CN117853247A - 基于人工智能的产品推荐方法、装置、设备及存储介质 - Google Patents
基于人工智能的产品推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117853247A CN117853247A CN202410033186.4A CN202410033186A CN117853247A CN 117853247 A CN117853247 A CN 117853247A CN 202410033186 A CN202410033186 A CN 202410033186A CN 117853247 A CN117853247 A CN 117853247A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- short
- user
- long
- 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 76
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 46
- 230000015654 memory Effects 0.000 claims abstract description 107
- 238000012545 processing Methods 0.000 claims abstract description 96
- 241000287127 Passeridae Species 0.000 claims abstract description 44
- 238000012216 screening Methods 0.000 claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 43
- 230000007787 long-term memory Effects 0.000 claims abstract description 29
- 230000006403 short-term memory Effects 0.000 claims abstract description 29
- 238000010845 search algorithm Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 124
- 238000011156 evaluation Methods 0.000 claims description 49
- 238000010276 construction Methods 0.000 claims description 18
- 230000001960 triggered effect Effects 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 230000006872 improvement Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 24
- 238000010606 normalization Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 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
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请属于人工智能领域与金融科技领域，涉及一种基于人工智能的产品推荐方法，包括：获取与产品相关的用户数据；对用户数据进行特征筛选得到第一特征数据；对第一特征数据进行预处理得到样本数据；基于改进麻雀搜索算法对长短期记忆模型进行优化得到优化后的长短期记忆模型；基于样本数据对优化后的长短期记忆模型进行训练与测试得到偏好预测模型；基于偏好预测模型对产品推荐请求进行处理，并向用户推送对应的推荐产品。本申请还提供一种基于人工智能的产品推荐装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，偏好预测模型可存储至区块链。本申请可应用于金融领域的产品推荐场景，基于偏好预测模型的使用提高了产品推荐的准确性。
Description
技术领域
本申请涉及人工智能开发技术领域与金融科技领域，尤其涉及基于人工智能的产品推荐方法、装置、计算机设备及存储介质。
背景技术
产品推荐是一种基于消费者历史行为和需求，为消费者提供个性化的产品选择的服务。随着互联网的发展和电子商务的兴起，产品推荐已经成为了电子商务平台的重要组成部分。它不仅可以提高消费者的购物体验，增加销售额，还可以帮助企业更有效地进行市场定位和产品策略。目前主流的推荐系统都是针对自身业务特点量身定制的，不同业务系统差异很大，很难有一个统一的方案能适用于不同领域的产品推荐。
由于保险行业的特性，传统的保险推荐方式都需要由销售顾问针对客户的需求进行一对一的定制和推荐，这也使得保险行业的线上市场有别于普通零售业。这种基于行业的特殊性大大影响了目前保险网站的用户体验，很多客户在购买保险产品时迷失在各种不同类型的保险产品之中，难以找到最适合自己的产品，导致保险推荐的准确性较低。
发明内容
本申请实施例的目的在于提出一种基于人工智能的产品推荐方法、装置、计算机设备及存储介质，以解决现有的保险推荐方式都需要由销售顾问针对客户的需求进行一对一的定制和推荐，导致保险推荐的准确性较低的技术问题。
为了解决上述技术问题，本申请实施例提供一种基于人工智能的产品推荐方法，采用了如下所述的技术方案：
获取预先采集的预设时间周期内的与产品相关的用户数据；
对所述用户数据进行特征筛选处理得到对应的第一特征数据；
对所述第一特征数据进行预处理得到对应的第二特征数据，并基于所述第二特征数据构建样本数据；
基于预设的改进麻雀搜索算法对长短期记忆模型进行优化，得到优化后的长短期记忆模型；
基于所述样本数据对所述优化后的长短期记忆模型进行训练与测试，得到符合预设的评估条件的偏好预测模型；
基于所述偏好预测模型对用户触发的产品推荐请求进行处理，并向所述用户推送对应的推荐产品。
进一步的，所述对所述用户数据进行特征筛选处理得到对应的第一特征数据的步骤，具体包括：
获取多种特征选取算法；
从所有所述特征选取算法中确定出目标特征选取算法；
基于所述目标特征选取算法对所述用户数据进行特征筛选，得到筛选后的特征数据；
将所述筛选后的特征数据作为所述第一特征数据。
进一步的，所述从所有所述特征选取算法中确定出目标特征选取算法的步骤，具体包括：
获取各种所述特征选取算法的使用频率值；
从所有所述特征选取算法中筛选出使用频率大于预设的频率阈值的第一特征选取算法；
获取各所述第一特征选取算法的处理效率；
从所有所述第一特征选取算法中筛选出处理效率大于预设的效率阈值的第二特征选取算法；
获取各所述第二特征选取算法的使用评价值；
从所有所述第二特征选取算法中筛选出使用评价值最高的第三特征选取算法，并将所述第三特征选取算法作为所述目标特征选取算法。
进一步的，所述对所述第一特征数据进行预处理得到对应的第二特征数据的步骤，具体包括：
对所述第一特征数据进行数据清洗处理，得到对应的第一数据；
对所述第一数据进行归一化处理，得到对应的第二数据；
对所述第二数据进行数值化编码处理，得到对应的第三数据；
将所述第三数据作为所述第二特征数据。
进一步的，所述基于预设的改进麻雀搜索算法对长短期记忆模型进行优化，得到优化后的长短期记忆模型的步骤，具体包括：
基于预设的自适应策略因子对麻雀搜索算法的搜索能力进行平衡处理，得到所述改进麻雀搜索算法；
获取所述长短期记忆模型的初始模型参数；
基于所述改进麻雀搜索算法对所述长短期记忆模型的初始模型参数进行优化处理，得到优化后的模型参数；
将所述优化后的模型参数代入至所述长短期记忆模型内，得到所述优化后的长短期记忆模型。
进一步的，所述基于所述样本数据对所述优化后的长短期记忆模型进行训练与测试，得到符合预设的评估条件的偏好预测模型的步骤，具体包括：
将所述样本数据划分为训练数据集与测试数据集；
使用所述训练数据集对所述优化后的长短期记忆模型进行训练，得到训练后的目标长短期记忆模型；
使用所述测试数据集对所述目标长短期记忆模型进行测试，计算与所述目标长短期记忆模型对应的模型评估指标值；
判断所述模型评估指标值是否大于预设的指标阈值；
若所述模型评估指标值大于所述指标阈值，则将所述目标长短期记忆模型作为所述偏好预测模型。
进一步的，所述基于所述偏好预测模型对用户触发的产品推荐请求进行处理，并向所述用户推送对应的推荐产品的步骤，具体包括：
接收所述用户输入的待处理的产品推荐请求；
获取与所述用户对应的目标用户数据；
将所述目标用户数据输入至所述偏好预测模型内，通过所述偏好预测模型对所述目标用户数据进行预测处理，生成与所述目标用户数据对应的偏好预测数据；
从预设的候选产品集中获取与所述偏好预测数据对应的目标产品；
将所述目标产品作为推荐产品推送给所述用户。
为了解决上述技术问题，本申请实施例还提供一种基于人工智能的产品推荐装置，采用了如下所述的技术方案：
获取模块，用于获取预先采集的预设时间周期内的与产品相关的用户数据；
第一处理模块，用对所述用户数据进行特征筛选处理得到对应的第一特征数据；
第二处理模块，用对所述第一特征数据进行预处理得到对应的第二特征数据，并基于所述第二特征数据构建样本数据；
优化模块，用基于预设的改进麻雀搜索算法对长短期记忆模型进行优化，得到优化后的长短期记忆模型；
构建模块，用基于所述样本数据对所述优化后的长短期记忆模型进行训练与测试，得到符合预设的评估条件的偏好预测模型；
推送模块，用基于所述偏好预测模型对用户触发的产品推荐请求进行处理，并向所述用户推送对应的推荐产品。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
获取预先采集的预设时间周期内的与产品相关的用户数据；
对所述用户数据进行特征筛选处理得到对应的第一特征数据；
对所述第一特征数据进行预处理得到对应的第二特征数据，并基于所述第二特征数据构建样本数据；
基于预设的改进麻雀搜索算法对长短期记忆模型进行优化，得到优化后的长短期记忆模型；
基于所述样本数据对所述优化后的长短期记忆模型进行训练与测试，得到符合预设的评估条件的偏好预测模型；
基于所述偏好预测模型对用户触发的产品推荐请求进行处理，并向所述用户推送对应的推荐产品。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
获取预先采集的预设时间周期内的与产品相关的用户数据；
对所述用户数据进行特征筛选处理得到对应的第一特征数据；
对所述第一特征数据进行预处理得到对应的第二特征数据，并基于所述第二特征数据构建样本数据；
基于预设的改进麻雀搜索算法对长短期记忆模型进行优化，得到优化后的长短期记忆模型；
基于所述样本数据对所述优化后的长短期记忆模型进行训练与测试，得到符合预设的评估条件的偏好预测模型；
基于所述偏好预测模型对用户触发的产品推荐请求进行处理，并向所述用户推送对应的推荐产品。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例首先获取预先采集的预设时间周期内的与产品相关的用户数据；然后对所述用户数据进行特征筛选处理得到对应的第一特征数据；之后对所述第一特征数据进行预处理得到对应的第二特征数据，并基于所述第二特征数据构建样本数据；后续基于预设的改进麻雀搜索算法对长短期记忆模型进行优化，得到优化后的长短期记忆模型；进一步基于所述样本数据对所述优化后的长短期记忆模型进行训练与测试，得到符合预设的评估条件的偏好预测模型；最后基于所述偏好预测模型对用户触发的产品推荐请求进行处理，并向所述用户推送对应的推荐产品。本申请实施例在进行偏好预测模型的模型构建之前，通过先对预先采集的预设时间周期内的与产品相关的用户数据进行特征筛选处理以得到对应的第一特征数据，有效地确保了生成的第一特征数据的准确性与有效性。然后对所述第一特征数据进行预处理得到对应的第二特征数据，并基于所述第二特征数据构建样本数据，之后使用预设的改进麻雀搜索算法对长短期记忆模型进行优化，得到优化后的长短期记忆模型，进而所述样本数据对所述优化后的长短期记忆模型进行训练与测试以得到符合预设的评估条件的偏好预测模型，保证了生成的偏好预测模型的模型效果与预测准确性，提高了偏好预测模型的构建效率。后续再基于所述偏好预测模型对用户触发的产品推荐请求进行处理以向所述用户推送对应的推荐产品，可以实现快速准确地生成与所述用户对应的偏好预测数据，使得后续利用偏好预测数据对应的推荐产品向用户进行符合用户的偏好需求的精准化的产品推荐，提高了产品推荐的准确性。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图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是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的基于人工智能的产品推荐方法的一个实施例的流程图；
图3是根据本申请的基于人工智能的产品推荐装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，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，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
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、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、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，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于人工智能的产品推荐方法一般由服务器/终端设备执行，相应地，基于人工智能的产品推荐装置一般设置于服务器/终端设备中。
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。
继续参考图2，示出了根据本申请的基于人工智能的产品推荐方法的一个实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。本申请实施例提供的基于人工智能的产品推荐方法能够应用于任意一种需要进行产品推荐的场景中，则该基于人工智能的产品推荐方法能够应用于这些场景的产品中，例如，金融保险领域中的保险产品推荐。所述的基于人工智能的产品推荐方法，包括以下步骤：
步骤S201，获取预先采集的预设时间周期内的与产品相关的用户数据。
在本实施例中，基于人工智能的产品推荐方法运行于其上的电子设备(例如图1所示的服务器/终端设备)，可以通过有线连接方式或者无线连接方式获取预设时间周期内的与产品相关的用户数据。上述基于人工智能的产品推荐方法的执行主体具体可为业务系统。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。在金融保险的保险产品推送的业务场景下，上述产品相关的用户数据可包括用户年龄、用户性别、产品品牌、产品名称、产品评分、产品价格、浏览次数、收藏次数等特征数据。其中，对于上述预设时间周期内的选取不做具体限定，可根据实际的使用需求进行设置，例如可采用距离当前时间的近一年。
步骤S202，对所述用户数据进行特征筛选处理得到对应的第一特征数据。
在本实施例中，上述对所述用户数据进行特征筛选处理得到对应的第一特征数据的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S203，对所述第一特征数据进行预处理得到对应的第二特征数据，并基于所述第二特征数据构建样本数据。
在本实施例中，上述对所述第一特征数据进行预处理得到对应的第二特征数据，并基于所述第二特征数据构建样本数据的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S204，基于预设的改进麻雀搜索算法对长短期记忆模型进行优化，得到优化后的长短期记忆模型。
在本实施例中，在构建偏好预测模型时，考虑到用户需求可能与时间因素有关，拟使用长短期记忆模型作为基模型进行偏好预测模型的训练。并且提升预测精度，通过使用改进麻雀搜索算法进行对于长短期记忆模型的模型参数优化处理。其中，上述基于预设的改进麻雀搜索算法对长短期记忆模型进行优化，得到优化后的长短期记忆模型的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S205，基于所述样本数据对所述优化后的长短期记忆模型进行训练与测试，得到符合预设的评估条件的偏好预测模型。
在本实施例中，上述基于所述样本数据对所述优化后的长短期记忆模型进行训练与测试，得到符合预设的评估条件的偏好预测模型的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S206，基于所述偏好预测模型对用户触发的产品推荐请求进行处理，并向所述用户推送对应的推荐产品。
在本实施例中，上述基于所述偏好预测模型对用户触发的产品推荐请求进行处理，并向所述用户推送对应的推荐产品的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
本申请首先获取预先采集的预设时间周期内的与产品相关的用户数据；然后对所述用户数据进行特征筛选处理得到对应的第一特征数据；之后对所述第一特征数据进行预处理得到对应的第二特征数据，并基于所述第二特征数据构建样本数据；后续基于预设的改进麻雀搜索算法对长短期记忆模型进行优化，得到优化后的长短期记忆模型；进一步基于所述样本数据对所述优化后的长短期记忆模型进行训练与测试，得到符合预设的评估条件的偏好预测模型；最后基于所述偏好预测模型对用户触发的产品推荐请求进行处理，并向所述用户推送对应的推荐产品。本申请在进行偏好预测模型的模型构建之前，通过先对预先采集的预设时间周期内的与产品相关的用户数据进行特征筛选处理以得到对应的第一特征数据，有效地确保了生成的第一特征数据的准确性与有效性。然后对所述第一特征数据进行预处理得到对应的第二特征数据，并基于所述第二特征数据构建样本数据，之后使用预设的改进麻雀搜索算法对长短期记忆模型进行优化，得到优化后的长短期记忆模型，进而所述样本数据对所述优化后的长短期记忆模型进行训练与测试以得到符合预设的评估条件的偏好预测模型，保证了生成的偏好预测模型的模型效果与预测准确性，提高了偏好预测模型的构建效率。后续再基于所述偏好预测模型对用户触发的产品推荐请求进行处理以向所述用户推送对应的推荐产品，可以实现快速准确地生成与所述用户对应的偏好预测数据，使得后续利用偏好预测数据对应的推荐产品向用户进行符合用户的偏好需求的精准化的产品推荐，提高了产品推荐的准确性。
在一些可选的实现方式中，步骤S202包括以下步骤：
获取多种特征选取算法。
在本实施例中，上述特征选取算法可包括主成分分析法、信息增益算法、稀疏特征选择算法、随机森林算法，等等。
从所有所述特征选取算法中确定出目标特征选取算法。
在本实施例中，上述从所有所述特征选取算法中确定出目标特征选取算法的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
基于所述目标特征选取算法对所述用户数据进行特征筛选，得到筛选后的特征数据。
在本实施例中，可通过使用所述目标特征选取算法对所述用户数据进行特征重要性分析，得到所述用户数据包含的各个特征的重要性，进而从所有特征中提取出重要性大于预设的重要性阈值的指定特征，并将该指定特征作为上述筛选后的特征数据。
将所述筛选后的特征数据作为所述第一特征数据。
本申请通过获取多种特征选取算法；然后从所有所述特征选取算法中确定出目标特征选取算法；之后基于所述目标特征选取算法对所述用户数据进行特征筛选，得到筛选后的特征数据；后续将所述筛选后的特征数据作为所述第一特征数据。本申请通过从多种特征选取算法中确定出目标特征选取算法，进而使用得到的目标特征选取算法对所述用户数据进行特征筛选处理，以实现快速准确地从用户数据中筛选出第一特征数据，提高了第一特征数据的生成效率，有效地保证了得到的第一特征数据的数据准确性。且后续通过使用第一特征数据进行偏好预测模型的模型构建，而不需要使用所有用户数据来进行偏好预测模型的模型构建，有效地提高了偏好预测模型的构建效率，并有利于提高偏好预测模型的预测处理的准确性。
在本实施例的一些可选的实现方式中，所述从所有所述特征选取算法中确定出目标特征选取算法，包括以下步骤：
获取各种所述特征选取算法的使用频率值。
在本实施例中，可通过从网络资源中获取各种所述特征选取算法的使用数据，并从该使用数据中查询出各种所述特征选取算法的使用频率值。
从所有所述特征选取算法中筛选出使用频率大于预设的频率阈值的第一特征选取算法。
在本实施例中，对于上述频率阈值的取值不做具体限定，可根据实际的业务使用需求进行设置。使用频率大于预设的频率阈值的特征选取算法，通常是指比较常用的特征选取算法。
获取各所述第一特征选取算法的处理效率。
在本实施例中，可通过从网络资源中获取各种所述特征选取算法的使用数据，并从该使用数据中查询出各所述第一特征选取算法的处理效率。
从所有所述第一特征选取算法中筛选出处理效率大于预设的效率阈值的第二特征选取算法。
在本实施例中，对于上述效率阈值的取值不做具体限定，可根据实际的业务使用需求进行设置。处理效率大于效率阈值的特征选取算法，通常是指处理速率较快的特征选取算法。
获取各所述第二特征选取算法的使用评价值。
在本实施例中，可通过从网络资源中获取各种所述特征选取算法的使用数据，并从该使用数据中查询出各所述第二特征选取算法的使用评价值。
从所有所述第二特征选取算法中筛选出使用评价值最高的第三特征选取算法，并将所述第三特征选取算法作为所述目标特征选取算法。
在本实施例中，筛选出使用评价值最高的特征选取算法，是指算法的好评度最高的特征选取算法。
本申请通过获取各种所述特征选取算法的使用频率值；并从所有所述特征选取算法中筛选出使用频率大于预设的频率阈值的第一特征选取算法；然后获取各所述第一特征选取算法的处理效率；并从所有所述第一特征选取算法中筛选出处理效率大于预设的效率阈值的第二特征选取算法；后续获取各所述第二特征选取算法的使用评价值；最后从所有所述第二特征选取算法中筛选出使用评价值最高的第三特征选取算法，并将所述第三特征选取算法作为所述目标特征选取算法。本申请通过结合特征选取算法的使用频率值、处理效率以及使用评价值对所有所述特征选取算法进行分析处理，以从所有所述特征选取算法中确定出最终的用于对所述用户数据进行特征筛选处理的目标特征选取算法，由于得到的目标特征选取算法具有较优的使用频率值、处理效率以及使用评价值，有效地保证了得到的目标特征选取算法的准确性与科学性。
在本实施例的一些可选的实现方式中，步骤S203中的所述对所述第一特征数据进行预处理得到对应的第二特征数据，包括以下步骤：
对所述第一特征数据进行数据清洗处理，得到对应的第一数据。
在本实施例中，可通过选取通用的数据清洗工具对所述第一特征数据进行数据清洗处理，例如可包括对所述第一特征数据进行删除缺失值、异常值、重复数据、空值的清除处理，以得到对应的第一数据。其中，对于上述数据清洗工具的选取不做具体限定，可根据实际的业务使用需求进行确定。
对所述第一数据进行归一化处理，得到对应的第二数据。
在本实施例中，可通过选取通用的归一化工具对所述第一数据进行归一化处理，以得到对应的第二数据。其中，对于上述归一化工具的选取不做具体限定，可根据实际的业务使用需求进行确定。
对所述第二数据进行数值化编码处理，得到对应的第三数据。
在本实施例中，可通过选取通用的数值化编码工具对所述第二数据进行数值化编码处理，以得到对应的第三数据。其中，对于上述数值化编码工具的选取不做具体限定，可根据实际的业务使用需求进行确定。
将所述第三数据作为所述第二特征数据。
本申请通过对所述第一特征数据进行数据清洗处理，得到对应的第一数据；然后对所述第一数据进行归一化处理，得到对应的第二数据；之后对所述第二数据进行数值化编码处理，得到对应的第三数据；后续将所述第三数据作为所述第二特征数据。本申请通过对得到的初始理赔案件数据进行数据清洗处理、归一化处理以及数值化编码处理，从而实现快速准确地构建出所需的第二特征数据，有效地确保了生成的第二特征数据的数据准确性与数据规范性。
在一些可选的实现方式中，步骤S204包括以下步骤：
基于预设的自适应策略因子对麻雀搜索算法的搜索能力进行平衡处理，得到所述改进麻雀搜索算法。
在本实施例中，上述自适应策略因子具体为 其中，μmin、μmax为自适应策略因子μ的上下限；k为当前迭代次数；M为最大迭代次数。自适应策略因子可以有效平衡麻雀搜索算法在迭代寻优过程中的全局搜索和局部搜索能力。
获取所述长短期记忆模型的初始模型参数。
在本实施例中，通过初始化改进麻雀搜索算法改进麻雀搜索算法的参数，包括麻雀种群位置、参数取值上下限及最大迭代次数。然后初始化长短期记忆模型的结构，以长短期记忆模型的隐层节点数和学习率作为优化目标，并将长短期记忆模型的初始预测值与实际值相比的均方根误差RMSE作为目标优化函数。
基于所述改进麻雀搜索算法对所述长短期记忆模型的初始模型参数进行优化处理，得到优化后的模型参数。
在本实施例中，通过根据改进麻雀搜索算法进行寻优迭代，即通过改进麻雀搜索算法，不断更新搜索麻雀位置，直至满足最大迭代次数或目标精度时，得到最优的长短期记忆模型的初始模型参数，即上述优化后的模型参数。
将所述优化后的模型参数代入至所述长短期记忆模型内，得到所述优化后的长短期记忆模型。
本申请通过基于预设的自适应策略因子对麻雀搜索算法的搜索能力进行平衡处理，得到所述改进麻雀搜索算法；然后获取所述长短期记忆模型的初始模型参数；之后基于所述改进麻雀搜索算法对所述长短期记忆模型的初始模型参数进行优化处理，得到优化后的模型参数；后续将所述优化后的模型参数代入至所述长短期记忆模型内，得到所述优化后的长短期记忆模型。本申请通过基于预设的自适应策略因子对麻雀搜索算法的搜索能力进行平衡处理，得到对应的改进麻雀搜索算法，进而使用该改进麻雀搜索算法对长短期记忆模型的初始模型参数进行优化来得到优化后的长短期记忆模型，以提高得到的优化后的长短期记忆模型的预测精度，从而可以有效地提高后续使用样本数据对所述优化后的长短期记忆模型进行训练后构建的偏好预测模型的预测精度。
在一些可选的实现方式中，步骤S205包括以下步骤：
将所述样本数据划分为训练数据集与测试数据集。
在本实施例中，上述样本数据具体可包含用户年龄、用户性别、产品品牌、产品名称、产品评分、产品价格、浏览次数、收藏次数等特征数据。可按照7:3的抽取比例从所述样本数据中随机抽取相应的数据分别作为训练数据集与测试数据集。
使用所述训练数据集对所述优化后的长短期记忆模型进行训练，得到训练后的目标长短期记忆模型。
在本实施例中，使用所述训练数据集对所述优化后的长短期记忆模型进行训练的过程，可参考现有的长短期记忆模型的训练过程，在此不做过多阐述。
使用所述测试数据集对所述目标长短期记忆模型进行测试，计算与所述目标长短期记忆模型对应的模型评估指标值。
在本实施例中，可通过将所述测试数据集输入至所述目标长短期记忆模型内进行测试，并在测试处理完成后计算与所述目标长短期记忆模型对应的模型评估指标值。其中，对于上述模型评估指标值的指标类型不做具体限定，可根据实际的使用需求进行设置，例如可采用准确率。
判断所述模型评估指标值是否大于预设的指标阈值。
在本实施例中，对于上述指标阈值的取值不做具体限定，可根据实际的模型测试需求进行设置。
若所述模型评估指标值大于所述指标阈值，则将所述目标长短期记忆模型作为所述偏好预测模型。
本申请通过将所述样本数据划分为训练数据集与测试数据集；然后使用所述训练数据集对所述优化后的长短期记忆模型进行训练，得到训练后的目标长短期记忆模型；之后使用所述测试数据集对所述目标长短期记忆模型进行测试，计算与所述目标长短期记忆模型对应的模型评估指标值；后续判断所述模型评估指标值是否大于预设的指标阈值；若所述模型评估指标值大于所述指标阈值，则将所述目标长短期记忆模型作为所述偏好预测模型。本申请通过将预先构建的样本数据划分为训练数据集与测试数据集，然后使用所述训练数据集对所述优化后的长短期记忆模型进行训练，得到训练后的目标长短期记忆模型，后续使用所述测试数据集对所述目标长短期记忆模型进行测试，并将通过测试的所述目标长短期记忆模型作为最终的偏好预测模型，以完成偏好预测模型的构建过程，有效的保证了生成的偏好预测模型的模型效果与预测处理准确性，提高了偏好预测模型的构建效率。
在本实施例的一些可选的实现方式中，步骤S206包括以下步骤：
接收所述用户输入的待处理的产品推荐请求。
在本实施例中，用户可通过点击与业务系统具有关联关系的客户端中的产品推荐功能按钮，以触发相应的产品推荐请求。其中，客户端是用户交互的入口，对于保险产品而言包括企业App、保险商城、第三方合作伙伴交易平台等。其主要是提供给消费者选购产品的交易平台，同时收集用户的消费记录、偏好信息。
获取与所述用户对应的目标用户数据。
在本实施例中，可通过获取所述用户的用户标识，然后根据该用户标识从预设的用户数据库中获取所述用户的初始用户数据，进而对该初始用户数据进行特征筛选处理与预处理以得到上述目标用户数据。其中，上述用户数据库为预先构建的存储有多个客户的用户数据的信息数据库，该信息数据库中存储有产品信息、用户消费记录的存储介质，具体可包含了用户浏览产品、购买等行为、已有用户画像；保险产品信息等。
将所述目标用户数据输入至所述偏好预测模型内，通过所述偏好预测模型对所述目标用户数据进行预测处理，生成与所述目标用户数据对应的偏好预测数据。
在本实施例中，在通过所述偏好预测模型对所述目标用户数据进行预测处理后，会对应输出与所述目标用户数据对应的偏好预测数据。
从预设的候选产品集中获取与所述偏好预测数据对应的目标产品。
在本实施例中，可通过使用上述偏好预测数据对所述候选产品集进行产品匹配，以从候选产品集中筛选出与所述偏好预测数据匹配的目标产品。其中，上述候选产品集为预先构建的存储有偏好标识与候选产品之间的对应关系的集合。
将所述目标产品作为推荐产品推送给所述用户。
在本实施例中，可通过获取所述用户的终端信息，进而根据该终端信息将所述目标产品作为推荐产品发送给所述用户的终端，以完成推荐产品的推送处理。
本申请通过接收所述用户输入的待处理的产品推荐请求；然后获取与所述用户对应的目标用户数据；之后将所述目标用户数据输入至所述偏好预测模型内，通过所述偏好预测模型对所述目标用户数据进行预测处理，生成与所述目标用户数据对应的偏好预测数据；后续从预设的候选产品集中获取与所述偏好预测数据对应的目标产品；最后将所述目标产品作为推荐产品推送给所述用户。本申请在接收所述用户输入的待处理的产品推荐请求后，通过使用训练好的偏好预测模型对所述目标用户数据进行预测处理以得到与所述目标用户数据对应的偏好预测数据，进而基于候选产品集的使用可以实现快速准确地得到与所述偏好预测数据对应的目标产品，保证了生成的目标产品的准确性与智能性，使得后续利用该目标产品向用户进行符合用户的偏好需求的精准化的产品推荐，提高了产品推荐的准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
需要强调的是，为进一步保证上述偏好预测模型的私密和安全性，上述偏好预测模型还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于人工智能的产品推荐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的基于人工智能的产品推荐装置300包括：获取模块301、第一处理模块302、第二处理模块303、优化模块304、构建模块305以及推送模块306。其中：
获取模块301，用于获取预先采集的预设时间周期内的与产品相关的用户数据；
第一处理模块302，用对所述用户数据进行特征筛选处理得到对应的第一特征数据；
第二处理模块303，用对所述第一特征数据进行预处理得到对应的第二特征数据，并基于所述第二特征数据构建样本数据；
优化模块304，用基于预设的改进麻雀搜索算法对长短期记忆模型进行优化，得到优化后的长短期记忆模型；
构建模块305，用基于所述样本数据对所述优化后的长短期记忆模型进行训练与测试，得到符合预设的评估条件的偏好预测模型；
推送模块306，用基于所述偏好预测模型对用户触发的产品推荐请求进行处理，并向所述用户推送对应的推荐产品。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的产品推荐方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第一处理模块302包括：
第一获取子模块，用于获取多种特征选取算法；
第一确定子模块，用从所有所述特征选取算法中确定出目标特征选取算法；
筛选子模块，用基于所述目标特征选取算法对所述用户数据进行特征筛选，得到筛选后的特征数据；
第二确定子模块，用将所述筛选后的特征数据作为所述第一特征数据。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的产品推荐方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中,第一确定子模块包括：
第一获取单元，用于获取各种所述特征选取算法的使用频率值；
第一筛选单元，用于从所有所述特征选取算法中筛选出使用频率大于预设的频率阈值的第一特征选取算法；
第二获取单元，用于获取各所述第一特征选取算法的处理效率；
第二筛选单元，用于从所有所述第一特征选取算法中筛选出处理效率大于预设的效率阈值的第二特征选取算法；
第三获取单元，用于获取各所述第二特征选取算法的使用评价值；
确定单元，用于从所有所述第二特征选取算法中筛选出使用评价值最高的第三特征选取算法，并将所述第三特征选取算法作为所述目标特征选取算法。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的产品推荐方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第二处理模块303包括：
第一处理子模块，用于对所述第一特征数据进行数据清洗处理，得到对应的第一数据；
第二处理子模块，用于对所述第一数据进行归一化处理，得到对应的第二数据；
第三处理子模块，用于对所述第二数据进行数值化编码处理，得到对应的第三数据；
第三确定子模块，用于将所述第三数据作为所述第二特征数据。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的产品推荐方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，优化模块304包括：
第四处理子模块，用于基于预设的自适应策略因子对麻雀搜索算法的搜索能力进行平衡处理，得到所述改进麻雀搜索算法；
第二获取子模块，用于获取所述长短期记忆模型的初始模型参数；
优化子模块，用于基于所述改进麻雀搜索算法对所述长短期记忆模型的初始模型参数进行优化处理，得到优化后的模型参数；
代入子模块，用于将所述优化后的模型参数代入至所述长短期记忆模型内，得到所述优化后的长短期记忆模型。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的产品推荐方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，构建模块305包括：
划分子模块，用于将所述样本数据划分为训练数据集与测试数据集；
训练子模块，用于使用所述训练数据集对所述优化后的长短期记忆模型进行训练，得到训练后的目标长短期记忆模型；
测试子模块，用于使用所述测试数据集对所述目标长短期记忆模型进行测试，计算与所述目标长短期记忆模型对应的模型评估指标值；
判断子模块，用于判断所述模型评估指标值是否大于预设的指标阈值；
第四确定子模块，用于若所述模型评估指标值大于所述指标阈值，则将所述目标长短期记忆模型作为所述偏好预测模型。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的产品推荐方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，推送模块306包括：
接收子模块，用于接收所述用户输入的待处理的产品推荐请求；
第三获取子模块，用于获取与所述用户对应的目标用户数据；
生成子模块，用于将所述目标用户数据输入至所述偏好预测模型内，通过所述偏好预测模型对所述目标用户数据进行预测处理，生成与所述目标用户数据对应的偏好预测数据；
第四获取子模块，用于从预设的候选产品集中获取与所述偏好预测数据对应的目标产品；
推送子模块，用于将所述目标产品作为推荐产品推送给所述用户。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的产品推荐方法的步骤一一对应，在此不再赘述。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41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、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的产品推荐方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于人工智能的产品推荐方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，在进行偏好预测模型的模型构建之前，通过先对预先采集的预设时间周期内的与产品相关的用户数据进行特征筛选处理以得到对应的第一特征数据，有效地确保了生成的第一特征数据的准确性与有效性。然后对所述第一特征数据进行预处理得到对应的第二特征数据，并基于所述第二特征数据构建样本数据，之后使用预设的改进麻雀搜索算法对长短期记忆模型进行优化，得到优化后的长短期记忆模型，进而所述样本数据对所述优化后的长短期记忆模型进行训练与测试以得到符合预设的评估条件的偏好预测模型，保证了生成的偏好预测模型的模型效果与预测准确性，提高了偏好预测模型的构建效率。后续再基于所述偏好预测模型对用户触发的产品推荐请求进行处理以向所述用户推送对应的推荐产品，可以实现快速准确地生成与所述用户对应的偏好预测数据，使得后续利用偏好预测数据对应的推荐产品向用户进行符合用户的偏好需求的精准化的产品推荐，提高了产品推荐的准确性。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于人工智能的产品推荐方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，在进行偏好预测模型的模型构建之前，通过先对预先采集的预设时间周期内的与产品相关的用户数据进行特征筛选处理以得到对应的第一特征数据，有效地确保了生成的第一特征数据的准确性与有效性。然后对所述第一特征数据进行预处理得到对应的第二特征数据，并基于所述第二特征数据构建样本数据，之后使用预设的改进麻雀搜索算法对长短期记忆模型进行优化，得到优化后的长短期记忆模型，进而所述样本数据对所述优化后的长短期记忆模型进行训练与测试以得到符合预设的评估条件的偏好预测模型，保证了生成的偏好预测模型的模型效果与预测准确性，提高了偏好预测模型的构建效率。后续再基于所述偏好预测模型对用户触发的产品推荐请求进行处理以向所述用户推送对应的推荐产品，可以实现快速准确地生成与所述用户对应的偏好预测数据，使得后续利用偏好预测数据对应的推荐产品向用户进行符合用户的偏好需求的精准化的产品推荐，提高了产品推荐的准确性。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于人工智能的产品推荐方法，其特征在于，包括下述步骤：
获取预先采集的预设时间周期内的与产品相关的用户数据；
对所述用户数据进行特征筛选处理得到对应的第一特征数据；
对所述第一特征数据进行预处理得到对应的第二特征数据，并基于所述第二特征数据构建样本数据；
基于预设的改进麻雀搜索算法对长短期记忆模型进行优化，得到优化后的长短期记忆模型；
基于所述样本数据对所述优化后的长短期记忆模型进行训练与测试，得到符合预设的评估条件的偏好预测模型；
基于所述偏好预测模型对用户触发的产品推荐请求进行处理，并向所述用户推送对应的推荐产品。
2.根据权利要求1所述的基于人工智能的产品推荐方法，其特征在于，所述对所述用户数据进行特征筛选处理得到对应的第一特征数据的步骤，具体包括：
获取多种特征选取算法；
从所有所述特征选取算法中确定出目标特征选取算法；
基于所述目标特征选取算法对所述用户数据进行特征筛选，得到筛选后的特征数据；
将所述筛选后的特征数据作为所述第一特征数据。
3.根据权利要求2所述的基于人工智能的产品推荐方法，其特征在于，所述从所有所述特征选取算法中确定出目标特征选取算法的步骤，具体包括：
获取各种所述特征选取算法的使用频率值；
从所有所述特征选取算法中筛选出使用频率大于预设的频率阈值的第一特征选取算法；
获取各所述第一特征选取算法的处理效率；
从所有所述第一特征选取算法中筛选出处理效率大于预设的效率阈值的第二特征选取算法；
获取各所述第二特征选取算法的使用评价值；
从所有所述第二特征选取算法中筛选出使用评价值最高的第三特征选取算法，并将所述第三特征选取算法作为所述目标特征选取算法。
4.根据权利要求1所述的基于人工智能的产品推荐方法，其特征在于，所述对所述第一特征数据进行预处理得到对应的第二特征数据的步骤，具体包括：
对所述第一特征数据进行数据清洗处理，得到对应的第一数据；
对所述第一数据进行归一化处理，得到对应的第二数据；
对所述第二数据进行数值化编码处理，得到对应的第三数据；
将所述第三数据作为所述第二特征数据。
5.根据权利要求1所述的基于人工智能的产品推荐方法，其特征在于，所述基于预设的改进麻雀搜索算法对长短期记忆模型进行优化，得到优化后的长短期记忆模型的步骤，具体包括：
基于预设的自适应策略因子对麻雀搜索算法的搜索能力进行平衡处理，得到所述改进麻雀搜索算法；
获取所述长短期记忆模型的初始模型参数；
基于所述改进麻雀搜索算法对所述长短期记忆模型的初始模型参数进行优化处理，得到优化后的模型参数；
将所述优化后的模型参数代入至所述长短期记忆模型内，得到所述优化后的长短期记忆模型。
6.根据权利要求1所述的基于人工智能的产品推荐方法，其特征在于，所述基于所述样本数据对所述优化后的长短期记忆模型进行训练与测试，得到符合预设的评估条件的偏好预测模型的步骤，具体包括：
将所述样本数据划分为训练数据集与测试数据集；
使用所述训练数据集对所述优化后的长短期记忆模型进行训练，得到训练后的目标长短期记忆模型；
使用所述测试数据集对所述目标长短期记忆模型进行测试，计算与所述目标长短期记忆模型对应的模型评估指标值；
判断所述模型评估指标值是否大于预设的指标阈值；
若所述模型评估指标值大于所述指标阈值，则将所述目标长短期记忆模型作为所述偏好预测模型。
7.根据权利要求1所述的基于人工智能的产品推荐方法，其特征在于，所述基于所述偏好预测模型对用户触发的产品推荐请求进行处理，并向所述用户推送对应的推荐产品的步骤，具体包括：
接收所述用户输入的待处理的产品推荐请求；
获取与所述用户对应的目标用户数据；
将所述目标用户数据输入至所述偏好预测模型内，通过所述偏好预测模型对所述目标用户数据进行预测处理，生成与所述目标用户数据对应的偏好预测数据；
从预设的候选产品集中获取与所述偏好预测数据对应的目标产品；
将所述目标产品作为推荐产品推送给所述用户。
8.一种基于人工智能的产品推荐装置，其特征在于，包括：
获取模块，用于获取预先采集的预设时间周期内的与产品相关的用户数据；
第一处理模块，用对所述用户数据进行特征筛选处理得到对应的第一特征数据；
第二处理模块，用对所述第一特征数据进行预处理得到对应的第二特征数据，并基于所述第二特征数据构建样本数据；
优化模块，用基于预设的改进麻雀搜索算法对长短期记忆模型进行优化，得到优化后的长短期记忆模型；
构建模块，用基于所述样本数据对所述优化后的长短期记忆模型进行训练与测试，得到符合预设的评估条件的偏好预测模型；
推送模块，用基于所述偏好预测模型对用户触发的产品推荐请求进行处理，并向所述用户推送对应的推荐产品。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的产品推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的产品推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410033186.4A CN117853247A (zh) | 2024-01-09 | 2024-01-09 | 基于人工智能的产品推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410033186.4A CN117853247A (zh) | 2024-01-09 | 2024-01-09 | 基于人工智能的产品推荐方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117853247A true CN117853247A (zh) | 2024-04-09 |
Family
ID=90547278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410033186.4A Pending CN117853247A (zh) | 2024-01-09 | 2024-01-09 | 基于人工智能的产品推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117853247A (zh) |
-
2024
- 2024-01-09 CN CN202410033186.4A patent/CN117853247A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492772B (zh) | 生成信息的方法和装置 | |
| WO2019061994A1 (zh) | 电子装置、保险产品推荐方法、系统及计算机可读存储介质 | |
| CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
| CN117114901A (zh) | 基于人工智能的投保数据处理方法、装置、设备及介质 | |
| CN111768218A (zh) | 用于处理用户交互信息的方法和装置 | |
| CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
| CN114219664A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
| CN112085566B (zh) | 基于智能决策的产品推荐方法、装置及计算机设备 | |
| CN117853247A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
| CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
| CN117350461B (zh) | 企业异常行为预警方法、系统、计算机设备及存储介质 | |
| CN116542779A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
| KR102653483B1 (ko) | 인공지능에 기반하여 미술품의 가격을 예측하는 방법 | |
| CN117788051A (zh) | 基于人工智能的客户偏好分析方法、装置、设备及介质 | |
| CN117876021A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
| CN117909489A (zh) | 基于人工智能的数据生成方法、装置、设备及存储介质 | |
| CN116542733A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
| CN117611352A (zh) | 一种车险理赔处理方法、装置、计算机设备及存储介质 | |
| CN116757771A (zh) | 基于人工智能的方案推荐方法、装置、设备及存储介质 | |
| CN117709801A (zh) | 客户数据处理方法、装置、计算机设备及存储介质 | |
| CN117009670A (zh) | 基于用户画像的综合推荐方法、装置、设备及存储介质 | |
| CN116308468A (zh) | 客户对象分类方法、装置、计算机设备及存储介质 | |
| Saini et al. | Prediction of House Pricing Using Machine Learning | |
| CN114065042A (zh) | 用户需求预测方法、装置、电子设备及可读存储介质 | |
| CN117078406A (zh) | 一种客户流失预警方法、装置、计算机设备及存储介质 |
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 |