CN111553759A - 一种产品信息推送方法、装置、设备及存储介质 - Google Patents

Abstract

本申请涉及数据分析领域，尤其涉及一种产品信息推送方法、装置、设备及存储介质，所述方法包括：从目标用户终端获取用户特征信息,所述用户特征信息包括数值型特征和分类型特征；对所述数值型特征和所述分类型特征进行数据预处理以构造融合向量；基于产品推荐模型中的深度神经网络子模型对融合向量进行处理得到深度特征向量，并基于所述产品推荐模型中的交叉神经网络子模型对融合向量进行处理得到交叉特征向量；根据深度特征向量和交叉特征向量构造融合特征向量，并根据融合特征向量预测若干待推荐产品各自的推荐分值；根据待推荐产品的推荐分值，将待推荐产品发送给所述目标终端。可以融合更多种类的用户属性参与决策，以提高产品推荐的准确率。

Description

一种产品信息推送方法、装置、设备及存储介质

技术领域

本申请涉及数据分析领域，尤其涉及一种产品信息推送方法、装置、设备及存储介质。

背景技术

传统的产品推荐系统通过业务员对用户产品历史购买情况以及咨询情况作分析来判断用户接下来购买的产品。对于人工推荐产品的方式，需要抽入大量的人工，增加了人力成本开支，同时会给用户带来较差的体验。由于用户数量之多，人工推荐的方式已经不能满足当前用户的需要，智能化产品自动推荐方案也因此产生。

现有的智能化产品自动推荐方案，一般通过大数据分析确定用户属性与产品属性之间的关联度，然后根据用户属性和产品属性及其关联度，确定用户可能感兴趣的产品。但是可以参与决策的用户属性的种类有限，在推荐决策过程中会遗漏较多的参考信息，从而确定的产品可能不是用户真正感兴趣，导致推荐准确率较低。

因此，如何提高产品推荐的准确率成为亟待解决的问题。

发明内容

本申请提供了一种产品信息推送方法、装置、设备及存储介质，可以融合更多种类的用户属性参与决策，以提高产品推荐的准确率。

第一方面，本申请提供了一种产品信息推送方法，所述方法包括：

从目标用户终端获取用户特征信息,所述用户特征信息包括数值型特征和分类型特征；

对所述数值型特征和所述分类型特征进行数据预处理，以构造融合向量；

基于产品推荐模型中的深度神经网络子模型对所述融合向量进行处理，得到深度特征向量，并基于所述产品推荐模型中的交叉神经网络子模型对所述融合向量进行处理，得到交叉特征向量；

根据所述深度特征向量和所述交叉特征向量构造融合特征向量，并根据所述融合特征向量预测若干待推荐产品各自的推荐分值；

根据所述若干待推荐产品各自的推荐分值，将至少一个所述待推荐产品的产品信息发送给所述目标用户终端。

第二方面，本申请还提供了一种产品信息推送装置，所述装置包括：

数据获取模块，用于从目标用户终端获取用户特征信息,所述用户特征信息包括数值型特征和分类型特征；

数据处理模块，用于对所述数值型特征和所述分类型特征进行数据预处理，以构造融合向量；

向量处理模块，用于基于产品推荐模型中的深度神经网络子模型对所述融合向量进行处理，得到深度特征向量，并基于所述产品推荐模型中的交叉神经网络子模型对所述融合向量进行处理，得到交叉特征向量；

分值预测模块，用于根据所述深度特征向量和所述交叉特征向量构造融合特征向量，并根据所述融合特征向量预测若干待推荐产品各自的推荐分值；

产品推荐模块，用于根据所述若干待推荐产品各自的推荐分值，将至少一个所述待推荐产品的产品信息发送给所述目标用户终端。

第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的产品信息推送方法。

第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的产品信息推送方法。

本申请公开了一种产品信息推送方法、装置、设备及存储介质，通过从目标终端获取用户特征信息，该用户特征信息包括数值型特征和分类型特征，对数值型特征和分类型特征分别进行处理，以得到融合向量，利用预先训练好的产品推荐模型中的深度神经网络子模型和交叉神经网络子模型分别对融合向量进行处理得到深度特征向量和交叉特征向量，根据深度特征向量和交叉特征向量构造融合特征向量，从而根据所述融合特征向量预测若干待推荐产品各自的推荐分值，最后根据推荐产品各自对应的推荐分值，将至少一个所述待推荐产品的产品信息发送至目标用户终端，可以融合更多种类的用户属性参与决策，以从而提高产品推荐的准确率。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种产品信息推送方法的示意流程图；

图2为应用于服务器的产品信息推送方法的场景示意图；

图3为图1中对所述数值型特征和所述分类型特征进行数据预处理以构造融合向量的子流程示意图；

图4是本申请实施例提供的一种产品推荐模型的结构示意性框图；

图5是本申请实施例提供的一种产品推荐模型训练过程的示意流程图；

图6是本申请实施例提供的一种产品信息推送装置的示意性框图；

图7是本申请实施例提供的另一种产品信息推送装置的示意性框图；

图8是本申请一实施例提供的一种计算机设备的结构示意性框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

本申请的实施例提供了一种产品信息推送方法、装置、计算机设备及存储介质。该产品信息推送方法可应用于服务器中，用于根据用户的用户特征信息为用户推送适合的产品信息等过程，以提高产品推荐的准确率。

例如，产品信息推送方法用于服务器；服务器可以为独立的服务器，也可以为服务器集群。以下实施例将以应用于服务器的产品信息推送方法进行详细介绍。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参阅图1，图1是本申请实施例提供的一种产品信息推送方法的示意流程图。

如图2所示为应用于服务器的产品信息推送方法的场景示意图。

如图1和图2所示，该产品信息推送方法，具体包括：步骤S101至步骤S105。

步骤S101、从目标用户终端获取用户特征信息,所述用户特征信息包括数值型特征和分类型特征。

示例性地，用户特征信息可以包括用户的车辆信息。在一些实施方式中，用户可以在其使用的终端上输入车辆信息，然后终端将车辆信息发送给服务器。

示例性地，用户在终端上点击产品推荐的按钮，则终端上可以显示车辆信息输入界面；用户可以在该输入界面输入车辆信息，然后终端将车辆信息发送给服务器。

在一些实施方式中，车辆信息可以包括购置价、座位数、排汽量、机构代码、经纪人代码、代理人代码、车商编码、车系、品牌、所属性质、车辆种类、新能源车标志、行驶证车主性别等。

其中，购置价、座位数、排汽量是量化的数值，因此可以将购置价、座位数、排汽量等车辆信息确定为数值型特征。机构代码、经纪人代码、代理人代码、车商编码、车系、品牌、所属性质、车辆种类、新能源车标志、行驶证车主性别等不适量化的特征，例如可以以数字和/或字母代码表示，因此可以将这些特征确定为分类型特征。

步骤S102、对所述数值型特征和所述分类型特征进行数据预处理，以构造融合向量。

由于所述数值型特征和所述分类型特征为不同的数据类型，因此，需要使用不同的预处理方法分别对所述数值型特征和所述分类型特征进行处理。

在一些实施例中，请参考图3，所述对所述数值型特征和所述分类型特征进行数据预处理以构造融合向量，具体包括：步骤S1021至步骤S1023。

步骤S1021、对所述数值型特征进行标准化处理，得到所述数值型特征对应的数值数据。

在一些实施方式中，通过max-min归一化方法对所述数值型特征进行标准化处理。

max-min归一化也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0，1]之间。转换函数如下：x’＝(x-min)÷(max-min)。其中，max表示数值型特征的最大值、min表示数值型特征的最小值，x表示从目标用户终端获取的车辆信息中的数值型特征的数值，x’表示数值型特征对应的数值数据。

例如，预设车辆的购置价的最大值为110万人民币，最小值为10万人民币，则若从目标用户终端获取的车辆信息中的购置价为30万人民币，则该购置价进行标准化处理后得到的数值数据为0.2。

在另一些实施方式中，对所述数值型特征进行标准化处理，使所述数值型特征对应的数值数据满足正态分布。

示例性地，该标准化处理的转化函数可以表示为：x’＝(x-μ)÷σ，其中μ表示数值型特征样本数据的均值，σ表示数值型特征样本数据的标准差，x表示从目标用户终端获取的车辆信息中的数值型特征的数值，x’表示数值型特征对应的数值数据。

通过对数值型特征进行标准化处理，可以避免由于不同数值型特征数值差异过大，导致的在数值型特征较小时产品推荐的准确性较差的问题；通过标准化处理将差异很大的数值型特征的数值压缩至较小的范围，即可以保持不同数值型特征的数值之间的差异，也缩小了不同数值型特征的数值之间的差异，使得产品信息推送方法可以在更多的场景下保持足够的精度。

示例性地，车辆信息中的购置价、座位数、排汽量进行标准化处理，相应的得到数值数据分别为D1、D2、D3。

步骤S1022、对所述分类型特征进行向量化处理，得到所述分类型特征对应的分类型向量。

在一些实施例中，服务器预先存储有分类型特征和分类型向量的映射表，可以通过查表得到分类型特征对应的分类型向量。

在另一些实施方式中，基于产品推荐模型中的向量嵌入层对所述分类型特征进行向量化处理，得到所述分类型特征对应的分类型向量。通过模型训练的产品推荐模型，向量嵌入层学习到了训练样本中分类型特征和分类型向量的对应关系，从而可以根据分类型特征确定对应的分类型向量。

示例性地，对车辆信息中的机构代码、经纪人代码、代理人代码、车商编码、车系分别进行向量化处理，相应地得到分类型向量E1、E2、E3、E4、E5。

步骤S1023、根据所述数值数据和所述分类型向量构造融合向量。

在一些实施例中，通过将所述数值数据和所述分类型向量首尾拼接，作为产品推荐模型的输入向量。示例性地，融合向量表示为D1、D2、D3、E1、E2、E3、E4、E5。

根据所述数值数据和所述分类型向量构造的融合向量，由于同时保留了用户的数值型特征和分类型特征的相关信息，如购置价、座位数、排汽量、机构代码、经纪人代码、代理人代码、车商编码、车系、品牌、所属性质、车辆种类、新能源车标志、行驶证车主性别等，可以更好地融合更多种类的用户属性参与决策，从而得出更为精准的用户兴趣画像。基于用户兴趣画像为用户推荐产品，可提高产品推荐的精确率。在一些实施例中，所述根据所述数值数据和所述分类型向量构造融合向量之前，还包括以下步骤：

从所述目标用户终端获取产品类别信息，对所述产品类别信息进行向量化处理，得到所述产品类别信息对应的产品类别向量。

示例性地，用户在目标用户终端还输入需要推荐的产品的类别，从而服务器可以根据用户输入获取产品类别信息，如车险险种，可以为寿险、车险等。

在一些实施例中，所述对所述产品类别信息进行向量化处理，得到所述产品类别信息对应的产品类别向量，具体包括以下步骤：获取预设的产品类别信息与产品类别向量之间的映射关系数据；根据所述映射关系数据，对所述产品类别信息进行向量化处理，以得到所述产品类别信息对应的产品类别向量。服务器预先存储有产品类别信息和产品类别向量的映射表，可以通过查表得到产品类别信息对应的产品类别向量。

在另一些实施例中，所述对所述产品类别信息进行向量化处理，得到所述产品类别信息对应的产品类别向量，具体包括以下步骤：基于产品推荐模型中的向量嵌入层对所述产品类别信息进行向量化处理，得到对应的产品类别向量。通过模型训练的产品推荐模型，向量嵌入层学习到了训练样本中产品类别信息和产品类别向量的对应关系，从而可以根据产品类别信息确定对应的产品类别向量。

在一些实施例中，所述根据所述数值数据和所述分类型向量构造融合向量，具体包括以下步骤：

根据所述数值数据、所述分类型向量以及所述产品类别向量，构造融合向量。

示例性地，从目标用户终端获取产品类别信息为车险，车险对应的产品类别向量为F1，将所述数值数据、所述分类型向量和所述产品类别向量首尾拼接，构造融合向量，即作为产品推荐模型的输入向量，如融合向量表示为D1、D2、D3、E1、E2、E3、E4、E5、F1。

根据所述数值数据、所述分类型向量以及所述产品类别向量，构造的融合向量，由于除了保留了用户的数值型特征和分类型特征的相关信息，还保留了产品类别信息，可以在用户兴趣画像的基础上，根据产品对应的类别特性，进一步分析用户可能感兴趣的产品，从而提高产品推荐的准确率。在一些实施例中，所述根据所述数值数据和所述分类型向量构造融合向量之前，还包括以下步骤：

获取所述目标用户终端对应的历史产品购买记录，对所述历史产品购买记录进行自注意力机制处理，得到所述历史产品购买记录对应的购买记录向量。

示例性地，根据目标用户终端的用户信息，从客户数据库获取该用户曾购买过的产品，生成该用户对应的历史产品购买记录。

若该目标用户为续保用户，且该目标用户历史购买较多的车险险种，在下次车险险种购买时继续购买该险种的可能性也较大。在续保用户车险险种推荐中，可以根据历史产品购买记录视为情况对每种险种的重要性进行评估。因此，对于续保用户，根据历史车险险种购买记录，采用attention(自注意力)机制，进行险种重要性排序。用户历史购买的某种车险险种较多，则该险种会获得较高的评分。同时，可以将attention机制处理后的结果作为产品推荐模型的输入，从而可以通过使用attention机制以使得模型的预测达到最优效果。

在一些实施例中，所述根据所述数值数据和所述分类型向量构造融合向量，具体包括以下步骤：

根据所述数值数据、所述分类型向量以及所述产品类别向量和/或所述购买记录向量，构造融合向量。

示例性地，从目标用户终端获取产品类别信息为车险，车险对应的产品类别向量为F1，所述历史产品购买记录对应的购买记录向量为G1，将所述数值数据、所述分类型向量以及所述产品类别向量和/或所述购买记录向量首尾拼接，作为产品推荐模型的输入向量，如融合向量可以表示为D1、D2、D3、E1、E2、E3、E4、E5、F1、G1，或者为D1、D2、D3、E1、E2、E3、E4、E5、G1。

步骤S103、基于产品推荐模型中的深度神经网络子模型对所述融合向量进行处理，得到深度特征向量，并基于所述产品推荐模型中的交叉神经网络子模型对所述融合向量进行处理，得到交叉特征向量。

在一些实施例中，如图4所示，产品推荐模型包括深度神经网络子模型deepnetwork和交叉神经网络子模型cross network。其中，交叉网络的核心思想是以有效的方式应用显式特征交叉。交叉网络由交叉层组成，每个交叉层具有以下公式：

其中，X_l、X_l+1为列向量，分别表示来自第l层和第(l+1)层的交叉层cross layer的输出，X₀为预设向量，W_l、b_l为第l层和第(l+1)层这两个交叉层cross layer之间的连接参数，f()表示特征交叉feature crossing，用于拟合该层输出和上一层输出的残差，即X_l+1-X_l的残差。

由于交叉网络的参数数目少，从而限制了模型的能力。为了捕获高阶非线性交叉，在所述产品推荐模型中平行引入了一个深度网络。深度网络就是一个全连接的前馈神经网络，每个深度层具有如下公式：

h_l+1＝f(W_lH_l+b_l)

其中，h_l、h_l+1分别是第l层和第(l+1)层的隐藏层hidden layer的输出，W_l、b_l为第l层和第(l+1)层这两个深度层deep layer之间的连接参数，f()表示激活函数—ReLUfunction。

产品推荐模型通过联合(jointly)训练交叉网络cross network和深度神经网络deep network得到，既保留了深度神经网络deep network捕获复杂特征组合的能力，同时交叉网络cross network中，每一层都有特征交叉feature crossing，能够学习交叉特征，并不需要人工特征工程。因此，该产品推荐模型内存较小，在学习特定阶数组合特征的时候效率非常高，并且引入的额外的复杂度也是微乎其微的。

步骤S104、根据所述深度特征向量和所述交叉特征向量构造融合特征向量，并根据所述融合特征向量预测若干待推荐产品各自的推荐分值。

示例性地，所述产品推荐模型中的交叉神经网络子模型输出的交叉特征向量为X_l1+，深度神经网络子模型输出的深度特征向量为h_l+1,将产品推荐模型中的深度神经网络子模型deep network和交叉神经网络子模型cross network的输出进行拼接，得到融合特征向量，例如可以表示为X_l+1，h_l+1。

在一些实施例中，所述产品推荐模型还包括逻辑回归子模型，所述逻辑回归子模型包括线性网络层和sigmoid激活层。

将该融合特征向量输入所述逻辑回归子模型，线性网络层根据融合特征向量处理得到包含若干元素的输出向量。示例性地，所述若干元素与若干待推荐产品一一对应，其中，所述若干元素与待推荐产品的推荐分值成正比关系，即一待推荐产品对应的元素越大，则该待推荐产品对应的推荐分值越高。

示例性地，将线性网络层的输出向量，经过sigmoid激活函数，计算出各个待推荐产品对应的推荐分值，从而可以将推荐分值处理为0到1之间的数值。

步骤S105、根据所述若干待推荐产品各自的推荐分值，将至少一个所述待推荐产品的产品信息发送给所述目标用户终端。

示例性地，可以将推荐分值最大的待推荐产品确定为目标产品，然后获取该目标产品的产品信息，如该车险的协议、价格等，之后将该产品信息发送给所述目标用户终端。

在一些实施例中，所述根据所述若干待推荐产品各自的推荐分值，将至少一个所述待推荐产品的产品信息发送给所述目标用户终端，包括以下步骤：

若有所述待推荐产品的推荐分值大于预设阈值，则将所述待推荐产品发送给所述目标用户终端。

可预设最低的推荐分值，如0.75，若有所述待推荐产品的推荐分值大于0.75，则将所述待推荐产品的产品信息发送给所述目标用户终端；若没有待推荐产品的推荐分值大于0.75，则将推荐分值最大的待推荐产品对应的产品信息发送给所述目标用户终端。

在一些实施例中，请参考图5，所述产品信息推送方法，还包括产品推荐模型的训练过程，例如可以包括步骤201至步骤S206。

可以理解的，产品推荐模型的训练过程可以由终端或服务器执行实现；训练结束后得到的产品推荐模型可以部署在用于实现前述实施例的产品信息推送方法的终端或服务器。

步骤201、获取训练样本数据，所述训练样本数据包括若干用户的产品信息以及感兴趣产品，且所述产品信息包括数值型特征和分类型特征。

所述产品信息包括用户的车辆信息，所述车辆信息包括购置价、座位数、排汽量、机构代码、经纪人代码、代理人代码、车商编码、车系、品牌、所属性质、车辆种类、新能源车标志、行驶证车主性别等。其中，购置价、座位数、排汽量是量化的数值，因此可以将购置价、座位数、排汽量等车辆信息确定为数值型特征。机构代码、经纪人代码、代理人代码、车商编码、车系、品牌、所属性质、车辆种类、新能源车标志、行驶证车主性别等不适量化的特征，例如可以以数字和/或字母代码表示，因此可以将这些特征确定为分类型特征。

步骤202、对所述数值型特征进行标准化处理，得到所述数值型特征对应的数值数据，并对所述分类型特征进行向量化处理，得到所述分类型特征对应的分类型向量。

在一些实施方式中，通过max-min归一化方法对所述数值型特征进行标准化处理。原因在如果多个特征之间数据差异较大，收敛速度就会很慢，在涉及到距离计算的模型中，若多个特征之间数值差异较大，那么数值小的特征对距离的影响则很小，会影响模型的精度。

分类型特征进行随机初始化处理得到对应的分类型向量，同时在模型训练过程中，会对分类型向量进行更新。示例性地，运用L2正则化对分类型特征进行处理，使得在模型训练学习过程中降低模型复杂度和不稳定程度，从而避免过拟合的风险。

示例性地，对每个车险险种初始化一个对应的车险险种特征向量，采用分类型变量来表达车险险种信息，分类型变量的特征的初始化维度为10维。同时在模型训练过程中，会对分类型特征向量值进行更新，初始化特征值在0到0.001之间。当特征值在0到0.001之间时，模型训练收敛速度最快。

示例性地，对训练样本数据中某个用户的车辆信息中的购置价、座位数、排汽量进行标准化处理，相应地得到数值数据分别为D1、D2、D3，且该用户的车辆信息中的机构代码、经纪人代码、代理人代码、车商编码、车系分别进行向量化处理，相应的得到分类型向量E1、E2、E3、E4、E5。

步骤203、根据所述用户的数值数据和分类型向量构造融合向量。

在一些实施例中，通过将所述数值数据和所述分类型向量首尾拼接，作为产品推荐模型的输入向量。示例性地，融合向量表示为D1、D2、D3、E1、E2、E3、E4、E5。

步骤204、将所述用户的所述融合向量分别输入所述产品推荐模型中的深度神经网络子模型和交叉神经网络子模型，各自得到深度特征向量和交叉特征向量。

示例性地，将所述用户的所述融合向量输入至产品推荐模型中的交叉神经网络子模型后，输出的交叉特征向量为X_l+1；将所述用户的所述融合向量输入至产品推荐模型中的深度神经网络子模型后，输出的深度特征向量为h_l+1。

步骤205、根据所述用户的所述深度特征向量和所述交叉特征向量构造融合特征向量，并根据所述融合特征向量预测若干待推荐产品各自的推荐分值。

示例性地，所述产品推荐模型中的交叉神经网络子模型输出的交叉特征向量为X_l+l，深度神经网络子模型输出的深度特征向量为h_l+1,将产品推荐模型中的深度神经网络子模型deep network和交叉神经网络子模型cross network的输出进行拼接，得到融合特征向量，例如可以表示为X_l+1，h_l+1。

在一些实施例中，产品推荐模型还包括逻辑回归子模型，其中，所述逻辑回归子模型包括线性网络层和sigmoid激活层。将该融合特征向量输入所述逻辑回归子模型，线性网络层根据融合特征向量处理得到包含若干元素的输出向量。将线性网络层的输出向量，经过sigmoid激活函数，计算出各个待推荐产品对应的推荐分值，从而可以将推荐分值处理为0到1之间的数值。

步骤206、根据所述用户对应的所述若干待推荐产品各自的推荐分值，以及所述用户的感兴趣产品计算损失值，根据所述损失值调整所述产品推荐模型的模型参数。

在一些实施方式中，将获取的数据集划分为训练数据集、校验数据集和测试数据集。训练数据集用于模型训练，校验数据集用于模型的选择，测试数据集用于模型的测试。

在一些实施方式中，可以将训练的问题处理为对非偶问题或者对偶问题，非对偶问题为在构造的正负样本对中，如果用户购买了些类险种，该险种样本为正样本，则我们将该类险种打标签为1，如果没有购买些类险种，该险种样本为负样本，则我们将些类险种打标签为0。而对偶问题中，每个样本对中对应一个正样本和一个负样本，作为排序问题，我们在模型的训练过程中，令正样本的得分高于负样本，以达到模型的排序效果。

在一些实施方式中，模型训练过程中，首先经过深度神经网络计算，深度神经网络层数可根据需要进行调整，如选用两层的线性神经网络，每层神经网络层对应一个权重weight和偏置Bias,在模型训练中，会对weight和Bias值进行更新。隐藏层维度大小可根据需要进行调整，如将隐藏层维度设置为50。模型的最终输入维度100维，为了使得模型达到理想的效果，因此将中间层输出层维度设置为50，输入层维度大小设置为10，其中输出层维度大小可根据需要进行调整。经过深度神经网络，模型可以学习到深度意义上的特征信息。

在一些实施方式中，在深度神经网络中，可选择性使用Batch Normalization机制，神经网络在训练过程中，随着深度加深，输入值分布会发生偏移，向取值区间上下两端靠近。为了解决这一问题，Batch Normalization通过一定的规范化手段，把每层神经网络输入值的分布强行拉回到均值为0方差为1的标准正态分布，使得分布回到非线性函数对输入比较敏感的区域，并且使得损失函数能发生较大的变化，如梯度变大，从而避免梯度消失问题。同时梯度变大能加快模型收敛速度，提高训练速度。

在一些实施方式中，模型训练过程中，为了学习到特征之间的交叉信息，使用到了交叉神经网络机制，交叉神经网络层数可根据需要调整，交叉神经网络的实现机制是每次根据上一层交叉神经网络的结果，乘以一个同等维度的矩阵，同时加上上一层交叉神经网络的输出结果以及一个对应的偏置。

示例性地，选用优化器进行模型训练，其中优化器可选择，如sgd优化器，可根据实际所需对优化器的学习率进行调整从而提高模型训练效果。sgd优化器具有训练速度快，不容易陷入局部最优解的特性。

示例性地，在所述产品推荐模型中可采用动态学习率方案，如模型每训练迭代100轮，学习率衰减10倍。设置动态学习率的目的是为了使得模型更接进最优解。

上述实施例提供的产品信息推送方法，通过从目标终端获取用户特征信息，该用户特征信息包括数值型特征和分类型特征，对数值型特征和分类型特征分别进行处理，以得到融合向量，利用预先训练好的产品推荐模型中的深度神经网络子模型和交叉神经网络子模型分别对融合向量进行处理得到深度特征向量和交叉特征向量，根据深度特征向量和交叉特征向量构造融合特征向量，从而根据所述融合特征向量预测若干待推荐产品各自的推荐分值，最后根据推荐产品各自对应的推荐分值，将至少一个所述待推荐产品的产品信息发送至目标用户终端，可以融合更多种类的用户属性参与决策，从而提高产品推荐的准确率。

请参阅图6，图6是本申请的实施例还提供一种产品信息推送装置的示意性框图，该产品信息推送装置用于执行前述的产品信息推送方法。其中，该产品信息推送装置可以配置于服务器或终端中。

其中，服务器可以为独立的服务器，也可以为服务器集群。该终端可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。

如图6所示，产品信息推送装置300包括：数据获取模块301、数据处理模块302、向量处理模块303、分值预测模块304和产品推荐模块305。

数据获取模块301，用于从目标用户终端获取用户特征信息,所述用户特征信息包括数值型特征和分类型特征。

数据处理模块302，用于对所述数值型特征和所述分类型特征进行数据预处理，以构造融合向量。

其中，如图7所示，数据处理模块302包括标准化处理子模块3021、向量化处理子模块3022和数据融合子模块3023。

具体地，标准化处理子模块3021，用于对所述数值型特征进行标准化处理，得到所述数值型特征对应的数值数据；向量化处理子模块3022，用于对所述分类型特征进行向量化处理，得到所述分类型特征对应的分类型向量；数据融合子模块3023，用于根据所述数值数据和所述分类型向量构造融合向量。

向量处理模块303，用于基于产品推荐模型中的深度神经网络子模型对所述融合向量进行处理，得到深度特征向量，并基于所述产品推荐模型中的交叉神经网络子模型对所述融合向量进行处理，得到交叉特征向量。

分值预测模块304，用于根据所述深度特征向量和所述交叉特征向量构造融合特征向量，并根据所述融合特征向量预测若干待推荐产品各自的推荐分值。

产品推荐模块305，用于根据所述若干待推荐产品各自的推荐分值，将至少一个所述待推荐产品的产品信息发送给所述目标用户终端。

其中，如图7所示，产品推荐模块305包括产品判断子模块3051和产品推送子模块3052。

具体地，产品判断子模块3051，用于判断是否有待推荐产品的推荐分值大于预设阈值；产品推送子模块3052，用于将推荐分值大于预设阈值的待推荐产品发送给所述目标用户终端。

产品信息推送装置300包括模型优化模块，所述模型优化模块用于：获取训练样本数据，所述训练样本数据包括若干用户的产品信息以及感兴趣产品，且所述产品信息包括数值型特征和分类型特征；对所述数值型特征进行标准化处理，得到所述数值型特征对应的数值数据，并对所述分类型特征进行向量化处理，得到所述分类型特征对应的分类型向量；根据所述用户的数值数据和分类型向量构造融合向量；将所述用户的所述融合向量分别输入所述产品推荐模型中的深度神经网络子模型和交叉神经网络子模型，各自得到深度特征向量和交叉特征向量；根据所述用户的所述深度特征向量和所述交叉特征向量构造融合特征向量，并根据所述融合特征向量预测若干待推荐产品各自的推荐分值；根据所述用户对应的所述若干待推荐产品各自的推荐分值，以及所述用户的感兴趣产品计算损失值，根据所述损失值调整所述产品推荐模型的模型参数。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的产品信息推送装置和各模块的具体工作过程，可以参考前述产品信息推送方法实施例中的对应过程，在此不再赘述。

上述的产品信息推送装置可以实现为一种计算机程序的形式，该计算机程序可以在如图8所示的计算机设备上运行。

请参阅图8，图8是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器或终端。

参阅图8，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。

非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种产品信息推送方法。

处理器用于提供计算和控制能力，支撑整个计算机设备的运行。

内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种产品信息推送方法。

该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：

从目标用户终端获取用户特征信息,所述用户特征信息包括数值型特征和分类型特征；

对所述数值型特征和所述分类型特征进行数据预处理，以构造融合向量；

基于产品推荐模型中的深度神经网络子模型对所述融合向量进行处理，得到深度特征向量，并基于所述产品推荐模型中的交叉神经网络子模型对所述融合向量进行处理，得到交叉特征向量；

根据所述深度特征向量和所述交叉特征向量构造融合特征向量，并根据所述融合特征向量预测若干待推荐产品各自的推荐分值；

根据所述若干待推荐产品各自的推荐分值，将至少一个所述待推荐产品的产品信息发送给所述目标用户终端。

在一个实施例中，所述处理器在实现所述对所述数值型特征和所述分类型特征进行数据预处理，以构造融合向量时，用于实现：

对所述数值型特征进行标准化处理，得到所述数值型特征对应的数值数据；

对所述分类型特征进行向量化处理，得到所述分类型特征对应的分类型向量；

根据所述数值数据和所述分类型向量构造融合向量。

在一个实施例中，所述处理器在实现所述根据所述数值数据和所述分类型向量构造融合向量之前，还用于实现：

从所述目标用户终端获取产品类别信息，对所述产品类别信息进行向量化处理，得到所述产品类别信息对应的产品类别向量；

所述根据所述数值数据和所述分类型向量构造融合向量，包括：

根据所述数值数据、所述分类型向量以及所述产品类别向量，构造融合向量。

在一个实施例中，所述处理器在实现所述对所述产品类别信息进行向量化处理，得到所述产品类别信息对应的产品类别向量时，用于实现：

获取预设的产品类别信息与产品类别向量之间的映射关系数据；

根据所述映射关系数据，对所述产品类别信息进行向量化处理，以得到所述产品类别信息对应的产品类别向量。

在一个实施例中，所述处理器在实现所述根据所述数值数据和所述分类型向量构造融合向量之前，用于实现：

获取所述目标用户终端对应的历史产品购买记录，对所述历史产品购买记录进行自注意力机制处理，得到所述历史产品购买记录对应的购买记录向量；

所述根据所述数值数据和所述分类型向量构造融合向量，包括：

根据所述数值数据、所述分类型向量以及所述产品类别向量和/或所述购买记录向量，构造融合向量。

在一个实施例中，所述处理器在实现所述根据所述若干待推荐产品各自的推荐分值，将至少一个所述待推荐产品的产品信息发送给所述目标用户终端时，用于实现：

若有所述待推荐产品的推荐分值大于预设阈值，则将所述待推荐产品发送给所述目标用户终端。

在一个实施例中，所述处理器在实现所述产品信息推送方法时，还用于实现：

获取训练样本数据，所述训练样本数据包括若干用户的产品信息以及感兴趣产品，且所述产品信息包括数值型特征和分类型特征；

对所述数值型特征进行标准化处理，得到所述数值型特征对应的数值数据，并对所述分类型特征进行向量化处理，得到所述分类型特征对应的分类型向量；

根据所述用户的数值数据和分类型向量构造融合向量；

将所述用户的所述融合向量分别输入所述产品推荐模型中的深度神经网络子模型和交叉神经网络子模型，各自得到深度特征向量和交叉特征向量；

根据所述用户的所述深度特征向量和所述交叉特征向量构造融合特征向量，并根据所述融合特征向量预测若干待推荐产品各自的推荐分值；

根据所述用户对应的所述若干待推荐产品各自的推荐分值，以及所述用户的感兴趣产品计算损失值，根据所述损失值调整所述产品推荐模型的模型参数。

本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项产品信息推送方法。

其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

前述实施例提供的产品信息推送装置、存储介质、计算机设备，通过从目标终端获取用户特征信息，该用户特征信息包括数值型特征和分类型特征，对数值型特征和分类型特征分别进行处理，以得到融合向量，利用预先训练好的产品推荐模型中的深度神经网络子模型和交叉神经网络子模型分别对融合向量进行处理得到深度特征向量和交叉特征向量，根据深度特征向量和交叉特征向量构造融合特征向量，从而根据所述融合特征向量预测若干待推荐产品各自的推荐分值，最后根据推荐产品各自对应的推荐分值，将至少一个所述待推荐产品的产品信息发送至目标用户终端，可以融合更多种类的用户属性参与决策，从而提高产品推荐的准确率。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种产品信息推送方法，其特征在于，包括：

从目标用户终端获取用户特征信息,所述用户特征信息包括数值型特征和分类型特征；

对所述数值型特征和所述分类型特征进行数据预处理，以构造融合向量；

基于产品推荐模型中的深度神经网络子模型对所述融合向量进行处理，得到深度特征向量，并基于所述产品推荐模型中的交叉神经网络子模型对所述融合向量进行处理，得到交叉特征向量；

根据所述深度特征向量和所述交叉特征向量构造融合特征向量，并根据所述融合特征向量预测若干待推荐产品各自的推荐分值；

根据所述若干待推荐产品各自的推荐分值，将至少一个所述待推荐产品的产品信息发送给所述目标用户终端。

2.如权利要求1所述的产品信息推送方法，其特征在于，所述对所述数值型特征和所述分类型特征进行数据预处理，以构造融合向量，包括：

对所述数值型特征进行标准化处理，得到所述数值型特征对应的数值数据；

对所述分类型特征进行向量化处理，得到所述分类型特征对应的分类型向量；

根据所述数值数据和所述分类型向量构造融合向量。

3.如权利要求2所述的产品信息推送方法，其特征在于，所述根据所述数值数据和所述分类型向量构造融合向量之前，还包括：

从所述目标用户终端获取产品类别信息，对所述产品类别信息进行向量化处理，得到所述产品类别信息对应的产品类别向量；

所述根据所述数值数据和所述分类型向量构造融合向量，包括：

根据所述数值数据、所述分类型向量以及所述产品类别向量，构造融合向量。

4.如权利要求3所述的产品信息推送方法，其特征在于，所述对所述产品类别信息进行向量化处理，得到所述产品类别信息对应的产品类别向量，包括：

获取预设的产品类别信息与产品类别向量之间的映射关系数据；

根据所述映射关系数据，对所述产品类别信息进行向量化处理，以得到所述产品类别信息对应的产品类别向量。

5.如权利要求1至4中任一项所述的产品信息推送方法，其特征在于，所述根据所述数值数据和所述分类型向量构造融合向量之前，还包括：

获取所述目标用户终端对应的历史产品购买记录，对所述历史产品购买记录进行自注意力机制处理，得到所述历史产品购买记录对应的购买记录向量；

所述根据所述数值数据和所述分类型向量构造融合向量，包括：

根据所述数值数据、所述分类型向量以及所述产品类别向量和/或所述购买记录向量，构造融合向量。

6.如权利要求1所述的产品信息推送方法，其特征在于，所述根据所述若干待推荐产品各自的推荐分值，将至少一个所述待推荐产品的产品信息发送给所述目标用户终端，包括：

若有所述待推荐产品的推荐分值大于预设阈值，则将所述待推荐产品发送给所述目标用户终端。

7.如权利要求1所述的产品信息推送方法，其特征在于，还包括：

获取训练样本数据，所述训练样本数据包括若干用户的产品信息以及感兴趣产品，且所述产品信息包括数值型特征和分类型特征；

对所述数值型特征进行标准化处理，得到所述数值型特征对应的数值数据，并对所述分类型特征进行向量化处理，得到所述分类型特征对应的分类型向量；

根据所述用户的数值数据和分类型向量构造融合向量；

将所述用户的所述融合向量分别输入所述产品推荐模型中的深度神经网络子模型和交叉神经网络子模型，各自得到深度特征向量和交叉特征向量；

根据所述用户的所述深度特征向量和所述交叉特征向量构造融合特征向量，并根据所述融合特征向量预测若干待推荐产品各自的推荐分值；

根据所述用户对应的所述若干待推荐产品各自的推荐分值，以及所述用户的感兴趣产品计算损失值，根据所述损失值调整所述产品推荐模型的模型参数。

8.一种产品信息推送装置，其特征在于，包括：

数据获取模块，用于从目标用户终端获取用户特征信息,所述用户特征信息包括数值型特征和分类型特征；

数据处理模块，用于对所述数值型特征和所述分类型特征进行数据预处理，以构造融合向量；

向量处理模块，用于基于产品推荐模型中的深度神经网络子模型对所述融合向量进行处理，得到深度特征向量，并基于所述产品推荐模型中的交叉神经网络子模型对所述融合向量进行处理，得到交叉特征向量；

分值预测模块，用于根据所述深度特征向量和所述交叉特征向量构造融合特征向量，并根据所述融合特征向量预测若干待推荐产品各自的推荐分值；

产品推荐模块，用于根据所述若干待推荐产品各自的推荐分值，将至少一个所述待推荐产品的产品信息发送给所述目标用户终端。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；

所述存储器用于存储计算机程序；

所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的产品信息推送方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的产品信息推送方法。

Images