CN117132343A - 产品推荐方法、装置、电子设备、介质和计算机程序产品 - Google Patents
产品推荐方法、装置、电子设备、介质和计算机程序产品 Download PDFInfo
- Publication number
- CN117132343A CN117132343A CN202310423037.4A CN202310423037A CN117132343A CN 117132343 A CN117132343 A CN 117132343A CN 202310423037 A CN202310423037 A CN 202310423037A CN 117132343 A CN117132343 A CN 117132343A
- Authority
- CN
- China
- Prior art keywords
- product
- user
- products
- sets
- 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 61
- 238000004590 computer program Methods 0.000 title claims abstract description 27
- 230000015654 memory Effects 0.000 claims description 12
- 238000012502 risk assessment Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种产品推荐方法、装置、电子设备、介质和计算机程序产品。上述方法和装置可用于人工智能技术领域。产品推荐方法包括:获取m个用户中每个用户的购买产品集,其中,所述购买产品集中包括ni个产品,m为大于等于1的整数,ni为大于等于1的整数,i为大于等于1且小于等于m的整数;根据所述m个用户的购买产品集,利用PF‑Growth模型得到g个频繁项集,将所述g个频繁项集作为g个预选关联产品集;按照关联规则从所述g个预选关联产品集中确定出关联产品集;以及根据每个用户的购买产品集和所述关联产品集,根据推荐规则向该用户推荐k个产品,其中,k为大于等于1的整数。
Description
技术领域
本公开涉及人工智能技术领域,更具体地,涉及一种产品推荐方法、装置、电子设备、介质和计算机程序产品。
背景技术
目前的理财产品推荐大多数是收益排行榜推荐或者是热门产品推荐,推荐方法缺乏产品与产品之间的内在联系,也缺乏产品与用户本身之间的关联性,使得推荐的理财产品对于客户缺乏稳定性和可持续性。
发明内容
有鉴于此,本公开提供了一种产品对于客户稳定性高以及可持续性好的产品推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
本公开的一个方面提供了一种产品推荐方法,包括:获取m个用户中每个用户的购买产品集,其中,所述购买产品集中包括ni个产品,m为大于等于1的整数,ni为大于等于1的整数,i为大于等于1且小于等于m的整数;根据所述m个用户的购买产品集,利用PF-Growth模型得到g个频繁项集,将所述g个频繁项集作为g个预选关联产品集;按照关联规则从所述g个预选关联产品集中确定出关联产品集;以及根据每个用户的购买产品集和所述关联产品集,根据推荐规则向该用户推荐k个产品,其中,k为大于等于1的整数。
根据本公开实施例的产品推荐方法,通过获取的m个用户的购买产品集,利用PF-Growth模型得到g个频繁项集,将g个频繁项集作为g个预选关联产品集,按照关联规则可以从g个预选关联产品集中确定出关联产品集,根据每个用户的购买产品集和关联产品集,即可根据推荐规则向该用户推荐k个产品。本公开的产品推荐方法利用PF-Growth模型可以挖掘出产品与产品之间的内在联系,找出频繁捆绑出现的产品集,最终确定出关联产品集,本公开的产品推荐方法通过购买产品集也考虑了产品与用户本身之间的关联性,使得推荐的理财产品对于客户稳定性高和可持续性好。
在一些实施例中,所述按照关联规则从所述g个预选关联产品集中确定出关联产品集,包括:计算所述g个预选关联产品集中每个预选关联产品集的支持度;以及根据所述支持度的排序,确定出关联产品集。
在一些实施例中,所述购买产品集和所述关联产品集中的产品均具有产品属性,所述产品属性包括风险等级和收益率,所述根据每个用户的购买产品集和所述关联产品集,根据推荐规则向该用户推荐k个产品,包括:根据获取的每个用户的基本信息,计算该用户的风险承受能力;根据该用户的风险承受能力、所述购买产品集中每个产品的产品属性和所述关联产品集中每个产品的产品属性,从所述关联产品集中确定r个产品作为候选推荐集,其中,r为大于等于k的整数;以及将所述候选推荐集中的r个产品的收益率按照从大到小排序,将排名前k个产品推荐给该用户。
在一些实施例中,根据该用户的风险承受能力、所述购买产品集中每个产品的产品属性和所述关联产品集中每个产品的产品属性,从所述关联产品集中确定r个产品作为候选推荐集,包括:构建候选推荐集,其中,初始的候选推荐集为空集;将所述关联产品集中收益率排名前X1,且不存在于所述购买产品集中的产品加入所述候选推荐集,其中,X1为大于等于1的整数;将所述关联产品集中风险等级小于等于该用户的风险承受能力的产品加入所述候选推荐集;以及将所述关联产品集中每个产品与所述购买产品集中每个产品比较,当所述关联产品集中的产品的风险等级小于等于购买产品集中的产品,且收益率大于等于购买产品集中的产品时,则将所述关联产品集中的该产品加入所述候选推荐集。
在一些实施例中,所述的方法还包括:识别所述购买产品集中风险等级大于对应用户的风险承受能力的产品,并提示该用户。
在一些实施例中,所述基本信息包括财务状况、风险偏好、投资经验和投资风格,所述根据获取的每个用户的基本信息,计算该用户的风险承受能力,包括:对所述基本信息提取特征向量;以及根据所述特征向量,利用风险分析模型,计算该用户的风险承受能力。
本公开的另一个方面提供了一种产品推荐装置,包括:获取模块,所述获取模块用于执行获取m个用户中每个用户的购买产品集,其中,所述购买产品集中包括ni个产品,m为大于等于1的整数,ni为大于等于1的整数,i为大于等于1且小于等于m的整数;第一确定模块,所述第一确定模块用于执行根据所述m个用户的购买产品集,利用PF-Growth模型得到g个频繁项集,将所述g个频繁项集作为g个预选关联产品集;第二确定模块,所述第二确定模块用于执行按照关联规则从所述g个预选关联产品集中确定出关联产品集;以及推荐模块,所述推荐模块用于执行根据每个用户的购买产品集和所述关联产品集,根据推荐规则向该用户推荐k个产品,其中,k为大于等于1的整数。
本公开的另一方面提供了一种电子设备,包括一个或多个处理器以及一个或多个存储器,其中,所述存储器用于存储可执行指令,所述可执行指令在被所述处理器执行时,实现如上所述方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序产品,包括计算机程序,所述计算机程序包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的可以应用方法、装置的示例性系统架构;
图2示意性示出了根据本公开实施例的产品推荐方法的流程图;
图3示意性示出了根据本公开实施例的按照关联规则从g个预选关联产品集中确定出关联产品集的流程图;
图4示意性示出了根据本公开实施例的按照关联规则从g个预选关联产品集中确定出关联产品集的流程图;
图5示意性示出了根据本公开实施例的根据该用户的风险承受能力、购买产品集中每个产品的产品属性和关联产品集中每个产品的产品属性,从关联产品集中确定r个产品作为候选推荐集的流程图;
图6示意性示出了根据本公开实施例的根据获取的每个用户的基本信息,计算该用户的风险承受能力的流程图;
图7示意性示出了根据本公开实施例的产品推荐方法的流程图;
图8示意性示出了根据本公开实施例的FP-tree树的示意图;
图9示意性示出了根据本公开实施例的产品推荐装置的框图;
图10示意性示出了根据本公开实施例的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。在本公开的技术方案中,对数据的获取、收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。
目前的理财产品推荐大多数是收益排行榜推荐或者是热门产品推荐,推荐方法缺乏产品与产品之间的内在联系,也缺乏产品与用户本身之间的关联性,使得推荐的理财产品对于客户缺乏稳定性和可持续性。
本公开的实施例提供了一种产品推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。产品推荐方法包括:获取m个用户中每个用户的购买产品集,其中,购买产品集中包括ni个产品,m为大于等于1的整数,ni为大于等于1的整数,i为大于等于1且小于等于m的整数;根据m个用户的购买产品集,利用PF-Growth模型得到g个频繁项集,将g个频繁项集作为g个预选关联产品集;按照关联规则从g个预选关联产品集中确定出关联产品集;以及根据每个用户的购买产品集和关联产品集,根据推荐规则向该用户推荐k个产品,其中,k为大于等于1的整数。
需要说明的是,本公开的产品推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品可用于人工智能技术领域,也可用于除人工智能技术领域之外的任意领域,例如金融领域,这里对本公开的领域不做限定。
图1示意性示出了根据本公开实施例的可以应用产品推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品的示例性系统架构100。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备10l、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的产品推荐方法一般可以由服务器105执行。相应地,本公开实施例所提供的产品推荐装置一般可以设置于服务器105中。本公开实施例所提供的产品推荐方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的产品推荐装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图6对本公开实施例的产品推荐方法进行详细描述。
图2示意性示出了根据本公开实施例的产品推荐方法的流程图。
如图2所示,该实施例的产品推荐方法包括操作S210~操作S240。
在操作S210,获取m个用户中每个用户的购买产品集,其中,购买产品集中包括ni个产品,m为大于等于1的整数,ni为大于等于1的整数,i为大于等于1且小于等于m的整数。
例如,m可以为5,分别为张三、李四、王五、赵六和刘七。张三的购买产品集例如可以为{产品1,产品2,产品4,产品6};李四的购买产品集例如可以为{产品1,产品3,产品5,产品6};王五的购买产品集例如可以为{产品1,产品2,产品3,产品4};赵六的购买产品集例如可以为{产品2,产品3,产品6};刘七的购买产品集例如可以为{产品2,产品4}。
在操作S220,根据m个用户的购买产品集,利用PF-Growth模型得到g个频繁项集,将g个频繁项集作为g个预选关联产品集。
在操作S230,按照关联规则从g个预选关联产品集中确定出关联产品集。
在操作S240,根据每个用户的购买产品集和关联产品集,根据推荐规则向该用户推荐k个产品,其中,k为大于等于1的整数。
根据本公开实施例的产品推荐方法,通过获取的m个用户的购买产品集,利用PF-Growth模型得到g个频繁项集,将g个频繁项集作为g个预选关联产品集,按照关联规则可以从g个预选关联产品集中确定出关联产品集,根据每个用户的购买产品集和关联产品集,即可根据推荐规则向该用户推荐k个产品。本公开的产品推荐方法利用PF-Growth模型可以挖掘出产品与产品之间的内在联系,找出频繁捆绑出现的产品集,最终确定出关联产品集,本公开的产品推荐方法通过购买产品集也考虑了产品与用户本身之间的关联性,使得推荐的理财产品对于客户稳定性高和可持续性好。
图3示意性示出了根据本公开实施例的按照关联规则从g个预选关联产品集中确定出关联产品集的流程图。
操作S230按照关联规则从g个预选关联产品集中确定出关联产品集,包括操作S231和操作S232。
在操作S231,计算g个预选关联产品集中每个预选关联产品集的支持度。
在操作S232,根据支持度的排序,确定出关联产品集。
可以理解的是,一个预选关联产品集的支持度可以表示为Sup(g),是指m个用户的购买产品集中包括该预选关联产品集的个数占m个购买产品集的比例,即是用户购买该预选关联产品集的概率。例如一个预选关联产品集的支持度可以表示为Sup(g)可以通过公式(1)求得。
对支持度排序可以从大到小进行排序,选取排名第一的支持度对应的预选关联产品集作为关联产品集;也可以从小到大进行排序,选取排名倒数第一的支持度对应的预选关联产品集作为关联产品集。由此,通过操作S231和操作S232可以便于实现按照关联规则从g个预选关联产品集中确定出关联产品集。
图4示意性示出了根据本公开实施例的按照关联规则从g个预选关联产品集中确定出关联产品集的流程图。
购买产品集和关联产品集中的产品均具有产品属性,产品属性包括风险等级和收益率,操作S240根据每个用户的购买产品集和关联产品集,根据推荐规则向该用户推荐k个产品,包括操作S241~操作S243。
在操作S241,根据获取的每个用户的基本信息,计算该用户的风险承受能力。
在操作S242,根据该用户的风险承受能力、购买产品集中每个产品的产品属性和关联产品集中每个产品的产品属性,从关联产品集中确定r个产品作为候选推荐集,其中,r为大于等于k的整数。
作为一种可能实现的方式,如图5所示,操作S242根据该用户的风险承受能力、购买产品集中每个产品的产品属性和关联产品集中每个产品的产品属性,从关联产品集中确定r个产品作为候选推荐集,包括操作S2421~操作S2424。
在操作S2421,构建候选推荐集,其中,初始的候选推荐集为空集。
在操作S2422,将关联产品集中收益率排名前X1,且不存在于购买产品集中的产品加入候选推荐集,其中,X1为大于等于1的整数。
在操作S2423,将关联产品集中风险等级小于等于该用户的风险承受能力的产品加入候选推荐集。
在操作S2424,将关联产品集中每个产品与购买产品集中每个产品比较,当关联产品集中的产品的风险等级小于等于购买产品集中的产品,且收益率大于等于购买产品集中的产品时,则将关联产品集中的该产品加入候选推荐集。通过操作S2421~操作S2424可以便于实现根据该用户的风险承受能力、购买产品集中每个产品的产品属性和关联产品集中每个产品的产品属性,从关联产品集中确定r个产品作为候选推荐集。
在操作S243,将候选推荐集中的r个产品的收益率按照从大到小排序,将排名前k个产品推荐给该用户。
通过操作S241~操作S243可以便于实现根据每个用户的购买产品集和关联产品集,根据推荐规则向该用户推荐k个产品。使得用户在挑选理财产品时可以全面认识理财产品,在降低风险的同时实现收益最大化;在保证收益的同时降低风险。
根据本公开的一些实施例,产品推荐方法还可以包括操作S310。
在操作S310,识别购买产品集中风险等级大于对应用户的风险承受能力的产品,并提示该用户。由此可以对用户进行提醒,降低用户风险。
根据本公开的一些实施例,基本信息包括财务状况、风险偏好、投资经验和投资风格,如图6所示,操作S241根据获取的每个用户的基本信息,计算该用户的风险承受能力,包括操作S2411和操作S2412。
在操作S2411,对基本信息提取特征向量。
在操作S2412,根据特征向量,利用风险分析模型,计算该用户的风险承受能力。
通过操作S2411和操作S2412可以便于实现根据获取的每个用户的基本信息,计算该用户的风险承受能力。
下面参照图7和图8详细描述根据本公开实施例的产品推荐方法。值得理解的是,下述描述仅是示例性说明,而不是对本公开的具体限制。
本公开实施例的产品推荐方法主要针对已购买理财产品的用户进行理财风险的分散。从现有用户的理财投资组合中,分析出比较热衷的理财组合,给其他用户产生推荐。对于相同收益率的产品,为用户推荐风险系数更低的;对于风险系数相同的产品,为用户推荐收益率更高的。如图7所示,本公开实施例的产品推荐方法包括以下步骤。
(1)数据准备:构建两个数据集,分别是用户在一定时间窗口内购买产品历史记录数据集,以及理财产品的信息作为数据集。
(2)用户风险等级评估:获取用户的基本信息和购买理财历史记录信息,分析用户的投资风险等级。
(3)理财产品关联规则生成:运用FP-Growth算法挖掘理财产品之间的关系,找出频繁捆绑出现的产品集。
(4)产品推荐:构造用户当前购买的产品序列,结合收益率将其与产品规则的进行匹配,按照置信度从大到小选择前k门产品向用户进行推荐。
下面详细介绍上述步骤(1)~(4)。
(1)数据准备。
①构建理财产品数据集,理财产品的风险等级也相应地分为低风险、中低风险、中风险、中高风险、高风险,5个级别。每个风险等级中,理财产品按收益由高到低排序,表1是部分产品的信息。
表1
②构建用户理财信息数据集,包含用户购买的理财产品信息,分别为用户名称,产品名称,风险等级,年化收益率,持有周期,表2是部分用户的理财信息。
表2
用户名称 | 产品名称 | 风险等级 | 年化收益率 | 持有周期 |
张三 | 理财1 | 中风险 | 7% | 1年 |
张三 | 理财8 | 中风险 | 6% | 2年 |
张三 | 理财2 | 低风险 | 2% | 4年 |
李四 | 理财1 | 中风险 | 7% | 1.5年 |
李四 | 理财5 | 低风险 | 2.5% | 2年 |
王五 | 理财3 | 低风险 | 2% | 3年 |
(2)风险等级评估,获取用户基本信息、财务状况、风险偏好、投资经验、投资风格,分析出用户所能承受的风险等级,风险等级分为低风险、中低风险、中风险、中高风险、高风险5个级别。用户的风险评定结果如表3所示。
表3
(3)理财产品关联规则生成:在理财过程中,人们常常会做资产配置来降低风险,分析资产配置中的投资组合对其他用户也有很大的降风险启示。本公开运用FP-Growth算法来挖掘产品之间潜在的关系,找出频繁捆绑出现的产品集。为了更好描述关联规则的挖掘原理,将FP-Growth算法中的部分概念给予以下的定义和符号描述。
关联规则定义:设C={c1,c2,...,cm}是由所有产品组成的项目集,m为产品总数。一个用户购买过的产品序列作为一个事务T,则事务数据库TI)={T1,T2,...,Ts}是由所有用户的产品购买记录构成,其中Ti表示第i个事务,且,s为事务总数。每个事务都拥有一个唯一的识别标记,记为TID。
定义1(k-产品集):产品集是指产品的集合,包含k种产品的集合则称作k-产品集,如{理财产品A,理财产品B}是一个2-产品集,{理财产品A,理财产品B,理财产品C}是3-产品集。
定义2(关联规则)设X是一个产品集,X是一个事务T的子集,当且仅当。我们将形如/>的蕴含关系称之为关联规则。它是由一个前键X和一个后键Y组成,其中且/>。关联规则由支持度来衡量,是指其同时满足最小支持度的规则。
定义3(支持度)一个产品集X的支持度表示为Sup(X),是指事务集中包含该产品集的事务个数占事务总个数的比例,即是用户购买产品集的概率。例如,一个产品集(理财产品A,理财产品B)的支持度就是一个用户购买“理财产品A”和“理财产品B”两种产品的概率。如果TD中包含X∪Y的事务数占总事务数的比例是Sup,则我们称关联规则的支持度在TD中的支持度为Sup,可描述为P(X∪Y),计算公式为
上式中Y是一个产品集,Sup_count(X∪Y)为在事务库中同时包含X又包含Y的事务个数,Total_count(T)是指事务库中的事务总数。
运用FP-Growth算法来挖掘频繁理财产品集,就是将事务数据库中记录存储到一个特定的FP树的结构后发现频繁项集,步骤如下。
1)根据用户购买的产品历史记录建立事务数据库。
2)扫描事务数据库,计算每一个产品的频率(支持度),然后删除支持度低于阀值的项。
3)按频率倒序排序,写出频繁项的集合L。
4)读取排序后的数据集,递归构建FP-tree:首先创建树的根节点null,将项集按L中的次序处理,针对每个事务创建一个分支,插入的时候按照排序的顺序进行,排序在前的节点是父节点,排序在后的节点是子孙节点。如果有公共的父节点,则该父节点的计数加1,如果有新节点出现在该链表中接上新节点,直到所有数据都存储到FP树。FP树如图8所示。
5)从FP-tree树中挖掘关联关系的产品集:从集合L底部往上遍历,找出每个产品的关联项,统计每个关联项出现的次数和支持度作对比,排除掉小于支持度的关联项,最终形成有关联关系的产品集。
这里的理财产品频繁项集是指有关联的多个理财产品的集合,通过以上步骤,就能找到支持度最大的产品数最多的产品集。基于上述步骤,则可产生以下有关联关系的产品集R:{理财7-中风险-年化7%,理财8-低风险-年化2%,理财9-中风险-年化6%}。
(5)构建产品推荐模型:经过上述步骤的数据准备后,用户在浏览自己的理财专区时,则可以为用户产生推荐,推荐步骤如下。
(1)设置当前用户Ui的一个项目候选推荐集合CR,初始化为空。
(2)构建当前用户Ui购买的产品项目集Ai。
(3)在关联关系的产品集R中需找关联产品;通过第(3)步,获取到关联产品的风险等级、年化收益率。
(4)将关联产品进行过滤,为用户过滤出小于自己所能承受风险等级的理财产品。
(5)将R和用户Ui现有的理财产品进行匹配。
①若发现风险等级相同或更小,收益率更高,则加入推荐列表CR。
②若发现用户Ui并没购买关联产品,关联产品中收益率TOP-N产品加入推荐列表CR。
③若发现用户Ui购买了大于自己所能承受风险等级的理财产品,则将关联产品中收益率TOP-N产品添加到项目候选推荐集CR中,并提示用户Ui分散投资风险。
(6)对于推荐列表CR中的产品,可能并不是同等风险等级中受益率最高的,通过第(3)步可以获取到同风险等级收益最高的理财产品来替换。
(7)从项目候选推荐集CR中,按照其已经排序的次序选择前N项向目标用户Ui进行推荐。
本公开的产品推荐方法相对于现有的产品推荐方法,可以在低风险或同等风险的前提下,在实现保证利益的最大化,来规避资金投资风险。从理财产品关系视角出发挖掘理财产品之间的内在关联性,发现客户选择理财产品的共性,据此进行产品推荐,克服了单个推荐算法推荐较单一的,解决了大多数都是热门推荐或者是收益率排行榜推荐的问题。
基于上述产品推荐方法,本公开还提供了一种产品推荐装置。以下将结合图9对产品推荐装置10进行详细描述。
图9示意性示出了根据本公开实施例的产品推荐装置10的结构框图。
产品推荐装置10包括获取模块1、第一确定模块2、第二确定模块3和推荐模块4。
获取模块1,获取模块1用于执行操作S210:获取m个用户中每个用户的购买产品集,其中,购买产品集中包括ni个产品,m为大于等于1的整数,ni为大于等于1的整数,i为大于等于1且小于等于m的整数。
第一确定模块2,第一确定模块2用于执行操作S220:根据m个用户的购买产品集,利用PF-Growth模型得到g个频繁项集,将g个频繁项集作为g个预选关联产品集。
第二确定模块3,第二确定模块3用于执行操作S230:按照关联规则从g个预选关联产品集中确定出关联产品集。
推荐模块4,推荐模块4用于执行操作S240:根据每个用户的购买产品集和关联产品集,根据推荐规则向该用户推荐k个产品,其中,k为大于等于1的整数。
根据本公开实施例的产品推荐装置10,通过获取的m个用户的购买产品集,利用PF-Growth模型得到g个频繁项集,将g个频繁项集作为g个预选关联产品集,按照关联规则可以从g个预选关联产品集中确定出关联产品集,根据每个用户的购买产品集和关联产品集,即可根据推荐规则向该用户推荐k个产品。本公开的产品推荐方法利用PF-Growth模型可以挖掘出产品与产品之间的内在联系,找出频繁捆绑出现的产品集,最终确定出关联产品集,本公开的产品推荐方法通过购买产品集也考虑了产品与用户本身之间的关联性,使得推荐的理财产品对于客户稳定性高和可持续性好。
根据本公开的一些实施例,第二确定模块可以包括第一计算单元和第一确定单元。
第一计算单元,第一计算单元用于计算g个预选关联产品集中每个预选关联产品集的支持度。
第一确定单元,第一确定单元用于根据支持度的排序,确定出关联产品集。
根据本公开的一些实施例,购买产品集和关联产品集中的产品均具有产品属性,产品属性包括风险等级和收益率,推荐模块可以包括第二计算单元、第二确定单元和排序单元。
第二计算单元,第二计算单元用于根据获取的每个用户的基本信息,计算该用户的风险承受能力。
第二确定单元,第二确定单元用于根据该用户的风险承受能力、购买产品集中每个产品的产品属性和关联产品集中每个产品的产品属性,从关联产品集中确定r个产品作为候选推荐集,其中,r为大于等于k的整数。
排序单元,排序单元用于将候选推荐集中的r个产品的收益率按照从大到小排序,将排名前k个产品推荐给该用户。
根据本公开的一些实施例,第二确定单元可以包括构建元件、第一加入元件、第二加入元件和第三加入元件。
构建元件,构建元件用于构建候选推荐集,其中,初始的候选推荐集为空集。
第一加入元件,第一加入元件用于将关联产品集中收益率排名前X1,且不存在于购买产品集中的产品加入候选推荐集,其中,X1为大于等于1的整数。
第二加入元件,第二加入元件用于将关联产品集中风险等级小于等于该用户的风险承受能力的产品加入候选推荐集。
第三加入元件,第三加入元件用于将关联产品集中每个产品与购买产品集中每个产品比较,当关联产品集中的产品的风险等级小于等于购买产品集中的产品,且收益率大于等于购买产品集中的产品时,则将关联产品集中的该产品加入候选推荐集。
根据本公开的一些实施例,产品推荐装置还包括识别模块。
识别模块,识别模块用于识别购买产品集中风险等级大于对应用户的风险承受能力的产品,并提示该用户。
根据本公开的一些实施例,基本信息包括财务状况、风险偏好、投资经验和投资风格,第二计算单元可以包括提取元件和计算元件。
提取元件,提取元件用于对基本信息提取特征向量。
计算元件,计算元件用于根据特征向量,利用风险分析模型,计算该用户的风险承受能力。
另外,根据本公开的实施例,获取模块1、第一确定模块2、第二确定模块3和推荐模块4中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。
根据本公开的实施例,获取模块1、第一确定模块2、第二确定模块3和推荐模块4中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。
或者,获取模块1、第一确定模块2、第二确定模块3和推荐模块4中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图10示意性示出了根据本公开实施例的适于实现上述方法的电子设备的方框图。
如图10所示,根据本公开实施例的电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中,存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备900还可以包括输入/输出(I/O)接口905,输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至输入/输出(I/O)接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例的方法。
在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分909被下载和安装,和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (10)
1.一种产品推荐方法,其特征在于,包括:
获取m个用户中每个用户的购买产品集,其中,所述购买产品集中包括ni个产品,m为大于等于1的整数,ni为大于等于1的整数,i为大于等于1且小于等于m的整数;
根据所述m个用户的购买产品集,利用PF-Growth模型得到g个频繁项集,将所述g个频繁项集作为g个预选关联产品集;
按照关联规则从所述g个预选关联产品集中确定出关联产品集;以及
根据每个用户的购买产品集和所述关联产品集,根据推荐规则向该用户推荐k个产品,其中,k为大于等于1的整数。
2.根据权利要求1所述的方法,其特征在于,所述按照关联规则从所述g个预选关联产品集中确定出关联产品集,包括:
计算所述g个预选关联产品集中每个预选关联产品集的支持度;以及
根据所述支持度的排序,确定出关联产品集。
3.根据权利要求1所述的方法,其特征在于,所述购买产品集和所述关联产品集中的产品均具有产品属性,所述产品属性包括风险等级和收益率,所述根据每个用户的购买产品集和所述关联产品集,根据推荐规则向该用户推荐k个产品,包括:
根据获取的每个用户的基本信息,计算该用户的风险承受能力;
根据该用户的风险承受能力、所述购买产品集中每个产品的产品属性和所述关联产品集中每个产品的产品属性,从所述关联产品集中确定r个产品作为候选推荐集,其中,r为大于等于k的整数;以及
将所述候选推荐集中的r个产品的收益率按照从大到小排序,将排名前k个产品推荐给该用户。
4.根据权利要求3所述的方法,其特征在于,根据该用户的风险承受能力、所述购买产品集中每个产品的产品属性和所述关联产品集中每个产品的产品属性,从所述关联产品集中确定r个产品作为候选推荐集,包括:
构建候选推荐集,其中,初始的候选推荐集为空集;
将所述关联产品集中收益率排名前X1,且不存在于所述购买产品集中的产品加入所述候选推荐集,其中,X1为大于等于1的整数;
将所述关联产品集中风险等级小于等于该用户的风险承受能力的产品加入所述候选推荐集;以及
将所述关联产品集中每个产品与所述购买产品集中每个产品比较,当所述关联产品集中的产品的风险等级小于等于购买产品集中的产品,且收益率大于等于购买产品集中的产品时,则将所述关联产品集中的该产品加入所述候选推荐集。
5.根据权利要求4所述的方法,其特征在于,还包括:
识别所述购买产品集中风险等级大于对应用户的风险承受能力的产品,并提示该用户。
6.根据权利要求3所述的方法,其特征在于,所述基本信息包括财务状况、风险偏好、投资经验和投资风格,所述根据获取的每个用户的基本信息,计算该用户的风险承受能力,包括:
对所述基本信息提取特征向量;以及
根据所述特征向量,利用风险分析模型,计算该用户的风险承受能力。
7.一种产品推荐装置,其特征在于,包括:
获取模块,所述获取模块用于执行获取m个用户中每个用户的购买产品集,其中,所述购买产品集中包括ni个产品,m为大于等于1的整数,ni为大于等于1的整数,i为大于等于1且小于等于m的整数;
第一确定模块,所述第一确定模块用于执行根据所述m个用户的购买产品集,利用PF-Growth模型得到g个频繁项集,将所述g个频繁项集作为g个预选关联产品集;
第二确定模块,所述第二确定模块用于执行按照关联规则从所述g个预选关联产品集中确定出关联产品集;以及
推荐模块,所述推荐模块用于执行根据每个用户的购买产品集和所述关联产品集,根据推荐规则向该用户推荐k个产品,其中,k为大于等于1的整数。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
一个或多个存储器,用于存储可执行指令,所述可执行指令在被所述处理器执行时,实现根据权利要求1~6中任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述存储介质上存储有可执行指令,该指令被处理器执行时实现根据权利要求1~6中任一项所述的方法。
10.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序包括一个或者多个可执行指令,所述可执行指令被处理器执行时实现根据权利要求1~6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310423037.4A CN117132343A (zh) | 2023-04-19 | 2023-04-19 | 产品推荐方法、装置、电子设备、介质和计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310423037.4A CN117132343A (zh) | 2023-04-19 | 2023-04-19 | 产品推荐方法、装置、电子设备、介质和计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117132343A true CN117132343A (zh) | 2023-11-28 |
Family
ID=88860581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310423037.4A Pending CN117132343A (zh) | 2023-04-19 | 2023-04-19 | 产品推荐方法、装置、电子设备、介质和计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132343A (zh) |
-
2023
- 2023-04-19 CN CN202310423037.4A patent/CN117132343A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330445B (zh) | 用户属性的预测方法和装置 | |
US10504120B2 (en) | Determining a temporary transaction limit | |
CN112269805A (zh) | 数据处理方法、装置、设备及介质 | |
CN112598472B (zh) | 产品推荐方法、装置、系统、介质和程序产品 | |
CN110851729A (zh) | 资源信息推荐方法、装置、设备及计算机存储介质 | |
CN111666304A (zh) | 数据处理装置、数据处理方法、存储介质与电子设备 | |
CN113393306A (zh) | 产品推荐方法、装置、电子设备及计算机可读介质 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
US10474688B2 (en) | System and method to recommend a bundle of items based on item/user tagging and co-install graph | |
CN111095328A (zh) | 用于检测和响应于交易模式的系统和方法 | |
CN113869904B (zh) | 可疑数据识别方法、装置、电子设备、介质和计算机程序 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN111666481A (zh) | 数据挖掘方法、装置、计算机可读介质及电子设备 | |
CN117132343A (zh) | 产品推荐方法、装置、电子设备、介质和计算机程序产品 | |
US11379929B2 (en) | Advice engine | |
CN114282976A (zh) | 供应商推荐方法、装置、电子设备及介质 | |
CN110837525B (zh) | 数据处理方法及其装置、电子设备以及计算机可读介质 | |
CN112907379A (zh) | 理财产品推荐方法和装置 | |
CN112307334A (zh) | 信息推荐方法、信息推荐装置、存储介质与电子设备 | |
CN113094595A (zh) | 对象识别方法、装置、计算机系统及可读存储介质 | |
CN113742564A (zh) | 目标资源的推送方法和装置 | |
US11989243B2 (en) | Ranking similar users based on values and personal journeys | |
US20220207430A1 (en) | Prediction of future occurrences of events using adaptively trained artificial-intelligence processes and contextual data | |
CN118172130A (zh) | 产品推荐方法、装置、设备、介质 | |
CN116450950A (zh) | 产品组合推荐方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |