【技术实现步骤摘要】
本专利技术涉及人工智能领域，可用于金融科技领域或其他领域，更具体地涉及一种汽车产品的推荐方法、装置、设备、介质和程序产品。
技术介绍
1、随着汽车消费的普及和经济水平的提高，汽车分期产品成为越来越多消费者购车的选择。同时，随着人工智能的发展，通过机器学习模型来进行汽车产品的预测和推荐，也被越来越多的企业所采纳。
2、专利技术人在实现本专利技术构思的过程中发现，相关技术中通过机器学习模型来进行汽车产品的预测时存在如下缺陷：相关技术通常是利用用户购车行为数据（如用户浏览车型、询价等）训练模型来预测用户可能购买的汽车产品，无法对尚未表现出明显购车行为或缺失相关行为数据的用户进行有效预测。而实际中尚未购车或尚未表现出明显购车行为或缺失相关行为数据的用户数量，相比于已购车或有购车行为的用户的数据量要大很多。也就是说，当将尚未购车或尚未表现出明显购车行为或缺失相关行为数据的用户也纳入到预测范围时，模型可以学习的与购买汽车相关的信息就会变得很稀疏，从而导致模型预测不准确。
技术实现思路
1、鉴于上述问题，本专利技术提供了一种可以在与购买汽车相关的信息比较稀疏的场景下进行有效推荐的汽车产品的推荐方法和装置，一种基于大语言模型的用户购车意愿识别模型的训练方法和装置，以及一种电子设备、介质和程序产品。
2、本专利技术实施例的第一方面，提供了一种汽车产品的推荐方法。所述方法包括：获取第一用户对使用其在银行系统中的数据的授权；在得到第一用户授权后获取所述第一用户在银行系统中的数据，
3、本专利技术实施例的第二方面，提供一种基于大语言模型的用户购车意愿识别模型的训练方法。所述方法包括：获取第二用户对使用其银行系统中的数据的授权，所述第二用户为购买了银行系统中的汽车分期产品的已购车用户或者没有使用银行系统中与汽车相关的任何产品的未购车用户；在得到所述第二用户的授权后，获取所述第二用户在银行系统中的数据以得到第二初始数据；从第二初始数据中筛选出与m个特征对应的m个特征数据，以得到第二特征集合，其中，所述m个特征为通过特征工程算法筛选出的与用户购车意愿最相关的一组特征，其中，m为大于或等于2的整数；当所述第二用户为所述已购车用户时，以已购车的信息作为标签标注所述第二特征集合，以得到一条正样本数据；以及当所述第二用户为所述未购车用户时，以未购车的信息作为标签标注所述第二特征集合，以得到一条负样本数据；当获得等量的所述正样本数据和所述负样本数据后，对每一条所述正样本数据和每一条所述负样本数据，分别构造以自然语言表示的提示指令，以得到指令微调数据集；以及利用所述指令微调数据集对所述大语言模型进行微调训练，以得到所述用户购车意愿识别模型。
4、本专利技术实施例的第三方面，提供了一种汽车产品的推荐装置。所述装置包括：第一获取模块、特征工程和特征分析模块、购车意愿预测模块和汽车产品推荐模块。第一获取模块用于获取第一用户对使用其在银行系统中的数据的授权，以及在得到第一用户授权后获取所述第一用户在银行系统中的数据，得到第一初始数据。特征工程和特征分析模块用于从所述第一初始数据中筛选出与m个特征对应的m个特征数据，得到第一特征集合，其中，所述m个特征为通过特征工程算法筛选出的与用户购车意愿最相关的一组特征，其中，m为大于或等于2的整数。购车意愿预测模块用于利用所述第一特征集合构造以自然语言表示的第一提示指令，以及将所述第一提示指令输入给用户购车意愿识别模型，并获取所述用户购车意愿识别模型输出的第一购车意愿识别结果，其中，所述用户购车意愿识别模型为对预训练的大语言模型微调训练后得到的。汽车产品推荐模块用于当所述第一购车意愿识别结果满足潜在购车条件时，向所述第一用户推荐汽车产品。
5、本专利技术实施例的第四方面，提供了一种基于大语言模型的用户购车意愿识别模型的训练装置。所述训练装置包括第二获取模块、特征工程和特征分析模块和微调训练模块。第二获取模块用于获取第二用户对使用其银行系统中的数据的授权，以及在得到所述第二用户的授权后，获取所述第二用户在银行系统中的数据以得到第二初始数据，其中，所述第二用户为购买了银行系统中的汽车分期产品的已购车用户或者没有使用银行系统中与汽车相关的任何产品的未购车用户。特征工程和特征分析模块用于：从第二初始数据中筛选出与m个特征对应的m个特征数据，以得到第二特征集合，其中，所述m个特征为通过特征工程算法筛选出的与用户购车意愿最相关的一组特征，其中，m为大于或等于2的整数；当所述第二用户为所述已购车用户时，以已购车的信息作为标签标注所述第二特征集合，以得到一条正样本数据；以及当所述第二用户为所述未购车用户时，以未购车的信息作为标签标注所述第二特征集合，以得到一条负样本数据。微调训练模块用于当获得等量的所述正样本数据和所述负样本数据后，对每一条所述正样本数据和每一条所述负样本数据，分别构造以自然语言表示的提示指令，以得到指令微调数据集，以及利用所述指令微调数据集对所述大语言模型进行微调训练，以得到所述用户购车意愿识别模型。
6、本专利技术实施例的第五方面，提供了一种电子设备。该电子设备包括：一个或多个处理器和存储器。存储器用于存储一个或多个计算机程序。所述一个或多个处理器执行所述一个或多个计算机程序以实现上述第一方面或第二方面提供的方法的步骤。
7、本专利技术实施例的第六方面，一种计算机可读存储介质，其上存储有计算机程序或指令，所述计算机程序或指令被处理器执行时实现上述第一方面或第二方面提供的方法的步骤。
8、本专利技术实施例的第七方面，一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被处理器执行时实现上述第一方面或第二方面提供的方法的步骤。
9、上述一个或多个实施例具有如下优点或有益效果：从初始数据中先筛选出重要特征，然后利用基于大语言模型构建的用户购车意愿识别模型进行潜在购车用户识别，借助于特征工程算法的特征提取和大语言模型的通用理解能力，可以有效地解决未购车或尚未有表现出明显购车行为或者缺失相关行为数据的用户数量相比于已购车或有购车行为的用户的数据量要大很多而导致购车相关数据稀疏的问题，并因此提高对用户购车意愿的理解和预测能力，提升汽车产品推荐的针对性，而且本专利技术实施例在用户购车意愿识别结果满足潜在购车条件时再向用户进行推荐，从而在扩展预测人群范围的同时能够减少对用户的不必要打扰，提升用户体验和购买转化率。
本文档来自技高网...【技术保护点】
1.一种汽车产品的推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，对预训练的大语言模型微调训练以得到所述用户购车意愿识别模型的过程包括：
3.根据权利要求2所述的方法，其特征在于，所述利用所述指令微调数据集对所述大语言模型进行微调训练包括：
4.根据权利要求1所述的方法，其特征在于，所述特征工程算法是采用随机森林模型构建的，其中，所述M个特征的筛选过程包括：
5.根据权利要求4所述的方法，其特征在于，所述M个特征的筛选过程具体包括：
6.根据权利要求1所述的方法，其特征在于，所述当所述第一购车意愿识别结果满足潜在购车条件时，向所述第一用户推荐汽车产品包括：
7.根据权利要求6所述的方法，其特征在于，所述推荐种类信息包括n个属性的类别信息，所述汽车产品推荐模型包括与n个属性一一对应的n个汽车属性分类器，其中，n为大于或等于2的整数。
8.根据权利要求7所述的方法，其特征在于，每个所述汽车属性分类器包括多个子分类器，其中，不同的子分类器采用不同的算法模型构建，其中，所述
9.根据权利要求5或7所述的方法，其特征在于，所述n个属性包括以下至少之一：价格、品类和能源类型。
10.一种基于大语言模型的用户购车意愿识别模型的训练方法，其特征在于，所述方法包括：
11.一种汽车产品的推荐装置，其特征在于，所述装置包括：
12.一种基于大语言模型的用户购车意愿识别模型的训练装置，其特征在于，所述训练装置包括：
13.一种电子设备，包括：
14.一种计算机可读存储介质，其上存储有计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现根据权利要求1~10中任一项所述方法的步骤。
15.一种计算机程序产品，包括计算机程序或指令，其特征在于，所述计算机程序或指令被处理器执行时实现根据权利要求1~10中任一项所述方法的步骤。
...【技术特征摘要】
1.一种汽车产品的推荐方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，对预训练的大语言模型微调训练以得到所述用户购车意愿识别模型的过程包括：
3.根据权利要求2所述的方法，其特征在于，所述利用所述指令微调数据集对所述大语言模型进行微调训练包括：
4.根据权利要求1所述的方法，其特征在于，所述特征工程算法是采用随机森林模型构建的，其中，所述m个特征的筛选过程包括：
5.根据权利要求4所述的方法，其特征在于，所述m个特征的筛选过程具体包括：
6.根据权利要求1所述的方法，其特征在于，所述当所述第一购车意愿识别结果满足潜在购车条件时，向所述第一用户推荐汽车产品包括：
7.根据权利要求6所述的方法，其特征在于，所述推荐种类信息包括n个属性的类别信息，所述汽车产品推荐模型包括与n个属性一一对应的n个汽车属性分类器，其中，n为大于或等于2的整数。
8.根据权利要求7所述的方法，其特征在于...
【专利技术属性】
技术研发人员：金阳，张珺珺，万芊，杨珂，刘铁，王昊天，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。