CN111144933A

CN111144933A - 商品推荐方法、装置、电子设备及存储介质

Info

Publication number: CN111144933A
Application number: CN201911285265.XA
Authority: CN
Inventors: 陈英杰; 王永康; 崔同; 王兴星
Original assignee: Beijing Sankuai Online Technology Co Ltd
Current assignee: Beijing Sankuai Network Technology Co ltd; Beijing Sankuai Online Technology Co Ltd
Priority date: 2019-12-13
Filing date: 2019-12-13
Publication date: 2020-05-12
Anticipated expiration: 2039-12-13
Also published as: CN111144933B

Abstract

本申请实施例公开了一种商品推荐方法、装置、电子设备及存储介质，该方法包括：获取与待推荐商品图像相关的待推荐图像特征向量和与当前用户历史行为相关的多个历史图像特征向量；待推荐图像特征向量是通过提取待推荐商品图像的图像特征得到的，多个历史图像特征向量是和当前用户历史行为相关的多个历史商品图像分别对应的图像特征向量；根据待推荐图像特征向量和多个历史图像特征向量，通过注意力机制确定当前用户对待推荐商品图像的视觉偏好特征；根据视觉偏好特征和待推荐图像特征向量，确定待推荐商品的推荐分数。本申请实施例利用了用户的视觉信息，从而可以提高推荐结果的准确性，并且可以减轻商品冷启动的问题。

Description

商品推荐方法、装置、电子设备及存储介质

技术领域

本申请实施例涉及互联网技术领域，特别是涉及一种商品推荐方法、装置、电子设备及存储介质。

背景技术

现有技术中，进行商品推荐时，一般是根据用户历史购买或点击的商品的统计特征，包括商品的统计特征、用户和商品的交叉统计特征，以及用户画像等特征，计算商品的推荐分数，并按照推荐分数的高低进行排序，向用户进行推荐。

现有技术是基于商品本身的统计特征进行商品推荐，没有有效利用用户的视觉信息，导致推荐结果准确性低，而且存在着商品冷启动推荐效果差的问题。

发明内容

本申请实施例提供一种商品推荐方法、装置、电子设备及存储介质，有助于提高推荐结果准确性，并缓解商品冷启动的问题。

为了解决上述问题，第一方面，本申请实施例提供了一种商品推荐方法，包括：

获取与待推荐商品图像相关的待推荐图像特征向量和与当前用户历史行为相关的多个历史图像特征向量；其中，所述待推荐图像特征向量是通过提取所述待推荐商品图像的图像特征得到的，所述多个历史图像特征向量是和当前用户历史行为相关的多个历史商品图像分别对应的图像特征向量；

根据所述待推荐图像特征向量和所述多个历史图像特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征；

根据所述视觉偏好特征和所述待推荐图像特征向量，确定待推荐商品的推荐分数。

第二方面，本申请实施例提供了一种商品推荐装置，包括：

特征获取模块，用于获取与待推荐商品图像相关的待推荐图像特征向量和与当前用户历史行为相关的多个历史图像特征向量；其中，所述待推荐图像特征向量是通过提取所述待推荐商品图像的图像特征得到的，所述多个历史图像特征向量是和当前用户历史行为相关的多个历史商品图像分别对应的图像特征向量；

视觉偏好确定模块，用于根据所述待推荐图像特征向量和所述多个历史图像特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征；

推荐分数确定模块，用于根据所述视觉偏好特征和所述待推荐图像特征向量，确定待推荐商品的推荐分数。

第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例所述的商品推荐方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请实施例所述的商品推荐方法的步骤。

本申请实施例提供的商品推荐方法、装置、电子设备及存储介质，通过获取与待推荐商品图像相关的待推荐图像特征向量和与当前用户历史行为相关的多个历史图像特征向量，根据待推荐图像特征向量和多个历史图像特征向量，通过注意力机制确定当前用户对待推荐商品图像的视觉偏好特征，根据视觉偏好特征和待推荐图像特征向量确定待推荐商品的推荐分数。由于在向用户推荐商品时，综合考虑了和用户历史行为相关的历史商品的图像内容，利用了用户的视觉信息，从而可以提高推荐结果的准确性，现有技术中基于商品的统计特征向用户进行推荐，如果有新商品只能进行冷启动，而采用本申请实施例的技术方案，虽然商品是新的，但是该商品的图像与历史商品图像会有相似的特征，从而可以减轻商品冷启动的问题。

附图说明

为了更清楚地说明本申请实施例的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的商品推荐方法的流程图；

图2是本申请实施例中采用Inception V4网络提取图像特征的网络结构示意图；

图3是本申请实施例中的视觉偏好特征提取模型的网络结构示意图；

图4是本申请实施例中的商品推荐模型的网络结构示意图；

图5是本申请实施例提供的商品推荐装置的结构示意图；

图6是本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请实施例提供的一种商品推荐方法，如图1所示，该方法包括：步骤110至步骤130。

步骤110，获取与待推荐商品图像相关的待推荐图像特征向量和与当前用户历史行为相关的多个历史图像特征向量；其中，所述待推荐图像特征向量是通过提取所述待推荐商品图像的图像特征得到的，所述多个历史图像特征向量是和当前用户历史行为相关的多个历史商品图像分别对应的图像特征向量。

其中，所述历史商品图像对应的图像特征向量是对历史商品图像进行图像嵌入(embedding)或特征嵌入的方式提取到的稠密向量，可以利用卷积神经网络提取得到。待推荐图像特征向量是对待推荐商品图像进行图像嵌入或特征嵌入的方式提取到的稠密向量。特征嵌入是将数据降维为固定大小的特征表示，以便于处理和计算。图像特征向量与传统的稀疏性质的商品标识或商品属性等特征的区别是：图像特征向量是基于图像内容的；图像特征向量代表图像内容，与图像名称无关，相同图像内容的图像特征向量是相同的，相似图像内容的图像特征向量相似度较高。

在根据用户的推荐请求召回多个待推荐商品后，对于每个待推荐商品分别计算推荐分数，并基于推荐分数对多个待推荐商品进行排序，按照排序顺序向用户推荐所述多个待推荐商品。其中，待推荐商品可以是外卖商品，如菜品，也可以是其他品类的商品，如衣服等。

本申请实施例中，基于待推荐商品的图像内容向用户推荐商品，即计算推荐分数时基于待推荐商品的图像内容进行计算。在计算一个待推荐商品的推荐分数时，获取该推荐商品的图像，得到待推荐商品图像。

对于和当前用户历史行为相关的多个历史商品图像对应的多个历史图像特征向量可以预先提取并保存到数据库中，在进行商品推荐时，从数据库中获取所述多个历史图像特征向量，从而可以节省线上的推荐时间。当然，也可以在进行商品推荐时对所述多个历史商品图像分别实时提取所述多个历史图像特征向量。其中，所述历史行为可以包括点击行为和/或下单行为等。

在提取待推荐商品图像特征向量时，可以通过卷积神经网络对待推荐商品图像进行特征提取，用一个稠密向量表示待推荐商品图像的图像特征，得到待推荐图像特征向量。在提取多个历史图像特征向量时，可以分别对每一个历史商品图像提取对应的历史图像特征向量，也可以通过卷积神经网络对历史商品图像进行特征提取，从而用一个稠密向量表示该历史商品图像的图像特征，得到该历史商品图像对应的历史图像特征向量。

在本申请的一个实施例中，所述获取与待推荐商品图像相关的待推荐图像特征向量，包括：将所述待推荐商品图像预处理为预设分辨率的三通道图像；将所述三通道图像输入卷积神经网络，通过所述卷积神经网络对所述三通道图像进行特征提取，得到初始图像特征；对所述初始图像特征进行池化处理，得到所述待推荐图像特征向量。

其中，卷积神经网络可看作一种特殊结构化的全连接神经网络，它与完全的全连接神经网络主要区别是更改了两层网络的连接方式。其网络结构设计针对图像的平移不变性、缩放不变性、旋转不变性等特征进行了特殊设计，即融入了图像领域知识，通过局部连接、共享参数、池化等方式大大减少了参数量，一方面降低计算量，可以设计更深的网络，提取更深层更抽象的特征；一方面减少模型的容量，即降低模型复杂度、表达能力等，具有很好的正则化效果、提高泛化能力。卷积神经网络模型是在小数据集上端到端训练的模型，用其对大规模图片进行特征抽取，可以节约耗时、节省计算资源。

所述卷积神经网络可以为经典卷积神经网络，例如可以是Inception V4网络，还可以是其他经典卷积神经网络。本申请实施例以卷积神经网络为Inception V4网络为例进行说明。Inception V4网络通过Inception卷积和池化处理可以降低特征图大小，从而得到图像特征向量。Inception V4网络能够产生稠密的数据，不但能增加神经网络表现，还能保证计算资源的使用效率。

图2是本申请实施例中采用Inception V4网络提取图像特征的网络结构示意图。Inception V4网络为一个分类模型。如图2所示，Inception V4网络包括输入层、Stem模块、Inception-A块、Reduction-A块、Inception-B块、Reduction-B块、Inception-C块、池化层、随机失活(Dropout)层和Softmax层，其中，Stem模块将分辨率为299×299的三通道图像变换为分辨率为35×35的384通道的特征图；Inception-A块对Stem模块输出的特征图进行Inception卷积和池化处理，得到分辨率为35×35的384通道的特征图；Reduction-A块将Inception-A块输出的特征图变换为分辨率为17×17的1024通道的特征图；Inception-B块对Reduction-A块输出的特征图进行Inception卷积和池化处理，得到分辨率为17×17的1024通道的特征图；Reduction-B块将Inception-B块输出的特征图变换为分辨率为8×8的1536通道的特征图；Inception-C块对Reduction-B块输出的特征图进行Inception卷积和池化处理，得到分辨率为8×8的1536通道的特征图；池化层对Inception-C块输出的特征图进行池化处理，得到1536维的特征向量；之后由随机失活层Softmax层进行处理后得到输入的三通道图像对应的分类。本申请实施例关注到随机失活层输出的是图像特征，因此，对随机失活层的输出进行池化处理，得到图像特征向量，如图2所示。

在作为分类模型的Inception V4网络训练完成后，存储对应的模型参数。Inception V4网络的输入层输入的是分辨率为299×299的三通道图像，因此，需要对待推荐商品图像进行预处理，将待推荐商品图像处理为预设分辨率为299×299的三通道图像，并输入Inception V4网络，用Inception V4网络提取待推荐商品图像的图像特征，并获取Inception V4网络随机失活层的输出特征，该输出特征作为初始图像特征，对初始图像特征进行池化处理，得到待推荐商品图像对应的图像特征向量，即得到待推荐图像特征向量。其中，池化处理可以是如图2所示的平均池化，还可以是最大池化。

对于和当前用户历史行为相关的多个历史图像特征向量也是分别通过InceptionV4网络对相应的历史商品图像进行特征提取，并获取Inception V4网络随机失活层的输出特征后进行池化处理得到的。

步骤120，根据所述待推荐图像特征向量和所述多个历史图像特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征。

其中，视觉偏好特征是当前用户的视觉信息和待推荐商品的图像信息相结合的特征，当前用户的视觉信息可以从当前用户历史行为所针对的商品的图像信息中获得，即从所述历史图像特征向量中获得。注意力机制用于模仿人类的观察模式，可以动态地聚焦于输入的特定部分。

在本申请的一个实施例中，所述根据所述待推荐图像特征向量和所述多个历史图像特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征，包括：根据所述待推荐图像特征向量，通过注意力机制分别确定所述多个历史图像特征向量的注意力权重；根据所述多个历史图像特征向量的注意力权重，对所述多个历史图像特征向量进行加权求和，得到所述待推荐商品图像的视觉偏好特征。

将多个历史图像特征向量作为注意力模型的输入序列，待推荐图像作为注意力模型的输入参考特征，通过注意力模型确定多个历史图像特征向量的注意力得分，这个过程可表示为如下公式：

e_i＝a(u,v_i)

其中，e_i是第i个历史图像特征向量的注意力得分，u是待推荐图像特征向量，v_i是第i个历史图像特征向量，a是注意力模型中的激活函数，待推荐图像特征向量u和历史图像特征向量v_i通过全连接层连接，即通过对待推荐特征向量u和历史图像特征向量v_i进行全连接处理后，由激活函数进行激活，得到注意力得分。各个历史图像特征向量的注意力得分可以是待推荐图像特征向量与该历史图像特征向量的相似度或相关系数。

得到多个历史图像特征向量的注意力得分后，按照如下公式对多个历史图像特征向量的注意力得分进行归一化，得到每个历史图像特征向量的注意力权重：

其中，a_i是第i个历史图像特征向量的注意力权重。

根据每个历史图像特征向量的注意力权重，按照如下公式对多个历史图像特征向量进行加权求和，得到当前用户对待推荐商品图像的视觉偏好特征：

其中，c是当前用户对待推荐商品图像的视觉偏好特征。

通过注意力机制可以很好地学习到当前用户对待推荐商品图像的视觉偏好特征，从而很好地利用了当前用户的视觉信息。

在本申请的另一个实施例中，所述根据所述待推荐图像特征向量和所述多个历史图像特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征，包括：通过LSTM对所述多个历史图像特征向量进行处理，得到多个处理后特征向量；根据所述待推荐图像特征向量和所述多个处理后特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征。

其中，LSTM(Long Short-Term Memory，长短期记忆网络)是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM是一种循环神经网络(Recurrent Neural Network,RNN)，循环神经网络是一类以序列数据为输入，在序列的演进方向进行递归且所有节点(即循环单元)按链式连接的递归神经网络。

多个历史图像特征向量之间会存在一定的隐含关系，例如用户先买了奶粉，又买了纸尿裤等等，这两个商品之间就存在一定的隐含关系，即都是母婴用品。因此，首先通过LSTM挖掘多个历史图像特征向量之间的隐含关系，得到处理后特征向量，将待推荐图像特征向量和多个处理后特征向量输入注意力模型，得到当前用户对待推荐商品图像的视觉偏好特征，即根据待推荐图像特征向量，通过注意力机制分别确定多个处理后特征向量的注意力权重，根据多个处理后特征向量的注意力权重，对多个处理后特征向量进行加权求和，得到当前用户对待推荐商品图像的视觉偏好特征。

在根据待推荐图像特征向量和多个历史图像特征向量，通过注意力机制确定当前用户对待推荐商品图像的视觉偏好特征时，可以通过视觉偏好特征提取模型来提取视觉偏好特征。图3是本申请实施例中的视觉偏好特征提取模型的网络结构示意图。如图3所示，视觉偏好特征提取模型通过LSTM和注意力机制提取视觉偏好特征，输入层的输入特征为多个历史图像特征向量，输入层输入的历史图像特征向量的数量为n，LSTM层包括多个LSTM单元，每个LSTM单元接收一个历史图像特征向量，LSTM单元的数量为n，各个LSTM单元之间相互连接，可以学习多个历史图像特征向量之间的隐含关系，每个LSTM单元经过学习后输出一个对应的向量，即处理后特征向量，之后将处理后特征向量和待推荐图像特征向量输入注意力模型，通过注意力模型确定当前用户对待推荐图像的视觉偏好特征。根据多个处理后特征向量和待推荐图像特征向量，通过注意力模型确定当前用户对待推荐图像的视觉偏好特征的方式同上，这里不再赘述。通过LSTM学习了多个历史图像特征向量之间的隐含关系，从而确定的视觉偏好特征更加符合用户的视觉信息，提高了视觉偏好特征的准确度。

步骤130，根据所述视觉偏好特征和所述待推荐图像特征向量，确定待推荐商品的推荐分数。

将所述视觉偏好特征和待推荐图像特征向量输入商品推荐模型，获取商品推荐模型的输出，得到待推荐商品的推荐分数。除了视觉偏好特征和待推荐图像特征向量外，还可以将进行商品推荐的其他特征和视觉偏好特征以及待推荐图像特征向量共同输入商品推荐模型，获取商品推荐模型输出的待推荐商品的推荐分数。从而后续根据多个待推荐商品的推荐分数对待推荐商品进行排序，将排序后的待推荐商品推荐给当前用户。其中，进行商品推荐的其他特征包括和用户历史行为相关的商品对应的商品标识和商品属性、用户画像特征以及上下文特征等特征。

在本申请的一个实施例中，根据所述视觉偏好特征和所述待推荐图像特征向量，确定所述待推荐商品的推荐分数，包括：将所述视觉偏好特征和所述待推荐图像特征向量拼接为商品推荐模型的输入特征；将所述输入特征输入商品推荐模型，得到所述待推荐商品的推荐分数。

图4是本申请实施例中的商品推荐模型的网络结构示意图，如图4所示，由视觉偏好特征提取模型根据多个历史图像特征向量和待推荐图像特征向量学习当前用户对待推荐商品图像的视觉偏好特征，将视觉偏好特征、待推荐图像特征向量、待推荐商品统计特征、待推荐商品和用户交叉统计特征、上下文特征、用户画像特征等特征拼接后作为商品推荐模型的输入特征，由商品推荐模型中全连接层对输入特征进行全连接处理后，得到待推荐商品的推荐分数。待推荐商品统计特征是指待推荐商品在预设时间内被下单的数量、被点击次数、曝光次数、点击率和转化率等。待推荐商品和用户交叉统计特征是指当前用户在待推荐商品上的点击率、转化率、曝光次数、购买次数等。上下文特征包括一天中的具体时间段(如具体的某个小时)、星期几、天气等特征。图4中以和当前用户历史行为相关的历史商品的数量为n为例，因此，历史图像特征向量的数量为n。

如图4所示，本申请实施例通过在商品推荐模型中加入视觉偏好特征提取模型，可以更好的通过用户历史行为和待推荐商品捕获用户的动态视觉偏好信息，来反映用户在该推荐商品上的偏好，而不是使用固定不变的视觉偏好(如商品标识或商品属性等)，从而针对不同的待推荐商品，学习到用户的视觉偏好是不同的，这样可以使用户在不同商品上表现出偏好的差异，为商品推荐模型提供更大的信息量，使得推荐结果更加精准。同时，由于引入了商品内容和基于内容的动态视觉偏好，不再是利用单一的商品标识等统计类信息做推荐，因此新上架的商品如果具有历史某商品类似的图像内容，也能很好的做出推荐效果，这就缓解了商品冷启动的问题。

本申请实施例提供的商品推荐方法，通过获取与待推荐商品图像相关的待推荐图像特征向量和与当前用户历史行为相关的多个历史图像特征向量，根据待推荐图像特征向量和多个历史图像特征向量，通过注意力机制确定当前用户对待推荐商品图像的视觉偏好特征，根据视觉偏好特征和待推荐图像特征向量确定待推荐商品的推荐分数，由于在向用户推荐商品时，综合考虑了和用户历史行为相关的历史商品的图像内容，利用了用户的视觉信息，从而可以提高推荐结果的准确性，现有技术中基于商品的统计特征向用户进行推荐，如果有新商品只能进行冷启动，而采用本申请实施例的技术方案，虽然商品是新的，但是该商品的图像与历史商品图像会有相似的特征，从而可以减轻商品冷启动的问题。

下面以待推荐的商品为菜品为例进行说明。在外卖领域，由于各个菜品可能会使用相同的食材，从而菜品图像存在一定的相似性，而且用户也比较喜欢某个品类的菜品，因此，通过结合用户历史行为相关的历史菜品图像来提取用户的视觉偏好来向用户推荐相应的菜品，可以提高推荐结果的准确性。在根据用户的推荐请求召回多个待推荐菜品后，针对每一个待推荐菜品分别计算推荐分数。获取和用户历史行为相关的多个历史菜品图像，即获取用户历史上点击和/或购买过的历史菜品的菜品图像，通过卷积神经网络分别提取多个历史菜品图像的图像特征，得到多个历史图像特征向量；获取待推荐菜品图像，通过卷积神经网络提取待推荐菜品图像的图像特征，得到待推荐图像特征向量；通过视觉偏好特征提取模型根据待推荐图像特征向量和多个历史图像特征向量，提取当前用户对待推荐菜品图像的视觉偏好特征；通过菜品推荐模型根据视觉偏好特征和待推荐图像特征向量确定待推荐菜品的推荐分数。结合了用户历史行为相关的历史菜品图像，来提取用户对待推荐菜品的视觉偏好特征，从而可以提高推荐结果的准确性。如果待推荐菜品为新菜品，由于菜品会与用户历史行为相关的历史菜品具有相同的食材，从而在菜品图像上存在一定的相似性，从而可以减轻新菜品冷启动的问题。

本申请实施例提供的一种商品推荐装置，如图5所示，所述商品推荐装置500包括：

特征获取模块510，用于获取与待推荐商品图像相关的待推荐图像特征向量和与当前用户历史行为相关的多个历史图像特征向量；其中，所述待推荐图像特征向量是通过提取所述待推荐商品图像的图像特征得到的，所述多个历史图像特征向量是和当前用户历史行为相关的多个历史商品图像分别对应的图像特征向量；

视觉偏好确定模块520，用于根据所述待推荐图像特征向量和所述多个历史图像特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征；

推荐分数确定模块530，用于根据所述视觉偏好特征和所述待推荐图像特征向量，确定待推荐商品的推荐分数。

可选的，所述特征获取模块包括：

预处理单元，用于将所述待推荐商品图像预处理为预设分辨率的三通道图像；

特征提取单元，用于将所述三通道图像输入卷积神经网络，通过所述卷积神经网络对所述三通道图像进行特征提取，得到初始图像特征；

图像特征确定单元，用于对所述初始图像特征进行池化处理，得到所述待推荐图像特征向量。

可选的，所述视觉偏好确定模块包括：

注意力权重确定单元，用于根据所述待推荐图像特征向量，通过注意力机制分别确定所述多个历史图像特征向量的注意力权重；

第一视觉偏好确定单元，用于根据所述多个历史图像特征向量的注意力权重，对所述多个历史图像特征向量进行加权求和，得到所述待推荐商品图像的视觉偏好特征。

可选的，所述视觉偏好确定模块包括：

LSTM处理单元，用于通过长短期记忆网络LSTM对所述多个历史图像特征向量进行处理，得到多个处理后特征向量；

第二视觉偏好确定单元，用于根据所述待推荐图像特征向量和所述多个处理后特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征。

可选的，所述推荐分数确定模块包括：

特征拼接单元，用于将所述视觉偏好特征和所述待推荐图像特征向量拼接为商品推荐模型的输入特征；

推荐分数确定单元，用于将所述输入特征输入商品推荐模型，得到所述待推荐商品的推荐分数。

本申请实施例提供的商品推荐装置，用于实现本申请实施例所述的商品推荐方法的各步骤，装置的各模块的具体实施方式参见相应步骤，此处不再赘述。

本申请实施例提供的商品推荐装置，通过特征获取模块获取与待推荐商品图像相关的待推荐图像特征向量和与当前用户历史行为相关的多个历史图像特征向量，视觉偏好确定模块根据待推荐图像特征向量和多个历史图像特征向量，通过注意力机制确定当前用户对待推荐商品图像的视觉偏好特征，推荐分数确定模块根据视觉偏好特征和待推荐图像特征向量确定待推荐商品的推荐分数，由于在向用户推荐商品时，综合考虑了和用户历史行为相关的历史商品的图像内容，利用了用户的视觉信息，从而可以提高推荐结果的准确性，现有技术中基于商品的统计特征向用户进行推荐，如果有新商品只能进行冷启动，而采用本申请实施例的技术方案，虽然商品是新的，但是该商品的图像与历史商品图像会有相似的特征，从而可以减轻商品冷启动的问题。

相应的，本申请实施例还提供了一种电子设备，如图6所示，电子设备600包括存储器610、处理器620、输入接口630和输出接口640，输入接口630和输出接口640用于与另一设备进行通信。各个组件之间可以通过总线进行连接。处理器620可以执行存储在所述存储器610上的计算机程序，实现如本申请实施例所述的商品推荐方法。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例所述的商品推荐方法的步骤。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本申请实施例提供的一种商品推荐方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

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，当然也可以通过硬件实现。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。

Claims

1.一种商品推荐方法，其特征在于，包括：

2.根据权利要求1所述的商品推荐方法，其特征在于，所述获取与待推荐商品图像相关的待推荐图像特征向量，包括：

将所述待推荐商品图像预处理为预设分辨率的三通道图像；

将所述三通道图像输入卷积神经网络，通过所述卷积神经网络对所述三通道图像进行特征提取，得到初始图像特征；

对所述初始图像特征进行池化处理，得到所述待推荐图像特征向量。

3.根据权利要求1所述的商品推荐方法，其特征在于，所述根据所述待推荐图像特征向量和所述多个历史图像特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征，包括：

根据所述待推荐图像特征向量，通过注意力机制分别确定所述多个历史图像特征向量的注意力权重；

根据所述多个历史图像特征向量的注意力权重，对所述多个历史图像特征向量进行加权求和，得到所述待推荐商品图像的视觉偏好特征。

4.根据权利要求1所述的商品推荐方法，其特征在于，所述根据所述待推荐图像特征向量和所述多个历史图像特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征，包括：

通过长短期记忆网络LSTM对所述多个历史图像特征向量进行处理，得到多个处理后特征向量；

根据所述待推荐图像特征向量和所述多个处理后特征向量，通过注意力机制确定当前用户对所述待推荐商品图像的视觉偏好特征。

5.根据权利要求1所述的商品推荐方法，其特征在于，根据所述视觉偏好特征和所述待推荐图像特征向量，确定待推荐商品的推荐分数，包括：

将所述视觉偏好特征和所述待推荐图像特征向量拼接为商品推荐模型的输入特征；

将所述输入特征输入商品推荐模型，得到所述待推荐商品的推荐分数。

6.一种商品推荐装置，其特征在于，包括：

7.根据权利要求6所述的商品推荐装置，其特征在于，所述特征获取模块包括：

8.根据权利要求6所述的商品推荐装置，其特征在于，所述视觉偏好确定模块包括：

视觉偏好确定单元，用于根据所述多个历史图像特征向量的注意力权重，对所述多个历史图像特征向量进行加权求和，得到所述待推荐商品图像的视觉偏好特征。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任意一项所述的商品推荐方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5任意一项所述的商品推荐方法的步骤。