服务推荐方法、装置、计算机设备、存储介质和程序产品制造方法及图纸

本申请涉及一种服务推荐方法、装置、计算机设备、存储介质和程序产品。方法包括：获取用户在电商平台上的历史行为数据集；根据预设筛选算法对历史行为数据集进行筛选，生成目标历史行为数据集；将目标历史行为数据集输入至预设卷积神经网络模型中进行服务推荐，生成待推荐服务，并将待推荐服务发送至用户；预设卷积神经网络模型为基于预设粒子群算法进行训练所得到的模型。本申请通过预设筛选算法对历史行为数据集进行筛选，不仅可以节省大量时间，提高效率，且为预设卷积神经网络模型提供准确的训练数据。基于改进后的粒子群算法对卷积神经网络模型进行优化，提高了预设卷积神经网络模型的准确性，从而提高了服务推荐方法的准确性。性。性。

【技术实现步骤摘要】
服务推荐方法、装置、计算机设备、存储介质和程序产品


[0001]本申请涉及数据分析
，特别是涉及一种服务推荐方法、装置、计算机设备、存储介质和程序产品。

技术介绍

[0002]各个金融机构的电商平台都需要针对不同的用户进行不同的服务推荐。针对不同的用户进行不同的服务推荐，可以提高用户对服务的满意程度。因此，在金融机构的电商平台中，针对不同的用户准确地进行服务推荐，就显得至关重要。
[0003]当前进行用户金融服务推荐的主要方法包括基于统计分析的服务推荐方法以及基于机器学习的服务推荐算法。其中，基于统计分析的服务推荐方法主要是利用人工对用户服务进行统计分析，显然，在采用这种基于统计分析的服务推荐方法进行服务推荐的过程中，统计过程耗时耗力、较为麻烦。其中，在采用这种基于机器学习的服务推荐算法进行服务推荐时，推荐过程比较便利。
[0004]然而，在采用传统的基于机器学习的推荐算法进行服务推荐时，准确性较低。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提高准确性的服务推荐方法、装置、计算机设备、存储介质和程序产品。
[0006]第一方面，本申请提供了一种服务推荐方法。所述方法包括：
[0007]获取用户在电商平台上的历史行为数据集；
[0008]根据预设筛选算法对所述历史行为数据集进行筛选，生成目标历史行为数据集；
[0009]将所述目标历史行为数据集输入至预设卷积神经网络模型中进行服务推荐，生成待推荐服务，并将所述待推荐服务发送至所述用户；所述预设卷积神经网络模型为基于预设粒子群算法进行训练所得到的模型。
[0010]在其中一个实施例中，所述预设筛选算法包括特征权重算法及随机森林算法；所述根据预设筛选算法对所述历史行为数据集进行筛选，生成目标历史行为数据集，包括：
[0011]根据所述特征权重算法对所述历史行为数据集进行筛选，生成候选历史行为数据集；
[0012]根据所述随机森林算法对所述候选历史行为数据集进行筛选，生成目标历史行为数据集。
[0013]在其中一个实施例中，所述根据所述特征权重算法对所述历史行为数据集进行筛选，生成候选历史行为数据集，包括：
[0014]针对所述历史行为数据集中的各历史行为数据，计算所述历史行为数据中预设特征的第一权重；
[0015]对所述历史行为数据按照所述预设特征的第一权重的大小顺序进行排序，生成第一排序结果；
[0016]从所述第一排序结果中获取满足第一预设排序条件的历史行为数据，作为候选历史行为数据，基于候选历史行为数据生成所述候选历史行为数据集。
[0017]在其中一个实施例中，所述根据所述随机森林算法对所述候选历史行为数据集进行筛选，生成目标历史行为数据集，包括：
[0018]根据所述随机森林算法，计算所述候选历史行为数据集中各所述候选历史行为数据中所述预设特征的第二权重；
[0019]对所述候选历史行为数据按照所述预设特征的第二权重的大小顺序进行排序，生成第二排序结果；
[0020]从所述第二排序结果中获取满足第二预设排序条件的候选历史行为数据，生成所述目标历史行为数据集。
[0021]在其中一个实施例中，所述将所述目标历史行为数据集输入至预设卷积神经网络模型中进行服务推荐，生成待推荐服务，包括：
[0022]将所述目标历史行为数据集输入至预设卷积神经网络模型的优化后的预选框；
[0023]基于所述优化后的预选框，对所述目标历史行为数据集进行待推荐服务预测，生成待推荐服务。
[0024]在其中一个实施例中，所述方法还包括：
[0025]从初始卷积神经网络模型中获取初始预选框；
[0026]基于所述预设粒子群算法对所述初始预选框进行优化，生成优化后的预选框；
[0027]基于优化后的预选框，生成所述预设卷积神经网络模型。
[0028]在其中一个实施例中，所述方法还包括：
[0029]获取优化后的粒子群算法；
[0030]对所述优化后的粒子群算法中的速度更新公式进行优化；
[0031]基于优化后的速度更新公式，生成所述预设粒子群算法。
[0032]在其中一个实施例中，所述预设卷积神经网络模型为多任务卷积神经网络模型。
[0033]第二方面，本申请还提供了一种服务推荐装置。所述装置包括：
[0034]历史行为数据集获取模块，用于获取用户在电商平台上的历史行为数据集；
[0035]目标历史行为数据集生成模块，用于根据预设筛选算法对所述历史行为数据集进行筛选，生成目标历史行为数据集；
[0036]服务推荐模块，用于将所述目标历史行为数据集输入至预设卷积神经网络模型中进行服务推荐，生成待推荐服务，并将所述待推荐服务发送至所述用户；所述预设卷积神经网络模型为基于预设粒子群算法进行训练所得到的模型。
[0037]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项实施例中的方法的步骤。
[0038]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其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上述第一方面中任一项实施例中的方法的步骤。
[0039]第五方面，本申请还提供了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，该计算机程序被处理器执行时实现上述第一方面中任一项实施例中的方法的步
骤。
[0040]上述服务推荐方法、装置、计算机设备、存储介质和程序产品，获取用户在电商平台上的历史行为数据集；根据预设筛选算法对历史行为数据集进行筛选，生成目标历史行为数据集；将目标历史行为数据集输入至预设卷积神经网络模型中进行服务推荐，生成待推荐服务，并将待推荐服务发送至用户；预设卷积神经网络模型为基于预设粒子群算法进行训练所得到的模型。本申请通过预设筛选算法对历史行为数据集进行筛选，生成目标历史行为数据集，相较传统的人工选择方式，采用预设筛选算法不仅可以节省大量时间，提高效率，且为预设卷积神经网络模型提供准确的训练数据。之后，将该目标历史行为数据集输入至基于预设粒子群算法优化后的预设卷积神经网络模型中进行服务推荐，改进后的粒子群算法可以更快速且准确地进行速度与位置的更新，从而更快速且准确地得到粒子的最优解。基于改进后的粒子群算法对卷积神经网络模型进行优化，改进了传统卷积神经网络模型在使用过程中整体工作效率和工作质量低的缺陷，提高了预设卷积神经网络模型的准确性，从而提高了服务推荐方法的准确性。
附图说明
[0041]图1为一个实施例中服务推荐方法的应用环境图；
[0042]图2为一个实施例中服务推荐方法的流程示意图；
[0043]图3为一个实施例中预设筛选算法筛选步骤的流程示意图；
[0044]图4为一个实施例中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种服务推荐方法，其特征在于，所述方法包括：获取用户在电商平台上的历史行为数据集；根据预设筛选算法对所述历史行为数据集进行筛选，生成目标历史行为数据集；将所述目标历史行为数据集输入至预设卷积神经网络模型中进行服务推荐，生成待推荐服务，并将所述待推荐服务发送至所述用户；所述预设卷积神经网络模型为基于预设粒子群算法进行训练所得到的模型。2.根据权利要求1所述的方法，其特征在于，所述预设筛选算法包括特征权重算法及随机森林算法；所述根据预设筛选算法对所述历史行为数据集进行筛选，生成目标历史行为数据集，包括：根据所述特征权重算法对所述历史行为数据集进行筛选，生成候选历史行为数据集；根据所述随机森林算法对所述候选历史行为数据集进行筛选，生成目标历史行为数据集。3.根据权利要求2所述的方法，其特征在于，所述根据所述特征权重算法对所述历史行为数据集进行筛选，生成候选历史行为数据集，包括：针对所述历史行为数据集中的各历史行为数据，计算所述历史行为数据中预设特征的第一权重；对所述历史行为数据按照所述预设特征的第一权重的大小顺序进行排序，生成第一排序结果；从所述第一排序结果中获取满足第一预设排序条件的历史行为数据，作为候选历史行为数据，基于候选历史行为数据生成所述候选历史行为数据集。4.根据权利要求3所述的方法，其特征在于，所述根据所述随机森林算法对所述候选历史行为数据集进行筛选，生成目标历史行为数据集，包括：根据所述随机森林算法，计算所述候选历史行为数据集中各所述候选历史行为数据中所述预设特征的第二权重；对所述候选历史行为数据按照所述预设特征的第二权重的大小顺序进行排序，生成第二排序结果；从所述第二排序结果中获取满足第二预设排序条件的候选历史行为数据，生成所述目标历史行为数据集。5.根据权利要求1所述的方法，其特征在于，所述将所述目标历史行为数据集输入至预设...

【专利技术属性】
技术研发人员：程鹏，任政，郑凯，吴庭栋，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：