基于产品特征的推荐方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了一种基于产品特征的推荐方法、装置、计算机设备及存储介质，方法包括：获取并分析待推荐产品的产品特征；获取曾使用所述待推荐产品用户的用户画像；获得每种类型模型的特征模型；以及获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品。该基于产品特征的推荐方法、装置、计算机设备及存储介质，其根据用户的喜好特征推荐产品，并将产品的特征权重作为参数，使用者可根据具体需求调整对各产品特征的不同关注程度，使得最终的推荐结果更加合理，实用性更强。

Recommendation methods, devices, computer equipment and storage media based on product characteristics

【技术实现步骤摘要】
基于产品特征的推荐方法、装置、计算机设备及存储介质
本专利技术涉及大数据应用
，尤其涉及一种产品特征的智能推荐方法、装置、计算机设备及存储介质。
技术介绍
智能推荐算法总的来说分为两种，基于内容的推荐和协同过滤推荐。基于内容的推荐算法是根据内容的相似度进行推荐，内容一般是以标签的形式体现，通过计算标签相似度来区分内容。然后根据用户的喜好设置、不同关注点等进行相似内容的推荐。协同过滤算法推荐过程是自动的，推荐结果的产生是系统用户的历史购买行为或浏览记录等信息分析到的，无需用户通过填表等方式来明确自己的喜好。另一种协同过滤算法是基于模型的协同过滤；假设有x个物品，x个用户的数据，只有部分用户和部分数据之间是有评分数据的，其它部分评分是空白，此时我们要用已有的部分稀疏数据来预测那些空白的物品和数据之间的评分关系，找到最高评分的物品推荐给用户。但是，上述推荐方法，最终推荐结果都是指向某款具体的产品。但是，一旦遇到产品更新迭代，旧的产品下架，新的产品添加，或者是同一款产品本身做了优化，都需要重新训练模型。也就是说，只要产品端发生了任何细微变化，模型就得重新训练，不然推荐结果就是错误的，因为原模型推荐出来的结果不会包含发生了变化的产品。
技术实现思路
本专利技术的实施例提供了一种基于产品特征的推荐方法、装置、计算机设备及存储介质，旨在解决现有的产品推荐方法依据具体产品的推荐导致推荐更新不及时，对模型训练较多的问题。为达到上述目的，本专利技术所提出的技术方案为：第一方面，本专利技术的实施例提供了一种基于产品特征的推荐方法，其包括以下步骤：获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型；获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量；将用户画像作为所有类型的模型的输入变量进行模型训练，获得每种类型模型的特征模型；以及获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品。其中，所述步骤“获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型”包括以下步骤：选取同属一类的若干产品，挖掘产品特征；从产品特征中提取出能够区别各产品的有效特征；根据有效特征，确定模型训练的模型的类型。其中，所述步骤“获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量”包括以下步骤：获取用户的数据，将数据标签化；将标签进行数值化、归一化处理；将数值化、归一化的标签作为模型的输入变量送入训练模型。其中，所述步骤“获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品”之后还包括以下步骤：获取用户输入的各产品特征的权重参数，根据权重参数与特征模型的匹配度，确定被推荐用户的优先级排列；利用flask将优先级排列的结果以http的形式发布出去。其中，所述步骤“获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品”之后还包括以下步骤：将用户最终的选择作为反馈输入至特征模型的模型训练中，再次优化特征模型。第二方面，本专利技术的实施例提供了一种智能推荐装置，其包括：产品特征获取单元，用于获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型；用户画像获取单元，用于获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量；模型训练单元，用于将用户画像作为所有类型的模型的输入变量进行模型训练，获得每种类型模型的特征模型；以及匹配推荐单元，用于获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品。其中，所述的产品特征获取单元包括：挖掘单元，用于选取同属一类的若干产品，挖掘产品特征；提取单元，用于从产品特征中提取出能够区别各产品的有效特征；模型类型确定单元，用于根据有效特征，确定模型训练的模型的类型。其中，所述用户画像获取单元包括：数据获取单元，用于获取用户的数据，将数据标签化；数据处理单元，用于将标签进行数值化、归一化处理；输入单元，用于将数值化、归一化的标签作为模型的输入变量送入训练模型。第三方面，本专利技术的实施例提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述的基于产品特征的推荐方法。第四方面，本专利技术的实施例提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如上任一项所述的基于产品特征的推荐方法。与现有技术相比，本专利技术的实施例提供了一种基于产品特征的推荐方法、装置、计算机设备及存储介质，其根据用户的喜好特征推荐产品，并将产品的特征权重作为参数，使用者可根据具体需求调整对各产品特征的不同关注程度，使得最终的推荐结果更加合理，实用性更强。附图说明为了更清楚地说明本专利技术实施例技术方案，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，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，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为本专利技术实施例提供的基于产品特征的推荐方法的流程图；图2为本专利技术实施例提供的基于产品特征的推荐方法的子流程图；图3为本专利技术实施例提供的基于产品特征的推荐方法的子流程图；图4为本专利技术实施例提供的智能推荐装置的示意性简图；以及图5为本专利技术实施例提供的计算机设备的示意性框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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他实施例，都属于本专利技术保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。请参阅附图1，附图1为本专利技术实施例提供的基于产品特征的推荐方法的流程图，以下以互联网借贷产品为例进行阐述，该基于产品特征的推荐方法包括以下步骤：本实施例提供的基于产品特征的推荐方法，其包括以下步骤：步骤S101，获取并分析待推荐产品的产品特征，所述产品特征用于确定本文档来自技高网...

【技术保护点】
1.一种基于产品特征的推荐方法，其特征在于，包括以下步骤：获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型；获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量；将用户画像作为所有类型的模型的输入变量进行模型训练，获得每种类型模型的特征模型；以及获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品。

【技术特征摘要】
1.一种基于产品特征的推荐方法，其特征在于，包括以下步骤：获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型；获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量；将用户画像作为所有类型的模型的输入变量进行模型训练，获得每种类型模型的特征模型；以及获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品。2.如权利要求1所述的基于产品特征的推荐方法，其特征在于，所述步骤“获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型”包括以下步骤：选取同属一类的若干产品，挖掘产品特征；从产品特征中提取出能够区别各产品的有效特征；根据有效特征，确定模型训练的模型的类型。3.如权利要求1所述的基于产品特征的推荐方法，其特征在于，所述步骤“获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量”包括以下步骤：获取用户的数据，将数据标签化；将标签进行数值化、归一化处理；将数值化、归一化的标签作为模型的输入变量送入训练模型。4.如权利要求1所述的基于产品特征的推荐方法，其特征在于，所述步骤“获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品”之后还包括以下步骤：获取用户输入的各产品特征的权重参数，根据权重参数与特征模型的匹配度，确定被推荐用户的优先级排列；利用flask将优先级排列的结果以http的形式发布出去。5.如权利要求1所述的基于产品特征的推荐方法，其特征在于，所述步骤“获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调...

【专利技术属性】
技术研发人员：罗伟东，余承乐，洪晶，陈宇，
申请(专利权)人：深圳市和讯华谷信息技术有限公司，
类型：发明
国别省市：广东,44