CN114238781A - 基于人工智能的信息推送方法、装置、设备及介质 - Google Patents

Abstract

本发明用于人工智能领域，涉及区块链领域，公开了基于人工智能的信息推送方法、装置、设备及介质，其中方法包括：获取用户在预设时间段内针对不同产品的隐式行为数据，并获取预设评分模型；将用户对每一产品的隐式行为数据进行分类，以获得用户对每一产品的多个分类行为数据；将同一产品的多个分类行为数据输入预设评分模型中，以获得用户对不同产品的偏好结果；根据用户对不同产品的偏好结果确定目标产品信息，并向用户推送目标产品信息；本发明中可以客观真实的分析出用户对产品的偏好度，进而根据用户偏好度确定产品推荐信息，能够有效提高产品推荐信息的准确度，进而满足用户需求，从而提高产品推荐效果。

Description

基于人工智能的信息推送方法、装置、设备及介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的信息推送方法、装置、设备及介质。

背景技术

互联网的迅猛发展为各行行业的发展注入了新的活力，随着互联网的发展和人们生活水平的提高，相关保险产品数量的急剧增长，用户很难在有限的时间内找到需要的保险产品。在此情况下，智能保险推荐系统成为当前保险行业的趋势，智能保险推荐系统依靠人工智能和大数据领域的前沿技术，通过数据采集、算法建模、画像生成、产品推荐等流程，优化保险推荐路径，提高产品推荐成功率。

但是发明人发现，现有智能保险推荐系统的推荐模式，一般是基于用户的身份信息、历史交易等显式数据构建一个用户画像，进而基于该用户画像对用户进行保险产品进行推荐，这样的推荐模型采集的数据不太准确，导致推荐准确度较低，产品推荐效果不够理想。

发明内容

本发明提供一种基于人工智能的信息推送方法、装置、设备及介质，以解决现有智能保险推荐系统的推荐准确度较低，产品推荐效果不够理想问题。

提供一种基于人工智能的信息推送方法，包括：

获取用户在预设时间段内针对不同产品的隐式行为数据；

获取预设评分模型，预设评分模型为根据不同客户的隐式行为样本数据训练获得的评分模型；

将用户对每一产品的隐式行为数据进行分类，以获得用户对每一产品的多个分类行为数据；

将同一产品的多个分类行为数据输入预设评分模型中，以使预设评分模型根据产品的多个分类行为数据，计算用户对产品的偏好结果，以获得用户对不同产品的偏好结果；

根据用户对不同产品的偏好结果确定目标产品信息，并向用户推送目标产品信息。

提供一种基于人工智能的信息推送装置，包括：

第一获取模块，用于获取用户在预设时间段内针对不同产品的隐式行为数据；

第二获取模块，用于获取预设评分模型，预设评分模型为根据不同客户的隐式行为样本数据训练获得的评分模型；

分类模块，用于将用户对每一产品的隐式行为数据进行分类，以获得用户对每一产品的多个分类行为数据；

输入模块，用于将同一产品的多个分类行为数据输入预设评分模型中，以使预设评分模型根据产品的多个分类行为数据，计算用户对产品的偏好结果，以获得用户对不同产品的偏好结果；

确定模块，用于根据用户对不同产品的偏好结果确定目标产品信息，并向用户推送目标产品信息。

提供一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述基于人工智能的信息推送方法的步骤。

提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述基于人工智能的信息推送方法的步骤。

上述基于人工智能的信息推送方法、装置、设备及介质所提供的一个方案中，通过获取用户在预设时间段内针对不同产品的隐式行为数据，并获取预设评分模型，预设评分模型为根据不同客户的隐式行为样本数据训练获得的评分模型，然后将用户对每一产品的隐式行为数据进行分类，以获得用户对每一产品的多个分类行为数据，再将同一产品的多个分类行为数据输入预设评分模型中，以使预设评分模型根据产品的多个分类行为数据，计算用户对产品的偏好结果，以获得用户对不同产品的偏好结果，最后根据用户对不同产品的偏好结果确定目标产品信息，并向用户推送目标产品信息；本发明中，通过用户的隐式行为数据，可以更加客观真实的分析出用户对产品的偏好度，进而根据用户对不同产品的偏好度确定产品推荐信息，能够有效提高产品推荐信息的准确度，进而使得推荐的产品更加满足用户需求，从而提高产品推荐效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中基于人工智能的信息推送方法的一应用环境示意图；

图2是本发明一实施例中基于人工智能的信息推送方法的一流程示意图；

图3是图2中步骤S50的一实现流程示意图；

图4是图3中步骤S54的一实现流程示意图；

图5是图3中步骤S53的一实现流程示意图；

图6是图5中步骤S532的一实现流程示意图；

图7是图6中步骤S5321的一实现流程示意图；

图8是图3中步骤S53的另一实现流程示意图；

图9是本发明一实施例中基于人工智能的信息推送装置的一结构示意图；

图10是本发明一实施例中计算机设备的一结构示意图。

具体实施方式

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、完整地描述，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。

本发明实施例提供的基于人工智能的信息推送方法，可应用在如图1的应用环境中，其中，终端设备通过网络与服务器进行通信。用户通过终端设备登录推荐系统后，服务器通过获取用户在预设时间段内针对不同产品的隐式行为数据，并获取预设评分模型，预设评分模型为根据不同客户的隐式行为样本数据训练获得的评分模型，然后将用户对每一产品的隐式行为数据进行分类，以获得用户对每一产品的多个分类行为数据，再将同一产品的多个分类行为数据输入预设评分模型中，以使预设评分模型根据产品的多个分类行为数据，计算用户对产品的偏好结果，以获得用户对不同产品的偏好结果，最后根据用户对不同产品的偏好结果确定目标产品信息，并向用户推送目标产品信息；通过用户的隐式行为数据，可以更加客观真实的分析出用户对产品的偏好度，进而根据用户对不同产品的偏好度确定产品推荐信息，能够有效提高产品推荐信息的准确度，进而使得推荐的产品更加满足用户需求，从而提高产品推荐效果，最终，进一步提高了推荐系统的人工智能化，提高了用户体验。

其中，隐式行为数据、目标产品信息和预设评分模型等相关数据存储在服务器的数据库中，在获取用户通过终端设备登录推荐系统之后，服务器直接拉取预先存储在数据库中隐式行为数据和预设评分模型，以执行本实施例中基于人工智能的信息推送方法，从而确定目标产品信息并向用户推送。

本实施例中的数据库存储于区块链网络中，用于存储基于人工智能的信息推送方法中用到、生成的数据，如隐式行为数据、目标产品信息和预设评分模型等相关数据。本申请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。将数据库部署于区块链可提高数据存储的安全性。

其中，终端设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一实施例中，如图2所示，提供一种基于人工智能的信息推送方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：

S10：获取用户在预设时间段内针对不同产品的隐式行为数据。

在检测到用户登录系统之后，获取用户在预设时间段内针对不同产品的隐式行为数据。其中，用户对产品的隐式行为数据包括用户对产品进行点击、浏览、搜索、关注、收藏、分享等非显式行为时所产生的数据。

其中，预设时间段为以当前登录时刻为起点，至历史目标时刻之间的历史时间段。其中，隐式行为数据可以通过在网站、APP和小程序中进行埋点，以获得用户对产品的点击、浏览、搜索、关注、收藏、分享等行为数据，汇总为用户对产品的隐式行为数据。

S20：获取预设评分模型，预设评分模型为根据不同客户的隐式行为样本数据训练获得的评分模型。

在获取用户在预设时间段内针对不同产品的隐式行为数据的同时，需要获取预设评分模型，以通过预设评分模型对用户的隐式行为数据进行分析，从而获得用户对不同产品的偏好。

其中，可以理解的是，预设评分模型可以是利用决策树、随机森林等机器学习算法，并根据不同客户的隐式行为样本数据训练获得的评分模型。每一客户的隐式行为样本数据包括多个分类行为样本数据，每一分类行为样本数据对应一个行为类型标签和行为评分标签。

其中，行为类型包括点击行为、浏览行为、搜索行为、关注行为、收藏行为和分享行为等行为类型，则分类行为样本数据的行为类型标签包括点击行为标签、浏览行为标签、搜索行为标签、关注行为标签、收藏行为标签和分享行为标签等行为类型的标签。行为评分标签为根据实际需求，对具有不同行为类型标签的分类行为样本数据进行评分后获得的得分标签。

本实施例中，为不同行为类型设置不同的评分指标，每个行为类型的每个指标都会对应一个分值；每个行为类型对应不同的评分权重，因此，根据分类行为样本数据中的行为类型标签，可以确定行为类型标签对应的评分权重。在确定分类行为样本数据中的行为类型标签之后，可以确定分类行为样本数据所命中的评分指标，进而根据分类行为样本数据所命中的评分指标，可以计算出分类行为样本数据的行为评分，以作为行为评分标签。在确定每一分类行为样本数据的行为评分之后，根据分类行为样本数据对应的评分权重和对应的行为评分，可以计算出客户的隐式行为样本数据的总评分。

其中，点击行为的评分指标包括用户在预设时间段内对产品的点击次数和点击频率；浏览行为的评分指标包括用户在预设时间段内每次浏览该产品时的浏览时长，不同浏览时长对应不同分值，例如，不同浏览时长可以是10秒内、10秒-1分钟、1-3分钟、3分钟以上等；点击行为的评分指标包括用户在预设时间段内对产品的搜索次数和搜索频率；分享行为的评分指标包括用户在预设时间段内对产品的分享次数和分享平台类型；关注行为的评分指标包括用户在预设时间段内对产品的关注次数和取消关注次数，以及用户是否为首次关注产品；收藏行为的评分指标包括用户在预设时间段内对产品的收藏次数和取消收藏次数，以及用户是否为首次收藏产品。

其中，预设评分模型可以通过如下方式训练获得：

获取客户(历史用户)在推荐系统中对不同产品的用户操作日志，然后通过ETL(Extract-Transform-Load)数据仓库技术，将各个客户的分散、零乱、标准不统一的行为数据，经过抽取、清洗以去掉异常数据、重复数据和不完整数据，然后对各个客户的行为数据进行统一格式化处理，以将客户的行为数据转换为针对不同产品的隐式行为数据，从而获得不同客户的隐式行为样本数据；

将各客户的隐式行为样本数据进行行为类型分类，打上不同行为类型标签，然后根据分类行为样本数据的行为类型和命中的评分指标，对该分类行为样本数据进行评分，并根据评分结果为该分类行为样本数据的打上行为评分标签，以获得不同的分类行为样本数据，然后将客户对应的不同分类行为样本数据汇总为隐式行为样本数据；

根据该隐式行为样本数据中各分类行为样本数据对应的评分权重和对应的行为评分，计算出该隐式行为样本数据的总评分；

然后将一客户的隐式行为样本数据输入包含初始参数的预设模型中，以使该预设模型对该隐式行为样本数据进行评分以获得该隐式行为样本数据的预测评分；

根据该隐式行为样本数据的总评分和预测评分确定预设模型的总损失值；在预设模型的总损失值未达到预设收敛条件时，迭代更新预设模型的初始参数，直至总损失值达到预设收敛条件时，将收敛之后的预设模型记录为意图识别模型。

可以理解的，预设收敛条件可以为总损失值小于预定阈值的条件，也即在总损失值小于预定阈值时，确定总损失值达到预设收敛条件，停止训练；预设收敛条件还可以是总损失值经过预设次数的计算后值很小且不会再下降的条件，也即当总损失值经过预设次数的计算后值很小且不会再下降时，确定总损失值达到预设收敛条件，停止训练，然后将收敛之后的预设模型记录为预设评分模型。

本实施例中，明确了预设评分模型的训练获取过程，通过不同客户的隐式行为样本数据训练获得预设评分模型，能够提高预设评分模型的算法精度，进而提高通过预设评分模型确定的用户对各产品的偏好度，为后续准确推荐提供了基础。

S30：将用户对每一产品的隐式行为数据进行分类，以获得用户对每一产品的多个分类行为数据。

在获取用户在预设时间段内针对不同产品的隐式行为数据之后，将用户对每一产品的隐式行为数据进行分类，以获得用户对每一产品的多个分类行为数据。其中，每一分类行为数据对应一个行为类型。

例如，行为类型包括点击行为、浏览行为、搜索行为、关注行为、收藏行为和分享行为，则将用户对每一产品的隐式行为数据进行分类和标注，则可以将用户对每一产品的隐式行为数据，划分为点击行为数据、浏览行为数据、搜索行为数据、关注行为数据、收藏行为数据和分享行为数据等分类行为数据。

S40：将同一产品的多个分类行为数据输入预设评分模型中，以使预设评分模型根据产品的多个分类行为数据，计算用户对产品的偏好结果，以获得用户对不同产品的偏好结果。

在获得用户对每一产品的多个分类行为数据之后，将同一产品的多个分类行为数据输入预设评分模型中，以使预设评分模型根据产品的多个分类行为数据，计算用户对产品的偏好结果，然后遍历所有产品，分别将各产品的多个分类行为数据输入预设评分模型，以获得用户对不同产品的偏好结果。

本实施例中，预设评分模型输出的用户对产品的偏好结果，可以预设评分模型根据用户对该产品的隐式行为数据进行分析并评分后获得的偏好得分。

S50：根据用户对不同产品的偏好结果确定目标产品信息，并向用户推送目标产品信息。

在获得用户对不同产品的偏好结果之后，根据用户对不同产品的偏好结果和当前推荐策略确定目标产品信息，并向用户推送目标产品信息。

其中，在获得用户对不同产品的偏好结果之后，可以根据用户对不同产品的偏好结果(偏好得分)，对不同产品进行排序，确定前多个产品，作为待推荐产品，然后根据多个待推荐产品的偏好得分和当前推荐策略，生成目标产品信息，最后向用户推送该目标产品信息。其中，待推荐产品的偏好得分越高，在目标产品信息中的排序越靠前。

其中，在获得用户对不同产品的偏好结果之后，可以根据用户对不同产品的偏好结果，建立用户短期偏好画像，然后根据用户短期偏好画像确定偏好产品类型，然后根据偏好产品类型和当前推荐策略，确定多个待推荐产品，进而生成包括多个待推荐产品的目标产品信息，最后向用户推送该目标产品信息。

其中，推荐策略包括非个性化推荐策略和个性化推荐策略。

非个性化推荐策略一般基于热门榜单产品进行推荐，非个性化推荐策略中，会给所有用户都推荐热门榜单产品，不会因人而异。例如，在确定多个待推荐产品之后，确定当前热门榜单产品，然后根据多个待推荐产品和热门榜单产品目标产品信息，其中，热门榜单产品排序靠前。

个性化推荐推荐策略则是基于用户的协同过滤算法、基于物品的协同过滤算法、基于社交关系的推荐算法、基于关联规则的推荐算法等推荐策略。例如，以基于关联规则的推荐算法为例在获得用户对不同产品的偏好结果之后，可以根据用户对不同产品的偏好结果(偏好得分)，对不同产品进行排序，将偏好得分最高的前N个产品作为标记产品，N大于或者等于1；然后确定与标记产品匹配度最高的m个同类型产品，将标记产品和标记产品对应的m个同类型产品作为多个待推荐产品，进而根据多个待推荐产品生成目标产品信息，最后向用户推送该目标产品信息。

本实施例中，上述根据用户对不同产品的偏好结果确定目标产品信息的方式仅为示例性说明，在其他实施例中，还可以根据用户对不同产品的偏好结果、用户属性和/或当前推荐策略确定目标产品信息，在此不再赘述。

本实施例中，通过获取用户在预设时间段内针对不同产品的隐式行为数据，并获取预设评分模型，预设评分模型为根据不同客户的隐式行为样本数据训练获得的评分模型，然后将用户对每一产品的隐式行为数据进行分类，以获得用户对每一产品的多个分类行为数据，再将同一产品的多个分类行为数据输入预设评分模型中，以使预设评分模型根据产品的多个分类行为数据，计算用户对产品的偏好结果，以获得用户对不同产品的偏好结果，最后根据用户对不同产品的偏好结果确定目标产品信息，并向用户推送目标产品信息；通过用户的隐式行为数据，可以更加客观真实的分析出用户对产品的偏好度，进而根据用户对不同产品的偏好度确定产品推荐信息，能够有效提高产品推荐信息的准确度，进而使得推荐的产品更加满足用户需求，从而提高产品推荐效果。

在一实施例中，如图3所示，步骤S50中，即根据用户对不同产品的偏好结果确定目标产品信息，具体包括如下步骤。

S51：根据用户对不同产品的偏好结果，确定多个待推荐产品。

在获得用户对不同产品的偏好结果之后，可以根据用户对不同产品的偏好结果，确定多个待推荐产品。其中，多个待推荐产品的确定方式如前文，在此不再赘述。

S52：获取包括多个用户属性的用户的属性数据。

在确定多个待推荐产品的同时，还需要获取用户的属性数据。其中，用户的属性数据为容易获取的显式数据。用户的属性数据包括多个用户属性，多个用户属性包括用户性别、用户年龄、用户职业、用户收入等属性。

本实施例中，多个用户属性包括用户性别、用户年龄、用户职业、用户收入等属性，仅为示例性说明，在其他实施例中，多个用户属性包括其他属性，在此不再赘述。

S53：将多个待推荐产品与用户的属性数据进行匹配，以获得多个待推荐产品与属性数据的匹配信息。

在获得用户的属性数据和多个待推荐产品之后，将多个待推荐产品与用户的属性数据进行匹配，以获得多个待推荐产品与属性数据的匹配信息。

S54：根据多个匹配信息，在多个待推荐产品中确定符合预设条件的目标推荐产品。

在获得多个待推荐产品与属性数据的匹配信息之后，根据多个匹配信息，在多个待推荐产品中确定符合预设条件的目标推荐产品。其中，目标推荐产品需至少满足一个用户属性，即目标推荐产品需至少满足用户性别、用户年龄、用户职业、用户收入中的任一用户属性。

S55：根据符合预设条件的目标推荐产品，生成目标产品信息。

在多个待推荐产品中确定符合预设条件的目标推荐产品之后，根据符合预设条件的目标推荐产品，生成目标产品信息。其中，匹配产品命中的用户性别、用户年龄、用户职业、用户收入等用户属性越多，则匹配产品与用户的属性数据越匹配。而在目标产品信息中，目标推荐产品与用户的属性数据的匹配度越高，则目标推荐产品排序越靠前。

本实施例中，在考虑用户的隐式行为数据的同时，还考虑用户属性等的显式数据，在进行保险产品等于用户年龄、职业等强相关的产品推荐时，根据隐式行为数据和用户显式数据确定的目标推荐产品，能够更加贴合用户的需求，使得目标产品信息更加准确，推荐效果更好。

本实施例中，根据用户对不同产品的偏好结果，确定多个待推荐产品；同时获取包括多个用户属性的用户的属性数据；然后将多个待推荐产品与用户的属性数据进行匹配，以获得多个待推荐产品与属性数据的匹配信息；再根据多个匹配信息，在多个待推荐产品中确定符合预设条件的目标推荐产品，目标推荐产品需至少满足一个用户属性；最后根据符合预设条件的目标推荐产品，生成目标产品信息，细化了根据用户对不同产品的偏好结果确定目标产品信息的步骤，在生成目标产品信息时，在考虑用户的隐式行为数据的同时，还考虑用户属性等的显式数据，提高了目标产品信息的准确性，从而提高了推荐效果。

在一实施例中，如图4所示，步骤S54中，即根据多个匹配信息，在多个待推荐产品中确定符合预设条件的目标推荐产品，具体包括如下步骤：

S541：根据匹配信息，确定待推荐产品与用户的属性数据是否匹配。

本实施例中，待推荐产品与用户的属性数据之间的匹配信息，包括待推荐产品与用户的属性数据的匹配结果(匹配或者不匹配)、待推荐产品与属性数据的匹配等级。待推荐产品满足命中的用户性别、用户年龄、用户职业、用户收入等用户属性越多，则匹配产品与用户的属性数据之间的匹配等级越高。

在获得多个待推荐产品与属性数据的匹配信息之后，根据待推荐产品与用户的属性数据的匹配信息，确定待推荐产品与用户的属性数据是否匹配：若匹配信息中的匹配结果为匹配，则待推荐产品与用户的属性数据匹配；若匹配信息中的匹配结果为不匹配，则待推荐产品与用户的属性数据不匹配。

S542：若待推荐产品与用户的属性数据匹配，则将待推荐产品记录为匹配产品。

在确定待推荐产品与用户的属性数据是否匹配之后，若待推荐产品与用户的属性数据匹配，则将待推荐产品记录为匹配产品；若待推荐产品与用户的属性数据不匹配，则将待推荐产品丢弃，不进行推荐；遍历所有待推荐产品，以获得所有的匹配产品。

S543：确定匹配产品的数量是否大于预设数量。

在将待推荐产品记录为匹配产品，并获得所有的匹配产品之后，确定匹配产品的数量是否大于预设数量。其中，预设数量可以为大于或者等于1的整数。

S544：若匹配产品的数量大于预设数量，则根据匹配信息确定匹配产品与属性数据的匹配等级。

在确定匹配产品的数量是否大于预设数量之后，若匹配产品的数量大于预设数量，则根据匹配信息确定匹配产品与属性数据的匹配等级，以根据匹配等级选择合适的匹配产品，作为目标推荐产品，进一步提高目标推荐产品的匹配度，从而提高目标产品信息的准确性，从而提高用户使用体验，增加用户粘性。

若匹配产品的数量小于或者等于预设数量，则将所有的匹配产品作为目标推荐产品，在匹配产品数量过少时，可以将所有的匹配产品作为目标推荐产品，减少因目标推荐产品过少导致用户体验不佳的可能，从而提高用户使用体验，增加用户粘性。

S545：将匹配等级符合预设条件的匹配产品，作为目标推荐产品。

在根据匹配信息确定匹配产品与属性数据的匹配等级之后，将匹配等级符合预设条件的匹配产品，作为目标推荐产品。其中，预设条件可以为匹配等级大于或者等于预设等级。

例如，预设条件可以为匹配等级大于或者等于第二级，即将匹配等级大于或者等于第二级的匹配产品，作为目标推荐产品。

本实施例中，预设条件可以为匹配等级大于或者等于第二级仅为示例性说明，在其他实施例中，预设条件还可以是其他，在此不再赘述。

在其他实施例中，预设数量可以为大于或者等于1，且小于或者等于20的整数，将预设数量设置为一个合适的产品推荐数量，减少因匹配产品数量过多导致的目标产品信息的杂乱无章，从而提高用户使用体验，增加用户粘性。

本实施例中，根据匹配信息，确定待推荐产品与用户的属性数据是否匹配；若待推荐产品与用户的属性数据匹配，则将待推荐产品记录为匹配产品；然后确定匹配产品的数量是否大于预设数量；若匹配产品的数量大于预设数量，则根据匹配信息确定匹配产品与属性数据的匹配等级；最后将匹配等级符合预设条件的匹配产品，作为目标推荐产品，明确了根据多个匹配信息，在多个待推荐产品中确定符合预设条件的目标推荐产品的具体步骤，在匹配产品数量大于一定数量时，根据匹配等级确定目标推荐产品，进一步提高了目标推荐产品的匹配度，从而提高目标产品信息的准确性，从而提高用户使用体验，增加用户粘性。

在一实施例中，如图5所示，步骤S53中，即将多个待推荐产品与用户的属性数据进行匹配，以获得多个待推荐产品与属性数据的匹配信息，具体包括如下步骤：

S531：确定属性数据中的用户性别、用户年龄、用户职业和用户收入。

其中，属性数据的用户属性包括用户性别、用户年龄、用户职业和用户收入。在获取用户的属性数据之后，需要确定用户性别、用户年龄、用户职业和用户收入等属性信息，以便根据用户性别、用户年龄、用户职业和用户收入等属性信息，在基于用户偏好度的待推荐产品的基础上，进行二次匹配度计算，最终得到基于用户偏好度和用户属性的目标推荐产品。

S532：确定待推荐产品与用户年龄、用户性别、用户职业和用户收入的匹配情况，以获得待推荐产品与属性数据的匹配信息。

在确定属性数据中的用户性别、用户年龄、用户职业和用户收入之后，确定待推荐产品与用户年龄、用户性别、用户职业和用户收入的匹配情况，以获得待推荐产品与属性数据的匹配信息。即分别将待推荐产品的性别要求、产品类型、职业风险等级和风险偏好类型，分别与用户性别、用户年龄、用户职业和用户收入进行匹配，如性别要求与用户性别匹配、产品类型与用户年龄匹配、用户职业与职业风险等级匹配、用户收入和风险偏好类型匹配，以分别确定对应两者的匹配情况。

其中，待推荐产品分别与用户年龄、用户性别、用户职业、用户收入进行匹配，匹配的用户属性越多，则表示该待推荐产品与用户属性数据的匹配等级越高。

S533：遍历所有待推荐产品，以获得多个待推荐产品与属性数据的匹配信息。

在确定一待推荐产品与属性数据的匹配信息之后，遍历所有待推荐产品，以获得多个待推荐产品与属性数据的匹配信息。

本实施例中，先确定属性数据中的用户性别、用户年龄、用户职业和用户收入，然后根据待推荐产品的产品信息，确定待推荐产品与用户年龄、用户性别、用户职业和用户收入的匹配情况，以获得待推荐产品与属性数据的匹配信息，再遍历所有待推荐产品，以获得多个待推荐产品与属性数据的匹配信息，明确了将多个待推荐产品与用户的属性数据进行匹配，以获得多个待推荐产品与属性数据的匹配信息的具体步骤，为后续根据多个匹配信息确定目标推荐产品，进而确定目标产品信息提供了基础，且将用户性别、用户年龄、用户职业和用户收入作为目标推荐产品的考虑因素，结合用户的隐式行为数据，能够使得目标推荐产品更加贴合用户的需求，使得目标产品信息更加准确，推荐效果更好。

在一实施例中，匹配信息包括匹配结果和匹配等级，如图6所示，步骤S532中，即确定待推荐产品与用户年龄、用户性别、用户职业和用户收入的匹配情况，以获得待推荐产品与属性数据的匹配信息，具体包括如下步骤：

S5321：分别确定待推荐产品与用户年龄、用户性别、用户职业和用户收入是否匹配。

本实施例中，匹配信息包括匹配结果和匹配等级。在确定用户的属性数据中的用户年龄、用户性别、用户职业和用户收入之后，需要分别确定待推荐产品与用户年龄、用户性别、用户职业和用户收入是否匹配，进而根据匹配结果确定待推荐产品与属性数据的匹配信息。

S5322：若待推荐产品与用户年龄、用户性别、用户职业和用户收入中的均不匹配，则匹配结果为不匹配。

在分别确定待推荐产品与用户年龄、用户性别、用户职业和用户收入是否匹配之后，若待推荐产品与用户年龄、用户性别、用户职业和用户收入中的均不匹配，则匹配结果为不匹配，匹配等级为0。

S5323：若待推荐产品仅与用户年龄、用户性别、用户职业和用户收入中的任一项匹配，则匹配结果为匹配，且匹配等级为第一级。

在分别确定待推荐产品与用户年龄、用户性别、用户职业和用户收入是否匹配之后，若待推荐产品仅与用户年龄、用户性别、用户职业和用户收入中的任一项匹配，则匹配结果为匹配，且匹配等级为第一级。

S5324：若待推荐产品与用户年龄、用户性别、用户职业和用户收入中的任两项匹配，则匹配结果为匹配，且匹配等级为第二级。

在分别确定待推荐产品与用户年龄、用户性别、用户职业和用户收入是否匹配之后，若待推荐产品与用户年龄、用户性别、用户职业和用户收入中的任两项匹配，则匹配结果为匹配，且匹配等级为第二级。

S5325：若待推荐产品与用户年龄、用户性别、用户职业和用户收入中的任三项匹配，则匹配结果为匹配，且匹配等级为第三级。

在分别确定待推荐产品与用户年龄、用户性别、用户职业和用户收入是否匹配之后，若待推荐产品与用户年龄、用户性别、用户职业和用户收入中的任三项匹配，则匹配结果为匹配，且匹配等级为第三级。

S5326：若待推荐产品与用户年龄、用户性别、用户职业和用户收入中的均匹配，则匹配结果为匹配，且匹配等级为第四级。

在分别确定待推荐产品与用户年龄、用户性别、用户职业和用户收入是否匹配之后，若待推荐产品与用户年龄、用户性别、用户职业和用户收入中的均匹配，则匹配结果为匹配，且匹配等级为第四级。

本实施例中，通过分别确定待推荐产品与用户年龄、用户性别、用户职业和用户收入是否匹配；若待推荐产品与用户年龄、用户性别、用户职业和用户收入中的均不匹配，则匹配结果为不匹配；若待推荐产品仅与用户年龄、用户性别、用户职业和用户收入中的任一项匹配，则匹配结果为匹配，且匹配等级为第一级；若待推荐产品与用户年龄、用户性别、用户职业和用户收入中的任两项匹配，则匹配结果为匹配，且匹配等级为第二级；若待推荐产品与用户年龄、用户性别、用户职业和用户收入中的任三项匹配，则匹配结果为匹配，且匹配等级为第三级；若待推荐产品与用户年龄、用户性别、用户职业和用户收入中的均匹配，则匹配结果为匹配，且匹配等级为第四级，明确了确定待推荐产品与用户年龄、用户性别、用户职业和用户收入的匹配情况，以获得待推荐产品与属性数据的匹配信息的具体步骤，为后续根据匹配信息确的目标产品信息提供了基础。

在一实施例中，如图7所示，步骤S5321中，即分别确定待推荐产品与用户年龄、用户性别、用户职业和用户收入是否匹配，具体包括如下步骤：

S5301：确定待推荐产品的性别要求、产品类型、职业风险等级和风险偏好类型。

在确定用户的属性数据中的用户年龄、用户性别、用户职业和用户收入之后，确定各待推荐产品的产品信息，从而根据待推荐产品的产品信息，确定待推荐产品的性别要求、产品类型、职业风险等级和风险偏好类型。

S5302：确定待推荐产品的性别要求与用户性别是否匹配。

需要理解的是，一些产品根据男女性别设置的产品，对用户性别要要求，且不同性别的用户对产品的选择不同，因此在确定待推荐产品的性别要求之后，需要确定待推荐产品是否具有性别要求，若待推荐产品没有具有性别要求，则确定待推荐产品的性别要求与用户性别匹配；若待推荐产品具有性别要求，则需要确定用户性别是否满足待推荐产品的性别要求，若，满足，则确定待推荐产品的性别要求与用户性别匹配；若不满足，则确定待推荐产品的性别要求与用户性别不匹配。

以保险产品为例，不同性别的用户在产品保障需求方面是有差异的，所以保险产品的设计有的是不限性别，有些产品更侧重于男性保障需求，有的产品更侧重于女性保障需求。例如，男性在心脑血管方面的患病的概率要比女性高，所以在这方便保障需求较高，所以心脑血管方面的相关保险产品可以设置性别要求，要求用户性别为男性；而女性在生育、乳腺、卵巢等方面有特定的保障需求，因此生育、乳腺、卵巢等方面的相关保险产品可以设置性别要求，要求用户性别为女性。

S5303：确定待推荐产品的职业风险等级与用户职业是否匹配。

需要理解的是，不同职业具有不同的安全风险，对于某些产品(如保险产品)来说，可以为不同的职业设置不同的职业风险等级，进而为不同职业风险等级的设置合适的产品，因此为提高推荐产品的准确性，在确定待推荐产品的职业风险等级之后，可以确定待推荐产品的职业风险等级与用户职业是否匹配，即确定用户职业所对应的职业风险等级是否为待推荐产品的职业风险等级，若是，则待推荐产品的职业风险等级与用户职业匹配；若不是，则待推荐产品的职业风险等级与用户职业不匹配。

其中，职业风险等级包括低风险、中低风险、中风险、中高风险、高风险和极高风险等多个风险等级。教师、秘书、公务员、文学、生物、农业研究员、行政业务办公人员、农夫、园艺技术人员、兽医等职业，对应的职业风险等级为低风险；室内装潢人员、工商、税务行政执法人员、检察员等职业，对应的职业风险等级为中低风险；出租车、救护车司机、搬家工人、摄影记者等职业，对应的职业风险等级为中风险；高速公路工程人员、钢筋工、救生员、武打演员等职业，对应的职业风险等级为中高风险；室外装潢人员、隧道工、水泥生产制造工、潜水教练等职业，对应的职业风险等级为高风险；前线军人、职业拳击运动员、特种兵、防毒防化防核抢险员、防爆警察等职业，对应的职业风险等级为高风险。

本实施例中，职业风险等级、职业与职业风险等级的对应关系仅为示例性说明，在其他实施例中，职业风险等级、职业与职业风险等级的对应关系还可以是其他，在此不再赘述。

S5304：确定待推荐产品的风险偏好类型与用户收入是否匹配。

需要理解的是，不同收入的用户具有不同风险偏好，对于某些产品(如保险产品)来说，可以为不同收入的用户设置不同的风险偏好类型，进而将不同产品划分为不同的风险偏好类型，因此为提高推荐产品的准确性，在确定待推荐产品的风险偏好类型之后，可以确定待推荐产品的风险偏好类型与用户收入是否匹配，即确定用户收入所对应的风险偏好类型是否为待推荐产品的风险偏好类型，若是，则待推荐产品的风险偏好类型与用户收入匹配；若不是，则待推荐产品的风险偏好类型与用户收入不匹配。

以保险产品为例，产品的风险偏好类型包括基础型、保障型、养老型、储蓄型、投资型，其中，不同用户收入与不同风险偏好类型的对应关系可以如下：

(1)低收入：基础型

低收入人群的用户收入低于社会平均工资，用户的保障需求强但购买力弱，因此保险产品选择范围较小，且以基本的、短期的保险产品为主，因此低收入对应的风险偏好类型为基础型。若用户收入处于低收入范围，则用户收入仅能够与风险偏好类型为基础型的待推荐产品匹配。

(2)一般收入：保障型

一般收入人群的用户收入为社会平均工资左右，用户的购买力较有限，一般以保障型产品为主，因此低收入对应的风险偏好类型为保障型。若用户收入处于一般收入范围，则用户收入仅能够与风险偏好类型为保障型的待推荐产品匹配。

(3)中高收入：保障型、储蓄型、投资型

中高收入人群的用户收入购买力较强，能购买各种保障型产品，部分接近中高收入上限的用户可按需购买储蓄型、投资型产品。因此低收入对应的风险偏好类型为保障型、储蓄型、投资型。若用户收入处于一般收入范围，则用户收入能够与风险偏好类型为保障型、储蓄型、投资型的待推荐产品匹配。

(4)超高收入：保障型、储蓄型、投资型

超高收入人群的用户收入购买力非常强，能购买各种保障型、储蓄型、投资型的产品，无需考虑待推荐产品的风险偏好类型，与所有风险偏好类型均可匹配。

本实施例中，不同用户收入、风险偏好类型，及其对应关系仅为示例性说明，在其他实施例中，用户收入的划分、风险偏好类型的划分及其对应关系还可以是其他，在此不再赘述。

S5305：确定待推荐产品的产品类型与用户年龄是否匹配。

需要理解的是，用户在不同年龄阶段，具有不同的产品选取需求和倾向。以保险产品为例，用户在不同年龄阶段，保障需求是有差异的，所以选择保险产品种类也会有所不同。因此，在确定待推荐产品的产品类型之后，需要确定待推荐产品的产品类型与用户年龄是否匹配，即确定用户年龄对应的产品类型是否为待推荐产品的产品类型，若是，则确定待推荐产品的产品类型与用户年龄匹配；若不是，确定待推荐产品的产品类型与用户年龄不匹配。

其中，以保险产品为例，不同年龄段与产品类型的对应关系如下所示：

0-20岁(成长时期)：少儿医保、少儿意外险、少儿重疾险

当用户处0-20岁这个年龄阶段时，用户基本没有收入，重点考虑少儿医保、少儿意外险、少儿重疾险，还可以考虑部分少儿教育年金产品。

20-25岁(初入社会)：短期重疾险、意外险、百万医疗险

当用户处于20-25岁这个年龄阶段时，收入较低，重点考虑短期重疾险、意外险、百万医疗险等产品，这样既能获得较好保证，保费支出也不会太高。

25-40岁(成家立业)：长期重疾险、意外险、定期寿险、百万医疗、家财险

当用户处于25-40岁这个年龄阶段时，用户已经有一定收入能力，但同时也面临较大的家庭经济压力，可以重点考虑长期重疾险、意外险、定期寿险、百万医疗、家财险等产品。这样能在出险时，能在一定时期内，保障家庭经济支出能力。

40-50岁(事业高峰期)：重疾险、意外险、定期寿险、医疗险、养老年金

当用户处于40-50岁这个年龄阶段，用户的已经收入较稳定，但需开始考虑养老问题，重点可以考虑重疾险、意外险、定期寿险、医疗险、养老年金等产品。

50岁以上(步入老年)：意外险、重疾险、防癌险、防癌类型医疗险

当用户处于这个年龄阶段时，用户身体机能不断下降，可以重点考虑意外险，重疾险、防癌险、防癌类型医疗险等产品。

本实施例中，不同年龄段、产品类型，及其对应关系仅为示例性说明，在其他实施例中，用户年龄段的划分、产品类型的划分及其对应关系还可以是其他，在此不再赘述。

本实施例中，通过确定待推荐产品的性别要求、产品类型、职业风险等级和风险偏好类型；确定待推荐产品的性别要求与用户性别是否匹配；确定待推荐产品的职业风险等级与用户职业是否匹配；确定待推荐产品的风险偏好类型与用户收入是否匹配；确定待推荐产品的产品类型与用户年龄是否匹配，明确了分别确定待推荐产品与用户年龄、用户性别、用户职业和用户收入是否匹配的具体过程。

在一实施例中，如图8所示，步骤S53中，即将多个待推荐产品与用户的属性数据进行匹配，以获得多个待推荐产品与属性数据的匹配信息，具体包括如下步骤：

S01：获取预设匹配模型，预设匹配模型为根据不同客户的属性样本数据和客户对不同产品的样本偏好结果训练获得的匹配模型。

在获取多个待推荐产品与用户的属性数据之后，需要获取预设匹配模型，其中，预设匹配模型为根据不同客户的属性样本数据和客户对不同产品的样本偏好结果训练获得的匹配模型。其中，每一客户的属性样本数据与该客户对某一产品的样本偏好结果，构成样本数据对，每一样本数据对对应一个属性匹配结果(产品与属性数据的匹配结果)和匹配等级。

根据不同客户对应的样本数据对，可以训练获得精度较高的预设匹配模型，使得预设匹配模型输出的匹配结果和匹配等级更为准确。

S02：将属性数据和待推荐产品输入预设匹配模型，以使预设匹配模型对待推荐产品与属性数据进行匹配，以获得待推荐产品与属性数据的匹配信息。

在获取预设匹配模型之后，将属性数据和待推荐产品组成文本对，并将以文本对输入预设匹配模型，以使预设匹配模型对待推荐产品与属性数据进行匹配，并输出待推荐产品与属性数据的匹配结果和匹配等级，将待推荐产品与属性数据的匹配结果和匹配等级，作为属性数据的匹配信息。

S03：遍历所有待推荐产品，以获得多个待推荐产品与属性数据的匹配信息。

在获得一待推荐产品与属性数据的匹配信息，重复步骤S01，遍历所有待推荐产品，以获得多个待推荐产品与属性数据的匹配信息。

本实施例中，获取预设匹配模型，预设匹配模型为根据不同客户的属性样本数据和客户对不同产品的样本偏好结果训练获得的匹配模型；将属性数据和每一待推荐产品输入预设匹配模型，以使预设匹配模型对待推荐产品与属性数据进行匹配，以获得待推荐产品与属性数据的匹配信息；遍历所有待推荐产品，以获得多个待推荐产品与属性数据的匹配信息，明确了将多个待推荐产品与用户的属性数据进行匹配，以获得多个待推荐产品与属性数据的匹配信息的具体过程，直接训练获得预设匹配模型，进而根据预设匹配模型进行数据匹配，能够减少计算时间，提高匹配效率，从而提高推荐系统的响应速度，进而提高用户使用体验。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种基于人工智能的信息推送装置，该基于人工智能的信息推送装置与上述实施例中基于人工智能的信息推送X方法一一对应。如图9所示，该基于人工智能的信息推送装置包括A模块、B模块、C模块和D模块。各功能模块详细说明如下：

第一获取模块901，用于获取用户在预设时间段内针对不同产品的隐式行为数据；

第二获取模块902，用于获取预设评分模型，预设评分模型为根据不同客户的隐式行为样本数据训练获得的评分模型；

分类模块903，用于将用户对每一产品的隐式行为数据进行分类，以获得用户对每一产品的多个分类行为数据；

输入模块904，用于将同一产品的多个分类行为数据输入预设评分模型中，以使预设评分模型根据产品的多个分类行为数据，计算用户对产品的偏好结果，以获得用户对不同产品的偏好结果；

确定模块905，用于根据用户对不同产品的偏好结果确定目标产品信息，并向用户推送目标产品信息。

进一步地，确定模块905具体用于：

根据用户对不同产品的偏好结果，确定多个待推荐产品；

获取包括多个用户属性的用户的属性数据；

将多个待推荐产品与用户的属性数据进行匹配，以获得多个待推荐产品与属性数据的匹配信息；

根据多个匹配信息，在多个待推荐产品中确定符合预设条件的目标推荐产品，目标推荐产品需至少满足一个用户属性；

根据符合预设条件的目标推荐产品，生成目标产品信息。

进一步地，确定模块905具体还用于：

根据匹配信息，确定待推荐产品与用户的属性数据是否匹配；

若待推荐产品与用户的属性数据匹配，则将待推荐产品记录为匹配产品；

确定匹配产品的数量是否大于预设数量；

若匹配产品的数量大于预设数量，则根据匹配信息确定匹配产品与属性数据的匹配等级；

将匹配等级符合预设条件的匹配产品，作为目标推荐产品。

进一步地，确定模块905具体还用于：

确定属性数据中的用户性别、用户年龄、用户职业和用户收入；

确定待推荐产品与用户年龄、用户性别、用户职业和用户收入的匹配情况，以获得待推荐产品与属性数据的匹配信息；

遍历所有待推荐产品，以获得多个待推荐产品与属性数据的匹配信息。

进一步地，匹配信息包括匹配结果和匹配等级，确定模块905具体还用于：

分别确定待推荐产品与用户年龄、用户性别、用户职业和用户收入是否匹配；

若待推荐产品与用户年龄、用户性别、用户职业和用户收入中的均不匹配，则匹配结果为不匹配；

若待推荐产品仅与用户年龄、用户性别、用户职业和用户收入中的任一项匹配，则匹配结果为匹配，且匹配等级为第一级；

若待推荐产品与用户年龄、用户性别、用户职业和用户收入中的任两项匹配，则匹配结果为匹配，且匹配等级为第二级；

若待推荐产品与用户年龄、用户性别、用户职业和用户收入中的任三项匹配，则匹配结果为匹配，且匹配等级为第三级；

若待推荐产品与用户年龄、用户性别、用户职业和用户收入中的均匹配，则匹配结果为匹配，且匹配等级为第四级。

进一步地，进一步地，确定模块905具体还用于：

确定待推荐产品的性别要求、产品类型、职业风险等级和风险偏好类型；

确定待推荐产品的性别要求与用户性别是否匹配；

确定待推荐产品的职业风险等级与用户职业是否匹配；

确定待推荐产品的风险等级与用户收入是否匹配；

确定待推荐产品的产品类型与用户年龄是否匹配。

进一步地，确定模块905具体还用于：

获取预设匹配模型，预设匹配模型为根据不同客户的属性样本数据和客户对不同产品的样本偏好结果训练获得的匹配模型；

将属性数据和待推荐产品输入预设匹配模型，以使预设匹配模型对待推荐产品与属性数据进行匹配，以获得待推荐产品与属性数据的匹配信息；

遍历所有待推荐产品，以获得多个待推荐产品与属性数据的匹配信息。

关于基于人工智能的信息推送装置的具体限定可以参见上文中对于基于人工智能的信息推送方法的限定，在此不再赘述。上述基于人工智能的信息推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括存储介质、内存储器。该存储介质存储有操作系统、计算机程序和数据库。该内存储器为存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储隐式行为数据、目标产品信息和预设评分模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的信息推送方法。

在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现上述基于人工智能的信息推送方法的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述基于人工智能的信息推送方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于人工智能的信息推送方法，其特征在于，包括：

获取用户在预设时间段内针对不同产品的隐式行为数据；

获取预设评分模型，所述预设评分模型为根据不同客户的隐式行为样本数据训练获得的评分模型；

将所述用户对每一所述产品的隐式行为数据进行分类，以获得所述用户对每一所述产品的多个分类行为数据；

将同一所述产品的多个分类行为数据输入所述预设评分模型中，以使所述预设评分模型根据所述产品的多个分类行为数据，计算所述用户对所述产品的偏好结果，以获得所述用户对不同所述产品的偏好结果；

根据所述用户对不同所述产品的偏好结果确定目标产品信息，并向所述用户推送所述目标产品信息。

2.如权利要求1所述的基于人工智能的信息推送方法，其特征在于，所述根据所述用户对不同所述产品的偏好结果确定目标产品信息，包括：

根据所述用户对不同所述产品的偏好结果，确定多个待推荐产品；

获取包括多个用户属性的所述用户的属性数据；

将所述多个待推荐产品与所述用户的属性数据进行匹配，以获得多个所述待推荐产品与所述属性数据的匹配信息；

根据多个所述匹配信息，在所述多个待推荐产品中确定符合预设条件的目标推荐产品，所述目标推荐产品需至少满足一个所述用户属性；

根据所述符合预设条件的目标推荐产品，生成所述目标产品信息。

3.如权利要求2所述的基于人工智能的信息推送方法，其特征在于，所述根据多个所述匹配信息，在所述多个待推荐产品中确定符合预设条件的目标推荐产品，包括：

根据所述匹配信息，确定所述待推荐产品与所述用户的属性数据是否匹配；

若所述待推荐产品与所述用户的属性数据匹配，则将所述待推荐产品记录为匹配产品；

确定所述匹配产品的数量是否大于预设数量；

若所述匹配产品的数量大于所述预设数量，则根据所述匹配信息确定所述匹配产品与所述属性数据的匹配等级；

将所述匹配等级符合所述预设条件的所述匹配产品，作为所述目标推荐产品。

4.如权利要求2所述的基于人工智能的信息推送方法，其特征在于，所述将所述多个待推荐产品与所述用户的属性数据进行匹配，以获得多个所述待推荐产品与所述属性数据的匹配信息，包括：

确定所述属性数据中的用户性别、用户年龄、用户职业和用户收入；

确定所述待推荐产品与所述用户年龄、用户性别、用户职业和用户收入的匹配情况，以获得所述待推荐产品与所述属性数据的匹配信息；

遍历所有所述待推荐产品，以获得多个所述待推荐产品与所述属性数据的匹配信息。

5.如权利要求4所述的基于人工智能的信息推送方法，其特征在于，所述匹配信息包括匹配结果和匹配等级，所述确定所述待推荐产品与所述用户年龄、用户性别、用户职业和用户收入的匹配情况，以获得所述待推荐产品与所述属性数据的匹配信息，包括：

分别确定所述待推荐产品与所述用户年龄、用户性别、用户职业和用户收入是否匹配；

若所述待推荐产品与所述用户年龄、用户性别、用户职业和用户收入中的均不匹配，则所述匹配结果为不匹配；

若所述待推荐产品仅与所述用户年龄、用户性别、用户职业和用户收入中的任一项匹配，则所述匹配结果为匹配，且所述匹配等级为第一级；

若所述待推荐产品与所述用户年龄、用户性别、用户职业和用户收入中的任两项匹配，则所述匹配结果为匹配，且所述匹配等级为第二级；

若所述待推荐产品与所述用户年龄、用户性别、用户职业和用户收入中的任三项匹配，则所述匹配结果为匹配，且所述匹配等级为第三级；

若所述待推荐产品与所述用户年龄、用户性别、用户职业和用户收入中的均匹配，则所述匹配结果为匹配，且所述匹配等级为第四级。

6.如权利要求5所述的基于人工智能的信息推送方法，其特征在于，所述分别确定所述待推荐产品与所述用户年龄、用户性别、用户职业和用户收入是否匹配，包括：

确定所述待推荐产品的性别要求、产品类型、职业风险等级和风险偏好类型；

确定所述待推荐产品的性别要求与所述用户性别是否匹配；

确定所述待推荐产品的职业风险等级与所述用户职业是否匹配；

确定所述待推荐产品的风险等级与所述用户收入是否匹配；

确定所述待推荐产品的产品类型与所述用户年龄是否匹配。

7.如权利要求2-6任一项所述的基于人工智能的信息推送方法，其特征在于，所述将所述多个待推荐产品与所述用户的属性数据进行匹配，以获得多个所述待推荐产品与所述属性数据的匹配信息，包括：

获取所述预设匹配模型，所述预设匹配模型为根据所述不同客户的属性样本数据和所述客户对不同产品的样本偏好结果训练获得的匹配模型；

将所述属性数据和所述待推荐产品输入所述预设匹配模型，以使所述预设匹配模型对所述待推荐产品与所述属性数据进行匹配，以获得所述待推荐产品与所述属性数据的匹配信息；

遍历所有所述待推荐产品，以获得多个所述待推荐产品与所述属性数据的匹配信息。

8.一种基于人工智能的信息推送装置，其特征在于，包括：

第一获取模块，用于获取用户在预设时间段内针对不同产品的隐式行为数据；

第二获取模块，用于获取预设评分模型，所述预设评分模型为根据不同客户的隐式行为样本数据训练获得的评分模型；

分类模块，用于将所述用户对每一所述产品的隐式行为数据进行分类，以获得所述用户对每一所述产品的多个分类行为数据；

输入模块，用于将同一所述产品的多个分类行为数据输入所述预设评分模型中，以使所述预设评分模型根据所述产品的多个分类行为数据，计算所述用户对所述产品的偏好结果，以获得所述用户对不同所述产品的偏好结果；

确定模块，用于根据所述用户对不同所述产品的偏好结果确定目标产品信息，并向所述用户推送所述目标产品信息。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任一项所述基于人工智能的信息推送方法的步骤。

10.一种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，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7任一项所述基于人工智能的信息推送方法的步骤。

Images