本申请实施例提供了一种推荐商家的方法、装置、电子设备及可读存储介质，旨在使服务端更准确地向用户推荐商家信息，提高用户操作效率。所述方法包括：获得目标用户的用户特征和多个候选商家各自的商家特征；将所述用户特征和所述多个商家特征输入复购率预测模型，得到所述目标用户针对所述多个候选商家中每个候选商家的复购率；根据所述目标用户针对所述多个候选商家中每个候选商家的复购率，向所述目标用户推荐目标商家，所述目标商家为所述多个候选商家中的至少一个。
Recommended methods, devices, electronic devices and readable storage media
【技术实现步骤摘要】
推荐商家的方法、装置、电子设备及可读存储介质
本申请实施例涉及互联网
，尤其涉及一种推荐商家的方法、装置、电子设备及可读存储介质。
技术介绍
随着互联挖技术的发展和智能终端设备的普及，越来越多的终端用户通过浏览器或客户端连接至电商平台或O2O(OnlineToOffline)平台等服务端，以实现网上购物、线上点餐、网上购票等线上交易活动。相关技术中，服务端会根据用户的历史浏览记录主动地向用户推荐商家信息，使用户在不执行搜索操作的情况下，快速地进入目标商家的主页，以此推广目标商家而获得收益并提高用户操作效率。目前的服务端在向用户推荐商家信息时，通常是根据各商家信息的历史点击率和/或历史转化率，确定历史点击率和/或历史转化率较高的目标商家，并将目标商家的信息推荐给用户。然而，采用目前的这种推荐方式，向用户推荐的商家信息仅能满足服务端当前收益的最大化和用户当前操作效率的最大化，而不能满足服务端长期收益的最大化和用户长期操作效率的最大化。
技术实现思路
本申请实施例提供一种推荐商家的方法、装置、电子设备及可读存储介质，旨在使服务端更准确地向用户推荐商家信息，以提高服务端长期收益和用户长期操作效率。本申请实施例第一方面提供了一种推荐商家的方法，所述方法包括：获得目标用户的用户特征和多个候选商家各自的商家特征；将所述用户特征和所述多个商家特征输入复购率预测模型，得到所述目标用户针对所述多个候选商家中每个候选商家的复购率；根据所述目标用户针对所述多个候选商家中每个候选商家的复购率，向所述目标用户推荐目标商家，所述目标商家为所述多个候选商家中的至少一个。可选地，所述方法还包括构建复购率预测模型。可选地，所述构建复购率预测模型，包括：针对已下单的历史用户，获得该历史用户在从下单时间起的预设时间段内的商家浏览记录序列；针对所述商家浏览记录序列中的每次商家浏览记录，建立该次商家浏览记录对应的训练样本，所述训练样本包括：该次商家浏览记录对应的商家特征、用户特征以及用户复购情况对应的奖励值、下一次商家浏览记录对应的商家特征和用户特征；根据多次商家浏览记录各自对应的训练样本，构建训练样本集；基于所述训练样本集，对预设强化学习模型进行训练，得到所述复购率预测模型。可选地，所述方法还包括：针对所述商家浏览记录序列中的每次商家浏览记录：在所述历史用户针对该次商家浏览记录对应的商家下单的情况下，确定用户复购情况对应的奖励值是大于零的值；在所述历史用户针对该次商家浏览记录对应的商家未下单的情况下，确定用户复购情况对应的奖励值是不大零的值。可选地，在所述历史用户针对该次商家浏览记录对应的商家下单的情况下，确定用户复购情况对应的奖励值，包括：在所述历史用户针对该次商家浏览记录对应的商家下单的情况下，确定该历史用户本次下单时间与上次下单时间的下单时间差；根据所述下单时间差以及预设的奖励值函数，确定用户复购情况对应的奖励值，该奖励值与所述下单时间差呈负相关。可选地，根据所述下单时间差以及预设的奖励值函数，确定用户复购情况对应的奖励值，包括：按照以下公式确定用户复购情况对应的奖励值：其中，r表示用户复购情况对应的奖励值，C表示调权系数，T表示所述下单时间差。可选地，所述用户特征包括以下至少一者：用户的消费偏好、用户的地理位置、用户画像以及行为特征。可选地，所述商家特征包括以下至少一者：商家ID、品类ID、配送时长、销量、满减额度以及客单价。本申请实施例第二方面提供一种推荐商家的装置，所述装置包括：特征获得模块，用于获得目标用户的用户特征和多个候选商家各自的商家特征；复购率获得模块，用于将所述用户特征和所述多个商家特征输入复购率预测模型，得到所述目标用户针对所述多个候选商家中每个候选商家的复购率；目标商家推荐模块，用于根据所述目标用户针对所述多个候选商家中每个候选商家的复购率，向所述目标用户推荐目标商家，所述目标商家为所述多个候选商家中的至少一个。可选地，所述装置还包括：模型构建模块，用于构建复购率预测模型。可选地，所述模型构建模块包括：商家浏览记录序列子模块，用于针对已下单的历史用户，获得该历史用户在从下单时间起的预设时间段内的商家浏览记录序列；训练样本建立子模块，用于针对所述商家浏览记录序列中的每次商家浏览记录，建立该次商家浏览记录对应的训练样本，所述训练样本包括：该次商家浏览记录对应的商家特征、用户特征以及用户复购情况对应的奖励值、下一次商家浏览记录对应的商家特征和用户特征；训练样本集构建子模块，用于根据多次商家浏览记录各自对应的训练样本，构建训练样本集；模型训练子模块，用于基于所述训练样本集，对预设强化学习模型进行训练，得到所述复购率预测模型。可选地，所述模型构建模块还包括：奖励值确定子模块，用于针对所述商家浏览记录序列中的每次商家浏览记录，在所述历史用户针对该次商家浏览记录对应的商家下单的情况下，确定用户复购情况对应的奖励值是大于零的值；在所述历史用户针对该次商家浏览记录对应的商家未下单的情况下，确定用户复购情况对应的奖励值是不大零的值。可选地，所述奖励值确定子模块包括：下单时间差确定单元，用于在所述历史用户针对该次商家浏览记录对应的商家下单的情况下，确定该历史用户本次下单时间与上次下单时间的下单时间差；奖励值确定单元，用于根据所述下单时间差以及预设的奖励值函数，确定用户复购情况对应的奖励值，该奖励值与所述下单时间差呈负相关。可选地，所述奖励值确定单元包括：奖励值确定子单元，用于按照以下公式确定用户复购情况对应的奖励值：其中，r表示用户复购情况对应的奖励值，C表示调权系数，T表示所述下单时间差。可选地，所述用户特征包括以下至少一者：用户的消费偏好、用户的地理位置、用户画像以及行为特征。可选地，所述商家特征包括以下至少一者：商家ID、品类ID、配送时长、销量、满减额度以及客单价。本申请实施例第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如本申请第一方面所述的方法中的步骤。本申请实施例第四方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请第一方面所述的方法的步骤。采用本申请实施例提供的推荐商家的方法，首先获得目标用户的用户特征和多个候选商家各自的商家特征，然后将这些特征输入预先训练的复购率预测模型，得到目标用户针对多个候选商家中每个候选商家的复购率。其中，每个候选商家的复购率表征了该目标用户针对该候选商家的长远需求。复购率越高，该目标用户针对该候选商家的长远需求越大，目标用户针对该候选商家再次下单的概率越大。最后根据多个候选商家各自的复购率，向该目标用户推荐目标商家，从而满足本文档来自技高网...
【技术保护点】
1.一种推荐商家的方法，其特征在于，包括：/n获得目标用户的用户特征和多个候选商家各自的商家特征；/n将所述用户特征和所述多个商家特征输入复购率预测模型，得到所述目标用户针对所述多个候选商家中每个候选商家的复购率；/n根据所述目标用户针对所述多个候选商家中每个候选商家的复购率，向所述目标用户推荐目标商家，所述目标商家为所述多个候选商家中的至少一个。/n
【技术特征摘要】
1.一种推荐商家的方法，其特征在于，包括：
获得目标用户的用户特征和多个候选商家各自的商家特征；
将所述用户特征和所述多个商家特征输入复购率预测模型，得到所述目标用户针对所述多个候选商家中每个候选商家的复购率；
根据所述目标用户针对所述多个候选商家中每个候选商家的复购率，向所述目标用户推荐目标商家，所述目标商家为所述多个候选商家中的至少一个。
2.根据权利要求1所述的方法，其特征在于，还包括构建复购率预测模型。
3.根据权利要求2所述的方法，其特征在于，所述构建复购率预测模型，包括：
针对已下单的历史用户，获得该历史用户在从下单时间起的预设时间段内的商家浏览记录序列；
针对所述商家浏览记录序列中的每次商家浏览记录，建立该次商家浏览记录对应的训练样本，所述训练样本包括：该次商家浏览记录对应的商家特征、用户特征以及用户复购情况对应的奖励值、下一次商家浏览记录对应的商家特征和用户特征；
根据多次商家浏览记录各自对应的训练样本，构建训练样本集；
基于所述训练样本集，对预设强化学习模型进行训练，得到所述复购率预测模型。
4.根据权利要求3所述的方法，其特征在于，还包括：
针对所述商家浏览记录序列中的每次商家浏览记录：
在所述历史用户针对该次商家浏览记录对应的商家下单的情况下，确定用户复购情况对应的奖励值是大于零的值；
在所述历史用户针对该次商家浏览记录对应的商家未下单的情况下，确定用户复购情况对应的奖励值是不大零的值。
5.根据权利要求4所述的方法，其特征在于，在所述历史用户针对该次商家浏览记录对应的商家下单的情况下，确定用户复购情况对应的奖励值，包括：
在所述历史用户针对该次商家浏览记录对应的商家下单的情况下...
【专利技术属性】
技术研发人员：孙正，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。