[發明專利]產品推薦準確度評價方法、裝置、設備及存儲介質

有效

• 申請號: 202010581224.1
• 申請日: 2020-06-23
• 公開（公告）號: CN111724238B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 蔡金成
• 申請（專利權）人: 中國平安人壽保險股份有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06Q30/02;G06F16/951;G06K9/62
• 代理公司: 北京市京大律師事務所 11321
• 代理人: 劉挽瀾

本發明涉及大數據，公開了一種產品推薦準確度評價方法，包括：獲取用戶瀏覽產品時的第一用戶行為信息，包括用戶行為特征以對應的發生次數；將第一用戶行為信息輸入預置行為權重模型進行預測，輸出用戶行為特征與用戶瀏覽產品之間的關聯度權重；獲取待評價的包含排序信息的產品推薦信息以及對應的第二用戶行為信息，結合關聯度權重，計算用戶賬戶與推薦產品的關聯度系數，再結合推薦產品的排序信息，對產品推薦準確度評價，得到產品推薦模型的評價得分，得到評價等級。此外，本發明還涉及區塊鏈技術，用戶行為信息可存儲于區塊鏈中。通過關聯度權重準確定位用戶賬號與推薦產品的關聯度系數，計算得到的推薦模型對產品推薦準確度的評價等級更準確。

技術領域

本發明涉及大數據風險管控，尤其涉及一種產品推薦準確度評價方法、裝置、設備及存儲介質。

背景技術

得益與大數據時代的發展，在我們注冊賬號及使用一個app或者網站，尤其是購物類型的app或者網站，隨著使用時間的延長，app或者網站總能越來越靠近我們的心，向我們推薦我們心儀的產品；而搜索引擎也能根據我們輸入的內容從不同地方為我們推薦與輸入內容相關的資料，解決我們的疑問。而有時候并非如此，購物網站推薦與用戶相關度不高的產品，在搜索引擎輸入關鍵字無法得到我們想要的答案，故對這些app、網站、搜索引擎等與信息推薦相關的系統進推薦優劣的評估也很必要。

當前已有多種衡量搜索引擎算法與推薦算法的指標，如準確率、精確率、召回率等，而歸一化折損累積增益NDCG(Normalized Discounted Cumulative Gain，歸一化折損累積增益)是一個常用于評價搜索引擎算法與推薦算法準確度的指標，NDCG為DCG(Discounted Cumulative Gain，折損累積增益)與IDCG(Idea Discounted CumulativeGain，理想折損累積增益)比值。輸入一個關鍵詞得到多種關聯的推薦結果，或者根據用戶的興趣度向用戶推薦多種商品，IDCG描述的是推薦結果如果在最佳排序方式下，計算得到的指標得分。對于搜索引擎來說，本身帶有客觀屬性的關鍵詞來說尚可客觀描述與推薦結果的關聯程度；而對于推薦算法，用戶與推薦的商品則難以客觀的描述兩者的關聯度高低，現有技術是通過用戶對商品的已有評分作為兩者的關聯度評價，但對于沒有評分的商品則難以定義該商品與用戶的關聯性，導致難以準確定義IDCG的值，影響NDCG對推薦算法的評估準確度。

發明內容

本發明的主要目的在于解決現有推薦模型評估技術對推薦模型的評估不夠準確的問題。

本發明第一方面提供了一種產品推薦準確度評價方法，包括：

獲取預置用戶賬戶記錄的用戶瀏覽產品時的第一用戶行為信息，其中，所述第一用戶行為信息包括用戶瀏覽產品時發生的多種用戶行為特征以及每種用戶行為特征的發生次數；

將所述第一用戶行為信息輸入預置行為權重模型進行預測，輸出所述用戶行為特征與所述用戶瀏覽產品之間的關聯度權重；

獲取待評價的產品推薦模型向所述用戶賬戶發送的產品推薦信息、所述用戶賬戶記錄的所述產品推薦信息對應的第二用戶行為信息，其中，所述產品推薦信息包含有多種推薦產品的排序信息；

根據所述第二用戶行為信息與所述關聯度權重，計算所述用戶賬戶與所述產品推薦信息中推薦產品的關聯度系數；

根據所述關聯度系數和所述推薦產品的排序信息，對所述產品推薦模型進行產品推薦準確度評價，得到評價得分；

根據所述評價得分與預置推薦模型的準確度評價規則，確定所述產品推薦模型對應的評價等級。

可選地，在本發明第一方面的第一種實現方式中，在所述將所述第一用戶行為信息輸入預置行為權重模型進行預測，輸出所述用戶行為特征與所述用戶瀏覽產品之間的關聯度權重之前，還包括：

獲取訓練數據寬表模板，其中，所述訓練數據寬表模板包含多種用戶行為特征對應的標題字段；