产品推荐方法、存储介质和电子设备

1.本发明涉及产品推荐技术领域，具体涉及一种产品推荐方法、存储介质和电子设备。

背景技术：

2.随着信息技术的发展，社会产生的数据呈指数型爆炸增长，如何在海量数据中保证用户和产品迅速实现有效匹配，成为当前市场亟待解决的问题。
3.现有的产品推荐方法在利用模型预测时，通常考虑了用户和产品的所有特征。
4.然而用户和产品的数据集中往往具有大量冗余和不相关的特征，各种特征之间也存在一定的相关关系，这些特点使得考虑了用户和产品的所有特征的现有方法会对产品推荐模型的性能产生不利影响。

技术实现要素：

5.(一)解决的技术问题
6.针对现有技术的不足，本发明提供了一种产品推荐方法、存储介质和电子设备，解决了大量冗余和不相关的特征对产品推荐模型的性能产生不利影响的问题。
7.(二)技术方案
8.为实现以上目的，本发明通过以下技术方案予以实现：
9.第一方面，提供了一种产品推荐方法，该方法包括：
10.获取包含若干备选特征的数据集；所述备选特征包括：若干用户特征和若干产品属性特征；
11.基于樽海鞘算法对数据集中的备选特征进行选择；樽海鞘算法中每条樽海鞘链上有多个樽海鞘个体，一个樽海鞘个体对应一个备选特征，樽海鞘个体的位置表示对应的备选特征被选择或未被选择；
12.将被选择的备选特征作为点击概率预测模型的输入训练点击概率预测模型；
13.基于训练好的点击概率预测模型预测用户对多个产品的点击概率，并基于所述多个产品的点击概率的大小确定推荐的产品。
14.进一步的，所述获取包含若干备选特征的数据集还包括：
15.通过k折交叉验证将数据集划分为相应训练集和测试集。
16.进一步的，所述基于樽海鞘算法对数据集中的备选特征进行选择，包括：
17.s1、获取种数量为m，最大迭代次数为d，当前迭代次数d的初始值为0，最佳适应度值g
best
的初始值为0，并生成初始樽海鞘x0；
18.s2、对樽海鞘进行二进制转换，得到当前樽海鞘xd；再计算当前樽海鞘xd中每条樽海鞘链对应的适应度值g，并按适应度值g大小对当前樽海鞘xd中的樽海鞘链依次排序；
19.s3、将当前樽海鞘xd中的最大适应度值与当前最佳适应度值g
best
进行比
较，若则令并将对应的樽海鞘链作为食物源fd；
20.s4、基于适应度值将当前樽海鞘xd中的樽海鞘链划分为领导者和跟随者；再更新领导者和跟随者上樽海鞘个体的位置，得到下一代樽海鞘；
21.s5、令d＝d+1，判断是否满足d≤d；若满足，则返回s2；否则，输出食物源fd；再对食物源fd解码得到被选择的产品属性特征。
22.进一步的，所述生成初始樽海鞘x0，包括：
23.随机取0到1之间的随机数作为初始樽海鞘x0中各个樽海鞘个体的位置，生成初始樽海鞘x0；所述初始樽海鞘x0包括m条樽海鞘链，且每个樽海鞘链包括n个樽海鞘个体。
24.进一步的，所述对樽海鞘进行二进制转化为：
[0025][0026][0027]
其中，
[0028]
表示二进制转化后的当前樽海鞘xd中第i条樽海鞘链上第j个樽海鞘个体的位置，i＝1,2,3,...,m，j＝1,2,3,...,n；
[0029]
表示二进制转化前的樽海鞘中第i条樽海鞘链上第j个樽海鞘个体的位置，i＝1,2,3,...,m，j＝1,2,3,...,n；
[0030]
rand表示取0至1区间内的随机数；
[0031]
e表示自然常数。
[0032]
进一步的，所述适应度g的计算方法为：
[0033][0034]
其中，g表示利用逻辑回归分类模型进行预测得到的樽海鞘xd中第i条樽海鞘链的分类精确度；
[0035]
表示从基于k折交叉验证得到的测试集中获取第i条樽海鞘链对应的特征子集，并利用逻辑回归分类模型对其进行预测得到的预测分类正确的样本个数的均值；
[0036]
表示从基于k折交叉验证得到的测试集中获取第i条樽海鞘链对应的特征子集，并利用逻辑回归分类模型对其进行预测得到的预测分类错误的样本个数的均值。
[0037]
进一步的，所述领导者为当前樽海鞘xd中前m/2条樽海鞘链；跟随者为当前樽海鞘xd中第m/2条樽海鞘链至第m条樽海鞘链；
[0038]
且更新领导者上樽海鞘个体的位置，包括：
[0039][0040]
表示下一代樽海鞘x
d+1
的第i条樽海鞘链上第j个樽海鞘个体的位置，i＝1,2,3,...,m/2-1，j＝1,2,3,...,n；
[0041]
表示当前樽海鞘xd的食物源fd上第j个樽海鞘个体的位置，j＝1,2,3,...,n；
[0042]
ubj表示第j个樽海鞘个体位置的上界；
[0043]
lbj表示第j个樽海鞘个体位置的下界；
[0044]
参数λ1：
[0045][0046]
d为当前迭代次数；
[0047]
d为最大迭代次数；
[0048]
e为自然常数；
[0049]
参数λ2和λ3是在[0,1]区间内生成的随机数；
[0050]
更新追随者上樽海鞘个体的位置，包括：
[0051][0052]
表示下一代樽海鞘x
d+1
的第i条樽海鞘链上第j个樽海鞘个体的位置，i＝m/2,...,m，j＝1,2,3,...,n。
[0053]
进一步的，所述当存在多个对应的樽海鞘链时，所述食物源fd的选择方法包括：
[0054]
对备选樽海鞘链进行随机排序，利用赌法选择一个备选樽海鞘链作为食物源fd。
[0055]
第二方面，提供了一种存储介质，其存储用于产品推荐的计算机程序，其中，所述计算机程序使得计算机执行上述的产品推荐方法。
[0056]
第三方面，提供了一种电子设备，包括：
[0057]
一个或多个处理器；
[0058]
存储器；以及
[0059]
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行上述的产品推荐方法。
[0060]
(三)有益效果
[0061]
本发明提供了一种产品推荐方法、存储介质和电子设备。与现有技术相比，具备以下有益效果：
[0062]
1)本发明将樽海鞘算法与点击概率预测模型相结合，对用户和产品的数据集中的大量冗余和不相关的特征进行剔除，再基于剔除后的特征数据对点击概率预测模型进行训练，使得训练好的点击概率预测模型的性能获得有效提升。
附图说明
[0063]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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。
[0064]
图1为本发明实施例的流程图；
[0065]
图2为本发明实施例的基于樽海鞘算法对数据集中的备选特征进行选择的流程图。
具体实施方式
[0066]
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0067]
本技术实施例通过提供一种产品推荐方法、存储介质和电子设备，解决了大量冗余和不相关的特征对产品推荐模型的性能产生不利影响的问题。
[0068]
本技术实施例中的技术方案为解决上述技术问题，总体思路如下：
[0069]
智能(si)技术是一种受自然启发的元启发式算法，如遗传算法(ga)、差分进化(de)、粒子优化算法(pso)、蚁优化算法(aco)、灰狼优化算法(gwo)等，这些算法在进行特征选择时存在容易陷入局部最优、收敛速度过慢和计算成本高等问题。本发明将一种求解多目标优化问题的元启发式优化算法-salp swarm algorithm(樽海鞘算法，ssa算法)应用于产品推荐。
[0070]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0071]
实施例1：
[0072]
如图1所示，本发明提供了一种产品推荐方法，该方法由计算机执行，该方法包括：
[0073]
获取包含若干备选特征的数据集；所述备选特征包括：若干用户特征和若干产品属性特征；
[0074]
基于樽海鞘算法对数据集中的备选特征进行选择；樽海鞘算法中每条樽海鞘链上有多个樽海鞘个体，一个樽海鞘个体对应一个备选特征，樽海鞘个体的位置表示对应的备选特征被选择或未被选择；
[0075]
将被选择的备选特征作为点击概率预测模型的输入训练点击概率预测模型；
[0076]
基于训练好的点击概率预测模型预测用户对多个产品的点击概率，并基于所述多个产品的点击概率的大小确定推荐的产品。
[0077]
本实施例的有益效果为：
[0078]
1)本发明实施例将樽海鞘算法与点击概率预测模型相结合，对用户和产品的数据集中的大量冗余和不相关的特征进行剔除，再基于剔除后的特征数据对点击概率预测模型进行训练，使得训练好的点击概率预测模型的性能获得有效提升。
[0079]
下面对本发明实施例的实现过程进行详细说明：
[0080]
步骤1、获取包含若干备选特征的数据集。
[0081]
备选特征包括若干用户特征和若干产品属性特征。
[0082]
所述用户特征包括：收入信息、消费信息、用户历史交易信息等；
[0083]
将数据集划分为训练集和测试集，且所述训练集和测试集的划分方法包括如下步骤：
[0084]
(1)将数据集转换为h行n列的矩阵；其中，h表示数据集中的样本数量，n表示数据集中备选特征的数量；
[0085]
(2)对数据集的数据预处理；具体包括：
[0086]
(2-1)对缺失值进行随机填补；
[0087]
(2-2)通过类型转换，将所有的数据转为数值型；
[0088]
(2-3)对数据进行z-score标准化处理。
[0089]
(3)通过十折交叉验证将数据集划分为相应训练集和测试集。
[0090]
步骤2、基于樽海鞘算法对数据集中的备选特征进行选择。
[0091]
在具体实施时，如图2所示，包括如下s1～s5的步骤：
[0092]
s1、获取初始种以及算法参数：获取种数量为m，最大迭代次数为d，当前迭代次数d的初始值为0，最佳适应度值g
best
的初始值为0，并生成初始樽海鞘x0。
[0093]
在具体实施时，生成初始樽海鞘x0的规则如下：
[0094]
随机取0到1之间的随机数作为初始樽海鞘x0中各个樽海鞘个体的位置，生成初始樽海鞘x0；所述初始樽海鞘x0包括m条樽海鞘链，且每个樽海鞘链包括n个樽海鞘个体。
[0095]
本实施例中，每个樽海鞘链对应一种备选特征的筛选结果，即一个樽海鞘链中的一个樽海鞘个体对应一个备选特征，樽海鞘个体的位置表示对应的备选特征被选择或未被选择。
[0096]
s2、对樽海鞘进行二进制转换，得到当前樽海鞘xd；再计算当前樽海鞘xd中每条樽海鞘链对应的适应度值g，并按适应度值g大小对当前樽海鞘xd中的樽海鞘链依次排序。
[0097]
在具体实施时，对樽海鞘进行二进制转换采用如下公式实现：
[0098][0099][0100]
其中，
[0101]
表示二进制转化后的当前樽海鞘xd中第i条樽海鞘链上第j个樽海鞘个体的位置，i＝1,2,3,...,m，j＝1,2,3,...,n；
[0102]
表示二进制转化前的樽海鞘中第i条樽海鞘链上第j个樽海鞘个体的位置，i＝1,2,3,...,m，j＝1,2,3,...,n；
[0103]
rand表示取0至1区间内的随机数；
[0104]
e表示自然常数。
[0105]
且所述适应度值g的计算方法为：
[0106][0107]
其中，g表示利用逻辑回归分类模型进行预测得到的樽海鞘xd中第i条樽海鞘链的分类精确度；
[0108]
表示从基于k折交叉验证得到的测试集中获取第i条樽海鞘链对应的特征子集，并利用逻辑回归分类模型对其进行预测得到的预测分类正确的样本个数的均值；
[0109]
表示从基于k折交叉验证得到的测试集中获取第i条樽海鞘链对应的特征子集，并利用逻辑回归分类模型对其进行预测得到的预测分类错误的样本个数的均值。
[0110]
s3、将当前樽海鞘xd中的最大适应度值与当前最佳适应度值g
best
进行比较，若则令并将对应的樽海鞘链作为食物源fd。
[0111]
在具体实施时，当存在多个对应的樽海鞘链时，所述食物源fd的选择方法包括：
[0112]
对备选樽海鞘链进行随机排序，利用赌法选择一个备选樽海鞘链作为食物源fd。
[0113]
在确定食物源fd时，可能存在多个备选的樽海鞘链，此时可以采用如下步骤来选择其中一条作为食物源fd，具体步骤为：
[0114]
对备选樽海鞘链进行随机排序，利用赌法选择一个备选樽海鞘链作为食物源fd。
[0115]
其中，赌法包括如下步骤：
[0116]
假设共有l个备选樽海鞘链，则备选赌选择法的过程如下：
[0117]
(1)计算备选樽海鞘链ck被选中的概率
[0118][0119]
为第k个备选樽海鞘链ck被选中的概率；k＝1,...,l
[0120]
为第l个备选樽海鞘链c
l
的适应度值，l＝1,...,l；
[0121]
l为备选樽海鞘链c的个数。
[0122]
(2)计算ck的累积概率
[0123][0124]
为备选樽海鞘链c
l
被选中的概率；l＝1,...,k
[0125]
为ck的累积概率。
[0126]
(3)随机生成一个数组z，数组中的元素取值范围在0和1之间，并将其按从小到大的方式进行排序，若累积概率大于等于数组z中第k位的数值z[k]，则ck被选中，若小于z[k]，则比较下一个c
k+1
直至选出一个个体为止。
[0127]
s4、基于适应度值将当前樽海鞘xd中的樽海鞘链划分为领导者和跟随者；再更新领导者和跟随者上樽海鞘个体的位置，得到下一代樽海鞘。
[0128]
在具体实施时，领导者和跟随者的划分规则为：
[0129]
将当前樽海鞘xd中前m/2条樽海鞘链作为领导者；
[0130]
将当前樽海鞘xd中第m/2条樽海鞘链至第m条樽海鞘链作为跟随者；
[0131]
且更新领导者上樽海鞘个体的位置，包括：
[0132][0133]
表示下一代樽海鞘x
d+1
的第i条樽海鞘链上第j个樽海鞘个体的位置，i＝1,2,3,...,m/2-1，j＝1,2,3,...,n；
[0134]
表示当前樽海鞘xd的食物源fd上第j个樽海鞘个体的位置，j＝1,2,3,...,n；
[0135]
ubj表示第j个樽海鞘个体位置的上界；
[0136]
lbj表示第j个樽海鞘个体位置的下界；
[0137]
参数λ1：
[0138][0139]
d为当前迭代次数；
[0140]
d为最大迭代次数；
[0141]
e为自然常数；
[0142]
参数λ2和λ3是在[0,1]区间内生成的随机数；
[0143]
更新追随者上樽海鞘个体的位置，包括：
[0144][0145]
表示下一代樽海鞘x
d+1
的第i条樽海鞘链上第j个樽海鞘个体的位置，i＝m/2,...,m，j＝1,2,3,...,n。
[0146]
s5、令d＝d+1，判断是否满足d≤d；若满足，则返回s2；否则，输出食物源fd；再对食物源fd解码得到被选择的产品属性特征。
[0147]
步骤3、将被选择的备选特征作为点击概率预测模型的输入训练点击概率预测模型。
[0148]
在具体实施时，采用现有的速度快、效率高的lightgbm模型作为点击概率预测模型来预测用户对产品的点击概率。
[0149]
lightgbm是轻量级(light)的梯度提升机器(gbm)，是gbdt模型的另一个进化版本。它延续了xgboost的集成学习的方式，相对于xgboost，具有训练速度快和内存占用率低
的特点。
[0150]
步骤4、基于训练好的点击概率预测模型预测用户对多个产品的点击概率，并基于所述多个产品的点击概率的大小确定推荐的产品。
[0151]
在具体实施时，可根据点击概率的预测值的大小对产品进行排序，按点击概率的大小依次推荐给用户。
[0152]
实施例2：
[0153]
一种存储介质，其存储用于产品推荐的计算机程序，其中，所述计算机程序使得计算机执行如下步骤：
[0154]
获取包含若干备选特征的数据集；所述备选特征包括：若干用户特征和若干产品属性特征；
[0155]
基于樽海鞘算法对数据集中的备选特征进行选择；樽海鞘算法中每条樽海鞘链上有多个樽海鞘个体，一个樽海鞘个体对应一个备选特征，樽海鞘个体的位置表示对应的备选特征被选择或未被选择；
[0156]
将被选择的备选特征作为点击概率预测模型的输入训练点击概率预测模型；
[0157]
基于训练好的点击概率预测模型预测用户对多个产品的点击概率，并基于所述多个产品的点击概率的大小确定推荐的产品。
[0158]
实施例3：
[0159]
一种电子设备，包括：
[0160]
一个或多个处理器；
[0161]
存储器；以及
[0162]
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如下步骤：
[0163]
获取包含若干备选特征的数据集；所述备选特征包括：若干用户特征和若干产品属性特征；
[0164]
基于樽海鞘算法对数据集中的备选特征进行选择；樽海鞘算法中每条樽海鞘链上有多个樽海鞘个体，一个樽海鞘个体对应一个备选特征，樽海鞘个体的位置表示对应的备选特征被选择或未被选择；
[0165]
将被选择的备选特征作为点击概率预测模型的输入训练点击概率预测模型；
[0166]
基于训练好的点击概率预测模型预测用户对多个产品的点击概率，并基于所述多个产品的点击概率的大小确定推荐的产品。
[0167]
可理解的是，本发明实施例提供的存储介质、电子设备与上述产品推荐方法相对应，其有关内容的解释、举例、有益效果等部分可以参考产品推荐方法中的相应内容，此处不再赘述。
[0168]
综上所述，与现有技术相比，本发明具备以下有益效果：
[0169]
1)本发明将樽海鞘算法与点击概率预测模型相结合，对用户和产品的数据集中的大量冗余和不相关的特征进行剔除，再基于剔除后的特征数据对点击概率预测模型进行训练，使得训练好的点击概率预测模型的性能获得有效提升。
[0170]
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技
术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0171]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：

1.一种产品推荐方法，其特征在于，该方法包括：获取包含若干备选特征的数据集；所述备选特征包括：若干用户特征和若干产品属性特征；基于樽海鞘算法对数据集中的备选特征进行选择；樽海鞘算法中每条樽海鞘链上有多个樽海鞘个体，一个樽海鞘个体对应一个备选特征，樽海鞘个体的位置表示对应的备选特征被选择或未被选择；将被选择的备选特征作为点击概率预测模型的输入训练点击概率预测模型；基于训练好的点击概率预测模型预测用户对多个产品的点击概率，并基于所述多个产品的点击概率的大小确定推荐的产品。2.如权利要求1所述的一种产品推荐方法，其特征在于，所述获取包含若干备选特征的数据集还包括：通过k折交叉验证将数据集划分为相应训练集和测试集。3.如权利要求1所述的一种产品推荐方法，其特征在于，所述基于樽海鞘算法对数据集中的备选特征进行选择，包括：s1、获取种数量为m，最大迭代次数为d，当前迭代次数d的初始值为0，最佳适应度值g
best
的初始值为0，并生成初始樽海鞘x0；s2、对樽海鞘进行二进制转换，得到当前樽海鞘x
d
；再计算当前樽海鞘x
d
中每条樽海鞘链对应的适应度值g，并按适应度值g大小对当前樽海鞘x
d
中的樽海鞘链依次排序；s3、将当前樽海鞘x
d
中的最大适应度值与当前最佳适应度值g
best
进行比较，若则令并将对应的樽海鞘链作为食物源f
d
；s4、基于适应度值将当前樽海鞘x
d
中的樽海鞘链划分为领导者和跟随者；再更新领导者和跟随者上樽海鞘个体的位置，得到下一代樽海鞘；s5、令d＝d+1，判断是否满足d≤d；若满足，则返回s2；否则，输出食物源f
d
；再对食物源f
d
解码得到被选择的产品属性特征。4.如权利要求3所述的一种产品推荐方法，其特征在于，所述生成初始樽海鞘x0，包括：随机取0到1之间的随机数作为初始樽海鞘x0中各个樽海鞘个体的位置，生成初始樽海鞘x0；所述初始樽海鞘x0包括m条樽海鞘链，且每个樽海鞘链包括n个樽海鞘个体。5.如权利要求3所述的一种产品推荐方法，其特征在于，所述对樽海鞘进行二进制转化为：化为：其中，
表示二进制转化后的当前樽海鞘x
d
中第i条樽海鞘链上第j个樽海鞘个体的位置，i＝1,2,3,...,m，j＝1,2,3,...,n；表示二进制转化前的樽海鞘中第i条樽海鞘链上第j个樽海鞘个体的位置，i＝1,2,3,...,m，j＝1,2,3,...,n；rand表示取0至1区间内的随机数；e表示自然常数。6.如权利要求3所述的一种产品推荐方法，其特征在于，所述适应度g的计算方法为：其中，g表示利用逻辑回归分类模型进行预测得到的樽海鞘x
d
中第i条樽海鞘链的分类精确度；表示从基于k折交叉验证得到的测试集中获取第i条樽海鞘链对应的特征子集，并利用逻辑回归分类模型对其进行预测得到的预测分类正确的样本个数的均值；表示从基于k折交叉验证得到的测试集中获取第i条樽海鞘链对应的特征子集，并利用逻辑回归分类模型对其进行预测得到的预测分类错误的样本个数的均值。7.如权利要求3所述的一种产品推荐方法，其特征在于，所述领导者为当前樽海鞘x
d
中前m/2条樽海鞘链；跟随者为当前樽海鞘x
d
中第m/2条樽海鞘链至第m条樽海鞘链；且更新领导者上樽海鞘个体的位置，包括：且更新领导者上樽海鞘个体的位置，包括：表示下一代樽海鞘x
d+1
的第i条樽海鞘链上第j个樽海鞘个体的位置，i＝1,2,3,...,m/2-1，j＝1,2,3,...,n；表示当前樽海鞘x
d
的食物源f
d
上第j个樽海鞘个体的位置，j＝1,2,3,...,n；ub
j
表示第j个樽海鞘个体位置的上界；lb
j
表示第j个樽海鞘个体位置的下界；参数λ1：d为当前迭代次数；d为最大迭代次数；e为自然常数；参数λ2和λ3是在[0,1]区间内生成的随机数；更新追随者上樽海鞘个体的位置，包括：
表示下一代樽海鞘x
d+1
的第i条樽海鞘链上第j个樽海鞘个体的位置，i＝m/2,...,m，j＝1,2,3,...,n。8.如权利要求3所述的一种产品推荐方法，其特征在于，所述当存在多个对应的樽海鞘链时，所述食物源f
d
的选择方法包括：对备选樽海鞘链进行随机排序，利用赌法选择一个备选樽海鞘链作为食物源f
d
。9.一种存储介质，其特征在于，其存储用于产品推荐的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-8任一项所述的产品推荐方法。10.一种电子设备，其特征在于，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1-8任一项所述的产品推荐方法。

技术总结

本发明提供了一种产品推荐方法、存储介质和电子设备，涉及产品推荐技术领域。本发明将樽海鞘算法与点击概率预测模型相结合，对用户和产品的数据集中的大量冗余和不相关的特征进行剔除，再基于剔除后的特征数据对点击概率预测模型进行训练，使得训练好的点击概率预测模型的性能获得有效提升。测模型的性能获得有效提升。测模型的性能获得有效提升。