产品推荐方法、存储介质和电子设备技术

本发明专利技术提供了一种产品推荐方法、存储介质和电子设备，涉及产品推荐技术领域。本发明专利技术将樽海鞘群算法与点击概率预测模型相结合，对用户和产品的数据集中的大量冗余和不相关的特征进行剔除，再基于剔除后的特征数据对点击概率预测模型进行训练，使得训练好的点击概率预测模型的性能获得有效提升。测模型的性能获得有效提升。测模型的性能获得有效提升。

【技术实现步骤摘要】
产品推荐方法、存储介质和电子设备


[0001]本专利技术涉及产品推荐
，具体涉及一种产品推荐方法、存储介质和电子设备。

技术介绍

[0002]随着信息技术的发展，社会产生的数据呈指数型爆炸增长，如何在海量数据中保证用户和产品迅速实现有效匹配，成为当前市场亟待解决的问题。
[0003]现有的产品推荐方法在利用模型预测时，通常考虑了用户和产品的所有特征。
[0004]然而用户和产品的数据集中往往具有大量冗余和不相关的特征，各种特征之间也存在一定的相关关系，这些特点使得考虑了用户和产品的所有特征的现有方法会对产品推荐模型的性能产生不利影响。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种产品推荐方法、存储介质和电子设备，解决了大量冗余和不相关的特征对产品推荐模型的性能产生不利影响的问题。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]第一方面，提供了一种产品推荐方法，该本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种产品推荐方法，其特征在于，该方法包括：获取包含若干备选特征的数据集；所述备选特征包括：若干用户特征和若干产品属性特征；基于樽海鞘群算法对数据集中的备选特征进行选择；樽海鞘群算法中每条樽海鞘链上有多个樽海鞘个体，一个樽海鞘个体对应一个备选特征，樽海鞘个体的位置表示对应的备选特征被选择或未被选择；将被选择的备选特征作为点击概率预测模型的输入训练点击概率预测模型；基于训练好的点击概率预测模型预测用户对多个产品的点击概率，并基于所述多个产品的点击概率的大小确定推荐的产品。2.如权利要求1所述的一种产品推荐方法，其特征在于，所述获取包含若干备选特征的数据集还包括：通过k折交叉验证将数据集划分为相应训练集和测试集。3.如权利要求1所述的一种产品推荐方法，其特征在于，所述基于樽海鞘群算法对数据集中的备选特征进行选择，包括：S1、获取种群数量为M，最大迭代次数为D，当前迭代次数d的初始值为0，最佳适应度值G
best
的初始值为0，并生成初始樽海鞘群X0；S2、对樽海鞘群进行二进制转换，得到当前樽海鞘群X
d
；再计算当前樽海鞘群X
d
中每条樽海鞘链对应的适应度值G，并按适应度值G大小对当前樽海鞘群X
d
中的樽海鞘链依次排序；S3、将当前樽海鞘群X
d
中的最大适应度值与当前最佳适应度值G
best
进行比较，若则令并将对应的樽海鞘链作为食物源F
d
；S4、基于适应度值将当前樽海鞘群X
d
中的樽海鞘链划分为领导者和跟随者；再更新领导者和跟随者上樽海鞘个体的位置，得到下一代樽海鞘群；S5、令d＝d+1，判断是否满足d≤D；若满足，则返回S2；否则，输出食物源F
d
；再对食物源F
d
解码得到被选择的产品属性特征。4.如权利要求3所述的一种产品推荐方法，其特征在于，所述生成初始樽海鞘群X0，包括：随机取0到1之间的随机数作为初始樽海鞘群X0中各个樽海鞘个体的位置，生成初始樽海鞘群X0；所述初始樽海鞘群X0包括M条樽海鞘链，且每个樽海鞘链包括N个樽海鞘个体。5.如权利要求3所述的一种产品推荐方法，其特征在于，所述对樽海鞘群进行二进制转化为：化为：其中，
表示二进制转化后的当前樽海鞘群X
d
中第i条樽海鞘链上第j个樽海鞘个体的位置，i＝1,2,3,...,M，j＝1,2,3,...,N；表示二进制转化前的樽海鞘群中第i条樽海鞘链上第j个樽海鞘个体的位置，i＝1,2,3,...,M，j＝1...

【专利技术属性】
技术研发人员：丁勇，李蕾，蒋翠清，王钊，陈波，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：