产品的推荐方法、装置、电子设备及计算机存储介质与流程

1.本技术涉及计算机技术领域，特别涉及一种产品的推荐方法、装置、电子设备及计算机存储介质。


背景技术：

2.目前，企业产品智能供需推荐旨在为企业供应方和企业需求方发布的产品需求进行相互匹配的服务，即为企业供应方推荐需求市场匹配的产品，为企业需求方推荐供应市场匹配的产品，从而使得企业供应和企业需求相互满足。
3.由于，现有企业级产品供需是粗放级别的，企业供应方和企业需求方都需投入大量的人力物力进行信息查询和产品匹配，效率十分低下。
4.并且，当前企业中的信息来源多样异质，并呈现多模态形式，如文本、图像、视频等。现有单一模态的信息表示不能实现异质信息的互补，致使在进行需求匹配时，采用单一模态信息的信息推荐的精确度低。


技术实现要素：

5.有鉴于此，本技术提供一种产品的推荐方法、装置、电子设备及计算机存储介质，用于快速准确的对产品进行推荐。
6.本技术第一方面提供了一种产品的推荐方法，包括：
7.获取第一企业的多源数据和第二企业的多源数据；其中，所述第一企业的多源数据包括：所述第一企业的产品信息集、所述第一企业的企业信息数据和所述第一企业的行为数据；所述第二企业的多源数据包括：所述第二企业的产品信息集、所述第二企业的企业信息数据和所述第二企业的行为数据；所述第一企业的产品信息集包括至少一个第一产品信息；所述第二企业的产品信息集包括至少一个第二产品信息；
8.根据所述第一企业的产品信息集和所述第二企业的产品信息集，确定产品推荐候选集；其中，所述产品推荐候选集包括至少一个产品组合，每一个所述产品组合包括一个所述第一产品信息和一个所述第二产品信息；
9.针对每一个所述产品组合，根据所述产品组合中的第一目标企业的企业信息数据和第二目标企业的企业信息数据，确定所述产品组合中的所述第一目标企业和所述第二目标企业的资质匹配程度；其中，所述第一目标企业为产品组合中第一产品信息对应的第一企业；所述第二目标企业为所述产品组合中的第二产品信息对应的第二企业；
10.针对每一个所述产品组合，根据所述产品组合中的所述第一目标企业的行为数据和所述第二目标企业的行为数据，确定所述产品组合中的所述第一目标企业和所述第二目标企业的偏好匹配程度；
11.利用所述产品组合中的所述第一目标企业和所述第二目标企业的资质匹配程度以及所述产品组合中的所述第一目标企业和所述第二目标企业的偏好匹配程度，确定所述产品组合的推荐结果；其中，所述推荐结果为是或否。
12.可选的，所述根据所述第一企业的产品信息集和所述第二企业的产品信息集，确定产品推荐候选集，包括：
13.针对所述第一企业的产品信息集中的每一个第一产品信息，对所述第一产品信息的文本信息和图像信息进行处理，得到所述第一产品信息的目标特征向量；
14.针对所述第二企业的产品信息集中的每一个第二产品信息，对所述第二产品信息的文本信息和图像信息进行处理，得到所述第二产品信息的目标特征向量；
15.针对每一个所述产品组合，利用所述产品组合中的第一产品信息的目标特征向量和所述产品组合中的第二产品信息的目标特征向量，确定所述产品组合的匹配程度；
16.按照每一个所述产品组合的匹配程度从大至小，对所有所述产品组合进行排序，得到产品推荐候选集。
17.可选的，所述针对所述第一企业的产品信息集中的每一个第一产品信息，对所述第一产品信息的文本信息和图像信息进行处理，得到所述第一产品信息的目标特征向量，包括：
18.针对所述第一企业的产品信息集中的每一个第一产品信息，分别对所述第一产品信息的文本信息和图像信息进行特征提取，得到第一文本特征向量和第一图像特征向量；
19.将所述第一文本特征向量和所述第一图像特征向量进行拼接得到第一特征向量；
20.对所述第一特征向量进行深层次学习得到所述第一产品信息的目标特征向量。
21.可选的，所述针对所述第二企业的产品信息集中的每一个第二产品信息，对所述第二产品信息的文本信息和图像信息进行处理，得到所述第二产品信息的目标特征向量，包括：
22.针对所述第二企业的产品信息集中的每一个第二产品信息，分别对所述第二产品信息的文本信息和图像信息进行特征提取，得到第二文本特征向量和第二图像特征向量；
23.将所述第二文本特征向量和所述第二图像特征向量进行拼接得到第二特征向量；
24.对所述第二特征向量进行深层次学习得到所述第二产品信息的目标特征向量。
25.可选的，所述针对每一个产品组合，利用所述产品组合中的第一产品信息的目标特征向量和所述产品组合中的第二产品信息的目标特征向量，确定所述产品组合的匹配程度，包括：
26.针对每一个产品组合，对所述产品组合中的第一产品信息的目标特征向量和所述产品组合中的第二产品信息的目标特征向量，进行余弦相似性计算，得到所述产品组合中的第一产品信息的目标特征向量和所述产品组合中的第二产品信息的目标特征向量的夹角余弦值；
27.利用所述夹角余弦值，确定所述产品组合的匹配程度。
28.可选的，所述企业信息数据包括信用值、经营风险和经营范围；所述针对每一个所述产品组合，根据所述产品组合中的第一目标企业的企业信息数据和第二目标企业的企业信息数据，确定所述第一目标企业和所述第二目标企业的资质匹配程度，包括：
29.针对每一个所述产品组合，判断所述产品组合中的第一目标企业的信用值和第二目标企业的信用值是否满足第一预设要求；
30.若判断出所述产品组合中的所述第一目标企业的信用值和所述第二目标企业的信用值满足第一预设要求，则判断所述产品组合中的所述第一目标企业的经营风险和所述
第二目标企业的经营风险是否满足第二预设要求；
31.若判断出所述产品组合中的所述第一目标企业的经营风险和所述第二目标企业的经营风险满足第二预设要求，则判断所述产品组合中的所述第一目标企业的经营范围和所述第二目标企业的经营范围是否匹配；
32.若判断出所述产品组合中的所述第一目标企业的经营范围和所述第二目标企业的经营范围相匹配，则确定所述产品组合中的所述第一目标企业和所述第二目标企业的资质匹配程度为匹配。
33.可选的，所述行为数据包括成交偏好和关注偏好；所述针对每一个所述产品组合，根据所述产品组合中的所述第一目标企业的行为数据和所述第二目标企业的行为数据，确定所述第一目标企业和所述第二目标企业的偏好匹配程度，包括：
34.针对每一个所述产品组合，确定所述产品组合中的所述第一目标企业的成交偏好分数和关注偏好分数，以及所述第二目标企业的成交偏好分数和关注偏好分数；
35.根据所述产品组合中的所述第一目标企业的成交偏好分数和关注偏好分数，以及所述第二目标企业的成交偏好分数和关注偏好分数，确定所述产品组合中的所述第一目标企业和所述第二目标企业的偏好匹配程度。
36.本技术第二方面提供了一种产品的推荐装置，包括：
37.获取单元，用于获取第一企业的多源数据和第二企业的多源数据；其中，所述第一企业的多源数据包括：所述第一企业的产品信息集、所述第一企业的企业信息数据和所述第一企业的行为数据；所述第二企业的多源数据包括：所述第二企业的产品信息集、所述第二企业的企业信息数据和所述第二企业的行为数据；所述第一企业的产品信息集包括至少一个第一产品信息；所述第二企业的产品信息集包括至少一个第二产品信息；
38.产品推荐候选集确定单元，用于根据所述第一企业的产品信息集和所述第二企业的产品信息集，确定产品推荐候选集；其中，所述产品推荐候选集包括至少一个产品组合，每一个所述产品组合包括一个所述第一产品信息和一个所述第二产品信息；
39.资质匹配程度确定单元，用于针对每一个所述产品组合，根据所述产品组合中的第一目标企业的企业信息数据和所述产品组合中的第二目标企业的企业信息数据，确定所述产品组合中的所述第一目标企业和所述第二目标企业的资质匹配程度；其中，所述第一目标企业为产品组合中第一产品信息对应的第一企业；所述第二目标企业为所述产品组合中的第二产品信息对应的第二企业；
40.偏好匹配程度确定单元，用于针对每一个所述产品组合，根据所述产品组合中的所述第一目标企业的行为数据和所述第二目标企业的行为数据，确定所述产品组合中的所述第一目标企业和所述第二目标企业的偏好匹配程度；
41.推荐结果确定单元，用于利用所述产品组合中的所述第一目标企业和所述第二目标企业的资质匹配程度以及所述产品组合中的所述第一目标企业和所述第二目标企业的偏好匹配程度，确定所述产品组合的推荐结果；其中，所述推荐结果为是或否。
42.可选的，所述产品推荐候选集确定单元，包括：
43.第一特征处理单元，用于特征针对所述第一企业的产品信息集中的每一个第一产品信息，对所述第一产品信息的文本信息和图像信息进行处理，得到所述第一产品信息的目标特征向量；
44.第二特征处理单元，用于针对所述第二企业的产品信息集中的每一个第二产品信息，对所述第二产品信息的文本信息和图像信息进行处理，得到所述第二产品信息的目标特征向量；
45.产品组合匹配程度确定单元，用于针对每一个所述产品组合，利用所述产品组合中的第一产品信息的目标特征向量和所述产品组合中的第二产品信息的目标特征向量，确定所述产品组合的匹配程度；
46.排序单元，用于按照每一个所述产品组合的匹配程度从大至小，对所有所述产品组合进行排序，得到产品推荐候选集。
47.可选的，所述第一特征处理单元，包括：
48.第一特征提取单元，用于针对所述第一企业的产品信息集中的每一个第一产品信息，分别对所述第一产品信息的文本信息和图像信息进行特征提取，得到第一文本特征向量和第一图像特征向量；
49.第一拼接单元，用于将所述第一文本特征向量和所述第一图像特征向量进行拼接得到第一特征向量；
50.第一特征处理子单元，用于对所述第一特征向量进行深层次学习得到所述第一产品信息的目标特征向量。
51.可选的，所述第二特征处理单元，包括：
52.第二特征提取单元，用于针对所述第二企业的产品信息集中的每一个第二产品信息，分别对所述第二产品信息的文本信息和图像信息进行特征提取，得到第二文本特征向量和第二图像特征向量；
53.第二拼接单元，用于将所述第二文本特征向量和所述第二图像特征向量进行拼接得到第二特征向量；
54.第二特征处理子单元，用于对所述第二特征向量进行深层次学习得到所述第二产品信息的目标特征向量。
55.可选的，所述产品组合匹配程度确定单元，包括：
56.计算单元，用于针对每一个产品组合，对所述产品组合中的第一产品信息的目标特征向量和所述产品组合中的第二产品信息的目标特征向量，进行余弦相似性计算，得到所述产品组合中的第一产品信息的目标特征向量和所述产品组合中的第二产品信息的目标特征向量的夹角余弦值；
57.产品组合匹配程度确定子单元，用于利用所述夹角余弦值，确定所述产品组合的匹配程度。
58.可选的，所述企业信息数据包括信用值、经营风险和经营范围；所述资质匹配程度确定单元，包括：
59.第一判断单元，用于针对每一个所述产品组合，判断所述产品组合中的第一目标企业的信用值和第二目标企业的信用值是否满足第一预设要求；
60.第二判断单元，用于若所述第一判断单元判断出，所述产品组合中的所述第一目标企业的信用值和所述第二目标企业的信用值满足第一预设要求，则判断所述产品组合中的所述第一目标企业的经营风险和所述第二目标企业的经营风险是否满足第二预设要求；
61.第三判断单元，用于若所述第二判断单元判断出，所述产品组合中的所述第一目
标企业的经营风险和所述第二目标企业的经营风险满足第二预设要求，则判断所述产品组合中的所述第一目标企业的经营范围和所述第二目标企业的经营范围是否匹配；
62.资质匹配程度确定子单元，用于若所述第三判断单元判断出，所述产品组合中的所述第一目标企业的经营范围和所述第二目标企业的经营范围相匹配，则确定所述产品组合中的所述第一目标企业和所述第二目标企业的资质匹配程度为匹配。
63.可选的，所述行为数据包括成交偏好和关注偏好；所述偏好匹配程度确定单元，包括：
64.偏好分数确定单元，用于针对每一个所述产品组合，确定所述产品组合中的所述第一目标企业的成交偏好分数和关注偏好分数，以及所述第二目标企业的成交偏好分数和关注偏好分数；
65.偏好匹配程度确定子单元，用于根据所述产品组合中的所述第一目标企业的成交偏好分数和关注偏好分数，以及所述第二目标企业的成交偏好分数和关注偏好分数，确定所述产品组合中的所述第一目标企业和所述第二目标企业的偏好匹配程度。
66.本技术第三方面提供了一种电子设备，包括：
67.一个或多个处理器；
68.存储装置，其上存储有一个或多个程序；
69.当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如第一方面任意一项所述的产品的推荐方法。
70.本技术第四方面提供了一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如第一方面任意一项所述的产品的推荐方法。
71.由以上方案可知，本技术提供一种产品的推荐方法、装置、电子设备及计算机存储介质，所述产品的推荐方法包括：首先，获取第一企业的多源数据和第二企业的多源数据；然后，根据所述第一企业的产品信息集和所述第二企业的产品信息集，确定产品推荐候选集；针对每一个所述产品组合，根据所述产品组合中的第一目标企业的企业信息数据和第二目标企业的企业信息数据，确定所述产品组合中的所述第一目标企业和所述第二目标企业的资质匹配程度；其中，所述第一目标企业为产品组合中第一产品信息对应的第一企业；所述第二目标企业为所述产品组合中的第二产品信息对应的第二企业；针对每一个所述产品组合，根据所述产品组合中的所述第一目标企业的行为数据和所述第二目标企业的行为数据，确定所述产品组合中的所述第一目标企业和所述第二目标企业的偏好匹配程度；最终，利用所述产品组合中的所述第一目标企业和所述第二目标企业的资质匹配程度以及所述产品组合中的所述第一目标企业和所述第二目标企业的偏好匹配程度，确定所述产品组合的推荐结果；其中，所述推荐结果为是或否。从而达到快速准确的对产品进行推荐的目的。
附图说明
72.为了更清楚地说明本技术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技术的实施例，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，还可以根据提供的附图获得其他的附图。
73.图1为本技术实施例提供的一种产品的推荐方法的具体流程图；
74.图2为本技术另一实施例提供的一种产品推荐候选集的确认方法的流程图；
75.图3为本技术另一实施例提供的一种第一产品信息的目标特征向量的生成方法的流程图；
76.图4为本技术另一实施例提供的一种textcnn模型进行特征提取的示意图；
77.图5为本技术另一实施例提供的一种第二产品信息的目标特征向量的生成方法的流程图；
78.图6为本技术另一实施例提供的一种第一产品信息的目标特征向量的生成方法的示意图；
79.图7为本技术另一实施例提供的一种确定产品组合的匹配程度的方法的流程图；
80.图8为本技术另一实施例提供的一种确定两个企业间资质匹配程度的方法的流程图；
81.图9为本技术另一实施例提供的一种确定两个企业间偏好匹配程度的方法的流程图；
82.图10为本技术另一实施例提供的一种产品的推荐装置的示意图；
83.图11为本技术另一实施例提供的一种实现产品的推荐方法的电子设备的示意图。
具体实施方式
84.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
85.需要注意，本技术中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系，而术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
86.本技术实施例提供了一种产品的推荐方法，如图1所示，具体包括以下步骤：
87.s101、获取第一企业的多源数据和第二企业的多源数据。
88.其中，第一企业的多源数据包括：第一企业的产品信息集、第一企业的企业信息数据和第一企业的行为数据；第二企业的多源数据包括：第二企业的产品信息集、第二企业的企业信息数据和第二企业的行为数据；第一企业的产品信息集包括至少一个第一产品信息；第二企业的产品信息集包括至少一个第二产品信息。
89.需要说明的是，在本技术的实际应用过程中，第一企业可以是供应企业，也可以是需求企业，同理第二企业可以是需求企业，也可以是供应企业；并且，可以获取多个第一企业的多源数据和多个第二企业的多源数据。
90.s102、根据第一企业的产品信息集和第二企业的产品信息集，确定产品推荐候选
集。
91.其中，产品推荐候选集包括至少一个产品组合，每一个产品组合包括一个第一产品信息和一个第二产品信息。
92.需要说明的是，当产品组合中的第一产品信息为供应产品，产品组合中的第二产品信息为需求产品时，在后续步骤s105中，判定产品组合的推荐结果为是时，将第一产品信息所属的企业向所述第二产品信息所属的企业推荐该第一产品信息。
93.可选的，在本技术的另一实施例中，步骤s102的一种实施方式，如图2所示，包括：
94.s201、针对第一企业的产品信息集中的每一个第一产品信息，对第一产品信息的文本信息和图像信息进行处理，得到第一产品信息的目标特征向量。
95.可选的，在本技术的另一实施例中，步骤s201的一种实施方式，如图3所示，包括：
96.s301、针对第一企业的产品信息集中的每一个第一产品信息，分别对第一产品信息的文本信息和图像信息进行特征提取，得到第一文本特征向量和第一图像特征向量。
97.其中，对第一产品信息的文本信息和图像信息进行特征提取，得到第一文本特征向量和第一图像特征向量的方式可以是但不限于采用textcnn模型进行提取，此处不做限定。
98.如图4所示，为textcnn模型进行特征提取的示意图，textcnn模型的第一层为输入层，输入的是聚合文本向量化后的词向量矩阵n
×
k，n表示为产品的文本内容句子中的单词数，k是每个词对应的词向量维度。这里每个词向量可以是预先在其他语料库中训练好的，也可以是作为未知的参数进行训练。第二层为卷积层，因自然语言处理(natural language processing，nlp)中的词向量矩阵是由每个词拼成的，因此只有完整的滑动整个词才有意义。所以使用多个卷积窗口来捕获句子中不同范围的词的出现语义。在这里卷积核的大小分别为(4，5)、(3，5)、(2，5)，对应卷积后的向量大小分别为(4，1)、(5，1)、(6，1)。第三层池化层，即采用max-pooling可得到定长的向量。对于产品的图像数据，则采用resnet-50来提取丰富的信息。
99.s302、将第一文本特征向量和第一图像特征向量进行拼接得到第一特征向量。
100.在本技术的具体实施过程中，可以采用如下公式进行表示：
101.c＝[t1,t2,...,p1,p2,...]；其中，c表示第一特征向量，t表示第一文本特征向量，p表示第一图像特征向量。
[0102]
s303、对第一特征向量进行深层次学习得到第一产品信息的目标特征向量。
[0103]
具体的，可以通过多层感知机进行模态特征的深层次学习，隐藏层的计算如下：
[0104]a(l 1)
＝f(w
(l)a(l)
b
(l)
)；其中，f表示激活函数，通常可以采用relu激活函数，a
(l)
，b
(l)
和w
(l)
分别表示第l的激活值、偏值和模型权重。可以采用三层[300,300,128]。
[0105]
s202、针对第二企业的产品信息集中的每一个第二产品信息，对第二产品信息的文本信息和图像信息进行处理，得到第二产品信息的目标特征向量。
[0106]
可选的，在本技术的另一实施例中，步骤s202的一种实施方式，如图5所示，包括：
[0107]
s501、针对第二企业的产品信息集中的每一个第二产品信息，分别对第二产品信息的文本信息和图像信息进行特征提取，得到第二文本特征向量和第二图像特征向量。
[0108]
s502、将第二文本特征向量和第二图像特征向量进行拼接得到第二特征向量。
[0109]
s503、对第二特征向量进行深层次学习得到第二产品信息的目标特征向量。
[0110]
具体的，步骤s501～s503的具体实现过程，可以分别参见上述步骤s301～s303，此处不再赘述。
[0111]
s203、针对每一个产品组合，利用产品组合中的第一产品信息的目标特征向量和产品组合中的第二产品信息的目标特征向量，确定产品组合的匹配程度。
[0112]
参阅图6，为在本技术的实际应用过程中，上述步骤s201～s203的示意图，此处不做限定。
[0113]
可选的，在本技术的另一实施例中，步骤s203的一种实施方式，如图7所示，包括：
[0114]
s701、针对每一个产品组合，对产品组合中的第一产品信息的目标特征向量和产品组合中的第二产品信息的目标特征向量，进行余弦相似性计算，得到产品组合中的第一产品信息的目标特征向量和产品组合中的第二产品信息的目标特征向量的夹角余弦值。
[0115]
具体的，在本技术的具体实现过程中，可以用以下公式计算得到产品组合中的第一产品信息的目标特征向量和产品组合中的第二产品信息的目标特征向量的夹角余弦值：
[0116]
其中，p为第一产品信息的目标特征向量，r为第二产品信息的目标特征向量。
[0117]
s702、利用夹角余弦值，确定产品组合的匹配程度。
[0118]
可以理解的是，在本技术的具体实现过程中，可以是直接将夹角余弦值，作为最终的匹配程度，也可以是将夹角余弦值对应的匹配概率作为最终的匹配程度，此处不做限定。
[0119]
s204、按照每一个产品组合的匹配程度从大至小，对所有产品组合进行排序，得到产品推荐候选集。
[0120]
可以理解的是，在本技术的实际应用过程中，还可以设置一个筛选阈值，将匹配程度不满足筛选阈值的产品组合，在产品推荐候选集中剔除该产品组合。
[0121]
s103、针对每一个产品组合，根据产品组合中的第一目标企业的企业信息数据和第二目标企业的企业信息数据，确定产品组合中的第一目标企业和第二目标企业的资质匹配程度。
[0122]
其中，所述第一目标企业为产品组合中第一产品信息对应的第一企业；所述第二目标企业为所述产品组合中的第二产品信息对应的第二企业。
[0123]
可选的，在本技术的另一实施例中，企业信息数据包括信用值、经营风险和经营范围，步骤s103的一种实施方式，如图8所示，包括：
[0124]
s801、针对每一个产品组合，判断产品组合中的第一目标企业的信用值和第二目标企业的信用值是否满足第一预设要求。
[0125]
其中，第一预设要求由技术人员或有权限的相关人员进行设置、更改，此处不做限定。例如：产品组合中的第一目标企业的信用值和第二目标企业的信用值均大于80，并且两个企业间的信用值相差在5的阈值区间，则确定产品组合中的第一目标企业的信用值和第二目标企业的信用值满足第一预设要求。
[0126]
具体的，若判断出产品组合中的第一目标企业的信用值和第二目标企业的信用值满足第一预设要求，则执行步骤s802；若判断出产品组合中的第一目标企业的信用值和第二目标企业的信用值不满足第一预设要求，则确定产品组合中的第一目标企业和第二目标企业的资质匹配程度为不匹配。
[0127]
s802、判断产品组合中的第一目标企业的经营风险和第二目标企业的经营风险是否满足第二预设要求。
[0128]
其中，第二预设要求由技术人员或有权限的相关人员进行设置、更改，此处不做限定。例如：产品组合中的第一目标企业的经营风险和第二目标企业的经营风险均为低，且经营风险满足预设的风险值，则确定产品组合中的第一目标企业的经营风险和第二目标企业的经营风险满足第二预设要求。
[0129]
具体的，若判断出产品组合中的第一目标企业的经营风险和第二目标企业的经营风险满足第二预设要求，则执行步骤s803；若判断出产品组合中的第一目标企业的信用值和第二目标企业的信用值不满足第一预设要求，则确定产品组合中的第一目标企业和第二目标企业的资质匹配程度为不匹配。
[0130]
s803、判断产品组合中的第一目标企业的经营范围和第二目标企业的经营范围是否匹配。
[0131]
具体的，若判断出产品组合中的第一目标企业的经营范围和第二目标企业的经营范围相匹配，则执行步骤s804；若判断出产品组合中的第一目标企业的经营范围和第二目标企业的经营范围不匹配，则确定产品组合中的第一目标企业和第二目标企业的资质匹配程度为不匹配。
[0132]
s804、确定产品组合中的第一目标企业和第二目标企业的资质匹配程度为匹配。
[0133]
其中，产品组合中的第一目标企业和第二目标企业的资质匹配程度是否匹配，可以用0或1进行表示，0表示产品组合中的第一目标企业和第二目标企业的资质匹配程度为匹配；1表示产品组合中的第一目标企业和第二目标企业的资质匹配程度为不匹配。
[0134]
s104、针对每一个产品组合，根据产品组合中的第一目标企业的行为数据和第二目标企业的行为数据，确定产品组合中的第一目标企业和第二目标企业的偏好匹配程度。
[0135]
可选的，在本技术的另一实施例中，可以从第一目标企业的用户的历史订单数据、历史收藏数据生成第一目标企业的行为数据，可以从第二目标企业的用户的历史订单数据、历史收藏数据生成第二目标企业的行为数据，行为数据包括成交偏好和关注偏好，步骤s104的一种实施方式，如图9所示，包括：
[0136]
s901、针对每一个产品组合，确定产品组合中的第一目标企业的成交偏好分数和关注偏好分数，以及第二目标企业的成交偏好分数和关注偏好分数。
[0137]
以第一目标企业的成交偏好分数为例：第一目标企业的成交偏好向量d表示为d＝[a1,a2,a3,...]，a1表示第一目标企业成交的第一产品对应的频次，关注偏好向量i表示为i＝[a1,a2,a3,...]第一目标企业的成交偏好分数其中，s表明第一目标企业的成交产品的频次越大，对这个产品的兴趣程度越大。
[0138]
s902、根据产品组合中的第一目标企业的成交偏好分数和关注偏好分数，以及第二目标企业的成交偏好分数和关注偏好分数，确定产品组合中的第一目标企业和第二目标企业的偏好匹配程度。
[0139]
续接上述实例，偏好匹配程度的计算方法为：
[0140]
其中，表示企业的偏好匹配程度，表示成交偏好
权重；表示关注偏好权重；表示成交偏好分数；表示关注偏好分数。
[0141]
需要说明的是，若最终计算得到的偏好匹配程度大于0.5，则记为1，反之记为0。
[0142]
s105、利用产品组合中的第一目标企业和第二目标企业的资质匹配程度以及产品组合中的第一目标企业和第二目标企业的偏好匹配程度，确定产品组合的推荐结果。
[0143]
其中，推荐结果为是或否。
[0144]
续接上述实例，在本技术的具体实现过程中，只有在偏好匹配程度和偏好匹配程度均为1时，才确定产品组合的推荐结果为是。
[0145]
由以上方案可知，本技术提供一种产品的推荐方法：首先，获取第一企业的多源数据和第二企业的多源数据；然后，根据第一企业的产品信息集和第二企业的产品信息集，确定产品推荐候选集；针对每一个产品组合，根据产品组合中的第一目标企业的企业信息数据和第二目标企业的企业信息数据，确定产品组合中的第一目标企业和第二目标企业的资质匹配程度；其中，第一目标企业为产品组合中第一产品信息对应的第一企业；第二目标企业为产品组合中的第二产品信息对应的第二企业；针对每一个产品组合，根据产品组合中的第一目标企业的行为数据和第二目标企业的行为数据，确定产品组合中的第一目标企业和第二目标企业的偏好匹配程度；最终，利用产品组合中的第一目标企业和第二目标企业的资质匹配程度以及产品组合中的第一目标企业和第二目标企业的偏好匹配程度，确定产品组合的推荐结果；其中，推荐结果为是或否。从而达到快速准确的对产品进行推荐的目的。
[0146]
本技术另一实施例提供了一种产品的推荐装置，如图10所示，具体包括：
[0147]
获取单元1001，用于获取第一企业的多源数据和第二企业的多源数据。
[0148]
其中，第一企业的多源数据包括：第一企业的产品信息集、第一企业的企业信息数据和第一企业的行为数据；第二企业的多源数据包括：第二企业的产品信息集、第二企业的企业信息数据和第二企业的行为数据；第一企业的产品信息集包括至少一个第一产品信息；第二企业的产品信息集包括至少一个第二产品信息。
[0149]
产品推荐候选集确定单元1002，用于根据第一企业的产品信息集和第二企业的产品信息集，确定产品推荐候选集。
[0150]
其中，产品推荐候选集包括至少一个产品组合，每一个产品组合包括一个第一产品信息和一个第二产品信息。
[0151]
可选的，在本技术的另一实施例中，产品推荐候选集确定单元1002的一种实施方式，包括：
[0152]
第一特征处理单元，用于特征针对第一企业的产品信息集中的每一个第一产品信息，对第一产品信息的文本信息和图像信息进行处理，得到第一产品信息的目标特征向量。
[0153]
第二特征处理单元，用于针对第二企业的产品信息集中的每一个第二产品信息，对第二产品信息的文本信息和图像信息进行处理，得到第二产品信息的目标特征向量。
[0154]
产品组合匹配程度确定单元，用于针对每一个产品组合，利用产品组合中的第一产品信息的目标特征向量和产品组合中的第二产品信息的目标特征向量，确定产品组合的匹配程度。
[0155]
排序单元，用于按照每一个产品组合的匹配程度从大至小，对所有产品组合进行排序，得到产品推荐候选集。
[0156]
本技术上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图2所示，此处不再赘述。
[0157]
可选的，在本技术的另一实施例中，第一特征处理单元的一种实施方式，包括：
[0158]
第一特征提取单元，用于针对第一企业的产品信息集中的每一个第一产品信息，分别对第一产品信息的文本信息和图像信息进行特征提取，得到第一文本特征向量和第一图像特征向量。
[0159]
第一拼接单元，用于将第一文本特征向量和第一图像特征向量进行拼接得到第一特征向量。
[0160]
第一特征处理子单元，用于对第一特征向量进行深层次学习得到第一产品信息的目标特征向量。
[0161]
本技术上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图3所示，此处不再赘述。
[0162]
可选的，在本技术的另一实施例中，第二特征处理单元的一种实施方式，包括：
[0163]
第二特征提取单元，用于针对第二企业的产品信息集中的每一个第二产品信息，分别对第二产品信息的文本信息和图像信息进行特征提取，得到第二文本特征向量和第二图像特征向量。
[0164]
第二拼接单元，用于将第二文本特征向量和第二图像特征向量进行拼接得到第二特征向量。
[0165]
第二特征处理子单元，用于对第二特征向量进行深层次学习得到第二产品信息的目标特征向量。
[0166]
本技术上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图5所示，此处不再赘述。
[0167]
可选的，在本技术的另一实施例中，产品组合匹配程度确定单元的一种实施方式，包括：
[0168]
计算单元，用于针对每一个产品组合，对产品组合中的第一产品信息的目标特征向量和产品组合中的第二产品信息的目标特征向量，进行余弦相似性计算，得到产品组合中的第一产品信息的目标特征向量和产品组合中的第二产品信息的目标特征向量的夹角余弦值。
[0169]
产品组合匹配程度确定子单元，用于利用夹角余弦值，确定产品组合的匹配程度。
[0170]
本技术上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图7所示，此处不再赘述。
[0171]
资质匹配程度确定单元1003，用于针对每一个产品组合，根据产品组合中的第一目标企业的企业信息数据和第二目标企业的企业信息数据，确定产品组合中的第一目标企业和第二目标企业的资质匹配程度。
[0172]
其中，第一目标企业为产品组合中第一产品信息对应的第一企业；第二目标企业为产品组合中的第二产品信息对应的第二企业。
[0173]
可选的，在本技术的另一实施例中，企业信息数据包括信用值、经营风险和经营范围；资质匹配程度确定单元1003的一种实施方式，包括：
[0174]
第一判断单元，用于针对每一个产品组合，判断产品组合中的第一目标企业的信
用值和第二目标企业的信用值是否满足第一预设要求。
[0175]
第二判断单元，用于若第一判断单元判断出，产品组合中的第一目标企业的信用值和第二目标企业的信用值满足第一预设要求，则判断产品组合中的第一目标企业的经营风险和第二目标企业的经营风险是否满足第二预设要求。
[0176]
第三判断单元，用于若第二判断单元判断出，产品组合中的第一目标企业的经营风险和第二目标企业的经营风险满足第二预设要求，则判断产品组合中的第一目标企业的经营范围和第二目标企业的经营范围是否匹配。
[0177]
资质匹配程度确定子单元，用于若第三判断单元判断出，产品组合中的第一目标企业的经营范围和第二目标企业的经营范围相匹配，则确定产品组合中的第一目标企业和第二目标企业的资质匹配程度为匹配。
[0178]
本技术上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图8所示，此处不再赘述。
[0179]
偏好匹配程度确定单元1004，用于针对每一个产品组合，根据产品组合中的第一目标企业的行为数据和第二目标企业的行为数据，确定产品组合中的第一目标企业和第二目标企业的偏好匹配程度。
[0180]
可选的，在本技术的另一实施例中，行为数据包括成交偏好和关注偏好；偏好匹配程度确定单元1004的一种实施方式，包括：
[0181]
偏好分数确定单元，用于针对每一个产品组合，确定产品组合中的第一目标企业的成交偏好分数和关注偏好分数，以及第二目标企业的成交偏好分数和关注偏好分数。
[0182]
偏好匹配程度确定子单元，用于根据产品组合中的第一目标企业的成交偏好分数和关注偏好分数，以及第二目标企业的成交偏好分数和关注偏好分数，确定产品组合中的第一目标企业和第二目标企业的偏好匹配程度。
[0183]
本技术上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图9所示，此处不再赘述。
[0184]
推荐结果确定单元1005，用于利用产品组合中的第一目标企业和第二目标企业的资质匹配程度以及第一目标企业和产品组合中的第二目标企业的偏好匹配程度，确定产品组合的推荐结果。
[0185]
其中，推荐结果为是或否。
[0186]
本技术上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图1所示，此处不再赘述。
[0187]
由以上方案可知，本技术提供一种产品的推荐装置：首先，获取单元1001获取第一企业的多源数据和第二企业的多源数据；然后，产品推荐候选集确定单元1002根据第一企业的产品信息集和第二企业的产品信息集，确定产品推荐候选集；资质匹配程度确定单元1003针对每一个产品组合，根据产品组合中的第一目标企业的企业信息数据和第二目标企业的企业信息数据，确定产品组合中的第一目标企业和第二目标企业的资质匹配程度；其中，第一目标企业为产品组合中第一产品信息对应的第一企业；第二目标企业为产品组合中的第二产品信息对应的第二企业；偏好匹配程度确定单元1004针对每一个产品组合，根据产品组合中的第一目标企业的行为数据和第二目标企业的行为数据，确定产品组合中的第一目标企业和第二目标企业的偏好匹配程度；最终，推荐结果确定单元1005利用产品组
合中的第一目标企业和第二目标企业的资质匹配程度以及产品组合中的第一目标企业和第二目标企业的偏好匹配程度，确定产品组合的推荐结果；其中，推荐结果为是或否。从而达到快速准确的对产品进行推荐的目的。
[0188]
本技术另一实施例提供了一种电子设备，如图11所示，包括：
[0189]
一个或多个处理器1101。
[0190]
存储装置1102，其上存储有一个或多个程序。
[0191]
当所述一个或多个程序被所述一个或多个处理器1101执行时，使得所述一个或多个处理器1101实现如上述实施例中任意一项所述的产品的推荐方法。
[0192]
本技术另一实施例提供了一种计算机存储介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如上述实施例中任意一项所述的产品的推荐方法。
[0193]
在本技术公开的上述实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本公开的多个实施例的装置、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一个模块、程序段或代码的一部分，所述模块、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方式中，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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。
[0194]
另外，在本公开各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块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取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，直播设备，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，randomaccess memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0195]
专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。