一种目标产品推荐方法、装置及设备

技术领域

本发明涉及数据分析技术领域，具体涉及一种目标产品推荐方法、装置及设备。

背景技术

随着云计算技术的不断研究与发展，目前有越来越多的企业或者机构致力于云产品的研发与生产，市场上也随之出现了具备各种各样功能的云计算相关产品。目前有越来越多的用户选择基于云平台进行业务发展，包括个人用户与企业用户等。由于市场上的产品种类较多，虽然用户本身对云服务产品具备一定需求，但用户对云计算领域和云产品的认识、了解与使用存在一定的区别。如何能快速且精准地定位到用户需求，并为用户推荐出一款合适的云产品，将给用户带来极大的效率提升。

用户在进行云服务产品选购时，总结起来大致分为三种情况。其一是快速选购，这是一种比较理想的情况。用户本身对所有云产品已经具备了解，可以快速选购出适合自己的产品。其二是熟人推荐，这是一种较多的情况。用户经熟人推荐后，根据他们提供的产品功能和使用反馈及意见来进行产品选购。其三是自行选购，这是大多数用户的选购情况。用户自行了解各种产品的功能和资费，结合自身对云服务产品的功能需求，挑选适合的云服务产品。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的目标产品推荐方法、装置及设备。

根据本发明实施例的一个方面，提供了一种目标产品推荐方法，所述方法包括：

获取根据用户对目标产品的操作生成的数据信息；

将所述数据信息输入多级学习器进行处理，得到用户的实际需求信息；

将所述用户的实际需求信息输入预设目标产品推荐模型进行处理，得到目标产品的推荐结果。

根据本发明实施例的另一方面，提供了一种目标产品推荐装置，所述装置包括：

获取模块，用于获取根据用户对目标产品的操作生成的数据信息；

处理模块，用于将所述数据信息输入多级学习器进行处理，得到用户的实际需求信息；并将所述用户的实际需求信息输入预设目标产品推荐模型进行处理，得到目标产品的推荐结果。

根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述目标产品推荐方法对应的操作。

根据本发明实施例的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述目标产品推荐方法对应的操作。

根据本发明上述实施例提供的方案，通过获取根据用户对目标产品的操作生成的数据信息，将所述数据信息输入多级学习器进行处理，得到用户的实际需求信息；并将所述用户的实际需求信息输入预设目标产品推荐模型进行处理，得到目标产品的推荐结果；这里目标产品可以是云服务产品，采用用户浏览情况、选购记录、续订退订情况等作为用户对目标设备操作生成的数据信息，跟踪用户操作记录，实现了数据统计的真实性，并对数据信息进行多级处理分析，自动与预存的现有产品进行比对，从而将符合用户需求的产品推荐给用户，减少用户的时间与精力的消耗，实现了对云服务产品的智能推荐。

上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的目标产品推荐方法流程图；

图2a示出了本发明另一实施例提供的目标产品推荐方法在目标产品推荐装置30实现时的具体模块图；

图2b示出了本发明图2a中智能信息分析模块中处理的产品价格与浏览次数变化曲线1；

图2c示出了本发明图2a中智能信息分析模块中处理的产品价格与浏览次数变化曲线2；

图2d示出了本发明图2a中智能信息分析模块中处理的产品价格与浏览次数变化曲线3；

图3示出了本发明实施例提供的目标产品推荐装置的结构示意图；

图4示出了本发明实施例提供的计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

图1示出了本发明实施例提供的目标产品推荐方法的流程图。如图1所示，该方法包括以下步骤：

步骤11，获取根据用户对目标产品的操作生成的数据信息；

步骤12，将所述数据信息输入多级学习器进行处理，得到用户的实际需求信息；

步骤13，将所述用户的实际需求信息输入预设目标产品推荐模型进行处理，得到目标产品的推荐结果。

该实施例中，所述目标产品可以是云服务产品，获取用户对所需云服务产品的一系列操作生成的数据信息，并对所述数据信息进行初步的收集与整理，可以最大程度的得到用户的需求范围，实现数据统计的真实性；对所述数据信息进行分层并通过多级学习器进行分析处理，不断调整上一级学习器中学习结果不合适的情况，进一步精细化、精准化所述数据信息，并在最后一级学习器中输出较为准确的用户实际需求信息，将所述实际需求信息输入预设目标产品推荐模型进行处理，进一步提高产品推荐效率。

本发明的一可选实施例中，所述步骤11，可以包括：

步骤111，获取根据用户对目标产品的操作生成的内源信息和/或外源信息，所述内源信息包括以下至少一项：用户对目标产品进行浏览操作生成的数据信息，用户对目标产品进行选购操作生成的数据信息；所述外源信息包括以下至少一项：维护用户所获得的业务发展的动向信息，潜在需求信息。

该实施例中，所述数据信息可以包括内源信息和/或外源信息，其中，所述内源信息可以包括：用户本身的浏览信息、选购记录信息、已购买产品的退订续订信息等，所述外源信息可以包括：负责人维护的用户信息、了解用户业务发展动向并生成潜在需求信息等，通过内源信息和/或外源信息可以实现目标产品的主动推送与被动推送，以便适时对新型目标产品进行推荐，同时还可以及时更新用户信息，防止用户需求过时。

本发明的一可选实施例中，所述步骤12，可以包括：

步骤121，将所述数据信息中的第一数据集输入训练好的一级学习器进行处理，得到第一用户需求数据；

步骤122，将所述数据信息中的第二数据集以及所述第一用户需求数据，输入训练好的二级学习器进行处理，得到第二用户需求数据；

步骤123，将所述数据信息中的第三数据集以及所述第二用户需求数据，输入训练好的三级学习器进行处理，得到用户实际需求信息；其中，所述一级学习器、所述二级学习器和所述三级学习器的模型相同。

该实施例中，所述一级学习器可以是根据用户档案信息中的多层次数据训练出的一个基学习器，然后根据所述基学习器的表现对训练数据进行调整，同时基于所述一级学习器的情况和当前的训练数据来进行下一次学习，得到所述二级学习器，同时使得新训练出来的所述二级学习器的功能得到进一步的优化与调整；以此类推，得到所述三级学习器。通过不断构建多个学习器来逐步提高学习器功能，实现学习器效果最优，最终完成学习任务，得到更为精准的学习结果；当然学习器的级数不限，该实施例中，优选的，设置三级学习器。通过训练多级学习器来进行用户需求分析，不断调整上一级学习器中学习结果不合适的情况，在最后一级学习器中输出了较准确的用户需求点。

本发明的一可选实施例中，所述步骤121，可以包括：

步骤1211，将所述数据信息中的对目标产品浏览记录、浏览次数、最终选购的目标产品作为第一数据集，输入训练好的一级学习器进行处理，得到用户第一需求数据。

该实施例中，所述第一数据集可以包括：目标产品的浏览记录、浏览次数以及最终选购的目标产品等信息，将所述第一数据集输入一级学习器进行处理，具体包括：收集所有的产品浏览记录，依次标记ID号；对标每个产品的浏览次数，依次每个产品的选购意愿进行系数加权，并剔除浏览次数为1的产品；更新最终选购产品的选购意愿为所有产品的最大值。通过对所有参与学习的产品进行功能分析，归纳总结这些产品的功能共性，推断用户的需求点，即得到用户第一需求数据。

本发明的一可选实施例中，所述步骤122，可以包括：

步骤1221，将所述数据信息中的用户已选购目标产品的退订、续订记录作为第二数据集以及所述用户第一需求数据，输入训练好的二级学习器进行处理，得到用户第二需求数据。

该实施例中，所述第二数据集可以包括：用户已选购产品的退订、续订记录等信息，续订退订记录能进一步反应产品功能与用户需求的契合度关系。将所述第二数据集输入二级学习器中进行处理，结合退订续订记录，调整所述用户第一需求数据与该产品契合的需求，或者对所述用户第一需求数据范围进行缩小，精细化、精准化用户需求，得到所述用户第二需求数据。

本发明的一可选实施例中，所述步骤123，可以包括：

步骤1231，根据所述数据信息中的用户的浏览产品记录和购买产品记录，构建基于产品价格与浏览次数的第三数据集；

步骤1232，将所述第三数据集投射至二维样本坐标空间中，确定用户所需的产品功能需求与该用户所能承受的普通消费能力与最大弹性消费能力范围；

步骤1233，将所述该用户所能承受的普通消费能力与最大弹性消费能力范围以及所述用户第二需求数据，输入三级学习器进行处理，得到用户的实际需求信息。

该实施例中，应当知道，用户的选购结果受到消费能力限制，但选购结果并不完全由消费能力决定，消费结果与产品之间存在弹性关系。基于此弹性关系，构建产品价格与浏览次数的第三数据集，为了确定用户的普通消费范围，将所述第三数据集投射至二维样本坐标空间中，通过找到一个划分超平面来确定用户的普通消费阈值，同样以超平面的方式来确定用户消费阈值，并将此时计算出的消费阈值作为用户最大弹性消费能力；将所述该用户所能承受的普通消费能力与最大弹性消费能力范围以及所述用户第二需求数据输入三级学期器，并对所述用户第二需求数据进行调整，得到用户的实际需求信息。考虑用户普通消费能力与弹性消费能力，降低了用户普通消费能力对于推荐结果的影响。

本发明的一可选实施例中，所述步骤13，可以包括：

步骤131，将所述用户的实际需求点输入训练好的多分类学习器，得到用户的实际需求点对应的产品功能；

步骤132，从产品数据库中查找与所述产品功能相匹配的产品信息，生成候选推荐产品列表；

步骤133，将用户的需求点和候选推荐产品列表输入训练好的神经网络模型，得到候选推荐产品列表中每个产品对所有需求的契合度分数；

步骤134，根据所述契合度分数，得到目标产品的推荐结果。

该实施例中，所述多分类学习器可以是通过线性模型训练所得，用于实现用户需求与产品功能之间的对应关系。将用户的实际需求信息输入多分类学习器，得到用户的实际需求点对应的产品功能，根据对应的产品功能，在产品数据库中进行产品筛选，找到符合的产品。通过对系统内所有产品进行筛选，将符合用户需求的产品集合生成候选推荐产品列表；对候选列表的每个产品进行需求契合点标注，将这些产品名称及对应的用户需求点输入BP(back propagation)多层前馈神经网络模型，经过全连接层和最后的soft-max进行分类，得到每个产品对所有需求的契合度分数。根据该契合度分数，若确定某个产品能够满足用户需求，则将该产品信息作为推荐结果；优选的，若分析出的用户需求较多、且单一产品无法满足用户需求，则对多个产品进行组合，并进行最优算法排序，将最优组合结果作为推荐结果。

进一步的，基于上述步骤11至13的基础上，目标产品推荐方法，还包括：

步骤14，推荐结果呈现展示最终的产品推荐情况，描述用户需求与产品功能的对应关系；

步骤15，将上述用户需求与产品推荐结果归入需求集群数据库，建立用户需求集群。

该实施例中，步骤14中，对于用户信息仅包括用户内源信息，根据用户的浏览选购记录，经过智能信息分析和推荐结果排序后，向用户展示最终推荐结果；对于用户信息包括用户内源信息和用户外源信息，根据产品需求向用户推荐相关适用产品，同时推荐最新推广的系列产品；此外，还可以向用户展示产品详情以及信息导出；步骤15中，将上述用户需求与产品推荐结果存入需求集群数据库，在每次分析出用户需求后，会先在需求集群数据库中查找有无符合该用户需求的产品，然后再判断是否进行智能产品推荐，以便降低下次系统运行的性能消耗。通过创建了用户需求集群，对用户需求进行分类，避免每次推荐过程都需要进行需求分析与智能产品推荐过程，提高产品推荐效率。

下面结合装置的具体系统架构说明上述方法的具体实现过程：

如图2a所示，目标产品推荐装置30的具体模块包括：用户信息档案建立模块、智能信息分析模块、智能产品推荐模块、推荐结果生成模块和推荐结果归群模块。通过上述五大模块以及用户过往的浏览记录、选购记录等，可以对用户的产品功能需求进行分析，并能以分析出来的用户需求为依据，自动与系统内的现有产品进行比对分析，然后将符合用户需求的产品推荐给用户。该系统一方面可以降低用户的能力和财力消耗，另一方面能够实现对云服务产品的智能推荐。系统的呈现结果分主动推送和被动推送两种情况，通过主动推送和被动推送相结合的模式，为不同用户提供个性化服务，具体如下：

所述用户信息档案建立模块可以实现上述步骤11，所述用户信息档案建立模块主要用于生成一个基本用户数据库，是整个模型的数据基础，对用户的需求分析、产品推荐都依赖此模块；

在用户信息档案建立模块中，数据来源主要包括两方面：一、内源信息：用户主动留下的信息，包括用户每次登陆网站查看过的所有产品类型、每种产品的查看次数、每次选购前的所有查看记录、购买后产品的使用周期、已购买产品的退订续订情况、消费金额与产品定价之间的关系；二、外源信息：包括负责人主动维护的信息包括负责人主动了解的用户所属机构或个人的业务发展动向以及潜在需求等。

获取用户内源信息时，首先根据用户ID判断其是否为新用户。针对新用户，当前的浏览记录即为档案信息内容；针对老用户，其档案信息为当前浏览记录和历史浏览记录、历史选购记录等。该方法可获得新用户的浏览记录，在实现对新用户冷启动这一方面上具有重要意义。

获取用户外源信息时，首先在数据库中以企业类型和业务类型为基准建立一个业务-产品功能表，表中数据为该业务类型下的所有业务功能及其对标云产品的功能需要。业务功能来源为当前业务类型下全球排名前十的公司所有业务功能的并集，对标功能云产品为了满足该业务需求所应具备的产品功能。负责人在维护用户信息时，通过收集用户业务发展变化情况信息，查找该业务-产品功能表，将对应的产品功能作为用户潜在需求。该业务-产品功能表的建立，有助于系统生成用户的潜在需求，也有助于云服务提供商据此数据对云产品进行进一步的开发与完善。

所述智能信息分析模块可以实现上述步骤12，智能信息分析模块是一种基于集成学习的机器学习方法。首先根据初始数据训练出一个基学习器，然后根据基学习器的表现对训练样本分布进行调整，并且基于上一个学习器的情况和当前的训练数据来进行下一次学习，使得新训练出来的学习器功能得到进一步的优化与调整。以此类推，通过不断构建多个学习器来逐步提高学习器功能，实现学习器效果最优，最终完成学习任务。作为初始数据，用户档案信息被分成多层次来辅助训练学习器。

具体的：首先，以产品浏览记录、浏览次数、最终选购产品作为第一数据集，训练基学习器。基学习器H

其次，以用户已选购产品的退订、续订记录，并结合第一数据集共同作为第二数据集，训练二级学习器。续订退订记录能进一步反应产品功能与用户需求的契合度关系：根据基学习器情况结合退订记录，调整第一轮推断结果中与该产品契合的需求，或者对第一轮的用户需求范围进行缩小，精细化用户需求。

再次，用户的选购结果受到消费能力限制，但选购结果并不完全由消费能力决定，消费结果与产品之间存在弹性计算的过程。在具体计算过程中，首先根据用户浏览、购买产品记录，形成一个基于产品价格与浏览次数的第三数据集D

(1)如图2b所示，在高于普通消费(p1-p2)的阈值价格中，用户在某个价格区间(p3-p4)内的浏览次数仍具有一定的频繁度。以该价格区间内的价格与浏览次数形成数据集D

(2)如图2c所示，在高于普通消费(p1-p2)的阈值的价格后，随着价格的数值增长，用户的浏览次数、浏览频率整体呈下降趋势，没有较大的峰值波动情况。此时以普通消费阈值为价格区间最小值，最大浏览价格为价格区间最大值，即价格区间p2-p3内的价格与浏览次数形成数据集D

(3)如图2d所示，在高于普通消费(p1-p2)的阈值价格后，随着价格的数值增长，用户浏览情况有较大波动，有一定的峰值峰谷情况，说明用户可能不太受产品价格限制，此时以价格区间p2-p3内所有峰值和浏览次数的对应数据形成数据集D

总体上，产品质量与价格基本呈现为线性关系，但用户消费能力可能会受到产品质量影响。当产品质量高时，用户可能会为此付出较高的消费能力。因此，三级学习器学习在用户角度上，用户所需的产品功能需求与其所能承受的普通消费能力与最大弹性消费能力范围。最终，结合三个级别学习器层层递进的学习结果，得到用户的兴趣度和需求点。

所述在智能产品推荐模块可以实现上述步骤13，根据所述智能信息分析模块推断出来的用户需求点，需要在产品列表中进行产品筛选，找到符合用户需求的产品。推荐模块包括候选推荐产品列表生成和推荐结果排序两个部分。候选推荐产品列表生成是通过对系统内的所有产品进行一一筛选，将符合用户需求的产品加入推荐产品列表；推荐结果排序是在推荐产品列表中选出最优产品或者最优组合产品。

候选产品列表生成：基于数据库中的产品列表和智能信息分析模块推断出的用户需求列表，进行产品和需求契合度配对。本方案是通过线性模型来训练一个多分类学习器，模型的作用是实现用户需求与产品功能之间的对应关系。首先在数据库中建立一个包含所有产品功能的产品功能表，然后在标准数据集上划分成训练集和测试集进行模型训练与测试。在训练过程中，训练集数据中对每条用户需求添加ID标签，并通过人工标注的方法对每条用户需求添加对应的产品功能，以此来进行多分类器训练，学习用户需求与产品功能之间的对应关系；在测试过程中，输入测试集的用户需求，输出对应的产品功能。其中，输出ID数较多的功能，则判定为本次测试的用户需求所对应的产品功能。然后在产品数据库中查找包含当前产品功能的产品，生成候选推荐产品列表。

推荐结果排序：推荐结果基于BP神经网络辅助生成。具体来说，根据智能信息分析模块的用户需求、消费能力和智能推荐模块的候选推荐产品列表的产品名称，对候选列表的每个产品进行需求契合点标注，将这些产品名称及对应的用户需求点输入BP神经网络，经过全连接层和最后的soft-max进行分类，得到每个产品对所有需求的契合度分数。

当某个产品能独自满足用户需求时，推荐结果为该产品；当分析出的用户需求较多、单一产品无法满足用户需求时，通过对多个产品进行组合，并进行最优算法排序，推荐最优组合结果。当推荐结果为组合产品时，可以有多种组合情况，每种情况分别是满足某个用户需求点下的最优产品组合结果。

所述推荐结果生成模块可以实现上述步骤14，在推荐结果生成模块主要分两部分，一部分是产品推送，一部分是推荐产品的详情展示与信息导出。产品推送主要是根据分析结果排序模块的排序结果，呈现出最终推荐的产品名称。产品推送的形式包括两类，一类是被动推送，一类是主动推送。被动推送适用于用户档案信息中只包括内源信息的情况；主动推送适用于用户档案信息包含内源、外源信息的情况。在被动推送模式下，根据用户的浏览选购记录，经过智能信息分析和推荐结果排序后，呈现出最终推荐结果。在主动推送模式下，用户档案信息中已经根据用户所属机构或个人的业务发展动向生成了对应的产品需求，即用户潜在需求。当用户上线后，系统就可以依据这些产品需求，智能向用户推送相关适用产品，同时推送最新推广的系列产品，供用户进行选择。

所述推荐结果归群模块可以实现上述步骤15，在推荐结果归群模块中，归群的目的主要是建立一个同类型用户需求的需求集群，实现对同类型客户推荐同类型产品的机制，这也是一种基于用户行为数据的推荐应用。根据用户信息档案，有很多用户在功能需求和消费能力上会存在共性。因此，系统每次通过智能信息分析模块分析到用户需求后，会先在需求集群中查找有无符合该用户需求的产品，然后再判断是否进行智能产品推荐模块。这样不仅实现了正常的产品推荐，而且节省了系统运行时间，提高了运行效率。

结合装置具体模块图，智能云服务产品推荐方法涉及的主要步骤如下：

步骤1，通过用户信息档案建立模块生成每个用户的信息数据库。信息来源为用户浏览、选购记录以及系统负责人维护的用户需求发展动向信息。

步骤2，采用智能信息分析模块对用户信息进行分析与判读，归纳用户对产品的功能需求信息。

步骤3，查询数据库的需求集群，查找与当前用户需求存在一致性关系的数据。如果能查询到一致数据，则进行步骤5，从需求集群中读取对应的产品信息并呈现；否则进行步骤4，进行智能产品推荐分析。

步骤4，智能产品推荐模块根据用户需求与产品功能进行候选产品列表生成，并在所有候选产品中进行最优产品或组合排序。

步骤5，推荐结果呈现展示最终的产品推荐情况，描述用户需求与产品功能的对应关系，支持对信息进行导出以供用户离线查看。

步骤6，将本次产品推荐流程的用户需求与产品推荐情况归入需求集群数据库，以便降低下次系统运行的性能消耗。

该实施例中，通过五大模块的相互配合，实现了基于用户信息进行产品推荐的过程，不但降低了用户的时间精力消耗，也弥补了因用户自身对云产品知识欠缺造成的选购不当缺陷。

图3示出了本发明实施例提供的目标产品推荐装置的结构示意图。如图3所示，所述装置30：

获取模块31，用于获取根据用户对目标产品的操作生成的数据信息；

处理模块32，用于将所述数据信息输入多级学习器进行处理，得到用户的实际需求信息；并将所述用户的实际需求信息输入预设目标产品推荐模型进行处理，得到目标产品的推荐结果。

可选的，所述获取模块31用于获取根据用户对目标产品的操作生成的数据信息，包括：

获取根据用户对目标产品的操作生成的内源信息和/或外源信息，所述内源信息包括以下至少一项：用户对目标产品进行浏览操作生成的数据信息，用户对目标产品进行选购操作生成的数据信息；所述外源信息包括以下至少一项：维护用户所获得的业务发展的动向信息，潜在需求信息。

可选的，所述处理模块32用于将所述数据信息输入多级学习器进行处理，得到用户的实际需求信息，包括：

将所述数据信息中的第一数据集输入训练好的一级学习器进行处理，得到用户第一需求数据；

将所述数据信息中的第二数据集以及所述用户第一需求数据，输入训练好的二级学习器进行处理，得到用户第二需求数据；

将所述数据信息中的第三数据集以及所述用户第二需求数据，输入训练好的三级学习器进行处理，得到用户的实际需求信息；其中，所述一级学习器、所述二级学习器和所述三级学习器的模型相同。

可选的，所述处理模块32用于将所述数据信息中的第一数据集输入训练好的一级学习器进行处理，得到用户第一需求数据，包括：

将所述数据信息中的对目标产品浏览记录、浏览次数、最终选购的目标产品作为第一数据集，输入训练好的一级学习器进行处理，得到用户第一需求数据。

可选的，所述处理模块32用于将所述数据信息中的第二数据集以及所述用户第一需求数据，输入训练好的二级学习器进行处理，得到用户第二需求数据，包括：

将所述数据信息中的用户已选购目标产品的退订、续订记录作为第二数据集，以及所述用户第一需求数据，输入训练好的二级学习器进行处理，得到用户第二需求数据。

可选的，所述处理模块32用于将所述数据信息中第三数据集以及所述用户第二需求数据，输入训练好的三级学习器进行处理，得到用户的实际需求信息，包括：

根据所述数据信息中的用户的浏览产品记录和购买产品记录，构建基于产品价格与浏览次数的第三数据集；

将所述第三数据集投射至二维样本坐标空间中，确定用户所需的产品功能需求与该用户所能承受的普通消费能力与最大弹性消费能力范围；

将所述该用户所能承受的普通消费能力与最大弹性消费能力范围以及所述用户第二需求数据，输入三级学习器进行处理，得到用户的实际需求信息。

可选的，所述处理模块32用于将所述用户的实际需求信息输入预设云产品推荐模型进行处理，得到目标产品的推荐结果，包括：

将所述用户的实际需求点输入训练好的多分类器，得到用户的实际需求点对应的产品功能；

从产品数据库中查找与所述产品功能相匹配的产品信息，生成候选推荐产品列表；

将用户的需求点和候选推荐产品列表输入训练好的神经网络模型，得到候选推荐产品列表中每个产品对所有需求的契合度分数；

根据所述契合度分数，得到目标产品的推荐结果。

该实施例中，该装置是与上述方法对应的装置，上述方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。

本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的目标产品推荐方法。

图4示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图4所示，该计算设备可以包括：处理器(processor)、通信接口(Communications Interface)、存储器(memory)、以及通信总线。

其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。通信接口，用于与其它设备比如客户端或其它服务器等的网元通信。处理器，用于执行程序，具体可以执行上述用于计算设备的目标产品推荐方法实施例中的相关步骤。

具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。

处理器可能是中央处理器CPU，或者是特定集成电路ASIC(Application SpecificIntegrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器，用于存放程序。存储器可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序具体可以用于使得处理器执行上述任意方法实施例中的目标产品推荐方法。程序中各步骤的具体实现可以参见上述目标产品推荐方法实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。

在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明实施例并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。