CN110490637B 商品组的推 荐方法、装置、电子设备及可读存储介质 （北京三快在线科技有限公司）

本公开的实施例提供了一种商品组的推荐目标商品组的综合特征生成目标商品组的综合2根据所述每个商品的个体特征向量确定每个商品在所述目标商根据每个商品的个体特征向量、每个商品在所述目标商品组中的将所述综合特征向量输入至预先训练的激活函数中，预测得到得分，所述激活函数包括针对点击率的第一激活子函数和针对转化率的第二激活子函数，化率样本值之间的平方损失值进行加权运算确根据所述质量得分将所述目标商品组推荐给用将所述商品名称输入至卷积神经网络和最大池化层中预测得将所述第一子向量、第二子向量、所述连续特征组成的第三向量拼将所述点击率或所述转化率或所述访购率得分作为质i,2为第i个商品组合样本对应的访购率样本3y'i,2为第i个商品组合样本对应的访购率预测值。基于多个商品组合样本，分别计算所述点击率预测值的方差和所述按照预设规则对所述商品组合样本进行过滤，所述预设规则包括如下规则个体特征向量生成模块，用于针对目标商品组中每个商品，根商品权重确定模块，用于根据所述每个商品的个体综合特征向量生成模块，用于根据每个商品的个体特征向量、质量得分预测模块，用于将所述综合特征向量输入至预先值和所述预先标注的转化率样本值之间的平方损失值进行加权运算确处理器、存储器以及存储在所述存储器上并可在所述处理器上运行特征在于，所述处理器执行所述程序时实现如权利要求1-8中一个或多个所述的商品组的45[0019]处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程的个体特征向量确定每个商品在所述目标商品组中的权重；根据每个商品的个体特征向[0025]图3示出了本公开的实施例中根据个体特征向量和综合特征向量预测质量得分的6[0030]下面将结合本公开的实施例中的附图，对本公开的实施例中的技术方案进行清[0037]步骤102，根据所述每个商品的个体特征向量确定每个商品在所述目标商品组中7[0046]损失值同时兼顾点击率的损失和转化率的损失，将两种损失综合起来作为损失得分大于或等于预设质量得分阈值的目标商品组合推荐给用[0053]参照图2，其示出了在本公开的另一种实施例中的商品组的推荐方法的具体步骤8[0056]在本公开的实施例中，如图4所示，可以通过CNN(ConvolutionalNeutral[0068]步骤204，根据所述每个商品的个体特征向量确定每个商品在所述目标商品组中9i,2为第i个商品组合样本对应的访购率[0104]在本公开的另一种实施例中，在对第一激活子函数和第段内的点击率的过滤规则。[0108]在本公开的另一种实施例中，在对第一激活子函数和第[0123]商品权重确定模块302，用于根据所述每个商品的个体特征向量确定每个商品在入至卷积神经网络和最大池化层中预测得到[0135]商品权重确定模块402，用于根据所述每个商品的个体特征向量确定每个商品在[0138]点击率预测子模块4041，用于将所述综合特征向量输入至所述第一激活子函数[0139]转化率预测子模块4042，用于将所述综合特征向量输入至所述第二激活子函数i,2为第i个商品组合样本对应的访购率[0153]在本公开的另一种实施例中，在对第一激活子函数和第设历史时间段内的点击率的过滤规则。[0155]在本公开的另一种实施例中，在对第一激活子函数和第[0163]在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的商品组的推荐[0168]应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干[0170]以上所述仅为本公开的实施例的较佳实施例而已，并不用以限制本公开的实施