CN116542779A - 基于人工智能的产品推荐方法、装置、设备及存储介质 - Google Patents
基于人工智能的产品推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116542779A CN116542779A CN202310498104.9A CN202310498104A CN116542779A CN 116542779 A CN116542779 A CN 116542779A CN 202310498104 A CN202310498104 A CN 202310498104A CN 116542779 A CN116542779 A CN 116542779A
- Authority
- CN
- China
- Prior art keywords
- product
- user
- information
- purchase
- acquiring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 45
- 238000012216 screening Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 12
- 230000008569 process Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例属于人工智能领域,涉及一种基于人工智能的产品推荐方法,包括:获取用户数据;基于用户数据构建用户标签,从待推荐的产品集合中获取与用户标签对应的第一产品;获取用户的历史询价记录,基于历史询价记录确定用户的产品偏好类型;基于产品偏好类型从第一产品中筛选出第二产品;获取第二产品的产品信息,基于购买预测模型对产品信息与历史产品购买信息进行处理,生成用户购买第二产品的购买概率;基于购买概率从第二产品中确定出目标产品,并将目标产品推送给用户。本申请还提供一种基于人工智能的产品推荐装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,目标产品可存储于区块链中。本申请能够提高产品的推荐准确度。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及基于人工智能的产品推荐方法、装置、计算机设备及存储介质。
背景技术
随着保险行业的快速发展,保险产品的种类也变得越来越多。面对众多的保险产品和大量不同需求的客户,如何向客户推荐最适合的保险产品,是保险公司需要一直探索的问题。
目前,当用户需要购买保险时,一般是通过保险销售人员根据用户的需求和工作经验,以主观判断的方式来人工判断用户更倾向交易的保险类型,并将这些保险类型对用户进行讲解并推荐。但是,通过人工判断用户需求的保险推荐方式主要以保险销售人员的主观判断为准,这较大的依赖于保险销售人员的个人经验,容易造成保险推荐的工作量较大,并导致推荐的保险产品的准确性较低。
发明内容
本申请实施例的目的在于提出一种基于人工智能的产品推荐方法、装置、计算机设备及存储介质,以解决现有的通过人工判断用户需求的保险推荐方式主要以保险销售人员的主观判断为准,这较大的依赖于保险销售人员的个人经验,容易造成保险推荐的工作量较大,并导致推荐的保险产品的准确性较低的技术问题。
为了解决上述技术问题,本申请实施例提供一种基于人工智能的产品推荐方法,采用了如下所述的技术方案:
获取用户数据;其中,所述用户数据至少包括用户的基本信息数据与历史产品购买信息;
基于所述用户数据构建所述用户的用户标签,并从待推荐的产品集合中获取与所述用户标签对应的第一产品;
获取与所述用户对应的历史询价记录,并基于所述历史询价记录确定与所述用户对应的产品偏好类型;
基于所述产品偏好类型从所述第一产品中筛选出第二产品;
获取所述第二产品的产品信息,基于预设的购买预测模型对所述产品信息与所述历史产品购买信息进行处理,生成所述用户购买所述第二产品的购买概率;
基于所述购买概率从所述第二产品中确定出目标产品,并将所述目标产品推送给所述用户。
进一步的,所述基于所述用户数据构建所述用户的用户标签的步骤,具体包括:
调用预设的用户分析模型;
将所述用户数据输入至所述用户分析模型内;
通过所述用户分析模型对所述用户数据进行标签匹配处理,生成与所述用户对应的用户标签。
进一步的,所述从待推荐的产品集合中获取与所述用户标签对应的第一产品的步骤,具体包括:
基于预设的信息类型,从所述用户标签中获取与所述信息类型对应的目标标签;
基于所述目标标签确定与所述用户对应的客户群体类型;
从所述待推荐的产品集合中查询出与所述客户群体类型匹配的产品,得到所述第一产品。
进一步的,所述基于所述历史询价记录确定与所述用户对应的产品偏好类型的步骤,具体包括:
获取与所述历史询价记录对应的用户评价信息;
从所述用户评价信息中筛选出与产品描述相关的评价内容;
基于预设的分析规则对所述评价内容进行分析,确定出与所述用户对应的产品偏好类型。
进一步的,在所述基于预设的购买预测模型对所述产品信息与所述历史产品购买信息进行处理,生成所述用户购买所述第二产品的购买概率的步骤之前,具体包括:
获取目标客户的产品购买信息,以及获取预设产品的指定产品信息;
基于所述产品购买信息与所述指定产品信息构建样本数据集;
基于预设比例从所述样本数据集中确定出训练数据集与测试数据集;
使用所述训练数据集对预设的分类模型进行训练,得到初始购买预测模型;
使用所述测试集对所述初始购买预测模型进行验证,若得到的分类准确率大于预设的准确率阈值,则训练结束,并将所述初始购买预测模型作为所述购买预测模型。
进一步的,所述基于所述购买概率从所述第二产品中确定出目标产品的步骤,具体包括:
从所述用户标签中获取所述用户的收入信息与家庭状态信息;
基于所述收入信息与家庭状态信息生成所述用户的购买额度阈值;
从所述第二产品中筛选出小于所述购买额度阈值的第三产品;
将所述第三产品作为所述目标产品。
进一步的,所述基于所述购买概率从所述第二产品中确定出目标产品的步骤,具体包括:
按照所述购买概率从大到小的顺序对所述第二产品进行排序,得到的对应的排序结果;
确定目标数量;
在所述排序结果中获取由前至后的目标数量的第四保险;
将所述第四保险作为所述目标保险。
为了解决上述技术问题,本申请实施例还提供一种基于人工智能的产品推荐装置,采用了如下所述的技术方案:
第一获取模块,用于获取用户数据;其中,所述用户数据至少包括用户的基本信息数据与历史产品购买信息;
第一构建模块,用于基于所述用户数据构建所述用户的用户标签,并从待推荐的产品集合中获取与所述用户标签对应的第一产品;
第一确定模块,用于获取与所述用户对应的历史询价记录,并基于所述历史询价记录确定与所述用户对应的产品偏好类型;
筛选模块,用于基于所述产品偏好类型从所述第一产品中筛选出第二产品;
处理模块,用于获取所述第二产品的产品信息,基于预设的购买预测模型对所述产品信息与所述历史产品购买信息进行处理,生成所述用户购买所述第二产品的购买概率;
第二确定模块,用于基于所述购买概率从所述第二产品中确定出目标产品,并将所述目标产品推送给所述用户。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
获取用户数据;其中,所述用户数据至少包括用户的基本信息数据与历史产品购买信息;
基于所述用户数据构建所述用户的用户标签,并从待推荐的产品集合中获取与所述用户标签对应的第一产品;
获取与所述用户对应的历史询价记录,并基于所述历史询价记录确定与所述用户对应的产品偏好类型;
基于所述产品偏好类型从所述第一产品中筛选出第二产品;
获取所述第二产品的产品信息,基于预设的购买预测模型对所述产品信息与所述历史产品购买信息进行处理,生成所述用户购买所述第二产品的购买概率;
基于所述购买概率从所述第二产品中确定出目标产品,并将所述目标产品推送给所述用户。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
获取用户数据;其中,所述用户数据至少包括用户的基本信息数据与历史产品购买信息;
基于所述用户数据构建所述用户的用户标签,并从待推荐的产品集合中获取与所述用户标签对应的第一产品;
获取与所述用户对应的历史询价记录,并基于所述历史询价记录确定与所述用户对应的产品偏好类型;
基于所述产品偏好类型从所述第一产品中筛选出第二产品;
获取所述第二产品的产品信息,基于预设的购买预测模型对所述产品信息与所述历史产品购买信息进行处理,生成所述用户购买所述第二产品的购买概率;
基于所述购买概率从所述第二产品中确定出目标产品,并将所述目标产品推送给所述用户。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例首先获取用户数据;然后基于所述用户数据构建所述用户的用户标签,并从待推荐的产品集合中获取与所述用户标签对应的第一产品;之后获取与所述用户对应的历史询价记录,并基于所述历史询价记录确定与所述用户对应的产品偏好类型;后续基于所述产品偏好类型从所述第一产品中筛选出第二产品;进一步获取所述第二产品的产品信息,基于预设的购买预测模型对所述产品信息与所述历史产品购买信息进行处理,生成所述用户购买所述第二产品的购买概率;最后基于所述购买概率从所述第二产品中确定出目标产品,并将所述目标产品推送给所述用户。本申请实施例通过分析用户的用户数据以及历史询价记录来进行对于待推荐的产品集合的初步筛选,进而基于购买预测模型的使用来对初步筛选后的产品进行进一步筛选,从而可以实现自动准确地生成符合用户的购买倾向的目标产品并进行推送,相较于人工推荐的方式,能够有效提高产品的推荐准确度,且这种自动处理方式也能够降低保险推荐人员的工作量,有助于提高保险推荐人员的工作效率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性***架构图;
图2根据本申请的基于人工智能的产品推荐方法的一个实施例的流程图;
图3是根据本申请的基于人工智能的产品推荐装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于人工智能的产品推荐方法一般由服务器/终端设备执行,相应地,基于人工智能的产品推荐装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器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、网络和服务器。
继续参考图2,示出了根据本申请的基于人工智能的产品推荐方法的一个实施例的流程图。所述的基于人工智能的产品推荐方法,包括以下步骤:
步骤S201,获取用户数据;其中,所述用户数据至少包括用户的基本信息数据与历史产品购买信息。
在本实施例中,基于人工智能的产品推荐方法运行于其上的电子设备(例如图1所示的服务器/终端设备),可以通过有线连接方式或者无线连接方式获取用户数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。其中,用户的基本信息数据至少包括:客户的姓名、身份证号码、年龄、职业、收入信息、财产、生命周期、家庭状态等数据,上述历史产品购买信息至少包括购买产品种类、风险保额、购买日期等信息。
步骤S202,基于所述用户数据构建所述用户的用户标签,并从待推荐的产品集合中获取与所述用户标签对应的第一产品。
在本实施例中,本方案具体可应用于保险产品推荐的业务场景中。上述待推荐的产品集合中可包含多个保险产品。其中,上述基于所述用户数据构建所述用户的用户标签,并从待推荐的产品集合中获取与所述用户标签对应的第一产品的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S203,获取与所述用户对应的历史询价记录,并基于所述历史询价记录确定与所述用户对应的产品偏好类型。
在本实施例中,上述基于所述历史询价记录确定与所述用户对应的产品偏好类型的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
步骤S204,基于所述产品偏好类型从所述第一产品中筛选出第二产品。
在本实施例中,可通过对所述第一产品按照预设设置的产品类型的类别进行分类,然后从分类后的第一产品中筛选出与所述产品偏好类型匹配的产品,作为上述第二产品。
步骤S205,获取所述第二产品的产品信息,基于预设的购买预测模型对所述产品信息与所述历史产品购买信息进行处理,生成所述用户购买所述第二产品的购买概率。
在本实施例中,上述购买预测模型具体可为分类类型,优选可采用支持向量机模型。具体的向量机模型的表达式为: 其中,P表示第二产品的购买概率,W与b表示模型系数,f(x)表示支持向量机的决策函数。
步骤S206,基于所述购买概率从所述第二产品中确定出目标产品,并将所述目标产品推送给所述用户。
在本实施例中,可通过获取用户的终端联系信息,再基于该终端联系信息将所述目标产品推送给所述用户。其中,上述基于所述购买概率从所述第二产品中确定出目标产品的具体实施过程,本申请将在后续的具体实施例中对此进行进一步的细节描述,在此不作过多阐述。
本申请首先获取用户数据;然后基于所述用户数据构建所述用户的用户标签,并从待推荐的产品集合中获取与所述用户标签对应的第一产品;之后获取与所述用户对应的历史询价记录,并基于所述历史询价记录确定与所述用户对应的产品偏好类型;后续基于所述产品偏好类型从所述第一产品中筛选出第二产品;进一步获取所述第二产品的产品信息,基于预设的购买预测模型对所述产品信息与所述历史产品购买信息进行处理,生成所述用户购买所述第二产品的购买概率;最后基于所述购买概率从所述第二产品中确定出目标产品,并将所述目标产品推送给所述用户。本申请通过分析用户的用户数据以及历史询价记录来进行对于待推荐的产品集合的初步筛选,进而基于购买预测模型的使用来对初步筛选后的产品进行进一步筛选,从而可以实现自动准确地生成符合用户的购买倾向的目标产品并进行推送,相较于人工推荐的方式,能够有效提高产品的推荐准确度,且这种自动处理方式也能够降低保险推荐人员的工作量,有助于提高保险推荐人员的工作效率。
在一些可选的实现方式中,步骤S202中的所述基于所述用户数据构建所述用户的用户标签,包括以下步骤:
调用预设的用户分析模型。
在本实施例中,预先定义用户模型,该用户模型由多个标签组成,每个标签描述用户的一个属性。具体的,标签是指:用来描述用户的一个或多个属性,例如:年龄、性别、职业、是否有房、是否有车等,每个属性都是一种标签;上述用户分析模型是指:由一组标签的集合,例如:性别、年龄、职业、年收入、是否有房、是否有车、是否经常出差等等一系列的标签,进行集合形成的一个用户分析模型。
将所述用户数据输入至所述用户分析模型内。
通过所述用户分析模型对所述用户数据进行标签匹配处理,生成与所述用户对应的用户标签。
在本实施例中,每间隔一定的时间,可通过相关人员手动或者根据***设置定期自动运行用户模型,将用户数据与用户分析模型中的各种标签进行匹配,进而在用户数据上打下相匹配的标签。其中,每次打完标签后,还可将用户数据存储在关系型数据库中,以便后续进行展示。
本申请通过调用预设的用户分析模型;然后将所述用户数据输入至所述用户分析模型内;后续通过所述用户分析模型对所述用户数据进行标签匹配处理,生成与所述用户对应的用户标签。本申请基于用户分析模型对用户数据进行处理,可以实现快速准确地生成与所述用户对应的用户标签,有利于后续可以从待推荐的产品集合中获取与所述用户标签对应的第一产品,从而实现第一产品的快速智能获取。
在本实施例的一些可选的实现方式中,步骤S202中的所述从待推荐的产品集合中获取与所述用户标签对应的第一产品,包括以下步骤:
基于预设的信息类型,从所述用户标签中获取与所述信息类型对应的目标标签。
在本实施例中,上述信息类型是指与生命周期信息对应的类型。
基于所述目标标签确定与所述用户对应的客户群体类型。
在本实施例中,上述目标标签是指用户标签中的生命周期标签,预先会根据不同用户的生命周期标签,将用户划分为单身期、家庭形成期、家庭成长期、家庭成熟期和退休期等客户群体。
从所述待推荐的产品集合中查询出与所述客户群体类型匹配的产品,得到所述第一产品。
在本实施例中,上述待推荐的产品集合为预先构建的存储有与各个客户群体分别匹配的产品,即基于客户群体类型预先对产品进行了分类处理的集合。
本申请通过基于预设的信息类型,从所述用户标签中获取与所述信息类型对应的目标标签;然后基于所述目标标签确定与所述用户对应的客户群体类型;后续从所述待推荐的产品集合中查询出与所述客户群体类型匹配的产品,得到所述第一产品。本申请在得到了用户的用户标签后,能够基于该用户标签的使用,实现快速智能地从待推荐的产品集合中获取与所述用户标签对应的第一产品,以完成对于待推荐的产品集合中的所有产品的初步筛选,使得后续只需对第一产品进行处理以进行对于用户的精确产品推荐,减少了产品推荐的处理工作量。
在一些可选的实现方式中,步骤S203中的所述基于所述历史询价记录确定与所述用户对应的产品偏好类型,包括以下步骤:
获取与所述历史询价记录对应的用户评价信息。
在本实施例中,上述用户评价信息可指产品推荐人员在用户进行产品询价中填写的对于用户的评价信息。其中,用户评价信息至少包括关于用户对于产品的偏好信息,用户对于产品的偏好信息可包括用户属于价格敏感型的客户,用户属于方案敏感性的客户,或者用户属于平衡型的客户。
从所述用户评价信息中筛选出与产品描述相关的评价内容。
在本实施例中,上述与产品描述相关的评价内容是指产品推荐人员在用户进行产品询价中填写的关于用户对于产品的偏好信息。
基于预设的分析规则对所述评价内容进行分析,确定出与所述用户对应的产品偏好类型。
在本实施例中,可通过获取用户对于各种产品的评价内容,然后从该评价内容中筛选得到出现次数最多的目标评价内容,并将该目标评价内容作为与所述用户对应的产品偏好类型。
本申请通过获取与所述历史询价记录对应的用户评价信息;然后从所述用户评价信息中筛选出与产品描述相关的评价内容;后续基于预设的分析规则对所述评价内容进行分析,确定出与所述用户对应的产品偏好类型。本申请基于对用户的历史询价记录进行分析处理,可以快速准确地确定出与所述用户对应的产品偏好类型,有利于后续可以基于所述产品偏好类型从所述第一产品中筛选出第二产品,从而实现第二产品的快速智能获取,从而完成对于第一产品的初步筛选,使得后续只需对第二产品进行处理以进行对于用户的精确产品推荐,减少了产品推荐的处理工作量。
在一些可选的实现方式中,在步骤S205之前,上述电子设备还可以执行以下步骤:
获取目标客户的产品购买信息,以及获取预设产品的指定产品信息。
在本实施例中,上述目标客户优选为具有优秀的购买力的客户,上述产品购买信息至少包括目标客户在预设时间段内的购买的特定产品,以及目标客户在该预设时间段内的下一段时间内的购买的未涉及特定产品的产品类型所对应的指定产品。上述指定产品信息可包括指定产品的产品名称。
基于所述产品购买信息与所述指定产品信息构建样本数据集。
在本实施例中,通过提取与所述产品购买信息以及所述指定产品信息的特征向量,并将该特征向量作为样本数据集。
基于预设比例从所述样本数据集中确定出训练数据集与测试数据集。
在本实施例中,对于上述预设比例的取值不作具体限定,可根据实际的使用需求进行设置。例如可设为8:2,即从样本数据集中随机抽取80%的数据作为训练数据集,并从样本数据集中随机抽取20%的数据作为测试数据集。
使用所述训练数据集对预设的分类模型进行训练,得到初始购买预测模型。
在本实施例中,对于上述分类模型的选取不作具体限定,例如可采用决策树、随机森林、GBDT、XGB、支持向量机模型等,优选采用支持向量机模型。具体的,通过将训练数据集中的特征向量输入至支持向量机模型内,得到各个对应指定产品的购买概率。根据各个指定产品的购买概率及下一段时间客户购买的保险产品,调整模型系数,从而生成所述购买预测模型模型。
使用所述测试集对所述初始购买预测模型进行验证,若得到的分类准确率大于预设的准确率阈值,则训练结束,并将所述初始购买预测模型作为所述购买预测模型。
在本实施例中,对于上述准确率阈值的取值不作具体限定,可根据实际的使用需求进行设置。其中,如果得到的分类准确率不大于预设的准确率阈值,则增加目标客户的数量并重新执行训练步骤直至准确率大于或等于准确率阈值,进而获取满足需求的购买预测模型。
本申请通过获取目标客户的产品购买信息,以及获取预设产品的指定产品信息;然后基于所述产品购买信息与所述指定产品信息构建样本数据集;之后基于预设比例从所述样本数据集中确定出训练数据集与测试数据集;后续使用所述训练数据集对预设的分类模型进行训练,得到初始购买预测模型;最后使用所述测试集对所述初始购买预测模型进行验证,若得到的分类准确率大于预设的准确率阈值,则训练结束,并将所述初始购买预测模型作为所述购买预测模型,有利于后续可以基于购买预测模型对第二产品的产品信息与所述历史产品购买信息进行处理,生成所述用户购买所述第二产品的购买概率,从而可以基于所述购买概率从所述第二产品中确定出目标产品,保证了生成的目标产品的准确性。
在本实施例的一些可选的实现方式中,步骤S206包括以下步骤:
从所述用户标签中获取所述用户的收入信息与家庭状态信息。
在本实施例中,所述用户标签中至少包括所述用户的收入信息与家庭状态信息。
基于所述收入信息与家庭状态信息生成所述用户的购买额度阈值。
在本实施例中,上述购买额度阈值可指用户的可承受产品购买费用。可先获取所述收入信息对应的数值范围,通过查询预设的购买额度表,以从该购买额度表中查询出与所述收入数值范围以及所述家庭状态信息对应的购买额度阈值。其中,所述购买额度表为根据实际的业务规则(随着收入水平的提升,从刚性、基础性保障向全面高端保障的调整)对各种客户人群进行数据分析后构建出的,存储有收入数值范围、家庭状态信息以及购买额度阈值之间的关联关系的数据表。另外,家庭状态信息可包括单身期、家庭形成除期、家庭成长期、家庭成熟期和退休期等。
从所述第二产品中筛选出小于所述购买额度阈值的第三产品。
将所述第三产品作为所述目标产品。
本申请通过从所述用户标签中获取所述用户的收入信息与家庭状态信息;然后基于所述收入信息与家庭状态信息生成所述用户的购买额度阈值;后续从所述第二产品中筛选出小于所述购买额度阈值的第三产品,并将所述第三产品作为所述目标产品。本申请通过对用户的用户数据进行分析以及基于购买预测模型的使用来从待推荐的产品集合中确定出第二产品后,还会进一步基于用户的购买额度阈值对第二产品进行筛选以得到最终的目标产品,从而能够实现自动准确地生成符合用户的购买倾向的目标产品并进行推送,相较于人工推荐的方式,能够有效提高产品的推荐准确度,且这种自动处理方式也能够降低保险推荐人员的工作量,有助于提高保险推荐人员的工作效率。
在本实施例的一些可选的实现方式中,步骤S206包括以下步骤:
按照所述购买概率从大到小的顺序对所述第二产品进行排序,得到的对应的排序结果。
确定目标数量。
在本实施例中,对于目标数量的取值不作具体限定,可根据实际的使用需求进行设置。若目标数量为一个,则获取排序最靠前的一个产品作为目标产品即可;或者,当目标数量为N,且N为大于1的整数时,则获取排序靠前的N个产品作为目标产品。
在所述排序结果中获取由前至后的目标数量的第四保险。
将所述第四保险作为所述目标保险。
本申请通过按照所述购买概率从大到小的顺序对所述第二产品进行排序,得到的对应的排序结果;然后确定目标数量;后续在所述排序结果中获取由前至后的目标数量的第四保险,并将所述第四保险作为所述目标保险。本申请通过对用户的用户数据进行分析,以及基于购买预测模型的使用,能够实现自动准确地生成符合用户的购买倾向的目标产品并进行推送,相较于人工推荐的方式,能够有效提高产品的推荐准确度,且这种自动处理方式也能够降低保险推荐人员的工作量,有助于提高保险推荐人员的工作效率。
需要强调的是,为进一步保证上述目标产品的私密和安全性,上述目标产品还可以存储于一区块链的节点中。
本申请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。
本申请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***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种基于人工智能的产品推荐装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的基于人工智能的产品推荐装置300包括:第一获取模块301、第一构建模块302、第一确定模块303、筛选模块304、处理模块305以及第二确定模块306。其中:
第一获取模块301,用于获取用户数据;其中,所述用户数据至少包括用户的基本信息数据与历史产品购买信息;
第一构建模块302,用于基于所述用户数据构建所述用户的用户标签,并从待推荐的产品集合中获取与所述用户标签对应的第一产品;
第一确定模块303,用于获取与所述用户对应的历史询价记录,并基于所述历史询价记录确定与所述用户对应的产品偏好类型;
筛选模块304,用于基于所述产品偏好类型从所述第一产品中筛选出第二产品;
处理模块305,用于获取所述第二产品的产品信息,基于预设的购买预测模型对所述产品信息与所述历史产品购买信息进行处理,生成所述用户购买所述第二产品的购买概率;
第二确定模块306,用于基于所述购买概率从所述第二产品中确定出目标产品,并将所述目标产品推送给所述用户。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的产品推荐方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一构建模块302包括:
调用子模块,用于调用预设的用户分析模型;
输入子模块,用于将所述用户数据输入至所述用户分析模型内;
第一生成子模块,用于通过所述用户分析模型对所述用户数据进行标签匹配处理,生成与所述用户对应的用户标签。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的产品推荐方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一构建模块302包括:
第一获取子模块,用于基于预设的信息类型,从所述用户标签中获取与所述信息类型对应的目标标签;
第一确定子模块,用于基于所述目标标签确定与所述用户对应的客户群体类型;
查询子模块,用于从所述待推荐的产品集合中查询出与所述客户群体类型匹配的产品,得到所述第一产品。
本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的产品推荐方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第一确定模块303包括:
第二获取子模块,用于获取与所述历史询价记录对应的用户评价信息;
第一筛选子模块,用于从所述用户评价信息中筛选出与产品描述相关的评价内容;
第二确定子模块,用于基于预设的分析规则对所述评价内容进行分析,确定出与所述用户对应的产品偏好类型。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的产品推荐方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,基于人工智能的产品推荐装置还包括:
第二获取模块,用于获取目标客户的产品购买信息,以及获取预设产品的指定产品信息;
第二构建模块,用于基于所述产品购买信息与所述指定产品信息构建样本数据集;
第三确定模块,用于基于预设比例从所述样本数据集中确定出训练数据集与测试数据集;
训练模块,用于使用所述训练数据集对预设的分类模型进行训练,得到初始购买预测模型;
验证模块,用于使用所述测试集对所述初始购买预测模型进行验证,若得到的分类准确率大于预设的准确率阈值,则训练结束,并将所述初始购买预测模型作为所述购买预测模型。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的产品推荐方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第二确定模块306包括:
第三获取子模块,用于从所述用户标签中获取所述用户的收入信息与家庭状态信息;
第二生成子模块,用于基于所述收入信息与家庭状态信息生成所述用户的购买额度阈值;
第二筛选子模块,用于从所述第二产品中筛选出小于所述购买额度阈值的第三产品;
第三确定子模块,用于将所述第三产品作为所述目标产品。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的产品推荐方法的步骤一一对应,在此不再赘述。
在本实施例的一些可选的实现方式中,第二确定模块306包括:
排序子模块,用于按照所述购买概率从大到小的顺序对所述第二产品进行排序,得到的对应的排序结果;
第四确定子模块,用于确定目标数量;
第四获取子模块,用于在所述排序结果中获取由前至后的目标数量的第四保险;
第五确定子模块,用于将所述第四保险作为所述目标保险。
在本实施例中,上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的产品推荐方法的步骤一一对应,在此不再赘述。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过***总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件41-43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备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。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41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、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4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(FlashCard)等。当然,所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作***和各类应用软件,例如基于人工智能的产品推荐方法的计算机可读指令等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据,例如运行所述基于人工智能的产品推荐方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,首先获取用户数据;然后基于所述用户数据构建所述用户的用户标签,并从待推荐的产品集合中获取与所述用户标签对应的第一产品;之后获取与所述用户对应的历史询价记录,并基于所述历史询价记录确定与所述用户对应的产品偏好类型;后续基于所述产品偏好类型从所述第一产品中筛选出第二产品;进一步获取所述第二产品的产品信息,基于预设的购买预测模型对所述产品信息与所述历史产品购买信息进行处理,生成所述用户购买所述第二产品的购买概率;最后基于所述购买概率从所述第二产品中确定出目标产品,并将所述目标产品推送给所述用户。本申请实施例通过分析用户的用户数据以及历史询价记录来进行对于待推荐的产品集合的初步筛选,进而基于购买预测模型的使用来对初步筛选后的产品进行进一步筛选,从而可以实现自动准确地生成符合用户的购买倾向的目标产品并进行推送,相较于人工推荐的方式,能够有效提高产品的推荐准确度,且这种自动处理方式也能够降低保险推荐人员的工作量,有助于提高保险推荐人员的工作效率。
本申请还提供了另一种实施方式,即提供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可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于人工智能的产品推荐方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例中,首先获取用户数据;然后基于所述用户数据构建所述用户的用户标签,并从待推荐的产品集合中获取与所述用户标签对应的第一产品;之后获取与所述用户对应的历史询价记录,并基于所述历史询价记录确定与所述用户对应的产品偏好类型;后续基于所述产品偏好类型从所述第一产品中筛选出第二产品;进一步获取所述第二产品的产品信息,基于预设的购买预测模型对所述产品信息与所述历史产品购买信息进行处理,生成所述用户购买所述第二产品的购买概率;最后基于所述购买概率从所述第二产品中确定出目标产品,并将所述目标产品推送给所述用户。本申请实施例通过分析用户的用户数据以及历史询价记录来进行对于待推荐的产品集合的初步筛选,进而基于购买预测模型的使用来对初步筛选后的产品进行进一步筛选,从而可以实现自动准确地生成符合用户的购买倾向的目标产品并进行推送,相较于人工推荐的方式,能够有效提高产品的推荐准确度,且这种自动处理方式也能够降低保险推荐人员的工作量,有助于提高保险推荐人员的工作效率。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于人工智能的产品推荐方法,其特征在于,包括下述步骤:
获取用户数据;其中,所述用户数据至少包括用户的基本信息数据与历史产品购买信息;
基于所述用户数据构建所述用户的用户标签,并从待推荐的产品集合中获取与所述用户标签对应的第一产品;
获取与所述用户对应的历史询价记录,并基于所述历史询价记录确定与所述用户对应的产品偏好类型;
基于所述产品偏好类型从所述第一产品中筛选出第二产品;
获取所述第二产品的产品信息,基于预设的购买预测模型对所述产品信息与所述历史产品购买信息进行处理,生成所述用户购买所述第二产品的购买概率;
基于所述购买概率从所述第二产品中确定出目标产品,并将所述目标产品推送给所述用户。
2.根据权利要求1所述的基于人工智能的产品推荐方法,其特征在于,所述基于所述用户数据构建所述用户的用户标签的步骤,具体包括:
调用预设的用户分析模型;
将所述用户数据输入至所述用户分析模型内;
通过所述用户分析模型对所述用户数据进行标签匹配处理,生成与所述用户对应的用户标签。
3.根据权利要求1所述的基于人工智能的产品推荐方法,其特征在于,所述从待推荐的产品集合中获取与所述用户标签对应的第一产品的步骤,具体包括:
基于预设的信息类型,从所述用户标签中获取与所述信息类型对应的目标标签;
基于所述目标标签确定与所述用户对应的客户群体类型;
从所述待推荐的产品集合中查询出与所述客户群体类型匹配的产品,得到所述第一产品。
4.根据权利要求1所述的基于人工智能的产品推荐方法,其特征在于,所述基于所述历史询价记录确定与所述用户对应的产品偏好类型的步骤,具体包括:
获取与所述历史询价记录对应的用户评价信息;
从所述用户评价信息中筛选出与产品描述相关的评价内容;
基于预设的分析规则对所述评价内容进行分析,确定出与所述用户对应的产品偏好类型。
5.根据权利要求1所述的基于人工智能的产品推荐方法,其特征在于,在所述基于预设的购买预测模型对所述产品信息与所述历史产品购买信息进行处理,生成所述用户购买所述第二产品的购买概率的步骤之前,具体包括:
获取目标客户的产品购买信息,以及获取预设产品的指定产品信息;
基于所述产品购买信息与所述指定产品信息构建样本数据集;
基于预设比例从所述样本数据集中确定出训练数据集与测试数据集;
使用所述训练数据集对预设的分类模型进行训练,得到初始购买预测模型;
使用所述测试集对所述初始购买预测模型进行验证,若得到的分类准确率大于预设的准确率阈值,则训练结束,并将所述初始购买预测模型作为所述购买预测模型。
6.根据权利要求1所述的基于人工智能的产品推荐方法,其特征在于,所述基于所述购买概率从所述第二产品中确定出目标产品的步骤,具体包括:
从所述用户标签中获取所述用户的收入信息与家庭状态信息;
基于所述收入信息与家庭状态信息生成所述用户的购买额度阈值;
从所述第二产品中筛选出小于所述购买额度阈值的第三产品;
将所述第三产品作为所述目标产品。
7.根据权利要求1所述的基于人工智能的产品推荐方法,其特征在于,所述基于所述购买概率从所述第二产品中确定出目标产品的步骤,具体包括:
按照所述购买概率从大到小的顺序对所述第二产品进行排序,得到的对应的排序结果;
确定目标数量;
在所述排序结果中获取由前至后的目标数量的第四保险;
将所述第四保险作为所述目标保险。
8.一种基于人工智能的产品推荐装置,其特征在于,包括:
第一获取模块,用于获取用户数据;其中,所述用户数据至少包括用户的基本信息数据与历史产品购买信息;
第一构建模块,用于基于所述用户数据构建所述用户的用户标签,并从待推荐的产品集合中获取与所述用户标签对应的第一产品;
第一确定模块,用于获取与所述用户对应的历史询价记录,并基于所述历史询价记录确定与所述用户对应的产品偏好类型;
筛选模块,用于基于所述产品偏好类型从所述第一产品中筛选出第二产品;
处理模块,用于获取所述第二产品的产品信息,基于预设的购买预测模型对所述产品信息与所述历史产品购买信息进行处理,生成所述用户购买所述第二产品的购买概率;
第二确定模块,用于基于所述购买概率从所述第二产品中确定出目标产品,并将所述目标产品推送给所述用户。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的产品推荐方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的产品推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310498104.9A CN116542779A (zh) | 2023-05-05 | 2023-05-05 | 基于人工智能的产品推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310498104.9A CN116542779A (zh) | 2023-05-05 | 2023-05-05 | 基于人工智能的产品推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116542779A true CN116542779A (zh) | 2023-08-04 |
Family
ID=87449991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310498104.9A Pending CN116542779A (zh) | 2023-05-05 | 2023-05-05 | 基于人工智能的产品推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542779A (zh) |
-
2023
- 2023-05-05 CN CN202310498104.9A patent/CN116542779A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492772B (zh) | 生成信息的方法和装置 | |
CN110827112B (zh) | 深度学习的商品推荐方法、装置、计算机设备及存储介质 | |
CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
CN111582932A (zh) | 场景间信息推送方法、装置、计算机设备及存储介质 | |
CN112529477A (zh) | 信用评估变量筛选方法、装置、计算机设备及存储介质 | |
CN115587739A (zh) | 客户名单分配方法、装置、计算机设备及存储介质 | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN116703515A (zh) | 基于人工智能的推荐方法、装置、计算机设备及存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN112085566B (zh) | 基于智能决策的产品推荐方法、装置及计算机设备 | |
CN110837596B (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
CN114219664A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN116542779A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
CN112069807A (zh) | 文本数据的主题提取方法、装置、计算机设备及存储介质 | |
CN110738538A (zh) | 识别相似物品的方法和装置 | |
CN117853202A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN117853247A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
CN117788051A (zh) | 基于人工智能的客户偏好分析方法、装置、设备及介质 | |
CN108628861B (zh) | 用于推送信息的方法和装置 | |
CN116756539A (zh) | 项目推荐方法、装置、计算机设备及存储介质 | |
CN116542733A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN118013128A (zh) | 基于人工智能的素材推荐方法、装置、设备及存储介质 | |
CN114417153A (zh) | 一种对象推荐方法、装置、电子设备及存储介质 | |
CN116720692A (zh) | 客服派工方法、装置、计算机设备及存储介质 | |
CN117909489A (zh) | 基于人工智能的数据生成方法、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 |