事务信息推荐方法、装置、存储介质、产品及电子设备与流程

本技术涉及计算机，尤其涉及一种事务信息推荐方法、装置、存储介质、产品及电子设备。

背景技术：

1、现有技术中可以通过用户的在网络上对广告、新闻、文章等事务信息进行浏览行为时所产生的历史数据，并基于用户的个人特征对用户的喜好进行预测，从而向用户推送用户可能喜好的事务信息，但是现有技术中仅能通过用户的个人特征对用户进行形象刻画，但是往往用户在不同时间段对事务信息的偏好是不相同的，现有技术并不能预测用户偏好随着时间的偏好，需要提出一种能够预测不同时间段用户偏好的方法。

技术实现思路

1、本技术实施例提供了一种事务信息推荐方法、装置、存储介质、产品及电子设备，可以通过结合用户对不同时段事务信息的偏好以及事务信息的时效信息，计算用户对事务信息的偏好分数，提高偏好分数的准确性、全面性，从而提高事务信息推荐的合理性。所述技术方案如下：

2、第一方面，本技术实施例提供了一种事务信息推荐方法，所述方法包括：

3、获取时段偏好模型，所述时段偏好模型用于计算用户对不同时段的事务信息的偏好分数；

4、基于目标用户的用户特征和曝光事务信息的时效性特征，获得所述目标用户的时效性偏好向量，所述曝光事务信息为曝光于所述目标用户的事务信息；

5、采用所述时效性偏好向量对所述时段偏好模型进行参数调制处理，获得目标偏好模型；

6、基于所述用户特征和目标事务信息的内容特征，采用所述目标偏好模型对所述目标用户进行偏好预测处理，获得所述目标用户对所述目标事务信息的偏好分数；

7、基于所述偏好分数，确定针对所述目标用户的所述目标事务信息的推荐策略。

8、第二方面，本技术实施例提供了一种时段偏好模型训练方法，所述方法包括：

9、创建初始偏好模型，获取样本用户的历史访问数据集，所述历史访问数据集包括所述样本用户的用户特征、所述样本用户对应的样本曝光事务信息，以及所述用户本户针对所述样本曝光事务信息的点击标签，所述样本曝光事务信息为曝光于所述样本用户的事务信息；

10、基于所述历史访问数据集对所述初始偏好模型进行至少一轮模型训练，得到所述样本用户对所述样本曝光事务信息的样本偏好分数；

11、基于所述样本偏好分数和所述点击标签对所述初始偏好模型进行参数调整，直至所述初始偏好模型完成模型训练，得到时段偏好模型。

12、第三方面，本技术实施例提供了一种时效偏好模型训练方法，所述方法包括：

13、创建初始时效模型，获取样本用户的用户特征、所述样本用户对应的样本曝光事务信息的样本时效性特征，以及样本用户的预设时效性偏好；

14、基于所述样本用户的用户特征和所述样本时效性特征对所述初始时效模型进行至少一轮模型训练，得到所述样本用户对应的样本时效性偏好向量；

15、基于所述样本时效性偏好向量和所述预设时效性偏好对所述初始时效模型进行参数调整，直至所述初始时效模型完成模型训练，得到时效偏好模型。

16、第四方面，本技术实施例提供了一种参数调制模型训练方法，所述方法包括：

17、创建初始调制模型，获取样本用户的样本时效性偏好向量，和所述样本时效性偏好向量对应的样本聚类中心向量；

18、基于所述样本时效性偏好向量和所述样本聚类中心向量，对所述初始调制模型进行至少一轮模型训练，得到所述样本用户对应的样本调制输入参数；

19、基于所述样本调制输入参数对时段偏好模型进行参数调制处理，获得所述样本用户对应的样本偏好模型，基于所述样本偏好模型对所述样本用户进行偏好预测处理获得所述样本用户针对样本曝光事务信息的样本时效偏好分数；

20、基于所述样本时效偏好分数和所述样本用户针对所述样本曝光事务信息的点击标签，对所述初始调制模型进行参数调整，直至所述初始调制模型完成模型训练，得到参数调制模型。

21、第五方面，本技术实施例提供了一种事务信息推荐装置，所述装置包括：

22、模型获取模块，用于获取时段偏好模型，所述时段偏好模型用于计算用户对不同时段的事务信息的偏好分数；

23、时效偏好计算模块，用于基于目标用户的用户特征和曝光事务信息的时效性特征，获得所述目标用户的时效性偏好向量，所述曝光事务信息为曝光于所述目标用户的事务信息；

24、参数调制模块，用于采用所述时效性偏好向量对所述时段偏好模型进行参数调制处理，获得目标偏好模型；

25、偏好预测模块，用于基于所述用户特征和目标事务信息的内容特征，采用所述目标偏好模型对所述目标用户进行偏好预测处理，获得所述目标用户对所述目标事务信息的偏好分数；

26、推荐策略确定模块，用于基于所述偏好分数，确定针对所述目标用户的所述目标事务信息的推荐策略。

27、第六方面，本技术实施例提供了一种时段偏好模型训练装置，所述装置包括：

28、第一模型创建模块，用于创建初始偏好模型，获取样本用户的历史访问数据集，所述历史访问数据集包括所述样本用户的用户特征、所述样本用户对应的样本曝光事务信息，以及所述用户本户针对所述样本曝光事务信息的点击标签，所述样本曝光事务信息为曝光于所述样本用户的事务信息；

29、第一模型训练模块，用于基于所述历史访问数据集对所述初始偏好模型进行至少一轮模型训练，得到所述样本用户对所述样本曝光事务信息的样本偏好分数；

30、第一模型获取模块，用于基于所述样本偏好分数和所述点击标签对所述初始偏好模型进行参数调整，直至所述初始偏好模型完成模型训练，得到时段偏好模型。

31、第七方面，本技术实施例提供了一种时效偏好模型训练装置，所述装置包括：

32、第二模型创建模块，用于创建初始时效模型，获取样本用户的用户特征、所述样本用户对应的样本曝光事务信息的样本时效性特征，以及样本用户的预设时效性偏好；

33、第二模型训练模块，用于基于所述样本用户的用户特征和所述样本时效性特征对所述初始时效模型进行至少一轮模型训练，得到所述样本用户对应的样本时效性偏好向量；

34、第二模型获取模块，用于基于所述样本时效性偏好向量和所述预设时效性偏好对所述初始时效模型进行参数调整，直至所述初始时效模型完成模型训练，得到时效偏好模型。

35、第八方面，本技术实施例提供了一种参数调制模型训练装置，所述装置包括：

36、第三模型创建模块，用于创建初始调制模型，获取样本用户的样本时效性偏好向量，和所述样本时效性偏好向量对应的样本聚类中心向量；

37、第三模型训练模块，用于基于所述样本时效性偏好向量和所述样本聚类中心向量，对所述初始调制模型进行至少一轮模型训练，得到所述样本用户对应的样本调制输入参数；

38、模型调制模块，用于基于所述样本调制输入参数对时段偏好模型进行参数调制处理，获得所述样本用户对应的样本偏好模型，基于所述样本偏好模型对所述样本用户进行偏好预测处理获得所述样本用户针对样本曝光事务信息的样本时效偏好分数；

39、第三模型获得模块，用于基于所述样本时效偏好分数和所述样本用户针对所述样本曝光事务信息的点击标签，对所述初始调制模型进行参数调整，直至所述初始调制模型完成模型训练，得到参数调制模型。

40、第九方面，本技术实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。

41、第十方面，本技术实施例提供一种计算机程序产品，所述计算机程序产品存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。

42、第十一方面，本技术实施例提供一种电子设备，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。

43、在本技术一个或多个实施例中，获取时段偏好模型，所述时段偏好模型用于计算用户对不同时段的事务信息的偏好分数，基于目标用户的用户特征和曝光事务信息的时效性特征，获得所述目标用户的时效性偏好向量，所述曝光事务信息为曝光于所述目标用户的事务信息，采用所述时效性偏好向量对所述时段偏好模型进行参数调制处理，获得目标偏好模型，基于所述用户特征和目标事务信息的内容特征，采用所述目标偏好模型对所述目标用户进行偏好预测处理，获得所述目标用户对所述目标事务信息的偏好分数，基于所述偏好分数，确定针对所述目标用户的所述目标事务信息的推荐策略。通过结合用户对不同时段事务信息的偏好以及事务信息的时效信息，计算用户对事务信息的偏好分数，提高了偏好分数的准确性、全面性，从而提高了事务信息推荐的合理性。