TW201923678A - 共用產品的推薦方法、裝置以及電子設備 - Google Patents

Abstract

公開一種共用產品的推薦方法，包括：獲取使用者的信用資訊；將所述信用資訊輸入推薦模型進行計算；其中，所述推薦模型為機器學習模型；所述機器學習模型的建模特徵包括使用者的信用資訊；基於所述推薦模型的計算結果為所述使用者推薦共用產品；其中，所述使用者對所述共用產品的使用記錄用於評估所述使用者的信用資訊。

Description

共用產品的推薦方法、裝置以及電子設備

本說明書涉及電腦應用領域，尤其涉及一種共用產品的推薦方法、裝置以及電子設備。

共用經濟是近年來新興的一種經濟模式，有別於傳統的買賣經濟，其本質上是一種分時租賃經濟，通常是由提供服務的公司將大量共用產品投放到市場上的各個角落，讓使用者去發現和租用。例如，目前在共用經濟領域，已經出現共用單車、共用充電寶、共用雨傘、共用服裝等一系列產品和服務。

本說明書提出一種共用產品的推薦方法，所述方法包括： 　　獲取使用者的信用資訊； 　　將所述信用資訊輸入推薦模型進行計算；其中，所述推薦模型為機器學習模型；所述機器學習模型的建模特徵包括使用者的信用資訊； 　　基於所述推薦模型的計算結果為所述使用者推薦共用產品；其中，所述使用者對所述共用產品的使用記錄用於評估所述使用者的信用資訊。 　　可選的，所述建模特徵還包括共用產品的基本資訊；其中，所述共用產品的基本資訊包括共用產品的信用准入條件； 　　所述方法還包括： 　　將共用產品的基本資訊輸入所述推薦模型進行計算。 　　可選的，所述建模特徵還包括共用產品的使用條件資訊；以及，用於確定使用者是否滿足所述共用產品的使用條件的使用者資訊。 　　可選的，所述推薦模型的計算結果為使用者對應於共用產品的使用概率； 　　所述基於所述推薦模型的計算結果為所述使用者推薦共用產品，包括： 　　確定所述推薦模型計算得到的使用者對應於共用產品的使用概率是否達到預設閾值；如果所述使用者對應於共用產品的使用概率達到預設閾值，將所述共用產品向所述使用者推薦。 　　可選的，所述將所述共用產品向所述使用者推薦之前，還包括： 　　確定所述使用者是否滿足所述共用產品的使用條件； 　　如果所述使用者滿足所述共用產品的使用條件，則將所述共用產品推薦給所述使用者。 　　可選的，所述使用條件包括以下條件中的一個或者多個的組合： 　　使用者與共用產品的距離小於預設閾值； 　　使用者匹配為共用產品預設的使用人群； 　　使用者的使用環境匹配為共用產品預設的使用環境； 　　使用者對共用產品的使用記錄中負面使用記錄的比例低於預設閾值。 　　可選的，所述使用者的信用資訊為基於信用評估模型對使用者進行評估得到的信用評分。 　　本說明書還提出一種共用產品的推薦裝置，所述裝置包括： 　　獲取模組，獲取使用者的信用資訊； 　　計算模組，將所述信用資訊輸入推薦模型進行計算；其中，所述推薦模型為基機器學習模型；所述機器學習模型的建模特徵包括使用者的信用資訊； 　　推薦模組，基於所述推薦模型的計算結果為所述使用者推薦共用產品；其中，所述使用者對所述共用產品的使用記錄用於評估所述使用者的信用資訊。 　　可選的，所述建模特徵還包括共用產品的基本資訊；其中，所述共用產品的基本資訊包括共用產品的信用准入條件； 　　所述計算模組進一步： 　　將共用產品的基本資訊輸入所述推薦模型進行計算。 　　可選的，所述建模特徵還包括共用產品的使用條件資訊；以及，用於確定使用者是否滿足所述共用產品的使用條件的使用者資訊。 　　可選的，所述推薦模型的計算結果為使用者對應於共用產品的使用概率； 　　所述推薦模組： 　　確定所述推薦模型計算得到的使用者對應於共用產品的使用概率是否達到預設閾值；如果所述使用者對應於共用產品的使用概率達到預設閾值，將所述共用產品向所述使用者推薦。 　　可選的，所述推薦模組進一步： 　　在將所述共用產品向所述使用者推薦之前，確定所述使用者是否滿足所述共用產品的使用條件； 　　如果所述使用者滿足所述共用產品的使用條件，則將所述共用產品推薦給所述使用者。 　　可選的，所述使用條件包括以下條件中的一個或者多個的組合： 　　使用者與共用產品的距離小於預設閾值； 　　使用者匹配為共用產品預設的使用人群； 　　使用者的使用環境匹配為共用產品預設的使用環境； 　　使用者對共用產品的使用記錄中負面使用記錄的比例低於預設閾值。 　　可選的，所述使用者的信用資訊為基於信用評估模型對使用者進行評估得到的信用評分。 　　本說明書還提出一種電子設備，包括： 　　處理器； 　　用於儲存機器可執行指令的記憶體； 　　其中，透過讀取並執行所述記憶體儲存的與客服中心的人員輪休管控的控制邏輯對應的機器可執行指令，所述處理器被促使： 　　獲取使用者的信用資訊； 　　將所述信用資訊輸入推薦模型進行計算；其中，所述推薦模型為機器學習模型；所述機器學習模型的建模特徵包括使用者的信用資訊； 　　基於所述推薦模型的計算結果為所述使用者推薦共用產品；其中，所述使用者對所述共用產品的使用記錄用於評估所述使用者的信用資訊。 　　本說明書實施例所提供的技術方案，由於使用者對推薦模型所推薦的共用產品的使用記錄，可以用於評估使用者的信用資訊，而使用者的信用資訊又將作為推薦模型的輸入；因此，使用者對推薦模型所推薦的共用產品的使用記錄，將間接影響推薦模型對該使用者下一次的共用產品推薦，從而可以促使對使用者的信用評估和為使用者推薦共用產品形成完整的業務閉環，使得推薦模型可以對具有良好使用記錄的使用者推薦更加優質的共用產品服務，構成良性迴圈。

本說明書旨在提出一種，基於使用者的信用資訊來為使用者推薦共用產品，以及基於使用者對已推薦的共用產品的使用記錄，來重新評估使用者的信用，進而促使對使用者的信用評估和為使用者推薦共用產品形成業務閉環的共用產品推薦模式。 　　在實現時，共用產品的運營方可以預先準備大量樣本使用者，並將這些樣本使用者的信用資訊作為建模所需的若干維度的建模特徵中的其中一個維度，參與機器學習模型訓練，來構建用於為使用者推薦共用產品的推薦模型； 　　當在使用推薦模型為使用者推薦共用產品時，可以獲取該使用者的信用資訊，並基於該使用者的信用資訊來構建預測樣本，並將預測樣本輸入到推薦模型中進行計算，然後基於計算結果為該使用者推薦共用產品； 　　例如，推薦模型的計算結果具體可以是使用者對應於共用產品的使用概率，如果使用者對應於某一共用產品的使用概率達到預設閾值，可以將該共用產品推薦給該使用者。 　　當為使用者推薦了共用產品後，共用產品的運營方還可以基於使用者對已推薦的共用產品的使用記錄，來重新評估該使用者的信用資訊。而對於重新評估後的信用資訊，將繼續作為下一次為該使用者推薦共用產品時推薦模型的輸入。 　　在以上技術方案中，由於使用者對推薦模型所推薦的共用產品的使用記錄，可以用於評估使用者的信用資訊，而使用者的信用資訊又將作為推薦模型的輸入；因此，使用者對推薦模型所推薦的共用產品的使用記錄，將間接影響推薦模型對該使用者下一次的共用產品推薦，從而可以促使對使用者的信用評估和為使用者推薦共用產品形成完整的業務閉環，使得推薦模型可以對具有良好使用記錄的使用者推薦更加優質的共用產品服務，構成良性迴圈。 　　例如，對於一個使用者而言，由於對已推薦共用產品的使用記錄，將會直接影響推薦模型對該使用者的下一次推薦；因此，如果使用者希望推薦模型能夠持續的為自身推薦優質的共用產品，那麼勢必需要持續的保持一個良好的使用習慣；可見，透過這種方式，可以對使用者使用共用產品時的行為習慣間接的起到一定的約束作用。 　　而對於共用產品的運營方而言，透過基於使用者的信用資訊為使用者推薦共用產品，一方面可以做到將共用產品的推薦向部分優質使用者傾斜，不僅可以降低共用產品被一些具有不良使用習慣的使用者破壞的概率，也可以優化運營方在投放共用產品時的運營成本；比如，透過這種基於信用資訊向部分優質使用者推薦共用產品的推薦模式，使得運營方可以不再需要線上下大規模投放共用投產，而是可以僅投放足夠這些優質使用者使用的共用產品即可。 　　下面透過具體實施例並結合具體的應用場景對本說明書進行描述。 　　請參考圖1，圖1是本說明書一實施例提供的一種共用產品的推薦方法方法，執行以下步驟： 　　步驟102，獲取使用者的信用資訊； 　　步驟104，將所述信用資訊輸入推薦模型進行計算；其中，所述推薦模型為機器學習模型；所述機器學習模型的建模特徵包括使用者的信用資訊； 　　步驟106，基於所述推薦模型的計算結果為所述使用者推薦共用產品；其中，所述使用者對所述共用產品的使用記錄用於評估所述使用者的信用資訊。 　　上述共用產品，具體可以包括由運營方投放線上下場所中，由使用者去發現和租用的線下產品；例如，可以是目前在共用經濟領域，已經出現的共用單車、共用充電寶、共用雨傘、共用服裝等線下產品。 　　上述信用資訊，具體可以包括能夠表徵使用者的信用度的任意形式的資料；例如，上述信用資訊具體可以是基於機器學習的方式搭建的信用評估模型對使用者進行信用評估後，得到的信用評分；當然，除了信用評分以外，上述信用資訊具體也可以是其它形式的能夠間接表徵使用者的信用度的評分；比如，也可以是透過搭建的風險評估模型對使用者進行風險評估後，得到的風險評分，在本說明書中不進行特別限定。 　　在本說明書中，共用產品的運營方，可以將使用者的信用資訊作為建模特徵參與機器學習模型訓練，並基於訓練完成的推薦模型為使用者推薦共用產品，然後再根據使用者對已推薦的共用產品的使用記錄，重新評估使用者的信用資訊，並將重新評估後的信用資訊作為推薦模型為使用者進行下一次推薦時的輸入，從而促使對使用者的信用評估和為使用者推薦共用產品形成完整的業務閉環。 　　在初始狀態下，共用產品的運營方可以預先準備大量的樣本使用者，並獲取這些樣本使用者的信用資訊，然後將獲取到的信用資訊作為建模所需的若干維度的建模特徵中的其中一個維度，參與機器模型訓練，來訓練用於為使用者推薦共用產品的推薦模型。 　　在示出的一種實施方式中，在訓練上述推薦模型時所需的若干維度的建模特徵中，除了可以包括使用者的信用資訊以外，還可以包含共用產品的基本資訊。 　　其中，上述使用者的信用資訊，具體可以是基於預設的信用評估模型對使用者進行信用評估後，得到的能夠表徵使用者的信用風險的信用評分；而上述信用評估模型，具體也可以是基於若干維度的與使用者的信用風險相關的建模特徵訓練出的一個機器學習模型； 　　例如，在一種實現方式中，共用產品的運營方可以基於系統中沉澱的大量的使用者資料，構建出若干維度的與使用者的信用風險相關的建模特徵（比如使用者對共用產品的使用記錄），來訓練信用評估模型，然後使用訓練出的信用評估模型來對使用者進行信用評估，得到信用評分；其中，訓練上述信用評估模型所需要的建模特徵以及具體的訓練過程，在本說明書中不再進行詳述，本領域技術人員在將本說明書記載的技術方案付諸實現時，可以參考相關技術中的記載。 　　或者，在另一種實現方式中，共用產品的運營方也進行信用評估模型訓練，而是直接接入協力廠商的信用評估機構，在需要獲取使用者的信用評分時，可以透過對接該協力廠商的信用評估機構，來查詢使用者的信用評分；比如，在一個例子中，上述信用評分可以是Alipay對使用者進行信用評估後得到的“芝麻信用分”；在這種情況下，作為共用產品的運營方，可以直接對接Alipay的系統平臺，當需要獲取使用者的信用評分時，可以向Alipay的系統平臺發起查詢。 　　上述共用產品的基本資訊，具體可以包括待推薦的共用產品的一些基礎屬性資訊；比如，共用產品的產品規格、地理位置、共用產品面向的使用人群等資訊。 　　在本說明書中，由於上述推薦模型是採用使用者的信用資訊作為輸入，為使用者推薦共用產品的，因此上述共用產品的基本資訊中，還可以包括共用產品的信用准入條件。 　　其中，上述信用准入條件，具體用於評估使用者是否達到共用產品所規定的信用准入要求；例如，以使用者的信用資訊為信用評分為例，在實際應用中，上述信用准入條件具體可以是一個信用評分閾值，只有使用者的信用評分達到該信用評分閾值，才具有使用該共用產品的資格。 　　在這種情況下，共用產品的運營方可以基於各樣本使用者的信用評分，以及待推薦的共用產品的信用准入條件，來分別構建訓練樣本，產生訓練樣本集，然後基於構建的訓練樣本集對預設的機器學習模型進行訓練，來構建推薦模型。 　　例如，以上述信用准入條件為一個信用評分閾值為例，可以將各樣本使用者的信用評分，以及與待推薦的共用產品對應的信用評分閾值作為特徵欄位分別進行拼接產生向量，然後將產生的向量作為訓練樣本產生目標矩陣作為訓練樣本集。 　　其中，上述機器學習模型的具體類型，具體可以是一個有監督的機器學習模型（比如邏輯迴歸模型），也可以是一個無監督的機器學習模型（比如無監督的聚類模型）。 　　例如，以有監督的機器學習模型為例，在實現時，可以按照樣本使用者是否為共用產品的潛在使用者，為各訓練樣本添加樣本標籤；比如，對於是共用產品的潛在使用者的訓練樣本，作為正樣本標記為1；將不是共用產品的潛在使用者的訓練樣本，作為負樣本標記為0；或者，將是共用產品的潛在使用者的訓練樣本以外的其它樣本，均預設作為負樣本標記為0。當所有訓練樣本均添加了樣本標籤後，此時可以按照有監督學習的方法，對該機器學習模型進行訓練，來構建推薦模型。 　　又如，以無監督的機器學習模型為例，在實現時，可以透過無監督學習的方法，直接對訓練樣本集進行無監督的聚類運算，直到演算法收斂，將訓練樣本集中的訓練樣本，聚類為共用產品的潛在使用者和非潛在使用者兩類，來構建推薦模型。 　　當上述推薦模型訓練完畢，使用該推薦模型為使用者推薦共用產品時，可以獲取該使用者的信用評分，然後基於該使用者的信用評分，以及待推薦的共用產品的信用准入條件，來構建預測樣本； 　　例如，以上述信用准入條件為一個信用評分閾值為例，仍然可以透過將該使用者的信用評分，以及與待推薦的共用產品對應的信用評分閾值作為特徵欄位進行拼接產生向量，然後將產生的該向量作為預測樣本。 　　當預測樣本構建完畢，可以將該預測樣本輸入至訓練完畢的推薦模型進行計算，得到結算結果。 　　其中，在示出的一種實施方式中，上述計算結果，具體可以是使用者對應於共用產品的使用概率（比如，使用者屬於共用產品的潛在使用者的概率）。 　　例如，以上述推薦模型為有監督的機器學習模型為例，訓練樣本通常會被標記為共用產品的潛在使用者和非潛在使用者兩類，在這種情況下，推薦模型最終輸出的計算結果，則可以是待推薦使用者為共用產品的潛在使用者的概率和非潛在使用者的概率。 　　又如，以上述推薦模型為無監督的機器學習模型為例，訓練樣本通常會被無監督聚類為共用產品的潛在使用者和非潛在使用者兩類，在這種情況下，推薦模型最終輸出的計算結果，則可以是待推薦使用者屬於共用產品的潛在使用者的類簇的概率和屬於共用產品的非潛在使用者的類簇的概率。 　　在本說明書中，上述推薦模型具體可以搭載在共用產品的運營方的推薦系統中，而上述推薦系統可以透過調用推薦模型的輸出結果，來為使用者推薦共用產品。 　　在示出的一種實施方式中，上述推薦系統中可以預配置一個與使用概率對應的預設閾值。當將預測樣本輸入推薦模型進行計算，得到該使用者對應於共用產品的使用概率後，上述推薦系統可以確定該使用概率是否達到該預設閾值；如果模型輸出的該使用概率達到了該預設閾值，表明該使用者為該預測樣本中的共用產品的潛在使用者，可以將該共用產品推薦給該使用者；比如，可以以推送消息的形式，將該共用產品的基本資訊推送至使用者的終端；反之，如果模型輸出的該使用概率未達到該預設閾值，表明該使用者並不是該預測樣本中的共用產品的潛在使用者，此時可以不為該使用者推薦該共用產品。 　　透過這種方式，由於推薦通可以僅針對部分滿足共用產品的信用准入條件的優質人群推薦共用產品，因此對於運營方而言，可以利用推薦模型來及時的發現潛在使用者，並透過這種方式來控制共用產品的使用受眾；從而，可以不再需要線上下大規模的部署共用產品，只需要線上下適量投放共用產品即可，可以最大程度的提升共用產品的資源利用率，降低運營成本。 　　在本說明書中，為了確保模型推薦的共用產品的精准度，在搭載上述推薦模型的推薦系統中，還可以預先配置與待推薦共用產品對應的使用條件資訊。 　　在這種情況下，如果推薦系統通確定模型輸出的使用概率達到了上述預設閾值，則可以在將該共用產品推薦給使用者之前，進一步確定該使用者是否滿足待推薦共用產品的使用條件，如果該使用者滿足了該待推薦共用產品的使用條件後，再將該共用產品推薦給該使用者。 　　其中，上述使用條件，在本說明書中不進行特別限定，在實際應用中，可以由上述共用產品的運營方基於實際的業務需求進行自訂設置； 　　例如，在一種實現方式中，上述使用條件可以包括如下使用條件中的一個或者多個的組合： 　　使用者與共用產品的距離小於預設的距離閾值； 　　使用者匹配為共用產品預設的使用人群；比如，使用者是否匹配預設的年齡段，或者特定的人群等等。 　　使用者的使用環境匹配為共用產品預設的使用環境；比如，使用者的手機電量是否匹配為共用充電寶預設的使用電量閾值；或者，使用者的環境是否為共用雨傘預設的使用環境（比如下雨），等等。 　　使用者對共用產品的使用記錄中負面使用記錄的比例低於預設的比例閾值。 　　在本說明書中，上述使用條件除了可以預配置在搭載上述推薦模型的推薦系統中以外，在實際應用中，與這些使用條件相關的資訊，具體也可以作為建模特徵參與模型訓練。即也可以將這些使用條件，作為推薦模型為使用者推薦共用產品時的參考因素。 　　在這種情況下，在訓練上述推薦模型時所採用的若干維度的建模特徵中，除了可以包括使用者的信用資訊，以及共用產品的信用准入條件以外，還可以包括共用產品的使用條件，以及用於確定使用者是否滿足共用產品的使用條件的使用者資訊。 　　例如，共用產品的使用條件，可以作為上述共用產品的基本資訊的其中一項，包含在上述共用產品的基本資訊之中。而用於確定使用者是否滿足共用產品的使用條件的使用者資訊，可以作為使用者信用資訊以外的另外一個維度的使用者資訊引入到模型之中。 　　其中，上述共用產品的使用條件資訊，以及上述用於確定使用者是否滿足共用產品的使用條件的使用者資訊的具體內容，則取決於共用產品的運營方為共用產品定義的使用條件。 　　例如，當上述使用條件包括“使用者與共用產品的距離小於預設閾值”，此時上述共用產品的使用條件資訊，具體可以包括共用產品的地理位置資訊，以及預設的距離閾值；上述使用者資訊具體可以包括使用者的地理位置資訊。 　　當上述使用條件包括“使用者匹配為共用產品預設的使用人群”，此時上述共用產品的使用條件資訊，具體可以包括為共用產品預設的使用人群的基本資訊（比如年齡段）；上述使用者資訊具體可以包括該使用者的基本資訊（比如年齡資訊）。 　　當上述使用條件包括“使用者的使用環境匹配為共用產品預設的使用環境”；以及“使用者的環境是否為共用雨傘預設的使用環境（比如下雨）；此時上述共用產品的使用條件資訊，具體可以包括使用電量閾值；上述使用者資訊具體可以包括該使用者的手機的實際電量（需要由使用者手機主動上報）以及使用者所處環境的即時的天氣狀況。 　　當上述使用條件包括“使用者對共用產品的使用記錄中負面使用記錄的比例低於預設的比例閾值”，此時上述共用產品的使用條件資訊，具體可以包括預設的比例閾值；上述使用者資訊具體可以包括使用者對共用產品的使用記錄。 　　在本說明書中，當與上述使用條件資訊，也作為建模特徵參與模型訓練，那麼共用產品的運營方在訓練上述推薦模型時，可以基於各樣本使用者的信用評分，待推薦的共用產品的信用准入條件，共用產品的使用條件資訊、以及上述使用者資訊來分別構建訓練樣本，產生訓練樣本集，然後基於構建的訓練樣本集對預設的機器學習模型進行訓練，來構建推薦模型。 　　當推薦模型訓練完畢後，可以基於相同的方式來構建預測樣本，將構建完成的預測樣本輸入至該推薦模型進行計算。 　　需要說明的是，由於在這種情況下，推薦模型將上述使用條件，也作為推薦共用產品時的參考因素，因此推薦模型可以在模型內部對使用者進行一次篩選；在這種情況下，推薦模型最終輸出的計算結果，則可以是滿足預測樣本中的共用產品的使用條件的使用者對應於該共用產品的使用概率。 　　而對於透過模型內部篩選出的那些不滿足上述使用條件的使用者，將預測樣本輸入模型後，模型可以輸出一個使用概率為0的輸出結果，或者預先定義的能夠指示無法面向該使用者推薦共用產品的輸出結果；比如，可以模型可以直接輸出一個“false”作為輸出結果，表示模型無法為該使用者推薦共用產品，本次推薦失敗。 　　在本說明書中，當上述推薦系統基於上述推薦模型的計算結果，為使用者推薦了共用產品後，使用者可以基於推薦資訊去線下查找和租賃使用該共用產品。 　　其中，需要說明的是，由於推薦模型是基於使用者的信用資訊為使用者推薦共用產品，最終被推薦共用產品的這部分人群，實際上是滿足共用產品的信用准入條件的優質使用者人群；因此，對於共用產品的運營方而言，可以針對這部分被推薦了共用產品的人群，和那些未被推薦共用產品的人群，提供差異化的服務； 　　例如，對於被推薦共用產品的這部分人群，在租賃和使用系統推薦的共用產品時，可以提供諸如免押金、延長租借時間等優惠和便利；而對於未被推薦共用產品的這部分人群，在租賃和使用運營方部署線上下的共用產品時，將會付出更高的服務成本；比如，需要付押金，或者租賃時間短於被系統主動推薦了共用產品的人群。 　　在本說明書中，對於共用產品的運營方而言，當為使用者推薦了共用產品後，還可以在後臺收集這類使用者對已推薦的共用產品的使用記錄，然後基於收集到的使用記錄重新對這類使用者進行信用評估； 　　例如，運營方可以將這類使用者的使用記錄也作為建模資料，來參與信用評估模型的訓練，並使用訓練完成的信用評估模型對使用者重新進行信用評估；或者，將使用者的使用記錄作為建模資料，提供給協力廠商的信用評估機構，由協力廠商的信用評估機構，基於這些資料重新對使用者進行信用評估。 　　當對這類使用者重新進行了信用評估後，得到的信用評分將作為上述推薦模型下一次為這類使用者推薦共用產品時的輸入，從而可以促使對使用者的信用評估，與為使用者推薦共用產品形成完整的業務閉環。 　　對於這類使用者而言，如果對本次推薦的共用產品出現了負面使用記錄（比如，逾期不歸還或者損壞共用產品等），將會直接影響推薦模型的下一次推薦；反之，如果對本次推薦的共用產品未出現負面使用記錄，正面使用記錄的累積，通常會導致該使用者信用上的提升；因此，推薦模型在基於該使用者的信用資訊再次為該使用者推薦共用產品時，將會面向該使用者推薦更加優質的共用產品服務。 　　可見，透過這種對使用者的信用評估和為使用者推薦共用產品形成業務閉環的共用產品推薦模式，一方面，可以起到規範使用者對共用產品的使用習慣的作用；另一方面，可以促使推薦模型對具有良好使用記錄的使用者推薦更加優質的共用產品服務，構成良性迴圈。 　　與上述方法實施例相對應，本說明書還提供了一種共用產品的推薦裝置的實施例。本說明書的共用產品的推薦裝置的實施例可以應用在電子設備上。裝置實施例可以透過軟體實現，也可以透過硬體或者軟硬體結合的方式實現。以軟體實現為例，作為一個邏輯意義上的裝置，是透過其所在電子設備的處理器將非易失性記憶體中對應的電腦程式指令讀取到記憶體中運行形成的。從硬體層面而言，如圖2所示，為本說明書的共用產品的推薦裝置所在電子設備的一種硬體結構圖，除了圖2所示的處理器、記憶體、網路介面、以及非易失性記憶體之外，實施例中裝置所在的電子設備通常根據該電子設備的實際功能，還可以包括其他硬體，對此不再贅述。 　　圖3是本說明書一示例性實施例示出的一種共用產品的推薦裝置的方塊圖。 　　請參考圖3，所述共用產品的推薦裝置30可以應用在前述圖2所示的電子設備中，包括有：獲取模組301、計算模組302和推薦模組303； 　　獲取模組301，獲取使用者的信用資訊； 　　計算模組302，將所述信用資訊輸入推薦模型進行計算；其中，所述推薦模型為基機器學習模型；所述機器學習模型的建模特徵包括使用者的信用資訊； 　　推薦模組303，基於所述推薦模型的計算結果為所述使用者推薦共用產品；其中，所述使用者對所述共用產品的使用記錄用於評估所述使用者的信用資訊。 　　在本實施例中，所述建模特徵還包括共用產品的基本資訊；其中，所述共用產品的基本資訊包括共用產品的信用准入條件； 　　所述計算模組302進一步： 　　將共用產品的基本資訊輸入所述推薦模型進行計算。 　　在本實施例，所述建模特徵還包括共用產品的使用條件資訊；以及，用於確定使用者是否滿足所述共用產品的使用條件的使用者資訊。 　　在本實施例中，所述推薦模型的計算結果為使用者對應於共用產品的使用概率； 　　所述推薦模組303： 　　確定所述推薦模型計算得到的使用者對應於共用產品的使用概率是否達到預設閾值；如果所述使用者對應於共用產品的使用概率達到預設閾值，將所述共用產品向所述使用者推薦。 　　在本實施例中，所述推薦模組303進一步： 　　在將所述共用產品向所述使用者推薦之前，確定所述使用者是否滿足所述共用產品的使用條件； 　　如果所述使用者滿足所述共用產品的使用條件，則將所述共用產品推薦給所述使用者。 　　在本實施例中，所述使用條件包括以下條件中的一個或者多個的組合： 　　使用者與共用產品的距離小於預設閾值； 　　使用者匹配為共用產品預設的使用人群； 　　使用者的使用環境匹配為共用產品預設的使用環境； 　　使用者對共用產品的使用記錄中負面使用記錄的比例低於預設閾值。 　　在本實施例中，所述使用者的信用資訊為基於信用評估模型對使用者進行評估得到的信用評分。 　　上述裝置中各個模組的功能和作用的實現過程具體詳見上述方法中對應步驟的實現過程，在此不再贅述。 　　對於裝置實施例而言，由於其基本對應於方法實施例，所以相關之處參見方法實施例的部分說明即可。以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位於一個地方，或者也可以分佈到多個網路單元上。可以根據實際的需要選擇其中的部分或者全部模組來實現本說明書方案的目的。本領域普通技術人員在不付出創造性勞動的情況下，即可以理解並實施。 　　上述實施例闡明的系統、裝置、模組或單元，具體可以由電腦晶片或實體實現，或者由具有某種功能的產品來實現。一種典型的實現設備為電腦，電腦的具體形式可以是個人電腦、膝上型電腦、蜂窩電話、相機電話、智慧型電話、個人數位助理、媒體播放機、導航設備、電子郵件收發設備、遊戲控制台、平板電腦、可穿戴設備或者這些設備中的任意幾種設備的組合。 　　與上述方法實施例相對應，本說明書還提供了一種電子設備的實施例。該電子設備包括：處理器以及用於儲存機器可執行指令的記憶體；其中，處理器和記憶體通常透過內部匯流排相互連接。在其他可能的實現方式中，所述設備還可能包括外部介面，以能夠與其他設備或者部件進行通信。 　　在本實施例中，透過讀取並執行所述記憶體儲存的與共用產品的推薦的控制邏輯對應的機器可執行指令，所述處理器被促使： 　　獲取使用者的信用資訊； 　　將所述信用資訊輸入推薦模型進行計算；其中，所述推薦模型為機器學習模型；所述機器學習模型的建模特徵包括使用者的信用資訊； 　　基於所述推薦模型的計算結果為所述使用者推薦共用產品；其中，所述使用者對所述共用產品的使用記錄用於評估所述使用者的信用資訊。 　　在本實施例中，所述建模特徵還包括共用產品的基本資訊；其中，所述共用產品的基本資訊包括共用產品的信用准入條件；透過讀取並執行所述記憶體儲存的與共用產品的推薦的控制邏輯對應的機器可執行指令，所述處理器還被促使： 　　將共用產品的基本資訊輸入所述推薦模型進行計算。 　　在本實施例中，所述推薦模型的計算結果為使用者對應於共用產品的使用概率；透過讀取並執行所述記憶體儲存的與共用產品的推薦的控制邏輯對應的機器可執行指令，所述處理器還被促使： 　　確定所述推薦模型計算得到的使用者對應於共用產品的使用概率是否達到預設閾值；如果所述使用者對應於共用產品的使用概率達到預設閾值，將所述共用產品向所述使用者推薦。 　　在本實施例中，透過讀取並執行所述記憶體儲存的與共用產品的推薦的控制邏輯對應的機器可執行指令，所述處理器還被促使： 　　在將所述共用產品向所述使用者推薦之前，確定所述使用者是否滿足所述共用產品的使用條件；如果所述使用者滿足所述共用產品的使用條件，則將所述共用產品推薦給所述使用者。 　　上述對本說明書特定實施例進行了描述。其它實施例在申請專利範圍內。在一些情況下，在申請專利範圍中記載的動作或步驟可以按照不同於實施例中的順序來執行並且仍然可以實現期望的結果。另外，在圖式中描繪的過程不一定要求示出的特定順序或者連續順序才能實現期望的結果。在某些實施方式中，多工處理和並行處理也是可以的或者可能是有利的。 　　本說明書中的各個實施例均採用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對於裝置、系統、電子設備、非易失性電腦儲存媒體實施例而言，由於其基本相似於方法實施例，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。 　　透過以上的實施方式的描述可知，本領域的技術人員可以清楚地瞭解到本說明書實施例可借助軟體加必需的通用硬體平臺的方式來實現。基於這樣的理解，本說明書實施例的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟體產品的形式體現出來，該電腦軟體產品可以儲存在儲存媒體中，如ROM/RAM、磁碟、光碟等，包括若干指令用以使得一台電腦設備（可以是個人電腦，伺服器，或者網路設備等）執行本說明書實施例各個實施例或者實施例的某些部分所述的方法。 　　上述實施例闡明的系統、裝置、模組或單元，具體可以由電腦晶片或實體實現，或者由具有某種功能的產品來實現。一種典型的實現設備為電腦，電腦的具體形式可以是個人電腦、膝上型電腦、蜂窩電話、相機電話、智慧型電話、個人數位助理、媒體播放機、導航設備、電子郵件收發設備、遊戲控制台、平板電腦、可穿戴設備或者這些設備中的任意幾種設備的組合。 　　本說明書中的各個實施例均採用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對於裝置實施例而言，由於其基本相似於方法實施例，所以描述得比較簡單，相關之處參見方法實施例的部分說明即可。以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的模組可以是或者也可以不是物理上分開的，在實施本說明書實施例方案時可以把各模組的功能在同一個或多個軟體和/或硬體中實現。也可以根據實際的需要選擇其中的部分或者全部模組來實現本實施例方案的目的。本領域普通技術人員在不付出創造性勞動的情況下，即可以理解並實施。 　　以上所述僅是本說明書實施例的具體實施方式，應當指出，對於本技術領域的普通技術人員來說，在不脫離本說明書實施例原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本說明書實施例的保護範圍。

30‧‧‧共用產品的推薦裝置

301‧‧‧獲取模組

302‧‧‧計算模組

303‧‧‧推薦模組

圖1是本說明書一實施例示出的一種共用產品的推薦方法的流程圖； 　　圖2是本說明書一實施例提供的承載一種共用產品的推薦裝置的電子設備所涉及的硬體結構圖； 　　圖3是本說明書一實施例提供的一種共用產品的推薦裝置的邏輯方塊圖。

Claims (9)

1. 一種共用產品的推薦方法，所述方法包括： 　　獲取使用者的信用資訊； 　　將該信用資訊輸入推薦模型進行計算；其中，該推薦模型為機器學習模型；該機器學習模型的建模特徵包括使用者的信用資訊； 　　基於該推薦模型的計算結果為該使用者推薦共用產品；其中，該使用者對該共用產品的使用記錄用於評估該使用者的信用資訊。
2. 根據申請專利範圍第1項所述的方法，該建模特徵還包括共用產品的基本資訊；其中，該共用產品的基本資訊包括共用產品的信用准入條件； 　　該方法還包括： 　　將共用產品的基本資訊輸入該推薦模型進行計算。
3. 根據申請專利範圍第2項所述的方法，該建模特徵還包括共用產品的使用條件資訊；以及，用於確定使用者是否滿足該共用產品的使用條件的使用者資訊。
4. 根據申請專利範圍第2項所述的方法，該推薦模型的計算結果為使用者對應於共用產品的使用概率； 　　該基於該推薦模型的計算結果為該使用者推薦共用產品，包括： 　　確定該推薦模型計算得到的使用者對應於共用產品的使用概率是否達到預設閾值；如果該使用者對應於共用產品的使用概率達到預設閾值，將該共用產品向該使用者推薦。
5. 根據申請專利範圍第4項所述的方法，該將該共用產品向該使用者推薦之前，還包括： 　　確定該使用者是否滿足該共用產品的使用條件； 　　如果該使用者滿足該共用產品的使用條件，則將該共用產品推薦給該使用者。
6. 根據申請專利範圍第3或5項所述的方法，該使用條件包括以下條件中的一個或者多個的組合： 　　使用者與共用產品的距離小於預設閾值； 　　使用者匹配為共用產品預設的使用人群； 　　使用者的使用環境匹配為共用產品預設的使用環境； 　　使用者對共用產品的使用記錄中負面使用記錄的比例低於預設閾值。
7. 根據申請專利範圍第1項所述的方法，該使用者的信用資訊為基於信用評估模型對使用者進行評估得到的信用評分。
8. 一種共用產品的推薦裝置，該裝置包括： 　　獲取模組，獲取使用者的信用資訊； 　　計算模組，將該信用資訊輸入推薦模型進行計算；其中，該推薦模型為基機器學習模型；該機器學習模型的建模特徵包括使用者的信用資訊； 　　推薦模組，基於該推薦模型的計算結果為該使用者推薦共用產品；其中，該使用者對該共用產品的使用記錄用於評估該使用者的信用資訊。
9. 根據申請專利範圍第8項所述的裝置，該建模特徵還包括共用產品的基本資訊；其中，該共用產品的基本資訊包括共用產品的信用准入條件； 　　該計算模組進一步：