本公开提供了一种信息的推荐方法，包括：获取离线数据、实时数据和经训练的用户偏好预测模型；从用户的用户特征离线数据中获取用户的用户特征和历史行为统计特征；从用户的用户特征实时数据中获取用户的近期行为序列特征；将用户的用户特征用户特征、历史行为统计特征和近期行为序列特征输入用户的用户特征经训练的用户偏好预测模型，以得到预测结果；以及根据预测结果，生成推荐信息。本公开还提供了一种信息的推荐装置、计算设备及介质。计算设备及介质。计算设备及介质。
【技术实现步骤摘要】
信息的推荐方法、装置、计算设备及介质
[0001]本公开涉及计算机
，更具体地，涉及一种信息的推荐方法、装置、计算设备及介质。
技术介绍
[0002]在电商领域，用户对于商品品牌或商品品类的偏好是至关重要的信息之一。通过了解用户对于商品品牌或商品品类的偏好，根据偏好对用户进行商品推荐，能够帮助电商平台提高被推荐商品由点击转换至购买的转化率。
[0003]相关技术通过创建预测模型，然后以用户的历史行为数据作为预测模型的输入特征来预测用户对商品品牌或商品品类的偏好。
[0004]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下问题：相关技术根据用户的历史行为数据和深度学习模型来进行预测，由于历史行为数据的时效性较低，因此预测准确率较低。当根据相关技术的预测结果此进行推荐时，推荐效果较差。
技术实现思路
[0005]有鉴于此，本公开提供了一种信息的推荐方法、装置、计算设备及介质。
[0006]本公开的一个方面提供了一种信息的推荐方法，包括：获取离线数据、实时数据和经训练的用户偏好预测模型；从所述离线数据中获取用户的用户特征和历史行为统计特征；从所述实时数据中获取用户的近期行为序列特征；将所述用户特征、历史行为统计特征和近期行为序列特征输入所述经训练的用户偏好预测模型，以得到预测结果；以及根据所述预测结果，生成推荐信息。
[0007]根据本公开的实施例，所述方法还包括：创建用户偏好预测模型；以及对所述用户偏好预测模型进行训练以获得所述经训练的用户偏好预测模型；其中，所述对所述用户偏好预测模型进行训练包括：获取离线数据和用户的模型样本，所述模型样本包括E个样本对象的品类特征和与所述样本对象对应的标签，其中，所述E为正整数；从所述离线数据中获取所述用户的用户特征、历史行为统计特征和近期行为序列特征；以及根据所述模型样本、所述用户特征、所述历史行为统计特征和所述近期行为序列特征，训练用户偏好预测模型。
[0008]根据本公开的实施例，其中，所述用户特征包括以下特征中的至少一个：性别特征、年龄特征、购买力特征、职业特征和地域特征。
[0009]根据本公开的实施例，所述历史行为统计特征根据所述用户在第一时间区间内执行预设操作的次数来确定，其中，所述预设操作包括以下操作中的至少一个：浏览、点击、加入购物车、关注和购买。
[0010]根据本公开的实施例，所述近期行为序列特征包括：H个行为序列，其中，所述H为正整数，每个所述行为序列包括至少一个近期对象的品类特征，其中所述近期对象包括所述用户在第二时间区间内执行的预设操作所针对的对象。
[0011]根据本公开的实施例，其中，所述根据所述模型样本、所述用户特征、历史行为统
计特征和近期行为序列特征，训练用户偏好预测模型，包括：针对所述E个样本对象中的每个样本对象，执行以下操作：根据所述样本对象的品类特征，确定第一特征向量，并根据所述H个近期行为序列，确定H个第二特征向量；以及根据所述第一特征向量和所述H个第二特征向量，确定目标特征向量；以及根据所述第一特征向量、所述目标特征向量、所述用户特征、所述历史行为统计特征和所述标签，训练用户偏好预测模型。
[0012]根据本公开的实施例，其中，所述根据所述样本对象的品类特征，确定第一特征向量，并根据所述H个近期行为序列，确定H个第二特征向量，包括：获取预设查找表，所述预设查找表包括品类特征与向量的对应关系；以及根据所述预设查找表，确定与所述样本对象的品类特征对应的第一特征向量和与所述H个近期行为序列对应的H个第二特征向量。
[0013]根据本公开的实施例，其中，所述根据所述第一特征向量和所述H个第二特征向量，确定目标特征向量，包括：根据所述第一特征向量和所述H个第二特征向量中的每个第二特征向量，确定每个第二特征向量的权重；以及根据以下公式，计算所述目标特征向量：
[0014][0015]其中，v
U
为所述目标特征向量，e
j
为所述H个第二特征向量中第j个第二特征向量，w
j
为所述第j个第二特征向量的权重。
[0016]本公开的另一个方面提供了一种信息的推荐装置，包括：第一获取模块，用于获取离线数据、实时数据和经训练的用户偏好预测模型；第二获取模块，用于从所述离线数据中获取用户的用户特征和历史行为统计特征；第三获取模块，用于从所述实时数据中获取用户的近期行为序列特征；预测模块，用于将所述用户特征、历史行为统计特征和近期行为序列特征输入所述经训练的用户偏好预测模型，以得到预测结果；以及生成模块，用于根据所述预测结果，生成推荐信息。
[0017]根据本公开的实施例，所述装置还包括创建模块，用于创建用户偏好预测模型；以及第一训练模块，用于对所述用户偏好预测模型进行训练以获得所述经训练的用户偏好预测模型；其中，所述训练模块包括：第四获取子模块，用于获取离线数据和用户的模型样本，所述模型样本包括E个样本对象的品类特征和与所述样本对象对应的标签，其中，所述E为正整数；第五获取子模块，用于从所述离线数据中获取所述用户的用户特征、历史行为统计特征和近期行为序列特征；以及第二训练子模块，用于根据所述模型样本、所述用户特征、历史行为统计特征和近期行为序列特征，训练用户偏好预测模型。
[0018]本公开的另一个方面提供了一种计算设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。
[0019]本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
[0020]本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
[0021]根据本公开的实施例，将近期行为序列特征、历史行为统计特征、用户特征相结合作为用户偏好预测模型的输入特征来对用户对于预测对象偏好进行预测，预测效果更好。
附图说明
[0022]通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
[0023]图1示意性示出了根据本公开实施例的信息的推荐方法和装置的应用场景；
[0024]图2A示意性示出了根据本公开实施例的信息的推荐方法的流程图；
[0025]图2B示意性示出了根据本公开的实施例的用户偏好预测模型的示意图；
[0026]图3A示意性示出了根据本公开实施例另一个实施例的信息的推荐方法的流程图；
[0027]图3B示意性示出了根据本公开的实施例的对用户偏好预测模型进行训练的流程图；
[0028]图3C示意性示出了根据本公开的实施例的根据模型样本、用户特征、历史行为统计特征和近期行为序列特征，训练用户偏好预测模型的流程图；
[0029]图4示意性示出了根据本公开实施例的信息的推本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种信息的推荐方法，包括：获取离线数据、实时数据和经训练的用户偏好预测模型；从所述离线数据中获取用户的用户特征和历史行为统计特征；从所述实时数据中获取用户的近期行为序列特征；将所述用户特征、历史行为统计特征和近期行为序列特征输入所述经训练的用户偏好预测模型，以得到预测结果；以及根据所述预测结果，生成推荐信息。2.根据权利要求1所述的方法，还包括：创建用户偏好预测模型；以及对所述用户偏好预测模型进行训练以获得所述经训练的用户偏好预测模型；其中，所述对所述用户偏好预测模型进行训练包括：获取离线数据和用户的模型样本，所述模型样本包括E个样本对象的品类特征和与所述样本对象对应的标签，其中，所述E为正整数；从所述离线数据中获取所述用户的用户特征、历史行为统计特征和近期行为序列特征；以及根据所述模型样本、所述用户特征、所述历史行为统计特征和所述近期行为序列特征，训练用户偏好预测模型。3.根据权利要求1或2所述的方法，其中，所述近期行为序列特征包括：H个近期行为序列，其中，所述H为正整数，每个所述近期行为序列包括至少一个近期对象的品类特征，其中所述近期对象包括所述用户在第二时间区间内执行的预设操作所针对的对象。4.根据权利要求3所述的方法，其中，所述根据所述模型样本、所述用户特征、历史行为统计特征和近期行为序列特征，训练用户偏好预测模型，包括：针对所述E个样本对象中的每个样本对象，执行以下操作：根据所述样本对象的品类特征，确定第一特征向量，并根据所述H个近期行为序列，确定H个第二特征向量；以及根据所述第一特征向量和所述H个第二特征向量，确定目标特征向量；以及根据所述第一特征向量、所述目标特征向量、所述用户特征、所述历史行为统计特征和所述标签，训练用户偏好预测模型。5.根据权利要求4所述的方法，其中，所述根据所述样本对象的品类特征，确定第一特征向量，并根据所述H个近期行为序列，确定H个第二特征向量，包括：获取预设查找表，所述预设查找表包括品类特征与向量的对应关系；以及根据所述预设查找表，确定与所述样本对象的品类特征对应的第一特征向...
【专利技术属性】
技术研发人员：张美娜，
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。