产品推荐方法、装置、计算机设备和存储介质
文献发布时间:2023-06-19 19:28:50
技术领域
本申请涉及大数据技术领域,特别是涉及一种产品推荐方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着人类社会的发展,出现了产品推荐技术。在现有的产品推荐技术中,通常采用基于内容和协同过滤的推荐技术;然而,这种技术只能以静态的方式对用户和产品之间的交互进行建模,无法捕获用户和产品之间的动态交互信息。因此,传统的产品推荐技术的推荐准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升产品推荐准确性的产品推荐方法、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品推荐方法。所述方法包括:
获取待推荐用户与待推荐产品之间的基础交互概率信息;
根据所述待推荐用户、所述待推荐用户的关联产品、所述待推荐产品,以及所述待推荐产品的关联用户,确认所述待推荐用户与所述待推荐产品之间的增量交互概率信息;所述待推荐用户的关联产品为所述待推荐用户的历史交互产品中,除所述待推荐产品之外的产品;所述待推荐产品的关联用户为所述待推荐产品的历史交互用户中,除所述待推荐用户之外的用户;
对所述基础交互概率信息与所述增量交互概率信息进行融合处理,得到所述待推荐用户与所述待推荐产品之间的目标交互概率信息;
根据所述目标交互概率信息,更新所述待推荐用户的用户特征信息;
根据所述待推荐用户的更新后的用户特征信息,从所述待推荐产品中筛选出与所述待推荐用户匹配的目标产品,将所述目标产品推荐给所述待推荐用户。
在其中一个实施例中,所述根据所述待推荐用户、所述待推荐用户的关联产品、所述待推荐产品,以及所述待推荐产品的关联用户,确认所述待推荐用户与所述待推荐产品之间的增量交互概率信息,包括:
确认所述待推荐用户与所述待推荐用户的关联产品之间的第一增量交互概率信息、确认所述待推荐产品与所述待推荐产品的关联用户之间的第二增量交互概率信息,以及确认所述关联用户与所述关联产品之间的第三增量交互概率信息;所述第一增量交互概率信息根据所述待推荐用户与所述关联产品确认得到;所述第二增量交互概率信息根据所述推荐产品与所述关联用户确认得到;所述第三增量交互概率根据所述关联用户与所述关联产品确认得到;
对所述第一增量交互概率信息、所述第二增量交互概率信息以及所述第三增量交互概率信息进行融合处理,得到所述待推荐用户与所述待推荐产品之间的增量交互概率信息。
在其中一个实施例中,所述确认所述待推荐用户与所述待推荐用户的关联产品之间的第一增量交互概率信息、确认所述待推荐产品与所述待推荐产品的关联用户之间的第二增量交互概率信息,包括:
针对各个所述待推荐产品,根据所述待推荐用户的用户特征信息,与所述待推荐用户的关联产品的关联产品特征信息,确认所述待推荐用户与所述待推荐用户的关联产品之间的第一增量交互概率信息;
针对各个所述待推荐产品,根据所述待推荐产品的产品特征信息,与所述待推荐产品的关联用户的关联用户特征信息,确认所述待推荐产品与所述待推荐产品的关联用户之间的第二增量交互概率信息。
在其中一个实施例中,在根据所述待推荐用户的用户特征信息,与所述待推荐用户的关联产品的关联产品特征信息,确认所述待推荐用户与所述待推荐用户的关联产品之间的第一增量交互概率信息之前,还包括:
将所述待推荐用户的历史交互产品中,除所述待推荐产品之外的产品,确认为所述待推荐用户的关联产品;
根据所述待推荐用户与所述关联产品之间的第一交互时间序列,确认与所述关联产品对应的第一时间权重;
根据所述第一时间权重,对所述关联产品的产品特征信息进行融合处理,得到所述关联产品的关联产品特征信息;
所述根据所述待推荐用户的用户特征信息,与所述待推荐用户的关联产品的关联产品特征信息,确认所述待推荐用户与所述待推荐用户的关联产品之间的第一增量交互概率信息,包括:
根据所述待推荐用户的用户特征信息,与所述待推荐用户的关联产品的关联产品特征信息,确认所述待推荐用户与所述关联产品之间的相似性信息,作为所述待推荐用户与所述待推荐用户的关联产品之间的第一增量交互概率信息。
在其中一个实施例中,在根据所述待推荐产品的产品特征信息,与所述待推荐产品的关联用户的关联用户特征信息,确认所述待推荐产品与所述待推荐产品的关联用户之间的第二增量交互概率信息之前,还包括:
将所述待推荐产品的历史交互用户中,除所述待推荐用户之外的用户,确认为所述待推荐产品的关联用户;
根据所述关联用户与所述待推荐产品之间的第二交互时间序列,确认与所述关联用户对应的第二时间权重;
根据所述第二时间权重,对所述关联用户的用户特征信息进行融合处理,得到所述关联用户的关联用户特征信息;
所述根据所述待推荐产品的产品特征信息,与所述待推荐产品的关联用户的关联用户特征信息,确认所述待推荐产品与所述待推荐产品的关联用户之间的第二增量交互概率信息,包括:
根据所述待推荐产品的产品特征信息,与所述待推荐产品的关联用户的关联用户特征信息,确认所述待推荐产品与所述关联用户之间的相似性信息,作为所述待推荐产品与所述待推荐产品的关联用户之间的第二增量交互概率信息。
在其中一个实施例中,所述根据所述目标交互概率信息,更新所述待推荐用户的用户特征信息,包括:
对所述目标交互概率信息进行归一化处理,得到归一化处理后的目标交互概率信息;
根据参考交互概率信息,对所述归一化处理后的目标交互概率信息进行更新,得到更新后的目标交互概率信息;所述参考交互概率信息为所述待推荐用户,与所述待推荐用户未交互过的产品之间的交互概率信息;目标交互概率信息为所述待推荐用户,与所述待推荐用户交互过的产品之间的交互概率信息;
根据所述更新后的目标交互概率信息,对所述待推荐用户的用户特征信息进行更新。
在其中一个实施例中,所述根据所述待推荐用户的更新后的用户特征信息,从所述待推荐产品中筛选出与所述待推荐用户匹配的目标产品,包括:
根据所述待推荐用户的更新后的用户特征信息,与所述待推荐产品的产品特征信息,确认所述待推荐用户对所述待推荐产品的交互指标信息;
将对应的交互指标信息满足预设交互指标条件的待推荐产品,确认为与所述待推荐用户匹配的目标产品。
第二方面,本申请还提供了一种产品推荐装置。所述装置包括:
基础信息确认模块,用于获取待推荐用户与待推荐产品之间的基础交互概率信息;
增量信息确认模块,用于根据所述待推荐用户、所述待推荐用户的关联产品、所述待推荐产品,以及所述待推荐产品的关联用户,确认所述待推荐用户与所述待推荐产品之间的增量交互概率信息;所述待推荐用户的关联产品为所述待推荐用户的历史交互产品中,除所述待推荐产品之外的产品;所述待推荐产品的关联用户为所述待推荐产品的历史交互用户中,除所述待推荐用户之外的用户;
信息融合处理模块,用于对所述基础交互概率信息与所述增量交互概率信息进行融合处理,得到所述待推荐用户与所述待推荐产品之间的目标交互概率信息;
特征信息更新模块,用于根据所述目标交互概率信息,更新所述待推荐用户的用户特征信息;
目标产品推荐模块,用于根据所述待推荐用户的更新后的用户特征信息,从所述待推荐产品中筛选出与所述待推荐用户匹配的目标产品,将所述目标产品推荐给所述待推荐用户。
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:
获取待推荐用户与待推荐产品之间的基础交互概率信息;
根据所述待推荐用户、所述待推荐用户的关联产品、所述待推荐产品,以及所述待推荐产品的关联用户,确认所述待推荐用户与所述待推荐产品之间的增量交互概率信息;所述待推荐用户的关联产品为所述待推荐用户的历史交互产品中,除所述待推荐产品之外的产品;所述待推荐产品的关联用户为所述待推荐产品的历史交互用户中,除所述待推荐用户之外的用户;
对所述基础交互概率信息与所述增量交互概率信息进行融合处理,得到所述待推荐用户与所述待推荐产品之间的目标交互概率信息;
根据所述目标交互概率信息,更新所述待推荐用户的用户特征信息;
根据所述待推荐用户的更新后的用户特征信息,从所述待推荐产品中筛选出与所述待推荐用户匹配的目标产品,将所述目标产品推荐给所述待推荐用户。
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:
获取待推荐用户与待推荐产品之间的基础交互概率信息;
根据所述待推荐用户、所述待推荐用户的关联产品、所述待推荐产品,以及所述待推荐产品的关联用户,确认所述待推荐用户与所述待推荐产品之间的增量交互概率信息;所述待推荐用户的关联产品为所述待推荐用户的历史交互产品中,除所述待推荐产品之外的产品;所述待推荐产品的关联用户为所述待推荐产品的历史交互用户中,除所述待推荐用户之外的用户;
对所述基础交互概率信息与所述增量交互概率信息进行融合处理,得到所述待推荐用户与所述待推荐产品之间的目标交互概率信息;
根据所述目标交互概率信息,更新所述待推荐用户的用户特征信息;
根据所述待推荐用户的更新后的用户特征信息,从所述待推荐产品中筛选出与所述待推荐用户匹配的目标产品,将所述目标产品推荐给所述待推荐用户。
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:
获取待推荐用户与待推荐产品之间的基础交互概率信息;
根据所述待推荐用户、所述待推荐用户的关联产品、所述待推荐产品,以及所述待推荐产品的关联用户,确认所述待推荐用户与所述待推荐产品之间的增量交互概率信息;所述待推荐用户的关联产品为所述待推荐用户的历史交互产品中,除所述待推荐产品之外的产品;所述待推荐产品的关联用户为所述待推荐产品的历史交互用户中,除所述待推荐用户之外的用户;
对所述基础交互概率信息与所述增量交互概率信息进行融合处理,得到所述待推荐用户与所述待推荐产品之间的目标交互概率信息;
根据所述目标交互概率信息,更新所述待推荐用户的用户特征信息;
根据所述待推荐用户的更新后的用户特征信息,从所述待推荐产品中筛选出与所述待推荐用户匹配的目标产品,将所述目标产品推荐给所述待推荐用户。
上述产品推荐方法、装置、计算机设备、存储介质和计算机程序产品,首先获取待推荐用户与待推荐产品之间的基础交互概率信息;接着根据待推荐用户、待推荐用户的关联产品、待推荐产品,以及待推荐产品的关联用户,确认待推荐用户与待推荐产品之间的增量交互概率信息;待推荐用户的关联产品为待推荐用户的历史交互产品中,除待推荐产品之外的产品;待推荐产品的关联用户为待推荐产品的历史交互用户中,除待推荐用户之外的用户;然后对基础交互概率信息与增量交互概率信息进行融合处理,得到待推荐用户与待推荐产品之间的目标交互概率信息;再然后根据目标交互概率信息,更新待推荐用户的用户特征信息;最后根据待推荐用户的更新后的用户特征信息,从待推荐产品中筛选出与待推荐用户匹配的目标产品,将目标产品推荐给待推荐用户。这样,通过综合考虑待推荐用户交互过的产品和与待推荐产品交互过的用户,对待推荐用户和待推荐产品的影响,得到待推荐用户和待推荐产品之间的目标交互概率信息,然后基于目标交互概率信息,对待推荐用户的用户特征信息进行更新,进而为待推荐用户筛选出匹配的目标产品,并将目标产品推荐给待推荐用户;基于以上对待推荐用户交互过的产品和与待推荐产品交互过用户的分析过程,丰富了用户侧的用户特征信息,有利于更加准确地捕获用户和产品之间的动态交互信息,因此可以为用户推荐更加合适的产品,提升了产品推荐的准确性。
附图说明
图1为一个实施例中产品推荐方法的流程示意图;
图2为一个实施例中确认第一增量交互概率信息的步骤的流程示意图;
图3为一个实施例中确认第二增量交互概率信息的步骤的流程示意图;
图4为一个实施例中根据交互指标信息得到的交互序列的示意图;
图5为另一个实施例中产品推荐方法的流程示意图;
图6为一个实施例中产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。
在一示例性实施例中,如图1所示,提供了一种产品推荐方法,本实施例以该方法应用于服务器进行举例说明;可以理解的是,该方法也可以应用于终端,还可以应用于包括服务器和终端的系统,并通过服务器和终端之间的交互实现。其中,服务器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;终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能电视、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。本实施例中,结合金融产品的推荐场景对该产品推荐方法进行详细描述,该方法包括以下步骤:
步骤S102,获取待推荐用户与待推荐产品之间的基础交互概率信息。
其中,待推荐用户与待推荐产品为此次产品推荐过程的研究对象;且待推荐产品为待推荐用户的历史交互产品,即本实施例中的产品推荐,实际上是从待推荐用户的历史交互产品中,筛选出需要推荐给用户的产品的过程。以金融产品的推荐场景为例,待推荐产品可为金融产品,例如基金、股票等投资理财产品。
其中,基础交互概率信息为表征待推荐用户与待推荐产品之间发生交互事件的固有交互概率;基础交互概率信息只由待推荐用户与待推荐产品本身的属性所决定,不受其它用户和产品的影响。
具体地,服务器通过待推荐用户的用户特征信息与待推荐产品的产品特征信息,确认待推荐用户与待推荐产品之间的相似性信息,并将相似性信息作为待推荐用户与待推荐产品之间的基础交互概率信息。待推荐用户的用户特征信息用于表征待推荐用户在过去一段时间内的历史交互情况,例如在某具体时间点与某产品产生了交互行为,能够理解的是,在同一时间点,待推荐用户可以与多个产品产生交互行为。待推荐产品的产品特征信息用于表征产品的属性,以金融产品为例,产品的属性可以但不限于是购买人数、持有人数、近七日增长率、历史收益率、估值、净值等。
举例说明,服务器可以采用欧式平方距离衡量相似性信息,也可以采用余弦相似性衡量相似性信息,从而获取待推荐用户与待推荐产品之间的基础交互概率信息。
欧式平方距离衡量相似性信息的具体公式如公式1所示:
f
其中,z
余弦相似性衡量相似性信息的具体公式如公式2所示:
其中,
步骤S104,根据待推荐用户、待推荐用户的关联产品、待推荐产品,以及待推荐产品的关联用户,确认待推荐用户与待推荐产品之间的增量交互概率信息。
其中,待推荐用户的关联产品为待推荐用户的历史交互产品中,除待推荐产品之外的产品;待推荐产品的关联用户为待推荐产品的历史交互用户中,除待推荐用户之外的用户。例如,用户x
其中,增量交互概率信息用于表征关联用户与关联产品对待推荐用户与待推荐产品的影响,增量交互概率信息由待推荐用户、待推荐用户历史交互过的其它产品、待推荐产品以及与待推荐产品交互过的其它用户的属性所决定。
具体地,服务器根据待推荐用户与待推荐用户的关联产品、待推荐产品与待推荐产品的关联用户,以及关联产品与关联用户三组关系,充分考虑关联用户与关联产品对待推荐用户和待推荐产品的影响,从而确认待推荐用户与待推荐产品之间的增量交互概率信息。
举例说明,针对待推荐用户x
步骤S106,对基础交互概率信息与增量交互概率信息进行融合处理,得到待推荐用户与待推荐产品之间的目标交互概率信息。
其中,目标交互概率信息用于表征既考虑了待推荐用户与待推荐产品之间发生交互事件的固有交互概率,又考虑了关联用户与关联产品对待推荐用户与待推荐产品的影响的交互概率。
具体地,服务器对基础交互概率信息与增量交互概率信息进行融合处理,得到待推荐用户与待推荐产品之间的目标交互概率信息,例如公式3:
其中,x为待推荐用户;y为待推荐产品;t为选取历史交互产品的参考时间;
能够理解的是,本申请实施例公开的产品推荐方法是通过机器学习来实现的,因此本申请实施例公开的公式实际上是对机器学习处理过程中相应的步骤所涉及的公式抽象得到的。在实际的应用中,服务器是将一个待推荐用户与其对应的多个待推荐产品作为一组入参,输入至机器学习模型中进行产品推荐。还能够理解的是,在通过机器学习模型进行产品推荐时,服务器可以每次输入一组入参进行产品推荐,也可以同时输入多组入参进行产品推荐。
步骤S108,根据目标交互概率信息,更新待推荐用户的用户特征信息。
具体地,服务器利用反向传播算法,根据目标交互概率信息,对待推荐用户的用户特征信息进行更新,从而实现对待推荐用户的用户特征信息的优化。
能够理解的是,在机器学习中,用户特征信息可以用表征向量来表示;举例说明,假设待推荐用户的用户特征信息为{1.12,1.45,1.34,1.90,1.67…},而目标交互概率为{0.85,0.45,0.023,0.71,0.12…},那么通过反向传播算法,得到待推荐用户的更新后的用户特征为{1.35,0.98,0.54,1.05,0.42…}。
步骤S110,根据待推荐用户的更新后的用户特征信息,从待推荐产品中筛选出与待推荐用户匹配的目标产品,将目标产品推荐给待推荐用户。
具体地,服务器根据待推荐用户的更新后的用户特征信息,从待推荐产品中筛选出满足预设交互指标条件的待推荐产品,作为与待推荐用户匹配的目标产品,并将目标产品推荐给待推荐用户。
举例说明,假设通过待推荐用户的更新后的用户特征信息,服务器在待推荐用户x
上述产品推荐方法中,服务器通过综合考虑待推荐用户交互过的产品和与待推荐产品交互过的用户,对待推荐用户和待推荐产品的影响,得到待推荐用户和待推荐产品之间的目标交互概率信息,然后基于目标交互概率信息,对待推荐用户的用户特征信息进行更新,进而为待推荐用户筛选出匹配的目标产品,并将目标产品推荐给待推荐用户;服务器基于以上对待推荐用户交互过的产品和与待推荐产品交互过用户的分析过程,丰富了用户侧的用户特征信息,有利于更加准确地捕获用户和产品之间的动态交互信息,因此可以为用户推荐更加合适的产品,提升了产品推荐的准确性。
在一示例性实施例中,上述步骤S104,根据待推荐用户、待推荐用户的关联产品、待推荐产品,以及待推荐产品的关联用户,确认待推荐用户与待推荐产品之间的增量交互概率信息,具体包括以下内容:确认待推荐用户与待推荐用户的关联产品之间的第一增量交互概率信息、确认待推荐产品与待推荐产品的关联用户之间的第二增量交互概率信息,以及确认关联用户与关联产品之间的第三增量交互概率信息;对第一增量交互概率信息、第二增量交互概率信息以及第三增量交互概率信息进行融合处理,得到待推荐用户与待推荐产品之间的增量交互概率信息。
其中,第一增量交互概率信息根据待推荐用户与关联产品确认得到,用于表征关联产品对待推荐用户的影响;第二增量交互概率信息根据待推荐产品与关联用户确认得到,用于表征关联用户对待推荐产品的影响;第三增量交互概率信息根据关联用户与关联产品确认得到,用于表征关联用户与关联产品之间的影响。
具体地,服务器以待推荐用户与待推荐用户的关联产品、待推荐产品与待推荐产品的关联用户,以及关联用户与关联产品为三组对应关系,分别确认待推荐用户与待推荐用户的关联产品之间的第一增量交互概率信息、待推荐产品与待推荐产品的关联用户之间的第二增量交互概率信息,以及关联用户与关联产品之间的第三增量交互概率信息;然后通过预设的增量交互概率权值确认模型,分别确认第一增量交互概率信息、第二增量交互概率信息以及第三增量交互概率信息对应的权重;最后根据对应的权重,对第一增量交互概率信息、第二增量交互概率信息以及第三增量交互概率信息进行融合处理,得到待推荐用户与待推荐产品之间的增量交互概率信息。
举例说明,服务器通过如下公式4对第一增量交互概率信息、第二增量交互概率信息以及第三增量交互概率信息进行融合处理:
其中,
本实施例中,服务器通过待推荐用户与待推荐用户的关联产品、待推荐产品与待推荐产品的关联用户,以及关联用户与关联产品三组对应关系确认得到的第一增量交互概率信息、第二增量交互概率信息以及第三增量交互概率信息,能够将关联产品对待推荐用户的影响、关联用户对待推荐产品的影响,以及关联产品与关联用户之间的影响,纳入待推荐用户与待推荐产品之间的交互概率的考量范围内,从而实现了在产品推荐过程中综合考虑关联产品与关联用户对交互概率的影响,进一步提升了产品推荐的准确性。
在一示例性实施例中,上述步骤,确认待推荐用户与待推荐用户的关联产品之间的第一增量交互概率信息、确认待推荐产品与待推荐产品的关联用户之间的第二增量交互概率信息,具体包括以下内容:针对各个待推荐产品,根据待推荐用户的用户特征信息,与待推荐用户的关联产品的关联产品特征信息,确认待推荐用户与待推荐用户的关联产品之间的第一增量交互概率信息;针对各个待推荐产品,根据待推荐产品的产品特征信息,与待推荐产品的关联用户的关联用户特征信息,确认待推荐产品与待推荐产品的关联用户之间的第二增量交互概率信息。
其中,待推荐用户的关联产品的关联产品特征信息,通过综合各个关联产品的产品特征信息得到;待推荐产品的关联用户的关联用户特征信息,通过综合各个关联用户的用户特征信息得到。
具体地,首先服务器针对各个待推荐产品,分别根据待推荐用户的用户特征信息,与待推荐用户的关联产品的关联产品特征信息,确认第一增量交互概率信息,以及根据待推荐产品的产品特征信息,与待推荐产品的关联用户的关联用户特征信息,确认第二增量交互概率信息;此外,服务器还需要根据关联用户的关联用户特征信息,与关联产品的关联产品特征信息,确认第三增量交互概率信息。
举例说明,针对待推荐用户x
能够理解的是,若此时需要确认的是对应于待推荐用户x
本实施例中,服务器通过待推荐用户的用户特征信息与关联产品的关联产品特征信息、待推荐产品的产品特征信息与关联用户的关联用户特征信息,以及关联用户的关联用户特征信息与关联产品的关联产品特征信息,分别确认得到第一增量交互概率信息、第二增量交互概率信息以及第三增量交互概率信息,能够将研究对象(待推荐用户与待推荐产品)以外的关联用户和关联产品对研究对象的影响,具体分为关联产品对待推荐用户的影响、关联用户对待推荐产品的影响,以及关联用户与关联产品之间的影响,从而能够更加准确地得到待推荐用户与待推荐产品之间的交互概率,进而提升了产品推荐的准确性。
在一示例性实施例中,如图2所示,上述步骤根据待推荐用户的用户特征信息,与待推荐用户的关联产品的关联产品特征信息,确认待推荐用户与待推荐用户的关联产品之间的第一增量交互概率信息,具体通过以下步骤实现:
步骤S202,将待推荐用户的历史交互产品中,除待推荐产品之外的产品,确认为待推荐用户的关联产品。
步骤S204,根据待推荐用户与关联产品之间的第一交互时间序列,确认与关联产品对应的第一时间权重。
步骤S206,根据第一时间权重,对关联产品的产品特征信息进行融合处理,得到关联产品的关联产品特征信息。
步骤S208,根据待推荐用户的用户特征信息,与待推荐用户的关联产品的关联产品特征信息,确认待推荐用户与关联产品之间的相似性信息,作为待推荐用户与待推荐用户的关联产品之间的第一增量交互概率信息。
其中,待推荐用户与关联产品之间的第一交互时间序列,用于表征待推荐用户与各个关联产品的交互时间;关联产品对应的第一时间权重,用于表征各个关联产品对于待推荐用户的影响程度。
能够理解的是,与待推荐用户与待推荐产品之间的相似性信息类似,待推荐用户与关联产品之间的相似性信息同样可以采用欧式平方距离或余弦相似性来表示。
具体地,服务器首先获取待推荐用户的历史交互信息,将待推荐用户的历史交互产品中除待推荐产品以外的各个产品,确认为待推荐用户的关联产品,并根据历史交互信息,确认待推荐用户与各个关联产品发生交互行为的时间点,从而得到第一交互时间序列;然后将第一交互时间序列输入至第一时间权重确认模型中,得到各个关联产品对应的第一权重;接着根据第一权重,对各个关联产品的产品特征信息进行加权求和处理,得到关联产品的关联产品特征信息;最后再基于欧式平方距离或余弦相似性,根据待推荐用户的用户特征信息与关联产品的关联产品特征信息,计算待推荐用户与关联产品之间的相似性信息,从而得到第一增量交互概率信息。
以待推荐用户x
其中,t表示选取历史交互产品的参考时间;i为关联产品在第一交互时间序列中的序号;l为关联产品的总个数;
在得到各个关联产品对应的第一时间权重之后,服务器根据以下公式6确认关联产品的关联产品特征信息:
其中,i为关联产品在第一交互时间序列中的序号;l为关联产品的总个数;
最后,服务器根据待推荐用户的用户特征信息与关联产品的关联产品特征信息,确认待推荐用户与关联产品之间的相似性信息,作为待推荐用户与待推荐用户的关联产品之间的第一增量交互概率信息,具体如公式7所示:
其中,z
本实施例中,服务器通过历史交互信息,为待推荐用户确认关联产品,从而实现了在产品推荐过程中,充分考虑待推荐用户交互过的产品对待推荐用户的影响,进而能够更加准确地得到待推荐用户与待推荐产品之间的交互概率,提升了产品推荐的准确性。
在一示例性实施例中,如图3所示,上述步骤根据待推荐产品的产品特征信息,与待推荐产品的关联用户的关联用户特征信息,确认待推荐产品与待推荐产品的关联用户之间的第二增量交互概率信息,具体通过以下步骤实现:
步骤S302,将待推荐产品的历史交互用户中,除待推荐用户之外的用户,确认为待推荐产品的关联用户。
步骤S304,根据关联用户与待推荐产品之间的第二交互时间序列,确认与关联用户对应的第二时间权重。
步骤S306,根据第二时间权重,对关联用户的用户特征信息进行融合处理,得到关联用户的关联用户特征信息。
步骤S308,根据待推荐产品的产品特征信息,与待推荐产品的关联用户的关联用户特征信息,确认待推荐产品与关联用户之间的相似性信息,作为待推荐产品与待推荐产品的关联用户之间的第二增量交互概率信息。
其中,关联用户与待推荐产品之间的第二交互时间序列,用于表征各个关联用户与待推荐产品的交互时间;关联用户对应的第二时间权重,用于表征各个关联用户对于待推荐产品的影响程度。
能够理解的是,关联用户与待推荐产品之间的相似性信息同样可以采用欧式平方距离或余弦相似性来表示。
具体地,服务器首先获取待推荐产品的历史交互信息,将待推荐产品的历史交互用户中除待推荐用户以外的各个用户,确认为待推荐产品的关联用户,并根据历史交互信息,确认各个关联用户与待推荐产品发生交互行为的时间点,从而得到第二交互时间序列;然后将第二交互时间序列输入至第二时间权重确认模型中,得到各个关联用户对应的第二权重;接着根据第二权重,对各个关联用户的用户特征信息进行加权求和处理,得到关联用户的关联用户特征信息;最后再基于欧式平方距离或余弦相似性,根据待推荐产品的产品特征信息与关联用户的关联用户特征信息,计算待推荐产品与关联用户之间的相似性信息,从而得到第二增量交互概率信息。
举例说明,以待推荐用户x
其中,z
能够理解的是,服务器根据待推荐产品的产品特征信息与关联用户的关联用户特征信息,确认待推荐产品与关联用户之间的相似性信息的具体方法,与服务器根据待推荐用户的用户特征信息与关联产品的关联产品特征信息,确认待推荐用户与关联产品之间的相似性信息的具体方法类似,在此不再赘述。
能够理解的是,关联用户与关联产品之间的第三增量交互概率信息的确认过程,与第一增量交互概率信息、第二增量交互概率信息的确认过程类似:针对各个待推荐产品,服务器根据待关联用户的关联用户特征信息与关联产品的关联产品特征信息,确认关联用户与关联产品之间的相似性信息,作为关联用户与关联产品之间的第三增量交互概率信息,具体如公式9所示:
其中,z
基于以上过程,能够通过公式10得到待推荐用户与待推荐产品之间的增量交互概率信息:
h
然后,服务器再基于增量交互概率和基础交互概率信息,通公式11得到待推荐用户与待推荐产品之间的目标交互概率信息:
其中,μ
由于采用负的欧式平方距离衡量相似性,因此得到的目标交互概率信息为负数,为了便于数据处理,还可以如公式12所示,使用指数函数将目标交互概率信息转换为大于零的正实数形式:
本实施例中,服务器通过历史交互信息,为待推荐产品确认关联用户,从而实现了在产品推荐过程中,充分考虑曾经与待推荐产品交互过的用户对待推荐产品的影响,进而能够更加准确地得到待推荐用户与待推荐产品之间的交互概率,提升了产品推荐的准确性。
在一示例性实施例中,上述步骤S108,根据目标交互概率信息,更新待推荐用户的用户特征信息,具体包括以下内容:对目标交互概率信息进行归一化处理,得到归一化处理后的目标交互概率信息;根据参考交互概率信息,对归一化处理后的目标交互概率信息进行更新,得到更新后的目标交互概率信息;根据更新后的目标交互概率信息,对待推荐用户的用户特征信息进行更新。
其中,参考交互概率信息为待推荐用户,与待推荐用户未交互过的产品之间的交互概率信息;目标交互概率信息为待推荐用户,与待推荐用户交互过的产品之间的交互概率信息。
具体地,服务器首先通过公式13,对待推荐用户对应于各个待推荐产品的目标交互概率信息(正实数形式的目标交互概率信息)进行归一化处理:
其中,y′为待推荐用户的各个待推荐产品组成的产品集合;p(y|x)为待推荐用户x与待推荐产品y之间归一化处理后的目标交互概率信息。
然后,服务器再基于待推荐用户的历史交互信息,将所有的产品分为历史交互产品与参考交互产品;其中,历史交互产品为各个待推荐产品,参考交互产品为待推荐用户未曾交互过的产品;接着,服务器根据待推荐用户与参考交互产品之间的交互概率信息,基于以下更新函数公式14,对归一化处理后的目标交互概率信息进行更新:
其中,V为产品推荐过程涉及的所有用户组成的用户集合;logL即为更新后的目标交互概率信息。
为了减少更新函数的计算量,可以使用负采样来优化更新函数:以K为负采样样本的数量,负样本分布P(ν)服从当前用户节点度的3/4,并且以σ(a)=1/(1+exp(-a))作为激活函数。因此,一个用户节点和一个产品节点之间的log[p(y|x)]函数如公式15所示:
其中,Z
最后,服务器再根据更新后的目标交互概率信息,对待推荐用户的用户特征信息进行更新。
本实施例中,服务器对目标交互概率信息的归一化处理,能够使得各个目标交互概率信息在数值上被限定在一定的范围内,从而统一目标交互概率信息的统计分布性;同时,基于负采样对目标交互概率信息进行更新,能够使得目标交互概率信息数值大的尽量大,数值小的尽量小,这样,就能够在减少计算量的同时,获得符合统计规律的交互概率。
在一示例性实施例中,上述步骤S110,根据待推荐用户的更新后的用户特征信息,从待推荐产品中筛选出与待推荐用户匹配的目标产品,具体包括以下内容:根据待推荐用户的更新后的用户特征信息,与待推荐产品的产品特征信息,确认待推荐用户对待推荐产品的交互指标信息;将对应的交互指标信息满足预设交互指标条件的待推荐产品,确认为与待推荐用户匹配的目标产品。
其中,交互指标信息用于表征待推荐用户对待推荐产品的兴趣值,例如待推荐用户的用户特征信息与待推荐产品的产品特征信息之间的相似性,相似性越大,则说明兴趣值越高,即待推荐用户对待推荐产品的交互倾向越大。
具体地,服务器利用反向传播算法,根据目标交互概率信息对待推荐用户的用户特征信息进行更新,得到待推荐用户更新后的用户特征信息;然后再基于欧式平方距离或是余弦相似性,计算待推荐用户更新后的用户特征信息与各个待推荐产品的产品特征信息之间的相似性,作为待推荐用户对各个待推荐产品的交互指标信息;接着将对应的交互指标信息满足预设交互指标条件的待推荐产品作为目标产品,推荐给待推荐用户。
举例说明,假设服务器得到对应于各个待推荐产品的交互指标信息为{0.88,0.15,0.97,0.56,0.26,0.65…},而预设交互指标条件为交互指标信息大于0.8,那么说明对应的交互指标信息为0.88与0.97的两个待推荐产品为与待推荐用户匹配的目标产品,因此服务器将这两个产品推荐给待推荐用户。
再举例说明,如图4为根据交互指标信息得到的交互序列示意图,通过交互序列示意图,可以看出,在为待推荐用户推荐产品的时间点T时刻,待推荐产品C与待推荐产品D的交互指标信息较高,满足预设交互指标条件,因此将待推荐产品C与待推荐产品D作为目标产品,推荐给待推荐用户。
本实施例中,服务器通过待推荐用户的更新后的用户特征信息,与各个待推荐产品的产品特征信息,从多个待推荐产品中筛选出待推荐用户更加倾向发生交互行为的目标产品,从而实现对用户的精准产品推荐,提升了产品推荐的准确性。
在一示例性实施例中,如图5所示,提供了另一种产品推荐方法,以该方法应用于服务器为例进行说明,包括以下步骤:
步骤S501,获取待推荐用户与待推荐产品之间的基础交互概率信息。
步骤S502,针对各个待推荐产品,根据待推荐用户的用户特征信息,与待推荐用户的关联产品的关联产品特征信息,确认待推荐用户与待推荐用户的关联产品之间的第一增量交互概率信息。
其中,待推荐用户的关联产品为待推荐用户的历史交互产品中,除待推荐产品之外的产品。
步骤S503,针对各个待推荐产品,根据待推荐产品的产品特征信息,与待推荐产品的关联用户的关联用户特征信息,确认待推荐产品与待推荐产品的关联用户之间的第二增量交互概率信息。
步骤S504,针对各个待推荐产品,根据待推荐产品的关联用户的关联用户特征信息,与待推荐用户的关联产品的关联产品特征信息,确认关联用户与关联产品之间的第三增量交互概率信息。
其中,待推荐产品的关联用户为待推荐产品的历史交互用户中,除待推荐用户之外的用户。
步骤S505,对第一增量交互概率信息、第二增量交互概率信息以及第三增量交互概率信息进行融合处理,得到待推荐用户与待推荐产品之间的增量交互概率信息。
步骤S506,对基础交互概率信息与增量交互概率信息进行融合处理,得到待推荐用户与待推荐产品之间的目标交互概率信息。
步骤S507,对目标交互概率信息进行归一化处理,得到归一化处理后的目标交互概率信息,根据参考交互概率信息,对归一化处理后的目标交互概率信息进行更新,得到更新后的目标交互概率信息。
其中,参考交互概率信息为待推荐用户,与待推荐用户未交互过的产品之间的交互概率信息;目标交互概率信息为待推荐用户,与待推荐用户交互过的产品之间的交互概率信息。
步骤S508,根据更新后的目标交互概率信息,对待推荐用户的用户特征信息进行更新,根据待推荐用户的更新后的用户特征信息,与待推荐产品的产品特征信息,确认待推荐用户对待推荐产品的交互指标信息。
步骤S509,将对应的交互指标信息满足预设交互指标条件的待推荐产品,确认为与待推荐用户匹配的目标产品。
步骤S510,将目标产品推荐给待推荐用户。
本实施例中,服务器通过待推荐用户与待推荐用户的关联产品、待推荐产品与待推荐产品的关联用户,以及关联用户与关联产品三组对应关系确认得到的第一增量交互概率信息、第二增量交互概率信息以及第三增量交互概率信息,能够将关联产品对待推荐用户的影响、关联用户对待推荐产品的影响,以及关联产品与关联用户之间的影响,纳入待推荐用户与待推荐产品之间的交互概率的考量范围内,从而实现了在产品推荐过程中综合考虑关联产品与关联用户对待推荐用户与待推荐产品的影响。同时,服务器对目标交互概率信息的归一化处理和基于负采样的更新,能够使得目标交互概率信息数值大的尽量大,数值小的尽量小,这样,就能够在减少计算量的同时,获得符合统计规律的交互概率。基于以上过程得到的目标交互概率信息,能够为待推荐用户选择匹配的目标产品,从而实现对用户的精准产品推荐,提升了产品推荐的准确性。
为了更清晰阐明本申请实施例提供的产品推荐方法,以下以一个具体的实施例对该产品推荐方法进行具体说明。在一示例性实施例中,本申请还提供了一种基于多维霍克斯过程的金融产品推荐方法,具体包括以下步骤:
步骤1:服务器基于多维霍克斯过程与邻域影响序列模型,对用户与产品的交互序列进行建模,得到如公式3所示的用户与产品之间的交互事件发生的条件强度函数,条件强度函数包括两部分,一部分是基础交互概率信息,一部分是增量交互概率信息。
其中,增量交互概率信息又被分为三个部分,第一部分为待推荐产品的邻域产品对待推荐用户产生的影响;第二部分为待推荐用户的邻域用户对待推荐产品产生的影响;第三部分为邻域产品与邻域用户之间的影响。
步骤2:服务器根据用户特征信息与产品特征信息之间的相似性,通过公式1-公式11计算基础交互概率信息与增量交互概率信息,得到待推荐用户与待推荐产品之间发生交互事件的条件强度函数,并根据条件强度函数和公式12、公式13得到待推荐用户与待推荐产品之间发生交互事件的综合概率。
步骤3:服务器将综合概率应用到如公式14所示的对数似然函数中;然后服务器采用如公式15所示的负采样对数似然函数进行优化,以减小计算量,使得综合概率数值大的尽量大,数值小的尽量小,从而实现对综合概率的优化。
步骤4:服务器根据优化后的综合概率,对待推荐用户的用户特征信息进行方向传播更新,从而得到更新后的用户特征信息;并根据更新后的用户特征信息计算待推荐用户对各个待推荐产品的兴趣值,得到如图4所示的交互序列示意图。
步骤5:服务器根据如图4所示的交互序列示意图,将与待推荐用户匹配的产品推荐给待推荐用户。
本实施例中,服务器通过对用户行为与金融产品数据的深度挖掘,运用数学模型霍克斯过程,将用户的历史交互过程与用户自身的特性结合起来进行产品推荐,解决了金融产品精准营销成功率低的问题。该方法不仅可以提高金融产品推荐的有效性,还大大提高了工作人员进行产品推荐的效率。同时,在此过程中还能够有效地处理带有噪音的用户产品交互行为,有意识、有区别地学习序列相关性。基于以上过程的多维霍克斯过程的金融产品推荐方法,能够量化用户的倾向,为银行进行营销方案制定、精准营销实现了有效的数据支撑,进一步提高了产品推荐的准确性。
应该理解的是,虽然如上所述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,如上所述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品推荐方法的产品推荐装置。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品推荐装置实施例中的具体限定可以参见上文中对于产品推荐方法的限定,在此不再赘述。
在一示例性实施例中,如图6所示,提供了一种产品推荐装置,包括:基础信息确认模块602、增量信息确认模块604、信息融合处理模块606、特征信息更新模块608和目标产品推荐模块610,其中:
基础信息确认模块602,用于获取待推荐用户与待推荐产品之间的基础交互概率信息。
增量信息确认模块604,用于根据待推荐用户、待推荐用户的关联产品、待推荐产品,以及待推荐产品的关联用户,确认待推荐用户与待推荐产品之间的增量交互概率信息;待推荐用户的关联产品为待推荐用户的历史交互产品中,除待推荐产品之外的产品;待推荐产品的关联用户为待推荐产品的历史交互用户中,除待推荐用户之外的用户。
信息融合处理模块606,用于对基础交互概率信息与增量交互概率信息进行融合处理,得到待推荐用户与待推荐产品之间的目标交互概率信息。
特征信息更新模块608,用于根据目标交互概率信息,更新待推荐用户的用户特征信息。
目标产品推荐模块610,用于根据待推荐用户的更新后的用户特征信息,从待推荐产品中筛选出与待推荐用户匹配的目标产品,将目标产品推荐给待推荐用户。
在一示例性实施例中,增量信息确认模块604,还用于确认待推荐用户与待推荐用户的关联产品之间的第一增量交互概率信息、确认待推荐产品与待推荐产品的关联用户之间的第二增量交互概率信息,以及确认关联用户与关联产品之间的第三增量交互概率信息;第一增量交互概率信息根据待推荐用户与关联产品确认得到;第二增量交互概率信息根据推荐产品与关联用户确认得到;第三增量交互概率根据关联用户与关联产品确认得到;对第一增量交互概率信息、第二增量交互概率信息以及第三增量交互概率信息进行融合处理,得到待推荐用户与待推荐产品之间的增量交互概率信息。
在一示例性实施例中,增量信息确认模块604,还用于针对各个待推荐产品,根据待推荐用户的用户特征信息,与待推荐用户的关联产品的关联产品特征信息,确认待推荐用户与待推荐用户的关联产品之间的第一增量交互概率信息;针对各个待推荐产品,根据待推荐产品的产品特征信息,与待推荐产品的关联用户的关联用户特征信息,确认待推荐产品与待推荐产品的关联用户之间的第二增量交互概率信息。
在一示例性实施例中,产品推荐装置还包括关联产品特征信息确认模块,用于将待推荐用户的历史交互产品中,除待推荐产品之外的产品,确认为待推荐用户的关联产品;根据待推荐用户与关联产品之间的第一交互时间序列,确认与关联产品对应的第一时间权重;根据第一时间权重,对关联产品的产品特征信息进行融合处理,得到关联产品的关联产品特征信息。
增量信息确认模块604,还用于根据待推荐用户的用户特征信息,与待推荐用户的关联产品的关联产品特征信息,确认待推荐用户与关联产品之间的相似性信息,作为待推荐用户与待推荐用户的关联产品之间的第一增量交互概率信息。
在一示例性实施例中,产品推荐装置还包括关联用户特征信息确认模块,将待推荐产品的历史交互用户中,除待推荐用户之外的用户,确认为待推荐产品的关联用户;根据关联用户与待推荐产品之间的第二交互时间序列,确认与关联用户对应的第二时间权重;根据第二时间权重,对关联用户的用户特征信息进行融合处理,得到关联用户的关联用户特征信息。
增量信息确认模块604,还用于根据待推荐产品的产品特征信息,与待推荐产品的关联用户的关联用户特征信息,确认待推荐产品与关联用户之间的相似性信息,作为待推荐产品与待推荐产品的关联用户之间的第二增量交互概率信息。
在一示例性实施例中,特征信息更新模块608,还用于对目标交互概率信息进行归一化处理,得到归一化处理后的目标交互概率信息;根据参考交互概率信息,对归一化处理后的目标交互概率信息进行更新,得到更新后的目标交互概率信息;参考交互概率信息为待推荐用户,与待推荐用户未交互过的产品之间的交互概率信息;目标交互概率信息为待推荐用户,与待推荐用户交互过的产品之间的交互概率信息;根据更新后的目标交互概率信息,对待推荐用户的用户特征信息进行更新。
在一示例性实施例中,目标产品推荐模块610,还用于根据待推荐用户的更新后的用户特征信息,与待推荐产品的产品特征信息,确认待推荐用户对待推荐产品的交互指标信息;将对应的交互指标信息满足预设交互指标条件的待推荐产品,确认为与待推荐用户匹配的目标产品。
上述产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。
在一示例性实施例中,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用户的用户特征信息与产品的产品特征信息等数据。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。
在一示例性实施例中,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。
在一示例性实施例中,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。
在一示例性实施例中,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的,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。
- 产品推荐方法、装置、计算机设备和存储介质
- 跨平台产品推荐方法、装置、计算机设备和存储介质
- 产品推荐的方法、装置、计算机设备及可读存储介质
- 金融产品推荐方法、装置、计算机设备及存储介质
- 金融产品推荐方法、装置、计算机设备及存储介质
- 产品推荐方法、装置、计算机可读存储介质和计算机设备
- 重定向广告产品推荐用户装置和服务提供装置、包括该重定向广告产品推荐用户装置和服务提供装置的广告产品推荐系统、其控制方法以及其中记录有计算机程序的记录介质