CN112712418A - 推荐商品信息的确定方法和装置、存储介质及电子设备 - Google Patents

推荐商品信息的确定方法和装置、存储介质及电子设备 Download PDF

Info

Publication number
CN112712418A
CN112712418A CN202110316628.2A CN202110316628A CN112712418A CN 112712418 A CN112712418 A CN 112712418A CN 202110316628 A CN202110316628 A CN 202110316628A CN 112712418 A CN112712418 A CN 112712418A
Authority
CN
China
Prior art keywords
vector
target
vector matrix
commodity
matrix
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
CN202110316628.2A
Other languages
English (en)
Other versions
CN112712418B (zh
Inventor
鄂世嘉
徐诗瑶
高鹏
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202110316628.2A priority Critical patent/CN112712418B/zh
Publication of CN112712418A publication Critical patent/CN112712418A/zh
Application granted granted Critical
Publication of CN112712418B publication Critical patent/CN112712418B/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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种与人工智能的内容推送相关的推荐商品信息的确定方法和装置、存储介质及电子设备。其中，该方法包括：获取第一账号的历史操作记录的目标向量矩阵；根据第一注意力向量对目标向量矩阵进行转换，得到第一向量矩阵，并根据第二注意力向量对目标向量矩阵进行转换，得到第二向量矩阵；对目标向量矩阵、第一向量矩阵和第二向量矩阵进行组合，得到组合向量矩阵；根据组合向量矩阵与待推荐商品中的每一个商品的商品向量的相关性参数，在待推荐商品中确定目标推荐商品。本发明解决了确定的推荐商品不准确的技术问题。

Description

推荐商品信息的确定方法和装置、存储介质及电子设备
技术领域
本发明涉及大数据领域，具体而言，涉及一种推荐商品信息的确定方法和装置、存储介质及电子设备。
背景技术
现有技术中，在向账号确定推荐商品的时候，通常，可以将账号的历史浏览记录中的商品类似的商品确定为推荐商品。然而，如果采用上述方法确定推荐商品，则会造成确定的推荐商品不准确。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种推荐商品信息的确定方法和装置、存储介质及电子设备，以至少解决确定的推荐商品不准确的技术问题。
根据本发明实施例的一个方面，提供了一种推荐商品信息的确定方法，包括：获取第一账号的历史操作记录的目标向量矩阵，其中，上述历史操作记录中包括上述第一账号对商品执行的操作的记录，上述目标向量矩阵为对上述历史操作记录进行转换得到的向量矩阵；根据第一注意力向量对上述目标向量矩阵进行转换，得到第一向量矩阵，并根据第二注意力向量对上述目标向量矩阵进行转换，得到第二向量矩阵，其中，上述第一向量矩阵用于表示上述历史操作记录中的上述商品对目标推荐商品的影响程度，上述第二向量矩阵用于表示上述第一账号对上述商品的感兴趣程度；对上述目标向量矩阵、上述第一向量矩阵和上述第二向量矩阵进行组合，得到组合向量矩阵；根据上述组合向量矩阵与待推荐商品中的每一个商品的商品向量的相关性参数，在上述待推荐商品中确定目标推荐商品。
根据本发明实施例的另一方面，还提供了一种推荐商品信息的确定装置，包括：获取单元，用于获取第一账号的历史操作记录的目标向量矩阵，其中，上述历史操作记录中包括上述第一账号对商品执行的操作的记录，上述目标向量矩阵为对上述历史操作记录进行转换得到的向量矩阵；转换单元，用于根据第一注意力向量对上述目标向量矩阵进行转换，得到第一向量矩阵，并根据第二注意力向量对上述目标向量矩阵进行转换，得到第二向量矩阵，其中，上述第一向量矩阵用于表示上述历史操作记录中的上述商品对目标推荐商品的影响程度，上述第二向量矩阵用于表示上述第一账号对上述商品的感兴趣程度；组合单元，用于对上述目标向量矩阵、上述第一向量矩阵和上述第二向量矩阵进行组合，得到组合向量矩阵；确定单元，用于根据上述组合向量矩阵与待推荐商品中的每一个商品的商品向量的相关性参数，在上述待推荐商品中确定目标推荐商品。
作为一种可选的示例，上述转换单元包括：第一初始化模块，用于对全局向量进行初始化，得到上述第一注意力向量；第一确定模块，用于根据上述第一注意力向量与上述目标向量矩阵中的每一个目标向量，确定每一个上述目标向量对应的第一中间参数；第二确定模块，用于根据上述第一中间参数和上述目标向量，确定上述第一向量矩阵。
作为一种可选的示例，上述第一确定模块包括：第一处理子模块，用于将每一个上述目标向量作为当前向量，对上述当前向量执行如下操作：确定上述第一注意力向量与上述当前向量的乘积，得到当前值；将上述当前值和总值作比，得到当前商，其中，上述总值为上述目标向量矩阵中的每一个上述目标向量的上述当前值的和；将上述当前商，作为上述当前向量的上述第一中间参数。
作为一种可选的示例，上述第二确定模块包括：第一计算子模块，用于将每一个上述目标向量的上述第一中间参数，和每一个上述目标向量相乘，得到多个第一向量；第一确定子模块，用于将多个上述第一向量，确定为上述第一向量矩阵。
作为一种可选的示例，上述转换单元包括：第二初始化模块，用于对上述第一账号的账号向量进行初始化，得到上述第二注意力向量；第三确定模块，用于根据上述第二注意力向量与上述目标向量矩阵中的每一个目标向量，确定每一个上述目标向量对应的第二中间参数；第四确定模块，用于根据上述第二中间参数和上述目标向量，确定上述第二向量矩阵。
作为一种可选的示例，上述第三确定模块包括：第二处理子模块，将每一个上述目标向量作为当前向量，对上述当前向量执行如下操作：确定上述第二注意力向量与上述当前向量的乘积，得到当前值；将上述当前值和总值作比，得到当前商，其中，上述总值为上述目标向量矩阵中的每一个上述目标向量的上述当前值的和；将上述当前商，作为上述当前向量的上述第二中间参数。
作为一种可选的示例，上述第四确定模块包括：第二计算子模块，用于将每一个上述目标向量的上述第二中间参数，和每一个上述目标向量相乘，得到多个第二向量；第二确定子模块，用于将多个上述第二向量，确定为上述第二向量矩阵。
作为一种可选的示例，上述获取单元包括：获取模块，用于获取上述历史操作记录中多个信息对，其中，每个信息对包括具有对应关系的商品信息和对上述商品信息执行的操作信息；转换模块，用于将上述多个信息对中的商品信息分别转换为商品向量，得到多个商品向量，并将上述多个信息对中的操作信息分别转换为行为向量，得到多个行为向量；第三确定模块，用于根据上述多个商品向量和上述多个行为向量，确定上述目标向量矩阵。
作为一种可选的示例，上述转换模块包括：第三处理子模块，用于将每一个上述操作信息作为当前操作信息，对上述当前操作信息执行如下操作，以得到上述当前操作信息的当前行为向量：从操作关联表中获取上述当前操作信息的前置操作信息，其中，上述操作关联表中记录有操作信息之间的关系，上述前置操作信息为上述操作关联表中位于上述当前操作信息之前的对上述商品执行的操作的信息；使用上述前置操作信息的前置行为向量确定上述当前操作信息的当前行为向量。
作为一种可选的示例，上述第三确定模块包括：第四处理子模块，用于将上述多个信息对中的每一个信息对作为当前信息对，对上述当前信息对执行如下操作：获取上述当前信息对中的上述商品向量和上述行为向量；根据上述商品向量和上述行为向量，确定出上述当前信息对的中间向量；将上述中间向量转换为上述目标向量矩阵中的一个向量。
作为一种可选的示例，上述获取单元包括：第一处理模块，用于使用目标神经网络模型的嵌入层获取上述目标向量，其中，上述嵌入层包括训练后的第一参数，上述第一参数用于将上述历史操作记录转换为上述目标向量矩阵；上述转换单元包括：第二处理模块，用于使用上述目标神经网络模型的注意力层对上述目标向量矩阵进行转换，得到上述第一向量矩阵和上述第二向量矩阵，上述注意力层包括训练后的上述第一注意力向量和训练后的上述第二注意力向量；上述组合单元包括：第三处理模块，用于使用上述目标神经网络模型的上述注意力层对上述目标向量、上述第一向量和上述第二向量进行组合，得到上述组合向量，其中，上述注意力层还包括训练后的第二参数，上述第二参数用于作为上述目标向量、上述第一向量和上述第二向量的权重以得到上述组合向量；上述确定单元包括：第四处理模块，用于使用上述目标神经网络模型的预测层确定上述组合向量矩阵与待推荐商品中的每一个商品的商品向量的上述相关性参数，以从上述待推荐商品中确定上述目标推荐商品。
作为一种可选的示例，上述装置还包括：训练单元，用于获取样本数据，其中，上述样本数据中包括样本账号的样本操作记录、正样本和负样本，上述样本操作记录为上述样本账号执行了操作的商品的样本商品信息和对上述执行了操作的商品执行的操作的样本行为信息，上述正样本为除上述样本操作记录之外的上述样本账号操作的样本商品，上述负样本为上述样本账号未操作过的商品；使用原始神经网络模型确定上述样本操作记录的样本推荐商品；比对上述样本推荐商品、上述正样本和上述负样本，以确定出上述原始神经网络模型的识别准确度；在上述识别准确度小于第一阈值的情况下，调整上述原始神经网络模型中的上述第一参数、上述第一注意力向量、上述第二注意力向量和上述第二参数；在上述识别准确度大于或等于上述第一阈值的情况下，将上述原始神经网络模型确定为上述目标神经网络模型。
根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述推荐商品信息的确定方法。
根据本发明实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过上述计算机程序执行上述的推荐商品信息的确定方法。
在本发明实施例中，采用了获取第一账号的历史操作记录的目标向量矩阵，其中，上述历史操作记录中包括上述第一账号对商品执行的操作的记录，上述目标向量矩阵为对上述历史操作记录进行转换得到的向量矩阵；根据第一注意力向量对上述目标向量矩阵进行转换，得到第一向量矩阵，并根据第二注意力向量对上述目标向量矩阵进行转换，得到第二向量矩阵，其中，上述第一向量矩阵用于表示上述历史操作记录中的上述商品对目标推荐商品的影响程度，上述第二向量矩阵用于表示上述第一账号对上述商品的感兴趣程度；对上述目标向量矩阵、上述第一向量矩阵和上述第二向量矩阵进行组合，得到组合向量矩阵；根据上述组合向量矩阵与待推荐商品中的每一个商品的商品向量的相关性参数，在上述待推荐商品中确定目标推荐商品的方法，由于在上述方法中，可以获取到第一账号的历史操作记录，然后，将历史操作记录转换为目标向量矩阵，而且，将目标向量矩阵转换为可以表示历史操作记录中的上述商品对目标推荐商品的影响程度的第一向量矩阵，而且，还将目标向量矩阵转换为可以表示上述第一账号对上述商品的感兴趣程度的第二向量矩阵，且组合目标向量矩阵、第一向量矩阵和第二向量矩阵，得到组合矩阵，使用组合矩阵来从待推荐商品中确定目标推荐商品，从而可以根据用户的兴趣来确定目标推荐商品，而且还排除了误操作对确定的目标推荐商品的影响，提高了确定的目标推荐商品的准确度，进而解决了确定的推荐商品不准确的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的推荐商品信息的确定方法的应用环境的示意图；
图2是根据本发明实施例的另一种可选的推荐商品信息的确定方法的应用环境的示意图；
图3是根据本发明实施例的一种可选的推荐商品信息的确定方法的流程的示意图；
图4是根据本发明实施例的一种可选的推荐商品信息的确定方法的操作关联表的示意图；
图5是根据本发明实施例的一种可选的推荐商品信息的确定方法的目标神经网络模型的结构示意图；
图6是根据本发明实施例的一种可选的推荐商品信息的确定装置的结构示意图；
图7是根据本发明实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本发明的实施例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。
人工智能(Artificial Intelligence, AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
根据本发明实施例的一个方面，提供了一种推荐商品信息的确定方法，可选地，作为一种可选的实施方式，上述推荐商品信息的确定方法可以但不限于应用于如图1所示的环境中。
如图1所示，终端设备102包括了存储器104，用于存储终端设备102运行过程中产生的各项数据、处理器106，用于处理运算上述各项数据、显示器108，用于显示目标推荐商品。终端设备102可以通过网络110与服务器112之间进行数据交互。服务器112包括数据库114，用于存储各项数据，处理引擎116，用于处理上述各项数据。步骤S102到步骤S106，终端设备102向服务器112发送历史操作记录，而服务器112确定出目标推荐商品，并返回给终端设备102。
作为一种可选的实施方式，上述推荐商品信息的确定方法可以但不限于应用于如图2所示的环境中。
如图2所示，终端设备202包括了存储器204，用于存储终端设备202运行过程中产生的各项数据、处理器206，用于处理运算上述各项数据、显示器208，用于显示目标推荐商品。终端设备202可以执行步骤S202到S208，从而确定目标推荐商品。
可选地，在本实施例中，上述终端设备可以是配置有目标客户端的终端设备，可以包括但不限于以下至少之一：手机（如Android手机、iOS手机等）、笔记本电脑、平板电脑、掌上电脑、MID（Mobile Internet Devices，移动互联网设备）、PAD、台式电脑、智能电视等。目标客户端可以是视频客户端、即时通信客户端、浏览器客户端、教育客户端等。上述网络可以包括但不限于：有线网络，无线网络，其中，该有线网络包括：局域网、城域网和广域网，该无线网络包括：蓝牙、WIFI及其他实现无线通信的网络。上述服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，或者是云服务器。上述仅是一种示例，本实施例中对此不作任何限定。
可选地，上述服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
可选地，作为一种可选的实施方式，如图3所示，上述推荐商品信息的确定方法包括：
S302，获取第一账号的历史操作记录的目标向量矩阵，其中，历史操作记录中包括第一账号对商品执行的操作的记录，目标向量矩阵为对历史操作记录进行转换得到的向量矩阵；
S304，根据第一注意力向量对目标向量矩阵进行转换，得到第一向量矩阵，并根据第二注意力向量对目标向量矩阵进行转换，得到第二向量矩阵，其中，第一向量矩阵用于表示历史操作记录中的商品对目标推荐商品的影响程度，第二向量矩阵用于表示第一账号对商品的感兴趣程度；
S306，对目标向量矩阵、第一向量矩阵和第二向量矩阵进行组合，得到组合向量矩阵；
S308，根据组合向量矩阵与待推荐商品中的每一个商品的商品向量的相关性参数，在待推荐商品中确定目标推荐商品。
可选地，上述推荐商品信息的确定方法可以但不限于应用于确定向第一账号推荐的目标推荐商品的过程中。可以通过获取第一账号的历史操作记录，从而获取到历史操作记录的目标向量矩阵。进一步，可以根据目标向量矩阵，转换得到用于表示历史操作记录中的商品对目标推荐商品的影响程度的第一向量矩阵和用于表示第一账号对商品的感兴趣程度的第二向量矩阵，进一步组合得到组合向量矩阵，最后，通过组合向量矩阵和待推荐商品的商品向量确定相关性参数，根据相关性参数可以确定出目标推荐商品。本实施例实现了提高确定的目标推荐商品的准确度的效果。
可选地，本申请实施例中，上述商品的类型并不做具体的限定。上述商品可以为实体商品，也可以为虚拟商品。实体商品可以为用户在使用客户端的过程中，客户端上显示的或者向用户推荐的商品。客户端并不限定为购物客户端，还可以为新闻客户端、即时通信客户端、学习应用客户端等任意类型的客户端，只要可以在客户端上显示商品的客户端均可。对于虚拟商品，可以为非实体的商品或者为服务。对于非实体的商品，可以为虚拟道具，对于服务，可以为向用户提供的用于为用户提供便捷或者为用户提供特定功能的手段。例如，会员服务、点播服务或广告等。也就是说，本申请实施例中的商品可能是多种多样的，可能是上述任意类型的商品。用户可能对商品执行有操作，例如点击、查看、分享、添加购物车、购买、取消、屏蔽、点赞、点踩、收藏等多种操作。
可选地，历史操作记录中可以包括第一账号操作过的商品。操作类型不做限定。对于一种操作，可能对应多种商品，例如，点击商品1和点击商品2，对于一种商品，可能被执行多种操作，例如，商品1被点击，商品1被添加购物车等。历史操作记录中均有记录。
上述历史操作记录可以为第一账号的所有操作记录，也可以为第一账号的某一个时间段的操作记录。本实施例并不限定。
可选地，相关性参数可以为数值，根据相关性参数对待推荐商品进行排序，按照相关性参数从大到小的顺序排序。可以从排序结果中选择第一个或者前几个推荐给第一账号。
以一个示例为例，获取历史操作记录，历史操作记录中例如包括了第一账号点击了商品1，购买了商品2，然后，获取历史操作记录的目标向量矩阵，目标向量矩阵中可以包括向量。接着，根据第一注意力向量将目标向量矩阵转换为第一向量矩阵，第一向量矩阵表示第一账号的历史操作记录中的商品对推荐的商品的影响程度，根据第二注意力向量将目标向量矩阵转换为第二向量矩阵，第二向量矩阵表示第一账号对商品的感兴趣程度。将目标向量矩阵、第一向量矩阵和第二向量矩阵组合为组合向量矩阵，并通过组合向量矩阵和待推荐商品中的每一个商品的商品向量确定每一个商品的相关性参数，根据相关性参数由大到小对待推荐商品进行排序，将排序结果中的第一个作为目标推荐商品推荐给第一账号。
可选地，本实施例中，可以通过一个目标神经网络模型来执行上述S302到S308的方法。目标神经网络模型可以为预训练的模型。
通过上述方法，由于在获取到第一账号的历史操作记录的目标向量矩阵后，可以将其转换为表示历史操作记录中商品对目标推荐商品的影响程度的第一向量矩阵和转换为用于表示第一账号对历史操作记录中的商品的感兴趣程度的第二向量矩阵，以及将目标向量矩阵、第一向量矩阵和第二向量矩阵组合为组合向量矩阵，最后根据组合向量矩阵从待推荐商品中确定出目标推荐商品，从而可以根据用户的历史操作记录来确定出用户的感兴趣偏好和历史操作记录中的商品对待推荐商品的影响，提高推荐的准确度。
作为一种可选的实施方式，获取第一账号的历史操作记录的目标向量矩阵包括：
获取历史操作记录中多个信息对，其中，每个信息对包括具有对应关系的商品信息和对商品信息执行的操作信息；
将多个信息对中的商品信息分别转换为商品向量，得到多个商品向量，并将多个信息对中的操作信息分别转换为行为向量，得到多个行为向量；
根据多个商品向量和多个行为向量，确定目标向量矩阵。
可选地，上述多个信息对中，每一个信息对可以为一个商品和对商品执行的操作，例如点击了商品1作为一个信息对，购买了商品2作为一个信息对等。历史操作记录中可以记录多个信息对。两个信息对之间，商品可能是相同的或不同的，两个信息对之间，操作可能是相同的或不同的。对于操作相同和商品相同的重复行为，可以算作一个信息对，或者，可以算作两个信息对。
例如，本实施例中，历史操作记录S={（i1,a1），…，（in,an）}，是由与用户产生过交互行为的商品 it 属于I，和其对应的行为类型at属于A组成，t为1到n中的一个，n是整个历史操作记录的序列的长度。每一个括号内的it,at都可以作为一个信息对。
作为一种可选的实施方式，将多个信息对中的操作信息分别转换为行为向量，得到多个行为向量包括：
将每一个操作信息作为当前操作信息，对当前操作信息执行如下操作，以得到当前操作信息的当前行为向量：
从操作关联表中获取当前操作信息的前置操作信息，其中，操作关联表中记录有操作信息之间的关系，前置操作信息为操作关联表中位于当前操作信息之前的对商品执行的操作的信息；
使用前置操作信息的前置行为向量确定当前操作信息的当前行为向量。
可选地，在将商品信息转换为商品向量时，可以使用向量转换模型直接将商品信息转换为向量。而在将操作信息转换为向量时，可以使用新的转换方法，通过建立一个操作信息和该操作信息的前置操作信息来确定该操作信息的当前行为向量。
本实施例中，可以预先设置操作关联表，从而确定出各个操作之间的关系。例如，如图4所示，图4为一种可选的操作关联表，其中，添加购物车的前置操作为点击，收藏的前置操作为点击，点击没有前置操作，购买的前置操作为点击、收藏和添加购物车。上述实施例仅为示例，并不构成对本申请实施例的限定。
本实施例中，使用P∈R|I|*d来表示商品的嵌入向量矩阵。R为实数域。使用M∈R|A|*d 来行为类型嵌入向量矩阵。所有的输入商品都会被转换为其对应嵌入向量，商品it被转换 为嵌入向量
Figure DEST_PATH_IMAGE001
。下标t表示商品1到n中的一个。对于行为at的行为类型向量
Figure 336102DEST_PATH_IMAGE002
，考虑到 行为类型之间的级联关系，其通过以下公式生成：
Figure DEST_PATH_IMAGE003
其中
Figure 659767DEST_PATH_IMAGE004
和
Figure DEST_PATH_IMAGE005
分表表示从行为av转换至行为at的权重和偏差参数，
Figure 219930DEST_PATH_IMAGE006
为 操作t的行为向量，
Figure DEST_PATH_IMAGE007
为行为av的前置向量。行为av表示行为at的前置行为。例如，v∈ {浏览、添加至购物车、收藏}，行为at表示最终的购买行为，d表示维度。
将行为类型和商品本身的向量表示结合起来，形成了最终完整表示输入的特征向量：
Figure 474194DEST_PATH_IMAGE008
其中，Wa∈Rd*d和ba∈Rd是需要被学习的网络参数,
Figure DEST_PATH_IMAGE009
为第t个商品的商品向量。
从而，将1到n的上述xt转换为目标向量矩阵。
作为一种可选的实施方式，根据多个商品向量和多个行为向量，确定目标向量矩阵，包括：
将多个信息对中的每一个信息对作为当前信息对，对当前信息对执行如下操作：
获取当前信息对中的商品向量和行为向量；
根据商品向量和行为向量，确定出当前信息对的中间向量；
将中间向量转换为目标向量矩阵中的一个向量。
也就是说，在得到上述xt之后，还可以使将上述xt转换为ht，将1到n的ht作为目标向量矩阵。
在转换时，本实施例中可以使用Transformer注意力网络结构来建模完整的序列。在自注意里层后，又应用了前馈神经网络（Feed-Forward Network, FFN）来对结果进行两次线性变换，从而将上述xt转换为ht。
具体而言，Transformer由多个模块堆叠而成。每个模块包含两个子层：多头自注意力机制（multi-head self attention）和前馈网络（Feed-Forward Networks，FFN）。每个子层之后接入层归一化（layer normalization），并使用残差连接（residualconnection）。Transformer模块使用缩放点积（scaled dot product）的自注意力机制对输入向量进行编码：
Figure 304878DEST_PATH_IMAGE010
其中，Q、K、V分别表示注意力机制中的query、key和value。根据query和key间的相关性得到注意力权重，value按照权重加权求和后得到输出向量。
Figure 720816DEST_PATH_IMAGE011
为query和key向量维度。将得到的item向量
Figure DEST_PATH_IMAGE012
拼接成矩阵
Figure 299433DEST_PATH_IMAGE013
输入至Transformer中，作为query、key和value。为了更好的从不同的角度提取信息，Transformer提出了多头注意力机制，在缩放点积的基础上，将向量映射到不同的空间上，使得模型能够同时关注不同位置的不同表示子空间的信息，具体公式如下：
Figure DEST_PATH_IMAGE014
其中，
Figure 232754DEST_PATH_IMAGE015
、
Figure DEST_PATH_IMAGE016
和
Figure 963950DEST_PATH_IMAGE017
表示h个映射矩阵，
Figure DEST_PATH_IMAGE018
用于对多个子空间的结果进行降维。在自注意力之后，数据通过前馈网络进行两次线性变换得到最终向量表示
Figure 770363DEST_PATH_IMAGE019
：
Figure DEST_PATH_IMAGE020
其中，通过多层的Transformer模块后，得到的每个时间步的item向量能够进一步综合前序item的信息。
至此，获取到目标向量矩阵。
作为一种可选的实施方式，根据第一注意力向量对目标向量矩阵进行转换，得到第一向量矩阵，包括：
对全局向量进行初始化，得到第一注意力向量；
根据第一注意力向量与目标向量矩阵中的每一个目标向量，确定每一个目标向量对应的第一中间参数；
根据第一中间参数和每一个目标向量，确定第一向量矩阵。
本实施例中，可以先获取全局向量，对全局向量进行初始化，得到第一注意力向量。第一注意力向量可以先和目标向量矩阵中的每一个目标向量执行处理，得到每一个目标向量的第一中间参数，再根据获取到的多个第一中间参数和对应的多个目标向量确定出第一向量矩阵。本实施例中的全局向量可以为预先设置的向量，该全局向量记录全局共享的场景向量的向量特征。该全局向量中的特征可以被随机初始化，随机初始化后，用作对目标向量矩阵进行转换，得到第一向量矩阵，从而得到目标向量矩阵在全局场景下的特征，减少了对于不相关的商品的注意力。全局向量在初始化后，在模型的训练过程中，会不断的进行更新，以得到更加准确的全局向量，进一步减少对不相关商品的注意力。
作为一种可选的实施方式，根据第一注意力向量与目标向量矩阵中的每一个目标向量，确定每一个目标向量对应的第一中间参数，包括：
将每一个目标向量作为当前向量，对当前向量执行如下操作：
确定第一注意力向量与当前向量的乘积，得到当前值；
将当前值和总值作比，得到当前商，其中，总值为目标向量矩阵中的每一个目标向量的当前值的和；
将当前商，作为当前向量的第一中间参数。
可选地，本实施例中，可以通过如下公式确定出第一中间参数。
Figure 321430DEST_PATH_IMAGE021
其中，hi和hj为目标向量矩阵中的第i第j个目标向量，c为全局向量，
Figure DEST_PATH_IMAGE022
为第i个目标向量的第一中间参数。
其中，上述的全局向量c会被随机初始化，进而在训练过程中被不断更新。通过这种方式，其使得目标神经网络模型对于不相关的商品给予较少的注意力，从而生成一个更加准确的序列表示向量。
作为一种可选的实施方式，根据第一中间参数和目标向量，确定第一向量矩阵，包括：
将每一个目标向量的第一中间参数，和每一个目标向量相乘，得到多个第一向量；
将多个第一向量，确定为第一向量矩阵。
可选地，本实施例中，可以通过如下公式确定第一向量矩阵。
Figure 375886DEST_PATH_IMAGE023
其中，
Figure DEST_PATH_IMAGE024
为第一向量矩阵，包括了1到n个向量。hi为第i个目标向量。
作为一种可选的实施方式，根据第二注意力向量对目标向量矩阵进行转换，得到第二向量矩阵，包括：
对第一账号的账号向量进行初始化，得到第二注意力向量；
根据第二注意力向量与目标向量矩阵中的每一个目标向量，确定每一个目标向量对应的第二中间参数；
根据第二中间参数和目标向量，确定第二向量矩阵。
可选地，本实施例中，第二注意力向量可以为第一账号的账号相关的注意力向量。通过第二注意力向量和目标向量矩阵中的每一个目标向量，确定出一个第二中间参数，进一步根据多个第二中间参数和对应的多个目标向量，确定出第二向量矩阵。本实施例中的账号向量可以为预先设置的向量，该账号向量记录第一账号的向量特征。该账号向量中的特征可以被随机初始化，随机初始化后，用作对目标向量矩阵进行转换，得到第二向量矩阵，从而得到目标向量矩阵对于第一账号的特定的特征，能够获取第一账号的用户的长期兴趣。账号向量在初始化后，在模型的训练过程中，会不断的进行更新，以得到更加准确的确定用户的长期兴趣，从而提高推荐商品的准确度。
作为一种可选的实施方式，根据第二注意力向量与目标向量矩阵中的每一个目标向量，确定每一个目标向量对应的第二中间参数，包括：
将每一个目标向量作为当前向量，对当前向量执行如下操作：
确定第二注意力向量与当前向量的乘积，得到当前值；
将当前值和总值作比，得到当前商，其中，总值为目标向量矩阵中的每一个目标向量的当前值的和；
将当前商，作为当前向量的第二中间参数。
可选地，本实施例中，可以通过如下公式确定出第二中间参数。
Figure 961588DEST_PATH_IMAGE025
其中，hi和hj为目标向量矩阵中的第i第j个目标向量，q为第二注意力向量，也就是第一账号的特征向量。
Figure DEST_PATH_IMAGE026
为第i个目标向量的第二中间参数。该方法，使用用户注意力机制来获取 用户的长期兴趣。其中，q表示第一账号的特征向量。因此用户注意力机制的目的是用来刻 画第一账号是否对某一商品感兴趣。基于用户注意力机制生成的序列表示向量有效地表达 了用户的基本兴趣。
作为一种可选的实施方式，根据第二中间参数和目标向量，确定第二向量矩阵，包括：
将每一个目标向量的第二中间参数，和每一个目标向量相乘，得到多个第二向量；
将多个第二向量，确定为第二向量矩阵。
可选地，本实施例中，可以通过如下公式确定第二向量矩阵。
Figure 204481DEST_PATH_IMAGE027
其中，
Figure DEST_PATH_IMAGE028
为第二向量矩阵，包括了1到n个向量。hi为第i个目标向量。
可选地，本实施例中，还可以将目标向量矩阵、第一向量矩阵和第二向量矩阵进行组合，得到组合向量矩阵。
Figure 508424DEST_PATH_IMAGE029
其中，
Figure DEST_PATH_IMAGE030
为组合向量矩阵。
本实施例中，在获取到组合向量矩阵之后，可以使用一个全连接层来预测目标推 荐商品。具体而言，获取待推荐商品嵌入向量矩阵W∈R|I|*d来计算每一个待推荐商品与组合 向量矩阵
Figure 891870DEST_PATH_IMAGE031
的相关性参数，也就是相关程度:
Figure DEST_PATH_IMAGE032
其中，sn表示st中的第n个向量。
Figure DEST_PATH_IMAGE034
和
Figure DEST_PATH_IMAGE036
为目标神经网络 模型中的参数。
经过计算后，相关性参数越大，则待推荐商品的推荐可能性越高，或者推荐后被用户喜欢的可能性越高，则相关性参数越高的商品，其排名越靠前，进而可以根据实际需求，选择前N个商品来作为最终的推荐输出结果。N为正整数。
作为一种可选的实施方式，获取第一账号的历史操作记录的目标向量矩阵包括：使用目标神经网络模型的嵌入层获取目标向量，其中，嵌入层包括训练后的第一参数，第一参数用于将历史操作记录转换为目标向量矩阵；
根据第一注意力向量对目标向量矩阵进行转换，得到第一向量矩阵，并根据第二注意力向量对目标向量矩阵进行转换，得到第二向量矩阵包括：使用目标神经网络模型的注意力层对目标向量矩阵进行转换，得到第一向量矩阵和第二向量矩阵，注意力层包括训练后的第一注意力向量和训练后的第二注意力向量；
对目标向量矩阵、第一向量矩阵和第二向量矩阵进行组合，得到组合向量矩阵包括：使用目标神经网络模型的注意力层对目标向量、第一向量和第二向量进行组合，得到组合向量，其中，注意力层还包括训练后的第二参数，第二参数用于作为目标向量、第一向量和第二向量的权重以得到组合向量；
根据组合向量矩阵与待推荐商品中的每一个商品的商品向量的相关性参数，在待推荐商品中确定目标推荐商品包括：使用目标神经网络模型的预测层确定组合向量矩阵与待推荐商品中的每一个商品的商品向量的相关性参数，以从待推荐商品中确定目标推荐商品。
作为一种可选的实施方式，方法还包括：
获取样本数据，其中，样本数据中包括样本账号的样本操作记录、正样本和负样本，样本操作记录为样本账号执行了操作的商品的样本商品信息和对执行了操作的商品执行的操作的样本行为信息，正样本为除样本操作记录之外的样本账号操作的样本商品，负样本为样本账号未操作过的商品；
使用原始神经网络模型确定样本操作记录的样本推荐商品；
比对样本推荐商品、正样本和负样本，以确定出原始神经网络模型的识别准确度；
在识别准确度小于第一阈值的情况下，调整原始神经网络模型中的第一参数、第一注意力向量、第二注意力向量和第二参数；
在识别准确度大于或等于第一阈值的情况下，将原始神经网络模型确定为目标神经网络模型。
也就是说，本实施例中，可以由目标神经网络模型实现待推荐商品的推荐。
可以使用了k-next item的训练策略。具体而言，在模型训练时，对于给定的{i1，…it}序列，让模型预测{it+1，…it+k}作为输出，即输入序列的后续k个商品被作为正样本，而非只是后续一个商品作为正样本。而在测试时，使用在目标行为限定下，预测分数最大的商品作为标签来评估模型的输出结果。通过这种方式，模型可以针对固定的序列输入学习到更多商品之间的相关性信息。
损失函数与负样本生成，其中的损失函数是二值交叉熵，其定义如下：
Figure 613969DEST_PATH_IMAGE037
其中，l为损失，u为样本数据，I+={it+1，…it+k}为正样本，I-为用户未曾交互过的商 品中随机采样的负样本。B表示一个批量的输入序列，
Figure DEST_PATH_IMAGE038
是sigmoid函数。
训练后的原始神经网络模型作为目标神经网络模型执行上述方法从而预测目标推荐商品。
如图5所示，图5为本实施例的一种模型结构。i1到in即为输入层输入的历史操作记录中的商品信息，a1到an即为操作信息。嵌入层将商品向量和行为向量进行组合，得到x1到xn，接着，自注意力层将x1到xn转换为目标向量矩阵，即h1到hn。在转换时，可以将x1转换为h1，将x1和x2转换为h2，将x1到x3转换为h3，直到得到h1到hn。相关注意力层使用全局向量c和用户u的特征向量qu将目标向量矩阵转换为第一向量矩阵和第二向量矩阵，并组合得到组合向量矩阵s1到sn，预测层使用sn预测目标推送商品。
需要说明的是，本实施例中的模型的自注意网络架构采用了Transformer的架构；另外对于自注意力层的输出的处理，本实施例中采用了1层的前馈神经网络。但是，本实施例不限定自注意力神经网络模型的结构，可使用各种其它有效的注意力机制模型替换，且前馈神经网络也可以被卷积神经网络、门控神经网络等模型替换。在实际应用中，图5中网络深度也可以根据实际的性能要求进行适当的增加或减少网络层数。
本实施例中，模型融入了多种行为类型，从而对行为之间的级联关系进行了有效地建模，使得系统的推荐结果更加符合用户的意向；
实施例中，模型使用了混合注意力机制和k-next item的训练策略，从而可以让模型有效的处理带有误点击等其它噪音数据的用户和商品的交互序列，提升模型的健壮性。模型应用于线上推荐系统中，可以使得被推荐的商品或广告在线上的点击率有明显上升，进而带动平台的整体收益。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。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发明所必须的。
根据本发明实施例的另一个方面，还提供了一种用于实施上述推荐商品信息的确定方法的推荐商品信息的确定装置。如图6所示，该装置包括：
获取单元602，用于获取第一账号的历史操作记录的目标向量矩阵，其中，历史操作记录中包括第一账号对商品执行的操作的记录，目标向量矩阵为对历史操作记录进行转换得到的向量矩阵；
转换单元604，用于根据第一注意力向量对目标向量矩阵进行转换，得到第一向量矩阵，并根据第二注意力向量对目标向量矩阵进行转换，得到第二向量矩阵，其中，第一向量矩阵用于表示历史操作记录中的商品对目标推荐商品的影响程度，第二向量矩阵用于表示第一账号对商品的感兴趣程度；
组合单元606，用于对目标向量矩阵、第一向量矩阵和第二向量矩阵进行组合，得到组合向量矩阵；
确定单元608，用于根据组合向量矩阵与待推荐商品中的每一个商品的商品向量的相关性参数，在待推荐商品中确定目标推荐商品。
根据本发明实施例的又一个方面，还提供了一种用于实施上述推荐商品信息的确定方法的电子设备，该电子设备可以是图7所示的终端设备或服务器。本实施例以该电子设备为终端为例来说明。如图7所示，该电子设备包括存储器702和处理器704，该存储器702中存储有计算机程序，该处理器704被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
获取第一账号的历史操作记录的目标向量矩阵，其中，历史操作记录中包括第一账号对商品执行的操作的记录，目标向量矩阵为对历史操作记录进行转换得到的向量矩阵；
根据第一注意力向量对目标向量矩阵进行转换，得到第一向量矩阵，并根据第二注意力向量对目标向量矩阵进行转换，得到第二向量矩阵，其中，第一向量矩阵用于表示历史操作记录中的商品对目标推荐商品的影响程度，第二向量矩阵用于表示第一账号对商品的感兴趣程度；
对目标向量矩阵、第一向量矩阵和第二向量矩阵进行组合，得到组合向量矩阵；
根据组合向量矩阵与待推荐商品中的每一个商品的商品向量的相关性参数，在待推荐商品中确定目标推荐商品。
可选地，本领域普通技术人员可以理解，图7所示的结构仅为示意，电子装置电子设备也可以是智能手机（如Android手机、iOS手机等）、平板电脑、掌上电脑以及移动互联网设备（Mobile Internet Devices，MID）、PAD等终端设备。图7其并不对上述电子装置电子设备的结构造成限定。例如，电子装置电子设备还可包括比图7中所示更多或者更少的组件（如网络接口等），或者具有与图7所示不同的配置。
其中，存储器702可用于存储软件程序以及模块，如本发明实施例中的推荐商品信息的确定方法和装置对应的程序指令/模块，处理器704通过运行存储在存储器702内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的推荐商品信息的确定方法。存储器702可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器702可进一步包括相对于处理器704远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器702具体可以但不限于用于存储历史操作记录等信息。作为一种示例，如图7所示，上述存储器702中可以但不限于包括上述推荐商品信息的确定装置中的获取单元602、转换单元604、组合单元606和确定单元608。此外，还可以包括但不限于上述推荐商品信息的确定装置中的其他模块单元，本示例中不再赘述。
可选地，上述的传输装置706用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置706包括一个网络适配器（Network Interface Controller，NIC），其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置706为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。
此外，上述电子设备还包括：显示器708，用于显示目标推荐商品；和连接总线710，用于连接上述电子设备中的各个模块部件。
在其他实施例中，上述终端设备或者服务器可以是一个分布式系统中的一个节点，其中，该分布式系统可以为区块链系统，该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中，节点之间可以组成点对点（P2P，Peer To Peer）网络，任意形式的计算设备，比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
根据本发明的实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：
获取第一账号的历史操作记录的目标向量矩阵，其中，历史操作记录中包括第一账号对商品执行的操作的记录，目标向量矩阵为对历史操作记录进行转换得到的向量矩阵；
根据第一注意力向量对目标向量矩阵进行转换，得到第一向量矩阵，并根据第二注意力向量对目标向量矩阵进行转换，得到第二向量矩阵，其中，第一向量矩阵用于表示历史操作记录中的商品对目标推荐商品的影响程度，第二向量矩阵用于表示第一账号对商品的感兴趣程度；
对目标向量矩阵、第一向量矩阵和第二向量矩阵进行组合，得到组合向量矩阵；
根据组合向量矩阵与待推荐商品中的每一个商品的商品向量的相关性参数，在待推荐商品中确定目标推荐商品。
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器（Read-Only Memory，ROM）、随机存取器（Random Access Memory，RAM）、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (15)

1.一种推荐商品信息的确定方法，其特征在于，包括：
获取第一账号的历史操作记录的目标向量矩阵，其中，所述历史操作记录中包括所述第一账号对商品执行的操作的记录，所述目标向量矩阵为对所述历史操作记录进行转换得到的向量矩阵；
根据第一注意力向量对所述目标向量矩阵进行转换，得到第一向量矩阵，并根据第二注意力向量对所述目标向量矩阵进行转换，得到第二向量矩阵，其中，所述第一向量矩阵用于表示所述历史操作记录中的所述商品对目标推荐商品的影响程度，所述第二向量矩阵用于表示所述第一账号对所述商品的感兴趣程度；
对所述目标向量矩阵、所述第一向量矩阵和所述第二向量矩阵进行组合，得到组合向量矩阵；
根据所述组合向量矩阵与待推荐商品中的每一个商品的商品向量的相关性参数，在所述待推荐商品中确定所述目标推荐商品。
2.根据权利要求1所述的方法，其特征在于，所述根据第一注意力向量对所述目标向量矩阵进行转换，得到第一向量矩阵，包括：
对全局向量进行初始化，得到所述第一注意力向量，其中，所述全局向量为预先设置的全局共享的初始场景向量；
根据所述第一注意力向量与所述目标向量矩阵中的每一个目标向量，确定每一个所述目标向量对应的第一中间参数；
根据所述第一中间参数和所述目标向量，确定所述第一向量矩阵。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一注意力向量与所述目标向量矩阵中的每一个目标向量，确定所述每一个目标向量对应的第一中间参数，包括：
将每一个所述目标向量作为当前向量，对所述当前向量执行如下操作：
确定所述第一注意力向量与所述当前向量的乘积，得到当前值；
将所述当前值和总值作比，得到当前商，其中，所述总值为所述目标向量矩阵中的每一个所述目标向量的所述当前值的和；
将所述当前商，作为所述当前向量的所述第一中间参数。
4.根据权利要求2所述的方法，其特征在于，所述根据所述第一中间参数和所述目标向量，确定所述第一向量矩阵，包括：
将每一个所述目标向量的所述第一中间参数，和每一个所述目标向量相乘，得到多个第一向量；
将多个所述第一向量，确定为所述第一向量矩阵。
5.根据权利要求1所述的方法，其特征在于，所述根据第二注意力向量对所述目标向量矩阵进行转换，得到第二向量矩阵，包括：
对所述第一账号的账号向量进行初始化，得到所述第二注意力向量，其中，所述账号向量为预先设置的所述第一账号的初始特征向量；
根据所述第二注意力向量与所述目标向量矩阵中的每一个目标向量，确定每一个所述目标向量对应的第二中间参数；
根据所述第二中间参数和所述目标向量，确定所述第二向量矩阵。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第二注意力向量与所述目标向量矩阵中的每一个目标向量，确定每一个所述目标向量对应的第二中间参数，包括：
将每一个所述目标向量作为当前向量，对所述当前向量执行如下操作：
确定所述第二注意力向量与所述当前向量的乘积，得到当前值；
将所述当前值和总值作比，得到当前商，其中，所述总值为所述目标向量矩阵中的每一个所述目标向量的所述当前值的和；
将所述当前商，作为所述当前向量的所述第二中间参数。
7.根据权利要求5所述的方法，其特征在于，所述根据所述第二中间参数和所述目标向量，确定所述第二向量矩阵，包括：
将每一个所述目标向量的所述第二中间参数，和每一个所述目标向量相乘，得到多个第二向量；
将多个所述第二向量，确定为所述第二向量矩阵。
8.根据权利要求1所述的方法，其特征在于，所述获取第一账号的历史操作记录的目标向量矩阵包括：
获取所述历史操作记录中多个信息对，其中，每个信息对包括具有对应关系的商品信息和对所述商品信息执行的操作信息；
将所述多个信息对中的商品信息分别转换为商品向量，得到多个商品向量，并将所述多个信息对中的操作信息分别转换为行为向量，得到多个行为向量；
根据所述多个商品向量和所述多个行为向量，确定所述目标向量矩阵。
9.根据权利要求8所述的方法，其特征在于，所述将所述多个信息对中的操作信息分别转换为行为向量，得到多个行为向量包括：
将每一个所述操作信息作为当前操作信息，对所述当前操作信息执行如下操作，以得到所述当前操作信息的当前行为向量：
从操作关联表中获取所述当前操作信息的前置操作信息，其中，所述操作关联表中记录有操作信息之间的关系，所述前置操作信息为所述操作关联表中位于所述当前操作信息之前的对所述商品执行的操作的信息；
使用所述前置操作信息的前置行为向量确定所述当前操作信息的当前行为向量。
10.根据权利要求8所述的方法，其特征在于，所述根据所述多个商品向量和所述多个行为向量，确定所述目标向量矩阵，包括：
将所述多个信息对中的每一个信息对作为当前信息对，对所述当前信息对执行如下操作：
获取所述当前信息对中的所述商品向量和所述行为向量；
根据所述商品向量和所述行为向量，确定出所述当前信息对的中间向量；
将所述中间向量转换为所述目标向量矩阵中的一个向量。
11.根据权利要求1至10中任意一项所述的方法，其特征在于，
所述获取第一账号的历史操作记录的目标向量矩阵包括：使用目标神经网络模型的嵌入层获取所述目标向量，其中，所述嵌入层包括训练后的第一参数，所述第一参数用于将所述历史操作记录转换为所述目标向量矩阵；
所述根据第一注意力向量对所述目标向量矩阵进行转换，得到第一向量矩阵，并根据第二注意力向量对所述目标向量矩阵进行转换，得到第二向量矩阵包括：使用所述目标神经网络模型的注意力层对所述目标向量矩阵进行转换，得到所述第一向量矩阵和所述第二向量矩阵，所述注意力层包括训练后的所述第一注意力向量和训练后的所述第二注意力向量；
所述对所述目标向量矩阵、所述第一向量矩阵和所述第二向量矩阵进行组合，得到组合向量矩阵包括：使用所述目标神经网络模型的所述注意力层对所述目标向量、所述第一向量和所述第二向量进行组合，得到所述组合向量，其中，所述注意力层还包括训练后的第二参数，所述第二参数用于作为所述目标向量、所述第一向量和所述第二向量的权重以得到所述组合向量；
所述根据所述组合向量矩阵与待推荐商品中的每一个商品的商品向量的相关性参数，在所述待推荐商品中确定目标推荐商品包括：使用所述目标神经网络模型的预测层确定所述组合向量矩阵与待推荐商品中的每一个商品的商品向量的所述相关性参数，以从所述待推荐商品中确定所述目标推荐商品。
12.根据权利要求11所述的方法，其特征在于，所述方法还包括：
获取样本数据，其中，所述样本数据中包括样本账号的样本操作记录、正样本和负样本，所述样本操作记录为所述样本账号执行了操作的商品的样本商品信息和对所述执行了操作的商品执行的操作的样本行为信息，所述正样本为除所述样本操作记录之外的所述样本账号操作的样本商品，所述负样本为所述样本账号未操作过的商品；
使用原始神经网络模型确定所述样本操作记录的样本推荐商品；
比对所述样本推荐商品、所述正样本和所述负样本，以确定出所述原始神经网络模型的识别准确度；
在所述识别准确度小于第一阈值的情况下，调整所述原始神经网络模型中的所述第一参数、所述第一注意力向量、所述第二注意力向量和所述第二参数；
在所述识别准确度大于或等于所述第一阈值的情况下，将所述原始神经网络模型确定为所述目标神经网络模型。
13.一种推荐商品信息的确定装置，其特征在于，包括：
获取单元，用于获取第一账号的历史操作记录的目标向量矩阵，其中，所述历史操作记录中包括所述第一账号对商品执行的操作的记录，所述目标向量矩阵为对所述历史操作记录进行转换得到的向量矩阵；
转换单元，用于根据第一注意力向量对所述目标向量矩阵进行转换，得到第一向量矩阵，并根据第二注意力向量对所述目标向量矩阵进行转换，得到第二向量矩阵，其中，所述第一向量矩阵用于表示所述历史操作记录中的所述商品对目标推荐商品的影响程度，所述第二向量矩阵用于表示所述第一账号对所述商品的感兴趣程度；
组合单元，用于对所述目标向量矩阵、所述第一向量矩阵和所述第二向量矩阵进行组合，得到组合向量矩阵；
确定单元，用于根据所述组合向量矩阵与待推荐商品中的每一个商品的商品向量的相关性参数，在所述待推荐商品中确定所述目标推荐商品。
14.一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，其特征在于，所述计算机程序运行时执行所述权利要求1至12任一项中所述的方法。
15.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至12任一项中所述的方法。
CN202110316628.2A 2021-03-25 2021-03-25 推荐商品信息的确定方法和装置、存储介质及电子设备 Active CN112712418B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110316628.2A CN112712418B (zh) 2021-03-25 2021-03-25 推荐商品信息的确定方法和装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110316628.2A CN112712418B (zh) 2021-03-25 2021-03-25 推荐商品信息的确定方法和装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN112712418A true CN112712418A (zh) 2021-04-27
CN112712418B CN112712418B (zh) 2021-07-09

Family

ID=75550239

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110316628.2A Active CN112712418B (zh) 2021-03-25 2021-03-25 推荐商品信息的确定方法和装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN112712418B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222706A (zh) * 2021-05-25 2021-08-06 深圳和锐网络科技有限公司 商品的二次推送方法、装置、电子设备及存储介质
CN113592593A (zh) * 2021-07-29 2021-11-02 平安科技（深圳）有限公司 序列推荐模型的训练及应用方法、装置、设备及存储介质
CN115631008A (zh) * 2021-07-16 2023-01-20 腾讯科技（深圳）有限公司 商品推荐方法、装置、设备及介质
WO2023246735A1 (zh) * 2022-06-21 2023-12-28 华为技术有限公司 一种项目推荐方法及其相关设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111178946A (zh) * 2019-12-17 2020-05-19 清华大学深圳国际研究生院 一种用户行为表征的方法及系统
CN111339415A (zh) * 2020-02-25 2020-06-26 中国科学技术大学 一种基于多交互式注意力网络的点击率预测方法与装置
CN111429234A (zh) * 2020-04-16 2020-07-17 电子科技大学中山学院 一种基于深度学习的商品序列推荐方法
CN111461841A (zh) * 2020-04-07 2020-07-28 腾讯云计算（北京）有限责任公司 物品推荐方法、装置、服务器及存储介质
CN111738780A (zh) * 2020-07-31 2020-10-02 支付宝(杭州)信息技术有限公司 一种推荐对象的方法及系统
CN111882381A (zh) * 2020-06-30 2020-11-03 桂林电子科技大学 一种基于协同记忆网络的旅游推荐方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111178946A (zh) * 2019-12-17 2020-05-19 清华大学深圳国际研究生院 一种用户行为表征的方法及系统
CN111339415A (zh) * 2020-02-25 2020-06-26 中国科学技术大学 一种基于多交互式注意力网络的点击率预测方法与装置
CN111461841A (zh) * 2020-04-07 2020-07-28 腾讯云计算（北京）有限责任公司 物品推荐方法、装置、服务器及存储介质
CN111429234A (zh) * 2020-04-16 2020-07-17 电子科技大学中山学院 一种基于深度学习的商品序列推荐方法
CN111882381A (zh) * 2020-06-30 2020-11-03 桂林电子科技大学 一种基于协同记忆网络的旅游推荐方法
CN111738780A (zh) * 2020-07-31 2020-10-02 支付宝(杭州)信息技术有限公司 一种推荐对象的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王瑞平 等: "基于DeepFM的深度兴趣因子分解机网络", 《计算机科学》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222706A (zh) * 2021-05-25 2021-08-06 深圳和锐网络科技有限公司 商品的二次推送方法、装置、电子设备及存储介质
CN113222706B (zh) * 2021-05-25 2024-01-30 深圳和锐网络科技有限公司 商品的二次推送方法、装置、电子设备及存储介质
CN115631008A (zh) * 2021-07-16 2023-01-20 腾讯科技（深圳）有限公司 商品推荐方法、装置、设备及介质
CN115631008B (zh) * 2021-07-16 2024-02-13 腾讯科技（深圳）有限公司 商品推荐方法、装置、设备及介质
CN113592593A (zh) * 2021-07-29 2021-11-02 平安科技（深圳）有限公司 序列推荐模型的训练及应用方法、装置、设备及存储介质
CN113592593B (zh) * 2021-07-29 2023-05-30 平安科技（深圳）有限公司 序列推荐模型的训练及应用方法、装置、设备及存储介质
WO2023246735A1 (zh) * 2022-06-21 2023-12-28 华为技术有限公司 一种项目推荐方法及其相关设备

Also Published As

Publication number Publication date
CN112712418B (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN112712418B (zh) 推荐商品信息的确定方法和装置、存储介质及电子设备
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
EP4145308A1 (en) Search recommendation model training method, and search result sorting method and device
EP3862893A1 (en) Recommendation model training method, recommendation method, device, and computer-readable medium
CN112214685A (zh) 一种基于知识图谱的个性化推荐方法
CN111932336A (zh) 一种基于长短期兴趣偏好的商品列表推荐方法
CN111931062A (zh) 一种信息推荐模型的训练方法和相关装置
CN111291170B (zh) 一种基于智能客服的会话推荐方法及相关装置
CN109993583A (zh) 信息推送方法和装置、存储介质及电子装置
CN111737578A (zh) 一种推荐方法及系统
CN111506820A (zh) 推荐模型、方法、装置、设备及存储介质
Chen et al. Generative inverse deep reinforcement learning for online recommendation
CN111949886B (zh) 一种用于信息推荐的样本数据生成方法和相关装置
CN111159242B (zh) 一种基于边缘计算的客户端重排序方法及系统
CN111506821A (zh) 推荐模型、方法、装置、设备及存储介质
CN115438787A (zh) 行为预测系统的训练方法及装置
CN112269943B (zh) 一种信息推荐系统及方法
WO2024051707A1 (zh) 训练推荐模型的方法、推荐资源的方法及其装置
CN115358807A (zh) 物品的推荐方法和装置、存储介质及电子设备
CN115564532A (zh) 序列推荐模型的训练方法及装置
CN115293812A (zh) 一种基于长短期兴趣的电商平台会话感知推荐预测方法
CN115631008B (zh) 商品推荐方法、装置、设备及介质
CN114996566A (zh) 一种面向工业互联网平台的智能推荐系统及方法
CN111935259B (zh) 目标帐号集合的确定方法和装置、存储介质及电子设备
CN110418171B (zh) 媒体资源的推送方法和装置、存储介质及电子装置

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40042464

Country of ref document: HK