[发明专利]产品推荐方法、装置及计算机设备

说明书

本申请提出了一种产品推荐方法、装置及计算机设备，通过对应用平台上的各应用属性信息和各产品信息进行向量化处理，得到具有特定长度的用户属性特征向量和产品特征向量后，可以将这些特征向量分别输入预先训练好的组合特征向量和神经网络模型，得到各用户关联的低维度特征对该用户点击每一产品的第一影响因子，及高维度特征对该用户点击每一产品的第二影响因子，基于各产品的第一影响因子和第二影响因子，确定该用户对各产品的推荐评分并存储，以便计算机设备能够据此为各用户有针对性推送该用户感兴趣的推荐产品，以增加用户粘性，有助于应用平台的推广。

技术领域

本申请涉及数据处理技术领域，更具体地说是涉及一种产品推荐方法、装置及计算机设备。

背景技术

随着电子商务规模的不断扩大及多元化，以各大商业银行推出的手机银行的应用平台为例，为了吸引更多客户关注，增加客户的粘性，在增加银行产品个数及种类的同时，也会针对推出的产品进行各种宣传活动，如广告、优惠券、积分换购等，而且还会引入第三方应用产品，如各种购物平台推出的商品等，丰富手机银行应用平台的内容。

然而，在实际应用中，由于第三方应用产品在其自己的应用平台上就可以方便购买或浏览，即使手机银行推出更加优惠活动，受推广力度和效率的影响，通常很难得到用户关注，无法为手机银行的推广提供很好助力。

发明内容

有鉴于此，为了解决上述技术问题，本申请提供了以下技术方案：

一方面，本申请提出了一种产品推荐方法，所述方法包括：

获取应用平台上的用户属性信息和产品信息；

对所述用户属性信息和所述产品信息进行向量化处理，得到具有特定长度的用户属性特征向量和产品特征向量；

将所述用户属性特征向量和所述产品特征向量分别输入组合特征模型和神经网络模型进行处理，得到低维度特征对用户点击各产品的第一影响因子，以及高维度特征对所述用户点击各产品的第二影响因子；

基于所述应用平台上各产品的所述第一影响因子和所述第二影响因子，确定并存储相应用户对所述各产品的推荐评分，所述推荐评分用于确定针对所述用户的推荐产品。

可选的，所述对所述用户属性信息和所述产品信息进行向量化处理，得到具有特定长度的用户属性特征向量和产品特征向量，包括：

对用户属性信息和所述产品信息进行预处理，检测预处理后所得信息的信息类型；

若包含连续型信息，采用分箱方式对所述连续型信息进行离散化处理，得到多个离散特征；

若包含离散型信息，采用独热编码方式对所述离散型信息进行编码处理，得到多个编码特征；

对所述多个离散特征和所述多个编码特征进行特征映射，得到具有特定长度的相应特征向量，所述特征向量包括由不同的用户属性特征组成的用户属性特征向量，以及与不同的产品特征组成的产品特征向量。

可选的，所述组合特征模型的训练过程包括：

获取不同用户的样本历史信息，所述样本历史信息包括相应用户的样本用户属性信息、样本产品信息以及样本行为信息；

对所述样本用户属性信息和所述样本产品信息进行向量化处理，得到具有特定长度的样本用户属性特征向量和样本产品特征向量；

基于所述样本行为信息，由所述样本用户属性特征向量和所述样本产品特征向量，构建用户属性-产品行为矩阵，所述用户属性-产品行为矩阵包含多个组合特征，所述组合特征是由两个样本用户属性特征、两个样本产品特征，或者一个样本用户属性特征与一个样本产品特征组合得到；

基于所述样本行为信息，利用所述样本用户属性特征向量、所述样本产品特征向量及所述用户属性-产品行为矩阵，构建第一样本特征-产品点击率矩阵；