[发明专利]智能推荐方法及装置、电子设备、计算机可读存储介质

说明书

本发明涉及预测模型技术领域，揭示了一种智能推荐方法及装置、电子设备、计算机可读存储介质。所述方法包括：基于多个目标维度调用每一目标维度对应的功能模块；在功能模块获取目标维度下的特征；将特征输入至GBDT模型，获得每一特征对应的特征重要度；根据特征重要度选取目标特征，获得包含目标特征的特征信息；根据该特征信息对待训练模型的参数进行训练，获得目标模型；将目标产品特征信息输入至目标模型，并获取目标模型输出的产品推荐信息，从而可以获得符合多个维度的产品推荐信息，满足组合推荐和综合推荐的需求，能够节约人力和计算资源，提高产品推荐的智能化程度。

技术领域

本发明涉及预测模型技术领域，特别涉及一种智能推荐方法及装置、电子设备、计算机可读存储介质。

背景技术

目前，推荐算法与深度学习的应用越来越广泛，将推荐算法与深度学习相结合来构建模型，并利用训练后的模型来推荐产品成为了产品推荐的一种惯用方法。通常的，现在使用这种方式进行产品推荐主要是针对某一类产品进行建模，利用模型获取得到这一类产品所适合推荐的用户群体等产品推荐信息并输出作为产品推荐的依据。在实践中发现，进行产品推荐时往往不局限于推荐单类产品，经常有需要组合推荐产品的情况，而现有的针对单类产品建模进行产品推荐的方式不能满足组合推荐产品的需求。此外，现在对于产品推荐的需求也不局限于针对产品类型的推荐，而是结合场景、代理人、用户等多方面进行综合推荐，而现有的产品建模推荐方式无法满足综合推荐的需求。综上，现有的产品推荐方式存在着智能化程度低的问题。

发明内容

为了解决相关技术中存在的产品推荐方式智能化程度低的问题，本发明提供了一种智能推荐方法及装置、电子设备、计算机可读存储介质。

本发明实施例第一方面公开了一种智能推荐方法，所述方法包括：

基于多个目标维度调用每一所述目标维度对应的功能模块；

在所述功能模块获取所述目标维度下的特征；

将所述特征输入至GBDT模型，获得每一所述特征对应的特征重要度；

根据所述特征重要度选取目标特征，获得包含所述目标特征的特征信息；

根据所述特征信息对待训练模型的参数进行训练，获得目标模型；

将目标产品特征信息输入至所述目标模型，并获取所述目标模型输出的产品推荐信息。

作为一种可选的实施方式，在本发明实施例第一方面中，所述将所述特征输入至GBDT模型，获得每一所述特征对应的特征重要度，包括：

将所述特征输入GBDT模型，获取与每一所述特征相匹配的最佳分裂点；

以所述最佳分裂点为依据，计算在所述最佳分裂点下平方损失的减小值；

根据所述最佳分裂点下平方损失的减小值计算每一所述特征对应的特征重要度。

作为一种可选的实施方式，在本发明实施例第一方面中，所述根据所述最佳分裂点下平方损失的减小值计算每一所述特征对应的特征重要度，包括：

计算每一所述特征在所述GBDT模型中单颗树中的平均重要度；

根据所述最佳分裂点下平方损失的减小值以及所述平均重要度计算出每一所述特征对应的特征重要度。

作为一种可选的实施方式，在本发明实施例第一方面中，所述根据所述特征信息对待训练模型的参数进行训练，获得目标模型，包括：

将所述特征信息输入待训练LR模型；

调整所述待训练LR模型的参数，直至所述待训练LR模型输出与所述特征信息相匹配的产品推荐信息；

根据所述待训练LR模型输出所述产品推荐信息时的参数信息，获得目标参数；