CN112508613B - 一种商品推荐方法、装置、电子设备和可读存储介质 - Google Patents
一种商品推荐方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN112508613B CN112508613B CN202011446682.0A CN202011446682A CN112508613B CN 112508613 B CN112508613 B CN 112508613B CN 202011446682 A CN202011446682 A CN 202011446682A CN 112508613 B CN112508613 B CN 112508613B
- Authority
- CN
- China
- Prior art keywords
- click rate
- target user
- predicted
- prediction model
- click
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000006243 chemical reaction Methods 0.000 claims abstract description 89
- 238000012549 training Methods 0.000 claims description 42
- 230000006399 behavior Effects 0.000 claims description 29
- 230000008901 benefit Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 10
- 230000003542 behavioural effect Effects 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 108010033040 Histones Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
- G06Q30/0271—Personalized advertisement
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了商品推荐方法、装置、电子设备和可读存储介质,其中方法包括:获取目标用户日志数据,基于目标用户日志数据生成第一数据集,将第一数据集输入到所述经训练好的点击率预测模型,得到预测的第一点击率;基于目标用户日志数据和第一点击率生成第二数据集,将第二数据集输入到经训练好的转化率预测模型,获得预测的转化率;根据预测的第一点击率和预测的转化率向目标用户推荐商品。上述方法利用多目标学习的思想,同时考虑了点击率、转化率,显著提高了推荐质量;实现了多模型融合,将点击率的预测值当作特征输入给转化率模型中,不仅构建了新的特征,还有效利用了点击率模型学习的成果,传输给转化率模型,提高模型的泛化能力。
Description
技术领域
本发明涉及计算机分布式处理领域,具体涉及一种商品推荐方法、装置、电子设备和可读存储介质。
背景技术
人工智能技术已经融入到社会民众的生活,各互联网平台出现了许多为了满足用户的购买需求,快速帮助用户找到性价比较高的商品,需要进行个性化推荐,将用户可能购买的商品推荐给用户,从而提高商品的点击率(Click-Through-Rate,CTR,该广告的实际点击次数与广告的展现量比值)和转化率(Conversion Rate,CVR,用户点击广告到成为一个有效激活、注册甚至付费用户的转化率)。但是目前的一些平台上做商品推荐时,有的是靠人的经验和人工标签去判断用户喜好,有的是通过一些简单的线性模型或树模型(例如:逻辑回归、决策树)进行基于点击率的预测推荐,上述模型和方法带有局限性,需要大量的人工对用户打标签,且容易受到个人主观的影响,不能保证标签的准确性,同时简单的机器学***台上的体验。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种商品推荐方法、装置、电子设备和可读存储介质。
依据本发明的一个方面,提供了一种商品推荐方法,所述方法包括:
获取目标用户日志数据,基于所述目标用户日志数据生成第一数据集,将所述第一数据集输入到所述经训练好的点击率预测模型,得到预测的第一点击率;
基于所述目标用户日志数据和所述第一点击率生成第二数据集,将所述第二数据集输入到经训练好的转化率预测模型,获得预测的转化率;
根据所述预测的第一点击率和所述预测的转化率向所述目标用户推荐商品。
可选地,所述点击率预测模型为基于Histogram决策树算法能够实现分布式梯度提升的LightGBM模型,所述转化率预测模型为结合DNN和FM优势同时学习低阶和高阶组合特征的DeepFM模型。
可选地,所述经训练好的点击率预测模型是经过如下的方式训练获得的:
获取第一预设时间段内用户日志数据,基于所述用户日志数据确定具有对应关系的用户属性特征、商品属性特征、用户行为数据和是否点击的标签,并生成第一训练集,利用所述第一训练集训练预构建的点击率预测模型,从而得到所述经训练好的点击率预测模型。
可选地,所述经训练好的转化率预测模型是经过如下的方式训练获得的:
基于所述第二预设时间段内的用户日志数据生成第三数据集,将所述第三数据集输入到所述经训练好的点击率预测模型,获得预测的第二点击率;
基于所述第二预设时间段内的用户日志数据、是否转化的标签和所述第二点击率,生成第二训练集,利用所述第二训练集训练预构建的转化率预测模型,从而得到经训练好的转化率预测模型;
其中所述第二预设时间段比所述第一预设时间段更靠近推荐时的时间点。
可选地,所述根据所述预测的第一点击率和所述预测的转化率向所述目标用户推荐商品包括:
计算所述预测的第一点击率和所述预测的转化率的乘积,根据所述乘积的大小对所述商品排序,向所述目标用户推荐一个或多个所述商品;或者,
计算所述预测的第一点击率和所述预测的转化率的平均值,根据所述平均值的大小对所述商品排序,向所述目标用户推荐一个或多个所述商品。
可选地,所述基于所述目标用户日志数据生成第一数据集包括:
基于所述目标用户日志数据确定出具有对应关系的目标用户属性特征、召回商品属性特征和针对召回商品的行为数据,并根据用户是否点击确定是否点击的标签,组合形成所述第一数据集;
其中,所述目标用户属性特征包括如下中的至少一项:用户归属地、年龄、性别、注册时间、资产规模、总浏览时长、总浏览次数、购买次数或总消费金额;
所述召回商品是指目标用户浏览、点击、收藏、加入购物车或者购买过的商品,所述召回商品属性特征包括如下的至少一项:品牌、型号、类型、产地或所在地;
所述针对召回商品的行为特征包括如下中的至少一项:浏览、点击、收藏、加入购物车、转发、咨询或购买。
可选地,所述目标用户为触发召回商品购买推荐请求的用户;所述召回商品为处于能够被所述目标用户购买状态的商品,以控制所述召回商品的数量;所述针对召回商品的行为数据为历史用户对所述召回商品的行为数据。
依据本发明的另一方面,提供了一种商品推荐装置,所述装置包括:
点击率确定单元,获取目标用户日志数据,基于所述目标用户日志数据生成第一数据集,将所述第一数据集输入到所述经训练好的点击率预测模型,得到预测的第一点击率;
转化率确定单元,基于所述目标用户日志数据和所述第一点击率生成第二数据集,将所述第二数据集输入到经训练好的转化率预测模型,获得预测的转化率;
商品推荐单元,根据所述预测的第一点击率和所述预测的转化率向所述目标用户推荐商品。
依据本发明的又一方面,提供了一种电子设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如上述任一所述的方法。
依据本发明的再一方面,提供了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一个或多个程序,所述一个或多个程序当被处理器执行时,实现如上述任一所述的方法。
由上述可知,本发明的技术方案可以获得如下的有益效果:
依据多目标的学习的思想,同时考虑了点击率、转化率双指标,明显提高了推荐的转化率。单目标的思想容易造成推荐效果欠佳,例如只考虑点击率,那么会出现点击率高,转化率低,或者只考虑转化率,带来了数据的稀疏性,影响推荐效果。
依据多模型融合的方法,将点击率的预测值当作特征输入给转化率的模型中,一方面构建了新的有效特征,另一方面可以有效利用点击率模型学习的成果经验,传输给转化率模型中,提高模型的泛化能力。
进一步地,所述点击率模型优选为LightGBM模型,LightGBM基于Histogram决策树算法,相比于pre-sorted算法,histogram在内存消耗和计算代价上都有不少优势,占用的内存更低,数据分隔的复杂度更低;转化率模型优选为DeepFM模型,将Deep与FM相结合,用FM做特征间低阶组合,用Deep NN部分做特征间高阶组合,通过并行的方式组合两种方法,使得最终的架构具有以下特点:不需要预训练FM得到隐向量;不需要人工特征工程;能同时学习低阶和高阶的组合特征;FM模块和Deep模块共享Feature Embedding部分,可以更快的训练,以及更精确的训练学习,更为重要的是,将上述两种模型组合,获得了预料不到的准确性提升。
并且上述基于用户属性、商品特征、用户历史行为数据建模,减少了人为打标的签过程,避免个人主观因素影响商品推荐的准确性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了根据本发明一个实施例的商品推荐方法的流程示意图;
图2示出了根据本发明一个实施例的商品推荐装置的结构示意图;
图3示出了根据本发明一个实施例的电子设备的结构示意图;
图4示出了根据本发明一个实施例的计算机可读存储介质的结构示意图;
图5示出了根据本发明一个实施例的点击率获取的流程示意图;
图6示出了根据本发明一个实施例的转化率率获取的流程示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的一种商品推荐方法流程示意图,所述方法包括:
S110,获取目标用户日志数据,基于所述目标用户日志数据生成第一数据集。目标用户日志数据可以从分布式的网站平台或应用平台上经埋点获取,从该日志数据中可以得到用户属性(可记作user_id)如所属地、年龄、性别、资产规模、浏览情况等的特征数据,还包括用户感兴趣的待推荐召回的商品属性特征(可记作item_id)如商品类别、品牌、型号、所属地等,以及用户对上述召回商品的行为数据(可记作features),该行为数据优选为过去一定时间段内历史用户对该召回商品的行为数据如浏览次数、浏览时长、收藏、加入购物车、转发、咨询或购买次数等,当然还可以包括对商品是否点击进入的标签等数据,将上述数据组合形成第一数据集。
然后,将所述第一数据集输入到所述经训练好的点击率预测模型,得到预测的第一点击率。
S120,基于所述目标用户日志数据和所述第一点击率生成第二数据集,将所述第二数据集输入到经训练好的转化率预测模型,获得预测的转化率。
当然,上述第二数据集中包括目标用户属性特征、召回商品属性特征、行为数据等。
值得说明的是,上述第二数据集中包括了目标用户对应的第一点击率,体现了多目标学习的思想,实现了上述两种模型的融合,使得转化率预测模型也能够对点击率高低进行反应。
S130,根据所述预测的第一点击率和所述预测的转化率向所述目标用户推荐商品。
在该步骤中,根据第一点击率和转化率的综合高低对召回商品进行排序,根据排序情况向用户进行商品推荐。
根据上述技术方案,利用多目标学习的思想,同时考虑了点击率、转化率,显著提高了推荐质量;实现了多模型融合,将点击率的预测值当作特征输入给转化率模型中,不仅构建了新的特征,还有效利用了点击率模型学习的成果,传输给转化率模型,提高模型的泛化能力。
在一个优选实施例中,所述点击率预测模型为基于Histogram决策树算法能够实现分布式梯度提升的LightGBM模型。Light Gradient Boosting Machine(LightGBM)是一个由微软亚洲研究院分布式机器学习工具包(DMTK)团队开源的基于决策树算法的分布式梯度提升(GradientBoosting Decision Tree,GBDT)框架。它基于histogram的决策树算法,将连续的浮点特征离散成k个离散值,并构造宽度为k的Histogram。然后遍历训练数据,统计每个离散值在直方图中的累计统计量。在进行特征选择时,只需要根据直方图的离散值,遍历寻找最优的分割点;相比于pre-sorted算法,histogram在内存消耗和计算代价上都有不少优势,占用的内存更低,数据分隔的复杂度更低。基于histogram优点可以获得下述的优点:减少分割增益的计算量;通过直方图相减来进一步的加速模型的训练:在二叉树中可以通过利用叶节点的父节点和相邻节点的直方图的相减来获得该叶节点的直方图,花费的代价小;减少内存的使用;减少并行学习的通信代价。
并且,LightGBM采用leaf-wise生长策略,每次从当前所有叶子中找到***增益最大的一个叶子(一般也是数据量最大),然后***,循环;但是会生长出比较深的决策树,产生过拟合,因此LightGBM在leaf-wise上增加了一个最大深度显示,在保证高效率的同时防止过拟合。
所述转化率预测模型为结合DNN和FM优势同时学习低阶和高阶组合特征的DeepFM模型。
DeepFM可以看做是从FM基础上衍生的算法,将Deep与FM相结合,用FM做特征间低阶组合,用DeepNN部分做特征间高阶组合,通过并行的方式组合两种方法,使得最终的架构具有以下特点:不需要预训练FM得到隐向量;不需要人工特征工程;能同时学习低阶和高阶的组合特征;FM模块和Deep模块共享Feature Embedding部分,可以更快的训练,以及更精确的训练学习。
DeepFM模型的网络结构首先要将DeepFM模型分为Deep神经网络部分和FM因子分解机部分,所述Deep神经网络部分可以采用全连接的前馈神经网络DNN,所述DNN和所述FM将输入的用户特征和属性特征分为多个特征组,每个特征组对应一个嵌入(embedding)向量,其中,Deep神经网络部分的特征拼接层(concat)对所有embedding向量进行拼接,再增加两层的全连接层(Fc(relu)),实现高阶特征的组合;FM因子分解机对输入的用户特征和属性特征等原始特征输入进行加权求和(addition),并通过对于每一维的embedding向量内积来提取特征组合,实现低阶特征的组合;最后将Deep神经网络和FM因子分解机两部分的输出进行结合得到预测结果(sigmoid)。
该优选实施例将创新性地将上述两种优秀的预测模型进行组合,组合后的组合模型较单模型具有较好的泛化能力,采用了集成学习的思想,充分利用多种类模型的优势,避免了单模型的预测偏差较大和过拟合现象的出现。
在一个优选的实施例中,参见图5可知,经训练好的点击率预测模型是经过如下的方式训练获得的:
获取第一预设时间段内如最近30天到60天的历史用户日志数据,基于该时间段内的历史用户日志数据确定具有对应关系的用户属性特征、上述用户感兴趣的商品属性特征、以及上述用户对上述商品进行的操作数据集用户行为数据,并对上述用户是否点击进入商品详情进行打标,形成是否点击的标签,将它们组合后生成第一训练集,利用所述第一训练集训练预构建的点击率预测模型如LightGBM模型,从而得到所述经训练好的点击率预测模型。
在一个优选的实施例中,结合图5和图6可知,所述经训练好的转化率预测模型是经过如下的方式训练获得的:
根据图5,基于所述第二预设时间段内如最近30天的用户日志数据生成第三数据集,该第三数据集内也可以包括如用户属性特征、商品属性特征以及行为数据等数据项目,然后将所述第三数据集输入到所述经训练好的点击率预测模型,获得预测的第二点击率。
然后结合图6,基于所述第二预设时间段内的用户日志数据如用户属性特征、商品属性特征以及行为数据等数据项目,拼接组合是否转化的标签以及所述第二点击率,生成第二训练集,利用所述第二训练集训练预构建的转化率预测模型,从而得到经训练好的转化率预测模型。
当然,上述第以预设时间段和第二预设时间段的长度和间隔不限于此,只要满足条件能够实现训练目的的时间段均在保护范围内,但是需要满足所述第二预设时间段比所述第一预设时间段更靠近向目标用户推荐时的时间点的条件。
在一个实施例中,S130中所述根据所述预测的第一点击率和所述预测的转化率向所述目标用户推荐商品包括:
计算所述预测的第一点击率和所述预测的转化率的乘积,根据所述乘积的大小对所述商品排序,向所述目标用户推荐一个或多个所述商品;或者,
计算所述预测的第一点击率和所述预测的转化率的平均值,根据所述平均值的大小对所述商品排序,向所述目标用户推荐一个或多个所述商品。
当然,也可以根据实际情况,采用加权或者采用某一独立分值的方式向目标用户进行推荐。
在一些具体的实施例中,所述基于所述目标用户日志数据生成第一数据集包括:
基于所述目标用户日志数据确定出具有对应关系的目标用户属性特征、召回商品属性特征和针对召回商品的行为数据,并根据用户是否点击确定是否点击的标签,组合形成所述第一数据集;
其中,所述目标用户属性特征包括如下中的至少一项:用户归属地、年龄、性别、注册时间、资产规模、总浏览时长、总浏览次数、购买次数或总消费金额;所述召回商品是指目标用户浏览、点击、收藏、加入购物车或者购买过的商品,所述召回商品属性特征包括如下的至少一项:品牌、型号、类型、产地或所在地;所述针对召回商品的行为特征包括如下中的至少一项:浏览、点击、收藏、加入购物车、转发、咨询或购买。
进一步地,根据训练的要求,可以确定下述的情况:所述目标用户为触发召回商品购买推荐请求的用户;所述召回商品为处于能够被所述目标用户购买状态的商品,以控制所述召回商品的数量;所述针对召回商品的行为数据为历史用户比如近30-60天内对所述召回商品的行为数据。在上述的情形下,更容易获得实现准确性较高的点击率预测目的的模型。
图2示出了根据本发明一个实施例的一种商品推荐装置200的结构示意图,所述装置200包括:
点击率确定单元210,适于获取目标用户日志数据,基于所述目标用户日志数据生成第一数据集。目标用户日志数据可以从分布式的网站平台或应用平台上经埋点获取,从该日志数据中可以得到用户属性(记作user_id)如所属地、年龄、性别、资产规模、浏览情况等的特征数据,还包括用户感兴趣的待推荐召回的商品属性特征(记作item_id)如商品类别、品牌、型号、所属地等,以及用户对上述召回商品的行为数据(记作features),该行为数据优选为过去一定时间段内历史用户对该召回商品的行为数据如浏览次数、浏览时长、收藏、加入购物车、转发、咨询或购买次数等,当然还可以包括对商品是否点击进入的标签等数据,将上述数据组合形成第一数据集。
然后,将所述第一数据集输入到所述经训练好的点击率预测模型,得到预测的第一点击率。
转化率确定单元220,适于基于所述目标用户日志数据和所述第一点击率生成第二数据集,将所述第二数据集输入到经训练好的转化率预测模型,获得预测的转化率。
上述第二数据集中包括目标用户属性特征、召回商品属性特征、行为数据等。
值得说明的是,上述第二数据集中包括了目标用户对应的第一点击率,体现了多目标学习的思想,实现了上述两种模型的融合,使得转化率预测模型也能够对点击率高低进行反应。
商品推荐单元230,适于根据所述预测的第一点击率和所述预测的转化率向所述目标用户推荐商品。
在该单元中,根据第一点击率和转化率的综合高低对召回商品进行排序,根据排序情况向用户进行商品推荐。
根据上述技术方案,利用多目标学习的思想,同时考虑了点击率、转化率,显著提高了推荐质量;实现了多模型融合,将点击率的预测值当作特征输入给转化率模型中,不仅构建了新的特征,还有效利用了点击率模型学习的成果,传输给转化率模型,提高模型的泛化能力。
在一个优选实施例中,所述点击率预测模型为基于Histogram决策树算法能够实现分布式梯度提升的LightGBM模型。
所述转化率预测模型为结合DNN和FM优势同时学习低阶和高阶组合特征的DeepFM模型。
在一个优选的实施例中,参见图5可知,在点击率确定单元210中,经训练好的点击率预测模型是经过如下的方式训练获得的:
获取第一预设时间段内如最近30天到60天的历史用户日志数据,基于该时间段内的历史用户日志数据确定具有对应关系的用户属性特征、上述用户感兴趣的商品属性特征、以及上述用户对上述商品进行的操作数据集用户行为数据,并对上述用户是否点击进入商品详情进行打标,形成是否点击的标签,将它们组合后生成第一训练集,利用所述第一训练集训练预构建的点击率预测模型如LightGBM模型,从而得到所述经训练好的点击率预测模型。
在一个优选的实施例中,结合图5和图6可知,在转化率确定单元220中,所述经训练好的转化率预测模型是经过如下的方式训练获得的:
根据图5,基于所述第二预设时间段内如最近30天的用户日志数据生成第三数据集,该第三数据集内也可以包括如用户属性特征、商品属性特征以及行为数据等数据项目,然后将所述第三数据集输入到所述经训练好的点击率预测模型,获得预测的第二点击率。
然后结合图6,基于所述第二预设时间段内的用户日志数据如用户属性特征、商品属性特征以及行为数据等数据项目,拼接组合是否转化的标签以及所述第二点击率,生成第二训练集,利用所述第二训练集训练预构建的转化率预测模型,从而得到经训练好的转化率预测模型。
在一个实施例中,商品推荐单元230,具体适于:
计算所述预测的第一点击率和所述预测的转化率的乘积,根据所述乘积的大小对所述商品排序,向所述目标用户推荐一个或多个所述商品;或者,
计算所述预测的第一点击率和所述预测的转化率的平均值,根据所述平均值的大小对所述商品排序,向所述目标用户推荐一个或多个所述商品。
当然,也可以根据实际情况,采用加权或者采用某一独立分值的方式向目标用户进行推荐。
在一些具体的实施例中,所述点击率确定单元210具体适于:
基于所述目标用户日志数据确定出具有对应关系的目标用户属性特征、召回商品属性特征和针对召回商品的行为数据,并根据用户是否点击确定是否点击的标签,组合形成所述第一数据集;
其中,所述目标用户属性特征包括如下中的至少一项:用户归属地、年龄、性别、注册时间、资产规模、总浏览时长、总浏览次数、购买次数或总消费金额;所述召回商品是指目标用户浏览、点击、收藏、加入购物车或者购买过的商品,所述召回商品属性特征包括如下的至少一项:品牌、型号、类型、产地或所在地;所述针对召回商品的行为特征包括如下中的至少一项:浏览、点击、收藏、加入购物车、转发、咨询或购买。
进一步地,根据训练的要求,可以确定下述的情况:所述目标用户为触发召回商品购买推荐请求的用户;所述召回商品为处于能够被所述目标用户购买状态的商品,以控制所述召回商品的数量;所述针对召回商品的行为数据为历史用户比如近30-60天内对所述召回商品的行为数据。在上述的情形下,更容易获得实现准确性较高的点击率预测目的的模型。
需要说明的是,上述各装置实施例的具体实施方式可以参照前述对应方法实施例的具体实施方式进行,在此不再赘述。
综上所述,本发明的技术方案,首先获取目标用户日志数据,基于所述目标用户日志数据生成第一数据集,将所述第一数据集输入到所述经训练好的点击率预测模型,得到预测的第一点击率;然后基于所述目标用户日志数据和所述第一点击率生成第二数据集,将所述第二数据集输入到经训练好的转化率预测模型,获得预测的转化率;最后,根据所述预测的第一点击率和所述预测的转化率向所述目标用户推荐商品。上述技术方案,依据多目标的学习的思想,同时考虑了点击率、转化率双指标,明显提高了推荐的转化率;并且依据多模型融合的方法,将点击率的预测值当作特征输入给转化率的模型中,一方面构建了新的有效特征,另一方面可以有效利用点击率模型学习的成果经验,传输给转化率模型中,提高模型的泛化能力。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的商品推荐装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
例如,图3示出了根据本发明一个实施例的电子设备的结构示意图。该电子设备300包括处理器310和被安排成存储计算机可执行指令(计算机可读程序代码)的存储器320。存储器320可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器320具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码331的存储空间330。例如,用于存储计算机可读程序代码的存储空间330可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码331。计算机可读程序代码331可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图4所述的计算机可读存储介质。图4示出了根据本发明一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质400存储有用于执行根据本发明的方法步骤的计算机可读程序代码331,可以被电子设备300的处理器310读取,当计算机可读程序代码331由电子设备300运行时,导致该电子设备300执行上面所描述的方法中的各个步骤,具体来说,该计算机可读存储介质存储的计算机可读程序代码331可以执行上述任一实施例中示出的方法。计算机可读程序代码331可以以适当形式进行压缩。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (8)
1.一种商品推荐方法,其特征在于,所述方法包括:
获取目标用户日志数据,基于所述目标用户日志数据生成第一数据集,将所述第一数据集输入到经训练好的点击率预测模型,得到预测的第一点击率;
基于所述目标用户日志数据和所述第一点击率生成第二数据集,将所述第二数据集输入到经训练好的转化率预测模型,获得预测的转化率;
根据所述预测的第一点击率和所述预测的转化率向所述目标用户推荐商品;
所述经训练好的点击率预测模型是经过如下的方式训练获得的:
获取第一预设时间段内用户日志数据,基于所述用户日志数据确定具有对应关系的用户属性特征、商品属性特征、用户行为数据和是否点击的标签,并生成第一训练集,利用所述第一训练集训练预构建的点击率预测模型,从而得到所述经训练好的点击率预测模型;
所述经训练好的转化率预测模型是经过如下的方式训练获得的:
基于第二预设时间段内的用户日志数据生成第三数据集,将所述第三数据集输入到所述经训练好的点击率预测模型,获得预测的第二点击率;
基于所述第二预设时间段内的用户日志数据、是否转化的标签和所述第二点击率,生成第二训练集,利用所述第二训练集训练预构建的转化率预测模型,从而得到经训练好的转化率预测模型;
其中所述第二预设时间段比所述第一预设时间段更靠近推荐时的时间点。
2.根据权利要求1所述的方法,其特征在于,所述点击率预测模型为基于Histogram决策树算法能够实现分布式梯度提升的LightGBM模型,所述转化率预测模型为结合DNN和FM优势同时学习低阶和高阶组合特征的DeepFM模型。
3.根据权利要求1-2任一项所述的方法,其特征在于,所述根据所述预测的第一点击率和所述预测的转化率向所述目标用户推荐商品包括:
计算所述预测的第一点击率和所述预测的转化率的乘积,根据所述乘积的大小对所述商品排序,向所述目标用户推荐一个或多个所述商品;或者,
计算所述预测的第一点击率和所述预测的转化率的平均值,根据所述平均值的大小对所述商品排序,向所述目标用户推荐一个或多个所述商品。
4.根据权利要求1-2任一项所述的方法,其特征在于,所述基于所述目标用户日志数据生成第一数据集包括:
基于所述目标用户日志数据确定出具有对应关系的目标用户属性特征、召回商品属性特征和针对召回商品的行为数据,并根据用户是否点击确定是否点击的标签,组合形成所述第一数据集;
其中,所述目标用户属性特征包括如下中的至少一项:用户归属地、年龄、性别、注册时间、资产规模、总浏览时长、总浏览次数、购买次数或总消费金额;
所述召回商品是指目标用户浏览、点击、收藏、加入购物车或者购买过的商品,所述召回商品属性特征包括如下的至少一项:品牌、型号、类型、产地或所在地;
所述针对召回商品的行为特征包括如下中的至少一项:浏览、点击、收藏、加入购物车、转发、咨询或购买。
5.根据权利要求4所述的方法,其特征在于,所述目标用户为触发召回商品购买推荐请求的用户;所述召回商品为处于能够被所述目标用户购买状态的商品,以控制所述召回商品的数量;所述针对召回商品的行为数据为历史用户对所述召回商品的行为数据。
6.一种商品推荐装置,其特征在于,所述装置包括:
点击率确定单元,获取目标用户日志数据,基于所述目标用户日志数据生成第一数据集,将所述第一数据集输入到经训练好的点击率预测模型,得到预测的第一点击率;
转化率确定单元,基于所述目标用户日志数据和所述第一点击率生成第二数据集,将所述第二数据集输入到经训练好的转化率预测模型,获得预测的转化率;
商品推荐单元,根据所述预测的第一点击率和所述预测的转化率向所述目标用户推荐商品;
在所述点击率确定单元中,所述经训练好的点击率预测模型是经过如下的方式训练获得的:
获取第一预设时间段内用户日志数据,基于所述用户日志数据确定具有对应关系的用户属性特征、商品属性特征、用户行为数据和是否点击的标签,并生成第一训练集,利用所述第一训练集训练预构建的点击率预测模型,从而得到所述经训练好的点击率预测模型;
在所述转化率确定单元中,所述经训练好的转化率预测模型是经过如下的方式训练获得的:
基于第二预设时间段内的用户日志数据生成第三数据集,将所述第三数据集输入到所述经训练好的点击率预测模型,获得预测的第二点击率;
基于所述第二预设时间段内的用户日志数据、是否转化的标签和所述第二点击率,生成第二训练集,利用所述第二训练集训练预构建的转化率预测模型,从而得到经训练好的转化率预测模型;
其中所述第二预设时间段比所述第一预设时间段更靠近推荐时的时间点。
7.一种电子设备,其中,该电子设备包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如权利要求1-5中任一项所述的方法。
8.一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一个或多个程序,所述一个或多个程序当被处理器执行时,实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011446682.0A CN112508613B (zh) | 2020-12-09 | 2020-12-09 | 一种商品推荐方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011446682.0A CN112508613B (zh) | 2020-12-09 | 2020-12-09 | 一种商品推荐方法、装置、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508613A CN112508613A (zh) | 2021-03-16 |
CN112508613B true CN112508613B (zh) | 2024-03-19 |
Family
ID=74971189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011446682.0A Active CN112508613B (zh) | 2020-12-09 | 2020-12-09 | 一种商品推荐方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508613B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065066B (zh) * | 2021-03-31 | 2024-05-07 | 北京达佳互联信息技术有限公司 | 预测方法、装置、服务器及存储介质 |
CN113379449B (zh) * | 2021-05-31 | 2022-10-04 | 北京达佳互联信息技术有限公司 | 多媒体资源召回方法、装置、电子设备以及存储介质 |
CN113689234B (zh) * | 2021-08-04 | 2024-03-15 | 华东师范大学 | 一种基于深度学***台相关的广告点击率预测方法 |
CN113610580B (zh) * | 2021-08-10 | 2023-09-19 | 平安科技(深圳)有限公司 | 产品推荐方法、装置、电子设备及可读存储介质 |
CN113516522B (zh) * | 2021-09-14 | 2022-03-04 | 腾讯科技(深圳)有限公司 | 媒体资源推荐方法、多目标融合模型的训练方法及装置 |
CN114139724A (zh) * | 2021-11-30 | 2022-03-04 | 支付宝(杭州)信息技术有限公司 | 增益模型的训练方法及装置 |
CN114430504B (zh) * | 2022-01-28 | 2023-03-10 | 腾讯科技(深圳)有限公司 | 一种媒体内容的推荐方法以及相关装置 |
CN114677200B (zh) * | 2022-04-01 | 2024-06-21 | 重庆邮电大学 | 基于多方高维数据纵向联邦学习的商业信息推荐方法及装置 |
CN115860870A (zh) * | 2022-12-16 | 2023-03-28 | 深圳市云积分科技有限公司 | 一种商品推荐方法、***、装置及可读介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705183A (zh) * | 2017-09-30 | 2018-02-16 | 深圳乐信软件技术有限公司 | 一种商品的推荐方法、装置、存储介质及服务器 |
CN109684554A (zh) * | 2018-12-26 | 2019-04-26 | 腾讯科技(深圳)有限公司 | 新闻的***的确定方法及新闻推送方法 |
CN109992710A (zh) * | 2019-02-13 | 2019-07-09 | 网易传媒科技(北京)有限公司 | 点击率预估方法、***、介质和计算设备 |
CN110008399A (zh) * | 2019-01-30 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
CN110046952A (zh) * | 2019-01-30 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
WO2019169977A1 (zh) * | 2018-03-07 | 2019-09-12 | 阿里巴巴集团控股有限公司 | 一种信息转化率的预测、信息推荐方法和装置 |
CN110298725A (zh) * | 2019-05-24 | 2019-10-01 | 北京三快在线科技有限公司 | 商品组合的推荐方法、装置、电子设备及可读存储介质 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
CN110490637A (zh) * | 2019-07-15 | 2019-11-22 | 北京三快在线科技有限公司 | 商品组的推荐方法、装置、电子设备及可读存储介质 |
CN110851713A (zh) * | 2019-11-06 | 2020-02-28 | 腾讯科技(北京)有限公司 | 信息处理方法、推荐方法及相关设备 |
CN110910201A (zh) * | 2019-10-18 | 2020-03-24 | 中国平安人寿保险股份有限公司 | 信息推荐的控制方法、装置、计算机设备及存储介质 |
CN111027895A (zh) * | 2019-05-16 | 2020-04-17 | 珠海随变科技有限公司 | 商品的备料预测、行为数据收集方法、装置、设备和介质 |
CN111080413A (zh) * | 2019-12-20 | 2020-04-28 | 深圳市华宇讯科技有限公司 | 电商平台商品的推荐方法、装置、服务器和存储介质 |
CN111523044A (zh) * | 2020-07-06 | 2020-08-11 | 南京梦饷网络科技有限公司 | 用于推荐目标对象的方法、计算设备和计算机存储介质 |
-
2020
- 2020-12-09 CN CN202011446682.0A patent/CN112508613B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705183A (zh) * | 2017-09-30 | 2018-02-16 | 深圳乐信软件技术有限公司 | 一种商品的推荐方法、装置、存储介质及服务器 |
WO2019169977A1 (zh) * | 2018-03-07 | 2019-09-12 | 阿里巴巴集团控股有限公司 | 一种信息转化率的预测、信息推荐方法和装置 |
CN109684554A (zh) * | 2018-12-26 | 2019-04-26 | 腾讯科技(深圳)有限公司 | 新闻的***的确定方法及新闻推送方法 |
CN110008399A (zh) * | 2019-01-30 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
CN110046952A (zh) * | 2019-01-30 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 一种推荐模型的训练方法及装置、一种推荐方法及装置 |
CN109992710A (zh) * | 2019-02-13 | 2019-07-09 | 网易传媒科技(北京)有限公司 | 点击率预估方法、***、介质和计算设备 |
CN111027895A (zh) * | 2019-05-16 | 2020-04-17 | 珠海随变科技有限公司 | 商品的备料预测、行为数据收集方法、装置、设备和介质 |
CN110298725A (zh) * | 2019-05-24 | 2019-10-01 | 北京三快在线科技有限公司 | 商品组合的推荐方法、装置、电子设备及可读存储介质 |
CN110413877A (zh) * | 2019-07-02 | 2019-11-05 | 阿里巴巴集团控股有限公司 | 一种资源推荐方法、装置及电子设备 |
CN110490637A (zh) * | 2019-07-15 | 2019-11-22 | 北京三快在线科技有限公司 | 商品组的推荐方法、装置、电子设备及可读存储介质 |
CN110910201A (zh) * | 2019-10-18 | 2020-03-24 | 中国平安人寿保险股份有限公司 | 信息推荐的控制方法、装置、计算机设备及存储介质 |
CN110851713A (zh) * | 2019-11-06 | 2020-02-28 | 腾讯科技(北京)有限公司 | 信息处理方法、推荐方法及相关设备 |
CN111080413A (zh) * | 2019-12-20 | 2020-04-28 | 深圳市华宇讯科技有限公司 | 电商平台商品的推荐方法、装置、服务器和存储介质 |
CN111523044A (zh) * | 2020-07-06 | 2020-08-11 | 南京梦饷网络科技有限公司 | 用于推荐目标对象的方法、计算设备和计算机存储介质 |
Non-Patent Citations (4)
Title |
---|
于俊伟译.《数据科学导论 PYTHON语言 原书第3版》.机械工业出版社,2020,第152页. * |
基于LightGBM的广告商品平台推荐***设计与应用;杨正成等;《科技创新与应用》;第12卷(第30期);全文 * |
基于序列特征的点击率预测模型;朱思涵;浦剑;;华东师范大学学报(自然科学版)(第04期);全文 * |
基于机器学习混合算法的APP广告转化率预测研究;赵杨;袁析妮;陈亚文;武立强;;数据分析与知识发现(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112508613A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508613B (zh) | 一种商品推荐方法、装置、电子设备和可读存储介质 | |
CN110956497B (zh) | 一种电子商务平台用户重复购买行为预测方法 | |
CN106651546B (zh) | 一种面向智慧社区的电子商务信息推荐方法 | |
CN112182412B (zh) | 用于推荐体检项目的方法、计算设备和计算机存储介质 | |
Lin | Analysis of service satisfaction in web auction logistics service using a combination of fruit fly optimization algorithm and general regression neural network | |
Li et al. | Customs classification for cross-border e-commerce based on text-image adaptive convolutional neural network | |
CN107016026B (zh) | 一种用户标签确定、信息推送方法和设备 | |
CN104268292B (zh) | 画像***的标签词库更新方法 | |
CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
CN108921602B (zh) | 一种基于集成神经网络的用户购买行为预测方法 | |
CN111461841A (zh) | 物品推荐方法、装置、服务器及存储介质 | |
CN110647696A (zh) | 一种业务对象的排序方法及装置 | |
CN112380449B (zh) | 信息推荐方法、模型训练方法及相关装置 | |
CN111429161B (zh) | 特征提取方法、特征提取装置、存储介质及电子设备 | |
CN113268656A (zh) | 一种用户推荐方法、装置、电子设备及计算机存储介质 | |
JP2020047156A (ja) | 商品推薦装置及びプログラム | |
CN112150227A (zh) | 商品推荐方法、***、设备及介质 | |
Kim et al. | Deep user segment interest network modeling for click-through rate prediction of online advertising | |
Baswaraju et al. | Future food production prediction using AROA based hybrid deep learning model in agri-sector | |
CN113761347A (zh) | 一种商品推荐方法、装置、存储介质及*** | |
CN111861679A (zh) | 一种基于人工智能的商品推荐方法 | |
CN111680213A (zh) | 信息推荐方法、数据处理方法及装置 | |
CN111899063A (zh) | 一种考虑顾客消费行为和偏好的生鲜农产品在线推荐方法 | |
Parlar et al. | IWD based feature selection algorithm for sentiment analysis | |
CN114841760B (zh) | 一种基于受众行为特征分析的广告推荐管理方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |