[发明专利]基于catboost算法与深度学习结合的排序推荐方法及系统

说明书

本发明公开了一种基于catboost算法与深度学习结合的排序推荐方法及系统、服务器及介质，该方法包括：定位候选集药品数据，获取离散特征和连续特征；构造新的组合特征，将组合特征作为模型的输入层；将离散特征向量转化得到castboost_vector,将组合特征和连续特征转化得到64维DNN特征向量，将两者特征向量合并一起；构建模型进行训练，全连接层的输出结果对药品进行排序推荐。本发明采用catboost算法与深度学习结合的方式，不仅保留了传统的记忆功能，还增加了泛化的能力，利用用户的标签数据和药品的特征数据定位候选集药品数据对特征召回，其降低了客户的等待时间，也利于提高点击率。

技术领域

本发明涉及医疗大数据技术领域，尤其涉及一种基于catboost算法与深度学习结合的排序推荐方法及系统、服务器及介质。

背景技术

客户端系统通常都有专门的推荐页面，这里是吸引客户的第一线，连接着客户是否会产生消费，以及流量分流等重要作用，用户体验也直接受到推荐页面好快的影响。

目前药店推荐系统一般的做法是依据用户过去曾经浏览，点击，消费的历史记录来进行特征抽取，利用机器学习算法例如(逻辑回归，SVM，随机森林等)，以将讲点击的结果(1或者0)为label，进行建模预测。机器学习算法进行推荐效果往往不理想，其一，在于需要在海量的药品数据中寻找出用户感兴趣的几十种，其反馈时间一般不能超过0.1秒，否则用户会有不良体验，很难做到。其二，机器学习算法(lr,随机森林)自身非线性表现能力比较弱，无法对真实生活中的非线性场景进行区分，会经常对历史数据中出现过的数据过度记忆，往往倾向于用户曾经购买(点击)过的药品，泛化能力较差。

发明内容

有鉴于此，本发明实施例提供了一种基于catboost算法与深度学习结合的排序推荐方法及系统、服务器及介质，其采用catboost算法与深度学习结合的方式，不仅保留了传统的记忆功能，还增加了泛化的能力并降低了客户的等待时间。

本发明实施例的第一方面，提供了一种基于catboost算法与深度学习结合的排序推荐方法，包括如下步骤：

获取用户的标签数据和药品的特征数据定位候选集药品数据，获取候选集药品数据中的离散特征和连续特征；

将离散特征和连续特征中任意两个特征两两组合并构造新的组合特征，离散并对其one_hot编码，并将组合特征作为模型的输入层；

将离散特征向量利用catboost算法进行转化得到castboost_vector,将组合特征和连续特征利用三层DNN身价网络隐藏层转化(256-128-64)得到64维DNN特征向量，最后将两者特征向量合并一起；

采用Adam作为优化器、Cross Entropy作为损失函数，构建模型进行训练，并根据模型的全连接层的输出结果对药品进行排序推荐。

本发明实施例的第二方面，提供了一种基于catboost算法与深度学习结合的排序推荐系统，包括：

召回模块，其用于获取用户的标签数据和药品的特征数据定位候选集药品数据，获取候选集药品数据中的离散特征和连续特征；

输入模块，其用于将离散特征和连续特征中任意两个特征两两组合并构造新的组合特征，离散并对其one_hot编码，并将组合特征作为模型的输入层；

转化模块，其用于将离散特征向量利用catboost算法进行转化得到castboost_vector,将组合特征和连续特征利用三层DNN身价网络隐藏层转化(256-128-64)得到64维DNN特征向量，最后将两者特征向量合并一起；

构建输出模块，其用于采用Adam作为优化器、Cross Entropy作为损失函数，构建模型进行训练，并根据模型的全连接层的输出结果对药品进行排序推荐。