[发明专利]基于知识迁移算法的产品推荐方法、装置、设备及介质

权利要求书

1.一种基于知识迁移算法的产品推荐方法，其特征在于，所述方法包括：

获取多个产品的历史用户特征集合；

利用随机森林算法对所述历史用户特征集合进行特征筛选，得到关键特征集合；

利用所述关键特征集合训练预构建的第一神经网络，得到原始推荐模型；

对所述原始推荐模型进行参数迁移，得到第二神经网络；

获取实时用户特征集合，利用所述实时用户特征集合对所述第二神经网络进行知识迁移训练，得到标准推荐模型；

利用所述标准推荐模型对新注册用户输出所述多个产品的产品推荐结果；

其中，所述利用所述关键特征集合训练预构建的第一神经网络，得到原始推荐模型，包括：利用预设的数据标准化公式对所述关键特征集合进行归一化处理，得到标准特征集合；将所述标准特征集合划分成预设个数的训练特征集；随机选取一个训练特征集作为验证特征集，利用未被选取到的训练特征集训练所述第一神经网络，并计算所述第一神经网络的损失值，在所述损失值小于等于预设的损失阈值时，得到推荐模型；利用所述验证特征集对所述推荐模型进行验证，得到验证参数；返回所述随机选取一个训练特征集作为验证特征集的步骤，直至所有的训练特征集均被选取为验证特征集，得到多个推荐模型及多个验证参数；计算所述多个验证参数的平均值，得到平均验证参数；选取所述多个推荐模型中模型参数最接近所述平均验证参数的推荐模型为所述原始推荐模型；

所述计算所述第一神经网络的损失值，包括：

利用下述预测公式计算所述第一神经网络输出的所述训练特征集中特征的预测值：

利用所述第一神经网络中预设的损失函数计算所述预测值的损失值：

Loss＝l_ilog(1-pred_i)+(1-l_i)log(pred_i)

其中，l_i为标签，pred_i为预测值，Dense表示第一神经网络的输出层，z_i(old-train)为训练特征集的特征，activation＝’sigmod’表示输出层的激活函数为sigmod函数，为模型参数。

2.如权利要求1所述的基于知识迁移算法的产品推荐方法，其特征在于，所述利用所述实时用户特征集合对所述第二神经网络进行知识迁移训练，得到标准推荐模型，包括：

依次选取所述第二神经网络中的一层作为训练层，并冻结所述第二神经网络未被选中的神经网络；

利用所述实时用户特征集合训练所述训练层，直至所述训练层的参数收敛，得到优化训练层；

汇总所有收敛的优化训练层，得到所述标准推荐模型。

3.如权利要求1所述的基于知识迁移算法的产品推荐方法，其特征在于，所述利用随机森林算法对所述历史用户特征集合进行特征筛选，得到关键特征集合，包括：

提取历史数据集中的已成交产品作为样本集；

从所述样本集中随机选取子样本集，以及从所述历史用户特征集合中随机选取子特征集；

利用所述子样本集及所述子特征集构建随机森林；

根据所述随机森林输出的特征权重，选取预设个数的用户特征作为所述关键特征集合。

4.如权利要求3所述的基于知识迁移算法的产品推荐方法，其特征在于，所述利用所述子样本集及所述子特征集构建随机森林，包括：

依次选取所述子特征集中的特征作为根节点，并利用根节点中的特征依次对所述子样本集进行划分，得到多个叶节点；

确定所述根节点及所述根节点的多个叶节点构成决策树；

汇总得到的所述决策树，得到所述随机森林。