CN109829775B

CN109829775B - 一种物品推荐方法、装置、设备及可读存储介质

Info

Publication number: CN109829775B
Application number: CN201811467071.7A
Authority: CN
Inventors: 赵朋朋; 张婷婷; 周晓方; 崔志明
Original assignee: Suzhou University
Current assignee: Suzhou University
Priority date: 2018-12-03
Filing date: 2018-12-03
Publication date: 2022-05-17
Anticipated expiration: 2038-12-03
Also published as: CN109829775A

Abstract

本发明公开了一种物品推荐方法，该方法包括以下步骤：当检测到目标用户名登录系统时，获取目标用户名对应的历史访问记录信息；利用注意力机制从历史访问记录中提取目标用户名对应的目标用户的偏好信息；根据偏好信息利用协同度量学习从候选物品集中查找目标用户的喜好物品，并将喜好物品推荐给目标用户；其中，候选物品集由目标用户名未访问过的物品构成。应用本发明实施例所提供的技术方案，根据目标用户的偏好从候选物品集中推荐目标用户的喜好物品，提高了灵活性，提升了用户体验。本发明还公开了一种物品推荐装置、设备及存储介质，具有相应技术效果。

Description

一种物品推荐方法、装置、设备及可读存储介质

技术领域

本发明涉及电子商务技术领域，特别是涉及一种物品推荐方法、装置、设备及计算机可读存储介质。

背景技术

当今社会是一个信息过载的世界，如何从多样的产品中挑选用户感兴趣的物品是一个重要的挑战，推荐系统通过给用户提供最相关的内容来改善这个问题。

大多数现存的推荐方法是使用点积操作度量用户对物品items的偏好，但是点积操作并不满足度量方法中遵循的三角不等式(即对于任意三个物体，任意两对物品之间的距离之和应大于或等于剩余的物品对距离。这个暗示了，如果x接近于y和z，那么y与z也是接近的。因此，基于点积操作的方法，仅能捕获已知数据中局部的用户偏好即x接近于y和z，但是不能捕获隐含的偏好信息即y与z也是接近的。)，因此，点积操作不足以捕获用户交互数据中的复杂关系。基于此，提出一种融合协同过滤和协同度量学习CML的方法，遵循三角不等式，能更细粒度地计算用户的偏好，但是也存在一些弊端。一，用户的兴趣是多样的，涉及许多种类，但是协同度量学习仅是通过固定的信息对用户进行固定地表示，即仅通过用户购买过的物品对用户的喜好物品进行表示，不足以去捕获用户复杂多样的兴趣偏好；二，对于每个用户，协同度量学习试着去努力匹配一个用户和所有该用户感兴趣的产品到同一个点。但是由于用户喜欢不同种类的物品，对一个产品的偏好，只会与部分偏好有关，但是其推荐给用户的物品包含与用户购买过的物品相关的各种类物品，因此过度匹配会导致缺乏灵活性，不足以从不同种类的众多候选产品中挑选需要的东西，用户体验差。例如，一个用户之前购买过几本书，一双鞋子和一对羽毛球拍，该用户可能买羽毛球，羽毛球的购买行为只与用户之前购买的羽毛球拍相关，而不是书或者鞋子，但是很可能由于过度匹配导致推荐系统推荐的物品中包括书、鞋子、鞋油、羽毛球、羽毛球拍等混杂的物品，使得用户从中挑选羽毛球比较困难，用户体验差。

综上所述，如何有效地解决推荐给用户的候选物品种类众多，用户难以从众多不同种类的候选产品中挑选需要的东西，用户体验差等问题，是目前本领域技术人员急需解决的问题。

发明内容

本发明的目的是提供一种物品推荐方法，该方法根据目标用户的偏好从候选物品集中推荐目标用户的喜好物品，提高了灵活性，提升了用户体验；本发明的另一目的是提供一种物品推荐装置、设备及计算机可读存储介质。

为解决上述技术问题，本发明提供如下技术方案：

一种物品推荐方法，包括：

当检测到目标用户名登录系统时，获取所述目标用户名对应的历史访问记录信息；

利用注意力机制从所述历史访问记录中提取所述目标用户名对应的目标用户的偏好信息；

根据所述偏好信息利用协同度量学习从候选物品集中查找所述目标用户的喜好物品，并将所述喜好物品推荐给所述目标用户；其中，所述候选物品集由所述目标用户名未访问过的物品构成。

在本发明的一种具体实施方式中，利用协同度量学习从候选物品集中查找所述目标用户的喜好物品，包括：

将所述目标用户的用户向量和所述候选物品集中各所述物品的物品向量映射到同一个目标向量空间中；

利用欧几里得度量公式度量所述用户向量与每个物品向量的距离；

将所述距离小于预设值的物品设定为所述目标用户的喜好物品。

在本发明的一种具体实施方式中，在利用欧几里得度量公式度量所述用户向量与每个物品向量的距离之后，还包括：

对各所述喜好物品按照距离从小到大的顺序进行排序。

在本发明的一种具体实施方式中，利用注意力机制从所述历史访问记录中提取所述目标用户名对应的目标用户的偏好信息，包括：

利用内积计算所述历史访问记录中每个已访问物品与所述候选物品集中每个候选物品的相似度；

通过归一化指数函数对各所述相似度进行正则化处理，得到各所述已访问物品的注意力权重；

根据各所述已访问物品的所述注意力权重确定所述目标用户的偏好信息。

一种物品推荐装置，包括：

信息获取模块，用于当检测到目标用户名登录系统时，获取所述目标用户名对应的历史访问记录信息；

信息提取模块，用于利用注意力机制从所述历史访问记录中提取所述目标用户名对应的目标用户的偏好信息；

物品推荐模块，用于根据所述偏好信息利用协同度量学习从候选物品集中查找所述目标用户的喜好物品，并将所述喜好物品推荐给所述目标用户；其中，所述候选物品集由所述目标用户名未访问过的物品构成。

在本发明的一种具体实施方式中，所述物品推荐模块包括物品查找子模块，所述物品查找子模块包括：

向量映射单元，用于将所述目标用户的用户向量和所述候选物品集中各所述物品的物品向量映射到同一个目标向量空间中；

距离度量单元，用于利用欧几里得距离度量所述用户向量与每个物品向量的距离；

物品设定单元，用于将所述距离小于预设值的物品设定为所述目标用户的喜好物品。

在本发明的一种具体实施方式中，还包括：

排序模块，用于在利用欧几里得度量公式度量所述用户向量与每个物品向量的距离之后，对各所述喜好物品按照距离从小到大的顺序进行排序。

在本发明的一种具体实施方式中，所述信息提取模块包括：

相似度计算子模块，用于利用内积计算所述历史访问记录中每个已访问物品与所述候选物品集中每个候选物品的相似度；

权重获得子模块，用于通过归一化指数函数对各所述相似度进行归一化处理，得到各所述已访问物品的注意力权重；

信息确定子模块，用于根据各所述已访问物品的所述注意力权重确定所述目标用户的偏好信息。

一种物品推荐设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如前所述物品推荐方法的步骤。

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如前所述物品推荐方法的步骤。

应用本发明实施例所提供的方法，当检测到目标用户名登录系统时，获取目标用户名对应的历史访问记录信息；利用注意力机制从历史访问记录中提取目标用户名对应的目标用户的偏好信息；根据偏好信息利用协同度量学习从候选物品集中查找目标用户的喜好物品，并将喜好物品推荐给目标用户；其中，候选物品集由目标用户名未访问过的物品构成。通过获取登录系统的目标用户名对应的历史访问记录信息，利用注意力机制从历史访问记录中提取目标用户的偏好信息，可以获取用户复杂多样的兴趣爱好，结合目标用户的偏好信息，利用协同度量学习从由多个未访问过的物品构成的候选物品集中查找目标用户的喜好物品，并推荐给目标用户。相较于现有技术中推荐与用户购买过的物品相关的冗杂物品，本申请能够根据候选物品的特征，从目标用户的历史访问记录中获取用户自适应的兴趣偏好，然后根据目标用户的兴趣偏好从候选物品中推荐目标用户的喜好物品，提高灵活性，提升了用户体验。

相应的，本发明实施例还提供了与上述物品推荐方法相对应的物品推荐装置、设备和计算机可读存储介质，具有上述技术效果，在此不再赘述。

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为本发明实施例中物品推荐方法的一种实施流程图；

图2为本发明实施例中物品推荐方法的另一种实施流程图；

图3为本发明实施例中一种物品推荐方法的建模流程图；

图4为本发明实施例中物品推荐装置的结构框图；

图5为本发明实施例中物品推荐设备的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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做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。

实施例一：

参见图1，图1为本发明实施例中物品推荐方法的一种实施流程图，该方法可以包括以下步骤：

S101：当检测到目标用户名登录系统时，获取目标用户名对应的历史访问记录信息。

目标用户在输入目标用户名登录系统时，该系统的推荐系统可以及时检测到目标用户的登录系统的信息，并可以获取目标用户名对应的历史访问记录信息。例如，目标用户通过输入用户名和密码登录某个购物网站的APP，购物网站预先部署有该推荐系统，推荐系统可以自动获取目标用户名对应的历史访问记录信息，从而获取目标用户之前访问过哪些物品。

S102：利用注意力机制从历史访问记录中提取目标用户名对应的目标用户的偏好信息。

当获取到目标用户名对应的历史访问记录之后，可以利用注意力机制(Attention机制)从历史访问记录中提取目标用户名对应的目标用户的偏好信息。如当人观察一张图片或一个物体时，只会集中到目标实体的某一部分，而不是全部。类似的，注意力机制可以用于处理某个物品的每个特征对用户的重要性，或者用于加权用户访过的物品对用户的影响，从而可以得知目标用户对哪些物品更加感兴趣，即获取目标用户的偏好信息。

S103：根据偏好信息利用协同度量学习从候选物品集中查找目标用户的喜好物品，并将喜好物品推荐给目标用户。

其中，候选物品集由目标用户名未访问过的物品构成。

可以预先获得由目标用户名未访问过的物品构成的候选物品集，在获得目标用户的偏好信息之后，可以根据偏好信息利用协同度量学习从候选物品集中查找目标用户的喜好物品，并将喜好物品推荐给目标用户。通过协同度量学习可以获得目标用户与候选物品集中的各物品之间隐含的关系，满足三角不等式原则，能获取目标用户更精细的偏好，从而可以更准确地查找目标用户的喜好物品，并推荐给目标用户。

需要说明的是，基于上述实施例一，本发明实施例还提供了相应的改进方案。在后续实施例中涉及与上述实施例一中相同步骤或相应步骤之间可相互参考，相应的有益效果也可相互参照，在下文的改进实施例中不再一一赘述。

实施例二：

参见图2，图2为本发明实施例中物品推荐方法的另一种实施流程图，该方法可以包括以下步骤：

S201：当检测到目标用户名登录系统时，获取目标用户名对应的历史访问记录信息。

本发明实施例提供了一个自适应的度量学习模型(AdaCML模型)来获取目标用户的偏好信息，并且自适应的度量学习模型的用户输入向量使用multi-hot编码作为输入，物品输入向量使用one-hot编码作为输入。可以定义

表示N个用户的集合，

表示M个物品的集合。用户访问过的物品的集合可以表示为

其中n_i表示用户历史访问过的物品数目，

表示剩下的物品。并且，剩下的物品中除了物品j可表示为

被用于建模用户表示。此外，可以设定U表示用户特征矩阵，I表示物品特征矩阵，u_i表示用户i的隐向量，v_j表示物品j的隐向量。

S202：利用内积计算历史访问记录中每个已访问物品与候选物品集中每个候选物品的相似度。

如图3所示，自适应度量模型可以分层设置，输入层(Input Layer)用于用户输入向量

和物品输入向量

的输入，图中左半部分是针对用户i，用户输入向量

为1代表用户i访问过该物品，用户输入向量

为0代表用户i未访问过该物品。图中右半部分是针对任一个物品j，物品输入向量

为1表示该物品被用户i浏览过，物品输入向量

为0表示该物品未被用户i浏览过。由目标用户的用户历史访问记录组成multi-hot编码得到用户特征向量u_i，一个物品特征向量能够构造为

其中Q＝R^d×L，表示物品的隐向量矩阵，R是多维空间，d是用户-物品隐向量的维度，L是物品的总共数量。目标用户的用户-物品对为(u_i，v_j)，在嵌入层和记忆部件(Embedding Layer and Memory Component)中可以使用记忆矩阵M存储用户i浏览过的物品的向量表示，共n_i-1个，可以从

的物品中学习获得一个记忆矩阵M，即

其中

记忆矩阵M的每一列表示的是在

中每一个物品的特征表示。在注意力层(Attention Layer)对于该用户-物品对(u_i，v_j)，可以利用内积计算历史访问记录中每个已访问物品与候选物品集中每个候选物品的相似度，即

其中m_k∈R^d×1是记忆矩阵M中的第k列，记忆矩阵M能够反映目标用户的兴趣偏好。

S203：通过归一化指数函数对各相似度进行归一化处理，得到各已访问物品的注意力权重。

如图3所示，在利用注意力机制中的归一化指数函数计算出每个已访问物品与候选物品集中每个候选物品的相似度

之后，可以通过归一化指数函数(softmax函数)对各相似度进行归一化处理，得到各已访问物品的注意力权重：

S204：根据各已访问物品的注意力权重确定目标用户的偏好信息。

如图3所示，目标用户的兴趣是复杂多样的，因此，为了生成一个动态的、自适应的用户表示，可以根据各已访问物品的注意力权重向量a与记忆矩阵M计算一个加权和，即自适应的从记忆矩阵M中选择有价值的那部分，从而对于给定物品，可以根据各已访问物品的注意力权重确定出目标用户的偏好信息。目标用户的用户-物品对(u_i，v_j)，自适应的目标用户可以表示为

S205：将目标用户的用户向量和候选物品集中各物品的物品向量映射到同一个目标向量空间中。

可以将目标用户的用户向量和候选物品集中的物品向量映射到同一个目标向量空间中，这个度量空间动态适应局部活跃的物品，方便对各物品向量与用户向量的距离进行计算。

S206：利用欧几里得度量公式度量用户向量与每个物品向量的距离。

如图3所示，在将目标用户的用户向量和候选物品集中各物品的物品向量映射到同一个目标向量空间中之后，可以利用欧几里得度量公式度量用户向量与每个物品向量的距离，并最小化正相关的用户-物品对之间的距离，最大化负相关的用户-物品对之间的距离。度量用户向量与每个物品向量的距离的目标函数为

其中，目标用户i的自适应表示

依赖于目标物品j和目标用户i的历史访问记录，在输出层(OutputLayer)进行输出。

S207：将距离小于预设值的物品设定为目标用户的喜好物品。

可以预先设定需要给目标用户推荐的喜好物品的个数，并将该喜好物品个数与度量得到的用户向量和物品向量之间的距离进行关联，以用户向量和物品向量之间的距离作为分界线，设置于需要推荐的喜好物品的个数为参考，预先设定判别候选物品集中的物品为目标用户喜好物品时，用户向量与物品向量的距离值，使得满足物品向量与用户向量的距离小于该距离值的物品的个数刚好为需要推荐给目标用户的喜好物品个数。在这种情况下，当度量出的目标用户的用户向量与候选物品集中的某物品的物品向量之间的距离小于预设值时，可以将距离小于该预设值的物品设定为目标用户的喜好物品。

可以利用hinge损失函数，使得用户喜欢的物品比用户不喜欢的物品距离用户更近一些，hinge损失函数被定义为：

其中S表示正相关的用户-物品对，j是用户i喜欢的物品，而z是用户i不喜欢的物品，λ＞0表示把正用户-物品对和负用户-物品对分开的安全边界。由于用户的表示是依赖于候选物品的，所以正的用户-物品对与负的用户-物品对并不共享相同的用户表示，即给定一个正的用户-物品对(u_i，v_j)，一个负负用户-物品对(u_i，v_z)，相对应的用户表示分别为

和

可以通过WARP(Weighted Approximate-Rank Pairwise loss)的方法来惩罚排在后面的正的物品。定义用户i对物品j的惩罚因子为：

w_ij＝log(rank_d(i，j)+1)；

其中rank_d(i,j)表示用户j在用户i的推荐列表中的排序，使得排序结果更加优化。

S208：对各喜好物品按照距离从小到大的顺序进行排序。

当提取出目标用户的喜好物品之后，可以利用hinge损失函数对各喜好物品按照距离从小到大的顺序进行排序，使得目标用户离他喜欢的物品更近，离他不喜欢的物品更远。即这样可以使得目标用户更感兴趣的物品排在前面，目标用户可以先浏览到自己更感兴趣的物品，进一步提升用户的体验。

还是以用户之前购买过几本书，一双鞋子和一对羽毛球拍，该用户可能买羽毛球为例，使用本发明实施例所提供的物品推荐方法，用户在浏览过羽毛球之后，推荐系统会利用注意力机制从用户的浏览记录中提取用户对羽毛球拍感兴趣的偏好信息，根据用户的偏好信息从用户为浏览过的候选物品集中查找羽毛球拍，将羽毛球拍在前面推荐给用户，提升用户的体验。

还可以所有的物品隐向量约束到一个单位圆中，对物品特征矩阵I进行约束，即||I≤1||，防止模型过拟合，确保度量学习的鲁棒性。

还可以对物品推荐过程的时间复杂度进行分析，自适应的度量模型中的用户自适应表示模块UARM直接反映我们的模型在测试集上的时间复杂度，对于一个给定的用户-物品对(u_i，v_j)，用户i的自适应表示的时间复杂度主要来源于注意力机制。可以使用q表示隐向量维度，

表示用户i的历史交互数量，a代表注意力机制向量维度，这里q＝a，因此，能够计算相似度W_ij中的每一个元素的时间复杂度为O(aq)，由于相似度W_ij包含

个元素，通过归一化指数函数之后，注意力权重a_ij的时间复杂度为：

使用注意力权重和记忆矩阵M的加权和得到用户的自适应表示。因此对于每一个用户，模型的时间复杂度为：

然而由于a_ij中的每个元素共享分母，因此仅需要将分母计算一次，所以时间复杂度变为

相应于上面的方法实施例，本发明实施例还提供了一种物品推荐装置，下文描述的物品推荐装置与上文描述的物品推荐方法可相互对应参照。

参见图4，图4为本发明实施例中物品推荐装置的结构框图，该装置可以包括：

信息获取模块41，用于当检测到目标用户名登录系统时，获取目标用户名对应的历史访问记录信息；

信息提取模块42，用于利用注意力机制从历史访问记录中提取目标用户名对应的目标用户的偏好信息；

物品推荐模块43，用于根据偏好信息利用协同度量学习从候选物品集中查找目标用户的喜好物品，并将喜好物品推荐给目标用户；其中，候选物品集由多个目标用户名未访问过的物品构成。

应用本发明实施例所提供的装置，当检测到目标用户名登录系统时，获取目标用户名对应的历史访问记录信息；利用注意力机制从历史访问记录中提取目标用户名对应的目标用户的偏好信息；根据偏好信息利用协同度量学习从候选物品集中查找目标用户的喜好物品，并将喜好物品推荐给目标用户；其中，候选物品集由目标用户名未访问过的物品构成。通过获取登录系统的目标用户名对应的历史访问记录信息，利用注意力机制从历史访问记录中提取目标用户的偏好信息，可以获取用户复杂多样的兴趣爱好，结合目标用户的偏好信息，利用协同度量学习从候选物品集中查找目标用户的喜好物品，并推荐给目标用户。相较于现有技术中推荐与用户购买过的物品相关的冗杂物品，本申请能够根据候选物品的特征，从目标用户的历史访问记录中获取用户自适应的兴趣偏好，然后根据目标用户的兴趣偏好从候选物品中推荐目标用户的喜好物品，提高灵活性，提升了用户体验。

在本发明的一种具体实施方式中，物品推荐模块43包括物品查找子模块，物品查找子模块包括：

向量映射单元，用于将目标用户的用户向量和候选物品集中各物品的物品向量映射到同一个目标向量空间中；

距离度量单元，用于利用欧几里得度量公式度量用户向量与每个物品向量的距离；

物品设定单元，用于将距离小于预设值的物品设定为目标用户的喜好物品。

在本发明的一种具体实施方式中，还包括：

排序模块，用于在利用欧几里得度量公式度量用户向量与每个物品向量的距离之后，对各喜好物品按照距离从小到大的顺序进行排序。

在本发明的一种具体实施方式中，信息提取模块42包括：

相似度计算子模块，用于利用内积计算历史访问记录中每个已访问物品与所述候选物品集中每个候选物品的相似度；

权重获得子模块，用于通过归一化指数函数对各相似度进行归一化处理，得到各已访问物品的注意力权重；

信息确定子模块，用于根据各已访问物品的注意力权重确定目标用户的偏好信息。

相应于上面的方法实施例，参见图5，图5为本发明所提供的物品推荐设备的示意图，该设备可以包括：

存储器51，用于存储计算机程序；

处理器52，用于执行上述存储器51存储的计算机程序时可实现如下步骤：

当检测到目标用户名登录系统时，获取目标用户名对应的历史访问记录信息；利用注意力机制从历史访问记录中提取目标用户名对应的目标用户的偏好信息；根据偏好信息利用协同度量学习从候选物品集中查找目标用户的喜好物品，并将喜好物品推荐给目标用户；其中，候选物品集由目标用户名未访问过的物品构成。

对于本发明提供的设备的介绍请参照上述方法实施例，本发明在此不做赘述。

相应于上面的方法实施例，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下步骤：

该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

对于本发明提供的计算机可读存储介质的介绍请参照上述方法实施例，本发明在此不做赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims

1.一种物品推荐方法，其特征在于，包括：

2.根据权利要求1所述的物品推荐方法，其特征在于，利用协同度量学习从候选物品集中查找所述目标用户的喜好物品，包括：

3.根据权利要求2所述的物品推荐方法，其特征在于，在利用欧几里得度量公式度量所述用户向量与每个物品向量的距离之后，还包括：

对各所述喜好物品按照距离从小到大的顺序进行排序。

4.根据权利要求1至3任一项所述的物品推荐方法，其特征在于，利用注意力机制从所述历史访问记录中提取所述目标用户名对应的目标用户的偏好信息，包括：

通过归一化指数函数对各所述相似度进行归一化处理，得到各所述已访问物品的注意力权重；

5.一种物品推荐装置，其特征在于，包括：

6.根据权利要求5所述的物品推荐装置，其特征在于，所述物品推荐模块包括物品查找子模块，所述物品查找子模块包括：

7.根据权利要求6所述的物品推荐装置，其特征在于，还包括：

8.根据权利要求5至7任一项所述的物品推荐装置，其特征在于，所述信息提取模块包括：

9.一种物品推荐设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述物品推荐方法的步骤。

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如权利要求1至4任一项所述物品推荐方法的步骤。