[发明专利]物品筛选方法、装置、设备和存储介质

权利要求书

1.一种物品筛选方法，其特征在于，包括：

获取各待筛选物品分别对应的特征向量，其中，所述特征向量包括至少一个目标物品特征维度分别对应的子特征向量；

基于各所述特征向量和预设的线性回归模型，确定各所述待筛选物品的预测点击率，其中，所述线性回归模型通过预先对线性回归的正则化模型进行训练而获得；

依据各所述预测点击率，从各所述待筛选物品中筛选出目标物品。

2.根据权利要求1所述的方法，其特征在于，获取各待筛选物品分别对应的特征向量包括：

获取目标用户的目标用户画像数据；

依据所述目标用户画像数据中的历史行为数据，确定各所述待筛选物品及每个所述待筛选物品的特征向量。

3.根据权利要求2所述的方法，其特征在于，依据所述目标用户画像数据中的历史行为数据，确定每个所述待筛选物品的特征向量包括：

依据所述目标用户画像数据中的历史行为数据，确定每个所述待筛选物品的各目标物品特征维度的特征值；

基于预设非线性变换算法，对每个所述待筛选物品的各所述特征值进行数据标准化处理，生成每个所述待筛选物品的特征向量。

4.根据权利要求1所述的方法，其特征在于，依据各所述预测点击率，从各所述待筛选物品中筛选出目标物品包括：

对各所述待筛选物品进行分类，确定各所述待筛选物品所属的物品品类；

针对各物品品类，依据属于所述物品品类的待筛选物品的预测点击率，从属于所述物品品类的待筛选物品中筛选出目标物品。

5.根据权利要求1所述的方法，其特征在于，所述线性回归模型通过如下方式预先训练获得：

获取至少两个样本物品的特征向量及点击率，作为各训练样本；

将各所述训练样本输入所述线性回归的正则化模型进行模型训练，确定所述线性回归的正则化模型中各模型参数的取值，其中，所述线性回归的正则化模型的因变量和自变量分别为预测点击率和所述特征向量对应的各所述目标物品特征维度，各所述模型参数为相应目标物品特征维度的加权权重；

利用所述线性回归的正则化模型的拟合项和各所述模型参数的取值，构建所述线性回归模型。

6.根据权利要求5所述的方法，其特征在于，在所述确定所述线性回归的正则化模型中各模型参数的取值之后，且在所述利用所述线性回归的正则化模型的拟合项和各所述模型参数的取值，构建所述线性回归模型之前，还包括：

若各模型参数的取值中存在负数取值，则将所述负数取值调整为小于各所述取值中任一正数取值的正数值。

7.根据权利要求1所述的方法，其特征在于，所述目标物品特征维度为对物品被命中的贡献程度满足预设阈值的物品特征维度。

8.根据权利要求7所述的方法，其特征在于，所述目标物品特征维度为低价天数、促销次数、折扣力度、设定时间周期内的用户访问量、所述设定时间周期内的销售件数或所述设定时间周期内的销售总额。

9.一种物品筛选装置，其特征在于，包括：

特征向量获取模块，用于获取各待筛选物品分别对应的特征向量，其中，所述特征向量包括至少一个目标物品特征维度分别对应的子特征向量；

预测点击率确定模块，用于基于各所述特征向量和预设的线性回归模型，确定各所述待筛选物品的预测点击率，其中，所述线性回归模型通过预先对线性回归的正则化模型进行训练而获得；

目标物品筛选模块，用于依据各所述预测点击率，从各所述待筛选物品中筛选出目标物品。

10.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的物品筛选方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一所述的物品筛选方法。