本發(fā)明涉及人工智能，尤其涉及一種商品推薦方法及裝置。

背景技術(shù)：

1、首頁推薦是用戶逛商超應(yīng)用的核心場景，通常首頁精選推薦場景用戶到達率僅次于搜索頁以及類目頁，高于其他頁面。現(xiàn)有技術(shù)中，采用大數(shù)據(jù)(協(xié)同過濾)推薦門店首頁推薦的頁面瀏覽(page?view，簡稱pv)點擊率大于人工布置門店首頁推薦，例如，人工布置門店首頁推薦頁面瀏覽pv點擊率為0.53％、點擊轉(zhuǎn)化率為14.32％；而采用大數(shù)據(jù)(協(xié)同過濾)推薦門店首頁推薦的pv點擊率為0.71％、點擊轉(zhuǎn)化率為21.55％。首頁大數(shù)據(jù)推薦初見成效，但是與搜索結(jié)果頁的pv點擊率以及點擊轉(zhuǎn)化率相比還是有很大的距離，例如，搜索結(jié)果頁的pv點擊率2.5％、點擊轉(zhuǎn)化率40％，因此，首頁推薦鏈路的建設(shè)及其得到的點擊率、轉(zhuǎn)化率仍有較大提升空間。

2、為了提升用戶的首頁瀏覽體驗，提高首頁推薦的用戶的點擊率，提供一種頁面推薦方法，具有較大的商業(yè)價值。

技術(shù)實現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題是提供一種商品推薦方法及裝置，能夠提升用戶的線上瀏覽體驗，提高推薦的商品的用戶點擊率。

2、為了解決上述問題，本發(fā)明提供了一種商品推薦方法，包括：采用多路召回方式獲取針對每個用戶的召回商品集，所述多路召回包括標簽推薦召回、協(xié)同過濾推薦召回、熱門推薦召回、用戶歷史召回和向量召回的至少其中之二；特征構(gòu)建，構(gòu)建的特征包括用戶瀏覽特征、用戶點擊特征、用戶購買特征、用戶客層特征、用戶性別特征和商品的差異化特征；據(jù)所述特征，采用所述lightgbm算法模型對每個用戶的所述召回商品集中的商品的點擊率進行訓(xùn)練和預(yù)測，并將針對每個用戶的所述召回商品集中的商品按照預(yù)測的點擊率從大到小排序，獲得針對每個用戶的精排序列；將針對每個用戶的所述精排序列按二級類目打散，形成針對每個用戶的混排序列，將針對每個用戶的所述混排序列作為每個用戶的推薦序列。

3、在一些實施例中，所述標簽推薦召回選取的標簽包括末級類目值、客層值、品牌值、是否促銷。

4、在一些實施例中，所述協(xié)同過濾推薦召回通過用戶的下單行為計算商品之間的相似度，

5、

6、其中，a與b分別表示兩種商品。

7、在一些實施例中，所述熱門推薦召回將小區(qū)的熱門商品按照點擊率、轉(zhuǎn)化率、小區(qū)復(fù)購人數(shù)、以及線上銷量分別排序并選取多個商品放入所述召回商品集，并且對點擊率和轉(zhuǎn)化率使用貝葉斯進行平滑修正。

8、在一些實施例中，所述用戶歷史召回分別選取用戶歷史搜索、瀏覽、以及購買的多個商品放入所述召回商品集。

9、在一些實施例中，所述向量召回通過詞向量生成模型得到用戶向量和商品向量，構(gòu)建深度語義匹配模型，訓(xùn)練所述深度語義匹配模型并預(yù)測用戶側(cè)和商品側(cè)的相似度，最后對預(yù)測的相似度得分從大到小進行排序，選取多個商品放入所述召回商品集，所述深度語義匹配模型訓(xùn)練時標簽為是否點擊。

10、在一些實施例中，采用所述lightgbm算法模型對每個用戶的所述召回商品集中的商品的點擊率進行訓(xùn)練和預(yù)測的步驟中，根據(jù)lightgbm算法模型的特征重要性篩選所述構(gòu)建的特征，并采用動態(tài)分區(qū)分布式運行l(wèi)ightgbm算法模型。

11、在一些實施例中，商品點擊率ctr＝n/m，n為點擊次數(shù)，m為曝光量，貝葉斯平滑修正公式為：

12、

13、其中，為修正后的ctr，是均值，s2是方差，轉(zhuǎn)化率＝商品銷量/(點擊進商詳次數(shù)+點擊加購次數(shù))。

14、在一些實施例中，將針對每個用戶的所述精排序列按二級類目打散，形成針對每個用戶的混排序列的步驟進一步包括：設(shè)置已排序列、待排序列，所述已排序列用于存放已經(jīng)完成排序的商品，所述待排序列用于存放已經(jīng)從所述精排序列中取出但尚未排序的商品；循環(huán)執(zhí)行以下步驟直至所述精排序列中的所有商品存放入所述已排序列：選取當(dāng)前商品，從所述待排序列的列首取出一商品作為所述當(dāng)前商品，如果所述待排序列為空或者所述待排序列中的所有商品都與所述已排序列中列尾的兩個商品存在相同的二級類目，則從所述精排序列中剩余的商品序列中列首取出一個商品作為所述當(dāng)前商品；

15、判斷當(dāng)前商品與所述已排序列的列尾的兩個商品是否存在相同的二級類目，如果存在相同的二級類目，則將所述當(dāng)前商品存放入所述待排序列的列尾，如果不存在相同的二級類目，則將所述當(dāng)前商品存放入所述已排序列的列尾；全部商品排列完成后，將所述已排序列作為所述混排序列。

16、為了解決上述問題，本發(fā)明還提供了一種商品推薦裝置，包括：商品召回模塊：用于采用多路召回方式獲取針對每個用戶的召回商品集，所述商品召回模塊包括所述多路召回包括標簽推薦召回單元、協(xié)同過濾推薦召回單元、熱門推薦召回單元、用戶歷史召回單元和向量召回單元的至少其中之二；所述標簽推薦召回單元用于對商品進行標簽推薦召回，協(xié)同過濾推薦召回單元用于對商品進行協(xié)同過濾推薦召回，所述用戶歷史召回單元用于對商品進行用戶歷史召回，所述向量召回單元用于對商品進行向量召回；特征構(gòu)建模塊：用于特征構(gòu)建，構(gòu)建的特征包括：用戶瀏覽特征、點擊特征、購買特征、客層特征、性別特征和商品的差異化特征；排序模塊：包括精排單元以及混排單元；所述精排單元根據(jù)所述構(gòu)建的特征，采用lightgbm算法模型對每個用戶的所述召回商品集中的商品的點擊率進行訓(xùn)練和預(yù)測，將針對每個用戶的所述召回商品集中的商品按照預(yù)測的點擊率從大到小排序，獲得針對每個用戶的精排序列；

17、所述混排單元將針對每個用戶的所述精排序列按二級類目打散，形成針對每個用戶的所述混排序列，將針對每個用戶的所述混排序列作為每個用戶的推薦序列。

18、上述技術(shù)方案，通過采用多路召回方式獲取針對每個用戶的召回商品集，所述多路召回包括標簽推薦召回、協(xié)同過濾推薦召回、熱門推薦召回、用戶歷史召回和向量召回的至少其中之二，構(gòu)建用戶瀏覽特征、用戶點擊特征、用戶購買特征、用戶客層特征、用戶性別特征和商品的差異化特征，采用所述lightgbm算法模型對點擊率進行精排獲得針對每個用戶的精排序列，將針對每個用戶的精排序列按二級類目打散，形成針對每個用戶的混排序列。豐富了線上購物網(wǎng)站推薦給用戶的商品數(shù)量和種類，提高了推薦商品的點擊率和轉(zhuǎn)化率。

19、應(yīng)當(dāng)理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本發(fā)明。對于相關(guān)領(lǐng)域普通技術(shù)人員已知的技術(shù)、方法和設(shè)備可能不作詳細討論，但在適當(dāng)情況下，所述技術(shù)、方法和設(shè)備應(yīng)當(dāng)被視為授權(quán)說明書的一部分。

技術(shù)特征：

1.一種商品推薦方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述標簽推薦召回選取的標簽包括末級類目值、客層值、品牌值、是否促銷。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述協(xié)同過濾推薦召回通過用戶的下單行為計算商品之間的相似度，

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述熱門推薦召回將小區(qū)的熱門商品按照點擊率、轉(zhuǎn)化率、小區(qū)復(fù)購人數(shù)、以及線上銷量分別排序并選取多個商品放入所述召回商品集，并且對點擊率和轉(zhuǎn)化率使用貝葉斯進行平滑修正。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，商品點擊率ctr＝n/m，n為點擊次數(shù)，m為曝光量，貝葉斯平滑修正公式為：

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述用戶歷史召回分別選取用戶歷史搜索、瀏覽、以及購買的多個商品放入所述召回商品集。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述向量召回通過詞向量生成模型得到用戶向量和商品向量，構(gòu)建深度語義匹配模型，訓(xùn)練所述深度語義匹配模型并預(yù)測用戶側(cè)和商品側(cè)的相似度，最后對預(yù)測的相似度得分從大到小進行排序，選取多個商品放入所述召回商品集，所述深度語義匹配模型訓(xùn)練時標簽為是否點擊。

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，采用lightgbm算法模型對每個用戶的所述召回商品集中的商品的點擊率進行訓(xùn)練和預(yù)測的步驟中，根據(jù)lightgbm算法模型的特征重要性篩選所述構(gòu)建的特征，并采用動態(tài)分區(qū)分布式運行l(wèi)ightgbm算法模型。

9.根據(jù)權(quán)利要求1所述的方法，其特征在于，將針對每個用戶的所述精排序列按二級類目打散，形成針對每個用戶的混排序列的步驟進一步包括：

10.一種商品推薦裝置，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明提供了一種商品推薦方法及裝置，通過采用多路召回方式獲取針對每個用戶的召回商品集，所述多路召回方式包括標簽推薦召回、協(xié)同過濾推薦召回、熱門推薦召回、用戶歷史召回和向量召回的至少其中之二，構(gòu)建用戶瀏覽特征、用戶點擊特征、用戶購買特征、用戶客層特征、用戶性別特征和商品的差異化特征，采用LightGBM算法模型對點擊率進行精排獲得針對每個用戶的精排序列，將針對每個用戶的精排序列按二級類目打散，形成針對每個用戶的混排序列。上述方案豐富了線上購物網(wǎng)站推薦給用戶的商品數(shù)量和種類，提高了推薦商品的點擊率和轉(zhuǎn)化率。

技術(shù)研發(fā)人員：鮑汝興,夏朋輝,劉嘉倫,王姜
受保護的技術(shù)使用者：康成投資（中國）有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6