产品推荐方法、产品推荐装置、电子设备及存储介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种产品推荐方法、产品推荐装置、电子设备及存储介质。


背景技术：

2.目前的产品推荐方法常常倾向于将当前的热门产品推荐给用户，这一推荐方式往往无法满足用户的实际需求，影响产品推荐的准确性，因此，如何提高产品推荐的准确性，成为了亟待解决的技术问题。


技术实现要素：

3.本技术实施例的主要目的在于提出一种产品推荐方法、产品推荐装置、电子设备及存储介质，旨在提高产品推荐的准确性。
4.为实现上述目的，本技术实施例的第一方面提出了一种产品推荐方法，所述方法包括：
5.获取目标用户数据，所述目标用户数据包括目标用户的用户基本数据和用户行为数据；
6.对所述目标用户数据进行特征提取，得到目标用户特征；
7.基于预设的产品推荐模型、所述目标用户特征进行产品召回，得到初始推荐列表；
8.将所述初始推荐列表推送至所述目标用户，并获取所述目标用户根据所述初始推荐列表反馈的意图数据；
9.对所述意图数据进行实体特征提取，得到目标意图特征；
10.基于所述目标意图特征对所述初始推荐列表的待推荐产品进行产品重排，得到目标推荐列表；
11.将所述目标推荐列表推送至所述目标用户。
12.在一些实施例，所述对所述目标用户数据进行特征提取，得到目标用户特征，包括：
13.对所述用户基本数据进行特征提取，得到用户基本特征；
14.对所述用户行为数据进行特征提取，得到用户行为特征；
15.对所述用户行为特征和所述用户基本特征进行特征融合，得到所述目标用户特征。
16.在一些实施例，所述基于预设的产品推荐模型、所述目标用户特征进行产品召回，得到初始推荐列表，包括：
17.将所述目标用户特征输入至所述产品推荐模型，所述产品推荐模型包括输入层、编码层以及预测层；
18.基于所述输入层对所述目标用户特征进行嵌入处理，得到用户特征嵌入向量；
19.基于所述编码层对所述用户特征嵌入向量进行编码处理，得到用户特征编码向
量；
20.基于所述预测层、预先获取的产品特征、所述用户特征编码向量进行产品召回，得到所述初始推荐列表，所述产品特征为所述待推荐产品的基本特征。
21.在一些实施例，所述基于所述预测层、预先获取的产品特征、所述用户特征编码向量进行产品召回，得到所述初始推荐列表，包括：
22.基于所述预测层对所述产品特征、所述用户特征编码向量进行产品推荐分值计算，得到每一待推荐产品的推荐分值；
23.基于所述推荐分值和预设的推荐阈值，对所述待推荐产品进行筛选处理，得到候选产品；
24.根据所述推荐分值对所述候选产品进行排序处理，得到所述初始推荐列表。
25.在一些实施例，所述对所述意图数据进行实体特征提取，得到目标意图特征，包括：
26.遍历预设的意图数据库，对所述意图数据和所述意图数据库中的参考意图特征进行相关性计算，得到意图相关度；
27.基于所述意图相关度对所述参考意图特征进行筛选，得到所述目标意图特征。
28.在一些实施例，所述基于所述目标意图特征对所述初始推荐列表的待推荐产品进行产品重排，得到目标推荐列表，包括：
29.根据所述目标意图特征，计算所述初始推荐列表中每一待推荐产品的预测意向数据；
30.基于所述预测意向数据对所述初始推荐列表的待推荐产品进行产品重排，得到目标推荐列表。
31.在一些实施例，所述根据所述目标意图特征，计算所述初始推荐列表中每一待推荐产品的预测意向数据，包括：
32.基于预设函数和所述目标意图特征，计算所述初始推荐列表中每一待推荐产品的意图概率向量；
33.根据所述意图概率向量，得到所述预测意向数据。
34.为实现上述目的，本技术实施例的第二方面提出了一种产品推荐装置，所述装置包括：
35.数据获取模块，用于获取目标用户数据，所述目标用户数据包括目标用户的用户基本数据和用户行为数据；
36.特征提取模块，用于对所述目标用户数据进行特征提取，得到目标用户特征；
37.产品召回模块，用于基于预设的产品推荐模型、所述目标用户特征进行产品召回，得到初始推荐列表；
38.初步推荐模块，用于将所述初始推荐列表推送至所述目标用户，并获取所述目标用户根据所述初始推荐列表反馈的意图数据；
39.实体特征提取模块，用于对所述意图数据进行实体特征提取，得到目标意图特征；
40.重排模块，用于基于所述目标意图特征对所述初始推荐列表的待推荐产品进行产品重排，得到目标推荐列表；
41.目标推荐模块，用于将所述目标推荐列表推送至所述目标用户。
42.为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、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上述第一方面所述的方法。
43.为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。
44.本技术提出的产品推荐方法、产品推荐装置、电子设备及存储介质，其通过获取目标用户数据，目标用户数据包括目标用户的用户基本数据和用户行为数据；对目标用户数据进行特征提取，得到目标用户特征，这一方式能够较为方便地得到包含重要用户信息的目标用户特征，使得能够将目标用户特征用于后续的推荐过程。基于预设的产品推荐模型、目标用户特征进行产品召回，得到初始推荐列表，能够较为方便地基于目标用户特征来对待推荐产品进行筛选和排序，得到符合目标用户的用户特征的初始推荐列表。将初始推荐列表推送至目标用户，并获取目标用户根据初始推荐列表反馈的意图数据；对意图数据进行实体特征提取，得到目标意图特征，能够较为方便地识别出目标用户的当前意图，使得能够基于目标用户当前意图进行产品推荐。进一步地，基于目标意图特征对初始推荐列表的待推荐产品进行产品重排，得到目标推荐列表，能够较为方便地基于目标用户的目标意图特征对待推荐产品进行筛选和排序，得到符合目标用户的实际意图的目标推荐列表。最后，将目标推荐列表推送至目标用户，这一方式能够根据目标用户的用户特征和意图特征对待推荐产品进行筛选和排序，得到符合用户特征以及用户当前意图的目标推荐列表，能够较好地实现产品个性化推荐，提高了产品推荐的准确性。
附图说明
45.图1是本技术实施例提供的产品推荐方法的流程图；
46.图2是图1中的步骤s102的流程图；
47.图3是图1中的步骤s103的流程图；
48.图4是图3中的步骤s304的流程图；
49.图5是图1中的步骤s105的流程图；
50.图6是图1中的步骤s106的流程图；
51.图7是图6中的步骤s601的流程图；
52.图8是本技术实施例提供的产品推荐装置的结构示意图；
53.图9是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
54.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，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
55.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。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。
56.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
57.首先，对本技术中涉及的若干名词进行解析：
58.人工智能(artificial intelligence，ai)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
59.自然语言处理(natural language processing，nlp)：nlp用计算机来处理、理解以及运用人类语言(如中文、英文等)，nlp属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
60.信息抽取(information extraction，ner)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
61.召回：召回是推荐系统的第一阶段，主要根据用户和商品部分特征，从海量的物品库里，快速找回一部分用户潜在感兴趣的物品，然后交给排序环节。
62.实体：指具有可区别性且独立存在的某种事物。如某一个人、某一个城市、某一种植物等、某一种商品等等。世界万物有具体事物组成，此指实体。实体是知识图谱中的最基本元素，不同的实体间存在不同的关系。
63.嵌入(embedding)：embedding是一种向量表征，是指用一个低维的向量表示一个物体，该物体可以是一个词，或是一个商品，或是一个电影等等；这个embedding向量的性质是能使距离相近的向量对应的物体有相近的含义。embedding实质是一种映射，从语义空间到向量空间的映射，同时尽可能在向量空间保持原样本在语义空间的关系，如语义接近的两个词汇在向量空间中的位置也比较接近。embedding能够用低维向量对物体进行编码还能保留其含义，常应用于机器学习，在机器学习模型构建过程中，通过把物体编码为一个低维稠密向量再传给dnn，以提高效率。
64.编码(encoder)：就是将输入序列转化成一个固定长度的向量。
65.bert(bidirectional encoder representation from transformers)模型：bert
模型进一步增加词向量模型泛化能力，充分描述字符级、词级、句子级甚至句间关系特征，基于transformer构建而成。bert中有三种embedding，即token embedding，segment embedding，position embedding；其中token embeddings是词向量，第一个单词是cls标志，可以用于之后的分类任务；segment embeddings用来区别两种句子，因为预训练不光做lm还要做以两个句子为输入的分类任务；position embeddings，这里的位置词向量不是transfor中的三角函数，而是bert经过训练学到的。但bert直接训练一个position embedding来保留位置信息，每个位置随机初始化一个向量，加入模型训练，最后就得到一个包含位置信息的embedding，最后这个position embedding和word embedding的结合方式上，bert选择直接拼接。
66.目前的产品推荐方法常常倾向于将当前的热门产品推荐给用户，这一推荐方式往往无法满足用户的实际需求，影响产品推荐的准确性，因此，如何提高产品推荐的准确性，成为了亟待解决的技术问题。
67.基于此，本技术实施例提供了一种产品推荐方法、产品推荐装置、电子设备及存储介质，旨在提高产品推荐的准确性。
68.本技术实施例提供的产品推荐方法、产品推荐装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本技术实施例中的产品推荐方法。
69.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
70.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
71.本技术实施例提供的产品推荐方法，涉及人工智能技术领域。本技术实施例提供的产品推荐方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现产品推荐方法的应用等，但并不局限于以上形式。
72.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
73.图1是本技术实施例提供的产品推荐方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s101至步骤s107。
74.步骤s101，获取目标用户数据，目标用户数据包括目标用户的用户基本数据和用户行为数据；
75.步骤s102，对目标用户数据进行特征提取，得到目标用户特征；
76.步骤s103，基于预设的产品推荐模型、目标用户特征进行产品召回，得到初始推荐列表；
77.步骤s104，将初始推荐列表推送至目标用户，并获取目标用户根据初始推荐列表反馈的意图数据；
78.步骤s105，对意图数据进行实体特征提取，得到目标意图特征；
79.步骤s106，基于目标意图特征对初始推荐列表的待推荐产品进行产品重排，得到目标推荐列表；
80.步骤s107，将目标推荐列表推送至目标用户。
81.本技术实施例所示意的步骤s101至步骤s107，通过获取目标用户数据，目标用户数据包括目标用户的用户基本数据和用户行为数据；对目标用户数据进行特征提取，得到目标用户特征，这一方式能够较为方便地得到包含重要用户信息的目标用户特征，使得能够将目标用户特征用于后续的推荐过程。基于预设的产品推荐模型、目标用户特征进行产品召回，得到初始推荐列表，能够较为方便地基于目标用户特征来对待推荐产品进行筛选和排序，得到符合目标用户的用户特征的初始推荐列表。将初始推荐列表推送至目标用户，并获取目标用户根据初始推荐列表反馈的意图数据；对意图数据进行实体特征提取，得到目标意图特征，能够较为方便地识别出目标用户的当前意图，使得能够基于目标用户当前意图进行产品推荐。进一步地，基于目标意图特征对初始推荐列表的待推荐产品进行产品重排，得到目标推荐列表，能够较为方便地基于目标用户的目标意图特征对待推荐产品进行筛选和排序，得到符合目标用户的实际意图的目标推荐列表。最后，将目标推荐列表推送至目标用户，这一方式能够根据目标用户的用户特征和意图特征对待推荐产品进行筛选和排序，得到符合用户特征以及用户当前意图的目标推荐列表，能够较好地实现产品个性化推荐，提高了产品推荐的准确性。
82.在一些实施例的步骤s101中，可以通过网络爬虫的方式获取目标用户数据，例如，通过网络爬虫对预设的数据源进行数据爬取，得到目标用户数据，其中，预设的数据源包括用户数据库或者是用户常用的网络平台等等，目标用户数据包括目标用户的用户基本数据和用户行为数据，用户基本数据包括用户的年龄、性别、学历等等，用户行为数据包括目标用户的活跃度、潜在标签、点击记录、访问记录、购买记录等等。
83.请参阅图2，在一些实施例中，步骤s102可以包括但不限于包括步骤s201至步骤s203：
84.步骤s201，对用户基本数据进行特征提取，得到用户基本特征；
85.步骤s202，对用户行为数据进行特征提取，得到用户行为特征；
86.步骤s203，对用户行为特征和用户基本特征进行特征融合，得到目标用户特征。
87.在一些实施例的步骤s201中，可以通过预设的bert模型或者基于命名实体提取算法来对用户基本数据进行特征提取，得到用户基本特征。以bert模型为例，将用户基本数据
输入至预先训练的bert模型中，通过bert模型对用户基本数据进行句子分词，得到多个用户基本词段，再基于预设词典对用户基本词段进行数据转换，根据预设词典中数字与词语的映射关系，将用户基本词段转换成对应的数字，再基于bert模型中的编码器对用户基本词段对应的数字进行编码处理，得到用户基本特征，该用户基本特征包括有目标用户的性别、年龄等特征信息。
88.在一些实施例的步骤s202中，可以通过预设的bert模型或者基于命名实体提取算法来对用户行为数据进行特征提取，得到用户行为特征。以bert模型为例，将用户行为数据输入至预先训练的bert模型中，通过bert模型对用户行为数据进行句子分词，得到多个用户行为词段，再基于预设词典对用户行为词段进行数据转换，根据预设词典中数字与词语的映射关系，将用户行为词段转换成对应的数字，再基于bert模型中的编码器对用户行为词段对应的数字进行编码处理，得到用户行为特征，该用户行为特征包括有目标用户的点击记录、购买记录以及浏览记录等特征信息。
89.在一些实施例的步骤s203中，可以将用户行为特征和用户基本特征转换为向量形式，再对向量形式的用户行为特征和用户基本特征进行向量拼接，得到目标用户特征，其中，目标用户特征包含用户基本特征信息和用户行为特征信息。
90.上述步骤s201至步骤s203通过对用户基本数据和用户行为数据进行特征提取，能够较为方便地得到表征目标用户特点的用户基本特征和用户行为特征，并将用户基本特征和用户行为特征进行特征融合，得到包含重要用户信息的目标用户特征，使得能够将目标用户特征用于后续的推荐过程，从而提高推荐准确性。
91.请参阅图3，在一些实施例中，步骤s103可以包括但不限于包括步骤s301至步骤s304：
92.步骤s301，将目标用户特征输入至产品推荐模型，产品推荐模型包括输入层、编码层以及预测层；
93.步骤s302，基于输入层对目标用户特征进行嵌入处理，得到用户特征嵌入向量；
94.步骤s303，基于编码层对用户特征嵌入向量进行编码处理，得到用户特征编码向量；
95.步骤s304，基于预测层、预先获取的产品特征、用户特征编码向量进行产品召回，得到初始推荐列表，产品特征为待推荐产品的基本特征。
96.在一些实施例的步骤s301中，预设的产品推荐模型可以基于深度学习的神经网络或者随机森林算法等构建而成，其中，产品推荐模型包括输入层、编码层以及预测层所述输入层用于对输入特征进行嵌入处理，将输入特征映射到固定维度的向量空间，所述编码层用于对处于固定向量空间的输入特征进行编码处理，获取重要特征信息，得到特征编码向量，所述预测层用于根据所述特征编码向量进行推荐预测，得到每一候选产品的推荐分值，并根据所述推荐分值生成推荐列表。进一步地，该产品推荐模型可以由多种类型的产品的推荐模型聚合而成，例如，针对金融领域中的存款、定期、活期、公募、私募等各类产品分别构建各类产品的特定推荐模型，再基于这一系列产品的共有特征构建通用推荐模型，根据预设的模型权重将多个特定推荐模型和通用推荐模型进行模型聚合，得到上述的产品推荐模型，其中，特定推荐模型和通用推荐模型的模型结构可以与上述的产品推荐模型一致，即特定推荐模型和通用推荐模型也可以基于深度学习的神经网络或者随机森林算法等构建
而成，特定推荐模型和通用推荐模型均包括输入层、编码层以及预测层。其中，在模型训练时，不同产品的特定推荐模型基于该产品的特有产品特征训练而成，例如，待推荐产品可以分为理财产品、基金产品等等，理财产品的特有产品特征包括起购金额、权益类资产占比以及债权类资产占比等；基金产品的特有产品特征包括回撤率、所属基金公司、所属基金管理人员等等。同理，通用推荐模型则可以基于不同产品的共有产品特征训练而成，不同产品的共有产品特征包括但不限于产品类型、产品收益率、产品期限、产品曝光情况以及产品浏览情况等等。此外，在进行模型训练时，可以将常用的交叉熵函数作为损失函数。
97.需要说明的是，在将目标用户特征输入至产品推荐模型时，可以通过预设代码程序或者脚本程序等将目标用户特征输入至产品推荐模型。
98.在一些实施例的步骤s302中，通过输入层对目标用户特征进行嵌入处理，将目标用户特征映射到固定维度的向量空间，得到用户特征嵌入向量，其中，该向量空间的维度可以根据实际业务需求设置，不做限制。
99.在一些实施例的步骤s303中，通过编码层对用户特征嵌入向量进行编码处理，获取用户特征嵌入向量中较为重要的特征信息，得到用户特征编码向量。
100.在一些实施例的步骤s304中，基于预测层对产品特征、用户特征编码向量进行产品推荐分值计算，得到每一待推荐产品的推荐分值，再比对推荐分值和预设的推荐阈值，筛选出推荐分值高于推荐阈值的待推荐产品，得到候选产品，再根据候选产品的推荐分值，对一系列候选产品进行降序排列，得到初始推荐列表。
101.通过上述步骤s301至步骤s304能够较为方便地基于目标用户特征来对待推荐产品进行筛选和排序，得到符合目标用户的用户特征的初始推荐列表，能够针对不同的目标用户构建不同的初始推荐列表，提高了推荐的准确性，能够实现产品的个性化推荐。
102.请参阅图4，在一些实施例中，步骤s304可以包括但不限于包括步骤s401至步骤s403：
103.步骤s401，基于预测层对产品特征、用户特征编码向量进行产品推荐分值计算，得到每一待推荐产品的推荐分值；
104.步骤s402，基于推荐分值和预设的推荐阈值，对待推荐产品进行筛选处理，得到候选产品；
105.步骤s403，根据推荐分值对候选产品进行排序处理，得到初始推荐列表。
106.在一些实施例的步骤s401中，产品特征是待推荐产品的基本特征，包括待推荐产品的产品类型、产品名称、产品期限以及基本产品参数等等，待推荐产品包括理财产品、基金产品等等。将产品特征转换为向量形式，得到每一待推荐产品的产品特征向量。采用协同过滤算法、交替最小二乘法或者双塔算法等等计算产品特征向量和用户特征编码向量的相似度，得到向量相似值，将该向量相似值作为每一待推荐产品的推荐分值。
107.在一些实施例的步骤s402中，预设的推荐阈值可以根据实际需求设置，不做限制。比对推荐分值和预设的推荐阈值，推荐分值越大，则表明待推荐产品越符合目标用户的当前需求，因此，根据推荐分值和推荐阈值的大小关系，从待推荐产品中筛选出推荐分值高于推荐阈值的若干待推荐产品，将筛选得到的这些待推荐产品作为候选产品，这一系列的候选产品即为能够符合目标用户的当前需求的产品。
108.在一些实施例的步骤s403中，根据每一候选产品的推荐分值，将候选产品按推荐
分值从高到低的顺序进行排列，得到初始推荐列表。
109.通过上述步骤s401至步骤s403能够较为方便地基于产品特征和目标用户特征来对待推荐产品进行筛选和排序，得到符合目标用户的用户特征的初始推荐列表，并根据初始推荐列表向目标用户进行产品推荐，使得初始推荐列表中的候选产品能够满足目标用户的当前需求，从而提高推荐准确性。
110.在一些实施例的步骤s104中，通过无线通信或者有线通信的方式将初始推荐列表推送至目标用户，使得目标用户能够对初始推荐列表中的候选产品进行浏览、点击或者购买，生成用户操作信息，该用户操作信息能够表征目标用户对候选产品的兴趣偏好，例如，目标用户可以对感兴趣的候选产品进行收藏，对不感兴趣的候选产品进行标记等，目标用户还可以根据实际需求输入筛选条件，例如，筛选条件为“收益率高于某一数值”，因此，通过响应目标用户的操作行为生成用户操作信息，该用户操作信息包括目标用户的意图数据。进一步地，通过无线通信或者有线通信的方式获取目标用户根据初始推荐列表反馈的意图数据，该意图数据能够表征出目标用户对初始推荐列表中的候选产品的意向情况。
111.请参阅图5，在一些实施例中，步骤s105可以包括但不限于包括步骤s501至步骤s502：
112.步骤s501，遍历预设的意图数据库，对意图数据和意图数据库中的参考意图特征进行相关性计算，得到意图相关度；
113.步骤s502，基于意图相关度对参考意图特征进行筛选，得到目标意图特征。
114.在一些实施例的步骤s501中，预设的意图数据库包含多种参考意图特征，例如，参考意图特征包括但不限于产品类型、投资方向、投资期限以及投资收益率等等，该意图数据库可以根据业务需求进行动态调整。通过遍历预设的意图数据库，利用协同过滤算法等对意图数据与意图数据库中的参考意图特征进行相关性计算，得到意图数据与每一参考意图特征的意图相关度，其中，意图相关度能够表征意图数据与参考意图特征的相似程度。
115.在一些实施例的步骤s502中，由于意图相关度能够表征意图数据与参考意图特征的相似程度。若意图数据与某一参考意图特征的意图相关度越高，则表明该意图数据中的用户意图与参考意图特征越接近，因此，比对每一参考意图特征的意图相关度，选取意图相关度最高的参考意图特征作为目标意图特征。
116.例如，参考意图特征包括投资期限为6个月、投资期限为1年以及投资期限为3年，其中，投资期限为6个月与意图数据之间的意图相关度为0.3，投资期限为1年与意图数据之间的意图相关度为0.6，投资期限为3年与意图数据之间的意图相关度为0.05，则表明目标用户倾向于选取投资期限为1年的产品，将投资期限为1年这一参考意图特征作为目标意图特征。
117.通过上述步骤s501至步骤s502能够较为方便地从预设的意图数据库中筛选出与目标用户的意图数据的意图相关度较高的参考意图特征，得到目标意图特征，从而较为方便地识别出目标用户的当前意图，使得能够基于目标用户当前意图进行产品推荐，能够有效地提高产品推荐的准确性。
118.请参阅图6，在一些实施例，步骤s106包括但不限于包括步骤s601至步骤s602：
119.步骤s601，根据目标意图特征，计算初始推荐列表中每一待推荐产品的预测意向数据；
120.步骤s602，基于预测意向数据对初始推荐列表的待推荐产品进行产品重排，得到目标推荐列表。
121.在一些实施例的步骤s601中，采用协同过滤算法、交替最小二乘法或者双塔算法等等计算目标意图特征和初始推荐列表中每一待推荐产品的产品特征之间的相似度，得到特征相似值，将该特征相似值作为每一待推荐产品的预测意向数据。
122.在一些实施例的步骤s602中，根据初始推荐列表中每一待推荐产品的预测意向数据，将初始推荐列表中的待推荐产品按预测意向数据从高到低的顺序进行排列，得到目标推荐列表。
123.通过上述步骤s601至步骤s602能够较为方便地基于目标用户的目标意图特征对待推荐产品进行筛选和排序，得到符合目标用户的实际意图的目标推荐列表，并根据目标推荐列表向目标用户进行产品推荐，使得目标推荐列表中的候选产品能够满足目标用户的当前需求，从而提高推荐准确性。
124.请参阅图7，在一些实施例中，步骤s601可以包括但不限于包括步骤s701至步骤s702：
125.步骤s701，基于预设函数和目标意图特征，计算初始推荐列表中每一待推荐产品的意图概率向量；
126.步骤s702，根据意图概率向量，得到预测意向数据。
127.在一些实施例的步骤s701中，预设函数可以是softmax函数等概率函数，以softmax函数为例，通过softmax函数创建目标意图特征在每一待推荐产品上的概率分布情况，得到初始推荐列表中每一待推荐产品的意图概率向量，通过意图概率向量来反映目标用户对每一待推荐产品的意图倾向，即某一待推荐产品的意图概率向量越大，则目标用户对这一待推荐产品的意图倾向越大。
128.在一些实施例的步骤s702中，将初始推荐列表中每一待推荐产品的意图概率向量作为每一待推荐产品的预测意图数据。
129.通过上述步骤s701至步骤s702能够较为方便地计算出初始推荐列表中每一待推荐产品的意图概率向量，根据意图概率向量来确定目标用户对每一待推荐产品的意向情况，使得能够基于目标用户的意向情况来选取符合目标用户的当前意图的待推荐产品来进行推荐，提高了产品推荐的准确性。
130.在一些实施例的步骤s107中，将目标推荐列表直接推送给目标用户，或者选取目标推荐列表中较为靠前的产品推送给目标用户，从而在实现个性化推荐的同时，降低通信成本。
131.本技术实施例的产品推荐方法，其通过获取目标用户数据，目标用户数据包括目标用户的用户基本数据和用户行为数据；对目标用户数据进行特征提取，得到目标用户特征，这一方式能够较为方便地得到包含重要用户信息的目标用户特征，使得能够将目标用户特征用于后续的推荐过程。基于预设的产品推荐模型、目标用户特征进行产品召回，得到初始推荐列表，能够较为方便地基于目标用户特征来对待推荐产品进行筛选和排序，得到符合目标用户的用户特征的初始推荐列表。将初始推荐列表推送至目标用户，并获取目标用户根据初始推荐列表反馈的意图数据；对意图数据进行实体特征提取，得到目标意图特征，能够较为方便地识别出目标用户的当前意图，使得能够基于目标用户当前意图进行产
品推荐。进一步地，基于目标意图特征对初始推荐列表的待推荐产品进行产品重排，得到目标推荐列表，能够较为方便地基于目标用户的目标意图特征对待推荐产品进行筛选和排序，得到符合目标用户的实际意图的目标推荐列表。最后，将目标推荐列表推送至目标用户，这一方式能够根据目标用户的用户特征和意图特征对待推荐产品进行筛选和排序，得到符合用户特征以及用户当前意图的目标推荐列表，能够较好地实现产品个性化推荐，提高了产品推荐的准确性。
132.请参阅图8，本技术实施例还提供一种产品推荐装置，可以实现上述产品推荐方法，该装置包括：
133.数据获取模块801，用于获取目标用户数据，目标用户数据包括目标用户的用户基本数据和用户行为数据；
134.特征提取模块802，用于对目标用户数据进行特征提取，得到目标用户特征；
135.产品召回模块803，用于基于预设的产品推荐模型、目标用户特征进行产品召回，得到初始推荐列表；
136.初步推荐模块804，用于将初始推荐列表推送至目标用户，并获取目标用户根据初始推荐列表反馈的意图数据；
137.实体特征提取模块805，用于对意图数据进行实体特征提取，得到目标意图特征；
138.重排模块806，用于基于目标意图特征对初始推荐列表的待推荐产品进行产品重排，得到目标推荐列表；
139.目标推荐模块807，用于将目标推荐列表推送至目标用户。
140.在一些实施例中，特征提取模块802包括：
141.第一特征提取单元，用于对用户基本数据进行特征提取，得到用户基本特征；
142.第二特征提取单元，用于对用户行为数据进行特征提取，得到用户行为特征；
143.特征融合单元，用于对用户行为特征和用户基本特征进行特征融合，得到目标用户特征。
144.在一些实施例中，产品召回模块803包括：
145.输入单元，用于将目标用户特征输入至产品推荐模型，产品推荐模型包括输入层、编码层以及预测层；
146.嵌入单元，用于基于输入层对目标用户特征进行嵌入处理，得到用户特征嵌入向量；
147.编码单元，用于基于编码层对用户特征嵌入向量进行编码处理，得到用户特征编码向量；
148.召回单元，用于基于预测层、预先获取的产品特征、用户特征编码向量进行产品召回，得到初始推荐列表，产品特征为待推荐产品的基本特征。
149.在一些实施例中，召回单元包括：
150.分值计算子单元，用于基于预测层对产品特征、用户特征编码向量进行产品推荐分值计算，得到每一待推荐产品的推荐分值；
151.筛选子单元，用于基于推荐分值和预设的推荐阈值，对待推荐产品进行筛选处理，得到候选产品；
152.排序子单元，用于根据推荐分值对候选产品进行排序处理，得到初始推荐列表。
153.在一些实施例中，实体特征提取模块805包括：
154.相关性计算单元，用于遍历预设的意图数据库，对意图数据和意图数据库中的参考意图特征进行相关性计算，得到意图相关度；
155.特征筛选单元，用于基于意图相关度对参考意图特征进行筛选，得到目标意图特征。
156.在一些实施例中，重排模块806包括：
157.意图计算单元，用于根据目标意图特征，计算初始推荐列表中每一待推荐产品的预测意向数据；
158.重排单元，用于基于预测意向数据对初始推荐列表的待推荐产品进行产品重排，得到目标推荐列表。
159.在一些实施例中，意图计算单元包括：
160.概率计算子单元，用于基于预设函数和目标意图特征，计算初始推荐列表中每一待推荐产品的意图概率向量；
161.数据生成子单元，用于根据意图概率向量，得到预测意向数据。
162.该产品推荐装置的具体实施方式与上述产品推荐方法的具体实施例基本相同，在此不再赘述。
163.本技术实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述产品推荐方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
164.请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
165.处理器901，可以采用通用的cpu(centralprocessingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
166.存储器902，可以采用只读存储器(readonlymemory，rom)、静态存储设备、动态存储设备或者随机存取存储器(randomaccessmemory，ram)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本技术实施例的产品推荐方法；
167.输入/输出接口903，用于实现信息输入及输出；
168.通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
169.总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
170.其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
171.本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述产品推荐方法。
可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
180.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
181.上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
182.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
183.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
184.以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。

技术特征：
1.一种产品推荐方法，其特征在于，所述方法包括：获取目标用户数据，所述目标用户数据包括目标用户的用户基本数据和用户行为数据；对所述目标用户数据进行特征提取，得到目标用户特征；基于预设的产品推荐模型、所述目标用户特征进行产品召回，得到初始推荐列表；将所述初始推荐列表推送至所述目标用户，并获取所述目标用户根据所述初始推荐列表反馈的意图数据；对所述意图数据进行实体特征提取，得到目标意图特征；基于所述目标意图特征对所述初始推荐列表的待推荐产品进行产品重排，得到目标推荐列表；将所述目标推荐列表推送至所述目标用户。2.根据权利要求1所述的产品推荐方法，其特征在于，所述对所述目标用户数据进行特征提取，得到目标用户特征，包括：对所述用户基本数据进行特征提取，得到用户基本特征；对所述用户行为数据进行特征提取，得到用户行为特征；对所述用户行为特征和所述用户基本特征进行特征融合，得到所述目标用户特征。3.根据权利要求1所述的产品推荐方法，其特征在于，所述基于预设的产品推荐模型、所述目标用户特征进行产品召回，得到初始推荐列表，包括：将所述目标用户特征输入至所述产品推荐模型，所述产品推荐模型包括输入层、编码层以及预测层；基于所述输入层对所述目标用户特征进行嵌入处理，得到用户特征嵌入向量；基于所述编码层对所述用户特征嵌入向量进行编码处理，得到用户特征编码向量；基于所述预测层、预先获取的产品特征、所述用户特征编码向量进行产品召回，得到所述初始推荐列表，所述产品特征为所述待推荐产品的基本特征。4.根据权利要求3所述的产品推荐方法，其特征在于，所述基于所述预测层、预先获取的产品特征、所述用户特征编码向量进行产品召回，得到所述初始推荐列表，包括：基于所述预测层对所述产品特征、所述用户特征编码向量进行产品推荐分值计算，得到每一待推荐产品的推荐分值；基于所述推荐分值和预设的推荐阈值，对所述待推荐产品进行筛选处理，得到候选产品；根据所述推荐分值对所述候选产品进行排序处理，得到所述初始推荐列表。5.根据权利要求1所述的产品推荐方法，其特征在于，所述对所述意图数据进行实体特征提取，得到目标意图特征，包括：遍历预设的意图数据库，对所述意图数据和所述意图数据库中的参考意图特征进行相关性计算，得到意图相关度；基于所述意图相关度对所述参考意图特征进行筛选，得到所述目标意图特征。6.根据权利要求1所述的产品推荐方法，其特征在于，所述基于所述目标意图特征对所述初始推荐列表的待推荐产品进行产品重排，得到目标推荐列表，包括：根据所述目标意图特征，计算所述初始推荐列表中每一待推荐产品的预测意向数据；
基于所述预测意向数据对所述初始推荐列表的待推荐产品进行产品重排，得到目标推荐列表。7.根据权利要求6所述的产品推荐方法，其特征在于，所述根据所述目标意图特征，计算所述初始推荐列表中每一待推荐产品的预测意向数据，包括：基于预设函数和所述目标意图特征，计算所述初始推荐列表中每一待推荐产品的意图概率向量；根据所述意图概率向量，得到所述预测意向数据。8.一种产品推荐装置，其特征在于，所述装置包括：数据获取模块，用于获取目标用户数据，所述目标用户数据包括目标用户的用户基本数据和用户行为数据；特征提取模块，用于对所述目标用户数据进行特征提取，得到目标用户特征；产品召回模块，用于基于预设的产品推荐模型、所述目标用户特征进行产品召回，得到初始推荐列表；初步推荐模块，用于将所述初始推荐列表推送至所述目标用户，并获取所述目标用户根据所述初始推荐列表反馈的意图数据；实体特征提取模块，用于对所述意图数据进行实体特征提取，得到目标意图特征；重排模块，用于基于所述目标意图特征对所述初始推荐列表的待推荐产品进行产品重排，得到目标推荐列表；目标推荐模块，用于将所述目标推荐列表推送至所述目标用户。9.一种电子设备，其特征在于，所述电子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如权利要求1至7任一项所述的产品推荐方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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中任一项所述的产品推荐方法。

技术总结
本申请实施例提供了一种产品推荐方法、产品推荐装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取目标用户数据，目标用户数据包括目标用户的用户基本数据和用户行为数据；对目标用户数据进行特征提取，得到目标用户特征；基于预设的产品推荐模型、目标用户特征进行产品召回，得到初始推荐列表；将初始推荐列表推送至目标用户，并获取目标用户根据初始推荐列表反馈的意图数据；对意图数据进行实体特征提取，得到目标意图特征；基于目标意图特征对初始推荐列表的待推荐产品进行产品重排，得到目标推荐列表；将目标推荐列表推送至目标用户。本申请实施例能够提高产品推荐的准确性。推荐的准确性。推荐的准确性。


技术研发人员：梁昕 韩勋 李牧真 易艳 王建明 肖京 罗玉
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.04.12
技术公布日：2023/7/25