CN110555743A - 商品对象推荐方法、装置及电子设备 - Google Patents

商品对象推荐方法、装置及电子设备 Download PDF

Info

Publication number
CN110555743A
CN110555743A CN201810549604.XA CN201810549604A CN110555743A CN 110555743 A CN110555743 A CN 110555743A CN 201810549604 A CN201810549604 A CN 201810549604A CN 110555743 A CN110555743 A CN 110555743A
Authority
CN
China
Prior art keywords
commodity object
recommended
confirmed
recommended commodity
commodity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810549604.XA
Other languages
English (en)
Inventor
陈海凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201810549604.XA priority Critical patent/CN110555743A/zh
Publication of CN110555743A publication Critical patent/CN110555743A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种商品对象推荐方法、装置及电子设备，其中商品对象推荐方法包括：根据已确认推荐商品对象集合中的已确认推荐商品对象，与待推荐商品对象集合中的多个待确认推荐商品对象，分别形成多个推荐商品对象组合；将所述多个推荐商品对象组合经商品对象推荐模型单元进行预测，得到推荐商品对象组合的偏好值；将偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对象放入到所述已确认推荐商品对象集合中；重复执行上述操作，直至满足停止执行条件；根据所述已确认推荐商品对象集合中的已确认推荐商品对象，构建商品对象推荐列表。本发明实施例的方案，能够提高商品对象集合的推荐效率，从而进一步提升用户体验。

Description

商品对象推荐方法、装置及电子设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种商品对象推荐方法、装 置及电子设备。
背景技术
在众多商品对象推荐的场景中，例如淘宝搜索、京东搜索、导航等， 常需要对商品对象推荐结果进行排序，目前，在淘抢购、聚划算、特价、 淘金币等场景下推荐的商品对象，基本都是根据用户对单个商品对象计 算得分进行排序，在现有技术中，其实现方案主要有以下两种：
(1)直接对商品对象计算推荐分数，并按照分数高低对商品对象排 序。该方案的缺陷在于，其推荐结果大多根据协同过滤得到，导致整页 商品对象相似度较高，而没有与用户的类目偏好、店铺偏好、热门商品 对象、低价商品对象等因素相结合，导致推荐结果单一，推荐准确率降 低，从而影响用户体验。
(2)对推荐商品对象添加相似度约束：首先对商品对象计算推荐分 数，并根据分数高低对商品对象排序；然后，固定分数最高的第一个商 品对象，从第二个商品对象起，按照预设公式对商品对象重新计算分数， 在公式中引入相似度约束参数，用于避免自第二个商品对象以后的推荐 商品对象相似度过高，并根据分数高低对推荐商品对象进行重排序。该 方案虽避免了推荐商品对象相似度过高的问题，但是通过人工设定参数 控制相似度，极易导致推荐结果准确率降低，推荐结果的组合效率依然 不甚理想。
发明内容
本发明提供了一种商品对象推荐方法、装置及电子设备，能够提高 所推荐的商品对象与用户偏好的相关性，从而进一步提升用户体验。
为达到上述目的，本发明的实施例采用如下技术方案：
第一方面，提供了一种商品对象推荐方法，包括：
根据已确认推荐商品对象集合中的已确认推荐商品对象，与待推荐 商品对象集合中的多个待确认推荐商品对象，分别形成多个推荐商品对 象组合；
将所述多个推荐商品对象组合经商品对象推荐模型单元进行预测， 得到推荐商品对象组合的偏好值；
将偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对象放 入到所述已确认推荐商品对象集合中；
重复执行上述操作，直至满足停止执行条件；
根据所述已确认推荐商品对象集合中的已确认推荐商品对象，构建 商品对象推荐列表。
第二方面，提供了另一种商品对象推荐方法，包括：
根据已确认推荐商品对象集合中的已确认推荐商品对象，与待推荐 商品对象集合中的多个待确认推荐商品对象，分别形成多个推荐商品对 象组合；
将所述多个推荐商品对象组合经商品对象推荐模型单元进行预测， 得到推荐商品对象组合的偏好值；
将偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对象放 入到所述已确认推荐商品对象集合中；
重复执行上述操作，直至满足停止执行条件；
选取所述已确认推荐商品对象集合中的已确认推荐商品对象推荐给 用户。
第三方面，提供了一种商品对象推荐装置，包括：
商品对象组合形成模块，用于根据已确认推荐商品对象集合中的已 确认推荐商品对象，与待推荐商品对象集合中的多个待确认推荐商品对 象，分别形成多个推荐商品对象组合；
偏好值预测模块，用于将所述多个推荐商品对象组合经商品对象推 荐模型单元进行预测，得到推荐商品对象组合的偏好值；
商品对象集合处理模块，用于将偏好值超过阈值的推荐商品对象组 合中的待确认推荐商品对象放入到所述已确认推荐商品对象集合中；
重复执行上述操作，直至满足停止执行条件；
商品列表构建模块，用于根据所述已确认推荐商品对象集合中的已 确认推荐商品对象，构建商品对象推荐列表。
第四方面，提供了另一种商品对象推荐装置，包括：
商品对象组合形成模块，用于根据已确认推荐商品对象集合中的已 确认推荐商品对象，与待推荐商品对象集合中的多个待确认推荐商品对 象，分别形成多个推荐商品对象组合；
偏好值预测模块，用于将所述多个推荐商品对象组合经商品对象推 荐模型单元进行预测，得到推荐商品对象组合的偏好值；
商品对象集合处理模块，用于将偏好值超过阈值的推荐商品对象组 合中的待确认推荐商品对象放入到所述已确认推荐商品对象集合中；
重复执行上述操作，直至满足停止执行条件；
商品推荐模块，用于选取所述已确认推荐商品对象集合中的已确认 推荐商品对象推荐给用户。
第五方面，提供了一种电子设备，包括：
存储器，用于存储程序；
处理器，耦合至所述存储器，用于执行所述程序，以用于：
根据已确认推荐商品对象集合中的已确认推荐商品对象，与待推荐 商品对象集合中的多个待确认推荐商品对象，分别形成多个推荐商品对 象组合；
将所述多个推荐商品对象组合经商品对象推荐模型单元进行预测， 得到推荐商品对象组合的偏好值；
将偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对象放 入到所述已确认推荐商品对象集合中；
重复执行上述操作，直至满足停止执行条件；
根据所述已确认推荐商品对象集合中的已确认推荐商品对象，构建 商品对象推荐列表。
第六方面，提供了另一种电子设备，包括：
存储器，用于存储程序；
处理器，耦合至所述存储器，用于执行所述程序，以用于：
根据已确认推荐商品对象集合中的已确认推荐商品对象，与待推荐 商品对象集合中的多个待确认推荐商品对象，分别形成多个推荐商品对 象组合；
将所述多个推荐商品对象组合经商品对象推荐模型单元进行预测， 得到推荐商品对象组合的偏好值；
将偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对象放 入到所述已确认推荐商品对象集合中；
重复执行上述操作，直至满足停止执行条件；
选取所述已确认推荐商品对象集合中的已确认推荐商品对象推荐给 用户。
第七方面，提供了一种计算机可读存储介质，所述计算机可读存储 介质存储有当被处理器执行时使得处理器执行第一方面所述的方法的程 序指令。
第八方面，提供了另一种计算机可读存储介质，所述计算机可读存 储介质存储有当被处理器执行时使得处理器执行第二方面所述的方法的 程序指令。
本发明提供的商品对象推荐方法、装置及电子设备，根据已确认推 荐商品对象集合中的已确认推荐商品对象，与待推荐商品对象集合中的 多个待确认推荐商品对象，分别形成多个推荐商品对象组合，并经商品 对象推荐模型单元进行预测，得到推荐商品对象组合的偏好值；然后将 偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对象放入到已 确认推荐商品对象集合中；重复执行上述操作，直至满足停止执行条件； 最后，根据已确认推荐商品对象集合中的已确认推荐商品对象，构建商 品对象推荐列表，以用于向用户进行商品推荐。本方案能够提高所推荐 的商品对象与用户偏好的相关性，从而进一步提升用户体验。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请 的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上 述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实 施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对 于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式 的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的 参考符号表示相同的部件。在附图中：
图1为本发明实施例的商品对象推荐逻辑示意图一；
图2a为本发明实施例的商品对象推荐模型的训练逻辑示意图；
图2b为本发明实施例的商品对象推荐逻辑示意图二；
图3为本发明实施例的商品对象推荐模型的训练方法流程图一；
图4为本发明实施例的商品对象推荐模型的训练方法流程图二；
图5为本发明实施例的商品对象推荐模型的训练方法流程图三；
图6为本发明实施例的商品对象推荐方法流程图一；
图7a为本发明实施例的商品对象推荐方法流程图二；
图7b为本发明实施例的商品对象推荐方法流程图三；
图8为本发明实施例的商品对象推荐模型的训练装置结构图一；
图9为本发明实施例的商品对象推荐模型的训练装置结构图二；
图10为本发明实施例的商品对象推荐模型的训练装置结构图三；
图11为本发明实施例的商品对象推荐装置结构图一；
图12为本发明实施例的商品对象推荐装置结构图二；
图13为本发明实施例的商品对象推荐装置结构图三；
图14为本发明实施例提供的电子设备的结构示意图一；
图15为本发明实施例提供的电子设备的结构示意图二。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中 显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本 公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了 能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领 域的技术人员。
本方案改善了现有技术中商品对象推荐多样性不足或推荐准确率较 低的缺陷，其核心思想在于，每次将已确认推荐商品对象集合中的已确 认推荐商品对象，与待推荐商品对象集合中的多个待确认推荐商品对象， 分别形成多个推荐商品对象组合；然后利用预先生成的用于评价推荐商 品对象集合与用户偏好之间程度关系的商品对象推荐模型单元对推荐商 品对象组合进行预测，得到推荐商品对象集合对应的偏好值；接着，将 偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对象放入到已 确认推荐商品对象集合中；多次重复执行上述操作，直到满足停止执行 条件；最后，根据已确认推荐商品对象集合中的已确认推荐商品对象， 构建商品对象推荐列表，以向用户进行商品推荐。本方案能够提高所推 荐的商品对象与用户偏好的关联性，使推荐的商品对象更符合用户的偏 好，从而进一步提升用户体验。
图1为本发明实施例的商品对象推荐逻辑示意图，如图1所示，左 侧虚线框为离线模型训练部分，右侧虚线框为线上商品对象推荐部分。
在商品对象推荐模型的训练场景中，首先，通过服务器日志文件或 者通过客户端收集等方式获取商品对象信息数据，根据用户点击商品对 象的行为，将商品对象信息组合形成多个商品对象集合，并将商品对象 集合标注为用户偏好或非用户偏好，该用户偏好或非用户偏好对应表示 用户对该商品对象集合是否满意，同时对应用户是否点击商品对象的行 为，例如，根据网页上已有的商品对象展示情况，当用户点击该页某个 商品对象时，即将该页截至该商品对象并包含该商品对象的所有商品对 象组合成一个商品对象集合，并对该商品对象集合标注为用户偏好，同 时将该页截至该商品对象并不包含该商品对象的所有商品对象组成一个 商品对象集合，并对该商品对象集合标注为非用户偏好。
然后，将带有标注数据的商品对象集合作为训练样本，进行模型训 练，图2a为本发明实施例的商品对象推荐模型的训练逻辑示意图，该商 品对象推荐模型以商品对象集合为输入，以用户对商品对象集合的偏好 程度为输出，如图2所示，基于上述步骤获取的商品对象信息，提取商 品对象信息中的属性信息和排序信息，该属性信息即商品对象自身的信 息，例如商品对象名称、商品对象类别、商品对象价格，该排序信息可 以为对商品对象的评价信息，例如采用现有技术得到的协同过滤信息、 用户店铺偏好信息、商品对象销量、转化率、点击率等统计信息，并通 过深度神经网络DNN算法将上述属性信息和排序信息形成商品对象向 量，然后将商品对象向量按照网页中商品对象展示的顺序形成商品对象 向量矩阵，接着，再以商品对象向量矩阵为输入，经过卷积神经网络CNN 算法学习，得到商品对象集合与用户偏好程度关系的商品对象推荐模型 单元。
在商品对象推荐场景中，整体处理流程为：首先，将需要被推荐的 商品对象划分为多个推荐商品对象组合，然后，将推荐商品对象组合经 过上述方案提供的商品对象推荐模型单元进行预测，输出用户对各推荐 商品对象组合的偏好程度，该偏好程度的具体形式可以为偏好值，用于 准确衡量用户对推荐商品对象组合的整体喜好程度；最后，选择偏好值 超过阈值的推荐商品对象组合中的推荐商品对象构成推荐商品对象列表 以推荐给用户。
如图2b所示，为本方案提供商品对象推荐逻辑示意图，该逻辑中采 用迭代的处理方式选择推荐商品对象。首先，设置两种商品集合，分别 为已确认推荐商品对象集合和待推荐商品对象集合。然后，根据已确认 推荐商品对象集合中的已确认推荐商品对象，与待推荐商品对象集合中 的多个待确认推荐商品对象，分别形成多个推荐商品对象组合。
例如图2中在第i-1次形成多个推荐商品对象组合的过程中，可以将 已确认推荐商品对象集合中包括的已确认推荐商品对象①②④，与待推 荐商品对象集合中的多个待确认推荐商品对象③⑤⑥…⑩中的每一个 待确认推荐商品对象分别形成推荐商品对象组合(其中包含(①②④⑥) 这一组合)；然后将多个推荐商品对象组合经商品对象推荐模型单元进行 预测，得到推荐商品对象组合的偏好值；将偏好值超过阈值的推荐商品 对象组合中的待确认推荐商品对象放入到已确认推荐商品对象集合中； 假如只有推荐商品对象组合(①②④⑥)的偏好值超过阈值，那么可将 待确认推荐商品对象⑥放入到已确认推荐商品对象集合中。
在第i次形成多个推荐商品对象组合的过程中，可以将已确认推荐商 品对象集合中包括已确认推荐商品对象①②④⑥，与待推荐商品对象集 合中的多个待确认推荐商品对象③⑤⑦…⑩中的每一个待确认推荐商 品对象分别形成推荐商品对象组合(其中包含(①②④⑥⑨)这一组合)； 然后将多个推荐商品对象组合经商品对象推荐模型单元进行预测，得到 推荐商品对象组合的偏好值；将偏好值超过阈值的推荐商品对象组合中 的待确认推荐商品对象放入到已确认推荐商品对象集合中；假如只有推 荐商品对象组合(①②④⑥⑨)的偏好值超过阈值，那么可将待确认推 荐商品对象⑨放入到已确认推荐商品对象集合中。
以此类推，对上述过程进行重复执行操作，直至满足停止执行条件， 例如当已确认推荐商品对象集合中的已确认推荐商品对象达到5个，则 结束上述重复操作。
最后，根据已确认推荐商品对象集合中的已确认推荐商品对象，构 建商品对象推荐列表，以向用户进行商品推荐。
下面通过多个实施例来进一步说明本申请的技术方案。
实施例一
基于上述商品对象推荐模型训练的方案思想，如图3所示，其为本 发明实施例的商品对象推荐模型的训练方法流程图一，该商品对象推荐 模型以商品对象集合为输入，以用户对商品对象集合的偏好程度为输出， 该方法的执行主体为商品对象推荐模型的训练装置。如图3所示，该商 品对象推荐模型的训练方法包括如下步骤：
S310，获取商品对象信息数据，并依据用户点击商品对象的行为将 商品对象信息数据进行组合形成多个商品对象集合，并标注是否为用户 偏好。
具体地，获取商品对象信息数据，该获取方式可采用多种方法，例 如可通过服务器日志文件或者通过客户端收集的方式，然后根据用户点 击商品对象的行为，将商品对象信息组合形成多个商品对象集合，该组 合方式也可采用多种方法，例如可按照通过现有技术得到的最初排序结 果进行组合，也可以按照商品对象销量、价格等特征进行组合，还可以 随机组合。同时，对商品对象集合标注为用户偏好或非用户偏好。该用 户偏好或非用户偏好对应表示用户对该商品对象集合是否满意，关于是 否满意的定性可根据用户对该商品对象集合中各商品对象的点击行为确 立。
S320，将多个商品对象集合作为训练样本进行训练，得到用于评价 商品对象集合与用户偏好之间程度关系的商品对象推荐模型单元。
具体地，将上述多种商品对象组合形成的多个商品对象集合作为训 练样本进行训练，得到以商品对象集合为输入，用户对商品对象集合偏 好程度为输出的商品对象推荐模型单元，该用户对商品对象集合的偏好 程度即指用户对商品对象集合中商品对象的喜好程度和兴趣度，并对应 用户是否点击商品对象的行为的几率，例如，当用户对商品对象集合中 的商品对象具有较高的兴趣并较大几率点击了该商品对象集合中的某一 商品对象，则表示用户对该商品对象集合偏好，反之，如果用户对某个 商品对象集合中的所有商品对象均不感兴趣且点击其中任何一个商品对 象的几率较小，即表示用户对该商品对象集合不偏好。
本发明实施例提供的商品对象推荐模型的训练方法，通过获取商品 对象信息数据，并以商品对象集合作为训练样本进行训练，得到能够评 价用户对商品对象集合偏好程度的商品对象推荐模型单元，该模型可应 用于商品对象推荐场景中，提高所推荐商品对象与用户偏好的相关性， 以推荐更符合用户偏好的商品对象，从而进一步提升用户体验。
实施例二
基于上一实施例中的商品对象推荐模型的训练方法，本方案将对该 方法进行进一步细化。如图4所示，其为本发明实施例的商品对象推荐 模型的训练方法流程图二，该方法的执行主体为商品对象推荐模型的训 练装置。如图4所示，上一实施例中步骤S310可包括具体步骤如下：
S410，将获取的商品对象信息数据按原始的商品对象展示页进行划 分。
具体地，限定将商品对象信息数据按照最初商品对象展示页上的排 序结果进行划分，原始的商品对象展示页既可以是对商品对象的随机排 列，也可是采用现有技术中的多种排序方式对商品对象进行排序，例如， 可以现有技术中用户对每个商品对象的打分情况为标准排序，假设设置 每一个网页中显示10件商品对象，则可按照商品对象分数从高到低的排 序结果对这10个商品对象进行划分。
S420，针对每一页的商品对象中用户点击的商品对象，按商品对象 展示顺序将截至且包含该商品对象的所有商品对象进行组合形成一个商 品对象集合，并标注为用户偏好。
具体地，当用户点击某一商品对象展示页中的某个商品对象时，按 照该页的商品对象展示顺序，从前往后截至被点击的该商品对象且包含 该商品对象的所有商品对象组成一个商品对象集合，并标注为用户偏好， 此处所称的用户偏好即对应了用户点击的行为，同时表示用户对该商品 对象集合表现为较浓的兴趣和较高的满意度。
S430，针对每一页的商品对象中用户点击的商品对象，按商品对象 展示顺序将截至且不包含该商品对象的所有商品对象进行组合形成一个 商品对象集合，并标注为非用户偏好。
具体地，当用户点击某一商品对象展示页中的某个商品对象时，按 照该页的商品对象展示顺序，从前往后截至被点击的该商品对象且不包 含该商品对象的所有商品对象组成一个商品对象集合，并标注为非用户 偏好，此处所称的非用户偏好即对应了用户不点击的行为，同时表示用 户对该商品对象集合表现为较低的兴趣和满意度。
在实际应用场景中，用户偏好与非用户偏好具体可采用集合的形式 表示，例如，在某一网页上按照最初商品对象的排序结果为用户展示了k 个商品对象，假设用户点击了第i个商品对象，那么从该网页第一个商 品对象至该网页第i个商品对象组成的商品对象集合即可标注为用户偏 好，而第一个商品对象至该网页第i-1个商品对象组成的商品对象集合即 可标注为非用户偏好。此外，假设用户未点击该网页中的任何一个商品 对象，则不对该网页中的商品对象做标注处理。相应的，未做标注的网 页中的商品对象的信息不作为训练商品对象推荐模型单元的输入样本数 据。
在执行完成步骤S430之后，还可继续执行上述步骤S320，将多个商 品对象集合作为训练样本进行训练，得到用于评价商品对象集合与用户 偏好之间程度关系的商品对象推荐模型单元。
进一步地，图5为本发明实施例的商品对象推荐模型的训练方法流 程图三，如图5所示，上一实施例中步骤S320可包括具体步骤如下：
S510，提取各商品对象的属性信息和排序信息，并通过深度神经网 络DNN算法形成商品对象向量。
具体地，上述商品对象的属性信息即指商品对象自身的信息，例如 商品对象名称、商品对象类别、商品对象价格，上述商品对象的排序信 息可以为对商品对象的评价信息，例如采用现有技术得到的协同过滤信 息、用户店铺偏好信息、商品对象销量、转化率、点击率等统计信息， 将该商品对象的属性信息和排序信息，通过深度神经网络DNN算法形成 商品对象向量，该商品对象向量可具有多个维度且包含了商品对象的属 性信息和排序信息。
S520，将各商品对象集合中包含的商品对象向量分别按商品对象展 示顺序拼接形成商品对象向量矩阵。
具体地，按照商品对象在页面的展示顺序，将商品对象集合中的商 品对象向量拼成一个商品对象向量矩阵，各商品对象向量之间以一定顺 序进行排列，例如，商品对象向量矩阵中第一行可以为商品对象展示页 中第一个商品对象的商品对象向量，第二行则为第二个商品对象的商品 对象向量，依次类推。
S530，将各商品对象集合对应的商品对象向量矩阵作为输入，经过 卷积神经网络CNN算法进行学习，得到用于评价不同商品对象向量间的 组合与用户偏好之间程度关系的商品对象推荐模型单元。
具体地，以上述商品对象向量矩阵作为输入，经过卷积神经网络CNN 算法的学习，即可得到上述商品对象推荐模型单元，该商品对象推荐模 型单元以商品对象集合为输入，输出用户对商品对象集合的偏好程度， 其能够用于评价不同商品对象向量间的组合与用户偏好之间的程度关 系，此处所述的不同商品对象向量间的组合即为上述商品对象向量矩阵， 也即上述商品对象集合，此处所述的与用户偏好之间的程度关系，即与 用户是否点击商品对象的行为相对应，同时也直接反映了用户对商品对 象集合的满意度。
进一步地，上述获取商品对象信息数据包括：获取已经过初次排序 的商品对象信息数据。
具体地，在获取商品对象信息数据时，该商品对象信息数据可包括 已通过现有技术给出的初次排序结果信息，例如直接对每个商品对象计 算用户对该商品对象的推荐分数，并按照分数高低对商品对象排序。
本发明实施例提供的商品对象推荐模型的训练方法，通过获取商品 对象信息数据，并以商品对象集合作为训练样本进行训练，得到能够评 价用户对商品对象集合偏好程度的商品对象推荐模型，该模型可应用于 商品对象推荐场景中，提高所推荐商品对象与用户偏好的相关性，以推 荐更符合用户偏好的商品对象，从而进一步提升用户体验。
实施例三
基于上述商品对象推荐的方案思想，本实施例可采用通过上述实施 例获得的商品对象推荐模型单元，图6为本发明实施例的商品对象推荐 方法流程图一，该方法的执行主体为商品对象推荐装置，该商品对象推 荐装置可包含上述商品对象推荐模型的训练装置。如图6所示，该商品 对象推荐方法包括：
S610，根据已确认推荐商品对象集合中的已确认推荐商品对象，与 待推荐商品对象集合中的多个待确认推荐商品对象，分别形成多个推荐 商品对象组合。
具体地，在根据已确认推荐商品对象与待确认推荐商品对象形成推 荐商品对象组合时，可将截至当前所有已确认推荐商品对象和一个或者 多个待确认推荐商品对象形成一个推荐商品对象组合。
S620，将多个推荐商品对象组合经商品对象推荐模型单元进行预测， 得到推荐商品对象组合的偏好值；
具体地，以各推荐商品对象组合为输入，经过如本方案上述实施例 提供的商品对象推荐模型预测单元进行预测计算，即可输出用户对推荐 商品对象组合的偏好值，该偏好值即用户对相应推荐商品对象组合偏好 程度的具体量化，用以衡量用户对推荐商品对象组合的满意度。
S630，将偏好值超过阈值的推荐商品对象组合中的待确认推荐商品 对象放入到已确认推荐商品对象集合中；
根据商品对象推荐模型单元预测的各推荐商品对象组合的偏好值， 可以提取出偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对 象并将其放入到已确认推荐商品对象集合中，以作为已确认推荐商品对 象推荐给用户。
经过以上步骤后，已确认推荐商品对象集合中的已确认推荐商品对 象和待推荐商品对象集合中的待确认推荐商品对象均发生了变化。
重复执行上述操作，直至满足停止执行条件后停止重复操作。该停 止执行条件可包括：已确认推荐商品对象集合中的已确认推荐商品对象 数量到达预设的数量阈值和/或推荐商品对象组合的偏好值均小于阈值。
S640，根据已确认推荐商品对象集合中的已确认推荐商品对象，构 建商品对象推荐列表。
具体地，可以根据实际需求从已确认推荐商品对象集合中选择指定 数目的或者全部的已确认推荐商品对象构建商品对象推荐列表。
本发明实施例提供的商品对象推荐方法，根据已确认推荐商品对象 集合中的已确认推荐商品对象，与待推荐商品对象集合中的多个待确认 推荐商品对象，分别形成多个推荐商品对象组合，并经商品对象推荐模 型单元进行预测，得到推荐商品对象组合的偏好值；然后将偏好值超过 阈值的推荐商品对象组合中的待确认推荐商品对象放入到已确认推荐商 品对象集合中；重复执行上述操作，直至满足停止执行条件；最后，根 据已确认推荐商品对象集合中的已确认推荐商品对象，构建商品对象推 荐列表，以用于向用户进行商品推荐。本方案能够提高所推荐的商品对 象与用户偏好的相关性，从而进一步提升用户体验。
实施例四
基于上一实施例中的商品对象推荐方法，本方案将对该方法进行进 一步细化。如图7a所示，其为本发明实施例的商品对象推荐方法流程图 二，该方法的执行主体为商品对象推荐装置。如图7a所示，包括步骤如 下：
S710，从待推荐商品对象集合中提取一个或多个待确认推荐商品对 象放入到已确认推荐商品对象集合中，作为已确认推荐商品对象集合中 的初始已确认推荐商品对象。
本方案采用的是迭代的方式，将已确认推荐商品对象集合中的已确 认推荐商品对象和待推荐商品对象集合中的待确认推荐商品对象进行组 合形成推荐商品对象组合。而针对已确认推荐商品对象集合中的初始值 问题，则可从原始的待推荐商品对象集合中提取一个或多个待确认推荐 商品对象放入到已确认推荐商品对象集合中，作为已确认推荐商品对象 集合中的初始已确认推荐商品对象。例如，本方案可采用贪心算法，将 原始的待推荐商品对象集合中的待确认推荐商品对象进行初次排序后， 将初次排序结果中排在第一位的待确认推荐商品对象放入到已确认推荐 商品对象集合中作为初始已确认推荐商品对象。
S720，将已确认推荐商品对象集合中的所有已确认推荐商品对象， 与待推荐商品对象集合中每一个待确认推荐商品对象分别形成推荐商品 对象组合。本步骤可作为上述步骤S610的细化步骤。
具体地，在上述将初次排序结果中排在第一位的待确认推荐商品对 象放入到已确认推荐商品对象集合中作为初始已确认推荐商品对象后， 可将该已确认推荐商品对象与待推荐商品对象集合中每一个待确认推荐 商品对象分别形成推荐商品对象组合。
在实际应用场景中，首先按照所有待确认推荐商品对象的初次排序 结果进行排序，选定排在第一位置的商品对象作为第一个已确认推荐商 品对象d1；接着，将第一个已确认推荐商品对象d1和每一个待确认推荐 商品对象(假设共有n个待确认推荐商品对象)dc1,dc2...dcn逐个组成推 荐商品对象组合，例如{d1,dc1}，{d1,dc2}...{d1,dcn}。
然后，执行上一实施例中步骤S620，即将多个推荐商品对象组合经 商品对象推荐模型单元进行预测，得到推荐商品对象组合的偏好值。
在执行完成步骤S620之后，可继续执行步骤S730，将偏好值超过阈 值的推荐商品对象组合中的待确认推荐商品对象按待确认推荐商品对象 的原始排序结果顺序放入到当前已确认推荐商品对象集合中的最后位 置。本步骤可作为步骤S630的细化。
具体地，假设偏好值超过阈值的推荐商品对象组合为多个，此时可 将这多个推荐商品对象组合中的待确认推荐商品对象提取出来，并按之 前待确认推荐商品对象的原始排序结果顺序排序后放入到当前已确认推 荐商品对象集合中的最后位置。如此，在已确认推荐商品对象集合中的 各已确认推荐商品对象整体按照加入到集合中的次序进行排序，且同一 批次加入到集合中的各已确认推荐商品对象之间按照待确认推荐商品对 象的原始排序结果顺序排序。
经过以上步骤后，已确认推荐商品对象集合中的已确认推荐商品对 象和待推荐商品对象集合中的待确认推荐商品对象均发生了变化。
重复执行上述操作，直至满足停止执行条件后停止重复操作。该停 止执行条件可包括：已确认推荐商品对象集合中的已确认推荐商品对象 数量到达预设的数量阈值和/或推荐商品对象组合的偏好值均小于阈值。
S740，根据已确认推荐商品对象集合中的已确认推荐商品对象的排 序位置，构建商品对象推荐列表。本步骤可作为步骤S640的细化步骤。
例如，可以参照已确认推荐商品对象在已确认推荐商品对象集合中 的排序，构建具有相同排序的商品对象推荐列表，从而方便基于商品对 象推荐列表中商品对象的顺序进行商品推荐。
在实际应用场景中，假设需要为用户推荐K个商品对象，即对应构 建一个包含K个已确认推荐商品对象的商品对象推荐列表。按照所有待 确认推荐商品对象的初次排序结果进行排序，选则排在第一位置的待确 认推荐商品对象作为第一个已确认推荐商品对象d1；接着，将第一个已 确认推荐商品对象d1和每一个待确认推荐商品对象(假设共有n个待确 认推荐商品对象)dc1,dc2...dcn逐个组成推荐商品对象组合，例如 {d1,dc1}，{d1,dc2}...{d1,dcn}。用本方案实施例中前述步骤已训练出的商品 对象推荐模型单元对上述推荐商品对象组合{d1,dc1}，{d1,dc2}...{d1,dcn} 逐一预测偏好值，偏好值最高的推荐商品对象组合中待确认推荐商品对 象则作为第二个已确认推荐商品对象d2；然后，将第一个已确认推荐商 品对象d1、第二个已确认推荐商品对象d2和剩下的每一个待确认推荐商 品对象dc1,dc2...dcn-1逐个组成推荐商品对象组合，例如 {d1,d2,dc1}，{d1,d2,dc2}...{d1,d2,dcn-1}。用本方案实施例中前述步骤已训练 出的商品对象推荐模型单元对上述推荐商品对象组合 {d1,d2,dc1}，{d1,d2,dc2}...{d1,d2,dcn-1}逐一预测偏好值，偏好值最高的推荐商品对象组合中的待确认推荐商品对象则作为第三个已确认推荐商品对 象d3，依次类推，直到选出需要的K个已确认推荐商品对象，构建商品 对象推荐列表。
又例如，有50个待确认推荐商品对象，按照所有商品对象的初次排 序结果进行排序依次为商品对象1、商品对象2、商品对象3，……，商 品对象50，可选定商品对象1作为第一个已确认推荐商品对象；接着， 将商品对象1和每一个待确认推荐商品对象：即商品对象2、商品对象 3，……，商品对象50逐个组成推荐商品对象组合，例如{商品对象1、 商品对象2}，{商品对象1、商品对象3}，……，{商品对象1、商品对 象50}。用本方案实施例中前述步骤已训练出的商品对象推荐模型单元对 上述推荐商品对象组合逐一预测偏好值，并选择偏好值超过预设阈值的 推荐商品对象组合，如{商品对象1、商品对象2}，{商品对象1、商品对象3}，{商品对象1、商品对象18}。并将这些推荐商品对象集合中的 待确认推荐商品对象作为新增的已确认推荐商品对象，添加到商品对象 推荐列表中，例如可将商品对象1、商品对象2、商品对象3、商品对象 18添加到推荐列表中。当然，最简单的方式是将偏好值最高的推荐商品 对象组合如{商品对象1、商品对象2}中的待确认推荐商品对象作为已 确认推荐商品对象。然后，将已确认推荐商品对象即商品对象1、商品对 象2和剩下的每一个待缺人推荐商品对象：商品对象3，……，商品对象 50，逐个组成推荐商品对象组合，例如{商品对象1、商品对象2、商品 对象3}，{商品对象1、商品对象2、商品对象4}，……，{商品对象1、 商品对象2、商品对象50}，用本方案实施例中前述步骤已训练出的商品 对象推荐模型单元对上述推荐商品对象组合逐一预测偏好值，偏好值最 高的推荐商品对象组合中的待确认推荐商品对象则作为第三个已确认推 荐商品对象如商品对象12，依次类推，直到推荐商品对象组合穷尽至最 后一个待确认推荐商品对象即商品对象50。将选择出的已确认推荐商品对象按选取顺序添加到商品对象推荐列表中。
本发明实施例提供的商品对象推荐方法，在上一实施例的基础上， 通过预先获得的商品对象推荐模型单元，采用贪心算法，每次将已确认 推荐商品对象与待确认推荐商品对象逐一组成推荐商品对象组合，获取 各商品对象组合的偏好值；将偏好值超过阈值的推荐商品对象组合中的 待确认推荐商品对象按待确认推荐商品对象的原始排序结果顺序放入到 当前已确认推荐商品对象集合中的最后位置；最后根据已确认推荐商品 对象集合中的已确认推荐商品对象，构建商品对象推荐列表。本方案能 够提高商品对象集合的推荐效率，从而进一步提升用户体验。
实施例五
本发明实施例在实施例三的基础上，对实施例三中的方法步骤进行 调整，得到如图7b所示的商品对象推荐方法，该方法的执行主体同样可 为商品对象推荐装置，该商品对象推荐装置可包含上述商品对象推荐模 型的训练装置。如图7b所示，在图6所示方法的步骤S610～630的基础 上，还包括如下步骤：
S750，选取已确认推荐商品对象集合中的已确认推荐商品对象推荐 给用户。
具体地，在满足停止执行条件后，可直接从已确认推荐商品对象集 合中选择指定数目或者是全部的已确认推荐商品对象推荐给用户。
本发明实施例提供的商品对象推荐方法，根据已确认推荐商品对象 集合中的已确认推荐商品对象，与待推荐商品对象集合中的多个待确认 推荐商品对象，分别形成多个推荐商品对象组合，并经商品对象推荐模 型单元进行预测，得到推荐商品对象组合的偏好值；然后将偏好值超过 阈值的推荐商品对象组合中的待确认推荐商品对象放入到已确认推荐商 品对象集合中；重复执行上述操作，直至满足停止执行条件；最后，选 取已确认推荐商品对象集合中的已确认推荐商品对象推荐给用户。本方 案能够提高所推荐的商品对象与用户偏好的相关性，从而进一步提升用 户体验。
实施例六
图8为本发明实施例的商品对象推荐模型的训练装置结构图一，该 装置主要用于执行图3所示的方法步骤，如图8所示，该装置包括：
数据获取模块810，用于获取商品对象信息数据，并依据用户点击商 品对象的行为将商品对象信息数据进行组合形成多个商品对象集合，并 标注是否为用户偏好；
模型训练模块820，用于将多个商品对象集合作为训练样本进行训 练，得到用于评价商品对象集合与用户偏好之间程度关系的商品对象推 荐模型单元。
进一步地，图9为本发明实施例的商品对象推荐模型的训练装置结 构图二，该装置主要用于执行图4所示的方法步骤，如图9所示，上述 数据获取模块810可包括：
数据划分单元811，用于将获取的商品对象信息数据按原始的商品对 象展示页进行划分；针对每一页的商品对象中用户点击的商品对象，
按商品对象展示顺序将截至且包含该商品对象的所有商品对象进行 组合形成一个商品对象集合，并标注为用户偏好；并且，
按商品对象展示顺序将截至且不包含该商品对象的所有商品对象进 行组合形成一个商品对象集合，并标注为非用户偏好。
进一步地，图10为本发明实施例的商品对象推荐模型的训练装置结 构图三，该装置主要用于执行图5所示的方法步骤，如图10所示，上述 模型训练模块820可包括：
向量形成单元821，用于提取各商品对象的属性信息和排序信息，并 通过深度神经网络DNN算法形成商品对象向量；
矩阵形成单元822，用于将各商品对象集合中包含的商品对象向量分 别按商品对象展示顺序拼接形成商品对象向量矩阵；
模型形成单元823，用于将各商品对象集合对应的商品对象向量矩阵 作为输入，经过卷积神经网络CNN算法进行学习，得到用于评价不同商 品对象向量间的组合与用户偏好之间程度关系的商品对象推荐模型单 元。
进一步地，上述数据获取模块具体用于，获取已经过初次排序的商 品对象信息数据。
本发明实施例提供的商品对象推荐模型的训练装置，通过获取商品 对象信息数据，并以商品对象集合作为训练样本进行训练，得到能够评 价用户对商品对象集合偏好程度的商品对象推荐模型，该模型可应用于 商品对象推荐场景中，提高商品对象集合的推荐效率，从而进一步提升 用户体验。
实施例七
图11为本发明实施例的商品对象推荐装置结构图一，该装置主要用 于执行上述实施例三中所述的方法步骤，如图11所示，该装置包括：
商品对象组合形成模块111，用于根据已确认推荐商品对象集合中的 已确认推荐商品对象，与待推荐商品对象集合中的多个待确认推荐商品 对象，分别形成多个推荐商品对象组合；
偏好值预测模块112，用于将多个推荐商品对象组合经商品对象推荐 模型单元进行预测，得到推荐商品对象组合的偏好值；
商品对象集合处理模块113，用于将偏好值超过阈值的推荐商品对象 组合中的待确认推荐商品对象放入到已确认推荐商品对象集合中；
重复执行上述操作，直至满足停止执行条件；
商品列表构建模块114，用于根据已确认推荐商品对象集合中的已确 认推荐商品对象，构建商品对象推荐列表。
进一步地，如图12所示，上述装置中还可包括：
初始商品对象确认模块121，用于从待推荐商品对象集合中提取一个 或多个待确认推荐商品对象放入到已确认推荐商品对象集合中，作为已 确认推荐商品对象集合中的初始已确认推荐商品对象。
进一步地，上述商品对象组合形成模块111具体可用于，
将已确认推荐商品对象集合中的所有已确认推荐商品对象，与待推 荐商品对象集合中每一个待确认推荐商品对象分别形成推荐商品对象组 合。
进一步地，上述商品对象集合处理模块113，具体可用于将偏好值超 过阈值的推荐商品对象组合中的待确认推荐商品对象按待确认推荐商品 对象的原始排序结果顺序放入到当前已确认推荐商品对象集合中的最后 位置；
相应地，商品列表构建模块114，具体可用于根据已确认推荐商品对 象集合中的已确认推荐商品对象的排序位置，构建商品对象推荐列表。
进一步地，上述停止执行条件可包括：已确认推荐商品对象集合中 的已确认推荐商品对象数量到达预设的数量阈值和/或推荐商品对象组合 的偏好值均小于阈值。
图12所示装置可用于执行如图7a所示的方法步骤。
另外，上述图8-图10任一种所示商品对象推荐模型的训练装置可内 置在本实施例所示的商品对象推荐装置中。
本发明实施例提供的商品对象推荐装置，根据已确认推荐商品对象 集合中的已确认推荐商品对象，与待推荐商品对象集合中的多个待确认 推荐商品对象，分别形成多个推荐商品对象组合，并经商品对象推荐模 型单元进行预测，得到推荐商品对象组合的偏好值；然后将偏好值超过 阈值的推荐商品对象组合中的待确认推荐商品对象放入到已确认推荐商 品对象集合中；重复执行上述操作，直至满足停止执行条件；最后，根 据已确认推荐商品对象集合中的已确认推荐商品对象，构建商品对象推 荐列表，以用于向用户进行商品推荐。本方案能够提高所推荐的商品对 象与用户偏好的相关性，从而进一步提升用户体验。
进一步地，通过预先获得的商品对象推荐模型单元，采用贪心算法， 每次将已确认推荐商品对象与待确认推荐商品对象逐一组成推荐商品对 象组合，获取各商品对象组合的偏好值；将偏好值超过阈值的推荐商品 对象组合中的待确认推荐商品对象按待确认推荐商品对象的原始排序结 果顺序放入到当前已确认推荐商品对象集合中的最后位置；最后根据已 确认推荐商品对象集合中的已确认推荐商品对象，构建商品对象推荐列 表。本方案能够提高商品对象集合的推荐效率，从而进一步提升用户体 验。
实施例八
图13为本发明实施例的商品对象推荐装置结构图三，该装置主要用 于执行上述实施例五中所述的方法步骤，如图13所示，该装置包括：
商品对象组合形成模块111，用于根据已确认推荐商品对象集合中的 已确认推荐商品对象，与待推荐商品对象集合中的多个待确认推荐商品 对象，分别形成多个推荐商品对象组合；
偏好值预测模块112，用于将多个推荐商品对象组合经商品对象推荐 模型单元进行预测，得到推荐商品对象组合的偏好值；
商品对象集合处理模块113，用于将偏好值超过阈值的推荐商品对象 组合中的待确认推荐商品对象放入到已确认推荐商品对象集合中；
重复执行上述操作，直至满足停止执行条件；
商品推荐模块131，用于选取已确认推荐商品对象集合中的已确认推 荐商品对象推荐给用户。
本发明实施例提供的商品对象推荐装置，根据已确认推荐商品对象 集合中的已确认推荐商品对象，与待推荐商品对象集合中的多个待确认 推荐商品对象，分别形成多个推荐商品对象组合，并经商品对象推荐模 型单元进行预测，得到推荐商品对象组合的偏好值；然后将偏好值超过 阈值的推荐商品对象组合中的待确认推荐商品对象放入到已确认推荐商 品对象集合中；重复执行上述操作，直至满足停止执行条件；最后，选 取已确认推荐商品对象集合中的已确认推荐商品对象推荐给用户。本方 案能够提高所推荐的商品对象与用户偏好的相关性，从而进一步提升用 户体验。
实施例九
前面实施例七描述了商品对象推荐装置的整体架构，该装置的功能 可借助一种电子设备实现完成，如图14所示，其为本发明实施例的电子 设备的结构示意图，具体包括：存储器141和处理器142。
存储器141，用于存储程序。
除上述程序之外，存储器141还可被配置为存储其它各种数据以支 持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的 任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片， 视频等。
存储器141可以由任何类型的易失性或非易失性存储设备或者它们 的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存 储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存 储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或 光盘。
处理器142，耦合至存储器141，用于执行存储器141中的程序，以 用于：
根据已确认推荐商品对象集合中的已确认推荐商品对象，与待推荐 商品对象集合中的多个待确认推荐商品对象，分别形成多个推荐商品对 象组合；
将多个推荐商品对象组合经商品对象推荐模型单元进行预测，得到 推荐商品对象组合的偏好值；
将偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对象放 入到已确认推荐商品对象集合中；
重复执行上述操作，直至满足停止执行条件；
根据已确认推荐商品对象集合中的已确认推荐商品对象，构建商品 对象推荐列表。
上述的具体处理操作已经在前面实施例中进行了详细说明，在此不 再赘述。
进一步，如图14所示，电子设备还可以包括：通信组件143、电源 组件144、音频组件145、显示器146等其它组件。图14中仅示意性给 出部分组件，并不意味着电子设备只包括图14所示组件。
通信组件143被配置为便于电子设备和其他设备之间有线或无线方 式的通信。电子设备可以接入基于通信标准的无线网络，如WiFi，2G 或3G，或它们的组合。在一个示例性实施例中，通信组件143经由广播 信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示 例性实施例中，通信组件143还包括近场通信(NFC)模块，以促进短 程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据 协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技 术来实现。
电源组件144，为电子设备的各种组件提供电力。电源组件144可 以包括电源管理系统，一个或多个电源，及其他与为电子设备生成、管 理和分配电力相关联的组件。
音频组件145被配置为输出和/或输入音频信号。例如，音频组件145 包括一个麦克风(MIC)，当电子设备处于操作模式，如呼叫模式、记录 模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的 音频信号可以被进一步存储在存储器141或经由通信组件143发送。在 一些实施例中，音频组件145还包括一个扬声器，用于输出音频信号。
显示器146包括屏幕，其屏幕可以包括液晶显示器(LCD)和触摸 面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接 收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触 摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动 作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。
实施例十
前面实施例八描述了商品对象推荐装置的整体架构，该装置的功能 可借助一种电子设备实现完成，如图15所示，其为本发明实施例的电子 设备的结构示意图二，具体包括：存储器151和处理器152。
存储器151，用于存储程序。
除上述程序之外，存储器151还可被配置为存储其它各种数据以支 持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的 任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片， 视频等。
存储器151可以由任何类型的易失性或非易失性存储设备或者它们 的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存 储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存 储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或 光盘。
处理器152，耦合至存储器151，用于执行存储器151中的程序，以 用于：
根据已确认推荐商品对象集合中的已确认推荐商品对象，与待推荐 商品对象集合中的多个待确认推荐商品对象，分别形成多个推荐商品对 象组合；
将所述多个推荐商品对象组合经商品对象推荐模型单元进行预测， 得到推荐商品对象组合的偏好值；
将偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对象放 入到所述已确认推荐商品对象集合中；
重复执行上述操作，直至满足停止执行条件；
选取所述已确认推荐商品对象集合中的已确认推荐商品对象推荐给 用户。
上述的具体处理操作已经在前面实施例中进行了详细说明，在此不 再赘述。
进一步，如图15所示，电子设备还可以包括：通信组件153、电源 组件154、音频组件155、显示器156等其它组件。图15中仅示意性给 出部分组件，并不意味着电子设备只包括图15所示组件。
通信组件153被配置为便于电子设备和其他设备之间有线或无线方 式的通信。电子设备可以接入基于通信标准的无线网络，如WiFi，2G 或3G，或它们的组合。在一个示例性实施例中，通信组件153经由广播 信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示 例性实施例中，通信组件153还包括近场通信(NFC)模块，以促进短 程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据 协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技 术来实现。
电源组件154，为电子设备的各种组件提供电力。电源组件154可 以包括电源管理系统，一个或多个电源，及其他与为电子设备生成、管 理和分配电力相关联的组件。
音频组件155被配置为输出和/或输入音频信号。例如，音频组件155 包括一个麦克风(MIC)，当电子设备处于操作模式，如呼叫模式、记录 模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的 音频信号可以被进一步存储在存储器151或经由通信组件153发送。在 一些实施例中，音频组件155还包括一个扬声器，用于输出音频信号。
显示器156包括屏幕，其屏幕可以包括液晶显示器(LCD)和触摸 面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接 收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触 摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动 作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。
进一步地，本发明实施例还提供了一种计算机可读存储介质，该计 算机可读存储介质存储有当被处理器执行时使得处理器执行实施例一至 实施例五所述的方法的程序指令。
进一步地，本发明实施例还提供了另一种计算机可读存储介质，该 计算机可读存储介质存储有当被处理器执行时使得处理器执行实施例六 所述的方法的程序指令。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部 分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一 计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施 例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各 种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而 非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，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，或者对其中部分或者全部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申请各实施例技术 方案的范围。

Claims (16)

1.一种商品对象推荐方法，其特征在于，包括：
根据已确认推荐商品对象集合中的已确认推荐商品对象，与待推荐商品对象集合中的多个待确认推荐商品对象，分别形成多个推荐商品对象组合；
将所述多个推荐商品对象组合经商品对象推荐模型单元进行预测，得到推荐商品对象组合的偏好值；
将偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对象放入到所述已确认推荐商品对象集合中；
重复执行上述操作，直至满足停止执行条件；
根据所述已确认推荐商品对象集合中的已确认推荐商品对象，构建商品对象推荐列表。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
从所述待推荐商品对象集合中提取一个或多个待确认推荐商品对象放入到所述已确认推荐商品对象集合中，作为所述已确认推荐商品对象集合中的初始已确认推荐商品对象。
3.根据权利要求1所述的方法，其特征在于，所述根据已确认推荐商品对象集合中的已确认推荐商品对象，与待推荐商品对象集合中的多个待确认推荐商品对象，分别形成多个推荐商品对象组合包括：
将所述已确认推荐商品对象集合中的所有已确认推荐商品对象，与所述待推荐商品对象集合中每一个待确认推荐商品对象分别形成所述推荐商品对象组合。
4.根据权利要求3所述的方法，其特征在于，
所述将偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对象放入到所述已确认推荐商品对象集合中包括：
将偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对象按所述待确认推荐商品对象的原始排序结果顺序放入到当前已确认推荐商品对象集合中的最后位置；
所述根据所述已确认推荐商品对象集合中的已确认推荐商品对象，构建商品对象推荐列表包括：
根据所述已确认推荐商品对象集合中的已确认推荐商品对象的排序位置，构建商品对象推荐列表。
5.根据权利要求1所述的方法，其特征在于，所述停止执行条件包括：所述已确认推荐商品对象集合中的已确认推荐商品对象数量到达预设的数量阈值和/或所述推荐商品对象组合的偏好值均小于所述阈值。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取商品对象信息数据，并依据用户点击商品对象的行为将所述商品对象信息数据进行组合形成多个商品对象集合，并标注是否为用户偏好；
将所述多个商品对象集合作为训练样本进行训练，得到用于评价商品对象集合与用户偏好之间程度关系的所述商品对象推荐模型单元。
7.根据权利要求6所述的方法，其特征在于，所述获取商品对象信息数据，并依据用户点击商品对象的行为将所述商品对象信息数据进行组合形成多个商品对象集合，并标注是否为用户偏好包括：
将获取的所述商品对象信息数据按原始的商品对象展示页进行划分，针对每一页的商品对象中用户点击的商品对象，
按商品对象展示顺序将截至且包含该商品对象的所有商品对象进行组合形成一个商品对象集合，并标注为用户偏好；并且，
按商品对象展示顺序将截至且不包含该商品对象的所有商品对象进行组合形成一个商品对象集合，并标注为非用户偏好。
8.根据权利要求6所述的方法，其特征在于，所述将所述多个商品对象集合作为训练样本进行训练，得到用于评价商品对象集合与用户偏好之间程度关系的所述商品对象推荐模型单元包括：
提取各商品对象的属性信息和排序信息，并通过深度神经网络DNN算法形成商品对象向量；
将各所述商品对象集合中包含的所述商品对象向量分别按商品对象展示顺序拼接形成商品对象向量矩阵；
将各所述商品对象集合对应的所述商品对象向量矩阵作为输入，经过卷积神经网络CNN算法进行学习，得到用于评价不同商品对象向量间的组合与用户偏好之间程度关系的所述商品对象推荐模型单元。
9.根据权利要求6-8中任一项所述的方法，其特征在于，所述获取商品对象信息数据包括：
获取已经过初次排序的商品对象信息数据。
10.一种商品对象推荐方法，其特征在于，包括：
根据已确认推荐商品对象集合中的已确认推荐商品对象，与待推荐商品对象集合中的多个待确认推荐商品对象，分别形成多个推荐商品对象组合；
将所述多个推荐商品对象组合经商品对象推荐模型单元进行预测，得到推荐商品对象组合的偏好值；
将偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对象放入到所述已确认推荐商品对象集合中；
重复执行上述操作，直至满足停止执行条件；
选取所述已确认推荐商品对象集合中的已确认推荐商品对象推荐给用户。
11.一种商品对象推荐装置，其特征在于，包括：
商品对象组合形成模块，用于根据已确认推荐商品对象集合中的已确认推荐商品对象，与待推荐商品对象集合中的多个待确认推荐商品对象，分别形成多个推荐商品对象组合；
偏好值预测模块，用于将所述多个推荐商品对象组合经商品对象推荐模型单元进行预测，得到推荐商品对象组合的偏好值；
商品对象集合处理模块，用于将偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对象放入到所述已确认推荐商品对象集合中；
重复执行上述操作，直至满足停止执行条件；
商品列表构建模块，用于根据所述已确认推荐商品对象集合中的已确认推荐商品对象，构建商品对象推荐列表。
12.一种商品对象推荐装置，其特征在于，包括：
商品对象组合形成模块，用于根据已确认推荐商品对象集合中的已确认推荐商品对象，与待推荐商品对象集合中的多个待确认推荐商品对象，分别形成多个推荐商品对象组合；
偏好值预测模块，用于将所述多个推荐商品对象组合经商品对象推荐模型单元进行预测，得到推荐商品对象组合的偏好值；
商品对象集合处理模块，用于将偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对象放入到所述已确认推荐商品对象集合中；
重复执行上述操作，直至满足停止执行条件；
商品推荐模块，用于选取所述已确认推荐商品对象集合中的已确认推荐商品对象推荐给用户。
13.一种电子设备，其特征在于，包括：
存储器，用于存储程序；
处理器，耦合至所述存储器，用于执行所述程序，以用于：
根据已确认推荐商品对象集合中的已确认推荐商品对象，与待推荐商品对象集合中的多个待确认推荐商品对象，分别形成多个推荐商品对象组合；
将所述多个推荐商品对象组合经商品对象推荐模型单元进行预测，得到推荐商品对象组合的偏好值；
将偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对象放入到所述已确认推荐商品对象集合中；
重复执行上述操作，直至满足停止执行条件；
根据所述已确认推荐商品对象集合中的已确认推荐商品对象，构建商品对象推荐列表。
14.一种电子设备，其特征在于，包括：
存储器，用于存储程序；
处理器，耦合至所述存储器，用于执行所述程序，以用于：
根据已确认推荐商品对象集合中的已确认推荐商品对象，与待推荐商品对象集合中的多个待确认推荐商品对象，分别形成多个推荐商品对象组合；
将所述多个推荐商品对象组合经商品对象推荐模型单元进行预测，得到推荐商品对象组合的偏好值；
将偏好值超过阈值的推荐商品对象组合中的待确认推荐商品对象放入到所述已确认推荐商品对象集合中；
重复执行上述操作，直至满足停止执行条件；
选取所述已确认推荐商品对象集合中的已确认推荐商品对象推荐给用户。
15.一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当被处理器执行时使得处理器执行权利要求1至9中的任一项所述的方法的程序指令。
16.一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当被处理器执行时使得处理器执行权利要求10所述的方法的程序指令。
CN201810549604.XA 2018-05-31 2018-05-31 商品对象推荐方法、装置及电子设备 Pending CN110555743A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810549604.XA CN110555743A (zh) 2018-05-31 2018-05-31 商品对象推荐方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810549604.XA CN110555743A (zh) 2018-05-31 2018-05-31 商品对象推荐方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN110555743A true CN110555743A (zh) 2019-12-10

Family

ID=68734483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810549604.XA Pending CN110555743A (zh) 2018-05-31 2018-05-31 商品对象推荐方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN110555743A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915414A (zh) * 2020-08-31 2020-11-10 支付宝(杭州)信息技术有限公司 向目标用户展示目标对象序列的方法和装置
WO2023035506A1 (zh) * 2021-09-07 2023-03-16 天翼电子商务有限公司 一种融合了序列信息的特征组合推荐算法框架
WO2024113966A1 (zh) * 2022-12-02 2024-06-06 北京京东尚科信息技术有限公司 物品标识信息生成方法、装置、设备、介质和程序产品

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824213A (zh) * 2014-03-13 2014-05-28 北京理工大学 一种基于用户偏好与商品属性的个性化推荐方法
CN105335368A (zh) * 2014-06-06 2016-02-17 阿里巴巴集团控股有限公司 一种产品聚类方法及装置
CN105469263A (zh) * 2014-09-24 2016-04-06 阿里巴巴集团控股有限公司 一种商品推荐方法及装置
CN106021379A (zh) * 2016-05-12 2016-10-12 深圳大学 一种基于用户偏好的个性化推荐方法及其系统
CN106228386A (zh) * 2016-07-12 2016-12-14 腾讯科技（深圳）有限公司 一种信息推送方法及装置
CN106407364A (zh) * 2016-09-08 2017-02-15 北京百度网讯科技有限公司 一种基于人工智能的信息推荐方法和装置
US20170076312A1 (en) * 2015-09-15 2017-03-16 Amit Sharma System and method for recommending offline physical retail outlets to users
CN106649774A (zh) * 2016-12-27 2017-05-10 北京百度网讯科技有限公司 基于人工智能的对象推送方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824213A (zh) * 2014-03-13 2014-05-28 北京理工大学 一种基于用户偏好与商品属性的个性化推荐方法
CN105335368A (zh) * 2014-06-06 2016-02-17 阿里巴巴集团控股有限公司 一种产品聚类方法及装置
CN105469263A (zh) * 2014-09-24 2016-04-06 阿里巴巴集团控股有限公司 一种商品推荐方法及装置
US20170076312A1 (en) * 2015-09-15 2017-03-16 Amit Sharma System and method for recommending offline physical retail outlets to users
CN106021379A (zh) * 2016-05-12 2016-10-12 深圳大学 一种基于用户偏好的个性化推荐方法及其系统
CN106228386A (zh) * 2016-07-12 2016-12-14 腾讯科技（深圳）有限公司 一种信息推送方法及装置
CN106407364A (zh) * 2016-09-08 2017-02-15 北京百度网讯科技有限公司 一种基于人工智能的信息推荐方法和装置
CN106649774A (zh) * 2016-12-27 2017-05-10 北京百度网讯科技有限公司 基于人工智能的对象推送方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915414A (zh) * 2020-08-31 2020-11-10 支付宝(杭州)信息技术有限公司 向目标用户展示目标对象序列的方法和装置
WO2023035506A1 (zh) * 2021-09-07 2023-03-16 天翼电子商务有限公司 一种融合了序列信息的特征组合推荐算法框架
WO2024113966A1 (zh) * 2022-12-02 2024-06-06 北京京东尚科信息技术有限公司 物品标识信息生成方法、装置、设备、介质和程序产品

Similar Documents

Publication Publication Date Title
CN109819284B (zh) 一种短视频推荐方法、装置、计算机设备及存储介质
CN110263244B (zh) 内容推荐方法、装置、存储介质和计算机设备
CN111046286B (zh) 一种对象推荐方法、装置、以及计算机存储介质
US20170164049A1 (en) Recommending method and device thereof
CN112612957B (zh) 兴趣点的推荐方法、兴趣点推荐模型的训练方法、装置
CN112930669B (zh) 内容推荐方法、装置、移动终端及服务器
EP3617952A1 (en) Information search method, apparatus and system
CN110162698B (zh) 一种用户画像数据处理方法、装置及存储介质
CN110309434B (zh) 一种轨迹数据处理方法、装置以及相关设备
CN109831684A (zh) 视频优化推荐方法、装置及可读存储介质
CN112837106A (zh) 商品推荐方法、装置、计算机设备
CN111460290B (zh) 信息的推荐方法、装置、设备和存储介质
CN109168047B (zh) 视频推荐方法、装置、服务器及存储介质
CN113191838B (zh) 一种基于异质图神经网络的购物推荐方法及系统
CN110555743A (zh) 商品对象推荐方法、装置及电子设备
CN110727868A (zh) 对象推荐方法、装置和计算机可读存储介质
CN105528388A (zh) 搜索推荐方法和装置
CN110598084A (zh) 对象排序方法、商品排序方法、装置及电子设备
CN111651669A (zh) 信息推荐方法、装置、电子设备和计算机可读存储介质
CN114168843A (zh) 搜索词推荐方法、设备及存储介质
CN113420166A (zh) 商品挂载、检索、推荐、训练处理方法、装置及电子设备
CN113989476A (zh) 对象识别方法及电子设备
CN105718147A (zh) 输入法面板启用方法和装置以及输入方法和输入法系统
CN111680213B (zh) 信息推荐方法、数据处理方法及装置
CN113220974B (zh) 点击率预测模型训练、搜索召回方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20191210

RJ01 Rejection of invention patent application after publication