本公开涉及计算机,可用于金融领域,具体地涉及一种产品推荐方法、训练方法、装置、电子设备和介质。
背景技术:
1、现有电子商务领域中,存在多种产品推荐方法,电子商务平台可以根据用户的历史购买产品,向用户推荐与历史购买产品类别一致的产品。发明人发现相关技术中存在如下问题:相关产品推荐大多是基于研发团队的主观意图或基于电子商务平台中的产品的属性对分产品进行分类,根据单个人或团队的主观想法建立的分类标准向用户进行商品推荐,没有考虑用户对所有产品类别的兴趣程度以及用户购买产品时的行为意图,不能基于用户需求进行个性化推荐。
技术实现思路
1、鉴于上述问题,本公开提供了一种产品推荐方法、训练方法、装置、电子设备、介质和计算机程序产品。
2、根据本公开的一个方面,提供了一种产品推荐方法,包括:
3、获取用户的用户数据集合;以及
4、将上述用户数据集合输入经训练的产品推荐模型,得到目标推荐产品,
5、其中,上述产品推荐模型包括:意图分类层、注意力机制层和输出层;
6、上述将上述用户数据集合输入经训练的产品推荐模型,得到目标推荐产品包括:
7、利用上述意图分类层处理上述用户数据集合,得到与上述用户的行为意图对应的第一特征向量集合;
8、利用上述注意力机制层处理上述第一特征向量集合和上述用户数据集合,得到与上述用户的感兴趣产品对应的第二特征向量集合;
9、将上述第二特征向量集合、用户特征向量集合和产品特征向量集合输入上述输出层,得到目标推荐产品,
10、其中,上述用户特征向量集合和上述产品特征向量集合是根据上述用户数据集合得到的。
11、根据本公开的实施例,上述利用上述意图分类层处理上述用户数据集合,得到与上述用户的行为意图对应的第一特征向量集合包括:
12、根据上述用户数据集合,得到用户历史数据集合;以及
13、利用上述意图分类层处理上述用户历史数据集合,得到与上述用户的行为意图对应的第一特征向量集合。
14、根据本公开的实施例,上述利用上述意图分类层处理上述用户历史数据集合,得到与上述用户的行为意图对应的第一特征向量集合包括:
15、利用上述意图分类层,根据上述用户历史数据集合确定上述用户对应的历史数据矩阵;
16、根据上述历史数据矩阵,得到第一兴趣度矩阵和第二兴趣度矩阵;以及
17、根据上述第一兴趣度矩阵、上述第二兴趣度矩阵和上述用户数据集合,得到与上述用户的行为意图对应的第一特征向量集合。
18、根据本公开的实施例,上述利用上述注意力机制层处理上述第一特征向量集合和上述用户数据集合,得到与上述用户的感兴趣产品对应的第二特征向量集合包括:
19、根据上述用户数据集合得到用户的历史行为序列;
20、根据上述第一特征向量集合得到上述历史行为序列对应的权重因子;以及
21、根据上述权重因子和上述历史行为序列,得到与上述用户的感兴趣产品对应的第二特征向量集合。
22、根据本公开的实施例,上述产品推荐方法还包括:
23、根据上述用户数据集合得到用户的历史行为序列;以及
24、按照预设时间区间划分上述历史行为序列,得到上述产品特征向量集合。
25、根据本公开的另一个方面,提供了一种产品推荐模型的训练方法,包括:
26、获取训练样本数据集合;
27、将上述训练样本集合输入待训练的产品推荐模型,输出推荐产品。
28、根据本公开的实施例,上述获取训练样本数据集合包括:
29、根据上述用户样本数据集合得到样本历史行为序列;
30、按照预设时间区间划分上述样本历史行为序列,得到样本产品特征向量集合,其中,上述样本产品特征向量集合包括样本历史数据产品特征向量集合和样本历史数据产品特征向量集合;以及
31、基于上述样本历史数据产品特征向量集合和上述样本历史数据产品特征向量集合,获取上述训练样本数据集合。
32、根据本公开的实施例,上述产品推荐模型的训练方法还包括:
33、将上述训练样本集合输入待训练的产品推荐模型,得到样本历史数据矩阵、第一样本兴趣度矩阵和第二样本兴趣度矩阵;
34、将上述样本历史数据矩阵、上述第一样本兴趣度矩阵和上述第二样本兴趣度矩阵输入损失函数,输出损失结果;
35、根据上述损失结果迭代地调整上述待训练的产品推荐模型的网络参数,直至满足迭代收敛条件;以及
36、根据满足迭代收敛条件的情况下的上述待训练的产品推荐模型的网络参数生成训练完成的上述产品推荐模型。
37、根据本公开的另一个方面,提供了一种产品推荐装置,包括:
38、第一获取模块,用于获取用户的用户数据集合;以及
39、第一输出模块,将上述用户数据集合输入经训练的产品推荐模型,得到目标推荐产品,其中,上述产品推荐模型包括:意图分类层、注意力机制层和输出层;
40、上述第一输出模块包括:第一处理子模块、第二处理子模块和第一输出子模块;
41、上述第一处理子模块,用于利用上述意图分类层处理上述用户数据集合,得到与上述用户的行为意图对应的第一特征向量集合;
42、上述第二处理子模块,用于利用上述注意力机制层处理上述第一特征向量集合和上述用户数据集合,得到与上述用户的感兴趣产品对应的第二特征向量集合;以及
43、第一输出子模块,用于将上述第二特征向量集合、用户特征向量集合和产品特征向量集合输入上述输出层,得到目标推荐产品,
44、其中,上述用户特征向量集合和上述产品特征向量集合是根据上述用户数据集合得到的。
45、根据本公开的另一个方面,提供了一种产品推荐模型的训练装置,包括:
46、第二获取模块,用于获取训练样本数据集合;
47、第二输出模块,用于将上述训练样本集合输入待训练的产品推荐模型,输出推荐产品。
48、根据本公开的另一个方面,提供了一种电子设备,包括:
49、一个或多个处理器;
50、存储器,用于存储一个或多个指令,
51、其中,当上述一个或多个指令被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如本公开上述的方法。
52、根据本公开的另一个方面,提供了一种计算机可读存储介质,其上存储有可执行指令,上述可执行指令被处理器执行时使处理器实现如本公开上述的方法。
53、根据本公开的另一个方面,提供了一种计算机程序产品,上述计算机程序产品包括计算机可执行指令,上述计算机可执行指令在被执行时用于实现如本公开上述的方法。
54、根据本公开提供的产品推荐方法、训练方法、装置、电子设备、介质和计算机程序产品,通过意图分类层处理用户数据集合,得到第一特征向量集合,通过注意力机制层处理第一特征向量集合与用户数据集合,得到第二特征向量集合,进而得到目标推荐产品。由于第一特征向量集合与用户的行为意图有关,在得到与用户的感兴趣产品对应的第二特征向量集合时,对用户的感兴趣产品的进行分类的操作与用户的行为意图产生关联,由于用户的行为意图可以反映用户的需求,使得通过第二特征向量集合得到的目标推荐产品更符合用户的使用需求。基于上述技术手段,至少部分地克服了相关技术无法较准确地为用户推荐产品的技术问题,从而实现针对不同用户的个性化推荐。