【技术实现步骤摘要】
一种商品推荐方法、装置、存储介质及系统
[0001]本申请涉及商品推荐
，尤其涉及一种商品推荐方法、装置、存储介质及系统。
技术介绍
[0002]随着大数据和人工智能技术的发展，越来越多的用户喜欢网络上购物。为了吸引更多的流量，提升用户活跃度，各大电商平台都需要针对用户个性化的设计推荐商品，以提高成交额。目前，已有的商品推荐算法一般是根据推荐业务对商品提取多个特征，然后配置线性加权的系数，从而为每一个商品打分，然后根据商品分数将多个商品排序后推荐给用户。
[0003]然而，对于已有的商品推荐算法来说，所提取的多个特征是人工设计的，大多依靠业务经验，有一定的局限性；另外，线性加权模型学到的特征信息比较粗浅，对商品的排序能力也有一定的局限性。
技术实现思路
[0004]本申请提供了一种商品推荐方法、装置、存储介质及系统，通过引入高质量正样本、低质量正样本和负样本的细分逻辑，提高了商品推荐的准确性。
[0005]本申请的技术方案是这样实现的：
[0006]第一方面，本申请实施例提供了一...
【技术保护点】
【技术特征摘要】
1.一种商品推荐方法，其特征在于，所述方法包括：获取多个候选商品对应的多个待计算特征数据；将所述多个待计算特征数据输入到目标推荐模型，获取所述目标推荐模型输出的所述多个候选商品各自的点击概率值和购买概率值；其中，所述目标推荐模型是根据至少一个高质量正样本、至少一个低质量正样本和至少一个负样本训练得到的；根据所述多个候选商品各自的点击概率值和购买概率值，计算所述多个候选商品各自的推荐分数；根据所述多个候选商品各自的推荐分数，向待推荐用户进行商品推荐。2.根据权利要求1所述的商品推荐方法，其特征在于，所述目标推荐模型包括至少一个第一目标专家模型、至少一个第二目标专家模型和至少一个共享目标专家模型和目标门控子模型；所述将所述多个待计算特征数据输入到目标推荐模型，获取所述目标推荐模型输出的所述多个候选商品各自的点击概率值和购买概率值，包括：利用至少一个第一目标专家模型、至少一个第二目标专家模型和至少一个共享目标专家模型分别对其中一个待计算特征数据进行计算，得到至少一个第一输出结果、至少一个第二输出结果和至少一个共享输出结果；基于所述至少一个第一输出结果和所述至少一个共享输出结果，通过所述目标门控子模型计算得到其中一个候选商品的点击概率值；基于所述至少一个第二输出结果和所述至少一个共享输出结果，通过所述目标门控子模型计算得到所述其中一个候选商品的购买概率值。3.根据权利要求1所述的商品推荐方法，其特征在于，所述根据所述多个候选商品各自的点击概率值和购买概率值，计算所述多个候选商品各自的推荐分数，包括：基于预设权值，对其中一个候选商品的点击概率值和购买概率值进行赋权求和运算，得到所述其中一个候选商品的推荐分数。4.根据权利要求1所述的商品推荐方法，其特征在于，所述方法还包括：获取多个样本特征数据，在预设标签值集合中确定所述多个样本特征数据各自的目标标签值；基于所述多个样本特征数据各自的目标标签值，从所述多个样本特征数据中确定至少一个高质量正样本、至少一个低质量正样本和至少一个负样本；利用所述至少一个高质量正样本、至少一个低质量正样本和至少一个负样本对预设多任务模型进行训练，得到目标推荐模型。5.根据权利要求4所述的商品推荐方法，其特征在于，所述利用所述至少一个高质量正样本、至少一个低质量正样本和至少一个负样本对预设多任务模型进行训练，得到目标推荐模型，包括：根据所述至少一个高质量正样本、至少一个低质量正样本和至少一个负样本各自的目标标签值，确定所述至少一个高质量正样本、至少一个低质量正样本和至少一个负样本各自的权重系数；基于所述至少一个高质量正样本、至少一个低质量正样本和至少一个负样本各自的权重系数，构造所述预设多任务模型的损失函数；
利用所述至少一个高质量正样本、至少一个低质量正样本和至少一个负样本对所述预设多任务模型进行训练，当所述损失函数的结果达到预设阈值时，将训练后的预设多任务模型确定为所述目标推荐模型。6.根据权利要求4所述的商品推荐方法，其特征在于，所述预设标签值集合包括第一标签值，第二标签值、第三标签值、第四标签值和第五标签值；其中，所述第一标签值指示不点击事件、所述第二标签值指示低质量点击事件、所述第三标签值指示高质量点击事件、所述第四标签值指示低质量订单事件、所述第五标签值指示高质量订单事件。7.根据权利要求6所述的商品推荐方法，其特征在于，所述在预设标签值集合中确定多个样本特征数据各自的目标标签值，包括：获取第一样本特征数据对应的第一样本用户；其中，所述第一...
【专利技术属性】
技术研发人员：王颖帅，
申请(专利权)人：北京京东世纪贸易有限公司，
类型：发明
国别省市：
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。