一种产品推荐方法以及产品推荐装置与流程

本申请涉及数据处理技术领域，具体涉及一种产品推荐方法以及产品推荐装置。

背景技术：

随着金融产业的快速发展，目前金融机构会将一些待推广的金融产品推荐给各用户，具体的，推荐方式有多种，如通过短信群发的方式，将一款金融产品的链接以及简要内容发送至该金融机构的所有用户，又或者将该金融产品的推广信息设定在金融app首页的预设位置。

然而，发明人发现，目前的产品推荐转化率较低，因此，如何提供一种产品推荐方法，能够根据用户的兴趣度进行相应的产品推荐，进而提高产品推荐的转化率，是本领域技术人员亟待解决的一大技术问题。

技术实现要素：

有鉴于此，本申请实施例提供了一种产品推荐方法以及装置，能够根据用户的兴趣度，对待推荐的产品进行优先级划分，然后有针对性的推荐给用户，以提高对应产品的推荐转化率。

为实现上述目的，本申请实施例提供如下技术方案：

一种产品推荐方法，应用于服务器，包括：

获取各金融产品的多维度数据，所述多维度数据包括所述金融产品的属性信息，用户对各所述金融产品的调研数据以及用户对各所述金融产品的兴趣度数据；

对所述金融产品的属性信息以及所述用户对各所述金融产品的调研数据进行规范化处理，得到符合预设数据格式的量化数据；

根据所述用户对各所述金融产品的兴趣度数据，确定用户对各所述金融产品的偏好程度；

确定所述量化数据中符合预设条件的产品数据为目标产品数据；

根据所述目标产品数据以及所述用户对各所述金融产品的偏好程度，确定出目标推荐产品。

优选的，所述对所述金融产品的属性信息以及所述用户对各所述金融产品的调研数据进行规范化处理，得到符合预设数据格式的量化数据，包括：

对所述用户对各所述金融产品的调研数据进行布尔型数据规范化处理，确定所述调研数据的数据属性。

优选的，所述根据所述用户对各所述金融产品的兴趣度数据，确定用户对各所述金融产品的偏好程度，包括：

获取所述兴趣度数据中金融产品的数量以及用户对每个所述金融产品的兴趣等级；

根据所述金融产品的数量以及用户对每个所述金融产品的兴趣等级，确定用户对各所述金融产品的偏好程度，其中，每个所述偏好程度属于[0，1]，且所述偏好程度之和为1。

优选的，所述确定所述量化数据中符合预设条件的产品数据为目标产品数据，包括：

确定所述金融产品的属性信息的规范化取值大于等于所述用户对各所述金融产品的调研数据的规范化取值的金融产品的数据为目标产品数据。

优选的，所述根据所述目标产品数据以及所述用户对各所述金融产品的偏好程度，确定出目标推荐产品，包括：

创建所述目标产品数据以及所述用户对各所述金融产品的偏好程度的矩阵；

确定所述矩阵中每个所述目标产品数据的正理想解以及负理想解；

确定所述金融产品的偏好程度距离所述正理想解最近的产品为所述目标推荐产品。

一种产品推荐装置，包括：

获取模块，用于获取各金融产品的多维度数据，所述多维度数据包括所述金融产品的属性信息，用户对各所述金融产品的调研数据以及用户对各所述金融产品的兴趣度数据；

处理模块，用于对所述金融产品的属性信息以及所述用户对各所述金融产品的调研数据进行规范化处理，得到符合预设数据格式的量化数据；

第一确定模块，用于根据所述用户对各所述金融产品的兴趣度数据，确定用户对各所述金融产品的偏好程度；

第二确定模块，用于确定所述量化数据中符合预设条件的产品数据为目标产品数据；

第三确定模块，用于根据所述目标产品数据以及所述用户对各所述金融产品的偏好程度，确定出目标推荐产品。

优选的，所述处理模块包括：

第一确定单元，用于对所述用户对各所述金融产品的调研数据进行布尔型数据规范化处理，确定所述调研数据的数据属性。

优选的，所述第一确定模块包括：

获取单元，用于获取所述兴趣度数据中金融产品的数量以及用户对每个所述金融产品的兴趣等级；

第二确定单元，用于根据所述金融产品的数量以及用户对每个所述金融产品的兴趣等级，确定用户对各所述金融产品的偏好程度，其中，每个所述偏好程度属于[0，1]，且所述偏好程度之和为1。

优选的，所述第二确定模块包括：

第三确定单元，用于确定所述金融产品的属性信息的规范化取值大于等于所述用户对各所述金融产品的调研数据的规范化取值的金融产品的数据为目标产品数据。

优选的，所述第三确定模块包括：

创建单元，用于创建所述目标产品数据以及所述用户对各所述金融产品的偏好程度的矩阵；

第四确定单元，用于确定所述矩阵中每个所述目标产品数据的正理想解以及负理想解；

第五确定单元，用于确定所述金融产品的偏好程度距离所述正理想解最近的产品为所述目标推荐产品。

基于上述技术方案，本申请提供了一种产品推荐方法，根据用户对各所述金融产品的兴趣度数据，确定用户对各所述金融产品的偏好程度，然后对经过格式规范化处理的金融产品的属性信息以及用户对各金融产品的调研数据进行筛选，最后，根据所述目标产品数据以及所述用户对各所述金融产品的偏好程度，确定出目标推荐产品。实现了根据用户的兴趣度进行产品推荐，进而提高了产品推荐的转化率。

附图说明

为了更清楚地说明本申请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，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种产品推荐系统的结构框架图；

图2为本申请实施例提供的一种产品推荐方法的流程图；

图3为本申请实施例提供的又一种产品推荐方法的流程示意图；

图4为本申请实施例提供的一种产品推荐装置的结构框图；

图5为本申请实施例提供的又一种产品推荐装置的结构框图；

图6为本申请实施例提供的又一种产品推荐装置的结构框图；

图7为本申请实施例提供的又一种产品推荐装置的结构框图；

图8为本申请实施例提供的又一种产品推荐装置的结构框图；

图9为本申请实施例提供的一种服务器的硬件结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，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。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的一种产品推荐系统的结构框架图，该图所示的产品推荐系统可以用于实现本申请实施例提供的一种产品推荐方法。参照图1，该一种产品推荐系统可以包括：服务器100以及多个客户端200；

其中，服务器为网络侧为用户提供服务的服务设备，其可能是多台服务器组成的服务器集群，也可能是单台服务器。

客户端是与服务器相对应的，为用户提供本地服务的程序，在实际应用中，客户端一般可以装载在手机、平板电脑、笔记本电脑等用户设备上，在本实施例中，客户端可以是装载在这些用户设备上的金融类app。

基于图1所示的一种产品推荐系统，下面从服务器的角度对本申请提供的一种产品推荐方法进行介绍。如图2所示，为本申请实施例提供的一种产品推荐方法的流程图，该方法可以包括：

s21、获取各金融产品的多维度数据。

在本实施例中，所述多维度数据包括所述金融产品的属性信息，用户对各所述金融产品的调研数据以及用户对各所述金融产品的兴趣度数据。其中，金融产品的属性信息是数据库中记录的用户感兴趣的属性的数据，用户对各所述金融产品的调研数据记录有用户基于不同的金融产品反馈的需求信息，如，用户对产品a的是否有购买需求等。

s22、对所述金融产品的属性信息以及所述用户对各所述金融产品的调研数据进行规范化处理，得到符合预设数据格式的量化数据。

具体的，在本实施例中，对所述用户对各所述金融产品的调研数据进行布尔型数据规范化处理，然后，确定所述调研数据的数据属性。由于用户对各所述金融产品的调研数据可能具有不同的形式，不同的量纲，因此本步骤是将上述数据进行格式统一的过程，使得用户对各所述金融产品的调研数据具有统一的量纲。

示意性的，将调研数据统一成布尔型数据格式，由于布尔型数据只包含true和false两种数据。因此可以根据实际情况将true和false分别规范化正属性为1负属性为0以及正属性为0负属性为1。例如，“是否存在风险”维度，用户更希望买没有风险的产品，是负属性，所以可将true设为0，false设为1；“是否有利息”维度，用户更希望买有利息的产品，是正属性，所以可将true设为1，false设为0。

s23、根据所述用户对各所述金融产品的兴趣度数据，确定用户对各所述金融产品的偏好程度。

上述步骤获取到的用户数据包括用户对多种金融产品的兴趣度，本步骤将多个兴趣度进行统一维度的处理，可以通过获取所述兴趣度数据中金融产品的数量以及用户对每个所述金融产品的兴趣等级，然后，根据所述金融产品的数量以及用户对每个所述金融产品的兴趣等级，确定用户对各所述金融产品的偏好程度。其中，每个所述偏好程度属于[0，1]，且所述偏好程度之和为1。

例如，用户对产品a的兴趣等级为3(兴趣等级可以理解成用户满意度，类似于1星、2星、3星、4星、5星)，对产品b的兴趣等级为1，对产品c的兴趣等级为0，对产品d的兴趣等级为2，对产品e的兴趣等级为0，那么，可以根据产品的数量以及兴趣等级，依次确定用户对每个金融产品的偏好程度，如，确定用户对产品a的偏好程度为3/(3+1+0+2+0)，对产品b的偏好程度为1/(3+1+0+2+0)，对产品c的偏好程度为0/(3+1+0+2+0)，对产品d的偏好程度为2/(3+1+0+2+0)，对产品e的偏好程度为0/(3+1+0+2+0)。

其中，用户对各个产品的偏好程度的加和为1，即，用户对每个产品的偏好程度都介于0和1之间。同样，偏好程度也表征了用户对该产品的兴趣倾向，偏好程度越高，表明用户对该产品越感兴趣。

s24、确定所述量化数据中符合预设条件的产品数据为目标产品数据。

具体的，本实施例中通过确定所述金融产品的属性信息的规范化取值大于等于所述用户对各所述金融产品的调研数据的规范化取值的金融产品的数据为目标产品数据。

例如，将规范化后的金融产品的属性信息以及用户对各所述金融产品的调研数据进行比较，筛选出满足用户需求的产品数据。在这里满足用户需求的产品是指每一个属性的规范化取值均大于等于用户问卷调查反馈的兴趣维度的规范化取值。

s25、根据所述目标产品数据以及所述用户对各所述金融产品的偏好程度，确定出目标推荐产品。

具体的，如图3所示，步骤s25可以通过如下步骤实现：

s31、创建所述目标产品数据以及所述用户对各所述金融产品的偏好程度的矩阵；

s32、确定所述矩阵中每个所述目标产品数据的正理想解以及负理想解；

s33、确定所述金融产品的偏好程度距离所述正理想解最近的产品为所述目标推荐产品。

在本实施例中，以逼近理想解方法，通过定义多目标决策问题的正理想解和负理想解，然后从满足需求的方案中选择一个方案，使得该方案和正理想解额距离最近，和负理想解的距离最远。

例如，当用户在进择购买产品的时候，其往往会选择能够满足自己偏需求的最好的产品。在创建所述目标产品数据以及所述用户对各所述金融产品的偏好程度的矩阵之后，正理想解就是决策矩阵中的最大的构成解(即每个产品属性的最大值构成的解)，负理想解就是决策矩阵中的最小的构成解(即每个产品属性的最小值构成的解)。

那么，在偏好度分析结果中，得到的解越接近1，那么说明该产品越接近正理想解，也就是越匹配用户的偏好。同样，如果的数值越接近0的话则表示该产品越接近负理想解，也就是离用户偏好越远。因此，本实施例只需确定所述金融产品的偏好程度距离所述正理想解最近的产品为所述目标推荐产品即可。

可见，本实施例采用多属性决策，在确定正理想解的同时求得负理想解，最后以欧氏距离测量每个解至正负理想解的偏倚程度，并最终确定用户偏好。

下面对本申请实施例提供的服务器进行介绍，下文描述的服务器与上文以服务器角度描述的一种产品推荐方法相互对应参照。如图4所示，为本申请实施例提供的服务器的结构框图，参照图4，该服务器可以包括

获取模块41，用于获取各金融产品的多维度数据，所述多维度数据包括所述金融产品的属性信息，用户对各所述金融产品的调研数据以及用户对各所述金融产品的兴趣度数据；

处理模块42，用于对所述金融产品的属性信息以及所述用户对各所述金融产品的调研数据进行规范化处理，得到符合预设数据格式的量化数据；

第一确定模块43，用于根据所述用户对各所述金融产品的兴趣度数据，确定用户对各所述金融产品的偏好程度；

第二确定模块44，用于确定所述量化数据中符合预设条件的产品数据为目标产品数据；

第三确定模块45，用于根据所述目标产品数据以及所述用户对各所述金融产品的偏好程度，确定出目标推荐产品。

可选的，如图5所示，所述处理模块42包括：

第一确定单元51，用于对所述用户对各所述金融产品的调研数据进行布尔型数据规范化处理，确定所述调研数据的数据属性。

可选的，如图6所示，所述第一确定模块43包括：

获取单元61，用于获取所述兴趣度数据中金融产品的数量以及用户对每个所述金融产品的兴趣等级；

第二确定单元62，用于根据所述金融产品的数量以及用户对每个所述金融产品的兴趣等级，确定用户对各所述金融产品的偏好程度，其中，每个所述偏好程度属于[0，1]，且所述偏好程度之和为1。

可选的，如图7所示，所述第二确定模块44包括：

第三确定单元71，用于确定所述金融产品的属性信息的规范化取值大于等于所述用户对各所述金融产品的调研数据的规范化取值的金融产品的数据为目标产品数据。

可选的，如图8所示，所述第三确定模块45包括：

创建单元81，用于创建所述目标产品数据以及所述用户对各所述金融产品的偏好程度的矩阵；

第四确定单元82，用于确定所述矩阵中每个所述目标产品数据的正理想解以及负理想解；

第五确定单元83，用于确定所述金融产品的偏好程度距离所述正理想解最近的产品为所述目标推荐产品。

其工作原理参见上述方法实施例，在此不重复叙述。

上文描述的是服务器的软件功能模块架构，在服务器的硬件结构上，服务器可通过如下方式实现一种产品推荐方案；

图9为本申请实施例提供的服务器的硬件结构框图，参照图9，该服务器可以包括：处理器91，通信接口92，存储器93和通信总线94；

其中处理器91、通信接口92、存储器93通过通信总线94完成相互间的通信；

可选的，通信接口92可以为通信模块的接口，如gsm模块的接口；

处理器91，用于执行程序；

存储器93，用于存放程序；

程序可以包括程序代码，所述程序代码包括计算机操作指令。

处理器91可能是一个中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本申请实施例的一个或多个集成电路。

存储器93可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

其中，程序可具体用于：

获取各金融产品的多维度数据，所述多维度数据包括所述金融产品的属性信息，用户对各所述金融产品的调研数据以及用户对各所述金融产品的兴趣度数据；

对所述金融产品的属性信息以及所述用户对各所述金融产品的调研数据进行规范化处理，得到符合预设数据格式的量化数据；

根据所述用户对各所述金融产品的兴趣度数据，确定用户对各所述金融产品的偏好程度；

确定所述量化数据中符合预设条件的产品数据为目标产品数据；

根据所述目标产品数据以及所述用户对各所述金融产品的偏好程度，确定出目标推荐产品。

优选的，所述对所述金融产品的属性信息以及所述用户对各所述金融产品的调研数据进行规范化处理，得到符合预设数据格式的量化数据，包括：

对所述用户对各所述金融产品的调研数据进行布尔型数据规范化处理，确定所述调研数据的数据属性。

优选的，所述根据所述用户对各所述金融产品的兴趣度数据，确定用户对各所述金融产品的偏好程度，包括：

获取所述兴趣度数据中金融产品的数量以及用户对每个所述金融产品的兴趣等级；

根据所述金融产品的数量以及用户对每个所述金融产品的兴趣等级，确定用户对各所述金融产品的偏好程度，其中，每个所述偏好程度属于[0，1]，且所述偏好程度之和为1。

优选的，所述确定所述量化数据中符合预设条件的产品数据为目标产品数据，包括：

确定所述金融产品的属性信息的规范化取值大于等于所述用户对各所述金融产品的调研数据的规范化取值的金融产品的数据为目标产品数据。

优选的，所述根据所述目标产品数据以及所述用户对各所述金融产品的偏好程度，确定出目标推荐产品，包括：

创建所述目标产品数据以及所述用户对各所述金融产品的偏好程度的矩阵；

确定所述矩阵中每个所述目标产品数据的正理想解以及负理想解；

确定所述金融产品的偏好程度距离所述正理想解最近的产品为所述目标推荐产品。

综上所述，本申请提供了一种产品推荐方法以及产品推荐装置，该方法根据用户对各所述金融产品的兴趣度数据，确定用户对各所述金融产品的偏好程度，然后对经过格式规范化处理的金融产品的属性信息以及用户对各金融产品的调研数据进行筛选，最后，根据所述目标产品数据以及所述用户对各所述金融产品的偏好程度，确定出目标推荐产品。实现了根据用户的兴趣度进行产品推荐，进而提高了产品推荐的转化率。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业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申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，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。