基于深度学习的选品方法和装置制造方法及图纸

本发明专利技术公开了基于深度学习的选品方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：采集用户行为数据，所述用户行为数据包括各个搜索词对应的物品列表；依据所述物品列表中的物品构建物品对，得到各个搜索词对应的物品对列表；根据各个搜索词对应的物品对列表，基于深度学习网络构建选品模型，依据所述选品模型进行选品。该实施方式通过构建物品对、基于构建的物品对和深度学习网络构建选品模型、依据所述选品模型进行选品，能够大大扩展模型训练数据，提高选品结果的覆盖率以及精确度。

【技术实现步骤摘要】
基于深度学习的选品方法和装置
本专利技术涉及计算机
，尤其涉及一种基于深度学习的选品方法和装置。
技术介绍
CPS(CostPerSales，即按销售付费)体系往往涉及海量物品。CPS选品是对海量CPS物品进行选品打分并挑选出最富有竞争力的优质热销物品。目前CPS选品的方法主要有：基于活动报名、数据统计以及人工参与的方式选品，基于浅度学习的方式选品。但是这些选品方案的覆盖率以及精确度较低。
技术实现思路
有鉴于此，本专利技术实施例提供一种基于深度学习的选品方法和装置，能够大大提高选品结果的覆盖率以及精确度。为实现上述目的，根据本专利技术实施例的一个方面，提供了一种基于深度学习的选品方法，包括：采集用户行为数据，所述用户行为数据包括各个搜索词对应的物品列表；依据所述物品列表中的物品构建物品对，得到各个搜索词对应的物品对列表；根据各个搜索词对应的物品对列表，基于深度学习网络构建选品模型，依据所述选品模型进行选品。可选地，依据所述物品列表中的物品构建物品对，得到各个搜索词对应的物品对列表，包括：对于任一搜索词，以所述搜索词对应的物品列表作为目标物品列表，或者以将所述搜索词对应的物品列表中至少一部分物品删除后的列表作为目标物品列表；从所述目标物品列表中的第一个物品开始，将相邻两个未配对的物品作为一个物品对，得到所述任一搜索词对应的物品对列表。可选地，将所述物品列表中至少一部分物品删除，包括：将所述物品列表中预设指标的指标值小于等于指标阈值的物品删除。可选地，所述方法还包括确定所述物品对列表中每个物品的分级标签；依据所述物品列表中的物品构建物品对，得到各个搜索词对应的物品对列表之后还包括：将所述物品对列表中具有相同预设分级标签的物品对删除。可选地，所述用户行为数据还包括：所述物品列表中每个物品的点击量和曝光量；确定所述物品对列表中每个物品的分级标签，包括：根据所述点击量和曝光量确定所述物品对列表中每个物品的点击率，根据所述点击率确定所述物品对列表中每个物品的分级标签。可选地，按照如下公式，根据所述点击量和曝光量确定所述物品对列表中每个物品的点击率：式中，score表示物品的点击率，x标识物品的点击量，y表示物品的曝光量，n表示权重因子。可选地，根据各个搜索词对应的物品对列表，基于深度学习网络构建选品模型，包括：以各个搜索词对应的物品对列表中的所有物品对作为候选样本集，对所述候选样本集进行抽样得到训练样本集；根据所述训练样本集，基于深度学习网络构建选品模型。可选地，对所述候选样本集进行抽样得到训练样本集，包括：确定所述候选样本集中每个物品的抽样概率，根据每个物品的抽样概率确定所述候选样本集中每个物品对的抽样概率，根据每个物品对的抽样概率从所述候选样本集中抽样。可选地，所述按照如下公式确定所述候选样本集中每个物品的抽样概率：式中，P表示物品的抽样概率，y表示物品的曝光量。可选地，对所述候选样本集进行抽样得到训练样本集之后，还包括：对于所述候选样本集中的任一物品，判断预设指标的指标值是否存在异常；若是，则对所述指标值进行标准化处理。可选地，判断预设指标的指标值是否存在异常，包括：按照如下公式确定所述预设指标的指标得分，若所述指标得分小于等于得分阈值，判定所述预设指标的指标值不存在异常；否则，判定所述预设指标的指标值存在异常：式中，a′表示预设指标的指标得分，a表示预设指标的指标值，mean表示预设指标的平均数，σ表示预设指标的标准差。可选地，基于深度学习网络构建选品模型之前，还包括：对于所述训练样本集中的任一物品对，判断所述任一物品对中前一个物品的点击率是否大于后一个物品的点击率；若是，则为所述任一物品对标记第一样本标签，否则为所述任一物品对标记第二样本标签。可选地，所述深度学习网络采用单层隐藏层。根据本专利技术实施例的第二方面，提供一种基于深度学习的选品装置，包括：数据采集模块，采集用户行为数据，所述用户行为数据包括各个搜索词对应的物品列表；物品组合模块，依据所述物品列表中的物品构建物品对，得到各个搜索词对应的物品对列表；模型构建模块，根据各个搜索词对应的物品对列表，基于深度学习网络构建选品模型，依据所述选品模型进行选品。可选地，所述物品组合模块依据所述物品列表中的物品构建物品对，得到各个搜索词对应的物品对列表，包括：对于任一搜索词，以所述搜索词对应的物品列表作为目标物品列表，或者以将所述搜索词对应的物品列表中至少一部分物品删除后的列表作为目标物品列表；从所述目标物品列表中的第一个物品开始，将相邻两个未配对的物品作为一个物品对，得到所述任一搜索词对应的物品对列表。可选地，所述物品组合模块还用于按照如下步骤将所述物品列表中至少一部分物品删除：将所述物品列表中预设指标的指标值小于等于指标阈值的物品删除。可选地，所述物品组合模块还用于：确定所述物品对列表中每个物品的分级标签，以及在依据所述物品列表中的物品构建物品对，得到各个搜索词对应的物品对列表之后，将所述物品对列表中具有相同预设分级标签的物品对删除。可选地，所述用户行为数据还包括：所述物品列表中每个物品的点击量和曝光量；所述物品组合模块确定所述物品对列表中每个物品的分级标签，包括：根据所述点击量和曝光量确定所述物品对列表中每个物品的点击率，根据所述点击率确定所述物品对列表中每个物品的分级标签。可选地，所述物品分级模块按照如下公式，根据所述点击量和曝光量确定所述物品对列表中每个物品的点击率：式中，score表示物品的点击率，x标识物品的点击量，y表示物品的曝光量，n表示权重因子。可选地，所述模型构建模块根据各个搜索词对应的物品对列表，基于深度学习网络构建选品模型，包括：以各个搜索词对应的物品对列表中的所有物品对作为候选样本集，对所述候选样本集进行抽样得到训练样本集；根据所述训练样本集，基于深度学习网络构建选品模型。可选地，所述模型构建模块对所述候选样本集进行抽样得到训练样本集，包括：确定所述候选样本集中每个物品的抽样概率，根据每个物品的抽样概率确定所述候选样本集中每个物品对的抽样概率，根据每个物品对的抽样概率从所述候选样本集中抽样。可选地，所述模型构建模块按照如下公式确定所述候选样本集中每个物品的抽样概率：式中，P表示物品的抽样概率，y表示物品的曝光量。可选地，所述模型构建模块对所述候选样本集进行抽样得到训练样本集之后，还包括：对于所述候选样本集中的任一物品，判断预设指标的指标值是否存在异常；若是，则对所述指标值进行标准化处理。可选地，所述模型构建模块判断预设指标的指标值是否存在异常，包括：按照如下公式确定所述预设指标的指标得分，若所述指标得分小于等于得分阈值，判定所述预设指标的指标值不存在本文档来自技高网...

【技术保护点】
1.一种基于深度学习的选品方法，其特征在于，包括：/n采集用户行为数据，所述用户行为数据包括各个搜索词对应的物品列表；/n依据所述物品列表中的物品构建物品对，得到各个搜索词对应的物品对列表；/n根据各个搜索词对应的物品对列表，基于深度学习网络构建选品模型，依据所述选品模型进行选品。/n

【技术特征摘要】
1.一种基于深度学习的选品方法，其特征在于，包括：
采集用户行为数据，所述用户行为数据包括各个搜索词对应的物品列表；
依据所述物品列表中的物品构建物品对，得到各个搜索词对应的物品对列表；
根据各个搜索词对应的物品对列表，基于深度学习网络构建选品模型，依据所述选品模型进行选品。


2.如权利要求1所述的方法，其特征在于，依据所述物品列表中的物品构建物品对，得到各个搜索词对应的物品对列表，包括：
对于任一搜索词，以所述搜索词对应的物品列表作为目标物品列表，或者以将所述搜索词对应的物品列表中至少一部分物品删除后的列表作为目标物品列表；从所述目标物品列表中的第一个物品开始，将相邻两个未配对的物品作为一个物品对，得到所述任一搜索词对应的物品对列表。


3.如权利要求2所述的方法，其特征在于，将所述物品列表中至少一部分物品删除，包括：将所述物品列表中预设指标的指标值小于等于指标阈值的物品删除。


4.如权利要求1所述的方法，其特征在于，还包括：确定所述物品对列表中每个物品的分级标签；
依据所述物品列表中的物品构建物品对，得到各个搜索词对应的物品对列表之后，还包括：将所述物品对列表中具有相同预设分级标签的物品对删除。


5.如权利要求4所述的方法，其特征在于，所述用户行为数据还包括：所述物品列表中每个物品的点击量和曝光量；
确定所述物品对列表中每个物品的分级标签，包括：根据所述点击量和曝光量确定所述物品对列表中每个物品的点击率，根据所述点击率确定所述物品对列表中每个物品的分级标签。


6.如权利要求5所述的方法，其特征在于，根据各个搜索词对应的物品对列表，基于深度学习网络构建选品模型，包括：
以各个搜索词对应的物品对列表中的所有物品对作为候选样本集，对所述候选样本集进行抽样得到训练样本集；根据所述训练样本集，基于深度学习网络...

【专利技术属性】
技术研发人员：张青青，毛锐，潘扬，
申请(专利权)人：北京沃东天骏信息技术有限公司，北京京东世纪贸易有限公司，
类型：发明
国别省市：北京;11