本公開涉及人工智能和智慧金融，具體涉及數(shù)據(jù)推薦、模型評估、模型測試，尤其涉及一種推薦模型的確定方法及裝置、數(shù)據(jù)推薦方法及裝置、電子設(shè)備、存儲介質(zhì)以及計(jì)算機(jī)程序產(chǎn)品，可應(yīng)用于數(shù)據(jù)推薦場景下。

背景技術(shù)：

1、營銷場景中存在觸達(dá)(發(fā)送)、點(diǎn)擊(響應(yīng))、完件(申請)、授信四個(gè)營銷環(huán)節(jié)，多個(gè)環(huán)節(jié)之間的目標(biāo)不一致，且多個(gè)環(huán)節(jié)之間的目標(biāo)可能相斥?，F(xiàn)有的技術(shù)方案中，主要是采用意向模型疊加資質(zhì)模型的方式，確定潛在營銷用戶。意向模型的目標(biāo)是識別對信貸產(chǎn)品存在購買或點(diǎn)擊意向的人群，而資質(zhì)模型主要識別信用狀況較好的人群。這兩類人群存在較大差異，例如：通常情況下對于貸款服務(wù)有較高意向人群，經(jīng)濟(jì)狀況一般較差，信用狀況一般不好。由于意向模型與資質(zhì)模型存在上述矛盾，導(dǎo)致意向模型疊加資質(zhì)模型的方式所確定的營銷用戶并不準(zhǔn)確。

技術(shù)實(shí)現(xiàn)思路

1、本公開提供了一種推薦模型的確定方法、裝置、電子設(shè)備、存儲介質(zhì)以及計(jì)算機(jī)程序產(chǎn)品。

2、根據(jù)第一方面，提供了一種推薦模型的確定方法，包括：對于訓(xùn)練樣本數(shù)據(jù)集中的訓(xùn)練樣本數(shù)據(jù)，基于訓(xùn)練樣本數(shù)據(jù)所屬的用戶的類別對應(yīng)的權(quán)重，對訓(xùn)練樣本數(shù)據(jù)進(jìn)行加權(quán)，以得到加權(quán)后數(shù)據(jù)集；利用回歸模型對加權(quán)后數(shù)據(jù)集中的加權(quán)后訓(xùn)練樣本數(shù)據(jù)進(jìn)行擬合，得到推薦模型。

3、根據(jù)第二方面，提供了一種數(shù)據(jù)推薦方法，包括：通過推薦模型確定推薦用戶集，其中，推薦模型通過第一方面任一實(shí)現(xiàn)方式確定；向推薦用戶集中的用戶推薦目標(biāo)推薦數(shù)據(jù)。

4、根據(jù)第三方面，提供了一種推薦模型的確定裝置，包括：加權(quán)單元，被配置成對于訓(xùn)練樣本數(shù)據(jù)集中的訓(xùn)練樣本數(shù)據(jù)，基于訓(xùn)練樣本數(shù)據(jù)所屬的用戶的類別對應(yīng)的權(quán)重，對訓(xùn)練樣本數(shù)據(jù)進(jìn)行加權(quán)，以得到加權(quán)后數(shù)據(jù)集；擬合單元，被配置成利用回歸模型對加權(quán)后數(shù)據(jù)集中的加權(quán)后訓(xùn)練樣本數(shù)據(jù)進(jìn)行擬合，得到推薦模型。

5、根據(jù)第四方面，提供了一種數(shù)據(jù)推薦裝置，包括：用戶確定單元，被配置成通過推薦模型確定推薦用戶集，其中，推薦模型通過第三方面任一實(shí)現(xiàn)方式確定；推薦單元，被配置成向推薦用戶集中的用戶推薦目標(biāo)推薦數(shù)據(jù)。

6、根據(jù)第五方面，提供了一種電子設(shè)備，包括：至少一個(gè)處理器；以及與至少一個(gè)處理器通信連接的存儲器；其中，存儲器存儲有可被至少一個(gè)處理器執(zhí)行的指令，指令被至少一個(gè)處理器執(zhí)行，以使至少一個(gè)處理器能夠執(zhí)行如第一方面、第二方面任一實(shí)現(xiàn)方式描述的方法。

7、根據(jù)第六方面，提供了一種存儲有計(jì)算機(jī)指令的非瞬時(shí)計(jì)算機(jī)可讀存儲介質(zhì)，計(jì)算機(jī)指令用于使計(jì)算機(jī)執(zhí)行如第一方面、第二方面任一實(shí)現(xiàn)方式描述的方法。

8、根據(jù)第七方面，提供了一種計(jì)算機(jī)程序產(chǎn)品，包括：計(jì)算機(jī)程序，計(jì)算機(jī)程序在被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面、第二方面任一實(shí)現(xiàn)方式描述的方法。

9、根據(jù)本公開的技術(shù)，提供了一種推薦模型的確定方法及裝置，首先，基于訓(xùn)練樣本數(shù)據(jù)所屬的用戶的類別對應(yīng)的權(quán)重，對訓(xùn)練樣本數(shù)據(jù)進(jìn)行加權(quán)；然后，利用回歸模型對加權(quán)后訓(xùn)練樣本數(shù)據(jù)進(jìn)行擬合，得到推薦模型，從而基于適配推薦場景的一個(gè)推薦模型，避免了推薦場景中的不同環(huán)節(jié)的模型目標(biāo)不一致，導(dǎo)致模型之間的結(jié)合存在障礙的問題；并且，基于加權(quán)后訓(xùn)練樣本數(shù)據(jù)提高了推薦模型的準(zhǔn)確度。

10、應(yīng)當(dāng)理解，本部分所描述的內(nèi)容并非旨在標(biāo)識本公開的實(shí)施例的關(guān)鍵或重要特征，也不用于限制本公開的范圍。本公開的其它特征將通過以下的說明書而變得容易理解。

技術(shù)特征：

1.一種推薦模型的確定方法，包括：

2.根據(jù)權(quán)利要求1所述的方法，其中，在所述基于所述訓(xùn)練樣本數(shù)據(jù)所屬的用戶的類別對應(yīng)的權(quán)重，對所述訓(xùn)練樣本數(shù)據(jù)進(jìn)行加權(quán)之前，還包括：

3.根據(jù)權(quán)利要求2所述的方法，其中，所述根據(jù)所述多個(gè)環(huán)節(jié)各自對應(yīng)的轉(zhuǎn)化率，確定所述多個(gè)類別的用戶各自對應(yīng)的權(quán)重，包括：

4.根據(jù)權(quán)利要求1-3中任一項(xiàng)所述的方法，其中，還包括：

5.根據(jù)權(quán)利要求4所述的方法，其中，所述對于所述推薦模型基于評估樣本數(shù)據(jù)集得到的第一推薦用戶集，確定所述第一推薦用戶集在所述目標(biāo)環(huán)節(jié)下的評估指標(biāo)數(shù)據(jù)，包括：

6.根據(jù)權(quán)利要求1-3中任一項(xiàng)所述的方法，其中，還包括：

7.根據(jù)權(quán)利要求6所述的方法，其中，所述根據(jù)所述多個(gè)用戶組各自對應(yīng)的轉(zhuǎn)化率，確定所述多個(gè)待測模型各自對應(yīng)的測試結(jié)果，包括：

8.一種數(shù)據(jù)推薦方法，包括：

9.一種推薦模型的確定裝置，包括：

10.根據(jù)權(quán)利要求9所述的裝置，其中，還包括：

11.根據(jù)權(quán)利要求10所述的裝置，其中，所述權(quán)重確定單元，進(jìn)一步被配置成：

12.根據(jù)權(quán)利要求9-11中任一項(xiàng)所述的裝置，其中，還包括：

13.根據(jù)權(quán)利要求12所述的裝置，其中，所述評估單元，進(jìn)一步被配置成：

14.根據(jù)權(quán)利要求9-11中任一項(xiàng)所述的裝置，其中，還包括：

15.根據(jù)權(quán)利要求14所述的裝置，其中，所述測試單元，進(jìn)一步被配置成：

16.一種數(shù)據(jù)推薦裝置，包括：

17.一種電子設(shè)備，其特征在于，包括：

18.一種存儲有計(jì)算機(jī)指令的非瞬時(shí)計(jì)算機(jī)可讀存儲介質(zhì)，其特征在于，所述計(jì)算機(jī)指令用于使所述計(jì)算機(jī)執(zhí)行權(quán)利要求1-8中任一項(xiàng)所述的方法。

19.一種計(jì)算機(jī)程序產(chǎn)品，包括：計(jì)算機(jī)程序，所述計(jì)算機(jī)程序在被處理器執(zhí)行時(shí)實(shí)現(xiàn)根據(jù)權(quán)利要求1-8中任一項(xiàng)所述的方法。

技術(shù)總結(jié)
本公開提供了一種推薦模型的確定方法及裝置、數(shù)據(jù)推薦方法及裝置、電子設(shè)備、存儲介質(zhì)及計(jì)算機(jī)程序產(chǎn)品，涉及人工智能和智慧金融技術(shù)領(lǐng)域，具體涉及數(shù)據(jù)推薦、模型評估、模型測試技術(shù)領(lǐng)域，可應(yīng)用于數(shù)據(jù)推薦場景下。具體實(shí)現(xiàn)方案為：對于訓(xùn)練樣本數(shù)據(jù)集中的訓(xùn)練樣本數(shù)據(jù)，基于訓(xùn)練樣本數(shù)據(jù)所屬的用戶的類別對應(yīng)的權(quán)重，對訓(xùn)練樣本數(shù)據(jù)進(jìn)行加權(quán)，以得到加權(quán)后數(shù)據(jù)集；利用回歸模型對加權(quán)后數(shù)據(jù)集中的加權(quán)后訓(xùn)練樣本數(shù)據(jù)進(jìn)行擬合，得到推薦模型。本公開避免了推薦場景中的不同環(huán)節(jié)的模型目標(biāo)不一致，導(dǎo)致模型之間的結(jié)合存在障礙的問題；并且，基于加權(quán)后訓(xùn)練樣本數(shù)據(jù)提高了推薦模型的準(zhǔn)確度。

技術(shù)研發(fā)人員：陳才
受保護(hù)的技術(shù)使用者：北京百度網(wǎng)訊科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30