CN117974276A - 商品推荐模型训练方法、商品推荐方法及电子设备 - Google Patents
商品推荐模型训练方法、商品推荐方法及电子设备 Download PDFInfo
- Publication number
- CN117974276A CN117974276A CN202410393160.0A CN202410393160A CN117974276A CN 117974276 A CN117974276 A CN 117974276A CN 202410393160 A CN202410393160 A CN 202410393160A CN 117974276 A CN117974276 A CN 117974276A
- Authority
- CN
- China
- Prior art keywords
- commodity
- user
- application scene
- target
- behavior data
- 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
- 238000012549 training Methods 0.000 title claims abstract description 182
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000006399 behavior Effects 0.000 claims description 186
- 239000013598 vector Substances 0.000 claims description 58
- 238000004590 computer program Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 21
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请适用于商品推荐技术领域,提供了商品推荐模型训练方法、商品推荐方法及电子设备,包括:确定与用户的用户行为数据具有关联关系的第一目标商品,第一目标商品所属的中心词与用户行为数据对应的商品所属的中心词不同,且第一目标商品的应用场景与第一应用场景相同,第一应用场景包括历史应用场景和/或预测应用场景;构建训练样本集,训练样本集包括多个第一训练样本,一个第一训练样本包括一个用户的用户信息、用户行为数据和第一目标商品的商品标识;基于训练样本集对初始的商品推荐模型进行训练,得到最终的商品推荐模型。本申请可以提高商品推荐效果。
Description
技术领域
本申请属于商品推荐技术领域,尤其涉及商品推荐模型训练方法、商品推荐方法、电子设备及计算机可读存储介质。
背景技术
用户在进行线上购物时,为了提高商品的销量以及给用户提供优质的购物体验,售卖平台通常会根据用户的喜好等向用户推荐相关商品,以提高商品的点击率和转化率。
目前在向用户推荐相关商品时,通常直接计算平台的商品与用户购买过的商品之间的相似度,然后向用户推荐平台中与用户购买过的商品相似度高的商品,且推荐的各个商品之间的相似度高,推荐效果较差。
发明内容
本申请实施例提供了商品推荐模型训练方法、商品推荐方法及电子设备,可以提高商品推荐效果。
第一方面,本申请实施例提供了一种商品推荐模型训练方法,包括:
确定与用户的用户行为数据具有关联关系的第一目标商品,所述用户行为数据包括所述用户的各个用户行为对应的商品的商品标识,所述第一目标商品所属的中心词与所述用户行为数据对应的商品所属的中心词不同,且所述第一目标商品的应用场景与第一应用场景相同,所述第一应用场景包括历史应用场景和/或预测应用场景,所述历史应用场景包括所述用户行为数据对应的商品的应用场景,所述预测应用场景包括根据所述历史应用场景确定的与所述历史应用场景不同的应用场景;
构建训练样本集,所述训练样本集包括多个第一训练样本,一个所述第一训练样本包括一个所述用户的用户信息、所述用户行为数据和所述第一目标商品的商品标识;
基于所述训练样本集对初始的商品推荐模型进行训练,得到最终的所述商品推荐模型。
第二方面,本申请实施例提供了一种商品推荐方法,包括:
获取目标用户信息和目标用户行为数据;
将所述目标用户信息和所述目标用户行为数据作为商品推荐模型的输入,得到所述商品推荐模型输出的推荐商品的商品标识,所述商品推荐模型根据如上述第一方面所述的商品推荐模型训练方法训练得到。
第三方面,本申请实施例提供了一种电子设备,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上述第一方面所述的商品推荐模型训练方法或上述第二方面所述的商品推荐方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机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上述第一方面中所述的商品推荐模型训练方法或上述第二方面所述的商品推荐方法的步骤。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行上述第一方面所述的商品推荐模型训练方法或上述第二方面所述的商品推荐方法。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例中,构建的训练样本集包括多个第一训练样本,一个第一训练样本包括一个用户对应的用户信息、用户行为数据和第一目标商品构建训练样本集中的第一训练样本,而用户行为数据包括了用户行为对应的商品的商品标识,第一目标商品与用户行为数据具有关联关系,且第一目标商品所属的中心词与用户行为数据对应的商品所属的中心词不同,使得基于该训练样本集训练得到的商品推荐模型,具有召回与用户具有关联关系,但又与用户的用户行为数据对应的商品属于不同中心词的商品的能力。并且,第一目标商品的应用场景与第一应用场景相同,第一应用场景包括历史应用场景和/或预测应用场景,而历史应用场景包括用户行为数据对应的商品的应用场景,预测应用场景包括基于该历史应用场景确定的且与其不同的应用场景,使得训练得到的商品推荐模型召回的商品的应用场景也符合用户的购物偏好,即,基于该商品推荐模型进行商品推荐时,能够推荐与用户具有关联关系的相似度较低,且应用场景符合用户的购物偏好的商品,从而提高商品推荐效果和用户购物体验。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本申请一实施例提供的一种商品推荐模型训练方法的流程示意图;
图2是本申请实施例提供的一种商品推荐方法的流程示意图;
图3的一种商品推荐模型训练装置的结构示意图;
图4的一种商品推荐装置的结构示意图;
图5是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。
实施例一:
图1示出了本发明实施例提供的一种商品推荐模型训练方法的流程示意图,详述如下:
步骤S101,确定与用户的用户行为数据具有关联关系的第一目标商品,上述用户行为数据包括上述用户的各个用户行为对应的商品的商品标识,上述第一目标商品所属的中心词与上述用户行为数据对应的商品所属的中心词不同,且上述第一目标商品的应用场景与第一应用场景相同,上述第一应用场景包括第一历史应用场景和/或第一预测应用场景,上述第一历史应用场景包括上述用户行为数据对应的商品的应用场景,上述第一预测应用场景包括基于上述第一历史应用场景确定的与上述第一历史应用场景不同的应用场景。
用户的用户行为可以包括搜索、点击、加购、购买和收藏等各个行为。可以理解,用户的用户行为数据可以根据用户历史的一个或多个用户行为对应的商品确定,即,用户的用户行为数据可以包括用户的某一个用户行为对应的商品的商品标识,也可以包括用户的多个用户行为对应的商品的商品标识,具体设置可以根据实际应用场景确定。
可以理解,上述第一应用场景可以仅包括第一历史应用场景,或者,可以仅包括第一预测应用场景,还可以同时包括第一历史应用场景和第一预测应用场景,具体设置可以根据实际应用场景灵活确定。例如,为了提高推荐的商品与用户的购物偏好的匹配性,可以设置第一应用场景仅包括第一历史应用场景,即,使确定的与用户具有关联关系的第一目标商品与用户行为数据对应不同的中心词,但其应用场景又与用户行为数据对应的商品的应用场景是相同的应用场景。
具体地,为了在考虑用户的购物偏好的同时提高推荐的商品的多样性,可以从与用户具有关联关系的商品中确定第一目标商品,同时,在确定该第一目标商品时,使所确定的第一目标商品所属的中心词与用户行为数据对应的商品所属的中心词不同,且其应用场景与第一应用场景相同,以保证第一目标商品与用户行为数据对应的商品具有一定的差异,同时其应用场景与用户历史关注的应用场景存在关联关系。
需要注意的是,在第一应用场景包括第一历史应用场景以及第一预测应用场景时,第一目标商品的应用场景可以是与第一历史应用场景相同,也可以是与第一预测应用场景相同。
在一些实施例中,也可以使确定的第一目标商品所属的中心词与用户行为数据中的某一个或多个特定用户行为(如购买和收藏)对应的商品所属的中心词不同。
例如,用户的用户行为数据可以包括用户的加购行为对应的商品的商品标识,以及用户购买过的商品的商品标识。在确定第一目标商品时,将与用户的加购行为存在关联关系,且中心词与购买行为对应的商品所属的中心词不同,应用场景又与用户行为数据对应的第一应用场景相同的商品作为第一目标商品,避免过多推荐与用户已购买的商品高度相似的商品,同时保障能够偏向用户的实时偏好推荐商品。
在一些实施例中,上述用户行为数据可以是通过如网络爬虫或者埋点的方式从售卖平台获取到数据。可选地,该用户行为数据还可以是时间序列数据,即基于用户行为的发生时间排序的有序数据。
本申请实施例中,在确定第一目标商品时,考虑商品与用户行为数据的关联关系,同时考虑商品与用户行为数据对应的商品之间的相似性,使得所确定的第一目标商品符合用户购物偏好的同时,保障第一目标商品与用户行为数据对应的商品是不同中心词的商品,避免过多推荐同一中心词的商品。并且,使第一目标商品的应用场景与第一应用场景相同,而第一应用场景是基于用户行为数据对应的商品确定的应用场景,即,第一应用场景与用户历史关注的应用场景具有关联关系,使得在进行商品推荐时还考虑用户历史关注的应用场景,提高商品推荐效果。
步骤S102,构建训练样本集,上述训练样本集包括多个第一训练样本,一个上述第一训练样本包括一个上述用户的用户信息、上述用户行为数据和上述第一目标商品的商品标识。
上述用户的用户信息可以包括用户的编号、姓名、年龄、购物偏好和联系方式等信息,此处不作具体限制。
可以理解,用户和第一训练样本为一一对应关系,每个用户对应一个第一训练样本。在一些实施例中,可以根据一个或多个售卖平台的用户构建第一训练样本。
为了提高推荐的商品的准确性,在构建第一训练样本时,根据用户的用户信息、用户行为数据和对应的第一目标商品的商品标识构建第一训练样本,以使采用该第一训练样本训练得到的商品推荐模型在进行商品推荐时,能够结合用户的用户特征进行推荐。
同时,构建的第一训练样本中,第一目标商品所属中心词与用户行为数据对应的商品所属的中心词不同,但其应用场景又与第一应用场景相同,使得训练得到的商品推荐模型具有召回与用户行为数据存在关联关系,但与用户行为数据对应的商品具有不同的中心词,应用场景又与第一应用场景相同的商品的能力,降低商品推荐模型召回相同中心词的商品的概率,同时结合用户历史关注的应用场景进行商品的推荐,提高商品推荐效果。
步骤S103,基于上述训练样本集对初始的商品推荐模型进行训练,得到最终的上述商品推荐模型。
可选地,在训练过程中,可以在训练的商品推荐模型满足预设要求时停止训练,得到最终的商品推荐模型。上述预设要求可以是模型迭代次数大于或等于预设次数(如80次),也可以是模型准确率大于或等于预设阈值(如0.95),此处不作具体限制。
本申请实施例中,所构建的第一训练样本包括用户的用户信息、用户行为数据和对应的第一目标商品,而用户行为数据包括了用户行为对应的商品的商品标识,其对应的第一目标商品与用户行为数据存在关联关系,且所属中心词与用户行为数据对应的商品所属的中心词不同,采用基于第一目标商品构建的各个第一训练样本对初始的商品推荐模型进行训练,能够使得到的商品推荐模型具有召回与用户具有关联关系的商品的能力,且所召回的商品与用户的用户行为数据对应的商品属于不同的中心词,即与用户行为数据对应的商品是不同类型的商品。并且,第一目标商品的应用场景与第一应用场景相同,第一应用场景包括第一历史应用场景和/或第一预测应用场景,而第一历史应用场景包括用户行为数据对应的商品的应用场景,第一预测应用场景包括基于该第一历史应用场景确定的且与其不同的应用场景,使得训练得到的商品推荐模型召回的商品的应用场景也符合用户的购物偏好,即,在基于训练得到的商品推荐模型进行商品推荐时,能够推荐与用户具有关联关系且相似度较低的商品,且该商品的应用场景符合用户的购物偏好,在避免过多推荐相似度高的商品的同时,从而能够提高商品推荐效果,进而能够提高用户购物体验。
在一些实施例中,上述第一应用场景包括上述第一预测应用场景时,在上述步骤S101之前,还包括:
对上述第一历史应用场景进行特征提取,得到第一历史特征向量;
对每一个应用场景对应的第一场景特征向量,确定上述第一历史特征向量与上述第一场景特征向量之间的第一相似程度;
基于上述第一相似程度从各个应用场景中确定上述第一预测应用场景。
具体地,为了进一步提高推荐的商品的多样性,可以设置第一应用场景中包括与第一历史应用场景不同的第一预测应用场景。
其中,可以通过分析各个应用场景与第一历史应用场景之间的第一相似程度的方式,结合其相似性和实际应用需求从各个应用场景中确定与第一历史应用场景具有一定的相似性,或者相似性较低的应用场景,得到所需的第一预测应用场景。
在分析各个应用场景与历史应用场景之间的第一相似程度时,可以先根据用户行为数据对应的商品的应用场景确定至少一个第一历史应用场景,然后对得到的第一历史应用场景进行特征提取,得到第一历史特征向量,再根据第一历史特征向量与各个应用场景对应的第一场景特征向量计算其第一相似程度。
为了提高数据处理效率,可以通过预训练的用户场景塔对第一历史应用场景进行特征提取,得到第一历史特征向量;另外,还可以通过预训练的场景塔对各个应用场景进行特征提取,得到应用场景对应的第一场景特征向量并缓存。在计算第一相似程度时,可以直接根据用户场景塔输出的第一历史特征向量与缓存的各个第一场景特征向量进行计算,无需再提取得到各个应用场景得到的第一场景特征向量。
例如,在需要提高向用户推荐的商品的多样性时,可以设置第一应用场景仅包括第一预测应用场景;在根据第一相似程度从各个应用场景中确定第一预测应用场景时,将第一相似程度小于第一阈值(如0.3)的应用场景确定为第一预测应用场景。
又例如,在需要向用户推荐具有一定相似度的商品时,可以设置第一应用场景包括历史应用场景和第一预测应用场景;在根据第一相似程度从各个应用场景中确定第一预测应用场景时,可以将第一相似程度大于或等于第二阈值(如0.8)的应用场景确定为第一预测应用场景,即,第一历史应用场景和第一预测应用场景为相似度较高的应用场景。通过上述处理,使得商品推荐模型能够召回与用户的用户行为数据对应的商品具有不同的中心词,即相似度较低的商品,但又保障召回的商品的应用场景与用户偏好的应用场景相似度较高,从而能够提高商品推荐效果和提高用户体验。
本申请实施例中,在第一应用场景包括第一预测应用场景时,根据各个应用场景与历史应用场景的相似程度和实际的应用需求,从各个应用场景中确定第一预测应用场景,从而得到与第一历史应用场景具有一定相似度或者较低相似度的第一预测应用场景,在提高推荐的商品的多样性的同时,使得推荐的商品满足实际应用需求。
在一些实施例中,上述用户行为数据还包括各个用户行为的发生时间,上述S101包括:
A1、从上述用户行为数据对应的商品中确定参考商品。
A2、基于上述用户行为数据确定上述参考商品对应的上述发生时间,得到第一截止时间。
A3、基于上述第一截止时间和上述用户行为数据确定目标序列,上述目标序列包括对应的上述发生时间早于上述第一截止时间的商品标识。
A4、在上述参考商品所属的中心词与上述目标序列对应的商品所属的中心词不同,且上述参考商品的应用场景与上述目标序列对应的上述第一应用场景相同的情况下,根据上述参考商品确定上述第一目标商品。
上述参考商品(第一参考商品)可以是从用户行为数据对应的商品中随机确定的商品,也可以是根据需求从用户行为数据对应的商品中筛选的商品。例如,将用户行为数据中最新的商品(即最近的用户行为对应的商品)作为参考商品。
为了进一步提高商品推荐效果,在根据用户行为数据对应的商品确定参考商品后,确定该参考商品对应的用户行为的发生时间,将其作为第一截止时间。
在确定第一截止时间后,可以根据该第一截止时间和用户行为数据,确定用户行为的发生时间早于该第一截止时间的商品的商品标识,从而根据确定的各个商品标识确定目标序列。
在判断参考商品是否可作为第一目标商品时,判断参考商品所属的中心词与目标序列对应的商品所属的中心词是否相同。若参考商品所属的中心词与目标序列对应的各个商品所属的中心词不同,则继续判断参考商品的应用场景与目标序列对应的第一应用场景是否相同。
需要注意的是,一个商品可以对应一个应用场景或者多个应用场景,即,参考商品的应用场景(目标应用场景)可能是一个,也可能是多个;用户行为数据对应的商品中,一个商品对应的第一历史应用场景可能是一个,也可能是多个。在参考商品对应多个目标应用场景时,若多个目标应用场景中的任意一个目标应用场景与第一应用场景中的任意一个应用场景相同,可以判定参考商品的应用场景与第一应用场景相同。
例如,假设参考商品的应用场景(即目标应用场景)包括场景A和场景B;目标序列对应的第一应用场景中,第一历史应用场景包括场景C、场景D和场景E,第一预测应用场景包括场景B和场景F;则在判断参考商品的应用场景与目标序列对应的第一应用场景是否相同时,目标应用场景中的场景B与第一预测应用场景中的场景B相同,则判定该参考商品的应用场景与目标序列对应的第一应用场景相同。
若判定该参考商品的应用场景与目标序列对应的第一应用场景相同,则可以将该与用户行为数据具有关联关系的参考商品作为第一目标商品。
若该参考商品所属的中心词与目标序列对应的各个商品所属的中心词相同,则表明参考商品与目标序列对应的商品相似度较高,或者,该参考商品的应用场景与目标序列对应的第一应用场景不同,表明该参考商品的应用场景不符合用户的购物偏好,此时,均可以返回步骤A1,根据用户行为数据确定新的参考商品,并基于新的参考商品重新确定目标序列和进行判断,直至确定所需的第一目标商品。
可以理解,目标序列对应的第一应用场景即根据目标序列对应的商品确定的应用场景,该第一应用场景包括第一历史应用场景时,该第一历史应用场景即目标序列对应的商品的应用场景;该第一应用场景包括第一预测应用场景时,该第一预测应用场景即根据第一历史应用场景确定的与该第一历史应用场景不同的应用场景。
本申请实施例中,从用户行为数据对应的商品中确定出与用户具有关联关系的参考商品,即确定能够反映用户购物偏好的参考商品,然后判断该参考商品所属的中心词与确定的目标序列对应的商品所属的中心词是否相同,以及判断该参考商品的应用场景与目标序列对应的第一应用场景是否相同,在判定参考商品的中心词和应用场景均符合要求时,再将该参考商品作为第一目标商品,使得确定的与用户相关的第一目标商品符合用户购物偏好且不会与用户历史关注的商品过于相似,从而提高商品推荐效果。
在一些实施例中,上述步骤A3包括:
根据上述第一截止时间确定第二截止时间,上述第二截止时间早于上述第一截止时间。
基于上述用户行为数据,确定对应的上述发生时间早于上述第一截止时间,且晚于上述第二截止时间的商品标识,得到上述目标序列。
具体地,由于用户在不同时期通常关注不同的商品,且在购买商品后的一段时间后,可能需要进行回购,即用户可能需要购买较久之前购买过的商品或者与之相似的商品,因此,为了提高商品推荐效果,在确定目标序列时,可以先根据确定的第一截止时间确定早于该第一截止时间的第二截止时间;然后,根据用户行为数据,确定发生时间在第一截止时间和第二截止时间之间的用户行为对应的商品的商品标识;最后,根据所确定的商品标识确定目标序列,使得所确定的目标序列对应的商品。
可以理解,目标序列中的商品标识对应的发生时间早于第一截止时间,且晚于第二截止时间。通过上述处理,使得确定的目标序列对应的商品是用户在关注参考商品前的指定时间段内关注的商品,进而,根据该目标序列判断参考商品是否可以作为第一目标商品,使最终确定的第一目标商品是与用户在此之前(即在关注该第一目标商品之前)的指定时间段内关注的商品属于不同中心词的商品,使得商品推荐模型能够召回与用户相关但又与用户近期关注的商品相似度较低的商品,同时避免过多剔除与用户较久之前关注的商品相似的商品。
可选地,在确定早于第一截止时间的第二截止时间时,可以根据预设时长(如30天)确定该第二截止时间。
例如,假设用户A的用户行为数据中,包括发生时间在1月3日至2月20日的用户行为对应的商品的商品标识,并假设与该用户行为数据存在关联关系的参考商品B的发生时间为2月20日,即第一截止时间为2月20日;在确定第二截止时长时,可以根据预设的15天时长,确定早于第一截止时间的第二截止时间为2月5日;根据用户行为数据中用户行为的发生时间在2月5日至2月20日之间的商品的商品标识确定所需的目标序列。
为了避免确定的目标序列中包含过多商品的商品标识,导致较难得到符合要求的第一目标商品的情况,在另一些实施例中,可以根据用户行为的发生时间早于第一截止时间的最近N个(如10)商品的商品标识确定目标序列,还可以在用户行为的发生时间早于第一截止时间且晚于第二截止时间的商品的数量大于N时,从中确定N个商品的商品标识,得到包含N个商品标识的目标序列。
本申请实施例中,根据参考商品对应的第一截止时间和早于该第一截止时间的第二截止时间,确定用户在关注参考商品前的指定时间段内所关注的商品,从而确定目标序列,使得最终确定的第一目标商品是与用户近期关注的商品属于不同中心词且应用场景符合用户购物偏好的商品,即,能够避免向用户推荐与用户近期关注的商品相似度较高的商品,同时考虑用户回购的情况,不过多剔除与用户较久之前关注的商品相似度较高的商品,提高商品推荐的多样性和商品推荐效果。
在一些实施例中,上述步骤S102包括:
根据上述用户信息、上述用户行为数据和上述第一目标商品确定上述第一训练样本。
根据上述用户信息、上述用户行为数据和第二目标商品确定第二训练样本,上述第二目标商品根据上述用户行为数据对应的商品确定。
根据上述第一训练样本和上述第二训练样本确定上述训练样本集。
具体地,为了使推荐的商品与用户相关的商品具有一定的相似性,在构建训练样本集时,除了根据确定的第一目标商品和对应的用户信息、用户行为数据构建得到第一训练样本外,还可以确定与用户行为数据相关的第二目标商品,然后根据第二目标商品和对应的用户信息、用户行为数据构建得到第二训练样本。
其中,第二目标商品是根据用户的用户行为数据对应的商品确定的与用户具有关联关系的商品。
例如,加购行为更能反映出用户的实时购物倾向,为了提高推荐效果,可以将用户行为数据中,用户的加购行为对应商品中最新的商品(即用户最近加购的商品)作为第二目标商品。
又例如,第二目标商品可以是用户行为数据中,用户搜索次数最多的商品,即对应的搜索行为的次数最多的商品。
在一些实施例中,第二目标商品也可以是根据用户行为数据对应的商品所属的中心词确定的商品。例如,根据用户行为数据中用户最近加购的商品(第二参考商品)所属的中心词确定目标中心词,然后根据目标中心词对应的商品中确定第二目标商品,使得确定的第二目标商品与用户最近加购的商品是具有一定相似度的不同的商品。
可以理解,构建的训练样本集中可以包括多个第一训练样本和多个第二训练样本,第一训练样本的数量和第二训练样本的数量可以相同,也可以不同,具体可以根据实际应用场景设置。
本申请实施例中,在构建训练样本集时,分别构建第一训练样本和第二训练样本,而第一训练样本中的第一目标商品是与用户具有关联关系但与用户行为数据对应的商品属于不同中心词,且应用场景与第一应用场景相同的商品,第二训练样本中的第二目标商品是与用户具有关联关系的具有一定相似度的商品,即,构建侧重关联关系的第一训练样本和侧重相似度的第二训练样本,一起对商品推荐模型进行训练,使得训练得到的商品推荐模型具有召回与用户行为数据对应的商品属于不同中心词但又具有一定的相似度的商品的能力,且召回的商品的应用场景与用户偏好的应用场景相似度较高,进一步提高商品推荐效果。
在一些实施例中,上述基于上述训练样本集对初始的商品推荐模型进行训练,得到最终的上述商品推荐模型,包括:
基于上述训练样本集对初始的商品推荐模型进行训练,得到待评估商品推荐模型。
在上述待评估商品推荐模型不满足预设要求的情况下,基于上述待评估商品推荐模型对上述第一训练样本和上述第二训练样本在上述训练样本集中的占比进行调整,得到调整后的上述训练样本集。
基于调整后的上述训练样本集对上述待评估商品推荐模型进行训练,直至训练后的上述待评估商品推荐模型满足上述预设要求,得到最终的上述商品推荐模型。
上述预设要求可以由用户根据实际需求进行设置。
例如,预设要求可以是:推荐的商品与用户行为数据中用户近期(如最近30天)购买的商品不属于同一个中心词,但其应用场景相同,且推荐的商品与用户行为数据对应的商品的相似度大于或等于阈值(如0.4)。对应于上述要求,构建的训练样本集中,第一训练样本的第一目标商品可以是中心词与用户行为对应的商品所属的中心词不同,但应用场景与第一历史应用场景(即第一应用场景仅包括第一历史应用场景)相同的商品。
为保障商品推荐效果,在采用构建的训练样本集对初始的推荐模型进行训练后,将训练得到的商品推荐模型作为待评估商品推荐模型,然后对该待评估商品推荐模型进行评估,判断当前的待评估商品推荐模型是否满足预设要求。
可选地,在对待评估商品推荐模型进行评估时,可以获取包含多个测试样本的测试集,每个测试样本可以包括一个用户的用户信息和用户行为数据;将用户的用户信息和用户行为数据作为待评估商品推荐模型的输入,得到待评估商品推荐模型输出的推荐商品;在得到推荐商品之后,可以通过人工分析的方式,基于预设要求对各个推荐商品进行打分,得到各个推荐商品对应的评估分数,然后根据各个评估分数综合分析待评估商品推荐模型是否满足预设要求。
若当前的待评估推荐模型不满足预设要求,则需要继续对待评估商品推荐模型进行训练。其中,在对待评估商品推荐模型进行训练之前,可以根据当前的待评估商品推荐模型的评估结果,对训练样本集中第一训练样本的数量和第二训练样本的数量进行调整,得到调整后的训练样本集,然后采用调整后的训练样本集对待评估商品推荐模型进行训练。
可以理解,在采用调整后的训练样本集对待评估商品推荐模型进行训练,得到新的待评估商品推荐模型之后,会再次对新的待评估商品推荐模型进行评估,判断当前的待评估商品推荐模型是否满足预设要求;若当前的待评估商品推荐模型仍不满足预设要求,可以继续对训练样本集中第一训练样本和第二训练样本的占比进行调整,和对当前的待评估商品推荐模型进行训练,直至最新得到的待评估商品推荐模型满足预设要求,得到最终的商品推荐模型。
例如,假设初始的训练样本集中第一训练样本和第二训练样本的占比均为50%,并假设预设要求为:推荐的商品与用户近七天购买的商品属于不同中心词以及不同的应用场景,且与用户行为数据对应的商品的相似度大于0.3;
其中,对应于上述要求,构建的训练样本集中,第一训练样本的第一目标商品可以是中心词与用户行为对应的商品所属的中心词不同,且应用场景与第一预测应用场景相同的商品,此时,第一应用场景仅包括第一预测应用场景;
采用初始的训练样本集对初始的商品推荐模型进行训练,得到待评估商品推荐模型;
假设当前的待评估商品推荐模型的评估结果为:推荐的商品的相似度小于0.3,不满足上述预设要求,则可以根据当前的待评估商品推荐模型的评估结果以及预设要求,将训练样本集中侧重相似度的第二训练样本的占比增加至60%,将侧重关联关系的第一训练样本的占比减少至40%,得到调整后的训练样本集;
采用调整后的训练样本集对当前的待评估商品推荐模型继续进行训练;若得到的待评估商品推荐模型仍不满足预设要求,则根据当前的评估结果和预设要求继续对训练样本集进行相应的调整,以及继续进行训练,直至待评估商品推荐模型满足预设要求。
在上述训练过程中,通过对训练样本集中第一训练样本和第二训练样本的占比的调整,使商品推荐模型能够较好地适用于如侧重相似度或者侧重关联关系等不同侧重点的场景,得到能够召回满足用户需求的商品推荐模型,有利于实际应用。
对应于上文实施例所述的商品推荐模型训练方法,图2示出了本发明实施例提供的一种商品推荐方法的流程示意图,详述如下:
步骤S201,获取目标用户信息和目标用户行为数据。
步骤S202,将上述目标用户信息和上述目标用户行为数据作为商品推荐模型的输入,得到上述商品推荐模型输出的推荐商品的商品标识,上述商品推荐模型根据上文实施例上述的商品推荐模型训练方法训练得到。
上述目标用户信息和目标用户行为数据即需要进行商品推荐的用户(目标用户)的用户信息以及用户行为数据。
可选地,上述目标用户可以是已登录售卖平台的用户,也可以是发生实时的加购、购买或者搜索等用户行为的用户,本申请实施例对此不作具体限制。
例如,服务器在检测到用户登录售卖平台后,可以将该用户作为目标用户,获取该目标用户的用户信息作为目标用户信息,以及,获取该目标用户的用户行为数据进作为目标用户行为数据,以进行商品推荐。
本申请实施例中,获取用户对应的目标用户信息和目标用户行为数据作为商品推荐模型的输入,而商品推荐模型根据上文实施例的商品推荐模型训练方法训练得到,具有召回与用户具有关联关系且与用户行为数据对应的商品相似度较低的商品的能力,并且,保障召回的商品的应用场景与基于用户偏好确定的第一应用场景相同,因此,根据该商品推荐模型输出的推荐商品的商品标识进行商品的推荐,能够实现基于用户的购物偏好进行商品的推荐,同时保障推荐的商品的多样性,避免过多推荐与用户历史关注的商品相似度过高的商品,提高商品推荐效果和用户体验。
在一些实施例中,上述商品推荐模型包括用户塔、商品塔和互操作层,上述用户塔用于对上述目标用户信息和上述目标用户行为数据进行特征提取,得到用户特征向量,上述商品塔用于缓存各个应用场景对应的商品所对应的商品特征向量,上述互操作层用于计算上述用户特征向量和各个上述商品特征向量之间的第二相似程度,并根据各个上述第二相似程度确定上述推荐商品的商品标识。
上述步骤S202包括:
将上述目标用户信息和上述目标用户行为数据输入上述用户塔,得到上述用户塔输出的上述用户特征向量。
根据上述目标用户行为数据确定第二应用场景,并将上述用户特征向量和上述商品塔中缓存的上述第二应用场景对应的各个上述商品特征向量作为上述互操作层的输入,得到上述互操作层输出的上述推荐商品的商品标识,上述第二应用场景包括第二历史应用场景和/或第二预测应用场景,上述第二历史应用场景包括上述目标用户行为数据对应的商品的应用场景,上述第二预测应用场景包括基于上述第二历史应用场景确定的与上述第二历史应用场景不同的应用场景。
为了提高商品推荐效率,可以预先获取售卖平台的各个商品的商品信息,通过商品塔对各个商品的商品信息进行特征提取处理,得到商品对应的商品特征向量。其中,可以根据商品的应用场景来分区缓存各个应用场景对应的商品的商品特征向量,以便在需要时,可以直接获取到同一应用场景的所有商品的商品特征向量,进一步提高商品推荐效率。
可选地,可以通过如Bert模型等预训练模型对商品的商品信息进行识别,得到商品对应的应用场景。其中,商品和应用场景可以是一一对应关系,也可以是一对多关系,即,一个商品可以对应多个应用场景。
为了较好地根据用户的购物偏好进行商品推荐,在获取到目标用户信息和目标用户行为数据后,通过用户塔对其进行特征提取,得到反映用户的用户信息和用户行为数据等特征的用户特征向量。
其中,为了进一步提高商品推荐效果,同时提高商品推荐效率,还根据目标用户行为数据对应的商品确定用户关注的应用场景,得到第二应用场景,然后把用户特征向量与商品塔中缓存的该第二应用场景对应的各个商品特征向量输入至互操作层,以计算用户特征向量和该第二应用场景对应的各个商品特征向量之间的第二相似程度,最后,根据用户特征向量和各个商品特征向量之间的第二相似程度确定最终的推荐商品,得到推荐商品的商品标识。
可以理解,第二应用场景可以仅包括根据目标用户行为数据对应的商品的应用场景确定的第二历史应用场景;或者,仅包括根据该第二历史应用场景确定的第二预测应用场景;或者,可以同时包括该第二历史应用场景和第二预测应用场景。其具体设置可以根据实际应用需求进行设置,本申请实施例对此不作具体限制。
可选地,在确定第二预测应用场景时,可以先根据用户行为数据对应的商品的应用场景确定第二历史应用场景,然后通过预训练的用户场景塔对该第二历史应用场景进行特征提取,得到第二历史特征向量;确定第二历史特征向量与预训练的场景塔中缓存的各个应用场景对应的第二场景特征向量之间的第二相似程度,然后根据该第二相似程度和实际应用需求从各个应用场景中确定第二预测应用场景。
在一些实施例中,可以将第二相似程度最高的N个商品特征向量对应的商品作为推荐商品,N为正整数。在另一些实施例中,可以先确定出相似度最高的N*M(M大于1)个商品特征向量对应的商品,然后对确定的N*M个商品进行如下降或者无库存等过滤处理,然后根据过滤后的各个商品确定N个推荐商品。若过滤后的商品特征向量的数量小于N,可以根据过滤后的商品和预设的兜底商品确定最终的推荐商品。
可选地,上述第二历史应用场景可以根据目标用户行为数据中特定的用户行为对应的商品确定。例如,可以将目标用户行为数据中用户的购买行为对应的商品的应用场景作为第二历史应用场景,即将目标用户购买过的商品的应用场景作为第二历史应用场景;进一步地,还可以将目标用户的最近的购买行为对应的商品的应用场景作为第二历史应用场景,以保障能够结合目标用户的实时购物偏好推荐商品,提高商品推荐效果。
需要注意的是,根据目标用户行为数据确定的第二历史应用场景可以是一个,也可以是多个。
本申请实施例中,通过商品塔缓存各个应用场景对应的商品的商品特征向量,在进行商品推荐时,还根据目标用户行为数据确定目标用户历史关注的应用场景存在关联关系的第二应用场景,然后基于第二应用场景对应的商品和的商品特征向量和用户特征向量确定最终的推荐商品,能够充分考虑用户历史关注的应用场景,进一步提高推荐商品的准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
实施例二:
对应于上文实施例所述的商品推荐模型训练方法,图3示出了本申请实施例提供的商品推荐模型训练装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图3,该装置包括:第一目标商品获取模块31、样本构建模块32和训练模块33。其中,
第一目标商品获取模块31,用于确定与用户的用户行为数据具有关联关系的第一目标商品,上述用户行为数据包括上述用户的各个用户行为对应的商品的商品标识,上述第一目标商品所属的中心词与上述用户行为数据对应的商品所属的中心词不同,且所述第一目标商品的应用场景与第一应用场景相同,所述第一应用场景包括第一历史应用场景和/或第一预测应用场景,所述第一历史应用场景包括所述用户行为数据对应的商品的应用场景,所述第一预测应用场景包括基于所述第一历史应用场景确定的与所述第一历史应用场景不同的应用场景。
样本构建模块32,用于构建训练样本集,上述训练样本集包括多个第一训练样本,一个上述第一训练样本包括一个上述用户的用户信息、上述用户行为数据和上述第一目标商品的商品标识。
训练模块33,用于基于上述训练样本集对初始的商品推荐模型进行训练,得到最终的上述商品推荐模型。
本申请实施例中,所构建的第一训练样本包括用户的用户信息、用户行为数据和对应的第一目标商品,而用户行为数据包括了用户行为对应的商品的商品标识,其对应的第一目标商品与用户行为数据存在关联关系,且所属中心词与用户行为数据对应的商品所属的中心词不同,采用基于第一目标商品构建的各个第一训练样本对初始的商品推荐模型进行训练,能够使得到的商品推荐模型具有召回与用户具有关联关系的商品的能力,且所召回的商品与用户的用户行为数据对应的商品属于不同的中心词,即与用户行为数据对应的商品是不同类型的商品。并且,第一目标商品的应用场景与第一应用场景相同,第一应用场景包括第一历史应用场景和/或第一预测应用场景,而第一历史应用场景包括用户行为数据对应的商品的应用场景,第一预测应用场景包括基于该第一历史应用场景确定的且与其不同的应用场景,使得训练得到的商品推荐模型召回的商品的应用场景也符合用户的购物偏好,即,在基于训练得到的商品推荐模型进行商品推荐时,能够推荐与用户具有关联关系且相似度较低的商品,且该商品的应用场景符合用户的购物偏好,在避免过多推荐相似度高的商品的同时,从而能够提高商品推荐效果,进而能够提高用户购物体验。
在一些实施例中,上述用户行为数据还包括各个用户行为的发生时间,上述第一目标商品获取模块31包括:
参考商品确定单元,用于从上述用户行为数据对应的商品中确定参考商品。
第一截止时间确定单元,用于基于上述用户行为数据确定上述参考商品对应的上述发生时间,得到第一截止时间。
第一目标序列确定单元,用于基于上述第一截止时间和上述用户行为数据确定目标序列,上述目标序列包括对应的上述发生时间早于上述第一截止时间的商品标识。
第一目标商品确定单元,用于在上述参考商品所属的中心词与上述目标序列对应的商品所属的中心词不同,且所述参考商品的应用场景与所述目标序列对应的所述第一应用场景相同的情况下,根据上述参考商品确定上述第一目标商品。
在一些实施例中,上述第一目标商品获取模块31还包括:
第二截止时间确定单元,用于根据上述第一截止时间确定第二截止时间,上述第二截止时间早于上述第一截止时间。
第二目标序列确定单元,用于基于上述用户行为数据,确定对应的上述发生时间早于上述第一截止时间,且晚于上述第二截止时间的商品标识,得到上述目标序列。
在一些实施例中,上述第一应用场景包括上述第一预测应用场景时,上述方法还包括:
特征提取模块,用于对上述第一历史应用场景进行特征提取,得到第一历史特征向量;
第一相似程度计算模块,用于对每一个应用场景对应的第一场景特征向量,确定上述第一历史特征向量与上述第一场景特征向量之间的第一相似程度;
第一预测应用场景确定模块,用于基于上述第一相似程度从各个应用场景中确定上述第一预测应用场景。
在一些实施例中,上述样本构建模块32包括:
第一训练样本构建单元,用于根据上述用户信息、上述用户行为数据和上述第一目标商品确定上述第一训练样本。
第二训练样本构建单元,用于根据上述用户信息、上述用户行为数据和第二目标商品确定第二训练样本,上述第二目标商品根据上述用户行为数据对应的商品确定。
训练样本集确定单元,用于根据上述第一训练样本和上述第二训练样本确定上述训练样本集。
在一些实施例中,上述训练模块33包括:
初始训练单元,用于基于上述训练样本集对初始的商品推荐模型进行训练,得到待评估商品推荐模型。
样本调整单元,用于在上述待评估商品推荐模型不满足预设要求的情况下,基于上述待评估商品推荐模型对上述第一训练样本和上述第二训练样本在上述训练样本集中的占比进行调整,得到调整后的上述训练样本集。
重复训练单元,用于基于调整后的上述训练样本集对上述待评估商品推荐模型进行训练,直至训练后的上述待评估商品推荐模型满足上述预设要求,得到最终的上述商品推荐模型。
对应于上文实施例所述的商品推荐方法,图4示出了本申请实施例提供的商品推荐装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图4,该装置包括:数据获取模块41和推荐模块42。其中,
数据获取模块41,用于获取目标用户信息和目标用户行为数据。
推荐模块42,用于将上述目标用户信息和上述目标用户行为数据作为商品推荐模型的输入,得到上述商品推荐模型输出的推荐商品的商品标识,上述商品推荐模型根据上文实施例所述的商品推荐模型训练方法训练得到。
本申请实施例中,获取用户对应的目标用户信息和目标用户行为数据作为商品推荐模型的输入,而商品推荐模型根据上文实施例的商品推荐模型训练方法训练得到,具有召回与用户具有关联关系且与用户行为数据对应的商品相似度较低的商品的能力,并且,保障召回的商品的应用场景与基于用户偏好确定的第一应用场景相同,因此,根据该商品推荐模型输出的推荐商品的商品标识进行商品的推荐,能够实现基于用户的购物偏好进行商品的推荐,同时保障推荐的商品的多样性,避免过多推荐与用户历史关注的商品相似度过高的商品,提高商品推荐效果和用户体验。
在一些实施例中,上述商品推荐模型包括用户塔、商品塔和互操作层,上述用户塔用于对上述目标用户信息和上述目标用户行为数据进行特征提取,得到用户特征向量,上述商品塔用于缓存各个应用场景对应的商品所对应的商品特征向量,上述互操作层用于计算上述用户特征向量和各个上述商品特征向量之间的第二相似程度,并根据各个上述第二相似程度确定上述推荐商品的商品标识。
上述推荐模块42包括:
用户特征向量获取单元,用于将上述目标用户信息和上述目标用户行为数据输入上述用户塔,得到上述用户塔输出的上述用户特征向量。
推荐单元,用于根据上述目标用户行为数据确定第二应用场景,并将上述用户特征向量和上述商品塔中缓存的上述第二应用场景对应的各个上述商品特征向量作为上述互操作层的输入,得到上述互操作层输出的上述推荐商品的商品标识,上述第二应用场景包括第二历史应用场景和/或第二预测应用场景,上述第二历史应用场景包括上述目标用户行为数据对应的商品的应用场景,上述第二预测应用场景包括基于上述第二历史应用场景确定的与上述第二历史应用场景不同的应用场景。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
实施例三:
图5为本申请一实施例提供的电子设备的结构示意图。如图5所示,该实施例的电子设备5包括:至少一个处理器50(图5中仅示出一个处理器)、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52,所述处理器50执行所述计算机程序52时实现上述任意各个方法实施例中的步骤。
所述电子设备5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。该电子设备可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是电子设备5的举例,并不构成对电子设备5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,例如还可以包括输入输出设备、网络接入设备等。
所称处理器50可以是中央处理单元(Central Processing Unit,CPU),该处理器50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)、现场可编程门阵列(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51在一些实施例中可以是所述电子设备5的内部存储单元,例如电子设备5的硬盘或内存。所述存储器51在另一些实施例中也可以是所述电子设备5的外部存储设备,例如所述电子设备5上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述电子设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
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。
本申请实施例还提供了一种网络设备,该网络设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个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上述任意各个方法实施例中的步骤。
本申请实施例还提供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可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时实现可实现上述各个方法实施例中的步骤。
所述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,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至少可以包括:能够将计算机程序代码携带到拍照装置/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
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/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络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,机械或其它的形式。
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。
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 (10)
1.一种商品推荐模型训练方法,其特征在于,包括:
确定与用户的用户行为数据具有关联关系的第一目标商品,所述用户行为数据包括所述用户的各个用户行为对应的商品的商品标识,所述第一目标商品所属的中心词与所述用户行为数据对应的商品所属的中心词不同,且所述第一目标商品的应用场景与第一应用场景相同,所述第一应用场景包括第一历史应用场景和/或第一预测应用场景,所述第一历史应用场景包括所述用户行为数据对应的商品的应用场景,所述第一预测应用场景包括基于所述第一历史应用场景确定的与所述第一历史应用场景不同的应用场景;
构建训练样本集,所述训练样本集包括多个第一训练样本,一个所述第一训练样本包括一个所述用户的用户信息、所述用户行为数据和所述第一目标商品的商品标识;
基于所述训练样本集对初始的商品推荐模型进行训练,得到最终的所述商品推荐模型。
2.如权利要求1所述的商品推荐模型训练方法,其特征在于,所述用户行为数据还包括各个用户行为的发生时间,所述确定与用户的用户行为数据具有关联关系的第一目标商品,包括:
从所述用户行为数据对应的商品中确定参考商品;
基于所述用户行为数据确定所述参考商品对应的所述发生时间,得到第一截止时间;
基于所述第一截止时间和所述用户行为数据确定目标序列,所述目标序列包括对应的所述发生时间早于所述第一截止时间的商品标识;
在所述参考商品所属的中心词与所述目标序列对应的商品所属的中心词不同,且所述参考商品的应用场景与所述目标序列对应的所述第一应用场景相同的情况下,根据所述参考商品确定所述第一目标商品。
3.如权利要求2所述的商品推荐模型训练方法,其特征在于,所述基于所述第一截止时间和所述用户行为数据确定目标序列,包括:
根据所述第一截止时间确定第二截止时间,所述第二截止时间早于所述第一截止时间;
基于所述用户行为数据,确定对应的所述发生时间早于所述第一截止时间,且晚于所述第二截止时间的商品标识,得到所述目标序列。
4.如权利要求1所述的商品推荐模型训练方法,其特征在于,所述构建训练样本集,包括:
根据所述用户信息、所述用户行为数据和所述第一目标商品确定所述第一训练样本;
根据所述用户信息、所述用户行为数据和第二目标商品确定第二训练样本,所述第二目标商品根据所述用户行为数据对应的商品确定;
根据所述第一训练样本和所述第二训练样本确定所述训练样本集。
5.如权利要求4所述的商品推荐模型训练方法,其特征在于,所述基于所述训练样本集对初始的商品推荐模型进行训练,得到最终的所述商品推荐模型,包括:
基于所述训练样本集对初始的商品推荐模型进行训练,得到待评估商品推荐模型;
在所述待评估商品推荐模型不满足预设要求的情况下,基于所述待评估商品推荐模型对所述第一训练样本和所述第二训练样本在所述训练样本集中的占比进行调整,得到调整后的所述训练样本集;
基于调整后的所述训练样本集对所述待评估商品推荐模型进行训练,直至训练后的所述待评估商品推荐模型满足所述预设要求,得到最终的所述商品推荐模型。
6.如权利要求1至5任一项所述的商品推荐模型训练方法,其特征在于,所述第一应用场景包括所述第一预测应用场景时,在所述确定与用户的用户行为数据具有关联关系的第一目标商品之前,还包括:
对所述第一历史应用场景进行特征提取,得到第一历史特征向量;
对每一个应用场景对应的第一场景特征向量,确定所述第一历史特征向量与所述第一场景特征向量之间的第一相似程度;
基于所述第一相似程度从各个应用场景中确定所述第一预测应用场景。
7.一种商品推荐方法,其特征在于,包括:
获取目标用户信息和目标用户行为数据;
将所述目标用户信息和所述目标用户行为数据作为商品推荐模型的输入,得到所述商品推荐模型输出的推荐商品的商品标识,所述商品推荐模型根据如权利要求1至6任一项所述的商品推荐模型训练方法训练得到。
8.如权利要求7所述的商品推荐方法,其特征在于,所述商品推荐模型包括用户塔、商品塔和互操作层,所述用户塔用于对所述目标用户信息和所述目标用户行为数据进行特征提取,得到用户特征向量,所述商品塔用于缓存各个应用场景对应的商品所对应的商品特征向量,所述互操作层用于计算所述用户特征向量和各个所述商品特征向量之间的第二相似程度,并根据各个所述第二相似程度确定所述推荐商品的商品标识;
所述将所述目标用户信息和所述目标用户行为数据作为商品推荐模型的输入,得到所述商品推荐模型输出的推荐商品的商品标识,包括:
将所述目标用户信息和所述目标用户行为数据输入所述用户塔,得到所述用户塔输出的所述用户特征向量;
根据所述目标用户行为数据确定第二应用场景,并将所述用户特征向量和所述商品塔中缓存的所述第二应用场景对应的各个所述商品特征向量作为所述互操作层的输入,得到所述互操作层输出的所述推荐商品的商品标识,所述第二应用场景包括第二历史应用场景和/或第二预测应用场景,所述第二历史应用场景包括所述目标用户行为数据对应的商品的应用场景,所述第二预测应用场景包括基于所述第二历史应用场景确定的与所述第二历史应用场景不同的应用场景。
9.一种电子设备,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6或权利要求7至8任一项所述的方法。
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6或权利要求7至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410393160.0A CN117974276A (zh) | 2024-04-02 | 2024-04-02 | 商品推荐模型训练方法、商品推荐方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410393160.0A CN117974276A (zh) | 2024-04-02 | 2024-04-02 | 商品推荐模型训练方法、商品推荐方法及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117974276A true CN117974276A (zh) | 2024-05-03 |
Family
ID=90851721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410393160.0A Pending CN117974276A (zh) | 2024-04-02 | 2024-04-02 | 商品推荐模型训练方法、商品推荐方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974276A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744019A (zh) * | 2021-01-12 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种商品推荐方法、装置、设备及存储介质 |
CN114757695A (zh) * | 2022-04-02 | 2022-07-15 | 大箴(杭州)科技有限公司 | 用户购买行为预测模型的构建方法、装置及计算机设备 |
CN117172887A (zh) * | 2023-11-02 | 2023-12-05 | 深圳市灵智数字科技有限公司 | 商品推荐模型训练方法及商品推荐方法 |
CN117273865A (zh) * | 2023-11-14 | 2023-12-22 | 深圳市灵智数字科技有限公司 | 商品推荐方法、装置、电子设备及存储介质 |
CN117493672A (zh) * | 2023-11-07 | 2024-02-02 | 天翼电子商务有限公司 | 产品的推荐方法、装置、存储介质及电子设备 |
CN117611272A (zh) * | 2023-10-25 | 2024-02-27 | 深圳市灵智数字科技有限公司 | 商品推荐方法、装置及电子设备 |
-
2024
- 2024-04-02 CN CN202410393160.0A patent/CN117974276A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744019A (zh) * | 2021-01-12 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种商品推荐方法、装置、设备及存储介质 |
CN114757695A (zh) * | 2022-04-02 | 2022-07-15 | 大箴(杭州)科技有限公司 | 用户购买行为预测模型的构建方法、装置及计算机设备 |
CN117611272A (zh) * | 2023-10-25 | 2024-02-27 | 深圳市灵智数字科技有限公司 | 商品推荐方法、装置及电子设备 |
CN117172887A (zh) * | 2023-11-02 | 2023-12-05 | 深圳市灵智数字科技有限公司 | 商品推荐模型训练方法及商品推荐方法 |
CN117493672A (zh) * | 2023-11-07 | 2024-02-02 | 天翼电子商务有限公司 | 产品的推荐方法、装置、存储介质及电子设备 |
CN117273865A (zh) * | 2023-11-14 | 2023-12-22 | 深圳市灵智数字科技有限公司 | 商品推荐方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427708B (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN113508378A (zh) | 推荐模型的训练方法、推荐方法、装置及计算机可读介质 | |
TW201812689A (zh) | 惡意地址/惡意訂單的識別系統、方法及裝置 | |
CN105023165A (zh) | 社交网络平台中投放任务的控制方法、装置及系统 | |
CN108304853B (zh) | 游戏相关度的获取方法、装置、存储介质和电子装置 | |
CN110413867B (zh) | 用于内容推荐的方法及系统 | |
CN110704677B (zh) | 一种节目推荐方法、装置、可读存储介质及终端设备 | |
CN112818218B (zh) | 信息推荐方法、装置、终端设备及计算机可读存储介质 | |
CN109685537B (zh) | 用户行为的分析方法、装置、介质和电子设备 | |
CN117172887B (zh) | 商品推荐模型训练方法及商品推荐方法 | |
CN111061979A (zh) | 一种用户标签的推送方法、装置、电子设备和介质 | |
CN111275205A (zh) | 虚拟样本的生成方法、终端设备及存储介质 | |
CN110766513A (zh) | 信息排序方法、装置、电子设备及可读存储介质 | |
CN111782937A (zh) | 信息排序方法、装置、电子设备和计算机可读介质 | |
CN111858873A (zh) | 一种推荐内容的确定方法、装置、电子设备及存储介质 | |
CN107330709B (zh) | 确定目标对象的方法及装置 | |
CN117611272A (zh) | 商品推荐方法、装置及电子设备 | |
CN111680213A (zh) | 信息推荐方法、数据处理方法及装置 | |
CN117273865A (zh) | 商品推荐方法、装置、电子设备及存储介质 | |
CN109597941B (zh) | 排序方法及装置、电子设备和存储介质 | |
CN115048487B (zh) | 基于人工智能的舆情分析方法、装置、计算机设备及介质 | |
CN116956009A (zh) | 一种数据处理方法及相关装置 | |
CN117974276A (zh) | 商品推荐模型训练方法、商品推荐方法及电子设备 | |
CN115238194A (zh) | 书籍推荐方法、计算设备及计算机存储介质 | |
CN115408606A (zh) | 保险信息推送方法、装置、存储介质及计算机设备 |
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 |