[发明专利]产品推荐方法、装置、设备和介质

说明书

本公开提供了一种产品推荐方法，可用于金融领域或其他领域。该方法包括：获取在T个时刻中每个时刻内M个客户对N个产品进行操作的行为数据，得到行为数据集；基于行为数据集，得到与T个时刻对应的T个原始评分矩阵；基于T个原始评分矩阵分别提取出每个客户对应于T个时刻的客户特征向量序列和每个产品对应于T个时刻的产品特征向量序列；利用同类型的两个神经网络模型分别处理客户特征向量序列和产品特征向量序列，对应得到客户预测评分向量和产品预测评分向量；基于M个客户中每个客户的客户预测评分向量与N个产品的产品预测评分向量的相关性分析，确定从N个产品中向每个客户进行推荐的产品。本公开还提供了一种产品推荐装置、设备、存储介质和程序产品。

技术领域

本公开涉及人工智能领域，更具体地涉及一种产品推荐方法、装置、设备、介质和程序产品。

背景技术

精准地向客户进行产品推荐，能够促进产品的销售转化，也能够有效地满足客户的个性化需求，从而有效提高整体的经济效率。相关技术中，推荐系统可以通过分析客户的个人信息以及其行为日志(例如，对产品的购买或关注等行为信息)，捕获客户的偏好数据，进而向客户推荐可能感兴趣的物品。然而，目前的推荐系统往往依赖客户的历史行为，但是客户的喜好需求可能会随着时间而改变，而且有些产品的信息(例如，金融产品的收益率、艺术品的价格)也可能会随时间发生变化，目前推荐系统进行产品推荐时并没有很好的融合诸如以上客户行为或产品中的时序变化因素，往往导致推荐效果不佳。

发明内容

鉴于上述问题，本公开实施例提供了在产品推荐中融合时序变化因素以提高产品推荐精准度的产品推荐方法、装置、设备、介质和程序产品。

本公开实施例的第一方面，提供了一种产品推荐方法。所述方法包括：获取在T个时刻中每个时刻内M个客户对N个产品进行操作的行为数据，得到行为数据集；其中，T、M、N均为大于或等于2的整数；基于所述行为数据集，得到与T个时刻一一对应的T个原始评分矩阵，其中，所述原始评分矩阵中的行列两个维度分别为客户维和产品维，其中，所述客户维包括所述M个客户，所述产品维包括所述N个产品；分别从T个所述原始评分矩阵的所述客户维中提取所述M个客户中每个客户的数据，得到每个客户对应于所述T个时刻的客户特征向量序列；分别从T个所述原始评分矩阵的所述产品维中提取所述N个产品中每个产品的数据，得到每个产品对应于所述T个时刻的产品特征向量序列；利用第一时序预测模型处理所述客户特征向量序列，得到客户预测评分向量；利用第二时序预测模型处理所述产品特征向量序列，得到产品预测评分向量；其中，所述第一时序预测模型和所述第二时序预测模型为同种类型的神经网络模型；以及基于所述M个客户中每个客户的所述客户预测评分向量与所述N个产品的所述产品预测评分向量的相关性分析，确定从所述N个产品中向每个客户进行推荐的产品。

根据本公开的实施例，所述基于所述行为数据集，得到与T个时刻一一对应的T个原始评分矩阵包括：根据所述行为数据的不同内容对应设置不同的评分；以及基于每个时刻所述M个客户对所述N个产品的所述行为数据对应的评分，设置所述原始评分矩阵中每个元素的值。

根据本公开的实施例，所述行为数据的内容包括以下至少之一：购买、分享、关注、收藏、点赞、或点击进入详情。

根据本公开的实施例，所述基于每个时刻所述M个客户对所述N个产品的所述行为数据对应的评分，设置所述原始评分矩阵中每个元素的值包括：获取所述T个时刻中每个时刻所述N个产品的属性数据；以及以每个时刻所述M个客户对所述N个产品的所述行为数据对应的评分对所述N个产品的属性数据进行加权，得到所述原始评分矩阵中每个元素的值。

根据本公开的实施例，当所述N个产品属于金融产品时，所述属性数据包括七日年化收益率、每万份收益、或产品规模的至少之一。