个性化商品预测方法和装置制造方法及图纸

本发明专利技术公开一种个性化商品预测方法和装置，涉及大数据处理领域。其中个性化商品预测装置获取指定用户与商品有关的业务信息，从业务信息中提取出指定用户的业务特征，利用预置的深度学习模型对指定用户的业务特征进行预测处理，以便预测出指定用户偏好的商品。本发明专利技术通过利用预置的深度学习模型对指定用户与商品有关的业务特征进行预测处理，以便预测出指定用户偏好的商品。这对于提升用户购物体验，搭建智能化商品推荐系统平台，都有重大意义。

Personalized commodity forecasting method and device

The invention discloses a personalized commodity forecasting method and device, which relates to the field of large data processing. The personalized commodity prediction device access to the specified user and commodity related business information, extract the business characteristics specified by the user from the business information, business characteristics of the specified user using preset models to predict the deep learning process, in order to predict the user specified partial good goods. By using the preset depth learning model, the specified user's commodity related features are predicted and processed so as to predict the commodity of the specified user preferences. This is of great significance to enhance the user shopping experience, build intelligent commodity recommender system platform.

【技术实现步骤摘要】
个性化商品预测方法和装置
本专利技术涉及大数据处理领域，特别涉及一种个性化商品预测方法和装置。
技术介绍
随着互联网的普及和电子商务的发展，电子商务系统在为用户提供越来越多选择的同时，推荐的信息也变得更加多样化，用户在大量的商品信息空间中，不能快速找到自己最想要的商品。目前，在进行个性化商品预测时，主要采用以下两种方式：(1)分析师根据业务经验对筛选出来的特征给出一个系数，得到计算总分的公式该方法通过统计用户过去30天用户全站完成订单特征、过去7日有效UV价值特征、过去一个月用户在京东点击商品等特征，然后由分析师根据业务经验，确定特征系数，得出计算总分的公式。(2)逻辑回归统计对提取出的特征计算得分该方法通过分析师确定哪些特征是逻辑回归计算公式中的自变量，哪些因子组合作为逻辑回归模型的标签，然后抽出一部分样本数据，在统计软件中做逻辑回归，计算得到商品特征系数，具体过程如下：a.在大数据平台HIVE中，提取特征数据和标签数据；b.把特征数据和标签数据关联后，做逻辑回归分析；c.统计软件得出逻辑回归特征的系数；d.分析师结合业务经验，分析特征系数的合理性，进行系数微调后，给出逻辑回归的公本文档来自技高网...

【技术保护点】
一种个性化商品预测方法，其特征在于，包括：获取指定用户与商品有关的业务信息；从所述业务信息中提取出所述指定用户的业务特征；利用预置的深度学习模型对所述指定用户的业务特征进行预测处理，以便预测出所述指定用户偏好的商品。

【技术特征摘要】
1.一种个性化商品预测方法，其特征在于，包括：获取指定用户与商品有关的业务信息；从所述业务信息中提取出所述指定用户的业务特征；利用预置的深度学习模型对所述指定用户的业务特征进行预测处理，以便预测出所述指定用户偏好的商品。2.根据权利要求1所述的方法，其特征在于，所述业务特征包括相关商品在指定时间段内全站完成订单特征、相关商品在指定时间段内有效成交金额、相关商品在指定时间段内有效独立访客特征、相关商品在指定时间内新增好评特征、相关商品在指定时间段内活跃天数特征、相关商品在指定时间段内关注数量特征和相关商品退货率特征。3.根据权利要求2所述的方法，其特征在于，所述业务特征还包括相关商品上架时长特征、相关商品在指定时间段内新增评论特征、相关商品在指定时间段内有效销售总额特征、相关商品前一天页面浏览量特征、相关商品在指定时间段内页面浏览量特征、相关商品在指定时间段内无理由退货特征、相关商品所属店铺特征、相关商品好评率特征中的至少一个特征。4.根据权利要求3所述的方法，其特征在于，还包括：在利用预置的深度学习模型对所述指定用户的业务特征进行预测处理时，将有关联的业务特征进行交叉融合。5.根据权利要求4所述的方法，其特征在于，深度学习模型为卷积神经网络模型。6.根据权利要求1所述的方法，其特征在于，在从所述业务信息中提取出所述指定用户的业务特征前，还包括：对所述业务信息进行清洗和归一化处理，以完成业务信息的预处理。7.根据权利要求6所述的方法，其特征在于，在对所述业务信息进行预处理前，还包括：判断所述指定用户与商品有关的业务信息是否缺失；若所述指定用户与商品有关的业务信息缺失，则对缺失业务信息进行补充。8.根据权利要求7所述的方法，其特征在于，对缺失业务信息进行补充包括：通过全局数据库获取相应商品的历史业务信息；将获取的历史业务信息转换为所述指定用户与商品有关的业务信息。9.根据权利要求1-8中任一项所述的方法，其特征在于，对深度学习模型进行训练包括：从预定用户与商品有关的业务信息中提取出所述预定用户的业务特征；根据所述预定用户的业务指标，为所述预定用户的业务特征添加偏好标签；将所述预定用户的业务特征输入深度学习模型，以得到偏好预测结果；若偏好预测结果与所述预定用户的偏好标签值之差超出预定范围，则调整深度学习模型的相应参数，并重复执行将所述预定用户的业务特征输入深度学习模型的步骤；若预测结果与所述预定用户的业务特征标签之差未超出预定范围，则结束所述深度学习模型的训练。10.根据权利要求9所述的方法，其特征在于，根据所述预定用户的业务指标，为所述预定用户的业务特征添加偏好标签包括：计算相应商品的有效成交金额、页面浏览量特征、独立访客特征和订单转化率特征的加权和；将相应商品按照加权和从大到小进行排序，以得到商品列表；针对商品列表中排在前面的预定数量的商品，添加取值为最大的偏好标签；针对商品列表中的其它商品，添加取值为最小的偏好标签。11.一种个性化商品预测装置，其特征在于，包括：业务信息获取模块，用于获取指定用户与商品有关的业务信息；特征提取模块，用于从所述业务信息中提取出所述指定用户的业务特征；预测处理模块，用于利用预置的深度学习模型对所述指定用户的...

【专利技术属性】
技术研发人员：王颖帅，李晓霞，苗诗雨，
申请(专利权)人：北京京东尚科信息技术有限公司，北京京东世纪贸易有限公司，
类型：发明
国别省市：北京,11