CN114092194A - 一种产品推荐方法、装置、介质及设备 - Google Patents
一种产品推荐方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN114092194A CN114092194A CN202111411850.7A CN202111411850A CN114092194A CN 114092194 A CN114092194 A CN 114092194A CN 202111411850 A CN202111411850 A CN 202111411850A CN 114092194 A CN114092194 A CN 114092194A
- Authority
- CN
- China
- Prior art keywords
- client
- cold
- characteristic information
- product
- customer
- 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
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种产品推荐方法、装置、介质及设备。其中,该方法包括:根据预先获取的客户特征信息,确定客户类型;所述客户类型包括冷启动客户和热启动客户;若所述客户为冷启动客户,则根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,确定所述冷启动客户所属的目标客户类群;根据所述冷启动客户特征信息以及针对所述目标客户类群确定的产品热度排序结果,得到推荐产品。本技术方案,可以针对性的为不同类型客户推荐适应性的产品,提高了营销推荐成功率,为客户带来了良好的购买体验。
Description
技术领域
本申请实施例涉及数据处理技术领域,尤其涉及一种产品推荐方法、装置、介质及设备。
背景技术
在金融领域,针对客户类群全覆盖的金融产品多样化推荐成为提升客户粘性、提高产品营销效率、促进资金沉淀以及优化客户资产配置的重要手段,尤其对于如何向从未持有过非储蓄类金融产品的客户进行个性化推荐是亟需解决的问题。
目前,金融产品推荐更多的关注有过购买行为的客户,即热启动客户。针对热启动客户的产品推荐,主要采用基于用户、物品或内容的传统单一的推荐算法。
现有技术对于冷启动客户额专注度低,没有针对冷启动客户的有效推荐方案。同时,在处理海量客户及产品时,现有方案计算复杂度极高,泛化能力弱,推荐系统的头部效应明显,处理稀疏特征的能力差,无法很好地适应快速迭代更新的业务场景,推荐效果具有较大波动性。
发明内容
本申请实施例提供一种产品推荐方法、装置、介质及设备,可以通过划分客户类型,为不同类型的客户提供了针对性的产品推荐方案。特别是通过关联冷启动客户特征信息与客户类群,来确定冷启动客户的推荐产品,实现了适应性的产品推荐,提高了营销推荐成功率,为客户带来了良好的购买体验。
第一方面,本申请实施例提供了一种产品推荐方法,所述方法包括:
根据预先获取的客户特征信息,确定客户类型;所述客户类型包括冷启动客户和热启动客户;
若所述客户为冷启动客户,则根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,确定所述冷启动客户所属的目标客户类群;
根据所述冷启动客户特征信息以及针对所述目标客户类群确定的产品热度排序结果,得到推荐产品。
第二方面,本申请实施例提供了一种产品推荐装置,该装置包括:
客户类型确定模块,用于根据预先获取的客户特征信息,确定客户类型;所述客户类型包括冷启动客户和热启动客户;
目标客户类群确定模块,用于若所述客户为冷启动客户,则根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,确定所述冷启动客户所属的目标客户类群;
推荐产品确定模块,用于根据所述冷启动客户特征信息以及针对所述目标客户类群确定的产品热度排序结果,得到推荐产品。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请实施例所述的产品推荐方法。
第四方面,本申请实施例提供了一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本申请实施例所述的产品推荐方法。
本申请实施例所提供的技术方案,通过根据客户特征信息,确定客户类型。若客户为冷启动客户,则根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,确定冷启动客户所属的目标客户类群。根据冷启动客户特征信息以及针对所述目标客户类群确定的产品热度排序结果,进而得到推荐产品。本方案可以通过划分客户类型,为不同类型的客户提供了针对性的产品推荐方案。特别是通过关联冷启动客户特征信息与客户类群,来确定冷启动客户的推荐产品,实现了适应性的产品推荐,提高了营销推荐成功率,为客户带来了良好的购买体验。
附图说明
图1是本申请实施例一提供的产品推荐方法的流程图;
图2A为本发明实施例二中的产品推荐方法的流程图;
图2B为本发明实施例二中的多路召回推荐模型结构示意图;
图3为本发明实施例三提供的一种产品推荐装置的结构示意图;
图4是本申请实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本申请实施例一提供的产品推荐方法的流程图,本实施例可适用于对任何产品推荐场景,该方法可以由本申请实施例所提供的产品推荐装置执行,该装置可以由软件和/或硬件的方式来实现,并可集成于电子设备中。
如图1所示,所述产品推荐方法包括:
S110,根据预先获取的客户特征信息,确定客户类型;所述客户类型包括冷启动客户和热启动客户。
本方案可以由计算机等电子设备执行。在金融系统内,电子设备可以获取到客户的多种类型信息,例如客户的基础信息、业务信息、资产信息以及产品购买信息等等。具体的,所述基础信息可以包括姓名、年龄、性别、民族以及文化程度等等。所述业务信息可以包括代收代办、短信加办以及电话咨询等信息。所述资产信息可以包括储蓄金额、活期余额、贷款状况以及信用卡状况等信息。所述产品购买信息可以包括金融产品购买数量、产品属性以及购买金额等。
容易理解的,根据预先在金融系统中获取的客户特征信息,电子设备可以通过客户特征信息进行综合分析,确定客户类型。所述客户类型可以冷启动客户和热启动客户。其中,所述冷启动客户可以是客户特征信息较单薄,无法进行有效意向分析的客户。所述热启动客户可以是客户特征信息比较丰富,比较容易进行有效意向分析的客户。包括电子设备也可以在客户特征信息中选择典型信息,通过对典型信息进行分析,确定客户类型,例如可以通过对客户是否购买过金融产品来确定客户类型,购买过则认为该客户为热启动客户,没有购买过则认为是冷启动客户。更进一步的,电子设备可以对系统内的客户特征信息进行统计分析,设定判定阈值,进而根据判定阈值来确定客户类型,例如根据客户购买过金融产品的数量与数量阈值进行比较,购买金融产品数量大于数量阈值的客户为热启动客户,购买金融产品数量小于数量阈值的客户为冷启动客户。
S120,若所述客户为冷启动客户,则根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,确定所述冷启动客户所属的目标客户类群。
如果客户为冷启动客户,即不容易进行有效意向分析的客户,电子设备可以利用现有的针对热启动客户特征信息确定的客户类群,结合冷启动客户特征信息,来确定冷启动客户所属的目标客户类群。具体的,电子设备可以对已具有客户类群属性的热启动客户特征信息进行分析,得到各个客户类群的类群标准。然后,电子设备将冷启动客户特征信息与各个类群标准进行比对,比对成功则将冷启动客户划分到该客户类群,比对失败则不划分到该客户类群,直至冷启动客户具有了客户类群属性,即实现了冷启动客户的分类。
在一个可行的方案中,可选的,所述根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,确定所述冷启动客户所属的目标客户类群,包括:
根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,利用K近邻分类算法,确定所述冷启动客户所属的目标客户类群。
在本方案中,所述K近邻分类算法的工作原理是:存在一个热启动客户的客户类群集合,并且该集合中每个客户类群都存在标签,即该集合中每一热启动客户特征信息与所属客户类群的对应关系。当电子设备输入没有标签的冷启动客户特征信息后,可以将冷启动客户的每个特征信息与该集合中热启动客户对应的特征信息进行比较,然后提取该集合中特征信息最相似热启动客户特征信息的客户类群标签。一般来说,只选择样本数据集中前K个最相似的热启动客户特征信息,通常K是不大于20的整数。
上述方案可以依据针对热启动客户特征信息确定的客户类群,对冷启动客户进行分类,具有分类可靠性。利用K近邻分类算法实现分类,可以避免冷启动客户特征信息中异常信息的影响,保证了分类结果的稳定性,可以实现更加准确的冷启动客户分类。
S130,根据所述冷启动客户特征信息以及针对所述目标客户类群确定的产品热度排序结果,得到推荐产品。
可以理解的,电子设备在为冷启动客户进行准确分类之后,可以依据目标客户类群中已统计的产品热度排序结果,结合冷启动客户特征信息,向冷启动客户推荐产品。例如电子设备可以根据冷启动客户特征信息中分析冷启动客户的兴趣点,依据兴趣点将目标客户类群的产品热度排序结果中排名第一的产品推荐给冷启动客户。
本申请实施例所提供的技术方案,通过根据客户特征信息,确定客户类型;若客户为冷启动客户,则根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,确定冷启动客户所属的目标客户类群。根据冷启动客户特征信息以及针对所述目标客户类群确定的产品热度排序结果,进而得到推荐产品。本方案可以通过划分客户类型,为不同类型的客户提供了针对性的产品推荐方案。特别是通过关联冷启动客户特征信息与客户类群,来确定冷启动客户的推荐产品,实现了适应性的产品推荐,提高了营销推荐成功率,为客户带来了良好的购买体验。
实施例二
图2A为本发明实施例二中的产品推荐方法的流程图,本实施例以上述实施例为基础进行优化。
如图2A所示,本实施例的方法具体包括如下步骤:
S210,根据预先获取的客户特征信息,确定客户类型;所述客户类型包括冷启动客户和热启动客户。
如果客户类型为冷启动客户,则继续执行S220-S250,如果客户类型为热启动客户,则执行S260-S270。
S220,若所述客户为冷启动客户,则根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,利用K近邻分类算法,确定所述冷启动客户所属的目标客户类群。
具体的,所述根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,利用K近邻分类算法,确定所述冷启动客户所属的目标客户类群,包括:
将所述冷启动客户特征信息,转化为第一客户特征向量;其中,所述冷启动客户特征信息包括基础信息、业务办理信息、资产信息以及产品购买信息;
将所述各客户类群内的各热启动客户特征信息,均转化为第二客户特征向量;以及,将所述各客户类群的名称,均转化为标签向量;
根据各第二客户特征向量和各标签向量,确定样本集合;
确定所述第一客户特征向量与所述样本集合中各第二客户特征向量的距离;
根据所述距离、所述样本集合以及预先设置的K值,确定所述冷启动客户所属的目标客户类群。
在本方案中,首先,电子设备可以将全部冷启动客户特征信息均转化为第一客户特征向量,这样就用数学方式对冷启动客户特征信息进行了表示。相应的,电子设备也可以将热启动客户特征信息转化为第二客户特征向量,同时,可以将各个热启动客户所在客户类群名称,均转化为标签向量,已标记第二客户特征向量的客户类群。
电子设备可以根据实际应用场景和计算需要,对各第二客户特征向量和各标签向量,进行筛选。例如第二客户特征向量和其对应的标签向量中存在异常数据,电子设备可以对这对样本进行剔除,以保证优质的样本集合。在数字化冷启动客户特征信息、热启动客户特征信息以及客户类群的名称之后,电子设备可以计算第一客户特征向量与样本集合中各第二客户特征向量的距离。所述距离可以是欧式距离、曼哈顿距离、切比雪夫距离、余弦距离以及马氏距离等。根据距离、样本集合以及预先设置的K值,电子设备可以确定冷启动客户所属的目标客户类群。
本方案可以依据针对热启动客户特征信息确定的客户类群,对冷启动客户进行分类,具有分类可靠性。利用K近邻分类算法实现分类,可以避免冷启动客户特征信息中异常信息的影响,保证了分类结果的稳定性,可以实现更加准确的冷启动客户分类。
S230,根据所述冷启动客户特征信息中的资产信息以及针对所述目标客户类群确定的产品热度排序结果,得到推荐产品。
具体的,电子设备在为冷启动客户进行准确分类之后,可以依据目标客户类群中已统计的产品热度排序结果,结合冷启动客户的经济承受能力,向冷启动客户推荐产品。其中,冷启动客户特征信息中的资产信息最能反映冷启动客户的经济承受能力,经济承受能力是冷启动客户是否能够购买产品的硬性条件。
本方案结合冷启动客户特征信息中的资产信息来确定推荐产品,充分考虑了冷启动客户的可用资产,可以为冷启动客户针对性的推荐产品。
S240,若所述冷启动客户购买了所述推荐产品,则更新所述冷启动客户特征信息,并根据所述推荐产品,利用马尔科夫链,确定产品转移矩阵。
如果冷启动客户购买了推荐产品,电子设备可以对应更新冷启动客户特征信息。同时,电子设备可以根据当前的推荐产品,预测该冷启动客户接下来的兴趣点。具体的,电子设备可以利用马尔科夫链,确定推荐产品的产品转移矩阵。利用马尔科夫链,确定产品转移矩阵的过程可以是根据马尔科夫概率转移公式,利用当前的推荐产品购买的时间,在考虑计算复杂带及时间连续性的前提下,使用一步马尔科夫转移链,计算产品的转移概率。通过计算全部与当前的推荐产品具有关联关系的产品的转移概率,可以得到产品转移矩阵。
本方案可以利用马尔科夫链,在推荐产品的确定过程中加入时间效应项,使得推荐产品更符合实际。
S250,根据所述产品转移矩阵,确定后续推荐产品。
根据产品转移矩阵,电子设备可以确定该冷启动客户的后续推荐产品。参考产品转移矩阵,可以保证后续推荐产品能够满足客户的实际需要,为客户带来良好的购买体验。
S260,若所述客户为热启动客户,则根据热启动客户特征信息,采用聚类算法对所述热启动客户进行分群,得到客户类群。
如果客户为热启动客户,电子设备可以根据热启动客户特征信息,采用聚类算法对热启动客户进行分群。电子设备可以根据全部热启动客户特征信息进行分群。为了实现针对性的分群,电子设备也可以对热启动客户特征信息进行筛选,根据关键热启动客户特征信息进行分群。电子设备可以将热启动客户特征信息转化为数值,以便于聚类算法对热启动客户分群。所述聚类算法可以是无监督的分类算法,例如可以是K均值聚类算法。在进行分群之前,电子设备还可以使用“手肘法”,根据数值化的热启动客户特征信息,确定聚类的最优类别数值。
本方案可以根据热启动客户特征信息实现自动分群。聚类算法的收敛速度快,可以实现快速的热启动客户分群。
S270,根据所述客户类群内的热启动客户特征信息和预先获取的产品信息,利用多路召回推荐模型,确定各客户类群的产品热度排序结果。
图2B为本发明实施例二中的多路召回推荐模型结构示意图。具体的,如图2B所示,所述多路召回推荐模型包括数据层、召回层以及排序层;
所述数据层,用于根据所述热启动客户特征信息和所述产品信息,提供所述召回层的输入数据;
所述召回层,用于根据所述输入数据,利用多路召回算法,确定各路召回结果;所述召回算法包括基于物品的协同过滤召回算法、基于embedding搜索得到的物品协同过滤召回算法、基于物品的双塔模型召回算法及基于客户的双塔模型召回算法;
所述排序层,用于根据所述各路召回结果,利用融合排序算法,确定客户类群的产品热度排序结果;所述融合排序算法包括基于注意力机制的深度兴趣网络DIN模型算法。
本方案中,所述数据层可以将热启动客户特征信息和产品信息数值化,分别输入多路召回算法中。所述产品信息可以包括产品名称、产品类型、产品期限、销售数量、销售金额、销售单价以及产品收益等。所述召回算法的目的可以是为每个热启动客户找出可能喜欢的产品候选集,所述产品候选集为多路召回结果的集合。所述召回算法可以包括基于物品的协同过滤召回算法、基于embedding搜索得到的物品协同过滤召回算法、基于物品的双塔模型召回算法及基于客户的双塔模型召回算法。
其中,基于物品的协同过滤召回算法可以根据数据层提供的输入数据,获取每个热启动客户产生过交互的产品集合;然后,针对与热启动客户产生交互的产品之间的共现情况,进行产品之间相似度计算;最后针对每个热启动客户,按照以往的感兴趣购买的产品情况,找到最感兴趣的一个或多个兴趣产品,利用每个兴趣产品再去寻找与其最接近的一个或多个产品,作为每个热启动客户的候选推荐产品。
所述基于embedding搜索得到的物品协同过滤召回算法、基于物品的双塔模型召回算法及基于客户的双塔模型召回算法可以结合深度学习模型实现。使用embedding搜索、基于物品的双塔模型以及基于客户的双塔模型的方法,可以利用数字化的热启动客户特征信息和产品信息,计算的稠密向量,以解决热启动客户和产品过多导致的数据稀疏性等问题,可以通过深度神经网络中多层激活函数,来提升相似度的计算精度,得到与热启动客户购买过最为相似或兴趣最高的产品列表,进而可以得到客户类群的产品热度排序结果。
电子设备可以根据各路召回结果组成的产品候选集,从海量的数据中筛选出候选产品对应的购买记录,再结合热启动客户特征信息,使用融合排序算法对产品候选集的推荐度进行精排。电子设备还可以为融合排序算法加入时间效应因素,以产品类型为保险产品为例,如果保险产品购买时间较近,则赋予负向时间权重,即越是近期购买的保险产品,推荐该类保险产品的概率越低。相反的,如果产品类型是理财产品,则购买时间较近,则赋予正向时间权重。该方案可以加大客户近期购买行为的权重,大大提升了多路召回推荐模型表达能力及产品推荐的准确性。
本方案可以利用更为全面的热启动客户特征及产品特征,通过分析产品和客户历史行为的相关性,提升产品推荐的准确性。
本申请实施例所提供的技术方案,通过根据客户特征信息,确定客户类型;若客户为冷启动客户,则根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,确定冷启动客户所属的目标客户类群。根据冷启动客户特征信息以及针对所述目标客户类群确定的产品热度排序结果,进而得到推荐产品。本方案可以通过划分客户类型,为不同类型的客户提供了针对性的产品推荐方案。特别是通过关联冷启动客户特征信息与客户类群,来确定冷启动客户的推荐产品,实现了适应性的产品推荐,提高了营销推荐成功率,为客户带来了良好的购买体验。
实施例三
图3为本发明实施例三提供的一种产品推荐装置的结构示意图,该装置可执行本发明任意实施例所提供的产品推荐方法,具备执行方法相应的功能模块和有益效果。如图3所示,该装置可以包括:
客户类型确定模块310,用于根据预先获取的客户特征信息,确定客户类型;所述客户类型包括冷启动客户和热启动客户;
目标客户类群确定模块320,用于若所述客户为冷启动客户,则根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,确定所述冷启动客户所属的目标客户类群;
推荐产品确定模块330,用于根据所述冷启动客户特征信息以及针对所述目标客户类群确定的产品热度排序结果,得到推荐产品。
在本方案中,可选的,所述目标客户类群确定模块320,具体用于:
根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,利用K近邻分类算法,确定所述冷启动客户所属的目标客户类群。
在一个可行的实施例中,可选的,所述目标客户类群确定模块320,具体用于:
将所述冷启动客户特征信息,转化为第一客户特征向量;其中,所述冷启动客户特征信息包括基础信息、业务办理信息、资产信息以及产品购买信息;
将所述各客户类群内的各热启动客户特征信息,均转化为第二客户特征向量;以及,将所述各客户类群的名称,均转化为标签向量;
根据各第二客户特征向量和各标签向量,确定样本集合;
确定所述第一客户特征向量与所述样本集合中各第二客户特征向量的距离;
根据所述距离、所述样本集合以及预先设置的K值,确定所述冷启动客户所属的目标客户类群。
在上述方案的基础上,可选的,所述推荐产品确定模块330,具体用于:
根据所述冷启动客户特征信息中的资产信息以及针对所述目标客户类群确定的产品热度排序结果,得到推荐产品。
在一个优选的方案中,可选的,所述装置还包括:
产品转移矩阵确定模块,用于若所述冷启动客户购买了所述推荐产品,则更新所述冷启动客户特征信息,并根据所述推荐产品,利用马尔科夫链,确定产品转移矩阵;
后续推荐产品确定模块,用于根据所述产品转移矩阵,确定后续推荐产品。
可选的,所述装置还包括:
客户类群确定模块,用于若所述客户为热启动客户,则根据热启动客户特征信息,采用聚类算法对所述热启动客户进行分群,得到客户类群;
产品热度排序结果确定模块,用于根据所述客户类群内的热启动客户特征信息和预先获取的产品信息,利用多路召回推荐模型,确定各客户类群的产品热度排序结果。
在一个可行的实施例中,可选的,所述多路召回推荐模型包括数据层、召回层以及排序层;
所述数据层,用于根据所述热启动客户特征信息和所述产品信息,提供所述召回层的输入数据;
所述召回层,用于根据所述输入数据,利用多路召回算法,确定各路召回结果;所述召回算法包括基于物品的协同过滤召回算法、基于embedding搜索得到的物品协同过滤召回算法、基于物品的双塔模型召回算法及基于客户的双塔模型召回算法;
所述排序层,用于根据所述各路召回结果,利用融合排序算法,确定客户类群的产品热度排序结果;所述融合排序算法包括基于注意力机制的深度兴趣网络DIN模型算法。
上述产品可执行本申请实施例所提供的产品推荐方法,具备执行方法相应的功能模块和有益效果。
实施例四
本发明实施例四提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有发明实施例提供的产品推荐方法:
根据预先获取的客户特征信息,确定客户类型;所述客户类型包括冷启动客户和热启动客户;
若所述客户为冷启动客户,则根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,确定所述冷启动客户所属的目标客户类群;
根据所述冷启动客户特征信息以及针对所述目标客户类群确定的产品热度排序结果,得到推荐产品。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在客户计算机上执行、部分地在客户计算机上执行、作为一个独立的软件包执行、部分在客户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到客户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
实施例五
本申请实施例五提供了一种电子设备。图4是本申请实施例五提供的一种电子设备的结构示意图。如图4所示,本实施例提供了一种电子设备400,其包括:一个或多个处理器420;存储装置410,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器420执行,使得所述一个或多个处理器420实现本申请实施例所提供的产品推荐方法,该方法包括:
根据预先获取的客户特征信息,确定客户类型;所述客户类型包括冷启动客户和热启动客户;
若所述客户为冷启动客户,则根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,确定所述冷启动客户所属的目标客户类群;
根据所述冷启动客户特征信息以及针对所述目标客户类群确定的产品热度排序结果,得到推荐产品。
当然,本领域技术人员可以理解,处理器420还实现本申请任意实施例所提供的产品推荐方法的技术方案。
图4显示的电子设备400仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,该电子设备400包括处理器420、存储装置410、输入装置430和输出装置440;电子设备中处理器420的数量可以是一个或多个,图4中以一个处理器420为例;电子设备中的处理器420、存储装置410、输入装置430和输出装置440可以通过总线或其他方式连接,图4中以通过总线450连接为例。
存储装置410作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块单元,如本申请实施例中的产品推荐方法对应的程序指令。
存储装置410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终端的使用所创建的数据等。此外,存储装置410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,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储装置410可进一步包括相对于处理器420远程设置的存储器,这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字、字符信息或语音信息,以及产生与电子设备的客户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏、扬声器等电子设备。
本申请实施例提供的电子设备,可以通过划分客户类型,为不同类型的客户提供了针对性的产品推荐方案。特别是通过关联冷启动客户特征信息与客户类群,来确定冷启动客户的推荐产品,实现了适应性的产品推荐,提高了营销推荐成功率,为客户带来了良好的购买体验。
上述实施例中提供的产品推荐装置、介质及电子设备可执行本申请任意实施例所提供的产品推荐方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的产品推荐方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种产品推荐方法,其特征在于,所述方法包括:
根据预先获取的客户特征信息,确定客户类型;所述客户类型包括冷启动客户和热启动客户;
若所述客户为冷启动客户,则根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,确定所述冷启动客户所属的目标客户类群;
根据所述冷启动客户特征信息以及针对所述目标客户类群确定的产品热度排序结果,得到推荐产品。
2.根据权利要求1所述的方法,其特征在于,所述根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,确定所述冷启动客户所属的目标客户类群,包括:
根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,利用K近邻分类算法,确定所述冷启动客户所属的目标客户类群。
3.根据权利要求2所述的方法,其特征在于,所述根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,利用K近邻分类算法,确定所述冷启动客户所属的目标客户类群,包括:
将所述冷启动客户特征信息,转化为第一客户特征向量;其中,所述冷启动客户特征信息包括基础信息、业务办理信息、资产信息以及产品购买信息;
将所述各客户类群内的各热启动客户特征信息,均转化为第二客户特征向量;以及,将所述各客户类群的名称,均转化为标签向量;
根据各第二客户特征向量和各标签向量,确定样本集合;
确定所述第一客户特征向量与所述样本集合中各第二客户特征向量的距离;
根据所述距离、所述样本集合以及预先设置的K值,确定所述冷启动客户所属的目标客户类群。
4.根据权利要求3所述的方法,其特征在于,所述根据所述冷启动客户特征信息以及针对所述目标客户类群确定的产品热度排序结果,得到推荐产品,包括:
根据所述冷启动客户特征信息中的资产信息以及针对所述目标客户类群确定的产品热度排序结果,得到推荐产品。
5.根据权利要求1所述的方法,其特征在于,在得到推荐产品之后,所述方法还包括:
若所述冷启动客户购买了所述推荐产品,则更新所述冷启动客户特征信息,并根据所述推荐产品,利用马尔科夫链,确定产品转移矩阵;
根据所述产品转移矩阵,确定后续推荐产品。
6.根据权利要求1所述的方法,其特征在于,在根据预先获取的客户特征信息,确定客户类型之后,所述方法还包括:
若所述客户为热启动客户,则根据热启动客户特征信息,采用聚类算法对所述热启动客户进行分群,得到客户类群;
根据所述客户类群内的热启动客户特征信息和预先获取的产品信息,利用多路召回推荐模型,确定各客户类群的产品热度排序结果。
7.根据权利要求6所述的方法,其特征在于,所述多路召回推荐模型包括数据层、召回层以及排序层;
所述数据层,用于根据所述热启动客户特征信息和所述产品信息,提供所述召回层的输入数据;
所述召回层,用于根据所述输入数据,利用多路召回算法,确定各路召回结果;所述召回算法包括基于物品的协同过滤召回算法、基于embedding搜索得到的物品协同过滤召回算法、基于物品的双塔模型召回算法及基于客户的双塔模型召回算法;
所述排序层,用于根据所述各路召回结果,利用融合排序算法,确定客户类群的产品热度排序结果;所述融合排序算法包括基于注意力机制的深度兴趣网络DIN模型算法。
8.一种产品推荐装置,其特征在于,所述装置包括:
客户类型确定模块,用于根据预先获取的客户特征信息,确定客户类型;所述客户类型包括冷启动客户和热启动客户;
目标客户类群确定模块,用于若所述客户为冷启动客户,则根据冷启动客户特征信息和预先针对热启动客户特征信息确定的客户类群,确定所述冷启动客户所属的目标客户类群;
推荐产品确定模块,用于根据所述冷启动客户特征信息以及针对所述目标客户类群确定的产品热度排序结果,得到推荐产品。
9.一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,该程序被处理器执行时实现如权利要求1-7中任一项所述的产品推荐方法。
10.一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的产品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111411850.7A CN114092194A (zh) | 2021-11-25 | 2021-11-25 | 一种产品推荐方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111411850.7A CN114092194A (zh) | 2021-11-25 | 2021-11-25 | 一种产品推荐方法、装置、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092194A true CN114092194A (zh) | 2022-02-25 |
Family
ID=80304372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111411850.7A Pending CN114092194A (zh) | 2021-11-25 | 2021-11-25 | 一种产品推荐方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092194A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862561A (zh) * | 2023-07-10 | 2023-10-10 | 深圳爱巧网络有限公司 | 基于卷积神经网络的产品热度分析方法和系统 |
-
2021
- 2021-11-25 CN CN202111411850.7A patent/CN114092194A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862561A (zh) * | 2023-07-10 | 2023-10-10 | 深圳爱巧网络有限公司 | 基于卷积神经网络的产品热度分析方法和系统 |
CN116862561B (zh) * | 2023-07-10 | 2024-01-26 | 深圳爱巧网络有限公司 | 基于卷积神经网络的产品热度分析方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11663254B2 (en) | System and engine for seeded clustering of news events | |
Li et al. | On both cold-start and long-tail recommendation with social data | |
US11741094B2 (en) | Method and system for identifying core product terms | |
US20180284971A1 (en) | Intelligent visual object management system | |
US20210263978A1 (en) | Intelligent interface accelerating | |
CN114328949A (zh) | 一种基于知识图谱的企业风险传导分析方法和装置 | |
Margaris et al. | An adaptive social network-aware collaborative filtering algorithm for improved rating prediction accuracy | |
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 | |
US20230099627A1 (en) | Machine learning model for predicting an action | |
CN111078997A (zh) | 一种资讯推荐方法及装置 | |
Tripathi et al. | Recommending restaurants: A collaborative filtering approach | |
CN114092194A (zh) | 一种产品推荐方法、装置、介质及设备 | |
CN116467525A (zh) | 业务产品的推荐方法、装置、设备和存储介质 | |
Wu et al. | Using the mathematical model on precision marketing with online transaction data computing | |
CN115880077A (zh) | 基于客户标签的推荐方法及其装置、电子设备及存储介质 | |
Alabdulrahman et al. | Active learning and deep learning for the cold-start problem in recommendation system: A comparative study | |
Duan et al. | MhSa-GRU: combining user’s dynamic preferences and items’ correlation to augment sequence recommendation | |
CN110827101A (zh) | 一种店铺推荐的方法和装置 | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN114912031A (zh) | 基于聚类和协同过滤的混合推荐方法和系统 | |
CN110738538B (zh) | 识别相似物品的方法和装置 | |
CN113743973A (zh) | 分析市场热点趋势的方法和装置 | |
US20240152512A1 (en) | Machine learning for dynamic information retrieval in a cold start setting | |
Akshay et al. | Machine Learning Based recommendation system Using User-Item Interaction | |
Jalal et al. | Feature Engineering in Hybrid Recommender Systems |
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 |