CN111949887A - 物品推荐方法、装置及计算机可读存储介质 - Google Patents
物品推荐方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111949887A CN111949887A CN202010896688.1A CN202010896688A CN111949887A CN 111949887 A CN111949887 A CN 111949887A CN 202010896688 A CN202010896688 A CN 202010896688A CN 111949887 A CN111949887 A CN 111949887A
- Authority
- CN
- China
- Prior art keywords
- user
- item
- article
- interest
- attenuation factor
- 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 48
- 230000006399 behavior Effects 0.000 claims description 117
- 239000013598 vector Substances 0.000 claims description 28
- 230000009471 action Effects 0.000 claims description 18
- 230000005012 migration Effects 0.000 claims description 12
- 238000013508 migration Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000001914 filtration Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 229940034610 toothpaste Drugs 0.000 description 3
- 239000000606 toothpaste Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- 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
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及推荐系统领域,公开了一种物品推荐方法、装置及计算机可读存储介质,物品推荐方法包括:获取用户的第一类特征数据和物品的第二类特征数据,其中,第一类特征数据至少包括用户对物品的历史行为日志;提取历史行为日志的上下文信息,并根据上下文信息以及历史行为日志获取用户对物品的兴趣衰减因子;将第一类特征数据、第二类特征数据、上下文信息以及兴趣衰减因子融合形成用户行为序列,根据用户行为序列得到用于表征用户对物品喜好程度的特征参数,根据特征参数得到用户的物品推荐列表,并将物品推荐列表发送至用户。本发明提供的物品推荐方法、装置及计算机可读存储介质能够提高推荐列表的针对性和准确性。
Description
技术领域
本发明实施例涉及推荐系统领域,特别涉及一种物品推荐方法、装置及计算机可读存储介质。
背景技术
随着互联网技术的快速发展,用户数量快速攀升,各大平台产生海量的数据,造成了严重的信息负载问题。这些超载的信息使得用户无法从大量的数据中快速获得对自己有用的部分,因此,推荐系统应运而生。它可以为用户提供个性化的商品推荐,针对用户需求和兴趣进行个性化计算,引导用户主动的发现自己的兴趣点。对于现有的推荐模型,虽然可以在一定程度上解决信息过载的问题,但如何提供更为精准的个性化推荐仍然是学术界和工业界目前面临的一大难题。如冷启动、数据稀疏和跨领域推荐等仍需要不断进行算法的优化、模型改进,从而为用户提供精准、个性化的推荐系统。因此,个性化的智能推荐方法的研究具有重大意义。
现有技术中改善物品推荐列表的准确度的方法有待提高,因此,有必要提供一种新的物品推荐方法来解决上述问题。
发明内容
本发明实施例的目的在于提供一种物品推荐方法、装置及计算机可读存储介质,其能够提高推荐列表的针对性和准确性。
为解决上述技术问题,本发明的实施例提供了一种物品推荐方法,包括:
获取用户的第一类特征数据和物品的第二类特征数据,其中,所述第一类特征数据至少包括用户对物品的历史行为日志;提取所述历史行为日志的上下文信息,并根据所述上下文信息以及所述历史行为日志获取用户对物品的兴趣衰减因子;将所述第一类特征数据、所述第二类特征数据、所述上下文信息以及所述兴趣衰减因子融合形成用户行为序列,根据所述用户行为序列得到用于表征用户对物品喜好程度的特征参数,根据所述特征参数得到用户的物品推荐列表,并将所述物品推荐列表发送至用户。
本发明的实施例还提供了一种物品推荐装置,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的物品推荐方法。
本发明的实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述的物品推荐方法。
本发明的实施例相对于现有技术而言,通过提取历史行为日志的上下文信息,并根据上下文信息以及历史行为日志获取用户对物品的兴趣衰减因子,再将第一类特征数据、第二类特征数据、上下文信息以及兴趣衰减因子融合形成用户行为序列,一方面上下文信息的提取使得融合而成的用户行为序列能够考虑用户的最近交互行为,另一方面由于兴趣衰减因子能够反映用户的偏好变化,从而使得融合而成的用户行为序列能够有效的捕获到用户的偏好。通过此种方式,使得根据用户行为序列得到的物品推荐列表能够针对用户提供个性化推荐,且能够考虑用户近期的交互行为,提高了推荐列表的针对性和准确性。
另外,所述历史行为日志包括用户对物品的行为、用户对物品的行为频率以及用户对物品产生行为时的时间,所述上下文信息包括物品的评分信息,所述评分信息由所述用户对物品的行为确定;所述根据所述上下文信息以及所述历史行为日志获取用户对物品的兴趣衰减因子,包括:根据所述行为频率、所述时间以及所述评分信息获取所述兴趣衰减因子。
另外,所述根据所述行为频率、所述时间以及所述评分信息获取所述兴趣衰减因子,包括:根据以下公式获取所述兴趣衰减因子:其中,IMFi为第i个物品的兴趣衰减因子,weight为所述评分信息,action_num为所述行为频率,ti为用户对第i个物品产生行为时的时间,tj为用户对第i个物品之前的物品产生行为时的时间,n等于所述action_num。
另外,用户对物品的行为包括:浏览、点击、购买、收藏、关注、加购以及购物车删除;所述评分信息根据以下评分规则确定:用户浏览物品记1分,用户点击物品记2分,用户购买物品记3分,用户收藏物品记4分,用户关注物品记5分,用户加购物品记6分,用户将物品从购物车删除记-1分。
另外,在将所述第一类特征数据、所述第二类特征数据、所述上下文信息以及所述兴趣衰减因子融合形成用户行为序列之前,还包括:根据所述用户对物品产生行为时的时间,将所述用户对物品的行为按时间戳由小到大进行排序,其中,所述用户与物品的交互时间距离当前时间越近,所述用户对物品的行为的时间戳越大;所述将所述第一类特征数据、所述第二类特征数据、所述上下文信息以及所述兴趣衰减因子融合形成用户行为序列,包括:根据排序后的用户对物品的行为、所述第二类特征数据、所述上下文信息以及所述兴趣衰减因子融合形成用户行为序列。通过此种方式,进一步提高了物品推荐方法的准确性。
另外,根据以下公式形成用户行为序列:Slong={e1,e2,e3,...,ei};Sshort={ei+1,ei+2,ei+3,...,ej};S={Slong,Sshort};{e=(item,action,timestamp,IMF,context)};其中,item为所述第二类特征数据,action为所述用户对物品的行为,timestamp为所述用户与物品的交互时间,IMF为所述兴趣衰减因子,context为所述上下文信息,Sshort为距离当前时间预设时长的时间段内发生的行为集合,Slong为距离当前时间预设时长的时间段外发生的行为集合,S为所述用户行为序列。
另外,所述根据所述用户行为序列得到用于表征用户对物品喜好程度的特征参数,包括:将所述用户行为序列输入卷积神经网络,抽取用户的兴趣迁移潜在向量;所述根据所述特征参数得到用户的物品推荐列表,包括:将所述兴趣迁移潜在向量输入用于预测用户偏好的多层感知器,得到所述物品推荐列表。
另外,所述将所述用户行为序列输入卷积神经网络,抽取用户的兴趣迁移潜在向量,包括:对所述用户行为序列进行向量转换,得到特征向量;对所述特征向量进行降维处理,得到预设维度的降维向量;将所述降维向量输入所述卷积神经网络,根据所述卷积神经网络的多头注意力机制,抽取所述兴趣迁移潜在向量。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是根据本发明第一实施例提供的物品推荐方法的流程图;
图2是根据本发明第一实施例提供的模型结构图;
图3是根据本发明第二实施例提供的物品推荐方法的流程图;
图4是根据本发明第二实施例提供的物品推荐方法的整体框架图;
图5是根据本发明第三实施例提供的物品推荐装置的结构示意图。
具体实施例
在目前的推荐系统领域,存在的推荐方法主要分为五类:1、基于流行度的算法:根据PV、UV、日均PV或者分享率等数据按某种热度推荐给用户。同时,基于流行度算法又可以根据用户参与电子商务系统的积极程度和商品的流行程度分为基于商品流行度的算法和基于用户活跃度的算法。2、基于协同过滤算法:协同过滤算法又分为两大类,一类是基于用户的协同过滤,另一类是基于物品的协同过滤。3、基于内容算法:该推荐算法的推荐结果把每个用户的核心兴趣点标签化,将每一个推荐结果的展示显示标签,便于消费者理解推荐结果。4、基于深度学习模型的算法:深度学习作为机器学习领域一个重要的研究分支,已经在图像、NLP和语音识别领域都取得了较大的进步,受这些领域思想的影响,深度学习技术也逐渐融合进推荐系统中。深度学习的推荐系统主要是将各类用户和商品数据作为输入,利用深度学习模型学习用户和商品的向量表示。
分析第一种基于流行度的算法,基于流行度的算法针对群体用户,无法针对用户提供个性化推荐。分析第二种协同过滤算法,协同过滤方法存在评分矩阵稀疏问题,即最后得到的推荐列表准确度不高。分析第三种基于内容算法,基于内容的方法不利于挖掘用户的潜在兴趣,如果一个产品不易于被标签穷举或者描述产品的标签还没出现,则该产品很难被推荐。此外,该算法在线应用计算复杂度较高,需要采集每个用户历史数据来计算相似产品。分析第四种基于深度学习模型的算法,这种方法虽然能够有效的捕获到用户的偏好,但忽略了用户的最近交互行为,只能为用户提供静态的推荐列表。
为此,本发明的实施例提供了一种物品推荐方法,通过提取历史行为日志的上下文信息,并根据上下文信息以及历史行为日志获取用户对物品的兴趣衰减因子,上下文信息的提取使得融合而成的用户行为序列能够考虑用户的最近交互行为,兴趣衰减因子的获取使得用户行为序列能够反映用户的偏好变化。本发明提供的物品推荐方法能够提高推荐列表的针对性和准确性。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施例进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施例中,为了使读者更好地理解本发明而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施例的种种变化和修改,也可以实现本发明所要求保护的技术方案。
本发明的第一实施例涉及一种物品推荐方法,具体流程如图1所示,包括:
S101:获取用户的第一类特征数据和物品的第二类特征数据。
具体的说,本实施例中的第一类特征数据可以为用户数据和用户对物品的历史行为日志,更具体的,用户数据包括用户的身体信息和ID信息,如用户的姓名、年龄、性别、身高、体重等;用户对物品的历史行为日志记载用户在预设时间段内对物品的所有行为,如在50天内对物品的所有行为,行为可包括以下之一或其任意组合:浏览、点击、购买、收藏、关注、加购以及购物车删除。需要说明的是,本实施例中“用户在预设时间段内对物品的所有行为”中的物品既可以指某一个物品,也可以指在预设时间段内用户对之存在行为的所有物品,本实施例并不对物品的数量作具体限定。
本实施例中的第二类特征数据可以为物品的ID信息,如物品的名称、种类等。可以理解的是,虽然用户对物品的历史行为日志中包括用户对哪些物品具有行为,但历史行为日志中的物品通常用编号表示,难以从编号中得知物品的名称及种类,通过在后续用户行为序列的融合中加入第二类特征数据,能够进一步提高后续得到的物品推荐列表的准确性。
S102:提取历史行为日志的上下文信息。
具体的说,本实施例中的上下文信息主要包括:
(1)时间:由于时间的不同,推荐的结果一般不相同。例如,在电影推荐领域,是否是节假日或者是否是周末对票房的影响是比较大的。又如在一些外卖平台,是否是饭点对于客户的下单影响也是比较大的。
(2)位置:由于智能手机GPS定位越来越受欢迎,位置对于推荐方案的制定也显得异常重要。例如,一个游客会更希望系统为他推荐一个最近的餐厅用餐来增加旅游体验。
(3)社交信息:用户的社交网络信息在推荐系统中也是一个很重要的因素。例如,用户朋友的选择,标签和社交圈子也会影响推荐的过程。同样,用户和女朋友还是父母一起去看电影也会决定他选择看哪一部电影。
值得一提的是,本实施例中的上下文信息还包括物品对于用户的生命周期(如物品为牙膏,牙膏对于用户的生命周期即为该用户用完一支牙膏的时间)、物品的生命周期(如物品的保质期)、用户对物品的评分信息等。也就是说,上述仅为例举的几种上下文信息的具体种类,为了避免赘述,本实施例不再对上下文信息的具体种类一一举例。
S103:根据上下文信息以及历史行为日志获取用户对物品的兴趣衰减因子。
具体的说,由上述步骤的分析可知,历史行为日志记载的是用户在预设时间段内对物品的所有行为,因此从历史行为日志中能够得知用户对物品的行为、用户对物品的行为频率以及用户对物品产生行为时的时间;本实施例根据上下文信息以及历史行为日志获取用户对物品的兴趣衰减因子可以为:根据所述行为频率、所述时间以及所述评分信息获取所述兴趣衰减因子。
更具体的,在得知所述行为频率、所述时间以及所述评分信息后,可以根据以下公式获取所述兴趣衰减因子:
其中,IMFi为第i个物品的兴趣衰减因子,weight为所述评分信息,action_num为所述行为频率,ti为用户对第i个物品产生行为时的时间,tj为用户对第i个物品之前的物品产生行为时的时间,n等于所述action_num。
需要说明的是,本实施例中的评分信息可以根据以下评分规则确定:用户浏览物品记1分,用户点击物品记2分,用户购买物品记3分,用户收藏物品记4分,用户关注物品记5分,用户加购物品记6分,用户将物品从购物车删除记-1分。
S104:将第一类特征数据、第二类特征数据、上下文信息以及兴趣衰减因子融合形成用户行为序列。
具体的说,如何融合形成用户行为序列在后续实施例中有详细描述,为了避免重复,此处不再赘述。
S105:根据用户行为序列得到用于表征用户对物品喜好程度的特征参数。
具体的说,本实施例中的特征参数可以为用户的兴趣迁移潜在向量。如图2所示,为本发明实施例提供的模型结构图:首先将用户行为序列映射为低维实数空间表示,然后建立序列的初始化矩阵,再基于多通道卷积神经网络和多头注意力机制抽取用户的兴趣迁移潜在向量。更具体的,即对所述用户行为序列进行向量转换,得到特征向量;对所述特征向量进行降维处理,得到预设维度的降维向量;将所述降维向量输入所述卷积神经网络,根据所述卷积神经网络的多头注意力机制,抽取所述兴趣迁移潜在向量。
S106:根据特征参数得到用户的物品推荐列表,并将物品推荐列表发送至用户。
具体的说,将所述兴趣迁移潜在向量输入用于预测用户偏好的多层感知器(即图2所示的MLP),得到所述物品推荐列表。
本发明的实施例相对于现有技术而言,通过提取历史行为日志的上下文信息,并根据上下文信息以及历史行为日志获取用户对物品的兴趣衰减因子,再将第一类特征数据、第二类特征数据、上下文信息以及兴趣衰减因子融合形成用户行为序列,一方面上下文信息的提取使得融合而成的用户行为序列能够考虑用户的最近交互行为,另一方面由于兴趣衰减因子能够反映用户的偏好变化,从而使得融合而成的用户行为序列能够有效的捕获到用户的偏好。通过此种方式,使得根据用户行为序列得到的物品推荐列表能够针对用户提供个性化推荐,且能够考虑用户近期的交互行为,提高了推荐列表的针对性和准确性。
本发明的第二实施例涉及一种物品推荐方法,第二实施例是在第一实施例的基础上做了进一步的改进,具体改进之处在于:在第二实施例中,还会将用户对物品的行为按时间戳由小到大进行排序,从而使后续形成的用户行为序列中能够体现用户对物品所做的行为的时间先后顺序,从而能够进一步提高物品推荐方法的准确性。
本实施例的具体流程如图3所示,包括:
S201:获取用户的第一类特征数据和物品的第二类特征数据。
S202:提取历史行为日志的上下文信息。
S203:根据上下文信息以及历史行为日志获取用户对物品的兴趣衰减因子。
本实施例中的步骤S201至步骤S203与第一实施例中的步骤S101至步骤S103类似,为了避免重复,此处不再赘述。
S204:根据用户对物品产生行为时的时间,将用户对物品的行为按时间戳由小到大进行排序。
具体的说,用户对物品产生行为时的时间距离当前时间越近,所述用户对物品的行为的时间戳越大。
S205:根据排序后的用户对物品的行为、第二类特征数据、上下文信息以及兴趣衰减因子融合形成用户行为序列。
具体的说,根据以下公式形成用户行为序列:Slong={e1,e2,e3,...,ei};Sshort={ei+1,ei+2,ei+3,...,ej};S={Slong,Sshort};{e=(item,action,timestamp,IMF,context)};其中,item为所述第二类特征数据,action为所述用户对物品的行为,timestamp为所述用户与物品的交互时间,IMF为所述兴趣衰减因子,context为所述上下文信息,Sshort为距离当前时间预设时长的时间段内发生的行为集合,Slong为距离当前时间预设时长的时间段外发生的行为集合,S为所述用户行为序列。
S206:根据用户行为序列得到用于表征用户对物品喜好程度的特征参数。
S207:根据特征参数得到用户的物品推荐列表,并将物品推荐列表发送至用户。
值得一提的是,如图4所示,采用推荐系统常用均方误差RMSE和满足个性化推荐需求的GAUC评价指标(AUC不能满足推荐系统个性化需求)。RMSE加大了对预测不准记录数据的惩罚,值越小,表示模型的性能越好,预测准确率越高。而GAUC是表示模型针对每个用户正负样本的分类能力,代表了模型个性化推荐的能力,则GAUC值越大,则表示模型性能越高。
本实施例中的步骤S206至步骤S207与第一实施例中的步骤S105至步骤S106类似,为了避免重复,此处不再赘述。
本发明的实施例相对于现有技术而言,通过提取历史行为日志的上下文信息,并根据上下文信息以及历史行为日志获取用户对物品的兴趣衰减因子,再将第一类特征数据、第二类特征数据、上下文信息以及兴趣衰减因子融合形成用户行为序列,一方面上下文信息的提取使得融合而成的用户行为序列能够考虑用户的最近交互行为,另一方面由于兴趣衰减因子能够反映用户的偏好变化,从而使得融合而成的用户行为序列能够有效的捕获到用户的偏好。通过此种方式,使得根据用户行为序列得到的物品推荐列表能够针对用户提供个性化推荐,且能够考虑用户近期的交互行为,提高了推荐列表的针对性和准确性。
本发明第三实施例涉及一种物品推荐装置,如图5所示,包括:
至少一个处理器301;以及,
与至少一个处理器301通信连接的存储器302;其中,
存储器302存储有可被至少一个处理器301执行的指令,指令被至少一个处理器301执行,以使至少一个处理器301能够执行上述物品推荐方法。
其中,存储器302和处理器301采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器301和存储器302的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器301处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器301。
处理器301负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器302可以被用于存储处理器301在执行操作时所使用的数据。
本发明第四实施例涉及一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施例是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (10)
1.一种物品推荐方法,其特征在于,包括:
获取用户的第一类特征数据和物品的第二类特征数据,其中,所述第一类特征数据至少包括用户对物品的历史行为日志;
提取所述历史行为日志的上下文信息,并根据所述上下文信息以及所述历史行为日志获取用户对物品的兴趣衰减因子;
将所述第一类特征数据、所述第二类特征数据、所述上下文信息以及所述兴趣衰减因子融合形成用户行为序列,根据所述用户行为序列得到用于表征用户对物品喜好程度的特征参数,根据所述特征参数得到用户的物品推荐列表,并将所述物品推荐列表发送至用户。
2.根据权利要求1所述的物品推荐方法,其特征在于,所述历史行为日志包括用户对物品的行为、用户对物品的行为频率以及用户对物品产生行为时的时间,所述上下文信息包括物品的评分信息,所述评分信息由所述用户对物品的行为确定;
所述根据所述上下文信息以及所述历史行为日志获取用户对物品的兴趣衰减因子,包括:
根据所述行为频率、所述时间以及所述评分信息获取所述兴趣衰减因子。
4.根据权利要求2所述的物品推荐方法,其特征在于,用户对物品的行为包括:浏览、点击、购买、收藏、关注、加购以及购物车删除;
所述评分信息根据以下评分规则确定:
用户浏览物品记1分,用户点击物品记2分,用户购买物品记3分,用户收藏物品记4分,用户关注物品记5分,用户加购物品记6分,用户将物品从购物车删除记-1分。
5.根据权利要求2所述的物品推荐方法,其特征在于,在将所述第一类特征数据、所述第二类特征数据、所述上下文信息以及所述兴趣衰减因子融合形成用户行为序列之前,还包括:
根据所述用户对物品产生行为时的时间,将所述用户对物品的行为按时间戳由小到大进行排序,其中,所述用户对物品的产生行为时的时间距离当前时间越近,所述用户对物品的行为的时间戳越大;
所述将所述第一类特征数据、所述第二类特征数据、所述上下文信息以及所述兴趣衰减因子融合形成用户行为序列,包括:
根据排序后的用户对物品的行为、所述第二类特征数据、所述上下文信息以及所述兴趣衰减因子融合形成用户行为序列。
6.根据权利要求5所述的物品推荐方法,其特征在于,根据以下公式形成用户行为序列:
Slong={e1,e2,e3,...,ei};
Sshort={ei+1,ei+2,ei+3,...,ej};
S={Slong,Sshort};
{e=(item,action,timestamp,IMF,context)};
其中,item为所述第二类特征数据,action为所述用户对物品的行为,timestamp为所述用户与物品的交互时间,IMF为所述兴趣衰减因子,context为所述上下文信息,Sshort为距离当前时间预设时长的时间段内发生的行为集合,Slong为距离当前时间预设时长的时间段外发生的行为集合,S为所述用户行为序列。
7.根据权利要求1所述的物品推荐方法,其特征在于,所述根据所述用户行为序列得到用于表征用户对物品喜好程度的特征参数,包括:
将所述用户行为序列输入卷积神经网络,抽取用户的兴趣迁移潜在向量;
所述根据所述特征参数得到用户的物品推荐列表,包括:
将所述兴趣迁移潜在向量输入用于预测用户偏好的多层感知器,得到所述物品推荐列表。
8.根据权利要求7所述的物品推荐方法,其特征在于,所述将所述用户行为序列输入卷积神经网络,抽取用户的兴趣迁移潜在向量,包括:
对所述用户行为序列进行向量转换,得到特征向量;
对所述特征向量进行降维处理,得到预设维度的降维向量;
将所述降维向量输入所述卷积神经网络,根据所述卷积神经网络的多头注意力机制,抽取所述兴趣迁移潜在向量。
9.一种物品推荐装置,其特征在于,包括:至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至8中任一项所述的物品推荐方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的物品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010896688.1A CN111949887B (zh) | 2020-08-31 | 2020-08-31 | 物品推荐方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010896688.1A CN111949887B (zh) | 2020-08-31 | 2020-08-31 | 物品推荐方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111949887A true CN111949887A (zh) | 2020-11-17 |
CN111949887B CN111949887B (zh) | 2024-04-05 |
Family
ID=73368202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010896688.1A Active CN111949887B (zh) | 2020-08-31 | 2020-08-31 | 物品推荐方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111949887B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365319A (zh) * | 2020-11-20 | 2021-02-12 | 北京沃东天骏信息技术有限公司 | 虚拟资源内物品的展示方法和装置 |
CN112632389A (zh) * | 2020-12-30 | 2021-04-09 | 广州博冠信息科技有限公司 | 信息处理方法、信息处理装置、存储介质与电子设备 |
CN112802454A (zh) * | 2020-12-31 | 2021-05-14 | 大众问问(北京)信息科技有限公司 | 一种唤醒词的推荐方法、装置、终端设备及存储介质 |
CN112862209A (zh) * | 2021-03-05 | 2021-05-28 | 重庆大学 | 一种工业设备监测数据预测方法 |
CN114581161A (zh) * | 2022-05-06 | 2022-06-03 | 深圳市明珞锋科技有限责任公司 | 一种基于深度学习的信息推送方法和系统 |
CN114742569A (zh) * | 2021-01-08 | 2022-07-12 | 广州视源电子科技股份有限公司 | 用户生命阶段预测方法、装置、计算机设备及存储介质 |
WO2024001809A1 (zh) * | 2022-06-28 | 2024-01-04 | 华为技术有限公司 | 一种推荐方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574216A (zh) * | 2016-03-07 | 2016-05-11 | 达而观信息科技(上海)有限公司 | 基于概率模型和用户行为分析的个性化推荐方法、系统 |
US20200134696A1 (en) * | 2018-10-31 | 2020-04-30 | Amadeus S.A.S. | Recommender systems and methods using cascaded machine learning models |
-
2020
- 2020-08-31 CN CN202010896688.1A patent/CN111949887B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574216A (zh) * | 2016-03-07 | 2016-05-11 | 达而观信息科技(上海)有限公司 | 基于概率模型和用户行为分析的个性化推荐方法、系统 |
US20200134696A1 (en) * | 2018-10-31 | 2020-04-30 | Amadeus S.A.S. | Recommender systems and methods using cascaded machine learning models |
Non-Patent Citations (1)
Title |
---|
张岩;郭斌;王倩茹;张靖;於志文;: "SeqRec:基于长期偏好和即时兴趣的序列推荐模型", 浙江大学学报(工学版), no. 06 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365319A (zh) * | 2020-11-20 | 2021-02-12 | 北京沃东天骏信息技术有限公司 | 虚拟资源内物品的展示方法和装置 |
CN112632389A (zh) * | 2020-12-30 | 2021-04-09 | 广州博冠信息科技有限公司 | 信息处理方法、信息处理装置、存储介质与电子设备 |
CN112632389B (zh) * | 2020-12-30 | 2024-03-15 | 广州博冠信息科技有限公司 | 信息处理方法、信息处理装置、存储介质与电子设备 |
CN112802454A (zh) * | 2020-12-31 | 2021-05-14 | 大众问问(北京)信息科技有限公司 | 一种唤醒词的推荐方法、装置、终端设备及存储介质 |
CN112802454B (zh) * | 2020-12-31 | 2023-02-21 | 大众问问(北京)信息科技有限公司 | 一种唤醒词的推荐方法、装置、终端设备及存储介质 |
CN114742569A (zh) * | 2021-01-08 | 2022-07-12 | 广州视源电子科技股份有限公司 | 用户生命阶段预测方法、装置、计算机设备及存储介质 |
CN112862209A (zh) * | 2021-03-05 | 2021-05-28 | 重庆大学 | 一种工业设备监测数据预测方法 |
CN112862209B (zh) * | 2021-03-05 | 2023-08-29 | 重庆大学 | 一种工业设备监测数据预测方法 |
CN114581161A (zh) * | 2022-05-06 | 2022-06-03 | 深圳市明珞锋科技有限责任公司 | 一种基于深度学习的信息推送方法和系统 |
WO2024001809A1 (zh) * | 2022-06-28 | 2024-01-04 | 华为技术有限公司 | 一种推荐方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111949887B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111949887B (zh) | 物品推荐方法、装置及计算机可读存储介质 | |
CN110162693B (zh) | 一种信息推荐的方法以及服务器 | |
CN108230009B (zh) | 一种用户偏好的预测方法及装置,电子设备 | |
CN113409121B (zh) | 一种基于异构图表达学习的跨境电商推荐方法 | |
EP4242955A1 (en) | User profile-based object recommendation method and device | |
CN111737418B (zh) | 搜索词和商品的相关性预测方法、设备和存储介质 | |
Borges et al. | On measuring popularity bias in collaborative filtering data | |
CN111310046A (zh) | 对象推荐方法及装置 | |
CN115860880B (zh) | 基于多层异质图卷积模型的个性化商品推荐方法及系统 | |
CN112417294A (zh) | 一种基于神经网络挖掘模型的业务智能推荐方法 | |
CN111695024A (zh) | 对象评估值的预测方法及系统、推荐方法及系统 | |
CN108876508A (zh) | 一种电商协同过滤推荐方法 | |
CN114723535A (zh) | 一种基于供应链与知识图谱的物品推荐方法、设备及介质 | |
Zheng et al. | Incorporating price into recommendation with graph convolutional networks | |
CN112016000B (zh) | 一种基于卷积协同过滤的电影组推荐方法及系统 | |
CN116340643B (zh) | 对象推荐的调整方法及装置、存储介质、电子设备 | |
CN110851694A (zh) | 基于用户记忆网络和树形结构的深度模型的个性化推荐系统 | |
Zhang et al. | Multi-view dynamic heterogeneous information network embedding | |
CN110781399A (zh) | 一种跨平台的信息推送方法和装置 | |
CN114169418B (zh) | 标签推荐模型训练方法及装置、标签获取方法及装置 | |
CN115481325A (zh) | 基于用户全局兴趣迁移感知的个性化新闻推荐方法及系统 | |
CN111460300B (zh) | 网络内容推送方法、装置及存储介质 | |
CN114429384A (zh) | 基于电商平台的产品智能推荐方法及系统 | |
CN113761002A (zh) | 信息推送方法、装置、设备和计算机可读存储介质 | |
CN113327154A (zh) | 基于大数据的电商用户讯息推送方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |