产品推荐方法、装置、计算机设备和存储介质与流程

本技术涉及大数据，特别是涉及一种产品推荐方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术：

1、随着大数据技术的发展，出现了产品推荐技术。在现有的产品推荐方法中，通常是通过专家对用户的行为数据的分析对用户进行分类，然后基于用户的分类结果为用户推荐相应的产品。

2、然而，传统的产品推荐方法容易受到专家经验的主观影响，使得用户的分类结果不准确，无法向用户推荐合适的产品，进而导致产品推荐的准确性较低。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高产品推荐的准确性的产品推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种产品推荐方法。所述方法包括：

3、通过预先训练的资源流失信息预测模型，预测用户的资源流失信息，根据所述用户的资源流失信息，确认所述用户的用户类型；

4、在所述用户的用户类型为资源流失用户的情况下，获取所述用户在多个预设聚类指标下的指标信息；

5、将所述用户在多个预设聚类指标下的指标信息，输入至预先训练的聚类模型中进行聚类，得到所述用户的目标用户类别；

6、将与所述目标用户类别关联的目标产品，推荐给所述用户。

7、在其中一个实施例中，所述通过预先训练的资源流失信息预测模型，预测用户的资源流失信息，根据所述用户的资源流失信息，确认所述用户的用户类型，包括：

8、获取用户的资源信息；

9、通过所述预先训练的资源流失信息预测模型，对所述用户的资源信息进行资源流失预测处理，得到所述用户的资源流失信息；

10、在所述用户的资源流失信息满足预设资源流失阈值的情况下，将所述用户的用户类型确认为资源流失用户。

11、在其中一个实施例中，所述预先训练的资源流失信息预测模型通过下述方式训练得到：

12、获取各个预测样本用户的样本资源信息；

13、针对各个所述预测样本用户，根据所述预测样本用户的样本资源信息的时间顺序，将所述样本资源信息分为观察期资源信息、间隔期资源信息以及表现期资源信息；

14、将所述观察期资源信息、所述间隔期资源信息以及所述表现期资源信息，输入至待训练的资源流失信息预测模型中，得到所述预测样本用户的表现期资源预测信息；

15、通过所述表现期资源预测信息与所述表现期资源信息之间的差异，对所述待训练的资源流失信息预测模型进行训练，得到训练完成的资源流失信息预测模型，作为所述预先训练的资源流失信息预测模型。

16、在其中一个实施例中，所述预先训练的聚类模型通过下述方式训练得到：

17、获取聚类样本用户在所述多个预设聚类指标下的样本指标信息；

18、通过待训练的聚类模型，对所述聚类样本用户在所述多个预设聚类指标下的样本指标信息进行聚类处理，得到所述聚类样本用户的样本用户类别；

19、确认各个所述样本用户类别之间的类别差异信息；

20、在所述类别差异信息小于预设差异阈值的情况下，对所述待训练的聚类模型进行训练，得到训练完成的聚类模型，作为所述预先训练的聚类模型。

21、在其中一个实施例中，所述获取所述用户在多个预设聚类指标下的指标信息，包括：

22、获取所述用户在多个基础特征指标下的指标信息；

23、确认所述多个基础特征指标之间的相关性信息；

24、对对应的相关性信息满足预设相关性阈值的基础特征指标进行融合处理，得到所述多个预设聚类指标；

25、针对各个所述预设聚类指标，对所述用户在所述预设聚类指标对应的基础特征指标下的指标信息进行融合处理，得到所述用户在所述预设聚类指标下的指标信息。

26、在其中一个实施例中，在将与所述目标用户类别关联的目标产品，推荐给所述用户之前，还包括：

27、确认所述预先训练的聚类模型的各个用户类别；

28、获取各个所述用户类别的特征信息；所述用户类别的特征信息，根据所述用户类别的关联样本用户在所述多个预设聚类指标下的样本指标信息得到；所述用户类别的关联样本用户为用于训练所述预先训练的聚类模型的聚类样本用户中，对应的样本用户类别为所述用户类别的聚类样本用户；

29、针对各个所述用户类别，根据所述用户类别的特征信息，确认所述用户类别与产品之间的关联关系；

30、所述将与所述目标用户类别关联的目标产品，推荐给所述用户，包括：

31、查询所述关联关系，确认与所述目标用户类别关联的产品，作为目标产品；

32、将所述目标产品推荐给所述用户。

33、在其中一个实施例中，所述针对各个所述用户类别，根据所述用户类别的特征信息，确认所述用户类别与产品之间的关联关系，包括：

34、针对各个所述用户类别，根据所述用户类别的特征信息，预测所述用户类别的关联样本用户的产品消费行为；

35、确认与所述关联样本用户的产品消费行为关联的产品；

36、根据所述用户类别，以及所述与所述关联样本用户的产品消费行为关联的产品，确认所述用户类别与产品之间的关联关系。

37、第二方面，本技术还提供了一种产品推荐装置。所述装置包括：

38、流失信息预测模块，用于通过预先训练的资源流失信息预测模型，预测用户的资源流失信息，根据所述用户的资源流失信息，确认所述用户的用户类型；

39、指标信息获取模块，用于在所述用户的用户类型为资源流失用户的情况下，获取所述用户在多个预设聚类指标下的指标信息；

40、用户类别聚类模块，用于将所述用户在多个预设聚类指标下的指标信息，输入至预先训练的聚类模型中进行聚类，得到所述用户的目标用户类别；

41、目标产品推荐模块，用于将与所述目标用户类别关联的目标产品，推荐给所述用户。

42、第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

43、通过预先训练的资源流失信息预测模型，预测用户的资源流失信息，根据所述用户的资源流失信息，确认所述用户的用户类型；

44、在所述用户的用户类型为资源流失用户的情况下，获取所述用户在多个预设聚类指标下的指标信息；

45、将所述用户在多个预设聚类指标下的指标信息，输入至预先训练的聚类模型中进行聚类，得到所述用户的目标用户类别；

46、将与所述目标用户类别关联的目标产品，推荐给所述用户。

47、第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

48、通过预先训练的资源流失信息预测模型，预测用户的资源流失信息，根据所述用户的资源流失信息，确认所述用户的用户类型；

49、在所述用户的用户类型为资源流失用户的情况下，获取所述用户在多个预设聚类指标下的指标信息；

50、将所述用户在多个预设聚类指标下的指标信息，输入至预先训练的聚类模型中进行聚类，得到所述用户的目标用户类别；

51、将与所述目标用户类别关联的目标产品，推荐给所述用户。

52、第五方面，本技术还提供了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，该计算机程序被处理器执行时实现以下步骤：

53、通过预先训练的资源流失信息预测模型，预测用户的资源流失信息，根据所述用户的资源流失信息，确认所述用户的用户类型；

54、在所述用户的用户类型为资源流失用户的情况下，获取所述用户在多个预设聚类指标下的指标信息；

55、将所述用户在多个预设聚类指标下的指标信息，输入至预先训练的聚类模型中进行聚类，得到所述用户的目标用户类别；

56、将与所述目标用户类别关联的目标产品，推荐给所述用户。

57、上述产品推荐方法、装置、计算机设备、存储介质和计算机程序产品，首先通过预先训练的资源流失信息预测模型，预测用户的资源流失信息，并根据用户的资源流失信息，确认用户的用户类型；然后在用户的用户类型为资源流失用户的情况下，获取用户在多个预设聚类指标下的指标信息；接着将用户在多个预设聚类指标下的指标信息，输入至预先训练的聚类模型中进行聚类，得到用户的目标用户类别；最后将与目标用户类别关联的目标产品，推荐给用户。这样，通过预先训练的资源流失信息预测模型，能够精准地将用户类型为资源流失用户的用户，确认为需要进行产品推荐的目标客群；然后再通过用户在多个预设聚类指标下的指标信息和预先训练的聚类模型，确认用户的用户类别，并根据用户类别确认需要推荐给用户的目标产品，进而完成对用户的产品推荐。基于以上过程的产品推荐方法，不会受到主观影响的干扰，能够实现对用户的精准分类以及针对用户的产品推荐，提高了产品推荐的准确性，从而能够对用户开展个性化的服务，对资源流失用户进行有效挽留。