CN116542785A - 产品推荐方法、装置、电子设备及存储介质 - Google Patents

产品推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116542785A
CN116542785A CN202310657759.6A CN202310657759A CN116542785A CN 116542785 A CN116542785 A CN 116542785A CN 202310657759 A CN202310657759 A CN 202310657759A CN 116542785 A CN116542785 A CN 116542785A
Authority
CN
China
Prior art keywords
product
matrix
vector
user
user preference
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
CN202310657759.6A
Other languages
English (en)
Inventor
姜敏华
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202310657759.6A priority Critical patent/CN116542785A/zh
Publication of CN116542785A publication Critical patent/CN116542785A/zh
Pending legal-status Critical Current

Links

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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Technology Law (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能技术，揭露一种产品推荐方法、装置、设备以及介质，所述方法包括：对产品评论进行文本向量化处理，得到表征聚合向量；根据所述历史评分构建历史评分矩阵，并对所述历史评分矩阵进行奇异值分解，得到用户偏好矩阵及产品属性矩阵；将所述表征聚合向量映射降维为修正评分，利用所述修正评分对所述历史评分中的元素进行修正，并基于修正结果及预构建的目标函数解析与所述用户偏好矩阵及所述产品属性矩阵维度相同的第一参数矩阵及第二参数矩阵，根据解析结果进行奇异值分解推荐得到推荐结果。本发明可应用于金融领域，提高重疾险等保险产品推荐的准确率。

Description

产品推荐方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能技术，尤其涉及一种产品推荐方法、装置、电子设备及存储介质。
背景技术
随着保险行业的发展及人们生活水平的提高，重疾险等保险产品越来越受到人们的青睐，但是相关保险产品的种类较多，如何有效的进行产品推荐，帮助用户及时寻找到需要的保险产品逐渐受到了人们的关注。
现有的产品推荐方法大多基于奇异值分解算法对保险产品(如重疾险产品)的用户评分进行分析，以分析用户对产品的偏好程度，从而进行产品推荐。然而仅从用户评分这一个维度进行分析，分析的特征维度单一，推荐的保险产品不符合用户的保险需求，使得产品推荐的准确率较低。
发明内容
本发明提供一种产品推荐方法、装置、电子设备及存储介质，其主要目的在于提高了重疾险等保险产品推荐的准确率。
获取产品集、包含待推荐用户的用户集及所述用户集中每个用户对产品集中每个产品的产品评论，并对所述产品评论进行文本向量化处理，得到表征聚合向量；
获取所述用户集中每个用户对所述产品集中每个产品的历史评分，并根据所述历史评分构建历史评分矩阵，并对所述历史评分矩阵进行奇异值分解，得到用户偏好矩阵及产品属性矩阵；
基于所述表征聚合向量及所述用户偏好矩阵的维度构建未知语义映射矩阵，并根据所述未知语义映射矩阵对所述表征聚合向量进行映射降维，得到所述表征聚合向量对应的修正评分；
根据所述用户偏好矩阵的每一行的行维度构建与每一行对应的未知用户偏好向量，根据所述产品属性矩阵的每一列的列维度构建与每一列对应的未知产品属性向量；
利用所述未知用户偏好向量、所述未知属性向量、所述修正评分及所述历史评分构建目标函数，以解析每个未知用户偏好向量对应的分析用户偏好向量及每个未知产品属性向量对应的分析产品属性向量；
基于所述分析用户偏好向量及所述分析产品属性向量计算每个所述产品的推荐分数；
利用预设的推荐阈值及所述推荐分数对所述产品集中的产品进行筛选，并将筛选结果发送至所述待推荐用户的预设终端设备。
可选地，所述对所述产品评论进行文本向量化处理，得到表征聚合向量，包括：
将所述产品评论进行分词，得到分词词语；
将每个所述分词词语转化为预设向量维度的词语向量；
将所有所述词语向量按照对应的分词词语在所述产品评论中的先后顺序进行组合，得到评论表征矩阵；
对所述评论表征矩阵进行维度压缩，得到所述表征聚合向量。
可选地，所述对所述评论表征矩阵进行维度压缩，得到表征聚合向量，包括：
对所述评论表征矩阵中的每一列进行池化操作，得到维度为所述向量维度的表征聚合向量。
可选地，所述基于所述分析用户偏好向量及所述分析产品属性向量计算每个所述产品的推荐分数，包括：
提取所述历史评分矩阵中待推荐用户标记的行的顺序，得到待推荐用户序号；
提取所述历史评分矩阵中每种产品标记的列的顺序，得到对应产品的产品序号；
将所述用户偏好矩阵中顺序为待推荐用户序号的行对应的未知用户偏好向量确定为目标未知用户偏好向量；
将所述产品属性矩阵中顺序为所述产品的产品序号的列对应未知产品属性向量的确定为该产品的目标未知产品属性向量；
将所述目标未知用户偏好向量的对应的分析用户偏好向量确定为目标分析用户偏好向量；
将所述产品的目标未知产品属性向量对应的分析产品属性向量确定为该产品的目标分析产品属性向量；
将所述目标分析用户偏好向量的转置与所述产品的目标分析产品属性向量进行计算，得到该产品的推荐分数。
可选地，所述利用预设的推荐阈值及所述推荐分数对所述产品集中的产品进行筛选，并将筛选结果发送至所述待推荐用户的预设终端设备，包括：
将所述产品集中的产品按照对应的推荐分数的大小进行排序，得到产品序列；
将所述产品序列中的第一个产品作为起点，将所述推荐阈值作为切分长度，对所述产品序列进行切分，得到推荐产品序列；
将所述推荐产品序列发送至所述待推荐用户的预设终端设备。
可选地，所述对所述表征聚合向量进行映射降维，得到所述表征聚合向量对应的修正评分，包括：
基于所述表征聚合向量及所述用户偏好矩阵的维度构建未知语义映射矩阵；
利用所述未知语义映射矩阵将所述表征聚合向量进行维度映射，得到评论隐语义向量；
将所述评论隐语义向量降维压缩为数值，得到所述修正评分。
可选地，所述根据所述历史评分构建历史评分矩阵，包括：
将所述用户集中用户的数量作为行数量，将所述产品集中产品的数量作为列数量；
将所述行数量与所述列数量作为矩阵维度构建空白矩阵，其中，所述空白矩阵为还未填充元素的矩阵；
将所有所述用户依次标记所述空白矩阵中的每一行，将所有所述产品依次标记所述空白矩阵中的中的每一列，得到目标空白矩阵；
根据所述历史评分对应的用户及产品确定该历史评分在所述目标空白矩阵中对应的行列位置；
将所述历史评分确定为所述目标空白矩阵中该历史评分对应行列位置的元素，得到初始历史评分矩阵；
将所述初始历史评分矩阵中的空缺元素用预设字符填充，得到所述历史评分矩阵。
为了解决上述问题，本发明还提供一种产品推荐装置，所述装置包括：
目标函数解析模块，用于获取产品集、包含待推荐用户的用户集及所述用户集中的每个用户对产品集中每个产品的产品评论，并对所述产品评论进行文本向量化处理，得到表征聚合向量；获取所述用户集中每个用户对产品集中每个产品的历史评分，并根据所述历史评分构建历史评分矩阵，并对所述历史评分矩阵进行奇异值分解，得到用户偏好矩阵及产品属性矩阵；对所述表征聚合向量进行映射降维，得到所述表征聚合向量对应的修正评分；根据所述用户偏好矩阵的每一行的行维度构建与每一行对应的未知用户偏好向量，根据所述产品属性矩阵的每一列的列维度构建与每一列对应的未知产品属性向量；利用所述未知用户偏好向量、所述未知属性向量、所述修正评分及所述历史评分构建目标函数，以解析每个未知用户偏好向量对应的分析用户偏好向量及每个未知产品属性向量对应的分析产品属性向量；
推荐分数计算模块，用于基于所述分析用户偏好向量及所述分析产品属性向量计算每个所述产品的推荐分数；
产品推荐模块，用于利用预设的推荐阈值及所述推荐分数对所述产品集中的产品进行筛选，并将筛选结果发送至所述待推荐用户的预设终端设备。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的产品推荐方法。
为了解决上述问题，本发明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至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的产品推荐方法。
本发明实施例根据所述未知语义映射矩阵对所述表征聚合向量进行映射降维，得到所述表征聚合向量对应的修正评分，根据所述用户偏好矩阵的每一行的行维度构建与每一行对应的未知用户偏好向量，根据所述产品属性矩阵的每一列的列维度构建与每一列对应的未知产品属性向量；利用所述未知用户偏好向量、所述未知属性向量、所述修正评分及所述历史评分构建目标函数，以解析每个未知用户偏好向量对应的分析用户偏好向量及每个未知产品属性向量对应的分析产品属性向量；根据用户的评论进行映射降维得到产品评论分析得到的修正评分，再根据所述修正评分对基于历史评分得到的奇异值分解结果进行解析更新，使得新的分析结果融合了评分和评论两个维度的特征，使得分析结果的特征表示更准确，进而根据解析更新的结果进行产品推荐，提高了产品推荐的准确率，因此本发明实施例提出的产品推荐方法、装置、电子设备及可读存储介质提高了重疾险等保险产品推荐的准确率。
附图说明
图1为本发明一实施例提供的产品推荐方法的流程示意图；
图2为本发明一实施例提供的产品推荐装置的模块示意图；
图3为本发明一实施例提供的实现产品推荐方法的电子设备的内部结构示意图；
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种产品推荐方法。所述产品推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述产品推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示的本发明一实施例提供的产品推荐方法的流程示意图，在本发明实施例中，所述产品推荐方法包括：
S1、获取产品集、包含待推荐用户的用户集及所述用户集中每个用户对产品集中每个产品的产品评论，并对所述产品评论进行文本向量化处理，得到表征聚合向量；
本发明实施例中所述产品集为需要进行推荐的所有产品的集合，所述产品集中的产品可以统一类型的保险产品，如重疾险产品，所述用户集为对产品集中的产品做过评论或评分的用户，所述待推荐用户为需要进行产品推荐的用户。
本发明实施例中所述产品评论为用户对同一产品的所有评论的文本组合得到所述产品评论，例如：当所述产品为重疾险产品时，用户A对重疾险产品A的产品评论为用户A对重疾险产品A历次评论文本的组合，但当用户A对重疾险产品A没有评论过时，所述产品评论为空，当所述产品评论为空时，所述表征聚合向量为零向量。
进一步地，本发明实施例中为了更好表征所述产品评论的特征，所述产品评论转化为产品评论向量。
具体地，本发明实施例中对所述产品评论进行文本向量化处理，得到评表征聚合向量，包括：
将所述产品评论进行分词，得到分词词语；
将每个所述分词词语转化为预设向量维度的词语向量；
本发明实施例中可利用深度学习模型(如：bert、transformer等)的特征编码模块或向量转化算法(如one-hot算法)等将分词词语转化为词语向量。
将所有所述词语向量按照对应的分词词语在所述产品评论中的先后顺序进行组合，得到评论表征矩阵。
对所述评论表征矩阵进行维度压缩，得到表征聚合向量；
本发明实施例例中为了节约计算资源，提升评论表征矩阵后续的计算速度，需要对对所述评论表征矩阵进行维度压缩。
具体地，本发明实施例对所述评论表征矩阵中的每一列进行池化操作，得到维度为所述向量维度的表征聚合向量。
本发明实施例中所述池化操作可以为最大池化、平均池化等池化操作。
本发明另一实施例中还可以只保留所述评论表征矩阵每一列的预设特征值，得到所述表征聚合向量。可选地，所述特征值包括但不限于中位数、众数等。
S2、获取所述用户集中每个用户对所述产品集中每个产品的历史评分，并根据所述历史评分构建历史评分矩阵，并对所述历史评分矩阵进行奇异值分解，得到用户偏好矩阵及产品属性矩阵；
本发明实施例中所述历史评分为用户对对应的产品的评分，例如：所述产品A为保险产品，如重疾险产品A，那么用户A对重疾险产品A的历史评分，为用户A对重疾险A的最近一次的满意度评分，若用户A对重疾险产品A没有评分过，那用户A对重疾险产品A的历史评分可以为空。
进一步地，本发明实施例中将所述用户集中用户的数量作为行数量，将所述产品集中产品的数量作为列数量，将所述行数量与所述列数量作为矩阵维度构建空白矩阵，其中，所述空白矩阵为还未填充元素的矩阵；将所有所述用户依次标记所述空白矩阵中的每一行，将所有所述产品依次标记所述空白矩阵中的中的每一列，得到目标空白矩阵；将所述历史评分确定所述目标空白矩阵中对应的用户及产品标记行列对应的元素得到初始历史评分矩阵。
例如：用户集中包含用户y1、y2、y3，产品集中包含产品C1、C2、C3，用户y1对产品C1的历史评分为2，那么所述空白矩阵的第一行、第二行、第三行依次标记为y1行、y2行、y3行，将所述空白矩阵的第一列、第二列、第三列依次标记为C1列、C2列、C3列，得到所述目标空白矩阵，将所述目标空白矩阵中y1行C1列对应的元素确定为2。
可选地，本发明另一实施例中将所述用户集中用户的数量作为列数量，将所述产品集中产品的数量作为行数量，将所述行数量与所述列数量作为矩阵维度构建空白矩阵，得到初始空白矩阵；将所有所述用户依次标记所述空白矩阵中的每一列，将所有所述产品依次标记所述空白矩阵中的中的每一行，得到目标空白矩阵；根据所述历史评分对应的用户及产品确定该历史评分在所述目标空白矩阵中对应的行列位置；将所述历史评分确定为所述目标空白矩阵中该历史评分对应行列位置的元素，得到初始历史评分矩阵。
例如：所述历史评分2为y1用户对产品C1的历史评分，该历史评分在目标空白矩阵中的行列位置为y1行C1列，将历史评分2确定为目标空白矩阵y1行C1列的元素。
由于并不是每个用户对每个产品都有历史评分，因此，所述初始历史评分矩阵中一部分元素是空缺的。本发明实施例将所述初始历史评分矩阵中的空缺元素用预设字符填充，得到所述历史评分矩阵，具体地，本发明实施例将所述初始历史评分矩阵中的空缺元素用0填充，得到历史评分矩阵，可选地，本发明实施例中所述预设字符还可以为其他合理字符，本发明对此不做限制。
可选地，本发明实施例通过分析用户和产品之间潜在特征的关联关系即对所述历史评分矩阵进行用户偏好与产品属性的特征关联分析来实现推荐的合适的保险产品(如重疾险产品)的目的。因此，本发明实施例基于奇异值分解将历史评分矩阵分成一个表征用户偏好的用户偏好矩阵与表征产品属性的产品属性矩阵。
具体地，本发明实施例中将所述历史评分矩阵奇异值分解得到基于预设属性特征数量的用户偏好矩阵及产品属性矩阵，其中，所述用户偏好矩阵为以所述行数量及所述属性特征数量作为矩阵维度，所述产品特征评分矩阵以所述列数量及所述属性特征数量作为矩阵维度。其中，将历史评分矩阵的奇异值按最大若干项加总，使该加总和不小于全体奇异值之和95％的最小项数为所述属性特征数量。本发明实施例中的奇异值分解过程为本领域技术人员熟知的技术步骤，在此不在赘述。
例如：预设属性特征数量为k，所述历史评分矩阵为m*n，那么将所述历史评分矩阵分解为m*k的用户偏好矩阵及k*n的产品属性矩阵。
S3、对所述表征聚合向量进行映射降维，得到所述表征聚合向量对应的修正评分；
具体地，本发明实施例中所述S3包括：
基于所述表征聚合向量及所述用户偏好矩阵的维度构建未知语义映射矩阵；
利用所述未知语义映射矩阵将所述表征聚合向量进行维度映射，得到评论隐语义向量；
将所述评论隐语义向量降维压缩为数值，得到所述修正评分。
本发明实施例中为了利用所述表征聚合向量表示产品评论中包含的用户在k个产品属性维度上的偏好信息，基于所述表征聚合向量及所述用户偏好矩阵的维度构建未知语义映射矩阵，对所述表征聚合向量进行语义映射，其中，k为所述属性特征数量，其中，所述未知语义映射矩阵为元素未知的变量矩阵。
例如：用户偏好矩阵的维度为m*k，所述表征聚合向量的维度为d，所述未知语义映射矩阵的维度为k*d。
进一步地，本发明实施例中为了将所述表征聚合向量转换为与历史评分对等的评论分，将所述表征聚合向量映射降维为数字。
详细地，本发明实施例中利用如下公式进行维度映射及降维压缩：
其中，vui为用户u对产品i的产品评论对应的表征聚合向量，M为所述未知语义映射矩阵，u标识所述用户集中用户的编号，i标识所述产品集中产品的编号，为所述评论隐语义向量，所述xui为表征聚合向量vui对应的修正评分。
S4、根据所述用户偏好矩阵的每一行的行维度构建与每一行对应的未知用户偏好向量，根据所述产品属性矩阵的每一列的列维度构建与每一列对应的未知产品属性向量；
详细地，本发明实施例中所述用户偏好矩阵的每一行对应的未知用户偏好向量的转置的维度与该行的行维度相同；所述产品属性矩阵的每一列对应的未知产品属性向量的维度与该列的列维度相同；所述未知用户偏好向量与所述未知产品属性向量均为元素未知的变量矩阵。
S5、利用所述未知用户偏好向量、所述未知属性向量、所述修正评分及所述历史评分构建目标函数，以解析每个未知用户偏好向量对应的分析用户偏好向量及每个未知产品属性向量对应的分析产品属性向量；
本发明实施例中，为了确定所述未知用户偏好向量及所述未知产品属性向量的最佳取值，需要构建目标函数进行计算。
具体地，本发明实施例中，所述目标函数如下所示：
其中，H表示用户集，S表示产品集，u表示所述用户集中的用户的序号，i表示所述产品集中产品的序号，rui为历史评分矩阵中标记为用户u的行与标记为产品i的列对应的元素，xui表示表征聚合向量vui对应的修正评分、ω为预设的权重参数，qi表示产品属性矩阵中排序为i的列对应的未知属性向量，表示qi的转置，pu表示用户偏好矩阵中排序为u的列对应的未知用户偏好向量，λ1及λ2为预设的正则化超参数，M为所述未知语义映射矩阵。
本发明实施例中基于所述历史评分矩阵及所述表征聚合向量利用梯度下降法对所述目标函数进行训练，将所述目标函数取值最小时未知用户偏好向量取值确定为分析用户偏好向量、未知产品属性向量的取值确定为分析产品属性向量。
由于一般情况下利用利用历史评分矩阵奇异值分解得到的用户偏好矩阵及产品属性矩阵进行用户偏好的特征表征从而进行产品推荐，但是用户偏好矩阵及产品属性矩阵是基于历史评分得到的特征矩阵，本发明实施例引入基于产品评论特征得到的修正评分，将用户偏好矩阵的每一行更新为对应的分析用户偏好向量，将产品属性矩阵的每一行更新为对应的分析产品属性向量，使得特征表征的准确率更高，进而提高后续产品推荐的准确率，当所述产品为重疾险产品时，可以使得后续推荐的重疾险产品更加符合用户的保险需求，提高重疾险产品推荐的准确率。
S6、基于所述分析用户偏好向量及所述分析产品属性向量计算每个所述产品的推荐分数；
本发明实施例中为了衡量所述产品集中每个产品的适合推荐程度，基于所述分析用户偏好向量及所述分析产品属性向量计算每个所述产品的推荐分数。
例如：所述产品集中的产品为保险产品如重疾险产品，为了衡量哪一款重疾险产品更加适合推荐给用户，基于所述分析用户偏好向量及所述分析产品属性向量计算每个重疾险产品的推荐分数，推荐分数越高，适合推荐的程度也就越高。
具体地，本发明实施例中，所述S6包括：
提取所述历史评分矩阵中待推荐用户标记的行的顺序，得到待推荐用户序号；
提取所述历史评分矩阵中每种产品标记的列的顺序，得到对应产品的产品序号；
将所述用户偏好矩阵中顺序为待推荐用户序号的行对应的未知用户偏好向量确定为目标未知用户偏好向量；
将所述产品属性矩阵中顺序为所述产品的产品序号的列对应未知产品属性向量的确定为该产品的目标未知产品属性向量；
将所述目标未知用户偏好向量的对应的分析用户偏好向量确定为目标分析用户偏好向量；
将所述产品的目标未知产品属性向量对应的分析产品属性向量确定为该产品的目标分析产品属性向量；
将所述目标分析用户偏好向量的转置与所述产品的目标分析产品属性向量进行计算，得到该产品的推荐分数。
S7、利用预设的推荐阈值及所述推荐分数对所述产品集中的产品进行筛选，并将筛选结果发送至所述待推荐用户的预设终端设备。
本发明实施例中为了筛选合适的产品，利用预设的推荐阈值及所述推荐分数对所述产品集中的产品进行筛选，如：所述产品为重疾险产品，推荐分数只能衡量重疾险产品适合推荐的程度，但是什么程度的重疾险产品适合推荐，因此，利用预设的推荐阈值及所述推荐分数对所述产品集中的产品进行筛选，以筛选合适的重疾险产品进行推荐。具体地，本发明实施例中，所述S7包括：
将所述产品集中的产品按照对应的推荐分数的大小进行排序，得到产品序列；
将所述产品序列中的第一个产品作为起点，将所述推荐阈值作为切分长度，对所述产品序列进行切分，得到推荐产品序列；
将所述推荐产品序列发送至所述待推荐用户的预设终端设备。
例如，所述产品为重疾险产品时，那么所述推荐产品序列中包含的所有产品即为向用户推荐的重疾险产品。
可选地，本发明实施例中所述终端设备包括但不限于手机、电脑、平板等智能终端。
如图2所示，是本发明产品推荐装置的功能模块图。
本发明所述产品推荐装置100可以安装于电子设备中。根据实现的功能，所述产品推荐装置可以包括目标函数解析模块101、推荐分数计算模块102、产品推荐模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述目标函数解析模块101用于获取产品集、包含待推荐用户的用户集及所述用户集中的每个用户对产品集中每个产品的产品评论，并对所述产品评论进行文本向量化处理，得到表征聚合向量；获取所述用户集中每个用户对产品集中每个产品的历史评分，并根据所述历史评分构建历史评分矩阵，并对所述历史评分矩阵进行奇异值分解，得到用户偏好矩阵及产品属性矩阵；对所述表征聚合向量进行映射降维，得到所述表征聚合向量对应的修正评分；根据所述用户偏好矩阵的每一行的行维度构建与每一行对应的未知用户偏好向量，根据所述产品属性矩阵的每一列的列维度构建与每一列对应的未知产品属性向量；利用所述未知用户偏好向量、所述未知属性向量、所述修正评分及所述历史评分构建目标函数，以解析每个未知用户偏好向量对应的分析用户偏好向量及每个未知产品属性向量对应的分析产品属性向量；
所述推荐分数计算模块102用于基于所述分析用户偏好向量及所述分析产品属性向量计算每个所述产品的推荐分数；
所述产品推荐模块103用于利用预设的推荐阈值及所述推荐分数对所述产品集中的产品进行筛选，并将筛选结果发送至所述待推荐用户的预设终端设备。
详细地，本发明实施例中所述产品推荐装置100中所述的各模块在使用时采用与上述图1中所述的产品推荐方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明实现产品推荐方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如产品推荐程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如产品推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如产品推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的产品推荐程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取产品集、包含待推荐用户的用户集及所述用户集中的每个用户对产品集中每个产品的产品评论，并对所述产品评论进行文本向量化处理，得到表征聚合向量；
获取所述用户集中每个用户对产品集中每个产品的历史评分，并根据所述历史评分构建历史评分矩阵，并对所述历史评分矩阵进行奇异值分解，得到用户偏好矩阵及产品属性矩阵；
对所述表征聚合向量进行映射降维，得到所述表征聚合向量对应的修正评分；
根据所述用户偏好矩阵的每一行的行维度构建与每一行对应的未知用户偏好向量，根据所述产品属性矩阵的每一列的列维度构建与每一列对应的未知产品属性向量；
利用所述未知用户偏好向量、所述未知属性向量、所述修正评分及所述历史评分矩阵构建目标函数，以解析每个未知用户偏好向量对应的分析用户偏好向量及每个未知产品属性向量对应的分析产品属性向量；
基于所述分析用户偏好向量及所述分析产品属性向量计算每个所述产品的推荐分数；
利用预设的推荐阈值及所述推荐分数对所述产品集中的产品进行筛选，并将筛选结果发送至所述待推荐用户的预设终端设备。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/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。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取产品集、包含待推荐用户的用户集及所述用户集中的每个用户对产品集中每个产品的产品评论，并对所述产品评论进行文本向量化处理，得到表征聚合向量；
获取所述用户集中每个用户对产品集中每个产品的历史评分，并根据所述历史评分构建历史评分矩阵，并对所述历史评分矩阵进行奇异值分解，得到用户偏好矩阵及产品属性矩阵；
对所述表征聚合向量进行映射降维，得到所述表征聚合向量对应的修正评分；
根据所述用户偏好矩阵的每一行的行维度构建与每一行对应的未知用户偏好向量，根据所述产品属性矩阵的每一列的列维度构建与每一列对应的未知产品属性向量；
利用所述未知用户偏好向量、所述未知属性向量、所述修正评分及所述历史评分矩阵构建目标函数，以解析每个未知用户偏好向量对应的分析用户偏好向量及每个未知产品属性向量对应的分析产品属性向量；
基于所述分析用户偏好向量及所述分析产品属性向量计算每个所述产品的推荐分数；
利用预设的推荐阈值及所述推荐分数对所述产品集中的产品进行筛选，并将筛选结果发送至所述待推荐用户的预设终端设备。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。
本申请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。
另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种产品推荐方法，其特征在于，所述方法包括：
获取产品集、包含待推荐用户的用户集及所述用户集中每个用户对产品集中每个产品的产品评论，并对所述产品评论进行文本向量化处理，得到表征聚合向量；
获取所述用户集中每个用户对所述产品集中每个产品的历史评分，并根据所述历史评分构建历史评分矩阵，并对所述历史评分矩阵进行奇异值分解，得到用户偏好矩阵及产品属性矩阵；
对所述表征聚合向量进行映射降维，得到所述表征聚合向量对应的修正评分；
根据所述用户偏好矩阵的每一行的行维度构建与每一行对应的未知用户偏好向量，根据所述产品属性矩阵的每一列的列维度构建与每一列对应的未知产品属性向量；
利用所述未知用户偏好向量、所述未知属性向量、所述修正评分及所述历史评分矩阵构建目标函数，以解析每个未知用户偏好向量对应的分析用户偏好向量及每个未知产品属性向量对应的分析产品属性向量；
基于所述分析用户偏好向量及所述分析产品属性向量计算每个所述产品的推荐分数；
利用预设的推荐阈值及所述推荐分数对所述产品集中的产品进行筛选，并将筛选结果发送至所述待推荐用户的预设终端设备。
2.如权利要求1所述的产品推荐方法，其特征在于，所述对所述产品评论进行文本向量化处理，得到表征聚合向量，包括：
将所述产品评论进行分词，得到分词词语；
将每个所述分词词语转化为预设向量维度的词语向量；
将所有所述词语向量按照对应的分词词语在所述产品评论中的先后顺序进行组合，得到评论表征矩阵；
对所述评论表征矩阵进行维度压缩，得到所述表征聚合向量。
3.如权利要求2所述的产品推荐方法，其特征在于，所述对所述评论表征矩阵进行维度压缩，得到表征聚合向量，包括：
对所述评论表征矩阵中的每一列进行池化操作，得到维度为所述预设向量维度的表征聚合向量。
4.如权利要求1所述的产品推荐方法，其特征在于，所述基于所述分析用户偏好向量及所述分析产品属性向量计算每个所述产品的推荐分数，包括：
提取所述历史评分矩阵中待推荐用户标记的行的顺序，得到待推荐用户序号；
提取所述历史评分矩阵中每种产品标记的列的顺序，得到对应产品的产品序号；
将所述用户偏好矩阵中顺序为待推荐用户序号的行对应的未知用户偏好向量确定为目标未知用户偏好向量；
将所述产品属性矩阵中顺序为所述产品的产品序号的列对应未知产品属性向量的确定为该产品的目标未知产品属性向量；
将所述目标未知用户偏好向量的对应的分析用户偏好向量确定为目标分析用户偏好向量；
将所述产品的目标未知产品属性向量对应的分析产品属性向量确定为该产品的目标分析产品属性向量；
将所述目标分析用户偏好向量的转置与所述产品的目标分析产品属性向量进行计算，得到该产品的推荐分数。
5.如权利要求1所述的产品推荐方法，其特征在于，所述利用预设的推荐阈值及所述推荐分数对所述产品集中的产品进行筛选，并将筛选结果发送至所述待推荐用户的预设终端设备，包括：
将所述产品集中的产品按照对应的推荐分数的大小进行排序，得到产品序列；
将所述产品序列中的第一个产品作为起点，将所述推荐阈值作为切分长度，对所述产品序列进行切分，得到推荐产品序列；
将所述推荐产品序列发送至所述待推荐用户的预设终端设备。
6.如权利要求1所述的产品推荐方法，其特征在于，所述对所述表征聚合向量进行映射降维，得到所述表征聚合向量对应的修正评分，包括：
基于所述表征聚合向量及所述用户偏好矩阵的维度构建未知语义映射矩阵；
利用所述未知语义映射矩阵将所述表征聚合向量进行维度映射，得到评论隐语义向量；
将所述评论隐语义向量降维压缩为数值，得到所述修正评分。
7.如权利要求1至6中任意一项所述的产品推荐方法，其特征在于，所述根据所述历史评分构建历史评分矩阵，包括：
将所述用户集中用户的数量作为行数量，将所述产品集中产品的数量作为列数量；
将所述行数量与所述列数量作为矩阵维度构建空白矩阵，其中，所述空白矩阵为还未填充元素的矩阵；
将所有所述用户依次标记所述空白矩阵中的每一行，将所有所述产品依次标记所述空白矩阵中的中的每一列，得到目标空白矩阵；
根据所述历史评分对应的用户及产品确定该历史评分在所述目标空白矩阵中对应的行列位置；
将所述历史评分确定为所述目标空白矩阵中该历史评分对应行列位置的元素，得到初始历史评分矩阵；
将所述初始历史评分矩阵中的空缺元素用预设字符填充，得到所述历史评分矩阵。
8.一种产品推荐装置，其特征在于，包括：
目标函数解析模块，用于获取产品集、包含待推荐用户的用户集及所述用户集中的每个用户对产品集中每个产品的产品评论，并对所述产品评论进行文本向量化处理，得到表征聚合向量；获取所述用户集中每个用户对产品集中每个产品的历史评分，并根据所述历史评分构建历史评分矩阵，并对所述历史评分矩阵进行奇异值分解，得到用户偏好矩阵及产品属性矩阵；对所述表征聚合向量进行映射降维，得到所述表征聚合向量对应的修正评分；根据所述用户偏好矩阵的每一行的行维度构建与每一行对应的未知用户偏好向量，根据所述产品属性矩阵的每一列的列维度构建与每一列对应的未知产品属性向量；利用所述未知用户偏好向量、所述未知属性向量、所述修正评分及所述历史评分构建目标函数，以解析每个未知用户偏好向量对应的分析用户偏好向量及每个未知产品属性向量对应的分析产品属性向量；
推荐分数计算模块，用于基于所述分析用户偏好向量及所述分析产品属性向量计算每个所述产品的推荐分数；
产品推荐模块，用于利用预设的推荐阈值及所述推荐分数对所述产品集中的产品进行筛选，并将筛选结果发送至所述待推荐用户的预设终端设备。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的产品推荐方法。
10.一种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中任一项所述的产品推荐方法。
CN202310657759.6A 2023-06-05 2023-06-05 产品推荐方法、装置、电子设备及存储介质 Pending CN116542785A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310657759.6A CN116542785A (zh) 2023-06-05 2023-06-05 产品推荐方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310657759.6A CN116542785A (zh) 2023-06-05 2023-06-05 产品推荐方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116542785A true CN116542785A (zh) 2023-08-04

Family

ID=87450794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310657759.6A Pending CN116542785A (zh) 2023-06-05 2023-06-05 产品推荐方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116542785A (zh)

Similar Documents

Publication Publication Date Title
CN112380859A (zh) 舆情信息的推荐方法、装置、电子设备及计算机存储介质
CN113378970B (zh) 语句相似性检测方法、装置、电子设备及存储介质
CN113656690B (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN114186132B (zh) 信息推荐方法、装置、电子设备及存储介质
CN113626606B (zh) 信息分类方法、装置、电子设备及可读存储介质
CN114781832A (zh) 课程推荐方法、装置、电子设备及存储介质
CN115238670B (zh) 信息文本抽取方法、装置、设备及存储介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN113868528A (zh) 资讯推荐方法、装置、电子设备及可读存储介质
CN115204971B (zh) 产品推荐方法、装置、电子设备及计算机可读存储介质
CN113468421A (zh) 基于向量匹配技术的产品推荐方法、装置、设备及介质
CN114398557A (zh) 基于双画像的信息推荐方法、装置、电子设备及存储介质
CN113837631B (zh) 员工评价方法、装置、电子设备及可读存储介质
CN114840684A (zh) 基于医疗实体的图谱构建方法、装置、设备及存储介质
CN113343306B (zh) 基于差分隐私的数据查询方法、装置、设备及存储介质
CN113505273B (zh) 基于重复数据筛选的数据排序方法、装置、设备及介质
CN116521867A (zh) 文本聚类方法、装置、电子设备及存储介质
CN116403693A (zh) 问诊单派单方法、装置、设备及存储介质
CN113139129B (zh) 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质
CN113704407B (zh) 基于类别分析的投诉量分析方法、装置、设备及存储介质
CN113706019B (zh) 基于多维数据的业务能力分析方法、装置、设备及介质
CN116542785A (zh) 产品推荐方法、装置、电子设备及存储介质
CN114219367A (zh) 用户评分方法、装置、设备及存储介质
CN113723114A (zh) 基于多意图识别的语义分析方法、装置、设备及存储介质
CN113343102A (zh) 基于特征筛选的数据推荐方法、装置、电子设备及介质

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