[发明专利]基于点击率的产品推荐方法、装置、设备及介质

说明书

本公开提供一种基于点击率的产品推荐方法、装置、设备及介质，涉及人工智能技术领域。方法包括获取用户购买产品的多条历史交易数据，构成训练数据集；获取待推荐的m个产品；根据训练数据集，提取m个产品中的每个产品的产品特征和用户行为特征，生成m个特征向量；使用朴素贝叶斯算法计算m个特征向量分别对应的后验概率，根据后验概率，得到m个产品的第一排序列表；将m个特征向量输入深度学习网络模型，得到m个产品的点击率预估值，根据点击率预估值，得到m个产品的第二排序列表，其中，深度学习网络模型是基于训练数据集预先训练得到的；对第一排序列表和第二排序列表进行修正，得到第三排序列表，根据第三排序列表，依次推荐m个产品。

技术领域

本公开涉及人工智能技术领域，具体涉及一种基于点击率的产品推荐方法、装置、电子设备、存储介质和程序产品。

背景技术

随着金融服务中资管产品推荐的兴起，对基金、保险、理财(以下简称基保理)三大类产品的推荐成为热门。如果能够将客户关心和偏好的产品放在推荐列表的头部，那么会促使提高该类产品的交易量。现有技术中，通常的做法是根据基保理产品的属性，对其点击率(Click-Through-Rate，CTR)进行预估，再根据预估的CTR从高到低的顺序形成待推荐产品的推荐列表。

目前，在对基保理产品CTR预估后的排序方法主要分为两种：一种是以协同过滤、矩阵分解算法、逻辑回归(Logistic Regression，LR)、梯度提升决策树(GradientBoosting Decision Tree，GBDT)+逻辑回归、因子分解机(Factorization Machine，FM)为代表的传统机器学习方法；另一种是以DeepFM为代表的深度学习方法。这两种方法的核心都是通过对产品的特征进行学习，给出产品的预估CTR，再根据预估CTR从高到低对产品进行排序。

然而，在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：(1)在传统机器学习方法中，协同过滤和矩阵分解算法本质上只能给出不同待推荐产品与用户历史购买的产品间的相似性，LR严重依赖人工特征的选取，GBDT+LR虽然能自动选取特征但不能处理高维离散特征且模型的泛化能力很弱，FM虽然能处理稀疏特征但没有考虑特征间的深层次关系。(2)在深度学习方法中，核心是神经网络模型的改造，当前较好的方法是DeepFM模型。虽然DeepFM模型既考虑了特征的浅层特征又考虑了特征的深层特征，但是DeepFM的推荐列表是根据各产品的预估CTR高低顺序而来，并没有对预估CTR和排序结果进行任何的修正，导致推荐效果有时不佳。

发明内容

鉴于上述问题，本公开提供一种基于点击率的产品推荐方法、装置、电子设备、存储介质和程序产品。

根据本公开的第一个方面，提供了一种基于点击率的产品推荐方法，包括：获取用户购买产品的多条历史交易数据，构成训练数据集；获取待推荐的m个产品，m≥2且为整数；根据训练数据集，提取m个产品中的每个产品的产品特征和用户行为特征，生成m个特征向量；使用朴素贝叶斯算法计算m个特征向量分别对应的后验概率，根据后验概率，得到m个产品的第一排序列表；将m个特征向量输入深度学习网络模型，得到m个产品的点击率预估值，根据点击率预估值，得到m个产品的第二排序列表，其中，深度学习网络模型是基于训练数据集预先训练得到的；对第一排序列表和第二排序列表进行修正，得到第三排序列表，根据第三排序列表，依次推荐m个产品。

根据本公开的实施例，每个产品的产品特征包括多个子特征，子特征包括产品类型、产品好评度、产品销量、营销新颖度和折扣程度，每个子特征包括多个属性值；每个产品的用户行为特征为离散特征，表征用户是否已购买该产品。

根据本公开的实施例，使用朴素贝叶斯算法计算m个特征向量分别对应的后验概率，包括：计算每种离散特征在训练数据集中的先验概率；根据先验概率，计算在每种离散特征下的每个子特征的不同属性值的条件概率；根据先验概率和条件概率，计算m个产品中的每个产品属于每种离散特征的后验概率。