业务推荐方法、装置、计算机设备和存储介质与流程

计算;推算;计数设备的制造及其应用技术1.本技术涉及计算机技术领域，特别是涉及一种业务推荐方法、装置、计算机设备和存储介质。背景技术：2.随着计算机技术的发展，出现了业务推荐算法，业务推荐算法已经应用到了各个领域的网站中，包括图书、音乐、视频、新闻、电影、地图等等。而电子商务的应用近年来逐渐普及，各大电子商务网站都使用了电子商务相关的推荐算法，推荐算法不止给这些互联网商家带来了巨大的附加利益，同时也提高了用户满意度，增加了用户黏性。3.传统技术中，推荐算法可以帮助客户对应的商家对信息进行有效筛选，进而推荐合适的业务给客户。但由于客户和业务也随着信息过载而快速增长，新客户存在一定冷启动问题，即给没有任何行为信息记录的新客户做业务推荐，导致对新客户的业务推荐效果较差，业务推荐效率低下。技术实现要素：4.基于此，有必要针对上述技术问题，提供一种能够根据账户属性信息对业务推荐列表进行重新排序的业务推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。5.第一方面，本技术提供了一种业务推荐方法。所述方法包括：获取至少两个历史账户属性信息，所述历史账户属性信息为进行过业务操作的账户所对应的固有信息；对至少两个所述历史账户属性信息对应的账户进行分类，得到分类后账户集合，基于所述分类后账户集合进行业务偏好信息计算，得到各个所述分类后账户集合对应的账户集合偏好信息；获取新账户属性信息，将所述新账户属性信息与各个所述分类后账户集合对应的属性信息进行相似度对比，得到目标账户集合；所述目标账户集合对应的属性信息与所述新账户属性信息间的相似度满足预设条件；基于所述目标账户集合对应的属性信息与所述分类后账户集合对应的账户集合偏好信息对初始业务推荐列表中的偏好信息进行调整，得到所述新账户对所述初始业务推荐列表中各目标业务的偏好信息；根据各所述目标业务的偏好信息，针对所述新账户对应的目标业务推荐列表；所述目标业务推荐列表用于对所述新账户进行业务推荐。6.在其中一个实施例中，所述基于所述目标账户集合对应的属性信息与所述分类后账户集合对应的账户集合偏好信息对初始业务推荐列表中的偏好信息进行调整，得到所述新账户对所述初始业务推荐列表中各目标业务的偏好信息，包括：将所述目标账户集合对应的属性信息与各所述分类后账户集合对应的属性信息进行匹配，得到各属性信息匹配结果；将各所述属性信息匹配结果与相符的所述分类后账户集合对应的账户集合偏好信息进行相乘，得到各中间偏好信息；将各所述中间偏好信息进行求和运算，得到所述新账户对所述初始业务推荐列表中各目标业务的偏好信息。7.在其中一个实施例中，所述将所述目标账户集合对应的属性信息与各所述分类后账户集合对应的属性信息进行匹配，得到各属性信息匹配结果，包括：对所述目标账户集合对应的属性信息与各所述分类后账户集合对应的属性信息计算交集后取绝对值，得到属性信息交集；对所述目标账户集合对应的属性信息与各所述分类后账户集合对应的属性信息计算并集后取绝对值，得到属性信息并集；对所述属性信息交集与对应的所述属性信息并集进行除法计算，得到所述各所述属性信息匹配结果。8.在其中一个实施例中，所述基于所述分类后账户集合进行业务偏好信息计算，得到各个所述分类后账户集合对应的账户集合偏好信息，包括：基于各所述分类后账户集合对应的行为属性信息进行求和，得到各所述分类后账户集合对应的历史业务操作数，所述行为属性信息为对所述历史账户有过业务操作对应的所述历史账户属性信息；对各所述分类后账户集合对应的历史业务操作数与各所述分类后账户集合对应的历史操作账户数量进行除法运算，得到各个所述分类后账户集合对应的账户集合偏好信息；所述历史操作账户数量为个所述分类后账户集合中进行过所属业务操作的账户。9.在其中一个实施例中，所述方法还包括：将所述历史账户属性信息中的账户信息作为矩阵的行，业务信息作为矩阵的列，建立初始业务推荐矩阵；基于所述初始业务推荐矩阵中各元素对应的账户信息向量与业务信息向量进行相乘，得到所述初始业务推荐列表。10.在其中一个实施例中，所述基于所述初始业务推荐矩阵中各元素对应的账户信息向量与业务信息向量进行相乘，得到所述初始业务推荐列表，包括：对所述初始业务推荐矩阵中各元素对应的账户信息向量与业务信息向量进行求模计算，得到各所述账户信息向量的模以及业务信息向量的模；获取所述初始业务推荐矩阵中各元素对应的账户信息向量与业务信息向量之间的夹角；将各所述账户信息向量的模以及业务信息向量的模的积与所述夹角对应的余弦值相乘，得到所述初始业务推荐列表。11.第二方面，本技术还提供了一种业务推荐装置。所述装置包括：历史账户属性信息获取模块，用于获取至少两个历史账户属性信息，所述历史账户属性信息为进行过业务操作的账户所对应的固有信息；账户集合偏好信息得到模块，用于对至少两个所述历史账户属性信息对应的账户进行分类，得到分类后账户集合，基于所述分类后账户集合进行业务偏好信息计算，得到各个所述分类后账户集合对应的账户集合偏好信息；目标账户集合得到模块，用于获取新账户属性信息，将所述新账户属性信息与各个所述分类后账户集合对应的属性信息进行相似度对比，得到目标账户集合；所述目标账户集合对应的属性信息与所述新账户属性信息间的相似度满足预设条件；目标业务的偏好信息得到模块，用于基于所述目标账户集合对应的属性信息与所述分类后账户集合对应的账户集合偏好信息对初始业务推荐列表中的偏好信息进行调整，得到所述新账户对所述初始业务推荐列表中各目标业务的偏好信息；目标业务推荐模块，用于根据各所述目标业务的偏好信息，针对所述新账户对应的目标业务推荐列表；所述目标业务推荐列表用于对所述新账户进行业务推荐。12.在其中一个实施例中，目标业务的偏好信息得到模块，还用于将所述目标账户集合对应的属性信息与各所述分类后账户集合对应的属性信息进行匹配，得到各属性信息匹配结果；将各所述属性信息匹配结果与相符的所述分类后账户集合对应的账户集合偏好信息进行相乘，得到各中间偏好信息；将各所述中间偏好信息进行求和运算，得到所述新账户对所述初始业务推荐列表中各目标业务的偏好信息。13.在其中一个实施例中，目标业务的偏好信息得到模块，还用于对所述目标账户集合对应的属性信息与各所述分类后账户集合对应的属性信息计算交集后取绝对值，得到属性信息交集；对所述目标账户集合对应的属性信息与各所述分类后账户集合对应的属性信息计算并集后取绝对值，得到属性信息并集；对所述属性信息交集与对应的所述属性信息并集进行除法计算，得到所述各所述属性信息匹配结果。14.在其中一个实施例中，账户集合偏好信息得到模块，还用于基于各所述分类后账户集合对应的行为属性信息进行求和，得到各所述分类后账户集合对应的历史业务操作数，所述行为属性信息为对所述历史账户有过业务操作对应的所述历史账户属性信息；对各所述分类后账户集合对应的历史业务操作数与各所述分类后账户集合对应的历史操作账户数量进行除法运算，得到各个所述分类后账户集合对应的账户集合偏好信息；所述历史操作账户数量为个所述分类后账户集合中进行过所属业务操作的账户。15.在其中一个实施例中，初始业务推荐列表得到模块，还用于将所述历史账户属性信息中的账户信息作为矩阵的行，业务信息作为矩阵的列，建立初始业务推荐矩阵；基于所述初始业务推荐矩阵中各元素对应的账户信息向量与业务信息向量进行相乘，得到所述初始业务推荐列表。16.在其中一个实施例中，初始业务推荐列表得到模块，还用于对所述初始业务推荐矩阵中各元素对应的账户信息向量与业务信息向量进行求模计算，得到各所述账户信息向量的模以及业务信息向量的模；获取所述初始业务推荐矩阵中各元素对应的账户信息向量与业务信息向量之间的夹角；将各所述账户信息向量的模以及业务信息向量的模的积与所述夹角对应的余弦值相乘，得到所述初始业务推荐列表。17.第三方面，本技术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以下步骤：获取至少两个历史账户属性信息，所述历史账户属性信息为进行过业务操作的账户所对应的固有信息；对至少两个所述历史账户属性信息对应的账户进行分类，得到分类后账户集合，基于所述分类后账户集合进行业务偏好信息计算，得到各个所述分类后账户集合对应的账户集合偏好信息；获取新账户属性信息，将所述新账户属性信息与各个所述分类后账户集合对应的属性信息进行相似度对比，得到目标账户集合；所述目标账户集合对应的属性信息与所述新账户属性信息间的相似度满足预设条件；基于所述目标账户集合对应的属性信息与所述分类后账户集合对应的账户集合偏好信息对初始业务推荐列表中的偏好信息进行调整，得到所述新账户对所述初始业务推荐列表中各目标业务的偏好信息；根据各所述目标业务的偏好信息，针对所述新账户对应的目标业务推荐列表；所述目标业务推荐列表用于对所述新账户进行业务推荐。18.第四方面，本技术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以下步骤：获取至少两个历史账户属性信息，所述历史账户属性信息为进行过业务操作的账户所对应的固有信息；对至少两个所述历史账户属性信息对应的账户进行分类，得到分类后账户集合，基于所述分类后账户集合进行业务偏好信息计算，得到各个所述分类后账户集合对应的账户集合偏好信息；获取新账户属性信息，将所述新账户属性信息与各个所述分类后账户集合对应的属性信息进行相似度对比，得到目标账户集合；所述目标账户集合对应的属性信息与所述新账户属性信息间的相似度满足预设条件；基于所述目标账户集合对应的属性信息与所述分类后账户集合对应的账户集合偏好信息对初始业务推荐列表中的偏好信息进行调整，得到所述新账户对所述初始业务推荐列表中各目标业务的偏好信息；根据各所述目标业务的偏好信息，针对所述新账户对应的目标业务推荐列表；所述目标业务推荐列表用于对所述新账户进行业务推荐。19.第五方面，本技术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以下步骤：获取至少两个历史账户属性信息，所述历史账户属性信息为进行过业务操作的账户所对应的固有信息；对至少两个所述历史账户属性信息对应的账户进行分类，得到分类后账户集合，基于所述分类后账户集合进行业务偏好信息计算，得到各个所述分类后账户集合对应的账户集合偏好信息；获取新账户属性信息，将所述新账户属性信息与各个所述分类后账户集合对应的属性信息进行相似度对比，得到目标账户集合；所述目标账户集合对应的属性信息与所述新账户属性信息间的相似度满足预设条件；基于所述目标账户集合对应的属性信息与所述分类后账户集合对应的账户集合偏好信息对初始业务推荐列表中的偏好信息进行调整，得到所述新账户对所述初始业务推荐列表中各目标业务的偏好信息；根据各所述目标业务的偏好信息，针对所述新账户对应的目标业务推荐列表；所述目标业务推荐列表用于对所述新账户进行业务推荐。20.上述业务推荐方法、装置、计算机设备、存储介质和计算机程序产品，通过获取至少两个历史账户属性信息，历史账户属性信息为进行过业务操作的账户所对应的固有信息；对至少两个历史账户属性信息对应的账户进行分类，得到分类后账户集合，基于分类后账户集合进行业务偏好信息计算，得到各个分类后账户集合对应的账户集合偏好信息；获取新账户属性信息，将新账户属性信息与各个分类后账户集合对应的属性信息进行相似度对比，得到目标账户集合；目标账户集合对应的属性信息与新账户属性信息间的相似度满足预设条件；基于目标账户集合对应的属性信息与分类后账户集合对应的账户集合偏好信息对初始业务推荐列表中的偏好信息进行调整，得到新账户对初始业务推荐列表中各目标业务的偏好信息；根据各目标业务的偏好信息，针对新账户对应的目标业务推荐列表；目标业务推荐列表用于对新账户进行业务推荐。21.通过提出一种重排序阶段的新账户优化推荐算法。首先提取历史账户属性信息，给历史账户根据属性信息做分类，然后再提取历史账户和业务之间的关联特征。当为新账户做业务推荐时，在算法为新账户计算预测评分列表后，再根据新账户的属性信息，对初始业务推荐列表进行重排序。能够基于新账户的属性信息与业务之间的关联，从初始业务推荐列表中筛选出至少一个更符合新账户偏好的各目标业务，从而提高新账户对业务推荐准确率，提升新账户对业务推荐效率。附图说明22.图1为一个实施例中业务推荐方法的应用环境图；23.图2为一个实施例中业务推荐方法的流程示意图；24.图3为一个实施例中得到目标业务的偏好信息方法的流程示意图；25.图4为一个实施例中得到属性信息匹配结果方法的流程示意图；26.图5为一个实施例中得到账户集合偏好信息方法的流程示意图；27.图6为一个实施例中得到初始业务推荐列表方法的流程示意图；28.图7为另一个实施例中得到初始业务推荐列表方法的流程示意图；29.图8为一个实施例中初始业务推荐矩阵的示意图；30.图9为一个实施例中业务推荐装置的结构框图；31.图10为一个实施例中计算机设备的内部结构图。具体实施方式32.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。33.本技术实施例提供的业务推荐方法，可以应用于如图1所示的应用环境中。终端102获取数据，服务器104响应终端102的指令接收终端102的数据，并且对获取得到的数据进行计算，服务器104将数据的计算结果传输回终端102，并且由终端102进行显示。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104从终端102处获取至少两个历史账户属性信息，历史账户属性信息为进行过业务操作的账户所对应的固有信息；对至少两个历史账户属性信息对应的账户进行分类，得到分类后账户集合，基于分类后账户集合进行业务偏好信息计算，得到各个分类后账户集合对应的账户集合偏好信息；获取新账户属性信息，将新账户属性信息与各个分类后账户集合对应的属性信息进行相似度对比，得到目标账户集合；目标账户集合对应的属性信息与新账户属性信息间的相似度满足预设条件；基于目标账户集合对应的属性信息与分类后账户集合对应的账户集合偏好信息对初始业务推荐列表中的偏好信息进行调整，得到新账户对初始业务推荐列表中各目标业务的偏好信息；根据各目标业务的偏好信息，针对新账户对应的目标业务推荐列表；目标业务推荐列表用于对新账户进行业务推荐。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。34.在一个实施例中，如图2所示，提供了一种业务推荐方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：35.步骤202，获取至少两个历史账户属性信息。36.其中，历史账户属性信息可以是进行过业务操作的账户所对应的固有信息，其中，属性信息可以是但不局限于购买、分享、关注或收藏、点赞以及查看详情等。37.具体地，服务器响应终端的指令，从终端处获取至少两个历史账户属性信息，并且将获取到的历史账户属性信息存储到存储单元中，当服务器需要对历史账户属性信息中的任意固有信息对应的数据记录进行处理时，则从存储单元中调取至易失性存储资源以供中央处理器进行计算。其中，任意固有信息对应的数据记录可以是单个数据，也可以为多个数据同时输入。38.举例来说，服务器104响应终端102的指令，从终端102处获取至少两个历史账户属性信息，并存储到服务器104中的存储单元中，其中服务器104获取到的固有信息对应的数据记录有10条，可以同时为多个数据同时输入。39.步骤204，对至少两个历史账户属性信息对应的账户进行分类，得到分类后账户集合，基于分类后账户集合进行业务偏好信息计算，得到各个分类后账户集合对应的账户集合偏好信息。40.其中，分类后账户集合可以是按照多个历史账户中的属性信息具有共同表现形式的历史账户进行分类后而形成的账户集合。例如：分类后账户集合1：性别男、老年、本科；分类后账户集合2：性别男、老年、研究生；分类后账户集合3：性别女、中年、本科；分类后账户集合4：性别女、中年、研究生。41.其中，账户集合偏好信息可以是对于任意一个分类后账户集合进行业务偏好计算后，得到关于分类后账户集合一一对应的业务偏好度，该业务偏好度能够反映对应的分类后账户集合中包含的同类型的属性信息与业务之间的对应关系。42.具体地，对至少两个历史账户属性信息对应的账户按照具有共同表现形式进行分类，例如：性别、年龄、学历、职业等属性信息进行分类，得到多个分类后账户集合。假设第i类历史账户有个ni属性信息，则历史账户可分为种不同分类后账户集合，每一组分类后账户集合用sj,表示。用以下公式计算第i类分类后账户集合对应业务的账户集合偏好信息：[0043][0044]其中表示对该业务有过行为操作的，且第i类历史账户对业务的操作数。numx表示对该业务有过行为操作的历史账户总数。为了将历史账户属性信息更突出的展现，采用偏好叠加的方法，将具有相似标签的历史账户的偏好叠加，并进行了归一处理。基于各个分类后账户集合进行业务偏好信息计算，得到各个分类后账户集合对应的账户集合偏好信息。[0045]举例来说，假设喜欢a业务有k＝3类历史账户属性信息：性别、年龄、学历。第1类历史账户：性别，有n1＝2个细分属性信息：性别男、性别女。其中男女为特征的属性；第2类历史账户：年龄，有n2＝2个属性信息：中年、老年；第3类历史账户：学历，有n3＝2个属性信息：研究生、本科。则客户可分为n1*n2*n3＝8种不同客户群：分类后账户集合1：性别男、中年、本科；分类后账户集合2：性别男、中年、研究生；分类后账户集合3：性别男、老年、本科；分类后账户集合4：性别男、老年、研究生；分类后账户集合5：性别女、中年、本科；分类后账户集合6：性别女、中年、研究生；分类后账户集合7：性别女、老年、本科；分类后账户集合8：性别女、老年、研究生。[0046]公式中的操作u表示取对该产品有过行为操作的历史账户中属性特征的并集为第i类分类后账户集合的属性特征。假设第i＝1类分类后账户集合s1：性别男、中年、本科，对a业务有过行为操作的历史账户总数为5名，分别如下：历史账户1：属于分类后账户集合1(性别男、中年、本科)，购买2次；历史账户2：属于分类后账户集合3(性别男、老年、本科)，分享2次；历史账户3：属于分类后账户集合4(性别男、老年、研究生)，点赞1次；历史账户4：属于分类后账户集合2(性别男、中年、研究生)，分享5次；历史账户5：属于分类后账户集合5(性别女、中年、本科)，购买2次。针对公式中的u，以上这些客户，只有历史账户1对该产品的购买行为操作都属于s1类客户。[0047]步骤206，获取新账户属性信息，将新账户属性信息与各个分类后账户集合对应的属性信息进行相似度对比，得到目标账户集合。[0048]其中，新账户属性信息可以是为未进行过业务操作的账户所对应的固有信息。[0049]其中，目标账户集合可以是该集合对应的属性信息与新账户属性信息间的相似度满足预设条件而选定的分类后账户集合。[0050]具体地，获取新账户对应的属性信息，基于该属性信息与多个历史账户进行分类后的各个分类后账户集合所带有的属性信息进行逐一遍历，并且输出新账户属性信息与各个分类后账户集合对应的属性信息的相似度。选取两者之间对比后相似度最高的分类后账户集合作为目标账户集合。[0051]举例来说，获取得到的新账户对应的属性信息为n个，基于该属性信息与各个分类后账户集合所对应的属性信息进行相似度对比，对于每一个对比结果输出对应的相似度x，选取两者的属性信息相似度最高的分类后账户集合作为目标账户集合。[0052]步骤208，基于目标账户集合对应的属性信息与分类后账户集合对应的账户集合偏好信息对初始业务推荐列表中的偏好信息进行调整，得到新账户对初始业务推荐列表中各目标业务的偏好信息。[0053]其中，初始业务推荐列表可以是根据历史账户属性信息进行归纳而得到的历史账户与业务推荐之间的表格，该表格中的历史账户与业务推荐存有映射关系。初始业务推荐列表将根据新账户属性信息对列表中的业务的偏好信息进行顺序上的调整，以方便业务人员对新账户进行业务推荐。[0054]其中，目标业务的偏好信息可以是新账户通过计算后得到对初始业务推荐里表中的各个业务的偏好程度，该偏好程度可以用百分比进行表示，也可以用等级进行表示，表示方式可根据实际情况进行调整。[0055]具体地，计算新账户对任意一个目标业务的偏好信息，首先找到与新账户属性信息相似的分类后账户集合，然后分析历史账户所对应的的偏好信息较高的业务，最终预测新账户对该业务的偏好信息。根据属性信息划分后，若任意一个新账户属于其中一个分类后账户集合时，将对该分类后账户集合作为目标账户集合sj，该新账户对业务的偏好信息计算公式如下：[0056][0057]其中pi即第i组客户群对该产品的偏好程度，sj∩si表示分类后账户集合sj和分类后账户集合si的属性信息交集，sj∪si表示分类后账户集合sj和分类后账户集合si的属性信息并集。例如：分类后账户集合si：性别男、中年、本科，分类后账户集合sj：性别女、中年、本科，则计算交集和并集后，得到的偏差度为2/4＝0.5。根据对初始业务推荐列表中各个目标业务的偏好信息进行计算后，对初始业务推荐列表中的偏好信息进行调整，得到新账户对初始业务推荐列表中各目标业务的偏好信息。[0058]举例来说，对于初始业务推荐列表中的m个目标业务，使用上述公式进行针对新账户的目标业务的偏好信息进行计算，得到m各目标业务对应的目标业务的偏好信息y1、y2……ym。并基于y1、y2……ym对初始业务推荐列表中的各个目标业务针对新账户的偏好信息进行调整更新。[0059]步骤210，根据各目标业务的偏好信息，针对新账户对应的目标业务推荐列表。[0060]其中，目标业务推荐列表可以是初始业务推荐列表中各个目标业务根据计算好的对应的目标业务的偏好信息进行重新排序而得到的列表。目标业务推荐列表可以用于对新账户进行业务推荐。[0061]具体地，根据各目标业务的偏好信息，针对新账户的属性信息对应调整初始业务推荐列表中的各个目标业务的顺序，得到用于新账户进行业务推荐的目标业务推荐列表。[0062]举例来说，根据目标业务的偏好信息1-10，针对新账户的属性信息对初始业务列表中对应的10个目标业务的顺序按照推荐度高到低进行重新排序，得到包括目标业务的偏好信息1-10并用于新账户进行业务推荐的目标业务推荐列表。[0063]上述业务推荐方法中，通过获取至少两个历史账户属性信息，历史账户属性信息为进行过业务操作的账户所对应的固有信息；对至少两个历史账户属性信息对应的账户进行分类，得到分类后账户集合，基于分类后账户集合进行业务偏好信息计算，得到各个分类后账户集合对应的账户集合偏好信息；获取新账户属性信息，将新账户属性信息与各个分类后账户集合对应的属性信息进行相似度对比，得到目标账户集合；目标账户集合对应的属性信息与新账户属性信息间的相似度满足预设条件；基于目标账户集合对应的属性信息与分类后账户集合对应的账户集合偏好信息对初始业务推荐列表中的偏好信息进行调整，得到新账户对初始业务推荐列表中各目标业务的偏好信息；根据各目标业务的偏好信息，针对新账户对应的目标业务推荐列表；目标业务推荐列表用于对新账户进行业务推荐。[0064]通过提出一种重排序阶段的新账户优化推荐算法。首先提取历史账户属性信息，给历史账户根据属性信息做分类，然后再提取历史账户和业务之间的关联特征。当为新账户做业务推荐时，在算法为新账户计算预测评分列表后，再根据新账户的属性信息，对初始业务推荐列表进行重排序。能够基于新账户的属性信息与业务之间的关联，从初始业务推荐列表中筛选出至少一个更符合新账户偏好的各目标业务，从而提高新账户对业务推荐准确率，提升新账户对业务推荐效率。[0065]在一个实施例中，如图3所示，基于目标账户集合对应的属性信息与分类后账户集合对应的账户集合偏好信息对初始业务推荐列表中的偏好信息进行调整，得到新账户对初始业务推荐列表中各目标业务的偏好信息，包括：[0066]步骤302，将目标账户集合对应的属性信息与各分类后账户集合对应的属性信息进行匹配，得到各属性信息匹配结果。[0067]其中，属性信息匹配结果可以是目标账户集合对应的属性信息与各分类后账户集合对应的属性信息计算并集和交集之后进行除法运算而得到的结果，该属性信息匹配结果可以采用不同的形式进行表达，具体的表达形式根据业务需求进行确定。例如：属性信息的重合度等。[0068]具体地，分别对目标账户集合对应的属性信息与各分类后账户集合对应的属性信息计算并集和交集，计算得到的各并集分别除以对应的交集，则为各属性信息匹配结果。根据属性信息划分后，若任意一个新账户属于其中一个分类后账户集合时，将对该分类后账户集合作为目标账户集合sj，该新账户对业务的偏好信息计算公式如下：[0069][0070]其中pi即第i组客户群对该产品的偏好程度，sj∩si表示分类后账户集合sj和分类后账户集合si的属性信息交集，sj∪si表示分类后账户集合sj和分类后账户集合si的属性信息并集。其中，上式中的|sj∩si|/|sj∪si|，则为任意一个属性信息匹配结果。[0071]举例来说，分别对目标账户集合对应的属性信息与10个分类后账户集合对应的属性信息计算并集和交集，得到并集1-10以及交集1-10，将计算得到的并集1-10分别除以对应的交集1-10，则为属性信息匹配结果1-10。[0072]步骤304，将各属性信息匹配结果与相符的分类后账户集合对应的账户集合偏好信息进行相乘，得到各中间偏好信息。[0073]其中，中间偏好信息可以是属性信息匹配结果与各自的分类后账户集合对应的账户集合偏好信息进行计算所得到的乘积，每一个中间偏好信息是构成目标业务的偏好信息的子信息。[0074]具体地，将每一个属性信息匹配结果与相匹配的分类后账户集合对应的账户集合偏好信息进行乘法运算，得到各个属性信息匹配结果对应的中间偏好信息。具体表达式如步骤302的公式中所示的(|sj∩si|/|sj∪si|)×pi，乘积即为中间偏好信息。[0075]举例来说，计算得到属性信息匹配结果1-10，分别对应于账户集合偏好信息1-10进行乘法运算，得到各中间偏好信息1-10。具体计算公式如步骤302的公式中所示的(|sj∩si|/|sj∪si|)×pi。[0076]步骤306，将各中间偏好信息进行求和运算，得到新账户对初始业务推荐列表中各目标业务的偏好信息。[0077]具体地，对于根据各个属性信息匹配结果与各自对应的账户集合偏好信息进行乘法运算而得到的各个中间偏好信息进行求和运算，得到的和即为新账户对初始业务推荐表中各目标业务的偏好信息。具体表达式如步骤302所示，其中每一个中间偏好信息由(|sj∩si|/|sj∪si|)×pi计算获得，对于表达式中的求和符号，即为本步骤中的将各中间偏好信息进行求和运算。[0078]举例来说，计算得到属性信息匹配结果1-10，分别对应于账户集合偏好信息1-10进行乘法运算，得到各中间偏好信息1-10，针对得到的各中间偏好信息1-10进行求和运算，得到新账户对初始业务推荐列表中各目标业务的偏好信息。[0079]本实施例中，通过计算各属性信息匹配结果和分类后账户集合对应的账户集合偏好信息的乘积，能够达到计算各目标业务的偏好信息的时候考虑到历史账户的属性信息的引入，提高算法对于新账户的业务推荐的准确率。[0080]在一个实施例中，如图4所示，将目标账户集合对应的属性信息与各分类后账户集合对应的属性信息进行匹配，得到各属性信息匹配结果，包括：[0081]步骤402，对目标账户集合对应的属性信息与各分类后账户集合对应的属性信息计算交集后取绝对值，得到属性信息交集。[0082]其中，属性信息交集可以是目标账户集合对应的属性信息与各分类后账户集合对应的属性信息之间存在交集的信息。[0083]具体地，将目标账户集合对应的属性信息与各分类后账户集合对应的属性信息进行对比，然后将目标账户集合对应的属性信息与各分类后账户集合对应的属性信息中相同的部分提取出来，并且对提取出来的属性信息去绝对值，得到属性信息交集。具体如步骤302中的表达式所示，其中，步骤302中的表达式中的|sj∩si|即为计算属性信息交集。[0084]举例来说，目标账户集合对应的属性信息为1-10，,分类后账户集合对应的属性信息为6-15，然后将目标账户集合对应的属性信息与各分类后账户集合对应的属性信息中相同的部分提取出来，并且对提取出来的属性信息去绝对值，得到属性信息交集|6-10|。[0085]步骤404，对目标账户集合对应的属性信息与各分类后账户集合对应的属性信息计算并集后取绝对值，得到属性信息并集。[0086]其中，属性信息并集可以是目标账户集合对应的属性信息与各分类后账户集合对应的属性信息之间存在并集的信息。[0087]具体地，将目标账户集合对应的属性信息与各分类后账户集合对应的属性信息进行对比，然后将目标账户集合对应的属性信息与各分类后账户集合对应的属性信息合并起来，并且对合并出来的属性信息去绝对值，得到属性信息并集。具体如步骤302中的表达式所示，其中，步骤302中的表达式中的|sj∪si|即为计算属性信息并集。[0088]举例来说，目标账户集合对应的属性信息为1-10，分类后账户集合对应的属性信息为6-15，然后将目标账户集合对应的属性信息与各分类后账户集合对应的属性信息合并起来，并且对合并出来的属性信息去绝对值，得到属性信息交集|1-15|。[0089]步骤406，对属性信息交集与对应的属性信息并集进行除法计算，得到各属性信息匹配结果。[0090]具体地，将属性信息交集作为被除数，与之对应的属性信息并集作为除数，然后将两者进行除法计算，得到各属性信息匹配结果。具体如步骤302中的表达式所示，其中，步骤302中的表达式中的(|sj∩si|/|sj∪si|)即为计算属性信息匹配结果。[0091]举例来说，计算后得到属性信息交集|6-10|，同时计算后得到属性信息交集|1-15|，则属性信息匹配结果(|6-10|/|1-15|)。[0092]本实施例中，通过引入属性信息交集以及属性信息并集，并且对属性信息交集以及属性信息并集做出除法运算，能够提升属性信息匹配结果的计算准确度，减少偏差度。[0093]在一个实施例中，如图5所示，基于分类后账户集合进行业务偏好信息计算，得到各个分类后账户集合对应的账户集合偏好信息，包括：[0094]步骤502，基于各分类后账户集合对应的行为属性信息进行求和，得到各分类后账户集合对应的历史业务操作数。[0095]其中，行为属性信息可以是对历史账户有过业务操作对应的历史账户属性信息。[0096]其中，历史业务操作数可以是每一个分类后账户集合对该业务有过行为操作的历史账户中的历史账户属性信息的并集。[0097]具体地，将各个分类后账户集合中有过业务操作的账户所对应的历史账户属性信息进行求和，得到的和即为各个分类后账户集合对应的历史业务操作数。具体的计算公式如下，假设第i类历史账户有个ni属性信息，则历史账户可分为种不同分类后账户集合，每一组分类后账户集合用sj,表示。用以下公式计算第i类分类后账户集合对应业务的账户集合偏好信息：[0098][0099]其中表示对该业务有过行为操作的，且第i类历史账户对业务的操作数，即计算各个分类后账户集合对应的历史业务操作数。numx表示对该业务有过行为操作的历史账户总数。[0100]举例来说，公式中的操作u表示取对该产品有过行为操作的历史账户中属性特征的并集为第i类分类后账户集合的属性特征。假设第i＝1类分类后账户集合s1：性别男、中年、本科，对a业务有过行为操作的历史账户总数为5名，分别如下：历史账户1：属于分类后账户集合1(性别男、中年、本科)，购买2次；历史账户2：属于分类后账户集合3(性别男、老年、本科)，分享2次；历史账户3：属于分类后账户集合4(性别男、老年、研究生)，点赞1次；历史账户4：属于分类后账户集合2(性别男、中年、研究生)，分享5次；历史账户5：属于分类后账户集合5(性别女、中年、本科)，购买2次。针对公式中的u，以上这些客户，只有历史账户1对该产品的购买行为操作都属于s1类客户。[0101]步骤504，对各分类后账户集合对应的历史业务操作数与各分类后账户集合对应的历史操作账户数量进行除法运算，得到各个分类后账户集合对应的账户集合偏好信息。[0102]其中，历史操作账户数量可以是分类后账户集合中进行过所属业务操作的历史账户。[0103]具体地，对分类后账户集合中进行过所属业务操作的历史账户进行统计，得到历史操作账户数量，基于分类后账户集合对应的历史业务操作数与各分类后账户集合对应的历史操作账户数量进行除法运算，其中，历史业务操作数作为被除数，历史操作账户数量作为除数，计算后得到各个分类后账户集合对应的账户集合偏好信息。具体的计算公式如步骤502所示，公式中的pi即为分类后账户集合对应的账户集合偏好信息。[0104]举例来说，分类后账户集合对应的历史业务操作数为a，而分类后账户集合对应的历史操作账户数量为b，根据步骤502的计算公式进行账户集合偏好信息计算，得到分类后账户集合对应的账户集合偏好信息px＝a/b。[0105]本实施例中，通过对各分类后账户集合对应的历史账户属性信息进行求和，然后得到的和对历史操作账户数量求商，能够充分体现出有进行过业务操作的历史账户的权重，减少没有进行过业务操作的历史账户所带来的影响，提高账户集合偏好信息的准确率。[0106]在一个实施例中，如图6所示，方法还包括：[0107]步骤602，将历史账户属性信息中的账户信息作为矩阵的行，业务信息作为矩阵的列，建立初始业务推荐矩阵。[0108]其中，账户信息可以是历史账户属性信息中用于表示账户的基本信息，可以是历史账户的持有者、持有者的个人信息等。[0109]其中，业务信息可以是历史账户中曾经办理过的业务所对应的业务信息。[0110]其中，初始业务推荐矩阵可以是采用账户信息作为矩阵的行，业务信息作为矩阵的列而建立起来用于表示账户信息和业务信息的关系的矩阵。[0111]具体地，获取历史账户属性信息，例如：历史账户属性信息来源可以是业务的属性数据(七日年化收益率、每万份收益等)、账户对应的客户画像以及账户对应的客户行为信息(收藏、点赞、购买、分享等)。对历史账户属性信息进行预处理，将历史账户属性信息中的脏数据清洗，且历史账户属性信息格式统一，按照不同行为评分标准进行打分，得到初始业务推荐矩阵。对于同一账户的不同行为，会有不同的权重。如一个账户对某产品进行过购买行为，对另一个产品进行过点赞行为，默认购买过的产品兴趣度会更大。因此制定以下权重分数规则：购买为6分，分享为3分，关注或收藏为2分，点赞为2分，查看详情为1分。[0112]其中，初始业务推荐矩阵中的行列两个维度分别为账户信息维和业务信息维，其中，账户信息维包括m个账户，业务信息维包括n个业务。初始业务推荐矩阵如图8所示。图8中，m个账户具体为账户信息c-1～c-m，n个业务具体为业务信息p-1～p-m，a_ij(i＝1～m，j＝1～n)为初始业务推荐矩阵中的各个元素。图8中的行对应于初始业务推荐矩阵中的账户信息维，列对应于初始业务推荐矩阵中的业务信息维。[0113]举例来说，将账户信息1-10作为初始业务推荐矩阵中的账户信息维，业务信息1-20作为初始业务推荐矩阵中的业务信息维，得到由账户信息1-10和业务信息1-20所组成的初始业务推荐矩阵。[0114]步骤604，基于初始业务推荐矩阵中各元素对应的账户信息向量与业务信息向量进行相乘，得到初始业务推荐列表。[0115]其中，账户信息向量为初始业务推荐矩阵中由账户信息所形成的向量。[0116]其中，业务信息向量为初始业务推荐矩阵中由业务信息所形成的向量。[0117]具体地，将每个账户的客户账户信息向量与n个业务的业务信息向量分别作内积，得到与n个业务分别对应的n个预测评分值。向量的内积与相邻夹角的余弦成正比。夹角越小，向量的内积越大。因此，可以通过向量的内积，来评估账户信息向量与业务信息向量的相关性。预测评分值的计算公式示例为下式：[0118][0119]其中，mi表示第i个客户的账户信息向量，nj表示第j个业务的业务信息向量，表示基于第i个账户的账户信息向量与第j个业务的业务信息向量的内积，即对第i个账户办理第j个业务的预测评分值。[0120]可以基于m个账户各自的账户信息向量与n个业务的业务信息向量分别作内积，得到初始业务推荐矩阵，其中，初始业务推荐矩阵中与每个账户对应的维度中的值为n个预测评分值。例如，将m个账户各自的账户信息向量分别作为行向量组合成一个矩阵，与此同时将n个业务的业务户信息向量分别作为列向量组合成另一个矩阵，然后将两个矩阵进行点积运算，可以得到该初始业务推荐矩阵。以此方式，可以汇总计算m个账户和n个业务对应的预测评分，还原矩阵。基于n个预测评分值的排序，确定从n个业务中确定推荐的业务。[0121]本实施例中，通过建立由历史账户属性信息的矩阵，并进一步根据矩阵得到初始业务推荐列表，能够兼顾历史账户属性信息中的账户信息以及业务信息之间的关系，使得初始业务推荐列表中的评分与历史账户的对应关系跟准确。[0122]在一个实施例中，如图7所示，基于初始业务推荐矩阵中各元素对应的账户信息向量与业务信息向量进行相乘，得到初始业务推荐列表，包括：[0123]步骤702，对初始业务推荐矩阵中各元素对应的账户信息向量与业务信息向量进行求模计算，得到各账户信息向量的模以及业务信息向量的模。[0124]其中，向量的模可以是向量的大小，也就是向量的长度，账户信息向量的模就是账户信息向量的长度，业务信息向量的模就是业务信息向量的长度。[0125]具体地，对初始业务推荐矩阵中各元素对应的账户信息向量与业务信息向量进行求模计算，得到关于各个账户信息向量和业务信息向量对应的向量长度，也就是各个向量对应的模。[0126]举例来说，对初始业务推荐矩阵中的账户信息向量x与业务信息向量y进行求模计算，得到账户信息向量x对应的账户信息向量长度|x|与业务信息向量y对应的业务信息向量长度|y|。[0127]步骤704，获取初始业务推荐矩阵中各元素对应的账户信息向量与业务信息向量之间的夹角。[0128]具体地，获取初始业务推荐矩阵中任意账户信息向量与业务信息向量之间的夹角，其中，该夹角为两个向量的起点相连接后两个向量之间小于180度的夹角。[0129]举例来说，获取初始业务推荐矩阵中任意账户信息向量x与业务信息向量y之间的夹角，该夹角为90度。[0130]步骤706，将各账户信息向量的模以及业务信息向量的模的积与夹角对应的余弦值相乘，得到初始业务推荐列表。[0131]具体地，对任意账户信息向量与业务信息向量中的夹角求余弦值，然后将各个账户信息向量的模以及业务信息向量的模的乘积与夹角的余弦值相乘，得到初始业务推荐列表。[0132]举例来说，基于m个账户各自的账户信息向量与n个业务的业务信息向量分别作内积，得到初始业务推荐矩阵，其中，初始业务推荐矩阵中与每个账户对应的维度中的值为n个预测评分值。例如，将m个账户各自的账户信息向量分别作为行向量组合成一个矩阵，与此同时将n个业务的业务户信息向量分别作为列向量组合成另一个矩阵，然后将两个矩阵进行点积运算，可以得到该初始业务推荐矩阵。以此方式，可以汇总计算m个账户和n个业务对应的预测评分值，还原矩阵。基于n个预测评分值的排序，确定从n个业务中确定推荐的业务。[0133]本实施例中，通过计算每个历史账户的账户信息向量与各个业务的业务信息向量之间的内积，能够更加准确地计算初始业务推荐列表中的每一个业务所对应的预测评分值。[0134]应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。[0135]基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的业务推荐方法的业务推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个业务推荐装置实施例中的具体限定可以参见上文中对于业务推荐方法的限定，在此不再赘述。[0136]在一个实施例中，如图9所示，提供了一种业务推荐装置，包括：历史账户属性信息获取模块、账户集合偏好信息得到模块、目标账户集合得到模块、目标业务的偏好信息得到模块和目标业务推荐模块，其中：[0137]历史账户属性信息获取模块902，用于获取至少两个历史账户属性信息，历史账户属性信息为进行过业务操作的账户所对应的固有信息；[0138]账户集合偏好信息得到模块904，用于对至少两个历史账户属性信息对应的账户进行分类，得到分类后账户集合，基于分类后账户集合进行业务偏好信息计算，得到各个分类后账户集合对应的账户集合偏好信息；[0139]目标账户集合得到模块906，用于获取新账户属性信息，将新账户属性信息与各个分类后账户集合对应的属性信息进行相似度对比，得到目标账户集合；目标账户集合对应的属性信息与新账户属性信息间的相似度满足预设条件；[0140]目标业务的偏好信息得到模块908，用于基于目标账户集合对应的属性信息与分类后账户集合对应的账户集合偏好信息对初始业务推荐列表中的偏好信息进行调整，得到新账户对初始业务推荐列表中各目标业务的偏好信息；[0141]目标业务推荐模块910，用于根据各目标业务的偏好信息，针对新账户对应的目标业务推荐列表；目标业务推荐列表用于对新账户进行业务推荐。[0142]在其中一个实施例中，目标业务的偏好信息得到模块，还用于将目标账户集合对应的属性信息与各分类后账户集合对应的属性信息进行匹配，得到各属性信息匹配结果；将各属性信息匹配结果与相符的分类后账户集合对应的账户集合偏好信息进行相乘，得到各中间偏好信息；将各中间偏好信息进行求和运算，得到新账户对初始业务推荐列表中各目标业务的偏好信息。[0143]在其中一个实施例中，目标业务的偏好信息得到模块，还用于对目标账户集合对应的属性信息与各分类后账户集合对应的属性信息计算交集后取绝对值，得到属性信息交集；对目标账户集合对应的属性信息与各分类后账户集合对应的属性信息计算并集后取绝对值，得到属性信息并集；对属性信息交集与对应的属性信息并集进行除法计算，得到各属性信息匹配结果。[0144]在其中一个实施例中，账户集合偏好信息得到模块，还用于基于各分类后账户集合对应的行为属性信息进行求和，得到各分类后账户集合对应的历史业务操作数，行为属性信息为对历史账户有过业务操作对应的历史账户属性信息；对各分类后账户集合对应的历史业务操作数与各分类后账户集合对应的历史操作账户数量进行除法运算，得到各个分类后账户集合对应的账户集合偏好信息；历史操作账户数量为个分类后账户集合中进行过所属业务操作的账户。[0145]在其中一个实施例中，初始业务推荐列表得到模块，还用于将历史账户属性信息中的账户信息作为矩阵的行，业务信息作为矩阵的列，建立初始业务推荐矩阵；基于初始业务推荐矩阵中各元素对应的账户信息向量与业务信息向量进行相乘，得到初始业务推荐列表。[0146]在其中一个实施例中，初始业务推荐列表得到模块，还用于对初始业务推荐矩阵中各元素对应的账户信息向量与业务信息向量进行求模计算，得到各账户信息向量的模以及业务信息向量的模；获取初始业务推荐矩阵中各元素对应的账户信息向量与业务信息向量之间的夹角；将各账户信息向量的模以及业务信息向量的模的积与夹角对应的余弦值相乘，得到初始业务推荐列表。[0147]上述业务推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。[0148]在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储服务器数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种业务推荐方法。[0149]本领域技术人员可以理解，图10中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。[0150]在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。[0151]在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。[0152]在一个实施例中，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上述各方法实施例中的步骤。[0153]需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。[0154]本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。[0155]以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。[0156]以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!