CN117575765A - 产品推荐方法、装置、计算机设备和存储介质 - Google Patents
产品推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117575765A CN117575765A CN202311673741.1A CN202311673741A CN117575765A CN 117575765 A CN117575765 A CN 117575765A CN 202311673741 A CN202311673741 A CN 202311673741A CN 117575765 A CN117575765 A CN 117575765A
- Authority
- CN
- China
- Prior art keywords
- user
- product
- label
- stored
- target
- 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 77
- 238000004590 computer program Methods 0.000 claims description 37
- 238000003066 decision tree Methods 0.000 claims description 18
- 238000012098 association analyses Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006872 improvement 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
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
- G06F18/23—Clustering techniques
-
- 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
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种产品推荐方法、装置、计算机设备和存储介质,涉及人工智能技术领域。所述方法包括:获取待推荐用户的当前用户信息,计算所述当前用户信息与每一预存用户标签对应的标签信息之间的相似度,确定相似度最高的预存用户标签作为所述待推荐用户的第一目标用户标签;获取所有历史产品的预存产品信息,对所述预存产品信息进行聚类,基于聚类结果获取每一类历史产品对应的预存产品标签;获取所述第一目标用户标签与预存产品标签之间的匹配成功率,将匹配成功率最大的预存产品标签作为第一目标产品标签;基于所述第一目标产品标签,向所述待推荐用户进行产品推荐。采用本方法能够提高推荐准确性。
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、计算机设备和存储介质。
背景技术
随着银行业的快速发展,对用户进行产品推荐是银行的重要项目。而银行人员对用户进行产品推荐大多依赖自身熟练的沟通技巧以及丰富的经验,或者是对用户统一进行特定产品推荐,往往推荐不成功。
因此,传统技术中的产品推荐方法存在推荐准确性不高的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高推荐准确性的产品推荐方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种产品推荐方法,包括:
获取待推荐用户的当前用户信息,计算所述当前用户信息与每一预存用户标签对应的标签信息之间的相似度,确定相似度最高的预存用户标签作为所述待推荐用户的第一目标用户标签;
获取所有历史产品的预存产品信息,对所述预存产品信息进行聚类,基于聚类结果获取每一类历史产品对应的预存产品标签;
获取所述第一目标用户标签与预存产品标签之间的匹配成功率,将匹配成功率最大的预存产品标签作为第一目标产品标签;
基于所述第一目标产品标签,向所述待推荐用户进行产品推荐。
在其中一个实施例中,所述预存用户标签的获取方式,包括:
获取所有历史用户的预存用户信息,对所述预存用户信息进行聚类,基于聚类结果获取每一类历史用户对应的预存用户标签。
在其中一个实施例中,所述获取所述第一目标用户标签与预存产品标签之间的匹配成功率,包括:
针对一预存产品标签,将所述预存产品标签以及所述预存产品标签对应的预存用户标签输入至与所述预存产品标签对应的决策树模型中,输出所述预存产品标签与所述预存产品标签对应的每一预存用户标签之间的匹配成功率;
从所有预存产品标签对应的预存用户标签中筛选出所述第一目标用户标签,得到所述第一目标用户标签与预存产品标签之间的匹配成功率。
在其中一个实施例中,所述方法还包括:
获取待推荐产品的当前产品信息,计算所述当前产品信息与每一预存产品标签对应的标签信息之间的相似度,确定相似度最高的预存产品标签作为所述待推荐产品的第二目标产品标签;
获取所述第二目标产品标签与更新用户标签之间的匹配成功率,将匹配成功率最大的更新用户标签作为第二目标用户标签;
向所述第二目标用户标签对应的用户推荐所述待推荐产品。
在其中一个实施例中,所述更新用户标签的获取方式,包括:
获取向所述待推荐用户进行产品推荐的推荐结果,其中,所述推荐结果包括所述待推荐用户是否购买所述第二目标产品标签对应的产品;
将所述待推荐用户购买所述第二目标产品标签对应的产品记为第一预设值,将所述待推荐用户未购买所述第二目标产品标签对应的产品记为第二预设值;
根据所述当前用户信息、所述第一预设值以及所述第二预设值进行关联分析,获取所述当前用户信息中包括的每一维度信息对所述待推荐用户是否购买产品的影响程度;
根据所述影响程度对所述当前用户信息中包括的维度信息进行删减,得到更新用户信息;
获取所有历史用户的更新用户信息,对所述更新用户信息进行聚类,基于聚类结果获取每一类历史用户对应的更新用户标签。
在其中一个实施例中,所述获取所述第二目标产品标签与更新用户标签之间的匹配成功率,包括:
将所述第二目标产品标签以及所述第二目标产品标签对应的更新用户标签输入至与所述第二目标产品标签对应的决策树模型中,输出所述第二目标产品标签与所述第二目标产品标签对应的每一更新用户标签之间的匹配成功率。
第二方面,本申请还提供了一种产品推荐装置,包括:
目标用户标签获取模块,用于获取待推荐用户的当前用户信息,计算所述当前用户信息与每一预存用户标签对应的标签信息之间的相似度,确定相似度最高的预存用户标签作为所述待推荐用户的第一目标用户标签;
预存产品标签获取模块,用于获取所有历史产品的预存产品信息,对所述预存产品信息进行聚类,基于聚类结果获取每一类历史产品对应的预存产品标签;
目标产品标签确定模块,用于获取所述第一目标用户标签与预存产品标签之间的匹配成功率,将匹配成功率最大的预存产品标签作为第一目标产品标签;
产品推荐模块,用于基于所述第一目标产品标签,向所述待推荐用户进行产品推荐。
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上述任一方法的步骤。
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上述任一方法的步骤。
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上述任一方法的步骤。
上述产品推荐方法、装置、计算机设备和存储介质,通过计算待推荐用户的当前用户信息与每一预存用户标签对应的标签信息之间的相似度,确定相似度最高的预存用户标签作为待推荐用户的第一目标用户标签,获取预存产品标签、以及第一目标用户标签与预存产品标签之间的匹配成功率,将匹配成功率最大的预存产品标签作为第一目标产品标签,基于第一目标产品标签,向待推荐用户进行产品推荐。相比于传统技术中的产品推荐方法存在推荐准确性不高的问题而言,本申请基于待推荐用户的当前用户信息,获取相应的第一目标用户标签,并确定与第一目标用户标签匹配成功率最大的第一目标产品标签,基于第一目标产品标签向待推荐用户进行产品推荐,即是为相应用户进行相应推荐,保证了产品推荐的准确性。
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为本申请实施例中提供的产品推荐方法的流程示意图;
图2为一个实施例中获取第一目标用户标签与预存产品标签之间的匹配成功率的流程示意图;
图3为一个实施例中推荐待推荐产品的流程示意图;
图4为一个实施例中更新用户标签的获取方式的流程示意图;
图5为本申请实施例中提供的一种产品推荐装置的结构框图;
图6为本申请实施例中提供的一种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。
在本实施例中,提供的一种产品推荐方法,本实施例以该方法应用于计算机设备进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括计算机设备和服务器的系统,并通过计算机设备和服务器的交互实现。
图1为本申请实施例中提供的产品推荐方法的流程示意图,该方法应用于计算机设备中,在一个实施例中,如图1所示,包括以下步骤:
S101,获取待推荐用户的当前用户信息,计算当前用户信息与每一预存用户标签对应的标签信息之间的相似度,确定相似度最高的预存用户标签作为待推荐用户的第一目标用户标签。
其中,待推荐用户为预进行产品推荐的用户。当前用户信息为待推荐用户的相关信息。当前用户信息包括年龄、性别、行内总资产、代发工资每月收入、是否购买过行内某款产品、职业或者地区中的至少一项。预存用户标签是对历史用户进行分类标记得到的标签。
S102,获取所有历史产品的预存产品信息,对预存产品信息进行聚类,基于聚类结果获取每一类历史产品对应的预存产品标签。
其中,历史产品为行内曾推出的产品。预存产品信息为历史产品的相关信息。预存产品信息包括产品类型、产品购买门槛、持有年限、发行公司或者风险等级中的至少一项。预存产品标签是对历史产品进行分类标记得到的标签。预存产品标签可通过业务专家进行标记,并标记上该类产品的特点以及推荐人群。
在一些实施例中,对预存产品信息进行聚类可采用的方式为通过K-means算法对预存产品信息进行聚类,具体的聚类方式不作限定。
S103,获取第一目标用户标签与预存产品标签之间的匹配成功率,将匹配成功率最大的预存产品标签作为第一目标产品标签。
S104,基于第一目标产品标签,向待推荐用户进行产品推荐。
在第一目标产品标签对应的产品为多个的情况下,可根据产品发行时刻的早晚向待推荐用户进行推荐,即是将第一目标产品标签下发行时刻最晚的产品向待推荐用户进行推荐;还可随机选择第一目标产品标签下的产品向待推荐用户进行推荐,具体方式不作限定。
本实施例提供的产品推荐方法,通过计算待推荐用户的当前用户信息与每一预存用户标签对应的标签信息之间的相似度,确定相似度最高的预存用户标签作为待推荐用户的第一目标用户标签,获取预存产品标签、以及第一目标用户标签与预存产品标签之间的匹配成功率,将匹配成功率最大的预存产品标签作为第一目标产品标签,基于第一目标产品标签,向待推荐用户进行产品推荐。相比于传统技术中的产品推荐方法存在推荐准确性不高的问题而言,本实施例基于待推荐用户的当前用户信息,获取相应的第一目标用户标签,并确定与第一目标用户标签匹配成功率最大的第一目标产品标签,基于第一目标产品标签向待推荐用户进行产品推荐,即是为相应用户进行相应推荐,保证了产品推荐的准确性。
在一个实施例中,预存用户标签的获取方式,包括:
获取所有历史用户的预存用户信息,对预存用户信息进行聚类,基于聚类结果获取每一类历史用户对应的预存用户标签。
其中,历史用户为行内用户。预存用户信息为历史用户的相关信息。预存用户信息包括年龄、性别、行内总资产、代发工资每月收入、是否购买过行内某款产品、职业或者地区中的至少一项。预存用户标签可通过业务专家进行标记,并标记上该类用户的特点以及推荐产品类型。
在本实施例中,利用聚类的方式获取预存用户标签,可避免因用户过多、信息繁杂导致的推荐困难以及不准确的问题。
在一个实施例中,获取第一目标用户标签与预存产品标签之间的匹配成功率的流程示意图,如图2所示,包括以下内容:
S201,针对一预存产品标签,将预存产品标签以及预存产品标签对应的预存用户标签输入至与预存产品标签对应的决策树模型中,输出预存产品标签与预存产品标签对应的每一预存用户标签之间的匹配成功率。
其中,预存产品标签对应的预存用户标签是历史推荐预存产品标签下的产品推荐成功的用户对应的预存用户标签。
S202,从所有预存产品标签对应的预存用户标签中筛选出第一目标用户标签,得到第一目标用户标签与预存产品标签之间的匹配成功率。
在本实施例中,利用决策树模型获取第一目标用户标签与预存产品标签之间的匹配成功率,确定出的第一目标产品标签,能够提高产品推荐准确性。
在一个实施例中,该产品推荐方法还包括基于待推荐产品确定用户,向确定出的用户进行待推荐产品推荐。在这里,提供推荐待推荐产品的流程示意图,如图3所示,包括以下内容:
S301,获取待推荐产品的当前产品信息,计算当前产品信息与每一预存产品标签对应的标签信息之间的相似度,确定相似度最高的预存产品标签作为待推荐产品的第二目标产品标签。
其中,待推荐产品为预进行推荐的产品。当前产品信息为待推荐产品的相关信息。当前产品信息包括产品类型、产品购买门槛、持有年限、发行公司或者风险等级中的至少一项。
S302,获取第二目标产品标签与更新用户标签之间的匹配成功率,将匹配成功率最大的更新用户标签作为第二目标用户标签。
S303,向第二目标用户标签对应的用户推荐待推荐产品。
在第二目标用户标签对应的用户为多个的情况下,可根据用户的行内总资产高低确定推荐待推荐产品的推荐顺序,推荐顺序的确定方式具体不作限定。
在本实施例中,可根据待推荐产品的特点确定目标用户,提高产品推荐的全面性和准确性。
在一个实施例中,更新用户标签的获取方式的流程示意图,如图4所示,包括以下内容:
S401,获取向待推荐用户进行产品推荐的推荐结果,其中,推荐结果包括待推荐用户是否购买第二目标产品标签对应的产品。
S402,将待推荐用户购买第二目标产品标签对应的产品记为第一预设值,将待推荐用户未购买第二目标产品标签对应的产品记为第二预设值。
其中,第一预设值与第二预设值不同,通常可设置为0或1。
S403,根据当前用户信息、第一预设值以及第二预设值进行关联分析,获取当前用户信息中包括的每一维度信息对待推荐用户是否购买产品的影响程度。
其中,影响程度通过关联分析计算得到的提升度进行确定。
以当前用户信息包括年龄、性别、行内总资产和是否购买过行内某款产品为例,年龄为当前用户信息中包括的一维度信息,性别为当前用户信息中包括的一维度信息,行内总资产为当前用户信息中包括的一维度信息,是否购买过行内某款产品为当前用户信息中包括的一维度信息。
S404,根据影响程度对当前用户信息中包括的维度信息进行删减,得到更新用户信息。
其中,更新用户信息的维度比当前用户信息的维度少。
S405,获取所有历史用户的更新用户信息,对更新用户信息进行聚类,基于聚类结果获取每一类历史用户对应的更新用户标签。
在本实施例中,根据向待推荐用户进行产品推荐的推荐结果,能够降低当前用户信息中包括的信息维度,利用更新用户信息进行聚类,能够更加精确地获得更新用户标签,避免无用数据,提高推荐效率。
在一个实施例中,获取第二目标产品标签与更新用户标签之间的匹配成功率,包括:
将第二目标产品标签以及第二目标产品标签对应的更新用户标签输入至与第二目标产品标签对应的决策树模型中,输出第二目标产品标签与第二目标产品标签对应的每一更新用户标签之间的匹配成功率。
其中,第二目标产品标签对应的更新用户标签是历史推荐第二目标产品标签下的产品推荐成功的用户对应的更新用户标签。
在本实施例中,利用决策树模型获取第二目标产品标签与更新用户标签之间的匹配成功率,确定出的第二目标用户标签,能够提高待推荐产品的推荐准确性。
在这里,以一具体实施例的方式对产品推荐方法进行详细说明。该产品推荐方法的实施流程,包括:
首先,获取预存产品标签和预存用户标签;
获取所有历史产品的预存产品信息,对预存产品信息进行聚类,基于聚类结果获取每一类历史产品对应的预存产品标签;
获取所有历史用户的预存用户信息,对预存用户信息进行聚类,基于聚类结果获取每一类历史用户对应的预存用户标签。
其次,获取预存产品标签与预存用户标签之间的匹配成功率;
针对一预存产品标签,将预存产品标签以及预存产品标签对应的预存用户标签输入至与预存产品标签对应的决策树模型中,输出预存产品标签与预存产品标签对应的每一预存用户标签之间的匹配成功率。
然后,基于待推荐用户进行产品推荐;
获取待推荐用户的当前用户信息,计算当前用户信息与每一预存用户标签对应的标签信息之间的相似度,确定相似度最高的预存用户标签作为待推荐用户的第一目标用户标签;获取第一目标用户标签与预存产品标签之间的匹配成功率,将匹配成功率最大的预存产品标签作为第一目标产品标签;基于第一目标产品标签,向待推荐用户进行产品推荐。
最后,基于待推荐产品进行产品推荐;
获取待推荐产品的当前产品信息,计算当前产品信息与每一预存产品标签对应的标签信息之间的相似度,确定相似度最高的预存产品标签作为待推荐产品的第二目标产品标签;
获取向待推荐用户进行产品推荐的推荐结果,其中,推荐结果包括待推荐用户是否购买第二目标产品标签对应的产品;将待推荐用户购买第二目标产品标签对应的产品记为1,将待推荐用户未购买第二目标产品标签对应的产品记为0;利用待推荐用户的当前用户信息、以及对应的1和0进行关联分析,得到当前用户信息中包括的每一维度信息的提升度;将提升度不大于1的维度信息进行删减,得到更新用户信息;获取所有历史用户的更新用户信息,对更新用户信息进行聚类,基于聚类结果获取每一类历史用户对应的更新用户标签;
将第二目标产品标签以及第二目标产品标签对应的更新用户标签输入至与第二目标产品标签对应的决策树模型中,输出第二目标产品标签与第二目标产品标签对应的每一更新用户标签之间的匹配成功率;
将匹配成功率最大的更新用户标签作为第二目标用户标签;向第二目标用户标签对应的用户推荐待推荐产品。
本实施例提供的产品推荐方法,不仅考虑到待推荐用户还考虑到待推荐产品,基于待推荐用户的当前用户信息,获取相应的第一目标用户标签,并确定与第一目标用户标签匹配成功率最大的第一目标产品标签,基于第一目标产品标签向待推荐用户进行产品推荐,即是为相应用户进行相应推荐,保证了产品推荐的准确性,并且针对待推荐产品,利用推荐结果确定更新用户标签,更新用户标签对待推荐产品推荐准确性的影响更大,进一步提高了产品推荐准确性。
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。
参见图5,图5为本申请实施例中提供的一种产品推荐装置的结构框图,该装置500包括:目标用户标签获取模块501、预存产品标签获取模块502、目标产品标签确定模块503和产品推荐模块504,其中:
目标用户标签获取模块501,用于获取待推荐用户的当前用户信息,计算当前用户信息与每一预存用户标签对应的标签信息之间的相似度,确定相似度最高的预存用户标签作为待推荐用户的第一目标用户标签;
预存产品标签获取模块502,用于获取所有历史产品的预存产品信息,对预存产品信息进行聚类,基于聚类结果获取每一类历史产品对应的预存产品标签;
目标产品标签确定模块503,用于获取第一目标用户标签与预存产品标签之间的匹配成功率,将匹配成功率最大的预存产品标签作为第一目标产品标签;
产品推荐模块504,用于基于第一目标产品标签,向待推荐用户进行产品推荐。
本实施例提供的产品推荐装置,通过目标用户标签获取模块计算待推荐用户的当前用户信息与每一预存用户标签对应的标签信息之间的相似度,确定相似度最高的预存用户标签作为待推荐用户的第一目标用户标签,通过预存产品标签获取模块获取预存产品标签,通过目标产品标签确定模块获取第一目标用户标签与预存产品标签之间的匹配成功率,将匹配成功率最大的预存产品标签作为第一目标产品标签,通过产品推荐模块基于第一目标产品标签,向待推荐用户进行产品推荐。相比于传统技术中的产品推荐方法存在推荐准确性不高的问题而言,本实施例基于待推荐用户的当前用户信息,获取相应的第一目标用户标签,并确定与第一目标用户标签匹配成功率最大的第一目标产品标签,基于第一目标产品标签向待推荐用户进行产品推荐,即是为相应用户进行相应推荐,保证了产品推荐的准确性。
可选的,该装置500还包括:
预存用户标签获取模块,用于获取所有历史用户的预存用户信息,对预存用户信息进行聚类,基于聚类结果获取每一类历史用户对应的预存用户标签。
可选的,目标产品标签确定模块503包括:
匹配成功率获取单元,用于针对一预存产品标签,将预存产品标签以及预存产品标签对应的预存用户标签输入至与预存产品标签对应的决策树模型中,输出预存产品标签与预存产品标签对应的每一预存用户标签之间的匹配成功率;
匹配成功率筛选单元,用于从所有预存产品标签对应的预存用户标签中筛选出第一目标用户标签,得到第一目标用户标签与预存产品标签之间的匹配成功率。
可选的,该装置500还包括:
目标产品标签获取模块,用于获取待推荐产品的当前产品信息,计算当前产品信息与每一预存产品标签对应的标签信息之间的相似度,确定相似度最高的预存产品标签作为待推荐产品的第二目标产品标签;
目标用户标签确定模块,用于获取第二目标产品标签与更新用户标签之间的匹配成功率,将匹配成功率最大的更新用户标签作为第二目标用户标签;
产品推荐模块504,还用于向第二目标用户标签对应的用户推荐待推荐产品。
可选的,该装置500还包括:
推荐结果获取模块,用于获取向待推荐用户进行产品推荐的推荐结果,其中,推荐结果包括待推荐用户是否购买第二目标产品标签对应的产品;
标记模块,用于将待推荐用户购买第二目标产品标签对应的产品记为第一预设值,将待推荐用户未购买第二目标产品标签对应的产品记为第二预设值;
关联分析模块,用于根据当前用户信息、第一预设值以及第二预设值进行关联分析,获取当前用户信息中包括的每一维度信息对待推荐用户是否购买产品的影响程度;
删减模块,用于根据影响程度对当前用户信息中包括的维度信息进行删减,得到更新用户信息;
更新用户标签获取模块,用于获取所有历史用户的更新用户信息,对更新用户信息进行聚类,基于聚类结果获取每一类历史用户对应的更新用户标签。
可选的,目标用户标签确定模块包括:
匹配成功率确定单元,用于将第二目标产品标签以及第二目标产品标签对应的更新用户标签输入至与第二目标产品标签对应的决策树模型中,输出第二目标产品标签与第二目标产品标签对应的每一更新用户标签之间的匹配成功率。
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6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6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上述实施例提供的产品推荐方法的步骤:
获取待推荐用户的当前用户信息,计算当前用户信息与每一预存用户标签对应的标签信息之间的相似度,确定相似度最高的预存用户标签作为待推荐用户的第一目标用户标签;
获取所有历史产品的预存产品信息,对预存产品信息进行聚类,基于聚类结果获取每一类历史产品对应的预存产品标签;
获取第一目标用户标签与预存产品标签之间的匹配成功率,将匹配成功率最大的预存产品标签作为第一目标产品标签;
基于第一目标产品标签,向待推荐用户进行产品推荐。
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:
获取所有历史用户的预存用户信息,对预存用户信息进行聚类,基于聚类结果获取每一类历史用户对应的预存用户标签。
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:
针对一预存产品标签,将预存产品标签以及预存产品标签对应的预存用户标签输入至与预存产品标签对应的决策树模型中,输出预存产品标签与预存产品标签对应的每一预存用户标签之间的匹配成功率;
从所有预存产品标签对应的预存用户标签中筛选出第一目标用户标签,得到第一目标用户标签与预存产品标签之间的匹配成功率。
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:
获取待推荐产品的当前产品信息,计算当前产品信息与每一预存产品标签对应的标签信息之间的相似度,确定相似度最高的预存产品标签作为待推荐产品的第二目标产品标签;
获取第二目标产品标签与更新用户标签之间的匹配成功率,将匹配成功率最大的更新用户标签作为第二目标用户标签;
向第二目标用户标签对应的用户推荐待推荐产品。
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:
获取向待推荐用户进行产品推荐的推荐结果,其中,推荐结果包括待推荐用户是否购买第二目标产品标签对应的产品;
将待推荐用户购买第二目标产品标签对应的产品记为第一预设值,将待推荐用户未购买第二目标产品标签对应的产品记为第二预设值;
根据当前用户信息、第一预设值以及第二预设值进行关联分析,获取当前用户信息中包括的每一维度信息对待推荐用户是否购买产品的影响程度;
根据影响程度对当前用户信息中包括的维度信息进行删减,得到更新用户信息;
获取所有历史用户的更新用户信息,对更新用户信息进行聚类,基于聚类结果获取每一类历史用户对应的更新用户标签。
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:
将第二目标产品标签以及第二目标产品标签对应的更新用户标签输入至与第二目标产品标签对应的决策树模型中,输出第二目标产品标签与第二目标产品标签对应的每一更新用户标签之间的匹配成功率。
上述实施例的实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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上述实施例提供的产品推荐方法的步骤:
获取待推荐用户的当前用户信息,计算当前用户信息与每一预存用户标签对应的标签信息之间的相似度,确定相似度最高的预存用户标签作为待推荐用户的第一目标用户标签;
获取所有历史产品的预存产品信息,对预存产品信息进行聚类,基于聚类结果获取每一类历史产品对应的预存产品标签;
获取第一目标用户标签与预存产品标签之间的匹配成功率,将匹配成功率最大的预存产品标签作为第一目标产品标签;
基于第一目标产品标签,向待推荐用户进行产品推荐。
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:
获取所有历史用户的预存用户信息,对预存用户信息进行聚类,基于聚类结果获取每一类历史用户对应的预存用户标签。
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:
针对一预存产品标签,将预存产品标签以及预存产品标签对应的预存用户标签输入至与预存产品标签对应的决策树模型中,输出预存产品标签与预存产品标签对应的每一预存用户标签之间的匹配成功率;
从所有预存产品标签对应的预存用户标签中筛选出第一目标用户标签,得到第一目标用户标签与预存产品标签之间的匹配成功率。
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:
获取待推荐产品的当前产品信息,计算当前产品信息与每一预存产品标签对应的标签信息之间的相似度,确定相似度最高的预存产品标签作为待推荐产品的第二目标产品标签;
获取第二目标产品标签与更新用户标签之间的匹配成功率,将匹配成功率最大的更新用户标签作为第二目标用户标签;
向第二目标用户标签对应的用户推荐待推荐产品。
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:
获取向待推荐用户进行产品推荐的推荐结果,其中,推荐结果包括待推荐用户是否购买第二目标产品标签对应的产品;
将待推荐用户购买第二目标产品标签对应的产品记为第一预设值,将待推荐用户未购买第二目标产品标签对应的产品记为第二预设值;
根据当前用户信息、第一预设值以及第二预设值进行关联分析,获取当前用户信息中包括的每一维度信息对待推荐用户是否购买产品的影响程度;
根据影响程度对当前用户信息中包括的维度信息进行删减,得到更新用户信息;
获取所有历史用户的更新用户信息,对更新用户信息进行聚类,基于聚类结果获取每一类历史用户对应的更新用户标签。
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:
将第二目标产品标签以及第二目标产品标签对应的更新用户标签输入至与第二目标产品标签对应的决策树模型中,输出第二目标产品标签与第二目标产品标签对应的每一更新用户标签之间的匹配成功率。
上述实施例的实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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实施例提供的产品推荐方法的步骤:
获取待推荐用户的当前用户信息,计算当前用户信息与每一预存用户标签对应的标签信息之间的相似度,确定相似度最高的预存用户标签作为待推荐用户的第一目标用户标签;
获取所有历史产品的预存产品信息,对预存产品信息进行聚类,基于聚类结果获取每一类历史产品对应的预存产品标签;
获取第一目标用户标签与预存产品标签之间的匹配成功率,将匹配成功率最大的预存产品标签作为第一目标产品标签;
基于第一目标产品标签,向待推荐用户进行产品推荐。
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:
获取所有历史用户的预存用户信息,对预存用户信息进行聚类,基于聚类结果获取每一类历史用户对应的预存用户标签。
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:
针对一预存产品标签,将预存产品标签以及预存产品标签对应的预存用户标签输入至与预存产品标签对应的决策树模型中,输出预存产品标签与预存产品标签对应的每一预存用户标签之间的匹配成功率;
从所有预存产品标签对应的预存用户标签中筛选出第一目标用户标签,得到第一目标用户标签与预存产品标签之间的匹配成功率。
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:
获取待推荐产品的当前产品信息,计算当前产品信息与每一预存产品标签对应的标签信息之间的相似度,确定相似度最高的预存产品标签作为待推荐产品的第二目标产品标签;
获取第二目标产品标签与更新用户标签之间的匹配成功率,将匹配成功率最大的更新用户标签作为第二目标用户标签;
向第二目标用户标签对应的用户推荐待推荐产品。
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:
获取向待推荐用户进行产品推荐的推荐结果,其中,推荐结果包括待推荐用户是否购买第二目标产品标签对应的产品;
将待推荐用户购买第二目标产品标签对应的产品记为第一预设值,将待推荐用户未购买第二目标产品标签对应的产品记为第二预设值;
根据当前用户信息、第一预设值以及第二预设值进行关联分析,获取当前用户信息中包括的每一维度信息对待推荐用户是否购买产品的影响程度;
根据影响程度对当前用户信息中包括的维度信息进行删减,得到更新用户信息;
获取所有历史用户的更新用户信息,对更新用户信息进行聚类,基于聚类结果获取每一类历史用户对应的更新用户标签。
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:
将第二目标产品标签以及第二目标产品标签对应的更新用户标签输入至与第二目标产品标签对应的决策树模型中,输出第二目标产品标签与第二目标产品标签对应的每一更新用户标签之间的匹配成功率。
上述实施例的实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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 (10)
1.一种产品推荐方法,其特征在于,所述方法包括:
获取待推荐用户的当前用户信息,计算所述当前用户信息与每一预存用户标签对应的标签信息之间的相似度,确定相似度最高的预存用户标签作为所述待推荐用户的第一目标用户标签;
获取所有历史产品的预存产品信息,对所述预存产品信息进行聚类,基于聚类结果获取每一类历史产品对应的预存产品标签;
获取所述第一目标用户标签与预存产品标签之间的匹配成功率,将匹配成功率最大的预存产品标签作为第一目标产品标签;
基于所述第一目标产品标签,向所述待推荐用户进行产品推荐。
2.根据权利要求1所述的方法,其特征在于,所述预存用户标签的获取方式,包括:
获取所有历史用户的预存用户信息,对所述预存用户信息进行聚类,基于聚类结果获取每一类历史用户对应的预存用户标签。
3.根据权利要求1所述的方法,其特征在于,所述获取所述第一目标用户标签与预存产品标签之间的匹配成功率,包括:
针对一预存产品标签,将所述预存产品标签以及所述预存产品标签对应的预存用户标签输入至与所述预存产品标签对应的决策树模型中,输出所述预存产品标签与所述预存产品标签对应的每一预存用户标签之间的匹配成功率;
从所有预存产品标签对应的预存用户标签中筛选出所述第一目标用户标签,得到所述第一目标用户标签与预存产品标签之间的匹配成功率。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述方法还包括:
获取待推荐产品的当前产品信息,计算所述当前产品信息与每一预存产品标签对应的标签信息之间的相似度,确定相似度最高的预存产品标签作为所述待推荐产品的第二目标产品标签;
获取所述第二目标产品标签与更新用户标签之间的匹配成功率,将匹配成功率最大的更新用户标签作为第二目标用户标签;
向所述第二目标用户标签对应的用户推荐所述待推荐产品。
5.根据权利要求4所述的方法,其特征在于,所述更新用户标签的获取方式,包括:
获取向所述待推荐用户进行产品推荐的推荐结果,其中,所述推荐结果包括所述待推荐用户是否购买所述第二目标产品标签对应的产品;
将所述待推荐用户购买所述第二目标产品标签对应的产品记为第一预设值,将所述待推荐用户未购买所述第二目标产品标签对应的产品记为第二预设值;
根据所述当前用户信息、所述第一预设值以及所述第二预设值进行关联分析,获取所述当前用户信息中包括的每一维度信息对所述待推荐用户是否购买产品的影响程度;
根据所述影响程度对所述当前用户信息中包括的维度信息进行删减,得到更新用户信息;
获取所有历史用户的更新用户信息,对所述更新用户信息进行聚类,基于聚类结果获取每一类历史用户对应的更新用户标签。
6.根据权利要求4所述的方法,其特征在于,所述获取所述第二目标产品标签与更新用户标签之间的匹配成功率,包括:
将所述第二目标产品标签以及所述第二目标产品标签对应的更新用户标签输入至与所述第二目标产品标签对应的决策树模型中,输出所述第二目标产品标签与所述第二目标产品标签对应的每一更新用户标签之间的匹配成功率。
7.一种产品推荐装置,其特征在于,所述装置包括:
目标用户标签获取模块,用于获取待推荐用户的当前用户信息,计算所述当前用户信息与每一预存用户标签对应的标签信息之间的相似度,确定相似度最高的预存用户标签作为所述待推荐用户的第一目标用户标签;
预存产品标签获取模块,用于获取所有历史产品的预存产品信息,对所述预存产品信息进行聚类,基于聚类结果获取每一类历史产品对应的预存产品标签;
目标产品标签确定模块,用于获取所述第一目标用户标签与预存产品标签之间的匹配成功率,将匹配成功率最大的预存产品标签作为第一目标产品标签;
产品推荐模块,用于基于所述第一目标产品标签,向所述待推荐用户进行产品推荐。
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中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311673741.1A CN117575765A (zh) | 2023-12-07 | 2023-12-07 | 产品推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311673741.1A CN117575765A (zh) | 2023-12-07 | 2023-12-07 | 产品推荐方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117575765A true CN117575765A (zh) | 2024-02-20 |
Family
ID=89893787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311673741.1A Pending CN117575765A (zh) | 2023-12-07 | 2023-12-07 | 产品推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575765A (zh) |
-
2023
- 2023-12-07 CN CN202311673741.1A patent/CN117575765A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Miao et al. | Context‐based dynamic pricing with online clustering | |
US20150150033A1 (en) | System and method for building and tracking audience segments | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN114741402A (zh) | 业务特征池的处理方法、装置、计算机设备和存储介质 | |
CN110598094A (zh) | 基于矩阵补全的购物推荐方法、电子设备及存储介质 | |
CN116451074A (zh) | 目标对象的画像生成方法、装置、计算机设备、存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN115409014A (zh) | 单据模板生成方法、装置、计算机设备和存储介质 | |
CN117575765A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN115098572A (zh) | 用户画像构建方法、装置和计算机设备 | |
CN116467525A (zh) | 业务产品的推荐方法、装置、设备和存储介质 | |
CN117372113A (zh) | 产品推荐方法、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 | |
CN116109406A (zh) | 用户借贷意愿的预测方法、装置、计算机设备和存储介质 | |
CN114693354A (zh) | 计价方法、装置、计算机设备、存储介质和程序产品 | |
CN117522518A (zh) | 虚拟产品信息推送方法、装置、计算机设备和存储介质 | |
CN116452270A (zh) | 卡片信息推送方法、装置、计算机设备、介质和程序产品 | |
CN117522519A (zh) | 产品推荐方法、装置、设备、存储介质和程序产品 | |
CN115408620A (zh) | 确定数据标签对象的方法和装置 | |
CN117436973A (zh) | 产品推荐方法、装置、设备、存储介质和计算机程序产品 | |
CN117829951A (zh) | 三维模型推荐方法、装置、计算机设备和存储介质 | |
CN114881723A (zh) | 金融产品推荐方法、装置及计算机设备 | |
CN117312906A (zh) | 目标用户的确定方法、装置、设备、存储介质和产品 | |
CN114202404A (zh) | 贷后检查处理方法、系统、装置、设备、介质和程序产品 | |
CN114820105A (zh) | 产品展示方法、装置、计算机设备和存储介质 |
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 |