一种产品推荐方法、系统、电子设备及存储介质技术方案

本申请提供一种产品推荐方法、系统、电子设备及存储介质，可应用于大数据领域或者金融领域，利用聚类算法，根据目标用户的目标标签数据，从各个用户中确定目标用户的目标相似用户；根据目标标签数据中的目标购物信息构建目标用户的产品画像；利用目标购物信息和目标标签数据中的目标交易行为信息构建目标用户的行为特征矩阵；将目标用户的产品画像、用户用户的行为特征矩阵以及各个目标相似用户的基本信息和交易行为信息输入混合推荐模型中，以使混合推荐模型根据目标用户的产品画像、用户用户的行为特征矩阵以及各个相似度用户的基本信息和交易行为信息进行产品预测，得到目标产品推荐集；根据目标产品推荐集向目标用户推荐相应的产品。荐相应的产品。荐相应的产品。

【技术实现步骤摘要】
一种产品推荐方法、系统、电子设备及存储介质


[0001]本专利技术涉及互联网
，更具体地说，涉及一种产品推荐方法、系统、电子设备及存储介质。

技术介绍

[0002]随着互联网技术的快速发展，银行企业基于场景化和个性化的产品不断丰富，银行企业可以向用户推荐各式各样的产品，来提升银行企业的业务绩效。
[0003]在现有技术中，通常在银行网点内设置相应的银行柜台，通过银行柜台以人工的方式向用户推荐相应的产品。但是，这种方式无法针对用户进行定制化和个性化的产品推荐，难以吸引用户以及用户体验差。

技术实现思路

[0004]本专利技术提供一种产品推荐方法、系统、电子设备及存储介质，以实现对用户进行定制化和个性化的产品推荐，吸引用户以及提高用户体验感。
[0005]本专利技术第一方面公开一种产品推荐方法，所述方法包括：
[0006]利用聚类算法，根据目标用户的目标标签数据，从各个用户中确定所述目标用户的目标相似用户；其中，所述目标用户的目标标签数据是根据所述目标用户的目标用户数据生成；所述目标标签数据至少包括所述目标用户的目标购物信息和所述目标交易行为信息。
[0007]根据所述目标购物信息构建所述目标用户的产品画像；
[0008]利用所述目标购物信息和所述目标交易行为信息构建所述目标用户的行为特征矩阵；
[0009]将所述目标用户的产品画像、所述用户用户的行为特征矩阵以及各个目标相似用户的基本信息和交易行为信息输入混合推荐模型中，以使所述混合推荐模型根据所述目标用户的产品画像、所述用户用户的行为特征矩阵以及各个相似度用户的基本信息和交易行为信息进行产品预测，得到目标产品推荐集；其中，所述混合推荐模型是利用各个所述用户的标签数据对待训练的混合推荐模型进行训练得到；
[0010]根据所述目标产品推荐集向所述目标用户推荐相应的产品。
[0011]可选的，所述待训练的混合推荐模型是根据基于用户推荐的协同过滤算法和基于内容推荐的协同过滤算法构建的，所述利用各个所述用户的标签数据对待训练的混合推荐模型进行训练，得到混合推荐模型，包括：
[0012]获取每个所述用户的标签数据；其中，所述用户的标签数据包括所述用户的基本信息、历史购物信息和历史交易行为信息；
[0013]针对每个所述用户，利用聚类算法，根据所述用户的基本信息和历史交易行为，从各个所述用户中确定所述用户的相似用户；
[0014]根据所述用户的历史购物信息构建所述用户的产品画像，以及利用所述用户的历
史购物信息和历史交易行为信息构建所述目用户的行为特征矩阵；
[0015]将所述用户的产品画像、行为特征矩阵和各个所述相似用户的基本信息和历史交易行为信息，输入待训练的混合推荐模型；
[0016]通过所述待训练的混合推荐模型中的所述基于用户推荐的协同过滤算法根据各个所述相似用户的基本信息和历史交易行为信息进行预测，得到第一产品推荐集；通过所述待训练的混合推荐模型中的所述基于内容推荐的协同过滤算法根据所述用户的产品画像和行为特征矩阵进行预测，得到第二产品推荐集，并根据所述第一产品推荐集和所述第二产品推荐集确定产品推荐，以所述产品推荐趋近于所述用户的最终产品推荐为训练目标，对所述基于用户推荐的协同过滤算法和所述基于内容推荐的协同过滤算法的参数进行调整，直至所述基于用户推荐的协同过滤算法和所述基于内容推荐的协同过滤算法达到收敛，得到混合推荐模型。
[0017]可选的，所述将所述目标用户的产品画像、所述用户用户的行为特征矩阵以及各个目标相似用户的基本信息和交易行为信息输入混合推荐模型中，以使所述混合推荐模型根据所述目标用户的产品画像、所述用户用户的行为特征矩阵以及各个相似度用户的基本信息和交易行为信息进行产品预测，得到目标产品推荐集，包括：
[0018]所述将所述目标用户的产品画像、所述用户用户的行为特征矩阵以及各个目标相似用户的基本信息和交易行为信息输入混合推荐模型；
[0019]通过所述混合推荐模型中的所述基于用户推荐的协同过滤算法根据各个各个目标相似用户的基本信息和交易行为信息进行预测，得到目标第一产品推荐集；通过所述混合推荐模型中的所述基于内容推荐的协同过滤算法根据所述目标用户的目标产品画像和目标行为特征矩阵进行预测，得到目标第二产品推荐集，并根据所述目标第一产品推荐集和所述目标第二产品推荐集确定目标产品推荐。
[0020]可选的，所述目标标签数据还包括所述目标用户的目标基本信息，利用聚类算法，根据所述目标用户的目标标签数据，从各个用户中确定所述目标用户的目相似用户，包括：
[0021]利用聚类算法，根据目标用户的目标基本信息、目标交易行为信息、各个用户的基本信息和各个用户的交易行为信息，分别计算所述目标用户与每个所述用户之间的用户相似度，并将大于预设相似度阈值的用户相似度对应的所述用户，确定为所述目标用户的目标相似用户。
[0022]可选的，所述根据所述目标历史购物信息构建所述目标用户的产品画像，包括：
[0023]通过预设软件中的聚类算法，根据所述历史购物信息构建所述目标用户的产品画像。
[0024]本专利技术第二方面公开一种产品推荐系统，所述系统包括：
[0025]目标相似用户确定单元，用于利用聚类算法，根据目标用户的目标标签数据，从各个用户中确定所述目标用户的目标相似用户；其中，所述目标用户的目标标签数据是根据所述目标用户的目标用户数据生成；所述目标标签数据至少包括所述目标用户的目标购物信息和所述目标交易行为信息。
[0026]产品画像构建单元，用于根据所述目标购物信息构建所述目标用户的产品画像；
[0027]行为特征矩阵构建单元，用于利用所述目标购物信息和所述目标交易行为信息构建所述目标用户的行为特征矩阵；
[0028]预测单元，用于将所述目标用户的产品画像、所述用户用户的行为特征矩阵以及各个目标相似用户的基本信息和交易行为信息输入混合推荐模型中，以使所述混合推荐模型根据所述目标用户的产品画像、所述用户用户的行为特征矩阵以及各个相似度用户的基本信息和交易行为信息进行产品预测，得到目标产品推荐集；其中，所述混合推荐模型是训练单元利用各个所述用户的标签数据对待训练的混合推荐模型进行训练得到；
[0029]推荐单元，用于根据所述目标产品推荐集向所述目标用户推荐相应的产品。
[0030]可选的，所述待训练的混合推荐模型是根据基于用户推荐的协同过滤算法和基于内容推荐的协同过滤算法构建的，所述训练单元，包括：
[0031]标签数据获取单元，用于获取每个所述用户的标签数据；其中，所述用户的标签数据包括所述用户的基本信息、历史购物信息和历史交易行为信息；
[0032]相似用户确定单元，用于针对每个所述用户，利用聚类算法，根据所述用户的基本信息和历史交易行为，从各个所述用户中确定所述用户的相似用户；
[0033]构建单元，用于根据所述用户的历史购物信息构建所述用户的产品画像，以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种产品推荐方法，其特征在于，所述方法包括：利用聚类算法，根据目标用户的目标标签数据，从各个用户中确定所述目标用户的目标相似用户；其中，所述目标用户的目标标签数据是根据所述目标用户的目标用户数据生成；所述目标标签数据至少包括所述目标用户的目标购物信息和所述目标交易行为信息；根据所述目标购物信息构建所述目标用户的产品画像；利用所述目标购物信息和所述目标交易行为信息构建所述目标用户的行为特征矩阵；将所述目标用户的产品画像、所述用户用户的行为特征矩阵以及各个目标相似用户的基本信息和交易行为信息输入混合推荐模型中，以使所述混合推荐模型根据所述目标用户的产品画像、所述用户用户的行为特征矩阵以及各个相似度用户的基本信息和交易行为信息进行产品预测，得到目标产品推荐集；其中，所述混合推荐模型是利用各个所述用户的标签数据对待训练的混合推荐模型进行训练得到；根据所述目标产品推荐集向所述目标用户推荐相应的产品。2.根据权利要求1所述的方法，其特征在于，所述待训练的混合推荐模型是根据基于用户推荐的协同过滤算法和基于内容推荐的协同过滤算法构建的，所述利用各个所述用户的标签数据对待训练的混合推荐模型进行训练，得到混合推荐模型，包括：获取每个所述用户的标签数据；其中，所述用户的标签数据包括所述用户的基本信息、历史购物信息和历史交易行为信息；针对每个所述用户，利用聚类算法，根据所述用户的基本信息和历史交易行为，从各个所述用户中确定所述用户的相似用户；根据所述用户的历史购物信息构建所述用户的产品画像，以及利用所述用户的历史购物信息和历史交易行为信息构建所述目用户的行为特征矩阵；将所述用户的产品画像、行为特征矩阵和各个所述相似用户的基本信息和历史交易行为信息，输入待训练的混合推荐模型；通过所述待训练的混合推荐模型中的所述基于用户推荐的协同过滤算法根据各个所述相似用户的基本信息和历史交易行为信息进行预测，得到第一产品推荐集；通过所述待训练的混合推荐模型中的所述基于内容推荐的协同过滤算法根据所述用户的产品画像和行为特征矩阵进行预测，得到第二产品推荐集，并根据所述第一产品推荐集和所述第二产品推荐集确定产品推荐，以所述产品推荐趋近于所述用户的最终产品推荐为训练目标，对所述基于用户推荐的协同过滤算法和所述基于内容推荐的协同过滤算法的参数进行调整，直至所述基于用户推荐的协同过滤算法和所述基于内容推荐的协同过滤算法达到收敛，得到混合推荐模型。3.根据权利要求2所述的方法，其特征在于，所述将所述目标用户的产品画像、所述用户用户的行为特征矩阵以及各个目标相似用户的基本信息和交易行为信息输入混合推荐模型中，以使所述混合推荐模型根据所述目标用户的产品画像、所述用户用户的行为特征矩阵以及各个相似度用户的基本信息和交易行为信息进行产品预测，得到目标产品推荐集，包括：所述将所述目标用户的产品画像、所述用户用户的行为特征矩阵以及各个目标相似用户的基本信息和交易行为信息输入混合推荐模型；通过所述混合推荐模型中的所述基于用户推荐的协同过滤算法根据各个各个目标相
似用户的基本信息和交易行为信息进行预测，得到目标第一产品推荐集；通过所述混合推荐模型中的所述基于内容推荐的协同过滤算法根据所述目标用户的目标产品画像和目标行为特征矩阵进行预测，得到目标第二产品推荐集，并根据所述目标第一产品推荐集和所述目标第二产品推荐集确定目标产品推荐。4.根据权利要求1所述的方法，其特征在于，所述目标标签数据还包括所述目标用户的目标基本信息，利用聚类算法，根据所述目标用户的目标标签数据，从各个用户中确定所述目标用户的目相似用户，包括：利用聚类算法，根据目标用户的目标基本信息、目标交易行为信息、各个用户的基本信息和各个用户的交易行为信息，分别计算所述目标用户与每个所述用户之间的用户相似度，并将大于预设相似度阈值的用户相似度对应的所述用户，确定为所述目标用户的目标相似用户。5.根据权利要求1所述的方法，其特征在于，所述根据所述目标历史购...

【专利技术属性】
技术研发人员：黄秋洁，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：