CN115511562A - 虚拟产品推荐方法、装置、计算机设备和存储介质 - Google Patents

虚拟产品推荐方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN115511562A
CN115511562A CN202211156091.9A CN202211156091A CN115511562A CN 115511562 A CN115511562 A CN 115511562A CN 202211156091 A CN202211156091 A CN 202211156091A CN 115511562 A CN115511562 A CN 115511562A
Authority
CN
China
Prior art keywords
target object
virtual
virtual product
target
placement
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
Application number
CN202211156091.9A
Other languages
English (en)
Inventor
李中耀
李璐瑶
孙记国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Pudong Development Bank Co Ltd
Original Assignee
Shanghai Pudong Development Bank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Pudong Development Bank Co Ltd filed Critical Shanghai Pudong Development Bank Co Ltd
Priority to CN202211156091.9A priority Critical patent/CN115511562A/zh
Publication of CN115511562A publication Critical patent/CN115511562A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance
    • 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
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种虚拟产品推荐方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：将特征数据输入至相适配的置办预测模型，确定目标对象置办每种虚拟产品的置办概率；根据目标对象在目标历史时段内置办每种虚拟产品所耗费的虚拟资源数量和目标对象在目标历史时段内置办虚拟产品所耗费的虚拟资源总数量，确定目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比；根据目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比，对目标对象置办每种虚拟产品的置办概率进行调整，按照目标对象置办每种虚拟产品的置办概率调整结果，向目标对象推荐虚拟产品；通过本方法，可以提高推荐的准确性。

Description

虚拟产品推荐方法、装置、计算机设备和存储介质
技术领域
本申请涉及人工智能技术领域，特别是涉及一种虚拟产品推荐方法、装置、计算机设备和存储介质。
背景技术
在一些比较复杂的交易数据处理场景中，当前的虚拟产品推荐方案是根据用户对虚拟产品的历史处理记录以及用于换取虚拟产品的虚拟资源信息，人工分析用户对虚拟产品的置办需求，根据置办需求推荐虚拟产品。
可见基于上述方法，具体实施时，往往需要耗费大量的人力成本进行人工分析，导致数据处理成本相对较高。此外，基于上述方法依赖于分析人员的个人能力和知识储备，导致推荐结果容易存在人为主观误差，影响推荐的准确度。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高推荐准确性的虚拟产品推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种虚拟产品推荐方法。所述方法包括：
根据目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，获取目标对象的目标画像数据；
在目标画像数据中，确定分别与每种虚拟产品各自对应已训练的置办预测模型相适配的特征数据；将特征数据输入至相适配的置办预测模型，获得目标对象置办每种虚拟产品的置办概率；
根据目标对象在目标历史时段内置办每种虚拟产品所耗费的虚拟资源数量以及目标对象在目标历史时段内置办虚拟产品所耗费的虚拟资源总数量，确定目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比；
根据目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比，对目标对象置办每种虚拟产品的置办概率进行调整，按照目标对象置办每种虚拟产品的置办概率调整结果，向目标对象推荐虚拟产品。
在其中一个实施例中，根据目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，获取目标对象的目标画像数据，包括：
按照虚拟资源历史交换记录和虚拟产品历史置办记录涉及到的历史时段，分别对虚拟资源历史交换记录和虚拟产品历史置办记录作统计处理，获得虚拟资源历史交换记录和虚拟产品历史置办记录各自的衍生统计结果，将虚拟资源历史交换记录、虚拟产品历史置办记录以及各自的衍生统计结果作为目标对象的目标画像数据。
在其中一个实施例中，将特征数据输入至相适配的置办预测模型，获得目标对象置办每种虚拟产品的置办概率之前，还包括：
根据特征数据的记录空缺历史时段，确定特征数据的缺失程度；
在缺失程度达到预设缺失程度的情况下，从目标画像数据中删除特征数据，在缺失程度未达到预设缺失程度的情况下，填充特征数据在相应的记录空缺历史时段内的记录。
在其中一个实施例中，目标画像数据是由特征数据组成的；任一虚拟产品对应的初始置办预测模型的训练过程，包括：
按照每种特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度，确定目标特征数据类型；
获取由目标特征数据类型对应的特征数据所组成的多个第一样本画像数据，通过多个第一样本画像数据对初始置办预测模型进行训练，获得任一虚拟产品对应已训练的置办预测模型。
在其中一个实施例中，按照每种特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度，确定目标特征数据类型，包括：
获取具有相同特征数据类型的多个第二样本画像数据；
针对任一种特征数据类型，将各第二样本画像数据中任一种特征数据类型对应的特征数据输入至初始置办预测模型，获得目标对象置办任一虚拟产品的预计置办概率，并根据预计置办概率确定相应目标对象对任一虚拟产品的预计置办结果；
根据各第二样本画像数据所确定的预计置办结果与目标对象对所述任一虚拟产品的实际置办结果，确定任一种特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度；
根据每一特征数据类型对应的贡献程度，对所有特征数据类型进行筛选，确定目标特征数据类型。
在其中一个实施例中，按照目标对象置办每种虚拟产品的置办概率调整结果，向目标对象推荐虚拟产品，包括：
按照目标对象置办每种虚拟产品的置办概率调整结果，确定待推荐的目标虚拟产品；
在检测到目标对象增持有虚拟资源的情况下，判断目标对象的置办风险等级是否达到预设风险等级，在达到的情况下，则不向目标对象推荐目标虚拟产品，在未达到的情况下，向目标对象推荐目标虚拟产品。
第二方面，本申请还提供了一种虚拟产品推荐装置。所述装置包括：
获取模块，用于根据目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，获取目标对象的目标画像数据；
第一确定模块，用于在目标画像数据中，确定分别与每种虚拟产品各自对应已训练的置办预测模型相适配的特征数据；将特征数据输入至相适配的置办预测模型，获得目标对象置办每种虚拟产品的置办概率；
第二确定模块，用于根据目标对象在目标历史时段内置办每种虚拟产品所耗费的虚拟资源数量以及目标对象在目标历史时段内置办虚拟产品所耗费的虚拟资源总数量，确定目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比；
推荐模块，用于根据目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比，对目标对象置办每种虚拟产品的置办概率进行调整，按照目标对象置办每种虚拟产品的置办概率调整结果，向目标对象推荐虚拟产品。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
根据目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，获取目标对象的目标画像数据；
在目标画像数据中，确定分别与每种虚拟产品各自对应已训练的置办预测模型相适配的特征数据；将特征数据输入至相适配的置办预测模型，获得目标对象置办每种虚拟产品的置办概率；
根据目标对象在目标历史时段内置办每种虚拟产品所耗费的虚拟资源数量以及目标对象在目标历史时段内置办虚拟产品所耗费的虚拟资源总数量，确定目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比；
根据目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比，对目标对象置办每种虚拟产品的置办概率进行调整，按照目标对象置办每种虚拟产品的置办概率调整结果，向目标对象推荐虚拟产品。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
根据目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，获取目标对象的目标画像数据；
在目标画像数据中，确定分别与每种虚拟产品各自对应已训练的置办预测模型相适配的特征数据；将特征数据输入至相适配的置办预测模型，获得目标对象置办每种虚拟产品的置办概率；
根据目标对象在目标历史时段内置办每种虚拟产品所耗费的虚拟资源数量以及目标对象在目标历史时段内置办虚拟产品所耗费的虚拟资源总数量，确定目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比；
根据目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比，对目标对象置办每种虚拟产品的置办概率进行调整，按照目标对象置办每种虚拟产品的置办概率调整结果，向目标对象推荐虚拟产品。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
根据目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，获取目标对象的目标画像数据；
在目标画像数据中，确定分别与每种虚拟产品各自对应已训练的置办预测模型相适配的特征数据；将特征数据输入至相适配的置办预测模型，获得目标对象置办每种虚拟产品的置办概率；
根据目标对象在目标历史时段内置办每种虚拟产品所耗费的虚拟资源数量以及目标对象在目标历史时段内置办虚拟产品所耗费的虚拟资源总数量，确定目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比；
根据目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比，对目标对象置办每种虚拟产品的置办概率进行调整，按照目标对象置办每种虚拟产品的置办概率调整结果，向目标对象推荐虚拟产品。
上述虚拟产品推荐方法、装置、计算机设备、存储介质和计算机程序产品，根据目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，获取目标对象的目标画像数据；在目标画像数据中，确定分别与每种虚拟产品各自对应已训练的置办预测模型相适配的特征数据；将特征数据输入至相适配的置办预测模型，获得目标对象置办每种虚拟产品的置办概率；根据目标对象在目标历史时段内置办每种虚拟产品所耗费的虚拟资源数量以及目标对象在目标历史时段内置办虚拟产品所耗费的虚拟资源总数量，确定目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比；根据目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比，对目标对象置办每种虚拟产品的置办概率进行调整，按照目标对象置办每种虚拟产品的置办概率调整结果，向目标对象推荐虚拟产品；通过本方法，可以提高推荐虚拟产品的准确性。
附图说明
图1为一个实施例中虚拟产品推荐方法的流程示意图；
图2为另一个实施例中虚拟产品推荐方法的流程示意图；
图3为一个实施例中虚拟产品推荐装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
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，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种专业名词，但除非特别说明，这些专业名词不受这些术语限制。这些术语仅用于将一个专业名词与另一个专业名词区分。举例来说，在不脱离本申请的范围的情况下，第三预设阈值与第四预设阈值可以相同可以不同。
在一个实施例中，如图1所示，提供了一种虚拟产品推荐方法，本实施例以该方法应用于终端进行举例说明，其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备。可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
101、根据目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，获取目标对象的目标画像数据；
102、在目标画像数据中，确定分别与每种虚拟产品各自对应已训练的置办预测模型相适配的特征数据；将特征数据输入至相适配的置办预测模型，获得目标对象置办每种虚拟产品的置办概率；
103、根据目标对象在目标历史时段内置办每种虚拟产品所耗费的虚拟资源数量以及目标对象在目标历史时段内置办虚拟产品所耗费的虚拟资源总数量，确定目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比；
104、根据目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比，对目标对象置办每种虚拟产品的置办概率进行调整，按照目标对象置办每种虚拟产品的置办概率调整结果，向目标对象推荐虚拟产品。
其中，目标对象指的是持有虚拟资源的对象，虚拟资源是目标对象通过劳动等正常途径获取的，虚拟资源可以用于获取虚拟产品或非虚拟产品。虚拟产品包括为目标对象增加虚拟资源的产品，如银行的现金管理、定期存款和新客理财产品等，非虚拟产品包括实际物品，比如生活用品等。
虚拟资源历史交换记录指的是目标对象在过去某个时刻与当前时刻之间虚拟资源转入和转出记录。
另外，虚拟资源历史交换记录包括目标对象与银行进行虚拟资源交换的历史记录、目标对象的虚拟资源历史持有量记录，比如，目标对象的金融交易数据、资产负债数据和代发薪数据等。
虚拟产品历史置办记录指的是在过去某个时刻与当前时刻之间，目标对象获取虚拟产品的签约记录等；比如，在2022年1月-至今的时间段内，目标对象的银行产品持有签约记录。
置办预测模型可以为XGBoost模型。目标对象置办每种虚拟产品的置办概率指的是目标对象利用虚拟资源置办某一虚拟产品的概率。
值得一提的是，每种虚拟产品对应一个已训练的置办预测模型，每个置办预测模型相适配的特征数据的种类至少为一种，置办预测模型相适配的特征数据的种类可以相同，也可以不同。比如，有三种类型的虚拟产品，分别为A、B、C；其中，A类虚拟产品对应的已训练的置办预测模型为模型D，B类虚拟产品对应的已训练的置办预测模型为模型E，C类虚拟产品对应的已训练的置办预测模型为模型F，模型D相适配的特征数据的种类为I、J、K，模型E相适配的特征数据的种类为H、J、K，模型F相适配的特征数据的种类为U。
在每种虚拟产品的置办预测模型完成训练后，将相适配的特征数据输入至完成训练的置办预测模型后，可以得到对应虚拟产品的置办概率，该置办概率用于表现目标对象对该类虚拟产品的置办意愿的强弱，某种虚拟产品的置办概率越高，则表明目标对象对该类虚拟产品的置办意愿越强，某种虚拟产品的置办概率越低，则表明目标对象对该类虚拟产品的置办意愿越弱。
对于目标历史时间段的起始时刻，本发明实施例对其不做具体限定；目标时间段的结束时刻指的是当前时刻，比如，当前时刻为2022年9月10日，则目标时间段可以是2022年8月10日至2022年9月10日之间的时间段，还可以是2022年8月15日至2022年9月10日之间的时间段。
目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比的计算方法如公式(1)所示：
Figure BDA0003858681470000081
式(1)中，ξi表示第i种虚拟产品的参考置办概率，Xi表示置办第i种虚拟产品所耗费的虚拟资源数量，n表示目标对象在目标历史时段内置办虚拟产品的种类量，
Figure BDA0003858681470000082
指的是目标对象在目标历史时段内置办所有种类虚拟产品所耗费的虚拟资源总数量。
具体地，确定目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比之后，将每种虚拟产品所耗费的虚拟资源数量对应的耗费占比与对应虚拟产品的置办概率相乘，得到每种虚拟产品的参考置办概率，将每种虚拟产品的参考置办概率作为目标对象置办对应种类虚拟产品的置办概率调整结果，终端将最大参考置办概率对应的虚拟产品推荐给目标对象；
其中，每种虚拟产品的参考置办概率计算方法如公式(1)所示：
Figure BDA0003858681470000083
式(2)中，Yi表示第i种虚拟产品的参考置办概率，ξi表示第i种虚拟产品的参考置办概率，yi表示目标对象置办第i种虚拟产品的置办概率，n表示目标对象在目标历史时段内置办虚拟产品的种类量。
本发明实施例提供的方法，通过对目标对象的目标画像数据画像进行分析和处理，可以确定目标对象选择虚拟产品时的倾向，从而可以根据目标对象选择虚拟产品时的倾向，向目标对象推荐虚拟产品，提高推荐虚拟产品的准确性，进而提高目标对象对虚拟产品的置办率。
结合上述实施例的内容，在一个实施例中，根据目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，获取目标对象的目标画像数据，包括：
按照虚拟资源历史交换记录和虚拟产品历史置办记录涉及到的历史时段，分别对虚拟资源历史交换记录和虚拟产品历史置办记录作统计处理，获得虚拟资源历史交换记录和虚拟产品历史置办记录各自的衍生统计结果，将虚拟资源历史交换记录、虚拟产品历史置办记录以及各自的衍生统计结果作为目标对象的目标画像数据。
具体地，按照虚拟资源历史交换记录和虚拟产品历史置办记录涉及到的历史时段，分别对虚拟资源历史交换记录和虚拟产品历史置办记录进行划分，得到多个时间段的虚拟资源历史交换记录和虚拟产品历史置办记录，然后对各个时间段的虚拟资源历史交换记录和虚拟产品历史置办记录进行统计处理，得到虚拟资源历史交换记录和虚拟产品历史置办记录各自衍生数据，将虚拟资源历史交换记录、虚拟产品历史置办记录以及各自的衍生统计结果作为目标对象的目标画像数据。
比如，获取的是2020年1月10日至2022年9月10日间的虚拟资源历史交换记录和虚拟产品历史置办记录，则可以将2021年10月间的虚拟资源历史交换记录与2021年10月间的虚拟资源历史交换记录进行比较，确定两个时间段内虚拟资源历史交换记录之间的差异，作为第一差异；以及将2021年10月间的虚拟产品历史置办记录与2021年10月间的虚拟产品历史置办记录进行比较，确定两个时间段内虚拟产品历史置办记录之间的差异，作为第二差异，将第一差异作为虚拟资源历史交换记录的衍生统计结果，将第二差异作为虚拟产品历史置办记录的衍生统计结果。
本发明实施例提供的方法，通过目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，可以确定虚拟资源历史交换记录和虚拟产品历史置办记录各自的衍生统计结果，从而可以根据目标对象的虚拟资源历史交换记录、虚拟产品历史置办记录以及各自的衍生统计结果，确定目标对象的目标画像数据。
结合上述实施例的内容，在一个实施例中，将特征数据输入至相适配的置办预测模型，获得目标对象置办每种虚拟产品的置办概率之前，还包括：
根据特征数据的记录空缺历史时段，确定特征数据的缺失程度；
在缺失程度达到预设缺失程度的情况下，从目标画像数据中删除特征数据，在缺失程度未达到预设缺失程度的情况下，填充特征数据在相应的记录空缺历史时段内的记录。
其中，对于预设缺失程度的值，本发明实施对其不做具体限定，预设缺失程度的值可以根据实际情况进行调整。在将特征数据输入至相适配的置办预测模型之前，需要确定特征数据是否完整，特征数据是否完整根据特征数据的缺失度程度判断。
具体地，将特征数据输入至相适配的置办预测模型，获得目标对象置办每种虚拟产品的置办概率之前，还包括，根据特征数据中的数据类型，判断是否需要对特征数据进行one-hot编码化以及取log处理等。比如，若特征数据中包含了离散类型的数据，则需要对特征数据中的离散数据进行one-hot编码化处理。
本发明实施例提供的方法，通过对特征数据进行填充或删除等预处理，可以提高特征数据准确度，从而提高根据特征数据确定的置办概率的准确度。
结合上述实施例的内容，在一个实施例中，目标画像数据是由特征数据组成的；任一虚拟产品对应的初始置办预测模型的训练过程，包括：
按照每种特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度，确定目标特征数据类型；
获取由目标特征数据类型对应的特征数据所组成的多个第一样本画像数据，通过多个第一样本画像数据对初始置办预测模型进行训练，获得任一虚拟产品对应已训练的置办预测模型。
其中，每一虚拟产品相应的目标特征数据类型与上述步骤102中每一虚拟产品相应的特征数据中的数据类型相同。
具体地，将任一虚拟产品对应的多个第一样本画像数据输入至任一虚拟产品相应的初始置办预测模型，通过网格搜索，对任一虚拟产品相应的初始置办预测模型进行超参数调优训练，得到任一虚拟产品相应的已训练的置办预测模型。也就是说，本实施例中，每一虚拟产品对应一个置办预测模型，每一置办预测模型有相应的多个第一样本画像数据。
本发明实施例提供的方法，通过确定目标特征数据类型，可以确定每一虚拟产品的多个第一样本画像数据，从而可以实现对每一虚拟产品相应的初始置办预测模型训练，得到任一虚拟产品相应的已训练的置办预测模型。
结合上述实施例的内容，在一个实施例中，按照每种特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度，确定目标特征数据类型，包括：
获取具有相同特征数据类型的多个第二样本画像数据；
针对任一种特征数据类型，将各第二样本画像数据中任一种特征数据类型对应的特征数据输入至初始置办预测模型，获得目标对象置办任一虚拟产品的预计置办概率，并根据预计置办概率确定相应目标对象对任一虚拟产品的预计置办结果；
根据各第二样本画像数据所确定的预计置办结果与相应目标对象对任一虚拟产品的实际置办结果，确定任一种特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度；
根据每一特征数据类型对应的贡献程度，对所有特征数据类型进行筛选，确定目标特征数据类型。
其中，第二样本画像数据是根据目标对象在预设历史时间段内的虚拟资源历史交换记录和虚拟产品历史置办记录所获得的，第二样本画像数据包括目标对象在预设历史时间段内的虚拟资源历史交换记录和虚拟产品历史置办记录以及虚拟资源历史交换记录和虚拟产品历史置办记录各自的衍生统计结果；比如，第二样本画像数据为目标对象在2020年1月至2022年1月间的虚拟资源历史交换记录和虚拟产品历史置办记录和虚拟资源历史交换记录和虚拟产品历史置办记录各自的衍生统计结果。也就是说，本实施例中的第二样本画像数据的上述步骤101中的目标画像数据相比，两者的获取方法相同。第一样本数据是根据目标特征数据类型，从第二样本画像数据中筛选得到的。
在对每一虚拟产品相应的初始置办预测模型进行训练之前，需要确定每一虚拟产品相应的初始置办预测模型的训练数据的类型，即目标特征数据类型。
每一初始置办预测模型相应的目标特征数据类型需要根据第二样本画像数据确定，第二样本画像数据包含有目标对象的虚拟产品历史置办记录，通过目标对象的虚拟产品历史置办记录，可以确定目标对象对任一虚拟产品的实际置办结果。
根据各第二样本画像数据所确定的预计置办结果与目标对象对任一虚拟产品的实际置办结果，确定任一种特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度，包括：根据各第二样本画像数据所确定的预计置办结果与目标对象对任一虚拟产品的实际置办结果，计算任一种特征数据类型相应的准确率、查全率或查准率，将特征数据类型相应的准确率、查全率或查准率作为任一特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度的标准，具体地，任一种特征数据类型相应的准确率、查全率或查准率越高，则任一特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度越高。
或者根据各第二样本画像数据所确定的预计置办结果与目标对象对任一虚拟产品的实际置办结果，计算任一种特征数据类型相应的准确率、查全率和查准率，并对任一种特征数据类型相应的准确率、查全率和查准率求平均值，得到参考准确率，将相应的参考准确率作为任一特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度的标准，任一种特征数据类型相应的参考准确率越高，则任一特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度越高。
具体地，采用网格搜索对初始置办预测模型进行超参数调优训练，以使得根据初始置办预测模型确定的目标特征数据类型的准确度更高。将特征数据类型对应的贡献程度排名靠前预设百分比的特征数据类型作为目标特征数据类型。比如，预设百分比为30％，则将特征数据类型对应的贡献程度排名靠前30％的特征数据类型作为目标特征数据类型。
本发明实施例提供的方法，通过确定任一种特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度，可以目标特征数据类型，从而可以得到与任一虚拟产品的置办预测模型相适配的特征数据，进而提高推荐虚拟产品的准确性。
结合上述实施例的内容，在一个实施例中，按照目标对象置办每种虚拟产品的置办概率调整结果，向目标对象推荐虚拟产品，包括：
按照目标对象置办每种虚拟产品的置办概率调整结果，确定待推荐的目标虚拟产品；
在检测到目标对象增持有虚拟资源的情况下，判断目标对象的置办风险等级是否达到预设风险等级，在达到的情况下，则不向目标对象推荐目标虚拟产品，在未达到的情况下，向目标对象推荐目标虚拟产品。
具体地，将最大置办概率对应的虚拟产品作为待推荐的目标虚拟产品，当检测到目标对象增持有虚拟资源的情况下，还先需要判断目标对象的置办风险等级是否达到预设风险等级，若目标对象的置办风险等级达到预设风险等级，则不向目标对象推荐目标虚拟产品；若目标对象的置办风险等级未达到预设风险等级，则通过终端向目标对象推荐目标虚拟产品。
此外，若完成了向目标对象推荐目标虚拟产品，则需要在预设时间段内，判断目标对象是否通过虚拟资源获取目标虚拟产品，并根据判断结果，对向目标对象推荐目标虚拟产品的动作进行评分
另外，在向目标对象推荐目标虚拟产品之后，将获取目标对象新的虚拟资源交换记录和虚拟产品置办记录，用于更新目标画像数据。
本发明实施例提供的方法，通过在检测到目标对象增持有虚拟资源的情况下，向目标对象推荐目标虚拟产品，可以及时向目标对象推荐虚拟产品，从而可以提高推荐效率，此外，通过更新目标对象的目标画像数据，可以提高置办预测模型的时效性，同时还能降低人工成本。
结合上述实施例的内容，在一个实施例中，一种虚拟产品推荐方法，如图2所示，包括：
201、根据目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，获取目标对象的目标画像数据；
202、在目标画像数据中，确定分别与每种虚拟产品各自对应已训练的置办预测模型相适配的特征数据；将特征数据输入至相适配的置办预测模型，获得目标对象置办每种虚拟产品的置办概率；
203、根据目标对象在目标历史时段内置办每种虚拟产品所耗费的虚拟资源数量以及目标对象在目标历史时段内置办虚拟产品所耗费的虚拟资源总数量，确定目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比；
204、根据目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比，对目标对象置办每种虚拟产品的置办概率进行调整，按照目标对象置办每种虚拟产品的置办概率调整结果，确定目标对象的目标虚拟产品；
205、在检测到目标对象增持有虚拟资源的情况下，判断目标对象的置办风险等级是否达到预设风险等级，在达到的情况下，则不向目标对象推荐目标虚拟产品，在未达到的情况下，则向目标对象推荐目标虚拟产品；
206、当完成了向目标对象推荐目标虚拟产品之后，则需要在预设时间段内，判断目标对象是否通过虚拟资源获取目标虚拟产品，并根据判断结果，对向目标对象推荐目标虚拟产品的动作进行评分。
本发明实施例提供的方法，通过构建置办预测模型，可以确定向目标对象推荐的目标虚拟产品，可以提高推荐虚拟产品的准确性，此外，本方法提供的置办预测模型可以适合多种目标对象，以及自动完成虚拟产品的推荐，因此，可以降低人工成本。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的虚拟产品推荐方法的虚拟产品推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个虚拟产品推荐装置实施例中的具体限定可以参见上文中对于虚拟产品推荐方法的限定，在此不再赘述。
在一个实施例中，如图3所示，提供了一种虚拟产品推荐装置，包括：获取模块301、第一确定模块302、第二确定模块303和推荐模块304，其中：
获取模块301，用于根据目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，获取目标对象的目标画像数据；
第一确定模块302，用于在目标画像数据中，确定分别与每种虚拟产品各自对应已训练的置办预测模型相适配的特征数据；将特征数据输入至相适配的置办预测模型，获得目标对象置办每种虚拟产品的置办概率；
第二确定模块303，用于根据目标对象在目标历史时段内置办每种虚拟产品所耗费的虚拟资源数量以及目标对象在目标历史时段内置办虚拟产品所耗费的虚拟资源总数量，确定目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比；
推荐模块304，用于根据目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比，对目标对象置办每种虚拟产品的置办概率进行调整，按照目标对象置办每种虚拟产品的置办概率调整结果，向目标对象推荐虚拟产品。
在一个实施例中，获取模块301，包括：
统计模块，用于按照虚拟资源历史交换记录和虚拟产品历史置办记录涉及到的历史时段，分别对虚拟资源历史交换记录和虚拟产品历史置办记录作统计处理，获得虚拟资源历史交换记录和虚拟产品历史置办记录各自的衍生统计结果，将虚拟资源历史交换记录、虚拟产品历史置办记录以及各自的衍生统计结果作为目标对象的目标画像数据。
在一个实施例中，第一确定模块302，包括：
第一确定子模块，用于根据特征数据的记录空缺历史时段，确定特征数据的缺失程度；
删除子模块，用于在缺失程度达到预设缺失程度的情况下，从目标画像数据中删除特征数据，在缺失程度未达到预设缺失程度的情况下，填充特征数据在相应的记录空缺历史时段内的记录。
在一个实施例中，第一确定模块302，还包括：
第二确定子模块，用于按照每种特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度，确定目标特征数据类型；
训练子模块，用于获取由目标特征数据类型对应的特征数据所组成的多个第一样本画像数据，通过多个第一样本画像数据对初始置办预测模型进行训练，获得任一虚拟产品对应已训练的置办预测模型。
在一个实施例中，第二确定子模块，还包括：
获取单元，用于获取具有相同特征数据类型的多个第二样本画像数据；
第一确定单元，用于针对任一种特征数据类型，将各第二样本画像数据中任一种特征数据类型对应的特征数据输入至初始置办预测模型，获得目标对象置办任一虚拟产品的预计置办概率，并根据预计置办概率确定目标对象对任一虚拟产品的预计置办结果；
第二确定单元，用于根据各第二样本画像数据所确定的预计置办结果与目标对象对任一虚拟产品的实际置办结果，确定任一种特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度；
第三确定单元，用于根据每一特征数据类型对应的贡献程度，对所有特征数据类型进行筛选，确定目标特征数据类型。
在一个实施例中，推荐模块304，包括：
第三确定子模块，用于按照目标对象置办每种虚拟产品的置办概率调整结果，确定待推荐的目标虚拟产品；
判断子模块，用于在检测到目标对象增持有虚拟资源的情况下，判断目标对象的置办风险等级是否达到预设风险等级，在达到的情况下，则不向目标对象推荐目标虚拟产品，在未达到的情况下，则向目标对象推荐目标虚拟产品。
上述虚拟产品推荐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终端，其内部结构图可以如图4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。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非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种虚拟产品推荐方法。本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
根据目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，获取目标对象的目标画像数据；
在目标画像数据中，确定分别与每种虚拟产品各自对应已训练的置办预测模型相适配的特征数据；将特征数据输入至相适配的置办预测模型，获得目标对象置办每种虚拟产品的置办概率；
根据目标对象在目标历史时段内置办每种虚拟产品所耗费的虚拟资源数量以及目标对象在目标历史时段内置办虚拟产品所耗费的虚拟资源总数量，确定目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比；
根据目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比，对目标对象置办每种虚拟产品的置办概率进行调整，按照目标对象置办每种虚拟产品的置办概率调整结果，向目标对象推荐虚拟产品。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
按照虚拟资源历史交换记录和虚拟产品历史置办记录涉及到的历史时段，分别对虚拟资源历史交换记录和虚拟产品历史置办记录作统计处理，获得虚拟资源历史交换记录和虚拟产品历史置办记录各自的衍生统计结果，将虚拟资源历史交换记录、虚拟产品历史置办记录以及各自的衍生统计结果作为目标对象的目标画像数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据特征数据的记录空缺历史时段，确定特征数据的缺失程度；
在缺失程度达到预设缺失程度的情况下，从目标画像数据中删除特征数据，在缺失程度未达到预设缺失程度的情况下，填充特征数据在相应的记录空缺历史时段内的记录。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
按照每种特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度，确定目标特征数据类型；
获取由目标特征数据类型对应的特征数据所组成的多个第一样本画像数据，通过多个第一样本画像数据对初始置办预测模型进行训练，获得任一虚拟产品对应已训练的置办预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取具有相同特征数据类型的多个第二样本画像数据；
针对任一种特征数据类型，将各第二样本画像数据中任一种特征数据类型对应的特征数据输入至初始置办预测模型，获得目标对象置办任一虚拟产品的预计置办概率，并根据预计置办概率确定目标对象对任一虚拟产品的预计置办结果；
根据各第二样本画像数据所确定的预计置办结果与目标对象对任一虚拟产品的实际置办结果，确定任一种特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度；
根据每一特征数据类型对应的贡献程度，对所有特征数据类型进行筛选，确定目标特征数据类型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
按照目标对象置办每种虚拟产品的置办概率调整结果，确定待推荐的目标虚拟产品；
在检测到目标对象增持有虚拟资源的情况下，判断目标对象的置办风险等级是否达到预设风险等级，在达到的情况下，则不向目标对象推荐目标虚拟产品，在未达到的情况下，则向目标对象推荐目标虚拟产品。
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以下步骤：
根据目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，获取目标对象的目标画像数据；
在目标画像数据中，确定分别与每种虚拟产品各自对应已训练的置办预测模型相适配的特征数据；将特征数据输入至相适配的置办预测模型，获得目标对象置办每种虚拟产品的置办概率；
根据目标对象在目标历史时段内置办每种虚拟产品所耗费的虚拟资源数量以及目标对象在目标历史时段内置办虚拟产品所耗费的虚拟资源总数量，确定目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比；
根据目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比，对目标对象置办每种虚拟产品的置办概率进行调整，按照目标对象置办每种虚拟产品的置办概率调整结果，向目标对象推荐虚拟产品。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
按照虚拟资源历史交换记录和虚拟产品历史置办记录涉及到的历史时段，分别对虚拟资源历史交换记录和虚拟产品历史置办记录作统计处理，获得虚拟资源历史交换记录和虚拟产品历史置办记录各自的衍生统计结果，将虚拟资源历史交换记录、虚拟产品历史置办记录以及各自的衍生统计结果作为目标对象的目标画像数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据特征数据的记录空缺历史时段，确定特征数据的缺失程度；
在缺失程度达到预设缺失程度的情况下，从目标画像数据中删除特征数据，在缺失程度未达到预设缺失程度的情况下，填充特征数据在相应的记录空缺历史时段内的记录。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
按照每种特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度，确定目标特征数据类型；
获取由目标特征数据类型对应的特征数据所组成的多个第一样本画像数据，通过多个第一样本画像数据对初始置办预测模型进行训练，获得任一虚拟产品对应已训练的置办预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取具有相同特征数据类型的多个第二样本画像数据；
针对任一种特征数据类型，将各第二样本画像数据中任一种特征数据类型对应的特征数据输入至初始置办预测模型，获得目标对象置办任一虚拟产品的预计置办概率，并根据预计置办概率确定目标对象对任一虚拟产品的预计置办结果；
根据各第二样本画像数据所确定的预计置办结果与目标对象对任一虚拟产品的实际置办结果，确定任一种特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度；
根据每一特征数据类型对应的贡献程度，对所有特征数据类型进行筛选，确定目标特征数据类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
按照目标对象置办每种虚拟产品的置办概率调整结果，确定待推荐的目标虚拟产品；
在检测到目标对象增持有虚拟资源的情况下，判断目标对象的置办风险等级是否达到预设风险等级，在达到的情况下，则不向目标对象推荐目标虚拟产品，在未达到的情况下，则向目标对象推荐目标虚拟产品。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
根据目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，获取目标对象的目标画像数据；
在目标画像数据中，确定分别与每种虚拟产品各自对应已训练的置办预测模型相适配的特征数据；将特征数据输入至相适配的置办预测模型，获得目标对象置办每种虚拟产品的置办概率；
根据目标对象在目标历史时段内置办每种虚拟产品所耗费的虚拟资源数量以及目标对象在目标历史时段内置办虚拟产品所耗费的虚拟资源总数量，确定目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比；
根据目标对象在目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比，对目标对象置办每种虚拟产品的置办概率进行调整，按照目标对象置办每种虚拟产品的置办概率调整结果，向目标对象推荐虚拟产品。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
按照虚拟资源历史交换记录和虚拟产品历史置办记录涉及到的历史时段，分别对虚拟资源历史交换记录和虚拟产品历史置办记录作统计处理，获得虚拟资源历史交换记录和虚拟产品历史置办记录各自的衍生统计结果，将虚拟资源历史交换记录、虚拟产品历史置办记录以及各自的衍生统计结果作为目标对象的目标画像数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据特征数据的记录空缺历史时段，确定特征数据的缺失程度；
在缺失程度达到预设缺失程度的情况下，从目标画像数据中删除特征数据，在缺失程度未达到预设缺失程度的情况下，填充特征数据在相应的记录空缺历史时段内的记录。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
按照每种特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度，确定目标特征数据类型；
获取由目标特征数据类型对应的特征数据所组成的多个第一样本画像数据，通过多个第一样本画像数据对初始置办预测模型进行训练，获得任一虚拟产品对应已训练的置办预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取具有相同特征数据类型的多个第二样本画像数据；
针对任一种特征数据类型，将各第二样本画像数据中任一种特征数据类型对应的特征数据输入至初始置办预测模型，获得目标对象置办任一虚拟产品的预计置办概率，并根据预计置办概率确定目标对象对任一虚拟产品的预计置办结果；
根据各第二样本画像数据所确定的预计置办结果与目标对象对任一虚拟产品的实际置办结果，确定任一种特征数据类型在预测目标对象是否置办任一虚拟产品时的贡献程度；
根据每一特征数据类型对应的贡献程度，对所有特征数据类型进行筛选，确定目标特征数据类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
按照目标对象置办每种虚拟产品的置办概率调整结果，确定待推荐的目标虚拟产品；
在检测到目标对象增持有虚拟资源的情况下，判断目标对象的置办风险等级是否达到预设风险等级，在达到的情况下，则不向目标对象推荐目标虚拟产品，在未达到的情况下，则向目标对象推荐目标虚拟产品。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，而且，向用户或目标对象推送的虚拟产品或其他推荐信息，用户或目标对象可以拒绝或可以便捷拒绝广告推送信息等。
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，所述的计算机程序可存储于一非易失性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、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种虚拟产品推荐方法，其特征在于，所述方法包括：
根据目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，获取目标对象的目标画像数据；
在所述目标画像数据中，确定分别与每种虚拟产品各自对应已训练的置办预测模型相适配的特征数据；将特征数据输入至相适配的置办预测模型，获得所述目标对象置办每种虚拟产品的置办概率；
根据所述目标对象在目标历史时段内置办每种虚拟产品所耗费的虚拟资源数量以及所述目标对象在所述目标历史时段内置办虚拟产品所耗费的虚拟资源总数量，确定所述目标对象在所述目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比；
根据所述目标对象在所述目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比，对所述目标对象置办每种虚拟产品的置办概率进行调整，按照所述目标对象置办每种虚拟产品的置办概率调整结果，向所述目标对象推荐虚拟产品。
2.根据权利要求1所述的方法，其特征在于，所述根据目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，获取目标对象的目标画像数据，包括：
按照所述虚拟资源历史交换记录和所述虚拟产品历史置办记录涉及到的历史时段，分别对所述虚拟资源历史交换记录和所述虚拟产品历史置办记录作统计处理，获得所述虚拟资源历史交换记录和所述虚拟产品历史置办记录各自的衍生统计结果，将所述虚拟资源历史交换记录、所述虚拟产品历史置办记录以及各自的衍生统计结果作为所述目标对象的目标画像数据。
3.根据权利要求1所述的方法，其特征在于，所述将特征数据输入至相适配的置办预测模型，获得所述目标对象置办每种虚拟产品的置办概率之前，还包括：
根据所述特征数据的记录空缺历史时段，确定所述特征数据的缺失程度；
在所述缺失程度达到预设缺失程度的情况下，从所述目标画像数据中删除所述特征数据，在所述缺失程度未达到预设缺失程度的情况下，填充所述特征数据在相应的记录空缺历史时段内的记录。
4.根据权利要求1所述的方法，其特征在于，所述目标画像数据是由特征数据组成的；任一虚拟产品对应的初始置办预测模型的训练过程，包括：
按照每种特征数据类型在预测所述目标对象是否置办所述任一虚拟产品时的贡献程度，确定目标特征数据类型；
获取由所述目标特征数据类型对应的特征数据所组成的多个第一样本画像数据，通过所述多个第一样本画像数据对所述初始置办预测模型进行训练，获得所述任一虚拟产品对应已训练的置办预测模型。
5.根据权利要求4所述的方法，其特征在于，所述按照每种特征数据类型在预测所述目标对象是否置办所述任一虚拟产品时的贡献程度，确定目标特征数据类型，包括：
获取具有相同特征数据类型的多个第二样本画像数据；
针对任一种特征数据类型，将各第二样本画像数据中所述任一种特征数据类型对应的特征数据输入至所述初始置办预测模型，获得所述目标对象置办所述任一虚拟产品的预计置办概率，并根据所述预计置办概率确定所述目标对象对所述任一虚拟产品的预计置办结果；
根据各第二样本画像数据所确定的预计置办结果与所述目标对象对所述任一虚拟产品的实际置办结果，确定所述任一种特征数据类型在预测目标对象是否置办所述任一虚拟产品时的贡献程度；
根据每一特征数据类型对应的贡献程度，对所有特征数据类型进行筛选，确定目标特征数据类型。
6.根据权利要求1所述的方法，其特征在于，所述按照所述目标对象置办每种虚拟产品的置办概率调整结果，向所述目标对象推荐虚拟产品，包括：
按照所述目标对象置办每种虚拟产品的置办概率调整结果，确定待推荐的目标虚拟产品；
在检测到所述目标对象增持有虚拟资源的情况下，判断所述目标对象的置办风险等级是否达到预设风险等级，在达到的情况下，则不向所述目标对象推荐所述目标虚拟产品，在未达到的情况下，则向所述目标对象推荐所述目标虚拟产品。
7.一种虚拟产品推荐装置，其特征在于，所述装置包括：
获取模块，用于根据目标对象的虚拟资源历史交换记录和虚拟产品历史置办记录，获取目标对象的目标画像数据；
第一确定模块，用于在所述目标画像数据中，确定分别与每种虚拟产品各自对应已训练的置办预测模型相适配的特征数据；将特征数据输入至相适配的置办预测模型，获得所述目标对象置办每种虚拟产品的置办概率；
第二确定模块，用于根据所述目标对象在目标历史时段内置办每种虚拟产品所耗费的虚拟资源数量以及所述目标对象在所述目标历史时段内置办虚拟产品所耗费的虚拟资源总数量，确定所述目标对象在所述目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比；
推荐模块，用于根据所述目标对象在所述目标历史时段内每种虚拟产品所耗费的虚拟资源数量对应的耗费占比，对所述目标对象置办每种虚拟产品的置办概率进行调整，按照所述目标对象置办每种虚拟产品的置办概率调整结果，向所述目标对象推荐虚拟产品。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202211156091.9A 2022-09-22 2022-09-22 虚拟产品推荐方法、装置、计算机设备和存储介质 Pending CN115511562A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211156091.9A CN115511562A (zh) 2022-09-22 2022-09-22 虚拟产品推荐方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211156091.9A CN115511562A (zh) 2022-09-22 2022-09-22 虚拟产品推荐方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN115511562A true CN115511562A (zh) 2022-12-23

Family

ID=84506280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211156091.9A Pending CN115511562A (zh) 2022-09-22 2022-09-22 虚拟产品推荐方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN115511562A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116186417A (zh) * 2023-04-25 2023-05-30 北京阿帕科蓝科技有限公司 推荐方法、装置、计算机设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116186417A (zh) * 2023-04-25 2023-05-30 北京阿帕科蓝科技有限公司 推荐方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN116882520A (zh) 针对预定预测问题的预测方法及系统
CN114359563A (zh) 模型训练方法、装置、计算机设备和存储介质
CN115630221A (zh) 终端应用界面展示数据处理方法、装置及计算机设备
CN115511562A (zh) 虚拟产品推荐方法、装置、计算机设备和存储介质
CN116645132A (zh) 基于多因子变量的时序预测方法、装置、电子设备及介质
CN114741402A (zh) 业务特征池的处理方法、装置、计算机设备和存储介质
Proietti et al. Euromind‐: A Density Estimate of Monthly Gross Domestic Product for the Euro Area
CN117522519A (zh) 产品推荐方法、装置、设备、存储介质和程序产品
CN114820082A (zh) 消费额度预测方法、装置、计算机设备和存储介质
CN113313562B (zh) 产品数据处理方法、装置、计算机设备和存储介质
CN114925919A (zh) 业务资源处理方法、装置、计算机设备和存储介质
CN115759742A (zh) 企业风险评估方法、装置、计算机设备和存储介质
CN114648406A (zh) 基于随机森林的用户信用积分预测方法和装置
CN116050816A (zh) 行为调整策略的确定方法、装置、计算机设备和存储介质
CN115587285A (zh) 目标对象识别方法、装置、计算机设备和存储介质
CN115082183A (zh) 业务对象的处理方法、装置、计算机设备、存储介质
CN116644277A (zh) 交互数据清洗方法、装置和计算机设备
CN116467521A (zh) 账户推荐模型的训练方法、账户推荐方法、装置和设备
CN114881723A (zh) 金融产品推荐方法、装置及计算机设备
CN117473296A (zh) 对象分析方法、装置、设备、存储介质和计算机程序产品
CN117575765A (zh) 产品推荐方法、装置、计算机设备和存储介质
CN117010762A (zh) 数据评估方法、装置、计算机设备和存储介质
CN117648484A (zh) 内容推荐方法、装置、计算机设备和存储介质
CN115033478A (zh) 测试资源推送方法、装置、设备、存储介质和程序产品
CN114677151A (zh) 基于xgboost的分位数预测方法、装置、计算机设备和存储介质

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