CN113379503A - 推荐信息展示方法、装置、电子设备和计算机可读介质 - Google Patents

推荐信息展示方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN113379503A
CN113379503A CN202110707455.7A CN202110707455A CN113379503A CN 113379503 A CN113379503 A CN 113379503A CN 202110707455 A CN202110707455 A CN 202110707455A CN 113379503 A CN113379503 A CN 113379503A
Authority
CN
China
Prior art keywords
information
feature
feature mapping
data
article
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.)
Pending
Application number
CN202110707455.7A
Other languages
English (en)
Inventor
郑吉星
葛沈杨
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.)
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology 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 Beijing Jingdong Century Trading Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN202110707455.7A priority Critical patent/CN113379503A/zh
Publication of CN113379503A publication Critical patent/CN113379503A/zh
Pending legal-status Critical Current

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
    • 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]
    • G06Q30/0641—Shopping interfaces

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开的实施例公开了推荐信息展示方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取目标物品的属性信息；根据上述属性信息，进行物品召回，得到候选物品信息集合；对上述候选物品信息集合中的每个候选物品信息进行特征映射，以生成特征映射信息，得到特征映射信息集合；将上述特征映射信息集合输入预先训练的推荐模型，以得到待推荐物品信息序列；展示上述待推荐物品信息序列中的待推荐物品信息。该实施方式提高了物品推荐的效率，进而提高了用户体验。

Description

推荐信息展示方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及推荐信息展示方法、装置、电子设备和计算机可读介质。
背景技术
物品信息展示，是指通过在线地向用户展示用户感兴趣的物品对应的物品信息的一项技术。目前，在进行物品信息展示时，通常采用的方式为：通过具有显示功能的终端，向用户展示物品的外观图像等物品信息。
然而，当采用上述方式进行物品信息展示时，经常会存在如下技术问题：
通过展示物品的外观图像等物品信息的方式，展示方式较为单一，并且，用户无法直观的感受物品的使用效果，进而，在向用户推荐与用户感兴趣的物品相似的物品时，推荐的物品可能无法满足用户需求，从而导致物品推荐效率不高。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了推荐信息展示方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种推荐信息展示方法，该方法包括：获取目标物品的属性信息；根据上述属性信息，进行物品召回，得到候选物品信息集合；对上述候选物品信息集合中的每个候选物品信息进行特征映射，以生成特征映射信息，得到特征映射信息集合；将上述特征映射信息集合输入预先训练的推荐模型，以得到待推荐物品信息序列；展示上述待推荐物品信息序列中的待推荐物品信息。
可选地，上述对上述候选物品信息集合中的每个候选物品信息进行特征映射，以生成特征映射信息，包括：通过映射字典，对上述候选物品信息进行特征映射，以生成特征映射信息。
可选地，上述预先训练的推荐模型包括：数据预处理层；以及上述将上述特征映射信息集合输入预先训练的推荐模型，以得到待推荐物品信息序列，包括：对于上述特征映射信息集合中的每条特征映射信息，将上述特征映射信息输入至上述数据预处理层，以生成至少一条子特征信息，将上述至少一条子特征信息中的子特征信息进行特征拼接，以生成特征信息。
可选地，上述预先训练的推荐模型还包括：物品信息排序层；以及上述将上述特征映射信息集合输入预先训练的推荐模型，以得到待推荐物品信息序列，还包括：将上述特征映射信息集合对应的特征信息集合输入上述物品信息排序层，以生成上述待推荐物品信息序列。
可选地，上述数据预处理层包括：子数据预处理层，其中，上述子数据预处理层包括：第一词嵌入层和池化层；以及上述对于上述特征映射信息集合中的每条特征映射信息，将上述特征映射信息输入至上述数据预处理层，以生成至少一条子特征信息，包括：响应于确定上述特征映射信息对应的候选物品信息包括第一类型数据，将上述特征映射信息包括的第一特征映射数据输入第一词嵌入层，以生成第一候选数据，其中，上述第一特征映射数据是通过对上述第一类型数据进行特征映射得到的；将上述第一候选数据输入上述池化层，以生成子特征信息。
可选地，上述数据预处理层包括：全连接层；以及上述对于上述特征映射信息集合中的每条特征映射信息，将上述特征映射信息输入至上述数据预处理层，以生成至少一条子特征信息，包括：响应于确定上述特征映射信息对应的候选物品信息包括第二类型数据，对上述特征映射信息包括的第二特征映射数据进行取对数操作，以生成第二候选数据，其中，上述第二特征映射数据是通过对上述第二类型数据进行特征映射得到的；将上述第二候选数据输入至上述全连接层，以生成子特征信息。
可选地，上述数据预处理层包括：文本特征预处理模型；以及上述对于上述特征映射信息集合中的每条特征映射信息，将上述特征映射信息输入至上述数据预处理层，以生成至少一条子特征信息，包括：响应于确定上述特征映射信息对应的候选物品信息包括第三类型数据，将上述特征映射信息包括的第三特征映射数据输入至上述文本特征预处理模型，以生成子特征信息，其中，上述第三特征映射数据是通过对上述第三类型数据进行特征映射得到的。
可选地，上述数据预处理层包括：第二词嵌入层；以及上述对于上述特征映射信息集合中的每条特征映射信息，将上述特征映射信息输入至上述数据预处理层，以生成至少一条子特征信息，包括：响应于确定上述特征映射信息对应的候选物品信息包括第四类型数据，将上述特征映射信息包括的第四特征映射数据输入至上述第二词嵌入层，以生成子特征信息，其中，上述第四特征映射数据是通过对上述第四类型数据进行特征映射得到的。
第二方面，本公开的一些实施例提供了一种推荐信息展示装置，装置包括：获取单元，被配置成获取目标物品的属性信息；物品召回单元，被配置成根据上述属性信息，进行物品召回，得到候选物品信息集合；特征映射单元，被配置成对上述候选物品信息集合中的每个候选物品信息进行特征映射，以生成特征映射信息，得到特征映射信息集合；输入单元，被配置成将上述特征映射信息集合输入预先训练的推荐模型，以得到待推荐物品信息序列；展示单元，被配置成展示上述待推荐物品信息序列中的待推荐物品信息。
可选地，上述特征映射单元被配置成：通过映射字典，对上述候选物品信息进行特征映射，以生成特征映射信息。
可选地，上述预先训练的推荐模型包括：数据预处理层；以及上述输入单元被配置成：对于上述特征映射信息集合中的每条特征映射信息，将上述特征映射信息输入至上述数据预处理层，以生成至少一条子特征信息，将上述至少一条子特征信息中的子特征信息进行特征拼接，以生成特征信息。
可选地，上述预先训练的推荐模型还包括：物品信息排序层；以及上述输入单元被配置成：将上述特征映射信息集合对应的特征信息集合输入上述物品信息排序层，以生成上述待推荐物品信息序列。
可选地，上述数据预处理层包括：子数据预处理层，其中，上述子数据预处理层包括：第一词嵌入层和池化层；以及上述输入单元被配置成：响应于确定上述特征映射信息对应的候选物品信息包括第一类型数据，将上述特征映射信息包括的第一特征映射数据输入第一词嵌入层，以生成第一候选数据，其中，上述第一特征映射数据是通过对上述第一类型数据进行特征映射得到的；将上述第一候选数据输入上述池化层，以生成子特征信息。
可选地，上述数据预处理层包括：全连接层；以及上述输入单元被配置成：响应于确定上述特征映射信息对应的候选物品信息包括第二类型数据，对上述特征映射信息包括的第二特征映射数据进行取对数操作，以生成第二候选数据，其中，上述第二特征映射数据是通过对上述第二类型数据进行特征映射得到的；将上述第二候选数据输入至上述全连接层，以生成子特征信息。
可选地，上述数据预处理层包括：文本特征预处理模型；以及上述输入单元被配置成：响应于确定上述特征映射信息对应的候选物品信息包括第三类型数据，将上述特征映射信息包括的第三特征映射数据输入至上述文本特征预处理模型，以生成子特征信息，其中，上述第三特征映射数据是通过对上述第三类型数据进行特征映射得到的。
可选地，上述数据预处理层包括：第二词嵌入层；以及上述对输入单元被配置成：响应于确定上述特征映射信息对应的候选物品信息包括第四类型数据，将上述特征映射信息包括的第四特征映射数据输入至上述第二词嵌入层，以生成子特征信息，其中，上述第四特征映射数据是通过对上述第四类型数据进行特征映射得到的。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的推荐信息展示方法，物品推荐效率有所提高。具体来说，造成物品推荐效率不高的原因在于：首先，通过展示物品的外观图像等物品信息的方式，展示方式较为单一，此外，用户无法直观的感受物品的使用效果，进而，在向用户推荐与用户感兴趣的物品相似的物品时，推荐的物品可能无法满足用户需求，从而，导致物品推荐效率不高。基于此，本公开的一些实施例的推荐信息展示方法，首先，获取目标物品的属性信息。此外，根据上述属性信息，进行物品召回，得到候选物品信息集合。实际情况中，用户感兴趣的物品，往往存在某些吸引用户的特征。因此，通过属性信息，进行物品召回，提高了推荐的物品与用户的贴合度。然后，对上述候选物品信息集合中的每个候选物品信息进行特征映射，以生成特征映射信息，得到特征映射信息集合。实际情况中，候选物品信息往往包含各种类型的信息，例如，规格信息，价格信息等。因此，候选物品信息往往无法直接输入预先训练好的推荐模型。所以通过对候选物品信息进行特征映射，从而保证了预先训练好的推荐模型的输入的鲁棒性。此外，将上述特征映射信息集合输入预先训练的推荐模型，以得到待推荐物品信息序列。通过预先训练的推荐模型实现对候选物品信息集合中的候选物品信息的精细化排序和筛选，大大提高了得到待推荐物品信息序列的准确性。最后，在上述虚拟现实终端展示上述待推荐物品信息序列中的待推荐物品信息。通过此种方式，提高了物品推荐效率和用户体验。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的推荐信息展示方法的一个应用场景的示意图；
图2是根据本公开的推荐信息展示方法的一些实施例的流程图；
图3是根据本公开的推荐信息展示方法的另一些实施例的流程图；
图4是预先训练的推荐模型的网络结构示意图；
图5是根据本公开的推荐信息展示装置的一些实施例的结构示意图；
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的推荐信息展示方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以获取目标物品的属性信息102；其次，计算设备101可以根据上述属性信息102，进行物品召回，得到候选物品信息集合103；然后，计算设备101可以对上述候选物品信息集合103中的每个候选物品信息进行特征映射，以生成特征映射信息，得到特征映射信息集合104；进而，计算设备101可以将上述特征映射信息集合104输入预先训练的推荐模型105，以得到待推荐物品信息序列106；最后，计算设备101可以展示上述待推荐物品信息序列106中的待推荐物品信息。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的推荐信息展示方法的一些实施例的流程200。该推荐信息展示方法，包括以下步骤：
步骤201，获取目标物品的属性信息。
在一些实施例中，推荐信息展示方法的执行主体(例如图1所示的计算设备101)可以获取上述目标物品的属性信息。其中，上述目标物品可以是目标用户在具有显示功能的设备上浏览的物品。上述具有显示功能的设备可以是用于展示物品信息的设备。例如，上述具有显示功能的设备可以是虚拟现实终端。上述虚拟现实终端可以是具有VR(VirtualReality，虚拟现实)功能的显示终端。上述虚拟现实终端可以向用户提供虚拟试穿和\或虚拟试用功能。又如，上述具有显示功能的设备可以是云端显示设备。上述属性信息可以是上述目标物品对应的物品特征信息。上述执行主体可以通过有线连接或无线连接的方式，从上述虚拟现实终端获取上述目标物品的属性信息。上述执行主体也可以根据上述目标物品对应的唯一标识，从目标数据库中获取上述属性信息。上述目标数据库可以是用于存储物品对应的属性信息的数据库。
作为示例，上述目标物品可以是上述目标用户在云端显示设备浏览的，并通过上述目标用户的账号关联的物品。
作为又一示例，上述目标物品可以是XX品牌的口红。上述属性信息可以包括：物品名称，物品品牌，物品色号，物品规格信息，物品成分信息，物品价格和物品重量等口红的物品特征信息。例如，上述属性信息可以是：[物品名称：唇釉，物品品牌：XX牌，物品色号：#405，物品规格信息：12厘米×2厘米×2厘米，物品成分信息：聚二甲基硅氧烷、二异硬脂醇苹果酸酯、聚二甲基硅氧烷交联聚合物、氢化聚异丁烯、高岭土、红色氧化铁、聚乙烯、辛甘醇、氢氧化铝和生育酚，物品价格：310￥，物品重量：6.5毫升]。
步骤202，根据属性信息，进行物品召回，得到候选物品信息集合。
在一些实施例中，上述执行主体可以根据属性信息，进行物品召回，得到候选物品信息集合。其中，上述物品召回是指获取用户感兴趣的物品对应的物品信息的操作。例如，可以从物品信息库中获取与用户感兴趣的物品对应的物品信息，以实现物品召回。上述物品信息数据库可以是用于存储物品对应的信息的数据库。上述物品信息数据库可以是分布式数据库。例如Hbase数据库。上述执行主体根据属性信息，进行物品召回，得到候选物品信息集合，可以包括以下步骤：
第一步，对上述属性信息进行向量化处理，以生成向量化属性信息。
作为示例，上述属性信息可以包括：物品名称，物品品牌，物品色号，物品规格信息，物品成分信息，物品价格和物品重量。上述执行主体可以通过独热编码分别对上述物品名称，上述物品品牌，物品色号，物品规格信息，物品成分信息进行向量化处理。上述执行主体可以通过标签编码对上述物品价格和物品重量进行向量化处理。例如，上述执行主体可以调用sklearn.preprocessing包中的OneHotEncoder()和LabelEncoder()函数对上述属性信息进行向量化处理。
第二步，确定物品信息库中每个物品信息对应的向量化物品信息，得到向量化物品信息集合。
其中，上述物品信息库可以是用于存储物品信息的数据库。上述执行主体可以通过对上述物品信息进行编码处理，以生成上述向量化物品信息。例如，上述执行主体可以通过独热编码和\或标签编码，对上述物品信息进行编码处理。
第三步，通过目标相似度算法，确定上述向量化属性信息和上述向量化物品信息集合中每个向量化物品信息的相似度数值，得到相似度数值集合。
其中，上述目标相似度算法可以是但不限于以下任意一项：余弦相似度算法，基于皮尔逊相关系数的相似度算法，基于明科夫斯基距离的相似度算法和基于曼哈顿距离的相似度算法。
第四步，从上述物品信息库中选择对应的相似度数值满足筛选条件的物品信息，作为候选物品信息，得到上述候选物品信息集合。
其中，上述筛选条件可以是相似度数值大于等于目标值。上述目标值可以是人工设定的。例如，上述目标值可以是0.8。
可选地，上述执行主体还可以通过协同过滤算法，根据属性信息，进行物品召回，得到候选物品信息集合。例如，上述协同过滤算法可以是基于物品的协同过滤算法。
可选地，上述执行主体可以通过基于目标模型的推荐算法，根据属性信息，进行物品召回，得到候选物品信息集合。上述目标算法可以是但不限于以下任意一项：LSA(LatentSemantic Analysis，潜语义分析)模型，pLSA(基于概率的潜在语义分析，probabilitisticLatent Semantic Analysis)模型，LR(Logistic Regression，逻辑回归)模型和GBDT(Gradient Boosting Decision Tree，梯度提升决策树)模型。
步骤203，对候选物品信息集合中的每个候选物品信息进行特征映射，以生成特征映射信息，得到特征映射信息集合。
在一些实施例中，上述执行主体可以对候选物品信息集合中的每个候选物品信息进行特征映射，以生成特征映射信息，得到特征映射信息集合。其中，上述执行主体，首先，可以将上述候选物品信息包括的每个字转换成对应的字节码。然后，将上述字节码转换成对应的二进制字符串。以实现对上述候选物品信息的特征映射。
作为示例，上述候选物品信息可以是[物品名称：唇釉，物品品牌：XX牌]。上述候选物品信息中的“唇”字对应的二进制字符串可以是“100001111001010011100101”。其中，上述执行主体可以通过以下代码确定“唇”字对应的二进制字符串：
import sys
Str＝"唇".encode("UTF-8")
Bin＝str(bin(int.from_bytes(Str,byteorder＝sys.byteorder)))
Feature＝Bin[2:]
步骤204，将特征映射信息集合输入预先训练的推荐模型，以得到待推荐物品信息序列。
在一些实施例中，上述执行主体可以将特征映射信息集合输入预先训练的推荐模型，以得到待推荐物品信息序列。其中，上述预先训练的推荐模型可以是但不限于以下任意一项：FM(Factorization Machines，因子分解机)模型，DeepFM(Deep FactorizationMachines深度因子分解机)模型，PNN(Proudct-based Neural Network，基于产品的神经网络)模型，AFM(Attentional Factorization Machines，基于注意力机制的因子分解机)模型，FNN(Feedforward Neural Network，前馈神经网络)模型。上述待推荐物品信息序列中的待推荐物品信息可以是上述候选物品信息集合中，对应推荐度较高的候选物品信息。
可选地，上述输入预先训练的推荐模型可以包括：数据预处理层和物品信息排序层。
其中，上述数据预处理层用于对特征映射信息进行预处理。上述物品信息排序层用于根据预处理后的特征映射信息，确定待推荐物品信息序列，以及上述待推荐物品信息序列中待推荐物品信息的顺序。
可选地，上述数据预处理层还可以包括：子数据预处理层，全连接层，文本特征预处理模型和第二词嵌入层。其中，上述子数据预处理层可以包括：第一词嵌入层和池化层。
作为示例，上述文本特征预处理模型可以是TextCNN(Text ConvolutionalNeural Network，文本卷积神经网络)模型。
步骤205，展示待推荐物品信息序列中的待推荐物品信息。
在一些实施例汇中，上述执行主体可以展示上述待推荐物品信息序列中的待推荐物品信息。例如，上述执行主体可以将上述待推荐物品信息序列中的待推荐物品信息，通过有线连接，或无线连接的方式发送至具有显示功能的设备上以供显示。例如，上述具有显示功能的设备可以是具有虚拟现实功能的设备。上述具有显示功能的设备可以是“手机”或“平板电脑”。上述执行主体可以通过目标值与上述待推荐物品信息序列中待推荐物品信息的数量的比值，以此确定物品推荐效率。其中，上述目标值可以是用户浏览上述待推荐物品信息序列中待推荐物品信息的数量。
本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的推荐信息展示方法，物品推荐效率有所提高。具体来说，造成物品推荐效率不高的原因在于：首先，通过展示物品的外观图像等物品信息的方式，展示方式较为单一，此外，用户无法直观的感受物品的使用效果，进而，在向用户推荐与用户感兴趣的物品相似的物品时，推荐的物品可能无法满足用户需求，从而，导致物品推荐效率不高。基于此，本公开的一些实施例的推荐信息展示方法，首先，获取目标物品的属性信息。此外，根据上述属性信息，进行物品召回，得到候选物品信息集合。实际情况中，用户感兴趣的物品，往往存在某些吸引用户的特征。因此，通过属性信息，进行物品召回，提高了推荐的物品与用户的贴合度。然后，对上述候选物品信息集合中的每个候选物品信息进行特征映射，以生成特征映射信息，得到特征映射信息集合。实际情况中，候选物品信息往往包含各种类型的信息，例如，规格信息，价格信息等。因此，候选物品信息往往无法直接输入预先训练好的推荐模型。所以通过对候选物品信息进行特征映射，从而保证了预先训练好的推荐模型的输入的鲁棒性。此外，将上述特征映射信息集合输入预先训练的推荐模型，以得到待推荐物品信息序列。通过预先训练的推荐模型实现对候选物品信息集合中的候选物品信息的精细化排序和筛选，大大提高了得到待推荐物品信息序列的准确性。最后，在上述虚拟现实终端展示上述待推荐物品信息序列中的待推荐物品信息。通过此种方式，提高了物品推荐效率和用户体验。
进一步参考图3，其示出了推荐信息展示方法的另一些实施例的流程300。该推荐信息展示方法的流程300，包括以下步骤：
步骤301，获取目标物品的属性信息。
步骤302，根据属性信息，进行物品召回，得到候选物品信息集合。
在一些实施例中，步骤301至步骤302的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201至步骤202，在此不再赘述。
步骤303，通过映射字典，对候选物品信息进行特征映射，以生成特征映射信息。
在一些实施例中，上述执行主体可以通过映射字典，对候选物品信息进行特征映射，以生成特征映射信息。其中，上述执行主体可以通过查询映射字典，确定上述候选物品信息包括的属性信息对应的映射值，以实现对候选物品信息进行特征映射。从而，生成特征映射信息。上述映射字典可以是存储有上述候选物品信息包括的属性信息对应的映射值的字典。上述映射字典可以通过以下步骤生成：
第一步，确定目标训练样本集合中的训练样本包括的离散特征，得到至少一个离散特征。
其中，上述目标训练样本集合可以是用于训练推荐模型的训练样本集合。
作为示例，上述目标训练样本包括的属性信息可以是：[物品名称：眼影，物品品牌：XX牌，物品色号：#222，物品价格：210￥，物品重量：20克]。上述离散特征可以是“物品名称”。上述离散特征还可以是“物品品牌”。上述离散特征还可以是“物品色号”。
第二步，对于上述至少一个离散特征中的每个离散特征，确定上述离散特征在上述训练样本集合中不重复取值的数量值。
作为示例，上述离散特征可以是“物品品牌”。“物品品牌”在上述训练样本集合中的取值可以是“A品牌”，“B品牌”和“C品牌”。则上述数量值可以是3。
第三步，根上述至少一个离散特征，以及离散特征对应的取值和数量值，构建上述特征字典包括的第一子特征字典。
作为示例，上述离散特征可以是“物品品牌”。“物品品牌”在上述训练样本集合中的取值可以是“A品牌”，“B品牌”和“C品牌”。上述数量值可以是3。则对应的第一子特征字典可以是：{“物品品牌”：{“A品牌”：1，“B品牌”：2，“C品牌”：3}}。
第四步，确定上述目标训练样本集中目标训练样本包括的连续特征，得到至少一个连续特征。
作为示例，上述连续特征可以是“价格”。
第五步，根据上述至少一个连续特征和连续特征在上述目标训练样本集中的取值，构建上述特征字典包括的第二子特征字典。
作为示例，上述连续特征可以是“价格”，对应的取值可以是“210”。上述第二特征值字典可以是{价格：210}。
第六步，确定上述目标训练样本集中目标训练样本包括的文本特征，得到至少一个文本特征。
作为示例，上述文本特征可以是“物品成分信息”。
第七步，根据上述至少一个文本特征中的文本特征在上述目标训练样本集中取值，构建上述特征字典包括的第三子特征字典。
作为示例，上述第三子特征字典可以是：
{物品成分信息：{聚二甲基硅氧烷：1，二异硬脂醇苹果酸酯：2，聚二甲基硅氧烷交联聚合物：3，氢化聚异丁烯：4，高岭土：5，红色氧化铁：6，聚乙烯：7，辛甘醇：8，氢氧化铝和生育酚：9}}。
{物品成分信息：{词表大小：9，单条取值的最大长度：24}}。
第八步，确定上述目标训练样本集中目标训练样本包括的多值离散特征，得到至少一个多值离散特征。
其中，上述多值离散特征是指对应多个取值的连续特征。
作为示例，上述多值离散特征可以是“用户购买的前三种商品”。
第九步，根据上述至少一个多值离散特征和多值离散特征在上述目标训练样本集中取值，构建上述特征字典包括的第四子特征字典。
作为示例，上述多值离散特征可以是“用户购买的前三商品”。上述第四子特征字典可以是：
{用户购买的前三种商品：{“E品牌”：0，“F品牌”：1，“G品牌”：2}}。
{用户购买的前三种商品：{取值个数：2，单个多值离散特征取值的最大个数：3}}。
可选地，上述执行主体可以将上述特征字典转换成目标格式。
其中，上述目标格式可以是JSON(JavaScript Object Notation，JS对象简谱)格式。
步骤304，对于特征映射信息集合中的每条特征映射信息，将特征映射信息输入至数据预处理层，以生成至少一条子特征信息，将至少一条子特征信息中的子特征信息进行特征拼接，以生成特征信息。
在一些实施例中，上述执行主体对于特征映射信息集合中的每条特征映射信息，将特征映射信息输入至数据预处理层，以生成至少一条子特征信息，将至少一条子特征信息中的子特征信息进行特征拼接，以生成特征信息。其中，上述执行主体可以将上述至少一条子特征信息中的各个子特征信息进行特征拼接，以生成特征信息。
作为示例，上述至少一条子特征信息可以是：[0001，11011，11001]。得到的上述特征信息可以是“00011101111001”。
可选地，上述执行主体对于上述特征映射信息集合中的每条特征映射信息，将上述特征映射信息输入至上述数据预处理层，以生成至少一条子特征信息，可以包括以下步骤：
第一步，响应于确定上述特征映射信息对应的候选物品信息包括第一类型数据，将上述特征映射信息包括的第一特征映射数据输入第一词嵌入层，以生成第一候选数据。
其中，上述第一特征映射数据是通过对上述第一类型数据进行特征映射得到的。上述第一类型数据可以是多值离散特征类型的数据。
第二步，将上述第一候选数据输入池化层，以生成子特征信息。
其中，上述池化层可以采用平均池化。
作为示例，上述第一类型数据可以是{相关度最高的三件物品的品牌：“E品牌”，“F品牌”，“G品牌”}。通过字典{“E品牌”：1，“F品牌”：2，“G品牌”：3}，确定上述第一特征映射数据可以是“123”。
可选地，上述执行主体对于上述特征映射信息集合中的每条特征映射信息，将上述特征映射信息输入至上述数据预处理层，以生成至少一条子特征信息，可以包括以下步骤：
第一步，响应于确定上述特征映射信息对应的候选物品信息包括第二类型数据，对上述特征映射信息包括的第二特征映射数据进行取对数操作，以生成第二候选数据。
其中，上述第二特征映射数据是通过对上述第二类型数据进行特征映射得到的。上述第二类型数据可以是连续特征类型的数据。上述执行主体可以通过以下公式对上述第二特征映射数据进行取对数操作：
F＝ln(1+x)
其中，F表示上述第二候选数据。x表示上述第二特征映射数据。
作为示例，上述第二类型数据可以是{价格：320元}。上述第二候选数据可以是“5.771441123130016”。
第二步，将上述第二候选数据输入至上述全连接层，以生成子特征信息。
可选地，上述执行主体对于上述特征映射信息集合中的每条特征映射信息，将上述特征映射信息输入至上述数据预处理层，以生成至少一条子特征信息。其中，上述执行主体可以响应于确定上述特征映射信息对应的候选物品信息包括第三类型数据，将上述特征映射信息包括的第三特征映射数据输入至上述文本特征预处理模型，以生成子特征信息。
其中，上述第三特征映射数据是通过对上述第三类型数据进行特征映射得到的。上述第三类型数据可以是文本特征类型的数据。上述文本特征预处理模型可以用于对上述第三特征映射数据，进行进一步特征提取。
作为示例，上述文本特征预处理模型可以是TextCNN模型。
作为又一示例，上述第三类型数据可以是{物品成分信息：{聚二甲基硅氧烷，二异硬脂醇苹果酸酯，聚二甲基硅氧烷交联聚合物，氢化聚异丁烯，高岭土，红色氧化铁，聚乙烯，辛甘醇，氢氧化铝和生育酚}}。上述执行主体可以通过字典{物品成分信息：{聚二甲基硅氧烷：1，二异硬脂醇苹果酸酯：2，聚二甲基硅氧烷交联聚合物：3，氢化聚异丁烯：4，高岭土：5，红色氧化铁：6，聚乙烯：7，辛甘醇：8，氢氧化铝和生育酚：9}}，得到的上述第三特征映射数据可以是“123456789”。
可选地，上述执行主体对于上述特征映射信息集合中的每条特征映射信息，将上述特征映射信息输入至上述数据预处理层，以生成至少一条子特征信息。其中，上述执行主体可以响应于确定上述特征映射信息对应的候选物品信息包括第四类型数据，将上述特征映射信息包括的第四特征映射数据输入至上述第二词嵌入层，以生成子特征信息。
其中，上述第四特征映射数据是通过对上述第四类型数据进行特征映射得到的。上述第四类型数据可以是离散特征类型的数据。
作为示例，上述第四类型数据可以是{物品品牌：D品牌}。上述执行主体可以通过以下字典{A品牌：1，B品牌：2，C品牌：3，D品牌：4}，确定上述第四特征映射数据为“4”。
步骤305，将特征映射信息集合对应的特征信息集合输入物品信息排序层，以生成待推荐物品信息序列。
在一些实施例中，上述执行主体可以将特征映射信息集合对应的特征信息集合输入物品信息排序层，以生成待推荐物品信息序列。其中，上述物品信息排序层可以用于根据特征信息集合，对特征映射信息集合对应的候选物品信息集合中候选物品信息进行排序，以生成上述待推荐物品信息序列。
作为示例，上述物品信息排序层的结构可以与xDeepFM模型的结构相同。
作为又一示例，上述预先训练的推荐模型的网络结构可以如图4所示。其中，图4可以包括：数据预处理层401和物品信息排序层402。上述数据预处理层401可以包括：子数据预处理层4011，全连接层4012，文本特征预处理模型4013和第二词嵌入层4014。上述子数据预处理层4011可以包括：第一词嵌入层40111和池化层40112。
步骤306，展示待推荐物品信息序列中的待推荐物品信息。
在一些实施例中，步骤306的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤205，在此不再赘述。
从图3可以看出，与图2对应的一些实施例的描述相比，本公开首先，实现了对不同类型的特征数据进行分别处理，提高了模型的输入数据的丰富性和模型的鲁棒性。此外，通过映射字典，确保了用于训练推荐模型的训练样本数据和候选物品信息集合的数据一致性，提高了推荐准确率。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种推荐信息展示装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，一些实施例的推荐信息展示装置500包括：获取单元501、物品召回单元502、特征映射单元503、输入单元504和展示单元505。其中，获取单元501，被配置成获取目标物品的属性信息；物品召回单元502，被配置成根据上述属性信息，进行物品召回，得到候选物品信息集合；特征映射单元503，被配置成对上述候选物品信息集合中的每个候选物品信息进行特征映射，以生成特征映射信息，得到特征映射信息集合；输入单元504，被配置成将上述特征映射信息集合输入预先训练的推荐模型，以得到待推荐物品信息序列；展示单元505，被配置成展示上述待推荐物品信息序列中的待推荐物品信息。
在一些实施例的一些可选的实现方式中，上述特征映射单元503被配置成：通过映射字典，对上述候选物品信息进行特征映射，以生成特征映射信息。
在一些实施例的一些可选的实现方式中，上述预先训练的推荐模型包括：数据预处理层；以及上述输入单元504被配置成：对于上述特征映射信息集合中的每条特征映射信息，将上述特征映射信息输入至上述数据预处理层，以生成至少一条子特征信息，将上述至少一条子特征信息中的子特征信息进行特征拼接，以生成特征信息。
在一些实施例的一些可选的实现方式中，上述预先训练的推荐模型还包括：物品信息排序层；以及上述输入单元被配置成：将上述特征映射信息集合对应的特征信息集合输入上述物品信息排序层，以生成上述待推荐物品信息序列。
在一些实施例的一些可选的实现方式中，上述数据预处理层包括：子数据预处理层，其中，上述子数据预处理层包括：第一词嵌入层和池化层；以及上述输入单元504被配置成：响应于确定上述特征映射信息对应的候选物品信息包括第一类型数据，将上述特征映射信息包括的第一特征映射数据输入第一词嵌入层，以生成第一候选数据，其中，上述第一特征映射数据是通过对上述第一类型数据进行特征映射得到的；将上述第一候选数据输入上述池化层，以生成子特征信息。
在一些实施例的一些可选的实现方式中，上述数据预处理层包括：全连接层；以及上述输入单元504被配置成：响应于确定上述特征映射信息对应的候选物品信息包括第二类型数据，对上述特征映射信息包括的第二特征映射数据进行取对数操作，以生成第二候选数据，其中，上述第二特征映射数据是通过对上述第二类型数据进行特征映射得到的；将上述第二候选数据输入至上述全连接层，以生成子特征信息。
在一些实施例的一些可选的实现方式中，上述数据预处理层包括：文本特征预处理模型；以及上述输入单元504被配置成：响应于确定上述特征映射信息对应的候选物品信息包括第三类型数据，将上述特征映射信息包括的第三特征映射数据输入至上述文本特征预处理模型，以生成子特征信息，其中，上述第三特征映射数据是通过对上述第三类型数据进行特征映射得到的。
在一些实施例的一些可选的实现方式中，上述数据预处理层包括：第二词嵌入层；以及上述对输入单元504被配置成：响应于确定上述特征映射信息对应的候选物品信息包括第四类型数据，将上述特征映射信息包括的第四特征映射数据输入至上述第二词嵌入层，以生成子特征信息，其中，上述第四特征映射数据是通过对上述第四类型数据进行特征映射得到的。
可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。
下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标物品的属性信息；根据上述属性信息，进行物品召回，得到候选物品信息集合；对上述候选物品信息集合中的每个候选物品信息进行特征映射，以生成特征映射信息，得到特征映射信息集合；将上述特征映射信息集合输入预先训练的推荐模型，以得到待推荐物品信息序列；展示上述待推荐物品信息序列中的待推荐物品信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、物品召回单元、特征映射单元、输入单元和展示单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，物品召回单元还可以被描述为“召回与上述属性信息相似的物品信息，得到候选物品信息集合的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (11)

1.一种推荐信息展示方法，包括：
获取目标物品的属性信息；
根据所述属性信息，进行物品召回，得到候选物品信息集合；
对所述候选物品信息集合中的每个候选物品信息进行特征映射，以生成特征映射信息，得到特征映射信息集合；
将所述特征映射信息集合输入预先训练的推荐模型，以得到待推荐物品信息序列；
展示所述待推荐物品信息序列中的待推荐物品信息。
2.根据权利要求1所述的方法，其中，所述对所述候选物品信息集合中的每个候选物品信息进行特征映射，以生成特征映射信息，包括：
通过映射字典，对所述候选物品信息进行特征映射，以生成特征映射信息。
3.根据权利要求1所述的方法，其中，所述预先训练的推荐模型包括：数据预处理层；以及
所述将所述特征映射信息集合输入预先训练的推荐模型，以得到待推荐物品信息序列，包括：
对于所述特征映射信息集合中的每条特征映射信息，将所述特征映射信息输入至所述数据预处理层，以生成至少一条子特征信息，将所述至少一条子特征信息中的子特征信息进行特征拼接，以生成特征信息。
4.根据权利要求3所述的方法，其中，所述预先训练的推荐模型还包括：物品信息排序层；以及
所述将所述特征映射信息集合输入预先训练的推荐模型，以得到待推荐物品信息序列，还包括：
将所述特征映射信息集合对应的特征信息集合输入所述物品信息排序层，以生成所述待推荐物品信息序列。
5.根据权利要求3所述的方法，其中，所述数据预处理层包括：子数据预处理层，其中，所述子数据预处理层包括：第一词嵌入层和池化层；以及
所述对于所述特征映射信息集合中的每条特征映射信息，将所述特征映射信息输入至所述数据预处理层，以生成至少一条子特征信息，包括：
响应于确定所述特征映射信息对应的候选物品信息包括第一类型数据，将所述特征映射信息包括的第一特征映射数据输入第一词嵌入层，以生成第一候选数据，其中，所述第一特征映射数据是通过对所述第一类型数据进行特征映射得到的；
将所述第一候选数据输入所述池化层，以生成子特征信息。
6.根据权利要求3所述的方法，其中，所述数据预处理层包括：全连接层；以及
所述对于所述特征映射信息集合中的每条特征映射信息，将所述特征映射信息输入至所述数据预处理层，以生成至少一条子特征信息，包括：
响应于确定所述特征映射信息对应的候选物品信息包括第二类型数据，对所述特征映射信息包括的第二特征映射数据进行取对数操作，以生成第二候选数据，其中，所述第二特征映射数据是通过对所述第二类型数据进行特征映射得到的；
将所述第二候选数据输入至所述全连接层，以生成子特征信息。
7.根据权利要求3所述的方法，其中，所述数据预处理层包括：文本特征预处理模型；以及
所述对于所述特征映射信息集合中的每条特征映射信息，将所述特征映射信息输入至所述数据预处理层，以生成至少一条子特征信息，包括：
响应于确定所述特征映射信息对应的候选物品信息包括第三类型数据，将所述特征映射信息包括的第三特征映射数据输入至所述文本特征预处理模型，以生成子特征信息，其中，所述第三特征映射数据是通过对所述第三类型数据进行特征映射得到的。
8.根据权利要求3所述的方法，其中，所述数据预处理层包括：第二词嵌入层；以及
所述对于所述特征映射信息集合中的每条特征映射信息，将所述特征映射信息输入至所述数据预处理层，以生成至少一条子特征信息，包括：
响应于确定所述特征映射信息对应的候选物品信息包括第四类型数据，将所述特征映射信息包括的第四特征映射数据输入至所述第二词嵌入层，以生成子特征信息，其中，所述第四特征映射数据是通过对所述第四类型数据进行特征映射得到的。
9.一种推荐信息展示装置，包括：
获取单元，被配置成获取目标物品的属性信息；
物品召回单元，被配置成根据所述属性信息，进行物品召回，得到候选物品信息集合；
特征映射单元，被配置成对所述候选物品信息集合中的每个候选物品信息进行特征映射，以生成特征映射信息，得到特征映射信息集合；
输入单元，被配置成将所述特征映射信息集合输入预先训练的推荐模型，以得到待推荐物品信息序列；
展示单元，被配置成展示所述待推荐物品信息序列中的待推荐物品信息。
10.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至8中任一所述的方法。
11.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至8中任一所述的方法。
CN202110707455.7A 2021-06-24 2021-06-24 推荐信息展示方法、装置、电子设备和计算机可读介质 Pending CN113379503A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110707455.7A CN113379503A (zh) 2021-06-24 2021-06-24 推荐信息展示方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110707455.7A CN113379503A (zh) 2021-06-24 2021-06-24 推荐信息展示方法、装置、电子设备和计算机可读介质

Publications (1)

Publication Number Publication Date
CN113379503A true CN113379503A (zh) 2021-09-10

Family

ID=77578920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110707455.7A Pending CN113379503A (zh) 2021-06-24 2021-06-24 推荐信息展示方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN113379503A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806518A (zh) * 2021-09-23 2021-12-17 湖北天天数链技术有限公司 匹配方法及装置、简历推荐方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090292693A1 (en) * 2008-05-26 2009-11-26 International Business Machines Corporation Text searching method and device and text processor
CN106327227A (zh) * 2015-06-19 2017-01-11 北京航天在线网络科技有限公司 一种信息推荐系统及信息推荐方法
CN108875065A (zh) * 2018-07-02 2018-11-23 电子科技大学 一种基于内容的印尼新闻网页推荐方法
CN109499068A (zh) * 2018-11-14 2019-03-22 腾讯科技（深圳）有限公司 对象的控制方法和装置、存储介质、电子装置
CN110458650A (zh) * 2019-07-11 2019-11-15 北京三快在线科技有限公司 商品推荐方法、装置、电子设备及存储介质
CN112765450A (zh) * 2020-12-24 2021-05-07 神策网络科技（北京）有限公司 推荐内容确定方法、装置及存储介质
CN112765358A (zh) * 2021-02-23 2021-05-07 西安交通大学 一种基于噪声标签学习的纳税人行业分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090292693A1 (en) * 2008-05-26 2009-11-26 International Business Machines Corporation Text searching method and device and text processor
CN106327227A (zh) * 2015-06-19 2017-01-11 北京航天在线网络科技有限公司 一种信息推荐系统及信息推荐方法
CN108875065A (zh) * 2018-07-02 2018-11-23 电子科技大学 一种基于内容的印尼新闻网页推荐方法
CN109499068A (zh) * 2018-11-14 2019-03-22 腾讯科技（深圳）有限公司 对象的控制方法和装置、存储介质、电子装置
CN110458650A (zh) * 2019-07-11 2019-11-15 北京三快在线科技有限公司 商品推荐方法、装置、电子设备及存储介质
CN112765450A (zh) * 2020-12-24 2021-05-07 神策网络科技（北京）有限公司 推荐内容确定方法、装置及存储介质
CN112765358A (zh) * 2021-02-23 2021-05-07 西安交通大学 一种基于噪声标签学习的纳税人行业分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨栗洋 等著: "《VR战略 从虚拟到现实的商业革命》", 31 January 2017, 北京：中国铁道出版社, pages: 152 - 154 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113806518A (zh) * 2021-09-23 2021-12-17 湖北天天数链技术有限公司 匹配方法及装置、简历推荐方法及装置

Similar Documents

Publication Publication Date Title
CN109460513B (zh) 用于生成点击率预测模型的方法和装置
CN109522483B (zh) 用于推送信息的方法和装置
CN111753551B (zh) 基于词向量生成模型的信息生成方法和装置
CN109522486A (zh) 用于匹配信息的方法和装置
CN110929138A (zh) 推荐信息生成方法、装置、设备及存储介质
CN110059172B (zh) 基于自然语言理解的推荐答案的方法和装置
CN113204691B (zh) 一种信息展示方法、装置、设备及介质
CN113450172B (zh) 一种商品推荐方法和装置
CN112116426A (zh) 一种推送物品信息的方法和装置
CN110910178A (zh) 一种生成广告的方法和装置
CN113779186A (zh) 一种文本生成方法和装置
CN113379449A (zh) 多媒体资源召回方法、装置、电子设备以及存储介质
CN110399564B (zh) 帐号分类方法和装置、存储介质及电子装置
CN112783468A (zh) 目标对象的排序方法和排序装置
CN112749323A (zh) 一种构建用户画像的方法和装置
CN113379503A (zh) 推荐信息展示方法、装置、电子设备和计算机可读介质
CN111767953B (zh) 用于训练物品编码模型的方法和装置
KR102712013B1 (ko) 정보를 송신하는 방법 및 장치
CN112449217B (zh) 一种推送视频的方法、装置、电子设备和计算机可读介质
CN113191840B (zh) 物品信息显示方法、装置、电子设备和计算机可读介质
CN111125502A (zh) 用于生成信息的方法和装置
CN114782077A (zh) 信息筛选方法、模型训练方法、装置、电子设备和介质
US20240104623A1 (en) Method and apparatus for pushing information
CN111783808B (zh) 用于生成信息的方法和装置
CN111723274B (zh) 用于处理信息的方法和装置

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