CN115712775A - 产品推荐方法、装置、计算机设备和存储介质 - Google Patents
产品推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115712775A CN115712775A CN202211474643.0A CN202211474643A CN115712775A CN 115712775 A CN115712775 A CN 115712775A CN 202211474643 A CN202211474643 A CN 202211474643A CN 115712775 A CN115712775 A CN 115712775A
- Authority
- CN
- China
- Prior art keywords
- product
- target user
- combination
- target
- candidate
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种产品推荐方法、装置、计算机设备、存储介质和计算机程序产品,涉及人工智能技术领域。该方法包括:根据待推荐产品和第一目标用户的资源总量,确定初始产品组合和初始产品组合在多个预设产品目标下的目标信息;根据初始产品组合在多个预设产品目标下的目标信息,从初始产品组合中,筛选出满足预设目标信息的候选产品组合;根据第一目标用户和第二目标用户对候选产品组合的偏好度,确定第一目标用户和第二目标用户之间的相似度;根据相似度和第二目标用户对候选产品组合的偏好度,确定候选产品组合的推荐度;根据推荐度,从候选产品组合中确定出推荐给第一目标用户的目标产品组合。采用本方法,能够提高产品组合的推荐准确率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种产品推荐方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着互联网技术的发展,网络上出现了各种类型的产品,用户可以根据自己需求选择对应的产品。
然而,在选择产品组合时,主要是通过销售人员的推荐或者其他用户的推荐;但是,这种推荐方式存在主观性,所考虑的因素较少,导致产品组合的推荐准确率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高产品组合的推荐准确率的产品推荐方法、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,本申请提供了一种产品推荐方法。所述方法包括:
根据待推荐产品和第一目标用户的资源总量,确定初始产品组合和所述初始产品组合在多个预设产品目标下的目标信息;所述初始产品组合表示在所述资源总量的约束下,对所述待推荐产品的选择组合,所述初始产品组合中的每个产品关联有对应的预测资源转移比例;
根据所述初始产品组合在多个预设产品目标下的目标信息,从所述初始产品组合中,筛选出满足预设目标信息的候选产品组合;
根据所述第一目标用户和第二目标用户对所述候选产品组合的偏好度,确定所述第一目标用户和所述第二目标用户之间的相似度;所述第二目标用户为预设用户中除所述第一目标用户之外的用户;
根据所述相似度和所述第二目标用户对所述候选产品组合的偏好度,确定所述候选产品组合的推荐度;
根据所述推荐度,从所述候选产品组合中确定出推荐给所述第一目标用户的目标产品组合。
在其中一个实施例中,所述根据待推荐产品和第一目标用户的资源总量,确定初始产品组合和所述初始产品组合在多个预设产品目标下的目标信息,包括:
获取待推荐产品的产品信息;
将所述待推荐产品的产品信息和第一目标用户的资源总量,输入多个预设产品目标下的产品组合预测模型,得到初始产品组合、所述初始产品组合中的每个产品的预测资源转移比例和所述初始产品组合在所述多个预设产品目标下的目标信息。
在其中一个实施例中,所述根据所述初始产品组合在多个预设产品目标下的目标信息,从所述初始产品组合中,筛选出满足预设目标信息的候选产品组合,包括:
将所述初始产品组合在多个预设产品目标下的目标信息作为一个粒子,得到多个粒子,根据所述多个粒子,得到当前粒子群和外部粒子群;
根据所述当前粒子群中的粒子在目标空间的位置信息,与所述外部粒子群中的粒子在所述目标空间的位置信息,确认所述当前粒子群中的粒子与所述外部粒子群中的粒子之间的距离;
从所述外部粒子群筛选出所述距离大于平均距离的粒子,得到候选粒子群;
根据所述候选粒子群中的粒子的拥挤距离,从所述候选粒子群中筛选出所述拥挤距离满足预设拥挤距离的目标粒子;
将所述目标粒子所对应的初始产品组合,确认为满足预设目标信息的候选产品组合。
在其中一个实施例中,所述根据所述多个粒子,得到当前粒子群和外部粒子群,包括:
确认所述多个粒子中的每个粒子与参考点之间的距离,从所述多个粒子中筛选出所述距离最小的粒子;
从所述多个粒子中筛选出处于偏好区域中的粒子;所述偏好区域为根据所述参考点、所述距离最小的粒子和偏好区域扩展系数所设定的区域;
根据切比雪夫支配方式,从处于偏好区域中的粒子中筛选出非劣粒子群,作为所述外部粒子群,以及将处于偏好区域中的粒子中除所述非劣粒子群之外的粒子群,作为所述当前粒子群。
在其中一个实施例中,在根据所述第一目标用户和第二目标用户对所述候选产品组合的偏好度,确定所述第一目标用户和所述第二目标用户之间的相似度之前,还包括:
获取所述预设用户对所述待推荐产品的历史资源转移比例;
根据所述预设用户对所述待推荐产品的历史资源转移比例,构建产品频次矩阵;
根据所述产品频次矩阵,确定所述第一目标用户对所述候选产品组合中的各个产品的历史资源转移比例,以及所述第二目标用户对所述候选产品组合中的各个产品的历史资源转移比例;
将所述第一目标用户对所述候选产品组合中的各个产品的历史资源转移比例进行融合处理,得到所述第一目标用户对所述候选产品组合的偏好度,以及将所述第二目标用户对所述候选产品组合中的各个产品的历史资源转移比例进行融合处理,得到所述第二目标用户对所述候选产品组合的偏好度。
在其中一个实施例中,所述根据所述第一目标用户和第二目标用户对所述候选产品组合的偏好度,确定所述第一目标用户和所述第二目标用户之间的相似度,包括:
将所述第一目标用户和第二目标用户对所述候选产品组合的偏好度,输入至皮尔逊相似度确认模型中,得到所述第一目标用户与所述第二目标用户之间的皮尔逊相似度;
将所述第一目标用户与所述第二目标用户之间的皮尔逊相似度,确认为所述第一目标用户与所述第二目标用户之间的相似度。
在其中一个实施例中,所述根据所述相似度和所述第二目标用户对所述候选产品组合的偏好度,确定所述候选产品组合的推荐度,包括:
针对每个第二目标用户,分别将所述第一目标用户与所述第二目标用户之间的相似度,与所述第二目标用户对所述候选产品组合的偏好度进行融合处理,得到多个融合处理结果;
将所述多个融合处理结果进行再次融合处理,得到所述候选产品组合的推荐度。
在其中一个实施例中,所述根据所述推荐度,从所述候选产品组合中确定出推荐给所述第一目标用户的目标产品组合,包括:
从所述候选产品组合中,筛选出所述推荐度满足预设推荐度的目标产品组合;
将所述目标产品组合推荐给所述第一目标用户。
第二方面,本申请还提供了一种产品推荐装置。所述装置包括:
产品组合模块,用于根据待推荐产品和第一目标用户的资源总量,确定初始产品组合和所述初始产品组合在多个预设产品目标下的目标信息;所述初始产品组合表示在所述资源总量的约束下,对所述待推荐产品的选择组合,所述初始产品组合中的每个产品关联有对应的预测资源转移比例;
组合筛选模块,用于根据所述初始产品组合在多个预设产品目标下的目标信息,从所述初始产品组合中,筛选出满足预设目标信息的候选产品组合;
相似度计算模块,用于根据所述第一目标用户和第二目标用户对所述候选产品组合的偏好度,确定所述第一目标用户和所述第二目标用户之间的相似度;所述第二目标用户为预设用户中除所述第一目标用户之外的用户;
推荐度计算模块,用于根据所述相似度和所述第二目标用户对所述候选产品组合的偏好度,确定所述候选产品组合的推荐度;
组合确定模块,用于根据所述推荐度,从所述候选产品组合中确定出推荐给所述第一目标用户的目标产品组合。
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:
根据待推荐产品和第一目标用户的资源总量,确定初始产品组合和所述初始产品组合在多个预设产品目标下的目标信息;所述初始产品组合表示在所述资源总量的约束下,对所述待推荐产品的选择组合,所述初始产品组合中的每个产品关联有对应的预测资源转移比例;
根据所述初始产品组合在多个预设产品目标下的目标信息,从所述初始产品组合中,筛选出满足预设目标信息的候选产品组合;
根据所述第一目标用户和第二目标用户对所述候选产品组合的偏好度,确定所述第一目标用户和所述第二目标用户之间的相似度;所述第二目标用户为预设用户中除所述第一目标用户之外的用户;
根据所述相似度和所述第二目标用户对所述候选产品组合的偏好度,确定所述候选产品组合的推荐度;
根据所述推荐度,从所述候选产品组合中确定出推荐给所述第一目标用户的目标产品组合。
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:
根据待推荐产品和第一目标用户的资源总量,确定初始产品组合和所述初始产品组合在多个预设产品目标下的目标信息;所述初始产品组合表示在所述资源总量的约束下,对所述待推荐产品的选择组合,所述初始产品组合中的每个产品关联有对应的预测资源转移比例;
根据所述初始产品组合在多个预设产品目标下的目标信息,从所述初始产品组合中,筛选出满足预设目标信息的候选产品组合;
根据所述第一目标用户和第二目标用户对所述候选产品组合的偏好度,确定所述第一目标用户和所述第二目标用户之间的相似度;所述第二目标用户为预设用户中除所述第一目标用户之外的用户;
根据所述相似度和所述第二目标用户对所述候选产品组合的偏好度,确定所述候选产品组合的推荐度;
根据所述推荐度,从所述候选产品组合中确定出推荐给所述第一目标用户的目标产品组合。
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:
根据待推荐产品和第一目标用户的资源总量,确定初始产品组合和所述初始产品组合在多个预设产品目标下的目标信息;所述初始产品组合表示在所述资源总量的约束下,对所述待推荐产品的选择组合,所述初始产品组合中的每个产品关联有对应的预测资源转移比例;
根据所述初始产品组合在多个预设产品目标下的目标信息,从所述初始产品组合中,筛选出满足预设目标信息的候选产品组合;
根据所述第一目标用户和第二目标用户对所述候选产品组合的偏好度,确定所述第一目标用户和所述第二目标用户之间的相似度;所述第二目标用户为预设用户中除所述第一目标用户之外的用户;
根据所述相似度和所述第二目标用户对所述候选产品组合的偏好度,确定所述候选产品组合的推荐度;
根据所述推荐度,从所述候选产品组合中确定出推荐给所述第一目标用户的目标产品组合。
上述产品推荐方法、装置、计算机设备、存储介质和计算机程序产品,通过根据待推荐产品和第一目标用户的资源总量,确定初始产品组合和初始产品组合在多个预设产品目标下的目标信息;再根据初始产品组合在多个预设产品目标下的目标信息,从初始产品组合中,筛选出满足预设目标信息的候选产品组合;然后根据第一目标用户和第二目标用户对候选产品组合的偏好度,确定第一目标用户和第二目标用户之间的相似度;最后根据相似度和第二目标用户对候选产品组合的偏好度,确定候选产品组合的推荐度,并根据推荐度,从候选产品组合中确定出推荐给第一目标用户的目标产品组合。这样,根据待推荐产品和第一目标用户的资源总量,确定初始产品组合和初始产品组合在多个预设产品目标下的目标信息,可以增加产品组合的多样性,为客户提供更全面的产品组合方案;再根据初始产品组合在多个预设产品目标下的目标信息,从初始产品组合中,筛选出满足预设目标信息的候选产品组合,有利于尽可能筛选出与用户需求更加匹配的产品组合;然后,根据第一目标用户和第二目标用户对候选产品组合的偏好度,确定第一目标用户和第二目标用户之间的相似度,从而在为用户推荐合适的产品组合方案的同时,也充分考虑客户自身喜好的因素;最后,根据相似度和第二目标用户对候选产品组合的偏好度,确定候选产品组合的推荐度,并根据推荐度,从候选产品组合中确定出推荐给第一目标用户的目标产品组合;根据推荐度这一客观指标给第一目标用户进行产品组合的推荐,避免了主观因素的影响,且综合多方面因素进行考虑,同时兼顾产品组合方案的多样性和实用性,从而提高了产品组合的推荐准确率。
附图说明
图1为一个实施例中产品推荐方法的流程示意图;
图2为一个实施例中筛选出满足预设目标信息的候选产品组合的步骤的流程示意图;
图3为一个实施例中偏好区域的示意图;
图4为另一个实施例中产品推荐方法的流程示意图;
图5为又一个实施例中产品推荐方法的流程示意图;
图6为一个实施例中产品推荐装置的结构框图;
图7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。
在一个实施例中,如图1所示,提供了一种产品推荐方法,本实施例以该方法应用于终端进行举例说明,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之间的交互实现。本实施例中,该方法包括以下步骤:
步骤S101,根据待推荐产品和第一目标用户的资源总量,确定初始产品组合和初始产品组合在多个预设产品目标下的目标信息;初始产品组合表示在资源总量的约束下,对待推荐产品的选择组合,初始产品组合中的每个产品关联有对应的预测资源转移比例。
其中,本申请涉及的产品是指基金、股票等理财产品。
其中,第一目标用户是指当前需要被推荐产品组合的授权用户。
其中,初始产品组合是指在资源总量的约束下,从待推荐产品中选择出的多个产品所构成的组合;比如待推荐产品包括I1、I2、I3、I4、I5、I6、I7,初始产品组合为(I1,I2,I3)、(I2,I4,I5,I7)、(I1,I3,I4,I6,I7)等。
其中,待推荐产品指的是当前可选择的产品;资源总量指的是现有资金总量;多个预设产品目标指的是产品发生波动的风险、收益总和、风险系数、收益与风险的平衡性等指标;目标信息指的是初始产品组合的方差、一段时间内初始产品组合的纯收益总和、初始产品组合的收益与风险的平衡性;预测资源转移比例指的是用户对产品的投资比例。
具体地,终端接收针对第一目标用户的产品组合推荐请求,根据该产品组合推荐请求,获取待推荐产品、待推荐产品的产品信息以及第一目标用户的资源总量,并将待推荐产品的产品信息和第一目标用户的资源总量,输入多个预设产品目标下的产品组合预测模型中进行融合计算,得到初始产品组合、初始产品组合中的每个产品的预测资源转移比例和初始产品组合在多个预设产品目标下的目标信息。
举例说明,终端接收针对第一目标用户的理财方案推荐请求,获取得到待推荐产品A、B、C,待推荐产品的产品信息,包括交易费率、期待回报率均值最小投资比例和最大投资比例等,以及第一目标用户的资源总量为T,并将待推荐产品的产品信息和第一目标用户的资源总量,输入投资理财多目标模型中进行融合计算,得到其中一个理财推荐方案为:产品A的投资比例为30%,产品B的投资比例为20%,产品C的投资比例为50%,投资的总金额为T。
步骤S102,根据初始产品组合在多个预设产品目标下的目标信息,从初始产品组合中,筛选出满足预设目标信息的候选产品组合。
其中,预设目标信息指的是预先设置的初始产品组合的期望方差,一段时间内初始产品组合的期望纯收益总和、初始产品组合的期望收益与风险之间的平衡性;候选产品组合指的是在所有的初始产品组合中,筛选出的满足预设目标信息的产品组合。
具体地,终端将初始产品组合在多个预设产品目标下的目标信息作为一个粒子,得到多个粒子;通过多目标粒子群模型,对多个粒子在目标空间的位置信息进行分析,得到位置信息分析结果;根据位置信息分析结果,从多个粒子中筛选出候选粒子群;通过多目标粒子群模型,对候选粒子群中的粒子的拥挤距离进行分析,得到拥挤距离分析结果;根据拥挤距离分析结果,从候选粒子群中筛选出目标粒子;将目标粒子所对应的初始产品组合,确认为满足预设目标信息的候选产品组合。
步骤S103,根据第一目标用户和第二目标用户对候选产品组合的偏好度,确定第一目标用户和第二目标用户之间的相似度;第二目标用户为预设用户中除第一目标用户之外的用户。
其中,偏好度指的是用户对某一候选产品组合的感兴趣程度;偏好度越大,表示用户对该候选产品组合越感兴趣。
其中,相似度用于衡量第一目标用户的产品选择偏好和第二目标用户的产品选择偏好之间的相似程度。预设用户是指产品推荐系统中的所有用户。
具体地,终端根据第一目标用户和第二目标用户的历史产品选择记录信息,计算第一目标用户和第二目标用户对候选产品组合的偏好度;将第一目标用户和第二目标用户对候选产品组合的偏好度,输入至皮尔逊相似度确认模型中,得到第一目标用户与第二目标用户之间的皮尔逊相似度;将第一目标用户与第二目标用户之间的皮尔逊相似度,确认为第一目标用户与第二目标用户之间的相似度。
举例说明,终端将第一目标用户和第二目标用户对候选产品组合的偏好度,输入至皮尔逊相似度确认模型中,得到第一目标用户与第二目标用户之间的皮尔逊相似度为0.5;将皮尔逊相似度0.5确认为第一目标用户与第二目标用户之间的相似度。
步骤S104,根据相似度和第二目标用户对候选产品组合的偏好度,确定候选产品组合的推荐度。
其中,推荐度指的是候选产品组合的推荐值的大小,推荐值越大,用户越倾向购买该种候选产品组合。
具体地,终端将相似度和第二目标用户对候选产品组合的偏好度输入推荐度预测模型,通过推荐度预测模型对相似度和第二目标用户对候选产品组合的偏好度进行融合处理,得到候选产品组合的推荐度。
步骤S105,根据推荐度,从候选产品组合中确定出推荐给第一目标用户的目标产品组合。
其中,目标产品组合指的是最终得到的用户感兴趣且投资前景较好的产品组合,比如理财产品组合推荐方案。
具体地,终端按照推荐度从高到低的顺序,将候选产品组合进行排序,得到排序后的候选产品组合;从排序后的候选产品组合中,筛选出前N1个候选产品组合,作为目标产品组合,并将目标产品组合推荐给第一目标用户;其中,N1为正整数。
举例说明,终端从候选产品组合中,筛选出推荐度满足预设推荐度90的目标产品组合:产品A的投资比例为25%,产品B的投资比例为40%,产品C的投资比例为35%,投资的总金额为T;将该目标产品组合推荐给第一目标用户。
上述产品推荐方法,根据待推荐产品和第一目标用户的资源总量,确定初始产品组合和初始产品组合在多个预设产品目标下的目标信息,可以增加产品组合的多样性,为客户提供更全面的产品组合方案;再根据初始产品组合在多个预设产品目标下的目标信息,从初始产品组合中,筛选出满足预设目标信息的候选产品组合,有利于尽可能筛选出与用户需求更加匹配的产品组合;然后,根据第一目标用户和第二目标用户对候选产品组合的偏好度,确定第一目标用户和第二目标用户之间的相似度,从而在为用户推荐合适的产品组合方案的同时,也充分考虑客户自身喜好的因素;最后,根据相似度和第二目标用户对候选产品组合的偏好度,确定候选产品组合的推荐度,并根据推荐度,从候选产品组合中确定出推荐给第一目标用户的目标产品组合;根据推荐度这一客观指标给第一目标用户进行产品组合的推荐,避免了主观因素的影响,且综合多方面因素进行考虑,同时兼顾产品组合方案的多样性和实用性,并提高了产品组合的推荐准确率。
在一个实施例中,上述步骤S101中,根据待推荐产品和第一目标用户的资源总量,确定初始产品组合和初始产品组合在多个预设产品目标下的目标信息,具体包括如下内容:获取待推荐产品的产品信息;将待推荐产品的产品信息和第一目标用户的资源总量,输入多个预设产品目标下的产品组合预测模型,得到初始产品组合、初始产品组合中的每个产品的预测资源转移比例和初始产品组合在多个预设产品目标下的目标信息。
其中,待推荐产品的产品信息包括:可选资产总数N,投资的资产数K(K<=N),资产i交易费率Pi,资产i的购买额不超过给定值bi,资产i的期待回报率均值ri,资产i的最小投资比例ni,资产i的最大投资比例mi,资产i的实际投资比例wi,资产j的实际投资比例wj,zi表示是否投资资产i(zi∈{0,1}),资产i交易费用c(wi),资产i净收益R(wi),资产i与j之间的协方差σij;
R(wi)=ri×M×wi-c(wi)×(1+ri)
多个预设产品目标下的产品组合预测模型(由Q,R,G函数组成),Q函数表示投资组合(w1,...,wN)的方差,代表未来如果偏离均值发生波动的风险,越小越好,表示一段时间内投资组合(w1,...,wN)纯收益总和,越大越好,此处为了方便求解,改为求解Min R,G函数综合考虑投资组合收益与风险,越小越好。
具体地,终端接收产品组合指令,根据产品组合指令,获取待推荐产品的产品信息;根据待推荐产品的产品信息的预设条件,将产品信息和第一目标用户的资源总量,同时输入多个预设产品目标下的产品组合预测模型,得到初始产品组合、初始产品组合中的每个产品的预测资源转移比例和初始产品组合在多个预设产品目标下的目标信息。
本实施例中,通过获取待推荐产品的产品信息;并将待推荐产品的产品信息和第一目标用户的资源总量,输入多个预设产品目标下的产品组合预测模型,得到初始产品组合、初始产品组合中的每个产品的预测资源转移比例和初始产品组合在多个预设产品目标下的目标信息;从而能够准确得到初始产品组合、初始产品组合中的每个产品的预测投资比例和初始产品组合在多个约束条件下的目标信息。
在一个实施例中,如图2所示,上述步骤S102中,根据初始产品组合在多个预设产品目标下的目标信息,从初始产品组合中,筛选出满足预设目标信息的候选产品组合,具体包括如下步骤:
步骤S201,将初始产品组合在多个预设产品目标下的目标信息作为一个粒子,得到多个粒子,根据多个粒子,得到当前粒子群和外部粒子群。
步骤S202,根据当前粒子群中的粒子在目标空间的位置信息,与外部粒子群中的粒子在目标空间的位置信息,确认当前粒子群中的粒子与外部粒子群中的粒子之间的距离。
步骤S203,从外部粒子群筛选出距离大于平均距离的粒子,得到候选粒子群。
步骤S204,根据候选粒子群中的粒子的拥挤距离,从候选粒子群中筛选出拥挤距离满足预设拥挤距离的目标粒子。
步骤S205,将目标粒子所对应的初始产品组合,确认为满足预设目标信息的候选产品组合。
其中,每个粒子代表一个解(w1,...,wN),wi是对i资产的实际投资比例,会对这两个粒子(也就是两个解)在Q,R,G目标函数的表现进行比较,会选取表现优异的粒子,进行下一次迭代,算法的解集会向表现较为优异的粒子方向收敛;目标空间指的是偏好区域,如图3所示,zref参考点,z*是*粒子在f1,f2上的位置,其成就标量函数最小,距离参考点最近,由这两个点与扩展系数构成了偏好区域的概念。
具体地,终端根据各个预设产品目标的期望值设置参考点;将初始产品组合在多个预设产品目标下的目标信息作为一个粒子,得到多个粒子;根据参考点的位置和多个粒子中距离参考点最近的粒子的位置,确定偏好区域;根据多个粒子的位置和偏好区域,从多个粒子中确定出当前粒子群和外部粒子群;根据粒子与参考点之间的距离,即当前粒子群中的粒子在目标空间的位置信息,与外部粒子群中的粒子在目标空间的位置信息,确认当前粒子群中的粒子与外部粒子群中的粒子之间的距离;计算当前粒子群中的其中一个粒子与外部粒子群中的每个粒子的距离的平均值,将该距离的平均值作为平均距离,从外部粒子群筛选出距离大于平均距离的粒子,得到候选粒子群;根据候选粒子群中的粒子的拥挤距离,对粒子的拥挤距离进行降序排序,并从候选粒子群中筛选出拥挤距离满足预设拥挤距离的目标粒子;将目标粒子所对应的初始产品组合,确认为满足预设目标信息的候选产品组合。
本实施例中,通过引入参考点和偏好区域的概念,根据粒子与参考点之间的距离,即当前粒子群中的粒子在目标空间的位置信息,与外部粒子群中的粒子在目标空间的位置信息,确认当前粒子群中的粒子与外部粒子群中的粒子之间的距离;并根据距离筛选出满足预设条件的目标粒子,将目标粒子所对应的初始产品组合,确认为满足预设目标信息的候选产品组合;从而能够有效筛选出满足预设目标信息的候选产品组合,有利于为用户提供更精准的产品组合方案。
在一个实施例中,上述步骤S201中,根据多个粒子,得到当前粒子群和外部粒子群,具体包括如下内容:确认多个粒子中的每个粒子与参考点之间的距离,从多个粒子中筛选出距离最小的粒子;从多个粒子中筛选出处于偏好区域中的粒子;偏好区域为根据参考点、距离最小的粒子和偏好区域扩展系数所设定的区域;根据切比雪夫支配方式,从处于偏好区域中的粒子中筛选出非劣粒子群,作为外部粒子群,以及将处于偏好区域中的粒子中除非劣粒子群之外的粒子群,作为当前粒子群。
其中,切比雪夫成就标量函数可表示为:
偏好区域可表示为:
N(zref,δ)={z|s∞(z,zref)≤smin+δ)
式中,smin=s∞(z,zref)为当前种群中的最小成就标量函数值,z为距离参考点最近的个体,δ为偏好区域的扩展系数。
扩展系数δ的取值方式可表示为:
式中,p(t)为第t代的种群,为第t代种群中最大成就标量函数值,为第t代种群中最小的成就标量函数值;τ值是由算法初始时就设置好的固定值,在[0,1]区间取值,τ值越大,偏好区域越大,但多目标粒子群算法本身即具有早熟特质,如果τ值取值较小,则算法在前期就往固定的偏好区域进行搜索,丧失解的多样性,如果τ值较大,则算法在中后期难以收敛,因此提出动态的τ值取值,公式为:
τ=τmax-(τmax-τmin)×(current_t/max_iter)c
其中τmax,τmin分别为决策者设定τ在搜索阶段的最大、最小取值,current_t为当前迭代次数,max_iter为最大迭代次数,c为下降速度;
切比雪夫支配方式:设x,y分别为可行域S中任意两个解,且不相同,满足如下约束条件之一,则说明x支配y,记作:xπChebyshevy
(1)xπpareto y,且x,y∈N(zref,δ);
(2)S∞(x,zref)<S∞(y,zref),且或具体地,终端计算多个粒子中的每个粒子与参考点之间的距离,从多个粒子中筛选出距离最小的粒子;根据参考点、距离最小的粒子和偏好区域扩展系数,确定偏好区域;从多个粒子中筛选出处于偏好区域中的粒子;根据切比雪夫支配方式,从处于偏好区域中的粒子中筛选出非劣粒子群,作为外部粒子群并保存至外部区域,以及将处于偏好区域中的粒子中除非劣粒子群之外的粒子群,作为当前粒子群。
本实施例中,通过引入参考点和偏好区域的概念,确认多个粒子中的每个粒子与参考点之间的距离,从所述多个粒子中筛选出所述距离最小的粒子,并根据切比雪夫支配方式,最终筛选得到当前粒子群和外部粒子群;从而可以通过距离这个指标,将多个粒子准确地区分为当前粒子群和外部粒子群。在一个实施例中,上述步骤S103,在根据所述第一目标用户和第二目标用户对候选产品组合的偏好度,确定第一目标用户和第二目标用户之间的相似度之前,还包括:获取预设用户对待推荐产品的历史资源转移比例;根据预设用户对待推荐产品的历史资源转移比例,构建产品频次矩阵;根据产品频次矩阵,确定第一目标用户对候选产品组合中的各个产品的历史资源转移比例,以及第二目标用户对候选产品组合中的各个产品的历史资源转移比例;将第一目标用户对候选产品组合中的各个产品的历史资源转移比例进行融合处理,得到第一目标用户对候选产品组合的偏好度,以及将第二目标用户对候选产品组合中的各个产品的历史资源转移比例进行融合处理,得到第二目标用户对候选产品组合的偏好度。
其中,历史资源转移比例指的是对某一理财产品的实际投资比例之和;产品频次矩阵为融合处理的处理模型为式中,k表示理财产品组合,里面包括一个或多个的理财产品,Lik表示用户i对于k理财产品组合的偏好程度,Rij表示客户i对于j理财产品每次投资的实际投资比例之和;偏好度可以通过用户-理财产品偏好矩阵来表示该矩阵为M×N*维,其中M表示M个用户,N*表示N*个理财产品组合。
具体地,终端获取预设用户对待推荐产品的历史资源转移比例;根据预设用户对待推荐产品的历史资源转移比例,构建用户-理财产品频次矩阵;根据用户-理财产品频次矩阵,计算第一目标用户对候选产品组合中的各个产品的实际投资比例之和,以及第二目标用户对候选产品组合中的各个产品的实际投资比例之和;将第一目标用户对候选产品组合中的各个产品的实际投资比例之和进行累加求和计算,得到第一目标用户对候选产品组合的偏好度,以及将第二目标用户对候选产品组合中的各个产品的实际投资比例之和进行同样的累加求和计算,得到第二目标用户对候选产品组合的偏好度。
本实施例中,通过构建产品频次矩阵确定用户对候选产品组合中各个产品的历史投资比例,并根据历史投资比例进行计算得到用户对候选产品组合的偏好度;从而可以根据历史投资比例这一重要信息,准确地计算得到用户对候选产品组合的偏好度,为之后计算相似度提供数据支撑。
在一个实施例中,上述步骤S103中,根据第一目标用户和第二目标用户对候选产品组合的偏好度,确定第一目标用户和第二目标用户之间的相似度,具体还包括如下内容:将第一目标用户和第二目标用户对候选产品组合的偏好度,输入至皮尔逊相似度确认模型中,得到第一目标用户与第二目标用户之间的皮尔逊相似度;将第一目标用户与第二目标用户之间的皮尔逊相似度,确认为第一目标用户与第二目标用户之间的相似度。
其中,皮尔逊相似度确认模型为:
式中,Sim(Ua,Ub)为用户之间的皮尔逊相似度,Lak表示用户a对k理财产品组合的偏好程度,Lbk表示用户b对k理财产品组合的偏好程度,N*表示N*个理财产品组合。
具体地,终端将融合处理得到的第一目标用户和第二目标用户对候选产品组合的偏好度,输入至皮尔逊相似度确认模型中进行计算,得到第一目标用户与第二目标用户之间的皮尔逊相似度;将第一目标用户与第二目标用户之间的皮尔逊相似度,确认为第一目标用户与第二目标用户之间的相似度。
举例说明,终端将第一目标用户对候选产品组合的偏好度0.3和第二目标用户对候选产品组合的偏好度0.4,输入至皮尔逊相似度确认模型中进行计算,得到第一目标用户与第二目标用户之间的皮尔逊相似度0.25;将第一目标用户与第二目标用户之间的皮尔逊相似度0.25,确认为第一目标用户与第二目标用户之间的相似度。
本实施例中,通过皮尔逊相似度确认模对偏好度进行处理,得到用户之间的皮尔逊相似度,并将该皮尔逊相似度作为用户之间的相似度;从而可以根据现有的偏好度数据准确有效地得到用户之间的相似度数据。
在一个实施例中,上述步骤S104中,根据相似度和第二目标用户对候选产品组合的偏好度,确定候选产品组合的推荐度,具体包括如下内容:针对每个第二目标用户,分别将第一目标用户与第二目标用户之间的相似度,与第二目标用户对候选产品组合的偏好度进行融合处理,得到多个融合处理结果;将多个融合处理结果进行再次融合处理,得到候选产品组合的推荐度。
其中,第一次融合处理的计算模型为式中k表示理财产品组合,里面包括一个或多个的理财产品,Lik表示用户i对于k理财产品组合的偏好程度,Rij表示客户i对于j理财产品每次投资的实际投资比例之和;再次融合处理的计算模型为:
式中,Raj表示针对用户a(即第一目标用户),候选产品组合j的推荐度,Sim(Ua,Ui)为用户之间的皮尔逊相似度,Lij表示用户i对候选产品组合j的偏好程度。
具体地,终端获取通过皮尔逊相似度确认模型计算得到的皮尔逊相似度Sim(Ua,Ui),针对每个第二目标用户,分别将第一目标用户与第二目标用户之间的相似度Sim(Ua,Ui),与第二目标用户对候选产品组合的偏好度Lij输入Sim(Ua,Ui)×Lij进行计算,得到多个计算结果;再将得到的多个计算结果进行累加,并将得到的结果作为候选产品组合的推荐度。
本实施例中,通过对相似度数据和偏好度数据进行多次融合处理,得到候选产品组合的推荐度;从而可以根据现有的相似度数据以及偏好度数据进行处理,准确有效地得到候选产品组合的推荐度,有利于为用户提供更准确的理财产品组合。
在一个实施例中,上述步骤S205中,根据推荐度,从候选产品组合中确定出推荐给第一目标用户的目标产品组合,具体包括如下内容:从候选产品组合中,筛选出推荐度满足预设推荐度的目标产品组合;将目标产品组合推荐给第一目标用户。
其中,预设推荐度为预先设定的具体推荐值,比如0.7。
具体地,终端根据得到的候选产品组合的推荐度,从候选产品组合中,筛选出推荐度大于预设推荐度的目标产品组合;并将目标产品组合推荐给第一目标用户。
举例说明,终端根据得到的候选产品组合的推荐度,从候选产品组合中,筛选出推荐度大于预设推荐度0.7的目标产品组合;并将这些目标产品组合推荐给第一目标用户,供第一目标用户参考。
本实施例中,通过筛选出推荐度满足预设推荐度的目标产品组合,并将该目标产品组合推荐给当前用户;从而可以通过推荐度这一重要指标为用户推荐最佳的理财产品组合。
在一个实施例中,如图4所示,提供了另一种产品推荐方法,具体包括以下步骤:
步骤S401,获取待推荐产品的产品信息;将待推荐产品的产品信息和第一目标用户的资源总量,输入多个预设产品目标下的产品组合预测模型,得到初始产品组合、初始产品组合中的每个产品的预测资源转移比例和初始产品组合在多个预设产品目标下的目标信息。
其中,初始产品组合表示在资源总量的约束下,对待推荐产品的选择组合,初始产品组合中的每个产品关联有对应的预测资源转移比例。
步骤S402,将初始产品组合在多个预设产品目标下的目标信息作为一个粒子,得到多个粒子;确认多个粒子中的每个粒子与参考点之间的距离,从多个粒子中筛选出距离最小的粒子;从多个粒子中筛选出处于偏好区域中的粒子;偏好区域为根据参考点、距离最小的粒子和偏好区域扩展系数所设定的区域。
步骤S403,根据切比雪夫支配方式,从处于偏好区域中的粒子中筛选出非劣粒子群,作为外部粒子群,以及将处于偏好区域中的粒子中除非劣粒子群之外的粒子群,作为当前粒子群。
步骤S404,根据当前粒子群中的粒子在目标空间的位置信息,与外部粒子群中的粒子在目标空间的位置信息,确认当前粒子群中的粒子与外部粒子群中的粒子之间的距离;从外部粒子群筛选出距离大于平均距离的粒子,得到候选粒子群。
步骤S405,根据候选粒子群中的粒子的拥挤距离,从候选粒子群中筛选出拥挤距离满足预设拥挤距离的目标粒子;将目标粒子所对应的初始产品组合,确认为满足预设目标信息的候选产品组合。
步骤S406,获取预设用户对待推荐产品的历史资源转移比例;根据预设用户对待推荐产品的历史资源转移比例,构建产品频次矩阵;根据产品频次矩阵,确定第一目标用户对候选产品组合中的各个产品的历史资源转移比例,以及第二目标用户对候选产品组合中的各个产品的历史资源转移比例。
步骤S407,将第一目标用户对候选产品组合中的各个产品的历史资源转移比例进行融合处理,得到第一目标用户对候选产品组合的偏好度,以及将第二目标用户对候选产品组合中的各个产品的历史资源转移比例进行融合处理,得到第二目标用户对候选产品组合的偏好度。
步骤S408,将第一目标用户和第二目标用户对候选产品组合的偏好度,输入至皮尔逊相似度确认模型中,得到第一目标用户与第二目标用户之间的皮尔逊相似度;将第一目标用户与第二目标用户之间的皮尔逊相似度,确认为第一目标用户与第二目标用户之间的相似度。
步骤S409,针对每个第二目标用户,分别将第一目标用户与第二目标用户之间的相似度,与第二目标用户对候选产品组合的偏好度进行融合处理,得到多个融合处理结果;将多个融合处理结果进行再次融合处理,得到候选产品组合的推荐度。
步骤S410,从候选产品组合中,筛选出推荐度满足预设推荐度的目标产品组合;将目标产品组合推荐给第一目标用户。
上述产品推荐方法,增加了产品组合的多样性,为客户提供更全面的产品组合方案;从初始产品组合中,筛选出满足预设目标信息的候选产品组合,有利于为用户提供更精准的产品组合方案;在为用户推荐合适的产品组合方案的同时,充分考虑客户自身喜好的因素,并根据推荐度这一客观指标给第一目标用户进行产品组合的推荐,避免了主观因素的影响,综合多方面因素进行考虑,同时兼顾产品组合方案的多样性和实用性,并提高了产品组合的推荐准确率。
为了更清晰阐明本申请实施例提供的产品推荐方法,以下以一个具体的实施例对该产品推荐方法进行具体说明。在一个实施例中,如图5所示,本申请还提供了又一种产品推荐方法,具体包括以下步骤:
步骤1:初始化种群,包括种群的速度、位置、局部最优解和全局最优解;
步骤2:计算粒子在Q,R,G函数上的取值,并判断粒子是否在偏好区域上;
步骤3:根据切比雪夫支配规则,判断粒子间的优劣,并将非劣解集保存至外部存档;
步骤4:用两阶段全局最优解选取方法为粒子选取各自的全局最优解,并进行速度与位置的更新,评价粒子,更新局部最优解;
步骤5:更新当前代的偏好区域,对当前代种群进行非支配排序并更新外部存档;
步骤6:判断是否达到当前代的迭代次数;
步骤7:取最后一次迭代的外部存档(局部最优解),里面包含的非劣解成为推荐算法的优化对象;
步骤8:构造客户-理财产品偏好矩阵,并计算每个客户之间的相似度;
步骤9:根据相似度值计算对理财产品组合的推荐值,并根据推荐值大小,选取最终的理财产品组合方案。
上述产品推荐方法,通过建立投资理财模型,优化多目标粒子群优化算法,解决了多目标优化粒子群算法在多目标空间下生存压力下降与容易陷入局部最优的问题;平衡多目标优化粒子群算法的收敛性与分布性;将改进的多目标优化粒子群算法运用到投资理财模型中,并结合推荐算法得出用户感兴趣且投资前景较好的理财方案。本申请中提出的一种基于改进的多目标优化粒子群算法结合推荐算法的理财推荐方法,建立投资理财模型,并用改进的多目标优化粒子群算法求解出相对最优解集,结合推荐算法,在相对最优解集中选取用户更感兴趣的方案,为客户提供更专业、更高效、更个性化的服务。
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产品推荐方法的产品推荐装置。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产品推荐装置实施例中的具体限定可以参见上文中对于产品推荐方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种产品推荐装置,包括:产品组合模块601、组合筛选模块602、相似度计算模块603、推荐度计算模块604、和组合确定模块605,其中:
产品组合模块601,用于根据待推荐产品和第一目标用户的资源总量,确定初始产品组合和初始产品组合在多个预设产品目标下的目标信息;初始产品组合表示在资源总量的约束下,对待推荐产品的选择组合,初始产品组合中的每个产品关联有对应的预测资源转移比例。
组合筛选模块602,用于根据初始产品组合在多个预设产品目标下的目标信息,从初始产品组合中,筛选出满足预设目标信息的候选产品组合。
相似度计算模块603,用于根据第一目标用户和第二目标用户对候选产品组合的偏好度,确定第一目标用户和第二目标用户之间的相似度;第二目标用户为预设用户中除第一目标用户之外的用户。
推荐度计算模块604,用于根据相似度和第二目标用户对候选产品组合的偏好度,确定候选产品组合的推荐度。
组合确定模块605,用于根据推荐度,从候选产品组合中确定出推荐给第一目标用户的目标产品组合。
在一个实施例中,产品组合模块601,还用于获取待推荐产品的产品信息;将待推荐产品的产品信息和第一目标用户的资源总量,输入多个预设产品目标下的产品组合预测模型,得到初始产品组合、初始产品组合中的每个产品的预测资源转移比例和初始产品组合在多个预设产品目标下的目标信息。
在一个实施例中,组合筛选模块602,还用于将初始产品组合在多个预设产品目标下的目标信息作为一个粒子,得到多个粒子,根据多个粒子,得到当前粒子群和外部粒子群;根据当前粒子群中的粒子在目标空间的位置信息,与外部粒子群中的粒子在目标空间的位置信息,确认当前粒子群中的粒子与外部粒子群中的粒子之间的距离;从外部粒子群筛选出距离大于平均距离的粒子,得到候选粒子群;根据候选粒子群中的粒子的拥挤距离,从候选粒子群中筛选出拥挤距离满足预设拥挤距离的目标粒子;将目标粒子所对应的初始产品组合,确认为满足预设目标信息的候选产品组合。
在一个实施例中,组合筛选模块602,还用于确认多个粒子中的每个粒子与参考点之间的距离,从多个粒子中筛选出距离最小的粒子;从多个粒子中筛选出处于偏好区域中的粒子;偏好区域为根据参考点、距离最小的粒子和偏好区域扩展系数所设定的区域;根据切比雪夫支配方式,从处于偏好区域中的粒子中筛选出非劣粒子群,作为外部粒子群,以及将处于偏好区域中的粒子中除非劣粒子群之外的粒子群,作为当前粒子群。
在一个实施例中,产品推荐装置还包括偏好度计算模块,用于获取预设用户对待推荐产品的历史资源转移比例;根据预设用户对待推荐产品的历史资源转移比例,构建产品频次矩阵;根据产品频次矩阵,确定第一目标用户对候选产品组合中的各个产品的历史资源转移比例,以及第二目标用户对候选产品组合中的各个产品的历史资源转移比例;将第一目标用户对候选产品组合中的各个产品的历史资源转移比例进行融合处理,得到第一目标用户对候选产品组合的偏好度,以及将第二目标用户对候选产品组合中的各个产品的历史资源转移比例进行融合处理,得到第二目标用户对候选产品组合的偏好度。
在一个实施例中,相似度计算模块603,还用于将第一目标用户和第二目标用户对候选产品组合的偏好度,输入至皮尔逊相似度确认模型中,得到第一目标用户与第二目标用户之间的皮尔逊相似度;将第一目标用户与第二目标用户之间的皮尔逊相似度,确认为第一目标用户与第二目标用户之间的相似度。
在一个实施例中,推荐度计算模块604,还用于针对每个第二目标用户,分别将第一目标用户与第二目标用户之间的相似度,与第二目标用户对候选产品组合的偏好度进行融合处理,得到多个融合处理结果;将多个融合处理结果进行再次融合处理,得到候选产品组合的推荐度。
在一个实施例中,组合确定模块605,还用于根据推荐度,从候选产品组合中确定出推荐给第一目标用户的目标产品组合。
上述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服务器,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。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和内存储器。该非易失性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。该计算机设备的数据库用于存储待推荐产品的产品信息、目标信息、用户偏好度和用户相似度等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信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产品推荐法。
本领域技术人员可以理解,图7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,还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上述各方法实施例中的步骤。
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,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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上述各方法实施例中的步骤。
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,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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 (12)
1.一种产品推荐方法,其特征在于,所述方法包括:
根据待推荐产品和第一目标用户的资源总量,确定初始产品组合和所述初始产品组合在多个预设产品目标下的目标信息;所述初始产品组合表示在所述资源总量的约束下,对所述待推荐产品的选择组合,所述初始产品组合中的每个产品关联有对应的预测资源转移比例;
根据所述初始产品组合在多个预设产品目标下的目标信息,从所述初始产品组合中,筛选出满足预设目标信息的候选产品组合;
根据所述第一目标用户和第二目标用户对所述候选产品组合的偏好度,确定所述第一目标用户和所述第二目标用户之间的相似度;所述第二目标用户为预设用户中除所述第一目标用户之外的用户;
根据所述相似度和所述第二目标用户对所述候选产品组合的偏好度,确定所述候选产品组合的推荐度;
根据所述推荐度,从所述候选产品组合中确定出推荐给所述第一目标用户的目标产品组合。
2.根据权利要求1所述的方法,其特征在于,所述根据待推荐产品和第一目标用户的资源总量,确定初始产品组合和所述初始产品组合在多个预设产品目标下的目标信息,包括:
获取待推荐产品的产品信息;
将所述待推荐产品的产品信息和第一目标用户的资源总量,输入多个预设产品目标下的产品组合预测模型,得到初始产品组合、所述初始产品组合中的每个产品的预测资源转移比例和所述初始产品组合在所述多个预设产品目标下的目标信息。
3.根据权利要求1所述的方法,其特征在于,所述根据所述初始产品组合在多个预设产品目标下的目标信息,从所述初始产品组合中,筛选出满足预设目标信息的候选产品组合,包括:
将所述初始产品组合在多个预设产品目标下的目标信息作为一个粒子,得到多个粒子,根据所述多个粒子,得到当前粒子群和外部粒子群;
根据所述当前粒子群中的粒子在目标空间的位置信息,与所述外部粒子群中的粒子在所述目标空间的位置信息,确认所述当前粒子群中的粒子与所述外部粒子群中的粒子之间的距离;
从所述外部粒子群筛选出所述距离大于平均距离的粒子,得到候选粒子群;
根据所述候选粒子群中的粒子的拥挤距离,从所述候选粒子群中筛选出所述拥挤距离满足预设拥挤距离的目标粒子;
将所述目标粒子所对应的初始产品组合,确认为满足预设目标信息的候选产品组合。
4.根据权利要求3所述的方法,其特征在于,所述根据所述多个粒子,得到当前粒子群和外部粒子群,包括:
确认所述多个粒子中的每个粒子与参考点之间的距离,从所述多个粒子中筛选出所述距离最小的粒子;
从所述多个粒子中筛选出处于偏好区域中的粒子;所述偏好区域为根据所述参考点、所述距离最小的粒子和偏好区域扩展系数所设定的区域;
根据切比雪夫支配方式,从处于偏好区域中的粒子中筛选出非劣粒子群,作为所述外部粒子群,以及将处于偏好区域中的粒子中除所述非劣粒子群之外的粒子群,作为所述当前粒子群。
5.根据权利要求1所述的方法,其特征在于,在根据所述第一目标用户和第二目标用户对所述候选产品组合的偏好度,确定所述第一目标用户和所述第二目标用户之间的相似度之前,还包括:
获取所述预设用户对所述待推荐产品的历史资源转移比例;
根据所述预设用户对所述待推荐产品的历史资源转移比例,构建产品频次矩阵;
根据所述产品频次矩阵,确定所述第一目标用户对所述候选产品组合中的各个产品的历史资源转移比例,以及所述第二目标用户对所述候选产品组合中的各个产品的历史资源转移比例;
将所述第一目标用户对所述候选产品组合中的各个产品的历史资源转移比例进行融合处理,得到所述第一目标用户对所述候选产品组合的偏好度,以及将所述第二目标用户对所述候选产品组合中的各个产品的历史资源转移比例进行融合处理,得到所述第二目标用户对所述候选产品组合的偏好度。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一目标用户和第二目标用户对所述候选产品组合的偏好度,确定所述第一目标用户和所述第二目标用户之间的相似度,包括:
将所述第一目标用户和第二目标用户对所述候选产品组合的偏好度,输入至皮尔逊相似度确认模型中,得到所述第一目标用户与所述第二目标用户之间的皮尔逊相似度;
将所述第一目标用户与所述第二目标用户之间的皮尔逊相似度,确认为所述第一目标用户与所述第二目标用户之间的相似度。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述根据所述相似度和所述第二目标用户对所述候选产品组合的偏好度,确定所述候选产品组合的推荐度,包括:
针对每个第二目标用户,分别将所述第一目标用户与所述第二目标用户之间的相似度,与所述第二目标用户对所述候选产品组合的偏好度进行融合处理,得到多个融合处理结果;
将所述多个融合处理结果进行再次融合处理,得到所述候选产品组合的推荐度。
8.根据权利要求7所述的方法,其特征在于,所述根据所述推荐度,从所述候选产品组合中确定出推荐给所述第一目标用户的目标产品组合,包括:
从所述候选产品组合中,筛选出所述推荐度满足预设推荐度的目标产品组合;
将所述目标产品组合推荐给所述第一目标用户。
9.一种产品推荐装置,其特征在于,所述装置包括:
产品组合模块,用于根据待推荐产品和第一目标用户的资源总量,确定初始产品组合和所述初始产品组合在多个预设产品目标下的目标信息;所述初始产品组合表示在所述资源总量的约束下,对所述待推荐产品的选择组合,所述初始产品组合中的每个产品关联有对应的预测资源转移比例;
组合筛选模块,用于根据所述初始产品组合在多个预设产品目标下的目标信息,从所述初始产品组合中,筛选出满足预设目标信息的候选产品组合;
相似度计算模块,用于根据所述第一目标用户和第二目标用户对所述候选产品组合的偏好度,确定所述第一目标用户和所述第二目标用户之间的相似度;所述第二目标用户为预设用户中除所述第一目标用户之外的用户;
推荐度计算模块,用于根据所述相似度和所述第二目标用户对所述候选产品组合的偏好度,确定所述候选产品组合的推荐度;
组合确定模块,用于根据所述推荐度,从所述候选产品组合中确定出推荐给所述第一目标用户的目标产品组合。
10.一种计算机设备,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8中任一项所述的方法的步骤。
11.一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8中任一项所述的方法的步骤。
12.一种计算机程序产品,包括计算机程序,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8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211474643.0A CN115712775A (zh) | 2022-11-23 | 2022-11-23 | 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 |
---|---|---|---|
CN202211474643.0A CN115712775A (zh) | 2022-11-23 | 2022-11-23 | 产品推荐方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115712775A true CN115712775A (zh) | 2023-02-24 |
Family
ID=85234412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211474643.0A Pending CN115712775A (zh) | 2022-11-23 | 2022-11-23 | 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) | CN115712775A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436996A (zh) * | 2023-12-21 | 2024-01-23 | 深圳市当换网络科技有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
-
2022
- 2022-11-23 CN CN202211474643.0A patent/CN115712775A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436996A (zh) * | 2023-12-21 | 2024-01-23 | 深圳市当换网络科技有限公司 | 产品推荐方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Meiri et al. | Using simulated annealing to optimize the feature selection problem in marketing applications | |
CN111400560A (zh) | 一种基于异构图神经网络模型进行预测的方法和系统 | |
WO2002003256A1 (en) | Method and system for the dynamic analysis of data | |
CN107622326B (zh) | 用户分类、可用资源预测方法、装置及设备 | |
CN112163963B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
Saputro et al. | Hybrid MCDM and simulation-optimization for strategic supplier selection | |
CN115712775A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
de Moraes et al. | Application of deterministic, stochastic, and hybrid methods for cloud provider selection | |
CN117575773A (zh) | 业务数据的确定方法、装置、计算机设备、存储介质 | |
CN117172912A (zh) | 基于深度学习的风险预测方法、装置、设备及介质 | |
Afshar et al. | An automated deep reinforcement learning pipeline for dynamic pricing | |
CN114821248A (zh) | 面向点云理解的数据主动筛选标注方法和装置 | |
CN115169637A (zh) | 社交关系预测方法、装置、设备和介质 | |
CN114881761A (zh) | 相似样本的确定方法与授信额度的确定方法 | |
CN114170000A (zh) | 信用卡用户风险类别识别方法、装置、计算机设备和介质 | |
CN115222177A (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
Dorsey et al. | Bankruptcy prediction using artificial neural systems | |
CN112884028A (zh) | 一种系统资源调整方法、装置及设备 | |
De Moraes et al. | An evolutive hybrid approach to cloud computing provider selection | |
CN114757723B (zh) | 用于资源要素交易平台的数据分析模型构建系统及方法 | |
CN116954591B (zh) | 银行领域的广义线性模型训练方法、装置、设备和介质 | |
CN117094828A (zh) | 金融产品推荐方法、装置、计算机设备和存储介质 | |
CN117113131A (zh) | 分类模型的确定方法、装置、计算机设备和存储介质 | |
CN117151884A (zh) | 资产管理数据处理方法、装置、计算机设备和存储介质 | |
WO2022245853A1 (en) | System and method for utilizing grouped partial dependence plots and game-theoretic concepts and their extensions in the generation of adverse action reason codes |
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 |