本申请提供一种商品推荐方法、模型训练方法、装置及电子设备，属于计算机技术领域。该商品推荐方法，包括：获取消费者的个人基本数据、消费行为数据以及指定商品的商品数据；基于所述个人基本数据、所述消费行为数据、所述商品数据和预先训练好的购买概率模型，得到预测购买概率；根据所述预测购买概率向所述消费者推荐该预测购买概率对应的商品。本方案充分考虑到了用户自身的个人基本数据以及消费行为数据和商品本身的商品数据对用户的影响，使得本方案最终得到的推荐结果能准确地贴合用户需求，继而可以提高商品销量。继而可以提高商品销量。继而可以提高商品销量。
【技术实现步骤摘要】
商品推荐方法、模型训练方法、装置及电子设备
[0001]本申请涉及计算机的
，具体而言，涉及一种商品推荐方法、模型训练方法、装置及电子设备。
技术介绍
[0002]推荐系统的兴起与互联网的发展息息相关,随着大数据时代的来临，网络中的信息量呈现指数式增长，随之带来了信息过载问题。推荐系统是解决信息过载最有效的方式。推荐系统可以有效的对信息进行过滤和筛选，帮助用户以个性化的方式来检索符合其需求的信息资源，缓解信息过载的问题。但现有的推荐方法往往是通过用户的历史行为数据来进行推荐，但通过该方式得到的推荐结果并不能准确地贴合用户需求。
技术实现思路
[0003]本申请提供一种商品推荐方法、模型训练方法、装置及电子设备，以解决现有的推荐方法往往是通过用户的历史行为数据来进行推荐，但通过该方式得到的推荐结果并不能准确地贴合用户需求的问题。
[0004]第一方面，本申请提供一种商品推荐方法，包括：获取消费者的个人基本数据、消费行为数据以及指定商品的商品数据；基于所述个人基本数据、所述消费行为数据、所述商品数据和预先训练好的购买概率模型，得到预测购买概率；根据所述预测购买概率向所述消费者推荐该预测购买概率对应的商品。
[0005]本申请实施例中，通过获取消费者的个人基本数据、消费行为数据以及指定商品的商品数据，再通过个人基本数据、消费行为数据、商品数据和预先训练好的购买概率模型，即可得到预测购买概率，并可以根据预测购买概率向该消费者推荐该预测购买概率对应的商品，本方案充分考虑到了用户自身的个人基本数据、消费行为数据和商品本身的商品数据对用户的影响，使得本方案最终得到的推荐结果能准确地贴合用户需求，继而可以提高商品销量。
[0006]结合上述第一方面提供的技术方案，在一些可能的实施方式中，所述基于所述个人基本数据、所述消费行为数据、所述商品数据和预先训练好的购买概率模型，得到预测购买概率，包括：将所述商品数据、所述个人基本数据和所述消费行为数据进行拼接，得到第一拼接数据；基于预设的全连接层对所述第一拼接数据进行处理，得到全连接数据；将所述商品数据、所述个人基本数据做线性交叉，得到线性交叉数据；将所述全连接数据和所述线性交叉数据进行拼接，得到第二拼接数据；基于所述第二拼接数据和预先训练好的购买概率模型，得到预测购买概率。
[0007]本申请实施例中，通过将商品数据、个人基本数据和消费行为数据进行拼接，得到第一拼接数据，再基于预设的全连接层对第一拼接数据进行处理，得到全连接数据，同时将商品数据、个人基本数据做线性交叉，得到线性交叉数据，之后将全连接数据和线性交叉数据进行拼接，得到第二拼接数据，使得第二拼接数据能充分体现商品信息和用户的个人基
本数据和消费行为数据，进而使得基于第二拼接数据和预先训练好的购买概率模型得到的预测购买概率更加贴合用户实际情况，从而使得最终得到的推荐结果更加准确。
[0008]结合上述第一方面提供的技术方案，在一些可能的实施方式中，所述获取消费者的个人基本数据、消费行为数据以及指定商品的商品数据，包括:获取所述消费者的初始个人基本数据和初始消费行为数据以及所述指定商品的基本商品数据；分别对所述基本商品数据、所述初始个人基本数据和所述初始消费行为数据做第一预设编码方式处理，得到所述个人基本数据、所述消费行为数据以及所述指定商品的商品数据。
[0009]本申请实施例中，通过对基本商品数据、初始个人基本数据和初始消费行为数据做第一预设编码方式处理，使得到的消费者的个人基本数据、消费行为数据以及指定商品的商品数据格式一致，便于后续进行步骤的进行。
[0010]结合上述第一方面提供的技术方案，在一些可能的实施方式中，获取所述基本商品数据，包括:获取所述指定商品的初始商品数据，所述初始商品数据具有不同维度的多个特征；对所述初始商品数据做第二预设编码方式处理；将所述第二预设编码处理后的所述初始商品数据包括的每个特征做维度重要性排名，选取重要性大于阈值的特征作为所需的特征，得到所述基本商品数据。
[0011]本申请实施例中，通过对指定商品的初始商品数据做第二预设编码方式处理，之后将第二预设编码处理后的初始商品数据包括的每个特征做维度重要性排名，选取重要性大于阈值的特征作为所需的特征，得到基本商品数据，从而可以降低基本商品数据中包含的特征的维度，减小后续的计算量，同时，由于基本商品数据中重要性大于阈值的特征都被保留下来，不会降低基于该基本商品数据得到的推荐结果的准确性。
[0012]结合上述第一方面提供的技术方案，在一些可能的实施方式中，所述方法还包括：获取训练样本集，所述训练样本集包括所述个人基本数据、所述消费行为数据、多个商品的历史商品数据，以及与所述多个商品一一对应的多个标签，每个标签表征对应商品是否被所述消费者购买；基于所述训练样本集对初始网络模型进行训练，得到训练好的所述购买概率模型。
[0013]本申请实施例中，通过包括多个历史商品数据、个人基本数据、消费行为数据以及与所述多个商品一一对应的多个标签的训练样本集对购买概率模型进行训练，使得得到训练好的购买概率模型能更加准确地预测消费者的购买概率，提高最终的推荐结果的准确性。
[0014]结合上述第一方面提供的技术方案，在一些可能的实施方式中，基于所述训练样本集对所述购买概率模型进行训练，得到训练好的购买概率模型，包括：针对每一个商品，将该商品对应的历史商品数据与所述个人基本数据和所述消费行为数据进行拼接，得到第一拼接数据；基于预设的全连接层对所述第一拼接数据进行处理，得到全连接数据；将该商品对应的历史商品数据与所述个人基本数据做线性交叉，得到线性交叉数据；将所述全连接数据和所述线性交叉数据进行拼接，得到第二拼接数据；利用多个商品对应的第二拼接数据以及对应的标签，对初始网络模型进行训练，得到训练好的所述购买概率模型。
[0015]结合上述第一方面提供的技术方案，在一些可能的实施方式中，所述商品数据包括商品价格、商品用途、商品种类、商品图片、商品描述、商品评价中的至少一种数据。
[0016]本申请实施例中，由于商品数据包括商品价格、商品用途、商品种类、商品图片、商
品描述、商品评价，使得该商品数据能准确体现该商品的特点，进而使得基于该商品数据得到的预测购买概率更加准确。
[0017]结合上述第一方面提供的技术方案，在一些可能的实施方式中，所述个人基本数据包括消费者性别、年龄、学历、职业、城市、爱好中的至少一种数据。
[0018]本申请实施例中，由于个人基本数据包括消费者性别、年龄、学历、职业、城市、爱好，使得该个人基本数据能准确体现消费者的自身特点，进而使得基于该个人基本数据得到的预测购买概率更加符合消费者的实际情况，提高预测的准确性。
[0019]结合上述第一方面提供的技术方案，在一些可能的实施方式中，所述消费行为数据包括点击记录、购买记录、购物车、收藏、评论中的至少一种数据。
[0020]本申请实施例中，由于消费行为数据包括点击记录本文档来自技高网...
【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，包括：获取消费者的个人基本数据、消费行为数据以及指定商品的商品数据；基于所述个人基本数据、所述消费行为数据、所述商品数据和预先训练好的购买概率模型，得到预测购买概率；根据所述预测购买概率向所述消费者推荐该预测购买概率对应的商品。2.根据权利要求1所述的方法，其特征在于，所述基于所述个人基本数据、所述消费行为数据、所述商品数据和预先训练好的购买概率模型，得到预测购买概率，包括：将所述商品数据、所述个人基本数据和所述消费行为数据进行拼接，得到第一拼接数据；基于预设的全连接层对所述第一拼接数据进行处理，得到全连接数据；将所述商品数据、所述个人基本数据做线性交叉，得到线性交叉数据；将所述全连接数据和所述线性交叉数据进行拼接，得到第二拼接数据；基于所述第二拼接数据和预先训练好的购买概率模型，得到预测购买概率。3.根据权利要求1所述的方法，其特征在于，所述获取消费者的个人基本数据、消费行为数据以及指定商品的商品数据，包括:获取所述消费者的初始个人基本数据和初始消费行为数据以及所述指定商品的基本商品数据；分别将所述基本商品数据、所述初始个人基本数据和所述初始消费行为数据做第一预设编码方式处理，得到所述个人基本数据、所述消费行为数据以及所述指定商品的商品数据。4.根据权利要求3所述的方法，其特征在于，获取所述基本商品数据，包括:获取所述指定商品的初始商品数据，所述初始商品数据具有不同维度的多个特征；对所述初始商品数据做第二预设编码方式处理；将所述第二预设编码处理后的所述初始商品数据包括的每个特征做维度重要性排名，选取重要性大于阈值的特征作为所需的特征，得到所述基本商品数据。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取训练样本集，所述训练样本集包括所述个人基本数据、所述消费行为数据、多个商品的历史商品数据，以及与所述多个商品一一对应的多个标签，每个标签表征对应商品是否被所述消费者购买；基于所述训练样本集对初始网络模型进行训练，得到训练好的所述购买概率模型。6.根据权利要求5所述的方法，其特征在于，基于所述训练样本集对所述购买概率模型进行训练，得到训练好的购买概率模型，包括：...
【专利技术属性】
技术研发人员：储开龙，
申请(专利权)人：湖北天天数链技术有限公司，
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。