(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111546350.4 (22)申请日 2021.12.15 (71)申请人 江苏银承网络科技股份有限公司 地址 210000 江苏省南京市浦口区滨江大 道396号扬子江金融示范区3 栋3层 (72)发明人 钱海川　 (74)专利代理 机构 北京知果之信知识产权代理 有限公司 1 1541 代理人 高科 (51)Int.Cl. G06F 16/9535(2019.01) G06K 9/62(2022.01) G06N 20/00(2019.01) G06Q 40/04(2012.01) (54)发明名称 票据推荐方法以及装置、 存储介质、 电子装 置 (57)摘要 本申请公开了一种票据推荐 方法以及 装置、 存储介质、 电子装置。 该方法包括基于预设用户 访问数据分流结果， 获取目标用户数据； 对所述 目标用户数据进行特征抽取， 获取用户特征数 据； 根据所述预设票据特征数据， 召回用户感兴 趣票据数据； 将所述用户感兴趣票据数据、 所述 预设票据特征数据输入预设推荐模 型中， 得到目 标推荐结果； 根据所述所述目标推荐结果中的票 据列表排序结果， 得到所述票据推荐结果。 本申 请解决了无法向用户推荐合适的票据的技术问 题。 通过本申请能够较好的给用户推荐用户感兴 趣的票据， 提高用户的点击率以及产品转 化率。 权利要求书2页 说明书9页 附图4页 CN 114329191 A 2022.04.12 CN 114329191 A 1.一种票据推荐方法， 其特 征在于， 包括： 基于预设用户访 问数据分流结果， 获取目标用户数据， 其中所述预设用户访 问数据分 流结果包括对照组用户数据、 实验组用户数据， 所述实验组用户数据作为所述目标用户数 据； 对所述目标用户数据进行特征抽取， 获取用户特征数据， 其中所述用户特征数据包括 与所述票据相关的预设票据特征数据， 所述预设票据特征数据至少包括如下之一： 票据的 交易情况、 承兑企业的财务状况、 承兑企业的舆情信息； 根据所述预设票据特 征数据， 召回用户感兴趣票据数据； 将所述用户感兴趣票据数据、 所述预设票据特征数据输入预设推荐模型中， 得到目标 推荐结果， 其中所述预设推荐模型为使用多组数据通过机器学习训练得出 的， 多组数据中 的每组数据均包括： 用户感兴趣票据数据、 所述用户感兴趣票据数据对应的票据特征数据， 所述预设推荐模型用于根据所述票据特征数据和用户感兴趣票据数据， 计算两者之 间的相 似度， 并转 化为相应的得分 分数； 根据所述所述目标推荐结果中的票据列表排序结果， 得到所述 票据推荐结果。 2.根据权利要求1所述的方法， 其特征在于， 所述根据所述所述目标推荐结果中的票据 列表排序结果， 得到所述 票据推荐结果， 还 包括： 根据预设场景在所述目标推荐结果中确定所述票据列表排序结果， 其中所述票据列表 排序结果依次包括： 基于历史购买行为、 历史点击行为、 实时购买数据的第一排序方式， 基 于邻域模型或者深度模型的第二 排序方式。 3.根据权利要求2所述的方法， 其特征在于， 所述基于历史购买行为、 历史点击行为、 实 时购买数据的第一 排序方式， 包括： 在所述历史购买行为以及所述历史点击行的所述第 一排序方式中， 对于特征少于预设 个数的用户采用历史热门数据进行补全； 对于实时购买数据的所述第一排序 方式中， 将用户购买特征数据保存在Redis中， 并通 过执行一个预设Flink任务实时更新用户偏好数据， 同时统计 当前热门数据的特征， 用作补 全不足预设个数 特征时的用户数据。 4.根据权利要求2所述的方法， 其特 征在于， 所述基于深度模型的第二 排序方式包括： 在深度模型的排序方式 中， 根据用户偏好的承兑行类型进行票据数据召回； 将所述票据数据召回结果输入到预设建模服务上的预设深度推荐模型中， 得到用户点 击情况的概 率， 输出票据数据的排序结果。 5.根据权利要求4所述的方法， 其特征在于， 所述深度模型基于Kubernetes容器化以及 TensorFl ow serving构建模型服 务。 6.根据权利要求1所述的方法， 其特征在于， 所述基于预设用户访 问数据分流结果， 获 取目标用户数据， 包括： 根据预设推荐场景分类情况， 在每个预设推荐场景内根据实际需求对用户流量进行分 流， 其中所述预设推荐场景至少包括如下之一： 空搜推荐、 商票推荐， 所述预设用户访问数 据分流结果包括90％对照组用户数据、 10％实验组用户数据， 所述对照组用户数据不采用 推荐策略。 7.根据权利要求1所述的方法， 其特征在于， 所述对所述目标用户数据进行特征抽取，权　利　要　求　书 1/2 页 2 CN 114329191 A 2获取用户特 征数据， 包括： 所述预设票据特征数据至少包括如下之一： 计息天数， 票面价格、 票据类型、 承兑企业 类型、 票据年 化、 承兑企业财务情况、 承兑企业是否有负面信息； 在用户特征数据的连续性不符合预设条件的情况下， 将预设的具备连续性的用户特征 数据映射到不同的类别， 组成特 征对； 在用户特征数据缺乏的情况下， 采用当前的热门特征数据进行填充， 通过选取用户近 期多次不用的购买特征以及点击特征， 并按照时间衰减进 行排序后分别将该些特征数据 送 入到用户画像库； 在用户特征数据的实时性不符合预设条件的情况下， 抽取用户实时购买特征进行推 荐。 8.一种票据推荐装置， 其特 征在于， 包括： 分流模块， 用于基于预设用户访问数据分流结果， 获取目标用户数据， 其中所述预设用 户访问数据分流结果包括对照组用户数据、 实验组用户数据， 所述实验组用户数据作为所 述目标用户数据； 特征提取模块， 用于对所述目标用户数据进行特征抽取， 获取用户特征数据， 其中所述 用户特征数据包括与所述票据相关的预设票据特征数据， 所述预设票据特征数据至少包括 如下之一： 票据的交易情况、 承兑企业的财务状况、 承兑企业的舆情信息； 票据召回模块， 用于根据所述预设票据特 征数据， 召回用户感兴趣票据数据； 模型推荐模块， 用于将所述用户感兴趣票据数据、 所述预设票据特征数据输入预设推 荐模型中， 得到目标推荐结果， 其中所述预设推荐模型为使用多组数据通过机器学习训练 得出的， 多组数据中的每组数据均包括： 用户感兴趣票据数据、 所述用户感兴趣票据数据对 应的票据特 征数据； 结果输出模块， 用于根据所述所述目标推荐结果中的票据列表排序结果， 得到所述票 据推荐结果。 9.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质中存储有计算机 程序， 其中， 所述计算机程序被设置为 运行时执 行所述权利要求1至7任一项所述的方法。 10.一种电子装置， 包括存储器和 处理器， 其特征在于， 所述存储器中存储有计算机程 序， 所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项所述的方 法。权　利　要　求　书 2/2 页 3 CN 114329191 A 3