产品推荐方法、装置、电子设备、介质和计算机程序产品与流程

本公开涉及人工智能，更具体地，涉及一种产品推荐方法、装置、电子设备、介质和计算机程序产品。

背景技术：

1、随着社会信息化程度的不断提高，以及虚拟网络的快速发展，互联网中有越来越多的各种类别信息，数据生产要素对于商业银行的经营转型发展具有重要意义，越来越多的商业银行也将注意力聚焦于如何有效利用互联网中的海量数据信息，从信息化时代再出发，发掘新的发展道路。

2、那么如何在海量的数据中快速找到有用信息成为一个难题，如何快速抓住用户的兴趣偏好并为其推荐优质的金融产品成为了各家银行争相发力的地方。因此，利用银行客户历史行为数据(包括定期存款、购买理财和购买基金等显式行为以及在手机银行中浏览和点击等隐式行为)和银行金融产品信息来深度挖掘用户的兴趣偏好，生成该用户的推荐列表或者预测该用户对某个金融产品的喜好程度的产品推荐系统也应运而生，从而使银行营销能够迎合客户喜好，及时为有需求的用户提供合适的金融产品与服务，尽量满足客户的个性化需求。

3、现有推荐系统的算法主要分为几大类：基于内容的推荐算法、基于协同过滤的推荐算法、基于关联规则的推荐算法和基于深度学习模型的推荐算法。

4、基于内容的推荐算法：基于内容的推荐是在推荐引擎出现之初应用最为广泛的推荐机制，它的核心思想是根据推荐物品或内容的元数据，发现物品或内容的相关性，然后基于用户以往的喜好记录，推荐给用户相似的物品。

5、基于协同过滤的推荐算法：协同过滤是一种在推荐系统中广泛采用的推荐方法。这种算法基于一个“物以类聚，人以群分”的假设，喜欢相同物品的用户更有可能具有相同的兴趣。

6、基于关联规则的推荐算法：基于关联规则的推荐常见于电子商务系统中，其实际的意义为购买了一些物品的用户更倾向于购买另一些关联物品。基于关联规则的推荐系统的首要目标是挖掘出关联规则，也就是那些同时被很多用户购买的物品集合，这些集合内的物品可以相互进行推荐。

7、基于深度学习模型的推荐算法：基于深度学习模型的方法有很多，主要是使用常用的机器学习算法对目标用户建立推荐算法模型，然后对用户的爱好进行预测推荐以及对推荐的结果打分排序等。

8、其中，对于基于内容和协同过滤的推荐系统，是以一种静态的方式建模用户和商品的交互，并且只可以捕获用户广义的喜好。而相反地，序列化推荐模型则是将用户和商品的交互建模为一个动态的序列，并且利用序列的依赖性来捕捉当前和最近用户的喜好。现有序列化推荐模型多是基于马尔科夫链的，基于马尔科夫链的推荐系统的缺点主要是马尔科夫特性假设当前交互只依赖于一个或几个最近的交互，因此只能捕获短期依赖关系而忽略长期依赖关系。

9、其中，在现实世界的数据中，往往存在着多种实体间错综复杂的多种关系，不同关系下的不同实体间存在着很多未被充分利用的信息，缺失这部分信息也使得基于关联规则的推荐算法并不能达到真正的目的，不能有效捕捉用户的行为兴趣偏好。

10、其中，基于深度学习模型的推荐算法面对海量的数据，传统的特征表示方式已经无法准确高效得表示相关实体的内容，针对存有上亿条商品信息的平台，很难通过独热码(one-hot)方法有效表示每个商品的特征，即使有充足的空间来存储这巨大的高纬度特征数据，也无法从高维稀疏特征中抽象出具体有效的信息来实现深度学习的推荐任务，而且这种情况下很难满足平台系统对于用户服务时效性的要求。

技术实现思路

1、有鉴于此，本公开提供了一种推荐效率和准确率高以及节约计算资源的产品推荐方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

2、本公开的一个方面提供了一种产品推荐方法，包括：将r个待推荐产品中在设定时间段交互过的m个产品的信息作为m个第一产品信息、未交互过的n个产品的信息作为n个第二产品信息，其中，m为大于等于1的整数，n为大于等于0的整数，m+n＝r；获取用户对所述m个第一产品信息、所述n个第二产品信息和个人信息的授权；在得到用户对所述m个第一产品信息、所述n个第二产品信息和所述个人信息的授权后，根据所述m个第一产品信息、所述n个第二产品信息和所述个人信息，利用预先构建的产品推荐概率模型，得到所述r个待推荐产品中每个产品的推荐概率；以及根据所述推荐概率，将满足推荐条件的产品推荐给该用户。

3、根据本公开实施例的产品推荐方法，通过将r个待推荐产品中在设定时间段交互过的m个产品的信息作为m个第一产品信息、未交互过的n个产品的信息作为n个第二产品信息；在得到用户对m个第一产品信息、n个第二产品信息和个人信息的授权后，根据m个第一产品信息、n个第二产品信息和个人信息，利用预先构建的产品推荐概率模型，得到r个待推荐产品中每个产品的推荐概率；从而可以根据推荐概率，将满足推荐条件的产品推荐给该用户。本公开的产品推荐方法可以根据个人信息获得用户的广义和具体的喜好，还可以通过设定时间段获得用户与产品的长期依赖关系和短期依赖关系，从而实现准确推荐。本公开通过第一产品信息、第二产品信息、个人信息以及产品推荐概率模型，可以较充分的挖掘出产品之间、产品与用户之间的错综复杂的多种关系，可以有效捕捉用户的兴趣偏好。本公开无需巨大的存储空间来存储巨大的高纬度特征数据，也无需从高维稀疏特征中抽象出具体有效的信息来实现深度学习的推荐任务，从而节约计算资源和提高推荐效率。基于此，本公开的产品推荐方法可以更加准确地推荐产品给用户，并且节约计算资源，还可以提高推荐效率。

4、在一些实施例中，根据所述m个第一产品信息、所述n个第二产品信息和所述个人信息，利用预先构建的产品推荐概率模型，得到所述r个待推荐产品中每个产品的推荐概率的步骤，包括：根据所述m个第一产品信息和所述设定时间段，利用所述产品推荐概率模型中的时间表征向量函数，计算每个所述第一产品信息的时间表征向量，其中，所述时间表征向量函数中包括预先训练得到的时间影响因子；根据所述m个第一产品信息、所述n个第二产品信息和所述个人信息，利用所述产品推荐概率模型中的兴趣表征向量函数，计算每个所述待推荐产品的兴趣表征向量，其中，所述兴趣表征向量函数中包括预先训练得到的偏置向量和转置向量；以及根据所述m个第一产品信息的时间表征向量和所述r个待推荐产品的兴趣表征向量，利用所述产品推荐概率模型中的概率函数，计算每个所述待推荐产品的推荐概率。

5、在一些实施例中，根据所述m个第一产品信息、所述n个第二产品信息和所述个人信息，利用所述产品推荐概率模型中的兴趣表征向量函数，计算每个所述待推荐产品的兴趣表征向量时，加入k维注意力机制，k为大于等于1的整数，具体包括：根据所述m个第一产品信息、所述n个第二产品信息、所述个人信息、每一维注意力机制下的偏置向量和每一维注意力机制下的转置向量，计算每个所述待推荐产品的每一维注意力机制下的注意力系数；以及根据所述每一维注意力机制下的注意力系数、所述每一维注意力机制下的偏置向量和注意力维度k，计算每个所述待推荐产品的兴趣表征向量。

6、在一些实施例中，根据所述m个第一产品信息的时间表征向量和所述r个待推荐产品的兴趣表征向量，利用所述产品推荐概率模型中的概率函数，计算每个所述待推荐产品的推荐概率的步骤，包括：根据所述m个第一产品信息的时间表征向量和所述r个待推荐产品的兴趣表征向量中的m个第一产品信息的兴趣表征向量，计算每个第一产品信息的第一中间值；根据所述r个待推荐产品的兴趣表征向量中的n个第二产品信息的兴趣表征向量，计算每个第二产品信息的第二中间值；以及根据所述m个第一产品信息的所述第一中间值和所述n个第二产品信息的所述第二中间值，计算每个所述待推荐产品的推荐概率。

7、在一些实施例中，预先构建产品推荐概率模型的步骤，包括：将获取的f个训练集中每个训练集的s个训练产品中在历史设定时间段交互过的g个产品的信息作为g个第三产品信息、未交互过的h个产品的信息作为h个第四产品信息，其中，g为大于等于1的整数，h为大于等于1的整数，g+h＝s，每个所述训练集为一个用户的训练数据；获取用户对所述g个第三产品信息、所述h个第四产品信息和所述f个用户的个人信息的授权；以及在得到每个用户对所述g个第三产品信息、所述h个第四产品信息和所述个人信息的授权后，根据每个用户的所述g个第三产品信息、所述h个第四产品信息、所述个人信息和所述历史设定时间段，在产品推荐概率训练模型中经过训练函数的多次迭代，利用损失函数和预先设定的损失值阈值区间，修正所述产品推荐概率训练模型中的训练时间影响因子、训练偏置向量和训练转置向量，得到应用至所述产品推荐概率模型中的时间影响因子、偏置向量和转置向量。

8、在一些实施例中，在产品推荐概率训练模型中经过训练函数的多次迭代，利用损失函数和预先设定的损失值阈值区间，修正所述产品推荐概率训练模型中的训练时间影响因子、训练偏置向量和训练转置向量，得到应用至所述产品推荐概率模型中的时间影响因子、偏置向量和转置向量的步骤，包括：利用损失函数计算所述产品推荐概率训练模型当次迭代的损失值；根据当次迭代的所述损失值，更新所述产品推荐概率训练模型中正在使用的所述训练时间影响因子、所述训练偏置向量和所述训练转置向量；以及当连续设定次数的所述损失值均位于所述损失值阈值区间时，将所述设定次数的最后一次所述产品推荐概率训练模型中正在使用的训练时间影响因子、训练偏置向量和训练转置向量、作为时间影响因子、偏置向量和转置向量应用至所述产品推荐概率模型。

9、本公开的另一个方面提供了一种产品推荐装置，包括：确定模块，所述确定模块用于执行将r个待推荐产品中在设定时间段交互过的m个产品的信息作为m个第一产品信息、未交互过的n个产品的信息作为n个第二产品信息，其中，m为大于等于1的整数，n为大于等于0的整数，m+n＝r；获取模块，所述获取模块用于执行获取用户对所述m个第一产品信息、所述n个第二产品信息和个人信息的授权；计算模块，所述计算模块用于执行在得到用户对所述m个第一产品信息、所述n个第二产品信息和所述个人信息的授权后，根据所述m个第一产品信息、所述n个第二产品信息和所述个人信息，利用预先构建的产品推荐概率模型，得到所述r个待推荐产品中每个产品的推荐概率；以及推荐模块，所述推荐模块用于执行根据所述推荐概率，将满足推荐条件的产品推荐给该用户。

10、本公开的另一方面提供了一种电子设备，包括一个或多个处理器以及一个或多个存储器，其中，所述存储器用于存储可执行指令，所述可执行指令在被所述处理器执行时，实现如上所述方法。

11、本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

12、本公开的另一方面提供了一种计算机程序产品，包括计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。