[发明专利]产品推荐方法、装置及存储介质

权利要求书

1.一种产品推荐方法，应用于电子装置，其特征在于，该方法包括：

获取目标客户在第一预设时间内的特征数据，该特征数据包括资产、医疗、工作及生活信息；

根据该特征数据及预设的分析规则，分析该目标客户所属的客户类；

将所述特征数据输入到该客户类对应的预先训练的分析模型中，预测得到该目标客户可能有购买意向的产品；及

向该目标客户推荐该产品。

2.如权利要求1所述的产品推荐方法，其特征在于，所述预设的分析规则为：

根据该目标客户的特征数据，分别计算其与预先确定的一个或多个目标聚类中心的欧氏距离，其中，每个目标聚类中心对应一个客户类；及

根据欧氏距离最小值对应的目标聚类中心的种类标签，为该目标客户标记种类标签，确定该目标客户所属的客户类。

3.如权利要求2所述的产品推荐方法，其特征在于，所属预先确定的一个或多个目标聚类中心的获取步骤包括：

获取预先确定的客户样本在第二预设时间内的样本数据，包括：各个预先确定的客户样本的特征数据及种类标签，从该样本数据中选择分散的预设数量的客户样本的特征数据作为初始聚类中心，并为该初始聚类中心标记初始聚类中心标签；

根据各个预先确定的客户样本的特征数据，分别计算各个预先确定的客户样本与预设数量的初始聚类中心的欧氏距离；

根据各个预先确定的客户样本的种类标签，更新计算各个预先确定的客户样本与预设数量的初始聚类中心的新的欧氏距离；

根据新的欧氏距离最小值对应的初始聚类中心的种类标签，为各个预先确定的客户样本更新种类标签，并将其归于种类标签对应的聚类集合中；及

当所有样本归类完毕后，计算预设数量的聚类集合的新的聚类中心，当新的聚类中心与对应的初始聚类中心的欧氏距离满足预设条件时，将预设数量的新的聚类中心作为目标聚类中心，输出目标聚类中心及其对应的种类标签，确定各个预先确定的客户样本所属的客户类。

4.如权利要求3所述的产品推荐方法，其特征在于，所述分析模型的训练步骤包括：

获取第三预设时间内向各个预先确定的客户样本推荐的产品，及各个预先确定的客户样本对推荐的产品的购买信息，分别将预设的各个客户类下的所有客户样本对推荐的产品的购买信息作为预设的各个客户类对应的分析模型的训练样本数据；及

分别利用各个客户类对应的训练样本数据，训练对应的分析模型。

5.如权利要求4所述的产品推荐方法，其特征在于，该方法还包括：

获取该目标客户在第四预设时间内对推荐的产品的购买信息；及

将获取的购买信息作为该目标客户所属的客户类对应的分析模型的补充训练样本数据，利用该补充训练样本数据，对该目标客户所属的客户类对应的分析模型进行补充强化训练。

6.如权利要求1所述的产品推荐方法，其特征在于，所述预先确定的分析模型采用的是强化学习算法。

7.一种电子装置，其特征在于，该装置包括：存储器、处理器，所述存储器上存储有可在所述处理器上运行的产品推荐程序，该程序被所述处理器执行时实现如下步骤：

获取目标客户在第一预设时间内的特征数据，该特征数据包括资产、医疗、工作及生活信息；

根据该特征数据及预设的分析规则，分析该目标客户所属的客户类；

将所述特征数据输入到该客户类对应的预先训练的分析模型中，预测得到该目标客户可能有购买意向的产品；及

向该目标客户推荐该产品。

8.如权利要求7所述的电子装置，其特征在于，所述预设的分析规则为：

根据该目标客户的特征数据，分别计算其与预先确定的一个或多个目标聚类中心的欧氏距离，其中，每个目标聚类中心对应一个客户类；及

根据欧氏距离最小值对应的目标聚类中心的种类标签，为该目标客户标记种类标签，确定该目标客户所属的客户类。

9.如权利要求7所述的电子装置，其特征在于，所述预先确定的分析模型采用的是强化学习算法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有产品推荐程序，该程序被处理器执行时实现如权利要求1至6中任一项所述的产品推荐方法的步骤。