[发明专利]推荐数据的方法、装置、存储介质和处理器

说明书

本发明公开了一种推荐数据的方法、装置、存储介质和处理器。其中，该方法包括：获取目标用户的特征数据，其中，特征数据包括：目标用户的用户特征和/或与目标用户关联的关联对象的对象特征；基于可解释神经网络模型，对目标用户的特征数据进行分析，得到推荐数据，其中，可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。本发明解决了现有技术基于用户关注的内容来推荐数据，由于数据推荐的范围大，导致数据的推荐结果不准确的技术问题。

技术领域

本发明涉及数据领域，具体而言，涉及一种推荐数据的方法、装置、存储介质和处理器。

背景技术

目前，在推荐数据时，通常是基于内容的推荐算法，原理是用户可能喜欢的内容和自己关注过的内容类似，则将与用户关注过的内容类似的内容的数据推荐给用户，比如，用户关注了“玻璃破碎险”，则基于内容的推荐算法发现了“车身划痕险”，这与之前关注的“玻璃破碎险”在内容上面有很大的关联性，则将“车身划痕险”的数据推荐给用户。

在相关技术中，还通过协同过滤算法来推荐数据，原理是用户可能喜欢那些具有相似兴趣的用户所喜欢过的内容，则可以将具有相似兴趣的用户所喜欢过的内容的数据推荐给用户，比如，宝马车主购买了“盗抢险”，另一用户购买的新车也是宝马，则另一用户和宝马车主具有相似兴趣，则将宝马车主购买的“盗抢险”的数据推荐给另一用户。

针对上述现有技术中一般基于用户关注的内容或与用户具有相似兴趣的用户所喜欢的内容来推荐数据，由于数据推荐的范围大，导致数据的推荐结果不准确的技术问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种推荐数据的方法、装置、存储介质和处理器，以至少解决现有技术基于用户关注的内容来推荐数据，由于数据推荐的范围大，导致数据的推荐结果不准确的技术问题。

根据本发明实施例的一个方面，提供了一种推荐数据的方法。该方法包括：获取目标用户的特征数据，其中，特征数据包括：目标用户的用户特征和/或与目标用户关联的关联对象的对象特征；基于可解释神经网络模型，对目标用户的特征数据进行分析，得到推荐数据，其中，可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。

可选地，该方法还包括：计算目标用户选择推荐数据的概率；基于计算得到的推荐数据的概率，确定是否向目标用户推荐推荐数据。

可选地，在推荐数据的概率超过推荐阈值的情况下，向目标用户推荐推荐数据。

可选地，在基于可解释神经网络模型，对目标用户的特征数据进行分析，得到推荐数据之前，该方法还包括：获取样本数据，其中，样本数据包括：不同类型用户的用户信息、以及与不同类型用户关联的关联对象的信息；基于学习模型对样本数据进行学习，生成可解释神经网络模型。

可选地，在目标用户为驾驶车辆的车辆用户，且关联对象为车辆的情况下，用户特征为车辆用户的至少一个用户信息，对象特征包括：车辆的至少一个车辆信息和已经为车辆购买的保险的保险信息；其中，推荐数据为基于用户信息和车辆信息而预测得到的车辆保险的种类。

可选地，对预先存储的车辆保险按照种类进行分类，车辆的车辆信息和已购买的保险的保险信息作为关键的学习因素用于构建可解释神经网络模型。

根据本发明实施例的另一方面，还提供了一种推荐数据的方法。该方法包括：在交互界面上输入并显示目标用户的特征数据，其中，特征数据包括：目标用户的用户特征和/或与目标用户关联的关联对象的对象特征；在交互界面上显示推荐数据，其中，推荐数据为基于可解释神经网络模型，对目标用户的特征数据进行分析得到，可解释神经网络模型用于建立不同的特征数据与对应的推荐数据之间的映射关系。