[发明专利]一种产品推荐方法、装置及存储介质

权利要求书

1.一种产品推荐方法，其特征在于，所述方法包括：

获取目标用户针对目标推荐场景下的产品的行为数据；

对所述行为数据进行多路召回，得到召回候选集；所述召回候选集中包括多种待推荐产品；

从多个不同维度对所述行为数据进行特征提取，得到多种特征信息；

基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息；

根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端。

2.根据权利要求1所述的方法，其特征在于，所述对所述行为数据进行多路召回，得到召回候选集包括：

分别使用多种不同的召回算法对所述行为数据进行召回，得到多个召回结果；其中，每个召回结果包括多种待推荐产品；

基于各个召回算法针对历史数据的召回率确定各个召回算法的召回配比份额；

根据各个召回算法的召回配比份额对所述多个召回结果进行融合，得到召回候选集。

3.根据权利要求2所述的方法，其特征在于，所述多种不同的召回算法包括：基于时间序列的协同过滤算法、基于产品相似的协同过滤算法、基于用户相似的协同过滤算法、向量索引召回算法和基于销量排序的冷启动算法中的至少两种。

4.根据权利要求1所述的方法，其特征在于，所述多个不同维度包括用户维度、产品维度、用户与产品的交叉维度。

5.根据权利要求1所述的方法，其特征在于，所述基于所述目标推荐场景下所述多种特征信息对于用户选择产品的重要程度从所述多种特征信息筛选出目标特征信息包括：

将所述多种特征信息输入至预设的决策树模型中，根据各个特征信息在所述决策树模型的叶子节点中被使用的次数对各个特征信息进行重要程度排序；

将排序前n位的特征信息确定为目标特征信息。

6.根据权利要求1所述的方法，其特征在于，所述根据所述目标特征信息与所述召回候选集中各个待推荐产品的相关性对所述召回候选集中各个待推荐产品进行排序，将排序结果返回给目标用户客户端包括：

对所述目标特征信息进行特征预处理，得到所述目标特征信息对应的特征向量；

使用预设的排序模型计算所述召回候选集中各个待推荐产品与所述特征向量的相关性；

根据所述相关性对各个待推荐产品进行排序，将排序结果返回给目标用户客户端。

7.根据权利要求6所述的方法，其特征在于，所述特征预处理方法包括归一化、One-Hot、特征降维中的至少一种。

8.根据权利要求6所述的方法，其特征在于，所述排序模型为多个，不同排序模型所使用的排序算法不同；

相应的，根据不同排序模型计算得到的所述召回候选集中各个待推荐产品与所述特征向量的相关性对各个待推荐产品进行排序，得到不同排序模型对应的多个排序结果；

根据各个排序模型的权重对所述多个排序结果进行组合和去重，得到综合排序结果，将所述综合排序结果推荐给用户。

9.根据权利要求6所述的方法，其特征在于，所述排序模型根据以下方式训练得到：

构建预设数量的正样本和负样本，得到训练数据；所述正样本由根据用户针对目标推荐场景下的产品的行为数据提取的目标特征信息和用户购买的产品构成；所述负样本由根据用户针对目标推荐场景下的产品的行为数据提取的目标特征信息和用户未购买的产品构成；

使用预设的排序算法对所述训练数据进行训练，得到排序模型。

10.根据权利要求8或9所述的方法，其特征在于，所述排序算法包括LIGHTGBM算法、LIGHTGBM+LR算法、FM算法和DEEPFM算法中的至少一种。