CN112785397A - 一种产品推荐方法、装置及存储介质 - Google Patents
一种产品推荐方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112785397A CN112785397A CN202110254175.5A CN202110254175A CN112785397A CN 112785397 A CN112785397 A CN 112785397A CN 202110254175 A CN202110254175 A CN 202110254175A CN 112785397 A CN112785397 A CN 112785397A
- Authority
- CN
- China
- Prior art keywords
- recall
- target
- recommended
- candidate set
- products
- 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 57
- 238000012216 screening Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 64
- 230000006399 behavior Effects 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 33
- 238000012163 sequencing technique Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000010970 precious metal Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 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
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种产品推荐方法、装置及存储介质，可以应用于人工智能技术领域。所述方法包括：获取目标用户针对目标推荐场景下的产品的行为数据；对所述行为数据进行多路召回，得到召回候选集；所述召回候选集中包括多种待推荐产品；从多个不同维度对所述行为数据进行特征提取，得到多种特征信息；基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息；根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端，从而适应于不同场景下的产品推荐，提高推荐效率。
Description
技术领域
本说明书实施例涉及人工智能技术领域，特别涉及一种产品推荐方法、装置及存储介质。
背景技术
随着当今技术的飞速发展，数据量也与日俱增，人们越来越感觉在海量数据面前束手无策。正是为了解决信息过载(Information overload)的问题，基于人工智能技术，人们提出了推荐系统。推荐系统是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。和搜索引擎相比，推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求。
对于不同的应用场景，目前推荐系统的构建方法是针对某个场景下，通过对数据进行分析，形成用户或产品标签，然后针对该场景单独建模。
由于每一个模型都是一个单独的预测服务，而且每个模型所需要的特征都有差异，意味着针对每一个推荐场景，都需要用单独联机服务发版本，才能对外服务。
现有的推荐系统仅针对某个场景，该场景下的研发代码无法大部分复用到其他场景，换一场景又要重新数据分析，建立特征工程，单独建模，从而导致构建推荐系统周期长，效果不稳定。
发明内容
本说明书实施例的目的是提供一种产品推荐方法、装置及存储介质，以实现适应于不同场景下的产品推荐，提高推荐效率。
为解决上述问题，本说明书实施例提供一种产品推荐方法，所述方法包括：获取目标用户针对目标推荐场景下的产品的行为数据；对所述行为数据进行多路召回，得到召回候选集；所述召回候选集中包括多种待推荐产品；从多个不同维度对所述行为数据进行特征提取，得到多种特征信息；基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息；根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端。
为解决上述问题，本说明书实施例还提供一种产品推荐装置，所述装置包括：获取模块，用于获取目标用户针对目标推荐场景下的产品的行为数据；召回模块，用于对所述行为数据进行多路召回，得到召回候选集；所述召回候选集中包括多种待推荐产品；提取模块，用于从多个不同维度对所述行为数据进行特征提取，得到多种特征信息；筛选模块，用于基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息；排序推荐模块，用于根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端。
为解决上述问题，本说明书实施例还提供一种电子设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序以实现：获取目标用户针对目标推荐场景下的产品的行为数据；对所述行为数据进行多路召回，得到召回候选集；所述召回候选集中包括多种待推荐产品；从多个不同维度对所述行为数据进行特征提取，得到多种特征信息；基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息；根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端。
为解决上述问题，本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现：获取目标用户针对目标推荐场景下的产品的行为数据；对所述行为数据进行多路召回，得到召回候选集；所述召回候选集中包括多种待推荐产品；从多个不同维度对所述行为数据进行特征提取，得到多种特征信息；基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息；根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端。
由以上本说明书实施例提供的技术方案可见，本说明书实施例中，可以获取目标用户针对目标推荐场景下的产品的行为数据；对所述行为数据进行多路召回，得到召回候选集；所述召回候选集中包括多种待推荐产品；从多个不同维度对所述行为数据进行特征提取，得到多种特征信息；基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息；根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端，从而适应于不同场景下的产品推荐，提高推荐效率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，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为本说明书实施例一种产品推荐方法的流程图；
图2为本说明书实施例一种产品推荐方法的总设计图；
图3为本说明书实施例召回候选集获取过程示意图
图4为本说明书实施例特征重要性排序的一个场景示例；
图5为本说明书召回过程和排序过程的一个场景示例；
图6为本说明书排序模型的训练和发布过程的一个场景示例；
图7为本说明书一个场景示例的示意图；
图8为本说明书实施例一种电子设备的功能结构示意图；
图9为本说明书实施例一种产品推荐装置的功能结构示意图。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
请参阅图1。本说明书实施例提供一种产品推荐方法。在本说明书实施例中，执行所述产品推荐方法的主体可以是具有逻辑运算功能的电子设备，所述电子设备可以是服务器。所述服务器可以是具有一定运算处理能力的电子设备。其可以具有网络通信单元、处理器和存储器等。当然，所述服务器并不限于上述具有一定实体的电子设备，其还可以为运行于上述电子设备中的软体。所述服务器还可以为分布式服务器，可以是具有多个处理器、存储器、网络通信模块等协同运作的系统。或者，服务器还可以为若干服务器形成的服务器集群。所述方法可以包括以下步骤。
S110：获取目标用户针对目标推荐场景下的产品的行为数据。
在一些实施例中，不同的推荐场景可以采用不同的方式进行推荐。例如，所述推荐场景可以包括“猜你喜欢”的场景，在该场景下推荐的产品注重用户以往购买过的，或者是收藏、分享过的产品；所述推荐场景还可以包括“相似产品”，在该场景下推荐的产品注重与用户浏览的产品的相似度。当然，所述推荐场景还可以包括其他场景，本说明书实施例对此不作限定。
在一些实施例中，所述产品可以为金融产品，例如可以为保险、理财、基金、债券、贵金属、信用卡、能源等。
在一些实施例中，所述行为数据可以为用户针对产品的交易、浏览、搜索、持有数据等数据。如图2所示，服务器可以基于数据湖，从不同数据源中获取针对目标推荐场景下的产品的行为数据。其中，所述数据湖(Data Lake)是一个以原始格式存储数据的存储库或系统。它按原样存储数据，而无需事先对数据进行结构化处理。一个数据湖可以存储结构化数据(如关系型数据库中的表)，半结构化数据(如CSV、日志、XML、JSON)，非结构化数据(如电子邮件、文档、PDF)和二进制数据(如图形、音频、视频)。
具体的，可以通过采集业务源系统交易数据，进行加工汇总可以得出客户交易类特征，例如客户交易频度，交易金额等数据；客户/产品交叉交易特征，例如客户对某产品购买次数，购买金额等。也可以通过采集业务源系统分户账和协议数据，进行加工汇总可以得出客户持有类特征，例如客户持有产品数；客户/产品交叉持有特征，例如客户对某产品持有金额。还可以通过采集业务源系统产品属性以及交易数据、分户数据，可以采集产品销售特征，例如产品销量；产品静态特征，例如年化收益率、产品持有金额，购买频度，浏览次数等。
基于flume日志采集手机银行和网银埋点日志，可以获得客户/产品交叉浏览特征，例如客户对某产品点击次数；产品本身浏览特征，例如产品被点击人数等。另外利用埋点数据中的客户搜索词，通过BM25算法，可以收集客户/产品交叉搜索特征，；日客户对某产品搜索，产品本身搜索特征，例如产品本身搜索热度等。基于高时效入湖的数据，可以根据当日交易数据实时进行计算并更新上述特征，以更加精确刻画客户的当前的兴趣和产品销量变化。
S120：对所述行为数据进行多路召回，得到召回候选集；所述召回候选集中包括多种待推荐产品。
推荐系统一般分为两个阶段，即召回阶段和排序阶段。召回阶段主要是从全量的产品库中得到用户可能感兴趣的一小部分候选集，排序阶段则是将召回阶段得到的候选集进行精准排序，推荐给用户。
在一些实施例中，所述对所述行为数据进行多路召回，得到召回候选集包括：分别使用多种不同的召回算法对所述行为数据进行召回，得到多个召回结果；其中，每个召回结果包括多种待推荐产品；基于各个召回算法针对历史数据的召回率确定各个召回算法的召回配比份额；根据各个召回算法的召回配比份额对所述多个召回结果进行融合，得到召回候选集。具体的，如图3所示，在获取不同召回算法计算得到召回结果后，可以基于对历史数据的召回率表现，来决定在多种算法召回配比份额然后根据最终的召回配比份额进行对应数量样本的召回，再通过Merge(归并排序算法)和去重算法进行融合，得到推荐框架最终的召回候选集。
通过所述多路召回采用不同的策略、特征或简单模型，分别召回一部分候选集，然后把候选集混合在一起供后续排序模型使用。多路召回是在“计算速度”和“召回率”之间进行权衡的结果。其中，各种简单策略保证候选集的快速召回，从不同角度设计的策略保证召回率接近理想的状态，不至于损伤排序效果。在多路召回中，每个策略之间不相关，所以一般可以写并发多线程同时进行，这样可以更加高效。
在一些实施例中，所述多种不同的召回算法包括：基于时间序列的协同过滤算法、基于产品相似的协同过滤算法、基于用户相似的协同过滤算法、向量索引召回算法和基于销量排序的冷启动算法等。通过多种不同的召回算法获得召回结果，能够结合各种召回算法的优点，提高召回结果的准确性。
所述基于时间序列的协同过滤算法，可以依据客户点击/购买产品时间序列先后顺序和时间差，计算产品相似度，从而得到召回结果。
所述基于产品相似的协同过滤算法，可以分析各个用户对ITeM的用户反馈(如通过浏览、购买、点击、使用等)。依据反馈记录分析得出所有ITeM之间的相似度，从而得到召回结果。
所述基于用户相似的协同过滤算法，可以分析用户之间共同持有产品，来分析得出用户之间的相似度，从而得到召回结果。
所述向量索引召回算法，可以负责将用户特征、产品特征转化为向量，最后求两个向量的相似度，用相似度高低表示用户对产品的喜爱程度，从而得到召回结果。
所述基于销量排序的冷启动算法，依据产品每日销量并配合销售日期衰减来进行推荐，从而得到召回结果。很久以前的销量需要乘以一个惩罚系数，以降低权重，越距离当前日期近的日期权重越大。
S130：从多个不同维度对所述行为数据进行特征提取，得到多种特征信息。
在一些实施例中，为提高推荐的准确性，可以从不同多个不同维度对所述行为数据进行特征提取，得到多种特征信息。其中，所述多个不同维度包括用户维度、产品维度、用户与产品的交叉维度。
如图2所示，在对数据湖中的数据加工得到用户针对目标推荐场景下的产品的行为信息后，可以从多个不同维度对所述行为数据进行特征提取，建立不同维度下的特征库来存储不同维度对应的特征信息。
具体的，可以建立用户维度的用户特征库，用户特征库以用户+日期为主键，存储用户维度下的特征信息。用户维度下的特征信息可以为与用户有关的信息，例如可以包括基础信息、产品信息、行为信息、关联信息、评价信息、营销信息、风险信息、位置信息、财务信息、设备信息、经营信息、社交信息等。
也可以建立产品维度的产品特征库，产品特征库以产品+日期为主键，存储产品维度下的特征信息。其中，可以根据产品的类别建立不同的产品特征库。如图2所示，理财，基金，保险等不同产品类型分别构建不同的产品特征库。产品维度下的特征信息可以为与产品有关的信息，包括产品静态数据，如产品发售日期，风险等级，产品起购金额，年化收益率等；包括产品动态属性，例如购买产品人数，搜索热度，点击人数等。
还可以建立用户与产品的交叉维度的交叉特征库，交叉特征库以用户+产品+日期为主键，存储用户与产品的交叉维度下的特征信息。用户与产品的交叉维度下的特征信息主要从购买、浏览、搜索、持有等四方面来刻画用户对具体某个产品的兴趣程度，表征用户与产品关联的信息，例如用户针对产品的购买信息、浏览信息、搜索信息和持有信息等。
S140：基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息。
不同推荐场景下不同的特征信息对于用户是否选择购买某个产品的重要程度是不同的，例如在某些推荐场景下，用户在选择购买产品时，更注重于考虑产品风险等级而不是产品的年化收益率，从而在给用户推荐产品时，更应该将特征信息产品风险等级考虑进去。
在一些实施例中，可以通过预设的决策树模型来计算所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度，从而从所述多种特征信息筛选出目标特征信息。具体的，所述基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息包括：将所述多种特征信息输入至预设的决策树模型中，根据各个特征信息在所述决策树模型的叶子节点中被使用的次数对各个特征信息进行重要程度排序；将排序前n位的特征信息确定为目标特征信息。其中n大于或等于2。通过使用机器学习中的决策树模型，可以加快从从多种特征信息筛选出目标特征信息的速度，以及提高目标推荐场景下所述多种特征信息对于用户选择产品的重要程度的准确性。
在一个具体的场景示例中，如图4所示，推荐应用可以调用中国工商银行图灵平台中的树模型算法来计算所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度，从而从所述多种特征信息筛选出目标特征信息。其中，所述图灵平台可以为提供人工智能服务器的平台。具体的，所述图灵平台可以通过工具基于参数化后的特征库，以及推荐目标，自动将全部特征信息加工放入HIVE表中，并为每条记录标记好正负样本。由于采用决策树模型进行特征重要性筛选，因此无需对连续型特征进行处理，但是针对全部离散型特征，需要对原始画像数据进行字典转换，尤其是空值也要单独分配一个字典值；另外约定hive表第一个为标签，后面是全部连续型特征，所有离散型特征都排在连续型特征后面。调用图灵平台的自动训练服务，采用lightgbm算法进行模型训练，通过参数设定训练和测试样本所在hdfs目录，训练测试集中标签字段所在位置，总共多少个连续型特征，总共多少个离散型特征，以达到采用相同的一套代码同时适用不限量的推荐场景，模型训练以后，基于具体某个特征在最终训练好的决策树模型的叶子节点中的数量，来进行特征重要性排序，比如客户风险等级在所有决策树树中的全部叶子节点中被使用到了100次，另外一个年龄特征被使用到了30次，则说明“客户风险等级”在该推荐场景中的重要性大于“年龄”。
S150：根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端。
在一些实施例中，为提高对所述召回候选集中各个待推荐产品进行排序的准确性，可以通过预设的排序模型来对所述召回候选集中各个待推荐产品进行排序。具体的，所述根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端可以包括：对所述目标特征信息进行特征预处理，得到所述目标特征信息对应的特征向量；使用预设的排序模型计算所述召回候选集中各个待推荐产品与所述特征向量的相关性；根据所述相关性对各个待推荐产品进行排序，将排序结果返回给目标用户客户端。
在一些实施例中，针对排序模型所使用的排序算法，可以采用不同的特征预处理方法，通过一些转换函数将特征信息转换成更加适合排序模型所使用的算法，从而提高排序模型对所述召回候选集中各个待推荐产品进行排序的效率。基于排序模型所使用的排序算法，所采用的特征预处理方法可以包括归一化、One-Hot、特征降维等。
所述归一化是指将数值特征的值统一映射到[0,1]的区间上：
其中，z表示归一化后的数据，xi(i＝1,2,…)表示原始数据。
模型针对全部连续型特征，采用归一化方法统一量纲(不同特征往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果)，为了消除指标之间的可比性，原始数据经过数据归一化处理后，各特征处于同一数量级，适合进行综合比对评价。
归一化的常见方式可以包括：
Z-score标准化：将数值特征的值缩放成均值为0，方差为1的状态，量化后特征服从标准正态分布：
其中，z表示归一化后的数据，xi(i＝1,2,…)表示原始数据，μ表示原始数据的均值，σ表示原始数据的标准差。
最小最大值标准化：也称离散标准化，是对数据的线性变换，将数据值映射到[0，1]之间：
非线性归一化：通过一些数学函数，将原始值映射到[0,1]的区间上。常用的有log对数函数转换方法，反正切函数转换方法。
所述One-Hot编码又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存位，并且在任意时候，其中只有一位有效。通常使用One-Hot编码解决类别型数据的离散值问题。针对离散型特征，使用One-Hot编码，会让特征之间的距离计算更加合理。离散特征进行One-Hot编码后，编码后的特征，其实每一维度的特征都可以看做是连续的特征。
所述特征降维是指在某些限定条件下，降低随机变量(特征)个数，得到一组“不相关”主变量的过程。具体方式如下：针对全部特征，先采用LIGHTGBM决策树模型，对存量特征做特征重要性排序，根据排序结果和阀值选择有效的特征子集合，目的是去掉不相关或冗余的特征，减少特征个数，提高模型精度，减少运行时间，避免过拟合。针对离散型特征，在模型中采用One-Hot编码以后，再用Embedding来降维度得到稠密向量，以此用来解决One-Hot以后带来的稀疏矩阵问题，同时减少模型训练参数，提升训练速度。
在一些实施例中，所述排序模型为多个，不同排序模型所使用的排序算法不同；相应的，根据不同排序模型计算得到的所述召回候选集中各个待推荐产品与所述特征向量的相关性对各个待推荐产品进行排序，得到不同排序模型对应的多个排序结果；根据各个排序模型的权重对所述多个排序结果进行组合和去重，得到综合排序结果，将所述综合排序结果推荐给用户。
在一个具体的场景示例中，如图5所示。通过多路召回的方式获取召回候选集，所述召回候选集中可以包括数百个待推荐产品；然后通过不同排序算法训练得到的排序模型对召回候选集中的待推荐产品进行排序；再将各个排序模型对应的排序结果进行融合，例如各个排序模型可以对召回候选集中的待推荐产品打分，依照分数进行排序，对排序结果的融合步骤可以为将各个排序模型对所述待推荐产品的评分相加，然后根据相加后的分数进行排序，当然，也可以依据各个排序模型在验证集上的表现来确定各个排序模型的权重，将各个排序模型对所述待推荐产品的评分乘以权重系数后相加，然后根据相加后的分数进行排序；最后可以将排序后的待推荐产品作为推荐结果推荐给目标用户，当然，为使推荐结果更为精简，可以将排序前m位的待推荐产品作为推荐结果推荐给目标用户。
通过使用多种排序模型对计算得到的所述召回候选集中各个待推荐产品与所述特征向量的相关性，进而对各个待推荐产品进行排序，可以集成各排序算法的优点，达到高准确率、召回率、覆盖率和新颖性等特点。
在一些实施例中，所述排序算法可以包括LIGHTGBM算法、LIGHTGBM+LR算法、FM算法和DEEPFM算法等。
所述LIGHTGBM(Light Gradient Boosting Machine)算法是个快速的，分布式的，高性能的基于决策树算法的梯度提升框架，可用于排序，分类，回归以及很多其他的机器学习任务中。
所述LIGHTGBM+LR算法可以使用LIGHTGBM搜索合适的特征组合，将组合特征输入到LR(Logistic Regression，逻辑回归)中得到CTR(Click-Through-Rate，点击通过率)预估值。
所述FM(Factorization Machines，分解机)算法，能够更好地挖掘数据特征间的相关性，可解决高维度稀疏离散数据问题(只考虑特征两两组合，不考虑特征间深层次关系)。
所述DEEPFM算法是在FM算法基础上加上深度模型，让模型进行更多的非线性变换，得到更高阶特征组合。可以训练两个特征之间深层次或多个特征之间的交互关系，挖掘出多特征之间潜在的深层联系，进而提升推荐算法的各项指标。
由于事先并不了解数据分布，所以在训练排序模型时可以采用多类排序算法同时训练，每个排序算法都分别并行进行独立的多轮训练，寻找出各自最优的超参组合，即抽样部分小数据集以弥补算力的不足，带入算法中用网格搜索，或暴力搜索自动寻找出超参组合，进而实现自动选取最优算法。
在一些实施例中，所述排序模型根据以下方式训练得到：构建预设数量的正样本和负样本，得到训练数据；所述正样本由根据用户针对目标推荐场景下的产品的行为数据提取的目标特征信息和用户购买的产品构成；所述负样本由根据用户针对目标推荐场景下的产品的行为数据提取的目标特征信息和用户未购买的产品构成；使用预设的排序算法对所述训练数据进行训练，得到排序模型。
具体的，可以获取多个用户针对目标推荐场景下的产品的行为数据，例如可以基于数据湖，从不同数据源中获取多个用户针对目标推荐场景下的产品的行为数据。具体的，可以将渠道侧(网上银行、电话银行、短信银行等)推荐过的产品，以用户号+产品ID+推荐日期+推荐时间为粒度的埋点数据入湖，并标记负样本；以及建立以用户号+产品ID+购买日期+购买时间为表结构的公用交易明细表，该表主要是用来标记正负样本，需要将全部需要推荐的产品，基于数据湖，纳入到公用交易明细表中。具体的，如果是客户找产品，则需要从召回模型得到的召回清单中为该客户找全部的负样本数据；如果是产品找客户，优先从埋点数据中寻找客户经理推荐过的客户作为负样本，如果数据量还不充足，则在客户经理名下其他未购买产品的客户作为负样本数据。进一步的，可以对标记的正负样本下的行为数据进行提取和筛选，得到目标推荐场景对应的目标特征信息，根据目标特征信息和用户购买的产品构建得到正样本，根据目标特征信息和用户未购买的产品构建得到负样本，从而得到训练数据。
上述训练方式，服务器可以自动构建正负样本得到训练数据，避免了人工构建训练数据耗时耗力的问题，提高排序模型的训练效率。
在一个具体的场景示例中，排序模型的训练和发布过程如图6所示。HADOOP批量集群可以根据多个用户针对目标推荐场景下的产品的行为数据生成训练数据，并基于决策树模型返回的特征重要性排序提出不重要的特征后，即筛选出目标特征信息后导出训练文本和测试文本；图灵GPU集群可以自动将训练文本拉取到jupter容器，通过网格参数法自动调参进行机器学习，深度学习训练，得出最优参数组合，然后根据准确率、AUC、F1等指标判断本次训练结果是否优于前一次结果，如果是，则导出模型到oaas对象存储，自动发布到paas前台；渠道测(网上银行、电话银行、短信银行等)通过调用接口进行预测时，可以使用最新训练的排序模型，以便于用户可以实时感知到最新排序模型的推荐结果。
为便于进一步理解本说明书实施例提供的产品推荐方法，本说明书还提供了一个场景示例，如图7所示。在需要进行产品推荐时，推荐pass服务读取客户画像、产品特征库、召回策略配比、排序策略配比、召回清单等数据、基于用户画像和产品特征库可以自动读取配置文件，组装代入模型的数据；基于召回策略配比进行多路召回，得到召回候选集；召回清单中可以包括多个排序模型中各个排序模型的排名；MLP(多层神经网络)的pass容器可以基于推荐pass服务读取的数据对召回候选集进行排序，并将推荐结果返回给推荐pass服务；推荐pass服务再将推荐结果返回给渠道侧，以便于通过各渠道侧将推荐结果返回给用户。
在本场景示例中，各个模型自学习和自更新每月自动触发：定期重新获取最新训练数据，重新筛选特征重要性，重新训练召回和排序模型(包含模型超参自动调优)。模型训练后，比较新老模型在最新验证集上的表现(A/B TEST)，将表现较优的新模型更新推荐服务。
本说明书实施例提供的方法，可以获取目标用户针对目标推荐场景下的产品的行为数据；对所述行为数据进行多路召回，得到召回候选集；所述召回候选集中包括多种待推荐产品；从多个不同维度对所述行为数据进行特征提取，得到多种特征信息；基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息；根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端。本说明书实施例提供的方法，避免了现有技术构建推荐系统周期长，效果不稳定，模型不自动更新，代码复用性少等问题，通过生成特征，特征的自动化选取、模型自动训练自动上线、推荐服务的自动化发布等功能，能够适应于不同场景下的产品推荐，提高推荐效率。
图8为本说明书实施例一种电子设备的功能结构示意图，所述电子设备可以包括存储器和处理器。
在一些实施例中，所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现产品推荐方法的各种功能。所述存储器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；存储数据区可存储根据用户终端的使用所创建的数据。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，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)、现成可编程门阵列(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。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。所述处理器可以执行所述计算机指令实现以下步骤：获取目标用户针对目标推荐场景下的产品的行为数据；对所述行为数据进行多路召回，得到召回候选集；所述召回候选集中包括多种待推荐产品；从多个不同维度对所述行为数据进行特征提取，得到多种特征信息；基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息；根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端。
在本说明书实施例中，该电子设备具体实现的功能和效果，可以与其它实施例对照解释，在此不再赘述。
图9为本说明书实施例一种产品推荐装置的功能结构示意图，该装置具体可以包括以下的结构模块。
获取模块910，用于获取目标用户针对目标推荐场景下的产品的行为数据；
召回模块920，用于对所述行为数据进行多路召回，得到召回候选集；所述召回候选集中包括多种待推荐产品；
提取模块930，用于从多个不同维度对所述行为数据进行特征提取，得到多种特征信息；
筛选模块940，用于基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息；
排序推荐模块950，用于根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端。
本说明书实施例还提供了一种产品推荐方法的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指令，在所述计算机程序指令被执行时实现：获取目标用户针对目标推荐场景下的产品的行为数据；对所述行为数据进行多路召回，得到召回候选集；所述召回候选集中包括多种待推荐产品；从多个不同维度对所述行为数据进行特征提取，得到多种特征信息；基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息；根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端。
在本说明书实施例中，上述存储介质包括但不限于随机存取存储器(RandomAccess Memory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(HardDisk Drive,HDD)或者存储卡(Memory Card)。所述存储器可用于存储所述计算机程序和/或模块，所述存储器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用户终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器。在本说明书实施例中，该计算机可读存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
需要说明的是，本说明书实施例提供的产品推荐方法、装置及存储介质，可以应用于人工智能技术领域。当然，也可以应用于金融领域，或者除金融领域之外的任意领域，本说明书实施例对所述产品推荐方法、装置及存储介质的应用领域不做限定。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。尤其，对于装置实施例和设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域技术人员在阅读本说明书文件之后，可以无需创造性劳动想到将本说明书列举的部分或全部实施例进行任意组合，这些组合也在本说明书公开和保护的范围内。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(AlteraHardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog2。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书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，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。
Claims (13)
1.一种产品推荐方法，其特征在于，所述方法包括：
获取目标用户针对目标推荐场景下的产品的行为数据；
对所述行为数据进行多路召回，得到召回候选集；所述召回候选集中包括多种待推荐产品；
从多个不同维度对所述行为数据进行特征提取，得到多种特征信息；
基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息；
根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端。
2.根据权利要求1所述的方法，其特征在于，所述对所述行为数据进行多路召回，得到召回候选集包括：
分别使用多种不同的召回算法对所述行为数据进行召回，得到多个召回结果；其中，每个召回结果包括多种待推荐产品；
基于各个召回算法针对历史数据的召回率确定各个召回算法的召回配比份额；
根据各个召回算法的召回配比份额对所述多个召回结果进行融合，得到召回候选集。
3.根据权利要求2所述的方法，其特征在于，所述多种不同的召回算法包括：基于时间序列的协同过滤算法、基于产品相似的协同过滤算法、基于用户相似的协同过滤算法、向量索引召回算法和基于销量排序的冷启动算法中的至少两种。
4.根据权利要求1所述的方法，其特征在于，所述多个不同维度包括用户维度、产品维度、用户与产品的交叉维度。
5.根据权利要求1所述的方法，其特征在于，所述基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息包括：
将所述多种特征信息输入至预设的决策树模型中，根据各个特征信息在所述决策树模型的叶子节点中被使用的次数对各个特征信息进行重要程度排序；
将排序前n位的特征信息确定为目标特征信息。
6.根据权利要求1所述的方法，其特征在于，所述根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端包括：
对所述目标特征信息进行特征预处理，得到所述目标特征信息对应的特征向量；
使用预设的排序模型计算所述召回候选集中各个待推荐产品与所述特征向量的相关性；
根据所述相关性对各个待推荐产品进行排序，将排序结果返回给目标用户客户端。
7.根据权利要求6所述的方法，其特征在于，所述特征预处理方法包括归一化、One-Hot、特征降维中的至少一种。
8.根据权利要求6所述的方法，其特征在于，所述排序模型为多个，不同排序模型所使用的排序算法不同；
相应的，根据不同排序模型计算得到的所述召回候选集中各个待推荐产品与所述特征向量的相关性对各个待推荐产品进行排序，得到不同排序模型对应的多个排序结果；
根据各个排序模型的权重对所述多个排序结果进行组合和去重，得到综合排序结果，将所述综合排序结果推荐给用户。
9.根据权利要求6所述的方法，其特征在于，所述排序模型根据以下方式训练得到：
构建预设数量的正样本和负样本，得到训练数据；所述正样本由根据用户针对目标推荐场景下的产品的行为数据提取的目标特征信息和用户购买的产品构成；所述负样本由根据用户针对目标推荐场景下的产品的行为数据提取的目标特征信息和用户未购买的产品构成；
使用预设的排序算法对所述训练数据进行训练，得到排序模型。
10.根据权利要求8或9所述的方法，其特征在于，所述排序算法包括LIGHTGBM算法、LIGHTGBM+LR算法、FM算法和DEEPFM算法中的至少一种。
11.一种产品推荐装置，其特征在于，所述装置包括：
获取模块，用于获取目标用户针对目标推荐场景下的产品的行为数据；
召回模块，用于对所述行为数据进行多路召回，得到召回候选集；所述召回候选集中包括多种待推荐产品；
提取模块，用于从多个不同维度对所述行为数据进行特征提取，得到多种特征信息；
筛选模块，用于基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息；
排序推荐模块，用于根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端。
12.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现：获取目标用户针对目标推荐场景下的产品的行为数据；对所述行为数据进行多路召回，得到召回候选集；所述召回候选集中包括多种待推荐产品；从多个不同维度对所述行为数据进行特征提取，得到多种特征信息；基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息；根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端。
13.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述指令被执行时实现：获取目标用户针对目标推荐场景下的产品的行为数据；对所述行为数据进行多路召回，得到召回候选集；所述召回候选集中包括多种待推荐产品；从多个不同维度对所述行为数据进行特征提取，得到多种特征信息；基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息；根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110254175.5A CN112785397B (zh) | 2021-03-09 | 2021-03-09 | 一种产品推荐方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110254175.5A CN112785397B (zh) | 2021-03-09 | 2021-03-09 | 一种产品推荐方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112785397A true CN112785397A (zh) | 2021-05-11 |
| CN112785397B CN112785397B (zh) | 2024-03-29 |
Family
ID=75762471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110254175.5A Active CN112785397B (zh) | 2021-03-09 | 2021-03-09 | 一种产品推荐方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112785397B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113254775A (zh) * | 2021-06-04 | 2021-08-13 | 上海浦东发展银行股份有限公司 | 一种基于客户浏览行为序列的信用卡产品推荐方法 |
| CN113312552A (zh) * | 2021-06-10 | 2021-08-27 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和介质 |
| CN113360632A (zh) * | 2021-06-09 | 2021-09-07 | 南京大学 | 一种用于众包软件测试的多路召回推荐方法 |
| CN113379482A (zh) * | 2021-05-28 | 2021-09-10 | 车智互联（北京）科技有限公司 | 一种物品推荐方法、计算设备以及存储介质 |
| CN113449002A (zh) * | 2021-06-28 | 2021-09-28 | 平安银行股份有限公司 | 车辆推荐方法、装置、电子设备及存储介质 |
| CN113592589A (zh) * | 2021-07-27 | 2021-11-02 | 上海致景信息科技有限公司 | 纺织原料推荐方法、装置及处理器 |
| CN113641721A (zh) * | 2021-10-13 | 2021-11-12 | 中航信移动科技有限公司 | 一种机票展示方法、装置、电子设备及存储介质 |
| CN113722537A (zh) * | 2021-08-11 | 2021-11-30 | 北京奇艺世纪科技有限公司 | 短视频排序及模型训练方法、装置、电子设备和存储介质 |
| CN113781236A (zh) * | 2021-09-01 | 2021-12-10 | 深圳华云信息系统有限公司 | 基金产品推荐方法、装置、电子设备及存储介质 |
| CN113837843A (zh) * | 2021-09-29 | 2021-12-24 | 平安科技（深圳）有限公司 | 产品推荐方法、装置、介质及电子设备 |
| CN113850649A (zh) * | 2021-09-29 | 2021-12-28 | 中国科学院空天信息创新研究院 | 一种基于多平台用户数据的定制化推荐方法及推荐系统 |
| CN113946651A (zh) * | 2021-09-27 | 2022-01-18 | 盛景智能科技(嘉兴)有限公司 | 维修知识推荐方法、装置、电子设备、介质及产品 |
| CN113987353A (zh) * | 2021-10-29 | 2022-01-28 | 掌阅科技股份有限公司 | 书籍推荐方法、计算设备及存储介质 |
| CN114491283A (zh) * | 2022-04-02 | 2022-05-13 | 浙江口碑网络技术有限公司 | 对象推荐方法、装置及电子设备 |
| CN115587261A (zh) * | 2022-12-09 | 2023-01-10 | 思创数码科技股份有限公司 | 政务资源目录推荐方法及系统 |
| CN117455631A (zh) * | 2023-12-20 | 2024-01-26 | 浙江口碑网络技术有限公司 | 信息展示方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190043A (zh) * | 2018-09-07 | 2019-01-11 | 北京三快在线科技有限公司 | 推荐方法及装置，存储介质，电子设备及推荐系统 |
| CN111080413A (zh) * | 2019-12-20 | 2020-04-28 | 深圳市华宇讯科技有限公司 | 电商平台商品的推荐方法、装置、服务器和存储介质 |
| CN112232915A (zh) * | 2019-12-23 | 2021-01-15 | 北京来也网络科技有限公司 | 结合rpa与ai的商品推荐方法和装置 |
-
2021
- 2021-03-09 CN CN202110254175.5A patent/CN112785397B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190043A (zh) * | 2018-09-07 | 2019-01-11 | 北京三快在线科技有限公司 | 推荐方法及装置，存储介质，电子设备及推荐系统 |
| CN111080413A (zh) * | 2019-12-20 | 2020-04-28 | 深圳市华宇讯科技有限公司 | 电商平台商品的推荐方法、装置、服务器和存储介质 |
| CN112232915A (zh) * | 2019-12-23 | 2021-01-15 | 北京来也网络科技有限公司 | 结合rpa与ai的商品推荐方法和装置 |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379482A (zh) * | 2021-05-28 | 2021-09-10 | 车智互联（北京）科技有限公司 | 一种物品推荐方法、计算设备以及存储介质 |
| CN113379482B (zh) * | 2021-05-28 | 2023-12-01 | 车智互联（北京）科技有限公司 | 一种物品推荐方法、计算设备以及存储介质 |
| CN113254775A (zh) * | 2021-06-04 | 2021-08-13 | 上海浦东发展银行股份有限公司 | 一种基于客户浏览行为序列的信用卡产品推荐方法 |
| CN113360632A (zh) * | 2021-06-09 | 2021-09-07 | 南京大学 | 一种用于众包软件测试的多路召回推荐方法 |
| CN113360632B (zh) * | 2021-06-09 | 2023-08-25 | 南京大学 | 一种用于众包软件测试的多路召回推荐方法 |
| CN113312552A (zh) * | 2021-06-10 | 2021-08-27 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和介质 |
| CN113449002A (zh) * | 2021-06-28 | 2021-09-28 | 平安银行股份有限公司 | 车辆推荐方法、装置、电子设备及存储介质 |
| CN113592589A (zh) * | 2021-07-27 | 2021-11-02 | 上海致景信息科技有限公司 | 纺织原料推荐方法、装置及处理器 |
| CN113592589B (zh) * | 2021-07-27 | 2024-03-29 | 上海致景信息科技有限公司 | 纺织原料推荐方法、装置及处理器 |
| CN113722537B (zh) * | 2021-08-11 | 2024-04-26 | 北京奇艺世纪科技有限公司 | 短视频排序及模型训练方法、装置、电子设备和存储介质 |
| CN113722537A (zh) * | 2021-08-11 | 2021-11-30 | 北京奇艺世纪科技有限公司 | 短视频排序及模型训练方法、装置、电子设备和存储介质 |
| CN113781236A (zh) * | 2021-09-01 | 2021-12-10 | 深圳华云信息系统有限公司 | 基金产品推荐方法、装置、电子设备及存储介质 |
| CN113946651B (zh) * | 2021-09-27 | 2024-05-10 | 盛景智能科技(嘉兴)有限公司 | 维修知识推荐方法、装置、电子设备、介质及产品 |
| CN113946651A (zh) * | 2021-09-27 | 2022-01-18 | 盛景智能科技(嘉兴)有限公司 | 维修知识推荐方法、装置、电子设备、介质及产品 |
| CN113850649A (zh) * | 2021-09-29 | 2021-12-28 | 中国科学院空天信息创新研究院 | 一种基于多平台用户数据的定制化推荐方法及推荐系统 |
| CN113837843A (zh) * | 2021-09-29 | 2021-12-24 | 平安科技（深圳）有限公司 | 产品推荐方法、装置、介质及电子设备 |
| CN113837843B (zh) * | 2021-09-29 | 2023-11-24 | 平安科技（深圳）有限公司 | 产品推荐方法、装置、介质及电子设备 |
| CN113641721A (zh) * | 2021-10-13 | 2021-11-12 | 中航信移动科技有限公司 | 一种机票展示方法、装置、电子设备及存储介质 |
| CN113641721B (zh) * | 2021-10-13 | 2022-03-04 | 中航信移动科技有限公司 | 一种机票展示方法、装置、电子设备及存储介质 |
| CN113987353B (zh) * | 2021-10-29 | 2022-08-09 | 掌阅科技股份有限公司 | 书籍推荐方法、计算设备及存储介质 |
| CN113987353A (zh) * | 2021-10-29 | 2022-01-28 | 掌阅科技股份有限公司 | 书籍推荐方法、计算设备及存储介质 |
| CN114491283B (zh) * | 2022-04-02 | 2022-07-22 | 浙江口碑网络技术有限公司 | 对象推荐方法、装置及电子设备 |
| CN114491283A (zh) * | 2022-04-02 | 2022-05-13 | 浙江口碑网络技术有限公司 | 对象推荐方法、装置及电子设备 |
| CN115587261A (zh) * | 2022-12-09 | 2023-01-10 | 思创数码科技股份有限公司 | 政务资源目录推荐方法及系统 |
| CN117455631A (zh) * | 2023-12-20 | 2024-01-26 | 浙江口碑网络技术有限公司 | 信息展示方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112785397B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112785397B (zh) | 一种产品推荐方法、装置及存储介质 | |
| CN109359244B (zh) | 一种个性化信息推荐方法和装置 | |
| CN109492772B (zh) | 生成信息的方法和装置 | |
| KR101419504B1 (ko) | 사용자 성향 분석을 통한 맞춤형 쇼핑 정보 제공 시스템 및 방법 | |
| CN109492180A (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
| CN113901320A (zh) | 场景服务推荐方法、装置、设备及存储介质 | |
| CN112508609B (zh) | 人群扩量的预测方法、装置、设备及存储介质 | |
| CN104636402A (zh) | 一种业务对象的分类、搜索、推送方法和系统 | |
| CN111159341B (zh) | 基于用户投资理财偏好的资讯推荐方法及装置 | |
| CN112632405B (zh) | 一种推荐方法、装置、设备及存储介质 | |
| CN110880124A (zh) | 转化率评估方法及装置 | |
| CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
| Vahidi Farashah et al. | An analytics model for TelecoVAS customers’ basket clustering using ensemble learning approach | |
| Zineb et al. | An intelligent approach for data analysis and decision making in big data: a case study on e-commerce industry | |
| CN111782611B (zh) | 预测模型建模方法、装置、设备及存储介质 | |
| CN108804564A (zh) | 金融产品的组合推荐方法及终端设备 | |
| CN110852785A (zh) | 用户分级方法、装置及计算机可读存储介质 | |
| CN114371946B (zh) | 基于云计算和大数据的信息推送方法及信息推送服务器 | |
| CN114693409A (zh) | 产品匹配方法、装置、计算机设备、存储介质和程序产品 | |
| Sharma et al. | Intelligent data analysis using optimized support vector machine based data mining approach for tourism industry | |
| Zhou et al. | Knowledge-based recommendation with hierarchical collaborative embedding | |
| CN116823410B (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
| CN113051324A (zh) | 基于大数据的用户画像构建方法、装置及存储介质 | |
| CN116484105A (zh) | 业务处理方法、装置及计算机设备、存储介质、程序产品 | |
| Malawana et al. | The Public Sentiment analysis within Big data Distributed system for Stock market prediction–A case study on Colombo Stock Exchange |
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 |