CN114066533A - 产品推荐方法、装置、电子设备及存储介质 - Google Patents

产品推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114066533A
CN114066533A CN202111431235.2A CN202111431235A CN114066533A CN 114066533 A CN114066533 A CN 114066533A CN 202111431235 A CN202111431235 A CN 202111431235A CN 114066533 A CN114066533 A CN 114066533A
Authority
CN
China
Prior art keywords
product
user
recommended
attribute
calculating
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
Application number
CN202111431235.2A
Other languages
English (en)
Inventor
黄嘉文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202111431235.2A priority Critical patent/CN114066533A/zh
Publication of CN114066533A publication Critical patent/CN114066533A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06Q30/0253—During e-commerce, i.e. online transactions

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及人工智能领域，揭露一种产品推荐方法、装置、电子设备及存储介质，所述方法包括：识别待推荐用户的偏好产品，从预构建的用户库中查询每个历史用户的购买产品，其中，用户库包括待推荐用户和历史用户；提取偏好产品和购买产品的产品特征，分别得到第一产品特征和第二产品特征；计算第一产品特征和第二产品特征的产品相似度，并将产品相似度大于预设阈值的历史用户作为待推荐用户的相似用户；从相似用户的购买产品中选取满足预设条件的产品作为待推荐产品，将待推荐产品推送给待推荐用户。此外，本发明还涉及区块链技术，所述待推荐产品可存储区块链中。本发明可以保障产品推荐的可行性，提高产品推荐的准确性。

Description

产品推荐方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种产品推荐方法、装置、电子设备及计算机可读存储介质。
背景技术
在电子商务、社交平台、短视频兴起的今日，各大互联网平台都在使用用户过往的浏览、购买及收藏数据信息，为用户提供个性化的结果，推荐***也慢慢的取代着旧时固有的搜索过滤信息途径，成为用户获取信息的一种重要方式。
业内目前主要使用的两种推荐引擎算法为：基于内容的推荐(Content-basedRecommendation)与基于协同过滤的推荐(Collaborative Filtering-basedRecommendation)。基于内容的推荐根据物品或内容的元数据，发掘直观的相关性，再基于用户此前的购买或喜好物品的属性及标签，为用户推荐相似的物品；基于协同过滤的推荐则分为基于用户的协同过滤：使用统计相关技术寻找与目标用户相似的用户的喜爱物品，将其推荐给目标用户；基于物品的协同过滤：通过计算得出目标用户喜爱过的物品的相似物品，并将其推荐给目标用户。
但是上述的两种产品推荐的方法都存在稀疏问题和新用户问题，即当业务***的用户数据量不够大的时候，一些用户和物品会因为缺少有效的数据匹配不到的相似同类，因此无法完成产品推荐，新用户在未对产品进行购买之前，难以通过算法寻找到与其具有相关性的用户或物品进行产品推荐，这样会导致产品推荐出现失败的现象，从而无法保障产品推荐的可行性。
发明内容
本发明提供一种产品推荐方法、装置、电子设备及计算机可读存储介质，其主要目的在于保障产品推荐的可行性，提高产品推荐的准确性。
为实现上述目的，本发明提供的一种产品推荐方法，包括：
获取待推荐用户，并识别所述待推荐用户的偏好产品，从预构建的用户库中查询每个历史用户的购买产品，其中，所述用户库包括所述待推荐用户和所述历史用户；
提取所述偏好产品和所述购买产品的产品特征，分别得到第一产品特征和第二产品特征；
计算所述第一产品特征和所述第二产品特征的产品相似度，并将所述产品相似度大于预设阈值的历史用户作为所述待推荐用户的相似用户；
从所述相似用户的购买产品中选取满足预设条件的产品作为待推荐产品，并将所述待推荐产品推送给所述待推荐用户。
可选地，所述识别所述待推荐用户的偏好产品，包括：
利用埋点技术采集所述待推荐用户的行为记录，根据所述行为记录，查询所述待推荐用户的产品浏览信息；
根据所述产品浏览信息，确定所述待推荐用户的偏好产品。
可选地，所述利用埋点技术采集所述待推荐用户的行为记录，包括：
利用所述埋点技术在用户浏览页面中配置点击事件，并将所述点击事件加载至埋点控件中；
基于所述埋点控件，采集所述待推荐用户在所述点击事件的点击信息，得到所述待推荐用户的行为记录。
可选地，所述提取所述偏好产品和所述购买产品的产品特征，分别得到第一产品特征和第二产品特征，包括：
获取所述偏好产品和所述购买产品中存在的产品属性，分别得到第一产品属性和第二产品属性；
计算所述第一产品属性及其对应的偏好产品的信息熵，并计算所述第一产品属性的***信息量，根据所述第一产品属性及其对应的偏好产品的信息熵、所述第一产品属性的***信息量，计算所述第一产品属性的第一增益率，将所述第一增益率大于预设增益率的第一产品属性作为所述第一产品特征；
计算所述第二产品属性及其对应的购买产品的信息熵，并计算所述第二产品属性的***信息量；根据所述第二产品属性及其对应的购买产品的信息熵、所述第二产品属性的***信息量，计算所述第二产品属性的第二增益率，将所述第二增益率大于所述预设增益率的第二产品属性作为所述第二产品特征。
可选地，所述计算所述第一产品属性的***信息量，包括：
利用下述公式计算所述第一产品属性的***信息量：
Figure BDA0003380213120000021
其中，SplitInfoA(A)表示第一产品属性的***信息量，m表示偏好产品的产品属性数量，|Dj|表示偏好产品中第j个产品属性，|D|表示偏好产品。
可选地，所述计算所述第一产品属性的第一增益率，包括：
利用下述公式计算所述第一产品属性的第一增益率：
Figure BDA0003380213120000031
其中，GainRatio(A)表示第一产品属性的第一增益率，Info(D)表示偏好产品的信息熵，InfoA(D)表示第一产品属性的信息熵，SplitInfoA(A)表示第一产品属性的***信息量。
可选地，所述计算所述第一产品特征和所述第二产品特征的产品相似度，包括：
将所述第一产品特征和所述第二产品特征分别转换为第一产品向量和第二产品向量；
计算所述第一产品向量和所述第二产品向量的向量相似度，并将所述向量相似度作为所述第一产品特征和所述第二产品特征的产品相似度。
为了解决上述问题，本发明还提供一种产品推荐装置，所述装置包括：
产品获取模块，用于获取待推荐用户，并识别所述待推荐用户的偏好产品，从预构建的用户库中查询每个历史用户的购买产品，其中，所述用户库包括所述待推荐用户和所述历史用户；
特征提取模块，用于提取所述偏好产品和所述购买产品的产品特征，分别得到第一产品特征和第二产品特征；
相似用户识别模块，用于计算所述第一产品特征和所述第二产品特征的产品相似度，并将所述产品相似度大于预设阈值的历史用户作为所述待推荐用户的相似用户；
产品推送模块，用于从所述相似用户的购买产品中选取满足预设条件的产品作为待推荐产品，并将所述待推荐产品推送给所述待推荐用户。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以实现上述所述的产品推荐方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的产品推荐方法。
可以看出，相较于现有技术中因稀疏或新用户导致产品无法推送的现象，本发明实施例通过获取待推荐用户的偏好产品，并结合从预构建的用户库中每个历史用户的购买产品，以实现所述待推荐用户和历史用户的产品相似度计算，从而生成所述待推荐用户的相似用户，可以解决当待推荐用户因缺少有效的数据匹配不到的相似同类用户，无法完成产品推荐的问题，及所述待推荐用户未进行产品购买行为导致产品无法推送的现象，保障产品推荐的可行性，提高产品推荐的准确性。因此，本发明实施例提出的一种产品推荐方法、装置、电子设备及计算机可读存储介质可以保障产品推荐的可行性，提高产品推荐的准确性。
附图说明
图1为本发明一实施例提供的产品推荐方法的流程示意图；
图2为本发明一实施例提供的产品推荐装置的模块示意图；
图3为本发明一实施例提供的实现产品推荐方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种产品推荐方法。所述产品推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述产品推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的产品推荐方法的流程示意图。在本发明实施例中，所述产品推荐方法包括：
S1、获取待推荐用户，并识别所述待推荐用户的偏好产品，从预构建的用户库中查询每个历史用户的购买产品，其中，所述用户库包括所述待推荐用户和所述历史用户。
本发明实施例中，所述待推荐用户是指需要进行产品推荐的用户，其通过不同的业务推荐场景进行定位得到，如在保险产品推荐场景中，所述待推荐用户可以是未购买过保险的用户，也可以是购买保险到期的用户，在理财产品推荐场景中，所述待推荐用户可以是购买过理财产品用户的家人，也可以是未购买浏览过理财产品的用户，所述偏好产品是指所述待推荐用户感兴趣的产品。
作为本发明的一个实施例，所述识别所述待推荐用户的偏好产品，包括：利用埋点技术采集所述待推荐用户的行为记录，根据所述行为记录，查询所述待推荐用户的产品浏览信息，根据所述产品浏览信息，确定所述待推荐用户的偏好产品。
其中，所述行为记录是指所述待推荐用户在线上页面进行页面浏览时所记录的行为信息，所述产品浏览信息是指所述行为记录中包含产品的记录信息。
进一步地，本发明一可选实施例中，所述利用埋点技术采集所述待推荐用户的行为记录，包括：利用所述埋点技术在用户浏览页面中配置点击事件，并将所述点击事件加载至埋点控件中，基于所述埋点控件，采集所述待推荐用户在所述点击事件的点击信息，得到所述待推荐用户的行为记录。
其中，所述用户浏览页面是指产品展示页面，所述点击事件是指用户在移动端或网页端点击的一个UI控件的行为产生的事件，所述UI控件可以是登录控件、购买控件以及查看控件等，所述埋点控件用于采集用户的行为数据，如Vue控件，所述点击事件的加载可以通过Hook技术实现。
进一步地，本发明一可选实施例中，所述产品浏览信息通过查询语句进行查询，如SQL中的select语句。
进一步地，本发明一可选实施例中，所述根据所述产品浏览信息，确定所述待推荐用户的偏好产品，包括：根据所述产品浏览信息，获取所述待推荐用户的收藏产品、购买产品以及查看产品，并将所述收藏产品、所述购买产品以及所述查看产品作为所述待推荐用户的偏好产品。
进一步地，本发明实施例中，所述预构建的用户库基于上述不同的业务推荐场景产生，其包括所述待推荐用户和所述历史用户，如对于保险产品推荐场景，所述用户库可以为购买过保险产品的用户组成的数据库，对于理财产品推荐场景所述用户库可以为购买过理财产品的用户组成的数据库。
作为本发明的一个实施例，所述从预构建的用户库中查询每个历史用户的购买产品，包括：识别每个所述历史用户的查询对象和查询标识，将所述查询对象和所述查询标识转换为查询语句，根据所述查询语句，向所述预构建的用户库中查询每个历史用户的购买产品。
其中，所述查询对象是指每个所述历史用户需要查询的产品指标，所述查询标识是指每个所述历史用户的身份信息标识，所述查询语句是指所述查询对象和所述查询标识的结构化数据特征，其可以通过SQL语言进行编译转换。
基于所述偏好产品和所述购买产品的获取，可以保障待推荐用户的相似用户生成前提，从而可以保障所述待推荐用户的产品推荐前提。
S2、提取所述偏好产品和所述购买产品的产品特征，分别得到第一产品特征和第二产品特征。
应该了解，在所述偏好产品和所述购买产品会存在大量的产品信息，如产品名称、产品日期、产品功能以及产品结构等，为提高所述偏好产品和所述购买产品的处理速度，本发明实施例通过提取所述偏好产品和所述购买产品的产品特征，以筛选出所述偏好产品和所述购买产品中的无用数据，提高后续数据处理速度。
作为本发明的一个实施例，所述提取所述偏好产品和所述购买产品的产品特征，分别得到第一产品特征和第二产品特征，包括：获取所述偏好产品和所述购买产品中存在的产品属性，分别得到第一产品属性和第二产品属性；计算所述第一产品属性及其对应的偏好产品的信息熵，并计算所述第一产品属性的***信息量；根据所述第一产品属性及其对应的偏好产品的信息熵、所述第一产品属性的***信息量，计算所述第一产品属性的第一增益率，将所述第一增益率大于预设增益率的第一产品属性作为所述第一产品特征；计算所述第二产品属性及其对应的购买产品的信息熵，并计算所述第二产品属性的***信息量；根据所述第二产品属性及其对应的购买产品的信息熵、所述第二产品属性的***信息量，计算所述第二产品属性的第二增益率，将所述第二增益率大于所述预设增益率的第二产品属性作为所述第二产品特征。
其中，所述信息熵用于度量一个数据集合的信息量，一个数据集合越有序，其信息熵越低，需要声明的是，信息熵的计算方法属于当前较为成熟的已知技术，在此不在做阐述，所述增益率可以理解为一个数据在后续数据处理过程中所占比例的占比值，其信息增益率越大，表示对应数据越重要，因此，本发明将所述增益率大于预设增益率的产品属性作为产品特征，可选的，所述预设增益率可以设置为，也可以根据实际业务场景设置。
一个可选实施例中，利用下述公式计算所述第一产品属性的***信息量：
Figure BDA0003380213120000061
其中，SplitInfoA(A)表示第一产品属性的***信息量，m表示偏好产品的产品属性数量，|Dj|表示偏好产品中第j个产品属性，|D|表示偏好产品。
一个可选实施例中，利用下述公式计算所述第一产品属性的第一增益率：
Figure BDA0003380213120000071
其中，GainRatio(A)表示第一产品属性的第一增益率，Info(D)表示偏好产品的信息熵，InfoA(D)表示第一产品属性的信息熵，SplitInfoA(A)表示第一产品属性的***信息量。
需要说明的，所述第二产品属性的***信息量及第二增益率的计算原理与所述第一产品属性的***信息量及第二增益率的计算原理相同，在此不作进一步的赘述。
S3、计算所述第一产品特征和所述第二产品特征的产品相似度，并将所述产品相似度大于预设阈值的历史用户作为所述待推荐用户的相似用户。
本发明实施例中，所述计算所述第一产品特征和所述第二产品特征的产品相似度，包括：将所述第一产品特征和所述第二产品特征分别转换为第一产品向量和第二产品向量；计算所述第一产品向量和所述第二产品向量的向量相似度，并将所述向量相似度作为所述第一产品特征和所述第二产品特征的产品相似度。其中，所述第一产品特征和所述第二产品的向量转换通过向量转换算法实现，如one-hot算法、word2vec算法等。
进一步地，本发明一可选实施例中，利用下述公式算所述第一产品向量和所述第二产品向量的向量相似度：
Figure BDA0003380213120000072
其中，R表示向量相似度，Ax表示第x个第一产品向量，By表示所述数据码表中第y个第二产品向量。
进一步地，本发明实施例并将所述产品相似度大于预设阈值的历史用户作为所述待推荐用户的相似用户，保障所述待推荐用户的产品推荐前提。其中，所述预设阈值可以设置为0.6，也可以根据实际业务场景设置。
S4、从所述相似用户的购买产品中选取满足预设条件的产品作为待推荐产品，并将所述待推荐产品推送给所述待推荐用户。
本发明实施例中，所述预设条件可以根据所述购买产品的购买次数进行设置，如选取所述购买产品的购买次数超过三次的产品作为所述待推荐产品，也可以根据所述购买产品的时间进行设置，如选取所述购买产品中最近一周的产品作为所述待推荐产品，在此本发明不做进一步限定。进一步地，本发明实施例采用以下一种或几种方式组合将所述待推荐产品推送给所述待推荐用户：方式一、通过邮件、短信等内容的推送方式；方式、通过电话语音的推送方式；方式三、通过页面弹窗的推送方式。
进一步地，为保障所述待推荐产品的隐私性和安全性，所述待推荐产品还可存储于一区块链节点中。
基于所述相似用户实现所述待推荐用户的产品推送，可以解决当待推荐用户因缺少有效的数据匹配不到的相似同类用户，无法完成产品推荐的问题，及所述待推荐用户未进行产品购买行为导致产品无法推送的现象，保障所述待推荐用户的产品推荐可行性，提高产品推荐的准确性。
可以看出，相较于现有技术中因稀疏或新用户导致产品无法推送的现象，本发明实施例通过获取待推荐用户的偏好产品，并结合从预构建的用户库中每个历史用户的购买产品，以实现所述待推荐用户和历史用户的产品相似度计算，从而生成所述待推荐用户的相似用户，可以解决当待推荐用户因缺少有效的数据匹配不到的相似同类用户，无法完成产品推荐的问题，及所述待推荐用户未进行产品购买行为导致产品无法推送的现象，保障产品推荐的可行性，提高产品推荐的准确性。因此，本发明实施例提出的一种产品推荐方法可以保障产品推荐的可行性，提高产品推荐的准确性。
如图2所示，是本发明产品推荐装置的功能模块图。
本发明所述产品推荐装置100可以安装于电子设备中。根据实现的功能，所述产品推荐装置可以包括产品获取模块101、特征提取模块102、相似用户识别模块103以及产品推送模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备的处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述产品获取模块101，用于获取待推荐用户，并识别所述待推荐用户的偏好产品，从预构建的用户库中查询每个历史用户的购买产品，其中，所述用户库包括所述待推荐用户和所述历史用户。
本发明实施例中，所述待推荐用户是指需要进行产品推荐的用户，其通过不同的业务推荐场景进行定位得到，如在保险产品推荐场景中，所述待推荐用户可以是未购买过保险的用户，也可以是购买保险到期的用户，在理财产品推荐场景中，所述待推荐用户可以是购买过理财产品用户的家人，也可以是未购买浏览过理财产品的用户，所述偏好产品是指所述待推荐用户感兴趣的产品。
作为本发明的一个实施例，所述识别所述待推荐用户的偏好产品，所述产品获取模块101采用下述方式执行：利用埋点技术采集所述待推荐用户的行为记录，根据所述行为记录，查询所述待推荐用户的产品浏览信息，根据所述产品浏览信息，确定所述待推荐用户的偏好产品。
其中，所述行为记录是指所述待推荐用户在线上页面进行页面浏览时所记录的行为信息，所述产品浏览信息是指所述行为记录中包含产品的记录信息。
进一步地，本发明一可选实施例中，所述利用埋点技术采集所述待推荐用户的行为记录，所述产品获取模块101采用下述方式执行：利用所述埋点技术在用户浏览页面中配置点击事件，并将所述点击事件加载至埋点控件中，基于所述埋点控件，采集所述待推荐用户在所述点击事件的点击信息，得到所述待推荐用户的行为记录。
其中，所述用户浏览页面是指产品展示页面，所述点击事件是指用户在移动端或网页端点击的一个UI控件的行为产生的事件，所述UI控件可以是登录控件、购买控件以及查看控件等，所述埋点控件用于采集用户的行为数据，如Vue控件，所述点击事件的加载可以通过Hook技术实现。
进一步地，本发明一可选实施例中，所述产品浏览信息通过查询语句进行查询，如SQL中的select语句。
进一步地，本发明一可选实施例中，所述根据所述产品浏览信息，确定所述待推荐用户的偏好产品，所述产品获取模块101采用下述方式执行：根据所述产品浏览信息，获取所述待推荐用户的收藏产品、购买产品以及查看产品，并将所述收藏产品、所述购买产品以及所述查看产品作为所述待推荐用户的偏好产品。
进一步地，本发明实施例中，所述预构建的用户库基于上述不同的业务推荐场景产生，其包括所述待推荐用户和所述历史用户，如对于保险产品推荐场景，所述用户库可以为购买过保险产品的用户组成的数据库，对于理财产品推荐场景所述用户库可以为购买过理财产品的用户组成的数据库。
作为本发明的一个实施例，所述从预构建的用户库中查询每个历史用户的购买产品，所述产品获取模块101采用下述方式执行：识别每个所述历史用户的查询对象和查询标识，将所述查询对象和所述查询标识转换为查询语句，根据所述查询语句，向所述预构建的用户库中查询每个历史用户的购买产品。
其中，所述查询对象是指每个所述历史用户需要查询的产品指标，所述查询标识是指每个所述历史用户的身份信息标识，所述查询语句是指所述查询对象和所述查询标识的结构化数据特征，其可以通过SQL语言进行编译转换。
基于所述偏好产品和所述购买产品的获取，可以保障待推荐用户的相似用户生成前提，从而可以保障所述待推荐用户的产品推荐前提。
所述特征提取模块102，用于提取所述偏好产品和所述购买产品的产品特征，分别得到第一产品特征和第二产品特征。
应该了解，在所述偏好产品和所述购买产品会存在大量的产品信息，如产品名称、产品日期、产品功能以及产品结构等，为提高所述偏好产品和所述购买产品的处理速度，本发明实施例通过提取所述偏好产品和所述购买产品的产品特征，以筛选出所述偏好产品和所述购买产品中的无用数据，提高后续数据处理速度。
作为本发明的一个实施例，所述提取所述偏好产品和所述购买产品的产品特征，分别得到第一产品特征和第二产品特征，所述特征提取模块102采用下述方式执行：获取所述偏好产品和所述购买产品中存在的产品属性，分别得到第一产品属性和第二产品属性；计算所述第一产品属性及其对应的偏好产品的信息熵，并计算所述第一产品属性的***信息量；根据所述第一产品属性及其对应的偏好产品的信息熵、所述第一产品属性的***信息量，计算所述第一产品属性的第一增益率，将所述第一增益率大于预设增益率的第一产品属性作为所述第一产品特征；计算所述第二产品属性及其对应的购买产品的信息熵，并计算所述第二产品属性的***信息量；根据所述第二产品属性及其对应的购买产品的信息熵、所述第二产品属性的***信息量，计算所述第二产品属性的第二增益率，将所述第二增益率大于所述预设增益率的第二产品属性作为所述第二产品特征。
其中，所述信息熵用于度量一个数据集合的信息量，一个数据集合越有序，其信息熵越低，需要声明的是，信息熵的计算方法属于当前较为成熟的已知技术，在此不在做阐述，所述增益率可以理解为一个数据在后续数据处理过程中所占比例的占比值，其信息增益率越大，表示对应数据越重要，因此，本发明将所述增益率大于预设增益率的产品属性作为产品特征，可选的，所述预设增益率可以设置为，也可以根据实际业务场景设置。
一个可选实施例中，所述特征提取模块102利用下述公式计算所述第一产品属性的***信息量：
Figure BDA0003380213120000101
其中，SplitInfoA(A)表示第一产品属性的***信息量，m表示偏好产品的产品属性数量，|Dj|表示偏好产品中第j个产品属性，|D|表示偏好产品。
一个可选实施例中，所述特征提取模块102利用下述公式计算所述第一产品属性的第一增益率：
Figure BDA0003380213120000111
其中，GainRatio(A)表示第一产品属性的第一增益率，Info(D)表示偏好产品的信息熵，InfoA(D)表示第一产品属性的信息熵，SplitInfoA(A)表示第一产品属性的***信息量。
需要说明的，所述第二产品属性的***信息量及第二增益率的计算原理与所述第一产品属性的***信息量及第二增益率的计算原理相同，在此不作进一步的赘述。
所述相似用户识别模块103，用于计算所述第一产品特征和所述第二产品特征的产品相似度，并将所述产品相似度大于预设阈值的历史用户作为所述待推荐用户的相似用户。
本发明实施例中，所述计算所述第一产品特征和所述第二产品特征的产品相似度，所述相似用户识别模块103采用下述方式执行：将所述第一产品特征和所述第二产品特征分别转换为第一产品向量和第二产品向量；计算所述第一产品向量和所述第二产品向量的向量相似度，并将所述向量相似度作为所述第一产品特征和所述第二产品特征的产品相似度。其中，所述第一产品特征和所述第二产品的向量转换通过向量转换算法实现，如one-hot算法、word2vec算法等。
进一步地，本发明一可选实施例中，所述相似用户识别模块103利用下述公式算所述第一产品向量和所述第二产品向量的向量相似度：
Figure BDA0003380213120000112
其中，R表示向量相似度，Ax表示第x个第一产品向量，By表示所述数据码表中第y个第二产品向量。
进一步地，本发明实施例并将所述产品相似度大于预设阈值的历史用户作为所述待推荐用户的相似用户，保障所述待推荐用户的产品推荐前提。其中，所述预设阈值可以设置为0.6，也可以根据实际业务场景设置。
所述产品推送模块104，用于从所述相似用户的购买产品中选取满足预设条件的产品作为待推荐产品，并将所述待推荐产品推送给所述待推荐用户。
本发明实施例中，所述预设条件可以根据所述购买产品的购买次数进行设置，如选取所述购买产品的购买次数超过三次的产品作为所述待推荐产品，也可以根据所述购买产品的时间进行设置，如选取所述购买产品中最近一周的产品作为所述待推荐产品，在此本发明不做进一步限定。进一步地，本发明实施例采用以下一种或几种方式组合将所述待推荐产品推送给所述待推荐用户：方式一、通过邮件、短信等内容的推送方式；方式、通过电话语音的推送方式；方式三、通过页面弹窗的推送方式。
进一步地，为保障所述待推荐产品的隐私性和安全性，所述待推荐产品还可存储于一区块链节点中。
基于所述相似用户实现所述待推荐用户的产品推送，可以解决当待推荐用户因缺少有效的数据匹配不到的相似同类用户，无法完成产品推荐的问题，及所述待推荐用户未进行产品购买行为导致产品无法推送的现象，保障所述待推荐用户的产品推荐可行性，提高产品推荐的准确性。
可以看出，相较于现有技术中因稀疏或新用户导致产品无法推送的现象，本发明实施例通过获取待推荐用户的偏好产品，并结合从预构建的用户库中每个历史用户的购买产品，以实现所述待推荐用户和历史用户的产品相似度计算，从而生成所述待推荐用户的相似用户，可以解决当待推荐用户因缺少有效的数据匹配不到的相似同类用户，无法完成产品推荐的问题，及所述待推荐用户未进行产品购买行为导致产品无法推送的现象，保障产品推荐的可行性，提高产品推荐的准确性。因此，本发明实施例提出的一种产品推荐装置可以保障产品推荐的可行性，提高产品推荐的准确性。
如图3所示，是本发明实现产品推荐方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如产品推荐程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行产品推荐程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如产品推荐程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和员工接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备1之间建立通信连接。所述员工接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，员工接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的员工界面。
图3仅示出了具有部件的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利发明范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的产品推荐程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取待推荐用户，并识别所述待推荐用户的偏好产品，从预构建的用户库中查询每个历史用户的购买产品，其中，所述用户库包括所述待推荐用户和所述历史用户；
提取所述偏好产品和所述购买产品的产品特征，分别得到第一产品特征和第二产品特征；
计算所述第一产品特征和所述第二产品特征的产品相似度，并将所述产品相似度大于预设阈值的历史用户作为所述待推荐用户的相似用户；
从所述相似用户的购买产品中选取满足预设条件的产品作为待推荐产品，并将所述待推荐产品推送给所述待推荐用户。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1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，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备1的处理器所执行时，可以实现：
获取待推荐用户，并识别所述待推荐用户的偏好产品，从预构建的用户库中查询每个历史用户的购买产品，其中，所述用户库包括所述待推荐用户和所述历史用户；
提取所述偏好产品和所述购买产品的产品特征，分别得到第一产品特征和第二产品特征；
计算所述第一产品特征和所述第二产品特征的产品相似度，并将所述产品相似度大于预设阈值的历史用户作为所述待推荐用户的相似用户；
从所述相似用户的购买产品中选取满足预设条件的产品作为待推荐产品，并将所述待推荐产品推送给所述待推荐用户。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种产品推荐方法，其特征在于，所述方法包括：
获取待推荐用户，并识别所述待推荐用户的偏好产品，从预构建的用户库中查询每个历史用户的购买产品，其中，所述用户库包括所述待推荐用户和所述历史用户；
提取所述偏好产品和所述购买产品的产品特征，分别得到第一产品特征和第二产品特征；
计算所述第一产品特征和所述第二产品特征的产品相似度，并将所述产品相似度大于预设阈值的历史用户作为所述待推荐用户的相似用户；
从所述相似用户的购买产品中选取满足预设条件的产品作为待推荐产品，并将所述待推荐产品推送给所述待推荐用户。
2.如权利要求1所述的产品推荐方法，其特征在于，所述识别所述待推荐用户的偏好产品，包括：
利用埋点技术采集所述待推荐用户的行为记录，根据所述行为记录，查询所述待推荐用户的产品浏览信息；
根据所述产品浏览信息，确定所述待推荐用户的偏好产品。
3.如权利要求2所述的产品推荐方法，其特征在于，所述利用埋点技术采集所述待推荐用户的行为记录，包括：
利用所述埋点技术在用户浏览页面中配置点击事件，并将所述点击事件加载至埋点控件中；
基于所述埋点控件，采集所述待推荐用户在所述点击事件的点击信息，得到所述待推荐用户的行为记录。
4.如权利要求1所述的产品推荐方法，其特征在于，所述提取所述偏好产品和所述购买产品的产品特征，分别得到第一产品特征和第二产品特征，包括：
获取所述偏好产品和所述购买产品中存在的产品属性，分别得到第一产品属性和第二产品属性；
计算所述第一产品属性及其对应的偏好产品的信息熵，并计算所述第一产品属性的***信息量，根据所述第一产品属性及其对应的偏好产品的信息熵、所述第一产品属性的***信息量，计算所述第一产品属性的第一增益率，将所述第一增益率大于预设增益率的第一产品属性作为所述第一产品特征；
计算所述第二产品属性及其对应的购买产品的信息熵，并计算所述第二产品属性的***信息量；根据所述第二产品属性及其对应的购买产品的信息熵、所述第二产品属性的***信息量，计算所述第二产品属性的第二增益率，将所述第二增益率大于所述预设增益率的第二产品属性作为所述第二产品特征。
5.如权利要求4所述的产品推荐方法，其特征在于，所述计算所述第一产品属性的***信息量，包括：
利用下述公式计算所述第一产品属性的***信息量：
Figure FDA0003380213110000021
其中，SplitInfoA(A)表示第一产品属性的***信息量，m表示偏好产品的产品属性数量，|Dj|表示偏好产品中第j个产品属性，|D|表示偏好产品。
6.如权利要求4所述的产品推荐方法，其特征在于，所述计算所述第一产品属性的第一增益率，包括：
利用下述公式计算所述第一产品属性的第一增益率：
Figure FDA0003380213110000022
其中，GainRatio(A)表示第一产品属性的第一增益率，Info(D)表示偏好产品的信息熵，InfoA(D)表示第一产品属性的信息熵，SplitInfoA(A)表示第一产品属性的***信息量。
7.如权利要求1至6中任意一项所述的产品推荐方法，其特征在于，所述计算所述第一产品特征和所述第二产品特征的产品相似度，包括：
将所述第一产品特征和所述第二产品特征分别转换为第一产品向量和第二产品向量；
计算所述第一产品向量和所述第二产品向量的向量相似度，并将所述向量相似度作为所述第一产品特征和所述第二产品特征的产品相似度。
8.一种产品推荐装置，其特征在于，所述装置包括：
产品获取模块，用于获取待推荐用户，并识别所述待推荐用户的偏好产品，从预构建的用户库中查询每个历史用户的购买产品，其中，所述用户库包括所述待推荐用户和所述历史用户；
特征提取模块，用于提取所述偏好产品和所述购买产品的产品特征，分别得到第一产品特征和第二产品特征；
相似用户识别模块，用于计算所述第一产品特征和所述第二产品特征的产品相似度，并将所述产品相似度大于预设阈值的历史用户作为所述待推荐用户的相似用户；
产品推送模块，用于从所述相似用户的购买产品中选取满足预设条件的产品作为待推荐产品，并将所述待推荐产品推送给所述待推荐用户。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的产品推荐方法。
10.一种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7中任意一项所述的产品推荐方法。
CN202111431235.2A 2021-11-29 2021-11-29 产品推荐方法、装置、电子设备及存储介质 Pending CN114066533A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111431235.2A CN114066533A (zh) 2021-11-29 2021-11-29 产品推荐方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111431235.2A CN114066533A (zh) 2021-11-29 2021-11-29 产品推荐方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114066533A true CN114066533A (zh) 2022-02-18

Family

ID=80277172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111431235.2A Pending CN114066533A (zh) 2021-11-29 2021-11-29 产品推荐方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114066533A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114969249A (zh) * 2022-04-28 2022-08-30 江苏四象软件有限公司 数据挖掘***及数据挖掘方法
CN116739794A (zh) * 2023-08-10 2023-09-12 北京中关村银行股份有限公司 基于大数据及机器学习的用户个性化方案推荐方法及***

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114969249A (zh) * 2022-04-28 2022-08-30 江苏四象软件有限公司 数据挖掘***及数据挖掘方法
CN116739794A (zh) * 2023-08-10 2023-09-12 北京中关村银行股份有限公司 基于大数据及机器学习的用户个性化方案推荐方法及***
CN116739794B (zh) * 2023-08-10 2023-10-20 北京中关村银行股份有限公司 基于大数据及机器学习的用户个性化方案推荐方法及***

Similar Documents

Publication Publication Date Title
CN106383887B (zh) 一种环保新闻数据采集和推荐展示的方法及***
CN106557513B (zh) 事件信息推送方法及事件信息推送装置
US8370358B2 (en) Tagging content with metadata pre-filtered by context
CN111008321B (zh) 基于逻辑回归推荐方法、装置、计算设备、可读存储介质
US20130254181A1 (en) Aggregation and Categorization
CN113220657B (zh) 数据处理方法、装置及计算机设备
CN114066533A (zh) 产品推荐方法、装置、电子设备及存储介质
US11568011B2 (en) System and method for improved searching across multiple databases
CN113836131A (zh) 一种大数据清洗方法、装置、计算机设备及存储介质
CN115002200A (zh) 基于用户画像的消息推送方法、装置、设备及存储介质
CN113886708A (zh) 基于用户信息的产品推荐方法、装置、设备及存储介质
CN114386509A (zh) 数据融合方法、装置、电子设备及存储介质
CN112927057A (zh) 对象信息展示方法、装置、计算机设备及可读存储介质
CN116362684A (zh) 一种基于图书馆集群的图书管理方法、装置、设备及存储介质
CN115018588A (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN113706249B (zh) 数据推荐方法、装置、电子设备及存储介质
CN113362162A (zh) 基于网络行为数据的风控识别方法、装置、电子设备及介质
CN113505273A (zh) 基于重复数据筛选的数据排序方法、装置、设备及介质
CN116303657A (zh) 群体画像生成方法、装置、计算机设备和存储介质
CN114840388A (zh) 数据监控方法、装置、电子设备及存储介质
CN112149391B (zh) 信息处理方法、信息处理装置、终端设备及存储介质
CN113344674A (zh) 基于用户购买力的产品推荐方法、装置、设备及存储介质
CN113449002A (zh) 车辆推荐方法、装置、电子设备及存储介质
CN113434660A (zh) 基于多领域分类的产品推荐方法、装置、设备及存储介质
CN114219544A (zh) 消费倾向分析方法、装置、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