一种产品功能推荐方法、装置、设备及介质与流程

本发明涉及数据处理，特别涉及一种产品功能推荐方法、装置、设备及介质。

背景技术：

1、推荐系统是一种用于各类营销场景中的常见的集合数据挖掘及算法的一种高性能系统，从海量的数据中挖掘用户和物品之间的潜在联系，发现用户可能感兴趣的物品，从而精准推荐物品，提升营销的效率。目前大多数推荐系统都是基于用户和物品的数据分析用户对物品的喜好，例如挖掘相似用户购买过的物品给新用户做推荐等。

2、常见的推荐系统比较依赖用户和物品两个角度的特征信息，因此面对物品特征极少的场景时，算法效果不理想，从而导致推荐准确度低，影响营销的成效。而对于服务类产品的存量用户的续约营销场景的推荐算法研究更是少之又少。现有技术方案cn116645167a公开了一种基于智能决策的商品推荐系统及方法，通过收集用户数据和商品数据，并且深度挖掘用户和商品、用户和用户、商品和商品之间的关系再结合场景差异化对用户精准推送商品，以此提升推荐的效率。然而，该方案不适用于商品特征极少的推荐场景，因为在这种情形下，无法利用商品和商品之间的关系，而且用户的特征数量远大于商品的特征数量的情况下，推荐算法难以区分用户对不同商品的偏好。除此之外，该方案主要是用在给新用户推荐购买商品的营销场景中，并不适用于存量用户的服务类产品的续约及产品升级等的营销场景中。

3、因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种产品功能推荐方法、装置、设备及介质，能够适配物品特征极少的营销场景，提升对存量用户营销的效率。其具体方案如下：

2、第一方面，本技术公开了一种产品功能推荐方法，包括：

3、获取存量用户的特征数据信息以及在预设观察时间内所述存量用户的产品功能活跃情况；

4、确定所述存量用户中的目标用户，并基于所述特征数据信息和所述产品功能活跃情况分别利用协同过滤算法和多标签学习算法确定为所述目标用户进行产品功能推荐的第一推荐列表和第二推荐列表；其中，当利用所述协同过滤算法时，根据所述特征数据信息的特征类别确定所述第一推荐列表；当利用所述多标签学习算法时，将所述特征数据信息作为特征输入，将所述产品功能活跃情况作为所述存量用户的标签以得到所述存量用户针对不同的产品功能的需求标签，然后基于所述特征输入和所述需求标签训练预设学习模型以确定所述第二推荐列表；

5、按照预设混合排序规则对所述第一推荐列表与所述第二推荐列表中的产品功能进行混合排序，以得到混合排序后输出的目标推荐结果列表。

6、可选的，所述获取存量用户的特征数据信息，包括：

7、获取存量用户的基本数据信息以及所述存量用户的行为数据信息。

8、可选的，基于所述特征数据信息和所述产品功能活跃情况利用协同过滤算法确定为所述目标用户进行产品功能推荐的第一推荐列表，包括：

9、将所述特征数据信息划分为连续型特征和离散型特征；

10、分别确定所述目标用户与其他用户之间的连续型特征相似度和离散型特征相似度；所述其他用户为所述存量用户中除所述目标用户外的用户；

11、将所述连续型特征相似度和所述离散型特征相似度进行加权平均，并根据加权平均结果确定所述目标用户的相似推荐用户；

12、统计每个产品功能对应的所述相似推荐用户的数量，以确定每个所述产品功能各自对应的功能活跃率；

13、对所述功能活跃率进行排序，并根据排序结果确定所述功能活跃率中超过第一预设阈值的功能活跃率对应的第一目标产品功能，以便根据所述第一目标产品功能确定所述第一推荐列表。

14、可选的，所述分别确定所述目标用户与其他用户之间的连续型特征相似度和离散型特征相似度，包括：

15、利用连续型相似度计算公式确定所述目标用户与其他用户之间的连续型特征相似度；

16、利用离散型相似度计算公式确定所述目标用户与其他用户之间的离散型特征相似度；

17、所述连续型相似度计算公式为：其中，m为所述连续型特征的数量，所述连续型特征为{x1，x2，x3...，xm}；a为所述目标用户，b为所述其他用户；

18、所述离散型相似度计算公式为：其中，n为所述离散型特征的数量，n’为所述离散型特征中相同特征的数量。

19、可选的，基于所述特征数据信息和所述产品功能活跃情况利用多标签学习算法确定为所述目标用户进行产品功能推荐的第二推荐列表，包括：

20、将所述特征数据信息作为特征输入，将所述产品功能活跃情况作为所述存量用户的标签以得到所述存量用户针对不同的产品功能的需求标签；

21、基于所述特征输入和所述需求标签训练xgboost模型，并利用所述xgboost模型输出所述目标用户对不同的所述产品功能的功能活跃率；

22、对所述功能活跃率进行排序，并根据排序结果确定所述功能活跃率中超过第二预设阈值的功能活跃率对应的第二目标产品功能，以便根据所述第二目标产品功能确定所述第二推荐列表。

23、可选的，所述按照预设混合排序规则对所述第一推荐列表与所述第二推荐列表中的产品功能进行混合排序，以得到混合排序后输出的目标推荐结果列表之后，还包括：

24、判断所述目标推荐结果列表中的产品功能是否在所述目标用户的用户权益范围内；

25、如果所述目标推荐结果列表中的产品功能在所述目标用户的用户权益范围内，则为所述目标用户推荐用于平级续费场景的推荐方案；

26、如果所述目标推荐结果列表中的产品功能不在所述目标用户的用户权益范围内，则为所述目标用户推荐用于产品升级场景的推荐方案。

27、可选的，所述按照预设混合排序规则对所述第一推荐列表与所述第二推荐列表中的产品功能进行混合排序，以得到混合排序后输出的目标推荐结果列表，包括：

28、按照所述第一推荐列表和所述第二推荐列表中的推荐顺序分别为所述第一推荐列表和所述第二推荐列表中的产品功能赋予相应的分值，以得到所述第一推荐列表中与各产品功能对应的第一分值和所述第二推荐列表中与各产品功能对应的第二分值；

29、将所述第一分值与所述第二分值相加后进行降序排列，并根据降序排列结果输出所述目标推荐结果列表。

30、第二方面，本技术公开了一种产品功能推荐装置，包括：

31、数据获取模块，用于获取存量用户的特征数据信息以及在预设观察时间内所述存量用户的产品功能活跃情况；

32、推荐列表确定模块，用于确定所述存量用户中的目标用户，并基于所述特征数据信息和所述产品功能活跃情况分别利用协同过滤算法和多标签学习算法确定为所述目标用户进行产品功能推荐的第一推荐列表和第二推荐列表；其中，当利用所述协同过滤算法时，根据所述特征数据信息的特征类别确定所述第一推荐列表；当利用所述多标签学习算法时，将所述特征数据信息作为特征输入，将所述产品功能活跃情况作为所述存量用户的标签以得到所述存量用户针对不同的产品功能的需求标签，然后基于所述特征输入和所述需求标签训练预设学习模型以确定所述第二推荐列表；

33、目标列表输出模块，用于按照预设混合排序规则对所述第一推荐列表与所述第二推荐列表中的产品功能进行混合排序，以得到混合排序后输出的目标推荐结果列表。

34、第三方面，本技术公开了一种电子设备，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如前所述的产品功能推荐方法。

35、第四方面，本技术公开了一种计算机可读存储介质，用于存储计算机程序；其中所述计算机程序被处理器执行时实现如前所述的产品功能推荐方法。

36、本技术提供了一种产品功能推荐方法，包括：获取存量用户的特征数据信息以及在预设观察时间内所述存量用户的产品功能活跃情况；确定所述存量用户中的目标用户，并基于所述特征数据信息和所述产品功能活跃情况分别利用协同过滤算法和多标签学习算法确定为所述目标用户进行产品功能推荐的第一推荐列表和第二推荐列表；其中，当利用所述协同过滤算法时，根据所述特征数据信息的特征类别确定所述第一推荐列表；当利用所述多标签学习算法时，将所述特征数据信息作为特征输入，将所述产品功能活跃情况作为所述存量用户的标签以得到所述存量用户针对不同的产品功能的需求标签，然后基于所述特征输入和所述需求标签训练预设学习模型以确定所述第二推荐列表；按照预设混合排序规则对所述第一推荐列表与所述第二推荐列表中的产品功能进行混合排序，以得到混合排序后输出的目标推荐结果列表。

37、本技术的有益技术效果为：首先，基于协同过滤算法和多标签学习算法均不依赖于物品的特征，物品本身特征极少的情况下也适用，因此并不需要物品有足够的特征，更加适配物品的特征极少的营销场景。另外，使用协同过滤算法时区分特征类别，因为类别型特征的不同取值之间不一定存在大小关系，编码后的数值差不能代表特征之间的距离远近，因此根据特征数据信息的特征类别确定的第一推荐列表更加合理。其次，同时对两个算法推荐的结果混合排序后输出最终推荐结果，将协同过滤和多标签算法有机结合，充分挖掘用户的潜在需求，增强推荐系统的鲁棒性，提高用户粘性。可见，本技术旨在挖掘存量用户对当前有效期内产品价值的持续性需求以及潜在的高版本需求，提升对存量用户营销的效率，同时也减少用户流失。

38、此外，本技术提供的一种产品功能推荐装置、设备及存储介质，与上述产品功能推荐方法对应，效果同上。