CN112150206B - 用户感兴趣物品的预测方法及设备 - Google Patents

用户感兴趣物品的预测方法及设备 Download PDF

Info

Publication number
CN112150206B
CN112150206B CN202011043614.XA CN202011043614A CN112150206B CN 112150206 B CN112150206 B CN 112150206B CN 202011043614 A CN202011043614 A CN 202011043614A CN 112150206 B CN112150206 B CN 112150206B
Authority
CN
China
Prior art keywords
sequence diagram
article
user
user data
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.)
Active
Application number
CN202011043614.XA
Other languages
English (en)
Other versions
CN112150206A (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.)
Jingdong Technology Holding Co Ltd
Original Assignee
Jingdong Technology Holding 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 Jingdong Technology Holding Co Ltd filed Critical Jingdong Technology Holding Co Ltd
Priority to CN202011043614.XA priority Critical patent/CN112150206B/zh
Publication of CN112150206A publication Critical patent/CN112150206A/zh
Application granted granted Critical
Publication of CN112150206B publication Critical patent/CN112150206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/02—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
    • 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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供一种用户感兴趣物品的预测方法及设备，通过获取第一用户数据，第一用户数据用于记录用户对物品的点击行为；根据第一用户数据，生成点击序列图信息，其中，点击序列图信息用于表征用户点击行为之间的时序特征；通过点击序列图信息构建物品召回预测模型，其中，物品召回预测模型用于预测用户的感兴趣物品信息，由于序列图信息中带有用户点击行为的时间顺序信息，因此，可以使模型学习到用户的点击行为之间的时序特征，进而使模型能够更好地学习的用户的行为习惯和感兴趣物品特征，提高模型的预测效果。

Description

用户感兴趣物品的预测方法及设备
技术领域
本申请实施例涉及计算机技术领域，尤其涉及一种用户感兴趣物品的预测方法及设备。
背景技术
随着互联网的发展，基于深度学习的推荐技术已广泛应用于各行各业，例如网络购物平台通过对用户在平台上的浏览历史及行为进行分析，可以为用户推荐更符合用户需求的商品和服务。
现有技术中，网络平台通过收集用户对不同物品的点击行为数据，利用召回预测模型预测用户感兴趣的物品并进行物品召回推荐，使用户能够快速找到感兴趣的物品。
然而，现有的召回预测模型，仅考虑了用户的点击行为数据中的各离散数据的特征，未充分利用数据中的信息，导致了召回预测的准确率低、召回率低等问题，使用户难以获得感兴趣的推荐商品，降低用户体验。
发明内容
本申请实施例提供一种用户感兴趣物品的预测方法及设备，用以解决召回预测的准确率低、召回率低等问题。
第一方面，本申请实施例提供了一种用户感兴趣物品的预测方法，包括：
获取第一用户数据，所述第一用户数据用于记录用户对物品的点击行为；根据所述第一用户数据，生成点击序列图信息，其中，所述点击序列图信息用于表征所述用户点击行为之间的时序特征；通过所述点击序列图信息构建物品召回预测模型，根据所述物品召回预测模型预测用户的感兴趣物品信息。
在一种可能的实现方式中，所述方法还包括：根据所述第一用户数据，确定兴趣权重系数，其中，所述兴趣权重系数用于表征对物品的感兴趣程度；根据所述第一用户数据，生成点击序列图信息，包括：根据所述第一用户数据和所述兴趣权重系数生成点击序列图信息。
在一种可能的实现方式中，根据所述第一用户数据和所述兴趣权重系数生成点击序列图信息，包括：对所述第一用户数据进行特征提取，得到预设长度的物品特征向量，其中，所述物品特征向量用于表征所述点击行为对应的物品信息；根据所述物品特征向量，确定序列图节点；确定所述序列图节点对应的兴趣权重系数；根据各所述序列图节点的兴趣权重系数，以及各所述序列图节点之间的时序关系，构建点击序列图信息。
在一种可能的实现方式中，确定所述序列图节点对应的兴趣权重系数，包括：根据第一用户数据，确定所述序列图节点对应的目标用户的点击行为的次数；根据所述序列图节点对应的目标用户的点击行为的次数，确定所述序列图节点对应的兴趣权重系数，其中，所述序列图节点对应的兴趣权重系数与所述序列图节点对应的目标用户的点击行为的次数正相关。
在一种可能的实现方式中，确定所述序列图节点对应的兴趣权重系数，包括：根据第一用户数据，确定所述序列图节点对应的物品热度；所述物品热度用于表征所述第一用户数据中物品的点击次数；根据所述序列图节点对应的物品热度，确定所述序列图节点对应的兴趣权重系数，其中，所述序列图节点对应的兴趣权重系数与所述序列图节点对应的物品热度负相关。
在一种可能的实现方式中，所述第一用户数据中包括物品图像信息和物品文字信息，对所述第一用户数据进行特征提取，得到预设长度的物品特征向量，包括：对所述物品图像信息和所述物品文字信息进行特征提取，得到物品图像信息对应的第一预设长度的物品图像特征向量和所述物品文字信息对应的第一预设长度的物品文字特征向量；将所述第一预设长度的物品图像特征向量与所述第一预设长度物品文字特征向量合并为物品特征向量，其中，所述物品特征向量用于表征所述物品图像特征和物品文字特征。
在一种可能的实现方式中，所述点击序列图信息包括序列图矩阵，通过所述点击序列图信息构建物品召回预测模型，包括：根据所述点击序列图信息中序列图节点对应的序列图矩阵，与邻接序列图节点的序列图矩阵构建第一传播模型，其中，所述第一传播模型用于表征所述点击序列图信息中相邻的后一序列图节点与前一序列图节点之间的信息传播关系；使用预设的神经网络模型对所述第一传播模型进行更新，直至残差小于预设阈值，得到所述物品召回预测模型。
在一种可能的实现方式中，所述预设的神经网络模型为GRU模型。
在一种可能的实现方式中，所述方法还包括：根据第一用户数据，确定位置编码矩阵，其中，所述位置编码矩阵用于指示所述点击行为之间的相关性；根据所述位置编码矩阵，对所述物品召回预测模型进行修正。
在一种可能的实现方式中，所述方法还包括：根据点击序列图信息，确定用户的最后一次点击行为对所述物品召回预测模型的影响系数；根据所述影响系数对所述物品召回预测模型进行修正。
在一种可能的实现方式中，获取第一用户数据之前，还包括：获取原始用户数据，根据预设的比例系数，将所述原始用户数据分割为所述第一用户数据和第二用户数据，其中，所述第一用户数据用于训练所述召回预测模型；所述第二用户数据用于测试所述召回预测模型；所述第一用户数据的最后一次点击行为对应的物品信息和所述第二用户数据的最后一次点击行为对应的物品信息为标签数据。
第二方面，本申请实施例提供了一种用户感兴趣物品的预测装置，包括：
获取模块，用于获取第一用户数据，所述第一用户数据用于记录用户对物品的点击行为；
生成模块，用于根据所述第一用户数据，生成点击序列图信息，其中，所述点击序列图信息用于表征所述用户点击行为之间的时序特征；
构建模块，用于通过所述点击序列图信息构建物品召回预测模型，根据所述物品召回预测模型预测用户的感兴趣物品信息。
在一种可能的实现方式中，所述装置还包括：
权重模块，用于根据所述第一用户数据，确定兴趣权重系数，其中，所述兴趣权重系数用于表征对物品的感兴趣程度；所述生成模块，具体用于：根据所述第一用户数据和所述兴趣权重系数生成点击序列图信息。
在一种可能的实现方式中，所述生成模块在根据所述第一用户数据和所述兴趣权重系数生成点击序列图信息时，具体用于：对所述第一用户数据进行特征提取，得到预设长度的物品特征向量，其中，所述物品特征向量用于表征所述点击行为对应的物品信息；根据所述物品特征向量，确定序列图节点；确定所述序列图节点对应的兴趣权重系数；根据各所述序列图节点的兴趣权重系数，以及各所述序列图节点之间的时序关系，构建点击序列图信息。
在一种可能的实现方式中，所述权重模块，具体用于：根据第一用户数据，确定所述序列图节点对应的目标用户的点击行为的次数；根据所述序列图节点对应的目标用户的点击行为的次数，确定所述序列图节点对应的兴趣权重系数，其中，所述序列图节点对应的兴趣权重系数与所述序列图节点对应的目标用户的点击行为的次数正相关。
在一种可能的实现方式中，所述权重模块在根据所述第一用户数据，确定兴趣权重系数时，具体用于：根据第一用户数据，确定所述序列图节点对应的物品热度；所述物品热度用于表征所述第一用户数据中物品的点击次数；根据所述序列图节点对应的物品热度，确定所述序列图节点对应的兴趣权重系数，其中，所述序列图节点对应的兴趣权重系数与所述序列图节点对应的物品热度负相关。
在一种可能的实现方式中，所述第一用户数据中包括物品图像信息和物品文字信息，所述生成模块在对所述第一用户数据进行特征提取，得到预设长度的物品特征向量时，具体用于：对所述物品图像信息和所述物品文字信息进行特征提取，得到物品图像信息对应的第一预设长度的物品图像特征向量和所述物品文字信息对应的第一预设长度的物品文字特征向量；将所述第一预设长度的物品图像特征向量与所述第一预设长度物品文字特征向量合并为物品特征向量，其中，所述物品特征向量用于表征所述物品图像特征和物品文字特征。
在一种可能的实现方式中，所述点击序列图信息包括序列图矩阵，所述构建模块，具体用于：根据所述点击序列图信息中序列图节点对应的序列图矩阵，与邻接序列图节点的序列图矩阵构建第一传播模型，其中，所述第一传播模型用于表征所述点击序列图信息中相邻的后一序列图节点与前一序列图节点之间的信息传播关系；使用预设的神经网络模型对所述第一传播模型进行更新，直至残差小于预设阈值，得到所述物品召回预测模型。
在一种可能的实现方式中，所述预设的神经网络模型为GRU模型。
在一种可能的实现方式中，所述构建模块还用于：根据第一用户数据，确定位置编码矩阵，其中，所述位置编码矩阵用于指示所述点击行为之间的相关性；根据所述位置编码矩阵，对所述物品召回预测模型进行修正。
在一种可能的实现方式中，所述构建模块还用于：根据点击序列图信息，确定用户的最后一次点击行为对所述物品召回预测模型的影响系数；根据所述影响系数对所述物品召回预测模型进行修正。
在一种可能的实现方式中，所述获取模块还用于：获取原始用户数据，根据预设的比例系数，将所述原始用户数据分割为所述第一用户数据和第二用户数据，其中，所述第一用户数据用于训练所述召回预测模型；所述第二用户数据用于测试所述召回预测模型；所述第一用户数据的最后一次点击行为对应的物品信息和所述第二用户数据的最后一次点击行为对应的物品信息为标签数据。
在一种可能的实现方式中，权重模块还用于：根据被点击物品在第一用户数据中出现的次数，对所述物品召回预测模型输出的召回得分进行分段加权修正。
第三方面，本申请实施例提供一种电子设备，包括：存储器和处理器，存储器中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的用户感兴趣物品的预测方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一项所述的用户感兴趣物品的预测方法。
本申请实施例提供一种用户感兴趣物品的预测方法及设备，通过获取第一用户数据，所述第一用户数据用于记录用户对物品的点击行为；根据所述第一用户数据，生成点击序列图信息，其中，所述点击序列图信息用于表征所述用户点击行为之间的时序特征；通过所述点击序列图信息构建物品召回预测模型，其中，所述物品召回预测模型用于预测用户的感兴趣物品信息，由于序列图信息中带有用户点击行为的时间顺序信息，因此，可以使模型学习到用户的点击行为之间的时序特征，进而使模型能够更好地学习的用户的行为习惯和感兴趣物品特征，提高模型的预测效果，提高召回预测的准确率和召回率，使用户更容易获得感兴趣的推荐商品，提高用户体验。
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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一个具体的应用场景；
图2为本申请一个实施例提供的用户感兴趣物品的预测方法的流程图；
图3为本申请是实施例提供的一种点击序列图的示意图；
图4为本申请另一个实施例提供的用户感兴趣物品的预测方法的流程图；
图5为图4所示实施例中步骤S203的流程图；
图6为图5所示实施例中步骤S2033的一种实现方式的流程图；
图7为图5所示实施例中步骤S2033的另一种实现方式的流程图；
图8为本申请实施例提供的一种用户感兴趣物品的预测装置的结构示意图；
图9为本申请实施例提供的另一种用户感兴趣物品的预测装置的结构示意图；
图10为本申请实施例提供的电子设备的结构示意图。
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
为使本申请实施例的目的、技术方案和优点更加清楚，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作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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先对本申请实施例所涉及的名词进行解释：
召回：召回是物品推荐算法的第一阶段，用于根据用户和物品特征，从海量的备选物品信息库中，确定一小部分用户潜在感兴趣的物品，进而，将该部分物品交给后续的排序环境，进一步的对此部分用户潜在感兴趣的物品进行排序预测，最终将排序靠前的若干物品推送给用户，完成物品的推荐过程。召回预测的主要目的是通过对大量备选商品进行筛选，降低备选商品的数量，该过程需要处理的数据流非常大，因此，对召回预测模型的速度要求很高，且模型不能过于复杂度。
图1为本申请实施例提供的一个具体的应用场景。如图1所示，在本实施例提供的应用场景中，用户通过访问网络平台，点击了多个商品页面。该网络平台通用记录用户的点击行为，并进行召回预测，从网络平台中现有的所有商品中，召回了用户潜在感兴趣的商品，在对该潜在感兴趣商品进行进一步地排序分析后，将其中用户最可能感兴趣的三个商品推荐给了用户。
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。
现有的推荐召回技术中，多采用传统的基于树模型、因子分解机等机器学习解决方案，未考虑用户对物品的点击行为之间的时序关系，而用户做出的对商品的点击行为，是一个连续的，具有时序特征的过程，该过程中每一次点击行为之间均有联系，由于现有技术未考虑点击行为之间的时序关系，因此，不能使模型充分学习到用户的行为特征和感兴趣物品特征，从而使召回预测模型的预测效果较差，进而相应商品推荐的准确性。
针对上述技术问题，本申请提供一种用户感兴趣物品的预测方法，已解决上述问题。
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。
图2为本申请一个实施例提供的用户感兴趣物品的预测方法的流程图，本申请实施例提供方法的执行主体例如为服务器，如图2所示，本实施例提供的用户感兴趣物品的预测方法可以包括：
S101、获取第一用户数据，第一用户数据用于记录用户对物品的点击行为。
其中，第一用户数据用于记录用户在网络平台上，对物品进行点击行为的数据，具体地，例如，用户在网络平台上进行商品选购时，当用户发现感兴趣的商品时，会从商品列表中对商品进行选取，以进一步的查看商品的价格、优惠活动、商品评价信息等内容，从而触发用户点击行为。用于对商品的点击行为，是用户对该商品感兴趣的表现，也因此，根据记录用户对物品的点击行为的第一用户数据，可以挖掘出用户感兴趣商品的特征，进而构建用户感兴趣商品的召回预测模型。
获取第一用户数据的方式有多种，例如，本实施例提供方法的执行主体为网络平台的服务器，服务器根据用户在访问该网络平台时的访问记录，确定用户相应的点击行为，进而生成第一用户数据。再例如，本实施例提供方法的执行主体为终端设备，终端设备通过网络与网络平台通信连接，用户通过终端设备访问网络平台，进行物品的选购，在用户通过终端设备点选网络平台上的不同物品后，终端设备接收网络平台的响应信息，例如访问地址等，终端设备通过该访问地址，确定用户相应的点击行为，进而生成第一用户数据。
第一用户数据的实现方式有多种，例如，第一用户数据包括一个或多个用户标识，每一用户标识对应一组用户数据，用户数据中包括用户的点击行为对应的商品描述信息，以及对应的时间信息等。其中，需要说明的是，示例性地，商品描述信息可以是直接的用于描述商品的信息，例如商品图片信息，商品文字信息等，也可以是商品标识、商品访问地址等间接信息，根据预设的映射关系，可以得到与商品标识、商品访问地址等间接信息对应的直接用于描述商品的信息。
S102、根据第一用户数据，生成点击序列图信息，其中，点击序列图信息用于表征用户点击行为之间的时序特征。
示例性地，在数据结构中，图是一种基础且常用的结构，通过用户行为序列构成的图即为序列图。点击序列图信息是一种通过序列图表征用户点击行为的信息。在第一用户数据中，记录了用户的点击行为对应的时间信息以及被点击的商品描述信息，根据第一用户数据中的用户点击行为之间的时间先后顺序，即时序特征，形成对应的序列图信息。图3为本申请是实施例提供的一种点击序列图的示意图，示例性地，根据第一用户数据，用户依次点击了Item-1、Item-2、Item-3、Item-2、Item-4，对应构成的序列图如图3所示。在由Item-1、Item-2、Item-3、Item-4构成Item序列中，每一Item为一个图节点。同时Item序列中相邻两个Item在按照出现的先后顺序构成有向边，最后将图中各节点的出入边邻接矩阵按行归一化，形成如图3中所示的入度矩阵和出度矩阵，通过该入度矩阵和出度矩阵，形成点击序列图信息。
S103、通过点击序列图信息构建物品召回预测模型，根据物品召回预测模型预测用户的感兴趣物品信息。
在序列图信息中包含了用户点击行为之间的时序特征，将该序列图信息作为图神经网络(Graph Neural Network，GNN)模型的输入，对该图神经网络模型进行训练，可得到用于预测用户的感兴趣物品信息的物品召回预测模型，进而，根据物品召回预测模型预测用户的感兴趣物品信息，可以实现与用户兴趣相匹配的物品推荐，提高推荐商品的准确度。
本申请实施例中，通过获取第一用户数据，第一用户数据用于记录用户对物品的点击行为；根据第一用户数据，生成点击序列图信息，其中，点击序列图信息用于表征用户点击行为之间的时序特征；通过点击序列图信息构建物品召回预测模型，根据物品召回预测模型预测用户的感兴趣物品信息，由于序列图信息中带有用户点击行为的时间顺序信息，因此，可以使模型学习到用户的点击行为之间的时序特征，进而使模型能够更好地学习的用户的行为习惯和感兴趣物品特征，提高模型的预测效果，提高召回预测的准确率和召回率，使用户更容易获得感兴趣的推荐商品，提高用户体验。
图4为本申请另一个实施例提供的用户感兴趣物品的预测方法的流程图，如图4所示，本实施例提供的用户感兴趣物品的预测方法在图2所示实施例提供的用户感兴趣物品的预测方法的基础上，对步骤S201和步骤S202进一步细化，并增加了对物品召回预测模型进行修正的步骤，则本实施例提供的用户感兴趣物品的预测方法可以包括：
S201、获取第一用户数据，第一用户数据用于记录用户对物品的点击行为。
S202、根据第一用户数据，确定兴趣权重系数，其中，兴趣权重系数用于表征对物品的感兴趣程度。
具体地，对于用户对商品的点击行为，每一次的点击，不仅仅是一个离散、孤立的行为，在用户的多次点击行为，包含有更深层次的能够表现用户的潜在感兴趣物品信息。例如，在第一用户数据中用户A的一个点击序列中，依次包括Item1、Item2、Item3、Item2、Item4，其中，Item出现了两次，说明相比于点击序列中的其他点击行为对应的商品，用户对Item2更加感兴趣。因此，在第一用户数据，根据用户的点击序列，可以确定对于不同点击行为对应物品的感兴趣程度，即兴趣权重系数。
S203、根据第一用户数据和兴趣权重系数生成点击序列图信息。
可选地，如图5所示，S203可以包括S2031-S2034四个具体的实现步骤：
S2031、对第一用户数据进行特征提取，得到预设长度的物品特征向量，其中，物品特征向量用于表征点击行为对应的物品信息。
对第一用户数据进行特征提取，即对第一用户数据进行嵌入(Embedding)的过程，在一种可能的实现方式中，具体包括：
对物品图像信息和物品文字信息进行特征提取，得到物品图像信息对应的第一预设长度的物品图像特征向量和物品文字信息对应的第一预设长度的物品文字特征向量。
将第一预设长度的物品图像特征向量与第一预设长度物品文字特征向量合并为物品特征向量，其中，物品特征向量用于表征物品图像特征和物品文字特征。
具体地，例如，物品文字特征向量为TxtVector＝{te1,te2,te3,...,te256}；物品图像特征向量ImgVector＝{ie1,ie2,ie3,...,ie256}；第一预设长度为256，则将第一预设长度的物品图像特征向量与第一预设长度物品文字特征向量合并，得到的物品特征向量为ItemVector＝{(te1,ie1),(te2,ie2),(te3,ie3),...,(te256,ie256)}，其中，一个物品特征向量表征一个点击行为对应的物品，该过程即为初始化Embedding的过程。
S2032、根据物品特征向量，确定序列图节点。
示例性地，根据图神经网络的模型特征，将物品特征向量与序列图模型中的图节点，即一个物品特征向量为一个序列图节点，每一个序列图节点中包含了对点击行为对应的物品的特征的描述信息。
S2033、确定序列图节点对应的兴趣权重系数。
在一种可能的实现方式中，如图6所示，S2033可以包括S2033A、S2033B两个具体的实现步骤：
S2033A、根据第一用户数据，确定序列图节点对应的目标用户的点击行为的次数。
S2033B、根据序列图节点对应的目标用户的点击行为的次数，确定序列图节点对应的兴趣权重系数，其中，序列图节点对应的兴趣权重系数与序列图节点对应的目标用户的点击行为的次数正相关。
具体地，通常情况下，用户对某一个物品的点击次数越多，即越代表用户对该物品的感兴趣度越高。例如，在一个用户的点击序列中，该用户的10次点击行为中，有4次是点击了同一个商品，例如为A品牌的手机。则说明用户对该A品牌的手机具有更高的感兴趣度，因此，在进行召回预测模型训练时，对于该商品中所具有的特征，应该赋予更高的初始权重值，以使预测模型能够更好地学习到用户感兴趣商品的特征。
可选地，如图7所示，S2033可以还包括S2033C、S2033D两个具体的实现步骤：
S2033C、根据第一用户数据，确定序列图节点对应的物品热度；物品热度用于表征第一用户数据中物品的点击次数。
S2033D、根据序列图节点对应的物品热度，确定序列图节点对应的兴趣权重系数，其中，序列图节点对应的兴趣权重系数与序列图节点对应的物品热度负相关。
用户在网络平台进行商品选购等操作时，推荐商品会受到商品热度的影响，例如，A商品为爆款商品，即针对该A商品的点击行为非常多，此时，这种高曝光度的产品，会被推荐给用户，但该A商品仅是由于曝光度高而推荐给用户的，并不一定是由于用户所感兴趣的商品，因此，会影响商品推荐效果。本实施例中，通过确定序列图节点对应的商品热度，对其添加较小的初始权重，可以平衡热度商品和低曝光商品之间的召回权重，降低热度产品对召回预测结果的影响，提高预测准确性。
在一种可能的实现方式中，更加具体地，确定序列图节点对应的兴趣权重系数的方法如式(1)所示：
Figure BDA0002707347540000121
其中，wi为序列图节点i对应的兴趣权重系数，Ci为序列图节点i对应的商品的点击次数；D为所有商品出现次数的平均数或中位数。
S2034、根据各序列图节点的兴趣权重系数，以及各序列图节点之间的时序关系，构建点击序列图信息。
点击序列图中每个序列图节点i都可以有邻接矩阵的行向量ei。因此，序列图节点i待传播的信息为wiei。热度较高序列图节点权重w较小，热度较低的长尾序列图节点的权重w越接近于1。
S204、根据点击序列图信息中序列图节点对应的序列图矩阵，与邻接序列图节点的序列图矩阵构建第一传播模型，其中，第一传播模型用于表征点击序列图信息中相邻的后一序列图节点与前一序列图节点之间的信息传播关系。
具体地，根据点击序列图信息中的各个序列图节点，确定对应的序列图矩阵，临近的序列图节点之间通过邻接矩阵进行传播，在一种可能的实现方式中，传播公式如式(2)所示：
Figure BDA0002707347540000122
其中，
Figure BDA0002707347540000123
为点击序列图信息中第t-1次点击行为所有序列图节点对应的的序列图矩阵；
Figure BDA0002707347540000124
为序列图节点i在传播的第t次时从相邻节点得到的信息；
Figure BDA0002707347540000125
为序列图矩阵的入度矩阵和出度矩阵的第i行；
Win,Wout,b为模型的自适应学习参数
concat(X,Y)函数是用于对矩阵X和矩阵Y进行拼接。
根据式(2)可以确定用于表征信息传播方式的第一传播模型。
S205、使用预设的神经网络模型对第一传播模型进行更新，直至残差小于预设阈值，得到物品召回预测模型。可选地，预设的神经网络模型为门循环单元(Gated RecurrentUnit，GRU)模型。
根据第一传播模型中节点i的信息和相邻节点的信息，使用GRU更新节点i的信息，并采用残差连接，更新迭代Q次后得到每个节点i的Q阶邻接矩阵，在一种可能的实现方式中，Q＝3。更新方法如式(3)所示：
Figure BDA0002707347540000131
其中，ei为节点i的Q阶邻接矩阵，ei 0为初始邻接矩阵；ei t和ei t-1分别为第t和t-1次迭代对应的邻接矩阵。
通过残差连接并进行循环迭代更新后，可以得到物品召回预测模型，该物品召回预测模型是根据包含了用户点击行为特征的第一用户数据训练而得到的，学习到了用户感兴趣的商品特征，因此可以实现预测用户的感兴趣物品信息。
可选地，还包括：S206、根据第一用户数据，确定位置编码矩阵，其中，位置编码矩阵用于指示点击行为之间的相关性；根据位置编码矩阵，对物品召回预测模型进行修正。
用户未来的行为与用户历史交互具有相关性，同时时间间隔越小的交互行为的相关性越大。因此，本申请实施例通过向前编码的方式，利用GNN更新后的节点向量，增加位置编码矩阵P强化用户交互序列顺序的作用。具体地，实现方式如式(4)所示：
ei←ei+pi (4)
其中，pi为节点i的位置编码矩阵。
可选地，还包括：S207、根据点击序列图信息，确定用户的最后一次点击行为对物品召回预测模型的影响系数；根据影响系数对物品召回预测模型进行修正。
示例性地，点击序列图信息中每个序列图节点i的序列图矩阵组成该序列的Embedding序列图矩阵。同时，结合用户历史行为中最后一次交互行为在预测中的相关性，本申请实施例使用加权平均池化的方式进行Embedding向量聚合，示例性地，实现方式如式(5)所示：
Figure BDA0002707347540000132
其中，eT为序列图节点i的最后一次交互行为对应的向量矩阵，ω为模型的自适应学习参数，sh为Embedding向量聚合后的Embedding序列图矩阵。
可选地，在计算召回得分前，为了使召回得分能够更好的表现用户对商品的感兴趣程度，可以对召回打分函数进行优化，包括：
对Embedding序列图矩阵和邻接矩阵进行归一化，具体实现方式如式(6-1)和式(6-2)所示：
Figure BDA0002707347540000141
Figure BDA0002707347540000142
进一步地，计算召回得分的具体方式如式(7)所示：
Figure BDA0002707347540000143
其中，
Figure BDA0002707347540000144
为召回得分，softmax()为逻辑回归模型；σ模型的超参数，示例性地，σ为10。
可选地，还包括：S208、根据被点击物品在第一用户数据中出现的次数，对物品召回预测模型输出的召回得的进行分段加权修正。
具体地，对于被点击的商品呈现的长尾分布的特点，为了平衡热度带来的影响，采用分段加权的方式。在一种可能的实现方式中，实现如式(8-1)和式(8-2)所示：
Figure BDA0002707347540000145
s*＝s/f(c) (8-2)
其中，c为物品在第一用户数据中出现的频次；s为更新前的召回得分，s*为更新后的召回得分。
可选地，还包括：S200、获取原始用户数据，根据预设的比例系数，将原始用户数据分割为第一用户数据和第二用户数据。
其中，第一用户数据用于训练召回预测模型；第二用户数据用于测试召回预测模型；第一用户数据的最后一次点击行为对应的物品信息和第二用户数据的最后一次点击行为对应的物品信息为标签数据。
具体地，为保证线上线下数据分布的一致性，在历史用户数据集中随机抽样部分用户的数据，作为第二用户数据，例如抽取五分之一，并将此部分用户最后一次交互的商品作为模型待验证的验证集标签。
同时，剩余五分之四的用户数据作为第一用户数据，取最后一次交互的商品作为第一用户数据的训练集标签。
其中，步骤S201的实现方式与图2所示实施例中S101的实现方式相同，其具体实现过程和技术效果可参见S101，此处不再赘述。
图8为本申请实施例提供的一种用户感兴趣物品的预测装置的结构示意图，如图8所示，本实施例提供的用户感兴趣物品的预测装置4包括：
获取模块41，用于获取第一用户数据，第一用户数据用于记录用户对物品的点击行为；
生成模块42，用于根据第一用户数据，生成点击序列图信息，其中，点击序列图信息用于表征用户点击行为之间的时序特征；
构建模块43，用于通过点击序列图信息构建物品召回预测模型，根据物品召回预测模型预测用户的感兴趣物品信息。
其中，获取模块41、生成模块42、构建模块43依次连接。本实施例提供的用户感兴趣物品的预测装置4可以执行如图2所示的方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图9为本申请实施例提供的另一种用户感兴趣物品的预测装置的结构示意图，如图9所示，本实施例提供的用户感兴趣物品的预测装置5在图8所示实施例提供的用户感兴趣物品的预测装置4的基础上，增加了权重模块51，其中：
在一种可能的实现方式中，装置还包括：
权重模块51，用于根据第一用户数据，确定兴趣权重系数，其中，兴趣权重系数用于表征对物品的感兴趣程度；生成模块，具体用于：根据第一用户数据和兴趣权重系数生成点击序列图信息。
在一种可能的实现方式中，生成模块42在根据第一用户数据和兴趣权重系数生成点击序列图信息时，具体用于：对第一用户数据进行特征提取，得到预设长度的物品特征向量，其中，物品特征向量用于表征点击行为对应的物品信息；根据物品特征向量，确定序列图节点；确定序列图节点对应的兴趣权重系数；根据各序列图节点的兴趣权重系数，以及各序列图节点之间的时序关系，构建点击序列图信息。
在一种可能的实现方式中，权重模块51，具体用于：根据第一用户数据，确定序列图节点对应的目标用户的点击行为的次数；根据序列图节点对应的目标用户的点击行为的次数，确定序列图节点对应的兴趣权重系数，其中，序列图节点对应的兴趣权重系数与序列图节点对应的目标用户的点击行为的次数正相关。
在一种可能的实现方式中，权重模块51在根据第一用户数据，确定兴趣权重系数时，具体用于：根据第一用户数据，确定序列图节点对应的物品热度；物品热度用于表征第一用户数据中物品的点击次数；根据序列图节点对应的物品热度，确定序列图节点对应的兴趣权重系数，其中，序列图节点对应的兴趣权重系数与序列图节点对应的物品热度负相关。
在一种可能的实现方式中，第一用户数据中包括物品图像信息和物品文字信息，生成模块42在对第一用户数据进行特征提取，得到预设长度的物品特征向量时，具体用于：对物品图像信息和物品文字信息进行特征提取，得到物品图像信息对应的第一预设长度的物品图像特征向量和物品文字信息对应的第一预设长度的物品文字特征向量；将第一预设长度的物品图像特征向量与第一预设长度物品文字特征向量合并为物品特征向量，其中，物品特征向量用于表征物品图像特征和物品文字特征。
在一种可能的实现方式中，点击序列图信息包括序列图矩阵，构建模块43，具体用于：根据点击序列图信息中序列图节点对应的序列图矩阵，与邻接序列图节点的序列图矩阵构建第一传播模型，其中，第一传播模型用于表征点击序列图信息中相邻的后一序列图节点与前一序列图节点之间的信息传播关系；使用预设的神经网络模型对第一传播模型进行更新，直至残差小于预设阈值，得到物品召回预测模型。
在一种可能的实现方式中，预设的神经网络模型为GRU模型。
在一种可能的实现方式中，构建模块43还用于：根据第一用户数据，确定位置编码矩阵，其中，位置编码矩阵用于指示点击行为之间的相关性；根据位置编码矩阵，对物品召回预测模型进行修正。
在一种可能的实现方式中，构建模块43还用于：根据点击序列图信息，确定用户的最后一次点击行为对物品召回预测模型的影响系数；根据影响系数对物品召回预测模型进行修正。
在一种可能的实现方式中，获取模块41还用于：获取原始用户数据，根据预设的比例系数，将原始用户数据分割为第一用户数据和第二用户数据，其中，第一用户数据用于训练召回预测模型；第二用户数据用于测试召回预测模型；第一用户数据的最后一次点击行为对应的物品信息和第二用户数据的最后一次点击行为对应的物品信息为标签数据。
在一种可能的实现方式中，权重模块51还用于：根据被点击物品在第一用户数据中出现的次数，对物品召回预测模型输出的召回得分进行分段加权修正。
图10为本申请实施例提供的电子设备的结构示意图，如图10所示，本实施例的电子设备可以包括：处理器71和存储器72。
存储器72，用于存储程序；存储器72，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic Random Access Memory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器72用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器72中。并且上述的计算机程序、计算机指令、数据等可以被处理器71调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器72中。并且上述的计算机程序、计算机指令、数据等可以被处理器71调用。
处理器71，用于执行存储器72存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器71和存储器72可以是独立结构，也可以是集成在一起的集成结构。当处理器71和存储器72是独立结构时，存储器72、处理器71可以通过总线73耦合连接。
本实施例的电子设备可以执行如图2-图7任一所示的方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本申请一个实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现本申请图2-图7所对应的实施例中任一实施例提供的用户感兴趣物品的预测方法。
其中，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。
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 (13)

1.一种用户感兴趣物品的预测方法，其特征在于，包括：
获取第一用户数据，所述第一用户数据用于记录用户对物品的点击行为；
对所述第一用户数据进行特征提取，得到预设长度的物品特征向量，其中，所述物品特征向量用于表征所述点击行为对应的物品信息；
根据所述物品特征向量，确定序列图节点；
根据所述第一用户数据确定所述序列图节点对应的兴趣权重系数，其中，所述序列图节点的兴趣权重系数与所述序列图节点对应的目标用户的点击行为的次数正相关；或者，所述序列图节点对应的兴趣权重系数与所述序列图节点对应的物品热度负相关，所述物品热度用于表征所述第一用户数据中物品的点击次数；
根据各所述序列图节点的兴趣权重系数，以及各所述序列图节点之间的时序关系，构建点击序列图信息，其中，所述点击序列图信息用于表征所述用户点击行为之间的时序特征；
通过所述点击序列图信息构建物品召回预测模型；
根据所述物品召回预测模型预测用户的感兴趣物品信息。
2.根据权利要求1所述的方法，其特征在于，确定所述序列图节点对应的兴趣权重系数，包括：
根据第一用户数据，确定序列图节点对应的目标用户的点击行为的次数；
根据所述序列图节点对应的目标用户的点击行为的次数，确定所述序列图节点对应的兴趣权重系数。
3.根据权利要求1所述的方法，其特征在于，确定所述序列图节点对应的兴趣权重系数，包括：
根据第一用户数据，确定所述序列图节点对应的物品热度；
根据所述序列图节点对应的物品热度，确定所述序列图节点对应的兴趣权重系数。
4.根据权利要求1所述的方法，其特征在于，所述第一用户数据中包括物品图像信息和物品文字信息，对所述第一用户数据进行特征提取，得到预设长度的物品特征向量，包括：
对所述物品图像信息和所述物品文字信息进行特征提取，得到物品图像信息对应的第一预设长度的物品图像特征向量和所述物品文字信息对应的第一预设长度的物品文字特征向量；
将所述第一预设长度的物品图像特征向量与所述第一预设长度物品文字特征向量合并为物品特征向量，其中，所述物品特征向量用于表征所述物品图像特征和物品文字特征。
5.根据权利要求1所述的方法，其特征在于，所述点击序列图信息包括序列图矩阵，通过所述点击序列图信息构建物品召回预测模型，包括：
根据所述点击序列图信息中序列图节点对应的序列图矩阵，与邻接序列图节点的序列图矩阵构建第一传播模型，其中，所述第一传播模型用于表征所述点击序列图信息中相邻的后一序列图节点与前一序列图节点之间的信息传播关系；
使用预设的神经网络模型对所述第一传播模型进行更新，直至残差小于预设阈值，得到所述物品召回预测模型。
6.根据权利要求5所述的方法，其特征在于，所述预设的神经网络模型为门循环单元GRU模型。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：
根据第一用户数据，确定位置编码矩阵，其中，所述位置编码矩阵用于指示所述点击行为之间的相关性；
根据所述位置编码矩阵，对所述物品召回预测模型进行修正。
8.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：
根据点击序列图信息，确定用户的最后一次点击行为对所述物品召回预测模型的影响系数；
根据所述影响系数对所述物品召回预测模型进行修正。
9.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：
根据被点击物品在第一用户数据中出现的次数，对所述物品召回预测模型输出的召回得分进行分段加权修正。
10.根据权利要求1-6任一项所述的方法，其特征在于，获取第一用户数据之前，还包括：
获取原始用户数据，
根据预设的比例系数，将所述原始用户数据分割为所述第一用户数据和第二用户数据，其中，所述第一用户数据用于训练所述召回预测模型；所述第二用户数据用于测试所述召回预测模型；所述第一用户数据的最后一次点击行为对应的物品信息和所述第二用户数据的最后一次点击行为对应的物品信息为标签数据。
11.一种用户感兴趣物品的预测装置，其特征在于，包括：
获取模块，用于获取第一用户数据，所述第一用户数据用于记录用户对物品的点击行为；
生成模块，用于根据所述第一用户数据，生成点击序列图信息，其中，所述点击序列图信息用于表征所述用户点击行为之间的时序特征；
构建模块，用于通过所述点击序列图信息构建物品召回预测模型，根据所述物品召回预测模型预测用户的感兴趣物品信息；
所述生成模块，具体用于对所述第一用户数据进行特征提取，得到预设长度的物品特征向量，其中，所述物品特征向量用于表征所述点击行为对应的物品信息；
根据所述物品特征向量，确定序列图节点；
根据所述第一用户数据确定所述序列图节点对应的兴趣权重系数，其中，所述序列图节点的兴趣权重系数与所述序列图节点对应的目标用户的点击行为的次数正相关；或者，所述序列图节点对应的兴趣权重系数与所述序列图节点对应的物品热度负相关，所述物品热度用于表征所述第一用户数据中物品的点击次数；
根据各所述序列图节点的兴趣权重系数，以及各所述序列图节点之间的时序关系，构建点击序列图信息。
12.一种电子设备，其特征在于，包括：存储器，处理器以及计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-10中任一项所述的用户感兴趣物品的预测方法。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-10任一项所述的用户感兴趣物品的预测方法。
CN202011043614.XA 2020-09-28 2020-09-28 用户感兴趣物品的预测方法及设备 Active CN112150206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011043614.XA CN112150206B (zh) 2020-09-28 2020-09-28 用户感兴趣物品的预测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011043614.XA CN112150206B (zh) 2020-09-28 2020-09-28 用户感兴趣物品的预测方法及设备

Publications (2)

Publication Number Publication Date
CN112150206A CN112150206A (zh) 2020-12-29
CN112150206B true CN112150206B (zh) 2022-11-08

Family

ID=73895996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011043614.XA Active CN112150206B (zh) 2020-09-28 2020-09-28 用户感兴趣物品的预测方法及设备

Country Status (1)

Country Link
CN (1) CN112150206B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627496A (zh) * 2021-07-27 2021-11-09 交控科技股份有限公司 道岔转辙机故障预测方法、装置、电子设备和可读存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714084B (zh) * 2012-10-08 2018-04-03 腾讯科技（深圳）有限公司 推荐信息的方法和装置
CN104915734B (zh) * 2015-06-25 2017-03-22 深圳市腾讯计算机系统有限公司 基于时间序列的商品热度预测方法和系统
CN107993085B (zh) * 2017-10-19 2021-05-18 创新先进技术有限公司 模型训练方法、基于模型的用户行为预测方法及装置
CN110807156A (zh) * 2019-10-23 2020-02-18 山东师范大学 一种基于用户序列点击行为的兴趣推荐方法及系统
CN111080413A (zh) * 2019-12-20 2020-04-28 深圳市华宇讯科技有限公司 电商平台商品的推荐方法、装置、服务器和存储介质
CN111159564A (zh) * 2019-12-31 2020-05-15 联想(北京)有限公司 信息推荐方法、装置、存储介质及计算机设备
CN111444428B (zh) * 2020-03-27 2022-08-30 腾讯科技（深圳）有限公司 基于人工智能的信息推荐方法、装置、电子设备及存储介质
CN111667308A (zh) * 2020-05-29 2020-09-15 中国工商银行股份有限公司 广告推荐预测系统及方法

Also Published As

Publication number Publication date
CN112150206A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
CN107330115B (zh) 一种信息推荐方法及装置
US20210248651A1 (en) Recommendation model training method, recommendation method, apparatus, and computer-readable medium
CN110717098B (zh) 基于元路径的上下文感知用户建模方法、序列推荐方法
CN109087178B (zh) 商品推荐方法和装置
CN106023015B (zh) 课程学习路径推荐方法及装置
CN110889747B (zh) 商品推荐方法、装置、系统、计算机设备及存储介质
CN106251174A (zh) 信息推荐方法及装置
CN110008973B (zh) 一种模型训练方法、基于模型确定目标用户的方法及装置
CN110209922A (zh) 对象推荐方法、装置、存储介质及计算机设备
CN109189921B (zh) 评论评估模型的训练方法和装置
CN111242310A (zh) 特征有效性评估方法、装置、电子设备及存储介质
CN111476622B (zh) 一种物品推送方法及装置、计算机可读存储介质
CN111401937A (zh) 数据推送方法、装置及存储介质
CN110543935A (zh) 处理交互序列数据的方法及装置
CN111738780A (zh) 一种推荐对象的方法及系统
CN109189922B (zh) 评论评估模型的训练方法和装置
CN110689110A (zh) 处理交互事件的方法及装置
CN112785005A (zh) 多目标任务的辅助决策方法、装置、计算机设备及介质
CN113536105A (zh) 推荐模型训练方法和装置
CN112150206B (zh) 用户感兴趣物品的预测方法及设备
CN111178986A (zh) 用户-商品偏好的预测方法及系统
CN111402003B (zh) 实现用户相关推荐的系统和方法
CN112231548A (zh) 用户登录行为的分析方法、装置、系统及存储介质
CN111489196B (zh) 基于深度学习网络的预测方法、装置、电子设备及介质
CN117593077A (zh) 基于超图神经网络的道具组合推荐方法、装置及计算设备

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

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.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant