[發明專利]一種商品推薦方法、裝置、電子設備和可讀存儲介質

在審

• 申請號: 202011446682.0
• 申請日: 2020-12-09
• 公開（公告）號: CN112508613A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 張道甜;劉寧東;楊林;唐明利
• 申請（專利權）人: 天津獅拓信息技術有限公司
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06N5/00;G06N3/04
• 代理公司: 北京市隆安律師事務所 11323
• 代理人: 權鮮枝;朱營琢

本發明公開了商品推薦方法、裝置、電子設備和可讀存儲介質，其中方法包括：獲取目標用戶日志數據，基于目標用戶日志數據生成第一數據集，將第一數據集輸入到所述經訓練好的點擊率預測模型，得到預測的第一點擊率；基于目標用戶日志數據和第一點擊率生成第二數據集，將第二數據集輸入到經訓練好的轉化率預測模型，獲得預測的轉化率；根據預測的第一點擊率和預測的轉化率向目標用戶推薦商品。上述方法利用多目標學習的思想，同時考慮了點擊率、轉化率，顯著提高了推薦質量；實現了多模型融合，將點擊率的預測值當作特征輸入給轉化率模型中，不僅構建了新的特征，還有效利用了點擊率模型學習的成果，傳輸給轉化率模型，提高模型的泛化能力。

技術領域

本發明涉及計算機分布式處理領域，具體涉及一種商品推薦方法、裝置、電子設備和可讀存儲介質。

背景技術

人工智能技術已經融入到社會民眾的生活，各互聯網平臺出現了許多為了滿足用戶的購買需求，快速幫助用戶找到性價比較高的商品，需要進行個性化推薦，將用戶可能購買的商品推薦給用戶，從而提高商品的點擊率(Click-Through-Rate，CTR，該廣告的實際點擊次數與廣告的展現量比值)和轉化率(Conversion Rate，CVR，用戶點擊廣告到成為一個有效激活、注冊甚至付費用戶的轉化率)。但是目前的一些平臺上做商品推薦時，有的是靠人的經驗和人工標簽去判斷用戶喜好，有的是通過一些簡單的線性模型或樹模型(例如：邏輯回歸、決策樹)進行基于點擊率的預測推薦，上述模型和方法帶有局限性，需要大量的人工對用戶打標簽，且容易受到個人主觀的影響，不能保證標簽的準確性，同時簡單的機器學習算法不能充分的表征用戶的屬性特征和行為特征，推薦的商品與用戶的匹配度較差，且只考慮點擊率預測的模型，轉化率在建模的時候沒有考慮，從而造成商品點擊率高，但轉化率不一定高的情況，推薦效果差，影響了用戶在平臺上的體驗。

發明內容

鑒于上述問題，提出了本發明以便提供一種克服上述問題或者至少部分地解決上述問題的一種商品推薦方法、裝置、電子設備和可讀存儲介質。

依據本發明的一個方面，提供了一種商品推薦方法，所述方法包括：

獲取目標用戶日志數據，基于所述目標用戶日志數據生成第一數據集，將所述第一數據集輸入到所述經訓練好的點擊率預測模型，得到預測的第一點擊率；

基于所述目標用戶日志數據和所述第一點擊率生成第二數據集，將所述第二數據集輸入到經訓練好的轉化率預測模型，獲得預測的轉化率；

根據所述預測的第一點擊率和所述預測的轉化率向所述目標用戶推薦商品。

可選地，所述點擊率預測模型為基于Histogram決策樹算法能夠實現分布式梯度提升的LightGBM模型，所述轉化率預測模型為結合DNN和FM優勢同時學習低階和高階組合特征的DeepFM模型。

可選地，所述經訓練好的點擊率預測模型是經過如下的方式訓練獲得的：

獲取第一預設時間段內用戶日志數據，基于所述用戶日志數據確定具有對應關系的用戶屬性特征、商品屬性特征、用戶行為數據和是否點擊的標簽，并生成第一訓練集，利用所述第一訓練集訓練預構建的點擊率預測模型，從而得到所述經訓練好的點擊率預測模型。

可選地，所述經訓練好的轉化率預測模型是經過如下的方式訓練獲得的：

基于所述第二預設時間段內的用戶日志數據生成第三數據集，將所述第三數據集輸入到所述經訓練好的點擊率預測模型，獲得預測的第二點擊率；

基于所述第二預設時間段內的用戶日志數據、是否轉化的標簽和所述第二點擊率，生成第二訓練集，利用所述第二訓練集訓練預構建的轉化率預測模型，從而得到經訓練好的轉化率預測模型；

其中所述第二預設時間段比所述第一預設時間段更靠近推薦時的時間點。

可選地，所述根據所述預測的第一點擊率和所述預測的轉化率向所述目標用戶推薦商品包括：