CN113656690B - 产品推荐方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本发明涉及人工智能技术，揭露一种产品推荐方法，包括：对获取的历史数值特征信息进行向量化，得到历史数值特征向量；对获取的历史字符特征信息进行向量化处理，得到历史字符特征向量；将历史数值特征向量及历史字符特征向量进行向量融合，得到对应的融合特征向量；利用融合特征向量对预构建的深度学习模型进行迭代训练，得到产品推荐模型；根据获取的产品推荐请求利用产品推荐模型分析预构建的产品集中每个产品的推荐概率；利用推荐概率对产品集中的产品进行筛选，得到推荐产品。本发明还涉及一种区块链技术，所述用户历史信息可以存储在区块链节点中。本发明还提出一种产品推荐装置、设备以及介质。本发明可以提高产品推荐的准确度。

Description

产品推荐方法、装置、电子设备及可读存储介质

技术领域

本发明涉及人工智能技术，尤其涉及一种产品推荐方法、装置、电子设备及可读存储介质。

背景技术

随着经济的发展，用户对各种产品的购买体验也有越来越高要求，为了用户能有更好的购物体验，需要能够准确的推荐给用户需要的产品，提升用户的购物体验。

但是，目前产品推荐方法大多只能提取用户某一维度的特征进行产品推荐如用户的年龄、性别、工作等，产品匹配的维度较为单一，产品推荐的准确率低。

发明内容

本发明提供一种产品推荐方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高产品推荐的准确度。

为实现上述目的，本发明提供的一种产品推荐方法，包括：

获取产品集及用户历史信息集，其中，所述用户历史信息集中每个用户历史信息包括历史数值特征信息及历史字符特征信息；

对所述历史数值特征信息进行归一化处理，并根据归一化处理的结果进行向量构建，得到历史数值特征向量；

对所述历史字符特征信息进行向量化处理，得到历史字符特征向量；

将每个所述用户历史信息对应的历史数值特征向量及历史字符特征向量进行向量融合，得到对应的融合特征向量；

利用所述用户历史信息对所述融合特征向量进行产品购买标签标记，并利用所有标记的融合特征向量对预构建的深度学习模型进行迭代训练，得到产品推荐模型；

当获取产品推荐请求时，根据所述产品推荐请求获取用户特征信息，并根据获取的用户特征信息利用所述产品推荐模型分析所述产品集中每个产品的推荐概率；

利用所述推荐概率及预设推荐阈值对所述产品集中的产品进行筛选，得到推荐产品。

可选地，所述对所述历史数值特征信息进行归一化处理，并根据归一化处理的结果进行向量构建，得到历史数值特征向量，包括：

获取所述历史数值特征信息中的每个用户特征，得到历史数值特征值；

将每个所述历史数值特征值进行归一化，得到第一特征标准值；

根据每个所述历史数值特征信息对应的所有第一特征标准值进行计算，得到所述第二特征标准值；

将所有所述第二特征标准值组合为预设维度的向量，得到所述历史数值特征向量。

可选地，所述对所述历史字符特征信息进行向量化处理，得到历史字符特征向量，包括：

获取所述历史字符特征信息中的每个用户特征，并将获取的用户特征转化为向量，得到用户历史特征向量；

将所有用户历史特征向量按照对应的所述用户特征在预设的用户特征序列中的顺序进行组合，得到用户历史特征矩阵；

筛选所述用户历史特征矩阵中每一列的最大值作为每一列的列特征值；

根据所述用户历史特征矩阵中列的顺序将每一列的列特征值依次进行组合，得到所述历史字符特征向量。

可选地，所述将每个所述用户历史信息对应的历史数值特征向量及历史字符特征向量进行向量融合，得到对应的融合特征向量，包括：

构建所述历史数值特征向量与预设融合特征变量的F范数，得到第一函数；

构建所述历史字符特征向量与所述融合特征变量的F范数，得到第二函数；

根据所述第一函数及所述第二函数进行函数构建，得到目标函数；

计算所述目标函数达到最小值时所述融合特征变量的取值，得到所述融合特征向量。

可选地，所述利用所述用户历史信息对所述融合特征向量进行产品购买标签标记，包括：

查询所述产品集中每个产品在所述用户历史信息中的购买记录；

将购买记录的查询结果转换为对应的逻辑值，得到所述产品集中每个产品的产品购买标签值；

根据每个所述用户历史信息对应的所有产品购买标签值标记对应的所述融合特征向量。

可选地，所述利用所有标记的融合特征向量对预构建的深度学习模型进行迭代训练之前，所述方法还包括：

获取深度神经网络框架；

在所述深度神经网络框架中构建多层全连接层；

在所述多层全连接层后构建决策输出层，得到所述深度学习模型。

可选地，所述利用所述推荐概率及预设推荐阈值对所述产品集中的产品进行筛选，得到推荐产品，包括：

判断所述产品集中是否存在所述推荐概率大于或等于预设阈值的产品；

若所述产品集中存在所述推荐概率大于或等于预设阈值的产品，筛选所述产品集中推荐概率大于或等于预设阈值的产品，得到所述推荐产品；

若所述产品集中不存在所述推荐概率大于或等于预设阈值的产品，筛选所述产品集中最大推荐概率对应的产品，得到所述推荐产品。

为了解决上述问题，本发明还提供一种产品推荐装置，所述装置包括：

特征提取模块，用于获取产品集及用户历史信息集，其中，所述用户历史信息集中每个用户历史信息包括历史数值特征信息及历史字符特征信息；对所述历史数值特征信息进行归一化处理，并根据归一化处理的结果进行向量构建，得到历史数值特征向量；对所述历史字符特征信息进行向量化处理，得到历史字符特征向量；将每个所述用户历史信息对应的历史数值特征向量及历史字符特征向量进行向量融合，得到对应的融合特征向量；

模型训练模块，用于利用所述用户历史信息对所述融合特征向量进行产品购买标签标记，并利用所有标记的融合特征向量对预构建的深度学习模型进行迭代训练，得到产品推荐模型；

产品推荐模块，用于当获取产品推荐请求时，根据所述产品推荐请求获取用户特征信息，根据获取的用户特征信息利用所述产品推荐模型分析所述产品集中每个产品的推荐概率；利用所述推荐概率及预设推荐阈值对所述产品集中的产品进行筛选，得到推荐产品。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个计算机程序；及

处理器，执行所述存储器中存储的计算机程序以实现上述所述的产品推荐方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的产品推荐方法。

本发明实施例将每个所述用户历史信息对应的历史数值特征向量及历史字符特征向量进行向量融合，得到对应的融合特征向量，针对用户不同类型的特征进行分类提取，特征提取的更准确，同时将提取的多维特征进行融合，特征覆盖范围更广，利用融合后的特征进行产品匹配推荐，推荐的准确度更高，因此本发明实施例提出的产品推荐方法、装置、电子设备及可读存储介质提高了产品推荐的准确度。

附图说明

图1为本发明一实施例提供的产品推荐方法的流程示意图；

图2为本发明一实施例提供的产品推荐装置的模块示意图；

图3为本发明一实施例提供的实现产品推荐方法的电子设备的内部结构示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种产品推荐方法。所述产品推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述产品推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示的本发明一实施例提供的产品推荐方法的流程示意图，在本发明实施例中，所述产品推荐方法包括：

S1、获取产品集及用户历史信息集，其中，所述用户历史信息集中每个用户历史信息包括历史数值特征信息及历史字符特征信息；

本发明实施例中所述产品集为包含可以向用户推荐的所有产品的集合；所述用户历史信息集为包含多个用户历史信息的集合，所述用户历史信息为用户购买产品的历史记录，如用户购买的产品为课程，那么所述用户历史信息包括但不限于：用户性别、年龄、职业、城市、区域编号、客户编号、任务编号、机构代码、保额、保费，课程编号、课程时长，其中,年龄、年龄、区域编号、客户编号、任务编号、机构代码、保额、保费，课程编号、课程时长等用数值表示的用户特征为历史数值特征信息，用户性别、职业、城市等用非数值表示的用户特征为历史字符特征信息。

S2、对所述历史数值特征信息进行归一化处理，并根据归一化处理的结果进行向量构建，得到历史数值特征向量；

详细地，本发明实施例中为了避免数据处理过程消耗过多计算资源，同时避免数据分布不均等问题，需要对所述历史数值特征信息进行归一化处理，得到所述历史数值特征向量。

详细地，本发明实施例中对所述历史数值特征信息进行归一化处理，并根据归一化处理的结果进行向量构建得到历史数值特征向量，包括：

步骤I：获取所述历史数值特征信息中的每个用户特征，得到历史数值特征值；

本发明实施例中每个所述历史数值特征信息对应用户特征有一个或多个；例如：获取的用户特征为年龄：23，那么对应的历史数值特征值为23。

步骤II：将每个所述历史数值特征值进行归一化，得到第一特征标准值；

可选地，本发明实施例可利用Z-score算法进行归一化。

步骤III：根据每个所述历史数值特征信息对应的所有第一特征标准值进行计算，得到所述第二特征标准值；

可选地，本发明实施例计算每个所述历史数值特征信息对应的所有第一特征标准值的平均值，得到第二特征标准值；

步骤IV：将所有第二特征标准值组合为预设维度的向量，得到所述用户特征向量。

例如：预设维度为一维向量，那么可以将所有第二特征标准值纵向组合，得到所述用户特征向量。

S3、对所述历史字符特征信息进行向量化处理，得到历史字符特征向量；

详细地，本发明实施例中将所述历史字符特征信息进行向量化处理，得到所述历史字符特征向量，包括：

步骤a：获取所述历史字符特征信息中的每个用户特征，并将获取的用户特征转化为向量，得到用户历史特征向量；

可选地，本发明实施例可利用word2vec模型将获取的用户特征转化为向量。

步骤b：将所有用户历史特征向量按照对应的所述用户特征在预设的用户特征序列中的顺序进行组合，得到用户历史特征矩阵；

可选地，本发明实施例中所述用户特征序列为预构建的用户特征的序列，通过用户特征序列可以防止不同用户历史特征向量组合顺序发生变化，影响向量化处理的结果。

步骤c：筛选所述用户历史特征矩阵中每一列的最大值作为每一列的列特征值；

本发明另一实施例中还可以计算所述用户历史特征矩阵中每一列所有元素的平均值作为每一列的列特征值。

步骤d：根据所述用户历史特征矩阵中列的顺序将每一列的列特征值依次进行组合，得到所述历史字符特征向量。

例如：用户历史特征矩阵为

那么用户历史特征矩阵第一列的列特征值为3，第二列的类特征值为9，第三列的列特征值为6，将每列的列特征值依次组合得到用户向量[3 9 6]。

S4、将每个所述用户历史信息对应的历史数值特征向量及历史字符特征向量进行向量融合，得到对应的融合特征向量；

详细地，本发明实施例中将每个所述用户历史信息对应的历史数值特征向量及历史字符特征向量进行多模态信息融合，得到对应的融合特征向量，包括：

构建所述历史数值特征向量与预设融合特征变量的F范数，得到第一函数；

可选地，所述第一函数如下所示：

其中，x为历史数值特征向量。

构建所述历史字符特征向量与所述融合特征变量的F范数，得到第二函数；

可选地，所述第二函数如下所示：

其中，y为历史字符特征向量。

根据所述第一函数及所述第二函数进行函数构建，得到目标函数；

可选地，本发明实施例将所述第一函数及所述第二函数进行求和，得到所述目标函数。

计算所述目标函数达到最小值时所述融合特征变量的取值，得到所述融合特征向量。

可利用如下公式

其中，x为历史数值特征向量，y为历史字符特征向量，argmin(z)为所述融合特征向量。

S5、利用所述用户历史信息对所述融合特征向量进行产品购买标签标记，并利用所有标记的融合特征向量对预构建的深度学习模型进行迭代训练，得到产品推荐模型；

详细地，本发明实施例中查询所述用户历史信息中所述产品集中每个产品的购买记录,将购买记录的查询结果转换为对应的逻辑值，得到对应产品的产品购买标签值。

例如：所述产品集中包含产品A、产品B，那么所述用户历史信息中产品A的购买记录查询为无，那么转换为对应的逻辑值为0，得到对应的产品A的产品购买标签值为0；所述用户历史信息中产品B的购买记录为查询为有，那么转换为对应的逻辑值为1，得到对应的产品B的产品购买标签值为1。

可选地，本发明另一实施例中所述用户历史信息可以存储在区块链节点中，利用区块链节点高吞吐的特性，提高数据的取用效率。

本发明实施例将每个所述用户历史信息对应的所有产品购买标签值标记对应的所述融合特征向量。如对应为的产品购买标签值为产品A的产品购买标签值为1，那么标记的标签为:产品A：1.

进一步地，本发明实施例中利用所有标记的所述融合特征向量对预构建的深度学习模型进行迭代训练，包括：

步骤A:利用所述深度学习模型中预设的激活函数计算所述融合特征向量对应的推荐概率值；

可选地，本发明实施例中所述激活函数为sigmod函数，推荐概率值的类别与产品集中的产品类别是相同的。如：产品集中共有产品A和产品B两个产品，那么得到的推荐概率值分别为产品A的推荐概率值及产品B的推荐概率值。

步骤B:根据所述推荐概率值及所述产品购买标签值利用预设的损失函数进行计算，得到损失值，当所述损失值大于或等于预设阈值时，更新所述深度学习模型的模型参数，并返回上述的步骤A，直到所述损失值小于预设阈值时，输出所述深度学习模型，得到所述产品推荐模型。

可选地，本发明实施例中所述损失函数为交叉熵损失函数。

可选地，本发明实施例中所述深度学习模型为人工智能模型，本发明实施例中利用所有标记的所述融合特征向量对预构建的深度学习模型进行迭代训练之前，所述方法还包括：

获取深度神经网络框架；

在所述深度神经网络框架中构建多层全连接层；

在所述多层全连接层后构建决策输出层，得到所述深度学习模型。

本发明其中一个实施例中，所述深度学习包括4层网络结构，第一层为包含128个神经元的全连接层，第二层为包含64个神经元的全连接层，第三层为包含16个神经元的全连接层，第四层为包含1个神经元的全连接层(决策输出层)，其中，第一层、第二层与第三层采用Relu函数作为激活函数，第四层采用Sigmoid函数作为激活函数。

S6、当获取产品推荐请求时，根据所述产品推荐请求获取用户特征信息，并根据获取的用户特征信息利用所述产品推荐模型分析所述产品集中每个产品的推荐概率；

本发明实施例中提取所述产品推荐请求中的用户信息，根据所述用户信息在预设的用户特征信息数据进行匹配查询，得到所述用户特征信息。

详细地，本发明实施例中按照预设的数据类型对所述用户信息进行分类，得到用户数值信息及用户字符信息，其中，所述用户数值信息与所述历史数值特征信息类型相同内容不同，所述用户字符信息与所述历史字符特征信息类型相同内容不同。

进一步地，本发明实施例将所述用户数值信息进行归一化处理，并根据归一化处理的结果进行向量构建，得到第一用户向量；将所述用户字符信息进行向量化处理，得到所述第二用户向量；将所述第一用户向量及所述第二用户向量进行向量融合，得到用户特征向量。

进一步地，本发明实施例将所述用户特征向量输入至所述产品推荐模型，得到所述产品集中每个产品对应的推荐概率。

S7、利用所述推荐概率及预设推荐阈值对所述产品集中的产品进行筛选，得到推荐产品。

详细地，本发明实施例为了挑选所述产品集中符合要求的产品进行推荐，利用所述推荐概率及预设推荐阈值对所述产品集中的产品进行筛选。

详细地，本发明实施例中利用所述推荐概率及预设推荐阈值对所述产品集中的产品进行筛选，包括：

判断所述产品集中是否存在所述推荐概率大于或等于预设阈值的产品；

若所述产品集中存在所述推荐概率大于或等于预设阈值的产品，筛选所述产品集中推荐概率大于或等于预设阈值的产品，得到所述推荐产品；

若所述产品集中不存在所述推荐概率大于或等于预设阈值的产品，筛选所述产品集中最大推荐概率对应的产品，得到所述推荐产品。

进一步地，本发明实施例中将所述推荐产品推送至所述产品推荐请求对应的终端设备。所述终端设备包括：手机、电脑、平板等智能终端。

如图2所示，是本发明产品推荐装置的功能模块图。

本发明所述产品推荐装置100可以安装于电子设备中。根据实现的功能，所述产品推荐装置可以包括特征提取模块101、模型训练模块102、产品推荐模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述特征提取模块101用于获取产品集及用户历史信息集，其中，所述用户历史信息集中每个用户历史信息包括历史数值特征信息及历史字符特征信息；对所述历史数值特征信息进行归一化处理，并根据归一化处理的结果进行向量构建，得到历史数值特征向量；对所述历史字符特征信息进行向量化处理，得到历史字符特征向量；将每个所述用户历史信息对应的历史数值特征向量及历史字符特征向量进行向量融合，得到对应的融合特征向量；

所述模型训练模块102用于利用所述用户历史信息对所述融合特征向量进行产品购买标签标记，并利用所有标记的融合特征向量对预构建的深度学习模型进行迭代训练，得到产品推荐模型；

所述产品推荐模块103用于当获取产品推荐请求时，根据所述产品推荐请求获取用户特征信息，根据获取的用户特征信息利用所述产品推荐模型分析所述产品集中每个产品的推荐概率；利用所述推荐概率及预设推荐阈值对所述产品集中的产品进行筛选，得到推荐产品。

详细地，本发明实施例中所述产品推荐装置100中所述的各模块在使用时采用与上述图1中所述的产品推荐方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图3所示，是本发明实现产品推荐方法的电子设备的结构示意图。

所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如产品推荐程序。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如产品推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如产品推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图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。

图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

可选地，所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。

可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备中的所述存储器11存储的产品推荐程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：

获取产品集及用户历史信息集，其中，所述用户历史信息集中每个用户历史信息包括历史数值特征信息及历史字符特征信息；

对所述历史数值特征信息进行归一化处理，并根据归一化处理的结果进行向量构建，得到历史数值特征向量；

对所述历史字符特征信息进行向量化处理，得到历史字符特征向量；

将每个所述用户历史信息对应的历史数值特征向量及历史字符特征向量进行向量融合，得到对应的融合特征向量；

利用所述用户历史信息对所述融合特征向量进行产品购买标签标记，并利用所有标记的融合特征向量对预构建的深度学习模型进行迭代训练，得到产品推荐模型；

当获取产品推荐请求时，根据所述产品推荐请求获取用户特征信息，并根据获取的用户特征信息利用所述产品推荐模型分析所述产品集中每个产品的推荐概率；

利用所述推荐概率及预设推荐阈值对所述产品集中的产品进行筛选，得到推荐产品。

具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取产品集及用户历史信息集，其中，所述用户历史信息集中每个用户历史信息包括历史数值特征信息及历史字符特征信息；

对所述历史数值特征信息进行归一化处理，并根据归一化处理的结果进行向量构建，得到历史数值特征向量；

对所述历史字符特征信息进行向量化处理，得到历史字符特征向量；

将每个所述用户历史信息对应的历史数值特征向量及历史字符特征向量进行向量融合，得到对应的融合特征向量；

利用所述用户历史信息对所述融合特征向量进行产品购买标签标记，并利用所有标记的融合特征向量对预构建的深度学习模型进行迭代训练，得到产品推荐模型；

当获取产品推荐请求时，根据所述产品推荐请求获取用户特征信息，并根据获取的用户特征信息利用所述产品推荐模型分析所述产品集中每个产品的推荐概率；

利用所述推荐概率及预设推荐阈值对所述产品集中的产品进行筛选，得到推荐产品。

进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (7)

1.一种产品推荐方法，其特征在于，所述方法包括：

获取产品集及用户历史信息集，其中，所述用户历史信息集中每个用户历史信息包括历史数值特征信息及历史字符特征信息；

对所述历史数值特征信息进行归一化处理，并根据归一化处理的结果进行向量构建，得到历史数值特征向量；

对所述历史字符特征信息进行向量化处理，得到历史字符特征向量；

将每个所述用户历史信息对应的历史数值特征向量及历史字符特征向量进行向量融合，得到对应的融合特征向量；

利用所述用户历史信息对所述融合特征向量进行产品购买标签标记，并利用所有标记的融合特征向量对预构建的深度学习模型进行迭代训练，得到产品推荐模型；

当获取产品推荐请求时，根据所述产品推荐请求获取用户特征信息，并根据获取的用户特征信息利用所述产品推荐模型分析所述产品集中每个产品的推荐概率；

利用所述推荐概率及预设推荐阈值对所述产品集中的产品进行筛选，得到推荐产品；

其中，所述对所述历史数值特征信息进行归一化处理，并根据归一化处理的结果进行向量构建，得到历史数值特征向量，包括：获取所述历史数值特征信息中的每个用户特征，得到历史数值特征值；将每个所述历史数值特征值进行归一化，得到第一特征标准值；根据每个所述历史数值特征信息对应的所有第一特征标准值进行计算，得到第二特征标准值；将所有所述第二特征标准值组合为预设维度的向量，得到所述历史数值特征向量；

所述对所述历史字符特征信息进行向量化处理，得到历史字符特征向量，包括：获取所述历史字符特征信息中的每个用户特征，并将获取的用户特征转化为向量，得到用户历史特征向量；将所有用户历史特征向量按照对应的所述用户特征在预设的用户特征序列中的顺序进行组合，得到用户历史特征矩阵；筛选所述用户历史特征矩阵中每一列的最大值作为每一列的列特征值；根据所述用户历史特征矩阵中列的顺序将每一列的列特征值依次进行组合，得到所述历史字符特征向量；

所述将每个所述用户历史信息对应的历史数值特征向量及历史字符特征向量进行向量融合，得到对应的融合特征向量，包括：构建所述历史数值特征向量与预设融合特征变量的F范数，得到第一函数；构建所述历史字符特征向量与所述融合特征变量的F范数，得到第二函数；根据所述第一函数及所述第二函数进行函数构建，得到目标函数；计算所述目标函数达到最小值时所述融合特征变量的取值，得到所述融合特征向量。

2.如权利要求1所述的产品推荐方法，其特征在于，所述利用所述用户历史信息对所述融合特征向量进行产品购买标签标记，包括：

查询所述产品集中每个产品在所述用户历史信息中的购买记录；

将购买记录的查询结果转换为对应的逻辑值，得到所述产品集中每个产品的产品购买标签值；

根据每个所述用户历史信息对应的所有产品购买标签值标记对应的所述融合特征向量。

3.如权利要求1所述的产品推荐方法，其特征在于，所述利用所有标记的融合特征向量对预构建的深度学习模型进行迭代训练之前，所述方法还包括：

获取深度神经网络框架；

在所述深度神经网络框架中构建多层全连接层；

在所述多层全连接层后构建决策输出层，得到所述深度学习模型。

4.如权利要求1至3中任意一项所述的产品推荐方法，其特征在于，所述利用所述推荐概率及预设推荐阈值对所述产品集中的产品进行筛选，得到推荐产品，包括：

判断所述产品集中是否存在所述推荐概率大于或等于预设阈值的产品；

若所述产品集中存在所述推荐概率大于或等于预设阈值的产品，筛选所述产品集中推荐概率大于或等于预设阈值的产品，得到所述推荐产品；

若所述产品集中不存在所述推荐概率大于或等于预设阈值的产品，筛选所述产品集中最大推荐概率对应的产品，得到所述推荐产品。

5.一种产品推荐装置，所述产品推荐装置用于实现如权利要求1至4中任一项所述的产品推荐方法，其特征在于，包括：

特征提取模块，用于获取产品集及用户历史信息集，其中，所述用户历史信息集中每个用户历史信息包括历史数值特征信息及历史字符特征信息；对所述历史数值特征信息进行归一化处理，并根据归一化处理的结果进行向量构建，得到历史数值特征向量；对所述历史字符特征信息进行向量化处理，得到历史字符特征向量；将每个所述用户历史信息对应的历史数值特征向量及历史字符特征向量进行向量融合，得到对应的融合特征向量；

模型训练模块，用于利用所述用户历史信息对所述融合特征向量进行产品购买标签标记，并利用所有标记的融合特征向量对预构建的深度学习模型进行迭代训练，得到产品推荐模型；

产品推荐模块，用于当获取产品推荐请求时，根据所述产品推荐请求获取用户特征信息，根据获取的用户特征信息利用所述产品推荐模型分析所述产品集中每个产品的推荐概率；利用所述推荐概率及预设推荐阈值对所述产品集中的产品进行筛选，得到推荐产品。

6.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4中任一项所述的产品推荐方法。

7.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的产品推荐方法。

Images