匹配方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机信息处理技术领域，特别是涉及一种匹配方法、装置、计算机设备和存储介质。


背景技术：

2.随着大数据和人工智能技术的飞速发展，使智能营销场景中的千人千面营销方法也成为可能。当前的千人千面营销方法主要是根据产品画像和客户画像，进行智能匹配，为终端客户带来“猜你喜欢”以及“为您推荐”等推荐界面，可以广泛应用于互联网平台中的电商平台、视频社交、新闻资讯等领域。
3.随着互联网平台的成功应用，金融行业也开始探索智能营销场景，对金融产品(如理财产品、基金产品)进行智能推荐。但是由于上述金融产品具备一定专业性，终端的客户对上述金融产品缺乏基本认知，需要专业的人员进行推荐，才能进行交易。而相关技术中只能为客户匹配随机推荐人员，导致推荐人员的匹配度较低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高推荐人员匹配度的匹配方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种匹配方法。所述方法包括：
6.获取目标客户的产品推荐清单；
7.对所述产品推荐清单中产品的产品特征值以及所述目标客户的客户特征值进行计算，得到综合特征值；
8.将所述综合特征值输入至预先训练的人员推荐模型，得到预测人员特征值；
9.根据所述预测人员特征值，确定与所述目标客户以及所述产品推荐清单相匹配的目标人员。
10.在其中一个实施例中，所述获取所述目标客户的产品推荐清单，包括：
11.获取目标客户的客户特征值、产品特征值和人员特征值，将所述客户特征值输入至预先训练的产品推荐模型，获得预测产品特征值；
12.确定与所述预测产品特征值满足预设相似度条件的目标产品特征值，将所述目标产品特征值对应的目标产品添加至产品推荐清单。
13.在其中一个实施例中，所述获取客户特征值、产品特征值和人员特征值，包括：
14.对预先存储的客户信息、产品信息以及人员信息进行标签提取，得到客户标签信息、产品标签信息以及人员标签信息；
15.对所述客户标签信息、产品标签信息以及人员标签信息分别进行向量化计算，得到客户特征向量、产品特征向量和人员特征向量；
16.对所述客户特征向量、产品特征向量和人员特征向量分别进行归一化计算，获得客户特征值、产品特征值和人员特征值。
17.在其中一个实施例中，所述方法还包括：
18.获取第一训练数据，所述第一训练数据包括样本客户标签以及与所述样本客户标签匹配的样本产品标签；
19.对所述样本客户标签以及所述样本产品标签分别进行向量化计算，得到样本客户特征向量以及样本产品特征向量；
20.分别对所述样本客户特征向量以及所述样本产品特征向量进行归一化计算，得到样本客户特征值以及样本产品特征值；
21.将所述样本客户特征值输入至待训练的产品推荐模型，得到期望产品特征值；
22.根据所述期望产品特征值与所述样本产品特征值，得到第一训练损失值；
23.根据所述第一训练损失值更新所述待训练的产品推荐模型的网络参数，并返回执行获取第一训练数据的步骤，直至所述第一训练损失值满足预设训练完成条件，得到预先训练的产品推荐模型。
24.在其中一个实施例中，所述确定与所述预测产品特征值满足预设相似度条件的目标产品特征值，将所述目标产品特征值对应的目标产品添加至产品推荐清单，包括：
25.对所述预测产品特征值进行反归一化计算，获得预测产品特征向量；
26.分别计算预设的产品库中包含的多个产品的产品特征向量与所述预测产品特征向量的相似度；
27.将相似度满足预设相似度条件的产品特征向量对应的产品特征值作为目标产品特征值，并将所述目标产品特征值对应的目标产品添加至产品推荐清单。
28.在其中一个实施例中，所述方法还包括：
29.获取第二训练数据，所述第二训练数据包括样本综合标签以及与所述样本综合标签匹配的样本人员标签，所述样本综合标签通过对样本客户标签以及样本产品标签进行计算得到；
30.对所述样本综合标签以及所述样本人员标签分别进行向量化计算，得到样本综合特征向量以及样本人员特征向量；
31.对所述样本综合特征向量以及所述样本人员特征向量分别进行归一化计算，得到样本综合特征值以及样本人员特征值；
32.将所述样本综合特征值输入至待训练的人员推荐模型，得到期望人员特征值；
33.根据所述期望人员特征值与所述样本人员特征值，得到第二训练损失值；
34.根据所述第二训练损失值更新所述待训练的人员推荐模型的网络参数，并返回执行获取第二训练数据的步骤，直至所述第二训练损失值满足预设训练完成条件，得到预先训练的人员推荐模型。
35.在其中一个实施例中，所述方法还包括：
36.如果根据预先存储的所述目标客户的历史数据，确定所述目标客户满足预设推荐条件，则执行所述获取目标客户的产品推荐清单步骤；在所述根据所述预测人员特征值，确定与所述目标客户以及所述产品推荐清单相匹配的目标人员的步骤之后，将所述产品推荐清单以及所述目标客户推送至目标人员对应的终端；响应于所述目标人员的产品推荐操作，为所述目标客户进行产品推荐；
37.如果根据预先存储的所述目标客户的历史数据，确定所述目标客户不满足预设推
荐条件，则将所述产品推荐清单推送至所述目标客户对应的终端。
38.第二方面，本技术还提供了一种匹配装置。所述装置包括：
39.产品推荐清单获取模块，用于获取目标客户的产品推荐清单；
40.综合特征值计算模块，用于对所述产品推荐清单中产品的产品特征值以及所述目标客户的客户特征值进行计算，得到综合特征值；
41.预测模块，用于将所述综合特征值输入至预先训练的人员推荐模型，得到预测人员特征值；
42.匹配模块，用于根据所述预测人员特征值，确定与所述目标客户以及所述产品推荐清单相匹配的目标人员。
43.在其中一个实施例中，所述产品推荐清单获取模块，包括：
44.预测产品特征值确定单元，用于获取目标客户的客户特征值、产品特征值和人员特征值，将所述客户特征值输入至预先训练的产品推荐模型，获得预测产品特征值；
45.添加单元，用于确定与所述预测产品特征值满足预设相似度条件的目标产品特征值，将所述目标产品特征值对应的目标产品添加至产品推荐清单。
46.在其中一个实施例中，所述预测产品特征值确定单元，包括：
47.提取子单元，用于对预先存储的客户信息、产品信息以及人员信息进行标签提取，得到客户标签信息、产品标签信息以及人员标签信息；
48.向量化计算子单元，用于对所述客户标签信息、产品标签信息以及人员标签信息分别进行向量化计算，得到客户特征向量、产品特征向量和人员特征向量；
49.归一化计算子单元，用于对所述客户特征向量、产品特征向量和人员特征向量分别进行归一化计算，获得客户特征值、产品特征值和人员特征值。
50.在其中一个实施例中，所述装置还包括：
51.第一训练数据获取模块，用于获取第一训练数据，所述第一训练数据包括样本客户标签以及与所述样本客户标签匹配的样本产品标签；
52.第一向量化计算模块，用于对所述样本客户标签以及所述样本产品标签分别进行向量化计算，得到样本客户特征向量以及样本产品特征向量；
53.第一归一化计算模块，用于分别对所述样本客户特征向量以及所述样本产品特征向量进行归一化计算，得到样本客户特征值以及样本产品特征值；
54.第一输入模块，用于将所述样本客户特征值输入至待训练的产品推荐模型，得到期望产品特征值；
55.第一训练损失值确定模块，用于根据所述期望产品特征值与所述样本产品特征值，得到第一训练损失值；
56.第一完成模块，用于根据所述第一训练损失值更新所述待训练的产品推荐模型的网络参数，并返回执行获取第一训练数据的步骤，直至所述第一训练损失值满足预设训练完成条件，得到预先训练的产品推荐模型。
57.在其中一个实施例中，所述添加单元，包括：
58.反归一化子单元，用于对所述预测产品特征值进行反归一化计算，获得预测产品特征向量；
59.相似度计算子单元，用于分别计算预设的产品库中包含的多个产品的产品特征向
量与所述预测产品特征向量的相似度；
60.添加子单元，用于将相似度满足预设相似度条件的产品特征向量对应的产品特征值作为目标产品特征值，并将所述目标产品特征值对应的目标产品添加至产品推荐清单。
61.在其中一个实施例中，所述装置还包括：
62.第二训练数据获取模块，用于获取第二训练数据，所述第二训练数据包括样本综合标签以及与所述样本综合标签匹配的样本人员标签，所述样本综合标签通过对样本客户标签以及样本产品标签进行计算得到；
63.第二向量化计算模块，用于对所述样本综合标签以及所述样本人员标签分别进行向量化计算，得到样本综合特征向量以及样本人员特征向量；
64.第二归一化计算模块，用于对所述样本综合特征向量以及所述样本人员特征向量分别进行归一化计算，得到样本综合特征值以及样本人员特征值；
65.第二输入模块，用于将所述样本综合特征值输入至待训练的人员推荐模型，得到期望人员特征值；
66.第二训练损失值确定模块，用于根据所述期望人员特征值与所述样本人员特征值，得到第二训练损失值；
67.第二完成模块，用于根据所述第二训练损失值更新所述待训练的人员推荐模型的网络参数，并返回执行获取第二训练数据的步骤，直至所述第二训练损失值满足预设训练完成条件，得到预先训练的人员推荐模型。
68.在其中一个实施例中，所述装置还包括：
69.第一推荐模块，用于如果根据预先存储的所述目标客户的历史数据，确定所述目标客户满足预设推荐条件，则执行所述获取目标客户的产品推荐清单步骤；在所述根据所述预测人员特征值，确定与所述目标客户以及所述产品推荐清单相匹配的目标人员的步骤之后，将所述产品推荐清单以及所述目标客户推送至目标人员对应的终端；响应于所述目标人员的产品推荐操作，为所述目标客户进行产品推荐；
70.第二推荐模块，用于如果根据预先存储的所述目标客户的历史数据，确定所述目标客户不满足预设推荐条件，则将所述产品推荐清单推送至所述目标客户对应的终端。
71.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
72.获取目标客户的产品推荐清单；对所述产品推荐清单中产品的产品特征值以及所述目标客户的客户特征值进行计算，得到综合特征值；将所述综合特征值输入至预先训练的人员推荐模型，得到预测人员特征值；根据所述预测人员特征值，确定与所述目标客户以及所述产品推荐清单相匹配的目标人员。
73.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
74.获取目标客户的产品推荐清单；对所述产品推荐清单中产品的产品特征值以及所述目标客户的客户特征值进行计算，得到综合特征值；将所述综合特征值输入至预先训练的人员推荐模型，得到预测人员特征值；根据所述预测人员特征值，确定与所述目标客户以及所述产品推荐清单相匹配的目标人员。
75.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算
机程序，该计算机程序被处理器执行时实现以下步骤：
76.获取目标客户的产品推荐清单；对所述产品推荐清单中产品的产品特征值以及所述目标客户的客户特征值进行计算，得到综合特征值；将所述综合特征值输入至预先训练的人员推荐模型，得到预测人员特征值；根据所述预测人员特征值，确定与所述目标客户以及所述产品推荐清单相匹配的目标人员。
77.上述匹配方法、装置、计算机设备、存储介质和计算机程序产品，其匹配方法包括：获取目标客户的产品推荐清单；对产品推荐清单中产品的产品特征值以及目标客户的客户特征值进行计算，得到综合特征值；将综合特征值输入至预先训练的人员推荐模型，得到预测人员特征值；根据预测人员特征值，确定与目标客户以及产品推荐清单相匹配的目标人员。本发明可以确定目标客户以及与目标客户匹配的目标产品适配程度较高的目标人员，实现了客户、产品以及目标人员的实时自动匹配，使匹配成本更合理。
附图说明
78.图1为一个实施例中匹配方法的流程示意图；
79.图2为一个实施例中得到产品推荐清单的步骤的流程示意图；
80.图3为一个实施例中进行向量化处理以及归一化处理的步骤的流程示意图；
81.图4为一个实施例中产品推荐模型的训练步骤的流程示意图；
82.图5为一个实施例中得到产品推荐清单的具体步骤的流程示意图；
83.图6为一个实施例中人员推荐模型训练步骤的流程示意图；
84.图7为一个实施例中分类步骤的流程示意图；
85.图8为一个实施例中匹配装置的结构框图；
86.图9为一个实施例中计算机设备的内部结构图。
具体实施方式
87.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
88.在一个实施例中，如图1所示，提供了一种匹配方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现，上述终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该匹配方法包括以下步骤：
89.步骤102，获取目标客户的产品推荐清单。
90.具体地，目标客户可以是c端(constomer端)的用户，c端是消费者使用的，或者个人终端用户使用的客户端，例如为用户提供消费服务的应用程序。目标客户可以是待推荐用户，例如可以是已经在在为用户提供消费服务的应用程序内进行注册的任意一个用户或多个用户。目标客户也可以是在注册用户中根据预先配置的运营条件进行筛选后得到的用
户，比如可以是在预设时间段内对任意一种产品进行过购买的用户。终端可以获取目标客户的产品推荐清单，该目标客户的产品推荐清单中包括与该目标客户相匹配的多款产品、各款产品的产品特征值以及各款产品的产品特征向量。
91.可选地，该目标客户的产品推荐清单可以是业务人员预先在终端为目标人员配置的产品推荐清单，例如可以是目标用户购买过的产品清单，或者是目标用户浏览过的产品清单等等；该目标客户的产品推荐清单也可以是终端对目标客户的客户信息进行计算后，得到的与该目标客户相匹配的产品推荐清单。
92.步骤104，对产品推荐清单中产品的产品特征值以及目标客户的客户特征值进行计算，得到综合特征值。
93.具体地，终端可以从预先配置的数据库中，获取目标客户信息以及产品信息。终端可以根据对目标客户信息进行向量化处理，得到该目标客户信息对应的目标客户的客户特征值；终端还可以对产品推荐清单中各个产品的产品信息，进行向量化处理，得到产品推荐清单中各个产品对应的产品特征值。终端还可以根据实际应用场景，确定各个产品的产品权重以及该目标客户的客户权重。这样，针对于产品推荐清单中的每一产品，终端对该产品的产品特征值、该产品的权重、目标客户的客户特征值以及该目标客户的客户权重进行加权计算，得到综合特征值。
94.可选地，产品推荐清单中还包括多个产品的产品特征向量，终端根据实际应用场景，确定各个产品的产品权重以及该目标客户的客户权重，并将目标客户特征值转换为目标客户的客户特征向量。这样，针对于产品推荐清单中的每一产品，终端可以对产品的产品特征向量、产品的产品权重、该目标客户的客户特征向量以及该目标客户的客户权重进行加权计算，得到多个综合特征向量。这样，针对于每一综合特征向量，终端可以对该综合特征向量进行归一化处理，得到该综合特征向量对应的综合特征值。
95.步骤106，将综合特征值输入至预先训练的人员推荐模型，得到预测人员特征值。
96.具体地，预先训练的人员推荐模型可以用于为各目标客户匹配合适的目标人员，该人员推荐模型可以是神经网络网络，例如可以是bp神经网络模型(back propagation neural network)。终端可以将综合特征值输入至预先训练的人员推荐模型，该人员推荐模型的输出结果是预测人员特征值。
97.可选地，终端可以针对产品推荐清单中每一产品，对该产品的产品特征值以及目标客户的客户特征值进行加权计算，得到综合特征值。这样，终端可以该综合特征值输入至预先训练的人员推荐模型，得到与该产品以及与该目标客户均匹配的预测人员特征值。也就是说，终端得到的是多个预测人员特征值，该多个预测人员特征值分别与产品推荐清单中的每一产品匹配。
98.可选地，终端还可以针对于产品推荐清单，对该产品推荐清单中包含多个产品的产品特征值以及该目标客户的客户特征值进行加权计算，得到目标客户与该产品推荐清单的综合特征值。这样，终端可以将该综合特征值输入至预先训练的人员推荐模型，得到与该产品推荐清单以及与该目标客户均匹配的预测人员特征值。也就是说，终端得到的是与该产品推荐清单相匹配的预测人员特征值。
99.步骤108，根据预测人员特征值，确定与目标客户以及产品推荐清单相匹配的目标人员。
100.具体地，预先配置的人员特征值数据库中存储有多个人员的人员信息以及该人员的人员特征值。这样，终端可以在预先配置的人员特征值数据库中，筛选与该预测人员特征值相匹配的人员特征值，并将该人员特征值对应的人员作为目标人员。
101.可选地，终端可以在预先配置的人员特征值数据库中确定与产品推荐清单中的多款产品分别匹配的目标人员，各目标人员分别为目标客户推荐各产品。终端还可以在预先配置的人员特征值数据库中确定与该产品推荐清单匹配的目标人员，该目标人员可以为该目标客户推荐该产品推荐清单中包含的多个产品。
102.上述匹配方法中，获取目标客户的产品推荐清单。对产品推荐清单中产品的产品特征值以及目标客户的客户特征值进行计算，得到综合特征值。将综合特征值输入至预先训练的人员推荐模型，得到预测人员特征值。根据预测人员特征值，确定与目标客户以及产品推荐清单相匹配的目标人员。本发明可以确定目标客户以及与目标客户匹配的目标产品适配程度较高的目标人员，实现了客户、产品以及目标人员的实时自动匹配，使匹配成本更合理。
103.本发明实施例提供的方法，是针对智能营销无法有效满足金融行业产品专业答疑诉求的问题，提供的一种基于智能推荐的人员匹配方法。基于智能推荐将客户及客户适合的产品推送给适合营销的销售人员手里，销售人员基于智能推介进行或人工或智能外呼的推介行为，可以提高需要专业支持的客户的营销成交转化率。
104.在一个实施例中，如图2所示，步骤102“获取目标客户的产品推荐清单”的具体处理过程，包括：
105.步骤202，获取目标客户的客户特征值、产品特征值和人员特征值，将客户特征值输入至预先训练的产品推荐模型，获得预测产品特征值。
106.具体地，终端获取目标客户的客户特征值、多个产品的产品特征值以及多个销售人员的人员特征值。这样，终端可以将目标客户的客户特征值输入至预先训练完成的产品推荐模型。该产品推荐模型的输出结果可以是与该目标客户的客户特征值相匹配的预测产品特征值。
107.步骤204，确定与预测产品特征值满足预设相似度条件的目标产品特征值，将目标产品特征值对应的目标产品添加至产品推荐清单。
108.可选地，终端可以配置有产品库，该产品库中包含多个产品。终端可以预先计算产品库中包含的多个产品的产品特征值，并针对每一产品特征值，终端计算该产品特征值与预测产品特征值之间的相似度。这样，终端可以将相似度满足预设相似度条件的产品特征值作为目标产品特征值，并将目标产品特征值对应的目标产品添加至产品推荐清单。
109.在一个实施例中，如图3所示，步骤202“获取客户特征值、产品特征值和人员特征值”的具体处理过程，包括：
110.步骤302，对预先存储的客户信息、产品信息以及人员信息进行标签提取，得到客户标签信息、产品标签信息以及人员标签信息。
111.具体地，客户信息、产品信息以及人员信息可以是预先存储于终端内的信息，终端可以直接获取到该客户信息、产品信息以及人员信息。客户信息是表示客户特征的信息，可以包括性别信息、年龄信息、教育水平信息等等，产品信息是表示产品特征的信息，可以包括产品名称信息、产品类型信息、产品风险评级信息等等；人员信息是表示人员特征的信
息，可以包括性别信息、任职经历信息、服务客群类别信息等等。
112.这样，终端可以对预先存储的客户信息、产品信息以及人员信息分别进行标签提取，得到客户标签信息、产品标签信息以及人员标签信息。
113.可选地，终端可以对客户信息进行分词并统计词频，根据分词的词频确定客户标签信息以及该客户标签信息的权重。终端可以实际应用场景的需求，确定词频阈值。这样，终端可以对词频超过词频阈值的分词进行标签提取，得到客户标签信息，并根据词频的具体参数值，确定该客户标签信息的权重。客户标签信息的权重与词频的具体参数值可以是正相关。
114.类似地，终端可以对产品信息进行分词并统计词频，根据分词的词频确定产品标签信息以及该产品标签信息的权重。终端可以实际应用场景的需求，确定词频阈值。这样，终端可以对词频超过词频阈值的分词进行标签提取，得到产品标签信息，并根据词频的具体参数值，确定该产品标签信息的权重。产品标签信息的权重与词频的具体参数值可以是正相关。
115.类似地，终端可以对人员信息进行分词并统计词频，根据分词的词频确定人员标签信息以及该人员标签信息的权重。终端可以实际应用场景的需求，确定词频阈值。这样，终端可以对词频超过词频阈值的分词进行标签提取，得到人员标签信息，并根据词频的具体参数值，确定该人员标签信息的权重。人员标签信息的权重与词频的具体参数值可以是正相关。
116.可选地，该客户标签信息包括该客户的性别标签、年龄段标签、教育经历标签、管理资产规模标签、职业标签、经常活动区域标签、金融需求偏好标签、非金融需求偏好标签、兴趣爱好标签、历史交易数据标签、历史行为数据标签、渠道偏好标签；所述产品标签信息包括产品的名称标签、类型标签、风险评级标签、币种及起点等等；所述人员标签信息包括人员的性别标签、年龄段标签、教育经历标签、任职支行标签、银行专业资质标签、技能专长标签、兴趣爱好标签、服务客群类别标签、历史销售数据等等。渠道偏好标签可以是客户对手机银行、网上银行、微信银行、短信通知以及网点各个交易渠道的偏好程度信息。
117.步骤304，对客户标签信息、产品标签信息以及人员标签信息分别进行向量化计算，得到客户特征向量、产品特征向量和人员特征向量。
118.具体地，针对于客户标签信息、产品标签信息以及人员标签信息，终端对客户标签信息进行向量化计算，也就是为客户标签信息配置向量化的表达方式，使客户标签信息可以转换为信息向量，即将客户标签信息转换为客户特征信息。
119.可选地，客户特征向量是终端通过对客户标签信息进行向量化处理后，得到客户向量(客户向量组)；产品特征向量是终端通过对产品标签信息进行向量化处理后，得到产品向量(产品向量组)；人员特征向量是终端通过对人员标签信息进行向量化处理后，得到人员向量(人员向量组)。
120.步骤306，对客户特征向量、产品特征向量和人员特征向量分别进行归一化计算，获得客户特征值、产品特征值和人员特征值。
121.具体地，终端通过预先设置的归一化算法，对客户特征向量、产品特征向量和人员特征向量分别进行归一化计算，获得客户特征值、产品特征值和人员特征值。也就是说，终端对分别对客户向量、产品向量以及人员向量进行归一化计算，得到客户向量值、产品向量
值以及人员特征值。
122.本实施例中，通过对客户信息、产品信息以及人员信息进行向量化处理以及归一化处理，得到特征值，可以以向量化的数值方式对信息进行表达，可以使上述信息更精准地被量化。
123.在一个实施例中，如图4所示，该匹配方法还包括：
124.步骤402，获取第一训练数据。
125.其中，第一训练数据包括样本客户标签以及与样本客户标签匹配的样本产品标签。
126.具体地，终端可以获取预设时间段内的交易数据，作为第一训练数据。该第一训练数据中包括客户标签以及与该客户标签匹配的产品标签。也就是说，终端可以获取样本客户标签以及与该样本客户标签匹配的样本产品标签。预设时间段可以是最近半年内、最近一年内等等时间段。
127.步骤404，对样本客户标签以及样本产品标签分别进行向量化计算，得到样本客户特征向量以及样本产品特征向量。
128.具体地，通过预设配置的向量化算法(如one-hot编码算法)，终端对样本客户标签以及样本产品标签分别进行向量化处理，得到样本客户向量组x{i}以及样本产品向量组y{j}，即得到样本客户特征向量以及样本产品特征向量。
129.步骤406，分别对样本客户特征向量以及样本产品特征向量进行归一化计算，得到样本客户特征值以及样本产品特征值。
130.具体地，终端分别对样本客户向量组以及样本产品向量组进行归一化处理，得到样本客户向量值x以及样本产品向量值y，即得到样本客户特征值x以及样本产品特征值y。
131.步骤408，将样本客户特征值输入至待训练的产品推荐模型，得到期望产品特征值。
132.具体地，待训练的产品推荐模型可以是基于bp神经网络构建的产品推荐模型。终端将样本客户特征值分别输入至该待训练的产品推荐模型，该产品推荐模型的输出结果是期望产品特征值。
133.可选地，该待训练的产品推荐模型可以是：y’＝ax b。
134.其中，x为对客户标签值进行归一处理后得到的客户向量值，a为客户向量值的权值，b为匹配阈值，y’为预测的产品向量值。
135.步骤410，根据期望产品特征值与样本产品特征值，得到第一训练损失值。
136.步骤412，根据第一训练损失值更新待训练的产品推荐模型的网络参数，并返回执行获取第一训练数据的步骤，直至第一训练损失值满足预设训练完成条件，得到预先训练的产品推荐模型。
137.具体地，终端可以通过下述公式计算得到第一训练损失值e：
[0138][0139]
其中，ti为期望输出、oi为网络的计算输出。在本实施例中，ti为样本产品特征值、oi为期望产品特征值。
[0140]
可选地，如果终端计算得到的第一训练损失值不满足预设训练完成条件，则终端可以调整待训练的产品推荐模型的网络参数，例如可以是调整产品推荐模型中的客户向量值的权值以及匹配阈值，直至计算得到的第一训练损失值满足预设训练完成条件，此时可以得到训练完成的产品推荐模型。
[0141]
可选地，预设训练完成条件可以是训练次数达到预设数量，还可以是计算得到的第一训练损失值达到极小值，或者是达到预先设定的标准误差值等等。预设训练完成条件可以是产品推荐模型满足预设约束条件，预设约束条件可以是产品销售区域和客户所属区域及销售人区域一致、销售人资质要求、产品互斥约束、客户渠道偏好等。所述的约束规则作为智能推荐的底层基础规则参与计算，使计算所得结果能够具备基本必要的有效性和合理性。
[0142]
本实施例中，通过获取样本产品标签以及样本客户标签对产品推荐模型进行训练，可以得到准确度较高的、训练效果较好的产品推荐模型。
[0143]
在一个实施例中，如图5所示，步骤204“确定与预测产品特征值满足预设相似度条件的目标产品特征值，将目标产品特征值对应的目标产品添加至产品推荐清单”的具体处理过程，包括：
[0144]
步骤502，对预测产品特征值进行反归一化计算，获得预测产品特征向量。
[0145]
具体地，通过预先配置的反归一化算法，终端可以对计算得到的预测产品特征值进行反归一化，得到预测产品特征向量。也就是说，终端通过预先配置的反归一化算法，对预测产品向量值进行反归一化，得到预测产品向量值对应的产品向量(产品向量组)。
[0146]
步骤504，分别计算预设的产品库中包含的多个产品的产品特征向量与所述预测产品特征向量的相似度。
[0147]
具体地，预先配置的产品库中可以包括多个产品，终端可以获取到预设的产品库中的包含的多个产品的产品特征向量。针对于预设的产品库中的每一产品，终端计算该产品的产品特征向量与预测产品特征向量之间的相似度。
[0148]
步骤506，将相似度满足预设相似度条件的产品特征向量对应的产品特征值作为目标产品特征值，并将所述目标产品特征值对应的目标产品添加至产品推荐清单。
[0149]
具体地，终端可以在多个相似度中，筛选满足预设相似度条件的相似度，并确定满足预设相似度条件的相似度对应的产品特征数据，并将该产品特征向量对应的产品特征值作为目标产品特征值。这样，终端可以将目标产品特征值对应的目标产品添加至产品推荐清单。例如，终端可以将相似度的参数值最高十个的相似度作为满足预设相似度条件的相似度。
[0150]
在一个实施例中，如图6所示，该匹配方法还包括：
[0151]
步骤602，获取第二训练数据。
[0152]
其中，第二训练数据包括样本综合标签以及与样本综合标签匹配的样本人员标签，样本综合标签通过对样本客户标签以及样本产品标签进行加权计算得到。
[0153]
具体地，终端可以获取预设时间段内的交易数据，作为第二训练数据。该第二训练数据中包括客户标签，与该客户标签匹配的产品标签，与该客户标签、产品标签均匹配的人员标签。终端对样本客户标签以及样本产品标签进行加权计算，得到样本综合标签。也就是说，终端可以获取相互匹配的样本客户标签、样本产品标签、样本人员标签。预设时间段可
以是最近半年内、最近一年内等等时间段。
[0154]
步骤604，对样本综合标签以及样本人员标签分别进行向量化计算，得到样本综合特征向量以及样本人员特征向量。
[0155]
具体地，通过预设配置的向量化算法(如one-hot编码算法)，终端对样本综合标签以及样本人员标签分别进行向量化处理，得到样本综合向量组m{i}以及样本人员向量组n{j}，即得到样本综合特征向量以及样本人员特征向量。
[0156]
步骤606，对样本综合特征向量以及样本人员特征向量分别进行归一化计算，得到样本综合特征值以及样本人员特征值。
[0157]
具体地，终端对样本综合向量组以及样本人员向量组分别进行归一化处理，得到样本综合向量值m以及样本人员向量值n，即得到样本综合特征值m以及样本人员特征值n。
[0158]
步骤608，将样本综合特征值输入至待训练的人员推荐模型，得到期望人员特征值。
[0159]
具体地，待训练的人员推荐模型可以是基于bp神经网络构建的人员推荐模型。终端将样本综合特征值分别输入至该待训练的人员推荐模型，该人员推荐模型的输出结果是期望人员特征值。
[0160]
可选地，该待训练的人员推荐模型可以是：n’＝a’m b’。
[0161]
其中，m为对综合标签值进行归一处理后得到的综合向量值，a’为综合向量值的权值，b’为匹配阈值，n’为预测的人员向量值。
[0162]
步骤610，根据期望人员特征值与样本人员特征值，得到第二训练损失值。
[0163]
步骤612，根据第二训练损失值更新待训练的人员推荐模型的网络参数，并返回执行获取第二训练数据的步骤，直至第二训练损失值满足预设训练完成条件，得到预先训练的人员推荐模型。
[0164]
具体地，终端可以通过下述公式计算得到第二训练损失值e：
[0165][0166]
其中，ti为期望输出、oi为网络的计算输出。在本实施例中，ti为样本人员特征值、oi为期望人员特征值。
[0167]
可选地，如果终端计算得到的第二训练损失值不满足预设训练完成条件，则终端可以调整待训练的人员推荐模型的网络参数，例如可以是调整人员推荐模型中的综合向量值的权值以及匹配阈值，直至计算得到的第二训练损失值满足预设训练完成条件，此时可以得到训练完成的人员推荐模型。
[0168]
可选地，预设训练完成条件可以是训练次数达到预设数量，还可以是计算得到的第二训练损失值达到极小值，或者是达到预先设定的标准误差值等等。预设训练完成条件可以是产品推荐模型满足预设约束条件，预设约束条件可以是产品销售区域和客户所属区域及销售人区域一致、销售人资质要求、产品互斥约束、客户渠道偏好等。所述的约束规则作为智能推荐的底层基础规则参与计算，使计算所得结果能够具备基本必要的有效性和合理性。
[0169]
本实施例中，通过获取样本人员标签以及样本综合标签对人员推荐模型进行训
练，可以得到准确度较高的、训练效果较好的人员推荐模型。
[0170]
在一个实施例中，如图7所示，该匹配方法还包括：
[0171]
步骤702，如果根据预先存储的目标客户的历史数据，确定目标客户满足预设推荐条件，则执行获取目标客户的产品推荐清单步骤。在根据预测人员特征值，确定与目标客户以及产品推荐清单相匹配的目标人员的步骤之后，将产品推荐清单以及目标客户推送至目标人员对应的终端。响应于目标人员的产品推荐操作，为目标客户进行产品推荐。
[0172]
具体地，在终端内预先存储的目标客户的历史数据可以是目标客户的历史交易数据，该历史交易数据可以包括成交量以及成交率。这样，预设推荐条件是成交量以及成交率小于预设推荐阈值。这样，终端可以针对于满足预设推荐条件的目标客户，执行上述实施例所述的步骤。在执行“根据预测人员特征值，确定与目标客户以及产品推荐清单相匹配的目标人员”的步骤之后，终端可以将产品推荐清单以及目标客户推送至目标人员对应的终端。这样，终端可以响应于目标人员的产品推荐操作，为目标客户进行产品推荐。
[0173]
可选地，终端可以将产品推荐清单以及目标客户推送至目标人员的智能外呼应用，当目标人员可以根据人工推介(产品推荐清单以及目标客户)进行产品的人工推介，推介方式包括人工语音或机器智能外呼，推介成功后通过线上交易完成产品销的销售。
[0174]
步骤704，如果根据预先存储的目标客户的历史数据，确定目标客户不满足预设推荐条件，则将产品推荐清单推送至目标客户对应的终端。
[0175]
具体地，终端可以针对于不满足预设推荐条件的目标客户，将产品推荐清单推送至目标客户对应的终端，例如可以是推送至电子渠道的猜你喜欢板块，完成产品的推荐。电子渠道可以包括网上银行以及手机银行等等。
[0176]
本实施例中，通过对目标客户的准确分层，为满足预设推荐条件的目标客户及时配置相匹配的目标人员，也可以是为目标人员自动生成适合的客户及客户偏好产品，实现了三方的智能匹配。同时，对于目标客户进行智能分类，对于有一定自主能力的客户可通过智能推荐就实现推介营销，对于自主能力较差的通过智能推介提升成功率，可以实现人工成本的合理化分布以及提高匹配程度，进而可以提升产品的销售成功率。
[0177]
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0178]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的匹配方法的匹配装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个匹配装置实施例中的具体限定可以参见上文中对于匹配方法的限定，在此不再赘述。
[0179]
在一个实施例中，如图8所示，提供了一种匹配装置800，包括：产品推荐清单获取模块801、综合特征值计算模块802、预测模块803以及匹配模块804，其中：
[0180]
产品推荐清单获取模块801，用于获取目标客户的产品推荐清单。
[0181]
综合特征值计算模块802，用于对产品推荐清单中产品的产品特征值以及目标客户的客户特征值进行计算，得到综合特征值。
[0182]
预测模块803，用于将综合特征值输入至预先训练的人员推荐模型，得到预测人员特征值。
[0183]
匹配模块804，用于根据预测人员特征值，确定与目标客户以及产品推荐清单相匹配的目标人员。
[0184]
装置实施例中，除了装置独权的实施例之外，还需写出所有方法项从权一一对应的装置项的实施例。
[0185]
在其中一个实施例中，所述产品推荐清单获取模块，包括：
[0186]
预测产品特征值确定单元，用于获取目标客户的客户特征值、产品特征值和人员特征值，将所述客户特征值输入至预先训练的产品推荐模型，获得预测产品特征值；
[0187]
添加单元，用于确定与所述预测产品特征值满足预设相似度条件的目标产品特征值，将所述目标产品特征值对应的目标产品添加至产品推荐清单。
[0188]
在其中一个实施例中，所述预测产品特征值确定单元，包括：
[0189]
提取子单元，用于对预先存储的客户信息、产品信息以及人员信息进行标签提取，得到客户标签信息、产品标签信息以及人员标签信息；
[0190]
向量化计算子单元，用于对所述客户标签信息、产品标签信息以及人员标签信息分别进行向量化计算，得到客户特征向量、产品特征向量和人员特征向量；
[0191]
归一化计算子单元，用于对所述客户特征向量、产品特征向量和人员特征向量分别进行归一化计算，获得客户特征值、产品特征值和人员特征值。
[0192]
在其中一个实施例中，所述装置还包括：
[0193]
第一训练数据获取模块，用于获取第一训练数据，所述第一训练数据包括样本客户标签以及与所述样本客户标签匹配的样本产品标签；
[0194]
第一向量化计算模块，用于对所述样本客户标签以及所述样本产品标签分别进行向量化计算，得到样本客户特征向量以及样本产品特征向量；
[0195]
第一归一化计算模块，用于分别对所述样本客户特征向量以及所述样本产品特征向量进行归一化计算，得到样本客户特征值以及样本产品特征值；
[0196]
第一输入模块，用于将所述样本客户特征值输入至待训练的产品推荐模型，得到期望产品特征值；
[0197]
第一训练损失值确定模块，用于根据所述期望产品特征值与所述样本产品特征值，得到第一训练损失值；
[0198]
第一完成模块，用于根据所述第一训练损失值更新所述待训练的产品推荐模型的网络参数，并返回执行获取第一训练数据的步骤，直至所述第一训练损失值满足预设训练完成条件，得到预先训练的产品推荐模型。
[0199]
在其中一个实施例中，所述添加单元，包括：
[0200]
反归一化子单元，用于对所述预测产品特征值进行反归一化计算，获得预测产品特征向量；
[0201]
相似度计算子单元，用于分别计算预设的产品库中包含的多个产品的产品特征向量与所述预测产品特征向量的相似度；
[0202]
添加子单元，用于将相似度满足预设相似度条件的产品特征向量对应的产品特征值作为目标产品特征值，并将所述目标产品特征值对应的目标产品添加至产品推荐清单。
[0203]
在其中一个实施例中，所述装置还包括：
[0204]
第二训练数据获取模块，用于获取第二训练数据，所述第二训练数据包括样本综合标签以及与所述样本综合标签匹配的样本人员标签，所述样本综合标签通过对样本客户标签以及样本产品标签进行计算得到；
[0205]
第二向量化计算模块，用于对所述样本综合标签以及所述样本人员标签分别进行向量化计算，得到样本综合特征向量以及样本人员特征向量；
[0206]
第二归一化计算模块，用于对所述样本综合特征向量以及所述样本人员特征向量分别进行归一化计算，得到样本综合特征值以及样本人员特征值；
[0207]
第二输入模块，用于将所述样本综合特征值输入至待训练的人员推荐模型，得到期望人员特征值；
[0208]
第二训练损失值确定模块，用于根据所述期望人员特征值与所述样本人员特征值，得到第二训练损失值；
[0209]
第二完成模块，用于根据所述第二训练损失值更新所述待训练的人员推荐模型的网络参数，并返回执行获取第二训练数据的步骤，直至所述第二训练损失值满足预设训练完成条件，得到预先训练的人员推荐模型。
[0210]
在其中一个实施例中，所述装置还包括：
[0211]
第一推荐模块，用于如果根据预先存储的所述目标客户的历史数据，确定所述目标客户满足预设推荐条件，则执行所述获取目标客户的产品推荐清单步骤；在所述根据所述预测人员特征值，确定与所述目标客户以及所述产品推荐清单相匹配的目标人员的步骤之后，将所述产品推荐清单以及所述目标客户推送至目标人员对应的终端；响应于所述目标人员的产品推荐操作，为所述目标客户进行产品推荐；
[0212]
第二推荐模块，用于如果根据预先存储的所述目标客户的历史数据，确定所述目标客户不满足预设推荐条件，则将所述产品推荐清单推送至所述目标客户对应的终端。
[0213]
上述匹配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0214]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储为目标客户以及目标产品匹配目标人员的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种匹配方法。
[0215]
本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0216]
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0217]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0218]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0219]
需要说明的是，本公开实施例所述的方法和装置可用于人工智能领域，可用于金融科技领域或其他相关领域，本公开实施例所述的方法和装置对所应用领域不做限定。
[0220]
说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。本发明实施例的方法为客户对应的用户终端推送的产品推荐清单，用户终端可以响应于客户的拒绝操作，为客户拒绝上述产品推荐清单信息的推送。
[0221]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0222]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0223]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。