CN112579889A - 物品推荐方法、装置、电子设备及存储介质 - Google Patents
物品推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112579889A CN112579889A CN202011430652.0A CN202011430652A CN112579889A CN 112579889 A CN112579889 A CN 112579889A CN 202011430652 A CN202011430652 A CN 202011430652A CN 112579889 A CN112579889 A CN 112579889A
- Authority
- CN
- China
- Prior art keywords
- article
- similarity
- feature information
- semantic feature
- item
- 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 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 239000013604 expression vector Substances 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000003058 natural language processing Methods 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了物品推荐方法、装置、电子设备及存储介质，涉及自然语言处理、深度学习及智能推荐等人工智能领域，其中的方法可包括：在冷启动场景下，当需要利用基于物品的协同过滤算法进行物品推荐时，分别获取待推荐物品集中的各物品的语义特征信息；根据语义特征信息，分别获取每两个不同物品之间的相似度；根据获取到的相似度生成待推荐物品集对应的第一物品相似度表；根据第一物品相似度表进行物品推荐。应用本申请所述方案，解决了冷启动场景下的物品推荐问题，确保了冷启动场景下的推荐效果等。
Description
技术领域
本申请涉及人工智能技术领域，特别涉及自然语言处理、深度学习及智能推荐等领域的物品推荐方法、装置、电子设备及存储介质。
背景技术
推荐系统作为一种信息过滤的重要手段，是当前解决信息超载问题的有效方法之一，是面向用户的互联网产品的核心技术。
常见的推荐算法包括协同过滤算法、基于内容的推算算法等。协同过滤算法简单来说就是利用兴趣相投的原理进行推荐，又可进一步分为两类，一类是基于物品(item)的协同过滤算法，另一类是基于用户的协同过滤算法。
其中，基于物品的协同过滤算法中，需要获取物品相似度表。而目前的实现方式中，需要依赖于用户点击日志来计算物品之间的相关性，从而得到物品相似度表。这样，在冷启动场景下，当用户点击日志很少甚至完全不存在的情况下，则无法获取到物品相似度表，从而无法进行有效的推荐等。
发明内容
本申请提供了物品推荐方法、装置、电子设备及存储介质。
一种物品推荐方法，包括：
在冷启动场景下，当需要利用基于物品的协同过滤算法进行物品推荐时，分别获取待推荐物品集中的各物品的语义特征信息；
根据所述语义特征信息，分别获取每两个不同物品之间的相似度；
根据获取到的相似度生成所述待推荐物品集对应的第一物品相似度表；
根据所述第一物品相似度表进行物品推荐。
一种物品推荐装置，包括：第一获取模块、第二获取模块、生成模块以及推荐模块；
所述第一获取模块，用于在冷启动场景下，当需要利用基于物品的协同过滤算法进行物品推荐时，分别获取待推荐物品集中的各物品的语义特征信息；
所述第二获取模块，用于根据所述语义特征信息，分别获取每两个不同物品之间的相似度；
所述生成模块，用于根据获取到的相似度生成所述待推荐物品集对应的第一物品相似度表；
所述推荐模块，用于根据所述第一物品相似度表进行物品推荐。
一种电子设备，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以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。
上述申请中的一个实施例具有如下优点或有益效果：在冷启动场景下，可分别获取各物品的语义特征信息，并可根据获取到的语义特征信息获取不同物品间的相似度并生成物品相似度表，进而可根据物品相似度表进行物品推荐，从而解决了冷启动场景下的物品推荐问题，确保了冷启动场景下的推荐效果等。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请所述物品推荐方法实施例的流程图；
图2为本申请所述物品推荐方法的整体实现过程示意图；
图3为本申请所述物品推荐装置30实施例的组成结构示意图；
图4为根据本申请实施例所述方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本申请所述物品推荐方法实施例的流程图。如图1所示，包括以下具体实现方式。
在步骤101中，在冷启动场景下，当需要利用基于物品的协同过滤算法进行物品推荐时，分别获取待推荐物品集中的各物品的语义特征信息。
在步骤102中，根据获取到的语义特征信息，分别获取每两个不同物品之间的相似度。
在步骤103中，根据获取到的相似度生成待推荐物品集对应的第一物品相似度表。
在步骤104中，根据第一物品相似度表进行物品推荐。
可以看出，上述方法实施例所述方案中，在冷启动场景下，可分别获取各物品的语义特征信息，并可根据获取到的语义特征信息获取不同物品间的相似度并生成物品相似度表，进而可根据物品相似度表进行物品推荐，从而无需借助于用户点击日志即可实现有效的物品推荐，解决了冷启动场景下的物品推荐问题，确保了冷启动场景下的推荐效果等。
根据推荐场景的不同，所述物品可表现为不同的形式。比如，在资讯推荐场景中，所述物品可为文章等。
针对各物品，可分别获取其语义特征信息。比如，对于文章来说，语义特征信息可包括以下之一或任意组合：文章的嵌入(embedding)表示向量、文章的关键词(keywords)表示向量、文章的主题表示向量、文章的语义表示向量。
另外，通常来说，会分别获取各物品的相同数量及相同类型的语义特征信息。比如，可分别获取各文章的关键词表示向量，或者，分别获取各文章的关键词表示向量以及主题表示向量，或者，分别获取各文章的embedding表示向量、关键词表示向量、主题表示向量和语义表示向量等。
如何获取上述各语义特征信息不作限制，比如，可包括但不限于以下获取方式。
1)embedding表示向量
可首先对文章进行分词处理，之后可分别获取各分词结果的embedding表示向量，进而可将各embedding表示向量进行线性加权求和或求平均，从而得到文章的embedding表示向量。
或者，也可以采用文档到嵌入(doc-embedding)的方法直接获取文章的embedding表示向量。
2)关键词表示向量
可从文章中提取关键词，或者，利用文章中的所有词构成词袋模型，即将所有词均视为关键词，之后可针对各关键词或词袋中的各词，获取词向量的独热(one-hot)表示向量或词频-逆文本频率(TF-IDF，Term Frequency–Inverse Document Frequency)表示向量，作为文章的关键词表示向量。
3)主题表示向量
可基于主题模型(Topic-model)的方法，得到文章的主题表示向量。
主题模型可为潜在狄利克雷分配(LDA，Latent Dirichlet Allocation)模型或概率潜在语义分析(PLSA，Probabilistic Latent Semantic Analysis)模型等。
4)语义表示向量
可基于目前比较常用的预训练(Pre-train)模型来获取整个文章的语义表示向量。
预训练模型可为转换器的双向编码表示(BERT，Bidirectional EncoderRepresentations from Transformers)模型或知识增强语义表示(ERNIE，EnhancedRepresentation from kNowledge IntEgration)模型等。
根据获取到的语义特征信息，可分别获取每两个不同物品之间的相似度。比如，假设共存在3个物品(实际远大于此)，分别为物品1、物品2和物品3，那么可分别获取物品1和物品2、物品1和物品3以及物品2和物品3等之间的相似度。
具体地，若针对每个物品分别获取到一个语义特征信息，则可针对由第一物品和第二物品组成的任一物品对，分别计算第一物品的语义特征信息与第二物品的语义特征信息之间的相似度，将计算出的相似度作为第一物品与第二物品之间的相似度。
比如，针对每个物品，分别获取到了语义特征信息1，那么可计算第一物品的语义特征信息1与第二物品的语义特征信息1之间的相似度，将计算出的相似度作为第一物品与第二物品之间的相似度。
如何计算相似度不作限制。比如，可计算向量之间的余弦相似度或杰卡德相似度等。
若针对每个物品分别获取到M个语义特征信息，M为大于一的正整数，则可针对所述物品对，分别将第一物品的各语义特征信息按照预定方式进行拼接，得到第一拼接结果，并将第二物品的各语义特征信息按照同样方式进行拼接，得到第二拼接结果，计算第一拼接结果与第二拼接结果之间的相似度，将计算出的相似度作为第一物品与第二物品之间的相似度。
所述预定方式具体为何种方式不作限制。比如，针对每个物品分别获取到了4个语义特征信息，那么可将4个语义特征信息按照预定顺序进行拼接，从而得到拼接结果。
或者，若针对每个物品分别获取到M个语义特征信息，则可针对所述物品对，分别计算第一物品和第二物品对应的同一类型的语义特征信息之间的相似度，并计算得到的M个相似度的均值，将计算出的均值作为第一物品与第二物品之间的相似度。
比如，针对每个物品分别获取到了4个语义特征信息，分别为语义特征信息1、语义特征信息2、语义特征信息3和语义特征信息4，那么，可分别计算第一物品的语义特征信息1与第二物品的语义特征信息1之间的相似度、第一物品的语义特征信息2与第二物品的语义特征信息2之间的相似度、第一物品的语义特征信息3与第二物品的语义特征信息3之间的相似度以及第一物品的语义特征信息4与第二物品的语义特征信息4之间的相似度，从而得到4个相似度计算结果，进而可计算4个相似度的均值，将得到的均值作为第一物品与第二物品之间的相似度。
通过上述处理，很好的利用了文章本身包含的相关性信息，从而可高效准确地获取到每两个不同物品之间的相似度，进而为后续处理奠定了良好的基础等。
根据获取到的每两个不同物品之间的相似度，可生成第一物品相似度表，即可生成待推荐物品集对应的第一物品相似度表。比如，表中的每行可分别对应于一个物品，每行中可分别记录有该物品与其它各物品之间的相似度等。
第一物品相似度表也可称为基于语义相关性的冷启动物品相似度表。进一步地，可根据第一物品相似度表为用户进行物品推荐，并获取用户点击日志。
即可将第一物品相似度表应用到推荐系统中，为用户进行物品推荐。如何根据第一物品相似度表为用户进行物品推荐为现有技术。相应地，可以获取到用户的用户点击日志。
进一步地，可按照现有方式，根据用户点击日志生成待推荐物品集对应的第二物品相似度表。第二物品相似度表也可称为有监督的物品相似度表。
比如，可根据用户点击日志训练有监督的协同过滤算法，如包括但不限于训练基于深度学习的协同过滤算法模型等。协同过滤算法模型可为基于孪生网络(SiameseNet)的基于物品的协同过滤算法模型，该模型使用双塔结构，分别对两个物品学习隐向量表示(具体采用多层感知机实现)，该模型在训练时可根据用户点击日志进行采样，得到相似的物品对和不相似的物品对，进而利用这些物品对对模型进行训练等。相应地，可根据该模型生成第二物品相似度表。
针对获取到的第二物品相似度表，还可将其与第一物品相似度表进行融合，从而得到第三相似度表。
其中，在将第一物品相似度表和第二物品相似度表进行融合时，可针对任意两个物品，分别将两个物品在第一物品相似度表中的相似度取值与在第二物品相似度表中的相似度取值进行线性加权求和，将得到的和作为两个物品在第三物品相似度表中的相似度取值。线性加权时的具体权值/权重可根据实际需要而定。
进一步地，还可根据第三物品相似度表进行物品推荐。第三物品相似度表中同时融合了第一物品相似度表和第二物品相似度表中的信息，从而提升了推荐结果的准确性等。
在利用第三物品相似度表进行物品推荐后，可获取到新的用户点击日志，结合之前的用户点击日志，可更新第二物品相似度表，并可将更新后的第二物品相似度表与第一物品相似度表进行融合，得到更新后的第三物品相似度表，进而可利用更新后的第三物品相似度表继续进行物品推荐等，并可不断重复该过程，直至符合结束条件。
所述结束条件具体为何种条件不作限制。比如，可设定一个时长，每经过一个所述时长，则执行一次上述过程，当执行次数达到预定次数后，则可认为符合结束条件。当然，此方式仅为举例说明，并不用于限制本申请的技术方案。
另外，在进行融合时，随着时间的推移，可逐渐降低第一物品相似度表中的相似度取值对应的权重。相比于第一物品相似度表，第二物品相似度表更能反映用户的兴趣变化等，更能提高推荐结果的准确性等。
基于上述介绍，图2为本申请所述物品推荐方法的整体实现过程示意图。如图2所示，其中的“无监督”即指分别获取各物品的语义特征信息，根据获取到的语义特征信息，分别获取每两个不同物品之间的相似度等过程，“有监督”即指根据用户点击日志生成第二物品相似度表的过程。图2所示过程的具体实现请参照前述相关说明，不再赘述。
需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。
图3为本申请所述物品推荐装置30实施例的组成结构示意图。如图3所示，包括：第一获取模块301、第二获取模块302、生成模块303以及推荐模块304。
第一获取模块301，用于在冷启动场景下，当需要利用基于物品的协同过滤算法进行物品推荐时，分别获取待推荐物品集中的各物品的语义特征信息。
第二获取模块302，用于根据所述语义特征信息，分别获取每两个不同物品之间的相似度。
生成模块303，用于根据获取到的相似度生成待推荐物品集对应的第一物品相似度表。
推荐模块304，用于根据第一物品相似度表进行物品推荐。
根据推荐场景的不同，所述物品可表现为不同的形式。比如，在资讯推荐场景中，所述物品可为文章等。
针对各物品，第一获取模块301可分别获取其语义特征信息。比如，对于文章来说，语义特征信息可包括以下之一或任意组合：文章的embedding表示向量、文章的关键词表示向量、文章的主题表示向量、文章的语义表示向量。
另外，通常来说，第一获取模块301会分别获取各物品的相同数量及相同类型的语义特征信息。比如，可分别获取各文章的关键词表示向量，或者，分别获取各文章的关键词表示向量以及主题表示向量，或者，分别获取各文章的embedding表示向量、关键词表示向量、主题表示向量和语义表示向量等。
根据第一获取模块301获取到的语义特征信息，第二获取模块302可分别获取每两个不同物品之间的相似度。
比如，第二获取模块302可在针对每个物品分别获取到一个语义特征信息时，针对由第一物品和第二物品组成的任一物品对，分别计算第一物品的语义特征信息与第二物品的语义特征信息之间的相似度，将相似度作为第一物品与第二物品之间的相似度。
第二获取模块302还可在针对每个物品分别获取到M个语义特征信息时，M为大于一的正整数，针对所述物品对，分别将第一物品的各语义特征信息按照预定方式进行拼接，得到第一拼接结果，并将第二物品的各语义特征信息按照所述预定方式进行拼接，得到第二拼接结果，计算第一拼接结果与第二拼接结果之间的相似度，将相似度作为第一物品与第二物品之间的相似度。
或者，第二获取模块302可在针对每个物品分别获取到M个语义特征信息时，针对所述物品对，分别计算第一物品和第二物品对应的同一类型的语义特征信息之间的相似度，并计算得到的M个相似度的均值，将均值作为第一物品与第二物品之间的相似度。
根据获取到的每两个不同物品之间的相似度，生成模块303可生成第一物品相似度表，即可生成待推荐物品集对应的第一物品相似度表。
进一步地，推荐模块304可根据第一物品相似度表为用户进行物品推荐。另外，推荐模块304还可执行以下预定处理：获取用户点击日志；根据获取到的用户点击日志生成待推荐物品集对应的第二物品相似度表；将第一物品相似度表和第二物品相似度表进行融合，得到第三物品相似度表；根据第三物品相似度表进行物品推荐，并重复所述预定处理，直至符合结束条件。
其中，推荐模块304可针对任意两个物品，分别将两个物品在第一物品相似度表中的相似度取值与在第二物品相似度表中的相似度取值进行线性加权求和，将得到的和作为两个物品在第三物品相似度表中的相似度取值。
图3所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。
总之，采用本申请装置实施例所述方案，在冷启动场景下，可分别获取各物品的语义特征信息，并可根据获取到的语义特征信息获取不同物品间的相似度并生成物品相似度表，进而可根据物品相似度表进行物品推荐，从而解决了冷启动场景下的物品推荐问题，确保了冷启动场景下的推荐效果等。
本申请所述方案可应用于人工智能领域，特别涉及自然语言处理、深度学习及智能推荐等人工智能领域。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图4所示，是根据本申请实施例所述方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示，该电子设备包括：一个或多个处理器Y01、存储器Y02，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器Y01为例。
存储器Y02即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的方法。
存储器Y02作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的方法对应的程序指令/模块。处理器Y01通过运行存储在存储器Y02中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器Y02可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器Y02可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器Y02可选包括相对于处理器Y01远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、区块链网络、局域网、移动通信网及其组合。
电子设备还可以包括：输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置Y03可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器、发光二极管显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置)，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，阴极射线管或者液晶显示器监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网、广域网、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (12)
1.一种物品推荐方法，包括：
在冷启动场景下，当需要利用基于物品的协同过滤算法进行物品推荐时，分别获取待推荐物品集中的各物品的语义特征信息；
根据所述语义特征信息，分别获取每两个不同物品之间的相似度；
根据获取到的相似度生成所述待推荐物品集对应的第一物品相似度表；
根据所述第一物品相似度表进行物品推荐。
2.根据权利要求1所述的方法，其中，
所述物品包括：文章；
所述语义特征信息包括以下之一或任意组合：文章的嵌入表示向量、文章的关键词表示向量、文章的主题表示向量、文章的语义表示向量。
3.根据权利要求1所述的方法，其中，
所述分别获取待推荐物品集中的各物品的语义特征信息包括：分别获取各物品的相同数量及相同类型的语义特征信息；
所述分别获取每两个不同物品之间的相似度包括：
若针对每个物品分别获取到一个语义特征信息，则针对由第一物品和第二物品组成的任一物品对，分别计算所述第一物品的语义特征信息与所述第二物品的语义特征信息之间的相似度，将所述相似度作为所述第一物品与所述第二物品之间的相似度；
若针对每个物品分别获取到M个语义特征信息，M为大于一的正整数，则针对所述物品对，分别将所述第一物品的各语义特征信息按照预定方式进行拼接，得到第一拼接结果，并将所述第二物品的各语义特征信息按照所述预定方式进行拼接，得到第二拼接结果，计算所述第一拼接结果与所述第二拼接结果之间的相似度，将所述相似度作为所述第一物品与所述第二物品之间的相似度；
或者，若针对每个物品分别获取到M个语义特征信息，则针对所述物品对，分别计算所述第一物品和所述第二物品对应的同一类型的语义特征信息之间的相似度，并计算得到的M个相似度的均值，将所述均值作为所述第一物品与所述第二物品之间的相似度。
4.根据权利要求1所述的方法，还包括：执行以下预定处理：
获取用户点击日志；
根据获取到的用户点击日志生成所述待推荐物品集对应的第二物品相似度表；
将所述第一物品相似度表和所述第二物品相似度表进行融合，得到第三物品相似度表；
根据所述第三物品相似度表进行物品推荐，并重复所述预定处理，直至符合结束条件。
5.根据权利要求4所述的方法，其中，所述将所述第一物品相似度表和所述第二物品相似度表进行融合，得到第三物品相似度表包括：
针对任意两个物品，分别将两个物品在所述第一物品相似度表中的相似度取值与在所述第二物品相似度表中的相似度取值进行线性加权求和，将得到的和作为两个物品在所述第三物品相似度表中的相似度取值。
6.一种物品推荐装置，包括：第一获取模块、第二获取模块、生成模块以及推荐模块；
所述第一获取模块，用于在冷启动场景下，当需要利用基于物品的协同过滤算法进行物品推荐时，分别获取待推荐物品集中的各物品的语义特征信息；
所述第二获取模块，用于根据所述语义特征信息，分别获取每两个不同物品之间的相似度；
所述生成模块，用于根据获取到的相似度生成所述待推荐物品集对应的第一物品相似度表；
所述推荐模块，用于根据所述第一物品相似度表进行物品推荐。
7.根据权利要求6所述的装置，其中，
所述物品包括：文章；
所述语义特征信息包括以下之一或任意组合：文章的嵌入表示向量、文章的关键词表示向量、文章的主题表示向量、文章的语义表示向量。
8.根据权利要求6所述的装置，其中，
所述第一获取模块分别获取各物品的相同数量及相同类型的语义特征信息；
若针对每个物品分别获取到一个语义特征信息，则所述第二获取模块针对由第一物品和第二物品组成的任一物品对，分别计算所述第一物品的语义特征信息与所述第二物品的语义特征信息之间的相似度，将所述相似度作为所述第一物品与所述第二物品之间的相似度；
若针对每个物品分别获取到M个语义特征信息，M为大于一的正整数，则所述第二获取模块针对所述物品对，分别将所述第一物品的各语义特征信息按照预定方式进行拼接，得到第一拼接结果，并将所述第二物品的各语义特征信息按照所述预定方式进行拼接，得到第二拼接结果，计算所述第一拼接结果与所述第二拼接结果之间的相似度，将所述相似度作为所述第一物品与所述第二物品之间的相似度；
或者，若针对每个物品分别获取到M个语义特征信息，则所述第二获取模块针对所述物品对，分别计算所述第一物品和所述第二物品对应的同一类型的语义特征信息之间的相似度，并计算得到的M个相似度的均值，将所述均值作为所述第一物品与所述第二物品之间的相似度。
9.根据权利要求6所述的装置，其中，
所述推荐模块进一步用于，执行以下预定处理：获取用户点击日志；根据获取到的用户点击日志生成所述待推荐物品集对应的第二物品相似度表；将所述第一物品相似度表和所述第二物品相似度表进行融合，得到第三物品相似度表；根据所述第三物品相似度表进行物品推荐，并重复所述预定处理，直至符合结束条件。
10.根据权利要求9所述的装置，其中，
所述推荐模块针对任意两个物品，分别将两个物品在所述第一物品相似度表中的相似度取值与在所述第二物品相似度表中的相似度取值进行线性加权求和，将得到的和作为两个物品在所述第三物品相似度表中的相似度取值。
11.一种电子设备，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权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011430652.0A CN112579889B (zh) | 2020-12-07 | 2020-12-07 | 物品推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011430652.0A CN112579889B (zh) | 2020-12-07 | 2020-12-07 | 物品推荐方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112579889A true CN112579889A (zh) | 2021-03-30 |
| CN112579889B CN112579889B (zh) | 2022-05-03 |
Family
ID=75130446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011430652.0A Active CN112579889B (zh) | 2020-12-07 | 2020-12-07 | 物品推荐方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112579889B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113407851A (zh) * | 2021-07-15 | 2021-09-17 | 北京百度网讯科技有限公司 | 基于双塔模型的确定推荐信息的方法、装置、设备和介质 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101751448A (zh) * | 2009-07-22 | 2010-06-23 | 中国科学院自动化研究所 | 一种基于情景信息的个性化资源信息的推荐方法 |
| CN102609523A (zh) * | 2012-02-10 | 2012-07-25 | 上海视畅信息科技有限公司 | 基于物品分类和用户分类的协同过滤推荐算法 |
| CN102800006A (zh) * | 2012-07-23 | 2012-11-28 | 姚明东 | 基于客户购物意图挖掘的实时商品推荐方法 |
| CN102968506A (zh) * | 2012-12-14 | 2013-03-13 | 北京理工大学 | 一种基于扩展特征向量的个性化协同过滤推荐方法 |
| CN103440329A (zh) * | 2013-09-04 | 2013-12-11 | 北京邮电大学 | 权威作者和高质量论文推荐系统和推荐方法 |
| CN104156450A (zh) * | 2014-08-15 | 2014-11-19 | 同济大学 | 一种基于用户网络数据的物品信息推荐方法 |
| US20160259857A1 (en) * | 2015-03-06 | 2016-09-08 | Microsoft Technology Licensing, Llc | User recommendation using a multi-view deep learning framework |
| CN108615177A (zh) * | 2018-04-09 | 2018-10-02 | 武汉理工大学 | 基于加权提取兴趣度的电子终端个性化推荐方法 |
| CN109918564A (zh) * | 2019-01-25 | 2019-06-21 | 汕头大学 | 一种面向完全冷启动的上下文自动编码推荐方法及系统 |
| CN110162703A (zh) * | 2019-05-13 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 内容推荐方法、训练方法、装置、设备及存储介质 |
| CN110232152A (zh) * | 2019-05-27 | 2019-09-13 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置、服务器以及存储介质 |
| CN110348919A (zh) * | 2018-04-02 | 2019-10-18 | 北京京东尚科信息技术有限公司 | 物品推荐方法、装置和计算机可读存储介质 |
| CN110348920A (zh) * | 2018-04-02 | 2019-10-18 | 中移（杭州）信息技术有限公司 | 一种推荐产品的方法及装置 |
| CN110955831A (zh) * | 2019-11-25 | 2020-04-03 | 北京三快在线科技有限公司 | 物品推荐方法、装置、计算机设备及存储介质 |
| CN111428144A (zh) * | 2020-02-27 | 2020-07-17 | 中国平安财产保险股份有限公司 | 基于dcn与lda结合的推荐方法、装置和计算机设备 |
| CN111915383A (zh) * | 2019-05-09 | 2020-11-10 | 第四范式（北京）技术有限公司 | 基于窗口的物品冷启动推荐方法及装置 |
| US10839033B1 (en) * | 2019-11-26 | 2020-11-17 | Vui, Inc. | Referring expression generation |
| CN112000700A (zh) * | 2020-07-14 | 2020-11-27 | 北京百度网讯科技有限公司 | 地图信息展示方法、装置、电子设备及存储介质 |
-
2020
- 2020-12-07 CN CN202011430652.0A patent/CN112579889B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101751448A (zh) * | 2009-07-22 | 2010-06-23 | 中国科学院自动化研究所 | 一种基于情景信息的个性化资源信息的推荐方法 |
| CN102609523A (zh) * | 2012-02-10 | 2012-07-25 | 上海视畅信息科技有限公司 | 基于物品分类和用户分类的协同过滤推荐算法 |
| CN102800006A (zh) * | 2012-07-23 | 2012-11-28 | 姚明东 | 基于客户购物意图挖掘的实时商品推荐方法 |
| CN102968506A (zh) * | 2012-12-14 | 2013-03-13 | 北京理工大学 | 一种基于扩展特征向量的个性化协同过滤推荐方法 |
| CN103440329A (zh) * | 2013-09-04 | 2013-12-11 | 北京邮电大学 | 权威作者和高质量论文推荐系统和推荐方法 |
| CN104156450A (zh) * | 2014-08-15 | 2014-11-19 | 同济大学 | 一种基于用户网络数据的物品信息推荐方法 |
| US20160259857A1 (en) * | 2015-03-06 | 2016-09-08 | Microsoft Technology Licensing, Llc | User recommendation using a multi-view deep learning framework |
| CN110348920A (zh) * | 2018-04-02 | 2019-10-18 | 中移（杭州）信息技术有限公司 | 一种推荐产品的方法及装置 |
| CN110348919A (zh) * | 2018-04-02 | 2019-10-18 | 北京京东尚科信息技术有限公司 | 物品推荐方法、装置和计算机可读存储介质 |
| CN108615177A (zh) * | 2018-04-09 | 2018-10-02 | 武汉理工大学 | 基于加权提取兴趣度的电子终端个性化推荐方法 |
| CN109918564A (zh) * | 2019-01-25 | 2019-06-21 | 汕头大学 | 一种面向完全冷启动的上下文自动编码推荐方法及系统 |
| CN111915383A (zh) * | 2019-05-09 | 2020-11-10 | 第四范式（北京）技术有限公司 | 基于窗口的物品冷启动推荐方法及装置 |
| CN110162703A (zh) * | 2019-05-13 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 内容推荐方法、训练方法、装置、设备及存储介质 |
| CN110232152A (zh) * | 2019-05-27 | 2019-09-13 | 腾讯科技（深圳）有限公司 | 内容推荐方法、装置、服务器以及存储介质 |
| CN110955831A (zh) * | 2019-11-25 | 2020-04-03 | 北京三快在线科技有限公司 | 物品推荐方法、装置、计算机设备及存储介质 |
| US10839033B1 (en) * | 2019-11-26 | 2020-11-17 | Vui, Inc. | Referring expression generation |
| CN111428144A (zh) * | 2020-02-27 | 2020-07-17 | 中国平安财产保险股份有限公司 | 基于dcn与lda结合的推荐方法、装置和计算机设备 |
| CN112000700A (zh) * | 2020-07-14 | 2020-11-27 | 北京百度网讯科技有限公司 | 地图信息展示方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| BAI JUAN 等: "Collaborative filtering recommendation algorithm based on semantic similarity of item", 《2012 IEEE FIFTH INTERNATIONAL CONFERENCE ON ADVANCED COMPUTATIONAL INTELLIGENCE (ICACI)》 * |
| 雷秋雨: "个性化推荐系统中冷启动问题研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113407851A (zh) * | 2021-07-15 | 2021-09-17 | 北京百度网讯科技有限公司 | 基于双塔模型的确定推荐信息的方法、装置、设备和介质 |
| CN113407851B (zh) * | 2021-07-15 | 2024-05-03 | 北京百度网讯科技有限公司 | 基于双塔模型的确定推荐信息的方法、装置、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112579889B (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3855369A2 (en) | Method, system, electronic device, storage medium and computer program product for item recommendation | |
| CN112560479B (zh) | 摘要抽取模型训练方法、摘要抽取方法、装置和电子设备 | |
| CN110674260B (zh) | 语义相似模型的训练方法、装置、电子设备和存储介质 | |
| CN111967256B (zh) | 事件关系的生成方法、装置、电子设备和存储介质 | |
| EP3717984B1 (en) | Method and apparatus for providing personalized self-help experience | |
| CN112632403B (zh) | 推荐模型的训练方法、推荐方法、装置、设备和介质 | |
| CN112070226A (zh) | 在线预测模型的训练方法、装置、设备及存储介质 | |
| CN111522994A (zh) | 用于生成信息的方法和装置 | |
| CN112560496A (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
| CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
| CN113590776B (zh) | 基于知识图谱的文本处理方法、装置、电子设备及介质 | |
| US20160092771A1 (en) | Analysis of social media messages | |
| CN112163676A (zh) | 多任务服务预测模型训练方法、装置、设备以及存储介质 | |
| CN114036398B (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
| CN111737954A (zh) | 文本相似度确定方法、装置、设备和介质 | |
| CN112541362B (zh) | 一种泛化处理的方法、装置、设备和计算机存储介质 | |
| CN112084150B (zh) | 模型训练、数据检索方法，装置，设备以及存储介质 | |
| CN114417194A (zh) | 推荐系统排序方法、参数预测模型训练方法及装置 | |
| CN111563198A (zh) | 一种物料召回方法、装置、设备及存储介质 | |
| CN113516491A (zh) | 推广信息展示方法、装置、电子设备及存储介质 | |
| CN112579889B (zh) | 物品推荐方法、装置、电子设备及存储介质 | |
| CN113902005A (zh) | 语言模型的预训练方法、装置、设备和存储介质 | |
| CN111125445B (zh) | 社区主题生成方法、装置、电子设备及存储介质 | |
| CN112528146A (zh) | 内容资源推荐方法、装置、电子设备及存储介质 | |
| CN112329429A (zh) | 文本相似度学习方法、装置、设备以及存储介质 |
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 |