[發明專利]基于推薦模型的對象推薦方法及裝置

在審

• 申請號: 202010556449.1
• 申請日: 2020-06-17
• 公開（公告）號: CN111709810A
• 公開（公告）日: 2020-09-25
• 發明（設計）人: 劉志煌
• 申請（專利權）人: 騰訊云計算（北京）有限責任公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F16/9535
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 李昂;張穎玲

1.一種基于推薦模型的對象推薦方法，其特征在于，所述推薦模型包括：特征提取模型、深度特征模型、模式挖掘模型及預測模型，所述方法包括：

通過所述特征提取模型，分別對待推薦用戶的用戶數據及待推薦對象的對象數據進行特征提取，得到對應的待推薦用戶特征及待推薦對象特征；

通過所述深度特征模型，對所述待推薦用戶特征及待推薦對象特征的組合特征進行深度特征提取，得到對應的深度特征；

通過所述模式挖掘模型，對所述待推薦用戶特征進行頻繁序列模式挖掘，得到對應所述待推薦用戶的頻繁序列模式的加權特征；

通過所述預測模型，將所述深度特征與所述加權特征進行融合，得到對應所述待推薦用戶的融合特征，并基于所述融合特征進行轉化率預測，得到預測結果；

當所述預測結果表征所述待推薦用戶的轉化率值超過概率閾值時，將所述待推薦對象推薦給所述待推薦用戶。

2.如權利要求1所述的方法，其特征在于，所述通過所述特征提取模型，分別對待推薦用戶的用戶數據及待推薦對象的對象數據進行特征提取之前，所述方法還包括：

通過所述特征提取模型，對標注有轉化率的推薦對象樣本進行特征提取，得到所述推薦對象樣本對應的用戶特征及推薦對象特征；

通過所述深度特征模型，對所述用戶特征及推薦對象特征的組合特征進行深度特征提取，得到對應的深度特征；

通過所述模式挖掘模型，對所述用戶特征進行頻繁序列模式挖掘，得到對應所述推薦對象樣本的頻繁序列模式的加權特征；

通過所述預測模型，將所述深度特征與所述加權特征進行融合，得到對應所述推薦對象樣本的融合特征，并基于所述融合特征進行轉化率預測，得到預測結果；

獲取所述預測結果與標注的所述轉化率之間的差異，并基于所述差異，更新所述推薦模型的模型參數。

3.如權利要求1所述的方法，其特征在于，所述特征提取模型包括用于對所述待推薦用戶的用戶數據及待推薦對象的對象數據進行特征提取的特征提取層和特征拼接層，

所述通過所述深度特征模型，對所述待推薦用戶特征及待推薦對象特征的組合特征進行深度特征提取之前，所述方法還包括：

通過所述特征拼接層，對所述待推薦用戶特征及所述待推薦對象特征進行拼接，得到對應所述待推薦用戶及所述待推薦對象的組合特征。

4.如權利要求1所述的方法，其特征在于，所述通過所述深度特征模型，對所述待推薦用戶特征及待推薦對象特征的組合特征進行深度特征提取之前，所述方法還包括：

獲取標注有目標深度特征的組合特征樣本，所述組合特征樣本包括對應轉化用戶的正樣本和未轉化用戶的負樣本；

對所述組合特征樣本進行特征提取，得到所述組合特征樣本對應的用戶特征及推薦對象特征；

將所述用戶特征及推薦對象特征的組合特征輸入至所述深度特征模型中，對所述組合特征樣本的組合特征進行深度特征提取，得到對應的預測深度特征；

獲取所述目標深度特征與所述預測深度特征的差異，并基于所述差異更新所述深度特征模型的模型參數。

5.如權利要求1所述的方法，其特征在于，所述對所述待推薦用戶特征及待推薦對象特征的組合特征進行深度特征提取之前，所述方法還包括：

對所述組合特征進行以下至少之一的預處理操作，以將預處理操作之后的組合特征確定為所述待推薦用戶特征及待推薦對象特征的組合特征：

確定所述組合特征的特征值的缺失數量、以及對應所述組合特征的相同特征值的數量，并將所述缺失數量超過缺失值閾值或所述數量超過相同數量閾值的組合特征進行過濾，得到過濾后的組合特征；

對所述組合特征的特征值進行異常檢測，當檢測結果表征所述特征值為異常值時，將所述特征值替換成填充特征值，得到包含填充特征值的組合特征；

對所述組合特征進行衍生處理，得到衍生后的組合特征；

將所述組合特征中的連續型特征對應的特征值進行離散處理，得到離散型特征，并將所述離散處理后得到的離散型特征及所述組合特征中的離散型特征，作為對應的組合特征。