CN116128607A - 产品推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本公开提供了一种产品推荐方法、装置、设备及存储介质，可以应用于金融科技领域和计算机领域。该方法包括：根据线性规划算法处理待推荐产品集和目标用户集，以及与目标用户集中的目标用户各自的用户资源属性信息和用户偏好属性信息，得到产品推荐模型；针对与产品推荐模型对应的目标函数执行求解操作，得到产品推荐结果，其中，约束条件基于用户偏好属性信息和用户资源属性信息确定，第一推荐结果表征推荐目标用户对待推荐产品的资源投入策略；以及根据产品推荐结果，生成与目标用户对应的产品推荐信息。

Description

产品推荐方法、装置、设备及存储介质

技术领域

本公开涉及金融科技领域和计算机领域，尤其涉及一种产品推荐方法、装置、设备、介质和程序产品。

背景技术

随着科技的快速发展，用户可以基于手机等终端设备方便地浏览信息，相关产品应用也会在获取到用户授权，并预先告知用户的情况下，通过对用户进行间卷调查、电话访问等方式来获取用户数据，并在分析用户数据后，根据数据分析结果来向用户推荐相关产品，以满足用户的投资需求或消费需求。但是相关技术中的产品推荐方法通常存在预测精度较低，且数据分析耗时较长等情况，难以满足实际的需求。

发明内容

鉴于上述问题，本公开提供了产品推荐方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种产品推荐方法，包括：

根据线性规划算法处理待推荐产品集和目标用户集，以及与上述目标用户集中的目标用户各自的用户资源属性信息和用户偏好属性信息，得到产品推荐模型；

针对与上述产品推荐模型对应的目标函数执行求解操作，得到产品推荐结果，其中，上述约束条件基于上述用户偏好属性信息和上述用户资源属性信息确定，上述第一推荐结果表征推荐上述目标用户对上述待推荐产品的资源投入策略；以及

根据上述产品推荐结果，生成与上述目标用户对应的产品推荐信息。

根据本公开的实施例，上述用户偏好属性信息包括产品数量分布限制信息和上述目标用户针对上述待推荐产品的产品偏好程度信息；

其中，根据线性规划算法处理待推荐产品集和目标用户集，以及与上述目标用户集中的目标用户各自的用户资源属性信息和用户偏好属性信息包括：

将上述待推荐产品和上述目标用户分别确定为角色元素和代理元素；

根据上述角色元素和上述代理元素，构建初始角色分配矩阵；

根据上述产品偏好程度信息构建资格评估矩阵；

根据上述产品数量分布限制信息构建产品数量限制向量；

根据上述待推荐产品集中的待推荐产品各自的产品属性信息，构建角色属性向量；

根据上述目标用户各自对应的用户资源属性信息，构建代理资源分配限制向量；以及

根据上述角色元素、上述代理元素、上述初始角色分配矩阵、上述资格评估矩阵、上述产品数量限制向量、上述角色属性向量、上述代理资源分配限制向量构建上述产品推荐模型。

根据本公开的实施例，上述初始角色分配矩阵包括初始角色分配关系矩阵和初始角色分配资源矩阵；

上述初始角色分配关系矩阵中的第[i，j]角色分配关系元素，适用于表征上述待推荐产品集中的第j待推荐产品，与上述目标用户集中第i目标用户之间的分配关系；

上述初始角色分配资源矩阵中的第[i，j]角色分配资源元素，适用于表征上述第i目标用户分配至上述第j待推荐产品的分配资源信息。

根据本公开的实施例，上述目标函数基于上述初始角色分配矩阵构建得到；

其中，针对与上述产品推荐模型对应的目标函数执行求解操作，得到产品推荐结果包括：

根据约束条件对上述目标函数执行求解操作，得到与上述初始角色分配矩阵对应的目标分配矩阵，其中，上述约束条件基于上述代理资源分配限制向量、上述产品数量限制向量构建得到；以及

基于上述目标分配矩阵中第i行的目标分配矩阵元素，确定针对上述目标用户集中第i目标用户的第i产品推荐结果。

根据本公开的实施例，上述产品属性信息包括以下至少一项：

产品收益属性信息、产品风险属性信息；

根据本公开的实施例，在上述产品属性信息包括产品收益属性信息和产品风险属性信息的情况下，上述根据上述待推荐产品集中的待推荐产品各自的产品属性信息，构建角色属性向量包括：

基于上述产品收益属性信息和上述产品风险属性信息，确定上述待推荐产品的目标产品属性信息；以及

基于上述待推荐产品集中上述待推荐产品各自的目标产品属性信息，构建上述角色属性向量。

根据本公开的实施例，上述产品推荐方法还包括：

获取包含有上述待推荐产品集和上述目标用户集的待处理报文；以及

向上述目标用户发送包含上述产品推荐信息的产品推荐报文。

根据本公开的实施例，上述产品推荐方法还包括：

获取上述目标用户的信息授权；

在得到上述目标用户的信息授权后，获取上述目标用户集，以及与上述目标用户集中的目标用户各自的用户资源属性信息和用户偏好属性信息。

本公开的第二个方面还提供了一种产品推荐装置，包括：

产品推荐模型确定模块，用于根据线性规划算法处理待推荐产品集和目标用户集，以及与上述目标用户集中的目标用户各自的用户资源属性信息和用户偏好属性信息，得到产品推荐模型；

求解操作执行模块，用于针对与上述产品推荐模型对应的目标函数执行求解操作，得到产品推荐结果，其中，上述约束条件基于上述用户偏好属性信息和上述用户资源属性信息确定，上述第一推荐结果表征推荐上述目标用户对上述待推荐产品的资源投入策略；以及

产品推荐信息生成模块，用于根据上述产品推荐结果，生成与上述目标用户对应的产品推荐信息。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法。

根据本公开提供的产品推荐方法、装置、设备、介质和程序产品，根据线性规划算法构建得到产品推荐模型，然后根据对产品推荐模型对应的目标函数进行求解操作，得到产品推荐结果，可以加快生成产品推荐信息的速率，减少计算开销，同时避免基于神经网络算法生成产品推荐信息产生的过拟合等技术问题，实现提升产品推荐信息的生成效率的技术效果。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的产品推荐方法、装置的应用场景图；

图2示意性示出了根据本公开实施例的产品推荐方法的流程图；

图3示意性示出了根据本公开实施例的根据线性规划算法处理待推荐产品集和目标用户集，以及与目标用户集中的目标用户各自的用户资源属性信息和用户偏好属性信息的流程图；

图4示意性示出了根据本公开实施例的产品推荐方法的应用场景图；

图5示意性示出了根据本公开实施例的产品推荐装置的结构框图；

图6示意性示出了根据本公开实施例的适于实现产品推荐方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

在本公开的技术方案中，所涉及的数据(如包括但不限于用户个人信息)的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

本公开的实施例提供了一种产品推荐方法、装置、设备、介质和程序产品。该产品推荐方法包括：根据线性规划算法处理待推荐产品集和目标用户集，以及与目标用户集中的目标用户各自的用户资源属性信息和用户偏好属性信息，得到产品推荐模型；针对与产品推荐模型对应的目标函数执行求解操作，得到产品推荐结果，其中，约束条件基于用户偏好属性信息和用户资源属性信息确定，第一推荐结果表征推荐目标用户对待推荐产品的资源投入策略；以及根据产品推荐结果，生成与目标用户对应的产品推荐信息。

根据本公开的实施例，相对于相关技术中通常采用复杂的神经网络算法来确定产品推荐结果，本公开实施例提供的产品推荐方法，通过根据线性规划算法构建得到产品推荐模型，然后根据对产品推荐模型对应的目标函数进行求解操作，得到产品推荐结果，可以加快生成产品推荐信息的速率，减少计算开销，同时避免基于神经网络算法生成产品推荐信息产生的过拟合等技术问题，实现提升产品推荐信息的生成效率的技术效果。

需要说明的是，本公开任意实施例中涉及的用户数据(包括但不限于用户资源属性、用户偏好属性信息)的获取，均经过相关用户的授权后进行的，且在用户数据处理过程中进行了加密处理，保障用户数据安全，符合相关法律法规规定。

图1示意性示出了根据本公开实施例的产品推荐方法、装置的应用场景图。

如图1所示，根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互，以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的产品推荐方法一般可以由服务器105执行。相应地，本公开实施例所提供的产品推荐装置一般可以设置于服务器105中。本公开实施例所提供的产品推荐方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的产品推荐装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

以下将基于图1描述的场景，通过图2～图4对公开实施例的产品推荐方法进行详细描述。

图2示意性示出了根据本公开实施例的产品推荐方法的流程图。

如图2所示，该实施例的产品推荐方法包括操作S210～操作S230。

在操作S210，根据线性规划算法处理待推荐产品集和目标用户集，以及与目标用户集中的目标用户各自的用户资源属性信息和用户偏好属性信息，得到产品推荐模型。

在操作S220，针对与产品推荐模型对应的目标函数执行求解操作，得到产品推荐结果，其中，约束条件基于用户偏好属性信息和用户资源属性信息确定，第一推荐结果表征推荐目标用户对待推荐产品的资源投入策略。

在操作S230，根据产品推荐结果，生成与目标用户对应的产品推荐信息。

根据本公开的实施例，待推荐产品集可以包括多个待推荐产品，待推荐产品可以包括实体产品、虚拟产品等任意类型的产品，例如可以是理财产品。待推荐产品可以具有价格等产品属性信息，相应地，在待推荐产品为理财产品的情况下，待推荐产品还可以具有持有时长、预期收益等产品属性信息。本公开的实施对待推荐产品的具体类型以及所具有的产品属性信息不做限定，本领域技术人员可以根据实际需求进行选择。

根据本公开的实施例，用户资源属性信息可以包括用户对于购买待推荐资源能够投入的资金、或贵金属等其他等价物等资源，用户偏好属性信息可以包括用户对于购买待推荐产品的数量、产品属性信息等方面的信息，例如可以包括购买待推荐产品的数量上限、购买同一个待推荐产品的资金上限等等，本领域技术人员可以根据实际需求进行选择。

根据本公开的实施例，资源投入策略可以是目标用户将各自的用户资源属性信息对应的资源，投入至(例如购买、投资等)待推荐产品集中的不同产品的策略。

根据本公开的实施例，产品推荐信息可以包括数据表、图表、图片、文本等任意类型的信息。通过生成与目标用户对应的产品推荐信息，可以对目标用户进行合理地资源投入策略建议，满足目标用户对于待推荐资源的选择需求。

根据本公开的实施例，相对于相关技术中通常采用复杂的神经网络算法来确定产品推荐结果，本公开实施例提供的产品推荐方法，通过根据线性规划算法构建得到产品推荐模型，然后根据对产品推荐模型对应的目标函数进行求解操作，得到产品推荐结果，可以加快生成产品推荐信息的速率，减少计算开销，同时避免基于神经网络算法生成产品推荐信息产生的过拟合等技术问题，实现提升产品推荐信息的生成效率的技术效果。

根据本公开的实施例，产品推荐方法还可以包括如下操作。

获取目标用户的信息授权；在得到目标用户的信息授权后，获取目标用户集，以及与目标用户集中的目标用户各自的用户资源属性信息和用户偏好属性信息。

需要说明的是，本公开实施例中涉及的用户数据(包括但不限于用户资源属性、用户偏好属性信息)的获取，均经过相关用户的授权后进行的，且在用户数据处理过程中进行了加密处理，保障用户数据安全，符合相关法律法规规定。

根据本公开的实施例，用户偏好属性信息包括产品数量分布限制信息和目标用户针对待推荐产品的产品偏好程度信息。

图3示意性示出了根据本公开实施例的根据线性规划算法处理待推荐产品集和目标用户集，以及与目标用户集中的目标用户各自的用户资源属性信息和用户偏好属性信息的流程图。

如图3所示，操作S210中，根据线性规划算法处理待推荐产品集和目标用户集，以及与目标用户集中的目标用户各自的用户资源属性信息和用户偏好属性信息可以包括操作S310～操作S370。

在操作S310，将待推荐产品和目标用户分别确定为角色元素和代理元素。

在操作S320，根据角色元素和代理元素，构建初始角色分配矩阵。

在操作S330，根据产品偏好程度信息构建资格评估矩阵。

在操作S340，根据产品数量分布限制信息构建产品数量限制向量。

在操作S350，根据待推荐产品集中的待推荐产品各自的产品属性信息，构建角色属性向量。

在操作S360，根据目标用户各自对应的用户资源属性信息，构建代理资源分配限制向量。

在操作S370，根据角色元素、代理元素、初始角色分配矩阵、资格评估矩阵、产品数量限制向量、角色属性向量、代理资源分配限制向量构建产品推荐模型。

根据本公开的实施例，可以基于E-CARGO模型来构建产品推荐模型，将待推荐产品集确定为由角色元素构建得到的角色向量，角色元素可以包括待推荐产品的待推荐产品标识。代理元素可以包括目标用户的目标用户标识。代理向量可以包括m个代理元素，角色向量可以包括n个角色元素。相应地，代理向量可以表示为A＝{a1，a2，…am}，角色向量可以表示为R＝{r1，r2，…m}，ai表示目标用户标识，ri表示待推荐产品标识。

根据本公开的实施例，产品数量分布限制信息可以表征目标用户各自对于选择不同的待推荐产品的数量的限制，例如目标用户a1最多选择多少个待推荐产品，或者还可以包括目标用户a1最少选择多少个待推荐产品。

在本公开的一个实施例中，可以将目标用户ai各自的产品数量分布限制信息构建为产品数量限制向量L_min。产品数量限制向量L_min可以是m维向量。在一个角色需要多个代理的场景中，产品数量限制向量L_min表征代理需要最少需要扮演多少个角色，即目标用户ai需要最少投入多少个待推荐产品。例如，L_min[a0]＝2表示目标用户a0最少投入2个待推荐产品。相应地，可以利用表1来表示目标用户各自的产品数量分布限制信息。

表1

根据本公开的实施例，代理资源分配限制向量中的元素可以是目标用户各自用于投入的资源上限，例如目标用户用于投入理财产品的资金。例如可以通过表2来表示目标用户各自对应的用户资源属性信息。

表2

相应地，代理资源分配限制向量可以表示为L_a＝[99，89，166，145，133，202，174]。

根据本公开的实施例，资格评估矩阵中的资格评估元素可以是目标ai对于待推荐产品ri的产品偏好程度，例如可以通过如下表3来表示目标用户ai对于待推荐产品ri的产品偏好程度。

表3

	r0	r1	r2	r3	r4	r5	r6	r7	r8	r9
											a0	0.56	0.84	0.43	0.20	0.84	0.50	0.45	0.32	0	0
al	0	0.2	0.46	0.55	0	0	0.6	0.75	0.34	0.7
											a2	0.3	0.9	0.34	0	1	0	0.6	0.53	0.78	0.65
a3	0.1	0.22	0.58	0.74	0	0	0.7	0.3	0.7	0.3
											a4	0.78	0.9	1	0.8	0.66	0.52	0.7	1	0.5	0
a5	0.2	0	0.3	0.67	0.25	0.75	0.47	0	0.9	0.4
											a6	0.65	0.5	0.3	0.5	0.8	0.7	0	1	1	0

相应地，参考表3，可以通过资格评估矩阵Q可以如下所示。

在资格评估矩阵Q中，Q[i，j]＝0代表产品偏好程度信息的最低值，Q[i，j]＝1代表产品偏好程度信息的最高值。Q[i，j]的值越大，表示目标用户对该待推荐产品越偏好。

根据本公开的实施例，产品属性信息包括以下至少一项：

产品收益属性信息、产品风险属性信息；

在一个本公开的一个实施例中，产品属性信息可以是产品收益属性信息，例如理财产品的预期收益率。可以通过表4来表示待推荐产品各自的预期收益率。

表4

在本公开的另一个实施例中，产品属性信息还可以是产品风险属性的量化值，例如将高风险属性的待推荐产品的产品风险属性信息确定为1，将中风险属性的待推荐产品的产品风险属性信息确定为2。参照上述相同或相似的方法可以得到相应地角色属性向量。

在本公开的另一个实施例中，还可以基于产品收益属性信息和产品风险属性信息来确定产品属性信息，例如基于产品收益属性信息和产品风险属性信息的乘积来确定产品属性信息，进而实现精准地表征待推荐产品的属性，为后续计算得到更精准的产品推荐结果。

根据本公开的实施例，在产品属性信息包括产品收益属性信息和产品风险属性信息的情况下，操作S350中，根据待推荐产品集中的待推荐产品各自的产品属性信息，构建角色属性向量可以包括如下操作。

基于产品收益属性信息和产品风险属性信息，确定待推荐产品的目标产品属性信息；以及基于待推荐产品集中待推荐产品各自的目标产品属性信息，构建角色属性向量。

根据本公开的实施例，参考表1至表4，角色属性向量可以表示为L_yr＝[4.3％，，5.7％，2.1％，3.0％，2.7％，6.1％，4.9％，5.3％，1.9％，2.4％]。

根据本公开的实施例，初始角色分配矩阵包括初始角色分配关系矩阵和初始角色分配资源矩阵。

初始角色分配关系矩阵中的第[i，j]角色分配关系元素，适用于表征待推荐产品集中的第j待推荐产品，与目标用户集中第i目标用户之间的分配关系。

初始角色分配资源矩阵中的第[i，j]角色分配资源元素，适用于表征第i目标用户分配至第j待推荐产品的分配资源信息。

根据本公开的实施例，初始角色分配资源矩阵可以表征为m×n维的矩阵，第[i，j]角色分配资源元素可以包括目标用户ai分配给待推荐产品ri的资源值。例如，初始角色分配资源矩阵可以表示为矩阵T，相应地针对目标用户ai，目标用户ai对应的用户资源属性信息L_a[i]可以通过公式(1)来进行相应地约束，以满足目标用户的资源投入限制需求。

公式(1)中，T[i，j]可以表示第[i，j]角色分配资源元素，目标用户ai对应的用户资源属性信息L_a[i]。例如可以通过公式(1)来限制目标用户ai投入至各个待推荐产品的总额与其能够投入的资金总额相同。

根据本公开的实施例，初始角色分配关系矩阵中的第[i，j]角色分配关系元素，例如可以表征待推荐产品rj是否分配至目标用户ai的分配关系。第[i，j]角色分配关系元素可以表示为

表示目标用户ai分配了待推荐产品rj，

表示待推荐产品rj没有被分配至目标用户ai。

根据本公开的实施例，通过上述初始角色分配关系矩阵和初始角色分配资源矩阵，可以将目标用户与待推荐产品之间的分配关系，作为代理与角色之间的指派关系，从而实现构建产品推荐模型来快速进行产品推荐。

根据本公开的实施例，目标函数基于初始角色分配矩阵构建得到。

操作220中，针对与产品推荐模型对应的目标函数执行求解操作，得到产品推荐结果可以包括如下操作。

根据约束条件对目标函数执行求解操作，得到与初始角色分配矩阵对应的目标分配矩阵，其中，约束条件基于代理资源分配限制向量、产品数量限制向量构建得到；以及基于目标分配矩阵中第i行的目标分配矩阵元素，确定针对目标用户集中第i目标用户的第i产品推荐结果。

根据本公开的实施例，在初始角色分配矩阵包括初始角色分配关系矩阵和初始角色分配资源矩阵的情况下，目标分配矩阵可以包括目标角色分配关系矩阵和目标角色分配资源矩阵。相应地，第i行的目标分配矩阵元素，也可以包括目标目标角色分配关系矩阵的第i行的目标角色分配关系元素，以及目标角色分配资源矩阵的第i行的目标角色分配资源元素。

根据本公开的实施例，目标函数可以通过如下公式(2)来表示。

公式(2)中，m表示目标用户集中目标用户的数量，n表示待推荐产品集中，待推荐产品的数量，

表示初始角色分配关系矩阵

中的第[i，j]角色分配关系元素，L_yr[j]表示角色属性向量中待推荐产品rj的产品属性信息，T[i，j]表示初始角色分配资源矩阵T中的第[i，j]角色分配资源元素，Q[i，j]表示资格评估矩阵Q中的第[i，j]资格评估元素，即表示目标用户ai对于待推荐产品rj的偏好程度值。

根据本公开的实施例，

可以作为目标用户对于投入待推荐产品的数量下限，即可以作为有代理产生的一阶集。相应地，约束条件可以通过下述公式(3)至公式(5)来表示。

T[i，j]∈{0，1}(0≤i＜m，0≤j＜n) (3)

通过上述公式(3)至公式(5)构建得到的约束条件，可以基于CPLEX等线性规划算法求解工具，对初始角色分配资源矩阵T和初始角色分配关系矩阵

进行求解，可以求解得到目标角色分配资源矩阵T’和目标角色分配关系矩阵

从而可以通过T’[i，j]和

生成针对目标用户ai的产品推荐结果

例如，T’[1，j]＝[10，0，5，0]，

可以表示针对目标用户a1的产品推荐结果为：待推荐产品集中对待推荐产品标识r0和r2对应的待推荐产品投入，投入金额可以分别为10万元和5万元。

相对于相关技术中采用神经网络算法等复杂程度较高的算法来确定产品推荐信息，本公开实施例提供的产品推荐方法可以采用基于角色协同理论来分析用户的偏好、用户的资源属性等重要信息，从而提升推荐结果准确性的同时，还可以简化推荐结果计算过程，节省计算开销，减少计算耗时，尤其适用于目标用户数量较大和/或待推荐产品数量较大的情况，提升了产品推荐的整体效率。

根据本公开的实施例，产品推荐方法还可以包括如下操作。

获取包含有待推荐产品集和目标用户集的待处理报文；以及向目标用户发送包含产品推荐信息的产品推荐报文。

根据本公开的实施例，可以基于任意类型的通信协议封装得到产品推荐报文，以及时地向目标用户提供产品推荐信息，满足用户的产品投入需求或产品消费需求。

图4示意性示出了根据本公开实施例的产品推荐方法的应用场景图。

如图4所示，该应用场景中可以包括目标用户集410和服务端420。目标用户集410可以包括目标用户411、412和413。相应地，目标用户411、412和413各自可以持有目标客户端来浏览产品信息，收发消息等。服务端420可以通过向目标用户集410中的目标用户411、412和413各自的目标用户端发送信息授权请求，并在信息请求中说明需要获取的信息内容、信息用途以及相关保密措施等授权内容。

目标用户411、412和413可以通过各自的目标客户端确认服务端420发送的授权内容，使服务端420可以获取授权，并向服务端420返回信息授权报文。服务端420在获取信息授权报文后，可以从目标用户411、412和413分别获取到目标用户各自的用户待处理报文。并在解析用户待处理报文后，可以得到目标用户411、412和413各自的用户资源属性信息和用户偏好属性信息。

根据本公开实施例提供的产品推荐方法，可以处理目标用户411、412和413、待推荐产品集，以及目标用户411、412和413各自的用户资源属性信息和用户偏好属性信息，得到目标用户411、412和413各自对应的产品推荐信息。将产品推荐信息进行封装后，可以向目标用户411、412和413分别发送各自对应的产品推荐报文，以便于目标用户411、412和413可以通过各自的目标客户端浏览产品推荐报文，实现便捷的获取服务，减少等待时长。

基于上述产品推荐方法，本公开还提供了一种产品推荐装置。以下将结合图5对该装置进行详细描述。

图5示意性示出了根据本公开实施例的产品推荐装置的结构框图。

如图5所示，该实施例的产品推荐装置500包括产品推荐模型确定模块510、求解操作执行模块520和产品推荐信息生成模块530。

产品推荐模型确定模块510用于根据线性规划算法处理待推荐产品集和目标用户集，以及与目标用户集中的目标用户各自的用户资源属性信息和用户偏好属性信息，得到产品推荐模型。

求解操作执行模块520用于针对与产品推荐模型对应的目标函数执行求解操作，得到产品推荐结果，其中，约束条件基于用户偏好属性信息和用户资源属性信息确定，第一推荐结果表征推荐目标用户对待推荐产品的资源投入策略。

产品推荐信息生成模块530用于根据产品推荐结果，生成与目标用户对应的产品推荐信息。

根据本公开的实施例，用户偏好属性信息包括产品数量分布限制信息和目标用户针对待推荐产品的产品偏好程度信息。

其中，产品推荐模型确定模块包括：元素确定单元、初始角色分配矩阵构建单元、资格评估矩阵构建单元、产品数量限制向量构建单元、角色属性向量构建单元、代理资源分配限制向量构建单元和产品推荐模型构建单元。

元素确定单元用于将待推荐产品和目标用户分别确定为角色元素和代理元素。

初始角色分配矩阵构建单元用于根据角色元素和代理元素，构建初始角色分配矩阵。

资格评估矩阵构建单元用于根据产品偏好程度信息构建资格评估矩阵。

产品数量限制向量构建单元用于根据产品数量分布限制信息构建产品数量限制向量。

角色属性向量构建单元用于根据待推荐产品集中的待推荐产品各自的产品属性信息，构建角色属性向量。

代理资源分配限制向量构建单元用于根据目标用户各自对应的用户资源属性信息，构建代理资源分配限制向量。

产品推荐模型构建单元用于根据角色元素、代理元素、初始角色分配矩阵、资格评估矩阵、产品数量限制向量、角色属性向量、代理资源分配限制向量构建产品推荐模型。

根据本公开的实施例，初始角色分配矩阵包括初始角色分配关系矩阵和初始角色分配资源矩阵；初始角色分配关系矩阵中的第[i，j]角色分配关系元素，适用于表征待推荐产品集中的第j待推荐产品，与目标用户集中第i目标用户之间的分配关系；初始角色分配资源矩阵中的第[i，j]角色分配资源元素，适用于表征第i目标用户分配至第j待推荐产品的分配资源信息。

根据本公开的实施例，目标函数基于初始角色分配矩阵构建得到。

求解操作执行模块包括：求解操作执行单元和产品推荐结果确定单元。

求解操作执行单元用于根据约束条件对目标函数执行求解操作，得到与初始角色分配矩阵对应的目标分配矩阵，其中，约束条件基于代理资源分配限制向量、产品数量限制向量构建得到。

产品推荐结果确定单元用于基于目标分配矩阵中第i行的目标分配矩阵元素，确定针对目标用户集中第i目标用户的第i产品推荐结果。

根据本公开的实施例，产品属性信息包括以下至少一项：

产品收益属性信息、产品风险属性信息；

根据本公开的实施例，在产品属性信息包括产品收益属性信息和产品风险属性信息的情况下，角色属性向量构建单元包括：

目标产品属性信息确定子单元用于基于产品收益属性信息和产品风险属性信息，确定待推荐产品的目标产品属性信息。

角色属性向量构建子单元。基于待推荐产品集中待推荐产品各自的目标产品属性信息，构建角色属性向量。

根据本公开的实施例，产品推荐方法还包括：报文获取模块和报文发送模块。

报文获取模块用于获取包含有待推荐产品集和目标用户集的待处理报文。

报文发送模块用于向目标用户发送包含产品推荐信息的产品推荐报文。

根据本公开的实施例，产品推荐方法还包括：授权获取模块和用户集获取模块。

授权获取模块用于获取目标用户的信息授权。

用户集获取模块用于在得到目标用户的信息授权后，获取目标用户集，以及与目标用户集中的目标用户各自的用户资源属性信息和用户偏好属性信息。

根据本公开的实施例，产品推荐模型确定模块510、求解操作执行模块520和产品推荐信息生成模块530中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，产品推荐模型确定模块510、求解操作执行模块520和产品推荐信息生成模块530中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，产品推荐模型确定模块510、求解操作执行模块520和产品推荐信息生成模块530中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图6示意性示出了根据本公开实施例的适于实现产品推荐方法的电子设备的方框图。

如图6所示，根据本公开实施例的电子设备600包括处理器601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 603中，存储有电子设备600操作所需的各种程序和数据。处理器601、ROM602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备600还可以包括输入/输出(I/O)接口605，输入/输出(I/O)接口605也连接至总线604。电子设备600还可以包括连接至I/O接口605的以下部件中的一项或多项：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。

在该计算机程序被处理器601执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分609被下载和安装，和/或从可拆卸介质611被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，上述模块、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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操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。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (12)

1.一种产品推荐方法，包括：

根据线性规划算法处理待推荐产品集和目标用户集，以及与所述目标用户集中的目标用户各自的用户资源属性信息和用户偏好属性信息，得到产品推荐模型；

针对与所述产品推荐模型对应的目标函数执行求解操作，得到产品推荐结果，其中，所述约束条件基于所述用户偏好属性信息和所述用户资源属性信息确定，所述第一推荐结果表征推荐所述目标用户对所述待推荐产品的资源投入策略；以及

根据所述产品推荐结果，生成与所述目标用户对应的产品推荐信息。

2.根据权利要求1所述的方法，其中，所述用户偏好属性信息包括产品数量分布限制信息和所述目标用户针对所述待推荐产品的产品偏好程度信息；

其中，根据线性规划算法处理待推荐产品集和目标用户集，以及与所述目标用户集中的目标用户各自的用户资源属性信息和用户偏好属性信息包括：

将所述待推荐产品和所述目标用户分别确定为角色元素和代理元素；

根据所述角色元素和所述代理元素，构建初始角色分配矩阵；

根据所述产品偏好程度信息构建资格评估矩阵；

根据所述产品数量分布限制信息构建产品数量限制向量；

根据所述待推荐产品集中的待推荐产品各自的产品属性信息，构建角色属性向量；

根据所述目标用户各自对应的用户资源属性信息，构建代理资源分配限制向量；以及

根据所述角色元素、所述代理元素、所述初始角色分配矩阵、所述资格评估矩阵、所述产品数量限制向量、所述角色属性向量、所述代理资源分配限制向量构建所述产品推荐模型。

3.根据权利要求2所述的方法，其中，所述初始角色分配矩阵包括初始角色分配关系矩阵和初始角色分配资源矩阵；

所述初始角色分配关系矩阵中的第[i，j]角色分配关系元素，适用于表征所述待推荐产品集中的第j待推荐产品，与所述目标用户集中第i目标用户之间的分配关系；

所述初始角色分配资源矩阵中的第[i，j]角色分配资源元素，适用于表征所述第i目标用户分配至所述第j待推荐产品的分配资源信息。

4.根据权利要求2所述的方法，其中，所述目标函数基于所述初始角色分配矩阵构建得到；

其中，针对与所述产品推荐模型对应的目标函数执行求解操作，得到产品推荐结果包括：

根据约束条件对所述目标函数执行求解操作，得到与所述初始角色分配矩阵对应的目标分配矩阵，其中，所述约束条件基于所述代理资源分配限制向量、所述产品数量限制向量构建得到；以及

基于所述目标分配矩阵中第i行的目标分配矩阵元素，确定针对所述目标用户集中第i目标用户的第i产品推荐结果。

5.根据权利要求2所述的方法，其中，所述产品属性信息包括以下至少一项：

产品收益属性信息、产品风险属性信息。

6.根据权利要求2所述的方法，其中，在所述产品属性信息包括产品收益属性信息和产品风险属性信息的情况下，所述根据所述待推荐产品集中的待推荐产品各自的产品属性信息，构建角色属性向量包括：

基于所述产品收益属性信息和所述产品风险属性信息，确定所述待推荐产品的目标产品属性信息；以及

基于所述待推荐产品集中所述待推荐产品各自的目标产品属性信息，构建所述角色属性向量。

7.根据权利要求1至6中任一项所述的方法，还包括：

获取包含有所述待推荐产品集和所述目标用户集的待处理报文；以及

向所述目标用户发送包含所述产品推荐信息的产品推荐报文。

8.根据权利要求1所述的方法，还包括：

获取所述目标用户的信息授权；

在得到所述目标用户的信息授权后，获取所述目标用户集，以及与所述目标用户集中的目标用户各自的用户资源属性信息和用户偏好属性信息。

9.一种产品推荐装置，包括：

产品推荐模型确定模块，用于根据线性规划算法处理待推荐产品集和目标用户集，以及与所述目标用户集中的目标用户各自的用户资源属性信息和用户偏好属性信息，得到产品推荐模型；

求解操作执行模块，用于针对与所述产品推荐模型对应的目标函数执行求解操作，得到产品推荐结果，其中，所述约束条件基于所述用户偏好属性信息和所述用户资源属性信息确定，所述第一推荐结果表征推荐所述目标用户对所述待推荐产品的资源投入策略；以及

产品推荐信息生成模块，用于根据所述产品推荐结果，生成与所述目标用户对应的产品推荐信息。

10.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，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执行根据权利要求1～8中任一项所述的方法。

11.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～8中任一项所述的方法。

12.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～8中任一项所述的方法。

Images