CN111652674B - 一种资源推荐方法以及装置 - Google Patents

一种资源推荐方法以及装置 Download PDF

Info

Publication number
CN111652674B
CN111652674B CN202010415300.1A CN202010415300A CN111652674B CN 111652674 B CN111652674 B CN 111652674B CN 202010415300 A CN202010415300 A CN 202010415300A CN 111652674 B CN111652674 B CN 111652674B
Authority
CN
China
Prior art keywords
target
data
merchant
feature data
dish
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010415300.1A
Other languages
English (en)
Other versions
CN111652674A (zh
Inventor
王雨卉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lazas Network Technology Shanghai Co Ltd
Original Assignee
Lazas Network Technology Shanghai Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Lazas Network Technology Shanghai Co Ltd filed Critical Lazas Network Technology Shanghai Co Ltd
Priority to CN202010415300.1A priority Critical patent/CN111652674B/zh
Publication of CN111652674A publication Critical patent/CN111652674A/zh
Application granted granted Critical
Publication of CN111652674B publication Critical patent/CN111652674B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种资源推荐方法以及装置，该资源推荐方法所使用的约束优化回归模型以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，因此，在将目标特征数据输入该约束优化回归模型之后，在获得模型输出的目标指标预测数据的基础上，目标变量系数的正负符号与目标特征数据对目标指标预测数据的影响趋于一致，其能够准确反映该目标特征数据对目标指标预测数据的影响程度，因此，将目标指标预测数据和该目标变量系数作为向目标主体推荐上述待推荐资源的目标推荐因子，可提升资源推荐行为的针对性和可解释性。

Description

一种资源推荐方法以及装置
技术领域
本申请涉及计算机技术领域，具体涉及一种资源推荐方法。本申请同时涉及一种资源推荐装置、一种电子设备以及一种计算机可读取存储介质。本申请还涉及一种数据预测方法、一种数据预测装置、一种电子设备以及一种计算机可读存储介质。
背景技术
在生活服务类网络应用平台中，现有的新品推荐方式主要有以下两种：方式一、按照预定规则为商家推荐菜品，以供商家上架新品，例如，向商家推荐同品类菜品中销量靠前的菜品；方式二、采用最小二乘法对商户上架特定新品之后的销量进行预测，根据预测销量的排序做新品推荐。
上述方式存在以下不足：
方式一中，无法结合商户自身特点对其进行个性化推荐，推荐过程的准确率和适用性较差；
方式二中，由于采用最小二乘法进行回归，最小二乘法通过最小化误差的平方和寻找数据的最佳函数匹配，利用最小二乘法求得的数据与实际数据之间误差的平方和为最小，该过程导致特征的正负号(变量系数的正负号)存在不确定性，使得针对特征的可解释性较差，例如，预测结果数据“菜品销量”与特征“商家为高品质商户”正相关，但基于现有的模型数据无法得出“菜品销量”与特征“商家为高品质商户”正相关的明确结论，因此给运营人员造成困惑，使其无法结合特征与预测结果数据之间的相关性对菜品推荐行为做出正确合理解释，从而无法结合具体特征给出合理推荐理由。
发明内容
本申请实施例提供一种资源推荐方法、装置、电子设备及计算机可读存储介质，以解决现有技术中推荐过程的准确率和适用性较差、以及针对特征的可解释性较差的问题。
本申请实施例提供一种资源推荐方法，包括：获取目标特征数据，目标特征数据包括待推荐资源的目标特征数据和目标主体的目标特征数据；将目标特征数据输入预先训练的约束优化回归模型，获得约束优化回归模型输出的目标指标预测数据；其中，在训练约束优化回归模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的目标指标参考数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得；获得约束优化回归模型中目标特征数据对应的目标变量系数；如果目标指标预测数据满足预定推荐条件，则将目标指标预测数据以及目标变量系数作为向目标主体推荐待推荐资源的目标推荐因子。
可选的，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，包括：如果参考特征数据与目标指标参考数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与目标指标参考数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。
可选的，获得约束优化回归模型中目标特征数据对应的变量系数，包括：将约束优化回归模型中参考特征数据对应的变量系数、确定为与该参考特征数据具有相同特征类别的目标特征数据所对应的目标变量系数。约束优化回归模型包括：边界约束BFGS算法模型。参考特征数据包括：待推荐资源的参考资源特征数据、以及参考主体的参考主体特征数据，其中，参考资源特征数据与待推荐资源的目标特征数据具有相同特征类别，参考主体的参考主体特征数据与目标主体的目标特征数据具有相同特征类别，且参考主体与目标主体相关联。参考主体与目标主体相关联，包括：参考主体与目标主体之间的相似度大于预定的相似度阈值。可选的，获取目标特征数据，包括：将参考资源特征数据作为待推荐资源的目标特征数据。可选的，参考资源特征数据为按照与参考主体相适配的特征构建方式对待推荐资源的资源指标进行特征构建后所获得的特征数据；对应的，获取目标特征数据，包括：按照与目标主体相适配的特征构建方式对资源指标进行特征构建，获得待推荐资源的目标特征数据。
可选的，将目标指标预测数据以及目标变量系数作为向目标主体推荐待推荐资源的目标推荐因子，包括：将目标指标预测数据作为向目标主体推荐待推荐资源的第一目标推荐因子，将目标特征数据对应的目标变量系数作为向目标主体推荐待推荐资源的第二目标推荐因子。
本申请实施例还提供一种菜品推荐方法，包括：获取目标特征数据，目标特征数据包括欲向目标商家推荐的备选菜品的特征数据和目标商家的特征数据；
将目标特征数据输入预先训练的菜品销量预测模型，获得菜品销量预测模型输出的备选菜品在目标商家的销量预测数据；其中，菜品销量预测模型为约束优化回归模型，在训练菜品销量预测模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的参考销量数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与参考销量数据之间的相关性而获得；获得菜品销量预测模型中目标特征数据对应的目标变量系数；如果销量预测数据满足预定的菜品推荐条件，则以销量预测数据以及目标变量系数作为向目标商家推荐备选菜品的目标推荐因子。
可选的，变量系数的预设取值范围基于参考特征数据与参考销量数据之间的相关性而获得，包括：
如果参考特征数据与参考销量数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；
如果参考特征数据与参考销量数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。
可选的，获得菜品销量预测模型中目标特征数据对应的目标变量系数，包括：以菜品销量预测模型中参考特征数据对应的变量系数、作为与该参考特征数据具有相同特征类别的目标特征数据所对应的目标变量系数。
可选的，菜品销量预测模型包括：边界约束BFGS算法模型。
可选的，参考特征数据包括：备选菜品的菜品参考特征数据、以及参考商家的商家参考特征数据，其中，菜品参考特征数据与备选菜品的特征数据具有相同特征类别，参考商家的商家参考特征数据与目标商家的特征数据具有相同特征类别，参考商家与目标商家相关联。
可选的，参考商家与目标商家相关联，包括：参考商家对应的商家属性信息与目标商家对应的商家属性信息之间的相似度大于预定的相似度阈值。
可选的，获取目标特征数据，包括：将菜品参考特征数据作为备选菜品的特征数据。
可选的，菜品参考特征数据为按照与参考商家相适配的特征构建方式对备选菜品的菜品指标进行特征构建后所获得的特征数据；
对应的，获取目标特征数据，包括：按照与目标商家相适配的特征构建方式对菜品指标进行特征构建，获得备选菜品的特征数据。
可选的，以销量预测数据以及目标变量系数作为向目标商家推荐备选菜品的目标推荐因子，包括：将销量预测数据作为向目标商家推荐备选菜品的第一目标推荐因子，将目标特征数据对应的目标变量系数作为向目标商家推荐备选菜品的第二目标推荐因子。
目标商家的特征数据包括如下中的至少一种：目标商家的用户分布特征；目标商家的数据流量特征；目标商家的用户反馈特征；目标商家的优惠数据特征。
本申请实施例还提供一种数据预测方法，包括：获取目标特征数据；将目标特征数据输入预先训练的约束优化回归模型，获得约束优化回归模型输出的目标指标预测数据；其中，在训练约束优化回归模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的目标指标参考数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，目标指标参考数据与目标指标预测数据对应相同的指标类别，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得；目标特征数据所对应的变量系数用于表示目标特征数据对目标指标预测数据的影响程度。
可选的，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，包括：如果参考特征数据与目标指标参考数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与目标指标参考数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。约束优化回归模型包括：边界约束BFGS算法模型。
本申请实施例还提供一种模型训练方法，包括：获取参考特征数据样本，以及获取与参考特征数据样本相适配的目标指标参考数据样本；计算参考特征数据样本与目标指标参考数据样本之间的相关性；基于参考特征数据样本与目标指标参考数据样本之间的相关性，确定参考特征数据样本对应的变量系数的预设取值范围；以变量系数的预设取值范围作为模型约束条件，根据变量系数的预设取值范围、参考特征数据样本、以及目标指标参考数据样本进行模型训练，获得约束优化回归模型；约束优化回归模型用于根据输入的目标特征数据、输出目标指标预测数据，在约束优化回归模型中，目标特征数据对应的变量系数用于表示目标特征数据对目标指标预测数据的影响程度。
可选的，基于参考特征数据样本与目标指标参考数据样本之间的相关性，确定参考特征数据样本对应的变量系数的预设取值范围，包括：如果参考特征数据样本与目标指标参考数据样本正相关，则确定参考特征数据样本对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据样本与目标指标参考数据样本负相关，则确定参考特征数据样本对应的变量系数的预设取值范围为负无穷大到零。约束优化回归模型包括：边界约束BFGS算法模型。
可选的，参考特征数据样本包括目标资源的特征数据样本和参考主体的特征数据样本，目标指标参考数据样本为目标资源对应于参考主体的历史指标数据；目标特征数据包括目标资源的目标特征数据和目标主体的目标特征数据，目标指标预测数据为目标资源对应于目标主体的预测指标数据；目标资源的特征数据样本与目标资源的目标特征数据具有相同特征类别，参考主体的特征数据样本与目标主体的目标特征数据具有相同特征类别，参考主体与目标主体相关联，历史指标数据与预测指标数据对应相同的指标类别。
本申请实施例还提供一种资源推荐装置，包括：数据获取单元，用于获取目标特征数据，目标特征数据包括待推荐资源的目标特征数据和目标主体的目标特征数据；指标预测数据获得单元，用于将目标特征数据输入预先训练的约束优化回归模型，获得约束优化回归模型输出的目标指标预测数据；其中，在训练约束优化回归模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的目标指标参考数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得；目标变量系数获得单元，用于获得约束优化回归模型中目标特征数据对应的目标变量系数；目标推荐因子获得单元，用于在确定目标指标预测数据满足预定推荐条件之后，将目标指标预测数据以及目标变量系数作为向目标主体推荐待推荐资源的目标推荐因子。
可选的，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，包括：如果参考特征数据与目标指标参考数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与目标指标参考数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。
可选的，获得约束优化回归模型中目标特征数据对应的变量系数，包括：将约束优化回归模型中参考特征数据对应的变量系数、确定为与该参考特征数据具有相同特征类别的目标特征数据所对应的目标变量系数。约束优化回归模型包括：边界约束BFGS算法模型。
可选的，参考特征数据包括：待推荐资源的参考资源特征数据、以及参考主体的参考主体特征数据，其中，参考资源特征数据与待推荐资源的目标特征数据具有相同特征类别，参考主体的参考主体特征数据与目标主体的目标特征数据具有相同特征类别，且参考主体与目标主体相关联。
可选的，参考主体与目标主体相关联，包括：参考主体与目标主体之间的相似度大于预定的相似度阈值。
获取目标特征数据，包括：将参考资源特征数据作为待推荐资源的目标特征数据。
可选的，参考资源特征数据为按照与参考主体相适配的特征构建方式对待推荐资源的资源指标进行特征构建后所获得的特征数据；对应的，获取目标特征数据，包括：按照与目标主体相适配的特征构建方式对资源指标进行特征构建，获得待推荐资源的目标特征数据。
可选的，将目标指标预测数据以及目标变量系数作为向目标主体推荐待推荐资源的目标推荐因子，包括：将目标指标预测数据作为向目标主体推荐待推荐资源的第一目标推荐因子，将目标特征数据对应的目标变量系数作为向目标主体推荐待推荐资源的第二目标推荐因子。
本申请实施例还提供一种菜品推荐装置，包括：目标特征数据获取单元，用于获取目标特征数据，目标特征数据包括欲向目标商家推荐的备选菜品的特征数据和目标商家的特征数据；销量预测数据获得单元，用于将目标特征数据输入预先训练的菜品销量预测模型，获得菜品销量预测模型输出的备选菜品在目标商家的销量预测数据；其中，菜品销量预测模型为约束优化回归模型，在训练菜品销量预测模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的参考销量数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与参考销量数据之间的相关性而获得；目标变量系数获得单元，用于获得菜品销量预测模型中目标特征数据对应的目标变量系数；目标推荐因子获得单元，用于在确定销量预测数据满足预定的菜品推荐条件之后，以销量预测数据以及目标变量系数作为向目标商家推荐备选菜品的目标推荐因子。
可选的，变量系数的预设取值范围基于参考特征数据与参考销量数据之间的相关性而获得，包括：如果参考特征数据与参考销量数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与参考销量数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。
可选的，获得菜品销量预测模型中目标特征数据对应的目标变量系数，包括：以菜品销量预测模型中参考特征数据对应的变量系数、作为与该参考特征数据具有相同特征类别的目标特征数据所对应的目标变量系数。菜品销量预测模型包括：边界约束BFGS算法模型。
可选的，参考特征数据包括：备选菜品的菜品参考特征数据、以及参考商家的商家参考特征数据，其中，菜品参考特征数据与备选菜品的特征数据具有相同特征类别，参考商家的商家参考特征数据与目标商家的特征数据具有相同特征类别，参考商家与目标商家相关联。
可选的，参考商家与目标商家相关联，包括：参考商家对应的商家属性信息与目标商家对应的商家属性信息之间的相似度大于预定的相似度阈值。获取目标特征数据，包括：将菜品参考特征数据作为备选菜品的特征数据。
可选的，菜品参考特征数据为按照与参考商家相适配的特征构建方式对备选菜品的菜品指标进行特征构建后所获得的特征数据；对应的，获取目标特征数据，包括：按照与目标商家相适配的特征构建方式对菜品指标进行特征构建，获得备选菜品的特征数据。
可选的，以销量预测数据以及目标变量系数作为向目标商家推荐备选菜品的目标推荐因子，包括：将销量预测数据作为向目标商家推荐备选菜品的第一目标推荐因子，将目标特征数据对应的目标变量系数作为向目标商家推荐备选菜品的第二目标推荐因子。
目标商家的特征数据包括如下中的至少一种：目标商家的用户分布特征；目标商家的数据流量特征；目标商家的用户反馈特征；目标商家的优惠数据特征。
本申请实施例还提供一种数据预测装置，包括：目标特征数据获取单元，用于获取目标特征数据；目标指标预测数据获得单元，用于将目标特征数据输入预先训练的约束优化回归模型，获得约束优化回归模型输出的目标指标预测数据；其中，在训练约束优化回归模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的目标指标参考数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，目标指标参考数据与目标指标预测数据对应相同的指标类别，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得；目标特征数据所对应的变量系数用于表示目标特征数据对目标指标预测数据的影响程度。
可选的，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，包括：如果参考特征数据与目标指标参考数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与目标指标参考数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。约束优化回归模型包括：边界约束BFGS算法模型。
本申请实施例还提供一种模型训练装置，包括：数据样本获取单元，用于获取参考特征数据样本，以及获取与参考特征数据样本相适配的目标指标参考数据样本；相关性计算单元，用于计算参考特征数据样本与目标指标参考数据样本之间的相关性；预设取值范围确定单元，用于基于参考特征数据样本与目标指标参考数据样本之间的相关性，确定参考特征数据样本对应的变量系数的预设取值范围；模型训练单元，用于以变量系数的预设取值范围作为模型约束条件，根据变量系数的预设取值范围、参考特征数据样本、以及目标指标参考数据样本进行模型训练，获得约束优化回归模型；约束优化回归模型用于根据输入的目标特征数据、输出目标指标预测数据，在约束优化回归模型中，目标特征数据对应的变量系数用于表示目标特征数据对目标指标预测数据的影响程度。
可选的，基于参考特征数据样本与目标指标参考数据样本之间的相关性，确定参考特征数据样本对应的变量系数的预设取值范围，包括：如果参考特征数据样本与目标指标参考数据样本正相关，则确定参考特征数据样本对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据样本与目标指标参考数据样本负相关，则确定参考特征数据样本对应的变量系数的预设取值范围为负无穷大到零。约束优化回归模型包括：边界约束BFGS算法模型。
可选的，参考特征数据样本包括目标资源的特征数据样本和参考主体的特征数据样本，目标指标参考数据样本为目标资源对应于参考主体的历史指标数据；目标特征数据包括目标资源的目标特征数据和目标主体的目标特征数据，目标指标预测数据为目标资源对应于目标主体的预测指标数据；目标资源的特征数据样本与目标资源的目标特征数据具有相同特征类别，参考主体的特征数据样本与目标主体的目标特征数据具有相同特征类别，参考主体与目标主体相关联，历史指标数据与预测指标数据对应相同的指标类别。
本申请实施例还提供一种电子设备，包括处理器和存储器；其中，存储器用于存储一条或多条计算机指令，其中，一条或多条计算机指令被处理器执行以实现如上的方法。
本申请实施例还提供一种计算机可读存储介质，其上存储有一条或多条计算机指令，该指令被处理器执行以实现如上的方法。
与现有技术相比，本申请实施例具有以下优点：
本申请实施例提供的资源推荐方法，在获取目标特征数据(包括待推荐资源的目标特征数据和目标主体的目标特征数据)之后，将目标特征数据输入预先训练的约束优化回归模型，获得约束优化回归模型输出的目标指标预测数据；获得约束优化回归模型中目标特征数据对应的目标变量系数；如果目标指标预测数据满足预定推荐条件，则将目标指标预测数据以及目标变量系数作为向目标主体推荐上述待推荐资源的目标推荐因子，其中，在训练上述约束优化回归模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的目标指标参考数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得。该方法可根据目标主体的自身特点对其进行个性化推荐，推荐过程的准确率较高、适用性较强；并且该方法所使用的约束优化回归模型以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，因此，在将目标特征数据输入该约束优化回归模型之后，在获得模型输出的目标指标预测数据的基础上，所获得的目标特征数据对应的目标变量系数的正负符号与目标特征数据对目标指标预测数据的影响趋于一致，该目标变量系数能够准确反映该目标特征数据对目标指标预测数据的影响程度，因此，该目标变量系数具有较强的可解释性，将目标指标预测数据和该目标变量系数作为向目标主体推荐上述待推荐资源的目标推荐因子，可提升资源推荐行为的针对性和可解释性。
附图说明
图1是本申请第一实施例提供的资源推荐方法流程图；
图1-A是本申请实施例提供的资源推荐示意图；
图2是本申请第二实施例提供的菜品推荐方法流程图；
图3是本申请第三实施例提供的数据预测方法流程图；
图4是本申请第四实施例提供的模型训练方法流程图；
图5是本申请第五实施例提供的资源推荐装置的单元框图；
图6是本申请第六实施例提供的电子设备的逻辑结构示意图；
图7是本申请第八实施例提供的菜品推荐装置的单元框图；
图8是本申请第九实施例提供的电子设备的逻辑结构示意图；
图9是本申请第十一实施例提供的数据预测装置的单元框图；
图10是本申请第十二实施例提供的电子设备的逻辑结构示意图；
图11是本申请第十四实施例提供的模型训练装置的单元框图；
图12是本申请第十五实施例提供的电子设备的逻辑结构示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
针对商家的新品推荐场景，为了提升推荐过程的准确率和适用性、以及提升推荐行为的针对性和可解释性，本申请提供了一种资源推荐方法、与该方法相对应的资源推荐装置、电子设备以及计算机可读存储介质，本申请还提供一种菜品推荐方法、与该方法相对应的菜品推荐装置、电子设备以及计算机可读存储介质，本申请还提供一种数据预测方法、与该方法相对应的数据预测装置、电子设备以及计算机可读存储介质，本申请还提供一种模型训练方法、与该方法相对应的模型训练装置、电子设备以及计算机可读存储介质，以下提供实施例对所述方法、装置、电子设备以及计算机可读存储介质进行详细说明。
本申请第一实施例提供一种资源推荐方法，该方法的应用主体可以为运行于网络应用平台的用于实现资源推荐的计算设备应用，图1为本申请第一实施例提供的资源推荐方法流程图，图1-A为本申请实施例提供的资源推荐示意图，以下结合图1和图1-A对本实施例提供的方法进行详细描述。以下描述所涉及的实施例是用来解释说明方法原理，不是实际使用的限定。
如图1所示，本实施例提供的资源推荐方法包括如下步骤：
S101，获取目标特征数据。
本步骤用于获得目标特征数据，该目标特征数据包括待推荐资源的目标特征数据和目标主体的目标特征数据。
在针对商家的新品推荐场景中，待推荐资源可以为预先选定的待推荐菜品，例如，餐饮服务平台中销量排序靠前的热销菜品，目标主体可以为目标商家，待推荐资源的目标特征数据可以为待推荐菜品的价格、品类、功效、所属品牌等固有属性特征数据，也可以为待推荐菜品与目标商家所属品牌下所有菜品的总体相似度、待推荐菜品与热销菜品的相似度、待推荐菜品的售价与目标商家内菜品的均价偏离度等按照与目标商家相适配的特征构建方式对菜品指标进行特征构建后所获得的属性特征数据。目标主体的目标特征数据可以为目标商家的服务类别数据、用户分布数据(例如，近30天新增用户数量、潜在用户比例、活跃用户比例、高价值用户比例等)、用户转化率、用户复购率、店内菜品平均单价、用户评价数据、优惠策略数据等属性特征数据。
S102，将目标特征数据输入预先训练的约束优化回归模型，获得约束优化回归模型输出的目标指标预测数据。
在上述步骤获得待推荐资源的目标特征数据和目标主体的目标特征数据之后，本步骤用于将上述目标特征数据输入预先训练的约束优化回归模型进行指标预测，获得该模型输出的针对目标指标的预测结果数据。目标指标为预先设定的与待推荐资源和目标主体相关联的指标，在本实施例中，目标指标可以为待推荐菜品在目标商家上架销售之后的预测指标，例如，目标指标为待推荐菜品在目标商家的预测销量，目标指标预测数据为待推荐菜品在目标商家的预估销量数值。目标指标预测数据可用于表示待推荐资源与目标主体之间的匹配程度，目标指标预测数据越大，则表示待推荐资源与目标主体之间的匹配程度越高，例如，待推荐菜品在目标商家的预估销量数值越大，则待推荐菜品与目标商家之间的匹配程度越高。
约束优化回归模型是指在建立回归模型时，对模型中变量的参数施加一定的约束条件，其由目标函数以及与目标函数中的变量相关的约束条件两部分组成，优化过程为在约束条件下最优化(最大化或最小化)目标函数。在本实施例中，约束优化回归模型优选为边界约束BFGS(L-BFGS-B)算法模型，L-BFGS-B算法是拟牛顿法中具有求解约束优化问题能力的算法，采用回溯以及限定最大步长的线搜索等策略来求解约束优化问题，可用于求解大规模约束优化问题，降低回归计算的复杂度及迭代代价。
在本实施例中，在训练上述约束优化回归模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的目标指标参考数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，例如，如果参考特征数据与目标指标参考数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与目标指标参考数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。
变量系数(regression coefficient)在回归方程中表示自变量(目标特征数据)对因变量(目标指标预测数据)影响程度，变量系数越大表示目标特征数据对目标指标预测数据的影响越大，正变量系数表示目标指标预测数据随目标特征数据增大而增大，负变量系数表示目标指标预测数据随目标特征数据增大而减小。
上述参考特征数据包括待推荐资源的参考资源特征数据、以及参考主体的参考主体特征数据，其中，参考资源特征数据与待推荐资源的目标特征数据具有相同特征类别，参考主体的参考主体特征数据与目标主体的目标特征数据具有相同特征类别，该参考主体可以是指与目标主体相关联的主体，例如，参考主体与目标主体在服务属性上具有关联性，在本实施例中，参考主体与目标主体之间的相似度大于预定的相似度阈值，例如，目标主体为目标商家，参考主体为与目标商家所处商圈相同或相似、或者与目标商家的经营类别相同或相似的参考商家，例如，参考主体与目标主体均为火锅店、或者均为西式快餐店。
上述参考资源特征数据可以是指与待推荐资源的目标特征数据相同的特征数据，例如，待推荐菜品的品类、功效、所属品牌等固有属性特征数据，也可以是指按照与参考主体相适配的特征构建方式对待推荐资源的资源指标进行特征构建后所获得的特征数据，例如，待推荐资源的资源指标为待推荐菜品价位指标，所构建的参考资源特征数据为计算获得的待推荐菜品的售价与参考商家内菜品的均价偏离度。对应的，上述步骤S101中获取目标特征数据可以是指：将参考资源特征数据作为待推荐资源的目标特征数据，也可以为：按照与目标主体相适配的特征构建方式对资源指标进行特征构建，获得待推荐资源的目标特征数据。
上述与参考特征数据相适配的目标指标参考数据，是指基于上述参考特征数据所获得的针对目标指标的真实历史数据。例如，参考特征数据为待推荐菜品的品类、功效、所属品牌、待推荐菜品与参考商家所属品牌下所有菜品的总体相似度、待推荐菜品与热销菜品的相似度、待推荐菜品的售价与参考商家内菜品的均价偏离度、参考商家的服务类别数据、参考商家的用户分布数据(例如，近30天新增用户数量、潜在用户比例、活跃用户比例、高价值用户比例等)、参考商家的用户转化率、参考商家的用户复购率、参考商家的店内菜品平均单价、用户评价数据、优惠策略数据等与上述目标特征数据具有相同特征类别的特征数据，与其相适配的目标指标参考数据可以为待推荐菜品在参考商家的真实历史销量数值。
S103，获得约束优化回归模型中目标特征数据对应的目标变量系数。
对于完成模型训练的约束优化回归模型，其对应的回归方程中每一个自变量均对应一个变量系数，相同特征类别的自变量对应相同的变量系数，即，相同特征类别的参考特征数据和目标特征数据对应相同的变量系数。在本实施例中，上述获得约束优化回归模型中目标特征数据对应的目标变量系数，具体可以是指：将约束优化回归模型中参考特征数据对应的变量系数、确定为与该参考特征数据具有相同特征类别的目标特征数据所对应的目标变量系数。
由于参考特征数据对应的变量系数的预设取值范围为模型训练时的模型约束条件，且该变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，在参考特征数据与目标指标参考数据正相关时，参考特征数据对应的变量系数的预设取值范围为零到正无穷大，在参考特征数据与目标指标参考数据负相关时，参考特征数据对应的变量系数的预设取值范围为负无穷大到零，因此，在模型训练阶段即限定了变量系数的正负符号，该变量系数的正负符号能够表示参考特征数据与目标指标参考数据之间为正相关或负相关，由于相同特征类别的参考特征数据和目标特征数据对应相同的变量系数，因此，目标特征数据对应的目标变量系数的正负符号同样能够表示目标特征数据与目标指标预测数据之间为正相关或负相关。
S104，如果目标指标预测数据满足预定推荐条件，则将目标指标预测数据以及目标变量系数作为向目标主体推荐上述待推荐资源的目标推荐因子。
在上述步骤获得约束优化回归模型输出的针对目标指标的预测结果数据、以及获得目标特征数据对应的目标变量系数之后，本步骤用于在确定该预测结果数据满足预定推荐条件的基础上，将该预测结果数据以及目标变量系数作为向目标主体推荐待推荐资源的目标推荐因子，在后续向目标主体推荐该待推荐资源时，可将该目标推荐因子作为推荐理由。例如，在待推荐菜品在目标商家的预测销量数值达到预定的销量阈值之后，将该预测销量数值以及目标特征数据(待推荐菜品的属性特征数据和目标商家的属性特征数据)对应的目标变量系数作为向目标商家推荐该待推荐菜品的推荐理由。
在本实施例中，具体可将目标指标预测数据作为向目标主体推荐待推荐资源的第一目标推荐因子，将目标特征数据对应的目标变量系数作为向目标主体推荐待推荐资源的第二目标推荐因子。第一目标推荐因子可作为核心推荐理由，第二目标推荐因子用于辅助解释目标主体的目标特征数据以及待推荐资源的目标特征数据对目标指标预测数据的影响程度。例如，对于目标商家来说，第一目标推荐因子为被推荐菜品在目标商家的预测销量数值，第二目标推荐因子为待推荐菜品的属性特征数据和目标商家的属性特征数据对上述预测销量数值的影响程度。
本申请实施例提供的资源推荐方法，在获取目标特征数据(包括待推荐资源的目标特征数据和目标主体的目标特征数据)之后，将目标特征数据输入预先训练的约束优化回归模型，获得约束优化回归模型输出的目标指标预测数据；获得约束优化回归模型中目标特征数据对应的目标变量系数；如果目标指标预测数据满足预定推荐条件，则将目标指标预测数据以及目标变量系数作为向目标主体推荐上述待推荐资源的目标推荐因子，其中，在训练上述约束优化回归模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的目标指标参考数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得。该方法可根据目标主体的自身特点对其进行个性化推荐，推荐过程的准确率较高、适用性较强；并且该方法所使用的约束优化回归模型以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，因此，在将目标特征数据输入该约束优化回归模型之后，在获得模型输出的目标指标预测数据的基础上，所获得的目标特征数据对应的目标变量系数的正负符号与目标特征数据对目标指标预测数据的影响趋于一致，该目标变量系数能够准确反映该目标特征数据对目标指标预测数据的影响程度，因此，该目标变量系数具有较强的可解释性，将目标指标预测数据和该目标变量系数作为向目标主体推荐上述待推荐资源的目标推荐因子，可提升资源推荐行为的针对性和准确性。
本申请第二实施例提供一种菜品推荐方法，该方法的应用主体可以为运行于网络应用平台的用于实现菜品推荐的计算设备应用，图2为本申请第二实施例提供的菜品推荐方法流程图，以下结合图2对本实施例提供的方法进行详细描述。以下描述所涉及的实施例是用来解释说明方法原理，不是实际使用的限定。
如图2所示，本实施例提供的菜品推荐方法包括如下步骤：
S201，获取目标特征数据，目标特征数据包括欲向目标商家推荐的备选菜品的特征数据和该目标商家的特征数据。
目标商家的特征数据可以为目标商家的用户分布特征(例如，近30天新增用户数量、潜在用户比例、活跃用户比例、高价值用户比例等)、目标商家的数据流量特征(例如用户转化率、用户复购率等)、目标商家的用户反馈特征(例如，用户针对目标商家所提供给菜品的评价数据、用户对目标商家的服务评价数据)以及目标商家的优惠数据特征(目标商家的优惠策略数据)等特征中的一种或多种。备选菜品的特征数据可以为备选菜品的价格、品类、功效、所属品牌等固有属性特征数据，也可以为备选菜品与目标商家所属品牌下所有菜品的总体相似度、备选菜品与热销菜品的相似度、备选菜品的售价与目标商家内菜品的均价偏离度等属性特征数据。
S202，将目标特征数据输入预先训练的菜品销量预测模型，获得菜品销量预测模型输出的备选菜品在目标商家的销量预测数据。
其中，菜品销量预测模型为约束优化回归模型，优选为边界约束BFGS算法模型，在训练菜品销量预测模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的参考销量数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与参考销量数据之间的相关性而获得，如果参考特征数据与参考销量数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与参考销量数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。
S203，获得菜品销量预测模型中目标特征数据对应的目标变量系数。
例如，以菜品销量预测模型中参考特征数据对应的变量系数、作为与该参考特征数据具有相同特征类别的目标特征数据所对应的目标变量系数。
S204，如果销量预测数据满足预定的菜品推荐条件，则以销量预测数据以及目标变量系数作为向目标商家推荐备选菜品的目标推荐因子。
上述参考特征数据包括备选菜品的菜品参考特征数据、以及参考商家的商家参考特征数据，其中，菜品参考特征数据与备选菜品的特征数据具有相同特征类别，参考商家的商家参考特征数据与目标商家的特征数据具有相同特征类别，参考商家与目标商家相关联，例如，参考商家对应的商家属性信息与目标商家对应的商家属性信息之间的相似度大于预定的相似度阈值。
上述获取目标特征数据，可以是指：将菜品参考特征数据作为备选菜品的特征数据，也可以是指按照与目标商家相适配的特征构建方式对菜品指标进行特征构建，获得备选菜品的特征数据。菜品参考特征数据可以为按照与参考商家相适配的特征构建方式对备选菜品的菜品指标进行特征构建后所获得的特征数据；
在本实施例中，以销量预测数据以及目标变量系数作为向目标商家推荐备选菜品的目标推荐因子，可以是指：将销量预测数据作为向目标商家推荐备选菜品的第一目标推荐因子，将目标特征数据对应的目标变量系数作为向目标商家推荐备选菜品的第二目标推荐因子。
本实施例提供的菜品推荐方法可根据目标商家的自身特点对其进行个性化推荐，推荐过程的准确率较高、适用性较强；并且该方法所使用的菜品销量预测模型为约束优化回归模型，该约束优化回归模型以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，因此，在将目标特征数据输入该菜品销量预测模型之后，在获得模型输出的备选菜品在目标商家的销量预测数据的基础上，所获得的目标特征数据对应的目标变量系数的正负符号与目标特征数据对备选菜品在目标商家的销量预测数据的影响趋于一致，该目标变量系数能够准确反映该目标特征数据对备选菜品在目标商家的销量预测数据的影响程度，因此，该目标变量系数具有较强的可解释性，将备选菜品在目标商家的销量预测数据和该目标变量系数作为向目标商家推荐备选菜品的目标推荐因子，可提升菜品推荐行为的针对性和准确性。
本申请第三实施例提供一种数据预测方法，该方法的应用主体可以为用于实现数据预测的计算设备应用，图3为本申请第三实施例提供的数据预测方法的流程图，以下结合图3对本实施例提供的方法进行详细描述。以下描述所涉及的实施例是用来解释说明方法原理，不是实际使用的限定。
如图3所示，本实施例提供的数据预测方法包括如下步骤：
S301，获取目标特征数据。
S302，将目标特征数据输入预先训练的约束优化回归模型，获得该约束优化回归模型输出的目标指标预测数据。
上述约束优化回归模型优选为边界约束BFGS算法模型，在训练该约束优化回归模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的目标指标参考数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，目标指标参考数据与目标指标预测数据对应相同的指标类别，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，如果参考特征数据与目标指标参考数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与目标指标参考数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。目标特征数据所对应的变量系数用于表示目标特征数据对目标指标预测数据的影响程度。
本实施例提供的数据预测方法，其所依赖的约束优化回归模型在模型训练过程中以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，因此，将目标特征数据输入该约束优化回归模型之后，在获得模型输出的目标指标预测数据的基础上，由于该模型的回归方程中的目标特征数据对应的变量系数的正负符号与目标特征数据对目标指标预测数据的影响趋于一致，因此，可基于该变量系数对如下内容进行准确解释：目标特征数据对目标指标预测数据的影响程度。
本申请第四实施例提供一种模型训练方法，该方法的应用主体可以为用于进行模型训练的计算设备应用，图4为本申请第四实施例提供的模型训练方法的流程图，以下结合图4对本实施例提供的方法进行详细描述。以下描述所涉及的实施例是用来解释说明方法原理，不是实际使用的限定。
如图4所示，本实施例提供的模型训练方法包括如下步骤：
S401，获取参考特征数据样本，以及获取与参考特征数据样本相适配的目标指标参考数据样本。
参考特征数据样本包括目标资源的特征数据样本和参考主体的特征数据样本，目标指标参考数据样本为目标资源对应于参考主体的历史指标数据。例如，目标资源可以为目标菜品，参考主体可以为参考商家，参考特征数据样本为目标菜品的品类、功效、所属品牌、目标菜品与参考商家所属品牌下所有菜品的总体相似度、目标菜品与热销菜品的相似度、目标菜品的售价与参考商家内菜品的均价偏离度、参考商家的服务类别数据、参考商家的用户分布数据(例如，近30天新增用户数量、潜在用户比例、活跃用户比例、高价值用户比例等)、参考商家的用户转化率、参考商家的用户复购率、参考商家的店内菜品平均单价、用户评价数据、优惠策略数据等特征数据，与参考特征数据样本相适配的目标指标参考数据样本可以为待推荐菜品在参考商家的真实历史销量数值。
S402，计算参考特征数据样本与目标指标参考数据样本之间的相关性。
在上述步骤获取到参考特征数据样本以及目标指标参考数据样本之后，本步骤用于计算参考特征数据样本与目标指标参考数据样本之间的相关性，例如，计算每个参考特征数据与目标指标参考数据之间的相关系数，相关系数可用以反映每个参考特征数据分别与目标指标参考数据之间的相关程度，其按积差方法计算获得，以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度，相关系数＞0，表明两个变量正相关，相关系数＜0，表明两个变量负相关。
S403，基于参考特征数据样本与目标指标参考数据样本之间的相关性，确定参考特征数据样本对应的变量系数的预设取值范围。
在本实施例中，如果参考特征数据样本与目标指标参考数据样本正相关，则确定参考特征数据样本对应的变量系数的预设取值范围为零到正无穷大，如果参考特征数据样本与目标指标参考数据样本负相关，则确定参考特征数据样本对应的变量系数的预设取值范围为负无穷大到零。
S404，以上述变量系数的预设取值范围作为模型约束条件，根据变量系数的预设取值范围、参考特征数据样本、以及目标指标参考数据样本进行模型训练，获得约束优化回归模型，该约束优化回归模型可以为边界约束BFGS算法模型，其用于根据输入的目标特征数据、输出目标指标预测数据，在该约束优化回归模型对应的回归方程中，目标特征数据对应的变量系数用于表示目标特征数据对目标指标预测数据的影响程度。
在本实施例中，上述目标特征数据包括目标资源的目标特征数据和目标主体的目标特征数据，目标指标预测数据为目标资源对应于目标主体的预测指标数据；目标资源的特征数据样本与目标资源的目标特征数据具有相同特征类别，参考主体的特征数据样本与目标主体的目标特征数据具有相同特征类别，参考主体与目标主体相关联，历史指标数据与预测指标数据对应相同的指标类别。
本实施例提供的模型训练方法，在模型训练过程中以变量系数的预设取值范围作为模型约束条件，该变量系数的预设取值范围基于参考特征数据样本与目标指标参考数据样本之间的相关性而确定获得，即，如果参考特征数据样本与目标指标参考数据样本正相关，则确定参考特征数据样本对应的变量系数的预设取值范围为零到正无穷大，如果参考特征数据样本与目标指标参考数据样本负相关，则确定参考特征数据样本对应的变量系数的预设取值范围为负无穷大到零，因此，在该约束优化回归模型被训练完成之后，其对应的回归方程中的自变量的变量系数的正负符号能够准确反映该自变量对模型预测结果(应变量)的影响程度，使得该变量系数具有较强的可解释性。
上述第一实施例提供了一种资源推荐方法，与之相对应的，本申请第五实施例还提供了一种资源推荐装置，由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可，下述对装置实施例的描述仅仅是示意性的。
请参考图5理解该实施例，图5为本实施例提供的装置的单元框图，如图5所示，本实施例提供的装置包括：数据获取单元501，用于获取目标特征数据，目标特征数据包括待推荐资源的目标特征数据和目标主体的目标特征数据；指标预测数据获得单元502，用于将目标特征数据输入预先训练的约束优化回归模型，获得约束优化回归模型输出的目标指标预测数据；其中，在训练约束优化回归模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的目标指标参考数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得；目标变量系数获得单元503，用于获得约束优化回归模型中目标特征数据对应的目标变量系数；目标推荐因子获得单元504，用于在确定目标指标预测数据满足预定推荐条件之后，将目标指标预测数据以及目标变量系数作为向目标主体推荐待推荐资源的目标推荐因子。
变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，包括：如果参考特征数据与目标指标参考数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与目标指标参考数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。
获得约束优化回归模型中目标特征数据对应的变量系数，包括：将约束优化回归模型中参考特征数据对应的变量系数、确定为与该参考特征数据具有相同特征类别的目标特征数据所对应的目标变量系数。
约束优化回归模型包括：边界约束BFGS算法模型。
参考特征数据包括：待推荐资源的参考资源特征数据、以及参考主体的参考主体特征数据，其中，参考资源特征数据与待推荐资源的目标特征数据具有相同特征类别，参考主体的参考主体特征数据与目标主体的目标特征数据具有相同特征类别，且参考主体与目标主体相关联。参考主体与目标主体相关联，包括：参考主体与目标主体之间的相似度大于预定的相似度阈值。获取目标特征数据，包括：将参考资源特征数据作为待推荐资源的目标特征数据。
参考资源特征数据为按照与参考主体相适配的特征构建方式对待推荐资源的资源指标进行特征构建后所获得的特征数据；对应的，获取目标特征数据，包括：按照与目标主体相适配的特征构建方式对资源指标进行特征构建，获得待推荐资源的目标特征数据。
将目标指标预测数据以及目标变量系数作为向目标主体推荐待推荐资源的目标推荐因子，包括：将目标指标预测数据作为向目标主体推荐待推荐资源的第一目标推荐因子，将目标特征数据对应的目标变量系数作为向目标主体推荐待推荐资源的第二目标推荐因子。
通过使用本实施例提供的装置，可根据目标主体的自身特点对其进行个性化推荐，推荐过程的准确率较高、适用性较强；上述约束优化回归模型以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，因此，在将目标特征数据输入该约束优化回归模型之后，在获得模型输出的目标指标预测数据的基础上，所获得的目标特征数据对应的目标变量系数的正负符号与目标特征数据对目标指标预测数据的影响趋于一致，该目标变量系数能够准确反映该目标特征数据对目标指标预测数据的影响程度，因此，该目标变量系数具有较强的可解释性，将目标指标预测数据和该目标变量系数作为向目标主体推荐上述待推荐资源的目标推荐因子，可提升资源推荐行为的针对性和准确性。
在上述的实施例中，提供了一种资源推荐方法以及一种资源推荐装置，此外，本申请第六实施例还提供一种电子设备，由于电子设备实施例基本相似于方法实施例，所以描述得比较简单，相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可，下述对电子设备实施例的描述仅仅是示意性的。该电子设备实施例如下：请参考图6理解本实施例，图6为本实施例提供的电子设备的示意图。如图6所示，本实施例提供的电子设备包括：处理器601和存储器602；存储器602用于存储资源推荐的计算机指令，该计算机指令在被处理器601读取执行时，执行如下操作：获取目标特征数据，目标特征数据包括待推荐资源的目标特征数据和目标主体的目标特征数据；将目标特征数据输入预先训练的约束优化回归模型，获得约束优化回归模型输出的目标指标预测数据；获得约束优化回归模型中目标特征数据对应的目标变量系数；如果目标指标预测数据满足预定推荐条件，则将目标指标预测数据以及目标变量系数作为向目标主体推荐待推荐资源的目标推荐因子。其中，在训练约束优化回归模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的目标指标参考数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得。
上述变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，包括：如果参考特征数据与目标指标参考数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与目标指标参考数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。
获得约束优化回归模型中目标特征数据对应的变量系数，包括：将约束优化回归模型中参考特征数据对应的变量系数、确定为与该参考特征数据具有相同特征类别的目标特征数据所对应的目标变量系数。约束优化回归模型包括：边界约束BFGS算法模型。
参考特征数据包括：待推荐资源的参考资源特征数据、以及参考主体的参考主体特征数据，其中，参考资源特征数据与待推荐资源的目标特征数据具有相同特征类别，参考主体的参考主体特征数据与目标主体的目标特征数据具有相同特征类别，且参考主体与目标主体相关联。参考主体与目标主体相关联，包括：参考主体与目标主体之间的相似度大于预定的相似度阈值。获取目标特征数据，包括：将参考资源特征数据作为待推荐资源的目标特征数据。
参考资源特征数据为按照与参考主体相适配的特征构建方式对待推荐资源的资源指标进行特征构建后所获得的特征数据；对应的，获取目标特征数据，包括：按照与目标主体相适配的特征构建方式对资源指标进行特征构建，获得待推荐资源的目标特征数据。
将目标指标预测数据以及目标变量系数作为向目标主体推荐待推荐资源的目标推荐因子，包括：将目标指标预测数据作为向目标主体推荐待推荐资源的第一目标推荐因子，将目标特征数据对应的目标变量系数作为向目标主体推荐待推荐资源的第二目标推荐因子。
本实施例提供的电子设备，可根据目标主体的自身特点对其进行个性化推荐，推荐过程的准确率较高、适用性较强；上述约束优化回归模型以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，因此，在将目标特征数据输入该约束优化回归模型之后，在获得模型输出的目标指标预测数据的基础上，所获得的目标特征数据对应的目标变量系数的正负符号与目标特征数据对目标指标预测数据的影响趋于一致，该目标变量系数能够准确反映该目标特征数据对目标指标预测数据的影响程度，因此，该目标变量系数具有较强的可解释性，将目标指标预测数据和该目标变量系数作为向目标主体推荐上述待推荐资源的目标推荐因子，可提升资源推荐行为的针对性和准确性。
在上述的实施例中，提供了一种资源推荐方法、一种资源推荐装置以及一种电子设备，此外，本申请第七实施例还提供了一种用于实现资源推荐方法的计算机可读存储介质。本申请提供的计算机可读存储介质实施例描述得比较简单，相关部分请参见上述方法实施例的对应说明即可，下述描述的实施例仅仅是示意性的。本实施例提供的计算机可读存储介质上存储有计算机指令，该指令被处理器执行时实现以下步骤：获取目标特征数据，目标特征数据包括待推荐资源的目标特征数据和目标主体的目标特征数据；将目标特征数据输入预先训练的约束优化回归模型，获得约束优化回归模型输出的目标指标预测数据；获得约束优化回归模型中目标特征数据对应的目标变量系数；如果目标指标预测数据满足预定推荐条件，则将目标指标预测数据以及目标变量系数作为向目标主体推荐待推荐资源的目标推荐因子。其中，在训练约束优化回归模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的目标指标参考数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得。上述变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，包括：如果参考特征数据与目标指标参考数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与目标指标参考数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。
获得约束优化回归模型中目标特征数据对应的变量系数，包括：将约束优化回归模型中参考特征数据对应的变量系数、确定为与该参考特征数据具有相同特征类别的目标特征数据所对应的目标变量系数。约束优化回归模型包括：边界约束BFGS算法模型。
参考特征数据包括：待推荐资源的参考资源特征数据、以及参考主体的参考主体特征数据，其中，参考资源特征数据与待推荐资源的目标特征数据具有相同特征类别，参考主体的参考主体特征数据与目标主体的目标特征数据具有相同特征类别，且参考主体与目标主体相关联。参考主体与目标主体相关联，包括：参考主体与目标主体之间的相似度大于预定的相似度阈值。获取目标特征数据，包括：将参考资源特征数据作为待推荐资源的目标特征数据。
参考资源特征数据为按照与参考主体相适配的特征构建方式对待推荐资源的资源指标进行特征构建后所获得的特征数据；对应的，获取目标特征数据，包括：按照与目标主体相适配的特征构建方式对资源指标进行特征构建，获得待推荐资源的目标特征数据。
将目标指标预测数据以及目标变量系数作为向目标主体推荐待推荐资源的目标推荐因子，包括：将目标指标预测数据作为向目标主体推荐待推荐资源的第一目标推荐因子，将目标特征数据对应的目标变量系数作为向目标主体推荐待推荐资源的第二目标推荐因子。
通过执行本实施例提供的计算机可读存储介质上所存储的计算机指令，可根据目标主体的自身特点对其进行个性化推荐，推荐过程的准确率较高、适用性较强；上述约束优化回归模型以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，因此，在将目标特征数据输入该约束优化回归模型之后，在获得模型输出的目标指标预测数据的基础上，所获得的目标特征数据对应的目标变量系数的正负符号与目标特征数据对目标指标预测数据的影响趋于一致，该目标变量系数能够准确反映该目标特征数据对目标指标预测数据的影响程度，因此，该目标变量系数具有较强的可解释性，将目标指标预测数据和该目标变量系数作为向目标主体推荐上述待推荐资源的目标推荐因子，可提升资源推荐行为的针对性和准确性。
上述第二实施例提供了一种菜品推荐方法，与之相对应的，本申请第八实施例还提供了一种菜品推荐装置，由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可，下述对装置实施例的描述仅仅是示意性的。
请参考图7理解该实施例，图7为本实施例提供的装置的单元框图，如图7所示，本实施例提供的装置包括：目标特征数据获取单元701，用于获取目标特征数据，目标特征数据包括欲向目标商家推荐的备选菜品的特征数据和目标商家的特征数据；销量预测数据获得单元702，用于将目标特征数据输入预先训练的菜品销量预测模型，获得菜品销量预测模型输出的备选菜品在目标商家的销量预测数据；其中，菜品销量预测模型为约束优化回归模型，在训练菜品销量预测模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的参考销量数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与参考销量数据之间的相关性而获得；目标变量系数获得单元703，用于获得菜品销量预测模型中目标特征数据对应的目标变量系数；目标推荐因子获得单元704，用于在确定销量预测数据满足预定的菜品推荐条件之后，以销量预测数据以及目标变量系数作为向目标商家推荐备选菜品的目标推荐因子。
变量系数的预设取值范围基于参考特征数据与参考销量数据之间的相关性而获得，包括：如果参考特征数据与参考销量数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与参考销量数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。
获得菜品销量预测模型中目标特征数据对应的目标变量系数，包括：以菜品销量预测模型中参考特征数据对应的变量系数、作为与该参考特征数据具有相同特征类别的目标特征数据所对应的目标变量系数。菜品销量预测模型包括：边界约束BFGS算法模型。
参考特征数据包括：备选菜品的菜品参考特征数据、以及参考商家的商家参考特征数据，其中，菜品参考特征数据与备选菜品的特征数据具有相同特征类别，参考商家的商家参考特征数据与目标商家的特征数据具有相同特征类别，参考商家与目标商家相关联。参考商家与目标商家相关联，包括：参考商家对应的商家属性信息与目标商家对应的商家属性信息之间的相似度大于预定的相似度阈值。获取目标特征数据，包括：将菜品参考特征数据作为备选菜品的特征数据。菜品参考特征数据为按照与参考商家相适配的特征构建方式对备选菜品的菜品指标进行特征构建后所获得的特征数据；对应的，获取目标特征数据，包括：按照与目标商家相适配的特征构建方式对菜品指标进行特征构建，获得备选菜品的特征数据。
以销量预测数据以及目标变量系数作为向目标商家推荐备选菜品的目标推荐因子，包括：将销量预测数据作为向目标商家推荐备选菜品的第一目标推荐因子，将目标特征数据对应的目标变量系数作为向目标商家推荐备选菜品的第二目标推荐因子。目标商家的特征数据包括如下中的至少一种：目标商家的用户分布特征；目标商家的数据流量特征；目标商家的用户反馈特征；目标商家的优惠数据特征。
本实施例提供的菜品推荐装置可根据目标商家的自身特点对其进行个性化推荐，推荐过程的准确率较高、适用性较强；并且该装置所使用的菜品销量预测模型为约束优化回归模型，该约束优化回归模型以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，因此，在将目标特征数据输入该菜品销量预测模型之后，在获得模型输出的备选菜品在目标商家的销量预测数据的基础上，所获得的目标特征数据对应的目标变量系数的正负符号与目标特征数据对备选菜品在目标商家的销量预测数据的影响趋于一致，该目标变量系数能够准确反映该目标特征数据对备选菜品在目标商家的销量预测数据的影响程度，因此，该目标变量系数具有较强的可解释性，将备选菜品在目标商家的销量预测数据和该目标变量系数作为向目标商家推荐备选菜品的目标推荐因子，可提升菜品推荐行为的针对性和准确性。
在上述的实施例中，提供了一种菜品推荐方法以及一种菜品推荐装置，此外，本申请第九实施例还提供一种电子设备，由于电子设备实施例基本相似于方法实施例，所以描述得比较简单，相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可，下述对电子设备实施例的描述仅仅是示意性的。该电子设备实施例如下：请参考图8理解本实施例，图8为本实施例提供的电子设备的示意图。如图8所示，本实施例提供的电子设备包括：处理器801和存储器802；该存储器802用于存储菜品推荐的计算机指令，该计算机指令在被处理器801读取执行时，执行如下操作：获取目标特征数据，目标特征数据包括欲向目标商家推荐的备选菜品的特征数据和目标商家的特征数据；将目标特征数据输入预先训练的菜品销量预测模型，获得菜品销量预测模型输出的备选菜品在目标商家的销量预测数据；获得菜品销量预测模型中目标特征数据对应的目标变量系数；如果销量预测数据满足预定的菜品推荐条件，则以销量预测数据以及目标变量系数作为向目标商家推荐备选菜品的目标推荐因子。其中，菜品销量预测模型为约束优化回归模型，在训练菜品销量预测模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的参考销量数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与参考销量数据之间的相关性而获得。
变量系数的预设取值范围基于参考特征数据与参考销量数据之间的相关性而获得，包括：如果参考特征数据与参考销量数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与参考销量数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。
获得菜品销量预测模型中目标特征数据对应的目标变量系数，包括：以菜品销量预测模型中参考特征数据对应的变量系数、作为与该参考特征数据具有相同特征类别的目标特征数据所对应的目标变量系数。菜品销量预测模型包括：边界约束BFGS算法模型。参考特征数据包括：备选菜品的菜品参考特征数据、以及参考商家的商家参考特征数据，其中，菜品参考特征数据与备选菜品的特征数据具有相同特征类别，参考商家的商家参考特征数据与目标商家的特征数据具有相同特征类别，参考商家与目标商家相关联。
参考商家与目标商家相关联，包括：参考商家对应的商家属性信息与目标商家对应的商家属性信息之间的相似度大于预定的相似度阈值。获取目标特征数据，包括：将菜品参考特征数据作为备选菜品的特征数据。菜品参考特征数据为按照与参考商家相适配的特征构建方式对备选菜品的菜品指标进行特征构建后所获得的特征数据；对应的，获取目标特征数据，包括：按照与目标商家相适配的特征构建方式对菜品指标进行特征构建，获得备选菜品的特征数据。
以销量预测数据以及目标变量系数作为向目标商家推荐备选菜品的目标推荐因子，包括：将销量预测数据作为向目标商家推荐备选菜品的第一目标推荐因子，将目标特征数据对应的目标变量系数作为向目标商家推荐备选菜品的第二目标推荐因子。
目标商家的特征数据包括如下中的至少一种：目标商家的用户分布特征；目标商家的数据流量特征；目标商家的用户反馈特征；目标商家的优惠数据特征。
使用本实施例提供的电子设备，可根据目标商家的自身特点对其进行个性化推荐，推荐过程的准确率较高、适用性较强；并且该过程所使用的菜品销量预测模型为约束优化回归模型，该约束优化回归模型以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，因此，在将目标特征数据输入该菜品销量预测模型之后，在获得模型输出的备选菜品在目标商家的销量预测数据的基础上，所获得的目标特征数据对应的目标变量系数的正负符号与目标特征数据对备选菜品在目标商家的销量预测数据的影响趋于一致，该目标变量系数能够准确反映该目标特征数据对备选菜品在目标商家的销量预测数据的影响程度，因此，该目标变量系数具有较强的可解释性，将备选菜品在目标商家的销量预测数据和该目标变量系数作为向目标商家推荐备选菜品的目标推荐因子，可提升菜品推荐行为的针对性和准确性。
在上述的实施例中，提供了一种菜品推荐方法、菜品推荐装置以及电子设备，此外，本申请第十实施例还提供了一种用于实现菜品推荐方法的计算机可读存储介质。本申请提供的计算机可读存储介质实施例描述得比较简单，相关部分请参见上述方法实施例的对应说明即可，下述描述的实施例仅仅是示意性的。本实施例提供的计算机可读存储介质上存储有计算机指令，该指令被处理器执行时实现以下步骤：获取目标特征数据，目标特征数据包括欲向目标商家推荐的备选菜品的特征数据和目标商家的特征数据；将目标特征数据输入预先训练的菜品销量预测模型，获得菜品销量预测模型输出的备选菜品在目标商家的销量预测数据；获得菜品销量预测模型中目标特征数据对应的目标变量系数；如果销量预测数据满足预定的菜品推荐条件，则以销量预测数据以及目标变量系数作为向目标商家推荐备选菜品的目标推荐因子。其中，菜品销量预测模型为约束优化回归模型，在训练菜品销量预测模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的参考销量数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与参考销量数据之间的相关性而获得。
变量系数的预设取值范围基于参考特征数据与参考销量数据之间的相关性而获得，包括：如果参考特征数据与参考销量数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与参考销量数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。
获得菜品销量预测模型中目标特征数据对应的目标变量系数，包括：以菜品销量预测模型中参考特征数据对应的变量系数、作为与该参考特征数据具有相同特征类别的目标特征数据所对应的目标变量系数。菜品销量预测模型包括：边界约束BFGS算法模型。
参考特征数据包括：备选菜品的菜品参考特征数据、以及参考商家的商家参考特征数据，其中，菜品参考特征数据与备选菜品的特征数据具有相同特征类别，参考商家的商家参考特征数据与目标商家的特征数据具有相同特征类别，参考商家与目标商家相关联。
参考商家与目标商家相关联，包括：参考商家对应的商家属性信息与目标商家对应的商家属性信息之间的相似度大于预定的相似度阈值。
获取目标特征数据，包括：将菜品参考特征数据作为备选菜品的特征数据。
菜品参考特征数据为按照与参考商家相适配的特征构建方式对备选菜品的菜品指标进行特征构建后所获得的特征数据；对应的，获取目标特征数据，包括：按照与目标商家相适配的特征构建方式对菜品指标进行特征构建，获得备选菜品的特征数据。
以销量预测数据以及目标变量系数作为向目标商家推荐备选菜品的目标推荐因子，包括：将销量预测数据作为向目标商家推荐备选菜品的第一目标推荐因子，将目标特征数据对应的目标变量系数作为向目标商家推荐备选菜品的第二目标推荐因子。
目标商家的特征数据包括如下中的至少一种：目标商家的用户分布特征；目标商家的数据流量特征；目标商家的用户反馈特征；目标商家的优惠数据特征。
通过执行本实施例提供的计算机可读存储介质上所存储的计算机指令，可根据目标商家的自身特点对其进行个性化推荐，推荐过程的准确率较高、适用性较强；并且该过程所使用的菜品销量预测模型为约束优化回归模型，该约束优化回归模型以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，因此，在将目标特征数据输入该菜品销量预测模型之后，在获得模型输出的备选菜品在目标商家的销量预测数据的基础上，所获得的目标特征数据对应的目标变量系数的正负符号与目标特征数据对备选菜品在目标商家的销量预测数据的影响趋于一致，该目标变量系数能够准确反映该目标特征数据对备选菜品在目标商家的销量预测数据的影响程度，因此，该目标变量系数具有较强的可解释性，将备选菜品在目标商家的销量预测数据和该目标变量系数作为向目标商家推荐备选菜品的目标推荐因子，可提升菜品推荐行为的针对性和准确性。
上述第三实施例提供了一种数据预测方法，与之相对应的，本申请第十一实施例还提供了一种数据预测装置，由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可，下述对装置实施例的描述仅仅是示意性的。请参考图9理解该实施例，图9为本实施例提供的装置的单元框图，如图9所示，本实施例提供的装置包括：目标特征数据获取单元901，用于获取目标特征数据；目标指标预测数据获得单元902，用于将目标特征数据输入预先训练的约束优化回归模型，获得约束优化回归模型输出的目标指标预测数据；其中，在训练约束优化回归模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的目标指标参考数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，目标指标参考数据与目标指标预测数据对应相同的指标类别，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得；目标特征数据所对应的变量系数用于表示目标特征数据对目标指标预测数据的影响程度。
变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，包括：如果参考特征数据与目标指标参考数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与目标指标参考数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。约束优化回归模型包括：边界约束BFGS算法模型。
本实施例提供的数据预测装置，其所依赖的约束优化回归模型在模型训练过程中以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，因此，将目标特征数据输入该约束优化回归模型之后，在获得模型输出的目标指标预测数据的基础上，由于该模型的回归方程中的目标特征数据对应的变量系数的正负符号与目标特征数据对目标指标预测数据的影响趋于一致，因此，可基于该变量系数对如下内容进行准确解释：目标特征数据对目标指标预测数据的影响程度。
在上述的实施例中，提供了一种数据预测方法以及一种数据预测装置，此外，本申请第十二实施例还提供一种电子设备，由于电子设备实施例基本相似于方法实施例，所以描述得比较简单，相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可，下述对电子设备实施例的描述仅仅是示意性的。该电子设备实施例如下：请参考图10理解本实施例，图10为本实施例提供的电子设备的示意图。如图10所示，本实施例提供的电子设备包括：处理器1001和存储器1002；该存储器1002用于存储数据预测的计算机指令，该计算机指令在被处理器1001读取执行时，执行如下操作：获取目标特征数据；将目标特征数据输入预先训练的约束优化回归模型，获得约束优化回归模型输出的目标指标预测数据；其中，在训练约束优化回归模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的目标指标参考数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，目标指标参考数据与目标指标预测数据对应相同的指标类别，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得；目标特征数据所对应的变量系数用于表示目标特征数据对目标指标预测数据的影响程度。
变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，包括：如果参考特征数据与目标指标参考数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与目标指标参考数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。约束优化回归模型包括：边界约束BFGS算法模型。
本实施例提供的电子设备，其所依赖的约束优化回归模型在模型训练过程中以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，因此，将目标特征数据输入该约束优化回归模型之后，在获得模型输出的目标指标预测数据的基础上，由于该模型的回归方程中的目标特征数据对应的变量系数的正负符号与目标特征数据对目标指标预测数据的影响趋于一致，因此，可基于该变量系数对如下内容进行准确解释：目标特征数据对目标指标预测数据的影响程度。
在上述的实施例中，提供了一种数据预测方法、一种数据预测装置以及一种电子设备，此外，本申请第十三实施例还提供了一种用于实现数据预测方法的计算机可读存储介质。本申请提供的计算机可读存储介质实施例描述得比较简单，相关部分请参见上述方法实施例的对应说明即可，下述描述的实施例仅仅是示意性的。本实施例提供的计算机可读存储介质上存储有计算机指令，该指令被处理器执行时实现以下步骤：获取目标特征数据；将目标特征数据输入预先训练的约束优化回归模型，获得约束优化回归模型输出的目标指标预测数据；其中，在训练约束优化回归模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的目标指标参考数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，目标指标参考数据与目标指标预测数据对应相同的指标类别，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得；目标特征数据所对应的变量系数用于表示目标特征数据对目标指标预测数据的影响程度。
变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，包括：如果参考特征数据与目标指标参考数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与目标指标参考数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。约束优化回归模型包括：边界约束BFGS算法模型。
本实施例提供的计算机可读存储介质上所存储的计算机指令被执行后，数据预测过程所依赖的约束优化回归模型在模型训练过程中以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，因此，将目标特征数据输入该约束优化回归模型之后，在获得模型输出的目标指标预测数据的基础上，由于该模型的回归方程中的目标特征数据对应的变量系数的正负符号与目标特征数据对目标指标预测数据的影响趋于一致，因此，可基于该变量系数对如下内容进行准确解释：目标特征数据对目标指标预测数据的影响程度。
上述第四实施例提供了一种模型训练方法，与之相对应的，本申请第十四实施例还提供了一种模型训练装置，由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可，下述对装置实施例的描述仅仅是示意性的。
请参考图11理解该实施例，图11为本实施例提供的装置的单元框图，如图11所示，本实施例提供的装置包括：数据样本获取单元1101，用于获取参考特征数据样本，以及获取与参考特征数据样本相适配的目标指标参考数据样本；相关性计算单元1102，用于计算参考特征数据样本与目标指标参考数据样本之间的相关性；预设取值范围确定单元1103，用于基于参考特征数据样本与目标指标参考数据样本之间的相关性，确定参考特征数据样本对应的变量系数的预设取值范围；模型训练单元1104，用于以变量系数的预设取值范围作为模型约束条件，根据变量系数的预设取值范围、参考特征数据样本、以及目标指标参考数据样本进行模型训练，获得约束优化回归模型；约束优化回归模型用于根据输入的目标特征数据、输出目标指标预测数据，在约束优化回归模型中，目标特征数据对应的变量系数用于表示目标特征数据对目标指标预测数据的影响程度。
基于参考特征数据样本与目标指标参考数据样本之间的相关性，确定参考特征数据样本对应的变量系数的预设取值范围，包括：如果参考特征数据样本与目标指标参考数据样本正相关，则确定参考特征数据样本对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据样本与目标指标参考数据样本负相关，则确定参考特征数据样本对应的变量系数的预设取值范围为负无穷大到零。约束优化回归模型包括：边界约束BFGS算法模型。
参考特征数据样本包括目标资源的特征数据样本和参考主体的特征数据样本，目标指标参考数据样本为目标资源对应于参考主体的历史指标数据；目标特征数据包括目标资源的目标特征数据和目标主体的目标特征数据，目标指标预测数据为目标资源对应于目标主体的预测指标数据；目标资源的特征数据样本与目标资源的目标特征数据具有相同特征类别，参考主体的特征数据样本与目标主体的目标特征数据具有相同特征类别，参考主体与目标主体相关联，历史指标数据与预测指标数据对应相同的指标类别。
本实施例提供的模型训练装置，在模型训练过程中以变量系数的预设取值范围作为模型约束条件，该变量系数的预设取值范围基于参考特征数据样本与目标指标参考数据样本之间的相关性而确定获得，即，如果参考特征数据样本与目标指标参考数据样本正相关，则确定参考特征数据样本对应的变量系数的预设取值范围为零到正无穷大，如果参考特征数据样本与目标指标参考数据样本负相关，则确定参考特征数据样本对应的变量系数的预设取值范围为负无穷大到零，因此，在该约束优化回归模型被训练完成之后，其对应的回归方程中的自变量的变量系数的正负符号能够准确反映该自变量对模型预测结果(应变量)的影响程度，使得该变量系数具有较强的可解释性。
在上述的实施例中，提供了一种模型训练方法以及一种模型训练装置，此外，本申请第十五实施例还提供一种电子设备，由于电子设备实施例基本相似于方法实施例，所以描述得比较简单，相关的技术特征的细节部分请参见上述提供的方法实施例的对应说明即可，下述对电子设备实施例的描述仅仅是示意性的。该电子设备实施例如下：请参考图12理解本实施例，图12为本实施例提供的电子设备的示意图。如图12所示，本实施例提供的电子设备包括：处理器1201和存储器1202；该存储器1202用于存储模型训练的计算机指令，该计算机指令在被处理器1201读取执行时，执行如下操作：获取参考特征数据样本，以及获取与参考特征数据样本相适配的目标指标参考数据样本；计算参考特征数据样本与目标指标参考数据样本之间的相关性；基于参考特征数据样本与目标指标参考数据样本之间的相关性，确定参考特征数据样本对应的变量系数的预设取值范围；以变量系数的预设取值范围作为模型约束条件，根据变量系数的预设取值范围、参考特征数据样本、以及目标指标参考数据样本进行模型训练，获得约束优化回归模型；约束优化回归模型用于根据输入的目标特征数据、输出目标指标预测数据，在约束优化回归模型中，目标特征数据对应的变量系数用于表示目标特征数据对目标指标预测数据的影响程度。
基于参考特征数据样本与目标指标参考数据样本之间的相关性，确定参考特征数据样本对应的变量系数的预设取值范围，包括：如果参考特征数据样本与目标指标参考数据样本正相关，则确定参考特征数据样本对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据样本与目标指标参考数据样本负相关，则确定参考特征数据样本对应的变量系数的预设取值范围为负无穷大到零。约束优化回归模型包括：边界约束BFGS算法模型。
参考特征数据样本包括目标资源的特征数据样本和参考主体的特征数据样本，目标指标参考数据样本为目标资源对应于参考主体的历史指标数据；目标特征数据包括目标资源的目标特征数据和目标主体的目标特征数据，目标指标预测数据为目标资源对应于目标主体的预测指标数据；目标资源的特征数据样本与目标资源的目标特征数据具有相同特征类别，参考主体的特征数据样本与目标主体的目标特征数据具有相同特征类别，参考主体与目标主体相关联，历史指标数据与预测指标数据对应相同的指标类别。
本实施例提供的电子设备，在模型训练过程中以变量系数的预设取值范围作为模型约束条件，该变量系数的预设取值范围基于参考特征数据样本与目标指标参考数据样本之间的相关性而确定获得，即，如果参考特征数据样本与目标指标参考数据样本正相关，则确定参考特征数据样本对应的变量系数的预设取值范围为零到正无穷大，如果参考特征数据样本与目标指标参考数据样本负相关，则确定参考特征数据样本对应的变量系数的预设取值范围为负无穷大到零，因此，在该约束优化回归模型被训练完成之后，其对应的回归方程中的自变量的变量系数的正负符号能够准确反映该自变量对模型预测结果(应变量)的影响程度，使得该变量系数具有较强的可解释性。
在上述的实施例中，提供了一种模型训练方法、一种模型训练装置以及一种电子设备，此外，本申请第十六实施例还提供了一种用于实现模型训练方法的计算机可读存储介质。本申请提供的计算机可读存储介质实施例描述得比较简单，相关部分请参见上述方法实施例的对应说明即可，下述描述的实施例仅仅是示意性的。本实施例提供的计算机可读存储介质上存储有计算机指令，该指令被处理器执行时实现以下步骤：获取参考特征数据样本，以及获取与参考特征数据样本相适配的目标指标参考数据样本；计算参考特征数据样本与目标指标参考数据样本之间的相关性；基于参考特征数据样本与目标指标参考数据样本之间的相关性，确定参考特征数据样本对应的变量系数的预设取值范围；以变量系数的预设取值范围作为模型约束条件，根据变量系数的预设取值范围、参考特征数据样本、以及目标指标参考数据样本进行模型训练，获得约束优化回归模型；约束优化回归模型用于根据输入的目标特征数据、输出目标指标预测数据，在约束优化回归模型中，目标特征数据对应的变量系数用于表示目标特征数据对目标指标预测数据的影响程度。
基于参考特征数据样本与目标指标参考数据样本之间的相关性，确定参考特征数据样本对应的变量系数的预设取值范围，包括：如果参考特征数据样本与目标指标参考数据样本正相关，则确定参考特征数据样本对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据样本与目标指标参考数据样本负相关，则确定参考特征数据样本对应的变量系数的预设取值范围为负无穷大到零。约束优化回归模型包括：边界约束BFGS算法模型。
参考特征数据样本包括目标资源的特征数据样本和参考主体的特征数据样本，目标指标参考数据样本为目标资源对应于参考主体的历史指标数据；目标特征数据包括目标资源的目标特征数据和目标主体的目标特征数据，目标指标预测数据为目标资源对应于目标主体的预测指标数据；目标资源的特征数据样本与目标资源的目标特征数据具有相同特征类别，参考主体的特征数据样本与目标主体的目标特征数据具有相同特征类别，参考主体与目标主体相关联，历史指标数据与预测指标数据对应相同的指标类别。
通过执行本实施例提供的计算机可读存储介质上所存储的计算机指令，以变量系数的预设取值范围作为模型约束条件，该变量系数的预设取值范围基于参考特征数据样本与目标指标参考数据样本之间的相关性而确定获得，即，如果参考特征数据样本与目标指标参考数据样本正相关，则确定参考特征数据样本对应的变量系数的预设取值范围为零到正无穷大，如果参考特征数据样本与目标指标参考数据样本负相关，则确定参考特征数据样本对应的变量系数的预设取值范围为负无穷大到零，因此，在该约束优化回归模型被训练完成之后，其对应的回归方程中的自变量的变量系数的正负符号能够准确反映该自变量对模型预测结果(应变量)的影响程度，使得该变量系数具有较强的可解释性。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
2、本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。

Claims (22)

1.一种菜品推荐方法，其特征在于，包括：
获取目标特征数据，所述目标特征数据包括欲向目标商家推荐的备选菜品的特征数据和所述目标商家的特征数据；
将所述目标特征数据输入预先训练的菜品销量预测模型，获得所述菜品销量预测模型输出的所述备选菜品在所述目标商家的销量预测数据；其中，所述菜品销量预测模型为约束优化回归模型，在训练所述菜品销量预测模型时，以对应于所述目标特征数据的参考特征数据、以及与所述参考特征数据相适配的参考销量数据作为训练样本，并以所述参考特征数据对应的变量系数的预设取值范围作为模型约束条件，所述变量系数的预设取值范围基于所述参考特征数据与所述参考销量数据之间的相关性而获得；
获得所述菜品销量预测模型中所述目标特征数据对应的目标变量系数；
如果所述销量预测数据满足预定的菜品推荐条件，则以所述销量预测数据以及所述目标变量系数作为向所述目标商家推荐所述备选菜品的目标推荐因子。
2.根据权利要求1所述的方法，其特征在于，所述变量系数的预设取值范围基于所述参考特征数据与所述参考销量数据之间的相关性而获得，包括：
如果所述参考特征数据与所述参考销量数据正相关，则所述参考特征数据对应的变量系数的预设取值范围为零到正无穷大；
如果所述参考特征数据与所述参考销量数据负相关，则所述参考特征数据对应的变量系数的预设取值范围为负无穷大到零。
3.根据权利要求1所述的方法，其特征在于，所述获得所述菜品销量预测模型中所述目标特征数据对应的目标变量系数，包括：
以所述菜品销量预测模型中所述参考特征数据对应的变量系数、作为与该参考特征数据具有相同特征类别的目标特征数据所对应的目标变量系数。
4.根据权利要求1所述的方法，其特征在于，所述菜品销量预测模型包括：边界约束BFGS算法模型。
5.根据权利要求1所述的方法，其特征在于，所述参考特征数据包括：所述备选菜品的菜品参考特征数据、以及参考商家的商家参考特征数据，其中，所述菜品参考特征数据与所述备选菜品的特征数据具有相同特征类别，所述参考商家的商家参考特征数据与所述目标商家的特征数据具有相同特征类别，所述参考商家与所述目标商家相关联。
6.根据权利要求5所述的方法，其特征在于，所述参考商家与所述目标商家相关联，包括：所述参考商家对应的商家属性信息与所述目标商家对应的商家属性信息之间的相似度大于预定的相似度阈值。
7.根据权利要求5所述的方法，其特征在于，所述获取目标特征数据，包括：将所述菜品参考特征数据作为所述备选菜品的特征数据。
8.根据权利要求5所述的方法，其特征在于，所述菜品参考特征数据为按照与所述参考商家相适配的特征构建方式对所述备选菜品的菜品指标进行特征构建后所获得的特征数据；
对应的，所述获取目标特征数据，包括：按照与所述目标商家相适配的特征构建方式对所述菜品指标进行特征构建，获得所述备选菜品的特征数据。
9.根据权利要求1所述的方法，其特征在于，所述以所述销量预测数据以及所述目标变量系数作为向所述目标商家推荐所述备选菜品的目标推荐因子，包括：
将所述销量预测数据作为向所述目标商家推荐所述备选菜品的第一目标推荐因子，将所述目标特征数据对应的目标变量系数作为向所述目标商家推荐所述备选菜品的第二目标推荐因子。
10.根据权利要求1所述的方法，其特征在于，所述目标商家的特征数据包括如下中的至少一种：
目标商家的用户分布特征；
目标商家的数据流量特征；
目标商家的用户反馈特征；
目标商家的优惠数据特征。
11.一种菜品推荐装置，其特征在于，包括：
目标特征数据获取单元，用于获取目标特征数据，所述目标特征数据包括欲向目标商家推荐的备选菜品的特征数据和所述目标商家的特征数据；
销量预测数据获得单元，用于将所述目标特征数据输入预先训练的菜品销量预测模型，获得所述菜品销量预测模型输出的所述备选菜品在所述目标商家的销量预测数据；其中，所述菜品销量预测模型为约束优化回归模型，在训练所述菜品销量预测模型时，以对应于所述目标特征数据的参考特征数据、以及与所述参考特征数据相适配的参考销量数据作为训练样本，并以所述参考特征数据对应的变量系数的预设取值范围作为模型约束条件，所述变量系数的预设取值范围基于所述参考特征数据与所述参考销量数据之间的相关性而获得；
目标变量系数获得单元，用于获得所述菜品销量预测模型中所述目标特征数据对应的目标变量系数；
目标推荐因子获得单元，用于在确定所述销量预测数据满足预定的菜品推荐条件之后，以所述销量预测数据以及所述目标变量系数作为向所述目标商家推荐所述备选菜品的目标推荐因子。
12.根据权利要求11所述的装置，其特征在于，所述变量系数的预设取值范围基于所述参考特征数据与所述参考销量数据之间的相关性而获得，包括：
如果所述参考特征数据与所述参考销量数据正相关，则所述参考特征数据对应的变量系数的预设取值范围为零到正无穷大；
如果所述参考特征数据与所述参考销量数据负相关，则所述参考特征数据对应的变量系数的预设取值范围为负无穷大到零。
13.根据权利要求11所述的装置，其特征在于，所述获得所述菜品销量预测模型中所述目标特征数据对应的目标变量系数，包括：
以所述菜品销量预测模型中所述参考特征数据对应的变量系数、作为与该参考特征数据具有相同特征类别的目标特征数据所对应的目标变量系数。
14.根据权利要求11所述的装置，其特征在于，所述菜品销量预测模型包括：边界约束BFGS算法模型。
15.根据权利要求11所述的装置，其特征在于，所述参考特征数据包括：所述备选菜品的菜品参考特征数据、以及参考商家的商家参考特征数据，其中，所述菜品参考特征数据与所述备选菜品的特征数据具有相同特征类别，所述参考商家的商家参考特征数据与所述目标商家的特征数据具有相同特征类别，所述参考商家与所述目标商家相关联。
16.根据权利要求15所述的装置，其特征在于，所述参考商家与所述目标商家相关联，包括：所述参考商家对应的商家属性信息与所述目标商家对应的商家属性信息之间的相似度大于预定的相似度阈值。
17.根据权利要求15所述的装置，其特征在于，所述获取目标特征数据，包括：将所述菜品参考特征数据作为所述备选菜品的特征数据。
18.根据权利要求15所述的装置，其特征在于，所述菜品参考特征数据为按照与所述参考商家相适配的特征构建方式对所述备选菜品的菜品指标进行特征构建后所获得的特征数据；
对应的，所述获取目标特征数据，包括：按照与所述目标商家相适配的特征构建方式对所述菜品指标进行特征构建，获得所述备选菜品的特征数据。
19.根据权利要求11所述的装置，其特征在于，所述以所述销量预测数据以及所述目标变量系数作为向所述目标商家推荐所述备选菜品的目标推荐因子，包括：
将所述销量预测数据作为向所述目标商家推荐所述备选菜品的第一目标推荐因子，将所述目标特征数据对应的目标变量系数作为向所述目标商家推荐所述备选菜品的第二目标推荐因子。
20.根据权利要求11所述的装置，其特征在于，所述目标商家的特征数据包括如下中的至少一种：
目标商家的用户分布特征；
目标商家的数据流量特征；
目标商家的用户反馈特征；
目标商家的优惠数据特征。
21.一种电子设备，其特征在于，包括处理器和存储器；其中，
所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1-10所述的方法。
22.一种计算机可读存储介质，其上存储有一条或多条计算机指令，其特征在于，该指令被处理器执行以实现如权利要求1-10所述的方法。
CN202010415300.1A 2020-05-15 2020-05-15 一种资源推荐方法以及装置 Active CN111652674B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010415300.1A CN111652674B (zh) 2020-05-15 2020-05-15 一种资源推荐方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010415300.1A CN111652674B (zh) 2020-05-15 2020-05-15 一种资源推荐方法以及装置

Publications (2)

Publication Number Publication Date
CN111652674A CN111652674A (zh) 2020-09-11
CN111652674B true CN111652674B (zh) 2023-09-19

Family

ID=72348083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010415300.1A Active CN111652674B (zh) 2020-05-15 2020-05-15 一种资源推荐方法以及装置

Country Status (1)

Country Link
CN (1) CN111652674B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828438B (zh) * 2023-02-20 2023-05-05 中汽研汽车检验中心（天津）有限公司 汽车极限性能预测方法、介质、设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101751051A (zh) * 2008-12-05 2010-06-23 中国科学院沈阳自动化研究所 基于约束史密斯广义预测控制的水泥分解炉温度控制方法
CN105184618A (zh) * 2015-10-20 2015-12-23 广州唯品会信息科技有限公司 新用户的商品个性化推荐方法及系统
CN105550901A (zh) * 2015-12-21 2016-05-04 上海交通大学 基于少量用户评价的物品流行度与喜好度联合预测系统
CN106650037A (zh) * 2016-11-30 2017-05-10 国网江苏省电力公司盐城供电公司 一种基于支持向量机回归的避雷器状态诊断方法
CN107578332A (zh) * 2017-09-22 2018-01-12 深圳乐信软件技术有限公司 一种推荐现金商品的方法、装置、设备及存储介质
CN107731304A (zh) * 2017-09-30 2018-02-23 北京好啦科技有限公司 一种身高预测方法及系统
CN109102127A (zh) * 2018-08-31 2018-12-28 杭州贝购科技有限公司 商品推荐方法及装置
CN110458616A (zh) * 2019-08-02 2019-11-15 深圳索信达数据技术有限公司 一种基于GAMxNN模型的理财产品推荐方法
CN111061149A (zh) * 2019-07-01 2020-04-24 浙江逸智信息科技有限公司 基于深度学习预测控制优化的循环流化床节煤降耗的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7953676B2 (en) * 2007-08-20 2011-05-31 Yahoo! Inc. Predictive discrete latent factor models for large scale dyadic data

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101751051A (zh) * 2008-12-05 2010-06-23 中国科学院沈阳自动化研究所 基于约束史密斯广义预测控制的水泥分解炉温度控制方法
CN105184618A (zh) * 2015-10-20 2015-12-23 广州唯品会信息科技有限公司 新用户的商品个性化推荐方法及系统
CN105550901A (zh) * 2015-12-21 2016-05-04 上海交通大学 基于少量用户评价的物品流行度与喜好度联合预测系统
CN106650037A (zh) * 2016-11-30 2017-05-10 国网江苏省电力公司盐城供电公司 一种基于支持向量机回归的避雷器状态诊断方法
CN107578332A (zh) * 2017-09-22 2018-01-12 深圳乐信软件技术有限公司 一种推荐现金商品的方法、装置、设备及存储介质
CN107731304A (zh) * 2017-09-30 2018-02-23 北京好啦科技有限公司 一种身高预测方法及系统
CN109102127A (zh) * 2018-08-31 2018-12-28 杭州贝购科技有限公司 商品推荐方法及装置
CN111061149A (zh) * 2019-07-01 2020-04-24 浙江逸智信息科技有限公司 基于深度学习预测控制优化的循环流化床节煤降耗的方法
CN110458616A (zh) * 2019-08-02 2019-11-15 深圳索信达数据技术有限公司 一种基于GAMxNN模型的理财产品推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杜渐.模糊多元回归模型在运输弹性系数预测中的应用.《武汉理工大学学报》.2009,第第33卷卷(第第4期期),第333-336页. *

Also Published As

Publication number Publication date
CN111652674A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
US9563705B2 (en) Re-ranking results in a search
CN109829116B (zh) 一种内容推荐方法、装置、服务器及计算机可读存储介质
WO2018196424A1 (zh) 推荐方法及装置
US20180308152A1 (en) Data Processing Method and Apparatus
US20130138553A1 (en) Credit scoring based on information aggregation
CN105095256A (zh) 基于用户之间相似度进行信息推送的方法及装置
CN110008973B (zh) 一种模型训练方法、基于模型确定目标用户的方法及装置
CN111125535A (zh) 理财产品推荐方法及装置
CN110413870A (zh) 商品推荐方法、装置及服务器
US20130132358A1 (en) Consumer information aggregator and profile generator
TW201804400A (zh) 資料物件推送的方法、裝置及系統
CN111612581A (zh) 一种物品推荐的方法、装置、设备及存储介质
CN110992127A (zh) 一种物品推荐方法及装置
US20150278907A1 (en) User Inactivity Aware Recommendation System
CN106600360B (zh) 推荐对象的排序方法及装置
CN111652674B (zh) 一种资源推荐方法以及装置
CN114663015A (zh) 补货方法和装置
CN111708945A (zh) 产品的推荐方法及装置、电子设备、计算机存储介质
CN110020195B (zh) 文章推荐方法及装置、存储介质、电子设备
US20140039983A1 (en) Location evaluation
EP2541409A1 (en) Parallelization of large scale data clustering analytics
CN110490682B (zh) 分析商品属性的方法和装置
CN111143546A (zh) 一种获得推荐语的方法、装置及电子设备
US20220188881A1 (en) Value map generation and processing
US10185980B1 (en) Efficiently computing a feature based on a plurality of variables

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant