一种产品推荐方法、装置及计算机存储介质与流程

本申请涉及互联网技术领域，尤其涉及一种产品推荐方法、装置及计算机存储介质。

背景技术：

在产品推荐领域，现有应用最为广泛的推荐算法基本上都是基于协同过滤(collaborativefiltering)的推荐算法，可以分为基于用户的协同过滤算法(userbasecf)和基于物品的协同过滤算法(itembasecf)。

基于用户的协同过滤：跟你喜好相似的人喜欢的东西你也很有可能喜欢。如图1a所示，假设用户a喜欢商品a，c。用户b喜欢商品b。用户c喜欢商品a，c，d。我们可以发现用户a和c的行为和偏好是比较类似的。用户c喜欢物品d，那么就可以将物品d推荐给用户a。

基于商品的协同过滤：跟你喜欢的东西类似的东西你也可能喜欢。如图1b所示，假设用户a喜欢商品a和c，用户b喜欢商品a，b，c。用户c喜欢物品a。从所有用户的历史喜好中假设商品a与商品c比较类似，也就是喜欢商品a的都喜欢商品c，那么基于这个结论我们可以将商品c推荐给用户c。

近年来，在实践应用中，人们发现基于协同过滤的方法存在一些比较突出的问题，包括推荐的内容仅仅是基于一个维度(基于用户或基于商品)衡量的，缺乏多元化和无法推断出顾客潜在的和更深层次化的需求，因此现有的这些推荐算法推荐的产品精准度较差。

技术实现要素：

本发明实施例提供了一种产品推荐方法、装置及计算机存储介质，提升了产品推荐的精准度。

第一方面，本发明实施例提供了一种产品推荐方法，包括：

根据n个用户以及所述n个用户的数据构建知识图谱，其中，所述用户的数据中包括用户的属性值、与用户存在行为关系的产品、与用户存在行为关系的产品的属性值中的一种或多种，所述知识图谱中的节点包括所述n个用户以及所述n个用户的数据，所述知识图谱中的边用于表征相连的两个节点之间的关系或属性，所述关系包括购买，n为正整数；

对所述知识图谱进行训练，使得所述知识图谱中的各个节点以及各个边的值达到预设平衡条件；

根据训练后的知识图谱，向所述n个用户中的目标用户推荐目标产品。

实施本发明实施例，能够基于多个用户的多维度的数据构建知识图谱，进而对知识图谱进行训练，使得知识图谱达到预设平衡条件，之后，基于训练后的知识图谱中的各个节点以及各个边的值，向所述n个用户中的目标用户推荐目标产品。采用本发明实施例，能够利用多维度、多元化的用户数据建立图网络，进而基于多维度、多元化的图网络向目标用户推荐目标产品，从而能够实现多元化的产品推荐以及能够推断出顾客潜在的和更深层次化的需求，进而提升了产品推荐的精准度。

在一种可能的设计中，所述对所述知识图谱进行训练，使得所述知识图谱中的各个节点以及各个边的值达到预设平衡条件，包括：

初始化所述知识图谱中的各个节点的值以及各个边的值；

基于初始化的所述各个节点的值以及所述各个边的值对所述知识图谱中的节点的值和边的值进行调整，在所述知识图谱中的各个节点以及各个边的值满足预设平衡条件时，训练结束。

在一种可能的设计中，所述知识图谱中存在边连接的两个节点中包括源节点和目的节点，所述源节点通过所述边指向所述目的节点，所述边用于表征所述源节点和所述目的节点之间的关系；所述预设平衡条件为：在所述知识图谱中所述源节点与所述目的节点之间的距离小于等于第一预设值，所述源节点与所述目的节点之间的距离根据所述源节点的值、所述目的节点的值和所述源节点与所述目的节点之间的关系的值确定。

在一种可能的设计中，所述源节点与所述目的节点之间的距离＝|所述源节点的值+所述源节点与所述目的节点之间的关系的值-所述目的节点的值|。

在一种可能的设计中，在对所述知识图谱中的目标节点的值进行调整时，调整策略为：所述目标节点调整后的值相较于调整前的值趋近于使得所述目标节点以及与所述目标节点连接的节点间满足所述预设平衡条件；

或者，在对所述知识图谱中的目标边的值进行调整时，调整策略为：所述目标边调整后的值相较于调整前的值趋近于使得所述目标边连接的两个节点间满足所述预设平衡条件。

在一种可能的设计中，所述向所述n个用户中的目标用户推荐目标产品，包括：

若目标产品满足预设推荐条件，则向所述目标用户推荐所述目标产品，所述预设推荐条件为：在所述知识图谱中所述目标用户对应的节点与所述目标产品对应的节点之间的距离小于等于第二预设值。

在一种可能的设计中，所述目标用户对应的节点与所述目标产品对应的节点之间的距离＝|目标用户对应的节点的值+购买对应的值-目标产品对应的节点的值|。

在一种可能的设计中，所述若目标产品满足预设推荐条件，则向所述目标用户推荐所述目标产品，包括：

若满足所述预设推荐条件的产品包括p款，则将|目标用户对应的节点的值+购买对应的的值-目标产品对应的节点的值|最小的q款产品推荐给所述目标用户，p为大于q的正整数。

在一种可能的设计中，所述数据包括用户的性别、用户的年龄、用户的身高、用户的体重、用户的家乡、用户的毕业学校、用户的家庭人数、用户的家庭所在小区、用户的单位、用户喜好的电视节目、用户喜好的城市、用户喜好的衣服品牌、用户购买的保险产品、用户购买的保险汽车、用户购买的车型、用户拥有的财物中的一种或多种。

第二方面，本发明实施例提供了一种产品推荐装置，包括：

构建单元，用于根据n个用户以及所述n个用户的数据构建知识图谱，其中，所述用户的数据中包括用户的属性值、与用户存在行为关系的产品、与用户存在行为关系的产品的属性值中的一种或多种，所述知识图谱中的节点包括所述n个用户以及所述n个用户的数据，所述知识图谱中的边用于表征相连的两个节点之间的关系或属性，所述关系包括购买，n为正整数；

训练单元，用于对所述知识图谱进行训练，使得所述知识图谱中的各个节点以及各个边的值达到预设平衡条件；

推荐单元，用于根据训练后的知识图谱中的各个节点以及各个边的值，向所述n个用户中的目标用户推荐目标产品。

在一种可能的设计中，所述训练单元，包括：

初始化单元，用于初始化所述知识图谱中的各个节点的值以及各个边的值；

调整单元，用于基于初始化的所述各个节点的值以及所述各个边的值对所述知识图谱中的节点的值和边的值进行调整，在所述知识图谱中的各个节点以及各个边的值满足预设平衡条件时，训练结束。

在一种可能的设计中，所述知识图谱中存在边连接的两个节点中包括源节点和目的节点，所述源节点通过所述边指向所述目的节点，所述边用于表征所述源节点和所述目的节点之间的关系；所述预设平衡条件为：在所述知识图谱中所述源节点与所述目的节点之间的距离小于等于第一预设值，所述源节点与所述目的节点之间的距离根据所述源节点的值、所述目的节点的值和所述源节点与所述目的节点之间的关系的值确定。

在一种可能的设计中，所述源节点与所述目的节点之间的距离＝|所述源节点的值+所述源节点与所述目的节点之间的关系的值-所述目的节点的值|。

在一种可能的设计中，在对所述知识图谱中的目标节点的值进行调整时，调整策略为：所述目标节点调整后的值相较于调整前的值趋近于使得所述目标节点以及与所述目标节点连接的节点间满足所述预设平衡条件；

或者，在对所述知识图谱中的目标边的值进行调整时，调整策略为：所述目标边调整后的值相较于调整前的值趋近于使得所述目标边连接的两个节点间满足所述预设平衡条件。

在一种可能的设计中，所述推荐单元具体用于：

若目标产品满足预设推荐条件，则向所述目标用户推荐所述目标产品，所述预设推荐条件为：在所述知识图谱中所述目标用户对应的节点与所述目标产品对应的节点之间的距离小于等于第二预设值。

在一种可能的设计中，所述目标用户对应的节点与所述目标产品对应的节点之间的距离＝|目标用户对应的节点的值+购买对应的值-目标产品对应的节点的值|。

在一种可能的设计中，所述推荐单元具体用于，包括：

若满足所述预设推荐条件的产品包括p款，则将|目标用户对应的节点的值+购买对应的值-目标产品对应的节点的值|最小的q款产品推荐给所述目标用户，p为大于q的正整数。

在一种可能的设计中，所述数据包括用户的性别、用户的年龄、用户的身高、用户的体重、用户的家乡、用户的毕业学校、用户的家庭人数、用户的家庭所在小区、用户的单位、用户喜好的电视节目、用户喜好的城市、用户喜好的衣服品牌、用户购买的保险产品、用户购买的保险汽车、用户购买的车型、用户拥有的财物中的一种或多种。

第三方面，本发明实施例提供了一种计算机设备，用于执行第一方面所提供的产品推荐方法。该计算机设备可包括：处理器、通信接口和存储器，处理器、通信接口和存储器相互连接。其中，通信接口用于与其它网络设备(例如终端)进行通信，存储器用于存储第一方面所提供的产品推荐方法的实现代码，处理器用于执行存储器中存储的程序代码，即执行第一方面所提供的产品推荐方法。

第四方面，本申请实施例提供一种计算机可读存储介质，可读存储介质上存储有指令，当其在处理器上运行时，使得处理器执行上述第一方面描述的产品推荐方法。

第五方面，本申请实施例提供了一种包含指令的计算机程序产品，当其在处理器上运行时，使得处理器执行上述第一方面描述的产品推荐方法。

附图说明

图1a是一种基于用户的协同过滤的算法示意图；

图1b是一种基于商品的协同过滤的算法示意图；

图2是本发明实施例提供的一种计算机设备的硬件结构示意图；

图3是本发明实施例提供的一种产品推荐方法的流程示意图；

图4是本发明实施例提供的一种基于用户以及用户的数据构建的知识图谱的示意图；

图5是本发明实施例提供的知识图谱的构建示意图；

图6是本发明实施例提供的一种训练后的知识图谱的示意图；

图7是本发明实施例提供的一种计算机设备的逻辑结构示意图。

具体实施方式

首先针对本发明实施例涉及的计算机设备进行介绍。请参见图1，示出了本发明实施例提供的计算机设备，该计算机设备200可包括：存储器201、通信接口202、和一个或多个处理器203。这些部件可通过总线204或者其他方式连接，图1以通过总线连接为例。其中：

存储器201可以和处理器203通过总线204或者输入输出端口耦合，存储器201也可以与处理器203集成在一起。存储器201用于存储各种软件程序和/或多组指令。具体的，存储器201可包括高速随机存取的存储器，并且也可包括非易失性存储器，例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。存储器201还可以存储网络通信程序，该网络通信程序可用于与一个或多个附加设备，一个或多个终端，一个或多个网络设备进行通信。

处理器203可以是通用处理器，例如中央处理器(centralprocessingunit，cpu)，还可以是数字信号处理器(digitalsignalprocessing，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)，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。处理器203可处理通过通信接口202接收到的数据。

通信接口202用于计算机设备200与其他网络设备进行通信，例如终端进行通信。通信接口202可以是收发器、收发电路等，其中，通信接口是统称，可以包括一个或多个接口，例如终端与服务器之间的接口。通信接口202可以包括有线接口和无线接口，例如标准接口、以太网、多机同步接口。

处理器203可用于读取和执行计算机可读指令。具体的，处理器203可用于调用存储于存储器201中的数据。可选地，当处理器203发送任何消息或数据时，其具体通过驱动或控制通信接口202做所述发送。可选地，当处理器203接收任何消息或数据时，其具体通过驱动或控制通信接口202做所述接收。因此，处理器203可以被视为是执行发送或接收的控制中心，通信接口202是发送和接收操作的具体执行者。

在本申请实施例中，通信接口202具体用于执行下述方法实施例中涉及的数据收发的步骤，处理器203具体用于实施除数据收发之外的数据处理的步骤。

本发明实施例中，计算机设备200可以是具备计算或处理能力的服务器或者终端设备等。

基于图2所示的计算机设备的结构，图3提供了本发明实施例涉及的一种产品推荐方法，该产品推荐方法包括但不限于如下步骤s301-s303。

步骤s301：根据n个用户以及所述n个用户的数据构建知识图谱，其中，所述用户的数据中包括用户的属性值、与用户存在行为关系的产品、与用户存在行为关系的产品的属性值中的一种或多种，所述知识图谱中的节点包括所述n个用户以及所述n个用户的数据，所述知识图谱中的边用于表征相连的两个节点之间的关系或属性，所述关系包括购买，n为正整数。

其中，知识图谱是一种基于图的数据结构，由节点(point)(“实体”或“属性值”)和边(edge)(“关系”或“属性”)组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。

本发明实施例中的知识图谱中的节点包括实体或属性值。其中，实体例如可以是用户、与用户存在关系的产品等。属性值例如可以是用户的属性值、与用户存在关系的产品的属性值等等。知识图谱中的边代表两个节点之间的关系。例如，参见图4，是本发明实施例提供的一种知识图谱的示意图。图4中，节点包括不同的用户(“lucy”、“marry”等)、用户购买的产品(例如产品1、产品2等)、用户的属性值(例如“青年”、“女性”)、产品的属性值(例如“大众”等)。图4中的边连接的两个节点为“实体”或者“属性值”。边表征的是“关系”或者“属性”。代表知识图谱中的三元组集合的基本形式主要包括(实体1-关系-实体2)和(实体-属性-属性值)等。图4中，两个实体之间的边是由行为人指向该行为人发生行为的产品的。本发明实施例中，行为关系包括但不限于：购买、拥有、使用等。为便于描述，可以将箭头的起始节点命名为“源节点”，将箭头指向的节点命名为“目的节点”。

以图4所示的知识图谱为例，“marry”是一个实体，“产品2”是一个实体，marry-购买-产品2是一个(实体-关系-实体)的三元组样例。“marry”是一个实体，年龄是一种属性，青年是属性值。marry-年龄-青年构成一个(实体-属性-属性值)的三元组样例。

当有新用户增加时，可以基于目前的知识图谱继续增加新的节点。当某一用户有新增加的数据时，可以基于目前的知识图谱进行添加新的节点。因此，本申请中的知识图谱是可以将获取到的知识、信息或者线索逐步增加，以进行知识的累积，使得产品推荐的精准度更高。

当用户数量越来越多时，整个知识图谱将变成一个庞大的关系网，在关系网中各个存在关系的节点之间均采用边连接，从而描述各个节点之间的关联关系。

可选的，所述数据包括用户的性别、用户的年龄、用户的身高、用户的体重、用户的家乡、用户的毕业学校、用户的家庭人数、用户的家庭所在小区、用户的单位、用户喜好的电视节目、用户喜好的城市、用户喜好的衣服品牌、用户购买的保险产品、用户购买的保险汽车、用户购买的车型、用户拥有的财物中的一种或多种。

可选的，本发明实施例中涉及的数据包括结构化数据、半结构化数据或者非结构化数据。本发明实施例中，知识图谱的构建从最原始的数据(包括结构化、半结构化或非结构化数据)出发，采用一系列自动或者半自动的技术手段，涉及的数据也可以是从原始数据库和第三方数据库中提取出的知识事实，并将其存入知识库的数据层和模式层，这一过程包含：信息抽取、知识表示、知识融合、知识推理四个过程，每一次更新迭代均包含这四个阶段。例如，原始数据可以是从保险公司的数据库中提取出的。

如图5所示，为知识图谱的构建结构示意图。其中虚线框内的部分为知识图谱的构建过程，也包含知识图谱的更新过程。

步骤s302：对知识图谱进行训练，使得知识图谱中的各个节点以及各个边的值达到预设平衡条件。

其中，在构建出知识图谱后，可以初始化知识图谱中的各个节点的值以及各个边的值。这里的“值”具体可以表征为向量。例如，针对图4，可以初始化实体“lucy”、“marry”的值为0，初始化实体“产品1”、“产品2”和“产品3”的值为1。初始化关系“购买”的值为2，关系“拥有”的值为3，初始化实体“高尔夫”和“帕沙特”的值为4，初始化属性值“青年”、“女性”的值为5等等。需要说明的是，各个节点的值或者各个边的值可以相同，也可以不同，本发明实施例对此不进行限定。不同的节点的值可以相同也可以不同，不同的边的值也可以相同，也可以不同。针对同一关系或者同一实体，需要设置为同一值，例如，图4中所有关于“购买”的值是需要设置为相同的值。“购买”与“拥有”可以设置为不同的值。

对知识图谱中的各个节点以及边的值初始化后，需要训练整个知识图谱。当知识图谱满足预设平衡条件时，训练结束。这里，预设平衡条件例如可以是存在边连接的两个节点中源节点和目的节点之间的距离小于等于第一预设值。这里，源节点和目的节点之间的距离可以由公式|源节点的值+关系的值-目的节点的值|求得，则|源节点的值+关系的值-目的节点的值|≤第一预设值时满足预设平衡条件。这里，第一预设值越小越好，例如，第一预设值可以等于0。因此，训练结束后，知识图谱中的各个节点以及各个边的值相较于初始化的值可能部分或全部发生了变化。以第一预设值等于2为例，训练结束后，知识图谱中的部分节点以及部分边的值可以参见图6。

在训练过程中，当存在边连接的两个节点中，|源节点的值+关系的值-目的节点的值|＞第一预设值，则需要调整节点的值或者边的值，例如，上述图4中，“lucy”的初始值为0，“购买”的初始值为2，产品1的初始值为1，不满足|源节点的值+关系的值-目的节点的值|≤2，则可以调整“lucy”的值为1，“购买”的值不变还为2，产品1的值不变还为1，或者，调整“购买”的值为1，“lucy”的值不变还为0，产品1的值不变还为1。调整各个值的时候是需要综合知识图谱的全局的值的，最终得到整个知识图谱中的各个节点均满足上述预设平衡条件。

这里，为了提高训练的效率，在对某个目标参数(节点或者边)的值进行调整时，需要预设调整策略。这里，调整策略可以是目标参数调整后的值相较于调整前的值更加趋近于使得该目标参数对应的两个节点间满足上述预设平衡条件。即|源节点的值+关系的值-目的节点的值|越小越正确，反之，越大越错误。例如，上述图4中，“lucy”的初始值为0，“购买”的初始值为2，产品1的初始值为1，为使“lucy”和“产品1”达到预设平衡条件，在对“购买”的值进行调整时，调整的策略是尽可能使得|lucy的值+购买的值-产品1的值|≤2，而不是大于2。或者，调整的策略是尽可能的使得|lucy的值+购买的值-产品1的值|趋近于0。

设置调整策略的目的是避免训练的过程复杂且时间长，实施本发明实施例，可以实现训练过程的复杂度降低且效率高。

步骤s303：根据训练后的知识图谱中的各个节点以及各个边的值，向目标用户推荐目标产品。

具体的，向目标用户推荐其具备购买倾向的q款产品。

这里，判断目标用户是否对某款产品具备购买倾向的方式可以是基于目标用户对应的节点的值与某款产品对应的节点的值之间的距离确定，该目标用户对应的节点的值与某款产品对应的节点的值之间的距离可以通过公式：|目标用户对应的节点的值+购买对应的值-目标产品对应的节点的值|求得，当|目标用户对应的节点的值+购买对应的值-目标产品对应的节点的值|≤第二预设值时判定目标用户对该款目标产品具备购买倾向。其中，购买属于一种行为，也是两个节点之间的一种关系，在前述步骤s302所述的训练过程结束后可以确定得到“购买”这一行为对应的数值。例如，上述图4中，在对知识图谱中的各个节点执行步骤s302所述的训练过程后，知识图谱中的各个节点以及各个边的值均达到上述预设平衡条件，最终确定“购买”这一行为对应的数值为3。

这里，第二预设值可以与前述第一预设值相等，也可以与前述第一预设值不相等，本发明实施例对此不进行限定。例如，第二预设值为1，目标用户为david，则可以结合图6中david未购买(即不存在边)的产品(例如产品1、产品2)的值，依次计算各个产品与david的值之间是否满足第二预设值，最终计算出产品2符合该条件，即|david的值(3)+购买的值(3)-产品2的值(5)|≤第二预设值(1)，而产品1不符合，则可以向david推荐产品2。

若满足第二预设条件的产品包括多种，则可以选择|目标用户的值+购买的值-目标产品的值|最小的q款产品推荐给目标用户。

实施本发明实施例，能够更加精准高效的为用户推荐保险产品，针对每个用户可以实现定制化推荐产品，原因在于，针对每个用户可以结合该用户的全部特征进行知识图谱构建，进而可以为每个用户多元化和定制化的推荐保险产品，而非单一的推荐保险产品。例如，拥有相同购买历史的顾客，该方法可以区分这两个用户的差异，因此推荐出不同的产品组合。与现有技术中的协同过滤的算法不同，该方法能够实现多元化的产品推荐并且能够推断出顾客潜在的和更深层次化的需求，进而提升产品推荐的精准度。提升了算法推荐结果的多元化和定制化。

除此之外，现有技术中的协同过滤算法，无法进行知识的积累，每新增一批特征，则需要重新对样本进行计算，从而更新推荐的结果。而本发明实施例中，能够逐步增加获取的知识、信息或者线索，每新增一特征，则直接可以在知识图谱中增加相应的节点即可。当某个用户只有少部分特征(例如性别男)也可以为其推荐合理的产品，当在此基础上增加了新的知识(例如购买了车险)，则只需要在知识图谱中为该用户增加一特征(即三元组集合)，能够更加精准或者定制化为其推荐产品，因此，实施本发明实施例，即使特征是缺失的也能够进行产品推荐，特征越多，推荐的结果越定制化，特征越少，推荐的结果越泛化。

另外，对于稀疏的特征，现有技术中的协同过滤算法，会将稀疏的特征填充为缺失值或是剔除，会对结果造成偏差。而本发明实施例中，即使是饱和度非常差的特征，也可以用此方法进行计算，从而达到不遗漏任何知识的效果。

参见图7，图7示给出了一种产品推荐装置的结构示意图，如图7所示，该产品推荐装置700包括：构建单元701，训练单元702和推荐单元703。

其中，构建单元701，用于根据n个用户以及所述n个用户的数据构建知识图谱，其中，所述用户的数据中包括用户的属性值、与用户存在行为关系的产品、与用户存在行为关系的产品的属性值中的一种或多种，所述知识图谱中的节点包括所述n个用户以及所述n个用户的数据，所述知识图谱中的边用于表征相连的两个节点之间的关系或属性，所述关系包括购买，n为正整数；

训练单元702，用于对所述知识图谱进行训练，使得所述知识图谱中的各个节点以及各个边的值达到预设平衡条件；

推荐单元703，用于根据训练后的知识图谱中的各个节点以及各个边的值，向所述n个用户中的目标用户推荐目标产品。

在一种可能的设计中，所述训练单元702，包括：

初始化单元，用于初始化所述知识图谱中的各个节点的值以及各个边的值；

调整单元，用于基于初始化的所述各个节点的值以及所述各个边的值对所述知识图谱中的节点的值和边的值进行调整，在所述知识图谱中的各个节点以及各个边的值满足预设平衡条件时，训练结束。

在一种可能的设计中，

所述知识图谱中存在边连接的两个节点中包括源节点和目的节点，所述源节点通过所述边指向所述目的节点，所述边用于表征所述源节点和所述目的节点之间的关系；所述预设平衡条件为：在所述知识图谱中所述源节点与所述目的节点之间的距离小于等于第一预设值，所述源节点与所述目的节点之间的距离根据所述源节点的值、所述目的节点的值和所述源节点与所述目的节点之间的关系的值确定。

在一种可能的设计中，所述源节点与所述目的节点之间的距离＝|所述源节点的值+所述源节点与所述目的节点之间的关系的值-所述目的节点的值|。

在一种可能的设计中，所述推荐单元703具体用于：

若目标产品满足预设推荐条件，则向所述目标用户推荐所述目标产品，所述预设推荐条件为：

在所述知识图谱中所述目标用户对应的节点与所述目标产品对应的节点之间的距离小于等于第二预设值。

在一种可能的设计中，所述目标用户对应的节点与所述目标产品对应的节点之间的距离＝|目标用户对应的节点的值+购买对应的值-目标产品对应的节点的值|。

在一种可能的设计中，所述推荐单元703具体用于，包括：

若满足所述预设推荐条件的产品包括p款，则将|目标用户对应的节点的值+购买对应的值-目标产品对应的节点的值|最小的q款产品推荐给所述目标用户，p为大于q的正整数。

在一种可能的设计中，所述数据包括用户的性别、用户的年龄、用户的身高、用户的体重、用户的家乡、用户的毕业学校、用户的家庭人数、用户的家庭所在小区、用户的单位、用户喜好的电视节目、用户喜好的城市、用户喜好的衣服品牌、用户购买的保险产品、用户购买的保险汽车、用户购买的车型、用户拥有的财物中的一种或多种。

需要说明的是，关于产品推荐装置700的具体实现过程可以参见前述图3所示方法实施例的相关描述，此处不再赘述。

在本申请的另一实施例中提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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，或者该技术方案的全部或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一个存储介质中，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例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriberline，dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如数字多功能光盘(digitalversatiledisc，dvd)、半导体介质(例如固态硬盘solidstatedisk，ssd)等。

以上所述的具体实施方式，对本发明实施例的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明实施例的具体实施方式而已，并不用于限定本发明实施例的保护范围，凡在本发明实施例的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明实施例的保护范围之内。