CN111339432A - 电子对象的推荐方法、装置和电子设备 - Google Patents

电子对象的推荐方法、装置和电子设备 Download PDF

Info

Publication number
CN111339432A
CN111339432A CN202010411098.5A CN202010411098A CN111339432A CN 111339432 A CN111339432 A CN 111339432A CN 202010411098 A CN202010411098 A CN 202010411098A CN 111339432 A CN111339432 A CN 111339432A
Authority
CN
China
Prior art keywords
user
electronic
electronic object
preference value
recommended
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
CN202010411098.5A
Other languages
English (en)
Inventor
钱浩
周俊
崔卿
李龙飞
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co 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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202010411098.5A priority Critical patent/CN111339432A/zh
Publication of CN111339432A publication Critical patent/CN111339432A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0255—Targeted advertisements based on user history
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G06Q30/0271—Personalized advertisement

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书提出了一种电子对象的推荐方法、装置和电子设备，其中，所述电子对象的推荐方法包括：获取已为第一用户推荐的多个电子对象的特征，根据所述多个电子对象的特征生成特征序列；根据所述特征序列确定第一用户对电子对象特定要素的偏好值，之后根据所述第一用户的用户特征和所述第一用户对电子对象特定要素的偏好值，从候选电子对象中确定向第一用户推荐的电子对象。基于本说明书的电子对象推荐方案能够提高电子对象推荐的匹配度。

Description

电子对象的推荐方法、装置和电子设备
技术领域
本说明书涉及互联网技术领域，尤其涉及一种电子对象的推荐方法、装置和电子设备。
背景技术
在推荐场景中，为了促进业务转化需要定向地向用户发送业务推荐信息，其中，在业务推荐信息中可以展示待推广的产品、服务以及对用户具有较大吸引力的代金券、折扣券、奖品券等。向用户发送的推荐信息在一定程度上可以转化为用户的购买行为，但同时购买转化效果也会受到产品定价、用户喜好等多种因素的制约。为了以最小的成本达成业务转化最大化的效果，需要在成本约束条件下更好地挖掘用户偏好，以期实现更为准确的业务推荐。
在相关技术中，将用户特征和产品特征加入到推荐算法中，以基于用户特征完成相应的推荐，但其中存在的问题是，推荐样本从相同的数据分布中获取，容易产生同样的产品重复推荐或者所推荐产品的价位与用户消费能力不匹配等问题，影响业务指标的转化。
发明内容
本说明书实施例提供了一种电子对象的推荐方法、装置和电子设备，以提高电子对象推荐的匹配度。
第一方面，本说明书实施例提供了一种电子对象的推荐方法，包括：
获取已为第一用户推荐的多个电子对象的特征，根据所述多个电子对象的特征生成特征序列；
根据所述特征序列确定第一用户对电子对象特定要素的偏好值；
根据所述第一用户的用户特征和所述第一用户对电子对象特定要素的偏好值，从候选电子对象中确定向第一用户推荐的电子对象。
其中一种可能的实现方式中，根据所述多个电子对象的特征生成特征序列，包括：
从所述多个电子对象中选取具有预定用户反馈的电子对象；
基于具有预定用户反馈的电子对象的特征生成所述特征序列。
其中一种可能的实现方式中，所述预定用户反馈包括：点击、收藏或者使用。
其中一种可能的实现方式中，基于具有预定用户反馈的电子对象的特征生成所述特征序列，包括：
将具有预定用户反馈的电子对象的特征按照向用户推荐的时间顺序排列以生成所述特征序列。
其中一种可能的实现方式中，根据所述特征序列确定第一用户对电子对象特定要素的偏好值，包括：
将所述特征序列作为输入向量输入到偏好值计算模型中，基于所述偏好值计算模型的输出获取第一用户对电子对象特定要素的偏好值。
其中一种可能的实现方式中，所述电子对象特定要素包括电子对象价值要素。
其中一种可能的实现方式中，所述偏好值计算模型为长短期记忆 LSTM计算模型或者为门递归单元GRU计算模型。
其中一种可能的实现方式中，在将所述特征序列作为输入向量输入到偏好值计算模型之前，还包括：
基于嵌入embedding算法对所述特征序列降维为稠密dense向量。
其中一种可能的实现方式中，从候选电子对象中确定向第一用户推荐的电子对象，包括：
获取所述候选电子对象的特征；
根据所述第一用户的用户特征、所述候选电子对象的特征以及第一用户对电子对象特定要素的偏好值，预测第一用户对候选电子对象的反馈分值；
根据所述反馈分值确定向第一用户推荐的电子对象。
其中一种可能的实现方式中，根据所述反馈分值确定向第一用户推荐的电子对象，包括：
根据所述反馈分值确定向第一用户推荐具有特定价值的电子对象。
上述电子对象的推荐方法中，引入向用户推荐过的历史电子对象特征，并从中挖掘用户对电子对象特定要素的偏好以及敏感度，由此以基于用户对电子对象特定要素的偏好更加准确地向用户进行推荐。
第二方面，本说明书实施例提供一种电子对象推荐装置，包括：
生成模块，用于获取已为第一用户推荐的多个电子对象的特征，根据所述多个电子对象的特征生成特征序列；
偏好值确定模块，用于根据所述特征序列确定第一用户对电子对象特定要素的偏好值；
推荐模块，用于根据所述第一用户的用户特征和所述第一用户对电子对象特定要素的偏好值，从候选电子对象中确定向第一用户推荐的电子对象。
其中一种可能的实现方式中，所述生成模块，具体用于从所述多个电子对象中选取具有预定用户反馈的电子对象；基于具有预定用户反馈的电子对象的特征生成所述特征序列。
其中一种可能的实现方式中，所述预定用户反馈包括：点击、收藏或者使用。
其中一种可能的实现方式中，所述生成模块，具体用于将具有预定用户反馈的电子对象的特征按照向用户推荐的时间顺序排列以生成所述特征序列。
其中一种可能的实现方式中，所述偏好值确定模块，具体用于将所述特征序列作为输入向量输入到偏好值计算模型中，基于所述偏好值计算模型的输出获取第一用户对电子对象特定要素的偏好值。
其中一种可能的实现方式中，所述电子对象特定要素包括电子对象价值要素。
其中一种可能的实现方式中，所述偏好值计算模型为长短期记忆 LSTM计算模型或者为门递归单元GRU计算模型。
其中一种可能的实现方式中，所述装置还包括：降维模块；所述降维模块，用于在将所述特征序列作为输入向量输入到偏好值计算模型之前，基于嵌入embedding算法对所述特征序列降维为稠密dense向量。
其中一种可能的实现方式中，所述推荐模块，具体用于获取所述候选电子对象的特征；根据所述第一用户的用户特征、所述候选电子对象的特征以及第一用户对电子对象特定要素的偏好值，预测第一用户对候选电子对象的反馈分值；根据所述反馈分值确定向第一用户推荐的电子对象。
其中一种可能的实现方式中，所述推荐模块，具体用于根据所述反馈分值确定向第一用户推荐具有特定价值的电子对象。
第三方面，本说明书实施例提供一种电子设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面提供的方法。
第四方面，本说明书实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的方法。
应当理解的是，本说明书的第二~第四方面与本说明书的第一方面的技术方案一致，各方面及对应的可行实施方式所取得的有益效果相似，不再赘述。
附图说明
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例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说明书的一些实施例，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它的附图。
图1为本说明书电子对象的推荐方法一个实施例的流程图；
图2为本说明书电子对象的推荐方法另一个实施例的流程图；
图3为本说明书LSTM计算模型的一种结构示意图；
图4为本说明书电子对象的推荐方法一个计算模型的示意图；
图5为本说明书电子对象的推荐方法一个具体示例的示意图；
图6为本说明书电子对象的推荐装置一个实施例的结构示意图；
图7为本说明书电子对象的推荐装置另一个实施例的结构示意图；
图8为本说明书电子设备一个实施例的结构示意图。
具体实施方式
为了更好的理解本说明书的技术方案，下面结合附图对本说明书实施例进行详细描述。
应当明确，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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它实施例，都属于本说明书保护的范围。
在本说明书实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
为了便于描述，本说明书实施例将向用户发送的推荐信息中所包含的产品、服务或者代金券、折扣券、奖品券等称为电子对象。为了提高所推荐的电子对象与用户的匹配度，本说明书实施例中引入历史推荐过的电子对象特征，并从中挖掘用户对电子对象特定要素的偏好以及敏感度，由此以基于用户对电子对象特定要素的偏好更加准确地向用户进行推荐。
图1为本说明书电子对象的推荐方法一个实施例的流程图。图1所示方法的执行主体可以为能够自主执行推荐业务的本地终端或者也可以为基于网络进行业务推荐的云服务器，本说明书实施例对能够执行本方法的执行主体不做具体限定。如图1所示，该方法的处理步骤包括：
步骤S101：获取已为第一用户推荐的多个电子对象的特征，根据所述多个电子对象的特征生成特征序列。
其中，已为第一用户推荐的电子对象可以是距离当前时刻最近的预设时间段内向第一用户推荐过的电子对象。具体的，可以对在预设时间段内向第一用户推荐过的电子对象进行分类，根据分类的结果将属于同一类别的多个电子对象作为待提取特征的电子对象。例如根据电子对象类型的不同，可以将预设时间段向用户推荐过的电子对象分为商品类和电子券类，当需要进一步确定向第一用户推荐哪些商品时，可以从历史推荐过的商品类电子对象中获取待提取特征的电子对象；当需要进一步确定后续向第一用户推荐哪些电子券时，可以从历史推荐过的电子券类电子对象中确定待提取特征的电子对象，此处对电子对象商品类和电子券类的划分仅为示例，在具体应用中可以根据实际需求确定划分粒度。除了按照对象类型对历史推荐过的电子对象分类外，还可以基于电子对象关联的关注要素分类，在一个具体示例中，所述关注要素可以为用户反馈行为，即可以选取具有预定用户反馈的电子对象作为待提取特征的电子对象，例如，可以将第一用户发生过购买行为的历史推荐作为待提取特征的电子对象，所述关注要素还可以为定价、成本等等。需要说明的是，对历史推荐过的电子对象分类的依据可以有多种，本实施例中不再一一列举，多种分类依据之间可以组合以筛选出待提取特征的电子对象。
在确定出待提取特征的电子对象后，从电子对象中提取特征，所提取的特征可以为电子对象的描述特征，如电子对象的标识、类型、定价、成本等特征。所提取的电子对象特征可以采用向量表示，如Xi=[x0，x1，x2……xn]，其中Xi表示第i个电子对象，i为正整数；xn为第i个电子对象的第n个特征要素，n为正整数。
获取已为第一用户推荐过的多个电子对象特征后，基于多个电子对象的特征生成特征序列。在一种可选的方式中，将多个电子对象的特征按照向第一用户推荐的时间顺序排列生成特征序列Y=[X1，X2，X3……Xi]。
步骤S102：根据生成的特征序列确定第一用户对电子对象特定要素的偏好值。
其中，特征序列包含的电子对象特征可以与用户反馈行为关联，具体的，根据用户反馈为特征序列中各电子对象特征分配权重，用户反馈为正向反馈则增加相应特征的权重，用户反馈为零反馈或者负向反馈则降低相应特征的权重；之后，根据特征序列中各特征权重的大小确定第一用户对电子对象特定要素的偏好值。在一个说明示例中，特征序列中包含电子券的定价特征，电子券的定价特征同时关联有用户反馈；对于某定价的电子券，当用户反馈为购买时，增加该定价电子券的权重，当用户反馈为零即没有反馈时，降低该定价电子券的权重，采用此方式对特征序列中的所有定价特征赋予权重，根据定价特征的权重分配结果，选取权重最大的M个定价特征所指示的定价范围作为第一用户的定价偏好范围，该示例中仅以定价要素为例进行说明，在具体应用时可以多种要素之间相互约束确定第一用户对特定要素的偏好值，例如，在定价特征之外还可以增加成本约束，即在成本尽量低的前提下推荐合适定价的电子对象以提高第一用户正向反馈概率。
步骤S103：根据第一用户的用户特征和第一用户对电子对象特定要素的偏好值，从候选电子对象中确定向第一用户推荐的电子对象。
在本实施例中，确定第一用户对电子对象特定要素的偏好值后，进一步增加用户特征作为约束，从候选电子对象中确定出向第一用户推荐的电子对象。例如，根据第一用户对电子券的定价偏好值后，可以根据第一用户的年龄、职业等特征进一步缩小待推荐电子券的定价范围，并从候选电子对象中选取与缩小定价范围相匹配的电子对象推荐给第一用户。
在本实施例中，利用历史推荐过的电子对象特征挖掘用户对特定要素的偏好和敏感度，从而可以在控制成本的前提下，将更匹配用户兴趣和购买可能性的电子对象推荐给用户，同时也避免低转化价值电子对象的重复推荐，提高推荐信息业务转化的可能性。
图2为本说明书电子对象的推荐方法另一个实施例的流程图。如图2所示，该方法的处理步骤包括：
步骤S201：从已为第一用户推荐的多个电子对象中选取具有预定用户反馈的电子对象。
在面向第一用户的历史推荐电子对象中，每个推荐过的电子对象均与用户反馈建立关联，在本实施例中从已经向第一用户推荐的电子对象中选取具有预定用户反馈的电子对象作为后续待提取特征的电子对象。其中，预定用户反馈可以包括：点击、收藏或者使用，即选取具有用户正反馈的电子对象作为待提取特征的电子对象。
在本实施例中选取具有预定用户反馈的电子对象作为后续分析用户偏好的历史数据基础，所述特征数据能够更好地反应用户偏好，便于基于用户的反馈行为深入挖掘用户对特定要素的偏好和敏感度，从而能够更为准确向用户推荐电子对象。
步骤S202：基于具有预定用户反馈的电子对象的特征生成特征序列。
其中，可以将具有预定用户反馈的电子对象的特征按照向用户推荐的时间顺序排列以生成所述特征序列。
在一个具体示例中，从电子对象提取的特征组合成sparse特征向量，之后将sparse特征向量基于嵌入embedding算法映射为较低维度的稠密dense向量，实现对电子对象特征序列的降维，节约计算机内存消耗。
步骤S203：将生成的特征序列作为输入向量输入到偏好值计算模型中，并基于偏好值计算模型的输出获取第一用户对电子对象特定要素的偏好值。
在本实施例中，通过偏好值计算模型从特征序列，即从对第一用户的历史推荐数据中挖掘用户对电子对象特定要素的偏好，从而可以将更符合用户爱好的电子对象推荐给用户。
其中，所述偏好值计算模型可以为长短期记忆（Long short-term memory，简称LSTM）计算模型或者为门递归单元（Gate Recurrent Unit，简称GRU）计算模型。
图3为本说明书LSTM计算模型的一种结构示意图。如图3所示，LSTM计算模型包含当前状态下数据的输入xt，还包含两个传输状态ct (cell state，单元状态)和ht（hiddenstate，隐藏状态），yt为当前状态下的输出，其中ct-1表示接收到的上一个节点的单元状态输入，通常ct改变得很慢，输出的ct是上一个状态传递的ct-1加上一些数值；ht-1表示接收到的上一个节点的隐藏状态输入。在LSTM计算模型中当前输入xt和上一个状态传递下来的ht -1拼接训练得到4个状态，分别为zf、zi、z0和z，其中，zf、zi、z0是xt和ht-1的拼接向量乘以权重矩阵后获取，取值在0-1之间，分别为一种门控状态，z0用于控制当前状态的输出。
LSTM计算模型的计算过程包括忘记阶段、选择记忆阶段和输出阶段，其中，忘记阶段主要是对上一个节点的输入进行选择性忘记，使用zf作为忘记门控；选择记忆阶段用于对当前输入进行有选择地记忆，使用zi作为记忆门控；输出阶段决定哪些会被当成当前状态的输出。在本实施例中，将从电子对象中提取的特征序列作为输入数据xt输入到LSTM计算模型中并且根据用户反馈对特征序列中的特征要素赋予用户偏好权重，例如对于特征序列中的第一特征要素，如果用户反馈为正向反馈则增加记忆门控参数zi的权重，其中记忆门控参数zi权重增加的幅度与用户正向反馈程度呈正相关关系；如果用户反馈为零或者负向反馈，则降低记忆门控参数zi的权重并增加忘记门控参数zf，在输出状态根据zi和zf确定第一特征要素的权重值，即第一用户对第一特征要素的偏好权重，基于LSTM计算模型分别对特征序列中的各个特征要素赋予用户偏好 权重。在一个具体示例中，基于LSTM计算模型计算第一用户对电子对象特定要素的偏好值，可选的，所述电子对象特定要素包括电子对象价值要素，所述价值要素可以包括电子对象定价、成本等。以定价特征为例，将不同定价的电子券特征作为输入向量输入到LSTM模型中，通过LSTM计算模型输出第一用户对各个定价电子券的不同偏好值，根据第一用户对不同定价电子券的偏好值挖掘出用户对电子券定价的偏好以及对价格敏感度，从而能够更为准确地匹配向第一用户推荐的电子券的定价。
在本实施例中，还可以使用GRU计算模型获取第一用户对电子对象特定要素的偏好值，GRU计算模型为LSTM的改进模型，计算原理相同，此处不再赘述。
步骤S204：根据第一用户的用户特征和第一用户对电子对象特定要素的偏好值，从候选电子对象中确定向第一用户推荐的电子对象。
其中，从候选电子对象中确定向第一用户推荐的电子对象可以是获取候选电子对象的特征，根据第一用户的用户特征、候选电子对象的特征以及第一用户对电子对象特定要素的偏好值，预测第一用户对候选电子对象的反馈分值；根据所述反馈分值确定向第一用户推荐的电子对象。在关注价值要素的电子对象示例中，根据第一用户对不同价值电子对象的反馈分值，可以将具有特定价值的电子对象推荐给第一用户。
在本实施例中，可以将第一用户的用户特征、候选电子对象的特征和第一用户对电子对象特定要素的偏好值输入到预测模型中，以基于所述预测模型的输出预测第一用户对候选电子对象的反馈分值，其中所述预测模型可以为Wide & Deep、DeepFM、Deep &Cross等计算模型。
图4为本说明书电子对象的推荐方法一个计算模型的示意图。如图4所示，该计算模型包括偏好值计算模型和预测模型，其中，偏好值计算模型的输入为从已为用户推荐的电子对象中提取的特征所组成的特征序列，其输出为用户对电子对象特定要素的偏好值；进一步，偏好值计算模型输出的用户对电子对象特定要素的偏好值连同用户特征和候选电子对象的特征作为预测模型的输入，并通过预测模型输出待推荐给用户的电子对象。
图5为本说明书电子对象的推荐方法一个具体示例的示意图。本实施例中，将具有一定定价的奖品券作为电子对象，具体的，提取已经向第一用户推荐过的各个奖品券中提取奖品特征，奖品特征中可以包括奖品标识、奖品定价和成本等，提取的各个奖品特征组合成奖品特征序列，其中可以按照向第一用户推荐各个奖品券的时间先后顺序将奖品特征组合成奖品特征序列，图5中以奖品1特征、奖品2特征……奖品6特征作为示例。在本实施例中奖品特征序列采用 sparse特征向量表示，进一步对sparse特征向量进行embedding，映射为较低维度的dense向量；将dense向量输入到偏好值计算模型，如LSTM或者GRU计算模型中以挖掘第一用户对历史推荐的奖品券的定价偏好值；然后，将偏好值计算模型的输出、用户特征以及候选待推荐的奖品券特征拼接输入到预测模型中，以通过预测模型从待推荐的奖品券中确定向用户推荐的奖品券，例如，在定价分别为1元、2元、5元和10元的奖品中，预测出第一用户对5元奖品券的反馈值最高，则可以将5元奖品券推荐给第一用户。
在本实施例中，利用之前推荐的奖品券信息构造序列化特征，通过embedding算法将高维sparse特征映射为较低维度的dense特征，节约了计算内存的消耗，利用LSTM/GRU等序列特征抽取网络挖掘用户对历史推荐的奖品券的反馈和对价格的喜好，可以在控制成本的前提下，更好地挖掘用户对价格的敏感程度，从而将更符合用户兴趣的奖品券推荐给用户。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
图6为本说明书电子对象的推荐装置一个实施例的结构示意图，如图6所示，上述电子对象的推荐装置可以包括：生成模块61、偏好值确定模块62和推荐模块63；
生成模块61，用于获取已为第一用户推荐的多个电子对象的特征，根据所述多个电子对象的特征生成特征序列；
偏好值确定模块62，用于根据所述特征序列确定第一用户对电子对象特定要素的偏好值；
推荐模块63，用于根据所述第一用户的用户特征和所述第一用户对电子对象特定要素的偏好值，从候选电子对象中确定向第一用户推荐的电子对象。
图6所示实施例提供的电子对象的推荐装置可用于执行本说明书图1所示方法实施例的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述。
图7为本说明书电子对象的推荐装置另一个实施例的结构示意图，与图6所示的电子对象的推荐装置相比，图7所示的电子对象的推荐装置中，所述生成模块61，具体用于从所述多个电子对象中选取具有预定用户反馈的电子对象；基于具有预定用户反馈的电子对象的特征生成所述特征序列。
在本实施例中，所述预定用户反馈包括：点击、收藏或者使用。
在本实施例中，所述生成模块61，具体用于将具有预定用户反馈的电子对象的特征按照向用户推荐的时间顺序排列以生成所述特征序列。
在本实施例中，所述偏好值确定模块，具体用于将所述特征序列作为输入向量输入到偏好值计算模型中，基于所述偏好值计算模型的输出获取第一用户对电子对象特定要素的偏好值。
在本实施例中，所述电子对象特定要素包括电子对象价值要素。
在本实施例中，所述偏好值计算模型为长短期记忆 LSTM计算模型或者为门递归单元GRU计算模型。
在本实施例中，所述装置还包括：降维模块71；所述降维模块71，用于在将所述特征序列作为输入向量输入到偏好值计算模型之前，基于嵌入embedding算法对所述特征序列降维为稠密dense向量。
在本实施例中，所述推荐模块63，具体用于获取所述候选电子对象的特征；根据所述第一用户的用户特征、所述候选电子对象的特征以及第一用户对电子对象特定要素的偏好值，预测第一用户对候选电子对象的反馈分值；根据所述反馈分值确定向第一用户推荐的电子对象。
在本实施例中，所述推荐模块63，具体用于根据所述反馈分值确定向第一用户推荐具有特定价值的电子对象。
图7所示实施例提供的电子对象的推荐装置可用于执行本申请图1~图5所示方法实施例的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述。
图8为本说明书电子设备一个实施例的结构示意图，如图8所示，上述电子设备可以包括至少一个处理器；以及与上述处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，上述处理器调用上述程序指令能够执行本说明书图1~图5所示实施例提供的电子对象的推荐方法。
其中，上述电子设备可以为能够独立进行电子对象推荐的本地终端，也可以为通过网络执行电子对象推荐方法的云端服务器，本说明书实施例对上述电子设备的具体形式不作限定。
图8示出了适于用来实现本说明书实施方式的示例性电子设备的框图。图8显示的电子设备仅仅是一个示例，不应对本说明书实施例的功能和使用范围带来任何限制。
如图8所示，电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：一个或者多个处理器410，存储器430，连接不同系统组件（包括存储器430和处理单元410）的通信总线440。
通信总线440表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构（Industry StandardArchitecture；以下简称：ISA）总线，微通道体系结构（Micro Channel Architecture；以下简称：MAC）总线，增强型ISA总线、视频电子标准协会（Video Electronics StandardsAssociation；以下简称：VESA）局域总线以及外围组件互连（Peripheral ComponentInterconnection；以下简称：PCI）总线。
电子设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器430可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（Random Access Memory；以下简称：RAM）和/或高速缓存存储器。电子设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。存储器430可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本说明书各实施例的功能。
具有一组（至少一个）程序模块的程序/实用工具，可以存储在存储器430中，这样的程序模块包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块通常执行本说明书所描述的实施例中的功能和/或方法。
处理器410通过运行存储在存储器430中的程序，从而执行各种功能应用以及数据处理，例如实现本说明书图1~图5所示实施例提供的电子对象的推荐方法。
本说明书实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行本说明书图1~图5所示实施例提供的电子对象的推荐方法。
上述非暂态计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器（Read Only Memory；以下简称：ROM）、可擦式可编程只读存储器（Erasable ProgrammableRead Only Memory；以下简称：EPROM）或闪存、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本说明书的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本说明书的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本说明书的实施例所属技术领域的技术人员所理解。
需要说明的是，本说明书实施例中所涉及的终端可以包括但不限于个人计算机（Personal Computer；以下简称：PC）、个人数字助理（Personal Digital Assistant；以下简称：PDA）、无线手持设备、平板电脑（Tablet Computer）、手机、MP3播放器、MP4播放器等。
在本说明书所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本说明书各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置（可以是个人计算机，服务器，或者网络装置等）或处理器（Processor）执行本说明书各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory；以下简称：ROM）、随机存取存储器（Random Access Memory；以下简称：RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。

Claims (22)

1.一种电子对象的推荐方法，其特征在于，包括：
获取已为第一用户推荐的多个电子对象的特征，根据所述多个电子对象的特征生成特征序列；
根据所述特征序列确定第一用户对电子对象特定要素的偏好值；
根据所述第一用户的用户特征和所述第一用户对电子对象特定要素的偏好值，从候选电子对象中确定向第一用户推荐的电子对象。
2.根据权利要求1所述的方法，其特征在于，根据所述多个电子对象的特征生成特征序列，包括：
从所述多个电子对象中选取具有预定用户反馈的电子对象；
基于具有预定用户反馈的电子对象的特征生成所述特征序列。
3.根据权利要求2所述的方法，其特征在于，所述预定用户反馈包括：点击、收藏或者使用。
4.根据权利要求2所述的方法，其特征在于，基于具有预定用户反馈的电子对象的特征生成所述特征序列，包括：
将具有预定用户反馈的电子对象的特征按照向用户推荐的时间顺序排列以生成所述特征序列。
5.根据权利要求1所述的方法，其特征在于，根据所述特征序列确定第一用户对电子对象特定要素的偏好值，包括：
将所述特征序列作为输入向量输入到偏好值计算模型中，基于所述偏好值计算模型的输出获取第一用户对电子对象特定要素的偏好值。
6.根据权利要求5所述的方法，其特征在于，所述电子对象特定要素包括电子对象价值要素。
7.根据权利要求5所述的方法，其特征在于，所述偏好值计算模型为长短期记忆 LSTM计算模型或者为门递归单元GRU计算模型。
8.根据权利要求5所述的方法，其特征在于，在将所述特征序列作为输入向量输入到偏好值计算模型之前，还包括：
基于嵌入embedding算法对所述特征序列降维为稠密dense向量。
9.根据权利要求1至8中任一项所述的方法，其特征在于，从候选电子对象中确定向第一用户推荐的电子对象，包括：
获取所述候选电子对象的特征；
根据所述第一用户的用户特征、所述候选电子对象的特征以及第一用户对电子对象特定要素的偏好值，预测第一用户对候选电子对象的反馈分值；
根据所述反馈分值确定向第一用户推荐的电子对象。
10.根据权利要求9所述的方法，其特征在于，根据所述反馈分值确定向第一用户推荐的电子对象，包括：
根据所述反馈分值确定向第一用户推荐具有特定价值的电子对象。
11.一种电子对象的推荐方装置，其特征在于，包括：
生成模块，用于获取已为第一用户推荐的多个电子对象的特征，根据所述多个电子对象的特征生成特征序列；
偏好值确定模块，用于根据所述特征序列确定第一用户对电子对象特定要素的偏好值；
推荐模块，用于根据所述第一用户的用户特征和所述第一用户对电子对象特定要素的偏好值，从候选电子对象中确定向第一用户推荐的电子对象。
12.根据权利要求11所述的装置，其特征在于，
所述生成模块，具体用于从所述多个电子对象中选取具有预定用户反馈的电子对象；基于具有预定用户反馈的电子对象的特征生成所述特征序列。
13.根据权利要求12所述的装置，其特征在于，所述预定用户反馈包括：点击、收藏或者使用。
14.根据权利要求12所述的装置，其特征在于，
所述生成模块，具体用于将具有预定用户反馈的电子对象的特征按照向用户推荐的时间顺序排列以生成所述特征序列。
15.根据权利要求11所述的装置，其特征在于，
所述偏好值确定模块，具体用于将所述特征序列作为输入向量输入到偏好值计算模型中，基于所述偏好值计算模型的输出获取第一用户对电子对象特定要素的偏好值。
16.根据权利要求15所述的装置，其特征在于，所述电子对象特定要素包括电子对象价值要素。
17.根据权利要求15所述的装置，其特征在于，所述偏好值计算模型为长短期记忆LSTM计算模型或者为门递归单元GRU计算模型。
18.根据权利要求15所述的装置，其特征在于，所述装置还包括：降维模块；
所述降维模块，用于在将所述特征序列作为输入向量输入到偏好值计算模型之前，基于嵌入embedding算法对所述特征序列降维为稠密dense向量。
19.根据权利要求11至18中任一项所述的装置，其特征在于，
所述推荐模块，具体用于获取所述候选电子对象的特征；根据所述第一用户的用户特征、所述候选电子对象的特征以及第一用户对电子对象特定要素的偏好值，预测第一用户对候选电子对象的反馈分值；根据所述反馈分值确定向第一用户推荐的电子对象。
20.根据权利要求19所述的装置，其特征在于，
所述推荐模块，具体用于根据所述反馈分值确定向第一用户推荐具有特定价值的电子对象。
21.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至10任一所述的方法。
22.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至10任一所述的方法。
CN202010411098.5A 2020-05-15 2020-05-15 电子对象的推荐方法、装置和电子设备 Pending CN111339432A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010411098.5A CN111339432A (zh) 2020-05-15 2020-05-15 电子对象的推荐方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010411098.5A CN111339432A (zh) 2020-05-15 2020-05-15 电子对象的推荐方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN111339432A true CN111339432A (zh) 2020-06-26

Family

ID=71182941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010411098.5A Pending CN111339432A (zh) 2020-05-15 2020-05-15 电子对象的推荐方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN111339432A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991026A (zh) * 2021-05-08 2021-06-18 明品云(北京)数据科技有限公司 一种商品推荐方法、系统、设备及计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107808314A (zh) * 2016-09-09 2018-03-16 腾讯科技（深圳）有限公司 用户推荐方法及装置
CN110348964A (zh) * 2019-07-09 2019-10-18 葛晓滨 一种基于多感知的智慧化电子商务推荐方法
US20190325490A1 (en) * 2018-04-20 2019-10-24 Ebay Inc. Utility-based price guidance
CN110880127A (zh) * 2019-10-24 2020-03-13 北京三快在线科技有限公司 消费水平的预测方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107808314A (zh) * 2016-09-09 2018-03-16 腾讯科技（深圳）有限公司 用户推荐方法及装置
US20190325490A1 (en) * 2018-04-20 2019-10-24 Ebay Inc. Utility-based price guidance
CN110348964A (zh) * 2019-07-09 2019-10-18 葛晓滨 一种基于多感知的智慧化电子商务推荐方法
CN110880127A (zh) * 2019-10-24 2020-03-13 北京三快在线科技有限公司 消费水平的预测方法、装置、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991026A (zh) * 2021-05-08 2021-06-18 明品云(北京)数据科技有限公司 一种商品推荐方法、系统、设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN109492772B (zh) 生成信息的方法和装置
CN107103036B (zh) 应用下载概率的获取方法、设备及可编程设备
CN110008973B (zh) 一种模型训练方法、基于模型确定目标用户的方法及装置
CN116541610B (zh) 一种推荐模型的训练方法及装置
CN112887371B (zh) 边缘计算方法、装置、计算机设备及存储介质
CN113763019A (zh) 一种用户信息管理方法和装置
CN112836128A (zh) 信息推荐方法、装置、设备和存储介质
CN113065882A (zh) 一种商品处理方法、装置及电子设备
CN113780479A (zh) 周期预测模型的训练方法及装置、周期预测方法、设备
CN111325614B (zh) 电子对象的推荐方法、装置和电子设备
CN115935185A (zh) 一种推荐模型的训练方法及装置
CN110197317B (zh) 目标用户确定方法及装置、电子设备及存储介质
CN113034168A (zh) 内容项投放方法、装置、计算机设备及存储介质
CN111191677A (zh) 用户特征数据生成方法、装置及电子设备
CN113792952A (zh) 用于生成模型的方法和装置
CN111339432A (zh) 电子对象的推荐方法、装置和电子设备
CN116578400A (zh) 多任务数据处理方法和装置
CN111026973A (zh) 一种商品兴趣度预测方法、装置及电子设备
CN114625876B (zh) 作者特征模型的生成方法、作者信息处理方法和装置
CN111768218A (zh) 用于处理用户交互信息的方法和装置
CN112860999B (zh) 信息推荐方法、装置、设备和存储介质
CN115129997A (zh) 一种内容检测方法、装置及设备
CN110442767B (zh) 一种确定内容互动平台标签的方法、装置及可读存储介质
CN115994807A (zh) 一种物料推荐方法、装置及系统
CN111105274A (zh) 数据处理方法、装置、介质及电子设备

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: 20200626

RJ01 Rejection of invention patent application after publication