CN117350801A - 虚拟产品推荐方法、装置、计算机设备、存储介质和产品 - Google Patents
虚拟产品推荐方法、装置、计算机设备、存储介质和产品 Download PDFInfo
- Publication number
- CN117350801A CN117350801A CN202311196185.3A CN202311196185A CN117350801A CN 117350801 A CN117350801 A CN 117350801A CN 202311196185 A CN202311196185 A CN 202311196185A CN 117350801 A CN117350801 A CN 117350801A
- Authority
- CN
- China
- Prior art keywords
- resource allocation
- user
- probability distribution
- determining
- preference
- 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 53
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000013468 resource allocation Methods 0.000 claims abstract description 287
- 239000013598 vector Substances 0.000 claims abstract description 233
- 238000013210 evaluation model Methods 0.000 claims abstract description 85
- 238000009826 distribution Methods 0.000 claims description 160
- 238000012545 processing Methods 0.000 claims description 62
- 238000004590 computer program Methods 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 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
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 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
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Technology Law (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
Abstract
本申请涉及一种虚拟产品推荐方法、装置、计算机设备、存储介质和产品。涉及大数据领域,所述方法包括:获取用户的用户信息向量;根据用户信息向量和预先训练的评估模型,确定用户的资源分配方向;根据资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表。采用本申请的方法可以结合用户信息向量以及评估模型自动生成与用户匹配度高的资源分配方向。进一步地,由该资源分配方向生成的虚拟产品的推荐列表与用户的匹配度也明显提高。
Description
技术领域
本申请涉及大数据领域,特别是涉及一种虚拟产品推荐方法、装置、计算机设备、存储介质和产品。
背景技术
随着金融业务的不断发展,参与个人理财的投资者也越来越多。在众多理财方式中,虚拟产品中的理财产品是最受投资者喜爱的理财产品之一。
相关技术中,通常会使用理财推荐算法向用户推荐理财产品。然而,在上述技术中推荐的理财产品与用户的匹配度不高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高虚拟产品与用户的匹配度的虚拟产品推荐方法、装置、计算机设备、存储介质和产品。
第一方面,本申请提供了一种虚拟产品推荐方法,该方法包括:
获取用户的用户信息向量;
根据用户信息向量和预先训练的评估模型,确定用户的资源分配方向;
根据资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表。
在其中一个实施例中,上述用户信息向量包括多个行向量;评估模型包括偏好评估模型和能力评估模型,根据用户信息向量和预先训练的评估模型,确定用户的资源分配方向,包括:
根据各行向量和能力评估模型,确定用户的资源分配能力的目标概率分布;
根据各行向量和偏好评估模型,确定用户的资源分配偏好的目标概率分布;
根据资源分配能力的目标概率分布和资源分配偏好的目标概率分布,确定用户的资源分配方向。
在其中一个实施例中,上述根据各行向量和能力评估模型,确定用户的资源分配能力的目标概率分布,包括:
将各行向量分别输入至能力评估模型中进行评估处理,得到各行向量对应的资源分配能力的初始概率分布;
分别对各行向量对应的资源分配能力的初始概率分布进行均值处理,得到资源分配能力的目标概率分布。
在其中一个实施例中,上述根据各行向量和偏好评估模型,确定用户的资源分配偏好的目标概率分布,包括:
将各行向量分别输入至偏好评估模型中进行评估处理,得到各行向量对应的资源分配偏好的初始概率分布;
分别对各行向量对应的资源分配偏好的初始概率分布进行均值处理,得到资源分配偏好的目标概率分布。
在其中一个实施例中,上述根据资源分配能力的目标概率分布和资源分配偏好的目标概率分布,确定用户的资源分配方向,包括:
根据资源分配能力的目标概率分布,确定用户的资源分配能力;
根据资源分配偏好的目标概率分布,确定用户的资源分配偏好;
根据资源分配能力和资源分配偏好,确定用户的资源分配方向。
在其中一个实施例中,上述根据资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表,包括:
将资源分配方向输入至推荐模型中,得到多个待推荐的虚拟产品;
对各待推荐的虚拟产品进行排序处理,得到虚拟产品的推荐列表。
在其中一个实施例中,上述获取用户的用户信息向量,包括:
获取用户的多个相关数据;
将对各相关数据进行提取处理,确定各相关数据对应的用户信息向量。
在其中一个实施例中,上述将对各相关数据进行提取处理,确定各相关数据对应的用户信息向量,包括:
通过多粒度扫描对各相关数据进行提取处理,得到各相关数据对应的特征向量;
根据各特征向量,确定各相关数据对应的用户信息向量。
第二方面,本申请还提供了一种虚拟产品推荐装置,该装置包括:
向量获取模块,用于获取用户的用户信息向量;
分配方向获取模块,用于根据用户信息向量和预先训练的评估模型,确定用户的资源分配方向;
推荐列表确定模块,用于根据资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取用户的用户信息向量;
根据用户信息向量和预先训练的评估模型,确定用户的资源分配方向;
根据资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表。
第四方面,本申请还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:
获取用户的用户信息向量;
根据用户信息向量和预先训练的评估模型,确定用户的资源分配方向;
根据资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表。
第五方面,本申请还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:
获取用户的用户信息向量;
根据用户信息向量和预先训练的评估模型,确定用户的资源分配方向;
根据资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表。
上述虚拟产品推荐方法、装置、计算机设备、存储介质和产品,所述方法包括:获取用户的用户信息向量;根据用户信息向量和预先训练的评估模型,确定用户的资源分配方向;根据资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表。本申请实施例可以结合用户信息向量以及评估模型自动生成与用户匹配度高的资源分配方向。进一步地,由该资源分配方向生成的虚拟产品的推荐列表与用户的匹配度也明显提高。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中虚拟产品推荐方法的应用环境图;
图2为一个实施例中虚拟产品推荐方法的流程示意图;
图3为一个实施例中确定用户的资源分配方向的流程示意图;
图4为一个实施例中确定资源分配能力的目标概率分布的流程示意图;
图5为一个实施例中确定资源分配偏好的目标概率分布的流程示意图;
图6为一个实施例中确定用户的资源分配方向的流程示意图;
图7为一个实施例中确定虚拟产品的推荐列表的过程的流程示意图;
图8为一个实施例中获取用户的用户信息向量的流程示意图;
图9为一个实施例中确定各相关数据对应的用户信息向量的流程示意图;
图10为另一个实施例中虚拟产品推荐方法的流程示意图;
图11为一个实施例中虚拟产品推荐装置的结构框图;
图12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虚拟产品推荐方法,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用户的多个相关数据。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与服务器104进行通信获取用户的相关数据,并生成用户信息向量。终端102根据用户信息向量确定用户的资源分配方向处理。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,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。
在一个示例性的实施例中,如图2所示,提供了一种虚拟产品推荐方法,以该方法应用于图1中的终端为例进行说明,包括以下S201至S203。其中:
S201,获取用户的用户信息向量。
其中,用户信息向量是指用于表征用户特征的向量。
本申请实施例中,用户信息向量可以预先在终端中的存储器中,终端可以直接在存储器中获取用户的用户信息向量。用户信息向量也可以是在线生成的,终端与服务器建立通信获取用户的相关信息,终端对获取到的相关数据经过提取、清洗、扫描等至少一种处理方式得到用户的用户信息向量。
S202,根据用户信息向量和预先训练的评估模型,确定用户的资源分配方向。
其中,评估模型可以对输入的数据进行评估分析,并输出数据对应用户的资源分配方向。资源分配方向是指与用户资源分配能力相匹配的虚拟产品类型。虚拟产品可以包括股票、基金、证券等理财产品。本步骤中评估模型可以包括一个或者多个子模型,评估模型可以是决策树模型、深度学习模型、深度森林模型等,本申请实施例对评估模型的数量和类型不作具体限定。
本申请实施例中,基于上个步骤获取到的用户信息向量,终端可以直接将用户信息向量输入评估模型中,评估模型可以将输入的用户信息向量与数据库中的多个样本向量进行比对,找出对应的样本向量后,终端将样本向量对应的资源分配方向样本作为该用户的资源分配方向。评估模型也可以对输入的用户信息向量进行分类处理,得到资源分配方向。本申请实施例中,不同类型的评估模型具有不同的处理方式,本申请实施例对评估模型对用户信息向量的处理方式不作具体限定。
终端也可以将用户信息向量进行进一步处理,例如扩维处理和降维处理,得到中间用户信息向量。将中间用户信息向量输入评估模型中,评估模型对中间用户信息向量实施上述处理方式,得到用户的资源分配方向。
S203,根据资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表。
其中,推荐模型可以自动输出多个与用户匹配的虚拟产品。推荐列表可以按照默认顺序或者用户输入的顺序对多个虚拟产品进行排序。例如,用户输入的排序方式是根据七日年化收益率从高到低进行排序,推荐列表就会根据七日年化收益率从高到低的顺序进行排序。
基于上个步骤得到的资源分配方向,终端可以直接将资源分配方向输入推荐模型中,推荐模型根据资源分配方向选出多个虚拟产品,结合默认排序方式或者用户输入的排序方式,对多个虚拟产品进行排序,输出虚拟产品的推荐列表。
终端也可以访问虚拟产品库,根据资源分配方向筛选出多个匹配的虚拟产品。终端将这些虚拟产品输入至推荐模型中,推荐模型结合默认排序方式或者用户输入的排序方式,对多个虚拟产品进行排序,输出虚拟产品的推荐列表。
上述虚拟产品推荐方法,首先获取用户的用户信息向量,然后根据用户信息向量和预先训练的评估模型,确定用户的资源分配方向。最后,根据资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表。本申请实施例结合用户信息向量以及评估模型自动生成与用户匹配度高的资源分配方向。进一步地,由该资源分配方向生成的虚拟产品的推荐列表与用户的匹配度也明显提高。
在一个示例性的实施例中,基于图2所示的实施例,请参见图3,上述用户信息向量包括多个行向量;评估模型包括偏好评估模型和能力评估模型,本申请实施例涉及的是根据用户信息向量和预先训练的评估模型,确定用户的资源分配方向的过程,包括以下S301至S303。其中:
S301,根据各行向量和能力评估模型,确定用户的资源分配能力的目标概率分布。
其中,能力评估模型可以用于将输入的数据转换为对应的资源分配能力的目标概率分布。能力评估模型可以是决策树模型、随机森林模型、深度森林模型等,本申请实施例对能力评估模型的类型不做具体限定。资源分配能力的目标概率分布是指资源分配能力中各资源分配能力所占比例。例如资源分配能力为收入能力,则目标概率分布为收入能力中各收入层级所占的概率。
本申请实施例中,终端对用户信息向量逐行提取得到多个行向量,终端可以直接将各行向量分别输入至能力评估模型,能力评估模型可以将输入的各行向量转换为对应的用户的资源分配能力。接着,能力评估模型根据这些资源分配能力生成各资源分配能力对应的概率分布。针对多个行向量对应的概率分布,可以将各概率分布进行均值处理、方差处理等,得到目标概率分布。本申请实施例中对各概率分布的处理方式不作具体限定。
终端也可以对提取到的各行向量进一步处理,例如特征放大处理。然后将处理后的各行向量分别输入至能力评估模型中实施上述过程。
示例性地,终端将各行向量直接输入至能力评估模型中,能力评估模型可以将输入的各行向量转换为资源分配能力对应的目标概率分布,例如资源分配能力为高收入,其对应的目标概率分布为3:7。
S302,根据各行向量和偏好评估模型,确定用户的资源分配偏好的目标概率分布。
其中,偏好评估模型可以将输入的数据转换为资源分配偏好的目标概率分布。偏好评估模型可以是决策树模型、随机森林模型、深度森林模型等,本申请实施例对能力评估模型的类型不做具体限定。
本申请实施例中,终端对用户信息向量逐行提取得到多个行向量,终端可以直接将各行向量分别输入至偏好评估模型中,偏好评估模型可以将输入的行向量转换为用户的资源分配偏好。接着,能力评估模型可以根据这些资源分配偏好生成各类虚拟产品对应的概率分布。针对多个行向量对应的概率分布,可以将各概率分布进行均值处理、方差处理等,得到目标概率分布。本申请实施例中对各概率分布的处理方式不作具体限定。
终端也可以对提取到的各行向量进一步处理,例如特征放大处理。然后将处理后的各行向量分别输入至偏好评估模型中实施上述过程。
S303,根据资源分配能力的目标概率分布和资源分配偏好的目标概率分布,确定用户的资源分配方向。
基于上述步骤得到的资源分配能力的目标概率分布和资源分配偏好的目标概率分布,终端将资源分配能力的目标概率分布和资源分配偏好的目标概率分布进行分析,得到用户的资源分配方向。例如,资源分配能力为高收入和低收入,两者的目标概率分布为7:3。资源分配偏好为股票和基金,两者的目标概率分布为8:2。分析可知,资源分配能力中高收入占比较高,所以用户属于高收入人群。资源分配偏好中股票占比较高,所以该用户比较偏好股票类的虚拟产品。因此,该用户的资源分配方向为高收入且用户偏好股票。
本申请实施例中,将多个行向量分别输入能力评估模型和偏好评估模型中,利用模型来对用户的资源分配能力和资源分配偏好做评估,提高了评估效率。由于输入的多个行向量与用户的相关数据相对应,因此根据多个行向量生成的目标概率分布与用户的匹配度更高。
在一个示例性的实施例中,基于上述实施例,请参见图4,本申请实施例涉及的是根据各行向量和能力评估模型,确定用户的资源分配能力的目标概率分布的过程,包括以下S401至S402。其中:
S401,将各行向量分别输入至能力评估模型中进行评估处理,得到各行向量对应的资源分配能力的初始概率分布。
其中,资源分配能力的初始概率分布可以表示各行向量对应的资源分配能力的概率分布。
本申请实施例中,终端对用户信息向量逐行提取得到多个行向量,终端可以将各行向量分别输入至能力评估模型中,能力评估模型可以将输入的行向量转换为资源分配能力的初始概率分布。
S402,分别对各行向量对应的资源分配能力的初始概率分布进行均值处理,得到资源分配能力的目标概率分布。
基于上个步骤得到的多个初始概率分布,能力评估模型对这些初始概率分布进行均值处理得到资源分配能力的目标概率分布。
示例性地,行向量X1的初始概率分布为7:3,行向量X2的初始概率分布为6:4,则目标概率分布为(7+6)/2:(3+4)/2=6.5:3.5。
本申请实施例中,能力评估模型对多个初始概率分布进行均值处理,可以对每一个初始概率分布都加以利用,使得生成的目标概率分布更具代表性,能够反映多个初始概率分布的特征。
在一个示例性的实施例中,基于上述实施例,请参见图5,本申请实施例涉及的是根据各行向量和偏好评估模型,确定用户的资源分配偏好的目标概率分布的过程,包括以下S501至S502。其中:
S501,将各行向量分别输入至偏好评估模型中进行评估处理,得到各行向量对应的资源分配偏好的初始概率分布。
其中,资源分配偏好的初始概率分布可以表示各行向量对应的资源分配偏好的概率分布。
本申请实施例中,终端对用户信息向量逐行提取得到多个行向量,终端可以将各行向量分别输入至偏好评估模型中,偏好评估模型可以将输入的行向量转换为对应的用户的对应的资源分配偏好的初始概率分布。
S502,分别对各行向量对应的资源分配偏好的初始概率分布进行均值处理,得到资源分配偏好的目标概率分布。
基于上个步骤得到的多个初始概率分布,偏好评估模型对这些初始概率分布进行均值处理得到资源分配偏好的目标概率分布。
本申请实施例中,偏好评估模型对多个初始概率分布进行均值处理,可以实现对每一个初始概率分布都加以利用,使得生成的目标概率分布更具代表性,能够反映多个初始概率分布的特征。
在一个示例性的实施例中,基于上述实施例,请参见图6,本申请实施例涉及的是根据资源分配能力的目标概率分布和资源分配偏好的目标概率分布,确定用户的资源分配方向的过程,包括以下S601至S603。其中:
S601,根据资源分配能力的目标概率分布,确定用户的资源分配能力。
其中,资源分配能力可以包括用户的消费能力、收入水平等至少一种。
本申请实施例中,基于上述实施例得到的资源分配能力的目标概率分布,终端将目标概率分布中概率最高的资源分配能力确定为用户的资源分配能力。若目标概率分布中各资源分配能力的概率分布相等,则将各资源分配能力都确定为用户的资源分配能力。
S602,根据资源分配偏好的目标概率分布,确定用户的资源分配偏好。
其中,资源分配偏好可以包括股票、基金、证券等虚拟产品中的至少一种。
本申请实施例中,基于上述实施例得到的资源分配偏好的目标概率分布,终端将目标概率分布中概率最高的资源分配偏好确定为用户的资源分配偏好。若目标概率分布中各资源分配偏好相等,则将各资源分配偏好均确定为用户的资源分配能力。
S603,根据资源分配能力和资源分配偏好,确定用户的资源分配方向。
本申请实施例中,基于上述步骤得到的资源分配能力和资源分配偏好,终端根据资源分配能力和资源分配偏好,确定用户所属的资源分配能力,以及用户更偏好哪类虚拟产品。例如,资源分配能力中高收入所占概率较高,所以用户属于高收入人群。资源分配偏好中股票所占概率较高,所以该用户比较偏好股票类的虚拟产品。因此,该用户的资源分配方向为高收入且用户偏好股票。
本申请实施例中,将占比最高的资源分配能力确定为用户的资源分配能力,将占比最高的资源分配偏好确定为用户的资源分配偏好,从而可以确定出最符合用户能力和偏好的资源分配方向。
在一个示例性的实施例中,基于上述实施例,请参见图7,本申请实施例涉及的是根据资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表的过程,包括以下S701至S702。其中:
S701,将资源分配方向输入至推荐模型中,得到多个待推荐的虚拟产品。
本申请实施例中,基于上述实施例得到的资源分配方向,终端将资源分配方向输入至推荐模型中,推荐模型根据资源分配方向在虚拟产品库中查找与资源分配方向匹配的多个虚拟产品,这些虚拟产品即为待推荐的虚拟产品。
示例性地,资源分配方向为高收入且用户偏好股票,推荐模型以高收入且用户偏好股票为目标,查找出多个适合高收入的股票类的虚拟产品。
S702,对各待推荐的虚拟产品进行排序处理,得到虚拟产品的推荐列表。
本申请实施例中,基于上个步骤得到的多个待推荐的虚拟产品,终端可以将各待推荐的虚拟产品输入排序模型中,排序模型可以按照默认的排序方式,对各待推荐的虚拟产品按照一定顺序进行排序,得到虚拟产品的推荐列表。其中,默认的排序方式可以是按照虚拟产品的收益进行排序。排序模型也可以根据用户输入的排序方式对各待推荐的虚拟产品进行排序,得到虚拟产品的推荐列表。
本申请实施例中,将各待推荐的虚拟产品按照一定顺序进行排序处理,用户还可以选择排序方式。上述过程生成的虚拟产品的推荐列表更符合用户的心理预期。
在一个示例性的实施例中,基于上述实施例,请参见图8,本申请实施例涉及的是获取用户的用户信息向量的过程,包括以下S801至S802。其中:
S801,获取用户的多个相关数据。
其中,相关数据包括用户的个人信息、财务状况、征信记录等至少一种。这些相关数据的数据源包括银行系统、金融机构的数据库、征信机构、用户提供的表格或在线表单等。
本申请实施例中,若相关数据是用户的个人信息,获取方式可以是终端从银行系统中获取。若相关数据是用户的财务状况,那么获取方式可以是终端从金融机构的数据库中获取。终端也可以通过API接口获取银行系统或金融机构数据库中的相关数据;终端也可以与征信机构建立通信,获取征信信息;终端也可以通过在线表单收集用户提供的个人信息和财务状况等。针对不同的类型的相关数据可以选择对应的数据获取方式,本申请实施例对相关数据的获取方式不作具体限定。
S802,将对各相关数据进行提取处理,确定各相关数据对应的用户信息向量。
本申请实施例中,基于上个步骤获取的各相关数据,终端可以将各相关数据输入至机器学习模型中,利用机器学习模型对相关数据进行提取处理,从而得到各相关数据对应的用户信息向量。终端也可以对将高维的相关数据降维处理至低维,从而提取出相关数据中最有用的特征,作为各相关数据对应的用户信息向量。
本申请实施例中,获取用户不同来源的相关数据,使得相关数据更能体现用户的特征,将相关数据进行提取处理,可以提取出相关数据中最有用的特征,有利于后续对用户信息向量评估处理。
在一个示例性的实施例中,基于上述实施例,请参见图9,本申请实施例涉及的是将对各相关数据进行提取处理,确定各相关数据对应的用户信息向量,包括以下S901至S902。其中:
S901,通过多粒度扫描对各相关数据进行提取处理,得到各相关数据对应的特征向量。
其中,多粒度扫描可以对数据进行增强处理。
本申请实施例中,采用多粒度扫描对各相关数据逐行进行提取处理,得到各相关数据对应的特征向量。例如,相关数据是一组20×20的高维向量,多粒度扫描则是通过一个指定窗口对相关数据逐行扫描,以10×10窗口举例,扫描后可以产生121维的特征向量。
S902,根据各特征向量,确定各相关数据对应的用户信息向量。
本申请实施例中,基于上个步骤得到的各相关数据对应的特征向量,将所有特征向量的每个分量相加,然后将相加后的总特征向量除以特征向量的数量,得到各相关数据对应的用户信息向量。
本申请实施例中,对各相关数据采用多粒度扫描对各相关数据进行数据提取处理,将相关数据扩充成高维的特征向量,可以使特征向量携带相关数据的特征更多,从而使得数据之间关系更明确。由这些特征向量生成的用户信息向量,有利于后续对用户信息向量进行评估分析。
在一个示例性的实施例中,基于上述实施例,请参见图10,本申请实施例的方法还包括以下S110至S114,其他:
S110,获取用户的多个相关数据;通过多粒度扫描对各相关数据进行提取处理,得到各相关数据对应的特征向量;根据各特征向量,确定各相关数据对应的用户信息向量。其中,用户信息向量包括多个行向量。
S111,将各行向量分别输入至能力评估模型中进行评估处理,得到各行向量对应的资源分配能力的初始概率分布;分别对各行向量对应的资源分配能力的初始概率分布进行均值处理,得到资源分配能力的目标概率分布。
S112,将各行向量分别输入至偏好评估模型中进行评估处理,得到各行向量对应的资源分配偏好的初始概率分布;分别对各行向量对应的资源分配偏好的初始概率分布进行均值处理,得到资源分配偏好的目标概率分布。
S113,根据资源分配能力的目标概率分布,确定用户的资源分配能力;根据资源分配偏好的目标概率分布,确定用户的资源分配偏好;根据资源分配能力和资源分配偏好,确定用户的资源分配方向。
S114,将资源分配方向输入至推荐模型中,得到多个待推荐的虚拟产品;对各待推荐的虚拟产品进行排序处理,得到虚拟产品的推荐列表。
本申请实施例中,采用多粒度扫描对各相关数据进行数据提取处理,可以使特征向量携带相关数据的特征更多,从而使得数据之间关系更明确。由这些特征向量生成的用户信息向量,有利于后续对用户信息向量进行评估分析。进一步地,结合用户信息向量以及能力评估模型和偏好评估模型,可以自动生成与用户匹配度高的资源分配方向。进一步地,由该资源分配方向生成的虚拟产品的推荐列表与用户的匹配度也明显提高。
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虚拟产品推荐方法的虚拟产品推荐装置。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虚拟产品推荐装置实施例中的具体限定可以参见上文中对于虚拟产品推荐方法的限定,在此不再赘述。
在一个示例性的实施例中,如图11所示,提供了一种虚拟产品推荐装置200,包括:
向量获取模块210,用于获取用户的用户信息向量;
分配方向获取模块220,用于根据用户信息向量和预先训练的评估模型,确定用户的资源分配方向;
推荐列表确定模块230,用于根据资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表。
在一个示例性的实施例中,上述用户信息向量包括多个行向量;评估模型包括偏好评估模型和能力评估模型,分配方向获取模块220包括:
能力概率确定单元,用于根据各行向量和能力评估模型,确定用户的资源分配能力的目标概率分布;
偏好概率确定单元,用于根据各行向量和偏好评估模型,确定用户的资源分配偏好的目标概率分布;
分配方向确定单元,用于根据资源分配能力的目标概率分布和资源分配偏好的目标概率分布,确定用户的资源分配方向。
在一个示例性的实施例中,上述能力概率确定单元包括:
第一概率确定子单元,用于将各行向量分别输入至能力评估模型中进行评估处理,得到各行向量对应的资源分配能力的初始概率分布;
能力概率确定子单元,用于分别对各行向量对应的资源分配能力的初始概率分布进行均值处理,得到资源分配能力的目标概率分布。
在一个示例性的实施例中,上述偏好概率确定单元包括:
第二概率确定子单元,用于将各行向量分别输入至偏好评估模型中进行评估处理,得到各行向量对应的资源分配偏好的初始概率分布;
偏好概率确定子单元,分别对各行向量对应的资源分配偏好的初始概率分布进行均值处理,得到资源分配偏好的目标概率分布。
在一个示例性的实施例中,上述分配方向确定单元,包括:
分配能力确定子单元,用于根据资源分配能力的目标概率分布,确定用户的资源分配能力;
分配偏好确定子单元,用于根据资源分配偏好的目标概率分布,确定用户的资源分配偏好;
分配方向确定子单元,用于根据资源分配能力和资源分配偏好,确定用户的资源分配方向。
在一个示例性的实施例中,上述推荐列表确定模块230包括:
虚拟产品确定单元,用于将资源分配方向输入至推荐模型中,得到多个待推荐的虚拟产品;
推荐列表确定单元,对各待推荐的虚拟产品进行排序处理,得到虚拟产品的推荐列表。
在一个示例性的实施例中,上述向量获取模块210,包括:
相关数据获取单元,用于获取用户的多个相关数据;
向量确定单元,用于将对各相关数据进行提取处理,确定各相关数据对应的用户信息向量。
在一个示例性的实施例中,上述向量确定单元包括:
特征向量确定子单元,用于通过多粒度扫描对各相关数据进行提取处理,得到各相关数据对应的特征向量;
向量确定子单元,用于根据各特征向量,确定各相关数据对应的用户信息向量。
上述虚拟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。
在一个示例性的实施例中,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12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虚拟产品推荐方法。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12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。
在一个示例性的实施例中,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:
获取用户的用户信息向量;
根据用户信息向量和预先训练的评估模型,确定用户的资源分配方向;
根据资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据各行向量和能力评估模型,确定用户的资源分配能力的目标概率分布;
根据各行向量和偏好评估模型,确定用户的资源分配偏好的目标概率分布;
根据资源分配能力的目标概率分布和资源分配偏好的目标概率分布,确定用户的资源分配方向。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将各行向量分别输入至能力评估模型中进行评估处理,得到各行向量对应的资源分配能力的初始概率分布;
分别对各行向量对应的资源分配能力的初始概率分布进行均值处理,得到资源分配能力的目标概率分布。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将各行向量分别输入至偏好评估模型中进行评估处理,得到各行向量对应的资源分配偏好的初始概率分布;
分别对各行向量对应的资源分配偏好的初始概率分布进行均值处理,得到资源分配偏好的目标概率分布。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据资源分配能力的目标概率分布,确定用户的资源分配能力;
根据资源分配偏好的目标概率分布,确定用户的资源分配偏好;
根据资源分配能力和资源分配偏好,确定用户的资源分配方向。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将资源分配方向输入至推荐模型中,得到多个待推荐的虚拟产品;
对各待推荐的虚拟产品进行排序处理,得到虚拟产品的推荐列表。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取用户的多个相关数据;
将对各相关数据进行提取处理,确定各相关数据对应的用户信息向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过多粒度扫描对各相关数据进行提取处理,得到各相关数据对应的特征向量;
根据各特征向量,确定各相关数据对应的用户信息向量。
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:
获取用户的用户信息向量;
根据用户信息向量和预先训练的评估模型,确定用户的资源分配方向;
根据资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据各行向量和能力评估模型,确定用户的资源分配能力的目标概率分布;
根据各行向量和偏好评估模型,确定用户的资源分配偏好的目标概率分布;
根据资源分配能力的目标概率分布和资源分配偏好的目标概率分布,确定用户的资源分配方向。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将各行向量分别输入至能力评估模型中进行评估处理,得到各行向量对应的资源分配能力的初始概率分布;
分别对各行向量对应的资源分配能力的初始概率分布进行均值处理,得到资源分配能力的目标概率分布。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将各行向量分别输入至偏好评估模型中进行评估处理,得到各行向量对应的资源分配偏好的初始概率分布;
分别对各行向量对应的资源分配偏好的初始概率分布进行均值处理,得到资源分配偏好的目标概率分布。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据资源分配能力的目标概率分布,确定用户的资源分配能力;
根据资源分配偏好的目标概率分布,确定用户的资源分配偏好;
根据资源分配能力和资源分配偏好,确定用户的资源分配方向。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将资源分配方向输入至推荐模型中,得到多个待推荐的虚拟产品;
对各待推荐的虚拟产品进行排序处理,得到虚拟产品的推荐列表。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取用户的多个相关数据;
将对各相关数据进行提取处理,确定各相关数据对应的用户信息向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过多粒度扫描对各相关数据进行提取处理,得到各相关数据对应的特征向量;
根据各特征向量,确定各相关数据对应的用户信息向量。
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:
获取用户的用户信息向量;
根据用户信息向量和预先训练的评估模型,确定用户的资源分配方向;
根据资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据各行向量和能力评估模型,确定用户的资源分配能力的目标概率分布;
根据各行向量和偏好评估模型,确定用户的资源分配偏好的目标概率分布;
根据资源分配能力的目标概率分布和资源分配偏好的目标概率分布,确定用户的资源分配方向。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将各行向量分别输入至能力评估模型中进行评估处理,得到各行向量对应的资源分配能力的初始概率分布;
分别对各行向量对应的资源分配能力的初始概率分布进行均值处理,得到资源分配能力的目标概率分布。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将各行向量分别输入至偏好评估模型中进行评估处理,得到各行向量对应的资源分配偏好的初始概率分布;
分别对各行向量对应的资源分配偏好的初始概率分布进行均值处理,得到资源分配偏好的目标概率分布。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据资源分配能力的目标概率分布,确定用户的资源分配能力;
根据资源分配偏好的目标概率分布,确定用户的资源分配偏好;
根据资源分配能力和资源分配偏好,确定用户的资源分配方向。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将资源分配方向输入至推荐模型中,得到多个待推荐的虚拟产品;
对各待推荐的虚拟产品进行排序处理,得到虚拟产品的推荐列表。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取用户的多个相关数据;
将对各相关数据进行提取处理,确定各相关数据对应的用户信息向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过多粒度扫描对各相关数据进行提取处理,得到各相关数据对应的特征向量;
根据各特征向量,确定各相关数据对应的用户信息向量。
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、使用和处理需要符合相关规定。
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 (12)
1.一种虚拟产品推荐方法,其特征在于,所述方法包括:
获取用户的用户信息向量;
根据所述用户信息向量和预先训练的评估模型,确定所述用户的资源分配方向;
根据所述资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表。
2.根据权利要求1所述的方法,其特征在于,所述用户信息向量包括多个行向量;所述评估模型包括偏好评估模型和能力评估模型,所述根据所述用户信息向量和预先训练的评估模型,确定所述用户的资源分配方向,包括:
根据各所述行向量和所述能力评估模型,确定所述用户的资源分配能力的目标概率分布;
根据各所述行向量和所述偏好评估模型,确定所述用户的资源分配偏好的目标概率分布;
根据所述资源分配能力的目标概率分布和所述资源分配偏好的目标概率分布,确定所述用户的资源分配方向。
3.根据权利要求2所述的方法,其特征在于,所述根据各所述行向量和所述能力评估模型,确定所述用户的资源分配能力的目标概率分布,包括:
将各所述行向量分别输入至所述能力评估模型中进行评估处理,得到各所述行向量对应的资源分配能力的初始概率分布;
分别对各所述行向量对应的资源分配能力的初始概率分布进行均值处理,得到所述资源分配能力的目标概率分布。
4.根据权利要求2所述的方法,其特征在于,所述根据各所述行向量和所述偏好评估模型,确定所述用户的资源分配偏好的目标概率分布,包括:
将各所述行向量分别输入至所述偏好评估模型中进行评估处理,得到各所述行向量对应的资源分配偏好的初始概率分布;
分别对各所述行向量对应的资源分配偏好的初始概率分布进行均值处理,得到所述资源分配偏好的目标概率分布。
5.根据权利要求2所述的方法,其特征在于,所述根据所述资源分配能力的目标概率分布和所述资源分配偏好的目标概率分布,确定所述用户的资源分配方向,包括:
根据所述资源分配能力的目标概率分布,确定所述用户的资源分配能力;
根据所述资源分配偏好的目标概率分布,确定所述用户的资源分配偏好;
根据所述资源分配能力和所述资源分配偏好,确定所述用户的资源分配方向。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述根据所述资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表,包括:
将所述资源分配方向输入至所述推荐模型中,得到多个待推荐的虚拟产品;
对各所述待推荐的虚拟产品进行排序处理,得到所述虚拟产品的推荐列表。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述获取用户的用户信息向量,包括:
获取用户的多个相关数据;
将对各所述相关数据进行提取处理,确定各所述相关数据对应的用户信息向量。
8.根据权利要求7所述的方法,其特征在于,所述将对各所述相关数据进行提取处理,确定各所述相关数据对应的用户信息向量,包括:
通过多粒度扫描对各所述相关数据进行提取处理,得到各所述相关数据对应的特征向量;
根据各所述特征向量,确定各所述相关数据对应的用户信息向量。
9.一种虚拟产品推荐装置,其特征在于,所述装置包括:
向量获取模块,用于获取用户的用户信息向量;
分配方向获取模块,用于根据所述用户信息向量和预先训练的评估模型,确定所述用户的资源分配方向;
推荐列表确定模块,用于根据所述资源分配方向和预先建立的推荐模型,确定虚拟产品的推荐列表。
10.一种计算机设备,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8中任一项所述的方法的步骤。
11.一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8中任一项所述的方法的步骤。
12.一种计算机程序产品,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8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311196185.3A CN117350801A (zh) | 2023-09-15 | 2023-09-15 | 虚拟产品推荐方法、装置、计算机设备、存储介质和产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311196185.3A CN117350801A (zh) | 2023-09-15 | 2023-09-15 | 虚拟产品推荐方法、装置、计算机设备、存储介质和产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117350801A true CN117350801A (zh) | 2024-01-05 |
Family
ID=89370117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311196185.3A Pending CN117350801A (zh) | 2023-09-15 | 2023-09-15 | 虚拟产品推荐方法、装置、计算机设备、存储介质和产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117350801A (zh) |
-
2023
- 2023-09-15 CN CN202311196185.3A patent/CN117350801A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2017535857A (ja) | 変換されたデータを用いた学習 | |
CN111177473B (zh) | 人员关系分析方法、装置和可读存储介质 | |
WO2013067461A2 (en) | Identifying associations in data | |
CN114581233A (zh) | 洗钱账户确定方法、装置、设备、存储介质和程序产品 | |
CN116308644A (zh) | 目标产品的推荐方法、装置、设备、存储介质和产品 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN117350801A (zh) | 虚拟产品推荐方法、装置、计算机设备、存储介质和产品 | |
CN117349126B (zh) | 一种基于大数据的实时信息网络日志分析方法及系统 | |
CN116756426A (zh) | 项目推荐方法、装置、计算机设备和存储介质 | |
CN116881546A (zh) | 资源推荐方法、装置、设备和存储介质 | |
CN117290594A (zh) | 金融业务活动推荐方法、装置、计算机设备和存储介质 | |
CN115659022A (zh) | 资源推送数据处理方法、装置、计算机设备和存储介质 | |
CN116993342A (zh) | 异常交易操作检测方法、装置、计算机设备和存储介质 | |
CN117454215A (zh) | 回馈资源的配置方法、装置和计算机设备 | |
CN117312416A (zh) | 交易展示方法、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 | |
CN117391490A (zh) | 金融业务的评价信息处理方法、装置和计算机设备 | |
CN117111800A (zh) | 菜单配置方法、装置、计算机设备、存储介质和程序产品 | |
CN117312660A (zh) | 项目推送方法、装置、计算机设备和存储介质 | |
CN116739659A (zh) | 卡片激励信息处理方法、装置、设备、介质和程序产品 | |
CN117459577A (zh) | 虚拟物品信息推送方法、装置、计算机设备和存储介质 | |
CN116703544A (zh) | 资源互动轨迹预测方法、装置、计算机设备和存储介质 | |
CN116452341A (zh) | 金融产品推荐方法、装置、计算机设备和存储介质 | |
CN117078427A (zh) | 产品推荐方法、装置、设备、存储介质和程序产品 | |
CN118170905A (zh) | 物品知识库构建方法、装置、设备、存储介质和产品 |
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 |