[发明专利]基于深度学习的推荐方法、装置、电子设备和存储介质

权利要求书

1.一种基于深度学习的推荐方法，其特征在于，所述方法包括：

获取建模样本集，其中，所述建模样本集包括至少一个历史委托数据，所述至少一个历史委托数据中的每个历史委托数据用于记录一次完整的不良资产委托数据；

对所述至少一个历史委托数据进行聚类处理，得到至少一个聚类簇；

根据所述每个历史委托数据进行数据检索，得到至少一个第一数据组，其中，所述至少一个第一数据组与所述至少一个历史委托数据一一对应；

对所述至少一个第一数据组中的每个第一数据组进行预处理，得到至少一个第二数据组，其中，所述至少一个第二数据组和所述至少一个第一数据组一一对应；

将所述至少一个第二数据组输入深度学习模型进行训练，得到排序模型；

获取待推荐委托，并根据所述待推荐委托，在所述至少一个聚类簇中确定第一聚类簇，其中，所述第一聚类簇对应的历史委托与所述待推荐委托之间的相似度最高；

获取所述第一聚类簇对应的律师数据组；

将所述律师数据组和所述待推荐委托输入所述排序模型，得到目标律师数据，并将所述目标律师数据推荐给所述待推荐委托的请求人。

2.根据权利要求1所述的方法，其特征在于，所述对所述至少一个第一数据组中的每个第一数据组进行预处理，得到至少一个第二数据组，包括：

对所述至少一个第一数据组中的每个第一数据组进行特征提取，得到至少一组特征标签，其中，所述至少一组特征标签与所述至少一个第一数据组一一对应，所述至少一组特征标签中的每组特征标签用于声明所述每个第一数据组对应的历史委托数据中的资产的特征或律师的能力；

根据所述至少一组特征标签对所述至少一个第一数据组进行数据扩充，得到至少一个第三数据组，其中，所述至少一个第三数据组和所述至少一个第一数据组一一对应；

对所述至少一个第三数据组中的每个第三数据组进行数据清洗，得到所述至少一个第二数据组，其中，所述至少一个第二数据组与所述至少一个第三数据组一一对应。

3.根据权利要求2所述的方法，其特征在于，

所述至少一组特征标签中的每组特征标签包括：客户画像标签、资产画像标签和律师画像标签；

所述根据所述至少一组特征标签对所述至少一个第一数据组进行数据扩充，得到至少一个第三数据组，包括：

将所述每个第一数据组对应的客户画像标签和资产画像标签输入客户关系管理模型进行数据衍生，得到至少一个衍生客户数据，其中，所述至少一个衍生业务数据和所述至少一个第一数据组一一对应；

将所述每个第一数据组对应的律师画像标签和资产画像标签输入客户关系管理模型进行数据衍生，得到至少一个衍生律师数据，其中，所述至少一个衍生律师数据和所述至少一个第一数据组一一对应；

将所述每个第一数据组、所述每个第一数据组对应的衍生业务数据和所述每个第一数据组对应的衍生律师数据进行组合，得到所述至少一个第三数据组。

4.根据权利要求2所述的方法，其特征在于，所述对所述至少一个第三数据组中的每个第三数据组进行数据清洗，得到所述至少一个第二数据组，包括：

根据预设的补全规则，在所述至少一个第三数据组中筛选出至少一个第四数据组进行补全，得到至少一个第五数据组，其中，所述至少一个第五数据组和所述至少一个第四数据组一一对应；

对于所述至少一个第五数据组中的每个第五数据组，分别确定所述每个第五数据组的乱码率；

分别对所述每个第五数据组进行离散处理，确定所述每个第五数据组在离散后得到的码值的数量；

根据所述每个第五数据组的乱码率，以及所述每个第五数据组在离散后得到的码值的数量，在所述至少一个第五数据组中确定所述至少一个第六数据组，其中，所述至少一个第六数据组中的每个第六数据组对应的乱码率大于第一阈值，或所述每个第六数据组在离散后得到的码值的数量大于第二阈值；

根据预设的重要度规则，在所述至少一个第六数据组中筛选出至少一个第七数据组进行重要度计算，得到至少一个特征重要度，其中，所述至少一个特征重要度与所述至少一个第七数据组一一对应；

根据所述至少一个特征重要度，在所述至少一个第七数据组中确定所述至少一个第二数据组，其中，所述至少一个第二数据组中的每个第二数据组对应的特征重要度大于第三阈值。