[发明专利]基于人工智能的商品推荐方法、装置、电子设备及介质

说明书

本发明涉及人工智能技术领域，提供一种基于人工智能的商品推荐方法、装置、电子设备及介质，在获取到第一及第二目标用户群体的初始用户数据之后，通过计算时间影响因子来将第一及第二目标用户群体的初始用户数据更新为目标用户数据，从而修正了时间因素导致的目标用户数据无法实时更新的问题，进一步通过计算第一目标用户数据与第二目标用户数据的兴趣偏好因子，基于兴趣偏好因子计算对应的两个目标用户数据的相似度，相似度的准确度较高，使用基于第二目标用户数据训练得到的留存预测模型对第一目标用户数据进行留存预测，得到留存预测标签，最后结合留存预测标签和相似度为第一目标用户群体进行商品推荐，商品推荐的效果更佳。

技术领域

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的商品推荐方法、装置、电子设备及介质。

背景技术

用户留存是常见的大数据挖掘应用场景，用户在某段时间内开始使用应用，经过一段时间后，仍然继续使用该应用的用户，被认作是留存用户，留存用户体现了商品的质量和保留用户的能力。

发明人在实现本发明的过程中发现，现有技术中通过获取用户的不同属性的数据来训练Logistic回归模型进行留存预测，并根据留存预测的概率进行商品的推荐，然而Logistic回归模型的回归系数是利用已有的用户数据采用最大似然估计得到估计值，根据估计值优化Logistic回归模型，因而使用训练完成的Logistic回归模型对目标用户进行留存预测时，留存预测的准确度较低，从而导致推荐效果较差。

发明内容

鉴于以上内容，有必要提出一种基于人工智能的商品推荐方法、装置、电子设备及介质，能够商品推荐的效果。

本发明的第一方面提供一种基于人工智能的商品推荐方法，所述方法包括：

获取第一目标用户群体的第一初始用户数据，及获取第二目标用户群体的第二初始用户数据；

计算时间影响因子并使用所述时间影响因子更新所述第一初始用户数据为第一目标用户数据及更新所述第二初始用户数据为第二目标用户数据；

计算所述第一目标用户数据与所述第二目标用户数据的兴趣偏好因子，并基于所述兴趣偏好因子计算对应的所述第一目标用户数据与所述第二目标用户数据的相似度；

基于所述第二目标用户数据训练留存预测模型，并使用所述留存预测模型对所述第一目标用户数据进行留存预测，得到留存预测标签；

根据所述留存预测标签及所述相似度为所述第一目标用户群体进行商品推荐。

根据本发明的一个可选的实施方式，所述计算时间影响因子并使用所述时间影响因子更新所述第一初始用户数据为第一目标用户数据及更新所述第二初始用户数据为第二目标用户数据包括：

获取所述第一目标用户的第一注册时间及获取所述第二目标用户的第二注册时间；

根据所述第一注册时间计算对应的所述第一初始用户数据的第一时间影响因子，及根据所述第二注册时间计算对应的所述第二初始用户数据的第二时间影响因子；

使用所述第一时间影响因子更新所述第一初始用户数据为所述第一目标用户数据，及使用所述第二时间影响因子更新所述第二初始用户数据为所述第二目标用户数据。

根据本发明的一个可选的实施方式，所述计算所述第一目标用户数据与所述第二目标用户数据的兴趣偏好因子，并基于所述兴趣偏好因子计算对应的所述第一目标用户数据与所述第二目标用户数据的相似度包括：

计算所述第一目标用户数据与所述第二目标用户数据中相同目标用户数据的第一数量；

计算所述第一目标用户数据与所述第二目标用户数据的总目标用户数据的第二数量；

基于所述第一数量及所述第二数量计算得到兴趣偏好因子；