CN113076484A - 基于深度学习的产品推荐方法、装置、设备和存储介质 - Google Patents
基于深度学习的产品推荐方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113076484A CN113076484A CN202110459644.7A CN202110459644A CN113076484A CN 113076484 A CN113076484 A CN 113076484A CN 202110459644 A CN202110459644 A CN 202110459644A CN 113076484 A CN113076484 A CN 113076484A
- Authority
- CN
- China
- Prior art keywords
- product
- recommended
- target user
- products
- user
- 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
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
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种基于深度学习的产品推荐方法、装置、设备和存储介质,该方法包括,确定目标用户对应的候选产品库;利用词向量模型,协同过滤技术,隐含语义模型和预设的业务推荐规则,从候选产品库中筛选得到多个待推荐产品;利用预先构建的逻辑回归模型,梯度提升决策树和深度学习模型分析各待推荐产品的产品特征和目标用户的用户特征,得到各待推荐产品的预测响应概率;根据预测响应概率将部分待推荐产品推荐给用户。本方案利用深度学习技术对目标用户的用户特征进行分析,能够更深层次地挖掘特定用户对各个产品的潜在偏好,从而提高产品推荐的准确度。
Description
技术领域
本发明涉及深度学习技术领域,特别涉及一种基于深度学习的产品推荐方法、装置、设备和存储介质。
背景技术
银行常常需要向用户推荐各种产品,如***,理财,基金等,目前的产品推荐的方法,一般是采用传统的分类算法,按照用户的属性将不同用户进行分类,如按年收入划分不同区间,按不同职业分类,然后为特定类别的用户推荐对应的产品。
这种方法存在的问题是,同一类别的不同用户对各个产品的偏好一般并不相同,而传统的分类算法只能预测每个类别用户可能偏好的产品,无法预测每个用户的个性化的偏好,最终获得的推荐结果的准确度较低,推荐的产品往往不符合用户实际的偏好。
发明内容
针对上述现有技术存在的问题,本申请提供一种基于深度学习的产品推荐方法、装置、设备和存储介质,以提高产品推荐技术的准确度。
本申请第一方面提供一种基于深度学习的产品推荐方法,包括:
确定目标用户对应的候选产品库;其中,所述候选产品库包含多个所述目标用户未购买的产品;
利用词向量模型,协同过滤技术,隐含语义模型和预设的业务推荐规则,从所述候选产品库中筛选得到多个待推荐产品;
针对每一个所述待推荐产品,利用预先构建的逻辑回归模型,梯度提升决策树和深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的预测响应概率;其中,所述用户特征根据表征目标用户基本信息的第一要素、表征目标用户的产品持有情况的第二要素和表征目标用户的消费偏好的第三要素确定;
根据各个所述待推荐产品的预测响应概率,按由大至小的顺序对各个所述待推荐产品进行排序,得到待推荐列表;
按所述目标用户设置的免打扰策略向所述目标用户推送所述待推荐列表中前N个待推荐产品的产品信息。
可选的,所述利用词向量模型,协同过滤技术,隐含语义模型和预设的业务推荐规则,从所述候选产品库中筛选得到多个待推荐产品,包括:
以所述目标用户的已购买产品作为训练语料,训练得到词向量模型;
利用所述词向量模型计算得到所述候选产品库中每一个产品对应的产品向量;
根据所述候选产品库中各个产品的产品向量和所述已购买产品的产品向量之间的相似度,从所述候选产品库中选取第一推荐产品;其中,所述第一推荐产品的产品向量和所述已购买产品的产品向量之间的相似度大于第一阈值;
确定出多个和所述目标用户相似的相似用户;
将所述候选产品库中所述相似用户已购买的产品,确定为第二推荐产品;
获得包含所述目标用户在内的多个用户针对所述候选产品库中部分产品的交互记录,并根据所述交互记录生成产品评分矩阵;其中,所述产品评分矩阵包含所述多个用户对所述候选产品库中部分产品的评分;
对所述产品评分矩阵进行矩阵分解,得到用户矩阵和产品矩阵;
根据所述用户矩阵和所述产品矩阵,计算得到所述目标用户针对所述候选产品库的每一个产品的评分;
将所述候选产品库中,目标用户的评分大于第二阈值的产品确定为第三推荐产品;
确定所述候选产品库中每一个产品所属业务条线;
将所述候选产品库中,所属业务条线为业务推荐规则指定的优先推荐条线的产品,确定为第四推荐产品;
将所述第一推荐产品,所述第二推荐产品,所述第三推荐产品和所述第四推荐产品均确定为待推荐产品。
可选的,所述利用预先构建的逻辑回归模型,梯度提升决策树和深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的预测响应概率,包括:
利用预先构建的逻辑回归模型分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的第一响应概率;
利用预先构建的梯度提升决策树分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的第二响应概率;
利用预先构建的深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的第三响应概率;
将所述待推荐产品的第一响应概率,第二响应概率和第三响应概率进行加权平均,得到所述待推荐产品的预测响应概率。
可选的,所述按所述目标用户设置的免打扰策略向所述目标用户推送所述待推荐列表中前N个待推荐产品的产品信息,包括:
判断当前时刻是否位于所述目标用户设置的免打扰策略所指定的可推送时间段内;
若当前时刻位于所述可推送时间段内,计算前一次推送的时刻至当前时刻之间的时间间隔;
若所述时间间隔大于或等于所述免打扰策略所指定间隔阈值,获取所述待推荐列表中任意一个未推荐产品的产品信息;其中,未推荐产品指代所述待推荐列表的前N个产品中,产品信息尚未被推送至所述目标用户的产品;
通过预设的推送渠道,将获取到的产品信息推送至所述目标用户,以完成一次推送。
可选的,所述按所述目标用户设置的免打扰策略逐一向所述目标用户推送所述待推荐列表中各个所述待推荐产品的产品信息之后,还包括:
获取所述目标用户的反馈信息;其中,所述反馈信息用于表征所述目标用户对推送的产品信息的反馈情况;
根据所述目标用户的反馈信息,更新所述逻辑回归模型,所述梯度提升决策树和所述深度学习模型。
本申请第二方面提供一种基于深度学习的产品推荐装置,包括:
确定单元,用于确定目标用户对应的候选产品库;其中,所述候选产品库包含多个所述目标用户未购买的产品;
筛选单元,用于利用词向量模型,协同过滤技术,隐含语义模型和预设的业务推荐规则,从所述候选产品库中筛选得到多个待推荐产品;
分析单元,用于针对每一个所述待推荐产品,利用预先构建的逻辑回归模型,梯度提升决策树和深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的预测响应概率;其中,所述用户特征根据表征目标用户基本信息的第一要素、表征目标用户的产品持有情况的第二要素和表征目标用户的消费偏好的第三要素确定;
排序单元,用于根据各个所述待推荐产品的预测响应概率,按由大至小的顺序对各个所述待推荐产品进行排序,得到待推荐列表;
推送单元,用于按所述目标用户设置的免打扰策略向所述目标用户推送所述待推荐列表中前N个待推荐产品的产品信息。
可选的,所述分析单元利用预先构建的逻辑回归模型,梯度提升决策树和深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的预测响应概率时,具体用于:
利用预先构建的逻辑回归模型分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的第一响应概率;
利用预先构建的梯度提升决策树分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的第二响应概率;
利用预先构建的深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的第三响应概率;
将所述待推荐产品的第一响应概率,第二响应概率和第三响应概率进行加权平均,得到所述待推荐产品的预测响应概率
可选的,所述装置还包括更新单元,用于:
获取所述目标用户的反馈信息;其中,所述反馈信息用于表征所述目标用户对推送的产品信息的反馈情况;
根据所述目标用户的反馈信息,更新所述逻辑回归模型,所述梯度提升决策树和所述深度学习模型。
本申请第三方面提供一种计算机存储介质,用于存储计算机程序,所述计算机程序被执行时,具体用于实现本申请第一方面任意一项所提供的基于深度学习的产品推荐方法。
本申请第四方面提供一种电子设备,包括存储器和处理器;
其中,所述存储器用于存储计算机程序;
所述处理器用于执行所述计算机程序,具体用于实现本申请第一方面任意一项所提供的基于深度学习的产品推荐方法。
本申请提供一种基于深度学习的产品推荐方法、装置、设备和存储介质,该方法包括,确定目标用户对应的候选产品库;其中,候选产品库包含多个目标用户未购买的产品;利用词向量模型,协同过滤技术,隐含语义模型和预设的业务推荐规则,从候选产品库中筛选得到多个待推荐产品;针对每一个待推荐产品,利用预先构建的逻辑回归模型,梯度提升决策树和深度学习模型分析待推荐产品的产品特征和目标用户的用户特征,得到待推荐产品的预测响应概率;其中,用户特征根据表征目标用户基本信息的第一要素、表征目标用户的产品持有情况的第二要素和表征目标用户的消费偏好的第三要素确定;根据各个待推荐产品的预测响应概率,按由大至小的顺序对各个待推荐产品进行排序,得到待推荐列表;按目标用户设置的免打扰策略向目标用户推送待推荐列表中前N个待推荐产品的产品信息。本方案利用深度学习技术对目标用户的用户特征进行分析,能够更深层次地挖掘特定用户对各个产品的潜在偏好,从而提高产品推荐的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种基于深度学习的产品推荐方法的流程图;
图2为本申请实施例提供的一种基于深度学习的产品推荐装置的结构示意图;
图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前客户经营模式仍然停留在以产品为中心的模式,业务部门掌握的各自的营销渠道,对客户造成重复营销,同时难以掌握全面洞察用户需求。缺乏一个以客户为中心的智能推荐引擎。因此,亟需构建一个统一的以客户为中心的银行产品智能推荐引擎,优化客户体验,减少营销成本。
在技术实施方面,现阶段的产品推荐主要还是利用传统的分类算法,将用户按部分属性进行分类,并预测各个类别的用户偏好的产品,然后将偏好的产品推荐给该类别的所有用户,泛化能力弱、灵活性较差。因此,亟需探索深度学习模型在推荐***方面的应用,以提升模型的泛化能力以及自动学习能力。
并且,目前的产品推荐技术中,也没有对各渠道客户的营销过程记录进行统一整合,缺乏对营销进行过程监控和效果评估,无从掌握每次营销的用户反馈,缺乏优化营销模型以及策略的依据。因此,亟需构建统一营销过程记录标准,并纳入数据仓库,形成统一的全渠道历史营销客户库,并实时更新客户反馈情况,以全面支持营销策略的迭代优化。
针对上述现有技术存在的问题,本申请实施例提供一种基于深度学习的产品推荐方法,本申请提供的方法具有如下的效果:
一方面,针对***、分期、个贷、存款、理财、基金等产品,提供了以客户为中心的多产品智能推荐引擎,自动为客户生成最优营销方案和推送策略,满足客户多样化需求和偏好,服务大众客户,升级客户体验的同时避免同质化竞争。
第二方面,在推荐算法上,创新运用Google推出的Wide&Deep深度学习模型(一种将浅层模型和深层模型融合的深度学习模型),自动挖掘客户深层次行为特征,深度发掘数据中潜在的模式,大幅提升了模型的泛化与学习能力。
第三方面,统筹整合打通全渠道数据,搭建营销成效监测闭环体系,全方位统筹营销活动效果,对模型和策略的调优起到重要的反馈作用。实现从建模、营销、反馈到不断优化的自动化营销闭环。
请参考图1,本申请提供的基于深度学习的产品推荐方法具体可以包括如下步骤:
S101、确定目标用户对应的候选产品库。
其中,候选产品库包含多个目标用户未购买的产品。
目标用户,可以是任意一个需要进行产品推荐的用户。
候选产品库可以通过如下方式确定:
针对需要进行产品推荐的目标用户,首先获取该用户已购买过的所有产品,然后,从当前运营的所有产品中,删除那些目标用户已购买过的所有产品,剩下的产品就构成目标用户的候选产品库,也就是将所有目标用户未购买过的产品的集合确定为目标用户的候选产品库。
S102、利用词向量模型,协同过滤技术,隐含语义模型和预设的业务推荐规则,从候选产品库中筛选得到多个待推荐产品。
在步骤S102中,可以分别利用词向量模型,协同过滤技术,隐含语义模型和预设的业务推荐规则四种方式分别对候选产品库进行筛选,最后将这四种方式筛选后得到的所有产品,均确定为待推荐产品。
也就是说,通过步骤S102,本方法可以针对客户对应的候选产品库,首先利用词向量模型、协同过滤、隐含语义模型(Latent FactorModel,LFM)模型以及银行的各个业务条线所预设的业务推荐规则,对候选产品库进行粗筛选,从而快速准确地筛选掉不相关的物品,以节省后续排序层所消耗的计算资源。
其中,词向量模型,可以理解为一种嵌入(embedding)技术,指的是将目标用户历史购买序列数据(其中包含目标用户已购买的所有产品)当成语料,训练word2vec(词-向量)模型,训练好的word2vec模型会包含目标用户已购买的每个产品的嵌入(embedding)向量,并且,利用训练好的word2vec模型可以进一步计算得到候选产品库中所有产品对应的嵌入向量,其中,每个产品对应的嵌入向量,也可以称为该产品的产品向量。
最后,可以通过计算每两个产品的产品向量的相似度,就可以从候选产品库中筛选出多个目标用户(即客户)可能感兴趣的产品,即生成客户最感兴趣Top-N产品,将其作为推荐产品中的一部分。
S103、利用预先构建的逻辑回归模型,梯度提升决策树和深度学习模型分析待推荐产品的产品特征和目标用户的用户特征,得到待推荐产品的预测响应概率。
其中,用户特征根据表征目标用户基本信息的第一要素、表征目标用户的产品持有情况的第二要素和表征目标用户的消费偏好的第三要素确定。
需要说明的是,步骤S103是对步骤S102中确定的每一项待推荐产品执行,即每一项待推荐产品,均会通过步骤S103确定出一个预测响应概率。
第一要素具体可以包括,目标用户的职业,住址,年龄,姓名,性别,最近一段时间的身体健康情况等个人信息。
第二要素可以包括目标用户当前持有的各项产品的产品信息,例如,目标用户具体持有哪些产品,其中这些产品的类别分布的情况,例如有几项***类产品,有几项基金类产品等,另外还可以包括用户对每一项产品的消费或使用情况,如对于***产品,第二要素中可以包括目标用户在最近若干个月内用***消费了多少金额,对于基金产品,第二要素中可以包括目标用户购买的每一项基金的额度。
第三要素,可以包括能够反映目标用户的消费偏好的信息,例如,目标用户在最近一段时间内收藏的产品,目标用户最近一个月内浏览次数最多的前K项产品,目标用户最近一个月内浏览的文章的主题等信息。
在步骤S103中,可以分别用逻辑回归模型,梯度提升决策树和深度学习模型三种算法对待推荐产品的产品特征和目标用户的用户特征进行分析,然后综合三种算法的分析结果,得到待推荐产品的预测响应概率。
待推荐产品的预测响应概率,可以认为是目标用户对待推荐产品的产品信息感兴趣的概率,或者说是将待推荐产品的产品信息推送给目标用户后,目标用户浏览该产品信息的概率。
通过步骤S103,本方案能够基于客户基本信息、产品持有情况、消费偏好等因子,构建逻辑回归、GBDT以及深度学习Wide&Deep模型,训练得出目标用户对各产品的响应概率,从而实现多产品精准排序。
S104、根据各个待推荐产品的预测响应概率,按由大至小的顺序对各个待推荐产品进行排序,得到待推荐列表。
排序完成后,待推荐列表中的首个产品,为所有待推荐产品中预测响应概率最大的产品,第二个产品的预测响应概率则仅次于首个产品,后续的产品顺序以此类推。
S105、按目标用户设置的免打扰策略向目标用户推送待推荐列表中前N个待推荐产品的产品信息。
N是预设的正整数,具体可以根据候选产品库中产品的数量而设定,例如,当候选产品库包含20个产品时,N可以设定为5。
上述实施例中,步骤S102,即利用词向量模型,协同过滤技术,隐含语义模型和预设的业务推荐规则,从候选产品库中筛选得到多个待推荐产品,具体可以按如下过程执行。
首先是利用词向量模型筛选产品的过程:
在该过程中,先以目标用户的已购买产品作为训练语料,训练得到词向量模型,具体的训练方法可以参考相关的现有技术,此处不做限定。
训练完成后,利用词向量模型计算得到候选产品库中每一个产品对应的产品向量。
根据候选产品库中各个产品的产品向量和已购买产品的产品向量之间的相似度,从候选产品库中选取第一推荐产品。
已购买产品的产品向量可以从训练好的词向量模型中获得。
其中,第一推荐产品的产品向量和已购买产品的产品向量之间的相似度大于第一阈值。
具体来说,可以针对候选产品库的每一个产品执行如下的判断过程:
计算该产品的产品向量,和目标用户已购买的每一个产品的产品向量的相似度,得到多个相似度,假设目标用户已购买了P个产品,则可以计算得到该产品和P个已购买产品的产品向量之间的相似度,也就是得到P个相似度,然后,判断所有相似度中是否有大于第一阈值的相似度,若有,就将候选产品库中的该产品确定为第一推荐产品,若每个相似度均不大于第一阈值,则该产品不是第一推荐产品。
利用协同过滤技术筛选产品的方法如下:
首先确定出多个和目标用户相似的相似用户。
具体的确定方式有多种,例如,可以将和目标用户在同一企业工作,且年均收入接近的用户,确定为目标用户的相似用户。
将候选产品库中相似用户已购买的产品,确定为第二推荐产品。
具体来说,可以获得每一个相似用户在最近若干个月内购买过的产品,然后逐一在候选产品库中查找这些相似用户已购买过的产品,然后将查找到的产品确定为第二推荐产品。
例如,候选产品库包含A,B,C三项产品,通过上述步骤发现其中产品B是相似用户最近购买过的产品,就可以将产品B确定为第二推荐产品。
利用隐含语义模型筛选的过程如下:
首先获得包含目标用户在内的多个用户针对候选产品库中部分产品的交互记录,并根据交互记录生成产品评分矩阵。
其中,产品评分矩阵包含多个用户对候选产品库中部分产品的评分。用户对产品的评分,可以根据用户是否购买该产品以及购买次数,用户是否浏览该产品的产品信息以及浏览次数,还有用户是否收藏该产品来确定,评分的区间可以设定为1至10,若用户多次购买某产品,则该用户对该产品的评分设定为10,若用户未购买,但是多次浏览该产品的产品信息,且收藏该产品,则将评分设定为8,若用户完全未购买过该产品,则将评分设定为1。
假设获得的多个用户依次是用户1至用户5,候选产品库包含的产品依次是产品A至产品E,则上述评分矩阵可以用下述表1表示:
表1
产品A | 产品B | 产品C | 产品D | 产品E | |
用户1 | 2 | 3 | |||
用户2 | |||||
用户3 | 6 | ||||
用户4 | 8 | ||||
用户5 | 7 | 9 |
其中,各个单元格内的数值,表示对应行的用户针对对应列的产品的评分。若其中空白单元格表示对应用户未被推送对应产品的产品信息。
对产品评分矩阵进行矩阵分解,得到用户矩阵和产品矩阵。
对于如表1所示的评分矩阵,可以在其中的空白单元格填0,由此得到一个完整的矩阵,然后可以利用现有的矩阵分解算法对该评分矩阵进行分解,得到一个用户矩阵和一个产品矩阵。
以表1为例,表1所示的矩阵可以分解为一个5行L列的用户矩阵和一个L行5列的产品矩阵,其中L是一个由矩阵分解算法决定的正数。
用户矩阵中的每一行对应于一个用户,产品矩阵中的每一列对应于一项产品。
根据用户矩阵和产品矩阵,计算得到目标用户针对候选产品库的每一个产品的评分。
以表1为例,假设其中用户2为目标用户,则计算评分时,可以将用户矩阵中用户2对应的行,和产品矩阵中产品A对应的列相乘,具体来说,是将行和列中对应位置的数值相乘然后多个乘积相加,得到的结果作为用户2对产品A的评分,同理可以将用户2对应的行和产品B对应的列相乘,得到用户2对产品B的评分,以此类推,最终可以得到用户2分别对产品A至产品E的评分。
最后,可以将候选产品库中,目标用户的评分大于第二阈值的产品确定为第三推荐产品。
例如,第二阈值可以设定为5,那么就可以将目标用户的评分大于5的产品确定为第三推荐产品。
根据业务推荐规则筛选的过程如下:
确定候选产品库中每一个产品所属业务条线。
业务条线具体可以有***,基金,个人贷款等。
将候选产品库中,所属业务条线为业务推荐规则指定的优先推荐条线的产品,确定为第四推荐产品。
也就是说,业务推荐规则中可以指定某些业务条线为优先推荐条线,如指定***条线为优先推荐条线,那么,在该过程中就可以将属于候选产品库中属于***类的产品均确定为第四推荐产品。
在通过上述四种方式筛选得到第一推荐产品,第二推荐产品,第三推荐产品和第四推荐产品之后,就可以将第一推荐产品,第二推荐产品,第三推荐产品和第四推荐产品均确定为待推荐产品。
可以理解的,第一至第四推荐产品均可以有多项,并且相互之间可能存在重叠,如一项产品可能既是第一推荐产品,也是第二推荐产品,因此,在具体实施时可以将第一至第四推荐产品视为四个产品集合,将这个四个产品集合的并集所包含的产品,确定为待推荐产品。
可选的,步骤S103,即利用预先构建的逻辑回归模型,梯度提升决策树和深度学习模型分析待推荐产品的产品特征和目标用户的用户特征,得到待推荐产品的预测响应概率这一步骤,具体可以按如下方式执行。
产品特征可以包括产品所属的类别,步骤S102中利用词向量模型生成的产品向量,产品的累计购买人数等数据。
首先,利用预先构建的逻辑回归模型分析待推荐产品的产品特征和目标用户的用户特征,得到待推荐产品的第一响应概率。
上述逻辑回归模型可以根据多个推荐样本构建。推荐样本可以根据以往执行过的推送行为生成。例如,每向一个用户推送一项产品的产品信息,就可以将该用户的用户特征,和该产品的产品特征,组合成一个推荐样本,同时,记录该用户和被推送的产品信息之间的交互行为(如浏览信息,收藏信息,购买产品,忽略信息,删除信息等)作为该推荐样本的推荐结果,然后,可以利用多个推荐样本和对应的推荐结果,构建上述逻辑回归模型。
利用预先构建的梯度提升决策树分析待推荐产品的产品特征和目标用户的用户特征,得到待推荐产品的第二响应概率。
梯度提升决策树同样可以由上述多个推荐样本和对应的推荐结果构建。
利用预先构建的深度学习模型分析待推荐产品的产品特征和目标用户的用户特征,得到待推荐产品的第三响应概率。
具体的,上述深度学习模型,可以是Wide&Deep模型,该模型有浅层模型(即Widemodel)和深层模型(Deep model)融合而成,在利用Wide&Deep模型分析待推荐产品的产品特征和目标用户的用户特征时,具体可以将其中的离散型特征以及手动交叉特征,如客户产品持有情况、大类偏好等输入浅层模型,特征中的连续型变量以及经过Embedding映射后的稠密特征,如前述步骤中利用词向量模型生成的待推荐产品的产品向量,则可以输入至深层模型,通过浅层模型和深度模型联合训练,从而使得模型兼具记忆能力以及泛化能力。
将待推荐产品的第一响应概率,第二响应概率和第三响应概率进行加权平均,得到待推荐产品的预测响应概率。
具体的,可以预先为三种分析方法分配对应的权重系数,例如,为逻辑回归模型分配0.2的权重系数,为梯度提升决策树分配0.2的权重系数,为深度学***均值,得到待推荐产品的预测响应概率。
上述逻辑回归模型,梯度提升决策树和深度学习模型的具体构建方法可以参考相关的现有技术,此处不做限定。
需要说明的是,在步骤S103中,每一个待推荐产品均会得到一个预测响应概率,假设有待推荐产品A,B,C,则步骤S103中,会对产品A的产品特征和目标用户的用户特征进行分析,得到产品A的预测响应概率,对产品B的产品特征和目标用户的用户特征进行分析,得到产品B的预测响应概率,对产品C的产品特征和目标用户的用户特征进行分析,得到产品C的预测响应概率。
可选的,免打扰策略可以包括预设的可推送时间段,以及间隔阈值,步骤S105,即按目标用户设置的免打扰策略向目标用户推送待推荐列表中前N个待推荐产品的产品信息这一步骤,具体的执行过程可以是:
判断当前时刻是否位于目标用户设置的免打扰策略所指定的可推送时间段内;
若当前时刻位于可推送时间段内,计算前一次推送的时刻至当前时刻之间的时间间隔;
若时间间隔大于或等于免打扰策略所指定间隔阈值,获取待推荐列表中任意一个未推荐产品的产品信息;其中,未推荐产品指代待推荐列表的前N个产品中,产品信息尚未被推送至目标用户的产品;
通过预设的推送渠道,将获取到的产品信息推送至目标用户,以完成一次推送。
总的来说,就是在可推送时间段内,每经过一个间隔阈值的时间,就执行一次推送,每一次推送均会向目标用户推送一项待推荐产品的产品信息。
推送渠道可以包括手机短信,社交媒体的短消息,软件弹窗,视频广告等。
上述推送,具体是指通过各种推送渠道,将待推荐产品的产品信息显示在目标用户持有的终端设备上,如智能手机,电脑等。
其中,免打扰策略中的可推送时间段和间隔阈值,可以由用户指定,也可以由结合历史营销触达记录,设置客户免打扰策略。
例如,在以往的推送中,发现在晚上10:00至晚上11:00这段时间内推送的产品信息一般都会被该用户点击,那么可以将晚上10:00至晚上11:00这一时间段设定为该用户的可推送时间段。
通过步骤S105,可以基于步骤S104中排序后的各个待推荐产品的预测响应概率,同时结合历史营销触达记录,设置客户免打扰策略,自动生成客户最优产品推荐清单。在持续经营客群的同时,又有对客户疲劳度的控制,不会不停地向目标用户推送信息,以至于对目标用户产生干扰,从而实现了在营销过程中不断感知客户以丰富客户画像并更新迭代营销模型和策略。
可选的,在步骤S105之后,本方法还可以执行如下步骤:
S106、获取目标用户的反馈信息。
其中,反馈信息用于表征目标用户对推送的产品信息的反馈情况。
上述反馈情况具体可以包括,目标用户浏览、删除、忽略或收藏产品信息,以及购买对应的产品等,也就是目标用户对推送的产品信息的行为。
S107、根据目标用户的反馈信息,更新逻辑回归模型,梯度提升决策树和深度学习模型。
具体的,步骤S107中,可以针对属于不同业务条线的待推荐产品设计差异化的评估指标,然后按照各业务条线的差异化评估指标对不同业务条线的待推荐产品的反馈信息,对前述各个模型进行更新。
通过步骤S106和S107,本方案能够统筹整合打通全渠道数据,建立营销成效监测体系,通过标准化营销数据管理要求,对营销成效记录、数据回传等进行规范管理,实现全渠道营销过程监控和效果评估,并以反馈数据作为基础,不断更新优化推荐模型、经营策略、业务流程,从而实现自动化营销的闭环式管理。
在技术实施方面,本方案首先采用词向量模型生成各个待推荐产品的产品向量,然后运用深度学习模型,如Wide&Deep模型对待推荐产品的产品特征和目标用户的用户特征进行分析,使用单输入层的Wide部分处理大量稀疏的离散型特征,提升模型记忆能力;使用Embedding和多隐层的Deep部分处理全量特征,进行深层的特征交叉,赋予模型泛化能力。
在效果评估方面,即步骤S106和步骤S107中,本方案搭建统一的全渠道商机数据成效评估机制,并根据业务条线设计差异化评估指标,形成一键式自动化商机及成效登记模式,以实时监控全渠道商机的命中率、转化率,打造商机数据应用闭环。
本申请提供一种基于深度学习的产品推荐方法,该方法包括,确定目标用户对应的候选产品库;利用词向量模型,协同过滤技术,隐含语义模型和预设的业务推荐规则,从候选产品库中筛选得到多个待推荐产品;利用预先构建的逻辑回归模型,梯度提升决策树和深度学习模型分析各待推荐产品的产品特征和目标用户的用户特征,得到各待推荐产品的预测响应概率;根据预测响应概率将部分待推荐产品推荐给用户。本方案利用深度学习技术对目标用户的用户特征进行分析,能够更深层次地挖掘特定用户对各个产品的潜在偏好,从而提高产品推荐的准确度。
本申请提供的基于深度学习的产品推荐方法具有如下的优点:
针对***、分期、个贷、存款、理财、基金等银行产品,利用深度学习前沿技术,深层次挖掘客户潜在意愿,构建了以客户为中心的多产品智能推荐引擎,并联动短信、外呼、网点wifi等线上线下渠道,自动在最合适的时间,通过最合适的渠道,为客户推荐最合适的产品组合。
统筹整合打通全渠道数据,搭建营销成效监测闭环体系,全方位统筹营销活动效果,对模型和策略的调优起到重要的反馈作用。实现从建模、营销、反馈到不断优化的自动化营销闭环。
结合本申请任一实施例所提供的基于深度学习的产品推荐方法,本申请实施例还提供一种基于深度学习的产品推荐装置,请参考图2,该装置具体可以包括如下单元:
确定单元201,用于确定目标用户对应的候选产品库。
其中,候选产品库包含多个目标用户未购买的产品。
筛选单元202,用于利用词向量模型,协同过滤技术,隐含语义模型和预设的业务推荐规则,从候选产品库中筛选得到多个待推荐产品。
分析单元203,用于针对每一个待推荐产品,利用预先构建的逻辑回归模型,梯度提升决策树和深度学习模型分析待推荐产品的产品特征和目标用户的用户特征,得到待推荐产品的预测响应概率。
其中,用户特征根据表征目标用户基本信息的第一要素、表征目标用户的产品持有情况的第二要素和表征目标用户的消费偏好的第三要素确定。
排序单元204,用于根据各个待推荐产品的预测响应概率,按由大至小的顺序对各个待推荐产品进行排序,得到待推荐列表。
推送单元205,用于按目标用户设置的免打扰策略向目标用户推送待推荐列表中前N个待推荐产品的产品信息。
可选的,分析单元203利用预先构建的逻辑回归模型,梯度提升决策树和深度学习模型分析待推荐产品的产品特征和目标用户的用户特征,得到待推荐产品的预测响应概率时,具体用于:
利用预先构建的逻辑回归模型分析待推荐产品的产品特征和目标用户的用户特征,得到待推荐产品的第一响应概率;
利用预先构建的梯度提升决策树分析待推荐产品的产品特征和目标用户的用户特征,得到待推荐产品的第二响应概率;
利用预先构建的深度学习模型分析待推荐产品的产品特征和目标用户的用户特征,得到待推荐产品的第三响应概率;
将待推荐产品的第一响应概率,第二响应概率和第三响应概率进行加权平均,得到待推荐产品的预测响应概率
可选的,该装置还包括更新单元206,用于:
获取目标用户的反馈信息;其中,反馈信息用于表征目标用户对推送的产品信息的反馈情况;
根据目标用户的反馈信息,更新逻辑回归模型,梯度提升决策树和深度学习模型。
可选的,筛选单元202利用词向量模型,协同过滤技术,隐含语义模型和预设的业务推荐规则,从候选产品库中筛选得到多个待推荐产品时,具体用于:
以目标用户的已购买产品作为训练语料,训练得到词向量模型;
利用词向量模型计算得到候选产品库中每一个产品对应的产品向量;
根据候选产品库中各个产品的产品向量和已购买产品的产品向量之间的相似度,从候选产品库中选取第一推荐产品;其中,第一推荐产品的产品向量和已购买产品的产品向量之间的相似度大于第一阈值;
确定出多个和目标用户相似的相似用户;
将候选产品库中相似用户已购买的产品,确定为第二推荐产品;
获得包含目标用户在内的多个用户针对候选产品库中部分产品的交互记录,并根据交互记录生成产品评分矩阵;其中,产品评分矩阵包含多个用户对候选产品库中部分产品的评分;
对产品评分矩阵进行矩阵分解,得到用户矩阵和产品矩阵;
根据用户矩阵和产品矩阵,计算得到目标用户针对候选产品库的每一个产品的评分;
将候选产品库中,目标用户的评分大于第二阈值的产品确定为第三推荐产品;
确定候选产品库中每一个产品所属业务条线;
将候选产品库中,所属业务条线为业务推荐规则指定的优先推荐条线的产品,确定为第四推荐产品;
将第一推荐产品,第二推荐产品,第三推荐产品和第四推荐产品均确定为待推荐产品。
可选的,推送单元205按目标用户设置的免打扰策略向目标用户推送待推荐列表中前N个待推荐产品的产品信息时,具体用于:
判断当前时刻是否位于目标用户设置的免打扰策略所指定的可推送时间段内;
若当前时刻位于可推送时间段内,计算前一次推送的时刻至当前时刻之间的时间间隔;
若时间间隔大于或等于免打扰策略所指定间隔阈值,获取待推荐列表中任意一个未推荐产品的产品信息;其中,未推荐产品指代待推荐列表的前N个产品中,产品信息尚未被推送至目标用户的产品;
通过预设的推送渠道,将获取到的产品信息推送至目标用户,以完成一次推送。
本申请实施例所提供的基于深度学习的产品推荐装置,其具体工作原理可以参考本申请任一实施例所提供的基于深度学习的产品推荐方法的相关步骤,此处不再赘述。
本申请提供一种基于深度学习的产品推荐装置,其中,确定单元201确定目标用户对应的候选产品库;其中,候选产品库包含多个目标用户未购买的产品;筛选单元202利用词向量模型,协同过滤技术,隐含语义模型和预设的业务推荐规则,从候选产品库中筛选得到多个待推荐产品;分析单元203针对每一个待推荐产品,利用预先构建的逻辑回归模型,梯度提升决策树和深度学习模型分析待推荐产品的产品特征和目标用户的用户特征,得到待推荐产品的预测响应概率;其中,用户特征根据表征目标用户基本信息的第一要素、表征目标用户的产品持有情况的第二要素和表征目标用户的消费偏好的第三要素确定;排序单元204根据各个待推荐产品的预测响应概率,按由大至小的顺序对各个待推荐产品进行排序,得到待推荐列表;推送单元205按目标用户设置的免打扰策略向目标用户推送待推荐列表中前N个待推荐产品的产品信息。本方案利用深度学习技术对目标用户的用户特征进行分析,能够更深层次地挖掘特定用户对各个产品的潜在偏好,从而提高产品推荐的准确度。
本申请实施例还提供一种计算机存储介质,用于存储计算机程序,计算机程序被执行时,具体用于实现本申请任一实施例所提供的基于深度学习的产品推荐方法。
本申请实施例还提供一种电子设备,请参考图3,该电子设备包括存储器301和处理器302。
其中,存储器301用于存储计算机程序;
处理器302用于执行计算机程序,具体用于实现本申请任一实施例所提供的基于深度学习的产品推荐方法。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于深度学习的产品推荐方法,其特征在于,包括:
确定目标用户对应的候选产品库;其中,所述候选产品库包含多个所述目标用户未购买的产品;
利用词向量模型,协同过滤技术,隐含语义模型和预设的业务推荐规则,从所述候选产品库中筛选得到多个待推荐产品;
针对每一个所述待推荐产品,利用预先构建的逻辑回归模型,梯度提升决策树和深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的预测响应概率;其中,所述用户特征根据表征目标用户基本信息的第一要素、表征目标用户的产品持有情况的第二要素和表征目标用户的消费偏好的第三要素确定;
根据各个所述待推荐产品的预测响应概率,按由大至小的顺序对各个所述待推荐产品进行排序,得到待推荐列表;
按所述目标用户设置的免打扰策略向所述目标用户推送所述待推荐列表中前N个待推荐产品的产品信息。
2.根据权利要求1所述的方法,其特征在于,所述利用词向量模型,协同过滤技术,隐含语义模型和预设的业务推荐规则,从所述候选产品库中筛选得到多个待推荐产品,包括:
以所述目标用户的已购买产品作为训练语料,训练得到词向量模型;
利用所述词向量模型计算得到所述候选产品库中每一个产品对应的产品向量;
根据所述候选产品库中各个产品的产品向量和所述已购买产品的产品向量之间的相似度,从所述候选产品库中选取第一推荐产品;其中,所述第一推荐产品的产品向量和所述已购买产品的产品向量之间的相似度大于第一阈值;
确定出多个和所述目标用户相似的相似用户;
将所述候选产品库中所述相似用户已购买的产品,确定为第二推荐产品;
获得包含所述目标用户在内的多个用户针对所述候选产品库中部分产品的交互记录,并根据所述交互记录生成产品评分矩阵;其中,所述产品评分矩阵包含所述多个用户对所述候选产品库中部分产品的评分;
对所述产品评分矩阵进行矩阵分解,得到用户矩阵和产品矩阵;
根据所述用户矩阵和所述产品矩阵,计算得到所述目标用户针对所述候选产品库的每一个产品的评分;
将所述候选产品库中,目标用户的评分大于第二阈值的产品确定为第三推荐产品;
确定所述候选产品库中每一个产品所属业务条线;
将所述候选产品库中,所属业务条线为业务推荐规则指定的优先推荐条线的产品,确定为第四推荐产品;
将所述第一推荐产品,所述第二推荐产品,所述第三推荐产品和所述第四推荐产品均确定为待推荐产品。
3.根据权利要求1所述的方法,其特征在于,所述利用预先构建的逻辑回归模型,梯度提升决策树和深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的预测响应概率,包括:
利用预先构建的逻辑回归模型分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的第一响应概率;
利用预先构建的梯度提升决策树分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的第二响应概率;
利用预先构建的深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的第三响应概率;
将所述待推荐产品的第一响应概率,第二响应概率和第三响应概率进行加权平均,得到所述待推荐产品的预测响应概率。
4.根据权利要求1所述的方法,其特征在于,所述按所述目标用户设置的免打扰策略向所述目标用户推送所述待推荐列表中前N个待推荐产品的产品信息,包括:
判断当前时刻是否位于所述目标用户设置的免打扰策略所指定的可推送时间段内;
若当前时刻位于所述可推送时间段内,计算前一次推送的时刻至当前时刻之间的时间间隔;
若所述时间间隔大于或等于所述免打扰策略所指定间隔阈值,获取所述待推荐列表中任意一个未推荐产品的产品信息;其中,未推荐产品指代所述待推荐列表的前N个产品中,产品信息尚未被推送至所述目标用户的产品;
通过预设的推送渠道,将获取到的产品信息推送至所述目标用户,以完成一次推送。
5.根据权利要求1至4任意一项所述的方法,其特征在于,所述按所述目标用户设置的免打扰策略逐一向所述目标用户推送所述待推荐列表中各个所述待推荐产品的产品信息之后,还包括:
获取所述目标用户的反馈信息;其中,所述反馈信息用于表征所述目标用户对推送的产品信息的反馈情况;
根据所述目标用户的反馈信息,更新所述逻辑回归模型,所述梯度提升决策树和所述深度学习模型。
6.一种基于深度学习的产品推荐装置,其特征在于,包括:
确定单元,用于确定目标用户对应的候选产品库;其中,所述候选产品库包含多个所述目标用户未购买的产品;
筛选单元,用于利用词向量模型,协同过滤技术,隐含语义模型和预设的业务推荐规则,从所述候选产品库中筛选得到多个待推荐产品;
分析单元,用于针对每一个所述待推荐产品,利用预先构建的逻辑回归模型,梯度提升决策树和深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的预测响应概率;其中,所述用户特征根据表征目标用户基本信息的第一要素、表征目标用户的产品持有情况的第二要素和表征目标用户的消费偏好的第三要素确定;
排序单元,用于根据各个所述待推荐产品的预测响应概率,按由大至小的顺序对各个所述待推荐产品进行排序,得到待推荐列表;
推送单元,用于按所述目标用户设置的免打扰策略向所述目标用户推送所述待推荐列表中前N个待推荐产品的产品信息。
7.根据权利要求6所述的装置,其特征在于,所述分析单元利用预先构建的逻辑回归模型,梯度提升决策树和深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的预测响应概率时,具体用于:
利用预先构建的逻辑回归模型分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的第一响应概率;
利用预先构建的梯度提升决策树分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的第二响应概率;
利用预先构建的深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征,得到所述待推荐产品的第三响应概率;
将所述待推荐产品的第一响应概率,第二响应概率和第三响应概率进行加权平均,得到所述待推荐产品的预测响应概率。
8.根据权利要求6或7所述的装置,其特征在于,所述装置还包括更新单元,用于:
获取所述目标用户的反馈信息;其中,所述反馈信息用于表征所述目标用户对推送的产品信息的反馈情况;
根据所述目标用户的反馈信息,更新所述逻辑回归模型,所述梯度提升决策树和所述深度学习模型。
9.一种计算机存储介质,其特征在于,用于存储计算机程序,所述计算机程序被执行时,具体用于实现如权利要求1至5任意一项所述的基于深度学习的产品推荐方法。
10.一种电子设备,其特征在于,包括存储器和处理器;
其中,所述存储器用于存储计算机程序;
所述处理器用于执行所述计算机程序,具体用于实现如权利要求1至5任意一项所述的基于深度学习的产品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110459644.7A CN113076484A (zh) | 2021-04-27 | 2021-04-27 | 基于深度学习的产品推荐方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110459644.7A CN113076484A (zh) | 2021-04-27 | 2021-04-27 | 基于深度学习的产品推荐方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113076484A true CN113076484A (zh) | 2021-07-06 |
Family
ID=76618878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110459644.7A Pending CN113076484A (zh) | 2021-04-27 | 2021-04-27 | 基于深度学习的产品推荐方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113076484A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706258A (zh) * | 2021-08-31 | 2021-11-26 | 平安银行股份有限公司 | 基于组合模型的产品推荐方法、装置、设备及存储介质 |
CN113742572A (zh) * | 2021-08-03 | 2021-12-03 | 杭州网易云音乐科技有限公司 | 一种数据的推荐方法、装置、电子设备及存储介质 |
CN113807920A (zh) * | 2021-09-17 | 2021-12-17 | 未鲲(上海)科技服务有限公司 | 基于人工智能的产品推荐方法、装置、设备及存储介质 |
CN116738864A (zh) * | 2023-08-08 | 2023-09-12 | 深圳市设际邹工业设计有限公司 | 一种工业设计产品的智能推荐方法及*** |
-
2021
- 2021-04-27 CN CN202110459644.7A patent/CN113076484A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113742572A (zh) * | 2021-08-03 | 2021-12-03 | 杭州网易云音乐科技有限公司 | 一种数据的推荐方法、装置、电子设备及存储介质 |
CN113706258A (zh) * | 2021-08-31 | 2021-11-26 | 平安银行股份有限公司 | 基于组合模型的产品推荐方法、装置、设备及存储介质 |
CN113706258B (zh) * | 2021-08-31 | 2024-06-28 | 平安银行股份有限公司 | 基于组合模型的产品推荐方法、装置、设备及存储介质 |
CN113807920A (zh) * | 2021-09-17 | 2021-12-17 | 未鲲(上海)科技服务有限公司 | 基于人工智能的产品推荐方法、装置、设备及存储介质 |
CN116738864A (zh) * | 2023-08-08 | 2023-09-12 | 深圳市设际邹工业设计有限公司 | 一种工业设计产品的智能推荐方法及*** |
CN116738864B (zh) * | 2023-08-08 | 2024-01-09 | 深圳市设际邹工业设计有限公司 | 一种工业设计产品的智能推荐方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tsiptsis et al. | Data mining techniques in CRM: inside customer segmentation | |
CN113076484A (zh) | 基于深度学习的产品推荐方法、装置、设备和存储介质 | |
Thomas et al. | Managing marketing communications with multichannel customers | |
Peacock | Data mining in marketing: Part 1 | |
Huang et al. | A case study of applying data mining techniques in an outfitter’s customer value analysis | |
US11068743B2 (en) | Feature selection impact analysis for statistical models | |
CN108921602B (zh) | 一种基于集成神经网络的用户购买行为预测方法 | |
CN116431931B (zh) | 实时增量数据统计分析方法 | |
CN114219169A (zh) | 颖幡供应链销售和库存预测算法模型和应用*** | |
CN117829914B (zh) | 一种数字媒体广告效果评估*** | |
WO2021072128A1 (en) | Systems and methods for big data analytics | |
Tamilselvi et al. | An overview of data mining techniques and applications | |
Gangurde et al. | Building prediction model using market basket analysis | |
Tsai et al. | A comparative study of hybrid machine learning techniques for customer lifetime value prediction | |
CN115131101A (zh) | 一种保险产品个性化智能推荐*** | |
Ren et al. | A two-stage model for forecasting consumers’ intention to purchase with e-coupons | |
Allegue et al. | RFMC: a spending-category segmentation | |
Sun et al. | Research on customer lifetime value based on machine learning algorithms and customer relationship management analysis model | |
CN109658195B (zh) | 一种商品展示决策方法 | |
Jiang et al. | Durable product review mining for customer segmentation | |
Bhargavi et al. | Comparative study of consumer purchasing and decision pattern analysis using pincer search based data mining method | |
KR102405503B1 (ko) | 소비 데이터와 소셜 데이터를 이용한 소비동향 예측 지수 생성 방법과 이를 적용한 소비동향 예측 지수 생성 시스템 및 이를 위한 컴퓨터 프로그램 | |
Raj | Applications of Data Science and Artificial Intelligence Methodologies in Customer Relationship Management | |
Hadden | A customer profiling methodology for churn prediction | |
Abrahams et al. | Inducing a marketing strategy for a new pet insurance company using decision trees |
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 |