[发明专利]基于深度学习的产品推荐方法、装置、设备和存储介质

说明书

本申请提供一种基于深度学习的产品推荐方法、装置、设备和存储介质，该方法包括，确定目标用户对应的候选产品库；利用词向量模型，协同过滤技术，隐含语义模型和预设的业务推荐规则，从候选产品库中筛选得到多个待推荐产品；利用预先构建的逻辑回归模型，梯度提升决策树和深度学习模型分析各待推荐产品的产品特征和目标用户的用户特征，得到各待推荐产品的预测响应概率；根据预测响应概率将部分待推荐产品推荐给用户。本方案利用深度学习技术对目标用户的用户特征进行分析，能够更深层次地挖掘特定用户对各个产品的潜在偏好，从而提高产品推荐的准确度。

技术领域

本发明涉及深度学习技术领域，特别涉及一种基于深度学习的产品推荐方法、装置、设备和存储介质。

背景技术

银行常常需要向用户推荐各种产品，如信用卡，理财，基金等，目前的产品推荐的方法，一般是采用传统的分类算法，按照用户的属性将不同用户进行分类，如按年收入划分不同区间，按不同职业分类，然后为特定类别的用户推荐对应的产品。

这种方法存在的问题是，同一类别的不同用户对各个产品的偏好一般并不相同，而传统的分类算法只能预测每个类别用户可能偏好的产品，无法预测每个用户的个性化的偏好，最终获得的推荐结果的准确度较低，推荐的产品往往不符合用户实际的偏好。

发明内容

针对上述现有技术存在的问题，本申请提供一种基于深度学习的产品推荐方法、装置、设备和存储介质，以提高产品推荐技术的准确度。

本申请第一方面提供一种基于深度学习的产品推荐方法，包括：

确定目标用户对应的候选产品库；其中，所述候选产品库包含多个所述目标用户未购买的产品；

利用词向量模型，协同过滤技术，隐含语义模型和预设的业务推荐规则，从所述候选产品库中筛选得到多个待推荐产品；

针对每一个所述待推荐产品，利用预先构建的逻辑回归模型，梯度提升决策树和深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征，得到所述待推荐产品的预测响应概率；其中，所述用户特征根据表征目标用户基本信息的第一要素、表征目标用户的产品持有情况的第二要素和表征目标用户的消费偏好的第三要素确定；

根据各个所述待推荐产品的预测响应概率，按由大至小的顺序对各个所述待推荐产品进行排序，得到待推荐列表；

按所述目标用户设置的免打扰策略向所述目标用户推送所述待推荐列表中前N个待推荐产品的产品信息。

可选的，所述利用词向量模型，协同过滤技术，隐含语义模型和预设的业务推荐规则，从所述候选产品库中筛选得到多个待推荐产品，包括：

以所述目标用户的已购买产品作为训练语料，训练得到词向量模型；

利用所述词向量模型计算得到所述候选产品库中每一个产品对应的产品向量；

根据所述候选产品库中各个产品的产品向量和所述已购买产品的产品向量之间的相似度，从所述候选产品库中选取第一推荐产品；其中，所述第一推荐产品的产品向量和所述已购买产品的产品向量之间的相似度大于第一阈值；

确定出多个和所述目标用户相似的相似用户；

将所述候选产品库中所述相似用户已购买的产品，确定为第二推荐产品；

获得包含所述目标用户在内的多个用户针对所述候选产品库中部分产品的交互记录，并根据所述交互记录生成产品评分矩阵；其中，所述产品评分矩阵包含所述多个用户对所述候选产品库中部分产品的评分；

对所述产品评分矩阵进行矩阵分解，得到用户矩阵和产品矩阵；

根据所述用户矩阵和所述产品矩阵，计算得到所述目标用户针对所述候选产品库的每一个产品的评分；