一种产品推荐方法和装置与流程

1.本发明涉及计算机数据处理技术领域，尤其涉及一种产品推荐方法和装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.从技术角度讲，现有的推荐技术简单分为两类，一种基于机器学习的方法，一种基于深度学习的方法，机器学习的方法不利于异构数据的处理，深度学习可以处理大量异构数据，但需要大量的训练数据集，并且结果大多不可解释。
4.现有的推荐技术给客户的推荐可能会依赖于客户的误操作，如淘宝，客户不小心点击某产品时，下面的推荐产品依然会根据当前的误操作而更新，显而易见，这是一种不好的客户体验。本发明使用客户实际的下单数据，如客户理财产品的购买记录，不会仅仅依赖于客户的点击数据。
5.传统的推荐技术可能对用户来说是不准确的、甚至是无用的，这是因为训练样本集可能含有很多误操作数据或不真实数据，如用户浏览某理财产品但并无意向购买，该类数据对多数用户来说可能参考意义不大，但因模型自身训练的原因，可能使该特征得到大的权重。这就会导致推荐无效，给用户带来不好的体验。
6.因此，如何提供一种新的方案，其能够解决上述技术问题是本领域亟待解决的技术难题。


技术实现要素：

7.本发明实施例提供一种产品推荐方法，基于关联规则的推荐技术，实现了针对不同用户的个性化推荐，实现精准推荐，该方法包括：
8.获取客户历史购买数据进行预处理，确定客户数据集；
9.建立评价函数，通过迭代计算确定支持度和置信度参数；
10.根据客户数据集、支持度和置信度参数，确定频繁项集；
11.根据频繁项集，确定规则集；
12.根据规则集和客户数据集，确定推荐产品名单。
13.本发明实施例还提供一种产品推荐装置，包括：
14.预处理模块，用于获取客户历史购买数据进行预处理，确定客户数据集；
15.支持度和置信度参数确定模块，用于建立评价函数，通过迭代计算确定支持度和置信度参数；
16.频繁项集确定模块，用于根据客户数据集、支持度和置信度参数，确定频繁项集；
17.规则集确定模块，用于根据频繁项集，确定规则集；
18.产品推荐模块，用于根据规则集和客户数据集，确定推荐产品名单。
19.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并
可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种产品推荐方法。
20.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述一种产品推荐方法的计算机程序。
21.本发明实施例提供的一种产品推荐方法和装置，包括：首先获取客户历史购买数据进行预处理，确定客户数据集；然后建立评价函数，通过迭代计算确定支持度和置信度参数；接着根据客户数据集、支持度和置信度参数，确定频繁项集；下一步根据频繁项集，确定规则集；最后根据规则集和客户数据集，确定推荐产品名单。本发明实施例实现了基于关联规则的推荐技术，核心思想是挖掘强关联规则的规则集，是一种可解释的推荐方法，解决了目前大多数推荐方法的弊端，并且实现了针对不同用户的个性化推荐，实现精准推荐。联规则挖掘技术虽然是机器学习中的方法，但本发明的方法不受数据类型的限制，因为本发明是基于用户的行为数据实现的。本发明利用用户实际的购买数据，减少了无用数据对推荐结果的影响，增强客户的体验感。
附图说明
22.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
23.图1为本发明实施例一种产品推荐方法示意图。
24.图2为本发明实施例一种产品推荐方法的数据预处理过程示意图。
25.图3为本发明实施例一种产品推荐方法的支持度和置信度参数计算过程示意图。
26.图4为本发明实施例一种产品推荐方法的规则集确定过程示意图。
27.图5为本发明实施例一种产品推荐方法的推荐产品名单确定过程示意图。
28.图6为本发明实施例一种产品推荐方法的模块化实例相互作用流程图。
29.图7为运行本发明实施的一种产品推荐方法的计算机装置示意图。
30.图8为本发明实施例一种产品推荐装置示意图。
具体实施方式
31.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
32.本发明涉及大数据技术。图1为本发明实施例一种产品推荐方法示意图，如图1所示，本发明实施例提供一种产品推荐方法，基于关联规则的推荐技术，实现了针对不同用户的个性化推荐，实现精准推荐，该方法包括：
33.步骤101：获取客户历史购买数据进行预处理，确定客户数据集；
34.步骤102：建立评价函数，通过迭代计算确定支持度和置信度参数；
35.步骤103：根据客户数据集、支持度和置信度参数，确定频繁项集；
36.步骤104：根据频繁项集，确定规则集；
37.步骤105：根据规则集和客户数据集，确定推荐产品名单。
38.本发明实施例提供的一种产品推荐方法，包括：首先获取客户历史购买数据进行预处理，确定客户数据集；然后建立评价函数，通过迭代计算确定支持度和置信度参数；接着根据客户数据集、支持度和置信度参数，确定频繁项集；下一步根据频繁项集，确定规则集；最后根据规则集和客户数据集，确定推荐产品名单。本发明实施例实现了基于关联规则的推荐技术，核心思想是挖掘强关联规则的规则集，是一种可解释的推荐方法，解决了目前大多数推荐方法的弊端，并且实现了针对不同用户的个性化推荐，实现精准推荐。联规则挖掘技术虽然是机器学习中的方法，但本发明的方法不受数据类型的限制，因为本发明是基于用户的行为数据实现的。本发明利用用户实际的购买数据，减少了无用数据对推荐结果的影响，增强客户的体验感。
39.在本发明实施例中，涉及的专业术语解释如下：
40.支持度：表示同时包含a和b的事务占所有事务的比例。
41.置信度：表示使用包含a的事务中同时包含b事务的比例，即同时包含a和b的事务占包含a事务的比例。
42.具体实施本发明实施例提供的一种产品推荐方法时，在一个实施例中，可以包括：
43.获取客户历史购买数据进行预处理，确定客户数据集；
44.建立评价函数，通过迭代计算确定支持度和置信度参数；
45.根据客户数据集、支持度和置信度参数，确定频繁项集；
46.根据频繁项集，确定规则集；
47.根据规则集和客户数据集，确定推荐产品名单。
48.本发明提供了一种基于关联规则的产品推荐方法，是一种可解释的推荐方法，解决了目前大多数推荐方法的弊端，并且实现了针对不同用户的个性化推荐，实现精准推荐。本发明实施例以用户购买理财产品为例，实现给不同用户推荐不同的投资理财产品。
49.将用户的每个操作或行为(如购买某理财产品)标记为b
i
，由此可以得到每个用户的历史购买记录b＝{b1,b4,...b
i
,..b
n
}(假如用户购买了产品1、产品4等多个产品)。在多个用户的购买记录数据库d中，挖掘用户的1、2、..k项集(k项集指含k个购买记录的序列)，如果该k项集满足预定义的最小支持度，表明该项集是频繁的，同时由该项集可以产生强规则。本发明实施例的产品推荐方法就是基于这种强规则的推荐方法。
50.图2为本发明实施例一种产品推荐方法的数据预处理过程示意图，如图2所示，具体实施本发明实施例提供的一种产品推荐方法时，在一个实施例中，前述的获取客户历史购买数据进行预处理，确定客户数据集，包括：
51.步骤201：连接客户交易数据库，获取客户历史购买数据；
52.步骤202：分析客户历史购买数据获取客户购买记录，标记客户购买的产品，生成一条客户数据；
53.步骤203：遍历客户交易数据库，将生成的所有客户数据汇总统计为客户数据集。
54.实施例中，数据预处理的主要过程，包括：首先连接客户交易数据库，获取客户历史购买数据；然后分析客户历史购买数据获取客户购买记录，标记客户购买的产品，生成一条客户数据；最后遍历客户交易数据库，将生成的所有客户数据汇总统计为客户数据集。
55.实施例中，数据预处理是通过遍历数据库获取客户历史购买数据；根据客户的购
买记录，标记客户购买的产品，生成一条客户数据，即：b
i
＝{b1,b5,...b
j
,..b
n
}(i表示i用户，并且该用户购买了产品1、产品5等多个产品)，一次遍历后，得到所有客户的数据集。
56.本发明实施例使用用户实际的下单购买的数据，通过数据库中用户的购买记录，生成强的关联规则，该规则由挖掘的频繁项集确定，如频繁4项集l4＝{b1,b5,b8,b
11
}(b
i
代表购买了产品i)可生成强规则：{b1,b5,b8}
→
{b
11
}，该规则可做如下解释：购买了产品1，产品5和产品8的用户，大概率买了产品11，这个概率是满足最小置信度的。因为，频繁项集是满足最小支持度的，得到的规则也是满足最小置信度的。
57.具体实施本发明实施例提供的一种产品推荐方法时，在一个实施例中，前述的连接客户交易数据库，获取客户历史购买数据，包括：
58.连接客户交易数据库，提取每位客户预设时间长度内的历史购买数据；其中，在提取历史购买数据时，实时丢弃旧数据，并不断增添新数据。
59.实施例中，在数据预处理中获取客户历史购买数据的主要过程，包括：连接客户交易数据库，提取每位客户预设时间长度内的历史购买数据；其中，在提取历史购买数据时，实时丢弃旧数据，并不断增添新数据。
60.本发明主要使用客户的购买数据，在获取客户历史购买数据时，太早的购买可能参考的实际意义并不大，所以，本发明值确定提取每位客户近三年的购买记录，并且数据预处理模块需要实时丢弃旧数据，并不断增添新数据，这样带来的弊端就是大大提高了计算负荷，本发明实施例通过多线程并发及分布式计算实现负载均衡，可以解决所提高的计算负荷，实现数据的高效处理。
61.图3为本发明实施例一种产品推荐方法的支持度和置信度参数计算过程示意图，如图3所示，具体实施本发明实施例提供的一种产品推荐方法时，在一个实施例中，前述的建立评价函数，通过迭代计算确定支持度和置信度参数，包括：
62.步骤301：根据计算复杂度、时间复杂度和频繁项集数量进行加权，建立评价函数；
63.步骤302：根据经验值设定两个参数初始值；其中，两个参数，包括：支持度和置信度；
64.步骤303：将两个参数初始值导入评价函数进行迭代计算，通过迭代计算更新两个参数；
65.步骤304：在评价函数的取值达到最优值时达到迭代次数阈值，将评价函数取最优值时的两个参数值输出为支持度和置信度参数。
66.实施例中，迭代计算出支持度和置信度参数的主要过程，包括：首先根据计算复杂度、时间复杂度和频繁项集数量进行加权，建立评价函数；然后根据经验值设定两个参数初始值；其中，两个参数，包括：支持度和置信度；下一步将两个参数初始值导入评价函数进行迭代计算，通过迭代计算更新两个参数；最后在评价函数的取值达到最优值时达到迭代次数阈值，将评价函数取最优值时的两个参数值输出为支持度和置信度参数。
67.本发明实施例最关键的是确定参数的评价函数进而迭代计算得出支持度和置信度参数；本发明开发过程中难点在于支持度和置信度参数的确定，如果支持度和置信度参数太小，会导致得到的规则较多，太大则导致规则较少，因此，为了得到适合的规则集，一定要确定合适的支持度和置信度参数。
68.评价函数可根据计算复杂度、时间复杂度、频繁项集数量等因素来加权得到，可先
参考经验值给定两个初始值，确定迭代次数，每次迭代都计算评价函数值，最终选取评价函数取最优值时的参数值；
69.支持度和置信度参数影响了本发明的推荐结果，找到最适合的推荐产品是本发明的最大目的。因此，实验阶段，需要设置不同的迭代次数、初值、阈值等条件多次实验，找到支持度和置信度参数最佳的取值。
70.具体实施本发明实施例提供的一种产品推荐方法时，在一个实施例中，前述的根据客户数据集、支持度和置信度参数，确定频繁项集，包括：
71.根据数据量和系统性能，选择频繁项集挖掘算法；
72.通过频繁项集挖掘算法，利用支持度和置信度参数，对客户数据集进行频繁项集挖掘，确定频繁项集。
73.实施例中，频繁项集的挖局过程主要包括：首先根据数据量和系统性能，选择频繁项集挖掘算法；然后通过频繁项集挖掘算法，利用支持度和置信度参数，对客户数据集进行频繁项集挖掘，确定频繁项集。
74.在进行频繁项集挖掘时，可以根据数据量、系统性能等因素综合考虑选择哪些挖掘方法，通过对比选择最终效果最好的方法，例如，可以采用apriori算法及他的改进算法，利用支持度和置信度参数，对客户数据集进行频繁项集挖掘，生成最大的频繁项集。
75.图4为本发明实施例一种产品推荐方法的规则集确定过程示意图，如图4所示，具体实施本发明实施例提供的一种产品推荐方法时，在一个实施例中，前述的根据频繁项集，确定规则集，包括：
76.步骤401：根据规则挖掘算法，对频繁项集进行挖掘，生成最大频繁项集规则；
77.步骤402：获取频繁项集的全部子集；
78.步骤403：根据规则挖掘算法，对频繁项集的每一子集进行挖掘，生成子集规则；
79.步骤404：根据最大频繁项集规则和子集规则，确定规则集。
80.实施例中，挖掘规则集的主要过程，包括：首先根据规则挖掘算法，对频繁项集进行挖掘，生成最大频繁项集规则；然后获取频繁项集的全部子集；下一步根据规则挖掘算法，对频繁项集的每一子集进行挖掘，生成子集规则；最后根据最大频繁项集规则和子集规则，确定规则集。
81.通过规则挖掘算法，对频繁项集进行挖掘，生成最大频繁项集规则；最大频繁项集规则属于强规则；例如最大的频繁项集为最大k项集，因为最大k项集的所有子集都是频繁的，因此，最大频繁项集的所有子集都可以生成规则；根据规则挖掘算法，对频繁项集的每一子集进行挖掘，生成子集规则，子集规则也属于强规则。最终，根据最大频繁项集规则和子集规则，确定的规则集也是属于强规则。
82.基于强规则的推荐方法，其核心思想是挖掘强关联规则。关联规则挖掘技术虽然是机器学习中的方法，但本发明的方法不受数据类型的限制，因为本发明是基于用户的行为数据实现的。
83.图5为本发明实施例一种产品推荐方法的推荐产品名单确定过程示意图，如图5所示，具体实施本发明实施例提供的一种产品推荐方法时，在一个实施例中，前述的根据规则集和客户数据集，确定推荐产品名单，包括：
84.步骤501：将客户数据集与规则集进行序列匹配，确定本次产品推荐规则；
85.步骤502：将本次产品推荐规则分为前半段和后半段；
86.步骤503：将本次产品推荐规则前半段与客户数据集中的客户购买记录进行匹配，得到最大匹配值；
87.步骤504：根据最大匹配值，将本次产品推荐规则后半段对应的产品输出为推荐产品名单。
88.实施例中，推荐产品名单生成的主要过程，包括：首先将客户数据集与规则集进行序列匹配，确定本次产品推荐规则；然后将本次产品推荐规则分为前半段和后半段；下一步将本次产品推荐规则前半段与客户数据集中的客户购买记录进行匹配，得到最大匹配值；最后根据最大匹配值，将本次产品推荐规则后半段对应的产品输出为推荐产品名单。
89.实施例中，客户数据集与规则集进行序列匹配，我们希望有一个规则是这样的：{a、b、...g、n}
→
{e},我们需要匹配规则的前半段和客户的历史购买记录，得到最大的匹配值后，就将规则后半段的产品推推荐给客户。
90.当用户新购买产品时，可以根据得到的规则集，选取购买最多的其他产品推荐给用户，并且给出具体的数值，如购买该产品的90％用户，还购买了某产品。如果找不到合适的推荐产品，则不做推荐。
91.本发明利用用户实际的购买数据，减少了无用数据对推荐结果的影响，并且本发明可以给出历史购买记录中，购买产品与推荐产品的准确关联数值，如购买当前产品的用户，有多大群体买了推荐产品。如果没有符合要求的推荐产品，则不做推荐，提升客户的用户体验感。在给用户推荐的同时，给出具体的数值，可供用户参考，具有很强的说服力。
92.在实现本发明实施例的一种产品推荐方法时，技术开发人员首先应该对用户的购买数据进行统一的预处理，即数据预处理模块的输出是适合进行关联规则挖掘的数据集，接着确定适合的支持度与置信度参数，该参数可以根据先验知识确定，也可以根据数据集情况自行拟定，确定好参数后，进行频繁项集挖掘，可以使用成熟的频繁项集挖掘技术，得到频繁项集后再生成规则集，最后根据规则集匹配程度来选择推荐的产品。开发过程中难点在于参数的确定，如果参数太小，会导致得到的规则较多，太大则导致规则较少，因此，为了得到适合的规则集，一定要确定合适的参数。
93.用户的每个操作或行为(如购买某理财产品)标记为b
i
，由此可以得到每个用户的历史购买记录b＝{b1,b4,...b
i
,..b
n
}(假如用户购买了产品1、产品4等多个产品)。在多个用户的购买记录数据库d中，挖掘用户的1、2、..k项集(k项集指含k个购买记录的序列)，如果该k项集满足预定义的最小支持度，表明该项集是频繁的，同时由该项集可以产生强规则。本发明的推荐方法就是基于这种强规则的推荐方法。
94.本发明的推荐方法是基于强规则的推荐方法，其核心思想是挖掘强关联规则。关联规则挖掘技术虽然是机器学习中的方法，但本发明的方法不受数据类型的限制，因为本发明是基于用户的行为数据实现的。
95.本发明使用用户实际的下单数据，通过数据库中用户的购买记录，生成强的关联规则，该规则由挖掘的频繁项集确定，如频繁4项集l4＝{b1,b5,b8,b
11
}(b
i
代表购买了产品i)可生成强规则：{b1,b5,b8}
→
{b
11
}，该规则可做如下解释：购买了产品1，产品5和产品8的用户，大概率买了产品11，这个概率是满足最小置信度的。因为，频繁项集是满足最小支持度的，得到的规则也是满足最小置信度的。
96.图6为本发明实施例一种产品推荐方法的模块化实例相互作用流程图，如图6所示，本发明实施例还提供一种产品推荐方法的模块化实例，包括：
97.数据预处理模块、参数确定模块、频繁项集的挖掘、生成规则、根据生成的规则进行预测。各个模块的功能简述如下：
98.1)数据预处理模块：遍历数据库，根据客户的购买记录，标记客户购买的产品，生成一条数据，即：b
i
＝{b1,b5,...b
j
,..b
n
}(i表示i用户，并且该用户购买了产品1、产品5等多个产品)，一次遍历后，得到所有客户的数据集；
99.2)确定参数：最主要是确定参数的评价函数，评价函数可根据计算复杂度、时间复杂度、频繁项集数量等因素来加权得到，可先参考经验值给定两个初始值，确定迭代次数，每次迭代都计算评价函数值，最终选取评价函数取最优值时的参数值；
100.3)频繁项集挖掘：使用现有的频繁项集挖掘算法，如apriori算法及他的改进算法，生成最大的频繁项集；
101.4)确定规则：因为最大k项集的所有子集都是频繁的，因此，最大频繁项集的所有子集都可以生成规则；
102.5)产品推荐：当用户新购买产品时，可以根据得到的规则集，选取购买最多的其他产品推荐给用户，并且给出具体的数值，如购买该产品的90％用户，还购买了某产品。如果找不到合适的推荐产品，则不做推荐。
103.其中，上述各个步骤与各个模块之间的对应关系和作用流程简述如下：
104.步骤1：即数据预处理模块。本发明主要使用客户的购买数据，但是太早的购买可能参考的实际意义并不大，所以，本发明值确定提取每位客户近三年的购买记录，并且数据预处理模块需要实时丢弃旧数据，并不断增添新数据，这样带来的弊端就是大大提高了计算负荷，后续可以继续优化这块。
105.步骤2：即参数更新模块。该模块的最终结果影响了本发明的推荐结果，找到最适合的推荐产品是本发明的最大目的。因此，实验阶段，需要设置不同的迭代次数、初值、阈值等条件多次实验，找到效果最佳的取值。
106.步骤3：即频繁项集挖掘模块。该模块主要涉及频繁项集挖掘算法，目前已有很多成熟的算法，并且还有在这些算法上更进的算法，因此，可以根据数据量、系统性能等因素综合考虑选择哪些方法。通过对比选择最终效果最好的方法集可。
107.步骤4：即规则生成模块。该模块也有较成熟的算法，因为频繁k项集的子集也是频繁的，因此，最终的规则集是频繁k项集和他的子集共同生成的强规则。
108.步骤5：即推荐模块。该模块需要进行序列匹配，我们希望有一个规则是这样的：{a、b、...g、n}
→
{e},我们需要匹配规则的前半段和客户的历史购买记录，得到最大的匹配值后，就将规则后半段的产品推推荐给客户。
109.关联规则挖掘方法的目的在于知识发现，本发明使用该思想实现推荐技术，具有很强的可解释性。其次，本发明使用用户实际的购买数据，很大程度减少了推荐的误差，增强客户的体验感。最后，本发明在给用户推荐的同时，给出具体的数值，可供用户参考，具有很强的说服力。
110.上述过程依赖于频繁模式挖掘，因此数据需要预处理为适合挖掘频繁项集的数据集，因此，如果数据符合要求，可以不需要做预处理步骤，但是数据如果不符合要求，就需要
进行预处理。
111.本发明利用用户实际的购买数据，减少了无用数据对推荐结果的影响，并且本发明可以给出历史购买记录中，购买产品与推荐产品的准确关联数值，如购买当前产品的用户，有多大群体买了推荐产品。如果没有符合要求的推荐产品，则不做推荐，提升客户的用户体验感。
112.本发明实施例的关键点：在参数确定模块，需要确定评价函数，根据评价函数是否得到最优来确定最终的参数值，评价函数可根据计算复杂度、时间复杂度、频繁项集数量等因素来加权得到，评价函数的最优取值决定最后的规则集，同时影响了最终的推荐结果。
113.本发明实施例的保护点：从数据层面上说，本发明希望保护客户的真实数据不被泄露，从技术层面上来说，本发明希望保护参数确定模块的思想以及算法。
114.本发明提供了一种基于关联规则的推荐技术，是一种可解释的推荐方法，解决了目前大多数推荐方法的弊端，并且实现了针对不同用户的个性化推荐，实现精准推荐。本发明以用户购买理财产品为例，实现给不同用户推荐不同的投资理财产品。
115.基于强规则的推荐方法，其核心思想是挖掘强关联规则。关联规则挖掘技术虽然是机器学习中的方法，但本发明的方法不受数据类型的限制，因为本发明是基于用户的行为数据实现的。利用用户实际的购买数据，减少了无用数据对推荐结果的影响，并且本发明可以给出历史购买记录中，购买产品与推荐产品的准确关联数值，如购买当前产品的用户，有多大群体买了推荐产品。如果没有符合要求的推荐产品，则不做推荐，提升客户的用户体验感。
116.关联规则挖掘方法的目的在于知识发现，本发明使用该思想实现推荐技术，具有很强的可解释性。其次，本发明使用用户实际的购买数据，很大程度减少了推荐的误差，增强客户的体验感。最后，本发明在给用户推荐的同时，给出具体的数值，可供用户参考，具有很强的说服力。
117.图7为运行本发明实施的一种产品推荐方法的计算机装置示意图，如图7所示，本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种产品推荐方法。
118.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行实现上述一种产品推荐方法的计算机程序。
119.本发明实施例中还提供了一种产品推荐装置，如下面的实施例所述。由于该装置解决问题的原理与一种产品推荐方法相似，因此该装置的实施可以参见一种产品推荐方法的实施，重复之处不再赘述。
120.图8为本发明实施例一种产品推荐装置示意图，如图8所示，本发明实施例还提供一种产品推荐装置，具体实施时可以包括：
121.预处理模块801，用于获取客户历史购买数据进行预处理，确定客户数据集；
122.支持度和置信度参数确定模块802，用于建立评价函数，通过迭代计算确定支持度和置信度参数；
123.频繁项集确定模块803，用于根据客户数据集、支持度和置信度参数，确定频繁项集；
124.规则集确定模块804，用于根据频繁项集，确定规则集；
125.产品推荐模块805，用于根据规则集和客户数据集，确定推荐产品名单。
126.具体实施本发明实施例提供的一种产品推荐装置时，在一个实施例中，前述的预处理模块，具体用于：
127.连接客户交易数据库，获取客户历史购买数据；
128.分析客户历史购买数据获取客户购买记录，标记客户购买的产品，生成一条客户数据；
129.遍历客户交易数据库，将生成的所有客户数据汇总统计为客户数据集。
130.具体实施本发明实施例提供的一种产品推荐装置时，在一个实施例中，前述的预处理模块，还用于：
131.连接客户交易数据库，提取每位客户预设时间长度内的历史购买数据；其中，在提取历史购买数据时，实时丢弃旧数据，并不断增添新数据。
132.具体实施本发明实施例提供的一种产品推荐装置时，在一个实施例中，前述的支持度和置信度参数确定模块，具体用于：
133.根据计算复杂度、时间复杂度和频繁项集数量进行加权，建立评价函数；
134.根据经验值设定两个参数初始值；其中，两个参数，包括：支持度和置信度；
135.将两个参数初始值导入评价函数进行迭代计算，通过迭代计算更新两个参数；
136.在评价函数的取值达到最优值时达到迭代次数阈值，将评价函数取最优值时的两个参数值输出为支持度和置信度参数。
137.具体实施本发明实施例提供的一种产品推荐装置时，在一个实施例中，前述的频繁项集确定模块，具体用于：
138.根据数据量和系统性能，选择频繁项集挖掘算法；
139.通过频繁项集挖掘算法，利用支持度和置信度参数，对客户数据集进行频繁项集挖掘，确定频繁项集。
140.具体实施本发明实施例提供的一种产品推荐装置时，在一个实施例中，前述的规则集确定模块，具体用于：
141.根据规则挖掘算法，对频繁项集进行挖掘，生成最大频繁项集规则；
142.获取频繁项集的全部子集；
143.根据规则挖掘算法，对频繁项集的每一子集进行挖掘，生成子集规则；
144.根据最大频繁项集规则和子集规则，确定规则集。
145.具体实施本发明实施例提供的一种产品推荐装置时，在一个实施例中，前述的产品推荐模块，具体用于：
146.将客户数据集与规则集进行序列匹配，确定本次产品推荐规则；
147.将本次产品推荐规则分为前半段和后半段；
148.将本次产品推荐规则前半段与客户数据集中的客户购买记录进行匹配，得到最大匹配值；
149.根据最大匹配值，将本次产品推荐规则后半段对应的产品输出为推荐产品名单。
150.综上，本发明实施例提供的一种产品推荐方法和装置，包括：首先获取客户历史购买数据进行预处理，确定客户数据集；然后建立评价函数，通过迭代计算确定支持度和置信度参数；接着根据客户数据集、支持度和置信度参数，确定频繁项集；下一步根据频繁项集，
确定规则集；最后根据规则集和客户数据集，确定推荐产品名单。本发明实施例实现了基于关联规则的推荐技术，核心思想是挖掘强关联规则的规则集，是一种可解释的推荐方法，解决了目前大多数推荐方法的弊端，并且实现了针对不同用户的个性化推荐，实现精准推荐。联规则挖掘技术虽然是机器学习中的方法，但本发明的方法不受数据类型的限制，因为本发明是基于用户的行为数据实现的。本发明利用用户实际的购买数据，减少了无用数据对推荐结果的影响，增强客户的体验感。
151.本发明提供了一种基于关联规则的推荐技术，是一种可解释的推荐方法，解决了目前大多数推荐方法的弊端，并且实现了针对不同用户的个性化推荐，实现精准推荐。本发明以用户购买理财产品为例，实现给不同用户推荐不同的投资理财产品。
152.基于强规则的推荐方法，其核心思想是挖掘强关联规则。关联规则挖掘技术虽然是机器学习中的方法，但本发明的方法不受数据类型的限制，因为本发明是基于用户的行为数据实现的。
153.利用用户实际的购买数据，减少了无用数据对推荐结果的影响，并且本发明可以给出历史购买记录中，购买产品与推荐产品的准确关联数值，如购买当前产品的用户，有多大群体买了推荐产品。如果没有符合要求的推荐产品，则不做推荐，提升客户的用户体验感。
154.关联规则挖掘方法的目的在于知识发现，本发明使用该思想实现推荐技术，具有很强的可解释性。其次，本发明使用用户实际的购买数据，很大程度减少了推荐的误差，增强客户的体验感。最后，本发明在给用户推荐的同时，给出具体的数值，可供用户参考，具有很强的说服力。
155.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
156.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
157.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
158.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
159.以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。