本发明涉及电子商务,具体涉及一种基于因果推断消偏的电商商品推荐系统。
背景技术:
1、电商推荐系统旨在帮助用户快速找到自己需要的商品或服务,提高用户的购物体验,增加电商平台的销售额。转化率(cvr,conversion rate)预估模型可以帮助电商推荐系统更好地理解用户的购买意愿,从而为用户推荐更准确、更有价值的商品。
2、现有技术中,已存在有基于转化率对营销效果进行衡量的技术方案。比如,中国专利cn202210531512.5公开了一种转化率预估模型获取方法,包括:获取多个信息样本,多个信息样本中包括被执行第一操作的信息样本和未被执行第一操作的信息样本;被执行第一操作的信息样本携带转化标签;将多个信息样本输入预设模型,并确定多个信息样本中未携带转化标签的信息样本对应的伪标签;伪标签用于指示若对信息样本执行第一操作,是否再对信息样本执行第二操作;获取预设模型输出的多个信息样本各自对应的转化概率;转化概率表征信息样本被执行第一操作后执行第二操作的概率;基于多个信息样本各自对应的转化概率、转化标签和伪标签,对预设模型进行更新;将多次更新后的预设模型作为转化率预估模型。
3、但是,在实际实施过程中,发明人发现,在实际评估过程中,该类cvr模型预估的转化率往往高于实际的转化率,这一因素通常是忽略了用户行为与实际购买结果之间的因果关系导致的,进而导致了预估模型偏离实际情况的问题。
技术实现思路
1、针对现有技术中存在的上述问题,现提供一种基于因果推断消偏的电商商品推荐系统。
2、具体技术方案如下:
3、一种基于因果推断消偏的电商转化率预估系统,包括:
4、特征输入模块,所述特征输入模块获取待预测特征,针对待预测特征转化得到嵌入向量;
5、待预测特征包括:当前用户的用户特征、待推荐商品的商品特征和对应于所示当前用户和所述待推荐商品的交叉特征;
6、第一预测模块,所述第一预测模块连接所述特征输入模块,所述第一预测模块对所述嵌入向量依照预先配置的预测目标进行预测,得到多个预测值;
7、预测值包括:立购路径转化率预测值,立购率预测值,加购率预测值,加购路径转化率预测值和点击率预测值;
8、第二预测模块,所述第二预测模块连接所述第一预测模块,所述第二预测模块依照所述预测值对所述待推荐商品分别生成点击转化率预测值和转化率预测值,随后依照所述点击转化率预测值和所述转化率预测值向所述当前用户推荐所述待推荐商品。
9、另一方面,所述特征输入模块包括:
10、数据采集模块,所述数据采集模块连接多个外部数据源,所述数据采集模块自所述外部数据源接收原始数据;
11、数据处理模块,所述数据处理模块连接所述数据采集模块,所述数据处理模块将所述原始数据转换成所述待预测特征;
12、嵌入层模块,所述嵌入层模块连接所述数据处理模块,所述嵌入层模块分别对每组所述待预测特征进行降维,随后组装得到所述嵌入向量。
13、另一方面,所述第二预测模块包括:
14、多个子任务预测模块,所述子任务预测模块分别对应于一项所述预测值;
15、任务共享预测模块,所述任务共享预测模块分别连接所述子任务预测模块;
16、所述子任务预测模块和所述任务共享预测模块分别接收所述嵌入向量,所述任务共享预测模块对所述嵌入向量提取共享特征,所述子任务预测模块对所述嵌入向量提取对应于所述预测值的子任务特征;
17、所述子任务预测模块依照所述子任务特征和所述共享特征预测得到对应的所述预测值。
18、另一方面,所述第二预测模块中,生成所述点击转化率预测值和所述转化率预测值的方法包括:
19、
20、式中,cvr为所述转化率预测值,bycvr为所述立购路径转化率预测值,byr为所述立购率预测值,car为所述加购率预测值,cacvr为所述加购路径转化率预测值,ctcvr为所述点击转化率预测值,ctr为所述点击率预测值。
21、另一方面,所述第二预测模块包括:
22、预测值生成模块,所述预测值生成模块依照所述预测值分别生成所述点击转化率预测值和所述转化率预测值;
23、召回模块,所述召回模块连接所述预测值生成模块,所述召回模块依照所述点击转化率预测值和所述转化率预测值生成所述待推荐商品的排序结果;
24、排序模块,所述排序模块连接所述召回模块,所述排序模块依照所述排序结果向所述当前用户推荐所述待推荐商品。
25、另一方面,还包括训练模块,所述训练模块连接所述第一预测模块和所述第二预测模块;
26、于接收所述待预测特征前,所述训练模块对所述第一预测模块第一预测模块和所述第二预测模块进行训练,以分别调整所述子任务预测模块、所述任务共享预测模块和所述第二预测模块的模型参数;
27、所述训练模块包含损失衡量模块,所述损失衡量模块于每次训练中对所述第一预测模块和所述第二预测模块的整体损失进行衡量;
28、所述训练模块依照所述整体损失调整所述模型参数。
29、另一方面,所述损失衡量模块包括:
30、第一损失计算模块,所述第一损失计算模块分别针对每个第一类预测值采用第一损失函数生成损失值;
31、第二损失计算模块,所述第二损失计算模块分别针对每个第二类预测值采用第二损失函数生成损失值;
32、总体损失生成模块,所述总体损失生成模块分别连接所述第一损失计算模块和所述第二损失计算模块,所述总体损失生成模块对所有的所述损失值进行加权计算后得出所述总体损失;
33、所述第一类预测值包括所述点击率预测值和所述点击转化率预测值;
34、所述第二类预测值包括:所述转化率预测值、所述立购路径转化率预测值和所述点击转化率预测值。
35、另一方面,所述第一损失函数包括:
36、
37、式中,bce为所述损失值,y为对应于所述第一类预测值的用户实际行为,pred为所述第一类预测值。
38、另一方面,所述第二损失函数包括:
39、
40、式中,snips-bce为所述损失值,y为对应于所述第二类预测值的用户实际行为,pred为所述第二类预测值,cvr为所述转化率预测值,a为对应于所述转化率预测值的第一修正参数ctr为所述点击率预测值,b为对应于所述点击率预测值的第二修正参数。
41、上述技术方案具有如下优点或有益效果:
42、针对现有技术中的预估模型容易出现偏差的问题,本方案中,针对用户的实际购买行为与访问行为之间的关联进行了分析,从而确定了立购路径、立购率、加购率、加购路径和点击率这些与实际购买行为相关的因素,基于上述归因路径进行精细化建模,从而实现对有效转化率的准确预测,实现了较好的商品推荐效果。
1.一种基于因果推断消偏的电商商品推荐系统,其特征在于,包括:
2.根据权利要求1所述的电商转化率预估系统,其特征在于,所述特征输入模块包括:
3.根据权利要求1所述的电商转化率预估系统,其特征在于,所述第一预测模块包括:
4.根据权利要求3所述的电商转化率预估系统,其特征在于,所述第二预测模块中,生成所述点击转化率预测值和所述转化率预测值的方法包括:
5.根据权利要求4所述的电商转化率预估系统,其特征在于,所述第二预测模块包括:
6.根据权利要求2所述的电商转化率预估系统,其特征在于,还包括训练模块,所述训练模块连接所述第一预测模块和所述第二预测模块;
7.根据权利要求6所述的电商转化率预估系统,其特征在于,所述损失衡量模块包括:
8.根据权利要求7所述的电商转化率预估系统,其特征在于,所述第一损失函数包括:
9.根据权利要求7所述的电商转化率预估系统,其特征在于,所述第二损失函数包括: