CN107506479A

CN107506479A - 一种对象推荐方法和装置

Info

Publication number: CN107506479A
Application number: CN201710816641.8A
Authority: CN
Inventors: 谭奔; 刘汉洲
Original assignee: Thunder Computer (shenzhen) Co Ltd
Current assignee: Thunder Computer (shenzhen) Co Ltd
Priority date: 2017-09-12
Filing date: 2017-09-12
Publication date: 2017-12-22
Anticipated expiration: 2037-09-12
Also published as: CN107506479B

Abstract

本发明实施例公开了一种对象推荐方法和装置，该方法包括：获取用户在至少两个平台上的历史行为数据；生成用于表示所述用户在所述至少两个平台上的历史行为数据的历史行为向量；通过所述历史行为向量计算所述用户在所述至少两个平台上的兴趣表征向量；根据所述兴趣表征向量确定所述用户在所述至少两个平台上的推荐对象。由于通过多个平台的历史行为数据为用户确定推荐对象，从而可以提高推荐系统的推荐效果。

Description

一种对象推荐方法和装置

技术领域

本发明涉及网络技术领域，尤其涉及一种对象推荐方法和装置。

背景技术

随着网络技术的迅速发展，用户获取信息的途径和内容大幅增加。这样海量的信息也带来了信息过载问题，用户无法从大量信息中获取到对自己真正有价值的那部分信息，从而对信息的使用效率反而降低了。为了解决信息过载问题，一种常用的方法是个性化信息推荐，目前个性化信息推荐主要是通过某一平台收集的用户行为，向用户推荐该用户的需求、兴趣或者偏好等对象，例如：信息或者商品。但目前根据一个平台的用户行为进行推荐，很大程度上受到冷启动和数据稀疏性问题的影响，其中，冷启动是指对于没有历史行为的新用户，很难给出合理的推荐信息。可见，目前推荐系统的推荐效果比较差。

发明内容

本发明实施例提供了一种对象推荐方法和装置，以提高推荐系统的推荐效果。

第一方面，本发明实施例提供一种对象推荐方法，包括：

获取用户在至少两个平台上的历史行为数据；

生成用于表示所述用户在所述至少两个平台上的历史行为数据的历史行为向量；

通过所述历史行为向量计算所述用户在所述至少两个平台上的兴趣表征向量；

根据所述兴趣表征向量确定所述用户在所述至少两个平台上的推荐对象。

第二方面，本发明实施例提供一种对象推荐装置，包括：

获取模块，用于获取用户在至少两个平台上的历史行为数据；

生成模块，用于生成用于表示所述用户在所述至少两个平台上的历史行为数据的历史行为向量；

计算模块，用于通过所述历史行为向量计算所述用户在所述至少两个平台上的兴趣表征向量；

确定模块，用于根据所述兴趣表征向量确定所述用户在所述至少两个平台上的推荐对象。

上述技术方案中，获取用户在至少两个平台上的历史行为数据；生成用于表示所述用户在所述至少两个平台上的历史行为数据的历史行为向量；通过所述历史行为向量计算所述用户在所述至少两个平台上的兴趣表征向量；根据所述兴趣表征向量确定所述用户在所述至少两个平台上的推荐对象。由于通过多个平台的历史行为数据为用户确定推荐对象，从而可以提高推荐系统的推荐效果。

附图说明

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。

图1是本发明实施例的一种对象推荐方法的流程示意图；

图2是本发明实施例的另一种对象推荐方法的流程示意图；

图3是本发明实施例的一种多模态深度学习模型的结构示意图；

图4是本发明实施例的另一种多模态深度学习模型的结构示意图；

图5是本发明实施例的一种对象推荐装置的结构示意图；

图6是本发明实施例的另一种对象推荐装置的结构示意图；

图7是本发明实施例的另一种对象推荐装置的结构示意图。

具体实施方式

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。

请参考图1，图1是本发明实施例的一种对象推荐方法的流程示意图，如图1所示，包括：

101、获取用户在至少两个平台上的历史行为数据。

本发明实施例中，平台为互联网平台，平台可以是影视平台，例如：料短视频、手机迅雷、迅雷影音或者迅雷直播等，或者还可以是网上购物、网上娱乐、网上交友或者网上商务活动或者交易活动平台等平台，对此本发明实施例不作限定。

另外，上述至少两个平台可以是至少两个同类型平台，例如：至少两个影视平台。当然，在一些场景中，也可以是至少两个不同类型的平台。

而上述历史行为数据可以是用户在台中的行为，例如：包括浏览、点击或者购买在线商品等行为，这些行为可以反应用户近期的兴趣。另外，本发明实施例中，上述用户在某一平台的历史行为数据可以为空。

步骤101可以是接收各平台的服务端发送的历史行为数据。

102、生成用于表示所述用户在所述至少两个平台上的历史行为数据的历史行为向量。

其中，上述历史行为向量可以是通过不同的表示历史行为数据中存在行为记录的对象。例如：以每一个用户包含两个平台中的数据，也就是用户在短视频中的历史行为，以及在电影中的行为进行举例。假设有三个用户，在线短视频和在线电影平台中分别有四个视频，其历史行为如下表所示：

表1：用户历史行为记录示例

通过步骤102用向量来数值化表示用户在所有平台上的行为，则用户1、2、3在这两个平台上的历史行为数据可以分别表示成示成x₁＝{[1 1 1 0]，[0 0 0 0]},x₂＝{[1 0 11],[0 1 1 0]}和x₃＝{[0 0 0 0],[1 1 0 1]}。另外，本发明实施例中，可以用向量[0 0 00]表示用户在这个平台中没有任何行为，即历史行为数据为空。

需要说明的是，上述向量仅是一个举例，本发明实施例并不限定通过1和0来表示历史行为，例如：还可以是通过历史行为数据对应的对象的索引来表示等等，对此本发明实施例不作限定。

103、通过所述历史行为向量计算所述用户在所述至少两个平台上的兴趣表征向量。

其中，兴趣表征向量可以表示上述用户在上述至少两个平台上感觉兴趣的行为数据。而上述计算可以是通过预先训练好的神经网络模型进行计算的，例如：通过多模深度学习模型用户在所述至少两个平台上的兴趣表征向量。

另外，上述兴趣表征向量表示上述用户在上述至少两个平台上感觉兴趣的行为数据可以参见1表示向量表征视频的方式，对此不作赘述。

可选的，本发明实施例中，所述历史行为向量包括至少两个历史行为子向量，每个历史行为子向量用于表示所述用户在一个平台上的历史行为数据；

所述兴趣表征向量包括至少两个兴趣表征子向量，每个兴趣表征子向量用于表示所述用户在一个平台上的预测行为数据。

例如：向量x₁＝{[1 1 1 0]，[0 0 0 0]}，[1 1 1 0]这一子向量表示用户在平台1上的历史行为数据，[0 0 0 0]这一子向量表示该用户在平台2上的历史行为数据。这样通过上述至少两个历史行为子向量就可以准确地表征用户在至少两个平台上的历史行为数据，以及通过上述至少两个兴趣表征子向量可以准确地表征用户在至少两个平台上的感兴趣的行为数据，从而提高推荐的准确性。

104、根据所述兴趣表征向量确定所述用户在所述至少两个平台上的推荐对象。

当上述兴趣表征向量确定后，就可以确定用户在上述至少两个平台上的感兴趣的对象，进而确定用户在所述至少两个平台上推荐对象。

本发明实施例，通过上述步骤可以应用到跨平台推荐系统中，从而可以解决单一平台的推荐系统所面临的冷启动和数据稀疏性问题，以及还可以提高用户体验，用户留存率和活跃度。

需要说明的是，上述方法可以应用于平台服务器，该平台服务器可以是管理上述至少两个平台的服务器，也可以是上述至少两个平台中部分平台的服务器，对此本发明实施例不作限定。

请参考图2，图2是本发明实施例的另一种对象推荐方法的流程示意图，如图2所示，包括：

201、获取用户在至少两个平台上的历史行为数据。

步骤201可以参见图1所示的实施例中步骤101，此处不作赘述。

202、生成用于表示所述用户在所述至少两个平台上的历史行为数据的历史行为向量，其中，所述历史行为向量包括至少两个历史行为子向量，每个历史行为子向量用于表示所述用户在一个平台上的历史行为数据。

步骤202可以参见图1所示的实施例中步骤102，此处不作赘述。

203、通过预先训练好的多模态深度学习模型计算所述用户在所述至少两个平台上的兴趣表征向量，其中，所述历史行为向量包括的至少两个历史行为子向量作为所述多模态深度学习模型的输入，所述兴趣表征向量包括至少两个兴趣表征子向量，每个兴趣表征子向量用于表示所述用户在一个平台上的预测行为数据，且所述兴趣表征向量包括至少两个兴趣表征子向量作为所述多模态深度学习模型的输出。

下面对多模态深度学习模型进行介绍：

多模态深度学习模型可以同时考虑来自多个数据源的相关信息，这种学习方式与人类非常相似，例如：对话的过程中，会同时接收音频信号和视觉信息。视觉信息是指舌头的震动和嘴唇的肌肉运动，以及一些肢体运动，这些信息一方面可以帮助人们消除相似语音带来的歧义，更好的理解语义；另一方面，通过长期的训练，可以总结出语音信号和视觉信息之间的相关性，例如，在只接收嘴唇的肌肉运动等视觉信息时，仍然可以理解这些视觉信号的意思，以及反射出语音信号，也就是常说的唇读。反之，只听到语音的信号，也能想象出嘴唇的肌肉运动。

在本实施例发明中，多模态深度学习模型基于深度自编码模型，其网络结构如图3所示，其中，图3以语音信号和视频信息进行举例。多模态深度学习模型同时接受来自多个数据源的相关信息，学习一个通用的隐藏信息层，并在隐藏层的基础上重建多个数据源的输入信息。该网络模型的目标是希望重建的输入信息与原始信息差别越小越好，如果能够到达目标的话，说明中间的通用隐藏层确实包含了两个数据源的共性信息。

步骤203通过上述多模态深度学习模型可以准确地计算出所述用户在所述至少两个平台上的兴趣表征向量。

可选的，步骤203可以包括：

通过所述多模态深度学习模型的编码函数，分别将所述历史行为向量包括的至少两个历史行为子向量映射到所述多模态深度学习模型的隐藏信息层，以得到所述至少两个历史行为子向量的通用的隐藏数据；

通过所述多模态深度学习模型解码函数，计算所述通用的隐藏数据分别在所述至少两个平台上对应的兴趣表征子向量。

该实施方式，可以参见图4所示的多模态深度学习模型，其中，该多模态深度学习模型以两个平台进行举例说明，通过图4所示的多模态深度学习模型计算所述用户在所述至少两个平台上的兴趣表征向量。其中，该网络模型的输入为用户在平台中的历史行为，也就是步骤202生成的历史行为向量。重构的数据为上述用户近期在两个平台中的行为或者新产生的行为向量，即上述兴趣表征向量。例如：给定一个用户i的历史行为向量以及近期的行为向量步骤203中首先将历史行为向量通过如下编码函数映射到通用的隐藏信息层，以得到上述通用的隐藏数据：

然后将隐藏信息层的数据通过如下解码函数映射出用户近期的历史行为，即用户在两个平台上对应的兴趣表征子向量：

其中，分别为解码后用户在产品1和产品2中的行为预测结果，即用户分别在两个平台上对应的兴趣表征子向量，s_e,s_d为激活函数，W_k,b_k,k∈{1,2,d}为多模态深度学习模型中的参数。

另外，本发明实施例的目标是行为预测结果和实际的行为差别越小越好，这样可以提供更加准确的个性化推荐，因此可以定义如下的目标函数来求解编码和解码函数：

其中，N为用户的总数，R(f_e,f_d)为避免过拟合的正则化项，模型的参数W_k,b_k,k∈{1,2,d}可以根据反向传播算法获得。另外，在学习模型参数的过程中，为了避免发生误导，当用户在某一个平台上没有行为数据时，可以将忽略这个平台反向传播的信号，以提高运算效果。

该实施方式中，通过上述运算可以准确地计算出用户分别在所述至少两个平台上对应的兴趣表征子向量，从而提高个性推荐的效果。

204、根据所述兴趣表征向量确定所述用户在所述至少两个平台上的推荐对象。

可选的，步骤204可以是根据所述兴趣表征向量包括的至少两个兴趣表征子向量，确定所述用户终端在所述至少两个平台上的预测行为数据，并根据所述用户在每个平台上的预测行为数据确定所述用户终端在对应平台上的推荐对象。

该实施方式中，可以提高推荐对象的准确性。

本实施例，在图1所示的实施例的基础上增加了多模态深度学习模型计算兴趣表征向量，实现输入用户在一个平台中的行为或者同时输入用户在两个平台中的行为，可以用上述模型同时预测用户在两个平台可能发生的行为，并根据结果给用户进行个性化推荐，从而可以。提高个性推荐的效果。

请参考图5，图5是本发明实施例的一种对象推荐装置的结构示意图，如图5所示，包括：

获取模块501，用于获取用户在至少两个平台上的历史行为数据；

生成模块502，用于生成用于表示所述用户在所述至少两个平台上的历史行为数据的历史行为向量；

计算模块503，用于通过所述历史行为向量计算所述用户在所述至少两个平台上的兴趣表征向量；

确定模块504，用于根据所述兴趣表征向量确定所述用户在所述至少两个平台上的推荐对象。

可选的，所述历史行为向量包括至少两个历史行为子向量，每个历史行为子向量用于表示所述用户在一个平台上的历史行为数据；

可选的，所述计算模块503用于通过预先训练好的多模态深度学习模型计算所述用户在所述至少两个平台上的兴趣表征向量，其中，所述历史行为向量包括的至少两个历史行为子向量作为所述多模态深度学习模型的输入，所述兴趣表征向量包括至少两个兴趣表征子向量作为所述多模态深度学习模型的输出。

可选的，如图6所示，所述计算模块503，包括：

编码单元5031，用于通过所述多模态深度学习模型的编码函数，分别将所述历史行为向量包括的至少两个历史行为子向量映射到所述多模态深度学习模型的隐藏信息层，以得到所述至少两个历史行为子向量的通用的隐藏数据；

解码单元5032，用于通过所述多模态深度学习模型解码函数，计算所述通用的隐藏数据分别在所述至少两个平台上对应的兴趣表征子向量。

可选的，所述确定模块用于根据所述兴趣表征向量包括的至少两个兴趣表征子向量，确定所述用户终端在所述至少两个平台上的预测行为数据，并根据所述用户在每个平台上的预测行为数据确定所述用户终端在对应平台上的推荐对象。

本实施例中，上述对象推荐装置的实施方式均可以参见方法的实施方式，此处不作赘述，且可以达到相同有益效果。

请参阅图7，图7是本发明实施例提供的另一种对象推荐装置的结构示意图，如图7所示，包括：存储器71，以及与存储器71连接的处理器72，其中，存储器71用于存储程序代码，处理器72用于调用存储器71存储的程序，执行如下操作：

获取用户在至少两个平台上的历史行为数据；

可选的，处理器72执行的所述通过所述历史行为向量计算所述用户在所述至少两个平台上的兴趣表征向量，包括：

通过预先训练好的多模态深度学习模型计算所述用户在所述至少两个平台上的兴趣表征向量，其中，所述历史行为向量包括的至少两个历史行为子向量作为所述多模态深度学习模型的输入，所述兴趣表征向量包括至少两个兴趣表征子向量作为所述多模态深度学习模型的输出。

可选的，处理器72执行的所述通过预先训练好的多模态深度学习模型计算所述用户在所述至少两个平台上的兴趣表征向量，包括：

可选的，处理器72执行的所述根据所述兴趣表征向量确定所述用户在所述至少两个平台上的推荐对象，包括：

根据所述兴趣表征向量包括的至少两个兴趣表征子向量，确定所述用户终端在所述至少两个平台上的预测行为数据，并根据所述用户在每个平台上的预测行为数据确定所述用户终端在对应平台上的推荐对象。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例提供的对象推荐方法的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存取存储器(Random AccessMemory，简称RAM)等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims

1.一种对象推荐方法，其特征在于，包括：

获取用户在至少两个平台上的历史行为数据；

2.如权利要求1所述的方法，其特征在于，所述历史行为向量包括至少两个历史行为子向量，每个历史行为子向量用于表示所述用户在一个平台上的历史行为数据；

3.如权利要求2所述的方法，其特征在于，所述通过所述历史行为向量计算所述用户在所述至少两个平台上的兴趣表征向量，包括：

4.如权利要求3所述的方法，其特征在于，所述通过预先训练好的多模态深度学习模型计算所述用户在所述至少两个平台上的兴趣表征向量，包括：

5.如权利要求2至4中任一项所述的方法，其特征在于，所述根据所述兴趣表征向量确定所述用户在所述至少两个平台上的推荐对象，包括：

6.一种对象推荐装置，其特征在于，包括：

7.如权利要求6所述的装置，其特征在于，所述历史行为向量包括至少两个历史行为子向量，每个历史行为子向量用于表示所述用户在一个平台上的历史行为数据；

8.如权利要求7所述的装置，其特征在于，所述计算模块用于通过预先训练好的多模态深度学习模型计算所述用户在所述至少两个平台上的兴趣表征向量，其中，所述历史行为向量包括的至少两个历史行为子向量作为所述多模态深度学习模型的输入，所述兴趣表征向量包括至少两个兴趣表征子向量作为所述多模态深度学习模型的输出。

9.如权利要求8所述的装置，其特征在于，所述计算模块，包括：

编码单元，用于通过所述多模态深度学习模型的编码函数，分别将所述历史行为向量包括的至少两个历史行为子向量映射到所述多模态深度学习模型的隐藏信息层，以得到所述至少两个历史行为子向量的通用的隐藏数据；

解码单元，用于通过所述多模态深度学习模型解码函数，计算所述通用的隐藏数据分别在所述至少两个平台上对应的兴趣表征子向量。

10.如权利要求7至9中任一项所述的装置，其特征在于，所述确定模块用于根据所述兴趣表征向量包括的至少两个兴趣表征子向量，确定所述用户终端在所述至少两个平台上的预测行为数据，并根据所述用户在每个平台上的预测行为数据确定所述用户终端在对应平台上的推荐对象。