产品推荐方法、装置、处理器及电子设备

技术领域

本申请涉及领域，具体而言，涉及一种产品推荐方法、装置、处理器及电子设备。

背景技术

打造高质量营销生态体系，做好客户拓展织网补网工作，构建大中小协调、活跃度高、黏性强的客户体系，提升客户拓展维护能力。通过对公司客户交易行为、财务数据与使用银行产品的分析，建立客户潜在需求与产品的匹配模型。根据客户的潜在需求，提供相适应的公司金融业务产品，实现紧密型客户持续巩固、松散型客户尽力提升、空白型客户寻求突破，进而提升客户与我行的合作水平。因此，应用机器学习技术构建产品推荐模型十分有意义。

但是，目前主流的机器学习技术在产品推荐预测上有仍有不足，主要要两点，首先在该场景中，客户涉及的特征信息可以划分为不同视角，如基本信息视角、交易信息视角、产品信息视角，以前的大多数方法专注于如何利用不同视角间的互补信息以及减少多个特征视角之间的冗余来辅助模型分类，然而，这种方法在许多实际应用中可能不成立，因为经常由于某些不可控因素，导致样本的本分视角丢失或者样本本身就缺少部分视角，这会显着降低现有多视角学习算法的性能。其次，即使有些方案已经意识到这个问题的存在，为了解决这个问题，一些方法对样本缺失视角和不缺失的视角施加了不同的权重，用于减少缺失视角的负面影响，但是缺失视角中隐含的隐藏信息没有被充分利用来辅助样本关系学习，导致预测效果不佳。

针对相关技术中产品推荐的预测效果不佳的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种产品推荐方法、装置、处理器及电子设备，以解决相关技术中产品推荐的预测效果不佳的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种产品推荐方法。该方法包括：获取目标产品在多个特征视角下的样本数据；分别基于同一所述特征视角下的所述样本数据确定单视角相似度图，得到多个单视角相似度图，其中，所述单视角相似度图用于表示同一视角下所述样本数据之间的相似度；将多个所述单视角相似度图进行融合，得到多视角相似度图，其中，所述多视角相似度图用于表示多个视角下所述样本数据之间的关联关系；利用所述样本数据对预设推荐模型进行学习训练，生成多个单视角推荐模型，其中，所述预设推荐模型根据所述单视角相似度图和所述多视角相似度图确定；将多个单视角推荐模型进行集成，得到产品推荐模型；基于所述产品推荐模型进行产品推荐。

可选地，获取目标产品在多个特征视角下的样本数据包括：获取所述目标产品的客户信息，其中，每个所述客户信息包括多个特征视角；识别每个所述客户信息中缺失的特征视角；确定缺失的所述特征视角的数量低于第一预定阈值的客户信息为客户样本；为所述客户样本添加标签得到所述样本数据，其中，所述标签用于表示所述客户样本是否持有所述目标产品。

可选地，分别基于同一所述特征视角下的所述样本数据确定单视角相似度图，得到多个单视角相似度图包括：确定同一所述特征视角下的多个所述样本数据；确定任意两个所述样本数据之间的相似度值，其中，相似的所述样本数据之间分配第一相似度值，不同的所述样本数据之间分配第二相似度值，其中，所述第一相似度值大于第二相似度值；以所述样本数据为节点，根据所述样本数据之间的相似度值确定对应节点间的节点距离，建立所述单视角相似度图；基于多个所述特征视角的单视角相似度图，确定多个单视角相似度图。

可选地，以所述样本数据为节点，根据所述样本数据之间的相似度值确定对应节点间的节点距离，建立所述单视角相似度图包括：确定每个所述样本数据对应的节点；基于所述相似度值确定节点之间的节点距离；基于所述节点距离确定邻近节点对，其中，所述邻近节点对表示所述节点距离小于第二预定阈值的两个节点；基于所述邻近节点对调整所述节点之间的节点距离；基于调整后的节点距离建立所述单视角相似度图。

可选地，基于所述邻近节点对调整所述节点之间的节点距离包括：减少所述邻近节点对的节点距离；和/或增加非所述邻近节点对的节点距离。

可选地，将多个所述单视角相似度图进行融合，得到多视角相似度图包括：确定每个所述单视角相似度图的扩展图，其中，所述扩展图中与缺失的所述样本数据相关的元素被设为预定值；融合多个所述单视角相似度图的扩展图，得到所述多视角相似度图。

可选地，利用所述样本数据对预设推荐模型进行学习训练，生成多个单视角推荐模型包括：利用拉普拉斯矩阵确定所述多视角相似度图的多视角相似模型，其中，所述拉普拉斯矩阵的特征值的重数等于所述多视角相似度图中连通分量的数量；确定单视角相似度图的单视角相似模型；根据所述单视角相似度图和所述多视角相似度图确定所述预设推荐模型，并利用所述样本数据对所述预设推荐模型进行学习训练，生成所述单视角推荐模型。

为了实现上述目的，根据本申请的另一方面，提供了一种产品推荐装置。该装置包括：获取单元，用于获取目标产品在多个特征视角下的样本数据；确定单元，用于分别基于同一所述特征视角下的所述样本数据确定单视角相似度图，得到多个单视角相似度图，其中，所述单视角相似度图用于表示同一视角下所述样本数据之间的相似度；融合单元，用于将多个所述单视角相似度图进行融合，得到多视角相似度图，其中，所述多视角相似度图用于表示多个视角下所述样本数据之间的关联关系；生成单元，用于利用所述样本数据对预设推荐模型进行学习训练，生成多个单视角推荐模型，其中，所述预设推荐模型根据所述单视角相似度图和所述多视角相似度图确定；集成单元，用于将多个单视角推荐模型进行集成，得到产品推荐模型；推荐单元，用于基于所述产品推荐模型进行产品推荐。

为了实现上述目的，根据本申请的另一方面，提供了一种处理器。该处理器用于运行程序，其中，所述程序运行时执行上述产品推荐方法。

为了实现上述目的，根据本申请的另一方面，提供了一种电子设备。该电子设备包括：一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述产品推荐方法。

通过本申请，采用以下步骤：获取目标产品在多个特征视角下的样本数据；分别基于同一特征视角下的样本数据确定单视角相似度图，得到多个单视角相似度图，其中，单视角相似度图用于表示同一视角下样本数据之间的相似度；将多个单视角相似度图进行融合，得到多视角相似度图，其中，多视角相似度图用于表示多个视角下样本数据之间的关联关系；利用样本数据对预设推荐模型进行学习训练，生成多个单视角推荐模型，其中，预设推荐模型根据单视角相似度图和多视角相似度图确定；将多个单视角推荐模型进行集成，得到产品推荐模型；基于产品推荐模型进行产品推荐，解决了相关技术中产品推荐的预测效果不佳的问题。进而根据单视角内样本数据之间的相似度，和多个视角下样本数据之间的关联关系进行产品推荐，达到了根据准确的预测结果进行产品推荐的效果。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例提供的一种产品推荐方法的流程图；

图2是根据本申请实施例的一种基于不完备多视角局部图融合的产品推荐模型的示意图；

图3是根据本申请实施例的一种产品推荐装置的示意图；

图4是根据本申请实施例的一种电子设备的示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了便于描述，以下对本申请实施例涉及的部分名词或术语进行说明：

多视角学习：样本的特征可以根据来源或者类别划分为多个视角，利用样本的多种视角表征进行建模求解的机器学习方法。

不完备多视角：部分样本缺乏其中某个视角或某些视角的信息。

需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

下面结合优选的实施步骤对本发明进行说明，图1是根据本申请实施例提供的一种产品推荐方法的流程图，如图1所示，该方法包括如下步骤：

步骤S101，获取目标产品在多个特征视角下的样本数据；

步骤S102，分别基于同一特征视角下的样本数据确定单视角相似度图，得到多个单视角相似度图，其中，单视角相似度图用于表示同一视角下样本数据之间的相似度；

步骤S103，将多个单视角相似度图进行融合，得到多视角相似度图，其中，多视角相似度图用于表示多个视角下样本数据之间的关联关系；

步骤S104，利用样本数据对预设推荐模型进行学习训练，生成多个单视角推荐模型，其中，预设推荐模型根据单视角相似度图和多视角相似度图确定；

步骤S105，将多个单视角推荐模型进行集成，得到产品推荐模型；

步骤S106，基于产品推荐模型进行产品推荐。

在上述步骤S101中，样本数据可以根据目标产品的历史数据确定，其历史数据用于记录通过多个特征视角表示的客户信息，其中，特征视角可以包括：客户基础信息，客户交易信息，客户财务信息。

可选地，客户基础信息可以包括：如行业信息、企业规模、员工数量、资产规模、经济性质与在营情况等；客户交易信息可以包括：客户进一年的交易明细；客户财务信息可以包括，如资产负债情况、利润情况等。

在上述步骤S102中，单视角相似度图可以使用节点和节点之间的距离，表示同一特征视角下的样本数据之间的相似度。

在上述步骤S103中，多视角相似度图基于多个单视角相似度图确定，在多视角相似度图中既可以保留每个视角中样本数据的视角内关系，又可以表示多个视角下样本数据之间的关联关系。

可选地，可以基于图融合技术对多个单视角相似度图进行融合，得到多视角相似度图。

在上述步骤S104中，单视角相似度图可以通过单视角相似度模型表示，多视角相似度图可以通过多视角相似度模型表示，根据单视角相似度模型和多视角相似度模型可以确定用于表示样本数据相似度的视角相似度模型；进而根据视角相似度模型的损失函数可以确定预设推荐模型，利用每个特征视角的样本数据对预设模型进行学习训练，即可生成该视角的单视角推荐模型。

可选地，在本申请实施例提供的产品推荐方法中，获取目标产品在多个特征视角下的样本数据包括：获取目标产品的客户信息，其中，每个客户信息包括多个特征视角；识别每个客户信息中缺失的特征视角；确定缺失的特征视角的数量低于第一预定阈值的客户信息为客户样本；为客户样本添加标签得到样本数据，其中，标签用于表示客户样本是否持有目标产品。

本发明上述实施例，获取目标产品的客户信息，删除缺失数据较多的客户信息，则余下的客户信息可以作为客户样本，通过为客户样本添加用于表示是否持有目标产品的标签，即可生成样本数据，从而能够得到更加准确的样本数据。

可选地，在本申请实施例提供的产品推荐方法中，分别基于同一特征视角下的样本数据确定单视角相似度图，得到多个单视角相似度图包括：确定同一特征视角下的多个样本数据；确定任意两个样本数据之间的相似度值，其中，相似的样本数据之间分配第一相似度值，不同的样本数据之间分配第二相似度值，其中，第一相似度值大于第二相似度值；以样本数据为节点，根据样本数据之间的相似度值确定对应节点间的节点距离，建立单视角相似度图；基于多个特征视角的单视角相似度图，确定多个单视角相似度图。

本发明上述实施例，单视角相似度图用于表示同一特征视角下的样本数据之间的相似度图，因此，相似度图中以样本数据作为节点，根据样本数据之间的相似度值确定节点间的节点距离；其中，相似的样本数据可以分配第一相似度值，不同的样本数据分配第二相似度图值，且第一相似度值大于第二相似度值，从而使相似的样本数据具有较大的相似度值，使不同的样本数据具有较小的相似度值。

可选地，根据样本数据之间的相似度值确定节点间的节点距离包括：相似度值较大的样本数据对应的节点距离较小，相似度值较小的样本数据对应的节点距离较大。

可选地，在本申请实施例提供的产品推荐方法中，以样本数据为节点，根据样本数据之间的相似度值确定对应节点间的节点距离，建立单视角相似度图包括：确定每个样本数据对应的节点；基于相似度值确定节点之间的节点距离；基于节点距离确定邻近节点对，其中，邻近节点对表示节点距离小于第二预定阈值的两个节点；基于邻近节点对调整节点之间的节点距离；基于调整后的节点距离建立单视角相似度图。

本发明上述实施例，在根据样本数据建立单视角相似度图的过程中，可以根据节点距离确定邻近节点对，进而基于邻近节点对调整节点之间的节点距离，可以使单视角相似度图能够更加突出节点之间的相似关系。

可选地，在本申请实施例提供的产品推荐方法中，基于邻近节点对调整节点之间的节点距离包括：减少邻近节点对的节点距离；和/或增加非邻近节点对的节点距离。

可选地，在本申请实施例提供的产品推荐方法中，将多个单视角相似度图进行融合，得到多视角相似度图包括：确定每个单视角相似度图的扩展图，其中，扩展图中与缺失的样本数据相关的元素被设为预定值；融合多个单视角相似度图的扩展图，得到多视角相似度图。

本发明上述实施例，在融合多个单视角相似度图的过程中，为了补全缺失的样本数据相关的元素，可以引入单视角相似度图的扩展图，在扩展图中为缺失的样本数据相关的元素分配预定值，进而通过融合多个单视角相似度图的扩展图，即可得到多视角相似度图。

可选地，在本申请实施例提供的产品推荐方法中，利用所述样本数据对预设推荐模型进行学习训练，生成多个单视角推荐模型包括：利用拉普拉斯矩阵确定多视角相似度图的多视角相似模型，其中，拉普拉斯矩阵的特征值的重数等于多视角相似度图中连通分量的数量；确定单视角相似度图的单视角相似模型；根据单视角相似度图和多视角相似度图确定预设推荐模型；根据单视角相似度图和多视角相似度图确定预设推荐模型，并利用样本数据对预设推荐模型进行学习训练，生成单视角推荐模型。

可选地，单视角相似度图可以通过单视角相似模型表示，其单视角相似模型包括：相似度值分配模型和节点调整模型。

可选地，相似度值分配模型用于为数据样本分配相似度值，使数据样本可以根据分配的相似度值确定节点距离，建立相似度图；其中，相似度值分配模型包括：

其中，v表示第v个视角，N

可选地，节点调整模型用于拉近邻居样本间的距离，并分开非邻居的节点对；其中，节点调整模型包括：

其中，v表示第v个视角，N

可选地，多视角相似度图可以通过多视角相似模型表示，其中，多视角相似模型包括：

其中，Tr()为矩阵的迹，rank()为矩阵的秩，N为样本个数，C为拉普拉斯矩阵，S

结合上述三项，最终可以通过优化如下函数学习每个单视角相似度图S

可选地，在确定每个单视角相似度图S

其中，X

可选地，模型判别函数为：

可选地，将不同特征视角内的单视角推荐模型的分类结果进行集成，得到最终的模型预测结果，

本申请实施例提供的产品推荐方法，通过获取目标产品在多个特征视角下的样本数据；分别基于同一特征视角下的样本数据确定单视角相似度图，得到多个单视角相似度图，其中，单视角相似度图用于表示同一视角下样本数据之间的相似度；将多个单视角相似度图进行融合，得到多视角相似度图，其中，多视角相似度图用于表示多个视角下样本数据之间的关联关系；利用样本数据对每个单视角相似度图和多视角相似度图进行学习训练，生成多个单视角推荐模型；将多个单视角推荐模型进行集成，得到产品推荐模型；基于产品推荐模型进行产品推荐，解决了相关技术中产品推荐的预测效果不佳的问题。进而根据单视角内样本数据之间的相似度，和多个视角下样本数据之间的关联关系进行产品推荐，达到了根据准确的预测结果进行产品推荐的效果。

本发明还提供了一种优选实施例，该优选实施例提供了一种基于不完备多视角局部图融合的产品推荐模型。

本发明克服了现有技术中的缺点，提供了一种基于不完备多视角局部图融合的产品推荐模型。

图2是根据本申请实施例的一种基于不完备多视角局部图融合的产品推荐模型的示意图。如图2所示，根据N个客户持有某种产品的信息确定数据样本，其中，数据样本可以包括3个特征视角，分别表示为：基础信息视角、交易信息视角、财务信息视角，涉及的客户数量总数为N，其中，N1个客户涉及客户基本信息，N2个客户涉及交易数据，N3个客户涉及财务数据。

可选地，根据每个特征视角的样本数据可以生成对应的单视角相似度图，基于多个单视角相似度图，可以生成多视角相似度图。

可选地，基于每个单视角相似度图和多视角相似度图，可以生成对应的单视角推荐模型，集成多个单视角推荐模型可以生成产品推荐模型。

首先，每个特征视角设计了一个局部图学习项，它可以揭示每个单个视角中数据的局部结构，如样本数据之间的相似关系，目的是使用每个不完整视角的初始输入数据来挖掘聚类结构，同时考虑每个样本数据与近邻样本数据之间的关系，拉近邻居节点对的距离，并分开非邻居的节点对，充分学习不同视角内部的空间结构信息，以学习到更高质量的图(即生成单视角相似度图)。

其次，对于多视角学习模型，学习多视角数据的共识表示至关重要，为了充分融合不同视角内样本的空间结构信息，设计了一个图融合项来从多个局部图中学习一个完整的图，它可以通过利用这些局部图中的补充信息来利用缺失视角的隐藏信息(即生成多视角相似度图)。

最后，分别在每个视角中同时利用该视角内的局部图与融合三个视角信息的完整图训练单视角推荐模型，集成多个单视角推荐模型得到最终的产品推荐模型，提高模型泛化效果。

可选地，“数据预处理”部分处理步骤如下：

1、数据选择。本发明中样本涉及的数据包括客户基础信息，如行业信息、企业规模、员工数量、资产规模、经济性质与在营情况等；客户交易信息，如客户进一年的交易明细；客户财务信息，如资产负债情况、利润情况等。

2、数据预处理。观察数据缺失情况，删除缺失数据较多的样本数据，其中，样本数据可以分类为三类：客户基础信息、交易明细数据、财务数据，涉及的客户数量总数为N，其中N1个客户涉及客户基本信息，N2个客户涉及交易数据，N3个客户涉及财务数据。

可选地，“特征工程”部分处理步骤如下：

1、构建样本视角。根据样本的特征类别，构造相应视角。具体地，客户基础信息构成基础信息视角，客户交易信息构成交易信息视角，客户财务信息构成财务信息视角，假设我们从V个不同的特征视中捕获了N个样本实例。

2、构建样本标签，

模型应预测出客户未来是否会持有某件银行产品，定义为二分类问题，因此，样本的标签可以定义如下，持有定义标签为1，不持有定义标签为0。

可选地，“模型构建与训练”部分处理步骤如下：

1、生成单视角相似度图

1.1在每个视角内部，限制每个视角中相似的样本数据将分配有较大的相似度值，而不同的样本数据对应较小的相似度值，使相似的样本间

其中，v表示第v个视角，N

1.2在每个视角内部，同时考虑每个样本数据与其近邻样本数据之间的关系，拉近邻居节点对的距离，并分开非邻居的节点对，充分学习不同视角内部的空间结构信息，以学习到更高质量的图。使近邻样本间

这里

2、生成多视角相似度图。

对于多视角学习模型，学习多视角数据的共识表示至关重要。单视角相似度图只能得到每个单一视角中观察到的样本的相似性，但没有利用多个不完备视角所隐含的互补信息。因此，设计一个图融合项来融合视角内局部相似度图以生成一个多视角融合完全相似度图A，用于揭示所有样本数据的关系。

2.1给单视角相似度图S

2.2在图融合的过程中，期望每个单视角相似度图的视角特定信息能够尽可能多地保留，因为某些数据实例只存在于某些视角中而在其他视角中丢失。因此，希望多视角相似度图尽可能逼近每个局部图。可以很好地保留每一个视角中样本的视角内关系，此外，如果多视角相似度图A能够很好地揭示原始不完整多视角数据的聚类结构，则其对应的拉普拉斯矩阵LA将具有如下定理所示的重要性质。

拉普拉斯矩阵LA的特征值的重数C等于多视角相似度图A中连通分量的数量。

根据上述理论，为多视角相似度图A的拉普拉斯矩阵LA添加一个秩约束来学习最优多视角相似度图A，即rank(LA)＝N-C。因此，多视角融合完全相似度图公式如下：

其中，Tr()为矩阵的迹，rank()为矩阵的秩，N为样本数据的个数，C为拉普拉斯矩阵LA的特征值重数。

3、结合上述三项，最终可以通过优化如下函数学习每个单视角相似度图S

4、模型目标函数设计。用于产品推荐预测的最终目标函数如下，

其中，X

5、模型判别函数。

将不同视角内的单视角推荐模型的分类结果进行集成，得到最终的产品推荐模型预测结果，

本发明提供的模型，在客户产品推荐预测的精确率、召回率和综合测评价值上都比传统的机器学习算法效果更好，能更精准地预测是否有意愿持有该产品。营销人员可以参考模型的预测结果，提前对客户实施精准营销，防止客户流失，提高客户粘性。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例还提供了一种产品推荐装置，需要说明的是，本申请实施例的产品推荐装置可以用于执行本申请实施例所提供的用于产品推荐方法。以下对本申请实施例提供的产品推荐装置进行介绍。

图3是根据本申请实施例的一种产品推荐装置的示意图。如图3所示，该装置包括：获取单元31，用于获取目标产品在多个特征视角下的样本数据；确定单元32，用于分别基于同一特征视角下的样本数据确定单视角相似度图，得到多个单视角相似度图，其中，单视角相似度图用于表示同一视角下样本数据之间的相似度；融合单元33，用于将多个单视角相似度图进行融合，得到多视角相似度图，其中，多视角相似度图用于表示多个视角下样本数据之间的关联关系；生成单元34，用于利用样本数据对预设推荐模型进行学习训练，生成多个单视角推荐模型，其中，预设推荐模型根据单视角相似度图和多视角相似度图确定；集成单元35，用于将多个单视角推荐模型进行集成，得到产品推荐模型；推荐单元36，用于基于产品推荐模型进行产品推荐。

需要说明的是，该实施例中的获取单元31可以用于执行本申请实施例中的步骤S101，该实施例中的确定单元32可以用于执行本申请实施例中的步骤S102，该实施例中的生成单元34可以用于执行本申请实施例中的步骤S103，该实施例中的生成单元34可以用于执行本申请实施例中的步骤S104，该实施例中的集成单元35可以用于执行本申请实施例中的步骤S105，该实施例中的推荐单元36可以用于执行本申请实施例中的步骤S106。上述单元与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。

可选地，在本申请实施例提供的产品推荐装置中，获取单元包括：获取模块，用于获取目标产品的客户信息，其中，每个客户信息包括多个特征视角；识别模块，用于识别每个客户信息中缺失的特征视角；第一确定模块，用于确定缺失的特征视角的数量低于第一预定阈值的客户信息为客户样本；添加模块，用于为客户样本添加标签得到样本数据，其中，标签用于表示客户样本是否持有目标产品。

可选地，在本申请实施例提供的产品推荐装置中，确定单元包括：第二确定模块，用于确定同一特征视角下的多个样本数据；第三确定模块，用于确定任意两个样本数据之间的相似度值，其中，相似的样本数据之间分配第一相似度值，不同的样本数据之间分配第二相似度值，其中，第一相似度值大于第二相似度值；建立模块，用于以样本数据为节点，根据样本数据之间的相似度值确定对应节点间的节点距离，建立单视角相似度图；第四确定模块，用于基于多个特征视角的单视角相似度图，确定多个单视角相似度图。

可选地，在本申请实施例提供的产品推荐装置中，建立模块包括：第五确定模块，用于确定每个样本数据对应的节点；第六确定模块，用于基于相似度值确定节点之间的节点距离；第七确定模块，用于基于节点距离确定邻近节点对，其中，邻近节点对表示节点距离小于第二预定阈值的两个节点；调整模块，用于基于邻近节点对调整节点之间的节点距离；建立模块，用于基于调整后的节点距离建立单视角相似度图。

可选地，在本申请实施例提供的产品推荐装置中，调整模块包括：第一调整子模块，用于减少邻近节点对的节点距离；和/或第二调整子模块，用于增加非邻近节点对的节点距离。

可选地，在本申请实施例提供的产品推荐装置中，融合单元包括：第八确定模块，用于确定每个单视角相似度图的扩展图，其中，扩展图中与缺失的样本数据相关的元素被设为预定值；融合模块，用于融合多个单视角相似度图的扩展图，得到多视角相似度图。

可选地，在本申请实施例提供的产品推荐装置中，生成单元包括：第八确定模块，用于利用拉普拉斯矩阵确定多视角相似度图的多视角相似模型，其中，拉普拉斯矩阵的特征值的重数等于多视角相似度图中连通分量的数量；第九确定模块，用于确定单视角相似度图的单视角相似模型；生成模块，用于利用样本数据对单视角相似模型和多视角相似模型进行学习训练，生成单视角推荐模型。

本申请实施例提供的产品推荐装置，通过获取目标产品在多个特征视角下的样本数据；分别基于同一特征视角下的样本数据确定单视角相似度图，得到多个单视角相似度图，其中，单视角相似度图用于表示同一视角下样本数据之间的相似度；将多个单视角相似度图进行融合，得到多视角相似度图，其中，多视角相似度图用于表示多个视角下样本数据之间的关联关系；利用样本数据对预设推荐模型进行学习训练，生成多个单视角推荐模型，其中，预设推荐模型根据单视角相似度图和多视角相似度图确定；将多个单视角推荐模型进行集成，得到产品推荐模型；基于产品推荐模型进行产品推荐，解决了相关技术中产品推荐的预测效果不佳的问题。进而根据单视角内样本数据之间的相似度，和多个视角下样本数据之间的关联关系进行产品推荐，达到了根据准确的预测结果进行产品推荐的效果。

所述产品推荐装置包括处理器和存储器，上述各单元和模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来根据单视角内样本数据之间的相似度，和多个视角下样本数据之间的关联关系进行产品推荐。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述产品推荐方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述产品推荐方法。

图4是根据本申请实施例的一种电子设备的示意图。如图4所示，本发明实施例提供了一种电子设备40，设备包括处理器401、存储器402及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取目标产品在多个特征视角下的样本数据；分别基于同一特征视角下的样本数据确定单视角相似度图，得到多个单视角相似度图，其中，单视角相似度图用于表示同一视角下样本数据之间的相似度；将多个单视角相似度图进行融合，得到多视角相似度图，其中，多视角相似度图用于表示多个视角下样本数据之间的关联关系；利用样本数据对预设推荐模型进行学习训练，生成多个单视角推荐模型，其中，预设推荐模型根据单视角相似度图和多视角相似度图确定；将多个单视角推荐模型进行集成，得到产品推荐模型；基于产品推荐模型进行产品推荐。

可选地，处理器执行程序时实现以下步骤：获取目标产品的客户信息，其中，每个客户信息包括多个特征视角；识别每个客户信息中缺失的特征视角；确定缺失的特征视角的数量低于第一预定阈值的客户信息为客户样本；为客户样本添加标签得到样本数据，其中，标签用于表示客户样本是否持有目标产品。

可选地，处理器执行程序时实现以下步骤：确定同一特征视角下的多个样本数据；确定任意两个样本数据之间的相似度值，其中，相似的样本数据之间分配第一相似度值，不同的样本数据之间分配第二相似度值，其中，第一相似度值大于第二相似度值；以样本数据为节点，根据样本数据之间的相似度值确定对应节点间的节点距离，建立单视角相似度图；基于多个特征视角的单视角相似度图，确定多个单视角相似度图。

可选地，处理器执行程序时实现以下步骤：确定每个样本数据对应的节点；基于相似度值确定节点之间的节点距离；基于节点距离确定邻近节点对，其中，邻近节点对表示节点距离小于第二预定阈值的两个节点；基于邻近节点对调整节点之间的节点距离；基于调整后的节点距离建立单视角相似度图。

可选地，处理器执行程序时实现以下步骤：减少邻近节点对的节点距离；和/或增加非邻近节点对的节点距离。

可选地，处理器执行程序时实现以下步骤：确定每个单视角相似度图的扩展图，其中，扩展图中与缺失的样本数据相关的元素被设为预定值；融合多个单视角相似度图的扩展图，得到多视角相似度图。

可选地，处理器执行程序时实现以下步骤：利用拉普拉斯矩阵确定多视角相似度图的多视角相似模型，其中，拉普拉斯矩阵的特征值的重数等于多视角相似度图中连通分量的数量；确定单视角相似度图的单视角相似模型；根据单视角相似度图和多视角相似度图确定预设推荐模型，并利用样本数据对预设推荐模型进行学习训练，生成单视角推荐模型。

本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取目标产品在多个特征视角下的样本数据；分别基于同一特征视角下的样本数据确定单视角相似度图，得到多个单视角相似度图，其中，单视角相似度图用于表示同一视角下样本数据之间的相似度；将多个单视角相似度图进行融合，得到多视角相似度图，其中，多视角相似度图用于表示多个视角下样本数据之间的关联关系；利用样本数据对预设推荐模型进行学习训练，生成多个单视角推荐模型，其中，预设推荐模型根据单视角相似度图和多视角相似度图确定；将多个单视角推荐模型进行集成，得到产品推荐模型；基于产品推荐模型进行产品推荐。

可选地，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取目标产品的客户信息，其中，每个客户信息包括多个特征视角；识别每个客户信息中缺失的特征视角；确定缺失的特征视角的数量低于第一预定阈值的客户信息为客户样本；为客户样本添加标签得到样本数据，其中，标签用于表示客户样本是否持有目标产品。

可选地，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：确定同一特征视角下的多个样本数据；确定任意两个样本数据之间的相似度值，其中，相似的样本数据之间分配第一相似度值，不同的样本数据之间分配第二相似度值，其中，第一相似度值大于第二相似度值；以样本数据为节点，根据样本数据之间的相似度值确定对应节点间的节点距离，建立单视角相似度图；基于多个特征视角的单视角相似度图，确定多个单视角相似度图。

可选地，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：确定每个样本数据对应的节点；基于相似度值确定节点之间的节点距离；基于节点距离确定邻近节点对，其中，邻近节点对表示节点距离小于第二预定阈值的两个节点；基于邻近节点对调整节点之间的节点距离；基于调整后的节点距离建立单视角相似度图。

可选地，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：减少邻近节点对的节点距离；和/或增加非邻近节点对的节点距离。

可选地，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：确定每个单视角相似度图的扩展图，其中，扩展图中与缺失的样本数据相关的元素被设为预定值；融合多个单视角相似度图的扩展图，得到多视角相似度图。

可选地，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：利用拉普拉斯矩阵确定多视角相似度图的多视角相似模型，其中，拉普拉斯矩阵的特征值的重数等于多视角相似度图中连通分量的数量；确定单视角相似度图的单视角相似模型；根据单视角相似度图和多视角相似度图确定预设推荐模型，并利用样本数据对预设推荐模型进行学习训练，生成单视角推荐模型。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。