[发明专利]一种物品推荐方法及系统

说明书

本发明公开了一种物品推荐方法、系统、设备及一种计算机可读存储介质，涉及信息处理技术领域。本发明根据电商平台一段时间的历史数据，以及由该一段时间构建的多个时间窗口生成特征元，然后根据多个时间窗口调用所述特征元进行训练集构建，得到LightGBM模型，进而进行回归预测，得到包括购买行为以及购买程度的预测结果进行物品推荐，不仅提高了用户购买预测模型的精确度，还提高了物品推荐的精准度，大大提升了用户购物体验。

技术领域

本发明涉及信息处理技术领域，尤其涉及一种基于LightGBM的物品推荐测方法、系统、设备及一种计算机可读存储介质。

背景技术

随着电商网站的迅猛发展，电商网站积累了大量的用户数据，包括用户基本信息、用户购买行为数据、用户浏览收藏数据以及物品信息等。如何对积累的海量用户数据进行分析和挖掘，构建用户购买模型将物品推荐给用户，从而实现精准营销，提升电商平台点击率和购买率是电商非常关注的问题。

目前电商网站使用的预测模型中，逻辑回归、决策树等单模型应用比较多，这类模型的优点是运行稳定，同时模型的可解释性较强，但近年来随着电商业务的多元化，电商业务已经完成由PC端向移动端的渗透，随着业务的多元化，用户特征和业务场景也愈加复杂，逻辑回归、决策树等单模型对复杂的业务场景和用户特征的适应性较差，已经不再适应新的业务场景和愈加复杂的业务特征；另外现有的但模型预测方法是通过模型将用户分为“购买”与“不购买”，然后对预测为“购买”的用户进行推荐，这种方式相对来说比较粗狂，不能对用户购买的程度和可能性进行细分。因此需要一种能够适应复杂特征的物品推荐系统，来提升用户购买预测精确度和物品推荐精确度。

发明内容

本发明实施例提供一种物品推荐方法及系统，在提高用户购买预测模型的精确度的同时，提高物品推荐的精准度，从而提升用户购物体验。

为达到上述目的，本发明的实施例提供一种物品推荐方法，应用于物品推荐设备，所述方法包括：

获取一段时间的历史数据，所述历史数据包括用户信息、用户订单信息、用户浏览物品信息、用户收藏物品信息或用户对物品的评价信息；

根据所述历史数据生成元特征，所述元特征包括：用户信息、物品信息、交互行为特征、关注行为特征和用户购买转化率；

在所述一段时间内构建时间窗口，所述时间窗口为从标签月向前推算时间宽度得到；所述标签月是指从所述一段时间的起始月向后推算最大窗口的月份到所述一段时间的终止月之间的月份，所述时间窗口至少有两个；

根据通过所述时间窗口扩充后的样本集分别分析所述元特征，构建训练集；

根据所述训练集训练LightGBM模型，其中，采用交叉验证法对所述LightGBM模型进行训练；

根据所述LightGBM模型生成回归预测结果，所述回归预测结果包括用户和购买订单数；

根据所述回归预测结果将物品推荐给所述用户。

对应地，本发明实施例还提供了一种物品推荐方系统，所述物品推荐方系统包括数据获取单元、特征生成单元、训练集构建单元、模型构建单元、分析单元和推荐单元；

所述数据获取单元，用于获取一段时间的历史数据，所述历史数据包括用户信息、物品信息、用户订单信息、用户浏览物品信息、用户收藏物品信息或用户对物品的评价信息；

所述特征生成单元，用于根据所述历史数据生成元特征，所述元特征包括：用户信息、交互行为特征、关注行为特征和用户购买转化率；

所述训练集构建单元，用于在所述一段时间内构建时间窗口，所述时间窗口为从标签月向前推算时间宽度得到；所述标签月是指从所述一段时间的起始月向后推算最大窗口的月份到所述一段时间的终止月之间的月份，所述时间窗口至少有两个；以及