本技术实施例涉及数据处理,尤其涉及一种产品推荐方法、装置、设备及存储介质。
背景技术:
1、随着互联网技术的发展,在广告推荐任务中,转化率预估技术是互联网应用广告推荐业务中的重要环节,转化率预估算法本质上属于推荐算法的一部分,而广告推荐的首要任务,便是预估转化率。
2、目前针对转化率预估的技术通常是通过将用户放在由项目组成的向量空间中,用交互过的项目表示该用户,然后计算与目标用户最相似的邻居用户,或是通过将项目放在由用户组成的向量空间中,用交互过的用户表示该项目,然后计算与目标项目最相似的邻居项目,但是该方法无法全局利用用户和商品属性的信息,难以进行多个时间周期的特征融合,以及能够融合的用户和商品的属性信息较少,导致在用户未涉及类型的相关商品推荐上,转化率预估的效果不佳,从而导致商品推荐的效果较为乏力。
技术实现思路
1、本技术实施例提供了一种产品推荐方法、装置、设备及存储介质,用于更好地提炼出静态特征以及动态特征,并能够通过信息融合以及特征融合等方式,有效融合动态特征和静态特征,来进一步提炼出有效特征,还能够将序列预测结果与先验预测结果高效结合,使得模型学习到的表达更为全面,来提升转化率预估效果和准确性,从而能够基于转化率预估值更好更高效地进行产品推荐。
2、本技术实施例一方面提供了一种产品推荐方法,包括:
3、对待处理数据进行静态特征编码,得到待处理数据对应的静态特征编码数据,并对待处理数据进行属性特征提取,得到待处理数据对应的静态属性特征数据,其中,静态特征编码数据用于描述具有静态编号的动态序列特征;
4、对静态特征编码数据进行位置特征编码,得到位置特征编码数据;
5、将静态特征编码数据、静态属性特征数据以及位置特征编码数据进行信息融合,得到先验特征数据;
6、将先验特征数据与位置特征编码数据进行特征融合,得到序列特征融合数据;
7、将序列特征融合数据输入至序列推理模型,通过序列推理模型输出序列预测结果,并将先验特征数据输入至先验预测模型,通过先验预测模型输出先验预测结果;
8、将序列预测结果与先验预测结果进行特征融合,得到目标特征融合数据;
9、基于目标特征融合数据进行转化率预估,得到目标特征融合数据对应的转化率预估值,并基于转化率预估值进行产品推荐。
10、本技术另一方面提供了一种产品推荐方法装置,包括:
11、处理单元,用于对待处理数据进行静态特征编码,得到待处理数据对应的静态特征编码数据,并对待处理数据进行属性特征提取,得到待处理数据对应的静态属性特征数据,其中,静态特征编码数据用于描述具有静态编号的动态序列特征;
12、处理单元,还用于对静态特征编码数据进行位置特征编码,得到位置特征编码数据;
13、融合单元,用于将静态特征编码数据、静态属性特征数据以及位置特征编码数据进行信息融合,得到先验特征数据;
14、融合单元,还用于将先验特征数据与位置特征编码数据进行特征融合,得到序列特征融合数据;
15、处理单元,还用于将序列特征融合数据输入至序列推理模型,通过序列推理模型输出序列预测结果,并将先验特征数据输入至先验预测模型,通过先验预测模型输出先验预测结果;
16、融合单元,还用于将序列预测结果与先验预测结果进行特征融合,得到目标特征融合数据;
17、推荐单元,用于基于目标特征融合数据进行转化率预估,得到目标特征融合数据对应的转化率预估值,并基于转化率预估值进行产品推荐。
18、在一种可能的设计中,本技术实施例另一方面的一种实现方式中,
19、处理单元,还用于对待处理数据进行数据预处理,得到标准数据;
20、处理单元具体可以用于:对标准数据进行静态特征编码,得到标准数据对应的静态特征编码数据,并对标准数据进行属性特征提取,得到标准数据对应的静态属性特征数据。
21、在一种可能的设计中,本技术实施例另一方面的一种实现方式中,处理单元具体可以用于:
22、对n种产品处理数据进行数据预处理,得到n种产品标准数据,其中,n为大于等于1的整数;
23、处理单元具体可以用于:基于时间顺序,对n种产品标准数据进行静态特征编码,得到n种产品标准数据对应的静态特征编码数据,并对n种产品标准数据进行属性特征提取,得到n种产品标准数据对应的静态属性特征数据;
24、推荐单元具体可以用于:
25、基于转化率阈值,从转化率预估值中筛选出p个目标转化率预估值,其中,p为大于等于1且小于等于n的整数;
26、将p个目标转化率预估值对应的目标产品推荐给目标对象。
27、在一种可能的设计中,本技术实施例另一方面的一种实现方式中,处理单元具体可以用于:
28、对m个对象处理数据进行数据预处理,得到m个对象标准数据,其中,m为大于等于1的整数;
29、处理单元具体可以用于:基于时间顺序,对m个对象标准数据进行静态特征编码,得到m个对象标准数据对应的静态特征编码数据,并对m个对象标准数据进行属性特征提取,得到m个对象标准数据对应的静态属性特征数据;
30、推荐单元具体可以用于:
31、基于转化率阈值,从转化率预估值中筛选出k个目标转化率预估值,其中,k为大于等于1且小于等于m的整数;
32、将目标产品推荐至k个目标转化率预估值对应的对象。
33、在一种可能的设计中,本技术实施例另一方面的一种实现方式中,处理单元具体可以用于:
34、对待处理数据中满足数据异常条件的数据进行剔除,得到基础数据,其中,数据异常条件至少包括乱码、不属于标准阈值范围的数值;
35、若基础数据中存在的缺失数据,则对基础数据中的缺失数据进行填充,得到标准数据。
36、在一种可能的设计中,本技术实施例另一方面的一种实现方式中,处理单元具体可以用于:
37、从n种产品标准数据中获取n个产品分别对应的n个初始产品编码,并基于n个初始产品编码,确定初始时序对应的n个初始时序特征编码;
38、基于每个产品的初始时序特征编码、每个时序对应的时间顺序以及产品的产品数量,计算每个产品在每个时序对应的时序特征编码;
39、基于n个初始时序特征编码、每个时序对应的时间顺序、产品的产品数量与每个产品在每个时序对应的时序特征编码,整理得到n种产品标准数据对应的静态特征编码数据。
40、在一种可能的设计中,本技术实施例另一方面的一种实现方式中,处理单元具体可以用于:
41、从m个对象标准数据中获取m个对象分别对应的m个初始对象编码,并基于m个初始对象编码,确定初始时序对应的m个初始时序特征编码;
42、基于每个对象的初始时序特征编码、每个时序对应的时间顺序以及对象的对象数量,计算每个对象在每个时序对应的时序特征编码;
43、基于m个初始时序特征编码、每个时序对应的时间顺序、产品的产品数量与每个对象在每个时序对应的时序特征编码,整理得到m种对象标准数据对应的静态特征编码数据。
44、在一种可能的设计中,本技术实施例另一方面的一种实现方式中,
45、推荐单元,还用于基于目标特征融合数据进行点击率预估,得到目标特征融合数据对应的点击率预估值,并基于点击率预估值进行产品推荐。
46、在一种可能的设计中,本技术实施例另一方面的一种实现方式中,
47、处理单元,还用于对样本数据进行静态特征编码,得到样本数据对应的样本静态特征编码数据,并对样本数据进行属性特征提取,得到样本数据对应的样本静态属性特征数据,其中,样本数据对应有样本标签;
48、处理单元,还用于对样本静态特征编码数据进行位置特征编码,得到样本位置特征编码数据;
49、融合单元,还用于将样本静态特征编码数据、样本静态属性特征数据以及样本位置特征编码数据进行信息融合,得到样本先验特征数据;
50、融合单元,还用于将样本先验特征数据与样本位置特征编码数据进行特征融合,得到样本序列特征融合数据;
51、处理单元,还用于将样本序列特征融合数据输入至序列推理模型,通过序列推理模型输出样本序列预测结果,并将样本先验特征数据输入至先验预测模型,通过先验预测模型输出样本先验预测结果;
52、融合单元,还用于将样本序列预测结果与样本先验预测结果进行特征融合,得到样本特征融合数据;
53、处理单元,还用于基于样本特征融合数据进行转化率预估,得到样本特征融合数据对应的样本转化率预估值;
54、处理单元,还用于基于样本转化率预估值、样本标签以及样本数量,计算目标函数值,并基于目标函数值对模型参数进行更新。
55、在一种可能的设计中,本技术实施例另一方面的一种实现方式中,
56、处理单元,还用于对样本数据进行数据预处理,得到样本标准数据;
57、处理单元具体可以用于:对样本标准数据进行静态特征编码,得到样本标准数据对应的样本静态特征编码数据,并对样本标准数据进行属性特征提取,得到样本标准数据对应的样本静态属性特征数据。
58、在一种可能的设计中,本技术实施例另一方面的一种实现方式中,融合单元具体可以用于:
59、将样本先验特征数据与样本位置特征编码数据拼接为样本序列特征融合数据;
60、处理单元具体可以用于:
61、将样本序列特征融合数据输入至序列推理模型,通过序列推理模型的注意力模块,基于缩放因子对样本序列特征融合数据进行注意力权重计算,得到样本序列特征融合数据对应的注意力运算结果;
62、对注意力运算结果进行归一化操作,并通过序列推理模型的推理模块对归一化结果进行推理,输出样本序列预测结果;
63、将样本先验特征数据输入至先验预测模型,通过先验预测模型的两层神经网络对样本先验特征数据进行预测,输出样本先验预测结果。
64、在一种可能的设计中,本技术实施例另一方面的一种实现方式中,处理单元具体可以用于:
65、从样本标准数据中获取每个样本的初始样本编码,并基于初始样本编码,确定初始样本时序对应的每个样本的初始样本时序特征编码;
66、基于初始样本时序特征编码、每个时序对应的时间顺序以及样本数量,计算每个样本在每个时序对应的时序特征编码;
67、基于初始样本时序特征编码、每个时序对应的时间顺序、样本数量与每个样本在每个时序对应的时序特征编码,整理得到样本标准数据对应的样本静态特征编码数据;
68、对样本标准数据进行属性特征提取,得到样本标准数据对应的样本静态属性特征数据。
69、在一种可能的设计中,本技术实施例另一方面的一种实现方式中,
70、处理单元,还用于基于待训练样本对应的初始样本编码,从样本静态特征编码数据中查询待训练样本在每个时序对应的时序特征编码;
71、处理单元,还用于基于待训练样本在每个时序对应的时序特征编码以及样本静态特征编码数据对应的样本特征矩阵,确定待训练样本对应的待训练样本静态特征编码数据;
72、处理单元,还用于基于待训练样本对应的初始样本编码,从样本静态属性特征数据中查询待训练样本对应的待训练样本静态属性特征数据;
73、处理单元具体可以用于:对待训练样本静态特征编码数据进行位置特征编码,得到样本位置特征编码数据;
74、融合单元具体可以用于:将待训练样本静态特征编码数据、待训练样本静态属性特征数据以及样本位置特征编码数据进行信息融合,得到样本先验特征数据。
75、本技术另一方面提供了一种计算机设备,包括:存储器、处理器以及总线系统;
76、其中,存储器用于存储程序;
77、处理器用于执行存储器中的程序时实现如上述各方面的方法;
78、总线系统用于连接存储器以及处理器,以使存储器以及处理器进行通信。
79、本技术的另一方面提供了一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面的方法。
80、从以上技术方案可以看出,本技术实施例具有以下有益效果:
81、通过对待处理数据进行静态特征编码,以获取到待处理数据对应的静态特征编码数据,并对待处理数据进行属性特征提取,以获取到待处理数据对应的静态属性特征数据,进而对静态特征编码数据进行位置特征编码,以获取到位置特征编码数据,再将静态特征编码数据、静态属性特征数据以及位置特征编码数据进行信息融合,以获取到先验特征数据,同时,将先验特征数据与静态特征编码数据以及位置特征编码数据进行特征融合,以获取到序列特征融合数据,然后,可以将序列特征融合数据输入至序列推理模型,通过序列推理模型输出序列预测结果,同时,将先验特征数据输入至先验预测模型,通过先验预测模型输出先验预测结果,并将序列预测结果与先验预测结果进行特征融合,以获取到目标特征融合数据,从而可以基于目标特征融合数据进行转化率预估,以获取到目标特征融合数据对应的转化率预估值,并基于转化率预估值进行产品推荐。通过上述方式,能够通过对待处理数据进行静态特征编码以及属性特征提取,来更好地提炼出静态特征,同时,通过对静态特征编码数据进行位置特征编码,来更好地提炼出动态特征,然后,能够通过信息融合以及特征融合等方式,有效融合动态特征和静态特征,来进一步提炼出有效特征,还能够将序列预测结果与先验预测结果高效结合,使得模型学习到的表达更为全面,来提升转化率预估效果和准确性,从而能够基于转化率预估值更好更高效地进行产品推荐。