一种产品推荐方法、装置、设备及介质与流程

1.本发明涉及模型优化技术领域，尤其涉及一种产品推荐方法、装置、设备及介质。


背景技术：

2.目前，在利用产品推荐模型对产品进行推荐预测时，往往由于数据属性不能很好的表征真实回归结果，使得模型预测效果较差，模型精准度无法得到保障，并且现有产品推荐模型对数据规律和关联关系分析效果不佳。


技术实现要素：

3.本发明提供了一种产品推荐方法、装置、设备及介质，以解决产品推荐模型预测效果、数据规律和关联关系分析效果不佳的问题。
4.根据本发明的一方面，提供了一种产品推荐方法，包括：
5.获取回归误差阈值；
6.根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集；
7.基于当前产品推荐修正样本集对产品推荐模型进行训练，并返回执行根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集的操作，直至满足迭代结束条件，输出模型预测结果集；
8.根据模型预测结果集，确定目标产品推荐模型，并根据目标产品推荐模型，进行产品推荐。
9.根据本发明的另一方面，提供了一种产品推荐装置，包括：
10.回归误差阈值获取模块，用于获取回归误差阈值；
11.修正样本集获取模块，用于根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集；
12.模型预测结果集输出模块，用于基于当前产品推荐修正样本集对产品推荐模型进行训练，并返回执行根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集的操作，直至满足迭代结束条件，输出模型预测结果集；
13.产品推荐模块，用于根据模型预测结果集，确定目标产品推荐模型，并根据目标产品推荐模型，进行产品推荐。
14.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
15.至少一个处理器；以及
16.与所述至少一个处理器通信连接的存储器；其中，
17.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序
被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的产品推荐方法。
18.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的产品推荐方法。
19.本发明实施例的技术方案，通过获取回归误差阈值，根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集，进而基于当前产品推荐修正样本集对产品推荐模型进行训练，并返回执行根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集的操作，直至满足迭代结束条件，输出模型预测结果集，进一步根据模型预测结果集，确定目标产品推荐模型，并根据目标产品推荐模型，进行产品推荐。在本方案中，通过奇偶交替回归预测方式，参照回归误差阈值修正样本集，可以使数据属性很好的表征真实回归结果，进而降低模型验证偏差，提升产品推荐模型的精度，而通过对样本的不断修正还可以拓展数据规律的发现能力与泛化能力，解决了产品推荐模型预测效果、数据规律和关联关系分析效果不佳的问题，能够提升产品推荐模型的预测精度，并提高数据规律与关联关系的分析能力。
20.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
21.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1为本发明实施例一提供的一种产品推荐方法的流程图；
23.图2为本发明实施例二提供的一种产品推荐方法的流程图；
24.图3为本发明实施例二提供的一种产品推荐模型迭代优化的流程示意图；
25.图4为本发明实施例三提供的一种产品推荐装置的结构示意图；
26.图5示出了可以用来实施本发明的实施例的电子设备的结构示意图。
具体实施方式
27.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
28.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在
适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
29.实施例一
30.图1为本发明实施例一提供的一种产品推荐方法的流程图，本实施例可适用于精准预测产品销售情况的场景，该方法可以由产品推荐装置来执行，该产品推荐装置可以采用硬件和/或软件的形式实现，该产品推荐装置可配置于电子设备中。如图1所示，该方法包括：
31.步骤110、获取回归误差阈值。
32.其中，回归误差阈值可以是预先设置的误差阈值，具体数值可自行设置。
33.在本发明实施例中，可以获取符合回归分析实际需要的回归误差阈值。
34.步骤120、根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集。
35.其中，当前产品推荐样本集可以是当前输入到产品推荐模型中进行模型训练优化的样本集合。当前产品推荐模型预测结果可以是产品推荐模型对当前输入的产品推荐样本集进行预测分析的结果。可选的，当前产品推荐模型预测结果可以包括但不限于用户是否购买以及购买数量等。产品推荐模型可以是任意的具备产品推荐功能的模型。奇偶交替回归预测方式可以是产品推荐模型首次完成预测后，针对奇数次迭代与偶数次迭代使用不同的回归预测算法优化的方式。当前产品推荐修正样本集可以是对当前产品推荐样本集进行修正后的样本集。
36.在本发明实施例中，可以将当前产品推荐样本集输入至产品推荐模型，得到当前产品推荐模型预测结果，从而将当前产品推荐模型预测结果与当前产品推荐样本集中的标签数据进行比对，进而将当前产品推荐样本集中对比误差大于回归误差阈值的样本，按照奇偶交替回归预测方式进行样本修正，得到当前产品推荐修正样本集。
37.步骤130、基于当前产品推荐修正样本集对产品推荐模型进行训练，并返回执行根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集的操作，直至满足迭代结束条件，输出模型预测结果集。
38.其中，迭代结束条件可以是预先设置的结束产品推荐模型迭代的条件。模型预测结果集可以是由产品推荐模型每次优化迭代输出的预测结果构成的集合。
39.在本发明实施例中，可以利用当前产品推荐修正样本集对产品推荐模型进行训练，以优化产品推荐模型，并返回执行根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集的操作，当确定产品推荐模型的迭代操作符合迭代结束条件时，输出模型预测结果集。
40.步骤140、根据模型预测结果集，确定目标产品推荐模型，并根据目标产品推荐模
型，进行产品推荐。
41.其中，目标产品推荐模型可以是根据与模型预测结果集中的预测结果匹配的产品推荐模型确定的模型。
42.在本发明实施例中，可以确定与模型预测结果集中的预测结果匹配的各产品推荐模型，即每轮迭代优化的产品推荐模型，进而将确定的各产品推荐模型进行组合，得到目标产品推荐模型，从而利用目标产品推荐模型以及待分析的产品数据，进行产品推荐。
43.可选的，可以将模型预测结果集中的预测结果的精准度，作为对应产品推荐模型的权重，并以均衡权重的方式确定目标产品推荐模型。
44.本发明实施例的技术方案，通过获取回归误差阈值，根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集，进而基于当前产品推荐修正样本集对产品推荐模型进行训练，并返回执行根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集的操作，直至满足迭代结束条件，输出模型预测结果集，进一步根据模型预测结果集，确定目标产品推荐模型，并根据目标产品推荐模型，进行产品推荐。在本方案中，通过奇偶交替回归预测方式，参照回归误差阈值修正样本集，可以使数据属性很好的表征真实回归结果，进而降低模型验证偏差，提升产品推荐模型的精度，而通过对样本的不断修正还可以拓展数据规律的发现能力与泛化能力，解决了产品推荐模型预测效果、数据规律和关联关系分析效果不佳的问题，能够提升产品推荐模型的预测精度，并提高数据规律与关联关系的分析能力。
45.实施例二
46.图2为本发明实施例二提供的一种产品推荐方法的流程图，本实施例以上述实施例为基础进行具体化，给出了根据模型预测结果集，确定目标产品推荐模型的具体的可选的实施方式。如图2所示，该方法包括：
47.步骤210、获取回归误差阈值。
48.步骤220、根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集。
49.在本发明的一个可选实施例中，在采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集之后，还可以包括：基于贪心算法，设置产品推荐模型的超参数范围；基于超参数范围、optuna以及当前产品推荐样本集，修正产品推荐模型的模型超参数。
50.其中，超参数范围可以是模型超参数的参数选取范围。
51.在本发明实施例中，可以使用已知的贪心算法，确定出产品推荐模型的超参数范围，进而基于optuna(超参数调优框架)，根据当前产品推荐样本集的分布情况，从超参数范围中确定出修正产品推荐模型的模型超参数。
52.在本发明的一个可选实施例中，根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集，可以包括：基于当前产品推荐样本集以及当前产品推荐模型预测
结果，确定各当前产品推荐样本误差，并根据回归误差阈值以及各当前产品推荐样本误差，确定待修正产品推荐样本以及待剔除产品推荐样本；剔除当前产品推荐样本集中的待剔除产品推荐样本，采用奇偶交替回归预测方式，修正待修正产品推荐样本，得到当前产品推荐修正样本集。
53.其中，当前产品推荐样本误差可以用于表征当前产品推荐模型预测结果与当前产品推荐样本集中的标签数据的误差大小。待修正产品推荐样本可以是当前产品推荐样本集中标签数据，与当前产品推荐模型预测结果的误差，大于或等于回归误差阈值的样本。待剔除产品推荐样本可以是当前产品推荐样本集中标签数据，与当前产品推荐模型预测结果的误差，小于回归误差阈值的样本。
54.在本发明实施例中，可以将当前产品推荐样本集中各样本的标签数据与当前产品推荐模型预测结果的误差大小，作为各当前产品推荐样本误差，进而将回归误差阈值与各当前产品推荐样本误差进行比较，将大于或等于回归误差阈值的当前产品推荐样本误差对应的样本，作为待修正产品推荐样本，并将小于回归误差阈值的当前产品推荐样本误差对应的样本，作为待剔除产品推荐样本，进一步剔除当前产品推荐样本集中的待剔除产品推荐样本，并采用奇偶交替回归预测方式，修正待修正产品推荐样本，得到当前产品推荐修正样本集。
55.在本发明的一个可选实施例中，采用奇偶交替回归预测方式，修正待修正产品推荐样本，可以包括：在奇数轮模型迭代时，采用线性回归算法，修正待修正产品推荐样本；在偶数轮模型迭代时，采用非线性回归算法，修正待修正产品推荐样本。
56.其中，奇数轮模型迭代可以是在产品推荐模型首次输出模型预测结果后，对产品推荐模型进行的奇数轮迭代操作。偶数轮模型迭代可以是在产品推荐模型首次输出模型预测结果后，对产品推荐模型进行的偶数轮迭代操作。
57.在本发明实施例中，在产品推荐模型首次输出模型预测结果之后，开启对产品推荐模型的迭代优化，并在奇数轮模型迭代时，采用线性回归算法，对待修正产品推荐样本进行修正，从而将修正后的样本集(即当前产品推荐修正样本集)作为相邻后一次偶数轮模型迭代时产品推荐模型的输入。在偶数轮模型迭代时，采用非线性回归算法，对待修正产品推荐样本进行修正，从而将修正后的样本集作为相邻后一次奇数轮模型迭代时产品推荐模型的输入。
58.在本发明的一个可选实施例中，在奇数轮模型迭代时，采用线性回归算法，修正待修正产品推荐样本，可以包括：基于留一法，确定待修正产品推荐样本的各局部样本特征组；根据线性回归算法以及待修正产品推荐样本的各局部样本特征组，计算各当前样本预测特征，并基于各当前样本预测特征修正待修正产品推荐样本。
59.其中，局部样本特征组可以是基于留一法对待修正产品推荐样本的特征进行剔除得到的样本特征数据组。当前样本预测特征可以是根据待修正产品推荐样本的各局部样本特征组，利用线性回归方法预测出的样本特征。
60.在本发明实施例中，可以利用留一法确定至少一个待修正产品推荐样本中每个样本的各局部样本特征组，进而利用线性回归算法，依次对至少一个待修正产品推荐样本的相应各局部样本特征组进行回归预测，得到与各局部样本特征组分别匹配的各当前样本预测特征，从而根据各当前样本预测特征修正对应的待修正产品推荐样本。
61.步骤230、基于当前产品推荐修正样本集对产品推荐模型进行训练，并返回执行根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集的操作，直至满足迭代结束条件，输出模型预测结果。
62.在本发明的一个可选实施例中，迭代结束条件可以包括：模型当前迭代次数大于预设模型迭代次数，或者，各当前产品推荐样本误差小于回归误差阈值。
63.其中，预设模型迭代次数可以是产品推荐模型进行迭代优化前设置的模型迭代最大次数。
64.在本发明实施例中，可以在产品推荐模型进行迭代前，设置迭代结束条件，如模型当前迭代次数大于预设模型迭代次数，则停止对产品推荐模型的训练，又或者在各当前产品推荐样本误差小于回归误差阈值时，停止对产品推荐模型的训练。
65.步骤240、根据模型预测结果集匹配的各迭代轮次模型精度数据，对各迭代轮次的产品推荐模型进行权重均衡处理，得到目标产品推荐模型，并根据目标产品推荐模型，进行产品推荐。
66.其中，迭代轮次模型精度数据可以是描述当次迭代的产品推荐模型的精度。
67.在本发明实施例中，可以确定与模型预测结果集中模型预测结果匹配的迭代轮次模型精度数据，从而将迭代轮次模型精度数据作为相应迭代轮次下产品推荐模型的模型权重，进而将产品推荐模型与匹配的模型权重进行乘积，完成对各迭代轮次的产品推荐模型进行权重均衡处理，得到目标产品推荐模型，进一步将待分析的产品数据输入至目标产品推荐模型，并根据目标产品推荐模型的输出结果进行产品推荐。
68.图3为本发明实施例二提供的一种产品推荐模型迭代优化的流程示意图，如图3所示，包括如下步骤：
69.对初次输入至产品推荐模型的产品推荐样本集进行数据清洗，具体包括离群值检测、数据去重和数据插值操作，避免出现脏数据和不符合模型训练的偏态分布数据。为了使数据属性很好的表征目标预测结果，还可进一步进行特征工程化操作。具体为根据实际业务需求，将枚举类型特征数值化，根据业务需求将部分连续类型特征离散化，还可以为了消除量纲，减少误差进行归一化处理，从而控制数值的大小，提高产品推荐模型的稳定性。
70.设置产品推荐模型为轻量级且具有并行化处理的lightgbm树模型，作为产品推荐模型迭代的标准模型。构建lightgbm树模型的超参数搜索空间。采用贪心算法，设置对应lightgbm树模型的超参数范围，使用optuna框架根据样本集的分布情况不断修正模型超参数的结果值。
71.预设模型迭代次数和回归误差阈值，保存产品推荐模型训练中每次迭代输出的产品推荐模型预测结果，根据回归误差阈值寻找误差过大的待修正产品推荐样本。
72.基于奇偶交替回归预测方式修正待修正产品推荐样本，具体做法为：模型第一次输出模型预测结果后，将模型预测结果与首次输入至模型的产品推荐样本比较，将产品推荐样本中误差大于或等于回归误差阈值的样本放入待修正产品推荐样本中，第一次迭代后返回执行将模型预测结果与首次输入至模型的产品推荐样本比较操作，更新待修正产品推荐样本，在每次迭代过程中放入修正后的样本数量逐渐减少，修正力度逐渐减弱，可避免出现数据偏移。具体的，采用奇偶交替回归预测的方法对待修正产品进行修正。奇数轮模型迭
代时采用线性回归算法处理，具体做法为：有m个特征时，以其中一个特征为目标变量，其余m-1个特征为输入特征，形成局部训练集，利用线性回归方式训练m次，得到新的m列样本预测特征，作为新的样本加入到待修正产品推荐样本，到偶数轮模型迭代时采用非线性回归算法，得到新的m列样本预测特征，依次循环，直到退出模型迭代循环。
73.将得到的多次模型预测结果进行合并，做最后阶段的模型综合预测评估。具体做法为：根据每次迭代的模型预测结果的误差设置权重，取加权平均结果作为最后的预测结果。
74.本发明实施例的技术方案，通过获取回归误差阈值，根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集，从而基于当前产品推荐修正样本集对产品推荐模型进行训练，并返回执行根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集的操作，直至满足迭代结束条件，输出模型预测结果，进而根据模型预测结果集匹配的各迭代轮次模型精度数据，对各迭代轮次的产品推荐模型进行权重均衡处理，得到目标产品推荐模型，并根据目标产品推荐模型，进行产品推荐。在本方案中，通过奇偶交替回归预测方式，参照回归误差阈值修正样本集，可以使数据属性很好的表征真实回归结果，进而降低模型验证偏差，提升产品推荐模型的精度，而通过对样本的不断修正还可以拓展数据规律的发现能力与泛化能力，解决了产品推荐模型预测效果、数据规律和关联关系分析效果不佳的问题，能够提升产品推荐模型的预测精度，并提高数据规律与关联关系的分析能力。
75.实施例三
76.图4为本发明实施例三提供的一种产品推荐装置的结构示意图。如图4所示，该装置包括：
77.回归误差阈值获取模块310，用于获取回归误差阈值；
78.修正样本集获取模块320，用于根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集；
79.模型预测结果集输出模块330，用于基于当前产品推荐修正样本集对产品推荐模型进行训练，并返回执行根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集的操作，直至满足迭代结束条件，输出模型预测结果集；
80.产品推荐模块340，用于根据模型预测结果集，确定目标产品推荐模型，并根据目标产品推荐模型，进行产品推荐。
81.本发明实施例的技术方案，通过获取回归误差阈值，根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集，进而基于当前产品推荐修正样本集对产品推荐模型进行训练，并返回执行根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集的操作，直至满足迭代结束条件，输出模型预测结果集，进一步根据模型预测结
果集，确定目标产品推荐模型，并根据目标产品推荐模型，进行产品推荐。在本方案中，通过奇偶交替回归预测方式，参照回归误差阈值修正样本集，可以使数据属性很好的表征真实回归结果，进而降低模型验证偏差，提升产品推荐模型的精度，而通过对样本的不断修正还可以拓展数据规律的发现能力与泛化能力，解决了产品推荐模型预测效果、数据规律和关联关系分析效果不佳的问题，能够提升产品推荐模型的预测精度，并提高数据规律与关联关系的分析能力。
82.可选的，修正样本集获取模块320，包括待处理样本确定单元以及修正样本集获取单元。待处理样本确定单元，用于基于所述当前产品推荐样本集以及所述当前产品推荐模型预测结果，确定各当前产品推荐样本误差，并根据所述回归误差阈值以及各所述当前产品推荐样本误差，确定待修正产品推荐样本以及待剔除产品推荐样本。修正样本集获取单元，用于剔除所述当前产品推荐样本集中的所述待剔除产品推荐样本，采用奇偶交替回归预测方式，修正所述待修正产品推荐样本，得到当前产品推荐修正样本集。
83.可选的，修正样本集获取单元，包括奇数轮模型修正样本获取子单元以及偶数轮模型修正样本获取子单元，奇数轮模型修正样本获取子单元，用于在奇数轮模型迭代时，采用线性回归算法，修正所述待修正产品推荐样本。偶数轮模型修正样本获取子单元，用于在偶数轮模型迭代时，采用非线性回归算法，修正所述待修正产品推荐样本。
84.可选的，奇数轮模型修正样本获取子单元，具体用于基于留一法，确定所述待修正产品推荐样本的各局部样本特征组；根据所述线性回归算法以及所述待修正产品推荐样本的各局部样本特征组，计算各当前样本预测特征，并基于各所述当前样本预测特征修正所述待修正产品推荐样本。
85.可选的，产品推荐装置包括模型超参数优化模块，用于基于贪心算法，设置所述产品推荐模型的超参数范围；基于所述超参数范围、超参数调优框架optuna以及所述当前产品推荐样本集，修正所述产品推荐模型的模型超参数。
86.可选的，所述迭代结束条件包括：模型当前迭代次数大于预设模型迭代次数，或者，各所述当前产品推荐样本误差小于所述回归误差阈值。
87.可选的，产品推荐模块340，具体用于根据所述模型预测结果集匹配的各迭代轮次模型精度数据，对各迭代轮次的产品推荐模型进行权重均衡处理，得到所述目标产品推荐模型。
88.本发明实施例所提供的产品推荐装置可执行本发明任意实施例所提供的产品推荐方法，具备执行方法相应的功能模块和有益效果。
89.实施例四
90.图5示出了可以用来实施本发明的实施例的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
91.如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被
至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
92.电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
93.处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如产品推荐方法。
94.在一些实施例中，产品推荐方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的产品推荐方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行产品推荐方法。
95.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
96.用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
97.在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、
磁储存设备、或上述内容的任何合适组合。
98.为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
99.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
100.计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
101.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
102.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

技术特征：
1.一种产品推荐方法，其特征在于，包括：获取回归误差阈值；根据所述回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正所述当前产品推荐样本集，得到当前产品推荐修正样本集；基于所述当前产品推荐修正样本集对产品推荐模型进行训练，并返回执行所述根据所述回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正所述当前产品推荐样本集，得到当前产品推荐修正样本集的操作，直至满足迭代结束条件，输出模型预测结果集；根据所述模型预测结果集，确定目标产品推荐模型，并根据所述目标产品推荐模型，进行产品推荐。2.根据权利要求1所述的方法，其特征在于，所述根据所述回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正所述当前产品推荐样本集，得到当前产品推荐修正样本集，包括：基于所述当前产品推荐样本集以及所述当前产品推荐模型预测结果，确定各当前产品推荐样本误差，并根据所述回归误差阈值以及各所述当前产品推荐样本误差，确定待修正产品推荐样本以及待剔除产品推荐样本；剔除所述当前产品推荐样本集中的所述待剔除产品推荐样本，采用奇偶交替回归预测方式，修正所述待修正产品推荐样本，得到当前产品推荐修正样本集。3.根据权利要求2所述的方法，其特征在于，所述采用奇偶交替回归预测方式，修正所述待修正产品推荐样本，包括：在奇数轮模型迭代时，采用线性回归算法，修正所述待修正产品推荐样本；在偶数轮模型迭代时，采用非线性回归算法，修正所述待修正产品推荐样本。4.根据权利要求3所述的方法，其特征在于，所述在奇数轮模型迭代时，采用线性回归算法，修正所述待修正产品推荐样本，包括：基于留一法，确定所述待修正产品推荐样本的各局部样本特征组；根据所述线性回归算法以及所述待修正产品推荐样本的各局部样本特征组，计算各当前样本预测特征，并基于各所述当前样本预测特征修正所述待修正产品推荐样本。5.根据权利要求1所述的方法，其特征在于，在所述采用奇偶交替回归预测方式，修正所述当前产品推荐样本集，得到当前产品推荐修正样本集之后，还包括：基于贪心算法，设置所述产品推荐模型的超参数范围；基于所述超参数范围、超参数调优框架optuna以及所述当前产品推荐样本集，修正所述产品推荐模型的模型超参数。6.根据权利要求2所述的方法，其特征在于，所述迭代结束条件包括：模型当前迭代次数大于预设模型迭代次数，或者，各所述当前产品推荐样本误差小于所述回归误差阈值。7.根据权利要求1所述的方法，其特征在于，所述根据所述模型预测结果集，确定目标产品推荐模型，包括：根据所述模型预测结果集匹配的各迭代轮次模型精度数据，对各迭代轮次的产品推荐模型进行权重均衡处理，得到所述目标产品推荐模型。8.一种产品推荐装置，其特征在于，包括：
回归误差阈值获取模块，用于获取回归误差阈值；修正样本集获取模块，用于根据所述回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正所述当前产品推荐样本集，得到当前产品推荐修正样本集；模型预测结果集输出模块，用于基于所述当前产品推荐修正样本集对产品推荐模型进行训练，并返回执行所述根据所述回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正所述当前产品推荐样本集，得到当前产品推荐修正样本集的操作，直至满足迭代结束条件，输出模型预测结果集；产品推荐模块，用于根据所述模型预测结果集，确定目标产品推荐模型，并根据所述目标产品推荐模型，进行产品推荐。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的产品推荐方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的产品推荐方法。

技术总结
本发明公开了一种产品推荐方法、装置、设备及介质。一种产品推荐方法，包括：获取回归误差阈值；根据回归误差阈值、当前产品推荐样本集以及当前产品推荐模型预测结果，采用奇偶交替回归预测方式，修正当前产品推荐样本集，得到当前产品推荐修正样本集；基于当前产品推荐修正样本集对产品推荐模型进行训练，并返回执行修正当前产品推荐样本集，得到当前产品推荐修正样本集的操作，直至满足迭代结束条件，输出模型预测结果集；根据模型预测结果集，确定目标产品推荐模型，并根据目标产品推荐模型，进行产品推荐。本发明实施例的技术方案能够提升产品推荐模型的预测精度，并提高数据规律与关联关系的分析能力。关联关系的分析能力。关联关系的分析能力。


技术研发人员：杨建雄 杜志高
受保护的技术使用者：北京思特奇信息技术股份有限公司
技术研发日：2023.07.19
技术公布日：2023/10/15