CN110929138A - 推荐信息生成方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种推荐信息生成方法、装置、设备及存储介质。该方法包括：获取预先生成的目标用户对应的个性化特征向量；获取向目标用户推荐的产品的属性向量以及产品对应的评论数据；将个性化特征向量、属性向量和评论数据输入预设的文本生成模型，以生成针对产品的推荐信息。本发明实施例的推荐信息生成方法、装置、设备及存储介质，推荐产品时可以同时推荐所生成的推荐信息，能够帮助用户更好的理解推荐该产品的原因，进而能够提高用户对于所推荐产品的点击率和转化率。

Description

推荐信息生成方法、装置、设备及存储介质

技术领域

本发明涉及互联网技术领域，尤其涉及一种推荐信息生成方法、装置、设备及存储介质。

背景技术

互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求。但随着网络的迅速发展而带来的网上信息量的大幅增长，使得用户在面对大量信息时无法从中获得对自己真正有用的那部分信息。

为了使用户获得对自己真正有用的信息，推荐系统应运而生。推荐系统是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户。

目前，在向用户推荐产品时用户难以快速获知所推荐的产品与其所具有的关系，这就使得用户对于所推荐的产品的点击率和转化率较低。

发明内容

本发明实施例提供一种推荐信息生成方法、装置、设备及存储介质，用户能够快速获知所推荐的商品与用户自身具有的关系，进一步提高产品的点击率和转化率。

第一方面，本发明实施例提供了一种推荐信息生成方法，方法包括：

获取预先生成的目标用户对应的个性化特征向量；

获取向目标用户推荐的产品的属性向量以及产品对应的评论数据；

将个性化特征向量、属性向量和评论数据输入预设的文本生成模型，以生成针对产品的推荐信息。

在本发明的一个实施例中，本发明实施例提供的推荐信息生成方法还包括：

基于目标用户的历史行为数据，确定目标用户的行为特征向量；

基于与历史行为数据相关的产品的描述信息，确定与历史行为数据相关的产品对应的词向量序列；

基于目标用户对于已购买的产品的评论数据，确定目标用户对于已购买的产品的偏好向量；

将行为特征向量、词向量序列和偏好向量，输入预设的个性化模型，以生成目标用户对应的个性化特征向量。

在本发明的一个实施例中，历史行为数据包括以下所列项中的一种或几种组合：

历史浏览数据、历史点击数据、历史收藏数据和历史购买数据。

在本发明的一个实施例中，基于目标用户对于已购买的产品的评论数据，确定目标用户对于已购买的产品的偏好向量，包括：

基于评论数据，确定目标用户对于已购买产品的属性的情感极性特征向量以及情感程度特征向量；

根据情感极性特征向量、情感程度特征向量以及已购买产品的属性特征向量，确定目标用户对于已购买的产品的偏好向量。

在本发明的一个实施例中，个性化模型为注意力函数。

在本发明的一个实施例中，文本生成模型为基于注意力的序列到序列模型。

在本发明的一个实施例中，本发明实施例提供的推荐信息生成方法还包括：

基于目标用户的标识信息，在个性化特征向量集合中查找与标识信息对应的个性化特征向量；

将查找到的个性化特征向量作为目标用户的个性化特征向量。

在本发明的一个实施例中，本发明实施例提供的推荐信息生成方法还包括：

将推荐信息推送给用户终端，以使用户终端显示推荐信息。

在本发明的一个实施例中，本发明实施例提供的推荐信息生成方法还包括：

将推荐信息的显示形式推送给用户终端，以使用户终端根据预设显示形式显示推荐信息。

在本发明的一个实施例中，预设显示形式包括：

预定操作触发显示和直接显示。

第二方面，本发明实施例提供了一种推荐信息显示方法，方法包括：

获取向目标用户推荐的产品的产品信息以及产品对应的推荐信息；

显示产品信息以及按照预设显示形式显示推荐信息。

在本发明的一个实施例中，预设显示形式包括：预定操作触发显示和直接显示。

第三方面，本发明实施例提供了一种推荐信息生成装置，装置包括：

第一获取模块，用于获取预先生成的目标用户对应的个性化特征向量；

第二获取模块，用于获取向目标用户推荐的产品的属性向量以及产品对应的评论数据；

第一生成模块，用于将根据个性化特征向量、属性向量和评论数据输入预设的文本生成模型，以生成针对产品的推荐信息。

在本发明的一个实施例中，本发明实施例提供的推荐信息生成装置还包括：

第一确定模块，用于基于目标用户的历史行为数据，确定目标用户的行为特征向量；

第二确定模块，用于基于与历史行为数据相关的产品的描述信息，确定与历史行为数据相关的产品对应的词向量序列；

第三确定模块，用于基于目标用户对于已购买的产品的评论数据，确定目标用户对于已购买的产品的偏好向量；

第二生成模块，用于将所述行为特征向量、所述词向量序列和所述偏好向量，输入预设的个性化模型，以生成目标用户对应的个性化特征向量。

在本发明的一个实施例中，历史行为数据包括以下所列项中的一种或几种组合：

历史浏览数据、历史点击数据、历史收藏数据和历史购买数据。

在本发明的一个实施例中，第三确定模块，具体用于：

基于评论数据，确定目标用户对于已购买产品的属性的情感极性特征向量以及情感程度特征向量；

根据情感极性特征向量、情感程度特征向量以及已购买产品的属性特征向量，确定目标用户对于所述已购买的产品的各属性的偏好向量。

在本发明的一个实施例中，个性化模型为注意力函数。

在本发明的一个实施例中，文本生成模型为基于注意力的序列到序列模型。

在本发明的一个实施例中，本发明实施例提供的推荐信息生成装置还包括：

查找模块，用于基于目标用户的标识信息，在个性化特征向量集合中查找与标识信息对应的个性化特征向量；将查找到的个性化特征向量作为目标用户的个性化特征向量。

在本发明的一个实施例中，本发明实施例提供的推荐信息生成装置还包括：

第一推送模块，用于将推荐信息推送给用户终端，以使用户终端显示推荐信息。

在本发明的一个实施例中，第一推送模块，还用于：

将推荐信息的显示形式推送给用户终端，以使用户终端根据预设显示形式显示推荐信息。

在本发明的一个实施例中，预设显示形式包括：

预定操作触发显示和直接显示。

第四方面，本发明实施例提供一种推荐信息显示装置，装置包括：

获取模块，用于获取向目标用户推荐的产品的产品信息以及产品对应的推荐信息；

显示模块，用于显示产品信息以及按照预设显示形式显示推荐信息。

在本发明的一个实施例中，预设显示形式包括：预定操作触发显示和直接显示。

第五方面，本发明实施例提供一种计算设备，设备包括：存储器和处理器；

存储器用于存储可执行程序代码；

处理器用于读取存储器中存储的可执行程序代码以执行本发明实施例提供的推荐信息生成方法。

第六方面，本发明实施例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指令；计算机程序指令被处理器执行时实现本发明实施例提供的推荐信息生成方法。

第七方面，本发明实施例提供一种终端设备，设备包括：显示器、存储器和处理器；

显示器连接处理器，用于提供信息显示界面；

存储器用于存储信息显示程序；

处理器用于读取存储器中存储的信息显示程序以执行本发明实施例提供的推荐信息显示方法。

在本发明的一个实施例中，终端设备还包括：

输入单元，输入单元连接处理器，用于检测信息显示界面上的操作。

第八方面，本发明实施例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指令；计算机程序指令被处理器执行时实现本发明实施例提供的推荐信息显示方法。

本发明实施例的推荐信息生成方法、装置、设备及存储介质，推荐产品时可以同时推荐所生成的推荐信息，能够帮助用户更好的理解推荐该产品的原因，进而能够提高用户对于所推荐产品的点击率和转化率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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示出了本发明实施例提供的生成用户的个性化特征向量的过程示意图；

图2示出了本发明实施例提供的推荐信息生成方法的一种应用场景的示意图；

图3示出了本发明实施例提供的推荐产品的一种示意图；

图4示出了本发明实施例提供的推荐信息显示的示意图；

图5示出了本发明实施例提供的推荐产品的另一种示意图；

图6示出了本发明实施例提供的推荐产品的再一种示意图；

图7示出了本发明实施例提供的推荐信息生成方法的流程示意图；

图8示出了本发明实施例提供的推荐信息生成装置的结构示意图；

图9示出了能够实现根据本发明实施例的推荐信息生成方法及装置的计算设备的示例性硬件架构的结构图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，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……”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。

目前，在向用户推荐产品时没有推荐信息，用户不能很好的了解推荐该产品的原因，这就使得用户对于所推荐的产品的点击率和转化率较低。

为了解决上述问题，本发明实施例提供一种推荐信息生成方法、装置、设备及存储介质，来提高产品的点击率和转化率。

本发明实施例中的产品包括但不限于任何类型的可以提供到市场，供人们消费或者使用的产品。在一些实施例中，产品可以包括实体的产品，如衣服、咖啡、汽车等，在其他实施例中，产品可以包括无形的产品，如服务、教育、游戏、虚拟资源等。

在本发明的一个实施例中，可以利用预先生成的个性化模型，该个性化模型用于生成用户的个性化特征向量。其中，个性化特征向量指用户的个性化特征所对应的向量，用户的个性化特征包括但不限于：用户爱好的颜色，用户关注的产品的价位、性能等等。

本发明实施例在利用预先生成的个性化模型生成用户的个性化特征向量时主要利用用户的历史行为数据、与历史行为数据相关的产品的描述信息以及对于已购买的产品的评论数据。

其中，历史行为数据可以包括以下所列项中的一种或几种组合：

历史浏览数据、历史收藏数据、历史购买数据和历史评论数据。

历史浏览数据可以包括：用户浏览过的页面、用户浏览页面的次数、用户浏览页面的时长等等。

历史收藏数据可以包括：用户收藏过的产品、用户收藏过的商家等等。

历史购买数据可以包括：用户购买过的产品、用户购买的产品的参数信息、用户购买产品的时间、用户购买产品的数量和用户购买产品的次数等等。

历史评论数据可以包括：用户对购买过的产品的文字评论内容、打分和星级评定等。

在本发明的一个实施例中，产品的描述信息可以为包括产品的属性信息的详细描述信息；产品的描述信息还可以为不包括产品的属性信息的简单描述信息。

本发明实施例在利用产品的描述信息、用户的历史行为数据以及对于已购买的产品的评论数据生成个性化特征向量时，从产品的描述信息中提取词向量序列；从用户的历史行为数据中提取用户行为特征向量；从产品的属性信息中提取属性特征向量，然后从用户对于已购买产品的评论数据分析用户对不同属性的情感极性特征向量和情感程度特征向量，进而根据产品的属性特征向量、用户对不同属性的情感极性特征向量和情感程度特征向量，确定用户对产品不同属性的偏好向量。将上述词向量序列、用户行为特征向量以及偏好向量输入个性化模型，生成用户的个性化特征向量。本发明实施例在生成个性化特征向量时，结合了产品的属性信息，进而使得确定出的用户的个性化特征向量更加准确。

示例性的，假设从产品的描述信息中提取的词向量序列A表示为[A1，A2，A3，A4，A5，……]。其中，A1表示第一个词的词向量，A2表示第二个词的词向量，A3表示第三个词的词向量，A4表示第四个词的词向量，A5表示第五个词的词向量，……。

假设从用户的历史行为数据获得的数据为：用户对产品m的界面浏览3次，第一次浏览该产品m的界面3分钟，第二次浏览该产品m的界面5分钟，第三次浏览该产品m的界面8分钟；用户在第二次浏览该产品m的界面时，对该产品m的界面进行了收藏并加入了购物车；用户在第三次浏览该产品m的界面后，对该产品m进行了支付购买，并且购买数量为2个。用户对产品n的界面浏览1次，浏览该产品n的界面1分钟，未将产品n的界面进行收藏，也未将产品n加入购物车，也未购买产品n。则用户的行为包括：浏览、收藏、加购物车和支付购买。

进而从用户的历史行为数据中提取的用户行为特征向量B可以表示为[B1，B2，B3，B4，B5，B6，B7，……]。其中，B1表示产品名称或产品标识信息，B2表示浏览页面次数，B3表示浏览页面的总时长，B4表示是否对页面进行了收藏，B5表示是否将产品加入购物车，B6表示是否购买产品，B7表示购买产品数量，……。其中，B4为1表示对产品的页面进行了收藏，B4为0表示未对产品的页面进行收藏；B5为1表示将产品加入购物车，B5为0表示未将产品加入购物车；B6为1表示购买过产品，B6为0表示未购买过产品。

则用户对于产品m的行为特征向量B为[mm，3，16，1，1，1，2，……]，用户对于产品n的行为特征向量B为[nn，1，1，0，0，0，0，……]，mm为产品m的名称或标识信息，nn为产品n的名称或标识信息。

假设从产品的属性信息中提取出产品的属性包括：颜色、尺寸、价格、版型、款式等。产品的属性特征向量C表示为[C1，C2，C3，C4，C5，……]。其中，C1表示产品的颜色属性对应的特征向量，C2表示产品的尺寸属性对应的特征向量，C3表示产品的价格属性对应的特征向量，C4表示产品的版型属性对应的特征向量，C5表示产品的款式属性对应的特征向量。

用户对产品的属性的情感极性特征向量D表示为[D1，D2，D3，D4，D5，……]。其中，D1表示用户对产品的颜色属性的情感极性特征向量，D2表示用户对产品的尺寸属性的情感极性特征向量，D3表示用户对产品的价格属性的情感极性特征向量，D4表示用户对产品的版式属性的情感极性特征向量，D5表示用户对产品的款式属性的情感极性特征向量，……。

用户对产品的属性的情感程度特征向量E表示为[E1，E2，E3，E4，E5，……]。其中，E1表示用户对产品的颜色属性的情感程度特征向量，E2表示用户对产品的尺寸属性的情感程度特征向量，E3表示用户对产品的价格属性的情感程度特征向量，E4表示用户对产品的版式属性的情感程度特征向量，E5表示用户对产品的款式属性的情感程度特征向量，……。

假设用户对产品的评论数据如下：颜色很好看，大小比较合适，价钱偏贵。

用户对不同属性的情感极性可以包括正向、中性和负向等，下面以正向为1，中性为0，负向为-1表示用户对属性的情感极性。

用户对产品的属性的情感极性特征向量D表示为[1，1，-1，0，0，……]。

在本发明的一个实施例中，在获得产品的属性特征向量C、用户对产品的属性的情感极性特征向量D以及用户对产品的属性的情感程度特征向量E，可以确定用户对于产品的不同属性的偏好向量(即用户对于产品的各属性的偏好向量)。

在本发明的一个实施例中，用户对于产品的不同属性的偏好向量F可以表示为[C1+D1+E1，C2+D2+E2，C3+D3+E3，C4+D4+E4，C5+D5+E5，……]。即用户对于产品的不同属性的偏好向量每一维为相应的属性对应的属性特征向量、情感极性特征向量和情感程度特征向量之和。

在本发明的一个实施例中，用户对于产品的不同属性的偏好向量F可以表示为[C1*D1*E1，C2*D2*E2，C3*D3*E3，C4*D4*E4，C5*D5*E5，……]。即用户对于产品的不同属性的偏好向量每一维为相应的属性对应的属性特征向量、情感极性特征向量和情感程度特征向量之积。

在本发明的一个实施例，在获得上述词向量序列A、用户行为特征向量B以及用户对于产品的不同属性的偏好向量F后，将获得的上述词向量序列A、用户行为特征向量B以及用户对于产品的不同属性的偏好向量F输入到的个性化模型，生成用户的个性化特征向量V。作为一个示例，用户的个性化特征向量V＝[V1，V2，……，Vn]，其中，个性化特征向量V为n维向量，Vi表征个性化特征向量的第i维向量，i属于集合{1，2，……，n}。生成用户的个性化特征向量的过程如图1所示。

在本发明的一个实施例中，个性化模型为注意力(Attention)函数。其中，Attention函数可以描述为将问题(query)和一组键值(key-value)对映射到输出，其中query、key、value和输出都是向量。

基于上述，个性化模型其输入的是用户的行为特征向量B、用户行为所指向的产品的词向量序列A以及用户对产品不同属性的偏好向量F；个性化模型其输出的是用户的个性化特征向量V。

其中，注意力函数核心目标是从众多信息中选择出对当前任务目标更关键的信息，就本发明实施例而言，利用注意力函数是要选择与用户的个性化特征相关的信息，比如，用户爱好的颜色，用户关注的产品的价位、性能等等。

在生成用户的个性化特征向量V后，建立用户的标识信息与用户的个性化特征向量V的对应关系。

生成针对产品的推荐信息，此时获取用户的标识信息，进而依据用户的标识信息，查找与用户的标识信息具有对应关系的个性化特征向量。

在本发明的一个实施例中，可以不预先生成用户的个性化特征向量，而是在向用户推荐产品，生成产品对应的推荐信息时，再生成用户的个性化特征向量。

此时，则获取用户的历史行为数据、与历史行为数据相关的产品的描述信息以及产品的属性信息。进而依据用户的历史行为数据、与历史行为数据相关的产品的描述信息以及用户对于已购买的产品的评论数据，生成用户的个性化特征向量。

此时生成用户的个性化特征向量的过程与预先生成用户的个性化特征向量的过程基本相似，具体可参考预先生成用户的个性化特征向量的过程。本发明实施例在此不对其进行赘述。

假设，向用户推荐的产品为Product1，则获取用户对应的个性化特征向量V，获取Product1的属性以及Product1对应的评论数据。将获取到的用户对应的个性化特征向量V、Product1的属性以及Product1对应的评论数据输入到预设的文本生成模型，生成针对Product1的推荐信息。

在本发明的一个实施例中，文本生成模型是一个基于注意力(Attention)的序列到序列(Sequence to sequence，seq2seq)的模型。其本质上是一种有监督学习模型，该文本生成模型由通过对训练样本集中的训练样本进行训练得出。训练样本为已知的本性化特征向量、产品的属性向量和用户对产品的评论数据与推荐信息的对应关系。

在本发明的一个实施例中，训练样本可以按照以下方式获取：

1)确定用户A对产品属性的偏好向量，选出用户偏好程度最高的几个属性，记为用户A的偏好属性。

2)确定用户A的个性化特征向量。

3)确定产品B的属性向量。

4)获取产品B的评论数据

5)将产品B中符合用户A的偏好属性，且点赞数量较高的评论作为产品B对于用户A的推荐信息；或者人工撰写一段同时符合用户A的偏好属性和产品B的属性特征的文本，作为用户B对于用户A的推荐信息。

6)基于用户A的个性化特征向量、产品B的属性向量、产品B的评论数据和产品B的推荐信息，构成一条训练样本。

基于上述，文本生成模型的输入为用户对应的个性化特征向量、用户该用户推荐的产品的属性向量以及该产品的评论数据；文本生成模型的输出为产品的推荐信息(即向该用户推荐该产品的理由)。

在本发明的一个实施例中，在生成针对产品的推荐信息时，可以在用户的个性化特征向量和其他用户对于产品不同属性的偏好向量的基础上，增加产品的热门属性、公众对产品的情感等信息，使得生成的产品的推荐信息中包括产品的热门属性、公众对产品的情感等。

在本发明的一个实施例中，在生成推荐信息后，可以将生成的推荐信息推送给用户终端进行显示，使得用户可以根据推荐信息了解产品被推荐的原因。

在本发明的一个实施例中，还可以预先设置推荐信息的显示形式，使推荐信息按照预先设置的显示形式进行显示。预先设置的显示形式可以包括：预定操作触发显示和直接显示。直接显示如：以文本形式直接显示，或，将推荐信息置于悬浮窗中显示；预定操作触发显示如：光标位于推荐的产品信息的范围内，或，点击“推荐理由”按钮等。

图2示出了本发明实施例提供的推荐信息生成方法的一种应用场景的示意图。该应用场景中可以包括：用户客户端100和推荐服务器200，用户客户端100与推荐服务器耦合。该应用场景中可以有一个或者多个用户客户端100。

在本发明的一个实施例中，用户客户端100可以是可移动设备。例如，可以是手机、平板电脑等。用户客户端100还可以是桌面设备，例如：一体机、电脑等。

在本发明的一个实施例中，上述推荐服务器200可以预先生成用户的个性化特征向量，建立用户的标识信息与用户的个性化特征向量的对应关系。上述推荐服务器200还可以在推荐产品时，生成用户的个性化特征向量。

当向用户推荐产品时，用户客户端100获取向用户推荐的产品以及产品对应的推荐信息；显示产品以及推荐信息。显示如图3所示的界面。图3示出了本发明实施例提供的推荐产品的一种结果示意图。当用户点击图3所示界面中的产品1对应的“推荐理由”或将光标移动到图3所示界面中的产品1对应的“推荐理由”时，显示如图4所示的推荐信息显示界面。

图3示出了本发明实施例提供的推荐产品的一种示意图。图4示出了本发明实施例提供的推荐信息显示的示意图。通过图4中的产品1的推荐信息，用户可以获知推荐该产品1的原因。可以理解的是，此时推荐信息的显示形式为由按钮触发或光标焦点触发显示。可以理解的是，按钮触发显示和光标触发显示为预定操作触发显示。

当向用户推荐产品时，还可以显示如图5所示的界面。图5示出了本发明实施例提供的推荐产品的另一种示意图。其中，推荐信息显示在图5界面中的悬浮窗中。可以理解的是，此时推荐信息的显示形式为直接显示在悬浮窗中。

当向用户推荐产品时，还可以显示如图6所示的界面。图6示出了本发明实施例提供的推荐产品的再一种示意图。其中，推荐信息以文本形式直接在图6界面中显示。

示例性的，当为购买“智能手机”的用户推荐产品时，若计算出该用户对手机的“屏幕大小”、“内存大小”、“耗电量”等属性更加关注时，在推荐产品同时可以推送一段描述性文本“XXX手机对比同类产品具有屏幕更大，32G超大内存，续航能力远超同价位产品百分之三十”。若计算出另一用户对手机的“像素”、“性价比”、“处理器速度”等属性更加关注时，可以同时推送如下文本“该款产品拥有800万超清前后摄像头，逆光也清晰，照亮你的美。自问世以来，更是以性价比超高、系统流畅深受消费者青睐。”如此，能够帮助用户更加快速掌握推荐的产品核心特点，同时，该特点都是符合用户本人消费期望的，能够极大的提高消费体验，进而能够提高用户对于所推荐产品的点击率和转化率。

基于上述的过程，本发明实施例提供的推荐信息生成方法可以归纳为图7所示的步骤。图7示出了本发明实施例提供的推荐信息生成方法的流程示意图。推荐信息生成方法可以包括：

S701：获取预先生成的目标用户对应的个性化特征向量。

S702：获取向目标用户推荐的产品的属性向量以及产品对应的评论数据。

S703：将个性化特征向量、属性向量和评论数据输入预设的文本生成模型，以生成针对产品的推荐信息。

在本发明的一个实施例中，本发明实施例提供的推荐信息生成方法还包括：

基于目标用户的历史行为数据，确定目标用户的行为特征向量；

基于与历史行为数据相关的产品的描述信息，确定与历史行为数据相关的产品对应的词向量序列；

基于目标用户对于已购买的产品的评论数据，确定目标用户对应的偏好向量；

将行为特征向量、词向量序列和偏好向量，输入预设的个性化模型，以生成目标用户对应的个性化特征向量。

在本发明的一个实施例中，历史行为数据包括以下所列项中的一种或几种组合：

历史浏览数据、历史点击数据、历史收藏数据和历史购买数据。

在本发明的一个实施例中，基于目标用户对于已购买的产品的评论数据，确定目标用户对于已购买的产品的偏好向量，包括：

基于评论数据，确定目标用户对于已购买产品的属性的情感极性特征向量以及情感程度特征向量；

根据情感极性特征向量、情感程度特征向量以及已购买产品的属性特征向量，确定目标用户对于已购买的产品的偏好向量。

在本发明的一个实施例中，个性化模型为注意力函数。

在本发明的一个实施例中，文本生成模型为基于注意力的序列到序列模型。

在本发明的一个实施例中，本发明实施例提供的推荐信息生成方法还包括：

基于目标用户的标识信息，在个性化特征向量集合中查找与标识信息对应的个性化特征向量；

将查找到的个性化特征向量作为目标用户的个性化特征向量。

在本发明的一个实施例中，本发明实施例提供的推荐信息生成方法还包括：

将推荐信息推送给用户终端，以使用户终端显示推荐信息。

在本发明的一个实施例中，本发明实施例提供的推荐信息生成方法还包括：

将推荐信息的显示形式推送给用户终端，以使用户终端根据预设显示形式显示推荐信息。

在本发明的一个实施例中，预设显示形式包括：

预定操作触发显示和直接显示。

本发明实施例的推荐信息生成方法，推荐产品时可以同时推荐所生成的推荐信息，能够帮助用户更好的理解推荐该产品的原因，进而能够提高用户对于所推荐产品的点击率和转化率。

与上述的方法实施例相对应，本发明实施例还提供一种推荐信息生成装置。如图8所示，图8示出了本发明实施例提供的推荐信息生成装置的结构示意图。推荐信息生成装置可以包括：

第一获取模块801，用于获取预先生成的目标用户对应的个性化特征向量。

第二获取模块802，用于获取向目标用户推荐的产品的属性向量以及产品对应的评论数据。

第一生成模块803，用于将根据个性化特征向量、属性向量和评论数据输入预设的文本生成模型，以生成针对产品的推荐信息。

在本发明的一个实施例中，本发明实施例提供的推荐信息生成装置还包括：

第一确定模块(图中未示出)，用于基于目标用户的历史行为数据，确定目标用户的行为特征向量；

第二确定模块(图中未示出)，用于基于与历史行为数据相关的产品的描述信息，确定与历史行为数据相关的产品对应的词向量；

第三确定模块(图中未示出)，用于基于目标用户对于已购买的产品的评论数据，确定目标用户对应的偏好向量；

第二生成模块(图中未示出)，用于将所述行为特征向量、所述词向量序列和所述偏好向量，输入预设的个性化模型，以生成目标用户对应的个性化特征向量。

在本发明的一个实施例中，历史行为数据包括以下所列项中的一种或几种组合：

历史浏览数据、历史点击数据、历史收藏数据和历史购买数据。

在本发明的一个实施例中，第三确定模块，具体用于：

基于评论数据，确定目标用户对于已购买产品的属性的情感极性特征向量以及情感程度特征向量；

根据情感极性特征向量、情感程度特征向量以及已购买产品的属性特征向量，确定目标用户对于所述已购买的产品的各属性的的偏好向量。

在本发明的一个实施例中，个性化模型为注意力函数。

在本发明的一个实施例中，文本生成模型为基于注意力的序列到序列模型。

在本发明的一个实施例中，本发明实施例提供的推荐信息生成装置还包括：

查找模块(图中未示出)，用于基于目标用户的标识信息，在个性化特征向量集合中查找与标识信息对应的个性化特征向量；将查找到的个性化特征向量作为目标用户的个性化特征向量。

在本发明的一个实施例中，本发明实施例提供的推荐信息生成装置还包括：

第一推送模块(图中未示出)，用于将推荐信息推送给用户终端，以使用户终端显示推荐信息。

在本发明的一个实施例中，第一推送模块，还用于：

将推荐信息的显示形式推送给用户终端，以使用户终端根据预设显示形式显示推荐信息。

在本发明的一个实施例中，预设显示形式包括：

悬浮窗、文本框、下拉列表框、图片、着色或按钮触发。

本发明实施例图8所示的推荐信息生成装置的各部分细节与以上图7所示的本发明实施例的推荐信息生成方法类似，本发明实施例在此不再赘述。

本发明实施例的推荐信息生成装置，推荐产品时可以同时推荐所生成的推荐信息，能够帮助用户更好的理解推荐该产品的原因，进而能够提高用户对于所推荐产品的点击率和转化率。

图9示出了能够实现根据本发明实施例的推荐信息生成方法及装置的计算设备的示例性硬件架构的结构图。如图9所示，计算设备900包括输入设备901、输入接口902、中央处理器903、存储器904、输出接口905、以及输出设备906。其中，输入接口902、中央处理器903、存储器904、以及输出接口905通过总线910相互连接，输入设备901和输出设备906分别通过输入接口902和输出接口905与总线910连接，进而与计算设备900的其他组件连接。

具体地，输入设备901接收来自外部的输入信息，并通过输入接口902将输入信息传送到中央处理器903；中央处理器903基于存储器904中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器904中，然后通过输出接口905将输出信息传送到输出设备906；输出设备906将输出信息输出到计算设备900的外部供用户使用。

也就是说，图9所示的计算设备也可以被实现为推荐信息生成设备，该推荐信息生成设备可以包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现结合图1至图8描述的推荐信息生成方法和装置。

本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本发明实施例提供的推荐信息生成方法。

基于上述过程，本发明实施例还提供一种推荐信息显示方法，方法包括：

获取向目标用户推荐的产品的产品信息以及产品对应的推荐信息；

显示产品信息以及按照预设显示形式显示推荐信息。

在本发明的一个实施例中，预设显示形式包括：预定操作触发显示和直接显示。

相应的，本发明实施例还提供一种推荐信息显示装置，装置包括：

获取模块，用于获取向目标用户推荐的产品的产品信息以及产品对应的推荐信息；

显示模块，用于显示产品信息以及按照预设显示形式显示推荐信息。

在本发明的一个实施例中，预设显示形式包括：预定操作触发显示和直接显示。

本发明实施例还提供一种终端设备，终端设备包括：显示器、存储器和处理器；

显示器连接处理器，用于提供信息显示界面；

存储器用于存储信息显示程序；

处理器用于读取存储器中存储的信息显示程序以执行本发明实施例提供的推荐信息显示方法。

在本发明的一个实施例中，终端设备还包括：

输入单元，输入单元连接处理器，用于检测信息显示界面上的操作。

本发明实施例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指令；计算机程序指令被处理器执行时实现本发明实施例提供的推荐信息显示方法。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (29)

1.一种推荐信息生成方法，所述方法包括：

获取预先生成的目标用户对应的个性化特征向量；

获取向所述目标用户推荐的产品的属性向量以及所述产品对应的评论数据；

将所述个性化特征向量、所述属性向量和所述评论数据输入预设的文本生成模型，以生成针对所述产品的推荐信息。

2.根据权利要求1所述的方法，所述方法还包括：

基于所述目标用户的历史行为数据，确定所述目标用户的行为特征向量；

基于与所述历史行为数据相关的产品的描述信息，确定所述与所述历史行为数据相关的产品对应的词向量序列；

基于所述目标用户对于已购买的产品的评论数据，确定所述目标用户对于所述已购买的产品的各属性的偏好向量；

将所述行为特征向量、所述词向量序列和所述偏好向量，输入预设的个性化模型，以生成所述目标用户对应的个性化特征向量。

3.根据权利要求2所述的方法，所述历史行为数据包括以下所列项中的一种或几种组合：

历史浏览数据、历史点击数据、历史收藏数据和历史购买数据。

4.根据权利要求2所述的方法，所述基于所述目标用户对于已购买的产品的评论数据，确定所述目标用户对于所述已购买的产品的各属性的偏好向量，包括：

基于所述评论数据，确定所述目标用户对于所述已购买产品的属性的情感极性特征向量以及情感程度特征向量；

根据所述情感极性特征向量、所述情感程度特征向量以及所述已购买产品的属性特征向量，确定所述目标用户对于所述已购买的产品的各属性的偏好向量。

5.根据权利要求2所述的方法，所述个性化模型为注意力函数。

6.根据权利要求1所述的方法，所述文本生成模型为基于注意力的序列到序列模型。

7.根据权利要求1所述的方法，所述方法还包括：

基于所述目标用户的标识信息，在个性化特征向量集合中查找与所述标识信息对应的个性化特征向量；

将查找到的个性化特征向量作为所述目标用户的个性化特征向量。

8.根据权利要求1所述的方法，所述方法还包括：

将所述推荐信息推送给用户终端，以使所述用户终端显示所述推荐信息。

9.根据权利要求8所述的方法，所述方法还包括：

将所述推荐信息的显示形式推送给所述用户终端，以使所述用户终端按照所述预设显示形式显示所述推荐信息。

10.根据权利要求9所述的方法，所述预设显示形式包括：预定操作触发显示和直接显示。

11.一种推荐信息显示方法，所述方法包括：

获取向目标用户推荐的产品的产品信息以及所述产品对应的推荐信息；

显示所述产品信息以及按照预设显示形式显示所述推荐信息。

12.根据权利要求11所述的方法，所述预设显示形式包括：预定操作触发显示和直接显示。

13.一种推荐信息生成装置，所述装置包括：

第一获取模块，用于获取预先生成的目标用户对应的个性化特征向量；

第二获取模块，用于获取向所述目标用户推荐的产品的属性向量以及所述产品对应的评论数据；

第一生成模块，用于将所述个性化特征向量、所述属性向量和所述评论数据输入预设的文本生成模型，以生成针对所述产品的推荐信息。

14.根据权利要求13所述的装置，所述装置还包括：

第一确定模块，用于基于所述目标用户的历史行为数据，确定所述目标用户的行为特征向量；

第二确定模块，用于基于与所述历史行为数据相关的产品的描述信息，确定所述与所述历史行为数据相关的产品对应的词向量序列；

第三确定模块，用于基于所述目标用户对于已购买的产品的评论数据，确定所述目标用户对于已购买的产品的偏好向量；

第二生成模块，用于将所述行为特征向量、所述词向量序列和所述偏好向量，输入预设的个性化模型，以生成所述目标用户对应的个性化特征向量。

15.根据权利要求14所述的装置，所述历史行为数据包括以下所列项中的一种或几种组合：

历史浏览数据、历史点击数据、历史收藏数据和历史购买数据。

16.根据权利要求14所述的装置，所述第三确定模块，具体用于：

基于所述评论数据，确定所述目标用户对于所述已购买产品的属性的情感极性特征向量以及情感程度特征向量；

根据所述情感极性特征向量、所述情感程度特征向量以及所述已购买产品的属性特征向量，确定所述目标用户对于所述已购买的产品的各属性的偏好向量。

17.根据权利要求14所述的装置，所述个性化模型为注意力函数。

18.根据权利要求13所述的装置，所述文本生成模型为基于注意力的序列到序列模型。

19.根据权利要求13所述的装置，所述装置还包括：

查找模块，用于基于所述目标用户的标识信息，在个性化特征向量集合中查找与所述标识信息对应的个性化特征向量；将查找到的个性化特征向量作为所述目标用户的个性化特征向量。

20.根据权利要求13所述的装置，所述装置还包括：

第一推送模块，用于将所述推荐信息推送给用户终端，以使所述用户终端显示所述推荐信息。

21.根据权利要求20所述的装置，所述第一推送模块，还用于：

将所述推荐信息的显示形式推送给所述用户终端，以使所述用户终端根据所述预设显示形式显示所述推荐信息。

22.根据权利要求21所述的装置，所述预设显示形式包括：

预定操作触发显示和直接显示。

23.一种推荐信息显示装置，所述装置包括：

获取模块，用于获取向目标用户推荐的产品的产品信息以及所述产品对应的推荐信息；

显示模块，用于显示所述产品信息以及按照预设显示形式显示所述推荐信息。

24.根据权利要求23所述的装置，所述预设显示形式包括：预定操作触发显示和直接显示。

25.一种计算设备，所述计算设备包括：存储器和处理器；

所述存储器用于存储可执行程序代码；

所述处理器用于读取所述存储器中存储的可执行程序代码以执行权利要求1-10任意一项所述的推荐信息生成方法。

26.一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指令；所述计算机程序指令被处理器执行时实现如权利要求1-10任意一项所述的推荐信息生成方法。

27.一种终端设备，所述终端设备包括：显示器、存储器和处理器；其中，

所述显示器连接所述处理器，用于提供信息显示界面；

所述存储器用于存储信息显示程序；

所述处理器用于读取所述存储器中存储的信息显示程序以实现如权利要求11或12所述的推荐信息显示方法。

28.根据权利要求27所述的终端设备，还包括：

输入单元，所述输入单元连接所述处理器，用于检测所述信息显示界面上的操作。

29.一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指令；所述计算机程序指令被处理器执行时实现如权利要求11或12所述的推荐信息显示方法。

Images