产品推荐方法及装置与流程

本说明书的一个或多个实施例涉及大数据推荐领域，特别的涉及一种产品推荐方法及装置。

背景技术：

1、随着大数据技术的发展以及在各个领域的广泛运用，在各个领域都存在为用户进行产品推荐的智能推荐方案，为了增加用户数量和提高用户的使用频率，需要通过更加精确、智能的推荐方法来实现。为了达到这个目标，产品推荐方案可以ctr（点击率，click-through rate）和cvr（转化率，conversion rate）预估的方式完成深度学习，进行用户和产品的匹配。

2、但是，传统的推荐系统大都是通过用户的基本信息，产品的信息，以及物品交互信息进行建模，可能存在的问题在于对于用户的推荐通常限制于1和2，不能够完全表达用户的意愿，在采集用户大数据建模时，由于处理数据过多，可能造成用户信息损失或处理过程冗长。

技术实现思路

1、针对现有技术中存在的问题，本发明实施例提供一种产品推荐方法及装置。

2、第一方面，本说明书实施例提供了一种产品推荐方法，包括：

3、获取产品的基本信息，结合语义模型，将所述基本信息映射为对应的语义矩阵和基本向量；

4、将所述语义矩阵输入残差vae网络进行训练，获取训练过程中产生的重构损失函数，以及基本向量与向量集合的向量损失函数，以所述重构损失函和向量损失函数作为收敛函数进行训练，输出收敛时对应的向量集合；

5、获取目标用户的历史数据，基于所述历史数据确定对应的用户表征，将所述用户表征与所述向量集合进行模拟训练，得到目标用户的推荐产品方案。

6、第二方面，本说明书实施例提供了一种产品推荐装置，包括：

7、语义模块，配置为获取产品的基本信息，结合语义模型，将所述基本信息映射为对应的语义矩阵和基本向量；

8、训练模块，配置为将所述语义矩阵输入残差vae网络进行训练，获取训练过程中产生的重构损失函数，以及基本向量与向量集合的向量损失函数，以所述重构损失函和向量损失函数作为收敛函数进行训练，输出收敛时对应的向量集合；

9、方案推荐模块，配置为获取目标用户的历史数据，基于所述历史数据确定对应的用户表征，将所述用户表征与所述向量集合进行模拟训练，得到目标用户的推荐产品方案。

10、第三方面，本说明书实施例提供了一种电子设备，包括处理器以及存储器；

11、所述处理器与所述存储器相连；

12、所述存储器，用于存储可执行程序代码；

13、所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行一个或多个实施例所述的方法。

14、第四方面，本说明书实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一个或多个实施例所述的方法。

15、鉴于上述，在本说明书一个或多个实施例中，获取产品的基本信息，结合语义模型，将基本信息映射为对应的语义矩阵和基本向量，将语义矩阵输入残差vae网络进行训练，获取训练过程中产生的重构损失函数，以及基本向量与向量集合的向量损失函数，以重构损失函和向量损失函数作为收敛函数进行训练，训练的目的在于对于向量集合进行参数更新，输出收敛时对应的向量集合，获取目标用户的历史数据，基于所述历史数据确定对应的用户表征，将所述用户表征与所述向量集合进行模拟训练，得到目标用户的推荐产品方案。从而能够根据用户表征的数据定制化地提供推荐产品，缩小用户推荐时的数据量。

技术特征：

1.一种产品推荐方法，其中，包括：

2.根据权利要求1所述的方法，其中，所述重构损失函数的计算式，包括：

3.根据权利要求1所述的方法，其中，所述方法还包括：

4.根据权利要求3所述的方法，其中，所述反向传播算法，包括：

5.根据权利要求3所述的方法，其中，所述方法还包括：

6.根据权利要求3所述的方法，其中，所述向量损失函数的计算式，包括：

7.根据权利要求1所述的方法，其中，所述方法还包括：

8.根据权利要求7所述的方法，其中，所述基于所述历史数据确定目标用户的用户画像，并通过所述用户画像计算用户对应的词表，包括：

9.一种产品推荐装置，其中，包括：

10.根据权利要求9所述的装置，其中，包括：

11.根据权利要求9所述的装置，其中，包括：

12.根据权利要求11所述的装置，其中，包括：

13.根据权利要求11所述的装置，其中，包括：

14.根据权利要求11所述的装置，其中，包括：

15.根据权利要求9所述的装置，其中，包括：

16.根据权利要求15所述的装置，其中，包括：

17.一种电子设备，包括处理器以及存储器；

18.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的方法。

技术总结本说明书实施例公开了一种产品推荐方法及装置，该产品推荐方法包括在通过对产品的语义矩阵进行网络训练的过程中，获取重构损失函和向量损失函数作为收敛函数进行训练，确定收敛时的向量集合，并通过向量集合结合目标用户的数据进行针对性的产品方案推荐。技术研发人员：林映如,邓佳佶,于飞受保护的技术使用者：支付宝（杭州）信息技术有限公司技术研发日：技术公布日：2024/8/20