CN115757971A - 业务对象推荐方法、装置、计算机设备和存储介质 - Google Patents
业务对象推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115757971A CN115757971A CN202211546695.4A CN202211546695A CN115757971A CN 115757971 A CN115757971 A CN 115757971A CN 202211546695 A CN202211546695 A CN 202211546695A CN 115757971 A CN115757971 A CN 115757971A
- Authority
- CN
- China
- Prior art keywords
- service
- information
- recommendation
- service recommendation
- environment
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种业务对象推荐方法、装置、计算机设备和存储介质。所述方法包括:响应于资源交互平台的业务推荐需求信息,获取业务推荐需求信息对应的用户账户信息、业务信息、业务交互信息以及业务环境信息;分别对用户账户信息、业务信息、业务交互信息以及业务环境信息进行特征提取,得到业务推荐需求对应的用户特征向量和业务特征向量以及业务环境特征向量;将用户特征向量、业务特征向量以及业务环境特征向量输入至预训练的业务推荐模型,得到业务推荐需求信息对应的至少一个业务推荐信息;基于业务推荐需求信息对应的至少一个业务推荐信息,对用户账户进行业务对象推荐。采用本方法能够有效地提高对用户账户的业务对象推荐的准确率和效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种业务对象推荐方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着计算机技术的发展,出现了业务推荐技术,该技术具有数据储存了信息、算法提供了逻辑以及架构解放了双手的特性。其中,数据储存了信息,包括用户与内容的属性,用户的行为偏好;算法提供了逻辑,数据通过不断的积累,存储了巨量的信息,需要基于一套复杂的信息处理逻辑,基于逻辑返回推荐的内容或服务。
传统技术中,金融机构对客户进行业务推荐方法有人工推荐和传统协同过滤推荐算法两种方式。采用人工推荐的方式需要人为花费大量的时间去了解用户的基本情况和偏好,同时忽略了随着市场环境的变化,用户对金融业务的需求和偏好行为也会受到影响的因素,不能及时准确的进行业务的推荐,使用传统方法进行业务推荐,导致推荐的业务正确率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高推荐的业务正确率的业务对象推荐方法、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,本申请提供了一种业务对象推荐方法。所述方法包括:响应于资源交互平台的业务推荐需求信息,获取所述业务推荐需求信息对应的用户账户信息、业务信息、业务交互信息以及业务环境信息;分别对所述用户账户信息、所述业务信息、所述业务交互信息以及所述业务环境信息进行特征提取,得到所述业务推荐需求对应的用户特征向量和业务特征向量以及业务环境特征向量;将所述用户特征向量、所述业务特征向量以及所述业务环境特征向量输入至预训练的业务推荐模型,得到所述业务推荐需求信息对应的至少一个业务推荐信息;所述业务推荐信息表征业务与用户账户的匹配程度;所述预训练的业务推荐模型包括矩阵分解模型以及环境感知模型;所述矩阵分解模型以及所述环境感知模型通过至少一个所述业务推荐需求信息对应的样本数据训练得到的;基于所述业务推荐需求信息对应的至少一个业务推荐信息,对所述用户账户进行业务对象推荐。
第二方面,本申请还提供了一种业务对象推荐装置。所述装置包括:信息获取模块,用于响应于资源交互平台的业务推荐需求信息,获取所述业务推荐需求信息对应的用户账户信息、业务信息、业务交互信息以及业务环境信息;特征提取模块,用于分别对所述用户账户信息、所述业务信息、所述业务交互信息以及所述业务环境信息进行特征提取,得到所述业务推荐需求对应的用户特征向量和业务特征向量以及业务环境特征向量;信息处理模块,用于将所述用户特征向量、所述业务特征向量以及所述业务环境特征向量输入至预训练的业务推荐模型,得到所述业务推荐需求信息对应的至少一个业务推荐信息;所述业务推荐信息表征业务与用户账户的匹配程度;所述预训练的业务推荐模型包括矩阵分解模型以及环境感知模型;所述矩阵分解模型以及所述环境感知模型通过至少一个所述业务推荐需求信息对应的样本数据训练得到的;业务推荐模块,用于基于所述业务推荐需求信息对应的至少一个业务推荐信息,对所述用户账户进行业务对象推荐。
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:响应于资源交互平台的业务推荐需求信息,获取所述业务推荐需求信息对应的用户账户信息、业务信息、业务交互信息以及业务环境信息;分别对所述用户账户信息、所述业务信息、所述业务交互信息以及所述业务环境信息进行特征提取,得到所述业务推荐需求对应的用户特征向量和业务特征向量以及业务环境特征向量;将所述用户特征向量、所述业务特征向量以及所述业务环境特征向量输入至预训练的业务推荐模型,得到所述业务推荐需求信息对应的至少一个业务推荐信息;所述业务推荐信息表征业务与用户账户的匹配程度;所述预训练的业务推荐模型包括矩阵分解模型以及环境感知模型;所述矩阵分解模型以及所述环境感知模型通过至少一个所述业务推荐需求信息对应的样本数据训练得到的;基于所述业务推荐需求信息对应的至少一个业务推荐信息,对所述用户账户进行业务对象推荐。
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:响应于资源交互平台的业务推荐需求信息,获取所述业务推荐需求信息对应的用户账户信息、业务信息、业务交互信息以及业务环境信息;分别对所述用户账户信息、所述业务信息、所述业务交互信息以及所述业务环境信息进行特征提取,得到所述业务推荐需求对应的用户特征向量和业务特征向量以及业务环境特征向量;将所述用户特征向量、所述业务特征向量以及所述业务环境特征向量输入至预训练的业务推荐模型,得到所述业务推荐需求信息对应的至少一个业务推荐信息;所述业务推荐信息表征业务与用户账户的匹配程度;所述预训练的业务推荐模型包括矩阵分解模型以及环境感知模型;所述矩阵分解模型以及所述环境感知模型通过至少一个所述业务推荐需求信息对应的样本数据训练得到的;基于所述业务推荐需求信息对应的至少一个业务推荐信息,对所述用户账户进行业务对象推荐。
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:响应于资源交互平台的业务推荐需求信息,获取所述业务推荐需求信息对应的用户账户信息、业务信息、业务交互信息以及业务环境信息;分别对所述用户账户信息、所述业务信息、所述业务交互信息以及所述业务环境信息进行特征提取,得到所述业务推荐需求对应的用户特征向量和业务特征向量以及业务环境特征向量;将所述用户特征向量、所述业务特征向量以及所述业务环境特征向量输入至预训练的业务推荐模型,得到所述业务推荐需求信息对应的至少一个业务推荐信息;所述业务推荐信息表征业务与用户账户的匹配程度;所述预训练的业务推荐模型包括矩阵分解模型以及环境感知模型;所述矩阵分解模型以及所述环境感知模型通过至少一个所述业务推荐需求信息对应的样本数据训练得到的;基于所述业务推荐需求信息对应的至少一个业务推荐信息,对所述用户账户进行业务对象推荐。
上述一种业务对象推荐方法、装置、计算机设备、存储介质和计算机程序产品,通过响应于资源交互平台的业务推荐需求信息,获取业务推荐需求信息对应的用户账户信息、业务信息、业务交互信息以及业务环境信息;分别对用户账户信息、业务信息、业务交互信息以及业务环境信息进行特征提取,得到业务推荐需求对应的用户特征向量和业务特征向量以及业务环境特征向量;将用户特征向量、业务特征向量以及业务环境特征向量输入至预训练的业务推荐模型,得到业务推荐需求信息对应的至少一个业务推荐信息;业务推荐信息表征业务与用户账户的匹配程度;预训练的业务推荐模型包括矩阵分解模型以及环境感知模型;矩阵分解模型以及环境感知模型通过至少一个业务推荐需求信息对应的样本数据训练得到的;基于业务推荐需求信息对应的至少一个业务推荐信息,对用户账户进行业务对象推荐。
通过对业务环境信息进行实时感知,将用户账户信息、业务信息、业务交互信息以及业务环境信息输入至预先构建出符合当前业务环境的业务推荐模型;通过业务推荐模型计算用户对于每种业务的推荐概率,在面对多变的业务环境场景中,可以根据当前业务环境和用户账户与业务的历史交互情况进行业务对象的精准推荐;同时,针对没有使用过对应的业务的用户账户即冷启动问题而言,也可以通过用户账户、业务情况和当前的业务环境信息给用户账户提供更合理的业务对象推荐。能够有效地提高对用户账户的业务对象推荐的准确率和效率。
附图说明
图1为一个实施例中一种业务对象推荐方法的应用环境图;
图2为一个实施例中一种业务对象推荐方法的流程示意图;
图3为一个实施例中业务推荐信息得到方法的流程示意图;
图4为一个实施例中第一子业务推荐信息得到方法的流程示意图;
图5为一个实施例中第二子业务推荐信息得到方法的流程示意图;
图6为另一个实施例中第二子业务推荐信息得到方法的流程示意图;
图7为另一个实施例中业务推荐信息得到方法的流程示意图;
图8为一个实施例中特征向量得到方法的流程示意图;
图9为一个实施例中预训练的业务推荐模型的结构示意图;
图10为一个实施例中一种业务对象推荐方法的实现逻辑示意图;
图11为一个实施例中一种业务对象推荐装置的结构框图;
图12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。
本申请实施例提供的一种业务对象推荐方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。响应于资源交互平台的业务推荐需求信息,服务器104从终端102处获取业务推荐需求信息对应的用户账户信息、业务信息、业务交互信息以及业务环境信息;分别对用户账户信息、业务信息、业务交互信息以及业务环境信息进行特征提取,得到业务推荐需求对应的用户特征向量和业务特征向量以及业务环境特征向量;将用户特征向量、业务特征向量以及业务环境特征向量输入至预训练的业务推荐模型,得到业务推荐需求信息对应的至少一个业务推荐信息;业务推荐信息表征业务与用户账户的匹配程度;预训练的业务推荐模型包括矩阵分解模型以及环境感知模型;矩阵分解模型以及环境感知模型通过至少一个业务推荐需求信息对应的样本数据训练得到的;基于业务推荐需求信息对应的至少一个业务推荐信息,对用户账户进行业务对象推荐。其中,终端102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,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104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。
在一个实施例中,如图2所示,提供了一种业务对象推荐方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,响应于资源交互平台的业务推荐需求信息,获取业务推荐需求信息对应的用户账户信息、业务信息、业务交互信息以及业务环境信息。
其中,资源交互平台可以是用户使用用户账户进行业务办理,并引起业务对应的资源调度所需要的平台,例如:银行、交易所、基金公司等。
其中,业务推荐需求信息可以是根据用户的用户账户的实际信息,从资源交互平台向用户账户推荐符合实际情况的业务所对应的需求,例如:A账户具有大量资金,并且经常向交易所购买股票,则根据A账户的实际信息,向A账户推荐合适的股票的需求。
其中,用户账户信息可以是针对被业务推荐所对应的用户所带有的基本信息、固有信息等。
其中,业务信息可以是资源交互平台中各个业务所带有的基本信息、固有信息等。
其中,业务交互信息可以是用户账户曾经与哪些业务进行交互所生成的信息。
其中,业务环境信息可以是资源交互平台中各个业务在资源交互平台的历史交互数据,以及在各个业务对应的市场环境数据,其中,市场环境数据可以是反映当前社会的情况的数据。
具体地,服务器响应于资源交互平台的业务推荐需求信息,根据服务器响应终端的指令,从终端处获取业务推荐需求信息对应的用户账户信息、业务信息、业务交互信息以及业务环境信息,并且将获取到的用户账户信息、业务信息、业务交互信息以及业务环境信息存储到存储单元中。例如,用户账户信息可以是年龄、职业、婚姻状况、教育水平、是否有违约记录、账户平均余额、是否有贷款等;业务信息可以是业务类型、业务风险、业务收益、业务期限、业务安全等;业务交互信息可以是用户账户历史购办理过哪些业务;业务环境信息可以是用户账户的地域、失业率、消费指数、银行利率等。当服务器需要对用户账户信息、业务信息、业务交互信息以及业务环境信息中的任意数据记录进行处理时,则从存储单元中调取至易失性存储资源以供中央处理器进行计算。其中,任意数据记录可以是单个数据输入至中央处理器,也可以为多个数据同时输入至中央处理器。
举例来说,服务器104响应终端102的指令,从终端102处获取至少两个历史账户属性信息,并存储到服务器104中的存储单元中,其中服务器104获取到的固有信息对应的数据记录有10条,可以同时为多个数据同时输入。
步骤204,分别对用户账户信息、业务信息、业务交互信息以及业务环境信息进行特征提取,得到业务推荐需求对应的用户特征向量和业务特征向量以及业务环境特征向量。
其中,用户特征向量可以是根据用户账户信息、业务信息、业务交互信息以及业务环境信息中的文本信息,提取跟用户账户相关的特征后所生成的向量。
其中,业务特征向量可以是用户账户信息、业务信息、业务交互信息以及业务环境信息中的文本信息,提取跟各个业务相关的特征后所生成的向量。
其中,业务环境特征向量可以是根据用户账户信息、业务信息、业务交互信息以及业务环境信息中的非文本信息进行特征提取所构成的多维特征向量。
具体地,针对用户账户信息、业务信息、业务交互信息以及业务环境信息中的文本信息,构建业务推荐需求信息对应的信息字典映射表,并使用信息字典映射表的方式映射为数值进行表示,其中,构建信息字典映射表的数据为用户账户信息、业务信息以及业务交互信息的文本信息,例如:职业、婚姻状况、是否有违约记录、地域等。基于信息字典映射表,然后使用One-hot编码对信息字典映射表中用户账户信息、业务信息、业务交互信息以及业务环境信息中的各个信息以及各个信息之间的映射关系进行特征提取,得到用户特征向量和业务特征向量。其中,信息字典映射表如表一所示。
表一:信息字典映射表
针对用户账户信息、业务信息、业务交互信息以及业务环境信息中的非文本信息,进行特征提取后,将其构建为多维特征向量的方式进行表示,得到业务环境特征向量,其中,业务环境特征向量的基本信息处理如表二所示。
表二:业务环境特征向量的基本信息处理
ID | 职业 | 婚姻状况 | 违约情况 | ... | 失业率 | 消费指数 | 利率 |
1 | 工人 | 未婚 | 无违约 | ... | 0.5 | 100.9 | 0.4 |
1 | 0010 | 00 | 0 | ... | 0.5 | 100.9 | 0.4 |
步骤206,将用户特征向量、业务特征向量以及业务环境特征向量输入至预训练的业务推荐模型,得到业务推荐需求信息对应的至少一个业务推荐信息。
其中,业务推荐模型可以是市场环境感知推荐模型,其中,市场环境感知推荐模型主要由广义矩阵分解模型(Generalized Matrix Factorization,即GMF)、环境联合多层感知机模型(Environment Joint Multilayer Perceptron,即EMP)构成。
其中,业务推荐信息可以是通过业务推荐模型对输入量进行计算后所得到的概率信息,其中,业务推荐信息可以表征业务与用户账户的匹配程度。
具体地,将用户特征向量、业务特征向量以及业务环境特征向量输入至预训练的业务推荐模型中,其中,业务推荐模型主要由广义矩阵分解模型(Generalized MatrixFactorization,即GMF)、环境联合多层感知机模型(Environment Joint MultilayerPerceptron,即EMP)构成。通过引入广义矩阵分解模型来处理用户账户与业务的交互信息;同时引入环境联合多层感知机将市场环境信息和用户与产品的信息特征进行融合,最后通过对广义矩阵分解模型和环境联合多层感知机模型的结果进行评分,得到最佳结果,即针对业务推荐需求信息对应的至少一个业务推荐信息。预训练的业务推荐模型的结构示意图如图9所示。
针对广义矩阵分解模型的计算过程,使用了广义矩阵分解模型中的激活函数的非线性可以来表达用户账户和业务的交互关系,其公式如下所示:
φGMF=out(hT(pu*i))
其中φGMF代表广义矩阵分解模型的预测结果,pu和qi分别代表了用户特征向量和业务特征向量,aout和hT分别代表了输出层的Sigmoid激活函数和连接权重。
针对环境联合多层感知机模型的计算过程,环境联合多层感知机模型是将业务环境特征向量、用户特征向量和业务特征向量进行拼接,然后输入到多层感知机,经过多层神经网络来挖掘更加复杂有效的特征组合,从而将业务环境信息融入到模型中,同时,可以捕捉业务环境、用户账户与业务之间的关系,其公式如下所示:
其中φEMP代表环境联合多层感知机模型的预测结果,cm表示业务环境特征向量,pu表示用户特征向量,qi表示业务特征向量,wi、bi和f分别代表了模型的连接权重、偏置和激活函数。
针对业务推荐模型中的广义矩阵分解模型和环境联合多层感知机模型,均通过至少一个业务推荐需求信息对应的样本数据训练得到的。
对于广义矩阵分解模型而言,当业务环境较为稳定或者用户账户与业务交互信息较多时,模型表现较好;而对于环境联合多层感知机模型而言,当业务环境变化较大或者用户账户与业务的交互信息较少时,模型表现较好,所以将广义矩阵分解模型和环境联合多层感知机模型的结果进行评分处理,可以得到更好更全面的结果,其公式如下所示:
其中φGMF、φEMP分别表示广义矩阵分解模型和环境联合多层感知机模型的输出结果,它们对最后结果的影响通过连接权重h进行调节。σ代表Sigmoid激活函数,通过激活函数的处理将最终的多模型预测的结果输出到0到1之间,越接近1表示模型预测的业务结果越接近用户账户的真实需要的倾向。
步骤208,基于业务推荐需求信息对应的至少一个业务推荐信息,对用户账户进行业务对象推荐。
具体地,根据各业务推荐信息按照有小到大的顺序进行排列,并选取业务推荐信息大于预设阈值的业务作为业务对象向用户账户进行推荐;其中,业务对象表示该业务对象满足用户账户的属性的业务,一种业务对象推荐方法的实现逻辑示意图如图10所示。
上述一种业务对象推荐方法中,通过响应于资源交互平台的业务推荐需求信息,获取业务推荐需求信息对应的用户账户信息、业务信息、业务交互信息以及业务环境信息;分别对用户账户信息、业务信息、业务交互信息以及业务环境信息进行特征提取,得到业务推荐需求对应的用户特征向量和业务特征向量以及业务环境特征向量;将用户特征向量、业务特征向量以及业务环境特征向量输入至预训练的业务推荐模型,得到业务推荐需求信息对应的至少一个业务推荐信息;业务推荐信息表征业务与用户账户的匹配程度;预训练的业务推荐模型包括矩阵分解模型以及环境感知模型;矩阵分解模型以及环境感知模型通过至少一个业务推荐需求信息对应的样本数据训练得到的;基于业务推荐需求信息对应的至少一个业务推荐信息,对用户账户进行业务对象推荐。
通过对业务环境信息进行实时感知,将用户账户信息、业务信息、业务交互信息以及业务环境信息输入至预先构建出符合当前业务环境的业务推荐模型;通过业务推荐模型计算用户对于每种业务的推荐概率,在面对多变的业务环境场景中,可以根据当前业务环境和用户账户与业务的历史交互情况进行业务对象的精准推荐;同时,针对没有使用过对应的业务的用户账户即冷启动问题而言,也可以通过用户账户、业务情况和当前的业务环境信息给用户账户提供更合理的业务对象推荐。能够有效地提高对用户账户的业务对象推荐的准确率和效率。
在一个实施例中,如图3所示,将用户特征向量、业务特征向量以及业务环境特征向量输入至预训练的业务推荐模型,得到业务推荐需求信息对应的至少一个业务推荐信息,包括:
步骤302,将用户特征向量和业务特征向量输入至矩阵分解模型,得到业务推荐需求信息对应的至少一个第一子业务推荐信息。
其中,矩阵分解模型可以是广义矩阵分解模型(Generalized MatrixFactorization,即GMF)。
其中,第一子业务推荐信息可以是用广义矩阵分解模型进行计算后所得到的概率。
具体地,将用户特征向量和业务特征向量输入至广义矩阵分解模型,使用了广义矩阵分解模型中的激活函数的非线性可以来表达用户账户和业务的交互关系,其公式如下所示:
φGMF=out(hT(pu*i))
其中,φGMF代表广义矩阵分解模型的预测结果,pu和qi分别代表了用户特征向量和业务特征向量,aout和hT分别代表了输出层的Sigmoid激活函数和连接权重,基于广义矩阵分解模型的计算,得到业务推荐需求信息对应的至少一个第一子业务推荐信息。
步骤304,将用户特征向量、业务特征向量以及业务环境特征向量输入至环境感知模型,得到业务推荐需求信息对应的至少一个第二子业务推荐信息。
其中,环境感知模型可以是环境联合多层感知机模型(Environment JointMultilayer Perceptron,即EMP)。
其中,第二子业务推荐信息可以是用环境联合多层感知机模型进行计算后所得到的概率。
具体地,将用户特征向量、业务特征向量以及业务环境特征向量输入至环境联合多层感知机模型,环境联合多层感知机模型是将业务环境特征向量、用户特征向量和业务特征向量进行拼接,然后输入到多层感知机,经过多层神经网络来挖掘更加复杂有效的特征组合,从而将业务环境信息融入到模型中,同时,可以捕捉业务环境、用户账户与业务之间的关系,其公式如下所示:
其中,φEMP代表环境联合多层感知机模型的预测结果,cm表示业务环境特征向量,pu表示用户特征向量,qi表示业务特征向量,wi、bi和f分别代表了模型的连接权重、偏置和激活函数,基于环境联合多层感知机模型的计算,得到业务推荐需求信息对应的至少一个第二子业务推荐信息。
步骤306,对各第一子业务推荐信息以及各第二子业务推荐信息进行调整,得到业务推荐需求信息对应的至少一个业务推荐信息。
具体地,对各第一子业务推荐信息以及各第二子业务推荐信息进行调整,对于广义矩阵分解模型而言,当业务环境较为稳定或者用户账户与业务交互信息较多时,模型表现较好;而对于环境联合多层感知机模型而言,当业务环境变化较大或者用户账户与业务的交互信息较少时,模型表现较好,所以将广义矩阵分解模型和环境联合多层感知机模型的结果进行评分处理,可以得到更好更全面的结果,其公式如下所示:
其中,φGMF、φEMP分别表示广义矩阵分解模型和环境联合多层感知机模型的输出结果,它们对最后结果的影响通过连接权重h进行调节。σ代表Sigmoid激活函数,通过激活函数的处理将最终的多模型预测的结果输出到0到1之间,越接近1表示模型预测的业务结果越接近用户账户的真实需要的倾向,即得到业务推荐需求信息对应的至少一个业务推荐信息。
本实施例中,通过用户特征向量、业务特征向量以及业务环境特征向量分别输入至预训练的业务推荐模型中的矩阵分解模型以及环境感知模型,能够根据业务环境较的稳定性或者用户账户与业务交互信息的数量进行权重调整,使得对用户账户的业务对象推荐的准确率提高。
在一个实施例中,如图4所示,将用户特征向量和业务特征向量输入至矩阵分解模型,得到业务推荐需求信息对应的至少一个第一子业务推荐信息,包括:
步骤402,将用户特征向量点乘业务特征向量,得到特征向量点乘结果。
其中,特征向量点乘结果可以是用户特征向量与业务特征向量点乘之后的计算结果。
具体地,将用户特征向量与用户特征向量按照向量点乘的规则进行点乘,得到点乘计算后的特征向量点乘结果,计算式如下:
A=pu*i
其中,pu和qi分别代表了用户特征向量和业务特征向量。
步骤404,对特征向量点乘结果进行第一连接权重调节,得到第一连接权重调节结果。
其中,第一连接权重调节结果可以是特征向量点乘结果使用连接权重进行调节所得到的结果;其中,第一连接权重调节可以是广义矩阵分解模型中其中一个连接权重。
具体地,使用第一连接权重作用在特征向量点乘结果中,对特征向量点乘结果进行权重调整,即可得到第一连接权重调节结果,计算式如下:
B=hT(A)=hT(pu*i)
其中,pu和qi分别代表了用户特征向量和业务特征向量,hT分别代表了输出层的连接权重。
步骤406,根据第一连接权重调节结果以及第一映射关系,得到至少一个第一子业务推荐信息。
其中,第一映射关系可以是广义矩阵分解模型中其中一个输出层的Sigmoid激活函数。
具体地,利用广义矩阵分解模型中其中一个输出层的Sigmoid激活函数对第一连接权重调节结果进行计算,即可得到至少一个第一子业务推荐信息,计算公式如下:
φGMF=out(hT(pu*i))
其中,φGMF代表广义矩阵分解模型的预测结果,pu和qi分别代表了用户特征向量和业务特征向量,aout和hT分别代表了输出层的Sigmoid激活函数和连接权重,基于广义矩阵分解模型的计算,得到业务推荐需求信息对应的至少一个第一子业务推荐信息。
本实施例中,通过使用矩阵分解模型对用户特征向量和业务特征向量点乘结果进行处理,能够利用矩阵分解模型更强的学习和表征能力,使得计算出来关于业务推荐需求信息其中一部分的业务推荐概率更精确。
在一个实施例中,如图5所示,将用户特征向量、业务特征向量以及业务环境特征向量输入至环境感知模型,得到业务推荐需求信息对应的至少一个第二子业务推荐信息,包括:
步骤502,将用户特征向量、业务特征向量以及业务环境特征向量进行拼接,得到特征向量拼接结果。
其中,特征向量拼接结果可以是对用户特征向量、业务特征向量以及业务环境特征向量进行拼接后所得到的数值或者向量。
具体地,将用户特征向量、业务特征向量以及业务环境特征向量进行拼接,得到第一行为业务环境特征向量,第二行为用户特征向量,第三行为业务特征向量的特征向量拼接结果。
步骤504,将特征向量拼接结果输入至推荐信息输出层,得到业务推荐需求信息对应的至少一个第二子业务推荐信息。
其中,推荐信息输出层可以是环境联合多层感知机模型用来计算概率的功能层,能够按照实际需求,进行多次连接权重、偏置和激活函数的处理。
具体地,将特征向量拼接结果输入至推荐信息输出层,即输入到多层感知机,经过多层神经网络来挖掘更加复杂有效的特征组合,从而将业务环境信息融入到模型中,同时,可以捕捉业务环境、用户账户与业务之间的关系,其公式如下所示:
其中,φEMP代表环境联合多层感知机模型的预测结果,cm表示业务环境特征向量,pu表示用户特征向量,qi表示业务特征向量,wi、bi和f分别代表了模型的连接权重、偏置和激活函数,基于环境联合多层感知机模型的计算,得到业务推荐需求信息对应的至少一个第二子业务推荐信息。
本实施例中,通过使用环境感知模型对用户特征向量、业务特征向量以及业务环境特征向量的拼接结果进行计算,并利用环境感知模型的推荐信息输出层对特征向量拼接结果进行多次概率计算迭代,能够捕捉业务环境、用户账户与业务之间的关系,提升模型的表现能力和提高模型的准确度。
在一个实施例中,如图6所示,将特征向量拼接结果输入至推荐信息输出层,得到业务推荐需求信息对应的至少一个第二子业务推荐信息,包括:
步骤602,对特征向量拼接结果进行第二连接权重调节,得到第二连接权重调节结果;对第二连接权重调节结果进行调整,得到第一调整结果;根据第一调整结果以及第二映射关系,得到至少一个第一中间业务推荐信息。
其中,第二连接权重调节结果可以是特征向量拼接结果使用连接权重进行调节所得到的结果;其中,第二连接权重调节可以是环境联合多层感知机模型中第一个连接权重。
其中,第一调整结果可以是第二连接权重调节结果经过环境联合多层感知机模型的第一次偏置所得到的结果。
其中,第二映射关系可以是环境联合多层感知机模型中第一个输出层的Sigmoid激活函数。
其中,第一中间业务推荐信息可以是第一调整结果经过环境联合多层感知机模型的第一次激活函数处理所得到的结果。
具体地,针对特征向量拼接结果使用环境联合多层感知机模型中第一个连接权重进行权重的调节,得到第二连接权重调节结果;然后针对第二连接权重调节结果使用环境联合多层感知机模型的第一次偏置进行调整,得到第一调整结果;最后针对第一调整结果使用环境联合多层感知机模型中第一个输出层的Sigmoid激活函数进行处理,得到至少一个第一中间业务推荐信息。
步骤604,对各第一中间业务推荐信息进行第三连接权重调节,得到第三连接权重调节结果;对第三连接权重调节结果进行调整,得到第二调整结果;根据第二调整结果以及第三映射关系,得到至少一个第二中间业务推荐信息。
其中,第三连接权重调节结果可以是各第一中间业务推荐信息使用连接权重进行调节所得到的结果;其中,第三连接权重调节可以是环境联合多层感知机模型中其第二个连接权重。
其中,第二调整结果可以是第三连接权重调节结果经过环境联合多层感知机模型的第二次偏置所得到的结果。
其中,第三映射关系可以是环境联合多层感知机模型中第二个输出层的Sigmoid激活函数。
其中,第二中间业务推荐信息可以是第二调整结果经过环境联合多层感知机模型的第二次激活函数处理所得到的结果。
具体地,针对各第一中间业务推荐信息使用环境联合多层感知机模型中第二个连接权重进行权重的调节,得到第三连接权重调节结果;然后针对第三连接权重调节结果使用环境联合多层感知机模型的第二次偏置进行调整,得到第二调整结果;最后针对第二调整结果使用环境联合多层感知机模型中第二个输出层的Sigmoid激活函数进行处理,得到至少一个第二中间业务推荐信息。
步骤606,对各第二中间业务推荐信息进行第四连接权重调节,得到第四连接权重调节结果;对第四连接权重调节结果进行调整,得到第三调整结果;根据第三调整结果以及第四映射关系,得到业务推荐需求信息对应的至少一个第二子业务推荐信息。
其中,第四连接权重调节结果可以各第二中间业务推荐信息使用连接权重进行调节所得到的结果;其中,第四连接权重调节可以是环境联合多层感知机模型中其第三个连接权重。
其中,第三调整结果可以是第四连接权重调节结果经过环境联合多层感知机模型的第三次偏置所得到的结果。
其中,第四映射关系可以是环境联合多层感知机模型中第三个输出层的Sigmoid激活函数。
具体地,针对各第二中间业务推荐信息使用环境联合多层感知机模型中第三个连接权重进行权重的调节,得到第四连接权重调节结果;然后针对第四连接权重调节结果使用环境联合多层感知机模型的第三次偏置进行调整,得到第三调整结果;最后针对第三调整结果使用环境联合多层感知机模型中第三个输出层的Sigmoid激活函数进行处理,得到业务推荐需求信息对应的至少一个第二子业务推荐信息。
针对环境联合多层感知机模型的整个计算过程,环境联合多层感知机模型是将业务环境特征向量、用户特征向量和业务特征向量进行拼接,然后输入到多层感知机,经过多层神经网络来挖掘更加复杂有效的特征组合,从而将业务环境信息融入到模型中,同时,可以捕捉业务环境、用户账户与业务之间的关系,其公式如下所示:
其中,φEMP代表环境联合多层感知机模型的预测结果,cm表示业务环境特征向量,pu表示用户特征向量,qi表示业务特征向量,wi、bi和f分别代表了模型的连接权重、偏置和激活函数。
本实施例中,通过细化环境感知模型中推荐信息输出层对特征向量拼接结果的多次概率迭代计算,能够提高环境感知模型对于业务推荐概率的计算准确度,进一步提高业务推荐模型的精度。
在一个实施例中,如图7所示,对各第一子业务推荐信息以及各第二子业务推荐信息进行调整,得到业务推荐需求信息对应的至少一个业务推荐信息,包括:
步骤702,对各第一子业务推荐信息以及各第二子业务推荐信息进行第五连接权重调节,得到第五连接权重调节结果。
其中,第五连接权重调节结果可以是各第一子业务推荐信息以及各第二子业务推荐信息使用连接权重进行调节所得到的结果;其中,第五连接权重调节可以是预训练的业务推荐模型中其中一个连接权重。
具体地,针对各第一子业务推荐信息以及各第二子业务推荐信息使用预训练的业务推荐模型中第五个连接权重进行权重的调节,得到第五连接权重调节结果。
步骤704,根据第五连接权重调节结果以及第五映射关系,得到业务推荐需求信息对应的至少一个业务推荐信息。
其中,第五映射关系可以是预训练的业务推荐模型中其中一个输出层的Sigmoid激活函数。
具体地,针对第五连接权重调节结果使用预训练的业务推荐模型的Sigmoid激活函数进行处理,得到业务推荐需求信息对应的至少一个业务推荐信息。
针对预训练的业务推荐模型中对广义矩阵分解模型和环境联合多层感知机模型的权重调节以及激活函数的处理,为对于广义矩阵分解模型而言,当业务环境较为稳定或者用户账户与业务交互信息较多时,模型表现较好;而对于环境联合多层感知机模型而言,当业务环境变化较大或者用户账户与业务的交互信息较少时,模型表现较好,所以将广义矩阵分解模型和环境联合多层感知机模型的结果进行评分处理,可以得到更好更全面的结果,其公式如下所示:
其中,φGMF、φEMP分别表示广义矩阵分解模型和环境联合多层感知机模型的输出结果,它们对最后结果的影响通过连接权重h进行调节。σ代表Sigmoid激活函数,通过激活函数的处理将最终的多模型预测的结果输出到0到1之间,越接近1表示模型预测的业务结果越接近用户账户的真实需要的倾向。
本实施例中,通过对矩阵分解模型以及环境感知模型的计算结果进行权重调节,能够根据业务环境较为稳定性或者用户账户与业务交互信息量,对业务推荐模型的输出概率权重进行调整,使得业务推荐模型的适应面更广泛。
在一个实施例中,如图8所示,分别对用户账户信息、业务信息、业务交互信息以及业务环境信息进行特征提取,得到业务推荐需求对应的用户特征向量和业务特征向量以及业务环境特征向量,包括:
步骤802,根据用户账户信息、业务信息、业务交互信息以及业务环境信息,建立业务推荐需求信息对应的信息字典映射表。
其中,信息字典映射表可以是信息集合中描述的A到B的一种关系的表格,B就称为这种映射下A的映像。
具体地,针对用户账户信息、业务信息、业务交互信息以及业务环境信息中的文本信息,构建业务推荐需求信息对应的信息字典映射表,并使用信息字典映射表的方式映射为数值进行表示,其中,构建信息字典映射表的数据为用户账户信息、业务信息以及业务交互信息的文本信息,例如:职业、婚姻状况、是否有违约记录、地域等。
步骤804,对信息字典映射表进行特征提取,得到业务推荐需求信息对应的用户特征向量和业务特征向量。
具体地,基于信息字典映射表,使用One-hot编码对信息字典映射表中用户账户信息、业务信息、业务交互信息以及业务环境信息中的各个信息以及各个信息之间的映射关系进行特征提取,得到用户特征向量和业务特征向量。
步骤806,提取用户账户信息、业务信息、业务交互信息以及业务环境信息中的非文本信息,根据非文本信息构建业务环境特征向量。
具体地,针对用户账户信息、业务信息、业务交互信息以及业务环境信息中的非文本信息,进行特征提取后,将其构建为多维特征向量的方式进行表示,得到业务环境特征向量。
本实施例中,通过针对不同信息格式采用不同的特征提取方法,相应地构建不同的特征向量,能够充分地利用矩阵分解模型以及环境感知模型各自的特点,提高模型计算的精度。
应该理解的是,虽然如上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业务对象推荐方法的一种业务对象推荐装置。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业务对象推荐装置实施例中的具体限定可以参见上文中对于一种业务对象推荐方法的限定,在此不再赘述。
在一个实施例中,如图11所示,提供了一种业务对象推荐装置,包括:信息获取模块1102、特征提取模块1104、信息处理模块1106和业务推荐模块1108,其中:
信息获取模块1102,用于响应于资源交互平台的业务推荐需求信息,获取业务推荐需求信息对应的用户账户信息、业务信息、业务交互信息以及业务环境信息;
特征提取模块1104,用于分别对用户账户信息、业务信息、业务交互信息以及业务环境信息进行特征提取,得到业务推荐需求对应的用户特征向量和业务特征向量以及业务环境特征向量;
信息处理模块1106,用于将用户特征向量、业务特征向量以及业务环境特征向量输入至预训练的业务推荐模型,得到业务推荐需求信息对应的至少一个业务推荐信息;业务推荐信息表征业务与用户账户的匹配程度;预训练的业务推荐模型包括矩阵分解模型以及环境感知模型;矩阵分解模型以及环境感知模型通过至少一个业务推荐需求信息对应的样本数据训练得到的;
业务推荐模块1108,用于基于业务推荐需求信息对应的至少一个业务推荐信息,对用户账户进行业务对象推荐。
在一个实施例中,信息处理模块1106,还用于将用户特征向量和业务特征向量输入至矩阵分解模型,得到业务推荐需求信息对应的至少一个第一子业务推荐信息;将用户特征向量、业务特征向量以及业务环境特征向量输入至环境感知模型,得到业务推荐需求信息对应的至少一个第二子业务推荐信息;对各第一子业务推荐信息以及各第二子业务推荐信息进行调整,得到业务推荐需求信息对应的至少一个业务推荐信息。
在一个实施例中,信息处理模块1106,还用于将用户特征向量点乘业务特征向量,得到特征向量点乘结果;对特征向量点乘结果进行第一连接权重调节,得到第一连接权重调节结果;根据第一连接权重调节结果以及第一映射关系,得到至少一个第一子业务推荐信息。
在一个实施例中,信息处理模块1106,还用于将用户特征向量、业务特征向量以及业务环境特征向量进行拼接,得到特征向量拼接结果;将特征向量拼接结果输入至推荐信息输出层,得到业务推荐需求信息对应的至少一个第二子业务推荐信息。
在一个实施例中,信息处理模块1106,还用于对特征向量拼接结果进行第二连接权重调节,得到第二连接权重调节结果;对第二连接权重调节结果进行调整,得到第一调整结果;根据第一调整结果以及第二映射关系,得到至少一个第一中间业务推荐信息;对各第一中间业务推荐信息进行第三连接权重调节,得到第三连接权重调节结果;对第三连接权重调节结果进行调整,得到第二调整结果;根据第二调整结果以及第三映射关系,得到至少一个第二中间业务推荐信息;对各第二中间业务推荐信息进行第四连接权重调节,得到第四连接权重调节结果;对第四连接权重调节结果进行调整,得到第三调整结果;根据第三调整结果以及第四映射关系,得到业务推荐需求信息对应的至少一个第二子业务推荐信息。
在一个实施例中,信息处理模块1106,还用于对各第一子业务推荐信息以及各第二子业务推荐信息进行第五连接权重调节,得到第五连接权重调节结果;根据第五连接权重调节结果以及第五映射关系,得到业务推荐需求信息对应的至少一个业务推荐信息。
在一个实施例中,特征提取模块1104,还用于根据用户账户信息、业务信息、业务交互信息以及业务环境信息,建立业务推荐需求信息对应的信息字典映射表;对信息字典映射表进行特征提取,得到业务推荐需求信息对应的用户特征向量和业务特征向量;提取用户账户信息、业务信息、业务交互信息以及业务环境信息中的非文本信息,根据非文本信息构建业务环境特征向量。
上述一种业务对象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12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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服务器数据。该计算机设备的网络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业务对象推荐方法。
本领域技术人员可以理解,图12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,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或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行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。
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 (11)
1.一种业务对象推荐方法,其特征在于,所述方法包括:
响应于资源交互平台的业务推荐需求信息,获取所述业务推荐需求信息对应的用户账户信息、业务信息、业务交互信息以及业务环境信息;
分别对所述用户账户信息、所述业务信息、所述业务交互信息以及所述业务环境信息进行特征提取,得到所述业务推荐需求对应的用户特征向量和业务特征向量以及业务环境特征向量;
将所述用户特征向量、所述业务特征向量以及所述业务环境特征向量输入至预训练的业务推荐模型,得到所述业务推荐需求信息对应的至少一个业务推荐信息;所述业务推荐信息表征业务与用户账户的匹配程度;所述预训练的业务推荐模型包括矩阵分解模型以及环境感知模型;所述矩阵分解模型以及所述环境感知模型通过至少一个所述业务推荐需求信息对应的样本数据训练得到的;
基于所述业务推荐需求信息对应的至少一个业务推荐信息,对所述用户账户进行业务对象推荐。
2.根据权利要求1所述的方法,其特征在于,所述将所述用户特征向量、所述业务特征向量以及所述业务环境特征向量输入至预训练的业务推荐模型,得到所述业务推荐需求信息对应的至少一个业务推荐信息,包括:
将所述用户特征向量和所述业务特征向量输入至矩阵分解模型,得到所述业务推荐需求信息对应的至少一个第一子业务推荐信息;
将所述用户特征向量、所述业务特征向量以及所述业务环境特征向量输入至环境感知模型,得到所述业务推荐需求信息对应的至少一个第二子业务推荐信息;
对各所述第一子业务推荐信息以及各所述第二子业务推荐信息进行调整,得到所述业务推荐需求信息对应的至少一个业务推荐信息。
3.根据权利要求2所述的方法,其特征在于,所述将所述用户特征向量和所述业务特征向量输入至矩阵分解模型,得到所述业务推荐需求信息对应的至少一个第一子业务推荐信息,包括:
将所述用户特征向量点乘所述业务特征向量,得到特征向量点乘结果;
对所述特征向量点乘结果进行第一连接权重调节,得到第一连接权重调节结果;
根据所述第一连接权重调节结果以及第一映射关系,得到至少一个第一子业务推荐信息。
4.根据权利要求2所述的方法,其特征在于,所述将所述用户特征向量、所述业务特征向量以及所述业务环境特征向量输入至环境感知模型,得到所述业务推荐需求信息对应的至少一个第二子业务推荐信息,包括:
将所述用户特征向量、所述业务特征向量以及所述业务环境特征向量进行拼接,得到特征向量拼接结果;
将所述特征向量拼接结果输入至推荐信息输出层,得到所述业务推荐需求信息对应的至少一个第二子业务推荐信息。
5.根据权利要求4所述的方法,其特征在于,所述将所述特征向量拼接结果输入至推荐信息输出层,得到所述业务推荐需求信息对应的至少一个第二子业务推荐信息,包括:
对所述特征向量拼接结果进行第二连接权重调节,得到第二连接权重调节结果;对所述第二连接权重调节结果进行调整,得到第一调整结果;根据所述第一调整结果以及第二映射关系,得到至少一个第一中间业务推荐信息;
对各所述第一中间业务推荐信息进行第三连接权重调节,得到第三连接权重调节结果;对所述第三连接权重调节结果进行调整,得到第二调整结果;根据所述第二调整结果以及第三映射关系,得到至少一个第二中间业务推荐信息;
对各所述第二中间业务推荐信息进行第四连接权重调节,得到第四连接权重调节结果;对所述第四连接权重调节结果进行调整,得到第三调整结果;根据所述第三调整结果以及第四映射关系,得到所述业务推荐需求信息对应的至少一个第二子业务推荐信息。
6.根据权利要求2所述的方法,其特征在于,所述对各所述第一子业务推荐信息以及各所述第二子业务推荐信息进行调整,得到所述业务推荐需求信息对应的至少一个业务推荐信息,包括:
对各所述第一子业务推荐信息以及各所述第二子业务推荐信息进行第五连接权重调节,得到第五连接权重调节结果;
根据所述第五连接权重调节结果以及第五映射关系,得到所述业务推荐需求信息对应的至少一个业务推荐信息。
7.根据权利要求1所述的方法,其特征在于,所述分别对所述用户账户信息、所述业务信息、所述业务交互信息以及所述业务环境信息进行特征提取,得到所述业务推荐需求对应的用户特征向量和业务特征向量以及业务环境特征向量,包括:
根据所述用户账户信息、所述业务信息、所述业务交互信息以及所述业务环境信息,建立业务推荐需求信息对应的信息字典映射表;
对所述信息字典映射表进行特征提取,得到所述业务推荐需求信息对应的用户特征向量和业务特征向量;
提取所述用户账户信息、所述业务信息、所述业务交互信息以及所述业务环境信息中的非文本信息,根据所述非文本信息构建所述业务环境特征向量。
8.一种业务对象推荐装置,其特征在于,所述装置包括:
信息获取模块,用于响应于资源交互平台的业务推荐需求信息,获取所述业务推荐需求信息对应的用户账户信息、业务信息、业务交互信息以及业务环境信息;
特征提取模块,用于分别对所述用户账户信息、所述业务信息、所述业务交互信息以及所述业务环境信息进行特征提取,得到所述业务推荐需求对应的用户特征向量和业务特征向量以及业务环境特征向量;
信息处理模块,用于将所述用户特征向量、所述业务特征向量以及所述业务环境特征向量输入至预训练的业务推荐模型,得到所述业务推荐需求信息对应的至少一个业务推荐信息;所述业务推荐信息表征业务与用户账户的匹配程度;所述预训练的业务推荐模型包括矩阵分解模型以及环境感知模型;所述矩阵分解模型以及所述环境感知模型通过至少一个所述业务推荐需求信息对应的样本数据训练得到的;
业务推荐模块,用于基于所述业务推荐需求信息对应的至少一个业务推荐信息,对所述用户账户进行业务对象推荐。
9.一种计算机设备,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7中任一项所述的方法的步骤。
10.一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7中任一项所述的方法的步骤。
11.一种计算机程序产品,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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211546695.4A CN115757971A (zh) | 2022-12-05 | 2022-12-05 | 业务对象推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211546695.4A CN115757971A (zh) | 2022-12-05 | 2022-12-05 | 业务对象推荐方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115757971A true CN115757971A (zh) | 2023-03-07 |
Family
ID=85343116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211546695.4A Pending CN115757971A (zh) | 2022-12-05 | 2022-12-05 | 业务对象推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115757971A (zh) |
-
2022
- 2022-12-05 CN CN202211546695.4A patent/CN115757971A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10803064B1 (en) | System and method for dynamic scaling and modification of a rule-based matching and prioritization engine | |
US20230342797A1 (en) | Object processing method based on time and value factors | |
CN115080868A (zh) | 产品推送方法、装置、计算机设备、存储介质和程序产品 | |
CN113298661B (zh) | 一种基于人工智能的产品推荐方法、装置及电子设备 | |
CN114969550A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN114529399A (zh) | 用户数据处理方法、装置、计算机设备和存储介质 | |
CN114219184A (zh) | 产品交易数据预测方法、装置、设备、介质和程序产品 | |
CN115757971A (zh) | 业务对象推荐方法、装置、计算机设备和存储介质 | |
CN116764236A (zh) | 游戏道具推荐方法、装置、计算机设备和存储介质 | |
Xing et al. | Asymptotic analysis of tail distortion risk measure under the framework of multivariate regular variation | |
CN117390258A (zh) | 金融业务推荐方法、装置、计算机设备和存储介质 | |
CN114022165A (zh) | 匹配方法、装置、计算机设备和存储介质 | |
CN116861071A (zh) | 资讯推送方法、装置、计算机设备、存储介质和程序产品 | |
CN117112724A (zh) | 搜索推送方法、装置、设备、存储介质和计算机程序产品 | |
CN115712837A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN117455664A (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
CN117391490A (zh) | 金融业务的评价信息处理方法、装置和计算机设备 | |
CN114240670A (zh) | 业务处理方法、装置、计算机设备和存储介质 | |
CN117132335A (zh) | 资源合约中资源交易值的确定方法、装置和计算机设备 | |
CN117541350A (zh) | 产品推送方法、装置、计算机设备和存储介质 | |
CN115952358A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN117319475A (zh) | 通信资源推荐方法、装置、计算机设备和存储介质 | |
CN115827983A (zh) | 一种用户行为预测方法、装置、电子设备及存储介质 | |
CN117786204A (zh) | 金融资源对象推荐方法、装置、设备、存储介质和产品 |
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 |