CN114037545A - 客户推荐方法、装置、设备及存储介质 - Google Patents

客户推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114037545A
CN114037545A CN202111357561.3A CN202111357561A CN114037545A CN 114037545 A CN114037545 A CN 114037545A CN 202111357561 A CN202111357561 A CN 202111357561A CN 114037545 A CN114037545 A CN 114037545A
Authority
CN
China
Prior art keywords
user
information
text
product
preset
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
CN202111357561.3A
Other languages
English (en)
Inventor
车高营
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.)
Ping An Puhui Enterprise Management Co Ltd
Original Assignee
Ping An Puhui Enterprise Management Co 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 Ping An Puhui Enterprise Management Co Ltd filed Critical Ping An Puhui Enterprise Management Co Ltd
Priority to CN202111357561.3A priority Critical patent/CN114037545A/zh
Publication of CN114037545A publication Critical patent/CN114037545A/zh
Pending legal-status Critical Current

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
    • 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)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Technology Law (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能，提供一种客户推荐方法、装置、设备及存储介质。该方法能够获取历史购买用户及待选用户的画像信息及用户信息，根据目标产品筛选历史购买用户的浏览文本，得到产品文本，捕获历史购买用户对产品文本的行为信息，从待选用户的阅览文本中筛选产品文本的相似文本，检测待选用户对相似文本的反馈信息，从推荐预测模型中获取第一权值及第二权值，根据第一权值在画像信息与用户信息上的第一相似分值及第二权值在行为信息与反馈信息上的第二相似分值生成用户相似度，对用户相似度进行映射处理，得到购买概率，根据购买概率对待选用户进行推荐，能够提高推荐精度。此外，本发明还涉及区块链技术，所述购买概率可存储于区块链中。

Description

客户推荐方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种客户推荐方法、装置、设备及存储介质。
背景技术
目前，传统信贷保险业务的推进，主要通过业务人员线下推进获取潜在客户，而在当今经济全球化的影响下，对信贷保险业务有购买需求的用户也随之大幅度增长，导致业务人员线下推进方式的效率低下。
为了提高推荐效率，智能推荐方式也随之产生。在目前的智能推荐方式中，主要是基于固定的标签对用户进行搜索，这种方式由于无法捕获到用户的需求变化，造成推荐精度低下。
发明内容
鉴于以上内容，有必要提供一种客户推荐方法、装置、设备及存储介质，能够提高客户推荐精度。
一方面，本发明提出一种客户推荐方法，所述客户推荐方法包括：
当接收到推荐请求时，根据所述推荐请求获取目标产品的历史购买用户，并从预设用户库中获取所述目标产品的待选用户；
获取所述历史购买用户在多个预设字段上的画像信息，并获取所述待选用户在所述多个预设字段上的用户信息；
根据所述目标产品筛选所述历史购买用户的浏览文本，得到产品文本，并捕获所述历史购买用户对所述产品文本的行为信息，所述行为信息是指所述历史购买用户在行为字段上的信息；
从所述待选用户的阅览文本中筛选所述产品文本的相似文本，并检测所述待选用户对所述相似文本的反馈信息，所述反馈信息是指所述待选用户在所述行为字段上的信息；
从预先训练好的推荐预测模型中获取所述多个预设字段的第一权值及所述行为字段的第二权值；
根据所述第一权值在所述画像信息与所述用户信息上的第一相似分值及所述第二权值在所述行为信息与所述反馈信息上的第二相似分值，生成所述待选用户与所述历史购买用户的用户相似度；
基于预设曲线对所述用户相似度进行映射处理，得到所述待选用户对所述目标产品的购买概率；
根据所述购买概率对所述待选用户进行推荐。
根据本发明优选实施例，所述根据所述目标产品筛选所述历史购买用户的浏览文本，得到产品文本包括：
获取所述目标产品的表征信息；
从预设浏览库中选取包含所述表征信息的浏览文本作为初始文本；
对所述初始文本进行语义分析，得到所述初始文本的语义信息；
对所述语义信息进行情绪识别，得到所述初始文本的情感信息；
若所述情感信息为预设情感，则从所述初始文本中提取指示产品的至少一个产品词汇，并统计每个产品词汇在所述初始文本中出现的频次作为产品词汇量，所述产品词汇量包括所述表征信息的目标词汇量，所述目标词汇量是指所述表征信息在所述初始文本中出现的频次；
提取取值最大的产品词汇量作为基准词汇量，并计算所述目标词汇量在所述基准词汇量上的比值，得到所述表征信息的产品比值；
将所述产品比值大于预设阈值的初始文本确定为所述产品文本。
根据本发明优选实施例，所述从所述待选用户的阅览文本中筛选所述产品文本的相似文本包括：
对所述阅览文本进行分词处理，得到文本分词；
基于预设停用词表对所述文本分词进行剔除处理，得到初始分词；
从所述初始分词中提取所述阅览文本的第一关键词汇，并从所述产品文本中提取第二关键词汇；
将所述第一关键词汇及所述第二关键词汇确定为目标关键词汇；
根据所述目标关键词汇在所述阅览文本中的数量对所述阅览文本进行向量化处理，得到第一向量，并根据所述目标关键词汇在所述产品文本中的数量对所述产品文本进行向量化处理，得到第二向量；
计算所述第一向量与所述第二向量的向量相似度；
将所述向量相似度大于相似度阈值的阅览文本确定为所述相似文本。
根据本发明优选实施例，所述从所述初始分词中提取所述阅览文本的第一关键词汇包括：
统计所述初始分词的分词总数量，并统计任一初始分词在所述初始分词中的数量作为第一数量；
计算所述第一数量在所述分词总数量中的比值，得到所述任一初始分词在所述阅览文本中的词频；
统计预设文本库中所有预设文本的文本总数量，并统计包含所述任一初始分词的预设文本的数量作为第二数量；
根据所述文本总数量及所述第二数量生成所述任一初始分词的逆文档频率的计算公式为：
Figure BDA0003357866380000021
其中，y是指所述逆文档频率，t1是指所述文本总数量，t2是指所述第二数量，k>0；
计算所述词频与所述逆文档频率的乘积，得到所述任一初始分词的分值；
基于预设数量依照所述分值从大至小的顺序从所述初始分词中筛选所述第一关键词汇。
根据本发明优选实施例，在从预先训练好的推荐预测模型中获取所述多个预设字段的第一权值及所述行为字段的第二权值之前，所述方法还包括：
获取用户数据及所述用户数据的标注结果，所述用户数据包括训练用户在所述目标产品上的画像数据及行为数据；
构建学习器，所述学习器包括画像预测网络及行为预测网络；
基于所述画像预测网络对所述画像数据进行处理，得到第一预测分值；
基于所述行为预测网络对所述行为数据进行处理，得到第二预测分值；
根据所述第一预测分值及所述第二预测分值生成目标预测分值；
计算所述目标预测分值与所述标注结果的预测差值，并根据所述预测差值生成所述学习器的预测准确度；
根据所述预测准确度调整所述学习器中每个学习字段的字段权值，直至所述预测准确度不再增加，得到推荐预测模型，所述学习字段包括所述多个预设字段及所述行为字段。
根据本发明优选实施例，所述根据所述第一权值在所述画像信息与所述用户信息上的第一相似分值及所述第二权值在所述行为信息与所述反馈信息上的第二相似分值，生成所述待选用户与所述历史购买用户的用户相似度包括：
根据所述画像信息及所述用户信息计算所述待选用户与所述历史购买用户在每个预设字段的第一相似距离；
基于预设向量表计算所述行为信息与所述反馈信息的第二相似距离；
根据多个所述第一权值、多个所述第一相似距离、所述第二权值及所述第二相似距离生成所述用户相似度，包括：
f＝(g1×x1+g2×x2+…+gn×xn)+(gn+1×z)；
g1+g2+…+gn+gn+1＝1；
其中，f是指所述用户相似度，g1、g2…gn是指多个所述第一权值，x1、x2…xn是指多个所述第一相似距离，gn+1是指所述第二权值，z是指所述第二相似距离。
根据本发明优选实施例，所述根据所述购买概率对所述待选用户进行推荐包括：
将大于概率阈值的购买概率所对应的待选用户确定为推荐用户；
根据所述购买概率按照预设顺序对所述推荐用户进行排序，得到队列；
检测所述推荐请求的触发终端；
将所述队列推送至所述触发终端。
另一方面，本发明还提出一种客户推荐装置，所述客户推荐装置包括：
获取单元，用于当接收到推荐请求时，根据所述推荐请求获取目标产品的历史购买用户，并从预设用户库中获取所述目标产品的待选用户；
所述获取单元，还用于获取所述历史购买用户在多个预设字段上的画像信息，并获取所述待选用户在所述多个预设字段上的用户信息；
筛选单元，用于根据所述目标产品筛选所述历史购买用户的浏览文本，得到产品文本，并捕获所述历史购买用户对所述产品文本的行为信息，所述行为信息是指所述历史购买用户在行为字段上的信息；
所述筛选单元，还用于从所述待选用户的阅览文本中筛选所述产品文本的相似文本，并检测所述待选用户对所述相似文本的反馈信息，所述反馈信息是指所述待选用户在所述行为字段上的信息；
所述获取单元，还用于从预先训练好的推荐预测模型中获取所述多个预设字段的第一权值及所述行为字段的第二权值；
生成单元，用于根据所述第一权值在所述画像信息与所述用户信息上的第一相似分值及所述第二权值在所述行为信息与所述反馈信息上的第二相似分值，生成所述待选用户与所述历史购买用户的用户相似度；
映射单元，用于基于预设曲线对所述用户相似度进行映射处理，得到所述待选用户对所述目标产品的购买概率；
推荐单元，用于根据所述购买概率对所述待选用户进行推荐。
另一方面，本发明还提出一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述客户推荐方法。
另一方面，本发明还提出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计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述客户推荐方法。
由以上技术方案可以看出，本发明通过所述产品文本能够从所述阅览文本中准确的筛选出所述相似文本，进而结合所述待选用户与所述历史购买用户在所述多个预设字段及所述行为字段上的相似情况确定出所述用户相似度，由于结合了用户实时更新的行为特征对所述用户相似度进行分析，因此能够提高所述用户相似度的准确性，同时，所述第二相似分值是通过所述待选用户对所述相似文本的反馈信息及所述历史购买用户对所述产品文本的行为信息确定出的，并非直接通过所述待选用户及所述历史购买用户对同一产品文本的行为确定，因此能够提高所述第二相似分值的准确性，进而提高所述用户相似度的准确性，此外，本发明通过所述推荐预测模型中的第一权值及第二权值对所述用户相似度进行调控，能够进一步提高所述用户相似度的准确性，从而提高推荐准确性。另外，由于无需业务人员线下推进获取潜在客户，因此，提高了客户的推荐效率。
附图说明
图1是本发明客户推荐方法的较佳实施例的流程图。
图2是本发明客户推荐装置的较佳实施例的功能模块图。
图3是本发明实现客户推荐方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明客户推荐方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述客户推荐方法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。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
所述客户推荐方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，当接收到推荐请求时，根据所述推荐请求获取目标产品的历史购买用户，并从预设用户库中获取所述目标产品的待选用户。
在本发明的至少一个实施例中，所述推荐请求中携带的信息包括，但不限于：至少产品的标签信息、产品编码等。所述推荐请求可以由销售所述目标产品的营销人员触发生成。
所述目标产品可以包括，但不限于：信贷产品、保险产品等。
所述历史购买用户是指购买过所述目标产品的用户。
所述预设用户库中存储有多个产品的待推荐用户。
所述待选用户是指未购买过所述目标产品的用户。
在本发明的至少一个实施例中，所述电子设备根据所述推荐请求获取目标产品的历史购买用户包括：
解析所述推荐请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取指示产品的信息作为产品编码；
从预设列表中获取与所述产品编码对应的用户识别码；
将所述用户识别码所对应的用户确定为所述历史购买用户。
其中，所述产品编码是指与所述目标产品对应的编码信息。
所述预设列表中存储有多个产品与购买该产品的用户的映射关系。
通过解析所述报文，由于无需解析整个所述推荐请求，因此提高所述产品编码的提取效率，进而基于所述产品编码对所述预设列表进行遍历，能够准确的确定出所述历史购买用户。
S11，获取所述历史购买用户在多个预设字段上的画像信息，并获取所述待选用户在所述多个预设字段上的用户信息。
在本发明的至少一个实施例中，所述多个预设字段包括，但不限于：学历、职业、年龄等字段。
所述画像信息可以从所述历史购买用户的授权响应结果中提取。
所述用户信息可以从所述待选用户的授权响应结果中提取。
S12，根据所述目标产品筛选所述历史购买用户的浏览文本，得到产品文本，并捕获所述历史购买用户对所述产品文本的行为信息，所述行为信息是指所述历史购买用户在行为字段上的信息。
在本发明的至少一个实施例中，所述浏览文本是指所述历史购买用户阅读过的文本。所述产品文本是指与所述目标产品有关的浏览文本。
所述行为信息可以包括有反馈信息，例如，转发行为、点赞行为，所述行为信息也可以包括无反馈信息，例如，阅读行为。
在本发明的至少一个实施例中，所述电子设备根据所述目标产品筛选所述历史购买用户的浏览文本，得到产品文本包括：
获取所述目标产品的表征信息；
从预设浏览库中选取包含所述表征信息的浏览文本作为初始文本；
对所述初始文本进行语义分析，得到所述初始文本的语义信息；
对所述语义信息进行情绪识别，得到所述初始文本的情感信息；
若所述情感信息为预设情感，则从所述初始文本中提取指示产品的至少一个产品词汇，并统计每个产品词汇在所述初始文本中出现的频次作为产品词汇量，所述产品词汇量包括所述表征信息的目标词汇量，所述目标词汇量是指所述表征信息在所述初始文本中出现的频次；
提取取值最大的产品词汇量作为基准词汇量，并计算所述目标词汇量在所述基准词汇量上的比值，得到所述表征信息的产品比值；
将所述产品比值大于预设阈值的初始文本确定为所述产品文本。
其中，所述表征信息是指能够表征所述目标产品的词汇，例如，所述表征信息可以是所述产品编码，所述表征信息还可以是所述目标产品的名称等。
所述预设浏览库中存储有多个用户浏览过的相关文本。
所述初始文本是指包含有任一表征信息的浏览文本。
所述预设情感通常设置为积极情感及中性情感。
所述预设阈值可以根据需求设定，例如，所述预设阈值可以设置为0.7。
通过所述表征信息能够快速从所述浏览文本中选取出所述初始文本，通过在对所述初始文本进行语义分析后，对所述语义信息进一步进行情绪识别，能够提高所述情感信息的生成效率，进而从所述情感信息为所述预设情感的初始文本中筛选出所述产品文本，能够避免筛选到消极情感的产品信息。
在本发明的至少一个实施例中，所述电子设备捕获所述历史购买用户对所述产品文本的行为信息包括：
获取所述历史购买用户的设备信息，并获取所述产品文本的文本编码；
从所述设备信息中筛选与所述文本编码对应的日志作为目标日志；
根据行为标签从所述目标日志中解析出所述行为信息。
其中，所述设备信息是指所述历史购买用户操作所述产品文本时所在的设备所对应的信息，所述设备信息可以是设备的IP地址。
所述行为标签用于指示行为。
通过所述设备信息及所述文本编码能够准确的获取到所述目标日志，从而根据所述行为标签能够快速并准确的解析出所述行为信息。
S13，从所述待选用户的阅览文本中筛选所述产品文本的相似文本，并检测所述待选用户对所述相似文本的反馈信息，所述反馈信息是指所述待选用户在所述行为字段上的信息。
在本发明的至少一个实施例中，所述阅览文本是指所述待选用户所阅读过的文本。
所述反馈信息可以包括有反馈信息，例如，转发行为、点赞行为，所述行为信息也可以包括无反馈信息，例如，阅读行为。
在本发明的至少一个实施例中，所述电子设备从所述待选用户的阅览文本中筛选所述产品文本的相似文本包括：
对所述阅览文本进行分词处理，得到文本分词；
基于预设停用词表对所述文本分词进行剔除处理，得到初始分词；
从所述初始分词中提取所述阅览文本的第一关键词汇，并从所述产品文本中提取第二关键词汇；
将所述第一关键词汇及所述第二关键词汇确定为目标关键词汇；
根据所述目标关键词汇在所述阅览文本中的数量对所述阅览文本进行向量化处理，得到第一向量，并根据所述目标关键词汇在所述产品文本中的数量对所述产品文本进行向量化处理，得到第二向量；
计算所述第一向量与所述第二向量的向量相似度；
将所述向量相似度大于相似度阈值的阅览文本确定为所述相似文本。
其中，所述预设停用词表中存储有多个停用词，所述多个停用词是指自身并无什么明确意义的词汇，所述多个停用词包括语气助词、副词、介词、连接词等。
所述第一关键词汇是指所述阅览文本中能够起到语义作用的词汇，所述第二关键词汇是指所述产品文本中能够起到语义作用的词汇。
所述相似度阈值可以根据需求设定。
通过所述预设停用词表对所述文本分词进行剔除，能够避免停用词对所述第一关键词汇的筛选的干扰，从而提高所述第一关键词汇的准确性，进而利用所述目标关键词汇在所述阅览文本中的数量对所述阅览文本进行向量化处理，以及所述目标关键词汇在所述产品文本中的数量对所述产品文本进行向量化处理，能够快速并准确的生成所述第一向量及所述第二向量，从而提高所述相似文本的筛选准确性。
具体地，所述电子设备从所述初始分词中提取所述阅览文本的第一关键词汇包括：
统计所述初始分词的分词总数量，并统计任一初始分词在所述初始分词中的数量作为第一数量；
计算所述第一数量在所述分词总数量中的比值，得到所述任一初始分词在所述阅览文本中的词频；
统计预设文本库中所有预设文本的文本总数量，并统计包含所述任一初始分词的预设文本的数量作为第二数量；
根据所述文本总数量及所述第二数量生成所述任一初始分词的逆文档频率的计算公式为：
Figure BDA0003357866380000081
其中，y是指所述逆文档频率，t1是指所述文本总数量，t2是指所述第二数量，k>0；
计算所述词频与所述逆文档频率的乘积，得到所述任一初始分词的分值；
基于预设数量依照所述分值从大至小的顺序从所述初始分词中筛选所述第一关键词汇。
其中，所述预设数量可以根据所述阅览文本中的词汇总量设定的，例如，所述阅览文本中的词汇总量为5000个，则所述预设数量可以设置为50。
通过上述实施方式，能够准确的生成所任一初始分词的分值，进而根据所述分值能够快速的筛选出所述第一关键词汇。
具体地，所述电子设备从所述产品文本中提取第二关键词汇的方式与所述电子设备从所述初始分词中提取所述阅览文本的第一关键词汇的方式相似，本发明对此不再赘述。
在本发明的至少一个实施例中，所述电子设备检测所述待选用户对所述相似文本的反馈信息的方式与所述电子设备捕获所述历史购买用户对所述产品文本的行为信息的方式相似，本发明对此不再赘述。
S14，从预先训练好的推荐预测模型中获取所述多个预设字段的第一权值及所述行为字段的第二权值。
在本发明的至少一个实施例中，所述推荐预测模型用于预测用户购买所述目标产品的概率。
在本发明的至少一个实施例中，在从预先训练好的推荐预测模型中获取所述多个预设字段的第一权值及所述行为字段的第二权值之前，所述方法还包括：
获取用户数据及所述用户数据的标注结果，所述用户数据包括训练用户在所述目标产品上的画像数据及行为数据；
构建学习器，所述学习器包括画像预测网络及行为预测网络；
基于所述画像预测网络对所述画像数据进行处理，得到第一预测分值；
基于所述行为预测网络对所述行为数据进行处理，得到第二预测分值；
根据所述第一预测分值及所述第二预测分值生成目标预测分值；
计算所述目标预测分值与所述标注结果的预测差值，并根据所述预测差值生成所述学习器的预测准确度；
根据所述预测准确度调整所述学习器中每个学习字段的字段权值，直至所述预测准确度不再增加，得到推荐预测模型，所述学习字段包括所述多个预设字段及所述行为字段。
通过构建所述画像预测网络及所述行为预测网络，能够利用多个网络对所述用户数据进行分析，从而能够快速生成所述目标预测分值，进而利用所述预测准确度对所述学习器中的字段权值的调控，能够提高所述推荐预测模型的预测准确性。
具体地，所述电子设备根据所述预测差值生成所述学习器的预测准确度包括：
计算所述预测差值的总和，得到所述预测准确度；及/或
统计小于配置值的预测差值的目标数量及所述目标预测分值的预测数量，并计算所述目标数量在所述预测数量中的比值，得到所述预测准确度。
S15，根据所述第一权值在所述画像信息与所述用户信息上的第一相似分值及所述第二权值在所述行为信息与所述反馈信息上的第二相似分值，生成所述待选用户与所述历史购买用户的用户相似度。
在本发明的至少一个实施例中，每个所述第一相似分值是指所述画像信息与所述用户信息在每个预设字段上的第一相似距离与相应的第一权值的乘积。
所述第二相似分值是指所述行为信息与所述反馈信息的第二相似距离与所述第二权值的乘积。
所述用户相似度是指所述待选用户与所述历史购买用户在固定标签及实时更新的标签上的相似情况。
在本发明的至少一个实施例中，所述电子设备根据所述第一权值在所述画像信息与所述用户信息上的第一相似分值及所述第二权值在所述行为信息与所述反馈信息上的第二相似分值，生成所述待选用户与所述历史购买用户的用户相似度包括：
根据所述画像信息及所述用户信息计算所述待选用户与所述历史购买用户在每个预设字段的第一相似距离；
基于预设向量表计算所述行为信息与所述反馈信息的第二相似距离；
根据多个所述第一权值、多个所述第一相似距离、所述第二权值及所述第二相似距离生成所述用户相似度，包括：
f＝(g1×x1+g2×x2+…+gn×xn)+(gn+1×z)；
g1+g2+…+gn+gn+1＝1；
其中，f是指所述用户相似度，g1、g2…gn是指多个所述第一权值，x1、x2…xn是指多个所述第一相似距离，gn+1是指所述第二权值，z是指所述第二相似距离。
其中，所述预设向量表中存储有多个行为与向量表征的映射关系，例如，阅读行为：0；点赞行为：1；转发行为：2。
例如：历史购买用户A在预设字段“学历”上的画像信息为：本科，在预设字段“职业”上的画像信息为：学生，在预设字段“年龄”上的画像信息为：20，所述历史购买用户A的行为信息为：转发行为；待选用户B在预设字段“学历”上的用户信息为：博士，在预设字段“职业”上的用户信息为：教师，在预设字段“年龄”上的画像信息为：35，所述待选用户B的反馈信息为：点赞行为，经计算，所述待选用户B与所述历史购买用户A在预设字段“学历”上的第一相似距离为：x1，在预设字段“职业”上的第一相似距离为：x2，在预设字段“年龄”上的第一相似距离为：x3，基于预设向量表得到所述行为信息“转发行为”的向量为2，所述反馈信息“点赞行为”的向量为1，则第二相似距离为z，因此，经计算可得到所述待选用户B与所述历史购买用户A的用户相似度。
通过逐个分析所述待选用户与所述历史购买用户在所述多个预设字段的距离，能够准确的确定出多个所述第一相似距离，通过所述预设向量表对所述行为信息及所述反馈信息进行映射，能够提高所述行为信息及所述反馈信息的表征准确性，从而提高所述第二相似距离的准确性，进而通过所述推荐预测模型中的第一权值及第二权值能够准确的确定出所述用户相似度。
S16，基于预设曲线对所述用户相似度进行映射处理，得到所述待选用户对所述目标产品的购买概率。
在本发明的至少一个实施例中，所述预设曲线用于反映相似度与概率之间的正比例关系。
需要强调的是，为进一步保证上述购买概率的私密和安全性，上述购买概率还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述电子设备从所述预设曲线上获取与所述用户相似度对应的数据作为所述购买概率。
通过所述预设曲线能够快速的确定出所述购买概率。
S17，根据所述购买概率对所述待选用户进行推荐。
在本发明的至少一个实施例中，所述电子设备根据所述购买概率对所述待选用户进行推荐包括：
将大于概率阈值的购买概率所对应的待选用户确定为推荐用户；
根据所述购买概率按照预设顺序对所述推荐用户进行排序，得到队列；
检测所述推荐请求的触发终端；
将所述队列推送至所述触发终端。
其中，所述概率阈值可以根据推荐精准需求设定，所述推荐精准需求越高，所述概率阈值越大。
所述预设顺序包括所述购买概率从大至小的顺序，所述预设顺序还包括所述购买概率从小至大的顺序。
所述触发终端是指生成所述推荐请求的终端。
通过所述概率阈值能够筛选出符合预期的推荐用户，从而根据所述预设顺序对所述推荐用户进行排序，便于触发用户对所述推荐用户的阅览，进而通过对所述触发终端的检测，能够在所述队列生成时及时向所述触发终端反馈，提高了用户体验度。
由以上技术方案可以看出，本发明通过所述产品文本能够从所述阅览文本中准确的筛选出所述相似文本，进而结合所述待选用户与所述历史购买用户在所述多个预设字段及所述行为字段上的相似情况确定出所述用户相似度，由于结合了用户实时更新的行为特征对所述用户相似度进行分析，因此能够提高所述用户相似度的准确性，同时，所述第二相似分值是通过所述待选用户对所述相似文本的反馈信息及所述历史购买用户对所述产品文本的行为信息确定出的，并非直接通过所述待选用户及所述历史购买用户对同一产品文本的行为确定，因此能够提高所述第二相似分值的准确性，进而提高所述用户相似度的准确性，此外，本发明通过所述推荐预测模型中的第一权值及第二权值对所述用户相似度进行调控，能够进一步提高所述用户相似度的准确性，从而提高推荐准确性。另外，由于无需业务人员线下推进获取潜在客户，因此，提高了客户的推荐效率。
如图2所示，是本发明客户推荐装置的较佳实施例的功能模块图。所述客户推荐装置11包括获取单元110、筛选单元111、生成单元112、映射单元113、推荐单元114、构建单元115、处理单元116、计算单元117及调整单元118。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到推荐请求时，获取单元110根据所述推荐请求获取目标产品的历史购买用户，并从预设用户库中获取所述目标产品的待选用户。
在本发明的至少一个实施例中，所述推荐请求中携带的信息包括，但不限于：至少产品的标签信息、产品编码等。所述推荐请求可以由销售所述目标产品的营销人员触发生成。
所述目标产品可以包括，但不限于：信贷产品、保险产品等。
所述历史购买用户是指购买过所述目标产品的用户。
所述预设用户库中存储有多个产品的待推荐用户。
所述待选用户是指未购买过所述目标产品的用户。
在本发明的至少一个实施例中，所述获取单元110根据所述推荐请求获取目标产品的历史购买用户包括：
解析所述推荐请求的报文，得到所述报文携带的数据信息；
从所述数据信息中提取指示产品的信息作为产品编码；
从预设列表中获取与所述产品编码对应的用户识别码；
将所述用户识别码所对应的用户确定为所述历史购买用户。
其中，所述产品编码是指与所述目标产品对应的编码信息。
所述预设列表中存储有多个产品与购买该产品的用户的映射关系。
通过解析所述报文，由于无需解析整个所述推荐请求，因此提高所述产品编码的提取效率，进而基于所述产品编码对所述预设列表进行遍历，能够准确的确定出所述历史购买用户。
所述获取单元110获取所述历史购买用户在多个预设字段上的画像信息，并获取所述待选用户在所述多个预设字段上的用户信息。
在本发明的至少一个实施例中，所述多个预设字段包括，但不限于：学历、职业、年龄等字段。
所述画像信息可以从所述历史购买用户的授权响应结果中提取。
所述用户信息可以从所述待选用户的授权响应结果中提取。
筛选单元111根据所述目标产品筛选所述历史购买用户的浏览文本，得到产品文本，并捕获所述历史购买用户对所述产品文本的行为信息，所述行为信息是指所述历史购买用户在行为字段上的信息。
在本发明的至少一个实施例中，所述浏览文本是指所述历史购买用户阅读过的文本。所述产品文本是指与所述目标产品有关的浏览文本。
所述行为信息可以包括有反馈信息，例如，转发行为、点赞行为，所述行为信息也可以包括无反馈信息，例如，阅读行为。
在本发明的至少一个实施例中，所述筛选单元111根据所述目标产品筛选所述历史购买用户的浏览文本，得到产品文本包括：
获取所述目标产品的表征信息；
从预设浏览库中选取包含所述表征信息的浏览文本作为初始文本；
对所述初始文本进行语义分析，得到所述初始文本的语义信息；
对所述语义信息进行情绪识别，得到所述初始文本的情感信息；
若所述情感信息为预设情感，则从所述初始文本中提取指示产品的至少一个产品词汇，并统计每个产品词汇在所述初始文本中出现的频次作为产品词汇量，所述产品词汇量包括所述表征信息的目标词汇量，所述目标词汇量是指所述表征信息在所述初始文本中出现的频次；
提取取值最大的产品词汇量作为基准词汇量，并计算所述目标词汇量在所述基准词汇量上的比值，得到所述表征信息的产品比值；
将所述产品比值大于预设阈值的初始文本确定为所述产品文本。
其中，所述表征信息是指能够表征所述目标产品的词汇，例如，所述表征信息可以是所述产品编码，所述表征信息还可以是所述目标产品的名称等。
所述预设浏览库中存储有多个用户浏览过的相关文本。
所述初始文本是指包含有任一表征信息的浏览文本。
所述预设情感通常设置为积极情感及中性情感。
所述预设阈值可以根据需求设定，例如，所述预设阈值可以设置为0.7。
通过所述表征信息能够快速从所述浏览文本中选取出所述初始文本，通过在对所述初始文本进行语义分析后，对所述语义信息进一步进行情绪识别，能够提高所述情感信息的生成效率，进而从所述情感信息为所述预设情感的初始文本中筛选出所述产品文本，能够避免筛选到消极情感的产品信息。
在本发明的至少一个实施例中，所述筛选单元111捕获所述历史购买用户对所述产品文本的行为信息包括：
获取所述历史购买用户的设备信息，并获取所述产品文本的文本编码；
从所述设备信息中筛选与所述文本编码对应的日志作为目标日志；
根据行为标签从所述目标日志中解析出所述行为信息。
其中，所述设备信息是指所述历史购买用户操作所述产品文本时所在的设备所对应的信息，所述设备信息可以是设备的IP地址。
所述行为标签用于指示行为。
通过所述设备信息及所述文本编码能够准确的获取到所述目标日志，从而根据所述行为标签能够快速并准确的解析出所述行为信息。
所述筛选单元111从所述待选用户的阅览文本中筛选所述产品文本的相似文本，并检测所述待选用户对所述相似文本的反馈信息，所述反馈信息是指所述待选用户在所述行为字段上的信息。
在本发明的至少一个实施例中，所述阅览文本是指所述待选用户所阅读过的文本。
所述反馈信息可以包括有反馈信息，例如，转发行为、点赞行为，所述行为信息也可以包括无反馈信息，例如，阅读行为。
在本发明的至少一个实施例中，所述筛选单元111从所述待选用户的阅览文本中筛选所述产品文本的相似文本包括：
对所述阅览文本进行分词处理，得到文本分词；
基于预设停用词表对所述文本分词进行剔除处理，得到初始分词；
从所述初始分词中提取所述阅览文本的第一关键词汇，并从所述产品文本中提取第二关键词汇；
将所述第一关键词汇及所述第二关键词汇确定为目标关键词汇；
根据所述目标关键词汇在所述阅览文本中的数量对所述阅览文本进行向量化处理，得到第一向量，并根据所述目标关键词汇在所述产品文本中的数量对所述产品文本进行向量化处理，得到第二向量；
计算所述第一向量与所述第二向量的向量相似度；
将所述向量相似度大于相似度阈值的阅览文本确定为所述相似文本。
其中，所述预设停用词表中存储有多个停用词，所述多个停用词是指自身并无什么明确意义的词汇，所述多个停用词包括语气助词、副词、介词、连接词等。
所述第一关键词汇是指所述阅览文本中能够起到语义作用的词汇，所述第二关键词汇是指所述产品文本中能够起到语义作用的词汇。
所述相似度阈值可以根据需求设定。
通过所述预设停用词表对所述文本分词进行剔除，能够避免停用词对所述第一关键词汇的筛选的干扰，从而提高所述第一关键词汇的准确性，进而利用所述目标关键词汇在所述阅览文本中的数量对所述阅览文本进行向量化处理，以及所述目标关键词汇在所述产品文本中的数量对所述产品文本进行向量化处理，能够快速并准确的生成所述第一向量及所述第二向量，从而提高所述相似文本的筛选准确性。
具体地，所述筛选单元111从所述初始分词中提取所述阅览文本的第一关键词汇包括：
统计所述初始分词的分词总数量，并统计任一初始分词在所述初始分词中的数量作为第一数量；
计算所述第一数量在所述分词总数量中的比值，得到所述任一初始分词在所述阅览文本中的词频；
统计预设文本库中所有预设文本的文本总数量，并统计包含所述任一初始分词的预设文本的数量作为第二数量；
根据所述文本总数量及所述第二数量生成所述任一初始分词的逆文档频率的计算公式为：
Figure BDA0003357866380000141
其中，y是指所述逆文档频率，t1是指所述文本总数量，t2是指所述第二数量，k>0；
计算所述词频与所述逆文档频率的乘积，得到所述任一初始分词的分值；
基于预设数量依照所述分值从大至小的顺序从所述初始分词中筛选所述第一关键词汇。
其中，所述预设数量可以根据所述阅览文本中的词汇总量设定的，例如，所述阅览文本中的词汇总量为5000个，则所述预设数量可以设置为50。
通过上述实施方式，能够准确的生成所任一初始分词的分值，进而根据所述分值能够快速的筛选出所述第一关键词汇。
具体地，所述筛选单元111从所述产品文本中提取第二关键词汇的方式与所述筛选单元111从所述初始分词中提取所述阅览文本的第一关键词汇的方式相似，本发明对此不再赘述。
在本发明的至少一个实施例中，所述筛选单元111检测所述待选用户对所述相似文本的反馈信息的方式与所述筛选单元111捕获所述历史购买用户对所述产品文本的行为信息的方式相似，本发明对此不再赘述。
所述获取单元110从预先训练好的推荐预测模型中获取所述多个预设字段的第一权值及所述行为字段的第二权值。
在本发明的至少一个实施例中，所述推荐预测模型用于预测用户购买所述目标产品的概率。
在本发明的至少一个实施例中，在从预先训练好的推荐预测模型中获取所述多个预设字段的第一权值及所述行为字段的第二权值之前，所述获取单元110获取用户数据及所述用户数据的标注结果，所述用户数据包括训练用户在所述目标产品上的画像数据及行为数据；
构建单元115构建学习器，所述学习器包括画像预测网络及行为预测网络；
处理单元116基于所述画像预测网络对所述画像数据进行处理，得到第一预测分值；
所述处理单元116基于所述行为预测网络对所述行为数据进行处理，得到第二预测分值；
生成单元112根据所述第一预测分值及所述第二预测分值生成目标预测分值；
计算单元117计算所述目标预测分值与所述标注结果的预测差值，并根据所述预测差值生成所述学习器的预测准确度；
调整单元118根据所述预测准确度调整所述学习器中每个学习字段的字段权值，直至所述预测准确度不再增加，得到推荐预测模型，所述学习字段包括所述多个预设字段及所述行为字段。
通过构建所述画像预测网络及所述行为预测网络，能够利用多个网络对所述用户数据进行分析，从而能够快速生成所述目标预测分值，进而利用所述预测准确度对所述学习器中的字段权值的调控，能够提高所述推荐预测模型的预测准确性。
具体地，所述计算单元117根据所述预测差值生成所述学习器的预测准确度包括：
计算所述预测差值的总和，得到所述预测准确度；及/或
统计小于配置值的预测差值的目标数量及所述目标预测分值的预测数量，并计算所述目标数量在所述预测数量中的比值，得到所述预测准确度。
所述生成单元112根据所述第一权值在所述画像信息与所述用户信息上的第一相似分值及所述第二权值在所述行为信息与所述反馈信息上的第二相似分值，生成所述待选用户与所述历史购买用户的用户相似度。
在本发明的至少一个实施例中，每个所述第一相似分值是指所述画像信息与所述用户信息在每个预设字段上的第一相似距离与相应的第一权值的乘积。
所述第二相似分值是指所述行为信息与所述反馈信息的第二相似距离与所述第二权值的乘积。
所述用户相似度是指所述待选用户与所述历史购买用户在固定标签及实时更新的标签上的相似情况。
在本发明的至少一个实施例中，所述生成单元112根据所述第一权值在所述画像信息与所述用户信息上的第一相似分值及所述第二权值在所述行为信息与所述反馈信息上的第二相似分值，生成所述待选用户与所述历史购买用户的用户相似度包括：
根据所述画像信息及所述用户信息计算所述待选用户与所述历史购买用户在每个预设字段的第一相似距离；
基于预设向量表计算所述行为信息与所述反馈信息的第二相似距离；
根据多个所述第一权值、多个所述第一相似距离、所述第二权值及所述第二相似距离生成所述用户相似度，包括：
f＝(g1×x1+g2×x2+…+gn×xn)+(gn+1×z)；
g1+g2+…+gn+gn+1＝1；
其中，f是指所述用户相似度，g1、g2…gn是指多个所述第一权值，x1、x2…xn是指多个所述第一相似距离，gn+1是指所述第二权值，z是指所述第二相似距离。
其中，所述预设向量表中存储有多个行为与向量表征的映射关系，例如，阅读行为：0；点赞行为：1；转发行为：2。
例如：历史购买用户A在预设字段“学历”上的画像信息为：本科，在预设字段“职业”上的画像信息为：学生，在预设字段“年龄”上的画像信息为：20，所述历史购买用户A的行为信息为：转发行为；待选用户B在预设字段“学历”上的用户信息为：博士，在预设字段“职业”上的用户信息为：教师，在预设字段“年龄”上的画像信息为：35，所述待选用户B的反馈信息为：点赞行为，经计算，所述待选用户B与所述历史购买用户A在预设字段“学历”上的第一相似距离为：x1，在预设字段“职业”上的第一相似距离为：x2，在预设字段“年龄”上的第一相似距离为：x3，基于预设向量表得到所述行为信息“转发行为”的向量为2，所述反馈信息“点赞行为”的向量为1，则第二相似距离为z，因此，经计算可得到所述待选用户B与所述历史购买用户A的用户相似度。
通过逐个分析所述待选用户与所述历史购买用户在所述多个预设字段的距离，能够准确的确定出多个所述第一相似距离，通过所述预设向量表对所述行为信息及所述反馈信息进行映射，能够提高所述行为信息及所述反馈信息的表征准确性，从而提高所述第二相似距离的准确性，进而通过所述推荐预测模型中的第一权值及第二权值能够准确的确定出所述用户相似度。
映射单元113基于预设曲线对所述用户相似度进行映射处理，得到所述待选用户对所述目标产品的购买概率。
在本发明的至少一个实施例中，所述预设曲线用于反映相似度与概率之间的正比例关系。
需要强调的是，为进一步保证上述购买概率的私密和安全性，上述购买概率还可以存储于一区块链的节点中。
在本发明的至少一个实施例中，所述映射单元113从所述预设曲线上获取与所述用户相似度对应的数据作为所述购买概率。
通过所述预设曲线能够快速的确定出所述购买概率。
推荐单元114根据所述购买概率对所述待选用户进行推荐。
在本发明的至少一个实施例中，所述推荐单元114根据所述购买概率对所述待选用户进行推荐包括：
将大于概率阈值的购买概率所对应的待选用户确定为推荐用户；
根据所述购买概率按照预设顺序对所述推荐用户进行排序，得到队列；
检测所述推荐请求的触发终端；
将所述队列推送至所述触发终端。
其中，所述概率阈值可以根据推荐精准需求设定，所述推荐精准需求越高，所述概率阈值越大。
所述预设顺序包括所述购买概率从大至小的顺序，所述预设顺序还包括所述购买概率从小至大的顺序。
所述触发终端是指生成所述推荐请求的终端。
通过所述概率阈值能够筛选出符合预期的推荐用户，从而根据所述预设顺序对所述推荐用户进行排序，便于触发用户对所述推荐用户的阅览，进而通过对所述触发终端的检测，能够在所述队列生成时及时向所述触发终端反馈，提高了用户体验度。
由以上技术方案可以看出，本发明通过所述产品文本能够从所述阅览文本中准确的筛选出所述相似文本，进而结合所述待选用户与所述历史购买用户在所述多个预设字段及所述行为字段上的相似情况确定出所述用户相似度，由于结合了用户实时更新的行为特征对所述用户相似度进行分析，因此能够提高所述用户相似度的准确性，同时，所述第二相似分值是通过所述待选用户对所述相似文本的反馈信息及所述历史购买用户对所述产品文本的行为信息确定出的，并非直接通过所述待选用户及所述历史购买用户对同一产品文本的行为确定，因此能够提高所述第二相似分值的准确性，进而提高所述用户相似度的准确性，此外，本发明通过所述推荐预测模型中的第一权值及第二权值对所述用户相似度进行调控，能够进一步提高所述用户相似度的准确性，从而提高推荐准确性。另外，由于无需业务人员线下推进获取潜在客户，因此，提高了客户的推荐效率。
如图3所示，是本发明实现客户推荐方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如客户推荐程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13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)、现场可编程门阵列(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13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、筛选单元111、生成单元112、映射单元113、推荐单元114、构建单元115、处理单元116、计算单元117及调整单元118。
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(SmartMedia 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、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1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。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令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)、随机存取存储器(RAM，Random Access Memory)。
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。
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种客户推荐方法，所述处理器13可执行所述计算机可读指令从而实现：
当接收到推荐请求时，根据所述推荐请求获取目标产品的历史购买用户，并从预设用户库中获取所述目标产品的待选用户；
获取所述历史购买用户在多个预设字段上的画像信息，并获取所述待选用户在所述多个预设字段上的用户信息；
根据所述目标产品筛选所述历史购买用户的浏览文本，得到产品文本，并捕获所述历史购买用户对所述产品文本的行为信息，所述行为信息是指所述历史购买用户在行为字段上的信息；
从所述待选用户的阅览文本中筛选所述产品文本的相似文本，并检测所述待选用户对所述相似文本的反馈信息，所述反馈信息是指所述待选用户在所述行为字段上的信息；
从预先训练好的推荐预测模型中获取所述多个预设字段的第一权值及所述行为字段的第二权值；
根据所述第一权值在所述画像信息与所述用户信息上的第一相似分值及所述第二权值在所述行为信息与所述反馈信息上的第二相似分值，生成所述待选用户与所述历史购买用户的用户相似度；
基于预设曲线对所述用户相似度进行映射处理，得到所述待选用户对所述目标产品的购买概率；
根据所述购买概率对所述待选用户进行推荐。
具体地，所述处理器13对上述计算机可读指令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。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，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。
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
当接收到推荐请求时，根据所述推荐请求获取目标产品的历史购买用户，并从预设用户库中获取所述目标产品的待选用户；
获取所述历史购买用户在多个预设字段上的画像信息，并获取所述待选用户在所述多个预设字段上的用户信息；
根据所述目标产品筛选所述历史购买用户的浏览文本，得到产品文本，并捕获所述历史购买用户对所述产品文本的行为信息，所述行为信息是指所述历史购买用户在行为字段上的信息；
从所述待选用户的阅览文本中筛选所述产品文本的相似文本，并检测所述待选用户对所述相似文本的反馈信息，所述反馈信息是指所述待选用户在所述行为字段上的信息；
从预先训练好的推荐预测模型中获取所述多个预设字段的第一权值及所述行为字段的第二权值；
根据所述第一权值在所述画像信息与所述用户信息上的第一相似分值及所述第二权值在所述行为信息与所述反馈信息上的第二相似分值，生成所述待选用户与所述历史购买用户的用户相似度；
基于预设曲线对所述用户相似度进行映射处理，得到所述待选用户对所述目标产品的购买概率；
根据所述购买概率对所述待选用户进行推荐。
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。
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。
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。
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。所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。第一、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 (10)

1.一种客户推荐方法，其特征在于，所述客户推荐方法包括：
当接收到推荐请求时，根据所述推荐请求获取目标产品的历史购买用户，并从预设用户库中获取所述目标产品的待选用户；
获取所述历史购买用户在多个预设字段上的画像信息，并获取所述待选用户在所述多个预设字段上的用户信息；
根据所述目标产品筛选所述历史购买用户的浏览文本，得到产品文本，并捕获所述历史购买用户对所述产品文本的行为信息，所述行为信息是指所述历史购买用户在行为字段上的信息；
从所述待选用户的阅览文本中筛选所述产品文本的相似文本，并检测所述待选用户对所述相似文本的反馈信息，所述反馈信息是指所述待选用户在所述行为字段上的信息；
从预先训练好的推荐预测模型中获取所述多个预设字段的第一权值及所述行为字段的第二权值；
根据所述第一权值在所述画像信息与所述用户信息上的第一相似分值及所述第二权值在所述行为信息与所述反馈信息上的第二相似分值，生成所述待选用户与所述历史购买用户的用户相似度；
基于预设曲线对所述用户相似度进行映射处理，得到所述待选用户对所述目标产品的购买概率；
根据所述购买概率对所述待选用户进行推荐。
2.如权利要求1所述的客户推荐方法，其特征在于，所述根据所述目标产品筛选所述历史购买用户的浏览文本，得到产品文本包括：
获取所述目标产品的表征信息；
从预设浏览库中选取包含所述表征信息的浏览文本作为初始文本；
对所述初始文本进行语义分析，得到所述初始文本的语义信息；
对所述语义信息进行情绪识别，得到所述初始文本的情感信息；
若所述情感信息为预设情感，则从所述初始文本中提取指示产品的至少一个产品词汇，并统计每个产品词汇在所述初始文本中出现的频次作为产品词汇量，所述产品词汇量包括所述表征信息的目标词汇量，所述目标词汇量是指所述表征信息在所述初始文本中出现的频次；
提取取值最大的产品词汇量作为基准词汇量，并计算所述目标词汇量在所述基准词汇量上的比值，得到所述表征信息的产品比值；
将所述产品比值大于预设阈值的初始文本确定为所述产品文本。
3.如权利要求1所述的客户推荐方法，其特征在于，所述从所述待选用户的阅览文本中筛选所述产品文本的相似文本包括：
对所述阅览文本进行分词处理，得到文本分词；
基于预设停用词表对所述文本分词进行剔除处理，得到初始分词；
从所述初始分词中提取所述阅览文本的第一关键词汇，并从所述产品文本中提取第二关键词汇；
将所述第一关键词汇及所述第二关键词汇确定为目标关键词汇；
根据所述目标关键词汇在所述阅览文本中的数量对所述阅览文本进行向量化处理，得到第一向量，并根据所述目标关键词汇在所述产品文本中的数量对所述产品文本进行向量化处理，得到第二向量；
计算所述第一向量与所述第二向量的向量相似度；
将所述向量相似度大于相似度阈值的阅览文本确定为所述相似文本。
4.如权利要求3所述的客户推荐方法，其特征在于，所述从所述初始分词中提取所述阅览文本的第一关键词汇包括：
统计所述初始分词的分词总数量，并统计任一初始分词在所述初始分词中的数量作为第一数量；
计算所述第一数量在所述分词总数量中的比值，得到所述任一初始分词在所述阅览文本中的词频；
统计预设文本库中所有预设文本的文本总数量，并统计包含所述任一初始分词的预设文本的数量作为第二数量；
根据所述文本总数量及所述第二数量生成所述任一初始分词的逆文档频率的计算公式为：
Figure FDA0003357866370000021
其中，y是指所述逆文档频率，t1是指所述文本总数量，t2是指所述第二数量，k>0；
计算所述词频与所述逆文档频率的乘积，得到所述任一初始分词的分值；
基于预设数量依照所述分值从大至小的顺序从所述初始分词中筛选所述第一关键词汇。
5.如权利要求1所述的客户推荐方法，其特征在于，在从预先训练好的推荐预测模型中获取所述多个预设字段的第一权值及所述行为字段的第二权值之前，所述方法还包括：
获取用户数据及所述用户数据的标注结果，所述用户数据包括训练用户在所述目标产品上的画像数据及行为数据；
构建学习器，所述学习器包括画像预测网络及行为预测网络；
基于所述画像预测网络对所述画像数据进行处理，得到第一预测分值；
基于所述行为预测网络对所述行为数据进行处理，得到第二预测分值；
根据所述第一预测分值及所述第二预测分值生成目标预测分值；
计算所述目标预测分值与所述标注结果的预测差值，并根据所述预测差值生成所述学习器的预测准确度；
根据所述预测准确度调整所述学习器中每个学习字段的字段权值，直至所述预测准确度不再增加，得到推荐预测模型，所述学习字段包括所述多个预设字段及所述行为字段。
6.如权利要求1所述的客户推荐方法，其特征在于，所述根据所述第一权值在所述画像信息与所述用户信息上的第一相似分值及所述第二权值在所述行为信息与所述反馈信息上的第二相似分值，生成所述待选用户与所述历史购买用户的用户相似度包括：
根据所述画像信息及所述用户信息计算所述待选用户与所述历史购买用户在每个预设字段的第一相似距离；
基于预设向量表计算所述行为信息与所述反馈信息的第二相似距离；
根据多个所述第一权值、多个所述第一相似距离、所述第二权值及所述第二相似距离生成所述用户相似度，包括：
f＝(g1×x1+g2×x2+…+gn×xn)+(gn+1×z)；
g1+g2+…+gn+gn+1＝1；
其中，f是指所述用户相似度，g1、g2…gn是指多个所述第一权值，x1、x2…xn是指多个所述第一相似距离，gn+1是指所述第二权值，z是指所述第二相似距离。
7.如权利要求1所述的客户推荐方法，其特征在于，所述根据所述购买概率对所述待选用户进行推荐包括：
将大于概率阈值的购买概率所对应的待选用户确定为推荐用户；
根据所述购买概率按照预设顺序对所述推荐用户进行排序，得到队列；
检测所述推荐请求的触发终端；
将所述队列推送至所述触发终端。
8.一种客户推荐装置，其特征在于，所述客户推荐装置包括：
获取单元，用于当接收到推荐请求时，根据所述推荐请求获取目标产品的历史购买用户，并从预设用户库中获取所述目标产品的待选用户；
所述获取单元，还用于获取所述历史购买用户在多个预设字段上的画像信息，并获取所述待选用户在所述多个预设字段上的用户信息；
筛选单元，用于根据所述目标产品筛选所述历史购买用户的浏览文本，得到产品文本，并捕获所述历史购买用户对所述产品文本的行为信息，所述行为信息是指所述历史购买用户在行为字段上的信息；
所述筛选单元，还用于从所述待选用户的阅览文本中筛选所述产品文本的相似文本，并检测所述待选用户对所述相似文本的反馈信息，所述反馈信息是指所述待选用户在所述行为字段上的信息；
所述获取单元，还用于从预先训练好的推荐预测模型中获取所述多个预设字段的第一权值及所述行为字段的第二权值；
生成单元，用于根据所述第一权值在所述画像信息与所述用户信息上的第一相似分值及所述第二权值在所述行为信息与所述反馈信息上的第二相似分值，生成所述待选用户与所述历史购买用户的用户相似度；
映射单元，用于基于预设曲线对所述用户相似度进行映射处理，得到所述待选用户对所述目标产品的购买概率；
推荐单元，用于根据所述购买概率对所述待选用户进行推荐。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的客户推荐方法。
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中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的客户推荐方法。
CN202111357561.3A 2021-11-16 2021-11-16 客户推荐方法、装置、设备及存储介质 Pending CN114037545A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111357561.3A CN114037545A (zh) 2021-11-16 2021-11-16 客户推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111357561.3A CN114037545A (zh) 2021-11-16 2021-11-16 客户推荐方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114037545A true CN114037545A (zh) 2022-02-11

Family

ID=80144567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111357561.3A Pending CN114037545A (zh) 2021-11-16 2021-11-16 客户推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114037545A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113438374A (zh) * 2021-07-27 2021-09-24 中国平安人寿保险股份有限公司 智能外呼处理方法、装置、设备及存储介质
CN114723492A (zh) * 2022-04-15 2022-07-08 山东浪潮爱购云链信息科技有限公司 一种企业画像的生成方法及设备
CN116484091A (zh) * 2023-03-10 2023-07-25 湖北天勤伟业企业管理有限公司 卡牌信息程序交互方法和装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113438374A (zh) * 2021-07-27 2021-09-24 中国平安人寿保险股份有限公司 智能外呼处理方法、装置、设备及存储介质
CN114723492A (zh) * 2022-04-15 2022-07-08 山东浪潮爱购云链信息科技有限公司 一种企业画像的生成方法及设备
CN116484091A (zh) * 2023-03-10 2023-07-25 湖北天勤伟业企业管理有限公司 卡牌信息程序交互方法和装置

Similar Documents

Publication Publication Date Title
CN111695033B (zh) 企业舆情分析方法、装置、电子设备及介质
CN112417096B (zh) 问答对匹配方法、装置、电子设备及存储介质
CN114037545A (zh) 客户推荐方法、装置、设备及存储介质
CN112989826B (zh) 基于人工智能的试题分数确定方法、装置、设备及介质
CN114648392B (zh) 基于用户画像的产品推荐方法、装置、电子设备及介质
CN113722474A (zh) 文本分类方法、装置、设备及存储介质
CN113094478B (zh) 表情回复方法、装置、设备及存储介质
CN114090794A (zh) 基于人工智能的事理图谱构建方法及相关设备
CN112988963A (zh) 基于多流程节点的用户意图预测方法、装置、设备及介质
CN113283675A (zh) 指标数据分析方法、装置、设备及存储介质
CN112507095A (zh) 基于弱监督学习的信息识别方法及相关设备
CN115222443A (zh) 客户群体划分方法、装置、设备及存储介质
KR102185733B1 (ko) 프로필 자동생성서버 및 방법
CN113705792A (zh) 基于深度学习模型的个性化推荐方法、装置、设备及介质
CN113705468A (zh) 基于人工智能的数字图像识别方法及相关设备
CN113886697A (zh) 基于聚类算法的活动推荐方法、装置、设备及存储介质
JP6942759B2 (ja) 情報処理装置、プログラム及び情報処理方法
CN112036439A (zh) 依存关系分类方法及相关设备
Tannert et al. FlowchartQA: the first large-scale benchmark for reasoning over flowcharts
CN113343700B (zh) 数据处理方法、装置、设备及存储介质
CN112949305B (zh) 负反馈信息采集方法、装置、设备及存储介质
CN113342977B (zh) 发票图像分类方法、装置、设备及存储介质
CN113516205A (zh) 基于人工智能的数据分类方法、装置、设备及存储介质
CN113902302A (zh) 基于人工智能的数据分析方法、装置、设备及存储介质
CN113627186A (zh) 基于人工智能的实体关系检测方法及相关设备

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