消费倾向分析方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的消费偏好分析方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.为保证企业能够生产更符合客户兴趣的产品、对现有产品进行更新或者对客户进行相关产品推荐，大多企业都构建了产品反馈平台来获取客户反馈信息，从而得到客户的消费倾向，目前主要通过情感分析模型对客户的反馈信息进行文本情感分析，得到客户对某一类产品的情感，如喜欢或反感，从而获知客户的消费倾向。
3.但是，金融产品与其他实体产品相比，客户具有更高的操作谨慎性、更集中的产品关注点，目前行业内使用的情感分析模型只是单一对客户反馈信息进行识别，而忽视了客户的大量行为信息，使得现有方法无法得到足够精准的客户消费倾向。


技术实现要素：

4.本发明提供一种基于人工智能的消费偏好分析方法、装置及计算机可读存储介质，其主要目的在于解决在金融产品领域内客户消费倾向识别的精确度较低的问题。
5.为实现上述目的，本发明提供的一种基于人工智能的消费偏好分析方法，包括：
6.获取客户的反馈信息，并对所述反馈信息进行向量化处理，得到文本向量；
7.通过预训练的情感分析神经网络分析所述文本向量的语义情感，得到所述反馈信息的文本情感特征集合；
8.根据预设的关注规则，从预构建的程序界面的客户访问记录中提取所述客户的关注产品集合，并获取所述关注产品集合中各个产品的产品属性，得到产品属性集合；
9.利用预构建的分类器对所述文本情感特征集合、所述产品属性集合进行概率分类计算，得到所述客户对于各个预设的产品类型的消费倾向得分。
10.可选的，所述利用预构建的分类器对所述文本情感特征集合、所述产品属性集合进行概率分类计算，得到所述客户对于各个预设的产品类型的消费倾向得分，包括：
11.组合所述产品文本情感特征集合与所述产品属性集合，得到条件属性集合，并配置所述条件属性集合中各个条件属性之间相互独立；
12.获取所述朴素贝叶斯分类器中的预设类别集合；
13.根据预设的配置文件，配置所述条件属性集合中各个条件属性的先验概率，得到第一概率集合，并配置所述预设类别集合中各个预设类别的先验概率，得到第二概率集合；
14.根据贝叶斯定理，利用所述第一概率集合及所述第二概率集合，计算各个所述预设类别在所述条件属性集合下的后验概率；
15.归一化所述后验概率，得到客户对于各个预设的产品类型的消费倾向得分。
16.可选的，所述对所述反馈信息进行向量化处理，得到文本向量，包括：
17.将所述反馈信息进行分词处理，得到词语集合；
18.利用预构建的量化工具将所述词语集合进行向量化，得到词向量集合；
19.根据预设的位置编码，对所述词向量集合进行顺序标注，得到顺序词向量集合；
20.根据预设的格式化规则，对所述顺序词向量进行拆分，并将拆分结果进行排列，得到矩阵向量的文本向量。
21.可选的，所述将所述反馈信息进行分词处理，得到词语集合，包括：
22.根据预设的文字限制规则，对所述反馈信息进行文字过滤处理，得到过滤文本；
23.利用预构建的分词工具对所述过滤文本进行分词操作，得到词语集合。
24.可选的，所述通过预训练的情感分析神经网络分析所述文本向量的语义情感，得到所述反馈信息的文本情感特征集合，包括：
25.利用所述情感分析神经网络中预构建的卷积核集合对所述文本向量进行卷积计算，得到特征矩阵集合；
26.对所述特征矩阵集合进行最大池化操作，得到缩小矩阵集合；
27.利用所述情感分析神经网络中的flatten层对所述缩小矩阵集合进行扁平化操作，得到文本情感特征集合。
28.可选的，所述从预构建的程序界面的客户访问记录中提取所述客户的关注产品集合，包括：
29.在预设的客户授权时间段内，利用预设埋点获取预构建的程序界面中的统一资源定位地址；
30.判断所述统一资源定位地址中是否存在预设的产品字段；
31.若所述统一资源定位地址中没有所述产品字段，判定所述客户未进行产品浏览操作，则返回上述利用预设埋点获取预构建的程序界面中的统一资源定位地址的步骤；
32.若所述统一资源定位地址中存在预设的产品字段，判定所述客户进行了产品浏览操作，并利用预构建的时间戳函数，获取客户的浏览时间；
33.判断所述浏览时间是否小于预设的有效浏览时间阈值；
34.当所述浏览时间小于所述有效浏览时间阈值，判定所述客户未进行有效浏览，返回上述利用预设埋点获取预构建的程序界面中的统一资源定位地址的步骤；
35.当所述浏览时间大于或等于所述有效浏览时间阈值，判定所述客户进行了有效浏览，输出所述产品字段对应的产品定义为关注产品，得到关注产品集合。
36.可选的，所述得到所述客户对于各个预设的产品类型的消费倾向得分之后，所述方法还包括：
37.对所述各个预设的产品类型的消费倾向得分进行排序，得到产品倾向序列；
38.根据预设的提取策略，提取所述产品倾向序列中预设数量的产品类型作为所述客户的较倾向产品类型集合；
39.从所述较倾向产品类型集合中提取倾向得分大于预设的合格阈值的产品类型，得到所述客户的消费倾向类型。
40.为了解决上述问题，本发明还提供一种基于人工智能的消费偏好分析装置，所述装置包括：
41.反馈信息量化模块，用于获取客户的反馈信息，并根据预设的预处理策略，对所述反馈信息进行向量化处理，得到文本向量；
42.情感特征提取模块，用于通过预训练的情感分析神经网络分析所述文本向量的语义情感，得到所述反馈信息的文本情感特征集合；
43.客户行为提取模块，用于根据预设的关注规则，从所述客户在预构建的程序界面的访问记录中提取所述客户的关注产品集合，并获取所述关注产品集合中各个产品涉及的产品属性，得到产品属性集合；
44.消费倾向识别模块，用于利用预构建的分类器对所述文本情感特征集合、所述产品属性集合进行概率分类计算，得到所述客户对于各个预设的产品类型的消费倾向得分。
45.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
46.至少一个处理器；以及，
47.与所述至少一个处理器通信连接的存储器；其中，
48.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于人工智能的消费偏好分析方法。
49.为了解决上述问题，本发明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中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于人工智能的消费偏好分析方法。
50.本发明实施例通过情感分析神经网络识别客户的反馈信息，得到文本情感特征集合；进一步查询所述客户在预构建的程序界面中的关注产品集合，通过文本情感特征与关注产品集合双重数据，丰富客户自身特征，增加分析客户消费倾向的可用数据量；最后，通过朴素贝叶斯分类器对所述文本情感特征集合、所述产品属性集合进行概率分类计算，得到所述客户对于各个预设的产品类型的消费倾向得分，增加了消费倾向识别的准确性。因此本发明提出的基于人工智能的消费偏好分析方法、装置、电子设备及计算机可读存储介质，可以解决在金融产品领域内客户消费倾向识别的精确度较低的问题。
附图说明
51.图1为本发明一实施例提供的基于人工智能的消费偏好分析方法的流程示意图；
52.图2为本发明一实施例提供的基于人工智能的消费偏好分析方法中一个步骤的流程示意图；
53.图3为本发明一实施例提供的基于人工智能的消费偏好分析方法中一个步骤的流程示意图；
54.图4为本发明一实施例提供的基于人工智能的消费偏好分析装置的功能模块图；
55.图5为本发明一实施例提供的实现所述基于人工智能的消费偏好分析方法的电子设备的结构示意图。
56.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
57.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
58.本技术实施例提供一种基于人工智能的消费偏好分析方法。所述基于人工智能的消费偏好分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施
例提供的该方法的电子设备中的至少一种。换言之，所述基于人工智能的消费偏好分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
59.参照图1所示，为本发明一实施例提供的基于人工智能的消费偏好分析方法的流程示意图。在本实施例中，所述基于人工智能的消费偏好分析方法包括：
60.s1、获取客户的反馈信息，并对所述反馈信息进行向量化处理，得到文本向量。
61.本发明实施例中所述反馈信息为通过预构建的信息反馈平台获取得到的，包含产品及相关评论。
62.详细的，本发明实施例中，所述对所述反馈信息进行向量化处理，得到文本向量，包括：
63.将所述反馈信息进行分词处理，得到词语集合；
64.利用预构建的量化工具将所述词语集合进行向量化，得到词向量集合；
65.根据预设的位置编码，对所述词向量集合进行顺序标注，得到顺序词向量集合；
66.根据预设的格式化规则，对所述顺序词向量进行拆分，并将拆分结果进行排列，得到矩阵向量的文本向量。
67.本发明实施例先通过分词操作得到词语集合，再通过word2vec模型等量化工具对所述词语集合进行向量化，得到词向量集合，由于所述词向量集合的数据为离散的，不利于后续进行文本情感识别，本发明实施例通过预设的位置编码，如【句外编码(ea、eb、ec……
)、句内编码(e0、e1、e2……
)】对所述词向量集合进行分句及排序操作，得到顺序词向量集合，由于所述顺序词向量集合为一维较长的向量，本发明通过预设的格式化规则，将所述顺序词向量集合切分组合为n
×
m的矩阵形式。其中所述word2vec模型是用来产生词向量的相关模型，通过映射每个词到一个词向量，来表示词对词之间的关系。
68.详细的，本发明实施例中，所述将所述反馈信息进行分词处理，得到词语集合，包括：
69.根据预设的文字限制规则，对所述反馈信息进行文字过滤处理，得到过滤文本；
70.利用预构建的分词工具对所述过滤文本进行分词操作，得到词语集合。
71.本发明实施例在分词操作之前，先通过文字限制规则，将用户的敏感信息、表情符号、特殊字符、语气助词等被限制符号进行文字过滤，减少后续情感识别的复杂程度，再通过jieba分词工具对处理好的所述干净文本进行分词操作，得到实施词语集合。
72.s2、通过预训练的情感分析神经网络分析所述文本向量的语义情感，得到所述反馈信息的文本情感特征集合。
73.本发明实施例所述情感分析神经网络可以为基于bert神经网络的文本识别网络，可用于识别文本中客户的情感类型，如正面情感、反面情感。其中，所述情感分析神经网络包括卷积层、池化层、flatten层。
74.详细的，本发明实施例中，所述通过预训练的情感分析神经网络分析所述文本向量的语义情感，得到所述反馈信息的文本情感特征集合，包括：
75.利用所述情感分析神经网络中预构建的卷积核集合对所述文本向量进行卷积计算，得到特征矩阵集合；
76.对所述特征矩阵集合进行最大池化操作，得到缩小矩阵集合；
77.利用所述情感分析神经网络中的flatten层对所述缩小矩阵集合进行扁平化操作，得到文本情感特征集合。
78.本发明实施例中，所述卷积核集合中的卷积核为多种数据矩阵，每种所述数据矩阵用于提取所述文本向量中的一个特征。
79.本发明实施例利用所述卷积核集合对所述文本向量进行矩阵运算，得到维度降低的特征矩阵集合，再通过预构建的池化层，查询预设范围内的最大向量，并将所述最大向量表示所述预设范围，使得所述特征矩阵集合中的特征矩阵在能够保留特征值的基础上进一步进行降维，得到缩小矩阵集合；进一步地，利用flatten层将所述缩小矩阵进行拆分、连接的扁平化操作，提取所述缩小矩阵中的每一行特征值再连接到一起，到一维的文本情感特征集合。
80.s3、根据预设的关注规则，从预构建的程序界面的客户访问记录中提取所述客户的关注产品集合，并获取所述关注产品集合中各个产品的产品属性，得到产品属性集合。
81.本发明实施例中，所述关注规则为根据大数据归纳得出，包括，例如：客户对关注产品的查看时间会大于的时间段，如1分钟的规律。
82.本发明其中一个实施例中，所述程序界面可以为金融部门对多个金融产品构建的一个浏览器网站或app界面，其中，所述程序界面中含有产品链接及其他功能链接。
83.详细的，参考图2所示，本发明实施例中，所述从预构建的程序界面的客户访问记录中提取所述客户的关注产品集合，包括：
84.s31、在预设的客户授权时间段内，利用预设埋点获取预构建的程序界面中的统一资源定位地址；
85.s32、判断所述统一资源定位地址中是否存在预设的产品字段；
86.若所述统一资源定位地址中没有所述产品字段，则执行s33、判定所述客户未进行产品浏览操作，则返回步骤s31；
87.若所述统一资源定位地址中存在预设的产品字段，s34、判定所述客户进行了产品浏览操作，并利用预构建的时间戳函数，获取客户的浏览时间；
88.s35、判断所述浏览时间是否小于预设的有效浏览时间阈值；
89.当所述浏览时间小于所述有效浏览时间阈值，s36、判定所述客户未进行有效浏览，返回上述步骤s31；
90.当所述浏览时间大于或等于所述有效浏览时间阈值，s37、判定所述客户进行了有效浏览，输出所述产品字段对应的产品定义为关注产品，得到关注产品集合。
91.其中，所述统一资源定位地址(uniform resource locator，简称url)为前端的所述程序界面调取后台的数据内容的请求链接，其中，包括协议模式、请求地址、参数值、标签等等。
92.进一步地，所述有效浏览时间阈值为所述关注规则中预先设置的时间，如1分钟。
93.本发明实施例根据客户预授权的访问令牌，在所述客户授权时间段内，通过一个埋点程序对客户在所述程序界面中获取url(并不影响url的正常传输)，其中，所述url的请
求地址长短不一，当检索到所述url的请求地址中出现了产品名称字段时，则表明客户对所述产品名称对应产品进行浏览。利用时间戳记录客户的浏览开始时间直至在后续的url中出现其他产品名称字段或退出所述产品名称对应产品的界面，得到所述客户的浏览时间，当所述浏览时间大于等于1分钟，则判断所述产品名称对应产品为有效浏览的产品，当所述浏览时间小于1分钟，则判断所述产品名称对应产品为无效浏览的产品，最终，得到各个关注产品组合的关注产品集合。
94.s4、利用预构建的分类器对所述文本情感特征集合、所述产品属性集合进行概率分类计算，得到所述客户对于各个预设的产品类型的消费倾向得分。
95.本发明实施例中，所述分类器可以为朴素贝叶斯分类器。所述朴素贝叶斯分类器，为贝叶斯分类器的改进，默认输入至所述朴素贝叶斯分类器中的各个属性为相互独立的，其中，所述贝叶斯分类器是通过某些属性的先验概率，利用贝叶斯公式计算出其后验概率的方法，是在给定条件的情况下平均风险最小的分类器。其中，所述先验概率为指根据历史经验或大数据分析得到的概率，所述后验概率指某件事已经发生，想要计算这件事发生的原因是由某个因素引起的概率。
96.其中，所述贝叶斯公式为：
[0097][0098]
其中，所述p(c|x)为在条件集合x下，事件类别c发生的后验概率，所述p(c)为事件类别c独立发生的先验概率，同理p(x)为条件集合x的先验概率，所述p(x|c)/p(x)为可能性函数，是一个调整因子，可以使经过贝叶斯调整后事件类别c发生的概率更真实可靠。
[0099]
详细的，参考图3所示，本发明实施例中，所述利用预构建的朴素贝叶斯分类器对所述文本情感特征集合、所述产品属性集合进行概率分类计算，得到所述客户对于各个预设的产品类型的消费倾向得分，包括：
[0100]
s41、组合所述产品文本情感特征集合与所述产品属性集合，得到条件属性集合，并配置所述条件属性集合中各个条件属性之间相互独立；
[0101]
s42、获取所述朴素贝叶斯分类器中的预设类别集合；
[0102]
s43、根据预设的配置文件，配置所述条件属性集合中各个条件属性的先验概率，得到第一概率集合，并配置所述预设类别集合中各个预设类别的先验概率，得到第二概率集合；
[0103]
s44、根据贝叶斯定理，利用所述第一概率集合及所述第二概率集合，计算各个所述预设类别在所述条件属性集合下的后验概率；
[0104]
s45、归一化所述后验概率，得到客户对于各个预设的产品类型的消费倾向得分。
[0105]
具体的，本发明实施例将所述产品文本情感特征集合、所述产品属性集合组合为条件属性集合x，所述条件属性集合中各个属性为xi，其中，所述i小于等于所述条件属性集合中各个属性的总个数n；然后获取所述朴素贝叶斯分类器中的预设类别集合c，所述预设类别集合中各个预设类别为cj，所述j小于等于所述预设类别集合中各个预设类别的总个数d；再根据预设的配置文件，配置所述各个属性的先验概率p(xi)，配置所述各个预设类别的先验概率p(cj)。
[0106]
根据贝叶斯定理，计算所述预设类别cj在所述条件属性集合x下的后验概率，展开
上述贝叶斯公式进行得到：
[0107][0108]
最终，通过将所述后验概率进行归一化至预设的[0，100]的区间范围内，得到所述预设类别cj在所述产品属性集合x下的倾向得分。
[0109]
其中，本发明实施例的所述产品文本情感特征集合为特征向量，而所述产品属性集合为非特征向量，因此，在进行分类计算之前，本发明实施例通过主成分分析(pca)算法将所述所述产品属性集合中的非重要属性特征进行删除，得到降维产品属性集合，再通过one-hot量化方法将所述降维产品属性集合进行量化，并将量化结果与所述文本情感特征集合一起导入所述朴素贝叶斯分类器进行概率分类计算。其中，所述主成分分析一种简化数据集的技术，对数据集进行数据投影，并将投影中的第一大方差放在第一个坐标(称为第一主成分)上，第二大方差放在第二个坐标(第二主成分)上，依次类推，从而保留最重要的几种主要成分，此外，所述one-hot量化方法将类别变量转换为数字形式的一种方法，是机器学习中处理离散数据的常用量化方法。
[0110]
进一步地，本发明另一个实施例中，所述得到所述客户对于各个预设的产品类型的消费倾向得分之后，所述方法还包括：
[0111]
对所述各个预设的产品类型的消费倾向得分进行排序，得到产品倾向序列；
[0112]
根据预设的提取策略，提取所述产品倾向序列中预设数量的产品类型作为所述客户的较倾向产品类型集合；
[0113]
从所述较倾向产品类型集合中提取倾向得分大于预设的合格阈值的产品类型，得到所述客户的消费倾向类型。
[0114]
本发明实施例可以对所述各个预设的产品类型的消费倾向得分进行排序，得到产品倾向序列，并根据所述提取策略，提取所述产品倾向序列中前预设数量，如3个产品类型，作为较倾向产品类型集合，再判断所述较倾向产品类型集合中各个较倾向产品类型的倾向得分是否高于预设的合格阈值t，去除倾向得分小于所述合格阈值t的较倾向产品类型，保留倾向得分大于等于所述合格阈值t的较倾向产品类型，作为所述客户的消费倾向类型，其中，所述合格阈值t可以设置为60分。
[0115]
本发明实施例通过情感分析神经网络识别客户的反馈信息，得到文本情感特征集合；进一步查询所述客户在预构建的程序界面中的关注产品集合，通过文本情感特征与关注产品集合双重数据，丰富客户自身特征，增加分析客户消费倾向的可用数据量；最后，通过分类器对所述文本情感特征集合、所述产品属性集合进行概率分类计算，得到所述客户对于各个预设的产品类型的消费倾向得分，增加了消费倾向识别的准确性。因此本发明提出的基于人工智能的消费偏好分析方法可以解决在金融产品领域内客户消费倾向识别的精确度较低的问题。
[0116]
如图4所示，是本发明一实施例提供的基于人工智能的消费偏好分析装置的功能模块图。
[0117]
本发明所述基于人工智能的消费偏好分析装置100可以安装于电子设备中。根据实现的功能，所述基于人工智能的消费偏好分析装置100可以包括反馈信息量化模块101、
interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0129]
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0130]
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0131]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0132]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0133]
所述电子设备1中的所述存储器11存储的基于人工智能的消费偏好分析程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0134]
获取客户的反馈信息，并对所述反馈信息进行向量化处理，得到文本向量；
[0135]
通过预训练的情感分析神经网络分析所述文本向量的语义情感，得到所述反馈信息的文本情感特征集合；
[0136]
根据预设的关注规则，从预构建的程序界面的客户访问记录中提取所述客户的关注产品集合，并获取所述关注产品集合中各个产品的产品属性，得到产品属性集合；
[0137]
利用预构建的朴素贝叶斯分类器对所述文本情感特征集合、所述产品属性集合进行概率分类计算，得到所述客户对于各个预设的产品类型的消费倾向得分。
[0138]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0139]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0140]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0141]
获取客户的反馈信息，并对所述反馈信息进行向量化处理，得到文本向量；
[0142]
通过预训练的情感分析神经网络分析所述文本向量的语义情感，得到所述反馈信息的文本情感特征集合；
[0143]
根据预设的关注规则，从预构建的程序界面的客户访问记录中提取所述客户的关注产品集合，并获取所述关注产品集合中各个产品的产品属性，得到产品属性集合；
[0144]
利用预构建的朴素贝叶斯分类器对所述文本情感特征集合、所述产品属性集合进行概率分类计算，得到所述客户对于各个预设的产品类型的消费倾向得分。
[0145]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0146]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0147]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0148]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0149]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0150]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0151]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0152]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0153]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。