[发明专利]基于客户和员工的产品推荐方法

权利要求书

1.一种基于客户和员工的产品推荐方法，其特征在于，包括：

步骤S1，设定多个客户标签以及多个员工标签，根据历史数据设定每个客户标签相对于每种产品的客户评分以及每个员工标签相对于每种产品的员工评分；

步骤S2，获取目标客户的客户画像和特定员工的员工画像，客户画像包括多个客户标签，员工画像包括多个员工标签；

步骤S3，构建客户画像相对于所有产品的客户评分矩阵以及员工画像相对于所有产品的员工评分矩阵；

步骤S4，根据客户评分矩阵计算目标客户对所有产品的预测倾向值的列向量以及所有产品的真实倾向值的列向量，根据员工评分矩阵计算特定员工对所有产品的预测熟悉度的列向量以及所有产品的真实倾向值的列向量；

步骤S5，根据预测倾向值的列向量以及所有产品的真实倾向值的列向量计算所有产品对于目标客户的推荐值，根据预测熟悉度的列向量以及所有产品的真实倾向值的列向量计算所有产品对于特定员工的推荐值；

步骤S6，将每种产品对于目标客户的推荐值及此产品对于特定员工的推荐值相乘，得到所有产品的成功值，将成功值最高的产品推荐给目标客户。

2.如权利要求1所述的基于客户和员工的产品推荐方法，其特征在于，客户标签包括客户性质、所属行业及所在地理位置。

3.如权利要求1所述的基于客户和员工的产品推荐方法，其特征在于，员工标签包括性别、入职时长、签约状态及考察结果。

4.如权利要求1所述的基于客户和员工的产品推荐方法，其特征在于，步骤S4包括：

获取产品的信息和目标客户对产品的平均评分，编写get_item_info函数从mysql数据库中获取产品的信息放到item_dist中；

编写get_train_data函数从客户评分矩阵中提取训练样本，返回list(custome rId,Itemid,label)，其中customerId为客户画像ID，Itemid为产品ID，label为正负样本的标识；

对list(customerId,Itemid,label)构成的训练样本进行模型训练，得到目标客户对所有产品的预测倾向值的列向量以及所有产品的真实倾向值的列向量。

5.如权利要求4所述的基于客户和员工的产品推荐方法，其特征在于，训练样本中包括正样本和负样本。

6.如权利要求4所述的基于客户和员工的产品推荐方法，其特征在于，模型训练的学习率随迭代的轮次逐渐衰减。

7.一种基于客户和员工的产品推荐系统，其特征在于，包括：

标签及评分设定模块，用于设定多个客户标签以及多个员工标签，根据历史数据设定每个客户标签相对于每种产品的客户评分以及每个员工标签相对于每种产品的员工评分；

画像获取模块，用于获取目标客户的客户画像和特定员工的员工画像，客户画像包括多个客户标签，员工画像包括多个员工标签；

评分矩阵构建模块，用于构建客户画像相对于所有产品的客户评分矩阵以及员工画像相对于所有产品的员工评分矩阵；

列向量计算模块，用于根据客户评分矩阵计算目标客户对所有产品的预测倾向值的列向量以及所有产品的真实倾向值的列向量，根据员工评分矩阵计算特定员工对所有产品的预测熟悉度的列向量以及所有产品的真实倾向值的列向量；

推荐值计算模块，用于根据预测倾向值的列向量以及所有产品的真实倾向值的列向量计算所有产品对于目标客户的推荐值，根据预测熟悉度的列向量以及所有产品的真实倾向值的列向量计算所有产品对于特定员工的推荐值；

成功值计算模块，用于将每种产品对于目标客户的推荐值及此产品对于特定员工的推荐值相乘，得到所有产品的成功值，将成功值最高的产品推荐给目标客户。