CN109993638A

CN109993638A - 产品推荐的方法、装置、介质和电子设备

Info

Publication number: CN109993638A
Application number: CN201910368506.0A
Authority: CN
Inventors: 陈环宇
Original assignee: Chongqing Tianpeng Network Co Ltd
Current assignee: Chongqing Tianpeng Network Co Ltd
Priority date: 2019-05-05
Filing date: 2019-05-05
Publication date: 2019-07-09

Abstract

本发明提供了一种产品推荐方法、装置、介质和电子设备，方法包括：获取历史用户的基本信息，构建训练数据集；获取所述历史用户对应的历史行为，并对历史行为进行编码；将所述训练数据集进行归一化处理；建立隐藏层为1层的输出层传递函数为线性函数的前向反馈神经网络；将所述训练数据集导入所述前向反馈神经网络进行训练，使得训练误差最小，得到最终产品推荐模型。运用该网络模型，验证集的精确率可达11％，召回率可达90％，F值可达19％，推荐产品的覆盖率可达75％。即平均每个用户都有至少一个产品感兴趣，并且推荐的产品具有多样化，大大提高了推荐的准确性。

Description

产品推荐的方法、装置、介质和电子设备

技术领域

本发明涉及计算机技术领域，具体而言，涉及一种产品推荐的方法、装置、介质和电子设备。

背景技术

现有的TopN推荐系统涉及到用户冷启动问题时，大多采用历史用户的基本信息进行线性组合或是新用户自己选择感兴趣的产品类型进行推荐。但是用户的基本信息和感兴趣的产品并不是直接的线性关系，而是复杂的非线性关系。而且，大多数新用户自己也不清楚感兴趣的产品类型，导致推荐的产品不能真正的迎合用户，最终使得用户体验感不佳。

发明内容

本发明的目的在于提供一种产品推荐的方法、装置、介质和电子设备，能够解决上述提到的至少一个技术问题。具体方案如下：

根据本发明的具体实施方式，第一方面，本发明提供一种产品推荐方法，其特征在于，包括：

获取历史用户的基本信息，构建训练数据集；

获取所述历史用户对应的历史行为，并对历史行为进行编码；

将所述训练数据集进行归一化处理；

建立隐藏层为1层的输出层传递函数为线性函数的前向反馈神经网络，其中，隐藏层节点数为训练集历史用户数的平方根；

将所述训练数据集导入所述前向反馈神经网络进行训练，使得训练误差最小，得到最终产品推荐模型。

可选地，所述将所述训练数据集导入所述前向反馈神经网络进行训练，使得训练误差最小，得到最终产品推荐模型之后，包括：

将新用户的信息输入到所述最终产品推荐模型中，根据所述最终产品推荐模型输出结果进行排序；

选取前N个作为推荐产品结果，N为自然数。

可选地，所述前向反馈神经网络采用sigmoid传递函数。

可选地，所述使得训练误差最小，得到最终产品推荐模型，包括：

直到训练误差小于0.00001，或训练误差不再下降为止，得到最终产品推荐模型。

根据本发明的具体实施方式，第二方面，本发明提供一种产品推荐装置，其特征在于，包括：

第一获取单元，用于获取历史用户的基本信息，构建训练数据集；

第二获取单元，获取所述历史用户对应的历史行为，并对历史行为进行编码；

归一化单元，用于将所述训练数据集进行归一化处理；

模型构建单元，用于建立隐藏层为1层的输出层传递函数为线性函数的前向反馈神经网络，其中，隐藏层节点数为训练集历史用户数的平方根；

训练单元，用于将所述训练数据集导入所述前向反馈神经网络进行训练，使得训练误差最小，得到最终产品推荐模型。

可选地，所述的装置还包括：

推荐单元，用于将新用户的信息输入到所述最终产品推荐模型中，根据所述最终产品推荐模型输出结果进行排序；选取前N个作为推荐产品结果，N为自然数。

可选地，所述前向反馈神经网络采用sigmoid传递函数。

发明发明

根据本发明的具体实施方式，第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上任一项所述的方法。

根据本发明的具体实施方式，第四方面，本发明提供一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上任一项所述的方法。

本发明实施例的上述方案与现有技术相比，至少具有以下有益效果：本发明线下测试采用Top10推荐，将历史用户数据集划分为训练集、测试集和验证集。运用该网络模型，验证集的精确率可达11％，召回率可达90％，F值可达19％，推荐产品的覆盖率可达75％。即平均每个用户都有至少一个产品感兴趣，并且推荐的产品具有多样化，大大提高了推荐的准确性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。在附图中：

图1示出了根据本发明实施例的产品推荐方法流程图；

图2示出了根据本发明实施例的产品推荐装置结构示意图；

图3示出了根据本发明的实施例的电子设备连接结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……，但这些……不应限于这些术语。这些术语仅用来将……区分开。例如，在不脱离本发明实施例范围的情况下，第一……也可以被称为第二……，类似地，第二……也可以被称为第一……。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。

下面结合附图详细说明本发明的可选实施例。

实施例1

如图1所示，根据本发明的具体实施方式，第一方面，本发明提供一种产品推荐方法，包括：

一种产品推荐方法，其特征在于，包括：

S1、获取历史用户的基本信息，构建训练数据集；所述基本信息包括性别、年龄、婚姻状况、住宅性质。

S2、获取所述历史用户对应的历史行为，并对历史行为进行编码；

所述历史行为包括对产品的点击与否的操作。

S3、将所述训练数据集进行归一化处理；

S4、建立隐藏层为1层的输出层传递函数为线性函数的前向反馈神经网络，其中，隐藏层节点数为训练集历史用户数的平方根；

S5、将所述训练数据集导入所述前向反馈神经网络进行训练，使得训练误差最小，得到最终产品推荐模型。

其中，全网络采用L-M优化算法对权值进行优化更新。

可选地，S6、所述将所述训练数据集导入所述前向反馈神经网络进行训练，使得训练误差最小，得到最终产品推荐模型之后，包括：

选取前N个作为推荐产品结果，N为自然数。

可选地，所述前向反馈神经网络采用sigmoid传递函数。

具体的实施方式如下：

首先，获取历史用户的基本信息和对应的推荐产品的点击行为，例如性别、年龄、婚姻状况、住宅性质等，并对其进行数字编码。具体是将非数值型字段进行编码，例如性别的男和女，分别对应1和2。对于年龄类的数值型字段，无需再进行编码。针对用户对推荐产品的点击行为，进行0,1编码。例如推荐产品一共包含182个，某用户点击了第2、3、4个产品，则对应的编码为(0,1,1,1,0,0,…,0)。

接下来，将上述已完成编码的用户数据作为训练集，并对其进行归一化处理。

接着，建立隐藏层为1层的前向反馈神经网络。其中，输入层节点数为用户维度数，隐藏层节点数为训练集用户数的平方根，输出层节点数为总产品个数。隐藏层传递函数采用sigmoid，输出层传递函数采用线性函数。全网络采用L-M优化算法对权值进行优化更新，误差函数采用均方误差。训练步数设为10000，学习率为0.01。

将训练集导入构建好的BP神经网络进行训练，直到训练误差满足0.00001，或训练误差不再下降为止。最终，得到训练好的网络模型。

最后，将新用户的基本信息按照上述的编码方式进行编码，然后将其导入训练好的网络模型进行预测。通过将模型的预测结果进行从大到小排序，根据产品推荐需求，决定选择排名前N的产品进行推荐，即完成了新用户的TopN推荐。N可以取10。

本发明线下测试采用Top10推荐，将历史用户数据集划分为训练集、测试集和验证集。运用该网络模型，验证集的精确率可达11％，召回率可达90％，F值可达19％，推荐产品的覆盖率可达75％。即平均每个用户都有至少一个产品感兴趣，并且推荐的产品具有多样化，大大提高了推荐的准确性。

实施例2

如图2所示，根据本发明的具体实施方式，第二方面，本发明提供一种产品推荐装置，包括：

第一获取单元202，用于获取历史用户的基本信息，构建训练数据集，所述基本信息包括性别、年龄、婚姻状况、住宅性质；

第二获取单元204，用于获取所述历史用户对应的历史行为，并对历史行为进行编码；

归一化单元206，用于将所述训练数据集进行归一化处理；

模型构建单元208，用于建立隐藏层为1层的输出层传递函数为线性函数的前向反馈神经网络，其中，隐藏层节点数为训练集历史用户数的平方根；

训练单元210，用于将所述训练数据集导入所述前向反馈神经网络进行训练，使得训练误差最小，得到最终产品推荐模型。

可选的，还包括：

推荐单元212，用于将新用户的信息输入到所述最终产品推荐模型中，根据所述最终产品推荐模型输出结果进行排序；选取前N个作为推荐产品结果，N为自然数。

可选的，所述前向反馈神经网络采用sigmoid传递函数。

可选的，所述使得训练误差最小，得到最终产品推荐模型，包括：

具体的实施方式如下：

实施例3

如图3所示，本实施例提供一种电子设备，所述电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述一个处理器执行的指令，所述指令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如上实施例所述的方法步骤。

实施例4

本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行如上实施例所述的方法步骤。

实施例5

下面参考图3，其示出了适于用来实现本发明实施例的电子设备300的结构示意图。本发明实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置303加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线303彼此相连。输入/输出(I/O)接口303也连接至总线303。

通常，以下装置可以连接至I/O接口303：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置303；包括例如磁带、硬盘等的存储装置303；以及通信装置303。通信装置303可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置303从网络上被下载和安装，或者从存储装置303被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本发明实施例的方法中限定的上述功能。

需要说明的是，本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。

Claims

1.一种产品推荐方法，其特征在于，包括：

获取历史用户的基本信息，构建训练数据集；

将所述训练数据集进行归一化处理；

2.如权利要求1所述的方法，其特征在于，所述将所述训练数据集导入所述前向反馈神经网络进行训练，使得训练误差最小，得到最终产品推荐模型之后，包括：

选取前N个作为推荐产品结果，N为自然数。

3.如权利要求2所述的方法，其特征在于，所述前向反馈神经网络采用sigmoid传递函数。

4.如权利要求1所述的方法，其特征在于，所述使得训练误差最小，得到最终产品推荐模型，包括：

5.一种产品推荐装置，其特征在于，包括：

归一化单元，用于将所述训练数据集进行归一化处理；

6.如权利要求5所述的装置，其特征在于，还包括：

7.如权利要求6所述的装置，其特征在于，所述前向反馈神经网络采用sigmoid传递函数。

8.如权利要求7所述的装置，其特征在于，所述使得训练误差最小，得到最终产品推荐模型，包括：

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至4中任一项所述的方法。

10.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至4中任一项所述的方法。