CN115271866A - 一种产品推荐方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本申请公开了一种产品推荐方法、装置、电子设备及可读存储介质，该方法包括：获取当前用户的历史行为信息及待预测产品；基于多目标模型中的点击概率子模型、购买概率子模型、用户发生购买行为概率子模型分别对当前用户的历史行为信息及待预测产品进行处理，得到对应的点击概率、购买概率、用户发生购买行为概率；基于多目标模型中的产品推荐子模型对当前用户的历史行为信息、待预测产品及点击概率、购买概率、用户发生购买行为概率进行处理，得到待预测产品对应的推荐分数；根据待预测产品对应的推荐分数从待预测产品中确定待推荐的产品；向用户推荐待推荐的产品。通过实施本申请，可以在保证产品购买精度不变的条件下，提升产品点击的精度。

Description

一种产品推荐方法、装置、电子设备及可读存储介质

技术领域

本申请涉及产品推荐技术领域，尤其涉及一种产品推荐方法、装置、电子设备及可读存储介质。

背景技术

线上商城中，点击率高的产品不一定卖的好，而卖得好的产品不一定点击率高。因此，提高线上产品推荐的精准度是一直追求的目标。

发明内容

有鉴于此，本申请实施例通过提供一种产品推荐方法、装置、电子设备及可读存储介质。

根据本申请第一方面，本申请实施例提供了一种产品推荐方法，包括：获取当前用户的历史行为信息及待预测产品；基于多目标模型中的点击概率子模型、购买概率子模型、用户发生购买行为概率子模型分别对当前用户的历史行为信息及待预测产品进行处理，得到对应的点击概率、购买概率、用户发生购买行为概率；基于多目标模型中的产品推荐子模型对当前用户的历史行为信息、待预测产品及点击概率、购买概率、用户发生购买行为概率进行处理，得到待预测产品对应的推荐分数；根据待预测产品对应的推荐分数从待预测产品中确定待推荐的产品；向用户推荐待推荐的产品。

可选地，多目标模型的构建步骤包括：获取多个训练样本集及每个训练样本集中的训练样本对应的标签，多个训练样本集包括点击样本集、购买样本集、用户意图样本集及产品推荐样本集；用户意图样本集中的训练样本用于表征用户本次是否会发生购买行为；产品推荐样本集中的训练样本包括点击样本数据和购买样本数据；分别采用点击样本集、购买样本集、用户意图样本集及产品推荐样本集中的训练样本及对应的标签对神经网络进行训练，得到一个多目标模型，多目标模型包括点击概率子模型、购买概率子模型、用户发生购买行为概率子模型和产品推荐子模型；其中，产品推荐子模型训练时的输入包括点击概率子模型、购买概率子模型及用户发生购买行为概率子模型的输出。

可选地，产品推荐样本集中的点击样本数据包括第一用户的历史行为信息，及第一用户的点击概率为1或0的第一目标产品，购买样本数据包括第二用户的历史行为信息，及第二用户的购买概率为1或0的第二目标产品；

相应地，点击样本数据对应的标签为第一目标产品的推荐分数，购买样本数据对应的标签为第二目标产品的推荐分数；其中，第一目标产品的推荐分数基于第一用户对第一目标产品的点击概率确定，第二目标产品的推荐分数基于第二用户对第二目标产品的购买概率确定。

可选地，采用产品推荐样本集中的训练样本及对应的标签对神经网络进行训练，包括：将产品推荐样本集中的训练样本分别输入点击概率子模型、购买概率子模型、用户发生购买行为概率子模型，得到对应的样本点击概率、样本购买概率及样本用户发生购买行为概率；采用产品推荐样本集及对应的标签，以及样本点击概率、样本购买概率及样本用户发生购买行为概率对神经网络进行训练，得到多目标模型中的产品推荐子模型。

可选地，产品推荐子模型的输出通过如下公式计算：

推荐分数＝pCTR*(1-pBuy)+pCTCVR*pBuy；其中，推荐分数为产品推荐子模型的输出，pCTR为产品推荐子模型修正后的点击概率，pCTCVR为产品推荐子模型修正后的点击并购买概率，pBuy为产品推荐子模型修正后的用户发生购买行为概率。

可选地，当前用户的历史行为信息包括当前用户的历史点击信息、历史购买信息；待预测产品包括待预测产品的特征信息和当前用户与待预测产品的交互信息。

可选地，根据待预测产品对应的推荐分数从待预测产品中确定待推荐的产品，包括：按照推荐分数从高到低的排序规则，基于待预测产品对应的推荐分数对待预测产品进行排序；确定排序在前的、预设数量的待预测产品，作为待推荐的产品。

根据本申请第二方面，本申请实施例提供了一种产品推荐装置，包括：获取单元，用于获取当前用户的历史行为信息及待预测产品；第一处理单元，用于基于多目标模型中的点击概率子模型、购买概率子模型、用户发生购买行为概率子模型分别对当前用户的历史行为信息及待预测产品进行处理，得到对应的点击概率、购买概率、用户发生购买行为概率；第二处理单元，用于基于多目标模型中的产品推荐子模型对当前用户的历史行为信息、待预测产品及点击概率、购买概率、用户发生购买行为概率进行处理，得到待预测产品对应的推荐分数；确定单元，用于根据待预测产品对应的推荐分数从待预测产品中确定待推荐的产品；推荐单元，用于向用户推荐待推荐的产品。

根据本申请第三方面，本申请实施例提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行如第一方面或第一方面任意实施方式中的产品推荐方法。

根据本申请第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行如第一方面或第一方面任意实施方式中的产品推荐方法。

本申请实施例提供的产品推荐方法、装置、电子设备及可读存储介质，由于选用的多目标模型中不仅包括点击概率子模型、购买概率子模型，产品推荐子模型，还包括用户发生购买行为概率子模型，该用户发生购买行为概率子模型可以评估用户此次是希望购买产品还是“闲逛”的，如此，产品推荐子模型对当前用户的历史行为信息、待预测产品及点击概率、购买概率、用户发生购买行为概率进行处理，得到待预测产品对应的推荐分数时，产品推荐子模型可以基于用户发生购买行为概率确定此次推荐更应该基于点击概率子模型推荐的结果还是购买概率子模型推荐的结果，提高线上产品推荐的精准度。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例中一种产品推荐方法的流程示意图；

图2为本申请实施例中多目标模型的结构示意图；

图3为本申请实施例中产品推荐方法的另一流程示意图；

图4为本申请实施例中多目标模型的构建流程示意图；

图5为本申请实施例中一种产品推荐装置的结构示意图；

图6为本申请实施例中一种电子设备的硬件结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。

本申请实施例提供了一种产品推荐方法，可应用于线上商城的产品推荐，如图1所示，产品推荐方法包括：

S101，获取当前用户的历史行为信息及待预测产品。

在本申请实施例中，用户的历史行为信息用于记录用户在线上商城的历史行为，例如将用户每次登录线上商城所进行的点击产品、购买产品、产品加收藏、向好友推荐产品等行为进行记录，形成用户的历史行为信息。

待预测产品可以为线上商城的橱窗中展示的部分产品或全部产品。

在一些实施例中，当前用户的历史行为信息包括当前用户的历史点击信息、历史购买信息；待预测产品包括待预测产品的特征信息和当前用户与待预测产品的交互信息。通过获取当前用户的历史点击信息、历史购买信息，待预测产品的特征信息和当前用户与待预测产品的交互信息，可以使得点击概率子模型、购买概率子模型、用户发生购买行为概率子模型和产品推荐子模型综合考虑当前用户的历史点击信息、历史购买信息，及待预测产品的特征信息和当前用户与待预测产品的交互信息，得到更加准确的预测结果。

在一些实施例中，待预测产品的特征信息包括但不限于待预测产品的ID、待预测产品的名称、待预测产品的型号。

在一些实施例中，当前用户与待预测产品的交互信息包括但不限于当前用户点击该待预测产品的次数及时间、用户购买该待预测产品的次数及时间、用户是否收藏该待预测产品、用户是否推荐过该待预测产品。

在一些实施例中，如果待预测产品是线上商城的橱窗中展示的部分产品，获取待预测产品可以包括：通过随机选择的方式从线上商城的橱窗中展示的所有产品中选择预设数量的产品，作为待预测产品。

在一些实施例中，如果待预测产品是线上商城的橱窗中展示的部分产品，获取待预测产品可以包括：基于当前用户的历史行为信息进行统计，确定当前用户点击或购买过的产品的类别，从橱窗中展示的所有产品中随机选择该类别对应的一件或多件产品，作为待预测产品。

在一些实施例中，如果待预测产品是线上商城的橱窗中展示的部分产品，获取待预测产品可以包括：基于当前用户的历史行为信息进行统计，确定当前用户点击或购买过的产品，将用户点击或购买过的产品作为待预测产品。

S102，基于多目标模型中的点击概率子模型、购买概率子模型、用户发生购买行为概率子模型分别对当前用户的历史行为信息及待预测产品进行处理，得到对应的点击概率、购买概率、用户发生购买行为概率。

在本实施例中，如图2所示，多目标模型包括点击概率子模型、购买概率子模型、用户发生购买行为概率子模型和产品推荐子模型。点击概率子模型用于预测待预测产品的点击概率；购买概率子模型用于预测待预测产品的购买概率；用户发生购买行为概率用于预测用户本次推荐发生购买行为的概率，也即用户发生购买行为概率；产品推荐子模型用于预测待预测产品的推荐分数。

具体实施时，如图3所示，将当前用户的历史行为信息及待预测产品(包括待预测产品的特征信息和当前用户与待预测产品的交互信息)进行信息组合，然后分别输入到点击概率子模型(CTR模型)、购买概率子模型(CVR模型)，可以分别得到待预测产品的点击概率和购买概率。将当前用户的历史行为信息输入到用户发生购买行为概率子模型，可以得到用户发生购买行为的概率。

S103，基于多目标模型中的产品推荐子模型对当前用户的历史行为信息、待预测产品及点击概率、购买概率、用户发生购买行为概率进行处理，得到待预测产品对应的推荐分数。

在本实施例中，产品推荐子模型的输入不仅包括当前用户的历史行为信息、待预测产品，还包括点击概率子模型、购买概率子模型和用户发生购买行为概率子模型的输出结果，如此，产品推荐子模型可以基于用户发生购买行为概率确定用户意图，并基于用户意图确定此次推荐更应该使用点击概率子模型推荐的结果、购买概率子模型推荐的结果还是点击概率子模型和购买概率子模型共同推荐的结果，从而得到待预测产品对应的推荐分数。

具体实施时，如图3所示，将当前用户的历史行为信息、待预测产品输入产品推荐子模型，将点击概率、用户发生购买行为概率、点击并购买概率(点击概率与购买概率的乘积)，也输入产品推荐子模型，输出待预测产品对应的推荐分数。

S104，根据待预测产品对应的推荐分数从待预测产品中确定待推荐的产品。

在本实施例中，确定了待预测产品对应的推荐分数后，就可以从待预测产品中确定推荐分数高于阈值的产品作为待推荐的产品，或确定推荐分数靠前的N个产品作为待推荐的产品，N为正整数。

在一些实施例中，根据待预测产品对应的推荐分数从待预测产品中确定待推荐的产品，包括：按照推荐分数从高到低的排序规则，基于待预测产品对应的推荐分数对待预测产品进行排序；确定排序在前的、预设数量的待预测产品，作为待推荐的产品。在该实施例中，通过按照推荐分数从高到低的顺序对待预测产品进行排序，并确定排序在前的、预设数量的待预测产品，作为待推荐的产品，可以使得待推荐的产品均为推荐分数较高的待预测产品，提高待推荐的产品推荐的精准度。

S105，向用户推荐待推荐的产品。

如表1所示，通过实施本申请的产品推荐方法，产品点击精度和购买精度均得到了提高。

表1

方法名称	点击精度	购买精度
			使用本申请实施例的产品推荐方法	0.16	0.283
未使用本申请实施例的产品推荐方法	0.14	0.279

本申请实施例提供的产品推荐方法，由于选用的多目标模型中不仅包括点击概率子模型、购买概率子模型，产品推荐子模型，还包括用户发生购买行为概率子模型，该用户发生购买行为概率子模型可以评估用户此次是希望购买产品还是“闲逛”的，如此，产品推荐子模型对当前用户的历史行为信息、待预测产品及点击概率、购买概率、用户发生购买行为概率进行处理，得到待预测产品对应的推荐分数时，产品推荐子模型可以基于用户发生购买行为概率确定此次推荐更应该基于点击概率子模型推荐的结果还是购买概率子模型推荐的结果，可以在保证产品购买精度不变的条件下，提升产品点击的精度，提高线上产品推荐的精准度，既使产品点击数量多，又使产品购买次数多。

在一个可选的实施例中，产品推荐子模型用于基于当前用户的历史行为信息、待预测产品，确定点击概率、点击并购买概率(点击概率与购买概率的乘积)及用户发生购买行为概率的修正参数；基于修正后的用户发生购买行为概率对修正后的点击概率、修正后的点击并购买概率进行加权处理，输出待预测产品对应的推荐分数。

具体地，产品推荐子模型的输出通过如下公式计算：

推荐分数＝pCTR*(1-pBuy)+pCTCVR*pBuy；其中，推荐分数为产品推荐子模型的输出，pCTR为产品推荐子模型修正后的点击概率，pCTCVR为产品推荐子模型修正后的点击并购买概率，pBuy为产品推荐子模型修正后的用户发生购买行为概率。

在本申请实施例中，如果修正后的用户发生购买行为概率为1，则产品推荐子模型确定此次推荐更应该使用点击概率子模型和购买概率子模型共同推荐的结果，产品推荐子模型以修正后的点击并购买概率作为待预测产品的推荐分数。如果修正后的用户发生购买行为概率为0，则产品推荐子模型确定此次推荐更应该使用点击概率子模型推荐的结果，产品推荐子模型以修正后的点击概率作为待预测产品的推荐分数。如此，产品推荐子模型可以基于用户发生购买行为概率对点击概率和点击并购买概率进行平衡，可以在保证产品购买精度不变的条件下，提升产品点击的精度，提高线上产品推荐的精准度，既使产品点击数量多，又使产品购买次数多。

在一个可选的实施例中，多目标模型的构建步骤，如图4所示，包括：

S201，获取多个训练样本集及每个训练样本集中的训练样本对应的标签，多个训练样本集包括点击样本集、购买样本集、用户意图样本集及产品推荐样本集；用户意图样本集中的训练样本用于表征用户本次是否会发生购买行为；产品推荐样本集中的训练样本包括点击样本数据和购买样本数据。

S202，分别采用点击样本集、购买样本集、用户意图样本集及产品推荐样本集中的训练样本及对应的标签对神经网络进行训练，得到一个多目标模型，多目标模型包括点击概率子模型、购买概率子模型、用户发生购买行为概率子模型和产品推荐子模型；其中，产品推荐子模型训练时的输入包括点击概率子模型、购买概率子模型及用户发生购买行为概率子模型的输出。

针对步骤S201，具体地，在收集样本数据时，可以选定目标产品，基于目标产品的点击记录和购买记录，确定点击过目标产品的第一目标用户、购买过目标产品的第二目标用户及点击并及时购买目标产品的第三目标用户，基于第一目标用户的历史行为信息制作点击样本集，基于第二目标用户的历史行为信息制作购买样本集，基于第三目标用户的历史行为信息制作用户意图样本集。

在一些实施方式中，为了使得产品推荐时，既考虑产品点击概率，又考虑产品点击并购买概率，平衡产品点击概率和产品点击并购买概率，在训练产品推荐子模型时，产品推荐样本集包括点击样本数据和购买样本数据，且它们的均值和方差相同，便于后续用修正后的用户发生购买行为概率做插值。

具体地，产品推荐样本集中的点击样本数据包括第一用户的历史行为信息，及第一用户的点击概率为1或0的第一目标产品，购买样本数据包括第二用户的历史行为信息，及第二用户的购买概率为1或0的第二目标产品。

相应地，点击样本数据对应的标签为第一目标产品的推荐分数，购买样本数据对应的标签为第二目标产品的推荐分数；其中，第一目标产品的推荐分数基于第一用户对第一目标产品的点击概率确定，第二目标产品的推荐分数基于第二用户对第二目标产品的购买概率确定。

针对步骤S202，首先采用点击样本集、购买样本集、用户意图样本集及对应的标签对神经网络进行训练，得到多目标模型中的点击概率子模型、购买概率子模型、用户发生购买行为概率子模型，然后再采用产品推荐样本集中的训练样本及对应的标签对已训练的神经网络进行训练，得到多目标模型中的产品推荐子模型，其中，产品推荐子模型训练时的输入包括点击概率子模型、购买概率子模型及用户发生购买行为概率子模型的输出。

具体地，采用产品推荐样本集中的训练样本及对应的标签对神经网络进行训练，包括：将产品推荐样本集中的训练样本分别输入点击概率子模型、购买概率子模型、用户发生购买行为概率子模型，得到对应的样本点击概率、样本购买概率及样本用户发生购买行为概率；采用产品推荐样本集及对应的标签，以及样本点击概率、样本购买概率及样本用户发生购买行为概率对神经网络进行训练，得到多目标模型中的产品推荐子模型。

在本实施例中，点击概率子模型、购买概率子模型及用户发生购买行为概率子模型的输出作为产品推荐子模型训练时的部分输入，可以使得产品推荐子模型训练时，能够参考用户发生购买行为概率对点击概率子模型和购买概率子模型的推荐结果的影响，从而使得训练好的产品推荐子模型基于用户发生购买行为概率能够确定更应该使用点击概率子模型推荐的结果还是购买概率子模型推荐的结果，可以在保证产品购买精度不变的条件下，提升产品点击的精度。

本申请实施例提供了一种产品推荐装置，如图5所示，包括：

获取单元51，用于获取当前用户的历史行为信息及待预测产品；

第一处理单元52，用于基于多目标模型中的点击概率子模型、购买概率子模型、用户发生购买行为概率子模型分别对当前用户的历史行为信息及待预测产品进行处理，得到对应的点击概率、购买概率、用户发生购买行为概率；

第二处理单元53，用于基于多目标模型中的产品推荐子模型对当前用户的历史行为信息、待预测产品及点击概率、购买概率、用户发生购买行为概率进行处理，得到待预测产品对应的推荐分数；

确定单元54，用于根据待预测产品对应的推荐分数从待预测产品中确定待推荐的产品；

推荐单元55，用于向用户推荐待推荐的产品。

本申请实施例提供的产品推荐装置，由于选用的多目标模型中不仅包括点击概率子模型、购买概率子模型，产品推荐子模型，还包括用户发生购买行为概率子模型，该用户发生购买行为概率子模型可以评估用户此次是希望购买产品还是“闲逛”的，如此，产品推荐子模型对当前用户的历史行为信息、待预测产品及点击概率、购买概率、用户发生购买行为概率进行处理，得到待预测产品对应的推荐分数时，产品推荐子模型可以基于用户发生购买行为概率确定此次推荐更应该使用点击概率子模型推荐的结果还是购买概率子模型推荐的结果，可以在保证产品购买精度不变的条件下，提升产品点击的精度，提高线上产品推荐的精准度，既使产品点击数量多，又使产品购买次数多。

在一个可选的实施例中，产品推荐装置还包括多目标模型训练单元，用于获取多个训练样本集及每个训练样本集中的训练样本对应的标签，多个训练样本集包括点击样本集、购买样本集、用户意图样本集及产品推荐样本集；用户意图样本集中的训练样本用于表征用户本次是否会发生购买行为；产品推荐样本集中的训练样本包括点击样本数据和购买样本数据；分别采用点击样本集、购买样本集、用户意图样本集及产品推荐样本集中的训练样本及对应的标签对神经网络进行训练，得到一个多目标模型，多目标模型包括点击概率子模型、购买概率子模型、用户发生购买行为概率子模型和产品推荐子模型；其中，产品推荐子模型训练时的输入包括点击概率子模型、购买概率子模型及用户发生购买行为概率子模型的输出。

在一个可选的实施例中，产品推荐样本集中的点击样本数据包括第一用户的历史行为信息，及第一用户的点击概率为1或0的第一目标产品，购买样本数据包括第二用户的历史行为信息，及第二用户的购买概率为1或0的第二目标产品；

相应地，点击样本数据对应的标签为第一目标产品的推荐分数，购买样本数据对应的标签为第二目标产品的推荐分数；其中，第一目标产品的推荐分数基于第一用户对第一目标产品的点击概率确定，第二目标产品的推荐分数基于第二用户对第二目标产品的购买概率确定。

在一个可选的实施例中，多目标模型训练单元，用于将产品推荐样本集中的训练样本分别输入点击概率子模型、购买概率子模型、用户发生购买行为概率子模型，得到对应的样本点击概率、样本购买概率及样本用户发生购买行为概率；采用产品推荐样本集及对应的标签，以及样本点击概率、样本购买概率及样本用户发生购买行为概率对神经网络进行训练，得到多目标模型中的产品推荐子模型。

在一个可选的实施例中，产品推荐子模型的输出通过如下公式计算：

推荐分数＝pCTR*(1-pBuy)+pCTCVR*pBuy；其中，推荐分数为产品推荐子模型的输出，pCTR为产品推荐子模型修正后的点击概率，pCTCVR为产品推荐子模型修正后的点击并购买概率，pBuy为产品推荐子模型修正后的用户发生购买行为概率。

在一个可选的实施例中，当前用户的历史行为信息包括当前用户的历史点击信息、历史购买信息；待预测产品包括待预测产品的特征信息和当前用户与待预测产品的交互信息。

在一个可选的实施例中，确定单元54，用于按照推荐分数从高到低的排序规则，基于待预测产品对应的推荐分数对待预测产品进行排序；确定排序在前的、预设数量的待预测产品，作为待推荐的产品。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

图6示出了可以用来实施本申请的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如产品推荐方法。例如，在一些实施例中，产品推荐方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的产品推荐方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行产品推荐方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

此外，术语“第一”、“第二”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”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种产品推荐方法，包括：

获取当前用户的历史行为信息及待预测产品；

基于多目标模型中的点击概率子模型、购买概率子模型、用户发生购买行为概率子模型分别对所述当前用户的历史行为信息及待预测产品进行处理，得到对应的点击概率、购买概率、用户发生购买行为概率；

基于所述多目标模型中的产品推荐子模型对所述当前用户的历史行为信息、所述待预测产品及所述点击概率、所述购买概率、所述用户发生购买行为概率进行处理，得到所述待预测产品对应的推荐分数；

根据所述待预测产品对应的所述推荐分数从所述待预测产品中确定待推荐的产品；

向用户推荐所述待推荐的产品。

2.根据权利要求1所述的产品推荐方法，所述多目标模型的构建步骤包括：

获取多个训练样本集及每个训练样本集中的训练样本对应的标签，多个所述训练样本集包括点击样本集、购买样本集、用户意图样本集及产品推荐样本集；所述用户意图样本集中的训练样本用于表征用户本次是否会发生购买行为；所述产品推荐样本集中的训练样本包括点击样本数据和购买样本数据；

分别采用所述点击样本集、所述购买样本集、所述用户意图样本集及所述产品推荐样本集中的训练样本及对应的所述标签对神经网络进行训练，得到一个多目标模型，所述多目标模型包括点击概率子模型、购买概率子模型、用户发生购买行为概率子模型和产品推荐子模型；

其中，所述产品推荐子模型训练时的输入包括所述点击概率子模型、所述购买概率子模型及所述用户发生购买行为概率子模型的输出。

3.根据权利要求2所述的产品推荐方法，所述产品推荐样本集中的所述点击样本数据包括第一用户的历史行为信息，及第一用户的点击概率为1或0的第一目标产品，所述购买样本数据包括第二用户的历史行为信息，及第二用户的购买概率为1或0的第二目标产品；

相应地，所述点击样本数据对应的标签为第一目标产品的推荐分数，所述购买样本数据对应的标签为第二目标产品的推荐分数；

其中，所述第一目标产品的推荐分数基于所述第一用户对所述第一目标产品的点击概率确定，所述第二目标产品的推荐分数基于所述第二用户对所述第二目标产品的购买概率确定。

4.根据权利要求2所述的产品推荐方法，采用所述产品推荐样本集中的训练样本及对应的所述标签对神经网络进行训练，包括：

将所述产品推荐样本集中的训练样本分别输入所述点击概率子模型、购买概率子模型、用户发生购买行为概率子模型，得到对应的样本点击概率、样本购买概率及样本用户发生购买行为概率；

采用所述产品推荐样本集及对应的所述标签，以及所述样本点击概率、所述样本购买概率及所述样本用户发生购买行为概率对所述神经网络进行训练，得到所述多目标模型中的产品推荐子模型。

5.根据权利要求1所述的产品推荐方法，所述产品推荐子模型的输出通过如下公式计算：

推荐分数＝pCTR*(1-pBuy)+pCTCVR*pBuy；

其中，推荐分数为所述产品推荐子模型的输出，pCTR为所述产品推荐子模型修正后的点击概率，pCTCVR为所述产品推荐子模型修正后的点击并购买概率，pBuy为所述产品推荐子模型修正后的用户发生购买行为概率。

6.根据权利要求5所述的产品推荐方法，所述当前用户的历史行为信息包括所述当前用户的历史点击信息、历史购买信息；所述待预测产品包括所述待预测产品的特征信息和所述当前用户与所述待预测产品的交互信息。

7.根据权利要求5所述的产品推荐方法，所述根据所述待预测产品对应的所述推荐分数从所述待预测产品中确定待推荐的产品，包括：

按照所述推荐分数从高到低的排序规则，基于所述待预测产品对应的所述推荐分数对所述待预测产品进行排序；

确定排序在前的、预设数量的所述待预测产品，作为待推荐的产品。

8.一种产品推荐装置，包括：

获取单元，用于获取当前用户的历史行为信息及待预测产品；

第一处理单元，用于基于多目标模型中的点击概率子模型、购买概率子模型、用户发生购买行为概率子模型分别对所述当前用户的历史行为信息及待预测产品进行处理，得到对应的点击概率、购买概率、用户发生购买行为概率；

第二处理单元，用于基于所述多目标模型中的产品推荐子模型对所述当前用户的历史行为信息、所述待预测产品及所述点击概率、所述购买概率、所述用户发生购买行为概率进行处理，得到所述待预测产品对应的推荐分数；

确定单元，用于根据所述待预测产品对应的所述推荐分数从所述待预测产品中确定待推荐的产品；

推荐单元，用于向用户推荐所述待推荐的产品。

9.一种电子设备，包括：

至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-7任一项所述的产品推荐方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行如权利要求1-7任意一项所述的产品推荐方法。

Images