CN115860870A - 一种商品推荐方法、系统、装置及可读介质 - Google Patents
一种商品推荐方法、系统、装置及可读介质 Download PDFInfo
- Publication number
- CN115860870A CN115860870A CN202211626750.0A CN202211626750A CN115860870A CN 115860870 A CN115860870 A CN 115860870A CN 202211626750 A CN202211626750 A CN 202211626750A CN 115860870 A CN115860870 A CN 115860870A
- Authority
- CN
- China
- Prior art keywords
- user
- commodity
- recommended
- information
- sample
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000006399 behavior Effects 0.000 claims abstract description 96
- 238000006243 chemical reaction Methods 0.000 claims abstract description 72
- 230000009471 action Effects 0.000 claims description 107
- 238000012549 training Methods 0.000 claims description 105
- 230000006870 function Effects 0.000 claims description 48
- 239000013598 vector Substances 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 18
- 230000002452 interceptive effect Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000006071 cream Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及计算机技术领域，尤其涉及机器学习技术领域，提供一种商品推荐方法、系统、装置及可读介质，其中，方法包括：获取用户的历史行为信息和待推荐商品的商品特征信息，将用户的历史行为信息和待推荐商品的商品特征信息输入已训练的预估模型，获得所述用户对所述待推荐商品的预估点击通过率和预估转化率；根据所述用户对各个待推荐商品的预估点击通过率和预估转化率，从所述待推荐商品中为所述用户确定推荐商品。本申请可针对不同场景有效提高推荐商品的命中率，以及转化率，为用户提供更精准的商品。
Description
技术领域
本申请属于计算机技术领域，尤其涉及机器学习技术领域，具体涉及一种商品推荐方法、系统、装置及可读介质。
背景技术
在诸如商品推荐系统、在线广告投放系统等工业级的应用中，最大化场景商品交易总额(Gross Merchandise Volume，GMV)是平台的重要目标之一，而GMV可以拆解为流量×点击率×转化率×客单价，因此，准确预估点击率(click rate,CTR)和转化率(conversion rate，CVR)是至关重要的，可以更精准地向用户推荐其需要的商品，提高平台的推广效率和具体效益。
目前传统的推荐系统是一种基于客户交易偏好的对所有客户的无差别推荐系统，所采用的预估模型局限在于分析用户偏好时所采用的特征较为单一，分析得到的用户偏好和用户真实的偏好兴趣存在一定偏差，因此基于预估模型预估得到的点击率也会出现一定的偏差，因而推荐商品精确性较低。同时，现有的预估模型也无法很好地将用户的预估点击率和转化率结合起来，这可能会导致企业在预流失的客户、沉默用户甚至是获利甚微的用户身上投入大量成本，导致投资回报效益较差。
发明内容
本申请的目的在于提供一种商品推荐方法、系统、装置及可读介质，旨在解决传统的商品推荐方法存在的推荐精度不高，且投资回报率较差的问题。
本申请实施例的第一方面提供了一种商品推荐方法，包括以下步骤：
获取用户的历史行为信息和待推荐商品的商品特征信息，其中用户的历史行为信息至少包括用户对有交互历史的商品的浏览动作信息、点击动作信息、购买动作信息和用户的用户画像信息；
将用户的历史行为信息和待推荐商品的商品特征信息输入已训练的预估模型，获得用户对待推荐商品的预估点击通过率和预估转化率；
根据用户对各个待推荐商品的预估点击通过率和预估转化率，从待推荐商品中向用户推送推荐商品；
其中，预估模型是根据已标注预估点击通过率和预估转化率的训练样本数据集训练获得的，训练样本数据集中的训练样本包括样本用户的浏览动作信息、点击动作信息、购买动作信息、用户画像信息和样本推荐商品的商品特征信息。
进一步的，将用户的历史行为信息和待推荐商品的商品特征信息输入已训练的预估模型，获得用户对待推荐商品的预估点击通过率和预估转化率，包括：
将历史行为信息中的浏览动作信息、点击动作信息和购买动作信息输入数据共享层进行特征拼接，获得用户的行为偏好信息；
将用户的行为偏好信息、用户画像信息和待推荐商品的商品特征信息输入第一分支网络进行特征提取，获得用户对待推荐商品的预估点击通过率；
将用户的行为偏好信息、用户画像信息和待推荐商品的商品特征信息输入第二分支网络进行特征提取，获得用户对待推荐商品的预估转化率；
其中，第一分支网络是根据已标注预估点击通过率的第一训练样本数据集获得的，第一训练样本数据集中的训练样本包括样本用户的浏览动作信息、点击动作信息和样本推荐商品的商品特征信息；
第二分支网络是根据已标注预估转化率的第二训练样本数据集获得的，第二训练样本数据集中的训练样本包括样本用户的点击动作信息、购买动作信息和样本推荐商品的商品特征信息。
进一步的，根据历史行为信息中的浏览动作信息、点击动作信息和购买动作信息进行特征拼接，获得用户的行为偏好信息，包括
根据用户的浏览动作信息、点击动作信息、购买动作信息和样本推荐商品的商品特征信息获取样本用户的用户域嵌入向量和商品域嵌入向量；
将用户的用户域嵌入向量和商品域嵌入向量拼接后获得用户的行为偏好特征向量，并将用户的行为偏好特征向量作为用户的行为偏好信息。
进一步的，损失函数包括与第一分支网络对应的第一损失函数和与第二分支网络对应的第二损失函数，训练预估模型的步骤包括：
根据预设的训练目标，通过样本分配权重算子调整第一分支网络和第二分支网络对应的训练样本的权重；
根据第一分支网络和第二分支网络对应的训练样本的权重，调整第一损失函数和第二损失函数的学习权重。
进一步的，用户画像信息用于描述用户的基本特征；
待推荐商品的商品特征信息还包括待推荐商品的推广特征信息，推广特征信息用于反映商品的推广强度。
进一步的，根据用户对各个待推荐商品的预估点击通过率和预估转化率，从待推荐商品中为用户确定推荐商品，包括：
计算每个用户的待推荐商品的潜在价值，并根据待推荐商品的潜在价值排序，为用户推送待推荐商品。
可选的，训练获得已训练的预估模型的方法包括以下步骤：
从训练样本数据集中选取训练样本，其中，训练样本中包括样本用户对样本推荐商品的点击或购买的标注；
针对任意一个训练样本，将训练样本包含的样本用户的浏览动作信息、点击动作信息、购买动作信息、用户画像信息和样本推荐商品的商品特征信息输入未训练的预估模型，获得未训练的预估模型输出的样本用户对样本推荐商品的预估点击通过率和预估转化率；
基于所述训练样本中样本用户对样本推荐商品的点击或购买的标注，通过损失函数对未训练的预估模型中的参数进行反向优化，得到已训练的预估模型。
进一步的，未训练的预估模型包括未训练的第一分支网络和未训练的第二分支网络，针对任意一个训练样本，将训练样本包含的样本用户的浏览动作信息、点击动作信息、购买动作信息、用户画像信息和样本推荐商品的商品特征信息输入未训练的预估模型，获得未训练的预估模型输出的样本用户对样本推荐商品的预估点击通过率和预估转化率，包括：
将训练样本输入数据共享模型，获得训练样本中各实体的特征嵌入向量和样本推荐商品的推广特征向量；
将特征嵌入向量和所述样本推荐商品的推广特征向量通过样本分配权重算子分别输入未训练的第一分支网络和未训练的第二分支网络，获得样本用于对样本推荐商品的预估点击通过率和预估转化率。
进一步的，在第一分支网络中，将有点击行为构成的样本标记为第一正样本，没有点击行为构成的样本标记为第一负样本；
在第二分支网络中，有点击且有购买行为的样本标记为第二正样本，有点击但是无购买行为的样本标记为第二负样本。
本申请实施例的第二方面提供了一种商品推荐系统，包括：
信息获取单元，用于获取用户的历史行为信息和待推荐商品的商品特征信息，其中所述用户的历史行为信息至少包括所述用户对有交互历史的商品的浏览动作信息、点击动作信息和购买动作信息；
预估单元，用于将所述用户的历史行为信息和所述待推荐商品的商品特征信息输入已训练的预估模型，获得所述用户对所述待推荐商品的预估点击通过率和预估转化率；
推荐单元，用于根据所述用户对各个待推荐商品的预估点击通过率和预估转化率，从所述待推荐商品中为所述用户推送推荐商品。
本申请实施例的第三方面提供了一种商品推荐装置，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，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
本申请实施例的第四方面提了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程序，所述计算机程序被处理器执行时实现如上述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：本申请提供的预估模型基于整个样本空间建模，使用“展现->点击->成交”事情的日志来构建训练样本，通过用户的浏览动作信息、点击动作信息、购买动作信息和样本推荐商品的商品特征信息确定用户的历史行为信息，该历史行为信息可以更准确地反映用户的偏好，且可以同时利用于用户的点击率预估和转化率预估。此外，获得的用户预估点击率和转化率更为准确，所推荐的商品能够根据不同的人群进行进一步的划分，提高了推荐商品的准确性。
本申请的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
图1为本申请一实施例提供的一种商品推荐方法的流程示意图；
图2为图1所示的方法中商品推荐方法中获取预估点击率和预估转化率的流程示意图；
图3为本申请一实施例提供的商品推荐框架示意图；
图4为本申请中预估模型的结构框架示意图；
图5为本申请中transformer模型的结构示意图；
图6为本申请中提供的一种商品推荐方法的模型训练流程示意图；
图7为本申请中一种商品推荐系统的组成结构示意图；
图8为本发明实施例提供的一种商品推荐装置的示意图。
具体实施方式
为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白，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。
需要理解的是，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”的特征可以明示或者隐含地包括一个或者更多个该特征。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。
下面对本申请实施例中涉及的部分概念进行介绍。
商品：本申请实施例中的商品主要分为待推荐商品和有交互历史的商品。其中，待推荐商品是指还未向用户进行推荐的商品，通过预估点击率和预估通过率来从多个待推荐商品中筛选取向用户推荐的商品，有交互历史的商品是指用户曾经购买、点击或搜索过的商品，因此有交互历史的商品会对应有用户行为反馈。
商品特征信息：是用于描述商品属性的信息，在本申请实施例中，以待推荐商品为例，用于描述商品的产品名称、品牌、类别、商家等属性的信息都属于商品特征信息。
历史行为信息：是用于描述用户对商品的历史行为的信息，即用户对于之前曾经点击浏览过哪些商品，购买收藏过哪些商品等，在本申请实施例中，用户的历史行为信息是结合用户的浏览动作信息、点击动作信息、购买动作信息确定的，例如，用户的浏览动作、浏览时长、收藏、加购、点击、点击次数等行为特征，具体的可表示为特征向量的形式。
用户画像信息：即用户画像特征，是用户描述用户的基本特征的信息，包括用户其本身自有的属性和部分偏好信息，在本申请实施例中，用户的画像信息是通过用户填写的本人信息构成的，例如用户本人的性别、身高、体重等，具体的可表示为特征向量的形式。
CTR(Click-Through-Rate，点击通过率)：即点击率，在本申请实施例中，预估点击率则是指根据用户的浏览记录预估得到的用户对待推荐商品的点击率，因此依据预估点击率可对召回的各个待推荐商品形成的商品子集进行排序，根据排序结果向用户进行个性化推荐。
CVR(Conversion Rate，转化率)：在本申请实施例中，预估转化率是指根据用户的点击记录和购买记录预估得到用户对待推荐商品的转化率，因此依据预估转化率可对召回的各个待推荐商品形成的商品子集进行排序，根据排序结果向用户进行个性化推荐。
浏览动作信息：指根据用户自身进行浏览的行为确定出的商品特征信息，例如用户对需要购买进行搜索，系统根据搜索结果展现的商品ID为1～10的10件商品，则将该10件商品的特征信息组成浏览动作信息。
点击动作信息：指根据用户对浏览结果的点击行为确定出的各个有交互历史的商品的商品特征信息，例如在ID为1至10的10个搜索过的商品中，用户点击的商品ID分别为1、3、5、7、9，则这5个商品的商品特征信息按照随机顺序或者是时间顺序等排列组成点击内容信息。
购买动作信息：指根据用户对点击结果的购买行为确定出的各个有交互历史的商品的商品特征信息，例如在ID为1至10的10个有交互历史的商品中，用户点击的商品ID分别为1、3、5、7、9，其中用户购买过的商品为5和7，则将这2个商品的商品特征信息按照随机顺序或者是时间顺序等排列组成购买动作信息。
推广特征信息：指根据商品目前采取的推广策略确定出的各个有交互历史的商品的推广策略特征信息，例如，某有交互历史的商品采用的推广方式为网络广告，则该商品的推广特征信息为1，某个有交互历史的商品采用的推广方式为网络广告和电视广告，则该商品的推广特征信息为2。
样本分配权重算子：根据预设训练目标的不同，通过动态调整各个分支网络的学习样本数量在总样本中所占的权重，使得各个样本的损失函数loss有区别。其中损失函数loss＝(loss*sample_weight/sample_weight.sum()).sum()。
注意力机制：模仿了生物观察行为的内部过程，即一种将内部经验和外部感觉对齐从而增加部分区域的观察精细度的机制，简单地说就是从大量信息中快速筛选出高价值信息。这种机制主要有两个方面：决定需要关注输入的哪部分；分配有限的信息处理资源给重要的部分。在神经网络中，基于注意力机制可以使得神经网络具备专注于其输入(或特征)子集的能力，选择特定的输入。
Transformer：来源于自然语言处理中的一种attention(注意力)机制，在推荐领域中能实现特征的深度交叉，学习出特征的高阶表达。
在本申请实施例中提出的商品推荐方法可分为两部分，包括训练部分和应用部分；其中，训练部分就涉及到机器学习技术领域，在训练部分中，通过机器学习这一技术训练预估模型，使得训练样本中样本用户的浏览动作信息、点击动作信息和购买动作信息以及样本推荐商品的商品特征信息通过预估模型后，得到样本对象对样本推荐商品的预估点击率和预估通过率，通过样本分配权重算子调整模型中预估点击率和预估通过率的占比，并结合已采用的宣传策略，得到已训练的预估模型；应用部分用于通过使用在训练部分训练得到的预估模型，获得用户对各个待推荐商品的预估点击率和预估通过率，进而依据各个待推荐商品对应的预估点击率和预估通过率，向用户推荐商品。
下面对本申请实施例的设计思想进行简要介绍：
在相关技术中的商品推荐系统是一种基于客户交易偏好的对所有客户的无差别推荐系统，所采用的预估模型局限在于分析用户偏好时所采用的特征较为单一，分析得到的用户偏好和用户真实的偏好兴趣存在一定偏差，因此基于预估模型预估得到的点击率也会出现一定的偏差，推荐商品精确性较低。同时，现有的预估模型也无法很好地将用户的预估点击率和转化率结合起来，这可能会导致企业在预流失的客户、沉默用户甚至是获利甚微的用户身上投入大量成本，导致投资回报效益较差。
有鉴于此，本发明提供如下技术方案，基于智能报价策略优化的智能商品推荐算法。为了解决在电商推荐场景下，优化推荐算法，提高推荐命中率，以及解决电商推荐算法推荐转化率，其评价准则分别为：
商品命中率＝人群中购买商品和推荐商品的交集数/验证期总老客人群，如下式：
式中，k:表示验证期内的总老客人数，Ui:表示验证期内，第i个老客的购买商品集合，Vi:表示验证期内，第i个老客的模型推荐集合，Ui∩Vi：表示实际购买集合和模型推荐集合的交集，如果存在则为1，否则为0，∑：表示对值累加。
人群转化率＝各商品推荐人群和已购人群的并集总人数/各商品推荐总人数，如下式：
式中，k:表示验证期内的商品数，Ui:表示验证期内，第i个商品的模型推荐用户集合，Vi:表示验证期内，第i个商品的老客用户集合，Ui∩Vi：表示模型推荐的用户和实际购买老客的交集，∑:表示人群集合数目之和，非各人群并集数目。
基于传统推荐算法模型投资回报率低的现象，本发明，对传统的推荐算法从技术细节以及框架上进行创新改进，使得推荐的商品不仅被用户喜欢点击，而且促进用户发生下单购买行为。具体为：以电子商务平台为例，用户在观察到系统展现的推荐商品列表后，可能会点击自己感兴趣的商品，进而产生购买行为。换句话说，用户行为遵循一定的顺序决策模式：exposure→click→purcharse。传统的CVR预估任务通常采用类似于CTR预估的技术，比如最近很流行的深度学习模型。然而，有别于CTR预估任务，CVR预估任务面临一些特有的挑战：1)样本选择偏差；2)训练数据稀疏；3)延迟反馈等难点。
有鉴于此，本申请实施例提出一种商品推荐方法、装置、电子设备和存储介质。本申请实施例从用户点击和最终转化的角度出发，分别预估用户的点击行为和购买行为产生的点击通过率和转化率，而不是局限于用户点击或者交易偏好行为上，基于此提出了一种预估模型，该模型可以很好地融入多种形式的用户行为反馈，除了对于点击有交互历史的商品和购买有交互历史的商品两种行为方式外，主要还考虑到了有交互历史的商品的广告推销方式对用户产生的影响，基于上述多种形式的用户行为可以确定用户的点击通过率以及转化率，结合这些反馈信息可以更好地捕获用户兴趣，提高用户体验。同时也能够对商家的营销策略提供一定的参考意见。
以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示，其为本申请实施例的商品推荐流程示意图。该示意图中包括以下步骤：
S102、获取用户的历史行为信息和待推荐商品的商品特征信息。
在本申请实施例中，用户还可以指用户所使用的账户等，下面主要以用户为例进行详细介绍。
在本申请实施例中，用户的历史行为信息至少包括用户对有交互历史的商品的浏览动作信息、点击动作信息和购买动作信息。
可选的，待推荐商品的商品特征信息还包括所述待推荐商品的推广特征信息。
可选的，用户的用户画像信息包括至少一个特征字段(feature field)，例如：性别field、年龄field、职业field、爱好field(例如喜欢的游戏有游戏A、游戏B)等。
可选的，待推荐商品的商品特征信息则是指待推荐商品的商品画像，同样地，商品画像也包括至少一个特征字段，以待推荐商品为化妆品为例，商品画像特征字段可以是：化妆品品名field、ID field、品牌field(例如由哪一个厂商生产)、类别field(例如面霜、眼霜、洗面奶)等。
S104、将用户的历史行为信息和待推荐商品的商品特征信息输入已训练的预估模型，获得用户对待推荐商品的预估点击通过率和预估转化率。
已训练的预估模型是根据已标注预估点击通过率和预估转化率的训练样本数据集训练获得的，所述训练样本数据集中的训练样本包括样本用户的浏览动作信息、点击动作信息、购买动作信息、用户画像信息和样本推荐商品的商品特征信息。
在本申请实施例中，训练样本中标注的预估点击率和预估通过率是根据用户行为确定的，若用户点击样本推荐商品，则标注的预估点击率为1，若用户未点击样本推荐商品，则标注的预估点击率为0。若用户购买样本推荐商品，则标注的预估通过率为1，若用户未购买样本推荐商品，则标注的预估通过率为0。这些标注的预估点击率即训练样本的标签(label)，基于标签可以将训练样本划分为正样本或是负样本，根据这些训练样本即可训练预估模型。
其中，训练样本数据集中包含多个训练样本，每一个训练样本是基于一个样本用户对一个样本推荐商品的一次反馈行为生成的，包括样本用户的浏览动作信息、点击动作信息、购买动作信息、用户画像信息和样本推荐商品的商品特征信息。
例如用户A在电商平台上进行购物时，针对其浏览界面上其中一个商品，用户A会产生点击或是未点击、购买或是未购买的反馈行为，此时用户A或者用户A当前登录的账户即样本用户，用户A当前浏览界面上的商品即样本推荐商品。因此样本用户的用户画像信息则包括用户A的年龄、性别等用户画像，以及用户A对应的点击动作信息、购买动作信息等；样本推荐商品的商品特征信息则是指该商品的属性信息，具体包括该商品的品名、类别等。
S106、根据用户对各个待推荐商品的预估点击通过率和预估转化率，从待推荐商品中向用户推送推荐商品。
在本申请实施例中，根据预估点击率和预估转化率向目标推荐进行商品推荐时，可将各个待推荐商品的预估点击率和预估转化率进行排序，选取排序结果在预设次序范围内的若干个待推荐商品推荐给用户，例如选取按照从大到小的顺序排序得到前N个的待推荐商品，或者选取按照从小到大的顺序排序得到的后N个的待推荐商品，其中N为正整数。
例如，用户为用户B，待推荐商品一共有10个，对应的预估点击率分别为：0.9、0.3、0.8、0.75、0.65、0.6、0.78、0.05、0.4、0.5，对应的预估转化率分别为：0.1、0.2、0.5、0.4、0.35、0.28、0.15、0.32、0.7、0.8，得到的待推荐商品的预估点击率和预估转化率的乘积分别为：0.09、0.06、0.04、0.3、0.2275、0.168、0.117、0.016、0.28、0.4。
若N＝5，则向用户B推荐预估点击率和预估转化率的乘积分别为0.4、0.3、0.28、0.2275、0.168的5个待推荐商品。
或者，选取预估点击率和预估转化率的乘积大于预设概率阈值的M个待推荐商品推荐给用户，其中M为正整数。
例如预设概率阈值为0.2，则向用户B推荐预估点击率和预估转化率的乘积分别为0.4、0.3、0.28、0.2275的4个待推荐商品。
也可以根据模型预估的每一个用户待推荐商品的点击率和转化率，计算第i个用户待推荐的第k个商品的潜在价值：
最终根据潜在价值作为排序分值进行排序，为用户推荐其最偏爱的top-N商品；其中，
指用户待推荐的第k个商品的预估点击率；/>
指用户待推荐的第k个商品的预估转化率；/>
指用户待推荐的第k个商品的客单价,k的取值范围为k∈[0,N]。
需要说明的是，上述实施例中所列举的几种根据预估点击率向用户进行商品推荐的方式只是举例说明，实际上任何一种根据预估点击率进行商品推荐的方式都适用于本申请实施例。
在本申请实施例中，可通过feed流推荐的方式向用户推荐商品，通过终端设备将选取出的若干个待推荐商品展示给用户，提升商品推荐的精确性和点击率。
进一步的，参见图2，在本申请实施例中，已训练的预估模型包括数据共享层、第一分支网络和第二分支网络，具体的商品推荐过程如下：
S202、将历史行为信息中的浏览动作信息、点击动作信息和购买动作信息输入数据共享层进行特征拼接，获得用户的行为偏好信息。
S204、将用户的行为偏好信息、用户画像信息和所述待推荐商品的商品特征信息输入第一分支网络进行特征提取，获得用户对待推荐商品的预估点击通过率。
S206、将用户的行为偏好信息、用户画像信息和待推荐商品的商品特征信息输入第二分支网络进行特征提取，获得用户对待推荐商品的预估转化率。
其中，所述第一分支网络是根据已标注预估点击通过率的第一训练样本数据集获得的，所述第一训练样本数据集中的训练样本包括样本用户的浏览动作信息、点击动作信息和样本推荐商品的商品特征信息；
所述第二分支网络是根据已标注预估转化率的第二训练样本数据集获得的，所述第二训练样本数据集中的训练样本包括样本用户的点击动作信息、购买动作信息和样本推荐商品的商品特征信息。
在本申请实施例中，基于预估模型确定用户对待推荐商品的预估点击率和预估通过率时，首先需要通过该模型对用户历史行为信息中的浏览动作信息、点击动作信息和购买动作信息进行特征交叉和拼接，获得用户的行为偏好信息；进而基于该模型结合用户的行为偏好信息、用户画像信息和待推荐商品的商品特征信息，获得用户对待推荐商品的预估点击率和预估通过率。
其中，预估模型输出的预估点击率可以是一个取值范围为0～1的概率值，待推荐商品对应的数值越大则表示向用户推荐该待推荐商品后，用户点击该待推荐商品的可能性越高。预估模型输出的预估通过率可以是一个取值范围为0～1的概率值，待推荐商品对应的数值越大则表示向用户推荐该待推荐商品后，用户购买该待推荐商品的可能性越高。
参见图3，本申请实施例中的商品推荐框架主要包括共享模型部分、优化目标设定部分，样本权重分配算子部分、商品推荐模型部分和损失函数反馈部分，
其中，共享模型部分借鉴迁移学习的思路，将用户历史行为信息中的各类实体(产品、品牌、类目、商家等)ID的进行特征嵌入向量表示，使得CTR预估和CVR预估两个子任务之间共享。
优化目标设定部分用于针对本次投放所采取的推广策略，来设定精细化拆分，以体现每一个商品对应的宣传策略的效果。
样本权重分配算子用于根据客户本次需求，调整预估子模型的权重，当用户只希望提升pCTR，那么调整CTR预估子模型损失函数学习的权重Wctr相对Wcvr更大，使用较大的权重惩罚；如果客户本次需求只希望提升pCVR，那么调整CVR预估子模型损失函数学习的权重Wcvr相对Wctr更大；模型在学习时就会对权重相对较高的子网络使用较大的权重惩罚。
通过本申请实施例中的商品推荐方法获得的点击率和通过率可以根据电商商家的实际需求调整，因此基于该方式获得的预估点击率向用户推荐商品时，推荐的商品更加符合用户喜好，进而可提高商品推荐的点击率和购买率，提升了用户体验。
此外，在本申请实施例中，共享模型部分将用户的用户历史行为信息中的实体进行特征交叉时，还考虑了时间信息，将时间信息与用户历史行为信息进行融合，基于时间信息学习到的用户历史行为特征更加贴合用户的生活习惯，更加真实可靠。
参见图4，本申请的商品推荐模型包括嵌入层(Embedding layer)、字段式池(field-wise pooling)层、多层感知(MultilLayer Perception)层和输出层(OutputLayer)。
其中，Embedding layer输入包括用户域(user field)和商品域(item field)两部分。user field主要由用户的历史行为序列构成，具体地说，包含了用户浏览的产品ID列表，以及用户浏览的品牌ID列表、类目ID列表等；不同的实体ID列表构成不同的field。Embedding layer把这些实体ID都映射为固定长度的低维实数向量。
field-wise pooling层把同一个field的所有实体的特征嵌入向量求和得到对应于当前field的一个唯一的向量；之后所有field的向量拼接在一起构成一个大的隐层向量，接着大的隐层向量之上再接入若干全连接层，最后再连接到只有一个神经元的输出层。
MultilLayer Perception层中，包括了第一分支网络(即CVR预估模型)和第二分支网络(即CTR预估模型)。传统的推荐系统模型大多采用卷积神经网络CNN以及循环神经网络RNN，而本申请中子网络采用多模态融合能力强的Transformer模型(参见图5)，Transfromer的输入通常可以直接对像素进行操作得到初始嵌入向量，更接近于人对外界的感知方式。例如，训练数据集为
其中的样本(xk,yk→zk)，是从域X×Y×Z中按照某种分布采样得到的，X是特征空间，Y和Z是标签空间，N为数据集中的样本总数量。在CVR预估任务中，X是高维稀疏多域的特征向量，y代表示是否点击，取值为0或1，Z代表示是否购买，取值为0或1。本申请采用的模型揭示了用户行为的顺序性，即发生购买行为之前一定会先有点击行为产生。CVR模型的目标是预估条件概率PCVR,CTR模型的目标是预估条件概率PCTR,最终得到模型的目标条件概率PCTCVR：/>
pCTCVR(z＝1,y＝1|x)＝pCVR(z＝1|y＝1,x)×pCTR(y＝1|x)
Output Layer根据需求定义该模型带权重的损失函数，以便对模型进行进一步的反向反馈调整。
在一种可选的实施方式中，参见图6，通过下列方式训练得到已训练的预估模型：
S602、从训练样本数据集中选取训练样本，其中，训练样本中标注有样本用户对样本推荐商品的预估点击通过率和预估转化率。
S604、针对任意一个训练样本，将训练样本包含的样本用户的浏览动作信息、点击动作信息、购买动作信息和样本推荐商品的商品特征信息输入未训练的预估模型，获得所述未训练的预估模型输出的所述样本用户对样本推荐商品的预估点击通过率和预估转化率。
S606、基于训练样本中标注的样本用户对样本推荐商品的预估点击通过率和预估转化率通过损失函数对所述未训练的预估模型中的参数进行反向优化，得到已训练的预估模型。
在本申请实施例中，基于损失函数对预估模型进行优化时，主要是通过优化算法对目标损失函数进行优化，利用目标损失函数对预估模型进行至少一个阶段的训练直至模型收敛，从而训练出最好的模型。
其中，优化算法可以是梯度下降法、遗传算法、牛顿法、拟牛顿法等。
可选的，损失函数包括与第一分支网络对应的第一损失函数和与第二分支网络对应的第二损失函数。
在本申请实施例中，损失函数可以是交叉熵损失函数，也可以是其他类型的损失函数，下面主要是以交叉熵损失函数为例进行介绍，如下计算公式为本申请实施例提供的一种损失函数L：
其中，N为训练样本的数量，θcvr和θctr分别是CVR网络和CTR网络的参数，Wcvr,Wctr分别是CVR损失函数与CTR损失函数对应的梯度权重，loss(*)是交叉熵损失函数，yk代表点击标签，zk代表转化的标签。
在CTR任务中，有点击行为的展现事件构成的样本标记为正样本，没有点击行为发生的展现事件标记为负样本；在CTR任务中，有点击且有购买行为的标记为正样本，有点击但是无购买行为的标记否则标记为负样本。
在本申请实施例中，通过优化算法优化损失函数时，主要是根据预估模型的输出预估点击率和预估转化率对预估模型进行评测，根据评测结果调整损失函数，进而根据调整后的损失函数对预估模型进行优化，直至预估模型收敛，达到每个训练样本标注的预估点击率和预估转化率与通过未训练的预估模型得到的预估点击率和预估转化率的差值在允许的差距范围内的效果。
在上述实施方式中，训练模型时所使用的训练样本越多，训练得到的模型越准确，因此在保证模型训练准确性和训练速度的基础上，可采用适量的训练样本进行训练。
参见图7，为本申请提供的一种商品推荐系统的组成结构示意图，包括：
信息获取单元，用于获取用户的历史行为信息和待推荐商品的商品特征信息，其中用户的历史行为信息至少包括用户对有交互历史的商品的浏览动作信息、点击动作信息和购买动作信息；
预估单元，用于将用户的历史行为信息和待推荐商品的商品特征信息输入已训练的预估模型，获得用户对待推荐商品的预估点击通过率和预估转化率；
推荐单元，用于根据用户对各个待推荐商品的预估点击通过率和预估转化率，从待推荐商品中为用户确定推荐商品。
其中，所述预估模型是根据已标注预估点击通过率和预估转化率的训练样本数据集训练获得的，所述训练样本数据集中的训练样本包括样本用户的浏览动作信息、点击动作信息、购买动作信息和样本推荐商品的商品特征信息。
可选的，预估单元包括特征拼接子单元、第一预估子单元和第二预估子单元，其中：
特征拼接子单元用于根据所述历史行为信息中的浏览动作信息、点击动作信息和购买动作信息进行特征拼接，获得所述用户的行为偏好信息。
第一预估子单元用于将所述用户的行为偏好信息、用户画像信息和所述待推荐商品的商品特征信息输入第一分支网络进行特征提取，获得所述用户对所述待推荐商品的预估点击通过率。
第二预估子单元用于将所述用户的行为偏好信息、用户画像信息和所述待推荐商品的商品特征信息输入第二分支网络进行特征提取，获得所述用户对所述待推荐商品的预估转化率。
其中，所述第一分支网络是根据已标注预估点击通过率的第一训练样本数据集获得的，所述第一训练样本数据集中的训练样本包括样本用户的浏览动作信息、点击动作信息和样本推荐商品的商品特征信息；
所述第二分支网络是根据已标注预估转化率的第二训练样本数据集获得的，所述第二训练样本数据集中的训练样本包括样本用户的点击动作信息、购买动作信息和样本推荐商品的商品特征信息。
可选的，所述特征拼接子单元包括特征嵌入模块和向量拼接模块，所述特征嵌入模块用于根据所述用户的浏览动作信息、点击动作信息、购买动作信息和样本推荐商品的商品特征信息获取所述样本用户的用户域嵌入向量和商品域嵌入向量；
所述向量拼接模块用于将所述用户的用户域嵌入向量和商品域嵌入向量拼接后获得所述用户的行为偏好特征向量，并将所述用户的行为偏好特征向量作为所述用户的行为偏好信息。
可选的，推荐单元包括推荐值计算单元，用于将计算所述待推荐商品的潜在价值，并根据所述潜在价值确定推荐商品；所述潜在价值为所述待推荐商品的预估点击通过率、预估转化率和商品价格的乘积，在计算出每个待推荐商品的潜在价值后，根据潜在价值作为排序分值进行排序，为用户推荐其最偏爱的推荐商品。
可选的，商品推荐系统还包括模型训练单元，模型训练单元包括：
样本选取模块，用于从所述训练样本数据集中选取训练样本，其中，所述训练样本中标注有样本用户对样本推荐商品的预估点击通过率和预估转化率。
样本预估模块，用于针对任意一个训练样本，将所述训练样本包含的样本用户的浏览动作信息、点击动作信息、购买动作信息和样本推荐商品的商品特征信息输入未训练的预估模型，获得所述未训练的预估模型输出的所述样本用户对样本推荐商品的预估点击通过率和预估转化率。
反向调节模块，用于基于训练样本中标注的样本用户对样本推荐商品的预估点击通过率和预估转化率通过损失函数对所述未训练的预估模型中的参数进行反向优化，得到已训练的预估模型。
可选的，样本预估模块包括：
数据共享子模块，用于将所述训练样本输入数据共享模型，获得所述训练样本中各实体的特征嵌入向量。
权重分配子模块，用于将所述特征嵌入向量通过样本分配权重算子分别输入所述未训练的第一分支网络和未训练的第二分支网络，获得所述样本用于对样本推荐商品的预估点击通过率和预估转化率。
可选的，反向调节模块包括：
学习权重调整子模块，用于通过所述样本分配权重算子调整所述第一分支网络和第二损失函数对应的训练样本的权重。
输出权重调整子模块，用于根据第一分支网络和第二损失函数对应的训练样本的权重，调整第一损失函数和第二损失函数的学习权重。
为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本申请时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
所属技术领域的技术人员能够理解，本申请的每个方面可以实现为系统、方法或程序产品。因此，本申请的每个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
图8是本申请一实施例提供的商品推荐装置的示意图。如图8所示，该实施例的商品推荐装置8包括：处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82。所述处理器80执行所述计算机程序82时实现上述各个方法实施例中的步骤，例如图1所示的步骤102至108。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序82可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器81中，并由所述处理器80执行，以完成本申请。所述一个或多个模块/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82在所述商品推荐装置8中的执行过程。
所述商品推荐装置8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述商品推荐装置可包括但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是商品推荐装置8的示例，并不构成对商品推荐装置8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，例如所述商品推荐装置8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80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81可以是所述商品推荐装置8的内部存储单元，例如商品推荐装置8的硬盘或内存。所述存储器81也可以是所述商品推荐装置8的外部存储设备，例如所述商品推荐装置8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述商品推荐装置8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述商品推荐装置所需的其他程序和信息。所述存储器81还可以用于暂时的存储已经输出或者将要输出的信息。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其他的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其他的形式。
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单元来实现本实施例方案的目的。
另外，在本申请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。
所述集成的模块/单元如果以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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的商品可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
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 (12)
1.一种商品推荐方法，其特征在于，包括：
获取用户的历史行为信息和待推荐商品的商品特征信息，其中所述用户的历史行为信息至少包括所述用户对有交互历史的商品的浏览动作信息、点击动作信息、购买动作信息；
将所述用户的历史行为信息和所述待推荐商品的商品特征信息输入已训练的预估模型，获得所述用户对所述待推荐商品的预估点击通过率和预估转化率；
根据所述用户对各个待推荐商品的预估点击通过率和预估转化率，从所述待推荐商品中向所述用户推送推荐商品。
2.如权利要求1所述的方法，其特征在于，所述将所述用户的历史行为信息和所述待推荐商品的商品特征信息输入已训练的预估模型，获得所述用户对所述待推荐商品的预估点击通过率和预估转化率，包括：
将所述历史行为信息中的浏览动作信息、点击动作信息和购买动作信息在数据共享层进行特征拼接，获得所述用户的行为偏好信息；
将所述用户的行为偏好信息、用户画像信息和所述待推荐商品的商品特征信息输入第一分支网络进行特征提取，获得所述用户对所述待推荐商品的预估点击通过率；
将所述用户的行为偏好信息、用户画像信息和所述待推荐商品的商品特征信息输入第二分支网络进行特征提取，获得所述用户对所述待推荐商品的预估转化率。
3.如权利要求2所述的方法，其特征在于，所述预估模型包括损失函数，所述损失函数包括所述第一分支网络对应的第一损失函数和与所述第二分支网络对应的第二损失函数，训练所述预估模型的步骤包括：
根据预设的训练目标，通过样本分配权重算子调整所述第一分支网络和所述第二分支网络对应的训练样本的权重；
根据所述第一分支网络和所述第二分支网络对应的训练样本的权重，调整所述第一损失函数和第二损失函数的学习权重。
4.如权利要求2所述的方法，其特征在于，所述根据所述历史行为信息中的浏览动作信息、点击动作信息和购买动作信息进行特征拼接，获得所述用户的行为偏好信息，包括：
根据所述用户的浏览动作信息、点击动作信息、购买动作信息和有交互历史的商品的商品特征信息获取所述用户的用户域嵌入向量和商品域嵌入向量；
将所述用户的用户域嵌入向量和商品域嵌入向量拼接后获得所述用户的行为偏好特征向量，并将所述用户的行为偏好特征向量作为所述用户的行为偏好信息。
5.如权利要求4所述的方法，其特征在于，所述用户画像信息用于描述用户的基本特征；
所述待推荐商品的商品特征信息还包括所述待推荐商品的推广特征信息，所述推广特征信息用于反映所述商品的推广程度。
6.如权利要求5所述的方法，其特征在于，所述根据所述用户对各个待推荐商品的预估点击通过率和预估转化率，从所述待推荐商品中为所述用户推送推荐商品，包括：
计算每个用户的待推荐商品的潜在价值，并根据所述待推荐商品的潜在价值排序，为用户推送待推荐商品。
7.如权利要求1～6任一所述的方法，其特征在于，训练获得所述已训练的预估模型的方法包括以下步骤：
从训练样本数据集中选取训练样本，其中，所述训练样本中包括样本用户对样本推荐商品的点击或购买的标注；
针对任意一个训练样本，将所述训练样本包含的样本用户的浏览动作信息、点击动作信息、购买动作信息、用户画像信息和样本推荐商品的商品特征信息输入未训练的预估模型，获得所述未训练的预估模型输出的所述样本用户对样本推荐商品的预估点击通过率和预估转化率；
基于所述训练样本中样本用户对样本推荐商品的点击或购买的标注，通过损失函数对所述未训练的预估模型中的参数进行反向优化，得到已训练的预估模型。
8.如权利要求7所述的方法，其特征在于，所述未训练的预估模型包括未训练的第一分支网络和未训练的第二分支网络，所述针对任意一个训练样本，将所述训练样本包含的样本用户的浏览动作信息、点击动作信息、购买动作信息、用户画像信息和样本推荐商品的商品特征信息输入未训练的预估模型，获得所述未训练的预估模型输出的所述样本用户对样本推荐商品的预估点击通过率和预估转化率，包括：
将所述训练样本输入数据共享模型，获得所述训练样本中各实体的特征嵌入向量和所述样本推荐商品的推广特征向量；
将所述特征嵌入向量和所述样本推荐商品的推广特征向量通过样本分配权重算子分别输入所述未训练的第一分支网络和未训练的第二分支网络，获得所述样本用于对样本推荐商品的预估点击通过率和预估转化率。
9.如权利要求8所述的方法，其特征在于，在所述第一分支网络中，将有点击行为构成的样本标记为第一正样本，没有点击行为构成的样本标记为第一负样本；
在所述第二分支网络中，有点击且有购买行为的样本标记为第二正样本，有点击但是无购买行为的样本标记为第二负样本。
10.一种商品推荐系统，其特征在于，包括：
信息获取单元，用于获取用户的历史行为信息和待推荐商品的商品特征信息，其中所述用户的历史行为信息至少包括所述用户对有交互历史的商品的浏览动作信息、点击动作信息和购买动作信息；
预估单元，用于将所述用户的历史行为信息和所述待推荐商品的商品特征信息输入已训练的预估模型，获得所述用户对所述待推荐商品的预估点击通过率和预估转化率；
推荐单元，用于根据所述用户对各个待推荐商品的预估点击通过率和预估转化率，从所述待推荐商品中为所述用户推送推荐商品。
11.一种商品推荐装置，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9中任一项所述方法的步骤。
12.一种计算机可读介质，所述计算机可读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9任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211626750.0A CN115860870A (zh) | 2022-12-16 | 2022-12-16 | 一种商品推荐方法、系统、装置及可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211626750.0A CN115860870A (zh) | 2022-12-16 | 2022-12-16 | 一种商品推荐方法、系统、装置及可读介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115860870A true CN115860870A (zh) | 2023-03-28 |
Family
ID=85673790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211626750.0A Pending CN115860870A (zh) | 2022-12-16 | 2022-12-16 | 一种商品推荐方法、系统、装置及可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115860870A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117273869A (zh) * | 2023-11-21 | 2023-12-22 | 安徽农业大学 | 一种基于用户数据的农产品智能推送方法、系统、装置以及介质 |
| CN117522485A (zh) * | 2024-01-03 | 2024-02-06 | 浙江同花顺智能科技有限公司 | 一种广告推荐方法、装置、设备及计算机可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190311275A1 (en) * | 2018-04-10 | 2019-10-10 | Beijing Baidu Netcome Science and Technology Co., Ltd. | Method and apparatus for recommending entity |
| 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 |
| CN112381607A (zh) * | 2020-11-12 | 2021-02-19 | 杭州时趣信息技术有限公司 | 一种网络商品排序方法、装置、设备及介质 |
| CN112508613A (zh) * | 2020-12-09 | 2021-03-16 | 天津狮拓信息技术有限公司 | 一种商品推荐方法、装置、电子设备和可读存储介质 |
| CN112529663A (zh) * | 2020-12-15 | 2021-03-19 | 中国平安人寿保险股份有限公司 | 商品推荐方法、装置、终端设备及存储介质 |
| CN113763095A (zh) * | 2020-11-27 | 2021-12-07 | 北京京东振世信息技术有限公司 | 信息推荐方法、装置和模型训练方法、装置 |
| CN115222433A (zh) * | 2021-04-16 | 2022-10-21 | 腾讯科技（深圳）有限公司 | 一种信息推荐方法、装置及存储介质 |
-
2022
- 2022-12-16 CN CN202211626750.0A patent/CN115860870A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190311275A1 (en) * | 2018-04-10 | 2019-10-10 | Beijing Baidu Netcome Science and Technology Co., Ltd. | Method and apparatus for recommending entity |
| 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 |
| CN112381607A (zh) * | 2020-11-12 | 2021-02-19 | 杭州时趣信息技术有限公司 | 一种网络商品排序方法、装置、设备及介质 |
| CN113763095A (zh) * | 2020-11-27 | 2021-12-07 | 北京京东振世信息技术有限公司 | 信息推荐方法、装置和模型训练方法、装置 |
| CN112508613A (zh) * | 2020-12-09 | 2021-03-16 | 天津狮拓信息技术有限公司 | 一种商品推荐方法、装置、电子设备和可读存储介质 |
| CN112529663A (zh) * | 2020-12-15 | 2021-03-19 | 中国平安人寿保险股份有限公司 | 商品推荐方法、装置、终端设备及存储介质 |
| CN115222433A (zh) * | 2021-04-16 | 2022-10-21 | 腾讯科技（深圳）有限公司 | 一种信息推荐方法、装置及存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117273869A (zh) * | 2023-11-21 | 2023-12-22 | 安徽农业大学 | 一种基于用户数据的农产品智能推送方法、系统、装置以及介质 |
| CN117273869B (zh) * | 2023-11-21 | 2024-02-13 | 安徽农业大学 | 一种基于用户数据的农产品智能推送方法、系统、装置以及介质 |
| CN117522485A (zh) * | 2024-01-03 | 2024-02-06 | 浙江同花顺智能科技有限公司 | 一种广告推荐方法、装置、设备及计算机可读存储介质 |
| CN117522485B (zh) * | 2024-01-03 | 2024-04-09 | 浙江同花顺智能科技有限公司 | 一种广告推荐方法、装置、设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111553754B (zh) | 行为预测系统的更新方法及装置 | |
| Varadarajan et al. | Marketing strategy in an internet-enabled environment: a retrospective on the first ten years of JIM and a prospective on the next ten years | |
| CN110162700A (zh) | 信息推荐及模型的训练方法、装置、设备以及存储介质 | |
| Zhao et al. | What factors influence online product sales? Online reviews, review system curation, online promotional marketing and seller guarantees analysis | |
| CN104281962B (zh) | 用于在线系统中的广告和内容的统一市场 | |
| CN111767466B (zh) | 基于人工智能的推荐信息推荐方法、装置及电子设备 | |
| CN115860870A (zh) | 一种商品推荐方法、系统、装置及可读介质 | |
| CN104657879A (zh) | 基于用户参与的根据上下文的用于无保障递送的自动定价 | |
| Abbasimehr et al. | A new framework for predicting customer behavior in terms of RFM by considering the temporal aspect based on time series techniques | |
| US20210233160A1 (en) | System, method and user interfaces and data structures in a cross-platform facility for providing content generation tools and consumer experience | |
| CN111798280B (zh) | 多媒体信息推荐方法、装置和设备及存储介质 | |
| CN110933472B (zh) | 一种用于实现视频推荐的方法和装置 | |
| CN113516496B (zh) | 广告转化率预估模型构建方法、装置、设备及其介质 | |
| CN111949887A (zh) | 物品推荐方法、装置及计算机可读存储介质 | |
| CN112417294A (zh) | 一种基于神经网络挖掘模型的业务智能推荐方法 | |
| CN114331543A (zh) | 一种大规模人群定向及动态化场景匹配的广告传播方法 | |
| CN116894711A (zh) | 商品推荐理由生成方法及其装置、电子设备 | |
| CN116127184A (zh) | 产品的推荐方法及装置、非易失性存储介质、电子设备 | |
| CN108876517A (zh) | 基于人工智能的用户喜好分析方法及系统 | |
| CN110502639B (zh) | 基于问题贡献度的信息推荐方法、装置、及计算机设备 | |
| CN112449002B (zh) | 一种待推送对象的推送方法、装置、设备及存储介质 | |
| CN117172887A (zh) | 商品推荐模型训练方法及商品推荐方法 | |
| Änäkkälä | Exploring value in eCommerce artificial intelligence and recommendation systems | |
| KR102576123B1 (ko) | 제품 공동구매 연계 시스템 및 방법 | |
| CN116109354A (zh) | 内容推荐方法、装置、设备、存储介质及计算机程序产品 |
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 |