[发明专利]基于神经网络的产品倾向性识别方法和相关装置

权利要求书

1.一种基于神经网络的产品倾向性识别方法，其特征在于，所述方法包括：

获取目标用户的行为数据；所述行为数据用于指示所述目标客户对目标产品库内各类产品的使用信息；

基于预先训练的倾向性识别模型提取所述行为数据的产品倾向特征，得到所述目标用户对所述各类产品的倾向性识别结果；所述倾向性识别模型为根据倾向性评分法确定的倾向性数据集训练得到的；

根据所述目标用户对所述各类产品的倾向性识别结果，确定所述目标用户的推荐产品；

将所述倾向性识别结果，以及所述倾向性识别结果对应用户的行为数据存储于区块内；所述区块应用于区块链；所述区块链用于向所述区块链内的各个节点共享所述倾向性识别结果，以及所述倾向性识别结果对应用户的行为数据；

向所述其他节点发送所述区块，以使得所述其他节点对应的电子设备存储所述倾向性识别结果，以及所述倾向性识别结果对应用户的行为数据。

2.根据权利要求1所述的基于神经网络的产品倾向性识别方法，其特征在于，在所述获取目标用户的行为数据之前，还包括：

获取用户的产品行为数据；所述产品行为数据标注有产品类型标签和产品倾向性标签；

根据所述用户的产品行为数据和神经网络训练，得到所述倾向性识别模型。

3.根据权利要求2所述的基于神经网络的产品倾向性识别方法，其特征在于，所述根据所述用户的产品行为数据和神经网络训练，得到所述倾向性识别模型，包括：

基于所述产品行为数据对所述神经网络进行产品倾向性的识别训练，得到目标产品倾向性预测结果；

基于所述产品行为数据对所述神经网络进行产品类型的识别训练，得到目标产品类型预测结果；

根据所述目标产品倾向性预测结果和所述产品倾向性标签确定目标倾向性损失值，根据所述目标产品类型预测结果与所述产品类型标签确定目标类型损失值；

将所述目标倾向性损失值和所述目标类型损失值之和确定为目标损失值；

在所述目标损失值不满足预设条件时，调整神经网络的参数，重复上述模型训练步骤；

在所述目标损失值满足所述预设条件时，将当前神经网络确定为所述倾向性识别模型。

4.根据权利要求3所述的基于神经网络的产品倾向性识别方法，其特征在于，所述预设条件为所述目标损失值小于第二阈值。

5.根据权利要求4所述的基于神经网络的产品倾向性识别方法，其特征在于，所述神经网络模型为长短期记忆神经网络，包括特征提取层、全连接层和逻辑回归层；所述特征提取层用于提取所述行为数据的行为特征；

所述全连接层用于综合所述特征提取层提取的行为特征，并将其拼接为目标向量，作为所述逻辑回归层的输入；

所述逻辑回归层用于将所述全连接层的输出结果转换为用户对产品的倾向性识别结果。

6.根据权利要求5所述的基于神经网络的产品倾向性识别方法，其特征在于，所述全连接层通过下列公式对输出参数进行非线性变换：

Y＝f(WX+b)；

其中，f为激活函数，W为权重矩阵，X为所述全连接层的输入，b为偏置向量；

所述逻辑回归层通过下列公式确定所述倾向性识别结果：

其中，Z_j＝W'X_j+b'，X_j为全连接层的输出，W'为所述逻辑回归层的权重矩阵，b'为偏置向量。

7.根据权利要求6所述的基于神经网络的产品倾向性识别方法，其特征在于，所述全连接层包括第一全连接层、第二全连接层和第三全连接层，所述逻辑回归层包括第一逻辑回归层、第二逻辑回归层和第三逻辑回归层；

根据所述用户的产品行为数据训练所述第一全连接层和所述第一逻辑回归层，得到产品倾向性识别模型；

根据所述用户的产品行为数据训练所述第二全连接层和所述第二逻辑回归层，得到产品类型识别模型；

根据所述产品倾向性识别模型的输出特征和所述产品类型识别模型的输出特征训练所述第三全连接层和所述第三逻辑回归层得到所述倾向性识别模型。