一种业务推荐方法、装置、设备及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种业务推荐方法、装置、设备及存储介质。

背景技术

企业和机构为了提升客户的活跃度，会策划各种业务和/或营销活动，目前大部分的推荐手段只能捕捉到较浅层次的用户特征，难以挖掘出更深层次的关联性，无法有效地挖掘出用户与业务之间的潜在联系，导致业务推荐不准确的问题，无法基于不同用户个性化制定推荐的业务。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种业务推荐方法、装置、设备及存储介质，旨在解决现有技术无法有效地挖掘出用户与业务之间的潜在联系，导致业务推荐不准确的技术问题。

为实现上述目的，本发明提供了一种业务推荐方法，所述方法包括以下步骤：

获取目标用户群体中各用户的历史业务参与信息；

基于所述历史业务参与信息构建各所述用户与候选业务之间的图结构；

对各所述用户进行兴趣分析，获得各所述用户的兴趣向量；

对所述图结构中的实体向量和所述兴趣向量进行加权求和，获得综合向量；

基于所述综合向量对所述候选业务进行推荐评分，获得各所述候选业务的推荐分数；

基于所述推荐分数生成推荐列表，并基于所述推荐列表进行业务推荐。

可选地，所述基于所述历史业务参与信息构建各所述用户与候选业务之间的图结构，包括：

基于所述历史业务参与信息对各所述用户进行特征分析，获得各所述用户的用户特征向量；

对候选业务进行特征分析，获得各所述候选业务的业务特征向量；

基于所述用户特征向量构建用户实体，基于所述业务特征向量构建业务实体；

基于所述历史业务参与信息确定所述用户实体与所述业务实体之间的关联信息；

基于所述关联信息构建各所述用户与候选业务之间的图结构。

可选地，所述基于所述历史业务参与信息对各所述用户进行特征分析，获得各所述用户的用户特征向量，包括：

对所述目标用户群体进行分析，获取所述目标用户群体的群体属性信息；

基于所述历史业务参与信息获取各所述用户的行为信息；

基于所述群体属性信息和所述行为信息对各所述用户进行特征分析，获得各所述用户的用户特征向量。

可选地，所述获取目标用户群体中各用户的历史业务参与信息，包括：

获取目标用户群体中各用户与各候选业务之间的交互记录信息；

基于所述交互记录信息提取初始业务交互数据；

对所述初始业务交互数据进行处理，获取目标用户群体中各用户的历史业务参与信息。

可选地，所述对所述初始业务交互数据进行处理，获取目标用户群体中各用户的历史业务参与信息，包括：

对所述初始业务交互数据进行数据清洗，获得候选业务交互数据；

对所述候选业务交互数据进行索引编码，将所述候选业务交互数据中的用户标识转化为用户索引，将所述候选业务交互数据中的业务标识转化为业务索引；

基于索引编码后的所述候选业务交互数据构建所述用户索引与所述业务索引之间的二分图；

基于所述二分图获取目标用户群体中各用户的历史业务参与信息。

可选地，所述基于所述综合向量对所述候选业务进行推荐评分，获得各所述候选业务的推荐分数，包括：

将所述综合向量与各所述候选业务对应的业务向量进行相似度匹配，获得各所述候选业务的相似度；

基于所述相似度对所述候选业务进行推荐评分，获得各所述候选业务的推荐分数。

可选地，所述对各所述用户进行兴趣分析，获得各所述用户的兴趣向量，包括：

将所述历史业务参与信息输入至预先构建的兴趣预测模型，获得所述用户对应各候选业务的兴趣权重；

基于所述兴趣权重对各所述用户进行兴趣分析，获得各所述用户的兴趣向量。

此外，为实现上述目的，本发明还提出一种业务推荐装置，所述业务推荐装置包括：

历史信息获取模块，用于获取目标用户群体中各用户的历史业务参与信息；

图结构构建模块，用于基于所述历史业务参与信息构建各所述用户与候选业务之间的图结构；

兴趣分析模块，用于对各所述用户进行兴趣分析，获得各所述用户的兴趣向量；

综合向量分析模块，用于对所述图结构中的实体向量和所述兴趣向量进行加权求和，获得综合向量；

推荐评分模块，用于基于所述综合向量对所述候选业务进行推荐评分，获得各所述候选业务的推荐分数；

业务推荐模块，用于基于所述推荐分数生成推荐列表，并基于所述推荐列表进行业务推荐。

此外，为实现上述目的，本发明还提出一种业务推荐设备，所述业务推荐设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的业务推荐程序，所述业务推荐程序配置为实现如上文所述的业务推荐方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有业务推荐程序，所述业务推荐程序被处理器执行时实现如上文所述的业务推荐方法的步骤。

本发明通过获取目标用户群体中各用户的历史业务参与信息，基于所述历史业务参与信息构建各所述用户与候选业务之间的图结构，对各所述用户进行兴趣分析，获得各所述用户的兴趣向量，对所述图结构中的实体向量和所述兴趣向量进行加权求和，获得综合向量，基于所述综合向量对所述候选业务进行推荐评分，获得各所述候选业务的推荐分数，基于所述推荐分数生成推荐列表，并基于所述推荐列表进行业务推荐；由于本发明通过构建用户与候选业务之间的图结构，基于各用户的兴趣向量和图结构的实体向量进行加权，获得综合向量，从而基于综合向量准确地对各候选业务进行推荐评分，基于推荐分数清晰地确定了各候选业务与各用户之间的联系，有效地挖掘了用户与候选业务之间的潜在关系，基于所述推荐分数生成推荐列表，并基于所述推荐列表进行业务推荐，提升了业务推荐的准确性。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的业务推荐设备的结构示意图；

图2为本发明业务推荐方法第一实施例的流程示意图；

图3为本发明业务推荐方法第二实施例的流程示意图；

图4为本发明业务推荐方法第三实施例的流程示意图；

图5为本发明业务推荐装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的业务推荐设备结构示意图。

如图1所示，该业务推荐设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对业务推荐设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及业务推荐程序。

在图1所示的业务推荐设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明业务推荐设备中的处理器1001、存储器1005可以设置在业务推荐设备中，所述业务推荐设备通过处理器1001调用存储器1005中存储的业务推荐程序，并执行本发明实施例提供的业务推荐方法。

本发明实施例提供了一种业务推荐方法，参照图2，图2为本发明一种业务推荐方法第一实施例的流程示意图。

本实施例中，所述业务推荐方法包括以下步骤：

步骤S10：获取目标用户群体中各用户的历史业务参与信息。

应当理解的是，本实施例方法的执行主体可以是具有数据处理、网络通信以及程序运行功能的业务推荐设备，例如计算机等，或者是其他能够实现相同或相似功能的装置或设备，此处以上述业务推荐设备为例进行说明。

需要说明的是，目标用户群体可以是需要推荐业务的用户群体或客户群体，目标用户群体可以是包含有至少一个用户的用户集合。上述历史业务参与信息可以是用户参与过的业务和/或活动的相关行为信息，例如历史业务参与信息可包括用户历史参与过的业务名称、业务种类、历史行为等信息。

可以理解的是，本实施例业务推荐设备通过确定需要进行业务推荐的用目标用户群体，获取目标用户群体中各用户的历史行为信息，通过对历史行为信息进行分析，获取各用户的历史业务参与信息。

进一步地，为了准确地获取各用户的历史行为和历史的业务参与情况，上述步骤S10，可包括：

步骤S11：获取目标用户群体中各用户与各候选业务之间的交互记录信息；

步骤S12：基于所述交互记录信息提取初始业务交互数据；

步骤S13：对所述初始业务交互数据进行处理，获取目标用户群体中各用户的历史业务参与信息。

需要说明的是，交互记录信息可以是用户参与过的候选业务的交互信息。上述预处理可以是过滤和清洗掉无效数据和重复数据。上述初始业务交互数据可以是从交互记录信息提取的未经过处理的原始数据。上述交互记录信息可包括用户ID、候选业务ID、交互时间和交互结果等。

可以理解的是，业务推荐设备通过获取目标用户群体中各用户的业务参与日志，基于业务参与日志获取交互记录信息，从交互记录信息提取初始业务交互数据，通过对初始业务交互数据进行处理，过滤和清洗掉无效的数据，获得历史业务参与信息。

进一步地，为了有效地对数据进行处理，从而提升了历史业务参与信息的准确性，上述步骤S13，可包括：

对所述初始业务交互数据进行数据清洗，获得候选业务交互数据；

对所述候选业务交互数据进行索引编码，将所述候选业务交互数据中的用户标识转化为用户索引，将所述候选业务交互数据中的业务标识转化为业务索引；

基于索引编码后的所述候选业务交互数据构建所述用户索引与所述业务索引之间的二分图；

基于所述二分图获取目标用户群体中各用户的历史业务参与信息。

需要说明的是，业务推荐设备可通过对初始业务交互数据进行数据清洗和数据过滤，清洗和过滤掉无效数据、重复数据和异常数据，保留有效地数据，即候选业务交互数据。

可以理解的是，业务推荐设备通过从过去活动记录数据中获取用户和候选业务之间的交互记录，包括用户ID、候选业务ID、交互时间、交互结果等；对交互记录进行预处理，过滤掉无效或异常的记录，如重复的记录等；对交互记录进行编码，将用户ID和候选业务ID转换为整数索引，方便后续的图构建和模型输入；根据编码后的交互记录，构建一个二分图G＝(V，E)，其中V是节点集合，包括用户节点和候选业务节点，E是边集合，通过二分图表示用户的历史业务参与信息。

步骤S20：基于所述历史业务参与信息构建各所述用户与候选业务之间的图结构。

需要说明的是，图结构可以是由多个节点与边构建的图神经网络结构，也可以是知识图谱结构，图结构的节点表示图结构中的实例或对象，本实施例中可以将用户和候选业务作为实例，以构建图结构的节点；上述边可以是节点之间的连接或关系，表示节点之间的交互或联系。边可以是有向的，也可以是无向的，可以具有权重，表示连接的强度或相关性，本实施例中基于用户与候选业务之间的联系构建各节点之间的边。

可以理解的是，业务推荐设备从各用户历史的行为记录数据中获取用户和候选业务之间的交互记录(例如交互记录可包括用户ID、候选业务ID、交互时间、交互结果等)，通过对交互记录进行预处理，过滤掉无效和重复的记录，基于处理后的交互记录确定各用户与各候选业务之间的交互关系，基于交互关系确定图结构的节点和边，基于节点和边构建各所述用户与候选业务之间的图结构。

在具体实现中，业务推荐设备可通过对目标用户群体进行分析，获取各用户的行为数据，并获取各用户的属性信息(例如个性化数据和/或画像数据等)，基于行为数据和属性信息对各用户进行特征分析，获得各用户的用户特征向量；业务推荐设备还通过对各候选业务进行业务特征分析，获得各候选业务的业务特征向量，基于业务特征向量和用户特征向量，以及用户与候选业务之间的交互联系构建图结构。

在一些实施例中，业务推荐设备可使用图神经网络算法挖掘客户与候选业务之间的关系。KGCN模型对图结构中的实体和关系进行嵌入，得到每个实体的向量表示，可以捕捉到实体之间的语义关联和结构信息，从而学习到它们的低维向量表示。这些向量可以反映出实体的属性和特征，以及它们在图结构中的位置和角色。

具体来说，假设图结构中有N个实体和M种关系，其中包括U个用户实体和I个候选业务实体，将用户和策略的特征向量分别嵌入到一个低维空间中，得到用户和策略的初始嵌入向量。那么模型可以定义如下：

对于每个用户实体u，向量

对于每个候选业务实体i，向量

对于每种关系r(用户和候选业务的历史行为)，矩阵Wr∈Rd×d，用于对实体向量进行变换。

对于每个用户实体u和候选业务实体i，根据它们在图结构中的邻居节点和边来更新它们的向量表示。具体来说，对于每一层l，计算参照如下公式1，其中σ是激活函数，N

公式1：

对于每个用户实体u和候选业务实体i，将它们在所有层上的向量表示进行拼接，得到最终的向量表示，参照如下公式2和公式3，其中L是KGCN模型的层数。

公式2：

公式3：

步骤S30：对各所述用户进行兴趣分析，获得各所述用户的兴趣向量。

需要说明的是，兴趣向量可以是用户对历史参与过的候选业务的兴趣特征向量。

可以理解的是，本实施例可通过对用户的历史行为进行分析，确定用户对于参与过的各候选业务的兴趣权重，基于兴趣权重进行数据聚合，获得一个综合的兴趣向量，这个向量可以反映出用户的偏好和需求，以及它们随时间和场景的变化。

步骤S40：对所述图结构中的实体向量和所述兴趣向量进行加权求和，获得综合向量。

需要说明的是，综合向量可以是用户对图结构(知识图谱)中的各实体的重要性向量。

可以理解的是，本实施例可通过对用户的兴趣向量和知识图谱中的实体向量进行加权求和，得到用户的综合向量表示，动态地计算用户对知识图谱(即图结构)中各实体的重要性权重，从而得到一个融合了知识图谱信息的用户综合向量。这个向量可以反映出用户的全面和深层次的兴趣，以及它们与知识图谱中实体的关联程度。

在具体实现中，业务推荐设备可注意力模型对用户的兴趣向量和知识图谱中的实体向量进行加权求和，通过注意力模型的机制动态地计算用户对每个知识图谱中实体的重要性权重。

可以理解的是，本实施例业务推荐设备可通过预先构建的注意力模型对用户的兴趣向量和图结构中的实体向量进行加权求和，得到用户的综合向量表示。

需要说明的是，这个步骤的原理是，通过使用注意力模型的机制，可以动态地计算用户对每个知识图谱中实体的重要性权重，从而得到一个融合了图结构信息的用户综合向量。这个向量可以反映出用户的全面和深层次的兴趣，以及它们与图结构中实体的关联程度。具体来说，假设图结构中有N个实体，那么这个步骤可以定义如下：

对于每个候选业务c

公式4：

对于每个候选业务c

公式5：

步骤S50：基于所述综合向量对所述候选业务进行推荐评分，获得各所述候选业务的推荐分数。

需要说明的是，推荐分数可以是用户与候选业务之间的匹配程度，匹配程度越高，候选业务的推荐分数越高，反之，匹配程度越低，推荐分数越低。

可以理解的是，本实施例可通过对用户的综合向量和候选业务的向量进行相似度计算，得到推荐分数。这个步骤的原理是，通过使用神经网络中的全连接层，可以将用户和业务之间的多维相似度转化得到推荐分数，从而衡量它们之间的匹配程度。

进一步地，为了准确地计算推荐分数，上述步骤S50，可包括：

步骤S501：将所述综合向量与各所述候选业务对应的业务向量进行相似度匹配，获得各所述候选业务的相似度；

步骤S502：基于所述相似度对所述候选业务进行推荐评分，获得各所述候选业务的推荐分数。

可以理解的是，通过使用一个全连接层，可以将用户和项目之间的多维相似度转化得到推荐分数，从而衡量它们之间的匹配程度。这个分数可以用来对候选项目进行排序和筛选，从而生成最终的推荐列表。具体来说，这个步骤可以定义如下：

应当理解的是对于每个候选业务c

需要说明的是，对于所有候选项目c1，c2，...，cK，根据它们的推荐分数y1，y2，...，yK进行降序排序，得到最终的推荐列表，参照如下公式6，其中Sort是一个排序函数，可以按照分数或其他业务规则进行排序。

公式6：R

步骤S60：基于所述推荐分数生成推荐列表，并基于所述推荐列表进行业务推荐。

需要说明的是，推荐列表可以是各用户对应的个性化列表，各用户对应有推荐列表，推荐列表中包含有推荐分数不低于预设分数阈值的候选业务，例如用户与业务A和业务B的匹配程度较高，则业务A和业务B的推荐分数不低于预设分数阈值，基于业务A和业务B生成该用户对应的推荐列表。

可以理解的是，推荐列表中包含有至少一个候选业务，若推荐列表中存在多个候选业务，业务推荐设备可基于各候选业务的推荐分数进行排序，获得业务顺序，基于业务顺序和推荐列表生成推荐序列，基于推荐序列向用户进行业务推荐。

本实施例通过获取目标用户群体中各用户的历史业务参与信息，基于所述历史业务参与信息构建各所述用户与候选业务之间的图结构，对各所述用户进行兴趣分析，获得各所述用户的兴趣向量，对所述图结构中的实体向量和所述兴趣向量进行加权求和，获得综合向量，基于所述综合向量对所述候选业务进行推荐评分，获得各所述候选业务的推荐分数，基于所述推荐分数生成推荐列表，并基于所述推荐列表进行业务推荐；由于本实施例通过构建用户与候选业务之间的图结构，基于各用户的兴趣向量和图结构的实体向量进行加权，获得综合向量，从而基于综合向量准确地对各候选业务进行推荐评分，基于推荐分数清晰地确定了各候选业务与各用户之间的联系，有效地挖掘了用户与候选业务之间的潜在关系，基于所述推荐分数生成推荐列表，并基于所述推荐列表进行业务推荐，提升了业务推荐的准确性。

参考图3，图3为本发明一种业务推荐方法第二实施例的流程示意图。

基于上述第一实施例，在本实施例中，所述步骤S21，包括：

步骤S21：基于所述历史业务参与信息对各所述用户进行特征分析，获得各所述用户的用户特征向量。

需要说明的是，用户特征向量可以是目标用户群体中各用户的行为特征和画像特征等向量数据。

进一步地，为了准确地获取用户特征向量，上述步骤S21，可包括：

步骤S211：对所述目标用户群体进行分析，获取所述目标用户群体的群体属性信息；

步骤S212：基于所述历史业务参与信息获取各所述用户的行为信息；

步骤S213：基于所述群体属性信息和所述行为信息对各所述用户进行特征分析，获得各所述用户的用户特征向量。

可以理解的是，业务推荐设备可通过对目标用户群体进行分析，获取各用户的行为数据，并获取各用户的属性信息(例如个性化数据和/或画像数据等)，基于行为数据和属性信息对各用户进行特征分析，获得各用户的用户特征向量。

步骤S22：对候选业务进行特征分析，获得各所述候选业务的业务特征向量。

需要说明的是，业务特征向量可以是候选业务的业务画像和业务要素特征等向量数据。

可以理解的是，本实施例业务推荐设备可通过对候选业务进行特征细分，按照互动形式、奖品类型等不同要素，形成候选业务的业务特征向量。这样做的有益效果是：可以更好地描述候选业务的多样性和差异性，从而提高推荐的精度和个性化程度；可以更方便地与用户特征进行匹配，从而提高推荐的相关性和有效性；可以更容易地与图神经网络模型进行结合，从而提高推荐的效率和质量；可以更灵活地调整候选业务的特征组合，从而提高推荐的适应性和创新性。

应当理解的是，本实施例通过对候选业务进行特征分析，从而为后续的图结构的构建提供了候选业务的节点信息，从而可以有效地进行用户和候选业务之间的边关系建立。

步骤S23：基于所述用户特征向量构建用户实体，基于所述业务特征向量构建业务实体。

需要说明的是，用户实体可以是以用户作为图结构中的节点实体。业务实体可以是以候选业务作为图结构中的节点实体。

可以理解的是，本实施例通过将用户作为图结构的节点实体，将候选业务作为图结构的节点实体，通过分析用户实体与业务实体之间的关系，从而构建图结构。

步骤S24：基于所述历史业务参与信息确定所述用户实体与所述业务实体之间的关联信息。

需要说明的是，关联信息可以是图结构中各节点之间的边(即连接关系)，即关联信息为用户实体的节点与业务实体的节点之间的连接关系。

步骤S25：基于所述关联信息构建各所述用户与候选业务之间的图结构。

可以理解的是，本实施例业务推荐设备根据用户在过去参与活动的行为，获取用户的历史业务参与信息，基于历史业务参与信息建立用户与候选业务之间的关联图，当用户通过参与某个候选业务并成功转化，即在图中建立一条边，从而构建图结构。

在具体实现中，业务推荐设备从过去活动记录数据中获取用户和候选业务之间的交互记录，包括用户ID、候选业务ID、交互时间、交互结果等；对交互记录进行预处理，过滤掉无效或异常的记录，如重复的记录等；对交互记录进行编码，将用户ID和候选业务ID转换为整数索引，方便后续的图构建和模型输入；根据编码后的交互记录，构建一个二分图G＝(V，E)，其中V是节点集合，包括用户节点和候选业务节点，E是边集合，表示用户和候选业务之间的交互关系。如果用户u通过策略i参与了活动并成功转化(参与活动并贷款)，则在图中添加一条边(u，i)。这样就得到了一个用户与候选业务之间的关联图，也可以称为知识图谱(即图结构)。

本实施例通过基于所述历史业务参与信息对各所述用户进行特征分析，获得各所述用户的用户特征向量，对候选业务进行特征分析，获得各所述候选业务的业务特征向量，基于所述用户特征向量构建用户实体，基于所述业务特征向量构建业务实体，基于所述历史业务参与信息确定所述用户实体与所述业务实体之间的关联信息，基于所述关联信息构建各所述用户与候选业务之间的图结构；由于本实施例通过分别对用户和候选业务进行特征分析，从而准确地构建用户与候选业务之间的边关系，准确地构建了各所述用户与候选业务之间的图结构，从而清晰地反映了用户与候选业务之间的联系，提升了业务推荐的准确性。

参考图4，图4为本发明一种业务推荐方法第三实施例的流程示意图。

基于上述第一实施例，在本实施例中，所述步骤S30，包括：

步骤S301：将所述历史业务参与信息输入至预先构建的兴趣预测模型，获得所述用户对应各候选业务的兴趣权重；

步骤S302：基于所述兴趣权重对各所述用户进行兴趣分析，获得各所述用户的兴趣向量。

需要说明的是，兴趣预测模型可以是推荐系统深度学习模型，本实施例通过兴趣预测模型引入注意力机制，根据用户历史业务参与信息和候选业务之间的关系，动态地计算用户对每个候选业务的重要性权重。它能够更好地理解和建模用户的兴趣变化，提高推荐的准确性。

可以理解的是，本实施例通过兴趣预测模型的计算层，可以动态地计算用户对每个历史行为候选业务的兴趣权重，从而得到一个综合的用户兴趣向量。这个向量可以反映出用户的偏好和需求，以及它们随时间和场景的变化。具体来说，假设用户u有一个候选业务的历史行为序列为H

对于每个历史行为候选业务h

公式7：

公式8：

对于每个历史行为候选业务ht和候选业务c

公式9：

对于每个候选业务ck，使用一个池化层将用户的历史行为向量进行加权求和，得到用户的兴趣向量表示为如下公式10，其中Pooling是一个最大池化函数。

公式10：

本实施例通过将所述综合向量与各所述候选业务对应的业务向量进行相似度匹配，获得各所述候选业务的相似度，基于所述相似度对所述候选业务进行推荐评分，获得各所述候选业务的推荐分数；由于本实施例通过分析出用户对应各候选业务的兴趣权重，对各用户进行兴趣分析，获得用户的兴趣向量，从而实现对用户进行个性化推荐，提升了推荐准确性以及用户体验。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有业务推荐程序，所述业务推荐程序被处理器执行时实现如上文所述的业务推荐方法的步骤。

由于本存储介质采用了上述所有实施例的全部技术方案，因此至少有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。

参照图5，图5为本发明业务推荐装置第一实施例的结构框图。

如图5所示，本发明实施例提出的业务推荐装置包括：

历史信息获取模块10，用于获取目标用户群体中各用户的历史业务参与信息；

图结构构建模块20，用于基于所述历史业务参与信息构建各所述用户与候选业务之间的图结构；

兴趣分析模块30，用于对各所述用户进行兴趣分析，获得各所述用户的兴趣向量；

综合向量分析模块40，用于对所述图结构中的实体向量和所述兴趣向量进行加权求和，获得综合向量；

推荐评分模块50，用于基于所述综合向量对所述候选业务进行推荐评分，获得各所述候选业务的推荐分数；

业务推荐模块60，用于基于所述推荐分数生成推荐列表，并基于所述推荐列表进行业务推荐。

进一步地，所述图结构构建模块20，还用于基于所述历史业务参与信息对各所述用户进行特征分析，获得各所述用户的用户特征向量；对候选业务进行特征分析，获得各所述候选业务的业务特征向量；基于所述用户特征向量构建用户实体，基于所述业务特征向量构建业务实体；基于所述历史业务参与信息确定所述用户实体与所述业务实体之间的关联信息；基于所述关联信息构建各所述用户与候选业务之间的图结构。

进一步地，所述图结构构建模块20，还用于对所述目标用户群体进行分析，获取所述目标用户群体的群体属性信息；基于所述历史业务参与信息获取各所述用户的行为信息；基于所述群体属性信息和所述行为信息对各所述用户进行特征分析，获得各所述用户的用户特征向量。

进一步地，所述历史信息获取模块10，还用于获取目标用户群体中各用户与各候选业务之间的交互记录信息；基于所述交互记录信息提取初始业务交互数据；对所述初始业务交互数据进行处理，获取目标用户群体中各用户的历史业务参与信息。

进一步地，所述历史信息获取模块10，还用于对所述初始业务交互数据进行数据清洗，获得候选业务交互数据；对所述候选业务交互数据进行索引编码，将所述候选业务交互数据中的用户标识转化为用户索引，将所述候选业务交互数据中的业务标识转化为业务索引；基于索引编码后的所述候选业务交互数据构建所述用户索引与所述业务索引之间的二分图；基于所述二分图获取目标用户群体中各用户的历史业务参与信息。

进一步地，所述推荐评分模块50，还用于将所述综合向量与各所述候选业务对应的业务向量进行相似度匹配，获得各所述候选业务的相似度；基于所述相似度对所述候选业务进行推荐评分，获得各所述候选业务的推荐分数。

进一步地，所述兴趣分析模块30，还用于将所述历史业务参与信息输入至预先构建的兴趣预测模型，获得所述用户对应各候选业务的兴趣权重；基于所述兴趣权重对各所述用户进行兴趣分析，获得各所述用户的兴趣向量。

本实施例通过获取目标用户群体中各用户的历史业务参与信息，基于所述历史业务参与信息构建各所述用户与候选业务之间的图结构，对各所述用户进行兴趣分析，获得各所述用户的兴趣向量，对所述图结构中的实体向量和所述兴趣向量进行加权求和，获得综合向量，基于所述综合向量对所述候选业务进行推荐评分，获得各所述候选业务的推荐分数，基于所述推荐分数生成推荐列表，并基于所述推荐列表进行业务推荐；由于本实施例通过构建用户与候选业务之间的图结构，基于各用户的兴趣向量和图结构的实体向量进行加权，获得综合向量，从而基于综合向量准确地对各候选业务进行推荐评分，基于推荐分数清晰地确定了各候选业务与各用户之间的联系，有效地挖掘了用户与候选业务之间的潜在关系，基于所述推荐分数生成推荐列表，并基于所述推荐列表进行业务推荐，提升了业务推荐的准确性。

应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参进行本发明任意实施例所提供的业务推荐方法，此处不再赘述。

此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。