CN113032583A - 用户权益匹配方法及装置 - Google Patents

用户权益匹配方法及装置 Download PDF

Info

Publication number
CN113032583A
CN113032583A CN202110486186.6A CN202110486186A CN113032583A CN 113032583 A CN113032583 A CN 113032583A CN 202110486186 A CN202110486186 A CN 202110486186A CN 113032583 A CN113032583 A CN 113032583A
Authority
CN
China
Prior art keywords
user
data
rights
interests
matching
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.)
Pending
Application number
CN202110486186.6A
Other languages
English (en)
Inventor
刘璇
文晋京
李曼丽
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202110486186.6A priority Critical patent/CN113032583A/zh
Publication of CN113032583A publication Critical patent/CN113032583A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明可用于人工智能技术领域，本发明提供了一种用户权益匹配方法及装置，包括：获取目标用户的用户数据以及目标用户的历史兑换权益数据；根据用户数据、历史兑换权益数据以及基于神经网络预先建立的用户权益匹配模型对目标用户进行权益匹配。本发明将权益资源、用户、关联用户三者建立了关系，提供了更具有广泛性和迭代优化机制的权益匹配方法。本发明基于知识图谱技术，可以将用户与用户，用户和权益隐藏关系联系在一起，从而可以辅助推送更加精准，并做到推送结果有迹可循。一方面可以充分利用权益库资源，使得各类权益资源均被释放；向用户推送更加具有针对性的权益福利，更满足客户的真实需求，减少用户查找时间，提升用户体验。

Description

用户权益匹配方法及装置
技术领域
本发明属于人工智能技术领域，具体涉及一种用户权益匹配方法及装置。
背景技术
在当今金融领域，客户权益已成为日常营销与获客的重要工具。传统银行为提升用户留存率与贡献度，已与各类商户合作为客户提供多项权益服务，涵盖出行、医疗、商务等各类生活场景。例如酒店预订服务、租车服务、票务预订服务、生活定制服务等。客户等级不同，可享受的权益内容也有所差异，其中面向高净值客户、私人银行客户的权益最为丰富。客户在线上领取权益后可直接享受线下相应福利。
具体地，银行通常通过建立商户合作权益库，将可提供的各类权益集中起来在渠道统一进行展示，用户发起权益请求后完成兑换。现有权益发放规则无法根据用户特点、用户等级，将用户和权益进行个性化匹配，无法根据客户与客户之间的关系进行深度学习。无法较好地向客户发放最适合的权益活动，用户体验和留存率较低。
现有技术中，通过运用大数据、用户画像及历史行为分析来将用户与产品进行匹配的方法运用越来越广泛。现有的推荐系统在分析手段上仅关注单一客户与产品间的关系，没有充分延伸至历史下单客户的关联客户，没有挖掘关联客户与产品间的关系。在银行客户强关联性的场景下，不能充分发挥其效果，不适用于权益资源匹配。因此需要一种能够覆盖更多关联客户的信息匹配方法。
发明内容
本发明属于人工智能技术领域，其所提供的用户权益匹配方法及装置将权益资源、用户、关联用户三者建立了关系，提供了更具有广泛性和迭代优化机制的权益匹配方法。本发明基于知识图谱技术，可以将用户与用户，用户和权益隐藏关系联系在一起，从而可以辅助推送更加精准，并做到推送结果有迹可循。一方面可以充分利用权益库资源，使得各类权益资源均被释放；另一方面，向用户推送更加具有针对性的权益福利，更满足客户的真实需求，减少用户查找时间，提升用户体验。
为解决上述技术问题，本发明提供以下技术方案：
第一方面，本发明提供一种用户权益匹配方法，包括：
获取目标用户的用户数据以及所述目标用户的历史兑换权益数据；
根据所述用户数据、所述历史兑换权益数据以及基于神经网络预先建立的用户权益匹配模型对所述目标用户进行权益匹配。
一实施例中，建立所述用户权益匹配模型的方法包括以下步骤：
根据预生成权益资源库以及所述历史兑换权益数据生成训练数据；
利用卷积神经网络生成所述用户权益匹配模型的初始模型；
利用所述训练数据对所述初始模型进行训练，以生成所述用户权益匹配模型。
一实施例中，所述根据预生成权益资源库以及所述历史兑换权益数据生成训练数据，包括：
根据所述权益资源库构建权益知识图谱；
根据目标客户历史兑换权益数据构建初始客户知识图谱；
根据所述权益知识图谱以及所述初始客户知识图谱构建客户权益训练图谱。
一实施例中，所述根据所述权益资源库构建权益知识图谱包括：
拆分所述权益资源库中的权益信息为结构化数据以及非结构化数据；
根据所述结构化数据以及非结构化数据构建权益知识图谱。
一实施例中，用户权益匹配方法还包括：
获取所述目标客户的关联客户信息；
根据所述关联客户信息构建目标客户知识图谱。
一实施例中，所述利用所述训练数据对所述初始模型进行训练，以生成所述用户权益匹配模型包括：
以所述目标客户知识图谱生成训练结束条件；
根据所述训练结束条件以及所述客户权益训练图谱对所述初始模型进行训练，以生成用户权益匹配模型。
一实施例中，所述根据所述训练结束条件以及所述客户权益训练图谱对所述初始模型进行训练，以生成用户权益匹配模型，包括：
将所述客户权益训练图谱中实体以及关系通过不同的映射矩阵映射到空间向量中进行标识，以生成预生成的卷积神经网络初始模型的输入数据；
将所述输入数据输入至所述初始模型中，以训练所述初始模型；
当达到所述训练结束条件时，训练结束，以生成所述用户权益匹配模型。
一实施例中，用户权益匹配方法还包括：
获取所述目标用户对其匹配权益的使用数据以及反馈信息；
根据所述使用数据以及所述反馈信息对所述用户权益匹配模型进行迭代优化。
第二方面，本发明提供一种用户权益匹配装置，包括：
用户数据获取模块，用于获取目标用户的用户数据以及所述目标用户的历史兑换权益数据；
权益匹配模块，用于根据所述用户数据、所述历史兑换权益数据以及基于神经网络预先建立的用户权益匹配模型对所述目标用户进行权益匹配。
一实施例中，用户权益匹配装置还包括：匹配模型建立模块，用于建立所述用户权益匹配模型，所述匹配模型建立模块包括：
训练数据生成单元，用于根据预生成权益资源库以及所述历史兑换权益数据生成训练数据；
初始模型生成单元，用于利用卷积神经网络生成所述用户权益匹配模型的初始模型；
匹配模型建立单元，用于利用所述训练数据对所述初始模型进行训练，以生成所述用户权益匹配模型。
一实施例中，所述训练数据生成单元包括：
权益图谱构建单元，用于根据所述权益资源库构建权益知识图谱；
初始图谱构建单元，用于根据目标客户历史兑换权益数据构建初始客户知识图谱；
训练图谱构建单元，用于根据所述权益知识图谱以及所述初始客户知识图谱构建客户权益训练图谱。
一实施例中，所述权益图谱构建单元包括：
权益信息拆分单元，用于拆分所述权益资源库中的权益信息为结构化数据以及非结构化数据；
权益图谱构建子单元，用于根据所述结构化数据以及非结构化数据构建权益知识图谱。
一实施例中，用户权益匹配装置还包括：
关联客户信息获取模块，用于获取所述目标客户的关联客户信息；
目标客户图谱获取模块，用于根据所述关联客户信息构建目标客户知识图谱。
一实施例中，所述匹配模型建立单元包括：
结束条件生成单元，用于以所述目标客户知识图谱生成训练结束条件；
匹配模型建立子单元，用于根据所述训练结束条件以及所述客户权益训练图谱对所述初始模型进行训练，以生成用户权益匹配模型。
一实施例中，所述匹配模型建立子单元包括：
输入数据生成单元，用于将所述客户权益训练图谱中实体以及关系通过不同的映射矩阵映射到空间向量中进行标识，以生成预生成的卷积神经网络初始模型的输入数据；
模型训练单元，用于将所述输入数据输入至所述初始模型中，以训练所述初始模型；
目标模型生成单元，用于当达到所述训练结束条件时，训练结束，以生成所述用户权益匹配模型。
一实施例中，用户权益匹配装置还包括：
反馈信息获取模块，用于获取所述目标用户对其匹配权益的使用数据以及反馈信息；
模型优化模块，用于根据所述使用数据以及所述反馈信息对所述用户权益匹配模型进行迭代优化。
第三方面，本发明提供一种电子设备，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，处理器执行程序时实现用户权益匹配方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现用户权益匹配方法的步骤。
从上述描述可知，本发明实施例提供的用户权益匹配方法及装置，首先获取目标用户的用户数据以及目标用户的历史兑换权益数据；最后根据用户数据、历史兑换权益数据以及基于神经网络预先建立的用户权益匹配模型对目标用户进行权益匹配。本发明提供的深度学习和资源匹配模型，将权益资源、用户、关联用户三者建立了关系，提供了更具有广泛性和迭代优化机制的权益匹配方法。一方面可以充分利用权益库资源，使得各类权益资源均被释放；另一方面，向用户推送更加具有针对性的权益福利，更满足客户的真实需求，减少用户查找时间，提升用户体验。同时，本发明基于知识图谱技术，可以将用户与用户，用户和权益隐藏关系联系在一起，从而可以辅助推送更加精准，并做到推送结果有迹可循。
附图说明
为了更清楚地说明本发明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，下面描述中的附图是本发明的一些实施例，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为本发明的实施例中用户权益匹配方法流程示意图一；
图2为本发明的实施例中用户权益匹配方法流程示意图二；
图3为本发明的实施例中用户权益匹配方法中步骤300的流程示意图；
图4为本发明的实施例中用户权益匹配方法中步骤301的流程示意图；
图5为本发明的实施例中用户权益匹配方法中步骤3011的流程示意图；
图6为本发明的实施例中用户权益匹配方法流程示意图三；
图7为本发明的实施例中用户权益匹配方法中步骤303的流程示意图；
图8为本发明的实施例中用户权益匹配方法中步骤3032的流程示意图；
图9为本发明的实施例中用户权益匹配方法流程示意图四；
图10为本发明的具体应用实例中用户权益匹配方法流程示意图；
图11为本发明的具体应用实例中用户权益匹配装置的结构示意图一；
图12为本发明的具体应用实例中用户权益匹配装置的结构示意图二；
图13为本发明的具体应用实例中匹配模型建立模块30的结构示意图；
图14为本发明的具体应用实例中训练数据生成单元301的结构示意图；
图15为本发明的具体应用实例中权益图谱构建单元3011的结构示意图；
图16为本发明的具体应用实例中用户权益匹配装置的结构示意图三；
图17为本发明的具体应用实例中匹配模型建立单元303的结构示意图；
图18为本发明的具体应用实例中匹配模型建立子单元3032的结构示意图；
图19为本发明的具体应用实例中用户权益匹配装置的结构示意图四；
图20为本发明的实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的实施例提供一种用户权益匹配方法的具体实施方式，参见图1，该方法具体包括如下内容：
步骤100：获取目标用户的用户数据以及所述目标用户的历史兑换权益数据。
现有的权益推荐方法在分析手段上仅关注单一客户与产品间的关系，没有充分延伸至历史下单客户的关联客户，更没有挖掘关联客户与产品间的关系。故需要将用户数据以及该用户的历史兑换权益数据建立关联。用户数据包括：客户性别、年龄、职业、客户等级，历史兑换权益数据包括：已兑换的权益种类、权益名称等等。
步骤200：根据所述用户数据、所述历史兑换权益数据以及基于神经网络预先建立的用户权益匹配模型对所述目标用户进行权益匹配。
具体地，将用户数据、历史兑换权益数据输入至用户权益匹配模型中，以确定最适合该目标用户的权益，以增加用户粘度。
可以理解的是，神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。人工神经网络具有四个基本特征：
(1)非线性非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。
(2)非局限性。一个神经网络通常由多个神经元广泛连接而成。一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。联想记忆是非局限性的典型例子。
(3)非常定性。人工神经网络具有自适应、自组织、自学习能力。神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程。
(4)非凸性。一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。例如能量函数，它的极值相应于系统比较稳定的状态。非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。
人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。人工神经网络是一种非程序化、适应性、大脑风格的信息处理，其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理功能。它是涉及神经科学、思维科学、人工智能、计算机科学等多个领域的交叉学科。
从上述描述可知，本发明实施例提供的用户权益匹配方法及装置，首先获取目标用户的用户数据以及目标用户的历史兑换权益数据；最后根据用户数据、历史兑换权益数据以及基于神经网络预先建立的用户权益匹配模型对目标用户进行权益匹配。本发明提出一种通过知识图谱构建关联关系，并利用卷积神经网络、注意力机制进行深度学习的模型，能够通过客户历史兑换权益的记录，通过模型将合适的权益推荐给更多的关联客户，并通过反馈机制不断优化学习模型，以提升权益匹配度及权益兑换效果。
一实施例中，参见图2，用户权益匹配方法还包括：
步骤300：建立所述用户权益匹配模型。参见图3，步骤300进一步包括：
步骤301：根据预生成权益资源库以及所述历史兑换权益数据生成训练数据；
该权益资源库一般是汇总各个商家的权益信息形成的，历史兑换权益数据是指目标用户已经兑换过的权益数据。
步骤302：利用卷积神经网络生成所述用户权益匹配模型的初始模型；
可以理解的是，卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为平移不变人工神经网络。
步骤303：利用所述训练数据对所述初始模型进行训练，以生成所述用户权益匹配模型。
可以理解的是，步骤303在实施时，还需要设定一定的训练结束条件，如训练时间、训练次数等。
一实施例中，参见图4，步骤301包括：
步骤3011：根据所述权益资源库构建权益知识图谱；
具体地，利用数据抽取技术包括实体抽取、关系抽取、属性抽取进行信息提取。并利用知识融合技术构建以权益服务为节点，相关功能特点等因素为边的权益图谱。图谱节点包括(服务商、权益种类、服务客户等级等)
步骤3012：根据目标客户历史兑换权益数据构建初始客户知识图谱；
具体地，运用大数据根据已建立的权益知识图谱，筛选出历史兑换过各类权益的客户数据，构建初始客户知识图谱。图谱的节点包括(客户性别、年龄、职业、客户等级、已兑换的权益种类等)，在一种特殊情况下，该目标客户为新客户，即不存在该目标客户的历史兑换权益数据，则挖掘该目标客户的关联客户的历史兑换权益数据，以此构建该目标用户的初始客户知识图谱。
步骤3013：根据所述权益知识图谱以及所述初始客户知识图谱构建客户权益训练图谱。
具体地，通过构建映射关系，将权益知识图谱的数据和初始客户知识图谱的数据进行融合，得到客户权益训练图谱。例如：将初始客户知识图谱中客户兑换的某个权益和权益知识图谱中的权益进行信息匹配，如果指向共同的权益实体，则可以通过知识合并的技术对信息进行融合，形成客户权益训练图谱。
一实施例中，参见图5，步骤3011包括：
步骤30111：拆分所述权益资源库中的权益信息为结构化数据以及非结构化数据；
通过权益数据库拆分权益数据信息，包括服务商、服务内容、服务时间、服务客户等级等结构化数据，以及服务网页图片、视频类型等非结构化数据。
步骤30112：根据所述结构化数据以及非结构化数据构建权益知识图谱。
一实施例中，参见图6，用户权益匹配方法还包括：
步骤400：获取所述目标客户的关联客户信息；
步骤500：根据所述关联客户信息构建目标客户知识图谱。
在步骤400以及步骤500中，首先获取目标客户的关联客户，通过客户画像、历史行为分析、非金融服务下单记录，构建目标客户知识图谱。图谱的节点包括(关联客户的性别、年龄、职业、非金融偏好等)
一实施例中，参见图7，步骤303进一步包括：
步骤3031：以所述目标客户知识图谱生成训练结束条件；
步骤3032：根据所述训练结束条件以及所述客户权益训练图谱对所述初始模型进行训练，以生成用户权益匹配模型。
一实施例中，参见图8，步骤3032进一步包括：
步骤30321：将所述客户权益训练图谱中实体以及关系通过不同的映射矩阵映射到空间向量中进行标识，以生成预生成的卷积神经网络初始模型的输入数据；
步骤30322：将所述输入数据输入至所述初始模型中，以训练所述初始模型；
步骤30323：当达到所述训练结束条件时，训练结束，以生成所述用户权益匹配模型。
在步骤30321至步骤30323中，将知识图谱中实体和关系通过不同的映射矩阵，映射到空间向量中进行表示。例如：<客户A，预定，接送机服务>对应的三元组为<h,r,t>,h和t为的头实体向量和尾实体向量，此向量通过word2vec模型训练得到，r为对应的关系向量。通过关系向量r和头向量h计算得到头实体向量的映射函数Mrh；利用尾实体向量t和关系向量r计算得到尾实体向量的映射函数Mrt。通过不同的映射矩阵Mrh和Mrt映射后分别得到头实体和尾实体向量h⊥＝Mrhh和t⊥＝Mrht，h⊥+r≈t⊥。模型的损失函数
Figure BDA0003050388840000101
通过最小化损失函数得到对应的向量值。
客户权益训练图谱作为存量的客户权益数据，通过向量化表示模型得到客户权益的实体向量h1,t1,h2,t2,…和关系向量r1,r2,r3,…；目标客户形成的目标客户知识图谱作为目标预测数据，通过向量化表示模型得到客户的实体向量和关系向量。由此得到的实体和关系的向量可以作为权益匹配模型的输入。
一实施例中，步骤200进一步包括：
步骤201：根据所述用户数据、所述历史兑换权益数据以及所述用户权益匹配模型确定多个可选用户权益；
步骤202：将所述多个可选用户权益输入至基于注意力机制预先建立的注意力机制中，以确定最佳用户权益。
在步骤201以及步骤202中，将卷积神经网络的输出的特征向量作为模型的输入向量。通过注意力机制衡量不同权益的重要程度，赋予不同注意力权重分值α。例如,权益特征向量矩阵(s1,s2,s3…)和客户特征向量m，利用e(si,m)函数计算存量的各个权益s与当前客户m状态的“相关度”,相关度函数可以通过点乘得到e(s,m)＝sTm。根据相关度函数，通过softmax来计算各个权益向量的权重
Figure BDA0003050388840000102
根据α权重值的大小来判断存量的权益信息和目标客户的匹配程度，将权重最大的权益s即可作为客户最匹配的权益输出。
一实施例中，参见图9，用户权益匹配方法还包括：
步骤600：获取所述目标用户对其匹配权益的使用数据以及反馈信息；
步骤700：根据所述使用数据以及所述反馈信息对所述用户权益匹配模型进行迭代优化。
在步骤600以及步骤700中，记录客户对系统提供匹配权益的反馈信息以及客户的浏览次数、咨询次数、申请频次和使用频次等信息。推送结果数据可以作为初始客户知识图谱的新增数据，进行知识更新，作为模型训练的样本，对模型进行迭代优化。
为进一步地说明本方案，本发明还提供用户权益匹配方法的具体应用实例。
在本具体应用实例中，还提供一种用户权益匹配系统，该系统包括：数据获取模块以及匹配系统模型模块。进一步地，数据获取模块又包括：权益生成单元、权益数据拆分单元、权益知识图谱构建单元、初始数据获取单元、关联客户图谱构建单元以及历史数据训练模型单元。匹配系统模型模块包括：知识图谱向量表示模块、权益匹配模块以及结果反馈模块，具体地：
一、数据获取模块：
1、权益生成单元：用于汇总各个商户的权益信息，生成权益库；
2、权益数据拆分单元：通过权益数据库拆分权益数据信息，包括服务商、服务内容、服务时间、服务客户等级等结构化数据，以及服务网页图片、视频类型等非结构化数据。
3、权益知识图谱构建单元：利用数据抽取技术包括实体抽取、关系抽取、属性抽取进行信息提取。并利用知识融合技术构建以权益服务为节点，相关功能特点等因素为边的权益图谱A。图谱节点包括(服务商、权益种类、服务客户等级等)
4、初始数据获取单元：运用大数据根据已建立的权益知识图谱，筛选出历史兑换过各类权益的客户数据，构建初始客户知识图谱B1。图谱的节点包括(客户性别、年龄、职业、客户等级、已兑换的权益种类等)
5、关联客户图谱构建单元：获取初始数据的关联客户，通过客户画像、历史行为分析、非金融服务下单记录，构建目标客户知识图谱B2。图谱的节点包括(关联客户的性别、年龄、职业、非金融偏好等)
6、历史数据训练模型单元：通过构建映射关系，将权益图谱A的数据和初始客户图谱B1的数据进行融合，得到客户权益训练图谱C。例如：将图谱B1中客户兑换的某个权益和图谱A中的权益进行信息匹配，如果指向共同的权益实体，则可以通过知识合并的技术对信息进行融合，形成客户权益训练图谱C。
二、匹配系统模型模块：
1、知识图谱向量表示模块：
1)向量表示模型：将知识图谱中实体和关系通过不同的映射矩阵，映射到空间向量中进行表示。例如：<客户A，预定，接送机服务>对应的三元组为<h,r,t>,h和t为的头实体向量和尾实体向量，此向量通过word2vec模型训练得到，r为对应的关系向量。通过关系向量r和头向量h计算得到头实体向量的映射函数Mrh；利用尾实体向量t和关系向量r计算得到尾实体向量的映射函数Mrt。通过不同的映射矩阵Mrh和Mrt映射后分别得到头实体和尾实体向量h⊥＝Mrhh和t⊥＝Mrht，h⊥+r≈t⊥。模型的损失函数
Figure BDA0003050388840000121
通过最小化损失函数得到对应的向量值。
2)知识图谱实体和关系向量化：客户权益训练图谱C作为存量的客户权益数据，通过向量化表示模型得到客户权益的实体向量h1,t1,h2,t2,…和关系向量r1,r2,r3,…；目标客户形成的客户知识图谱B2作为目标预测数据，通过向量化表示模型得到客户的实体向量和关系向量。此模块得到的实体和关系的向量可以作为权益匹配模型的输入。
2、权益匹配模块：
1)卷积神经网络模型：为了使卷积神经网络更加具有鲁棒性，此模型采用深度为3的多通道卷积层。将word2vec模型训练得到的初始实体和关系向量作为卷积层的第1通道输入；通过知识图谱向量表示模块的输出实体和关系向量作为卷积层的第2通道输入；知识图谱中实体相连接尾实体向量取均值得到的实体向量，作为卷积层的第3通道输入，例如<h1,r1,t1>和<h1,r2,t2>可以将向量t1和t2取均值作为h1的尾实体向量。将目标客户向量数据和存量的客户权益向量的数据分别输入卷积神经网络模型，通过不同的卷积通道进行特征的提取。其中池化层采用最大池化的方法，降低矩阵的维度，最后得到池化层的输出向量。输出包括目标客户特征向量m和训练样本存量的客户权益特征向量s1,s2,s3…，作为注意力机制模型的输入。
2)注意力机制模型：将卷积神经网络的输出的特征向量作为模型的输入向量。通过注意力机制衡量不同权益的重要程度，赋予不同注意力权重分值α。例如,权益特征向量矩阵(s1,s2,s3…)和客户特征向量m，利用e(si,m)函数计算存量的各个权益s与当前客户m状态的“相关度”,相关度函数可以通过点乘得到e(s,m)＝sTm。根据相关度函数，通过softmax来计算各个权益向量的权重
Figure BDA0003050388840000131
根据α权重值的大小来判断存量的权益信息和目标客户的匹配程度，将权重最大的权益s即可作为客户最匹配的权益输出。
3、结果反馈模块：
记录客户对系统提供匹配权益的反馈信息以及客户的浏览次数、咨询次数、申请频次和使用频次等信息。推送结果数据可以作为知识图谱B1的新增数据，进行知识更新，作为模型训练的样本，对模型进行迭代优化。
参见图10，基于上述的用户权益匹配系统，本发明具体应用实例所提供的用户权益匹配方法包括：
S1：获取商户权益信息，生成权益资源库。
S2：拆分权益信息，权益信息包括结构化数据和非结构化数据，并以此构建权益知识图谱A。
S3：获取历史兑换过权益的客户数据，以此构建初始客户知识图谱B1。
S4：获取目标客户的关联客户，构建目标客户知识图谱B2。
S5：将权益知识图谱A初始客户知识图谱B1融合，形成客户权益训练图谱C。
S6：将知识图谱中实体和关系通过不同的映射矩阵，映射到空间向量中进行标识。
S7：通过向量化表示模型得到客户的实体向量和关系向量，作为权益匹配模型的输入。
S8：采用深度为3的多通道卷积层，将目标客户向量数据和存量的客户权益向量的数据分别输入卷积神经网络模型，通过不同的卷积通道进行特征提取，作为注意力机制模型的输入。
S9：通过注意力机制衡量不同权益的重要程度，赋予不同注意力权重分值α，将权重最大的权益作s为客户最匹配的权益输出。
S10：记录客户对系统提供匹配权益的反馈信息，结果数据可以作为知识图谱的新能数据，进行模型迭代优化。
从上述描述可知，本发明实施例提供的用户权益匹配方法，首先获取目标用户的用户数据以及目标用户的历史兑换权益数据；最后根据用户数据、历史兑换权益数据以及基于神经网络预先建立的用户权益匹配模型对目标用户进行权益匹配。本发明提供的深度学习和资源匹配模型，将权益资源、用户、关联用户三者建立了关系，提供了更具有广泛性和迭代优化机制的权益匹配方法。一方面可以充分利用权益库资源，使得各类权益资源均被释放；另一方面，向用户推送更加具有针对性的权益福利，更满足客户的真实需求，减少用户查找时间，提升用户体验。同时，本发明基于知识图谱技术，可以将用户与用户，用户和权益隐藏关系联系在一起，从而可以辅助推送更加精准，并做到推送结果有迹可循。
基于同一发明构思，本申请实施例还提供了一种用户权益匹配装置，可以用于实现上述实施例所描述的方法，如下面的实施例。由于用户权益匹配装置解决问题的原理与用户权益匹配方法相似，因此用户权益匹配装置的实施可以参见用户权益匹配方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本发明的实施例提供一种能够实现用户权益匹配方法的用户权益匹配装置的具体实施方式，参见图11，用户权益匹配装置具体包括如下内容：
用户数据获取模块10，用于获取目标用户的用户数据以及所述目标用户的历史兑换权益数据；
权益匹配模块20，用于根据所述用户数据、所述历史兑换权益数据以及基于神经网络预先建立的用户权益匹配模型对所述目标用户进行权益匹配。
一实施例中，参见图12，用户权益匹配装置还包括：匹配模型建立模块30，用于建立所述用户权益匹配模型，参见图13，所述匹配模型建立模块30包括：
训练数据生成单元301，用于根据预生成权益资源库以及所述历史兑换权益数据生成训练数据；
初始模型生成单元302，用于利用卷积神经网络生成所述用户权益匹配模型的初始模型；
匹配模型建立单元303，用于利用所述训练数据对所述初始模型进行训练，以生成所述用户权益匹配模型。
一实施例中，参见图14，所述训练数据生成单元301包括：
权益图谱构建单元3011，用于根据所述权益资源库构建权益知识图谱；
初始图谱构建单元3012，用于根据目标客户历史兑换权益数据构建初始客户知识图谱；
训练图谱构建单元3013，用于根据所述权益知识图谱以及所述初始客户知识图谱构建客户权益训练图谱。
一实施例中，参见图15，所述权益图谱构建单元3011包括：
权益信息拆分单元30111，用于拆分所述权益资源库中的权益信息为结构化数据以及非结构化数据；
权益图谱构建子单元30112，用于根据所述结构化数据以及非结构化数据构建权益知识图谱。
一实施例中，参见图16，用户权益匹配装置还包括：
关联客户信息获取模块40，用于获取所述目标客户的关联客户信息；
目标客户图谱获取模块50，用于根据所述关联客户信息构建目标客户知识图谱。
一实施例中，参见图17，所述匹配模型建立单元303包括：
结束条件生成单元3031，用于以所述目标客户知识图谱生成训练结束条件；
匹配模型建立子单元3032，用于根据所述训练结束条件以及所述客户权益训练图谱对所述初始模型进行训练，以生成用户权益匹配模型。
一实施例中，参见图18，所述匹配模型建立子单元3032包括：
输入数据生成单元30321，用于将所述客户权益训练图谱中实体以及关系通过不同的映射矩阵映射到空间向量中进行标识，以生成预生成的卷积神经网络初始模型的输入数据；
模型训练单元30322，用于将所述输入数据输入至所述初始模型中，以训练所述初始模型；
目标模型生成单元30323，用于当达到所述训练结束条件时，训练结束，以生成所述用户权益匹配模型。
一实施例中，参见图19，用户权益匹配装置还包括：
反馈信息获取模块60，用于获取所述目标用户对其匹配权益的使用数据以及反馈信息；
模型优化模块70，用于根据所述使用数据以及所述反馈信息对所述用户权益匹配模型进行迭代优化。
从上述描述可知，本发明实施例提供的用户权益匹配装置，首先获取目标用户的用户数据以及目标用户的历史兑换权益数据；最后根据用户数据、历史兑换权益数据以及基于神经网络预先建立的用户权益匹配模型对目标用户进行权益匹配。本发明提供的深度学习和资源匹配模型，将权益资源、用户、关联用户三者建立了关系，提供了更具有广泛性和迭代优化机制的权益匹配方法。一方面可以充分利用权益库资源，使得各类权益资源均被释放；另一方面，向用户推送更加具有针对性的权益福利，更满足客户的真实需求，减少用户查找时间，提升用户体验。同时，本发明基于知识图谱技术，可以将用户与用户，用户和权益隐藏关系联系在一起，从而可以辅助推送更加精准，并做到推送结果有迹可循。
下面参考图20，其示出了适于用来实现本申请实施例的电子设备600的结构示意图。
如图20所示，电子设备600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM))603中的程序而执行各种适当的工作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；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607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于数据机房场景下的人员距离确定方法的步骤，该步骤包括：
步骤100：接收待升级应用的原生负载均衡模型以及目标镜像版本；
步骤200：确定所述原生负载均衡模型所对应的pod列表；
步骤300：根据所述pod列表修改pod文件中的镜像文件为目标镜像版本。
在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、商品或者设备中还存在另外的相同要素。
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。
以上该仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (13)

1.一种用户权益匹配方法，其特征在于，包括：
获取目标用户的用户数据以及所述目标用户的历史兑换权益数据；
根据所述用户数据、所述历史兑换权益数据以及基于神经网络预先建立的用户权益匹配模型对所述目标用户进行权益匹配。
2.根据权利要求1所述的用户权益匹配方法，其特征在于，建立所述用户权益匹配模型的方法包括以下步骤：
根据预生成权益资源库以及所述历史兑换权益数据生成训练数据；
利用卷积神经网络生成所述用户权益匹配模型的初始模型；
利用所述训练数据对所述初始模型进行训练，以生成所述用户权益匹配模型。
3.根据权利要求2所述的用户权益匹配方法，其特征在于，所述根据预生成权益资源库以及所述历史兑换权益数据生成训练数据，包括：
根据所述权益资源库构建权益知识图谱；
根据目标客户历史兑换权益数据构建初始客户知识图谱；
根据所述权益知识图谱以及所述初始客户知识图谱构建客户权益训练图谱。
4.根据权利要求3所述的用户权益匹配方法，其特征在于，所述根据所述权益资源库构建权益知识图谱包括：
拆分所述权益资源库中的权益信息为结构化数据以及非结构化数据；
根据所述结构化数据以及非结构化数据构建权益知识图谱。
5.根据权利要求4所述的用户权益匹配方法，其特征在于，还包括：
获取所述目标客户的关联客户信息；
根据所述关联客户信息构建目标客户知识图谱。
6.根据权利要求5所述的用户权益匹配方法，其特征在于，所述利用所述训练数据对所述初始模型进行训练，以生成所述用户权益匹配模型包括：
以所述目标客户知识图谱生成训练结束条件；
根据所述训练结束条件以及所述客户权益训练图谱对所述初始模型进行训练，以生成用户权益匹配模型。
7.根据权利要求6所述的用户权益匹配方法，其特征在于，所述根据所述训练结束条件以及所述客户权益训练图谱对所述初始模型进行训练，以生成用户权益匹配模型，包括：
将所述客户权益训练图谱中实体以及关系通过不同的映射矩阵映射到空间向量中进行标识，以生成预生成的卷积神经网络初始模型的输入数据；
将所述输入数据输入至所述初始模型中，以训练所述初始模型；
当达到所述训练结束条件时，训练结束，以生成所述用户权益匹配模型。
8.根据权利要求1所述的用户权益匹配方法，其特征在于，根据所述用户数据、所述历史兑换权益数据以及基于神经网络预先建立的用户权益匹配模型对所述目标用户进行权益匹配，包括：
根据所述用户数据、所述历史兑换权益数据以及所述用户权益匹配模型确定多个可选用户权益；
将所述多个可选用户权益输入至基于注意力机制预先建立的注意力机制中，以确定最佳用户权益。
9.根据权利要求1所述的用户权益匹配方法，其特征在于，还包括：
获取所述目标用户对其匹配权益的使用数据以及反馈信息；
根据所述使用数据以及所述反馈信息对所述用户权益匹配模型进行迭代优化。
10.一种用户权益匹配装置，其特征在于，包括：
用户数据获取模块，用于获取目标用户的用户数据以及所述目标用户的历史兑换权益数据；
权益匹配模块，用于根据所述用户数据、所述历史兑换权益数据以及基于神经网络预先建立的用户权益匹配模型对所述目标用户进行权益匹配。
11.根据权利要求10所述的用户权益匹配装置，其特征在于，还包括：匹配模型建立模块，用于建立所述用户权益匹配模型，所述匹配模型建立模块包括：
训练数据生成单元，用于根据预生成权益资源库以及所述历史兑换权益数据生成训练数据；
初始模型生成单元，用于利用卷积神经网络生成所述用户权益匹配模型的初始模型；
匹配模型建立单元，用于利用所述训练数据对所述初始模型进行训练，以生成所述用户权益匹配模型。
12.一种电子设备，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至9任一项所述用户权益匹配方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至9任一项所述用户权益匹配方法的步骤。
CN202110486186.6A 2021-04-30 2021-04-30 用户权益匹配方法及装置 Pending CN113032583A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110486186.6A CN113032583A (zh) 2021-04-30 2021-04-30 用户权益匹配方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110486186.6A CN113032583A (zh) 2021-04-30 2021-04-30 用户权益匹配方法及装置

Publications (1)

Publication Number Publication Date
CN113032583A true CN113032583A (zh) 2021-06-25

Family

ID=76454901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110486186.6A Pending CN113032583A (zh) 2021-04-30 2021-04-30 用户权益匹配方法及装置

Country Status (1)

Country Link
CN (1) CN113032583A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344597A (zh) * 2021-06-29 2021-09-03 中国平安人寿保险股份有限公司 客户权益的管理方法、装置、设备及存储介质
CN113706204A (zh) * 2021-08-31 2021-11-26 中国平安财产保险股份有限公司 基于深度学习的权益发放方法、装置、设备及存储介质
CN118446744A (zh) * 2024-05-23 2024-08-06 广东优识科技股份有限公司 基于人工智能的权益数据转换方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876463A (zh) * 2018-06-26 2018-11-23 中国联合网络通信集团有限公司 权益兑换方法、装置和存储介质
CN112084383A (zh) * 2020-09-07 2020-12-15 中国平安财产保险股份有限公司 基于知识图谱的信息推荐方法、装置、设备及存储介质
CN112163879A (zh) * 2020-09-18 2021-01-01 深圳市分期乐网络科技有限公司 用户权益推送方法、装置、服务器及存储介质
CN112232925A (zh) * 2020-11-02 2021-01-15 哈尔滨工程大学 一种融合知识图谱对商品进行个性化推荐的方法
CN112289439A (zh) * 2020-11-17 2021-01-29 北京沃东天骏信息技术有限公司 权益兑换方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876463A (zh) * 2018-06-26 2018-11-23 中国联合网络通信集团有限公司 权益兑换方法、装置和存储介质
CN112084383A (zh) * 2020-09-07 2020-12-15 中国平安财产保险股份有限公司 基于知识图谱的信息推荐方法、装置、设备及存储介质
CN112163879A (zh) * 2020-09-18 2021-01-01 深圳市分期乐网络科技有限公司 用户权益推送方法、装置、服务器及存储介质
CN112232925A (zh) * 2020-11-02 2021-01-15 哈尔滨工程大学 一种融合知识图谱对商品进行个性化推荐的方法
CN112289439A (zh) * 2020-11-17 2021-01-29 北京沃东天骏信息技术有限公司 权益兑换方法和装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344597A (zh) * 2021-06-29 2021-09-03 中国平安人寿保险股份有限公司 客户权益的管理方法、装置、设备及存储介质
CN113344597B (zh) * 2021-06-29 2023-02-03 中国平安人寿保险股份有限公司 客户权益的管理方法、装置、设备及存储介质
CN113706204A (zh) * 2021-08-31 2021-11-26 中国平安财产保险股份有限公司 基于深度学习的权益发放方法、装置、设备及存储介质
CN113706204B (zh) * 2021-08-31 2024-04-05 中国平安财产保险股份有限公司 基于深度学习的权益发放方法、装置、设备及存储介质
CN118446744A (zh) * 2024-05-23 2024-08-06 广东优识科技股份有限公司 基于人工智能的权益数据转换方法及系统

Similar Documents

Publication Publication Date Title
US10614381B2 (en) Personalizing user experiences with electronic content based on user representations learned from application usage data
CN113032583A (zh) 用户权益匹配方法及装置
Chen et al. Design and implementation of bank CRM system based on decision tree algorithm
CN111708950A (zh) 内容推荐方法、装置及电子设备
CN111061962A (zh) 一种基于用户评分分析的推荐方法
JP6819355B2 (ja) レコメンデーション生成
CN113127754A (zh) 一种基于知识图谱的供应商推荐方法
CN115631008B (zh) 商品推荐方法、装置、设备及介质
Dhillon et al. Modeling dynamic user interests: A neural matrix factorization approach
CN113360777A (zh) 内容推荐模型训练方法、内容推荐方法及相关设备
Ambulgekar et al. A survey on collaborative filtering: tasks, approaches and applications
CN115358809A (zh) 一种基于图对比学习的多意图推荐方法及装置
CN114564644A (zh) 模型训练、资源推荐方法、装置、电子设备及存储介质
Liu et al. [Retracted] Deep Learning and Collaborative Filtering‐Based Methods for Students’ Performance Prediction and Course Recommendation
CN114820121A (zh) 一种保险业务推送系统及方法
CN113259163A (zh) 一种基于网络拓扑感知的Web服务质量预测方法及系统
Änäkkälä Exploring value in eCommerce artificial intelligence and recommendation systems
KR20220075623A (ko) 구매상품 리뷰 큐레이션 및 라이브커머스를 통한 상품 구매 방법, 장치 및 프로그램
George et al. Hy-MOM: Hybrid recommender system framework using memory-based and model-based collaborative filtering framework
CN111860870A (zh) 交互行为确定模型的训练方法、装置、设备及介质
WO2023185125A1 (zh) 产品资源的数据处理方法及装置、电子设备、存储介质
CN116186395A (zh) 一种资源推荐、模型训练方法及装置、设备及存储介质
CN114529399A (zh) 用户数据处理方法、装置、计算机设备和存储介质
CN115080856A (zh) 推荐方法及装置、推荐模型的训练方法及装置
CN114596108A (zh) 一种对象推荐方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination