一种基于用户行为与推荐规则的实时推荐方法和装置与流程

1.本发明涉及大数据技术领域，尤其涉及一种基于用户行为与推荐规则的实时推荐方法和装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.移动互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络的迅速扩展带来的网上信息量的大幅增长，用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就需要推荐系统来解决这个问题。它可以根据用户的基本信息、行为等数据，将用户感兴趣的信息、产品、功能等推荐给用户。相比于传统的搜索引擎，推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求。
4.推荐系统现已广泛应用于很多领域，其中最典型的领域就是电子商务。但在实际应用中，如何从海量的用户数据、商品数据、功能数据中提取出用户真正感兴趣内容，通常需要复杂的计算过程，所以实时性一般较低，如何尽快得到推荐结果，提高推荐结果的实时性，给用户更好的使用体验，是推荐系统面临的一个较大难题。
5.目前各类在线app中都会提供推荐算法，主要分为两类：协同过滤和基于内容的推荐，但无论哪种，都需要根据用户的基本信息和行为进行复杂的计算，才能得到推荐结果。鉴于手机银行每日的活跃用户都在1800万以上，若采用现有的两类推荐算法，都难以在秒级响应时间内得到推荐结果。所以需要使用计算更简单、实时性更好的算法来完成实时推荐。
6.现有的协同过滤算法，主要是通过用户的基本信息和行为，计算用户间的相似度，然后用最相似的若干个用户的行为，来预测或推荐当前用户的偏好，在产品维度也是一样，通过产品的基本信息，计算产品间的相似度，然后根据用户的喜好推荐相似的产品。
7.而现有的手机银行首页功能区域共有20多个，但这些功能区域没有统一的标签系统进行管理，也无法比较相似程度，现有的协同过滤和基于内容的推荐都很难适用，更无法实现根据用户行为的实时推荐。
8.因此，如何提供一种新的方案，其能够解决上述技术问题是本领域亟待解决的技术难题。


技术实现要素：

9.本发明实施例提供一种基于用户行为与推荐规则的实时推荐方法，该方法包括：
10.获取用户对功能模块的实时点击数据、历史点击数据和资产持仓数据；
11.对实时点击数据、历史点击数据和资产持仓数据进行评分，确定实时点击评分、历史点击评分和资产负债评分；对历史点击数据和资产持仓数据进行评分按照设定周期批量
计算，对实时点击数据进行评分采用流式程序实时计算；
12.根据实时点击评分、历史点击评分和资产负债评分，进行评分融合，确定融合评分；
13.根据特殊业务需求数据，确定推荐规则矩阵；
14.根据融合评分和推荐规则矩阵，利用流式程序实时确定手机银行功能区域排列顺序。
15.本发明实施例还提供一种基于用户行为与推荐规则的实时推荐装置，包括：
16.数据获取模块，用于获取用户对功能模块的实时点击数据、历史点击数据和资产持仓数据；
17.评分模块，用于对实时点击数据、历史点击数据和资产持仓数据进行评分，确定实时点击评分、历史点击评分和资产负债评分；对历史点击数据和资产持仓数据进行评分按照设定周期批量计算，对实时点击数据进行评分采用流式程序实时计算；
18.融合评分模块，用于根据实时点击评分、历史点击评分和资产负债评分，进行评分融合，确定融合评分；
19.推荐规则矩阵确定模块，用于根据特殊业务需求数据，确定推荐规则矩阵；
20.手机银行功能区域排列顺序确定模块，用于根据融合评分和推荐规则矩阵，利用流式程序实时确定手机银行功能区域排列顺序。
21.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器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计算机程序时实现上述一种基于用户行为与推荐规则的实时推荐方法。
22.本发明实施例还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，所述计算机程序被处理器执行时实现上述一种基于用户行为与推荐规则的实时推荐方法。
23.本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述一种基于用户行为与推荐规则的实时推荐方法。
24.本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法和装置，包括：获取用户对功能模块的实时点击数据、历史点击数据和资产持仓数据；对实时点击数据、历史点击数据和资产持仓数据进行评分，确定实时点击评分、历史点击评分和资产负债评分；对历史点击数据和资产持仓数据进行评分按照设定周期批量计算，对实时点击数据进行评分采用流式程序实时计算；根据实时点击评分、历史点击评分和资产负债评分，进行评分融合，确定融合评分；根据特殊业务需求数据，确定推荐规则矩阵；根据融合评分和推荐规则矩阵，利用流式程序实时确定手机银行功能区域排列顺序。
25.本发明的目的在于减少推荐功能的计算量，解决计算的实时性问题，同时解决被推荐内容相似程度无法体现的情况下，完成推荐功能。基于历史点击、实时点击、持仓信息的融合评分计算方法，可以兼顾用户的当前行为、历史偏好、资产负债等信息，得到的推荐结果更加真实、客观。同时推荐规则的使用为业务人员提供了强制推荐某些区域的可能。使用离线批量计算和实时流式计算相结合的方法，可以减少实时计算的压力。
附图说明
26.为了更清楚地说明本发明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发明的一些实施例，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，还可以根据这些附图获得其他的附图。在附图中：
27.图1为本发明实施例一种基于用户行为与推荐规则的实时推荐方法示意图。
28.图2为本发明实施例一种基于用户行为与推荐规则的实时推荐方法的流程图。
29.图3为本发明实施例一种基于用户行为与推荐规则的实时推荐方法的一个实施例示意图。
30.图4为本发明实施例一种基于用户行为与推荐规则的实时推荐方法一个实施例示意图。
31.图5为运行本发明实施的一种基于用户行为与推荐规则的实时推荐方法的计算机设备示意图。
32.图6为本发明实施例一种基于用户行为与推荐规则的实时推荐装置示意图。
具体实施方式
33.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
34.图1为本发明实施例一种基于用户行为与推荐规则的实时推荐方法示意图，如图1所示，本发明实施例提供一种基于用户行为与推荐规则的实时推荐方法，该方法包括：
35.步骤101：获取用户对功能模块的实时点击数据、历史点击数据和资产持仓数据；
36.步骤102：对实时点击数据、历史点击数据和资产持仓数据进行评分，确定实时点击评分、历史点击评分和资产负债评分；对历史点击数据和资产持仓数据进行评分按照设定周期批量计算，对实时点击数据进行评分采用流式程序实时计算；
37.步骤103：根据实时点击评分、历史点击评分和资产负债评分，进行评分融合，确定融合评分；
38.步骤104：根据特殊业务需求数据，确定推荐规则矩阵；
39.步骤105：根据融合评分和推荐规则矩阵，利用流式程序实时确定手机银行功能区域排列顺序。
40.本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法和装置，包括：获取用户对功能模块的实时点击数据、历史点击数据和资产持仓数据；对实时点击数据、历史点击数据和资产持仓数据进行评分，确定实时点击评分、历史点击评分和资产负债评分；对历史点击数据和资产持仓数据进行评分按照设定周期批量计算，对实时点击数据进行评分采用流式程序实时计算；根据实时点击评分、历史点击评分和资产负债评分，进行评分融合，确定融合评分；根据特殊业务需求数据，确定推荐规则矩阵；根据融合评分和推荐规则矩阵，利用流式程序实时确定手机银行功能区域排列顺序。
41.本发明的目的在于减少推荐功能的计算量，解决计算的实时性问题，同时解决被推荐内容相似程度无法体现的情况下，完成推荐功能。基于历史点击、实时点击、持仓信息
的融合评分计算方法，可以兼顾用户的当前行为、历史偏好、资产负债等信息，得到的推荐结果更加真实、客观。同时推荐规则的使用为业务人员提供了强制推荐某些区域的可能。使用离线批量计算和实时流式计算相结合的方法，可以减少实时计算的压力。
42.图2为本发明实施例一种基于用户行为与推荐规则的实时推荐方法的流程图，如图2所示，具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，在一个实施例中，包括：
43.获取用户对功能模块的实时点击数据、历史点击数据和资产持仓数据；
44.对实时点击数据、历史点击数据和资产持仓数据进行评分，确定实时点击评分、历史点击评分和资产负债评分；对历史点击数据和资产持仓数据进行评分按照设定周期批量计算，对实时点击数据进行评分采用流式程序实时计算；
45.根据实时点击评分、历史点击评分和资产负债评分，进行评分融合，确定融合评分；
46.根据特殊业务需求数据，确定推荐规则矩阵；
47.根据融合评分和推荐规则矩阵，利用流式程序实时确定手机银行功能区域排列顺序。
48.图3为本发明实施例一种基于用户行为与推荐规则的实时推荐方法的一个实施例示意图，如图3所示，具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，在一个实施例中，对历史点击数据进行评分，确定历史点击评分，包括：
49.步骤301：从历史点击数据中获取用户集合和用户历史点击各个功能区域的所有行为记录；
50.步骤302：根据用户集合和用户历史点击各个功能区域的所有行为记录，对功能区域的点击频次进行处理，确定时间衰减的用户历史点击数量；
51.步骤303：对时间衰减的用户历史点击数量按列归一化，确定归一化的用户历史点击数量；
52.步骤304：根据归一化的用户历史点击数量，构建第一用户区域偏好矩阵，确定历史点击评分。
53.具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，在一个实施例中，按照如下方式，确定时间衰减的用户历史点击数量：
[0054][0055]
其中，为时间衰减的用户历史点击数量；为时间衰减函数；用户集合为u＝{u1，u2，...，um}，手机银行所有可点击的功能区域为r＝{r1，r2，...，rk}，用户历史点击各个功能区域的所有行为记录为click
history
＝{c1，c2，...}，每个ci是一个三元组ci＝(u，r，t)其中u∈u，r∈r，t为时间，表示用户u在t时刻点击了功能区域r，表明用户ui点击rj的历史各次点击计算时间衰减值然后求和；k和b为固定参数；t0表示当前系统时间。
[0056]
具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，在一个实施例中，按照如下方式，确定归一化的用户历史点击数量：
[0057][0058]
其中，x
ij
为归一化的用户历史点击数量；为时间衰减的用户历史点击数量。
[0059]
具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，在一个实施例中，按照如下方式，构建第一用户区域偏好矩阵：
[0060][0061]
其中，x为第一用户区域偏好矩阵；m为行数；k为列数；x
ij
为归一化的用户历史点击数量。
[0062]
实施例中，记全部用户集合为u＝{u1，u2，...，um}，记手机银行所有可以点击的首页区域为：r＝{r1，r2，...，rk}，click
history
＝{c1，c2，...}表示所有用户历史点击各个功能区域的所有行为记录，其中每个ci是一个三元组ci＝(u，r，t)其中u∈u，r∈r，t为时间，表示用户u在t时刻点击了功能区域r。
[0063]
则可定义用户-区域偏好矩阵x如上述式(3)所示。
[0064]
由于距离系统当前时间越近的点击行为越能影响用户当前的偏好，所以引入式(1)式中的作为时间衰减函数，用来对功能区域的点击频次进行处理。
[0065]
由于用户的点击数量可能会由较大差异，需要按照式(2)在的基础上按列归一化，其中，k和b为固定参数，根据实际情况确定，t0表示当前系统时间。
[0066]
图4为本发明实施例一种基于用户行为与推荐规则的实时推荐方法一个实施例示意图，如图4所示，具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，在一个实施例中，对实时点击数据进行评分，确定实时点击评分，包括：
[0067]
步骤401：从实时点击数据中获取用户集合和用户当日实时点击各个功能区域的所有行为记录；
[0068]
步骤402：根据用户集合和用户当日实时点击各个功能区域的所有行为记录，对功能区域的点击频次进行处理，确定用户实时点击数量；
[0069]
步骤403：对用户实时点击数量按列归一化，确定归一化的用户实时点击数量；
[0070]
步骤404：根据归一化的用户实时点击数量，构建第二用户区域偏好矩阵，确定实时点击评分。
[0071]
具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，在一个实施例中，按如下方式，确定用户实时点击数量：
[0072][0073]
其中，为用户实时点击数量；用户集合为u＝{u1，u2，...，um}，手机银行所有可点击的功能区域为r＝{r1，r2，...，rk}，用户当日实时点击各个功能区域的所有行为记录为click
reattime
＝{c1，c2，...}，每个ci是一个三元组ci＝(u，r，t)其中u∈u，r∈r，t为时间，表示用户u在t时刻点击了功能区域r，表明用户ui点击rj的历史各次点击计算时间衰减值然后求和。
[0074]
具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，在一个实施例中，按照如下方式，归一化的用户实时点击数量：
[0075][0076]
其中，y
ij
为归一化的用户实时点击数量；为用户实时点击数量。
[0077]
具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，在一个实施例中，按照如下方式：构建第二用户区域偏好矩阵：
[0078][0079]
其中，y为第二用户区域偏好矩阵，m为行数；k为列数；y
ij
为归一化的用户实时点击数量。
[0080]
实施例中，记全部用户集合为u＝{u1，u2，...，um}，记手机银行所有可以点击的首页区域为：r＝{r1，r2，...，rk}，click
realtime
＝{c1，c2，...}表示所有用户当日点击各个功能区域的所有行为记录，其中每个ci是一个三元组ci＝(u，r，t)其中u∈u，r∈r，t为时间，表示用户u在t时刻点击了功能区域r。
[0081]
则可定义用户-区域偏好矩阵y如上述式(6)所示。由于用户的点击数量可能会由较大差异，需要按照式(5)在的基础上按列归一化。式(5)中得到的y
ij
即可反应用户实时点击的偏好评分。
[0082]
具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，在一个实施例中，对资产持仓数据进行评分，确定资产负债评分，包括：
[0083]
从资产持仓数据中获取用户集合和用户持仓数量；
[0084]
根据用户集合和用户持仓数量，确定用户在对应功能区域的对应持仓数量；
[0085]
对用户在对应功能区域的对应持仓数量案列取对数并归一化，确定归一化的持仓数量；
[0086]
根据归一化的持仓数量，构建用户持仓矩阵，确定资产负债评分。
[0087]
具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，在一个实施例中，按照如下方式，确定用户在对应功能区域的对应持仓数量：
[0088][0089]
其中，z
*
为用户在对应功能区域的持仓矩阵；m为行数；k为列数；为用户i在j功能区域的对应持仓数量。
[0090]
具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，在一个实施例中，按照如下方式，确定归一化的持仓数量：
[0091][0092]
其中，z
ij
为归一化的持仓数量；为用户i在j功能区域的对应持仓数量。
[0093]
具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，
在一个实施例中，按照如下方式，构建用户持仓矩阵：
[0094][0095]
其中，z为归一化后的用户持仓矩阵；m为行数；k为列数；z
ij
为归一化后的持仓数量。
[0096]
实施例中，手机银行部分首页区域与用户的持仓属性有较强的相关性，例如：基金、理财等，用户的持仓数额与对应区域的关心程度是直接相关的，需要对相应的用户持仓评分进行辅助。
[0097]
记全部用户集合为u＝{u1，u2，...，um}，记手机银行所有可以点击的首页区域为：r＝{r1，r2，...，rk}，与用户持仓有关的首页区域则用户持仓矩阵z为上述式(9)所示，其中为用户i在j区域的对应持仓数量，则按列取对数并归一化后得到z
ij
。
[0098]
具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，在一个实施例中，根据实时点击评分、历史点击评分和资产负债评分，进行评分融合，确定融合评分，包括：
[0099]
利用经验参数，对实时点击评分、历史点击评分和资产负债评分进行评分融合，确定融合向量作为融合评分。
[0100]
具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，在一个实施例中，按照如下方式，确定融合评分：
[0101]
pu＝αxu+βyu+γzu，其中α+β+γ＝1
ꢀꢀꢀ
(10)
[0102]
其中，pu为融合向量，表示用户u对不同功能区域的融合评分；x为第一用户区域偏好矩阵，表示历史点击评分；y为第二用户区域偏好矩阵，表示实时点击评分；z为用户持仓矩阵，表示资产负债评分；α、β和γ为经验参数。
[0103]
具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，在一个实施例中，根据特殊业务需求数据，确定推荐规则矩阵，包括：
[0104]
根据特殊业务需求数据，确定用户集合和业务规则集合；
[0105]
根据用户集合和业务规则集合，确定推荐规则矩阵。
[0106]
具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，在一个实施例中，按照如下方式，确定推荐规则矩阵：
[0107][0108]
其中，w为推荐规则矩阵，w中每一行代表相应用户被各条推荐规则命中的情况，每一列代表对应规则命中了哪些用；w
ij
＝0or 1，1代表命中，0代表未命中；用户集合为u＝{u1，u2，...，um}，业务规则集合为a＝{a1，a2，...，a
l
}，规则a为一个二元组：a＝(r，k)，其中r∈r，是手机银行待推荐功能区域中的一个，手机银行所有可点击的功能区域为r＝{r1，r2，...，rk}k是一个正整数，规则a的含义是：对满足该条规则a的用户u，将最终排名的功能区域r排名向前调整k位。
[0109]
实施例中，记全部用户集合为u＝{u1，u2，...，um}，记各业务规则集合为a＝{a1，a2，...，a
l
}，规则a为一个二元组：a＝(r，k)，其中r∈r，是首页待推荐区域中的一个，k是一
个正整数。规则a代表的含义是：对满足该条规则a的用户u，将最终排名的区域r排名向前调整k位。
[0110]
根据以上的推荐规则，可构建推荐规则矩阵w为上述式(11)所示。其中w
ij
＝0or 1(1代表命中，0代表未命中)，w中每一行代表相应用户被各条推荐规则命中的情况，每一列代表对应规则命中了哪些用户。
[0111]
用pu向量表示用户u对不同功能区域的综合评分，它的计算公式被定义为上述式(10)。
[0112]
按照pu向量中元素取值对对应的功能模块进行排序，按照pu的排序确定各个功能区域的推荐评分，最后根据w中的推荐规则，将满足推荐规则的部分区域调整位置，最终区域顺序列表记为ou，返回给前端作为首页展示顺序。
[0113]
具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法时，在一个实施例中，根据融合评分和推荐规则矩阵，利用流式程序实时确定手机银行功能区域排列顺序，包括：
[0114]
利用流式程序实时按照融合向量中的元素取值对应的功能区域进行排序，按照融合向量的排序确定各个功能区域的推荐评分，确定预排序位置；
[0115]
根据推荐规则矩阵中的推荐规则，将预排序位置中满足推荐规则的功能区域进行位置调整，确定手机银行功能区域排列顺序。
[0116]
前述提到的多个表达式为举例说明，本领域技术人员可以理解，在实施时还可以根据需要对上述公式进行一定形式的变形和添加其它的参数或数据，或者提供其它的具体公式，这些变化例均应落入本发明的保护范围。
[0117]
根据上部分的说明，历史点击评分x、持仓评分z、推荐规则矩阵w根据历史数据每日计算得到结果，实时评分y由流式程序实时计算得到结果，每10秒一个批次。最终每个用户的区域排名由流式程序计算，保存在数据库中，用户刷新手机银行首页时，后台系统将查询并返回最终结果。
[0118]
下面结合具体场景，对本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法进行简要描述：
[0119]
实现基于用户点击行为的实时推荐，主要包括：收集用户的点击行为，并实时上传到服务端；对收到的点击行为进行处理，并计算得到各个区域的评分；解决流式计算的效率问题，保证推荐结果的实时性；对计算得到的各项评分进行融合，并计算得到最终排序结果，供前端设备调用。
[0120]
为了兼顾用户的实时点击、历史点击、持仓信息等特征，采用基于spark的离线计算和实时计算相结合的方法，不仅保证了计算的实时性，也从多个维度保证最终的计算结果更加全面合理。为了保证业务对于某些区域的推荐需求，增加了规则匹配部分，对于满足某些规则的用户，可以在最终的推荐结果中将相应的区域提前数名，更能满足业务人员的个性化推荐需求。采用了基于点击量的计算方法，不仅能更好的反应用户实际的喜好，也减少了实时计算量，提高了系统效率，保证了推荐结果的实时性。
[0121]
本发明实施例基于历史点击、实时点击、持仓信息的融合评分计算方法，可以兼顾用户的当前行为、历史偏好、资产负债等信息，得到的推荐结果更加真实、客观。同时推荐规则的使用为业务人员提供了强制推荐某些区域的可能。使用离线批量计算和实时流式计算
相结合的方法，可以减少实时计算的压力。
[0122]
图5为运行本发明实施的一种基于用户行为与推荐规则的实时推荐方法的计算机设备示意图，如图5所示，本发明实施例还提供一种计算机设备500，包括存储器510、处理器520及存储在存储器上并可在处理器上运行的计算机程序530，所述处理器执行所述计算机程序时实现上述一种基于用户行为与推荐规则的实时推荐方法。
[0123]
本发明实施例还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，所述计算机程序被处理器执行时实现上述一种基于用户行为与推荐规则的实时推荐方法。
[0124]
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述一种基于用户行为与推荐规则的实时推荐方法。
[0125]
本发明实施例中还提供了一种基于用户行为与推荐规则的实时推荐装置，如下面的实施例所述。由于该装置解决问题的原理与一种基于用户行为与推荐规则的实时推荐方法相似，因此该装置的实施可以参见一种基于用户行为与推荐规则的实时推荐方法的实施，重复之处不再赘述。
[0126]
图6为本发明实施例一种基于用户行为与推荐规则的实时推荐装置示意图，如图6所示，本发明实施例还提供一种基于用户行为与推荐规则的实时推荐装置。
[0127]
具体实施本发明实施例提供的一种基于用户行为与推荐规则的实时推荐装置时，在一个实施例中，包括：
[0128]
数据获取模块601，用于获取用户对功能模块的实时点击数据、历史点击数据和资产持仓数据；
[0129]
评分模块602，用于对实时点击数据、历史点击数据和资产持仓数据进行评分，确定实时点击评分、历史点击评分和资产负债评分；对历史点击数据和资产持仓数据进行评分按照设定周期批量计算，对实时点击数据进行评分采用流式程序实时计算；
[0130]
融合评分模块603，用于根据实时点击评分、历史点击评分和资产负债评分，进行评分融合，确定融合评分；
[0131]
推荐规则矩阵确定模块604，用于根据特殊业务需求数据，确定推荐规则矩阵；
[0132]
手机银行功能区域排列顺序确定模块605，用于根据融合评分和推荐规则矩阵，利用流式程序实时确定手机银行功能区域排列顺序。
[0133]
综上，本发明实施例提供的一种基于用户行为与推荐规则的实时推荐方法和装置，包括：获取用户对功能模块的实时点击数据、历史点击数据和资产持仓数据；对实时点击数据、历史点击数据和资产持仓数据进行评分，确定实时点击评分、历史点击评分和资产负债评分；对历史点击数据和资产持仓数据进行评分按照设定周期批量计算，对实时点击数据进行评分采用流式程序实时计算；根据实时点击评分、历史点击评分和资产负债评分，进行评分融合，确定融合评分；根据特殊业务需求数据，确定推荐规则矩阵；根据融合评分和推荐规则矩阵，利用流式程序实时确定手机银行功能区域排列顺序。
[0134]
本发明的目的在于减少推荐功能的计算量，解决计算的实时性问题，同时解决被推荐内容相似程度无法体现的情况下，完成推荐功能。基于历史点击、实时点击、持仓信息的融合评分计算方法，可以兼顾用户的当前行为、历史偏好、资产负债等信息，得到的推荐
结果更加真实、客观。同时推荐规则的使用为业务人员提供了强制推荐某些区域的可能。使用离线批量计算和实时流式计算相结合的方法，可以减少实时计算的压力。
[0135]
本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定，本技术获取的个人、客户和人群等相关的个人身份数据、操作数据、行为数据等多种类型的数据，均已获得授权。
[0136]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0137]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0138]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0139]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0140]
以上所述的具体实施例，对本发明的目的、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的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。