产品推荐方法、装置、电子设备及可读存储介质制造方法及图纸

本发明专利技术涉及智能决策，揭露一种产品推荐方法，包括：基于第一历史点击数据及第一基本信息数据确定用户集中每个用户对应的第一特征矩阵及第一标注信息；构建产品推荐模型，产品推荐模型包括低阶组合特征提取分支及高阶组合特征提取分支，基于第一特征矩阵及第一标注信息训练产品推荐模型；基于第二历史点击数据及第二基本信息数据确定目标用户对应的第二特征矩阵；将第二特征矩阵输入训练好的产品推荐模型，得到目标用户对产品类别集中每个产品类别的预测点击率，基于预测点击率确定目标用户对应的产品推荐列表。本发明专利技术还提供一种产品推荐装置、电子设备及可读存储介质。本发明专利技术提高了产品推荐准确度。高了产品推荐准确度。高了产品推荐准确度。

【技术实现步骤摘要】
产品推荐方法、装置、电子设备及可读存储介质


[0001]本专利技术涉及智能决策领域，尤其涉及一种产品推荐方法、装置、电子设备及可读存储介质。

技术介绍

[0002]随着机器学习的发展，模型逐渐融入人们的生活中，例如，通过模型为用户推荐感兴趣的产品。当前，通常采用逻辑回归模型为用户推荐产品，然而因逻辑回归模型对自变量多重共线性较为敏感，使得相关性高的自变量无法正常回归，导致推荐准确度不高。因此，亟需一种产品推荐方法，以提高产品推荐准确度。

技术实现思路

[0003]鉴于以上内容，有必要提供一种产品推荐方法，旨在提高产品推荐准确度。
[0004]本专利技术提供的产品推荐方法，包括：
[0005]根据第一时间段内登录目标应用程序的用户信息生成用户集，获取所述用户集中每个用户在所述第一时间段内的第一历史点击数据及第一基本信息数据；
[0006]基于所述第一历史点击数据及所述第一基本信息数据确定所述用户集中每个用户对应的第一特征矩阵及第一标注信息；
[0007]构建产品推荐模型，所述产品推荐模型包括低阶组合特征提取分支及高阶组合特征提取分支，基于所述第一特征矩阵及所述第一标注信息训练所述产品推荐模型，得到训练好的产品推荐模型；
[0008]解析针对目标用户的产品推荐请求，从预设数据库获取所述目标用户对应的第二历史点击数据及第二基本信息数据，基于所述第二历史点击数据及所述第二基本信息数据确定所述目标用户对应的第二特征矩阵；
[0009]将所述第二特征矩阵输入所述训练好的产品推荐模型，得到所述目标用户对产品类别集中每个产品类别的预测点击率，基于所述预测点击率确定所述目标用户对应的产品推荐列表。
[0010]可选的，所述基于所述第一历史点击数据及所述第一基本信息数据确定所述用户集中每个用户对应的第一特征矩阵及第一标注信息，包括：
[0011]基于所述第一基本信息数据构建所述用户集中每个用户的用户画像；
[0012]从所述第一历史点击数据中抽取多个预设特征因子的特征值，得到所述用户集中每个用户对应的特征值集合；
[0013]汇总所述用户画像及特征值集合，得到所述用户集中每个用户对应的初始特征矩阵；
[0014]对所述初始特征矩阵执行编码处理，得到所述用户集中每个用户对应的第一特征矩阵；
[0015]基于所述第一历史点击数据中的用户点击行为确定所述用户集中每个用户对应
的第一标注信息。
[0016]可选的，所述构建产品推荐模型包括：
[0017]将因子分解机模型作为低阶组合特征提取分支，将深度神经网络模型作为高阶组合特征提取分支；
[0018]连接所述低阶组合特征提取分支的输出与所述高阶组合特征分支的激活层的输入，得到产品推荐模型。
[0019]可选的，所述基于所述第一特征矩阵及所述第一标注信息训练所述产品推荐模型，得到训练好的产品推荐模型，包括：
[0020]将所述第一特征矩阵输入所述产品推荐模型的低阶组合特征提取分支，得到所述用户集中每个用户对应的一阶特征及二阶组合特征；
[0021]将所述第一特征矩阵输入所述产品推荐模型的高阶组合特征提取分支的线性层、嵌入层及神经网络层，得到所述用户集中每个用户对应的高阶组合特征；
[0022]将所述一阶特征、二阶组合特征及高阶组合特征输入所述高阶组合特征提取分支的激活层，得到所述用户集中每个用户对应的预测点击结果；
[0023]基于所述第一标注信息确定所述用户集中每个用户对应的真实点击结果，通过最小化预测点击结果与真实点击结果之间的损失值确定所述产品推荐模型的结构参数，得到训练好的产品推荐模型。
[0024]可选的，所述基于所述预测点击率确定所述目标用户对应的产品推荐列表，包括：
[0025]将预测点击率大于预设阈值的产品类别的集合作为目标产品类别集，确定所述目标产品类别集中每个产品类别的优先级；
[0026]根据预先确定的优先级及抽样比例之间的映射关系，确定所述目标产品类别集中每个产品类别对应的目标抽样比例；
[0027]基于所述目标抽样比例从产品库中为所述目标产品类别集中每个产品类别抽取对应数量的产品存储至空白列表，得到产品推荐列表。
[0028]可选的，在所述得到训练好的产品推荐模型之后，所述方法还包括：
[0029]每隔第二时间段，根据所述目标应用程序的历史登录数据确定新的用户集，确定所述新的用户集中每个用户的第三特征矩阵及第二标注信息，基于所述第三特征矩阵及所述第二标注信息训练所述训练好的产品推荐模型，得到更新后的产品推荐模型。
[0030]可选的，所述损失值的计算公式为：
[0031][0032]其中，q
i
为用户集中第i个用户的预测点击结果，p
i
为用户集中第i个用户的真实点击结果，c为用户集中用户的总数量，loss(q
i
，p
i
)为用户集的预测点击结果与真实点击结果之间的损失值。
[0033]为了解决上述问题，本专利技术还提供一种产品推荐装置，所述装置包括：
[0034]获取模块，用于根据第一时间段内登录目标应用程序的用户信息生成用户集，获取所述用户集中每个用户在所述第一时间段内的第一历史点击数据及第一基本信息数据；
[0035]确定模块，用于基于所述第一历史点击数据及所述第一基本信息数据确定所述用户集中每个用户对应的第一特征矩阵及第一标注信息；
[0036]构建模块，用于构建产品推荐模型，所述产品推荐模型包括低阶组合特征提取分支及高阶组合特征提取分支，基于所述第一特征矩阵及所述第一标注信息训练所述产品推荐模型，得到训练好的产品推荐模型；
[0037]解析模块，用于解析针对目标用户的产品推荐请求，从预设数据库获取所述目标用户对应的第二历史点击数据及第二基本信息数据，基于所述第二历史点击数据及所述第二基本信息数据确定所述目标用户对应的第二特征矩阵；
[0038]推荐模块，用于将所述第二特征矩阵输入所述训练好的产品推荐模型，得到所述目标用户对产品类别集中每个产品类别的预测点击率，基于所述预测点击率确定所述目标用户对应的产品推荐列表。
[0039]为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：
[0040]至少一个处理器；以及，
[0041]与所述至少一个处理器通信连接的存储器；其中，
[0042]所述存储器存储有可被所述至少一个处理器执行的产品推荐程序，所述产品推荐程序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执行上述产品推荐方法。
[0043]为了解决上述问题，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有产品推荐程序，所述产品推荐程序可被一个或者多个处理器执行，以实现上述产品推荐方法。
[0044]相较现有技术，本专利技术首先确定用户集中每个用户对应的第一特征矩阵及第一标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种产品推荐方法，其特征在于，所述方法包括：根据第一时间段内登录目标应用程序的用户信息生成用户集，获取所述用户集中每个用户在所述第一时间段内的第一历史点击数据及第一基本信息数据；基于所述第一历史点击数据及所述第一基本信息数据确定所述用户集中每个用户对应的第一特征矩阵及第一标注信息；构建产品推荐模型，所述产品推荐模型包括低阶组合特征提取分支及高阶组合特征提取分支，基于所述第一特征矩阵及所述第一标注信息训练所述产品推荐模型，得到训练好的产品推荐模型；解析针对目标用户的产品推荐请求，从预设数据库获取所述目标用户对应的第二历史点击数据及第二基本信息数据，基于所述第二历史点击数据及所述第二基本信息数据确定所述目标用户对应的第二特征矩阵；将所述第二特征矩阵输入所述训练好的产品推荐模型，得到所述目标用户对产品类别集中每个产品类别的预测点击率，基于所述预测点击率确定所述目标用户对应的产品推荐列表。2.如权利要求1所述的产品推荐方法，其特征在于，所述基于所述第一历史点击数据及所述第一基本信息数据确定所述用户集中每个用户对应的第一特征矩阵及第一标注信息，包括：基于所述第一基本信息数据构建所述用户集中每个用户的用户画像；从所述第一历史点击数据中抽取多个预设特征因子的特征值，得到所述用户集中每个用户对应的特征值集合；汇总所述用户画像及特征值集合，得到所述用户集中每个用户对应的初始特征矩阵；对所述初始特征矩阵执行编码处理，得到所述用户集中每个用户对应的第一特征矩阵；基于所述第一历史点击数据中的用户点击行为确定所述用户集中每个用户对应的第一标注信息。3.如权利要求1所述的产品推荐方法，其特征在于，所述构建产品推荐模型包括：将因子分解机模型作为低阶组合特征提取分支，将深度神经网络模型作为高阶组合特征提取分支；连接所述低阶组合特征提取分支的输出与所述高阶组合特征分支的激活层的输入，得到产品推荐模型。4.如权利要求1所述的产品推荐方法，其特征在于，所述基于所述第一特征矩阵及所述第一标注信息训练所述产品推荐模型，得到训练好的产品推荐模型，包括：将所述第一特征矩阵输入所述产品推荐模型的低阶组合特征提取分支，得到所述用户集中每个用户对应的一阶特征及二阶组合特征；将所述第一特征矩阵输入所述产品推荐模型的高阶组合特征提取分支的线性层、嵌入层及神经网络层，得到所述用户集中每个用户对应的高阶组合特征；将所述一阶特征、二阶组合特征及高阶组合特征输入所述高阶组合特征提取分支的激活层，得到所述用户集中每个用户对应的预测点击结果；基于所述第一标注信息确定所述用户集中每个用户对应的真实点击结果，通过最小化
预测点击结果与真实点击结果之间的损失值确定所述产品推荐模型的结构参数，得到训练好的产品推荐模型。5.如权利要求1所述的产品推荐方法，其特征在于，所述基于所述预测点击率确定所述目标用户对应的产品推荐列表，包括...

【专利技术属性】
技术研发人员：黎建辉，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：