产品推荐方法和装置、存储介质及电子设备与流程

本技术涉及数据处理、人工智能领域及其他相关，具体而言，涉及一种产品推荐方法和装置、存储介质及电子设备。

背景技术：

1、为了给用户提供更好的体验和服务，开发人员会根据用户的不同需求为用户提供产品的个性化推荐。传统的推荐方法通常利用问卷调查的方式收集用户反馈的偏好和兴趣信息，以向用户推荐可能感兴趣的产品。但该方法通常依赖于有限的样本数量，因此导致结果存在偏差。同时，问卷调查无法实时获取用户的行为数据，需要一定的时间来收集和处理数据，这也导致了产品的推荐存在一定的滞后性。

2、针对相关技术中通过问卷调查的方式收集用户的需求和产品使用偏好，向用户推荐可能感兴趣的产品，导致产品的推荐效率比较低的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本技术的主要目的在于提供一种产品推荐方法和装置、存储介质及电子设备，以解决相关技术中通过问卷调查的方式收集用户的需求和产品使用偏好，向用户推荐可能感兴趣的产品，导致产品的推荐效率比较低的问题。

2、为了实现上述目的，根据本技术的一个方面，提供了一种产品推荐方法。该方法包括：获取目标对象触发的推荐请求，并对所述推荐请求进行解析，得到请求信息，其中，所述请求信息至少包括：所述目标对象的身份信息、所述推荐请求的上下文信息和所述推荐请求的请求时间信息；依据所述请求信息，确定多个候选产品的属性信息；依据所述请求信息和所述多个候选产品的属性信息，确定每个候选产品对应的推荐概率；依据所述推荐概率，确定目标产品，并将所述目标产品对应的属性信息推送至所述目标对象。

3、进一步地，依据所述请求信息，确定多个候选产品的属性信息包括：获取产品数据库中每个产品的产品标签信息；对所述请求信息和每个产品的产品标签信息之间的匹配度进行计算，得到多个匹配度；依据所述多个匹配度，从多个产品中确定所述多个候选产品，并获取所述多个候选产品的属性信息。

4、进一步地，依据所述请求信息和所述多个候选产品的属性信息，确定每个候选产品对应的推荐概率包括：对所述请求信息和所述多个候选产品的属性信息进行拼接处理，得到目标信息；依据目标神经网络模型的特征提取模块对所述目标信息进行特征提取，得到目标特征数据；依据所述目标神经网络模型的预测模块对所述目标特征数据进行处理，得到每个候选产品对应的推荐概率。

5、进一步地，在依据目标神经网络模型的特征提取模块对所述目标信息进行特征提取，得到目标特征数据之前，所述方法还包括：获取训练数据集，其中，所述训练数据集至少包括：多个产品数据和每个产品数据对应的真实推荐概率；通过初始神经网络模型对所述多个产品数据进行处理，得到每个产品数据对应的预测推荐概率；依据所述预测推荐概率和所述真实推荐概率进行计算，得到目标损失值；依据所述目标损失值对所述初始神经网络模型进行训练，得到所述目标神经网络模型。

6、进一步地，获取训练数据集包括：获取产品数据库中的多个产品在历史时间段内的产品曝光日志和产品推荐日志；对所述产品曝光日志和所述产品推荐日志进行解析和计算，得到所述多个产品数据和每个产品数据对应的真实推荐概率；依据所述多个产品数据和每个产品数据对应的真实推荐概率，获取所述训练数据集。

7、进一步地，对所述产品曝光日志和所述产品推荐日志进行解析和计算，得到所述多个产品数据和每个产品数据对应的真实推荐概率包括：对所述产品曝光日志进行解析，得到所述多个产品数据，其中，所述多个产品数据至少包括：每个产品的发布时间和发布地点；对所述产品推荐日志进行解析，得到每个产品数据对应的推荐信息，其中，所述推荐信息至少包括：每个产品对应的用户名单、用户使用时间、用户评分和用户推广度；依据所述推荐信息进行计算，得到每个产品数据对应的真实推荐概率。

8、进一步地，依据所述推荐概率，确定目标产品，并将所述目标产品对应的属性信息推送至所述目标对象包括：将所述推荐概率进行降序排序，得到排序后的推荐概率列表；获取所述排序后的推荐概率列表中的目标推荐概率，其中，所述目标推荐概率在所述排序后的推荐概率列表中的次序小于所述排序后的推荐概率列表中的剩余推荐概率的次序；将所述目标推荐概率对应的候选产品确定为所述目标产品，并将所述目标产品对应的属性信息推送至所述目标对象。

9、为了实现上述目的，根据本技术的另一方面，提供了一种产品推荐装置。该装置包括：解析单元，用于获取目标对象触发的推荐请求，并对所述推荐请求进行解析，得到请求信息，其中，所述请求信息至少包括：所述目标对象的身份信息、所述推荐请求的上下文信息和所述推荐请求的请求时间信息；第一确定单元，用于依据所述请求信息，确定多个候选产品的属性信息；第二确定单元，用于依据所述请求信息和所述多个候选产品的属性信息，确定每个候选产品对应的推荐概率；第三确定单元，用于依据所述推荐概率，确定目标产品，并将所述目标产品对应的属性信息推送至所述目标对象。

10、进一步地，第一确定单元包括：第一获取模块，用于获取产品数据库中每个产品的产品标签信息；计算模块，用于对所述请求信息和每个产品的产品标签信息之间的匹配度进行计算，得到多个匹配度；第一确定模块，用于依据所述多个匹配度，从多个产品中确定所述多个候选产品，并获取所述多个候选产品的属性信息。

11、进一步地，第二确定单元包括：拼接模块，用于对所述请求信息和所述多个候选产品的属性信息进行拼接处理，得到目标信息；特征提取模块，用于依据目标神经网络模型的特征提取模块对所述目标信息进行特征提取，得到目标特征数据；第一处理模块，用于依据所述目标神经网络模型的预测模块对所述目标特征数据进行处理，得到每个候选产品对应的推荐概率。

12、进一步地，所述装置还包括：获取单元，用于在依据目标神经网络模型的特征提取模块对所述目标信息进行特征提取，得到目标特征数据之前，获取训练数据集，其中，所述训练数据集至少包括：多个产品数据和每个产品数据对应的真实推荐概率；处理单元，用于通过初始神经网络模型对所述多个产品数据进行处理，得到每个产品数据对应的预测推荐概率；计算单元，用于依据所述预测推荐概率和所述真实推荐概率进行计算，得到目标损失值；训练单元，用于依据所述目标损失值对所述初始神经网络模型进行训练，得到所述目标神经网络模型。

13、进一步地，获取单元包括：第二获取模块，用于获取产品数据库中的多个产品在历史时间段内的产品曝光日志和产品推荐日志；第二处理模块，用于对所述产品曝光日志和所述产品推荐日志进行解析和计算，得到所述多个产品数据和每个产品数据对应的真实推荐概率；第三获取模块，用于依据所述多个产品数据和每个产品数据对应的真实推荐概率，获取所述训练数据集。

14、进一步地，第二处理模块包括：第一解析子模块，用于对所述产品曝光日志进行解析，得到所述多个产品数据，其中，所述多个产品数据至少包括：每个产品的发布时间和发布地点；第二解析子模块，用于对所述产品推荐日志进行解析，得到每个产品数据对应的推荐信息，其中，所述推荐信息至少包括：每个产品对应的用户名单、用户使用时间、用户评分和用户推广度；计算子模块，用于依据所述推荐信息进行计算，得到每个产品数据对应的真实推荐概率。

15、进一步地，第三确定单元包括：排序模块，用于将所述推荐概率进行降序排序，得到排序后的推荐概率列表；第四获取模块，用于获取所述排序后的推荐概率列表中的目标推荐概率，其中，所述目标推荐概率在所述排序后的推荐概率列表中的次序小于所述排序后的推荐概率列表中的剩余推荐概率的次序；第二确定模块，用于将所述目标推荐概率对应的候选产品确定为所述目标产品，并将所述目标产品对应的属性信息推送至所述目标对象。

16、为了实现上述目的，根据本技术的一方面，提供了一种计算机可读存储介质，所述存储介质存储程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的产品推荐方法。

17、为了实现上述目的，根据本技术的另一个方面，还提供了一种电子设备，电子设备包括一个或多个处理器和存储器，存储器用于存储一个或多个处理器实现上述任意一项所述的产品推荐方法。

18、通过本技术，采用以下步骤：获取目标对象触发的推荐请求，并对推荐请求进行解析，得到请求信息，其中，请求信息至少包括：目标对象的身份信息、推荐请求的上下文信息和推荐请求的请求时间信息；依据请求信息，确定多个候选产品的属性信息；依据请求信息和多个候选产品的属性信息，确定每个候选产品对应的推荐概率；依据推荐概率，确定目标产品，并将目标产品对应的属性信息推送至目标对象，通过本技术，解决了相关技术中通过问卷调查的方式收集用户的需求和产品使用偏好，向用户推荐可能感兴趣的产品，导致产品的推荐效率比较低的问题。在本方案中，首先在接收到目标对象触发的推荐请求后，对推荐请求进行解析，以得到请求信息。然后根据请求信息分析目标对象的历史行为数据和偏好信息，以确定目标对象可能感兴趣的多个候选产品和每个候选产品对应的属性信息，并计算每个候选产品的推荐概率。最后将推荐概率最高的候选产品确定为向目标对象推荐的目标产品，并将目标产品的属性信息推送给目标对象。通过对目标对象实时产生的推荐请求进行解析，可以精准地根据推荐请求中的上下文信息确定候选产品，避免了传统方法中利用问卷调查的方式收集用户的行为数据而导致的推荐滞后性等问题。同时计算每个候选产品的推荐概率，依据推荐概率准确地向目标对象推荐目标产品，也避免了传统方法中由于依赖问卷调查结果向目标对象推荐产品，导致的推荐不准确等问题，进而达到了提高产品推荐效率的效果。