产品种类的不断丰富和产品数量的快速增长，往往会导致信息过载或推荐不准确。例如，在金融领域，用户由于缺乏金融相关知识及金融产品过多，往往难以自主选出符合自身需求的投资类产品。

发明内容

鉴于上述问题，本公开提供了能够提高推荐准确率的产品推荐方法、装置、设备和存储介质。

根据本发明的第一个方面，提供了一种产品推荐方法，包括：获取用户的历史操作信息，该历史操作信息包括对预设对象的历史选中信息和对预设对象中产品的历史交易信息；根据历史选中信息，确定用户选中预设的多类对象中每类对象的第一概率值；根据历史交易信息，确定用户购买每类对象中产品的第二概率值；根据第一概率值和所述第二概率值，确定针对每类对象的评估值权重；以及根据针对每类对象的评估值权重，确定向用户推荐的多类对象中的产品。

根据本公开的实施例，上述确定用户选中多类对象中每类对象的第一概率值包括：根据历史选中信息，经由预设循环神经网络模型得到用户选中多类对象包括的每个对象的选中概率值；以及根据选中属于同类对象的各对象的选中概率值，确定对每类对象的第一预测概率。

根据本公开的实施例，历史选中信息包括被选中对象的标识；经由预设循环神经网络模型得到用户选中多类对象包括的每个对象的选中概率值包括：根据历史选中信息，确定预设知识图谱中历史选中信息的关联信息，关联信息包括被选中对象的关联对象的标识；根据历史选中信息和关联信息，确定预设循环神经网络模型的输入信息；以及以输入信息作为预设循环神经网络模型的输入，输出得到用户选中每个对象的选中概率值。

根据本公开的实施例，上述历史选中信息还包括用户标识，上述经由预设循环神经网络模型得到用户选中多类对象包括的每个对象的选中概率值还包括：根据用户标识和预设知识图谱，确定用户的属性信息；以及根据历史选中信息和属性信息，确定预设循环神经网络模型的输入信息。

根据本公开的实施例，预设循环神经网络模型为波纹网络模型。

根据本公开的实施例，上述确定用户购买每类对象中产品的第二概率值包括：获取用户的属性信息；根据历史交易信息及用户的属性信息，经由预设推荐模型确定用户购买每类对象中产品的第二概率值，其中，预设推荐模型根据针对多个用户的训练样本训练得到。

根据本公开的实施例，上述确定针对每类对象的评估值权重包括：确定所述每类对象的第一概率值和第二概率值的加权和，作为每类对象的加权和；以及根据多类对象中各自的加权和，确定针对每类对象的评估值权重。

根据本公开的实施例，上述历史选中信息包括选中时间，历史交易信息包括购买时间；确定每类产品的第一概率值和第二概率值的加权和包括：根据选中时间，确定第一概率值的第一加权权重；根据购买时间，确定第二概率值的第二加权权重；以及根据第一加权权重和第二加权权重，针对每类对象确定第一概率值和第二概率值的加权和，其中，第一加权权重随着选中时间与当前时刻之间间距的增大而减小，且第二加权权重随着购买时间与当前时刻之间间距的增大而减小。

根据本公开的实施例，上述根据多类对象中各自的加权和，确定针对每类对象的评估值权重包括：确定每类对象的加权和与预设值的和，作为每类对象的初始权重；以及确定每类对象的初始权重针对多类对象的归一化值为针对每类对象的评估值权重。

根据本公开的实施例，每类对象包括至少一个对象，每个对象包括至少一个产品；确定向用户推荐的多类对象中的产品包括：根据用户的属性信息和各产品的属性信息，经由针对各类对象的产品推荐模型确定属于各类对象的各产品的初始评估值；根据针对每类对象的评估值权重，调整各产品的初始评估值，得到调整后评估值；以及根据多类对象包括的所有产品的调整后评估值，确定向用户推荐的产品。

本公开的另一方面提供了一种产品推荐装置，包括：操作信息获取模块，用于获取用户的历史操作信息，该历史操作信息包括对预设对象的历史选中信息和对预设对象中产品的历史交易信息；选中概率确定模块，用于根据历史选中信息，确定用户选中预设的多类对象中每类对象的第一概率值；购买概率确定模块，用于根据历史交易信息，确定用户购买每类对象中产品的第二概率值；对象权重确定模块，用于根据第一概率值和第二概率值，确定针对每类对象的评估值权重；以及产品推荐模块，用于根据针对每类对象的评估值权重，确定向用户推荐的多类对象中的产品。

本公开的另一方面还提供了一种计算机系统，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述的产品推荐方法。

本公开的另一方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述的产品推荐方法。

本公开的另一方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的产品推荐方法。

根据本公开的实施例，通过根据历史选中信息确定第一概率值，根据历史交易信息确定第二概率值，并根据第一概率值和第二概率值确定评估值权重，可以得到向用户推荐产品时每类产品的评估值的权重。因此使得最终向用户推荐的产品是对产品选中概率和产品购买概率综合考虑得到的结果，使得推荐的产品能够充分考虑用户的习惯和偏好，提高推荐精度。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的产品推荐方法、装置、系统、介质和程序产品的应用场景图；

图2示意性示出了根据本公开实施例的产品推荐方法的流程图；

图3示意性示出了根据本公开实施例的确定用户选中预设的多类对象中每个对象的第一概率值的原理图；

图4示意性示出了根据本公开实施例的确定用户购买每类对象中产品的第二概率值的原理图；

图5示意性示出了根据本公开实施例的确定针对每类对象的评估值权重的原理图；

图6示意性示出了根据本公开实施例的产品推荐装置的结构框图；以及

图7示意性示出了根据本公开实施例的适于实现产品推荐方法的计算机系统的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开的实施例提供了一种产品推荐方法。该方法先获取用户的历史操作信息，该历史操作信息包括对预设对象的历史选中信息和对预设对象中产品的历史交易信息。随后根据历史选中信息，确定用户选中预设的多类对象中每类对象的第一概率值，并根据历史交易信息，确定用户购买每类对象中产品的第二概率值。随后根据第一概率值和第二概率值，确定针对每类对象的评估值权重。最后根据针对每类对象的评估值权重，确定向用户推荐的多类对象中的产品。

图1示意性示出了根据本公开实施例的产品推荐方法、装置、系统、介质和程序产品的应用场景图。

如图1所示，该实施例的应用场景100例如可以包括终端设备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，例如有线或者无线通信链路等等。

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、膝上型便携计算机和台式计算机等等。

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，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。示例性地，终端设备101、102、103可以安装有理财类应用，通过该理财类应用可以向用户推荐各种类型的理财产品。或者，终端设备安装有购物类应用，通过购物类应用可以向用户推荐各种类型的产品等。用户使用终端设备101、102、103与服务器105交互，可以完成理财产品和/或其他任意产品的购买。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103购买理财产品和/或其他产品提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求向用户推荐的理财产品或其他产品等)反馈给终端设备。

在一实施例中，如图1所示，该应用场景100例如还可以包括数据库106，该数据库106可以存储有用户对终端设备安装的客户端应用的展示信息的操作信息。服务器105可以通过网络104访问数据库106，从数据库中获取操作信息，并根据操作信息向用户推荐理财产品或其他任意产品。

在另一实施例中，服务器105本地可以存储有操作信息。服务器105可以根据本地存储的操作信息向用户推荐理财产品或其他任意产品。

需要说明的是，本公开实施例所提供的产品推荐方法一般可以由服务器105执行。相应地，本公开实施例所提供的产品推荐装置一般可以设置于服务器105中。本公开实施例所提供的产品推荐方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的产品推荐装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

图2示意性示出了根据本公开实施例的产品推荐方法的流程图。

如图2所示，该实施例的产品推荐方法200可以包括操作S210～操作S250。其中，操作S220与操作S230可以同时执行，也可以具有任意的先后顺序。

在操作S210，获取用户的历史操作信息，该历史操作信息包括对预设对象的历史选中信息和对预设对象中产品的历史交易信息。

根据本公开的实施例，预设对象例如可以为产品的类别标签。线上平台例如可以将产品划分为多个类别，每个类别可以包括多个子类别。该历史选中信息可以包括用户在第一预设时段内对终端设备展示的多个类别及各子类别的展示标签的选中记录。其中，展示标签的选中记录例如可以包括响应于对展示标签的单击操作、双击操作或滑动操作等使得展示标签被选中的操作记录。

根据本公开的实施例，每个子类别可以包括多个产品，历史交易信息可以包括用户在第二预设时段内对终端设备展示的各产品的买入操作、卖出操作等。

根据本公开的实施例，第一预设时段与第二预设时段的长度例如可以根据实际需求进行设定，本公开对此不作限定。其中，考虑到用户对产品进行交易的次数一般远远小于用户浏览产品的次数，因此，该实施例中，第二预设时段的长度可以明显大于第一预设时段的长度，以此保证较多的历史交易信息，便于提高向用户推荐产品的精准度。

示例性地，产品例如可以为虚拟产品或实体产品，该产品的类型可以根据实际需求进行选择，本公开对此不作限定。例如，对于金融类企业，该产品例如可以为理财产品，理财产品例如可以分为基金、理财、债券、存款等多个类别，基金类别例如可以包括稳健子类别、进阶子类别、定投子类别等。

在操作S220，根据历史选中信息，确定用户选中预设的多类对象中每类对象的第一概率值。

根据本公开的实施例，该操作例如可以统计历史选中信息中对每个类别标签的第一选中次数与对每个类别包括的多个子类别标签的第二选中次数，将第一选中次数与第二选中次数之和作为针对该每个类别的总选中次数。针对每个类别进行统计，可以得到针对每个类别的总选中次数。最后，根据针对多个类别各自的总选中次数占历史选中信息中所有选中次数的比例，来确定用户选中预设的多类对象中每类对象的第一概率值。例如，可以确定用户选中次数较大的类别中对象的第一概率值较大。

根据本公开的实施例，可以采用第一预设模型来确定用户选中预设的多类对象中每类对象的第一概率值。具体可以将统计得到的针对多个类别各自的总选中次数作为该第一预设模型的输入，输出得到选中每类对象的第一概率值。该第一预设模型例如可以为贝叶斯预测模型或回归预测模型等。

在操作S230，根据历史交易信息，确定用户购买每类对象中产品的第二概率值。

根据本公开的实施例，该操作S230例如可以采用与操作S220类似的方式，先统计历史交易信息中用户购买每类对象中产品的总次数。然后根据多类对象中各类对象中产品的交易总次数占历史交易信息中交易总次数的比例，来确定用户购买每类对象中产品的第二概率值。

根据本申请的实施例，历史交易信息例如可以包括针对产品的申购时间和针对产品的赎回时间。在确定第二概率值时，例如还可以统计用户对每个产品的持有时长，并根据产品所属类别，统计得到用户对每类对象中产品的平均持有时长。根据各类对象中产品的平均持有时长，来确定用户购买每类对象中产品的第二概率值。

类似的，该操作S230也可以采用第二预设模型来确定用户购买预设的多类对象中每类对象中产品的第二概率值。具体可以将统计得到的针对多个类别各自的购买总次数作为该第二预设模型的输入，输出得到购买每类对象中产品的第二概率值。该第二预设模型与前文描述的第一预设模型类似，区别在于该第一预设模型和第二预设模型的训练样本不同，预测的类别根据实际需求可能存在差异。

在操作S240，根据第一概率值和第二概率值，确定针对每类对象的评估值权重。

根据本公开的实施例，例如可以将每类对象的第一概率值和第二概率值的加权和作为针对每类对象的评估值权重。其中，第一概率值和第二概率值的加权和例如可以根据预设加权权重来确定。其中，预设加权权重可以根据实际需求进行设定。例如，若该实施例侧重于点击转化比，则可以向第二概率值分配较大的加权权重(例如0.7等)。或者，也可以将第一概率值和第二概率值的平均值作为评估值权重。

在操作S250，根据针对每类对象的评估值权重，确定向用户推荐的多类对象中的产品。

根据本公开的实施例，该操作例如可以先采用产品推荐模型，根据用户的属性信息来确定向用户推荐的多个产品。然后根据向用户推荐的多个产品各自所属类别的评估值权重，来调整该多个产品的排列顺序，以将所属类别的评估值权重高的产品排在较前的位置。

根据本公开的实施例，例如还可以先采用针对每类对象的产品推荐模型，根据用户的属性信息、每类对象中产品的属性信息来确定属于每类对象的各产品的初始评估值(即用户购买该每类对象包括的多个产品中每个产品的概率)。以此可以得到用户购买多类对象包括的所有产品中每个产品的概率。然后根据针对每类对象的评估值权重，调整每个产品的初始评估值，得到购买每个产品的调整后概率(即调整后评估值)。最后，根据多类对象包括的所有产品的调整后评估值，确定向用户推荐的产品。例如，可以将所有产品根据用户购买的概率自大至小排序，确定用户购买的概率最大的预设数量个产品为向用户推荐的产品。

本公开实施例通过上述方法，可以通过综合考虑用户对每类产品的选中预测概率和购买预测概率来确定每类产品的权重，并根据每类产品的权重来调整向用户推荐的产品，相较于相关技术，可以充分考虑用户的个人习惯和偏好，从而可以提高向用户推荐的产品的准确度，并因此可以在提高用户体验的同时，提高产品交易比例。

根据本公开的实施例，还可以先根据历史选中信息，采用预设循环神经网络模型来确定用户选中每类对象包括的各个对象的选中概率值。然后通过统计属于同类对象的各对象的选中概率值，来确定对每类对象的第一预测概率。

示例性地，可以将用户的历史选中信息作为预设循环神经网络模型的输入，输出得到用户选中对象的概率向量，该概率向量的维度与多类对象包括的对象总个数相等。概率向量中每个元素的取值对应一个对象的选中概率值。随后，将属于同一类别的对象的选中概率值归类至一个概率组，取该概率组中各概率值的平均值作为该概率组对应的对象类别的第一预测概率。可以理解的是，可以根据实际需求采用不同的方法来根据归类得到的概率组确定每类对象的第一预测概率。例如，还可以将每个概率组中取值较大的预设数量个选中概率值之和作为该每类对象的第一预测概率。或者，可以在得到针对多类对象中每类对象的选中概率值之和后，对该多个选中概率值之和进行归一化，将归一化的值作为多类对象中每类对象的第一预测概率。

图3示意性示出了根据本公开实施例的确定用户选中预设的多类对象中每个对象的第一概率值的原理图。

根据本公开的实施例，在确定每类对象的第一概率值时，例如还可以采用预设知识图谱搜索与用户历史选中信息中选中的对象相关联的对象，以此便于向用户推荐新对象或新产品。

示例性地，预设知识图谱中包括多个节点连接两个节点的边。其中，节点可以包括对象标识、对象的属性信息、选中对象的用户标识中的任意一个，边可以表示两个节点之间的关联关系。例如，若对象a属于类别A，则对象a的标识节点与类别A的节点之间具有连接边。若用户U选中了对象b，则对象b的标识节点与用户U的标识节点之间具有连接边。

根据本公开的实施例，历史选中信息例如可以包括被选中对象的标识和用户的标识。在确定用户选中多类对象包括的每个对象的选中概率值时，如图3所示，该实施例300可以先根据历史选中信息搜索预设知识图谱320，确定预设知识图谱320中历史选中信息的关联信息330。然后根据历史选中信息310和关联信息330，确定预设循环神经网络模型340的输入信息。最后以输入信息作为预设循环神经网络模型340的输入，输出得到用户选中每个对象的选中概率值。例如，若多类对象总共包括n个对象，循环神经网络模型340的输出例如可以为概率向量，该概率向量中具有n个元素，分别为针对n个对象的选中概率值，从而得到第一对象的选中概率值351、…、及第n对象的选中概率值352。

根据本公开的实施例，确定关联信息330时，例如可以搜索预设知识图谱320中与历史选中信息中的被选中对象的标识的节点之间具有连接边的关联节点，将该关联节点的标识作为关联信息。在一实施例中，该关联信息包括被选中对象的关联对象的标识。关联对象例如可以为与被选中对象具有相同或相似属性信息的对象。

示例性地，在确定关联节点时，例如可以通过以被选中对象的标识的节点为初始起始点，扩展确定与该初始起始点连接的节点为第一关联节点，该第一关联节点的标识为被选中对象的标识的第一跳数据。然后以该第一关联节点为第一起始点，扩展确定与第一起始点连接的节点为第二关联节点，该第二关联节点的标识为被选中对象的标识的第二跳数据。以此类推，可以将扩展得到的第一跳数据～第n跳数据作为关联信息。可以理解的是，n的取值可以根据实际需求进行设定，本公开对此不作限定。

根据本公开的实施例，预设循环神经网络模型例如可以为波纹网络(RippleNet)模型，该模型的输入为用户信息-对象信息(user-item)对，输出为用户信息对应的用户选中对象信息指示的对象的概率。该RippleNet模型的关键思想是偏好传播。对于每个用户，RippleNet模型能够将用户的历史选中信息视为预设知识图谱中的种子集，并通过预设知识图谱中的关联关系扩展种子集，以发现用户的潜在兴趣。相应地，该实施例在得到关联信息后，可以将三元组[用户标识，选中，预设对象标识]、[预设对象标识，关联关系，第一跳数据]、[第一跳数据，关联关系，第二跳数据]等n跳数据的向量表示作为用户信息，将任意一个预设对象的标识作为对象信息，以组成RippleNet模型的输入信息。经由RippleNet模型输出得到用户选中该任意一个预设对象的选中概率值。以此类推，可以得到用户选中多类对象包括的每个对象的选中概率值。

根据本公开的实施例，RippleNet模型在训练时，可以获取用户的历史选中信息。然后若历史选中信息中对某个预设对象的选中包括多次，则将该多次次数的对数作为针对该某个预设对象的样本个数。以此可以根据该某个预设对象的标识的节点的关联节点，确定得到针对该某个预设对象的多个样本。其中，每个样本中除了与前文描述的预测时的输入信息外，还包括指示用户是否选中上述任意一个预设对象的标签。在获取样本时，例如可以通过选择任意一个预设对象来得到正样本和负样本。其中，正样本中的任意一个预设对象为被用户选中过的对象，负样本中的任意一个预设对象为未被用户选中过的对象。在训练过程中，例如可以采用随机梯度下降算法来对RippleNet模型进行优化。

根据本公开的实施例，在确定用户选中每个预设对象的选中概率值时，还可以考虑用户的属性信息，以使得确定的选中概率值更为符合用户的个性化需求。其中，属性信息例如可以包括用户的年龄、性别、从事的行业、职位、资产情况等。相应地，为了便于基于用户标识获取到该些属性信息，前文描述的预设知识图谱320中例如还可以包括指示用户的属性信息的节点。在确定预设循环神经网络模型的输入信息时，例如可以先根据用户标识和预设知识图谱320，确定用户的属性信息360。然后根据历史选中信息310和用户的属性信息360，确定预设循环神经网络模型的输入信息。

示例性地，在根据用户标识和预设知识图谱确定用户的属性信息时，例如可以以用户标识节点为起始点，确定与用户标识节点连接的节点指示的年龄、性别等属性信息为用户的属性信息。在一实施例中，确定的预设循环神经网络模型的输入信息中，在确定用户信息时，可以同时考虑历史选中信息310、关联信息330和属性信息。相应地，用户信息除了前文描述的三元组外，还可以包括三元组[用户标识，属性类型，属性信息]。

本公开实施例通过结合用户历史选中信息和预设知识图谱，可以充分学习到用户的个人偏好信息。从而可以提高确定的用户选中每个对象的选中概率值的准确性，提高最终向用户推荐的产品的准确性，提高用户体验。

图4示意性示出了根据本公开实施例的确定用户购买每类对象中产品的第二概率值的原理图。

根据本公开的实施例，在确定用户购买每类对象中产品的第二概率值时，例如可以考虑用户的属性信息，以此使得确定的第二概率值能够更为贴合用户的个人偏好，提高确定的第二概率值的针对性和准确性。

根据本申请的实施例，如图4所示，该实施例400例如可以先获取用户的属性信息430。然后根据历史交易信息410和用户的属性信息430，经由预设推荐模型440来确定用户购买每类对象中产品的第二概率值450。

示例性地，用户的属性信息430例如可以由用户输入得到。或者，用户的属性信息430可以根据历史交易信息410中的用户标识，从预设知识图谱420中搜索得到，该预设知识图谱420与前文描述的知识图谱类似，在此不再赘述。具体可以以用户标识节点为起始点，确定与用户标识节点连接的节点指示的年龄、性别等属性信息为用户的属性信息。

示例性地，预设推荐模型440例如可以为DeepFM模型。该DeepFM模型由因子分解机(Factorization Machine，FM)模型和深度神经网络(Deep Neural Networks，DNN)模型结合生成。其中，FM模型是一种基于矩阵分解的机器学习算法，其使用特征向量来变换因子分解模型，通过低阶关系之间的内积表示为因子之间的交互关系。FM模型具有自动组合特征的优点，从而可以大量减少特征工程的工作。DNN模型可以同时兼顾高阶特征组合和低阶特征组合。相应地，该实施例例如可以先统计用户交易信息中用户对多类对象中每类对象的交易统计信息。然后将用户属性、多类对象的交易统计信息、指示多类对象的标签的one-hot向量拼接构成DeepFM模型的输入信息。经由DeepFM模型处理后输出用户购买多类对象中每类对象中产品的第二概率值。

示例性地，预设推荐模型根据针对多个用户的训练样本训练得到。例如，在训练该DeepFM模型时，可以先对海量用户的历史交易信息进行分析和挖掘，以对象类别为单位，统计一段时间内用户的各项交易指标(例如购买次数、购买金额、赎回次数、赎回金额等)等。随后根据该些交易指标和用户属性构建训练样本。该训练样本与前文描述的预测第二概率值时DeepFM模型的输入信息类似，区别在于该训练样本中还设置有指示用户是否购买某类对象中产品的标签。构建的训练样本包括正样本和负样本，负样本包括用户未购买过其中产品的任意类对象和指示未购买该任意类对象中产品的标签。

根据本公开的实施例，该实施例可以将DeepFM模型输出的用户购买多类对象中每类对象中产品的概率值作为第二概率值的初始值。随后先计算购买多类对象的多个第二概率值与预设值的和，得到针对多类对象的多个和。然后将该多个和进行归一化处理，将归一化处理后得到的值作为最终的第二概率值。通过此方式，可以避免因预测得到的用户购买单类对象中产品的概率过高或过低导致的向用户推荐的产品过于单一的情况。从而可以平衡向用户推荐的产品的类别，提高推荐产品的多样性。例如，对于金融领域，若用户习惯性购买低风险的保值产品，则通过DeepFM模型输出的概率值中，针对低风险产品的概率可能远远大于中高风险和高风险产品的概率，则在向用户推荐产品时可能推荐的仍为低风险产品，从而使得用户投资产品过于单一，无法兼顾风险和收益。通过该实施例的方法确定第二概率值，则可以使得推荐的产品类别较为丰富，利于用户在可以承受的风险范围内，尽可能地提高收益，从而便于提高用户体验。

图5示意性示出了根据本公开实施例的确定针对每类对象的评估值权重的原理图。

根据本公开的实施例，在将第一概率值和第二概率值的加权和作为针对每类对象的评估值权重时，例如可以根据确定第一概率值和第二概率值的历史选中时刻距离当前时刻的距离及历史交易时刻距离当前时刻的距离来分配加权权重，以此使得确定的第一概率值和第二概率值更符合用户近期的偏好。相应地，历史选中信息中除了被选中对象的标识外，例如还可以包括被选中对象的选中时间。历史交易信息中除了被交易对象外，例如还可以包括被交易对象的交易时间。

如图5所示，该实施例500中，可以先根据选中时间510确定第一概率值的第一加权权重520，并根据交易时间530确定第二概率值的第二加权权重。然后根据第一加权权重520和第二加权权重540，针对每类对象确定第一概率值550和第二概率值560的加权和570。

示例性地，在确定第一加权权重520时，例如可以根据选中时间与当前时刻之间的间距来确定，使得第一加权权重520随着选中时间与当前时刻之间间距的增大而减小。例如，可以先统计历史选中信息中的所有选中时间。然后计算该所有选中时间的平均时间，并计算该平均时间与当前日期之间的时间间隔。若该时间间隔为预设时间间隔的m倍，则确定该第一加权权重520为预设时间衰减超参与m的倒数值之间的乘积。或者，可以先计算m的对数的倒数，然后将预设时间衰减超参与计算得到的倒数之间的乘积作为第一加权权重520。其中，m为正数。

示例性地，在确定第二加权权重540时，例如可以根据交易时间与当前时刻之间的间距来确定，使得第二加权权重540随着交易时间与当前时刻之间间距的增大而减小。例如，可以先统计历史交易信息中的所有交易时间。然后计算该所有交易时间的平均时间，并计算该平均时间与当前日期之间的时间间隔。若该时间间隔为预设时间间隔的n倍，则确定该第二加权权重540为预设时间衰减超参与n的倒数值之间的乘积。或者，可以先计算n的对数的倒数，然后将预设时间衰减超参与计算得到的倒数之间的乘积作为第二加权权重540。其中，n为正数。

在计算得到第一加权权重520和第二加权权重540后，计算第一概率值550和第一加权权重520之间的第一乘积与第二概率值560和第二加权权重540之间的第二乘积的和为加权和570。最终将该加权和570作为针对每类对象的评估值权重。

根据本公开的实施例，如图5所示，例如可以先确定每类对象的加权和570与预设值580的和，作为每类对象的初始权重，得到多类对象的多个初始权重。最后，将该多个初始权重归一化，得到每类对象的初始权重针对多累对象的归一化值，并将该归一化值作为针对每类对象的评估值权重590。

本公开实施例在计算评估值权重时，通过加入时间衰减参数，可以使得近期行为的权重较大，使得确定的评估值权重偏好关注选中记录的平均发生时间，并偏好关注用户交易行为的平均发生时间。从而可以缓解推荐系统常见的稳定性和可塑性问题。再者，通过在加权和的基础上添加预设值，并经由归一化处理来确定各类对象的评估值权重，可以促使根据评估值权重向用户推荐的产品种类的适度多样化，从而有利于提高用户的消费体验。在金融领域中，则可以有效引导用户合理分配投资资金。

图6示意性示出了根据本公开实施例的产品推荐装置的结构框图。

如图6所示，该实施例的产品推荐装置600例如可以包括操作信息获取模块610、选中概率确定模块620、购买概率确定模块630、对象权重确定模块640和产品推荐模块650。

操作信息获取模块610用于获取用户的历史操作信息，该历史操作信息包括对预设对象的历史选中信息和对预设对象中产品的历史交易信息。在一实施例中，操作信息获取模块610可以用于执行如图2所示的操作S210，在此不再赘述。

选中概率确定模块620用于根据历史选中信息，确定用户选中预设的多类对象中每类对象的第一概率值。在一实施例中，选中概率确定模块620可以用于执行如图2所示的操作S220，在此不再赘述。

购买概率确定模块630用于根据历史交易信息，确定用户购买每类对象中产品的第二概率值。在一实施例中，购买概率确定模块630可以用于执行如图2所示的操作S230，在此不再赘述。

对象权重确定模块640用于根据第一概率值和第二概率值，确定针对每类对象的评估值权重。在一实施例中，对象权重确定模块640可以用于执行如图2所示的操作S240，在此不再赘述。

产品推荐模块650用于根据针对每类对象的评估值权重，确定向用户推荐的多类对象中的产品。在一实施例中，产品推荐模块650可以用于执行如图2所示的操作S250，在此不再赘述。

根据本公开的实施例，选中概率确定模块620例如可以包括对象概率确定子模块和类别概率确定子模块。对象概率确定子模块用于根据历史选中信息，经由预设循环神经网络模型得到用户选中多类对象包括的每个对象的选中概率值。类别概率确定子模块用于根据选中属于同类对象的各对象的选中概率值，确定对每类对象的第一预测概率。

根据本公开的实施例，历史选中信息包括被选中对象的标识。对象概率确定子模块例如可以先根据历史选中信息，确定预设知识图谱中历史选中信息的关联信息，关联信息包括被选中对象的关联对象的标识。随后根据历史选中信息和关联信息，确定预设循环神经网络模型的输入信息。最后以输入信息作为预设循环神经网络模型的输入，输出得到用户选中每个对象的选中概率值。

根据本公开的实施例，历史选中信息还包括用户标识。对象概率确定子模块例如还可以用于根据用户标识和预设知识图谱，确定用户的属性信息。随后根据历史选中信息和用户的属性信息，确定预设循环神经网络模型的输入信息。

根据本公开的实施例，预设循环神经网络模型为波纹网络模型。

根据本公开的实施例，购买概率确定模块630例如可以包括属性获取子模块和概率确定子模块。属性获取子模块用于获取用户的属性信息。概率确定子模块用于根据历史交易信息和用户的属性信息，经由预设推荐模型确定用户购买每类对象中产品的第二概率值。其中，预设推荐模型根据针对多个用户的训练样本训练得到。

根据本公开的实施例，对象权重确定模块640例如可以包括加权和确定子模块和权重确定子模块。加权和确定子模块用于确定每类对象的第一概率值和第二概率值的加权和，作为每类对象的加权和。权重确定子模块用于根据多类对象中各自的加权和，确定针对每类对象的评价值权重。

根据本公开的实施例，历史选中信息包括选中时间，历史交易信息包括交易时间。加权和确定子模块用于先根据选中时间，确定第一概率值的第一加权权重，并根据交易时间，确定第二概率值的第二加权权重。随后根据第一加权权重和第二加权权重，针对每类对象确定第一概率值和第二概率值的加权和。其中，第一加权权重随着选中时间与当前时刻之间间距的增大而减小，且第二加权权重随着交易时间与当前时刻之间间距的增大而减小。

根据本公开的实施例，权重确定子模块用于先确定每类对象的加权和与预设值的和，作为每类对象的初始权重。随后确定每类对象的初始权重针对多类对象的归一化值为针对每类对象的评估值权重。

根据本公开的实施例，每类对象包括至少一个对象，每个对象包括至少一个产品。产品推荐模块650包括评估值确定子模块、评估值调整子模块和产品确定子模块。评估值确定子模块用于根据用户的属性信息和各产品的属性信息，经由针对各类对象的产品推荐模型确定属于各类对象的各产品的初始评估值。评估值调整子模块用于根据针对每类对象的评估值权重，调整各产品的初始评估值，得到调整后评估值。产品确定子模块用于根据多类对象包括的所有产品的调整后评估值，确定向用户推荐的产品。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，操作信息获取模块610、选中概率确定模块620、购买概率确定模块630、对象权重确定模块640和产品推荐模块650中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，操作信息获取模块610、选中概率确定模块620、购买概率确定模块630、对象权重确定模块640和产品推荐模块650中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，操作信息获取模块610、选中概率确定模块620、购买概率确定模块630、对象权重确定模块640和产品推荐模块650中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图7示意性示出了根据本公开实施例的适于实现产品推荐方法的计算机系统的方框图。

如图7所示，根据本公开实施例的计算机系统700包括处理器701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 703中，存储有系统700操作所需的各种程序和数据。处理器701、ROM 702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，系统700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。系统700还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的产品推荐方法。

在该计算机程序被处理器701执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (14)

1.一种产品推荐方法，包括：

获取用户的历史操作信息，所述历史操作信息包括对预设对象的历史选中信息和对预设对象中产品的历史交易信息；

根据所述历史选中信息，确定所述用户选中预设的多类对象中每类对象的第一概率值；

根据所述历史交易信息，确定所述用户购买所述每类对象中产品的第二概率值；

根据所述第一概率值和所述第二概率值，确定针对所述每类对象的评估值权重；以及

根据针对所述每类对象的评估值权重，确定向所述用户推荐的所述多类对象中的产品。

2.根据权利要求1所述的方法，其中，确定所述用户点击所述预设的多类对象中每类对象的第一概率值包括：

根据所述历史选中信息，经由预设循环神经网络模型得到所述用户选中所述多类对象包括的每个对象的选中概率值；以及

根据选中属于同类对象的各对象的选中概率值，确定对每类对象的第一预测概率。

3.根据权利要求2所述的方法，其中，历史选中信息包括被选中对象的标识；经由预设循环神经网络模型得到所述用户选中所述多类对象包括的每个对象的选中概率值包括：

根据所述历史选中信息，确定预设知识图谱中所述历史选中信息的关联信息，所述关联信息包括所述被选中对象的关联对象的标识；

根据所述历史选中信息和所述关联信息，确定所述预设循环神经网络模型的输入信息；以及

以所述输入信息作为所述预设循环神经网络模型的输入，输出得到所述用户选中所述每个对象的选中概率值。

4.根据权利要求2或3所述的方法，其中，所述历史选中信息还包括用户标识，所述经由预设循环神经网络模型得到所述用户选中所述多类对象包括的每个对象的选中概率值还包括：

根据所述用户标识和预设知识图谱，确定所述用户的属性信息；以及

根据所述历史选中信息和所述用户的属性信息，确定所述预设循环神经网络模型的输入信息。

5.根据权利要求3所述的方法，其中，所述预设循环神经网络模型为波纹网络模型。

6.根据权利要求1所述的方法，其中，确定所述用户购买所述每类对象中产品的第二概率值包括：

获取所述用户的属性信息；以及

根据所述历史交易信息和所述用户的属性信息，经由预设推荐模型确定所述用户购买所述每类对象中产品的第二概率值，

其中，所述预设推荐模型根据针对多个用户的训练样本训练得到。

7.根据权利要求1所述的方法，其中，确定针对所述每类对象的评估值权重包括：

确定所述每类对象的第一概率值和第二概率值的加权和，作为所述每类对象的加权和；以及

根据所述多类对象中各自的加权和，确定针对所述每类对象的评价值权重。

8.根据权利要求7所述的方法，其中，所述历史选中信息包括选中时间，所述历史交易信息包括交易时间；确定所述每类产品的第一概率值和第二概率值的加权和包括：

根据所述选中时间，确定所述第一概率值的第一加权权重；

根据所述交易时间，确定所述第二概率值的第二加权权重；以及

根据所述第一加权权重和所述第二加权权重，针对所述每类对象确定所述第一概率值和所述第二概率值的加权和，

其中，所述第一加权权重随着所述选中时间与当前时刻之间间距的增大而减小，且所述第二加权权重随着所述交易时间与当前时刻之间间距的增大而减小。

9.根据权利要求7所述的方法，其中，根据所述多类对象中各自的加权和，确定针对所述每类对象的评估值权重包括：

确定所述每类对象的加权和与预设值的和，作为所述每类对象的初始权重；以及

确定所述每类对象的初始权重针对所述多类对象的归一化值为针对所述每类对象的评估值权重。

10.根据权利要求1所述的方法，其中，每类对象包括至少一个对象，每个对象包括至少一个产品；确定向所述用户推荐的所述多类对象中的产品包括：

根据所述用户的属性信息和各产品的属性信息，经由针对各类对象的产品推荐模型确定属于各类对象的各产品的初始评估值；

根据针对所述每类对象的评估值权重，调整所述各产品的初始评估值，得到调整后评估值；以及

根据多类对象包括的所有产品的调整后评估值，确定向所述用户推荐的产品。

11.一种产品推荐装置，包括：

操作信息获取模块，用于获取用户的历史操作信息，所述历史操作信息包括对预设对象的历史选中信息和对预设对象中产品的历史交易信息；

选中概率确定模块，用于根据所述历史选中信息，确定所述用户选中预设的多类对象中每类对象的第一概率值；

购买概率确定模块，用于根据所述历史交易信息，确定所述用户购买所述每类对象中产品的第二概率值；

对象权重确定模块，用于根据所述第一概率值和所述第二概率值，确定针对所述每类对象的评估值权重；以及

产品推荐模块，用于根据针对所述每类对象的评估值权重，确定向所述用户推荐的所述多类对象中的产品。

12.一种计算机系统，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～10中任一项所述的方法。

13.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～10中任一项所述的方法。

14.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～10中任一项所述的方法。

Images