一种商品推荐方法、装置、存储介质及终端设备制造方法及图纸

本发明专利技术公开了一种商品推荐方法、装置、存储介质及终端设备，所述方法包括：获取目标用户对应的数据信息，其中，所述数据信息包括浏览数据以及购买数据；基于训练好的浏览模型构建购买模型，并对所述购买模型进行训练，得到训练好的购买模型；基于所述训练好的浏览模型以及所述训练好的购买模型，得到所述目标用户的推荐商品。本发明专利技术基于训练好的浏览模型来得到关于用户的浏览偏好，再通过该浏览偏好以及购买数据共同训练购买模型，使得训练好的购买模型为用户提供更加精准的商品推荐。模型为用户提供更加精准的商品推荐。模型为用户提供更加精准的商品推荐。

【技术实现步骤摘要】
一种商品推荐方法、装置、存储介质及终端设备


[0001]本专利技术涉及计算机
，特别涉及一种商品推荐方法、装置、存储介质及终端设备。

技术介绍

[0002]在现代生活中，我们处于信息过载的时代，人们难以从海量的信息中选出符合自己需求的商品，而个性化推荐能在一定程度上缓解该问题，并在我们的生活中扮演着十分重要的角色，如电商平台的商品推荐、电影音乐推荐和新闻推荐等。
[0003]在这些场景中，用户的反馈是多样且异构的。它们有如下特点：(1)辅助反馈的不确定性。用户的不同行为表达了他们不同程度的偏好，在电商场景中，用户的购买行为可以看作目标反馈，浏览行为可以看作辅助反馈，因为用户的浏览行为具有较大的随机性，因此这类数据存在一定的噪音，具有不确定性。(2)不同类型反馈的不平衡性。用户的购买反馈数据较为稀疏，但是这类反馈通常能准确地反映用户的真实偏好，而用户的浏览反馈数量一般比较多，但是这类数据具有不确定性。(3)用户偏好的表达局限性。我们知道，用户的偏好可能是复杂多变的，传统的模型可能受限于表达能力从而导致推荐效果不好。
[0004]因而现有技术还有待改进和提高。

技术实现思路

[0005]本专利技术要解决的技术问题在于，针对现有技术的不足，提供一种商品推荐方法、装置、存储介质及终端设备，以提高商品的推荐效果。
[0006]本专利技术所采用的技术方案如下：
[0007]第一方面，本专利技术实施例提供一种商品推荐方法，其包括：
[0008]获取目标用户对应的数据信息，其中，所述数据信息包括浏览数据以及购买数据；
[0009]基于训练好的浏览模型构建购买模型，并对所述购买模型进行训练，得到训练好的购买模型；
[0010]基于所述训练好的浏览模型以及所述训练好的购买模型，得到所述目标用户的推荐商品。
[0011]作为进一步的改进技术方案，所述训练好的浏览模型的训练过程具体包括：
[0012]获取第一训练集，构建浏览模型，其中，所述训练集包括若干用户的浏览样本，以及每个浏览样本对应的第一真实偏好；
[0013]将所述第一训练集中的浏览样本输入所述浏览模型进行训练，通过所述浏览模型确定浏览样本对应的第一预测偏好；
[0014]根据所述浏览样本对应的第一真实偏好和所述第一预测偏好的比较结果调整所述浏览模型的模型参数，直至所述比较结果满足第一预设训练条件时停止对所述浏览模型的训练；
[0015]将停止训练时得到的浏览模型作为所述训练好的浏览模型。
[0016]作为进一步的改进技术方案，所述对所述购买模型进行训练之前还包括：
[0017]获取训练好的浏览模型；
[0018]获取第一训练集，将所述第一训练集中的浏览样本输入所述训练好的浏览模型，基于所述训练好的浏览模型得到浏览样本对应的浏览偏好。
[0019]作为进一步的改进技术方案，所述训练好的购买模型的训练过程具体包括：
[0020]获取第二训练集，构建购买模型，其中，所述第二训练集包括若干用户的购买样本，以及每个购买样本对应的第二真实偏好，其中，每个购买样本与浏览偏好对应同一用户；
[0021]将所述第二训练集中的购买样本以及所述购买样本对应的浏览偏好输入所述购买模型进行训练，通过所述购买模型确定购买样本对应的第二预测偏好；
[0022]根据所述购买样本对应的第二真实偏好和所述第二预测偏好的比较结果调整所述购买模型的模型参数，直至所述比较结果满足第二预设训练条件时停止对所述购买模型的训练；
[0023]将停止训练时得到的购买模型作为所述训练好的购买模型。
[0024]作为进一步的改进技术方案，所述基于所述训练好的浏览模型以及所述训练好的购买模型，得到所述目标用户的推荐商品具体包括：
[0025]基于所述训练好的浏览模型以及所述训练好的购买模型，得到所述目标用户对每个商品的偏好值；
[0026]根据所述每个商品的偏好值的大小，对商品进行从大到小排序；
[0027]从排序后的商品中选取前N个商品作为推荐商品，其中，所述N为正数。
[0028]作为进一步的改进技术方案，所述基于所述训练好的浏览模型以及所述训练好的购买模型，得到所述目标用户对每个商品的偏好值具体包括：
[0029]采用多热编码技术将所述数据信息分别转化成浏览向量以及购买向量；
[0030]将所述浏览向量输入至所述训练好的浏览模型，得到用户的浏览表征向量；
[0031]将所述浏览表征向量与所述购买向量输入至所述训练好的购买模型，得到，得到所述目标用户对每个商品的偏好值。
[0032]作为进一步的改进技术方案，所述采用多热编码技术将所述数据信息分别转化成浏览向量以及购买向量之前还包括：
[0033]对所述数据信息进行预处理，以使得所述数据信息满足预设规则。
[0034]第二方面，本专利技术实施例提供一种商品推荐装置，其中，所述商品推荐装置包括：
[0035]获取模块，用于获取目标用户对应的数据信息，其中，所述数据信息包括浏览数据以及购买数据；
[0036]训练模块，用于基于训练好的浏览模型构建购买模型，并对所述购买模型进行训练，得到训练好的购买模型；
[0037]推荐模块，用于基于所述训练好的浏览模型以及所述训练好的购买模型，得到所述目标用户的推荐商品。
[0038]第三方面，本专利技术实施例提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任意一项所述的商品推荐方法中的步骤。
[0039]第四方面，本专利技术实施例提供一种终端设备，其包括：处理器和存储器；所述存储器上存储有可被所述处理器执行的计算机可读程序；所述处理器执行所述计算机可读程序时实现如上任意一项所述的商品推荐方法中的步骤。。
[0040]有益效果：与现有技术相比，本专利技术提供了一种商品推荐方法、装置、存储介质及终端设备，所述方法包括：获取目标用户对应的数据信息，其中，所述数据信息包括浏览数据以及购买数据；基于训练好的浏览模型构建购买模型，并对所述购买模型进行训练，得到训练好的购买模型；基于所述训练好的浏览模型以及所述训练好的购买模型，得到所述目标用户的推荐商品。本专利技术基于训练好的浏览模型来得到关于用户的浏览偏好，再通过该浏览偏好以及购买数据共同训练购买模型，使得训练好的购买模型为用户提供更加精准的商品推荐。
附图说明
[0041]图1为本专利技术提供的商品推荐方法的流程图。
[0042]图2是本专利技术提供的商品推荐方法中模型训练的原理示意图。
[0043]图3是本专利技术提供的商品推荐装置的结构原理图。
[0044]图4为本专利技术提供的终端设备结构原理图。
具体实施方式
[0045]本专利技术提供一种商品推荐方法、装置、存储介质及终端设备，为使本专利技术的目的、技术方案及效果更加清楚、明确，以下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种商品推荐方法，其特征在于，其包括：获取目标用户对应的数据信息，其中，所述数据信息包括浏览数据以及购买数据；基于训练好的浏览模型构建购买模型，并对所述购买模型进行训练，得到训练好的购买模型；基于所述训练好的浏览模型以及所述训练好的购买模型，得到所述目标用户的推荐商品。2.根据权利要求1所述的商品推荐方法，其特征在于，所述训练好的浏览模型的训练过程具体包括：获取第一训练集，构建浏览模型，其中，所述训练集包括若干用户的浏览样本，以及每个浏览样本对应的第一真实偏好；将所述第一训练集中的浏览样本输入所述浏览模型进行训练，通过所述浏览模型确定浏览样本对应的第一预测偏好；根据所述浏览样本对应的第一真实偏好和所述第一预测偏好的比较结果调整所述浏览模型的模型参数，直至所述比较结果满足第一预设训练条件时停止对所述浏览模型的训练；将停止训练时得到的浏览模型作为所述训练好的浏览模型。3.根据权利要求1所述的商品推荐方法，其特征在于，所述对所述购买模型进行训练之前还包括：获取训练好的浏览模型；获取第一训练集，将所述第一训练集中的浏览样本输入所述训练好的浏览模型，基于所述训练好的浏览模型得到浏览样本对应的浏览偏好。4.根据权利要求3所述的商品推荐方法，其特征在于，所述训练好的购买模型的训练过程具体包括：获取第二训练集，构建购买模型，其中，所述第二训练集包括若干用户的购买样本，以及每个购买样本对应的第二真实偏好，其中，每个购买样本与浏览偏好对应同一用户；将所述第二训练集中的购买样本以及所述购买样本对应的浏览偏好输入所述购买模型进行训练，通过所述购买模型确定购买样本对应的第二预测偏好；根据所述购买样本对应的第二真实偏好和所述第二预测偏好的比较结果调整所述购买模型的模型参数，直至所述比较结果满足第二预设训练条件时停止对所述购买模型的训练；将停止训练时得到的购买模型作为所述训练好的购买模型。5.根据权利要求1所述的商品推荐...

【专利技术属性】
技术研发人员：陈宪聪，潘微科，明仲，
申请(专利权)人：深圳大学，
类型：发明
国别省市：