CN116383735A - 推荐模型的推荐方法、推荐设备和计算机可读存储介质 - Google Patents
推荐模型的推荐方法、推荐设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN116383735A CN116383735A CN202310370373.7A CN202310370373A CN116383735A CN 116383735 A CN116383735 A CN 116383735A CN 202310370373 A CN202310370373 A CN 202310370373A CN 116383735 A CN116383735 A CN 116383735A
- Authority
- CN
- China
- Prior art keywords
- feature
- features
- basic
- recommendation
- weight
- 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 71
- 239000013598 vector Substances 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种推荐模型的推荐方法、推荐设备和计算机可读存储介质,推荐方法包括:获取推荐模型的多个业务和每个业务的分类信息;基于分类信息,构造多个基础特征;获取与基础特征对应的标签信息,基于基础特征和对应的标签信息计算得到基础特征的基础权重;基于基础权重对多个基础特征进行筛选,得到多个第一特征和每个第一特征的第一权重;计算第一特征的特征向量,并将多个第一特征进行特征交叉处理,得到多个第二特征;基于第一特征的特征向量,得到第二特征的第二权重;基于基础特征、基础特征的基础权重、第二特征和第二特征的第二权重,得到推荐模型的推荐概率。基于上述方式,可以实现多个特征组合并赋予权重,提高模型的预测概率。
Description
技术领域
本申请涉及机器学习技术领域,尤其涉及一种推荐模型的推荐方法、推荐设备和计算机可读存储介质。
背景技术
随着线上消费模式的崛起和电商平台的快速发展,更精确地了解用户的个性化需求,个性化推荐成为各电商平台研究的热点之一。个性化推荐根据用户的特征和偏好,通过采集、分析和定义其在用户端上的历史行为,从而向用户推荐感兴趣的信息或物品。因此,个性化推荐模型的建立成为商家了解用户消费需求、抢占市场先机、提高交易额的重要战略。目前,在实际业务场景中,推荐模型往往利用用户的单一特征进行建立模型,模型的预测效果差。
发明内容
为了解决上述问题,本申请提供了一种推荐模型的推荐方法、推荐设备和计算机可读存储介质。
为解决上述技术问题,本申请提供了第一种技术方案,提供一种推荐模型的推荐方法,所述推荐方法包括:获取所述推荐模型的多个业务和每个所述业务的分类信息;基于所述分类信息,构造多个基础特征;获取与所述基础特征对应的标签信息,基于所述基础特征和对应的所述标签信息计算得到所述基础特征的基础权重;基于所述基础权重对多个所述基础特征进行筛选,得到多个第一特征和每个所述第一特征的第一权重;计算所述第一特征的特征向量,并将多个所述第一特征进行特征交叉处理,得到多个第二特征;基于所述第一特征的特征向量,得到所述第二特征的第二权重;基于所述基础特征、所述基础特征的基础权重、所述第二特征和所述第二特征的第二权重,得到所述推荐模型的推荐概率。
其中,所述基于所述基础特征和对应的所述标签信息计算得到所述基础特征的基础权重的步骤包括:将所述基础特征和对应的所述标签信息代入预设模型,得到所述基础特征的基础权重。
其中,所述基于所述基础权重对多个所述基础特征进行筛选,得到多个第一特征和每个所述第一特征的第一权重的步骤包括:基于所述基础权重对多个所述基础特征进行排序,得到所述基础特征的重要性排序表;选取所述重要性排序表中排序靠前的多个基础特征,得到多个第一特征和每个所述第一特征的第一权重,其中多个所述第一权重的和大于或等于预设值。
其中,所述计算所述第一特征的特征向量的步骤包括:对多个所述第一特征进行向量化,得到与所述第一特征对应的预设长度;基于所述预设长度,得到所述第一特征的特征向量。
其中,所述将多个所述第一特征进行特征交叉处理,得到多个第二特征的步骤包括:对多个所述第一特征进行两两组合,以形成多个第二特征。
其中,所述基于所述第一特征的特征向量,得到所述第二特征的第二权重的步骤包括:计算每个所述第二特征中的两个第一特征的特征向量的内积,得到所述第二特征的第二权重。
其中,所述基于所述基础特征、所述基础特征的基础权重、所述第二特征和所述第二特征的第二权重,得到所述推荐模型的推荐概率的步骤包括:计算所述基础特征和对应的所述基础权重的乘积,得到多个第一乘积;计算所述第二特征和对应的所述第二权重的乘积,得到多个第二乘积;将所述多个第一乘积和多个第二乘积相加得到所述推荐模型的推荐概率。
其中,所述基于所述分类信息,构造多个基础特征的步骤包括:基于所述分类信息,得到与所述分类信息对应的多条基础信息;基于多条所述基础信息,构造多个基础特征。
为解决上述技术问题,本申请提供的另一种技术方案是:提供一种推荐设备,所述推荐设备包括存储器和处理器,其中,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序以实现如上所述的推荐方法。
为解决上述技术问题,本申请提供的另一种技术方案是:提供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,所述计算机程序在被处理器执行时用于实现如上所述的推荐方法。
本申请提供了一种推荐模型的推荐方法,包括:获取推荐模型的多个业务和每个业务的分类信息;基于分类信息,构造多个基础特征;获取与基础特征对应的标签信息,基于基础特征和对应的标签信息计算得到基础特征的基础权重;基于基础权重对多个基础特征进行筛选,得到多个第一特征和每个第一特征的第一权重;计算第一特征的特征向量,并将多个第一特征进行特征交叉处理,得到多个第二特征;基于第一特征的特征向量,得到第二特征的第二权重;基于基础特征、基础特征的基础权重、第二特征和第二特征的第二权重,得到推荐模型的推荐概率。基于上述方式,通过基础特征、基础特征的基础权重、第二特征和第二特征的第二权重得到推荐模型的推荐概率,可以实现多个特征组合并赋予权重,提高模型的预测概率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请提供的推荐模型的推荐方法的一实施例的流程示意图;
图2是本申请提供的推荐模型的推荐方法的另一实施例的流程示意图;
图3是本申请提供的推荐模型的推荐方法的另一实施例的流程示意图;
图4是本申请提供的推荐模型的推荐方法的另一实施例的流程示意图;
图5是本申请提供的推荐模型的推荐方法的另一实施例的流程示意图;
图6是本申请提供的推荐模型的推荐方法的另一实施例的流程示意图;
图7是本申请提供的推荐设备的一实施例的框架示意图;
图8是本申请提供的计算机可读存储介质的一实施例的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图,对本发明的具体实施方式做详细的说明。可以理解的是,此处所描述的具体实施例仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。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它实施例,都属于本发明保护的范围。
本发明中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。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。
随着线上消费模式的崛起和电商平台的快速发展,更精确地了解用户的个性化需求,个性化推荐成为各电商平台研究的热点之一。个性化推荐根据用户的特征和偏好,通过采集、分析和定义其在用户端上的历史行为,从而向用户推荐感兴趣的信息或物品。因此,个性化推荐模型的建立成为商家了解用户消费需求、抢占市场先机、提高交易额的重要战略。目前,在实际业务场景中,推荐模型往往利用用户的单一特征进行建立模型,模型的预测效果差。
利用用户的单一特征进行建立模型,需要从业人员通过先验知识猜测构造特征的有效性并逐个进行验证,不仅效率低,而且特征数量较少,难以进行高阶特征交叉处理时的筛选工作。此外,单一特征表达样本的能力较差,模型预测的准确率低。
目前在进行特征交叉处理时,多采用One-Hot(独热编码)表示特征,再通过穷举的方法进行特征交叉处理。在特征数量多的情况下,会导致特征稀疏且无法有效训练特征的权重,进而在训练过程会导致参数量级大,预测效率低且预测效果差。
基于上述问题,本申请提供一种推荐模型的推荐方法,下面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。
请参阅图1,图1是本申请提供的一种推荐模型的推荐方法的一实施例的流程示意图。本实施例的推荐模型的推荐方法应用于推荐设备;推荐设备可以为服务器、电脑或平板等,在其他实施例中本申请的推荐设备可以为服务器。
本实施例的推荐模型的推荐方法包括以下步骤:
S101:获取推荐模型的多个业务和每个业务的分类信息。
其中,推荐模型可以应用于多种业务场景,例如新闻推荐、电子商务推荐或娱乐推荐。根据推荐模型应用的业务场景,获取业务场景下的多个业务,例如在新闻推荐的业务场景下,获取的多个业务可以为不同新闻的相关信息。
每个业务的分类信息可以为用户的信息、物品的信息或用户对物品的行为信息。例如在新闻推荐的业务场景下,用户的信息可以为用户的年龄或性别;物品的信息可以为新闻的类型、来源或该条新闻的点击量等;用户对物品的行为信息可以为用户对该类型的新闻或该来源的新闻的点击、收藏、分享信息等,也可以为用户对点击量大的新闻的点击、收藏、分享信息等。
S102:基于分类信息,构造多个基础特征。
其中,基于业务的分类信息,可以构造对应的基础特征。
对应于用户的信息、物品的信息或用户对物品的行为信息,可以构造用户的基础特征、物品的基础特征和行为基础特征。基于分类信息,构造多个基础特征,多个基础特征可以包括用户的年龄特征、用户的性别特征、物品的类别特征、行为的点击特征等。在实际业务场景下,也可以根据具体情况构造基础特征,例如在银行客户端应用页面的首页横幅广告推荐,构造的多个基础特征还可以包括用户的信用等级特征、资产等级特征、借贷逾期特征。
S103:获取与基础特征对应的标签信息,基于基础特征和对应的标签信息计算得到基础特征的基础权重。
其中,与基础特征对应的标签信息为是否推荐成功的标签信息。通过机器学习的方法可以基于基础特征和对应的标签信息计算得到基础特征的基础权重。
可选地,基于基础特征和对应的标签信息计算得到基础特征的基础权重的步骤包括:将基础特征和对应的标签信息代入预设模型,得到基础特征的基础权重。
其中,预设模型可以为机器学习模型,例如XGBoost(Extreme GradientBoosting,极限梯度提升算法)模型。将基础特征和对应的标签信息代入预设模型,进行多次训练,通过增加或减少一个基础特征,比较多次训练的预测结果,判断基础特征的重要程度,得到基础特征的基础权重。
S104:基于基础权重对多个基础特征进行筛选,得到多个第一特征和每个第一特征的第一权重。
其中,基于基础权重对多个基础特征进行筛选,选取基础权重大的基础特征,得到多个第一特征和每个第一特征的第一权重。
S105:计算第一特征的特征向量,并将多个第一特征进行特征交叉处理,得到多个第二特征。
将第一特征用向量表示,通过计算可以得到第一特征的特征向量。将多个第一特征进行特征交叉处理,得到特征组合,相对于单一特征,特征组合对用户的表达效果更好,利用特征组合建立推荐模型,可以提高预测的准确率,提高推荐模型的预测概率。
S106:基于第一特征的特征向量,得到第二特征的第二权重。
第二特征包括第一特征,基于第一特征的特征向量,计算得到第二特征的第二权重。
S107:基于基础特征、基础特征的基础权重、第二特征和第二特征的第二权重,得到推荐模型的推荐概率。
通过基础特征和第二特征建立推荐模型,基于基础特征、基础特征的基础权重、第二特征和第二特征的第二权重,计算得到推荐模型的推荐概率。
因此,本实施例提供一种推荐模型的推荐方法,包括:获取推荐模型的多个业务和每个业务的分类信息;基于分类信息,构造多个基础特征;获取与基础特征对应的标签信息,基于基础特征和对应的标签信息计算得到基础特征的基础权重;基于基础权重对多个基础特征进行筛选,得到多个第一特征和每个第一特征的第一权重;计算第一特征的特征向量,并将多个第一特征进行特征交叉处理,得到多个第二特征;基于第一特征的特征向量,得到第二特征的第二权重;基于基础特征、基础特征的基础权重、第二特征和第二特征的第二权重,得到推荐模型的推荐概率。基于上述方式,通过基础特征、基础特征的基础权重、第二特征和第二特征的第二权重得到推荐模型的推荐概率,可以实现多个特征组合并赋予权重,提高模型的预测概率。
请参阅图2,图2是本申请提供的推荐模型的推荐方法的另一实施例的流程示意图。本实施例为图1中基于基础权重对多个基础特征进行筛选,得到多个第一特征和每个第一特征的第一权重的具体实施方式。
本实施例的推荐模型的推荐方法包括以下步骤:
S201:基于基础权重对多个基础特征进行排序,得到基础特征的重要性排序表。
其中,通过机器学习的方法可以基于基础特征和对应的标签信息计算得到基础特征的基础权重,全部基础权重的和为1。
S202:选取重要性排序表中排序靠前的多个基础特征,得到多个第一特征和每个第一特征的第一权重,其中多个第一权重的和大于或等于预设值。
其中,预设值可以为大于0.9且小于1;在其他实施例中,预设值可以为其他范围,例如预设值大于0.8且小于1。
其中,基于基础权重对多个基础特征进行筛选,将重要性排序表中排序靠前的多个基础权重相加,得到的数值大于或等于预设值,并且基础特征数量最少时,得到多个第一特征和每个第一特征的第一权重。例如,设置预设值为0.95,在重要性排序表中,前19个基础特征的基础权重的和为0.94,前20个基础特征的基础权重的和为0.96,前21个基础特征的基础权重的和为0.97,则选取前20个基础特征得到20个第一特征和每个第一特征的第一权重。
因此,通过本实施例的方法,通过设置预设值并筛选基础特征,得到多个第一特征和每个第一特征的第一权重。第一特征参与第二特征的形成,选取重要的基础特征得到第一特征,以形成多个第二特征,进行推荐模型的训练和预测,可以提高推荐模型预测的准确性。
请参阅图3,图3是本申请提供的推荐模型的推荐方法的另一实施例的流程示意图。本实施例为图1中计算第一特征的特征向量的具体实施方式。
本实施例的推荐模型的推荐方法包括以下步骤:
S301:对多个第一特征进行向量化,得到与第一特征对应的预设长度。
其中,对多个第一特征进行向量化可以为将特征信息设计为Embedding(嵌入式)表达。在传统机器学习建立模型过程中,多采用One-Hot表示特征,但One-Hot表示特征的维度等于特征的总数,在特征的总数大的情况下,会导致特征极端稀疏,过度占用资源。而通过Embedding表达可以实现特征向量的降维,使向量维度低于特征的总数。预设长度即为对特征向量降维后向量的维度。
对于Embedding的维度的选取,一般需要结合具体的实际场景来进行测试,通常模型训练数据越多或深度学习网络越大,需要的维度越高。从几十维到上千维,维度过低对特征的表达能力差,维度过高容易过拟合,于是需要选取一个合适的维度。通过设置验证集,将维度按照指数变化进行选取,例如2的指数或10的指数,观察模型的预测效果,选取一个合适的维度。
在本实施例中,对于特征维度的选取可以通过测试得出,也可以人为设定一个合适的数值。对多个第一特征进行向量化,得到与第一特征对应的预设长度,其中,预设长度可以为8维、16维、32维或64维;也可以为50维、100维或200维。
S302:基于预设长度,得到第一特征的特征向量。
基于预设长度,将第一特征设计为Embedding表达,得到第一特征的特征向量,特征向量的维度为预设长度。
因此,通过本实施例的方法,对多个第一特征进行向量化,通过对第一特征的降维或升维过程中,选取一个既可以良好表达特征,又不会过拟合的合适维度,进而计算得到第一特征的特征向量,可以解决特征稀疏的问题,提高模型的预测效率。
请参阅图4,图4是本申请提供的推荐模型的推荐方法的另一实施例的流程示意图。本实施例为图1中将多个第一特征进行特征交叉处理,得到多个第二特征,基于第一特征的特征向量,得到第二特征的第二权重的具体实施方式。
本实施例的推荐模型的推荐方法包括以下步骤:
S401:对多个第一特征进行两两组合,以形成多个第二特征。
对多个第一特征进行特征交叉处理,即对多个第一特征进行两两组合,以形成多个第二特征。特征交叉通过组合两个(或多个)特征使用线性模型学习非线性关系,提高模型的非线性建模能力,提高模型的预测效果。其中,线性模型可以为DeepFM(DeepFactorization-Machine,深度学习因子分解机),DeepFM可以避免人工构造复杂的特征工程,在本实施例中,为了避免计算复杂度大,只用到二阶特征组合,即对第一特征进行两两组合。
S402:计算每个第二特征中的两个第一特征的特征向量的内积,得到第二特征的第二权重。
对于每个第二特征的权重,通过计算第二特征中的两个第一特征的特征向量的内积得出。例如,将两个第一特征i和j组合,得到第二特征ij;第一特征i和j的特征向量分别为vi和vj,第二特征ij的权重ωij为:ωij=i*j。
因此,通过本实施例的方法,通过对多个第一特征进行两两组合,以形成多个第二特征,并计算每个第二特征中的两个第一特征的特征向量的内积,得到第二特征的第二权重,得到推荐模型的多个第二特征和每个第二特征的第二权重。
请参阅图5,图5是本申请提供的推荐模型的推荐方法的另一实施例的流程示意图。本实施例为图1中基于基础特征、基础特征的基础权重、第二特征和第二特征的第二权重,得到推荐模型的推荐概率的具体实施方式。
本实施例的推荐模型的推荐方法包括以下步骤:
S501:计算基础特征和对应的基础权重的乘积,得到多个第一乘积。
其中,基础特征为推荐模型的单一特征。
S502:计算第二特征和对应的第二权重的乘积,得到多个第二乘积。
其中,第二特征为推荐模型的组合特征。
S503:将多个第一乘积和多个第二乘积相加得到推荐模型的推荐概率。
因此,通过本实施例的方法,通过利用推荐模型的单一特征和组合特征进行训练和测试,并计算得到每一个特征的权重,将单一特征和对应的特征权重相乘,将组合特征和对应的特征权重相乘,并将得到的所有乘积相加,得到推荐模型的推荐概率。
请参阅图6,图6是本申请提供的推荐模型的推荐方法的另一实施例的流程示意图。本实施例为图1中基于分类信息,构造多个基础特征的具体实施方式。
本实施例的推荐模型的推荐方法包括以下步骤:
S601:基于分类信息,得到与分类信息对应的多条基础信息。
其中,基于业务的分类信息可以为用户的信息、物品的信息和用户对物品的行为信息。对于业务的一类分类信息,例如用户的信息,得到的与分类信息对应的多条基础信息可以为用户的年龄、用户的性别或用户在该业务中处于哪类客群等。
S602:基于多条基础信息,构造多个基础特征。
其中,基于多条基础信息,构造多个与分类信息对应的基础特征。对应于用户的信息、物品的信息或用户对物品的行为信息,可以构造用户的基础特征、物品的基础特征和行为基础特征。基于多条基础信息,构造多个基础特征,多个基础特征可以包括用户的年龄特征、用户的性别特征、物品的类别特征、行为的点击特征等。
在进行特征交叉处理时,包括类别内部的特征进行交叉和类别间的特征进行交叉。当特征进行交叉时,得到的新特征可以表达特征的类别信息,例如用户的年龄特征和物品的类别特征进行交叉时,可以表达用户和物品这个范畴的对业务的表达,而用户的年龄特征和用户的性别特征进行交叉时,可以表达用这一范畴对业务的表达,这些组合特征在实际业务场景下,对于能够覆盖到的业务表现出的预测效果相对单一特征更加准确。
因此,通过本实施例的方法,通过构造多个对应于分类信息的基础特征,可以挖掘潜在的有价值的特征组合,提高模型预测的准确性,提高模型的预测概率。
请参见图7,图7是本申请提供的推荐设备的一实施例的框架示意图。如图7所示,该推荐设备100包括处理器101以及与处理器101连接的存储器102。其中,存储器102用于存储计算机程序,处理器101用于执行计算机程序以实现上述的推荐方法。
其中,处理器101还可以称为CPU(Central Processing Unit,中央处理单元)。处理器101可能是一种电子芯片,具有信号的处理能力。处理器101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。
存储器102可以为内存条、TF卡等,可以存储推荐设备100中的全部信息,包括输入的原始数据、计算机程序、中间运行结果和最终运行结果都保存在存储器102中。它根据处理器101指定的位置存入和取出信息。有了存储器102,推荐设备100才有记忆功能,才能保证正常工作。推荐设备100的存储器102按用途可分为主存储器(内存)和辅助存储器(外存),也有分为外部存储器和内部存储器的分类方法。外存通常是磁性介质或光盘等,能长期保存信息。内存指主板上的存储部件,用来存放当前正在执行的数据和程序,但仅用于暂时存放程序和数据,关闭电源或断电,数据会丢失。
请参见图8,图8是本申请提供的计算机可读存储介质的一实施例的结构示意图。如图8所示,该计算机可读存储介质110中存储有能够实现上述所有方法的程序指令111。
在本申请实施例中的各功能单元集成的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,可以存储在计算机可读存储介质110中。基于这样的理解,本申请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全部或部分可以以软件产品的形式体现出来,该计算机可读存储介质110在一个程序指令111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,系统服务器,或者网络设备等)、电子设备(例如MP3、MP4等,也可以是手机、平板电脑、可穿戴设备等移动终端,也可以是台式电脑等)或者处理器(processor)以执行本申请各个实施方式方法的全部或部分步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质110(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照本申请实施例的方法、设备(系统)、和计算机程序产品的流程示意图和/或方框图来描述的。应理解可由计算机可读存储介质110实现流程示意图和/或方框图中的每一流程和/或方框、以及流程示意图和/或方框图中的流程和/或方框的结合。可提供这些计算机可读存储介质110到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的程序指令111产生用于实现在流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机可读存储介质110也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的存储器中,使得存储在该计算机可读存储介质110中的程序指令111产生包括指令装置的制造品,该指令装置实现在流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机可读存储介质110也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的程序指令111提供用于实现在流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
流程示意图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程示意图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何介质中,以供指令执行系统、装置或设备(可以是个人计算机,服务器,网络设备或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请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,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种推荐模型的推荐方法,其特征在于,所述方法包括:
获取所述推荐模型的多个业务和每个所述业务的分类信息;
基于所述分类信息,构造多个基础特征;
获取与所述基础特征对应的标签信息,基于所述基础特征和对应的所述标签信息计算得到所述基础特征的基础权重;
基于所述基础权重对多个所述基础特征进行筛选,得到多个第一特征和每个所述第一特征的第一权重;
计算所述第一特征的特征向量,并将多个所述第一特征进行特征交叉处理,得到多个第二特征;
基于所述第一特征的特征向量,得到所述第二特征的第二权重;
基于所述基础特征、所述基础特征的基础权重、所述第二特征和所述第二特征的第二权重,得到所述推荐模型的推荐概率。
2.根据权利要求1所述的推荐方法,其特征在于,所述基于所述基础特征和对应的所述标签信息计算得到所述基础特征的基础权重的步骤包括:
将所述基础特征和对应的所述标签信息代入预设模型,得到所述基础特征的基础权重。
3.根据权利要求2所述的推荐方法,其特征在于,所述基于所述基础权重对多个所述基础特征进行筛选,得到多个第一特征和每个所述第一特征的第一权重的步骤包括:
基于所述基础权重对多个所述基础特征进行排序,得到所述基础特征的重要性排序表;
选取所述重要性排序表中排序靠前的多个基础特征,得到多个第一特征和每个所述第一特征的第一权重,其中多个所述第一权重的和大于或等于预设值。
4.根据权利要求3所述的推荐方法,其特征在于,所述计算所述第一特征的特征向量的步骤包括:
对多个所述第一特征进行向量化,得到与所述第一特征对应的预设长度;
基于所述预设长度,得到所述第一特征的特征向量。
5.根据权利要求4所述的推荐方法,其特征在于,所述将多个所述第一特征进行特征交叉处理,得到多个第二特征的步骤包括:
对多个所述第一特征进行两两组合,以形成多个第二特征。
6.根据权利要求5所述的推荐方法,其特征在于,所述基于所述第一特征的特征向量,得到所述第二特征的第二权重的步骤包括:
计算每个所述第二特征中的两个第一特征的特征向量的内积,得到所述第二特征的第二权重。
7.根据权利要求6所述的推荐方法,其特征在于,所述基于所述基础特征、所述基础特征的基础权重、所述第二特征和所述第二特征的第二权重,得到所述推荐模型的推荐概率的步骤包括:
计算所述基础特征和对应的所述基础权重的乘积,得到多个第一乘积;
计算所述第二特征和对应的所述第二权重的乘积,得到多个第二乘积;
将所述多个第一乘积和多个第二乘积相加得到所述推荐模型的推荐概率。
8.根据权利要求1所述的推荐方法,其特征在于,所述基于所述分类信息,构造多个基础特征的步骤包括:
基于所述分类信息,得到与所述分类信息对应的多条基础信息;
基于多条所述基础信息,构造多个基础特征。
9.一种推荐设备,其特征在于,包括处理器以及与所述处理器连接的存储器,其中,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序以实现如权利要求1-8任一项所述的推荐方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序在被处理器执行时用于实现如权利要求1-8任一项所述的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310370373.7A CN116383735A (zh) | 2023-03-28 | 2023-03-28 | 推荐模型的推荐方法、推荐设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310370373.7A CN116383735A (zh) | 2023-03-28 | 2023-03-28 | 推荐模型的推荐方法、推荐设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116383735A true CN116383735A (zh) | 2023-07-04 |
Family
ID=86967221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310370373.7A Pending CN116383735A (zh) | 2023-03-28 | 2023-03-28 | 推荐模型的推荐方法、推荐设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116383735A (zh) |
-
2023
- 2023-03-28 CN CN202310370373.7A patent/CN116383735A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110413877A (zh) | 一种资源推荐方法、装置及电子设备 | |
CN109493199A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
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 | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
CN110060090A (zh) | 推荐商品组合的方法、装置、电子设备及可读存储介质 | |
CN111523976A (zh) | 商品推荐方法、装置、电子设备及存储介质 | |
CN109299994A (zh) | 推荐方法、装置、设备及可读存储介质 | |
CN108205768A (zh) | 数据库建立方法和数据推荐方法及装置、设备和存储介质 | |
CN112765230B (zh) | 基于互联网金融的支付大数据分析方法及大数据分析系统 | |
WO2020150611A1 (en) | Systems and methods for entity performance and risk scoring | |
CN112818218A (zh) | 信息推荐方法、装置、终端设备及计算机可读存储介质 | |
CN113609345B (zh) | 目标对象关联方法和装置、计算设备以及存储介质 | |
CN113191838A (zh) | 一种基于异质图神经网络的购物推荐方法及系统 | |
CN113592605B (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN111460290A (zh) | 信息的推荐方法、装置、设备和存储介质 | |
CN110852785A (zh) | 用户分级方法、装置及计算机可读存储介质 | |
CN112328869A (zh) | 一种用户贷款意愿的预测方法、装置及计算机系统 | |
CN109255676A (zh) | 商品推荐方法、装置、计算机设备及存储介质 | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN113656690A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN117522519A (zh) | 产品推荐方法、装置、设备、存储介质和程序产品 | |
CN111325614A (zh) | 电子对象的推荐方法、装置和电子设备 | |
CN114429384B (zh) | 基于电商平台的产品智能推荐方法及系统 | |
CN116383735A (zh) | 推荐模型的推荐方法、推荐设备和计算机可读存储介质 | |
CN115049383A (zh) | 组合支付推荐方法、装置、电子设备及存储介质 |
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 |