构建基于多目标优化的推荐模型的方法、装置及设备制造方法及图纸

本发明专利技术公开了一种构建基于多目标优化的推荐模型的方法、装置及设备，其中，方法包括：获取交易数据集，其中，交易数据集中的每一交易数据包括对应的交易产品和进行对应交易的用户；根据交易数据集构建样本集，其中，样本集中包括正样本和负样本；确定推荐多样性指标；以产品召回率和推荐准确率中的任一个以及推荐多样性指标为待优化的指标，通过样本集确定目标模型的至少两组超参数值，并获得相应的至少两个推荐模型，其中，一组超参数值对应一个推荐模型。

【技术实现步骤摘要】
构建基于多目标优化的推荐模型的方法、装置及设备
本专利技术涉及人工智能
，更具体地，涉及一种构建基于多目标优化的推荐模型的方法、一种构建基于多目标优化的推荐模型的装置、一种电子设备以及一种计算机可读存储介质。
技术介绍
在电子商务领域中，对于用户来说，如何准确的向不同用户推荐产品是至关重要的。目前，在向不同用户推荐产品时，通常采用预先构建好的推荐模型来实现。而对于预先构建好的推荐模型，该推荐模型是基于例如召回率的单目标优化得到的。由于在对单目标进行优化时，并不会兼顾推荐模型在其他指标上的表现情况，因此，这将导致利用构建好的推荐模型得到的推荐结果并不能给用户带来良好的用户体验。
技术实现思路
本专利技术的一个目的是提供一种用于构建基于多目标优化的推荐模型的新技术方案。根据本专利技术的第一方面，提供了一种构建基于多目标优化的推荐模型的方法，包括：获取交易数据集，其中，所述交易数据集中的每一交易数据包括对应的交易产品和进行对应交易的用户；根据所述交易数据集构建样本集，其中，所述样本集中包括正样本和负样本；确定推荐多样性指标；以产品召回率和推荐准确率中的任一个以及推荐多样性指标为待优化的指标，通过所述样本集确定目标模型的至少两组超参数值，并获得相应的至少两个推荐模型，其中，一组超参数值对应一个推荐模型。可选的，所述推荐多样性指标中包括反映所推荐产品的产品种类的种类多样性指标、反映所推荐产品的产品热度的热度指标、及反映所推荐产品的新颖度的新颖度指标。可选的，所述目标模型为gbdt模型。可选的，所述以产品召回率和推荐准确率中的任一个以及推荐多样性指标为待优化的指标，通过所述样本集确定目标模型的至少两组超参数值，包括：以产品召回率和推荐准确率中的任一个以及推荐多样性指标为待优化的指标，以所述目标模型的模型超参数为待优化的目标，通过所述样本集和设定的多目标优化算法进行迭代训练，获得所述模型超参数的至少两组超参数值。可选的，所述多目标优化算法为多目标优化遗传算法。可选的，所述通过所述样本集和设定的多目标优化算法进行迭代训练，获得所述模型超参数的至少两组超参数值包括：将所述样本集拆分为训练样本集和测试样本集；通过所述训练样本集，训练所述目标模型，得到对应的至少两个训练后的目标模型；通过所述测试样本集获得每一所述训练后的目标模型对于所述待优化的指标的指标值；以所述指标值最大化为搜索条件，从所述训练后的目标模型筛选出部分训练后的目标模型；根据部分训练后的目标模型，生成至少两个新的训练后的目标模型，获得通过当前训练得到的所述模型超参数的各组超参数值；在所述当前训练未达到设定的收敛条件的情况下，将所述当前训练得到的所述模型超参数的各组超参数值，分别赋予所述目标模型，并进行下一次训练；在所述当前训练达到所述收敛条件的情况下，获得所述模型超参数的至少两组超参数值为当前训练得到的各组超参数值。可选的，所述收敛条件包括训练次数达到设定次数。可选的，所述方法还包括确定推荐准确率的指标，所述确定推荐准确率的指标的步骤，包括：确定向每一用户推荐的产品中，属于对应用户交易过的产品的数量；确定向所有用户待推荐的产品的数量；将所有所述用户交易过的产品的数量，与向所有用户待推荐的产品的数量之间的比值，确定为推荐多样性指标中的推荐准确率指标。可选的，所述方法还包括确定准回来率的指标，所述确定召回率的指标的步骤，包括：确定向每一用户推荐的产品中，属于对应用户交易过的产品的数量；确定向所有用户推荐的产品的数量；将所有所述用户交易过的产品的数量，与向所有用户推荐的产品的数量之间的比值，确定为推荐多样性指标中的召回率指标。可选的，所述确定推荐多样性指标，包括确定推荐多样性指标中的种类多样性指标，所述确定推荐多样性指标中的种类多样性指标，包括：将向所有用户推荐的产品的类别数，与待推荐的产品的总数之间的比值，确定为推荐多样性指标中的种类多样性指标。可选的，所述确定推荐多样性指标，包括确定推荐多样性指标中的热度指标，所述确定推荐多样性指标中的热度指标，包括：确定向每一用户推荐的产品的数量，与所有用户的用户数量之间的乘积；将向所有用户推荐的产品中属于热门产品的数量，与所述乘积之间的比值的相反数，确定为推荐多样性指标中的热度指标。可选的，所述方法还包括确定所述热门产品的步骤，所述确定热门产品，包括：根据所述交易数据集，计算每一产品对应的交易过的次数；将交易过的次数最多的前第一预设百分比的产品，确定为热门产品。可选的，所述确定推荐多样性指标，包括确定推荐多样性指标中的新颖度指标，所述确定推荐多样性指标中的新颖度指标，包括：根据推荐结果，构建推荐样本集；其中，一个推荐样本由用户及向对应用户推荐的一个产品、对应用户的用户向量值、对应产品的产品向量值组成；将推荐样本集中的每一推荐样本输入至新颖性函数，以得到对应的新颖性值；所述新颖性函数为度量用户交易向自身推荐的冷门产品的概率的函数；将推荐样本集中的所有推荐样本对应的新颖性值的和，与所有用户的用户数量之间的比值，确定为推荐多样性指标中的新颖度指标。可选的，所述方法还包括确定所述冷门产品的步骤，所述确定冷门产品，包括：根据所述交易数据集，计算每一产品对应的交易过的次数；将交易过的次数最少的前第二预设百分比的产品，确定为冷门产品。可选的，所述方法还包括获取新颖性函数的步骤，所述获取新颖性函数包括：对所述样本集进行修改，以得到修改后的训练样本；所述修改包括：在所述样本集中，将冷门产品对应的正样本以外的样本修改为负样本；根据修改后的训练样本，训练第一推荐模型；将训练后的第一推荐模型，作为新颖性函数。可选的，所述第一推荐模型为gbdt模型、随机森林树模型、XGBoost模型中的任一个。可选的，所述方法还包括：获取目标用户对于设定的用户特征向量的用户向量值，以及每一待推荐的产品对于设定的产品特征向量的产品向量值；将所述用户向量值分别与每一所述产品向量值相结合，构建出各匹配数据；对于所述各匹配数据中的每一匹配数据，通过所述至少两个推荐模型分别输出对应匹配数据的推荐值；根据所述推荐值，确定所述对应匹配数据的综合推荐值；根据每一所述匹配数据的综合推荐值，获得向所述目标用户推荐的产品。可选的，所述根据所述推荐值，确定所述对应匹配数据的综合推荐值，包括：确定所述对应匹配数据的综合推荐值等于所有所述推荐值的平均值。可选的，所述用户特征向量包括年龄、性别、收入、职业中的至少一个特征。可选的，所述产品特征向量包括名称、价格、折扣、颜色、重量、邮递费用中的至少一个特征。根据本专利技术的第二方面，提供了一种构建基于多目标优化的推荐模型的装置，本文档来自技高网...

【技术保护点】
1.一种构建基于多目标优化的推荐模型的方法，包括：/n获取交易数据集，其中，所述交易数据集中的每一交易数据包括对应的交易产品和进行对应交易的用户；/n根据所述交易数据集构建样本集，其中，所述样本集中包括正样本和负样本；/n确定推荐多样性指标；/n以产品召回率和推荐准确率中的任一个以及推荐多样性指标为待优化的指标，通过所述样本集确定目标模型的至少两组超参数值，并获得相应的至少两个推荐模型，其中，一组超参数值对应一个推荐模型。/n

【技术特征摘要】
1.一种构建基于多目标优化的推荐模型的方法，包括：
获取交易数据集，其中，所述交易数据集中的每一交易数据包括对应的交易产品和进行对应交易的用户；
根据所述交易数据集构建样本集，其中，所述样本集中包括正样本和负样本；
确定推荐多样性指标；
以产品召回率和推荐准确率中的任一个以及推荐多样性指标为待优化的指标，通过所述样本集确定目标模型的至少两组超参数值，并获得相应的至少两个推荐模型，其中，一组超参数值对应一个推荐模型。


2.根据权利要求1所述的方法，其中，所述推荐多样性指标中包括反映所推荐产品的产品种类的种类多样性指标、反映所推荐产品的产品热度的热度指标、及反映所推荐产品的新颖度的新颖度指标。


3.根据权利要求1所述的方法，其中，所述目标模型为gbdt模型。


4.根据权利要求1所述的方法，其中，所述以产品召回率和推荐准确率中的任一个以及推荐多样性指标为待优化的指标，通过所述样本集确定目标模型的至少两组超参数值，包括：
以产品召回率和推荐准确率中的任一个以及推荐多样性指标为待优化的指标，以所述目标模型的模型超参数为待优化的目标，通过所述样本集和设定的多目标优化算法进行迭代训练，获得所述模型超参数的至少两组超参数值。


5.根据权利要求4所述的方法，其中，所述多目标优化算法为多目标优化遗传算法。


6.根据权利要求5所述的方法，其特征在于，所述通过所述样本集和设定的多目标优化算法进行迭代训练，获得所述模型超参数的至少两组超参数值包括：
将所述样本集拆分为训练样本集和测试样本集；
通过所述训练样本集，训练所述目标模型，得到对应的至少两个训练后的目标模型；
通过所述测试样本集获得每一所述训练后的...

【专利技术属性】
技术研发人员：刘正夫，
申请(专利权)人：第四范式北京技术有限公司，
类型：发明
国别省市：北京;11