CN113592607A - 产品推荐方法、装置、存储介质及电子设备 - Google Patents

产品推荐方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN113592607A
CN113592607A CN202110925452.0A CN202110925452A CN113592607A CN 113592607 A CN113592607 A CN 113592607A CN 202110925452 A CN202110925452 A CN 202110925452A CN 113592607 A CN113592607 A CN 113592607A
Authority
CN
China
Prior art keywords
product
user
recommended
knowledge graph
attribute
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
CN202110925452.0A
Other languages
English (en)
Inventor
冯一琦
熊泓宇
高远
汪罕
刘宾
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.)
Lemon Inc Cayman Island
Original Assignee
Lemon Inc Cayman Island
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 Lemon Inc Cayman Island filed Critical Lemon Inc Cayman Island
Priority to CN202110925452.0A priority Critical patent/CN113592607A/zh
Publication of CN113592607A publication Critical patent/CN113592607A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Animal Behavior & Ethology (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种产品推荐方法、装置、存储介质及电子设备。该方法包括：获取待推荐产品，并根据预处理后的产品知识图谱构造所述待推荐产品的产品特征；并且，基于所述产品知识图谱，根据历史时间段内用户与产品之间的交互行为构造所述用户的用户特征；将所述用户特征和所述待推荐产品的产品特征输入产品推荐模型，得到表征是否向所述用户推荐所述待推荐产品的结果。采用本公开的这种方式，可提升产品推荐的准确性。

Description

产品推荐方法、装置、存储介质及电子设备
技术领域
本公开涉及计算机技术领域，具体地，涉及一种产品推荐方法、装置、存储介质及电子设备。
背景技术
随着互联网的普及和网站技术的发展，越来越多的用户喜欢在网上浏览、挑选、观看、下载、以及购买自己需要的产品。然而随着产品数目和种类的快速增长，用户往往需要花费大量的时间进行翻阅才能找到自己需要的或者感兴趣的产品。
相关技术中，通过计算产品与产品之间的相关性来实现产品推荐，具体地，当用户浏览一个产品时，将与该产品相似度大的产品推荐给该用户。但是，这种方式的推荐准确性不高，往往将用户不需要或不感兴趣的产品推荐给用户，造成用户不好的体验。
发明内容
提供该发明内容部分以便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。该发明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。
第一方面，本公开实施例提供一种产品推荐方法，所述方法包括：
获取待推荐产品，并根据预处理后的产品知识图谱构造所述待推荐产品的产品特征；并且，
基于所述产品知识图谱，根据历史时间段内用户与产品之间的交互行为构造所述用户的用户特征；
将所述用户特征和所述待推荐产品的产品特征输入产品推荐模型，得到表征是否向所述用户推荐所述待推荐产品的结果。
第二方面，本公开实施例提供一种产品推荐装置，所述装置包括：
获取模块，用于获取待推荐产品，并根据预处理后的产品知识图谱构造所述待推荐产品的产品特征；并且，
构造模块，用于基于所述产品知识图谱，根据历史时间段内用户与产品之间的交互行为构造所述用户的用户特征；
输入模块，用于将所述用户特征和所述待推荐产品的产品特征输入产品推荐模型，得到表征是否向所述用户推荐所述待推荐产品的结果。
第三方面，本公开实施例提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面中任一项所述方法的步骤。
第四方面，本公开实施例提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面中任一项所述方法的步骤。
采用上述技术方案，至少能够达到如下的技术效果：
通过获取待推荐产品，并根据预处理后的产品知识图谱构造待推荐产品的产品特征。同时，基于该产品知识图谱，根据历史时间段内用户与产品之间的交互行为构造用户的用户特征。将用户特征和待推荐产品的产品特征输入产品推荐模型，得到表征是否向用户推荐待推荐产品的结果。由于用户特征考虑到历史时间段内用户与产品之间的交互行为，并且用户特征还是将该交互行为泛化到产品知识图谱后得到的，因此该用户特征包含用户与产品知识图谱中的元素(即产品实体、以及产品属性)之间的深层次关联关系。所以，将该用户特征和产品特征输入产品推荐模型后，可得到准确性更高的表征是否向用户推荐待推荐产品的结果。也就是说，采用本公开的这种方式，可提升产品推荐的准确性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
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，原件和元素不一定按照比例绘制。在附图中：
图1是根据本公开一示例性实施例示出的一种产品推荐方法的流程图。
图2是根据本公开一示例性实施例示出的一种知识图谱。
图3是根据本公开一示例性实施例示出的一种产品推荐装置的框图。
图4是根据本公开一示例性实施例示出的一种电子设备的框图。
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。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
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。
首先需要声明的是，本公开实施例中获取或使用的信息，如待推荐产品、用户与产品之间的交互行为等均是在得到用户或产品拥有权者合法授权后进行获取或使用的。
本公开实施例提出，将用户特征和产品特征输入训练完成的神经网络(NeuralNetwrok)模型中，通过神经网络模型学习到的隐含特征预测用户是否对产品感兴趣。起初，在具体实施时，我们将用户特征User feature设计为国家、性别、年龄、职业、学历、爱好等用户本身的特征；将产品特征设计为品牌、类别、过去统计数据past statistics(如总购买次数total-purchase-count、avg-cvr等)、生产商等特征信息。但这种特征设计方式导致神经网络模型的预测能力较差。进一步地，为了改进神经网络模型的预测能力，我们将用户过去的行为，如用户浏览、点击、下载的视频、购买的产品也纳入用户特征中以建立用户与产品的关联关系。然而，使用这种用户特征训练的神经网络模型的预测能力出现过拟合的问题。有鉴于此，本公开实施例提供一种产品推荐方法、装置、存储介质及电子设备，以提升产品推荐的正向效果。
图1是根据本公开一示例性实施例示出的一种产品推荐方法的流程图，该产品推荐方法可以应用于终端或者服务器，该方法包括以下步骤：
S11、获取待推荐产品，并根据预处理后的产品知识图谱构造所述待推荐产品的产品特征。
待推荐产品也可称为待推荐实体，其中实体(Entity)是客观存在并可相互区别的事物。示例地，待推荐产品可以是商品、影视、广告、以及游戏任务或副本、偶像明星等等，对此本公开不作具体的限制。
一种可实现的实施方式，预处理后的所述产品知识图谱是通过如下方式得到的：
按照预设编号规则，对预处理前的产品知识图谱中每一产品实体以及每一产品实体的产品属性进行ID编号，得到预处理后的所述产品知识图谱。
值得解释的是，知识图谱(Knowledge Graph)是结构化的语义知识库，用于以符号形式描述物理世界中的概念及其相互间的关系，其基本组成单位是三元组。具体地，我们可以把三元组理解为(实体entity、关系relation、实体entity；或者，实体entity、关系relation、属性attribution)，若将实体和属性看做结点，把关系看做一条边，那么实体和属性之间通过关系相互联结，以构成网状的知识结构，如此包含了大量三元组的知识库就成为了一个庞大的知识图谱。示例地，如图2所示的知识图谱。
其中，预设编号规则既可以是公有数据库中对实体字段、属性字段的既定编码规则，又可以是基于用户自己的需求，人工设置的一种有序或无序的编号方式。对此本公开不作具体的限制。
在实施过程中，本公开为了更好地挖掘用户和产品之间的交互信息，我们在构建产品知识图谱时获取了两部分数据。第一部分是获取每个产品实体entity的产品属性attribution；第二部分是获取各产品实体entity之间共享属性的关系。对于每个产品实体的产品属性，可从公共数据库wikidata中获取得到。例如，对于《Tenet》这部电影，我们在已知wikidata对其编号为QID(Q63985561)之后，根据wikidata的访问方式(https://www.wikidata.org/wiki/Q63985561)从wikidata中获取到《Tenet》的相关类型genre、演员actor、上映时间publication_year、导演director、出品方producer等产品属性。在获取到产品实体的产品属性之后，还可以对该产品实体的产品属性进行选择性过滤，以保留用于构建产品知识图谱的部分或全部产品实体、产品实体属性。
S12、基于所述产品知识图谱，根据历史时间段内用户与产品之间的交互行为构造所述用户的用户特征。
用户与产品之间的交互行为是指用户与产品发生关联关系的表征。示例地，交互行为可以是用户点击、浏览、观看、下载、评论、收藏、购买、搜索、咨询产品的行为。示例地，可以获取用户在过去一个时间窗口内对产品如视频的观看、点击、评论等行为，从而得到用户和不同产品的交互行为。
在具体实施时，将历史时间段内用户与产品之间的交互行为泛化到产品知识图谱中，以产品知识图谱中的产品实体和/或产品实体的产品属性构建得到用户特征。
S13、将所述用户特征和所述待推荐产品的产品特征输入产品推荐模型，得到表征是否向所述用户推荐所述待推荐产品的结果。
其中，产品推荐模型是通过如下方式训练得到的。
初始化产品推荐模型的参数；将训练数据输入产品推荐模型，得到产品推荐模型输出的预估(pred)结果；将该预估结果与真实的训练数据标签label(正样本1，负样本0)做比较以计算损失函数(loss)，将loss进行反向传播(back-propagation)以更新产品推荐模型的参数，如此往复，直到loss不再显著的降低时得到训练完成的产品推荐模型。其中，训练数据包括由用户特征正样本和产品特征正样本组成的正样本数据对，以及由用户特征负样本和产品特征负样本组成的负样本数据对。
可选地，可对用户特征和产品特征进行筛选。筛选的参考指标可以是特征覆盖率和特征重要性。筛选原因在于，特征数量过多、特征相关性低会对产品推荐模型训练过程产生不必要的负担，导致产品推荐模型质量降低。特征覆盖率越高，特征重要性越强，该特征与要预测的东西相关性越高，对模型学习能力的提升越显著。
通过获取待推荐产品，并根据预处理后的产品知识图谱构造待推荐产品的产品特征。同时，基于该产品知识图谱，根据历史时间段内用户与产品之间的交互行为构造用户的用户特征。将用户特征和待推荐产品的产品特征输入产品推荐模型，得到表征是否向用户推荐待推荐产品的结果。由于用户特征考虑到历史时间段内用户与产品之间的交互行为，并且用户特征还是将该交互行为泛化到产品知识图谱后得到的，因此该用户特征包含用户与产品知识图谱中的元素(即产品实体、以及产品属性)之间的深层次关联关系。所以，将该用户特征和产品特征输入产品推荐模型后，可得到准确性更高的表征是否向用户推荐待推荐产品的结果。也就是说，采用本公开的这种方式，可提升产品推荐的准确性。
容易理解的是，上述待推荐产品为一个或多个待推荐产品。上述步骤S13将所述用户特征和所述待推荐产品的产品特征输入产品推荐模型，得到表征是否向所述用户推荐所述待推荐产品的结果，包括：
将所述用户特征和多个待推荐产品的产品特征输入产品推荐模型，得到各待推荐产品对应的表征是否向用户推荐该待推荐产品的结果。
可选地，每一待推荐产品对应的表征是否向用户推荐该待推荐产品的结果为推荐值，相应地，所述方法还可以包括：
基于各待推荐产品对应的推荐值，将推荐值大于预设阈值的待推荐产品推荐给用户；或者，将多个待推荐产品对应的推荐值中，推荐值最大的产品推荐给用户。
一种可实现的实施方式，所述根据预处理后的产品知识图谱构造所述待推荐产品的产品特征，包括：
从所述产品知识图谱中确定所述待推荐产品的至少一个目标产品属性；根据各所述目标产品属性的ID编号生成所述待推荐产品的产品特征。
目标产品属性可以是待推荐产品的关键属性，具体根据应用场景的需求进行设计。示例地，目标产品属性为产品知识图谱中被标记为重要或关键属性的产品属性。产品知识图谱中任一待推荐产品的部分或者全部属性均可能为目标产品属性。
示例地，从产品知识图谱中确定待推荐产品的至少一个目标产品属性。然后根据确定的各目标产品属性的ID编号生成待推荐产品的产品特征。
可选地，所述根据各所述目标产品属性的ID编号生成所述待推荐产品的产品特征，包括：
将由各所述目标产品属性的ID编号组成的序列作为所述待推荐产品的产品特征；或者，将由每一所述目标产品属性的ID编号对应的特征向量组成的序列作为所述待推荐产品的产品特征。
示例地，待推荐产品的产品特征为[attributeID_2、attributeID_3、attributeID_5、...]。再示例地，待推荐产品的产品特征为[qid_embedding_2、qid_embedding_3、qid_embedding_5、...]。
可选地，所述方法还包括：将所述目标产品属性的ID编号输入编码模型，得到与所述目标产品属性的ID编号对应的特征向量；其中，所述编码模型是根据所述产品知识图谱进行训练得到的。
例如，使用lagrange lite with euler训练产品知识图谱的编码模型，以通过训练完成的编码模型生成该产品知识图谱中每一ID编号对应的特征向量qid_embedding。并且，还可以随着该产品知识图谱的不断扩充完善，每天加载上一版本的训练结果，训练新的产品知识图谱，得到刷新后的编码模型。
可选地，所述基于所述产品知识图谱，根据历史时间段内用户与产品之间的交互行为构造所述用户的用户特征，包括以下步骤：
确定所述历史时间段内与所述用户产生交互行为的历史实体；从所述产品知识图谱中确定每一所述历史实体的至少一个产品属性；根据各所述产品属性的ID编号生成所述用户特征。
可选地，所述根据各所述产品属性的ID编号生成所述用户特征，包括：
将由各所述产品属性的ID编号组成的序列作为所述用户特征；或者，将由各所述产品属性的ID编号对应的特征向量组成的序列作为所述用户特征。
示例地，用户特征为[attributeID_1，attributeID_4，attributeID_6，...]。再示例地，用户特征为[qid_embedding_0，qid_embedding_1，qid_embedding_3，...]。
一种优先的实施方式，在将由各所述目标产品属性的ID编号组成的序列作为所述待推荐产品的产品特征的情况下，相应地，将由各所述产品属性的ID编号组成的序列作为所述用户特征。而在将由每一所述目标产品属性的ID编号对应的特征向量组成的序列作为所述待推荐产品的产品特征的情况下，将由各所述产品属性的ID编号对应的特征向量组成的序列作为所述用户特征。
本公开的这种方式，因将用户与产品实体的直接关系泛化为用户与产品属性的更深层次的联系，构建了更密集的用户特征，因此采用本公开的这种方式，可提升产品推荐的准确性。
此外，值得说明的是，用户特征和产品特征除了包括产品属性信息之外，还可以包括其自身的特征信息。例如，用户特征可以包括用户的姓名、年龄等特征。
图3是根据本公开一示例性实施例示出的一种产品推荐装置的框图，如图3所示，该装置300包括：
获取模块310，用于获取待推荐产品，并根据预处理后的产品知识图谱构造所述待推荐产品的产品特征；并且，
构造模块320，用于基于所述产品知识图谱，根据历史时间段内用户与产品之间的交互行为构造所述用户的用户特征；
输入模块330，用于将所述用户特征和所述待推荐产品的产品特征输入产品推荐模型，得到表征是否向所述用户推荐所述待推荐产品的结果。
在一种可能的实施方式中，所述获取模块310包括：
第一确定子模块，用于从所述产品知识图谱中确定所述待推荐产品的至少一个目标产品属性；
第一生成子模块，用于根据各所述目标产品属性的ID编号生成所述待推荐产品的产品特征。
在一种可能的实施方式中，所述构造模块320包括：
第二确定子模块，用于确定所述历史时间段内与所述用户产生交互行为的历史实体；
第三确定子模块，用于从所述产品知识图谱中确定每一所述历史实体的至少一个产品属性；
第二生成子模块，用于根据各所述产品属性的ID编号生成所述用户特征。
在一种可能的实施方式中，所述第一生成子模块，用于将由各所述目标产品属性的ID编号组成的序列作为所述待推荐产品的产品特征；或者，将由每一所述目标产品属性的ID编号对应的特征向量组成的序列作为所述待推荐产品的产品特征。
在一种可能的实施方式中，所述第二生成子模块，用户将由各所述产品属性的ID编号组成的序列作为所述用户特征；或者，将由各所述产品属性的ID编号对应的特征向量组成的序列作为所述用户特征。
在一种可能的实施方式中，所述装置300还包括预处理模块，用户通过如下方式得到的预处理后的所述产品知识图谱：按照预设编号规则，对预处理前的产品知识图谱中每一产品实体以及每一产品实体的产品属性进行ID编号，得到预处理后的所述产品知识图谱。
在一种可能的实施方式中，所述装置300还包括执行模块，用于将所述目标产品属性的ID编号输入编码模型，得到与所述目标产品属性的ID编号对应的特征向量；其中，所述编码模型是根据所述产品知识图谱进行训练得到的。
采用本公开的上述装置，通过获取待推荐产品，并根据预处理后的产品知识图谱构造待推荐产品的产品特征。同时，基于该产品知识图谱，根据历史时间段内用户与产品之间的交互行为构造用户的用户特征。将用户特征和待推荐产品的产品特征输入产品推荐模型，得到表征是否向用户推荐待推荐产品的结果。由于用户特征考虑到历史时间段内用户与产品之间的交互行为，并且用户特征还是将该交互行为泛化到产品知识图谱后得到的，因此该用户特征包含用户与产品知识图谱中的元素(即产品实体、以及产品属性)之间的深层次关联关系。所以，将该用户特征和产品特征输入产品推荐模型后，可得到准确性更高的表征是否向用户推荐待推荐产品的结果。也就是说，采用本公开的这种方式，可提升产品推荐的准确性。
关于上述装置中各个模块的具体实施步骤，已经在有关该装置的方法实施例中进行了详细的说明，此处不再赘述。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4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RAM 603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4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。
特别地，根据本公开的实施例，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，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态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，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述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：获取待推荐产品，并根据预处理后的产品知识图谱构造所述待推荐产品的产品特征；并且，基于所述产品知识图谱，根据历史时间段内用户与产品之间的交互行为构造所述用户的用户特征；将所述用户特征和所述待推荐产品的产品特征输入产品推荐模型，得到表征是否向所述用户推荐所述待推荐产品的结果。
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操作的计算机程序代码，上述程序设计语言包括但不限于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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。
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。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种产品推荐方法，包括：获取待推荐产品，并根据预处理后的产品知识图谱构造所述待推荐产品的产品特征；并且，基于所述产品知识图谱，根据历史时间段内用户与产品之间的交互行为构造所述用户的用户特征；将所述用户特征和所述待推荐产品的产品特征输入产品推荐模型，得到表征是否向所述用户推荐所述待推荐产品的结果。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述根据预处理后的产品知识图谱构造所述待推荐产品的产品特征，包括：从所述产品知识图谱中确定所述待推荐产品的至少一个目标产品属性；根据各所述目标产品属性的ID编号生成所述待推荐产品的产品特征。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述基于所述产品知识图谱，根据历史时间段内用户与产品之间的交互行为构造所述用户的用户特征，包括：确定所述历史时间段内与所述用户产生交互行为的历史实体；从所述产品知识图谱中确定每一所述历史实体的至少一个产品属性；根据各所述产品属性的ID编号生成所述用户特征。
根据本公开的一个或多个实施例，示例4提供了示例2的方法，所述根据各所述目标产品属性的ID编号生成所述待推荐产品的产品特征，包括：将由各所述目标产品属性的ID编号组成的序列作为所述待推荐产品的产品特征；或者，将由每一所述目标产品属性的ID编号对应的特征向量组成的序列作为所述待推荐产品的产品特征。
根据本公开的一个或多个实施例，示例5提供了示例3的方法，所述根据各所述产品属性的ID编号生成所述用户特征，包括：将由各所述产品属性的ID编号组成的序列作为所述用户特征；或者，将由各所述产品属性的ID编号对应的特征向量组成的序列作为所述用户特征。
根据本公开的一个或多个实施例，示例6提供了示例1-5的方法，预处理后的所述产品知识图谱是通过如下方式得到的：按照预设编号规则，对预处理前的产品知识图谱中每一产品实体以及每一产品实体的产品属性进行ID编号，得到预处理后的所述产品知识图谱。
根据本公开的一个或多个实施例，示例7提供了示例4的方法，所述方法还包括：将所述目标产品属性的ID编号输入编码模型，得到与所述目标产品属性的ID编号对应的特征向量；其中，所述编码模型是根据所述产品知识图谱进行训练得到的。
根据本公开的一个或多个实施例，示例8提供了一种产品推荐装置，所述装置包括：获取模块，用于获取待推荐产品，并根据预处理后的产品知识图谱构造所述待推荐产品的产品特征；并且，构造模块，用于基于所述产品知识图谱，根据历史时间段内用户与产品之间的交互行为构造所述用户的用户特征；输入模块，用于将所述用户特征和所述待推荐产品的产品特征输入产品推荐模型，得到表征是否向所述用户推荐所述待推荐产品的结果。
根据本公开的一个或多个实施例，示例9提供了示例8的装置，所述获取模块包括：第一确定子模块，用于从所述产品知识图谱中确定所述待推荐产品的至少一个目标产品属性；第一生成子模块，用于根据各所述目标产品属性的ID编号生成所述待推荐产品的产品特征。
根据本公开的一个或多个实施例，示例10提供了示例9的装置，所述构造模块包括：第二确定子模块，用于确定所述历史时间段内与所述用户产生交互行为的历史实体；第三确定子模块，用于从所述产品知识图谱中确定每一所述历史实体的至少一个产品属性；第二生成子模块，用于根据各所述产品属性的ID编号生成所述用户特征。
根据本公开的一个或多个实施例，示例11提供了示例9的装置，所述第一生成子模块，用于将由各所述目标产品属性的ID编号组成的序列作为所述待推荐产品的产品特征；或者，将由每一所述目标产品属性的ID编号对应的特征向量组成的序列作为所述待推荐产品的产品特征。
根据本公开的一个或多个实施例，示例12提供了示例10的装置，所述第二生成子模块，用户将由各所述产品属性的ID编号组成的序列作为所述用户特征；或者，将由各所述产品属性的ID编号对应的特征向量组成的序列作为所述用户特征。
根据本公开的一个或多个实施例，示例13提供了示例8-12的装置，所述装置还包括预处理模块，用户通过如下方式得到的预处理后的所述产品知识图谱：按照预设编号规则，对预处理前的产品知识图谱中每一产品实体以及每一产品实体的产品属性进行ID编号，得到预处理后的所述产品知识图谱。
根据本公开的一个或多个实施例，示例14提供了示例11的装置，所述装置还包括执行模块，用于将所述目标产品属性的ID编号输入编码模型，得到与所述目标产品属性的ID编号对应的特征向量；其中，所述编码模型是根据所述产品知识图谱进行训练得到的。
以上描述仅为本公开的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，本公开中所涉及的公开范围，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公开构思的情况下，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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (10)

1.一种产品推荐方法，其特征在于，所述方法包括：
获取待推荐产品，并根据预处理后的产品知识图谱构造所述待推荐产品的产品特征；并且，
基于所述产品知识图谱，根据历史时间段内用户与产品之间的交互行为构造所述用户的用户特征；
将所述用户特征和所述待推荐产品的产品特征输入产品推荐模型，得到表征是否向所述用户推荐所述待推荐产品的结果。
2.根据权利要求1所述的方法，其特征在于，所述根据预处理后的产品知识图谱构造所述待推荐产品的产品特征，包括：
从所述产品知识图谱中确定所述待推荐产品的至少一个目标产品属性；
根据各所述目标产品属性的ID编号生成所述待推荐产品的产品特征。
3.根据权利要求2所述的方法，其特征在于，所述基于所述产品知识图谱，根据历史时间段内用户与产品之间的交互行为构造所述用户的用户特征，包括：
确定所述历史时间段内与所述用户产生交互行为的历史实体；
从所述产品知识图谱中确定每一所述历史实体的至少一个产品属性；
根据各所述产品属性的ID编号生成所述用户特征。
4.根据权利要求2所述的方法，其特征在于，所述根据各所述目标产品属性的ID编号生成所述待推荐产品的产品特征，包括：
将由各所述目标产品属性的ID编号组成的序列作为所述待推荐产品的产品特征；或者，
将由每一所述目标产品属性的ID编号对应的特征向量组成的序列作为所述待推荐产品的产品特征。
5.根据权利要求3所述的方法，其特征在于，所述根据各所述产品属性的ID编号生成所述用户特征，包括：
将由各所述产品属性的ID编号组成的序列作为所述用户特征；或者，
将由各所述产品属性的ID编号对应的特征向量组成的序列作为所述用户特征。
6.根据权利要求1-5中任一项所述的方法，其特征在于，预处理后的所述产品知识图谱是通过如下方式得到的：
按照预设编号规则，对预处理前的产品知识图谱中每一产品实体以及每一产品实体的产品属性进行ID编号，得到预处理后的所述产品知识图谱。
7.根据权利要求4所述的方法，其特征在于，所述方法还包括：
将所述目标产品属性的ID编号输入编码模型，得到与所述目标产品属性的ID编号对应的特征向量；
其中，所述编码模型是根据所述产品知识图谱进行训练得到的。
8.一种产品推荐装置，其特征在于，所述装置包括：
获取模块，用于获取待推荐产品，并根据预处理后的产品知识图谱构造所述待推荐产品的产品特征；并且，
构造模块，用于基于所述产品知识图谱，根据历史时间段内用户与产品之间的交互行为构造所述用户的用户特征；
输入模块，用于将所述用户特征和所述待推荐产品的产品特征输入产品推荐模型，得到表征是否向所述用户推荐所述待推荐产品的结果。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
CN202110925452.0A 2021-08-12 2021-08-12 产品推荐方法、装置、存储介质及电子设备 Pending CN113592607A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110925452.0A CN113592607A (zh) 2021-08-12 2021-08-12 产品推荐方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110925452.0A CN113592607A (zh) 2021-08-12 2021-08-12 产品推荐方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN113592607A true CN113592607A (zh) 2021-11-02

Family

ID=78257585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110925452.0A Pending CN113592607A (zh) 2021-08-12 2021-08-12 产品推荐方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN113592607A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114861059A (zh) * 2022-05-18 2022-08-05 北京百度网讯科技有限公司 资源推荐方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555753A (zh) * 2019-08-14 2019-12-10 中国平安人寿保险股份有限公司 基于推荐的排序控制方法、装置、计算机设备及存储介质
CN111507796A (zh) * 2020-04-07 2020-08-07 桂林电子科技大学 一种基于知识图谱的网上商城商品推荐方法
CN112232925A (zh) * 2020-11-02 2021-01-15 哈尔滨工程大学 一种融合知识图谱对商品进行个性化推荐的方法
CN112307214A (zh) * 2019-07-26 2021-02-02 株式会社理光 一种基于深度强化学习的推荐方法及推荐装置
CN112487199A (zh) * 2020-11-24 2021-03-12 杭州电子科技大学 一种基于用户购买行为的用户特征预测方法
CN113220866A (zh) * 2021-04-28 2021-08-06 西安电子科技大学 基于用户社交网络和产品相似度的推荐方法
CN113362131A (zh) * 2021-06-02 2021-09-07 合肥工业大学 一种融合知识图谱和用户交互的图模型智能商品推荐方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112307214A (zh) * 2019-07-26 2021-02-02 株式会社理光 一种基于深度强化学习的推荐方法及推荐装置
CN110555753A (zh) * 2019-08-14 2019-12-10 中国平安人寿保险股份有限公司 基于推荐的排序控制方法、装置、计算机设备及存储介质
CN111507796A (zh) * 2020-04-07 2020-08-07 桂林电子科技大学 一种基于知识图谱的网上商城商品推荐方法
CN112232925A (zh) * 2020-11-02 2021-01-15 哈尔滨工程大学 一种融合知识图谱对商品进行个性化推荐的方法
CN112487199A (zh) * 2020-11-24 2021-03-12 杭州电子科技大学 一种基于用户购买行为的用户特征预测方法
CN113220866A (zh) * 2021-04-28 2021-08-06 西安电子科技大学 基于用户社交网络和产品相似度的推荐方法
CN113362131A (zh) * 2021-06-02 2021-09-07 合肥工业大学 一种融合知识图谱和用户交互的图模型智能商品推荐方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114861059A (zh) * 2022-05-18 2022-08-05 北京百度网讯科技有限公司 资源推荐方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111368185B (zh) 数据展示方法、装置、存储介质及电子设备
CN110634047B (zh) 一种推荐房源的方法、装置、电子设备及存储介质
CN111782968B (zh) 内容推荐方法、装置、可读介质及电子设备
CN110619078B (zh) 用于推送信息的方法和装置
CN111104599B (zh) 用于输出信息的方法和装置
CN114443897B (zh) 一种视频推荐方法、装置、电子设备和存储介质
CN112650841A (zh) 信息处理方法、装置和电子设备
CN111291258A (zh) 搜索热词的推荐方法、装置、电子设备及可读介质
CN113610582A (zh) 广告推荐方法、装置、存储介质及电子设备
CN110516159A (zh) 一种信息推荐方法、装置、电子设备及存储介质
CN113592607A (zh) 产品推荐方法、装置、存储介质及电子设备
CN116645211B (zh) 推荐用户信息生成方法、装置、设备和计算机可读介质
CN113220922B (zh) 图像搜索方法、装置和电子设备
CN116319932A (zh) 内容推送模型的训练方法、装置、设备及存储介质
CN116109374A (zh) 资源位展示方法、装置、电子设备和计算机可读介质
CN115269978A (zh) 一种视频标签生成方法、装置、设备及介质
CN112860999B (zh) 信息推荐方法、装置、设备和存储介质
CN111368204A (zh) 内容推送方法、装置、电子设备及计算机可读介质
CN114820060A (zh) 一种广告推荐方法、装置、设备及介质
CN114926234A (zh) 物品信息推送方法、装置、电子设备和计算机可读介质
CN113177176A (zh) 特征构建方法、内容显示方法及相关装置
CN113836415A (zh) 信息推荐方法、装置、介质及设备
CN111563797A (zh) 房源信息的处理方法、装置、可读介质及电子设备
CN113177174B (zh) 特征构建方法、内容显示方法及相关装置
CN113283115B (zh) 图像模型生成方法、装置和电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination