本申请提供一种产品推荐模型的训练方法、产品推荐方法及装置，涉及数据处理技术领域。该方法包括：获取训练数据，其中，训练数据包括用户的产品交互行为数据；通过代理模型进行超参数组合的优化，得到目标组合；通过训练数据，对超参数组合为目标组合的产品推荐模型进行训练，得到训练后的产品推荐模型。其中，代理模型的输入数据为超参数组合，代理模型的输出数据用于拟合产品推荐模型的输出数据，代理模型为数学模型，产品推荐模型为支持向量回归模型。从而，通过代理模型为产品推荐模型配置更好的超参数，使得产品推荐模型能够更加适配于新业务场景下的产品推荐，提高了新业务场景下产品推荐的准确性。产品推荐的准确性。产品推荐的准确性。
【技术实现步骤摘要】
产品推荐模型的训练方法、产品推荐方法及装置
[0001]本申请涉及数据处理
，尤其涉及一种产品推荐模型的训练方法、产品推荐方法及装置。
技术介绍
[0002]在线上环境中，产品种类繁多，不同产品所在的业务场景不同，不同用户对于不同业务场景的需求也不同，所以有必要对用户需求与业务场景进行建模，确定用户需求与产品设计方向的联系，便于实现产品的个性化推荐。其中，如何充分利用现有数据资源，更准确地挖掘出用户与感兴趣产品之间的复杂关系，是实现产品的个性化推荐所面临的重要任务。
[0003]相关技术中，对于新业务场景的产品推荐，由于业务上线时间短暂，短时间内无法积累大量用户信息，可采用人工评审的方式，从大量产品中评审出用户感兴趣产品；对于连续性的产品推荐，可利用大量数据作为支撑，训练用于预测用户感兴趣产品的机器学习模型，通过训练后的机器学习模型来预测用户对产品的感兴趣程度。
[0004]然而，针对少样本场景(例如新业务场景)，采用人工评审方式进行感兴趣产品选取的效率太低，采用机器学习模型往往会由于样本过少而难以学习用户与感兴趣产品之间的数据映射关系，导致产品推荐的准确性低。
技术实现思路
[0005]本申请提供一种产品推荐模型的训练方法、产品推荐方法及装置，用以解决少样本场景的产品推荐效率以及准确性有待提高的问题。
[0006]第一方面，本申请提供一种产品推荐模型的训练方法，包括：
[0007]获取训练数据，其中，训练数据包括用户的产品交互行为数据；
[0008]通过代理模型进行超参数组合的优化，得到目标组合；
[0009]通过训练数据，对超参数组合为目标组合的产品推荐模型进行训练，得到训练后的产品推荐模型；
[0010]其中，代理模型的输入数据为超参数组合，代理模型的输出数据用于拟合产品推荐模型的输出数据，代理模型为数学模型，产品推荐模型为支持向量回归模型。
[0011]在一种可行的实现方式中，通过代理模型进行超参数组合的优化，得到目标组合，包括：
[0012]确定第N次优化中的超参数组合；
[0013]将产品推荐模型的超参数组合更新为第N次优化中的超参数组合；
[0014]将第N次优化中的超参数组合输入至代理模型，在代理模型中对超参数组合进行处理，得到第一输出数据；
[0015]根据产品交互行为数据，在产品推荐模型中预测用户对产品的感兴趣程度，得到第二输出数据；
[0016]根据第一输出数据与第二输出数据之间的差异，确定第N次优化中的误差值；
[0017]将第N次优化中的误差值与误差阈值进行比较；
[0018]如果第N次优化中的误差值小于误差阈值，则确定目标组合为第N次优化中的超参数组合，否则进行超参数组合的第N+1次优化。
[0019]在一种可行的实现方式中，确定第N次优化中的超参数组合，包括：
[0020]在N等于1的情况下，随机确定第N次优化中的超参数组合；
[0021]在N大于1的情况下，根据采集函数确定第N次优化中的超参数组合。
[0022]在一种可行的实现方式中，根据采集函数确定第N次优化中的超参数组合，包括：
[0023]获取前N
‑
1次优化中的超参数组合；
[0024]根据前N
‑
1次优化中的超参数组合的均值和方差，确定第N次优化中的超参数组合。
[0025]在一种可行的实现方式中，代理模型为多项式函数，将第N次优化中的超参数组合输入至代理模型，在代理模型中对超参数组合进行处理，得到第一输出数据，包括：
[0026]将第N次优化中的超参数组合输入至代理模型，在代理模型中对第N次优化中的超参数组合进行多项式运算，得到第一输出数据。
[0027]在一种可行的实现方式中，代理模型为薄板曲面函数，将第N次优化中的超参数组合输入至代理模型，在代理模型中对超参数组合进行处理，得到第一输出数据，包括：
[0028]将第N次优化中的超参数组合输入至代理模型，在代理模型中对第N次优化中的超参数组合进行插值运算，得到第一输出数据。
[0029]第二方面，本申请提供一种产品推荐方法，包括：
[0030]获取目标用户的属性数据和产品的属性数据；
[0031]根据所述目标用户的属性数据和所述产品的属性数据，通过产品推荐模型预测所述目标用户对所述产品的感兴趣程度；
[0032]根据所述感兴趣程度，对所述目标用户进行产品推荐；
[0033]其中，所述产品推荐模型是根据第一方面提供的产品推荐模型的训练方法训练得到的。
[0034]第三方面，本申请提供一种产品推荐模型的训练装置，包括：
[0035]获取模块，用于获取训练数据，其中，训练数据包括用户的产品交互行为数据；
[0036]优化模块，用于通过代理模型进行超参数组合的优化，得到目标组合；
[0037]训练模块，用于通过训练数据，对超参数组合为目标组合的产品推荐模型进行训练，得到训练后的产品推荐模型；
[0038]其中，代理模型的输入数据为超参数组合，代理模型的输出数据用于拟合产品推荐模型的输出数据，代理模型为数学模型，产品推荐模型为支持向量回归模型。
[0039]第四方面，本申请提供一种产品推荐装置，包括：
[0040]获取模块，用于获取目标用户的属性数据和产品的属性数据；
[0041]预测模块，用于根据所述目标用户的属性数据和所述产品的属性数据，通过产品推荐模型预测所述目标用户对所述产品的感兴趣程度；
[0042]推荐模块，用于根据所述感兴趣程度，对所述目标用户进行产品推荐；
[0043]其中，所述产品推荐模型是根据第一方面提供的产品推荐模型的训练方法训练得
到的。
[0044]第五方面，本申请提供一种电子设备，包括：至少一个处理器和存储器；
[0045]存储器存储计算机执行指令；
[0046]至少一个处理器执行存储器存储的计算机执行指令，使得至少一个处理器执行如上述第一方面提供的产品推荐模型的训练方法和/或上述第二方面提供的产品推荐方法。
[0047]第六方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如上述第一方面提供的产品推荐模型的训练方法和/或第二方面提供的产品推荐方法。
[0048]第七方面，本申请提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序被处理器执行时实现如上述第一方面的产品推荐模型的训练方法和/或第二方面提供的产品推荐方法。
[0049]本申请提供的产品推荐模型的训练方法、产品推荐方法及装置，考虑到机器学习模型的超参数配置对机器学习模型的性能有着重要影响，在训练产品推荐模型之前，通过代理模型对产品推荐模型的超参数组合进行优化；再基于训练数据对超参数组合优化后的产品推荐模型进行训练，得到训本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种产品推荐模型的训练方法，其特征在于，包括：获取训练数据，其中，所述训练数据包括用户的产品交互行为数据；通过代理模型进行超参数组合的优化，得到目标组合；通过所述训练数据，对超参数组合为所述目标组合的产品推荐模型进行训练，得到训练后的产品推荐模型；其中，所述代理模型的输入数据为超参数组合，所述代理模型的输出数据用于拟合所述产品推荐模型的输出数据，所述代理模型为数学模型，所述产品推荐模型为支持向量回归模型。2.根据权利要求1所述的产品推荐模型的训练方法，其特征在于，所述通过代理模型进行超参数组合的优化，得到目标组合，包括：确定第N次优化中的超参数组合；将所述产品推荐模型的超参数组合更新为第N次优化中的超参数组合；将第N次优化中的超参数组合输入至所述代理模型，在所述代理模型中对所述超参数组合进行处理，得到第一输出数据；根据所述产品交互行为数据，在所述产品推荐模型中预测用户对产品的感兴趣程度，得到第二输出数据；根据所述第一输出数据与所述第二输出数据之间的差异，确定第N次优化中的误差值；将第N次优化中的误差值与误差阈值进行比较；如果第N次优化中的误差值小于所述误差阈值，则确定所述目标组合为第N次优化中的超参数组合，否则进行超参数组合的第N+1次优化。3.根据权利要求2所述的产品推荐模型的训练方法，其特征在于，所述确定第N次优化中的超参数组合，包括：在N等于1的情况下，随机确定第N次优化中的超参数组合；在N大于1的情况下，根据采集函数确定第N次优化中的超参数组合。4.根据权利要求3所述的产品推荐模型的训练方法，其特征在于，所述根据采集函数确定第N次优化中的超参数组合，包括：获取前N
‑
1次优化中的超参数组合；根据前N
‑
1次优化中的超参数组合的均值和方差，确定第N次优化中的超参数组合。5.根据权利要求2
‑
4中任一项所述的产品推荐模型的训练方法，其特征在于，所述代理模型为多项式函数，所述将第N次优化中的超参数组合输入至所述代理模型，在所述代理模型中对所述超参数组合进行处理，得到第一输出数据，包括：将第N次优化中的超参数组合输入至所述代理模型，在所述代理模型中对第N次优化中的超...
【专利技术属性】
技术研发人员：田梦卓，
申请(专利权)人：中国农业银行股份有限公司，
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。