CN112148980A - 基于用户点击的物品推荐方法、装置、设备和存储介质 - Google Patents

基于用户点击的物品推荐方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN112148980A
CN112148980A CN202011037838.XA CN202011037838A CN112148980A CN 112148980 A CN112148980 A CN 112148980A CN 202011037838 A CN202011037838 A CN 202011037838A CN 112148980 A CN112148980 A CN 112148980A
Authority
CN
China
Prior art keywords
item
recommended
user
historical
information
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
Application number
CN202011037838.XA
Other languages
English (en)
Other versions
CN112148980B (zh
Inventor
朱翔宇
何从庆
徐文文
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.)
JD Digital Technology Holdings Co Ltd
Original Assignee
JD Digital Technology Holdings 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 JD Digital Technology Holdings Co Ltd filed Critical JD Digital Technology Holdings Co Ltd
Priority to CN202011037838.XA priority Critical patent/CN112148980B/zh
Publication of CN112148980A publication Critical patent/CN112148980A/zh
Application granted granted Critical
Publication of CN112148980B publication Critical patent/CN112148980B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q30/0201—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)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种基于用户点击的物品推荐方法、装置、设备和存储介质，其中该方法包括：获取用户点击序列和多个待推荐物品的特征信息，用户点击序列中包括至少一个用户在当前时间之前所点击的至少一个历史物品的物品信息，每一物品信息中包括时间信息；根据当前时间的下一次点击时间、以及用户点击序列中的每一个时间信息，确定用户点击序列中每一个历史物品的重要度权重；根据用户点击序列中每一个历史物品的重要度权重和物品信息、以及每一个待推荐物品的特征信息，确定每一个待推荐物品的推荐分数；根据每一个待推荐物品的推荐分数，向当前用户推荐物品。准确的为用户分析出符合用户当前一段时间的需求的物品，准确的为用户进行推荐。

Description

基于用户点击的物品推荐方法、装置、设备和存储介质
技术领域
本申请实施例涉及电子技术领域，尤其涉及一种基于用户点击的物品推荐方法、装置、设备和存储介质。
背景技术
随着移动互联网的发展，可以基于互联网为用户推荐用户所需的物品。可以对用户的兴趣爱好进行分析，进而为用户推荐物品。
现有技术中，在用户推荐物品的时候，可以获取用户的浏览信息；然后对用户的浏览信息进行分析，确定出用户可能的最感兴趣的物品，进而为用户进行推荐。
所以在实现本申请过程中，发明人发现现有技术中至少存在如下问题：获取到的用户的浏览信息是分散的，所分析出的用户可能的最感兴趣的物品，不一定是符合用户当前一段时间的需求的物品；进而为用户推荐物品的方式并不准确。
发明内容
本申请实施例提供一种基于用户点击的物品推荐方法、装置、设备和存储介质，用以解决所分析出的用户可能的最感兴趣的物品，不一定是符合用户当前一段时间的需求的物品；进而为用户推荐物品的方式并不准确的问题。
第一方面，本申请实施例提供一种基于用户点击的物品推荐方法，所述方法包括：
获取用户点击序列和多个待推荐物品的特征信息，其中，所述用户点击序列中包括至少一个用户在当前时间之前所点击的至少一个历史物品的物品信息，每一所述物品信息中包括时间信息；
根据所述当前时间的下一次点击时间、以及所述用户点击序列中的每一个时间信息，确定所述用户点击序列中每一个历史物品的重要度权重；
根据所述用户点击序列中每一个历史物品的重要度权重和物品信息、以及每一个所述待推荐物品的特征信息，确定每一个所述待推荐物品的推荐分数；
根据每一个所述待推荐物品的推荐分数，向当前用户推荐物品。
可选地，根据所述当前时间的下一次点击时间、以及所述用户点击序列中的每一个时间信息，确定所述用户点击序列中每一个历史物品的重要度权重，包括：
根据所述当前时间的下一次点击时间、所述用户点击序列中的每一时间信息两者的差值，得到所述用户点击序列中每一个历史物品的时间差值；
根据所述用户点击序列中每一个历史物品的时间差值、以及预设的时间因子，确定所述用户点击序列中每一个历史物品的重要度权重。
可选地，根据所述用户点击序列中每一个历史物品的重要度权重和物品信息、以及每一个所述待推荐物品的特征信息，确定每一个所述待推荐物品的推荐分数，包括：
根据所述用户点击序列中每一个历史物品的重要度权重，确定所述用户点击序列中每一个历史物品的权重比例；
根据所述每一个历史物品的权重比例、每一个所述待推荐物品的特征信息、以及所述用户点击序列，确定每一个所述待推荐物品的推荐分数。
可选地，根据所述每一个历史物品的权重比例、每一个所述待推荐物品的特征信息、以及所述用户点击序列，确定每一个所述待推荐物品的推荐分数，包括：
将所述每一个历史物品的权重比例、每一个所述待推荐物品的特征信息、以及所述用户点击序列输入到预设的注意力模型中，得到每一个所述待推荐物品的匹配向量；其中，所述匹配向量用于表征待推荐物品与历史物品之间的匹配度；
对每一个所述待推荐物品的匹配向量和特征信息进行点乘运算，得到每一个所述待推荐物品的推荐分数。
可选地，在所述历史物品的总个数小于所述待推荐物品的总个数时，所述用户点击序列中包括所述当前用户和其他用户所对应的历史物品；
在所述历史物品的总个数大于等于所述待推荐物品的总个数时，所述用户点击序列中包括所述当前用户所对应的历史物品。
可选地，将所述每一个历史物品的权重比例、每一个所述待推荐物品的特征信息、以及所述用户点击序列输入到预设的注意力模型中，得到每一个所述待推荐物品的匹配向量，包括：
将所述每一个历史物品的权重比例与每一所述待推荐物品的特征信息进行点乘运算，得到每一所述待推荐物品的处理后的特征信息；
将每一所述待推荐物品的处理后的特征信息、以及所述用户点击序列输入到预设的注意力模型中，得到每一个所述待推荐物品的匹配向量。
可选地，根据每一个所述待推荐物品的推荐分数，向当前用户推荐物品，包括：
获取每一个所述待推荐物品的曝光度；
根据每一个所述待推荐物品的曝光度，调整每一个所述待推荐物品的推荐分数，得到每一个所述待推荐物品的推荐得分；
根据所述每一个所述待推荐物品的推荐得分，向所述当前用户推荐物品。
可选地，每一个所述待推荐物品的曝光度与每一个所述待推荐物品的推荐得分之间负相关。
可选地，根据每一个所述待推荐物品的曝光度，调整每一个所述待推荐物品的推荐分数，得到每一个所述待推荐物品的推荐得分，包括：
针对每一所述待推荐物品，若该待推荐物品的曝光度大于等于预设阈值，则根据该待推荐物品的曝光度确定第一加权值；并根据该待推荐物品的推荐分数和所述第一加权值，确定该待推荐物品的推荐得分；
针对每一所述待推荐物品，若该待推荐物品的曝光度小于所述预设阈值，则根据该待推荐物品的曝光度确定第二加权值；并根据该待推荐物品的推荐分数和所述第二加权值，确定该待推荐物品的推荐得分；
其中，各所述第一加权值均小于各所述第二加权值。
可选地，所述时间信息表征用户点击物品的时间点；
所述特征信息中包括文本特征和图像特征，其中，所述文本特征表征对图像的文字描述的信息。
可选地，在根据所述当前时间的下一次点击时间、以及所述用户点击序列中的每一个时间信息，确定所述用户点击序列中每一个历史物品的重要度权重之前，还包括：
对所述用户点击序列进行第一初始化处理，其中，所述第一初始化处理用于将各所述历史物品的物品信息映射到同一个空间维度上；
对所述多个待推荐物品的特征信息进行第二初始化处理，其中，所述第二初始化处理用于将各所述待推荐物品的特征信息映射到同一个空间维度上。
第二方面，本申请实施例提供一种基于用户点击的物品推荐装置，所述装置包括：
获取单元，用于获取用户点击序列和多个待推荐物品的特征信息，其中，所述用户点击序列中包括至少一个用户在当前时间之前所点击的至少一个历史物品的物品信息，每一所述物品信息中包括时间信息；
第一确定单元，用于根据所述当前时间的下一次点击时间、以及所述用户点击序列中的每一个时间信息，确定所述用户点击序列中每一个历史物品的重要度权重；
第二确定单元，用于根据所述用户点击序列中每一个历史物品的重要度权重和物品信息、以及每一个所述待推荐物品的特征信息，确定每一个所述待推荐物品的推荐分数；
推荐单元，用于根据每一个所述待推荐物品的推荐分数，向当前用户推荐物品。
可选地，所述第一确定单元，包括：
第一确定模块，用于根据所述当前时间的下一次点击时间、所述用户点击序列中的每一时间信息两者的差值，得到所述用户点击序列中每一个历史物品的时间差值；
第二确定模块，用于根据所述用户点击序列中每一个历史物品的时间差值、以及预设的时间因子，确定所述用户点击序列中每一个历史物品的重要度权重。
可选地，所述第二确定单元，包括：
第三确定模块，用于根据所述用户点击序列中每一个历史物品的重要度权重，确定所述用户点击序列中每一个历史物品的权重比例；
第四确定模块，用于根据所述每一个历史物品的权重比例、每一个所述待推荐物品的特征信息、以及所述用户点击序列，确定每一个所述待推荐物品的推荐分数。
可选地，所述第四确定模块，包括：
第一确定子模块，用于将所述每一个历史物品的权重比例、每一个所述待推荐物品的特征信息、以及所述用户点击序列输入到预设的注意力模型中，得到每一个所述待推荐物品的匹配向量；其中，所述匹配向量用于表征待推荐物品与历史物品之间的匹配度；
第二确定子模块，用于对每一个所述待推荐物品的匹配向量和特征信息进行点乘运算，得到每一个所述待推荐物品的推荐分数。
可选地，在所述历史物品的总个数小于所述待推荐物品的总个数时，所述用户点击序列中包括所述当前用户和其他用户所对应的历史物品；
在所述历史物品的总个数大于等于所述待推荐物品的总个数时，所述用户点击序列中包括所述当前用户所对应的历史物品。
可选地，所述第一确定子模块，具体用于：
将所述每一个历史物品的权重比例与每一所述待推荐物品的特征信息进行点乘运算，得到每一所述待推荐物品的处理后的特征信息；
将每一所述待推荐物品的处理后的特征信息、以及所述用户点击序列输入到预设的注意力模型中，得到每一个所述待推荐物品的匹配向量。
可选地，所述推荐单元，包括：
获取模块，用于获取每一个所述待推荐物品的曝光度；
第五确定模块，用于根据每一个所述待推荐物品的曝光度，调整每一个所述待推荐物品的推荐分数，得到每一个所述待推荐物品的推荐得分；
推荐模块，用于根据所述每一个所述待推荐物品的推荐得分，向所述当前用户推荐物品。
可选地，每一个所述待推荐物品的曝光度与每一个所述待推荐物品的推荐得分之间负相关。
可选地，所述第五确定模块，具体用于：
针对每一所述待推荐物品，若该待推荐物品的曝光度大于等于预设阈值，则根据该待推荐物品的曝光度确定第一加权值；并根据该待推荐物品的推荐分数和所述第一加权值，确定该待推荐物品的推荐得分；
针对每一所述待推荐物品，若该待推荐物品的曝光度小于所述预设阈值，则根据该待推荐物品的曝光度确定第二加权值；并根据该待推荐物品的推荐分数和所述第二加权值，确定该待推荐物品的推荐得分；
其中，各所述第一加权值均小于各所述第二加权值。
可选地，所述时间信息表征用户点击物品的时间点；
所述特征信息中包括文本特征和图像特征，其中，所述文本特征表征对图像的文字描述的信息。
可选地，所述装置，还包括：
初始化单元，用于在所述第一确定单元根据所述当前时间的下一次点击时间、以及所述用户点击序列中的每一个时间信息，确定所述用户点击序列中每一个历史物品的重要度权重之前，对所述用户点击序列进行第一初始化处理，其中，所述第一初始化处理用于将各所述历史物品的物品信息映射到同一个空间维度上；对所述多个待推荐物品的特征信息进行第二初始化处理，其中，所述第二初始化处理用于将各所述待推荐物品的特征信息映射到同一个空间维度上。
第三方面，本申请实施例提供一种终端设备，包括：存储器，处理器；
存储器，用于存储所述处理器可执行指令的存储器；
所述处理器，用于根据所述可执行指令执行如第一方面提供的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面提供的方法。
第五方面，本申请实施例提供一种程序产品，所述程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，服务器的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得服务器执行第一方面的任一方面的方法。
本申请实施例提供的基于用户点击的物品推荐方法、装置、设备和存储介质，由于为户点击序列中的历史物品赋予时间上的权重，进而基于历史物品被点击的时间点对历史物品与待推荐物品之间的相似性进行分析，可以准确的为用户分析出符合用户当前一段时间的需求的物品，准确的为用户进行推荐。此外，在为当前用户推荐物品的时候，所获取的历史物品可以是当前用户所归属的用户群体所点击过的物品，进而在当前用户的历史物品较少的时候，也可以为当前用户进行推荐。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的应用场景示意图；
图2为本申请实施例提供的一种基于用户点击的物品推荐方法的流程示意图；
图3为本申请实施例提供的另一种基于用户点击的物品推荐方法的流程示意图；
图4为本申请实施例提供的匹配向量的矩阵的计算示意图；
图5为本申请实施例提供的一种基于用户点击的物品推荐装置的结构示意图；
图6为本申请实施例提供的另一种基于用户点击的物品推荐装置的结构示意图；
图7为本申请实施例提供的一种终端设备的框图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
随着互联网技术的发展和用户，用户开始越来越依赖于在互联网上进行物品的挑选。为了便于用户挑选和观看适合自己的物品，可以基于互联网为用户推荐用户所需的物品。可以对用户的兴趣爱好进行分析，进而为用户推荐物品。
一个示例中，可以获取用户的浏览信息；然后对用户的浏览信息进行分析，可以采用传统基于树模型、因子分解机等机器学习方式对浏览信息进行分析，确定出用户可能的最感兴趣的物品。然后，将与用户可能的最感兴趣的物品类似的物品，推荐给用户。
但是上述方式中，解决方案，且针对序列推荐场景中的纠偏问题没有具体的解决方案，获取到的用户的浏览信息是分散的，没有考虑用户曾经浏览的物品的浏览时间，即，未充分利用时间和长短期偏好信息。
所以发明人基于上述的创造性发现，提出了本申请的技术方案。下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
下面对本申请实施例提供的方法的应用场景进行介绍。图1为本申请实施例提供的应用场景示意图，如图1所示，用户曾经点击过多个物品，包括了物品1、物品2、物品3、物品4和物品5；在对用户点击过的物品、待推荐的物品进行分析之后，为用户推荐物品A、物品B和物品C。
可以理解的是，本申请实施例提供的应用场景还可以为其他应用场景，本申请实施例中对应用场景不做限定。并在后续实施例的介绍中进行其他应用场景的示例性说明。
图2为本申请实施例提供的一种基于用户点击的物品推荐方法的流程示意图，如图2所示，该方法包括：
101、获取用户点击序列和多个待推荐物品的特征信息，其中，用户点击序列中包括至少一个用户在当前时间之前所点击的至少一个历史物品的物品信息，每一物品信息中包括时间信息。
一个示例中，时间信息表征用户点击物品的时间点；特征信息中包括文本特征和图像特征，其中，文本特征表征对图像的文字描述的信息。
示例性地，本实施例的执行主体可以是终端设备、或者电子设备、或者基于用户点击的物品推荐方法装置、或者基于用户点击的物品推荐方法设备、或者其他可以执行本实施例的装置或设备，对此不做限制。本实施例以执行主体为终端设备进行介绍。
可以从用户所使用的终端设备、或者服务器中获取用户曾经点击过的历史物品的物品信息。并且，在用户之前点击历史物品的时候，可以记录下点击物品的时间点，进而物品信息中包括时间信息。进而，得到用户点击序列。
其中，所获取的用户点击序列中的历史物品，可以是当前用户所点击过的历史物品；或者，所获取的用户点击序列中的历史物品，可以当前用户所归属的用户群体中的各用户所点击过的历史物品。
例如，在为当前用户A进行物品推荐的时候，可以首先通过对用户A的用户信息进行分析，确定出用户A所归属的用户群体，例如，用户群体为学生、或者家长、或者白领等等；然后，获取用户A所归属的用户群体中的每一用户的历史物品的物品信息，将用户A所归属的用户群体中的每一用户的历史物品的物品信息，构成用户点击序列。
此外，还需要获取待推荐物品的特征信息，其中，特征信息中包括物品的文本特征和物品的图像特征。可以对待推荐物品的图像进行图像分析，进而得到待推荐物品的图像特征；由于待推荐物品具有文字描述，可以对文字描述进行关键字提取，进而得到文本特征。
102、根据当前时间的下一次点击时间、以及用户点击序列中的每一个时间信息，确定用户点击序列中每一个历史物品的重要度权重。
示例性地，可以基于用户最近的一次点击动作的时间、以及预设的时间间隔，得到用户的下一次点击时间；即，用户最近的一次点击动作的时间加上时间间隔，就可以得到下一次点击时间。并且，用户点击序列中的每一物品信息具有时间信息。
为了充分利用历史物品的时间信息(用户点击历史物品的时间点)，可以基于下一次点击时间、以及用户点击序列中的每一个时间信息，确定出每一个历史物品的重要度权重，即，得到用户点击序列中的第i个历史物品的重要度权重
Figure BDA0002705674350000091
例如，可以下一次点击时间、以及用户点击序列中的每一个时间信息，进行相减，得到每一个历史物品的重要度权重。
103、根据用户点击序列中每一个历史物品的重要度权重和物品信息、以及每一个待推荐物品的特征信息，确定每一个待推荐物品的推荐分数。
示例性地，需要为待推荐物品确定出推荐分数，以便于为用户进行推荐。由于已经基于下一次点击时间和历史物品的时间信息，确定出了每一个历史物品的重要度权重，为了分析出历史物品与待推荐物品的相似性，可以将每一个历史物品的重要度权重和物品信息、以及每一个待推荐物品的特征信息输入到预设的模型中，得到历史物品与待推荐物品的相似性，进而得到每一个待推荐物品的推荐分数。
104、根据每一个待推荐物品的推荐分数，向当前用户推荐物品。
示例性地，在得到每一个待推荐物品的推荐分数之后，可以基于推荐分析对待推荐物品进行排序，将排名前P个待推荐物品显示给用户，进而推荐给用户。其中，P为大于等于1的正整数。
本实施例中，通过预测出用户的下一次点击时间，然后基于下一次点击时间、用户点击序列中的每一历史物品的时间信息，确定出每一历史物品的重要度权重，进而为户点击序列中的历史物品赋予时间上的权重；然后，基于每一个历史物品的重要度权重和物品信息、以及每一个待推荐物品的特征信息，得到每一个待推荐物品的推荐分数，即，得到历史物品与待推荐物品之间的相似性；进而基于待推荐物品的推荐分数，为当前用户推荐物品。由于为户点击序列中的历史物品赋予时间上的权重，进而基于历史物品被点击的时间点对历史物品与待推荐物品之间的相似性进行分析，可以准确的为用户分析出符合用户当前一段时间的需求的物品，准确的为用户进行推荐。此外，在为当前用户推荐物品的时候，所获取的历史物品可以是当前用户所归属的用户群体所点击过的物品，进而在当前用户的历史物品较少的时候，也可以为当前用户进行推荐。
图3为本申请实施例提供的另一种基于用户点击的物品推荐方法的流程示意图，如图3所示，该方法包括：
201、获取用户点击序列和多个待推荐物品的特征信息，其中，用户点击序列中包括至少一个用户在当前时间之前所点击的至少一个历史物品的物品信息，每一物品信息中包括时间信息。
一个示例中，在历史物品的总个数小于待推荐物品的总个数时，用户点击序列中包括当前用户和其他用户所对应的历史物品；在历史物品的总个数大于等于待推荐物品的总个数时，用户点击序列中包括当前用户所对应的历史物品。
示例性地，本实施例的执行主体可以是终端设备、或者电子设备、或者基于用户点击的物品推荐方法装置、或者基于用户点击的物品推荐方法设备、或者其他可以执行本实施例的装置或设备，对此不做限制。本实施例以执行主体为终端设备进行介绍。
本步骤可以参见图2的步骤101，不再赘述。
需要强调的是，用户点击序列的历史物品可以是当前用户所点击过的物品；或者，用户点击序列的历史物品也可以是当前用户和其他用户点击过的物品。
在当前用户的历史物品的总个数小于待推荐物品的总个数的时候，用户点击序列中包括的是当前用户和其他用户所对应的历史物品；其中，其他用户和当前用户归属于同一个用户群体，进而利用用户之间的相似性，得到历史物品。
在当前用户的历史物品的总个数大于等于待推荐物品的总个数时，可以只使用当前用户所点击过的历史物品，即，用户点击序列中包括的是当前用户所对应的历史物品。
202、对用户点击序列进行第一初始化处理，其中，第一初始化处理用于将各历史物品的物品信息映射到同一个空间维度上；对多个待推荐物品的特征信息进行第二初始化处理，其中，第二初始化处理用于将各待推荐物品的特征信息映射到同一个空间维度上。
示例性地，在步骤201之后，得到一个用户点击序列Seq={c1，c2，c3，...，ci，...，cn}，其中，用户点击序列中包括n个历史物品。每一历史物品具有被点击的时间点，即，每一历史物品具有时间信息ti；从而，可以得到一个时间序列T＝{t1，t2，t3，...，ti，...，tn}。其中，i为大于等于1、小于等于n的正整数；n为大于等于1的正整数。
还可以得到每一个历史物品的文本特征TxtEmb＝{te1，te2，te3，...，tej，...，tem}；m为文本特征的维度，例如m＝256；还可以得到每一个历史物品的图像特征ImgEmb＝{ie1，ie2，ie3，...，iej，...，iem}；m也为图像特征的维度，例如m＝256。其中，j为大于等于1、小于等于m的正整数；m为大于等于1的正整数。每一个历史物品的文本特征和图像特征，构成了每一个历史物品的特征信息。
需要对用户点击序列中的历史物品的物品信息，进行第一初始化处理，进而将历史物品的物品信息映射到同一个空间维度上，并且将离散变量的物品信息转为连续向量的表示。从将用户点击序列映射为一个p维的向量，p为大于等于1的正整数。例如，第一初始化处理为随机(Random)初始化处理。随机初始化处理的具体过程，可以参见现有的介绍，不再赘述。例如，对用户点击序列通过Embedding层进行向量化映射，得到处理后的用户点击序列
Figure BDA0002705674350000121
其中，F进行映射之前的用户点击序列的矩阵。
还需要对待推荐物品的特征信息进行第二初始化处理，将各待推荐物品的特征信息映射到同一个空间维度上。一个示例中，首先对待推荐物品的特征信息进行随机初始化处理；然后，对待推荐物品的特征信息进行预训练(Pre-training)的初始化处理，进而将各待推荐物品的特征信息映射到同一个空间维度上，并且将离散变量的特征信息转为连续向量的表示。从将待推荐物品的特征信息映射为一个p维的向量，p为大于等于1的正整数。例如，对待推荐物品的特征信息通过Embedding层进行向量化映射，得到处理后的用户点击序列
Figure BDA0002705674350000122
其中，F进行映射之前的特征信息的矩阵。
举例来说，首先对待推荐物品的文本特征进行随机初始化处理，同时对待推荐物品的图像特征进行随机初始化处理；然后，针对每一个待推荐物品，将待推荐物品的文本特征和图像特征进行拼接，得到待推荐物品的特征信息，例如，将256维度的文本特征和256维度的图像特征进行拼接，得到512维度的特征信息；然后，基于预训练的初始化处理对待推荐物品的特征信息进行训练，训练之后得到归一化的、统一了向量空间的特征信息。
203、根据当前时间的下一次点击时间、用户点击序列中的每一时间信息两者的差值，得到用户点击序列中每一个历史物品的时间差值。
示例性地，可以基于用户最近的一次点击动作的时间、以及预设的时间间隔，得到用户的下一次点击时间；即，用户最近的一次点击动作的时间加上时间间隔，就可以得到下一次点击时间tk。并且，用户点击序列中的每一物品信息具有时间信息。
将下一次点击时间tk、用户点击序列中的每一时间信息ti两者进行差值计算，得到差值tk-ti。
204、根据用户点击序列中每一个历史物品的时间差值、以及预设的时间因子，确定用户点击序列中每一个历史物品的重要度权重。
示例性地，预先设置了一个时间因子ε，例如，时间因子ε的取值为5e4。可以将每一个历史物品的时间差值处于预设的时间因子ε，得到第i个历史物品的初始权重
Figure BDA00027056743500001310
接着，对第i个历史物品的初始权重di进行数据转换(例如，线性变换等等)，得到第i个历史物品的重要度权重
Figure BDA00027056743500001311
205、根据用户点击序列中每一个历史物品的重要度权重，确定用户点击序列中每一个历史物品的权重比例。
示例性地，在确定每一个待推荐物品的推荐分数的时候，需要先分析出每一个历史物品的权重比例。
可以对每一个历史物品的重要度权重进行求和，得到权重之和
Figure BDA0002705674350000131
从而根据第i个历史物品的重要度权重
Figure BDA0002705674350000132
以及权重之和，得到第i个历史物品的权重比例
Figure BDA0002705674350000133
其中，exp指的是，以自然常数e为底的指数函数。例如，
Figure BDA0002705674350000134
指的是以自然常数e为底、以第i个历史物品的重要度权重
Figure BDA0002705674350000135
为指数的指数函数，即，采用
Figure BDA0002705674350000136
可以对第i个历史物品的重要度权重
Figure BDA0002705674350000137
进行指数函数的计算。
206、根据每一个历史物品的权重比例、每一个待推荐物品的特征信息、以及用户点击序列，确定每一个待推荐物品的推荐分数。
一个示例中，步骤206具体包括：将每一个历史物品的权重比例、每一个待推荐物品的特征信息、以及用户点击序列输入到预设的注意力模型中，得到每一个待推荐物品的匹配向量；其中，匹配向量用于表征待推荐物品与历史物品之间的匹配度；对每一个待推荐物品的匹配向量和特征信息进行点乘运算，得到每一个待推荐物品的推荐分数。
示例性地，可以将每一个历史物品的权重比例、每一个待推荐物品的特征信息、以及用户点击序列，输入到预设的模型中，得到每一个待推荐物品的推荐分数。
一个示例中，预先构建了一个注意力模型，可以基于AdamW方法和交叉熵损失函数Categorical CrossEntropy对注意力模型进行训练，进而得到优化后的注意力模型。并且，可以基于训练样本，对注意力模型进行训练；其中，训练样本中包括待训练的用户点击序列、待训练的推荐物品、以待训练的非推荐物品。
将每一个历史物品的权重比例、每一个待推荐物品的特征信息、以及用户点击序列输入到预设的注意力模型中，去计算待推荐物品与历史物品之间的匹配度，进而得到每一个待推荐物品的匹配向量
Figure BDA0002705674350000141
然后将每一个待推荐物品的匹配向量
Figure BDA0002705674350000142
和特征信息进行点乘运算，得到每一个待推荐物品的推荐分数。
其中，各待推荐物品的匹配向量
Figure BDA0002705674350000143
可以构成一个匹配向量的矩阵
Figure BDA0002705674350000144
可知，可以采用
Figure BDA0002705674350000145
去表达各待推荐物品的匹配向量的矩阵，其中，S是初始的用户点击序列，T是用户点击序列中的时间信息，
Figure BDA0002705674350000146
为经过了第一初始化处理后的用户点击序列，θ是注意力模型中的参数集合。
一个示例中，步骤206具体包括：将每一个历史物品的权重比例与每一待推荐物品的特征信息进行点乘运算，得到每一待推荐物品的处理后的特征信息；将每一待推荐物品的处理后的特征信息、以及用户点击序列输入到预设的注意力模型中，得到每一个待推荐物品的匹配向量；对每一个待推荐物品的匹配向量和特征信息进行点乘运算，得到每一个待推荐物品的推荐分数。
具体的，可以将每一个历史物品的权重比例ai与每一待推荐物品的特征信息
Figure BDA0002705674350000147
进行点乘运算，得到每一待推荐物品的处理后的特征信息
Figure BDA0002705674350000148
一个示例中，进行点乘运算的历史物品与待推荐物品可以具有相似关系。
然后，将每一待推荐物品的处理后的特征信息进行求和，得到求和后的特征信息；将求和后的特征信息和用户点击序列，输入到预设的注意力模型中，得到每一个待推荐物品的匹配向量
Figure BDA0002705674350000149
其中，各待推荐物品的匹配向量
Figure BDA00027056743500001410
可以构成一个匹配向量的矩阵
Figure BDA00027056743500001411
其中，w是各历史物品的重要度权重所构成的矩阵；图4为本申请实施例提供的匹配向量的矩阵的计算示意图，如图4所示，每一待推荐物品的特征信息与每一个历史物品的权重比例进行点乘运算，然后再加上用户点击序列，就可以得到匹配向量的矩阵
Figure BDA00027056743500001412
然后，对每一个待推荐物品的匹配向量和特征信息进行点乘运算，得到每一个待推荐物品的推荐分数。可以得到各待推荐物品的推荐分数所构成的矩阵
Figure BDA0002705674350000151
Figure BDA0002705674350000152
是各待推荐物品的匹配向量所构成的矩阵，
Figure BDA0002705674350000153
是各待推荐物品的特征信息所构成的矩阵。例如，如图4所示，在得到匹配向量的矩阵
Figure BDA0002705674350000154
之后，根据匹配向量的矩阵
Figure BDA0002705674350000155
以及待推荐物品的特征信息，就可以得到待推荐物品的推荐分数矩阵Dot，这里的Dot指的是上述“各待推荐物品的推荐分数所构成的矩阵s”。
207、获取每一个待推荐物品的曝光度。
示例性地，在得到每一个待推荐物品的推荐分数，还可以基于待推荐物品的曝光度对推荐分数进行校正。可以依据各待推荐物品的被大量用户点击的点击率，得到每一个待推荐物品的曝光度。
例如，将待推荐物品被大量用户点击的次数，作为待推荐物品的曝光度。或者，将待推荐物品被大量用户点击的点击频率，作为待推荐物品的曝光度。
208、根据每一个待推荐物品的曝光度，调整每一个待推荐物品的推荐分数，得到每一个待推荐物品的推荐得分。
一个示例中，每一个待推荐物品的曝光度与每一个待推荐物品的推荐得分之间负相关。
一个示例中，步骤208具体包括：针对每一待推荐物品，若该待推荐物品的曝光度大于等于预设阈值，则根据该待推荐物品的曝光度确定第一加权值；并根据该待推荐物品的推荐分数和第一加权值，确定该待推荐物品的推荐得分；针对每一待推荐物品，若该待推荐物品的曝光度小于预设阈值，则根据该待推荐物品的曝光度确定第二加权值；并根据该待推荐物品的推荐分数和第二加权值，确定该待推荐物品的推荐得分；其中，各第一加权值均小于各第二加权值。
示例性地，当物品的曝光较多时，将该物品作为正样本的概率就越大，需要降低待推荐物品的推荐得分；从而根据每一个待推荐物品的曝光度，调整每一个待推荐物品的推荐分数，得到每一个待推荐物品的推荐得分。其中，每一个待推荐物品的曝光度越大，每一个待推荐物品的推荐得分越低。
一个示例中，针对每一待推荐物品，若该待推荐物品的曝光度大于等于预设阈值，则根据该待推荐物品的曝光度确定第一加权值；并根据该待推荐物品的推荐分数和第一加权值，确定该待推荐物品的推荐得分；针对每一待推荐物品，若该待推荐物品的曝光度小于预设阈值，则根据该待推荐物品的曝光度确定第二加权值；并根据该待推荐物品的推荐分数和第二加权值，确定该待推荐物品的推荐得分；其中，各第一加权值均小于各第二加权值。
在确定待推荐物品的曝光度大于等于预设阈值的时候，为待推荐物品的曝光度赋予一个第一加权值。例如，针对曝光度较高的待推荐物品，赋予了第一加权值1+1/ln(p+e)，其中p为待推荐物品的曝光度，e为自然底数。然后，再根据该待推荐物品的推荐分数和第一加权值，确定待推荐物品的推荐得分ss＝s*(1+1/ln(p+e))，其中，s为待推荐物品的推荐分数。
在确定待推荐物品的曝光度小于预设阈值的时候，为待推荐物品的曝光度赋予一个第二加权值。例如，针对曝光度较低的待推荐物品，赋予了第二加权值a+1/p，其中p为待推荐物品的曝光度，a为预设参数(例如，在对物品信息进行了随机初始化处理时，a＝1.5；在对物品信息进行了预训练的初始化处理时，a＝1.1)；此时，针对曝光度较低的待推荐物品，其中依旧存在热度分段，从而可以对低曝光度的待推荐物品中的较高热度物品进行小幅度加权。然后，再根据该待推荐物品的推荐分数和第二加权值，确定待推荐物品的推荐得分ss＝s*(a+1/p)，其中，s为待推荐物品的推荐分数。
209、根据每一个待推荐物品的推荐得分，向当前用户推荐物品。
示例性地，在得到每一个待推荐物品的推荐得分之后，可以基于推荐分析对待推荐物品进行排序，将排名前P个待推荐物品显示给用户，进而推荐给用户。其中，P为大于等于1的正整数。
本实施例，在上述实施例的基础上，基于下一次点击时间、用户点击序列中的每一历史物品的时间信息，确定出每一历史物品的重要度权重，进而为户点击序列中的历史物品赋予时间上的权重；然后，基于每一个历史物品的重要度权重，确定每一个历史物品的权重比例；然后，基于每一个历史物品的权重比例、每一个待推荐物品的特征信息、以及用户点击序列，得到每一个待推荐物品的推荐分数，即，得到历史物品与待推荐物品之间的相似性；进而基于待推荐物品的推荐分数，为当前用户推荐物品。由于为户点击序列中的历史物品赋予时间上的权重，进而基于历史物品被点击的时间点对历史物品与待推荐物品之间的相似性进行分析，可以准确的为用户分析出符合用户当前一段时间的需求的物品，准确的为用户进行推荐。并且，基于待推荐物品的曝光度对推荐分数进行校正，得到待推荐物品的推荐得分；进而，基于曝光度对低曝光度物品和高曝光度物品的推荐比例进行调节，解决低曝光的物品在模型推荐中处于劣势的问题，可以对低曝光度物品的推荐与高曝光度物品的推荐进行均衡。
图5为本申请实施例提供的一种基于用户点击的物品推荐装置的结构示意图，如图5所示，该装置包括：
获取单元31，用于获取用户点击序列和多个待推荐物品的特征信息，其中，用户点击序列中包括至少一个用户在当前时间之前所点击的至少一个历史物品的物品信息，每一物品信息中包括时间信息。
第一确定单元32，用于根据当前时间的下一次点击时间、以及用户点击序列中的每一个时间信息，确定用户点击序列中每一个历史物品的重要度权重。
第二确定单元33，用于根据用户点击序列中每一个历史物品的重要度权重和物品信息、以及每一个待推荐物品的特征信息，确定每一个待推荐物品的推荐分数。
推荐单元34，用于根据每一个待推荐物品的推荐分数，向当前用户推荐物品。
示例性地，本实施例可以参见上述方法实施例，其原理和技术效果类似，不再赘述。
图6为本申请实施例提供的另一种基于用户点击的物品推荐装置的结构示意图，在图5所示实施例的基础上，如图6所示，第一确定单元32，包括：
第一确定模块321，用于根据当前时间的下一次点击时间、用户点击序列中的每一时间信息两者的差值，得到用户点击序列中每一个历史物品的时间差值。
第二确定模块322，用于根据用户点击序列中每一个历史物品的时间差值、以及预设的时间因子，确定用户点击序列中每一个历史物品的重要度权重。
一个示例中，第二确定单元33，包括：
第三确定模块331，用于根据用户点击序列中每一个历史物品的重要度权重，确定用户点击序列中每一个历史物品的权重比例。
第四确定模块332，用于根据每一个历史物品的权重比例、每一个待推荐物品的特征信息、以及用户点击序列，确定每一个待推荐物品的推荐分数。
一个示例中，第四确定模块332，包括：
第一确定子模块3321，用于将每一个历史物品的权重比例、每一个待推荐物品的特征信息、以及用户点击序列输入到预设的注意力模型中，得到每一个待推荐物品的匹配向量；其中，匹配向量用于表征待推荐物品与历史物品之间的匹配度。
第二确定子模块3322，用于对每一个待推荐物品的匹配向量和特征信息进行点乘运算，得到每一个待推荐物品的推荐分数。
一个示例中，在历史物品的总个数小于待推荐物品的总个数时，用户点击序列中包括当前用户和其他用户所对应的历史物品；在历史物品的总个数大于等于待推荐物品的总个数时，用户点击序列中包括当前用户所对应的历史物品。
一个示例中，第一确定子模块3321，具体用于：将每一个历史物品的权重比例与每一待推荐物品的特征信息进行点乘运算，得到每一待推荐物品的处理后的特征信息；将每一待推荐物品的处理后的特征信息、以及用户点击序列输入到预设的注意力模型中，得到每一个待推荐物品的匹配向量。
一个示例中，推荐单元34，包括：
获取模块341，用于获取每一个待推荐物品的曝光度。
第五确定模块342，用于根据每一个待推荐物品的曝光度，调整每一个待推荐物品的推荐分数，得到每一个待推荐物品的推荐得分。
推荐模块343，用于根据每一个待推荐物品的推荐得分，向当前用户推荐物品。
一个示例中，每一个待推荐物品的曝光度与每一个待推荐物品的推荐得分之间负相关。
一个示例中，第五确定模块342，具体用于：针对每一待推荐物品，若该待推荐物品的曝光度大于等于预设阈值，则根据该待推荐物品的曝光度确定第一加权值；并根据该待推荐物品的推荐分数和第一加权值，确定该待推荐物品的推荐得分；针对每一待推荐物品，若该待推荐物品的曝光度小于预设阈值，则根据该待推荐物品的曝光度确定第二加权值；并根据该待推荐物品的推荐分数和第二加权值，确定该待推荐物品的推荐得分；其中，各第一加权值均小于各第二加权值。
一个示例中，时间信息表征用户点击物品的时间点；特征信息中包括文本特征和图像特征，其中，文本特征表征对图像的文字描述的信息。
一个示例中，本实施例提供搞得装置，还包括：
初始化单元41，用于在第一确定单元31根据当前时间的下一次点击时间、以及用户点击序列中的每一个时间信息，确定用户点击序列中每一个历史物品的重要度权重之前，对用户点击序列进行第一初始化处理，其中，第一初始化处理用于将各历史物品的物品信息映射到同一个空间维度上；对多个待推荐物品的特征信息进行第二初始化处理，其中，第二初始化处理用于将各待推荐物品的特征信息映射到同一个空间维度上。
示例性地，本实施例可以参见上述方法实施例，其原理和技术效果类似，不再赘述。
图7为本申请实施例提供的一种终端设备的框图，该设备可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质，当该存储介质中的指令由终端设备的处理器执行时，使得终端设备能够执行上述基于用户点击的物品推荐方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

Claims (14)

1.一种基于用户点击的物品推荐方法，其特征在于，所述方法包括：
获取用户点击序列和多个待推荐物品的特征信息，其中，所述用户点击序列中包括至少一个用户在当前时间之前所点击的至少一个历史物品的物品信息，每一所述物品信息中包括时间信息；
根据所述当前时间的下一次点击时间、以及所述用户点击序列中的每一个时间信息，确定所述用户点击序列中每一个历史物品的重要度权重；
根据所述用户点击序列中每一个历史物品的重要度权重和物品信息、以及每一个所述待推荐物品的特征信息，确定每一个所述待推荐物品的推荐分数；
根据每一个所述待推荐物品的推荐分数，向当前用户推荐物品。
2.根据权利要求1所述的方法，其特征在于，根据所述当前时间的下一次点击时间、以及所述用户点击序列中的每一个时间信息，确定所述用户点击序列中每一个历史物品的重要度权重，包括：
根据所述当前时间的下一次点击时间、所述用户点击序列中的每一时间信息两者的差值，得到所述用户点击序列中每一个历史物品的时间差值；
根据所述用户点击序列中每一个历史物品的时间差值、以及预设的时间因子，确定所述用户点击序列中每一个历史物品的重要度权重。
3.根据权利要求1所述的方法，其特征在于，根据所述用户点击序列中每一个历史物品的重要度权重和物品信息、以及每一个所述待推荐物品的特征信息，确定每一个所述待推荐物品的推荐分数，包括：
根据所述用户点击序列中每一个历史物品的重要度权重，确定所述用户点击序列中每一个历史物品的权重比例；
根据所述每一个历史物品的权重比例、每一个所述待推荐物品的特征信息、以及所述用户点击序列，确定每一个所述待推荐物品的推荐分数。
4.根据权利要求3所述的方法，其特征在于，根据所述每一个历史物品的权重比例、每一个所述待推荐物品的特征信息、以及所述用户点击序列，确定每一个所述待推荐物品的推荐分数，包括：
将所述每一个历史物品的权重比例、每一个所述待推荐物品的特征信息、以及所述用户点击序列输入到预设的注意力模型中，得到每一个所述待推荐物品的匹配向量；其中，所述匹配向量用于表征待推荐物品与历史物品之间的匹配度；
对每一个所述待推荐物品的匹配向量和特征信息进行点乘运算，得到每一个所述待推荐物品的推荐分数。
5.根据权利要求4所述的方法，其特征在于，在所述历史物品的总个数小于所述待推荐物品的总个数时，所述用户点击序列中包括所述当前用户和其他用户所对应的历史物品；
在所述历史物品的总个数大于等于所述待推荐物品的总个数时，所述用户点击序列中包括所述当前用户所对应的历史物品。
6.根据权利要求4所述的方法，其特征在于，将所述每一个历史物品的权重比例、每一个所述待推荐物品的特征信息、以及所述用户点击序列输入到预设的注意力模型中，得到每一个所述待推荐物品的匹配向量，包括：
将所述每一个历史物品的权重比例与每一所述待推荐物品的特征信息进行点乘运算，得到每一所述待推荐物品的处理后的特征信息；
将每一所述待推荐物品的处理后的特征信息、以及所述用户点击序列输入到预设的注意力模型中，得到每一个所述待推荐物品的匹配向量。
7.根据权利要求1-6任一项所述的方法，其特征在于，根据每一个所述待推荐物品的推荐分数，向当前用户推荐物品，包括：
获取每一个所述待推荐物品的曝光度；
根据每一个所述待推荐物品的曝光度，调整每一个所述待推荐物品的推荐分数，得到每一个所述待推荐物品的推荐得分；
根据所述每一个所述待推荐物品的推荐得分，向所述当前用户推荐物品。
8.根据权利要求7所述的方法，其特征在于，每一个所述待推荐物品的曝光度与每一个所述待推荐物品的推荐得分之间负相关。
9.根据权利要求8所述的方法，其特征在于，根据每一个所述待推荐物品的曝光度，调整每一个所述待推荐物品的推荐分数，得到每一个所述待推荐物品的推荐得分，包括：
针对每一所述待推荐物品，若该待推荐物品的曝光度大于等于预设阈值，则根据该待推荐物品的曝光度确定第一加权值；并根据该待推荐物品的推荐分数和所述第一加权值，确定该待推荐物品的推荐得分；
针对每一所述待推荐物品，若该待推荐物品的曝光度小于所述预设阈值，则根据该待推荐物品的曝光度确定第二加权值；并根据该待推荐物品的推荐分数和所述第二加权值，确定该待推荐物品的推荐得分；
其中，各所述第一加权值均小于各所述第二加权值。
10.根据权利要求1-6任一项所述的方法，其特征在于，所述时间信息表征用户点击物品的时间点；
所述特征信息中包括文本特征和图像特征，其中，所述文本特征表征对图像的文字描述的信息。
11.根据权利要求1-6任一项所述的方法，其特征在于，在根据所述当前时间的下一次点击时间、以及所述用户点击序列中的每一个时间信息，确定所述用户点击序列中每一个历史物品的重要度权重之前，还包括：
对所述用户点击序列进行第一初始化处理，其中，所述第一初始化处理用于将各所述历史物品的物品信息映射到同一个空间维度上；
对所述多个待推荐物品的特征信息进行第二初始化处理，其中，所述第二初始化处理用于将各所述待推荐物品的特征信息映射到同一个空间维度上。
12.一种基于用户点击的物品推荐装置，其特征在于，所述装置包括：
获取单元，用于获取用户点击序列和多个待推荐物品的特征信息，其中，所述用户点击序列中包括至少一个用户在当前时间之前所点击的至少一个历史物品的物品信息，每一所述物品信息中包括时间信息；
第一确定单元，用于根据所述当前时间的下一次点击时间、以及所述用户点击序列中的每一个时间信息，确定所述用户点击序列中每一个历史物品的重要度权重；
第二确定单元，用于根据所述用户点击序列中每一个历史物品的重要度权重和物品信息、以及每一个所述待推荐物品的特征信息，确定每一个所述待推荐物品的推荐分数；
推荐单元，用于根据每一个所述待推荐物品的推荐分数，向当前用户推荐物品。
13.一种终端设备，其特征在于，包括：存储器，处理器；
存储器，用于存储所述处理器可执行指令的存储器；
所述处理器，用于根据所述可执行指令执行如权利要求1-11任一项所述的方法。
14.一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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-11任一项所述的方法。
CN202011037838.XA 2020-09-28 2020-09-28 基于用户点击的物品推荐方法、装置、设备和存储介质 Active CN112148980B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011037838.XA CN112148980B (zh) 2020-09-28 2020-09-28 基于用户点击的物品推荐方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011037838.XA CN112148980B (zh) 2020-09-28 2020-09-28 基于用户点击的物品推荐方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN112148980A true CN112148980A (zh) 2020-12-29
CN112148980B CN112148980B (zh) 2023-11-03

Family

ID=73895999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011037838.XA Active CN112148980B (zh) 2020-09-28 2020-09-28 基于用户点击的物品推荐方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112148980B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419015A (zh) * 2021-01-25 2021-02-26 北京每日优鲜电子商务有限公司 物品信息推送方法、装置、电子设备和计算机可读介质
CN113763110A (zh) * 2021-02-08 2021-12-07 北京沃东天骏信息技术有限公司 一种物品推荐方法和装置
CN114791983A (zh) * 2022-04-13 2022-07-26 湖北工业大学 基于时序物品相似度的序列推荐方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104391849A (zh) * 2014-06-30 2015-03-04 浙江大学苏州工业技术研究院 融入时间上下文信息的协同过滤推荐方法
US20180260716A1 (en) * 2015-11-25 2018-09-13 Alibaba Group Holding Limited Weight-coefficient-based hybrid information recommendation
US20180276734A1 (en) * 2016-07-12 2018-09-27 Tencent Technology (Shenzhen) Company Limited Information push method and apparatus, server, and storage medium
CN109978642A (zh) * 2017-12-27 2019-07-05 中移（杭州）信息技术有限公司 一种信息推荐方法、装置和通信设备
CN110569432A (zh) * 2019-08-14 2019-12-13 中国平安人寿保险股份有限公司 商品序列计算方法、装置、计算机设备及存储介质
CN110633405A (zh) * 2018-06-01 2019-12-31 北京京东尚科信息技术有限公司 用于推送信息的方法和装置
CN111046286A (zh) * 2019-12-12 2020-04-21 腾讯科技（深圳）有限公司 一种对象推荐方法、装置、以及计算机存储介质
CN111310050A (zh) * 2020-02-27 2020-06-19 深圳大学 一种基于多层注意力的推荐方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104391849A (zh) * 2014-06-30 2015-03-04 浙江大学苏州工业技术研究院 融入时间上下文信息的协同过滤推荐方法
US20180260716A1 (en) * 2015-11-25 2018-09-13 Alibaba Group Holding Limited Weight-coefficient-based hybrid information recommendation
US20180276734A1 (en) * 2016-07-12 2018-09-27 Tencent Technology (Shenzhen) Company Limited Information push method and apparatus, server, and storage medium
CN109978642A (zh) * 2017-12-27 2019-07-05 中移（杭州）信息技术有限公司 一种信息推荐方法、装置和通信设备
CN110633405A (zh) * 2018-06-01 2019-12-31 北京京东尚科信息技术有限公司 用于推送信息的方法和装置
CN110569432A (zh) * 2019-08-14 2019-12-13 中国平安人寿保险股份有限公司 商品序列计算方法、装置、计算机设备及存储介质
CN111046286A (zh) * 2019-12-12 2020-04-21 腾讯科技（深圳）有限公司 一种对象推荐方法、装置、以及计算机存储介质
CN111310050A (zh) * 2020-02-27 2020-06-19 深圳大学 一种基于多层注意力的推荐方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112419015A (zh) * 2021-01-25 2021-02-26 北京每日优鲜电子商务有限公司 物品信息推送方法、装置、电子设备和计算机可读介质
CN112419015B (zh) * 2021-01-25 2021-05-25 北京每日优鲜电子商务有限公司 物品信息推送方法、装置、电子设备和计算机可读介质
CN113763110A (zh) * 2021-02-08 2021-12-07 北京沃东天骏信息技术有限公司 一种物品推荐方法和装置
CN114791983A (zh) * 2022-04-13 2022-07-26 湖北工业大学 基于时序物品相似度的序列推荐方法

Also Published As

Publication number Publication date
CN112148980B (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
CN109858524B (zh) 手势识别方法、装置、电子设备及存储介质
CN108256555B (zh) 图像内容识别方法、装置及终端
CN108121952B (zh) 人脸关键点定位方法、装置、设备及存储介质
CN109871896B (zh) 数据分类方法、装置、电子设备及存储介质
CN110598504B (zh) 图像识别方法及装置、电子设备和存储介质
CN109543066B (zh) 视频推荐方法、装置和计算机可读存储介质
CN112148980B (zh) 基于用户点击的物品推荐方法、装置、设备和存储介质
CN106485567B (zh) 物品推荐方法及装置
CN107463643B (zh) 弹幕数据的显示方法、装置及存储介质
CN109670077B (zh) 视频推荐方法、装置和计算机可读存储介质
CN110781323A (zh) 多媒体资源的标签确定方法、装置、电子设备及存储介质
CN112148923B (zh) 搜索结果的排序方法、排序模型的生成方法、装置及设备
CN110941727B (zh) 一种资源推荐方法、装置、电子设备及存储介质
CN107480773B (zh) 训练卷积神经网络模型的方法、装置及存储介质
CN111241844A (zh) 一种信息推荐方法及装置
CN112784151B (zh) 一种确定推荐信息的方法及相关装置
CN115512116B (zh) 图像分割模型优化方法、装置、电子设备及可读存储介质
CN111859097B (zh) 数据处理方法、装置、电子设备及存储介质
CN111949808B (zh) 一种多媒体内容相似度确定方法、装置、电子设备及存储介质
CN110659726B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN113870195A (zh) 目标贴图检测模型的训练、贴图检测方法及装置
CN113159206A (zh) 图像比对方法、装置、电子设备、计算机可读存储介质
CN112036247A (zh) 表情包文字生成方法、装置及存储介质
CN112434714A (zh) 多媒体识别的方法、装置、存储介质及电子设备
CN117350824B (zh) 电子元件信息上传及展示方法、装置、介质及设备

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176

Applicant after: Jingdong Technology Holding Co.,Ltd.

Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone, 100176

Applicant before: Jingdong Digital Technology Holding Co.,Ltd.

GR01 Patent grant
GR01 Patent grant