基于用户行为的产品推荐方法、装置、设备及存储介质与流程

本发明涉及大数据分析领域，尤其涉及一种基于用户行为的产品推荐方法、装置、设备及存储介质。

背景技术：

随着网络技术的发展，网络成为用户获取产品的主要平台之一。如何有效的向网络用户推荐产品，是产品提供商重点关注的问题。

传统的产品推荐方法，是通过在互联网网站上大量投放产品广告，或是在某些产品平台的首页推荐位置推荐相同的当前主推产品，即向不同的用户推荐相同的产品。然而这种“广撒网”式宣传行为，由于针对对象以及推荐的产品不明确，且不同的用户对同一产品的关注度不同，导致这种推荐方法的效果很不理想；同时，无用的产品推送还会耗费用户比较多的精力和时间，甚至于还会引起用户的反感，从而影响了产品的推广。

技术实现要素：

本发明的主要目的在于提供一种基于用户行为的产品推荐方法、装置、设备及存储介质，旨在实现针对性的进行产品推荐，提升推荐效果。

为实现上述目的，本发明提供一种基于用户行为的产品推荐方法，所述基于用户行为的产品推荐方法包括：

获取待推荐用户的历史行为数据，并确定根据所述历史行为数据确定所对应的历史产品集，所述历史行为数据包括所述待推荐用户对历史产品的行为类型和行为发生时间；

根据所述历史行为数据的行为类型和行为发生时间计算所述历史产品集中各历史产品的真实兴趣评分，并根据所述真实兴趣评分在所述历史产品集中确定所述待推荐用户的真实兴趣产品；

获取与所述真实兴趣产品具有关联关系的推荐产品的推荐产品信息，并基于预设推荐规则向所述待推荐用户对应的用户终端推送所述推荐产品信息。

此外，为实现上述目的，本发明还提供一种基于用户行为的产品推荐装置，所述基于用户行为的产品推荐装置包括：

数据获取模块，用于获取待推荐用户的历史行为数据，并确定根据所述历史行为数据确定所对应的历史产品集，所述历史行为数据包括所述待推荐用户对历史产品的行为类型和行为发生时间；

兴趣确定模块，用于根据所述历史行为数据的行为类型和行为发生时间计算所述历史产品集中各历史产品的真实兴趣评分，并根据所述真实兴趣评分在所述历史产品集中确定所述待推荐用户的真实兴趣产品；

信息推送模块，用于获取与所述真实兴趣产品具有关联关系的推荐产品的推荐产品信息，并基于预设推荐规则向所述待推荐用户对应的用户终端推送所述推荐产品信息。

此外，为实现上述目的，本发明还提供一种基于用户行为的产品推荐设备，所述基于用户行为的产品推荐包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的产品推荐程序，其中所述产品推荐程序被所述处理器执行时，实现如上述的基于用户行为的产品推荐方法的步骤。

此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有产品推荐程序，其中所述产品推荐程序被处理器执行时，实现如上述的基于用户行为的产品推荐方法的步骤。

本发明基于用户的历史行为数据分析其真实兴趣，再根据真实兴趣产品获取与之关联的推荐产品并进行推送，使得产品推荐结果符合用户的实际需要，从而提升推荐效果；同时，在分析用户的真实兴趣时，基于用户行为类型和行为时间两个维度进行，从而可在一定程度上减少用户无意识行为浏览、广告、营销活动等因素引起的非真实兴趣行为数据(噪声)对用户兴趣分析造成的不利影响，还通过时间衰减的方式模拟了用户的兴趣衰减情况，进一步提高了兴趣分析的准确性。

附图说明

图1为本发明实施例方案中涉及的基于用户行为的产品推荐设备的硬件结构示意图；

图2为本发明基于用户行为的产品推荐方法第一实施例的流程示意图；

图3为本发明基于用户行为的产品推荐方法第二实施例的流程示意图；

图4为本发明基于用户行为的产品推荐装置第一实施例的功能模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例涉及的基于用户行为的产品推荐方法主要应用于基于用户行为的产品推荐设备，该产品推荐设备可以是个人计算机(personalcomputer，pc)、服务器等具有数据处理功能的设备实现的。

参照图1，图1为本发明实施例方案中涉及的基于用户行为的产品推荐设备的硬件结构示意图。本发明实施例中，该产品推荐设备可以包括处理器1001(例如中央处理器centralprocessingunit，cpu)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真wireless-fidelity，wi-fi接口)；存储器1005可以是高速随机存取存储器(randomaccessmemory，ram)，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

继续参照图1，图1中作为一种计算机可读存储介质的存储器1005可以包括操作系统、网络通信模块以及产品推荐程序。在图1中，网络通信模块主要用于连接数据库，与数据库进行数据通信；而处理器1001可以调用存储器1005中存储的产品推荐程序，并执行本发明实施例提供的基于用户行为的产品推荐方法。

本发明实施例提供了一种基于用户行为的产品推荐方法。

参照图2，图2为本发明基于用户行为的产品推荐方法第一实施例的流程示意图。

本实施例中，所述基于用户行为的产品推荐方法包括以下步骤：

步骤s10，获取待推荐用户的历史行为数据，并确定根据所述历史行为数据确定所对应的历史产品集，所述历史行为数据包括所述待推荐用户对历史产品的行为类型和行为发生时间；

随着网络技术的发展，网络成为用户获取产品的主要平台之一。如何有效的向网络用户推荐产品，是产品提供商重点关注的问题。传统的产品推荐方法，是通过在互联网网站上大量投放产品广告，或是在某些产品平台的首页推荐位置推荐相同的当前主推产品，即向不同的用户推荐相同的产品。然而这种“广撒网”式宣传行为，由于针对对象以及推荐的产品不明确，且不同的用户对同一产品的关注度不同，导致这种推荐方法的效果很不理想；同时，无用的产品推送还会耗费用户比较多的精力和时间，甚至于还会引起用户的反感，从而影响了产品的推广。对此，本实施例提出了一种基于用户行为的产品推荐方法，根据用户的历史行为数据分析用户的真实兴趣，再根据真实兴趣产品获取与之关联的推荐产品并进行推送，使得产品推荐结果符合用户的实际需要，从而提升推荐效果。

本实施例的基于用户行为的产品推荐方法是由基于用户行为的产品推荐设备实现的，该设备以推荐服务器为例进行说明；而对于该产品，则可以是股票、基金、保险等金融产品，还可是其它数码产品、日用品等，本实施例中以金融产品为例进行说明。推荐服务器为了实现针对性的产品推荐，首先需要获取待推荐用户的历史行为数据，这些历史行为数据为待推荐用户在对一些产品的历史操作行为，其行为类型包括但不限于浏览、搜索、点击产品、收藏(关注)、分享、购买等；同时，历史行为数据中还包括有各历史行为的发生时间，以及各历史行为的行为对象产品，而各历史行为的行为对象产品的集合可称为历史产品集；例如待推荐用户在2018年x月y日z时浏览了a、b、c三款金融产品，其中b是通过搜索的方式浏览，且购买了b产品，关注了c产品，其中历史产品集包括a、b、c三款金融产品。

对于上述的历史行为数据获取，可以预先在终端应用app中内嵌统计软件开发工具包sdk(softwaredevelopmentkit)，当待推荐用户在自己的用户终端上安装该终端应用app时，通过该sdk请求获取待用户的操作行为信息；当待推荐用户同意时，用户终端将根据sdk的内在统计逻辑对用户的搜索、浏览等行为进行记录，并结合待推荐用户的身份信息(例如终端ip地址、用户账户等)生成对应的历史行为数据，然后将该历史行为数据发送至推荐服务器中，此时，推荐服务器即可通过安装在用户终端的应用中的统计sdk获取到待推荐用户的历史行为数据。此外，还可以是在相关产品网站的脚本上进行设置埋点逻辑进行统计，当待推荐用户通过用户终端访问产品网站时，若满足某一统计条件，则该网站的网站服务器将获取当前访问的用户终端的身份信息、并记录其行为，从而生成历史行为数据等，并将这些历史行为数据发送至推荐服务器；而对于埋点逻辑的相关统计条件，则可以是根据实际情况进行设置，例如可以是页面停留时长超过预设时间、对页面的某个特定元素执行特定的操作(如点击、收藏等)、检索使用了特定关键字等。当然，在实际中，待推荐用户的历史行为数据也可以是由第三方机构进行收集，推荐服务器则是从该第三方机构获取这些历史行为数据。

步骤s20，根据所述历史行为数据的行为类型和行为发生时间计算所述历史产品集中各历史产品的真实兴趣评分，并根据所述真实兴趣评分在所述历史产品集中确定所述待推荐用户的真实兴趣产品；

本实施例中，对于待推荐用户的历史行为，在一定程度可以反映待推荐用户兴趣所在，因此推荐服务器在得到历史行为数据和历史产品集时，将根据该历史行为数据进行分析，以确定用户的兴趣产品。但值得说明的是，待推荐用户的历史行为不一定均为待推荐用户在其自身的兴趣(或需求)驱使下进行的操作，有可能是受到其它因素影响才促使待推荐用户进行的行为；例如待推荐用户是从其它的活动促销窗口进入到金融产品的浏览界面，该项历史行为是无意识的行为；又例如待推荐用户检索某个金融并非自己购买，而是为了给朋友进行检索；对于这些历史行为并一定不能完全反映用户的真实兴趣所在。同时，对于不同类型的历史行为，其对待推荐用户兴趣点的反映力度也不一定相同；例如待推荐用户购买了b产品，关注了c产品，浏览了a产品(未对a产品进行其它点击、关注等特别操作)，在这种情况下，待推荐用户对a、b、c三种产品的兴趣度可认为是不同的，其对b产品最感兴趣，其次分别为c产品和a产品。此外，对于历史行为的发生时间(或是数据采集时间)，对于用户兴趣的反映也具有一定的时效性。因此，本实施例在根据待推荐用户的历史行为数据分析其兴趣产品时，将综合历史行为数据的行为类型和行为发生时间两个维度进行分析，以行为类型和行为发生时间两个维度将待推荐用户的历史行为数据量化为对应的数值，并依据一定的算法对该数值进行计算，得出待推荐用户曾经涉及到的各历史产品的真实兴趣评分，用以表征待推荐用户对这些历史产品的兴趣程度(或兴趣可能性)，并进一步根据该真实评分确定待推荐用户的真实兴趣产品；其中，某个历史的真实兴趣评分越高，则可认为待推荐用户对该历史产品的越感兴趣(或待推荐用户对该历史产品的越感兴趣的可能性越高)。

本实施例中，对于每条历史行为数据，都包括所对应历史行为的行为类型和行为发生时间，当然还包括历史行为的对象(涉及的金融产品)，这些历史行为的对象形成了一个历史产品集。而对于历史产品集中的每个历史产品，待推荐用户的每次历史行为都会为产品赋予一次真实兴趣分值加成；针对某一产品的历史行为次数越多，该产品的真实兴趣分值越高；例如，待推荐用户浏览了a产品2次，浏览了b产品5次，则b产品的真实兴趣分值要高于a产品的真实兴趣分值。当然，对于不同的历史行为，其对产品的真实兴趣分值加成程度具有区别，例如待推荐用户浏览了a产品1次，购买了b产品1次，而购买行为和浏览行为相比，购买行为所反映的兴趣程度要高于浏览行为的兴趣程度，因此a产品的真实兴趣分值要高于b产品的真实兴趣分值。而对于不同的历史行为的发生时间，则可设置一衰减函数，以表征该历史行为所产生的真实兴趣分值加成的衰减(也即表征待推荐用户对某一历史产品的兴趣衰减)。根据上述说明，推荐服务器可先统计出待推荐用户对各历史产品的行为类型和行为次数，然后将该行为行为类型和行为次数量化为对应的数值，并根据行为发生时间对数值进行衰减处理，从而得到各历史产品的真实兴趣评分。

具体的，根据所述历史行为数据的行为类型和行为发生时间计算所述历史产品集中各历史产品的真实兴趣评分的步骤包括：

根据所述历史行为数据所对应的历史产品对所述历史行为数据进行一次分类，得到各历史产品对应的产品类行为数据；

对于步骤s10获得的历史行为数据，推荐服务器可先以其行为对象(也即该行为对应的历史产品)进行分类，从而得到各历史产品对应的各类产品类行为数据。例如，a产品的产品类行为数据包括，2017年x1月y1日z1时浏览了a产品、2017年x1月y2日z2时购买了a产品；b产品的产品类行为数据为2017年x1月y1日z1时浏览了b产品，2017年x1月y3日z3时浏览了b产品。通过上述处理，可得到待推荐用户针对每种历史产品的行为数据。

分别统计所述产品类行为数据中各行为类型的行为次数，并确定各行为类型的最近行为时间；

在得到产品类行为数据时，推荐服务器将对各产品类数据进行统计分析，并确定各产品类行为数据中各行为类型的行为次数，以及确定各行为类型的最近行为时间(最后一次发生该行为的时间)。例如，对于a产品的产品类行为数据，包括m次浏览行为、n次购买行为，其中对a产品进行浏览行为的最近行为时间为2017年x1月y1日z1时，对a产品进行购买行为的最近行为时间为2017年x1月y2日z2时。通过上述处理，可得到待推荐用户针对每种历史产品的行为特征(包括各行为类型的行为次数和各行为类型的最近行为时间)。

分别将所述各历史产品对应的各行为类型的行为次数和各行为类型的最近行为时间代入至预设兴趣分公式中，以计算所述各历史产品的真实兴趣分值。

在得到待推荐用户对每种历史产品的行为类型的行为次数和各行为类型的最近行为时间时，可将该行为次数和最近行为时间代入至一预设兴趣分公式中，用以计算各历史产品的真实兴趣分值。如同上述，在该预设兴趣分公式，不同的行为类型具有不同的兴趣分值加成；同一行为类型的行为次数越多，该行为类型的兴趣分值加成越高；同时，每种行为类型的兴趣分值将受到时间衰减的影响。对此，该预设兴趣分公式可以为：

其中，p为各历史产品的真实兴趣分值；

n为产品类行为数据中包括的行为类型的种类，n≥1；

qi为产品类行为数据中第i种历史行为对应的预设分值加成，qi≥0，i≥1；

ki为产品类行为数据中第i种历史行为的行为次数，ki≥0；

f(ti-t0)为时间衰减函数，ti为所述产品类行为数据中第i种历史行为的最近行为时间，t0为当前时间；f(ti-t0)与ti-t0负相关，ti-t0越小，f(ti-t0)越大；例如f(ti-t0)＝mlog(ti-t0)；又例如其中e为自然对数，λ为大于0的常数。

值得说明的是，对于上述预设兴趣分公式也可以根据实际情况进行调整和变换。

本实施例中，在计算得到历史产品集中各历史产品对应的真实兴趣评分时，即可将真实兴趣评分最高的若干个历史产品确定为待推荐用户的真实兴趣产品(当然对于真实兴趣产品的数量可以根据实际情况自行定义)；又或者是将真实兴趣分值高于一预设兴趣阈值的历史产品作为真实兴趣产品(当不存在真实兴趣分值高于一预设兴趣阈值的历史产品时，可随机将一历史产品作为真实兴趣产品，或是将真实兴趣分值最高的历史产品作为真实兴趣产品)。此外，若历史产品集中涉及多种不同类型的历史产品，还可分别确定该类型的真实兴趣产品，例如待推荐用户的金融历史产品包括股票和基金产品，则可分别确定股票类的真实兴趣产品和基金类的真实兴趣产品。

步骤s30，获取与所述真实兴趣产品具有关联关系的推荐产品的推荐产品信息，并基于预设推荐规则向所述待推荐用户对应的用户终端推送所述推荐产品信息。

本实施例中，推荐服务器确定待推荐用户的真实兴趣产品时，即可根据该真实兴趣产品进行针对性的产品查询，获取与该真实兴趣产品具有关联关系的推荐产品，并获取该推荐产品的推荐产品信息。其中，对于该关联关系，在不同类型的真实兴趣产品中可以是有不同的体现。例如，对于股票、基金、保险等金融产品，该关联关系可以金额范围类似、运营机构相同、风险等级类似等；对于数码产品，该关联关系可以是功能相同、价位相似、品牌相同等。本实施例中，推荐服务器在获取到推荐产品产品的推荐产品信息时，即可根据一预设推荐规则向推荐用户的用户终端推送该推荐产品信息。其中，该预设推荐规则可以包括推荐时间、推送频率、推送数据量等内容的规定。

可选地，当真实兴趣产品的产品类型为基金时，所述获取与所述真实兴趣产品具有关联关系的推荐产品的推荐产品信息步骤包括：

确定所述真实兴趣产品的基金风险类型和所述真实兴趣产品持有的重仓股票，并确定所述重仓股票的行业类型；

本实施例中，当真实兴趣产品的产品类型为基金时，推荐服务器可先确定该真实兴趣产品(基金)的基金风险类型，如保守型、稳健型、进取型等，其中不同的基金风险类型对应不同的风险等级。同时推荐服务器还将获取该真实兴趣产品(基金)的股票持有信息，该股票持有信息包括股票名称、各股票发行者所属行业、各股票持有市值等；然后可根据该股票持有信息确定该真实兴趣产品的重仓股票，其中该重仓股票为持有市场最高的股票。在确定重仓股票时，推荐服务器还将确定该重仓股票的行业类型(即股票发行者所属行业)。

查询所述行业类型对应的可选股票，并根据所述可选股票在预设周期的股价变化确定所述可选股票的股票风险类型；

本实施例中，当确定重仓股票的行业类型时，推荐服务器将查询该行业类型的可选股票，并获取这些可选股票在预设周期内的股价变化信息，然后根据这些股价变化信息确定这些可选股票类型的股票风险类型。例如，以“一周”为周期，若某一股票的股价极值波动范围在小于5％，则该股票的股票风险类型为保守型；若该股票的股价极值波动范围在5％到10％之间，则该股票的股票风险类型为稳健型；若某一股票的股价极值波动范围在大于10％，则该股票的股票风险类型为进取型等。

根据所述股票风险类型和基金风险类型在所述可选股票中确定与所述真实兴趣产品关联的推荐股票，并将所述推荐股票确定为推荐产品；

本实施例中，当确定各可选股票的股票风险类型时，可根据股票风险类型和基金风险类型确定与所述真实兴趣产品具有相同(或相似)风险等级的可选股票，例如同为保守型、同为稳健型等；该可选股票即为与所述真实兴趣产品关联的推荐股票，并将该推荐股票确定为推荐产品。

获取所述推荐产品的推荐产品信息。

本实施例中，在确定推荐产品时，推荐服务器即可获取该推荐产品的推荐产品信息，用以向待推荐用户进行推送。

以上通过从待推荐用户的兴趣基金中确定重仓股票，再从该重仓股票的所属行业中选择推荐股票，从而实现了推荐产品与兴趣产品的行业领域相似，还有利于降低兴趣基金的运营机构的日常运营操作对推荐股票造成的不利影响；而且在选择推荐股票时还将会考虑用户的风险承受等级，提高推荐产品与用户的兴趣贴合度。

可选地，当真实兴趣产品的产品类型为股票时，所述获取与所述真实兴趣产品具有关联关系的推荐产品的推荐产品信息步骤包括：

确定最高额持有所述真实兴趣产品的最高额基金，并确定所述最高额基金的运营机构；

本实施例中，当真实兴趣产品的产品类型为股票时，推荐服务器可先确定该股票的持有者，其中该股票的持有可能包括基金机构、个人、公司等；然后推荐服务器可在这些持有者中确定最高额持有该股票的最高额基金，也即拥有该股票的份额最多基金，并确定该最高额基金的运营机构。

查询所述运营机构运营的可选基金，并将所述可选基金确定为推荐产品；

在确定该股票的最高额基金的运营机构时，推荐服务器将查询该运营机构所运营的所有可选(可购买)基金，并将这些可选基金作为推荐产品。

获取所述推荐产品的推荐产品信息。

本实施例中，在确定推荐产品时，推荐服务器即可获取该推荐产品的推荐产品信息，用以向待推荐用户进行推送。

以上通过推荐高额持有兴趣股票的基金运营机构的基金产品，以运营方的角度让用户了解与该股票的其它基金产品，方便用户获取到其需求产品，提升推荐效果。

本实施例中，为了进一步提高产品推荐的效果，还可以根据历史行为数据分析待推荐用户的浏览习惯，进而根据用户的浏览习惯进行针对性的产品推荐。具体的，推荐服务器可以对待推荐用户的历史行为数据进行分析，从而获取所述待推荐用户的高频浏览时段；例如待推荐用户在过去7天内有5天在中午12点至12点30分、晚上22点至22点20分浏览产品，则可认为目标用户的高频浏览时段为中午12点至12点30分、晚上22点至22点20分。当然，对于不同的高频浏览时段，对应的时段时长可能不同，待推荐用户所能查看的信息量也不同，因此，推荐服务器还将确定各高频浏览时段的时段时长。

当检测到当前时间处于高频浏览时段时，推荐服务器将根据当前所处的高频浏览时段的时段时长确定推荐信息量；其中对于该推荐信息量与时段时长的关系，可以是预置一规则进行设置，例如10分钟的时长对应1个产品，20分钟的时长对应3个产品等，当然该推荐信息量也可以是根据产品信息的类型进行表征，例如10分钟的时长对应产品名称和简介，20分钟的时长对应该产品的详细介绍等。当确定推荐信息量时，推荐服务器即可根据该推荐信息量向待推荐用户的用户终端推送对应的推荐产品信息。通过以上方式，可使得产品推荐的时间和信息量能够更贴近待推荐用户的浏览习惯，减少无效推送导致用户反感的情况，有利于提升推荐效果。

本实施例中，通过获取待推荐用户的历史行为数据，并确定根据所述历史行为数据确定所对应的历史产品集，所述历史行为数据包括所述待推荐用户对历史产品的行为类型和行为发生时间；根据所述历史行为数据的行为类型和行为发生时间计算所述历史产品集中各历史产品的真实兴趣评分，并根据所述真实兴趣评分在所述历史产品集中确定所述待推荐用户的真实兴趣产品；获取与所述真实兴趣产品具有关联关系的推荐产品的推荐产品信息，并基于预设推荐规则向所述待推荐用户对应的用户终端推送所述推荐产品信息。通过以上形式，本实施例基于用户的历史行为数据分析其真实兴趣，再根据真实兴趣产品获取与之关联的推荐产品并进行推送，使得产品推荐结果符合用户的实际需要，从而提升推荐效果；同时，在分析用户的真实兴趣时，基于用户行为类型和行为时间两个维度进行，从而可在一定程度上减少用户无意识行为浏览、广告、营销活动等因素引起的非真实兴趣行为数据(噪声)对用户兴趣分析造成的不利影响，还通过时间衰减的方式模拟了用户的兴趣衰减情况，进一步提高了兴趣分析的准确性。

参照图3，图3为本发明基于用户行为的产品推荐方法第二实施例的流程示意图。

基于上述图2所示实施例，本实施例中，所述推荐产品信息包括人工服务链接，步骤s30之后还包括：

步骤s40，在接收到所述用户终端基于所述人工服务链接发送的人工服务请求时，根据所述推荐产品信息查询对应的人工客服端，并向所述人工客服端发送对应的服务任务信息。

本实施例中，考虑到待推荐用户在浏览了推送的推荐产品信息后，可能会有疑问，为了方便待推荐用户进行咨询，本实施例中还可以为待推荐用户提供人工咨询服务。具体的，推荐服务器所推送的推荐产品信息中包括有人工服务链接；待推荐用户在通过用户终端浏览了推送的推荐产品信息后，若需要向客服人员进行人工咨询，则可通过用户终端点击该人工服务链接，从而触发对于的人工服务请求；用户终端根据待推荐用户的操作将该人工服务请求发送至推荐服务器。推荐服务器在接收到该人工服务请求时，首先将根据该推荐产品信息查询对应的人工客服端(负责该信贷产品的业务人员、产品经理等人的终端)，并向所述人工客服端发送对应的服务任务信息；其中该服务任务信息可以包括用户终端的ip地址、账户名称、电话号码等，从而使得客服人员能够通过人工客服端与待推荐用户进行联系，为目标用户提供人工服务，提升目标用户的服务体验。

此外，本发明实施例还提供一种基于用户行为的产品推荐装置。

参照图4，图4为本发明基于用户行为的产品推荐装置第一实施例的功能模块示意图。

本实施例中，所述基于用户行为的产品推荐装置包括：

数据获取模块10，用于获取待推荐用户的历史行为数据，并确定根据所述历史行为数据确定所对应的历史产品集，所述历史行为数据包括所述待推荐用户对历史产品的行为类型和行为发生时间；

兴趣确定模块20，用于根据所述历史行为数据的行为类型和行为发生时间计算所述历史产品集中各历史产品的真实兴趣评分，并根据所述真实兴趣评分在所述历史产品集中确定所述待推荐用户的真实兴趣产品；

信息推送模块30，用于获取与所述真实兴趣产品具有关联关系的推荐产品的推荐产品信息，并基于预设推荐规则向所述待推荐用户对应的用户终端推送所述推荐产品信息。

其中，上述基于用户行为的产品推荐装置的各虚拟功能模块存储于图1所示基于用户行为的产品推荐设备的存储器1005中，用于实现产品推荐程序的所有功能；各模块被处理器1001执行时，可实现获取用户历史行为数据，并从这些历史行为数据中分析用户的兴趣产品，并根据该兴趣产品进行关联产品推送的功能。

进一步的，所述兴趣确定模块20包括：

数据分类单元，用于根据所述历史行为数据所对应的历史产品对所述历史行为数据进行分类，得到各历史产品对应的产品类行为数据；

数据统计单元，用于分别统计所述产品类行为数据中各行为类型的行为次数，并确定各行为类型的最近行为时间；

分值计算单元，用于分别将所述各历史产品对应的各行为类型的行为次数和各行为类型的最近行为时间代入至预设兴趣分公式中，以计算所述各历史产品的真实兴趣分值。

进一步的，所述预设兴趣分公式为：

其中，p为所述各历史产品的真实兴趣分值；

n为所述产品类行为数据中包括的行为类型的种类，n≥1；

qi为所述产品类行为数据中第i种历史行为对应的预设分值加成，qi≥0，i≥1；

ki为所述产品类行为数据中第i种历史行为的行为次数，ki≥0；

f(ti-t0)为时间衰减函数，ti为所述产品类行为数据中第i种历史行为的最近行为时间，t0为当前时间；f(ti-t0)与ti-t0负相关。

进一步的，所述真实兴趣产品的产品类型为基金，所述兴趣确定模块20包括：

第一确定单元，确定所述真实兴趣产品的基金风险类型和所述真实兴趣产品持有的重仓股票，并确定所述重仓股票的行业类型；

第二确定单元，用于查询所述行业类型对应的可选股票，并根据所述可选股票在预设周期的股价变化确定所述可选股票的股票风险类型；

第三确定单元，用于根据所述股票风险类型和基金风险类型在所述可选股票中确定与所述真实兴趣产品关联的推荐股票，并将所述推荐股票确定为推荐产品；

第一获取单元，用于获取所述推荐产品的推荐产品信息。

进一步的，所述真实兴趣产品的产品类型为股票，所述兴趣确定模块20包括：

第四确定单元，用于确定最高额持有所述真实兴趣产品的最高额基金，并确定所述最高额基金的运营机构；

第五确定单元，用于查询所述运营机构运营的可选基金，并将所述可选基金确定为推荐产品；

第二获取单元，用于获取所述推荐产品的推荐产品信息。

进一步的，所述信息推送模块30包括：

时段获取单元，用于根据所述历史行为数据获取所述待推荐用户的高频浏览时段，并确定所述高频浏览时段的时段时长；

信息推送单元，用于当当前时间处于所述高频浏览时段时，根据当前所处高频浏览时段的时段时长确定推荐信息量，并根据所述推荐信息量向所述待推荐用户的用户终端推送所述推荐产品信息。

进一步的，所述推荐产品信息包括人工服务链接，所述基于用户行为的产品推荐还包括：

任务发送模块，用于在接收到所述用户终端基于所述人工服务链接发送的人工服务请求时，根据所述推荐产品信息查询对应的人工客服端，并向所述人工客服端发送对应的服务任务信息。

其中，上述基于用户行为的产品推荐装置中各个模块的功能实现与上述基于用户行为的产品推荐方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。

此外，本发明实施例还提供一种存储介质。

本发明存储介质上存储有产品推荐程序，其中所述产品推荐程序被处理器执行时，实现如上述的基于用户行为的产品推荐方法的步骤。

其中，产品推荐程序被执行时所实现的方法可参照本发明基于用户行为的产品推荐方法的各个实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

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上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。