[发明专利]基于深度学习的产品推送方法及系统

权利要求书

1.一种基于深度学习的产品推送方法，其特征在于，包括：

根据用户身份信息构造当前用户信息矩阵；

根据用户点击产品的顺序创建当前产品信息矩阵；

将所述当前用户信息矩阵和所述当前产品信息矩阵输入基于历史用户信息矩阵和历史产品信息矩阵创建的产品推荐模型中，得到产品推荐概率；

根据所述产品推荐概率确定推送产品并对所述推送产品进行推送。

2.根据权利要求1所述的基于深度学习的产品推送方法，其特征在于，所述当前产品信息矩阵包括产品ID矩阵、产品类别矩阵和产品价格矩阵；

根据用户点击产品的顺序创建当前产品信息矩阵包括：

根据用户点击产品的顺序创建产品ID序列；

根据所述产品ID序列确定产品类别序列和产品价格序列；

根据所述产品ID序列和用户在各个产品上的停留时间生成产品ID矩阵；

根据所述产品类别序列生成产品类别矩阵，根据所述产品价格序列生成产品价格矩阵。

3.根据权利要求1所述的基于深度学习的产品推送方法，其特征在于，基于历史用户信息矩阵和历史产品信息矩阵创建产品推荐模型的步骤包括：

执行如下迭代处理：

根据历史产品信息矩阵和第一模型参数矩阵生成产品矩阵；

根据所述产品矩阵、第二模型参数矩阵、第三模型参数矩阵和所述历史用户信息矩阵确定产品预测推荐概率；

根据所述产品预测推荐概率和实际购买产品确定损失函数；

当所述损失函数小于预设值时，根据当前迭代中的第一模型参数矩阵、第二模型参数矩阵和第三模型参数矩阵创建产品推荐模型，否则根据所述损失函数更新所述第一模型参数矩阵、所述第二模型参数矩阵和所述第三模型参数矩阵，继续执行所述迭代处理。

4.根据权利要求3所述的基于深度学习的产品推送方法，其特征在于，根据所述产品矩阵、第二模型参数矩阵、第三模型参数矩阵和所述历史用户信息矩阵确定产品预测推荐概率包括：

根据所述产品矩阵和所述第二模型参数矩阵生成用户初始兴趣特征矩阵；

根据所述第三模型参数矩阵、所述用户初始兴趣特征矩阵和所述历史用户信息矩阵生成用户最终兴趣特征矩阵；

根据所述用户最终兴趣特征矩阵和所述产品矩阵确定产品预测推荐概率。

5.一种基于深度学习的产品推送系统，其特征在于，包括：

当前用户信息矩阵单元，用于根据用户身份信息构造当前用户信息矩阵；

当前产品信息矩阵单元，用于根据用户点击产品的顺序创建当前产品信息矩阵；

产品推荐概率单元，用于将所述当前用户信息矩阵和所述当前产品信息矩阵输入基于历史用户信息矩阵和历史产品信息矩阵创建的产品推荐模型中，得到产品推荐概率；

产品推送单元，用于根据所述产品推荐概率确定推送产品并对所述推送产品进行推送。

6.根据权利要求5所述的基于深度学习的产品推送系统，其特征在于，所述当前产品信息矩阵包括产品ID矩阵、产品类别矩阵和产品价格矩阵；

所述当前产品信息矩阵单元具体用于：

根据用户点击产品的顺序创建产品ID序列；

根据所述产品ID序列确定产品类别序列和产品价格序列；

根据所述产品ID序列和用户在各个产品上的停留时间生成产品ID矩阵；

根据所述产品类别序列生成产品类别矩阵，根据所述产品价格序列生成产品价格矩阵。

7.根据权利要求5所述的基于深度学习的产品推送系统，其特征在于，还包括产品推荐模型创建单元，用于：

执行如下迭代处理：

根据历史产品信息矩阵和第一模型参数矩阵生成产品矩阵；

根据所述产品矩阵、第二模型参数矩阵、第三模型参数矩阵和所述历史用户信息矩阵确定产品预测推荐概率；

根据所述产品预测推荐概率和实际购买产品确定损失函数；

当所述损失函数小于预设值时，根据当前迭代中的第一模型参数矩阵、第二模型参数矩阵和第三模型参数矩阵创建产品推荐模型，否则根据所述损失函数更新所述第一模型参数矩阵、所述第二模型参数矩阵和所述第三模型参数矩阵，继续执行所述迭代处理。