一种基于人工智能的产品推荐方法、装置及电子设备

摘要

本申请提供了一种基于人工智能的产品推荐方法、装置及电子设备；方法包括：获取用户数据，以及获取产品数据；基于所述用户数据和所述产品数据，确定表征用户和产品组合特征的用户产品特征向量；基于所述用户数据确定表征用户特征的用户特征向量，以及基于所述产品数据确定表征产品特征的产品特征向量；将所述用户特征向量和所述产品特征向量融合，得到融合特征向量；基于所述用户产品特征向量和所述融合特征向量，确定用于表征用户对产品感兴趣程度的系数；所述系数用于向所述用户推荐产品。本申请提供的基于人工智能的产品推荐方法，能够向客户推荐适合的产品，避免客户流失，能够降低金融机构的运营成本。

权利要求

1.一种基于人工智能的产品推荐方法，其特征在于，所述方法包括：获取用户数据，以及获取产品数据；

基于所述用户数据和所述产品数据，确定表征用户和产品组合特征的用户产品特征向量；

基于所述用户数据确定表征用户特征的用户特征向量，以及基于所述产品数据确定表征产品特征的产品特征向量；

将所述用户特征向量和所述产品特征向量融合，得到融合特征向量；

针对所述用户产品特征向量中的每个向量元素，执行以下操作：计算所述向量元素与所述用户产品特征向量中的其他向量元素的相似度，将所述相似度作为对应的向量元素的权重系数；对所述向量元素根据各自对应的权重系数进行加权处理，得到自注意力用户产品特征向量；

对所述自注意力用户产品特征向量和所述融合特征向量执行内积操作，得到用于表征用户对产品感兴趣程度的系数；所述系数用于向所述用户推荐产品。

2.根据权利要求1所述的方法，其特征在于，所述基于所述用户数据，确定表征用户特征的用户特征向量，包括：

对所述用户数据进行处理，得到数值型离散用户特征；

将所述数值型离散用户特征输入第一神经网络，得到表征用户特征的用户特征向量。

3.根据权利要求1所述的方法，其特征在于，所述基于所述产品数据，确定表征产品特征的产品特征向量，包括：

对所述产品数据进行处理，得到数值型离散产品特征；

将所述数值型离散产品特征输入第二神经网络，得到表征产品特征的产品特征向量。

4.根据权利要求1所述的方法，其特征在于，所述将所述用户特征向量和所述产品特征向量融合，得到融合特征向量，包括：针对所述用户特征向量中的每个向量元素，执行以下操作：计算所述向量元素与所述用户特征向量中的其他向量元素的相似度，将所述相似度作为对应的向量元素的权重系数；对所述向量元素根据各自对应的权重系数进行加权处理，得到自注意力用户特征向量；

针对所述产品特征向量中的每个向量元素，执行以下操作：计算所述向量元素与所述产品特征向量中的其他向量元素的相似度，将所述相似度作为对应的向量元素的权重系数；对所述向量元素根据各自对应的权重系数进行加权处理，得到自注意力产品特征向量；

对所述自注意力用户特征向量和所述自注意力产品特征向量执行哈达玛积操作，得到所述融合特征向量。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述确定用于表征用户对产品感兴趣程度的系数之后，所述方法还包括：针对每个用户，对所述用户对产品感兴趣程度的系数按照降序排序；

将排序后的前N个所述用户对产品感兴趣程度的系数对应的产品，推荐至所述用户；N为正整数。

6.根据权利要求1至4任一项所述的方法，其特征在于，所述获取用户数据，包括：获取用户标签数据、用户历史行为数据以及针对所述用户的第三方数据。

7.一种基于人工智能的产品推荐装置，其特征在于，所述装置包括：数据获取模块，用于获取用户数据以及产品数据；

第一确定模块，用于基于所述用户数据和所述产品数据，确定表征用户和产品组合特征的用户产品特征向量；

第二确定模块，用于基于所述用户数据确定表征用户特征的用户特征向量，以及基于所述产品数据确定表征产品特征的产品特征向量；

融合模块，用于将所述用户特征向量和所述产品特征向量融合，得到融合特征向量；

系数确定模块，用于针对所述用户产品特征向量中的每个向量元素，执行以下操作：计算所述向量元素与所述用户产品特征向量中的其他向量元素的相似度，将所述相似度作为对应的向量元素的权重系数；对所述向量元素根据各自对应的权重系数进行加权处理，得到自注意力用户产品特征向量；

对所述自注意力用户产品特征向量和所述融合特征向量执行内积操作，得到用于表征用户对产品感兴趣程度的系数；所述系数用于向所述用户推荐产品。

8.一种电子设备，其特征在于，包括：存储器，用于存储可执行指令；

处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至6任一项所述的基于人工智能的产品推荐方法。

9.一种计算机可读存储介质，其特征在于，存储有可执行指令，用于被处理器执行时，实现权利要求1至6任一项所述的基于人工智能的产品推荐方法。

说明书

一种基于人工智能的产品推荐方法、装置及电子设备

技术领域

[0001] 本申请涉及数据处理技术，尤其涉及一种基于人工智能的产品推荐方法、装置及电子设备。

背景技术

[0002] 在金融领域，投资理财等相关产品的传统营销方式是在线下进行的，由金融机构的物理网点的工作人员向访问物理网点的客户介绍、销售产品。

[0003] 但是，传统的营销方式至少存在如下问题：随着物理网点的基础设施投入费用的增加，使得金融机构的运营成本居高不下；依靠访问物理网点的存量客户和新拓客户产生
的产品销售量有限；另外，针对不同细分需求而产生的产品数量越来越多，有些产品之间的
差异并不明显，若工作人员对产品信息了解不全面，可能会向客户推荐不适合该客户的产
品，导致客户流失。

发明内容

[0004] 本申请实施例提供一种基于人工智能的产品推荐方法、装置及电子设备，不仅能够向客户推荐适合的产品，而且能够降低金融机构的运营成本。

[0005] 本申请实施例的技术方案是这样实现的：

[0006] 第一方面，本申请实施例提供一种基于人工智能的产品推荐方法，包括：

[0007] 获取用户数据，以及获取产品数据；

[0008] 基于所述用户数据和所述产品数据，确定表征用户和产品组合特征的用户产品特征向量；

[0009] 基于所述用户数据确定表征用户特征的用户特征向量，以及基于所述产品数据确定表征产品特征的产品特征向量；

[0010] 将所述用户特征向量和所述产品特征向量融合，得到融合特征向量；

[0011] 基于所述用户产品特征向量和所述融合特征向量，确定用于表征用户对产品感兴趣程度的系数；所述系数用于向所述用户推荐产品。

[0012] 在一些实施例中，所述基于所述用户数据，确定表征用户特征的用户特征向量，包括：

[0013] 对所述用户数据进行处理，得到数值型离散用户特征；

[0014] 将所述数值型离散用户特征输入第一神经网络，得到表征用户特征的用户特征向量。

[0015] 在一些实施例中，所述基于所述产品数据，确定表征产品特征的产品特征向量，包括：

[0016] 对所述产品数据进行处理，得到数值型离散产品特征；

[0017] 将所述数值型离散产品特征输入第二神经网络，得到表征产品特征的产品特征向量。

[0018] 在一些实施例中，所述将所述用户特征向量和所述产品特征向量融合，得到融合特征向量，包括：

[0019] 针对所述用户特征向量中的每个向量元素，执行以下操作：

[0020] 计算所述向量元素与所述用户特征向量中的其他向量元素的相似度，将所述相似度作为对应的向量元素的权重系数；对所述向量元素根据各自对应的权重系数进行加权处
理，得到自注意力用户特征向量；

[0021] 针对所述产品特征向量中的每个向量元素，执行以下操作：

[0022] 计算所述向量元素与所述产品特征向量中的其他向量元素的相似度，将所述相似度作为对应的向量元素的权重系数；对所述向量元素根据各自对应的权重系数进行加权处
理，得到自注意力产品特征向量；

[0023] 对所述自注意力用户特征向量和所述自注意力产品特征向量执行哈达玛积操作，得到所述融合特征向量。

[0024] 在一些实施例中，所述基于所述用户产品特征向量和所述融合特征向量，确定用于表征用户对产品感兴趣程度的系数，包括：

[0025] 针对所述用户产品特征向量中的每个向量元素，执行以下操作：

[0026] 计算所述向量元素与所述用户产品特征向量中的其他向量元素的相似度，将所述相似度作为对应的向量元素的权重系数；对所述向量元素根据各自对应的权重系数进行加
权处理，得到自注意力用户产品特征向量；

[0027] 对所述自注意力用户产品特征向量和所述融合特征向量执行内积操作，得到所述用于表征用户对产品感兴趣程度的系数。

[0028] 在一些实施例中，所述确定用于表征用户对产品感兴趣程度的系数之后，所述方法还包括：

[0029] 针对每个用户，对所述用户对产品感兴趣程度的系数按照降序排序；

[0030] 将排序后的前N个所述用户对产品感兴趣程度的系数对应的产品，推荐至所述用户；N为正整数。

[0031] 在一些实施例中，所述获取用户数据，包括：

[0032] 获取用户标签数据、用户历史行为数据以及针对所述用户的第三方数据。

[0033] 第二方面，本申请实施例提供一种基于人工智能的产品推荐装置，包括：

[0034] 数据获取模块，用于获取用户数据以及产品数据；

[0035] 第一确定模块，用于基于所述用户数据和所述产品数据，确定表征用户和产品组合特征的用户产品特征向量；

[0036] 第二确定模块，用于基于所述用户数据确定表征用户特征的用户特征向量，以及基于所述产品数据确定表征产品特征的产品特征向量；

[0037] 融合模块，用于将所述用户特征向量和所述产品特征向量融合，得到融合特征向量；

[0038] 系数确定模块，用于基于所述用户产品特征向量和所述融合特征向量，确定用于表征用户对产品感兴趣程度的系数；所述系数用于向所述用户推荐产品。

[0039] 在一些实施例中，所述第二确定模块，用于对所述用户数据进行处理，得到数值型离散用户特征；

[0040] 将所述数值型离散用户特征输入第一神经网络，得到表征用户特征的用户特征向量。

[0041] 在一些实施例中，所述第二确定模块，用于对所述产品数据进行处理，得到数值型离散产品特征；

[0042] 将所述数值型离散产品特征输入第二神经网络，得到表征产品特征的产品特征向量。

[0043] 在一些实施例中，所述融合模块，用于针对所述用户特征向量中的每个向量元素，执行以下操作：

[0044] 计算所述向量元素与所述用户特征向量中的其他向量元素的相似度，将所述相似度作为对应的向量元素的权重系数；对所述向量元素根据各自对应的权重系数进行加权处
理，得到自注意力用户特征向量；

[0045] 针对所述产品特征向量中的每个向量元素，执行以下操作：

[0046] 计算所述向量元素与所述产品特征向量中的其他向量元素的相似度，将所述相似度作为对应的向量元素的权重系数；对所述向量元素根据各自对应的权重系数进行加权处
理，得到自注意力产品特征向量；

[0047] 对所述自注意力用户特征向量和所述自注意力产品特征向量执行哈达玛积操作，得到所述融合特征向量。

[0048] 在一些实施例中，所述系数确定模块，用于针对所述用户产品特征向量中的每个向量元素，执行以下操作：

[0049] 计算所述向量元素与所述用户产品特征向量中的其他向量元素的相似度，将所述相似度作为对应的向量元素的权重系数；对所述向量元素根据各自对应的权重系数进行加
权处理，得到自注意力用户产品特征向量；

[0050] 对所述自注意力用户产品特征向量和所述融合特征向量执行内积操作，得到所述用于表征用户对产品感兴趣程度的系数。

[0051] 在一些实施例中，所述产品装置还包括：针对每个用户，对所述用户对产品感兴趣程度的系数按照降序排序；

[0052] 将排序后的前N个所述用户对产品感兴趣程度的系数对应的产品，推荐至所述用户；N为正整数。

[0053] 在一些实施例中，所述数据获取模块，用于获取用户标签数据、用户历史行为数据以及针对所述用户的第三方数据。

[0054] 第三方面，本申请实施例提供一种电子设备，包括：

[0055] 存储器，用于存储可执行指令；

[0056] 处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的基于人工智能的产品推荐方法。

[0057] 第四方面，本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于被处理器执行时，实现本申请实施例提供的基于人工智能的产品推荐方法。

[0058] 本申请实施例提供的基于人工智能的产品推荐方法，获取用户数据，以及获取产品数据；基于所述用户数据和所述产品数据，确定表征用户和产品组合特征的用户产品特
征向量；基于所述用户数据确定表征用户特征的用户特征向量，以及基于所述产品数据确
定表征产品特征的产品特征向量；将所述用户特征向量和所述产品特征向量融合，得到融
合特征向量；基于所述用户产品特征向量和所述融合特征向量，确定用于表征用户对产品
感兴趣程度的系数；所述用于表征用户对产品感兴趣程度的系数能够表征用户与产品之间
的相关性，或者表征用户对产品的感兴趣程度，根据用于表征用户对产品感兴趣程度的系
数向用户推荐产品，能够实现基于不同的用户推荐不同的产品的效果，避免客户流失，提高
金融机构的产品营销转化能力。本申请实施例提供的基于人工智能的产品推荐方法是基于
人能智能技术实现的，无需工作人员参与，降低了金融机构的运营成本。

附图说明

[0059] 图1是本申请实施例提供的基于人工智能的产品推荐系统的架构示意图；

[0060] 图2是本申请实施例提供的实施基于人工智能的产品推荐方法的电子设备的结构示意图；

[0061] 图3是本申请实施例提供的基于人工智能的产品推荐方法的一种可选处理流程示意图；

[0062] 图4是本申请实施例提供的用户特征嵌入向量化的过程的一种可选示意图；

[0063] 图5是本申请实施例提供的EN层输出的特征向量经DNN层转化为用户特征向量的示意图；

[0064] 图6是本申请实施例提供的自注意力网络的一种可选示意图；

[0065] 图7是本申请实施例提供的将用户特征向量输入自注意力网络的一种可选示意图；

[0066] 图8是本申请实施例提供的得到融合特征向量的示意图；

[0067] 图9是本申请实施例提供的基于人工智能的产品推荐方法的整体架构示意图；

[0068] 图10是本申请实施例提供的推荐模型的一种可选架构示意图；

[0069] 图11是本申请实施例提供的多通道自注意力机制融合模型计算层的一种可选结构示意图；

[0070] 图12是本申请实施例提供的电子设备的硬件组成结构示意图。

具体实施方式

[0071] 为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有
做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

[0072] 在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解, “一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突
的情况下相互结合。

[0073] 在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的
顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺
序实施。在以下的描述中，所涉及的术语“多个”是指至少两个。

[0074] 除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，
不是旨在限制本申请。

[0075] 对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。

[0076] 人工智能（Artificial Intelligence，AI），是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理
论、方法和技术及应用系统。

[0077] 参见图1，图1是本申请实施例提供的基于人工智能的产品推荐系统100的架构示意图，为实现支撑一个示例性应用，终端设备400通过网络300连接服务器200，服务器200连
接数据库500，其中，网络300可以是广域网或者局域网，又或者是二者的组合，使用无线或
有线链路实现数据传输。

[0078] 在一些实施例中，以电子设备是终端设备为例，本申请实施例提供的基于人工智能的产品推荐方法可以由终端设备实现。例如，终端设备400运行客户端，客户端410可以是
用于产品推荐的客户端。客户端可以获取用户数据，以及获取产品数据；基于用户数据和产
品数据，确定表征用户和产品组合特征的用户产品特征向量；基于用户数据确定表征用户
特征的用户特征向量，以及基于产品数据确定表征产品特征的产品特征向量；将用户特征
向量和产品特征向量融合，得到融合特征向量；基于用户产品特征向量和融合特征向量，确
定用于表征用户对产品感兴趣程度的系数；所述系数用于向所述用户推荐产品。

[0079] 在一些实施例中，以电子设备是服务器为例，本申请实施例提供的基于人工智能的产品推荐方法可以由服务器和终端设备实现。例如，服务器200从数据库500中获取用户
数据和产品数据。然后，服务器200基于用户数据和产品数据，确定表征用户和产品组合特
征的用户产品特征向量；基于用户数据确定表征用户特征的用户特征向量，以及基于产品
数据确定表征产品特征的产品特征向量；将用户特征向量和产品特征向量融合，得到融合
特征向量；基于用户产品特征向量和融合特征向量，确定用于表征用户对产品感兴趣程度
的系数；服务器200根据所述系数用于向所述终端设备400对应的客户端410推荐产品。

[0080] 在一些实施例中，终端设备400或服务器200可以通过运行计算机程序来实现本申请实施例提供的基于人工智能的产品推荐方法，例如，计算机程序可以是操作系统中的原
生程序或软件模块；可以是本地（Native）应用程序（Application，APP），即需要在操作系统
中安装才能运行的程序；也可以是小程序，即只需要下载到浏览器环境中就可以运行的程
序；还可以是能够嵌入至任意APP中的小程序。总而言之，上述计算机程序可以是任意形式
的应用程序、模块或插件。

[0081] 在实际应用中，服务器200可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存
储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台
等基础云计算服务的云服务器，其中，云技术（Cloud Technology）是指在广域网或局域网
内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管
技术。终端400可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能电视、
智能手表等，但并不局限于此。终端设备400以及服务器200可以通过有线或无线通信方式
进行直接或间接地连接，本申请在此不做限制。

[0082] 以本申请实施例提供的电子设备是终端设备为例说明，可以理解的，对于电子设备是服务器的情况，图2中示出的结构中的部分模块或接口可以缺省。参见图2，图2是本申
请实施例提供的终端设备400的结构示意图，图2所示的终端设备400包括：至少一个处理器
460、存储器450、至少一个网络接口420和用户接口430。终端设备400中的各个组件通过总
线系统440耦合在一起。可理解，总线系统440用于实现这些组件之间的连接通信。总线系统
440除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明
起见，在图2中将各种总线都标为总线系统440。

[0083] 处理器460可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器（Digital Signal Processor，DSP），或者其他可编程逻辑器件、分立门或者
晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理
器等。

[0084] 用户接口430包括能够呈现媒体内容的一个或多个输出装置，包括一个或多个扬声器和/或一个或多个视觉显示屏。用户接口430还包括一个或多个输入装置，包括有助于
用户输入的用户接口部件，比如键盘、鼠标、麦克风、触屏显示屏、摄像头、其他输入按钮和
控件。

[0085] 存储器450可以是可移除的，不可移除的或其组合。示例性的硬件设备包括固态存储器，硬盘驱动器，光盘驱动器等。存储器450可选地包括在物理位置上远离处理器 460的
一个或多个存储设备。

[0086] 存储器450包括易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器（Read Only Memory，ROM），易失性存储器可
以是随机存取存储器（Random Access Memory，RAM）。本申请实施例描述的存储器450旨在
包括任意适合类型的存储器。

[0087] 在一些实施例中，存储器450能够存储数据以支持各种操作，这些数据的示例包括程序、模块和数据结构或者其子集或超集，下面示例性说明。

[0088] 操作系统451，包括用于处理各种基本系统服务和执行硬件相关任务的系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务；

[0089] 网络通信模块452，用于经由一个或多个（有线或无线）网络接口420到达其他计算设备，示例性的网络接口420包括：蓝牙、无线相容性认证（WiFi）、和通用串行总线
（Universal Serial Bus，USB）等；

[0090] 呈现模块453，用于经由一个或多个与用户接口430相关联的输出装置（例如，显示屏、扬声器等）使得能够呈现信息（例如，用于操作外围设备和显示内容和信息的用户接
口）；

[0091] 输入处理模块454，用于对一个或多个来自一个或多个输入装置之一的一个或多个用户输入或互动进行检测以及翻译所检测的输入或互动。

[0092] 在一些实施例中，本申请实施例提供的装置可以采用软件方式实现，图2示出了存储在存储器450中的产品推荐装置455，其可以是程序和插件等形式的软件，包括以下软件
模块：数据获取模块4551、第一确定模块4552、第二确定模块4553、融合模块4554以及系数
确定模块4555，这些模块是逻辑上的，因此根据所实现的功能可以进行任意的组合或进一
步拆分。将在下文中说明各个模块的功能。

[0093] 在另一些实施例中，本申请实施例提供的基于人工智能的产品推荐装置可以采用软硬件结合的方式实现，作为示例，本申请实施例提供的基于人工智能的产品推荐装置可
以是采用硬件译码处理器形式的处理器，其被编程以执行本申请实施例提供的基于人工智
能的产品推荐方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集
成电路（Application Specific Integrated Circuit，ASIC）、DSP、可编程逻辑器件
（Programmable Logic Device，PLD）、复杂可编程逻辑器件（Complex Programmable Logic 
Device，CPLD）、现场可编程门阵列（Field‑Programmable Gate Array，FPGA）或其他电子元
件。

[0094] 基于上述对本申请实施例提供的基于人工智能的产品推荐系统及电子设备的说明，下面说明本申请实施例提供的基于人工智能的产品推荐方法。在一些实施例中，本申请
实施例提供的基于人工智能的产品推荐方法可由服务器或终端设备单独实施，或由服务器
及终端设备协同实施，下面以终端设备实施为例说明本申请实施例提供的基于人工智能的
产品推荐方法。参见图3，图3是本申请实施例提供的基于人工智能的产品推荐方法的一种
可选处理流程示意图，本申请实施例提供的基于人工智能的产品推荐方法至少可以包括：

[0095] 步骤S101，获取用户数据，以及获取产品数据。

[0096] 在一些实施例中，获取的用户数据可以包括用户标签数据、用户历史行为数据以及针对用户的第三方数据。用户标签数据、用户历史行为数据以及针对用户的第三方数据
均是用于表征用户特征的数据。

[0097] 其中，可以从金融机构的用户标签资料库获取用户标签数据，用户标签数据可以是金融机构的用户的属性标签信息和客户关联信息；用户的属性标签信息可以包括用户的
基本资料，如姓名、年龄、联系方式等；用户关联信息可以包括用户的消费信息、收入信息、
是否购买过理财产品、是否购买过信托和股票等信息。用户标签资料库内的信息不随着用
户对产品的操作而发生变化，因此，用户标签资料库也可以称为静态资料库，用户标签资料
库内的信息也可以称为静态信息。

[0098] 其中，可以从用户历史行为库获取用户历史行为数据，用户历史行为数据可以是在对用户推荐产品之前，用户在金融机构执行的操作所对应的数据；如用户购买理财从产
品产生的行为数据、用户赎回理财金额产生的数据、用户的转账数据等。用户历史性味苦内
的信息随着用户对产品的操作而发生变化，因此，用户历史行为库也可以称为动态资料库。

[0099] 其中，可以从金融机构以外的渠道获取针对用户的第三方数据；作为示例，第三方数据可以是征信数据。第三方数据可以从用户外部数据补充库获取。

[0100] 在一些实施例中，可以从产品资料库获取产品数据。产品数据可以是金融机构内存储的理财产品对应的数据资料。产品数据可以是用于表征用户特征的数据。作为示例，产
品数据可以包括产品的种类（理财或基金）、产品的年化率、购买条件以及购买周期等数据。

[0101] 步骤S102，基于用户数据和产品数据，确定表征用户和产品组合特征的用户产品特征向量。

[0102] 在一些实施例中，用户产品特征向量可以用于表征用户产品特征，用户产品特征可以是融合了用户特征和产品特征而生成的用户和产品交叉特征或用户和产品组合特征。
用户产品特征可以基于用户数据和与用户数据对应的产品数据确定。作为示例，用户产品
特征可以基于第一用户对应的第一用户数据，以及第一用户对应的第一产品数据确定；如
第一用户数据为年龄是30岁的女性用户A，第一产品数据是在2000年1月1日购买金额为一
百万的理财产品B。

[0103] 步骤S103，基于用户数据确定表征用户特征的用户特征向量，以及基于产品数据确定表征产品特征的产品特征向量。

[0104] 在一些实施例中，针对用户数据，可以对用户数据进行处理，得到数值型离散用户特征，将数值型离散用户特征输入第一神经网络，得到表征用户特征的用户特征向量。其
中，对用户数据进行处理，得到数值型离散用户特征可以通过下述技术方案实现：根据用户
数据确定用户数据对应的用户特征，对用户特征进行分箱处理和数值化处理，得到表征用
户特征的用户特征向量。作为示例，若用户数据为年龄是30岁、身高为165.5厘米的女性用
户，则用户特征可以包括性别特征、身高特征和年龄特征。用户特征可以分为连续型特征和
离散型特征，连续型特征可以是指取值为连续实数的特征；如身高为165.5厘米、年龄是30
岁均属于连续型特征；离散型特征可以是指每一个取值都看成一种状态的特征，例如性别
是女属于离散型特征。若用户特征为连续型特征，则将该连续型特征进行分箱处理，用箱号
代表特征值，将连续型特征转换为离散型特征。若用户特征为离散型特征，若该离散型特征
为非数值型特征（如字符串（String）或关键字（Char）），则将该离散型特征转换为数值型特
征。

[0105] 在一些实施例中，第一神经网络可以包括嵌入网络（Embedding Net，EN）层和全连接（Deep Neural Network，DNN）层。m*1维数值型离散用户特征首先输入EN层之后，得到EN
层输出的m*p维特征向量。其中，EN层可以是一个参数量庞大的权重矩阵，也可以称为向量
字典表，EN层的维度为[q，p]，q为输入EN层的用户特征中特征值不重复的用户特征量的总
和，m为输入EN层的总用户特征量，p为自定义的嵌入维度；举例来说，若输入EN层的用户特
征有128个，其中，128个用户特征中有8个用户特征的特征值是相同的，其余120个用户特征
的特征值均不相同，则q的值为120，m为128。

[0106] 其中，将用户特征输入EN层，也可以称为用户特征嵌入向量化的过程；用户特征嵌入向量化的过程的一种可选示意图，可以如图4所示，输入EN层的用户特征为8*1的特征向
量，经嵌入维度为5的EN层输出得到8*5维的特征向量。

[0107] 在一些实施例中，EN层输出的特征向量经DNN层转化为用户特征向量的示意图，可以如图5所示。将EN层输出的特征向量输入至DNN层，DNN层包括多个神经元以及多层神经网
络，通过DNN层对特征向量进行非线性拟合，得到高维度的用户特征向量。

[0108] 在另一些实施例中，针对产品数据，可以对产品数据进行处理，得到数值型离散产品特征，将数值型离散产品特征输入第二神经网络，得到表征产品特征的产品特征向量。其
中，对产品数据进行处理，得到数值型离散产品特征可以通过下述技术方案实现：根据产品
数据确定产品数据对应的产品特征，对产品特征进行分箱处理和数值化处理，得到表征产
品特征的产品特征向量。作为示例，若产品数据为理财型产品X、5万元起购，购买周期为3个
月，则产品特征可以包括产品类型特征、购买条件特征和购买周期特征。产品特征可以分为
连续型特征和离散型特征，若产品特征为连续型特征，则将该连续型特征进行分箱处理，用
箱号代表特征值，将连续型特征转换为离散型特征。若产品特征为离散型特征，若该离散型
特征为非数值型特征（如String或Char），则将该离散型特征转换为数值型特征。

[0109] 在一些实施例中，第二神经网络可以包括EN层和DNN层。m*1维数值型离散产品特征首先输入EN层之后，得到EN层输出的m*p维特征向量。其中，EN层可以是一个参数量庞大
的权重矩阵，也可以称为向量字典表，EN层的维度为[q，p]，q为输入EN层的产品特征中特征
值不重复的产品特征量的总和，m为输入EN层的总产品特征量，p为自定义的嵌入维度；举例
来说，若输入EN层的产品特征有128个，其中，128个产品特征中有8个产品特征的特征值是
相同的，其余120个产品特征的特征值均不相同，则q的值为120，m为128。

[0110] 其中，将产品特征输入EN层，也可以称为产品特征嵌入向量化的过程；产品特征嵌入向量化的过程的示意图，与图4所示的用户特征嵌入向量化的过程相似，这里不再赘述。

[0111] 在一些实施例中，EN层输出的特征向量经DNN层转化为产品特征向量的过程，与如图5所示的转换为用户特征向量的过程相似，这里不再赘述。

[0112] 步骤S104，将用户特征向量和产品特征向量融合，得到融合特征向量。

[0113] 在一些实施例中，可以先对用户特征向量进行自注意力处理，得到自注意力用户特征向量，对产品特征向量进行自注意力处理，得到自注意力产品特征向量。再对自注意力
用户特征向量和自注意力产品特征向量执行哈达玛积操作，得到融合特征向量。

[0114] 在一些实施例中，对用户特征向量进行自注意力处理，得到自注意力用户特征向量的过程可通过下述方案实现：

[0115] 针对所述用户特征向量中的每个向量元素，执行以下操作：计算所述向量元素与所述用户特征向量中的其他向量元素的相似度，将所述相似度作为对应的向量元素的权重
系数；对向量元素根据各自对应的权重系数进行加权处理，得到自注意力用户特征向量。

[0116] 在一些实施例中，对用户特征向量进行自注意力处理可以是指将用户特征向量输入至自注意力网络，自注意力网络是利用自注意力机制构建的网络。自注意力网络包括三
个参数，分别是Query（Q）、Key（K）和Value（V）；其中，Q表示查询的向量元素，K表示用户特征
向量中的全部向量元素，V表示查询的向量元素与用户特征向量中的各个向量元素的相似
度。自注意力网络的一种可选示意图，如图6所示，Query=Key1时，分别计算Key1与Key1、
Key1与Key2、Key1与Key3、以及Key1与Key4的相似度，得到Key1与Key1的相似度Value1、
Key1与Key2的相似度Value2、Key1与Key3的相似度Value3、以及Key1与Key4的相似度
Value4。Key1对应的自注意力用户特征向量（Attention Value）=Key1* Value1+ Key2*
Value2+ Key3* Value3+ Key4*Value4。Key2、Key3以及Key4对应的自注意力用户特征向量
的计算过程与Key1对应的自注意力用户特征向量的计算过程相同，这里不再赘述。因此，本
申请实施例中计算自注意力用户特征向量的公式可以表示为：

[0117]

[0118] 其中， 表示查询的向量元素， 表示用户特征向量中的第i个向量元素， 表示查询的向量元素与用户特征向量中的第i个向量元素之间的相
似度， 表示自注意力网络的网络结构的长度。计算相似度的函数（Similarity）可以根据
实际应用选择不同的形式，如内积函数、或点积函数等。

[0119] 将用户特征向量输入自注意力网络的一种可选示意图，如图7所示，自注意力网络中的Q、K和V都是通过对输入至自注意力网络的用户特征向量变化得到，如Q通过对输入的
用户特征变量u乘以 得到，K通过对输入的用户特征变量u乘以 得到，V通过对输入的
用户特征变量u乘以 得到。自注意力网络中的每个神经元分别与自注意力网络中的所
有神经元进行相似度计算，最后得到自注意力用户特征向量。

[0120] 用户特征向量经自注意力网络得到的自注意力用户特征向量中，每个向量元素的每个维度的值均是综合各个向量元素的各个维度重要性后融合得到的；自注意力网络将自
注意力网络中不同神经元之间的信息建立关联（也可以称为将各个向量元素之间建立关
联），不受神经元的位置关系的影响。

[0121] 上述对得到自注意力用户特征向量的过程进行了详细说明，得到自注意力产品特征向量的过程与得到自注意力用户特征向量的过程相似，这里不再赘述。

[0122] 作为示例，用户特征向量为（ ， … ），产品特征向量为（， … ），得到融合特征向量的示意图，如图8所示，用户特征向量输入自注意力网络（Self‑Attention Net）之
后，Self‑Attention Net输出（ …），产品特征向量为输入Self‑Attention Net之
后，Self‑Attention Net输出（ … ）。（ … ）与（ … ）进行哈达
玛积操作，得到融合特征向量（ ，… ）

[0123] 步骤S105，基于用户产品特征向量和融合特征向量，确定用于表征用户对产品感兴趣程度的系数。

[0124] 在一些实施例中，针对用户产品特征向量中的每个向量元素，执行以下操作：计算向量元素与所述用户产品特征向量中的其他向量元素的相似度，将相似度作为对应的向量
元素的权重系数；对向量元素根据各自对应的权重系数进行加权处理，得到自注意力用户
产品特征向量。上述过程可以理解为，将用户产品特征向量输入图6所示的自注意力网络，
得到自注意力用户产品特征向量。

[0125] 在一些实施例中，对自注意力用户产品特征向量和融合特征向量执行内积操作，得到用于表征用户对产品感兴趣程度的系数。用于表征用户对产品感兴趣程度的系数可通
过下述公式确定：

[0126]

[0127] 其中， 表示用于表征用户对产品感兴趣程度的系数，表示自注意力用户产品特征向量，
表示融合特征向量。

[0128] 用于表征用户对产品感兴趣程度的系数CorrelationValue的取值范围可以是[‑1，1]，CorrelationValue的值越大，表征用户与产品的相关度越大；CorrelationValue的值
越小，表征用户与产品的相关度越小。举例来说，若CorrelationValue的值为‑0.8，则表征
用户与产品的相关度小；若CorrelationValue的值为0.8，则表征用户与产品的相关度大。

[0129] 基本上述步骤S101至步骤S105，能够得到用户针对每个产品的CorrelationValue；不同的用户针对同一个产品的CorrelationValue可以相同，也可以不
同。

[0130] 在一些实施例中，在执行步骤S105之后，所述方法还可以包括：

[0131] 步骤S106，针对每个用户，对用户对产品感兴趣程度的系数按照降序排序；将排序后的前N个用户对产品感兴趣程度的系数对应的产品，推荐至所述用户。

[0132] 在一些实施例中，预先确定阈值N，N为正整数；对用户对产品感兴趣程度的系数按照降序排序，即是按照与用户相关度由高到低的顺序对产品排序的过程。降序排序之后的
前N个用户对产品感兴趣程度的系数对应的产品，与用户相关度高，因此，将前N个用户对产
品感兴趣程度的系数对应的N个产品推荐给用户。

[0133] 本申请实施例中，根据用户数据和产品数据，能够确定用户特征向量、产品特征向量以及用户产品特征向量；用户特征向量、产品特征向量以及用户产品特征向量均输入到
EN网络以及DNN网络，将对应的特征升维至高维特征向量，高维特征向量能够容纳更多的信
息，提高产品推荐的准确性。高维的用户特征向量和产品特征向量分别经自注意力网络后
输出，增加了高维向量化特征的表达性，使得用户特征向量和产品特征向量更关注对应的
重要信息，而忽略非重要信息。经自注意力网络输出的用户特征向量以及经自注意力网络
输出的产品特征向量融合得到融合特征向量，以及将用户产品特征向量和融合特征向量进
行内积操作，得到的用于表征用户对产品感兴趣程度的系数能够表征用户与产品之间的相
关性，或者表征用户对产品的感兴趣程度。根据用于表征用户对产品感兴趣程度的系数向
用户推荐产品，能够实现基于不同的用户推荐不同的产品的效果，避免客户流失，提高金融
机构的产品营销转化能力。本申请实施例提供的基于人工智能的产品推荐方法是基于人能
智能技术实现的，无需工作人员参与，降低了金融机构的运营成本。

[0134] 下面，将说明本发明实施例提供的基于人工智能的产品推荐方法在一个实际应用场景中的示例性应用。

[0135] 使用基于人工智能的产品推荐方法的应用程序可以是一款构建在移动终端上的内容分发平台，或者可以是内置于移动终端的其他应用程序，通过深入挖掘用户感兴趣的
理财产品，引入优质理财产品，将优质的理财产品推荐给用户。

[0136] 基于人工智能的产品推荐方法的主要包括离线训练和在线应用两部分，如图9所示，图9是本申请实施例提供的产品推荐方法的整体架构图，离线部分包括：数据收集、感兴
趣理财产品确定以及推荐模型训练三个部分。其中，数据收集可以包括：用户标签数据收
集、用户历史行为数据收集、针对用户的第三方数据收集以及产品数据收集。感兴趣理财产
品确定，则是根据收集的全部数据计算用户感兴趣的理财产品在不同维度的标签，如理财
周期标签、理财类型标签、理财条件标签等。推荐模型训练，可以是根据收集到的数据和感
兴趣的理财产品进行特征抽取及推荐模型训练。在线部分主要包括：根据离线训练好的推
荐模型进行特征抽取和相似度计算，结合相似度计算结果向用户推荐优质理财产品。

[0137] 本申请实施例推荐模型的一种可选架构示意图，可以如图10所示，包括：数据来源层、数据处理输出层、多通道自注意力机制融合模型计算层和个性化产品结果输出层。数据
来源层包括：用户标签资料科、用户历史行为库、用户外部数据补充库以及产品资料库；其
中，用户标签资料科、用户历史行为库以及用户外部数据补充库中的数据用于确定用户特
征；产品资料库中的数据用于确定产品特征。用户标签资料科、用户历史行为库、用户外部
数据补充库以及产品资料库中的数据用于共同确定用户产品特征。用户特征、产品特征以
及用户产品特征分别经过多通道自注意力机制融合模型计算层，并在个性化产品结果输出
层输出用于表征用户对产品感兴趣程度的系数，用于表征用户对产品感兴趣程度的系数按
照降序排序，表征用户‑产品关联度的排序；个性化产品结果输出层根据预设的阈值N，选择
降序排序对应的前N个优质理财产品，将前N个优质理财产品推送至用户。

[0138] 本申请实施例中，多通道自注意力机制融合模型计算层的一种可选结构示意图，如图11所示，用户特征uFeature1、uFeature2…依次经过EN网络和DNN网络得到用户特征向
量；产品特征iFeature1、iFeature2…依次经过EN网络和DNN网络得到产品特征向量；用户
特征向量和产品特征向量分别输入各自对应的自注意力网络之后执行哈达玛积操作，得到
融合特征向量。用户产品特征u‑iFeature1、u‑i Feature2…依次经过EN网络和DNN网络得
到用户产品特征向量，用户产品特征向量输入对应的自注意力网络之后，与融合特征向量
执行内积操作，得到用于表征用户对产品感兴趣程度的系数。

[0139] 下面继续说明本申请实施例提供的基于人工智能的产品推荐装置455实施为软件模块的示例性结构，在一些实施例中，如图2所示，存储在存储器450的基于人工智能的产品
推荐装置455中的软件模块可以包括：数据获取模块4551，用于获取用户数据以及产品数
据；第一确定模块4552，用于基于所述用户数据和所述产品数据，确定表征用户和产品组合
特征的用户产品特征向量；第二确定模块4553，用于基于所述用户数据确定表征用户特征
的用户特征向量，以及基于所述产品数据确定表征产品特征的产品特征向量；融合模块
4554，用于基将所述用户特征向量和所述产品特征向量融合，得到融合特征向量；系数确定
模块4555，用于基于所述用户产品特征向量和所述融合特征向量，确定用于表征用户对产
品感兴趣程度的系数；所述系数用于向所述用户推荐产品。

[0140] 在一些实施例中，所述第二确定模块4553，用于对所述用户数据进行处理，得到数值型离散用户特征；

[0141] 将所述数值型离散用户特征输入第一神经网络，得到表征用户特征的用户特征向量。

[0142] 在一些实施例中，所述第二确定模块4553，用于对所述产品数据进行处理，得到数值型离散产品特征；

[0143] 将所述数值型离散产品特征输入第二神经网络，得到表征产品特征的产品特征向量。

[0144] 在一些实施例中，所述融合模块4554，用于针对所述用户特征向量中的每个向量元素，执行以下操作：

[0145] 计算所述向量元素与所述用户特征向量中的其他向量元素的相似度，将所述相似度作为对应的向量元素的权重系数；对所述向量元素根据各自对应的权重系数进行加权处
理，得到自注意力用户特征向量；

[0146] 针对所述产品特征向量中的每个向量元素，执行以下操作：

[0147] 计算所述向量元素与所述产品特征向量中的其他向量元素的相似度，将所述相似度作为对应的向量元素的权重系数；对所述向量元素根据各自对应的权重系数进行加权处
理，得到自注意力产品特征向量；

[0148] 对所述自注意力用户特征向量和所述自注意力产品特征向量执行哈达玛积操作，得到所述融合特征向量。

[0149] 在一些实施例中，所述系数确定模块4555，用于针对所述用户产品特征向量中的每个向量元素，执行以下操作：

[0150] 计算所述向量元素与所述用户产品特征向量中的其他向量元素的相似度，将所述相似度作为对应的向量元素的权重系数；对所述向量元素根据各自对应的权重系数进行加
权处理，得到自注意力用户产品特征向量；

[0151] 对所述自注意力用户产品特征向量和所述融合特征向量执行内积操作，得到所述用于表征用户对产品感兴趣程度的系数。

[0152] 在一些实施例中，所述产品装置还包括：针对每个用户，对所述用户对产品感兴趣程度的系数按照降序排序；

[0153] 将排序后的前N个所述用户对产品感兴趣程度的系数对应的产品，推荐至所述用户；N为正整数。

[0154] 在一些实施例中，所述数据获取模块4551，用于获取用户标签数据、用户历史行为数据以及针对所述用户的第三方数据。

[0155] 本申请实施例提供了一种电子设备，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的基于人工智能的产
品推荐方法。

[0156] 图12是本申请实施例的电子设备的硬件组成结构示意图，电子设备700包括：至少一个处理器701、存储器702和至少一个网络接口704。电子设备700中的各个组件通过总线
系统705耦合在一起。可理解，总线系统705用于实现这些组件之间的连接通信。总线系统
705除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明
起见，在图12中将各种总线都标为总线系统705。

[0157] 可以理解，存储器702可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是ROM、可编程只读存储器（PROM，
Programmable Read‑Only Memory）、可擦除可编程只读存储器（EPROM，Erasable 
Programmable Read‑Only Memory）、电可擦除可编程只读存储器（EEPROM，Electrically 
Erasable Programmable Read‑Only Memory）、磁性随机存取存储器（FRAM，ferromagnetic 
random access memory）、快闪存储器（Flash Memory）、磁表面存储器、光盘、或只读光盘
（CD‑ROM，Compact Disc Read‑Only Memory）；磁表面存储器可以是磁盘存储器或磁带存储
器。易失性存储器可以是随机存取存储器（RAM，Random Access Memory），其用作外部高速
缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器
（SRAM，Static Random Access Memory）、同步静态随机存取存储器（SSRAM，Synchronous 
Static Random Access Memory）、动态随机存取存储器（DRAM，Dynamic Random Access 
Memory）、同步动态随机存取存储器（SDRAM，Synchronous Dynamic Random Access 
Memory）、双倍数据速率同步动态随机存取存储器（DDRSDRAM，Double  Data Rate 
Synchronous Dynamic Random Access Memory）、增强型同步动态随机存取存储器
（ESDRAM，Enhanced Synchronous Dynamic Random Access Memory）、同步连接动态随机存
取存储器（SLDRAM，SyncLink Dynamic Random Access Memory）、直接内存总线随机存取存
储器（DRRAM，Direct Rambus Random Access Memory）。本申请实施例描述的存储器702旨
在包括但不限于这些和任意其它适合类型的存储器。

[0158] 本申请实施例中的存储器702用于存储各种类型的数据以支持电子设备700的操作。这些数据的示例包括：用于在电子设备700上操作的任何计算机程序，如应用程序7022。
实现本申请实施例方法的程序可以包含在应用程序7022中。

[0159] 上述本申请实施例揭示的方法可以应用于处理器701中，或者由处理器701实现。处理器701可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各
步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理
器701可以是通用处理器、数字信号处理器（DSP，Digital Signal Processor），或者其他可
编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器701可以实现或者执
行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任
何常规的处理器等。结合本申请实施例所公开的方法的步骤，可以直接体现为硬件译码处
理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于
存储介质中，该存储介质位于存储器702，处理器701读取存储器702中的信息，结合其硬件
完成前述方法的步骤。

[0160] 在示例性实施例中，电子设备700可以被一个或多个应用专用集成电路（ASIC，Application Specific Integrated Circuit）、DSP、可编程逻辑器件（PLD，Programmable 
Logic Device）、复杂可编程逻辑器件（CPLD，Complex Programmable Logic Device）、
FPGA、通用处理器、控制器、MCU、MPU、或其他电子元件实现，用于执行前述方法。

[0161] 本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处
理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机
设备执行本申请实施例上述的基于人工智能的产品推荐方法。

[0162] 本申请实施例提供一种存储有可执行指令的计算机可读存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的方法，例
如，如图1至图11示出的基于人工智能的产品推荐方法。

[0163] 在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD‑ROM等存储器；也可以是包括上述存储器之一或任意组合的
各种设备。

[0164] 在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其
可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在
计算环境中使用的其它单元。

[0165] 作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（HTML，Hyper Text 
Markup Language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件
中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。

[0166] 作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备
上执行。

[0167] 以上，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。