WO2021189949A1 - 信息推荐方法、装置、电子设备及介质 - Google Patents

信息推荐方法、装置、电子设备及介质 Download PDF

Info

Publication number
WO2021189949A1
WO2021189949A1 PCT/CN2020/134886 CN2020134886W WO2021189949A1 WO 2021189949 A1 WO2021189949 A1 WO 2021189949A1 CN 2020134886 W CN2020134886 W CN 2020134886W WO 2021189949 A1 WO2021189949 A1 WO 2021189949A1
Authority
WO
WIPO (PCT)
Prior art keywords
recommendation
recommendation information
user
decision tree
feature
Prior art date
Application number
PCT/CN2020/134886
Other languages
English (en)
French (fr)
Inventor
徐杰
Original Assignee
平安科技（深圳）有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2021189949A1 publication Critical patent/WO2021189949A1/zh

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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
    • G06Q40/08—Insurance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种信息推荐方法、装置。该方法包括获取用户资料库，获取用户资料库中每个用户的第一特征，根据用户资料库中每个用户的第一特征，通过神经网络模型确定用户资料库中的预推荐用户，预推荐用户为一个或多个（S210）。对于每个预推荐用户，获取该预推荐用户的第二特征，将该预推荐用户的第二特征输入至一个或多个决策树模型中，得到每个决策树模型输出的预推荐结果，其中，每个决策树模型对应一种预推荐信息（S220）；根据预推荐结果和预推荐用户的第二特征选取预推荐信息进行组合得到推荐信息（S230），能够准确的为用户推荐合适的信息。

Description

信息推荐方法、装置、电子设备及介质
本申请要求于2020年3月26日提交中国专利局、申请号为202010223996.8，发明名称为“信息推荐方法、装置、电子设备及介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及人工智能技术领域，特别涉及一种信息推荐方法、装置、电子设备及介质。
背景技术
随着生活水平的提高，人们对各种应用的要求越来越高，推荐系统应运而生。推荐系统是大数据时代的产物，已经存在于人们生活的方方面面。
现有的推荐系统中，最具有代表性的一种是同类推荐，根据用户历史选择过的信息，向用户推荐同类信息。发明人意识到，这种推荐个性化不足，推荐信息的多样性不够，不能发现用户对其他信息的潜在需求。因此，准确的为用户推荐合适的信息是亟待解决的问题。
发明内容
本申请旨在提供一种信息推荐方法、装置、电子设备及介质，能够准确的为用户推荐合适的信息。
根据本申请实施例的一个方面，提供了一种信息推荐方法，包括：获取用户资料库，获取所述用户资料库中每个用户的第一特征，根据所述用户资料库中每个用户的第一特征，通过神经网络模型确定所述用户资料库中的预推荐用户，所述预推荐用户为一个或多个；对于每个预推荐用户，获取该预推荐用户的第二特征，将该预推荐用户的第二特征输入至一个或多个决策树模型中，得到每个决策树模型输出的预推荐结果，其中，每个所述决策树模型对应一种预推荐信息；根据所述预推荐结果和所述预推荐用户的第二特征选取所述预推荐信息进行组合得到推荐信息。
根据本申请实施例的一个方面，提供了一种信息推荐装置，包括：获取模块，用于获取用户资料库，获取所述用户资料库中每个用户的第一特征，根据所述用户资料库中每个用户的第一特征，通过神经网络模型确定所述用户资料库中的预推荐用户，所述预推荐用户为一个或多个；预推荐模块，用于对于每个预推荐用户，获取该预推荐用户的第二特征，将该预推荐用户的第二特征输入至一个或多个决策树模型中，得到每个决策树模型输出的预推荐结果，其中，每个所述决策树模型对应一种预推荐信息；推荐模块，根据所述预推荐结果和所述预推荐用户的第二特征选取所述预推荐信息进行组合得到推荐信息。
根据本申请实施例的一个方面，提供了一种计算机(可读)程序介质，其存储有计算机程序指令(或者称为计算机可读指令)，当所述计算机程序指令被计算机执行时，使计算机执行以下方法：获取用户资料库，获取所述用户资料库中每个用户的第一特征，根据所述用户资料库中每个用户的第一特征，通过神经网络模型确定所述用户资料库中的预推荐用户，所述预推荐用户为一个或多个；对于每个预推荐用户，获取该预推荐用户的第二特征，将该预推荐用户的第二特征输入至一个或多个决策树模型中，得到每个决策树模型输出的预推荐结果，其中，每个所述决策树模型对应一种预推荐信息；根据所述预推荐结果和所述预推荐用户的第二特征选取所述预推荐信息进行组合得到推荐信息。
根据本申请实施例的一个方面，提供了一种电子装置，包括：处理器；存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现以下方法：获取用户资料库，获取所述用户资料库中每个用户的第一特征，根据所述用户资料库中每个用户的第一特征，通过神经网络模型确定所述用户资料库中的预推荐用户，所述预推荐用户为一个或多个；对于每个预推荐用户，获取该预推荐用户的第二特征，将该预推荐用户的第二特征输入至一个或多个决策树模型中，得到每个决策树模型输出的预推荐结 果，其中，每个所述决策树模型对应一种预推荐信息；根据所述预推荐结果和所述预推荐用户的第二特征选取所述预推荐信息进行组合得到推荐信息。
本申请的实施例提供的技术方案可以准确的为用户推荐合适的信息。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并于说明书一起用于解释本申请的原理。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图；
图2示意性示出了根据本申请的一个实施例的信息推荐方法的流程图；
图3示意性示出了根据本申请的一个实施例的信息推荐装置的框图；
图4是根据一示例性实施例示出的一种电子装置的硬件图；
图5是根据一示例性实施例示出的一种用于实现上述信息推荐方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请的技术方案可应用于人工智能、智慧城市、区块链和/或大数据技术领域，以实现智能化信息推荐。可选的，本申请涉及的数据如特征和/或推荐信息等可存储于数据库中，或者可以存储于区块链中，比如通过区块链分布式存储，本申请不做限定。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构100的示意图。
如图1所示，系统架构100可以包括终端设备101(终端设备可以为智能手机、平板电脑、便携式计算机、台式计算机中的一种或多种)、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线通信链路、无线通信链路等等。
应该理解，图1中的终端设备101、网络102和服务器103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101、网络102和服务器103。比如服务器103可以是多个服务器组成的服务器集群等。
在本申请的一个实施例中，服务器103通过获取用户资料库，获取用户资料库中每个用户的第一特征，根据用户资料库中每个用户的第一特征，通过神经网络模型确定用户资料库中的预推荐用户，预推荐用户为一个或多个；对于每个预推荐用户，获取该预推荐用户的第二特征，将该预推荐用户的第二特征输入至一个或多个决策树模型中，得到每个决策树模型输出的预推荐结果，其中，每个决策树模型对应一种预推荐信息；根 据预推荐结果和预推荐用户的第二特征选取预推荐信息进行组合得到推荐信息，从而准确的为用户推荐合适的信息。
需要说明的是，本申请实施例所提供的信息推荐方法一般由服务器103执行，相应地，信息推荐装置一般设置于服务器103中。但是，在本申请的其它实施例中，终端设备101也可以与服务器103具有相似的功能，从而执行本申请实施例所提供的信息推荐方法。
以下对本申请实施例的技术方案的实现细节进行详细阐述：
图2示意性示出了根据本申请的一个实施例的信息推荐方法的流程图，该信息推荐方法的执行主体可以是服务器，比如可以是图1中所示的服务器103。
参照图2所示，该信息推荐方法至少包括步骤S210至步骤S230，详细介绍如下：
在步骤S210中，获取用户资料库，获取用户资料库中每个用户的第一特征，根据用户资料库中每个用户的第一特征，通过神经网络模型确定用户资料库中的预推荐用户，预推荐用户为一个或多个。
在本申请的一个实施例中，可以将用户资料库中每个用户的第一特征输入神经网络模型，得到神经网络模型的输出结果，根据神经网络模型的输出结果确定用户资料库中的预推荐用户。
在本申请的一个实施例中，神经网络模型的输出结果可以为预推荐用户名单。
在本申请的一个实施例中，可以通过以下方法训练神经网络模型：获取第一特征样本集合，第一特征样本集合中每个第一特征样本对应的输出结果已知，第一特征样本对应的输出结果可以是每个第一特征样本对应的用户是否为预推荐用户。将用户资料库中每个用户的第一特征输入神经网络模型，获取神经网络模型输出的该用户是否为预推荐用户的结果，将输出的结果和已知的相同的第一特征对应的输出结果比较，如果不一致，调整神经网络模型，使得输出的结果和已知的相同的第一特征对应的输出结果一致。
在本申请的一个实施例中，第一特征可以包括人口属性、企业属性、地理属性、保险意识、生命周期、承保理赔记录等，可以根据第一特征判断预推荐用户是否为可能购买保险的用户，只对目标用户营销。
在本申请的一个实施例中，第一特征可以包括用户的内存容量、数据占用空间等，根据第一特征判断预推荐用户为可能需要缓存用户。
继续参照图2，在步骤S220中，对于每个预推荐用户，获取该预推荐用户的第二特征，将该预推荐用户的第二特征输入至一个或多个决策树模型中，得到每个决策树模型输出的预推荐结果，其中，每个决策树模型对应一种预推荐信息。
在本申请的一个实施例中，预推荐用户的第二特征可以为家庭收入水平、是否结婚、是否有车、是否有小孩等，每个决策树模型对应一种保险。
在本申请的一个实施例中，预推荐用户的第二特征可以为用户经常访问的数据类型、用户经常访问的数据大小、用户的上网时长等，每个决策树模型对应一种缓存信息。
在本申请的一个实施例中，可以获取预推荐信息的第二特征，预推荐信息的第二特征包括一个或多个因素；根据预推荐信息的第二特征的一个或多个因素在预推荐信息中所占的权重，建立预推荐信息对应的决策树模型，使每个预推荐信息对应的决策树模型都符合该预推荐信息的特点。
在本申请的一个实施例中，由于位于决策树根部的因素对决策树的结果影响最大，可以将影响越大的因素设置得越靠近决策树根部。
在本申请的一个实施例中，决策树由下至上的因素排列可以为家庭收入水平、是否结婚、是否有小孩、是否有车。
在本申请的一个实施例中，决策树由下至上的因素排列可以为用户的上网时长、用户 经常访问的数据类型、用户经常访问的数据大小。
在本申请的一个实施例中，预推荐用户的第二特征包括一个或多个因素，可以将该预推荐用户的第二特征中的一个或多个因素输入至每个决策树模型中，基于预推荐用户的第二特征与每个决策树模型中预推荐信息的第二特征，得到每个决策树模型输出的该预推荐用户与该决策树模型对应的预推荐信息之间的匹配概率。
继续参照图2，在步骤S230中，根据预推荐结果和预推荐用户的第二特征选取预推荐信息进行组合得到推荐信息。
在本申请的一个实施例中，若预推荐信息只有一种，则可以将预推荐信息作为推荐信息。
在本申请的一个实施例中，预推荐用户的第二特征可以包括总资源W；从M个模型树对应的预推荐信息中选取N个预推荐信息，将选取的第N个预推荐信息对应的决策树模型输出的匹配概率记为P MN(N＝1,2,3……)；将第N个决策树模型对应的预推荐信息预设权重记为θ M(M＝1,2,3…M)，通过公式：W N＝P MNθ MW×β/(P M1+P M2+…+P MN)得到第N个预推荐信息的建议分配资源W M，其中，β为预设系数。
在本申请的一个实施例中，总资源W可以为用户的家庭年收入，根据该用户的第二特征，如是否有小孩、是否有车、是否有老人，来确定适合该家庭的保险种类，从M个种类的保险中选出N种保险适合推荐给该用户，用户的第二特征和这N种保险进行匹配，得到这N种保险中每个保险适合该用户的匹配概率，记为P MN(N＝1,2,3……)。其中，这N种保险本身有其对应的权重，如重疾险的θ MN可以为50％，防癌险的θ MN可以为20％……则该用户购买第N种保险花费的合理金额为：W N＝P MNθ MNW×β/(P M1+P M2+…+P MN)。
在本申请的一个实施例中，总资源W可以为缓存信息的总数，根据缓存信息的种类可以为用户从M种缓存方式中找到合适的N种缓存方式，这N种缓存方式和缓存信息的匹配概率为P MN，第N种缓存方式自身的权重为θ MN，则用户将缓存信息分配至第N种缓存方式中的信息量为：W N＝P MNθ MNW×β/(P M1+P M2+…+P MN)。
在本申请的一个实施例中，β的值可以为10％。
在本申请的一个实施例中，在一个家庭中用于购买保险的金额可以为年收入的10％，在保障家庭健康的同时又不会影响家庭生活。
以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的信息推荐方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的信息推荐方法的实施例。
图3示意性示出了根据本申请的一个实施例的信息推荐装置的框图。
参照图3所示，根据本申请的一个实施例的信息推荐装置300，包括获取模块301、预推荐模块302和推荐模块303。
在本申请的一些实施例中，基于前述方案，获取模块301用于获取用户资料库，获取用户资料库中每个用户的第一特征，根据用户资料库中每个用户的第一特征，通过神经网络模型确定用户资料库中的预推荐用户，预推荐用户为一个或多个；预推荐模块302用于对于每个预推荐用户，获取该预推荐用户的第二特征，将该预推荐用户的第二特征输入至一个或多个决策树模型中，得到每个决策树模型输出的预推荐结果，其中，每个决策树模 型对应一种预推荐信息；推荐模块303用于根据预推荐结果和预推荐用户的第二特征选取预推荐信息进行组合得到推荐信息。
在本申请的一些实施例中，基于前述方案，预推荐模块302配置为：获取预推荐信息的第二特征，预推荐信息的第二特征包括一个或多个因素；根据预推荐信息的第二特征的一个或多个因素在预推荐信息中所占的权重，建立预推荐信息对应的决策树模型。
在本申请的一些实施例中，基于前述方案，预推荐用户的第二特征包括一个或多个因素；预推荐模块302配置为：将该预推荐用户的第二特征中的一个或多个因素输入至每个决策树模型中；基于所述预推荐用户的第二特征与每个决策树模型中所述预推荐信息的第二特征，得到每个决策树模型输出的该预推荐用户与该决策树模型对应的预推荐信息之间的匹配概率。
在本申请的一些实施例中，基于前述方案，推荐模块303配置为：将预推荐信息作为推荐信息。
在本申请的一些实施例中，基于前述方案，推荐模块303配置为：预推荐用户的第二特征包括总资源W；将第M个决策树模型对应的预推荐信息预设权重记为θ M(M＝1,2,3…M)，第M个决策树模型输出的匹配概率记为P M；从M个模型树对应的预推荐信息中选取N个预推荐信息，将选取的第N个预推荐信息对应的决策树模型输出的匹配概率记为P MN(N＝1,2,3……)；通过公式：W N＝P MNθ MW×β/(P M1+P M2+…+P MN)得到第N个预推荐信息的建议分配资源W M，其中，β为预设系数。
在本申请的一些实施例中，基于前述方案，推荐模块303配置为：β的值为10％。
所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
本申请实施例还提供了一种电子设备，该电子设备可包括一个或多个处理器和存储装置。其中，存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述方法中的部分或全部步骤，此处不赘述。该处理器还可称为处理单元，存储器可以称为存储单元。
例如，下面参照图4来描述根据本申请的这种实施方式的电子设备40。图4显示的电子设备40仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于：上述至少一个处理单元41、上述至少一个存储单元42、连接不同系统组件(包括存储单元42和处理单元41)的总线43、显示单元44。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元41执行，使得所述处理单元41执行本说明书上述“实施例方法”部分中描述的根据本申请各种示例性实施方式的步骤。
存储单元42可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)421和/或高速缓存存储单元422，还可以进一步包括只读存储单元(ROM)423。
存储单元42还可以包括具有一组(至少一个)程序模块425的程序/实用工具424，这样的程序模块425包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线43可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备40也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备40交互的设备通信，和/或与使得该电子设备40能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口45进行。并且，电子设备40还可以通过网络适配器46与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器46通过总线43与电子设备40的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本申请实施方式的方法。
根据本申请一个实施例，还提供了一种计算机可读存储介质(或者称为计算机程序介质)，其上存储有能够实现本说明书上述方法的程序产品(如计算机可读指令)。在一些可能的实施方式中，本申请的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的步骤。
可选的，本申请涉及的介质如计算机可读存储介质可以是非易失性的，也可以是易失性的。
参考图5所示，描述了根据本申请的实施方式的用于实现上述方法的程序产品50，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码， 所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本申请示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (20)

  1. 一种信息推荐方法，其中，包括:
    获取用户资料库，获取所述用户资料库中每个用户的第一特征，根据所述用户资料库中每个用户的第一特征，通过神经网络模型确定所述用户资料库中的预推荐用户，所述预推荐用户为一个或多个；
    对于每个预推荐用户，获取该预推荐用户的第二特征，将该预推荐用户的第二特征输入至一个或多个决策树模型中，得到每个决策树模型输出的预推荐结果，其中，每个所述决策树模型对应一种预推荐信息；
    根据所述预推荐结果和所述预推荐用户的第二特征选取所述预推荐信息进行组合得到推荐信息。
  2. 根据权利要求1所述的信息推荐方法，其中，在将该预推荐用户的第二特征输入至一个或多个决策树模型中之前，所述方法包括：
    获取所述预推荐信息的第二特征，所述预推荐信息的第二特征包括一个或多个因素；
    根据所述预推荐信息的第二特征的一个或多个因素在所述预推荐信息中所占的权重，建立所述预推荐信息对应的决策树模型。
  3. 根据权利要求2所述的信息推荐方法，其中，所述预推荐用户的第二特征包括一个或多个因素；
    所述将该预推荐用户的第二特征输入至一个或多个决策树模型中，得到每个决策树模型输出的预推荐结果，包括：
    将该预推荐用户的第二特征中的一个或多个因素输入至每个决策树模型中；
    基于所述预推荐用户的第二特征与每个决策树模型中所述预推荐信息的第二特征，得到每个决策树模型输出的该预推荐用户与该决策树模型对应的预推荐信息之间的匹配概率。
  4. 根据权利要求1所述的信息推荐方法，其中，所述根据所述预推荐结果和所述预推荐用户的第二特征选取所述预推荐信息进行组合得到推荐信息，包括：
    将所述预推荐信息作为所述推荐信息。
  5. 根据权利要求4所述的信息推荐方法，其中，所述根据所述预推荐结果和所述预推荐用户的第二特征选取所述预推荐信息进行组合得到推荐信息，包括：
    所述预推荐用户的第二特征包括总资源W；
    将第M个决策树模型对应的预推荐信息预设权重记为θ M(M＝1,2,3…M)，第M个决策树模型输出的匹配概率记为P M；
    从M个模型树对应的预推荐信息中选取N个所述预推荐信息，将选取的第N个所述预推荐信息对应的决策树模型输出的匹配概率记为P MN(N＝1,2,3……)；
    通过公式：W N＝P MNθ MW×β/(P M1+P M2+…+P MN)得到第N个预推荐信息的建议分配资源W M，其中，β为预设系数。
  6. 根据权利要求5所述的信息推荐方法，其中，所述β的值为10％。
  7. 一种信息推荐装置，其中，包括:
    获取模块，用于获取用户资料库，获取所述用户资料库中每个用户的第一特征，根据所述用户资料库中每个用户的第一特征，通过神经网络模型确定所述用户资料库中的预推荐用户，用于所述预推荐用户为一个或多个；
    预推荐模块，对于每个预推荐用户，获取该预推荐用户的第二特征，将该预推荐用户的第二特征输入至一个或多个决策树模型中，得到每个决策树模型输出的预推荐结果，其中，每个所述决策树模型对应一种预推荐信息；
    推荐模块，根据所述预推荐结果和所述预推荐用户的第二特征选取所述预推荐信息进行组合得到推荐信息。
  8. 根据权利要求7所述的信息推荐装置，其中，
    所述预推荐模块，还用于获取所述预推荐信息的第二特征，所述预推荐信息的第二特征包括一个或多个因素；根据所述预推荐信息的第二特征的一个或多个因素在所述预推荐信息中所占的权重，建立所述预推荐信息对应的决策树模型。
  9. 一种电子设备，其中，包括:
    一个或多个处理器；
    存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现以下方法：
    获取用户资料库，获取所述用户资料库中每个用户的第一特征，根据所述用户资料库中每个用户的第一特征，通过神经网络模型确定所述用户资料库中的预推荐用户，所述预推荐用户为一个或多个；
    对于每个预推荐用户，获取该预推荐用户的第二特征，将该预推荐用户的第二特征输入至一个或多个决策树模型中，得到每个决策树模型输出的预推荐结果，其中，每个所述决策树模型对应一种预推荐信息；
    根据所述预推荐结果和所述预推荐用户的第二特征选取所述预推荐信息进行组合得到推荐信息。
  10. 根据权利要求9所述的电子设备，其中，在将该预推荐用户的第二特征输入至一个或多个决策树模型中之前，所述一个或多个处理器还用于实现：
    获取所述预推荐信息的第二特征，所述预推荐信息的第二特征包括一个或多个因素；
    根据所述预推荐信息的第二特征的一个或多个因素在所述预推荐信息中所占的权重，建立所述预推荐信息对应的决策树模型。
  11. 根据权利要求10所述的电子设备，其中，所述预推荐用户的第二特征包括一个或多个因素；
    所述将该预推荐用户的第二特征输入至一个或多个决策树模型中，得到每个决策树模型输出的预推荐结果时，具体实现：
    将该预推荐用户的第二特征中的一个或多个因素输入至每个决策树模型中；
    基于所述预推荐用户的第二特征与每个决策树模型中所述预推荐信息的第二特征，得到每个决策树模型输出的该预推荐用户与该决策树模型对应的预推荐信息之间的匹配概率。
  12. 根据权利要求9所述的电子设备，其中，所述根据所述预推荐结果和所述预推荐用户的第二特征选取所述预推荐信息进行组合得到推荐信息时，具体实现：
    将所述预推荐信息作为所述推荐信息。
  13. 根据权利要求12所述的电子设备，其中，所述根据所述预推荐结果和所述预推荐用户的第二特征选取所述预推荐信息进行组合得到推荐信息时，具体实现：
    所述预推荐用户的第二特征包括总资源W；
    将第M个决策树模型对应的预推荐信息预设权重记为θ M(M＝1,2,3…M)，第M个决策树模型输出的匹配概率记为P M；
    从M个模型树对应的预推荐信息中选取N个所述预推荐信息，将选取的第N个所述 预推荐信息对应的决策树模型输出的匹配概率记为P MN(N＝1,2,3……)；
    通过公式：W N＝P MNθ MW×β/(P M1+P M2+…+P MN)得到第N个预推荐信息的建议分配资源W M，其中，β为预设系数。
  14. 根据权利要求13所述的电子设备，其中，所述β的值为10％。
  15. 一种计算机程序介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行以下方法：
    获取用户资料库，获取所述用户资料库中每个用户的第一特征，根据所述用户资料库中每个用户的第一特征，通过神经网络模型确定所述用户资料库中的预推荐用户，所述预推荐用户为一个或多个；
    对于每个预推荐用户，获取该预推荐用户的第二特征，将该预推荐用户的第二特征输入至一个或多个决策树模型中，得到每个决策树模型输出的预推荐结果，其中，每个所述决策树模型对应一种预推荐信息；
    根据所述预推荐结果和所述预推荐用户的第二特征选取所述预推荐信息进行组合得到推荐信息。
  16. 根据权利要求15所述的计算机程序介质，其中，在将该预推荐用户的第二特征输入至一个或多个决策树模型中之前，当所述计算机可读指令被计算机的处理器执行时还使计算机执行：
    获取所述预推荐信息的第二特征，所述预推荐信息的第二特征包括一个或多个因素；
    根据所述预推荐信息的第二特征的一个或多个因素在所述预推荐信息中所占的权重，建立所述预推荐信息对应的决策树模型。
  17. 根据权利要求16所述的计算机程序介质，其中，所述预推荐用户的第二特征包括一个或多个因素；
    所述将该预推荐用户的第二特征输入至一个或多个决策树模型中，得到每个决策树模型输出的预推荐结果时，具体执行：
    将该预推荐用户的第二特征中的一个或多个因素输入至每个决策树模型中；
    基于所述预推荐用户的第二特征与每个决策树模型中所述预推荐信息的第二特征，得到每个决策树模型输出的该预推荐用户与该决策树模型对应的预推荐信息之间的匹配概率。
  18. 根据权利要求15所述的计算机程序介质，其中，所述根据所述预推荐结果和所述预推荐用户的第二特征选取所述预推荐信息进行组合得到推荐信息时，具体执行：
    将所述预推荐信息作为所述推荐信息。
  19. 根据权利要求18所述的计算机程序介质，其中，所述根据所述预推荐结果和所述预推荐用户的第二特征选取所述预推荐信息进行组合得到推荐信息时，具体执行：
    所述预推荐用户的第二特征包括总资源W；
    将第M个决策树模型对应的预推荐信息预设权重记为θ M(M＝1,2,3…M)，第M个决策树模型输出的匹配概率记为P M；
    从M个模型树对应的预推荐信息中选取N个所述预推荐信息，将选取的第N个所述预推荐信息对应的决策树模型输出的匹配概率记为P MN(N＝1,2,3……)；
    通过公式：W N＝P MNθ MW×β/(P M1+P M2+…+P MN)得到第N个预推荐信息的建议分配资 源W M，其中，β为预设系数。
  20. 根据权利要求19所述的计算机程序介质，其中，所述β的值为10％。
PCT/CN2020/134886 2020-03-26 2020-12-09 信息推荐方法、装置、电子设备及介质 WO2021189949A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010223996.8 2020-03-26
CN202010223996.8A CN111460286A (zh) 2020-03-26 2020-03-26 信息推荐方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
WO2021189949A1 true WO2021189949A1 (zh) 2021-09-30

Family

ID=71683279

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/134886 WO2021189949A1 (zh) 2020-03-26 2020-12-09 信息推荐方法、装置、电子设备及介质

Country Status (2)

Country Link
CN (1) CN111460286A (zh)
WO (1) WO2021189949A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115794898A (zh) * 2023-01-05 2023-03-14 中信建投证券股份有限公司 一种金融资讯推荐方法、装置、电子设备及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111460286A (zh) * 2020-03-26 2020-07-28 平安科技（深圳）有限公司 信息推荐方法、装置、电子设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140114694A1 (en) * 2011-02-28 2014-04-24 Hartford Fire Insurance Company Systems and methods for determining insurance decisions based on social network data
US20150206220A1 (en) * 2014-01-20 2015-07-23 Ecole Polytechnique Federale De Lausanne (Epfl) Recommendation Strategy Portfolios
CN108711110A (zh) * 2018-08-14 2018-10-26 中国平安人寿保险股份有限公司 保险产品推荐方法、装置、计算机设备和存储介质
CN109242631A (zh) * 2018-09-17 2019-01-18 平安科技（深圳）有限公司 产品智能推荐方法、服务器及存储介质
CN109389490A (zh) * 2018-09-26 2019-02-26 深圳壹账通智能科技有限公司 贷款产品匹配方法、装置、计算机设备和存储介质
CN110910257A (zh) * 2019-11-15 2020-03-24 泰康保险集团股份有限公司 信息预测方法、装置、电子设备和计算机可读介质
CN111460286A (zh) * 2020-03-26 2020-07-28 平安科技（深圳）有限公司 信息推荐方法、装置、电子设备及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140114694A1 (en) * 2011-02-28 2014-04-24 Hartford Fire Insurance Company Systems and methods for determining insurance decisions based on social network data
US20150206220A1 (en) * 2014-01-20 2015-07-23 Ecole Polytechnique Federale De Lausanne (Epfl) Recommendation Strategy Portfolios
CN108711110A (zh) * 2018-08-14 2018-10-26 中国平安人寿保险股份有限公司 保险产品推荐方法、装置、计算机设备和存储介质
CN109242631A (zh) * 2018-09-17 2019-01-18 平安科技（深圳）有限公司 产品智能推荐方法、服务器及存储介质
CN109389490A (zh) * 2018-09-26 2019-02-26 深圳壹账通智能科技有限公司 贷款产品匹配方法、装置、计算机设备和存储介质
CN110910257A (zh) * 2019-11-15 2020-03-24 泰康保险集团股份有限公司 信息预测方法、装置、电子设备和计算机可读介质
CN111460286A (zh) * 2020-03-26 2020-07-28 平安科技（深圳）有限公司 信息推荐方法、装置、电子设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115794898A (zh) * 2023-01-05 2023-03-14 中信建投证券股份有限公司 一种金融资讯推荐方法、装置、电子设备及存储介质
CN115794898B (zh) * 2023-01-05 2023-04-25 中信建投证券股份有限公司 一种金融资讯推荐方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111460286A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
US10395330B2 (en) Evaluating vendor communications for accuracy and quality
US10217048B2 (en) Predictive assignments that relate to genetic information and leverage machine learning models
US20170255790A1 (en) Systems and methods for processing requests for genetic data based on client permission data
CN110909222B (zh) 基于聚类的用户画像建立方法、装置、介质及电子设备
US10529446B2 (en) Continuous health care plan coordination between patient and patient care team
WO2020168851A1 (zh) 行为识别
WO2021068513A1 (zh) 异常对象识别方法、装置、介质及电子设备
WO2021189949A1 (zh) 信息推荐方法、装置、电子设备及介质
US10642231B1 (en) Switch terminal system with an activity assistant
US20200151627A1 (en) Adherence monitoring through machine learning and computing model application
CN111178687B (zh) 金融风险分类方法、装置及电子设备
US20180181722A1 (en) Eliciting Habit Formation Via Coordination Between Patient and Patient Care Team
US11061934B1 (en) Method and system for characterizing time series
US20210248482A1 (en) Maintaining a knowledge database based on user interactions with a user interface
CN111191677B (zh) 用户特征数据生成方法、装置及电子设备
US10884713B2 (en) Transformations of a user-interface modality of an application
US20180181711A1 (en) Continuous Health Care Plan Coordination and Habit Eliciting Patient Communications
WO2015026797A1 (en) Diagnosis and treatment of psychiatric disorders
CN111210109A (zh) 基于关联用户预测用户风险的方法、装置和电子设备
US10019295B2 (en) Method and system for managing and linking software applications
CN113094602B (zh) 酒店推荐方法、系统、设备及介质
CN112348658A (zh) 资源分配方法、装置及电子设备
CN112542244A (zh) 辅助信息的生成方法、相关装置及计算机程序产品
US20150186794A1 (en) Template regularization for generalization of learning systems
CN114792568B (zh) 住院风险预测方法及装置、存储介质及电子设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20927191

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20927191

Country of ref document: EP

Kind code of ref document: A1