预测模型的训练方法、信息推荐方法、装置及电子设备与流程

本技术涉及计算机，具体涉及一种预测模型的训练方法、信息推荐方法、装置、电子设备及计算机可读存储介质。

背景技术：

1、随着电子商务行业在全球化的大背景下迅速发展，电商平台成为产品销售和商业活动的重要渠道。电商平台通常会根据用户在平台上的交互行为记录推断用户的兴趣和需求，并推荐给用户感兴趣的商品，从而促进电商平台的销售增长同时提升用户浏览平台的满意度。

2、然而，在实际应用中，通常会出现用户在平台上的交互行为比较少情况，例如，有些用户平时很少在电商平台购买商品，导致该用户在电商平台上的交换行为比较少，再例如，对于企业间商业交易的b2b平台、企业与商户间商业交易的b2c平台等b类电商平台，由于企业、商户的购买行为通常不是很频繁，导致b类平台上用户的交互行为比较少。这对这些用户在平台上的交互行为比较少的情况，根据较少的用户交互行为所推断的用户感兴趣的商品的准确率比较低，从而导致无法准确地给用户推荐感兴趣的商品，降低了用户满意度以及平台的销售量。

技术实现思路

1、本技术提供一种预测模型的训练方法、信息推荐方法、装置、电子设备及计算机可读存储介质。能够更准确地推断用户感兴趣的物品，从而更准确地给用户推荐感兴趣的物品，提高用户满意度以及平台的销售量。

2、第一方面，本技术提供一种预测模型的训练方法，所述方法包括：

3、获取训练样本，所述训练样本包括样本候选物品的信息、样本用户的样本历史浏览物品的信息；

4、基于预先设定的关联关系信息确定与所述样本历史浏览物品相关联的样本关联信息，所述关联关系信息用于反映与物品具有关联关系的物品和/或类目，所述关联信息包括关联物品和/或关联类目；

5、基于所述样本候选物品的信息、所述样本历史浏览物品的信息、所述样本关联信息对待训练模型进行训练，得到训练好的预测模型，以通过所述预测模型预测用户浏览候选物品的可能程度。

6、可选地，所述关联关系信息包括物品间关联关系，所述物品间关联关系用于指示具有关联关系的不同物品；

7、所述基于预先设定的关联关系信息确定与所述样本历史浏览物品相关联的样本关联信息，包括：

8、基于所述物品间关联关系确定与所述样本历史浏览物品相关联的至少一个样本第一关联物品；

9、根据所述样本第一关联物品确定与所述样本历史浏览物品相关联的样本关联信息。

10、可选地，所述关联关系信息还包括类目与物品间关联关系，所述类目与物品间关联关系用于指示与类目具有关联关系的物品；

11、所述根据所述样本第一关联物品确定与所述样本历史浏览物品相关联的样本关联信息，包括：

12、基于所述类目与物品间关联关系确定与所述样本历史浏览物品所属的类目相关联的至少一个样本第二关联物品；

13、根据所述样本第一关联物品与所述样本第二关联物品确定与所述样本历史浏览物品相关联的样本关联信息。

14、可选地，所述关联关系信息还包括类目间关联关系，所述类目间关联关系用于指示具有关联关系的不同类目；

15、所述根据所述样本第一关联物品与所述样本第二关联物品确定与所述样本历史浏览物品相关联的样本关联信息，包括：

16、基于所述类目间关联关系确定与所述样本历史浏览物品所属的类目相关联的至少一个样本关联类目；

17、将所述样本第一关联物品、所述样本第二关联物品与所述样本关联类目确定为与所述样本历史浏览物品相关联的样本关联信息。

18、可选地，所述关联关系信息包括关联图，所述关联图用于将各信息中具有关联关系的信息通过连线连接，所述各信息包括各物品和/或各类目；

19、所述基于预先设定的关联关系信息确定与所述样本历史浏览物品相关联的样本关联信息，包括：

20、将所述关联图中与所述样本历史浏览物品对应的信息通过连线连接的信息确定为与所述样本历史浏览物品相关联的样本关联信息。

21、可选地，所述待训练模型包括向量编码层、预测层；

22、所述基于所述样本候选物品的信息、所述样本历史浏览物品的信息、所述样本关联信息对待训练模型进行训练，包括：

23、基于所述向量编码层，对所述样本候选物品的信息、所述样本历史浏览物品的信息、所述样本关联信息进行向量化编码，得到样本编码向量；

24、基于所述样本编码向量，并通过所述预测层，输出所述样本用户浏览所述样本候选物品的样本概率；

25、基于所述浏览标识以及所述样本概率，对所述预测层与所述编码层进行参数调整。

26、可选地，所述向量编码层包括向量转换层、向量融合层；

27、所述基于所述向量编码层，对所述样本候选物品的信息、所述样本历史浏览物品的信息、所述样本关联信息进行向量化编码，得到样本编码向量，包括：

28、将所述样本候选物品的信息、所述样本历史浏览物品的信息、所述样本关联信息输入所述向量转换层进行稠密化向量转换处理，得到分别对应的样本候选物品向量、样本历史浏览物品向量、样本关联信息向量；其中，所述样本关联信息向量包括所述样本第一关联物品对应的向量、所述样本第二关联物品对应的向量、所述样本关联类目对应的向量；

29、将各所述样本第一关联物品分别对应的各向量输入所述向量融合层进行向量融合，得到第一融合向量；

30、将各所述样本第二关联物品分别对应的各向量输入所述向量融合层进行向量融合，得到第二融合向量；

31、将各所述样本关联类目分别对应的各向量输入所述向量融合层进行向量融合，得到第三融合向量；

32、根据所述第一融合向量、所述第二融合向量、所述第三融合向量、所述样本候选物品向量以及所述样本历史浏览物品向量确定样本编码向量。

33、可选地，所述方法还包括：

34、对组合向量所代表的物品序列向量进行部分调整，得到增广物品序列向量，所述组合向量为所述样本历史浏览物品向量、所述第一融合向量、所述第二融合向量、所述第三融合向量构成的向量；

35、根据所述增广物品序列向量、所述物品序列向量，基于增广对比学习算法对所述编码层、所述预测层进行参数调整。

36、可选地，所述对组合向量所代表的物品序列向量进行部分调整，得到增广物品序列向量，包括：

37、确定组合向量所代表的各物品分别对应的物品向量；

38、将各所述物品向量中的任一物品向量进行删除，得到第一物品序列向量；

39、将所述物品向量中的部分向量段进行删除，得到第二物品序列向量；

40、将各所述物品向量中的任一物品向量替换为同类型物品对应的向量，得到第三物品序列向量；

41、将所述第一物品序列向量、所述第二物品序列向量、所述第三物品序列向量中的至少一项确定为增广物品序列向量。

42、可选地，所述根据所述增广物品序列向量、所述物品序列向量，基于增广对比学习算法对所述编码层、所述预测层进行参数调整，包括：

43、获取所述样本用户以外的用户浏览物品序列的负物品序列向量；

44、以减少所述第一输出向量所代表物品序列向量与所述各所述增广物品序列向量之间的差别、增加所述第一输出向量所代表物品序列向量与所述负物品序列向量之间的差别为原则，对所述编码层、所述预测层中进行参数调整。

45、可选地，所述方法还包括：

46、根据所述组合向量所代表的物品序列中的第i个物品对应的向量，预测所述样本用户的第i+1个预测兴趣物品，i遍历1～n-1，i为整数，n为所述组合向量所代表的物品序列包括的物品的数量；

47、基于参数调整原则调整所述编码层、所述预测层的参数，所述参数调整原则包括：减小所述组合向量所代表的物品序列中的第i+1个物品对应的向量与所述第i+1个预测兴趣物品对应的向量之间的差别。

48、可选地，在所述基于参数调整原则调整所述编码层、所述预测层的参数之前，所述方法还包括：

49、根据所述第i个物品对应的向量，预测所述样本用户的第i+1个预测非兴趣物品；

50、所述参数调整原则还包括：增加所述第i+1个物品对应的向量与第i+1个预测非兴趣物品对应的向量之间的差别。

51、可选地，在所述基于预先设定的关联关系信息确定与所述样本历史浏览物品相关联的样本关联信息之前，所述方法还包括：

52、获取用户的历史物品浏览记录，所述历史物品浏览记录中记录有用户的各历史浏览物品；

53、针对所述历史物品浏览记录中的任一所述历史浏览物品，根据所针对的所述历史浏览物品与所述历史物品浏览记录中的其他所述历史浏览物品在显示界面的窗口共现频次，从所述其他所述历史浏览物品中确定与所针对的所述历史浏览物品具有关联关系的物品；

54、根据与所述历史物品浏览记录中的所述历史浏览物品具有关联关系的物品，确定物品间关联关系。

55、可选地，在所述基于预先设定的关联关系信息确定与所述样本历史浏览物品相关联的样本关联信息之前，所述方法还包括：

56、获取用户的历史物品浏览记录，所述历史物品浏览记录中记录有用户的各历史浏览物品；

57、针对任一类目，从所述历史物品浏览记录中的各所述历史浏览物品中统计属于所针对的类目、且浏览次数满足预设条件的物品作为所针对的类目具有关联关系的物品；

58、根据统计出的与类目具有关联关系的物品，确定类目与物品间关联关系。

59、可选地，在所述基于预先设定的关联关系信息确定与所述样本历史浏览物品相关联的样本关联信息之前，所述方法还包括：

60、获取用户的历史物品浏览记录，所述历史物品浏览记录中记录有用户的各历史浏览物品；

61、针对所述历史物品浏览记录中的任一历史浏览物品所属的类目，根据所针对的类目与所述历史物品浏览记录中的其他类目在显示界面的窗口共现频次，从所述其他类目中确定与所针对的类目具有关联关系的类目；

62、根据与所述历史物品浏览记录中的历史浏览物品所属类目具有关联关系的类目，确定类目间关联关系。

63、可选地，所述根据所针对的类目与所述历史物品浏览记录中的其他类目在显示界面的窗口共现频次，从所述其他类目中确定与所针对的类目具有关联关系的类目，包括：

64、计算所针对的类目与所述历史物品浏览记录中的其他类目在显示界面的窗口的共现概率，以及所述历史物品浏览记录中的各物品所属的各类目在各用户中出现的频率；

65、根据所述共现概率以及所述出现的频率，计算所针对的类目与所述历史物品浏览记录中的其他类目的关联显著性指标；

66、根据所述显著性指标确定与所针对的类目具有关联关系的类目。

67、可选地，所述基于所述样本候选物品的信息、所述样本历史浏览物品的信息、所述样本关联信息对待训练模型进行训练，包括：

68、获取所述样本用户的样本用户特征信息；

69、基于所述样本用户特征信息、所述样本候选物品的信息、所述样本历史浏览物品的信息、所述样本关联信息对待训练模型进行训练。

70、第二方面，本技术实施例还提供一种信息推荐方法，所述方法包括：

71、获取用于推荐给用户的候选物品的信息以及所述用户的历史浏览物品的信息；

72、基于预先设定的关联关系确定与所述历史浏览物品的信息具有关联关系的关联信息，所述关联关系用于反映与物品具有关联关系的物品和/或类目，所述关联信息包括关联物品和/或关联类目；

73、基于所述历史浏览物品的信息与所述关联信息，预测所述用户浏览所述候选物品的可能程度，并根据所述可能程度向所述用户推荐所述候选物品。

74、可选地，所述关联关系包括物品间关联关系、物品类目间关联关系、类目与物品间关联关系中的至少一种，所述物品间关联关系用于指示具有关联关系的不同物品，所述类目与物品间关联关系用于指示与类目具有关联关系的物品，所述类目间关联关系用于指示具有关联关系的不同类目；

75、所述基于预先设定的关联关系确定与所述历史浏览物品的信息具有关联关系的关联信息，包括以下至少一项：

76、基于所述物品间关联关系确定与所述历史浏览物品相关联的至少一个第一关联物品；

77、基于所述类目与物品间关联关系确定与所述历史浏览物品所属的类目相关联的至少一个第二关联物品；

78、基于所述类目间关联关系确定与所述历史浏览物品所属的类目相关联的至少一个关联类目；

79、将所述第一关联物品与所述第二关联物品确定为与所述历史浏览物品的信息具有关联关系的关联物品。

80、可选地，所述基于所述历史浏览物品的信息与所述关联信息，预测所述用户浏览所述候选物品的可能程度，包括：

81、将所述历史浏览物品的信息与所述关联信息输入预先训练的预测模型，得到所述用户浏览所述候选物品的可能程度，所述预测模型通过权利要求1至18中任一项所述的预测模型的训练方法训练得到。

82、可选地，在所述获取用于推荐给用户的候选物品的信息以及所述用户的历史浏览物品的信息之前，所述方法还包括：

83、获取用户输入的搜索信息；

84、从物品库中确定与所述搜索信息对应的物品作为用于推荐给用户的候选物品。

85、第三方面，本技术实施例还提供一种预测模型的训练装置，所述装置包括：

86、第一获取单元，用于获取训练样本，所述训练样本包括样本候选物品的信息、样本用户的样本历史浏览物品的信息，所述样本候选物品的信息包括所述样本候选物品是否被所述样本用户浏览的浏览标识；

87、第一确定单元，用于基于预先设定的关联关系信息确定与所述样本历史浏览物品相关联的样本关联信息，所述关联关系信息用于反映与物品具有关联关系的信息；

88、训练单元，用于基于所述样本候选物品的信息、所述样本历史浏览物品的信息、所述样本关联信息对待训练模型进行训练，得到训练好的预测模型，以通过所述预测模型预测用户浏览候选物品的可能程度。

89、第四方面，本技术实施例还提供一种信息推荐装置，所述装置包括：

90、第二获取单元，用于获取用于推荐给用户的候选物品的信息以及所述用户的历史浏览物品的信息；

91、第二确定单元，用于基于预先设定的关联关系确定与所述历史浏览物品的信息具有关联关系的关联信息，所述关联关系用于反映与物品具有关联关系的信息；

92、预测单元，用于基于所述历史浏览物品的信息与所述关联信息，预测所述用户浏览所述候选物品的可能程度，并根据所述可能程度向所述用户推荐所述候选物品。

93、第五方面，本技术实施例还提供了一种电子设备，包括：

94、处理器、存储器以及存储在所述存储器上并可在处理器上运行的计算机程序指令；所述处理器执行所述计算机程序指令时实现上述第一方面或第二方面任一项所述的方法。

95、第六方面，本技术实施例还提供一种计算机存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述第一方面或第二方面任一项所述的方法。

96、与现有技术相比，本技术具有以下优点：

97、本技术提供的预测模型的训练方法，获取了训练样本，训练样本包括样本候选物品的信息、样本用户的样本历史浏览物品的信息，再基于预先设定的关联关系信息确定与样本历史浏览物品相关联的样本关联信息，由于关联关系信息用于反映与物品具有关联关系的物品和/或类目，因此，从关联关系信息中能够很容易得到与样本历史浏览物品相关联的样本关联物品和/或样本关联类目等样本关联信息，该样本关联物品和/或样本关联类目可以作为训练模型的扩充样本，该扩充样本可以在样本用户已经浏览过的样本历史浏览物品的基础上进行信息扩充，当用户在平台上的交互行为比较少时，能够为模型训练增加训练数据，基于样本候选物品的信息、样本历史浏览物品的信息、样本关联信息对待训练模型进行训练，能够得到训练好的预测模型，以通过预测模型预测用户浏览候选物品的可能程度。

98、可见，本技术提供的预测模型的训练方法在对模型进行训练时，不仅以样本用户的样本历史浏览物品作为训练数据，还以与样本历史浏览物品相关的样本关联物品和/或样本关联类目为训练数据，使得训练数据得到了扩增和丰富，训练数据的多样性更高，这样训练好的预测模型由于是基于更丰富多样的训练数据训练得到的，所以，预测模型能够对更加丰富的物品进行用户浏览可能程度的预测，从而使得预测模型能够更加准确地对用户浏览物品的可能程度进行预测。当使用本技术提供的预测模型的训练方法所训练出的预测模型进行信息推荐时，预测模型能够准确地预测出用户对候选物品的感兴趣程度，从而能够更准确地向用户推荐候选物品，提高用户满意度以及平台的销售量。另外，所训练的预测模型由于能够对多样化的物品进行预测，所以，能够基于预测模型向用户推荐多样化的物品，提高了用户的选择空间，进一步提高用户满意度以及平台的销售量。

99、本技术提供的信息推荐方法，获取了用于推荐给用户的候选物品的信息以及用户的历史浏览物品的信息，并基于预先设定的关联关系确定与历史浏览物品的信息具有关联关系的关联信息，由于关联关系信息用于反映与物品具有关联关系的物品和/或类目，因此，从关联关系信息中能够很容易得到与用户的历史浏览物品相关联的关联物品和/或关联类目等关联信息，该关联信息可以作为预测用户浏览候选物品的基础，从而为预测用户浏览候选物品提供扩充信息，当用户在平台上的交互行为比较少时，能够丰富预测基础，因此，基于历史浏览物品的信息与所述关联物品，能够更加准确地预测用户浏览候选物品的可能程度，并根据该可能程度向用户推荐候选物品。

100、可见，本技术提供的信息推荐方法在向用户推荐候选物品时，不仅基于用户的历史浏览物品，还基于与历史浏览物品相关的关联物品和/或关联类目等关联信息，使得预测候选物品是否会被用户浏览的可能程度的预测依据得到了扩增和丰富，预测所依据的数据的多样性更高，这样基于更丰富多样的用户数据所预测的对候选物品的浏览可能程度更加准确，从而使得更准确地向用户推荐候选物品，提高用户满意度以及平台的销售量。另外，基于多样化的用户数据能够对多样化的物品进行预测，所以，能够向用户推荐多样化的物品，提高了用户的选择空间，进一步提高用户满意度以及平台的销售量。