CN118195720A - 产品推荐方法、装置、电子设备以及存储介质 - Google Patents
产品推荐方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN118195720A CN118195720A CN202410096524.9A CN202410096524A CN118195720A CN 118195720 A CN118195720 A CN 118195720A CN 202410096524 A CN202410096524 A CN 202410096524A CN 118195720 A CN118195720 A CN 118195720A
- Authority
- CN
- China
- Prior art keywords
- product
- user
- products
- target
- determining
- 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 65
- 238000012216 screening Methods 0.000 claims abstract description 16
- 230000003993 interaction Effects 0.000 claims description 73
- 230000006399 behavior Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 16
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种产品推荐方法、装置、电子设备以及存储介质,方法包括:基于预设筛选规则,从产品数据库中确定多个候选产品;响应于产品推荐指令,将多个所述候选产品和目标用户的产品投资画像输入产品推荐模型,得到目标产品;所述目标产品为多个所述候选产品中的一个或多个;向所述目标用户推荐所述目标产品。其给出一种为目标用户确定待推荐的产品并进行推荐的方法,其可以实现为用户进行个性化的产品推荐。
Description
技术领域
本公开涉及信息推荐技术领域,尤其涉及一种产品推荐方法、装置、电子设备以及存储介质。
背景技术
近些年来,随着国家经济的发展,国民可投资资产呈大幅度增长,越来越多的人逐渐建立起投资理财的观念。特别是随着互联网的兴起,互联网金融逐步走入了人们的生活后,国民投资理财的意识更浓,基金因为其监管强,风险较低的特性成为了普通投资者更为看好的理财方式。
然而基金产品种类繁多,如何实现将合适的基金推荐给合适的人,以满足投资者的个性化需求,是目前亟待解决的问题。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种产品推荐方法、装置、电子设备以及存储介质。
第一方面,本公开提供了一种产品推荐方法,包括:
基于预设筛选规则,从产品数据库中确定多个候选产品;
响应于产品推荐指令,将多个所述候选产品和所述目标用户的产品投资画像输入产品推荐模型,得到目标产品;所述目标产品为多个所述候选产品中的一个或多个;
向所述目标用户推荐所述目标产品。
第二方面,本公开还提供了一种产品推荐装置,包括:
候选产品确定模块,用于基于预设筛选规则,从产品数据库中确定多个候选产品;
目标产品确定模块,用于响应于产品推荐指令,将多个所述候选产品和所述目标用户的产品投资画像输入产品推荐模型,得到目标产品;所述目标产品为多个所述候选产品中的一个或多个;
推荐模块,用于向所述目标用户推荐所述目标产品。
第三方面,本公开还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的产品推荐方法。
第四方面,本公开还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的产品推荐方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开实施例提供的技术方案通过设置基于预设筛选规则,从产品数据库中确定多个候选产品;响应于产品推荐指令,将多个候选产品和目标用户的产品投资画像输入产品推荐模型,得到目标产品;目标产品为多个候选产品中的一个或多个;向目标用户推荐目标产品,本质是给出一种为目标用户确定待推荐的理财产品并进行推荐的方法,其可以实现为用户进行个性化的理财产品推荐。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开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,对于本领域普通技术人员而言,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为本公开实施例提供的一种产品推荐方法的流程图;
图2为本公开实施例提供的一种S110的实现方法的流程图;
图3为本公开实施例提供的另一种S110的实现方法的流程图;
图4为本公开实施例中的一种产品推荐装置的结构示意图;
图5为本公开实施例中的一种电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
在本申请中,产品例如可以是理财产品。示例性地,产品包括基金以及股票中的一个或多个。
图1为本公开实施例提供的一种产品推荐方法的流程图,本实施例可适用于客户端中进行产品推荐的情况,该方法可以由产品推荐装置执行,该装置可以采用软件和/或硬件的方式实现,该装置可配置于电子设备中,例如终端,具体包括但不限于智能手机、掌上电脑、平板电脑、带显示屏的可穿戴设备、台式机、笔记本电脑、一体机、智能家居设备等。或者,本实施例可适用于服务端中进行产品推荐的情况,该方法可以由产品推荐装置执行,该装置可以采用软件和/或硬件的方式实现,该装置可配置于电子设备中,例如服务器。
如图1所示,该方法具体可以包括:
S110、基于预设筛选规则,从产品数据库中确定多个候选产品。
产品数据库,即推荐底池,其包括所有的源产品。示例性,若一个应用程序提供产品购买服务,产品数据库包括在该应用程序中销售的所有产品。通常情况下,产品数据库中产品的数量在万级别、十万甚至百万以上级别。
源产品为产品数据库中的元素。
候选产品是从产品数据库中筛选出的产品。
预设筛选规则例如可以是预先指定的,用于确定是否将产品数据库中某一源产品作为候选产品的判断条件。
本申请对预设筛选规则具体包括的内容不作限制。
预设筛选规则包括下述中的至少一个:候选产品与目标用户的历史交互对象的相似度大于或等于第一相似度阈值;目标用户的历史交互对象包括目标用户历史选择的产品;候选产品为第一用户的历史交互对象;第一用户与目标用户的相似度大于或等于第二相似度阈值;第一用户的历史交互对象包括第一用户历史选择的产品;以及,候选产品的热度分值大于或等于第一分数阈值。
目标用户历史选择的产品例如可以包括下述中的至少一个:目标用户历史查看过的产品、目标用户历史购买过的产品以及目标用户历史收藏过的产品等。
产品的热度分值例如可以是与产品受欢迎程度关联的信息。示例性地,产品的热度分值可以包括产品的保有量、赎回率、产品购买量、产品收益率中的一个或多个。
S120、响应于产品推荐指令,将多个候选产品和目标用户的产品投资画像输入产品推荐模型,得到目标产品;目标产品为多个候选产品中的一个或多个。
产品推荐指令例如可以是目标用户通过对终端页面的某些控件或区域进行触发,而生成的指令。其用于向终端反映,目标用户希望终端为其推荐产品。对终端页面的某些控件或区域进行触发例如可以是对终端页面的某些控件或区域进行点击、滑动操作等。
产品推荐模型是预先训练完毕的机器学习模型或神经网络模型。其能够在输入候选产品和目标用户的产品投资画像的情况下,预测目标用户选择各候选产品的概率,进行将选择概率大于设定概率阈值的候选产品作为目标产品输出。可选地,产品推荐模型为xgboost打分模型。
产品推荐模型的训练方法有多种。本申请对此不作限制。示例性地,该产品推荐模型的训练方法包括:获取训练数据;训练数据包括正样本数据和负样本数据;正样本数据包括样本用户画像信息、产品画像信息、第一产品集和第二产品集;第一产品集包括为样本用户下发的产品;第二产品集包括样本用户从第一产品集中选择的产品;负样本数据包括样本用户画像信息、产品画像信息、第三产品集和第四产品集;第三产品集包括为样本用户下发的产品;第四产品集包括样本用户未从第三产品集中选择的产品;基于训练数据,对产品推荐模型进行训练。
S130、向目标用户推荐目标产品。
可选地,将目标产品展示在目标用户的终端屏幕中。
上述技术方案通过设置基于预设筛选规则,从产品数据库中确定多个候选产品;响应于产品推荐指令,将多个候选产品和目标用户的产品投资画像输入产品推荐模型,得到目标产品;目标产品为多个候选产品中的一个或多个;向目标用户推荐目标产品,本质是给出一种为目标用户确定待推荐的产品并进行推荐的方法,其可以实现为用户进行个性化的产品推荐。
需要说明的是,在上述技术方案中,之所以先从产品数据库中确定多个候选产品,后借助产品推荐模型得到目标产品的原因是,产品数据库中源产品数量较多,如果直接借助产品推荐模型从源产品中确定目标产品,计算量较大,计算耗时长,对设备性能要求较高。而先从产品数据库中确定多个候选产品,后借助产品推荐模型从候选产品中确定目标产品,由于候选产品已是对产品数据库中源产品的粗筛结果,其数量较小,可以有效降低产品推荐模型的计算量,缩短计算耗时,降低对设备性能要求。
在上述技术方案中S110的实现方法有多种,本申请对此不作限制。示例性地,在一个实施例中,参见图2,S110的实现方法包括:
S210、确定目标用户的历史交互对象。
目标用户的历史交互对象例如可以是目标用户历史选择的产品。具体地,目标用户的历史交互对象可以包括下述中的至少一个:目标用户历史查看过的产品、目标用户历史购买过的产品以及目标用户历史收藏过的产品等。
S220、确定产品数据库中各源产品与目标用户的历史交互对象的相似度。
本步骤的实质是进行产品的相似度计算。本步骤的实现方法有多种,本申请对此不作限制。
在一个实施例中,本步骤的实现方法可以包括:针对任一源产品,确定与源产品发生交互行为的用户集合;确定与目标用户的历史交互对象发生交互行为的用户集合;基于与源产品发生交互行为的用户集合,以及与历史交互对象发生交互行为的用户集合,确定源产品与历史交互对象的相似度。
若某一源产品为第一产品,与该源产品发生交互行为的用户集合中的元素为选择过第一产品的用户,例如可以包括下述中的至少一个,收藏过第一产品的用户,购买过第一产品的用户、查看过第一产品的用户。
若目标用户的某一历史交互对象为第二产品,与该第二产品发生交互行为的用户集合中的元素为选择过第二产品的用户,例如可以包括下述中的至少一个,收藏过第二产品的用户,购买过第二产品的用户、查看过第二产品的用户。
进一步地,可以基于与源产品发生交互行为的用户集合,以及与历史交互对象发生交互行为的用户集合以及式(1),确定源产品与历史交互对象的相似度;
其中,N(i)表示与历史交互对象(即产品i)发生交互行为的用户集合,N(j)表示与源产品(即产品j)发生交互行为的用户集合,Wp1(i,j)表示产品i和产品j之间的相似度,Wp1(i,j)∈[0,1]。Wp1(i,j)越大,表示产品i和产品j越相似。
示例性地,若目标用户历史购买过产品i,确定所有与产品i发生交互行为的用户,即得到用户集合N(i)。此处,与产品i发生交互行为的用户包括是历史购买过、查看过、收藏过产品i的用户。某一个源产品为产品j,确定所有与产品j发生交互行为的用户,即得到用户集合N(j)。借助式(1),可以得到产品i和产品j的相似度。
在另一个实施例中,本步骤的实现方法可以包括:针对任一源产品,基于源产品的属性信息和目标用户的历史交互对象的属性信息,确定源产品与历史交互对象的相似度。
进一步地,通过对产品的属性信息进行分析,可以将产品的属性划分为两类,第一类是连续型字段属性,如保有量、赎回率、产品购买量以及产品收益率等;第二类是离散型字段属性,如产品风险等级、产品类型、公开发行/非公开发行以及投资品种等。
针对连续型字段属性,可选地,可以基于源产品的属性信息、历史交互对象的属性信息以及式(2),确定源产品与历史交互对象的相似度。
其中,xa为目标用户历史交互对象(即产品i)的第a个连续型字段属性;ya为源产品(即产品j)的第a个连续型字段属性;产品i和产品j均包括n个属性,a和n均为正整数,a≤n。
可选地,在借助式(2),计算产品i和产品j的相识度之前,对产品i和产品j的连续型字段属性分别进行归一化处理。
针对离散型字段属性,可选地,可以基于源产品的属性信息、历史交互对象的属性信息以及式(3),确定源产品与历史交互对象的相似度。
其中,pro_disc1(ia)表示产品i的第a个离散型字段属性的描述信息,pro_disc1(ja)表示产品j的第a个离散型字段属性的描述信息。dist_comp()为将产品i的第a个离散型字段属性的描述信息和产品j的第a个离散型字段属性的描述信息进行比较的函数。若产品i的第a个离散型字段属性的描述信息和产品j的第a个离散型字段属性的描述信息完全相同,dist_comp(pro_disc1(ia),pro_disc1(ja))=1;否则dist_comp(pro_disc1(ia),pro_disc1(ja))=0。
S230、基于产品数据库中各源产品与目标用户的历史交互对象的相似度,从产品数据库中确定多个候选产品。
本步骤的实现方法有多种,本申请对此不作限制。示例性地,本步骤的实现方法可以包括:基于产品数据库中各源产品与目标用户的历史交互对象的相似度,得到各源产品的分值;基于各源产品的分值,从产品数据库中确定多个候选产品。
在实际中可以由多种产品的相似度计算方法(包括但不限于上文中给出的几种产品的相似度计算方法)。若目标用户的历史交互对象有M个,无论采用哪一种相似度计算方法,对于任意一个源产品,该源产品与目标用户的M个历史交互对象的相似度分别为P1、P2、P3、……以及PM。可选地,基于P1、P2、P3、……以及PM,确定该源产品的第一分值;后续基于各源产品的第一分值,从产品数据库中确定多个候选产品。如选择分值大于或等于预设分值的源产品作为候选产品。
若采用多种相似度计算方法,可选地,产品i和产品j的相似度将有多个,基于产品i和产品j的所有相似度,确定产品i和产品j的最终相似度。
示例性地,产品i和产品j的最终相似度Wp(i,j)可以通过式(4)计算,
Wp(i,j)=(Wp2(i,j)+Wp3(i,j))*(1+Wp1(i,j))/2 (4)
其中,Wp2(i,j)为基于产品的连续型字段属性计算得到的产品i和产品j的相似度。Wp3(i,j)为基于产品的离散型字段属性计算得到的产品i和产品j的相似度。Wp1(i,j)为基于产品的交互对象集合计算得到的产品i和产品j的相似度。
可选地,可以基于式(5)得到对于目标用户u而言,源产品(即产品j)的分值
其中,score_p(u,j)表示目标用户对源产品(即产品j)的兴趣得分。Wp(i,j)为产品i和产品j的最终相似度Wp(i,j)。
N(u)为目标用户的交互行为记录,其反映了目标用户对与其对应的历史交互对象的交互行为具体为何种行为,如查看、购买、收藏等。
Wd(u,i)为与历史交互对象(即产品i)相关的权重值,示例性地,可以设置Wd(u,i)的具体取值如式(6)所示,
可选地,可以基于式(7)得到对于目标用户u而言,源产品(即产品j)的分值
可选地,N(u1)为目标用户的购买行为记录,N(u2)为目标用户的选择行为记录。其中,目标用户的选择行为可能导致目标用户最终购买、查看或收藏产品。即N(u1)所涉及的产品为N(u2)所涉及的产品的子集。式(7)中Wd(u,i)的具体取值可以如式(6)所示。
可选地,“基于各源产品的分值,从产品数据库中确定多个候选产品”还可以包括:对所有源产品的分值进行归一化,基于归一化后的分值,从产品数据库中确定多个候选产品。
示例性地,可以采用式(8)进行归一化处理,
其中,score_p(u,j)'为产品j归一化后的分值,score_p(u,j)为产品j归一化前的分值,score_p(u)为归一化前产品数据库中所有源产品的分值。Max(score_p(u))为归一化前产品数据库中所有源产品的分值中的最大值。
上述方案通过设置确定产品数据库中各源产品与目标用户的历史交互对象的相似度;基于产品数据库中各源产品与目标用户的历史交互对象的相似度,从产品数据库中确定多个候选产品,其本质上通过产品相似的角度,确定候选产品。其整体实现方法较为简单,且推理时间较短,因此特别适合处理大规模数据。
示例性地,在另一个实施例中,参见图3,S110的实现方法包括:
S310、基于目标用户的历史交互记录信息和/或用户特征信息,从多个候选用户中确定第一用户;第一用户与目标用户的相似度大于第二预设相似度。
其中,用户特征信息可以包括用于在预设时长(如20个交易日)内日累计在线时长、在预设时长(如三月)内产品列表访问次数、在预设时长(如三月)点击沪港通和/或深港通次数、在预设时长(如本年)内周转率以及在预设时长(如本年)内账户盈亏率。
历史交互记录信息例如可以是目标用户历史对某些产品的查看、购买收藏等操作记录。
可选地,本步骤的具体实现方法可以包括:针对任一候选用户,基于目标用户的用户特征信息与候选用户的用户特征信息,得到目标用户与该候选用户的第一相似度;基于目标用户的历史交互记录信息与候选用户的历史交互记录信息,得到目标用户与该候选用户的第二相似度;基于第一相似度和第二相似度,得到目标用户与该候选用户的第三相似度;基于各候选用户的第三相似度,从多个候选用户中确定第一用户。
可选地,可以利用K-NN算法,基于目标用户的用户特征信息与候选用户的用户特征信息,得到目标用户与候选用户的第一相似度。
可以利用式(9)计算目标用户与该候选用户的第二相似度
其中,Wh2(u,v)为目标用户与候选用户的第二相似度,P(u)为目标用户在预设时间长度(如三年)内购买过的产品的集合,P(v)为候选用户在预设时间长度(如三年)内购买过的产品的集合,M(u)为目标用户在预设时间长度(如半年)内点击过的产品的集合,M(v)候选用户在预设时间长度(如半年)内点击过的产品的集合。
可以利用式(10)计算目标用户与该候选用户的第三相似度Wh(u,v),
Wh(u,v)=Wh1(u,v)×(1+Wh2(u,v)) (10)
S320、将第一用户的历史交互对象作为候选产品。
上述方法通过设置基于目标用户的历史交互记录信息和/或用户特征信息,从多个候选用户中确定第一用户;第一用户与目标用户的相似度大于第二预设相似度;将第一用户的历史交互对象作为候选产品。其本质上通过人相似的角度,确定候选产品,其整体实现方法较为简单,且推理时间较短,因此特别适合处理大规模数据。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如,在响应于接收到用户的主动请求时,向用户发送提示信息,以明确地提示用户,其请求执行的操作将需要获取和使用到用户的个人信息。从而,使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式,响应于接收到用户的主动请求,向用户发送提示信息的方式例如可以是弹窗的方式,弹窗中可以以文字的方式呈现提示信息。此外,弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是,上述通知和获取用户授权过程仅是示意性的,不对本公开的实现方式构成限定,其它满足相关法律法规的方式也可应用于本公开的实现方式中。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
图4为本公开实施例中的一种产品推荐装置的结构示意图。本公开实施例所提供的产品推荐装置可以配置于客户端中,或者可以配置于服务端中。参见图4,该产品推荐装置具体包括:
候选产品确定模块410,用于基于预设筛选规则,从产品数据库中确定多个候选产品;
目标产品确定模块420,用于响应于产品推荐指令,将多个所述候选产品和目标用户的产品投资画像输入产品推荐模型,得到目标产品;所述目标产品为多个所述候选产品中的一个或多个;
推荐模块430,用于向所述目标用户推荐所述目标产品。
进一步地,候选产品确定模块410,用于:
确定目标用户的历史交互对象;
确定所述产品数据库中各源产品与所述目标用户的历史交互对象的相似度;
基于所述产品数据库中各源产品与所述目标用户的历史交互对象的相似度,从产品数据库中确定多个候选产品。
进一步地,候选产品确定模块410,用于:
针对任一所述源产品,确定与所述源产品发生交互行为的用户集合;确定与所述目标用户的历史交互对象发生交互行为的用户集合;
基于与所述源产品发生交互行为的用户集合,以及与所述历史交互对象发生交互行为的用户集合,确定所述源产品与所述历史交互对象的相似度。
进一步地,候选产品确定模块410,用于:
针对任一所述源产品,基于所述源产品的属性信息和所述目标用户的历史交互对象的属性信息,确定所述源产品与所述历史交互对象的相似度。
进一步地,候选产品确定模块410,用于:
基于所述产品数据库中各源产品与所述目标用户的历史交互对象的相似度,得到各所述源产品的分值;
基于各所述源产品的分值,从产品数据库中确定多个候选产品。
进一步地,候选产品确定模块410,用于:
基于目标用户的历史交互记录信息和/或用户特征信息,从多个候选用户中确定第一用户;所述第一用户与所述目标用户的相似度大于第二预设相似度;
将所述第一用户的历史交互对象作为所述候选产品。
进一步地,该装置还包括模型训练模块,用于:
获取训练数据;所述训练数据包括正样本数据和负样本数据;所述正样本数据包括样本用户画像信息、产品画像信息、第一产品集和第二产品集;所述第一产品集包括为所述样本用户下发的产品;第二产品集包括所述样本用户从所述第一产品集中选择的产品;所述负样本数据包括样本用户画像信息、产品画像信息、第三产品集和第四产品集;所述第三产品集包括为所述样本用户下发的产品;所述第四产品集包括所述样本用户未从所述第三产品集中选择的产品;
基于所述训练数据,对所述产品推荐模型进行训练。
本公开实施例提供的产品推荐装置,可执行本公开方法实施例所提供的产品推荐方法中客户端或服务端所执行的步骤,具备执行步骤和有益效果,此处不再赘述。
图5为本公开实施例中的一种电子设备的结构示意图。下面具体参考图5,其示出了适于用来实现本公开实施例中的电子设备1000的结构示意图。本公开实施例中的电子设备1000可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)、可穿戴电子设备等等的移动终端以及诸如数字TV、台式计算机、智能家居设备等等的固定终端。图5示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示,电子设备1000可以包括处理装置(例如中央处理器、图形处理器等)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储装置1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理以实现如本公开所述的实施例的产品推荐方法。在RAM 1003中,还存储有电子设备1000操作所需的各种程序和信息。处理装置1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
通常,以下装置可以连接至I/O接口1005:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1006;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1007;包括例如磁带、硬盘等的存储装置1008;以及通信装置1009。通信装置1009可以允许电子设备1000与其他设备进行无线或有线通信以交换信息。虽然图5示出了具有各种装置的电子设备1000,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码,从而实现如上所述的产品推荐方法。在这样的实施例中,该计算机程序可以通过通信装置1009从网络上被下载和安装,或者从存储装置1008被安装,或者从ROM 1002被安装。在该计算机程序被处理装置1001执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的信息信号,其中承载了计算机可读的程序代码。这种传播的信息信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字信息通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
基于预设筛选规则,从产品数据库中确定多个候选产品;
响应于产品推荐指令,将多个所述候选产品和所述目标用户的产品投资画像输入产品推荐模型,得到目标产品;所述目标产品为多个所述候选产品中的一个或多个;
向所述目标用户推荐所述目标产品。
可选的,当上述一个或者多个程序被该电子设备执行时,该电子设备还可以执行上述实施例所述的其他步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,本公开提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本公开提供的任一所述的产品推荐方法。
根据本公开的一个或多个实施例,本公开提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开提供的任一所述的产品推荐方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机程序或指令,该计算机程序或指令被处理器执行时实现如上所述的产品推荐方法。
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。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的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公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,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)
1.一种产品推荐方法,其特征在于,包括:
基于预设筛选规则,从产品数据库中确定多个候选产品;
响应于产品推荐指令,将多个所述候选产品和目标用户的产品投资画像输入产品推荐模型,得到目标产品;所述目标产品为多个所述候选产品中的一个或多个;
向所述目标用户推荐所述目标产品。
2.根据权利要求1所述的方法,其特征在于,所述基于预设筛选规则,从产品数据库中确定多个候选产品,包括:
确定目标用户的历史交互对象;
确定所述产品数据库中各源产品与所述目标用户的历史交互对象的相似度;
基于所述产品数据库中各源产品与所述目标用户的历史交互对象的相似度,从产品数据库中确定多个候选产品。
3.根据权利要求2所述的方法,其特征在于,所述确定所述产品数据库中各源产品与所述目标用户的历史交互对象的相似度,包括:
针对任一所述源产品,确定与所述源产品发生交互行为的用户集合;确定与所述目标用户的历史交互对象发生交互行为的用户集合;
基于与所述源产品发生交互行为的用户集合,以及与所述历史交互对象发生交互行为的用户集合,确定所述源产品与所述历史交互对象的相似度。
4.根据权利要求2所述的方法,其特征在于,所述确定所述产品数据库中各源产品与所述目标用户的历史交互对象的相似度,包括:
针对任一所述源产品,基于所述源产品的属性信息和所述目标用户的历史交互对象的属性信息,确定所述源产品与所述历史交互对象的相似度。
5.根据权利要求2所述的方法,其特征在于,所述基于所述产品数据库中各源产品与所述目标用户的历史交互对象的相似度,从产品数据库中确定多个候选产品,包括:
基于所述产品数据库中各源产品与所述目标用户的历史交互对象的相似度,得到各所述源产品的分值;
基于各所述源产品的分值,从产品数据库中确定多个候选产品。
6.根据权利要求2所述的方法,其特征在于,所述基于预设筛选规则,从产品数据库中确定多个候选产品,包括:
基于目标用户的历史交互记录信息和/或用户特征信息,从多个候选用户中确定第一用户;所述第一用户与所述目标用户的相似度大于第二预设相似度;
将所述第一用户的历史交互对象作为所述候选产品。
7.根据权利要求1所述的方法,其特征在于,所述产品推荐模型的训练方法包括:
获取训练数据;所述训练数据包括正样本数据和负样本数据;所述正样本数据包括样本用户画像信息、产品画像信息、第一产品集和第二产品集;所述第一产品集包括为所述样本用户下发的产品;第二产品集包括所述样本用户从所述第一产品集中选择的产品;所述负样本数据包括样本用户画像信息、产品画像信息、第三产品集和第四产品集;所述第三产品集包括为所述样本用户下发的产品;所述第四产品集包括所述样本用户未从所述第三产品集中选择的产品;
基于所述训练数据,对所述产品推荐模型进行训练。
8.一种产品推荐装置,其特征在于,包括:
候选产品确定模块,用于基于预设筛选规则,从产品数据库中确定多个候选产品;
目标产品确定模块,用于响应于产品推荐指令,将多个所述候选产品和所述目标用户的产品投资画像输入产品推荐模型,得到目标产品;所述目标产品为多个所述候选产品中的一个或多个;
推荐模块,用于向所述目标用户推荐所述目标产品。
9.一种电子设备,其特征在于,包括:处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如权利要求1至7任一项所述方法的步骤。
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存储程序或指令,所述程序或指令使计算机执行如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410096524.9A CN118195720A (zh) | 2024-01-23 | 2024-01-23 | 产品推荐方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410096524.9A CN118195720A (zh) | 2024-01-23 | 2024-01-23 | 产品推荐方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118195720A true CN118195720A (zh) | 2024-06-14 |
Family
ID=91401034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410096524.9A Pending CN118195720A (zh) | 2024-01-23 | 2024-01-23 | 产品推荐方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118195720A (zh) |
-
2024
- 2024-01-23 CN CN202410096524.9A patent/CN118195720A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kleinberg et al. | Algorithmic monoculture and social welfare | |
Wang et al. | Methods for correcting inference based on outcomes predicted by machine learning | |
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 | |
CN113688310B (zh) | 一种内容推荐方法、装置、设备及存储介质 | |
Helles et al. | Infrastructures of tracking: Mapping the ecology of third-party services across top sites in the EU | |
CN113507419B (zh) | 流量分发模型的训练方法、流量分发方法及装置 | |
US11727427B2 (en) | Systems and methods for assessing, correlating, and utilizing online browsing and sales data | |
CN118035876A (zh) | 推荐信息生成方法、装置、设备及介质 | |
WO2023185125A1 (zh) | 产品资源的数据处理方法及装置、电子设备、存储介质 | |
US9779460B2 (en) | Systems, methods and non-transitory computer readable storage media for tracking and evaluating predictions regarding relationships | |
CN110428342A (zh) | 数据修复方法、服务器、客服端及存储介质 | |
CN116109374A (zh) | 资源位展示方法、装置、电子设备和计算机可读介质 | |
CN115238676A (zh) | 招标需求热点识别方法、装置、存储介质及电子设备 | |
CN118195720A (zh) | 产品推荐方法、装置、电子设备以及存储介质 | |
CN114020896A (zh) | 一种智能问答方法、***、电子设备及存储介质 | |
US20220036386A1 (en) | Subscription renewal prediction with a cooperative component | |
CN113656702A (zh) | 用户行为的预测方法及装置 | |
CN116501993B (zh) | 房源数据推荐方法及装置 | |
US10803519B1 (en) | Systems and methods for locating funding opportunities | |
CN112949670B (zh) | 用于联邦学习模型的数据集切换方法和装置 | |
CN117807313A (zh) | 信息推荐方法、装置、电子设备以及存储介质 | |
CN118114749A (zh) | 训练方法、交互方法、装置、设备、介质及程序产品 | |
CN115687040A (zh) | 访问时长确定方法、装置、设备、介质和程序产品 | |
CN117687550A (zh) | 卡牌交互方法、卡牌组合分类方法、装置、介质及设备 | |
CN118211868A (zh) | 产品数据处理方法、处理装置、设备、介质和程序产品 |
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 |