信息推荐方法、装置、计算机设备和存储介质与流程

1.本技术涉及人工智能技术领域，特别是涉及一种信息推荐方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着人工智能技术的发展，出现了智能推荐技术；比如，在金融场景中，可以向客户推荐对应的信息，比如商户信息、活动信息等。
3.传统技术中，在进行信息推荐时，一般是基于协同过滤的方法进行相关推荐，该方法主要考虑客户和信息之间的相似度进行推荐；但是，在客户的行为记录较少的稀疏情况下，容易造成推荐的信息不够准确，从而导致信息推荐准确率较低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高信息推荐准确率的信息推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种信息推荐方法。所述方法包括：
6.从预先构建的知识图谱中，确定出待推荐客户的历史行为信息的关联信息，作为待推荐信息；所述知识图谱中包括商户信息和活动信息；
7.从所述知识图谱中，确定出与所述待推荐信息对应的多层关联信息集合，通过预先训练的多层预测模型，得到每一层关联信息集合对应的预测特征；
8.将所述每一层关联信息集合对应的预测特征进行融合处理，得到所述待推荐客户的客户特征；
9.根据所述待推荐信息的信息特征和所述待推荐客户的客户特征，得到所述待推荐信息的推荐概率；
10.根据所述推荐概率，从所述待推荐信息中，确定出与所述待推荐客户对应的目标推荐信息。
11.在其中一个实施例中，所述从所述知识图谱中，确定出与所述待推荐信息对应的多层关联信息集合，通过预先训练的多层预测模型，得到每一层关联信息集合对应的预测特征，包括：
12.从所述知识图谱中，确定出与所述待推荐信息对应的层级关联信息集合；
13.将所述待推荐信息的信息特征和所述层级关联信息集合中的关联信息的信息特征，输入预先训练的多层预测模型，得到所述层级关联信息集合对应的预测特征；
14.将所述层级关联信息集合中的关联信息作为新的待推荐信息，将所述层级关联信息集合对应的预测特征作为所述待推荐信息的信息特征，并跳转至所述从所述知识图谱中，确定出与所述待推荐信息对应的层级关联信息集合的步骤，直到得到的层级关联信息集合对应的预测特征为第n层关联信息集合对应的预测特征；n为大于或者等于2的正整数。
15.在其中一个实施例中，在从预先构建的知识图谱中，确定出待推荐客户的历史行
为信息的关联信息，作为待推荐信息之前，还包括：
16.获取历史客户的历史行为信息；
17.从所述历史行为信息中，提取出所述历史客户互动过的商户信息和活动信息；
18.识别出所述商户信息和所述活动信息之间的第一关联关系、所述商户信息之间的第二关联关系，以及所述活动信息之间的第三关联关系；
19.基于所述第一关联关系、所述第二关联关系和所述第三关联关系，构建知识图谱，作为所述预先构建的知识图谱。
20.在其中一个实施例中，所述预先训练的多层预测模型通过下述方式训练得到：
21.从历史客户的历史行为信息中，提取出所述历史客户依次互动过的第一信息和第二信息；
22.从预先构建的知识图谱中，确定出所述第一信息的关联信息，作为样本信息；
23.从所述知识图谱中，确定出与所述样本信息对应的多层样本关联信息集合，通过待训练的多层预测模型，得到每一层样本关联信息集合对应的预测特征；
24.将所述每一层样本关联信息集合对应的预测特征进行融合处理，得到所述历史客户的客户特征；
25.根据所述样本信息的信息特征和所述历史客户的客户特征，得到所述样本信息的推荐概率；
26.根据所述样本信息的推荐概率，从所述样本信息中，确定出与所述历史客户对应的目标信息；
27.根据所述目标信息与所述第二信息之间的差异，对所述待训练的多层预测模型进行训练，得到训练完成的多层预测模型，作为所述预先训练的多层预测模型。
28.在其中一个实施例中，所述从所述知识图谱中，确定出与所述样本信息对应的多层样本关联信息集合，通过待训练的多层预测模型，得到每一层样本关联信息集合对应的预测特征，包括：
29.从所述知识图谱中，确定出与所述样本信息对应的层级样本关联信息集合；
30.在所述层级样本关联信息集合中的样本关联信息的数量小于或者等于预设数量的情况下，将所述样本信息的信息特征和所述层级样本关联信息集合中的样本关联信息的信息特征，输入待训练的多层预测模型，得到所述层级样本关联信息集合对应的预测特征；
31.将所述层级样本关联信息集合中的样本关联信息作为新的样本信息，将所述层级样本关联信息集合对应的预测特征作为所述样本信息的信息特征，并跳转至所述从所述知识图谱中，确定出与所述样本信息对应的层级样本关联信息集合的步骤，直到得到的层级样本关联信息集合对应的预测特征为第n层样本关联信息集合对应的预测特征。
32.在其中一个实施例中，所述方法还包括：
33.在所述层级样本关联信息集合中的样本关联信息的数量大于所述预设数量的情况下，根据已得到的层级样本关联信息集合对应的预测特征，确定所述历史客户的当前客户特征；
34.根据所述样本关联信息的信息特征和所述历史客户的当前客户特征，得到所述样本关联信息的推荐概率；
35.对所述层级样本关联信息集合中，所述推荐概率靠前的所述预设数量的样本关联
信息进行保留，得到新的层级样本关联信息集合；
36.将所述样本信息的信息特征和所述新的层级样本关联信息集合中的样本关联信息的信息特征，输入待训练的多层预测模型，得到所述新的层级样本关联信息集合对应的预测特征。
37.在其中一个实施例中，所述根据所述推荐概率，从所述待推荐信息中，确定出与所述待推荐客户对应的目标推荐信息，包括：
38.从所述待推荐信息中，筛选出所述推荐概率大于预设概率的信息，作为所述目标推荐信息；
39.所述方法还包括：
40.将所述目标推荐信息，存储至与所述待推荐客户对应的推荐列表中；
41.按照所述推荐列表，向所述待推荐客户推荐所述目标推荐信息。
42.第二方面，本技术还提供了一种信息推荐装置。所述装置包括：
43.信息确定模块，用于从预先构建的知识图谱中，确定出待推荐客户的历史行为信息的关联信息，作为待推荐信息；所述知识图谱中包括商户信息和活动信息；
44.特征确定模块，用于从所述知识图谱中，确定出与所述待推荐信息对应的多层关联信息集合，通过预先训练的多层预测模型，得到每一层关联信息集合对应的预测特征；
45.融合处理模块，用于将所述每一层关联信息集合对应的预测特征进行融合处理，得到所述待推荐客户的客户特征；
46.概率确定模块，用于根据所述待推荐信息的信息特征和所述待推荐客户的客户特征，得到所述待推荐信息的推荐概率；
47.信息推荐模块，用于根据所述推荐概率，从所述待推荐信息中，确定出与所述待推荐客户对应的目标推荐信息。
48.第三方面，本技术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：
49.从预先构建的知识图谱中，确定出待推荐客户的历史行为信息的关联信息，作为待推荐信息；所述知识图谱中包括商户信息和活动信息；
50.从所述知识图谱中，确定出与所述待推荐信息对应的多层关联信息集合，通过预先训练的多层预测模型，得到每一层关联信息集合对应的预测特征；
51.将所述每一层关联信息集合对应的预测特征进行融合处理，得到所述待推荐客户的客户特征；
52.根据所述待推荐信息的信息特征和所述待推荐客户的客户特征，得到所述待推荐信息的推荐概率；
53.根据所述推荐概率，从所述待推荐信息中，确定出与所述待推荐客户对应的目标推荐信息。
54.第四方面，本技术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：
55.从预先构建的知识图谱中，确定出待推荐客户的历史行为信息的关联信息，作为待推荐信息；所述知识图谱中包括商户信息和活动信息；
56.从所述知识图谱中，确定出与所述待推荐信息对应的多层关联信息集合，通过预
先训练的多层预测模型，得到每一层关联信息集合对应的预测特征；
57.将所述每一层关联信息集合对应的预测特征进行融合处理，得到所述待推荐客户的客户特征；
58.根据所述待推荐信息的信息特征和所述待推荐客户的客户特征，得到所述待推荐信息的推荐概率；
59.根据所述推荐概率，从所述待推荐信息中，确定出与所述待推荐客户对应的目标推荐信息。
60.第五方面，本技术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：
61.从预先构建的知识图谱中，确定出待推荐客户的历史行为信息的关联信息，作为待推荐信息；所述知识图谱中包括商户信息和活动信息；
62.从所述知识图谱中，确定出与所述待推荐信息对应的多层关联信息集合，通过预先训练的多层预测模型，得到每一层关联信息集合对应的预测特征；
63.将所述每一层关联信息集合对应的预测特征进行融合处理，得到所述待推荐客户的客户特征；
64.根据所述待推荐信息的信息特征和所述待推荐客户的客户特征，得到所述待推荐信息的推荐概率；
65.根据所述推荐概率，从所述待推荐信息中，确定出与所述待推荐客户对应的目标推荐信息。
66.上述信息推荐方法、装置、计算机设备、存储介质和计算机程序产品，先从预先构建的知识图谱中，确定出待推荐客户的历史行为信息的关联信息，作为待推荐信息；知识图谱中包括商户信息和活动信息；然后从知识图谱中，确定出与待推荐信息对应的多层关联信息集合，通过预先训练的多层预测模型，得到每一层关联信息集合对应的预测特征；接着将每一层关联信息集合对应的预测特征进行融合处理，得到待推荐客户的客户特征；最后根据待推荐信息的信息特征和待推荐客户的客户特征，得到待推荐信息的推荐概率，并根据推荐概率，从待推荐信息中，确定出与待推荐客户对应的目标推荐信息。这样，在进行信息推荐时，先利用预先构建的知识图谱，确定出针对待推荐客户的待推荐信息，以及与待推荐信息对应的多层关联信息集合，再通过多层预测模型输出每一层关联信息集合对应的预测特征，并将这些预测特征进行融合处理，得到待推荐客户的客户特征，即通过知识图谱和多层预测模型，对待推荐客户的历史行为信息进行拓展处理，可以使得待推荐客户的客户特征更加稠密，从而丰富了客户侧特征，使得基于待推荐信息的信息特征和待推荐客户的客户特征得到的推荐概率更加准确，从而使得基于推荐概率确定出的目标推荐信息更加准确，进而提高了信息推荐准确率，避免了客户行为稀疏，导致信息推荐准确率较低的缺陷。
附图说明
67.图1为一个实施例中信息推荐方法的流程示意图；
68.图2为一个实施例中多层预测模型的多层预测示意图；
69.图3为一个实施例中得到每一层关联信息集合对应的预测特征的步骤的流程示意图；
70.图4为一个实施例中多层预测模型的训练步骤的流程示意图；
71.图5为另一个实施例中信息推荐方法的流程示意图；
72.图6为一个实施例中基于知识图谱的营销活动推荐方法的流程示意图；
73.图7为一个实施例中信息推荐装置的结构框图；
74.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
75.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术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技术，并不用于限定本技术。
76.需要说明的是，本技术提供的信息推荐方法、装置、计算机设备、存储介质和计算机程序产品，可用于金融科技领域，比如基于待推荐客户的历史行为信息，准确确定出针对待推荐客户的目标推荐信息，比如活动信息、商户信息等，从而实现了信息推荐准确率；也可以用于其他相关领域，比如在人工智能技术领域中，利用知识图谱和多层预测模型，自动确定出针对待推荐客户的目标推荐信息，从而实现了信息的智能推荐目的。
77.需要说明的是，本技术所涉及的用户信息(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。
78.在一个实施例中，如图1所示，提供了一种信息推荐方法，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，还可以应用于包括终端和服务器的系统，并通过终端和服务器之间的交互实现。其中，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、平板电脑等；服务器是指银行服务器，具体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。本实施例中，该方法包括以下步骤：
79.步骤s101，从预先构建的知识图谱中，确定出待推荐客户的历史行为信息的关联信息，作为待推荐信息；知识图谱中包括商户信息和活动信息。
80.其中，知识图谱中包括多个商户信息和多个活动信息，用于表征商户信息与活动信息之间的关联关系、商户信息与商户信息之间的关联关系、活动信息与活动信息之间的关联关系。而且，在知识图谱中，活动信息和商户信息均以节点的形式表示，关联关系以边的形式表示。例如，假设活动信息a1和商户信息b1之间存在关联关系，那么在知识图谱中，活动信息a1对应的节点和商户信息b1对应的节点之间存在连接边。在实际场景中，预先构建的知识图谱是指客户消费商户知识图谱。
81.需要说明的是，知识图谱是基于多个客户的历史行为信息构建得到的。
82.其中，商户信息用于表征商户，可以是指商户名称、商户地址等。活动信息用于表征活动，可以是指活动名称、活动地址、活动详情等。在实际场景中，商户信息是指商家信息，活动信息是指营销活动信息。
83.其中，待推荐客户是指当前需要推荐信息的已授权客户。待推荐客户的历史行为信息，是指待推荐客户的历史消费信息和/或历史参与信息；从历史消费信息中可以了解到待推荐客户历史消费过的商户信息(即历史消费商户信息)，从历史参与信息中可以了解到
待推荐客户历史参与过的活动信息(即历史参与活动信息)。
84.需要说明的是，待推荐客户的历史行为信息存在三种情况，分别是只包括历史消费商户信息(比如消费了哪些商户)、只包括历史参与活动信息(比如参与了哪些活动)、同时包括历史消费商户信息和历史参与活动信息(比如消费了某个商户，并参与了该商户的某个活动)。
85.其中，关联信息是指与待推荐客户的历史行为信息中的历史消费商户信息和/或历史参与活动信息关联的信息，具体是指知识图谱中与待推荐客户的历史消费商户信息和/或历史参与活动信息存在连接边的信息，比如商户信息、活动信息。待推荐信息是指知识图谱中与待推荐客户的历史消费商户信息和/或历史参与活动信息存在连接边的信息。
86.具体地，服务器响应于信息推荐请求，从数据库中获取待推荐客户的历史行为信息；从待推荐客户的历史行为信息中提取出历史消费信息和历史参与信息，并从历史消费信息中识别出历史消费商户信息，以及从历史参与信息中识别出历史参与活动信息。接着，服务器从数据库中获取预先构建的知识图谱，并从知识图谱中识别出与历史消费商户信息和/或历史参与活动信息存在连接边的信息，作为待推荐客户的历史行为信息的关联信息；最后将该关联信息确认为针对待推荐客户的待推荐信息。
87.举例说明，假设待推荐客户的历史行为信息中包括历史参与活动信息a2，而知识图谱中，与历史参与活动信息a2存在连接边的信息分别是活动信息a3、活动信息a4、商户信息b2、商户信息b3和商户信息b4，那么待推荐信息是指活动信息a3、活动信息a4、商户信息b2、商户信息b3和商户信息b4。
88.步骤s102，从知识图谱中，确定出与待推荐信息对应的多层关联信息集合，通过预先训练的多层预测模型，得到每一层关联信息集合对应的预测特征。
89.其中，每一层关联信息集合中包括多个关联信息。参考图2，第一层关联信息集合中包括的关联信息，是指知识图谱中待推荐信息的关联信息(即知识图谱中与待推荐信息关联的信息)，具体是指知识图谱中与待推荐信息存在连接边的信息。第二层关联信息集合中包括的关联信息，是指知识图谱中第一层关联信息集合中包括的关联信息的关联信息，具体是指知识图谱中与第一层关联信息集合中包括的关联信息存在连接边的信息。第三层关联信息集合中包括的关联信息，是指知识图谱中第二层关联信息集合中包括的关联信息的关联信息，具体是指知识图谱中与第二层关联信息集合中包括的关联信息存在连接边的信息。以此类推，可以得到多层关联信息集合。
90.需要说明的是，关联信息集合的层数可以是预设层数，也可以根据实际情况进行调整。
91.其中，每一层关联信息集合对应的预测特征，是指从每一层关联信息集合中拓展出来的待推荐客户的子客户特征。
92.其中，预先训练的多层预测模型是指能够输出每一层关联信息集合对应的预测特征的预测模型，比如多层推理模型。
93.具体地，服务器从知识图谱中确定出待推荐信息的关联信息，将待推荐信息的关联信息进行组合，得到第一层关联信息集合；接着从知识图谱中确定出第一层关联信息集合中的关联信息的关联信息，再将其进行组合，可以得到第二层关联信息集合；接着从知识图谱中确定出第二层关联信息集合中的关联信息的关联信息，再将其进行组合，可以得到
第三层关联信息集合；以此类推，可以得到与待推荐信息对应的多层关联信息集合。同时，服务器将每一层关联信息集合中的关联信息输入预先训练的多层预测模型，通过多层预测模型输出每一层关联信息集合对应的预测特征。
94.步骤s103，将每一层关联信息集合对应的预测特征进行融合处理，得到待推荐客户的客户特征。
95.其中，客户特征用于表征待推荐客户的客户信息，可以通过客户向量表示，具体由每一层关联信息集合对应的预测特征融合处理得到。
96.需要说明的是，通过将每一层关联信息集合对应的预测特征进行融合处理，可以将从每一层关联信息集合中拓展出来的待推荐客户的子客户特征进行拼接处理，从而得到待推荐客户的客户特征，进而实现了在待推荐客户的历史行为信息稀疏的情况下，对待推荐客户的历史行为信息进行拓展处理，使得待推荐客户的客户特征更加稠密，从而丰富了客户侧特征的目的。
97.具体地，服务器将每一层关联信息集合对应的预测特征进行拼接处理，得到拼接特征，并将拼接特征确认为待推荐客户的客户特征。例如，每一层关联信息集合对应的预测特征分别是u1、u2、u3
……
un，那么待推荐客户的客户特征为u＝u1+u2+u3+
……
+un。
98.步骤s104，根据待推荐信息的信息特征和待推荐客户的客户特征，得到待推荐信息的推荐概率。
99.其中，待推荐信息的信息特征用于表征待推荐信息的信息内容，可以通过信息向量表示。
100.其中，推荐概率用于衡量待推荐客户对待推荐信息的操作可能性。
101.具体地，服务器对待推荐信息进行特征提取处理，得到待推荐信息的信息特征，并将待推荐信息的信息特征和待推荐客户的客户特征，输入推荐概率预测模型中，通过推荐概率预测模型对待推荐信息的信息特征和待推荐客户的客户特征进行处理，得到待推荐信息的推荐概率。其中，推荐概率预测模型是一种基于信息的信息特征和客户的客户特征，计算出信息的推荐概率的模型。
102.进一步地，服务器还可以统计待推荐信息的信息特征和待推荐客户的客户特征之间的特征相似度，作为待推荐信息与待推荐客户之间的相似度；根据相似度，查询相似度与信息的推荐概率之间的对应关系(比如相似度越高，推荐概率越大)，得到待推荐信息的推荐概率。
103.步骤s105，根据推荐概率，从待推荐信息中，确定出与待推荐客户对应的目标推荐信息。
104.其中，目标推荐信息是指满足待推荐客户的信息，比如待推荐客户有可能消费的商户信息、待推荐客户有可能参与的活动信息。
105.具体地，服务器从待推荐信息中，筛选出推荐概率靠前的预设数量(比如前5个)的信息，作为与待推荐客户对应的目标推荐信息，便于后续将目标推荐信息推荐至待推荐客户，从而实现了信息的精准推荐。
106.上述实施例提供的信息推荐方法中，先从预先构建的知识图谱中，确定出待推荐客户的历史行为信息的关联信息，作为待推荐信息；知识图谱中包括商户信息和活动信息；然后从知识图谱中，确定出与待推荐信息对应的多层关联信息集合，通过预先训练的多层
预测模型，得到每一层关联信息集合对应的预测特征；接着将每一层关联信息集合对应的预测特征进行融合处理，得到待推荐客户的客户特征；最后根据待推荐信息的信息特征和待推荐客户的客户特征，得到待推荐信息的推荐概率，并根据推荐概率，从待推荐信息中，确定出与待推荐客户对应的目标推荐信息。这样，在进行信息推荐时，先利用预先构建的知识图谱，确定出针对待推荐客户的待推荐信息，以及与待推荐信息对应的多层关联信息集合，再通过多层预测模型输出每一层关联信息集合对应的预测特征，并将这些预测特征进行融合处理，得到待推荐客户的客户特征，即通过知识图谱和多层预测模型，对待推荐客户的历史行为信息进行拓展处理，可以使得待推荐客户的客户特征更加稠密，从而丰富了客户侧特征，使得基于待推荐信息的信息特征和待推荐客户的客户特征得到的推荐概率更加准确，从而使得基于推荐概率确定出的目标推荐信息更加准确，进而提高了信息推荐准确率，避免了客户行为稀疏，导致信息推荐准确率较低的缺陷。
107.在一个实施例中，如图3所示，上述步骤s102，从知识图谱中，确定出与待推荐信息对应的多层关联信息集合，通过预先训练的多层预测模型，得到每一层关联信息集合对应的预测特征，具体包括如下步骤：
108.步骤s301，从知识图谱中，确定出与待推荐信息对应的层级关联信息集合。
109.步骤s302，将待推荐信息的信息特征和层级关联信息集合中的关联信息的信息特征，输入预先训练的多层预测模型，得到层级关联信息集合对应的预测特征。
110.步骤s303，将层级关联信息集合中的关联信息作为新的待推荐信息，将层级关联信息集合对应的预测特征作为待推荐信息的信息特征，并跳转至步骤s301，直到得到的层级关联信息集合对应的预测特征为第n层关联信息集合对应的预测特征。
111.其中，n为大于或者等于2的正整数。
112.其中，层级关联信息集合是指第一层关联信息集合、第二层关联信息集合
……
第n层关联信息集合。
113.其中，多层预测模型能够根据待推荐信息的信息特征和层级关联信息集合中的关联信息的信息特征之间的关联情况，预测出待推荐客户的子行为信息，从而输出待推荐客户的子客户特征(通过预测特征表示)，有利于对待推荐客户的历史行为信息进行拓展处理，使得待推荐客户的客户特征更加稠密。
114.需要说明的是，在循环过程中，步骤s301中的待推荐信息会替换成上一轮得到的层级关联信息集合中的关联信息，步骤s302中的待推荐信息的信息特征会替换成上一轮得到的层级关联信息集合对应的预测特征。
115.具体地，服务器从知识图谱中，确定出待推荐信息的关联信息；将待推荐信息的关联信息进行组合，得到第一层关联信息集合；获取待推荐信息的信息特征和第一层关联信息集合中的关联信息的信息特征，并将待推荐信息的信息特征和第一层关联信息集合中的关联信息的信息特征，输入预先训练的多层预测模型，得到第一层关联信息集合对应的预测特征；例如，服务器利用多层预测模型，计算出待推荐信息的信息特征和第一层关联信息集合中的关联信息的信息特征之间的特征相似度，利用特征相似度与权重之间的对应关系，确定第一层关联信息集合中的关联信息的信息特征对应的权重；利用第一层关联信息集合中的关联信息的信息特征对应的权重，对第一层关联信息集合中的关联信息的信息特征进行融合处理，得到融合特征，作为第一层关联信息集合对应的预测特征。接着，服务器
从知识图谱中，确定出第一层关联信息集合中的关联信息的关联信息，再将其进行组合，可以得到第二层关联信息集合；获取第二层关联信息集合中的关联信息的信息特征，并将第一层关联信息集合对应的预测特征和第二层关联信息集合中的关联信息的信息特征，输入预先训练的多层预测模型，得到第二层关联信息集合对应的预测特征；接着，服务器从知识图谱中，确定出第二层关联信息集合中的关联信息的关联信息，再将其进行组合，可以得到第三层关联信息集合；获取第三层关联信息集合中的关联信息的信息特征，并将第二层关联信息集合对应的预测特征和第三层关联信息集合中的关联信息的信息特征，输入预先训练的多层预测模型，得到第三层关联信息集合对应的预测特征；以此类推，直到得到第n层关联信息集合和第n层关联信息集合对应的预测特征。
116.进一步地，在层级关联信息集合中的关联信息的数量大于预设数量的情况下，根据已得到的层级关联信息集合对应的预测特征，确定待推荐客户的当前客户特征；根据层级关联信息集合中的关联信息的信息特征和待推荐客户的当前客户特征，得到层级关联信息集合中的关联信息的推荐概率；对层级关联信息集合中，推荐概率靠前的预设数量(比如前5)的关联信息进行保留，得到新的层级关联信息集合；将待推荐信息的信息特征和新的层级关联信息集合中的关联信息的信息特征，输入预先训练的多层预测模型，得到新的层级关联信息集合对应的预测特征，作为对应层的关联信息集合的预测特征。
117.在本实施例中，通过从知识图谱中，确定出与待推荐信息对应的多层关联信息集合，并通过预先训练的多层预测模型，得到每一层关联信息集合对应的预测特征，而每一层关联信息集合对应的预测特征，可以表征待推荐客户的子客户特征，这样有利于对待推荐客户的历史行为信息进行拓展处理，使得待推荐客户的拓展后行为信息更加稠密，从而丰富了客户侧特征，使得后续基于待推荐信息的信息特征和待推荐客户的客户特征得到的推荐概率更加准确。
118.在一个实施例中，上述步骤s101，在从预先构建的知识图谱中，确定出待推荐客户的历史行为信息的关联信息，作为待推荐信息之前，还包括如下内容：获取历史客户的历史行为信息；从历史行为信息中，提取出历史客户互动过的商户信息和活动信息；识别出商户信息和活动信息之间的第一关联关系、商户信息之间的第二关联关系，以及活动信息之间的第三关联关系；基于第一关联关系、第二关联关系和第三关联关系，构建知识图谱，作为预先构建的知识图谱。
119.其中，第一关联关系用于表示商户信息和活动信息之间存在关联，第二关联关系用于表示商户信息与商户信息之间存在关联，第三关联关系用于表示活动信息与活动信息之间存在关联。
120.具体地，服务器从数据库中获取历史客户的历史行为信息；从历史行为信息中，提取出历史客户消费过的商户信息，以及历史客户参与过的活动信息；对商户信息和活动信息进行识别，得到商户信息和活动信息之间的第一关联关系、商户信息和商户信息之间的第二关联关系，以及活动信息与活动信息之间的第三关联关系；将商户信息和活动信息作为节点，同时利用第一关联关系、第二关联关系和第三关联关系，在存在关联的商户信息和活动信息对应的节点之间建立连接边、在存在关联的商户信息对应的节点之间建立连接边、在存在关联的活动信息对应的节点之间建立连接边，从而得到知识图谱，作为预先构建的知识图谱。
121.举例说明，服务器获取客户的历史消费数据，从历史消费数据中抽取出客户消费过的商户、历史参与过的营销活动等作为节点，抽取相关的地域、金额等信息作为节点的属性，同时根据不同商户和活动之间的关联关系，通过嵌入的方式转化为三元组数据《h,r,t》进行存储；其中，h是指头节点、t是指尾节点、r是指h和t之间的关系。最后，服务器根据三元组数据，构建客户消费商户知识图谱，并映射到向量空间；在构建得到的知识图谱中，可以是商户与活动之间有联系，也可以是活动与活动之间有联系，商户和商户之间有联系。
122.在本实施例中，获取历史客户的历史行为信息，从历史行为信息中挖掘出商户信息和活动信息之间的第一关联关系、商户信息之间的第二关联关系，以及活动信息之间的第三关联关系，并利用这些关联关系，构建得到知识图谱，有利于后续利用知识图谱和多层预测模型，对待推荐客户的历史行为信息进行拓展，使得待推荐客户的行为信息更加稠密。
123.在一个实施例中，如图4所示，本技术提供的信息推荐方法还包括预先训练的多层预测模型的训练步骤，具体包括如下步骤：
124.步骤s401，从历史客户的历史行为信息中，提取出历史客户依次互动过的第一信息和第二信息。
125.其中，第一信息是指历史客户的先消费过的商户信息或者先参与过的活动信息，第二信息是指历史客户后续消费过的商户信息或者后续参与过的活动信息。
126.步骤s402，从预先构建的知识图谱中，确定出第一信息的关联信息，作为样本信息。
127.其中，第一信息的关联信息是指知识图谱中与第一信息关联的信息，具体是指知识图谱中与第一信息存在连接边的信息。
128.步骤s403，从知识图谱中，确定出与样本信息对应的多层样本关联信息集合，通过待训练的多层预测模型，得到每一层样本关联信息集合对应的预测特征。
129.步骤s404，将每一层样本关联信息集合对应的预测特征进行融合处理，得到历史客户的客户特征。
130.步骤s405，根据样本信息的信息特征和历史客户的客户特征，得到样本信息的推荐概率。
131.步骤s406，根据样本信息的推荐概率，从样本信息中，确定出与历史客户对应的目标信息。
132.其中，目标信息是指样本信息中推荐概率最大的信息。
133.步骤s407，根据目标信息与第二信息之间的差异，对待训练的多层预测模型进行训练，得到训练完成的多层预测模型，作为预先训练的多层预测模型。
134.具体地，服务器从数据库中获取历史客户的历史行为信息，并从历史客户的历史行为信息，提取历史客户依次互动过的第一信息和第二信息；从预先构建的知识图谱中，确定出与第一信息存在连接边的信息，作为第一样本信息的关联信息，并将其确认为样本信息。然后，服务器从知识图谱中，确定出与样本信息对应的多层样本关联信息集合，通过待训练的多层预测模型，得到每一层样本关联信息集合对应的预测特征；将每一层样本关联信息集合对应的预测特征进行拼接处理，得到拼接特征，作为历史客户的客户特征；对样本信息进行特征提取处理，得到样本信息的信息特征；计算样本信息的信息特征和历史客户的客户特征之间的特征相似度，作为样本信息与历史客户之间的相似度，并获取与相似度
对应的推荐概率，作为样本信息的推荐概率。最后服务器从样本信息中筛选出推荐概率最大的信息，作为与历史客户对应的目标信息；根据目标信息与第二信息之间的差异，对待训练的多层预测模型进行迭代训练，直到满足训练结束条件，比如损失值小于预设阈值，则将满足训练结束条件的训练后的多层预测模型，作为训练完成的多层预测模型，从而得到预先训练的多层预测模型。例如，服务器根据目标信息与第二信息之间的差异，结合损失函数，计算得到损失值；在损失值大于或者等于预设阈值的情况下，利用损失值对待训练的多层预测模型的模型参数进行调整，并重复执行步骤s403至步骤s407，以对调整后的多层预测模型进行训练，直到根据训练后的多层预测模型得到的损失值小于预设阈值，则停止训练，并将该训练后的多层预测模型作为训练完成的多层预测模型。
135.举例说明，在知识图谱构建完成之后，服务器根据客户的历史消费数据，构建多层推理模型的训练样本集，并利用训练样本集对多层推理模型进行训练。首先对训练样本集中的客户的历史消费数据进行随机采样，得到对应商户节点和活动节点，并利用商户节点和活动节点，拓展出多个相邻节点，比如知识图谱中与商户节点或者活动节点相邻的节点；将每个相邻节点都作为模型的输入节点，并定义其向量表示为v，v∈rd。然后，服务器根据输入节点进行多层推理，每一次推理得到新一层的节点合集，节点合集中的三元组为(hi,ri,ti)，hi表示头节点，ri表示关系，ti表示尾节点。定义头节点hi对应的头向量为hi，尾节点ti对应的尾向量为ti，hi,ti∈rd；关系矩阵为ri，ri∈rd×d，d表示维度。关系矩阵是指头节点和知识图谱中其他节点的关系矩阵，如果关系矩阵中某两个节点对应的值为1，则说明这两个节点之间存在关系。接着，服务器通过下述公式计算第一层推算结果的输出向量：
[0136][0137][0138]
其中，表示第一层推算结果的输出向量，用于辅助计算第二层推算结果的输出向量以及最后面的客户向量u；表示v通过关系矩阵ri得到的第一层节点合集；同理，第二层节点合集通过将第一层节点合集中的各节点作为头节点，并结合关系矩阵计算得到，即输入节点通过关系矩阵得到第一层节点合集，第一层节点合集再根据关系矩阵得到第二层节点合集。在第二次推算中，第一层推算结果的输出向量作为第二轮推算的输入向量，用于代替v，以及利用第二层节点合集代替第一层节点合集
[0139]
然后，服务器根据各层推算结果的输出向量，计算客户向量u，具体计算公式如下：
[0140][0141]
其中，表示第n层推算结果的输出向量。
[0142]
接着，服务器使用预测函数，对客户向量u和输入节点(即相邻节点)的向量v进行计算，从而预测客户对商户节点或者活动节点潜在的消费概率。预测函数的计算公式如下：
[0143]
[0144][0145]
最后，服务器使用下述损失函数，对待训练的多层推理模型进行训练，通过迭代得到高精度的多层推理模型：
[0146][0147]
其中，minl表示损失值，y
uv
表示客户对商户或者活动的实际交互情况，表示预测出的消费概率，ir为知识图谱中关系张量的切片，v和e是知识图谱中实体的嵌入矩阵，r是关系的嵌入矩阵，λ1和λ2表示不同的系数。
[0148]
在本实施例中，利用历史客户的历史行为信息，并结合预先构建的知识图谱，对待训练的多层预测模型进行迭代训练，使得后续通过训练完成的多层预测模型输出的预测特征更加准确，进而使得基于预测特征融合得到的客户特征更加准确，进一步提高了客户特征的确定准确率。
[0149]
在一个实施例中，上述步骤s403，从知识图谱中，确定出与样本信息对应的多层样本关联信息集合，通过待训练的多层预测模型，得到每一层样本关联信息集合对应的预测特征，具体包括如下内容：从知识图谱中，确定出与样本信息对应的层级样本关联信息集合；在层级样本关联信息集合中的样本关联信息的数量小于或者等于预设数量的情况下，将样本信息的信息特征和层级样本关联信息集合中的样本关联信息的信息特征，输入待训练的多层预测模型，得到层级样本关联信息集合对应的预测特征；将层级样本关联信息集合中的样本关联信息作为新的样本信息，将层级样本关联信息集合对应的预测特征作为样本信息的信息特征，并跳转至从知识图谱中，确定出与样本信息对应的层级样本关联信息集合的步骤，直到得到的层级样本关联信息集合对应的预测特征为第n层样本关联信息集合对应的预测特征。
[0150]
其中，与样本信息对应的层级样本关联信息集合，由知识图谱中与样本信息存在连接边的信息构成。
[0151]
其中，利用预设数量来限制得到的层级样本关联信息集合中的样本关联信息的数量，避免层级样本关联信息集合中的样本关联信息较多，导致要推算的数据量较大。
[0152]
具体地，服务器从知识图谱中，确定出样本信息的关联信息；将样本信息的关联信息进行组合，得到对应的层级样本关联信息集合；判断层级样本关联信息集合中的样本关联信息的数量是否小于或者等于预设数量，若是，则获取样本信息的信息特征和层级样本关联信息集合中的样本关联信息的信息特征，并将样本信息的信息特征和层级样本关联信息集合中的样本关联信息的信息特征，输入待训练的多层预测模型，得到层级样本关联信息集合对应的预测特征；例如，服务器利用待训练的多层预测模型，计算出样本信息的信息特征和层级关联信息集合中的样本关联信息的信息特征之间的特征相似度，利用特征相似度与权重之间的对应关系，确定层级样本关联信息集合中的样本关联信息的信息特征对应的权重；利用层级样本关联信息集合中的样本关联信息的信息特征对应的权重，对层级样
本关联信息集合中的样本关联信息的信息特征进行融合处理，得到融合特征，作为层级样本关联信息集合对应的预测特征，从而完成一轮预测。接着，服务器将层级样本关联信息集合中的样本关联信息作为新的样本信息，以及将层级样本关联信息集合对应的预测特征作为样本信息的信息特征，并继续执行上述过程，直到得到的层级样本关联信息集合为第n层样本关联信息集合，以及得到的层级样本关联信息集合对应的预测特征为第n层样本关联信息集合对应的预测特征。
[0153]
在本实施例中，从知识图谱中，确定出与样本信息对应的多层样本关联信息集合，并通过待训练的多层预测模型，得到每一层样本关联信息集合对应的预测特征，有利于后续将每一层样本关联信息集合对应的预测特征进行融合处理，得到历史客户的客户特征，从而实现了对历史客户的稀疏行为信息进行拓展处理，使得历史客户的客户特征更加稠密的目的。
[0154]
在一个实施例中，在从知识图谱中，确定出与样本信息对应的层级样本关联信息集合之后，还包括如下内容：在层级样本关联信息集合中的样本关联信息的数量大于预设数量的情况下，根据已得到的层级样本关联信息集合对应的预测特征，确定历史客户的当前客户特征；根据样本关联信息的信息特征和历史客户的当前客户特征，得到样本关联信息的推荐概率；对层级样本关联信息集合中，推荐概率靠前的预设数量的样本关联信息进行保留，得到新的层级样本关联信息集合；将样本信息的信息特征和新的层级样本关联信息集合中的样本关联信息的信息特征，输入待训练的多层预测模型，得到新的层级样本关联信息集合对应的预测特征。
[0155]
其中，已得到的层级样本关联信息集合对应的预测特征，是指已经预测得到的各层样本关联信息集合对应的预测特征。例如，当前进行的是第三层预测，则已得到的层级样本关联信息集合对应的预测特征，是指第一层样本关联信息集合对应的预测特征和第二层样本关联信息集合对应的预测特征。
[0156]
具体地，在层级样本关联信息集合中的样本关联信息的数量(比如7)大于预设数量(比如5)的情况下，服务器将已得到的层级样本关联信息集合对应的预测特征进行拼接处理，得到对应的拼接特征，作为历史客户的当前客户特征；获取样本关联信息的信息特征和历史客户的当前客户特征之间的特征相似度，作为样本关联信息和历史客户之间的相似度；根据相似度，查询相似度与推荐概率之间的对应关系，得到样本关联信息的推荐概率；对层级样本关联信息集合中，推荐概率靠前的预设数量的样本关联信息进行保留，得到新的层级样本关联信息集合；比如，服务器按照推荐概率从高到低的顺序，对层级样本关联信息集合(i1，i2，i3，i4，i5，i6，i7)中的样本关联信息进行排列，得到排列后的样本关联信息为i7、i6、i5、i4、i3、i2、i1，由于预设数量为5，则对前5个样本关联信息进行保留，得到新的层级样本关联信息集合为(i7，i6，i5，i4，i3)。最后，服务器获取样本信息的信息特征和新的层级样本关联信息集合中的样本关联信息的信息特征，并将样本信息的信息特征和新的层级样本关联信息集合中的样本关联信息的信息特征，输入待训练的多层预测模型，得到新的层级样本关联信息集合对应的预测特征，作为对应层的样本关联信息集合的预测特征。
[0157]
举例说明，在训练过程中，由于每一层节点都可以根据关系矩阵计算出多个相关节点，当层数较多时，节点数量可能呈指数型增长，所以对节点数量做如下的限定：设定一
个限定值l来限制每次推测得到的新节点数量，防止推算的数据量呈指数型增长；当某一层推理的预测节点数大于限定值l时，先根据预测函数的结果，对该层推理得到的节点的推荐概率进行排序，并留下推荐概率较高的l个节点。
[0158]
在本实施例中，在层级样本关联信息集合中的样本关联信息的数量大于预设数量的情况下，根据已得到的层级样本关联信息集合对应的预测特征，确定历史客户的当前客户特征，并利用基于当前客户特征计算得到的样本关联信息的预测概率，对层级样本关联信息集合进行更新，有利于限制每一层样本关联信息集合中的样本关联信息的数量，能够有效降低数据量，避免了样本关联信息集合中的样本关联信息较多，导致要推算的数据量较大的缺陷。
[0159]
在一个实施例中，上述步骤s105，根据推荐概率，从待推荐信息中，确定出与待推荐客户对应的目标推荐信息，具体包括如下内容：从待推荐信息中，筛选出推荐概率大于预设概率的信息，作为目标推荐信息。进一步地，在步骤s105之后，还包括如下内容：将目标推荐信息，存储至与待推荐客户对应的推荐列表中；按照推荐列表，向待推荐客户推荐目标推荐信息。
[0160]
具体地，服务器从待推荐信息中，筛选出推荐概率大于预设概率的信息，将这些信息作为目标推荐信息；按照推荐概率从高到低的顺序，依次将目标推荐信息存储至与待推荐客户对应的推荐列表中。接着，服务器响应待推荐客户的推荐请求，将推荐列表中的目标推荐信息依次推荐至待推荐客户，从而实现了信息的精准推荐。进一步地，在存在待推荐客户的新增行为信息的情况下，服务器根据待推荐客户的新增行为信息，重新执行步骤s101至步骤s105，确定与待推荐客户对应的新的目标推荐信息，从而得到与待推荐客户对应的新的推荐列表，并按照新的推荐列表，向待推荐客户推荐新的目标推荐信息。进一步地，在发布新活动信息时，服务器从待推荐客户的推荐列表中，筛选出与新活动信息涉及的商户、地区等信息相关的信息，并将这些信息推荐至待推荐客户。进一步地，服务器还可以根据各个客户的推荐列表，统计出各个信息(比如商户信息或者活动信息)的潜在客户数据，并将其推送给相应的业务人员，以辅助业务人员推广相应的商户信息或者活动信息。
[0161]
举例说明，在得到训练完成的多层预测模型之后，服务器可以将该模型应用于客户化的营销活动推荐中，主要分为以下几种情形：
[0162]
①
初始情况下，服务器将从客户最近的消费、浏览信息中，提取出商户、活动信息，并将其作为模型输入，并使用多层推理模型进行预测，得到客户可能消费的商户和可能参与的活动信息，并将其存储到推荐列表中。服务器将根据推荐列表的信息，向客户推送相关商户的营销活动信息。
[0163]
②
当客户新增消费和浏览记录时，服务器将清空该客户的推荐列表，并将新纪录作为模型的输入，重新推理得到新的客户推荐列表，并向客户推送营销活动信息。
[0164]
③
当发布新的营销活动时，服务器将获取营销活动涉及的商户、地区等信息，并利用这些信息，对营销活动推荐列表中的数据进行筛选，根据筛选结果将营销活动的信息推送给客户。
[0165]
④
服务器基于营销活动推荐表，对商户/活动的潜在客户数据进行统计，并生成报表呈现给负责营销推广的业务人员，辅助业务人员推广营销活动，从而提高了业务人员与商户开展营销合作的效率和成功率。
[0166]
在本实施例中，根据推荐概率，从待推荐信息中，确定出与待推荐客户对应的目标推荐信息，并将目标推荐信息推荐至待推荐客户，有利于实现信息的精准推荐，从而提高了信息推荐准确率。
[0167]
在一个实施例中，如图5所示，提供了另一种信息推荐方法，以该方法应用于服务器为例进行说明，包括以下步骤：
[0168]
步骤s501，获取历史客户的历史行为信息；从历史行为信息中，提取出历史客户互动过的商户信息和活动信息。
[0169]
步骤s502，识别出商户信息和活动信息之间的第一关联关系、商户信息之间的第二关联关系，以及活动信息之间的第三关联关系。
[0170]
步骤s503，基于第一关联关系、第二关联关系和第三关联关系，构建知识图谱，作为预先构建的知识图谱。
[0171]
步骤s504，从预先构建的知识图谱中，确定出待推荐客户的历史行为信息的关联信息，作为待推荐信息。
[0172]
步骤s505，从知识图谱中，确定出与待推荐信息对应的层级关联信息集合。
[0173]
步骤s506，将待推荐信息的信息特征和层级关联信息集合中的关联信息的信息特征，输入预先训练的多层预测模型，得到层级关联信息集合对应的预测特征。
[0174]
步骤s507，将层级关联信息集合中的关联信息作为新的待推荐信息，将层级关联信息集合对应的预测特征作为待推荐信息的信息特征，并跳转至步骤s505，直到得到的层级关联信息集合对应的预测特征为第n层关联信息集合对应的预测特征；n为大于或者等于2的正整数。
[0175]
步骤s508，将每一层关联信息集合对应的预测特征进行融合处理，得到待推荐客户的客户特征。
[0176]
步骤s509，根据待推荐信息的信息特征和待推荐客户的客户特征，得到待推荐信息的推荐概率。
[0177]
步骤s510，从待推荐信息中，筛选出推荐概率大于预设概率的信息，作为目标推荐信息。
[0178]
步骤s511，将目标推荐信息，存储至与待推荐客户对应的推荐列表中；按照推荐列表，向待推荐客户推荐目标推荐信息。
[0179]
上述实施例提供的信息推荐方法，通过知识图谱和多层预测模型，对待推荐客户的历史行为信息进行拓展处理，可以使得待推荐客户的客户特征更加稠密，从而丰富了客户侧特征，使得基于待推荐信息的信息特征和待推荐客户的客户特征得到的推荐概率更加准确，从而使得基于推荐概率确定出的目标推荐信息更加准确，进而提高了信息推荐准确率，避免了客户行为稀疏，导致信息推荐准确率较低的缺陷。
[0180]
在一个实施例中，为了更清晰阐明本技术实施例提供的信息推荐方法，以下以一个具体的实施例对该信息推荐方法进行具体说明。在一个实施例中，本技术还提供了一种基于知识图谱的营销活动推荐方法，如图6所示，通过客户的历史消费记录生成营销活动知识图谱库，通过多层推理算法辅助推荐系统预测客户的消费倾向，并根据预测结果为客户精确推荐营销活动，有利于为客户提供更为精确的营销活动推荐，同时为商户提供更好的营销服务支持。
[0181]
具体包括如下内容：
[0182]
1、对客户的历史消费数据进行抽取，构建商户、活动知识图谱。
[0183]
2、根据客户的历史消费数据，生成模型训练样本。
[0184]
3、对样本记录进行随机采样，得到商户、活动节点，并获取该节点的多个关联节点(即知识图谱中与该节点相邻的节点)。利用多层推理模型对关联节点进行预测计算，留下预测分值较高的节点，并与样本库中客户的实际消费商户进行对比，实现迭代训练。例如，样本库中客户a在b商店做了消费后，后续又去c商店做了消费；在训练模型的时候，多层推理模型会把b商店作为源节点，并在知识图谱的基础上做扩展，预测下一个潜在消费商店是哪家，如果预测结果是c就正确了；预测结果不是c，就会调整多层推理模型的模型参数。
[0185]
4、将训练好的多层推理模型运用于实际的推荐过程中，使用客户最近的消费、浏览数据作为模型数据，预测客户可能消费的商户和参加的活动，将满足条件的节点及其属性进行标记，并存储到推荐列表中。
[0186]
5、推荐系统根据推荐列表中的记录，将营销活动信息推送给对应的客户，实现营销活动精确推荐。
[0187]
6、推荐系统统计商户和活动的潜在客户数据，推送给相关业务人员，辅助业务人员推广营销活动，并与更多的商户展开合作。
[0188]
上述基于知识图谱的营销活动推荐方法，可以达到以下技术效果：(1)借助知识图谱辅助推荐系统进行营销活动推荐，实现了营销活动的个性化推送。(2)优化了传统推荐方法的稀疏性问题，提高了营销活动推荐的精准性，并能够根据客户的最新消费和浏览情况对推荐列表进行更新。(3)可以辅助业务人员与更多的商户开展营销活动合作，为商户客户提供更优质的营销服务。
[0189]
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。
[0190]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的信息推荐方法的信息推荐装置。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信息推荐装置实施例中的具体限定可以参见上文中对于信息推荐方法的限定，在此不再赘述。
[0191]
在一个实施例中，如图7所示，提供了一种信息推荐装置，包括：信息确定模块710、集合确定模块720、融合处理模块730、概率确定模块740和信息推荐模块750，其中：
[0192]
信息确定模块710，用于从预先构建的知识图谱中，确定出待推荐客户的历史行为信息的关联信息，作为待推荐信息；知识图谱中包括商户信息和活动信息。
[0193]
特征确定模块720，用于从知识图谱中，确定出与待推荐信息对应的多层关联信息集合，通过预先训练的多层预测模型，得到每一层关联信息集合对应的预测特征。
[0194]
融合处理模块730，用于将每一层关联信息集合对应的预测特征进行融合处理，得
到待推荐客户的客户特征。
[0195]
概率确定模块740，用于根据待推荐信息的信息特征和待推荐客户的客户特征，得到待推荐信息的推荐概率。
[0196]
信息推荐模块750，用于根据推荐概率，从待推荐信息中，确定出与待推荐客户对应的目标推荐信息。
[0197]
在一个实施例中，特征确定模块720，还用于从知识图谱中，确定出与待推荐信息对应的层级关联信息集合；将待推荐信息的信息特征和层级关联信息集合中的关联信息的信息特征，输入预先训练的多层预测模型，得到层级关联信息集合对应的预测特征；将层级关联信息集合中的关联信息作为新的待推荐信息，将层级关联信息集合对应的预测特征作为待推荐信息的信息特征，并跳转至从知识图谱中，确定出与待推荐信息对应的层级关联信息集合的步骤，直到得到的层级关联信息集合对应的预测特征为第n层关联信息集合对应的预测特征；n为大于或者等于2的正整数。
[0198]
在一个实施例中，信息推荐装置还包括图谱构建模块，用于获取历史客户的历史行为信息；从历史行为信息中，提取出历史客户互动过的商户信息和活动信息；识别出商户信息和活动信息之间的第一关联关系、商户信息之间的第二关联关系，以及活动信息之间的第三关联关系；基于第一关联关系、第二关联关系和第三关联关系，构建知识图谱，作为预先构建的知识图谱。
[0199]
在一个实施例中，信息推荐装置还包括模型训练模块，用于从历史客户的历史行为信息中，提取出历史客户依次互动过的第一信息和第二信息；从预先构建的知识图谱中，确定出第一信息的关联信息，作为样本信息；从知识图谱中，确定出与样本信息对应的多层样本关联信息集合，通过待训练的多层预测模型，得到每一层样本关联信息集合对应的预测特征；将每一层样本关联信息集合对应的预测特征进行融合处理，得到历史客户的客户特征；根据样本信息的信息特征和历史客户的客户特征，得到样本信息的推荐概率；根据样本信息的推荐概率，从样本信息中，确定出与历史客户对应的目标信息；根据目标信息与第二信息之间的差异，对待训练的多层预测模型进行训练，得到训练完成的多层预测模型，作为预先训练的多层预测模型。
[0200]
在一个实施例中，模型训练模块，还用于从知识图谱中，确定出与样本信息对应的层级样本关联信息集合；在层级样本关联信息集合中的样本关联信息的数量小于或者等于预设数量的情况下，将样本信息的信息特征和层级样本关联信息集合中的样本关联信息的信息特征，输入待训练的多层预测模型，得到层级样本关联信息集合对应的预测特征；将层级样本关联信息集合中的样本关联信息作为新的样本信息，将层级样本关联信息集合对应的预测特征作为样本信息的信息特征，并跳转至从知识图谱中，确定出与样本信息对应的层级样本关联信息集合的步骤，直到得到的层级样本关联信息集合对应的预测特征为第n层样本关联信息集合对应的预测特征。
[0201]
在一个实施例中，模型训练模块，还用于在层级样本关联信息集合中的样本关联信息的数量大于预设数量的情况下，根据已得到的层级样本关联信息集合对应的预测特征，确定历史客户的当前客户特征；根据样本关联信息的信息特征和历史客户的当前客户特征，得到样本关联信息的推荐概率；对层级样本关联信息集合中，推荐概率靠前的预设数量的样本关联信息进行保留，得到新的层级样本关联信息集合；将样本信息的信息特征和
新的层级样本关联信息集合中的样本关联信息的信息特征，输入待训练的多层预测模型，得到新的层级样本关联信息集合对应的预测特征。
[0202]
在一个实施例中，信息推荐模块750，还用于从待推荐信息中，筛选出推荐概率大于预设概率的信息，作为目标推荐信息；将目标推荐信息，存储至与待推荐客户对应的推荐列表中；按照推荐列表，向待推荐客户推荐目标推荐信息。
[0203]
上述信息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。
[0204]
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8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知识图谱、历史行为信息、推荐信息等数据。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信息推荐方法。
[0205]
本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术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。
[0206]
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。
[0207]
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。
[0208]
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。
[0209]
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，本技术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-only memory，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 random access memory，dram)等。本技术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。本技术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。
[0210]
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。
[0211]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种信息推荐方法，其特征在于，所述方法包括：从预先构建的知识图谱中，确定出待推荐客户的历史行为信息的关联信息，作为待推荐信息；所述知识图谱中包括商户信息和活动信息；从所述知识图谱中，确定出与所述待推荐信息对应的多层关联信息集合，通过预先训练的多层预测模型，得到每一层关联信息集合对应的预测特征；将所述每一层关联信息集合对应的预测特征进行融合处理，得到所述待推荐客户的客户特征；根据所述待推荐信息的信息特征和所述待推荐客户的客户特征，得到所述待推荐信息的推荐概率；根据所述推荐概率，从所述待推荐信息中，确定出与所述待推荐客户对应的目标推荐信息。2.根据权利要求1所述的方法，其特征在于，所述从所述知识图谱中，确定出与所述待推荐信息对应的多层关联信息集合，通过预先训练的多层预测模型，得到每一层关联信息集合对应的预测特征，包括：从所述知识图谱中，确定出与所述待推荐信息对应的层级关联信息集合；将所述待推荐信息的信息特征和所述层级关联信息集合中的关联信息的信息特征，输入预先训练的多层预测模型，得到所述层级关联信息集合对应的预测特征；将所述层级关联信息集合中的关联信息作为新的待推荐信息，将所述层级关联信息集合对应的预测特征作为所述待推荐信息的信息特征，并跳转至所述从所述知识图谱中，确定出与所述待推荐信息对应的层级关联信息集合的步骤，直到得到的层级关联信息集合对应的预测特征为第n层关联信息集合对应的预测特征；n为大于或者等于2的正整数。3.根据权利要求1所述的方法，其特征在于，在从预先构建的知识图谱中，确定出待推荐客户的历史行为信息的关联信息，作为待推荐信息之前，还包括：获取历史客户的历史行为信息；从所述历史行为信息中，提取出所述历史客户互动过的商户信息和活动信息；识别出所述商户信息和所述活动信息之间的第一关联关系、所述商户信息之间的第二关联关系，以及所述活动信息之间的第三关联关系；基于所述第一关联关系、所述第二关联关系和所述第三关联关系，构建知识图谱，作为所述预先构建的知识图谱。4.根据权利要求1所述的方法，其特征在于，所述预先训练的多层预测模型通过下述方式训练得到：从历史客户的历史行为信息中，提取出所述历史客户依次互动过的第一信息和第二信息；从预先构建的知识图谱中，确定出所述第一信息的关联信息，作为样本信息；从所述知识图谱中，确定出与所述样本信息对应的多层样本关联信息集合，通过待训练的多层预测模型，得到每一层样本关联信息集合对应的预测特征；将所述每一层样本关联信息集合对应的预测特征进行融合处理，得到所述历史客户的客户特征；根据所述样本信息的信息特征和所述历史客户的客户特征，得到所述样本信息的推荐
概率；根据所述样本信息的推荐概率，从所述样本信息中，确定出与所述历史客户对应的目标信息；根据所述目标信息与所述第二信息之间的差异，对所述待训练的多层预测模型进行训练，得到训练完成的多层预测模型，作为所述预先训练的多层预测模型。5.根据权利要求4所述的方法，其特征在于，所述从所述知识图谱中，确定出与所述样本信息对应的多层样本关联信息集合，通过待训练的多层预测模型，得到每一层样本关联信息集合对应的预测特征，包括：从所述知识图谱中，确定出与所述样本信息对应的层级样本关联信息集合；在所述层级样本关联信息集合中的样本关联信息的数量小于或者等于预设数量的情况下，将所述样本信息的信息特征和所述层级样本关联信息集合中的样本关联信息的信息特征，输入待训练的多层预测模型，得到所述层级样本关联信息集合对应的预测特征；将所述层级样本关联信息集合中的样本关联信息作为新的样本信息，将所述层级样本关联信息集合对应的预测特征作为所述样本信息的信息特征，并跳转至所述从所述知识图谱中，确定出与所述样本信息对应的层级样本关联信息集合的步骤，直到得到的层级样本关联信息集合对应的预测特征为第n层样本关联信息集合对应的预测特征。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：在所述层级样本关联信息集合中的样本关联信息的数量大于所述预设数量的情况下，根据已得到的层级样本关联信息集合对应的预测特征，确定所述历史客户的当前客户特征；根据所述样本关联信息的信息特征和所述历史客户的当前客户特征，得到所述样本关联信息的推荐概率；对所述层级样本关联信息集合中，所述推荐概率靠前的所述预设数量的样本关联信息进行保留，得到新的层级样本关联信息集合；将所述样本信息的信息特征和所述新的层级样本关联信息集合中的样本关联信息的信息特征，输入待训练的多层预测模型，得到所述新的层级样本关联信息集合对应的预测特征。7.根据权利要求1至6任一项所述的方法，其特征在于，所述根据所述推荐概率，从所述待推荐信息中，确定出与所述待推荐客户对应的目标推荐信息，包括：从所述待推荐信息中，筛选出所述推荐概率大于预设概率的信息，作为所述目标推荐信息；所述方法还包括：将所述目标推荐信息，存储至与所述待推荐客户对应的推荐列表中；按照所述推荐列表，向所述待推荐客户推荐所述目标推荐信息。8.一种信息推荐装置，其特征在于，所述装置包括：信息确定模块，用于从预先构建的知识图谱中，确定出待推荐客户的历史行为信息的关联信息，作为待推荐信息；所述知识图谱中包括商户信息和活动信息；特征确定模块，用于从所述知识图谱中，确定出与所述待推荐信息对应的多层关联信息集合，通过预先训练的多层预测模型，得到每一层关联信息集合对应的预测特征；
融合处理模块，用于将所述每一层关联信息集合对应的预测特征进行融合处理，得到所述待推荐客户的客户特征；概率确定模块，用于根据所述待推荐信息的信息特征和所述待推荐客户的客户特征，得到所述待推荐信息的推荐概率；信息推荐模块，用于根据所述推荐概率，从所述待推荐信息中，确定出与所述待推荐客户对应的目标推荐信息。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种信息推荐方法、装置、计算机设备、存储介质和计算机程序产品，可用于人工智能技术领域。该方法包括：从预先构建的知识图谱中，确定出待推荐客户的历史行为信息的关联信息，作为待推荐信息；知识图谱中包括商户信息和活动信息；从知识图谱中，确定出与待推荐信息对应的多层关联信息集合，通过预先训练的多层预测模型，得到每一层关联信息集合对应的预测特征；将每一层关联信息集合对应的预测特征进行融合处理，得到待推荐客户的客户特征；根据待推荐信息的信息特征和待推荐客户的客户特征，得到待推荐信息的推荐概率；根据推荐概率，从待推荐信息中，确定出与待推荐客户对应的目标推荐信息。采用本方法能够提高信息推荐准确率。推荐准确率。推荐准确率。


技术研发人员：刘志威 黄菁 唐琳娜 张彬
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.07.14
技术公布日：2023/10/11