CN111598644A - 一种物品推荐方法、装置以及介质 - Google Patents
一种物品推荐方法、装置以及介质 Download PDFInfo
- Publication number
- CN111598644A CN111598644A CN202010251194.8A CN202010251194A CN111598644A CN 111598644 A CN111598644 A CN 111598644A CN 202010251194 A CN202010251194 A CN 202010251194A CN 111598644 A CN111598644 A CN 111598644A
- Authority
- CN
- China
- Prior art keywords
- vector
- user
- preference
- model
- article
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000003993 interaction Effects 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 description 105
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 230000006872 improvement Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种物品推荐方法、装置以及介质，包括：采集用户与物品交互的行为数据，并根据预设要求将行为数据划分为目标行为数据与其他行为数据；将第一用户特征向量与第一物品特征向量输入至第一模型，确定出物品对应的第一偏好向量，其中，所述第一模型包括多个分支，每个分支对应一种目标行为数据或其他行为数据；根据所述目标行为数据确定出第二用户特征向量与第二物品特征向量，并将所述第二用户特征向量与所述第二物品特征向量输入至第二模型，确定出物品对应的第二偏好向量；将所述第一偏好向量与所述第二偏好向量输入至第三模型，确定出物品对应的偏好分数；将物品对应的偏好分数按大小排序，筛选出预设数量的物品向用户发起推荐。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种物品推荐方法、装置以及介质。
背景技术
通过针对用户的兴趣提供个性化的信息，推荐系统已经成为处理大数据时代信息过载问题的有效方法，并成功应用于许多互联网场景比如电子商务平台的物品推荐，外卖平台的餐饮推荐，视频网站的电影推荐等。
现有技术缺乏有效的推荐方法，无法准确的为用户推荐相关物品。
发明内容
有鉴于此，本申请实施例提供了一种物品推荐方法、装置以及介质，用于解决现有技术中无法准确的为用户推荐相关物品的问题。
本申请实施例采用下述技术方案：
本申请实施例提供一种物品推荐方法，所述方法包括：
采集用户与物品交互的行为数据，并根据预设要求将所述行为数据划分为目标行为数据与其他行为数据；
将第一用户特征向量与第一物品特征向量输入至第一模型，确定出物品对应的第一偏好向量，其中，所述第一模型包括多个分支，每个分支对应一种目标行为数据或其他行为数据；
根据所述目标行为数据确定出第二用户特征向量与第二物品特征向量，并将所述第二用户特征向量与所述第二物品特征向量输入至第二模型，确定出物品对应的第二偏好向量；
将所述第一偏好向量与所述第二偏好向量输入至第三模型，确定出物品对应的偏好分数；
将物品对应的偏好分数按大小排序，筛选出预设数量的物品向用户发起推荐。
进一步的，所述第一模型的每个分支包括多层结构，第一层为
第二层为
第L层为
其中，
为第一用户特征向量，
为第一物品特征向量，w为每层对应的参数矩阵，b为每层对应的偏移，σ为每层对应的激活函数。
进一步的，所述确定出物品对应的第一偏好向量，具体包括：
将各个分支的结果通过拼接操作，将拼接后的结果输入到全连接层，确定出物品对应的第一偏好向量。
进一步的，所述根据所述目标行为数据确定出第二用户特征向量与第二物品特征向量，具体包括：
根据所述目标行为数据构建目标行为矩阵，将所述目标行为矩阵进行矩阵分解得到第二用户特征向量和第二物品特征向量。
进一步的，所述将所述第二用户特征向量与所述第二物品特征向量输入至第二模型，确定出物品对应的第二偏好向量，具体包括：
将所述第二用户特征向量与所述第二物品特征向量输入第二模型，根据公式
确定出物品对应的第二偏好向量，其中，
为用户u对物品i的第二偏好向量，qi为第二物品特征向量，pu为第二用户特征向量，pu与qi之间为乘积运算。
进一步的，所述将所述第一偏好向量与所述第二偏好向量输入至第三模型，确定出物品对应的偏好分数，具体包括：
将所述第一偏好向量与所述第二偏好向量输入至第三模型，根据公式
输出偏好分数，其中，
为第二解模型的输出，
为第一模型的输出，w为神经网络的参数矩阵，σ为神经网络的激活函数。
进一步的，所述第一用户特征向量包括所述用户的属性信息、所述用户与其他用户存在相相似的行为信息、所述用户与物品交互的行为信息中的一个或多个；所述第一物品特征向量包括所述物品的属性信息、所述物品与同类物品的关联信息、所述物品与用户交互的行为信息、所述物品与其他用户的交互的行为信息中的一个或多个。
进一步的，所述第一模型为非线性的多分支多层感知机模型，所述第二模型为线性的矩阵分解模型。
本申请实施例还提供一种物品推荐装置，所述装置包括:
采集单元，用于采集用户与物品交互的行为数据，并根据预设要求将所述行为数据划分为目标行为数据与其他行为数据；
第一确定单元，用于将第一用户特征向量与第一物品特征向量输入至第一模型，确定出物品对应的第一偏好向量，其中，所述第一模型包括多个分支，每个分支对应一种目标行为数据或其他行为数据；
第二确定单元，用于根据所述目标行为数据确定出第二用户特征向量与第二物品特征向量，并将所述第二用户特征向量与所述第二物品特征向量输入至第二模型，确定出物品对应的第二偏好向量；
第三确定单元，用于将所述第一偏好向量与所述第二偏好向量输入至第三模型，确定出物品对应的偏好分数；
筛选单元，用于将物品对应的偏好分数按大小排序，筛选出预设数量的物品向用户发起推荐。
本申请实施例还提供一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现下述方法:
采集用户与物品交互的行为数据，并根据预设要求将所述行为数据划分为目标行为数据与其他行为数据；
将第一用户特征向量与第一物品特征向量输入至第一模型，确定出物品对应的第一偏好向量，其中，所述第一模型包括多个分支，每个分支对应一种目标行为数据或其他行为数据；
根据所述目标行为数据确定出第二用户特征向量与第二物品特征向量，并将所述第二用户特征向量与所述第二物品特征向量输入至第二模型，确定出物品对应的第二偏好向量；
将所述第一偏好向量与所述第二偏好向量输入至第三模型，确定出物品对应的偏好分数；
将物品对应的偏好分数按大小排序，筛选出预设数量的物品向用户发起推荐。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本说明书实施例通过第一模型与第二模型，分别输出第一偏好向量与第二偏好向量，并根据第三模型确定出物品对应的偏好分数，进而对用户做出准确的推荐；此外，第一模型根据用户的行为数据以及第一用户特征向量与第一物品特征向量输出第一偏好向量，第二模型根据第二用户特征向量与所述第二物品特征向量输出第二偏好向量，根据第一偏好向量与第二偏好向量输出的偏好分数更加准确。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例一提供的一种物品推荐方法的流程示意图；
图2为本说明书实施例一提供的第一模型的结构示意图；
图3为本说明书实施例二提供的一种物品推荐装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例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。
通过针对用户的兴趣提供个性化的信息，推荐系统已经成为处理大数据时代信息过载问题的有效方法，并成功应用于许多互联网场景比如电子商务平台的物品推荐，外卖平台的餐饮推荐，视频网站的电影推荐等。推荐算法通常依赖于用户的历史行为如“点击”，“浏览”，“评论”等来学习用户对物品的喜爱程度。然而大部分的传统方法聚焦在一种用户行为，或者利用简单模型来融合多种用户行为，缺乏有效的方式来捕捉不同用户行为之间的关系，导致推荐的效果不佳。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例一提供的一种物品推荐方法的流程示意图，本说明书实施例可以由推荐系统执行下述步骤，具体包括：
步骤S101，推荐系统采集用户与物品交互的行为数据，并根据预设要求将所述行为数据划分为目标行为数据与其他行为数据。
在本说明书实施例的步骤S101中，推荐系统可以从系统的日志中提取出用户的行为数据，并对数据进行清洗和存储。
比如，日志为“u1524,p4812,click,2019-12-24 13:23:56”，表示为用户u1524在2019年12月24日13点23分56秒时点击(click)了物品p4812。
数据清洗指由于系统软件及硬件缺陷造成的行为数据部分缺失，或者出现异常值。如日志的时间戳缺失，用户的id异常(如为NULL-NULL代表空)。
在本说明书实施例的步骤S101中，通常系统的日志中包含多种行为数据。比如，在电子商务平台中，行为数据包括浏览、点击、购买、加入购物车以及评分。在视频网站中，行为数据包括观看、评论、点赞以及收藏。可以根据需求对行为数据进行分类，从多种行为数据中筛选出目标行为数据，其余的行为数据作为其他行为数据。目标行为数据是与系统更加关注的行为数据，其他行为数据是与目标行为数据相关的行为数据，其他行为数据会对目标行为数据产生一定的影响。比如，在电子商务平台中，可以将购买的行为数据设置为目标行为数据，浏览、点击以及加入购物车为其他行为数据，可以看出，电子商务平台最需要关注的就是用户的购买的行为数据。
步骤S102，推荐系统将第一用户特征向量与第一物品特征向量输入至第一模型，确定出物品对应的第一偏好向量，其中，所述第一模型包括多个分支，每个分支对应一种目标行为数据或其他行为数据。
在本说明书实施例的步骤S102中，参见图2，目标行为分支为本说明书实施例中的目标行为数据，辅助行为分支A、辅助行为分支B、辅助行为分支C为本说明书实施例中的其他行为数据，第一用户特征向量嵌入为本说明书实施例中的第一用户特征向量，第一物品特征向量嵌入为本说明书实施例中第一物品特征向量。第一模型的每个分支包括多层结构，其中，第一层表示为
第二层表示为
第L层表示为
其中，
为第一用户特征向量，
为第一物品特征向量，w为每层对应的参数矩阵，b为每层对应的偏移，σ为每层对应的激活函数。第一模型可以为非线性的多分支多层感知机模型，激活函数可以采用线性整流函数(ReLu函数)。
确定出物品对应的第一偏好向量，具体包括：将各个分支的结果通过拼接操作，将拼接后的结果输入到全连接层，确定出物品对应的第一偏好向量，其中，拼接操作可以通过公式
为用户u关于物品i的第一偏好向量。
在本说明书实施例的步骤S102中，第一用户特征向量包括用户的属性信息、用户与其他用户存在相相似的行为信息、用户与物品交互的行为信息中的一个或多个；第一物品特征向量包括所述物品的属性信息、物品与同类物品的关联信息、物品与用户交互的行为信息、所述物品与其他用户的交互的行为信息中的一个或多个。此外，关于第一用户特征向量和第一物品特征向量，可以是通过第一模型训练的结果，目的是利用各种用户行为数据来训练出第一用户特征向量与第一物品特征向量，开始时，第一用户特征向量与第一物品特征向量是由随机数生成的，没有意义，但是通过第一模型进行多次的训练进行调优，最终得出有意义的第一用户特征向量与第一物品特征向量。
需要说明的是，本说明书实施例中的第一模型可以为多分支多层感知机模型。
步骤S103，推荐系统根据所述目标行为数据确定出第二用户特征向量与第二物品特征向量，并将第二用户特征向量与第二物品特征向量输入至第二模型，确定出物品对应的第二偏好向量。
在本说明书实施例的步骤S103中，根据所述目标行为数据确定出第二用户特征向量与第二物品特征向量，具体包括：
根据所述目标行为数据构建目标行为矩阵，将所述目标行为矩阵进行矩阵分解得到第二用户特征向量和第二物品特征向量。
在本说明书实施例的步骤S103中，第二用户特征向量包括用户的属性信息、用户与其他用户存在相相似的行为信息、用户与物品交互的行为信息中的一个或多个；第二物品特征向量包括所述物品的属性信息、物品与同类物品的关联信息、物品与用户交互的行为信息、所述物品与其他用户的交互的行为信息中的一个或多个。此外，关于第二用户特征向量和第二物品特征向量，可以是通过第二模型对目标行为矩阵进行矩阵分解得到第二用户特征向量和第二物品特征向量。
在本说明书实施例的步骤S103中，将第二用户特征向量与第二物品特征向量输入至第二模型，确定出物品对应的第二偏好向量，具体包括：将将所述第二用户特征向量与所述第二物品特征向量输入第二模型，根据公式
确定出物品对应的第二偏好向量，其中，
为用户u对物品i的第二偏好向量，qi为第二物品特征向量，pu为第二用户特征向量，pu与qi之间为乘积运算。
需要说明的是，本说明书实施例中的第二模型可以为线性的矩阵分解模型。
步骤S104，推荐系统将所述第一偏好向量与所述第二偏好向量输入至第三模型，确定出物品对应的偏好分数。
在本说明书实施例的步骤S104中，本步骤具体包括：
将所述第一偏好向量与所述第二偏好向量输入至第三模型，根据公式
输出偏好分数，其中，
为第二解模型的输出，
为第一模型的输出，w为神经网络的参数矩阵，σ为神经网络的激活函数。
需要说明的是，第一模型可以用于学习用户与物品之间的非线性交互关系，第二模型可以用于学习用户与物品之间的线性交互关系。
步骤S105，推荐系统将物品对应的偏好分数按大小排序，筛选出预设数量的物品向用户发起推荐。
在本说明书实施例的步骤S105中，预设数量可以根据需要进行设定，比如，在电子商务平台中，可以向用户推荐推荐分数排在前20的商品。
需要说明的是，本申请实施例提出一种基于深度神经网络的个性化推荐算法，用以提升推荐效果。首先针对每种用户行为，本申请实施例可以利用多层感知机模型来建模用户和物品之间的非线性复杂交互关系。接着用户行为的建模结果可以通过非线性的神经网络和线性的矩阵分解模型进一步融合来提升推荐的准确度。本申请实施例可以建模各种类型的用户行为，具有通用性，适用于各种推荐场景。
为了验证本说明书实施例提出的推荐方法的有效性，可以进行一系列的验证试验。比如，在某电子商务平台数据集中包括19576个用户，629758个物品，以及2003670个用户物品之间的行为数据。用户行为可以分为四种，即点击、购买、加入购物车以及收藏。评价标准包括命中率(HR)和用于排序的NDCG(Normalized Discounted Cumulative Gain，归一化折损累计增益)。
通过展示第二用户特征向量和第二物品特征向量的维度对于推荐结果的影响。表1中显示了当维度从2增加到4的结果，当维度进一步增加时，可能会导致模型过度复杂，造成过拟合现象。因此第二用户特征向量和第二物品特征向量的最优维度设置为4。
| 维度 | 2 | 4 | 8 | 16 | 32 |
| 命中率 | 0.2739 | 0.2759 | 0.2695 | 0.2623 | 0.2546 |
| NDCG | 0.1638 | 0.1664 | 0.1646 | 0.1631 | 0.1566 |
表1
需要说明的是，在验证第一模型中每个分支的层数对推荐结果的影响时，验证结果显示，分支层数为2时，第一模型的效果达到最优。
需要说明的是，本说明书实施例的推荐方法和现有的推荐方法进行比较。其中，现有的推荐方法包括贝叶斯个性化排序(BPR)，一种利用数据对排序损失函数来优化矩阵分解的方法；多反馈个性化排序(MFPR)，一种基于BPR并集成多种用户行为的方法，集成方式为线性合并；权重矩阵分解(WMF)，一种以多种行为发生次数作为权重的矩阵分解方法；神经网络协同过滤(NCF)，一种基于神经网络的推荐方法，适用于建模单一用户行为。表2比较了各种推荐方法在命中率和NDCG两种评价指标下的表现。
表2
本说明书实施例通过第一模型与第二模型，分别输出第一偏好向量与第二偏好向量，并根据第三模型确定出物品对应的偏好分数，进而对用户做出准确的推荐；此外，第一模型根据用户的行为数据以及第一用户特征向量与第一物品特征向量输出第一偏好向量，第二模型根据第二用户特征向量与所述第二物品特征向量输出第二偏好向量，根据第一偏好向量与第二偏好向量输出的偏好分数更加准确。
与本说明书实施例一对应的是，图3为本说明书实施例二提供的一种物品推荐装置的结构示意图，具体包括：采集单元1、第一确定单元2、第二确定单元3、第三确定单元4以及筛选单元5。
采集单元1用于采集用户与物品交互的行为数据，并根据预设要求将所述行为数据划分为目标行为数据与其他行为数据；
第一确定单元2用于将第一用户特征向量与第一物品特征向量输入至第一模型，确定出物品对应的第一偏好向量，其中，所述第一模型包括多个分支，每个分支对应一种目标行为数据或其他行为数据；
第二确定单元3用于根据所述目标行为数据确定出第二用户特征向量与第二物品特征向量，并将所述第二用户特征向量与所述第二物品特征向量输入至第二模型，确定出物品对应的第二偏好向量；
第三确定单元4用于将所述第一偏好向量与所述第二偏好向量输入至第三模型，确定出物品对应的偏好分数；
筛选单元5用于将物品对应的偏好分数按大小排序，筛选出预设数量的物品向用户发起推荐。
本申请实施例还提供一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现下述方法:
采集用户与物品交互的行为数据，并根据预设要求将所述行为数据划分为目标行为数据与其他行为数据；
将第一用户特征向量与第一物品特征向量输入至第一模型，确定出物品对应的第一偏好向量，其中，所述第一模型包括多个分支，每个分支对应一种目标行为数据或其他行为数据；
根据所述目标行为数据确定出第二用户特征向量与第二物品特征向量，并将所述第二用户特征向量与所述第二物品特征向量输入至第二模型，确定出物品对应的第二偏好向量；
将所述第一偏好向量与所述第二偏好向量输入至第三模型，确定出物品对应的偏好分数；
将物品对应的偏好分数按大小排序，筛选出预设数量的物品向用户发起推荐。
本说明书实施例通过第一模型与第二模型，分别输出第一偏好向量与第二偏好向量，并根据第三模型确定出物品对应的偏好分数，进而对用户做出准确的推荐；此外，第一模型根据用户的行为数据以及第一用户特征向量与第一物品特征向量输出第一偏好向量，第二模型根据第二用户特征向量与所述第二物品特征向量输出第二偏好向量，根据第一偏好向量与第二偏好向量输出的偏好分数更加准确。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种物品推荐方法，其特征在于，所述方法包括:
采集用户与物品交互的行为数据，并根据预设要求将所述行为数据划分为目标行为数据与其他行为数据；
将第一用户特征向量与第一物品特征向量输入至第一模型，确定出物品对应的第一偏好向量，其中，所述第一模型包括多个分支，每个分支对应一种目标行为数据或其他行为数据；
根据所述目标行为数据确定出第二用户特征向量与第二物品特征向量，并将所述第二用户特征向量与所述第二物品特征向量输入至第二模型，确定出物品对应的第二偏好向量；
将所述第一偏好向量与所述第二偏好向量输入至第三模型，确定出物品对应的偏好分数；
将物品对应的偏好分数按大小排序，筛选出预设数量的物品向用户发起推荐。
2.根据权利要求1所述的物品推荐方法，其特征在于，所述第一模型的每个分支包括多层结构，第一层为
第二层为
……第L层为
其中，
为第一用户特征向量，
为第一物品特征向量，w为每层对应的参数矩阵，b为每层对应的偏移，σ为每层对应的激活函数。
3.根据权利要求2所述的物品推荐方法，其特征在于，所述确定出物品对应的第一偏好向量，具体包括：
将各个分支的结果通过拼接操作，将拼接后的结果输入到全连接层，确定出物品对应的第一偏好向量。
4.根据权利要求1所述的物品推荐方法，其特征在于，所述根据所述目标行为数据确定出第二用户特征向量与第二物品特征向量，具体包括：
根据所述目标行为数据构建目标行为矩阵，将所述目标行为矩阵进行矩阵分解得到第二用户特征向量和第二物品特征向量。
5.根据权利要求1所述的物品推荐方法，其特征在于，所述将所述第二用户特征向量与所述第二物品特征向量输入至第二模型，确定出物品对应的第二偏好向量，具体包括：
将所述第二用户特征向量与所述第二物品特征向量输入第二模型，根据公式
确定出物品对应的第二偏好向量，其中，
为用户u对物品i的第二偏好向量，qi为第二物品特征向量，pu为第二用户特征向量，pu与qi之间为乘积运算。
6.根据权利要求1所述的物品推荐方法，其特征在于，所述将所述第一偏好向量与所述第二偏好向量输入至第三模型，确定出物品对应的偏好分数，具体包括：
将所述第一偏好向量与所述第二偏好向量输入至第三模型，根据公式
输出偏好分数，其中，
为第二解模型的输出，
为第一模型的输出，w为神经网络的参数矩阵，σ为神经网络的激活函数。
7.根据权利要求1所述的物品推荐方法，其特征在于，所述第一用户特征向量包括所述用户的属性信息、所述用户与其他用户存在相相似的行为信息、所述用户与物品交互的行为信息中的一个或多个；所述第一物品特征向量包括所述物品的属性信息、所述物品与同类物品的关联信息、所述物品与用户交互的行为信息、所述物品与其他用户的交互的行为信息中的一个或多个。
8.根据权利要求1所述的物品推荐方法，其特征在于，所述第一模型为非线性的多分支多层感知机模型，所述第二模型为线性的矩阵分解模型。
9.一种物品推荐装置，其特征在于，所述装置包括:
采集单元，用于采集用户与物品交互的行为数据，并根据预设要求将所述行为数据划分为目标行为数据与其他行为数据；
第一确定单元，用于将第一用户特征向量与第一物品特征向量输入至第一模型，确定出物品对应的第一偏好向量，其中，所述第一模型包括多个分支，每个分支对应一种目标行为数据或其他行为数据；
第二确定单元，用于根据所述目标行为数据确定出第二用户特征向量与第二物品特征向量，并将所述第二用户特征向量与所述第二物品特征向量输入至第二模型，确定出物品对应的第二偏好向量；
第三确定单元，用于将所述第一偏好向量与所述第二偏好向量输入至第三模型，确定出物品对应的偏好分数；
筛选单元，用于将物品对应的偏好分数按大小排序，筛选出预设数量的物品向用户发起推荐。
10.一种计算机可读介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现权利要求1至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010251194.8A CN111598644B (zh) | 2020-04-01 | 2020-04-01 | 一种物品推荐方法、装置以及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010251194.8A CN111598644B (zh) | 2020-04-01 | 2020-04-01 | 一种物品推荐方法、装置以及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111598644A true CN111598644A (zh) | 2020-08-28 |
| CN111598644B CN111598644B (zh) | 2023-05-02 |
Family
ID=72185445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010251194.8A Active CN111598644B (zh) | 2020-04-01 | 2020-04-01 | 一种物品推荐方法、装置以及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598644B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112650921A (zh) * | 2020-12-18 | 2021-04-13 | 中国平安人寿保险股份有限公司 | 一种对象推荐方法、装置、设备及存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090130774A (ko) * | 2008-06-16 | 2009-12-24 | 성균관대학교산학협력단 | 사용자 추천 방법 및 이를 위한 프로그램이 기록된 기록매체 |
| US20150127482A1 (en) * | 2013-11-07 | 2015-05-07 | Institute For Information Industry | Merchandise Recommendation System, Method and Non-Transitory Computer Readable Storage Medium of the Same for Multiple Users |
| CN107492008A (zh) * | 2017-08-09 | 2017-12-19 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、服务器及计算机存储介质 |
| CN107833117A (zh) * | 2017-12-13 | 2018-03-23 | 合肥工业大学 | 一种考虑标签信息的贝叶斯个性化排序推荐方法 |
| CN108256018A (zh) * | 2018-01-09 | 2018-07-06 | 北京奇艺世纪科技有限公司 | 一种物品推荐方法及装置 |
| CN108711075A (zh) * | 2018-05-22 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
| CN109241449A (zh) * | 2018-10-30 | 2019-01-18 | 国信优易数据有限公司 | 一种物品推荐方法及装置 |
| CN109299370A (zh) * | 2018-10-09 | 2019-02-01 | 中国科学技术大学 | 多对级个性化推荐方法 |
| CN109446413A (zh) * | 2018-09-25 | 2019-03-08 | 上海交通大学 | 基于物品关联关系的序列化推荐方法 |
| CN109509051A (zh) * | 2018-09-12 | 2019-03-22 | 北京奇艺世纪科技有限公司 | 一种物品推荐方法及装置 |
| CN110059271A (zh) * | 2019-06-19 | 2019-07-26 | 达而观信息科技（上海）有限公司 | 运用标签知识网络的搜索方法及装置 |
| CN110097395A (zh) * | 2019-03-27 | 2019-08-06 | 平安科技（深圳）有限公司 | 定向广告投放方法、装置及计算机可读存储介质 |
| CN110866145A (zh) * | 2019-11-06 | 2020-03-06 | 辽宁工程技术大学 | 一种共同偏好辅助的深度单类协同过滤推荐方法 |
-
2020
- 2020-04-01 CN CN202010251194.8A patent/CN111598644B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090130774A (ko) * | 2008-06-16 | 2009-12-24 | 성균관대학교산학협력단 | 사용자 추천 방법 및 이를 위한 프로그램이 기록된 기록매체 |
| US20150127482A1 (en) * | 2013-11-07 | 2015-05-07 | Institute For Information Industry | Merchandise Recommendation System, Method and Non-Transitory Computer Readable Storage Medium of the Same for Multiple Users |
| CN107492008A (zh) * | 2017-08-09 | 2017-12-19 | 阿里巴巴集团控股有限公司 | 信息推荐方法、装置、服务器及计算机存储介质 |
| CN107833117A (zh) * | 2017-12-13 | 2018-03-23 | 合肥工业大学 | 一种考虑标签信息的贝叶斯个性化排序推荐方法 |
| CN108256018A (zh) * | 2018-01-09 | 2018-07-06 | 北京奇艺世纪科技有限公司 | 一种物品推荐方法及装置 |
| CN108711075A (zh) * | 2018-05-22 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种产品推荐方法和装置 |
| CN109509051A (zh) * | 2018-09-12 | 2019-03-22 | 北京奇艺世纪科技有限公司 | 一种物品推荐方法及装置 |
| CN109446413A (zh) * | 2018-09-25 | 2019-03-08 | 上海交通大学 | 基于物品关联关系的序列化推荐方法 |
| CN109299370A (zh) * | 2018-10-09 | 2019-02-01 | 中国科学技术大学 | 多对级个性化推荐方法 |
| CN109241449A (zh) * | 2018-10-30 | 2019-01-18 | 国信优易数据有限公司 | 一种物品推荐方法及装置 |
| CN110097395A (zh) * | 2019-03-27 | 2019-08-06 | 平安科技（深圳）有限公司 | 定向广告投放方法、装置及计算机可读存储介质 |
| CN110059271A (zh) * | 2019-06-19 | 2019-07-26 | 达而观信息科技（上海）有限公司 | 运用标签知识网络的搜索方法及装置 |
| CN110866145A (zh) * | 2019-11-06 | 2020-03-06 | 辽宁工程技术大学 | 一种共同偏好辅助的深度单类协同过滤推荐方法 |
Non-Patent Citations (2)
| Title |
|---|
| 何明;杨;要凯升;张久伶;: "TEFRCF:标签熵特征表示的协同过滤个性化推荐算法" * |
| 周望: "基于机器学习的推荐系统关键技术及其应用研究" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112650921A (zh) * | 2020-12-18 | 2021-04-13 | 中国平安人寿保险股份有限公司 | 一种对象推荐方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111598644B (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108829808B (zh) | 一种页面个性化排序方法、装置及电子设备 | |
| CN110428298A (zh) | 一种店铺推荐方法、装置及设备 | |
| CN108268617B (zh) | 用户意图确定方法及装置 | |
| CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
| KR102125120B1 (ko) | 서비스 시나리오 매칭 방법 및 시스템 | |
| CN111639687B (zh) | 一种模型训练以及异常账号识别方法及装置 | |
| CN111538794B (zh) | 一种数据融合方法、装置及设备 | |
| CN110020427B (zh) | 策略确定方法和装置 | |
| CN112672184A (zh) | 一种视频审核及发布方法 | |
| CN111401766B (zh) | 模型、业务处理方法、装置及设备 | |
| CN110008991B (zh) | 风险事件的识别、风险识别模型的生成方法、装置、设备及介质 | |
| CN109933678B (zh) | 艺术品推荐方法、装置、可读介质及电子设备 | |
| CN110390182B (zh) | 一种确定小程序类目的方法、系统及设备 | |
| CN110599307A (zh) | 一种商品推荐的方法及装置 | |
| CN111787409A (zh) | 影视评论数据处理方法及装置 | |
| CN115828162A (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
| CN118503539A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN111598644B (zh) | 一种物品推荐方法、装置以及介质 | |
| CN109903140A (zh) | 一种信用服务推荐方法、装置及设备 | |
| CN113343085A (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
| CN110502589B (zh) | 一种节点血缘关系确定方法、装置以及电子设备 | |
| CN116029556B (zh) | 一种业务风险的评估方法、装置、设备及可读存储介质 | |
| CN110516918B (zh) | 一种风险识别方法和装置 | |
| CN112597255A (zh) | 一种确定异常数据的方法及装置 | |
| CN108595498B (zh) | 问题反馈方法及装置 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211009 Address after: 3 / F, xindongyuan North building, 3501 Chengfu Road, Haidian District, Beijing 100083 Applicant after: HUARUI XINZHI TECHNOLOGY (BEIJING) Co.,Ltd. Applicant after: Huarui Xinzhi Baoding Technology Co.,Ltd. Address before: Room 91818, floor 9, building 683, zone 2, No. 5, Zhongguancun South Street, Haidian District, Beijing 100083 Applicant before: HUARUI XINZHI TECHNOLOGY (BEIJING) Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |