业务对象数据的推送方法及装置、存储介质、计算机设备与流程

本申请涉及数据处理技术领域，尤其是涉及到一种业务对象数据的推送方法及装置、存储介质、计算机设备。

背景技术：

现有的产品推荐方式，大都是直接推荐一些畅销产品或主推产品给顾客，或者完全迎合顾客的喜好进行产品推荐，或者根据用户的统计学属性分析客户的购买力进行推荐，很少有推销员能根据顾客个人的风格特征有针对性的给出专业的推荐方案，并且推销员通常采用聊天的方式了解顾客，由于推销员的专业水平参差不齐，若以不当的方式与客户沟通可能会造成客户的抵触心理，不利于产品的精准推荐，也耗费了大量的人力资源。

技术实现要素：

有鉴于此，本申请提供了一种业务对象数据的推送方法及装置、存储介质、计算机设备，根据用户的着装特征自动进行产品匹配，提高了推荐准确性。

根据本申请的一个方面，提供了一种业务对象数据的推送方法，其特征在于，包括：

获取目标用户图像信息；

从所述目标用户图像信息中，提取与所述目标用户相关的着装特征信息；

根据所述着装特征信息，计算所述目标用户的性格评分；

根据所述性格评分，计算所述目标用户与业务对象的匹配度；

按照所述匹配度，向所述目标用户推送业务对象对应的数据。

根据本申请的另一方面，提供了一种业务对象数据的推送装置，其特征在于，包括：

目标图像获取单元，用于获取目标用户图像信息；

着装特征提取单元，用于从所述目标用户图像信息中，提取与所述目标用户相关的着装特征信息；

性格评分计算单元，用于根据所述着装特征信息，计算所述目标用户的性格评分；

业务对象匹配度计算单元，用于根据所述性格评分，计算所述目标用户与业务对象的匹配度；

业务对象数据推送单元，用于按照所述匹配度，向所述目标用户推送业务对象对应的数据。

依据本申请又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述业务对象数据的推送方法。

依据本申请再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述业务对象数据的推送方法。

借由上述技术方案，本申请提供的一种业务对象数据的推送方法及装置、存储介质、计算机设备，从目标用户的图像信息中提取出该用户的着装特征，从而对用户的性格进行评分，并按照性格评分计算用户与业务对象的匹配度，从而根据匹配度大小向目标用户推送业务对象数据，与现有技术中推荐热销产品和主打产品、或者销售员通过与用户聊天沟通分析用户喜好的方式相比，本申请能够结合用户的着装信息向不同的用户推送个性化的业务对象数据，推送效果更好，同时也能够避免销售员与用户聊天沟通引起用户的反感。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了本申请实施例提供的一种业务对象数据的推送方法的流程示意图；

图2示出了本申请实施例提供的另一种业务对象数据的推送方法的流程示意图；

图3示出了本申请实施例提供的一种业务对象数据的推送装置的结构示意图；

图4示出了本申请实施例提供的另一种业务对象数据的推送装置的结构示意图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

在本实施例中提供了一种业务对象数据的推送方法，如图1所示，该方法包括：

步骤101，获取目标用户图像信息。

下面以金融产品数据为业务对象为例，对本申请实施例进行说明，本申请可提供两种应用场景：第一，目标用户进入线下交易大厅，通过交易大厅内的摄像头采集目标用户的图像信息；第二，通过目标用户的计算机终端设备(例如智能手机、电脑等)在终端相册或其他存储位置获取目标用户的图像信息。

需要说明的是，通过摄像头获取目标用户图像信息的过程为：接收摄像头采集的图像信息后，对图像信息进行人脸识别处理，并将识别出的人脸信息与数据库中的人脸信息进行匹配，确定目标用户身份后，将采集的图像信息确定为目标用户图像信息。

另外，通过终端设备获取目标用户图像信息的过程为：接收终端设备的照片信息，获取终端设备用户的预留人脸信息，在照片信息中找出与预留人脸信息相关的照片作为目标用户图像信息。

步骤102，从目标用户图像信息中，提取与目标用户相关的着装特征信息。

在目标用户的图像信息中可能包含图像背景、其他人员等等，需要从图像中提取出与目标用户相关的着装特征信息，例如，用户的服装款式为休闲款、运动款、时装款、商务款等等。

步骤103，根据着装特征信息，计算目标用户的性格评分。

目标用户的着装特征常常能够反应出用户的性格偏好，例如穿着商务款服装的人通常具有严谨的性格，以便后续根据目标用户的性格评分向目标用户推送与其性格匹配的产品的信息。

需要说明的是，这里的性格评分，是为后续推送业务对象数据而计算的，性格评分的高低并不反应用户性格的好坏，只是对用户的性格以评分的方式作出区分，以便按照性格评分情况推送适合用户的产品信息。

步骤104，根据性格评分，计算目标用户与业务对象的匹配度。

具体地，在步骤103中，已经说明了，通过着装特征通常能够推测用户的性格偏好，相似的，依照产品特性也容易推测出何种性格的用户更易对该产品产生兴趣，因此，根据目标用户的性格偏好，按照预先归纳好的产品对应的性格偏好情况，计算目标用户与产品的匹配度，匹配度越高，代表该产品更容易被目标用户所接受。

步骤105，按照匹配度，向目标用户推送业务对象对应的数据。

按照匹配度从大到小的顺序排列对应的产品，从而按照顺序依次向目标用户推送相关的产品信息，例如产品名称、产品库存量、产品近期销售情况、产品近期收益情况等等，从而实现按照用户喜好推送产品信息的技术效果，推荐效果更好，更容易被用户接受。

另外，也可以向目标用户推荐匹配度大于预设值的产品对应的产品，或者向目标用户推荐匹配度排名在前几名的产品。

通过应用本实施例的技术方案，从目标用户的图像信息中提取出该用户的着装特征，从而对用户的性格进行评分，并按照性格评分计算用户与业务对象的匹配度，从而根据匹配度大小向目标用户推送业务对象数据，与现有技术中推荐热销产品和主打产品、或者销售员通过与用户聊天沟通分析用户喜好的方式相比，本申请能够结合用户的着装信息向不同的用户推送个性化的业务对象数据，推送效果更好，同时也能够避免销售员与用户聊天沟通引起用户的反感。

进一步的，作为上述实施例具体实施方式的细化和扩展，为了完整说明本实施例的具体实施过程，提供了另一种业务对象数据的推送方法，如图2所示，该方法包括：

步骤201，获取目标用户图像信息。

从线上或线下获取目标用户的图像信息，以便从图像信息中得到目标用户的着装特征。

步骤202，获取图像样本集中的样本用户图像信息以及与样本用户图像信息对应的着装特征信息。

在本申请中，目标用户的着装特征信息是通过能够对着装特征信息进行提取的模型得到的，因此，首先要获取训练样本以便训练模型，训练样本包括样本用户的图像信息以及样本用户的着装特征信息。

步骤203，对样本用户图像信息进行图像预处理。

在上述实施例中，具体地，图像预处理过程包括但不限于以下操作之一或组合：随机裁剪、旋转、翻转、调整亮度以及调整对比度。

训练样本中的样本用户图像信息需要进行图像预处理，从而得到更加清晰容易辨别的图像，有助于模型训练。

步骤204，利用深度学习引擎对处理后的样本用户图像信息以及对应的着装特征信息进行训练，得到深度学习模型。

在上述实施例中，可以将训练样本中的样本用户图像信息及其对应的着装特征信息分成若干个组，得到多个训练组和一个验证组，分别根据多个训练组利用深度学习引擎进行训练得出多个深度学习模型，然后利用验证组分别对多个深度学习模型进行验证，计算每个模型的识别精度，选取识别精度最高的模型最为最终的深度学习模型，当然也可以指定多个深度学习模型中的任意一个作为深度学习模型，深度学习模型用于利用目标用户的图像信息识别用户的着装特征信息。

需要说明的是，为了节省时间，也可以只训练一个深度学习模型。

步骤205，对目标用户图像信息进行图像预处理。

为了提高深度学习模型的识别精度，需要对目标用户图像信息进行预处理，使图像更加清晰容易辨别。

步骤206，应用深度学习模型对处理后的目标用户图像信息进行识别，得到与目标用户的着装特征信息。

将经过图像预处理的目标用户图像信息输入至深度学习模型中，通过深度学习模型对图像信息进行识别，提取出与目标用户图像信息相对应的目标用户着装特征信息。

步骤207，按照预设着装评分规则，分别根据着装款式信息、着装颜色信息以及配饰信息匹配对应的着装款式评分、着装颜色评分以及配饰评分。

在上述实施例中，具体地，着装特征信息包括着装款式信息、着装颜色信息以及配饰信息。

提取的着装特征信息中包括着装款式信息，例如，休闲款、运动款、商务款等等，着装颜色信息，例如，黑色、白色、迷彩色等等，配饰信息，例如，鸭舌帽、手提包、休闲手表等等，按照预设着装评分规则，分别对目标用户的着装款式信息、着装颜色信息以及配饰信息进行评分。

例如，目标用户甲的着装款式为休闲款、着装颜色为深蓝色、配饰为休闲手表，按照预设着装评分规则，休闲款对应的着装款式评分为0.5分，深蓝色对应的着装颜色评分为0.8分，休闲手表对应的配饰评分为0.5分，则确定该目标用户的着装款式信息、着装颜色信息以及配饰信息进行评分分别为0.5，0.8，0.5。

步骤208，根据着装款式评分、着装颜色评分和配饰评分以及对应的着装款式权重、着装颜色权重以及配饰权重，对着装款式评分、着装颜色评分以及配饰评分进行加权求和得出目标用户的性格评分。

按照预设着装款式权重、着装颜色权重以及配饰权重，对着装款式评分、着装颜色评分以及配饰评分进行加权求和，从而得到目标用户的性格评分。

例如，预设着装款式权重、着装颜色权重以及配饰权重，分别为0.5、0.3、0.2，则上述用户甲的性格评分＝0.5*0.5+0.3*0.8+0.2*0.5＝0.59。

另外，需要说明的是，上述着装款式权重、着装颜色权重以及配饰权重可以根据天气信息作出适当调整，例如阴雨天气或冬季，人们更偏爱穿着颜色较深的服装，此时可适当降低颜色评分在总评分中的权重，增加其他权重，例如将着装款式权重、着装颜色权重以及配饰权重分别调整为0.5、0.2、0.3。

步骤209，对于每一种产品，根据性格评分以及预设业务对象规则，匹配性格因子；

具体地，根据预设业务对象规则，得到业务对象的评分；按照性格因子计算公式，利用业务对象的评分以及性格评分计算性格因子，性格因子计算公式为：

x＝1-|i-j|×k，

其中，x为性格因子，i为性格评分，j为产品评分，k为预设系数。

在上述实施例中，对于每一种产品，性格因子是计算产品与目标用户之间匹配度的条件之一。首先按照预设产品规则，匹配产品对应的产品评分，然后按照用户的性格评分以及产品评分，计算目标用户对于该产品的性格因子大小。

具体来说，性格因子的取值范围为(0，1]，在此，利用目标用户的性格评分与该产品的评分的绝对值与预设系数的积，来计算性格因子的大小，需要说明的是，为了使上述绝对值与预设系数的乘积小于1，由性格评分以及产品评分的取值范围决定预设系数k的大小，若性格评分以及产品评分的满分均未1分，则k取1；若性格评分以及产品评分的满分均为10分，则k取0.1；若性格评分以及产品评分的满分均未q，则k取1/q。

例如，假设性格评分和产品评分的满分都为1分，用户甲的性格评分为0.59，货币基金a的产品评分为0.9，那么用户甲对货币基金a的性格因子为1-|0.59-0.9|＝0.61。

步骤210，获取目标用户的历史购买信息，并根据历史购买信息分析历史购买因子。

在上述实施例中，具体地，根据预设业务对象分类规则，得到业务对象的类别；获取目标用户的历史购买信息；根据历史购买信息，统计用户购买该类别对应的全部业务对象的次数m以及目标用户购买所有类别业务对象的总次数n，将m/n作为历史购买因子。

按照预设的产品分类信息，利用目标用户的历史购买信息对目标用户对上述产品的历史购买因子进行计算，具体来说，首先按照预设产品分类规则，对上述产品的类型进行匹配，进而找出与该产品类型相同的所有产品；然后根据目标用户的历史购买信息，统计目标用户购买该类型产品的次数m，以及目标用户购买所有产品的总次数n；最后计算历史购买因子，历史购买因子为m/n。

需要说明的是，预设业务对象分类规则可以根据每种产品的产品评分确定，例如，将产品评分为0-0.3分的产品划分为类别1，产品评分为0.3-0.6的产品划分为类别2，产品评分为0.6-0.8的产品划分为类别3，产品评分为0.8-1的产品划分为类别4。

例如，货币基金a的产品评分为0.9分，按照预设业务对象分类规则，货币基金a属于类别4，进而根据用户甲的历史购买信息分析，用户甲购买所有产品的总次数为15次，其中，购买属于类别4的产品的次数为9次，则用户甲对货币基金a的历史购买因子为9/15＝0.6。

步骤211，根据产品的库存信息，得到产品对应的库存因子。

在上述实施例中，具体地，获取业务对象的库存信息，若根据库存信息确定业务对象无库存，则库存因子为0；若根据库存信息确定业务对象有库存，则库存因子为1。

如果该产品已经没有库存，则无需向用户推送该产品的数据令库存因子为0，否则库存因子为1。

例如，上述货币基金a经过查询，有库存，则库存因子取1。

需要说明的是，库存因子也可以根据具体的库存量来确定。例如，库存量为1000以上则认为库存充足，库存因子设置为1，库存量在0-100之间，则认为库存量不足，库存因子设置为0.1。

步骤212，计算性格因子、历史购买因子以及库存因子之积，得出目标用户与产品的匹配度。

目标用户与产品的匹配度为性格因子、历史购买因子以及库存因子的乘积。

例如，用户甲与货币基金a的匹配度＝性格因子0.61*历史购买因子0.6*库存因子1＝0.366。

步骤213，按照匹配度，向目标用户推送业务对象对应的数据。

计算目标用户与全部产品的匹配度后，向用户推荐对应的产品数据，从而实现用户个性化推荐。

通过应用本实施例的技术方案，利用用户图像信息中提取的着装特征信息计算用户的性格评分，并结合产品的预设评分、用户的历史购买信息以及产品的库存情况，计算用户与每种业务对象的匹配度，从而按照匹配度的大小推送业务对象数据，实现了对用户的个性化推荐服务，推荐效果更好，也避免了直接与用户进行沟通交流造成用户反感，提升了用户体验。

进一步的，作为图1方法的具体实现，本申请实施例提供了一种业务对象数据的推送装置，如图3所示，该装置包括：目标图像获取单元31、着装特征提取单元32、性格评分计算单元33、产品匹配度计算单元34、业务对象数据推送单元35。

目标图像获取单元31，用于获取目标用户图像信息；

着装特征提取单元32，用于从目标用户图像信息中，提取与目标用户相关的着装特征信息；

性格评分计算单元33，用于根据着装特征信息，计算目标用户的性格评分；

业务对象匹配度计算单元34，用于根据性格评分，计算目标用户与业务对象的匹配度；

业务对象数据推送单元35，用于按照匹配度，向目标用户推送业务对象对应的数据。

在具体的应用场景中，如图4所示，着装特征提取单元32，具体包括：样本图像获取单元321、样本图像预处理单元322、模型训练单元323、目标图像预处理单元324、着装特征提取子单元325。

样本图像获取单元321，用于获取图像样本集中的样本用户图像信息以及与样本用户图像信息对应的着装特征信息；

样本图像预处理单元322，用于对样本用户图像信息进行图像预处理；

模型训练单元323，用于利用深度学习引擎对处理后的样本用户图像信息以及对应的着装特征信息进行训练，得到深度学习模型；

目标图像预处理单元324，用于对目标用户图像信息进行图像预处理；

着装特征提取子单元325，用于应用深度学习模型对处理后的目标用户图像信息进行识别，得到与目标用户的着装特征信息。

在上述任一实施例中，具体地，着装特征信息包括着装款式信息、着装颜色信息以及配饰信息。

如图4所示，性格评分计算单元33，具体包括：着装评分计算单元331、性格评分计算子单元332。

着装评分计算单元331，用于按照预设着装评分规则，分别根据着装款式信息、着装颜色信息以及配饰信息匹配对应的着装款式评分、着装颜色评分以及配饰评分；

性格评分计算子单元332，用于根据着装款式评分、着装颜色评分和配饰评分以及对应的着装款式权重、着装颜色权重以及配饰权重，对着装款式评分、着装颜色评分以及配饰评分进行加权求和得出目标用户的性格评分。

在具体的应用场景中，如图4所示，业务对象匹配度计算单元34，具体包括：性格因子计算单元341、历史购买因子计算单元342、库存因子计算单元343、业务对象匹配度计算子单元344。

性格因子计算单元341，用于对于每一种业务对象，根据性格评分以及预设业务对象规则，匹配性格因子。

在上述实施例中，具体地，性格因子计算单元341，具体用于根据预设业务对象规则，得到业务对象的评分；按照性格因子计算公式，利用业务对象的评分以及性格评分计算性格因子，性格因子计算公式为：

x＝1-|i-j|×k，

其中，x为性格因子，i为性格评分，j为产品评分，k为预设系数。

历史购买因子计算单元342，用于获取目标用户的历史购买信息，并根据历史购买信息分析历史购买因子。

在上述实施例中，具体地，根据预设业务对象分类规则，得到业务对象的类别；获取目标用户的历史购买信息；根据历史购买信息，统计用户购买该类别对应的全部业务对象的次数m以及目标用户购买所有类别业务对象的总次数n，将m/n作为历史购买因子。

库存因子计算单元343，用于根据业务对象的库存信息，得到业务对象对应的库存因子。

在上述实施例中，具体地，获取业务对象的库存信息，若根据库存信息确定业务对象无库存，则库存因子为0；若根据库存信息确定业务对象有库存，则库存因子为1。

业务对象匹配度计算子单元344，用于计算性格因子、历史购买因子以及库存因子之积，得出目标用户与业务对象的匹配度。

在上述实施例中，具体地，图像预处理过程包括但不限于以下操作之一或组合：随机裁剪、旋转、翻转、调整亮度以及调整对比度。

需要说明的是，本申请实施例提供的一种业务对象数据的推送装置所涉及各功能单元的其他相应描述，可以参考图1和图2中的对应描述，在此不再赘述。

基于上述如图1和图2所示方法，相应的，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述如图1和图2所示的业务对象数据的推送方法。

基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施场景所述的方法。

基于上述如图1、图2所示的方法，以及图3、图4所示的虚拟装置实施例，为了实现上述目的，本申请实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该计算机设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1和图2所示的业务对象数据的推送方法。

可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(radiofrequency，rf)电路，传感器、音频电路、wi-fi模块等等。用户接口可以包括显示屏(display)、输入单元比如键盘(keyboard)等，可选用户接口还可以包括usb接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、wi-fi接口)等。

本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。

存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现。从目标用户的图像信息中提取出该用户的着装特征，从而对用户的性格进行评分，并按照性格评分计算用户与业务对象的匹配度，从而根据匹配度大小向目标用户推送业务对象数据，与现有技术中推荐热销产品和主打产品、或者销售员通过与用户聊天沟通分析用户喜好的方式相比，本申请能够结合用户的着装信息向不同的用户推送个性化的业务对象数据，推送效果更好，同时也能够避免销售员与用户聊天沟通引起用户的反感。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本申请序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景，但是，本申请并非局限于此，任何本领域的技术人员能思之的变化都应落入本申请的保护范围。