[发明专利]一种基于混合模型的政企信息化产品的智能推荐方法及其系统

权利要求书

1.一种基于混合模型的政企信息化产品的智能推荐方法，其特征在于：其包括以下步骤：

S1，在召回层利用客户历史特征信息和已实例化的信息化产品通过关联规则算法识别客户特征与待推荐产品关系为客户从众多的待推荐产品中粗选出候选池A；

S2，基于信息化产品内容的协同过滤算法计算得到每个产品相似排名前n的产品，用于解决物品冷启动的问题，并关联候选池A得到候选池B；

S3，产品-套餐销售品规则通过提取信息化产品对应套餐销售品规格数据与客户名下收入、产品信息进行关联，为候选池A和B匹配相应的套餐销售品，同时剔除业务规则上不适配的候选产品，形成最终的产品—套餐销售品候选池C；

S4，在排序层通过因子分解模型和逻辑回归模型对召回层数据进行精排序，同时输出相应的因子重要度排名；

S5，在业务层，聚合不同阶段的模型规则，对每一条推荐记录输出一条推荐解释。

2.根据权利要求1所述的一种基于混合模型的政企信息化产品的智能推荐方法，其特征在于：S1的具体步骤如下：

S11：设计客户特征类型，包括客户收入、基础性业务得分、信息化类型得分、客户行业类型、客户经营性质等；并对连续性数据进行离散化处理；

S12：提取客户未来三个月受理的套餐销售品并对应相应的信息化产品得到“客户特征-信息化产品”形式的数据；

S13：对样本数据按照比例划分成训练集和测试集；采用关联规则算法初始化可信度和置信度阈值，分别按照一定步长进行迭代训练，按照训练集和测试集的召回率和精确率筛选初合适的阈值，只选取强关联规则中后件为待推荐产品的相应规则项。

S14：根据S13中筛选出的强关联规则完成客户候选池A的匹配。

3.根据权利要求2所述的一种基于混合模型的政企信息化产品的智能推荐方法，其特征在于：S11中的得分数据离散化处理具体为：对每个得分数据除以该类型总分，并采用聚类方法进行样本类别和样本数量统计，选取合适的聚类数和聚类中心，取相邻两类的均值作为临界点，并对每一类型附以合理的解释。

4.根据权利要求1所述的一种基于混合模型的政企信息化产品的智能推荐方法，其特征在于：S2中基于信息化产品内容的协同过滤通过关键词提取方法、关键词向量化、余弦相似度计算信息化产品的相似性。

5.根据权利要求1或4所述的一种基于混合模型的政企信息化产品的智能推荐方法，其特征在于：S2的具体步骤如下，

S21：数据预处理：提取信息化产品内容，对空格符号、段落进行预处理；

S22：分词：使用分词算法对产品内容进行分词，并过滤掉中文符号、助词、量词、代词、虚词，对专业名词通过加载自定义词典的方式进行补充；

S23：关键词提取：使用关键词提取模型提取信息化产品内容关键词，分别得到词字典和一组关键词；

S24：相似性计算：根据词字典向量化产品内容对应的关键词，通过相似度公式计算两组关键词向量之间的大小作为信息化产品之间的相似性大小；

S25：根据多个不同的关键词提取方法，每个信息化产品X_i按照相似性大小可以得到多组个数都为n(根据相似性大小取排名前n)的相似信息化产品U_ij(j＝1)对三组相似产品取相交的得到X_i最终的一组相似产品U_i＝∩_j≥1U_ij,并关联候选池A得到候选池B。

6.根据权利要求1所述的一种基于混合模型的政企信息化产品的智能推荐方法，其特征在于：S3中产品-套餐销售品规则为：提取信息化产品对应套餐销售品规格数据和客户名下收入、产品信息进行匹配，为候选池A和B匹配相应的套餐销售品，同时剔除档次降低、产品功能欠缺等不适配的候选产品，形成最终的产品—套餐销售品候选池C。

7.根据权利要求1所述的一种基于混合模型的政企信息化产品的智能推荐方法，其特征在于：S4的精排序通过因子分解机基于召回层的内容和客户特征对客户关于某一条推荐记录是否受理、受理可能性大小进行更精准的计算，做到给每一个候选内容进行精确打分。

8.一种基于混合模型的政企信息化产品的智能推荐系统，采用权利要求1至7任一所述的一种基于混合模型的政企信息化产品的智能推荐方法，其特征在于：系统包括以下部分：

数据预处理：包括特征工程，设计客户特征，使得数据更适合所选的模型算法，采用kmeans聚类方法对连续性数据进行离散化，确保数据能够适用Apriori算法；

召回层：基于关联规则算法识别客户特征与待推荐产品关系为客户从众多的待推荐产品中粗选出候选池A；基于信息化产品内容的协同过滤算法计算得到每个产品相似排名前n的产品，并关联候选池A得到候选池B；通过提取信息化产品对应套餐销售品规格数据与客户名下收入、产品信息进行关联，为候选池A和B匹配相应的套餐销售品，同时剔除业务规则上不适配的候选产品，形成套餐销售品候选池C；

排序层：采用因子分解机(FM模型)基于候选池C和客户特征对客户关于某一推荐是否受理、受理可能性大小进行更精准的计算，给每一个候选内容进行精确打分，根据评分对候选集C进行精排序；

业务层：聚合各阶段规则辅以业务解释，保证每一条推荐记录都有一个相应的推荐解释。