产品推荐方法、装置、设备及介质与流程

1.本公开涉及大数据领域，具体涉及数据挖掘技术领域，更具体地涉及一种产品推荐方法、装置、设备、介质和程序产品。


背景技术：

2.金融产品的数字化营销是指借助互联网技术，通过手机、平板电脑等智能终端向用户推荐债券、基金等金融产品。用户可以根据所推荐的金融产品，及时了解到金融产品的产品内容，并根据用户自身的期望收益、风险偏好等实际需求购买相应的金融产品。
3.在实现本公开的发明构思过程中，发明人发现向用户推荐的金融产品推荐准确率较低，并不能满足用户的实际需求。


技术实现要素：

4.鉴于上述问题，本公开提供了产品推荐方法、装置、设备、介质和程序产品。
5.根据本公开的第一个方面，提供了一种产品推荐方法，包括：
6.根据上述用户集合中用户的历史交易信息，确定上述用户的交易属性信息；
7.按照预设公式计算上述用户集合中不同用户的交易属性信息，确定交易属性距离，其中，上述交易属性距离表征在上述用户集合中，两个不同用户之间的距离；
8.根据预设聚类算法处理上述交易属性距离，生成用户聚类子集，其中，上述用户聚类子集包括聚类核心用户；
9.根据上述聚类核心用户的偏好属性信息与目标产品的产品属性信息的目标匹配结果，向上述用户聚类子集中的用户的客户端推荐上述目标产品，其中，上述偏好属性信息根据上述聚类核心用户的历史交易信息确定。
10.根据本公开的实施例，其中，上述历史交易信息包括用户标识与交易产品标识，上述交易产品标识表征上述用户交易过的产品名称，上述用户标识与上述交易产品标识具有关联关系；
11.上述产品推荐方法还包括：
12.根据上述用户集合中用户的用户标识与上述交易产品标识的关联关系，构建交易记录表，其中，上述交易记录表包括上述用户标识和与上述用户标识关联的交易产品标识集合，上述交易产品标识集合包括至少一个上述交易产品标识；
13.根据预设关联算法处理上述交易产品标识集合，得到产品关联规则子集，其中，上述产品关联规则子集包括多个交易产品标识，上述产品关联规则子集中的多个交易产品标识之间的关联关系置信度大于或等于预设置信度阈值；
14.根据上述聚类核心用户的用户标识，从上述产品关联规则子集的交易产品标识中确定第一交易产品标识，其中，上述第一交易产品标识表征上述聚类核心用户交易过的产品名称；
15.根据上述第一交易产品标识和上述产品关联规则子集，确定目标交易产品标识；
16.将与上述目标交易产品标识对应的产品确定为上述目标产品。
17.根据本公开的实施例，上述交易属性距离包括欧式距离。
18.根据本公开的实施例，上述交易属性信息的属性类别包括以下至少一项：
19.年龄特征类、属地特征类、性别特征类、风险偏好类、交易金额类、产品时长类、历史收益类。
20.根据本公开的实施例，上述偏好属性信息包括风险收益偏好属性信息，上述产品属性信息包括风险收益期望属性信息；
21.根据上述聚类核心用户的偏好属性信息与目标产品的产品属性信息的目标匹配结果，向上述用户聚类子集中的用户的客户端推荐上述目标产品包括：
22.将上述聚类核心用户的风险收益偏好属性信息与上述目标产品的风险收益期望属性信息的匹配结果，确定为上述目标匹配结果；
23.在上述目标匹配结果表征匹配的情况下，向上述用户聚类子集中的用户的客户端推荐上述目标产品。
24.根据本公开的实施例，上述聚类核心用户的历史交易信息包括上述聚类核心用户的第二交易产品标识，上述第二交易产品标识表征上述聚类核心用户交易过的产品名称，上述产品属性信息还包括产品交易金额；
25.上述产品推荐方法还包括：
26.根据上述第二交易产品标识，确定第二交易产品的风险收益期望属性信息，其中，上述第二交易产品为上述聚类核心用户交易过的产品；
27.根据上述第二交易产品的风险收益期望属性信息的期望类别，确定产品偏好集合，其中，上述产品偏好集合包括至少一个上述第二交易产品，同一个上述产品偏好集合中的第二交易产品具有相同的期望类别；
28.根据上述产品偏好集合中的第二交易产品的产品交易金额之和，确定上述产品偏好集合的产品偏好交易金额；
29.根据全部上述第二交易产品的产品交易金额之和，确定上述聚类核心用户的产品交易总金额；
30.根据上述产品偏好交易金额和上述产品交易总金额的比值，确定上述产品偏好集合的交易偏好权重；
31.根据上述交易偏好权重，确定上述聚类核心用户的偏好属性信息。
32.根据本公开的实施例，上述预设聚类算法包括以下至少一项：
33.密度聚类算法、均值漂移聚类算法、k均值聚类算法。
34.本公开的第二方面提供了一种产品推荐装置，包括：
35.第一确定模块，用于根据上述用户集合中用户的历史交易信息，确定上述用户的交易属性信息；
36.计算模块，用于按照预设公式计算上述用户集合中不同用户的交易属性信息，确定交易属性距离，其中，上述交易属性距离表征在上述用户集合中，两个不同用户之间的距离；
37.聚类模块，用于根据预设聚类算法处理上述交易属性距离，生成用户聚类子集，其中，上述用户聚类子集包括聚类核心用户；以及
38.推荐模块，用于根据上述聚类核心用户的偏好属性信息与目标产品的产品属性信息的目标匹配结果，向上述用户聚类子集中的用户的客户端推荐上述目标产品，其中，上述偏好属性信息根据上述聚类核心用户的历史交易信息确定。
39.本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述产品推荐方法。
40.本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述产品推荐方法。
41.本公开的第五方面还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产品推荐方法。
附图说明
42.通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
43.图1示意性示出了根据本公开实施例的产品推荐方法、装置的应用场景图；
44.图2示意性示出了根据本公开实施例的产品推荐方法的流程图；
45.图3示意性示出了根据本公开实施例的产品推荐方法的应用场景图；
46.图4示意性示出了根据本公开另一实施例的产品推荐方法的流程图；
47.图5示意性示出了根据本公开又一实施例的产品推荐方法的流程图；
48.图6示意性示出了根据本公开实施例的产品推荐装置的结构框图；以及
49.图7示意性示出了根据本公开实施例的适于实现产品推荐方法的电子设备的方框图。
具体实施方式
50.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
51.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
52.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
53.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
54.在金融产品的数字化营销过程中，可以通过向用户的手机等终端设备发送金融产品，来实现向用户推荐产品的过程，但是发明人发现向用户推荐的金融产品并不能满足用户的实际需求，产品推荐的准确率较低。
55.基于上述问题，本公开的实施例提供了一种产品推荐方法，包括：
56.根据用户集合中用户的历史交易信息，确定用户的交易属性信息；按照预设公式计算用户集合中不同用户的交易属性信息，确定交易属性距离，其中，交易属性距离表征在用户集合中，两个不同用户之间的距离；根据预设聚类算法处理交易属性距离，生成用户聚类子集，其中，用户聚类子集包括聚类核心用户；根据聚类核心用户的偏好属性信息与目标产品的产品属性信息的目标匹配结果，向用户聚类子集中的用户的客户端推荐目标产品，其中，偏好属性信息根据聚类核心用户的历史交易信息确定。
57.根据本公开的实施例，通过根据用户的历史交易信息确定用户的交易属性信息，可以初步分析用户的交易偏好，按照预设公式计算用户集合中不同用户的交易属性信息来确定交易属性距离，然后根据预设聚类算法处理交易属性距离，生成用户聚类子集，可以根据用户的交易属性信息，将具有相似交易偏好的用户进行聚类，并以聚类核心用户的偏好属性信息表征该用户聚类子集中用户的偏好属性，同时根据聚类核心用户的偏好属性信息与目标产品的产品属性信息的目标匹配结果，向用户聚类子集中的用户的客户端推荐目标产品，可以提高目标产品的推荐准确率，避免向对该目标产品不喜好的用户推荐，从而在数字化营销过程中，进一步减少因推荐产品产生的网络带宽占用空间。
58.需要说明的是，根据本公开实施例提供的产品推荐方法可以应用与金融产品推荐的应用场景中，例如根据本公开实施例提供的产品推荐方法向用户推荐债券、基金等金融产品。同时本公开实施例提供的产品推荐方法还可以应用于推荐除金融产品之外的其他类型产品，例如向用户推荐汽车、手机等产品。本公开的实施例对产品推荐方法的具体应用场景和应用领域不做限定。
59.在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
60.在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
61.图1示意性示出了根据本公开实施例的产品推荐方法、装置的应用场景图。
62.如图1所示，根据该实施例的应用场景100可以包括终端设备101、 102、103、网络104和服务器105。网络104用以在终端设备101、102、 103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
63.用户可以使用终端设备101、102、103通过网络104与服务器105 交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
64.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
65.服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用
户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
66.需要说明的是，本公开实施例所提供的产品推荐方法一般可以由服务器105执行。相应地，本公开实施例所提供的产品推荐装置一般可以设置于服务器105中。本公开实施例所提供的产品推荐方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器 105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的产品推荐装置也可以设置于不同于服务器105且能够与终端设备101、 102、103和/或服务器105通信的服务器或服务器集群中。
67.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
68.以下将基于图1描述的场景，通过图2～图5对本公开实施例的产品推荐方法进行详细描述。
69.图2示意性示出了根据本公开实施例的产品推荐方法的流程图。
70.如图2所示，该实施例的产品推荐方法可以包括操作s210～操作 s240。
71.在操作s210，根据用户集合中用户的历史交易信息，确定用户的交易属性信息。
72.根据本公开的实施例，用户的历史交易信息可以包括用户在历史时间段中，所交易产品的信息，例如所交易产品的名称、产品编码、产品购买时间点等，还可以包括与用户的特征相关的信息，例如用户的属地特征等。
73.根据本公开的实施例，用户的交易属性信息可以包括用户的属性信息，例如身份属性信息等，还可以包括用户所交易过的产品的属性信息，例如产品的金额属性信息、产品持续时长属性信息等。
74.需要说明的是，交易属性信息可以包括量化后的数据信息，或者还可以包括向量信息，向量中的每个元素可以包括量化后的数据信息，以便于后续按照预设公式计算不同用户的交易属性信息。
75.在操作s220，按照预设公式计算用户集合中不同用户的交易属性信息，确定交易属性距离，其中，交易属性距离表征在用户集合中，两个不同用户之间的距离。
76.根据本公开的实施例，按照预设公式计算用户集合中不同用户的交易属性信息，可以直观的表征用户集合中不同用户之间的交易偏好的相似度，从而为后续将用户集合中的用户进行聚类提供有效的依据。
77.在操作s230，根据预设聚类算法处理交易属性距离，生成用户聚类子集，其中，用户聚类子集包括聚类核心用户。
78.根据本公开的实施例，用户聚类子集可以包括位于同一个聚类簇中的用户的集合，聚类簇至少包括聚类核心用户，聚类核心用户可以表征该聚类簇在空间中处于核心位置的用，用户聚类子集中，除聚类核心用户之外的其他用户，与该聚类核心用户之间的交易属性距离均小于或等于预设的距离阈值。
79.在操作s240，根据聚类核心用户的偏好属性信息与目标产品的产品属性信息的目标匹配结果，向用户聚类子集中的用户的客户端推荐目标产品，其中，偏好属性信息根据聚类核心用户的历史交易信息确定。
80.根据本公开的实施例，目标产品可以包括用户集合中的用户购买过的产品，或者
还可以包括用户集合中的用户没有购买过的产品。
81.根据本公开的实施例，聚类核心用户的偏好属性信息可以表征该聚类核心用户对于交易产品的产品属性的偏好，例如偏好信息可以表征该聚类核心用户所偏好的交易产品的金额等。偏好属性信息可以根据该用户的历史交易信息中，所交易产品的产品信息生成，例如统计聚类核心用户的历史交易信息中，所购买的高风险高收益类产品的统计频次与购买的所有产品的统计频次的比值为0.9，可以确定该聚类核心用户的偏好属性信息为高风险高收益类产品。在目标产品的产品属性信息也同样是高风险高收益的情况下，目标匹配结果可以表征相匹配，从而可以向与该聚类核心用户对应的用户聚类子集中的用户的客户端推荐目标产品。
82.根据本公开的实施例，通过根据用户的历史交易信息确定用户的交易属性信息，可以初步分析用户的交易偏好，按照预设公式计算用户集合中不同用户的交易属性信息来确定交易属性距离，然后根据预设聚类算法处理交易属性距离，生成用户聚类子集，可以根据用户的交易属性信息，将具有相似交易偏好的用户进行聚类，并以聚类核心用户的偏好属性信息表征该用户聚类子集中用户的偏好属性，同时根据聚类核心用户的偏好属性信息与目标产品的产品属性信息的目标匹配结果，向用户聚类子集中的用户的客户端推荐目标产品，可以提高目标产品的推荐准确率，避免向对该目标产品不喜好的用户推荐，从而在数字化营销过程中，进一步减少因推荐产品产生的网络带宽占用空间。
83.根据本公开的实施例，交易属性信息的属性类别包括以下至少一项：
84.年龄特征类、属地特征类、性别特征类、风险偏好类、交易金额类、产品时长类、历史收益类。
85.根据本公开的实施例，年龄特征类交易属性信息可以包括对用户的年龄特征量化后得到数据信息，用户的年龄特征例如可以是用户年龄所在的年龄区间。例如用户的年龄为35岁的情况下，用户的年龄特征可以是年龄区间[31，40]。
[0086]
在本实施例中可以根据表1来实现对用户的年龄特征进行量化，得到年龄特征类交易属性信息。
[0087]
表1
[0088]
年龄范围(岁)年龄特征类交易属性信息[0，30]1[31，40]2[41，50]3[51，60]4[61，70]5[71，90]6
[0089]
根据本公开的实施例，属地特征类交易属性信息可以包括对用户的属地特征量化后得到数据信息，例如用户的属地特征可以是“ab 省”，通过将每个省设定一个对应的数据，可以实现将用户的属地特征量化为数据信息。例如对属地特征为“ab省”、“ac省”可以分别设定为11、12。
[0090]
根据本公开的实施例，性别特征类交易属性信息可以包括对用户的性别特征量化后得到数据信息，例如对性别特征“男性”可以设定为1，对性别特征“女性”可以设定为0。
[0091]
根据本公开的实施例，风险偏好类交易属性信息可以包括对交易产品的风险类型量化后得到数据信息，例如用户的交易产品的风险类型为高风险、中风险和低风险，可以将高风险、中风险和低风险分别量化为0、1和2。
[0092]
根据本公开的实施例，交易金额类交易属性信息可以包括用户的交易产品的交易金额。历史收益类交易属性信息可以包括用户的交易产品的历史收益金额。产品时长类交易属性信息可以包括用户的交易产品的持续时长，例如交易产品的持续时长为1年(12个月)，产品时长类交易属性信息可以为12。
[0093]
根据本公开的实施例，用户的交易属性信息可以通过交易属性向量(d1，d2，
…di
…
)来表示，上述不同属性类别的交易属性信息可以分别对应于交易属性向量中的元素di。
[0094]
例如，针对用户a的历史交易信息中包含有用户a的属地特征为“ab省”，性别为男性，表征年龄特征的年龄区间为[31，40]。相应地，用户a的历史交易信息中包含有购买过交易产品h1，交易产品h1的持续时长为12个月，交易金额为10000元，风险类型为高风险，收益金额为1000元；从而可以通过交易属性向量(11，1，2， 12，10000，0，1000)来表征对用户a的历史交易信息。
[0095]
根据本公开的实施例，在用户的历史交易信息中包含有购买过多个不同的交易产品的情况下，可以针对不同的交易产品确定对应的交易属性向量，然后针对不同的交易属性向量，求具有相同的属性类型的向量元素的均值，来确定用于表征该用户的交易属性信息的交易属性向量。
[0096]
例如，用户b的历史交易信息中包含有用户b购买过的m个交易产品，针对其中每个交易产品可以确定交易属性向量(d
k1
，d
k2
，
…ꢀdk6
)，其中m≥k≥1。针对不同的交易属性向量中的向量元素dki，可以利用公式(1)求向量元素的均值，得到用于表征该用户b的交易属性向量中的向量元素。
[0097][0098]
公式(1)中，表示用户b的交易属性向量中的向量元素，m 表示交易产品的数量。根据公式(1)可以得到表征用户b的交易属性信息的交易属性向量
[0099]
根据本公开的实施例，交易属性距离可以包括欧式距离。
[0100]
根据本公开的实施例，可以通过交易属性向量表征用户的交易属性信息，利用公式(2)计算交易属性向量中的向量元素，从而可以确定欧式距离。
[0101][0102]
公式(2)中，pi和pj表示用户集合中不同用户的标识，表示用户pi的交易属性向量中的向量元素，表示用户pj的交易属性向量中的向量元素，dist(pi，pj)表示用户pi和pj之间的欧式距离，即交易属性距离。
[0103]
需要说明的是，在本实施例中，每个用户的交易属性向量中包含有6个向量元素，
但不仅限于此，本领域技术人员可以根据实际需求设定向量元素的数量，本公开的实施例对向量元素的数量不做限定。
[0104]
根据本公开的实施例，预设聚类算法可以包括以下至少一项：
[0105]
密度聚类算法、均值漂移聚类算法、k均值聚类算法。
[0106]
根据本公开的实施例，在预设聚类算法为密度聚类算法(dbscan算法)的情况下，可以设定eps＝3；minpts＝5，其中eps表示邻域距离，minpts表示邻域内的节点数量。将用户集合d中的用户作为空间中的用户节点，两个用户之间的欧氏距离可以表示两个用户在空间中的距离。
[0107]
根据密度聚类算法处理用户集合d中用户之间的欧式距离，可以标记所有用户节点为unvisted，从用户集合d中随机选取一个用户 p，标记为visited，以用户节点p为中心，若在p的eps邻域内至少有minpts个用户节点，根据p创建一个用户聚类子集，并将加入用户节点p添加至聚类核心用户集合c。
[0108]
设定集合u表示以p为中心的eps邻域范围内所有用户节点的集合。遍历集合u中的每个用户节点x，如果该用户节点x的标记为 unvisited，则将该用户节点标记为visited，且设定该用户节点与p为同类。如果以用户节点x为中心的eps邻域内至少有minpts个点，则把这些用户节点加入集合u中。如果x还不是任何类的成员，则将x加入聚类核心用户集合c中。
[0109]
从而可以得到用户集合d中的聚类核心用户，该些聚类核心用户即为聚类核心用户集合c中的用户节点。同时还可以得到用户聚类子集，用户聚类子集为以聚类核心用户集合c中每个用户节点为聚类中心的用户节点的结合。
[0110]
根据本公开的实施例，利用密度聚类算法确定聚类核心用户和用户聚类子集，可以在聚类数量未知的情况下快速将用户集合中的用户进行聚类，同时确定聚类核心用户代表该聚类的交易偏好，从而为后续推荐目标产品奠定基础。
[0111]
图3示意性示出了根据本公开实施例的产品推荐方法的应用场景图。
[0112]
如图3所示，用户集合中可以包括用户节点311、312、313、314、 315、321、322、323。将每一个用户作为空间中的一个用户节点。利用密度聚类算法处理用户集合中，不同用户之间的交易属性距离。可以得到用户聚类子集310、320。其中，用户聚类子集310是以聚类核心用户311为聚类中心的用户的集合，包括用户311、312、313、 314、315。用户聚类子集320是以聚类核心用户321为聚类中心的用户的集合，包括用户321、322、323。
[0113]
用户聚类子集310中的用户312、313、314、315与聚类核心用户311的交易属性距离均小于预设的邻域距离，即小于图3中用于表征用户聚类子集310的圆的半径，且用户聚类子集310中的用户312、 313、314、315与用户聚类子集320中用户的交易属性距离均大于预设的邻域距离。例如用户312与用户322之间的交易属性距离可以表示为b1222，该交易属性距离b1222明显大于预设的邻域距离。
[0114]
需要说明的是，为方面描述，图3中的用户聚类子集的交集为空，在实际的应用场景中，不同的用户聚类子集可以存在交集不为空的情况，即同一个用户可以属于多个用户聚类子集。
[0115]
根据本公开的实施例，历史交易信息可以包括用户标识与交易产品标识，交易产品标识表征用户交易过的产品名称，用户标识与交易产品标识具有关联关系。
[0116]
图4示意性示出了根据本公开另一实施例的产品推荐方法的流程图。
[0117]
如图4所示，该实施例的产品推荐方法还可以包括操作s410～操作s450。
[0118]
在操作s410，根据用户集合中用户的用户标识与交易产品标识的关联关系，构建交易记录表，其中，交易记录表包括用户标识和与用户标识关联的交易产品标识集合，交易产品标识集合包括至少一个交易产品标识。
[0119]
在操作s420，根据预设关联算法处理交易产品标识集合，得到产品关联规则子集，其中，产品关联规则子集包括多个交易产品标识，产品关联规则子集中的多个交易产品标识之间的关联关系置信度大于或等于预设置信度阈值。
[0120]
在操作s430，根据聚类核心用户的用户标识，从产品关联规则子集的交易产品标识中确定第一交易产品标识，其中，第一交易产品标识表征聚类核心用户交易过的产品名称。
[0121]
在操作s440，根据第一交易产品标识和产品关联规则子集，确定目标交易产品标识。
[0122]
在操作s450，将与目标交易产品标识对应的产品确定为目标产品。
[0123]
根据本公开的实施例，交易记录表可以记录有用户集合中每个用户和该用户的交易产品之间的关联关系，例如可以通过表2表示。
[0124]
表2
[0125]
用户标识交易产品标识集合p1{g1，g2，g4}p2{g2，g5，g7}......pn{g1，g5，g7}
[0126]
根据表1记录的用户和该用户的交易产品之间的关联关系，可以确定用户p1购买了交易产品g1，g2，g4，用户p2购买了交易产品g2， g5，g7，
…
用户pn购买了交易产品g1，g5，g7。其中，用户集合中包括n个用户。
[0127]
在本实施例中，可以使用apriori算法作为预设关联算法。根据apriori算法处理所述交易产品标识集合，可以得到产品关联规则子集，实现挖掘交易产品之间的关联关系。
[0128]
具体可以通过以下流程完成。
[0129]
设置支持度阈值为tsup＝0.4和置信度阈值为tcon＝0.3。
[0130]
步骤1：利用公式(3)处理交易产品标识集合，得到交易产品gi与gj之间的支持度sup(gi，gj)。
[0131][0132]
公式(3)中，支持度sup(gi，gj)表示了gi与gj共同出现的概率，m(gi，gj)表示gi和gj在交易记录表中共同出现的次数，n表示交易记录表的全部集合的数量。
[0133]
利用公式(4)可以进一步确定交易产品gi与gj之间的置信度 confidence(gi→gj
)，置信度confidence(gi→gj
)表示gi出现时，gj出现的概率。
[0134][0135]
公式(4)中，sup(gi)表示在交易记录表中gi出现的次数。
[0136]
设定集合v为{g1，g3，g7}，在sup(v)≥tsup的情况下，可以确定集合v为频繁3-项集。若confidence(g1→
g2)≥tcon，则g1
→
g2 为强关联规则。令ck为候选的频繁k-项集的集合，令lk为频繁k
‑ꢀ
项集集合，其中k为集合中所含交易产品标识的个数。
[0137]
步骤2：扫描型表1的全部数据，产生候选集1-项集的集合c1。
[0138]
步骤3：根据支持度阈值tsup，由集合c1产生频繁项集1-项集 l1。
[0139]
步骤4：对于k＞1，重复执行步骤5、步骤6、步骤7。
[0140]
步骤5：由lk产生(k 1)-项集的候选集合ck 1。
[0141]
步骤6：根据支持度阈值tsup，由ck 1产生频繁项集(k 1)-项集的集合lk 1。
[0142]
步骤7：若则k＝k 1，跳转步骤5，否则跳转步骤8。
[0143]
步骤8：根据置信度阈值tcon，由所有的频繁项集产生强关联规则。
[0144]
步骤9：根据lk(k≥2)生成产品关联规则子集。例如：l2＝{g1， g3}，l3＝{g1，g4，g7}，则产品关联规则子集为g1→
g3，g1→
(g4，g7)，g4
→
(g1，g7)，g7→
(g1，g4)。上述产品关联规则子集表示当用户购买了交易产品g1，可以为该用户推荐交易产品g3，g4，g7。
[0145]
在本实施例中，在确定产品关联规则子集的情况下，根据聚类核心用户的用户标识，可以确定聚类核心用户交易过的产品的产品名称，即可以确定第一交易产品标识，根据第一交易产品标识和产品关联规则子集，可以确定目标交易产品。例如第一交易产品标识为g1可以确定目标交易产品标识为g1、g3，g4，g7。
[0146]
根据本公开的实施例，根据预设关联算法得到目标产品，可以从交易产品维度对产品进行关联关系挖掘，进一步确定目标产品与上述聚类核心用户的关联程度，从而可以提升目标产品推荐的准确率，以满足用户的实际需求。
[0147]
根据本公开的实施例，偏好属性信息包括风险收益偏好属性信息，产品属性信息包括风险收益期望属性信息；
[0148]
根据本公开的实施例，操作240，根据聚类核心用户的偏好属性信息与目标产品的产品属性信息的目标匹配结果，向用户聚类子集中的用户的客户端推荐目标产品可以包括如下操作。
[0149]
将聚类核心用户的风险收益偏好属性信息与目标产品的风险收益期望属性信息的匹配结果，确定为目标匹配结果；在目标匹配结果表征匹配的情况下，向用户聚类子集中的用户的客户端推荐目标产品。
[0150]
根据本公开的实施例，风险收益偏好属性信息综合表征用户对于交易产品的风险偏好属性和收益偏好属性，风险收益偏好属性信息例如可以包括高风险高收益、低风险低收益等。
[0151]
根据本公开的实施例，产品属性信息可以表征交易产品的风险属性和收益属性，例如目标产品的风险属性可以包括高风险、中风险、低风险等，收益属性可以包括高收益、中收益、低收益等。
[0152]
根据本公开的实施例，根据聚类核心用户的风险收益偏好属性信息与目标产品的风险收益期望属性信息进行匹配，可以使得到的目标匹配结果进一步确定目标产品是否能
够符合聚类核心用户的偏好，从而进一步缩小目标产品的推荐范围，提升推荐准确率。
[0153]
根据本公开的实施例，聚类核心用户的历史交易信息包括聚类核心用户的第二交易产品标识，第二交易产品标识表征聚类核心用户交易过的产品名称，产品属性信息还包括产品交易金额。
[0154]
图5示意性示出了根据本公开又一实施例的产品推荐方法的流程图；
[0155]
如图5所示，产品推荐方法还可以包括操作s510～操作s560。
[0156]
在操作s510，根据第二交易产品标识，确定第二交易产品的风险收益期望属性信息，其中，第二交易产品为聚类核心用户交易过的产品。
[0157]
在操作s520，根据第二交易产品的风险收益期望属性信息的期望类别，确定产品偏好集合，其中，产品偏好集合包括至少一个第二交易产品，同一个产品偏好集合中的第二交易产品具有相同的期望类别。
[0158]
在操作s530，根据产品偏好集合中的第二交易产品的产品交易金额之和，确定产品偏好集合的产品偏好交易金额。
[0159]
在操作s540，根据全部第二交易产品的产品交易金额之和，确定聚类核心用户的产品交易总金额。
[0160]
在操作s550，根据产品偏好交易金额和产品交易总金额的比值，确定产品偏好集合的交易偏好权重。
[0161]
在操作s560，根据交易偏好权重，确定聚类核心用户的偏好属性信息。
[0162]
根据本公开的实施例，风险收益期望属性信息可以同时表征第二交易产品的风险属性与收益属性，风险收益期望属性信息例如可以包括高风险高收益、高风险中收益等。
[0163]
在本实施例中，聚类核心用户对应的第二交易产品标识例如可以包括g1、g2，g3，g4，与第二产品标识对应的产品交易金额和风险收益期望属性信息可以通过表3表示。
[0164]
表3
[0165][0166][0167]
根据表3，可以确定与风险收益期望属性信息为高风险高收益对应的产品偏好集合可以是集合{g1，g2}，与产品偏好集合{g1，g2}的产品偏好交易金额可以是25000元。相应地，与高风险低收益对应的产品偏好集合可以是集合{g3}，产品偏好集合{g3}的产品偏好交易金额可以是3000元。与低风险低收益对应的产品偏好集合可以是集合 {g4}，产品偏好集合{g4}的产品偏好交易金额可以是6000元。该聚类核心用户的产品交易总金额可以是34000元。
[0168]
根据产品偏好交易金额和产品交易总金额的比值，确定产品偏好集合{g1，g2}的交
易偏好权重为0.735，产品偏好集合{g3}的交易偏好权重为0.088，产品偏好集合{g3}的交易偏好权重为0.176。根据产品偏好集合{g1，g2}交易偏好权重，可以确定该聚类核心用户的偏好属性信息为高风险高收益。
[0169]
基于上述产品推荐方法，本公开还提供了一种产品推荐装置。以下将结合图6对该装置进行详细描述。
[0170]
图6示意性示出了根据本公开实施例的产品推荐装置的结构框图。
[0171]
如图6所示，该实施例的产品推荐装置600包括第一确定模块 610、计算模块620、聚类模块630和推荐模块640。
[0172]
第一确定模块610用于根据用户集合中用户的历史交易信息，确定用户的交易属性信息。
[0173]
计算模块620用于按照预设公式计算用户集合中不同用户的交易属性信息，确定交易属性距离，其中，交易属性距离表征在用户集合中，两个不同用户之间的距离。
[0174]
聚类模块630用于根据预设聚类算法处理交易属性距离，生成用户聚类子集，其中，用户聚类子集包括聚类核心用户。
[0175]
推荐模块640用于根据聚类核心用户的偏好属性信息与目标产品的产品属性信息的目标匹配结果，向用户聚类子集中的用户的客户端推荐目标产品，其中，偏好属性信息根据聚类核心用户的历史交易信息确定。
[0176]
根据本公开的实施例，历史交易信息包括用户标识与交易产品标识，交易产品标识表征用户交易过的产品名称，用户标识与交易产品标识具有关联关系。
[0177]
产品推荐装置还可以包括：构建模块、关联模块、第一确定模块、第二确定模块和第三确定模块。
[0178]
构建模块用于根据用户集合中用户的用户标识与交易产品标识的关联关系，构建交易记录表，其中，交易记录表包括用户标识和与用户标识关联的交易产品标识集合，交易产品标识集合包括至少一个交易产品标识。
[0179]
关联模块用于根据预设关联算法处理交易产品标识集合，得到产品关联规则子集，其中，产品关联规则子集包括多个交易产品标识，产品关联规则子集中的多个交易产品标识之间的关联关系置信度大于或等于预设置信度阈值。
[0180]
第一确定模块用于根据聚类核心用户的用户标识，从产品关联规则子集的交易产品标识中确定第一交易产品标识，其中，第一交易产品标识表征聚类核心用户交易过的产品名称。
[0181]
第二确定模块用于根据第一交易产品标识和产品关联规则子集，确定目标交易产品标识。
[0182]
第三确定模块用于将与目标交易产品标识对应的产品确定为目标产品。
[0183]
根据本公开的实施例，交易属性距离可以包括欧式距离。
[0184]
根据本公开的实施例，交易属性信息的属性类别可以包括以下至少一项：
[0185]
年龄特征类、属地特征类、性别特征类、风险偏好类、交易金额类、产品时长类、历史收益类。
[0186]
根据本公开的实施例，偏好属性信息包括风险收益偏好属性信息，产品属性信息包括风险收益期望属性信息。
[0187]
推荐模块可以包括：匹配单元和推荐单元。
[0188]
匹配单元用于将聚类核心用户的风险收益偏好属性信息与目标产品的风险收益期望属性信息的匹配结果，确定为目标匹配结果。
[0189]
推荐单元用于在目标匹配结果表征匹配的情况下，向用户聚类子集中的用户的客户端推荐目标产品。
[0190]
根据本公开的实施例，聚类核心用户的历史交易信息包括聚类核心用户的第二交易产品标识，第二交易产品标识表征聚类核心用户交易过的产品名称，产品属性信息还包括产品交易金额。
[0191]
产品推荐装置还可以包括：第四确定模块、第五确定模块、第六确定模块、第七确定模块、第八确定模块和第九确定模块。
[0192]
第四确定模块用于根据第二交易产品标识，确定第二交易产品的风险收益期望属性信息，其中，第二交易产品为聚类核心用户交易过的产品。
[0193]
第五确定模块用于根据第二交易产品的风险收益期望属性信息的期望类别，确定产品偏好集合，其中，产品偏好集合包括至少一个第二交易产品，同一个产品偏好集合中的第二交易产品具有相同的期望类别。
[0194]
第六确定模块用于根据产品偏好集合中的第二交易产品的产品交易金额之和，确定产品偏好集合的产品偏好交易金额。
[0195]
第七确定模块用于根据全部第二交易产品的产品交易金额之和，确定聚类核心用户的产品交易总金额。
[0196]
第八确定模块用于根据产品偏好交易金额和产品交易总金额的比值，确定产品偏好集合的交易偏好权重；
[0197]
第九确定模块用于根据交易偏好权重，确定聚类核心用户的偏好属性信息。
[0198]
根据本公开的实施例，预设聚类算法包括以下至少一项：
[0199]
密度聚类算法、均值漂移聚类算法、k均值聚类算法。
[0200]
根据本公开的实施例，第一确定模块610、计算模块620、聚类模块630和推荐模块640中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一确定模块610、计算模块620、聚类模块630和推荐模块640中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列 (fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一确定模块610、计算模块620、聚类模块630和推荐模块640中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0201]
图7示意性示出了根据本公开实施例的适于实现产品推荐方法的电子设备的方框图。
[0202]
如图7所示，根据本公开实施例的电子设备700包括处理器701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分 708加载到随机访问存储器(ram)703中的
程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路 (asic))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0203]
在ram 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、rom 702以及ram 703通过总线704彼此相连。处理器 701通过执行rom 702和/或ram 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除 rom 702和ram 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0204]
根据本公开的实施例，电子设备700还可以包括输入/输出(i/o) 接口705，输入/输出(i/o)接口705也连接至总线704。电子设备700 还可以包括连接至i/o接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd) 等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
[0205]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
[0206]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 702和/或ram 703和/或rom 702和ram 703以外的一个或多个存储器。
[0207]
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的产品推荐方法。
[0208]
在该计算机程序被处理器701执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
[0209]
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0210]
在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0211]
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c ， python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网 (lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0212]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表1个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0213]
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和 /或结合。所有这些组合和/或结合均落入本公开的范围。
[0214]
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。