[发明专利]基于用户画像的产品推荐方法、装置、设备及存储介质

权利要求书

1.一种基于用户画像的产品推荐方法，其特征在于，所述方法包括：

获取训练用户的用户信息，根据所述用户信息确定多个不同维度的训练用户标签；

根据多个所述训练用户标签，构建所述训练用户的用户画像；

获取所述训练用户对应的产品信息，根据所述产品信息和所述用户画像构建训练样本，并对所述训练样本进行机器学习，得到用户推荐产品的预测模型；

获取待推荐用户的用户画像以及预设推荐产品集合，将所述待推荐用户的用户画像及所述推荐产品集合输入所述预测模型中，得到所述用户画像的推荐产品预测结果；

根据所述产品预测结果对所述用户画像对应的待推荐用户进行产品推荐。

2.如权利要求1所述的基于用户画像的产品推荐方法，其特征在于，所述根据多个所述训练用户标签，构建所述训练用户的用户画像，包括：

获取多个所述训练用户标签对应的标签字符，通过对所述标签字符进行分析，得到多个所述训练用户标签之间的关联关系；

根据所述关联关系，将多个所述训练用户标签按照树形结构进行连接，得到以所述树形结构表示的训练用户的用户画像。

3.如权利要求1所述的基于用户画像的产品推荐方法，其特征在于，所述对所述训练样本进行机器学习，得到用户推荐产品的预测模型，包括：

获取预构建的初始化预测模型，并依次将一个训练样本导入所述初始化预测模型中；

利用所述初始化预测模型中的初始激活函数，对所述训练样本进行正向传播计算，得到计算结果；

根据交叉熵算法计算所述计算结果与所述训练样本对应的值之间的损失值；

根据梯度下降方法，最小化所述损失值，得到损失值最小时的函数参数；

将所述函数参数进行反向传播，更新所述初始化预测模型的模型参数，得到更新预测模型；

记录所述损失值，并判断所述损失值是否收敛；

当所述损失值不收敛，则返回依次将一个训练样本导入所述初始化预测模型中的步骤；

当所述损失值收敛时，则将最后一次更新的更新预测模型进行输出，得到预测模型。

4.如权利要求1所述的基于用户画像的产品推荐方法，其特征在于，所述将所述待推荐用户的用户画像及所述推荐产品集合输入所述预测模型中，得到所述用户画像的推荐产品预测结果，包括：

利用预设推荐产品集合对所述预测模型进行配置，并利用配置后的预测模型中的特征提取网络对所述待推荐用户的用户画像进行特征提取，得到特征序列集合；

利用所述预测模型中的运算层对所述特征序列集合进行匹配计算，得到所述待推荐用户对所述推荐产品集合中各个推荐产品对应的倾向预测值。

5.如权利要求1所述的基于用户画像的产品推荐方法，其特征在于，所述根据所述用户信息确定多个不同维度的训练用户标签，包括：

提取所述用户信息的信息特征；

识别所述信息特征的信息类别，根据所述信息类别确定多个不同维度的训练用户标签。

6.如权利要求1所述的基于用户画像的产品推荐方法，其特征在于，所述根据所述产品预测结果对所述用户画像对应的待推荐用户进行产品推荐，包括：

选取所述产品预测结果大于预设阈值的产品作为所述待推荐用户的推荐产品；

将所述推荐产品整理成推荐列表，并按照预设时间根据所述推荐列表中的顺序进行推荐产品显示。

7.如权利要求1至6中任一项所述的基于用户画像的产品推荐方法，其特征在于，所述根据所述产品预测结果对所述用户画像对应的待推荐用户进行产品推荐之后，所述方法还包括：

获取所述待推荐用户对产品推荐的结果的反馈数据，并确定所述反馈数据的反馈类型；

根据所述反馈类型对所述待推荐用户的用户画像进行标记，得到更新用户画像。