一种资源推荐方法以及装置制造方法及图纸

本申请公开了一种资源推荐方法以及装置，该资源推荐方法所使用的约束优化回归模型以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，因此，在将目标特征数据输入该约束优化回归模型之后，在获得模型输出的目标指标预测数据的基础上，目标变量系数的正负符号与目标特征数据对目标指标预测数据的影响趋于一致，其能够准确反映该目标特征数据对目标指标预测数据的影响程度，因此，将目标指标预测数据和该目标变量系数作为向目标主体推荐上述待推荐资源的目标推荐因子，可提升资源推荐行为的针对性和可解释性。

【技术实现步骤摘要】
一种资源推荐方法以及装置
本申请涉及计算机
，具体涉及一种资源推荐方法。本申请同时涉及一种资源推荐装置、一种电子设备以及一种计算机可读取存储介质。本申请还涉及一种数据预测方法、一种数据预测装置、一种电子设备以及一种计算机可读存储介质。
技术介绍
在生活服务类网络应用平台中，现有的新品推荐方式主要有以下两种：方式一、按照预定规则为商家推荐菜品，以供商家上架新品，例如，向商家推荐同品类菜品中销量靠前的菜品；方式二、采用最小二乘法对商户上架特定新品之后的销量进行预测，根据预测销量的排序做新品推荐。上述方式存在以下不足：方式一中，无法结合商户自身特点对其进行个性化推荐，推荐过程的准确率和适用性较差；方式二中，由于采用最小二乘法进行回归，最小二乘法通过最小化误差的平方和寻找数据的最佳函数匹配，利用最小二乘法求得的数据与实际数据之间误差的平方和为最小，该过程导致特征的正负号(变量系数的正负号)存在不确定性，使得针对特征的可解释性较差，例如，预测结果数据“菜品销量”与特征“商家为高品质商户”正相关，但基于现有的模型数据无法得出“菜品销量”与特征“商家为高品质商户”正相关的明确结论，因此给运营人员造成困惑，使其无法结合特征与预测结果数据之间的相关性对菜品推荐行为做出正确合理解释，从而无法结合具体特征给出合理推荐理由。
技术实现思路
本申请实施例提供一种资源推荐方法、装置、电子设备及计算机可读存储介质，以解决现有技术中推荐过程的准确率和适用性较差、以及针对特征的可解释性较差的问题。r>本申请实施例提供一种资源推荐方法，包括：获取目标特征数据，目标特征数据包括待推荐资源的目标特征数据和目标主体的目标特征数据；将目标特征数据输入预先训练的约束优化回归模型，获得约束优化回归模型输出的目标指标预测数据；其中，在训练约束优化回归模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的目标指标参考数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得；获得约束优化回归模型中目标特征数据对应的目标变量系数；如果目标指标预测数据满足预定推荐条件，则将目标指标预测数据以及目标变量系数作为向目标主体推荐待推荐资源的目标推荐因子。可选的，变量系数的预设取值范围基于参考特征数据与目标指标参考数据之间的相关性而获得，包括：如果参考特征数据与目标指标参考数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与目标指标参考数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。可选的，获得约束优化回归模型中目标特征数据对应的变量系数，包括：将约束优化回归模型中参考特征数据对应的变量系数、确定为与该参考特征数据具有相同特征类别的目标特征数据所对应的目标变量系数。约束优化回归模型包括：边界约束BFGS算法模型。参考特征数据包括：待推荐资源的参考资源特征数据、以及参考主体的参考主体特征数据，其中，参考资源特征数据与待推荐资源的目标特征数据具有相同特征类别，参考主体的参考主体特征数据与目标主体的目标特征数据具有相同特征类别，且参考主体与目标主体相关联。参考主体与目标主体相关联，包括：参考主体与目标主体之间的相似度大于预定的相似度阈值。可选的，获取目标特征数据，包括：将参考资源特征数据作为待推荐资源的目标特征数据。可选的，参考资源特征数据为按照与参考主体相适配的特征构建方式对待推荐资源的资源指标进行特征构建后所获得的特征数据；对应的，获取目标特征数据，包括：按照与目标主体相适配的特征构建方式对资源指标进行特征构建，获得待推荐资源的目标特征数据。可选的，将目标指标预测数据以及目标变量系数作为向目标主体推荐待推荐资源的目标推荐因子，包括：将目标指标预测数据作为向目标主体推荐待推荐资源的第一目标推荐因子，将目标特征数据对应的目标变量系数作为向目标主体推荐待推荐资源的第二目标推荐因子。本申请实施例还提供一种菜品推荐方法，包括：获取目标特征数据，目标特征数据包括欲向目标商家推荐的备选菜品的特征数据和目标商家的特征数据；将目标特征数据输入预先训练的菜品销量预测模型，获得菜品销量预测模型输出的备选菜品在目标商家的销量预测数据；其中，菜品销量预测模型为约束优化回归模型，在训练菜品销量预测模型时，以对应于目标特征数据的参考特征数据、以及与参考特征数据相适配的参考销量数据作为训练样本，并以参考特征数据对应的变量系数的预设取值范围作为模型约束条件，变量系数的预设取值范围基于参考特征数据与参考销量数据之间的相关性而获得；获得菜品销量预测模型中目标特征数据对应的目标变量系数；如果销量预测数据满足预定的菜品推荐条件，则以销量预测数据以及目标变量系数作为向目标商家推荐备选菜品的目标推荐因子。可选的，变量系数的预设取值范围基于参考特征数据与参考销量数据之间的相关性而获得，包括：如果参考特征数据与参考销量数据正相关，则参考特征数据对应的变量系数的预设取值范围为零到正无穷大；如果参考特征数据与参考销量数据负相关，则参考特征数据对应的变量系数的预设取值范围为负无穷大到零。可选的，获得菜品销量预测模型中目标特征数据对应的目标变量系数，包括：以菜品销量预测模型中参考特征数据对应的变量系数、作为与该参考特征数据具有相同特征类别的目标特征数据所对应的目标变量系数。可选的，菜品销量预测模型包括：边界约束BFGS算法模型。可选的，参考特征数据包括：备选菜品的菜品参考特征数据、以及参考商家的商家参考特征数据，其中，菜品参考特征数据与备选菜品的特征数据具有相同特征类别，参考商家的商家参考特征数据与目标商家的特征数据具有相同特征类别，参考商家与目标商家相关联。可选的，参考商家与目标商家相关联，包括：参考商家对应的商家属性信息与目标商家对应的商家属性信息之间的相似度大于预定的相似度阈值。可选的，获取目标特征数据，包括：将菜品参考特征数据作为备选菜品的特征数据。可选的，菜品参考特征数据为按照与参考商家相适配的特征构建方式对备选菜品的菜品指标进行特征构建后所获得的特征数据；对应的，获取目标特征数据，包括：按照与目标商家相适配的特征构建方式对菜品指标进行特征构建，获得备选菜品的特征数据。可选的，以销量预测数据以及目标变量系数作为向目标商家推荐备选菜品的目标推荐因子，包括：将销量预测数据作为向目标商家推荐备选菜品的第一目标推荐因子，将目标特征数据对应的目标变量系数作为向目标商家推荐备选菜品的第二目标推荐因子。目标商家的特征数据包括如下中的至少一种：目标商家的用户分布特征；目标商家的数据流量特征；目标商家的用户反馈特征；目标商家的优惠数据特征。本申请实施例还提供一种数据预测方法，包括：获取目标特征数据；将目标特征数据输入预先训练的约束优化回归模型，获得约束优化回归模型输出的目标指标预测数据；其中，在训练约束优化回归模型时本文档来自技高网...

【技术保护点】
1.一种资源推荐方法，其特征在于，包括：/n获取目标特征数据，所述目标特征数据包括待推荐资源的目标特征数据和目标主体的目标特征数据；/n将所述目标特征数据输入预先训练的约束优化回归模型，获得所述约束优化回归模型输出的目标指标预测数据；其中，在训练所述约束优化回归模型时，以对应于所述目标特征数据的参考特征数据、以及与所述参考特征数据相适配的目标指标参考数据作为训练样本，并以所述参考特征数据对应的变量系数的预设取值范围作为模型约束条件，所述变量系数的预设取值范围基于所述参考特征数据与所述目标指标参考数据之间的相关性而获得；/n获得所述约束优化回归模型中所述目标特征数据对应的目标变量系数；/n如果所述目标指标预测数据满足预定推荐条件，则将所述目标指标预测数据以及所述目标变量系数作为向所述目标主体推荐所述待推荐资源的目标推荐因子。/n

【技术特征摘要】
1.一种资源推荐方法，其特征在于，包括：
获取目标特征数据，所述目标特征数据包括待推荐资源的目标特征数据和目标主体的目标特征数据；
将所述目标特征数据输入预先训练的约束优化回归模型，获得所述约束优化回归模型输出的目标指标预测数据；其中，在训练所述约束优化回归模型时，以对应于所述目标特征数据的参考特征数据、以及与所述参考特征数据相适配的目标指标参考数据作为训练样本，并以所述参考特征数据对应的变量系数的预设取值范围作为模型约束条件，所述变量系数的预设取值范围基于所述参考特征数据与所述目标指标参考数据之间的相关性而获得；
获得所述约束优化回归模型中所述目标特征数据对应的目标变量系数；
如果所述目标指标预测数据满足预定推荐条件，则将所述目标指标预测数据以及所述目标变量系数作为向所述目标主体推荐所述待推荐资源的目标推荐因子。


2.一种菜品推荐方法，其特征在于，包括：
获取目标特征数据，所述目标特征数据包括欲向目标商家推荐的备选菜品的特征数据和所述目标商家的特征数据；
将所述目标特征数据输入预先训练的菜品销量预测模型，获得所述菜品销量预测模型输出的所述备选菜品在所述目标商家的销量预测数据；其中，所述菜品销量预测模型为约束优化回归模型，在训练所述菜品销量预测模型时，以对应于所述目标特征数据的参考特征数据、以及与所述参考特征数据相适配的参考销量数据作为训练样本，并以所述参考特征数据对应的变量系数的预设取值范围作为模型约束条件，所述变量系数的预设取值范围基于所述参考特征数据与所述参考销量数据之间的相关性而获得；
获得所述菜品销量预测模型中所述目标特征数据对应的目标变量系数；
如果所述销量预测数据满足预定的菜品推荐条件，则以所述销量预测数据以及所述目标变量系数作为向所述目标商家推荐所述备选菜品的目标推荐因子。


3.一种数据预测方法，其特征在于，包括：
获取目标特征数据；
将所述目标特征数据输入预先训练的约束优化回归模型，获得所述约束优化回归模型输出的目标指标预测数据；其中，在训练所述约束优化回归模型时，以对应于所述目标特征数据的参考特征数据、以及与所述参考特征数据相适配的目标指标参考数据作为训练样本，并以所述参考特征数据对应的变量系数的预设取值范围作为模型约束条件，所述目标指标参考数据与所述目标指标预测数据对应相同的指标类别，所述变量系数的预设取值范围基于所述参考特征数据与所述目标指标参考数据之间的相关性而获得。


4.一种模型训练方法，其特征在于，包括：
获取参考特征数据样本，以及获取与所述参考特征数据样本相适配的目标指标参考数据样本；
计算所述参考特征数据样本与所述目标指标参考数据样本之间的相关性；
基于所述参考特征数据样本与所述目标指标参考数据样本之间的相关性，确定所述参考特征数据样本对应的变量系数的预设取值范围；
以所述变量系数的预设取值范围作为模型约束条件，根据所述变量系数的预设取值范围、所述参考特征数据样本、以及所述目标指标参考数据样本进行模型训练，获得约束优化回归模型；所述约束优化回归模型用于根据输入的目标特征数据、输出目标指标预测数据。


5.一种资源推荐装置，其特征在于，包括：
数据获取单元，用于获取目标特征数据，所述目标特征数据包括待推荐资源的目标特征数据和目标主体的目标特征数据；
指标预测数据获得单元，用于将所述目标特征数据输入预先训练的约束优化回归模型，获得所述约束优化回归模型输出的目标指标预测数据；其中，在训练所述约束优化回归模型时，以对应于所述目标特征数据...

【专利技术属性】
技术研发人员：王雨卉，
申请(专利权)人：拉扎斯网络科技上海有限公司，
类型：发明
国别省市：上海;31