[发明专利]商品信息偏好模型训练和预测方法、装置及电子设备

权利要求书

1.一种商品信息偏好模型训练方法，其特征在于，包括：

获取已标注的用户关于指定商品长期偏好情况的长期特征数据；

对所述长期特征数据进行训练，得到用于预测用户对指定商品具有长期偏好的长期模型；

获取已标注的用户关于投放渠道近期接受情况的短期特征数据；

对所述短期特征数据进行训练，得到用于预测用户对投放渠道具有近期偏好的短期模型；

将所述长期模型与所述短期模型进行集成学习，得到用于兼顾预测用户对指定商品具有长期偏好，且在投放渠道具有近期偏好的集成模型。

2.根据权利要求1所述的方法，其特征在于，所述长期特征数据包括：

用户基础属性数据、电商领域特征数据以及娱乐行为特征数据、新闻浏览特征数据、旅游行为特征数据、音乐偏好特征数据和领域沉淀用户特征数据中的至少一种数据；

所述方法还包括：

对所述长期特征数据采用如下至少一种方式进行特征评估，提取出用于所述长期模型训练的特征数据：信息增益，互信息量，散度KL距离。

3.根据权利要求1或2所述的方法，其特征在于，所述对所述长期特征数据进行训练，得到用于预测用户对指定商品具有长期偏好的长期模型包括：

对所述长期特征数据采用如下任一种机器学习模型进行训练得到所述长期模型：迭代决策树，逻辑回归，支持向量机。

4.根据权利要求1所述的方法，其特征在于，所述短期特征数据包括：

用户基础属性数据以及用户近期产生的投放渠道点击数据、营销场景行为数据和基于位置服务的定位数据中的一种；

所述方法还包括：

对所述短期特征数据按不同类目的行为时序进行划分，得到具有时序特征的类目时序行为特征数据以及非时序特征的行为特征数据；

将所述用户基础属性数据以及所述具有时序特征的类目时序行为特征数据和非时序特征的行为特征数据共同作为用于所述短期模型训练的特征数据。

5.根据权利要求1或4所述的方法，其特征在于，所述对所述短期特征数据进行训练，得到用于预测用户对投放渠道具有近期偏好的短期模型包括：

对所述短期特征数据采用如下任一种机器学习模型进行训练得到所述短期模型：长短期记忆模型、迭代决策树，逻辑回归，支持向量机。

6.根据权利要求1所述的方法，其特征在于，所述将所述长期模型与所述短期模型进行集成学习，得到用于兼顾预测用户对指定商品具有长期偏好，且在投放渠道具有近期偏好的集成模型包括：

将所述长期模型和所述短期模型训练得到的输出结果进行交叉，选择同一用户的交叉输出结果作为所述集成模型的输出结果。

7.一种商品信息偏好预测方法，其特征在于，包括：

获取用户的长期偏好情况的长期特征数据，以及投放渠道近期接受情况的短期特征数据；

将所述长期特征数据和所述短期特征数据对应输入至长期模型和短期模型中进行预测，并输出用户对指定商品的偏好和近期接受投放渠道的输出结果。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

获取已标注的用户关于指定商品长期偏好情况的长期特征数据；

对所述长期特征数据进行训练，得到用于预测用户对指定商品具有长期偏好的所述长期模型；

获取已标注的用户关于投放渠道近期接受情况的短期特征数据；

对所述短期特征数据进行训练，得到用于预测用户对投放渠道具有近期偏好的所述短期模型。