CN116562981A - 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
- CN116562981A CN116562981A CN202310563336.8A CN202310563336A CN116562981A CN 116562981 A CN116562981 A CN 116562981A CN 202310563336 A CN202310563336 A CN 202310563336A CN 116562981 A CN116562981 A CN 116562981A
- Authority
- CN
- China
- Prior art keywords
- product
- products
- user
- information
- evaluated
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000011156 evaluation Methods 0.000 claims abstract description 213
- 238000012216 screening Methods 0.000 claims abstract description 32
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims description 28
- 238000007499 fusion processing Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 description 22
- 239000011159 matrix material Substances 0.000 description 15
- 239000013598 vector Substances 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及大数据技术领域，提供了一种产品推荐方法、装置、计算机设备、存储介质和计算机程序产品，可具体应用于金融领域或其他相关领域。本申请能够实现提高确定针对用户的推荐产品的效率和准确性。该方法包括：获取产品的属性信息，以及用户针对产品中的已评价产品的评价信息；产品中还包括未评价产品，产品为金融产品；根据产品的属性信息，确定产品之间的相似度；根据用户针对已评价产品的评价信息和产品之间的相似度，确定用户针对未评价产品的预测评价信息；根据用户针对未评价产品的预测评价信息，从未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对用户的推荐产品。
Description
技术领域
本申请涉及大数据技术领域，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
随着经济的发展和人们的生活水平的提高，越来越多的人开始重视金融产品。随着金融市场不断发展和金融产品不断增多，用户在选择金融产品时面临的选择难题也日益突出。因此，如何准确地确定针对用户的推荐产品，成为了重要的研究方向。
传统技术通常是通过人工对用户的信息进行分析，预估得到针对用户的推荐产品；但是该方式主要依据主观判断，导致确定针对用户的推荐产品的准确性较低。
发明内容
基于此，有必要针对上述技术问题，提供一种产品推荐方法、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：
获取产品的属性信息，以及用户针对所述产品中的已评价产品的评价信息；所述产品中还包括未评价产品，所述产品为金融产品；
根据所述产品的属性信息，确定所述产品之间的相似度；
根据所述用户针对所述已评价产品的评价信息和所述产品之间的相似度，确定所述用户针对所述未评价产品的预测评价信息；
根据所述用户针对所述未评价产品的预测评价信息，从所述未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对所述用户的推荐产品。
在其中一个实施例中，所述根据所述用户针对所述已评价产品的评价信息和所述产品之间的相似度，确定所述用户针对所述未评价产品的预测评价信息，包括：
根据所述产品之间的相似度，确定出所述未评价产品与所述已评价产品之间的相似度；
对所述用户针对所述已评价产品的评价信息，和所述未评价产品与所述已评价产品之间的相似度，进行融合处理，得到所述用户针对所述未评价产品的预测评价信息。
在其中一个实施例中，在根据所述用户针对所述未评价产品的预测评价信息，从所述未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对所述用户的推荐产品之前，还包括：
根据历史产品推荐结果，对历史用户的属性信息和历史产品的属性信息进行识别，得到属性信息匹配表；所述属性信息匹配表用于表示所述历史用户的属性信息与所述历史产品的属性信息之间的历史匹配度；
利用所述属性信息匹配表，对所述用户的属性信息和所述未评价产品的属性信息进行识别，得到所述用户的属性信息与所述未评价产品的属性信息之间的预测匹配度；
利用所述用户的属性信息与所述未评价产品的属性信息之间的预测匹配度，对所述用户针对所述未评价产品的预测评价信息进行更新，得到所述用户针对所述未评价产品的更新后的预测评价信息；
所述根据所述用户针对所述未评价产品的预测评价信息，从所述未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对所述用户的推荐产品，包括：
根据所述用户针对所述未评价产品的更新后的预测评价信息，从所述未评价产品中，筛选出对应的更新后的预测评价信息满足预设评价条件的产品，作为针对所述用户的推荐产品。
在其中一个实施例中，所述获取产品的属性信息，包括：
根据历史产品推荐结果，从产品的基础属性维度中，筛选出所述产品的目标属性维度；
获取所述产品的目标属性维度的信息，识别为所述产品的属性信息。
在其中一个实施例中，所述根据所述产品的属性信息，确定所述产品之间的相似度，包括：
根据所述产品的属性信息，识别出所述产品在各所述目标属性维度下的子相似度；
对所述产品在各所述目标属性维度下的子相似度，进行融合处理，得到所述产品之间的相似度。
在其中一个实施例中，在根据所述用户针对所述未评价产品的预测评价信息，从所述未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对所述用户的推荐产品之后，还包括：
根据所述用户针对所述推荐产品的预测评价信息，确定所述推荐产品的推荐度；
根据所述推荐产品的推荐度，对所述推荐产品进行排序，得到所述推荐产品的推荐顺序；
根据所述推荐产品的推荐顺序，生成所述推荐产品的推荐列表。
在其中一个实施例中，所述获取产品的属性信息，以及用户针对所述产品中的已评价产品的评价信息，包括：
获取产品的初始属性信息，以及用户针对所述产品中的已评价产品的初始评价信息；
分别对所述产品的初始属性信息，以及所述用户针对所述已评价产品的初始评价信息进行预处理，得到所述产品的属性信息，以及所述用户针对所述已评价产品的评价信息；所述预处理包括信息清洗处理、信息去重处理、信息缺失值处理、信息转换处理和信息离散化处理中的一种或者多种。
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：
信息获取模块，用于获取产品的属性信息，以及用户针对所述产品中的已评价产品的评价信息；所述产品中还包括未评价产品，所述产品为金融产品；
第一确定模块，用于根据所述产品的属性信息，确定所述产品之间的相似度；
第二确定模块，用于根据所述用户针对所述已评价产品的评价信息和所述产品之间的相似度，确定所述用户针对所述未评价产品的预测评价信息；
产品筛选模块，用于根据所述用户针对所述未评价产品的预测评价信息，从所述未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对所述用户的推荐产品。
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：
获取产品的属性信息，以及用户针对所述产品中的已评价产品的评价信息；所述产品中还包括未评价产品，所述产品为金融产品；根据所述产品的属性信息，确定所述产品之间的相似度；根据所述用户针对所述已评价产品的评价信息和所述产品之间的相似度，确定所述用户针对所述未评价产品的预测评价信息；根据所述用户针对所述未评价产品的预测评价信息，从所述未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对所述用户的推荐产品。
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：
获取产品的属性信息，以及用户针对所述产品中的已评价产品的评价信息；所述产品中还包括未评价产品，所述产品为金融产品；根据所述产品的属性信息，确定所述产品之间的相似度；根据所述用户针对所述已评价产品的评价信息和所述产品之间的相似度，确定所述用户针对所述未评价产品的预测评价信息；根据所述用户针对所述未评价产品的预测评价信息，从所述未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对所述用户的推荐产品。
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：
获取产品的属性信息，以及用户针对所述产品中的已评价产品的评价信息；所述产品中还包括未评价产品，所述产品为金融产品；根据所述产品的属性信息，确定所述产品之间的相似度；根据所述用户针对所述已评价产品的评价信息和所述产品之间的相似度，确定所述用户针对所述未评价产品的预测评价信息；根据所述用户针对所述未评价产品的预测评价信息，从所述未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对所述用户的推荐产品。
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，获取产品的属性信息，以及用户针对所述产品中的已评价产品的评价信息；所述产品中还包括未评价产品，所述产品为金融产品；根据所述产品的属性信息，确定所述产品之间的相似度；根据所述用户针对所述已评价产品的评价信息和所述产品之间的相似度，确定所述用户针对所述未评价产品的预测评价信息；根据所述用户针对所述未评价产品的预测评价信息，从所述未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对所述用户的推荐产品。该方案通过获取产品的属性信息，以及用户针对产品中的已评价产品的评价信息，从而得到已评价产品的属性信息和评价信息，以及未评价产品的属性信息；根据产品的属性信息，确定产品之间的相似度，从而确定出已评价产品和未评价产品之间的相似度；根据用户针对已评价产品的评价信息和产品之间的相似度，确定用户针对未评价产品的预测评价信息，从而快速并准确地预测出用户对未评价产品的评价；根据用户针对未评价产品的预测评价信息，从未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对用户的推荐产品，从而快速并准确地筛选出针对用户的推荐产品，从而有利于提高确定针对用户的推荐产品的效率和准确性。
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为一个实施例中确定未评价产品的预测评价信息的步骤的流程示意图；
图3为一个实施例中确定产品的属性信息的步骤的流程示意图；
图4为一个实施例中确定产品之间的相似度的步骤的流程示意图；
图5为一个实施例中生成推荐产品的推荐列表的步骤的流程示意图；
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，包括以下步骤：
步骤S101，获取产品的属性信息，以及用户针对产品中的已评价产品的评价信息；产品中还包括未评价产品，产品为金融产品。
本步骤中，产品的属性信息可以是产品的特征信息，例如产品的名称、类型、期限、收益率、风险等；已评价产品可以是用户已进行评价的产品，例如用户已反馈产品评价的产品；评价信息可以是用户反馈的对产品的评价，例如评分；未评价产品可以是用户没有进行评价的产品。
具体的，终端获取产品(包括已评价产品和未评价产品)的属性信息，以及用户针对已评价产品的评价信息(如用户针对已评价产品的历史评价信息)。
步骤S102，根据产品的属性信息，确定产品之间的相似度。
本步骤中，产品之间的相似度可以是指产品之间的属性信息的相似度，例如产品之间的类型、产品之间的期限相似度等。
具体的，终端根据各产品的属性信息，确定出各产品之间的属性信息的相似度，根据各产品之间的属性信息的相似度，确定产品之间的相似度。
步骤S103，根据用户针对已评价产品的评价信息和产品之间的相似度，确定用户针对未评价产品的预测评价信息。
本步骤中，用户针对未评价产品的预测评价信息可以是预测得到的用户对未评价产品的评价，例如用户对未评价产品的预测评分。
具体的，终端将用户针对已评价产品的评价信息和产品之间的相似度，进行融合处理，得到用户针对未评价产品的预测评价信息。
步骤S104，根据用户针对未评价产品的预测评价信息，从未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对用户的推荐产品。
本步骤中，预设评价条件可以是预先设置的评价信息条件，例如预先设置的评价阈值条件；针对用户的推荐产品可以是用于向用户推荐的一个或多个产品。
具体的，终端根据用户针对未评价产品的预测评价信息，从未评价产品中，筛选出对应的预测评价信息满足预设评价条件的未评价产品，将筛选出的部分未评价产品，作为针对用户的推荐产品。
上述产品推荐方法中，获取产品的属性信息，以及用户针对产品中的已评价产品的评价信息；产品中还包括未评价产品，产品为金融产品；根据产品的属性信息，确定产品之间的相似度；根据用户针对已评价产品的评价信息和产品之间的相似度，确定用户针对未评价产品的预测评价信息；根据用户针对未评价产品的预测评价信息，从未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对用户的推荐产品。该方案通过获取产品的属性信息，以及用户针对产品中的已评价产品的评价信息，从而得到已评价产品的属性信息和评价信息，以及未评价产品的属性信息；根据产品的属性信息，确定产品之间的相似度，从而确定出已评价产品和未评价产品之间的相似度；根据用户针对已评价产品的评价信息和产品之间的相似度，确定用户针对未评价产品的预测评价信息，从而快速并准确地预测出用户对未评价产品的评价；根据用户针对未评价产品的预测评价信息，从未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对用户的推荐产品，从而快速并准确地筛选出针对用户的推荐产品，从而有利于提高确定针对用户的推荐产品的效率和准确性。
在一个实施例中，如图2所示，在步骤S103中，根据用户针对已评价产品的评价信息和产品之间的相似度，确定用户针对未评价产品的预测评价信息，具体包括如下内容：步骤S201，根据产品之间的相似度，确定出未评价产品与已评价产品之间的相似度；步骤S202，对用户针对已评价产品的评价信息，和未评价产品与已评价产品之间的相似度，进行融合处理，得到用户针对未评价产品的预测评价信息。
本实施例中，针对每一未评价产品，未评价产品与已评价产品之间的相似度，可以是未评价产品与一个或多个已评价产品之间的相似度。
具体的，终端根据产品之间的相似度，确定出各个未评价产品与一个或多个已评价产品之间的相似度；针对每一未评价产品，对用户针对已评价产品的评价信息，和未评价产品与一个或多个已评价产品之间的相似度，进行融合处理，得到用户针对未评价产品的预测评价信息。
示例性的，终端根据产品之间的相似度，确定出各个未评价产品与对应的目标已评价产品(可以是一个或多个已评价产品)之间的相似度；针对每一未评价产品，将对应的目标已评价产品的评分与对应的相似度进行相乘处理，得到该未评价产品的预测子评分，将该未评价产品的各预测子评分进行平均值处理，得到该未评价产品的预测评分；将各未评价产品的预测评分，作为用户针对未评价产品的预测评价信息。
本实施例的技术方案，通过先确定出未评价产品与已评价产品之间的相似度，再对已评价产品的评价信息和相似度进行融合处理，有利于更准确地得到用户针对未评价产品的预测评价信息，从而有利于后续提高确定针对用户的推荐产品的准确性。
在一个实施例中，上述步骤S104，在根据用户针对未评价产品的预测评价信息，从未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对用户的推荐产品之前，还包括确定用户针对未评价产品的更新后的预测评价信息的步骤，具体包括如下内容：根据历史产品推荐结果，对历史用户的属性信息和历史产品的属性信息进行识别，得到属性信息匹配表；属性信息匹配表用于表示历史用户的属性信息与历史产品的属性信息之间的历史匹配度；利用属性信息匹配表，对用户的属性信息和未评价产品的属性信息进行识别，得到用户的属性信息与未评价产品的属性信息之间的预测匹配度；利用用户的属性信息与未评价产品的属性信息之间的预测匹配度，对用户针对未评价产品的预测评价信息进行更新，得到用户针对未评价产品的更新后的预测评价信息；在步骤S104中，根据用户针对未评价产品的预测评价信息，从未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对用户的推荐产品，具体包括如下内容：根据用户针对未评价产品的更新后的预测评价信息，从未评价产品中，筛选出对应的更新后的预测评价信息满足预设评价条件的产品，作为针对用户的推荐产品。
本实施例中，历史产品推荐结果可以是产品推荐的历史结果，可以包括产品推荐的历史成功结果和历史失败结果，例如，历史产品推荐结果中可以包含历史用户的属性信息、历史产品的属性信息和历史产品推荐是否成功的结果(如历史产品推荐是否成功的结果包括历史用户选择历史产品和历史用户不选择历史产品)；历史匹配度可以用于表示历史用户的属性信息与历史产品的属性信息之间的关联匹配度，其中关联匹配度可以用于表示历史用户选择历史产品的概率；用户的属性信息与未评价产品的属性信息之间的预测匹配度可以用于表示预测得到的用户的属性信息与未评价产品的属性信息之间的关联度。
具体的，终端根据历史产品推荐结果，对历史用户的属性信息和历史产品的属性信息进行识别，得到用于表示历史用户的属性信息与历史产品的属性信息之间的历史匹配度的属性信息匹配表；利用属性信息匹配表，对用户的属性信息和未评价产品的属性信息进行识别，得到用户的属性信息与未评价产品的属性信息之间的预测匹配度；利用用户的属性信息与未评价产品的属性信息之间的预测匹配度，对用户针对未评价产品的预测评价信息进行更新优化，得到用户针对未评价产品的更新后的预测评价信息；根据用户针对未评价产品的更新后的预测评价信息，从未评价产品中，筛选出对应的更新后的预测评价信息满足预设评价条件的未评价产品，将筛选出的部分未评价产品，作为针对用户的推荐产品。
本实施例的技术方案，通过预测出用户的属性信息与产品的属性信息之间的预测匹配度，利用预测匹配度对用户针对未评价产品的预测评价信息进行更新，有利于得到更准确的更新后的预测评价信息；从未评价产品中，筛选出对应的更新后的预测评价信息满足预设评价条件的产品，作为针对用户的推荐产品，从而有利于提高确定针对用户的推荐产品的准确性。
在一个实施例中，如图3所示，在步骤S101中，获取产品的属性信息，具体包括如下内容：步骤S301，根据历史产品推荐结果，从产品的基础属性维度中，筛选出产品的目标属性维度；步骤S302，获取产品的目标属性维度的信息，识别为产品的属性信息。
本实施例中，产品的基础属性维度可以包括产品的名称维度、类型维度、期限维度、收益率维度、风险维度等；目标属性维度可以是一个或多个基础属性维度。
具体的，终端根据历史产品推荐结果，从产品的基础属性维度中，筛选出影响产品推荐的基础属性维度，作为产品的目标属性维度；获取产品的目标属性维度的信息，将产品的目标属性维度的信息，作为产品的属性信息。
本实施例的技术方案，通过筛选出产品的部分基础属性维度，获取部分基础属性维度的信息作为产品的属性信息，有利于获取到更准确的产品的属性信息，从而有利于后续提高确定针对用户的推荐产品的准确性。
在一个实施例中，如图4所示，在步骤S102中，根据产品的属性信息，确定产品之间的相似度，具体包括如下内容：步骤S401，根据产品的属性信息，识别出产品在各目标属性维度下的子相似度；步骤S402，对产品在各目标属性维度下的子相似度，进行融合处理，得到产品之间的相似度。
本实施例中，产品在各目标属性维度下的子相似度，可以是针对在不同目标属性维度下的产品的相似度，例如类型相似度、期限相似度等。
具体的，终端根据产品的属性信息，识别出针对在不同目标属性维度下的产品的相似度，作为产品在各目标属性维度下的子相似度；对产品在各目标属性维度下的子相似度，进行融合处理(如加权融合处理或加权平均处理)，得到产品之间的相似度。
本实施例的技术方案，通过先确定出产品在各目标属性维度下的子相似度，再对各子相似度进行融合，得到产品之间的相似度，有利于得到更准确的产品之间的相似度，从而有利于后续提高确定针对用户的推荐产品的准确性。
在一个实施例中，如图5所示，上述步骤S104，在根据用户针对未评价产品的预测评价信息，从未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对用户的推荐产品之后，还包括生成推荐产品的推荐列表的步骤，具体包括如下内容：步骤S501，根据用户针对推荐产品的预测评价信息，确定推荐产品的推荐度；步骤S502，根据推荐产品的推荐度，对推荐产品进行排序，得到推荐产品的推荐顺序；步骤S503，根据推荐产品的推荐顺序，生成推荐产品的推荐列表。
本实施例中，推荐度可以通过数值的方式来表示；推荐产品的推荐顺序可以是从推荐度高到推荐度低排序的推荐产品的顺序。
具体的，终端根据用户针对推荐产品的预测评价信息，确定出用户针对推荐产品的预测评分，将推荐产品的预测评分作为推荐产品的推荐度；按照推荐产品的推荐度的大小，对推荐产品进行排序，得到推荐产品的推荐顺序；按照推荐产品的推荐顺序，生成对应的推荐产品的推荐列表，将推荐产品的推荐列表推送至用户端。
本实施例的技术方案，根据用户针对推荐产品的预测评价信息，生成推荐产品的推荐列表，有利于得到更准确的推荐产品的相关信息，从而有利于提高确定针对用户的推荐产品的相关信息的准确性。
在一个实施例中，在步骤S101中，获取产品的属性信息，以及用户针对产品中的已评价产品的评价信息，具体包括如下内容：获取产品的初始属性信息，以及用户针对产品中的已评价产品的初始评价信息；分别对产品的初始属性信息，以及用户针对已评价产品的初始评价信息进行预处理，得到产品的属性信息，以及用户针对已评价产品的评价信息；预处理包括信息清洗处理、信息去重处理、信息缺失值处理、信息转换处理和信息离散化处理中的一种或者多种。
本实施例中，产品的初始属性信息可以是直接获取的未进行预处理的产品的属性信息；用户针对产品中的已评价产品的初始评价信息，可以是直接获取的未进行预处理的已评价产品的评价信息。
具体的，终端获取产品的初始属性信息，以及用户针对产品中的已评价产品的初始评价信息；分别对产品的初始属性信息，以及用户针对已评价产品的初始评价信息，进行信息清洗处理、信息去重处理、信息缺失值处理、信息转换处理和/或信息离散化处理，得到预处理后的产品的属性信息，以及预处理后的用户针对已评价产品的评价信息。
本实施例的技术方案，通过对产品的初始属性信息，以及用户针对产品中的已评价产品的初始评价信息，进行预处理，有利于得到更准确的产品的属性信息，以及更准确的用户针对产品中的已评价产品的评价信息，从而有利于后续提高确定针对用户的推荐产品的准确性。
以下以一个实施例说明本申请提供的产品推荐方法，本实施例以该方法应用于终端进行举例说明，主要步骤包括：
第一步，终端根据历史产品推荐结果，从产品的基础属性维度中，筛选出产品的目标属性维度；获取产品的目标属性维度的信息，以及用户针对产品中的已评价产品的初始评价信息；分别对产品的目标属性维度的信息，以及用户针对已评价产品的初始评价信息进行预处理，得到产品的属性信息，以及用户针对已评价产品的评价信息；预处理包括信息清洗处理、信息去重处理、信息缺失值处理、信息转换处理和信息离散化处理中的一种或者多种。
第二步，终端根据产品的属性信息，识别出产品在各目标属性维度下的子相似度；对产品在各目标属性维度下的子相似度，进行融合处理，得到产品之间的相似度。
第三步，终端根据产品之间的相似度，确定出未评价产品与已评价产品之间的相似度；对用户针对已评价产品的评价信息，和未评价产品与已评价产品之间的相似度，进行融合处理，得到用户针对未评价产品的预测评价信息。
第四步，终端根据历史产品推荐结果，对历史用户的属性信息和历史产品的属性信息进行识别，得到属性信息匹配表；属性信息匹配表用于表示历史用户的属性信息与历史产品的属性信息之间的历史匹配度；利用属性信息匹配表，对用户的属性信息和未评价产品的属性信息进行识别，得到用户的属性信息与未评价产品的属性信息之间的预测匹配度；利用用户的属性信息与未评价产品的属性信息之间的预测匹配度，对用户针对未评价产品的预测评价信息进行更新，得到用户针对未评价产品的更新后的预测评价信息。
第五步，终端根据用户针对未评价产品的更新后的预测评价信息，从未评价产品中，筛选出对应的更新后的预测评价信息满足预设评价条件的产品，作为针对用户的推荐产品。
第六步，终端根据用户针对推荐产品的预测评价信息，确定推荐产品的推荐度；根据推荐产品的推荐度，对推荐产品进行排序，得到推荐产品的推荐顺序；根据推荐产品的推荐顺序，生成推荐产品的推荐列表。
其中，产品中还包括未评价产品，产品为金融产品。
本实施例的技术方案，通过获取产品的属性信息，以及用户针对产品中的已评价产品的评价信息，从而得到已评价产品的属性信息和评价信息，以及未评价产品的属性信息；根据产品的属性信息，确定产品之间的相似度，从而确定出已评价产品和未评价产品之间的相似度；根据用户针对已评价产品的评价信息和产品之间的相似度，确定用户针对未评价产品的预测评价信息，从而快速并准确地预测出用户对未评价产品的评价；根据用户针对未评价产品的预测评价信息，从未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对用户的推荐产品，从而快速并准确地筛选出针对用户的推荐产品，从而有利于提高确定针对用户的推荐产品的效率和准确性。
以下以一个应用实例说明本申请提供的产品推荐方法，本应用实例以该方法应用于终端进行举例说明，主要步骤包括：
第一步，终端获取产品信息和用户信息。
第二步，终端对产品信息和用户信息进行预处理(包括数据清洗处理、数据去重处理、数据缺失值处理、数据转换处理和/或数据离散化处理)。
其中，数据清洗：数据清洗是消除数据集中的错误、重复和不一致的过程；这包括检查并修正数据中的拼写错误、语法错误、格式不一致等问题；例如，需确保所有数据采用相同的单位和格式。数据去重处理：去重是将数据集中的重复记录删除的过程；由于各种原因，数据集可能包含多个相同或相似的记录；例如，通过函数对数据集进行去重。数据缺失值处理：在实际应用中，数据集可能存在缺失值，缺失值处理的目的是用合理的方法填补这些缺失值，以避免对后续分析造成不良影响；常用的缺失值处理方法有：删除含有缺失值的记录、用平均值或中位数填充、基于相似度的填充等；使用函数进行缺失值填充，或使用插值方法处理数据集中的缺失值，如使用均值、中位数或众数进行填充。数据转换处理：数据转换是将原始数据转换为适合分析和建模的格式的过程；数据转换可能包括将分类变量转换为数值型变量、对连续变量进行标准化或归一化等；使用库的相关函数将原始数据转换为适合分析和建模的格式，如将字符串转换为数值类型、将分类变量转换为独热编码等。数据离散化处理：对于连续型变量，可以通过离散化处理，将其划分为不同的区间或分类；离散化有助于简化数据结构，提高计算效率，同时可以减小数据噪声对推荐结果的影响；例如使用库的函数将连续型变量进行离散化处理。经过以上数据预处理步骤，原始数据集将得到整理和优化，为后续的推荐算法计算和模型构建提供高质量的数据输入。
第三步，终端进行特征筛选。
具体的，终端计算各个特征之间的相关系数矩阵，相关系数矩阵可以用来衡量不同特征之间的相关程度，其值的范围为-1到1，相关系数越大，表示两个特征之间的相关性越强；根据相关系数矩阵中各个特征与目标特征之间的相关系数大小，选取相关性较强的特征子集作为最佳特征子集；将筛选出的最佳特征子集输入到协同过滤算法中，进行产品推荐(同时得到用户的属性信息与未评价产品的属性信息之间的预测匹配度)。
其中，特征筛选的目的是找到对于产品推荐准确性影响较大的因素，可使用基于过滤法的特征筛选方式，可以快速筛选出对于产品推荐准确性影响较大的特征子集，并且计算量较小，计算速度快。
第四步，终端构建产品-用户矩阵。
其中，产品-用户矩阵是协同过滤算法的核心数据结构。
具体的，终端使用库从筛选后的数据中提取用户对产品的评分，将数据存储在一个合适的数据结构中；找出数据集中的唯一用户标识和产品标识，以确定产品-用户矩阵的大小；创建一个全零矩阵，用于存储产品-用户评分；为用户标识和产品标识创建一个映射关系，以便在矩阵中定位对应的元素；遍历数据集中的每个评分记录，并将评分值填充到产品-用户矩阵中，矩阵的行表示金融产品，列表示用户，矩阵元素表示用户对产品的评分。
第五步，终端计算产品之间的相似度。
具体的，终端计算向量模长：对于产品-用户矩阵中的每个产品向量，计算其模长，模长计算公式如下：
||Vi||＝sqrt(Vi*Vi·T)
其中，Vi表示i产品的向量表示，*表示向量点积，Vi·T表示向量的转置。终端计算余弦相似度：使用以下公式计算两个金融产品向量之间的余弦相似度：
其中，sim(i，j)表示物品i和物品j之间的相似度，Vi和Vj分别表示物品i和物品j的向量表示，*表示向量点积，||Vi||和||Vj||分别表示向量的模长。终端计算所有产品对的相似度：遍历产品-用户矩阵中的所有产品对，使用上述方法计算它们之间的余弦相似度，将相似度存储在一个新的矩阵中，该矩阵的行和列分别对应不同的产品。
第六步，终端为用户推荐相似产品。
具体的，终端找到目标用户的历史信息：从产品-用户矩阵中提取目标用户的历史信息，包括产品评分；计算预测评分：遍历用户历史信息中的产品，使用以下公式计算用户对其他产品的预测评分：
其中，R(U，A)表示用户U对产品A的预测评分，sim(A，B)表示产品A和B之间的相似度，R(U，B)表示用户U对产品B的实际评分，Σ表示求和；对候选产品按预测得分进行排序：对每个用户的候选产品集，按照预测得分进行降序排序，得分较高的产品更可能适合用户，这里使用函数将预测评分按降序排列，选择评分最高的前N(N为可设置的值)个产品作为推荐结果。
第七步，终端生成推荐列表。
具体的，终端为每个用户生成推荐列表：根据上一步骤中计算得到的推荐结果，为每个用户生成一个推荐列表，包括推荐的产品及其预测评分；输出推荐列表：将生成的推荐列表展示给用户，便于用户了解和选择合适的产品，可以通过网站、移动应用或其他途径向用户展示推荐列表。
本应用实例的技术方案，实现提高产品推荐的准确性：利用协同过滤算法，准确地为用户提供个性化推荐；缓解数据稀疏问题：通过数据预处理和特征筛选，能够降低数据稀疏性，提高推荐系统的稳定性和准确性；降低计算复杂性：通过对数据进行特征筛选，优化了数据特征变量，降低了计算复杂性，使得推荐算法在大规模数据场景下具有较好的性能；提升个性化程度：综合考虑了用户与产品之间的多维度关系，为用户提供更符合其需求的产品推荐；提高用户满意度和产品转化率：通过为用户提供个性化的产品推荐，有助于提高用户满意度，增加产品的转化率；易于扩展和适应性强：在处理产品推荐时具有良好的适应性，且可轻松扩展到其他金融领域，具有广泛的应用前景。
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，该装置600可以包括：
信息获取模块601，用于获取产品的属性信息，以及用户针对产品中的已评价产品的评价信息；产品中还包括未评价产品，产品为金融产品；
第一确定模块602，用于根据产品的属性信息，确定产品之间的相似度；
第二确定模块603，用于根据用户针对已评价产品的评价信息和产品之间的相似度，确定用户针对未评价产品的预测评价信息；
产品筛选模块604，用于根据用户针对未评价产品的预测评价信息，从未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对用户的推荐产品。
在一个实施例中，第二确定模块603，还用于根据产品之间的相似度，确定出未评价产品与已评价产品之间的相似度；对用户针对已评价产品的评价信息，和未评价产品与已评价产品之间的相似度，进行融合处理，得到用户针对未评价产品的预测评价信息。
在一个实施例中，该装置600还包括：信息更新模块，用于根据历史产品推荐结果，对历史用户的属性信息和历史产品的属性信息进行识别，得到属性信息匹配表；属性信息匹配表用于表示历史用户的属性信息与历史产品的属性信息之间的历史匹配度；利用属性信息匹配表，对用户的属性信息和未评价产品的属性信息进行识别，得到用户的属性信息与未评价产品的属性信息之间的预测匹配度；利用用户的属性信息与未评价产品的属性信息之间的预测匹配度，对用户针对未评价产品的预测评价信息进行更新，得到用户针对未评价产品的更新后的预测评价信息；产品筛选模块604，还用于根据用户针对未评价产品的更新后的预测评价信息，从未评价产品中，筛选出对应的更新后的预测评价信息满足预设评价条件的产品，作为针对用户的推荐产品。
在一个实施例中，信息获取模块601，还用于根据历史产品推荐结果，从产品的基础属性维度中，筛选出产品的目标属性维度；获取产品的目标属性维度的信息，识别为产品的属性信息。
在一个实施例中，第一确定模块602，还用于根据产品的属性信息，识别出产品在各目标属性维度下的子相似度；对产品在各目标属性维度下的子相似度，进行融合处理，得到产品之间的相似度。
在一个实施例中，该装置600还包括：列表生成模块，用于根据用户针对推荐产品的预测评价信息，确定推荐产品的推荐度；根据推荐产品的推荐度，对推荐产品进行排序，得到推荐产品的推荐顺序；根据推荐产品的推荐顺序，生成推荐产品的推荐列表。
在一个实施例中，信息获取模块601，还用于获取产品的初始属性信息，以及用户针对产品中的已评价产品的初始评价信息；分别对产品的初始属性信息，以及用户针对已评价产品的初始评价信息进行预处理，得到产品的属性信息，以及用户针对已评价产品的评价信息；预处理包括信息清洗处理、信息去重处理、信息缺失值处理、信息转换处理和信息离散化处理中的一种或者多种。
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。
需要说明的是，本申请提供的产品推荐的方法和装置可用于金融领域涉及产品推荐的应用领域中，也可用于除金融领域之外的任意领域涉及产品推荐的处理中，本申请提供的产品推荐的方法和装置的应用领域不做限定。
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7所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。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、显示单元和输入装置通过输入/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产品推荐方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
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 (11)
1.一种产品推荐方法，其特征在于，所述方法包括：
获取产品的属性信息，以及用户针对所述产品中的已评价产品的评价信息；所述产品中还包括未评价产品，所述产品为金融产品；
根据所述产品的属性信息，确定所述产品之间的相似度；
根据所述用户针对所述已评价产品的评价信息和所述产品之间的相似度，确定所述用户针对所述未评价产品的预测评价信息；
根据所述用户针对所述未评价产品的预测评价信息，从所述未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对所述用户的推荐产品。
2.根据权利要求1所述的方法，其特征在于，所述根据所述用户针对所述已评价产品的评价信息和所述产品之间的相似度，确定所述用户针对所述未评价产品的预测评价信息，包括：
根据所述产品之间的相似度，确定出所述未评价产品与所述已评价产品之间的相似度；
对所述用户针对所述已评价产品的评价信息，和所述未评价产品与所述已评价产品之间的相似度，进行融合处理，得到所述用户针对所述未评价产品的预测评价信息。
3.根据权利要求1所述的方法，其特征在于，在根据所述用户针对所述未评价产品的预测评价信息，从所述未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对所述用户的推荐产品之前，还包括：
根据历史产品推荐结果，对历史用户的属性信息和历史产品的属性信息进行识别，得到属性信息匹配表；所述属性信息匹配表用于表示所述历史用户的属性信息与所述历史产品的属性信息之间的历史匹配度；
利用所述属性信息匹配表，对所述用户的属性信息和所述未评价产品的属性信息进行识别，得到所述用户的属性信息与所述未评价产品的属性信息之间的预测匹配度；
利用所述用户的属性信息与所述未评价产品的属性信息之间的预测匹配度，对所述用户针对所述未评价产品的预测评价信息进行更新，得到所述用户针对所述未评价产品的更新后的预测评价信息；
所述根据所述用户针对所述未评价产品的预测评价信息，从所述未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对所述用户的推荐产品，包括：
根据所述用户针对所述未评价产品的更新后的预测评价信息，从所述未评价产品中，筛选出对应的更新后的预测评价信息满足预设评价条件的产品，作为针对所述用户的推荐产品。
4.根据权利要求1所述的方法，其特征在于，所述获取产品的属性信息，包括：
根据历史产品推荐结果，从产品的基础属性维度中，筛选出所述产品的目标属性维度；
获取所述产品的目标属性维度的信息，识别为所述产品的属性信息。
5.根据权利要求4所述的方法，其特征在于，所述根据所述产品的属性信息，确定所述产品之间的相似度，包括：
根据所述产品的属性信息，识别出所述产品在各所述目标属性维度下的子相似度；
对所述产品在各所述目标属性维度下的子相似度，进行融合处理，得到所述产品之间的相似度。
6.根据权利要求1所述的方法，其特征在于，在根据所述用户针对所述未评价产品的预测评价信息，从所述未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对所述用户的推荐产品之后，还包括：
根据所述用户针对所述推荐产品的预测评价信息，确定所述推荐产品的推荐度；
根据所述推荐产品的推荐度，对所述推荐产品进行排序，得到所述推荐产品的推荐顺序；
根据所述推荐产品的推荐顺序，生成所述推荐产品的推荐列表。
7.根据权利要求1所述的方法，其特征在于，所述获取产品的属性信息，以及用户针对所述产品中的已评价产品的评价信息，包括：
获取产品的初始属性信息，以及用户针对所述产品中的已评价产品的初始评价信息；
分别对所述产品的初始属性信息，以及所述用户针对所述已评价产品的初始评价信息进行预处理，得到所述产品的属性信息，以及所述用户针对所述已评价产品的评价信息；所述预处理包括信息清洗处理、信息去重处理、信息缺失值处理、信息转换处理和信息离散化处理中的一种或者多种。
8.一种产品推荐装置，其特征在于，所述装置包括：
信息获取模块，用于获取产品的属性信息，以及用户针对所述产品中的已评价产品的评价信息；所述产品中还包括未评价产品，所述产品为金融产品；
第一确定模块，用于根据所述产品的属性信息，确定所述产品之间的相似度；
第二确定模块，用于根据所述用户针对所述已评价产品的评价信息和所述产品之间的相似度，确定所述用户针对所述未评价产品的预测评价信息；
产品筛选模块，用于根据所述用户针对所述未评价产品的预测评价信息，从所述未评价产品中，筛选出对应的预测评价信息满足预设评价条件的产品，作为针对所述用户的推荐产品。
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 |
|---|---|---|---|
| CN202310563336.8A CN116562981A (zh) | 2023-05-18 | 2023-05-18 | 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 |
|---|---|---|---|
| CN202310563336.8A CN116562981A (zh) | 2023-05-18 | 2023-05-18 | 产品推荐方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116562981A true CN116562981A (zh) | 2023-08-08 |
Family
ID=87499848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310563336.8A Pending CN116562981A (zh) | 2023-05-18 | 2023-05-18 | 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) | CN116562981A (zh) |
-
2023
- 2023-05-18 CN CN202310563336.8A patent/CN116562981A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110390052B (zh) | 搜索推荐方法、ctr预估模型的训练方法、装置及设备 | |
| CN112364204B (zh) | 视频搜索方法、装置、计算机设备及存储介质 | |
| CN109241442B (zh) | 基于预测值填充的项目推荐方法、可读存储介质和终端 | |
| CN112711713B (zh) | 兴趣点推荐和展示方法、装置、计算机设备和存储介质 | |
| CN112330442A (zh) | 基于超长行为序列的建模方法及装置、终端、存储介质 | |
| CN104008204A (zh) | 一种动态的多维情境感知电影推荐系统及其实现方法 | |
| CN110851708B (zh) | 负样本的抽取方法、装置、计算机设备和存储介质 | |
| Compiani et al. | Demand estimation with text and image data | |
| CN114429384B (zh) | 基于电商平台的产品智能推荐方法及系统 | |
| CN116383441A (zh) | 社群检测方法、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 | |
| CN116562981A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
| CN113469819A (zh) | 基金产品的推荐方法、相关装置及计算机存储介质 | |
| CN113297472A (zh) | 发布视频内容、商品对象信息的方法、装置及电子设备 | |
| US11989660B1 (en) | Transaction entity prediction with a global list | |
| CN109241443A (zh) | 基于预测值填充的项目推荐装置 | |
| CN117891811B (zh) | 一种客户数据采集分析方法、装置及云服务器 | |
| CN113420214B (zh) | 一种电子交易对象推荐方法和装置及设备 | |
| CN117436974A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
| CN117094828A (zh) | 金融产品推荐方法、装置、计算机设备和存储介质 | |
| CN117390221A (zh) | 手机银行中视频推荐方法、装置、计算机设备和存储介质 | |
| CN116881543A (zh) | 金融资源对象推荐方法、装置、设备、存储介质和产品 | |
| CN116880886A (zh) | 产品推荐模型的更新方法和装置 | |
| CN118227677A (zh) | 信息推荐及信息推荐模型处理方法、装置、设备和介质 | |
| CN116934001A (zh) | 账户资源确定方法、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 |