基于深度学习的产品推送方法及系统技术方案

本发明专利技术提供一种基于深度学习的产品推送方法及系统，属于人工智能技术领域。该基于深度学习的产品推送方法包括：根据用户身份信息构造当前用户信息矩阵；根据用户点击产品的顺序创建当前产品信息矩阵；将当前用户信息矩阵和当前产品信息矩阵输入基于历史用户信息矩阵和历史产品信息矩阵创建的产品推荐模型中，得到产品推荐概率；根据产品推荐概率确定推送产品并对推送产品进行推送。本发明专利技术可以针对不同的用户推送特定的产品，提高产品推送的精度和准确度，进一步提高用户满意度。

【技术实现步骤摘要】
基于深度学习的产品推送方法及系统
本专利技术涉及人工智能
，具体地，涉及一种基于深度学习的产品推送方法及系统。
技术介绍
随着云计算、大数据、物联网等技术的迅猛发展，互联网空间中各类应用的层出不穷引发了数据规模的爆炸式增长。大数据在给人类社会带来变革性发展的同时也带来了严重的“信息过载”问题，产品推送是解决这一问题的有效方法，其可根据用户的历史行为对用户的偏好和兴趣进行分析，以预测用户接下来可能感兴趣的对象，从而向用户推送对应的产品。然而，现有的推送方法大多只从用户角度进行分析，并没有考虑产品本身对用户偏好的影响，大大影响了产品推送的精度和准确度，降低了用户满意度。
技术实现思路
本专利技术实施例的主要目的在于提供一种基于深度学习的产品推送方法及系统，以针对不同的用户推送特定的产品，提高产品推送的精度和准确度，进一步提高用户满意度。为了实现上述目的，本专利技术实施例提供一种基于深度学习的产品推送方法，包括：根据用户身份信息构造当前用户信息矩阵；根据用户点击产品的顺序创建当前产品信息矩阵；将当前用户信息矩阵和当前产品信息矩阵输入基于历史用户信息矩阵和历史产品信息矩阵创建的产品推荐模型中，得到产品推荐概率；根据产品推荐概率确定推送产品并对推送产品进行推送。本专利技术实施例还提供一种基于深度学习的产品推送系统，包括：当前用户信息矩阵单元，用于根据用户身份信息构造当前用户信息矩阵；当前产品信息矩阵单元，用于根据用户点击产品的顺序创建当前产品信息矩阵；产品推荐概率单元，用于将当前用户信息矩阵和当前产品信息矩阵输入基于历史用户信息矩阵和历史产品信息矩阵创建的产品推荐模型中，得到产品推荐概率；产品推送单元，用于根据产品推荐概率确定推送产品并对推送产品进行推送。本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现所述的基于深度学习的产品推送方法的步骤。本专利技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现所述的基于深度学习的产品推送方法的步骤。本专利技术实施例的基于深度学习的产品推送方法及系统先根据用户身份信息构造当前用户信息矩阵，根据用户点击产品的顺序创建当前产品信息矩阵，然后将当前用户信息矩阵和当前产品信息矩阵输入产品推荐模型中，得到产品推荐概率，最后根据产品推荐概率确定推送产品并对推送产品进行推送，可以针对不同的用户推送特定的产品，提高产品推送的精度和准确度，进一步提高用户满意度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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，下面描述中的附图仅仅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是本专利技术实施例中基于深度学习的产品推送方法的流程图；图2是本专利技术另一实施例中基于深度学习的产品推送方法的流程图；图3是S102的流程图；图4是本专利技术实施例中创建产品推荐模型的流程图；图5是本专利技术实施例中S302的流程图；图6是本专利技术实施例中有向图的构建示意图；图7是本专利技术实施例中产品信息矩阵的构建示意图；图8是本专利技术实施例中基于深度学习的产品推送系统的结构框图；图9是本专利技术实施例中计算机设备的结构框图。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，所描述的实施例仅仅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。本领域技术人员知道，本专利技术的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。鉴于现有技术没有考虑产品本身对用户偏好的影响，大大影响了产品推送的精度和准确度，降低了用户满意度，本专利技术实施例提供一种基于深度学习的产品推送方法，克服了现有推荐算法中单一角度建模、特征利用不充分以及行为序列分析不全面的缺陷。本专利技术具有以下优势：第一，从用户和产品的角度分别进行建模，可以同时考虑用户自身的长期偏好和用户短期的购买兴趣，从而更准确地捕获用户的当前兴趣。第二，通过利用多种特征分别对用户和产品进行分析，以得到用户和产品的更准确的表示。第三，对用户点击行为中的时间间隔信息和点击次数进行显式建模，通过用户在某一产品上的停留时间来确定用户对产品的喜好程度。综上，本专利技术的目的是利用深度学习方法融合多种特征，分别从用户和产品两个角度对用户的行为记录进行建模，以提高产品推送准确度，进而提升用户满意度，增加产品购买率。以下结合附图对本专利技术进行详细说明。图1是本专利技术实施例中基于深度学习的产品推送方法的流程图。图2是本专利技术另一实施例中基于深度学习的产品推送方法的流程图。如图1-图2所示，基于深度学习的产品推送方法包括：S101：根据用户身份信息构造当前用户信息矩阵。具体实施时，可以参照构造历史用户信息矩阵的方式构造当前用户信息矩阵。构造历史用户信息矩阵的步骤如下：a.根据用户的ID编号得到用户表示向量ui1。首先从用户数据集中得到用户集合U＝[u1,u2,…,uK]，其中K为用户的数量。使用one-hot(独热)向量得到每个用户的向量表示，然后将其表征到d维的表征空间，得到ui1。b.将用户的身份(学生、上班族和农民等)进行向量化表示，得到向量ui2；c.将用户的收入进行分段并进行向量化表示。例如，设所有用户的收入区间为[2000,5000]，则可以分段为[2000,3000)，[3000,4000)和[4000,5000]，将这三段分别编号为1、2和3，进而可以根据用户的收入情况将用户标记为1、2或3，得到用户收入情况的表征向量ui3。d.将a步骤、b步骤和c步骤得到的三个向量进行融合，得到用户自身的长期偏好(用户信息矩阵)，即历史用户信息矩阵ui＝[ui1；ui2；ui3]，其中[；]表示向量拼接。S102：根据用户点击产品的顺序创建当前产品信息矩阵。其中，可以参照构造历史产品信息矩阵的方式构造当前产品信息矩阵。当前产品信息矩阵和历史产品信息矩阵均包括产品ID矩阵、产品类别矩阵和产品价格矩阵。图3是S102的流程图。如图3所示，S102包括：S201：根据用户点击产品的顺序创建产品ID序列。具体实施时，根据产品ID编号将产品映射到统一的表征空间。即首先从用户与产品的交互数据中抽取出所有用户已交互的不重复的产品，得到产品ID序列X＝[x1,x2,…,xn]，其中n为不重复产品的数量。使用one-hot向量得到每个本文档来自技高网...

【技术保护点】
1.一种基于深度学习的产品推送方法，其特征在于，包括：/n根据用户身份信息构造当前用户信息矩阵；/n根据用户点击产品的顺序创建当前产品信息矩阵；/n将所述当前用户信息矩阵和所述当前产品信息矩阵输入基于历史用户信息矩阵和历史产品信息矩阵创建的产品推荐模型中，得到产品推荐概率；/n根据所述产品推荐概率确定推送产品并对所述推送产品进行推送。/n

【技术特征摘要】
1.一种基于深度学习的产品推送方法，其特征在于，包括：
根据用户身份信息构造当前用户信息矩阵；
根据用户点击产品的顺序创建当前产品信息矩阵；
将所述当前用户信息矩阵和所述当前产品信息矩阵输入基于历史用户信息矩阵和历史产品信息矩阵创建的产品推荐模型中，得到产品推荐概率；
根据所述产品推荐概率确定推送产品并对所述推送产品进行推送。


2.根据权利要求1所述的基于深度学习的产品推送方法，其特征在于，所述当前产品信息矩阵包括产品ID矩阵、产品类别矩阵和产品价格矩阵；
根据用户点击产品的顺序创建当前产品信息矩阵包括：
根据用户点击产品的顺序创建产品ID序列；
根据所述产品ID序列确定产品类别序列和产品价格序列；
根据所述产品ID序列和用户在各个产品上的停留时间生成产品ID矩阵；
根据所述产品类别序列生成产品类别矩阵，根据所述产品价格序列生成产品价格矩阵。


3.根据权利要求1所述的基于深度学习的产品推送方法，其特征在于，基于历史用户信息矩阵和历史产品信息矩阵创建产品推荐模型的步骤包括：
执行如下迭代处理：
根据历史产品信息矩阵和第一模型参数矩阵生成产品矩阵；
根据所述产品矩阵、第二模型参数矩阵、第三模型参数矩阵和所述历史用户信息矩阵确定产品预测推荐概率；
根据所述产品预测推荐概率和实际购买产品确定损失函数；
当所述损失函数小于预设值时，根据当前迭代中的第一模型参数矩阵、第二模型参数矩阵和第三模型参数矩阵创建产品推荐模型，否则根据所述损失函数更新所述第一模型参数矩阵、所述第二模型参数矩阵和所述第三模型参数矩阵，继续执行所述迭代处理。


4.根据权利要求3所述的基于深度学习的产品推送方法，其特征在于，根据所述产品矩阵、第二模型参数矩阵、第三模型参数矩阵和所述历史用户信息矩阵确定产品预测推荐概率包括：
根据所述产品矩阵和所述第二模型参数矩阵生成用户初始兴趣特征矩阵；
根据所述第三模型参数矩阵、所述用户初始兴趣特征矩阵和所述历史用户信息矩阵生成用户最终兴趣特征矩阵；
根据所述用户最终兴趣特征矩阵和所述产品矩阵确定产品预测推荐概率。


5.一种基于深度学习的产品推送系统，其特征在于，包括：
当前用户信息矩阵单元，用于根据用户身份信息构造当前用户信息矩阵；
当前产品信息矩阵单元，用于根据用户点击产...

【专利技术属性】
技术研发人员：李轩屹，王文春，侯海波，张梦鹿，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11