商品的推荐方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种商品的推荐方法、装置、电子设备及存储介质。该方法包括：根据采集的预设时间周期内的埋点购买行为确定用户历史行为序列；根据商品的静态属性集匹配与用户历史行为序列对应的历史商品属性信息，并基于历史商品属性信息形成商品历史购买序列；基于商品历史购买序列确定初步候选集；将商品历史购买序列，输入到已训练的消费能力模型中，预测用户在类目上的消费等级；基于消费等级对初步候选集进行过滤，得到推荐候选集。通过本发明专利技术的技术方案，可以根据用户的行为序列，充分有效的利用用户的购买行为更精准的得到用户的消费水平的画像，结合实际场景和购买行为做出商品的推荐决策，提高了商品推荐的准确性与有效性。效性。效性。

【技术实现步骤摘要】
商品的推荐方法、装置、电子设备及存储介质


[0001]本专利技术涉及人工智能推荐领域，尤其涉及一种商品的推荐方法、装置、电子设备及存储介质。

技术介绍

[0002]随着电商领域和推荐技术的快速发展，很多研究学者慢慢将注意力集中于如何充分有效利用购买行生成推荐候选集，因为购买行为相比于其他行为，可以真正有效表示用户的意图。
[0003]现有技术中，通常使用根据用户的购买行为对用户的消费水平进行画像，或根据用户的购买行为生成商品的推荐候选集的方式对用户进行商品的推荐。
[0004]专利技术人在实现本专利技术的过程中，发现现有技术存在如下问题：现有技术中，无法充分有效的利用用户的购买行为更精准的得到用户的消费水平的画像，且无法结合实际场景和购买行为做出商品的推荐决策。

技术实现思路

[0005]本专利技术提供了一种商品的推荐方法、装置、电子设备及存储介质，可以解决现有技术中，无法充分有效的利用用户的购买行为更精准的得到用户的消费水平的画像，且无法结合实际场景和购买行为做出商品的推荐决策的问题。
[0006]第一方面，本专利技术实施例提供了一种商品的推荐方法，该方法包括：
[0007]根据采集的预设时间周期内的埋点购买行为确定用户历史行为序列；
[0008]根据商品的静态属性集匹配与所述用户历史行为序列对应的历史商品属性信息，并基于历史商品属性信息形成商品历史购买序列；其中，商品历史购买序列中的每个元素包含历史商品标识、历史商品类目以及历史商品价格；
[0009]基于所述商品历史购买序列确定初步候选集；将所述商品历史购买序列，输入到已训练的消费能力模型中，预测用户在类目上的消费等级；
[0010]基于所述消费等级对所述初步候选集进行过滤，得到推荐候选集。
[0011]第二方面，本专利技术实施例提供了一种商品的推荐装置，该装置包括：
[0012]行为序列确定模块，用于根据采集的预设时间周期内的埋点购买行为确定用户历史行为序列；
[0013]购买序列确定模块，用于根据商品的静态属性集匹配与所述用户历史行为序列对应的历史商品属性信息，并基于历史商品属性信息形成商品历史购买序列；其中，商品历史购买序列中的每个元素包含历史商品标识、历史商品类目以及历史商品价格；
[0014]初步候选集生成模块，用于基于所述商品历史购买序列确定初步候选集；
[0015]消费等级预测模块，用于将所述商品历史购买序列，输入到已训练的消费能力模型中，预测用户在类目上的消费等级；
[0016]推荐候选集生成模块，用于基于所述消费等级对所述初步候选集进行过滤，得到
推荐候选集。
[0017]第三方面，本专利技术实施例提供了一种电子设备，所述电子设备包括：
[0018]至少一个处理器；以及
[0019]与所述至少一个处理器通信连接的存储器；其中，
[0020]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的商品的推荐方法。
[0021]第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的商品的推荐方法。
[0022]本专利技术实施例的技术方案，通过确定用户历史行为序列，形成了基于历史商品属性信息的商品历史购买序列，基于商品历史购买序列得到了初步候选集，之后将商品历史购买序列输入到已训练的消费能力模型中，以预测用户在类目上的消费等级，最后基于消费等级对初步候选集进行过滤，得到推荐候选集。通过本专利技术的技术方案，可以根据用户的行为序列，充分有效的利用用户的购买行为更精准的得到用户的消费水平的画像，结合实际场景和购买行为做出商品的推荐决策，提高了商品推荐的准确性与有效性。
[0023]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0024]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0025]图1是根据本专利技术实施例一提供的一种商品的推荐方法的流程图；
[0026]图2是根据本专利技术实施例二提供的一种商品的推荐方法的流程图；
[0027]图3是根据本专利技术实施例三提供的一种商品的推荐装置的结构示意图；
[0028]图4是实现本专利技术实施例的商品的推荐方法的电子设备的结构示意图。
具体实施方式
[0029]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0030]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆
盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0031]随着电商领域和推荐技术的快速发展，很多研究学者慢慢将注意力集中于如何充分有效利用购买行生成推荐候选集，因为购买行为相比于其他行为，可以真正有效表示用户的意图。现在在商品推荐的领域中常常面临以下棘手的问题:
[0032]1、无法充分有效的利用用户的购买行为更精准的得到用户的消费水平的画像。
[0033]购买力在电商领域中对用户画像是比较重要的一个环节，对用户精准画像其购买力，推荐其购买力范围中的商品并命中其偏好，能大大提高电商行业中的转化率。而评价用户购买力最直接有效的就是购买行为。常规的做法是根据用户的购买价格，按照某种方式进行价格分桶，从而计算出用户的消费水平。但是这种处理方式存在一个弊端，如果某个用户A花费了6000元购买了一个手机；而另外一个用户B花费2000元购买了一个鼠标，按照上述方式可能用户B的消费水平不如用户A，但是结合常识，用户A花费6000元购买手机属于正常的消费水平，而用户B花费2000元购买一个鼠标具备更高的消费水平。因此如何充分有效的利用用户的购买行为更精准的得到用户的消费水平的画像存在很大的影响力。
...

【技术保护点】

【技术特征摘要】
1.一种商品的推荐方法，其特征在于，包括：根据采集的预设时间周期内的埋点购买行为确定用户历史行为序列；根据商品的静态属性集匹配与所述用户历史行为序列对应的历史商品属性信息，并基于历史商品属性信息形成商品历史购买序列；其中，商品历史购买序列中的每个元素包含历史商品标识、历史商品类目以及历史商品价格；基于所述商品历史购买序列确定初步候选集；将所述商品历史购买序列，输入到已训练的消费能力模型中，预测用户在类目上的消费等级；基于所述消费等级对所述初步候选集进行过滤，得到推荐候选集。2.根据权利要求1所述方法，其特征在于，基于所述商品历史购买序列得到初步候选集，包括：将所述商品历史购买序列中的元素转化为目标向量；将所述目标向量输入到初步候选模型中，对初步候选模型进行训练，得到已训练的初步候选模型；将所述用户历史行为序列输入至已训练的初步候选模型中，得到推荐商品的初步候选集。3.根据权利要求2所述方法，其特征在于，将所述目标向量输入到初步候选模型中，对初步候选模型进行训练，得到已训练的初步候选模型，包括：选择关联的目标向量形成目标向量组；将所述目标向量组中第一部分向量作为初步候选模型的输入，将所述目标向量组中第二部分向量作为所述初步候选模型的输出，对所述初步候选模型进行训练，得到已训练的初步候选模型；其中，所述第一部分向量对应的购买时间早于所述第二部分向量对应的购买时间。4.根据权利要求1所述方法，其特征在于，在根据商品的静态属性集匹配与所述用户历史行为序列对应的历史商品属性信息，并基于历史商品属性信息形成商品历史购买序列之前，还包括：基于与用户行为序列对应的历史商品属性信息，提取所述历史商品属性信息中的历史商品类目；查找所述历史商品类目中所包含的全部商品的商品信息，形成类目信息序列；将所述类目信息序列中的商品依据价格进行降序排列，并将排序完成的类目信息序列进行划分，得到n个类目分桶。5.根据权利要求1所述方法，其特征在于，在所述将所述商品历史购买序列，输入到已训练的消费能力模型中，预测用户在类目上的消费等级之前，还包括：针对每个类目基于价格区间划分成对应的消费等级；将训练集中...

【专利技术属性】
技术研发人员：石京京，于敬，刘文海，陈运文，纪达麒，
申请(专利权)人：达观数据苏州有限公司，
类型：发明
国别省市：