账户推荐模型的训练方法、账户推荐方法、装置和设备与流程

1.本技术涉及互联网领域，特别是涉及一种账户推荐模型的训练方法、账户推荐方法、装置、系统、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着互联网技术的不断发展，数据挖掘技术在各行各业的使用也日益广泛，数据挖掘(data mining)就是从数据集或是海量数据中挖掘出隐藏的、前所未有的、有益于决策的关系,模式和趋势,并用挖掘出的知识和规则建立用于决策支持的模型，提供预测性决策支持的方法、工具和过程。
3.目前，在针对目标资源对象的目标账户(例如，用户)的相关数据的挖掘过程中，一般是对用户行为进行分析，进而根据用户特征对用户进行资源对象的推荐，这种方案会导致一些资源对象推荐偏少，交易数量偏低的问题，因此，目前的账户推荐技术中存在相当一部分资源对象交易数量偏低的问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种账户推荐模型的训练方法、账户推荐方法、装置、系统、计算机设备、存储介质和计算机程序产品。
5.第一方面，本技术提供了一种账户推荐模型的训练方法。所述方法包括：
6.获取预先训练好的通用账户推荐模型；
7.获取目标样本资源对象，以及获取所述目标样本资源对象关联的多个第一待推荐样本账户；所述第一待推荐样本账户为针对所述目标样本资源对象具有潜在预设行为的账户；
8.将所述目标样本资源对象，以及所述多个第一待推荐样本账户输入至所述通用账户推荐模型，得到各所述第一待推荐样本账户分别针对所述目标样本资源对象的预测资源转移倾向度；所述预测资源转移倾向度表征第一待推荐样本账户针对所述目标样本资源对象执行预设行为的预测概率；
9.根据所述目标样本资源对象的预测资源转移倾向度，获取所述目标样本资源对象对应的预测标准差；
10.基于所述预测标准差，将所述通用账户推荐模型中的初始标准差替换为所述预测标准差，得到所述目标样本资源对象的专用账户推荐模型；所述初始标准差为所述通用账户推荐模型中预设的标准差固定值。
11.在其中一个实施例中，所述获取目标样本资源对象，包括：获取多个候选样本资源对象，以及获取各所述候选样本资源对象分别关联的多个第二待推荐样本账户；所述候选样本资源对象为金融业务系统中待转移的资源对象；所述第二待推荐样本账户为针对所述候选样本资源对象具有潜在预设行为的账户；将所述候选样本资源对象，以及所述候选样本资源对象分别关联的多个第二待推荐样本账户输入至所述通用账户推荐模型，得到各所
述第二待推荐样本账户分别针对所述候选样本资源对象的预测资源转移倾向度；根据所述候选样本资源对象的预测资源转移倾向度，从所述多个候选样本资源对象中获取所述目标样本资源对象。
12.在其中一个实施例中，所述根据所述候选样本资源对象的预测资源转移倾向度，从所述多个候选样本资源对象中获取所述目标样本资源对象，包括：根据所述候选样本资源对象的预测资源转移倾向度，从所述多个第二待推荐样本账户获取预测资源转移倾向度最高的目标样本账户；所述目标样本账户为所述多个第二待推荐样本账户中预测资源转移倾向度最高的样本账户；根据所述目标样本账户针对所述候选样本资源对象的预测资源转移倾向度，获取所述候选样本资源对象的预测误差；根据各所述候选样本资源对象分别对应的所述预测误差，获取各所述候选样本资源对象的平均预测误差；将所述预测误差小于所述平均预测误差的所述候选样本资源对象确定为目标样本资源对象。
13.在其中一个实施例中，所述根据所述目标样本账户针对所述候选样本资源对象的预测资源转移倾向度，获取所述候选样本资源对象的预测误差，包括：获取所述目标样本账户对应的实际账户特征信息，以及根据所述目标样本账户针对所述候选样本资源对象的预测资源转移倾向度，获取所述目标样本账户对应的预测账户特征信息；将所述实际账户特征信息与所述预测账户特征信息之差确定为所述预测误差。
14.在其中一个实施例中，所述将所述目标样本资源对象，以及所述多个第一待推荐样本账户输入至所述通用账户推荐模型，得到各所述第一待推荐样本账户分别针对所述目标样本资源对象的预测资源转移倾向度，包括：提取所述目标样本资源对象的对象特征信息和各所述第一待推荐样本账户分别对应的账户特征信息；将所述对象特征信息和所述账户特征信息输入至所述通用账户推荐模型，得到各所述第一待推荐样本账户分别针对所述目标样本资源对象的预测资源转移倾向度。
15.在其中一个实施例中，所述获取预先训练好的通用账户推荐模型，包括：获取多个待训练样本资源对象和各所述待训练样本资源对象分别关联的多个第三待推荐样本账户；提取所述待训练样本资源对象的待训练对象特征信息和所述待训练样本资源对象关联的所述第三待推荐样本账户的待训练账户特征信息，以及获取所述待训练对象特征信息对应的各所述第三待推荐样本账户分别对应的实际资源转移倾向度；将所述待训练对象特征信息和所述待训练账户特征信息输入至待训练的通用账户推荐模型，得到各所述第三待推荐样本账户分别针对所述待训练样本资源对象的预测资源转移倾向度；基于所述待训练样本资源对象的预测资源转移倾向度和所述实际资源转移倾向度的差异，对所述待训练的通用账户推荐模型进行训练。
16.第二方面，本技术提供了一种账户推荐方法。所述方法包括：
17.获取待推荐资源对象，以及获取所述待推荐资源对象预先关联的多个候选待推荐账户；所述候选待推荐账户为预先获取的针对所述待推荐资源对象具有潜在预设行为的账户；
18.将所述待推荐资源对象和所述多个候选待推荐账户输入至所述待推荐资源对象的专用账户推荐模型，得到各所述候选待推荐账户分别针对所述待推荐资源对象的预测资源转移倾向度；所述预测资源转移倾向度表征各所述候选待推荐账户针对所述待推荐资源对象执行预设行为的预测概率；所述待推荐资源对象的专用账户推荐模型通过如第一方面
所述的账户推荐模型的训练方法训练得到；
19.从所述候选待推荐账户中获取预测资源转移倾向度大于预设转移倾向度阈值的账户，作为所述待推荐资源对象对应的目标待推荐账户。
20.第三方面，本技术提供了一种账户推荐模型的训练装置。所述装置包括：
21.训练模块，用于获取预先训练好的通用账户推荐模型；
22.获取模块，用于获取目标样本资源对象，以及获取所述目标样本资源对象关联的多个第一待推荐样本账户；所述第一待推荐样本账户为针对所述目标样本资源对象具有潜在预设行为的账户；
23.第一计算模块，用于将所述目标样本资源对象，以及所述多个第一待推荐样本账户输入至所述通用账户推荐模型，得到各所述第一待推荐样本账户分别针对所述目标样本资源对象的预测资源转移倾向度；
24.第二计算模块，用于根据所述针对所述目标样本资源对象的预测资源转移倾向度，获取所述目标样本资源对象对应的预测标准差；
25.调整模块，用于基于所述预测标准差，将所述通用账户推荐模型中的初始标准差替换为所述预测标准差，得到所述目标样本资源对象的专用账户推荐模型；所述初始标准差为所述通用账户推荐模型中预设的标准差固定值。
26.第四方面，本技术提供了账户推荐装置。所述装置包括：
27.获取模块，用于获取待推荐资源对象，以及获取所述待推荐资源对象预先关联的多个候选待推荐账户；所述候选待推荐账户为预先获取的针对所述待推荐资源对象具有潜在预设行为的账户；
28.计算模块，用于将所述待推荐资源对象和所述多个候选待推荐账户输入至所述待推荐资源对象的专用账户推荐模型，得到各所述候选待推荐账户分别针对所述待推荐资源对象的预测资源转移倾向度；所述预测资源转移倾向度表征各候选待推荐账户针对所述待推荐资源对象执行预设行为的预测概率；所述待推荐资源对象的专用账户推荐模型通过如第一方面所述的账户推荐模型的训练方法训练得到；
29.筛选模块，用于从所述候选待推荐账户中获取预测资源转移倾向度大于预设转移倾向度阈值的账户，作为所述待推荐资源对象对应的目标待推荐账户。
30.第五方面，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：
31.获取预先训练好的通用账户推荐模型；
32.获取目标样本资源对象，以及获取所述目标样本资源对象关联的多个第一待推荐样本账户；所述目标样本资源对象为金融业务系统中有资源转移需求的对象；所述第一待推荐样本账户为针对所述目标样本资源对象具有潜在预设行为的账户；
33.将所述目标样本资源对象，以及所述多个第一待推荐样本账户输入至所述通用账户推荐模型，得到各所述第一待推荐样本账户分别针对所述目标样本资源对象的预测资源转移倾向度；
34.根据所述预测资源转移倾向度，获取所述目标样本资源对象对应的预测标准差；
35.基于所述预测标准差，将所述通用账户推荐模型中的初始标准差替换为所述预测标准差，得到所述目标样本资源对象的专用账户推荐模型。
36.和/或，获取待推荐资源对象，以及获取所述待推荐资源对象预先关联的多个候选待推荐账户；所述候选待推荐账户为预先获取的针对所述待推荐资源对象具有潜在预设行为的账户；
37.将所述待推荐资源对象和所述多个候选待推荐账户输入至所述待推荐资源对象的专用账户推荐模型，得到各所述候选待推荐账户分别针对所述待推荐资源对象的预测资源转移倾向度；所述预测资源转移倾向度表征各候选待推荐账户针对所述待推荐资源对象执行预设行为的预测概率；所述待推荐资源对象的专用账户推荐模型通过如第一方面所述的账户推荐模型的训练方法训练得到；
38.从所述候选待推荐账户中获取预测资源转移倾向度大于预设转移倾向度阈值的账户，作为所述待推荐资源对象对应的目标待推荐账户。
39.第六方面，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：
40.获取预先训练好的通用账户推荐模型；
41.获取目标样本资源对象，以及获取所述目标样本资源对象关联的多个第一待推荐样本账户；所述目标样本资源对象为金融业务系统中有资源转移需求的对象；所述第一待推荐样本账户为针对所述目标样本资源对象具有潜在预设行为的账户；
42.将所述目标样本资源对象，以及所述多个第一待推荐样本账户输入至所述通用账户推荐模型，得到各所述第一待推荐样本账户分别针对所述目标样本资源对象的预测资源转移倾向度；
43.根据所述预测资源转移倾向度，获取所述目标样本资源对象对应的预测标准差；
44.基于所述预测标准差，将所述通用账户推荐模型中的初始标准差替换为所述预测标准差，得到所述目标样本资源对象的专用账户推荐模型。
45.和/或，获取待推荐资源对象，以及获取所述待推荐资源对象预先关联的多个候选待推荐账户；所述候选待推荐账户为预先获取的针对所述待推荐资源对象具有潜在预设行为的账户；
46.将所述待推荐资源对象和所述多个候选待推荐账户输入至所述待推荐资源对象的专用账户推荐模型，得到各所述候选待推荐账户分别针对所述待推荐资源对象的预测资源转移倾向度；所述预测资源转移倾向度表征各候选待推荐账户针对所述待推荐资源对象执行预设行为的预测概率；所述待推荐资源对象的专用账户推荐模型通过如第一方面所述的账户推荐模型的训练方法训练得到；
47.从所述候选待推荐账户中获取预测资源转移倾向度大于预设转移倾向度阈值的账户，作为所述待推荐资源对象对应的目标待推荐账户。
48.第七方面，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：
49.获取预先训练好的通用账户推荐模型；
50.获取目标样本资源对象，以及获取所述目标样本资源对象关联的多个第一待推荐样本账户；所述目标样本资源对象为金融业务系统中有资源转移需求的对象；所述第一待推荐样本账户为针对所述目标样本资源对象具有潜在预设行为的账户；
51.将所述目标样本资源对象，以及所述多个第一待推荐样本账户输入至所述通用账
户推荐模型，得到各所述第一待推荐样本账户分别针对所述目标样本资源对象的预测资源转移倾向度；
52.根据所述预测资源转移倾向度，获取所述目标样本资源对象对应的预测标准差；
53.基于所述预测标准差，将所述通用账户推荐模型中的初始标准差替换为所述预测标准差，得到所述目标样本资源对象的专用账户推荐模型。
54.和/或，获取待推荐资源对象，以及获取所述待推荐资源对象预先关联的多个候选待推荐账户；所述候选待推荐账户为预先获取的针对所述待推荐资源对象具有潜在预设行为的账户；
55.将所述待推荐资源对象和所述多个候选待推荐账户输入至所述待推荐资源对象的专用账户推荐模型，得到各所述候选待推荐账户分别针对所述待推荐资源对象的预测资源转移倾向度；所述预测资源转移倾向度表征各候选待推荐账户针对所述待推荐资源对象执行预设行为的预测概率；所述待推荐资源对象的专用账户推荐模型通过如第一方面所述的账户推荐模型的训练方法训练得到；
56.从所述候选待推荐账户中获取预测资源转移倾向度大于预设转移倾向度阈值的账户，作为所述待推荐资源对象对应的目标待推荐账户。
57.上述账户推荐模型的训练方法、账户推荐方法、装置、系统、计算机设备、存储介质和计算机程序产品中，可以获取目标样本资源对象，和目标样本资源对象关联的多个第一待推荐样本账户，并将目标样本资源对象，以及多个第一待推荐样本账户输入至预先训练好的通用账户推荐模型，进而，得到各第一待推荐样本账户分别针对目标样本资源对象的预测资源转移倾向度；从而，根据预测资源转移倾向度，获取目标样本资源对象对应的预测标准差；最后，基于预测标准差，将通用账户推荐模型中的初始标准差替换为预测标准差，得到目标样本资源对象的专用账户推荐模型。本技术实施例提供的该账户推荐模型获取方法中，可以通过计算目标样本资源对象的预测标准差，对通用账户推荐模型进行自适应调整，以得到适用于目标样本资源对象的专用账户推荐模型，可以提高账户推荐的精确度，进而，可以改善推荐不均匀，一些资源对象推荐偏少、交易数量偏低的问题。
附图说明
58.图1为一个实施例提供的一种账户推荐模型的训练方法的流程示意图；
59.图2为一个实施例提供的获取目标样本资源对象的流程示意图；
60.图3为一个实施例提供的在多个候选样本资源对象中获取目标样本资源对象的流程示意图；
61.图4为一个实施例提供的一种账户推荐方法的流程示意图；
62.图5为另一个实施例提供的一种账户推荐模型的训练方法的流程示意图；
63.图6为一个实施例提供的一种账户推荐模型的训练装置的结构框图；
64.图7为一个实施例提供的一种账户推荐装置的结构框图；
65.图8为一个实施例提供的一种计算机设备的内部结构图。
具体实施方式
66.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。在一个实施例中，如图1所示，提供了一种账户推荐模型的训练方法，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的交互实现。本实施例中，该方法包括以下步骤：
67.步骤s101，获取预先训练好的通用账户推荐模型。
68.其中，通用账户推荐模型可以是适用于金融业务系统内所有具有资源转移需求的对象的账户推荐模型。以目标资源对象作为对象为例，通用账户推荐模型用于根据目标资源对象和关联的待推荐账户的标记分布关系，得到目标资源对象关联的各待推荐账户分别针对该目标资源对象的资源转移倾向度，进而，也可以得到针对该目标资源对象的资源转移倾向度最高的账户。该目标资源对象可以为金融业务系统内有资源转移需求的资源对象；目标资源对象关联的待推荐账户可以是针对目标资源对象具有资源转移倾向的用户，也可以理解为针对目标资源对象具有潜在预设行为的用户，例如，该金融业务系统中，针对目标资源对象具有交易记录的用户，以及浏览或咨询过目标资源对象的用户等；该资源转移倾向度可以是进行资源转移的概率，例如，交易意愿度。
69.步骤s102，获取目标样本资源对象，以及获取目标样本资源对象关联的多个第一待推荐样本账户。
70.其中，目标样本资源对象为该金融业务系统中预测误差小于平均预测误差的待转移的资源对象；第一待推荐样本账户为针对目标样本资源对象具有潜在预设行为的账户。
71.步骤s103，将目标样本资源对象，以及多个第一待推荐样本账户输入至通用账户推荐模型，得到各第一待推荐样本账户分别针对目标样本资源对象的预测资源转移倾向度。
72.首先，可以对目标样本资源对象进行特征提取，得到目标样本资源对象的对象特征信息；对多个第一待推荐样本账户分别进行特征提取，得到各第一待推荐样本账户的账户特征信息；其次，将对象特征信息和账户特征信息输入至通用账户推荐模型，可以得到各第一待推荐样本账户分别针对目标样本资源对象的预测资源转移倾向度。该预测资源转移倾向度表征第一待推荐样本账户针对目标样本资源对象执行预设行为的预测概率，例如，交易概率。该预设行为可以为针对目标样本资源对象进行资源转移行为，例如，交易，购买目标样本资源对象。
73.步骤s104，根据目标样本资源对象的预测资源转移倾向度，获取目标样本资源对象对应的预测标准差。
74.其中，在预先训练好的通用账户推荐模型中，针对各样本对象的标准差为预设固定值；该步骤中，根据目标样本资源对象的预测资源转移倾向度，可以得到针对目标样本资源对象的资源倾向度最高的账户；进而，基于资源倾向度最高的账户特征信息，可以得到目标样本资源对象对应的预测标准差，该预测标准差是适用于目标样本资源对象的标准差，用于表示目标样本资源对象关联的多个第一待推荐样本账户的分布情况，预测标准差越大，多个第一待推荐样本账户的分布越分散；预测标准差越小，多个第一待推荐样本账户的分布越集中在资源倾向度最高的账户附近。
75.步骤s105，基于预测标准差，将通用账户推荐模型中的初始标准差替换为预测标
准差，得到目标样本资源对象的专用账户推荐模型。
76.其中，初始标准差即为针对各样本对象的预设固定值。该专用账户推荐模型为适用于目标样本资源对象的账户推荐模型，用于根据目标样本资源对象和关联的第一待推荐样本账户的标记分布关系，得到目标样本资源对象关联的各第一待推荐样本账户分别针对该目标样本资源对象的资源转移倾向度，进而，也可以得到针对该目标样本资源对象的资源转移倾向度最高的账户，针对性更强，账户推荐的精准都更高。
77.本实施例的方法中，可以获取目标样本资源对象，和目标样本资源对象关联的多个第一待推荐样本账户，并将目标样本资源对象，以及多个第一待推荐样本账户输入至预先训练好的通用账户推荐模型，进而，得到各第一待推荐样本账户分别针对目标样本资源对象的预测资源转移倾向度；从而，根据预测资源转移倾向度，获取目标样本资源对象对应的预测标准差；最后，基于预测标准差，将通用账户推荐模型中的初始标准差替换为预测标准差，得到目标样本资源对象的专用账户推荐模型。本技术实施例提供的该账户推荐模型获取方法中，可以通过计算目标样本资源对象的预测标准差，对通用账户推荐模型进行自适应调整，以得到适用于目标样本资源对象的专用账户推荐模型，可以提高账户推荐的精确度，进而，可以改善推荐不均匀，一些资源对象推荐偏少、交易数量偏低的问题。
78.在一些实施例中，如图2所示，步骤s102中的获取目标样本资源对象，可以包括：
79.步骤s201，获取多个候选样本资源对象，以及获取各候选样本资源对象分别关联的多个第二待推荐样本账户。
80.其中，候选样本资源对象为金融业务系统中待转移的资源对象；第二待推荐样本账户为针对候选样本资源对象具有潜在预设行为的账户。该候选样本资源对象可以为在金融业务系统中获取的未经过精确筛选的待转移的资源对象。该预设行为可以为针对候选样本资源对象进行资源转移行为，例如，交易，购买候选样本资源对象。
81.步骤s202，将候选样本资源对象，以及候选样本资源对象分别关联的多个第二待推荐样本账户输入至通用账户推荐模型，得到各第二待推荐样本账户分别针对候选样本资源对象的预测资源转移倾向度。
82.首先，可以对候选样本资源对象进行特征提取，得到候选样本资源对象的对象特征信息；对多个第二待推荐样本账户分别进行特征提取，得到各第二待推荐样本账户的账户特征信息；其次，将该对象特征信息和该账户特征信息输入至通用账户推荐模型，可以得到各第二待推荐样本账户分别针对候选样本资源对象的预测资源转移倾向度。该预测资源转移倾向度为各第二待推荐样本账户针对候选样本资源对象执行预设行为的预测概率，例如，交易概率。该预设行为可以为针对候选样本资源对象进行资源转移行为，例如，交易，购买候选样本资源对象。该对象特征信息可以是该候选样本资源对象的产品特征，例如，时间、金额、月收益率和风险等级等。账户特征信息可以为该候选样本资源对象关联的潜在用户，即第二待推荐样本账户，与候选样本资源对象相关的特征，例如，年龄、职业和收入等。
83.步骤s203，根据候选样本资源对象的预测资源转移倾向度，在多个候选样本资源对象中获取目标样本资源对象。
84.基于候选样本资源对象的预测资源转移倾向度，可以得到针对候选样本资源对象的资源转移倾向度最高的账户；进而，可以基于候选样本资源对象的资源转移倾向度最高的账户的误差，在多个候选样本资源对象中筛选出账户推荐更精准的多个初筛样本资源对
象。该初筛样本资源对象是经过精确筛选的待转移的资源对象。目标样本资源对象为初筛样本资源对象中的任意一个。
85.本实施例的方法中，可以基于通用账户推荐模型预测的精准度，即预测误差，对候选样本资源对象进行筛选，获取账户推荐更精准的多个初筛样本资源对象，可以获取更精准的样本数据，有利于后续目标样本资源对象的专用账户推荐模型的获取，有利于提高效率和精准度。
86.在一些实施例中，如图3所示，步骤s203可以包括：
87.步骤s301，根据候选样本资源对象的预测资源转移倾向度，从多个第二待推荐样本账户获取第二资源转移倾向度最高的目标样本账户。
88.其中，目标样本账户为多个第二待推荐样本账户中预测资源转移倾向度最高的样本账户。可以基于以下公式(1)计算获得目标样本账户：
[0089][0090]
其中，xi为候选样本资源对象中第i个样本对象，wj为多个第二待推荐样本账户中的第j个待推荐样本账户；αi为第i个样本对象对应的均值，对应预测资源转移倾向度最高的样本账户，即目标样本账户；为第i个样本对象关联的第j个待推荐样本账户的预测资源转移倾向度；σ为初始标准差；z为归一化因子。由上述公式(1)可以确定预测资源转移倾向度大于倾向度阈值的样本账户；也可以确定目标样本账户。
[0091]
步骤s302，根据目标样本账户针对候选样本资源对象的预测资源转移倾向度，获取候选样本资源对象的预测误差。
[0092]
根据步骤s301的公式(1)，可以确定候选样本资源对象的均值，为预测资源转移倾向度最高的样本账户，即目标样本账户；并且，也可以在第二待推荐样本账户中确定该均值对应的实际账户特征信息；进而，将目标样本账户的预测账户特征信息与实际账户特征信息的差值确定为该候选样本资源对象的预测误差；该预测误差用于表征基于通用账户推荐模型对候选样本资源对象进行预测资源转移倾向度的预测的准确度；预测误差越大，则表明由通用账户推荐模型预测得到的候选样本资源对象的预测资源转移倾向度的准确度越低；预测误差越小，则表明由通用账户推荐模型预测得到的候选样本资源对象的预测资源转移倾向度的准确度越高。从而，基于预测误差可以判断该候选样本资源对象是否适用于通用账户推荐模型。
[0093]
步骤s303，根据各候选样本资源对象分别对应的预测误差，获取各候选样本资源对象的平均预测误差。
[0094]
其中，平均预测误差可以为各候选样本资源对象分别对应的预测误差的平均值。
[0095]
步骤s304，将预测误差小于平均预测误差的候选样本资源对象确定为目标样本资源对象。
[0096]
其中，预测误差小于平均预测误差的候选样本资源对象，可以是由通用账户推荐模型预测得到的预测资源转移倾向度的准确度较高的候选样本资源对象，即适用于通用账户推荐模型的候选样本资源对象。该候选样本资源对象可以为在金融业务系统中获取的未经过精确筛选的待转移的资源对象。该初筛样本资源对象为基于预测误差进行精确筛选的
待转移的资源对象。目标样本资源对象为初筛样本资源对象中的任意一个。
[0097]
本实施例的方法中，可以基于预测误差，对样本对象进行筛选，得到适用于通用账户推荐模型的样本对象，更有利于后续自适应调整得到专用账户推荐模型，提高的专用账户推荐模型的精确度。
[0098]
在一些实施例中，步骤s302可以包括：
[0099]
获取目标样本账户对应的实际账户特征信息，以及获取目标样本账户对应的预测账户特征信息；将实际账户特征信息与预测账户特征信息之差确定为预测误差。
[0100]
可以基于公式(2)计算获取预测误差：
[0101][0102]
其中，为目标样本账户的特征信息，即预测账户特征信息；αi为初始样本账户的特征信息，即实际账户特征信息；ei为该候选样本资源对象的预测误差。
[0103]
在一些实施例中，步骤s103可以包括：
[0104]
提取目标样本资源对象的对象特征信息和各第一待推荐样本账户分别对应的账户特征信息；将对象特征信息和账户特征信息输入至通用账户推荐模型，得到各第一待推荐样本账户分别针对目标样本资源对象的预测资源转移倾向度。
[0105]
首先，可以对目标样本资源对象进行特征提取，得到目标样本资源对象的对象特征信息；对多个第一待推荐样本账户分别进行特征提取，得到各第一待推荐样本账户的账户特征信息；其次，将对象特征信息和账户特征信息输入至通用账户推荐模型，可以得到各第一待推荐样本账户分别针对目标样本资源对象的预测资源转移倾向度。该预测资源转移倾向度表征第一待推荐样本账户针对目标样本资源对象执行预设行为的预测概率，例如，交易概率。
[0106]
本实施例的方法中，可以基于训练好的通用账户推荐模型获取目标样本资源对象的预测资源转移倾向度，便于后续计算的得出预测标准差，从而，获取专用账户推荐模型，可以提高账户推荐的精确度，进而，可以改善推荐不均匀，一些资源对象推荐偏少、交易数量偏低的问题。同时，也便于确定目标样本资源对象的潜在用户，以及最大潜在用户。
[0107]
在一些实施例中，步骤s101可以包括：
[0108]
获取多个待训练样本资源对象和各待训练样本资源对象分别关联的多个第三待推荐样本账户；提取待训练样本资源对象的待训练对象特征信息和待训练样本资源对象关联的第三待推荐样本账户的待训练账户特征信息，以及获取待训练对象特征信息对应的各第三待推荐样本账户分别对应的实际资源转移倾向度；将待训练对象特征信息和待训练账户特征信息输入至待训练的通用账户推荐模型，得到各第三待推荐样本账户分别针对待训练样本资源对象的预测资源转移倾向度；基于待训练样本资源对象的预测资源转移倾向度和实际资源转移倾向度的差异，对待训练的通用账户推荐模型进行训练。
[0109]
在本实施例的方法中，可以精确的得到训练好的通用账户推荐模型，进而，可以对通用账户推荐模型进行自适应调整，得到专用账户推荐模型。
[0110]
在一个实施例中，如图4所示，提供了一种账户推荐方法，该方法可以包括：
[0111]
步骤s401，获取待推荐资源对象，以及获取待推荐资源对象预先关联的多个候选待推荐账户。
[0112]
其中，待推荐资源对象为金融业务系统中待转移的资源对象；该候选待推荐账户为预先获取的针对待推荐资源对象具有潜在预设行为的账户。
[0113]
步骤s402，将待推荐资源对象和多个候选待推荐账户输入至待推荐资源对象的专用账户推荐模型，得到各候选待推荐账户分别针对待推荐资源对象的预测资源转移倾向度。
[0114]
其中，预测资源转移倾向度表征各候选待推荐账户针对待推荐资源对象执行预设行为的预测概率。
[0115]
步骤s403，从候选待推荐账户中获取预测资源转移倾向度大于预设转移倾向度阈值的账户，作为待推荐资源对象对应的目标待推荐账户。
[0116]
本实施例的方法中，可以获取目标样本资源对象，和目标样本资源对象关联的多个第一待推荐样本账户，并将目标样本资源对象，以及多个第一待推荐样本账户输入至预先训练好的通用账户推荐模型，进而，得到各第一待推荐样本账户分别针对目标样本资源对象的预测资源转移倾向度；从而，根据预测资源转移倾向度，获取目标样本资源对象对应的预测标准差；最后，基于预测标准差，将通用账户推荐模型中的初始标准差替换为预测标准差，得到目标样本资源对象的专用账户推荐模型。本技术实施例提供的该账户推荐模型获取方法中，可以通过计算目标样本资源对象的预测标准差，对通用账户推荐模型进行自适应调整，以得到适用于目标样本资源对象的专用账户推荐模型，可以提高账户推荐的精确度，进而，可以改善推荐不均匀，一些资源对象推荐偏少、交易数量偏低的问题。
[0117]
在另一个实施例中，如图5所示，提供了一种账户推荐模型的训练方法，该方法可以包括：
[0118]
步骤s501，获取多个待训练样本资源对象和各待训练样本资源对象分别关联的多个第三待推荐样本账户。
[0119]
步骤s502，提取待训练样本资源对象的待训练对象特征信息和待训练样本资源对象关联的第三待推荐样本账户的待训练账户特征信息，以及获取待训练对象特征信息对应的各第三待推荐样本账户分别对应的实际资源转移倾向度。
[0120]
步骤s503，将待训练对象特征信息和待训练账户特征信息输入至待训练的通用账户推荐模型，得到各第三待推荐样本账户分别针对待训练样本资源对象的预测资源转移倾向度。
[0121]
步骤s504，基于待训练样本资源对象的的预测资源转移倾向度和实际资源转移倾向度的差异，对待训练的通用账户推荐模型进行训练。
[0122]
步骤s505，获取多个候选样本资源对象，以及获取各候选样本资源对象分别关联的多个第二待推荐样本账户。
[0123]
其中，候选样本资源对象为金融业务系统中待转移的资源对象；第二待推荐样本账户为针对候选样本资源对象具有潜在预设行为的账户。该候选样本资源对象可以为在金融业务系统中获取的未经过精确筛选的待转移的资源对象。该预设行为可以为针对候选样本资源对象进行资源转移行为，例如，交易，购买候选样本资源对象。
[0124]
步骤s506，将候选样本资源对象，以及候选样本资源对象分别关联的多个第二待推荐样本账户输入至通用账户推荐模型，得到各第二待推荐样本账户分别针对候选样本资源对象的预测资源转移倾向度。
[0125]
首先，可以对候选样本资源对象进行特征提取，得到候选样本资源对象的对象特征信息；对多个第二待推荐样本账户分别进行特征提取，得到各第二待推荐样本账户的账户特征信息；其次，将对象特征信息和账户特征信息输入至通用账户推荐模型，可以得到各第二待推荐样本账户分别针对候选样本资源对象的预测资源转移倾向度。该预测资源转移倾向度为各第二待推荐样本账户针对候选样本资源对象的资源转移意愿度，例如，交易概率。
[0126]
步骤s507，根据候选样本资源对象的预测资源转移倾向度，从多个第二待推荐样本账户获取第二资源转移倾向度最高的目标样本账户。
[0127]
其中，目标样本账户为多个第二待推荐样本账户中预测资源转移倾向度最高的样本账户。可以基于以下公式(1)计算获得目标样本账户：
[0128][0129]
其中，xi为候选样本资源对象中第i个样本对象，wj为多个第二待推荐样本账户中的第j个待推荐样本账户；αi为第i个样本对象对应的均值，对应预测资源转移倾向度最高的样本账户，即目标样本账户；为第j个样本对象关联的第j个待推荐样本账户的预测资源转移倾向度；σ为初始标准差；z为归一化因子。由上述公式(1)可以确定预测资源转移倾向度大于倾向度阈值的样本账户；也可以确定目标样本账户。
[0130]
步骤s508，根据目标样本账户针对候选样本资源对象的预测资源转移倾向度，获取候选样本资源对象的预测误差。
[0131]
根据步骤s507的公式(1)，可以确定候选样本资源对象的均值，为预测资源转移倾向度最高的样本账户，即目标样本账户；并且，也可以在第二待推荐样本账户中确定该均值对应的实际账户特征信息；进而，将目标样本账户的预测账户特征信息与实际账户特征信息的差值确定为该候选样本资源对象的预测误差；该预测误差用于表征基于通用账户推荐模型对候选样本资源对象进行预测资源转移倾向度的预测的准确度；预测误差越大，则表明由通用账户推荐模型预测得到的候选样本资源对象的预测资源转移倾向度的准确度越低；预测误差越小，则表明由通用账户推荐模型预测得到的候选样本资源对象的预测资源转移倾向度的准确度越高。从而，基于预测误差可以判断该候选样本资源对象是否适用于通用账户推荐模型。
[0132]
在一些可能的实现方式中，步骤s508可以包括：
[0133]
获取目标样本账户对应的实际账户特征信息，以及获取目标样本账户对应的预测账户特征信息；将实际账户特征信息与预测账户特征信息之差确定为预测误差。
[0134]
可以基于公式(2)计算获取预测误差：
[0135][0136]
其中，为目标样本账户的特征信息，即预测账户特征信息；αi为初始样本账户的特征信息，即实际账户特征信息；ei为该候选样本资源对象的预测误差。
[0137]
步骤s509，根据各候选样本资源对象分别对应的预测误差，获取各候选样本资源对象的平均预测误差。
[0138]
其中，平均预测误差可以为各候选样本资源对象分别对应的预测误差的平均值。
[0139]
步骤s510，将预测误差小于平均预测误差的候选样本资源对象确定为目标样本资源对象。
[0140]
其中，预测误差小于平均预测误差的候选样本资源对象，可以是由通用账户推荐模型预测得到的预测资源转移倾向度的准确度较高的候选样本资源对象，即适用于通用账户推荐模型的候选样本资源对象。该候选样本资源对象可以为在金融业务系统中获取的未经过精确筛选的待转移的资源对象。该初筛样本资源对象为基于预测误差进行精确筛选的待转移的资源对象。目标样本资源对象为初筛样本资源对象中的任意一个。
[0141]
步骤s511，获取目标样本资源对象关联的多个第一待推荐样本账户。
[0142]
其中，目标样本资源对象为该金融业务系统中预测误差小于平均预测误差的待转移的资源对象；第一待推荐样本账户为针对目标样本资源对象具有潜在预设行为的账户。
[0143]
步骤s512，将目标样本资源对象，以及多个第一待推荐样本账户输入至通用账户推荐模型，得到各第一待推荐样本账户分别针对目标样本资源对象的预测资源转移倾向度。
[0144]
步骤s513，根据目标样本资源对象的预测资源转移倾向度，获取目标样本资源对象对应的预测标准差。
[0145]
步骤s514，基于预测标准差，将通用账户推荐模型中的初始标准差替换为预测标准差，得到目标样本资源对象的专用账户推荐模型。
[0146]
其中，初始标准差即为针对各样本对象的预设固定值。该专用账户推荐模型为适用于目标样本资源对象的账户推荐模型，用于根据目标样本资源对象和关联的第一待推荐样本账户的标记分布关系，得到目标样本资源对象关联的各第一待推荐样本账户分别针对该目标样本资源对象的资源转移倾向度，进而，也可以得到针对该目标样本资源对象的资源转移倾向度最高的账户，针对性更强，账户推荐的精准都更高。
[0147]
本实施例的方法中，可以获取目标样本资源对象，和目标样本资源对象关联的多个第一待推荐样本账户，并将目标样本资源对象，以及多个第一待推荐样本账户输入至预先训练好的通用账户推荐模型，进而，得到各第一待推荐样本账户分别针对目标样本资源对象的预测资源转移倾向度；从而，根据预测资源转移倾向度，获取目标样本资源对象对应的预测标准差；最后，基于预测标准差，将通用账户推荐模型中的初始标准差替换为预测标准差，得到目标样本资源对象的专用账户推荐模型。本技术实施例提供的该账户推荐模型获取方法中，可以通过计算目标样本资源对象的预测标准差，对通用账户推荐模型进行自适应调整，以得到适用于目标样本资源对象的专用账户推荐模型，可以提高账户推荐的精确度，进而，可以改善推荐不均匀，一些资源对象推荐偏少、交易数量偏低的问题。
[0148]
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。
[0149]
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账户推
荐模型的训练方法的账户推荐模型的训练装置，以及用于实现上述所涉及的账户推荐方法的账户推荐装置。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账户推荐模型的训练装置实施例中的具体限定可以参见上文中对于账户推荐模型的训练方法的限定，以及一个或多个账户推荐装置实施例中的具体限定可以参见上文中对于账户推荐方法的限定，在此不再赘述。
[0150]
在一个实施例中，如图6所示，提供了一种账户推荐模型的训练装置，包括：训练模块601、获取模块602、第一计算模块603、第二计算模块604和调整模块605，其中：
[0151]
训练模块601，用于获取预先训练好的通用账户推荐模型；
[0152]
获取模块602，用于获取目标样本资源对象，以及获取所述目标样本资源对象关联的多个第一待推荐样本账户；所述第一待推荐样本账户为针对所述目标样本资源对象具有潜在预设行为的账户；
[0153]
第一计算模块603，用于将所述目标样本资源对象，以及所述多个第一待推荐样本账户输入至所述通用账户推荐模型，得到各所述第一待推荐样本账户分别针对所述目标样本资源对象的预测资源转移倾向度；
[0154]
第二计算模块604，用于根据所述针对所述目标样本资源对象的预测资源转移倾向度，获取所述目标样本资源对象对应的预测标准差；
[0155]
调整模块605，用于基于所述预测标准差，将所述通用账户推荐模型中的初始标准差替换为所述预测标准差，得到所述目标样本资源对象的专用账户推荐模型；所述初始标准差为所述通用账户推荐模型中预设的标准差固定值。
[0156]
另外，获取模块602，还用于：获取多个候选样本资源对象，以及获取各所述候选样本资源对象分别关联的多个第二待推荐样本账户；所述候选样本资源对象为金融业务系统中待转移的资源对象；所述第二待推荐样本账户为针对所述候选样本资源对象具有潜在预设行为的账户；将所述候选样本资源对象，以及所述候选样本资源对象分别关联的多个第二待推荐样本账户输入至所述通用账户推荐模型，得到各所述第二待推荐样本账户分别针对所述候选样本资源对象的预测资源转移倾向度；根据所述候选样本资源对象的预测资源转移倾向度，从所述多个候选样本资源对象中获取所述目标样本资源对象。
[0157]
获取模块602，还用于：根据所述候选样本资源对象的预测资源转移倾向度，从所述多个第二待推荐样本账户获取预测资源转移倾向度最高的目标样本账户；所述目标样本账户为所述多个第二待推荐样本账户中预测资源转移倾向度最高的样本账户；根据所述目标样本账户针对所述候选样本资源对象的预测资源转移倾向度，获取所述候选样本资源对象的预测误差；根据各所述候选样本资源对象分别对应的所述预测误差，获取各所述候选样本资源对象的平均预测误差；将所述预测误差小于所述平均预测误差的所述候选样本资源对象确定为目标样本资源对象。
[0158]
进一步地，获取模块602，还用于：获取所述目标样本账户对应的实际账户特征信息，以及根据所述目标样本账户针对所述候选样本资源对象的预测资源转移倾向度，获取所述目标样本账户对应的预测账户特征信息；将所述实际账户特征信息与所述预测账户特征信息之差确定为所述预测误差。
[0159]
第一计算模块603，还用于：提取所述目标样本资源对象的对象特征信息和各所述第一待推荐样本账户分别对应的账户特征信息；将所述对象特征信息和所述账户特征信息
输入至所述通用账户推荐模型，得到各所述第一待推荐样本账户分别针对所述目标样本资源对象的预测资源转移倾向度。
[0160]
训练模块601，还用于：获取多个待训练样本资源对象和各所述待训练样本资源对象分别关联的多个第三待推荐样本账户；提取所述待训练样本资源对象的待训练对象特征信息和所述待训练样本资源对象关联的所述第三待推荐样本账户的待训练账户特征信息，以及获取所述待训练对象特征信息对应的各所述第三待推荐样本账户分别对应的实际资源转移倾向度；将所述待训练对象特征信息和所述待训练账户特征信息输入至待训练的通用账户推荐模型，得到各所述第三待推荐样本账户分别针对所述待训练样本资源对象的预测资源转移倾向度；基于所述待训练样本资源对象的预测资源转移倾向度和所述实际资源转移倾向度的差异，对所述待训练的通用账户推荐模型进行训练。
[0161]
在一个实施例中，如图7所示，提供了一种账户推荐装置，包括：获取模块701、计算模块702和筛选模块703，其中：
[0162]
获取模块701，用于获取待推荐资源对象，以及获取所述待推荐资源对象预先关联的多个候选待推荐账户；所述候选待推荐账户为预先获取的针对所述待推荐资源对象具有潜在预设行为的账户；
[0163]
计算模块702，用于将所述待推荐资源对象和所述多个候选待推荐账户输入至所述待推荐资源对象的专用账户推荐模型，得到各所述候选待推荐账户分别针对所述待推荐资源对象的预测资源转移倾向度；所述预测资源转移倾向度表征各所述候选待推荐账户针对所述待推荐资源对象执行预设行为的预测概率；
[0164]
筛选模块703，用于从所述候选待推荐账户中获取预测资源转移倾向度大于预设转移倾向度阈值的账户，作为所述待推荐资源对象对应的目标待推荐账户。
[0165]
上述账户推荐模型的训练装置和账户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。
[0166]
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。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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账户推荐数据。该计算机设备的网络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账户推荐模型的训练方法和/或一种账户推荐方法。
[0167]
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。
[0168]
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。
[0169]
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。
[0170]
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。
[0171]
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。
[0172]
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。
[0173]
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。
[0174]
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：
1.一种账户推荐模型的训练方法，其特征在于，所述方法包括：获取预先训练好的通用账户推荐模型；获取目标样本资源对象，以及获取所述目标样本资源对象关联的多个第一待推荐样本账户；所述第一待推荐样本账户为针对所述目标样本资源对象具有潜在预设行为的账户；将所述目标样本资源对象，以及所述多个第一待推荐样本账户输入至所述通用账户推荐模型，得到各所述第一待推荐样本账户分别针对所述目标样本资源对象的预测资源转移倾向度；所述预测资源转移倾向度表征第一待推荐样本账户针对所述目标样本资源对象执行预设行为的预测概率；根据所述目标样本资源对象的预测资源转移倾向度，获取所述目标样本资源对象对应的预测标准差；基于所述预测标准差，将所述通用账户推荐模型中的初始标准差替换为所述预测标准差，得到所述目标样本资源对象的专用账户推荐模型；所述初始标准差为所述通用账户推荐模型中预设的标准差固定值。2.根据权利要求1所述的方法，其特征在于，所述获取目标样本资源对象，包括：获取多个候选样本资源对象，以及获取各所述候选样本资源对象分别关联的多个第二待推荐样本账户；所述候选样本资源对象为金融业务系统中待转移的资源对象；所述第二待推荐样本账户为针对所述候选样本资源对象具有潜在预设行为的账户；将所述候选样本资源对象，以及所述候选样本资源对象分别关联的多个第二待推荐样本账户输入至所述通用账户推荐模型，得到各所述第二待推荐样本账户分别针对所述候选样本资源对象的预测资源转移倾向度；根据所述候选样本资源对象的预测资源转移倾向度，从所述多个候选样本资源对象中获取所述目标样本资源对象。3.根据权利要求2所述的方法，其特征在于，所述根据所述候选样本资源对象的预测资源转移倾向度，从所述多个候选样本资源对象中获取所述目标样本资源对象，包括：根据所述候选样本资源对象的预测资源转移倾向度，从所述多个第二待推荐样本账户获取预测资源转移倾向度最高的目标样本账户；所述目标样本账户为所述多个第二待推荐样本账户中预测资源转移倾向度最高的样本账户；根据所述目标样本账户针对所述候选样本资源对象的预测资源转移倾向度，获取所述候选样本资源对象的预测误差；根据各所述候选样本资源对象分别对应的所述预测误差，获取各所述候选样本资源对象的平均预测误差；将所述预测误差小于所述平均预测误差的所述候选样本资源对象确定为目标样本资源对象。4.根据权利要求3所述的方法，其特征在于，所述根据所述目标样本账户针对所述候选样本资源对象的预测资源转移倾向度，获取所述候选样本资源对象的预测误差，包括：获取所述目标样本账户对应的实际账户特征信息，以及根据所述目标样本账户针对所述候选样本资源对象的预测资源转移倾向度，获取所述目标样本账户对应的预测账户特征信息；将所述实际账户特征信息与所述预测账户特征信息之差确定为所述预测误差。
5.根据权利要求1所述的方法，其特征在于，所述将所述目标样本资源对象，以及所述多个第一待推荐样本账户输入至所述通用账户推荐模型，得到各所述第一待推荐样本账户分别针对所述目标样本资源对象的预测资源转移倾向度，包括：提取所述目标样本资源对象的对象特征信息和各所述第一待推荐样本账户分别对应的账户特征信息；将所述对象特征信息和所述账户特征信息输入至所述通用账户推荐模型，得到各所述第一待推荐样本账户分别针对所述目标样本资源对象的预测资源转移倾向度。6.根据权利要求1所述的方法，其特征在于，所述获取预先训练好的通用账户推荐模型，包括：获取多个待训练样本资源对象和各所述待训练样本资源对象分别关联的多个第三待推荐样本账户；提取所述待训练样本资源对象的待训练对象特征信息和所述待训练样本资源对象关联的所述第三待推荐样本账户的待训练账户特征信息，以及获取所述待训练对象特征信息对应的各所述第三待推荐样本账户分别对应的实际资源转移倾向度；将所述待训练对象特征信息和所述待训练账户特征信息输入至待训练的通用账户推荐模型，得到各所述第三待推荐样本账户分别针对所述待训练样本资源对象的预测资源转移倾向度；基于所述待训练样本资源对象的预测资源转移倾向度和所述实际资源转移倾向度的差异，对所述待训练的通用账户推荐模型进行训练。7.一种账户推荐方法，其特征在于，所述方法包括：获取待推荐资源对象，以及获取所述待推荐资源对象预先关联的多个候选待推荐账户；所述候选待推荐账户为预先获取的针对所述待推荐资源对象具有潜在预设行为的账户；将所述待推荐资源对象和所述多个候选待推荐账户输入至所述待推荐资源对象的专用账户推荐模型，得到各所述候选待推荐账户分别针对所述待推荐资源对象的预测资源转移倾向度；所述预测资源转移倾向度表征各所述候选待推荐账户针对所述待推荐资源对象执行预设行为的预测概率；所述待推荐资源对象的专用账户推荐模型通过如权利要求1至6任一项所述的账户推荐模型的训练方法训练得到；从所述候选待推荐账户中获取预测资源转移倾向度大于预设转移倾向度阈值的账户，作为所述待推荐资源对象对应的目标待推荐账户。8.一种账户推荐模型的训练装置，其特征在于，所述装置包括：训练模块，用于获取预先训练好的通用账户推荐模型；获取模块，用于获取目标样本资源对象，以及获取所述目标样本资源对象关联的多个第一待推荐样本账户；所述第一待推荐样本账户为针对所述目标样本资源对象具有潜在预设行为的账户；第一计算模块，用于将所述目标样本资源对象，以及所述多个第一待推荐样本账户输入至所述通用账户推荐模型，得到各所述第一待推荐样本账户分别针对所述目标样本资源对象的预测资源转移倾向度；第二计算模块，用于根据所述针对所述目标样本资源对象的预测资源转移倾向度，获
取所述目标样本资源对象对应的预测标准差；调整模块，用于基于所述预测标准差，将所述通用账户推荐模型中的初始标准差替换为所述预测标准差，得到所述目标样本资源对象的专用账户推荐模型；所述初始标准差为所述通用账户推荐模型中预设的标准差固定值。9.一种账户推荐装置，其特征在于，所述装置包括：获取模块，用于获取待推荐资源对象，以及获取所述待推荐资源对象预先关联的多个候选待推荐账户；所述候选待推荐账户为预先获取的针对所述待推荐资源对象具有潜在预设行为的账户；计算模块，用于将所述待推荐资源对象和所述多个候选待推荐账户输入至所述待推荐资源对象的专用账户推荐模型，得到各所述候选待推荐账户分别针对所述待推荐资源对象的预测资源转移倾向度；所述预测资源转移倾向度表征各候选待推荐账户针对所述待推荐资源对象执行预设行为的预测概率；所述待推荐资源对象的专用账户推荐模型通过如权利要求1至6任一项所述的账户推荐模型的训练方法训练得到；筛选模块，用于从所述候选待推荐账户中获取预测资源转移倾向度大于预设转移倾向度阈值的账户，作为所述待推荐资源对象对应的目标待推荐账户。10.一种计算机设备，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1-7任一项所述的方法的步骤。11.一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1-7任一项所述的方法的步骤。12.一种计算机程序产品，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1-7中任一项所述的方法的步骤。

技术总结
本申请实施例提供了一种账户推荐模型的训练方法、账户推荐方法，涉及人工智能技术领域。该账户推荐模型的训练方法包括：获取目标样本资源对象，和目标样本资源对象关联的多个第一待推荐样本账户，并将目标样本资源对象，以及多个第一待推荐样本账户输入至预先训练好的通用账户推荐模型，进而，得到各第一待推荐样本账户分别针对目标样本资源对象的预测资源转移倾向度；从而，根据预测资源转移倾向度，获取目标样本资源对象对应的预测标准差；最后，基于预测标准差，将通用账户推荐模型中的初始标准差替换为预测标准差，得到目标样本资源对象的专用账户推荐模型。该方法中，确定出专用账户推荐模型可以提高账户推荐的精确度。度。度。


技术研发人员：罗明珠 郑显凌 李志兴 马璇
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：2023.04.25
技术公布日：2023/7/25