CN115080864A - 基于人工智能的产品推荐方法、装置、计算机设备及介质 - Google Patents
基于人工智能的产品推荐方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN115080864A CN115080864A CN202210866909.XA CN202210866909A CN115080864A CN 115080864 A CN115080864 A CN 115080864A CN 202210866909 A CN202210866909 A CN 202210866909A CN 115080864 A CN115080864 A CN 115080864A
- Authority
- CN
- China
- Prior art keywords
- product
- screening
- score
- information
- products
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Technology Law (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明适用于人工智能技术领域,尤其涉及一种基于人工智能的产品推荐方法、装置、计算机设备及介质。本发明通过计算待推荐用户的第一浏览信息和已推荐用户的第二浏览信息的相似度,从已推荐用户中确定参考用户,根据参考用户确定初始召回产品,对所有产品描述信息进行聚类,从每个聚类中任意选取一个初始召回产品,构成候选召回产品,将候选召回产品的产品描述信息和第二浏览信息输入至产品筛选模型,确定精选召回产品,将精选召回产品的产品描述信息和第一浏览信息输入至产品匹配模型,对待推荐用户进行产品推荐。通过对已推荐用户购买的产品的层层过滤,确定与待推荐用户的需求和兴趣最匹配的保险产品,极大地提高了保险产品的推荐准确率。
Description
技术领域
本发明适用于人工智能技术领域,尤其涉及一种基于人工智能的产品推荐方法、装置、计算机设备及介质。
背景技术
随着保险行业的发展和客户需求的多样化,保险产品的种类越来越多,其复杂性也相应提高,客户的选择难度增大。目前主要依赖保险代理人员或保险销售人员为客户进行产品推荐,但不同客户群体之间的需求往往存在很大的差别,导致推荐结果的针对性和准确性较差,难以满足客户的需求,导致为客户推荐合适的保险产品具有很大的难度。
因此,在人工智能技术领域,如何提高保险产品的推荐准确性成为亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种基于人工智能的产品推荐方法、装置、计算机设备及介质,以解决现有依赖人工推荐的方式进行推荐的准确率较低的问题。
第一方面,本发明实施例提供一种基于人工智能的产品推荐方法,所述产品推荐包括:
获取待推荐用户的第一浏览信息和已推荐用户的第二浏览信息,计算所述第一浏览信息和所述第二浏览信息的信息相似度,根据所述信息相似度从所述已推荐用户中确定参考用户;
获取所述参考用户购买的产品,将所述参考用户购买的产品作为初始召回产品;
获取各个所述初始召回产品的产品描述信息,对所有产品描述信息进行聚类分析,得到N个聚类,从每个聚类中任意选取一个初始召回产品,构成候选召回产品,N为大于零的整数;
将所述候选召回产品的产品描述信息和所述第二浏览信息输入至训练好的产品筛选模型,确定各个所述候选召回产品的筛选得分,确定所述候选召回产品中所述筛选得分不大于筛选得分阈值的产品为精选召回产品;
将所述精选召回产品的产品描述信息和所述第一浏览信息输入至训练好的产品匹配模型,确定各个所述精选召回产品的匹配得分,将所述精选召回产品中所述匹配得分大于匹配得分阈值的产品推荐给所述待推荐用户。
第二方面,本发明实施例提供一种基于人工智能的产品推荐装置,所述产品推荐装置包括:
参考用户确定模块,用于获取待推荐用户的第一浏览信息和已推荐用户的第二浏览信息,计算所述第一浏览信息和所述第二浏览信息的信息相似度,根据所述信息相似度从所述已推荐用户中确定参考用户;
初始产品确定模块,用于获取所述参考用户购买的产品,将所述参考用户购买的产品作为初始召回产品;
候选产品确定模块,用于获取各个所述初始召回产品的产品描述信息,对所有产品描述信息进行聚类分析,得到N个聚类,从每个聚类中任意选取一个初始召回产品,构成候选召回产品,N为大于零的整数;
精选产品确定模块,用于将所述候选召回产品的产品描述信息和所述第二浏览信息输入至训练好的产品筛选模型,确定各个所述候选召回产品的筛选得分,确定所述候选召回产品中所述筛选得分不大于筛选得分阈值的产品为精选召回产品;
产品推荐模块,用于将所述精选召回产品的产品描述信息和所述第一浏览信息输入至训练好的产品匹配模型,确定各个所述精选召回产品的匹配得分,将所述精选召回产品中所述匹配得分大于匹配得分阈值的产品推荐给所述待推荐用户。
第三方面,本发明实施例提供一种计算机设备,所述计算机设备包括处理器、存储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,所述处理器执行所述计算机程序时实现如第一方面所述的产品推荐方法。
第四方面,本发明实施例提供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,所述计算机程序被处理器执行时实现如第一方面所述的产品推荐方法。
本发明实施例与现有技术相比存在的有益效果是:通过计算待推荐用户的第一浏览信息和已推荐用户的第二浏览信息的信息相似度,从已推荐用户中确定参考用户,将参考用户购买的产品作为初始召回产品,然后对所有产品描述信息进行聚类分析,从每个聚类中任意选取一个初始召回产品,构成候选召回产品,然后将候选召回产品的产品描述信息和第二浏览信息输入至训练好的产品筛选模型,确定各个候选召回产品的筛选得分,确定候选召回产品中筛选得分不大于筛选得分阈值的产品为精选召回产品,最后将精选召回产品的产品描述信息和第一浏览信息输入至训练好的产品匹配模型中,确定各个精选召回产品的匹配得分,将精选召回产品中匹配得分大于匹配得分阈值的产品推荐给待推荐用户。通过对已推荐用户购买的产品的层层过滤,确定与待推荐用户的需求和兴趣最匹配的保险产品,极大地提高了保险产品的推荐准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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是本发明实施例一提供的一种产品推荐方法的一应用环境示意图;
图2是本发明实施例一提供的一种产品推荐方法的流程示意图;
图3是本发明实施例二提供的一种产品推荐装置的结构示意图;
图4是本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本发明说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本发明说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本发明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。
应理解,以下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。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
本发明实施例一提供的一种产品推荐方法,可应用在如图1的应用环境中,其中,客户端与服务端进行通信。其中,客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、云端计算机设备、个人数字助理(personal digital assistant,PDA)等计算机设备。服务端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。
参见图2,是本发明实施例一提供的一种产品推荐方法的流程示意图,上述产品推荐方法可以应用于图1中的客户端,该产品推荐方法可以包括以下步骤:
步骤S201,获取待推荐用户的第一浏览信息和已推荐用户的第二浏览信息,计算第一浏览信息和第二浏览信息的信息相似度,根据信息相似度从已推荐用户中确定参考用户。
其中,已推荐用户为已经推荐过对应保险产品的用户,待推荐用户为未推荐对应保险产品的用户,需要根据待推荐用户的需求和兴趣进行个性化的保险产品推荐,以满足客户的需求。第一浏览信息和第二浏览信息为用户在选择保险产品之前针对保险产品进行浏览和了解的过程信息,包括浏览类别、浏览时间和浏览顺序,用户的浏览信息可以有效地表现用户的兴趣和需求。
因此,可以获取待推荐用户的第一浏览信息和已推荐用户的第二浏览信息,并计算第一浏览信息和第二浏览信息的信息相似度,当第一浏览信息与第二浏览信息的信息相似度高时,表示该待推荐用户与该已推荐用户的兴趣和需求的相似度较高,因此,将与第一浏览信息相似的第二浏览信息对应的已推荐用户作为参考用户,对待推荐用户的个性化保险产品推荐提供参考信息,可以有效提升保险产品的推荐准确性。
可选的是,计算第一浏览信息和第二浏览信息的信息相似度,根据信息相似度从已推荐用户中确定参考用户,包括:
根据词向量技术将第一浏览信息转换为第一浏览向量,根据词向量技术将第二浏览信息转换为第二浏览向量;
计算第一浏览向量和第二浏览向量之间的浏览向量相似度,作为第一浏览信息和第二浏览信息的信息相似度;
判断信息相似度与预设的信息相似度阈值的大小关系,若信息相似度大于信息相似度阈值,确定信息相似度对应的已推荐用户为参考用户。
其中,第一浏览信息和第二浏览信息为文本信息,计算其信息相似度之前,首先需要将文本信息表示成能够表达文本语义的向量,因此,首先使用词向量技术对第一浏览信息和第二浏览信息进行向量化,得到第一浏览信息对应的第一浏览向量和第二浏览信息对应的第二浏览向量。其中,词向量技术,例如,One-hot Encoding(独热编码)技术和Word2Vec(词向量模型)技术。
然后,计算第一浏览向量和第二浏览向量之间的浏览向量相似度,该浏览向量相似度越高,表明第一浏览向量与第二浏览向量越相似,则表明对应的第一浏览信息和第二浏览信息越相似,因此,将第一浏览向量和第二浏览向量之间的浏览向量相似度,作为第一浏览信息和第二浏览信息之间的信息相似度。
其中,为了从已推荐用户中筛选出可以用来参考的用户,将得到的信息相似度与预设的信息相似度阈值进行大小比较,若信息相似度大于信息相似度阈值,表明该信息相似度对应的已推荐用户针对保险产品的兴趣和需求,与待推荐用户针对保险产品的兴趣和需求的相似度较高,则可以将该已推荐用户作为参考用户,对待推荐用户的个性化保险产品推荐提供参考信息;若信息相似度不大于信息相似度阈值,表明该信息相似度对应的已推荐用户针对保险产品的兴趣和需求,与待推荐用户针对保险产品的兴趣和需求的相似度较低,则不使用该已推荐用户作为参考用户,从而有效提升保险产品的推荐准确性。其中,信息相似度阈值可以根据实际情况进行预设,本实施例根据实际情况预设信息相似度阈值为0.8,以保证参考用户的可信度。
步骤S202,获取参考用户购买的产品,将参考用户购买的产品作为初始召回产品。
其中,参考用户针对保险产品的兴趣和需求,与待推荐用户针对保险产品的兴趣和需求的相似度较高,因此,本实施例获取参考用户购买的产品,将参考用户购买的产品作为初始召回产品,用于为待推荐用户进行个性化产品推荐时的参考。
步骤S203,获取各个初始召回产品的产品描述信息,对所有产品描述信息进行聚类分析,得到N个聚类,从每个聚类中任意选取一个初始召回产品,构成候选召回产品。
其中,产品描述信息包括保险产品的保险期限、保险金额、参保年龄,通过文本内容的方式向参保人员介绍对应保险产品的相关信息。由于初始召回产品是参考用户购买的产品,而参考用户与待推荐用户针对保险产品的兴趣和需求的相似度较高,因此,初始召回产品中包含较多一致或者相似的保险产品,在对待推荐用户进行针对性的保险产品推荐时,需要对初始召回产品中一致或者相似的保险产品进行筛选,以保证筛选后保留的初始召回产品之间的差异较大,从而在符合待推荐用户的兴趣和需求的基础上,提供更多不同的保险产品选项,同时降低计算量,以提升保险产品的推荐准确性并提升推荐效率。
具体地,获取各个初始召回产品的产品描述信息后,根据聚类算法对所有产品描述信息进行聚类分析,得到N个聚类,则属于同一个聚类的初始召回产品之间的相似度较高,因此,针对每一个聚类,任意选取其中一个初始召回产品作为候选召回产品,完成对初始召回产品中一致或者相似的保险产品进行筛选,以保证筛选后保留的初始召回产品之间的差异较大,以同时保证保险产品的推荐准确性并提升推荐效率。其中,N为大于零的整数。
步骤S204,将候选召回产品的产品描述信息和第二浏览信息输入至训练好的产品筛选模型,确定各个候选召回产品的筛选得分,确定候选召回产品中筛选得分不大于筛选得分阈值的产品为精选召回产品。
其中,候选召回产品是从海量保险产品中,经过对已推荐用户和已推荐用户购买的产品进行初步筛选得到的,用于对待推荐用户进行个性化产品推荐,当候选召回产品的数量级较大时,会严重降低针对待推荐用户的推荐效率,因此,本实施例针对候选召回产品进行进一步地筛选,以极大地降低召回产品的数量,从而提升保险产品的推荐效率。
具体地,第二浏览信息为已推荐用户在选择保险产品之前针对保险产品进行浏览和了解的过程信息,有效地表现了已推荐用户的兴趣和需求,候选召回产品为已推荐用户中参考用户购买的部分产品,则候选召回产品的产品描述信息可以验证根据第二浏览信息判断已推荐用户针对保险产品的兴趣和需求的可信度。因此,将候选召回产品的产品描述信息和第二浏览信息输入至训练好的产品筛选模型,得到各个候选召回产品的筛选得分,则筛选得分越大,表示该候选召回产品被筛除的概率越大,进一步将各个候选召回产品的筛选得分与筛选得分阈值进行比较,若筛选得分大于筛选得分阈值,则将对应候选召回产品筛除,若筛选得分不大于筛选得分阈值,则将对应候选召回产品保留,最终确定候选召回产品中筛选得分不大于筛选得分阈值的产品为精选召回产品,作为数量降级后的候选召回产品对待推荐用户进行个性化产品推荐。其中,筛选得分阈值可以根据实际情况进行预设,本实施例根据实际情况预设筛选得分阈值为0.3,以保证对于候选召回产品进行数量降级的有效性。
可选的是,产品筛选模型包括产品粗筛子模型和产品细筛子模型:
产品粗筛子模型用于输入候选召回产品的产品描述信息和第二浏览信息,输出候选召回产品的降维特征和粗筛得分;
产品细筛子模型用于输入候选召回产品的产品描述信息、第二浏览信息和降维特征,输出候选召回产品的细筛得分;
根据粗筛得分和细筛得分确定各个候选召回产品的筛选得分,根据筛选得分从候选召回产品中确定精选召回产品。
其中,产品筛选模型分为产品粗筛子模型和产品细筛子模型,对候选召回产品进行粗筛和细筛两个筛选等级,以提高产品筛选模型的筛选精度,有效降低候选召回产品的数量,提升对于保险产品的推荐效率。
具体地,产品粗筛子模型用于输入候选召回产品的产品描述信息和第二浏览信息,对产品描述信息和第二浏览信息进行特征提取,以输出候选召回产品的降维特征和粗筛得分,产品细筛子模型用于输入候选召回产品的产品描述信息、第二浏览信息和降维特征,最终输出候选召回产品的细筛得分,并根据粗筛得分和细筛得分确定各个候选召回产品最终的筛选得分,且筛选得分越高,对应候选召回产品被筛除的概率越大,因此,最后可根据筛选得分对候选召回产品进行筛选,从候选召回产品中确定精选召回产品,以提升对于保险产品的推荐效率。
可选的是,产品粗筛子模型包括粗筛编码器、粗筛嵌入层和粗筛全连接层,以样本召回产品的产品描述信息和对应第二浏览信息为训练样本,以预设粗筛得分作为训练标签;
产品粗筛子模型的训练过程包括:
将样本召回产品的产品描述信息和对应第二浏览信息输入至粗筛编码器进行特征提取,得到样本粗筛特征;
将样本粗筛特征输入至粗筛嵌入层进行特征降维,得到样本降维特征;
将样本降维特征输入至粗筛全连接层,得到样本粗筛得分;
根据样本粗筛得分和预设粗筛得分计算第一损失函数,根据梯度下降法反向修正粗筛编码器、粗筛嵌入层和粗筛全连接层的参数,直至第一损失函数收敛,得到训练好的产品粗筛子模型。
其中,训练样本为大量样本召回产品的产品描述信息和对应第二浏览信息,训练标签为预设粗筛得分,用于对产品粗筛子模型得到的样本粗筛得分进行评价,使得可以根据评价结果对该产品粗筛子模型进行训练,以得到训练好的产品粗筛子模型。
在产品粗筛子模型的训练过程中,首先将样本召回产品的产品描述信息和对应第二浏览信息输入至粗筛编码器进行特征提取,得到样本粗筛特征,样本粗筛特征用来表示样本召回产品的产品描述信息与对应第二浏览信息之间的关联性,从而根据候选召回产品的产品描述信息验证根据第二浏览信息判断已推荐用户针对保险产品的兴趣和需求的可信度;进一步将样本粗筛特征输入至粗筛嵌入层进行特征降维,得到样本降维特征,最后将样本降维特征输入至粗筛全连接层,得到样本粗筛得分,用来表示对应候选召回产品在粗筛降维过程中被筛除的概率。
然后,根据样本粗筛得分和预设粗筛得分计算第一损失函数,当第一损失函数较小时,表示根据产品粗筛子模型得到的样本粗筛得分与实际的预设粗筛得分之间的差距较小,表示该产品粗筛子模型的粗筛准确率较高,当第一损失函数较大时,表示该产品粗筛子模型的粗筛准确率较低,需要根据梯度下降法反向修正粗筛编码器、粗筛嵌入层和粗筛全连接层的参数,直至第一损失函数收敛,得到训练好的产品粗筛子模型,以提升该产品粗筛子模型的粗筛准确率。
可选的是,产品细筛子模型包括细筛编码器和细筛全连接层,以样本召回产品的产品描述信息、第二浏览信息和样本降维特征为训练样本,以预设细筛得分作为训练标签;
产品细筛子模型的训练过程包括:
将样本召回产品的产品描述信息、第二浏览信息和样本降维特征输入至细筛编码器进行特征提取,得到样本细筛特征;
将样本细筛特征和样本降维特征进行特征融合,得到样本融合特征;
将样本融合特征输入至细筛全连接层,得到样本细筛得分;
根据样本细筛得分和预设细筛得分计算第二损失函数,根据梯度下降法反向修正细筛编码器和细筛全连接层的参数,直至第二损失函数收敛,得到训练好的产品细筛子模型。
其中,训练样本为大量样本召回产品的产品描述信息、对应第二浏览信息和根据产品粗筛子模型得到的样本降维特征,训练标签为预设细筛得分,用于对产品细筛子模型得到的样本细筛得分进行评价,使得可以根据评价结果对该产品细筛子模型进行训练,以得到训练好的产品细筛子模型。
在产品细筛子模型的训练过程中,首先将样本召回产品的产品描述信息、第二浏览信息和样本降维特征输入至细筛编码器进行特征提取,得到样本细筛特征,样本细筛特征用来表示样本召回产品的产品描述信息与对应第二浏览信息之间的关联性,从而根据候选召回产品的产品描述信息验证根据第二浏览信息判断已推荐用户针对保险产品的兴趣和需求的可信度,并将样本细筛特征和样本降维特征进行特征融合,得到样本融合特征,来判断对该候选召回产品进行降维的可行性,最终将样本融合特征输入至细筛全连接层,得到样本细筛得分,用来表示对应候选召回产品在细筛降维过程中被筛除的概率。
然后,根据样本细筛得分和预设细筛得分计算第二损失函数,当第二损失函数较小时,表示根据产品细筛子模型得到的样本细筛得分与实际的预设细筛得分之间的差距较小,表示该产品细筛子模型的细筛准确率较高,当第二损失函数较大时,表示该产品细筛子模型的细筛准确率较低,需要根据梯度下降法反向修正细筛编码器和细筛全连接层的参数,直至第二损失函数收敛,得到训练好的产品细筛子模型,以提升该产品细筛子模型的细筛准确率。
可选的是,根据粗筛得分和细筛得分确定各个候选召回产品的筛选得分,根据筛选得分从候选召回产品中确定精选召回产品,包括:
将粗筛得分、预设第一得分权值、细筛得分、预设第二得分权值输入至预设的得分模型中,确定各个候选召回产品的筛选得分;
判断筛选得分与筛选得分阈值的大小关系,若筛选得分不大于筛选得分阈值,确定候选召回产品为精选召回产品。
其中,粗筛得分用来表示对应候选召回产品在粗筛降维过程中被筛除的概率,细筛得分用来表示对应候选召回产品在细筛降维过程中被筛除的概率,结合粗筛得分和细筛得分,以及粗筛得分对应的第一得分权值和细筛得分对应的第二得分权值,综合判断对应候选召回产品在粗筛降维过程中被筛除的概率,从而确定候选召回产品中的精选召回产品,以极大地降低候选召回产品的数量,根据精选召回产品对待推荐用户进行个性化产品推荐,以提高保险产品的推荐效率和推荐准确率。
具体地,将粗筛得分、预设第一得分权值、细筛得分、预设第二得分权值输入至预设的得分模型中,确定各个候选召回产品的筛选得分,则筛选得分越大,表示对应候选召回产品在细筛降维过程中被筛除的概率越大,因此,进一步判断筛选得分与筛选得分阈值的大小关系,若筛选得分大于筛选得分阈值,则将对应候选召回产品筛除,若筛选得分不大于筛选得分阈值,则将对应候选召回产品保留,并确定对应候选召回产品为精选召回产品,以对待推荐用户进行个性化产品推荐。其中,预设第一得分权值和预设第二得分权值可以根据实际情况进行预设,用来表示对应的粗筛得分和细筛得分在计算对应候选召回产品被筛除的概率中的贡献程度,由于细筛得分是在粗筛得分的基础上对候选召回产品进行进一步筛选得到的,因此,细筛得分在计算对应候选召回产品被筛除的概率中的贡献程度比粗筛得分的贡献程度大,则根据实际情况进行权值预设时,需要确保预设第二得分权值大于预设第一得分权值。
举例说明,将候选召回产品的数量记为N,N为大于1的整数,将其中第i(i=1,2,...,N)个候选召回产品的粗筛得分记为Ci,将其中第i个候选召回产品的细筛得分记为Xi,根据实际情况预设第一得分权值为α1=0.2,预设第二得分权值为α2=0.8,并预设得分模型为粗筛得分与第一得分权值的乘积,加上细筛得分与第二得分权值的乘积,得到对应的筛选得分,因此,第i个候选召回产品的筛选得分Si为:
Si=α1Ci+α2Xi
式中,α1为预设第一得分权值,Ci为第i个候选召回产品的粗筛得分,α2为预设第二得分权值,Xi为第i个候选召回产品的细筛得分。
则可获得N个候选召回产品的筛选得分S1,S2,...,SN,进一步对N个筛选得分进行归一化处理,得到归一化后的筛选得分S1v,S2′,...,SN′,以使得归一化后的筛选得分的取值范围为[0,1],并根据实际情况预设筛选得分阈值为So=0.3,若第i个候选召回产品归一化后的筛选得分Si′>S0,则将第i个候选召回产品筛除;若第i个候选召回产品归一化后的筛选得分Si′≤S0,则将第i个候选召回产品保留,并作为精选召回产品用于对待推荐用户进行个性化产品推荐。
步骤S205,将精选召回产品的产品描述信息和第一浏览信息输入至训练好的产品匹配模型,确定各个精选召回产品的匹配得分,将精选召回产品中匹配得分大于匹配得分阈值的产品推荐给待推荐用户。
其中,精选召回产品是从海量保险产品中,经过对已推荐用户和已推荐用户购买的产品进行多次筛选得到的,可以有效表现已推荐用户的兴趣和需求,用于对待推荐用户进行个性化产品推荐,第一浏览信息为待推荐用户在选择保险产品之前针对保险产品进行浏览和了解的过程信息,有效地表现了待推荐用户的兴趣和需求,因此,为了提升保险产品的推荐准确率,将精选召回产品的产品描述信息和第一浏览信息输入至训练好的产品匹配模型,得到各个精选召回产品的匹配得分,用来表示已推荐用户的精选召回产品与待推荐用户的第一浏览信息之间的匹配度,从而将精选召回产品中匹配得分大于匹配得分阈值的产品推荐给待推荐用户,以根据待推荐用户的第一浏览信息完成对待推荐用户的针对性保险产品推荐。其中,匹配得分阈值可以根据实际情况进行预设,本实施例根据实际情况预设匹配得分阈值为0.75,以保证对于保险产品的推荐准确性。
可选的是,产品匹配模型包括匹配编码器和匹配全连接层,以样本精选召回产品的产品描述信息和对应第一浏览信息为训练样本,以预设匹配得分作为训练标签;
产品匹配模型的训练过程包括:
将样本精选召回产品的产品描述信息和对应第一浏览信息输入至匹配编码器进行特征提取,得到样本匹配特征;
将样本匹配特征输入至匹配全连接层,得到样本匹配得分;
根据样本匹配得分和预设匹配得分计算第三损失函数,根据梯度下降法反向修正匹配编码器和匹配全连接层的参数,直至第三损失函数收敛,得到训练好的产品匹配模型。
其中,训练样本为大量样本精选召回产品的产品描述信息和对应第一浏览信息,训练标签为预设匹配得分,用于对产品匹配模型得到的样本匹配得分进行评价,使得可以根据评价结果对该产品匹配模型进行训练,以得到训练好的产品匹配模型。
在产品匹配模型的训练过程中,首先将样本精选召回产品的产品描述信息和对应第一浏览信息输入至匹配编码器进行特征提取,得到样本匹配特征,用来表示已推荐用户的精选召回产品与待推荐用户的第一浏览信息之间的匹配度,并将样本匹配特征输入至匹配全连接层,得到样本匹配得分,且该样本匹配得分越大,表示该产品被推荐给待推荐用户的优先级越高。
然后,根据样本匹配得分和预设匹配得分计算第三损失函数,当第三损失函数较小时,表示根据产品匹配模型得到的样本匹配得分与实际的预设匹配得分之间的差距较小,表示该产品匹配模型的匹配准确率较高,当第三损失函数较大时,表示该产品匹配模型的匹配准确率较低,需要根据梯度下降法反向修正匹配编码器和匹配全连接层的参数,直至第三损失函数收敛,得到训练好的产品匹配模型,以提升该产品匹配模型的匹配准确率。
本发明实施例通过计算待推荐用户的第一浏览信息和已推荐用户的第二浏览信息的信息相似度,从已推荐用户中确定参考用户,将参考用户购买的产品作为初始召回产品,然后对所有产品描述信息进行聚类分析,从每个聚类中任意选取一个初始召回产品,构成候选召回产品,然后将候选召回产品的产品描述信息和第二浏览信息输入至训练好的产品筛选模型,确定各个候选召回产品的筛选得分,确定候选召回产品中筛选得分不大于筛选得分阈值的产品为精选召回产品,最后将精选召回产品的产品描述信息和第一浏览信息输入至训练好的产品匹配模型中,确定各个精选召回产品的匹配得分,将精选召回产品中匹配得分大于匹配得分阈值的产品推荐给待推荐用户。通过对已推荐用户购买的产品的层层过滤,确定与待推荐用户的需求和兴趣最匹配的保险产品,极大地提高了保险产品的推荐准确率。
对应于上文实施例的产品推荐方法,图3给出了本发明实施例二提供的产品推荐装置的结构框图,为了便于说明,仅示出了与本发明实施例相关的部分。
参见图3,该产品推荐装置包括:
参考用户确定模块31,用于获取待推荐用户的第一浏览信息和已推荐用户的第二浏览信息,计算第一浏览信息和第二浏览信息的信息相似度,根据信息相似度从已推荐用户中确定参考用户;
初始产品确定模块32,用于获取参考用户购买的产品,将参考用户购买的产品作为初始召回产品;
候选产品确定模块33,用于获取各个初始召回产品的产品描述信息,对所有产品描述信息进行聚类分析,得到N个聚类,从每个聚类中任意选取一个初始召回产品,构成候选召回产品,N为大于零的整数;
精选产品确定模块34,用于将候选召回产品的产品描述信息和第二浏览信息输入至训练好的产品筛选模型,确定各个候选召回产品的筛选得分,确定候选召回产品中筛选得分不大于筛选得分阈值的产品为精选召回产品;
产品推荐模块35,用于将精选召回产品的产品描述信息和第一浏览信息输入至训练好的产品匹配模型,确定各个精选召回产品的匹配得分,将精选召回产品中匹配得分大于匹配得分阈值的产品推荐给待推荐用户。
可选的是,上述参考用户确定模块31包括:
浏览向量转换子模块,用于根据词向量技术将第一浏览信息转换为第一浏览向量,根据词向量技术将第二浏览信息转换为第二浏览向量;
信息相似度计算子模块,用于计算第一浏览向量和第二浏览向量之间的浏览向量相似度,作为第一浏览信息和第二浏览信息的信息相似度;
参考用户确定子模块,用于判断信息相似度与预设的信息相似度阈值的大小关系,若信息相似度大于信息相似度阈值,确定信息相似度对应的已推荐用户为参考用户。
可选的是,上述精选产品确定模块34包括:
粗筛得分确定子模块,用于产品粗筛子模型用于输入候选召回产品的产品描述信息和第二浏览信息,输出候选召回产品的降维特征和粗筛得分;
细筛得分确定子模块,用于产品细筛子模型用于输入候选召回产品的产品描述信息、第二浏览信息和降维特征,输出候选召回产品的细筛得分;
精选产品确定子模块,用于根据粗筛得分和细筛得分确定各个候选召回产品的筛选得分,根据筛选得分从候选召回产品中确定精选召回产品。
可选的是,上述粗筛得分确定子模块包括:
粗筛特征提取单元,用于将样本召回产品的产品描述信息和对应第二浏览信息输入至粗筛编码器进行特征提取,得到样本粗筛特征;
降维特征确定单元,用于将样本粗筛特征输入至粗筛嵌入层进行特征降维,得到样本降维特征;
粗筛得分确定单元,用于将样本降维特征输入至粗筛全连接层,得到样本粗筛得分;
第一参数修正单元,用于根据样本粗筛得分和预设粗筛得分计算第一损失函数,根据梯度下降法反向修正粗筛编码器、粗筛嵌入层和粗筛全连接层的参数,直至第一损失函数收敛,得到训练好的产品粗筛子模型。
可选的是,上述细筛得分确定子模块包括:
细筛特征提取单元,用于将样本召回产品的产品描述信息、第二浏览信息和样本降维特征输入至细筛编码器进行特征提取,得到样本细筛特征;
特征融合单元,用于将样本细筛特征和样本降维特征进行特征融合,得到样本融合特征;
细筛得分确定单元,用于将样本融合特征输入至细筛全连接层,得到样本细筛得分;
第二参数修正单元,用于根据样本细筛得分和预设细筛得分计算第二损失函数,根据梯度下降法反向修正细筛编码器和细筛全连接层的参数,直至第二损失函数收敛,得到训练好的产品细筛子模型。
可选的是,上述精选产品确定子模块包括:
筛选得分确定单元,用于将粗筛得分、预设第一得分权值、细筛得分、预设第二得分权值输入至预设的得分模型中,确定各个候选召回产品的筛选得分;
精选产品确定单元,用于判断筛选得分与筛选得分阈值的大小关系,若筛选得分不大于筛选得分阈值,确定候选召回产品为精选召回产品。
可选的是,上述产品推荐模块35包括:
匹配特征提取子模块,用于将样本精选召回产品的产品描述信息和对应第一浏览信息输入至匹配编码器进行特征提取,得到样本匹配特征;
匹配得分确定子模块,用于将样本匹配特征输入至匹配全连接层,得到样本匹配得分;
第三参数修正子模块,用于根据样本匹配得分和预设匹配得分计算第三损失函数,根据梯度下降法反向修正匹配编码器和匹配全连接层的参数,直至第三损失函数收敛,得到训练好的产品匹配模型。
需要说明的是,上述模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图4为本发明实施例三提供的一种计算机设备的结构示意图。如图4所示,该实施例的计算机设备包括:至少一个处理器(图4中仅示出一个)、存储器以及存储在存储器中并可在至少一个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任意各个产品推荐方法实施例中的步骤。
该计算机设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,图4仅仅是计算机设备的举例,并不构成对计算机设备的限定,计算机设备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,例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU,该处理器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 IntegratedCircuit,ASIC)、现成可编程门阵列(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。
存储器包括可读存储介质、内存储器等,其中,内存储器可以是计算机设备的内存,内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘,在另一些实施例中也可以是计算机设备的外部存储设备,例如,计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
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。实施例中的各功能单元、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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。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,本发明实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序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。计算机可读介质至少可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本发明实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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。
以上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产品推荐方法,其特征在于,所述产品推荐方法包括:
获取待推荐用户的第一浏览信息和已推荐用户的第二浏览信息,计算所述第一浏览信息和所述第二浏览信息的信息相似度,根据所述信息相似度从所述已推荐用户中确定参考用户;
获取所述参考用户购买的产品,将所述参考用户购买的产品作为初始召回产品;
获取各个所述初始召回产品的产品描述信息,对所有产品描述信息进行聚类分析,得到N个聚类,从每个聚类中任意选取一个初始召回产品,构成候选召回产品,N为大于零的整数;
将所述候选召回产品的产品描述信息和所述第二浏览信息输入至训练好的产品筛选模型,确定各个所述候选召回产品的筛选得分,确定所述候选召回产品中所述筛选得分不大于筛选得分阈值的产品为精选召回产品;
将所述精选召回产品的产品描述信息和所述第一浏览信息输入至训练好的产品匹配模型,确定各个所述精选召回产品的匹配得分,将所述精选召回产品中所述匹配得分大于匹配得分阈值的产品推荐给所述待推荐用户。
2.根据权利要求1所述的产品推荐方法,其特征在于,所述计算所述第一浏览信息和所述第二浏览信息的信息相似度,根据所述信息相似度从所述已推荐用户中确定参考用户,包括:
根据词向量技术将所述第一浏览信息转换为第一浏览向量,根据词向量技术将所述第二浏览信息转换为第二浏览向量;
计算所述第一浏览向量和所述第二浏览向量之间的浏览向量相似度,作为所述第一浏览信息和所述第二浏览信息的信息相似度;
判断所述信息相似度与预设的信息相似度阈值的大小关系,若所述信息相似度大于所述信息相似度阈值,确定所述信息相似度对应的已推荐用户为参考用户。
3.根据权利要求1所述的产品推荐方法,其特征在于,所述产品筛选模型包括产品粗筛子模型和产品细筛子模型:
所述产品粗筛子模型用于输入所述候选召回产品的产品描述信息和所述第二浏览信息,输出所述候选召回产品的降维特征和粗筛得分;
所述产品细筛子模型用于输入所述候选召回产品的产品描述信息、所述第二浏览信息和所述降维特征,输出所述候选召回产品的细筛得分;
根据所述粗筛得分和所述细筛得分确定各个所述候选召回产品的筛选得分,根据所述筛选得分从所述候选召回产品中确定精选召回产品。
4.根据权利要求3所述的产品推荐方法,其特征在于,所述产品粗筛子模型包括粗筛编码器、粗筛嵌入层和粗筛全连接层,以样本召回产品的产品描述信息和对应第二浏览信息为训练样本,以预设粗筛得分作为训练标签;
所述产品粗筛子模型的训练过程包括:
将所述样本召回产品的产品描述信息和对应第二浏览信息输入至所述粗筛编码器进行特征提取,得到样本粗筛特征;
将所述样本粗筛特征输入至所述粗筛嵌入层进行特征降维,得到样本降维特征;
将所述样本降维特征输入至所述粗筛全连接层,得到样本粗筛得分;
根据所述样本粗筛得分和所述预设粗筛得分计算第一损失函数,根据梯度下降法反向修正所述粗筛编码器、所述粗筛嵌入层和所述粗筛全连接层的参数,直至所述第一损失函数收敛,得到训练好的产品粗筛子模型。
5.根据权利要求4所述的产品推荐方法,其特征在于,所述产品细筛子模型包括细筛编码器和细筛全连接层,以所述样本召回产品的产品描述信息、所述第二浏览信息和所述样本降维特征为训练样本,以预设细筛得分作为训练标签;
所述产品细筛子模型的训练过程包括:
将所述样本召回产品的产品描述信息、所述第二浏览信息和所述样本降维特征输入至所述细筛编码器进行特征提取,得到样本细筛特征;
将所述样本细筛特征和所述样本降维特征进行特征融合,得到样本融合特征;
将所述样本融合特征输入至所述细筛全连接层,得到样本细筛得分;
根据所述样本细筛得分和所述预设细筛得分计算第二损失函数,根据梯度下降法反向修正所述细筛编码器和所述细筛全连接层的参数,直至所述第二损失函数收敛,得到训练好的产品细筛子模型。
6.根据权利要求3所述的产品推荐方法,其特征在于,所述根据所述粗筛得分和所述细筛得分确定各个所述候选召回产品的筛选得分,根据所述筛选得分从所述候选召回产品中确定精选召回产品,包括:
将所述粗筛得分、预设第一得分权值、所述细筛得分、预设第二得分权值输入至预设的得分模型中,确定各个所述候选召回产品的筛选得分;
判断所述筛选得分与筛选得分阈值的大小关系,若所述筛选得分不大于所述筛选得分阈值,确定所述候选召回产品为精选召回产品。
7.根据权利要求1所述的产品推荐方法,其特征在于,所述产品匹配模型包括匹配编码器和匹配全连接层,以样本精选召回产品的产品描述信息和对应第一浏览信息为训练样本,以预设匹配得分作为训练标签;
所述产品匹配模型的训练过程包括:
将所述样本精选召回产品的产品描述信息和对应第一浏览信息输入至所述匹配编码器进行特征提取,得到样本匹配特征;
将所述样本匹配特征输入至所述匹配全连接层,得到样本匹配得分;
根据所述样本匹配得分和所述预设匹配得分计算第三损失函数,根据梯度下降法反向修正所述匹配编码器和所述匹配全连接层的参数,直至所述第三损失函数收敛,得到训练好的产品匹配模型。
8.一种基于人工智能的产品推荐装置,其特征在于,所述产品推荐装置包括:
参考用户确定模块,用于获取待推荐用户的第一浏览信息和已推荐用户的第二浏览信息,计算所述第一浏览信息和所述第二浏览信息的信息相似度,根据所述信息相似度从所述已推荐用户中确定参考用户;
初始产品确定模块,用于获取所述参考用户购买的产品,将所述参考用户购买的产品作为初始召回产品;
候选产品确定模块,用于获取各个所述初始召回产品的产品描述信息,对所有产品描述信息进行聚类分析,得到N个聚类,从每个聚类中任意选取一个初始召回产品,构成候选召回产品,N为大于零的整数;
精选产品确定模块,用于将所述候选召回产品的产品描述信息和所述第二浏览信息输入至训练好的产品筛选模型,确定各个所述候选召回产品的筛选得分,确定所述候选召回产品中所述筛选得分不大于筛选得分阈值的产品为精选召回产品;
产品推荐模块,用于将所述精选召回产品的产品描述信息和所述第一浏览信息输入至训练好的产品匹配模型,确定各个所述精选召回产品的匹配得分,将所述精选召回产品中所述匹配得分大于匹配得分阈值的产品推荐给所述待推荐用户。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储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,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任一项所述的产品推荐方法。
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任一项所述的产品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210866909.XA CN115080864A (zh) | 2022-07-21 | 2022-07-21 | 基于人工智能的产品推荐方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210866909.XA CN115080864A (zh) | 2022-07-21 | 2022-07-21 | 基于人工智能的产品推荐方法、装置、计算机设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115080864A true CN115080864A (zh) | 2022-09-20 |
Family
ID=83243633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210866909.XA Pending CN115080864A (zh) | 2022-07-21 | 2022-07-21 | 基于人工智能的产品推荐方法、装置、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115080864A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821228A (zh) * | 2023-06-01 | 2023-09-29 | 成都亚保科技有限公司 | 基于数据分析的保险产品可视化配置方法 |
-
2022
- 2022-07-21 CN CN202210866909.XA patent/CN115080864A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821228A (zh) * | 2023-06-01 | 2023-09-29 | 成都亚保科技有限公司 | 基于数据分析的保险产品可视化配置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112860841B (zh) | 一种文本情感分析方法、装置、设备及存储介质 | |
CN112988963B (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
CN107862058B (zh) | 用于生成信息的方法和装置 | |
CN112214576B (zh) | 舆情分析方法、装置、终端设备及计算机可读存储介质 | |
CN110796171A (zh) | 机器学习模型的未分类样本处理方法、装置及电子设备 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
CN115080864A (zh) | 基于人工智能的产品推荐方法、装置、计算机设备及介质 | |
CN113435499A (zh) | 标签分类方法、装置、电子设备和存储介质 | |
CN112597299A (zh) | 文本的实体分类方法、装置、终端设备和存储介质 | |
CN116844573A (zh) | 基于人工智能的语音情感识别方法、装置、设备及介质 | |
CN116503608A (zh) | 基于人工智能的数据蒸馏方法及相关设备 | |
CN113836297B (zh) | 文本情感分析模型的训练方法及装置 | |
CN113888265A (zh) | 产品推荐方法、装置、设备及计算机可读存储介质 | |
CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN112115229A (zh) | 文本意图识别方法、装置、系统以及文本分类系统 | |
CN115292465A (zh) | 基于人工智能的问答方法、装置、计算机设备及介质 | |
CN116564354A (zh) | 基于人工智能的情绪识别方法、装置、计算机设备及介质 | |
CN114187912A (zh) | 基于语音对话的知识推荐方法、装置、设备及存储介质 | |
CN117611285A (zh) | 一种基于多平台的保险产品推荐方法、装置、设备及介质 | |
CN117611358A (zh) | 一种个性化定制方案生成方法、装置、设备及介质 | |
CN116432858A (zh) | 基于人工智能的风险分析方法、装置、计算机设备及介质 | |
CN117076766A (zh) | 基于人工智能的知识缺陷识别方法、装置、设备及介质 | |
CN113704405A (zh) | 基于录音内容的质检评分方法、装置、设备及存储介质 | |
CN117033548A (zh) | 用于缺陷分析的数据检索方法、装置、计算机设备及介质 | |
CN115292464A (zh) | 基于人工智能的会话处理方法、装置、设备及介质 |
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 |