一种商品智能推荐方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术提供了一种商品智能推荐方法、装置、计算机设备及存储介质，涉及计算机软件技术领域，该方法包括：针对每一商品，获取商品对应的历史兑换活动记录，并在历史兑换活动记录中提取商品的净收益和人群截取比例；基于商品所属活动进行分组，并基于人群截取比例将每一分组划分多个子桶，然后计算每一子桶内累积净收益；通过所有累积净收益构建净收益分布图，并基于净收益分布图对人群截取比例进行动态调整，并将动态调整结果作为候选人群截取比例；获取商品的积分段，对积分段内的候选人群截取比例进行平均值计算，并作为所属积分段的默认人群截取比例；利用默认人群截取比例对商品的营销人群进行截取。本发明专利技术可提高营销人群截取精度和推荐效果。截取精度和推荐效果。截取精度和推荐效果。

【技术实现步骤摘要】
一种商品智能推荐方法、装置、计算机设备及存储介质


[0001]本专利技术涉及计算机软件
，特别涉及一种商品智能推荐方法、装置、计算机设备及存储介质。

技术介绍

[0002]现有的短信商品智能推荐系统是基于深度学习模型实现的推荐系统。对于优选出的商品，系统会给用户进行购买意愿打分。这些用户的购买意愿分会作为筛选指标，旨在用尽可能少的营销短信发送量，覆盖尽可能多的潜在购买用户。减少用户的疲软度和营销成本，最大限度的实现利润最大化。
[0003]现有项目中对用户进行选择的逻辑为：对于一个选定的商品，基于用户的购买意愿分数进行排序，然后选择前N％的人群发送营销短信。每个商品具体的截取比例根据历史倒排购买意愿分
‑
净收益曲线中最高点对应的意愿分百分位得到。这种人群截取方法存在的问题是无法根据最新的购买记录对截取比例进行动态调整，无法保证实时性。

技术实现思路

[0004]本专利技术实施例提供了一种商品智能推荐方法、装置、计算机设备及存储介质，旨在提高营销人群截取精度以及推荐效果。
[0005]第一方面，本专利技术实施例提供了一种商品智能推荐方法，其特征在于，包括：
[0006]针对每一商品，获取所述商品对应的历史兑换活动记录，并在所述历史兑换活动记录中提取所述商品的净收益和人群截取比例；
[0007]基于商品所属活动进行分组，并基于人群截取比例将每一分组划分多个子桶，然后计算每一子桶内累积净收益；
[0008]通过所有累积净收益构建净收益分布图，并基于所述净收益分布图对所述人群截取比例进行动态调整，并将动态调整结果作为候选人群截取比例；
[0009]获取所述商品对应的积分段，对所述积分段内的候选人群截取比例进行平均值计算，并将计算结果作为所属积分段的默认人群截取比例；
[0010]利用所述默认人群截取比例对所述商品的营销人群进行截取，并基于截取后的兑换活动记录对人群截取比例进行实时更新。
[0011]第二方面，本专利技术实施例提供了一种商品智能推荐装置，包括：
[0012]记录获取单元，用于针对每一商品，获取所述商品对应的历史兑换活动记录，并在所述历史兑换活动记录中提取所述商品的净收益和人群截取比例；
[0013]划分单元，用于基于商品所属活动进行分组，并基于人群截取比例将每一分组划分多个子桶，然后计算每一子桶内累积净收益；
[0014]动态调整单元，用于通过所有累积净收益构建净收益分布图，并基于所述净收益分布图对所述人群截取比例进行动态调整，并将动态调整结果作为候选人群截取比例；
[0015]平均值计算单元，用于获取所述商品对应的积分段，对所述积分段内的候选人群
截取比例进行平均值计算，并将计算结果作为所属积分段的默认人群截取比例；
[0016]实时更新单元，用于利用所述默认人群截取比例对所述商品的营销人群进行截取，并基于截取后的兑换活动记录对人群截取比例进行实时更新。
[0017]第三方面，本专利技术实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的商品智能推荐方法。
[0018]第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的商品智能推荐方法。
[0019]本专利技术实施例提供了一种商品智能推荐方法、装置、计算机设备及存储介质，该方法包括：针对每一商品，获取所述商品对应的历史兑换活动记录，并在所述历史兑换活动记录中提取所述商品的净收益和人群截取比例；基于商品所属活动进行分组，并基于人群截取比例将每一分组划分多个子桶，然后计算每一子桶内累积净收益；通过所有累积净收益构建净收益分布图，并基于所述净收益分布图对所述人群截取比例进行动态调整，并将动态调整结果作为候选人群截取比例；获取所述商品对应的积分段，对所述积分段内的候选人群截取比例进行平均值计算，并将计算结果作为所属积分段的默认人群截取比例；利用所述默认人群截取比例对所述商品的营销人群进行截取，并基于截取后的兑换活动记录对人群截取比例进行实时更新。本专利技术实施例通过对商品当前的人群截取比例和净收益进行分组、构建净收益分布图等处理，实现对于人群截取比例的动态调整，使动态调整后的人群截取比例更加符合商品的营销推荐，从而提高营销人群截取精度以及推荐效果。
附图说明
[0020]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0021]图1为本专利技术实施例提供的一种商品智能推荐方法的流程示意图；
[0022]图2为本专利技术实施例提供的一种商品智能推荐方法的子流程示意图；
[0023]图3为本专利技术实施例提供的一种商品智能推荐方法的另一子流程示意图；
[0024]图4为本专利技术实施例提供的一种商品智能推荐装置的示意性框图；
[0025]图5为本专利技术实施例提供的一种商品智能推荐装置的子示意性框图；
[0026]图6为本专利技术实施例提供的一种商品智能推荐装置的另一子示意性框图；
[0027]图7为本专利技术实施例提供的一种商品智能推荐方法中净收益分布图的示意图；
[0028]图8为本专利技术实施例提供的一种商品智能推荐方法中净收益分布图的另一示意图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施
例，都属于本专利技术保护的范围。
[0030]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0031]还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0032]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0033]下面请参见图1，图1为本专利技术实施例提供的一种商品智能推荐方法的流程示意图，具体包括：步骤S101～S105。
[0034]S101、针对每一商品，获取所述商品对应的历史兑换活动记录，并在所述历史兑换活动记录中提取所述商品本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种商品智能推荐方法，其特征在于，包括：针对每一商品，获取所述商品对应的历史兑换活动记录，并在所述历史兑换活动记录中提取所述商品的净收益和人群截取比例；基于商品所属活动进行分组，并基于人群截取比例将每一分组划分多个子桶，然后计算每一子桶内累积净收益；通过所有累积净收益构建净收益分布图，并基于所述净收益分布图对所述人群截取比例进行动态调整，并将动态调整结果作为候选人群截取比例；获取所述商品对应的积分段，对所述积分段内的候选人群截取比例进行平均值计算，并将计算结果作为所属积分段的默认人群截取比例；利用所述默认人群截取比例对所述商品的营销人群进行截取，并基于截取后的兑换活动记录对人群截取比例进行实时更新。2.根据权利要求1所述的商品智能推荐方法，其特征在于，还包括：对于每一所述商品，通过打分模型对每一所述商品和所述人群截取比例中的每一用户进行匹配度打分；结合所述商品所属的活动ID、商品ID、用户ID、净收益、人群截取比例和匹配度打分构建得到一基准表格。3.根据权利要求2所述的商品智能推荐方法，其特征在于，所述对于每一所述商品，通过打分模型对每一所述商品和所述人群截取比例中的每一用户进行匹配度打分，包括：分别对所述商品和所述用户提取各自的商品特征向量和用户特征向量；将所述商品特征向量和所述用户特征向量输入至Wide&Deep模型，利用所述Wide&Deep模型输出所述商品和所述用户的匹配程度。4.根据权利要求3所述的商品智能推荐方法，其特征在于，所述将所述商品特征向量和所述用户特征向量输入至Wide&Deep模型，利用所述Wide&Deep模型输出所述商品和所述用户的匹配程度，包括：按照下式，利用所述Wide&Deep模型中的Wide网络对所述商品特征向量和所述用户特征向量进行交叉特征构建：y＝w
T
[x，φ(x)]+b式中，y表示所述Wide网络输出的预测值，φ
k
(x)表示交叉积转换函数，c
ki
为布尔变量，x＝[x1,x2，
…
，xd]为所述商品特征向量和用户特征向量，w＝[w1w2,
…
，wd]为模型参数，b为偏差系数；按照下式，利用所述Wide&Deep模型中的Deep网络进行embedding向量与稠密向量拼接：a
(l+1)
＝f(W
(l)
a
(l)
+b
(l)
)式中，l表示Deep网络的层数，f表示激活函数，a
(l)
、b
(l)
和W
(l)
分别为第l层的激活函数、偏置系数和模型权重；基于所述Wide网络和所述Deep网络的输出结果，按照下式进行联合预测，得到最终的
所述商品和所述用户的匹配程度P：式中，Y为二值分类标签，σ(.)为sigmoid函数，φ(x)为原始特征x的跨产品变换，b为偏置项，W
Wide
为Wide网络的权重向量，W
Deep
为用于最终激活函数的权重。5.根据权利要求2所述的商品智能推荐方法，其特征在于，所述基于商品所属活动进行分组，并基于人群截取比例将每一分组划分多个子桶，然后计算每一子桶内累积净收益，包括：在所述基准表格中获取商品ID...

【专利技术属性】
技术研发人员：李云超，郭爱娟，王永合，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：