一种资源产品推荐方法、装置、设备及存储介质与流程

本发明涉及计算机，尤其涉及一种资源产品推荐方法、装置、设备及存储介质。

背景技术：

1、随着各银行资源产品业务的快速发展，资源产品发行量、交易规模都有明显上升，资源产品成为银行监管的重点领域。银行业要配合监管降低信贷风险，同时也要通过资源产品精准推荐提升资源产品发行量及交易规模。所以精准的给用户推荐适合的资源产品，即个性化推荐技术的研究越来越有必要。

2、现有技术中，在电商、视频以及资讯等推荐领域，通常采用机器学习模型进行特征学习实现产品推荐。但是，在训练样本数据规模小的场景，例如银行的资源产品推荐场景下，采用机器学习模型进行小样本数据学习，得到的推荐结果效果不显著，无法覆盖整个应用场景，得到的结果往往是局部最优解，而无法得到全局最优解。

技术实现思路

1、本发明提供了一种资源产品推荐方法、装置、设备及存储介质，以提升资源产品推荐可靠性。

2、根据本发明的一方面，提供了一种资源产品推荐方法，该方法包括：

3、获取用户资产信息以及用户对各资源产品的行为数据；

4、将所述用户资产信息以及所述行为数据输入至至少两个预设推荐模型中，得到与所述用户资产信息相匹配的至少两个资源产品推荐结果；

5、其中，各所述预设推荐模型由不同的推荐算法生成；

6、融合各所述资源产品推荐结果，得到与所述用户资产信息相匹配的目标资源产品推荐结果。

7、可选的，将所述用户资产信息以及所述行为数据输入至至少两个预设推荐模型中，得到与所述用户资产信息相匹配的至少两个资源产品推荐结果，包括：

8、将所述用户资产信息以及所述行为数据输入至预设第一推荐模型中，得到与所述用户资产信息以及所述行为数据对应的隐藏特征；

9、将用户资产信息、所述行为数据以及所述隐藏特征输入至预设第二推荐模型中，得到所述预设第二推荐模型输出的第一资源产品推荐结果；

10、将所述用户资产信息以及所述行为数据输入至预设第三推荐模型中，得到所述预设第三推荐模型输出的第二资源产品推荐结果。

11、可选的，在将所述用户资产信息以及所述行为数据输入至预设第一推荐模型中之前，还包括：

12、获取用户历史资产信息、用户对各资源产品的历史行为数据以及用户对资源产品的历史使用信息；

13、根据所述用户历史资产信息、所述历史行为数据以及所述历史使用信息，生成训练样本集；

14、采用所述训练样本集，对第一推荐模型进行训练，得到预设第一推荐模型；

15、在将所述用户资产信息以及所述行为数据输入至预设第三推荐模型中，得到所述预设第三推荐模型输出的第二资源产品推荐结果之前，还包括：

16、采用所述训练样本集，对第三推荐模型进行训练，得到预设第三推荐模型。

17、可选的，在将用户资产信息、所述行为数据以及所述隐藏特征输入至预设第二推荐模型中，得到所述预设第二推荐模型输出的第一资源产品推荐结果之前，还包括：

18、获取所述预设第一推荐模型对所述训练样本集中的各目标样本数据进行识别得到的各目标隐藏特征；

19、根据各所述目标样本数据以及对应的各目标隐藏特征，对第二推荐模型进行训练，得到预设第二推荐模型。

20、可选的，根据所述用户历史资产信息、所述历史行为数据以及所述历史使用信息，生成训练样本集，包括：

21、根据所述用户历史资产信息、所述历史行为数据以及所述历史使用信息，生成包括正样本和负样本的训练样本集。

22、可选的，根据所述用户历史资产信息、所述历史行为数据以及所述历史使用信息，生成包括正样本和负样本的训练样本集，包括：

23、如果负样本数量大于正样本数量，则对所述负样本进行聚类处理，得到聚类结果；

24、根据所述负样本数量以及所述正样本数量，确定所述聚类结果的筛选比例；

25、根据所述筛选比例对所述聚类结果进行筛选，得到负样本更新结果；并将所述正样本与所述负样本更新结果作为训练样本集。

26、可选的，所述第一推荐模型为梯度提升树算法，所述第二推荐模型为逻辑回归算法，所述第三推荐模型为随机森林算法。

27、根据本发明的另一方面，提供了一种资源产品推荐装置，该装置包括：

28、数据获取模块，用于获取用户资产信息以及用户对各资源产品的行为数据；

29、资源产品推荐结果确定模块，用于将所述用户资产信息以及所述行为数据输入至至少两个预设推荐模型中，得到与所述用户资产信息相匹配的至少两个资源产品推荐结果；

30、其中，各所述预设推荐模型由不同的推荐算法生成；

31、资源产品推荐结果融合模块，用于融合各所述资源产品推荐结果，得到与所述用户资产信息相匹配的目标资源产品推荐结果。

32、根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

33、至少一个处理器；以及

34、与所述至少一个处理器通信连接的存储器；其中，

35、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的资源产品推荐方法。

36、根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的资源产品推荐方法。

37、本发明实施例的技术方案，通过获取用户资产信息以及用户对各资源产品的行为数据；将所述用户资产信息以及所述行为数据输入至至少两个预设推荐模型中，得到与所述用户资产信息相匹配的至少两个资源产品推荐结果；其中，各所述预设推荐模型由不同的推荐算法生成；融合各所述资源产品推荐结果，得到与所述用户资产信息相匹配的目标资源产品推荐结果，解决了小样本数据规模下推荐结果不可靠的问题，通过多个推荐模型的推荐结果进行融合，提升推荐可靠性，尤其适用于训练样本数据规模较小的场景。

38、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种资源产品推荐方法，其特征在于，所述方法，包括：

2.根据权利要求1所述的方法，其特征在于，将所述用户资产信息以及所述行为数据输入至至少两个预设推荐模型中，得到与所述用户资产信息相匹配的至少两个资源产品推荐结果，包括：

3.根据权利要求2所述的方法，其特征在于，在将所述用户资产信息以及所述行为数据输入至预设第一推荐模型中之前，还包括：

4.根据权利要求3所述的方法，其特征在于，在将用户资产信息、所述行为数据以及所述隐藏特征输入至预设第二推荐模型中，得到所述预设第二推荐模型输出的第一资源产品推荐结果之前，还包括：

5.根据权利要求3所述的方法，其特征在于，根据所述用户历史资产信息、所述历史行为数据以及所述历史使用信息，生成训练样本集，包括：

6.根据权利要求5所述的方法，其特征在于，根据所述用户历史资产信息、所述历史行为数据以及所述历史使用信息，生成包括正样本和负样本的训练样本集，包括：

7.根据权利要求2所述的方法，其特征在于，所述第一推荐模型为梯度提升树算法，所述第二推荐模型为逻辑回归算法，所述第三推荐模型为随机森林算法。

8.一种资源产品推荐装置，其特征在于，包括：

9.一种电子设备，其特征在于，所述电子设备包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的资源产品推荐方法。

技术总结
本发明实施例公开了一种资源产品推荐方法、装置、设备及存储介质。该方法包括：获取用户资产信息以及用户对各资源产品的行为数据；将用户资产信息以及行为数据输入至至少两个预设推荐模型中，得到与用户资产信息相匹配的至少两个资源产品推荐结果；其中，各预设推荐模型由不同的推荐算法生成；融合各资源产品推荐结果，得到与用户资产信息相匹配的目标资源产品推荐结果。该方法可以将多个推荐模型的推荐结果进行融合，提升推荐可靠性，尤其适用于训练样本数据规模较小的场景。

技术研发人员：董涛,赵一鸣,周圆
受保护的技术使用者：中国农业银行股份有限公司
技术研发日：
技术公布日：2024/2/21