[发明专利]产品推荐方法、装置及计算机设备

权利要求书

1.一种产品推荐方法，其特征在于，所述方法包括：

获取应用平台上的用户属性信息和产品信息；

对所述用户属性信息和所述产品信息进行向量化处理，得到具有特定长度的用户属性特征向量和产品特征向量；

将所述用户属性特征向量和所述产品特征向量分别输入组合特征模型和神经网络模型进行处理，得到低维度特征对用户点击各产品的第一影响因子，以及高维度特征对所述用户点击各产品的第二影响因子；

基于所述应用平台上各产品的所述第一影响因子和所述第二影响因子，确定并存储相应用户对所述各产品的推荐评分，所述推荐评分用于确定针对所述用户的推荐产品。

2.根据权利要求1所述的方法，其特征在于，所述对所述用户属性信息和所述产品信息进行向量化处理，得到具有特定长度的用户属性特征向量和产品特征向量，包括：

对用户属性信息和所述产品信息进行预处理，检测预处理后所得信息的信息类型；

若包含连续型信息，采用分箱方式对所述连续型信息进行离散化处理，得到多个离散特征；

若包含离散型信息，采用独热编码方式对所述离散型信息进行编码处理，得到多个编码特征；

对所述多个离散特征和所述多个编码特征进行特征映射，得到具有特定长度的相应特征向量，所述特征向量包括由不同的用户属性特征组成的用户属性特征向量，以及与不同的产品特征组成的产品特征向量。

3.根据权利要求1所述的方法，其特征在于，所述组合特征模型的训练过程包括：

获取不同用户的样本历史信息，所述样本历史信息包括相应用户的样本用户属性信息、样本产品信息以及样本行为信息；

对所述样本用户属性信息和所述样本产品信息进行向量化处理，得到具有特定长度的样本用户属性特征向量和样本产品特征向量；

基于所述样本行为信息，由所述样本用户属性特征向量和所述样本产品特征向量，构建用户属性-产品行为矩阵，所述用户属性-产品行为矩阵包含多个组合特征，所述组合特征是由两个样本用户属性特征、两个样本产品特征，或者一个样本用户属性特征与一个样本产品特征组合得到；

基于所述样本行为信息，利用所述样本用户属性特征向量、所述样本产品特征向量及所述用户属性-产品行为矩阵，构建第一样本特征-产品点击率矩阵；

基于二项式定理，按照随机梯度下降方式，对组成所述第一样本特征-产品点击率矩阵进行模型参数训练，得到组合特征模型；

其中，所述组合特征模型用于预测不同组合特征对所述应用平台上的各产品被用户点击的影响因子。

4.根据权利要求3所述的方法，其特征在于，所述神经网络模型的训练过程包括：

基于所述样本行为信息，利用所述样本用户属性特征向量和样本产品特征向量，构建第二样本特征-产品点击率矩阵；

利用神经网络中的多层全链接层，对组成所述第二样本特征-产品点击率矩阵进行训练，得到神经网络模型；

其中，所述神经网络模型用于预测至少三个维度的特征组合，对所述应用平台上的各产品被用户点击的影响因子。

5.根据权利要求1～4任一项所述的方法，其特征在于，所述基于所述应用平台上各产品的所述第一影响因子和所述第二影响因子，确定相应用户对所述各产品的推荐评分，包括：

将所述应用平台上同一产品的所述第一影响因子和所述第二影响因子进行融合处理，得到相应产品的目标影响特征向量；

利用激活函数，对所述各产品的目标影响特征向量进行运算，得到不同用户对所述各产品的推荐评分。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

响应用户客户端对所述应用平台的访问请求，得到所述用户客户端的用户标识；

查询与所述用户标识对应的各产品的推荐评分；

选择推荐评分较大的预设数量个产品作为推荐产品；

将所述推荐产品推送至发起所述用户客户端进行展示。