CN114511387A - 产品推荐方法、装置、电子设备及存储介质 - Google Patents

产品推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114511387A
CN114511387A CN202210176658.2A CN202210176658A CN114511387A CN 114511387 A CN114511387 A CN 114511387A CN 202210176658 A CN202210176658 A CN 202210176658A CN 114511387 A CN114511387 A CN 114511387A
Authority
CN
China
Prior art keywords
product
historical
recommended
characteristic data
user
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
CN202210176658.2A
Other languages
English (en)
Inventor
秦云
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.)
Ping An Puhui Enterprise Management Co Ltd
Original Assignee
Ping An Puhui Enterprise Management 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 Ping An Puhui Enterprise Management Co Ltd filed Critical Ping An Puhui Enterprise Management Co Ltd
Priority to CN202210176658.2A priority Critical patent/CN114511387A/zh
Publication of CN114511387A publication Critical patent/CN114511387A/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
    • G06Q30/06—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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Technology Law (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的产品推荐方法、装置、电子设备及存储介质，获取待推荐产品的用户描述特征数据；将待推荐产品的产品特征数据与用户描述特征数据进行融合；获取与目标用户产生交互的历史产品的融合特征数据；将目标用户的历史产品的融合特征数据和待推荐产品的融合特征数据输入至产品推荐模型中，输出行为预测值；根据行为预测值向目标用户推荐待推荐产品；通过上述方式，利用第一历史时间范围与各产品产生交互的历史用户的属性特征数据充分挖掘了各产品的用户描述特征数据，再将各产品的产品特征数据与用户描述特征数据融合得到最终用于预测的融合特征数据，提高了预测的准确性，能够更好地适应产品交互情况的变化。

Description

产品推荐方法、装置、电子设备及存储介质
技术领域
本发明涉及产品推荐技术领域，尤其涉及一种产品推荐方法、装置、电子设备及存储介质。
背景技术
现有各金融APP推荐理财产品顺序为基于金融机构当前主打产品推荐、按收益率推荐，金融机构会有业务风险接受度分析，但实际业务选择项并不一定是用户真实的想法，无较多理财经验的用户也无法方便选择最适合自己的产品。
现有技术中进行金融产品推荐时，没有充分挖掘产品本身的属性特征以及与产品产生交互行为的用户的属性特征，导致推荐不准确。
发明内容
本发明的目的在于提供一种产品推荐方法、装置、电子设备及存储介质，以解决现有技术中产品推荐不准确的技术问题。
本发明的技术方案如下：提供一种产品推荐方法，包括：
根据在第一历史时间范围与待推荐产品产生交互的历史用户的属性特征数据获取所述待推荐产品的用户描述特征数据；
将所述待推荐产品的产品特征数据与所述用户描述特征数据进行融合，得到所述待推荐产品的融合特征数据；
获取与目标用户产生交互的历史产品的融合特征数据；
将所述目标用户的历史产品的融合特征数据和所述待推荐产品的融合特征数据输入至预先训练好的产品推荐模型中，输出所述目标用户对所述待推荐产品产生交互行为的行为预测值，其中，所述产品推荐模型基于向历史用户推荐产品时所述历史用户的历史产品的融合特征数据、已推荐产品的融合特征数据以及所述历史用户对所述已推荐产品的实际交互行为训练得到；
根据所述行为预测值向所述目标用户推荐所述待推荐产品。
可选地，所述根据在第一历史时间范围与待推荐产品产生交互的历史用户的属性特征数据获取所述待推荐产品的用户描述特征数据，包括：
获取在第一历史时间范围与待推荐产品产生交互的历史用户的属性特征数据；
针对每类属性信息，根据所述属性特征数据获取对应的属性特征标签；
根据每类属性信息的所述属性特征标签生成所述待推荐产品的用户描述特征数据。
可选地，所述将所述待推荐产品的产品特征数据与所述用户描述特征数据进行融合，得到所述待推荐产品的融合特征数据，包括：
针对每个所述待推荐产品，将所述产品特征数据与所述用户描述特征数据输入至特征融合模型的拼接层进行拼接处理，输出产品拼接特征数据；
将所述拼接层输出的所述产品拼接特征数据输入至所述特征融合模型的第一全连接层中，对所述产品特征数据与所述用户描述特征数据进行融合处理，得到产品高维融合特征数据；
将所述第一全连接层输出的所述产品高维融合特征数据输入至所述特征融合模型的第二全连接层中，对所述产品高维融合特征数据进行降维处理，输出每个所述待推荐产品的所述融合特征数据。
可选地，所述获取与目标用户产生交互的历史产品的融合特征数据，包括：
若与所述目标用户产生交互的历史产品的数量小于第一预设阈值，则获取所述目标用户以及所述历史用户各自的属性特征数据；
根据所述目标用户和所述历史用户的所述属性特征数据确定所述目标用户的相似历史用户集合；
获取所述历史用户集合中各所述历史用户对应的历史产品的融合特征数据，作为与所述目标用户产生交互的所述历史产品的融合特征数据。
可选地，所述根据所述目标用户和所述历史用户的所述属性特征数据确定所述目标用户的相似历史用户集合，包括：
依次计算所述目标用户的属性特征数据与每个所述历史用户的属性特征数据的皮尔逊相关系数，将所述皮尔逊相关系数作为所述目标用户和所述历史用户之间的相似度；
将相似度从大到小进行排序，选择前预设数量个历史用户用于构建相似历史用户集合。
可选地，所述产品推荐模型为DIN模型，所述产品推荐模型包括注意力网络、池化及聚合层、连接层、MLP层以及sigmoid输出层；
所述将所述目标用户的历史产品的融合特征数据和所述待推荐产品的融合特征数据输入至预先训练好的产品推荐模型中，输出所述目标用户对所述待推荐产品产生交互行为的行为预测值，包括：
利用所述注意力网络根据每个所述历史产品的融合特征数据和所述待推荐产品的融合特征数据计算每个所述历史产品和所述待推荐产品的关系权重；
利用所述池化及聚合层对各所述历史产品的融合特征数据和对应所述关系权重进行池化操作，得到所述目标用户的历史产品组合数据；
利用所述连接层将所述目标用户的历史产品组合数据和所述待推荐产品的融合特征数据进行连接操作，得到所述目标用户的行为特征数据；
利用所述MLP层对所述目标用户的行为特征数据进行特征提取；
利用所述sigmoid输出层对所述MLP层的输出进行非线性映射，输出所述行为预测值。
可选地，所述根据所述行为预测值向所述目标用户推荐所述待推荐产品，包括：
根据所述行为预测值从大到小的顺序，对各个所述待推荐产品进行排序；
按照预设的产品推荐规则，基于上述排序结构向所述目标用户进行产品推荐。
本发明的另一技术方案如下：提供一种产品推荐装置，包括：
特征描述模块，用于根据在第一历史时间范围与待推荐产品产生交互的历史用户的属性特征数据获取所述待推荐产品的用户描述特征数据；
特征融合模块，用于将所述待推荐产品的产品特征数据与所述用户描述特征数据进行融合，得到所述待推荐产品的融合特征数据；
历史产品获取模块，用于获取与目标用户产生交互的历史产品的融合特征数据；
计算模块，用于将所述目标用户的历史产品的融合特征数据和所述待推荐产品的融合特征数据输入至预先训练好的产品推荐模型中，输出所述目标用户对所述待推荐产品产生交互行为的行为预测值，其中，所述产品推荐模型基于向历史用户推荐产品时所述历史用户的历史产品的融合特征数据、已推荐产品的融合特征数据以及所述历史用户对所述已推荐产品的实际交互行为训练得到；
推荐模块，用于根据所述行为预测值向所述目标用户推荐所述待推荐产品。
本发明的另一技术方案如下：提供一种电子设备，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现上述的产品推荐方法。
本发明的另一技术方案如下：提供一种存储介质，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现上述的产品推荐方法。
本发明的产品推荐方法、装置、电子设备及存储介质，根据在第一历史时间范围与待推荐产品产生交互的历史用户的属性特征数据获取所述待推荐产品的用户描述特征数据；将所述待推荐产品的产品特征数据与所述用户描述特征数据进行融合，得到所述待推荐产品的融合特征数据；获取与目标用户产生交互的历史产品的融合特征数据；将所述目标用户的历史产品的融合特征数据和所述待推荐产品的融合特征数据输入至预先训练好的产品推荐模型中，输出所述目标用户对所述待推荐产品产生交互行为的行为预测值；根据所述行为预测值向所述目标用户推荐所述待推荐产品；通过上述方式，利用第一历史时间范围与各产品产生交互的历史用户的属性特征数据充分挖掘了各产品的用户描述特征数据，再将各产品的产品特征数据与用户描述特征数据融合得到最终用于预测的融合特征数据，提高了预测的准确性，能够更好地适应产品交互情况的变化。
附图说明
图1为本发明第一实施例的产品推荐方法的流程图；
图2为本发明第二实施例的产品推荐装置的结构示意图；
图3为本发明第三实施例的电子设备的结构示意图；
图4为本发明第四实施例的存储介质的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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他实施例，都属于本发明保护的范围。
本发明中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
图1是本发明第一实施例的产品推荐方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该产品推荐方法包括步骤：
S101，根据在第一历史时间范围与待推荐产品产生交互的历史用户的属性特征数据获取所述待推荐产品的用户描述特征数据。
其中，用户的属性特征数据是根据用户的各属性信息得到的，用户的属性信息包括年龄、性别、职业、年收入、学历、兴趣爱好、性格自述等，在用户的属性特征数据中，将每一个属性信息进行离散化处理得到对应的离散特征，用户的属性特征数据为各属性信息对应的离散特征集合形成的矩阵。进一步地，例如，离散化处理可以是one-hot编码，所述one-hot编码转换为对每一用户的属性信息中的内容分配一个整数值，即对每一用户的属性信息进行编码，然后将该整数值转换成二值数组向量，将用户的所有属性信息进行one-hot转换得到所述属性特征数据。例如，以职业为例，职业的内容包括教师、公务员、销售、律师、医生等，在职业这个属性信息中，分别为教师、公务员、销售、律师、医生分配整数值A、整数值B、整数值C、整数值D和整数值E，当用户a的职业为医生时，其职业的离散特征就是整数值E。
其中，第一历史时间范围是根据推荐时间和第一预设时长确定的，第一历史时间范围的长度为第一预设时长，第一历史时间范围的起始时间点为距离推荐时间第一预设时长的时间点，第一历史时间范围的终止时间为推荐时间对应的时间点，例如，推荐时间可以是当前时间(例如，2021年11月26日)，第一预设时长为三个月，于是第一历史时间范围为2021年8月27日至2021年11月26日。一般，选择距离推荐时间距离最近的一段时间，例如，距离当前时间1个月内、距离当前时间2个月内或距离当前时间半年内。
其中，与待推荐产品产生交互的历史用户，是指在第一历史时间范围对待推荐产品进行购买、点击、喜欢、分享或收藏的用户。
在一个可选的实施方式中，步骤S101具体包括如下步骤：
S201，获取在第一历史时间范围与待推荐产品产生交互的历史用户的属性特征数据。
S202，针对每类属性信息，根据所述属性特征数据获取对应的属性特征标签。
其中，针对每类属性信息，可以将历史用户中该类属性信息数量最多的前预设数量种属性信息作为属性特征标签，具体地，以职业这一类属性信息为例，例如，待推荐产品的历史用户的属性特征数据中整数值A(教师)、整数值B(公务员)、整数值D(律师)数量分别排在第一、第二和第三位，于是，对于职业这一类属性信息，选择整数值A(教师)、整数值B(公务员)、整数值D(律师)作为属性特征标签。按照上述方式，将每类属性信息分别构建属性特征标签。
S203，根据每类属性信息的所述属性特征标签生成所述待推荐产品的用户描述特征数据。
其中，将属性特征标签对应的one-hot编码进行组合形成一个离散化的标签特征集合，再将所述离散化的标签特征集合输入至Embedding层，对所述离散化的标签特征集合中每个属性特征标签对应的one-hot编码进行处理，输出每一个属性特征标签的one-hot编码对应的低维稠密特征；用户描述特征数据为属性特征标签的one-hot编码对应的低维稠密特征的集合。
S102，将所述待推荐产品的产品特征数据与所述用户描述特征数据进行融合，得到所述待推荐产品的融合特征数据。
其中，产品特征数据用于表征不同产品对应的特征信息，以对不同的产品进行区分。具体地，产品对应的特征信息可以包括产品类型、产品内容、产品价格、收益率、净值、起购金额、周期、渠道、风险等级、币种、保本性质、历史购买人次、赎回周期、费用、往期业绩、不同类型的交互次数以及不同类型的标签，不同类型的交互可以包括点击、喜欢、分享、收藏、屏蔽，不同类型的标签为在推荐过程中由用户反馈添加的标签或者在推荐场景中产生的标签。在产品特征数据中，对每一个特征信息进行离散化处理得到对应的离散特征，形成对应的离散化的产品特征集合，再将所述离散化的产品特征集合输入至Embedding层，对所述离散化的产品特征集合中每个特征信息对应的one-hot编码进行处理，输出每一个特征信息的one-hot编码对应的低维稠密特征；产品特征数据为产品的特征信息的one-hot编码对应的低维稠密特征的集合。
其中，利用特征融合模型将待推荐产品的产品特征数据与用户描述特征数据进行融合，特征融合模型包括拼接层、第一全连接层和第二全连接层，具体包括如下步骤：
S301，针对每个所述待推荐产品，将所述产品特征数据与所述用户描述特征数据输入至拼接层进行拼接处理，输出产品拼接特征数据。
其中，对所述产品特征数据与所述用户描述特征数据进行求和，实现两个特征数据的拼接。
S302，将所述产品拼接特征数据输入至第一全连接层中，对所述产品特征数据与所述用户描述特征数据进行融合处理，输出产品高维融合特征数据。
S303，将所述产品高维融合特征数据输入至第二全连接层中，对所述产品高维融合特征数据进行降维处理，输出每个所述待推荐产品的所述融合特征数据。
其中，第一全连接层和第二全连接层分别进行两个不同大小的全连接操作。
具体地，在步骤S301中，按照产品特征数据中各低维稠密特征的排列顺序以及用户描述特征数据中各低维稠密特征的排列顺序进行矢量叠加，得到产品拼接特征数据。在步骤S302和步骤S303中，第一全连接层包括第一数量个节点，第二全连接层包括第二数量个节点，第一数量大于第二数量。在步骤S302中，将所述产品拼接特征数据输入至第一全连接层中，分别在所述第一全连接层的每一个节点，对所述产品拼接特征数据中各低维稠密特征进行特征融合，得到第一数量个不同的第一交叉特征，第一数量个不同的第一交叉特征形成产品高维融合特征数据。在步骤S303中，将所述产品高维融合特征数据输入至第二全连接层中，分别在第二全连接层的每一个节点，对第一数量个不同的第一交叉特征进行特征融合，得到第二数量个不同的第二交叉特征，第二数量个不同的第二交叉特征形成待推荐产品的融合特征数据。
S103，获取与目标用户产生交互的历史产品的融合特征数据。
其中，根据目标用户的交互行为数据获取所述目标用户的历史产品列表，每个目标用户的历史产品列表包括与所述目标用户产生交互的历史产品，例如，可以是目标用户购买、收藏、浏览过的历史产品。在本步骤中，历史产品的融合特征数据的获取方式与待推荐产品的融合特征数据的获取方式相似，具体参见步骤S101和步骤S102的描述。
其中，将目标用户产生交互的历史产品作为目标客户的行为数据。
在一个可选的实施方式中，若目标客户的交互行为较少，甚至没有交互行为，对应的历史产品列表较短，无法获取足够的行为数据，会导致推荐不准确，此时，步骤S103具体包括如下步骤：
S401，若与所述目标用户产生交互的历史产品的数量小于第一预设阈值，则获取所述目标用户以及所述历史用户各自的属性特征数据。
S402，根据所述目标用户和所述历史用户的所述属性特征数据确定所述目标用户的相似历史用户集合。
S403，获取所述历史用户集合中各所述历史用户对应的历史产品的融合特征数据，作为与所述目标用户产生交互的所述历史产品的融合特征数据。
其中，当目标用户对应的历史产品数量较少时，根据属性特征数据的相似度为所述目标用户匹配历史用户，构建相似历史用户集合，将相似历史用户集合中各历史用户的历史产品的融合特征数据作为目标用户的行为数据。具体地，在步骤S402中，依次计算所述目标用户的属性特征数据与每个所述历史用户的属性特征数据的皮尔逊相关系数，将所述皮尔逊相关系数作为所述目标用户和所述历史用户之间的相似度，将相似度从大到小进行排序，选择前预设数量个历史用户用于构建相似历史用户集合。
S104，将所述目标用户的历史产品的融合特征数据和所述待推荐产品的融合特征数据输入至预先训练好的产品推荐模型中，输出所述目标用户对所述待推荐产品产生交互行为的行为预测值，其中，所述产品推荐模型基于向历史用户推荐产品时所述历史用户的历史产品的融合特征数据、已推荐产品的融合特征数据以及所述历史用户对所述已推荐产品的实际交互行为训练得到。
其中，产品推荐模型可以为DIN(Deep Interest Network)模型或者DeepFM模型，本实施例以DIN模型为例进行详细说明。DIN模型采用注意力机制，依次包括注意力网络(Attention Net)、池化及聚合层(SUM Pooling)、连接层(Concat)、MLP(Multi-LayerPerceptron，多层神经网络)层和sigmoid输出层，具体地，注意力网络学习目标用户的历史产品的融合特征数据和待推荐产品的融合特征数据之间的关系，表达公式如下：
Figure BDA0003519240350000091
其中，[e1，e2，...，eH]表示目标用户的各历史产品的融合特征数据，vA代表待推荐产品A的融合特征数据，vU(A)表示目标用户U对待推荐产品A的感兴趣程度，vU(A)随着A的变化而不同，a()代表一个前向神经网络，a()的输出为不同历史产品的激活权重，wj代表ej的关系权重。由于注意力网络的输入包括所述目标用户的历史产品的融合特征向量和所述待推荐产品的融合特征向量，将历史产品的融合特征向量和待推荐产品的融合特征向量二者以及二者之间的外积进行连接，再通过激活函数和线性层得到历史产品的融合特征数据ej与待推荐产品的融合特征数据vA在embedding空间的关系权重，计算出每个历史产品的融合特征数据ej的关系权重wj后，通过池化及聚合层执行带权重的pooling操作，得到vU(A)。再利用连接层将目标用户U对待推荐产品A的感兴趣程度vU(A)与待推荐产品的融合特征数据vA进行concat操作，再经过第一MLP层和第二MLP层学习这些向量之间的高阶非线性关系，最后经过sigmoid输出层输出行为预测值，行为预测值越大，表示目标用户与待推荐产品产生交互行为的可能性越大。
在所述DIN模型进行训练时，使用负对数似然函数logloss作为损失函数进行训练：
Figure BDA0003519240350000101
其中，S指整个训练样本，样本条数为N。y∈{0,1}是样本中的标签，其中y＝1表示用户点击了该样本，y＝0表示用户未点击该样本。P(x)为模型的输出。
步骤S104具体包括如下步骤：
S501，利用注意力网络根据每个所述历史产品的融合特征数据和所述待推荐产品的融合特征数据计算每个所述历史产品和所述待推荐产品的关系权重。
S502，利用池化及聚合层对各所述历史产品的融合特征数据和对应所述关系权重进行池化操作，得到所述目标用户的历史产品组合数据。
S503，利用连接层将所述目标用户的历史产品组合数据和所述待推荐产品的融合特征数据进行连接操作，得到所述目标用户的行为特征数据。
S504，利用MLP层对所述目标用户的行为特征数据进行特征提取。
S505，利用sigmoid输出层对所述MLP层的输出进行非线性映射，输出所述行为预测值。
其中，产品推荐模型还可以为DeepFM模型或其他模型。
具体地，由于在第一历史时间范围与待推荐产品或历史产品产生交互的历史用户不断变化，待推荐产品或历史产品的用户描述特征数据在不同的时期会产生变化，将用户描述特征数据作为产品的融合特征数据的一部分有利于提高预测准确性，有利于适应产品交互情况的变化。
在一个可选的实施方式中，在实际预测过程中，数据往往存在噪声，为了减少计算时间以及提高抗噪声的能力，提高模型的鲁棒性和泛化能力，在DIN模型之前引入降噪自编码器(DAE，Denoising auto-encoder)，包括腐蚀输入层和隐含层，根据一定的规则干扰原始输入和噪声，使原始输入被破坏形成损坏数据，损坏数据被输入到隐含层网络中，得到对应的隐含层的表示。具体地，步骤S104之前还包括如下步骤：
S601，利用所述降噪自编码器分别在所述目标用户的历史产品的融合特征数据以及所述待推荐产品的融合特征数据中加入噪声，得到各历史产品以及各待推荐产品的损坏的融合特征数据。
在本步骤中，在融合特征数据中加入噪声的方式可以为在特征数据上添加一个服从正态分布的随机值；或者，用相同的输入形状生成二项分布随机数，再将随机数与特征数据相乘。
S602，利用所述降噪自编码器分别对所述损坏的融合特征数据进行编码，得到各历史产品以及各待推荐产品的修复的融合特征数据。
在本步骤中，分别将各损坏的融合特征数据输入至所述降噪自编码器的隐含层，在所述隐含层中利用编码函数对损坏的融合特征数据进行编码，分别输出所述目标用户的历史产品的修复的融合特征数据以及所述待推荐产品的修复的融合特征数据，并且，隐含层的输出作为DIN模型的输入。
S105，根据所述行为预测值向所述目标用户推荐所述待推荐产品。
其中，根据行为预测值从大到小的顺序，对各个待推荐产品进行排序；按照预设的产品推荐规则，基于上述排序结构向目标用户进行产品推荐。例如，预设的产品推荐规则可以是推荐排序前第一数量位的待推荐产品，或者，推荐行为预测值大于或等于第一预设阈值的待推荐产品。
进一步地，上述的产品推荐流程可以基于人工智能进行构建，基于人工智能技术对相关的数据进行获取和处理，实现无人值守的智能产品推荐。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
图2是本发明第二实施例的产品推荐装置的结构示意图。如图2所示，该产品推荐装置20包括特征描述模块21、特征融合模块22、历史产品获取模块23、计算模块24以及推荐模块25，其中，特征描述模块21，用于根据在第一历史时间范围与待推荐产品产生交互的历史用户的属性特征数据获取所述待推荐产品的用户描述特征数据；特征融合模块22，用于将所述待推荐产品的产品特征数据与所述用户描述特征数据进行融合，得到所述待推荐产品的融合特征数据；历史产品获取模块23，用于获取与目标用户产生交互的历史产品的融合特征数据；计算模块24，用于将所述目标用户的历史产品的融合特征数据和所述待推荐产品的融合特征数据输入至预先训练好的产品推荐模型中，输出所述目标用户对所述待推荐产品产生交互行为的行为预测值，其中，所述产品推荐模型基于向历史用户推荐产品时所述历史用户的历史产品的融合特征数据、已推荐产品的融合特征数据以及所述历史用户对所述已推荐产品的实际交互行为训练得到；推荐模块25，用于根据所述行为预测值向所述目标用户推荐所述待推荐产品。
进一步地，该特征描述模块21还用于获取在第一历史时间范围与待推荐产品产生交互的历史用户的属性特征数据；针对每类属性信息，根据所述属性特征数据获取对应的属性特征标签；根据每类属性信息的所述属性特征标签生成所述待推荐产品的用户描述特征数据。
进一步地，该特征融合模块22还用于针对每个所述待推荐产品，将所述产品特征数据与所述用户描述特征数据进行拼接，得到产品拼接特征数据；将所述产品拼接特征数据输入至第一全连接层中，对所述产品特征数据与所述用户描述特征数据进行融合处理，得到产品高维融合特征数据；将所述产品高维融合特征数据输入至第二全连接层中，对所述产品高维融合特征数据进行降维处理，得到每个所述待推荐产品的所述融合特征数据。
进一步地，该特征融合模块22还用于若与所述目标用户产生交互的历史产品的数量小于第一预设阈值，则获取所述目标用户以及所述历史用户各自的属性特征数据；根据所述目标用户和所述历史用户的所述属性特征数据确定所述目标用户的相似历史用户集合；获取所述历史用户集合中各所述历史用户对应的历史产品的融合特征数据，作为与所述目标用户产生交互的所述历史产品的融合特征数据。
进一步地，该特征融合模块22还用于依次计算所述目标用户的属性特征数据与每个所述历史用户的属性特征数据的皮尔逊相关系数，将所述皮尔逊相关系数作为所述目标用户和所述历史用户之间的相似度；将相似度从大到小进行排序，选择前预设数量个历史用户用于构建相似历史用户集合。
所述产品推荐模型为DIN模型，所述产品推荐模型包括注意力网络、池化及聚合层、连接层、MLP层以及sigmoid输出层；进一步地，该计算模块24还用于利用所述注意力网络根据每个所述历史产品的融合特征数据和所述待推荐产品的融合特征数据计算每个所述历史产品和所述待推荐产品的关系权重；利用所述池化及聚合层对各所述历史产品的融合特征数据和对应所述关系权重进行池化操作，得到所述目标用户的历史产品组合数据；利用所述连接层将所述目标用户的历史产品组合数据和所述待推荐产品的融合特征数据进行连接操作，得到所述目标用户的行为特征数据；利用所述MLP层对所述目标用户的行为特征数据进行特征提取；利用所述sigmoid输出层对所述MLP层的输出进行非线性映射，输出所述行为预测值。
进一步地，该推荐模块25还用于根据所述行为预测值从大到小的顺序，对各个所述待推荐产品进行排序；按照预设的产品推荐规则，基于上述排序结构向所述目标用户进行产品推荐。
图3是本发明第三实施例的电子设备的结构示意图。如图3所示，该电子设备30包括处理器31及和处理器31耦接的存储器32。
存储器32存储有用于实现上述任一实施例的所述产品推荐方法的程序指令。
处理器31用于执行存储器32存储的程序指令以进行产品推荐。
其中，处理器31还可以称为CPU(Central Processing Unit，中央处理单元)。处理器31可能是一种集成电路芯片，具有信号的处理能力。处理器31还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。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。
参阅图4，图4为本发明第四实施例的存储介质的结构示意图。本发明实施例的存储介质存储有能够实现上述所有方法的程序指令41，所述存储介质可以是非易失性，也可以是易失性。其中，该程序指令41可以以软件产品的形式存储在上述存储介质中，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)或处理器(processor)执行本发明各个实施方式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，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围。
以上所述的仅是本发明的实施方式，在此应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出改进，但这些均属于本发明的保护范围。

Claims (10)

1.一种产品推荐方法，其特征在于，包括：
根据在第一历史时间范围与待推荐产品产生交互的历史用户的属性特征数据获取所述待推荐产品的用户描述特征数据；
将所述待推荐产品的产品特征数据与所述用户描述特征数据进行融合，得到所述待推荐产品的融合特征数据；
获取与目标用户产生交互的历史产品的融合特征数据；
将所述目标用户的历史产品的融合特征数据和所述待推荐产品的融合特征数据输入至预先训练好的产品推荐模型中，输出所述目标用户对所述待推荐产品产生交互行为的行为预测值，其中，所述产品推荐模型基于向历史用户推荐产品时所述历史用户的历史产品的融合特征数据、已推荐产品的融合特征数据以及所述历史用户对所述已推荐产品的实际交互行为训练得到；
根据所述行为预测值向所述目标用户推荐所述待推荐产品。
2.根据权利要求1所述的产品推荐方法，其特征在于，所述根据在第一历史时间范围与待推荐产品产生交互的历史用户的属性特征数据获取所述待推荐产品的用户描述特征数据，包括：
获取在第一历史时间范围与待推荐产品产生交互的历史用户的属性特征数据；
针对每类属性信息，根据所述属性特征数据获取对应的属性特征标签；
根据每类属性信息的所述属性特征标签生成所述待推荐产品的用户描述特征数据。
3.根据权利要求1所述的产品推荐方法，其特征在于，所述将所述待推荐产品的产品特征数据与所述用户描述特征数据进行融合，得到所述待推荐产品的融合特征数据，包括：
针对每个所述待推荐产品，将所述产品特征数据与所述用户描述特征数据输入至特征融合模型的拼接层进行拼接处理，输出产品拼接特征数据；
将所述拼接层输出的所述产品拼接特征数据输入至所述特征融合模型的第一全连接层中，对所述产品特征数据与所述用户描述特征数据进行融合处理，得到产品高维融合特征数据；
将所述第一全连接层输出的所述产品高维融合特征数据输入至所述特征融合模型的第二全连接层中，对所述产品高维融合特征数据进行降维处理，输出每个所述待推荐产品的所述融合特征数据。
4.根据权利要求1所述的产品推荐方法，其特征在于，所述获取与目标用户产生交互的历史产品的融合特征数据，包括：
若与所述目标用户产生交互的历史产品的数量小于第一预设阈值，则获取所述目标用户以及所述历史用户各自的属性特征数据；
根据所述目标用户和所述历史用户的所述属性特征数据确定所述目标用户的相似历史用户集合；
获取所述历史用户集合中各所述历史用户对应的历史产品的融合特征数据，作为与所述目标用户产生交互的所述历史产品的融合特征数据。
5.根据权利要求4所述的产品推荐方法，其特征在于，所述根据所述目标用户和所述历史用户的所述属性特征数据确定所述目标用户的相似历史用户集合，包括：
依次计算所述目标用户的属性特征数据与每个所述历史用户的属性特征数据的皮尔逊相关系数，将所述皮尔逊相关系数作为所述目标用户和所述历史用户之间的相似度；
将相似度从大到小进行排序，选择前预设数量个历史用户用于构建相似历史用户集合。
6.根据权利要求1所述的产品推荐方法，其特征在于，所述产品推荐模型为DIN模型，所述产品推荐模型包括注意力网络、池化及聚合层、连接层、MLP层以及sigmoid输出层；
所述将所述目标用户的历史产品的融合特征数据和所述待推荐产品的融合特征数据输入至预先训练好的产品推荐模型中，输出所述目标用户对所述待推荐产品产生交互行为的行为预测值，包括：
利用所述注意力网络根据每个所述历史产品的融合特征数据和所述待推荐产品的融合特征数据计算每个所述历史产品和所述待推荐产品的关系权重；
利用所述池化及聚合层对各所述历史产品的融合特征数据和对应所述关系权重进行池化操作，得到所述目标用户的历史产品组合数据；
利用所述连接层将所述目标用户的历史产品组合数据和所述待推荐产品的融合特征数据进行连接操作，得到所述目标用户的行为特征数据；
利用所述MLP层对所述目标用户的行为特征数据进行特征提取；
利用所述sigmoid输出层对所述MLP层的输出进行非线性映射，输出所述行为预测值。
7.根据权利要求1所述的产品推荐方法，其特征在于，所述根据所述行为预测值向所述目标用户推荐所述待推荐产品，包括：
根据所述行为预测值从大到小的顺序，对各个所述待推荐产品进行排序；
按照预设的产品推荐规则，基于上述排序结构向所述目标用户进行产品推荐。
8.一种产品推荐装置，其特征在于，包括：
特征描述模块，用于根据在第一历史时间范围与待推荐产品产生交互的历史用户的属性特征数据获取所述待推荐产品的用户描述特征数据；
特征融合模块，用于将所述待推荐产品的产品特征数据与所述用户描述特征数据进行融合，得到所述待推荐产品的融合特征数据；
历史产品获取模块，用于获取与目标用户产生交互的历史产品的融合特征数据；
计算模块，用于将所述目标用户的历史产品的融合特征数据和所述待推荐产品的融合特征数据输入至预先训练好的产品推荐模型中，输出所述目标用户对所述待推荐产品产生交互行为的行为预测值，其中，所述产品推荐模型基于向历史用户推荐产品时所述历史用户的历史产品的融合特征数据、已推荐产品的融合特征数据以及所述历史用户对所述已推荐产品的实际交互行为训练得到；
推荐模块，用于根据所述行为预测值向所述目标用户推荐所述待推荐产品。
9.一种电子设备，其特征在于，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如权利要求1～7中任一项所述的产品推荐方法。
10.一种存储介质，其特征在于，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现如权利要求1～7中任一项所述的产品推荐方法。
CN202210176658.2A 2022-02-24 2022-02-24 产品推荐方法、装置、电子设备及存储介质 Pending CN114511387A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210176658.2A CN114511387A (zh) 2022-02-24 2022-02-24 产品推荐方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210176658.2A CN114511387A (zh) 2022-02-24 2022-02-24 产品推荐方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114511387A true CN114511387A (zh) 2022-05-17

Family

ID=81554535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210176658.2A Pending CN114511387A (zh) 2022-02-24 2022-02-24 产品推荐方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114511387A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114996588A (zh) * 2022-08-01 2022-09-02 平安科技（深圳）有限公司 基于双塔模型的产品推荐方法、装置、设备及存储介质
CN115794898A (zh) * 2023-01-05 2023-03-14 中信建投证券股份有限公司 一种金融资讯推荐方法、装置、电子设备及存储介质
WO2024193216A1 (zh) * 2023-03-20 2024-09-26 腾讯科技（深圳）有限公司 推送对象的处理方法、对象推送模型的训练方法和装置
WO2024199349A1 (zh) * 2023-03-28 2024-10-03 北京有竹居网络技术有限公司 对象推荐方法、装置、介质及电子设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114996588A (zh) * 2022-08-01 2022-09-02 平安科技（深圳）有限公司 基于双塔模型的产品推荐方法、装置、设备及存储介质
CN114996588B (zh) * 2022-08-01 2022-10-21 平安科技（深圳）有限公司 基于双塔模型的产品推荐方法、装置、设备及存储介质
CN115794898A (zh) * 2023-01-05 2023-03-14 中信建投证券股份有限公司 一种金融资讯推荐方法、装置、电子设备及存储介质
WO2024193216A1 (zh) * 2023-03-20 2024-09-26 腾讯科技（深圳）有限公司 推送对象的处理方法、对象推送模型的训练方法和装置
WO2024199349A1 (zh) * 2023-03-28 2024-10-03 北京有竹居网络技术有限公司 对象推荐方法、装置、介质及电子设备

Similar Documents

Publication Publication Date Title
CN112598462B (zh) 基于协同过滤和深度学习的个性化推荐方法及系统
You et al. Image-based appraisal of real estate properties
CN112085565B (zh) 基于深度学习的信息推荐方法、装置、设备及存储介质
CN114511387A (zh) 产品推荐方法、装置、电子设备及存储介质
CN113688304A (zh) 搜索推荐模型的训练方法、搜索结果排序的方法及装置
CN113256367B (zh) 用户行为历史数据的商品推荐方法、系统、设备及介质
CN110866628A (zh) 利用动态时间上下文学习进行多界限时间序列预测的系统和方法
CN107729937A (zh) 用于确定用户兴趣标签的方法及装置
CN111177579B (zh) 集成多样性增强的极深因子分解机模型的应用方法
CN111626832A (zh) 产品推荐方法、装置及计算机设备
CN108572984A (zh) 一种实时用户兴趣识别方法及装置
Kaluža Machine Learning in Java
Klaas Machine learning for finance: principles and practice for financial insiders
CN111340522A (zh) 资源推荐方法、装置、服务器及存储介质
CN114240555A (zh) 训练点击率预测模型和预测点击率的方法和装置
CN115631008A (zh) 商品推荐方法、装置、设备及介质
CN115495654A (zh) 基于子空间投影神经网络的点击率预估方法和装置
Fareed et al. A collaborative filtering recommendation framework utilizing social networks
KR20210144330A (ko) 협업 필터링 신경망을 이용하여 상품을 추천하는 방법 및 장치
CN115080868A (zh) 产品推送方法、装置、计算机设备、存储介质和程序产品
CN114493674A (zh) 一种广告点击率预测模型及方法
CN115730125A (zh) 对象识别方法、装置、计算机设备和存储介质
CN113705698A (zh) 基于点击行为预测的信息推送方法及装置
CN118246939A (zh) 一种基于注意力机制的DeepFM模型浏览数据处理的方法及系统
CN115471260A (zh) 基于神经网络的销售预测方法、装置、设备及介质

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