产销品推荐方法、装置、计算机设备和存储介质

技术领域

本申请涉及人工智能技术领域，特别是涉及一种产销品推荐方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着信息技术的不断的发展，客户的需求日益多样化，办理通信业务销售品的需求量大幅提高。客户办理销售品的渠道主要有两种，分别是线上办理和线下营业厅办理。线上办理主要是通过自助查询现有的销售品，客户通过对比来选择觉得合适的销售品；线下营业厅办理主要是通过咨询营业员来获得推荐，营业员通常是根据自己的经验来推荐销售品。但是，现有通信业务产销品数量繁多、更换频繁，客户很难选择最适合自己的销售品，营业员的推荐也存在不稳定性。现有的协同过滤和内容推荐对于数量繁多，且内部存在一定关系的产销品体系来说并不适合，从而存在推荐匹配度较低的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种推荐匹配度高的产销品推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种产销品推荐方法。所述方法包括：

确定待推荐销售品在预先构建的产销品知识图谱中的对应节点；

基于所述对应节点的关联信息，生成所述待推荐销售品的销售品表征信息；所述关联信息包括所述对应节点的销售品信息和所述对应节点的关联节点的产品表征信息或者销售品表征信息；

调用训练完成的预测模型，对所述销售品表征信息和待推荐用户的用户表征信息进行预测处理，得到针对所述待推荐销售品的推荐度。

在其中一个实施例中，所述待推荐用户的用户表征信息的确定过程，包括：

获取所述待推荐用户的销售品使用记录信息和销售品订购记录信息；

基于所述销售品使用记录信息和销售品订购记录信息，生成所述待推荐用户的用户表征信息。

在其中一个实施例中，所述基于所述销售品使用记录信息和销售品订购记录信息，生成所述待推荐用户的用户表征信息，包括：

基于所述产销品知识图谱，确定所述销售品订购记录信息中的销售品的关联产品，生成所述关联产品的产品表征信息；

基于所述销售品使用记录信息、销售品订购记录信息和所述产品表征信息，生成所述待推荐用户的用户表征信息。

在一个实施例中，所述基于所述销售品使用记录信息、销售品订购记录信息和所述产品表征信息，生成所述待推荐用户的用户表征信息，包括：

对所述销售品订购记录信息和所述产品表征信息进行融合处理，得到融合信息；

对所述融合信息和所述销售品使用记录信息进行融合处理，得到所述待推荐用户的用户表征信息。

在一个实施例中，所述确定待推荐销售品在预先构建的产销品知识图谱中的对应节点之前，还包括：

获取多个产品与多个销售品之间的组成关系和依赖关系；

将各个产品和各个销售品作为节点，基于所述组成关系和依赖关系构建产销品知识图谱。

在一个实施例中，所述调用训练完成的预测模型，对所述销售品表征信息和待推荐用户的用户表征信息进行预测处理，得到针对所述待推荐销售品的推荐度，包括：

对所述销售品表征信息和待推荐用户的用户表征信息进行拼接处理，得到拼接信息；

将所述拼接信息输入所述训练完成的预测模型，得到针对所述待推荐销售品的推荐度。

第二方面，本申请还提供了一种产销品推荐装置。所述装置包括：

节点确定模块，用于确定待推荐销售品在预先构建的产销品知识图谱中的对应节点；

表征信息生成模块，用于基于所述对应节点的关联信息，生成所述待推荐销售品的销售品表征信息；所述关联信息包括所述对应节点的销售品信息和所述对应节点的关联节点的产品表征信息或者销售品表征信息；

推荐结果生成模块，用于调用训练完成的预测模型，对所述销售品表征信息和待推荐用户的用户表征信息进行预测处理，得到针对所述待推荐销售品的推荐度。

第三方面，本申请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：

确定待推荐销售品在预先构建的产销品知识图谱中的对应节点；

基于所述对应节点的关联信息，生成所述待推荐销售品的销售品表征信息；所述关联信息包括所述对应节点的销售品信息和所述对应节点的关联节点的产品表征信息或者销售品表征信息；

调用训练完成的预测模型，对所述销售品表征信息和待推荐用户的用户表征信息进行预测处理，得到针对所述待推荐销售品的推荐度。

第四方面，本申请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：

确定待推荐销售品在预先构建的产销品知识图谱中的对应节点；

基于所述对应节点的关联信息，生成所述待推荐销售品的销售品表征信息；所述关联信息包括所述对应节点的销售品信息和所述对应节点的关联节点的产品表征信息或者销售品表征信息；

调用训练完成的预测模型，对所述销售品表征信息和待推荐用户的用户表征信息进行预测处理，得到针对所述待推荐销售品的推荐度。

第五方面，本申请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：

确定待推荐销售品在预先构建的产销品知识图谱中的对应节点；

基于所述对应节点的关联信息，生成所述待推荐销售品的销售品表征信息；所述关联信息包括所述对应节点的销售品信息和所述对应节点的关联节点的产品表征信息或者销售品表征信息；

调用训练完成的预测模型，对所述销售品表征信息和待推荐用户的用户表征信息进行预测处理，得到针对所述待推荐销售品的推荐度。

上述产销品推荐方法、装置、计算机设备、存储介质和计算机程序产品，通过知识图谱得到待推荐销售品的节点和知识图谱中节点间的关联信息得到待推荐销售品的表征信息，调用训练完成的预测模型，对销售品的表征信息和待推荐用户的用户表征信息进行预测处理，得到针对待推荐销售品的推荐度，该方法通过综合利用丰富的数据信息和关联关系，可以更好地理解销售品和用户的特征，从而提供更相关和有针对性的推荐结果，以达到提高推荐匹配度的效果。

附图说明

图1为一个实施例中产销品推荐方法的应用环境图；

图2为一个实施例中产销品推荐方法的流程示意图；

图3为一个实施例中用户表征信息的确定步骤的流程示意图；

图4为另一个实施例中基于知识图谱的运营商产销品推荐方法的流程示意图；

图5为另一个实施例中基于推荐模型的产销品推荐方法；

图6为一个实施例中产销品推荐装置的结构框图；

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。

本申请实施例提供的产销品推荐方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104采集终端102产生的用户相关信息。服务器104确定待推荐销售品在预先构建的产销品知识图谱中的对应节点，基于对应节点的关联信息，服务器104生成待推荐销售品的销售品表征信息；关联信息包括对应节点的销售品信息和对应节点的关联节点的产品表征信息或者销售品表征信息。服务器104调用训练完成的预测模型，对销售品表征信息和待推荐用户的用户表征信息进行预测处理，得到针对待推荐销售品的推荐度。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、便携式可穿戴设备便携式可穿戴设备可为智能手表、智能手环等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种产销品推荐方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

步骤S202，确定待推荐销售品在预先构建的产销品知识图谱中的对应节点。

其中，知识图谱是指知识图谱是一种用来表示和组织知识的图形化结构。它通过将实体、概念和关系以图形的方式连接起来，形成一个大规模的、结构化的知识网络。知识图谱可以包含各种类型的信息，包括事实、属性、关系、事件等。它可以帮助人们理解和发现知识之间的关联，从而提供更智能化的搜索、推荐和分析功能。

可选地，服务器确定待推销给用户的销售品在预先构建的产销品知识图谱中的对应节点，产销品知识图谱包括产品和销售品的节点和关系。

步骤S204，基于对应节点的关联信息，生成待推荐销售品的销售品表征信息；关联信息包括对应节点的销售品信息和对应节点的关联节点的产品表征信息或者销售品表征信息。

其中，销售品表征信息是指通过知识图谱中，销售品对应的节点和关联的其他节点间的关系经过转换后形成的销售品向量，产品表征信息的生成方式与之相同。

可选地，服务器基于待推荐销售品在知识图谱中对应节点的关联信息，生成待推荐销售品的销售品表征信息，该关联信息包括待推荐销售品对应节点的销售品信息和和待推荐销售品对应节点的关联节点的产品表征信息或者销售品表征信息。

步骤S206，调用训练完成的预测模型，对销售品表征信息和待推荐用户的用户表征信息进行预测处理，得到针对待推荐销售品的推荐度。

其中，预测模型是指通过历史数据集训练完成的机器学习模型，此处是针对输入销售品表征信息和待推荐用户的用户表征信息后能预测得到销售品表征信息对应的销售品对待推荐用户的推荐度。

其中，推荐度可以为待推荐用户对待推荐销售品的兴趣度。

可选地，服务器调用训练完成的待推荐销售品的推荐度预测模型，对待推荐销售品的销售品表征信息和待推荐用户的用户表征信息进行预测处理，得到针对待推荐销售品对待推荐用户的推荐度。

上述产销品推荐方法中，通过知识图谱得到待推荐销售品的节点和知识图谱中节点间的关联信息得到待推荐销售品的表征信息，调用训练完成的预测模型，对销售品的表征信息和待推荐用户的用户表征信息进行预测处理，得到针对待推荐销售品的推荐度，该方法通过综合利用丰富的数据信息和关联关系，可以更好地理解销售品和用户的特征，从而提供更相关和有针对性的推荐结果，以达到提高推荐匹配度的效果。

在一个实施例中，如图3所示，待推荐用户的用户表征信息的确定过程，包括：

步骤S302，获取待推荐用户的销售品使用记录信息和销售品订购记录信息。

其中，销售品使用记录是指用户是用户在使用某种销售品(如手机、宽带、流量包等)时的相关记录，包括使用时间、使用地点、使用时长、使用流量大小等信息。

其中，销售品订购记录指的是用户订购某种销售品的相关记录，包括订购的销售品名称、订购时间、订购数量、订购方式(线上或线下)、订购渠道等信息。这些记录可以用于运营商进行销售分析、产品推荐、客户维护等业务。

可选地，服务器获取待推荐用户的销售品使用记录信息和销售品订购记录信息。

步骤S304，基于销售品使用记录信息和销售品订购记录信息，生成待推荐用户的用户表征信息。

其中，用户表征信息可以通过调用用户刻画网络对销售品使用信息和销售品订购信息进行预测得到。

可选地，服务器基于用户的销售品使用记录信息和销售品订购记录信息，调用用户刻画网络生成用户表征信息。

本实施例中，通过获取用户的销售品使用记录和销售品订购记录信息，并基于上述信息生成用户表征信息，使得更好了解用户的需求，为后续进行销售品的推荐提供数据支撑。

在一个实施例中，步骤S304基于销售品使用记录信息和销售品订购记录信息，生成待推荐用户的用户表征信息，包括：

步骤S304a，基于产销品知识图谱，确定销售品订购记录信息中的销售品的关联产品，生成关联产品的产品表征信息。

其中，关联产品是指在知识图谱中与用户的销售品订购记录信息中销售品存在组成关系或者依赖关系的产品。

可选地，服务器基于产销品知识图谱，用户的销售品订购记录信息中销售品存在组成关系或者依赖关系的关联产品，然后生成关联产品的产品表征信息。例如，服务器确定产销品知识图谱中目标销售品的关联产品，要通过调用适用于图结构数据翻译的模型，该模型可以用于将图结构中的节点和边转换为向量表示。根据知识图谱中的产品节点和该产品节点关联节点之间的关系，为图中的每个节点和边赋予相应的特征表示。根据学习得到的翻译模型，在图结构上将目标产品节点的关联的边对应的特征表示进行拼接，得到目标产品节点的产品表征信息。

步骤S304b，基于销售品使用记录信息、销售品订购记录信息和产品表征信息，生成待推荐用户的用户表征信息。

其中，用户表征信息是由销售品订购记录信息、产品表征信息和销售品使用记录输入用户刻画网络预测得到。

可选地，服务器基于待推荐用户的销售品订购记录信息、产品表征信息和销售品使用记录输入用户刻画网络进行预测处理，得到待推荐用户的用户表征处理。

本实施例中，通过产销品知识图谱中的节点关系生成产品的表征信息，并基于推荐用户的销售品订购记录信息、产品表征信息和销售品使用记录输入用户刻画网络得到待推荐用户的用户表征信息，通过将产品的表征信息与用户的个性化表征信息进行匹配，可以实现更精准的产品推荐。

在一个实施例中，步骤S304b基于销售品使用记录信息、销售品订购记录信息和产品表征信息，生成待推荐用户的用户表征信息，包括：

对销售品订购记录信息和产品表征信息进行融合处理，得到融合信息；对融合信息和销售品使用记录信息进行融合处理，得到待推荐用户的用户表征信息。

其中，融合处理是指向量拼接处理，是将多个向量按照一定的顺序连接在一起，形成一个新的向量。

其中，用于融合处理的销售品使用记录可以是通过特征处理后得到的表征信息，例如，当销售品使用记录为客户使用了5个G的流量，特征处理可以根据历史数据设定均值和方差的方式对该使用记录进行归一化处理；或者通过对流量这一特征进行分段处理，再根据所处分段进行Embedding(一个将离散变量转为连续向量表示的一个方式)，得到对应的向量，从而得到对应的表征信息。

可选地，服务器将销售品订购记录信息和产品表征信息进行向量拼接的融合处理，得到融合信息，并对该融合信息和经过特征处理后的销售品的使用记录进行向量拼接的融合处理，然后输入用户刻画网络得到待推荐用户的用户表征信息。

本实施例中，通过对待推荐用户的用户表征信息的生成方式做进一步说明，通过各特征信息之间的融合处理，再输入用户刻画网络得到用户表征信息，提高了特征表示和模型的性能。

在一个实施例中，步骤S202确定待推荐销售品在预先构建的产销品知识图谱中的对应节点之前，还包括：

获取多个产品与多个销售品之间的组成关系和依赖关系；将各个产品和各个销售品作为节点，基于组成关系和依赖关系构建产销品知识图谱。

其中，组成关系可以为运营商用于销售的销售品由多个产品组成，例如运营商的产品可以是硬件设备(如手机、路由器等)，也可以是服务(如电话卡、流量套餐等)，销售品可以是将不同的产品打包在一起作为一个销售单元，如由一张电话卡和一个流量套餐组成。

其中，依赖关系可以为销售品和销售品之间可以打包作为一个销售单元，销售品和其他产品也可以打包作为一个销售单元，例如将包含流量套餐的手机和包含宽带套餐的路由器打包销售，或者用户当前购买的销售品为包含10G流量套餐的电话卡，可以加订一个5G的流量套餐产品。

可选地，服务器获取多个产品和多个销售品之间的组成关系和依赖关系，将各个产品和各个销售品作为节点，将节点间的组成关系和依赖关系作为图的边从而构建产销品知识图谱。

本实施例中，通过产品和销售品之间的关系构建知识图谱，能更好的理解销售品和产品之间的关系，优化销售策略，并且不将用户信息加入知识图谱，缩小了知识图谱的规模，提高了整个产销品推荐流程的效率。

在一个实例中，步骤S206调用训练完成的预测模型，对销售品表征信息和待推荐用户的用户表征信息进行预测处理，得到针对待推荐销售品的推荐度，包括：

对销售品表征信息和待推荐用户的用户表征信息进行拼接处理，得到拼接信息；将拼接信息输入训练完成的预测模型，得到针对待推荐销售品的推荐度。

其中，预测模型是通过机器学习等技术训练得到的，它可以根据输入的拼接信息来计算出对于待推荐销售品的推荐度。

其中，推荐度可以理解为一个分数或者概率值，表示该销售品对于该用户的推荐程度。

可选地，服务器将销售品表征信息和待推荐用户的用户表征信息进行向量拼接处理，得到拼接信息，将拼接信息输入训练完成的推荐度预测模型，得到针对待推荐销售品的推荐度，根据每个待推荐销售品的推荐度高低生成该用户的个性化推荐列表，或者将推荐度超过预设的阈值的销售品组成该用户的个性化推荐列表。

本实施例中，通过销售品表征信息和待推荐用户的用户表征信息进行拼接再输入推荐度预测模型进行预测处理，得到针对待推荐销售品的推荐度，以达到快速计算该销售品的推荐度，为用户提供个性化的和精准的销售品推荐。

在另一个实施例中，如图4所示，提供了一种基于知识图谱的运营商产销品推荐方法，具体步骤包括：

步骤S402，获取多个产品与多个销售品之间的组成关系和依赖关系；将各个产品和各个销售品作为节点，基于组成关系和依赖关系构建产销品知识图谱。

具体地，服务器获取多个产品和多个销售品之间的组成关系和依赖关系，将各个产品和各个销售品作为节点，将节点间的组成关系和依赖关系作为图的边从而构建产销品知识图谱。

步骤S404，确定待推荐销售品在预先构建的产销品知识图谱中的对应节点。

具体地，服务器确定待推销给用户的销售品在预先构建的产销品知识图谱中的对应节点，产销品知识图谱包括产品和销售品的节点和关系。

步骤S406，基于对应节点的关联信息，生成待推荐销售品的销售品表征信息；关联信息包括对应节点的销售品信息和对应节点的关联节点的产品表征信息或者销售品表征信息。

具体地，服务器基于待推荐销售品在知识图谱中对应节点的关联信息，生成待推荐销售品的销售品表征信息，该关联信息包括待推荐销售品对应节点的销售品信息和和待推荐销售品对应节点的关联节点的产品表征信息或者销售品表征信息。

步骤S408，获取待推荐用户的销售品使用记录信息和销售品订购记录信息。

具体地，服务器获取待推荐用户的销售品使用记录信息和销售品订购记录信息。

步骤S410，基于产销品知识图谱，确定销售品订购记录信息中的销售品的关联产品，生成关联产品的产品表征信息。

具体地，服务器基于产销品知识图谱，用户的销售品订购记录信息中销售品存在组成关系或者依赖关系的关联产品，然后生成关联产品的产品表征信息。例如，服务器确定产销品知识图谱中目标销售品的关联产品，要通过调用适用于图结构数据翻译的模型，该模型可以用于将图结构中的节点和边转换为向量表示。根据知识图谱中的产品节点和该产品节点关联节点之间的关系，为图中的每个节点和边赋予相应的特征表示。根据学习得到的翻译模型，在图结构上将目标产品节点的关联的边对应的特征表示进行拼接，得到目标产品节点的产品表征信息。

步骤S412，基于销售品使用记录信息、销售品订购记录信息和产品表征信息，生成待推荐用户的用户表征信息。

具体地，服务器基于待推荐用户的销售品订购记录信息、产品表征信息和销售品使用记录输入用户刻画网络进行预测处理，得到待推荐用户的用户表征处理。

步骤S414，对销售品订购记录信息和产品表征信息进行融合处理，得到融合信息；对融合信息和销售品使用记录信息进行融合处理，得到待推荐用户的用户表征信息。

具体地，服务器将销售品订购记录信息和产品表征信息进行向量拼接的融合处理，得到融合信息，并对该融合信息和经过特征处理后的销售品的使用记录进行向量拼接的融合处理，然后输入用户刻画网络得到待推荐用户的用户表征信息。

步骤S416，对销售品表征信息和待推荐用户的用户表征信息进行拼接处理，得到拼接信息；将拼接信息输入训练完成的预测模型，得到针对待推荐销售品的推荐度。

具体地，服务器将销售品表征信息和待推荐用户的用户表征信息进行向量拼接处理，得到拼接信息，将拼接信息输入训练完成的推荐度预测模型，得到针对待推荐销售品的推荐度，根据每个待推荐销售品的推荐度高低生成该用户的个性化推荐列表，或者将推荐度超过预设的阈值的销售品组成该用户的个性化推荐列表。

本实施例中，通过知识图谱得到待推荐销售品的节点和知识图谱中节点间的关联信息得到待推荐销售品的表征信息，调用训练完成的预测模型，对销售品的表征信息和待推荐用户的用户表征信息进行预测处理，得到针对待推荐销售品的推荐度，该方法通过综合利用丰富的数据信息和关联关系，可以更好地理解销售品和用户的特征，从而提供更相关和有针对性的推荐结果，以达到提高推荐匹配度的效果。

在另一个实施例中，如图5所示，提供了一种基于推荐模型的产销品推荐方法，具体步骤包括：

步骤S502，针对推荐销售品，根据其与产品和其他销售品之间的关系，将待推荐销售品、产品和其他销售品作为节点，各节点之间的关系作为关系边，构建产销品知识图谱。

具体地，服务器获取待推荐销售品、多个产品和其余多个销售品之间的组成关系和依赖关系，将各个产品和各个销售品作为节点，将节点间的组成关系和依赖关系作为图的边从而构建产销品知识图谱。

步骤S504，采用翻译模型获得待推荐销售品的向量表示和目标产品的向量表示。

具体地，服务器调用翻译模型，对待推荐销售品和目标产品进行向量化处理。通过将待推荐销售品和目标产品的在产销知识图谱的节点和对应关联关系输入传递给翻译模型，并提取模型的输出作为向量表示。

步骤S506，获取用户使用记录信息、用户订购记录信息和用户操作信息，构建用户使用记录信息库和用户订购记录信息库。

具体地，服务器获取用户使用记录信息、用户订购记录信息和用户操作信息，建立用于存储用户使用记录信息和用户订购记录信息的数据库表格。创建用户使用记录表格和用户订购记录表格，并为每个表格添加相应的字段，如用户名称、销售品名称、时间戳等。设置数据处理脚本，以从用户使用记录和订购记录源中提取数据，并将其存储到相应的数据库表格中。

步骤S508，对上述产销品知识图谱、预先训练完成的用户刻画网络和预测网络采用API(应用程序接口)的形式进行封装处理，得到产销品推荐模型。

具体地，服务器配置API(应用程序接口)接口，以便其他系统可以通过调用该接口来使用产销品推荐模型。编写API服务代码，将产销品知识图谱、用户刻画网络和预测网络封装在API服务中，并确保服务器上运行该服务以供调用。

步骤S510，调用产销品推荐模型，根据产销品知识图谱、用户订购记录信息库、用户使用记录信息库中的信息和用户操作信息，进行预测处理，生成最终的产销品推荐列表。

具体地，服务器通过调用产销品推荐模型的API接口，传输信息等必要的输入数据。在推荐系统中进行预测处理，使用产销品推荐模型的输出结果，生成最终的产销品推荐列表。

本实施例中，通过知识图谱得到待推荐销售品的节点和知识图谱中节点间的关联信息得到待推荐销售品的表征信息，调用训练完成的预测模型，对销售品的表征信息和待推荐用户的用户表征信息进行预测处理，得到针对待推荐销售品的推荐度，该方法通过综合利用丰富的数据信息和关联关系，可以更好地理解销售品和用户的特征，从而提供更相关和有针对性的推荐结果，以达到提高推荐匹配度的效果。

应该理解的是，虽然如上的各实施例所涉及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，如上的各实施例所涉及的流程图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。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的产销品推荐方法的产销品推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个产销品推荐装置实施例中的具体限定可以参见上文中对于产销品推荐方法的限定，在此不再赘述。

在一个实施例中，如图6所示，提供了一种产销品推荐装置600，包括：节点确定模块602、表征信息生成模块604和推荐结果生成模块606，其中：

节点确定模块602，用于确定待推荐销售品在预先构建的产销品知识图谱中的对应节点；

表征信息生成模块604，用于基于对应节点的关联信息，生成待推荐销售品的销售品表征信息；关联信息包括对应节点的销售品信息和对应节点的关联节点的产品表征信息或者销售品表征信息；

推荐结果生成模块606，用于调用训练完成的预测模型，对销售品表征信息和待推荐用户的用户表征信息进行预测处理，得到针对待推荐销售品的推荐度。

进一步地，在一个实施例中，表征信息生成模块604，还用于获取待推荐用户的销售品使用记录信息和销售品订购记录信息；基于销售品使用记录信息和销售品订购记录信息，生成待推荐用户的用户表征信息。

进一步地，在一个实施例中，表征信息生成模块604，还用于基于产销品知识图谱，确定销售品订购记录信息中的销售品的关联产品，生成关联产品的产品表征信息；基于销售品使用记录信息、销售品订购记录信息和产品表征信息，生成待推荐用户的用户表征信息。

进一步地，在一个实施例中，表征信息生成模块604，还用于对销售品订购记录信息和产品表征信息进行融合处理，得到融合信息；对融合信息和销售品使用记录信息进行融合处理，得到待推荐用户的用户表征信息。

进一步地，在一个实施例中，上述装置还包括知识图谱构建模块，用于获取多个产品与多个销售品之间的组成关系和依赖关系；将各个产品和各个销售品作为节点，基于组成关系和依赖关系构建产销品知识图谱。

进一步地，在一个实施例中，推荐结果生成模块606，还用于对销售品表征信息和待推荐用户的用户表征信息进行拼接处理，得到拼接信息；将拼接信息输入训练完成的预测模型，得到针对待推荐销售品的推荐度。

上述产销品推荐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服务器，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。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和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储待推荐用户的用户订购记录信息、用户的使用记录信息、产品表征信息和销售品表征信息等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种产销品推荐方法。

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，还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上述各方法实施例中的步骤。

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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

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、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-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。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等。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 RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

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本申请专利范围的限制。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，本申请的保护范围应以所附权利要求为准。