CN116629966A - 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
CN116629966A
CN116629966A CN202310590878.4A CN202310590878A CN116629966A CN 116629966 A CN116629966 A CN 116629966A CN 202310590878 A CN202310590878 A CN 202310590878A CN 116629966 A CN116629966 A CN 116629966A
Authority
CN
China
Prior art keywords
product
user
information
vector
recommended
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
CN202310590878.4A
Other languages
English (en)
Inventor
李文佳
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 CN202310590878.4A priority Critical patent/CN116629966A/zh
Publication of CN116629966A publication Critical patent/CN116629966A/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
    • 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
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • 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

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

Abstract

本发明涉及人工智能技术，揭露一种可用于金融保险产品的产品推荐方法，包括：任意选取用户产品推荐信息集中的一个用户产品推荐信息，得到目标产品推荐信息；将目标产品推荐信息转化为输入向量，将输入向量进行输入特征dropout后输入产品推荐模型，得到推荐预测值，并基于产品推荐标签及推荐预测值计算损失值；当损失值不小于预设损失阈值，对产品模型进行模型参数调整，并返回用户产品推荐信息选取步骤；当损失值小于预设损失阈值，输出产品推荐模型，得到目标产品推荐模型；当接收到产品推荐请求时，基于目标产品模型对待推荐产品进行筛选推荐。本发明还提出一种产品推荐装置、设备以及介质，可应用于金融领域，提高财产保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及金融科技领域，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
随着经济的发展，为了提升用户保险产品的购买体验，给用户推荐符合用户保险需求的保险产品，需要根据用户的特征进行保险产品的针对性推荐，如：保险公司将推荐合适的财产保险产品给用户。
为了更好的对用户进行财产保险等保险产品推荐，需要利用用户的基本特征和偏好特征、产品的基本特征和偏好特征训练模型进行保险产品推荐，由于偏好特征是保险产品推荐不断积累反馈得到得到，因此，当保险产品冷启动推荐时，缺少偏好特征时，模型无法泛化适应，导致财产保险等保险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财产保险等保险产品推荐的准确率。
获取用户产品推荐信息集，其中，每个所述用户产品推荐信息都有对应的产品推荐标签，所述用户产品推荐信息，包括：用户特征信息及产品特征信息；
获取包括用户特征提取网络及产品特征提取网络的产品推荐模型，任意选取所述用户产品推荐信息集中的一个用户产品推荐信息，得到目标用户产品推荐信息；
对所述目标用户产品推荐信息中的用户特征信息进行偏好特征丢弃转换，并利用所述用户特征提取网络对转换后的用户特征信息进行特征提取，得到用户特征向量；
对所述目标用户产品推荐信息中的产品特征信息进行偏好特征丢弃转换，得到产品输入特征向量，并利用所述产品特征提取网络对所述产品输入特征向量进行特征提取，得到产品特征向量；
计算所述用户特征向量与所述产品特征向量的向量相似度，并基于所述产品推荐标签及所述向量相似度计算模型损失值；
当所述模型损失值不小于预设损失阈值，对所述产品模型进行模型参数调整，并返回所述任意选取所述用户产品推荐信息集中的一个用户产品推荐信息步骤；
当所述模型损失值小于预设损失阈值，输出产品推荐模型，得到目标产品推荐模型；
当接收到待推荐用户的产品推荐请求时，基于所述产品推荐请求中每个待推荐产品的产品信息及待推荐用户的待推荐用户信息，利用所述目标产品推荐模型计算每个所述产品信息与所述待推荐用户信息之间的推荐系数；
根据所述推荐系数对所有所述待推荐产品进行筛选，并将筛选的待推荐产品推荐至所述待推荐用户的预设终端设备。
可选地，所述对所述目标用户产品推荐信息中的用户特征信息进行偏好特征丢弃转换，并利用所述用户特征提取网络对转换后的用户特征信息进行特征提取，得到用户特征向量，包括：
提取所述目标用户产品推荐信息中的用户特征信息，得到目标用户特征信息；
提取所述目标用户特征信息中的用户基本信息，得到目标用户基本信息；
提取所述目标用户特征信息中的用户偏好信息，得到目标用户偏好信息；
将所述目标用户基本信息转化为向量，得到用户基本信息输入向量；
将所述目标用户偏好信息转化为向量，并将转化的向量进行特征丢弃，得到用户偏好信息输入向量；
利用所述用户特征提取网络中的第一全连接层对所述用户基本信息输入向量进行特征提取，得到用户基本特征向量；
利用所述用户特征提取网络中的第二全连接层对所述用户偏好信息输入向量进行特征提取，得到用户偏好特征向量；
将所述用户基本特征向量与所述用户偏好特征向量进行向量拼接，得到初始用户特征向量；
利用所述用户特征提取网络中的第三全连接层对所述初始用户特征向量进行特征提取，得到所述用户特征向量。
可选地，所述将所述目标用户偏好信息转化为向量，并将转化的向量进行特征丢弃，得到用户偏好信息输入向量，包括：
将所述用户目标偏好信息转化为向量，得到初始用户偏好信息输入向量；
将所述初始用户偏好信息输入向量中的元素转化为零，得到所述用户偏好信息输入向量。
可选地，所述对所述目标用户产品推荐信息中的产品特征信息进行偏好特征丢弃转换，得到产品输入特征向量，并利用所述产品特征提取网络对所述产品输入特征向量进行特征提取，得到产品特征向量，包括：
提取所述目标产品产品推荐信息中的产品特征信息，得到目标产品特征信息；
提取所述目标产品特征信息中的产品基本信息，得到目标产品基本信息；
提取所述目标产品特征信息中的产品偏好信息，得到目标产品偏好信息；
将所述目标产品基本信息转化为向量，得到产品基本信息输入向量；
将所述目标产品偏好信息转化为向量，并将转化的向量进行特征丢弃，得到产品偏好信息输入向量；
利用所述产品特征提取网络中的第一全连接层对所述产品基本信息输入向量进行特征提取，得到产品基本特征向量；
利用所述产品特征提取网络中的第二全连接层对所述产品偏好信息输入向量进行特征提取，得到产品偏好特征向量；
将所述产品基本特征向量与所述产品偏好特征向量进行向量拼接，得到初始产品特征向量；
利用所述产品特征提取网络中的第三全连接层对所述初始产品特征向量进行特征提取，得到所述产品特征向量。
可选地，所述将所述目标产品偏好信息转化为向量，并将转化的向量进行特征丢弃，得到产品偏好信息输入向量，包括：
将所述产品目标偏好信息转化为向量，得到初始产品偏好信息输入向量；
将所述初始产品偏好信息输入向量中的元素转化为零，得到所述产品偏好信息输入向量。
可选地，所述利用所述目标产品推荐模型计算每个所述产品信息与所述待推荐用户信息之间的推荐系数，包括：
利用所述目标产品推荐模型中的用户特征提取网络对所述待推荐用户信息进行特征提取，得到待推荐用户信息特征向量；
利用所述目标产品推荐模型中的产品特征提取网络对所述产品信息进行特征提取，得到产品信息特征向量；
计算所述待推荐用户信息特征向量与所述产品信息特征向量的向量相似度，得到所述推荐系数。
可选地，所述利用所述目标产品推荐模型中的用户特征提取网络对所述待推荐用户信息进行特征提取，得到待推荐用户信息特征向量，包括：
提取所述待推荐用户信息中的待推荐用户基本信息，得到第一待推荐用户信息；
提取所述待推荐用户信息中的待推荐用户偏好信息，得到第二待推荐用户信息；
将所述第一待推荐用户信息转化为向量，得到第一待推荐用户信息向量；
将所述第二待推荐用户信息转化为向量，得到第二待推荐用户信息向量；
基于所述第一待推荐用户信息向量及所述第二待推荐用户信息向量，利用所述目标待推荐用户推荐模型中的用户特征提取网络进行特征提取，得到所述待推荐用户信息特征向量。
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：
数据获取模块，用于获取用户产品推荐信息集，其中，每个所述用户产品推荐信息都有对应的产品推荐标签，所述用户产品推荐信息，包括：用户特征信息及产品特征信息；
模型训练模块，用于获取包括用户特征提取网络及产品特征提取网络的产品推荐模型，任意选取所述用户产品推荐信息集中的一个用户产品推荐信息，得到目标用户产品推荐信息；对所述目标用户产品推荐信息中的用户特征信息进行偏好特征丢弃转换，并利用所述用户特征提取网络对转换后的用户特征信息进行特征提取，得到用户特征向量；对所述目标用户产品推荐信息中的产品特征信息进行偏好特征丢弃转换，得到产品输入特征向量，并利用所述产品特征提取网络对所述产品输入特征向量进行特征提取，得到产品特征向量；计算所述用户特征向量与所述产品特征向量的向量相似度，并基于所述产品推荐标签及所述向量相似度计算模型损失值；当所述模型损失值不小于预设损失阈值，对所述产品模型进行模型参数调整，并返回所述任意选取所述用户产品推荐信息集中的一个用户产品推荐信息步骤；当所述模型损失值小于预设损失阈值，输出产品推荐模型，得到目标产品推荐模型；
产品推荐模块，用于当接收到待推荐用户的产品推荐请求时，基于所述产品推荐请求中每个待推荐产品的产品信息及待推荐用户的待推荐用户信息，利用所述目标产品推荐模型计算每个所述产品信息与所述待推荐用户信息之间的推荐系数；根据所述推荐系数对所有所述待推荐产品进行筛选，并将筛选的待推荐产品推荐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。
本发明实施例对所述目标用户产品推荐信息中的用户特征信息进行偏好特征丢弃转换，并利用所述用户特征提取网络对转换后的用户特征信息进行特征提取，得到用户特征向量；对所述目标用户产品推荐信息中的产品特征信息进行偏好特征丢弃转换，得到产品输入特征向量，并利用所述产品特征提取网络对所述产品输入特征向量进行特征提取，得到产品特征向量；产品推荐模型训练时对用户和产品的偏好特征进行丢弃，以提高训练后的产品推荐模型在缺少用户及产品的偏好特征的冷启动环境下的泛化能力，提高基于训练后的产品推荐模型进行财产保险等保险产品推荐的准确率。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财产保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、获取用户产品推荐信息集，其中，每个所述用户产品推荐信息都有对应的产品推荐标签，所述用户产品推荐信息，包括：用户特征信息及产品特征信息；
本发明实施例中所述用户产品推荐信息集为用户产品推荐信息的集合，所述用户产品推荐信息为历史推荐的保险产品信息，所述产品推荐标签为对应的所述用户产品推荐信息中推荐的保险产品的产品推荐结果的标签可以为正样本推荐标签(如：推荐)也可以为负样本推荐标签(如：不推荐)。例如：用户产品推荐信息为历史推荐的保险产品A的产品信息，该用户产品推荐信息对应的产品推荐标签为用户对保险产品A的产品推荐结果，如推荐或不推荐。
具体地，本发明实施例中所述用户特征信息中包含用户基本特征信息及用户偏好特征信息两种类型的信息，所述用户基本信息为用户的基本固定的特征信息(如用户的年龄、性别)，所述用户偏好特征信息为用户喜好的保险产品类型(用户点击最多的保险产品类型、购买最多的保险产品类型)，因此，所述用户偏好特征信息需要在保险产品的推荐及用户的选择过程中不断积累；所述产品特征信息中包含产品基本特征信息及产品偏好特征信息两种类别的信息，产品基本信息为产品的基本固定的特征信息(如产品的保险类型、保额、参保条件、保险赔付条件等)，产品偏好特征信息为偏好该产品的用户特征信息(如喜欢购买该产品的用户类型)，因此，所述产品偏好特征信息需要在物品的推荐及用户的选择过程中不断积累。
S2、获取包括用户特征提取网络及产品特征提取网络的产品推荐模型，任意选取所述用户产品推荐信息集中的一个用户产品推荐信息，得到目标用户产品推荐信息；
本发明实施例中所述用户特征提取网络由三个全连接层构成，所述产品特征提取网络也由三个全连接层构成。
进一步地，本发明实施例中利用所述用户产品推荐信息集对所述产品推荐模型进行训练，因此，任意选取所述用户产品推荐信息集中的一个用户产品推荐信息，得到目标用户产品推荐信息，以利用所述用户产品推荐信息作为训练样本。
S3、对所述目标用户产品推荐信息中的用户特征信息进行偏好特征丢弃转换，并利用所述用户特征提取网络对转换后的用户特征信息进行特征提取，得到用户特征向量；
本发明实施例中由于用户特征信息中包含用户基本特征信息及用户偏好特征信息，所述用户基本信息为用户的基本固定的特征信息，所述用户偏好特征信息喜好产品类型，但是用户偏好特征信息需要在用户的日常的产品推荐反馈中不断积累的，当对用户冷启动推荐时用户的偏好特征信息可能是空的，因此，为了实现用户的冷启动推荐，使得模型学习缺少用户偏好特征信息的情况下进行冷启动推荐的能力，因此，在模型训练时对训练样本中的用户特征信息进行偏好特征丢弃，即将训练样本输入时丢弃其中的用户偏好特征信息，对所述目标用户产品推荐信息中的用户特征信息进行偏好特征丢弃转换，得到用户输入特征向量。
详细地，本发明实施例中所述S3，包括：
提取所述目标用户产品推荐信息中的用户特征信息，得到目标用户特征信息；
提取所述目标用户特征信息中的用户基本信息，得到目标用户基本信息；
提取所述目标用户特征信息中的用户偏好信息，得到目标用户偏好信息；
将所述目标用户基本信息转化为向量，得到用户基本信息输入向量；
将所述目标用户偏好信息转化为向量，并将转化的向量进行特征丢弃，得到用户偏好信息输入向量；
利用所述用户特征提取网络中的第一全连接层对所述用户基本信息输入向量进行特征提取，得到用户基本特征向量；
利用所述用户特征提取网络中的第二全连接层对所述用户偏好信息输入向量进行特征提取，得到所述用户偏好特征向量；
将所述用户基本特征向量与所述用户偏好特征向量进行向量拼接，得到初始用户特征向量；
利用所述用户特征提取网络中的第三全连接层对所述初始用户特征向量进行特征提取，得到所述用户特征向量。
进一步地，本发明实施例中所述将所述目标用户偏好信息转化为向量，并将转化的向量进行特征丢弃，得到用户偏好信息输入向量，包括：
将所述用户目标偏好信息转化为向量，得到初始用户偏好信息输入向量；
将所述初始用户偏好信息输入向量中的元素转化为零，得到所述用户偏好信息输入向量。
本发明另一实施例中所述将所述目标用户偏好信息转化为向量，并将转化的向量进行特征丢弃，得到用户偏好信息输入向量步骤，还可以用获取预设第一维度元素均为零的向量，得到用户偏好信息输入向量步骤进行替换。
S4、对所述目标用户产品推荐信息中的产品特征信息进行偏好特征丢弃转换，得到产品输入特征向量，并利用所述产品特征提取网络对所述产品输入特征向量进行特征提取，得到产品特征向量；
本发明实施例中由于产品特征信息中包含产品基本特征信息及产品偏好特征信息两种类别的信息，产品基本信息为产品的基本固定的特征信息，产品偏好特征信息为偏好该产品的用户特征信息，但是产品偏好特征信息需要在产品的日常的产品推荐反馈中不断积累的，当对产品冷启动推荐时产品的偏好特征信息可能是空的，因此，为了实现产品的冷启动推荐，使得模型学习缺少产品偏好特征信息的情况下进行冷启动推荐的能力，因此，在模型训练时对训练样本中的产品特征信息进行偏好特征丢弃，即将训练样本输入时丢弃其中的产品偏好特征信息，对所述目标产品产品推荐信息中的产品特征信息进行偏好特征丢弃转换，得到产品输入特征向量。
详细地，本发明实施例中所述S5，包括：
提取所述目标产品产品推荐信息中的产品特征信息，得到目标产品特征信息；
提取所述目标产品特征信息中的产品基本信息，得到目标产品基本信息；
提取所述目标产品特征信息中的产品偏好信息，得到目标产品偏好信息；
将所述目标产品基本信息转化为向量，得到产品基本信息输入向量；
将所述目标产品偏好信息转化为向量，并将转化的向量进行特征丢弃，得到产品偏好信息输入向量；
利用所述产品特征提取网络中的第一全连接层对所述产品基本信息输入向量进行特征提取，得到产品基本特征向量；
利用所述产品特征提取网络中的第二全连接层对所述产品偏好信息输入向量进行特征提取，得到所述产品偏好特征向量；
将所述产品基本特征向量与所述产品偏好特征向量进行向量拼接，得到初始产品特征向量；
利用所述产品特征提取网络中的第三全连接层对所述初始产品特征向量进行特征提取，得到所述产品特征向量。
进一步地，本发明实施例中所述将所述目标产品偏好信息转化为向量，并将转化的向量进行特征丢弃，得到产品偏好信息输入向量，包括：
将所述产品目标偏好信息转化为向量，得到初始产品偏好信息输入向量；
将所述初始产品偏好信息输入向量中的元素转化为零，得到所述产品偏好信息输入向量。
本发明另一实施例中所述将所述目标产品偏好信息转化为向量，并将转化的向量进行特征丢弃，得到产品偏好信息输入向量步骤，还可以用获取预设第二维度元素均为零的向量，得到产品偏好信息输入向量步骤进行替换。
S5、计算所述用户特征向量与所述产品特征向量的向量相似度，并基于所述产品推荐标签及所述向量相似度计算模型损失值；
本发明实施例中所述用户特征向量与所述产品特征向量的向量维度相同。
进一步地，本发明实施例中为了衡量模型训练的精确程度，基于所述产品推荐标签及所述向量相似度计算模型损失值。
具体地，本发明实施例中所述基于所述产品推荐标签及所述向量相似度计算模型损失值，包括：
根据所述产品推荐标签标签确定标签真实值；
基于预构建的损失函数，计算所述标签真实值与所述向量相似度之间的损失值，得到所述模型损失值。
例如：所述产品推荐标签为“推荐”，那么对应的标签真实值为1；所述产品推荐标签为“不推荐”，那么对应的标签真实值为0。
具体地，本发明实施例中所述损失函数可以为强化学习的目标函数，也可以为平方损失函数、指数损失函数、交叉熵损失函数等，本发明实施例对所述损失函数不做限制。
S6、判断所述模型损失值是否小于预设损失阈值；
本发明实施例中为了衡量所述模型的训练精度是否达到预设要求，因此，判断所述模型损失值是否小于预设损失值。
S7、当所述模型损失值不小于预设损失阈值，对所述产品模型进行模型参数调整，并返回所述任意选取所述用户产品推荐信息集中的一个用户产品推荐信息步骤；
本发明实施例中当所述模型损失值不小于预设损失阈值，说明模型的训练精度达到没有预设要求，因此，需要对产品推荐模型进行参数调整，并返回所述任意选取所述用户产品推荐信息集中的一个用户产品推荐信息步骤继续训练。
S8、当所述模型损失值小于预设损失阈值，输出产品推荐模型，得到目标产品推荐模型；
本发明实施例中当所述模型损失值小于预设损失阈值，说明模型的训练精度达到预设要求，输出产品推荐模型，得到所述目标产品推荐模型。
S9、当接收到待推荐用户的产品推荐请求时，基于所述产品推荐请求中每个待推荐产品的产品信息及待推荐用户的待推荐用户信息，利用所述目标产品推荐模型计算每个所述产品信息与所述待推荐用户信息之间的推荐系数；
本发明实施例中所述产品推荐请求为需要向待推荐用户推荐产品的请求(如推荐财产保险产品的请求)，所述产品推荐请求中包含可以推荐的每个待推荐产品(如财产保险产品等保险产品)的产品信息及待推荐用户的待推荐用户信息，其中，所述产品信息与所述用户特征信息类型相同内容不同，也包含用户基本信息与用户偏好信息两种类型的信息，其中，包含的用户偏好信息可以为空；所述产品信息与所述产品特征信息类型相同，内容不同，也包含产品基本信息与产品偏好信息两种类型的信息，其中，包含的产品偏好信息可以为空。
进一步地，本发明实施例中所述待推荐产品可以为保险产品(如财产保险产品)，为了对所述待推荐用户进行产品推荐，给待推荐用户推荐合适的保险产品(如财产保险产品)，利用所述目标产品推荐模型计算每个所述产品信息与所述待推荐用户信息之间的推荐系数，以衡量待推荐用户与待推荐产品的匹配程度，进而筛选出合适的保险产品推荐给所述待推荐用户。
具体地，本发明实施例中所述利用所述目标产品推荐模型计算每个所述产品信息与所述待推荐用户信息之间的推荐系数，包括：
利用所述目标产品推荐模型中的用户特征提取网络对所述待推荐用户信息进行特征提取，得到待推荐用户信息特征向量；
利用所述目标产品推荐模型中的产品特征提取网络对所述产品信息进行特征提取，得到产品信息特征向量；
计算所述待推荐用户信息特征向量与所述产品信息特征向量的向量相似度，得到所述推荐系数。
具体地，本发明实施例中所述利用所述目标产品推荐模型中的用户特征提取网络对所述待推荐用户信息进行特征提取，得到待推荐用户信息特征向量，包括：
提取所述待推荐用户信息中的待推荐用户基本信息，得到第一待推荐用户信息；
提取所述待推荐用户信息中的待推荐用户偏好信息，得到第二待推荐用户信息；
将所述第一待推荐用户信息转化为向量，得到第一待推荐用户信息向量；
将所述第二待推荐用户信息转化为向量，得到第二待推荐用户信息向量；
基于所述第一待推荐用户信息向量及所述第二待推荐用户信息向量，利用所述目标待推荐用户推荐模型中的用户特征提取网络进行特征提取，得到所述待推荐用户信息特征向量。
具体地，本发明实施例中所述基于所述第一待推荐用户信息向量及所述第二待推荐用户信息向量，基于所述目标待推荐用户推荐模型中的用户特征提取网络进行特征提取，得到所述待推荐用户信息特征向量，包括：
将所述目标待推荐用户推荐模型中的用户特征提取网络确定为目标用户特征提取网络；
利用所述目标用户特征提取网络中的第一全连接层对所述第一待推荐用户信息向量进行特征提取，得到第一待推荐用户特征向量；
利用所述目标用户特征提取网络中的第二全连接层对所述第一待推荐用户信息向量进行特征提取，得到第二待推荐用户特征向量；
将所述第一待推荐用户信息向量与所述第二待推荐用户信息向量进行向量拼接，得到初始待推荐用户特征向量；
利用所述目标用户特征提取网络中的第三全连接层对所述初始待推荐用户特征向量进行特征提取，得到所述待推荐用户特征向量。
详细地，本发明实施例中所述利用所述目标产品推荐模型中的产品特征提取网络对所述产品信息进行特征提取，得到产品信息特征向量，包括：
提取所述产品信息中的产品基本信息，得到第一产品信息；
提取所述产品信息中的产品偏好信息，得到第二产品信息；
将所述第一产品信息转化为向量，得到第一产品信息向量；
将所述第二产品信息转化为向量，得到第二产品信息向量；
基于所述第一产品信息向量及所述第二产品信息向量，基于所述目标产品推荐模型中的用户特征提取网络进行特征提取，得到所述产品信息特征向量。
具体地，本发明实施例中所述基于所述第一产品信息向量及所述第二产品信息向量，基于所述目标产品推荐模型中的用户特征提取网络进行特征提取，得到所述产品信息特征向量，包括：
将所述目标产品推荐模型中的用户特征提取网络确定为目标用户特征提取网络；
利用所述目标用户特征提取网络中的第一全连接层对所述第一产品信息向量进行特征提取，得到第一产品特征向量；
利用所述目标用户特征提取网络中的第二全连接层对所述第一产品信息向量进行特征提取，得到第二产品特征向量；
将所述第一产品信息向量与所述第二产品信息向量进行向量拼接，得到初始产品特征向量；
利用所述目标用户特征提取网络中的第三全连接层对所述初始产品特征向量进行特征提取，得到所述产品特征向量。
本发明实施例中可利用独热算法、深度学习模型的嵌入式向量层、词袋算法等算法中的一种或多种算法将前述信息转化为向量。
S10、根据所述推荐系数对所有所述待推荐产品进行筛选，并将筛选的待推荐产品推荐至所述待推荐用户的预设终端设备。
本发明实施例中所述推荐系数只能衡量待推荐用户与待推荐用户与待推荐产品的匹配程度，为了筛选合适的待推荐产品，根据所述推荐系数对所有所述待推荐产品进行筛选，例如：所述待推荐产品为财产保险产品，推荐系数智能衡量每个财产保险产品适合推荐的程度，但是什么程度的财产保险产品适合推荐还需要进一步筛选，因此，根据所述推荐系数对所有所述待推荐产品进行筛选，以筛选合适的财产保险产品进行推荐。
具体地，本发明实施例中所述根据所述推荐系数对所有所述待推荐产品进行筛选，并将筛选的待推荐产品推荐至所述待推荐用户的预设终端设备，包括：
选取所有所述推荐系数的最大值，得到目标推荐系数；
将所述目标推荐系数对应的待推荐产品确定为目标产品；
将所述目标产品推送至所述预设终端设备。
例如：所述待推荐产品为财产保险产品时，那么所述目标推荐系数对应的财产保险产品即为要向待推荐用户推荐的财产保险产品。
可选地，本发明实施例中所述预设终端设备为所述待推荐用户的终端设备，可以为手机、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数据获取模块101、模型训练模块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：
所述数据获取模块101用于获取用户产品推荐信息集，其中，每个所述用户产品推荐信息都有对应的产品推荐标签，所述用户产品推荐信息，包括：用户特征信息及产品特征信息；
所述模型训练模块102用于获取包括用户特征提取网络及产品特征提取网络的产品推荐模型，任意选取所述用户产品推荐信息集中的一个用户产品推荐信息，得到目标用户产品推荐信息；对所述目标用户产品推荐信息中的用户特征信息进行偏好特征丢弃转换，并利用所述用户特征提取网络对转换后的用户特征信息进行特征提取，得到用户特征向量；对所述目标用户产品推荐信息中的产品特征信息进行偏好特征丢弃转换，得到产品输入特征向量，并利用所述产品特征提取网络对所述产品输入特征向量进行特征提取，得到产品特征向量；计算所述用户特征向量与所述产品特征向量的向量相似度，并基于所述产品推荐标签及所述向量相似度计算模型损失值；当所述模型损失值不小于预设损失阈值，对所述产品模型进行模型参数调整，并返回所述任意选取所述用户产品推荐信息集中的一个用户产品推荐信息步骤；当所述模型损失值小于预设损失阈值，输出产品推荐模型，得到目标产品推荐模型；
所述产品推荐模块103用于当接收到待推荐用户的产品推荐请求时，基于所述产品推荐请求中每个待推荐产品的产品信息及待推荐用户的待推荐用户信息，利用所述目标产品推荐模型计算每个所述产品信息与所述待推荐用户信息之间的推荐系数；根据所述推荐系数对所有所述待推荐产品进行筛选，并将筛选的待推荐产品推荐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：
获取用户产品推荐信息集，其中，每个所述用户产品推荐信息都有对应的产品推荐标签，所述用户产品推荐信息，包括：用户特征信息及产品特征信息；
获取包括用户特征提取网络及产品特征提取网络的产品推荐模型，任意选取所述用户产品推荐信息集中的一个用户产品推荐信息，得到目标用户产品推荐信息；
对所述目标用户产品推荐信息中的用户特征信息进行偏好特征丢弃转换，并利用所述用户特征提取网络对转换后的用户特征信息进行特征提取，得到用户特征向量；
对所述目标用户产品推荐信息中的产品特征信息进行偏好特征丢弃转换，得到产品输入特征向量，并利用所述产品特征提取网络对所述产品输入特征向量进行特征提取，得到产品特征向量；
计算所述用户特征向量与所述产品特征向量的向量相似度，并基于所述产品推荐标签及所述向量相似度计算模型损失值；
当所述模型损失值不小于预设损失阈值，对所述产品模型进行模型参数调整，并返回所述任意选取所述用户产品推荐信息集中的一个用户产品推荐信息步骤；
当所述模型损失值小于预设损失阈值，输出产品推荐模型，得到目标产品推荐模型；
当接收到待推荐用户的产品推荐请求时，基于所述产品推荐请求中每个待推荐产品的产品信息及待推荐用户的待推荐用户信息，利用所述目标产品推荐模型计算每个所述产品信息与所述待推荐用户信息之间的推荐系数；
根据所述推荐系数对所有所述待推荐产品进行筛选，并将筛选的待推荐产品推荐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：
获取用户产品推荐信息集，其中，每个所述用户产品推荐信息都有对应的产品推荐标签，所述用户产品推荐信息，包括：用户特征信息及产品特征信息；
获取包括用户特征提取网络及产品特征提取网络的产品推荐模型，任意选取所述用户产品推荐信息集中的一个用户产品推荐信息，得到目标用户产品推荐信息；
对所述目标用户产品推荐信息中的用户特征信息进行偏好特征丢弃转换，并利用所述用户特征提取网络对转换后的用户特征信息进行特征提取，得到用户特征向量；
对所述目标用户产品推荐信息中的产品特征信息进行偏好特征丢弃转换，得到产品输入特征向量，并利用所述产品特征提取网络对所述产品输入特征向量进行特征提取，得到产品特征向量；
计算所述用户特征向量与所述产品特征向量的向量相似度，并基于所述产品推荐标签及所述向量相似度计算模型损失值；
当所述模型损失值不小于预设损失阈值，对所述产品模型进行模型参数调整，并返回所述任意选取所述用户产品推荐信息集中的一个用户产品推荐信息步骤；
当所述模型损失值小于预设损失阈值，输出产品推荐模型，得到目标产品推荐模型；
当接收到待推荐用户的产品推荐请求时，基于所述产品推荐请求中每个待推荐产品的产品信息及待推荐用户的待推荐用户信息，利用所述目标产品推荐模型计算每个所述产品信息与所述待推荐用户信息之间的推荐系数；
根据所述推荐系数对所有所述待推荐产品进行筛选，并将筛选的待推荐产品推荐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：
获取用户产品推荐信息集，其中，每个所述用户产品推荐信息都有对应的产品推荐标签，所述用户产品推荐信息，包括：用户特征信息及产品特征信息；
获取包括用户特征提取网络及产品特征提取网络的产品推荐模型，任意选取所述用户产品推荐信息集中的一个用户产品推荐信息，得到目标用户产品推荐信息；
对所述目标用户产品推荐信息中的用户特征信息进行偏好特征丢弃转换，并利用所述用户特征提取网络对转换后的用户特征信息进行特征提取，得到用户特征向量；
对所述目标用户产品推荐信息中的产品特征信息进行偏好特征丢弃转换，得到产品输入特征向量，并利用所述产品特征提取网络对所述产品输入特征向量进行特征提取，得到产品特征向量；
计算所述用户特征向量与所述产品特征向量的向量相似度，并基于所述产品推荐标签及所述向量相似度计算模型损失值；
当所述模型损失值不小于预设损失阈值，对所述产品模型进行模型参数调整，并返回所述任意选取所述用户产品推荐信息集中的一个用户产品推荐信息步骤；
当所述模型损失值小于预设损失阈值，输出产品推荐模型，得到目标产品推荐模型；
当接收到待推荐用户的产品推荐请求时，基于所述产品推荐请求中每个产品的产品信息及待推荐用户的待推荐用户信息，利用所述目标产品推荐模型计算每个所述产品信息与所述待推荐用户信息之间的推荐系数；
根据所述推荐系数对所有所述待推荐产品进行筛选，并将筛选的待推荐产品推荐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，所述对所述目标用户产品推荐信息中的用户特征信息进行偏好特征丢弃转换，并利用所述用户特征提取网络对转换后的用户特征信息进行特征提取，得到用户特征向量，包括：
提取所述目标用户产品推荐信息中的用户特征信息，得到目标用户特征信息；
提取所述目标用户特征信息中的用户基本信息，得到目标用户基本信息；
提取所述目标用户特征信息中的用户偏好信息，得到目标用户偏好信息；
将所述目标用户基本信息转化为向量，得到用户基本信息输入向量；
将所述目标用户偏好信息转化为向量，并将转化的向量进行特征丢弃，得到用户偏好信息输入向量；
利用所述用户特征提取网络中的第一全连接层对所述用户基本信息输入向量进行特征提取，得到用户基本特征向量；
利用所述用户特征提取网络中的第二全连接层对所述用户偏好信息输入向量进行特征提取，得到用户偏好特征向量；
将所述用户基本特征向量与所述用户偏好特征向量进行向量拼接，得到初始用户特征向量；
利用所述用户特征提取网络中的第三全连接层对所述初始用户特征向量进行特征提取，得到所述用户特征向量。
3.如权利要求2所述的产品推荐方法，其特征在于，所述将所述目标用户偏好信息转化为向量，并将转化的向量进行特征丢弃，得到用户偏好信息输入向量，包括：
将所述用户目标偏好信息转化为向量，得到初始用户偏好信息输入向量；
将所述初始用户偏好信息输入向量中的元素转化为零，得到所述用户偏好信息输入向量。
4.如权利要求1所述的产品推荐方法，其特征在于，所述对所述目标用户产品推荐信息中的产品特征信息进行偏好特征丢弃转换，得到产品输入特征向量，并利用所述产品特征提取网络对所述产品输入特征向量进行特征提取，得到产品特征向量，包括：
提取所述目标产品产品推荐信息中的产品特征信息，得到目标产品特征信息；
提取所述目标产品特征信息中的产品基本信息，得到目标产品基本信息；
提取所述目标产品特征信息中的产品偏好信息，得到目标产品偏好信息；
将所述目标产品基本信息转化为向量，得到产品基本信息输入向量；
将所述目标产品偏好信息转化为向量，并将转化的向量进行特征丢弃，得到产品偏好信息输入向量；
利用所述产品特征提取网络中的第一全连接层对所述产品基本信息输入向量进行特征提取，得到产品基本特征向量；
利用所述产品特征提取网络中的第二全连接层对所述产品偏好信息输入向量进行特征提取，得到产品偏好特征向量；
将所述产品基本特征向量与所述产品偏好特征向量进行向量拼接，得到初始产品特征向量；
利用所述产品特征提取网络中的第三全连接层对所述初始产品特征向量进行特征提取，得到所述产品特征向量。
5.如权利要求4所述的产品推荐方法，其特征在于，所述将所述目标产品偏好信息转化为向量，并将转化的向量进行特征丢弃，得到产品偏好信息输入向量，包括：
将所述产品目标偏好信息转化为向量，得到初始产品偏好信息输入向量；
将所述初始产品偏好信息输入向量中的元素转化为零，得到所述产品偏好信息输入向量。
6.如权利要求1至5中任意一项所述的产品推荐方法，其特征在于，所述利用所述目标产品推荐模型计算每个所述产品信息与所述待推荐用户信息之间的推荐系数，包括：
利用所述目标产品推荐模型中的用户特征提取网络对所述待推荐用户信息进行特征提取，得到待推荐用户信息特征向量；
利用所述目标产品推荐模型中的产品特征提取网络对所述产品信息进行特征提取，得到产品信息特征向量；
计算所述待推荐用户信息特征向量与所述产品信息特征向量的向量相似度，得到所述推荐系数。
7.如权利要求6所述的产品推荐方法，其特征在于，所述利用所述目标产品推荐模型中的用户特征提取网络对所述待推荐用户信息进行特征提取，得到待推荐用户信息特征向量，包括：
提取所述待推荐用户信息中的待推荐用户基本信息，得到第一待推荐用户信息；
提取所述待推荐用户信息中的待推荐用户偏好信息，得到第二待推荐用户信息；
将所述第一待推荐用户信息转化为向量，得到第一待推荐用户信息向量；
将所述第二待推荐用户信息转化为向量，得到第二待推荐用户信息向量；
基于所述第一待推荐用户信息向量及所述第二待推荐用户信息向量，利用所述目标待推荐用户推荐模型中的用户特征提取网络进行特征提取，得到所述待推荐用户信息特征向量。
8.一种产品推荐装置，其特征在于，包括：
数据获取模块，用于获取用户产品推荐信息集，其中，每个所述用户产品推荐信息都有对应的产品推荐标签，所述用户产品推荐信息，包括：用户特征信息及产品特征信息；
模型训练模块，用于获取包括用户特征提取网络及产品特征提取网络的产品推荐模型，任意选取所述用户产品推荐信息集中的一个用户产品推荐信息，得到目标用户产品推荐信息；对所述目标用户产品推荐信息中的用户特征信息进行偏好特征丢弃转换，并利用所述用户特征提取网络对转换后的用户特征信息进行特征提取，得到用户特征向量；对所述目标用户产品推荐信息中的产品特征信息进行偏好特征丢弃转换，得到产品输入特征向量，并利用所述产品特征提取网络对所述产品输入特征向量进行特征提取，得到产品特征向量；计算所述用户特征向量与所述产品特征向量的向量相似度，并基于所述产品推荐标签及所述向量相似度计算模型损失值；当所述模型损失值不小于预设损失阈值，对所述产品模型进行模型参数调整，并返回所述任意选取所述用户产品推荐信息集中的一个用户产品推荐信息步骤；当所述模型损失值小于预设损失阈值，输出产品推荐模型，得到目标产品推荐模型；
产品推荐模块，用于当接收到待推荐用户的产品推荐请求时，基于所述产品推荐请求中每个待推荐产品的产品信息及待推荐用户的待推荐用户信息，利用所述目标产品推荐模型计算每个所述产品信息与所述待推荐用户信息之间的推荐系数；根据所述推荐系数对所有所述待推荐产品进行筛选，并将筛选的待推荐产品推荐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。
CN202310590878.4A 2023-05-23 2023-05-23 产品推荐方法、装置、电子设备及存储介质 Pending CN116629966A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310590878.4A CN116629966A (zh) 2023-05-23 2023-05-23 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
CN202310590878.4A CN116629966A (zh) 2023-05-23 2023-05-23 产品推荐方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116629966A true CN116629966A (zh) 2023-08-22

Family

ID=87602048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310590878.4A Pending CN116629966A (zh) 2023-05-23 2023-05-23 产品推荐方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116629966A (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
CN113656690B (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN111652282B (zh) 基于大数据的用户偏好分析方法、装置及电子设备
CN113868528A (zh) 资讯推荐方法、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
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN114398560B (zh) 基于web平台的营销界面设置方法、装置、设备及介质
CN113837631B (zh) 员工评价方法、装置、电子设备及可读存储介质
CN116383766A (zh) 基于多模态数据的辅诊方法、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
CN112633988A (zh) 用户产品推荐方法、装置、电子设备及可读存储介质
CN116403693A (zh) 问诊单派单方法、装置、设备及存储介质
CN116719904A (zh) 基于图文结合的信息查询方法、装置、设备及存储介质
CN113657546B (zh) 信息分类方法、装置、电子设备及可读存储介质
CN113139129B (zh) 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质
CN115982454A (zh) 基于用户画像的问卷推送方法、装置、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
CN116629966A (zh) 产品推荐方法、装置、电子设备及存储介质
CN113434660A (zh) 基于多领域分类的产品推荐方法、装置、设备及存储介质
CN114723488B (zh) 课程推荐方法、装置、电子设备及存储介质
CN114781833B (zh) 基于业务人员的能力测评方法、装置、设备及存储介质
CN113592606B (zh) 基于多重决策的产品推荐方法、装置、设备及存储介质
CN115225489B (zh) 队列业务流量阈值动态控制方法、电子设备及存储介质
CN115098688B (zh) 多标签分类模型训练方法、装置、电子设备及存储介质
CN116483974A (zh) 对话回复筛选方法、装置、设备及存储介质

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