本技术涉及人工智能,尤其涉及一种推荐方法、装置、设备及存储介质。
背景技术:
1、随着互联网的快速发展,金融产品的数量也随之快速增长,向用户推荐最适合的理财产品,可以有效节约用户时间,提高用户体验。
2、本技术旨在通过推荐算法实现金融产品的个性化推荐,以为用户提供适合用户、且用户需要的金融产品,提升个性化推荐的准确性。
技术实现思路
1、本技术提供一种推荐方法、装置、设备及存储介质,用于通过推荐算法为用户提供金融产品的个性化推荐,为用户提供适合用户、且用户需要的金融产品,提升个性化推荐的准确性。
2、第一方面,本技术提供一种推荐方法,包括:
3、获取第一特征数据和第二特征数据,所述第一特征数据用于表征目标用户,所述第二特征数据用于表征待推荐产品;
4、根据第一预测推荐模型获取所述目标用户对所述待推荐产品的兴趣度,所述第一预测推荐模型是通过数据集对初始预测模型训练得到;
5、根据所述兴趣度向所述目标用户推荐目标产品。
6、在一种可能的设计中,所述根据第一预测推荐模型获取所述目标用户对所述待推荐产品的兴趣度,包括:
7、将所述第一特征数据和所述第二特征数据输入至所述第一预测推荐模型,将所述第一预测推荐模型的输出确定为所述目标用户对所述待推荐产品的兴趣度。
8、在一种可能的设计中,所述根据所述兴趣度向所述目标用户推荐目标产品,包括:
9、若所述目标用户非新用户且所述待推荐产品非新产品,根据所述待推荐产品和所述目标用户的产品购买记录获取待推荐候选产品,所述待推荐候选产品为所述待推荐产品中所述目标用户未购买过的产品;
10、根据所述兴趣度和预设推荐规则从所述待推荐候选产品中确定所述目标产品,向所述目标用户推荐所述目标产品。
11、在一种可能的设计中,所述根据所述兴趣度和预设推荐规则从所述待推荐候选产品中确定所述目标产品,包括:
12、将所述待推荐候选产品的兴趣度确定为目标兴趣度;
13、对所述目标兴趣度从高到低进行排序,将排名靠前的多个目标兴趣度对应的待推荐候选产品确定为所述目标产品;或者
14、将所述目标兴趣度与兴趣度阈值进行比较,将大于或者等于所述兴趣度阈值的目标兴趣度对应的待推荐候选产品确定为所述目标产品。
15、在一种可能的设计中,若所述目标用户为新用户,所述方法,还包括:
16、根据所述目标用户的用户数据获取用户属性;
17、根据所述用户属性从所述待推荐产品中选择所述目标产品,以向所述目标用户推荐所述目标产品;
18、其中,所述用户属性包括用户年龄、用户职业以及用户风险指数中的一种或多种。
19、在一种可能的设计中,若所述待推荐产品为新产品,所述方法,还包括:
20、获取所述待推荐产品的种类属性;
21、根据所述种类属性获取与所述待推荐产品相似度大于或者等于相似度阈值的历史产品;
22、根据所述历史产品的兴趣度获取所述目标产品,以向所述目标用户推荐所述目标产品,所述历史产品的兴趣度根据所述第一预测推荐模型得到。
23、在一种可能的设计中,根据在所述根据第一预测推荐模型获取所述目标用户对所述待推荐产品的兴趣度之前,包括:
24、获取所述数据集,所述数据集包括多个历史用户数据、多个历史产品数据以及每个历史用户的产品购买记录;
25、根据所述数据集获取正反馈样本和负反馈样本,所述正反馈样本表示所述历史用户购买过历史产品,负反馈样本表示所述历史用户未购买过历史产品;
26、通过所述正反馈样本和所述负反馈样本对所述初始预测模型进行训练,得到所述第一预测推荐模型。
27、在一种可能的设计中,所述通过所述正反馈样本和所述负反馈样本对所述初始预测模型进行训练,包括:
28、生成所述初始预测模型的损失函数;
29、优化所述损失函数,直当所述损失函数达到收敛条件,结束对所述初始预测模型的训练;
30、将训练后的所述初始预测模型确定为所述第一预测推荐模型。
31、在一种可能的设计中,在所述根据第一预测推荐模型获取所述目标用户对所述待推荐产品的兴趣度之前,还包括:
32、根据所述第一特征数据和所述第二特征数据获取所述目标用户的外在因子,所述外在因子用于表征所述目标用户的产品购买行为与外在因素之间的关联度;
33、若所述外在因子大于或者等于预设因子,根据第二预测推荐模型获取所述目标用户对所述待推荐产品的兴趣度;
34、根据所述兴趣度向所述目标用户推荐目标产品。
35、在一种可能的设计中,所述目标产品包括金融产品。
36、第二方面,本技术提供一种推荐装置,包括:
37、获取模块,用于获取第一特征数据和第二特征数据,所述第一特征数据用于表征目标用户,所述第二特征数据用于表征待推荐产品;
38、第一处理模块,用于根据第一预测推荐模型获取所述目标用户对所述待推荐产品的兴趣度,所述第一预测推荐模型是通过数据集对初始预测模型训练得到;
39、推荐模块,用于根据所述兴趣度向所述目标用户推荐目标产品。
40、在一种可能的设计中,所述第一处理模块,用于:
41、将所述第一特征数据和所述第二特征数据输入至所述第一预测推荐模型,将所述第一预测推荐模型的输出确定为所述目标用户对所述待推荐产品的兴趣度。
42、在一种可能的设计中,所述推荐模块,用于:
43、若所述目标用户非新用户且所述待推荐产品非新产品,根据所述待推荐产品和所述目标用户的产品购买记录获取待推荐候选产品,所述待推荐候选产品为所述待推荐产品中所述目标用户未购买过的产品;
44、根据所述兴趣度和预设推荐规则从所述待推荐候选产品中确定所述目标产品,向所述目标用户推荐所述目标产品。
45、在一种可能的设计中,所述推荐模块,还用于:
46、将所述待推荐候选产品的兴趣度确定为目标兴趣度;
47、对所述目标兴趣度从高到低进行排序,将排名靠前的多个目标兴趣度对应的待推荐候选产品确定为所述目标产品;或者
48、将所述目标兴趣度与兴趣度阈值进行比较,将大于或者等于所述兴趣度阈值的目标兴趣度对应的待推荐候选产品确定为所述目标产品。
49、在一种可能的设计中,若所述目标用户为新用户,所述推荐装置,还包括:第二处理模块;所述第二处理模块,用于:
50、根据所述目标用户的用户数据获取用户属性;
51、根据所述用户属性从所述待推荐产品中选择所述目标产品,以向所述目标用户推荐所述目标产品;
52、其中,所述用户属性包括用户年龄、用户职业以及用户风险指数中的一种或多种。
53、在一种可能的设计中,若所述待推荐产品为新产品,所述第二处理模块,还用于:
54、获取所述待推荐产品的种类属性;
55、根据所述种类属性获取与所述待推荐产品相似度大于或者等于相似度阈值的历史产品;
56、根据所述历史产品的兴趣度获取所述目标产品,以向所述目标用户推荐所述目标产品,所述历史产品的兴趣度根据所述第一预测推荐模型得到。
57、在一种可能的设计中,所述推荐装置,还包括:模型训练模块;所述模型训练模块,用于:
58、获取所述数据集,所述数据集包括多个历史用户数据、多个历史产品数据以及每个历史用户的产品购买记录;
59、根据所述数据集获取正反馈样本和负反馈样本,所述正反馈样本表示所述历史用户购买过历史产品,负反馈样本表示所述历史用户未购买过历史产品;
60、通过所述正反馈样本和所述负反馈样本对所述初始预测模型进行训练,得到所述第一预测推荐模型。
61、在一种可能的设计中,所述模型训练模块,还用于:
62、生成所述初始预测模型的损失函数;
63、优化所述损失函数,直当所述损失函数达到收敛条件,结束对所述初始预测模型的训练;
64、将训练后的所述初始预测模型确定为所述第一预测推荐模型。
65、在一种可能的设计中,所述推荐装置,还包括:第三处理模块;所述第三处理模块,用于:
66、根据所述第一特征数据和所述第二特征数据获取所述目标用户的外在因子,所述外在因子用于表征所述目标用户的产品购买行为与外在因素之间的关联度;
67、若所述外在因子大于或者等于预设因子,根据第二预测推荐模型获取所述目标用户对所述待推荐产品的兴趣度;
68、根据所述兴趣度向所述目标用户推荐目标产品。
69、在一种可能的设计中,所述目标产品包括金融产品。
70、第三方面,本技术提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
71、所述存储器存储计算机执行指令;
72、所述处理器执行所述存储器存储的计算机执行指令,以实现第一方面中所提供的任意一种可能的推荐方法。
73、第四方面,本技术提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现第一方面中所提供的任意一种可能的推荐方法。
74、第五方面,本技术还提供一种计算机程序产品,包括计算机执行指令,该计算机执行指令被处理器执行时用于实现第一方面中所提供的任意一种可能的推荐方法。
75、本技术提供一种推荐方法、装置、设备及存储介质,首先获取第一特征数据和第二特征数据,其中第一特征数据用于表征目标用户,第二特征数据用于表征待推荐产品。然后根据第一预测推荐模型获取目标用户对待推荐产品的兴趣度,第一预测推荐模型是通过数据集对初始预测模型训练得到。再根据兴趣度向目标用户推荐目标产品。基于人工智能通过模型训练得到的第一预测推荐模型获取目标用户对待推荐产品的兴趣度,进而根据兴趣度进行产品的个性化推荐,为用户提供适合用户、且用户需要的产品,并提升个性化推荐的准确性。