CN112330406A - 一种长尾物品推荐方法、智能终端及存储介质 - Google Patents

一种长尾物品推荐方法、智能终端及存储介质 Download PDF

Info

Publication number
CN112330406A
CN112330406A CN202011249344.8A CN202011249344A CN112330406A CN 112330406 A CN112330406 A CN 112330406A CN 202011249344 A CN202011249344 A CN 202011249344A CN 112330406 A CN112330406 A CN 112330406A
Authority
CN
China
Prior art keywords
vector
initial
discrimination
long
model
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
CN202011249344.8A
Other languages
English (en)
Other versions
CN112330406B (zh
Inventor
刘基雄
潘微科
明仲
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202011249344.8A priority Critical patent/CN112330406B/zh
Publication of CN112330406A publication Critical patent/CN112330406A/zh
Application granted granted Critical
Publication of CN112330406B publication Critical patent/CN112330406B/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
    • G06Q30/06—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
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明所提供的一种长尾物品推荐方法、智能终端及存储介质，其中，所述方法包括：选取两个指定用户的物品操作数据，并将两个物品操作数据分别转换成第一初始向量和第二初始向量；根据所述第一初始向量和所述第二初始向量，对初始生成模型预测长尾物品的倾向进行处理，确定最终生成模型；将每个用户对应的初始向量分别输入到所述最终生成模型中，分别向每个用户输出推荐的长尾物品。通过任意两个用户的初始向量处理，使得最终生成模型关注到长尾物品上，进而增强对长尾物品的推荐。

Description

一种长尾物品推荐方法、智能终端及存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及的是一种长尾物品推荐方法、智能终端及存储介质。
背景技术
各类平台为满足智能终端为用户推荐物品的需求，常基于用户对于物品交互数据进行个性化推荐，表现为通过分析用户物品交互历史以构建用户对于物品的偏好程度，进而形成对用户的推荐列表。
由于流行物品更易被用户交互，进而造成平台倾向于为用户推荐流行物品，也使得用户更加关注于流行物品。长此以往，则忽略了对长尾物品的营销，其中，长尾物品指的是需求不旺或者销量不佳的产品。进而造成平台推荐物品不均衡，且不能准确推算用户对于物品的偏好，使得用户难以快速浏览到喜欢的物品，进而减少对平台的使用。
因此，现有技术存在缺陷，有待改进与发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种长尾物品推荐方法、智能终端及存储介质，旨在解决现有技术中的不能实现对长尾物品推荐，导致平台推荐物品不均衡，使得用户难以快速浏览到喜欢的物品的问题。
本发明解决技术问题所采用的技术方案如下：
一种长尾物品推荐方法，其中，包括：
选取两个指定用户的物品操作数据，并将两个物品操作数据分别转换成第一初始向量和第二初始向量；
根据所述第一初始向量和所述第二初始向量，对初始生成模型预测长尾物品的倾向进行处理，确定最终生成模型；
将每个用户对应的初始向量分别输入到所述最终生成模型中，分别向每个用户输出推荐的长尾物品。
进一步地，所述选取两个指定用户的物品操作数据，并将两个物品操作数据分别转换成第一初始向量和第二初始向量，之前还包括：
获取每个用户的物品操作数据，按照用户操作物品的活跃程度对所有用户进行排序，并组成初始集合；
截取所述初始集合中活跃程度大于活跃阈值的用户并随机打乱顺序组成中间集合；
遍历并重复所述中间集合中的元素，得到最终集合，其中，所述最终集合中元素个数与所述初始集合中元素个数一致；
从所述初始集合和所述最终集合中分别以相同次序随机选取一个用户作为指定用户。
进一步地，所述根据所述第一初始向量和所述第二初始向量，对初始生成模型预测长尾物品的倾向进行处理，确定最终生成模型，具体包括：
将所述第一初始向量和所述第二初始向量分别输入所述初始生成模型中，分别得到对应的第一输出向量和第二输出向量；
对所述第一输出向量和所述第二输出向量进行掩盖处理，分别得到第一掩盖向量和第二掩盖向量；
拼接所述第一初始向量和所述第二初始向量得到第一拼接向量，拼接所述第一掩盖向量和所述第二掩盖向量得到第二拼接向量；
将所述第一拼接向量和所述第二拼接向量分别输入所述初始判别模型中，得到对应的第一判别向量和第二判别向量；
基于所述第一判别向量和所述第二判别向量的相似度一致性，循环训练所述初始生成模型，得到最终生成模型。
进一步地，所述基于所述第一判别向量和所述第二判别向量的相似度一致性，循环训练所述初始生成模型，得到最终生成模型，具体包括：
根据所述第一判别向量和所述第二判别向量的相似度一致性，分别交替更新所述初始生成模型和初始判别模型的参数，直至达到设定阈值，得到所述最终生成模型和所述最终判别模型。
进一步地，所述基于所述第一判别向量和所述第二判别向量的相似度一致性，循环训练所述初始生成模型，得到最终生成模型，之前还包括：
以损失函数处理所述初始判别模型，最大化所述第一判别向量和所述第二判别向量之间相似度差距；
对所述初始判别模型进行梯度惩罚处理，得到参数稳定的初始判别模型。
进一步地，所述基于所述第一判别向量和所述第二判别向量的相似度一致性，循环训练所述初始生成模型，得到最终生成模型，之前还包括：
最小化所述第一判别向量和所述第二判别向量对应的欧式距离变体，得到所述第一判别向量和所述第二判别向量的相似度最小差距。
进一步地，所述将每个用户对应的初始向量分别输入到所述最终生成模型中，分别向每个用户输出推荐的长尾物品，具体包括：
将每个用户对应的初始向量分别输入到所述最终生成模型中，得到用户对于每个物品的偏好值；
按照设定推荐数目挑选出偏好值最大的长尾物品作为推荐物品。
进一步地，按照设定推荐数目挑选出偏好值最大的长尾物品作为推荐物品，之后包括：
将所述推荐物品与对应用户在验证数据上的物品操作数据进行对比，当所述最终生成模型的推荐效果超过生成模型循环训练过程中最佳效果时，重新训练所述最终生成模型和所述最终判别模型。
本发明还公开一种智能终端，其中，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上所述的长尾物品推荐方法。
本发明还公开一种存储介质，其中，所述存储介质存储有计算机程序，所述计算机程序能够被执行以用于实现如上所述的长尾物品推荐方法。
本发明所提供的一种长尾物品推荐方法、智能终端及存储介质，其中，所述方法包括：选取两个指定用户的物品操作数据，并将两个物品操作数据分别转换成第一初始向量和第二初始向量；根据所述第一初始向量和所述第二初始向量，对初始生成模型预测长尾物品的倾向进行处理，确定最终生成模型；将每个用户对应的初始向量分别输入到所述最终生成模型中，分别向每个用户输出推荐的长尾物品。通过任意两个用户的初始向量处理，使得最终生成模型关注到长尾物品上，进而增强对长尾物品的推荐。
附图说明
图1是本发明中长尾物品推荐方法的较佳实施例的流程图。
图2是本发明中选取指定用户的具体实施例的流程图。
图3是本发明步骤S200的具体实施例的流程图。
图4是本发明训练初始生成模型和初始判别模型的具体实施例的流程图。
图5是本发明中智能终端的较佳实施例的功能原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
鉴于个性化推荐技术能够有效缓解平台信息过载的问题，诸多服务商如Netflix、爱奇艺、淘宝、京东等都在大力优化平台的个性化推荐服务。
然而，现有技术中是基于用户对于物品的交互行为而对用户进行物品推荐的，且由于用户更易关注流行物品，则造成平台倾向于对用户推荐流行物品，而忽略对长尾物品的推销，以此造成平台无法捕捉用户的多样性偏好，无法准确预测用户对于物品的偏好，降低了用户对于平台的体验感与依赖性，影响平台收益；再者，由于平台长期倾向于推荐流行物品，虽然短期盈利会得到显著提升，但是由于推荐物品不均衡，则会造成平台的长期盈利能力下降。
可见，现有技术的推荐方式仅针对流行商品，并未考虑到用户的实际偏好，进而造成对用户推荐物品的效果大打折扣，进而影响平台的收益。
面对长尾物品推荐的难题以及用户偏好的多样性，本发明提出了一种长尾物品推荐方法，请参见图1，图1是本发明中一种长尾物品推荐方法的流程图。如图1所示，本发明实施例所述的一种长尾物品推荐方法包括以下步骤：
S100、选取两个指定用户的物品操作数据，并将两个物品操作数据分别转换成第一初始向量和第二初始向量。
具体地，通过将两个指定用户的物品操作数据也即物品交互数据进行数据处理，转换成初始向量，以方便对最终生成模型进行训练。其中，所述物品操作数据指的是用户在平台上的浏览、收藏、购买等行为。
而将用户的物品操作数据转换成向量则是采用多热编码技术，如用户对于所有物品集合{0,1,2,3,4,5}中的物品1和3有过操作，通过多热编码技术则得到向量[0,1,0,1,0,0]，1所在向量中的位置代表用户操作过位置对应的物品。
进一步地，初始向量的维度为所有物品的数目，通过将交互过的物品对应位置上的向量元素值置为1，未交互过的置为0，进而使得初始向量为二值向量，其中，第一初始向量用Xu表示，第二初始向量用Xv表示。
S200、根据所述第一初始向量和所述第二初始向量，对初始生成模型预测长尾物品的倾向进行处理，确定最终生成模型。
通过两个用户的物品交互操作能够对初始生成模型进行训练，使得训练的最终生成模型更加侧重于对长尾物品的推荐，进而实现对长尾物品的营销，保证了平台个性化推荐的平衡，提高平台推荐的准确度，进而使得用户更加依赖平台，促进平台的长期营销。
S300、将每个用户对应的初始向量分别输入到所述最终生成模型中，分别向每个用户输出推荐的长尾物品。
具体地，通过对每个用户的物品操作数据进行处理，并将对应的初始向量分别输入到最终生成模型中，能够实现对每个用户的个性化推荐，且在推荐列表中必然存在长尾物品，进而使得长尾物品呈现在用户面前，使得长尾物品被用户所关注，平台进行根据用户对所有的物品的关注情况对用户持续推荐物品，使得推荐的物品更加侧重于用户的偏好，实现物品的个性化推荐，保证了平台推荐物品的灵活性。
在一具体实施例中，如图2所示，步骤S100之前包括：
S10、获取每个用户的物品操作数据，按照用户操作物品的活跃程度对所有用户进行排序，并组成初始集合。
S20、截取所述初始集合中活跃程度大于活跃阈值的用户并随机打乱顺序组成中间集合。
S30、遍历并重复所述中间集合中的元素，得到最终集合，其中，所述最终集合中元素个数与所述初始集合中元素个数一致。
S40、从所述初始集合和所述最终集合中分别以相同次序随机选取一个用户作为指定用户。
具体地，此处以具体实施例进行说明：
通过获取每个用户的物品操作数据，其中，用户所操作物品的数目表示用户的活跃程度，用户操作的物品数目越多表示用户在平台的活动越活跃。
将所有用户按照活跃程度降序排序得到初始集U，截取初始集合U头部最活跃的一部分集合称为中间集合Ua。
打乱中间集合Ua中用户顺序，再重复中间集合Ua中元素直至|Ua|＝|U|,即重复中间集合Ua得到最终集合Ub，Ub的元素数目与初始集合U中元素数目一致。
之后从初始集合U和最终集合Ub中分别随机选择一个用户作为指定用户，其中，两个指定用户在各自的初始集合U和最终集合Ub中的次序一样，能够保证后续对初始生成模型训练的随机性，保证最终生成模型预测结果的准确性。
在一具体实施例中，如图3所示，步骤S200具体包括：
S210、将所述第一初始向量和所述第二初始向量分别输入所述初始生成模型中，分别得到对应的第一输出向量和第二输出向量。
S220、对所述第一输出向量和所述第二输出向量进行掩盖处理，分别得到第一掩盖向量和第二掩盖向量。
S230、拼接所述第一初始向量和所述第二初始向量得到第一拼接向量，拼接所述第一掩盖向量和所述第二掩盖向量得到第二拼接向量。
S240、将所述第一拼接向量和所述第二拼接向量分别输入所述初始判别模型中，得到对应的第一判别向量和第二判别向量。
S250、基于所述第一判别向量和所述第二判别向量的相似度一致性，循环训练所述初始生成模型，得到最终生成模型。
在模型设计中，生成模型的目标是从未来可能交互的长尾物品集合中再次精细地挑选，以重构物品之间的相关关系，从而最大化判别模型判别出错的概率，而判别模型的目标则是最大化概率地进行区分物品之间关系。
常见的生成模型，如LongTailGAN模型是用过统计共同交互过任意两个物品的用户数目来表示该两个物品间的相关关系，然后为每一个用户挑选出与其交互过的长尾物品相关程度较高的未交互的长尾物品集合来作为未来可能交互的物品。但由于LongTailGAN模型的目标是提升推荐列表中长尾物品的覆盖率,而并非关注于长尾物品推荐的准确程度，同时，LongTailGAN模型的对抗损失局限于第一次挑选出的与用户交互过的长尾物品相关程度较高的未交互长尾物品集合，而挑选出的未交互长尾物品集合大小远远少于长尾物品数目，导致根据对抗损失难以充分挖掘用户关于大多数长尾物品上的偏好。
而AutoRec模型是倾向于优化在流行物品上的损失，则相对地忽略了长尾物品，使得模型在长尾物品上训练不充分，难以捕捉用户在长尾物品上的偏好分布。
可见，现有的LongTailGAN模型和AutoRec模型均存在弊端，而本发明为提高对长尾物品的推荐效果，通过对初始生成模型进行训练，能够使得训练出的最终生成模型倾向对长尾物品的推荐，以提高推荐效果和准确度。
具体地，如图4所示，在训练初始生成模型时，是将第一初始向量Xu和第二初始向量Xv作为初始生成模型的输入，其中，u∈U，v∈Ub。之后通过初始生成模型输出第一输出向量
Figure BDA0002771094400000081
和第二输出向量
Figure BDA0002771094400000082
用于表示初始生成模型预测得到的用户关于所有物品的偏好，其中，
Figure BDA0002771094400000083
并且G表示前馈神经网络。
进一步地，对第一输出向量
Figure BDA0002771094400000084
和第二输出向量
Figure BDA0002771094400000085
分别进行掩盖处理，得到对应的第一掩盖向量
Figure BDA0002771094400000086
和第二掩盖向量
Figure BDA0002771094400000087
，其中，
Figure BDA0002771094400000088
Figure BDA00027710944000000817
从而屏蔽未交互物品上的预测偏好对于用户相似度计算的影响。
之后，对两个用户的第一初始向量Xu和第二初始向量Xv进行拼接，得到第一拼接向量
Figure BDA00027710944000000818
对两个用户的第一掩盖向量
Figure BDA00027710944000000811
和第二掩盖向量
Figure BDA00027710944000000812
进行拼接，得到第二拼接向量
Figure BDA00027710944000000813
，其中，
Figure BDA00027710944000000814
表示拼接操作。
将第一拼接向量
Figure BDA00027710944000000815
和第二拼接向量
Figure BDA00027710944000000816
分别输入初始判别模型中，得到对应的第一判别向量Zt和第二判别向量Zf，其中，
Figure BDA0002771094400000091
用于表示两个用户在初始生成模型的输入阶段的相似度，
Figure BDA0002771094400000092
用于表示两个用户在初始生成模型的输出阶段的相似度。
其中，判别模型一方面用于将第一拼接向量和第二拼接向量映射到相同的语义空间来表示用户的相似度；另一方面还用于最大化两个用户在初始生成模型的输入和输出阶段的相似度差距。
在一具体实施例中，步骤S250具体包括：
S251、根据所述第一判别向量和所述第二判别向量的相似度一致性，分别交替更新所述初始生成模型和初始判别模型的参数，直至达到设定阈值，得到所述最终生成模型和所述最终判别模型。
具体地，通过判别模型最大化两个用户在生成模型的输入和输出阶段的相似度差距，即两个相似度向量Zt和Zf之间的距离，用欧氏距离的变体衡量，便于优化生成模型；而后通过生成模型最小化两个用户在输入和输出阶段的相似度差距，以实现对长尾物品推荐，保证最终生成模型预测物品的准确性。
而交替优化初始生成模型和初始判别模型的方式为：先在固定生成模型参数的前提下更新判别模型的参数；之后在固定判别模型参数的前提下更新生成模型的参数，进而实现交替更新生成模型和判别模型。当生成模型的推荐效果停止提升或者达到设定阈值时则停止更新生成模型和判别模型，说明已经训练好最终生成模型，即可将最终生成模型用于预测用户对所有物品的偏好程度。
在一具体实施例中，在步骤S250之前包括：
S241、以损失函数处理所述初始判别模型，最大化所述第一判别向量和所述第二判别向量之间相似度差距。
S242、对所述初始判别模型进行梯度惩罚处理，得到参数稳定的初始判别模型。
具体地，对初始判别模型进行处理可以一下公式进行表示：
Figure BDA0002771094400000101
其中，
Figure BDA0002771094400000104
是第一判别向量，用于表示两个指定用户在生成模型输入阶段的相似度；
Figure BDA0002771094400000105
是第二判别向量，用于表示两个指定用户在生成模型输出阶段的相似度。之后通过最大化第一判别向量和第二判别向量的欧式距离变体以最大化输入和输出阶段的相似度差距。
为使得判别模型上参数的梯度更加稳定，使得易对判别模型的参数进行更新，采用梯度惩罚的方式对判别模型进行处理，其中：
Figure BDA0002771094400000106
Figure BDA0002771094400000107
∈∈U(0,1)，λd则用来调节梯度惩罚项的重要性程度。
在一具体实施例中，在步骤S250之前还包括：
S243、最小化所述第一判别向量和所述第二判别向量对应的欧式距离变体，得到所述第一判别向量和所述第二判别向量的相似度最小差距。
本实施例中的生成模型采用AutoRec模型，因此生成模型的损失包含了用户在所有物品上的重构损失。在AutoRec模型的基础上，本实例方案中采用最小化重构损失使得生成模型减小在未交互物品上的预测偏好。同时，为了防止过拟合，引入了正则项。之后考虑到AutoRec模型训练优化过程中倾向于优化流行物品上的训练损失，而相对地忽略长尾物品上的训练损失，因此，通过最小化第一判别向量和第二判别向量的欧式距离变体以最小化两个用户在生成模型的输入和输出阶段的相似度差距，以促使训练出的最终生成模型更加关注到长尾物品，进而提升对长尾物品的推荐效果，以下为对生成模型进行处理的表达式：
Figure BDA0002771094400000108
Figure BDA0002771094400000111
在一具体实施例中，步骤S300具体包括：
S310、将每个用户对应的初始向量分别输入到所述最终生成模型中，得到用户对于每个物品的偏好值。
S320、按照设定推荐数目挑选出偏好值最大的长尾物品作为推荐物品。
具体地，当得到每个用户对于所有物品的偏好后，则将偏好程度高的物品推荐给用户。
更进一步地，从推荐的物品中选出长尾物品偏好值较大的物品呈现在用户的推荐列表中。
在一具体实施例中，所述步骤S320之后包括：
S320、将所述推荐物品与对应用户在验证数据上的物品操作数据进行对比，当所述最终生成模型的推荐效果超过生成模型循环训练过程中最佳效果时，重新训练所述最终生成模型和所述最终判别模型。
具体地，当推荐出物品时，平台可根据推荐的物品与对应用户在验证数据上的物品操作数据进行对比，当生成模型的推荐效果超过循环训练过程中所记录的最好效果时，则说明推荐效果较差，则需要根据用户的物品操作数据重新对生成模型和判别模型进行训练，训练方式参照上述实施例，此处不再详述。
而判断循环训练是否终止的标准是：如果推荐效果没有超过最好推荐效果的持续迭代次数超过阈值时，则停止模型训练，得到最终生成模型；反之，则继续交替训练生成模型与判别模型。
通过对生成模型进行训练，使得生成模型的预测结果更加倾向于长尾物品，使得长尾物品的推荐效果和准确率均得到提升，且能够更加准确捕捉到用户在所有物品上的偏好分布，增强平台与用户之间的关联，促进平台收益。
本发明还公开一种智能终端，如图5所示，其中，所述智能终端包括处理器10、存储器20及显示器30。图5仅示出了智能终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述智能终端的内部存储单元，例如智能终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述智能终端的外部存储设备，例如所述智能终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器20还可以既包括所述智能终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述智能终端的应用软件及各类数据，例如所述安装智能终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有长尾物品推荐程序40，该长尾物品推荐程序40可被处理器10所执行，从而实现本申请中长尾物品推荐方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述长尾物品推荐方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器30用于显示在所述智能终端的信息以及用于显示可视化的用户界面。所述智能终端的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行所述存储器20中长尾物品推荐程序40时实现以下步骤：选取两个指定用户的物品操作数据，并将两个物品操作数据分别转换成第一初始向量和第二初始向量；
根据所述第一初始向量和所述第二初始向量，对初始生成模型预测长尾物品的倾向进行处理，确定最终生成模型。
将每个用户对应的初始向量分别输入到所述最终生成模型中，分别向每个用户输出推荐的长尾物品。
所述选取两个指定用户的物品操作数据，并将两个物品操作数据分别转换成第一初始向量和第二初始向量，之前还包括：
获取每个用户的物品操作数据，按照用户操作物品的活跃程度对所有用户进行排序，并组成初始集合。
截取所述初始集合中活跃程度大于活跃阈值的用户并随机打乱顺序组成中间集合。
遍历并重复所述中间集合中的元素，得到最终集合，其中，所述最终集合中元素个数与所述初始集合中元素个数一致。
从所述初始集合和所述最终集合中分别以相同次序随机选取一个用户作为指定用户。
所述根据所述第一初始向量和所述第二初始向量，对初始生成模型预测长尾物品的倾向进行处理，确定最终生成模型，具体包括：
将所述第一初始向量和所述第二初始向量分别输入所述初始生成模型中，分别得到对应的第一输出向量和第二输出向量。
对所述第一输出向量和所述第二输出向量进行掩盖处理，分别得到第一掩盖向量和第二掩盖向量。
拼接所述第一初始向量和所述第二初始向量得到第一拼接向量，拼接所述第一掩盖向量和所述第二掩盖向量得到第二拼接向量。
将所述第一拼接向量和所述第二拼接向量分别输入所述初始判别模型中，得到对应的第一判别向量和第二判别向量。
基于所述第一判别向量和所述第二判别向量的相似度一致性，循环训练所述初始生成模型，得到最终生成模型。
所述基于所述第一判别向量和所述第二判别向量的相似度一致性，循环训练所述初始生成模型，得到最终生成模型，具体包括：
根据所述第一判别向量和所述第二判别向量的相似度一致性，分别交替更新所述初始生成模型和初始判别模型的参数，直至达到设定阈值，得到所述最终生成模型和所述最终判别模型。
所述基于所述第一判别向量和所述第二判别向量的相似度一致性，循环训练所述初始生成模型，得到最终生成模型，之前还包括：
以损失函数处理所述初始判别模型，最大化所述第一判别向量和所述第二判别向量之间相似度差距。
对所述初始判别模型进行梯度惩罚处理，得到参数稳定的初始判别模型。
所述基于所述第一判别向量和所述第二判别向量的相似度一致性，循环训练所述初始生成模型，得到最终生成模型，之前还包括：
最小化所述第一判别向量和所述第二判别向量对应的欧式距离变体，得到所述第一判别向量和所述第二判别向量的相似度最小差距。
所述将每个用户对应的初始向量分别输入到所述最终生成模型中，分别向每个用户输出推荐的长尾物品，具体包括：
将每个用户对应的初始向量分别输入到所述最终生成模型中，得到用户对于每个物品的偏好值。
按照设定推荐数目挑选出偏好值最大的长尾物品作为推荐物品。
进一步地，按照设定推荐数目挑选出偏好值最大的长尾物品作为推荐物品，之后包括：
将所述推荐物品与对应用户在验证数据上的物品操作数据进行对比，当所述最终生成模型的推荐效果超过生成模型循环训练过程中最佳效果时，重新训练所述最终生成模型和所述最终判别模型。
本发明还公开一种存储介质，其中，所述存储介质存储有计算机程序，所述计算机程序能够被执行以用于实现如上所述的长尾物品推荐方法；具体如上所述。
综上所述，本发明公开的一种长尾物品推荐方法、智能终端及存储介质，其中，所述方法包括：选取两个指定用户的物品操作数据，并将两个物品操作数据分别转换成第一初始向量和第二初始向量；根据所述第一初始向量和所述第二初始向量，对初始生成模型预测长尾物品的倾向进行处理，确定最终生成模型；将每个用户对应的初始向量分别输入到所述最终生成模型中，分别向每个用户输出推荐的长尾物品。通过任意两个用户的初始向量处理，使得最终生成模型关注到长尾物品上，进而增强对长尾物品的推荐；同时利于捕捉用户对所有物品的偏好分布，进而准确为用户推荐物品，增强用户对平台的依赖，利于平台进行物品营销，以增长平台收益。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种长尾物品推荐方法，其特征在于，包括：
选取两个指定用户的物品操作数据，并将两个物品操作数据分别转换成第一初始向量和第二初始向量；
根据所述第一初始向量和所述第二初始向量，对初始生成模型预测长尾物品的倾向进行处理，确定最终生成模型；
将每个用户对应的初始向量分别输入到所述最终生成模型中，分别向每个用户输出推荐的长尾物品。
2.根据权利要求1所述的长尾物品推荐方法，其特征在于，所述选取两个指定用户的物品操作数据，并将两个物品操作数据分别转换成第一初始向量和第二初始向量，之前还包括：
获取每个用户的物品操作数据，按照用户操作物品的活跃程度对所有用户进行排序，并组成初始集合；
截取所述初始集合中活跃程度大于活跃阈值的用户并随机打乱顺序组成中间集合；
遍历并重复所述中间集合中的元素，得到最终集合，其中，所述最终集合中元素个数与所述初始集合中元素个数一致；
从所述初始集合和所述最终集合中分别以相同次序随机选取一个用户作为指定用户。
3.根据权利要求2所述的长尾物品推荐方法，其特征在于，所述根据所述第一初始向量和所述第二初始向量，对初始生成模型预测长尾物品的倾向进行处理，确定最终生成模型，具体包括：
将所述第一初始向量和所述第二初始向量分别输入所述初始生成模型中，分别得到对应的第一输出向量和第二输出向量；
对所述第一输出向量和所述第二输出向量进行掩盖处理，分别得到第一掩盖向量和第二掩盖向量；
拼接所述第一初始向量和所述第二初始向量得到第一拼接向量，拼接所述第一掩盖向量和所述第二掩盖向量得到第二拼接向量；
将所述第一拼接向量和所述第二拼接向量分别输入所述初始判别模型中，得到对应的第一判别向量和第二判别向量；
基于所述第一判别向量和所述第二判别向量的相似度一致性，循环训练所述初始生成模型，得到最终生成模型。
4.根据权利要求3所述的长尾物品推荐方法，其特征在于，所述基于所述第一判别向量和所述第二判别向量的相似度一致性，循环训练所述初始生成模型，得到最终生成模型，具体包括：
根据所述第一判别向量和所述第二判别向量的相似度一致性，分别交替更新所述初始生成模型和初始判别模型的参数，直至达到设定阈值，得到所述最终生成模型和所述最终判别模型。
5.根据权利要求4所述的长尾物品推荐方法，其特征在于，所述基于所述第一判别向量和所述第二判别向量的相似度一致性，循环训练所述初始生成模型，得到最终生成模型，之前还包括：
以损失函数处理所述初始判别模型，最大化所述第一判别向量和所述第二判别向量之间相似度差距；
对所述初始判别模型进行梯度惩罚处理，得到参数稳定的初始判别模型。
6.根据权利要求4所述的长尾物品推荐方法，其特征在于，所述基于所述第一判别向量和所述第二判别向量的相似度一致性，循环训练所述初始生成模型，得到最终生成模型，之前还包括：
最小化所述第一判别向量和所述第二判别向量对应的欧式距离变体，得到所述第一判别向量和所述第二判别向量的相似度最小差距。
7.根据权利要求4所述的长尾物品推荐方法，其特征在于，所述将每个用户对应的初始向量分别输入到所述最终生成模型中，分别向每个用户输出推荐的长尾物品，具体包括：
将每个用户对应的初始向量分别输入到所述最终生成模型中，得到用户对于每个物品的偏好值；
按照设定推荐数目挑选出偏好值最大的长尾物品作为推荐物品。
8.根据权利要求7所述的长尾物品推荐方法，其特征在于，按照设定推荐数目挑选出偏好值最大的长尾物品作为推荐物品，之后包括：
将所述推荐物品与对应用户在验证数据上的物品操作数据进行对比，当所述最终生成模型的推荐效果超过生成模型循环训练过程中最佳效果时，重新训练所述最终生成模型和所述最终判别模型。
9.一种智能终端，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-8中任一项所述的长尾物品推荐方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序能够被执行以用于实现如权利要求1-8任一项所述的长尾物品推荐方法。
CN202011249344.8A 2020-11-10 2020-11-10 一种长尾物品推荐方法、智能终端及存储介质 Active CN112330406B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011249344.8A CN112330406B (zh) 2020-11-10 2020-11-10 一种长尾物品推荐方法、智能终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011249344.8A CN112330406B (zh) 2020-11-10 2020-11-10 一种长尾物品推荐方法、智能终端及存储介质

Publications (2)

Publication Number Publication Date
CN112330406A true CN112330406A (zh) 2021-02-05
CN112330406B CN112330406B (zh) 2024-05-24

Family

ID=74319081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011249344.8A Active CN112330406B (zh) 2020-11-10 2020-11-10 一种长尾物品推荐方法、智能终端及存储介质

Country Status (1)

Country Link
CN (1) CN112330406B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013206144A (ja) * 2012-03-28 2013-10-07 Dainippon Printing Co Ltd 商品推薦システム、商品推薦方法、商品推薦サーバ及びプログラム
CN106022865A (zh) * 2016-05-10 2016-10-12 江苏大学 一种基于评分和用户行为的商品推荐方法
CN106651520A (zh) * 2016-12-23 2017-05-10 合肥工业大学 电商平台长尾服务推荐方法和系统
CN107491813A (zh) * 2017-08-29 2017-12-19 天津工业大学 一种基于多目标优化的长尾群组推荐方法
CN109903111A (zh) * 2017-12-11 2019-06-18 北京京东尚科信息技术有限公司 用于个性化推荐的排序方法，排序模型训练方法和排序系统
CN109978580A (zh) * 2017-12-28 2019-07-05 北京京东尚科信息技术有限公司 对象推荐方法、装置以及计算机可读存储介质
CN110197404A (zh) * 2019-06-12 2019-09-03 合肥工业大学 可降低流行度偏差的个性化长尾商品推荐方法和系统
CN110335091A (zh) * 2019-07-15 2019-10-15 浪潮软件股份有限公司 一种基于长尾效应的卷烟惊喜度推荐方法及系统
CN110807676A (zh) * 2020-01-07 2020-02-18 同盾控股有限公司 长尾用户挖掘方法、装置、电子设备及存储介质
CN111179031A (zh) * 2019-12-23 2020-05-19 第四范式（北京）技术有限公司 一种商品推荐模型的训练方法、装置及系统
CN111681067A (zh) * 2020-04-17 2020-09-18 清华大学 基于图注意力网络的长尾商品推荐方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013206144A (ja) * 2012-03-28 2013-10-07 Dainippon Printing Co Ltd 商品推薦システム、商品推薦方法、商品推薦サーバ及びプログラム
CN106022865A (zh) * 2016-05-10 2016-10-12 江苏大学 一种基于评分和用户行为的商品推荐方法
CN106651520A (zh) * 2016-12-23 2017-05-10 合肥工业大学 电商平台长尾服务推荐方法和系统
CN107491813A (zh) * 2017-08-29 2017-12-19 天津工业大学 一种基于多目标优化的长尾群组推荐方法
CN109903111A (zh) * 2017-12-11 2019-06-18 北京京东尚科信息技术有限公司 用于个性化推荐的排序方法，排序模型训练方法和排序系统
CN109978580A (zh) * 2017-12-28 2019-07-05 北京京东尚科信息技术有限公司 对象推荐方法、装置以及计算机可读存储介质
CN110197404A (zh) * 2019-06-12 2019-09-03 合肥工业大学 可降低流行度偏差的个性化长尾商品推荐方法和系统
CN110335091A (zh) * 2019-07-15 2019-10-15 浪潮软件股份有限公司 一种基于长尾效应的卷烟惊喜度推荐方法及系统
CN111179031A (zh) * 2019-12-23 2020-05-19 第四范式（北京）技术有限公司 一种商品推荐模型的训练方法、装置及系统
CN110807676A (zh) * 2020-01-07 2020-02-18 同盾控股有限公司 长尾用户挖掘方法、装置、电子设备及存储介质
CN111681067A (zh) * 2020-04-17 2020-09-18 清华大学 基于图注意力网络的长尾商品推荐方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JOHNSON, J.; YIU-KAI NG: "Using tripartite graphs to make long tail recommendations", 2017 8TH INTERNATIONAL CONFERENCE ON INFORMATION, INTELLIGENCE, SYSTEMS & APPLICATIONS (IISA), 15 March 2018 (2018-03-15), pages 1 - 6 *
刘向举等: "《基于长尾理论的物品协同过滤Top-N推荐算法 》", 《齐齐哈尔大学学报（自然科学版）》, vol. 35, no. 2, pages 1 - 4 *
康自恒: "《基于网络用户行为的推荐方法研究》", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 2018, pages 138 - 3603 *
秦婧等: "《关注长尾物品的推荐方法》", 《计算机应用》, vol. 40, no. 2, pages 454 - 458 *

Also Published As

Publication number Publication date
CN112330406B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
US20230381624A1 (en) Method and System for Interactive, Interpretable, and Improved Match and Player Performance Predictions in Team Sports
US9159021B2 (en) Performing multistep prediction using spatial and temporal memory system
Huang et al. Listwise collaborative filtering
CN108230058B (zh) 产品推荐方法及系统
Liu et al. Collaborative filtering with a deep adversarial and attention network for cross-domain recommendation
US9251527B2 (en) System and method for providing personalized recommendations
CN113032676B (zh) 基于微反馈的推荐方法和系统
CN110598120A (zh) 基于行为数据的理财推荐方法及装置、设备
CN111461345A (zh) 深度学习模型训练方法及装置
CN107423308A (zh) 主题推荐方法以及装置
US20210049674A1 (en) Predictive selection of product variations
Wang et al. Modeling uncertainty to improve personalized recommendations via Bayesian deep learning
US20200250715A1 (en) Automatic rule generation for recommendation engine using hybrid machine learning
CN111967924A (zh) 商品推荐方法、商品推荐装置、计算机设备和介质
CN104715317A (zh) 处理装置和处理方法
WO2012034606A2 (en) Multiverse recommendation method for context-aware collaborative filtering
Martínez et al. Managing natural noise in recommender systems
Kabra et al. Potent real-time recommendations using multimodel contextual reinforcement learning
Lettner et al. Mobile interaction analysis: towards a novel concept for interaction sequence mining
CN112330406A (zh) 一种长尾物品推荐方法、智能终端及存储介质
Gao et al. Recommendation system design for social media using reinforcement learning
Gong et al. Self-paced multi-label co-training
Gao et al. Integrated scheduling algorithm based on the priority constraint table for complex products with tree structure
He et al. Interest HD: An interest frame model for recommendation based on HD image generation
Esfahaani et al. Deep reinforcement learning-based product recommender for online advertising

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