[發明專利]基于組合模型的產品推薦方法、裝置及計算機設備

在審

• 申請號: 202011508791.0
• 申請日: 2020-12-18
• 公開（公告）號: CN112529665A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 向坤
• 申請（專利權）人: 平安銀行股份有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06Q10/06;G06F16/9535;G06K9/62
• 代理公司: 北京英特普羅知識產權代理有限公司 11015
• 代理人: 鄧小玲;王勇

1.一種基于組合模型的產品推薦方法，其特征在于，包括：

獲取多個客戶的購買行為相關數據，并對所述購買行為相關數據進行預處理，以基于所述購買行為相關數據構建第一推薦模型；

獲取多個客戶的偏好調研數據，并基于所述偏好調研數據構建第二推薦模型；

基于預設分析規則確定多個產品與多個客戶的匹配度，并生成匹配度分析結果，以基于所述匹配度分析結果構建第三推薦模型；

獲取多個客戶的客戶特征數據和多個產品的產品特征數據，并對所述客戶特征數據和所述產品特征數據進行分析生成客戶-產品的特征矩陣，以基于所述特征矩陣構建第四推薦模型；

利用所述第一推薦模型、所述第二推薦模型、所述第三推薦模型及所述第四推薦模型分別計算待推薦產品相對于每一待推薦客戶的推薦分數，并根據每一所述待推薦客戶的四個模型推薦分數計算得到總推薦分數，以基于所述總推薦分數制定針對每一所述待推薦客戶的產品推薦方案。

2.如權利要求1所述的基于組合模型的產品推薦方法，其特征在于，所述對所述購買行為相關數據進行預處理的步驟，包括：

利用K-Means聚類算法對所述購買行為相關數據進行聚類分析。

3.如權利要求1所述的基于組合模型的產品推薦方法，其特征在于，所述偏好調研數據包括多個產品的客戶偏好問卷數據，所述基于所述偏好調研數據構建第二推薦模型的步驟，包括：

基于多個客戶對多個產品的客戶偏好問卷數據構建基于客戶偏好的第二推薦模型。

4.如權利要求1所述的基于組合模型的產品推薦方法，其特征在于，所述客戶特征數據包括客戶名稱、所屬行業分類及歷史購買意向數據，所述產品特征數據包括產品名稱、產品類別、發行期限、發行地域，所述對所述客戶特征數據和所述產品特征數據進行分析生成客戶-產品的特征矩陣的步驟，包括：

對所述客戶特征數據及所述產品特征數據依次采用連續型變量的離散化處理及類別變量的數值映射處理，生成所述客戶-產品的特征矩陣。

5.如權利要求4所述的基于組合模型的產品推薦方法，其特征在于，所述基于所述特征矩陣構建第四推薦模型的步驟，包括：

將所述歷史購買意向數據作為模型的分類標簽，將所述特征矩陣作為模型的輸入訓練特征，利用邏輯回歸算法和梯度提升樹算法訓練得到所述第四推薦模型。

6.如權利要求1所述的基于組合模型的產品推薦方法，其特征在于，所述利用所述第一推薦模型、所述第二推薦模型、所述第三推薦模型及所述第四推薦模型分別計算待推薦產品相對于每一待推薦客戶的推薦分數的步驟，包括：

基于正態分布的規范化過程計算所述待推薦產品相對于每一所述待推薦客戶的單個模型的規范化推薦分數，其中所述規范化推薦分數通過以下算式計算得到：Z＝(x-u)/s，Z為所述規范化推薦分數，x為所述單個模型的原始推薦分數，u為所述單個模型的原始推薦分數均值的參數估計值，s為所述單個模型的原始推薦分數標準差的參數估計值；

基于Logistics函數的歸一化方法對所述規范化推薦分數進行處理，得到所述待推薦產品相對于每一所述待推薦客戶的單個模型的推薦分數，其中所述單個模型的推薦分數通過以下算式計算得到：y＝1/(1+e^-z)，y為所述單個模型的推薦分數，e為自然常數；

其中，所述單個模型為所述第一推薦模型、所述第二推薦模型、所述第三推薦模型和所述第四推薦模型其中之一。