产品推荐方法、装置、存储介质及电子设备与流程

1.本技术涉及金融科技领域及其他相关技术领域，具体而言，涉及一种产品推荐方法、装置、存储介质及电子设备。


背景技术：

2.相关技术中，金融机构向用户推荐金融产品时，需要考虑客户的意愿。为客户在其需要的应用场景推荐合适的理财产品，是重要课题。线下渠道以人工推荐的方式向客户推荐金融产品，即客户经理为客户推荐理财产品，客户经理基于已掌握的客户信息，人工筛选出适合客户的理财产品，通过电话等线下触达的方式，为客户进行推荐。
3.然而，线下渠道推荐理财产品，主要通过客户经理为客户进行推荐，一般是人工判断推荐，而人工推荐容易出现推荐的金融产品与用户需求存在偏差，未能实现对客户精准、个性化推荐产品。
4.针对相关技术中推荐产品与用户需求匹配度较低的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本技术的主要目的在于提供一种产品推荐方法、装置、存储介质及电子设备，以解决相关技术中推荐产品与用户需求匹配度较低的问题。
6.为了实现上述目的，根据本技术的一个方面，提供了一种产品推荐方法。该方法包括：获取目标用户的偏好产品、偏好产品的偏好评估值和待推荐的m种金融产品；确定m种金融产品的偏好评估值列表，并基于偏好评估值列表中的偏好评估值和偏好产品的偏好评估值计算偏好产品与每种金融产品的相似度，得到一组相似度，其中，m为正整数，偏好评估值列表包含每个用户对每种金融产品的偏好评估值；按照相似度从高到低的顺序从一组相似度中确定第一数量的相似度对应的待推荐产品，得到第一产品集合；获取目标用户预设周期内的金融产品交易记录，从金融产品交易记录中提取第二数量的历史交易产品，得到第二产品集合，将第一产品集合和第二产品集合进行组合，得到目标产品集合；基于交易金额从大到小的顺序从目标产品集合中确定第一数量的一组目标产品，并将一组目标产品推荐给目标用户，其中，交易金额为目标用户购买目标产品集合中的金融产品所需的金额。
7.可选地，获取目标用户的偏好产品包括：判断是否获取到目标用户对m种金融产品的行为数据，其中，行为数据至少包括以下之一：购买次数、浏览次数和收藏次数；在获取到行为数据的情况下，基于行为数据计算目标用户对每种金融产品的偏好评估值，得到一组偏好评估值；从一组偏好评估值中确定最大偏好评估值，确定最大偏好评估值关联的目标金融产品，并将目标金融产品确定为偏好产品。
8.可选地，在判断是否获取到目标用户对m种金融产品的行为数据之后，该方法还包括：在未获取到行为数据的情况下，获取目标用户的用户标签，并确定多个其他用户，其中，其他用户是与目标用户具有相同的用户标签并且已获取行为数据的用户；确定每个其他用
户的偏好产品，得到偏好产品集合；将偏好产品集合中数量最多的偏好产品确定为目标用户的偏好产品。
9.可选地，在行为数据包括购买次数、浏览次数和收藏次数的情况下，基于行为数据计算目标用户对每种金融产品的偏好评估值包括：确定购买次数的第一权重，确定浏览次数的第二权重，并确定收藏次数的第三权重；确定目标用户对当前金融产品的历史购买次数、历史浏览次数和历史收藏次数；基于购买次数从评估值映射关系表中确定历史购买次数对应的第一评估值，基于浏览次数从评估值映射关系表中确定历史浏览次数对应的第二评估值，基于收藏次数从评估值映射关系表中确定历史收藏次数对应的第三评估值，其中，评估值映射关系表包括购买次数与评估值的第一映射关系、浏览次数与评估值的第二映射关系和收藏次数与评估值的第三映射关系；计算第一权重与第一评估值的积，得到购买次数评估值，计算第二权重与第二评估值的积，得到浏览次数评估值，计算第三权重与第三评估值的积，得到收藏次数评估值；计算购买次数评估值、浏览次数评估值和收藏次数评估值的和，得到偏好评估值。
10.可选地，在基于偏好评估值列表中的偏好评估值和偏好产品的偏好评估值计算偏好产品与每种金融产品的相似度之前，该方法还包括：获取目标数据库中所有用户的行为数据，并基于行为数据确定每个用户对每种金融产品的偏好评估值；基于每个用户对每种金融产品的偏好评估值构建偏好评估值列表。
11.可选地，基于偏好评估值列表中的偏好评估值和偏好产品的偏好评估值计算偏好产品与每种金融产品的相似度包括：计算所有用户对偏好产品的偏好评估值的均值，得到偏好产品的偏好评估均值；基于偏好评估值列表计算所有用户对金融产品的偏好评估值的均值，得到金融产品的偏好评估均值；基于偏好产品的偏好评估均值、金融产品的偏好评估均值、每个用户对偏好产品的偏好评估值和每个用户对金融产品的偏好评估值计算余弦相似系数，得到偏好产品与金融产品的相似度。
12.可选地，从金融产品交易记录中提取第二数量的历史交易产品包括：确定金融产品交易记录中包含的n种金融产品，并确定目标用户对每种金融产品的交易频次和交易金额，其中，n为正整数；计算交易频次与第四权重的积，得到交易频次评估值，计算交易金额与第五权重的积，得到交易金额评估值；计算交易频次评估值和交易金额评估值的和，得到交易记录评估值；按照交易记录评估值从大到小的顺序从n种金融产品中确定第二数量的产品，得到第二产品集合。
13.为了实现上述目的，根据本技术的另一方面，提供了一种产品推荐装置。该装置包括：第一获取单元，用于获取目标用户的偏好产品、偏好产品的偏好评估值和待推荐的m种金融产品；第一确定单元，用于确定m种金融产品的偏好评估值列表，并基于偏好评估值列表中的偏好评估值和偏好产品的偏好评估值计算偏好产品与每种金融产品的相似度，得到一组相似度，其中，m为正整数，偏好评估值列表包含每个用户对每种金融产品的偏好评估值；第二确定单元，用于按照相似度从高到低的顺序从一组相似度中确定第一数量的相似度对应的待推荐产品，得到第一产品集合；第二获取单元，用于获取目标用户预设周期内的金融产品交易记录，从金融产品交易记录中提取第二数量的历史交易产品，得到第二产品集合，将第一产品集合和第二产品集合进行组合，得到目标产品集合；第三确定单元，用于基于交易金额从大到小的顺序从目标产品集合中确定第一数量的一组目标产品，并将一组
目标产品推荐给目标用户，其中，交易金额为目标用户购买目标产品集合中的金融产品所需的金额。
14.通过本技术，采用以下步骤：获取目标用户的偏好产品、偏好产品的偏好评估值和待推荐的m种金融产品；确定m种金融产品的偏好评估值列表，并基于偏好评估值列表中的偏好评估值和偏好产品的偏好评估值计算偏好产品与每种金融产品的相似度，得到一组相似度，其中，m为正整数，偏好评估值列表包含每个用户对每种金融产品的偏好评估值；按照相似度从高到低的顺序从一组相似度中确定第一数量的相似度对应的待推荐产品，得到第一产品集合；获取目标用户预设周期内的金融产品交易记录，从金融产品交易记录中提取第二数量的历史交易产品，得到第二产品集合，将第一产品集合和第二产品集合进行组合，得到目标产品集合；基于交易金额从大到小的顺序从目标产品集合中确定第一数量的一组目标产品，并将一组目标产品推荐给目标用户，其中，交易金额为目标用户购买目标产品集合中的金融产品所需的金额，解决了相关技术中推荐产品与用户需求匹配度较低的问题。通过计算目标用户的偏好产品与待推荐的金融产品的相似度，筛选出相似度较高的一组第一产品集合，并基于目标用户的历史金融产品交易记录，综合评估出目标产品集合，并将其推荐该目标用户，满足用户对金融产品的差异化需求。进而达到了提高推荐产品与用户需求匹配度的效果。
附图说明
15.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
16.图1是根据本技术实施例提供的产品推荐方法的流程图；
17.图2是根据本技术实施例提供的产品推荐系统的示意图；
18.图3是根据本技术实施例提供的可选的产品推荐方法的流程图；
19.图4是根据本技术实施例提供的产品推荐装置的示意图；
20.图5是根据本技术实施例提供的电子设备的示意图。
具体实施方式
21.需要说明的是，在不冲突的情况下，本技术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技术。
22.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，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，都应当属于本技术保护的范围。
23.需要说明的是，本技术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，以便这里描述的本技术的实施例。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。
24.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。
25.下面结合优选的实施步骤对本发明进行说明，图1是根据本技术实施例提供的产品推荐方法的流程图，如图1所示，该方法包括如下步骤：
26.步骤s101，获取目标用户的偏好产品、偏好产品的偏好评估值和待推荐的m种金融产品。
27.具体地，目标用户可以为与金融机构进行交易的用户，偏好产品是获取目标用户对金融产品的行为数据，对目标用户的行为数据进行分析后预测出的目标用户较为喜欢的产品。偏好评估值是用于量化评估用户对金融产品的喜好程度的评估值，例如，基于目标用户对金融产品的收藏、购买和浏览等行为数据量化为评估值，最后筛选出评估值最高的产品作为目标用户的偏好产品，待推荐的m种金融产品可以为从金融机构当前售卖的金融产品中筛选出的准备推荐给目标用户的产品。
28.例如，通过收集线上渠道及线下渠道的用户行为数据(征得用户的同意后)，获取数据库中存储的全量的客户理财产品交易数据，包括客户信息、购买理财产品的名称、代码、产品期限、风险等级、交易时间、交易金额等。将上述理财产品交易数据和用户行为数据发送给产品推荐分析系统模块，来筛选出待推荐的m种金融产品。
29.步骤s102，确定m种金融产品的偏好评估值列表，并基于偏好评估值列表中的偏好评估值和偏好产品的偏好评估值计算偏好产品与每种金融产品的相似度，得到一组相似度，其中，m为正整数，偏好评估值列表包含每个用户对每种金融产品的偏好评估值。
30.具体地，偏好评估值列表可以为记录金融机构的数据库中所有用户对m种金融产品的偏好评估值的列表，通过把用户和产品的偏好评估值列表中的每一列视为所有用户对一种金融产品的评价，将每一列偏好评估值向量化后，计算任意两个向量之间的相似度，也即两款金融产品间的相似度。通过计算偏好产品与m种金融产品中的每种金融产品之间的相似度，得到一组相似度。
31.步骤s103，按照相似度从高到低的顺序从一组相似度中确定第一数量的相似度对应的待推荐产品，得到第一产品集合。
32.具体地，相似度越高说明待推荐的金融产品越与偏好产品相似，也即目标用户喜欢该待推荐的金融产品的可能性越高，因此按照相似度从高到低的顺序从一组相似度中确定第一数量的相似度对应的待推荐产品，第一数量根据需要自行设置，例如，第一数量可以为10个，将这10个待推荐的金融产品作为第一产品集合，当目标用户不存在购买金融产品的历史记录的情况下，也即无法获取到目标用户预设周期内的金融产品交易记录时，直接将第一产品集合推荐给目标用户。
33.步骤s104，获取目标用户预设周期内的金融产品交易记录，从金融产品交易记录中提取第二数量的历史交易产品，得到第二产品集合，将第一产品集合和第二产品集合进行组合，得到目标产品集合。
34.具体地，预设周期可以设置为一个月，第二数量根据需要可以人为调整，例如，第二数量可以设置为5个，查询目标用户最近30天的理财产品历史交易记录，也即预设周期内
的金融产品交易记录，综合交易频次及交易金额对金融产品交易记录中的产品排序，排出前5名产品，将这5支产品与第一产品集合进行组合，得到目标产品集合。
35.步骤s105，基于交易金额从大到小的顺序从目标产品集合中确定第一数量的一组目标产品，并将一组目标产品推荐给目标用户，其中，交易金额为目标用户购买目标产品集合中的金融产品所需的金额。
36.具体地，将目标产品集合中的金融产品进行比较，按照交易金额进行排序，查找出前10名的金融产品作为一组目标产品推荐给目标用户。
37.本技术实施例提供的产品推荐方法，通过获取目标用户的偏好产品、偏好产品的偏好评估值和待推荐的m种金融产品；确定m种金融产品的偏好评估值列表，并基于偏好评估值列表中的偏好评估值和偏好产品的偏好评估值计算偏好产品与每种金融产品的相似度，得到一组相似度，其中，m为正整数，偏好评估值列表包含每个用户对每种金融产品的偏好评估值；按照相似度从高到低的顺序从一组相似度中确定第一数量的相似度对应的待推荐产品，得到第一产品集合；获取目标用户预设周期内的金融产品交易记录，从金融产品交易记录中提取第二数量的历史交易产品，得到第二产品集合，将第一产品集合和第二产品集合进行组合，得到目标产品集合；基于交易金额从大到小的顺序从目标产品集合中确定第一数量的一组目标产品，并将一组目标产品推荐给目标用户，其中，交易金额为目标用户购买目标产品集合中的金融产品所需的金额，解决了相关技术中推荐产品与用户需求匹配度较低的问题。通过计算目标用户的偏好产品与待推荐的金融产品的相似度，筛选出相似度较高的一组第一产品集合，并基于目标用户的历史金融产品交易记录，综合评估出目标产品集合，并将其推荐该目标用户，满足用户对金融产品的差异化需求。进而达到了提高推荐产品与用户需求匹配度的效果。
38.目标用户的偏好产品是基于目标用户的行为数据计算出来的，可选地，在本技术实施例提供的产品推荐方法中，获取目标用户的偏好产品包括：判断是否获取到目标用户对m种金融产品的行为数据，其中，行为数据至少包括以下之一：购买次数、浏览次数和收藏次数；在获取到行为数据的情况下，基于行为数据计算目标用户对每种金融产品的偏好评估值，得到一组偏好评估值；从一组偏好评估值中确定最大偏好评估值，确定最大偏好评估值关联的目标金融产品，并将目标金融产品确定为偏好产品。
39.具体地，偏好产品可以为m种金融产品中的产品，因此首先判断是否获取到目标用户对m种金融产品的行为数据，行为数据可以包括购买次数、浏览次数和收藏次数等，这些行为数据在一定程度上反映了目标用户对金融产品的喜好程度，例如目标用户对a产品收藏过多次，说明目标用户是较为偏好a产品的。因此在获取到行为数据的情况下，基于目标用户对每种金融产品的行为数据进行量化评估，计算出目标用户对每种金融产品的偏好评估值，得到一组偏好评估值，从m种金融产品中筛选出最大偏好评估值关联的目标金融产品作为偏好产品。通过筛选偏好产品进而基于偏好产品推荐与偏好产品相似的待推荐金融产品。
40.确定偏好产品时也存在无法获取到目标用户的行为数据的情况，可选地，在本技术实施例提供的产品推荐方法中，在判断是否获取到目标用户对m种金融产品的行为数据之后，该方法还包括：在未获取到行为数据的情况下，获取目标用户的用户标签，并确定多个其他用户，其中，其他用户是与目标用户具有相同的用户标签并且已获取行为数据的用
户；确定每个其他用户的偏好产品，得到偏好产品集合；将偏好产品集合中数量最多的偏好产品确定为目标用户的偏好产品。
41.具体地，当无法获取到目标用户的行为数据时，通过确定与目标用户的客户信息类似的其他用户，基于其他用户的偏好产品综合筛选出目标用户的偏好产品。例如，在金融机构中，与目标用户具有相似的客户信息的用户同属于一个用户标签，因此通过确定与目标用户具有相同用户标签的已获取行为数据的其他用户。确定每个其他用户的偏好产品，得到偏好产品集合，从偏好产品集合中数量最多的偏好产品作为目标用户的偏好产品，若偏好产品集合中各个偏好产品均不相同，或者数量最多的偏好产品不止一个，则从这些偏好产品中随机选取一个作为目标用户的偏好产品。通过在未获取到目标用户的行为数据的情况下确定目标用户的偏好产品，保障待推荐的金融产品与目标用户的需求匹配度更高。
42.可选地，在本技术实施例提供的产品推荐方法中，在行为数据包括购买次数、浏览次数和收藏次数的情况下，基于行为数据计算目标用户对每种金融产品的偏好评估值包括：确定购买次数的第一权重，确定浏览次数的第二权重，并确定收藏次数的第三权重；确定目标用户对当前金融产品的历史购买次数、历史浏览次数和历史收藏次数；基于购买次数从评估值映射关系表中确定历史购买次数对应的第一评估值，基于浏览次数从评估值映射关系表中确定历史浏览次数对应的第二评估值，基于收藏次数从评估值映射关系表中确定历史收藏次数对应的第三评估值，其中，评估值映射关系表包括购买次数与评估值的第一映射关系、浏览次数与评估值的第二映射关系和收藏次数与评估值的第三映射关系；计算第一权重与第一评估值的积，得到购买次数评估值，计算第二权重与第二评估值的积，得到浏览次数评估值，计算第三权重与第三评估值的积，得到收藏次数评估值；计算购买次数评估值、浏览次数评估值和收藏次数评估值的和，得到偏好评估值。
43.具体地，基于不同类型的行为数据可以人为设置不同的权重，通过权重来区分不同类型的行为数据对用户的偏好的影响程度。例如，购买次数的第一权重设置为0.5，浏览次数的第二权重设置为0.2，收藏次数的第三权重设置为0.3。评估值映射关系表可以为人为设置的不同次数的行为数据量化的评估值，例如，购买一次对应的评估值为2分，购买五次对应的评估值为10分。确定目标用户对当前金融产品的历史购买次数、历史浏览次数和历史收藏次数后，通过查询评估值映射关系表，确定第一评估值、第二评估值和第三评估值。计算各个权重与对应的评估值的积，得到购买次数评估值、浏览次数评估值和收藏次数评估值。并将购买次数评估值、浏览次数评估值和收藏次数评估值的和作为该种金融产品的偏好评估值。通过按照购买次数、浏览或收藏操作次数等指标进行权重分配并打分，得出目标用户对不同金融产品的偏好程度，从而计算偏好评估值。
44.计算偏好产品与各个金融产品的相似度之前需要先构建偏好评估值列表，可选地，在本技术实施例提供的产品推荐方法中，在基于偏好评估值列表中的偏好评估值和偏好产品的偏好评估值计算偏好产品与每种金融产品的相似度之前，该方法还包括：获取目标数据库中所有用户的行为数据，并基于行为数据确定每个用户对每种金融产品的偏好评估值；基于每个用户对每种金融产品的偏好评估值构建偏好评估值列表。
45.具体地，通过按照购买次数、浏览或收藏操作次数等指标进行权重分配并打分，得出不同客户对不同产品的喜好程度，构建偏好评估值列表。例如，a用户对a产品购买一次，浏览两次，收藏一次，计算a用户对a产品的偏好评估值为2+1*2+2＝6分。b用户对a产品购买
两次，浏览五次，收藏一次，计算b用户对a产品的偏好评估值为2*2+1*5+2＝11分。将不同用户对不同金融产品的偏好评估值记录在表格中，得到偏好评估值列表。通过构建偏好评估值列表为计算偏好产品与金融产品间的相似度提供数据。
46.通过计算余弦相似系数作为偏好产品与金融产品的相似度，可选地，在本技术实施例提供的产品推荐方法中，基于偏好评估值列表中的偏好评估值和偏好产品的偏好评估值计算偏好产品与每种金融产品的相似度包括：计算所有用户对偏好产品的偏好评估值的均值，得到偏好产品的偏好评估均值；基于偏好评估值列表计算所有用户对金融产品的偏好评估值的均值，得到金融产品的偏好评估均值；基于偏好产品的偏好评估均值、金融产品的偏好评估均值、每个用户对偏好产品的偏好评估值和每个用户对金融产品的偏好评估值计算余弦相似系数，得到偏好产品与金融产品的相似度。
47.例如，a用户对偏好产品x的偏好评估值为10分，对待推荐的金融产品a的偏好评估值为20分；b用户对偏好产品x的偏好评估值为30分，对待推荐的金融产品a的偏好评估值为10分；c用户对偏好产品x的偏好评估值为20分，对待推荐的金融产品a的偏好评估值为12分，则偏好产品的偏好评估均值为(10+30+20)/3＝20，待推荐的金融产品a的偏好评估均值为(20+10+12)/3＝14。计算偏好产品x与待推荐的金融产品a的余弦相似系数＝((10-20)
×
(20-14)+(30-20)
×
(10-14)+(20-20)
×
(12-14))/((10-20)2+(30-20)2+(20-20)2)
1/2
×
((20-14)2+(10-14)2+(12-14)2)
1/2
＝0.19。偏好产品x与待推荐的金融产品a的相似度即为0.19。通过计算偏好产品与各个金融产品的相似度进而筛选出最后推荐给目标用户的目标产品。
48.可选地，在本技术实施例提供的产品推荐方法中，从金融产品交易记录中提取第二数量的历史交易产品包括：确定金融产品交易记录中包含的n种金融产品，并确定目标用户对每种金融产品的交易频次和交易金额，其中，n为正整数；计算交易频次与第四权重的积，得到交易频次评估值，计算交易金额与第五权重的积，得到交易金额评估值；计算交易频次评估值和交易金额评估值的和，得到交易记录评估值；按照交易记录评估值从大到小的顺序从n种金融产品中确定第二数量的产品，得到第二产品集合。
49.具体地，综合考虑交易频次和交易金额从金融产品交易记录中提取第二数量的历史交易产品，首先确定交易频次的第四权重和交易金额的第五权重，基于交易频次评估值和交易金额评估值的和，也即交易记录评估值筛选出目标用户最可能回购的几个金融产品，交易记录评估值越大目标客户回购对应的金融产品的可能性越高。因此按照交易记录评估值从大到小的顺序从n种金融产品中筛选出第二产品集合。通过确定第二产品集合保障向目标用户推荐金融产品时也考虑用户回购的需求。
50.根据本技术的另一实施例，还提供了一种产品推荐系统，图2是根据本技术实施例提供的产品推荐系统的示意图。如图2所示，该系统包括：
51.数据收集模块201，用于收集用户行为数据和客户理财产品交易数据。
52.具体地，收集线上渠道及线下渠道的用户行为数据(征得用户的同意后)，全量的客户理财产品交易数据，包括客户信息、购买理财产品的名称、代码、产品期限、风险等级、交易时间、交易金额等。传递给产品推荐分析模块202，用于进行产品推荐分析。
53.产品推荐分析模块202，用于基于用户行为数据和客户理财产品交易数据分析出待推荐的与用户评价高的产品相似度高的第一产品集合。
54.具体地，基于输入的全量客户的理财产品历史交易数据，通过基于物品的协同过滤算法，构建用户对不同理财产品的偏好矩阵。如按照购买次数、浏览或收藏操作次数等指标进行权重分配并打分，得出不同客户对不同产品的喜好程度(评价)，构建偏好矩阵。把偏好矩阵中的某一列视为所有用户对该产品的评价，将产品向量化后，依据用户对产品的评价计算出各理财产品之间的相似度。对于当前用户评价高的产品，找出与之相似度最高的10个产品作为第一产品集合。
55.推荐结果输出模块203，输出最终向用户推荐的目标产品集合。
56.具体地，查询该客户最近30天的理财产品历史交易记录，若无，则直接采用第一产品集合作为目标产品集合。若有，则按交易频次及交易金额排序，排出前5名产品，将这5支产品与第一产品集合进行比较，按照交易金额进行排序，查找出前10名的产品作为目标产品集合。
57.图3是根据本技术实施例提供的可选的产品推荐方法的流程图。如图3所示，该方法包括：步骤s301，用户行为数据收集；步骤s302，构建用户与产品之间的偏好矩阵；步骤s303，计算产品相似度；步骤s304，找到与当前用户评价高的产品相似度最高的10个产品；步骤s305，根据该客户历史行为进行二次修正；步骤s306，输出推荐结果。
58.通过本技术实施例提供的可选的产品推荐方法，基于协同过滤算法计算目标用户的偏好产品与待推荐的金融产品的相似度，筛选出相似度较高的一组第一产品集合，并基于目标用户的历史金融产品交易记录，综合评估出目标产品集合，并将其推荐该目标用户，并输出给银行工作人员，用于线下精准化推荐给客户。将极大提升服务效率和质量，满足用户对理财产品的差异化需求。
59.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。
60.本技术实施例还提供了一种产品推荐装置，需要说明的是，本技术实施例的产品推荐装置可以用于执行本技术实施例所提供的用于产品推荐方法。以下对本技术实施例提供的产品推荐装置进行介绍。
61.图4是根据本技术实施例提供的产品推荐装置的示意图。如图4所示，该装置包括：
62.第一获取单元10，用于获取目标用户的偏好产品、偏好产品的偏好评估值和待推荐的m种金融产品；
63.第一确定单元20，用于确定m种金融产品的偏好评估值列表，并基于偏好评估值列表中的偏好评估值和偏好产品的偏好评估值计算偏好产品与每种金融产品的相似度，得到一组相似度，其中，m为正整数，偏好评估值列表包含每个用户对每种金融产品的偏好评估值；
64.第二确定单元30，用于按照相似度从高到低的顺序从一组相似度中确定第一数量的相似度对应的待推荐产品，得到第一产品集合；
65.第二获取单元40，用于获取目标用户预设周期内的金融产品交易记录，从金融产品交易记录中提取第二数量的历史交易产品，得到第二产品集合，将第一产品集合和第二产品集合进行组合，得到目标产品集合；
66.第三确定单元50，用于基于交易金额从大到小的顺序从目标产品集合中确定第一
数量的一组目标产品，并将一组目标产品推荐给目标用户，其中，交易金额为目标用户购买目标产品集合中的金融产品所需的金额。
67.本技术实施例提供的产品推荐装置，通过第一获取单元10，获取目标用户的偏好产品、偏好产品的偏好评估值和待推荐的m种金融产品；第一确定单元20，确定m种金融产品的偏好评估值列表，并基于偏好评估值列表中的偏好评估值和偏好产品的偏好评估值计算偏好产品与每种金融产品的相似度，得到一组相似度，其中，m为正整数，偏好评估值列表包含每个用户对每种金融产品的偏好评估值；第二确定单元30，按照相似度从高到低的顺序从一组相似度中确定第一数量的相似度对应的待推荐产品，得到第一产品集合；第二获取单元40，获取目标用户预设周期内的金融产品交易记录，从金融产品交易记录中提取第二数量的历史交易产品，得到第二产品集合，将第一产品集合和第二产品集合进行组合，得到目标产品集合；第三确定单元50，基于交易金额从大到小的顺序从目标产品集合中确定第一数量的一组目标产品，并将一组目标产品推荐给目标用户，其中，交易金额为目标用户购买目标产品集合中的金融产品所需的金额，解决了相关技术中推荐产品与用户需求匹配度较低的问题，通过计算目标用户的偏好产品与待推荐的金融产品的相似度，筛选出相似度较高的一组第一产品集合，并基于目标用户的历史金融产品交易记录，综合评估出目标产品集合，并将其推荐该目标用户，满足用户对金融产品的差异化需求。进而达到了提高推荐产品与用户需求匹配度的效果。
68.可选地，在本技术实施例提供的产品推荐装置中，第一获取单元10包括：判断模块，用于判断是否获取到目标用户对m种金融产品的行为数据，其中，行为数据至少包括以下之一：购买次数、浏览次数和收藏次数；第一计算模块，用于在获取到行为数据的情况下，基于行为数据计算目标用户对每种金融产品的偏好评估值，得到一组偏好评估值；第一确定模块，用于从一组偏好评估值中确定最大偏好评估值，确定最大偏好评估值关联的目标金融产品，并将目标金融产品确定为偏好产品。
69.可选地，在本技术实施例提供的产品推荐装置中，该装置还包括：第三获取单元，用于在未获取到行为数据的情况下，获取目标用户的用户标签，并确定多个其他用户，其中，其他用户是与目标用户具有相同的用户标签并且已获取行为数据的用户；第四确定单元，用于确定每个其他用户的偏好产品，得到偏好产品集合；第五确定单元，用于将偏好产品集合中数量最多的偏好产品确定为目标用户的偏好产品。
70.可选地，在本技术实施例提供的产品推荐装置中，第一计算模块包括：第一确定子模块，用于确定购买次数的第一权重，确定浏览次数的第二权重，并确定收藏次数的第三权重；第二确定子模块，用于确定目标用户对当前金融产品的历史购买次数、历史浏览次数和历史收藏次数；第三确定子模块，用于基于购买次数从评估值映射关系表中确定历史购买次数对应的第一评估值，基于浏览次数从评估值映射关系表中确定历史浏览次数对应的第二评估值，基于收藏次数从评估值映射关系表中确定历史收藏次数对应的第三评估值，其中，评估值映射关系表包括购买次数与评估值的第一映射关系、浏览次数与评估值的第二映射关系和收藏次数与评估值的第三映射关系；第一计算子模块，用于计算第一权重与第一评估值的积，得到购买次数评估值，计算第二权重与第二评估值的积，得到浏览次数评估值，计算第三权重与第三评估值的积，得到收藏次数评估值；第二计算子模块，用于计算购买次数评估值、浏览次数评估值和收藏次数评估值的和，得到偏好评估值。
71.可选地，在本技术实施例提供的产品推荐装置中，该装置还包括：第四获取单元，用于获取目标数据库中所有用户的行为数据，并基于行为数据确定每个用户对每种金融产品的偏好评估值；构建单元，用于基于每个用户对每种金融产品的偏好评估值构建偏好评估值列表。
72.可选地，在本技术实施例提供的产品推荐装置中，第一确定单元20包括：第二计算模块，用于计算所有用户对偏好产品的偏好评估值的均值，得到偏好产品的偏好评估均值；第三计算模块，用于基于偏好评估值列表计算所有用户对金融产品的偏好评估值的均值，得到金融产品的偏好评估均值；第四计算模块，用于基于偏好产品的偏好评估均值、金融产品的偏好评估均值、每个用户对偏好产品的偏好评估值和每个用户对金融产品的偏好评估值计算余弦相似系数，得到偏好产品与金融产品的相似度。
73.可选地，在本技术实施例提供的产品推荐装置中，第二获取单元40包括：第二确定模块，用于确定金融产品交易记录中包含的n种金融产品，并确定目标用户对每种金融产品的交易频次和交易金额，其中，n为正整数；第五计算模块，用于计算交易频次与第四权重的积，得到交易频次评估值，计算交易金额与第五权重的积，得到交易金额评估值；第六计算模块，用于计算交易频次评估值和交易金额评估值的和，得到交易记录评估值；第三确定模块，用于按照交易记录评估值从大到小的顺序从n种金融产品中确定第二数量的产品，得到第二产品集合。
74.产品推荐装置包括处理器和存储器，上述第一获取单元10、第一确定单元20、第二确定单元30、第二获取单元40和第三确定单元50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。
75.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提高推荐产品与用户需求匹配度的效果。
76.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。
77.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产品推荐方法。
78.本发明实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行产品推荐方法。
79.图5是根据本技术实施例提供的电子设备的示意图。如图5所示，电子设备501包括处理器、存储器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：产品推荐方法。本文中的设备可以是服务器、pc、pad、手机等。
80.本技术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：产品推荐方法。
81.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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。
82.本技术是参照根据本技术实施例的方法、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。
83.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。
84.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。
85.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。
86.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。
87.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。
88.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。
89.本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术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，本技术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。
90.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、
改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种产品推荐方法，其特征在于，包括：获取目标用户的偏好产品、所述偏好产品的偏好评估值和待推荐的m种金融产品；确定所述m种金融产品的偏好评估值列表，并基于偏好评估值列表中的偏好评估值和所述偏好产品的偏好评估值计算所述偏好产品与每种金融产品的相似度，得到一组相似度，其中，m为正整数，所述偏好评估值列表包含每个用户对每种金融产品的偏好评估值；按照相似度从高到低的顺序从所述一组相似度中确定第一数量的相似度对应的待推荐产品，得到第一产品集合；获取所述目标用户预设周期内的金融产品交易记录，从所述金融产品交易记录中提取第二数量的历史交易产品，得到第二产品集合，将所述第一产品集合和所述第二产品集合进行组合，得到目标产品集合；基于交易金额从大到小的顺序从所述目标产品集合中确定所述第一数量的一组目标产品，并将所述一组目标产品推荐给所述目标用户，其中，所述交易金额为所述目标用户购买所述目标产品集合中的金融产品所需的金额。2.根据权利要求1所述的方法，其特征在于，获取目标用户的偏好产品包括：判断是否获取到所述目标用户对所述m种金融产品的行为数据，其中，所述行为数据至少包括以下之一：购买次数、浏览次数和收藏次数；在获取到所述行为数据的情况下，基于所述行为数据计算所述目标用户对每种金融产品的偏好评估值，得到一组偏好评估值；从所述一组偏好评估值中确定最大偏好评估值，确定最大偏好评估值关联的目标金融产品，并将所述目标金融产品确定为所述偏好产品。3.根据权利要求2所述的方法，其特征在于，在判断是否获取到所述目标用户对所述m种金融产品的行为数据之后，所述方法还包括：在未获取到所述行为数据的情况下，获取所述目标用户的用户标签，并确定多个其他用户，其中，所述其他用户是与所述目标用户具有相同的用户标签并且已获取行为数据的用户；确定每个其他用户的偏好产品，得到偏好产品集合；将所述偏好产品集合中数量最多的偏好产品确定为所述目标用户的偏好产品。4.根据权利要求2所述的方法，其特征在于，在所述行为数据包括购买次数、浏览次数和收藏次数的情况下，基于所述行为数据计算所述目标用户对每种金融产品的偏好评估值包括：确定所述购买次数的第一权重，确定所述浏览次数的第二权重，并确定所述收藏次数的第三权重；确定所述目标用户对当前金融产品的历史购买次数、历史浏览次数和历史收藏次数；基于购买次数从评估值映射关系表中确定所述历史购买次数对应的第一评估值，基于浏览次数从所述评估值映射关系表中确定所述历史浏览次数对应的第二评估值，基于收藏次数从所述评估值映射关系表中确定所述历史收藏次数对应的第三评估值，其中，所述评估值映射关系表包括购买次数与评估值的第一映射关系、浏览次数与评估值的第二映射关系和收藏次数与评估值的第三映射关系；计算所述第一权重与所述第一评估值的积，得到购买次数评估值，计算所述第二权重
与所述第二评估值的积，得到浏览次数评估值，计算所述第三权重与所述第三评估值的积，得到收藏次数评估值；计算所述购买次数评估值、所述浏览次数评估值和所述收藏次数评估值的和，得到所述偏好评估值。5.根据权利要求1所述的方法，其特征在于，在基于偏好评估值列表中的偏好评估值和所述偏好产品的偏好评估值计算所述偏好产品与每种金融产品的相似度之前，所述方法还包括：获取目标数据库中所有用户的行为数据，并基于所述行为数据确定每个用户对每种金融产品的偏好评估值；基于所述每个用户对每种金融产品的偏好评估值构建所述偏好评估值列表。6.根据权利要求1所述的方法，其特征在于，基于偏好评估值列表中的偏好评估值和所述偏好产品的偏好评估值计算所述偏好产品与每种金融产品的相似度包括：计算所有用户对所述偏好产品的偏好评估值的均值，得到所述偏好产品的偏好评估均值；基于所述偏好评估值列表计算所有用户对金融产品的偏好评估值的均值，得到所述金融产品的偏好评估均值；基于所述偏好产品的偏好评估均值、所述金融产品的偏好评估均值、每个用户对所述偏好产品的偏好评估值和每个用户对所述金融产品的偏好评估值计算余弦相似系数，得到所述偏好产品与所述金融产品的相似度。7.根据权利要求1所述的方法，其特征在于，从所述金融产品交易记录中提取第二数量的历史交易产品包括：确定所述金融产品交易记录中包含的n种金融产品，并确定所述目标用户对每种金融产品的交易频次和交易金额，其中，n为正整数；计算所述交易频次与第四权重的积，得到交易频次评估值，计算所述交易金额与第五权重的积，得到交易金额评估值；计算所述交易频次评估值和所述交易金额评估值的和，得到交易记录评估值；按照所述交易记录评估值从大到小的顺序从所述n种金融产品中确定所述第二数量的产品，得到所述第二产品集合。8.一种产品推荐装置，其特征在于，包括：第一获取单元，用于获取目标用户的偏好产品、所述偏好产品的偏好评估值和待推荐的m种金融产品；第一确定单元，用于确定所述m种金融产品的偏好评估值列表，并基于偏好评估值列表中的偏好评估值和所述偏好产品的偏好评估值计算所述偏好产品与每种金融产品的相似度，得到一组相似度，其中，m为正整数，所述偏好评估值列表包含每个用户对每种金融产品的偏好评估值；第二确定单元，用于按照相似度从高到低的顺序从所述一组相似度中确定第一数量的相似度对应的待推荐产品，得到第一产品集合；第二获取单元，用于获取所述目标用户预设周期内的金融产品交易记录，从所述金融产品交易记录中提取第二数量的历史交易产品，得到第二产品集合，将所述第一产品集合
和所述第二产品集合进行组合，得到目标产品集合；第三确定单元，用于基于交易金额从大到小的顺序从所述目标产品集合中确定所述第一数量的一组目标产品，并将所述一组目标产品推荐给所述目标用户，其中，所述交易金额为所述目标用户购买所述目标产品集合中的金融产品所需的金额。9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制所述非易失性存储介质所在的设备执行权利要求1至7中任意一项所述的产品推荐方法。10.一种电子设备，其特征在于，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权利要求1至7中任意一项所述的产品推荐方法。

技术总结
本申请公开了一种产品推荐方法、装置、存储介质及电子设备。涉及金融科技领域及其他相关技术领域，该方法包括：获取目标用户的偏好产品、偏好产品的偏好评估值和待推荐的M种金融产品；确定偏好评估值列表，计算偏好产品与金融产品的相似度，得到一组相似度；确定第一数量的相似度对应的待推荐产品，得到第一产品集合；获取目标用户预设周期内的金融产品交易记录，从金融产品交易记录中提取第二数量的历史交易产品，得到第二产品集合，将第一产品集合和第二产品集合进行组合，得到目标产品集合；从目标产品集合中确定第一数量的一组目标产品，并将一组目标产品推荐给目标用户。通过本申请，解决了相关技术中推荐产品与用户需求匹配度较低的问题。匹配度较低的问题。匹配度较低的问题。


技术研发人员：季越 付新丽 田兰兰
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：2023.06.01
技术公布日：2023/8/4