一种预测模型的训练方法、信息推荐的方法及装置制造方法及图纸

本说明书公开了一种预测模型的训练方法、信息推荐的方法及装置，并具体公开了，获取训练样本，并将历史业务数据和候选信息输入到待训练的预测模型中，以通过预测模型，在用户执行历史业务数据对应业务时所处环境的基础上，确定假设用户点击候选信息且执行候选信息对应业务的概率，作为候选信息对应的业务执行率，进而最小化业务执行率与训练样本的标签信息之间的偏差为优化目标，对预测模型进行训练。这样，在通过该预测模型预测出的业务执行率向用户推荐候选信息时，考虑到了用户所处环境对用户偏好的影响，以提升了预测模型的精度。度。度。

【技术实现步骤摘要】
一种预测模型的训练方法、信息推荐的方法及装置


[0001]本说明书涉及计算机
，尤其涉及一种预测模型的训练方法、信息推荐的方法及装置。

技术介绍

[0002]在现有的推荐业务中，向用户推送商家时，通常是基于预先训练的预测模型，通过用户的历史业务数据，学习用户的兴趣偏好，而后，确定用户的兴趣偏好与待推荐信息之间的匹配度，进而预测出用户针对每个待推荐信息的业务执行率，并将业务执行率高的待推荐信息优先推荐给用户。其中，该业务执行率越高，说明用户点击该待推荐信息后能够继续执行下单业务的概率越高。
[0003]然而，在上述预测模型进行为用户推荐信息时，该预测模型仅考虑了用户的兴趣偏好是否与历史推荐信息的内容是否相匹配，而未考虑到向用户推荐信息时用户所处的环境，对用户浏览并点击的推荐信息以及用户点击后继续执行业务的推荐信息的影响，如此，预测模型预测出的业务执行率存在较大的偏差，可能会出现最终向用户推荐的信息与用户实际的习惯不相符的情况。

技术实现思路

[0004]本说明书提供一种预测模型的训练方法、信息推荐的方法及装置，以部分的解决现有技术存在的上述问题。
[0005]本说明书采用下述技术方案：
[0006]本说明书提供了一种预测模型的训练方法，包括：
[0007]获取训练样本，所述训练样本中包含有用户的历史业务数据和向所述用户推荐的候选信息；
[0008]将所述历史业务数据和所述候选信息输入到待训练的预测模型中，以通过所述预测模型，在所述用户执行所述历史业务数据对应业务时所处环境的基础上，确定假设所述用户点击所述候选信息且执行所述候选信息对应业务的概率，作为所述候选信息对应的业务执行率；
[0009]以最小化所述业务执行率与所述训练样本的标签信息之间的偏差为优化目标，对所述预测模型进行训练。
[0010]可选地，所述预测模型包括第一网络；
[0011]通过所述预测模型，在所述用户执行所述历史业务数据对应业务时所处环境的基础上，确定假设所述用户点击所述候选信息且执行所述候选信息对应业务的概率，作为所述候选信息对应的业务执行率，具体包括：
[0012]根据所述历史业务数据，确定在向所述用户推荐所述候选信息之前，所述用户点击过的历史推荐信息，作为第一历史推荐信息，以及所述用户执行过的业务所对应的历史推荐信息，作为第二历史推荐信息；
[0013]针对每个第一历史推荐信息，确定假设所述用户执行所述第一历史推荐信息对应的业务时的业务损耗特征，以及针对每个第二历史推荐信息，确定所述用户执行所述第二历史推荐信息对应的业务时的业务损耗特征；
[0014]将各第一历史推荐信息对应的业务损耗特征，各第二历史推荐信息对应的业务损耗特征，以及向所述用户推荐所述候选信息时所述用户所处环境的环境数据输入到所述第一网络中，以基于所述第一网络，确定在所述用户执行所述历史业务数据对应业务时所处环境的基础上，所述候选信息对应的业务执行率。
[0015]可选地，将各第一历史推荐信息对应的业务损耗特征，各第二历史推荐信息对应的业务损耗特征，以及向所述用户推荐所述候选信息时所述用户所处环境的环境数据输入到所述第一网络中，以基于所述第一网络，确定在所述用户执行所述历史业务数据对应业务时所处环境的基础上，所述候选信息对应的业务执行率，具体包括：
[0016]针对每个第一历史推荐信息，确定所述用户点击该第一历史推荐信息时所处的环境与所述环境数据对应环境之间的相似度，以及针对每个第二历史推荐信息，确定所述用户执行该第二历史推荐信息时所处的环境与所述环境数据对应环境之间的相似度；
[0017]根据相似度满足预设条件的第一历史推荐信息对应的业务损耗特征，以及相似度满足预设条件的第二历史推荐信息的业务损耗对应的业务损耗特征，确定在所述用户执行所述历史业务数据对应业务时所处环境的基础上，所述候选信息对应的业务执行率。
[0018]可选地，将各第一历史推荐信息对应的业务损耗特征，各第二历史推荐信息对应的业务损耗特征，以及向所述用户推荐所述候选信息时所述用户所处环境的环境数据输入到所述第一网络中，以基于所述第一网络，确定在所述用户执行所述历史业务数据对应业务时所处环境的基础上，所述候选信息对应的业务执行率，具体包括：
[0019]针对每个第二历史推荐信息，确定该第二历史推荐信息与每个第一历史推荐信息之间的相关性；
[0020]根据该第二历史推荐信息与每个第一历史推荐信息之间的相关性，调整该第二历史推荐信息对应的业务损耗特征；
[0021]根据每个第一历史推荐信息对应的业务损耗特征、每个第二历史推荐信息对应的调整后业务损耗特征，以及所述环境数据，确定在所述用户执行所述历史业务数据对应业务时所处环境的基础上，所述候选信息对应的业务执行率。
[0022]可选地，所述业务损耗特征包括用于表征用户在历史推荐信息所属商家消费的金额和/或向用户推荐历史推荐信息时，历史推荐信息所属商家与用户之间的距离。
[0023]可选地，所述预测网络还包括：第二网络；
[0024]将所述历史业务数据和所述候选信息输入到待训练的预测模型中，以通过所述预测模型，在所述用户执行所述历史业务数据对应业务时所处环境的基础上，确定假设所述用户点击所述候选信息且执行所述候选信息对应业务的概率，作为所述候选信息对应的业务执行率，具体包括：
[0025]根据所述历史业务数据，确定在向所述用户推荐所述候选信息之前，所述用户点击过的历史推荐信息，作为第一历史推荐信息，以及所述用户执行过的业务所对应的历史推荐信息，作为第二历史推荐信息；
[0026]针对每个第一历史推荐信息，确定假设所述用户执行所述第一历史推荐信息对应
的业务时，与所述第一历史推荐信息所属商家之间的距离，作为第一历史推荐信息对应的距离，以及针对每个第二历史推荐信息，确定假设所述用户执行所述第二历史推荐信息对应的业务时，与所述第二历史推荐信息所属商家之间的距离，作为第二历史推荐信息对应的距离；
[0027]根据每个第一历史推荐信息对应的距离，以及每个第二历史推荐信息对应的距离，确定所述用户点击所述候选信息且执行所述候选信息对应业务的概率，作为所述候选信息对应的业务执行率。
[0028]可选地，根据每个第一历史推荐信息对应的距离，以及每个第二历史推荐信息对应的距离，确定所述用户点击所述候选信息且执行所述候选信息对应业务的概率，作为所述候选信息对应的业务执行率，具体包括：
[0029]确定向所述用户推荐所述候选信息时，所述用户与所述候选信息所属商家之间的距离，作为目标距离；
[0030]根据所述目标距离与每个第一历史推荐信息对应的距离之间的相似度，以及所述目标距离与每个第二历史推荐信息对应的距离之间的相似度，确定所述用户点击所述候选信息且执行所述候选信息对应业务的概率，作为所述候选信息对应的业务执行率。
[0031]可选地，根据所述目标距离与每个第一历史推荐信息对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测模型的训练方法，其特征在于，包括：获取训练样本，所述训练样本中包含有用户的历史业务数据和向所述用户推荐的候选信息；将所述历史业务数据和所述候选信息输入到待训练的预测模型中，以通过所述预测模型，在所述用户执行所述历史业务数据对应业务时所处环境的基础上，确定假设所述用户点击所述候选信息且执行所述候选信息对应业务的概率，作为所述候选信息对应的业务执行率；以最小化所述业务执行率与所述训练样本的标签信息之间的偏差为优化目标，对所述预测模型进行训练。2.如权利要求1所述的方法，其特征在于，所述预测模型包括第一网络；通过所述预测模型，在所述用户执行所述历史业务数据对应业务时所处环境的基础上，确定假设所述用户点击所述候选信息且执行所述候选信息对应业务的概率，作为所述候选信息对应的业务执行率，具体包括：根据所述历史业务数据，确定在向所述用户推荐所述候选信息之前，所述用户点击过的历史推荐信息，作为第一历史推荐信息，以及所述用户执行过的业务所对应的历史推荐信息，作为第二历史推荐信息；针对每个第一历史推荐信息，确定假设所述用户执行所述第一历史推荐信息对应的业务时的业务损耗特征，以及针对每个第二历史推荐信息，确定所述用户执行所述第二历史推荐信息对应的业务时的业务损耗特征；将各第一历史推荐信息对应的业务损耗特征，各第二历史推荐信息对应的业务损耗特征，以及向所述用户推荐所述候选信息时所述用户所处环境的环境数据输入到所述第一网络中，以基于所述第一网络，确定在所述用户执行所述历史业务数据对应业务时所处环境的基础上，所述候选信息对应的业务执行率。3.如权利要求2所述的方法，其特征在于，将各第一历史推荐信息对应的业务损耗特征，各第二历史推荐信息对应的业务损耗特征，以及向所述用户推荐所述候选信息时所述用户所处环境的环境数据输入到所述第一网络中，以基于所述第一网络，确定在所述用户执行所述历史业务数据对应业务时所处环境的基础上，所述候选信息对应的业务执行率，具体包括：针对每个第一历史推荐信息，确定所述用户点击该第一历史推荐信息时所处的环境与所述环境数据对应环境之间的相似度，以及针对每个第二历史推荐信息，确定所述用户执行该第二历史推荐信息时所处的环境与所述环境数据对应环境之间的相似度；根据相似度满足预设条件的第一历史推荐信息对应的业务损耗特征，以及相似度满足预设条件的第二历史推荐信息的业务损耗对应的业务损耗特征，确定在所述用户执行所述历史业务数据对应业务时所处环境的基础上，所述候选信息对应的业务执行率。4.如权利要求2或3所述的方法，其特征在于，将各第一历史推荐信息对应的业务损耗特征，各第二历史推荐信息对应的业务损耗特征，以及向所述用户推荐所述候选信息时所述用户所处环境的环境数据输入到所述第一网络中，以基于所述第一网络，确定在所述用户执行所述历史业务数据对应业务时所处环境的基础上，所述候选信息对应的业务执行率，具体包括：
针对每个第二历史推荐信息，确定该第二历史推荐信息与每个第一历史推荐信息之间的相关性；根据该第二历史推荐信息与每个第一历史推荐信息之间的相关性，调整该第二历史推荐信息对应的业务损耗特征；根据每个第一历史推荐信息对应的业务损耗特征、每个第二历史推荐信息对应的调整后业务损耗特征，以及所述环境数据，确定在所述用户执行所述历史业务数据对应业务时所处环境的基础上，所述候选信息对应的业务执行率。5.如权利要求2所述的方法，其特征在于，所述业务损耗特征包括用于表征用户在历史推荐信息所属商家消费的金额和/或向用户推荐历史推荐信息时，历史推荐信息所属商家与用户之间的距离。6.如权利要求2所述的方法，其特征在于，所述预测网络还包括：第二网络；将所述历史业务数据和所述候选信息输入到待训练的预测模型中，以通过所述预测模型，在所述用户执行所述历史业务数据对应业务时所处环境的基础上，确定假设所述用户点击所述候选信息且执行所述候选信息对应业务的概率，作为所述候选信息对应的业务执行率，具体包括：根据所述历史业务数据，确定在向所述用户推荐所述候选信息之前，所述用户点击过的历史推荐信息，作为第一历史推荐信息，以及所述用户执行过的业务所对应的历史推荐信息，作为第二历史推荐信息；针对每个第一历史推荐信息，确定假设所述用户执行所述第一历史推荐信息对应的业务时，与所述第一历史推荐信息所属商家之间的距离，作为第一历史推荐信息对应的距离，以及针对每个第二历史推荐信息，确定所述用户执行所述第二历史推荐信息对应的业务时，与所述第二历史推荐信息所属商家之间的距离，作为第二历史推荐信息对应的距离；根据每个第一历史推荐信息对应的距离，以及每个第二历史推荐信息对应的距离，确定所述用户点击所述候选信息且执行所述候选信息对应业务的概率，作为所述候选信息对应的业务执行率。7.如权利要求6所述的方法，其特征在于，根据每个第一历史推荐信息对应的距离，以及每个第二历史推荐信息对应的距离，确定所述用户点击所述候选信息且执行所述候选信息对应业务的概率，作为所述候选信息对应的业务执行率，具体包括：确定向所述用户推荐所述候选信息时，所述用户与所述候选信息所属商家之间的距离，作为目标距离；根据所述目标距离与每个第一历史推荐信息对应的距离之间的相似度，以及所述目标距离与每个第二历史推荐信息对应的距离之间的相似度，确定所述用户点击所述候选信息且执行所述候选信息对应业务的概率，作为所述候选信息对应的业务执行率。8.如权利要求7所述的方法，其特征在于，根据所述目标距离与每个第一历史推荐信息对应的距离之间的相似度，以及所述目标距离与每个第二历史推荐信息对应的距离之间的相似度，确定所述用户点击所述候选信息且执行所述...

【专利技术属性】
技术研发人员：张颖异，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：