本申请公开了一种产品推荐方法、装置、电子设备及可读存储介质，该方法包括：获取当前用户的历史行为信息及待预测产品；基于多目标模型中的点击概率子模型、购买概率子模型、用户发生购买行为概率子模型分别对当前用户的历史行为信息及待预测产品进行处理，得到对应的点击概率、购买概率、用户发生购买行为概率；基于多目标模型中的产品推荐子模型对当前用户的历史行为信息、待预测产品及点击概率、购买概率、用户发生购买行为概率进行处理，得到待预测产品对应的推荐分数；根据待预测产品对应的推荐分数从待预测产品中确定待推荐的产品；向用户推荐待推荐的产品。通过实施本申请，可以在保证产品购买精度不变的条件下，提升产品点击的精度。品点击的精度。品点击的精度。
【技术实现步骤摘要】
一种产品推荐方法、装置、电子设备及可读存储介质
[0001]本申请涉及产品推荐
，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]线上商城中，点击率高的产品不一定卖的好，而卖得好的产品不一定点击率高。因此，提高线上产品推荐的精准度是一直追求的目标。
技术实现思路
[0003]有鉴于此，本申请实施例通过提供一种产品推荐方法、装置、电子设备及可读存储介质。
[0004]根据本申请第一方面，本申请实施例提供了一种产品推荐方法，包括：获取当前用户的历史行为信息及待预测产品；基于多目标模型中的点击概率子模型、购买概率子模型、用户发生购买行为概率子模型分别对当前用户的历史行为信息及待预测产品进行处理，得到对应的点击概率、购买概率、用户发生购买行为概率；基于多目标模型中的产品推荐子模型对当前用户的历史行为信息、待预测产品及点击概率、购买概率、用户发生购买行为概率进行处理，得到待预测产品对应的推荐分数；根据待预测产品对应的推荐分数从待预测产品中确定待推荐的产品；向用户推荐待推荐的产品。
[0005]可选地，多目标模型的构建步骤包括：获取多个训练样本集及每个训练样本集中的训练样本对应的标签，多个训练样本集包括点击样本集、购买样本集、用户意图样本集及产品推荐样本集；用户意图样本集中的训练样本用于表征用户本次是否会发生购买行为；产品推荐样本集中的训练样本包括点击样本数据和购买样本数据；分别采用点击样本集、购买样本集、用户意图样本集及产品推荐样本集中的训练样本及对应的标签对神经网络进行训练，得到一个多目标模型，多目标模型包括点击概率子模型、购买概率子模型、用户发生购买行为概率子模型和产品推荐子模型；其中，产品推荐子模型训练时的输入包括点击概率子模型、购买概率子模型及用户发生购买行为概率子模型的输出。
[0006]可选地，产品推荐样本集中的点击样本数据包括第一用户的历史行为信息，及第一用户的点击概率为1或0的第一目标产品，购买样本数据包括第二用户的历史行为信息，及第二用户的购买概率为1或0的第二目标产品；
[0007]相应地，点击样本数据对应的标签为第一目标产品的推荐分数，购买样本数据对应的标签为第二目标产品的推荐分数；其中，第一目标产品的推荐分数基于第一用户对第一目标产品的点击概率确定，第二目标产品的推荐分数基于第二用户对第二目标产品的购买概率确定。
[0008]可选地，采用产品推荐样本集中的训练样本及对应的标签对神经网络进行训练，包括：将产品推荐样本集中的训练样本分别输入点击概率子模型、购买概率子模型、用户发生购买行为概率子模型，得到对应的样本点击概率、样本购买概率及样本用户发生购买行
为概率；采用产品推荐样本集及对应的标签，以及样本点击概率、样本购买概率及样本用户发生购买行为概率对神经网络进行训练，得到多目标模型中的产品推荐子模型。
[0009]可选地，产品推荐子模型的输出通过如下公式计算：
[0010]推荐分数＝pCTR*(1
‑
pBuy)+pCTCVR*pBuy；其中，推荐分数为产品推荐子模型的输出，pCTR为产品推荐子模型修正后的点击概率，pCTCVR为产品推荐子模型修正后的点击并购买概率，pBuy为产品推荐子模型修正后的用户发生购买行为概率。
[0011]可选地，当前用户的历史行为信息包括当前用户的历史点击信息、历史购买信息；待预测产品包括待预测产品的特征信息和当前用户与待预测产品的交互信息。
[0012]可选地，根据待预测产品对应的推荐分数从待预测产品中确定待推荐的产品，包括：按照推荐分数从高到低的排序规则，基于待预测产品对应的推荐分数对待预测产品进行排序；确定排序在前的、预设数量的待预测产品，作为待推荐的产品。
[0013]根据本申请第二方面，本申请实施例提供了一种产品推荐装置，包括：获取单元，用于获取当前用户的历史行为信息及待预测产品；第一处理单元，用于基于多目标模型中的点击概率子模型、购买概率子模型、用户发生购买行为概率子模型分别对当前用户的历史行为信息及待预测产品进行处理，得到对应的点击概率、购买概率、用户发生购买行为概率；第二处理单元，用于基于多目标模型中的产品推荐子模型对当前用户的历史行为信息、待预测产品及点击概率、购买概率、用户发生购买行为概率进行处理，得到待预测产品对应的推荐分数；确定单元，用于根据待预测产品对应的推荐分数从待预测产品中确定待推荐的产品；推荐单元，用于向用户推荐待推荐的产品。
[0014]根据本申请第三方面，本申请实施例提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行如第一方面或第一方面任意实施方式中的产品推荐方法。
[0015]根据本申请第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行如第一方面或第一方面任意实施方式中的产品推荐方法。
[0016]本申请实施例提供的产品推荐方法、装置、电子设备及可读存储介质，由于选用的多目标模型中不仅包括点击概率子模型、购买概率子模型，产品推荐子模型，还包括用户发生购买行为概率子模型，该用户发生购买行为概率子模型可以评估用户此次是希望购买产品还是“闲逛”的，如此，产品推荐子模型对当前用户的历史行为信息、待预测产品及点击概率、购买概率、用户发生购买行为概率进行处理，得到待预测产品对应的推荐分数时，产品推荐子模型可以基于用户发生购买行为概率确定此次推荐更应该基于点击概率子模型推荐的结果还是购买概率子模型推荐的结果，提高线上产品推荐的精准度。
[0017]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
[0018]图1为本申请实施例中一种产品推荐方法的流程示意图；
[0019]图2为本申请实施例中多目标模型的结构示意图；
[0020]图3为本申请实施例中产品推荐方法的另一流程示意图；
[0021]图4为本申请实施例中多目标模型的构建流程示意图；
[0022]图5为本申请实施例中一种产品推荐装置的结构示意图；
[0023]图6为本申请实施例中一种电子设备的硬件结构示意图。
具体实施方式
[0024]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0025]本申请实施例提供了一种产品推荐方法，可应用于线上商城的产品推荐，如图1所示，产品推荐方本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种产品推荐方法，包括：获取当前用户的历史行为信息及待预测产品；基于多目标模型中的点击概率子模型、购买概率子模型、用户发生购买行为概率子模型分别对所述当前用户的历史行为信息及待预测产品进行处理，得到对应的点击概率、购买概率、用户发生购买行为概率；基于所述多目标模型中的产品推荐子模型对所述当前用户的历史行为信息、所述待预测产品及所述点击概率、所述购买概率、所述用户发生购买行为概率进行处理，得到所述待预测产品对应的推荐分数；根据所述待预测产品对应的所述推荐分数从所述待预测产品中确定待推荐的产品；向用户推荐所述待推荐的产品。2.根据权利要求1所述的产品推荐方法，所述多目标模型的构建步骤包括：获取多个训练样本集及每个训练样本集中的训练样本对应的标签，多个所述训练样本集包括点击样本集、购买样本集、用户意图样本集及产品推荐样本集；所述用户意图样本集中的训练样本用于表征用户本次是否会发生购买行为；所述产品推荐样本集中的训练样本包括点击样本数据和购买样本数据；分别采用所述点击样本集、所述购买样本集、所述用户意图样本集及所述产品推荐样本集中的训练样本及对应的所述标签对神经网络进行训练，得到一个多目标模型，所述多目标模型包括点击概率子模型、购买概率子模型、用户发生购买行为概率子模型和产品推荐子模型；其中，所述产品推荐子模型训练时的输入包括所述点击概率子模型、所述购买概率子模型及所述用户发生购买行为概率子模型的输出。3.根据权利要求2所述的产品推荐方法，所述产品推荐样本集中的所述点击样本数据包括第一用户的历史行为信息，及第一用户的点击概率为1或0的第一目标产品，所述购买样本数据包括第二用户的历史行为信息，及第二用户的购买概率为1或0的第二目标产品；相应地，所述点击样本数据对应的标签为第一目标产品的推荐分数，所述购买样本数据对应的标签为第二目标产品的推荐分数；其中，所述第一目标产品的推荐分数基于所述第一用户对所述第一目标产品的点击概率确定，所述第二目标产品的推荐分数基于所述第二用户对所述第二目标产品的购买概率确定。4.根据权利要求2所述的产品推荐方法，采用所述产品推荐样本集中的训练样本及对应的所述标签对神经网络进行训练，包括：将所述产品推荐样本集中的训练样本分别输入所述点击概率子模型、购买概率子模型、用户发生购买行为概率子模型，得到对应的样本点击概率、样本购买概率及样本用户发生购买行为概率；采用所述产品推荐样本集及对应的所述标签，...
【专利技术属性】
技术研发人员：严宇，
申请(专利权)人：联想北京有限公司，
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。