CN116664190A - 电子券推荐方法、装置、计算机设备和存储介质 - Google Patents

电子券推荐方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116664190A
CN116664190A CN202310637117.XA CN202310637117A CN116664190A CN 116664190 A CN116664190 A CN 116664190A CN 202310637117 A CN202310637117 A CN 202310637117A CN 116664190 A CN116664190 A CN 116664190A
Authority
CN
China
Prior art keywords
electronic ticket
user
product
recommended
network
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
CN202310637117.XA
Other languages
English (en)
Inventor
丘宇忠
张彬
郑显凌
李慧灵
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202310637117.XA priority Critical patent/CN116664190A/zh
Publication of CN116664190A publication Critical patent/CN116664190A/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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0239—Online discounts or incentives
    • 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
    • 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Discrete Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种电子券推荐方法、装置、计算机设备、存储介质和计算机程序产品，可用于人工智能技术领域，也可用于金融科技领域或其他相关领域。该方法包括：从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区；电子券推荐网络根据用户相似度网络、产品相似度网络和电子券融合处理得到，每个电子券推荐社区用于描述用户、产品和电子券相互之间的关联关系；从目标电子券推荐社区中，识别出与待推荐用户匹配的目标电子券；目标电子券至少包括待推荐用户的关联用户的第一关联电子券、待推荐用户的关联产品的第二关联电子券；将目标电子券推荐给待推荐用户。采用本方法，能够提高电子券推荐准确率。

Description

电子券推荐方法、装置、计算机设备和存储介质
技术领域
本申请涉及人工智能技术领域，特别是涉及一种电子券推荐方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着人工智能技术的发展，出现了智能推荐技术，通过该技术可以实现金融产品电子券的智能推荐。
传统技术中，在进行金融产品电子券推荐时，一般是将与用户匹配的某一类型的电子券推荐给该用户；但是，仅仅按照电子券类型进行推荐，容易导致电子券推荐准确率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高电子券推荐准确率的电子券推荐方法、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，本申请提供了一种电子券推荐方法。所述方法包括：
从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区；所述电子券推荐网络根据用户相似度网络、产品相似度网络和电子券融合处理得到，每个电子券推荐社区用于描述用户、产品和电子券相互之间的关联关系；所述产品为金融产品，所述电子券为金融产品电子券；
从所述目标电子券推荐社区中，识别出与所述待推荐用户匹配的目标电子券；所述目标电子券至少包括所述待推荐用户的关联用户的第一关联电子券、所述待推荐用户的关联产品的第二关联电子券；
将所述目标电子券推荐给所述待推荐用户。
在其中一个实施例中，在从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区之前，还包括：
获取用户相似度网络、产品相似度网络和电子券；
获取所述用户相似度网络中的用户与所述产品相似度网络中的产品之间的第一关联关系、所述用户相似度网络中的用户与所述电子券之间的第二关联关系、所述产品相似度网络中的产品与所述电子券之间的第三关联关系；
根据所述第一关联关系、所述第二关联关系和所述第三关联关系，将所述用户相似度网络、所述产品相似度网络和所述电子券进行融合处理，得到所述电子券推荐网络；
对所述电子券推荐网络进行聚类处理，得到多个电子券推荐社区。
在其中一个实施例中，所述用户相似度网络通过下述方式得到：
获取多个用户的用户信息；
对每个用户的用户信息进行特征映射处理，得到每个用户的用户特征；
将所述每个用户的用户特征输入相似度计算模型中，得到所述每个用户之间的相似度；
根据所述每个用户之间的相似度，构建得到所述用户相似度网络。
在其中一个实施例中，所述产品相似度网络通过下述方式得到：
获取多个产品的产品信息；
对每个产品的产品信息进行特征映射处理，得到每个产品的产品特征；
将所述每个产品的产品特征输入相似度计算模型中，得到所述每个产品之间的相似度；
根据所述每个产品之间的相似度，构建得到所述产品相似度网络。
在其中一个实施例中，所述对每个产品的产品信息进行特征映射处理，得到每个产品的产品特征，包括：
对每个产品的产品信息进行分词处理，得到每个产品的产品分词；
从所述每个产品的产品分词中，筛选出所述每个产品的产品关键词；
对所述每个产品的产品关键词进行特征映射处理，得到每个产品的产品特征。
在其中一个实施例中，所述从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区，包括：
在所述待推荐用户为新用户的情况下，从所述电子券推荐网络中识别出与所述待推荐用户之间的相似度最大的用户所属的电子券推荐社区，作为与所述待推荐用户匹配的目标电子券推荐社区；
在所述待推荐用户为老用户的情况下，从所述电子券推荐网络中识别出所述待推荐用户当前所属的电子券推荐社区，作为与所述待推荐用户匹配的目标电子券推荐社区。
在其中一个实施例中，所述从所述目标电子券推荐社区中，识别出与所述待推荐用户匹配的目标电子券，包括：
从所述目标电子券推荐社区中，识别出所述待推荐用户的关联用户的第一关联电子券、所述待推荐用户的关联产品的第二关联电子券；
获取所述目标电子券推荐社区内生成的推荐电子券，将所述第一关联电子券、所述第二关联电子券和所述推荐电子券，均识别为与所述待推荐用户匹配的目标电子券。
第二方面，本申请还提供了一种电子券推荐装置。所述装置包括：
确定模块，用于从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区；所述电子券推荐网络根据用户相似度网络、产品相似度网络和电子券融合处理得到，每个电子券推荐社区用于描述用户、产品和电子券相互之间的关联关系；所述产品为金融产品，所述电子券为金融产品电子券；
识别模块，用于从所述目标电子券推荐社区中，识别出与所述待推荐用户匹配的目标电子券；所述目标电子券至少包括所述待推荐用户的关联用户的第一关联电子券、所述待推荐用户的关联产品的第二关联电子券；
推荐模块，用于将所述目标电子券推荐给所述待推荐用户。
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：
从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区；所述电子券推荐网络根据用户相似度网络、产品相似度网络和电子券融合处理得到，每个电子券推荐社区用于描述用户、产品和电子券相互之间的关联关系；所述产品为金融产品，所述电子券为金融产品电子券；
从所述目标电子券推荐社区中，识别出与所述待推荐用户匹配的目标电子券；所述目标电子券至少包括所述待推荐用户的关联用户的第一关联电子券、所述待推荐用户的关联产品的第二关联电子券；
将所述目标电子券推荐给所述待推荐用户。
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：
从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区；所述电子券推荐网络根据用户相似度网络、产品相似度网络和电子券融合处理得到，每个电子券推荐社区用于描述用户、产品和电子券相互之间的关联关系；所述产品为金融产品，所述电子券为金融产品电子券；
从所述目标电子券推荐社区中，识别出与所述待推荐用户匹配的目标电子券；所述目标电子券至少包括所述待推荐用户的关联用户的第一关联电子券、所述待推荐用户的关联产品的第二关联电子券；
将所述目标电子券推荐给所述待推荐用户。
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：
从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区；所述电子券推荐网络根据用户相似度网络、产品相似度网络和电子券融合处理得到，每个电子券推荐社区用于描述用户、产品和电子券相互之间的关联关系；所述产品为金融产品，所述电子券为金融产品电子券；
从所述目标电子券推荐社区中，识别出与所述待推荐用户匹配的目标电子券；所述目标电子券至少包括所述待推荐用户的关联用户的第一关联电子券、所述待推荐用户的关联产品的第二关联电子券；
将所述目标电子券推荐给所述待推荐用户。
上述电子券推荐方法、装置、计算机设备、存储介质和计算机程序产品，首先从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区；电子券推荐网络根据用户相似度网络、产品相似度网络和电子券融合处理得到，每个电子券推荐社区用于描述用户、产品和电子券相互之间的关联关系；产品为金融产品，电子券为金融产品电子券；然后从目标电子券推荐社区中，识别出与待推荐用户匹配的目标电子券；目标电子券至少包括待推荐用户的关联用户的第一关联电子券、待推荐用户的关联产品的第二关联电子券；最后将目标电子券推荐给待推荐用户。这样，在进行电子券推荐时，先从电子券推荐网络包含的多个电子券推荐社区中，确定出与待推荐用户匹配的目标电子券推荐社区，再利用目标电子券推荐社区，确定出与待推荐用户匹配的目标电子券，并推荐给待推荐用户，综合考虑与待推荐用户匹配的目标电子券推荐社区，以及目标电子券推荐社区中用户、产品和电子券这三者之间的关联关系，可以使得确定出的目标电子券更加准确，进而提高了电子券推荐准确率，避免了仅仅按照电子券类型进行推荐，容易导致电子券推荐准确率较低的缺陷。
附图说明
图1为一个实施例中电子券推荐方法的流程示意图；
图2为一个实施例中电子券推荐网络的示意图；
图3为一个实施例中确定多个电子券推荐社区的步骤的流程示意图；
图4为一个实施例中获取产品相似度网络的步骤的流程示意图；
图5为另一个实施例中电子券推荐方法的流程示意图；
图6为一个实施例中基于深度学习和图社区发现的优惠券推荐方法的流程示意图；
图7为一个实施例中电子券推荐装置的结构框图；
图8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。
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。
需要说明的是，本申请提供的电子券推荐方法、装置、计算机设备、存储介质和计算机程序产品，可用于金融科技领域，比如从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区，然后利用目标电子券推荐社区，将与待推荐用户匹配的金融产品电子券推荐给待推荐用户，从而提高了电子券推荐准确率；也可以用于其他相关领域，比如在人工智能技术领域中，智能筛选出与待推荐用户匹配的目标电子券，并将其推荐给待推荐用户。
在一个实施例中，如图1所示，提供了一种电子券推荐方法，本实施例以该方法应用于服务器进行举例说明；可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器之间的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等；服务器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。本实施例中，该方法包括以下步骤：
步骤S101，从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区；电子券推荐网络根据用户相似度网络、产品相似度网络和电子券融合处理得到，每个电子券推荐社区用于描述用户、产品和电子券相互之间的关联关系；产品为金融产品，电子券为金融产品电子券。
其中，本申请涉及的待推荐用户是指已授权用户，比如已授权的金融用户。本申请涉及的产品是指金融产品，具体是指银行商品。本申请涉及的电子券是指金融产品电子券，具体是指银行商品电子券，比如优惠券。
其中，用户相似度网络是指基于多个用户之间的相似度构建得到的同构图，主要用于描述用户之间的关联关系。用户相似度网络中包括多个用户，且相似的用户之间会建立连接边，即相似度大于第一相似度阈值的用户之间会建立连接边。例如，参考图2所示的用户相似度网络，白色圆形节点表示用户，两个白色圆形节点之间的连接边表示对应的两个用户相似。
其中，产品相似度网络是指基于多个产品之间的相似度构建得到的同构图，主要用于描述产品之间的关联关系。产品相似度网络中包括多个产品，且相似的产品之间会建立连接边，即相似度大于第二相似度阈值的产品之间会建立连接边。例如，参考图2所示的产品相似度网络，灰色圆形节点表示产品，两个灰色圆形节点之间的连接边表示对应的两个产品相似。
其中，构成电子券推荐网络的电子券，是指用户相似度网络中的用户在购买产品时所使用的电子券，以及产品相似度网络中的产品被购买时对应生效的电子券。
其中，参考图2，电子券推荐网络是指对用户相似度网络、产品相似度网络和电子券进行融合处理后所得到的网络，具体是指基于用户购买行为的电子券推荐网络。
其中，参考图2，电子券推荐社区是指对电子券推荐网络进行聚类处理后所得到的子网络，具体是指基于用户购买行为的电子券推荐社区。需要说明的是，电子券推荐网络中包括多个电子券推荐社区，每个电子券推荐社区中均包括用户、产品和电子券，主要用于描述用户、产品和电子券这三者之间的关联关系。当然，电子券推荐社区中的每个节点可能同时连接有用户、产品和电子券。
其中，目标电子券推荐社区是指待推荐用户所属的电子券推荐社区。
具体地，参考图2，服务器获取用户相似度网络、产品相似度网络和电子券，并对用户相似度网络、产品相似度网络和电子券进行融合处理，得到电子券推荐网络；对电子券推荐网络进行聚类处理，得到多个电子券推荐社区；从多个电子券推荐社区中，确定出待推荐用户所属的电子券推荐社区，比如与待推荐用户之间的匹配度最大的电子券推荐社区，作为与待推荐用户匹配的目标电子券推荐社区。
举例说明，假设电子券推荐网络中包括电子券推荐社区A、电子券推荐社区B、电子券推荐社区C、电子券推荐社区D、电子券推荐社区E，而待推荐用户所属的电子券推荐社区为电子券推荐社区A，说明与待推荐用户匹配的目标电子券推荐社区为电子券推荐社区A。
步骤S102，从目标电子券推荐社区中，识别出与待推荐用户匹配的目标电子券；目标电子券至少包括待推荐用户的关联用户的第一关联电子券、待推荐用户的关联产品的第二关联电子券。
其中，目标电子券是指利用目标电子券推荐社区中用户、产品和电子券这三者之间的关联关系所确定出的与待推荐用户关联的电子券，比如待推荐用户的关联用户的第一关联电子券、待推荐用户的关联产品的第二关联电子券、在目标电子券推荐社区中生成的推荐电子券。需要说明的是，第一关联电子券和第二关联电子券中不包括待推荐用户已使用过的电子券。
其中，第一关联电子券是指待推荐用户的关联用户的关联电子券，具体是指在目标电子券推荐社区中，与待推荐用户的相似用户存在连接边的电子券。待推荐用户的相似用户，可以是指与待推荐用户存在连接边的用户，也可以是指与待推荐用户的目标用户存在连接边的用户，目标用户是指电子券推荐网络中与待推荐用户之间的相似度最大的用户。
其中，第二关联电子券是指待推荐用户的关联产品的关联电子券，具体是指在目标电子券推荐社区中，与待推荐用户的关联产品存在连接边的电子券。待推荐用户的关联产品，可以是指与待推荐用户存在连接边的产品，也可以是指与待推荐用户的目标用户存在连接边的产品。
具体地，服务器根据目标电子券推荐社区中用户、产品和电子券这三者之间的关联关系，确定出待推荐用户的关联用户的第一关联电子券和待推荐用户的关联产品的第二关联电子券；将第一关联电子券和第二关联电子券，均识别为与待推荐用户匹配的目标电子券。
步骤S103，将目标电子券推荐给待推荐用户。
具体地，服务器按照预设推荐频率(比如每1分钟推荐1张电子券)，将目标电子券推荐给待推荐用户所在的终端，通过该终端展示目标电子券。
进一步地，服务器还可以提取目标电子券的电子券特征和待推荐用户的用户特征，并根据目标电子券的电子券特征和待推荐用户的用户特征，计算目标电子券与待推荐用户之间的特征相似度；按照特征相似度对目标电子券进行排列，得到排列后的目标电子券，最后将排列后的目标电子券推荐给待推荐用户。
上述实施例提供的电子券推荐方法，首先从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区；电子券推荐网络根据用户相似度网络、产品相似度网络和电子券融合处理得到，每个电子券推荐社区用于描述用户、产品和电子券相互之间的关联关系；产品为金融产品，电子券为金融产品电子券；然后从目标电子券推荐社区中，识别出与待推荐用户匹配的目标电子券；目标电子券至少包括待推荐用户的关联用户的第一关联电子券、待推荐用户的关联产品的第二关联电子券；最后将目标电子券推荐给待推荐用户。这样，在进行电子券推荐时，先从电子券推荐网络包含的多个电子券推荐社区中，确定出与待推荐用户匹配的目标电子券推荐社区，再利用目标电子券推荐社区，确定出与待推荐用户匹配的目标电子券，并推荐给待推荐用户，综合考虑与待推荐用户匹配的目标电子券推荐社区，以及目标电子券推荐社区中用户、产品和电子券这三者之间的关联关系，可以使得确定出的目标电子券更加准确，进而提高了电子券推荐准确率，避免了仅仅按照电子券类型进行推荐，容易导致电子券推荐准确率较低的缺陷。
在一个实施例中，如图3所示，上述步骤S101，在从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区之前，还包括确定多个电子券推荐社区的步骤，具体包括如下步骤：
步骤S301，获取用户相似度网络、产品相似度网络和电子券。
步骤S302，获取用户相似度网络中的用户与产品相似度网络中的产品之间的第一关联关系、用户相似度网络中的用户与电子券之间的第二关联关系、产品相似度网络中的产品与电子券之间的第三关联关系。
步骤S303，根据第一关联关系、第二关联关系和第三关联关系，将用户相似度网络、产品相似度网络和电子券进行融合处理，得到电子券推荐网络。
步骤S304，对电子券推荐网络进行聚类处理，得到多个电子券推荐社区。
其中，第一关联关系是指用户与产品之间的购买关系，比如用户购买了某个产品，说明用户与该产品之间存在关联关系。第二关联关系是指用户与电子券之间的使用关系，比如用户购买某个产品时使用了某张电子券，说明用户与该电子券之间存在关联关系。第三关联关系是指产品与电子券之间的生效关系，比如产品被用户购买时对应生效了某张电子券，说明产品与该电子券之间存在关联关系。
其中，对电子券推荐网络进行聚类处理，是指对电子券推荐网络进行图聚类，以将电子券推荐网络划分成多个电子券推荐社区。需要说明的是，电子券推荐网络是一个大网络，电子券推荐社区是电子券推荐网络中的一个子网络。
需要说明的是，参考图2，电子券通过用户“使用”关系和产品“生效”关系，加入到用户相似度网络和产品相似度网络中，是指将用户购买时使用的电子券对应的产品作为关联关系，并利用该关联关系将电子券加入到用户相似度网络和产品相似度网络中。
具体地，服务器获取预先构建的用户相似度网络和产品相似度网络；通过对历史产品购买数据进行分析，得到与用户相似度网络中的用户关联的第一电子券(即用户在购买产品时所使用的电子券)，以及与产品相似度网络中的产品关联的第二电子券(即产品被购买时对应生效的电子券)；将第一电子券和第二电子券，均作为待构建的电子券推荐网络的电子券；继续对历史产品购买数据进行分析，得到用户相似度网络中的用户与产品相似度网络中的产品之间的第一关联关系、用户相似度网络中的用户与电子券之间的第二关联关系、产品相似度网络中的产品与电子券之间的第三关联关系；接着根据第一关联关系、第二关联关系和第三关联关系，将用户相似度网络、产品相似度网络和电子券进行组合，得到组合网络，作为电子券推荐网络；利用Louvain算法(社区发现算法)对电子券推荐网络进行图聚类，得到多个电子券推荐社区。
举例说明，参考图2，服务器将每个用户和每个产品作为节点，根据相似标签进行连边，相似度的值作为边权重构建网络，从而得到用户相似度网络和产品相似度网络；接着，用户相似度网络和产品相似度网络通过“购买”关系进行关联，边权重值为1；电子券通过用户“使用”关系和产品“生效”关系(即电子券生效时消费的产品)，加入到用户相似度网络和产品相似度网络中，边权重值为1，从而得到电子券推荐网络；最后，服务器使用Louvain算法，对电子券推荐网络进行图聚类，以将电子券推荐网络划分为多个电子券推荐社区。
在本实施例中，通过对用户相似度网络、产品相似度网络和电子券进行融合处理，得到电子券推荐网络，再对电子券推荐网络进行聚类，得到多个电子券推荐社区，有利于后续从多个电子券推荐社区中，确定出目标电子券推荐社区，同时综合考虑目标电子券推荐社区中用户、产品、电子券这三者之间的关联关系，有利于准确确定出与待推荐用户匹配的目标电子券，从而提高了电子券的确定准确率。
在一个实施例中，上述步骤S301，获取用户相似度网络，具体包括如下内容：获取多个用户的用户信息；对每个用户的用户信息进行特征映射处理，得到每个用户的用户特征；将每个用户的用户特征输入相似度计算模型中，得到每个用户之间的相似度；根据每个用户之间的相似度，构建得到用户相似度网络。
其中，用户信息是指用户属性信息。
其中，特征映射处理是指独热编码处理；用户特征可以通过向量表示。
其中，相似度计算模型是指文本分类模型，用于计算特征之间的相似度，具体是指Transformer(变换网络)模型。
具体地，服务器从数据库中获取多个用户的用户信息；对每个用户的用户信息进行独热编码处理，得到每个用户的用户信息特征；在每个用户的用户信息特征为多个的情况下，将每个用户的用户信息特征进行融合处理，得到每个用户的用户特征；比如，通过注意力机制模型，确定每个用户的用户信息特征的权重，并利用每个用户的用户信息特征的权重，对每个用户的用户信息特征进行拼接处理，得到拼接特征，作为每个用户的用户特征。接着，服务器将每个用户的用户特征输入相似度计算模型中，得到每个用户的用户特征之间的相似度，作为每个用户之间的相似度；在相似度大于第一相似度阈值的两个用户之间建立连接边，并将相似度作为边权重，从而得到用户相似度网络；比如，将每个用户作为节点，并在相似度大于第一预设相似度的两个节点之间建立连接边，并将相似度作为边权重，从而得到用户相似度网络。
举例说明，服务器将每个用户都视为网络上的一个节点，对用户的基本属性进行独热编码处理，得到用户的固有特征向量；接着使用Transformer模型对用户的固有特征向量进行计算，得到用户间的相似度；在相似度大于第一相似度阈值的用户之间建立联系，并设置关系为“相似”，同时以相似度值作为边权重，从而构成用户相似度网络。
进一步地，服务器还可以利用用户购买的商品信息，来确定用户之间的相似度，从而构建得到用户相似度网络。例如，服务器从数据库中获取每个用户购买的商品信息，对每个用户购买的商品信息进行特征映射处理，得到每个用户购买的商品特征；将每个用户购买的商品特征输入相似度计算模型中，得到每个用户购买的商品特征之间的相似度，作为每个用户之间的相似度；根据每个用户之间的相似度，构建得到用户相似度网络。
在本实施例中，先获取每个用户的用户特征，再利用每个用户的用户特征，确定每个用户之间的相似度，最后根据每个用户之间的相似度，构建得到用户相似度网络；整个过程中考虑了每个用户的用户特征，有利于提高用户之间的相似度的确定准确率，进而提高了用户相似度网络的构建准确率。
在一个实施例中，如图4所示，上述步骤S301，获取产品相似度网络，具体包括如下步骤：
步骤S401，获取多个产品的产品信息。
步骤S402，对每个产品的产品信息进行特征映射处理，得到每个产品的产品特征。
步骤S403，将每个产品的产品特征输入相似度计算模型中，得到每个产品之间的相似度。
步骤S404，根据每个产品之间的相似度，构建得到产品相似度网络。
其中，产品信息是指产品的描述信息，比如介绍信息。
其中，特征映射处理是指词向量化处理；产品特征可以通过向量表示。
具体地，服务器从数据库中获取多个产品的产品信息；对每个产品的产品信息进行词向量化处理，得到每个产品的产品信息特征；比如将每个产品的产品信息输入word2vec模型(词向量模型)中，得到每个产品的产品信息特征。在每个产品的产品信息特征为多个的情况下，将每个产品的产品信息特征进行融合处理，得到每个产品的产品特征；比如，通过注意力机制模型，确定每个产品的产品信息特征的权重，并利用每个产品的产品信息特征的权重，对每个产品的产品信息特征进行拼接处理，得到拼接特征，作为每个产品的产品特征。接着，服务器将每个产品的产品特征输入相似度计算模型中，得到每个产品的产品特征之间的相似度，作为每个产品之间的相似度；在相似度大于第二相似度阈值的两个产品之间建立连接边，并将相似度作为边权重，从而得到产品相似度网络；比如，将每个产品作为节点，并在相似度大于第二预设相似度的两个节点之间建立连接边，并将相似度作为边权重，从而得到产品相似度网络。
举例说明，服务器将每个产品都视为网络上的一个节点，对产品的描述信息进行词向量化处理，得到产品的特征向量；接着使用Transformer模型对产品的特征向量进行计算，得到产品间的相似度；在相似度大于第二相似度阈值的产品之间建立联系，并设置关系为“相似”，同时以相似度值作为边权重，从而构成产品相似度网络。
在本实施例中，先获取每个产品的产品特征，再利用每个产品的产品特征，确定每个产品之间的相似度，最后根据每个产品之间的相似度，构建得到产品相似度网络；整个过程中考虑了每个产品的产品特征，有利于提高产品之间的相似度的确定准确率，进而提高了产品相似度网络的构建准确率。
在一个实施例中，上述步骤S402，对每个产品的产品信息进行特征映射处理，得到每个产品的产品特征，具体包括如下内容：对每个产品的产品信息进行分词处理，得到每个产品的产品分词；从每个产品的产品分词中，筛选出每个产品的产品关键词；对每个产品的产品关键词进行特征映射处理，得到每个产品的产品特征。
其中，关键词是指产品分词中不属于停用词的分词。
具体地，服务器通过分词模型，对每个产品的产品信息进行分词处理，得到每个产品的产品分词；从每个产品的产品分词中，筛选出不属于停用词的分词，作为每个产品的产品关键词；对每个产品的产品关键词进行词向量化处理，得到每个产品的产品关键特征；对每个产品的产品关键特征进行拼接处理，得到拼接特征，作为每个产品的产品特征。
举例说明，服务器将每个产品都视为网络上的一个节点，将每个产品的介绍信息进行分词处理和去除停用词处理，得到剩余分词，作为每个产品的关键词；使用word2vec模型对每个产品的关键词进行词向量化处理，得到每个产品的特征向量；接着使用Transformer模型对每个产品的特征向量进行计算，得到产品间的相似度；在相似度大于第二相似度阈值的产品之间建立联系，并设置关系为“相似”，同时以相似度值作为边权重，从而构成产品相似度网络。
在本实施例中，先从每个产品的产品分词中，筛选出每个产品的产品关键词；再对每个产品的产品关键词进行特征映射处理，得到每个产品的产品特征；也就是说，在计算每个产品的产品特征时，仅考虑每个产品的产品关键词，避免其他词语的干扰，从而提高了每个产品的产品特征的确定准确率，进一步提高了基于产品特征之间的相似度得到的产品相似度网络的构建准确率。
在一个实施例中，上述步骤S101，从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区，包括：在待推荐用户为新用户的情况下，从电子券推荐网络中识别出与待推荐用户之间的相似度最大的用户所属的电子券推荐社区，作为与待推荐用户匹配的目标电子券推荐社区；在待推荐用户为老用户的情况下，从电子券推荐网络中识别出待推荐用户当前所属的电子券推荐社区，作为与待推荐用户匹配的目标电子券推荐社区。
其中，新用户是指没有历史商品购买记录的用户，老用户是指存在历史商品购买记录的用户。
需要说明的是，当电子券推荐网络中新加入的节点达到总节点的三分之一时，服务器会重新对电子券推荐网络进行聚类，从而得到多个新的电子券推荐社区，并重新生成各个新的电子券推荐社区的推荐电子券。
具体地，服务器先对待推荐用户的用户类型进行识别，在待推荐用户为新用户的情况下，获取待推荐用户的用户特征，以及电子券推荐网络中各个用户的用户特征，并将待推荐用户的用户特征以及电子券推荐网络中各个用户的用户特征输入相似度计算模型中，得到待推荐用户与电子券推荐网络中各个用户之间的相似度；从电子券推荐网络中各个用户中，筛选出对应的相似度最大的用户所属的电子券推荐社区，并将该电子券推荐社区作为与待推荐用户匹配的目标电子券推荐社区。进一步地，在待推荐用户为老用户的情况下，服务器直接从电子券推荐网络中，识别出待推荐用户当前所属的电子券推荐社区，并将该电子券推荐社区作为与待推荐用户匹配的目标电子券推荐社区。
举例说明，对于没有历史产品购买数据的新用户，服务器将其作为一个新节点，并通过用户相似度网络进入到与该新用户之间的相似度最大的目标用户所属的电子券推荐社区；在该电子券推荐社区中，新用户与目标用户之间存在连接边。而且，当新用户使用电子券购买了产品，那么新用户与电子券之间、新用户与产品之间、电子券与产品之间也会存在连接边，即电子券推荐网络也进行了更新。对于存在历史产品购买数据的老用户，服务器通过其历史产品购买数据，在电子券推荐网络中定位到该老用户，从而确定该老用户当前所属的电子券推荐社区。
在本实施例中，先区分待推荐用户是新用户还是老用户，然后再根据用户类型，从电子券推荐网络中包含的多个电子券推荐社区中，确定出与待推荐用户匹配的目标电子券推荐社区；这样，通过区分待推荐用户的用户类型，有利于实现目标电子券推荐社区的精准确定，进而提高了电子券推荐社区的确定准确率，同时避免了待推荐用户是新用户，则无法向其精准推荐电子券的缺陷。
在一个实施例中，上述步骤S102，从目标电子券推荐社区中，识别出与待推荐用户匹配的目标电子券，具体包括如下内容：从目标电子券推荐社区中，识别出待推荐用户的关联用户的第一关联电子券、待推荐用户的关联产品的第二关联电子券；获取目标电子券推荐社区内生成的推荐电子券，将第一关联电子券、第二关联电子券和推荐电子券，均识别为与待推荐用户匹配的目标电子券。
其中，待推荐用户的关联用户，是指待推荐用户的相似用户。假设待推荐用户为老用户，那么待推荐用户的相似用户是指在目标电子券推荐社区中，与待推荐用户存在连接边的用户；假设待推荐用户为新用户，那么待推荐用户的相似用户是指在目标电子券推荐社区中，与待推荐用户的目标用户(即与待推荐用户之间的相似度最大的用户)存在连接边的用户。关联用户的第一关联电子券，是指在目标电子券推荐社区中，与关联用户存在连接边的电子券。
其中，待推荐用户的关联产品，是指与待推荐用户相关的产品。假设待推荐用户为老用户，那么待推荐用户的关联产品，是指在目标电子券推荐社区中，与待推荐用户存在连接边的产品；假设待推荐用户为新用户，那么待推荐用户的关联产品，是指在目标电子券推荐社区中，与待推荐用户的目标用户存在连接边的产品。关联产品的第二关联电子券，是指在目标电子券推荐社区中，与关联产品存在连接边的电子券。
其中，推荐电子券是指基于目标电子券推荐社区的平均生效门槛和平均优惠金额，所生成的不同类别的电子券，比如满减券、打折券等。在实际场景中，服务器将目标电子券推荐社区中的电子券，转化为具有生效门槛和优惠金额这两个属性的电子券，并计算所有电子券的生效门槛的平均值和优惠金额的平均值，从而得到目标电子券推荐社区的平均生效门槛和平均优惠金额。
需要说明的是，推荐给老用户的目标电子券包括待推荐用户的关联用户的第一关联电子券、待推荐用户的关联产品的第二关联电子券、在目标电子券推荐社区中生成的推荐电子券。此处的“待推荐用户的关联用户”是指与待推荐用户直接存在连接边的用户，“待推荐用户的关联产品”是指与待推荐用户直接存在连接边的产品。
需要说明的是，推荐给新用户的目标电子券也包括待推荐用户的关联用户的第一关联电子券、待推荐用户的关联产品的第二关联电子券、在目标电子券推荐社区中生成的推荐电子券。但是，此处的“待推荐用户的关联用户”是指与待推荐用户的目标用户(即与待推荐用户之间的相似度最大的用户)存在连接边的用户，“待推荐用户的关联产品”是指与待推荐用户的目标用户存在连接边的产品。在实际场景中，推荐给新用户的目标电子券包括目标用户(即与新用户之间的相似度最大的用户)的关联用户的关联电子券、目标用户的关联产品的关联电子券、目标用户的关联电子券、在目标电子券推荐社区中生成的推荐电子券。
具体地，服务器从目标电子券推荐社区中，识别出待推荐用户的关联用户的第一关联电子券、待推荐用户的关联产品的第二关联电子券；获取目标电子券社区中的电子券，将目标电子券推荐社区中的电子券，转化为具有生效门槛和优惠金额这两个属性的电子券，并计算所有转化后的电子券的生效门槛的平均值，作为目标电子券推荐社区的平均生效门槛；计算所有转化后的电子券的优惠金额的平均值，作为目标电子券推荐社区的平均优惠金额；基于目标电子券推荐社区的平均生效门槛和平均优惠金额，生成不同类别的电子券，作为目标电子券推荐社区内生成的推荐电子券；最后将第一关联电子券、第二关联电子券和推荐电子券，均识别为与待推荐用户匹配的目标电子券。
举例说明，服务器将同一个目标电子券推荐社区中的电子券，统一转换成具有生效门槛和优惠金额这两个属性的电子券；比如，对于满足金额t的打折券，假设折扣为x，那么生效门槛为t，优惠金额为m，即t×(1-x)；对于无门槛的打折券，生效门槛为实际支付金额，优惠金额为：实际支付金额×(1-x)；对于满足金额t则优惠金额m的电子券，可以直接得到生效门槛和优惠金额。接着，服务器计算目标电子券推荐社区中转化后的电子券的生效门槛的平均值以及优惠金额的平均值，从而得到平均生效门槛T和平均优惠金额M；最后根据平均生效门槛T和平均优惠金额M，生成不同类别的电子券，即将平均生效门槛T和平均优惠金额M转化为各种类型的电子券，比如满T减M的电子券、满足T则打[(T-M)×10/T]折的电子券等等。
在本实施例中，先从目标电子券推荐社区中，识别出待推荐用户的关联用户的第一关联电子券、待推荐用户的关联产品的第二关联电子券，再获取目标电子券推荐社区内生成的推荐电子券，最后将第一关联电子券、第二关联电子券和推荐电子券，均识别为与待推荐用户匹配的目标电子券；这样，在推荐电子券时，综合考虑了待推荐用户的关联用户的第一关联电子券、待推荐用户的关联产品的第二关联电子券、目标电子券推荐社区内生成的推荐电子券，有利于充分利用目标电子券推荐社区中用户、产品、电子券这三者之间的关联关系，从而提高了电子券的确定准确率，有利于实现电子券的精准推荐。
在一个实施例中，如图5所示，提供了另一种电子券推荐方法，以该方法应用于服务器为例进行说明，包括以下步骤：
步骤S501，获取用户相似度网络、产品相似度网络和电子券。
步骤S502，获取用户相似度网络中的用户与产品相似度网络中的产品之间的第一关联关系、用户相似度网络中的用户与电子券之间的第二关联关系、产品相似度网络中的产品与电子券之间的第三关联关系。
步骤S503，根据第一关联关系、第二关联关系和第三关联关系，将用户相似度网络、产品相似度网络和电子券进行融合处理，得到电子券推荐网络。
步骤S504，对电子券推荐网络进行聚类处理，得到多个电子券推荐社区。
其中，在步骤S504之后，有两个分支步骤，分别是步骤S505和步骤S506。
步骤S505，在待推荐用户为新用户的情况下，从电子券推荐网络中识别出与待推荐用户之间的相似度最大的用户所属的电子券推荐社区，作为与待推荐用户匹配的目标电子券推荐社区。
步骤S506，在待推荐用户为老用户的情况下，从电子券推荐网络中识别出待推荐用户当前所属的电子券推荐社区，作为与待推荐用户匹配的目标电子券推荐社区。
步骤S507，从目标电子券推荐社区中，识别出待推荐用户的关联用户的第一关联电子券、待推荐用户的关联产品的第二关联电子券。
步骤S508，获取目标电子券推荐社区内生成的推荐电子券，将第一关联电子券、第二关联电子券和推荐电子券，均识别为与待推荐用户匹配的目标电子券。
步骤S509，将目标电子券推荐给待推荐用户。
上述实施例提供的电子券推荐方法，在进行电子券推荐时，先从电子券推荐网络包含的多个电子券推荐社区中，确定出与待推荐用户匹配的目标电子券推荐社区，再利用目标电子券推荐社区，确定出与待推荐用户匹配的目标电子券，并推荐给待推荐用户，综合考虑与待推荐用户匹配的目标电子券推荐社区，以及目标电子券推荐社区中用户、产品和电子券这三者之间的关联关系，可以使得确定出的目标电子券更加准确，进而提高了电子券推荐准确率，避免了仅仅按照电子券类型进行推荐，容易导致电子券推荐准确率较低的缺陷。
在一个实施例中，为了更清晰阐明本申请实施例提供的电子券推荐方法，以下以一个具体的实施例对该电子券推荐方法进行具体说明。在一个实施例中，参考图2，本申请还提供了一种基于深度学习和图社区发现的优惠券推荐方法，通过用户购买产品关系、电子券使用关系、电子券生效关系，对用户相似度网络、产品相似度网络和电子券进行融合处理，得到电子券推荐网络；利用Louvain算法对电子券推荐网络进行图聚类，得到多个电子券推荐社区；从多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区；从目标电子券推荐社区中，确定与待推荐用户匹配的目标电子券，并将目标电子券推荐给待推荐用户。
进一步地，参考图6，本申请还提供了一种基于深度学习和图社区发现的优惠券推荐系统，具体包括如下模块：
(1)数据向量化模块。该模块的功能是将用户属性和商品信息等文字信息，进行向量化处理，便于之后的计算。对于用户属性，采用独热编码的方式进行向量化处理，而商品信息则是使用word2vec模型进行词向量化处理。
(2)相似度计算模块。该模块的功能是计算用户间的相似度和商品间的相似度，将(1)中生成的用户向量输入Transformer模型当中进行计算，设置第一相似度阈值，超过第一相似度阈值的节点设置为“相似”，否则“不相似”；同时，将(1)中生成的商品向量输入Transformer模型当中进行计算，设置第二相似度阈值，超过第二相似度阈值的节点设置为“相似”，否则“不相似”。
(3)网络构建模块。该模块的功能是构建用户相似度网络，商品相似度网络和基于用户购买行为的优惠券推荐网络。对于用户相似度网络和商品相似度网络：将每个用户和商品作为节点，根据相似标签进行连边，相似度的值作为边权重，从而构建得到对应的网络；用户相似度网络和商品相似度网络通过“购买”关系关联，边权重值为1；对于优惠券推荐网络，优惠券节点通过用户“使用”关系和商品“生效”关系关联进网络，边权重值为1。
(4)社区发现模块。该模块的功能是对优惠券推荐网络进行社区发现，采用Louvain算法进行网络聚类，以将优惠券推荐网络划分为多个基于用户购买行为的优惠券推荐社区，每个社区内均包含了用户节点，商品节点和优惠券节点。
(5)优惠券推荐模块。该模块的功能是对优惠券推荐社区内的优惠券节点进行规则抽取：生效门槛和优惠金额。计算优惠券节点的平均生效门槛和优惠金额，并将其作为该社区推荐优惠券的基本规则，再还原成对应类别的优惠券进行推荐。推荐过程采用优惠券就近原则推荐，距离用户最近的优惠券优先推荐。比如，用户节点b使用了优惠券a，则将优惠券a推荐给与用户节点b距离为1的用户节点c；用户节点b使用优惠券a购买了产品d，则将优惠券a推荐给同样购买了产品d的用户节点c。
上述实施例，可以达到以下技术效果：(1)使用的推荐方式是基于图网络，构建了用户相似度网络，商品相似度网络和基于用户购买行为的优惠券推荐网络，可以满足对新用户和历史用户的优惠券推送需求。根据优惠券推荐网络，还可以对没有优惠券的商品，根据最近优惠券推荐的规则进行优惠券的生成和推荐，达到智慧营销的目的。(2)将优惠券的规则进行抽取，统一处理成：生效门槛和优惠金额。该方式可以将满减优惠券、折扣优惠券等不同类别的券都转换成相同的规则，便于计算，最后再还原成对应类别的券后对用户进行精准推荐，从而提高了优惠券的推荐准确率。
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电子券推荐方法的电子券推荐装置。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电子券推荐装置实施例中的具体限定可以参见上文中对于电子券推荐方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种电子券推荐装置，包括：确定模块710、识别模块720和推荐模块730，其中：
确定模块710，用于从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区；电子券推荐网络根据用户相似度网络、产品相似度网络和电子券融合处理得到，每个电子券推荐社区用于描述用户、产品和电子券相互之间的关联关系；产品为金融产品，电子券为金融产品电子券。
识别模块720，用于从目标电子券推荐社区中，识别出与待推荐用户匹配的目标电子券；目标电子券至少包括待推荐用户的关联用户的第一关联电子券、待推荐用户的关联产品的第二关联电子券。
推荐模块730，用于将目标电子券推荐给待推荐用户。
在一个实施例中，电子券推荐装置还包括聚类模块，用于获取用户相似度网络、产品相似度网络和电子券；获取用户相似度网络中的用户与产品相似度网络中的产品之间的第一关联关系、用户相似度网络中的用户与电子券之间的第二关联关系、产品相似度网络中的产品与电子券之间的第三关联关系；根据第一关联关系、第二关联关系和第三关联关系，将用户相似度网络、产品相似度网络和电子券进行融合处理，得到电子券推荐网络；对电子券推荐网络进行聚类处理，得到多个电子券推荐社区。
在一个实施例中，聚类模块，还用于获取多个用户的用户信息；对每个用户的用户信息进行特征映射处理，得到每个用户的用户特征；将每个用户的用户特征输入相似度计算模型中，得到每个用户之间的相似度；根据每个用户之间的相似度，构建得到用户相似度网络。
在一个实施例中，聚类模块，还用于获取多个产品的产品信息；对每个产品的产品信息进行特征映射处理，得到每个产品的产品特征；将每个产品的产品特征输入相似度计算模型中，得到每个产品之间的相似度；根据每个产品之间的相似度，构建得到产品相似度网络。
在一个实施例中，聚类模块，还用于对每个产品的产品信息进行分词处理，得到每个产品的产品分词；从每个产品的产品分词中，筛选出每个产品的产品关键词；对每个产品的产品关键词进行特征映射处理，得到每个产品的产品特征。
在一个实施例中，确定模块710，还用于在待推荐用户为新用户的情况下，从电子券推荐网络中识别出与待推荐用户之间的相似度最大的用户所属的电子券推荐社区，作为与待推荐用户匹配的目标电子券推荐社区；在待推荐用户为老用户的情况下，从电子券推荐网络中识别出待推荐用户当前所属的电子券推荐社区，作为与待推荐用户匹配的目标电子券推荐社区。
在一个实施例中，识别模块720，还用于从目标电子券推荐社区中，识别出待推荐用户的关联用户的第一关联电子券、待推荐用户的关联产品的第二关联电子券；获取目标电子券推荐社区内生成的推荐电子券，将第一关联电子券、第二关联电子券和推荐电子券，均识别为与待推荐用户匹配的目标电子券。
上述电子券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8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电子券推荐网络、目标电子券等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电子券推荐方法。
本领域技术人员可以理解，图8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。
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)

1.一种电子券推荐方法，其特征在于，所述方法包括：
从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区；所述电子券推荐网络根据用户相似度网络、产品相似度网络和电子券融合处理得到，每个电子券推荐社区用于描述用户、产品和电子券相互之间的关联关系；所述产品为金融产品，所述电子券为金融产品电子券；
从所述目标电子券推荐社区中，识别出与所述待推荐用户匹配的目标电子券；所述目标电子券至少包括所述待推荐用户的关联用户的第一关联电子券、所述待推荐用户的关联产品的第二关联电子券；
将所述目标电子券推荐给所述待推荐用户。
2.根据权利要求1所述的方法，其特征在于，在从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区之前，还包括：
获取用户相似度网络、产品相似度网络和电子券；
获取所述用户相似度网络中的用户与所述产品相似度网络中的产品之间的第一关联关系、所述用户相似度网络中的用户与所述电子券之间的第二关联关系、所述产品相似度网络中的产品与所述电子券之间的第三关联关系；
根据所述第一关联关系、所述第二关联关系和所述第三关联关系，将所述用户相似度网络、所述产品相似度网络和所述电子券进行融合处理，得到所述电子券推荐网络；
对所述电子券推荐网络进行聚类处理，得到多个电子券推荐社区。
3.根据权利要求2所述的方法，其特征在于，所述用户相似度网络通过下述方式得到：
获取多个用户的用户信息；
对每个用户的用户信息进行特征映射处理，得到每个用户的用户特征；
将所述每个用户的用户特征输入相似度计算模型中，得到所述每个用户之间的相似度；
根据所述每个用户之间的相似度，构建得到所述用户相似度网络。
4.根据权利要求2所述的方法，其特征在于，所述产品相似度网络通过下述方式得到：
获取多个产品的产品信息；
对每个产品的产品信息进行特征映射处理，得到每个产品的产品特征；
将所述每个产品的产品特征输入相似度计算模型中，得到所述每个产品之间的相似度；
根据所述每个产品之间的相似度，构建得到所述产品相似度网络。
5.根据权利要求4所述的方法，其特征在于，所述对每个产品的产品信息进行特征映射处理，得到每个产品的产品特征，包括：
对每个产品的产品信息进行分词处理，得到每个产品的产品分词；
从所述每个产品的产品分词中，筛选出所述每个产品的产品关键词；
对所述每个产品的产品关键词进行特征映射处理，得到每个产品的产品特征。
6.根据权利要求1所述的方法，其特征在于，所述从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区，包括：
在所述待推荐用户为新用户的情况下，从所述电子券推荐网络中识别出与所述待推荐用户之间的相似度最大的用户所属的电子券推荐社区，作为与所述待推荐用户匹配的目标电子券推荐社区；
在所述待推荐用户为老用户的情况下，从所述电子券推荐网络中识别出所述待推荐用户当前所属的电子券推荐社区，作为与所述待推荐用户匹配的目标电子券推荐社区。
7.根据权利要求1所述的方法，其特征在于，所述从所述目标电子券推荐社区中，识别出与所述待推荐用户匹配的目标电子券，包括：
从所述目标电子券推荐社区中，识别出所述待推荐用户的关联用户的第一关联电子券、所述待推荐用户的关联产品的第二关联电子券；
获取所述目标电子券推荐社区内生成的推荐电子券，将所述第一关联电子券、所述第二关联电子券和所述推荐电子券，均识别为与所述待推荐用户匹配的目标电子券。
8.一种电子券推荐装置，其特征在于，所述装置包括：
确定模块，用于从电子券推荐网络包含的多个电子券推荐社区中，确定与待推荐用户匹配的目标电子券推荐社区；所述电子券推荐网络根据用户相似度网络、产品相似度网络和电子券融合处理得到，每个电子券推荐社区用于描述用户、产品和电子券相互之间的关联关系；所述产品为金融产品，所述电子券为金融产品电子券；
识别模块，用于从所述目标电子券推荐社区中，识别出与所述待推荐用户匹配的目标电子券；所述目标电子券至少包括所述待推荐用户的关联用户的第一关联电子券、所述待推荐用户的关联产品的第二关联电子券；
推荐模块，用于将所述目标电子券推荐给所述待推荐用户。
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。
CN202310637117.XA 2023-05-31 2023-05-31 电子券推荐方法、装置、计算机设备和存储介质 Pending CN116664190A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310637117.XA CN116664190A (zh) 2023-05-31 2023-05-31 电子券推荐方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310637117.XA CN116664190A (zh) 2023-05-31 2023-05-31 电子券推荐方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116664190A true CN116664190A (zh) 2023-08-29

Family

ID=87720217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310637117.XA Pending CN116664190A (zh) 2023-05-31 2023-05-31 电子券推荐方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116664190A (zh)

Similar Documents

Publication Publication Date Title
CN107330445B (zh) 用户属性的预测方法和装置
CN111626832B (zh) 产品推荐方法、装置及计算机设备
CN112800342B (zh) 基于异质信息的推荐方法、系统、计算机设备和存储介质
CN112214499B (zh) 图数据处理方法、装置、计算机设备和存储介质
CN114579584B (zh) 数据表处理方法、装置、计算机设备和存储介质
CN110909540B (zh) 短信垃圾新词识别方法、装置及电子设备
CN115293332A (zh) 一种图神经网络的训练方法、装置、设备及存储介质
CN117391313B (zh) 基于ai的智能决策方法、系统、设备以及介质
CN114297509A (zh) 用户兴趣向量生成方法、产品推荐方法、装置、设备、介质
Zhang et al. Prediction of Repeat Customers on E‐Commerce Platform Based on Blockchain
CN116401379A (zh) 金融产品数据推送方法、装置、设备及存储介质
Sharma et al. DeepWalk Based Influence Maximization (DWIM): Influence Maximization Using Deep Learning.
CN113656699A (zh) 用户特征向量确定方法、相关设备及介质
Bouzidi et al. LSTM-based automated learning with smart data to improve marketing fraud detection and financial forecasting
Zhang et al. Multi-view dynamic heterogeneous information network embedding
CN115758271A (zh) 数据处理方法、装置、计算机设备和存储介质
CN112734519B (zh) 一种基于卷积自编码器网络的商品推荐方法
CN111984698B (zh) 一种信息预测方法、装置及存储介质
CN116664190A (zh) 电子券推荐方法、装置、计算机设备和存储介质
CN114168804A (zh) 一种基于异质子图神经网络的相似信息检索方法和系统
Tran et al. Combining social relations and interaction data in Recommender System with Graph Convolution Collaborative Filtering
Chen et al. Incomplete data analysis
CN113327154A (zh) 基于大数据的电商用户讯息推送方法及系统
Xu et al. NC‐GNN: Consistent Neighbors of Nodes Help More in Graph Neural Networks
CN111460300A (zh) 网络内容推送方法、装置及存储介质

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