[發(fā)明專利]商品推薦方法、裝置、終端設備及存儲介質

有效

• 申請?zhí)枺?/td>: 202011473110.1
• 申請日: 2020-12-15
• 公開（公告）號: CN112529663B
• 公開（公告）日: 2023-10-27
• 發(fā)明（設計）人: 黃嚴漢
• 申請（專利權）人: 中國平安人壽保險股份有限公司
• 主分類號: G06Q30/0601
• 分類號: G06Q30/0601;G06N3/08
• 代理公司: 深圳中一聯(lián)合知識產權代理有限公司 44414
• 代理人: 張全文

1.一種商品推薦方法，其特征在于，包括：

獲取用戶的物品點擊數(shù)據(jù)和物品購買數(shù)據(jù)，并根據(jù)所述物品點擊數(shù)據(jù)和所述物品購買數(shù)據(jù)訓練商品預估模型，所述物品點擊數(shù)據(jù)包括所述用戶在預設時間內點擊物品的物品信息，所述物品購買數(shù)據(jù)包括所述用戶在預設時間內購買物品的物品信息；

將待推薦商品數(shù)據(jù)輸入所述商品預估模型進行點擊預估和購買預估，得到點擊預估結果和購買預估結果，所述待推薦商品數(shù)據(jù)包括至少一個待推薦商品，所述點擊預估結果中存儲有不同所述待推薦商品對應的預估點擊率，所述購買預估結果中存儲有不同所述待推薦商品對應的預估購買率；

獲取所述待推薦商品的商品價格，并根據(jù)所述商品價格、所述預估點擊率和所述預估購買率進行推薦值計算，得到商品推薦值；

根據(jù)所述商品推薦值對所述待推薦商品進行商品推薦。

2.根據(jù)權利要求1所述的商品推薦方法，其特征在于，所述根據(jù)所述物品點擊數(shù)據(jù)和所述物品購買數(shù)據(jù)訓練商品預估模型，包括：

根據(jù)所述點擊物品的物品信息對相關性模型進行模型訓練，并根據(jù)訓練后的所述相關性模型對所述點擊物品的物品信息進行特征提取，得到商品點擊特征；

根據(jù)所述商品點擊特征對注意力模型進行模型訓練，并根據(jù)訓練后的所述注意力模型對所述點擊物品的物品信息進行特征提取，得到興趣度特征；

根據(jù)所述點擊物品的物品信息對長短期記憶模型進行模型訓練，并根據(jù)訓練后的所述長短期記憶模型對所述點擊物品的物品信息進行特征提取，得到商品興趣特征；

根據(jù)所述商品點擊特征、所述興趣度特征和所述商品興趣特征對因子分解機進行模型訓練，并根據(jù)訓練后的所述因子分解機對所述點擊物品的物品信息進行特征提取，得到商品組合特征；

根據(jù)所述商品組合特征對神經網(wǎng)絡模型進行模型訓練，并將訓練后的所述神經網(wǎng)絡模型、所述相關性模型、所述注意力模型、所述長短期記憶模型和所述因子分解機進行模型組合，得到點擊預估模型；

將所述物品購買數(shù)據(jù)中購買物品的物品信息標記為正樣本，并將所述物品點擊數(shù)據(jù)中未發(fā)生購買事件的點擊物品的物品信息標記為負樣本；

根據(jù)所述正樣本和所述負樣本訓練購買預估模型，直至所述購買預估模型收斂，并將收斂后的所述購買預估模型和所述點擊預估模型進行模型組合，得到所述商品預估模型。

3.根據(jù)權利要求2所述的商品推薦方法，其特征在于，所述根據(jù)所述點擊物品的物品信息對相關性模型進行模型訓練，并根據(jù)訓練后的所述相關性模型對所述點擊物品的物品信息進行特征提取，得到商品點擊特征，包括：

獲取所述點擊物品的物品信息中的物品標題，并對所述物品標題進行分詞，得到標題分詞詞匯；

分別計算不同所述標題分詞詞匯在所述物品信息中的詞匯次數(shù)，并根據(jù)所述詞匯次數(shù)計算對應所述標題分詞詞匯的詞匯權重；

根據(jù)所述詞匯權重確定所述標題分詞詞匯中的樣本詞匯，并根據(jù)所述樣本詞匯對所述相關性模型進行模型訓練，直至所述相關性模型收斂；

根據(jù)收斂后的所述相關性模型對所述點擊物品的物品信息中的物品標題進行特征提取，得到所述商品點擊特征。

4.根據(jù)權利要求2所述的商品推薦方法，其特征在于，所述將收斂后的所述購買預估模型和所述點擊預估模型進行模型組合，得到所述商品預估模型，包括：

將所述購買預估模型和所述點擊預估模型中的模型參數(shù)進行損失計算，得到模型損失值；

若所述模型損失值大于損失值閾值，則根據(jù)所述模型損失值分別對所述購買預估模型和所述點擊預估模型中的模型參數(shù)進行更新；

若所述模型損失值小于或等于所述損失值閾值，則輸出所述商品預估模型。

5.根據(jù)權利要求4所述的商品推薦方法，其特征在于，所述將所述購買預估模型和所述點擊預估模型中的模型參數(shù)進行損失計算所采用的計算公式為：

其中，θ_ctr是所述點擊預估模型中的模型參數(shù)，θ_cvr是所述購買預估模型中的網(wǎng)絡參數(shù)，l是交叉墑?chuàng)p失函數(shù)，L(θ_cvr，θ_ctr)是所述模型損失值。