CN113763031A - 一种商品推荐方法、装置、电子设备及存储介质 - Google Patents

一种商品推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113763031A
CN113763031A CN202110851930.8A CN202110851930A CN113763031A CN 113763031 A CN113763031 A CN 113763031A CN 202110851930 A CN202110851930 A CN 202110851930A CN 113763031 A CN113763031 A CN 113763031A
Authority
CN
China
Prior art keywords
commodity
information
user
click rate
search space
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.)
Pending
Application number
CN202110851930.8A
Other languages
English (en)
Inventor
高宸
李勇
金德鹏
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110851930.8A priority Critical patent/CN113763031A/zh
Publication of CN113763031A publication Critical patent/CN113763031A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种商品推荐方法、装置、电子设备及存储介质，该方法包括：将用户信息和商品信息输入点击率预估模型，得到用户信息对应的商品点击率预测信息；基于所述商品点击率预测信息，生成所述用户信息对应的商品推荐信息；其中，所述点击率预估模型是基于目标样本交叉特征得到的，所述目标样本交叉特征是基于渐进式的搜索算法，根据商品用户特征搜索空间确定的。通过基于低秩近似设计的商品用户特征搜索空间，有效建模了不同阶数的交叉特征的相互关联，加速了后续的搜索过程，然后在搜索空间里得到目标样本交叉特征，从而构建点击率预估模型，通过点击率预估模型能够有效预测商品点击率预测信息，从而生成用户信息对应的商品推荐信息。

Description

一种商品推荐方法、装置、电子设备及存储介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种商品推荐方法、装置、电子设备及存储介质。
背景技术
随着互联网的迅猛发展，用户接触海量乃至过量的信息，包括文字、图片、视频等，传统的搜索技术作为用户信息检索的主要方式，已无法满足用户需求，尤其是针对于商品推荐领域。
现有技术中的商品推荐方法，需要考虑挖掘多阶交互特征组合之间的关系，往往依赖于复杂的深度神经网路来实现特征交互，导致其计算效率较低，且需要很大的存储空间对模型存储，这对实际推荐系统中的低延迟、高效率要求带来了较大的挑战。因此，现有的商品推荐方法仍处于准确率与效率的困境中。
因此如何更好的实现商品推荐已经成为业界亟待解决的问题。
发明内容
本发明提供及一种商品推荐方法、装置、电子设备及存储介质，用以解决现有技术中无法很好的实现商品推荐的问题。
本发明提供一种商品推荐方法，包括：
将用户信息和商品信息输入点击率预估模型，得到用户信息对应的商品点击率预测信息；
基于所述商品点击率预测信息，生成所述用户信息对应的商品推荐信息；
其中，所述点击率预估模型是基于目标样本交叉特征得到的，所述目标样本交叉特征是基于渐进式的搜索算法，根据商品用户特征搜索空间确定的。
根据本发明提供的一种商品推荐方法，在所述将用户信息和商品信息输入点击率预估模型之前，所述方法还包括：
基于用户样本信息和商品样本信息，得到多组训练样本和多组验证样本，并构建商品用户特征搜索空间；
基于渐进式的搜索算法，在所述商品用户特征搜索空间进行搜索，得到目标样本交叉特征；
基于所述目标样本交叉特征更新嵌入参数，得到点击率预估模型。
根据本发明提供的一种商品推荐方法，所述商品用户特征搜索空间是通过用户样本信息和商品样本信息的多维张量积表示的。
根据本发明提供的一种商品推荐方法，所述基于渐进式的搜索算法，在所述商品用户特征搜索空间进行搜索，得到目标样本交叉特征，包括：
从所述商品用户特征搜索空间中的第一阶开始搜索，当所述第一阶搜索中所述验证样本的损失函数达到收敛条件时，进入下一阶进行搜索，直至完成所述商品用户特征搜索空间的搜索，搜索算法停止，得到构架参数与第一样本交叉特征；
按照预设筛选率对所述第一样本交叉特征进行筛选，得到目标样本交叉特征。
根据本发明提供的一种商品推荐方法，所述基于所述目标样本交叉特征更新嵌入参数，得到点击率预估模型，具体包括：
基于所述目标样本交叉特征，对特征交互层中的所有嵌入向量进行训练，得到嵌入参数；
基于所述嵌入参数，构建目标特征交互层，得到点击率预估模型。
本发明还提供一种商品推荐装置，包括：
预估模块，用于将用户信息和商品信息输入点击率预估模型，得到用户信息对应的商品点击率预测信息；
推荐模块，用于基于所述商品点击率预测信息，生成所述用户信息对应的商品推荐信息；
其中，所述点击率预估模型是基于目标样本交叉特征得到的，所述目标样本交叉特征是基于渐进式的搜索算法，根据商品用户特征搜索空间确定的。
所述装置还包括：构建模块；
所述构建模块具体用于基于用户样本信息和商品样本信息，得到多组训练样本和多组验证样本，并构建商品用户特征搜索空间；
基于渐进式的搜索算法，在所述商品用户特征搜索空间进行搜索，得到目标样本交叉特征；
基于所述目标样本交叉特征更新嵌入参数，得到点击率预估模型。
所述构建模块具体用于从所述商品用户特征搜索空间中的第一阶开始搜索，当所述第一阶搜索中所述验证样本的损失函数达到收敛条件时，进入下一阶进行搜索，直至完成所述商品用户特征搜索空间的搜索，搜索算法停止，得到构架参数与第一样本交叉特征；
按照预设筛选率对所述第一样本交叉特征进行筛选，得到目标样本交叉特征。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述商品推荐方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述商品推荐方法的步骤。
本发明提供的一种商品推荐方法、装置、电子设备及存储介质，基于低秩近似设计的商品用户特征搜索空间，在尽量精简空间的基础上，有效建模了不同阶数的交叉特征的相互关联，加速了后续的搜索过程，然后通过渐进式的搜索算法，在搜索空间里得到目标样本交叉特征，从而构建点击率预估模型，通过点击率预估模型能够有效预测商品点击率预测信息，从而生成用户信息对应的商品推荐信息。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
图1为本发明实施例提供的商品推荐方法的流程示意图；
图2为本申请实施例提供的深度稀疏网络示意图；
图3为本发明提供的商品推荐装置示意图；
图4为本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的商品推荐方法的流程示意图，如图1所示，包括：
步骤S1，将用户信息和商品信息输入点击率预估模型，得到用户信息对应的商品点击率预测信息；
具体地，本申请中所描述的用户信息和商品信息具体是来自多路召回模型的候选商品集合C，用户属性表U，商品属性表P。
因此在将用户信息和商品信息输入点击率预估模型之前，首先要通过数据收集系统对用户行为数据、用户属性、商品属性等数据进行收集与实时更新，特征处理系统在数据收集系统收集的数据的基础上，进行一定的特征处理与构建，去除无关、错误数据，得到的特征可以用于后续的召回与点击率预估。召回系统通过基于用户行为的协同过滤方法、基于用户画像/商品属性/商品流行度等的召回策略，可以高效地从海量推荐候选中，选择中等长度的候选列表，得到用户信息和商品信息。
在本申请实施例中，进行商品点击率预测信息主要是在线上服务部分，特征的嵌入向量可以保持不变，即整个点击率预估模型的结构与参数不发生变化，仅改变用户侧与商品侧的实时特征，由于特征的计算一般是极为迅速的，而模型参数更新需要消耗更多的时间，因此通过静态模型动态特征的做法可以实现推荐的秒级别更新。此外，用户感知的推荐时间，包括推荐请求、推荐计算、结果下发等几步，均可在几十毫秒的时间尺度上完成。对于模型架构的重新搜索与模型参数的重新训练，可以以天为级别进行操作。
步骤S2，基于所述商品点击率预测信息，生成所述用户信息对应的商品推荐信息；
其中，所述点击率预估模型是基于目标样本交叉特征得到的，所述目标样本交叉特征是基于渐进式的搜索算法，根据商品用户特征搜索空间确定的。
具体地，在得到商品点击率预测信息后还可以基于当前产品策略、商家需求对点击率预估系统的排序结果进行一定的重新排序，如多样化推荐策略中，会根据商品的类别进行重排，从而保证用户看到的商品列表覆盖了尽可能多的商品，提升推荐列表的类别多样性，从而提升用户体验，避免冗余、高度相似的商品。
在本申请实施例中，基于低秩近似设计的商品用户特征搜索空间，在尽量精简空间的基础上，有效建模了不同阶数的交叉特征的相互关联，加速了后续的搜索过程，然后通过渐进式的搜索算法，在搜索空间里得到目标样本交叉特征，从而构建点击率预估模型，通过点击率预估模型能够有效预测商品点击率预测信息，从而生成用户信息对应的商品推荐信息。
可选地，在所述将用户信息和商品信息输入点击率预估模型之前，所述方法还包括：
基于用户样本信息和商品样本信息，得到多组训练样本和多组验证样本，构建商品用户特征搜索空间；
基于渐进式的搜索算法，在所述商品用户特征搜索空间进行搜索，得到目标样本交叉特征；
基于所述目标样本交叉特征更新嵌入参数，得到点击率预估模型。
具体地，本申请实施例中所描述的用户样本信息和商品样本信息质检可能存在多层交叉特征，而本申请实施例中需要从所有可能的高阶交叉特征中，选取能否有效预测数据标签的有限交叉特征组合。
而本申请中的商品用户特征搜索空间需要尽可能地覆盖“好”的模型，即高推荐精准度的模型；其次，改空间不能过大，带来过高的搜索成本。接着，本发明在该空间上设计合适的搜索算法，对于该算法有两点要求。首先，该算法需要在搜索空间里得到高推荐精准度的模型架构，其次该搜索算法需要有较高的计算效率，保证算法的应用价值。
因此本申请中设计了低秩近似空间，将原始的长度为
Figure BDA0003182829240000061
的架构向量，通过O的N维向量的张量积进行表示，即空间参数缩小为O乘以N大小，远小于原空间。此外，该搜索空间有效建模了不同阶数的交叉特征的相互关联。基于该低秩近似的设计，需要搜索的架构参数量显式下降，加速了后续的搜索过程。
本申请中所描述的渐进式的搜索算法分别通过验证集上的损失函数实现构架参数更新，通过训练集上的损失函数实现嵌入参数的更新，对于第1到O-1阶的搜索过程，当训练集上的损失函数与验证集上的损失函数均达到收敛判断条件时，即可进入更高一阶的搜索过程。对于第O阶的搜索过程，当训练集上的损失函数与验证集上的损失函数均达到收敛判断条件时，整个搜索算法停止，得到了稳定的架构参数和前述参数，从而得到点击率预估模型。
在本申请实施例中，在尽量精简空间的基础上，有效建模了不同阶数的交叉特征的相互关联，加速了后续的搜索过程，然后通过渐进式的搜索算法，在搜索空间里得到目标样本交叉特征，从而构建点击率预估模型，能够有效实现点击率预估。
可选地，所述商品用户特征搜索空间是通过用户样本信息和商品样本信息的多维张量积表示的。
具体地，在实际应用中，表征架构参数的向量的维度过高，需要消耗大量的计算资源用于搜索合适的向量参数，不仅使得搜索过程缓慢，也难以搜索得到合适的架构参数。因此，本发明提出一种低秩近似的搜索空间，以取代现有技术中的向量化空间。具体而言，一个由若干个特征进行特征组合得到的交叉特征，其重要性与组成它的一阶特征的重要性紧密相关，因此不同阶数的交叉特征的重要性有极为强烈的联系，而原始的向量化空间设计实际上忽略了这一点，因此引入了大量无关的架构参数量，才导致其搜索过程缓慢、搜索成本高。
因此本发明提出一种低秩近似空间，将原始的长度为
Figure BDA0003182829240000071
的架构向量，通过O的N维向量的张量积进行表示，即空间参数缩小为O乘以N大小，远小于原空间。
在本申请实施例中，该搜索空间有效建模了不同阶数的交叉特征的相互关联。基于该低秩近似的设计，需要搜索的架构参数量显式下降，加速了后续的搜索过程。
可选地，所述基于渐进式的搜索算法，在所述商品用户特征搜索空间进行搜索，得到目标样本交叉特征，包括：
从所述商品用户特征搜索空间中的第一阶开始搜索，当所述第一阶搜索中所述验证样本的损失函数达到收敛条件时，进入下一阶进行搜索，直至完成所述商品用户特征搜索空间的搜索，搜索算法停止，得到构架参数与第一样本交叉特征；
按照预设筛选率对所述第一样本交叉特征进行筛选，得到目标样本交叉特征。
所述基于所述目标样本交叉特征更新嵌入参数，得到点击率预估模型，具体包括：
基于所述目标样本交叉特征，对特征交互层中的所有嵌入向量进行训练，得到嵌入参数；
基于所述嵌入参数，构建目标特征交互层，得到点击率预估模型。
本发明进一步提出适用于该搜索空间的搜索算法，以快速、高效地搜索得到具备高推荐精准度与计算效率的点击率预估模型。点击率预估问题里存在着一个重要事实，低阶特征比高阶特征有着更高的重要性，换而言之，一个模型需要首先对低阶特征进行有效建模后，才有建模更高阶交叉特征的必要性。根据此性质，本发明提出一种渐进式搜索方法，从阶数为1开始，逐次增加对应阶数，直到给定的最高阶数O。以第O阶为例，对其他阶数的参数进行固定，只更新第O阶对应的架构参数。具体更新方式如下：
1)通过训练集上的损失函数更新嵌入参数，学习率为r1,
2)通过验证集上的损失函数根据DARTS算法计算架构参数更新量，更新相应的架构参数(第o阶)，学习率为r2。
此处的r1与r2是一组超参数，需要手动进行调整。此外，训练集和测试集的划分也与具体任务相关。
对于第1到O-1阶的搜索过程，当训练集上的损失函数与验证集上的损失函数均达到收敛判断条件时，即可进入更高一阶的搜索过程。对于第O阶的搜索过程，当训练集上的损失函数与验证集上的损失函数均达到收敛判断条件时，整个搜索算法停止，得到了稳定的架构参数和第一样本交叉特征。
考虑到一个合理的点击率预估模型的要求之一是低参数量与高计算效率，本发明对于上一步搜索得到的架构参数和第一样本交叉特征，进一步通过启发式的设计，对于从第1阶到第O阶的第一样本交叉特征，仅仅保留前R％的第一样本交叉特征，作为最终的特征交互层设计。
在本申请实施例中，仅保留一部分的交叉特征有效地减小了整个特征交互层的计算量，有效提升训练效率与推断效率，提高模型在计算受限设备如边缘技术设备上的应用价值；其次，仅保留一部分的重要交叉特征，相当于移除了重要性较低的交叉特征，而这部分不重要的交叉特征事实上可能对整个点击率预估模型有恶化效果，因此这种做法可以有效提升点击率预估模型的精准度。对于点击率预估模型的重新训练过程，与传统的点击率预估模型的训练过程一致，通过训练集优化相关网络参数，通过验证集上的损失函数或性能挑选合适的超参数，最终在测试集上的推荐效果作为模型的离线效果评价。
可选地，本申请中所描述的点击率预估模型具体可以是深度稀疏网络，图2为本申请实施例提供的深度稀疏网络示意图，如图2所示，
a)Sparse Features：点击率预估任务的原始输入，包括用户、商品等的各类属性信息。
b)Embedding Layer：嵌入层。其将原始属性转化为隐空间的低维表征向量。
c)Feature-interaction Layer：特征交互层。该层实现了高阶交叉特征的计算，是深度稀疏网络的重点，本发明的重点是通过自动化机器学习的搜索方法，得到既高效又有效的特征交互层。
d)Output Layer：将特征交互的结果转化为标量输出值，可以是简单的线性操作也可以是深度神经网络。
e)Prediction Sore:模型的输出结果，对于给定样本的预测值，越接近1代表越有可能发生一次点击、转化等。
图3为本发明提供的商品推荐装置示意图，如图3所示，包括：预估模块310和推荐模块320；其中，预估模块310用于将用户信息和商品信息输入点击率预估模型，得到用户信息对应的商品点击率预测信息；其中，推荐模块320用于基于所述商品点击率预测信息，生成所述用户信息对应的商品推荐信息；其中，所述点击率预估模型是基于目标样本交叉特征得到的，所述目标样本交叉特征是基于渐进式的搜索算法，根据商品用户特征搜索空间确定的。
在本申请实施例中，基于低秩近似设计的商品用户特征搜索空间，在尽量精简空间的基础上，有效建模了不同阶数的交叉特征的相互关联，加速了后续的搜索过程，然后通过渐进式的搜索算法，在搜索空间里得到目标样本交叉特征，从而构建点击率预估模型，通过点击率预估模型能够有效预测商品点击率预测信息，从而生成用户信息对应的商品推荐信息。
图4为本发明提供的电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行商品推荐方法，该方法包括：将用户信息和商品信息输入点击率预估模型，得到用户信息对应的商品点击率预测信息；基于所述商品点击率预测信息，生成所述用户信息对应的商品推荐信息；其中，所述点击率预估模型是基于目标样本交叉特征得到的，所述目标样本交叉特征是基于渐进式的搜索算法，根据商品用户特征搜索空间确定的。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的商品推荐方法，该方法包括：将用户信息和商品信息输入点击率预估模型，得到用户信息对应的商品点击率预测信息；基于所述商品点击率预测信息，生成所述用户信息对应的商品推荐信息；其中，所述点击率预估模型是基于目标样本交叉特征得到的，所述目标样本交叉特征是基于渐进式的搜索算法，根据商品用户特征搜索空间确定的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的商品推荐方法，该方法包括：将用户信息和商品信息输入点击率预估模型，得到用户信息对应的商品点击率预测信息；基于所述商品点击率预测信息，生成所述用户信息对应的商品推荐信息；其中，所述点击率预估模型是基于目标样本交叉特征得到的，所述目标样本交叉特征是基于渐进式的搜索算法，根据商品用户特征搜索空间确定的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种商品推荐方法，其特征在于，包括：
将用户信息和商品信息输入点击率预估模型，得到用户信息对应的商品点击率预测信息；
基于所述商品点击率预测信息，生成所述用户信息对应的商品推荐信息；
其中，所述点击率预估模型是基于目标样本交叉特征得到的，所述目标样本交叉特征是基于渐进式的搜索算法，根据商品用户特征搜索空间确定的。
2.根据权利要求1所述的商品推荐方法，其特征在于，在所述将用户信息和商品信息输入点击率预估模型之前，所述方法还包括：
基于用户样本信息和商品样本信息，得到多组训练样本和多组验证样本，构建商品用户特征搜索空间；
基于渐进式的搜索算法，在所述商品用户特征搜索空间进行搜索，得到目标样本交叉特征；
基于所述目标样本交叉特征更新嵌入参数，得到点击率预估模型。
3.根据权利要求2所述的商品推荐方法，其特征在于，所述商品用户特征搜索空间是通过用户样本信息和商品样本信息的多维张量积表示的。
4.根据权利要求2所述的商品推荐方法，其特征在于，所述基于渐进式的搜索算法，在所述商品用户特征搜索空间进行搜索，得到目标样本交叉特征，包括：
从所述商品用户特征搜索空间中的第一阶开始搜索，当所述第一阶搜索中所述验证样本的损失函数达到收敛条件时，进入下一阶进行搜索，直至完成所述商品用户特征搜索空间的搜索，搜索算法停止，得到构架参数与第一样本交叉特征；
按照预设筛选率对所述第一样本交叉特征进行筛选，得到目标样本交叉特征。
5.根据权利要求3所述的商品推荐方法，其特征在于，所述基于所述目标样本交叉特征更新嵌入参数，得到点击率预估模型，具体包括：
基于所述目标样本交叉特征，对特征交互层中的所有嵌入向量进行训练，得到嵌入参数；
基于所述嵌入参数，构建目标特征交互层，得到点击率预估模型。
6.一种商品推荐方法装置，其特征在于，包括：
预估模块，用于将用户信息和商品信息输入点击率预估模型，得到用户信息对应的商品点击率预测信息；
推荐模块，用于基于所述商品点击率预测信息，生成所述用户信息对应的商品推荐信息；
其中，所述点击率预估模型是基于目标样本交叉特征得到的，所述目标样本交叉特征是基于渐进式的搜索算法，根据商品用户特征搜索空间确定的。
7.根据权利要求6所述的商品推荐方法装置，其特征在于，所述装置包括：构建模块；
所述构建模块具体用于基于用户样本信息和商品样本信息，得到多组训练样本和多组验证样本，并构建商品用户特征搜索空间；
基于渐进式的搜索算法，在所述商品用户特征搜索空间进行搜索，得到目标样本交叉特征；
基于所述目标样本交叉特征更新嵌入参数，得到点击率预估模型。
8.根据权利要求7所述的商品推荐方法装置，其特征在于，所述构建模块具体用于从所述商品用户特征搜索空间中的第一阶开始搜索，当所述第一阶搜索中所述验证样本的损失函数达到收敛条件时，进入下一阶进行搜索，直至完成所述商品用户特征搜索空间的搜索，搜索算法停止，得到构架参数与第一样本交叉特征；
按照预设筛选率对所述第一样本交叉特征进行筛选，得到目标样本交叉特征。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至5任一项所述商品推荐方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述商品推荐方法的步骤。
CN202110851930.8A 2021-07-27 2021-07-27 一种商品推荐方法、装置、电子设备及存储介质 Pending CN113763031A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110851930.8A CN113763031A (zh) 2021-07-27 2021-07-27 一种商品推荐方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110851930.8A CN113763031A (zh) 2021-07-27 2021-07-27 一种商品推荐方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN113763031A true CN113763031A (zh) 2021-12-07

Family

ID=78787969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110851930.8A Pending CN113763031A (zh) 2021-07-27 2021-07-27 一种商品推荐方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113763031A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115129975A (zh) * 2022-05-13 2022-09-30 腾讯科技（深圳）有限公司 推荐模型训练方法、推荐方法、装置、设备及存储介质
CN116611497A (zh) * 2023-07-20 2023-08-18 深圳须弥云图空间科技有限公司 一种点击率预估模型训练方法和装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115129975A (zh) * 2022-05-13 2022-09-30 腾讯科技（深圳）有限公司 推荐模型训练方法、推荐方法、装置、设备及存储介质
CN115129975B (zh) * 2022-05-13 2024-01-23 腾讯科技（深圳）有限公司 推荐模型训练方法、推荐方法、装置、设备及存储介质
CN116611497A (zh) * 2023-07-20 2023-08-18 深圳须弥云图空间科技有限公司 一种点击率预估模型训练方法和装置
CN116611497B (zh) * 2023-07-20 2023-10-03 深圳须弥云图空间科技有限公司 一种点击率预估模型训练方法和装置

Similar Documents

Publication Publication Date Title
CN110503531B (zh) 时序感知的动态社交场景推荐方法
CN111797321B (zh) 一种面向不同场景的个性化知识推荐方法及系统
CN110781409B (zh) 一种基于协同过滤的物品推荐方法
CN108320171A (zh) 热销商品预测方法、系统及装置
WO2019200480A1 (en) Method and system for model auto-selection using an ensemble of machine learning models
CN109410001B (zh) 一种商品推荐方法、系统、电子设备和存储介质
US20220172258A1 (en) Artificial intelligence-based product design
CN113763031A (zh) 一种商品推荐方法、装置、电子设备及存储介质
CN113239264A (zh) 基于元路径网络表示学习的个性化推荐方法及系统
CN111695024A (zh) 对象评估值的预测方法及系统、推荐方法及系统
CN113111924A (zh) 电力客户分类方法及装置
KR20160066395A (ko) 행렬 분해 모델 기반 데이터 분석 방법 및 장치
Ahamed et al. A recommender system based on deep neural network and matrix factorization for collaborative filtering
CN117668205B (zh) 智慧物流客服处理方法、系统、设备及存储介质
CN110019563B (zh) 一种基于多维数据的肖像建模方法和装置
CN111461757A (zh) 信息处理方法及装置、计算机存储介质、电子设备
CN114840745A (zh) 一种基于图表征学习和深度语义匹配模型的个性化推荐方法及系统
CN111930944B (zh) 文件标签分类方法及装置
CN116484105B (zh) 业务处理方法、装置及计算机设备、存储介质、程序产品
CN104572623A (zh) 一种在线lda模型的高效数据总结分析方法
Li et al. Research on recommendation algorithm based on e-commerce user behavior sequence
Kanakamedala et al. Sentiment analysis of online customer reviews for handicraft product using machine learning: A case of Flipkart
CN117252665B (zh) 业务推荐方法、装置、电子设备及存储介质
CN110956528A (zh) 一种电商平台的推荐方法及系统
Peng et al. Design and implementation of an intelligent recommendation system for product information on an e-commerce platform based on machine learning

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