【技术实现步骤摘要】
本申请涉及计算机，特别涉及一种商品推荐方法、装置、设备及存储介质。
技术介绍
1、目前，在对数字服务类商品进行推荐时，依赖于业务人员对某些业务类别的认识，业务人员通过一些单一和较少的因素来分析为哪些用户推荐哪些商品，这种方法有很大的局限性，并且推荐结果往往非常不准确，从而影响了实际场景的应用效果。例如，依赖业务规则进行商品推荐，这种方式往往推荐效果较差，且随着时间和场景的变动，业务规则会逐步失效，另外，业务依赖于业务人员的经验，而经验会随着时间空间发生变化，因此该方法不能很好的适用于当前的数字化应用场景。
2、而对于基于大规模推荐算法的推荐方法，虽然更符合当前的数字化场景，但较依赖于数据量、数据质量，同时要求较丰富的商品特征，只有同时满足上述条件才能对c端用户有较好的应用，对于数据量少、行为少的b端用户，使用大规模推荐算法会导致较差的推荐效果。例如，冷启动相似用户推荐方法，该方法在冷启动阶段，先获得相似用户的一个模型，然后根据相似用户推荐用户产品，然而相似用户在没有标签的情况下，即可以通过无监督聚类的方式构建相似模型，也可以通过其他相关数据迁移学习构建相似模型，由于无监督学习效果通常一般，而迁移学习的目标样本不同，故最终的推荐效果也不理想；又如基于双塔模型做向量召回的推荐方法，该方法在构建双塔模型时，由于传统的双塔模型依赖于dnn(deep neural networks，深度神经网络)的学习能力，而dnn的拟合性很好，容易对训练的数据产生过拟合现象，从而导致预测效果不佳，同时，由于真实推荐场景对用户不同的特征有一定
3、综上，如何对数字服务类商品进行推荐是本领域目前还有待进一步解决的问题。
技术实现思路
1、有鉴于此，本申请的目的在于提供一种商品推荐方法、装置、设备及存储介质，能够提高商品推荐的准确度，不依赖于人工经验，适用于商品特征较少的场景。其具体方案如下：
2、第一方面，本申请公开了一种商品推荐方法，包括：
3、获取目标企业输入的商品检索数据；
4、利用训练后的编码模型对所述商品检索数据进行编码，得到检索向量；所述编码模型为利用历史企业数据和商品购买标签对dssm双塔模型进行训练后得到的模型；所述dssm双塔模型中包括第一塔模型和第二塔模型，每个塔模型中均包括动态注意力机制层和多层全连接层，所述动态注意力机制层采用senet结构；
5、分别计算所述检索向量和预先利用所述编码模型对所述历史企业数据进行编码后得到的编码向量集合中的各编码向量的相似度，得到相似度值；
6、对所述相似度值进行排序得到排序后相似度，并从所述排序后相似度中获取预设数量个相似度值，以得到与所述目标企业相似的企业集合；
7、对所述企业集合中各企业购买过的商品的购买频次进行统计，得到频次统计结果，并对所述频次统计结果进行排序得到排序后购买频次；
8、从所述排序后购买频次中获取所述预设数量个频次统计结果，并将所述预设数量个频次统计结果对应的商品推荐给所述目标企业。
9、可选的，所述分别计算所述检索向量和预先利用所述编码模型对所述历史企业数据进行编码后得到的编码向量集合中的各编码向量的相似度，得到相似度值，包括：
10、将所述检索向量和预先利用所述编码模型对所述历史企业数据进行编码后得到的编码向量集合输入至hash相似检索模型，以分别利用余弦距离计算所述检索向量和所述编码向量集合中各编码向量的相似度，得到相似度值。
11、可选的，所述获取目标企业输入的商品检索数据之前，还包括：
12、采集不同企业的静态数据和动态行为数据，得到历史企业数据；
13、基于所述历史企业数据构建与用户推荐场景相关的特征集合，以形成用户画像特征库；
14、获取不同企业的历史商品购买记录，并基于所述历史商品购买记录构建正负样本标签，得到商品购买标签；
15、将所述商品购买标签和所述用户画像特征库中的数据输入至dssm双塔模型进行多轮次训练，得到编码模型；
16、利用所述编码模型对所述用户画像特征库中的各特征数据进行编码，得到编码向量集合。
17、可选的，所述基于所述历史企业数据构建与用户推荐场景相关的特征集合，以形成用户画像特征库，包括：
18、对所述历史企业数据进行处理，得到处理后企业数据，并对所述处理后企业数据进行特征提取，得到企业特征；
19、基于所述企业特征构建与用户推荐场景相关的特征集合，以形成用户画像特征库。
20、可选的，所述基于所述历史商品购买记录构建正负样本标签，得到商品购买标签，包括：
21、基于所述历史商品购买记录并按照最长公共子串的方式构建正负样本标签，得到商品购买标签。
22、可选的，所述商品推荐方法，还包括：
23、利用二进制交叉熵损失函数对所述dssm双塔模型的模型参数进行优化。
24、可选的，所述将所述预设数量个频次统计结果对应的商品推荐给所述目标企业，包括：
25、分别确定所述预设数量个频次统计结果对应的商品，得到待推荐商品；
26、基于所有所述待推荐商品创建商品推荐列表，并将所述商品推荐列表推荐给所述目标企业。
27、第二方面，本申请公开了一种商品推荐装置，包括：
28、第一获取模块，用于获取目标企业输入的商品检索数据；
29、编码模块，用于利用训练后的编码模型对所述商品检索数据进行编码，得到检索向量；所述编码模型为利用历史企业数据和商品购买标签对dssm双塔模型进行训练后得到的模型；所述dssm双塔模型中包括第一塔模型和第二塔模型，每个塔模型中均包括动态注意力机制层和多层全连接层，所述动态注意力机制层采用senet结构；
30、相似度计算模块，用于分别计算所述检索向量和预先利用所述编码模型对所述历史企业数据进行编码后得到的编码向量集合中的各编码向量的相似度，得到相似度值；
31、第一排序模块，用于对所述相似度值进行排序得到排序后相似度；
32、第二获取模块，用于从所述排序后相似度中获取预设数量个相似度值，以得到与所述目标企业相似的企业集合；
33、统计模块，用于对所述企业集合中各企业购买过的商品的购买频次进行统计，得到频次统计结果；
34、第二排序模块，用于对所述频次统计结果进行排序得到排序后购买频次；
35、第三获取模块，用于从所述排序后购买频次中获取所述预设数量个频次统计结果；
36、商品推荐模块，用于将所述预设数量个频次统计结果对应的商品推荐给所述目标企业。
37、第三方面，本申请公开了一种电子设备，包括处理器和存储器；其中，所述处理器执行所述存储器中保存的计算机程序时实现前述的商品推荐方法。
【技术保护点】
1.一种商品推荐方法，其特征在于，包括：
2.根据权利要求1所述的商品推荐方法，其特征在于，所述分别计算所述检索向量和预先利用所述编码模型对所述历史企业数据进行编码后得到的编码向量集合中的各编码向量的相似度，得到相似度值，包括：
3.根据权利要求1所述的商品推荐方法，其特征在于，所述获取目标企业输入的商品检索数据之前，还包括：
4.根据权利要求3所述的商品推荐方法，其特征在于，所述基于所述历史企业数据构建与用户推荐场景相关的特征集合，以形成用户画像特征库，包括：
5.根据权利要求3所述的商品推荐方法，其特征在于，所述基于所述历史商品购买记录构建正负样本标签，得到商品购买标签，包括：
6.根据权利要求1所述的商品推荐方法，其特征在于，还包括：
7.根据权利要求1至6任一项所述的商品推荐方法，其特征在于，所述将所述预设数量个频次统计结果对应的商品推荐给所述目标企业，包括：
8.一种商品推荐装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器和存储器；其中，所述处理器执行所述存
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的商品推荐方法。
...【技术特征摘要】
1.一种商品推荐方法，其特征在于，包括：
2.根据权利要求1所述的商品推荐方法，其特征在于，所述分别计算所述检索向量和预先利用所述编码模型对所述历史企业数据进行编码后得到的编码向量集合中的各编码向量的相似度，得到相似度值，包括：
3.根据权利要求1所述的商品推荐方法，其特征在于，所述获取目标企业输入的商品检索数据之前，还包括：
4.根据权利要求3所述的商品推荐方法，其特征在于，所述基于所述历史企业数据构建与用户推荐场景相关的特征集合，以形成用户画像特征库，包括：
5.根据权利要求3所述的商品推荐方法，其特征在于，所述基于所述历史商品购买记录构建正负样本标签...
【专利技术属性】
技术研发人员：黄志苹，陈秋怡，涂昶，刘子星，徐煌，
申请(专利权)人：税友软件集团股份有限公司，
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。