【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。