[发明专利]产品推荐方法、装置、系统、介质和程序产品

说明书

本公开提供了一种产品推荐方法，可应用于金融领域和大数据领域等。该方法包括：获取用户的历史操作信息，该历史操作信息包括对预设对象的历史选中信息和对预设对象中产品的历史交易信息；根据历史选中信息，确定用户选中预设的多类对象中每类对象的第一概率值；根据历史交易信息，确定用户购买每类对象中产品的第二概率值；根据第一概率值和第二概率值，确定针对每类对象的评估值权重；以及根据针对每类对象的评估值权重，确定向用户推荐的多类对象中的产品。还公开还提供了一种产品推荐装置、设备和存储介质。

技术领域

本公开涉及信息技术领域，具体涉及一种产品推荐方法、装置、系统、介质和程序产品。

背景技术

随着信息技术的发展，各种线上平台应用而生。为促进用户线上购物的体验感并提高成交量，往往会为根据用户兴趣向用户进行产品的个性化推荐。

相关技术中，在向用户进行个性化推荐时，一般根据用户的购买历史、用户的浏览历史向用户推荐产品。但随着产品种类的不断丰富和产品数量的快速增长，往往会导致信息过载或推荐不准确。例如，在金融领域，用户由于缺乏金融相关知识及金融产品过多，往往难以自主选出符合自身需求的投资类产品。

发明内容

鉴于上述问题，本公开提供了能够提高推荐准确率的产品推荐方法、装置、设备和存储介质。

根据本发明的第一个方面，提供了一种产品推荐方法，包括：获取用户的历史操作信息，该历史操作信息包括对预设对象的历史选中信息和对预设对象中产品的历史交易信息；根据历史选中信息，确定用户选中预设的多类对象中每类对象的第一概率值；根据历史交易信息，确定用户购买每类对象中产品的第二概率值；根据第一概率值和所述第二概率值，确定针对每类对象的评估值权重；以及根据针对每类对象的评估值权重，确定向用户推荐的多类对象中的产品。

根据本公开的实施例，上述确定用户选中多类对象中每类对象的第一概率值包括：根据历史选中信息，经由预设循环神经网络模型得到用户选中多类对象包括的每个对象的选中概率值；以及根据选中属于同类对象的各对象的选中概率值，确定对每类对象的第一预测概率。

根据本公开的实施例，历史选中信息包括被选中对象的标识；经由预设循环神经网络模型得到用户选中多类对象包括的每个对象的选中概率值包括：根据历史选中信息，确定预设知识图谱中历史选中信息的关联信息，关联信息包括被选中对象的关联对象的标识；根据历史选中信息和关联信息，确定预设循环神经网络模型的输入信息；以及以输入信息作为预设循环神经网络模型的输入，输出得到用户选中每个对象的选中概率值。

根据本公开的实施例，上述历史选中信息还包括用户标识，上述经由预设循环神经网络模型得到用户选中多类对象包括的每个对象的选中概率值还包括：根据用户标识和预设知识图谱，确定用户的属性信息；以及根据历史选中信息和属性信息，确定预设循环神经网络模型的输入信息。

根据本公开的实施例，预设循环神经网络模型为波纹网络模型。

根据本公开的实施例，上述确定用户购买每类对象中产品的第二概率值包括：获取用户的属性信息；根据历史交易信息及用户的属性信息，经由预设推荐模型确定用户购买每类对象中产品的第二概率值，其中，预设推荐模型根据针对多个用户的训练样本训练得到。

根据本公开的实施例，上述确定针对每类对象的评估值权重包括：确定所述每类对象的第一概率值和第二概率值的加权和，作为每类对象的加权和；以及根据多类对象中各自的加权和，确定针对每类对象的评估值权重。

根据本公开的实施例，上述历史选中信息包括选中时间，历史交易信息包括购买时间；确定每类产品的第一概率值和第二概率值的加权和包括：根据选中时间，确定第一概率值的第一加权权重；根据购买时间，确定第二概率值的第二加权权重；以及根据第一加权权重和第二加权权重，针对每类对象确定第一概率值和第二概率值的加权和，其中，第一加权权重随着选中时间与当前时刻之间间距的增大而减小，且第二加权权重随着购买时间与当前时刻之间间距的增大而减小。