CN118886986A - 产品推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种产品推荐方法、装置、设备及存储介质，涉及信息处理技术领域，所述产品推荐方法包括：获取目标客群的产品推荐请求，其中，所述产品推荐请求包括客户画像；基于所述客户画像，确定所述目标客群对应的产品推荐清单；基于所述产品推荐请求以及所述产品推荐清单，配置产品推荐策略；基于所述产品推荐策略，对所述目标客群进行产品推荐。本申请通过生成与目标客群的客户画像对应的产品推荐策略，进而针对每个客户的实际需求和购买偏好提供个性化的产品推荐，从而提高产品推荐的准确性和成功率，进而有效提高产品的市场竞争力，并提升客户满意度。

Description

产品推荐方法、装置、设备及存储介质

技术领域

本申请涉及信息处理技术领域，尤其涉及一种产品推荐方法、装置、设备及存储介质。

背景技术

现有的产品推荐方案，大多通过收集客户在手机、网银等渠道的产品点击访问量，从而通过访问量来识别客户购买意图，进而做产品推荐。然而，该类方案虽然可以实现对客户进行产品推荐，但推荐策略仅通过分析客户访问行为，无法准确捕捉到客户的实际需求和购买意图，导致推荐的产品与客户的真实需求存在偏差，导致客户对推荐系统的信任度降低，并使客户错过真正适合他们的理财产品，同时也会导致理财产品的推广资源被浪费，长期以往导致客户流失，使理财产品丧失市场竞争力。

发明内容

本申请的主要目的在于提供一种产品推荐方法、装置、设备及存储介质，旨在提高产品推荐的准确性和成功率，进而有效提高产品的市场竞争力，并提升客户满意度。

为实现上述目的，本申请提出一种产品推荐方法，所述的方法包括：

获取目标客群的产品推荐请求，其中，所述产品推荐请求包括客户画像；

基于所述客户画像，确定所述目标客群对应的产品推荐清单；

基于所述产品推荐请求以及所述产品推荐清单，配置产品推荐策略；

基于所述产品推荐策略，对所述目标客群进行产品推荐。

在一实施例中，所述获取目标客群的产品推荐请求之前，还包括：

获取目标客户的历史交易记录以及近期访问信息；

将所述历史交易记录输入至客户画像生成模型，得到所述客户画像生成模型输出的第一画像标签；

基于所述近期访问信息，生成第二画像标签；

将所述第一画像标签与所述第二画像标签进行关联组合，生成所述目标客户对应的客户画像。

在一实施例中，所述将所述历史交易记录以及所述近期访问信息输入至客户画像生成模型，得到所述客户画像生成模型输出的客户画像之前，还包括：

获取若干个客户的历史交易记录；

对各所述历史交易记录进行数据筛选；

将筛选后的各历史交易记录输入至初始客户画像生成模型进行迭代训练，以得到所述客户画像生成模型。

在一实施例中，所述基于所述客户画像，确定所述目标客群对应的产品推荐清单，包括：

基于所述客户画像，得到所述目标客群对应的客群信息；

基于所述客群信息的产品推荐倾向，得到若干个目标产品；

将各所述目标产品进行关联组合，生成所述目标客群对应的产品推荐清单。

在一实施例中，所述基于所述产品推荐请求以及所述产品推荐清单，配置产品推荐策略，包括：

获取目标客群对应的推荐版面；

确定所述产品推荐清单中各目标产品对应的产品标签；

基于各所述产品标签与所述产品推荐请求中的客户画像，确定产品推荐排序；

基于所述推荐版面以及所述产品推荐排序，配置产品推荐策略。

在一实施例中，所述基于各所述产品标签与所述产品推荐请求中的客户画像，确定产品推荐排序，包括：

确定各所述产品标签与所述客户画像中的画像标签的相似度；

对各所述相似度进行倒序排序，得到相似度排序；

将所述相似度排序作为所述产品推荐排序。

在一实施例中，所述基于所述产品推荐清单，配置产品推荐策略之后，还包括：

获取所述产品推荐策略对应的产品推荐效果；

基于所述产品推荐效果，生成策略优化报告，以对所述产品推荐策略进行调整；

基于调整后的产品推荐策略，对所述目标客群进行产品推荐。

此外，为实现上述目的，本申请还提出一种产品推荐装置，所述产品推荐装置包括：

获取模块，用于获取目标客群的产品推荐请求，其中，所述产品推荐请求包括客户画像；

确定模块，用于基于所述客户画像，确定所述目标客群对应的产品推荐清单；

配置模块，用于基于所述产品推荐请求以及所述产品推荐清单，配置产品推荐策略；

推荐模块，用于基于所述产品推荐策略，对所述目标客群进行产品推荐。

此外，为实现上述目的，本申请还提出一种产品推荐设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的产品推荐方法的步骤。

此外，为实现上述目的，本申请还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质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如上文所述的产品推荐方法的步骤。

此外，为实现上述目的，本申请还提供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，所述计算机程序被处理器执行时实现如上文所述的产品推荐方法的步骤。

本申请提供了一种产品推荐方法、装置、设备及存储介质，所述产品推荐方法通过获取目标客群的产品推荐请求，其中，所述产品推荐请求包括客户画像，进而基于所述客户画像，确定所述目标客群对应的产品推荐清单，从而基于所述产品推荐请求以及所述产品推荐清单，配置产品推荐策略，进而基于所述产品推荐策略，对所述目标客群进行产品推荐，从而针对每个客户的实际需求和购买偏好提供个性化的产品推荐，从而提高产品推荐的准确性和成功率，进而有效提高产品的市场竞争力，并提升客户满意度。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请产品推荐方法实施例一提供的流程示意图；

图2为本申请产品推荐方法实施例二提供的流程示意图；

图3为本申请产品推荐方法实施例三提供的流程示意图；

图4为本申请一实施例中策略优化报告生成的流程示例图；

图5为本申请实施例产品推荐装置的模块结构示意图；

图6为本申请实施例中产品推荐方法涉及的硬件运行环境的设备结构示意图。

本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请的技术方案，并不用于限定本申请。

为了更好的理解本申请的技术方案，下面将结合说明书附图以及具体的实施方式进行详细的说明。

需要说明的是，本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备，例如平板电脑、个人电脑、手机等，或者是一种能够实现上述功能的电子设备、大数据服务平台、产品推荐系统等。以下以产品推荐系统为例，对本实施例及下述各实施例进行说明。

基于此，本申请实施例提供了一种产品推荐方法，参照图1，图1为本申请产品推荐方法实施例一提供的流程示意图。

本实施例中，所述产品推荐方法包括步骤S11～S14：

步骤S11，获取目标客群的产品推荐请求，其中，所述产品推荐请求包括客户画像；

需要说明的是，所述目标客群是指根据不同的客户画像标签将各目标客户进行关联组合而形成的客户群体，如“低风险偏好”的客群等，在此不做限制。另外地，所述产品推荐请求是指对目标客群进行产品推荐时触发的请求，包括客户信息(如客户名称、客户ID等)、客户画像以及请求时间等，在此不做限制。

进一步需要说明的是，所述客户画像是指是一种用于市场营销和客户管理的工具，通过收集和分析客户的各种数据来形成对客户的全面描述和分析，用于了解客户的个人特征、需求、行为习惯和偏好等信息，从而更好地服务客户并制定相应的营销策略。所述客户画像通常由客户基本信息(如名称、业务使用时间、客户背景等)、历史购买记录以及画像标签等生成，以实现个性化定制和精准推荐，提高客户的满意度和忠诚度。另外地，根据企业的业务需求，所述客户画像还可由客户的生活方式、社会关系、健康状况等信息生成，在此不做限制。

具体地，获取目标客群的产品推荐请求，例如，可通过所述目标客群中的客户打开业务APP时触发生成产品推荐请求的方式进行获取，或通过目标客群中的客户刷新产品推荐的相关版块时触发生成产品推荐请求的方式进行获取，也可通过系统自行触发生成所述目标客群对应的产品推荐请求，以提前配置产品推荐策略，提高产品推荐效率，在此对获取方式不做限制，可根据实际情况进行设置。

步骤S12，基于所述客户画像，确定所述目标客群对应的产品推荐清单；

需要说明的是，所述产品推荐清单是指多个与客户画像匹配的目标产品的组合清单，包括目标产品的产品名称、产品标签以及产品详情介绍等。

具体地，基于所述客户画像，得到所述目标客群对应的客群信息，进而基于所述客群信息的产品推荐倾向，得到若干个目标产品，从而将各所述目标产品进行关联组合，生成所述目标客群对应的产品推荐清单。

步骤S13，基于所述产品推荐请求以及所述产品推荐清单，配置产品推荐策略；

需要说明的是，所述产品推荐策略是指对目标客群进行产品推荐时采用的推荐策略，包括产品推荐清单、推荐方式、推荐版面以及客群信息等。

具体地，获取目标客群对应的推荐版面，进而确定所述产品推荐清单中各目标产品对应的产品标签，从而基于各所述产品标签与所述产品推荐请求中的客户画像，确定产品推荐排序，进而基于所述推荐版面以及所述产品推荐排序，配置产品推荐策略。

步骤S14，基于所述产品推荐策略，对所述目标客群进行产品推荐。

具体地，根据所述产品推荐策略，对所述目标客群进行产品推荐，例如，若所述产品推荐策略为“将产品推荐清单为产品A、产品B以及产品C按照当前产品排序在‘首页’、‘财富专区版块’以及‘交易中心版块’进行推送”，则根据所述产品推荐策略，在所述目标客群的推送渠道中进行产品展示，其中，所述推送渠道包括APP、小程序以及网页等，在此不做限制，可根据实际情况进行设置。

本实施例通过获取目标客群的产品推荐请求，其中，所述产品推荐请求包括客户画像，进而基于所述客户画像，确定所述目标客群对应的产品推荐清单，从而基于所述产品推荐请求以及所述产品推荐清单，配置产品推荐策略，进而基于所述产品推荐策略，对所述目标客群进行产品推荐，从而针对每个客户的实际需求和购买偏好提供个性化的产品推荐，从而提高产品推荐的准确性和成功率，进而有效提高产品的市场竞争力，并提升客户满意度。

基于此，本申请实施例提供了一种产品推荐方法，参照图2，图2为本申请产品推荐方法实施例二提供的流程示意图。

在一种可行的实施方式中，所述获取目标客群的产品推荐请求之前，还包括：

步骤S21，获取目标客户的历史交易记录以及近期访问信息；

需要说明的是，所述目标客户是指目标客群中的客户。所述历史交易记录是指目标客户与商户之间进行的历史业务交易记录，包括交易业务信息(如业务类型等)、交易金额、交易时间、交易频率、交易方式(如在线支付、现金支付等)以及交易等，有助于商户根据客户的消费行为和偏好建立准确的客户画像。

进一步需要说明的是，所述近期访问信息则是指目标客户在近期内与产品以及业务的互动行为记录，例如，客户访问商户网站或应用的日期、时间、浏览的页面、停留时间、搜索历史、点击行为等。

具体地，可通过在数据仓库或数据库对所述目标客户的各种业务数据进行整理分析获取，也可通过因目标客户在系统进行操作而生成的日志信息进行分析获取，在此不做限制。

步骤S22，将所述历史交易记录输入至客户画像生成模型，得到所述客户画像生成模型输出的第一画像标签；

需要说明的是，所述客户画像生成模型用于生成与目标客户对应的画像标签。所述第一画像标签是指根据历史交易记录生成的客户画像标签，如“十五天内存在产品到期的客户”、“理财和存款流失客户”等，以表征目标客户当前所呈现的业务状态，实现客户标签的精准识别。

步骤S23，基于所述近期访问信息，生成第二画像标签；

需要说明的是，所述第二画像标签是指根据近期访问信息生成的客户画像标签，例如，“近一个月访问财富管理专区的次数”等。

具体地，可通过对预设时间内目标客户产生的近期访问信息进行统计分析，生成第二画像标签，例如，目标客户在最近三天中搜索了“风险低的理财产品”，则可将“风险低的理财产品”作为所述目标客户的第二画像标签。其中，所述预设时间可为最近三天、最近一周等，可根据实际情况进行设置，在此不做限制。

步骤S24，将所述第一画像标签与所述第二画像标签进行关联组合，生成所述目标客户对应的客户画像。

需要说明的是，所述客户画像随着目标客户的历史交易记录以及近期访问信息的改变而改变，系统可对客户画像进行更新，从而保障客户画像的时效性，此外，通过在客户离线时进行客户画像更新，防止业务中断等情况发生，影响正常业务进行。

具体地，将所述第一画像标签与所述第二画像标签进行关联组合，生成所述目标客户对应的客户画像，其中，为了提高客户画像生成的准确率和精确率，可以通过语义分析技术对所述第一画像标签与所述第二画像标签进行标签扩展，得到与所述第一画像标签与所述第二画像标签语义相近的标签用词，从而防止因为客户画像生成范围的缩小而导致有适合客户的产品未进行相关推荐等。

本实施例通过获取目标客户的历史交易记录以及近期访问信息，进而将所述历史交易记录输入至客户画像生成模型，得到所述客户画像生成模型输出的第一画像标签，从而基于所述近期访问信息，生成第二画像标签，进而将所述第一画像标签与所述第二画像标签进行关联组合，生成所述目标客户对应的客户画像，从而通过分析客户的消费习惯、偏好和行为模式，构建更为完整、准确、专业的客户画像，进而提供更加个性化和精准的产品推荐和服务，并有效提高产品的销售成功率和客户忠诚度。

在一种可行的实施方式中，所述将所述历史交易记录以及所述近期访问信息输入至客户画像生成模型，得到所述客户画像生成模型输出的客户画像之前，还包括：

步骤S31，获取若干个客户的历史交易记录；

具体地，通过商户的业务数据库进行获取，在此不做限制，可根据实际情况进行设置。

步骤S32，对各所述历史交易记录进行数据筛选；

需要说明的是，在一实施例中，对于银行来说，若直接分析客户的历史交易记录，就会发现存在部分客户将资金转账到他行时，会填入类似“认购理财产品”、“认购基金产品”的转账摘要，此类客户存在明显的他行理财意图，可被标识“转账他行购买财富类产品”的客户画像标签。而在识别这类客户时，如果仅用关键字“认购”、“理财”、“基金”对转账摘要进行简单的客户画像标签认定，容易产生大量的无效标签，比如“认购楼房”、“教育基金”、“住房维修基金”、“理财利息返还”等，这类无效标签会干扰“转账他行购买财富类产品”这类客户的产品推荐准确率，影响客户经理营销，因此需要对此类无效标签进行筛选，以提高客户画像生成的准确率和精确度。

具体地，可通过语义分析技术对各所述历史交易记录进行数据筛选，也可通过设置预设筛选规则对各所述历史交易记录进行数据筛选，在此不做限制，可根据实际情况进行设置。

步骤S33，将筛选后的各历史交易记录输入至初始客户画像生成模型进行迭代训练，以得到所述客户画像生成模型。

需要说明的是，所述客户画像生成模型用于生成客户的画像标签，可为深度学习模型、机器学习模型以及自然语言处理(NLP)模型等，在此不做限制。

进一步需要说明的是，为了进一步减少无效标签的出现，在一实施例中，所述客户画像生成模型可为BERT(Bidirectional Encoder Representations from Transformers)模型，通过在大规模文本数据上的预训练来捕捉语言的深层双向表征，从而实现文本数据的特征提取和意图分析，然后再针对不同的自然语言处理任务进行微调，可过滤大量无效标签，如“认购楼房”、“教育基金”等对于“转账他行购买财富类产品”这类客户来说为无效的标签，极大地提升了业务场景识别的准确率。

具体地，对筛选后的各历史交易记录进行数据预处理，如数据清洗、归一化、章节划分等，进而将筛选后的各历史交易记录以及所述历史交易记录对应的样本标签输入至所述初始客户画像生成模型，得到所述初始章客户画像生成模型输出的预测值，进而基于所述预测值和所述样本标签，利用损失函数计算得到模型损失值，在本实施例中，损失函数可以根据实际需求进行设置，此处不做具体限定。在计算获得模型损失值之后，本次训练过程结束，再利用误差反向传播算法更新初始客户画像生成模型中的模型参数，之后再进行下一次训练。在训练的过程中，判断更新后的初始客户画像生成模型是否满足预设训练结束条件，若满足，则将更新后的初始客户画像生成模型作为客户画像生成模型，若不满足，则继续训练模型，其中，所述预设训练结束条件包括损失收敛和达到最大迭代次数阈值等。可根据实际情况进行设置，在此不做限制，从而提高客户的非结构化数据识别效率。

本实施例通过获取若干个客户的历史交易记录，进而对各所述历史交易记录进行数据筛选，从而将筛选后的各历史交易记录输入至初始客户画像生成模型进行迭代训练，以得到所述客户画像生成模型，进而形成更精准的客户画像，增加产品推荐成功率，并减少业务人员手工识别的成本。

基于此，本申请实施例提供了一种产品推荐方法，参照图3，图3为本申请产品推荐方法实施例三提供的流程示意图。

在一种可行的实施方式中，所述基于所述客户画像，确定所述目标客群对应的产品推荐清单，包括：

步骤S41，基于所述客户画像，得到所述目标客群对应的客群信息；

需要说明的是，所述客群信息是指目标客群的客群相关信息，包括客群标签、客户信息以及产品推荐倾向等。

具体地，基于所述客户画像，得到所述目标客群对应的客群信息，例如，将所述客户画像中的画像标签作为目标客群的客群标签，并根据该客群标签确定产品推荐倾向，例如，当客群标签为“三天内浏览低风险产品的时间占比为60％”，则产品推荐倾向为“低风险产品”，在此不做限制，可根据实际情况进行设置。

另外地，因为每个客户的客户画像会进行刷新，所以所述目标客群中所包含的客户也会刷新，每个客户所在的客群也会不同，从而实现千人千面的推荐方式。

步骤S42，基于所述客群信息的产品推荐倾向，得到若干个目标产品；

需要说明的是，所述产品推荐倾向是指目标客群所偏好的产品，如产品风险等级小于R2的产品、产品七日年化大于2％的产品等。另外地，所述目标产品是指符合目标客群需求的产品，包括产品名称、产品介绍以及产品标签等。

具体地，根据所述客群信息的产品推荐倾向，得到若干个目标产品，例如，将所述产品推荐倾向与预设产品数据库进行匹配，得到若干个目标产品，又如，将所述产品推荐倾向推送至专业人员，如银行的产品经理和客户经理，以供所述专业人员进行产品筛选，得到若干个目标产品，从而通过结合专业人员对客户、产品、市场的分析和经验，实现线上、线下两个推荐渠道的推荐逻辑统一化和专业化，提高客户的信任度。

步骤S43，将各所述目标产品进行关联组合，生成所述目标客群对应的产品推荐清单。

具体地，将各所述目标产品的产品信息进行关联组合，生成所述目标客群对应的产品推荐清单。

本实施例通过基于所述客户画像，得到所述目标客群对应的客群信息，进而基于所述客群信息的产品推荐倾向，得到若干个目标产品，从而将各所述目标产品进行关联组合，生成所述目标客群对应的产品推荐清单，进而提高个性化推荐的准确率，增加产品销售转化率以及市场竞争力，从而提高客户满意度和忠诚度。

在一种可行的实施方式中，所述基于所述产品推荐请求以及所述产品推荐清单，配置产品推荐策略，包括：

步骤S51，获取目标客群对应的推荐版面；

需要说明的是，所述推荐版面是指根据目标客户的使用兴趣和需求，为目标客户推荐的内容板块或页面，如某银行APP中的理财专区等，在此不做限制。

具体地，可通过目标客群中各目标客户的点击及浏览行为来获取目标客群对应的推荐版面，例如，当一客户在APP首页浏览产品信息的时长占APP使用总时长的40％以上时，将所述APP首页作为推荐版面，在此对获取方式不做限制，可根据实际情况进行设置。

步骤S52，确定所述产品推荐清单中各目标产品对应的产品标签；

需要说明的是，所述产品标签是指用于识别和分类产品的信息标签，如高风险高收益产品等，以快速识别不同产品之间的区别以及对应的优缺点。

具体地，可通过查询目标产品的数据信息来确定所述产品推荐清单中各目标产品对应的产品标签，在此不做限制。

步骤S53，基于各所述产品标签与所述产品推荐请求中的客户画像，确定产品推荐排序；

需要说明的是，所述产品推荐排序用于对推荐给用户的产品列表进行排序，以突出最可能满足客户需求或最相关的产品，从而提高用户体验和推荐效果。

具体地，确定各所述产品标签与所述客户画像中的画像标签的相似度，进而对各所述相似度进行倒序排序，得到相似度排序，从而将所述相似度排序作为所述产品推荐排序。

步骤S54，基于所述推荐版面以及所述产品推荐排序，配置产品推荐策略。

具体地，所述产品推荐策略可为：根据所述产品推荐排序，将各目标产品的产品信息进行排序，生成产品推荐页面，进而将所述产品推荐页面显示至所述推荐版面，其中，还可以通过添加显示样式等方式吸引客户查看，例如，对推荐阈值高的目标产品进行独立展示等，以供所述目标客户查看并购买，在此对配置方式不做限制，可根据实际情况进行设置。

本实施例通过获取目标客群对应的推荐版面，进而确定所述产品推荐清单中各目标产品对应的产品标签，从而基于各所述产品标签与所述产品推荐请求中的客户画像，确定产品推荐排序，进而基于所述推荐版面以及所述产品推荐排序，配置产品推荐策略，从而有效识别并定位客户的需求，提供更加个性化的产品推荐，提高产品推荐的准确性和成功率，进而有效提高产品的市场竞争力，并提升客户满意度。

在一种可行的实施方式中，所述基于各所述产品标签与所述产品推荐请求中的客户画像，确定产品推荐排序，包括：

步骤S61，确定各所述产品标签与所述客户画像中的画像标签的相似度；

需要说明的是，所述相似度用于表征产品标签与画像标签之间的相似情况。

具体地，所述相似度可以通过不同的算法和指标来计算，例如，将各所述产品标签与所述客户画像中的画像标签进行向量化，进而通过余弦相似度、欧氏距离等算法来计算向量化后各所述产品标签与所述客户画像中的画像标签的相似度。

另外地，还可通过语义分析大模型对各所述产品标签与所述客户画像中的画像标签进行标签理解，以准确识别标签含义，减少歧义出现，确保标签的解释是准确的，进而分析标签的语义内容以及情感倾向，评估不同标签之间的相似度，在此对相似度的确定方式不做限制，可根据实际情况进行设置。

步骤S62，对各所述相似度进行倒序排序，得到相似度排序；

需要说明的是，所述相似度排序是指产品标签与画像标签之间相似情况由高到低的排序情况。

具体地，对各所述相似度进行倒序排序，即，从相似度高到相似度低的排序方式，从而得到相似度排序。

步骤S63，将所述相似度排序作为所述产品推荐排序。

本实施例通过确定各所述产品标签与所述客户画像中的画像标签的相似度，进而对各所述相似度进行倒序排序，得到相似度排序，从而将所述相似度排序作为所述产品推荐排序，进而确保推荐系统向用户展示他们最有可能感兴趣的产品，从而提升用户体验和购买可能性提供个性化的产品推荐。

在一种可行的实施方式中，所述基于所述产品推荐清单，配置产品推荐策略之后，还包括：

步骤S71，获取所述产品推荐策略对应的产品推荐效果；

需要说明的是，所述产品推荐效果是指向目标客户推荐产品或服务后在一定时间内所达到的推荐效果，如推荐产品后客户的点击次数、购买次数、购买金额、推荐转化率等。

具体地，对所述目标客户的交易操作等进行埋点(Event Tracking，指针对特定客户行为或事件进行捕获、处理和发送的相关技术及其实施过程)，以分析识别出所述产品推荐策略对应的目标产品的点击次数、购买次数、购买金额等，从而获取所述产品推荐策略对应的产品推荐效果。

另外地，可以通过对系统中的客户操作记录进行统计分析，获取所述产品推荐策略对应的产品推荐效果，在此对获取方式不做限制，可根据实际情况进行设置。

步骤S72，基于所述产品推荐效果，生成策略优化报告，以对所述产品推荐策略进行调整；

需要说明的是，所述策略优化报告是指针对产品推荐策略进行优化时所生成的详细报告，包括推荐策略信息、策略性能指标(如准确率、召回率、F1分数等)、客户行为分析(如点击率、购买率、满意度等)、推荐结果分析(如推荐产品的选择、排序和组合等)以及在推荐过程中遇到的问题和优化建议等，可参照图4，图4为本申请一实施例中策略优化报告生成的流程示例图。

具体地，根据所述产品推荐效果，生成策略优化报告，其中，可通过分析工具对所述产品推荐效果进行分析，生成策略优化报告，或者将所述产品推荐效果以及所述产品推荐策略输入至推荐策略优化模型中进行分析，得到所述推荐策略优化模型输出的策略优化报告，其中，所述推荐策略优化模型是基于历史产品推荐策略以及所述历史产品推荐策略对应的产品推荐效果进行迭代生成的。进一步地，根据所述策略优化报告，对所述产品推荐策略进行调整。

另外地，若所述产品推荐效果的效果评级为效果佳，将所述产品推荐效果与效果佳的目标产品进行关联推荐，以增加产品效果的可信度，提高产品购买率。此外，若所述产品推荐效果的效果评级为效果差，将所述产品推荐效果与效果差的目标产品进行关联推送至专业人员，以供专业人员进行产品分析，从而减少对无效产品的推荐，减少资源和成本的浪费。

步骤S73，基于调整后的产品推荐策略，对所述目标客群进行产品推荐。

具体地，按照调整后的产品推荐策略，对所述目标客群进行产品推荐，并持续对该产品推荐策略进行效果评估以及策略优化，从而形成推荐服务闭环，不断提升对客推荐策略的推荐效果。

本实施例通过获取所述产品推荐策略对应的产品推荐效果，进而基于所述产品推荐效果，生成策略优化报告，以对所述产品推荐策略进行调整，从而基于调整后的产品推荐策略，对所述目标客群进行产品推荐，进而实现数据驱动决策，以更好地适应市场变化和客户行为的变化，增强市场适应性，并优化产品管理，从而增加产品的市场竞争力以及客户对推荐产品的满意度。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

本申请还提供一种产品推荐装置，请参照图5，所述产品推荐装置包括：

获取模块51，用于获取目标客群的产品推荐请求，其中，所述产品推荐请求包括客户画像；

确定模块52，用于基于所述客户画像，确定所述目标客群对应的产品推荐清单；

配置模块53，用于基于所述产品推荐请求以及所述产品推荐清单，配置产品推荐策略；

推荐模块54，用于基于所述产品推荐策略，对所述目标客群进行产品推荐。

产品推荐装置还用于：

获取目标客户的历史交易记录以及近期访问信息；

将所述历史交易记录输入至客户画像生成模型，得到所述客户画像生成模型输出的第一画像标签；

基于所述近期访问信息，生成第二画像标签；

将所述第一画像标签与所述第二画像标签进行关联组合，生成所述目标客户对应的客户画像。

产品推荐装置还用于：

获取若干个客户的历史交易记录；

对各所述历史交易记录进行数据筛选；

将筛选后的各历史交易记录输入至初始客户画像生成模型进行迭代训练，以得到所述客户画像生成模型。

产品推荐装置还用于：

基于所述客户画像，得到所述目标客群对应的客群信息；

基于所述客群信息的产品推荐倾向，得到若干个目标产品；

将各所述目标产品进行关联组合，生成所述目标客群对应的产品推荐清单。

产品推荐装置还用于：

获取目标客群对应的推荐版面；

确定所述产品推荐清单中各目标产品对应的产品标签；

基于各所述产品标签与所述产品推荐请求中的客户画像，确定产品推荐排序；

基于所述推荐版面以及所述产品推荐排序，配置产品推荐策略。

产品推荐装置还用于：

确定各所述产品标签与所述客户画像中的画像标签的相似度；

对各所述相似度进行倒序排序，得到相似度排序；

将所述相似度排序作为所述产品推荐排序。

产品推荐装置还用于：

获取所述产品推荐策略对应的产品推荐效果；

基于所述产品推荐效果，生成策略优化报告，以对所述产品推荐策略进行调整；

基于调整后的产品推荐策略，对所述目标客群进行产品推荐。

本申请提供的产品推荐装置，采用上述实施例中的产品推荐方法，能够解决如背景技术中的技术问题。与现有技术相比，本申请提供的产品推荐装置的有益效果与上述实施例提供的产品推荐方法的有益效果相同，且所述产品推荐装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。

本申请提供一种产品推荐设备，产品推荐设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的产品推荐方法。

下面参考图6，其示出了适于用来实现本申请实施例的产品推荐设备的结构示意图。本申请实施例中的产品推荐设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(Personal Digital Assistant：个人数字助理)、PAD(PortableApplication Description：平板电脑)、PMP(Portable Media Player：便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的产品推荐设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，产品推荐设备可以包括处理装置1001(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(ROM：Read Only Memory)1002中的程序或者从存储装置1003加载到随机访问存储器(RAM：Random Access Memory)1004中的程序而执行各种适当的动作和处理。在RAM1004中，还存储有产品推荐设备操作所需的各种程序和数据。处理装置1001、ROM1002以及RAM1004通过总线1005彼此相连。输入/输出(I/O)接口1006也连接至总线。通常，以下系统可以连接至I/O接口1006：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置1007；包括例如液晶显示器(LCD：LiquidCrystal Display)、扬声器、振动器等的输出装置1008；包括例如磁带、硬盘等的存储装置1003；以及通信装置1009。通信装置1009可以允许产品推荐设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的产品推荐设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。

特别地，根据本申请公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，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。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置1003被安装，或者从ROM1002被安装。在该计算机程序被处理装置1001执行时，执行本申请公开实施例的方法中限定的上述功能。

本申请提供的产品推荐设备，采用上述实施例中的产品推荐方法，能解决如背景技术中的技术问题。与现有技术相比，本申请提供的产品推荐设备的有益效果与上述实施例提供的产品推荐方法的有益效果相同，且该产品推荐设备中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。

应当理解，本申请公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

本申请提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令(即计算机程序)，计算机可读程序指令用于执行上述实施例中的产品推荐方法。

本申请提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体地例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM：Random Access Memory)、只读存储器(ROM：Read Only Memory)、可擦式可编程只读存储器(EPROM：Erasable Programmable Read Only Memory或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM：CD-Read Only Memory)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，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、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(Radio Frequency：射频)等等，或者上述的任意合适的组合。

上述计算机可读存储介质可以是产品推荐设备中所包含的；也可以是单独存在，而未装配入产品推荐设备中。

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产品推荐设备执行时，使得产品推荐设备：

获取目标客群的产品推荐请求，其中，所述产品推荐请求包括客户画像；

基于所述客户画像，确定所述目标客群对应的产品推荐清单；

基于所述产品推荐请求以及所述产品推荐清单，配置产品推荐策略；

基于所述产品推荐策略，对所述目标客群进行产品推荐。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在客户计算机上执行、部分地在客户计算机上执行、作为一个独立的软件包执行、部分在客户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN：Local Area Network)或广域网(WAN：Wide Area Network)—连接到客户计算机，或者，可以连接到外部计算机(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，图示了按照本申请各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。

本申请提供的可读存储介质为计算机可读存储介质，所述计算机可读存储介质存储有用于执行上述产品推荐方法的计算机可读程序指令(即计算机程序)，能够解决如背景技术中的技术问题。与现有技术相比，本申请提供的计算机可读存储介质的有益效果与上述实施例提供的产品推荐方法的有益效果相同，在此不做赘述。

本申请实施例提供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如上述的产品推荐方法的步骤。

本申请提供的计算机程序产品能够解决如背景技术中的技术问题。与现有技术相比，本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的产品推荐方法的有益效果相同，在此不做赘述。

以上所述仅为本申请的部分实施例，并非因此限制本申请的专利范围，凡是在本申请的技术构思下，利用本申请说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本申请的专利保护范围内。

Claims (10)

1.一种产品推荐方法，其特征在于，包括：

获取目标客群的产品推荐请求，其中，所述产品推荐请求包括客户画像；

基于所述客户画像，确定所述目标客群对应的产品推荐清单；

基于所述产品推荐请求以及所述产品推荐清单，配置产品推荐策略；

基于所述产品推荐策略，对所述目标客群进行产品推荐。

2.如权利要求1所述的产品推荐方法，其特征在于，所述获取目标客群的产品推荐请求之前，还包括：

获取目标客群中各客户的历史交易记录以及近期访问信息；

将所述历史交易记录输入至客户画像生成模型，得到所述客户画像生成模型输出的第一画像标签；

基于所述近期访问信息，生成第二画像标签；

将所述第一画像标签与所述第二画像标签进行关联组合，生成各所述客户对应的客户画像。

3.如权利要求2所述的产品推荐方法，其特征在于，所述将所述历史交易记录以及所述近期访问信息输入至客户画像生成模型，得到所述客户画像生成模型输出的客户画像之前，还包括：

获取若干个客户的历史交易记录；

对各所述历史交易记录进行数据筛选；

将筛选后的各历史交易记录输入至初始客户画像生成模型进行迭代训练，以得到所述客户画像生成模型。

4.如权利要求1所述的产品推荐方法，其特征在于，所述基于所述客户画像，确定所述目标客群对应的产品推荐清单，包括：

基于所述客户画像，得到所述目标客群对应的客群信息；

基于所述客群信息的产品推荐倾向，得到若干个目标产品；

将各所述目标产品进行关联组合，生成所述目标客群对应的产品推荐清单。

5.如权利要求1所述的产品推荐方法，其特征在于，所述基于所述产品推荐请求以及所述产品推荐清单，配置产品推荐策略，包括：

获取目标客群对应的推荐版面；

确定所述产品推荐清单中各目标产品对应的产品标签；

基于各所述产品标签与所述产品推荐请求中的客户画像，确定产品推荐排序；

基于所述推荐版面以及所述产品推荐排序，配置产品推荐策略。

6.如权利要求5所述的产品推荐方法，其特征在于，所述基于各所述产品标签与所述产品推荐请求中的客户画像，确定产品推荐排序，包括：

确定各所述产品标签与所述客户画像中的画像标签的相似度；

对各所述相似度进行倒序排序，得到相似度排序；

将所述相似度排序作为所述产品推荐排序。

7.如权利要求1所述的产品推荐方法，其特征在于，所述基于所述产品推荐清单，配置产品推荐策略之后，还包括：

获取所述产品推荐策略对应的产品推荐效果；

基于所述产品推荐效果，生成策略优化报告，以对所述产品推荐策略进行调整；

基于调整后的产品推荐策略，对所述目标客群进行产品推荐。

8.一种产品推荐装置，其特征在于，包括：

获取模块，用于获取目标客群的产品推荐请求，其中，所述产品推荐请求包括客户画像；

确定模块，用于基于所述客户画像，确定所述目标客群对应的产品推荐清单；

配置模块，用于基于所述产品推荐请求以及所述产品推荐清单，配置产品推荐策略；

推荐模块，用于基于所述产品推荐策略，对所述目标客群进行产品推荐。

9.一种产品推荐设备，其特征在于，所述产品推荐设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如权利要求1至7中任一项所述的产品推荐方法的步骤。

10.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质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如权利要求1至7中任一项所述的产品推荐方法的步骤。