CN116823384A - 产品推荐方法、装置、设备、存储介质和计算机程序产品 - Google Patents
产品推荐方法、装置、设备、存储介质和计算机程序产品 Download PDFInfo
- Publication number
- CN116823384A CN116823384A CN202310596010.5A CN202310596010A CN116823384A CN 116823384 A CN116823384 A CN 116823384A CN 202310596010 A CN202310596010 A CN 202310596010A CN 116823384 A CN116823384 A CN 116823384A
- Authority
- CN
- China
- Prior art keywords
- product
- user behavior
- user
- data
- recommendation
- 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 46
- 238000004590 computer program Methods 0.000 title claims abstract description 28
- 230000006399 behavior Effects 0.000 claims description 250
- 238000012545 processing Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 23
- 238000012512 characterization method Methods 0.000 claims description 21
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 206010033307 Overweight Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005429 filling process Methods 0.000 description 2
- 230000007246 mechanism 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
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method 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
- 230000001360 synchronised effect Effects 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Technology Law (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种产品推送方法、装置、计算机设备、存储介质和计算机程序产品。应用于人工智能技术领域,所述方法包括:获取用户行为数据;所述用户行为数据包括用户浏览数据、用户购买数据或浏览产品的详情数据中的至少一个;根据所述用户行为数据,生成第一用户行为特征;将所述第一用户行为特征输入至预先训练后的产品推荐模型,以得到推荐结果;根据所述推荐结果,生成产品推荐信息,并推送至相应的用户终端。采用本方法能够通过产品推荐模型和用户行为数据,提高了产品推荐的准确度,从而实现为用户推荐符合实际需求的产品信息。
Description
技术领域
本申请涉及人工智能技术领域,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
随着人们理财意识的逐渐增强,越来越多的人开始关注各种类型的理财产品。
传统技术中,针对银行的理财产品推荐的方式是依据固定的计算方式。具体地,固定的计算方式为依据用户的风险承受能力、投资目标、市场环境和理财产品的收益率和风险,这四个因素为用户和不同的理财产品设置不同的权重,以得到对应的推荐结果。
但是这种方式计算得到的推荐结果总是固定的,推荐结果无法满足用户的实际需求。
发明内容
基于此,有必要针对上述技术问题,提供一种能够实现为用户推荐符合实际需求的产品信息的产品推荐方法、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:
获取用户行为数据;所述用户行为数据包括用户浏览数据、用户购买数据或浏览产品的详情数据中的至少一个;
根据所述用户行为数据,生成第一用户行为特征;
将所述第一用户行为特征输入至预先训练后的产品推荐模型,以得到推荐结果;
根据所述推荐结果,生成产品推荐信息,并推送至相应的用户终端。
在其中一个实施例中,所述根据所述用户行为数据,生成第一用户行为特征,包括:
将所述用户行为数据进行数据清洗,得到清洗后的用户行为数据;
将清洗后的用户行为数据进行特征提取,以提取与产品相关的特征,对提取的特征,进行特征化处理,以得到所述第一用户行为特征,所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个。
在其中一个实施例中,所述产品推荐模型包括通道拓展层、注意力层、U-NET网络层以及特征回归层,所述将所述第一用户行为特征输入至预先训练好的产品推荐模型,以得到推荐结果,包括:
将所述第一用户行为特征输入至所述通道拓展层,按照预设的拓展方式,将所述第一用户行为特征进行拓展,以得到第二用户行为特征;
将所述第二用户行为特征输入至所述注意力层,按照预设的权重要求,将所述第二用户行为特征进行赋权值操作,以得到第三用户行为特征;
将所述第三用户行为特征输入至所述U-NET网络层,进行特征融合,以得到第四用户行为特征;
将所述第四用户行为特征输入至所述特征回归层,以进行特征回归处理,得到推荐结果。
在其中一个实施例中,所述推荐结果为产品和所述产品对应的第一权重值,或产品类型和所述产品类型对应的第二权重值;所述根据所述推荐结果,生成产品推荐信息,包括:
在所述推荐结果为产品的情况下,生成第一产品推荐信息,所述第一产品推荐信息包括预设第一数量个且按序排列的产品信息;其中,产品信息的排列顺序是基于产品对应的第一权重值所确定的;
在所述推荐结果为产品类型的情况下,生成第二产品推荐信息,所述第二产品推荐信息包括预设第二数量个且按序排列的产品类型信息;其中,产品类型信息的排列顺序是基于产品类型对应的第二权重值所确定的。
在其中一个实施例中,所述方法还包括:
获取用户行为数据样本;所述用户行为数据样本包括用户浏览数据样本、用户购买数据样本或浏览产品的详情数据样本中的至少一个;
将所述用户行为数据样本进行数据清洗,得到清洗后的用户行为数据样本;
将清洗后的用户行为数据样本进行特征提取,以提取与产品相关的特征样本,对提取的特征样本,进行特征化处理,以得到用户行为特征样本,所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个;
通过所述用户行为特征样本,调整训练前的产品推荐模型的参数,直至所述训练前的产品推荐模型收敛,得到预先训练后的产品推荐模型。
在其中一个实施例中,所述方法还包括:
根据预设周期,获取用户基于所述产品推荐信息输入的反馈信息;
根据所述反馈信息,更新所述产品推荐模型。
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:
行为数据获取模块,用于获取用户行为数据;所述用户行为数据包括用户浏览数据、用户购买数据或浏览产品的详情数据中的至少一个;
第一特征生成模块,用于根据所述用户行为数据,生成第一用户行为特征;
推荐结果得到模块,用于将所述第一用户行为特征输入至预先训练好的产品推荐模型,以得到推荐结果;
信息推送模块,用于根据所述推荐结果,生成产品推荐信息,并推送至相应的用户终端。
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:
获取用户行为数据;所述用户行为数据包括用户浏览数据、用户购买数据或浏览产品的详情数据中的至少一个;
根据所述用户行为数据,生成第一用户行为特征;
将所述第一用户行为特征输入至预先训练后的产品推荐模型,以得到推荐结果;
根据所述推荐结果,生成产品推荐信息,并推送至相应的用户终端。
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:
获取用户行为数据;所述用户行为数据包括用户浏览数据、用户购买数据或浏览产品的详情数据中的至少一个;
根据所述用户行为数据,生成第一用户行为特征;
将所述第一用户行为特征输入至预先训练后的产品推荐模型,以得到推荐结果;
根据所述推荐结果,生成产品推荐信息,并推送至相应的用户终端。
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:
获取用户行为数据;所述用户行为数据包括用户浏览数据、用户购买数据或浏览产品的详情数据中的至少一个;
根据所述用户行为数据,生成第一用户行为特征;
将所述第一用户行为特征输入至预先训练后的产品推荐模型,以得到推荐结果;
根据所述推荐结果,生成产品推荐信息,并推送至相应的用户终端。
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,通过获取用户行为数据,根据用户行为数据,生成第一用户行为特征;将第一用户行为特征输入至预先训练后的产品推荐模型,以得到推荐结果;根据推荐结果,生成产品推荐信息,并推送至相应的用户终端;产品推荐模型是通过深度学习训练得到,用户行为数据是用户的真实行为数据,通过产品推荐模型和用户行为数据,提高了产品推荐的准确度,从而实现为用户推荐符合实际需求的产品信息,并且,也实现了为用户推荐个性化的产品信息。
附图说明
图1为一个实施例中产品推荐方法的应用环境图;
图2为一个实施例中产品推荐方法的流程示意图;
图3为一个实施例中产品推荐模型的结构图;
图4为一个实施例中产品推荐模型训练的流程示意图;
图5为另一个实施例中产品推荐方法的流程示意图;
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。
本申请实施例提供的产品推荐方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
终端102从服务器104获取用户行为数据,以根据用户行为数据,生成第一用户行为特征,将第一用户行为特征输入至预先训练后的产品推荐模型,以得到推荐结果,根据推荐结果,生成产品推荐信息,并推送至相应的用户终端。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种产品推荐方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,获取用户行为数据;所述用户行为数据包括用户浏览数据、用户购买数据或浏览产品的详情数据中的至少一个。
其中,用户行为数据是用户在最近一个时间段的行为数据。具体地,用户行为数据可以为用户最近一个时间段使用手机银行APP或在银行柜台记录的行为数据,最近一个时间段可以为最近一周或最近一个月。
其中,用户行为数据包括用户浏览数据、用户购买数据或浏览产品的详情数据中的至少一个,具体地,用户浏览数据可以包括用户浏览的理财产品名称。用户购买数据可以包括用户近段时间的购买的理财产品的类型。浏览产品的详情数据为用户浏览理财产品的详情数据,包括但不限于产品收益率、产品风险等级、产品购买要求、产品提前赎回规则。
在一些实施例中,终端可以从服务器中获取每个用户的用户行为数据。示例性地,可以实时获取用户使用手机银行的用户行为数据,并将对应的用户行为数据同步至服务器,终端每间隔预设时长,可以获取用户行为数据,以用于产品推荐。
步骤204,根据所述用户行为数据,生成第一用户行为特征。
其中,第一用户行为特征是用于表征用户的行为特征。
在一些实施例中,终端可以在获取用户行为数据后,对用户行为数据进行预处理,得到待处理数据,以根据待处理数据,生成对应的第一用户行为特征。
步骤206,将所述第一用户行为特征输入至预先训练后的产品推荐模型,以得到推荐结果。
其中,产品推荐模型是通过深度学习训练得到的,用于进行产品推荐的预测。推荐结果可以包括产品和产品对应的第一权重值,或者包括产品类型和产品类型对应的第二权重值。
在一些实施例中,终端对用户行为数据进行预处理,得到待处理数据,通过产品推荐模型对待处理数据进行产品推荐预测,得到相应的预测结果。
步骤208,根据所述推荐结果,生成产品推荐信息,并推送至相应的用户终端。
在一些实施例中,产品推荐信息基于推荐结果生成,并根据用户行为数据中的用户标识信息,推送至相应的用户终端。
上述产品推送方法中,获取用户行为数据,根据用户行为数据,生成第一用户行为特征;将第一用户行为特征输入至预先训练后的产品推荐模型,以得到推荐结果;根据推荐结果,生成产品推荐信息,并推送至相应的用户终端;产品推荐模型是通过深度学习训练得到,用户行为数据是用户的真实行为数据,通过产品推荐模型和用户行为数据,提高了产品推荐的准确度,从而实现为用户推荐符合实际需求的产品信息,并且,实现了为用户推荐个性化的产品信息。
在一个实施例中,步骤204包括:
步骤2042,将所述用户行为数据进行数据清洗,得到清洗后的用户行为数据。
其中,用户行为数据包括用户浏览数据、用户购买数据或浏览产品的详情数据中的至少一个;
在一些实施例中,可以对用户行为数据进行预处理,得到待处理数据。具体地,可以是对用户行为数据进行清洗,以剔除用户行为数据中的异常数据和空值数据。
步骤2044,将清洗后的用户行为数据进行特征提取,以提取与产品相关的特征,对提取的特征,进行特征化处理,以得到所述第一用户行为特征,所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个。
在一些实施例中,将清洗后的用户行为数据进行特征提取,以提取与产品相关的特征,对提取的特征,进行特征化处理,得到第一用户行为特征。
在上述实施例中,对用户行为数据进行数据清洗,得到待处理数据,避免了用户行为数据汇总异常值和空值影响预测,提升了待处理数据的质量,进而提高了产品推荐的准确率。
在一个实施例中,所述产品推荐模型包括通道拓展层、注意力层、U-NET网络层以及特征回归层,步骤206包括:
步骤2062,将所述第一用户行为特征输入至所述道路拓展层,按照预设的拓展方式,将所述第一用户行为特征进行拓展,以得到第二用户行为特征。
其中,第二用户行为特征由第一用户行为特征在道路拓展层进行拓展,并将拓展后的特征进行拼接得到的。
示例性地,参考图3,示出了一个实施例中产品推荐模型的结构图,包括:通道拓展层302、注意力层304、U-NET网络层306以及特征回归层308。
其中,通道拓展层302用于将输入的第一用户行为特征进行拓展为设定数量的第二用户行为特征。具体地,设定数量越大,计算精度会越好,但是计算量比较大。具体的拓展方式可以由很多种方式,最简单的方式为直接复制输入的特征,将输入的特征复制多个,并将复制的特征进行拼接。
步骤2064,将所述第二用户行为特征输入至所述注意力层,按照预设的权重要求,将所述第二用户行为特征进行赋权值操作,以得到第三用户行为特征。
示例性地,注意力层304,用于为第二用户行为特征添加权重值。具体地,注意力层设置有注意力机制。注意力机制是通过自主学习获取所有特征的注意力权重,对于任务目标强相关的特征赋予高权重、对于任务目标弱相关的特征赋予低权重,通过突出高权重特征、抑制低权重特征,对不同的权重进行区别对待,实现了加强特征对于任务目标的表示能力。
其中,第三用户行为特征由第二用户行为特征在注意力层,按照预设的权重要求得到的。预设的权重要求是可以通过自主学习进行获取所有的特征的注意权值。具体地,对于理财产品强相关的特征赋予高权重,对于理财产品弱相关的特征赋予低权重。
在一些实施例中,将第二用户行为特征输入至注意力层,以按照预设权重要求,将第二用户行为特征进行赋权重操作,得到第三用户行为特征。
步骤2066,将所述第三用户行为特征输入至所述U-NET网络层,进行特征融合,以得到第四用户行为特征。
示例性地,U-NET网络层306,用于为第三用户行为特征进行下采样操作后,再进行上采样操作,以实现特征融合。具体地,将第三用户行为特征进行下采样操作,以不断缩小这个特征的大小,提取高维特征,再通过上采样逐渐将特征恢复至原有大小。
其中,第四用户行为特征是由第三用户行为特征在U-NET网络层,进行特征融合得到的。
步骤2068,将所述第四用户行为特征输入至所述特征回归层,以进行特征回归处理,得到推荐结果。
示例性地,特征回归层308,用于将第四用户行为特征进行特征回归处理,得到推荐结果。
在上述实施例中,将第一用户行为特征,通过产品推荐模型的通道拓展层、注意力层、U-NET网络层以及特征回归层,得到推荐结果,实现了通过模型评估用户对各理财产品的兴趣度,从而为用户生成个性化的推荐结果,并且第一用户行为特征由真实情况下的用户行为数据得到,提高了推荐信息的准确度。
在一个实施例中,所述推荐结果为产品和所述产品对应的第一权重值,或产品类型和所述产品类型对应的第二权重值;步骤208包括:
步骤2082,在所述推荐结果为产品的情况下,生成第一产品推荐信息,所述第一产品推荐信息包括预设第一数量个且按序排列的产品信息;其中,产品信息的排列顺序是基于产品对应的第一权重值所确定的。
其中,推荐结果可以为产品和产品对应的第一权重值。第一产品推荐信息包括预设第一数量个且按序排列的产品信息。具体地,预设第一数量的大小是可以根据实际情况进行自行设定,本发明在此不作限定。
其中,产品信息的排列顺序是基于产品对应的第一权重值确定的。具体地,可以按照第一权重值的大小进行依据从大至小的方式排序。
在一些实施例中,在推荐结果为产品的情况下,生成包含预设第一数量个且基于产品对应的第一权重值的大小进行排列的产品信息。
步骤2084,在所述推荐结果为产品类型的情况下,生成第二产品推荐信息,所述第二产品推荐信息包括预设第二数量个且按序排列的产品类型信息;其中,产品类型信息的排列顺序是基于产品类型对应的第二权重值所确定的。
其中,推荐结果可以为产品类型和产品类型对应的第二权重值。第二产品推荐信息包括预设第二数量个且按序排列的产品信息。具体地,预设第二数量的大小可以根据实际情况进行自行设定,本发明在此不作限定。
其中,产品类型信息的排列顺序是基于产品类型对应的第二权重值确定的。具体地,可以按照第二权重值的大小进行依据从大至小的方式排序。
在上述实施例中,推荐结果可以为产品或者产品类型,以根据推荐结果生成产品推荐信息,实现了为用户生成个性化的产品推荐方案,并且第一用户行为特征由真实情况下的用户行为数据得到,提高了推荐信息的准确度。
在一个实施例中,所述方法还包括:
根据预设周期,获取用户基于所述产品推荐信息输入的反馈信息;
根据所述反馈信息,更新所述产品推荐模型。
其中,反馈信息为用户基于产品推荐信息输入得到。反馈信息包括用户的点击信息和未点击信息。
示例性地,每隔一个设定的时间,获取用户基于产品推荐信息输入的反馈信息,以根据用户的反馈信息,对产品推荐模型进行更新。具体地,可以通过一个预设周期,获取用户基于产品推荐信息输入的反馈信息。
在上述实施例中,根据用户的反馈信息,对产品推荐模型进行更新,实现了通过用户真实的反馈情况,对产品推荐模型进一步地更新,实现了更加精准地为用户推送真正感兴趣的产品推荐信息,从而为用户提供个性化服务。
在一个实施例中,参考图4,示出了一个实施例中产品推荐模型训练的流程示意图,包括以下步骤:
步骤402,获取用户行为数据样本;所述用户行为数据样本包括用户浏览数据样本、用户购买数据样本或浏览产品的详情数据样本中的至少一个。
其中,用户行为数据样本是用户的历史行为数据。具体地,用户行为数据样本包括用户浏览数据样本、用户购买数据样本或浏览产品的详情数据样本中的至少一个。
步骤404,将所述用户行为数据样本进行数据清洗,得到清洗后的用户行为数据样本。
在一些实施例中,可以对用户行为数据样本进行预处理,得到待处理数据。具体地,可以是对用户行为数据样本进行清洗,以剔除用户行为数据样本中的异常数据和空值数据。
步骤406,将清洗后的用户行为数据样本进行特征提取,以提取与产品相关的特征样本,对提取的特征样本,进行特征化处理,以得到用户行为特征样本,所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个。
在一些实施例中,将清洗后的用户行为数据样本进行特征提取,以提取与产品相关的特征,对提取的特征,进行特征化处理,得到用户行为特征样本。
步骤408,通过所述用户行为特征样本,调整训练前的产品推荐模型的参数,直至所述训练前的产品推荐模型收敛,得到预先训练后的产品推荐模型。
在上述实施例中,通过用户行为数据样本,得到用户行为特征样本,以根据用户行为特征样本,调整训练前的产品推荐模型的参数,直至训练前的产品推荐模型收敛,使得训练后的产品推荐模型适用于真实环境中对产品信息进行推荐,从而在一定程度上了提升了产品推荐的准确率。
为了更好地理解本发明实施例中产品推荐的完整过程,以一完整示例加以说明,参考图5,示出另一个实施例中产品推荐方法的流程示意图。
步骤502,获取用户行为数据样本。
其中,用户行为数据样本包括用户浏览数据样本、用户购买数据样本或浏览产品的详情数据样本中的至少一个。
步骤504,将用户行为数据样本进行数据清洗,得到清洗后的用户行为数据样本;将清洗后的用户行为数据样本进行特征提取,以提取与产品相关的特征样本,对提取的特征样本,进行特征化处理,以得到用户行为特征样本。
步骤506,通过用户行为特征样本,调整训练前的产品推荐模型的参数,直至训练前的产品推荐模型收敛,得到预先训练后的产品推荐模型。
步骤508,获取用户行为数据。
其中,用户行为数据是用户在最近一个时间段的行为数据。具体地,用户行为数据可以为用户最近一个时间段使用手机银行APP或在银行柜台记录的行为数据,最近一个时间段可以为最近一周或最近一个月的行为数据。
步骤510,将用户行为数据进行数据清洗,得到清洗后的用户行为数据;将清洗后的用户行为数据进行特征提取,以提取与产品相关的特征,对提取的特征,进行特征化处理,以得到第一用户行为特征。
其中,特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个。第一用户行为特征是用于表征用户的行为特征。
步骤512,将第一用户行为特征输入至预先训练后的产品推荐模型,以得到推荐结果。
其中,推荐结果可以包括产品和产品对应的第一权重值,或者包括产品类型和产品类型对应的第二权重值。
步骤514,根据推荐结果,生成产品推荐信息,并推送至相应的用户终端。
在一些实施例中,在推荐结果为产品的情况下,生成包含预设第一数量个且基于产品对应的第一权重值的大小进行排列的第一产品推荐信息。在推荐结果为产品类型的情况下,生成包含预设第二数量个且基于产品类型对应的第二权重值的大小进行排序的第二产品推荐信息。
步骤516,根据预设周期,获取用户基于产品推荐信息输入的反馈信息,以更新产品推荐模型。
具体地,可以通过一个预设周期,获取用户基于产品推荐信息输入的反馈信息,并根据反馈信息,更新产品推荐模型。
在本实施例中,获取用户行为数据,根据用户行为数据,生成第一用户行为特征;将第一用户行为特征输入至预先训练后的产品推荐模型,以得到推荐结果;根据推荐结果,生成产品推荐信息,并推送至相应的用户终端;产品推荐模型是通过深度学习训练得到,用户行为数据是用户的真实行为数据,通过产品推荐模型和用户行为数据,提高了产品推荐的准确度,从而实现为用户推荐符合实际需求的产品信息,并且,实现了为用户推荐个性化的产品信息。
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,包括:行为数据获取模块602、第一特征生成模块604、推荐结果得到模块606和信息推送模块608,其中:
行为数据获取模块602,用于获取用户行为数据;所述用户行为数据包括用户浏览数据、用户购买数据或浏览产品的详情数据中的至少一个;
第一特征生成模块604,用于根据所述用户行为数据,生成第一用户行为特征;
推荐结果得到模块606,用于将所述第一用户行为特征输入至预先训练好的产品推荐模型,以得到推荐结果;
信息推送模块608,用于根据所述推荐结果,生成产品推荐信息,并推送至相应的用户终端。
在一些实施例中,所述第一特征生成模块604,包括:
第一数据得到单元,用于将所述用户行为数据进行数据清洗,得到清洗后的用户行为数据;
第一特征得到单元,用于将清洗后的用户行为数据进行特征提取,以提取与产品相关的特征,对提取的特征,进行特征化处理,以得到所述第一用户行为特征,所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个。
在一些实施例中,所述产品推荐模型包括通道拓展层、注意力层、U-NET网络层以及特征回归层,所述推荐结果得到模块606,包括:
第二特征得到单元,用于将所述第一用户行为特征输入至所述通道拓展层,按照预设的拓展方式,将所述第一用户行为特征进行拓展,以得到第二用户行为特征;
第三特征得到单元,用于将所述第二用户行为特征输入至所述注意力层,按照预设的权重要求,将所述第二用户行为特征进行赋权值操作,以得到第三用户行为特征;
第四特征得到单元,用于将所述第三用户行为特征输入至所述U-NET网络层,进行特征融合,以得到第四用户行为特征;
推荐结果得到单元,用于将所述第四用户行为特征输入至所述特征回归层,以进行特征回归处理,得到推荐结果。
在一些实施例中,所述推荐结果为产品和所述产品对应的第一权重值,或产品类型和所述产品类型对应的第二权重值;所述信息推送模块608,包括:
第一信息推送单元,用于在所述推荐结果为产品的情况下,生成第一产品推荐信息,所述第一产品推荐信息包括预设第一数量个且按序排列的产品信息;其中,产品信息的排列顺序是基于产品对应的第一权重值所确定的;
第二信息推送单元,用于在所述推荐结果为产品类型的情况下,生成第二产品推荐信息,所述第二产品推荐信息包括预设第二数量个且按序排列的产品类型信息;其中,产品类型信息的排列顺序是基于产品类型对应的第二权重值所确定的。
在一些实施例中,所述装置还包括:
样本获取模块,用于获取用户行为数据样本;所述用户行为数据样本包括用户浏览数据样本、用户购买数据样本或浏览产品的详情数据样本中的至少一个;
样本清洗模块,用于将所述用户行为数据样本进行数据清洗,得到清洗后的用户行为数据样本;
特征样本提取模块,用于将清洗后的用户行为数据样本进行特征提取,以提取与产品相关的特征样本,对提取的特征样本,进行特征化处理,以得到用户行为特征样本,所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个;
模型得到模块,用于通过所述用户行为特征样本,调整训练前的产品推荐模型的参数,直至所述训练前的产品推荐模型收敛,得到预先训练后的产品推荐模型。
在一些实施例中,所述装置还包括:
反馈信息获取模块,用于根据预设周期,获取用户基于所述产品推荐信息输入的反馈信息;
推荐模型更新模块,用于根据所述反馈信息,更新所述产品推荐模型。
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。
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,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以下步骤:
获取用户行为数据;所述用户行为数据包括用户浏览数据、用户购买数据或浏览产品的详情数据中的至少一个;
根据所述用户行为数据,生成第一用户行为特征;
将所述第一用户行为特征输入至预先训练后的产品推荐模型,以得到推荐结果;
根据所述推荐结果,生成产品推荐信息,并推送至相应的用户终端。
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,计算机程序被处理器执行时实现以下步骤:
获取用户行为数据;所述用户行为数据包括用户浏览数据、用户购买数据或浏览产品的详情数据中的至少一个;
根据所述用户行为数据,生成第一用户行为特征;
将所述第一用户行为特征输入至预先训练后的产品推荐模型,以得到推荐结果;
根据所述推荐结果,生成产品推荐信息,并推送至相应的用户终端。
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以下步骤:
获取用户行为数据;所述用户行为数据包括用户浏览数据、用户购买数据或浏览产品的详情数据中的至少一个;
根据所述用户行为数据,生成第一用户行为特征;
将所述第一用户行为特征输入至预先训练后的产品推荐模型,以得到推荐结果;
根据所述推荐结果,生成产品推荐信息,并推送至相应的用户终端。
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 (10)
1.一种产品推荐方法,其特征在于,所述方法包括:
获取用户行为数据;所述用户行为数据包括用户浏览数据、用户购买数据或浏览产品的详情数据中的至少一个;
根据所述用户行为数据,生成第一用户行为特征;
将所述第一用户行为特征输入至预先训练后的产品推荐模型,以得到推荐结果;
根据所述推荐结果,生成产品推荐信息,并推送至相应的用户终端。
2.根据权利要求1所述的方法,其特征在于,所述根据所述用户行为数据,生成第一用户行为特征,包括:
将所述用户行为数据进行数据清洗,得到清洗后的用户行为数据;
将清洗后的用户行为数据进行特征提取,以提取与产品相关的特征,对提取的特征,进行特征化处理,以得到所述第一用户行为特征,所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个。
3.根据权利要求1所述的方法,其特征在于,所述产品推荐模型包括通道拓展层、注意力层、U-NET网络层以及特征回归层,所述将所述第一用户行为特征输入至预先训练好的产品推荐模型,以得到推荐结果,包括:
将所述第一用户行为特征输入至所述通道拓展层,按照预设的拓展方式,将所述第一用户行为特征进行拓展,以得到第二用户行为特征;
将所述第二用户行为特征输入至所述注意力层,按照预设的权重要求,将所述第二用户行为特征进行赋权值操作,以得到第三用户行为特征;
将所述第三用户行为特征输入至所述U-NET网络层,进行特征融合,以得到第四用户行为特征;
将所述第四用户行为特征输入至所述特征回归层,以进行特征回归处理,得到推荐结果。
4.根据权利要求1所述的方法,其特征在于,所述推荐结果为产品和所述产品对应的第一权重值,或产品类型和所述产品类型对应的第二权重值;所述根据所述推荐结果,生成产品推荐信息,包括:
在所述推荐结果为产品的情况下,生成第一产品推荐信息,所述第一产品推荐信息包括预设第一数量个且按序排列的产品信息;其中,产品信息的排列顺序是基于产品对应的第一权重值所确定的;
在所述推荐结果为产品类型的情况下,生成第二产品推荐信息,所述第二产品推荐信息包括预设第二数量个且按序排列的产品类型信息;其中,产品类型信息的排列顺序是基于产品类型对应的第二权重值所确定的。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取用户行为数据样本;所述用户行为数据样本包括用户浏览数据样本、用户购买数据样本或浏览产品的详情数据样本中的至少一个;
将所述用户行为数据样本进行数据清洗,得到清洗后的用户行为数据样本;
将清洗后的用户行为数据样本进行特征提取,以提取与产品相关的特征样本,对提取的特征样本,进行特征化处理,以得到用户行为特征样本,所述特征化处理包括归一化处理、标准化处理或缺失值填充处理中的至少一个;
通过所述用户行为特征样本,调整训练前的产品推荐模型的参数,直至所述训练前的产品推荐模型收敛,得到预先训练后的产品推荐模型。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据预设周期,获取用户基于所述产品推荐信息输入的反馈信息;
根据所述反馈信息,更新所述产品推荐模型。
7.一种产品推荐装置,其特征在于,所述装置包括:
行为数据获取模块,用于获取用户行为数据;所述用户行为数据包括用户浏览数据、用户购买数据或浏览产品的详情数据中的至少一个;
第一特征生成模块,用于根据所述用户行为数据,生成第一用户行为特征;
推荐结果得到模块,用于将所述第一用户行为特征输入至预先训练好的产品推荐模型,以得到推荐结果;
信息推送模块,用于根据所述推荐结果,生成产品推荐信息,并推送至相应的用户终端。
8.一种计算机设备,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6中任一项所述的产品推荐方法的步骤。
9.一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6中任一项所述的产品推荐方法的步骤。
10.一种计算机程序产品,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6中任一项所述的产品推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310596010.5A CN116823384A (zh) | 2023-05-24 | 2023-05-24 | 产品推荐方法、装置、设备、存储介质和计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310596010.5A CN116823384A (zh) | 2023-05-24 | 2023-05-24 | 产品推荐方法、装置、设备、存储介质和计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116823384A true CN116823384A (zh) | 2023-09-29 |
Family
ID=88142038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310596010.5A Pending CN116823384A (zh) | 2023-05-24 | 2023-05-24 | 产品推荐方法、装置、设备、存储介质和计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823384A (zh) |
-
2023
- 2023-05-24 CN CN202310596010.5A patent/CN116823384A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20150278350A1 (en) | Recommendation System With Dual Collaborative Filter Usage Matrix | |
CN114219184A (zh) | 产品交易数据预测方法、装置、设备、介质和程序产品 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN116823384A (zh) | 产品推荐方法、装置、设备、存储介质和计算机程序产品 | |
CN116861071A (zh) | 资讯推送方法、装置、计算机设备、存储介质和程序产品 | |
CN116881543A (zh) | 金融资源对象推荐方法、装置、设备、存储介质和产品 | |
CN117440041A (zh) | 静默服务信息推送方法、装置、计算机设备和存储介质 | |
CN116866419A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN116932891A (zh) | 资源对象展示方法、装置、设备、存储介质和产品 | |
CN117312416A (zh) | 交易展示方法、装置、计算机设备和存储介质 | |
CN117745337A (zh) | 产品生成方法、装置、计算机设备和存储介质 | |
CN117786204A (zh) | 金融资源对象推荐方法、装置、设备、存储介质和产品 | |
CN118035423A (zh) | 信息查询方法、装置、计算机设备和存储介质 | |
CN117407418A (zh) | 信息获取方法、装置、计算机设备、存储介质和程序产品 | |
CN115578186A (zh) | 授信额度预测方法、装置、计算机设备、存储介质和产品 | |
CN117112724A (zh) | 搜索推送方法、装置、设备、存储介质和计算机程序产品 | |
CN117670686A (zh) | 视频帧增强方法、装置、计算机设备和存储介质 | |
CN114168787A (zh) | 音乐推荐方法、装置、计算机设备和存储介质 | |
CN117216164A (zh) | 金融数据同步处理方法、装置、设备、介质和程序产品 | |
CN116342242A (zh) | 异常检测方法、装置、计算机设备和存储介质 | |
CN117541350A (zh) | 产品推送方法、装置、计算机设备和存储介质 | |
CN116880886A (zh) | 产品推荐模型的更新方法和装置 | |
CN116127183A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN116910354A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN116881122A (zh) | 测试案例生成方法、装置、设备、存储介质和程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |