产品推送方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机应用技术领域，特别是涉及一种产品推送方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的发展，各个服务提供者通过计算机网络向用户推送各种产品或服务。传统的产品或服务推送方式主要是针对所有用户推送相同的产品或服务，以资产配置服务为例，传统的推送方式是将全部产品服务推送给全部的用户。

传统技术中，产品推送不精确，无法满足用户的需求。

发明内容

基于此，有必要针对上述技术问题，提供一种能够根据不同类型的用户进行产品推送的产品推送方法、装置、计算机设备和存储介质。

一种产品推送方法，方法包括：

获取用户特征信息；

将用户特征信息输入已训练的产品推送模型中，得到对应用户特征信息的各个产品集的权重分数；产品推送模型是基于用户样本特征信息及对应的产品集训练得到；

根据各个产品集的权重分数，得到与用户特征信息对应的待推送产品；

输出待推送产品。

在其中一个实施例中，获取用户特征信息包括：

获取用户个人属性特征；

获取用户产品交互特征；

整合用户个人属性特征和用户产品交互特征，得到用户特征信息。

在其中一个实施例中，产品推送模型的训练方式，包括：

根据产品的产品特征获取多个产品集；

根据多个产品集及用户样本特征信息获取训练集，训练集中每个训练样本包括用户样本特征信息及对应的产品集，每个产品集对应多个用户样本特征信息；

将训练集中每个训练样本输入初始的深度神经网络模型中进行学习训练，得到已训练的产品推送模型。

在其中一个实施例中，根据多个产品集及用户样本特征信息获取训练集，包括：

根据用户样本获取用户样本特征信息，用户样本特征信息包括用户个人属性特征和用户产品交互特征，用户产品交互特征用于表示用户个人属性特征和产品之间的映射关系；

根据产品集及用户产品交互特征确定用户样本特征信息所对应的产品集；整合用户样本特征信息及对应的产品集，得到一个训练样本；

根据多个训练样本，获取训练集。

在其中一个实施例中，根据各个产品集的权重分数，得到与用户特征信息对应的待推送产品包括：

选取权重分数大于权重阈值的产品集，作为与用户特征信息对应的待推送产品集，根据待推送产品集得到待推送产品；

或者，根据权重分数从高到低选取预设数量的产品集，作为与用户特征信息对应的待推送产品集，根据待推送产品集得到待推送产品。

一种产品推送装置，装置包括：

特征获取模块，用于获取用户特征信息；

权重处理模块，用于将用户特征信息输入已训练的产品推送模型中，得到对应用户特征信息的各个产品集的权重分数；产品推送模型是基于用户样本特征信息及对应的产品集训练得到；

产品确定模块，用于根据各个产品集的权重分数，得到与用户特征信息对应的待推送产品；

输出模块，用于输出待推送产品。

在其中一个实施例中，装置包括：

产品集获取模块，用于根据产品的产品特征获取多个产品集；

训练集获取模块，用于根据多个产品集及用户样本特征信息获取训练集，训练集中每个训练样本包括用户样本特征信息及对应的产品集，每个产品集对应多个用户样本特征信息；

训练模块，用于将训练集中每个训练样本输入初始的深度神经网络模型中进行学习训练，得到已训练的产品推送模型。

在其中一个实施例中，训练集获取模块包括：

用户样本特征获取子模块，用于根据用户样本获取用户样本特征信息，用户样本特征信息包括用户个人属性特征和用户产品交互特征，用户产品交互特征用于表示用户个人属性特征和产品之间的映射关系；

训练样本获取子模块，用于根据产品集及用户产品交互特征确定用户样本特征信息所对应的产品集；整合用户样本特征信息及对应的产品集，得到一个训练样本；

训练样本整合子模块，用于根据多个训练样本，获取训练集。

一种计算机设备，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：

获取用户特征信息；

将用户特征信息输入已训练的产品推送模型中，得到对应用户特征信息的各个产品集的权重分数；产品推送模型是基于用户样本特征信息及对应的产品集训练得到；

根据各个产品集的权重分数，得到与用户特征信息对应的待推送产品；

输出待推送产品。

一种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：

获取用户特征信息；

将用户特征信息输入已训练的产品推送模型中，得到对应用户特征信息的各个产品集的权重分数；产品推送模型是基于用户样本特征信息及对应的产品集训练得到；

根据各个产品集的权重分数，得到与用户特征信息对应的待推送产品；

输出待推送产品。

上述产品推送方法、装置、计算机设备和存储介质，通过获取用户特征信息；将用户特征信息输入已训练的产品推送模型中，得到对应用户特征信息的各个产品集的权重分数，产品推送模型是基于用户样本特征信息及对应的产品集训练得到；然后根据各个产品集的权重分数，得到与用户特征信息对应的待推送产品；最后输出待推送产品。通过用户样本特征信息及对应的产品集训练得到产品推送模型，将用户特征信息输入输入该产品推送模型中，该产品推送模型能够输出与用户特征信息契合度最高的产品集，进而输出待推送产品，从而达到根据不同类型的用户进行精确的产品推送的目的。

附图说明

图1为一个实施例中产品推送方法的流程示意图；

图2为一个实施例中获取用户特征信息的流程示意图；

图3为一个实施例中产品推送模型的训练方式的流程示意图；

图4为一个实施例中获取训练集的流程示意图；

图5为一个实施例中产品推送方法的产品推送模型结构图；

图6为一个实施例中产品推送装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种产品推送方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：

步骤102，获取用户特征信息。

其中，用户特征信息包括用户个人属性特征和用户产品交互特征。用户个人属性特征用于表征用户自身的属性特点。用户产品交互特征用于表示用户个人属性特征和产品之间的映射关系。

用户特征信息是用于区分不同用户的信息，用户特征信息是了解用户诉求点的关键，处理器通过分析用户特征信息，可以更深入的获取用户的诉求点。具体的，处理器通过用户数据库获取用户特征信息。

步骤104，将用户特征信息输入已训练的产品推送模型中，得到对应用户特征信息的各个产品集的权重分数；产品推送模型是基于用户样本特征信息及对应的产品集训练得到。

具体的，处理器预先获取一组用户样本特征信息及对应的产品集，根据用户样本特征信息及对应的产品集获取训练集，然后将训练集输入初始的深度神经网络模型中进行模型训练，训练完成后得到产品推送模型，然后将步骤102中获取的用户特征信息输入到产品推送模型中，产品推送模型会输出对应该用户特征信息的各个产品集的权重分数。权重分数是一个反映产品集和输入的用户特征信息之间契合度的一个数值，通常情况下，一个产品集的权重分数越高，说明该产品集与输入的用户特征信息的契合度越高，也就是该产品集与用户的契合度越高。

步骤106，根据各个产品集的权重分数，得到与用户特征信息对应的待推送产品。

其中，每个产品集中都包含产品特征相同的多种产品。

具体的，处理器根据各个产品集的权重分数，通过对权重分数排序或比较权重阈值的方式，获取一个或多个产品集，然后在获取的产品集中获取待推送产品。

步骤108，输出待推送产品。

具体的，处理器通过输出设备将待推送产品对应的信息进行输出。其中，输出设备是计算机硬件系统的终端设备，用于接收计算机数据的输出显示、打印、声音、控制外围设备操作等，同时把各种计算结果数据或信息以数字、字符、图像、声音等形式表现出来。常见的输出设备有显示器、打印机、绘图仪、影像输出系统、语音输出系统、磁记录设备等。

上述产品推送方法中，通过获取用户特征信息；将用户特征信息输入已训练的产品推送模型中，得到对应用户特征信息的各个产品集的权重分数，产品推送模型是基于用户样本特征信息及对应的产品集训练得到；然后根据各个产品集的权重分数，得到与用户特征信息对应的待推送产品；最后输出待推送产品。产品推送模型通过用户样本特征信息及对应的产品集训练得到，将用户特征信息输入输入该产品推送模型中，该产品推送模型能够输出与用户特征信息契合度最高的产品集，进而输出待推送产品，从而达到根据不同类型的用户进行精确的产品推送的目的。

在一个实施例中，如图2所示，获取用户特征信息包括：

步骤202，获取用户个人属性特征。

具体的，处理器获取用户个人属性特征，用户个人属性特征用于表示用户个体自身的属性特点。例如，进行理财产品推送时，用户个人属性特征可以包括用户基本属性信息(性别、年龄、职业等)、用户的金融属性信息(用户级别、风险偏好、信用等级、投资偏好)、用户交易信息、用户RFM(Recency(最近一次交易距今时间)、Frequency(交易频率)、Monetary(交易金额))信息(用户最近一次交易时间的间隔、用户在最近一段时间内交易的次数、用户在最近一段时间内交易的金额)、用户线上行为信息、用户信用卡信息、用户贷款信息等。

进一步的，以多媒体推送为例，用户个人属性特征可以包括用户的年龄、性别、职业、内容喜好、注册时间、平台会员等级等。多媒体可以包括图片、音视频等文件。

步骤204，获取用户产品交互特征。

具体的，处理器获取用户产品交互特征，用户产品交互特征用于表示用户个人属性特征和产品之间的映射关系。例如，进行理财产品推送时，用户产品交互特征可以包括用户历史购买过的存款产品、用户历史购买过的理财产品、用户历史购买过的基金产品、用户历史购买过的保险类产品、用户历史购买过的商品类产品；用户近1年购买过的存款产品、用户近1年购买过的理财产品、用户近1年购买过的基金产品、用户近1年购买过的保险类产品、用户近1年购买过的商品类产品等。

进一步的，以多媒体推送为例，用户产品交互特征可以包括用户历史播放过的多媒体、用户历史播放过的多媒体类型、用户历史缓存过的多媒体、用户历史购买过的多媒体、用户历史购买过的多媒体会员或其他付费服务、用户历史评论过的多媒体等。

步骤206，整合用户个人属性特征和用户产品交互特征，得到用户特征信息。

具体的，根据实际情况，剔除掉用户产品交互特征中无意义的产品相关信息，然后合并用户个人属性特征和用户产品交互特征，得到用户特征信息。

在一个实施例中，如图3所示，产品推送模型的训练方式，包括：

步骤302，根据产品的产品特征获取多个产品集。

具体的，根据产品的实际情况，选定一个或多个维度的产品特征，根据每个维度对所有的产品进行产品特征划分，然后将多个维度的产品特征进行排列组合得到多组产品特征的组合，产品特征的组合相同的产品整合成一个产品集。例如，进行理财产品推送时，可以从产品类别、产品风险和产品流动性三个维度对产品特征进行划分：产品类别有理财、存款、基金、保险、商品5个特征类别；产品风险有R1～R5几个级别，分别为谨慎型、稳健型、平衡型、进取型、激进型，可以简化设定为低风险、中风险、高风险3个特征类别；产品流动性有小于14天的、14至35天、35至96天、96至180天、180至370天、大于370天等几个区间，也可以简化设定为流动性强、流动性中等、流动性差3个特征类别；对上述三个维度的产品特征在符合实际的情况下进行排列组合得到最多45个产品特征的组合，例如：【保险-低风险-流动性差】、【存款-低风险-流动性差】、【基金-低风险-流动性强】、【基金-中风险-流动性中差】、【理财-中风险-流动性差】、【理财-中风险-流动性中等】、【商品-高风险-流动性强】等。由于某些产品特征的组合例如【存款-高风险-流动性差】、【保险-高风险-流动性强】并不符合实际，则剔除这些不符合实际的产品特征的组合。最后根据保留的每一种产品特征的组合构建一个产品集框架，将所有产品根据产品特征的组合分别放入产品集框架中，得到产品集。

步骤304，根据多个产品集及用户样本特征信息获取训练集，训练集中每个训练样本包括用户样本特征信息及对应的产品集，每个产品集对应多个用户样本特征信息。

其中，用户样本特征信息包括用户个人属性特征和用户产品交互特征，用户产品交互特征用于表示用户个人属性特征和产品之间的映射关系。用户样本特征信息是用于区分不同用户样本的信息，用户样本特征信息是了解用户样本诉求点的关键，深度神经网络模型通过分析用户样本特征信息，可以更深入的获取用户样本的诉求点。

具体的，根据用户样本获取用户样本特征信息；根据产品集及用户产品交互特征确定用户样本特征信息所对应的产品集；整合用户样本特征信息及对应的产品集，得到一个训练样本；根据多个训练样本，获取训练集。

步骤306，将训练集中每个训练样本输入初始的深度神经网络模型中进行学习训练，得到已训练的产品推送模型。

具体的，将训练集中每个训练样本输入初始的深度神经网络模型中，每个训练样本都会对深度神经网络模型进行至少一次的训练。例如，初始的深度神经网络模型可选择采用wide&deep模型，该模型进行训练时，对每一个训练样本，将用户样本特征信息(用户个人属性特征和用户产品交互特征)输入deep侧，用户样本特征信息中的用户产品交互特征单独输入wide侧，模型的softmax层输出一组为该用户样本推送的产品集的权重分数，根据该组权重分数和该用户样本特征信息对应的产品集来调整模型的参数，以进行一次训练。待训练集中所有的训练样本都对该模型进行了预设次数的训练之后，模型训练完成，得到已训练的产品推送模型。

本实施例中，根据产品的产品特征获取多个产品集；根据多个产品集及用户样本特征信息获取训练集，训练集中每个训练样本包括用户样本特征信息及对应的产品集，每个产品集对应多个用户样本特征信息；将训练集中每个训练样本输入初始的深度神经网络模型中进行学习训练，得到已训练的产品推送模型。通过将用户特征信息输入该产品推送模型中，能够达到根据不同类型的用户进行精确的产品推送的目的。

在一个实施例中，如图4所示，根据多个产品集及用户样本特征信息获取训练集，包括：

步骤402，根据用户样本获取用户样本特征信息，用户样本特征信息包括用户个人属性特征和用户产品交互特征，用户产品交互特征用于表示用户个人属性特征和产品之间的映射关系。

具体的，根据产品集的不同情况，选取不同的用户样本，然后获取用户样本的用户个人属性特征和用户产品交互特征。用户产品交互特征表示当前用户样本的用户个人属性特征和产品之间的映射关系，相当于表示当前用户样本和产品之间的映射关系。用户样本和用户本质上一样的，用户样本就是选定的用于训练模型的部分用户，所以也可以说用户产品交互特征表示当前用户的用户个人属性特征和产品之间的映射关系，同时表示当前用户和产品之间的映射关系。

例如，进行理财产品推送时，选取投资理财经验比较丰富或者有独特投资偏好的用户作为用户样本。具体可以先分别抽取具有连续投资经验在1年、2年、3年的用户，并按照其平均收益率做排序，这里的连续投资经验可以理解为1年中至少有80％的时间具有投资行为，具体比例可以根据数据分析情况进行调整；然后从上述连续投资经验有1年、2年、3年的用户中分别抽取收益率较高的一部分作为用户样本。抽取后比重可以按照25％，35％，40％进行，具体比例也可以依据数据分析结果调整。之所以按1年、2年、3年分别选取是即考虑老投资用户的经验，也考虑新投资用户的经验。最后分析用户样本在近1年、2年、3年的投资行为，获取用户样本的用户个人属性特征和用户产品交互特征。

步骤404，根据产品集及用户产品交互特征确定用户样本特征信息所对应的产品集；整合用户样本特征信息及对应的产品集，得到一个训练样本。

具体的，根据产品集及当前用户样本的用户产品交互特征确定当前用户样本的用户样本特征信息所对应的产品集，整合当前用户样本的用户样本特征信息及对应的产品集，就能够根据当前用户样本得到一个训练样本。在一个训练样本中，用户样本特征信息就是X，用户样本特征信息对应的产品集就是Y，X和Y共同组成一个训练样本。用户产品交互特征能够反映用户样本比较偏好的产品集。根据实际需求，选取当前用户样本的用户产品交互特征中的部分特征，然后根据这部分特征确定当前用户样本的偏好产品集，也就是当前用户样本的用户样本特征信息对应的产品集。部分特征的选取可以按照时间、占比等维度进行选取。例如，用户样本A在近1年中绝大部分资金都投在了【理财-中风险-流动性差】产品集上，且获得了较高的收益率，那么用户样本A对应的就是【理财-中风险-流动性差】产品集，用户样本A的用户样本特征信息和【理财-中风险-流动性差】产品集构成一个训练样本。如果用户样本偏好两种产品集，则会得到该用户样本分别对应两种产品集的两个训练样本。

步骤406，根据多个训练样本，获取训练集。

具体的，每一个用户样本至少生成一个训练样本，将所有的训练样本整合得到训练集。

本实施例中，根据用户样本获取用户样本特征信息，用户样本特征信息包括用户个人属性特征和用户产品交互特征，用户产品交互特征用于表示用户个人属性特征和产品之间的映射关系；根据产品集及用户产品交互特征确定用户样本特征信息所对应的产品集；整合用户样本特征信息及对应的产品集，得到一个训练样本；根据多个训练样本，获取训练集。通过该训练集对深度神经网络模型进行训练，得到的产品推送模型能够达到根据不同类型的用户进行精确的产品推送的目的。

在一个实施例中，根据各个产品集的权重分数，得到与用户特征信息对应的待推送产品包括：选取权重分数大于权重阈值的产品集，作为与用户特征信息对应的待推送产品集，根据待推送产品集得到待推送产品；或者，根据权重分数从高到低选取预设数量的产品集，作为与用户特征信息对应的待推送产品集，根据待推送产品集得到待推送产品。

具体的，根据各个产品集的权重分数，得到与用户特征信息对应的待推送产品通常有两种方法，具体如下：第一种方法是预先设定一个权重阈值，当所有产品集的权重分数输出后，处理器选取权重分数大于权重阈值的产品集，然后提取这些产品集中的产品作为待推送产品；第二种是预先设定一个排名阈值，例如3，当所有产品集的权重分数输出后，处理器根据权重分数从高到低对产品集进行排序，然后选取排名在排名阈值之前的产品集，接上例就是权重分数排名前3的产品集，然后提取这些产品集中的产品作为待推送产品。

在一个实施例中，一种产品推送方法，如图5所示，该方法应用于图5中的产品推送模型中。该方法包括：获取用户个人属性特征，将用户个人属性特征输入到产品推送模型的concatenated Embeddings层，获取用户产品交互特征，将用户产品交互特征输入到Embeddings层进行特征提取后，再将提取后的用户产品交互特征输入至concatenatedEmbeddings层，concatenated Embeddings层对用户个人属性特征和提取后的用户产品交互特征进行整合处理得到用户特征信息；通过上述方式将用户特征信息输入已训练的wide&deep产品推送模型中，即将用户特征信息(用户个人属性特征和用户产品交互特征)输入deep侧，用户特征信息中的用户产品交互特征单独输入wide侧，softmax层输出对应用户特征信息的各个产品集的权重分数，wide&deep产品推送模型是基于用户样本特征信息及对应的产品集训练wide&deep初始模型得到；选取权重分数大于权重阈值的产品集，作为与用户特征信息对应的待推送产品集，根据待推送产品集得到待推送产品；或者，根据权重分数从高到低选取预设数量的产品集，作为与用户特征信息对应的待推送产品集，根据待推送产品集得到待推送产品；最后输出待推送产品。

应该理解的是，虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种产品推送装置600，包括：特征获取模块601、权重处理模块602、产品确定模块603和输出模块604，其中：

特征获取模块601，用于获取用户特征信息。具体包括：获取用户个人属性特征；获取用户产品交互特征；整合所述用户个人属性特征和所述用户产品交互特征，得到所述用户特征信息。

权重处理模块602，用于将用户特征信息输入已训练的产品推送模型中，得到对应用户特征信息的各个产品集的权重分数；产品推送模型是基于用户样本特征信息及对应的产品集训练得到。

产品确定模块603，用于根据各个产品集的权重分数，得到与用户特征信息对应的待推送产品。具体包括：选取权重分数大于权重阈值的产品集，作为与用户特征信息对应的待推送产品集，根据待推送产品集得到待推送产品；或者，根据权重分数从高到低选取预设数量的产品集，作为与用户特征信息对应的待推送产品集，根据待推送产品集得到待推送产品。

输出模块604，用于输出待推送产品。

在一个实施例中，产品推送装置600包括：

产品集获取模块，用于根据产品的产品特征获取多个产品集；

训练集获取模块，用于根据多个产品集及用户样本特征信息获取训练集，训练集中每个训练样本包括用户样本特征信息及对应的产品集，每个产品集对应多个用户样本特征信息；

训练模块，用于将训练集中每个训练样本输入初始的深度神经网络模型中进行学习训练，得到已训练的产品推送模型。

在一个实施例中，训练集获取模块包括：

用户样本特征获取子模块，用于根据用户样本获取用户样本特征信息，用户样本特征信息包括用户个人属性特征和用户产品交互特征，用户产品交互特征用于表示用户个人属性特征和产品之间的映射关系；

训练样本获取子模块，用于根据产品集及用户产品交互特征确定用户样本特征信息所对应的产品集；整合用户样本特征信息及对应的产品集，得到一个训练样本；

训练样本整合子模块，用于根据多个训练样本，获取训练集。

关于产品推送装置的具体限定可以参见上文中对于产品推送方法的限定，在此不再赘述。上述产品推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种产品推送方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取用户特征信息；

将用户特征信息输入已训练的产品推送模型中，得到对应用户特征信息的各个产品集的权重分数；产品推送模型是基于用户样本特征信息及对应的产品集训练得到；

根据各个产品集的权重分数，得到与用户特征信息对应的待推送产品；

输出待推送产品。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取用户个人属性特征；

获取用户产品交互特征；

整合用户个人属性特征和用户产品交互特征，得到用户特征信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据产品的产品特征获取多个产品集；

根据多个产品集及用户样本特征信息获取训练集，训练集中每个训练样本包括用户样本特征信息及对应的产品集，每个产品集对应多个用户样本特征信息；

将训练集中每个训练样本输入初始的深度神经网络模型中进行学习训练，得到已训练的产品推送模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据用户样本获取用户样本特征信息，用户样本特征信息包括用户个人属性特征和用户产品交互特征，用户产品交互特征用于表示用户个人属性特征和产品之间的映射关系；

根据产品集及用户产品交互特征确定用户样本特征信息所对应的产品集；整合用户样本特征信息及对应的产品集，得到一个训练样本；

根据多个训练样本，获取训练集。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

选取权重分数大于权重阈值的产品集，作为与用户特征信息对应的待推送产品集，根据待推送产品集得到待推送产品；

或者，根据权重分数从高到低选取预设数量的产品集，作为与用户特征信息对应的待推送产品集，根据待推送产品集得到待推送产品。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取用户特征信息；

将用户特征信息输入已训练的产品推送模型中，得到对应用户特征信息的各个产品集的权重分数；产品推送模型是基于用户样本特征信息及对应的产品集训练得到；

根据各个产品集的权重分数，得到与用户特征信息对应的待推送产品；

输出待推送产品。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取用户个人属性特征；

获取用户产品交互特征；

整合用户个人属性特征和用户产品交互特征，得到用户特征信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据产品的产品特征获取多个产品集；

根据多个产品集及用户样本特征信息获取训练集，训练集中每个训练样本包括用户样本特征信息及对应的产品集，每个产品集对应多个用户样本特征信息；

将训练集中每个训练样本输入初始的深度神经网络模型中进行学习训练，得到已训练的产品推送模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据用户样本获取用户样本特征信息，用户样本特征信息包括用户个人属性特征和用户产品交互特征，用户产品交互特征用于表示用户个人属性特征和产品之间的映射关系；

根据产品集及用户产品交互特征确定用户样本特征信息所对应的产品集；整合用户样本特征信息及对应的产品集，得到一个训练样本；

根据多个训练样本，获取训练集。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

选取权重分数大于权重阈值的产品集，作为与用户特征信息对应的待推送产品集，根据待推送产品集得到待推送产品；

或者，根据权重分数从高到低选取预设数量的产品集，作为与用户特征信息对应的待推送产品集，根据待推送产品集得到待推送产品。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。