CN115292594A - 一种业务推荐方法、系统、电子设备及存储介质 - Google Patents

Abstract

本申请提供一种业务推荐方法、系统、电子设备及存储介质，可应用于云计算计算领域或者金融领域，根据预先定义的用户行为字典，采集多个历史用户行为；从多个历史用户行为中筛选出多个业务关联行为，并利用各个业务关联行为对待训练的预测模型进行训练，得到预测模型；当检测目标用户的当前用户行为时，将当前用户行为输入预训练的预测模型中，以使预训练的预测模型利用当前用户行为进行预测，得到目标业务；向目标用户推荐目标业务。

Description

一种业务推荐方法、系统、电子设备及存储介质

技术领域

本发明涉及互联网技术领域，更具体地说，涉及一种业务推荐方法、系统、电子设备及存储介质。

背景技术

随着互联网技术的不断发展，通过手机银行办理业务的客户越来越多，前往银行网点办理业务的客户越来越少。由此可见，银行要潜在客户，显然不能再和以往一样通过人工柜台的方式进行业务推荐。

因此，如果提供一种业务推荐方式，以实现线上挖掘潜在客户，是本申请当前亟需解决的问题。

发明内容

本发明提供一种业务推荐方法、系统、电子设备及存储介质，以实现线上挖掘潜在客户为目的。

本发明第一方面公开一种业务推荐方法，所述方法包括

根据预先定义的用户行为字典，采集多个历史用户行为；

从所述多个历史用户行为中筛选出多个业务关联行为，并利用各个所述业务关联行为对待训练的预测模型进行训练，得到预测模型；

当检测目标用户的当前用户行为时，将所述当前用户行为输入预训练的预测模型中，以使所述预训练的预测模型利用所述当前用户行为进行预测，得到目标业务；

向所述目标用户推荐所述目标业务。

可选的，所述从所述多个历史用户行为中筛选出多个业务关联行为，并利用各个所述业务关联行为对待训练的预测模型进行训练，得到预测模型，包括：

对各个所述历史用户行为进行分类，并对每个类别下的各个历史用户行为进行数据清洗，得到每个类别下的多个目标历史用户行为；

计算各个所述目标历史用户行为之间的历史关联性；

从各个所述历史用户行为中，筛选出大于预设历史关联性阈值的历史关联性对应的业务关联行为；

依次将各个所述业务关联行为输入待训练的预测模型，以使所述待训练的预测模型利用各个所述业务关联行为进行预测，得到每个所述业务关联行为对应的预测业务，并分别利用每个所述预测业务和目标业务构建的损失函数，对待训练的预测模型进行参数调节，直至所述待训练的预测模型达到收敛，预训练的预测模型。

可选的，所述对各个历史用户行为进行分类，并对每个类别下的各个历史用户行为进行数据清洗，得到每个类别下的多个目标历史用户行为，包括：

利用K-means聚类算法对各个历史用户行为进行分类；

对每个类别下的各个历史用户行为进行数据清洗，得到每个类别下的多个目标历史用户行为。

可选的，所述计算各个所述目标历史用户行为之间的历史关联性，包括：

基于apriori算法，计算各个所述目标历史用户行为之间的历史关联性。

本发明第二方面公开一种业务推荐系统，所述系统包括：

采集单元，用于根据预先定义的用户行为字典，采集多个历史用户行为；

训练单元，用于从所述多个历史用户行为中筛选出多个业务关联行为，并利用各个所述业务关联行为对待训练的预测模型进行训练，得到预测模型；

预测单元，用于当检测目标用户的当前用户行为时，将所述当前用户行为输入预训练的预测模型中，以使所述预训练的预测模型利用所述当前用户行为进行预测，得到目标业务；

业务推荐单元，用于向所述目标用户推荐所述目标业务。

可选的，所述训练单元，包括：

分类单元，用于对各个所述历史用户行为进行分类，并对每个类别下的各个历史用户行为进行数据清洗，得到每个类别下的多个目标历史用户行为；

关联性计算单元，用于计算各个所述目标历史用户行为之间的历史关联性；

筛选单元，用于从各个所述历史用户行为中，筛选出大于预设历史关联性阈值的历史关联性对应的业务关联行为；

训练子单元，用于依次将各个所述业务关联行为输入待训练的预测模型，以使所述待训练的预测模型利用各个所述业务关联行为进行预测，得到每个所述业务关联行为对应的预测业务，并分别利用每个所述预测业务和目标业务构建的损失函数，对待训练的预测模型进行参数调节，直至所述待训练的预测模型达到收敛，预训练的预测模型。

可选的，所述分类单元，包括：

分类子单元，用于利用K-means聚类算法对各个历史用户行为进行分类；

数据清洗单元，用于对每个类别下的各个历史用户行为进行数据清洗，得到每个类别下的多个目标历史用户行为。

可选的，所述关联性计算单元，包括：

关联性计算子单元，用于基于apriori算法，计算各个所述目标历史用户行为之间的历史关联性。

本发明第三方面公开一种电子设备，包括：处理器以及存储器，所述处理器以及存储器通过通信总线相连；其中，所述处理器，用于调用并执行所述存储器中存储的程序；所述存储器，用于存储程序，所述程序用于实现如上述本发明第一方面公开的产品推荐方法。

本发明第四方面公开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执行指令，所述计算机可执行指令用于执行如上述本发明第一方面公开的产品推荐方法。

本发明提供一种业务推荐方法、系统、电子设备及存储介质，通过根据预先定义的用户行为字典，采集各个用户的多个历史用户行为；从多个历史用户行为中筛选出多个业务关联行为，并利用各个业务关联行为对待训练的预测模型进行预测，得到预测模型；当检测目标用户的当前用户行为时，将当前用户行为输入预训练的预测模型中，以使预训练的预测模型利用当前用户行为进行预测，得到目标业务；向目标用户推荐目标业务。本发明提供的技术方案，通过线上根据预先定义的用户行为字典，采集各个用户的多个历史用户行为，进而利用历史用户行为进行训练，得到预测模型后，以便通过预测模型利用检测到的当前用户行为进行预测，得到目标用户可能有意向办理的目标业务，即挖掘出客户可能有意向办理的目标业务，并向目标用户推荐该目标业务。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种业务推荐方法的流程示意图；

图2为本发明实施例提供的一种业务推荐系统的结构示意图；

图3为本发明实施例提供的一种电子设备的结构示意图。

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，所描述的实施例仅仅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做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。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本发明公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本发明公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

需要说明的是，本发明提供的一种业务推荐方法可用于云计算技术领域或金融领域。上述仅为示例，并不对本发明提供的业务推荐的应用领域进行限定。

为了更好的理解本申请实施例所涉及的技术术语，下面进行相应的解释说明：

K-means聚类算法：也称k均值聚类算法，是集简单和经典于一身的基于距离的聚类算法。它采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为类簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。

Apriori算法：是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。

参见图1，示出了本发明实施例提供的一种业务推荐方法的流程示意图，该业务推荐方法具体包括以下步骤：

S101：根据预先定义的用户行为字典，采集各个用户的多个历史用户行为。

在本申请实施例中，业务人员可以根据经验确定一些与业务相关的用户行为字段，并根据确定的多个用户行为字段初始定义用户行为字典，进而可以根据定义的用户行为字典从数据库中，采集多个历史用户行为。

需要说明的是，用户行为字段可以为查询、购买、咨询、办理等字段，例如，用户行为字段为查询，采集到的历史用户行为可以为查询个人征信，或者为查询贷款。可以根据实际应用进行设置，本申请实施例不加以限定。

S102：从多个历史用户行为中筛选出多个业务关联行为，并利用各个业务关联行为对待训练的预测模型进行训练，得到预测模型。

在本申请实施例中，客户不会无缘无故的做某项操作，往往一些下意识的操作都是客户潜在需求的表现，有些用户行为之间还会存在一定的关联性，并且存在关联性的用户行为势必是用户基于某些需求而进行的一系列行为操作，例如，查询理财收益和购买理财便是关联性很大的两个行为，并且都是与理财业务相关的一些列用户行为。

由此可见，利用存在关联性的用户行为对待训练的预测模型进行训练，得到的预测模型，能够更加准确的预测出用户的潜在需求。因此，在采集到多个历史用户行为后，可以进一步从采集的多个历史用户行为中筛选出多个业务关联行为，进而利用筛选出的业务关联行为对待训练的预测模型进行训练。

可选的，在本申请实施例中，从多个历史用户行为中筛选出多个业务关联行为，并利用各个业务关联行为对待训练的预测模型进行训练，得到预测模型的过程可以为：

对各个历史用户行为进行分类，并对每个类别下的各个历史用户行为进行数据清洗，得到每个类别下的多个目标历史用户行为；计算各个目标历史用户行为之间的历史关联性；从各个历史用户行为中，筛选出大于预设历史关联性阈值的历史关联性对应的业务关联行为。

依次将各个业务关联行为输入待训练的预测模型，以使待训练的预测模型利用各个业务关联行为进行预测，得到每个业务关联行为对应的预测业务，并分别利用每个预测业务和目标业务构建的损失函数，对待训练的预测模型进行参数调节，直至待训练的预测模型达到收敛，预训练的预测模型。

需要说明的是，采集到的历史用户行为中可能会存在一些没有意义的用户行为，通过对采集到的历史用户行为进行分类，并对每个类别下的各个历史用户行为进行数据清洗，可以有效剔除部分没有意义的用户行为。

作为本申请实施例的一种优选方式，除了可以计算每两个目标历史用户行为之间的关联性，还可以计算一类目标历史用户行为与另一类目标历史用户行为之间的关联性，即多个目标历史用户行为与多个目标历史用户行为之间的关联性，可以根据实际应用进行计算，本申请实施例不加以限定。

可选的，可以利用K-means聚类算法对各个历史用户行为进行分类；基于apriori算法，计算各个目标历史用户行为之间的历史关联性。

具体的，基于apriori算法，计算每个类别下的各个目标历史用户行为之间的历史关联性，以及每个类别之间的各个目标历史用户行为之间的历史关联性，以及每个类型的多个目标历史用户行为与其他类别的多个目标历史用户行为的关联性。

S103：当检测目标用户的当前用户行为时，将当前用户行为输入预训练的预测模型中，以使预训练的预测模型利用当前用户行为进行预测，得到目标业务。

在具体执行步骤S103的过程中，在得到预测模型后，可以实时检测是否存在目标用户的当前用户行为；当检测到目标用户的当前用户行为时，可以将当前用户行为输入预训练的预测模型中，以使预训练的预测模型利用当前用户行为进行预测，可以有效挖掘出目标用户可能存在办理意向的目标业务，进而可以向目标用户推荐目标业务，可以提高目标用户办理业务的可能，从而提高业务的办理效率。

S104：向目标用户推荐目标业务。

本发明提供一种业务推荐方法，通过根据预先定义的用户行为字典，采集各个用户的多个历史用户行为；从多个历史用户行为中筛选出多个业务关联行为，并利用各个业务关联行为对待训练的预测模型进行预测，得到预测模型；当检测目标用户的当前用户行为时，将当前用户行为输入预训练的预测模型中，以使预训练的预测模型利用当前用户行为进行预测，得到目标业务；向目标用户推荐目标业务。本发明提供的技术方案，通过线上根据预先定义的用户行为字典，采集各个用户的多个历史用户行为，进而利用历史用户行为进行训练，得到预测模型后，以便通过预测模型利用检测到的当前用户行为进行预测，得到目标用户可能有意向办理的目标业务，即挖掘出客户可能有意向办理的目标业务，并向目标用户推荐该目标业务。

与上述本发明实施例公开的一种业务推荐方法相对应，本发明实施例还提供了一种业务推荐系统，如图2所示，该系统包括：

采集单元21，用于根据预先定义的用户行为字典，采集多个历史用户行为；

训练单元22，用于从多个历史用户行为中筛选出多个业务关联行为，并利用各个业务关联行为对待训练的预测模型进行训练，得到预测模型；

预测单元23，用于当检测目标用户的当前用户行为时，将当前用户行为输入预训练的预测模型中，以使预训练的预测模型利用当前用户行为进行预测，得到目标业务；

业务推荐单元24，用于向目标用户推荐目标业务。

上述本发明实施例公开的业务推荐系统中各个单元具体的原理和执行过程，与上述本发明实施例图1公开的业务推荐方法相同，可参见上述本发明实施例图1公开的业务推荐方法中相应的部分，这里不再进行赘述。

本发明提供一种业务推荐系统，通过根据预先定义的用户行为字典，采集各个用户的多个历史用户行为；从多个历史用户行为中筛选出多个业务关联行为，并利用各个业务关联行为对待训练的预测模型进行预测，得到预测模型；当检测目标用户的当前用户行为时，将当前用户行为输入预训练的预测模型中，以使预训练的预测模型利用当前用户行为进行预测，得到目标业务；向目标用户推荐目标业务。本发明提供的技术方案，通过线上根据预先定义的用户行为字典，采集各个用户的多个历史用户行为，进而利用历史用户行为进行训练，得到预测模型后，以便通过预测模型利用检测到的当前用户行为进行预测，得到目标用户可能有意向办理的目标业务，即挖掘出客户可能有意向办理的目标业务，并向目标用户推荐该目标业务。

可选的，训练单元，包括：

分类单元，用于对各个历史用户行为进行分类，并对每个类别下的各个历史用户行为进行数据清洗，得到每个类别下的多个目标历史用户行为；

关联性计算单元，用于计算各个目标历史用户行为之间的历史关联性；

筛选单元，用于从各个历史用户行为中，筛选出大于预设历史关联性阈值的历史关联性对应的业务关联行为；

训练子单元，用于依次将各个业务关联行为输入待训练的预测模型，以使待训练的预测模型利用各个业务关联行为进行预测，得到每个业务关联行为对应的预测业务，并分别利用每个预测业务和目标业务构建的损失函数，对待训练的预测模型进行参数调节，直至待训练的预测模型达到收敛，预训练的预测模型。

可选的，分类单元，包括：

分类子单元，用于利用K-means聚类算法对各个历史用户行为进行分类；

数据清洗单元，用于对每个类别下的各个历史用户行为进行数据清洗，得到每个类别下的多个目标历史用户行为。

可选的，关联性计算单元，包括：

关联性计算子单元，用于基于apriori算法，计算各个目标历史用户行为之间的历史关联性。

本申请实施例还提供一种电子设备，该电子设备包括：处理器以及存储器，所述处理器以及存储器通过通信总线相连；其中，所述处理器，用于调用并执行所述存储器中存储的程序；所述存储器，用于存储程序，该程序用于实现业务推荐方法。

下面参考图3，其示出了适于用来实现本发明公开实施例的电子设备的结构示意图。本发明公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本发明公开实施例的功能和使用范围带来任何限制。

如图3所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的业务推荐方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本发明公开实施例的业务推荐方法中限定的上述功能。

更进一步的，本发明实施例还提供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执行指令，所述计算机可执行指令用于执行业务推荐方法。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：根据预先定义的用户行为字典，采集多个历史用户行为；从所述多个历史用户行为中筛选出多个业务关联行为，并利用各个所述业务关联行为对待训练的预测模型进行训练，得到预测模型；当检测目标用户的当前用户行为时，将所述当前用户行为输入预训练的预测模型中，以使所述预训练的预测模型利用所述当前用户行为进行预测，得到目标业务；向所述目标用户推荐所述目标业务。

在本发明公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

需要说明的是，本发明公开上述的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本发明公开中，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。而在本发明公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统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，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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种业务推荐方法，其特征在于，所述方法包括

根据预先定义的用户行为字典，采集多个历史用户行为；

从所述多个历史用户行为中筛选出多个业务关联行为，并利用各个所述业务关联行为对待训练的预测模型进行训练，得到预测模型；

当检测目标用户的当前用户行为时，将所述当前用户行为输入预训练的预测模型中，以使所述预训练的预测模型利用所述当前用户行为进行预测，得到目标业务；

向所述目标用户推荐所述目标业务。

2.根据权利要求1所述的方法，其特征在于，所述从所述多个历史用户行为中筛选出多个业务关联行为，并利用各个所述业务关联行为对待训练的预测模型进行训练，得到预测模型，包括：

对各个所述历史用户行为进行分类，并对每个类别下的各个历史用户行为进行数据清洗，得到每个类别下的多个目标历史用户行为；

计算各个所述目标历史用户行为之间的历史关联性；

从各个所述历史用户行为中，筛选出大于预设历史关联性阈值的历史关联性对应的业务关联行为；

依次将各个所述业务关联行为输入待训练的预测模型，以使所述待训练的预测模型利用各个所述业务关联行为进行预测，得到每个所述业务关联行为对应的预测业务，并分别利用每个所述预测业务和目标业务构建的损失函数，对待训练的预测模型进行参数调节，直至所述待训练的预测模型达到收敛，预训练的预测模型。

3.根据权利要求2所述的方法，其特征在于，所述对各个历史用户行为进行分类，并对每个类别下的各个历史用户行为进行数据清洗，得到每个类别下的多个目标历史用户行为，包括：

利用K-means聚类算法对各个历史用户行为进行分类；

对每个类别下的各个历史用户行为进行数据清洗，得到每个类别下的多个目标历史用户行为。

4.根据权利要求2所述的方法，其特征在于，所述计算各个所述目标历史用户行为之间的历史关联性，包括：

基于apriori算法，计算各个所述目标历史用户行为之间的历史关联性。

5.一种业务推荐系统，其特征在于，所述系统包括：

采集单元，用于根据预先定义的用户行为字典，采集多个历史用户行为；

训练单元，用于从所述多个历史用户行为中筛选出多个业务关联行为，并利用各个所述业务关联行为对待训练的预测模型进行训练，得到预测模型；

预测单元，用于当检测目标用户的当前用户行为时，将所述当前用户行为输入预训练的预测模型中，以使所述预训练的预测模型利用所述当前用户行为进行预测，得到目标业务；

业务推荐单元，用于向所述目标用户推荐所述目标业务。

6.根据权利要求5所述的系统，其特征在于，所述训练单元，包括：

分类单元，用于对各个所述历史用户行为进行分类，并对每个类别下的各个历史用户行为进行数据清洗，得到每个类别下的多个目标历史用户行为；

关联性计算单元，用于计算各个所述目标历史用户行为之间的历史关联性；

筛选单元，用于从各个所述历史用户行为中，筛选出大于预设历史关联性阈值的历史关联性对应的业务关联行为；

训练子单元，用于依次将各个所述业务关联行为输入待训练的预测模型，以使所述待训练的预测模型利用各个所述业务关联行为进行预测，得到每个所述业务关联行为对应的预测业务，并分别利用每个所述预测业务和目标业务构建的损失函数，对待训练的预测模型进行参数调节，直至所述待训练的预测模型达到收敛，预训练的预测模型。

7.根据权利要求6所述的系统，其特征在于，所述分类单元，包括：

分类子单元，用于利用K-means聚类算法对各个历史用户行为进行分类；

数据清洗单元，用于对每个类别下的各个历史用户行为进行数据清洗，得到每个类别下的多个目标历史用户行为。

8.根据权利要求6所述的系统，其特征在于，所述关联性计算单元，包括：

关联性计算子单元，用于基于apriori算法，计算各个所述目标历史用户行为之间的历史关联性。

9.一种电子设备，其特征在于，包括：处理器以及存储器，所述处理器以及存储器通过通信总线相连；其中，所述处理器，用于调用并执行所述存储器中存储的程序；所述存储器，用于存储程序，所述程序用于实现如权利要求1-5任一项所述的产品推荐方法。

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执行指令，所述计算机可执行指令用于执行如权利要求1-5任一项所述的产品推荐方法。

Images