产品推荐方法、装置和设备制造方法及图纸

本发明专利技术实施例涉及大数据应用技术领域，尤其涉及一种产品推荐方法、装置和设备。其中，上述方法包括：确定M个用户的用户特征数据、N个产品的产品特征数据以及所述M个用户的历史产品订购数据；将所述用户特征数据、所述产品特征数据以及所述历史产品订购数据输入神经协调过滤算法NCF模型，所述NCF模型输出所述M个用户分别对所述N个产品的偏好度值；根据所述M个用户分别对所述N个产品的偏好度值，从所述N个产品中分别确定待向所述M个用户推荐的产品信息。本发明专利技术实施例中，使用NCF算法识别用户产品偏好，能实现一个模型同时覆盖多类产品。能实现一个模型同时覆盖多类产品。能实现一个模型同时覆盖多类产品。

【技术实现步骤摘要】
产品推荐方法、装置和设备


[0001]本专利技术实施例涉及大数据应用
，尤其涉及一种产品推荐方法、装置和设备。

技术介绍

[0002]在对用户进行产品推荐或将产品推荐给用户时，需要采用多种分类算法分析用户对产品的偏好程度。但当前使用的各类算法并不能快速且准确得到用户对产品的偏好程度。
[0003]因此，如何精准判别用户对不同产品偏好的，成为亟待解决的问题。

技术实现思路

[0004]本专利技术实施例提供了一种产品推荐方法、装置和设备，使用神经协同过滤(Neural Collaborative Filtering,NCF)算法识别用户产品偏好，能实现一个模型同时覆盖多类产品。
[0005]第一方面，本专利技术实施例提供一种产品推荐方法，包括：
[0006]确定M个用户的用户特征数据、N个产品的产品特征数据以及所述M个用户的历史产品订购数据；
[0007]将所述用户特征数据、所述产品特征数据以及所述历史产品订购数据输入神经协调过滤算法NCF模型，所述NCF模型输出所述M个用户分别对所述N个产品的偏好度值；
[0008]根据所述M个用户分别对所述N个产品的偏好度值，从所述N个产品中分别确定待向所述M个用户推荐的产品信息。
[0009]其中一种可能的实现方式中，将所述用户特征数据、所述产品特征数据以及所述历史产品订购数据输入神经协调过滤算法NCF模型，包括：
[0010]根据所述用户特征数据，分别确定所述M个用户的用户风险
‑<br/>价值度，并根据所述用户风险
‑
价值度对所述M个用户进行分类；
[0011]根据所述产品特征数据，分别确定所述N个产品的产品风险
‑
价值度，并根据所述产品风险
‑
价值度对所述N个产品进行分类；
[0012]确定每类用户对应的至少一个类别的产品，并将每类用户的用户特征数据和所对应类别产品的产品特征数据以及历史产品订购数据输入所述NCF模型，得到该类用户对相应类别产品中各产品的偏好度值。
[0013]其中一种可能的实现方式中，所述用户特征数据包含用户年龄、套餐资费和上网行为；根据所述用户特征数据，分别确定所述M个用户的用户风险
‑
价值度，并根据所述用户风险
‑
价值度对所述M个用户进行分类，包括：
[0014]根据所述用户年龄、所述套餐资费和所述上网行为，分别确定所述M个用户的用户风险
‑
价值度；
[0015]将所述M个用户中所述用户风险
‑
价值度相同的用户划分到同一个用户分群中。
[0016]其中一种可能的实现方式中，所述产品特征数据包含产品类型、月功能费用、流量套餐类型和语音通话类型；根据所述用户特征数据，分别确定所述M个用户的用户风险
‑
价值度，并根据所述用户风险
‑
价值度对所述M个用户进行分类，包括：
[0017]根据所述产品类型、所述月功能费用、所述流量套餐类型和所述语音通话类型，分别确定所述N个产品的产品风险
‑
价值度；
[0018]将所述N个产品中所述产品风险
‑
价值度相同的产品划分到同一个产品分群中。
[0019]其中一种可能的实现方式中，将所述用户特征数据、所述产品特征数据以及所述历史产品订购数据输入神经协调过滤算法NCF模型之前，还包括：
[0020]根据所述历史产品订购数据确定隐反馈数据，并将所述隐反馈数据划分为训练集和测试集，所述隐反馈数据表示用户与产品的交互情况；
[0021]采用所述训练集和所述测试集对广义矩阵分解(Generalized Matrix Factorization,GMF)模型和多层感知机(Multi
‑
Layer Perceptron,MLP)模型进行预训练；
[0022]将所述GMF模型与所述MLP模型结合组成NCF模型；
[0023]基于所述GMF模型和所述MLP模型的模型参数初始化所述NCF模型的对应模型参数。
[0024]其中一种可能的实现方式中，所述NCF模型包含输入层、全连接层、GMF层、X个MLP层以及输出层；将每类用户的用户特征数据和所对应类别产品的产品特征数据以及历史产品订购数据输入所述NCF模型，得到该类用户对相应类别产品中各产品的偏好度值，包括：
[0025]通过所述输入层对所述用户特征数据和所述产品特征数据进行稀疏编码，得到用户特征向量和产品特征向量；
[0026]通过所述全连接层对所述用户特征向量和所述产品特征向量分别进行映射，得到GMF用户向量、MLP用户向量、GMF产品向量和MLP产品向量；
[0027]通过所述GMF层基于所述GMF用户向量和所述GMF产品向量计算得到第一映射函数；
[0028]通过所述X个MLP层基于所述MLP用户向量和所述MLP产品向量进行计算，其中第X个MLP层输出得到第二映射函数；
[0029]通过所述输出层基于所述第一映射函数和所述第二映射函数进行计算，得到偏好度值。
[0030]其中一种可能的实现方式中，所述方法还包括：
[0031]根据新增产品的产品数据从所述N个产品中确定所述新增产品的相似产品，并将所述新增产品作为所述相似产品对应用户的待推荐产品；
[0032]根据新增用户的用户数据从所述M个用户中确定所述新增用户的相似用户，并将所述相似用户对应的产品作为所述新增用户的待推荐产品。
[0033]本专利技术实施例使用NCF算法识别用户产品偏好，能够使一个模型同时覆盖多类产品。
[0034]第二方面，本专利技术实施例提供一种产品推荐装置，其特征在于，包括：
[0035]第一确定模块，用于确定M个用户的用户特征数据、N个产品的产品特征数据以及所述M个用户的历史产品订购数据；
[0036]输入模块，用于将所述用户特征数据、所述产品特征数据以及所述历史产品订购
数据输入神经协调过滤算法NCF模型，所述NCF模型输出所述M个用户分别对所述N个产品的偏好度值；
[0037]第二确定模块，用于根据所述M个用户分别对所述N个产品的偏好度值，从所述N个产品中分别确定待向所述M个用户推荐的产品信息。
[0038]其中一种可能的实现方式中，所述输入模块，具体用于根据所述用户特征数据，分别确定所述M个用户的用户风险
‑
价值度，并根据所述用户风险
‑
价值度对所述M个用户进行分类；
[0039]根据所述产品特征数据，分别确定所述N个产品的产品风险
‑
价值度，并根据所述产品风险
‑
价值度对所述N个产品进行分类；
[0040]确定每类用户对应的至少一个类别的产品，并将每类用户的用户特征数据和所对应类别产品的产品特征数据以及历史产品订购数据输入所述NCF模型本文档来自技高网...

【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，包括：确定M个用户的用户特征数据、N个产品的产品特征数据以及所述M个用户的历史产品订购数据；将所述用户特征数据、所述产品特征数据以及所述历史产品订购数据输入神经协调过滤算法NCF模型，所述NCF模型输出所述M个用户分别对所述N个产品的偏好度值；根据所述M个用户分别对所述N个产品的偏好度值，从所述N个产品中分别确定待向所述M个用户推荐的产品信息。2.根据权利要求1所述的方法，其特征在于，将所述用户特征数据、所述产品特征数据以及所述历史产品订购数据输入神经协调过滤算法NCF模型，包括：根据所述用户特征数据，分别确定所述M个用户的用户风险
‑
价值度，并根据所述用户风险
‑
价值度对所述M个用户进行分类；根据所述产品特征数据，分别确定所述N个产品的产品风险
‑
价值度，并根据所述产品风险
‑
价值度对所述N个产品进行分类；确定每类用户对应的至少一个类别的产品，并将每类用户的用户特征数据和所对应类别产品的产品特征数据以及历史产品订购数据输入所述NCF模型，得到该类用户对相应类别产品中各产品的偏好度值。3.根据权利要求2所述的方法，其特征在于，所述用户特征数据包含用户年龄、套餐资费和上网行为；根据所述用户特征数据，分别确定所述M个用户的用户风险
‑
价值度，并根据所述用户风险
‑
价值度对所述M个用户进行分类，包括：根据所述用户年龄、所述套餐资费和所述上网行为，分别确定所述M个用户的用户风险
‑
价值度；将所述M个用户中所述用户风险
‑
价值度相同的用户划分到同一个用户分群中。4.根据权利要求2所述的方法，其特征在于，所述产品特征数据包含产品类型、月功能费用、流量套餐类型和语音通话类型；根据所述用户特征数据，分别确定所述M个用户的用户风险
‑
价值度，并根据所述用户风险
‑
价值度对所述M个用户进行分类，包括：根据所述产品类型、所述月功能费用、所述流量套餐类型和所述语音通话类型，分别确定所述N个产品的产品风险
‑
价值度；将所述N个产品中所述产品风险
‑
价值度相同的产品划分到同一个产品分群中。5.根据权利要求1所述的方法，其特征在于，将所述用户特征数据、所述产品特征数据以及所述历史产品订购数据输入神经协调过滤算法NCF模型之前，还包括：根据所述历...

【专利技术属性】
技术研发人员：黄玲，万鹏，李佐伟，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：