一种店铺推荐方法、装置及设备制造方法及图纸

本说明书实施例公开了一种店铺推荐方法、装置及设备。方案包括：获取第一数据特征日志，数据特征日志中包括用户标识、店铺标识以及用户的历史行为特征，店铺标识表示被推荐给用户的店铺，历史行为特征表示用户对店铺的实际操作行为；根据第一数据特征日志基于设定维度从数据库中提取样本集合，样本集合中的各个样本包括用户标识对应的用户特征、店铺标识对应的店铺特征、用户与店铺的交叉特征以及历史行为特征，交叉特征表示用户与店铺之间的互动行为；利用样本集合对深度学习模型进行训练，得到预测模型；采用预测模型对在线用户对应的候选店铺进行预测，得到满足条件的待推荐店铺；将待推荐店铺推荐给所述在线用户。

A shop recommendation method, device and equipment

The embodiment of the specification discloses a store recommendation method, device and equipment. The scheme includes: obtaining the first data feature log, which includes the user ID, store ID and the user's historical behavior characteristics. The store ID represents the store recommended to the user, and the historical behavior characteristics represent the user's actual operation behavior to the store. According to the first data feature log, the sample set is extracted from the database based on the set dimension, and the sample set is included in the sample set Each sample of the model includes the user characteristics corresponding to the user ID, the store characteristics corresponding to the store ID, the cross characteristics between the user and the store and the historical behavior characteristics. The cross characteristics represent the interactive behavior between the user and the store. The deep learning model is trained by using the sample set to get the prediction model. The candidate stores corresponding to the online user are predicted by using the prediction model To obtain the stores to be recommended that meet the conditions; to recommend the stores to the online users.

【技术实现步骤摘要】
一种店铺推荐方法、装置及设备
本申请涉及计算机
，尤其涉及一种店铺推荐方法、装置及设备。
技术介绍
随着大数据时代的到来，在电商网站上，人们面对海量的店铺或商品数据，不容易找到自己最想要的信息。用户如何从海量的店铺或商品数据中，找到满意的店铺以及电商网站如何挖掘长尾店铺或商品，从而推荐给用户，都变得越来越重要。在一些互联网产品中，为了便于用户快速找到自己想要的商品，需要进行个性化推荐，采用算法模型计算出用户最可能点击产生购买记录的店铺推荐给用户，现有技术中店铺推荐的方法主要是采用传统的机器学习模型对用户点击行为进行预测，比如：采用逻辑回归或者决策树来获取用户偏好店铺得分，但是这种方法是随机抽样部分数据，在统计软件中做逻辑回归，用样本估计全体，这种方法的特征选取过于依赖人工特征选取，不容易挖掘用户的交叉特征，推荐效果不佳。
技术实现思路
有鉴于此，本申请实施例提供了一种店铺推荐方法、装置及设备，用于提高店铺推荐效果。为解决上述技术问题，本说明书实施例是这样实现的：本说明书实施例提供的一种店铺推荐方法，包括：获取第一数据特征日志，所述数据特征日志中包括用户标识、店铺标识以及用户的历史行为特征，所述店铺标识表示被推荐给所述用户的店铺，所述历史行为特征表示所述用户对所述店铺的实际操作行为；根据所述第一数据特征日志基于设定维度从数据库中提取样本集合，所述样本集合中的各个样本包括所述用户标识对应的用户特征、所述店铺标识对应的店铺特征、所述用户与所述店铺的交叉特征以及所述历史行为特征，所述交叉特征表示所述用户与所述店铺之间的互动行为；利用所述样本集合对深度学习模型进行训练，得到预测模型；采用所述预测模型对在线用户对应的候选店铺进行预测，得到满足条件的待推荐店铺；将所述待推荐店铺推荐给所述在线用户。本说明书实施例提供的一种店铺推荐装置，包括：第一数据特征日志获取模块，用于获取第一数据特征日志，所述数据特征日志中包括用户标识、店铺标识以及用户的历史行为特征，所述店铺标识表示被推荐给所述用户的店铺，所述历史行为特征表示所述用户对所述店铺的实际操作行为；样本提取模块，用于根据所述第一数据特征日志基于设定维度从数据库中提取样本集合，所述样本集合中的各个样本包括所述用户标识对应的用户特征、所述店铺标识对应的店铺特征、所述用户与所述店铺的交叉特征以及所述历史行为特征，所述交叉特征表示所述用户与所述店铺之间的互动行为；预测模型确定模块，用于利用所述样本集合对深度学习模型进行训练，得到预测模型；待推荐店铺确定模块，用于采用所述预测模型对在线用户对应的候选店铺进行预测，得到满足条件的待推荐店铺；店铺推荐模块，用于将所述待推荐店铺推荐给所述在线用户。本说明书实施例提供的一种店铺推荐设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：获取第一数据特征日志，所述数据特征日志中包括用户标识、店铺标识以及用户的历史行为特征，所述店铺标识表示被推荐给所述用户的店铺，所述历史行为特征表示所述用户对所述店铺的实际操作行为；根据所述第一数据特征日志基于设定维度从数据库中提取样本集合，所述样本集合中的各个样本包括所述用户标识对应的用户特征、所述店铺标识对应的店铺特征、所述用户与所述店铺的交叉特征以及所述历史行为特征，所述交叉特征表示所述用户与所述店铺之间的互动行为；利用所述样本集合对深度学习模型进行训练，得到预测模型；采用所述预测模型对在线用户对应的候选店铺进行预测，得到满足条件的待推荐店铺；将所述待推荐店铺推荐给所述在线用户。本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过根据多维度选取样本集合；将所述样本集合输入深度学习模型中进行训练得到预测模型；利用预测模型对待预测的店铺进行打分，再根据所述预测分数确定推荐给用户的店铺。由于样本集合中包括用户特征、店铺特征、交叉特征以及所述历史行为特征，使训练得到的深度学习模型预测精度提升，且利用训练得到的深度学习模型进行店铺推荐，有效的利用了模型的自动特征交叉组合能力，增加了推荐的多样性，提升了推荐效果。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为本说明书实施例中店铺推荐系统的应用场景的示意图；图2为本说明书实施例提供的一种店铺推荐方法的流程示意图；图3为本说明书实施例提供的对应于图2的一种店铺推荐装置的结构示意图；图4为本说明书实施例提供的对应于图2的一种店铺推荐设备的结构示意图。具体实施方式为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例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，都属于本申请保护的范围。以下结合附图，详细说明本申请各实施例提供的技术方案。现有技术中店铺推荐的方法主要是采用传统的机器学习模型对用户点击行为进行预测，比如：采用逻辑回归或者决策树来获取用户偏好店铺得分，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。然而，现有技术中的逻辑回归方法需要人工根据业务经验对筛选出来的特征给出一个系数，得出计算商品质量分的公式，这种方法对分析师的业务经验依赖较大，推荐商品的时候，用来筛选特征的系数是由分析师给定的，且样本数据是随机抽样的部分数据，在统计软件中做逻辑回归，用样本估计全体，在小数据上做大数据分析，会有偏差；不容易挖掘商品的潜在特征和交叉特征，推荐效果不佳。为了解决现有技术中的缺陷，本方案给出了以下实施例：图1为本说明书实施例中店铺推荐系统的应用场景的示意图。如图1所示，在解决如何为用户推荐合适的店铺，实现千人千面的个性化店铺推荐系统，让用户点击店铺，进一步到店交易。其中，千人千面可以理解为在同资源位根据买家需求展示不同的商品，目的在于提高店铺点击率和交易率，提供更好的买家体验。该店铺推荐系统的应用场景示意图如图1所示，主要由特征抽取(featureextract)、训练样本生成(trainingdata)、模型训练(modeltraining)、模型在线预测(modelserving)、检索(retrieval)和排序(ranking)几个部分组成。用户的操作行为会生成对应的数据特征日志(log)，根据预设条件可以从数据特征日志中进行特征抽取，根据抽取的特征确定训练样本，并采用训练样本对模型进行训练，得到预测模型。系统收到店铺推荐请求时，根据预设条件从开源数据库(例如，HadoopDatabase，简称HBase)中进行检索，取出该用户召回的若干店铺，并将用户及店铺的特征给模型在线预测模块进行实时打分，最后再根据打分进行降序排序，将排在最靠前的店铺推荐展示给用户。模型在线打分的时候会将特征日志进行打印，并回流到数据仓库本文档来自技高网...

【技术保护点】
1.一种店铺推荐方法，包括：获取第一数据特征日志，所述数据特征日志中包括用户标识、店铺标识以及用户的历史行为特征，所述店铺标识表示被推荐给所述用户的店铺，所述历史行为特征表示所述用户对所述店铺的实际操作行为；根据所述第一数据特征日志基于设定维度从数据库中提取样本集合，所述样本集合中的各个样本包括所述用户标识对应的用户特征、所述店铺标识对应的店铺特征、所述用户与所述店铺的交叉特征以及所述历史行为特征，所述交叉特征表示所述用户与所述店铺之间的互动行为；利用所述样本集合对深度学习模型进行训练，得到预测模型；采用所述预测模型对在线用户对应的候选店铺进行预测，得到满足条件的待推荐店铺；将所述待推荐店铺推荐给所述在线用户。

【技术特征摘要】
1.一种店铺推荐方法，包括：获取第一数据特征日志，所述数据特征日志中包括用户标识、店铺标识以及用户的历史行为特征，所述店铺标识表示被推荐给所述用户的店铺，所述历史行为特征表示所述用户对所述店铺的实际操作行为；根据所述第一数据特征日志基于设定维度从数据库中提取样本集合，所述样本集合中的各个样本包括所述用户标识对应的用户特征、所述店铺标识对应的店铺特征、所述用户与所述店铺的交叉特征以及所述历史行为特征，所述交叉特征表示所述用户与所述店铺之间的互动行为；利用所述样本集合对深度学习模型进行训练，得到预测模型；采用所述预测模型对在线用户对应的候选店铺进行预测，得到满足条件的待推荐店铺；将所述待推荐店铺推荐给所述在线用户。2.如权利要求1所述的方法，所述根据所述第一数据特征日志基于设定维度从数据库中提取样本集合，具体包括；根据所述用户标识从所述数据库中提取所述用户标识对应的用户特征，所述用户特征包括用户基本特征、用户财富类特征、用户历史行为特征以及用户的兴趣特征中的一个或多个；根据所述店铺标识从所述数据库中提取所述店铺标识对应的店铺特征，所述店铺特征包括店铺属性特征和店铺历史统计特征，所述店铺历史统计特征包括所述店铺的曝光量、点击量、购买量以及点击率中的一个或多个；根据所述用户标识以及所述店铺标识从所述数据库中提取所述用户与所述店铺的交叉特征，所述交叉特征包括所述用户对店铺或品牌的曝光数、点击数以及点击率中的一个或多个；得到包含所述用户特征、所述店铺特征、所述交叉特征以及所述用户的历史行为特征的样本集合。3.如权利要求1所述的方法，所述采用所述预测模型对在线用户对应的候选店铺进行预测，得到满足条件的待推荐店铺，具体包括：获取在线用户的个人信息；确定针对所述在线用户的候选店铺；将所述个人信息以及所述候选店铺的店铺信息输入所述预测模型中，得到各所述候选店铺的预测分数；根据所述预测分数从所述候选店铺中确定待推荐店铺，所述待推荐店铺的预测分数满足预设阈值。4.如权利要求1所述的方法，所述将所述待推荐店铺推荐给用户之后，还包括：获取所述待推荐店铺推荐给用户对应的第二数据特征日志；根据所述第二数据特征日志对所述预测模型进行修正，得到更新后的预测模型。5.如权利要求4所述的方法，所述根据所述第二数据特征日志对所述预测模型进行修正，得到更新后的预测模型，具体包括：从所述第二数据特征日志中获取用户点击的店铺对应的当前序列位置；根据所述当前序列位置确定训练样本；通过所述训练样本对所述预测模型进行训练，得到更新后的预测模型。6.如权利要求5所述的方法，所述根据所述当前序列位置确定训练样本，具体包括：确定所述当前序列位置之前的店铺以及位于所述当前序列位置之后的满足预设条件的店铺对应的行为数据为训练样本；所述满足预设条件的店铺表示以所述当前序列位置为依据，往后依次选取的设定数目个店铺。7.如权利要求5所述的方法，所述得到更新后的预测模型之后，还包括：获取验证样本；所述验证样本为位于所述当前序列位置之后的除训练样本外的行为数据；通过所述验证样本对所述更新后的预测模型进行验证。8.如权利要求3所述的方法，所述确定针对所述在线用户的候选店铺，具体包括：获取店铺推荐请求；根据所述店铺推荐请求从数据库中筛选得到满足所述店铺推荐请求对应的候选店铺。9.如权利要求8所述的方法，所述根据所述店铺推荐请求从数据库中筛选得到满足所述店铺推荐请求对应的候选店铺，具体包括：获取所述店铺推荐请求对应用户的用户特征以及当前定位的距离特征；根据所述用户特征以及所述当前定位的距离特征从所述数据库中获取满足所述用户特征以及所述距离特征预设条件的候选店铺。10.如权利要求1所述的方法，所述利用所述样本集合对深度学习模型进行训练，得到预测模型，具体包括：基于用户维度、店铺维度、交叉维度以及实时距离维度对所述样本集合进行分组；确定每一组样本对应的嵌入向量，得到嵌入向量集合；将所述嵌入向量集合输入深度学习模型中进行训练，得到预测模型。11.如权利要求1所述的方法，所述采用所述预测模型对在线用户对应的候选店铺进行预测，得到满足条件的待推荐店铺之后，还包括：将预测过程中对应的数据特征日志回流到所述数据库中。12.一种店铺推荐装置，包括：第一数据特征日志获取模块，用于获取第一数据特征日志，所述数据特征日志中包括用户标识、店铺标识以及用户的历史行为特征，所述店铺标识表示被推荐给所述用户的店铺，所述历史行为特征表示所述用户对所述店铺的实际操作行为；样本提取模块，用于根据所述第一数据特征日志基于设定维度从数据库中提取样本集合，所述样本集合中的各个样本包括所述用户标识对应的用户特征、所述店铺标识对应的店铺特征、所述用户与所述店铺的交叉特征以及所述历史行为特征，所述交叉特征表示所述用户与所述店铺之间的...

【专利技术属性】
技术研发人员：王艺林，王哲，苏建安，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY