CN112529663B - 商品推荐方法、装置、终端设备及存储介质 - Google Patents
商品推荐方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112529663B CN112529663B CN202011473110.1A CN202011473110A CN112529663B CN 112529663 B CN112529663 B CN 112529663B CN 202011473110 A CN202011473110 A CN 202011473110A CN 112529663 B CN112529663 B CN 112529663B
- Authority
- CN
- China
- Prior art keywords
- commodity
- model
- article
- estimation
- purchase
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于人工智能技术领域，提供了一种商品推荐方法、装置、终端设备及存储介质，该方法包括：根据用户的物品点击数据和物品购买数据训练商品预估模型；将待推荐商品数据输入商品预估模型进行点击预估和购买预估，得到点击预估结果和购买预估结果；根据待推荐商品的商品价格、预估点击率和预估购买率进行推荐值计算得到商品推荐值；根据商品推荐值对待推荐商品进行商品推荐。本申请通过商品价格、预估点击率和预估购买率进行推荐值计算得到商品推荐值，有效的考虑到了商品的价格因素对用户购买商品的影响，有效的区分了用户对不同待推荐商品的感兴趣程度，提高了用户对商品的购买率。此外，本申请还涉及区块链技术。
Description
技术领域
本申请涉及人工智能领域，尤其涉及一种商品推荐方法、装置、终端设备及存储介质。
背景技术
随着互联网技术的发展，商品推荐已经被广泛应用于电商行业，例如，以各类购物APP应用为例，通常会根据用户的相关搜索、访问记录，以及各类用户对各种商品的购买、评论大数据向用户推荐相应的商品。
然而，由于现有的商品推荐只考虑了用户的点击记录来给用户推荐，并未考虑到用户购买商品意愿的影响，进而导致商品推荐准确性低下。
发明内容
有鉴于此，本申请实施例提供了一种商品推荐方法、装置、终端设备及存储介质，以解决现有技术的商品推荐过程中，由于只考虑了用户的点击记录来给用户推荐，所导致的商品推荐准确性低下的问题。
本申请实施例的第一方面提供了一种商品推荐方法，包括：
获取用户的物品点击数据和物品购买数据，并根据所述物品点击数据和所述物品购买数据训练商品预估模型，所述物品点击数据包括所述用户在预设时间内点击物品的物品信息，所述物品购买数据包括所述用户在预设时间内购买物品的物品信息；
将待推荐商品数据输入所述商品预估模型进行点击预估和购买预估，得到点击预估结果和购买预估结果，所述待推荐商品数据包括至少一个待推荐商品，所述点击预估结果中存储有不同所述待推荐商品对应的预估点击率，所述购买预估结果中存储有不同所述待推荐商品对应的预估购买率；
获取所述待推荐商品的商品价格，并根据所述商品价格、所述预估点击率和所述预估购买率进行推荐值计算，得到商品推荐值；
根据所述商品推荐值对所述待推荐商品进行商品推荐。
进一步地，所述根据所述物品点击数据和所述物品购买数据训练商品预估模型，包括：
根据所述点击物品的物品信息对相关性模型进行模型训练，并根据训练后的所述相关性模型对所述点击物品的物品信息进行特征提取，得到商品点击特征；
根据所述商品点击特征对注意力模型进行模型训练，并根据训练后的所述注意力模型对所述点击物品的物品信息进行特征提取，得到兴趣度特征；
根据所述点击物品的物品信息对长短期记忆模型进行模型训练，并根据训练后的所述长短期记忆模型对所述点击物品的物品信息进行特征提取，得到商品兴趣特征；
根据所述商品点击特征、所述兴趣度特征和所述商品兴趣特征对因子分解机进行模型训练，并根据训练后的所述因子分解机对所述点击物品的物品信息进行特征提取，得到商品组合特征；
根据所述商品组合特征对神经网络模型进行模型训练，并将训练后的所述神经网络模型、所述相关性模型、所述注意力模型、所述长短期记忆模型和所述因子分解机进行模型组合，得到点击预估模型；
将所述物品购买数据中购买物品的物品信息标记为正样本，并将所述物品点击数据中未发生购买事件的点击物品的物品信息标记为负样本；
根据所述正样本和所述负样本训练购买预估模型，直至所述购买预估模型收敛，并将收敛后的所述购买预估模型和所述点击预估模型进行模型组合，得到所述商品预估模型。
进一步地，所述根据所述点击物品的物品信息对相关性模型进行模型训练，并根据训练后的所述相关性模型对所述点击物品的物品信息进行特征提取，得到商品点击特征，包括：
获取所述点击物品的物品信息中的物品标题，并对所述物品标题进行分词，得到标题分词词汇；
分别计算不同所述标题分词词汇在所述物品信息中的词汇次数，并根据所述词汇次数计算对应所述标题分词词汇的词汇权重；
根据所述词汇权重确定所述标题分词词汇中的样本词汇，并根据所述样本词汇对所述相关性模型进行模型训练，直至所述相关性模型收敛；
根据收敛后的所述相关性模型对所述点击物品的物品信息中的物品标题进行特征提取，得到所述商品点击特征。
进一步地，所述将收敛后的所述购买预估模型和所述点击预估模型进行模型组合，得到所述商品预估模型，包括：
将所述购买预估模型和所述点击预估模型中的模型参数进行损失计算，得到模型损失值；
若所述模型损失值大于损失值阈值，则根据所述模型损失值分别对所述购买预估模型和所述点击预估模型中的模型参数进行更新；
若所述模型损失值小于或等于所述损失值阈值，则输出所述商品预估模型。
进一步地，所述将所述购买预估模型和所述点击预估模型中的模型参数进行损失计算所采用的计算公式为：
其中，θctr是所述点击预估模型中的模型参数，θcvr是所述购买预估模型中的网络参数，l是交叉墒损失函数，L(θcvr，θctr)是所述模型损失值。
进一步地，所述根据所述商品推荐值对所述待推荐商品进行商品推荐，包括：
根据所述商品推荐值对所述待推荐商品进行排序，得到商品推荐排序表，并根据所述商品推荐排序表对所述待推荐商品进行商品推荐。
进一步地，所述根据所述商品价格、所述预估点击率和所述预估购买率进行推荐值计算所采用的计算公式为：
score＝pctr*pcvr*price
其中，score是所述商品推荐值，pctr是所述预估点击率，pcvr是所述预估购买率，price是所述待推荐商品的所述商品价格。
本申请实施例的第二方面提供了一种商品推荐装置，包括：
商品预估模型训练单元，用于获取用户的物品点击数据和物品购买数据，并根据所述物品点击数据和所述物品购买数据训练商品预估模型，所述物品点击数据包括所述用户在预设时间内点击物品的物品信息，所述物品购买数据包括所述用户在预设时间内购买物品的物品信息；
商品预估单元，用于将待推荐商品数据输入所述商品预估模型进行点击预估和购买预估，得到点击预估结果和购买预估结果，所述待推荐商品数据包括至少一个待推荐商品，所述点击预估结果中存储有不同所述待推荐商品对应的预估点击率，所述购买预估结果中存储有不同所述待推荐商品对应的预估购买率；
推荐值计算单元，用于获取所述待推荐商品的商品价格，并根据所述商品价格、所述预估点击率和所述预估购买率进行推荐值计算，得到商品推荐值；
商品推荐单元，用于根据所述商品推荐值对所述待推荐商品进行商品推荐。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在终端设备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第一方案提供的商品推荐方法的各步骤。
本申请实施例的第四方面提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方案提供的商品推荐方法的各步骤。
本申请实施例提供的一种商品推荐方法、装置、终端设备及存储介质具有以下有益效果：通过获取用户的物品点击数据和物品购买数据，并根据物品点击数据和物品购买数据训练商品预估模型，使得训练后的商品预估模型能准确的对用户的物品点击行为和物品购买行为进行预估，基于对用户的物品点击行为和物品购买行为进行预估，有效的提高了对待推荐商品数据的点击预估和购买预估的准确性，通过获取待推荐商品的商品价格，并根据商品价格、预估点击率和预估购买率进行推荐值计算得到商品推荐值，有效的考虑到了商品的价格因素对用户购买商品的影响，有效的区分了用户对不同待推荐商品的感兴趣程度，通过根据商品推荐值对待推荐商品进行商品推荐，提高了用户对商品的购买率，进而提高了商品成交量。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种商品推荐方法的实现流程图；
图2是本申请另一实施例提供的一种商品推荐方法的实现流程图；
图3是本申请实施例提供的一种商品推荐装置的结构框图；
图4是本申请实施例提供的一种终端设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例所涉及的商品推荐方法，可以由控制设备或终端(以下称“移动终端”)执行。
请参阅图1，图1示出了本申请实施例提供的一种商品推荐方法的实现流程图，包括：
步骤S10，获取用户的物品点击数据和物品购买数据，并根据所述物品点击数据和所述物品购买数据训练商品预估模型。
其中，该物品点击数据包括用户在预设时间内点击物品的物品信息，该物品购买数据包括用户在预设时间内购买物品的物品信息，该物品信息包括物品标题、物品标签、物品价格和点击物品或购买物品对应的点击时间或购买时间。
该步骤中，该预设时间可以采用固定时间范围或时间间隔的方式进行设置，例如，该预设时间可以设置为2020年1月1日至2020年1月10日，即分别获取用户在2020年1月1日至2020年1月10日时间范围内点击物品的物品信息和购买物品的物品信息，得到该物品点击数据和物品购买数据；例如，当该预设时间设置为1周时，则在每周的周一获取用户在上周内点击物品的物品信息和购买物品的物品信息，得到该物品点击数据和物品购买数据。
具体的，该步骤中，通过根据物品点击数据和物品购买数据训练商品预估模型，使得训练后的商品预估模型能准确的对用户的物品点击行为和物品购买行为进行预估，基于对用户的物品点击行为和物品购买行为进行预估，有效的提高了后续对待推荐商品数据的点击预估和购买预估的准确性。
步骤S20，将待推荐商品数据输入所述商品预估模型进行点击预估和购买预估，得到点击预估结果和购买预估结果。
其中，该待推荐商品数据包括至少一个待推荐商品，该待推荐商品数据中存储有不同待推荐商品对应的商品信息，该点击预估结果中存储有不同待推荐商品对应的预估点击率，该购买预估结果中存储有不同待推荐商品对应的预估购买率。
具体的，该步骤中，通过将待推荐商品数据输入商品预估模型进行点击预估和购买预估，以预估用户对不同待推荐商品的点击率和购买率，例如，当该待推荐商品数据包括待推荐商品a1和待推荐商品a2，则将该待推荐商品数据中待推荐商品a1和待推荐商品a2对应的商品信息输入该商品预估模型进行点击预估和购买预估，以得到预估点击率b1、预估点击率b2、预估购买率c1和预估购买率c2，即用户对待推荐商品a1点击的概率为b1，对待推荐商品a2点击的概率为b2，对待推荐商品a1购买的概率为c1，对待推荐商品a2购买的概率为c2。
步骤S30，获取所述待推荐商品的商品价格，并根据所述商品价格、所述预估点击率和所述预估购买率进行推荐值计算，得到商品推荐值。
具体的，该步骤中，所述根据所述商品价格、所述预估点击率和所述预估购买率进行推荐值计算所采用的计算公式为：
score＝pctr*pcvr*price
其中，score是所述商品推荐值，pctr是所述预估点击率，pcvr是所述预估购买率，price是所述待推荐商品的所述商品价格。
该步骤中，该商品推荐值用于表征用户对待推荐商品的感兴趣程度，若该商品推荐值越大，则用户对该待推荐商品的感兴趣程度越高，该步骤中，有效的考虑到了商品的价格因素对用户购买商品的影响，有效的区分了用户对不同待推荐商品的感兴趣程度。
步骤S40，根据所述商品推荐值对所述待推荐商品进行商品推荐。
可选的，该步骤中，所述根据所述商品推荐值对所述待推荐商品进行商品推荐，包括：
根据所述商品推荐值对所述待推荐商品进行排序，得到商品推荐排序表，并根据所述商品推荐排序表对所述待推荐商品进行商品推荐；
其中，可以采用正序或倒序的方式对该待推荐商品进行排序得到商品推荐排序表，并根据预设排序序号将商品推荐排序表中对应的待推荐商品对用户进行商品推荐，该预设排序序号可以根据需求进行设置，例如，一个待推荐商品对应的预设排序序号可以设置数字1、3、5或10等。
具体的，该步骤中，当采用正序的的方式进行该待推荐商品的排序时，则将该商品推荐排序表中前预设排序序号对应的待推荐商品进行商品推荐，当采用倒序的的方式进行该待推荐商品的排序时，则将该商品推荐排序表中倒数预设排序序号对应的待推荐商品进行商品推荐。
可选的，该步骤中，所述根据所述商品推荐值对所述待推荐商品进行排序，得到商品推荐排序表之后，还包括：
若任一所述商品推荐值小于推荐阈值，则将所述商品推荐值对应所述待推荐商品在所述商品推荐排序表中删除；
其中，该推荐阈值可以根据需求进行设置，该推荐阈值用于判断待推荐商品是否满足预设的推荐需求，若该待推荐商品不满足预设的推荐需求，则针对该待推荐商品无需进行商品推荐，即当任一商品推荐值小于推荐阈值时，则判定用户对该商品推荐值对应的待推荐商品的不感兴趣，无需进行商品推荐，进而有效的提高了商品推荐的准确性，提高了用户的使用体验。
本实施例中，通过获取用户的物品点击数据和物品购买数据，并根据物品点击数据和物品购买数据训练商品预估模型，使得训练后的商品预估模型能准确的对用户的物品点击行为和物品购买行为进行预估，基于对用户的物品点击行为和物品购买行为进行预估，有效的提高了对待推荐商品数据的点击预估和购买预估的准确性，通过获取待推荐商品的商品价格，并根据商品价格、预估点击率和预估购买率进行推荐值计算得到商品推荐值，有效的考虑到了商品的价格因素对用户购买商品的影响，有效的区分了用户对不同待推荐商品的感兴趣程度，通过根据商品推荐值对待推荐商品进行商品推荐，提高了用户对商品的购买率，进而提高了商品成交量。
请参阅图2，图2是本申请另一实施例提供的一种商品推荐方法的实现流程图。本实施例提供的商品推荐方法是对图1对应的实施例中步骤S10的进一步细化，包括：
步骤S11，根据所述点击物品的物品信息对相关性模型进行模型训练，并根据训练后的所述相关性模型对所述点击物品的物品信息进行特征提取，得到商品点击特征；
其中，通过根据点击物品的物品信息对相关性模型进行模型训练，使得该相关性模型中能有效的学习到用户点击物品行为的特征。
具体的，该步骤中，所述根据所述点击物品的物品信息对相关性模型进行模型训练，并根据训练后的所述相关性模型对所述点击物品的物品信息进行特征提取，得到商品点击特征，包括：
获取所述点击物品的物品信息中的物品标题，并对所述物品标题进行分词，得到标题分词词汇，其中，本实施例中预存储有分词词汇表，通过将该物品标题与分词词汇表进行匹配，并根据匹配结果对该物品标题进行分词，得到标题分词词汇；具体的，该步骤中，该分词词汇表中存储有预先设置的指定词汇，当该物品标题与分词词汇表中任一指定词汇相匹配时，则在该物品标题中对与指定词汇相匹配的词汇进行分割，并将分割后的物品标题返回，以重新与分词词汇表进行匹配，直至该物品标题中剩余的词汇与分词词汇表不匹配。
分别计算不同所述标题分词词汇在所述物品信息中的词汇次数，并根据所述词汇次数计算对应所述标题分词词汇的词汇权重；
根据所述词汇权重确定所述标题分词词汇中的样本词汇，并根据所述样本词汇对所述相关性模型进行模型训练，直至所述相关性模型收敛，其中，当该词汇权重越大时，对应分词词汇在物品标题中出现的次数越大，则该分词词汇越能表征该物品标题的标题信息，因此，通过将最大词汇权重对应的分词词汇设置为该标题分词词汇中的样本词汇，并根据样本词汇对相关性模型进行模型训练，有效的提高了该相关性模型训练的准确性。
根据收敛后的所述相关性模型对所述点击物品的物品信息中的物品标题进行特征提取，得到所述商品点击特征。
步骤S12，根据所述商品点击特征对注意力模型进行模型训练，并根据训练后的所述注意力模型对所述点击物品的物品信息进行特征提取，得到兴趣度特征。
其中，通过根据商品点击特征对注意力模型进行模型训练，使得该注意力模型能有效的提取到用户对不同物品的感兴趣程度。
步骤S13，根据所述点击物品的物品信息对长短期记忆模型进行模型训练，并根据训练后的所述长短期记忆模型对所述点击物品的物品信息进行特征提取，得到商品兴趣特征。
其中，通过根据购买物品的物品信息对长短期记忆模型进行模型训练，能有效的提取到用户对不同点击物品的感兴趣的程度。
步骤S14，根据所述商品点击特征、所述兴趣度特征和所述商品兴趣特征对因子分解机进行模型训练，并根据训练后的所述因子分解机对所述点击物品的物品信息进行特征提取，得到商品组合特征。
该步骤中，通过根据商品点击特征、兴趣度特征和商品兴趣特征对因子分解机进行模型训练，能有效的对商品点击特征、兴趣度特征和商品兴趣特征进行特征组合，使得训练后的因子分解机能有效的基于用户的点击行为和物品的感兴趣程度进行特征提取。
步骤S15，根据所述商品组合特征对神经网络模型进行模型训练，并将训练后的所述神经网络模型、所述相关性模型、所述注意力模型、所述长短期记忆模型和所述因子分解机进行模型组合，得到点击预估模型。
其中，通过根据商品组合特征对神经网络模型进行模型训练，使得训练后的神经网络模型能有效的学习到用户物品点击行为和物品感兴趣的特征。
具体的，该步骤中，通过将训练后相关性模型的输出与注意力模型的输入连接、将注意力模型的输出与长短期记忆模型的输入连接、将长短期记忆模型的输出与因子分解机的输入连接，并将因子分解机的输出与神经网络模型的输入连接进行模型组合，得到该点击预估模型。
步骤S16，将所述物品购买数据中购买物品的物品信息标记为正样本，并将所述物品点击数据中未发生购买事件的点击物品的物品信息标记为负样本。
其中，通过将物品购买数据中用户购买的物品的物品信息标记为正样本，并将物品点击数据中未发生购买事件的点击物品的物品信息标记为负样本，有效的生成了购买预估模型中的样本数据，提高了购买预估模型训练的准确性。
步骤S17，根据所述正样本和所述负样本训练购买预估模型，直至所述购买预估模型收敛，并将收敛后的所述购买预估模型和所述点击预估模型进行模型组合，得到所述商品预估模型。
其中，通过将购买预估模型的输出与点击预估模型的输入连接，并将购买预估模型中相关性模型的输出与点击预估模型的输入连接进行模型组合，得到该商品预估模型。
具体的，该步骤中，所述将收敛后的所述购买预估模型和所述点击预估模型进行模型组合，得到所述商品预估模型，包括：
将所述购买预估模型和所述点击预估模型中的模型参数进行损失计算，得到模型损失值，其中，该模型损失值用于表征该商品预估模型的准确性，若该模型损失值越大，则该商品预估模型的准确性月底；
若所述模型损失值大于损失值阈值，则根据所述模型损失值分别对所述购买预估模型和所述点击预估模型中的模型参数进行更新；
若所述模型损失值小于或等于所述损失值阈值，则输出所述商品预估模型。
可选的，该步骤中，所述将所述购买预估模型和所述点击预估模型中的模型参数进行损失计算所采用的计算公式为：
其中，θctr是所述点击预估模型中的模型参数，θcvr是所述购买预估模型中的网络参数，l是交叉墒损失函数，L(θcvr，θctr)是所述模型损失值。
本实施例中，通过根据点击物品的物品信息对相关性模型进行模型训练，使得该相关性模型中能有效的学习到用户点击物品行为的特征，通过根据商品点击特征对注意力模型进行模型训练，使得该注意力模型能有效的提取到用户对不同物品感兴趣程度，通过根据购买物品的物品信息对长短期记忆模型进行模型训练，能有效的提取到用户对不同点击物品的感兴趣的程度，通过将物品购买数据中购买物品的物品信息标记为正样本，并将物品点击数据中未发生购买事件的点击物品的物品信息标记为负样本，有效的生成了购买预估模型中的样本数据，提高了购买预估模型训练的准确性。
在本申请的所有实施例中，基于商品推荐值对待推荐商品进行排序得到商品推荐排序表，具体来说，商品推荐排序表由商品推荐值对待推荐商品进行排序得到。将商品推荐排序表上传至区块链可保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得到该商品推荐排序表，以便查证候商品推荐排序表是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
请参阅图3，图3是本申请实施例提供的一种商品推荐装置100的结构框图。本实施例中该商品推荐装置100包括的各单元用于执行图1、图2对应的实施例中的各步骤。具体请参阅图1、图2以及图1、图2所对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图3，商品推荐装置100包括：商品预估模型训练单元10、商品预估单元11、推荐值计算单元12和商品推荐单元13，其中：
商品预估模型训练单元10，用于获取用户的物品点击数据和物品购买数据，并根据所述物品点击数据和所述物品购买数据训练商品预估模型，所述物品点击数据包括所述用户在预设时间内点击物品的物品信息，所述物品购买数据包括所述用户在预设时间内购买物品的物品信息。
其中，商品预估模型训练单元10还用于：根据所述点击物品的物品信息对相关性模型进行模型训练，并根据训练后的所述相关性模型对所述点击物品的物品信息进行特征提取，得到商品点击特征；
根据所述商品点击特征对注意力模型进行模型训练，并根据训练后的所述注意力模型对所述点击物品的物品信息进行特征提取，得到兴趣度特征；
根据所述点击物品的物品信息对长短期记忆模型进行模型训练，并根据训练后的所述长短期记忆模型对所述点击物品的物品信息进行特征提取，得到商品兴趣特征；
根据所述商品点击特征、所述兴趣度特征和所述商品兴趣特征对因子分解机进行模型训练，并根据训练后的所述因子分解机对所述点击物品的物品信息进行特征提取，得到商品组合特征；
根据所述商品组合特征对神经网络模型进行模型训练，并将训练后的所述神经网络模型、所述相关性模型、所述注意力模型、所述长短期记忆模型和所述因子分解机进行模型组合，得到点击预估模型；
将所述物品购买数据中购买物品的物品信息标记为正样本，并将所述物品点击数据中未发生购买事件的点击物品的物品信息标记为负样本；
根据所述正样本和所述负样本训练购买预估模型，直至所述购买预估模型收敛，并将收敛后的所述购买预估模型和所述点击预估模型进行模型组合，得到所述商品预估模型。
可选的，商品预估模型训练单元10还用于：获取所述点击物品的物品信息中的物品标题，并对所述物品标题进行分词，得到标题分词词汇；
分别计算不同所述标题分词词汇在所述物品信息中的词汇次数，并根据所述词汇次数计算对应所述标题分词词汇的词汇权重；
根据所述词汇权重确定所述标题分词词汇中的样本词汇，并根据所述样本词汇对所述相关性模型进行模型训练，直至所述相关性模型收敛；
根据收敛后的所述相关性模型对所述点击物品的物品信息中的物品标题进行特征提取，得到所述商品点击特征。
可选的，商品预估模型训练单元10还用于：将所述购买预估模型和所述点击预估模型中的模型参数进行损失计算，得到模型损失值；
若所述模型损失值大于损失值阈值，则根据所述模型损失值分别对所述购买预估模型和所述点击预估模型中的模型参数进行更新；
若所述模型损失值小于或等于所述损失值阈值，则输出所述商品预估模型。
进一步地，所述将所述购买预估模型和所述点击预估模型中的模型参数进行损失计算所采用的计算公式为：
其中，θctr是所述点击预估模型中的模型参数，θcvr是所述购买预估模型中的网络参数，l是交叉墒损失函数，L(θcvr，θctr)是所述模型损失值。
商品预估单元11，用于将待推荐商品数据输入所述商品预估模型进行点击预估和购买预估，得到点击预估结果和购买预估结果，所述待推荐商品数据包括至少一个待推荐商品，所述点击预估结果中存储有不同所述待推荐商品对应的预估点击率，所述购买预估结果中存储有不同所述待推荐商品对应的预估购买率。
推荐值计算单元12，用于获取所述待推荐商品的商品价格，并根据所述商品价格、所述预估点击率和所述预估购买率进行推荐值计算，得到商品推荐值。
其中，所述根据所述商品价格、所述预估点击率和所述预估购买率进行推荐值计算所采用的计算公式为：
score＝pctr*pcvr*price
其中，score是所述商品推荐值，pctr是所述预估点击率，pcvr是所述预估购买率，price是所述待推荐商品的所述商品价格。
商品推荐单元13，用于根据所述商品推荐值对所述待推荐商品进行商品推荐。
其中，商品推荐单元13还用于：根据所述商品推荐值对所述待推荐商品进行排序，得到商品推荐排序表，并根据所述商品推荐排序表对所述待推荐商品进行商品推荐。
本实施例中，通过获取用户的物品点击数据和物品购买数据，并根据物品点击数据和物品购买数据训练商品预估模型，使得训练后的商品预估模型能准确的对用户的物品点击行为和物品购买行为进行预估，基于对用户的物品点击行为和物品购买行为进行预估，有效的提高了对待推荐商品数据的点击预估和购买预估的准确性，通过获取待推荐商品的商品价格，并根据商品价格、预估点击率和预估购买率进行推荐值计算得到商品推荐值，有效的考虑到了商品的价格因素对用户购买商品的影响，有效的区分了用户对不同待推荐商品的感兴趣程度，通过根据商品推荐值对待推荐商品进行商品推荐，提高了用户对商品的购买率，进而提高了商品成交量。
图4是本申请另一实施例提供的一种终端设备2的结构框图。如图4所示，该实施例的终端设备2包括：处理器20、存储器21以及存储在所述存储器21中并可在所述处理器20上运行的计算机程序22，例如商品推荐方法的程序。处理器20执行所述计算机程序23时实现上述各个商品推荐方法各实施例中的步骤，例如图1所示的S10至S40，或者图2所示的S11至S17。或者，所述处理器20执行所述计算机程序22时实现上述图3对应的实施例中各单元的功能，例如，图3所示的单元10至13的功能，具体请参阅图4对应的实施例中的相关描述，此处不赘述。
示例性的，所述计算机程序22可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器21中，并由所述处理器20执行，以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序22在所述终端设备2中的执行过程。例如，所述计算机程序22可以被分割成商品预估模型训练单元10、商品预估单元11、推荐值计算单元12和商品推荐单元13，各单元具体功能如上所述。
所述终端设备可包括，但不仅限于，处理器20、存储器21。本领域技术人员可以理解，图4仅仅是终端设备2的示例，并不构成对终端设备2的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器20可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器21可以是所述终端设备2的内部存储单元，例如终端设备2的硬盘或内存。所述存储器21也可以是所述终端设备2的外部存储设备，例如所述终端设备2上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器21还可以既包括所述终端设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (6)
1.一种商品推荐方法，其特征在于，包括：
获取用户的物品点击数据和物品购买数据，并根据所述物品点击数据和所述物品购买数据训练商品预估模型，所述物品点击数据包括所述用户在预设时间内点击物品的物品信息，所述物品购买数据包括所述用户在预设时间内购买物品的物品信息；
将待推荐商品数据输入所述商品预估模型进行点击预估和购买预估，得到点击预估结果和购买预估结果，所述待推荐商品数据包括至少一个待推荐商品，所述点击预估结果中存储有不同所述待推荐商品对应的预估点击率，所述购买预估结果中存储有不同所述待推荐商品对应的预估购买率；
获取所述待推荐商品的商品价格，并根据所述商品价格、所述预估点击率和所述预估购买率进行推荐值计算，得到商品推荐值；
根据所述商品推荐值对所述待推荐商品进行商品推荐；
所述根据所述物品点击数据和所述物品购买数据训练商品预估模型，包括：
根据所述点击物品的物品信息对相关性模型进行模型训练，并根据训练后的所述相关性模型对所述点击物品的物品信息进行特征提取，得到商品点击特征；
根据所述商品点击特征对注意力模型进行模型训练，并根据训练后的所述注意力模型对所述点击物品的物品信息进行特征提取，得到兴趣度特征；
根据所述点击物品的物品信息对长短期记忆模型进行模型训练，并根据训练后的所述长短期记忆模型对所述点击物品的物品信息进行特征提取，得到商品兴趣特征；
根据所述商品点击特征、所述兴趣度特征和所述商品兴趣特征对因子分解机进行模型训练，并根据训练后的所述因子分解机对所述点击物品的物品信息进行特征提取，得到商品组合特征；
根据所述商品组合特征对神经网络模型进行模型训练，并将训练后的所述神经网络模型、所述相关性模型、所述注意力模型、所述长短期记忆模型和所述因子分解机进行模型组合，得到点击预估模型；
将所述物品购买数据中购买物品的物品信息标记为正样本，并将所述物品点击数据中未发生购买事件的点击物品的物品信息标记为负样本；
根据所述正样本和所述负样本训练购买预估模型，直至所述购买预估模型收敛，并将收敛后的所述购买预估模型和所述点击预估模型进行模型组合，得到所述商品预估模型；
所述根据所述点击物品的物品信息对相关性模型进行模型训练，并根据训练后的所述相关性模型对所述点击物品的物品信息进行特征提取，得到商品点击特征，包括：
获取所述点击物品的物品信息中的物品标题，并对所述物品标题进行分词，得到标题分词词汇；
分别计算不同所述标题分词词汇在所述物品信息中的词汇次数，并根据所述词汇次数计算对应所述标题分词词汇的词汇权重；
根据所述词汇权重确定所述标题分词词汇中的样本词汇，并根据所述样本词汇对所述相关性模型进行模型训练，直至所述相关性模型收敛；
根据收敛后的所述相关性模型对所述点击物品的物品信息中的物品标题进行特征提取，得到所述商品点击特征；
所述将收敛后的所述购买预估模型和所述点击预估模型进行模型组合，得到所述商品预估模型，包括：
将所述购买预估模型和所述点击预估模型中的模型参数进行损失计算，得到模型损失值；
若所述模型损失值大于损失值阈值，则根据所述模型损失值分别对所述购买预估模型和所述点击预估模型中的模型参数进行更新；
若所述模型损失值小于或等于所述损失值阈值，则输出所述商品预估模型。
2.根据权利要求1所述的商品推荐方法，其特征在于，所述根据所述商品推荐值对所述待推荐商品进行商品推荐，包括：
根据所述商品推荐值对所述待推荐商品进行排序，得到商品推荐排序表，并根据所述商品推荐排序表对所述待推荐商品进行商品推荐。
3.根据权利要求1所述的商品推荐方法，其特征在于，所述根据所述商品价格、所述预估点击率和所述预估购买率进行推荐值计算所采用的计算公式为：
score＝pctr*pcvr*price
其中，score是所述商品推荐值，pctr是所述预估点击率，pcvr是所述预估购买率，price是所述待推荐商品的所述商品价格。
4.一种商品推荐装置，其特征在于，包括：
商品预估模型训练单元，用于获取用户的物品点击数据和物品购买数据，并根据所述物品点击数据和所述物品购买数据训练商品预估模型，所述物品点击数据包括所述用户在预设时间内点击物品的物品信息，所述物品购买数据包括所述用户在预设时间内购买物品的物品信息；
商品预估单元，用于将待推荐商品数据输入所述商品预估模型进行点击预估和购买预估，得到点击预估结果和购买预估结果，所述待推荐商品数据包括至少一个待推荐商品，所述点击预估结果中存储有不同所述待推荐商品对应的预估点击率，所述购买预估结果中存储有不同所述待推荐商品对应的预估购买率；
推荐值计算单元，用于获取所述待推荐商品的商品价格，并根据所述商品价格、所述预估点击率和所述预估购买率进行推荐值计算，得到商品推荐值；
商品推荐单元，用于根据所述商品推荐值对所述待推荐商品进行商品推荐；
商品预估模型训练单元还用于：根据所述点击物品的物品信息对相关性模型进行模型训练，并根据训练后的所述相关性模型对所述点击物品的物品信息进行特征提取，得到商品点击特征；
根据所述商品点击特征对注意力模型进行模型训练，并根据训练后的所述注意力模型对所述点击物品的物品信息进行特征提取，得到兴趣度特征；
根据所述点击物品的物品信息对长短期记忆模型进行模型训练，并根据训练后的所述长短期记忆模型对所述点击物品的物品信息进行特征提取，得到商品兴趣特征；
根据所述商品点击特征、所述兴趣度特征和所述商品兴趣特征对因子分解机进行模型训练，并根据训练后的所述因子分解机对所述点击物品的物品信息进行特征提取，得到商品组合特征；
根据所述商品组合特征对神经网络模型进行模型训练，并将训练后的所述神经网络模型、所述相关性模型、所述注意力模型、所述长短期记忆模型和所述因子分解机进行模型组合，得到点击预估模型；
将所述物品购买数据中购买物品的物品信息标记为正样本，并将所述物品点击数据中未发生购买事件的点击物品的物品信息标记为负样本；
根据所述正样本和所述负样本训练购买预估模型，直至所述购买预估模型收敛，并将收敛后的所述购买预估模型和所述点击预估模型进行模型组合，得到所述商品预估模型；
商品预估模型训练单元还用于：获取所述点击物品的物品信息中的物品标题，并对所述物品标题进行分词，得到标题分词词汇；
分别计算不同所述标题分词词汇在所述物品信息中的词汇次数，并根据所述词汇次数计算对应所述标题分词词汇的词汇权重；
根据所述词汇权重确定所述标题分词词汇中的样本词汇，并根据所述样本词汇对所述相关性模型进行模型训练，直至所述相关性模型收敛；
根据收敛后的所述相关性模型对所述点击物品的物品信息中的物品标题进行特征提取，得到所述商品点击特征；
商品预估模型训练单元10还用于：将所述购买预估模型和所述点击预估模型中的模型参数进行损失计算，得到模型损失值；
若所述模型损失值大于损失值阈值，则根据所述模型损失值分别对所述购买预估模型和所述点击预估模型中的模型参数进行更新；
若所述模型损失值小于或等于所述损失值阈值，则输出所述商品预估模型。
5.一种终端设备，包括存储器、处理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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述方法的步骤。
6.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011473110.1A CN112529663B (zh) | 2020-12-15 | 2020-12-15 | 商品推荐方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011473110.1A CN112529663B (zh) | 2020-12-15 | 2020-12-15 | 商品推荐方法、装置、终端设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112529663A CN112529663A (zh) | 2021-03-19 |
| CN112529663B true CN112529663B (zh) | 2023-10-27 |
Family
ID=74999861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011473110.1A Active CN112529663B (zh) | 2020-12-15 | 2020-12-15 | 商品推荐方法、装置、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112529663B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222706B (zh) * | 2021-05-25 | 2024-01-30 | 深圳和锐网络科技有限公司 | 商品的二次推送方法、装置、电子设备及存储介质 |
| CN113469786A (zh) * | 2021-06-29 | 2021-10-01 | 深圳市点购电子商务控股股份有限公司 | 物品推荐的方法、装置、计算机设备和存储介质 |
| CN113407854A (zh) * | 2021-07-19 | 2021-09-17 | 广东艾檬电子科技有限公司 | 一种应用推荐方法、装置、设备及计算机可读存储介质 |
| CN113706252B (zh) * | 2021-08-30 | 2024-05-03 | 康键信息技术（深圳）有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
| CN113903026A (zh) * | 2021-10-09 | 2022-01-07 | 数贸科技（北京）有限公司 | 商品图片识别方法及装置 |
| CN114663155A (zh) * | 2022-04-01 | 2022-06-24 | 广州华多网络科技有限公司 | 广告投放选品方法及其装置、设备、介质、产品 |
| CN115860870A (zh) * | 2022-12-16 | 2023-03-28 | 深圳市云积分科技有限公司 | 一种商品推荐方法、系统、装置及可读介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110046952A (zh) * | 2019-01-30 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
| CN110807693A (zh) * | 2019-11-04 | 2020-02-18 | 上海喜马拉雅科技有限公司 | 专辑的推荐方法、装置、设备和存储介质 |
| CN111177575A (zh) * | 2020-04-07 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 一种内容推荐方法、装置、电子设备和存储介质 |
| CN111523044A (zh) * | 2020-07-06 | 2020-08-11 | 南京梦饷网络科技有限公司 | 用于推荐目标对象的方法、计算设备和计算机存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11315032B2 (en) * | 2017-04-05 | 2022-04-26 | Yahoo Assets Llc | Method and system for recommending content items to a user based on tensor factorization |
-
2020
- 2020-12-15 CN CN202011473110.1A patent/CN112529663B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110046952A (zh) * | 2019-01-30 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
| CN110807693A (zh) * | 2019-11-04 | 2020-02-18 | 上海喜马拉雅科技有限公司 | 专辑的推荐方法、装置、设备和存储介质 |
| CN111177575A (zh) * | 2020-04-07 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 一种内容推荐方法、装置、电子设备和存储介质 |
| CN111523044A (zh) * | 2020-07-06 | 2020-08-11 | 南京梦饷网络科技有限公司 | 用于推荐目标对象的方法、计算设备和计算机存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于序列特征的点击率预测模型;朱思涵;浦剑;;华东师范大学学报(自然科学版)(第04期);第139-151页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112529663A (zh) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112529663B (zh) | 商品推荐方法、装置、终端设备及存储介质 | |
| CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
| CN106651542B (zh) | 一种物品推荐的方法及装置 | |
| JP6134444B2 (ja) | 情報を推薦するための方法およびシステム | |
| CN111898031B (zh) | 一种获得用户画像的方法及装置 | |
| CN111523976A (zh) | 商品推荐方法、装置、电子设备及存储介质 | |
| CN107341716A (zh) | 一种恶意订单识别的方法、装置及电子设备 | |
| CN109064293B (zh) | 商品推荐方法、装置、计算机设备及存储介质 | |
| CN109492180A (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
| CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
| US20220245706A1 (en) | Methods and apparatuses for providing search results using embedding-based retrieval | |
| CN108734587A (zh) | 金融产品的推荐方法及终端设备 | |
| US20190080352A1 (en) | Segment Extension Based on Lookalike Selection | |
| CN113516496B (zh) | 广告转化率预估模型构建方法、装置、设备及其介质 | |
| WO2023000491A1 (zh) | 一种应用推荐方法、装置、设备及计算机可读存储介质 | |
| CN116308684B (zh) | 一种网购平台店铺信息推送方法及系统 | |
| CN111275205A (zh) | 虚拟样本的生成方法、终端设备及存储介质 | |
| CN111967924A (zh) | 商品推荐方法、商品推荐装置、计算机设备和介质 | |
| CN112328881B (zh) | 文章推荐方法、装置、终端设备及存储介质 | |
| CN113837836A (zh) | 模型推荐方法、装置、设备及存储介质 | |
| CN111767457A (zh) | 推荐方法及装置 | |
| CN110888945A (zh) | 用户行为预测方法、装置、电子设备及存储介质 | |
| CN111768218A (zh) | 用于处理用户交互信息的方法和装置 | |
| CN113781180A (zh) | 一种物品推荐方法、装置、电子设备及存储介质 | |
| CN113076487A (zh) | 一种用户兴趣表征及内容推荐方法、装置和设备 |
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 |