[发明专利]产品推荐方法、装置、处理器及电子设备

说明书

本申请公开了一种产品推荐方法、装置、处理器及电子设备。涉及金融科技领域，该方法包括：获取目标产品在多个特征视角下的样本数据；分别基于同一特征视角下的样本数据确定单视角相似度图，得到多个单视角相似度图，单视角相似度图用于表示同一视角下样本数据之间的相似度；将多个单视角相似度图进行融合，得到多视角相似度图，多视角相似度图用于表示多个视角下样本数据之间的关联关系；根据单视角相似度图和多视角相似度图确定预设推荐模型，利用样本数据对预设推荐模型进行学习训练，生成多个单视角推荐模型；将多个单视角推荐模型进行集成，得到产品推荐模型；基于产品推荐模型进行产品推荐。解决了相关技术中产品推荐的预测效果不佳的问题。

技术领域

本申请涉及领域，具体而言，涉及一种产品推荐方法、装置、处理器及电子设备。

背景技术

打造高质量营销生态体系，做好客户拓展织网补网工作，构建大中小协调、活跃度高、黏性强的客户体系，提升客户拓展维护能力。通过对公司客户交易行为、财务数据与使用银行产品的分析，建立客户潜在需求与产品的匹配模型。根据客户的潜在需求，提供相适应的公司金融业务产品，实现紧密型客户持续巩固、松散型客户尽力提升、空白型客户寻求突破，进而提升客户与我行的合作水平。因此，应用机器学习技术构建产品推荐模型十分有意义。

但是，目前主流的机器学习技术在产品推荐预测上有仍有不足，主要要两点，首先在该场景中，客户涉及的特征信息可以划分为不同视角，如基本信息视角、交易信息视角、产品信息视角，以前的大多数方法专注于如何利用不同视角间的互补信息以及减少多个特征视角之间的冗余来辅助模型分类，然而，这种方法在许多实际应用中可能不成立，因为经常由于某些不可控因素，导致样本的本分视角丢失或者样本本身就缺少部分视角，这会显着降低现有多视角学习算法的性能。其次，即使有些方案已经意识到这个问题的存在，为了解决这个问题，一些方法对样本缺失视角和不缺失的视角施加了不同的权重，用于减少缺失视角的负面影响，但是缺失视角中隐含的隐藏信息没有被充分利用来辅助样本关系学习，导致预测效果不佳。

针对相关技术中产品推荐的预测效果不佳的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种产品推荐方法、装置、处理器及电子设备，以解决相关技术中产品推荐的预测效果不佳的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种产品推荐方法。该方法包括：获取目标产品在多个特征视角下的样本数据；分别基于同一所述特征视角下的所述样本数据确定单视角相似度图，得到多个单视角相似度图，其中，所述单视角相似度图用于表示同一视角下所述样本数据之间的相似度；将多个所述单视角相似度图进行融合，得到多视角相似度图，其中，所述多视角相似度图用于表示多个视角下所述样本数据之间的关联关系；利用所述样本数据对预设推荐模型进行学习训练，生成多个单视角推荐模型，其中，所述预设推荐模型根据所述单视角相似度图和所述多视角相似度图确定；将多个单视角推荐模型进行集成，得到产品推荐模型；基于所述产品推荐模型进行产品推荐。

可选地，获取目标产品在多个特征视角下的样本数据包括：获取所述目标产品的客户信息，其中，每个所述客户信息包括多个特征视角；识别每个所述客户信息中缺失的特征视角；确定缺失的所述特征视角的数量低于第一预定阈值的客户信息为客户样本；为所述客户样本添加标签得到所述样本数据，其中，所述标签用于表示所述客户样本是否持有所述目标产品。

可选地，分别基于同一所述特征视角下的所述样本数据确定单视角相似度图，得到多个单视角相似度图包括：确定同一所述特征视角下的多个所述样本数据；确定任意两个所述样本数据之间的相似度值，其中，相似的所述样本数据之间分配第一相似度值，不同的所述样本数据之间分配第二相似度值，其中，所述第一相似度值大于第二相似度值；以所述样本数据为节点，根据所述样本数据之间的相似度值确定对应节点间的节点距离，建立所述单视角相似度图；基于多个所述特征视角的单视角相似度图，确定多个单视角相似度图。