CN111553766B - 商品推荐方法、装置、设备及介质 - Google Patents

Abstract

本申请公开了一种商品推荐方法、装置、设备及计算机可读存储介质，方法包括：输入包含多个特征的数据集，对特征进行映射得到特征向量；利用全连接层计算每个特征向量对应的输入感知权重因子，通过输入感知权重因子得到向量层面调整后特征向量；根据向量层面调整后用户特征向量和向量层面调整后商品特征向量得到交互向量，根据交互向量对向量层面后特征向量进行位层面筛选，得到位层面调整后特征向量集合；将位层面调整后特征向量输入到因子分解机模型得到商品的推荐值，按照推荐值由大到小的顺序为用户推荐前N个商品。本申请公开的上述技术方案，从向量层面和位层面对特征向量进行调整，以提高推荐值预测的准确性，从而提高商品推荐的准确性。

Description

商品推荐方法、装置、设备及介质

技术领域

本申请涉及稀疏数据预测技术领域，更具体地说，涉及一种商品推荐方法、装置、设备及计算机可读存储介质。

背景技术

预测分析在信息检索和数据挖掘等任务中起着至关重要的作用，包括推荐系统、广告点击、商品推荐等。对于商品推荐，在量化用户对于商品购买的可能性时，除了使用用户编号和商品编号这两个最关键的信息外，辅助信息(例如年龄、性别、品牌等)也有很大的帮助，而因子分解机是一类通用且有效的预测方法，其通过考虑用户、商品和辅助信息之间的交互作用来实现稀疏数据预测。

目前，出现了许多基于深度学习模型的因子分解机模型来进行商品购买可能性的预测，并根据预测得到的可能性进行商品推荐，其中，对于商品购买可能性的预测，它们中的大多数从改善交互的角度优化因式分解机，具体包括：通过组合低阶和高阶特征交互来优化传统的因式分解机、通过引入多层感知机将因式分解机扩展到更高阶的交互、通过注意机制分配不同的权重来组合二阶交互，但是，这些方法均隐式地假定同一个特征在不同的输入实例中具有不变的表示能力，而固定的特征表示极大地限制了预测的准确性，甚至可能会引入噪声，从而产生不利影响；另外，有人还提出了输入感知的因式分解机，从输入角度改善因式分解机，但是，其仅在向量层面上调节了特征表示，而这是不充分的，甚至可能会引入因输入实例的过度适应而引起噪声，从而会降低预测的准确性，而预测准确性的降低则会导致商品推荐的准确性降低。

综上所述，如何提高商品推荐的准确性，是目前本领域技术人员亟待解决的技术问题。

发明内容

有鉴于此，本申请的目的是提供一种商品推荐方法、装置、设备及计算机可读存储介质，用于提高商品推荐的准确性。

为了实现上述目的，本申请提供如下技术方案：

一种商品推荐方法，包括：

输入包含有多个特征的数据集，对每个所述特征进行映射，得到特征向量；所述特征内包括用户编码、商品编码、用户和/或商品的辅助信息，所述特征向量包括用户特征向量、商品特征向量和辅助信息特征向量；

利用全连接层计算得到每个所述特征向量对应的输入感知权重因子，并通过所述输入感知权重因子对对应的所述特征向量进行调整，得到向量层面调整后特征向量；

根据向量层面调整后用户特征向量和向量层面调整后商品特征向量计算得到交互向量，并根据所述交互向量对所述向量层面调整后特征向量进行位层面筛选，得到位层面调整后特征向量集合；

将所述位层面调整后特征向量集合输入到因子分解机模型，以得到商品的推荐值，并按照推荐值由大到小的顺序为用户推荐前N个商品，N为正整数。

优选的，利用全连接层计算得到每个所述特征向量对应的输入感知权重因子，并通过所述输入感知权重因子对对应的所述特征向量进行调整，得到向量层面调整后特征向量，包括：

利用r_x＝z_L＝σ_L(W_Lz_L-1+b_L)得到所述全连接层的输出向量r_x，并利用m′_x＝r_xP及得到输入感知权重因子m_x,i，且利用a_i＝m_x,iv_i对应得到所述向量层面调整后特征向量；

其中，z_L-1＝σ_L-1(W_L-1z_L-2+b_L-1)，z₁＝σ₁(W₁e_x+b₁)，z_L为所述全连接层的输出，e_x为将所有的所述特征向量连接在一起得到的向量，L为隐藏层数，W_L为第L层的权重，b_L为第L层的偏置，W_L-1为第L-1层的权重，b_L-1为第L-1层的偏置，σ为激活函数，P∈R^t×h，P为权重矩阵，h为非零特征向量的数量，m′_x为h维向量，m′_x,i为m′_x中与第i个特征向量v_i对应的数值，v_i为第i个特征向量，a_i为第i个向量层面调整后特征向量。

优选的，在利用全连接层计算得到每个所述特征向量对应的输入感知权重因子之后，且在通过所述输入感知权重因子对对应的所述特征向量进行调整之前，还包括：

利用softmax函数对得到的所述输入感知权重因子进行归一化处理。

优选的，根据向量层面调整后用户特征向量和向量层面调整后商品特征向量得到交互向量，并根据所述交互向量对所述向量层面调整后特征向量进行位层面筛选，得到位层面调整后特征向量集合，包括：

利用得到所述交互向量a_ue,it，并利用得到所述位层面调整后特征向量集合特征向量O_x；

其中，a_ue为向量层面调整后用户特征向量，a_it为向量层面调整后商品特征向量，σ'为S型函数，A_x＝{a_i}，W_g1∈R^d×d、W_g2∈R^d×d且W_g1和W_g2均为对应的权重，b'为偏置，O_x＝{o_i}。

优选的，将所述位层面调整后特征向量集合输入到因子分解机模型，以得到用户与商品之间的交互性评分，包括：

根据

得到商品的推荐值

其中，w₀为全局偏置，w_i为第i个特征的权重，x_i为第i个特征，x_j为第j个特征，f(v_i)＝o_i，f(v_j)＝o_j，v_i为映射得到的第i个特征向量，v_j为映射得到的第j个特征向量。

一种商品推荐装置，包括：

映射模块，用于输入包含有多个特征的数据集，对每个所述特征进行映射，得到特征向量；所述特征内包括用户编码、商品编码、用户和/或商品的辅助信息，所述特征向量包括用户特征向量、商品特征向量和辅助信息特征向量；

第一计算模块，用于利用全连接层计算得到每个所述特征向量对应的输入感知权重因子，并通过所述输入感知权重因子对对应的所述特征向量进行调整，得到向量层面调整后特征向量；

第二计算模块，用于根据向量层面调整后用户特征向量和向量层面调整后商品特征向量得到交互向量，并根据所述交互向量对所述向量层面调整后特征向量进行位层面筛选，得到位层面调整后特征向量集合；

推荐模块，用于将所述位层面调整后特征向量集合输入到因子分解机模型，以得到商品的推荐值，并按照推荐值由大到小的顺序为用户推荐前N个商品，N为正整数。

优选的，所述第一计算包括：

第一计算单元，用于利用r_x＝z_L＝σ_L(W_Lz_L-1+b_L)得到所述全连接层的输出向量r_x，并利用m′_x＝r_xP及得到输入感知权重因子m_x,i，且利用a_i＝m_x,iv_i对应得到所述向量层面调整后特征向量；

其中，z_L-1＝σ_L-1(W_L-1z_L-2+b_L-1)，z₁＝σ₁(W₁e_x+b₁)，z_L为所述全连接层的输出，e_x为将所有的所述特征向量连接在一起得到的向量，L为隐藏层数，W_L为第L层的权重，b_L为第L层的偏置，W_L-1为第L-1层的权重，b_L-1为第L-1层的偏置，σ为激活函数，P∈R^t×h，P为权重矩阵，h为非零特征向量的数量，m′_x为h维向量，m′_x,i为m′_x中与第i个特征向量v_i对应的数值，v_i为第i个特征向量，a_i为第i个向量层面调整后特征向量。

优选的，还包括：

归一化处理模块，用于在利用全连接层计算得到每个所述特征向量对应的输入感知权重因子之后，且在通过所述输入感知权重因子对对应的所述特征向量进行调整之前，利用softmax函数对得到的所述输入感知权重因子进行归一化处理。

一种商品推荐设备，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上述任一项所述的商品推荐方法的步骤。

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上述任一项所述的商品推荐方法的步骤。

本申请提供了一种商品推荐方法、装置、设备及计算机可读存储介质，其中，该方法包括：输入包含多个特征的数据集，对每个特征进行映射，得到特征向量；特征内包括用户编码、商品编码、用户和/或商品的辅助信息，特征向量包括用户特征向量、商品特征向量和辅助信息特征向量；利用全连接层计算得到每个特征向量对应的输入感知权重因子，并通过输入感知权重因子对对应的特征向量进行调整，得到向量层面调整后特征向量；根据向量层面调整后用户特征向量和向量层面调整后商品特征向量计算得到交互向量，并根据交互向量对向量层面后特征向量进行位层面筛选，得到位层面调整后特征向量集合；将位层面调整后特征向量输入到因子分解机模型，以得到商品的推荐值，并按照推荐值由大到小的顺序为用户推荐前N个商品，N为正整数。

本申请公开的上述技术方案，利用全连接层计算出特征向量对应的输入感知权重因子，并利用输入感知权重因子对对应的特征向量进行向量层面的调整，同时根据向量层面调整后用户特征向量和向量层面调整后商品特征向量计算得到交互向量，并根据交互向量对向量层面调整后特征向量进行位层面筛选，之后，则将经过向量层面调整和位层面调整得到的位层面调整后特征向量集合输入到因子分解机模型中进行预测以得到商品的推荐值，由于其可以利用输入感知权重因子使所得到的向量层面调整后特征向量适应不同的输入实例，且可以通过交互向量对向量层面调整后特征向量进行位层面筛选而实现在位层面上优化特征向量，并过滤由输入实例的过度适应而引起的噪声，因此，则可以提高商品推荐值预测的准确性，相应地，在按照推荐值由小到大的顺序为用户进行商品推荐时则可以提高商品推荐的准确性。

附图说明

为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种商品推荐方法的流程图；

图2为本申请实施例提供的商品推荐框架图；

图3为本申请实施例提供的向量层面调整网络图；

图4为本申请实施例提供的位层面调整门框图；

图5为本申请实施例提供的一种商品推荐装置的结构示意图；

图6为本申请实施例提供的一种商品推荐设备的结构示意图。

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，所描述的实施例仅仅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，都属于本申请保护的范围。

参见图1和图2，其中，图1示出了本申请实施例提供的一种商品推荐方法的流程图，图2示出了本申请实施例提供的本申请实施例提供的商品推荐框架图。本申请实施例提供的一种商品推荐方法，可以包括：

S11：输入包含有多个特征的数据集，对每个特征进行映射，得到特征向量；

其中，特征内可以包括用户编码、商品编码、用户和/或商品的辅助信息，特征向量可以包括用户特征向量、商品特征向量和辅助信息特征向量。

输入包含有多个特征x的数据集，其中，特征x中包含用户编码、商品编码、用户和/或商品的辅助信息，用户和/或商品的辅助信息包括用户年龄、用户性别、商品品牌等，其具体对应图2中的输入由特征构成的向量一层的内容。

在输入数据集之后，对每个特征进行映射，以得到特征向量v_i，v_i∈R^d，d为嵌入维度，其中，特征向量包括用户特征向量v_ue、商品特征向量v_it和辅助特征信息向量v₄、v₇、…，其中，v₄、v₇、…分别对应不同的辅助信息特征向量，例如：v₄代表用户年龄特征向量、v₇代表用户性别特征向量等，这一过程具体对应的图2中的嵌入层，另外，在图2中，还包括对由特征构成的向量进行线性处理的线性回归部分，其中，这部分内容与因子分解机中的线性部分相对应。

需要说明的是，由于特征x的稀疏性，这里在对每个特征进行映射之前，可以剔除数据中的零特征，即仅对非零特征进行映射，以得到非零特征向量，并可以对应得到非零特征向量集合V_x，从而降低后续的计算量。

S12：利用全连接层计算得到每个特征向量对应的输入感知权重因子，并通过输入感知权重因子对对应的特征向量进行调整，得到向量层面调整后特征向量。

在得到特征向量之后，可以对特征向量进行向量层面的调整，以使得同一特征在不同的输入实例中具有不同的表示形式，从而使得同一特征在不同的输入实例中具有不同的预测性能，以便于提高预测的准确性。具体地，可以利用全连接层计算得到每个特征向量对应的输入感知权重因子，该输入感知权重因子可以使每个特征在不同的输入中具有不同的贡献，之后，可以通过所计算得到的输入感知权重因子对与其对应的特征向量进行调整，以得到向量层面调整后特征向量，即对应得到向量层面调整后用户特征向量、向量层面调整后商品特征向量和向量层面调整后辅助信息特征向量。

S13：根据向量层面调整后用户特征向量和向量层面调整后商品特征向量计算得到交互向量，并根据交互向量对向量层面调整后特征向量进行位层面筛选，得到位层面调整后特征向量集合。

在得到向量层面调整后特征向量之后，可以对每个向量层面调整后特征向量进行位层面调整，以不仅实现从向量层面对特征向量进行调整，而且实现从位层面对特征向量进行调整，即实现从向量层面和位层面对特征的调整，从而充分地实现对特征的调整，并通过位层面的调整过滤掉由输入实例的过度适应而引起的噪声，从而便于提高预测的准确性。

具体地，在使用因子分解机模型进行预测时，并非所有特征都具有同等重要的地位，对于商品购买，我们关心的是用户是否购买(或点击)某个商品，而辅助信息仅仅是相关条件，因此，用户编号和商品编号比辅助信息有着更高的贡献，基于此，在进行位层面进行调整时，为了在用户和商品交互的位层面上对向量层面调整后特征向量进行优化，则根据向量层面调整后用户特征向量和向量层面调整后商品特征向量计算得到交互向量，并根据交互向量对向量层面调整后特征向量进行位层面筛选，具体为根据交互向量对向量层面调整后特征向量集合进行位层面筛选，以得到位层面调整后特征向量集合，并通过位层面筛选过滤掉由输入实例过度适应引起的噪声，从而便于提高商品推荐值预测的准确性。

S14：将位层面调整后特征向量集合输入到因子分解机模型，以得到商品的推荐值，并按照推荐值由大到小的顺序为用户推荐前N个商品。

其中，N为正整数。

在得到位层面调整后特征向量集合之后，可以将位层面调整后特征向量输入到因子分解机模型中，以利用因子分解机模型得到商品的推荐值。在得到各商品的推荐值之后，可以按照推荐值由大到小的顺序对商品进行排列，并推荐值由大到小的顺序为用户推荐排在前N(N为正整数)位的商品。

由于通过上述过程可以提高对商品推荐值预测的准确性，因此，则可以提高商品按照推荐值由大到小的排序的准确性，从而可以提高对用户进行商品推荐的准确性。

本申请公开的上述技术方案，利用全连接层计算出特征向量对应的输入感知权重因子，并利用输入感知权重因子对对应的特征向量进行向量层面的调整，同时根据向量层面调整后用户特征向量和向量层面调整后商品特征向量计算得到交互向量，并根据交互向量对向量层面调整后特征向量进行位层面筛选，之后，则将经过向量层面调整和位层面调整得到的位层面调整后特征向量集合输入到因子分解机模型中进行预测以得到商品的推荐值，由于其可以利用输入感知权重因子使所得到的向量层面调整后特征向量适应不同的输入实例，且可以通过交互向量对向量层面调整后特征向量进行位层面筛选而实现在位层面上优化特征向量，并过滤由输入实例的过度适应而引起的噪声，因此，则可以提高商品推荐值预测的准确性，相应地，在按照推荐值由小到大的顺序为用户进行商品推荐时则可以提高商品推荐的准确性。

参见图3，其示出了本申请实施例提供的向量层面调整网络图。本申请实施例提供的一种商品推荐方法，利用全连接层计算得到每个特征向量对应的输入感知权重因子，并通过输入感知权重因子对对应的特征向量进行调整，得到向量层面调整后特征向量，可以包括：

利用r_x＝z_L＝σ_L(W_Lz_L-1+b_L)得到全连接层的输出向量r_x，并利用m′_x＝r_xP及得到输入感知权重因子m_x,i，且利用a_i＝m_x,iv_i对应得到向量层面调整后特征向量；

其中，z_L-1＝σ_L-1(W_L-1z_L-2+b_L-1)，z₁＝σ₁(W₁e_x+b₁)，z_L为全连接层的输出，e_x为将所有的特征向量连接在一起得到的向量，L为隐藏层数，W_L为第L层的权重，b_L为第L层的偏置，W_L-1为第L-1层的权重，b_L-1为第L-1层的偏置，σ为激活函数，P∈R^t×h，P为权重矩阵，h为非零特征向量的数量，m′_x为h维向量，m′_x,i为m′_x中与第i个特征向量v_i对应的数值，v_i为第i个特征向量，a_i为第i个向量层面调整后特征向量。

在对特征向量进行向量层面的调整时，可以利用全连接层计算出输入感知权重因子，其中，全连接层中的这些层可以为每个特征向量分配不同的权重。

具体地，可以将V_x中非零的特征向量连接为一个向量e_x，即对应图3中的连接层，需要说明的是，图3中仅显示了非零特征。连接得到向量e_x之后，可以利用全连接层来获得混合输入表示r_x，它等于连接层的输出(即r_x为全连接层的输出向量)：

z₁＝σ₁(W₁e_x+b₁),

z₂＝σ₂(W₂z₁+b₂),

……

r_x＝z_L＝σ_L(W_Lz_L-1+b_L)

其中，r_x∈R^t，其表示最后一个隐藏层中的神经元个数，L为隐藏层数，W₁为第1层的权重，b₁为第1层的偏置，σ为激活函数，z₁为第一层的输出向量，W₂为第2层的权重，b₂为第2层的偏置，z₂为第二层的输出向量。

在计算得到全连接层的输出向量r_x之后，可以利用全连接层的输出向量r_x进行输入感知权重因子的学习，具体地，可以利用如下公式计算得到输入感知权重因子m_x,i：

m′_x＝r_xP,P∈R^t×h

其中，P为权重矩阵，它将r_x转换为h维向量m′_x，h为非零特征向量的数量。

在计算得到输入感知权重因子m_x,i之后，则可以利用a_i＝m_x,iv_i对应得到所述向量层面调整后特征向量，其中，v_i为第i个特征向量，a_i为第i个向量层面调整后特征向量，即可以利用a_i＝m_x,iv_i对应得到向量层面调整后用户特征向量a_ue、向量层面调整后商品特征向量a_it、向量层面调整后辅助信息特征向量a₄、a₇、…。

本申请实施例提供的一种商品推荐方法，在利用全连接层计算得到每个特征向量对应的输入感知权重因子之后，且在通过输入感知权重因子对对应的特征向量进行调整之前，还可以包括：

利用softmax函数对得到的输入感知权重因子进行归一化处理。

在利用全连接层计算得到每个特征向量对应的输入感知权重因子之后，且在通过输入感知权重因子对对应的特征向量进行调整之前，可以利用softmax函数(即对应图3中的softmax层)对得到的输入感知权重因子进行归一化处理，以对输入感知权重因子起到约束的作用，从而将所有输入感知权重因子的和限定在一定范围内，以避免所有输入感知权重因子的和过大。

参见图4，其示出了本申请实施例提供的位层面调整门框图。本申请实施例提供的一种商品推荐方法，根据向量层面调整后用户特征向量和向量层面调整后商品特征向量得到交互向量，并根据交互向量对向量层面调整后特征向量进行位层面筛选，得到位层面调整后特征向量集合，可以包括：

利用得到交互向量a_ue,it，并利用得到位层面调整后特征向量集合特征向量O_x；

其中，a_ue为向量层面调整后用户特征向量，a_it为向量层面调整后商品特征向量，σ'为S型函数，A_x＝{a_i}，W_g1∈R^d×d、W_g2∈R^d×d且W_g1和W_g2均为对应的权重，b'为偏置，O_x＝{o_i}。

在对向量层面调整后特征向量进行位层面的调整时，可以受HGN框架的启发并基于用户编号和商品编号比辅助信息有着更高的贡献而设计用户-商品交互定制门，以通过所设计的用户-商品交互定制门实现在位层面上优化特征向量的表示，并过滤由输入实例的过度适应而引起的噪声。

具体地，可以利用得到用户和商品的交互向量a_ue,it，其中，a_ue为向量层面调整后用户特征向量，a_it为向量层面调整后商品特征向量，该交互向量a_ue,it用于过滤与用户和商品交互真正相关的特征信息。

在得到交互向量a_ue,it之后，则可以根据交互向量a_ue,it得到交互感知门结构(即图4中的位层面感知门)：其中，A_x＝{a_i}，其是从向量层面调整得到的，W_g1∈R^d×d、W_g2∈R^d×d且W_g1、W_g2及b'分别为可学习的权重和偏置(其中，W_g1为A_x对应的权重，W_g2为a_ue,it对应的权重)，O_x是向量层面调整和位层面调整后的特征向量表示，A_x为输入，O_x为输出，σ'为S型函数，W_g2·a_ue,it用于过滤与用户和商品交互真正相关的特征信息，/>表示按向量包含的元素乘积。

本申请实施例提供的一种商品推荐方法，将位层面调整后特征向量集合输入到因子分解机模型，以得到用户与商品之间的交互性评分，可以包括：

根据

得到商品的推荐值分

其中，w₀为全局偏置，w_i为第i个特征的权重，x_i为第i个特征，x_j为第j个特征，f(v_i)＝o_i，f(v_j)＝o_j，v_i为映射得到的第i个特征向量，v_j为映射得到的第j个特征向量。

在对特征向量进行向量层面和位层面调整而得到位层面调整后特征向量集合之后，可以将位层面调整后特征向量集合输入到因子分解机模型中，并根据

得到商品的推荐值其中，w₀为全局偏置，w_i为第i个特征的权重，x_i为第i个特征，x_j为第j个特征，f(v_i)＝o_i，f(v_j)＝o_j，f(v_i)＝o_i，f(v_j)＝o_j，v_i为映射得到的第i个特征向量，v_j为映射得到的第j个特征向量。

通过可以将该层的运行时间减少至线性时间复杂度O(kn)，从而降低商品的推荐值的计算复杂度和计算时间。

另外，上述的FaFM表示为特征调整因子分级机模型，FaFM可应用于许多预测任务，例如回归、分类和排名，具体来说，对于回归，通常的做法是使用平方损失作为目标函数：其中，x为训练数据，/>和y(x)分别表示预测标签和目标标签。对于分类任务，hinge损失或对数损失均可用作损失函数。成对个性化排名损失是用于排名任务的可选损失。而对于本申请而言，其主要集中在回归任务上，因此，可以采用平方损失来对上述过程进行优化。

本申请实施例还提供了一种商品推荐装置，参见图5，其示出了本申请实施例提供的一种商品推荐装置的结构示意图，可以包括：

映射模块51，用于输入包含有多个特征的数据集，对每个特征进行映射，得到特征向量；特征内可以包括用户编码、商品编码和辅助信息，特征向量可以包括用户特征向量、商品特征向量和辅助信息特征向量；

第一计算模块52，用于利用全连接层计算得到每个特征向量对应的输入感知权重因子，并通过输入感知权重因子对对应的特征向量进行调整，得到向量层面调整后特征向量；

第二计算模块53，用于根据向量层面调整后用户特征向量和向量层面调整后商品特征向量得到交互向量，并根据交互向量对向量层面调整后特征向量进行位层面筛选，得到位层面调整后特征向量集合；

推荐模块54，用于将位层面调整后特征向量集合输入到因子分解机模型，以得到用户与商品之间的交互性评分。

本申请实施例提供的一种商品推荐装置，第一计算52可以包括：

第一计算单元，用于利用r_x＝z_L＝σ_L(W_Lz_L-1+b_L)得到全连接层的输出向量r_x，并利用m′_x＝r_xP及得到输入感知权重因子m_x,i，且利用a_i＝m_x,iv_i对应得到向量层面调整后特征向量；

其中，z_L-1＝σ_L-1(W_L-1z_L-2+b_L-1)，z₁＝σ₁(W₁e_x+b₁)，z_L为全连接层的输出，e_x为将所有的特征向量连接在一起得到的向量，L为隐藏层数，W_L为第L层的权重，b_L为第L层的偏置，W_L-1为第L-1层的权重，b_L-1为第L-1层的偏置，σ为激活函数，P∈R^t×h，P为权重矩阵，h为非零特征向量的数量，m′_x为h维向量，m′_x,i为m′_x中与第i个特征向量v_i对应的数值，v_i为第i个特征向量，a_i为第i个向量层面调整后特征向量。

本申请实施例提供的一种商品推荐装置，还可以包括：

归一化处理模块，用于在利用全连接层计算得到每个特征向量对应的输入感知权重因子之后，且在通过输入感知权重因子对对应的特征向量进行调整之前，利用softmax函数对得到的输入感知权重因子进行归一化处理。

本申请实施例提供的一种商品推荐装置，第二计算模块53可以包括：

第二计算单元，用于利用得到交互向量a_ue,it，并利用得到位层面调整后特征向量集合特征向量O_x；

其中，a_ue为向量层面调整后用户特征向量，a_it为向量层面调整后商品特征向量，σ'为S型函数，A_x＝{a_i}，W_g1∈R^d×d、W_g2∈R^d×d且W_g1和W_g2均为对应的权重，b'为偏置，O_x＝{o_i}。

本申请实施例提供的一种商品推荐装置，推荐模块54可以包括：

得到评分单元，用于根据

得到商品的推荐值

其中，w₀为全局偏置，w_i为第i个特征的权重，x_i为第i个特征，x_j为第j个特征，f(v_i)＝o_i，f(v_j)＝o_j，v_i为映射得到的第i个特征向量，v_j为映射得到的第j个特征向量。

本申请实施例还提供了一种商品推荐设备，参见图6，其示出了本申请实施例提供的一种商品推荐设备的结构示意图，可以包括：

存储器61，用于存储计算机程序；

处理器62，用于执行存储器61存储的计算机程序时可实现如下步骤：

输入包含有多个特征的数据集，对每个特征进行映射，得到特征向量；特征内可以包括用户编码、商品编码、用户和/或商品的辅助信息，特征向量可以包括用户特征向量、商品特征向量和辅助信息特征向量；利用全连接层计算得到每个特征向量对应的输入感知权重因子，并通过输入感知权重因子对对应的特征向量进行调整，得到向量层面调整后特征向量；根据向量层面调整后用户特征向量和向量层面调整后商品特征向量计算得到交互向量，并根据交互向量对向量层面调整后特征向量进行位层面筛选，得到位层面调整后特征向量集合；将位层面调整后特征向量集合输入到因子分解机模型，以得到商品的推荐值，并按照推荐值由大到小的顺序为用户推荐前N个商品，N为正整数。

本申请实施例提供的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；

输入包含有多个特征的数据集，对每个特征进行映射，得到特征向量；特征内可以包括用户编码、商品编码和辅助信息，特征向量可以包括用户特征向量、商品特征向量、用户和/或商品的辅助信息特征向量；利用全连接层计算得到每个特征向量对应的输入感知权重因子，并通过输入感知权重因子对对应的特征向量进行调整，得到向量层面调整后特征向量；根据向量层面调整后用户特征向量和向量层面调整后商品特征向量计算得到交互向量，并根据交互向量对向量层面调整后特征向量进行位层面筛选，得到位层面调整后特征向量集合；将位层面调整后特征向量集合输入到因子分解机模型，以得到商品的推荐值，并按照推荐值由大到小的顺序为用户推荐前N个商品，N为正整数。

本申请实施例提供的一种商品推荐装置、设备及计算机可读存储介质中相关部分的说明可以参见本申请实施例提供的一种商品推荐方法中对应部分的详细说明，在此不再赘述。

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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”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。另外，本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。

对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种商品推荐方法，其特征在于，包括：

输入包含有多个特征的数据集，对每个所述特征进行映射，得到特征向量；所述特征包括用户编码、商品编码、用户和/或商品的辅助信息，所述特征向量包括用户特征向量、商品特征向量和/或辅助信息特征向量；

利用全连接层计算得到每个所述特征向量对应的输入感知权重因子，并通过所述输入感知权重因子对对应的所述特征向量进行调整，得到向量层面调整后特征向量；

根据向量层面调整后用户特征向量和向量层面调整后商品特征向量计算得到交互向量，并根据所述交互向量对所述向量层面调整后特征向量进行位层面筛选，得到位层面调整后特征向量集合；

将所述位层面调整后特征向量集合输入到因子分解机模型，以得到商品的推荐值，并按照推荐值由大到小的顺序为用户推荐前N个商品，N为正整数；

其中，所述利用全连接层计算得到每个所述特征向量对应的输入感知权重因子，并通过所述输入感知权重因子对对应的所述特征向量进行调整，得到向量层面调整后特征向量，包括：

利用r_x＝z_L＝σ_L(W_Lz_L-1+b_L)得到所述全连接层的输出向量r_x，并利用m′_x＝r_xP及得到输入感知权重因子m_x,i，且利用a_i＝m_x,iv_i对应得到所述向量层面调整后特征向量；

其中，z_L-1＝σ_L-1(W_L-1z_L-2+b_L-1)，z₁＝σ₁(W₁e_x+b₁)，z_L为所述全连接层的输出，e_x为将所有的所述特征向量连接在一起得到的向量，L为隐藏层数，W_L为第L层的权重，b_L为第L层的偏置，W_L-1为第L-1层的权重，b_L-1为第L-1层的偏置，σ为激活函数，P∈R^t×h，P为权重矩阵，h为非零特征向量的数量，m′_x为h维向量，m′_x,i为m′_x中与第i个特征向量v_i对应的数值，v_i为第i个特征向量，a_i为第i个向量层面调整后特征向量。

2.根据权利要求1所述的商品推荐方法，其特征在于，在利用全连接层计算得到每个所述特征向量对应的输入感知权重因子之后，且在通过所述输入感知权重因子对对应的所述特征向量进行调整之前，还包括：

利用softmax函数对得到的所述输入感知权重因子进行归一化处理。

3.根据权利要求1所述的商品推荐方法，其特征在于，根据向量层面调整后用户特征向量和向量层面调整后商品特征向量得到交互向量，并根据所述交互向量对所述向量层面调整后特征向量进行位层面筛选，得到位层面调整后特征向量集合，包括：

利用得到所述交互向量a_ue,it，并利用得到所述位层面调整后特征向量集合特征向量O_x；

其中，a_ue为向量层面调整后用户特征向量，a_it为向量层面调整后商品特征向量，σ'为S型函数，A_x＝{a_i}，W_g1∈R^d×d、W_g2∈R^d×d且W_g1和W_g2均为对应的权重，b'为偏置，O_x＝{o_i}。

4.根据权利要求3所述的商品推荐方法，其特征在于，将所述位层面调整后特征向量集合输入到因子分解机模型，以得到用户与商品之间的交互性评分，包括：

根据

得到商品的推荐值

其中，w₀为全局偏置，w_i为第i个特征的权重，x_i为第i个特征，x_j为第j个特征，f(v_i)＝o_i，f(v_j)＝o_j，v_i为映射得到的第i个特征向量，v_j为映射得到的第j个特征向量。

5.一种商品推荐装置，其特征在于，包括：

映射模块，用于输入包含有多个特征的数据集，对每个所述特征进行映射，得到特征向量；所述特征包括用户编码、商品编码、用户和/或商品的辅助信息，所述特征向量包括用户特征向量、商品特征向量和/或辅助信息特征向量；

第一计算模块，用于利用全连接层计算得到每个所述特征向量对应的输入感知权重因子，并通过所述输入感知权重因子对对应的所述特征向量进行调整，得到向量层面调整后特征向量；

第二计算模块，用于根据向量层面调整后用户特征向量和向量层面调整后商品特征向量得到交互向量，并根据所述交互向量对所述向量层面调整后特征向量进行位层面筛选，得到位层面调整后特征向量集合；

推荐模块，用于将所述位层面调整后特征向量集合输入到因子分解机模型，以得到商品的推荐值，并按照推荐值由大到小的顺序为用户推荐前N个商品，N为正整数；

其中，所述第一计算模块包括：

第一计算单元，用于利用r_x＝z_L＝σ_L(W_Lz_L-1+b_L)得到所述全连接层的输出向量r_x，并利用m′_x＝r_xP及得到输入感知权重因子m_x,i，且利用a_i＝m_x,iv_i对应得到所述向量层面调整后特征向量；

其中，z_L-1＝σ_L-1(W_L-1z_L-2+b_L-1)，z₁＝σ₁(W₁e_x+b₁)，z_L为所述全连接层的输出，e_x为将所有的所述特征向量连接在一起得到的向量，L为隐藏层数，W_L为第L层的权重，b_L为第L层的偏置，W_L-1为第L-1层的权重，b_L-1为第L-1层的偏置，σ为激活函数，P∈R^t×h，P为权重矩阵，h为非零特征向量的数量，m′_x为h维向量，m′_x,i为m′_x中与第i个特征向量v_i对应的数值，v_i为第i个特征向量，a_i为第i个向量层面调整后特征向量。

6.根据权利要求5所述的商品推荐装置，其特征在于，还包括：

归一化处理模块，用于在利用全连接层计算得到每个所述特征向量对应的输入感知权重因子之后，且在通过所述输入感知权重因子对对应的所述特征向量进行调整之前，利用softmax函数对得到的所述输入感知权重因子进行归一化处理。

7.一种商品推荐设备，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任一项所述的商品推荐方法的步骤。

8.一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任一项所述的商品推荐方法的步骤。