本發(fā)明涉及人工智能，尤其涉及一種推薦方法、裝置、電子設(shè)備、存儲介質(zhì)和程序產(chǎn)品。
背景技術(shù)：
1、利用推薦算法，為用戶精準(zhǔn)展示合適的權(quán)益禮包，能有效激發(fā)其購買意愿。目前，在各類商城的權(quán)益禮包推薦場景中，以下幾種推薦算法得到了廣泛應(yīng)用。
2、協(xié)同過濾方法由于稀疏矩陣上的計算問題，影響推薦準(zhǔn)確度；邏輯回歸方法由于模型簡單造成欠擬合，分類精度不高；梯度提升決策樹(gradient?boosting?decisiontree，gbdt)在模型訓(xùn)練時只使用了損失函數(shù)的一階導(dǎo)數(shù)信息，逼近真實函數(shù)的精確度受限，最后導(dǎo)致推薦精度不準(zhǔn)。
3、因此，亟需一種能夠提高推薦準(zhǔn)確度的推薦方法。
技術(shù)實現(xiàn)思路
1、本發(fā)明提供一種推薦方法、裝置、電子設(shè)備、存儲介質(zhì)和程序產(chǎn)品，用以解決現(xiàn)有技術(shù)中推薦精度欠佳的缺陷。
2、本發(fā)明提供一種推薦方法，包括：
3、獲取目標(biāo)用戶的用戶特征和待推薦禮包的禮包特征；
4、將所述用戶特征和所述禮包特征輸入至梯度提升決策樹gbdt模型，對所述目標(biāo)用戶進行分層，得到所述gbdt模型輸出的所述目標(biāo)用戶的用戶層次，并基于所述用戶層次得到所述目標(biāo)用戶的候選禮包；
5、將所述用戶特征和所述候選禮包的禮包特征輸入至已訓(xùn)練的禮包推薦模型，得到所述禮包推薦模型輸出的目標(biāo)用戶與每個候選禮包之間的推薦匹配度，所述禮包推薦模型包括順次連接的極端梯度提升xgboost模型和因子分解機fm模型，所述xgboost模型用于特征組合，所述fm模型用于線性分類；
6、基于所述推薦匹配度，確定推薦給所述目標(biāo)用戶的推薦禮包。
7、根據(jù)本發(fā)明提供的推薦方法，所述將所述用戶特征和所述候選禮包的禮包特征輸入至已訓(xùn)練的禮包推薦模型，得到所述禮包推薦模型輸出的目標(biāo)用戶與每個候選禮包之間的推薦匹配度，包括：
8、將所述用戶特征和所述候選禮包的禮包特征輸入至所述xgboost模型，對所述用戶特征和所述候選禮包的禮包特征進行組合和離散化，得到所述xgboost模型輸出的離散特征；
9、將所述離散特征輸入至所述fm模型，得到所述fm模型輸出的所述目標(biāo)用戶與每個候選禮包之間的推薦匹配度。
10、根據(jù)本發(fā)明提供的推薦方法，所述將所述用戶特征和所述候選禮包的禮包特征輸入至所述xgboost模型，對所述用戶特征和所述候選禮包的禮包特征進行組合和離散化，得到所述xgboost模型輸出的離散特征，包括：
11、將所述用戶特征和所述候選禮包的禮包特征輸入至所述xgboost模型的每棵樹，得到每棵樹的葉子節(jié)點對應(yīng)的編碼向量，將所述編碼向量作為所述離散特征并輸出。
12、根據(jù)本發(fā)明提供的推薦方法，所述將所述離散特征輸入至所述fm模型，得到所述fm模型輸出的所述目標(biāo)用戶與每個候選禮包之間的推薦匹配度，包括：
13、將所述離散特征輸入至所述fm模型，對所述離散特征每個維度的數(shù)據(jù)進行兩兩交叉，基于交叉結(jié)果確定所述推薦匹配度并輸出。
14、根據(jù)本發(fā)明提供的推薦方法，所述已訓(xùn)練的禮包推薦模型的確定步驟，包括：
15、確定訓(xùn)練樣本，每個訓(xùn)練樣本包括樣本用戶特征、樣本禮包特征、樣本交叉特征和是否購買特征；
16、將所述樣本用戶特征和所述樣本禮包特征輸入至gbdt模型，對所述樣本用戶進行分層，得到所述gbdt模型輸出的樣本用戶的用戶層次，并基于所述用戶層次得到所述樣本用戶的候選禮包；
17、將用戶分層后的訓(xùn)練樣本中的非高維稀疏特征和非樣本交叉特征輸入至初始xgboost模型，對所述初始xgboost模型進行訓(xùn)練，并得到所述初始xgboost模型輸出的樣本離散特征；
18、將所述用戶分層后的訓(xùn)練樣本中的高維稀疏特征和樣本交叉特征，以及所述樣本離散特征輸入至初始fm模型，對所述初始fm模型進行訓(xùn)練，基于訓(xùn)練好的xgboost模型和fm模型確定所述禮包推薦模型。
19、根據(jù)本發(fā)明提供的推薦方法，所述樣本用戶特征、樣本禮包特征和樣本交叉特征的獲取步驟，包括：
20、獲取樣本用戶的用戶數(shù)據(jù)和樣本禮包的禮包數(shù)據(jù)；
21、基于所述用戶數(shù)據(jù)和所述禮包數(shù)據(jù)，構(gòu)造特征工程，得到所述樣本用戶特征、樣本禮包特征和樣本交叉特征。
22、根據(jù)本發(fā)明提供的推薦方法，所述基于所述用戶數(shù)據(jù)和所述禮包數(shù)據(jù)，構(gòu)造特征工程，包括：
23、對所述用戶數(shù)據(jù)和所述禮包數(shù)據(jù)進行數(shù)據(jù)預(yù)處理，基于預(yù)處理后得到的數(shù)據(jù)構(gòu)造特征工程。
24、本發(fā)明還提供一種推薦裝置，包括：
25、特征獲取單元，用于獲取目標(biāo)用戶的用戶特征和待推薦禮包的禮包特征；
26、用戶分層單元，用于將所述用戶特征和所述禮包特征輸入至梯度提升決策樹gbdt模型，對所述目標(biāo)用戶進行分層，得到所述gbdt模型輸出的所述目標(biāo)用戶的用戶層次，并基于所述用戶層次得到所述目標(biāo)用戶的候選禮包；
27、匹配度確定單元，用于將所述用戶特征和所述候選禮包的禮包特征輸入至已訓(xùn)練的禮包推薦模型，得到所述禮包推薦模型輸出的目標(biāo)用戶與每個候選禮包之間的推薦匹配度，所述禮包推薦模型包括順次連接的極端梯度提升xgboost模型和因子分解機fm模型，所述xgboost模型用于特征組合，所述fm模型用于線性分類；
28、禮包推薦單元，用于基于所述推薦匹配度，確定推薦給所述目標(biāo)用戶的推薦禮包。
29、本發(fā)明還提供一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)如上述任一種所述推薦方法。
30、本發(fā)明還提供一種非暫態(tài)計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)如上述任一種所述推薦方法。
31、本發(fā)明還提供一種計算機程序產(chǎn)品，包括計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上述任一種所述推薦方法。
32、本發(fā)明提供的推薦方法、裝置、電子設(shè)備、存儲介質(zhì)和程序產(chǎn)品，通過利用gbdt模型對目標(biāo)用戶進行分層，確定目標(biāo)用戶的用戶層次及其對應(yīng)的候選禮包；然后基于用戶特征和候選禮包的禮包特征，利用已訓(xùn)練的禮包推薦模型，確定目標(biāo)用戶與每個候選禮包之間的推薦匹配度，并基于推薦匹配度，確定推薦給目標(biāo)用戶的推薦禮包，禮包推薦模型包括順次連接的xgboost模型和fm模型。能夠?qū)崿F(xiàn)對目標(biāo)用戶精準(zhǔn)的推薦合適的禮包，從而提高推薦準(zhǔn)確度，減少人工運營成本。
1.一種推薦方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的推薦方法，其特征在于，所述將所述用戶特征和所述候選禮包的禮包特征輸入至已訓(xùn)練的禮包推薦模型，得到所述禮包推薦模型輸出的目標(biāo)用戶與每個候選禮包之間的推薦匹配度，包括：
3.根據(jù)權(quán)利要求2所述的推薦方法，其特征在于，所述將所述用戶特征和所述候選禮包的禮包特征輸入至所述xgboost模型，對所述用戶特征和所述候選禮包的禮包特征進行組合和離散化，得到所述xgboost模型輸出的離散特征，包括：
4.根據(jù)權(quán)利要求2所述的推薦方法，其特征在于，所述將所述離散特征輸入至所述fm模型，得到所述fm模型輸出的所述目標(biāo)用戶與每個候選禮包之間的推薦匹配度，包括：
5.根據(jù)權(quán)利要求1-4中任一項所述的推薦方法，其特征在于，所述已訓(xùn)練的禮包推薦模型的確定步驟，包括：
6.根據(jù)權(quán)利要求5所述的推薦方法，其特征在于，所述樣本用戶特征、樣本禮包特征和樣本交叉特征的獲取步驟，包括：
7.根據(jù)權(quán)利要求6所述的推薦方法，其特征在于，所述基于所述用戶數(shù)據(jù)和所述禮包數(shù)據(jù)，構(gòu)造特征工程，包括：
8.一種推薦裝置，其特征在于，包括：
9.一種電子設(shè)備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)如權(quán)利要求1至7任一項所述推薦方法。
10.一種非暫態(tài)計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至7任一項所述推薦方法。
11.一種計算機程序產(chǎn)品，包括計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至7任一項所述推薦方法。