[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

说明书

本发明涉及人工智能技术，揭露了一种基于知识迁移算法的产品推荐方法，包括：获取多个产品的历史用户特征集合，对历史用户特征集合进行特征筛选，得到关键特征集合，利用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，对原始产品模型进行参数迁移，得到第二神经网络，利用实时用户特征集合训练第二神经网络，得到标准推荐模型，利用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。此外，本发明还涉及区块链技术，所述历史用户特征集合可从区块链的节点中获取。本发明还提出一种基于知识迁移算法的产品推荐方法装置、电子设备以及计算机可读存储介质。本发明可以解决对新用户进行产品推荐准确率较低的问题。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于知识迁移算法的产品推荐方法、装置、电子设备及计算机可读存储介质。

背景技术

随着深度学习的发展，各领域广泛使用深度学习模型对各类产品进行推荐。例如，在保险领域，通过用户的特征数据训练深度神经网络来对新用户进行保险推荐。

现有技术中，由于新用户的数据量不足，往往采用老用户的数据特征来进行模型训练，然而在实际使用中，对于不同的新老用户，收集到的特征往往是差异巨大的，通过老用户的特征数据训练出来的模型对新用户进行产品推荐时，会造成产品推荐不准确的问题。

发明内容

本发明提供一种基于知识迁移算法的产品推荐方法、装置、设备及存储介质，其主要目的在于解决对新用户进行产品推荐准确率较低的问题。

为实现上述目的，本发明提供的一种基于知识迁移算法的产品推荐方法，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；

对所述原始产品模型进行参数迁移，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。

可选地，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；

基于交叉验证法，利用所述标准特征集合对所述第一神经网络进行训练，得到所述原始推荐模型。

可选地，所述基于交叉验证法，利用所述标准特征集合对所述第一神经网络进行训练，得到所述原始推荐模型，包括：

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。

可选地，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：