CN114240552A - 基于深度聚类算法的产品推荐方法、装置、设备及介质 - Google Patents

Abstract

本申请实施例提供了一种基于深度聚类算法的产品推荐方法、装置、设备及介质，属于人工智能技术领域。该方法包括：获取推荐数据和待推荐产品的历史运营数据；将推荐数据和历史运营数据输入到预设的产品匹配模型中进行匹配处理，得到候选产品集合；根据预设的权重算法对候选产品集合中的待推荐产品进行权重计算，得到每一待推荐产品的权重值；根据权重值从候选产品集合中选出目标产品；根据预设的产品聚类模型对目标产品进行聚类处理，得到包含产品类别标签的标准产品；利用预设的产品推荐平台将标准产品推荐给用户。本申请实施例能够使得推荐的产品更加符合用户的实际需求，提高产品推荐的精确性和推荐效率。

Description

基于深度聚类算法的产品推荐方法、装置、设备及介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于深度聚类算法的产品推荐方法、装置、设备及介质。

背景技术

目前，随着社会经济发展，各种产品系列都会包括一个或多个产品，当用户对产品有需求时，通常是通过网络，对每一系列的产品进行了解，无法快速获取到与自身情况相符合的产品。对此，大多数产品推荐方法常常通过格式框的形式提供一个产品推荐入口，通过用户输入的简易信息，为用户进行推荐产品，往往会出现该推荐的产品不是用户比较关注的产品或产品类型，影响产品推荐的精确性。因此，如何提供一种产品推荐方法，使得推荐的产品更加符合用户的实际需求，提高产品推荐的精确性，成为了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种基于深度聚类算法的产品推荐方法、装置、设备及介质，旨在使得推荐的产品更加符合用户的实际需求，提高产品推荐的精确性。

为实现上述目的，本申请实施例的第一方面提出了一种产品推荐方法，所述方法包括：

获取推荐数据和待推荐产品的历史运营数据；

将所述推荐数据和所述历史运营数据输入到预设的产品匹配模型中进行匹配处理，得到候选产品集合；

根据预设的权重算法对所述候选产品集合中的待推荐产品进行权重计算，得到每一待推荐产品的权重值；

根据所述权重值从所述候选产品集合中选出目标产品；

根据预设的产品聚类模型对所述目标产品进行聚类处理，得到包含产品类别标签的标准产品；

利用预设的产品推荐平台将所述标准产品推荐给用户。

在一些实施例，所述获取推荐数据和待推荐产品的历史运营数据的步骤，包括：

获取预设的目标需求维度；

通过网络爬虫的方式爬取与每一所述目标需求维度对应的所述推荐数据和所述历史运营数据。

在一些实施例，所述将所述推荐数据和所述历史运营数据输入到预设的产品匹配模型中进行匹配处理，得到候选产品集合的步骤，包括：

对所述推荐数据和所述历史运营数据进行匹配处理，得到每一待推荐产品的匹配值；

根据所述匹配值与预设的匹配阈值的大小关系，选取候选产品；

将多个所述候选产品纳入同一个集合，得到所述候选产品集合。

在一些实施例，所述根据预设的权重算法对所述候选产品集合中的待推荐产品进行权重计算，得到每一待推荐产品的权重值的步骤，包括：

获取所述待推荐产品的优先级权重、匹配值权重以及产品基础分；

根据预设的权重算法、对所述优先级权重、所述匹配值权重和所述产品基础分进行加权计算，得到每一待推荐产品的权重值。

在一些实施例，所述根据所述权重值从所述候选产品集合中选出目标产品的步骤，包括：

根据所述权重值对所述待推荐产品进行降序排序，得到待推荐产品序列；

根据预设的筛选条件对所述待推荐产品序列中的待推荐产品进行筛选处理，得到目标产品。

在一些实施例，所述根据预设的产品聚类模型对所述目标产品进行聚类处理，得到包含产品类别标签的标准产品的步骤，包括：

将预设的产品类别标签输入至所述产品聚类模型中，得到所述产品聚类模型的模型标签；

根据K均值聚类算法和所述模型标签对目标产品进行聚类处理，得到所述标准产品。

在一些实施例，所述利用预设的产品推荐平台将所述标准产品推荐给用户的步骤，包括：

对所述标准产品的历史运营数据进行实体特征提取，得到目标运营数据；

对所述目标运营数据进行可视化处理，生成产品推荐报告；

将所述产品推荐报告上传至所述产品推荐平台以将所述标准产品推荐给用户。

为实现上述目的，本申请实施例的第二方面提出了一种产品推荐装置，所述装置包括：

数据获取模块，用于获取推荐数据和待推荐产品的历史运营数据；

产品匹配模块，用于将所述推荐数据和所述历史运营数据输入到预设的产品匹配模型中进行匹配处理，得到候选产品集合；

权重计算模块，用于根据预设的权重算法对所述候选产品集合中的待推荐产品进行权重计算，得到每一待推荐产品的权重值；

目标产品确定模块，用于根据所述权重值从所述候选产品集合中选出目标产品；

聚类模块，用于根据预设的产品聚类模型对所述目标产品进行聚类处理，得到包含产品类别标签的标准产品；

产品推荐模块，用于利用预设的产品推荐平台将所述标准产品推荐给用户。

为实现上述目的，本申请实施例的第三方面提出了一种基于深度聚类算法的产品推荐设备，所述基于深度聚类算法的产品推荐设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。

本申请提出的基于深度聚类算法的产品推荐方法、装置、设备及介质，其通过获取推荐数据和待推荐产品的历史运营数据，将推荐数据和历史运营数据输入到预设的产品匹配模型中进行匹配处理，得到候选产品集合，这一方式能够方便地将符合推荐需求的产品筛选出来，形成候选产品集合。进而根据预设的权重算法对候选推荐产品集合中的待推荐产品进行权重计算，得到每一待推荐产品的权重值。根据权重值从候选产品集合中选出目标产品。这样一来，便可进一步地根据权重值对候选推荐产品集合中的待推荐产品进行过滤处理，得到目标产品，这一方式缩短了目标产品的筛选时间，也提高了目标产品与当前推荐需求的匹配性，降低了推荐难度，节省了时间成本。在得到目标产品后，根据预设的产品聚类模型对目标产品进行聚类处理，得到包含产品类别标签的标准产品，再利用预设的产品推荐平台对标准产品进行推荐。通过对目标产品的聚类处理，能够清楚地对目标产品进行产品分类，使得能够更加合理地反映出标准产品的基本信息，方便用户进行产品选择。该方法能够使得推荐的产品更加符合用户的实际需求，提高产品推荐的精确性和推荐效率。

附图说明

图1是本申请实施例提供的基于深度聚类算法的产品推荐方法的流程图；

图2是图1中的步骤S101的流程图；

图3是图1中的步骤S102的流程图；

图4是图1中的步骤S103的流程图；

图5是图1中的步骤S104的流程图；

图6是图1中的步骤S105的流程图；

图7是图1中的步骤S106的流程图；

图8是图7中的步骤S701的流程图；

图9是本申请实施例提供的基于深度聚类算法的产品推荐装置的结构示意图；

图10是本申请实施例提供的基于深度聚类算法的产品推荐设备的硬件结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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。

自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息检索、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

信息抽取(Information Extraction，NER)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。

最大熵马尔科夫模型(Maximum Entropy Markov Model，MEMM)：用于对给定的观测序列X，计算出各隐藏状态序列Y的条件概率分布，是对转移概率和表现概率建立联合概率，统计时统计的是条件概率，而非共现概率。由于MEMM只在局部做归一化，MEMM容易陷入局部最优。

条件随机场算法(conditional random field algorithm，CRF)：是一种数学算法；结合了最大熵模型和隐马尔可夫模型的特点，是一种无向图模型，近年来在分词、词性标注和命名实体识别等序列标注任务中取得了很好的效果。条件随机场是一个典型的判别式模型，其联合概率可以写成若干势函数联乘的形式，其中最常用的是线性链条件随机场。若让x＝(x1，x2，…xn)表示被观察的输入数据序列，y＝(y1，y2，…yn)表示一个状态序列，在给定一个输入序列的情况下，线性链的CRF模型定义状态序列的联合条件概率为p(y|x)＝exp{}(2-14)；Z(x)＝{}(2-15)；其中:Z是以观察序列x为条件的概率归一化因子；fj(yi-1，yi，x，i)是一个任意的特征函数。

长短期记忆网络(Long Short-Term Memory，LSTM)：是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。在标准RNN中，这个重复的结构模块只有一个非常简单的结构，例如一个tanh层。LSTM是一种含有LSTM区块(blocks)或其他的一种类神经网络，文献或其他资料中LSTM区块可能被描述成智能网络单元，因为它可以记忆不定时间长度的数值，区块中有一个gate能够决定input是否重要到能被记住及能不能被输出output。

双向长短时记忆(Bi-directional Long Short-Term Memory，Bi-LSTM)：是由前向LSTM与后向LSTM组合而成。在自然语言处理任务中都常被用来建模上下文信息。Bi-LSTM在LSTM的基础上，结合了输入序列在前向和后向两个方向上的信息。对于t时刻的输出，前向LSTM层具有输入序列中t时刻以及之前时刻的信息，而后向LSTM层中具有输入序列中t时刻以及之后时刻的信息。前向LSTM层t时刻的输出记作，后向LSTM层t时刻的输出结果记作，两个LSTM层输出的向量可以使用相加、平均值或连接等方式进行处理。

BERT(Bidirectional Encoder Representations from Transformers)：是一个语言表示模型(language representation model)。BERT采用了Transformer Encoderblock进行连接，是一个典型的双向编码模型。

本申请实施例提供的基于深度聚类算法的产品推荐方法、装置、设备及介质，具体通过如下实施例进行说明，首先描述本申请实施例中的产品推荐方法。

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。

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。

本申请实施例提供的产品推荐方法，涉及人工智能技术领域。本申请实施例提供的产品推荐方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、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、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；软件可以是实现产品推荐方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

图1是本申请实施例提供的产品推荐方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S106。

步骤S101，获取推荐数据和待推荐产品的历史运营数据；

步骤S102，将推荐数据和历史运营数据输入到预设的产品匹配模型中进行匹配处理，得到候选产品集合；

步骤S103，根据预设的权重算法对候选产品集合中的待推荐产品进行权重计算，得到每一待推荐产品的权重值；

步骤S104，根据权重值从候选产品集合中选出目标产品；

步骤S105，根据预设的产品聚类模型对目标产品进行聚类处理，得到包含产品类别标签的标准产品；

步骤S106，利用预设的产品推荐平台将标准产品推荐给用户。

经过以上步骤S101至步骤S106，能够方便地将符合推荐需求的产品筛选出来，形成候选产品集合。进而根据预设的权重算法对候选推荐产品集合中的待推荐产品进行权重计算，得到每一待推荐产品的权重值。根据权重值对候选推荐产品集合中的待推荐产品进行过滤处理，得到目标产品，这一方式缩短了目标产品的筛选时间，也提高了目标产品与当前推荐需求的匹配性。通过对目标产品的聚类处理，能够清楚地对目标产品进行产品分类，使得能够更加合理地反映出标准产品的基本信息，方便用户进行产品选择，使得推荐的产品更加符合用户的实际需求，提高产品推荐的精确性和推荐效率。

请参阅图2，在一些实施例中，步骤S101可以包括但不限于包括步骤S201至步骤S202：

步骤S201，获取预设的目标需求维度；

步骤S202，通过网络爬虫的方式爬取与每一目标需求维度对应的推荐数据和历史运营数据。

为了提高产品推荐的准确性，需要获取多个需求维度的推荐数据和历史运营数据，即首先需要获取目标需求维度，该目标需求维度包括时间维度、产品维度等等。在不同的需求维度，通过编写网络爬虫,设置好数据源之后进行有目标性的爬取数据，得到每一目标需求维度下的推荐数据和历史运营数据。其中，推荐数据包括预计的推荐时间、目标客群数据、推荐主题数据、推荐目的数据等等，历史运营数据包括推荐产品的历史销量、销售区域、属性数据等等；例如，获取时间维度下的推荐时间；获取产品维度下的产品数据、目标客群数据、推荐主题数据、推荐目的数据等等。

进一步地，在步骤S202中，对于部分目标需求维度的推荐数据，还可以设置对应的需求优先级顺序，以进一步提高推荐准确性。具体地，选取产品需求维度的特定推荐数据，该推荐数据可以是产品维度的目标客群数据以及推荐目的数据。进而，根据预设的优先级顺序对这些特定推荐数据进行排序。例如，在目标客群数据中，优先级顺序为推荐对象的年龄大于推荐对象的收入、推荐对象的收入大于推荐对象的健康状况、推荐对象的健康状况大于推荐对象的所在地域、推荐对象的所在地域大于推荐对象的家庭状况；在推荐目的数据中，优先级顺序为引流获客大于付费转化，付费转化大于提高留存，提高留存大于增加使用时长等等。

另外，在本申请实施例中，还需要通过编写网络爬虫,并根据设置好的数据源有目标性的爬取数据来获取待推荐产品的历史运营数据。其中，历史运营数据包括历史推荐场景数据、历史用户评分数据、高频用户画像数据、用户流失率以及高效应用时段数据等等。

请参阅图3，在一些实施例中，步骤S102可以包括但不限于包括步骤S301至步骤S303：

步骤S301，对推荐数据和历史运营数据进行匹配处理，得到每一待推荐产品的匹配值；

步骤S302，根据匹配值与预设的匹配阈值的大小关系，选取候选产品；

步骤S303，将多个候选产品纳入同一个集合，得到候选产品集合。

为了提高匹配准确性，在执行步骤S301之前，需要分别对推荐数据和历史运营数据进行标注处理，得到标注推荐数据和标注运营数据，其中，标注推荐数据上带有第一标注字段，标注运营数据上有第二标注字段，第一标注字段和第二标注字段的具体内容可以根据预设的关键词等等进行确定，不做限制。

在步骤S301中，该产品匹配模型可以是ESIM模型，该产品匹配模型包括多个卷积层和池化层。产品匹配模型能够对标注运营数据和标注推荐数据分别进行卷积处理和池化处理，提取标注运营数据中的第一标注字段和标注推荐数据上的第二标注字段，将第一标注字段与第二标注字段进行比较，确认第一标注字段与第二标注字段的一致性。若第一标注字段与第二标注字段一致，则将比较值记为1，若第一标注字段与第二标注字段不一致，则将比较值记为0。通过这一比较和标记方式，遍历所有第一标注字段与第二标注字段，得到多个比较值，对所有比较值进行求和处理，得到每一待推荐产品的匹配值。

进一步地，由于在步骤S202中对部分目标需求维度上的推荐数据设置有需求优先级顺序，因而在对推荐数据和历史运营数据进行匹配时，可以根据需求优先级顺序对标注运营数据中的第一标注字段和标注推荐数据上的第二标注字段进行逐一对比，以提高匹配效率。

进而，执行步骤S302和步骤S303,比较匹配值与预设的匹配阈值的大小，若匹配值大于等于预设的匹配阈值，则表明该待推荐产品与当前推荐需求的相关性较高，因而，将这一待推荐产品作为候选产品。若匹配值小于预设的匹配阈值，则表明该待推荐产品与当前推荐需求的相关性不高，对该待推荐产品不予考虑。进而，将选取的多个候选产品进行统计汇总，得到候选产品集合。例如，若待推荐产品的匹配值大于3，表明该待推荐产品至少在3个需求维度与当前推荐需求匹配，相关性较高，则将这一待推荐产品作为候选产品，并将该待推荐产品纳入同一个集合，从而形成候选产品集合，以便对候选产品集合中的待推荐产品进一步筛选，使得推荐的产品更加符合用户的实际需求，提高产品推荐的精确性。

请参阅图4，在一些实施例中，步骤S103可以包括但不限于包括步骤S401至步骤S402：

步骤S401，获取待推荐产品的优先级权重、匹配值权重以及产品基础分；

步骤S402，根据预设的权重算法、对优先级权重、匹配值权重和产品基础分进行加权计算，得到每一待推荐产品的权重值。

为了提高推荐准确性，在步骤S401中，在产品自身特性、产品的历史运营数据表现以及推荐需求的匹配程度三个方面来对待推荐产品进行分数计算。其中，在产品自身特性方面预设有产品基础分，在产品的历史运营数据表现方面预设有浮动分，在推荐需求的匹配程度方面预设有匹配加权分，其中，匹配加权分为优先级权重与匹配值权重的平均权重。

在步骤S402中，根据预设的权重算法，每一待营销产品的权重值由产品基础分×浮动分×匹配加权分计算得到。例如，将某系列肩颈健康产品的产品基础分统一设置为10分，其中，一个待推荐产品的历史运营数据表现较好，浮动分为0.83，优先级权重为1，匹配值权重为1.1，则匹配加权分为优先级权重与匹配值权重的平均权重，即匹配加权分为1.05；则对待推荐产品进行权重计算有：权重值＝基础分10×浮动分0.83×匹配加权分权重1.05＝8.7。

请参阅图5，在一些实施例中，步骤S104还可以包括但不限于包括步骤S501至步骤S502：

步骤S501，根据权重值对待推荐产品进行降序排序，得到待推荐产品序列；

步骤S502，根据预设的筛选条件对待推荐产品序列中的待推荐产品进行筛选处理，得到目标产品。

为了提高推荐效率，在步骤S501中，比较候选产品集中所有待营销产品的权重值，按照权重值由大到小的顺序对待推荐产品进行降序排序，得到待推荐产品序列。

进而，执行步骤S502,预设的筛选条件可以包括筛选数量、权重阈值等等。根据筛选数据、权重阈值等等来对待推荐产品序列中的待推荐产品进行筛选处理。例如，某一推荐数据下的需求产品数量为3个，则当前筛选条件下的筛选数量为3，选取待推荐产品序列中权重值排在前三位的待推荐产品，将这三个待推荐产品作为目标产品。另外，还可以设置权重阈值，结合权重阈值与需求数量两方面来选取目标产品，例如，某一推荐数据下的需求产品数量为10个，选取待推荐产品序列中权重值排在前十位的待推荐产品，比较这十个待推荐产品的权重值与权重阈值的大小，若权重值小于权重阈值，则将对应的待推荐产品剔除，只保留这10个待推荐产品中权重值大于或等于权重阈值，将权重值大于或等于权重阈值的待推荐产品中作为目标产品。

通过上述步骤S401至步骤S402以及步骤S501至步骤S502，能够根据预设的权重算法对候选推荐产品集合中的待推荐产品进行权重计算，得到每一待推荐产品的权重值，并且根据权重值从候选产品集合中选出目标产品。通过权重值对候选推荐产品集合中的待推荐产品进行过滤处理缩短了目标产品的筛选时间，也提高了目标产品与当前推荐需求的匹配性，降低了推荐难度，节省了时间成本。

请参阅图6，在一些实施例的步骤S105可以包括但不限于包括步骤S601至步骤S602：

步骤S601，将预设的产品类别标签输入至产品聚类模型中，得到产品聚类模型的模型标签；

步骤S602，根据K均值聚类算法和模型标签对目标产品进行聚类处理，得到标准产品。

在步骤S601中，预设的产品类别标签包括互娱内容难度、UI变更难度、互娱时长等等，其中，互娱内容难度等级、、互娱时长都可以根据实际情况设置，例如，互娱内容难度等级包括简单、中等、困难；互娱时长(即游戏时长)包括30秒以下、30秒至120秒、120秒以上等等，不限于此。通过将产品类别标签输入至产品聚类模型中，使得产品聚类模型的模型标签附带上预设的产品类别，使得该产品聚类模型能够根据这些预设的产品类别对目标产品进行聚类处理，提高聚类准确性。

进而，执行步骤S602,根据K均值聚类算法对目标产品进行特征提取，得到每一目标产品的特征数据，其中，特征数据包括特征坐标值。根据特征坐标值，在预设的产品聚类图上对每一目标产品进行位置标记。进而，求取每一目标产品到聚类特征图上的多个参考种子点的欧氏距离，根据每一目标产品到聚类特征图上的多个参考种子点的欧氏距离，将最小欧氏距离对应的参考种子点作为该目标产品的目标位置，即将该目标产品移动至最小欧氏距离对应的参考种子点处，从而得到多个产品集群。将产品集群中带有模型标签(即含有互娱内容难度、UI变更难度、互娱时长等预设的产品类别标签)的作为目标产品集群，这些目标产品集群中的目标产品即为标准产品。通过对目标产品的聚类处理，能够清楚地对目标产品进行产品分类，使得能够更加合理地反映出标准产品的基本信息，从而使得推荐的产品更加符合用户的实际需求，提高了产品推荐的精确性和推荐效率。

请参阅图7，在一些实施例中，步骤S106可以包括但不限于包括步骤S701至步骤S703：

步骤S701，对标准产品的历史运营数据进行实体特征提取，得到目标运营数据；

步骤S702，对目标运营数据进行可视化处理，生成产品推荐报告；

步骤S703，将产品推荐报告上传至产品推荐平台以将标准产品推荐给用户。

为了提高数据获取效率，在步骤S701中，提取标准产品的历史运营数据中的目标文本数据，利用预设的词法分析模型识别目标文本数据中的实体特征，进而对该实体特征进行分类处理和特征提取，得到目标运营数据，该方法能够缩小数据总量，使得更为方便提取到所需要的目标运营数据。

进而，执行步骤S702,以图表等形式对目标运营数据进行多维分析，提取出目标运营数据中的关键词段，其中对目标运营数据的多维分析包括对目标运营数据进行下钻、上卷、旋转、切片、联动处理等等。进而，对提取到的关键词段进行组合，生成产品推荐报告。该产品推荐报告包括产品图表以及每一标准产品的产品名称、产品权重值等基础数据，能够更加清楚明了地反映出标准产品的基本信息。

最后，执行步骤S703,将生成的产品推荐报告上传至产品推荐平台，通过产品推荐平台对标准产品进行推荐。需要说明的是，还可以通过手机APP应用市场、各类社交平台等多种推荐渠道对标准产品进行推荐，使得推荐形式多样化，从而使得用户能够更为方便地关注到当前推荐的产品，方便用户进行产品选择，提高推荐效率。

请参阅图8，在一些实施例中，步骤S701可以包括但不限于包括步骤S801至步骤S804：

步骤S801，提取历史运营数据中的目标文本数据；

步骤S802，利用预设的词法分析模型识别目标文本数据中的实体特征；

步骤S803，利用预先训练的序列分类器对实体特征进行分类处理；

步骤S804，对分类处理之后的实体特征进行特征提取，得到目标运营数据。

在步骤S801中，将历史运营数据中的非结构化数据转化为统一的结构化数据，从结构化数据中提取所需要的目标文本数据，其中，目标文本数据为自然语言文本。

进而，执行步骤S802，利用预设的词法分析模型识别目标文本数据中的实体特征。例如，预先构建产品推荐数据词库，该产品推荐数据词库可以包括各类产品推荐相关的专有名词、术语、非专有名称等等。通过这一产品推荐数据词库，预设的词法分析模型可以将特定产品推荐名称进行列举，例如，推荐对象、推荐场景等等。将目标文本数据输入至预设的词法分析模型中，通过预设的词法分析模型中包含的特定产品推荐语料以及预设的词性类别，对目标文本数据中的实体特征进行识别，该实体特征可以包括上述与产品推荐相关的专有名词、术语、非专有名称、修饰词、时间信息等多个维度的实体词汇。

为了更准确地提取实体特征，还可以利用预先训练的序列分类器对实体特征进行标记，使得这些实体特征都能够带上预设的标签，以便提高分类效率。

在执行步骤S803时，预先训练的序列分类器可以是最大熵马尔科夫模型(MEMM模型)或者基于条件随机场算法(CRF)的模型或者是基于双向长短时记忆算法(bi-LSTM)的模型。例如，可以基于bi-LSTM算法构建序列分类器，在基于bi-LSTM算法的模型中,输入单词wi和字符嵌入，通过左到右的长短记忆和右向左的长短时记忆,使得在输出被连接的位置生成单一的输出层。序列分类器通过这一输出层可以将输入的实体特征直接传递到softmax分类器上,通过softmax分类器在预设的词性类别标签上创建一个概率分布，从而根据概率分布对实体参数进行标记分类，最后执行步骤S804，对分类处理之后的实体特征进行特征提取，得到所需要的目标运营数据。

另外，为了实现数据存储，还可以采用BERT编码器，通过预设的编码函数将目标运营数据由文本形式转化为编码形式，以实现对目标运营数据的存储。该方法能够实现对历史运营数据的特征抽取，缩小数据总量，使得更为方便提取到所需要的目标运营数据。

本申请实施例通过获取推荐数据和待推荐产品的历史运营数据，将推荐数据和历史运营数据输入到预设的产品匹配模型中进行匹配处理，得到候选产品集合，这一方式能够方便地将符合推荐需求的产品筛选出来，形成候选产品集合。进而根据预设的权重算法对候选推荐产品集合中的待推荐产品进行权重计算，得到每一待推荐产品的权重值。根据权重值从候选产品集合中选出目标产品。这样一来，便可进一步地根据权重值对候选推荐产品集合中的待推荐产品进行过滤处理，得到目标产品，这一方式缩短了目标产品的筛选时间，也提高了目标产品与当前推荐需求的匹配性，降低了推荐难度，节省了时间成本。在得到目标产品后，根据预设的产品聚类模型对目标产品进行聚类处理，得到包含产品类别标签的标准产品，再利用预设的产品推荐平台对标准产品进行推荐。通过对目标产品的聚类处理，能够清楚地对目标产品进行产品分类，使得能够更加合理地反映出标准产品的基本信息，方便用户进行产品选择。该方法能够使得推荐的产品更加符合用户的实际需求，提高产品推荐的精确性和推荐效率。

请参阅图9，本申请实施例还提供一种产品推荐装置，可以实现上述产品推荐方法，该装置包括：

数据获取模块901，用于获取推荐数据和待推荐产品的历史运营数据；

产品匹配模块902，用于将推荐数据和历史运营数据输入到预设的产品匹配模型中进行匹配处理，得到候选产品集合；

权重计算模块903，用于根据预设的权重算法对候选产品集合中的待推荐产品进行权重计算，得到每一待推荐产品的权重值；

目标产品确定模块904，用于根据权重值从候选产品集合中选出目标产品；

聚类模块905，用于根据预设的产品聚类模型对目标产品进行聚类处理，得到包含产品类别标签的标准产品；

产品推荐模块906，用于利用预设的产品推荐平台将标准产品推荐给用户。

该产品推荐装置的具体实施方式与上述产品推荐方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种基于深度聚类算法的产品推荐设备，基于深度聚类算法的产品推荐设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述产品推荐方法。该产品推荐设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图10，图10示意了另一实施例的基于深度聚类算法的产品推荐设备的硬件结构，产品推荐设备包括：

处理器1001，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器1002，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器1002可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1002中，并由处理器1001来调用执行本申请实施例的产品推荐方法；

输入/输出接口1003，用于实现信息输入及输出；

通信接口1004，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；和

总线1005，在设备的各个组件(例如处理器1001、存储器1002、输入/输出接口1003和通信接口1004)之间传输信息；

其中处理器1001、存储器1002、输入/输出接口1003和通信接口1004通过总线1005实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述产品推荐方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。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。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-8中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，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。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，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。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，上述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。

集成的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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种基于深度聚类算法的产品推荐方法，其特征在于，所述方法包括：

获取推荐数据和待推荐产品的历史运营数据；

将所述推荐数据和所述历史运营数据输入到预设的产品匹配模型中进行匹配处理，得到候选产品集合；

根据预设的权重算法对所述候选产品集合中的待推荐产品进行权重计算，得到每一待推荐产品的权重值；

根据所述权重值从所述候选产品集合中选出目标产品；

根据预设的产品聚类模型对所述目标产品进行聚类处理，得到包含产品类别标签的标准产品；

利用预设的产品推荐平台将所述标准产品推荐给用户。

2.根据权利要求1所述的产品推荐方法，其特征在于，所述获取推荐数据和待推荐产品的历史运营数据的步骤，包括：

获取预设的目标需求维度；

通过网络爬虫的方式爬取与每一所述目标需求维度对应的所述推荐数据和所述历史运营数据。

3.根据权利要求1所述的产品推荐方法，其特征在于，所述将所述推荐数据和所述历史运营数据输入到预设的产品匹配模型中进行匹配处理，得到候选产品集合的步骤，包括：

对所述推荐数据和所述历史运营数据进行匹配处理，得到每一待推荐产品的匹配值；

根据所述匹配值与预设的匹配阈值的大小关系，选取候选产品；

将多个所述候选产品纳入同一个集合，得到所述候选产品集合。

4.根据权利要求1所述的产品推荐方法，其特征在于，所述根据预设的权重算法对所述候选产品集合中的待推荐产品进行权重计算，得到每一待推荐产品的权重值的步骤，包括：

获取所述待推荐产品的优先级权重、匹配值权重以及产品基础分；

根据预设的权重算法、对所述优先级权重、所述匹配值权重和所述产品基础分进行加权计算，得到每一待推荐产品的权重值。

5.根据权利要求1所述的产品推荐方法，其特征在于，所述根据所述权重值从所述候选产品集合中选出目标产品的步骤，包括：

根据所述权重值对所述待推荐产品进行降序排序，得到待推荐产品序列；

根据预设的筛选条件对所述待推荐产品序列中的待推荐产品进行筛选处理，得到目标产品。

6.根据权利要求1所述的产品推荐方法，其特征在于，所述根据预设的产品聚类模型对所述目标产品进行聚类处理，得到包含产品类别标签的标准产品的步骤，包括：

将预设的产品类别标签输入至所述产品聚类模型中，得到所述产品聚类模型的模型标签；

根据K均值聚类算法和所述模型标签对目标产品进行聚类处理，得到所述标准产品。

7.根据权利要求1至6任一项所述的产品推荐方法，其特征在于，所述利用预设的产品推荐平台将所述标准产品推荐给用户的步骤，包括：

对所述标准产品的历史运营数据进行实体特征提取，得到目标运营数据；

对所述目标运营数据进行可视化处理，生成产品推荐报告；

将所述产品推荐报告上传至所述产品推荐平台以将所述标准产品推荐给用户。

8.一种基于深度聚类算法的产品推荐装置，其特征在于，所述装置包括：

数据获取模块，用于获取推荐数据和待推荐产品的历史运营数据；

产品匹配模块，用于将所述推荐数据和所述历史运营数据输入到预设的产品匹配模型中进行匹配处理，得到候选产品集合；

权重计算模块，用于根据预设的权重算法对所述候选产品集合中的待推荐产品进行权重计算，得到每一待推荐产品的权重值；

目标产品确定模块，用于根据所述权重值从所述候选产品集合中选出目标产品；

聚类模块，用于根据预设的产品聚类模型对所述目标产品进行聚类处理，得到包含产品类别标签的标准产品；

产品推荐模块，用于利用预设的产品推荐平台将所述标准产品推荐给用户。

9.一种基于深度聚类算法的产品推荐设备，其特征在于，所述基于深度聚类算法的产品推荐设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的基于深度聚类算法的产品推荐方法的步骤。

10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的基于深度聚类算法的产品推荐方法的步骤。

Images