信用卡推荐方法、装置、电子设备及存储介质

本申请涉及信用卡推荐技术领域，具体涉及一种信用卡推荐方法、装置、电子设备及存储介质。

信用卡是由信用卡公司对信用合格的消费者发行的信用证明，可以用于透支等形式的提前消费。为了匹配不同消费者的需求，信用卡公司设计了多种类型的信用卡，消费者可以根据自己的需要选择不同类型的信用卡进行开卡。然而，随着信用卡公司设计的信用卡类型增加，权益相似的信用卡越来越多，除了信用卡权益之外，消费者还需要详细了解每一种信用卡类型的评价，才能够从中选择理想的信用卡。

目前的信用卡推荐方法需要用户基于自己的需求在搜索栏中进行搜索，以得到理想的信用卡类型，然而这种方式通常按照热度排序进行推荐，推荐信用卡的准确率不高。

本申请提供一种信用卡推荐方法、装置、电子设备及存储介质，旨在解决目前的信用卡推荐方法通常按照热度排序进行推荐，推荐信用卡的准确率不高的问题。

第一方面，本申请提供一种信用卡推荐方法，包括：

接收信用卡申请指令，确定所述信用卡申请指令对应的目标用户；

从预设的评论数据库中，查询得到所述目标用户的历史评论；

通过预设的情感预测模型，对所述历史评论进行预测处理，得到所述历史评论对应的情感信息，其中，情感信息包括积极信息、中性信息和消极信息中的一者；

根据所述历史评论对应的情感信息，对所述历史评论进行筛选，得到目标评论，其中，所述目标评论对应的情感信息为中性信息和消极信息中的一者；

提取所述目标评论中的用户诉求信息；

将所述用户诉求信息与预设的候选信用卡对应的权益信息进行匹配，得到所述用户诉求信息与所述权益信息之间的第一相似度；

根据所述用户诉求信息与所述权益信息之间的第一相似度，确定目标权益信息，以及所述目标权益信息对应的目标信用卡，将所述目标信用卡推荐至所述信用卡申请指令的来源终端。

在本申请的一种可能的实现方式中，所述根据所述用户诉求信息与所述权益信息之间的第一相似度，确定目标权益信息，以及所述目标权益信息对应的目标信用卡，将所述目标信用卡推荐至所述目标用户的目标终端，包括：

获取所述目标用户的用户属性信息，其中，所述用户属性信息包括年龄、性别和收入中的至少一者；

根据所述用户属性信息对应的修正值，对初始的相似度阈值进行修正，得到预设的第一相似度阈值；

将所述用户诉求信息与所述权益信息之间的第一相似度与所述第一相似度阈值进行对比，得到相似度大于所述第一相似度阈值的目标权益信息；

将所述目标权益信息对应的候选信用卡作为目标信用卡，将所述目标信用卡推荐至目标用户的目标终端。

在本申请的一种可能的实现方式中，所述将所述用户诉求信息与预设的候选信用卡对应的权益信息进行匹配，得到所述用户诉求信息与所述权益信息之间的第一相似度之前，所述方法还包括：

获取初始信用卡，以及所述初始信用卡对应的权益信息；

根据所述权益信息中的权益种类，对所述初始信用卡进行分类，得到多个信用卡集合；

获取每一个信用卡集合中信用卡评分最高的信用卡，将得到的信用卡作为候选信用卡。

在本申请的一种可能的实现方式中，所述提取所述目标评论中的用户诉求信息，包括：

对所述目标评论进行分词处理，得到所述目标评论对应的候选词语；

统计所述目标评论中所述候选词语的出现次数，得到出现次数大于预设的次数阈值的目标词语；

将所述目标词语的信息设定为所述目标评论中的用户诉求信息。

在本申请的一种可能的实现方式中，所述从预设的评论数据库中，查询得到所述目标用户的历史评论，包括：

获取预设的评论数据库中所述目标用户的用户评论；

将所述用户评论与预设的默认评论进行对比，得到所述用户评论与所述默认评论之间的第二相似度；

将第二相似度小于预设的第二相似度阈值的用户评论设定为所述目标用户的历史评论。

在本申请的一种可能的实现方式中，所述从预设的评论数据库中，查询得到所述目标用户的历史评论之前，所述方法还包括：

获取所述目标用户对应的历史推荐次数，以及所述目标用户对应的历史推荐信用卡；

若所述历史推荐次数小于预设的次数阈值，或者所述目标用户持有的信用卡中包含所述历史推荐信用卡，则执行所述从预设的评论数据库中，查询得到所述目标用户的历史评论的步骤。

在本申请的一种可能的实现方式中，所述通过预设的情感预测模型，对所述历史评论进行预测处理，得到所述历史评论对应的情感信息之前，所述方法还包括：

获取样本数据集，其中，所述样本数据集包括样本评论和所述样本评论对应的标签信息；

通过初始的情感预测模型，对所述样本评论进行预测处理，得到所述样本评论对应的情感信息；

根据所述标签信息和所述情感信息，对所述初始的情感预测模型中的参数进行调整，得到预设的情感预测模型。

第二方面，本申请提供一种信用卡推荐装置，包括：

接收单元，用于接收信用卡申请指令，确定所述信用卡申请指令对应的目标用户；

查询单元，用于从预设的评论数据库中，查询得到所述目标用户的历史评论；

预测单元，用于通过预设的情感预测模型，对所述历史评论进行预测处理，得到所述历史评论对应的情感信息，其中，情感信息包括积极信息、中性信息和消极信息中的一者；

筛选单元，用于根据所述历史评论对应的情感信息，对所述历史评论进行筛选，得到目标评论，其中，所述目标评论对应的情感信息为中性信息和消极信息中的一者；

提取单元，用于提取所述目标评论中的用户诉求信息；

匹配单元，用于将所述用户诉求信息与预设的候选信用卡对应的权益信息进行匹配，得到所述用户诉求信息与所述权益信息之间的第一相似度；

确定单元，用于根据所述用户诉求信息与所述权益信息之间的第一相似度，确定目标权益信息，以及所述目标权益信息对应的目标信用卡，将所述目标信用卡推荐至所述信用卡申请指令的来源终端。

在本申请的一种可能的实现方式中，确定单元还用于：

获取所述目标用户的用户属性信息，其中，所述用户属性信息包括年龄、性别和收入中的至少一者；

根据所述用户属性信息对应的修正值，对初始的相似度阈值进行修正，得到预设的第一相似度阈值；

将所述用户诉求信息与所述权益信息之间的第一相似度与所述第一相似度阈值进行对比，得到相似度大于所述第一相似度阈值的目标权益信息；

将所述目标权益信息对应的候选信用卡作为目标信用卡，将所述目标信用卡推荐至目标用户的目标终端。

在本申请的一种可能的实现方式中，匹配单元还用于：

获取初始信用卡，以及所述初始信用卡对应的权益信息；

根据所述权益信息中的权益种类，对所述初始信用卡进行分类，得到多个信用卡集合；

获取每一个信用卡集合中信用卡评分最高的信用卡，将得到的信用卡作为候选信用卡。

在本申请的一种可能的实现方式中，提取单元还用于：

对所述目标评论进行分词处理，得到所述目标评论对应的候选词语；

统计所述目标评论中所述候选词语的出现次数，得到出现次数大于预设的次数阈值的目标词语；

将所述目标词语的信息设定为所述目标评论中的用户诉求信息。

在本申请的一种可能的实现方式中，查询单元还用于：

获取预设的评论数据库中所述目标用户的用户评论；

将所述用户评论与预设的默认评论进行对比，得到所述用户评论与所述默认评论之间的第二相似度；

将第二相似度小于预设的第二相似度阈值的用户评论设定为所述目标用户的历史评论。

在本申请的一种可能的实现方式中，查询单元还用于：

获取所述目标用户对应的历史推荐次数，以及所述目标用户对应的历史推荐信用卡；

若所述历史推荐次数小于预设的次数阈值，或者所述目标用户持有的信用卡中包含所述历史推荐信用卡，则执行所述从预设的评论数据库中，查询得到所述目标用户的历史评论的步骤。

在本申请的一种可能的实现方式中，预测单元还用于：

获取样本数据集，其中，所述样本数据集包括样本评论和所述样本评论对应的标签信息；

通过初始的情感预测模型，对所述样本评论进行预测处理，得到所述样本评论对应的情感信息；

根据所述标签信息和所述情感信息，对所述初始的情感预测模型中的参数进行调整，得到预设的情感预测模型。

第三方面，本申请还提供一种电子设备，电子设备包括处理器、存储器以及存储于存储器中并可在处理器上运行的计算机程序，处理器调用存储器中的计算机程序时执行本申请提供的任一种信用卡推荐方法中的步骤。

第四方面，本申请还提供一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器执行时实现本申请提供的任一种信用卡推荐方法中的步骤。

综上所述，本申请实施例提供的信用卡推荐方法，包括：接收信用卡申请指令，确定所述信用卡申请指令对应的目标用户；从预设的评论数据库中，查询得到所述目标用户的历史评论；通过预设的情感预测模型，对所述历史评论进行预测处理，得到所述历史评论对应的情感信息，其中，情感信息包括积极信息、中性信息和消极信息中的一者；根据所述历史评论对应的情感信息，对所述历史评论进行筛选，得到目标评论，其中，所述目标评论对应的情感信息为中性信息和消极信息中的一者；提取所述目标评论中的用户诉求信息；将所述用户诉求信息与预设的候选信用卡对应的权益信息进行匹配，得到所述用户诉求信息与所述权益信息之间的第一相似度；根据所述用户诉求信息与所述权益信息之间的第一相似度，确定目标权益信息，以及所述目标权益信息对应的目标信用卡，将所述目标信用卡推荐至所述信用卡申请指令的来源终端。

一方面，本申请实施例提供的信用卡推荐方法可以根据目标用户的评论确定目标用户的诉求，然后根据目标用户的诉求，确定待推荐的目标信用卡，因此在推荐信用卡时更加具有针对性，匹配了用户痛点，提高了信用卡推荐的准确性，并且，还可以自动化地对信用卡进行推荐，提高了信用卡的推荐效率。另一方面，在确定目标用户的诉求时，根据评论对应的情感信息进行了筛选，将其中情感积极的评论筛除，既减少了评论数量，进而减少了信用卡推荐时所需要的计算量和计算时间，又保留了其中包含用户诉求信息的目标评论，提高了信用卡推荐的准确性。

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的信用卡推荐方法的应用场景示意图；

图2是本申请实施例中提供的信用卡推荐方法的一种流程示意图；

图3是本申请实施例中提供的获取候选信用卡的一种流程示意图；

图4是本申请实施例中提供的信用卡推荐方法的又一种流程示意图；

图5是本申请实施例中提供的信用卡推荐装置的一个实施例结构示意图；

图6是本申请实施例中提供的电子设备的一个实施例结构示意图。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请实施例的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的过程进行详细阐述，以避免不必要的细节使本申请实施例的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请实施例所公开的原理和特征的最广范围相一致。

本申请实施例提供一种信用卡推荐方法、装置、电子设备和存储介质。其中，该信用卡推荐装置可以集成在电子设备中，该电子设备可以是服务器，也可以是终端等设备。

本申请实施例信用卡推荐方法的执行主体可以为本申请实施例提供的信用卡推荐装置，或者集成了该信用卡推荐装置的服务器设备、物理主机或者对象设备(UserEquipment，UE)等不同类型的电子设备，其中，信用卡推荐装置可以采用硬件或者软件的方式实现，UE具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者个人数字助理(Personal Digital Assistant，PDA)等终端设备。

该电子设备可以采用单独运行的工作方式，或者也可以采用设备集的工作方式。

参见图1，图1是本申请实施例所提供的信用卡推荐系统的场景示意图。其中，该信用卡推荐系统可以包括电子设备101，电子设备101中集成有信用卡推荐装置。

另外，如图1所示，该信用卡推荐系统还可以包括存储器102，用于存储数据，如存储文本数据。

需要说明的是，图1所示的信用卡推荐系统的场景示意图仅仅是一个示例，本申请实施例描述的信用卡推荐系统以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着信用卡推荐系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。

下面，开始介绍本申请实施例提供的信用卡推荐方法，本申请实施例中以电子设备作为执行主体，为了简化与便于描述，后续方法实施例中将省略该执行主体，该信用卡推荐方法包括：接收信用卡申请指令，确定所述信用卡申请指令对应的目标用户；从预设的评论数据库中，查询得到所述目标用户的历史评论；通过预设的情感预测模型，对所述历史评论进行预测处理，得到所述历史评论对应的情感信息，其中，情感信息包括积极信息、中性信息和消极信息中的一者；根据所述历史评论对应的情感信息，对所述历史评论进行筛选，得到目标评论，其中，所述目标评论对应的情感信息为中性信息和消极信息中的一者；提取所述目标评论中的用户诉求信息；将所述用户诉求信息与预设的候选信用卡对应的权益信息进行匹配，得到所述用户诉求信息与所述权益信息之间的第一相似度；根据所述用户诉求信息与所述权益信息之间的第一相似度，确定目标权益信息，以及所述目标权益信息对应的目标信用卡，将所述目标信用卡推荐至所述信用卡申请指令的来源终端。

参照图2，图2是本申请实施例提供的信用卡推荐方法的一种流程示意图。需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。该信用卡推荐方法具体可以包括以下步骤201-步骤205，其中：

201、接收信用卡申请指令，确定所述信用卡申请指令对应的目标用户。

本申请实施例提供的信用卡推荐方法可以应用于金融领域。其中，信用卡申请指令可以是指用户申请新的信用卡时，通过银行软件发出的指令。例如，用户在通过智能手机、个人电脑等终端操作银行软件，点击“申请开卡”等用于申请新信用卡的虚拟按键时，相当于发出了信用卡申请指令。

通过信用卡申请指令携带的用户标识，电子设备可以得到对应的目标用户。例如，用户标识可以是指用户此时操作的终端的终端设备号，或者可以是用户采用的账户名等等。

202、从预设的评论数据库中，查询得到所述目标用户的历史评论。

预设的评论数据库可以是指用于存储评论的数据库，在本申请实施例中，评论可以是指用户对于信用卡发布的评论。例如，可以将银行软件后台用于存储评论的数据库作为预设的评论数据库。

在执行步骤202时，电子设备可以根据目标用户对应的用户标识，从评论数据库中查询得到目标用户发布的历史评论。

在一些实施例中，还可以通过一定的方法，将目标用户开卡后未及时进行评论，而由软件自行发送的默认评论删除，以减少历史评论的数量，并保留有使用价值的真实评论。此时，步骤“从预设的评论数据库中，查询得到所述目标用户的历史评论”，包括：

(1.1)获取预设的评论数据库中所述目标用户的用户评论。

预设的评论数据库的说明可以参考上文，具体不进行赘述。

目标用户的用户评论可以是指预设的评论数据库中，目标用户发布的所有评论。

(1.2)将所述用户评论与预设的默认评论进行对比，得到所述用户评论与所述默认评论之间的第二相似度。

预设的默认评论是指用户开卡后未及时进行评论，而由软件自行发送的评论。

在进行对比时，电子设备可以将用户评论和预设的默认评论均通过word2vec等开源的语言处理模型，转换为词向量，然后对比两个词向量之间的相似度，得到第二相似度。

可以理解的，第二相似度越大，则说明用户评论与默认评论之间越相似，该用户评论是用户开卡后未及时进行评论，而由软件自行发送的评论的概率越大。

(1.3)将第二相似度小于预设的第二相似度阈值的用户评论设定为所述目标用户的历史评论。

通过步骤(1.1)-步骤(1.3)的方法，可以有效去除默认评论，保留存在使用价值的评论，以减少后续的计算量。

203、通过预设的情感预测模型，对所述历史评论进行预测处理，得到所述历史评论对应的情感信息，其中，情感信息包括积极信息、中性信息和消极信息中的一者。

其中，预设的情感预测模型可以用于对文本中的情感信息进行预测。例如，可以将ABSA(Aspect Based Sentiment Analysis)等开源的模型作为初始的情感预测模型，对初始的情感预测模型进行训练后，得到预设的情感预测模型，通过预设的情感预测模型对历史评论中的情感信息进行预测，得到目标用户对于不同信用卡的态度。在本申请实施例中，情感信息包括积极信息、中性信息和消极信息中的一者，若输出的情感信息为积极信息，则说明目标用户对于该历史评论对应的信用卡持积极态度，该信用卡符合目标用户的使用需求。若输出的情感信息为中性信息或消极信息，则说明目标用户对于该历史评论对应的信用卡持中性态度或者消极态度，该信用卡不完全符合目标用户的使用需求。例如当情感信息为喜欢、赞扬等积极信息时，说明目标用户对于该历史评论对应的信用卡持积极态度，该信用卡符合目标用户的使用需求。当情感信息为冷淡、批评等中性信息或消极信息时，说明目标用户对于该历史评论对应的信用卡持中性态度或者消极态度，该信用卡不完全符合目标用户的使用需求。

其中，初始的情感预测模型可以通过以下方法进行训练：

(2.1)获取样本数据集，其中，所述样本数据集包括样本评论和所述样本评论对应的标签信息。

其中，样本评论同样可以从预设的评论数据库中抽取得到。样本评论对应的标签信息可以由人工标注后得到，可以理解的，标签信息同样为积极信息、中性信息和消极信息中的一者。

(2.2)通过初始的情感预测模型，对所述样本评论进行预测处理，得到所述样本评论对应的情感信息。

(2.3)根据所述标签信息和所述情感信息，对所述初始的情感预测模型中的参数进行调整，得到预设的情感预测模型。

204、根据所述历史评论对应的情感信息，对所述历史评论进行筛选，得到目标评论，其中，所述目标评论对应的情感信息为中性信息和消极信息中的一者。

在一些实施例中，可以将历史评论中，对应的情感信息为积极信息的评论排除，将剩余的历史评论作为目标评论。

筛选的目的是得到用户不完全满意时，发布的评论，进而可以从这些评论中，得出用户对信用卡不满意的原因，并根据这些原因推荐合适的信用卡。

205、提取所述目标评论中的用户诉求信息。

在一些实施例中，电子设备可以通过预设的语义识别模型，得到目标评论中的用户诉求信息。其中，可以采用开源的文本分类网络，作为初始的语义识别模型，然后通过样本数据对初始的语义识别模型进行训练后，得到预设的语义识别模型。可以理解的，此时，对于一条历史评论，提取得到的用户诉求信息为预设诉求信息中的一者。

在另一些实施例中，可以根据用户诉求信息中词语的出现次数，提取得到目标评论中的用户诉求信息。此时，步骤“提取所述目标评论中的用户诉求信息”，包括：

(3.1)对所述目标评论进行分词处理，得到所述目标评论对应的候选词语。

示例性地，电子设备可以通过word2vec等开源的语言处理模型，对目标评论进行分词处理，得到目标评论对应的候选词语。例如，当目标评论为“这张信用卡的还款利息特别高，利息竟然要XX％”时，分词后得到的候选词语包括“这张”、“信用卡”、“还款”、“利息”、“特别”、“竟然”、“XX％”。

在一些实施例中，电子设备还可以对分词后得到的词语进行筛选，保留其中的名词，并将保留的名词作为候选词语。例如，可以将上述分词后的词语进行筛选，保留其中的名词“信用卡”、“利息”，并将“信用卡”、“利息”作为候选词语。

(3.2)统计所述目标评论中所述候选词语的出现次数，得到出现次数大于预设的次数阈值的目标词语。

其中，预设的次数阈值用于评估候选词语出现次数的大小，具体数值可以根据实际场景进行设置，例如，预设的次数阈值可以设置为1，即候选次数出现过至少2次，则将其作为目标词语。

例如，在步骤(3.1)的例子中，候选词语“利息”出现过2次，而候选词语“信用卡”出现过1次，因此将候选词语“利息”作为目标词语。

获取目标词语的目的是为了获取目标用户发布评论的原因，候选词语的出现次数越多，说明该词语与发布评论原因相关的概率越高，因此将出现次数较多的候选词语作为目标词语。

(3.3)将所述目标词语的信息设定为所述目标评论中的用户诉求信息。

得到目标词语后，可以将目标词语的信息作为用户诉求信息，即将目标词语作为用户的诉求。例如在上述例子中，可以将利息作为用户的诉求，即用户可以需求低利息的信用卡。

206、将所述用户诉求信息与预设的候选信用卡对应的权益信息进行匹配，得到所述用户诉求信息与所述权益信息之间的第一相似度。

为了得到满足用户诉求的信用卡，可以将用户诉求信息与候选信用卡对应的权益信息进行匹配。

其中，预设的候选信用卡可以包括银行所发行的所有信用卡。

其中，权益信息可以是指银行为信用卡设置的用户权益。例如，可以包括：N期免利息、专属客服、可N次逾期等等。在银行设计信用卡时，可以在后台数据库中将其对应的权益信息与信用卡关联。

在执行步骤206时，电子设备可以通过word2vec等开源的语言处理模型，将用户诉求信息和候选信用卡对应的权益信息转换为词向量，然后将2个词向量进行对比，得到用户诉求信息与权益信息之间的第一相似度。

207、根据所述用户诉求信息与所述权益信息之间的第一相似度，确定目标权益信息，以及所述目标权益信息对应的目标信用卡，将所述目标信用卡推荐至所述信用卡申请指令的来源终端。

在一些实施例中，可以将第一相似度与预设的第一相似度阈值进行对比，得到第一相似度大于第一相似度阈值的目标信用卡，并将目标信用卡推送至信用卡申请指令的来源终端。例如，目标用户通过智能手机、个人电脑等终端操作银行软件，点击“申请开卡”等用于申请新信用卡的虚拟按键后，电子设备通过步骤201-步骤207的方法得到目标信用卡，然后在银行软件的界面中显示目标信用卡。

需要说明的是，如果第一相似度大于第一相似度阈值的候选信用卡有多张，则可以将其中第一相似度最大的作为目标信用卡，并将目标信用卡推送至来源终端。

可见，通过步骤201-步骤207的方法，得到的目标信用卡所对应的权益信息与用户的诉求相匹配，因此更符合用户的需求。

在一些实施例中，第一相似度阈值还可以根据目标用户的用户属性进行自适应调整。此时，步骤“根据所述用户诉求信息与所述权益信息之间的第一相似度，确定目标权益信息，以及所述目标权益信息对应的目标信用卡，将所述目标信用卡推荐至所述目标用户的目标终端”，包括：

(4.1)获取所述目标用户的用户属性信息，其中，所述用户属性信息包括年龄、性别和收入中的至少一者。

在执行步骤(4.1)时，电子设备可以根据目标用户的用户标识，从预设的用户属性数据库中读取得到目标用户的用户属性信息。

其中，预设的用户属性数据库可以是指银行软件后台用于存储用户属性信息的数据库。

(4.2)根据所述用户属性信息对应的修正值，对初始的相似度阈值进行修正，得到预设的第一相似度阈值。

其中，初始的相似度阈值是预先设置好的基准阈值，具体数值可以根据实际场景需求进行设置。

修正值是用于对初始的相似度阈值进行调整的值，当用户属性信息不同时，可以采用不同的修正值对初始的相似度阈值进行调整。例如，对于年龄较大的用户，其希望享有的权益可能较为固定，即使信用卡对应的权益与其希望现有的权益差异较小，该用户可能也不会申请该信用卡。例如，对于年龄较大的用户，其希望享有的权益若是“低利息”或者“免利息”相关的内容，则对于权益为“利息可分期”的信用卡，该用户可能也不会想申请该信用卡。而对于年龄较小的用户，只要信用卡对应的权益与其希望现有的权益相关联，该用户就有可能会申请该信用卡。

在执行步骤(4.2)时，电子设备可以查询预设的对应关系表，得到用户属性信息对应的修正值。然后计算初始的相似度阈值，与修正值之间的差，以得到预设的第一相似度阈值。

其中，预设的对应关系表可以存储在银行软件的后台数据库中。

(4.3)将所述用户诉求信息与所述权益信息之间的第一相似度与所述第一相似度阈值进行对比，得到相似度大于所述第一相似度阈值的目标权益信息。

(4.4)将所述目标权益信息对应的候选信用卡作为目标信用卡，将所述目标信用卡推荐至目标用户的目标终端。

综上所述，本申请实施例提供的信用卡推荐方法，包括：接收信用卡申请指令，确定所述信用卡申请指令对应的目标用户；从预设的评论数据库中，查询得到所述目标用户的历史评论；通过预设的情感预测模型，对所述历史评论进行预测处理，得到所述历史评论对应的情感信息，其中，情感信息包括积极信息、中性信息和消极信息中的一者；根据所述历史评论对应的情感信息，对所述历史评论进行筛选，得到目标评论，其中，所述目标评论对应的情感信息为中性信息和消极信息中的一者；提取所述目标评论中的用户诉求信息；将所述用户诉求信息与预设的候选信用卡对应的权益信息进行匹配，得到所述用户诉求信息与所述权益信息之间的第一相似度；根据所述用户诉求信息与所述权益信息之间的第一相似度，确定目标权益信息，以及所述目标权益信息对应的目标信用卡，将所述目标信用卡推荐至所述信用卡申请指令的来源终端。

一方面，本申请实施例提供的信用卡推荐方法可以根据目标用户的评论确定目标用户的诉求，然后根据目标用户的诉求，确定待推荐的目标信用卡，因此在推荐信用卡时更加具有针对性，匹配了用户痛点，提高了信用卡推荐的准确性，并且，还可以自动化地对信用卡进行推荐，提高了信用卡的推荐效率。另一方面，在确定目标用户的诉求时，根据评论对应的情感信息进行了筛选，将其中情感积极的评论筛除，既减少了评论数量，进而减少了信用卡推荐时所需要的计算量和计算时间，又保留了其中包含用户诉求信息的目标评论，提高了信用卡推荐的准确性。

在一些实施例中，可以在选择候选信用卡时，首先对信用卡进行分类，然后将其中评分较高的信用卡作为候选信用卡，以减少信用卡的数量，进而可以减少获取第一相似度时的计算量和计算时间。参考图3，此时，步骤“将所述用户诉求信息与预设的候选信用卡对应的权益信息进行匹配，得到所述用户诉求信息与所述权益信息之间的第一相似度”之前，所述方法还包括：

301、获取初始信用卡，以及所述初始信用卡对应的权益信息。

在本申请实施例中，初始信用卡可以包括银行所发行的所有信用卡。

302、根据所述权益信息中的权益种类，对所述初始信用卡进行分类，得到多个信用卡集合。

其中，权益种类可以包括“利息”、“售后”、“商品”、“理财”等等。例如对于“N期免利息”、“利息可分期”等等与利息相关的权益，其对应的权益种类可以是“利息”。

执行步骤302时，电子设备可以将权益种类相同的初始信用卡分为一类，得到一个信用卡集合，对所有初始信用卡均分类完成后，即可得到所有信用卡集合。

303、获取每一个信用卡集合中信用卡评分最高的信用卡，将得到的信用卡作为候选信用卡。

信用卡评分可以是指用户在银行软件上对初始信用卡进行打分后，存储在银行软件后台数据库中的分数。在执行步骤303时，对于每一个信用卡集合，电子设备可以从银行软件后台数据库中，获取其中信用卡对应的信用卡评分，并将各信用卡对应的信用卡评分进行排序，取其中信用卡评分最高的信用卡，然后将每一个信用卡集合中取出的信用卡作为候选信用卡，可以理解的，若共存在10个信用卡集合，则候选信用卡的个数为10。

执行步骤301-步骤303的目的是对于每一个权益种类，都仅设置一个候选信用卡，因此可以减少候选信用卡的数量，进而可以减少获取第一相似度时的计算量和计算时间，并且，由于每一个权益种类都存在对应的候选信用卡，因此也不会出现无法确定与用户诉求信息匹配的目标信用卡的问题。

在一些实施例中，电子设备可以首先判断目标用户是否对推荐的信用卡感兴趣，若目标用户对推荐的信用卡感兴趣，再执行步骤202-步骤207，以避免浪费计算资源，并且引起目标用户反感。参考图4，此时，步骤“从预设的评论数据库中，查询得到所述目标用户的历史评论”之前，所述方法还包括：

401、获取所述目标用户对应的历史推荐次数，以及所述目标用户对应的历史推荐信用卡。

在本申请实施例中，历史推荐次数是指信用卡的历史推荐次数。因此，目标用户对应的历史推荐次数是指对目标用户进行信用卡推荐的次数。

历史推荐信用卡是指曾对用户推荐过的信用卡。因此，目标用户对应的历史推荐信用卡是指曾对目标用户推荐过的信用卡。

目标用户对应的历史推荐次数和目标用户对应的历史推荐信用卡均可以存储在银行软件的后台数据库中，在执行步骤401时，电子设备从中读取得到历史推荐次数和历史推荐信用卡。

402、若所述历史推荐次数小于预设的次数阈值，或者所述目标用户持有的信用卡中包含所述历史推荐信用卡，则执行所述从预设的评论数据库中，查询得到所述目标用户的历史评论的步骤。

若历史推荐次数小于预设的次数阈值，则说明对目标用户推荐信用卡的次数较少，即使目标用户尚未开通推荐的信用卡，也不能说明目标用户对推荐的信用卡不感兴趣，因此电子设备可以执行步骤202-步骤207。

若目标用户持有的信用卡中包含历史推荐信用卡，则说明目标用户开通了曾推荐的信用卡，因此可以说明目标用户对推荐的信用卡感兴趣，电子设备可以执行步骤202-步骤207。

为了更好实施本申请实施例中的信用卡推荐方法，在信用卡推荐方法基础之上，本申请实施例中还提供一种信用卡推荐装置，如图5所示，为本申请实施例中信用卡推荐装置的一个实施例结构示意图，该信用卡推荐装置500包括：

接收单元501，用于接收信用卡申请指令，确定所述信用卡申请指令对应的目标用户；

查询单元502，用于从预设的评论数据库中，查询得到所述目标用户的历史评论；

预测单元503，用于通过预设的情感预测模型，对所述历史评论进行预测处理，得到所述历史评论对应的情感信息，其中，情感信息包括积极信息、中性信息和消极信息中的一者；

筛选单元504，用于根据所述历史评论对应的情感信息，对所述历史评论进行筛选，得到目标评论，其中，所述目标评论对应的情感信息为中性信息和消极信息中的一者；

提取单元505，用于提取所述目标评论中的用户诉求信息；

匹配单元506，用于将所述用户诉求信息与预设的候选信用卡对应的权益信息进行匹配，得到所述用户诉求信息与所述权益信息之间的第一相似度；

确定单元507，用于根据所述用户诉求信息与所述权益信息之间的第一相似度，确定目标权益信息，以及所述目标权益信息对应的目标信用卡，将所述目标信用卡推荐至所述信用卡申请指令的来源终端。

在本申请的一种可能的实现方式中，确定单元507还用于：

获取所述目标用户的用户属性信息，其中，所述用户属性信息包括年龄、性别和收入中的至少一者；

根据所述用户属性信息对应的修正值，对初始的相似度阈值进行修正，得到预设的第一相似度阈值；

将所述用户诉求信息与所述权益信息之间的第一相似度与所述第一相似度阈值进行对比，得到相似度大于所述第一相似度阈值的目标权益信息；

将所述目标权益信息对应的候选信用卡作为目标信用卡，将所述目标信用卡推荐至目标用户的目标终端。

在本申请的一种可能的实现方式中，匹配单元506还用于：

获取初始信用卡，以及所述初始信用卡对应的权益信息；

根据所述权益信息中的权益种类，对所述初始信用卡进行分类，得到多个信用卡集合；

获取每一个信用卡集合中信用卡评分最高的信用卡，将得到的信用卡作为候选信用卡。

在本申请的一种可能的实现方式中，提取单元505还用于：

对所述目标评论进行分词处理，得到所述目标评论对应的候选词语；

统计所述目标评论中所述候选词语的出现次数，得到出现次数大于预设的次数阈值的目标词语；

将所述目标词语的信息设定为所述目标评论中的用户诉求信息。

在本申请的一种可能的实现方式中，查询单元502还用于：

获取预设的评论数据库中所述目标用户的用户评论；

将所述用户评论与预设的默认评论进行对比，得到所述用户评论与所述默认评论之间的第二相似度；

将第二相似度小于预设的第二相似度阈值的用户评论设定为所述目标用户的历史评论。

在本申请的一种可能的实现方式中，查询单元502还用于：

获取所述目标用户对应的历史推荐次数，以及所述目标用户对应的历史推荐信用卡；

若所述历史推荐次数小于预设的次数阈值，或者所述目标用户持有的信用卡中包含所述历史推荐信用卡，则执行所述从预设的评论数据库中，查询得到所述目标用户的历史评论的步骤。

在本申请的一种可能的实现方式中，预测单元503还用于：

获取样本数据集，其中，所述样本数据集包括样本评论和所述样本评论对应的标签信息；

通过初始的情感预测模型，对所述样本评论进行预测处理，得到所述样本评论对应的情感信息；

根据所述标签信息和所述情感信息，对所述初始的情感预测模型中的参数进行调整，得到预设的情感预测模型。

具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。

由于该信用卡推荐装置可以执行任意实施例中信用卡推荐方法中的步骤，因此，可以实现本申请任意实施例中信用卡推荐方法所能实现的有益效果，详见前面的说明，在此不再赘述。

此外，为了更好实施本申请实施例中信用卡推荐方法，在信用卡推荐方法基础之上，本申请实施例还提供一种电子设备，参阅图6，图6示出了本申请实施例电子设备的一种结构示意图，具体的，本申请实施例提供的电子设备包括处理器601，处理器601用于执行存储器602中存储的计算机程序时实现任意实施例中信用卡推荐方法的各步骤；或者，处理器601用于执行存储器602中存储的计算机程序时实现如图5对应实施例中各模块的功能。

示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器602中，并由处理器601执行，以完成本申请实施例。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。

电子设备可包括，但不仅限于处理器601、存储器602。本领域技术人员可以理解，示意仅仅是电子设备的示例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。

处理器601可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分。

存储器602可用于存储计算机程序和/或模块，处理器601通过运行或执行存储在存储器602内的计算机程序和/或模块，以及调用存储在存储器602内的数据，实现计算机装置的各种功能。存储器602可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的信用卡推荐装置、电子设备及其相应单元的具体工作过程，可以参考任意实施例中信用卡推荐方法的说明，具体在此不再赘述。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种存储介质，存储介质上存储有计算机程序，该计算机程序被处理器执行时执行本申请任意实施例中信用卡推荐方法中的步骤，具体操作可参考任意实施例中信用卡推荐方法的说明，在此不再赘述。

其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。

由于该存储介质中所存储的指令，可以执行本申请任意实施例中信用卡推荐方法中的步骤，因此，可以实现本申请任意实施例中信用卡推荐方法所能实现的有益效果，详见前面的说明，在此不再赘述。

以上对本申请实施例所提供的一种信用卡推荐方法、装置、存储介质及电子设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。