[發明專利]產品推薦方法、裝置、計算機設備和存儲介質

有效

• 申請號: 202110216223.1
• 申請日: 2021-02-26
• 公開（公告）號: CN112559900B
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 何悅;邵俊;楊健穎
• 申請（專利權）人: 深圳索信達數據技術有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06K9/62;G06Q30/06
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 楊歡

本申請涉及一種產品推薦方法、裝置、計算機設備和存儲介質。所述方法包括：根據預先訓練好的的決策樹模型獲取不少于一條決策樹規則；對所述決策樹規則進行重要性評估，獲取所述決策樹規則對應的重要程度值；根據所述重要程度值，篩選出推薦規則；根據所述推薦規則向用戶推薦產品。采用本方法能夠提高對用戶推薦產品的效果。

技術領域

本申請涉及大數據技術領域，特別是涉及一種產品推薦方法、裝置、計算機設備和存儲介質。

背景技術

隨著經濟的發展和科技的進步，人們的理財意識逐漸增強，越來越多的人將閑置資金投入到金融理財產品中。銀行、基金公司等金融機構，為了向用戶推銷自己的理財產品，常常重點選擇購買理財產品意愿較強的用戶進行定向推薦，以提高產品推薦的效果。

為了能更好地了解用戶的購買意愿，金融機構常常根據其所掌握的用戶信息對用戶進行評估，對評估出的購買理財產品意愿較強的用戶進行理財產品的推薦。但是，目前金融機構在對用戶進行推薦時，所使用的用戶評估模型常常是基于邏輯回歸算法生成的，邏輯回歸算法有簡單的模型內部結構，容易讓使用者理解模型的預測思想，但是卻存在著識別精度低的缺陷，并導致了產品推薦的準確度較低的技術問題。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠提高產品推薦準確度的方法、裝置、計算機設備和存儲介質。

一種產品推薦方法，所述方法包括：

根據預先訓練好的決策樹模型獲取不少于一條決策樹規則，所述決策樹模型是根據樣本用戶的特征信息和樣本用戶的標簽進行訓練得到的；

對所述決策樹規則進行重要性評估，獲取每條所述決策樹規則對應的重要程度值；

根據所述重要程度值，從所述決策樹規則中篩選出推薦規則；

根據所述推薦規則向終端推送產品信息。

在其中一個實施例中，還包括：獲取樣本用戶的特征信息和樣本用戶的標簽，作為訓練集，其中，所述樣本用戶為預設時間范圍內有被推薦產品的用戶，所述樣本用戶的標簽用于標識樣本用戶是否使用推薦產品；

根據所述訓練集訓練生成決策樹模型。

在其中一個實施例中，還包括：提取所述決策樹模型中的各個支路，所述支路是在決策樹模型中從根節點到非根節點之間的路徑；

根據支路中節點與節點之間的函數關系生成與支路對應的決策樹規則。

在其中一個實施例中，還包括：根據所述決策樹規則擬合生成線性回歸模型，分別獲取所述線性回歸模型中各決策樹規則項的擬合參數；

分別獲取訓練集中滿足各決策樹規則的樣本用戶數量占樣本用戶總量的比值，作為各決策樹規則的評估因子；

根據各決策樹規則項的擬合參數和各決策樹規則的評估因子獲取各決策樹規則的重要程度值。

在其中一個實施例中，還包括：將各決策樹規則依據重要程度值從高到低進行排列；

將重要程度值排在前預設數值位的決策樹規則作為推薦規則。

在其中一個實施例中，還包括：分別將各決策樹規則的評估因子和所述線性回歸模型中各決策樹規則項的擬合參數代入至重要程度值計算公式，獲取各決策樹規則的重要程度值；

所述重要程度值計算公式為：

其中，是第k個決策樹規則的重要程度值；是線性回歸模型中第k個決策樹規則項的擬合參數；是第k個決策樹規則的評估因子。

在其中一個實施例中，還包括：篩選出特征信息滿足所述推薦規則的用戶作為目標用戶；