CN117573966A - 一种服务推荐系统 - Google Patents

Abstract

本申请公开一种服务推荐系统，包括服务推荐引擎、服务网关和应用层，服务推荐引擎包括用户画像模块、功能推荐模块、内容推荐模块、服务推送模块，功能推荐模块包括在线推荐单元和离线推荐单元，在线推荐单元和离线推荐单元分别获得服务推荐列表合并返回给登录用户，服务推送模块将待推荐的服务下建立多个任务，对应每个任务进行符合此项任务的标签设置，并根据标签确定推送用户进行定时推送；内容推荐模块包括个性化推荐单元，个性化推荐单元是指通过内容与内容相关联、人与人相关联、人与内容相关联中任一种方式进行推荐。本申请通过功能推荐模块、内容推荐模块、服务推送模块从三方面进行服务推荐，从而更准确地推荐用户的服务。

Description

一种服务推荐系统

技术领域

本发明属于人工智能技术领域，具体而言，涉及一种服务推荐系统。

背景技术

随着互联网和移动互联网的快速发展，用户面对越来越多的信息选择，传统的推荐方法主要基于服务的执行规则确定推荐人群，根据简单的统计信息为其推荐服务，然而这些方法往往无法准确地反映用户的兴趣和个性化需求。个性化推荐成为解决信息过载问题和提供个性化体验的重要手段。因此，开发一种准确预测用户兴趣和服务精准送达的推荐系统成为迫切待解决的技术难题。

发明内容

本申请通过功能推荐模块、内容推荐模块、服务推送模块从三方面进行服务推荐，从而更准确地推荐用户的服务。推荐系统的推荐结果更贴近用户需求，可以减少信息过载和决策困难，提高用户满意度，从而提升用户对金融行业服务的信任和忠诚度。

本申请提供一种服务推荐系统，包括服务推荐引擎、服务网关和应用层，所述服务推荐引擎通过服务网关与应用层连接，服务推荐引擎包括用户画像模块、功能推荐模块、内容推荐模块、服务推送模块，

其中，功能推荐模块包括在线推荐单元和离线推荐单元，在线推荐单元和离线推荐单元分别获得服务推荐列表合并返回给登录用户，

在线推荐单元在用户登录应用层后，先基于状态模型生成服务推荐列表，并进一步通过规则模型筛选服务推荐列表的内容，离线推荐单元用于根据当前登录用户的标签与活跃用户标签进行相似度比较，确定与当前登录用户相似的活跃用户，并根据活跃用户感兴趣的服务为当前登录用户生成服务推荐列表；

其中，服务推送模块通过API对接不同的推送平台，将待推荐的服务下建立多个任务，对应每个任务ID进行符合此项任务的标签设置，并根据标签确定推送用户进行定时推送；

其中，内容推荐模块包括个性化推荐单元，个性化推荐单元是指通过内容与内容相关联、人与人相关联、人与内容相关联中任一种方式进行推荐，以实现个性化内容推荐，

人与内容相关联是根据用户画像模块的用户画像，筛选出用户偏好的内容进行推荐，人与人相关联是指基于相似的用户来进行推荐相关的内容，内容与内容相关联是指根据用户当前浏览的内容确定曾经浏览过相同内容的用户，并根据曾经浏览过相同内容的用户感兴趣的内容，进行推荐。

可选的，用户画像模块包括用户以及与用户对应的一系列标签，用户画像的自动化更新策略包括：

(1)通过当前在线的推荐引擎节点数，划分计算任务分片，将用户新增行为特征切分成多个批次，推送到每个推荐引擎节点进行计算出与新增行为特征符合的新增标签值；

(2)获取当前时间，检查用户标签的上次更新时间，根据当前时间和上次更新时间获得当前更新时间间隔，与标签定义的更新周期比对，若当前更新时间间隔小于更新周期，则不进行更新标签，若当前更新时间间隔不小于标签定义的更新周期，则获取新增标签值，记录当前时间为标签更新时间，将标签更新时间和新增标签值更新回用户画像。

可选的，应用层包括柜面系统、网厅、APP、小程序和短信中任一种。

可选的，所述状态模型中包含有服务ID，以及与该服务ID相对应的用户需要满足的基本用户状态，规则模型中包含有服务ID以及与该服务ID对应的需要满足的附加条件。

可选的，所述离线推荐单元基于用户画像数据，利用用户、标签以及标签权重来组装代表用户信息的用户数据模型，计算当前登录用户与活跃用户的用户数据模型之间的相似度，从而确定与当前登录用户相似的活跃用户，并根据活跃用户感兴趣的服务为当前登录用户生成服务推荐列表。

可选的，所述内容推荐模块还包括非个性化推荐单元，非个性化推荐单元有两种触发情况：一是当用户首次登录系统，还没有产生过用户行为；二是个性化推荐已经全部曝光给用户，服务推荐列表耗尽时。

可选的，非个性化推荐单元包括最热推荐单元，所述最热推荐单元每间隔预设时间更新最热推荐列表，通过统计被点击次数最多的内容，取Top K个内容进行推荐。

可选的，非个性化推荐单元还包括最新推荐单元，最新推荐单元每间隔预设时间更新最新推荐列表，根据更新时间将内容倒序排列，取Top K个内容进行推荐。

可选的，所述内容与内容相关联的推荐过程包括以下步骤：

(1)统计用户在预设时间段内对每个内容的点击次数，形成包含用户id-内容id-点击次数的组装数据模型；

(2)调用协同过滤算法结合组装数据模型，查找到点击过相同内容的用户曾经浏览过的其他内容，从所述其他内容中取TopK个内容，生成内容推荐列表。

可选的，所述内容与内容相关联的推荐过程包括以下步骤：

(1)统计用户在预设时间段内对每个内容的点击次数，形成包含用户id-内容id-点击次数的组装数据模型；

(2)调用协同过滤算法结合组装数据模型，计算与用户在预设时间段内感兴趣内容相似的其他内容，从所述其他内容中取TopK生成内容推荐列表。

本申请的服务推荐系统相对于现有技术有益效果的体现在个性化推荐、实时调整、用户体验等方面。这些优势将为金融行业带来更精准、高效和智能的服务。

本申请的服务推荐系统，相对于现有技术具有以下有益效果：

(1)传统的金融服务推荐主要依赖基于服务的执行规则和统计信息的方法，可能无法准确捕捉用户的个性化需求。本申请通过功能推荐模块、内容推荐模块、服务推送模块从三方面进行服务推荐，从而更准确地推荐用户的服务。

(2)传统方法的推荐结果通常是静态的，不能根据用户的实时需求进行调整。而本申请可以基于实时数据进行推荐，并根据用户对服务的点击等反馈情况进行动态调整，提供更精准和时机恰当的推荐。

(3)推荐系统的推荐结果更贴近用户需求，可以减少信息过载和决策困难，提高用户满意度，从而提升用户对金融行业服务的信任和忠诚度。

附图说明

图1为本发明实施例所述的服务推荐系统的示意图。

图2为本发明实施例所述的用户标签的示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例所述的服务推荐系统的示意图。图2为本发明实施例所述的用户标签的示意图。下面结合图1和图2来说明服务推荐系统。

本实施例的服务推荐系统，包括服务推荐引擎、服务网关和应用层，所述服务推荐引擎可以安装于电子设备中，所述服务推荐引擎可以通过服务网关与应用层连接，根据实现的功能，服务推荐引擎包括用户画像模块、功能推荐模块、内容推荐模块、服务推送模块、推荐算法模块、任务分发模块和定时作业模块。

本发明所述模块是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。所述电子设备可以包括处理器、存储器，还可以包括存储在所述存储器中并可在所述处理器上运行的计算机程序，如服务推荐程序。

其中，所述存储器至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器、磁性存储器、磁盘、光盘等。所述存储器在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述处理器在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心，利用各种调用接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器内的程序或者模块(例如服务推荐程序)，以及调用存储在所述存储器内的数据，以执行电子设备的各种功能和处理数据。

功能推荐模块、内容推荐模块以及服务推送模块用于从不同的侧重点来向用户推荐服务，该服务推荐系统可以用于各种服务行业的服务推荐，例如可以是房屋交易系统的服务推荐，购物中心的服务推荐，旅游服务的服务推荐等。本实施例以金融行业服务为例来说明，例如可以用于公积金管理中心向公积金缴存用户推荐服务。推荐算法模块中集成有多个可以调用的推荐算法，例如协同过滤算法，近邻算法，相似度计算方法等，以供调用。所述应用层是用户直接可以操作的用户界面，例如可以是柜面系统、网厅、APP、短信等，APP可以是微信、钉钉等。

其中，用户画像模块可以包括用户以及与用户对应的一系列标签，该标签可以是动态变化的，以动态的准确表示用户画像，因此用户画像可以是根据一定自动化更新策略进行更新的。

用户画像的自动化更新策略包括：

(1)任务分发模块通过当前在线的推荐引擎节点数，划分计算任务分片，将用户新增行为特征切分成多个批次，定时推送到每个推荐引擎节点进行计算出与新增行为特征符合的新增标签值。所述用户新增行为特征是用户对于金融服务信息的反应特征，所述金融服务信息可以包括资金动账、理财产品、贷款产品、金融咨询、广告等的任何变动消息。例如，新推出的理财产品推广消息，资产变动通知消息，保险推广信息等等。用户新增行为特征是可以包括对于推荐信息的点击情况，阅读时长，删除、转发情况，留言情况等。更具体的，例如用户在理财产品内容上停留了较长时间，表明该用户对于理财产品的兴趣增加，则新增标签“理财”。

(2)获取当前时间，检查用户标签的上次更新时间，根据当前时间和上次更新时间获得当前更新时间间隔，与标签定义的更新周期比对，判定是否需要更新此标签。也就是说，如果当前更新时间间隔小于更新周期，则不更新标签。例如，更新周期是24小时，而当前更新时间间隔是5小时，显然当前更新时间间隔小于更新周期，则不进行更新标签。若当前更新时间间隔不小于标签定义的更新周期，则获取新增标签值，记录当前时间为标签更新时间，将标签更新时间和新增标签值更新回用户画像。

其中，功能推荐模块是指从应用层访问服务推荐引擎时，用户完成身份认证操作后，通过事先定义好的事件型API来触发服务推荐引擎反馈给用户最可能办理的服务。

功能推荐模块包括在线推荐单元和离线推荐单元，在线推荐单元和离线推荐单元可以分别获得服务推荐列表，然后合并返回给登录用户。

其中，在线推荐单元是在用户登录应用层后触发的，其先基于状态模型，生成服务推荐列表，在此基础之上在通过规则模型筛选出更为精准的服务推荐列表，并对服务推荐列表进行排序。

其中，可以通过状态模型粗略设置办理服务需要满足的基本条件，通过状态模型粗略计算用户的可办理服务，所述状态模型中包含有服务ID，以及与该服务ID相对应的用户需要满足的基本用户状态。

例如状态模型中，购房提取的服务ID是0001，与该服务ID所对应的需要满足的基本用户状态包括账户状态-正常、提取状态-一年内未提取、贷款状态-无贷款这些要求。这是想要购房提取公积金的用户，其公积金账户中需要满足的基本用户状态，如果不满足该基本用户状态，则不满足购房提取公积金的基本条件，不能进行公积金提取，那也就不需要后续的规则模型进一步筛选了。

例如对于招商证券APP，其状态模型中，开通科创板的服务ID是0002，与该服务ID所对应的需要满足的基本用户状态包括近20个交易日平均资产达到50万元，已经通过科创板基础知识测评、风险测评结果与服务适配等需要满足的基本用户状态。

可以根据各行业不同分别设置对应的服务ID以及与服务ID对应的需要满足的基本用户状态。由此在用户登录推荐系统后，即可根据状态模型给出匹配推荐。匹配推荐可以是购房提取的更进一步的服务，包括购房类型、上传购房合同、选择公积金提取方式等等后续的功能推荐。

其中，可以通过规则模型进一步设置办理服务需要满足的附加条件，规则模型中包含有服务ID以及与该服务ID对应的需要满足的附加条件，如购房提取的服务ID是0001，与该服务ID所对应的需要满足的附加条件包括连续缴存月数-6月以上、开户月数-12个月以上、账户余额水平-1万以上等等。在通过状态模型匹配的推荐列表中再执行规则模型的筛选即可更为精准的定位推荐的服务，以上通过状态模型和规则模型的筛选、匹配，实现功能推荐的基础能力。例如满足连续缴存月数-6月以上、开户月数-12个月以上、账户余额水平-1万以上的附加条件后的用户，其服务推荐列表可以有按照利率由高到低排列的贷款银行介绍，可以有贷款方式介绍，例如组合贷款，公积金贷款，商业贷款等贷款方式的介绍等。

其中，离线推荐单元用于根据当前登录用户的标签与活跃用户标签进行相似度比较，确定与当前登录用户相似的活跃用户，并根据活跃用户感兴趣的服务为当前登录用户生成服务推荐列表。

所谓活跃用户，是指那些会以一定的频率光顾服务，并为服务带来一些价值的用户，可以根据满足设定的特征行为的方式来确定活跃用户列表。例如每天至少登录一次理财客户端，每次至少点击两只股票等等特征行为，从而确定活跃用户。而基于与活跃用户相似性来推荐服务，可以极大可能的达到推荐成功的效果。

离线推荐单元基于用户画像数据，利用用户、标签以及标签权重来组装代表用户信息的用户数据模型，调用推荐算法模块中的相似度计算方法计算当前登录用户与活跃用户的用户数据模型之间的相似度，从而确定与当前登录用户相似的活跃用户，并根据活跃用户感兴趣的服务为当前登录用户生成服务推荐列表。相似度计算方法可以是欧几里得距离、曼哈顿距离、明可夫斯基距离、余弦相似度等。

例如图2中用户1是活跃用户，用户3是当前登录用户，用户1性别＝男，年龄段＝青年，婚姻状态＝未婚，工作年限＝6至10年，收入水平＝中等，公积金余额10-15万，用户3性别＝男，年龄段＝青年，婚姻状态＝未婚，工作年限＝6至10年，收入水平＝较高，公积金余额10-15万。经过计算相似度，用户1与用户3的标签更相似，可以根据用户1的历史行为，即曾经向用户1推荐了提取功能a、b、c和贷款功能d。因用户1与用户3的标签更相似，则对接给用户3相同的服务，即提取功能a、b、c和贷款功能d。

其中，服务推送模块可以对所有用户根据不同的办理条件进行筛选，并结合用户画像对用户进行评分，取Top K，作为推荐用户列表，对其中的用户进行推送服务。例如对于满足购房提取的人群，需要满足相关的办理条件，通过这些可以筛选出对应的用户，再结合用户画像对用户进行评分。而具体的评分规则可以根据需要设定，偏向于理财类的服务，则结合用户画像中的与财务相关的标签进行评分，例如标签是喜爱车、经常购买奢侈品等，则评分靠前，以便于向该客户推荐理财类服务。

服务推送模块通过API对接不同的推送平台，将想要推荐的服务下建立多个不同的任务，各任务都具有任务ID，对应每个任务ID，可以对这个任务进行符合此项任务的标签设置，也就是上述的根据办理条件的筛选，对满足该任务的标签的用户进行推荐。同时，设置好该任务推送频率，并配置推送的方式。定时作业模块通过quartZ定时按照既定的配置，执行抽取、转换和推送。

例如，推送符合满足购房提取的人群，为其推送短信。可以通过可视化界面完成该任务配置。首先定义购房提取服务，系统会自动生成购房提取服务ID，在此服务下可以建立多个任务ID，即可能会有多种不同条件的情况，来推送符合办理购房提取的不同的人群，例如，任务ID可以对应购买经济适用房人群，购买商品房人群，全款购买人群等。在每个要推荐的任务上，可以对这个任务进行符合此项任务的标签进行设置，如上述规则模型中所提到的标签(连续缴存月数6月以上、开户月数12个月以上、账户余额水平1万以上等等)进行配置，同时，设置好该任务何时进行抽取，抽取完后何时进行推送，和配置推送的方式(如短信、微信等)。

服务推送模块进行服务推送，设置推送的类型和推送的地址，即可将服务找人的信息精准推送至指定平台，如推送至短信、微信、钉钉等不同的渠道。

其中，内容推荐模块包括个性化推荐单元和非个性化推荐单元，非个性化推荐单元作为内容推荐模块的默认推荐方式，有两种使用场景：一是当用户首次登录系统，还没有产生过用户行为，无法推测用户喜好；二是个性化推荐已经全部曝光给用户，服务推荐列表耗尽时。

非个性化推荐单元包括最热推荐单元和最新推荐单元，最热推荐单元每间隔预设时间更新最热推荐列表，通过统计被点击次数最多的内容，取Top K个内容进行推荐。最新推荐单元每间隔预设时间更新最新推荐列表，根据更新时间将内容倒序排序，取Top K个内容进行推荐。所述预设时间可以是每小时，当然也可以每一天，或者每一周等，具体的可以根据需要去设定，在此不做限制。

个性化推荐单元是指通过内容与内容相关联、人与人相关联、人与内容相关联中任一种方式进行推荐，以实现个性化内容推荐。

其中，人与内容相关联是根据用户画像模块的用户画像，筛选出该用户偏好的内容进行推荐，体现的是人与内容的相关联性。

其中，人与人相关联是指基于相似的用户来进行推荐相关的内容，体现的是人与人的相关联性。可以调用推荐算法模块中的相似度算法，利用用户画像数据来计算人与人的相似度，并对相似的用户给予相似的服务推荐。

其中，内容与内容相关联是指根据用户当前浏览的内容确定曾经浏览过相同内容的用户，并根据曾经浏览过相同内容的用户所喜欢的内容，也就是根据曾经浏览过相同内容的用户的用户画像标签，确定其所感兴趣的内容，对当前用户给予对应的服务推荐，体现的是内容与内容的相关联性。

具体的，根据内容与内容相关联进行推荐，可以包括以下步骤：

(1)统计用户在预设时间段内对每个内容的点击次数，形成包含用户id-内容id-点击次数的组装数据模型，例如近一周内的。

(2)调用协同过滤算法，传入用户当前浏览的内容id，查找到点击过该相同内容的用户曾经浏览过的其他内容，调用近邻算法，从其中取TopK个点击次数最多的内容，生成内容推荐列表。

或者也可以

(1)统计用户在预设时间段内对每个内容的点击次数，形成包含用户id-内容id-点击次数的组装数据模型。

(2)调用相似度算法，计算其他内容与用户近期感兴趣内容的相似度，调用近邻算法，取TopK与用户近期感兴趣内容相似的内容，生成内容推荐列表。

当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都属于本发明的权利要求的保护范围。

Claims (10)

1.一种服务推荐系统，其特征在于，包括服务推荐引擎、服务网关和应用层，所述服务推荐引擎通过服务网关与应用层连接，服务推荐引擎包括用户画像模块、功能推荐模块、内容推荐模块、服务推送模块，

其中，功能推荐模块包括在线推荐单元和离线推荐单元，在线推荐单元和离线推荐单元分别获得服务推荐列表合并返回给登录用户，

在线推荐单元在用户登录应用层后，先基于状态模型生成服务推荐列表，并进一步通过规则模型筛选服务推荐列表的内容，离线推荐单元用于根据当前登录用户的标签与活跃用户标签进行相似度比较，确定与当前登录用户相似的活跃用户，并根据活跃用户感兴趣的服务为当前登录用户生成服务推荐列表；

其中，服务推送模块通过API对接不同的推送平台，将待推荐的服务下建立多个任务，对应每个任务ID进行符合此项任务的标签设置，并根据标签确定推送用户进行定时推送；

其中，内容推荐模块包括个性化推荐单元，个性化推荐单元是指通过内容与内容相关联、人与人相关联、人与内容相关联中任一种方式进行推荐，以实现个性化内容推荐，

人与内容相关联是根据用户画像模块的用户画像，筛选出用户偏好的内容进行推荐，人与人相关联是指基于相似的用户来进行推荐相关的内容，内容与内容相关联是指根据用户当前浏览的内容确定曾经浏览过相同内容的用户，并根据曾经浏览过相同内容的用户感兴趣的内容，进行推荐。

2.根据权利要求1所述的服务推荐系统，其特征在于，用户画像模块包括用户以及与用户对应的一系列标签，用户画像的自动化更新策略包括：

(1)通过当前在线的推荐引擎节点数，划分计算任务分片，将用户新增行为特征切分成多个批次，推送到每个推荐引擎节点进行计算出与新增行为特征符合的新增标签值；

(2)获取当前时间，检查用户标签的上次更新时间，根据当前时间和上次更新时间获得当前更新时间间隔，与标签定义的更新周期比对，若当前更新时间间隔小于更新周期，则不进行更新标签，若当前更新时间间隔不小于标签定义的更新周期，则获取新增标签值，记录当前时间为标签更新时间，将标签更新时间和新增标签值更新回用户画像。

3.根据权利要求1所述的服务推荐系统，其特征在于，应用层包括柜面系统、网厅、APP、小程序和短信中任一种。

4.根据权利要求1所述的服务推荐系统，其特征在于，所述状态模型中包含有服务ID，以及与该服务ID相对应的用户需要满足的基本用户状态，规则模型中包含有服务ID以及与该服务ID对应的需要满足的附加条件。

5.根据权利要求1所述的服务推荐系统，其特征在于，所述离线推荐单元基于用户画像数据，利用用户、标签以及标签权重来组装代表用户信息的用户数据模型，计算当前登录用户与活跃用户的用户数据模型之间的相似度，从而确定与当前登录用户相似的活跃用户，并根据活跃用户感兴趣的服务为当前登录用户生成服务推荐列表。

6.根据权利要求1所述的服务推荐系统，其特征在于，所述内容推荐模块还包括非个性化推荐单元，非个性化推荐单元有两种触发情况：一是当用户首次登录系统，还没有产生过用户行为；二是个性化推荐已经全部曝光给用户，服务推荐列表耗尽时。

7.根据权利要求6所述的服务推荐系统，其特征在于，非个性化推荐单元包括最热推荐单元，所述最热推荐单元每间隔预设时间更新最热推荐列表，通过统计被点击次数最多的内容，取Top K个内容进行推荐。

8.根据权利要求7所述的服务推荐系统，其特征在于，非个性化推荐单元还包括最新推荐单元，最新推荐单元每间隔预设时间更新最新推荐列表，根据更新时间将内容倒序排列，取Top K个内容进行推荐。

9.根据权利要求1所述的服务推荐系统，其特征在于，所述内容与内容相关联的推荐过程包括以下步骤：

(1)统计用户在预设时间段内对每个内容的点击次数，形成包含用户id-内容id-点击次数的组装数据模型；

(2)调用协同过滤算法结合组装数据模型，查找到点击过相同内容的用户曾经浏览过的其他内容，从所述其他内容中取TopK个内容，生成内容推荐列表。

10.根据权利要求1所述的服务推荐系统，其特征在于，所述内容与内容相关联的推荐过程包括以下步骤：

(1)统计用户在预设时间段内对每个内容的点击次数，形成包含用户id-内容id-点击次数的组装数据模型；

(2)调用协同过滤算法结合组装数据模型，计算与用户在预设时间段内感兴趣内容相似的其他内容，从所述其他内容中取TopK生成内容推荐列表。