产品推荐方法、装置、计算机设备和存储介质与流程

1.本技术涉及金融科技领域或其他相关领域，特别是涉及一种产品推荐方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着金融产业的快速发展，目前金融机构会将一些待推荐的金融产品推荐给各用户，具体的，推荐方式有多种，如通过短信群发的方式，将一款金融产品的链接以及简要内容发送至该金融机构的所有用户，又或者将该金融产品的推广信息设定在金融app首页的预设位置。
3.然而，目前的产品推荐方法并不能将金融产品准确地推送给对其感兴趣的用户，导致推送信息时的资源浪费。


技术实现要素：

4.基于此，有必要针对上述产品推荐方法的推荐模式单一，推荐结果较差的技术问题，提供一种产品推荐方法、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，本技术提供了一种产品推荐方法。所述方法包括：
6.获取目标对象的多个维度的对象特征信息；
7.基于所述多个维度的对象特征信息，确定针对所述目标对象的预测画像标签；
8.根据所述预测画像标签，从多个候选产品中确定出目标产品，将所述目标产品推送给所述目标对象关联的客户端。
9.在其中一个实施例中，所述根据所述预测画像标签，从多个候选产品中确定出目标产品，包括：
10.获取各个候选产品的产品信息；
11.基于所述预测画像标签和所述各个候选产品的产品信息，确定所述目标对象对所述各个候选产品的兴趣信息；
12.根据所述目标对象对所述各个候选产品的兴趣信息，从所述多个候选产品中确定出目标产品。
13.在其中一个实施例中，所述基于所述预测画像标签和所述各个候选产品的产品信息，确定所述目标对象对所述各个候选产品的兴趣信息，包括：
14.针对每个候选产品，确定所述候选产品的产品类型；
15.基于所述产品类型，确定所述候选产品对应的目标马尔可夫模型；
16.将所述候选产品的产品信息以及所述预测画像标签，输入所述候选产品对应的目标马尔可夫模型，得到所述目标对象对所述候选产品的兴趣信息。
17.在其中一个实施例中，所述方法还包括每个产品类型对应的马尔可夫模型的训练过程，所述每个产品类型对应的马尔可夫模型的训练过程包括：
18.针对每个产品类型，获取与所述产品类型相同的样本产品、样本对象的画像标签
以及所述样本对象对所述样本产品的兴趣标签；
19.基于马尔科夫决策过程，将所述样本对象对所述样本产品的各种预测结果作为状态、将对所述样本对象进行产品推荐的行为作为动作；
20.当从一个状态转移至另一个状态时，确定针对转移过程的反馈信息，根据所述反馈信息调整待训练的马尔可夫模型的模型参数，直至达到训练终止条件，得到训练完成的马尔可夫模型，作为所述产品类型对应的马尔可夫模型。
21.在其中一个实施例中，所述根据所述目标对象对每个候选产品的兴趣信息，从所述多个候选产品中确定出目标产品，包括：
22.将所述多个候选产品按照所述兴趣信息表征的兴趣程度进行排序，得到候选产品序列；
23.从所述候选产品序列中，确定出兴趣程度符合预设条件的产品，作为所述目标产品。
24.在其中一个实施例中，所述基于所述多个维度的对象特征信息，确定针对所述目标对象的预测画像标签，包括：
25.将所述多个维度的对象特征信息输入训练完成的标签预测模型，得到针对所述目标对象的预测画像标签。
26.第二方面，本技术还提供了一种产品推荐装置。所述装置包括：
27.获取模块，用于获取目标对象的多个维度的对象特征信息；
28.预测模块，用于基于所述多个维度的对象特征信息，确定针对所述目标对象的预测画像标签；
29.推荐模块，用于根据所述预测画像标签，从多个候选产品中确定出目标产品，将所述目标产品推送给所述目标对象关联的客户端。
30.在其中一个实施例中，所述推荐模块，还包括：
31.信息获取子模块，用于获取各个候选产品的产品信息；
32.兴趣确定子模块，用于基于所述预测画像标签和所述各个候选产品的产品信息，确定所述目标对象对所述各个候选产品的兴趣信息；
33.目标确定子模块，用于根据所述目标对象对所述各个候选产品的兴趣信息，从所述多个候选产品中确定出目标产品。
34.在其中一个实施例中，所述兴趣确定子模块，还用于针对每个候选产品，确定所述候选产品的产品类型；基于所述产品类型，确定所述候选产品对应的目标马尔可夫模型；将所述候选产品的产品信息以及所述预测画像标签，输入所述候选产品对应的目标马尔可夫模型，得到所述目标对象对所述候选产品的兴趣信息。
35.在其中一个实施例中，所述装置还包括模型训练模块，用于针对每个产品类型，获取与所述产品类型相同的样本产品、样本对象的画像标签以及所述样本对象对所述样本产品的兴趣标签；基于马尔科夫决策过程，将所述样本对象对所述样本产品的各种预测结果作为状态、将对所述样本对象进行产品推荐的行为作为动作；当从一个状态转移至另一个状态时，确定针对转移过程的反馈信息，根据所述反馈信息调整待训练的马尔可夫模型的模型参数，直至达到训练终止条件，得到训练完成的马尔可夫模型，作为所述产品类型对应的马尔可夫模型。
36.在其中一个实施例中，所述目标确定子模块还用于将所述多个候选产品按照所述兴趣信息表征的兴趣程度进行排序，得到候选产品序列；从所述候选产品序列中，确定出兴趣程度符合预设条件的产品，作为所述目标产品。
37.在其中一个实施例中，所述预测模块，还用于将所述多个维度的对象特征信息输入训练完成的标签预测模型，得到针对所述目标对象的预测画像标签。
38.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：
39.获取目标对象的多个维度的对象特征信息；
40.基于所述多个维度的对象特征信息，确定针对所述目标对象的预测画像标签；
41.根据所述预测画像标签，从多个候选产品中确定出目标产品，将所述目标产品推送给所述目标对象关联的客户端。
42.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：
43.获取目标对象的多个维度的对象特征信息；
44.基于所述多个维度的对象特征信息，确定针对所述目标对象的预测画像标签；
45.根据所述预测画像标签，从多个候选产品中确定出目标产品，将所述目标产品推送给所述目标对象关联的客户端。
46.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：
47.获取目标对象的多个维度的对象特征信息；
48.基于所述多个维度的对象特征信息，确定针对所述目标对象的预测画像标签；
49.根据所述预测画像标签，从多个候选产品中确定出目标产品，将所述目标产品推送给所述目标对象关联的客户端。
50.上述产品推荐方法、装置、计算机设备、存储介质和计算机程序产品，通过目标对象的多个维度的对象特征信息，确定针对目标对象的预测画像标签，实现了对目标对象的个人兴趣的预测，从而使得根据预测画像标签，从多个候选产品中确定出的目标产品可以更符合目标对象的自身需求，提高了所推荐的产品与目标对象之间的适配度，从而可实现对产品的准确推送，提高推送信息的利用率。
附图说明
51.图1为一个实施例中产品推荐方法的流程示意图；
52.图2为一个实施例中马尔可夫决策过程的示意图；
53.图3为一个实施例中标签预测模型的处理流程图；
54.图4为一个实施例中一种自动挖掘用户画像标签体系的系统架构图；
55.图5为一个实施例中画像数据查询服务的流程示意图；
56.图6为一个实施例中目标客群筛选服务的流程示意图；
57.图7为另一个实施例中产品推荐方法的流程示意图；
58.图8为一个实施例中产品推荐装置的结构框图；
59.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
60.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。
61.还需要说明的是，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。
62.在一个实施例中，如图1所示，提供了一种产品推荐方法，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。其中，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，该方法包括以下步骤：
63.步骤s110，获取目标对象的多个维度的对象特征信息。
64.其中，多个维度的对象特征信息可包括位置特征信息、经营特征信息、社交特征信息、评价特征信息、风险特征信息、财务特征信息、偏好特征信息、营销特征信息、基础特征信息、产品特征信息、行为特征信息和关联特征信息等中的至少两个。
65.其中，位置特征信息可以为个人目标对象的行动轨迹、法人目标对象的公司注册地址、实际办公地址和物流等信息。
66.其中，经营特征信息可以为个人目标对象名下企业的经营情况，法人目标对象的企业经营情况、水电税等。
67.其中，社交特征信息可以为目标对象在各类网站、应用程序上的社交信息。
68.其中，评价特征信息可以为目标对象的历史风险评级。
69.其中，风险特征信息可以为目标对象的征信、禁入、预警、舆情、劣变预测等风险信息。
70.其中，财务特征信息可以为目标对象的财务报表、指标等信息。
71.其中，偏好特征信息可以为目标对象的风险偏好、渠道偏好等各类偏好信息。
72.其中，营销特征信息可以为对目标对象所进行的营销活动、各渠道触点的深入情况等信息。
73.其中，基础特征信息可以为个人目标对象的人口统计信息和联系信息等；法人目标对象的股东信息、高管信息和行业信息等。
74.其中，产品特征信息可以为目标对象在境内外签署的协议、持有的产品和账户余额各抵质押物等信息。
75.其中，行为特征信息可以为目标对象的资金交易信息、投融资和并购等行为信息。
76.其中，关联特征信息可以为目标对象的资金关联、担保关联、投资关联和集团关联等关联信息。
77.具体实现中，考虑到一些维度的特征信息无法直接获取，因此，可以获取目标对象在预设时间段内的这些维度的初始特征信息，对该时间段内的初始特征信息进行进一步统
计处理，得到对应维度的对象特征信息。
78.步骤s120，基于多个维度的对象特征信息，确定针对目标对象的预测画像标签。
79.其中，预测画像标签表示对用户的行为、产品交互行为等的预测。
80.具体实现中，在得到目标对象在多个维度下的对象特征信息时，可将多个维度的对象特征信息输入预先训练完成的标签预测模型，由标签预测模型对各个维度的对象特征信息进行处理，输出目标对象的预测画像标签。
81.步骤s130，根据预测画像标签，从多个候选产品中确定出目标产品，将目标产品推送给目标对象关联的客户端。
82.具体实现中，确定目标产品时，还需要获取各个候选产品的产品信息，通过马尔可夫模型对每个候选产品的产品信息和目标对象的预测画像标签进行预测，得到目标对象对每个候选产品的兴趣信息，根据目标对象对每个候选产品的兴趣信息，从多个候选产品中确定出目标产品，进而将目标产品推送给目标对象关联的客户端。
83.上述产品推荐方法中，通过目标对象的多个维度的对象特征信息，确定针对目标对象的预测画像标签，实现了对目标对象的个人兴趣的预测，从而使得根据预测画像标签，从多个候选产品中确定出的目标产品可以更符合目标对象的自身需求，提高了所推荐的产品与目标对象之间的适配度，实现针对目标对象的个性化推荐，从而可以提高产品的推荐效果。
84.在一示例性实施例中，上述步骤s130中，根据预测画像标签，从多个候选产品中确定出目标产品，包括：
85.步骤s131，获取各个候选产品的产品信息；
86.步骤s132，基于预测画像标签和各个候选产品的产品信息，确定目标对象对各个候选产品的兴趣信息；
87.步骤s133，根据目标对象对各个候选产品的兴趣信息，从多个候选产品中确定出目标产品。
88.其中，产品信息可以包括候选产品的产品名称、产品属性、产品描述信息和价格等等表征产品特征的信息。
89.其中，兴趣信息为表征目标对象对候选产品的感兴趣程度的指标，例如，兴趣信息可以为购买概率。
90.具体实现中，在进行目标产品的确定前，需先获取每个候选产品的产品信息，针对每个候选产品，基于该候选产品的产品信息和目标对象的预测画像标签，确定目标对象对该候选产品的兴趣信息，具体可通过预先训练完成的兴趣预测模型(例如，马尔可夫模型)对候选产品的产品信息和目标对象的预测画像标签进行处理，得到目标对象对该候选产品的兴趣信息。在得到目标对象对每个候选产品的兴趣信息后，进一步可根据目标对象对每个候选产品的兴趣信息，从多个候选产品中选取出目标对象兴趣程度较高的多个产品，作为目标产品。
91.本实施例中，通过目标对象的预测画像标签和各个候选产品的产品信息，确定目标对象对各个候选产品的兴趣信息，进一步基于目标对象对各个候选产品的兴趣信息，确定推送给目标对象的目标产品，由此确定出的目标产品可以更加符合用户兴趣，与用户更加适配，可以提高用户体验。
92.在一示例性实施例中，上述步骤s132中，基于预测画像标签和各个候选产品的产品信息，确定目标对象对各个候选产品的兴趣信息，包括：
93.步骤s1321，针对每个候选产品，确定候选产品的产品类型；
94.步骤s1322，基于产品类型，确定候选产品对应的目标马尔可夫模型；
95.步骤s1323，将候选产品的产品信息以及预测画像标签，输入候选产品对应的目标马尔可夫模型，得到目标对象对候选产品的兴趣信息。
96.具体实现中，每个产品类型均具有对应的马尔可夫模型，在确定目标对象对各个候选产品的兴趣信息前，还需要先确定各个候选产品的产品类型，基于产品类型确定各个候选产品对应的马尔可夫模型，进一步将每个候选产品的产品信息以及预测画像标签，输入该候选产品对应的马尔可夫模型，得到目标对象对该候选产品的兴趣信息。
97.本实施例中，考虑到不同的产品类型对兴趣信息预测结果的影响，提出了通过为不同产品类型设定不同的马尔可夫模型，在兴趣信息的预测，通过候选产品对应的马尔可夫模型对该候选产品进行预测，可以提高所得到的兴趣信息的置信度，从而提高候选推荐的目标产品与目标对象的适配度。
98.在一示例性实施例中，上述方法还包括每个产品类型对应的马尔可夫模型的训练过程，每个产品类型对应的马尔可夫模型的训练过程包括：
99.步骤s210，针对每个产品类型，获取与产品类型相同的样本产品、样本对象的画像标签以及样本对象对样本产品的兴趣标签；
100.步骤s220，基于马尔科夫决策过程，将样本对象对样本产品的各种预测结果作为状态、将对样本对象进行产品推荐的行为作为动作；
101.步骤s230，当从一个状态转移至另一个状态时，确定针对转移过程的反馈信息，根据反馈信息调整待训练的马尔可夫模型的模型参数，直至达到训练终止条件，得到训练完成的马尔可夫模型，作为产品类型对应的马尔可夫模型。
102.具体实现中，在确定目标对象的预测画像标签后，为了提升预测画像标签对场景支撑的能力，本技术提出了一种基于马尔可夫决策强化学习的产品推荐算法。预测画像标签处于场景e中，状态空间为x，其中每个状态x∈x是预测画像标签在场景环境中的描述。马尔可夫模型的输入数据为样本产品的产品信息及样本对象的画像标签，输出数据为推荐成功或推荐失败的标识。
103.在训练前，首先定义场景推荐状态及转换过程：根据预测结果确定潜力对象、推荐成功、推荐失败和对象厌恶四个状态。其中，潜力对象为有较大概率购买推荐产品的对象；营销成功为在产品推荐周期内目标对象购买推荐产品的行为；营销失败为在产品推荐周期内目标对象未购买推荐产品的行为；对象厌恶为在产品推荐周期内目标对象针对推荐产品进行投诉的行为。
104.定义初始转移概率：确定目标对象在最初推荐状态时推荐成功的概率。
105.定义模型训练终止条件：根据场景推荐目标确定结束状态转换过程的条件，例如，推荐成功和推荐失败。
106.定义动作：包括第一动作和第二动作，第一动作为通过多渠道进行产品推荐的行为；第二动作为不对目标对象进行产品推荐的行为。
107.如图2所示，为马尔可夫决策过程中的产品推荐场景，表示了产品推荐过程中的马
尔可夫决策过程，该任务中有四个状态：潜力对象、推荐成功、推荐失败和对象厌恶，两个动作：推荐和不推荐。当从一个状态步转移到另外一个状态步时，若状态是促进推荐成功的则获得奖赏正值参数，若状态转移为潜力对象或者直接导致对象厌恶，则反馈负值参数。该状态则可以通过推荐或者不推荐转移到推荐成功状态。当对象推荐失败时反馈最小值。图中箭头表示状态转移，箭头对应的参数a表示导致状态转移的动作，p表示转移概率，r表示返回的反馈值，根据最优策略并动态调整参数，得到能够在最大概率下促使产品推荐成功的马尔可夫模型，作为完成的马尔可夫模型。
108.本实施例中，通过对不同类型的产品分别训练不同的马尔可夫模型，使得可以基于候选产品的产品类型选择对应的马尔可夫模型对该候选产品进行预测，以提高所得到的兴趣信息的置信度，从而提高候选推荐的目标产品与目标对象的适配度。
109.在一示例性实施例中，上述步骤s133中，根据目标对象对每个候选产品的兴趣信息，从多个候选产品中确定出目标产品，包括：将多个候选产品按照兴趣信息表征的兴趣程度进行排序，得到候选产品序列；从候选产品序列中，确定出兴趣程度符合预设条件的产品，作为目标产品。
110.其中，兴趣信息为表征目标对象对候选产品的感兴趣程度的指标，例如，兴趣信息可以为购买概率。
111.具体实现中，可基于目标对象对各个候选产品的兴趣信息，将各个候选产品按照兴趣信息表征的兴趣程度由高到低或由低到高的顺序进行排序，得到候选产品序列，从候选产品序列中选取兴趣程度最高的前n个候选产品或兴趣信息大于预设值的几个候选产品，作为目标产品。
112.举例说明，设兴趣信息为购买概率，目标对象对5个候选产品a、b、c、d、e的购买概率分别为0.5、0.7、0.3、0.6、0.2，则按照购买概率由高到低的顺序对各个候选产品进行排序，得到候选产品序列b
→d→a→c→
e，可选取购买概率大于0.5的产品b和d作为目标产品。
113.本实施例中，通过将多个候选产品按照兴趣信息表征的兴趣程度进行排序，从得到的候选产品序列中，确定出兴趣程度最高的前n个候选产品或兴趣信息大于预设值的产品，作为目标产品，可以使得推送给目标对象的产品更符合目标对象的需求，提高向目标对象推送的产品的质量。
114.在一示例性实施例中，上述步骤s120中基于多个维度的对象特征信息，确定针对目标对象的预测画像标签，包括：将多个维度的对象特征信息输入训练完成的标签预测模型，得到针对目标对象的预测画像标签。
115.其中，标签预测模型可以为深度学习模型，深度学习模型可以采用深度网络(deep neural network，dnn)、卷积神经网络(convolutional neural network，cnn)、循环神经网络(recurrent neural network，rnn)和生成对抗网络(generative adversarial network，gan)等。
116.具体地，将多个维度的对象特征信息输入训练完成的标签预测模型后，标签预测模型采用ap聚类算法(affinity propagation，近邻传播聚类)确定隐藏层节点数目，然后将蕴含标签关联的计数向量加权到网络基函数中心进行训练，学习到隐含层与输出层之间的权重后，输出层产生标签向量。标签向量即由实数组成的固定维数的向量，每个标签对应一个标签向量。
117.参考图3，为标签预测模型的处理流程图，首先通过ap聚类算法获取隐藏节点数，构造初始聚类中心，然后获取基函数中心，并结合每一类标签技术向量进行聚类，最后得到神经网络基函数中心，计算权重，生成预测画像标签。
118.本实施例中，通过目标对象的多个维度的对象特征信息确定预测画像标签，充分考虑了多种因素对预测结果的影响，可以确保所得到的画像标签的准确性。
119.在一个实施例中，为了便于本领域技术人员理解本技术实施例，以下将结合附图的具体示例进行说明。参考图4，示出了一种自动挖掘用户画像标签体系的系统架构图，主要包括数据层单元401、特征库单元402、模型训练单元403、标签预测单元404和场景单元405，其中：
120.数据层单元401，用于为用户画像标签体系的构建提供底层数据，具体包括：数据湖提供贴源数据；数据仓库提供主体数据、信息库提供知识数据，知识数据为用户特征的源数据。
121.特征库单元402，用于从数据单元的各个数据源中提取出用户在多个维度下的用户特征信息，用户特征信息包含位置特征信息、经营特征信息、社交特征信息、评价特征信息、风险特征信息、财务特征信息、偏好特征信息、营销特征信息、基础特征信息、产品特征信息、行为特征信息和关联特征信息等。
122.模型训练单元403，模型训练单元是基于深度学习的标签挖掘过程，输入用户的各个维度下的用户特征信息，利用深度模型学习隐表示，然后生成预测画像标签。
123.标签预测单元404，具体为对用户的行为和产品购买行为等进行预测的结论信息。
124.场景单元405，用于基于预测画像标签为用户提供对应的服务。具体的场景包括触发式产品推荐场景、目标用户探查场景和资源流向分析场景等。其中，触发式产品推荐场景用于根据用户的预测画像标签进行产品推送；目标用户探查场景用于在精准推荐系统中根据预测画像标签提供的信息进行名单筛选，形成有针对性的推荐名单，对外提供数据筛选通用服务；资源流向分析场景用于借助预测画像标签的标签化、信息化和可视化属性，可以快速地对用户的风险状况有一个全面的认识，为银行实施用户准入控制、审查审批和贷后管理提供全方位的信贷决策支持，保证交易发生的第一时间提醒管理人员针对自己负责的用户进行推荐、用户挽留和风险监控等增值服务。
125.此外，本方法还提供如图5所示的通过api(application programming interface，应用程序编程接口)、分布式服务接口向分行、网上银行、手机银行等渠道提供以用户编号为键值的画像标签查询服务，支撑所有渠道以智能全景用户画像标签为基础，在产品推荐、风险、客服等领域进行大数据和人工智能应用场景落地。以及提供如图6所示的通过页面服务提供以用户特征为维度的目标客群筛选服务，基于定制的筛选条件在特征库进行特征查询，筛选出目标用户清单和目标用户特征。
126.其中，在触发式产品推荐场景下进行产品推荐的具体过程如图7所示，包括以下步骤：
127.步骤s710，获取目标对象的多个维度的对象特征信息；
128.步骤s720，将多个维度的对象特征信息输入训练完成的标签预测模型，得到针对目标对象的预测画像标签；
129.步骤s730，获取各个候选产品的产品信息和产品类型；
130.步骤s740，针对每个候选产品，基于产品类型，确定候选产品对应的目标马尔可夫模型；
131.步骤s750，将候选产品的产品信息以及预测画像标签，输入候选产品对应的目标马尔可夫模型，得到目标对象对候选产品的兴趣信息；
132.步骤s760，将多个候选产品按照兴趣信息表征的兴趣程度进行排序，得到候选产品序列；
133.步骤s770，从候选产品序列中，确定出兴趣程度符合预设条件的产品，作为目标产品；
134.步骤s780，将目标产品推送给目标对象关联的客户端。
135.上述方法一方面根据预测画像标签，从多个候选产品中确定目标产品，可以使得确定出的目标产品更符合目标对象的自身需求，提高了所推荐的产品与目标对象之间的适配度，实现针对目标对象的个性化推荐，从而可以提高产品的推荐效果；另一方面提出的客户画像标签自动分析挖掘生成的方法，可以自动地针对场景做数据挖掘，即将诸多标签随机排列组合，封装若干高层标签提炼特征，结合低层标签，高层标签，以及挖掘到的特征，自动针对场景做机器学习，并且得出最终的结论：在某个场景下，哪些标签，哪些专家规则效果最显著，每个标签每个规则通过量化带来效能提升的值为多少，提升画像准确性的同时，减少分析师人工指标建设和运营的成本，有效解决传统分析师建设客户画像标签决主观性大、片面性强、及时更新性不足、不准确等问题。
136.应该理解的是，虽然如上所述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，如上所述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。
137.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产品推荐方法的产品推荐装置。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产品推荐装置实施例中的具体限定可以参见上文中对于产品推荐方法的限定，在此不再赘述。
138.在一个实施例中，如图8所示，提供了一种产品推荐装置，包括：获取模块810、预测模块820和推荐模块830，其中：
139.获取模块810，用于获取目标对象的多个维度的对象特征信息；
140.预测模块820，用于基于多个维度的对象特征信息，确定针对目标对象的预测画像标签；
141.推荐模块830，用于根据预测画像标签，从多个候选产品中确定出目标产品，将目标产品推送给目标对象关联的客户端。
142.在其中一个实施例中，推荐模块830，还包括：
143.信息获取子模块，用于获取各个候选产品的产品信息；
144.兴趣确定子模块，用于基于预测画像标签和各个候选产品的产品信息，确定目标
对象对各个候选产品的兴趣信息；
145.目标确定子模块，用于根据目标对象对各个候选产品的兴趣信息，从多个候选产品中确定出目标产品。
146.在其中一个实施例中，兴趣确定子模块，还用于针对每个候选产品，确定候选产品的产品类型；基于产品类型，确定候选产品对应的目标马尔可夫模型；将候选产品的产品信息以及预测画像标签，输入候选产品对应的目标马尔可夫模型，得到目标对象对候选产品的兴趣信息。
147.在其中一个实施例中，所述装置还包括模型训练模块，用于针对每个产品类型，获取与产品类型相同的样本产品、样本对象的画像标签以及样本对象对样本产品的兴趣标签；基于马尔科夫决策过程，将样本对象对样本产品的各种预测结果作为状态、将对样本对象进行产品推荐的行为作为动作；当从一个状态转移至另一个状态时，确定针对转移过程的反馈信息，根据反馈信息调整待训练的马尔可夫模型的模型参数，直至达到训练终止条件，得到训练完成的马尔可夫模型，作为产品类型对应的马尔可夫模型。
148.在其中一个实施例中，目标确定子模块还用于将多个候选产品按照兴趣信息表征的兴趣程度进行排序，得到候选产品序列；从候选产品序列中，确定出兴趣程度符合预设条件的产品，作为目标产品。
149.在其中一个实施例中，预测模块820，还用于将多个维度的对象特征信息输入训练完成的标签预测模型，得到针对目标对象的预测画像标签。
150.上述产品推荐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。
151.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终端，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、通信接口、显示屏和输入装置。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、内存储器。该非易失性存储介质存储有操作系统和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种产品推荐方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
152.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。
153.在一个实施例中，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以下步骤：
154.获取目标对象的多个维度的对象特征信息；
155.基于所述多个维度的对象特征信息，确定针对所述目标对象的预测画像标签；
156.根据所述预测画像标签，从多个候选产品中确定出目标产品，将所述目标产品推
送给所述目标对象关联的客户端。
157.在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取各个候选产品的产品信息；基于所述预测画像标签和所述各个候选产品的产品信息，确定所述目标对象对所述各个候选产品的兴趣信息；根据所述目标对象对所述各个候选产品的兴趣信息，从所述多个候选产品中确定出目标产品。
158.在一个实施例中，处理器执行计算机程序时还实现以下步骤：针对每个候选产品，确定所述候选产品的产品类型；基于所述产品类型，确定所述候选产品对应的目标马尔可夫模型；将所述候选产品的产品信息以及所述预测画像标签，输入所述候选产品对应的目标马尔可夫模型，得到所述目标对象对所述候选产品的兴趣信息。
159.在一个实施例中，处理器执行计算机程序时还实现以下步骤：针对每个产品类型，获取与所述产品类型相同的样本产品、样本对象的画像标签以及所述样本对象对所述样本产品的兴趣标签；基于马尔科夫决策过程，将所述样本对象对所述样本产品的各种预测结果作为状态、将对所述样本对象进行产品推荐的行为作为动作；当从一个状态转移至另一个状态时，确定针对转移过程的反馈信息，根据所述反馈信息调整待训练的马尔可夫模型的模型参数，直至达到训练终止条件，得到训练完成的马尔可夫模型，作为所述产品类型对应的马尔可夫模型。
160.在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述多个候选产品按照所述兴趣信息表征的兴趣程度进行排序，得到候选产品序列；从所述候选产品序列中，确定出兴趣程度符合预设条件的产品，作为所述目标产品。
161.在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述多个维度的对象特征信息输入训练完成的标签预测模型，得到针对所述目标对象的预测画像标签。
162.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，计算机程序被处理器执行时实现以下步骤：
163.获取目标对象的多个维度的对象特征信息；
164.基于所述多个维度的对象特征信息，确定针对所述目标对象的预测画像标签；
165.根据所述预测画像标签，从多个候选产品中确定出目标产品，将所述目标产品推送给所述目标对象关联的客户端。
166.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取各个候选产品的产品信息；基于所述预测画像标签和所述各个候选产品的产品信息，确定所述目标对象对所述各个候选产品的兴趣信息；根据所述目标对象对所述各个候选产品的兴趣信息，从所述多个候选产品中确定出目标产品。
167.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：针对每个候选产品，确定所述候选产品的产品类型；基于所述产品类型，确定所述候选产品对应的目标马尔可夫模型；将所述候选产品的产品信息以及所述预测画像标签，输入所述候选产品对应的目标马尔可夫模型，得到所述目标对象对所述候选产品的兴趣信息。
168.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：针对每个产品类型，获取与所述产品类型相同的样本产品、样本对象的画像标签以及所述样本对象对所述样本产品的兴趣标签；基于马尔科夫决策过程，将所述样本对象对所述样本产品的各种预测结果作为状态、将对所述样本对象进行产品推荐的行为作为动作；当从一个状态转移至
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。
181.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。
182.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。