[发明专利]产品推荐方法、装置、设备及存储介质

权利要求书

1.一种产品推荐方法，其特征在于，所述产品推荐方法包括：

从预设样本库中获取多个用户样本，每个用户样本中包括历史购买用户及该历史购买用户的喜好产品；

基于所述喜好产品对所述多个用户样本进行类型划分，得到多个采样组；

基于预先构建好的孪生网络预测所述多个采样组中每个样本对的样本相似度；

根据所述样本相似度计算每个采样组的采样率；

基于所述采样率及所述样本相似度从每个采样组中提取训练样本；

基于所述训练样本迭代调整所述孪生网络，直至满足预设迭代条件，得到产品推荐模型；

当接收到产品推荐请求时，根据所述产品推荐请求中待测用户在多个预设维度上的维度信息生成表征向量；

将所述表征向量输入至所述产品推荐模型中，得到目标推荐产品。

2.如权利要求1所述的产品推荐方法，其特征在于，在从预设样本库中获取多个用户样本之前，所述方法还包括：

获取多个所述历史购买用户，并获取每个历史购买用户的购买产品及所述购买产品的购买金额；

将所述购买金额最大的购买产品确定为每个历史购买用户的喜好产品；

将每个历史购买用户及对应的喜好产品作为同一用户样本存储在所述预设样本库中。

3.如权利要求1所述的产品推荐方法，其特征在于，所述孪生网络包括特征提取层，每个样本对中包括第一用户及第二用户，所述基于预先构建好的孪生网络预测所述多个采样组中每个样本对的样本相似度包括：

基于所述多个预设维度生成所述第一用户的第一数据信息，并基于所述多个预设维度生成所述第二用户的第二数据信息；

将所述第一数据信息及所述第二数据信息分别输入至所述特征提取层，得到与所述第一数据信息对应的第一特征向量，及与所述第二数据信息对应的第二特征向量；

计算所述第一特征向量与所述第二特征向量的相似度，得到所述样本相似度。

4.如权利要求3所述的产品推荐方法，其特征在于，所述多个预设维度包括基础属性，所述基于所述多个预设维度生成所述第一用户的第一数据信息包括：

获取所述第一用户在所述基础属性上的基础信息；

定位所述第一用户的绑定设备，并获取所述第一用户在所述绑定设备上的操作信息；

从所述操作信息中识别出产品信息及所述产品信息的浏览次数；

根据所述基础信息、所述产品信息及所述浏览次数构建所述第一数据信息。

5.如权利要求1所述的产品推荐方法，其特征在于，所述根据所述样本相似度计算每个采样组的采样率包括：

计算每个采样组中的多个所述样本相似度的相似度均值，并统计每个采样组中样本对的对数；

根据所述相似度均值、所述多个样本相似度及所述对数计算每个采样组的采样重要度，所述采样重要度的计算公式为：

其中，y是指所述采样重要度，N是指所述对数，X_i是指第i个样本对的样本相似度；

对所述采样重要度进行归一化处理，得到所述采样率。

6.如权利要求1所述的产品推荐方法，其特征在于，所述基于所述采样率及所述样本相似度从每个采样组中提取训练样本包括：

统计每个采样组中用户样本的样本数量；

基于所述样本数量及对应的采样率生成每个采样组的训练数量；

依照预设顺序对每个采样组中的所述多个样本相似度进行排序，得到相似度列表；

计算所述相似度列表中相邻两个样本相似度的相似度斜率；

若所述训练数量大于预设数值，则依次选取最小的相似度斜率所对应的用户样本，直至选取到的用户样本的数量为所述训练数量，停止选取，并将选取到的用户样本确定为所述训练样本；或者

若所述训练数量等于所述预设数值，则选取最小的相似度斜率所对应的用户样本中的任一样本作为所述训练样本。