本申请实施例提供一种物料品类处理方法、装置、存储介质及设备，该方法中，获取多个物料品类的用户行为偏好数据，并根据各物料品类的召回提取出精排数据，之后，基于各物料品类的精排模型对该精排数据进行处理，得到表征用户对该物料品类的综合价值概率的预估分数，再将各精排模型输出的预估分数输入预设的混排模型，得到各物料品类的排序结果。如此，通过使用不同的物料品类在其对应的子场景里面单独进行多目标预估，然后在上层轻量使用子场景预估的结果去做混排，保证了子场景各个品类内容的顺序一致性，有效提升了产品推荐效果。有效提升了产品推荐效果。有效提升了产品推荐效果。
【技术实现步骤摘要】
一种物料品类处理方法、装置、存储介质及设备
[0001]本申请涉及金融科技及信息推荐
，具体而言，涉及一种物料品类处理方法、装置、存储介质及设备。
技术介绍
[0002]目前，业务在进行多品类综合内容推荐时，往往是建立一个基于综合内容的统一排序模型来实现，这些模型算法思路简单，并且只需要建立一个统一模型，工程量相对较少。然而，统一模型要求各种内容特征能够对齐，但是由于各个品类的内容相对独立，不同品类的内容甚至具有很大的差异，因而所有物料内容特征难以对齐，容易影响产品推荐效果。
技术实现思路
[0003]本申请实施例的目的在于提供一种物料品类处理方法、装置、存储介质及设备，旨在解决相关技术中的多品类综合内容推荐方案存在的物料内容特征难以对齐，容易影响产品推荐效果的问题。
[0004]第一方面，本申请实施例提供的一种物料品类处理方法，包括：
[0005]获取多个物料品类的用户行为偏好数据，并根据各物料品类的召回，从所述用户行为偏好数据中提取出精排数据；
[0006]基于每一个物料品类的精排模型对所述精排数据进行处理；所述精排模型在训练过程中学习到根据所述物料品类的特征，预测用户对所述物料品类的综合价值概率；
[0007]将各精排模型输出的预估分数输入预设的混排模型，得到各物料品类的排序结果；其中，所述混排模型在训练过程中学习到根据各预估分数对应的综合价值概率，对各物料品类进行排序。
[0008]在上述实现过程中，获取多个物料品类的用户行为偏好数据，并根据各物料品类的召回提取出精排数据，之后，基于各物料品类的精排模型对该精排数据进行处理，得到表征用户对该物料品类的综合价值概率的预估分数，再将各精排模型输出的预估分数输入预设的混排模型，得到各物料品类的排序结果。如此，通过使用不同的物料品类在其对应的子场景里面单独进行多目标预估，然后在上层轻量使用子场景预估的结果去做混排，保证了子场景各个品类内容的顺序一致性，有效提升了产品推荐效果。
[0009]进一步地，在一些实施例中，所述用户行为偏好数据包括以下至少一种：
[0010]表征用户兴趣偏好的行为数据、表征用户购买资质的基础数据；其中，所述行为数据包括用户点击浏览、收藏以及下单的数据。
[0011]在上述实现过程中，限定用户行为偏好数据包括表征用户兴趣偏好的行为数据和/或表征用户购买资质的基础数据，基于这些数据来获取各物料品类的排序顺序，可以有效提升产品推荐效果。
[0012]进一步地，在一些实施例中，所述召回包括：
[0013]基于物品相似度的召回、基于用户相似度的召回以及基于用户客群兴趣偏好的召回。
[0014]在上述实现过程中，提供召回的类型，可以对物料池进行有效的筛选。
[0015]进一步地，在一些实施例中，所述综合价值概率包括以下至少一种：
[0016]下单率、点击率。
[0017]在上述实现过程中，限定综合价值概率是反映产品推荐效果的重要指标，即下单率和/或点击率，可以实现更为精准的排序，从而更好地提升产品推荐效果。
[0018]进一步地，在一些实施例中，所述精排模型基于以下方式训练得到：
[0019]基于初始模型对样本特征进行处理，得到表征所述初始模型预测的下单率或点击率的预估结果；
[0020]根据所述预估结果和实际结果，构建损失函数；所述实际结果是表征所述样本特征的实际下单率或实际点击率；
[0021]基于所述损失函数更新所述初始模型的模型参数，训练完成后，得到5所述精排模型。
[0022]在上述实现过程中，提供一种训练精排模型的具体方式。
[0023]进一步地，在一些实施例中，所述混排模型中设置有偏置网络。
[0024]在上述实现过程中，通过添加偏置网络，可以解决模型特征较少导致的模型预测不准的问题。
[0025]0第二方面，本申请实施例提供的一种物料品类处理装置，包括：
[0026]数据提取模块，用于获取多个物料品类的用户行为偏好数据，并根据各物料品类的召回，从所述用户行为偏好数据中提取出精排数据；
[0027]精排处理模块，用于基于每一个物料品类的精排模型对所述精排数据进行处理；所述精排模型在训练过程中学习到根据所述物料品类的特征，5预测用户对所述物料品类的综合价值概率；
[0028]混排处理模块，用于将各精排模型输出的预估分数输入预设的混排模型，得到各物料品类的排序结果；其中，所述混排模型在训练过程中学习到根据各预估分数对应的综合价值概率，对各物料品类进行排序。
[0029]第三方面，本申请实施例提供的一种电子设备，包括：存储器、处理0器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
[0030]第四方面，本申请实施例提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。
[0031]5第五方面，本申请实施例提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。
[0032]本申请公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本申请公开的上述技术即可得知。
[0033]为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0034]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0035]图1为本申请实施例提供的一种物料品类处理方法的流程图；
[0036]图2为本申请实施例提供的一种基于综合内容的顶层排序方法的工作流程的示意图；
[0037]图3为本申请实施例提供的一种物料品类处理装置的框图；
[0038]图4为本申请实施例提供的一种电子设备的结构框图。
具体实施方式
[0039]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描述。
[0040]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0041]如
技术介绍
记载，相关技术中的多品类综合内容推荐方案存在着物料内容特征难以对齐，容易影响产品推荐效果的问题。基于此，本申请实施例提供一种物料品类处理方案，以解决上述问题。
[0042]接下来对本申本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种物料品类处理方法，其特征在于，包括：获取多个物料品类的用户行为偏好数据，并根据各物料品类的召回，从所述用户行为偏好数据中提取出精排数据；基于每一个物料品类的精排模型对所述精排数据进行处理；所述精排模型在训练过程中学习到根据所述物料品类的特征，预测用户对所述物料品类的综合价值概率；将各精排模型输出的预估分数输入预设的混排模型，得到各物料品类的排序结果；其中，所述混排模型在训练过程中学习到根据各预估分数对应的综合价值概率，对各物料品类进行排序。2.根据权利要求1所述的方法，其特征在于，所述用户行为偏好数据包括以下至少一种：表征用户兴趣偏好的行为数据、表征用户购买资质的基础数据；其中，所述行为数据包括用户点击浏览、收藏以及下单的数据。3.根据权利要求1所述的方法，其特征在于，所述召回包括：基于物品相似度的召回、基于用户相似度的召回以及基于用户客群兴趣偏好的召回。4.根据权利要求1所述的方法，其特征在于，所述综合价值概率包括以下至少一种：下单率、点击率。5.根据权利要求4所述的方法，其特征在于，所述精排模型基于以下方式训练得到：基于初始模型对样本特征进行处理，得到表征所述初始模型预测的下单率或点击率的预估结果；根据所述预估结果和实际结果，构建损失函数；所述实际结果是表征所述样本特征的实际...
【专利技术属性】
技术研发人员：黎建辉，
申请(专利权)人：平安银行股份有限公司，
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。