[发明专利]基于产品特征的推荐方法、装置、计算机设备及存储介质

说明书

本发明公开了一种基于产品特征的推荐方法、装置、计算机设备及存储介质，方法包括：获取并分析待推荐产品的产品特征；获取曾使用所述待推荐产品用户的用户画像；获得每种类型模型的特征模型；以及获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品。该基于产品特征的推荐方法、装置、计算机设备及存储介质，其根据用户的喜好特征推荐产品，并将产品的特征权重作为参数，使用者可根据具体需求调整对各产品特征的不同关注程度，使得最终的推荐结果更加合理，实用性更强。

技术领域

本发明涉及大数据应用技术领域，尤其涉及一种产品特征的智能推荐方法、装置、计算机设备及存储介质。

背景技术

智能推荐算法总的来说分为两种，基于内容的推荐和协同过滤推荐。

基于内容的推荐算法是根据内容的相似度进行推荐，内容一般是以标签的形式体现，通过计算标签相似度来区分内容。然后根据用户的喜好设置、不同关注点等进行相似内容的推荐。

协同过滤算法推荐过程是自动的，推荐结果的产生是系统用户的历史购买行为或浏览记录等信息分析到的，无需用户通过填表等方式来明确自己的喜好。另一种协同过滤算法是基于模型的协同过滤；假设有x个物品，x个用户的数据，只有部分用户和部分数据之间是有评分数据的，其它部分评分是空白，此时我们要用已有的部分稀疏数据来预测那些空白的物品和数据之间的评分关系，找到最高评分的物品推荐给用户。但是，上述推荐方法，最终推荐结果都是指向某款具体的产品。但是，一旦遇到产品更新迭代，旧的产品下架，新的产品添加，或者是同一款产品本身做了优化，都需要重新训练模型。也就是说，只要产品端发生了任何细微变化，模型就得重新训练，不然推荐结果就是错误的，因为原模型推荐出来的结果不会包含发生了变化的产品。

发明内容

本发明的实施例提供了一种基于产品特征的推荐方法、装置、计算机设备及存储介质，旨在解决现有的产品推荐方法依据具体产品的推荐导致推荐更新不及时，对模型训练较多的问题。

为达到上述目的，本发明所提出的技术方案为：

第一方面，本发明的实施例提供了一种基于产品特征的推荐方法，其包括以下步骤：

获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型；

获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量；

将用户画像作为所有类型的模型的输入变量进行模型训练，获得每种类型模型的特征模型；以及

获取被推荐用户的用户画像，根据被推荐用户的用户画像分别调用特征模型进行映射，以获得被推荐用户与各个特征模型的匹配度，根据匹配度确定向被推荐用户推荐具有相同产品特征的若干产品。

其中，所述步骤“获取并分析待推荐产品的产品特征，所述产品特征用于确定模型训练的模型的类型”包括以下步骤：

选取同属一类的若干产品，挖掘产品特征；

从产品特征中提取出能够区别各产品的有效特征；

根据有效特征，确定模型训练的模型的类型。

其中，所述步骤“获取曾使用所述待推荐产品用户的用户画像，所述用户画像用于作为模型训练的输入变量”包括以下步骤：

获取用户的数据，将数据标签化；

将标签进行数值化、归一化处理；

将数值化、归一化的标签作为模型的输入变量送入训练模型。