CN110264306B - 基于大数据的产品推荐方法、装置、服务器及介质 - Google Patents
基于大数据的产品推荐方法、装置、服务器及介质 Download PDFInfo
- Publication number
- CN110264306B CN110264306B CN201910424733.0A CN201910424733A CN110264306B CN 110264306 B CN110264306 B CN 110264306B CN 201910424733 A CN201910424733 A CN 201910424733A CN 110264306 B CN110264306 B CN 110264306B
- Authority
- CN
- China
- Prior art keywords
- user
- target
- product
- matrix
- candidate
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明适用于人工智能技术领域,提供了一种基于大数据的产品推荐方法、装置、服务器及介质,通过获取目标用户矩阵以及多个用户等级对应的参考用户集合,根据用户等级对应的参考用户集合确定目标用户对应的被选等级,调取并基于目标用户的数据值转移记录以及被选等级,计算目标用户的目标调度数据值,通过分类树模型确定目标用户对应的目标产品集合,调取所述目标产品集合中各个产品的负向数据值和正向数据值,将目标产品集合中负向数据值不大于目标调度数据值的产品作为候选产品,并根据各候选产品的正向数据值计算各候选产品的正向参数,将预设数量的正向参数对应的候选产品推荐给目标用户,以提高产品推荐的准确性。
Description
技术领域
本发明属于人工智能技术领域,尤其涉及一种基于大数据的产品推荐方法、装置、服务器及介质。
背景技术
随着人工智能的发展,建立在大数据之上的产品推荐方法日益在各行各业中得到应用,这些产品不仅包括在实体店可售卖的实体产品,还包括诸如电影、音乐以及理财等虚拟的互联网产品。显然,对于产品的合理推荐可以提高用户感受,同时在某些情况下为用户节省购买成本。
但是,当用于对产品推荐的大数据过于庞杂时,现有技术难以对大数据进行合理全面的整合和梳理,往往仅是对用户数据或产品数据其中一方的数据进行分析,缺乏对双方数据的统筹分析和对未来的预测。这就导致了现有技术中经常出现推荐不准确的情况出现,这些推荐不准确的情况包括:用户对被推荐的产品无兴趣,以及用户对被推荐的产品支付困难等。
综上,当前的产品推荐方法存在推荐的产品与用户的适配度差的问题。
发明内容
有鉴于此,本发明实施例提供了一种基于大数据的产品推荐方法、装置、服务器及介质,以解决现有技术中存在推荐的产品与用户的适配度差的问题。
本发明实施例的第一方面提供了一种基于大数据的产品推荐方法,包括:获取用于描述目标用户的目标用户矩阵,并调取多个用户等级分别对应的参考用户集合;所述用户等级对应的参考用户集合中包含多个归属于该用户等级的参考用户矩阵,和各参考用户矩阵对应的存储时间;根据各个所述用户等级分别对应的参考用户矩阵以及各参考用户矩阵对应的存储时间,计算所述目标用户矩阵与各个所述用户等级分别对应的参考用户矩阵的相似度,并将与所述目标用户矩阵的相似度最高的参考用户矩阵所对应的用户等级作为被选等级;调取所述目标用户的数据值转移记录,并根据所述目标用户的数据值转移记录以及所述被选等级,计算所述目标用户对应的目标调度数据值;通过预设的分类树模型对所述目标用户矩阵进行分类,得到所述目标用户矩阵对应的所述分类树模型的叶子节点,并根据预设的叶子节点与产品集合的对应关系,确定所述目标用户对应的目标产品集合;调取所述目标产品集合中各个产品的负向数据值以及正向数据值,将所述目标产品集合中负向数据值不大于所述目标调度数据值的产品作为候选产品,并根据各个候选产品的正向数据值,计算各个候选产品对应的正向参数;根据所述正向参数由大到小的顺序,从最大的所述正向参数开始依次将预设数量的所述正向参数对应的候选产品作为被选产品推荐给目标用户。
本发明实施例的第二方面提供了一种基于大数据的产品推荐装置,包括:
获取模块,用于获取用于描述目标用户的目标用户矩阵,并调取多个用户等级分别对应的参考用户集合;所述用户等级对应的参考用户集合中包含多个归属于该用户等级的参考用户矩阵,和各参考用户矩阵对应的存储时间;分级模块,用于根据各个所述用户等级分别对应的参考用户矩阵以及各参考用户矩阵对应的存储时间,计算所述目标用户矩阵与各个所述用户等级分别对应的参考用户矩阵的相似度,并将与所述目标用户矩阵的相似度最高的参考用户矩阵所对应的用户等级作为被选等级;调取模块,用于调取所述目标用户的数据值转移记录,并根据所述目标用户的数据值转移记录以及所述被选等级,计算所述目标用户对应的目标调度数据值;分类模块,用于通过预设的分类树模型对所述目标用户矩阵进行分类,得到所述目标用户矩阵对应的所述分类树模型的叶子节点,并根据预设的叶子节点与产品集合的对应关系,确定所述目标用户对应的目标产品集合;计算模块,用于调取所述目标产品集合中各个产品的负向数据值以及正向数据值,将所述目标产品集合中负向数据值不大于所述目标调度数据值的产品作为候选产品,并根据各个候选产品的正向数据值,计算各个候选产品对应的正向参数;推荐模块,用于根据所述正向参数由大到小的顺序,从最大的所述正向参数开始依次将预设数量的所述正向参数对应的候选产品作为被选产品推荐给目标用户。
本发明实施例的第三方面提供了一种服务器,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现本发明实施例的第一方面提供的方法的步骤。
本发明实施例的第四方面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本发明实施例的第一方面提供的方法的步骤。
在本发明实施例中,通过获取用于描述目标用户的目标用户矩阵,并调取多个用户等级对应的参考用户集合,根据用户等级对应的参考用户集合确定目标用户对应的被选等级,以根据各个用户等级对应的数据智能化地确定目标用户的等级;调取并基于目标用户的数据值转移记录以及被选等级,计算目标用户的目标调度数据值,从而根据目标用户的相关历史数据设定一个其能调用的门限值,保证后续数据调度的安全性;通过预设的分类树模型对所述目标用户矩阵进行分类,确定目标用户对应的目标产品集合,调取所述目标产品集合中各个产品的负向数据值以及正向数据值,将目标产品集合中负向数据值不大于目标调度数据值的产品作为候选产品,并根据各个候选产品的正向数据值,计算各个候选产品对应的正向参数,以在通过对各个候选产品的产品数据进行分析后确定多个适合目标用户的候选产品;根据所述正向参数由大到小的顺序,从最大的所述正向参数开始依次将预设数量的所述正向参数对应的候选产品作为被选产品推荐给目标用户,以同时兼顾用户数据以及产品数据,提高对于产品推荐的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于大数据的产品推荐方法的实现流程图;
图2是本发明实施例提供的基于大数据的产品推荐方法S102的具体实现流程图;
图3是本发明实施例提供的基于大数据的产品推荐方法S105的具体实现流程图;
图4是本发明实施例提供的基于大数据的产品推荐装置的结构框图;
图5是本发明实施例提供的服务器的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1示出了本发明实施例提供的基于大数据的产品推荐方法的实现流程,该方法流程包括步骤S101至S106。各步骤的具体实现原理如下。
在S101中,获取用于描述目标用户的目标用户矩阵,并调取多个用户等级对应的参考用户集合;所述用户等级对应的参考用户集合中包含多个归属于该用户等级的参考用户矩阵,和各参考用户矩阵对应的存储时间。
在本发明实施例中,服务器在接收到为一个目标用户推荐产品的任务后,会获取事先已生成的该目标用户的目标用户矩阵。由于这个目标用户矩阵是根据目标用户的身份数据(年龄、性别、地域、职业以及银行卡卡种等数据)以及历史交易数据(购买产品种类、月购买价格以及购买时间等)生成的,所以该目标用户矩阵相当于用户画像,可以用于描述目标用户,并表征目标用户的相关参数。
值得注意地,在本发明实施例中存在多个用户等级,每个用户等级都对应着一个参考用户集合,其中存储的各个参考用户矩阵类似于目标用户矩阵,都是都够起到用于描述某个用户的作用。可选地,参考用户矩阵对应的存储时间为:某个用户被确定了用户等级时,将该用户的参考用户矩阵存入服务器中某个参考用户集合的时间。
在S102中,根据各个所述用户等级分别对应的参考用户矩阵以及各参考用户矩阵对应的存储时间,计算所述目标用户矩阵与各个所述用户等级分别对应的参考用户矩阵的相似度,并将与所述目标用户矩阵的相似度最高的参考用户矩阵所对应的用户等级作为被选等级。
显然,通过各个用户等级对应的参考用户集合,我们可以通过判断出目标用户矩阵与哪个参考用户集合中的参考用户矩阵更接近,从而对目标用户矩阵进行分类。考虑到对历史趋势的总结以及对未来趋势的预测,本发明实施例在后续的分级过程中需要考虑时间因素,因此各个参考用户矩阵均对应一个存储时间。
作为本发明的一个实施例,如图2所示,上述S102包括:
S1021,计算各个参考用户矩阵对应的存储时间与当前时间的时间差,作为各个参考用户矩阵对应的时间差。
可以理解地,在本发明实施例为了体现出不同时间存储的参考用户矩阵对最终计算结果的影响不同,需要首先计算出各个存储时间与当前时间的时间差。
S1022,通过等级矩阵公式计算各个用户等级对应的等级矩阵。
可选地,所述等级矩阵公式为:其中,所述Pf为用户等级f对应的等级矩阵,所述vfi表示用户等级f对应的参考用户矩阵i,所述tfi表示用户等级f对应的参考用户矩阵i的所述时间差,所述Y为预设常数,所述n为所述用户等级f对应的参考用户矩阵的个数。
可以理解地,通过上述等级矩阵公式可以在计算等级矩阵时为不同的参考用户矩阵赋予不同的权重。显然,在上述等级矩阵公式中,参考用户矩阵对应的时间差越大,其在计算等级矩阵时的权重越小。
在本发明实施例中,通过对一个用户等级对应的各个参考用户矩阵的集成计算,确定出可用于表征该用户等级的等级矩阵。
S1023,计算所述目标用户矩阵与各个所述用户等级对应的等级矩阵的余弦相似度,作为所述目标用户矩阵与各个所述用户等级分别对应的参考用户矩阵的相似度。
在本发明实施例中,考虑到所述等级矩阵可能较为稀疏,所以采用余弦相似度计算公式计算所述目标用户矩阵与各个所述用户等级分别对应的参考用户矩阵的相似度。
在S103中,调取所述目标用户的数据值转移记录,并根据所述目标用户的数据值转移记录以及所述被选等级,计算所述目标用户对应的目标调度数据值。
在本发明实施例中,为了在后续的过程中确保目标用户可以购买被推荐的产品,不会出现由于产生过多的购买负担,导致对推荐结果不满意的情况出现,所以需要首先计算出目标用户对应的目标调度数据值。显然,本发明实施例中的目标调度数据值用于表示目标用户适宜调度的最高数额。
可选地,数据值转移记录包含单位时间流入数据值、当前总流入数据值以及当前总流出数据值。可以理解地,数据值转移记录相当于一个目标用户在服务器所提供账户中的流水。在这种情况下,S103的具体实现方式为:
首先,根据预设的用户等级与等级系数的对应关系,确定所述被选等级对应的等级系数。
最后,通过公式:Tran=Unit×ClassPre+(ClassPre-1)×(InTo-OutTo)计算所述目标用户对应的目标调度数据值,所述Tran表示所述目标调度数据值,所述Unit表示所述目标用户的单位时间流入数据值,所述ClassPre表示所述被选等级对应的等级系数,所述InTo表示所述目标用户的当前总流入数据值,所述OutTo表示所述目标用户的当前总流出数据值。
在本发明实施例中,单位时间流入数据值为当前时间之前的一个单位时间的流入数据值,该参数用于描述目标用户近期的资金流入情况,当前总流入数据值用于描述目标用户长期的资金流入情况,当前总流出数据值用于描述目标用户长期的资金流出情况。
可以理解地,最终计算出的目标调度数据值与等级系数、单位时间流入数据值以及当前总流入数据值成正比,目标调度数据值与当前总流出数据值成反比。因此,通过上文公式计算出的目标调度数据值由于考虑了多方面的因素,所以可以体现出目标用户对于产品在一个方面的接纳程度。
在S104中,通过预设的分类树模型对所述目标用户矩阵进行分类,得到所述目标用户矩阵对应的所述分类树模型的叶子节点,并根据预设的叶子节点与产品集合的对应关系,确定所述目标用户对应的目标产品集合。
可以理解地,一个预设的分类树模型包括多个节点,除了叶子节点以外的每一个节点肯定均对应一个分类规则,每个分类规则针对一个或多个数据类别进行分类。如上文所述,由于目标用户矩阵是根据目标用户的身份数据以及历史交易数据生成的,所以服务器自然可以从目标用户矩阵中解析出某个数据类别对应的数据值。所以通过对目标用户矩阵的解析,可以获取各个数据类别对应的数据值,再通过预设的分类树模型每一层中的一个节点对目标用户矩阵进行分类,最终会将目标用户矩阵分类至预设的分类树模型最下层的某一个叶子节点中。因此,进一步的通过叶子节点与产品集合的对应关系,就可以确定出目标用户矩阵对应的产品集合,并将其作为目标产品集合。
在本发明实施例中,包括目标产品集合在内的每一个产品集合中都包含了多个产品。
在S105中,调取所述目标产品集合中各个产品的负向数据值以及正向数据值,将所述目标产品集合中负向数据值不大于所述目标调度数据值的产品作为候选产品,并根据各个候选产品的正向数据值,计算各个候选产品对应的正向参数。
在本发明实施例中,在S105之前的步骤基本是以目标用户的数据为分类和分级的参考因素,但是为了提高最后推荐的产品与目标用户的适配度,本发明实施例在S105中,需要对目标产品集合中的产品的数据进行分析,并在分析后对产品进行筛选。
值得注意地,本发明实施例中的每个产品均对应2类数据值,分别为一个负向数据值以及多个正向数据值,其中,负向数据值表征用户购买该产品需支付的成本,正向数据值表征产品历史上为不同用户带来的价值,所以一个产品会对应多个正向数据值。在本发明实施例中,负向数据值以及正向数据值均是提前设定和评估好,已事先与产品对应后存入服务器。所以在确定了目标产品集合后,可以直接调取目标产品集合中各个产品的正向数据值以及负向数据值。
可以理解地,基于上文S103中对于目标调度数据值的介绍可知,一旦一个产品的负向数据值大于目标用户的目标调度数据值,则如果将这个产品推荐给目标用户,目标用户购买的概率会很小,对于推荐的满意度较差。因此,在此首先将对应的负向数据值大于目标用户的目标调度数据值的产品排除,只将目标产品集合中负向数据值不大于所述目标调度数据值的产品作为候选产品。并在后续过程中,根据各个候选产品的正向数据值对候选产品进行进一步的筛选。
作为本发明的一个实施例,如图3所示,上述S105包括:
S1051,将各个候选产品的正向数据值中最大值作为各个候选产品单独对应的正向极值,将全部的候选产品的正向数据值中最大值作为全部的候选产品共同对应的正向最大值。
可以理解地,根据上文介绍,一个候选产品均对应多个正向数据值,所以从中可以选择出一个最大值,作为该候选产品的正向极值。另一方面,所有的候选产品对应的正向数据值中会有一个总的最大值,也即是所有候选产品的正向极值中的一个最大值,本发明实施例将其作为全部的候选产品共同对应的正向最大值。
S1052,计算各个候选产品的正向数据值的平均值作为各个候选产品单独对应的正向数据平均值,计算全部的候选产品的正向数据值的总的平均值作为全部的候选产品共同对应的正向数据总平均值。
S1053,计算各个候选产品的正向数据值的方差作为各个候选产品单独对应的正向数据方差,计算全部的候选产品单独对应的正向数据方差的平均值作为全部的候选产品共同对应的正向方差平均值。
S1054,通过预设的参数计算公式计算各个候选产品对应的正向参数。
可选地,所述预设的参数计算公式为:其中,所述px为所述候选产品x对应的正向参数,所述rx为所述候选产品x对应的正向数据平均值,所述R为所述全部的候选产品共同对应的正向数据总平均值,所述sx为所述候选产品x的正向极值,所述S为所述全部的候选产品共同对应的正向最大值,所述tx为所述候选产品x的正向数据方差,所述T为全部的候选产品共同对应的正向方差平均值。
可以理解地,一个候选产品的正向数据方差可以反映出该产品为目标用户带来价值的稳定性,方差越大证明越不稳定,所以正向参数与正向数据方差成反比。此外,本发明实施例还同时考虑一个产品的正向数据平均值以及正向极值,从而从一个产品的平均价值和最大价值对最终计算出的正向参数产生正向影响。值得注意地,仅仅考虑一个产品的参数可能存在偏差较大的情况,所以需要把一个产品的参数放在所有产品的参数中进行衡量,因此本发明实施例都是计算一个产品的参数与其对应的全部产品的平均情况的比值,并根据该比值对正向参数进行计算。
在S106中,根据所述正向参数由大到小的顺序,从最大的所述正向参数开始依次将预设数量的所述正向参数对应的候选产品作为被选产品推荐给目标用户。
可选地,将所述候选产品按照其对应的正向参数由大到小的顺序进行排列,生成产品队列,并将所述产品队列中排在前预设数量的候选产品作为被选产品;根据各个被选产品在所述产品队列中的排列顺序生成推荐报表,并将所述推荐报表发送至所述目标用户对应的终端设备,以将所述被选产品推荐给目标用户。
可以理解地,通过获取用于描述目标用户的目标用户矩阵,并调取多个用户等级对应的参考用户集合,根据用户等级对应的参考用户集合确定目标用户对应的被选等级,以根据各个用户等级对应的数据智能化地确定目标用户的等级;调取并基于目标用户的数据值转移记录以及被选等级,计算目标用户的目标调度数据值,从而根据目标用户的相关历史数据设定一个其能调用的门限值,保证后续数据调度的安全性;通过预设的分类树模型对所述目标用户矩阵进行分类,确定目标用户对应的目标产品集合,调取所述目标产品集合中各个产品的负向数据值以及正向数据值,将目标产品集合中负向数据值不大于目标调度数据值的产品作为候选产品,并根据各个候选产品的正向数据值,计算各个候选产品对应的正向参数,以在通过对各个候选产品的产品数据进行分析后确定多个适合目标用户的候选产品;根据所述正向参数由大到小的顺序,从最大的所述正向参数开始依次将预设数量的所述正向参数对应的候选产品作为被选产品推荐给目标用户,以同时兼顾用户数据以及产品数据,提高对于产品推荐的准确性。
对应于上文实施例所述的基于大数据的产品推荐方法,图4示出了本发明实施例提供的基于大数据的产品推荐装置的结构框图,为了便于说明,仅示出了与本发明实施例相关的部分。
参照图4,该装置包括:
获取模块401,用于获取用于描述目标用户的目标用户矩阵,并调取多个用户等级对应的参考用户集合;所述用户等级对应的参考用户集合中包含多个归属于该用户等级的参考用户矩阵,和各参考用户矩阵对应的存储时间;
分级模块402,用于根据各个所述用户等级分别对应的参考用户矩阵以及各参考用户矩阵对应的存储时间,计算所述目标用户矩阵与各个所述用户等级分别对应的参考用户矩阵的相似度,并将与所述目标用户矩阵的相似度最高的参考用户矩阵所对应的用户等级作为被选等级;
调取模块403,用于调取所述目标用户的数据值转移记录,并根据所述目标用户的数据值转移记录以及所述被选等级,计算所述目标用户对应的目标调度数据值;
分类模块404,用于通过预设的分类树模型对所述目标用户矩阵进行分类,得到所述目标用户矩阵对应的所述分类树模型的叶子节点,并根据预设的叶子节点与产品集合的对应关系,确定所述目标用户对应的目标产品集合;
计算模块405,用于调取所述目标产品集合中各个产品的负向数据值以及正向数据值,将所述目标产品集合中负向数据值不大于所述目标调度数据值的产品作为候选产品,并根据各个候选产品的正向数据值,计算各个候选产品对应的正向参数;
推荐模块406,用于根据所述正向参数由大到小的顺序,从最大的所述正向参数开始依次将预设数量的所述正向参数对应的候选产品作为被选产品推荐给目标用户。
可选地,所述分级模块,具体用于:
计算各个参考用户矩阵对应的存储时间与当前时间的时间差,作为各个参考用户矩阵对应的时间差;
通过公式:计算各个用户等级对应的等级矩阵,其中,所述Pf为用户等级f对应的等级矩阵,所述vfi表示用户等级f对应的参考用户矩阵i,所述tfi表示用户等级f对应的参考用户矩阵i的所述时间差,所述Y为预设常数,所述n为所述用户等级f对应的参考用户矩阵的个数;
计算所述目标用户矩阵与各个所述用户等级对应的等级矩阵的余弦相似度,作为所述目标用户矩阵与各个所述用户等级分别对应的参考用户矩阵的相似度。
可选地,所述数据值转移记录包含单位时间流入数据值、当前总流入数据值以及当前总流出数据值,所述调度模块,具体用于:
根据预设的用户等级与等级系数的对应关系,确定所述被选等级对应的等级系数;
通过公式:Tran=Unit×ClassPre+(ClassPre-1)×(InTo-OutTo)计算所述目标用户对应的目标调度数据值,所述Tran表示所述目标调度数据值,所述Unit表示所述目标用户的单位时间流入数据值,所述ClassPre表示所述被选等级对应的等级系数,所述InTo表示所述目标用户的当前总流入数据值,所述OutTo表示所述目标用户的当前总流出数据值。
可选地,所述根据各个候选产品的正向数据值,计算各个候选产品对应的正向参数,包括:
将各个候选产品的正向数据值中最大值作为各个候选产品单独对应的正向极值,将全部的候选产品的正向数据值中最大值作为全部的候选产品共同对应的正向最大值;
计算各个候选产品的正向数据值的平均值作为各个候选产品单独对应的正向数据平均值,计算全部的候选产品的正向数据值的总的平均值作为全部的候选产品共同对应的正向数据总平均值;
计算各个候选产品的正向数据值的方差作为各个候选产品单独对应的正向数据方差,计算全部的候选产品单独对应的正向数据方差的平均值作为全部的候选产品共同对应的正向方差平均值;
通过公式:计算各个候选产品对应的正向参数,所述px为所述候选产品x对应的正向参数,所述rx为所述候选产品x对应的正向数据平均值,所述R为所述全部的候选产品共同对应的正向数据总平均值,所述sx为所述候选产品x的正向极值,所述S为所述全部的候选产品共同对应的正向最大值,所述tx为所述候选产品x的正向数据方差,所述T为全部的候选产品共同对应的正向方差平均值。
可选地,所述将预设数量的最大的所述正向参数对应的候选产品作为被选产品推荐给目标用户,包括:
将所述候选产品按照其对应的正向参数由大到小的顺序进行排列,生成产品队列,并将所述产品队列中排在前预设数量的候选产品作为被选产品;
根据各个被选产品在所述产品队列中的排列顺序生成推荐报表,并将所述推荐报表发送至所述目标用户对应的终端设备,以将所述被选产品推荐给目标用户。
可以理解地,本发明实施例
通过获取用于描述目标用户的目标用户矩阵,并调取多个用户等级对应的参考用户集合,根据用户等级对应的参考用户集合确定目标用户对应的被选等级,以根据各个用户等级对应的数据智能化地确定目标用户的等级;调取并基于目标用户的数据值转移记录以及被选等级,计算目标用户的目标调度数据值,从而根据目标用户的相关历史数据设定一个其能调用的门限值,保证后续数据调度的安全性;通过预设的分类树模型对所述目标用户矩阵进行分类,确定目标用户对应的目标产品集合,调取所述目标产品集合中各个产品的负向数据值以及正向数据值,将目标产品集合中负向数据值不大于目标调度数据值的产品作为候选产品,并根据各个候选产品的正向数据值,计算各个候选产品对应的正向参数,以在通过对各个候选产品的产品数据进行分析后确定多个适合目标用户的候选产品;根据所述正向参数由大到小的顺序,从最大的所述正向参数开始依次将预设数量的所述正向参数对应的候选产品作为被选产品推荐给目标用户,以同时兼顾用户数据以及产品数据,提高对于产品推荐的准确性。
图5是本发明一实施例提供的服务器的示意图。如图5所示,该实施例的服务器5包括:处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52,例如基于大数据的产品推荐程序。所述处理器50执行所述计算机程序52时实现上述各个基于大数据的产品推荐方法实施例中的步骤,例如图1所示的步骤101至106。或者,所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能,例如图4所示单元401至406的功能。
示例性的,所述计算机程序52可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器51中,并由所述处理器50执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序52在所述服务器5中的执行过程。
所述服务器5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。所述服务器可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是服务器5的示例,并不构成对服务器5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述服务器还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述服务器5的内部存储单元,例如服务器5的硬盘或内存。所述存储器51也可以是所述服务器5的外部存储设备,例如所述服务器5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(Flash Card)等。进一步地,所述存储器51还可以既包括所述服务器5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述服务器所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部的或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部的单元来实现本实施例方案的目的。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部的或部分流程,也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计算机可读存储介质中。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于大数据的产品推荐方法,其特征在于,包括:
获取用于描述目标用户的目标用户矩阵,并调取多个用户等级分别对应的参考用户集合;所述用户等级对应的参考用户集合中包含多个归属于该用户等级的参考用户矩阵,和各参考用户矩阵对应的存储时间;
根据各个所述用户等级分别对应的参考用户矩阵以及各参考用户矩阵对应的存储时间,计算所述目标用户矩阵与各个所述用户等级分别对应的参考用户矩阵的相似度,并将与所述目标用户矩阵的相似度最高的参考用户矩阵所对应的用户等级作为被选等级;
调取所述目标用户的数据值转移记录,并根据所述目标用户的数据值转移记录以及所述被选等级,计算所述目标用户对应的目标调度数据值;
通过预设的分类树模型对所述目标用户矩阵进行分类,得到所述目标用户矩阵对应的所述分类树模型的叶子节点,并根据预设的叶子节点与产品集合的对应关系,确定所述目标用户对应的产品集合,作为目标产品集合;
调取所述目标产品集合中各个产品的负向数据值以及正向数据值,将所述目标产品集合中负向数据值不大于所述目标调度数据值的产品作为候选产品,并根据各个候选产品的正向数据值,计算各个候选产品对应的正向参数;
根据所述正向参数由大到小的顺序,从最大的所述正向参数开始依次将预设数量的所述正向参数对应的候选产品作为被选产品推荐给目标用户;
所述根据各个所述用户等级分别对应的参考用户矩阵以及各参考用户矩阵对应的存储时间,计算所述目标用户矩阵与各个所述用户等级分别对应的参考用户矩阵的相似度,包括:
计算各个参考用户矩阵对应的存储时间与当前时间的时间差,作为各个参考用户矩阵对应的时间差;
通过公式:计算各个用户等级对应的等级矩阵,其中,Pf为用户等级f对应的等级矩阵,vfi表示用户等级f对应的参考用户矩阵i,tfi表示用户等级f对应的参考用户矩阵i的所述时间差,Y为预设常数,n为所述用户等级f对应的参考用户矩阵的个数;
计算所述目标用户矩阵与各个所述用户等级对应的等级矩阵的余弦相似度,作为所述目标用户矩阵与各个所述用户等级分别对应的参考用户矩阵的相似度;
所述数据值转移记录包含单位时间流入数据值、当前总流入数据值以及当前总流出数据值;
所述根据所述目标用户的数据值转移记录以及所述被选等级,计算所述目标用户对应的目标调度数据值,包括:
根据预设的用户等级与等级系数的对应关系,确定所述被选等级对应的等级系数;
通过公式:Tran=Unit×ClassPre+(ClassPre-1)×(InTo-OutTo)计算所述目标用户对应的目标调度数据值,其中,Tran表示所述目标调度数据值,Unit表示所述目标用户的单位时间流入数据值,ClassPre表示所述被选等级对应的等级系数,InTo表示所述目标用户的当前总流入数据值,OutTo表示所述目标用户的当前总流出数据值;
所述根据各个候选产品的正向数据值,计算各个候选产品对应的正向参数,包括:
将各个候选产品的正向数据值中最大值作为各个候选产品单独对应的正向极值,将全部的候选产品的正向数据值中最大值作为全部的候选产品共同对应的正向最大值;
计算各个候选产品的正向数据值的平均值作为各个候选产品单独对应的正向数据平均值,计算全部的候选产品的正向数据值的总的平均值作为全部的候选产品共同对应的正向数据总平均值;
计算各个候选产品的正向数据值的方差作为各个候选产品单独对应的正向数据方差,计算全部的候选产品单独对应的正向数据方差的平均值作为全部的候选产品共同对应的正向方差平均值;
2.如权利要求1所述的基于大数据的产品推荐方法,其特征在于,所述根据所述正向参数由大到小的顺序,从最大的所述正向参数开始依次将预设数量的所述正向参数对应的候选产品作为被选产品推荐给目标用户,包括:
将所述候选产品按照其对应的正向参数由大到小的顺序进行排列,生成产品队列,并将所述产品队列中排在前预设数量的候选产品作为被选产品;
根据各个被选产品在所述产品队列中的排列顺序生成推荐报表,并将所述推荐报表发送至所述目标用户对应的终端设备,以将所述被选产品推荐给目标用户。
3.一种基于大数据的产品推荐装置,其特征在于,所述装置包括:
获取模块,用于获取用于描述目标用户的目标用户矩阵,并调取多个用户等级对应的参考用户集合;所述用户等级对应的参考用户集合中包含多个归属于该用户等级的参考用户矩阵,和各参考用户矩阵对应的存储时间;
分级模块,用于根据各个所述用户等级分别对应的参考用户矩阵以及各参考用户矩阵对应的存储时间,计算所述目标用户矩阵与各个所述用户等级分别对应的参考用户矩阵的相似度,并将与所述目标用户矩阵的相似度最高的参考用户矩阵所对应的用户等级作为被选等级;
调取模块,用于调取所述目标用户的数据值转移记录,并根据所述目标用户的数据值转移记录以及所述被选等级,计算所述目标用户对应的目标调度数据值;
分类模块,用于通过预设的分类树模型对所述目标用户矩阵进行分类,得到所述目标用户矩阵对应的所述分类树模型的叶子节点,并根据预设的叶子节点与产品集合的对应关系,确定所述目标用户对应的目标产品集合;
计算模块,用于调取所述目标产品集合中各个产品的负向数据值以及正向数据值,将所述目标产品集合中负向数据值不大于所述目标调度数据值的产品作为候选产品,并根据各个候选产品的正向数据值,计算各个候选产品对应的正向参数;
推荐模块,用于根据所述正向参数由大到小的顺序,从最大的所述正向参数开始依次将预设数量的所述正向参数对应的候选产品作为被选产品推荐给目标用户;
所述分级模块,具体用于:
计算各个参考用户矩阵对应的存储时间与当前时间的时间差,作为各个参考用户矩阵对应的时间差;
通过公式:计算各个用户等级对应的等级矩阵,其中,Pf为用户等级f对应的等级矩阵,vfi表示用户等级f对应的参考用户矩阵i,tfi表示用户等级f对应的参考用户矩阵i的所述时间差,Y为预设常数,n为所述用户等级f对应的参考用户矩阵的个数;
计算所述目标用户矩阵与各个所述用户等级对应的等级矩阵的余弦相似度,作为所述目标用户矩阵与各个所述用户等级分别对应的参考用户矩阵的相似度;
所述数据值转移记录包含单位时间流入数据值、当前总流入数据值以及当前总流出数据值,所述调取模块,具体用于:
根据预设的用户等级与等级系数的对应关系,确定所述被选等级对应的等级系数;
通过公式:Tran=Unit×ClassPre+(ClassPre-1)×(InTo-OutTo)计算所述目标用户对应的目标调度数据值,其中,Tran表示所述目标调度数据值,Unit表示所述目标用户的单位时间流入数据值,ClassPre表示所述被选等级对应的等级系数,InTo表示所述目标用户的当前总流入数据值,OutTo表示所述目标用户的当前总流出数据值;
所述计算模块,具体用于:
将各个候选产品的正向数据值中最大值作为各个候选产品单独对应的正向极值,将全部的候选产品的正向数据值中最大值作为全部的候选产品共同对应的正向最大值;
计算各个候选产品的正向数据值的平均值作为各个候选产品单独对应的正向数据平均值,计算全部的候选产品的正向数据值的总的平均值作为全部的候选产品共同对应的正向数据总平均值;
计算各个候选产品的正向数据值的方差作为各个候选产品单独对应的正向数据方差,计算全部的候选产品单独对应的正向数据方差的平均值作为全部的候选产品共同对应的正向方差平均值;
4.一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至2任一项所述方法的步骤。
5.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至2任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910424733.0A CN110264306B (zh) | 2019-05-21 | 2019-05-21 | 基于大数据的产品推荐方法、装置、服务器及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910424733.0A CN110264306B (zh) | 2019-05-21 | 2019-05-21 | 基于大数据的产品推荐方法、装置、服务器及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110264306A CN110264306A (zh) | 2019-09-20 |
CN110264306B true CN110264306B (zh) | 2023-06-30 |
Family
ID=67914967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910424733.0A Active CN110264306B (zh) | 2019-05-21 | 2019-05-21 | 基于大数据的产品推荐方法、装置、服务器及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110264306B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852785B (zh) * | 2019-10-12 | 2023-11-21 | 中国平安人寿保险股份有限公司 | 用户分级方法、装置及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017041541A1 (zh) * | 2015-09-08 | 2017-03-16 | 北京邮电大学 | 推送推荐信息的方法、服务器及存储介质 |
CN108550078A (zh) * | 2018-05-09 | 2018-09-18 | 平安普惠企业管理有限公司 | 贷款产品的推荐方法及终端设备 |
CN108681970A (zh) * | 2018-05-28 | 2018-10-19 | 深圳市零度智控科技有限公司 | 基于大数据的理财产品推送方法、***及计算机存储介质 |
CN108734587A (zh) * | 2018-05-22 | 2018-11-02 | 深圳壹账通智能科技有限公司 | 金融产品的推荐方法及终端设备 |
CN108804564A (zh) * | 2018-05-22 | 2018-11-13 | 深圳壹账通智能科技有限公司 | 金融产品的组合推荐方法及终端设备 |
-
2019
- 2019-05-21 CN CN201910424733.0A patent/CN110264306B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017041541A1 (zh) * | 2015-09-08 | 2017-03-16 | 北京邮电大学 | 推送推荐信息的方法、服务器及存储介质 |
CN108550078A (zh) * | 2018-05-09 | 2018-09-18 | 平安普惠企业管理有限公司 | 贷款产品的推荐方法及终端设备 |
CN108734587A (zh) * | 2018-05-22 | 2018-11-02 | 深圳壹账通智能科技有限公司 | 金融产品的推荐方法及终端设备 |
CN108804564A (zh) * | 2018-05-22 | 2018-11-13 | 深圳壹账通智能科技有限公司 | 金融产品的组合推荐方法及终端设备 |
CN108681970A (zh) * | 2018-05-28 | 2018-10-19 | 深圳市零度智控科技有限公司 | 基于大数据的理财产品推送方法、***及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110264306A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858740B (zh) | 企业风险的评估方法、装置、计算机设备及存储介质 | |
AU2021232839B2 (en) | Updating Attribute Data Structures to Indicate Trends in Attribute Data Provided to Automated Modelling Systems | |
WO2019214248A1 (zh) | 一种风险评估方法、装置、终端设备及存储介质 | |
WO2019205325A1 (zh) | 确定用户风险等级的方法、终端设备及计算机可读存储介质 | |
CN109242612B (zh) | 一种产品推荐的方法及设备 | |
WO2019061976A1 (zh) | 基金产品推荐方法、装置、终端设备及存储介质 | |
JP6547070B2 (ja) | プッシュ情報粗選択ソーティングの方法、デバイス、およびコンピュータ記憶媒体 | |
CN108683530A (zh) | 多维度数据的数据分析方法、装置及存储介质 | |
CN109299356B (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
EP3961384A1 (en) | Automatic derivation of software engineering artifact attributes from product or service development concepts | |
CN109325818B (zh) | 一种产品推荐方法、计算机可读存储介质及终端设备 | |
CN111340244A (zh) | 预测方法、训练方法、装置、服务器及介质 | |
CN112116245A (zh) | 信贷风险评估方法、装置、计算机设备及存储介质 | |
CN110750658A (zh) | 一种媒体资源的推荐方法、服务器及计算机可读存储介质 | |
WO2023000491A1 (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
CN112184046A (zh) | 广告业务用户价值评估方法、装置、设备及存储介质 | |
CN110866698A (zh) | 用于评定服务提供方的服务分值的装置 | |
CN114782201A (zh) | 股票推荐方法、装置、计算机设备和存储介质 | |
CN110264306B (zh) | 基于大数据的产品推荐方法、装置、服务器及介质 | |
CN116737373A (zh) | 负载均衡方法、装置、计算机设备、存储介质 | |
CN109460778B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
CN110717653A (zh) | 风险识别方法及装置和电子设备 | |
CN110827137A (zh) | 信用评价方法和装置 | |
CN114066513A (zh) | 一种用户分类的方法和装置 | |
CN109472454B (zh) | 活动评估方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |