TW202004618A

TW202004618A - 產品推薦方法和裝置

Info

Publication number: TW202004618A
Application number: TW108105994A
Authority: TW
Inventors: 張連彬
Original assignee: 香港商阿里巴巴集團服務有限公司
Priority date: 2018-05-22
Filing date: 2019-02-22
Publication date: 2020-01-16
Also published as: TWI740106B; WO2019223379A1; CN108711075A

Abstract

本說明書實施例提供一種產品推薦方法和裝置，其中，所述方法用於確定是否將待推薦產品推薦給目標使用者，該方法包括：獲取目標使用者關聯的多領域資訊，該資訊包括：目標使用者在待推薦產品的產品領域的購買資料和其他產品領域的購買資料；根據多領域資訊構建目標使用者的使用者特徵矩陣；對於一個待推薦產品，獲取購買待推薦產品的多個使用者的使用者特徵矩陣，並基於矩陣中的特徵值，得到待推薦產品的產品特徵矩陣；分別將使用者特徵矩陣和產品特徵矩陣輸入機器學習模型，得到使用者偏好向量和產品偏好向量；根據使用者偏好向量和產品偏好向量得到待推薦產品和目標使用者之間的選擇評估值；在選擇評估值大於預定的推薦閾值時，則確定將待推薦產品推薦給目標使用者。

Description

產品推薦方法和裝置

本公開涉及資料處理技術領域，特別涉及一種產品推薦方法和裝置。

在產品推薦領域，冷開機和資料稀疏是常見的問題。冷開機即在缺少大量使用者資料支撐的情況下進行產品推薦；資料稀疏即與使用者產生互動關係的專案僅為總體專案的冰山一角，導致了使用者專案評分矩陣的資料極端稀疏。例如，在金融理財產品的推薦上，由於金融理財行業本身所具有的交易數額大、頻次低等屬性，使用者的行為資訊稀少，並沒有大量的使用者資料用以做產品推薦，產生冷啟動問題；並且，使用者的金融理財產品的購買行為僅占理財產品平臺的總註冊使用者的一小部分，資料稀疏問題也十分突出。迄今為止，應用最為廣泛的個性化推薦方法是基於單領域的協同過濾，即給目標使用者推薦與他興趣偏好最為相似的使用者喜歡的產品，或與他曾經喜歡過的產品最為相似的產品。但是，如何在冷開機和資料稀疏的情況下，給使用者一個較為滿意的推薦結果，是一個亟待解決的問題。

有鑑於此，本說明書一個或多個實施例提供一種產品推薦方法和裝置，以提高資料缺少的情況下的產品推薦品質。具體地，本說明書一個或多個實施例是透過如下技術方案實現的：第一方面，提供一種產品推薦方法，所述方法用於確定是否將待推薦產品推薦給目標使用者，所述方法包括：獲取所述目標使用者關聯的多領域資訊，所述多領域資訊包括：所述目標使用者在所述待推薦產品的產品領域的購買資料和其他產品領域的購買資料；根據所述多領域資訊，構建所述目標使用者的使用者特徵矩陣，所述使用者特徵矩陣包括：根據所述多領域資訊量化的多個特徵值；對於一個所述待推薦產品，獲取購買所述待推薦產品的多個使用者的所述使用者特徵矩陣，並基於所述多個使用者的使用者特徵矩陣中的所述特徵值，得到所述待推薦產品對應的產品特徵矩陣；分別將所述使用者特徵矩陣和產品特徵矩陣輸入預先訓練的機器學習模型，得到使用者偏好向量和產品偏好向量，所述使用者偏好向量用於表示目標使用者在產品購買上的偏好，所述產品偏好向量用於表示購買所述待推薦產品的使用者特點；根據所述使用者偏好向量和產品偏好向量，得到所述待推薦產品和所述目標使用者之間的選擇評估值，所述選擇評估值用於表示所述目標使用者購買所述待推薦產品的機率；在所述選擇評估值大於預定的推薦閾值時，則確定將所述待推薦產品推薦給所述目標使用者。第二方面，提供一種產品推薦裝置，所述裝置用於確定是否將待推薦產品推薦給目標使用者，所述裝置包括：資訊獲取模組，用於獲取所述目標使用者關聯的多領域資訊，所述多領域資訊包括：所述目標使用者在所述待推薦產品的產品領域的購買資料和其他產品領域的購買資料；使用者矩陣構建模組，用於根據所述多領域資訊，構建所述目標使用者的使用者特徵矩陣，所述使用者特徵矩陣包括：根據所述多領域資訊量化的多個特徵值；產品矩陣構建模組，用於對於一個所述待推薦產品，獲取購買所述待推薦產品的多個使用者的所述使用者特徵矩陣，並基於所述多個使用者的使用者特徵矩陣中的所述特徵值，得到所述待推薦產品對應的產品特徵矩陣；模型處理模組，用於分別將所述使用者特徵矩陣和產品特徵矩陣輸入預先訓練的機器學習模型，得到使用者偏好向量和產品偏好向量，所述使用者偏好向量用於表示目標使用者在產品購買上的偏好，所述產品偏好向量用於表示購買所述待推薦產品的使用者特點；輸出處理模組，用於根據所述使用者偏好向量和產品偏好向量，得到所述待推薦產品和所述目標使用者之間的選擇評估值，所述選擇評估值用於表示所述目標使用者購買所述待推薦產品的機率；推薦確定模組，用於在所述選擇評估值大於預定的推薦閾值時，則確定將所述待推薦產品推薦給所述目標使用者。第三方面，提供一種產品推薦設備，所述設備包括記憶體、處理器，以及儲存在記憶體上並可在處理器上運行的電腦指令，所述處理器執行指令時實現以下步驟：獲取所述目標使用者關聯的多領域資訊，所述多領域資訊包括：所述目標使用者在所述待推薦產品的產品領域的購買資料和其他產品領域的購買資料；根據所述多領域資訊，構建所述目標使用者的使用者特徵矩陣，所述使用者特徵矩陣包括：根據所述多領域資訊量化的多個特徵值；對於一個所述待推薦產品，獲取購買所述待推薦產品的多個使用者的所述使用者特徵矩陣，並基於所述多個使用者的使用者特徵矩陣中的所述特徵值，得到所述待推薦產品對應的產品特徵矩陣；分別將所述使用者特徵矩陣和產品特徵矩陣輸入預先訓練的機器學習模型，得到使用者偏好向量和產品偏好向量，所述使用者偏好向量用於表示目標使用者在產品購買上的偏好，所述產品偏好向量用於表示購買所述待推薦產品的使用者特點；根據所述使用者偏好向量和產品偏好向量，得到所述待推薦產品和所述目標使用者之間的選擇評估值，所述選擇評估值用於表示所述目標使用者購買所述待推薦產品的機率；在所述選擇評估值大於預定的推薦閾值時，則確定將所述待推薦產品推薦給所述目標使用者。本說明書一個或多個實施例的產品推薦方法和裝置，透過融合多個領域的使用者行為資料與基本資訊，並利用深度神經網路智慧化感知使用者與產品購買相關的偏好特徵，説明使用者挑選合適的金融理財產品，有效緩解該行業所面臨的交易資料稀疏與冷開機問題，有效提高了金融理財產品個性化推薦的準確度，為目標使用者提供更準確的推薦服務。

為了使本技術領域的人員更好地理解本說明書一個或多個實施例中的技術方案，下面將結合本說明書一個或多個實施例中的圖式，對本說明書一個或多個實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本說明書一部分實施例，而不是全部的實施例。基於本說明書一個或多個實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都應當屬於本公開保護的範圍。本說明書一個或多個實施例提供了一種資料稀疏時的產品推薦方法，該方法的描述以金融理財產品的推薦為例，但是可以理解的是，該方法同樣可以適用於其他具有冷開機特點的產品推薦場景。其中，該推薦方法融合了來自不同領域的使用者行為資料，借助待推薦的產品領域之外的其他領域的行為資訊，緩解待推薦產品領域的資料稀疏和冷開機問題。因為使用者在其他領域的購買行為也可以反應使用者的身份特徵、環境特徵、生活品味等有助於反應使用者產品購買偏好的資訊，對待推薦產品領域的推薦也具有很好的借鑒作用。此外，該推薦方法也使用了機器學習模型，例如，以深度神經網路為例，利用該深度神經網路模型的輸出結果來輔助進行產品推薦。當然，深度神經網路模型可以先進行模型訓練，並利用訓練完成的模型進行產品推薦的使用。模型的訓練：首先，訓練用於金融理財產品推薦的深度神經網路模型。可以根據產品購買的實際採集資料，構建模型訓練的目標矩陣。該實際採集資料中可以包括使用者對產品的購買資料，比如可以是使用者對金融理財產品的實際購買記錄，例如，使用者A購買了基金J1，使用者B購買了股票G1和基金J1，使用者C購買了基金J2，等。根據上述的實際採集資料，可以構建目標矩陣，如下表1示例一種目標矩陣，但不局限於此：表1 目標矩陣

上述的表1中，目標矩陣可以包括使用者對產品的購買選擇值，所述購買選擇值用於表示使用者是否購買產品。示例性的，購買選擇值可以包括“1”或者“0”，當數值是1時，表示使用者購買了該產品；當數值是0時，表示使用者未購買該產品。該目標矩陣可以作為深度神經網路模型的訓練目標，當訓練中的模型的輸出結果與該訓練目標之間的偏差越來越小，並且偏差達到預定閾值時，才結束模型的訓練，並將訓練結束的模型直接用於後續金融理財產品的推薦。接著，對於目標矩陣中的各個使用者(例如，使用者A、使用者B)和各個產品(例如，產品1、產品2)，可以分別構建每個使用者的使用者特徵矩陣，並分別構建各個產品的產品特徵矩陣。並將構建的使用者特徵矩陣和產品特徵矩陣輸入待訓練的機器學習模型，輸出模型輸出矩陣，該模型輸出矩陣包括經過所述機器學習模型輸出的各個購買選擇值。在所述模型輸出矩陣和目標矩陣的偏差達到預定閾值時，模型訓練結束。如下透過圖1詳細的描述模型訓練的過程，該過程中描述了如何構建上述的使用者特徵矩陣、產品特徵矩陣，以及如何將矩陣輸入模型以訓練模型的過程。在步驟100中，獲取目標使用者關聯的多領域資訊，所述多領域資訊包括：目標使用者在待推薦產品的產品領域的購買資料和其他產品領域的購買資料。本步驟中，目標使用者是待推薦產品的使用者，比如，想要向使用者A推薦產品，但是尚不知道向該使用者A推薦哪個產品，需要透過本實施例的推薦方法來確定要向使用者A推薦的產品，那麼該使用者A可以稱為目標使用者。需要說明的是，在模型訓練中，這裡的目標使用者可以是目標矩陣中的使用者，這些使用者其實已經發生了實際的購買行為。而在後續的模型訓練結束後的模型使用中，目標使用者可以是待進行產品推薦的尚未對某些產品購買的使用者。以金融理財產品為例，待推薦產品的產品領域即金融理財產品，目標使用者在該待推薦產品的產品領域的購買資料，例如可以包括：使用者購買某個金融理財產品的交易金額。而其他產品領域的購買資料可以是非金融理財產品的購買，例如，可以是購買衣服，購買電鍋等。所述的其他產品領域的購買資料可以是購買該其他領域產品的購買價格，比如，購買的衣服是200元，購買的電鍋是350元。而不論是待推薦產品的產品領域或者其他產品領域的購買資料，都是由目標使用者來進行購買而產生的資料。此外，多領域資訊也不局限於上述的不同產品領域的購買資料，也可以包括其他的資訊。如下示例幾種，包括但不局限於下面的資訊：例如，所述目標使用者的使用者屬性資訊。該使用者屬性資訊可以是使用者的性別、年齡、學歷等。例如，所述目標使用者的關聯使用者在待推薦產品的產品領域的購買資料。其中，目標使用者的關聯使用者可以是與目標使用者具有好友關係、轉帳關係等。以好友關係為例，可以是目標使用者的好友發生過的購買金融理財產品的資料，比如，使用者A的好友使用者a購買過某個金融理財產品，且交易金額是2萬。例如，目標使用者的借貸行為資料。該借貸行為資料可以目標使用者發生的借貸行為，借貸了某個品類的產品，且借貸的金額是多少。在步驟102中，根據所述多領域資訊，構建所述目標使用者的使用者特徵矩陣，所述使用者特徵矩陣包括：根據所述多領域資訊量化的多個特徵值。本步驟中，可以基於步驟100中採集到的資料進行量化，轉化為特徵值。如下的表2示例一種使用者特徵矩陣的形式：表2 使用者特徵矩陣

如上表2，在進行特徵值的量化之前，可以首先進行產品的粗細微性處理。粗細微性處理是將資料集中較為細化的資料轉化為概括性、綜合度較高的資料。若對於一個產品品類的購買資料，在所述產品品類下購買的產品數量達到粗細微性處理條件，則將所述產品品類下的多個產品進行粗細微性處理。舉例來說，假設其他產品領域的購買資料包括了購買衣服、電鍋等多個比較細的品類，並且，在電鍋這一個品類上目標使用者就購買了博愛思DFB-B 0.8L、奧克斯AR-Y0801、洛貝LBF-091BM等小容量電鍋處理為0-1L非電腦迷你電鍋，美的MB-WHS30C96、米家壓力IH、松下SR-AE101-K等家用全自動智慧電鍋等多種電鍋。那麼如果在使用者特徵矩陣構建時，將這些產品劃分的很細，比如，表2中的其他產品購買行為中，包括產品1、產品2、產品3等很多個產品，如上述的博愛思DFB-B 0.8L、奧克斯AR-Y0801、洛貝LBF-091BM等多個產品，那麼將造成很大的計算壓力。因此，粗細微性處理可以將細微性水準較細的特徵維度匯總到一個相對粗糙的細微性水準。例如，博愛思DFB-B 0.8L、奧克斯AR-Y0801、洛貝LBF-091BM等小容量電鍋處理為0-1L非電腦迷你電鍋，美的MB-WHS30C96、米家壓力IH、松下SR-AE101-K等家用全自動智慧電鍋處理為3L-4L智慧微電腦電鍋。而是否對一個產品品類的購買資料進行粗細微性處理，可以設置粗細微性處理條件。例如，該條件可以是在所述產品品類下購買的產品數量達到一定的數量閾值，比如，在同一個產品品類下的產品數量達到了6個以上。而對於表2中的使用者屬性資訊、社交關係、金融理財產品購買與借貸行為等特徵維度，由於其特徵維度少、資訊含量高，可以不用進行粗細微性處理。如下分別說明如何進行各個維度的特徵值量化，其中需要說明的是，如下的量化方法僅是示例，實際實施中並不局限於此，可以按照其他量化標準執行： 1)對於目標使用者及與目標使用者建立社交關係使用者的金融理財產品購買行為：例如，可以根據購買的金融理財產品的交易金額，將交易金額合理劃分為多個區間，比如表2中的“＜P1”、“P1-P2”、“P2-P3”等多個區間。若使用者購買該金融理財產品的金額處於該區間內，則標記為1；否則為0。其中，表2中的社交關係欄，與目標使用者具有關聯關係的使用者購買金融理財產品的購買資料，由於關聯關係的使用者可能是多個使用者，可以先將與目標使用者建立社交關係的所有使用者的交易金額進行平均，根據平均值的金額進行標記。比如，如果平均值處於區間“P1-P2”，則可以在對應該區間的特徵值標記1。 2)對於其他產品的購買行為：如上所述的，其他產品的購買資料進行了粗細微性處理，處在同一粗糙細微性水準的可以有多個產品，並且這些產品的價格上可以具有相對較大的差異。此時可以以價格這一指標將該品類下所有產品合理劃分到表2的各個屬性區間，並將使用者購買頻次總體0-1標準化後的值作為其屬性值，反應目標使用者購買該品類下該價格區間內產品的頻繁程度。舉例來說：假設目標使用者在其他產品的購買行為中，在3L-4L智慧微電腦電鍋這一品類下，購買了博愛思DFB-B 0.8L、奧克斯AR-Y0801、洛貝LBF-091BM等小容量電鍋處理為0-1L非電腦迷你電鍋，美的MB-WHS30C96、米家壓力IH、松下SR-AE101-K等家用全自動智慧電鍋，即同一品類下購買了多種產品。那麼可以根據這些產品各自的購買價格，查看在“＜P1”區間內購買的產品數量，並將該數量作為對應該區間的特徵值。比如，在所述的“＜P1”區間內購買了3個產品，則特徵值是3；在所述的“P1-P2”區間內購買了1個產品，則對應該區間的特徵值可以是1。 3)對於目標使用者的借貸行為：例如，該借貸行為的量化與金融理財產品的量化類似，同樣是將借貸金額合理劃分為多個區間，若使用者借貸該品類產品的金額處於該區間內，則標記為1；否則為0。 4)對於使用者的基本資訊：例如，對於數值型變數，如年齡，可以按照與交易金額相同的方法進行劃分。示例性的，18歲~25歲對應一個量化值，26歲~35歲對應一個量化值。例如，對於類別型變數，如性別、學歷，則可以將變數因數編碼後標註。示例性的，本科學歷可以對應一個量化值，研究生學歷可以對應一個量化值。在步驟104中，對於多個產品，獲取購買所述產品的多個使用者的所述使用者特徵矩陣，並基於所述多個使用者的使用者特徵矩陣中的特徵值，得到所述產品的產品特徵矩陣。本步驟中的產品是金融理財產品。本步驟可以構建產品特徵矩陣，一個產品特徵矩陣可以對應一個產品，該產品可以是目標矩陣中的各個產品。其中，產品特徵矩陣的構建可以基於使用者特徵矩陣。例如，以一個產品為例，購買該金融理財產品的有多個使用者，每一個使用者都構建了表2所示的使用者特徵矩陣。那麼可以基於多個使用者分別對應的多個使用者特徵矩陣，將特徵值進行加權平均。比如，以基本資訊中的年齡為例，購買該產品的每個使用者都有一個對應年齡的特徵值，可以將多個使用者的特徵值進行加權平均，得到一個年齡對應的綜合特徵值。又比如，以表2中的其他產品購買行為中的品類1為例，多個使用者中的每個使用者都有一個對應該品類1的特徵值，可以將多個使用者的特徵值進行加權平均，得到一個品類1對應的綜合特徵值。還可以看到，表2中的各個特徵值對應著不同的特徵值位置，比如，表2中的x1對應的特徵值位置是[行對應“P1-P2”區間，列對應“品類1”]，而特徵值x2對應的特徵值位置是[行對應“P2-P3”區間，列對應“品類1”]。在構建產品特徵矩陣時，可以將多個使用者的使用者特徵矩陣中對應同一特徵值位置的特徵值進行加權平均，得到產品特徵矩陣中對應所述特徵值位置的特徵值。即，表2中的各個列，都可以將多個使用者的特徵值進行加權平均，最終得到能夠反應出購買該產品的使用者整體特徵的產品特徵矩陣。其中，特徵值加權平均時的權重的設置，可以根據實際業務情況確定。比如，若認為某個使用者的特徵值在反應使用者整體特徵時更加重要一些，就將其權重設置的更高一些。在步驟106中，分別對使用者特徵矩陣和產品特徵矩陣進行屬性互動操作。本步驟中可以進行使用者特徵矩陣和產品特徵矩陣的屬性互動操作。屬性互動操作是將矩陣中不直接相關的屬性間建立相關關係，先將構建的特徵矩陣以屬性列為單位隨機排序產生多個新的特徵矩陣，再將多個新的特徵矩陣拼接產生屬性互動後的特徵矩陣。需要說明的是，該屬性互動操作可以是一個可選的操作，執行屬性互動操作後，能夠更有效的發現不同特徵之間的潛在關聯，從而在後續利用機器學習模型感知使用者偏好時也會更加準確。特徵矩陣的屬性互動操作的原理可以參見圖2所示：如圖2所述，其中的特徵1、特徵2、特徵3等各個特徵對應著不同的特徵列。以使用者特徵矩陣為例，特徵1可以是表1中的“金融理財產品的購買行為中的產品1”，特徵15可以是表1中的“借貸行為中的借貸品類1”，即不同的特徵對應著不同列。根據圖2所示，相當於將表1中的不同列之間進行了隨機的移動，以列為單位進行隨機排序，而後拼接。在步驟108中，分別將互動後的使用者特徵矩陣和產品特徵矩陣輸入機器學習模型，得到使用者偏好向量和產品偏好向量。本步驟中，深度神經網路包含兩個並行的神經網路，其中一個是使用者行為偏好的智慧感知器，另一個是購買該產品的使用者總體特徵偏好的智慧感知器，如圖3所示。將屬性互動和拼接後的特徵矩陣作為並行神經網路的輸入，比如，屬性互動後的使用者特徵矩陣輸入一個神經網路，屬性互動後的產品特徵矩陣輸入另一個神經網路。經過神經網路的卷積層、池化層及全連結操作後，神經網路可以分別得到使用者偏好向量和產品偏好向量。其中，所述使用者偏好向量可以用於表示使用者在產品購買上的偏好，相當於表示一個使用者喜歡購買什麼樣的產品。而所述產品偏好向量可以用於表示購買產品特徵矩陣對應的產品的使用者特點，即相當於表示對於一個產品來說，具有什麼特點的使用者更傾向於購買該產品。在步驟110中，根據模型輸出的使用者偏好向量和產品偏好向量，得到模型輸出矩陣，所述模型輸出矩陣包括經過機器學習模型輸出的各個購買選擇值。例如，將一個使用者對應的使用者特徵矩陣輸入神經網路模型，得到使用者偏好向量；將一個產品對應的產品特徵矩陣輸入神經網路模型，得到產品偏好向量。可以根據該使用者偏好向量和產品偏好向量，得到一個購買選擇值。比如，可以將上述的使用者偏好向量和產品偏好向量求取內積，得到購買選擇值，該選擇值表示上述的使用者購買所述產品的機率。對於目標矩陣中的各個使用者都可以構建一個使用者特徵矩陣，對於各個產品都可以分別構建對應的產品特徵矩陣。按照上述的方法，可以得到其中的一個使用者對一個產品的購買選擇值。這些購買選擇值可以構成模型輸出矩陣，即該模型輸出矩陣中包括的各個購買選擇值是神經網路模型輸出的數值。而目標矩陣中包括的使用者對產品的購買選擇值，是根據實際採集資料得到，是使用者實際發生的購買行為，目標矩陣是真實發生的使用者與產品的相互選擇矩陣。可以將目標矩陣作為神經網路模型的訓練目標，隨著模型的不斷優化，神經網路模型的輸出結果與實際的發生數值將越接近。在步驟112中，在所述模型輸出矩陣和目標矩陣的偏差達到預定閾值時，模型訓練結束。例如，可以設定模型輸出矩陣和目標矩陣的偏差達到預定閾值時，結束模型的訓練。所述的偏差達到預定閾值可以是偏差值小於或等於預定的閾值，即兩者之間的偏差足夠小。其中，模型輸出矩陣和目標矩陣的偏差的衡量可以有多種方法，例如，偏差衡量可以使用均方根誤差RMSE(Root Mean Square Error)或平均絕對誤差MAE(Mean Absolute Deviation)。模型訓練結束後，按照訓練好的神經網路模型在預測使用者和產品之間的相互選擇機率時，將會預測的與實際情況接近，有很大的預測成功機率。對訓練結束的模型的使用：假設已經將並列的兩個神經網路訓練結束，如下以一個例子來說明如何使用訓練好的模型來判斷給使用者推薦何種產品將具有更高的成功率。例如，假設當前要向使用者Y推薦金融理財產品，待推薦的產品包括：產品C1、產品C2、產品C3等多個產品，那麼要向使用者Y推薦哪個金融理財產品會成功率更高，可以按照本例子的推薦方法執行。可以先構建使用者Y的使用者特徵矩陣，並分別構建產品C1、產品C2、產品C3等多個產品的產品特徵矩陣。接著，將使用者Y的使用者特徵矩陣和產品C1的產品特徵矩陣分別輸入並行的神經網路，得到使用者偏好向量和產品偏好向量。並基於這兩個向量得到使用者Y對產品C1的選擇評估值，所述選擇評估值用於表示目標使用者購買評估產品的機率。該選擇評估值與上述提到的購買選擇值的計算方式相同，只是採用兩個名稱是為了區分，購買選擇值是在模型訓練時計算的數值，選擇評估值是在模型訓練完的使用時計算的數值，用於作為是否向使用者推薦產品的依據。上述待推薦的產品C1、產品C2、產品C3等多個產品可以稱為評估產品，即評估這些產品是否要推薦給使用者Y。每個產品的產品特徵矩陣和使用者Y的使用者特徵矩陣之間都可以分別得到一個選擇評估值。可以設定一個推薦閾值，在所述選擇評估值大於預定的推薦閾值時，則確定將所述評估產品推薦給所述目標使用者。舉例來說，假設產品C1和使用者Y的選擇評估值是0.6，產品C2和使用者Y的選擇評估值是0.8，產品C3和使用者Y的選擇評估值是0.2，並假設推薦閾值是0.55，那麼可以確定向使用者Y推薦產品C1和產品C2，不推薦產品C3。本例子的金融理財產品的個性化推薦方法，透過融合多個領域的使用者行為資料與基本資訊，並利用深度神經網路智慧化感知使用者與產品購買相關的偏好特徵，説明使用者挑選合適的金融理財產品，有效緩解該行業所面臨的交易資料稀疏與冷開機問題，有效提高了金融理財產品個性化推薦的準確度，為目標使用者提供更準確的推薦服務，成為促進銷售平臺與使用者間良性互動的有力措施。為了實現上述方法，本說明書至少一個實施例還提供了一種產品推薦裝置。如圖4所示，該裝置可以用於確定是否將待推薦產品推薦給目標使用者，該裝置可以包括：資訊獲取模組41、使用者矩陣構建模組42、產品矩陣構建模組43、模型處理模組44、輸出處理模組45和推薦確定模組46。資訊獲取模組41，用於獲取所述目標使用者關聯的多領域資訊，所述多領域資訊包括：所述目標使用者在所述待推薦產品的產品領域的購買資料和其他產品領域的購買資料；使用者矩陣構建模組42，用於根據所述多領域資訊，構建所述目標使用者的使用者特徵矩陣，所述使用者特徵矩陣包括：根據所述多領域資訊量化的多個特徵值；產品矩陣構建模組43，用於對於一個所述待推薦產品，獲取購買所述待推薦產品的多個使用者的所述使用者特徵矩陣，並基於所述多個使用者的使用者特徵矩陣中的所述特徵值，得到所述待推薦產品對應的產品特徵矩陣；模型處理模組44，用於分別將所述使用者特徵矩陣和產品特徵矩陣輸入預先訓練的機器學習模型，得到使用者偏好向量和產品偏好向量，所述使用者偏好向量用於表示目標使用者在產品購買上的偏好，所述產品偏好向量用於表示購買所述待推薦產品的使用者特點；輸出處理模組45，用於根據所述使用者偏好向量和產品偏好向量，得到所述待推薦產品和所述目標使用者之間的選擇評估值，所述選擇評估值用於表示所述目標使用者購買所述待推薦產品的機率；推薦確定模組46，用於在所述選擇評估值大於預定的推薦閾值時，則確定將所述待推薦產品推薦給所述目標使用者。在一個例子中，使用者矩陣構建模組42，還用於：若對於一個產品品類的購買資料，在所述產品品類下購買的產品數量達到粗細微性處理條件，則將所述產品品類下的多個產品進行粗細微性處理。在一個例子中，產品矩陣構建模組43，具體用於對所述多個使用者的使用者特徵矩陣中對應同一特徵值位置的特徵值，進行加權平均，得到所述產品特徵矩陣中對應所述特徵值位置的特徵值。在一個例子中，模型處理模組44，還用於在分別將所述使用者特徵矩陣和產品特徵矩陣輸入預先訓練的機器學習模型之前，分別對所述使用者特徵矩陣和產品特徵矩陣進行屬性互動操作；將互動後的使用者特徵矩陣和產品特徵矩陣，輸入所述機器學習模型。上述實施例闡明的裝置或模組，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、蜂巢式電話、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。為了描述的方便，描述以上裝置時以功能分為各種模組分別描述。當然，在實施本說明書一個或多個實施例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。上述圖中所示流程中的各個步驟，其執行順序不限制於流程圖中的順序。此外，各個步驟的描述，可以實現為軟體、硬體或者其結合的形式，例如，本領域技術人員可以將其實現為軟體程式碼的形式，可以為能夠實現所述步驟對應的邏輯功能的電腦可執行指令。當其以軟體的方式實現時，所述的可執行指令可以儲存在記憶體中，並被設備中的處理器執行。例如，對應於上述方法，本說明書一個或多個實施例同時提供一種產品推薦設備，該設備可以包括處理器、記憶體、以及儲存在記憶體上並可在處理器上運行的電腦指令，所述處理器透過執行所述指令，用於實現如下步驟：獲取所述目標使用者關聯的多領域資訊，所述多領域資訊包括：所述目標使用者在所述待推薦產品的產品領域的購買資料和其他產品領域的購買資料；根據所述多領域資訊，構建所述目標使用者的使用者特徵矩陣，所述使用者特徵矩陣包括：根據所述多領域資訊量化的多個特徵值；對於一個所述待推薦產品，獲取購買所述待推薦產品的多個使用者的所述使用者特徵矩陣，並基於所述多個使用者的使用者特徵矩陣中的所述特徵值，得到所述待推薦產品對應的產品特徵矩陣；分別將所述使用者特徵矩陣和產品特徵矩陣輸入預先訓練的機器學習模型，得到使用者偏好向量和產品偏好向量，所述使用者偏好向量用於表示目標使用者在產品購買上的偏好，所述產品偏好向量用於表示購買所述待推薦產品的使用者特點；根據所述使用者偏好向量和產品偏好向量，得到所述待推薦產品和所述目標使用者之間的選擇評估值，所述選擇評估值用於表示所述目標使用者購買所述待推薦產品的機率；在所述選擇評估值大於預定的推薦閾值時，則確定將所述待推薦產品推薦給所述目標使用者。還需要說明的是，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、商品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、商品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，並不排除在包括所述要素的過程、方法、商品或者設備中還存在另外的相同要素。本領域技術人員應明白，本說明書一個或多個實施例可提供為方法、系統或電腦程式產品。因此，本說明書一個或多個實施例可採用完全硬體實施例、完全軟體實施例或結合軟體和硬體方面的實施例的形式。而且，本說明書一個或多個實施例可採用在一個或多個其中包含有電腦可用程式碼的電腦可用儲存媒體(包括但不限於磁碟記憶體、CD-ROM、光學記憶體等)上實施的電腦程式產品的形式。本說明書一個或多個實施例可以在由電腦執行的電腦可執行指令的一般上下文中描述，例如程式模組。一般地，程式模組包括執行特定任務或實現特定抽象資料類型的常式、程式、物件、元件、資料結構等等。也可以在分散式運算環境中實踐本說明書一個或多個實施例，在這些分散式運算環境中，由透過通信網路而被連接的遠端處理設備來執行任務。在分散式運算環境中，程式模組可以位於包括存放裝置在內的本地和遠端電腦儲存媒體中。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，對於資料處理設備實施例而言，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。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的範圍內。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。以上所述僅為本說明書一個或多個實施例的較佳實施例而已，並不用以限制本說明書一個或多個實施例，凡在本說明書一個或多個實施例的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本說明書一個或多個實施例保護的範圍之內。

41‧‧‧資訊獲取模組 42‧‧‧使用者矩陣構建模組 43‧‧‧產品矩陣構建模組 44‧‧‧模型處理模組 45‧‧‧輸出處理模組 46‧‧‧推薦確定模組

為了更清楚地說明本說明書一個或多個實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的圖式作簡單地介紹，顯而易見地，下面描述中的圖式僅僅是本說明書一個或多個實施例中記載的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些圖式獲得其他的圖式。圖1為本說明書一個或多個實施例提供的模型訓練的過程；圖2為本說明書一個或多個實施例提供的特徵矩陣的屬性互動操作原理；圖3為本說明書一個或多個實施例提供的神經網路處理示意圖；圖4為本說明書一個或多個實施例提供的一種產品推薦裝置的結構示意圖。

Claims

一種產品推薦方法，該方法用於確定是否將待推薦產品推薦給目標使用者，該方法包括：獲取該目標使用者關聯的多領域資訊，該多領域資訊包括：該目標使用者在該待推薦產品的產品領域的購買資料和其他產品領域的購買資料；根據該多領域資訊，構建該目標使用者的使用者特徵矩陣，該使用者特徵矩陣包括：根據該多領域資訊量化的多個特徵值；對於一個該待推薦產品，獲取購買該待推薦產品的多個使用者的該使用者特徵矩陣，並基於該多個使用者的使用者特徵矩陣中的該特徵值，得到該待推薦產品對應的產品特徵矩陣；分別將該使用者特徵矩陣和產品特徵矩陣輸入預先訓練的機器學習模型，得到使用者偏好向量和產品偏好向量，該使用者偏好向量用於表示目標使用者在產品購買上的偏好，該產品偏好向量用於表示購買該待推薦產品的使用者特點；根據該使用者偏好向量和產品偏好向量，得到該待推薦產品和該目標使用者之間的選擇評估值，該選擇評估值用於表示該目標使用者購買該待推薦產品的機率；在該選擇評估值大於預定的推薦閾值時，則確定將該待推薦產品推薦給該目標使用者。
根據申請專利範圍第1項所述的方法，該多領域資訊，還包括如下至少一項：該目標使用者的關聯使用者在待推薦產品的產品領域的購買資料；該目標使用者的使用者屬性資訊。
根據申請專利範圍第1項所述的方法，該構建目標使用者的使用者特徵矩陣，包括：若對於一個產品品類的購買資料，在該產品品類下購買的產品數量達到粗細微性處理條件，則將該產品品類下的多個產品進行粗細微性處理。
根據申請專利範圍第1項所述的方法，該基於該多個使用者的使用者特徵矩陣中的特徵值，得到該待推薦產品對應的產品特徵矩陣，包括：對該多個使用者的使用者特徵矩陣中對應同一特徵值位置的特徵值，進行加權平均，得到該產品特徵矩陣中對應該特徵值位置的特徵值。
根據申請專利範圍第1項所述的方法，在該分別將該使用者特徵矩陣和產品特徵矩陣輸入預先訓練的機器學習模型之前，該方法還包括：對該機器學習模型進行訓練，訓練過程包括如下處理：根據產品購買的實際採集資料，構建模型訓練的目標矩陣，該實際採集資料包括使用者對產品的購買資料，該目標矩陣包括：根據該購買資料確定的使用者對產品的購買選擇值，該購買選擇值用於表示使用者是否購買產品；對該目標矩陣中的各個使用者，分別構建每個使用者的該使用者特徵矩陣；對該目標矩陣中的各個產品，分別構建各個產品的該產品特徵矩陣；將該構建的使用者特徵矩陣和產品特徵矩陣輸入待訓練的機器學習模型，並根據模型輸出的使用者偏好向量和產品偏好向量，得到模型輸出矩陣，該模型輸出矩陣包括經過該機器學習模型輸出的各個購買選擇值；在該模型輸出矩陣和目標矩陣的偏差達到預定閾值時，模型訓練結束。
根據申請專利範圍第1項所述的方法，該分別將該使用者特徵矩陣和產品特徵矩陣輸入預先訓練的機器學習模型之前，該方法還包括：分別對該使用者特徵矩陣和產品特徵矩陣進行屬性互動操作；將互動後的使用者特徵矩陣和產品特徵矩陣，輸入該機器學習模型。
一種產品推薦裝置，該裝置用於確定是否將待推薦產品推薦給目標使用者，該裝置包括：資訊獲取模組，用於獲取該目標使用者關聯的多領域資訊，該多領域資訊包括：該目標使用者在該待推薦產品的產品領域的購買資料和其他產品領域的購買資料；使用者矩陣構建模組，用於根據該多領域資訊，構建該目標使用者的使用者特徵矩陣，該使用者特徵矩陣包括：根據該多領域資訊量化的多個特徵值；產品矩陣構建模組，用於對於一個該待推薦產品，獲取購買該待推薦產品的多個使用者的該使用者特徵矩陣，並基於該多個使用者的使用者特徵矩陣中的該特徵值，得到該待推薦產品對應的產品特徵矩陣；模型處理模組，用於分別將該使用者特徵矩陣和產品特徵矩陣輸入預先訓練的機器學習模型，得到使用者偏好向量和產品偏好向量，該使用者偏好向量用於表示目標使用者在產品購買上的偏好，該產品偏好向量用於表示購買該待推薦產品的使用者特點；輸出處理模組，用於根據該使用者偏好向量和產品偏好向量，得到該待推薦產品和該目標使用者之間的選擇評估值，該選擇評估值用於表示該目標使用者購買該待推薦產品的機率；推薦確定模組，用於在該選擇評估值大於預定的推薦閾值時，則確定將該待推薦產品推薦給該目標使用者。
根據申請專利範圍第7項所述的裝置，該使用者矩陣構建模組，還用於：若對於一個產品品類的購買資料，在該產品品類下購買的產品數量達到粗細微性處理條件，則將該產品品類下的多個產品進行粗細微性處理。
根據申請專利範圍第7項所述的裝置，該產品矩陣構建模組，具體用於對該多個使用者的使用者特徵矩陣中對應同一特徵值位置的特徵值，進行加權平均，得到該產品特徵矩陣中對應該特徵值位置的特徵值。
根據申請專利範圍第7項所述的裝置，該模型處理模組，還用於在分別將該使用者特徵矩陣和產品特徵矩陣輸入預先訓練的機器學習模型之前，分別對該使用者特徵矩陣和產品特徵矩陣進行屬性互動操作；將互動後的使用者特徵矩陣和產品特徵矩陣，輸入該機器學習模型。
一種產品推薦設備，該設備包括記憶體、處理器，以及儲存在記憶體上並可在處理器上運行的電腦指令，該處理器執行指令時實現以下步驟：獲取該目標使用者關聯的多領域資訊，該多領域資訊包括：該目標使用者在該待推薦產品的產品領域的購買資料和其他產品領域的購買資料；根據該多領域資訊，構建該目標使用者的使用者特徵矩陣，該使用者特徵矩陣包括：根據該多領域資訊量化的多個特徵值；對於一個該待推薦產品，獲取購買該待推薦產品的多個使用者的該使用者特徵矩陣，並基於該多個使用者的使用者特徵矩陣中的該特徵值，得到該待推薦產品對應的產品特徵矩陣；分別將該使用者特徵矩陣和產品特徵矩陣輸入預先訓練的機器學習模型，得到使用者偏好向量和產品偏好向量，該使用者偏好向量用於表示目標使用者在產品購買上的偏好，該產品偏好向量用於表示購買該待推薦產品的使用者特點；根據該使用者偏好向量和產品偏好向量，得到該待推薦產品和該目標使用者之間的選擇評估值，該選擇評估值用於表示該目標使用者購買該待推薦產品的機率；在該選擇評估值大於預定的推薦閾值時，則確定將該待推薦產品推薦給該目標使用者。