[发明专利]一种信息推送方法及装置

说明书

本发明公开了一种信息推送方法及装置，具体包括：获取用户信息、商品信息、用户历史行为商品序列信息；根据所获取的信息，采用强化学习的方法训练用户‑商品兴趣模型；采用深度学习的方法训练用户‑商品复购周期模型；当前用户进行在线访问时，查找当前用户的相关信息，根据用户‑商品兴趣模型和用户‑商品复购周期模型得到当前用户对商品列表中各商品的复购周期；根据当前用户的历史购买记录时间，与商品列表中各商品的复购周期进行比较，对商品列表中的非复购商品进行过滤后，得到当前用户的推荐商品列表。采用本发明能够根据用户反馈动态调整推荐策略；避免非复购周期内重复推荐商品。

技术领域

本发明涉及电子商务技术领域，特别涉及一种信息推送方法及装置。

背景技术

在个性化商品推荐领域，目前的推荐算法包含：

1、基于热度(流行度)的推荐，根据浏览量、销量、社会热点等定义热度，能有效解决冷启动问题。

2、基于协同过滤推荐，仅依赖用户行为,不需要对商品特征或元数据进行深入理解。覆盖率高，能有效解决长尾问题，给用户以惊喜。

3、基于内容/规则/知识推荐，依赖于完整的、充分归类的内容/规则/知识体系和结构化的数据特征。时效性高，推荐理由有较合理的解释，用户信任度高。

4、基于以上推荐算法的组合，优势互补，可以规避冷启动、数据稀疏和数据非结构化问题，适用范围较广。

对于现有技术，包括基于热度(流行度)的推荐、基于协同过滤推荐、基于内容/规则/知识推荐，以及这些推荐算法的组合，由于将推荐结果输出给用户展示后，并未根据用户反馈(如是否点击、是否购买等)，进行推荐策略的动态调整，导致推荐效果不太理想。另外，由于没有考虑商品所特有的复购周期因素(一般来说，耐耗品的复购周期大于快消品的复购周期)，造成非复购周期内商品的重复推荐，导致展示位的资源浪费和用户体验问题(如反感抵触、不信任等)。

发明内容

本发明的目的在于提供一种信息推送方法及装置，能够根据用户反馈动态调整推荐策略；避免非复购周期内重复推荐商品。

为实现上述发明目的，一种信息推送方法，该方法包括：

获取用户信息、商品信息、用户历史行为商品序列信息；

根据所获取的信息，采用强化学习的方法训练用户-商品兴趣模型；采用深度学习的方法训练用户-商品复购周期模型；

当前用户进行在线访问时，查找当前用户的用户信息、商品信息、用户历史行为商品序列信息，根据用户-商品兴趣模型和用户-商品复购周期模型得到当前用户对商品列表中各商品的复购周期；

根据当前用户的历史购买记录时间，与商品列表中各商品的复购周期进行比较，对商品列表中的非复购商品进行过滤后，得到当前用户的推荐商品列表。

为实现上述发明目的，本发明还提供了一种信息推送装置，该装置包括：

数据管理模块，用于获取用户信息、商品信息、用户历史行为商品序列信息；

模型训练模块，用于根据数据管理模块中获取的信息，采用强化学习的方法训练用户-商品兴趣模型；采用深度学习的方法训练用户-商品复购周期模型；

在线推荐模块，用于在当前用户进行在线访问时，查找当前用户的用户信息、商品信息、用户历史行为商品序列信息，根据用户-商品兴趣模型和用户-商品复购周期模型得到当前用户对商品列表中各商品的复购周期；根据当前用户的历史购买记录时间，与商品列表中各商品的复购周期进行比较，对商品列表中的非复购商品进行过滤后，得到当前用户的推荐商品列表。