推荐策略生成方法、装置、设备及存储介质制造方法及图纸

本公开提供了一种推荐策略生成方法、装置、设备及存储介质，可以应用于互联网技术领域和金融技术领域。该方法包括：在获得数据使用许可的情况下，获取用户特征表；根据用户特征表，生成受众用户群中的所有用户共有的第一共同特征表，生成受众用户群和非受众用户群中的所有用户共有的第二共同特征表；基于第二共同特征表，根据受众用户群和非受众用户群，构建无向网络图；根据第一共同特征表和第二共同特征表，确定受众用户群和非受众用户群中的每个非受众用户的标准推荐值；根据无向网络图和标准推荐值，为每个非受众用户生成对应的用户推荐策略。推荐策略。推荐策略。

【技术实现步骤摘要】
推荐策略生成方法、装置、设备及存储介质


[0001]本公开涉及互联网
和金融
，尤其涉及一种推荐策略生成方法、装置、设备、介质和程序产品。

技术介绍

[0002]随着机器学习、AI(Artificial Intelligence，人工智能)技术的研究和推广以及5G万物互联时代的到来，大数据技术已逐渐成为行业技术革命的新动能。在金融行业中，信用卡业务是银行零售业务利润贡献的重要组成部分，也是促进产品和服务供求方交易的良性循环的催化剂，而信用卡本身也是联系银行、客户、特约商户等多方关系的重要渠道。不同金融机构的客户类别和客户需求呈现多元化、个性化的特征，可形成信息量丰富的用户画像，为垂直领域带来新思路和新动能。因此，精准挖掘潜在信用卡用户对银行增加收入、开拓市场、构建生态链有着重要意义。
[0003]相关技术中，以某一接受了推荐的用户群体为基础，寻找这一用户群的相似用户群，通过一定适合的策略来使相似用户群的用户接受推荐。但由于在实际的广大用户群体里，相似用户群仅仅占很少的比例，是以放弃绝大多数用户群体来换取个别用户推荐成功的，使得被算法选择的相似用户会因为各种主观原因不接受推荐，而被算法放弃的绝大多数用户群体中，也还存在通过适当策略来推荐的目标用户群。因此，在实现本公开的过程中发现，采用相关技术对目标用户进行挖掘的准确性较低，导致数据分析不准确。

技术实现思路

[0004]鉴于上述问题，本公开提供了一种推荐策略生成方法、装置、设备、介质和程序产品。
[0005]根据本公开的第一个方面，提供了一种推荐策略生成方法，包括：
[0006]在获得数据使用许可的情况下，获取用户特征表，其中，上述用户特征表中包括受众用户群和非受众用户群中所有用户分别对应的特征值；
[0007]根据上述用户特征表，生成上述受众用户群中的所有用户共有的第一共同特征表，生成上述受众用户群和上述非受众用户群中的所有用户共有的第二共同特征表；
[0008]基于上述第二共同特征表，根据上述受众用户群和上述非受众用户群，构建无向网络图；
[0009]根据上述第一共同特征表和上述第二共同特征表，确定上述受众用户群和上述非受众用户群中的每个非受众用户的标准推荐值；
[0010]根据上述无向网络图和上述标准推荐值，为每个上述非受众用户生成对应的用户推荐策略。
[0011]根据本公开的实施例，上述在获得数据使用许可的情况下，获取用户特征表，包括：
[0012]对数据库中所有用户的用户信息和历史数据进行数据清理，得到用户信息表；以
及
[0013]对上述用户信息表进行降维操作，得到上述用户特征表。
[0014]根据本公开的实施例，上述对上述用户信息表进行降维操作，得到上述用户特征表，包括：
[0015]对上述用户信息表中每一维度的数据进行分析，确定与上述每一维度对应的权重；以及
[0016]对上述权重大于预设值的维度进行提取，得到上述用户特征表。
[0017]根据本公开的实施例，上述根据上述用户特征表，生成上述受众用户群中的所有用户共有的第一共同特征表，生成上述受众用户群和上述非受众用户群中的所有用户共有的第二共同特征表，包括：
[0018]根据上述用户特征表，对每个用户进行添加标签操作，确定上述每个用户的用户标签，其中，上述用户标签包括受众用户标签和非受众用户标签，上述所有用户被分为上述受众用户和非受众用户；
[0019]利用聚类算法和上述用户标签，对上述所有用户进行分类，得到K个用户群，其中，上述K个用户群包括上述受众用户群和上述k
‑
1个非受众用户群，上述受众用户群和上述K
‑
1个非受众用户群均包括上述受众用户和上述非受众用户，K为大于等于1的整数；
[0020]对上述用户特征表中与上述受众用户群中所有用户各自对应的数据进行分析，得到上述受众用户群中的所有用户共有的上述第一共同特征表；
[0021]基于上述第一共同特征表，对上述用户特征表进行降维操作，得到上述受众用户群和上述K
‑
1个非受众用户群中的所有用户共有的上述第二共同特征表，其中，上述第一共同特征表与上述第二共同特征表中的共同特征类型是相同的。
[0022]根据本公开的实施例，上述利用聚类算法和上述用户标签，对上述所有用户进行分类，得到K个用户群，包括重复执行以下操作直至同时满足第一预设条件和第二预设条件：
[0023]在确定上述K个用户群各自的受众率不满足上述第一预设条件或者上述所有用户不满足上述第二预设条件的情况下，
[0024]计算K个聚类中心各自与上述每个用户之间的距离，其中，上述K个聚类中心是选取得到的；
[0025]将上述每个用户分配给距离对应用户最近的上述聚类中心，得到上述K个用户群；
[0026]根据上述K个用户群和上述K个用户群中的所有用户各自的上述用户标签，计算每个用户群的受众率；
[0027]根据上述K个用户群，重新选取上述K个用户群各自的聚类中心，得到K个新的聚类中心；
[0028]将在上述K个用户群各自的受众率满足上述第一预设条件且上述所有用户满足上述第二预设条件的情况下得到的上述K个新的聚类中心确定为上述K个用户群各自的中心点，满足上述第一预设条件的用户群确定为上述受众用户群，其余K
‑
1个用户群确定为上述K
‑
1个非受众用户群。
[0029]根据本公开的实施例，上述基于上述第二共同特征表，根据上述受众用户群和上述非受众用户群，构建无向网络图，包括：
[0030]基于上述第二共同特征表，根据上述受众用户群和上述非受众用户群，计算得到上述每个用户群的中心点的特征值；
[0031]根据上述每个用户群的中心点的上述特征值，计算得到各个用户群之间的距离；以及
[0032]以上述每个用户群作为节点，上述各个用户群之间的距离作为边长，构建上述无向网络图。
[0033]根据本公开的实施例，上述根据上述第一共同特征表和上述第二共同特征表，确定上述受众用户群和上述非受众用户群中的每个非受众用户的标准推荐值，包括：
[0034]对上述第一共同特征表中每个上述共同特征类型下的特征值进行正态分布拟合，确定上述每个共同特征类型对应的均值和标准差；
[0035]根据上述每个共同特征类型对应的均值和标准差，确定上述每个共同特征类型对应的系数区间；
[0036]基于上述第二共同特征表，得到上述每个共同特征类型下上述非受众用户的特征值；
[0037]针对上述每个共同特征类型，在同一共同特征类型下上述非受众用户的特征值不属于对应的上述系数区间的情况下，根据上述同一共同特征类型下的均值和标准差，计算得到上述非受众用户的标准推荐值。
[0038]根据本公开的实施例，上述推荐策略生成方法还包括：
[0039]针对上述每个共同特征类型，在上述同一共本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种推荐策略生成方法，包括：在获得数据使用许可的情况下，获取用户特征表，其中，所述用户特征表中包括受众用户群和非受众用户群中所有用户分别对应的特征值；根据所述用户特征表，生成所述受众用户群中的所有用户共有的第一共同特征表，生成所述受众用户群和所述非受众用户群中的所有用户共有的第二共同特征表；基于所述第二共同特征表，根据所述受众用户群和所述非受众用户群，构建无向网络图；根据所述第一共同特征表和所述第二共同特征表，确定所述受众用户群和所述非受众用户群中的每个非受众用户的标准推荐值；根据所述无向网络图和所述标准推荐值，为每个所述非受众用户生成对应的用户推荐策略。2.根据权利要求1所述的方法，其中，所述在获得数据使用许可的情况下，获取用户特征表，包括：对数据库中所有用户的用户信息和历史数据进行数据清理，得到用户信息表；以及对所述用户信息表进行降维操作，得到所述用户特征表。3.根据权利要求2所述的方法，其中，所述对所述用户信息表进行降维操作，得到所述用户特征表，包括：对所述用户信息表中每一维度的数据进行分析，确定与所述每一维度对应的权重；以及对所述权重大于预设值的维度进行提取，得到所述用户特征表。4.根据权利要求1所述的方法，其中，所述根据所述用户特征表，生成所述受众用户群中的所有用户共有的第一共同特征表，生成所述受众用户群和所述非受众用户群中的所有用户共有的第二共同特征表，包括：根据所述用户特征表，对每个用户进行添加标签操作，确定所述每个用户的用户标签，其中，所述用户标签包括受众用户标签和非受众用户标签，所述所有用户被分为所述受众用户和非受众用户；利用聚类算法和所述用户标签，对所述所有用户进行分类，得到K个用户群，其中，所述K个用户群包括所述受众用户群和所述k
‑
1个非受众用户群，所述受众用户群和所述K
‑
1个非受众用户群均包括所述受众用户和所述非受众用户，K为大于等于1的整数；对所述用户特征表中与所述受众用户群中所有用户各自对应的数据进行分析，得到所述受众用户群中的所有用户共有的所述第一共同特征表；基于所述第一共同特征表，对所述用户特征表进行降维操作，得到所述受众用户群和所述K
‑
1个非受众用户群中的所有用户共有的所述第二共同特征表，其中，所述第一共同特征表与所述第二共同特征表中的共同特征类型是相同的。5.根据权利要求4所述的方法，其中，所述利用聚类算法和所述用户标签，对所述所有用户进行分类，得到K个用户群，包括重复执行以下操作直至同时满足第一预设条件和第二预设条件：在确定所述K个用户群各自的受众率不满足所述第一预设条件或者所述所有用户不满足所述第二预设条件的情况下，
计算K个聚类中心各自与所述每个用户之间的距离，其中，所述K个聚类中心是选取得到的；将所述每个用户分配给距离对应用户最近的所述聚类中心，得到所述K个用户群；根据所述K个用户群和所述K个用户群中的所有用户各自的所述用户标签，计算每个用户群的受众率；根据所述K个用户群，重新选取所述K个用户群各自的聚类中心，得到K个新的聚类中心；将在所述K个用户群各自的受众率满足所述第一预设条件且所述所有用户满足所述第二预设条件的情况下得到的所述K个新的聚类中心确定为所述K个用户群各自的中心点，满足所述第一预设条件的用户群确定为所述受众用户群，其余K
‑
1个用户群确定为所述K
‑
1个非受众用户群。6.根据权利要求1所述的方法，其中，所述基于所述第二共同特征表，根据所述受众用户群和所述非受众用户群，构建无向网络图，包括：基于所述第二共同特征表，根据所述受众用户群和所述非受众用户群，计算得到所述每个用户群的中心点的特征值；根据所述每个用户群的中心点的所述特征值，计算得到各个用户群之间的距离；以及以所述每个用户群作为节点，所述各个用户群之间的距离作为边长，构建所述无向网络图。7.根据权利要求1所述的方法，其中，所述根据所述第一共同特征表和所述第二共同特征表，确定所述受众用户群和所述非受众用户群中的每个非受众用户的标准...

【专利技术属性】
技术研发人员：聂文俊，邱玉华，薛振宇，李文深，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：