CN113988977A - 一种商品推荐方法及装置、计算机可读存储介质 - Google Patents
一种商品推荐方法及装置、计算机可读存储介质 Download PDFInfo
- Publication number
- CN113988977A CN113988977A CN202111250466.3A CN202111250466A CN113988977A CN 113988977 A CN113988977 A CN 113988977A CN 202111250466 A CN202111250466 A CN 202111250466A CN 113988977 A CN113988977 A CN 113988977A
- Authority
- CN
- China
- Prior art keywords
- historical
- recommended
- feature
- article
- 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.)
- Pending
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (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
本发明实施例公开了一种物品推荐方法及装置、计算机可读存储介质,方法包括:获取对象对应的历史稠密特征、对象对应的历史物品特征,以及多个待推荐物品各自对应的待推荐物品特征;利用兴趣抽取模型,对所述待推荐物品特征,以及所述历史物品特征进行提取,确定对象兴趣特征;所述兴趣抽取模型表征提取对象兴趣特征;利用预设推荐网络,对所述历史稠密特征、所述对象兴趣特征和所述待推荐物品特征进行预测推荐,确定推荐结果;基于所述推荐结果,从所述多个待推荐物品中确定待推荐的推荐物品。通过利用历史物品特征和待推荐物品特征进行对象兴趣特征,提高了对象兴趣提取的准确性,为用户推荐适合的物品。
Description
技术领域
本发明涉及计算机应用领域,尤其涉及一种商品推荐方法及装置、计算机可读存储介质
背景技术
目前物品推荐方法,主要关注的特征是用户行为序列中的物品及物品属性。以点击序列为例,它包括:用户点击过的物品及物品所属的品牌、店铺、二级品类和三级品类等属性,但是其无法区分用户每次行为所体现的兴趣强弱,从用户兴趣提取能力较弱,导致用户兴趣提取与待推荐物品的相关性差,进而无法为客户推荐适合的物品。
发明内容
本发明实施例期望提供一种物品推荐方法及装置、计算机可读存储介质,能够对用户兴趣进行准确提取,进而提高用户兴趣提取与待推荐物品的相关性,从而为用户推荐适合的物品。
本发明的技术方案是这样实现的:
本发明实施例提供了一种物品推荐方法,所述方法包括:
获取对象对应的历史稠密特征、对象对应的历史物品特征,以及多个待推荐物品各自对应的待推荐物品特征;
利用兴趣抽取模型,对所述待推荐物品特征,以及所述历史物品特征进行提取,确定对象兴趣特征;所述兴趣抽取模型表征提取对象兴趣特征;
利用预设推荐网络,对所述历史稠密特征、所述对象兴趣特征和所述待推荐物品特征进行预测推荐,确定推荐结果;
基于所述推荐结果,从所述多个待推荐物品中确定待推荐的推荐物品。
上述方案中,所述历史物品特征包括:多个历史子物品特征;
上述方案中,所述利用通过兴趣抽取模型,对所述待推荐物品特征,以及所述历史物品特征进行提取,确定对象兴趣特征,包括:
通过所述兴趣抽取模块,对所述待推荐物品特征和所述多个历史子物品特征进行提取,得到两两历史子物品特征之间的相关性、待推荐物品特征分别与每个历史子物品特征之间的相关性;
基于所述两两历史子物品特征之间的相关性、所述待推荐物品特征分别与每个历史子物品特征之间的相关性,确定所述对象兴趣特征。
上述方案中,每个历史子物品特征包括:行为序列特征、时序特征和精细行为属性特征;
上述方案中,所述通过所述兴趣抽取模型,对所述待推荐物品特征和所述多个历史子物品特征进行提取,得到两两历史子物品特征之间的相关性、待推荐物品特征分别与每个历史子物品特征之间的相关性,包括:
通过所述每个历史子物品特征对应的所述精细行为属性特征、所述行为序列特征和所述时序特征,确定所述每个历史子物品特征对应的新的精细行为属性特征和所述每个历史子物品特征对应的新的行为序列特征;
基于所述每个历史子物品特征对应的所述新的精细行为属性特征和所述每个历史子物品特征对应的所述新的行为序列特征,进行两两相关性运算,得到所述两两历史子物品特征之间的相关性;
通过所述每个历史子物品特征对应的所述新的精细行为属性特征、所述每个历史子物品特征对应的所述新的行为序列特征和所述待推荐物品特征,确定所述待推荐物品特征与每个历史子物品特征之间的相关性。
上述方案中,所述通过所述每个历史子物品特征对应的所述精细行为属性特征、所述行为序列特征和所述时序特征,确定所述每个历史子物品特征对应的新的精细行为属性特征和所述每个历史子物品特征对应的新的行为序列特征,包括:
利用预设建模网络,对所述每个历史子物品特征对应的所述精细行为属性特征和所述每个历史子物品特征对应的所述行为序列特征进行融合处理,得到所述每个历史子物品特征对应的新的精细行为属性特征;
基于所述每个历史子物品特征对应的所述行为序列特征和所述每个历史子物品特征对应的所述时序特征作和运算,得到所述每个历史子物品特征对应的新的行为序列特征。
上述方案中,所述基于所述每个历史子物品特征对应的所述新的精细行为属性特征和所述每个历史子物品特征对应的所述新的行为序列特征,进行两两相关性运算,得到所述两两历史子物品特征之间的相关性,包括:
通过点乘两两历史子物品特征各自对应的所述新的精细行为属性特征,得到所述两两历史物品子特征之间的精细行为属性特征相关性;
通过点乘两两历史子物品特征各自对应的所述新的行为序列特征,得到所述两两历史子物品之间的行为序列特征相关性;
基于所述两两历史物品子特征之间的精细行为属性特征相关性和所述两两历史物品子特征之间的行为序列特征相关性作和运算,得到所述两两历史子物品特征之间的相关性。
上述方案中,所述通过所述每个历史子物品特征对应的所述新的精细行为属性特征、所述每个历史子物品特征对应的所述新的行为序列特征和所述待推荐物品特征,确定所述待推荐物品特征与每个历史子物品特征之间的相关性,包括:
利用预设建模网络,对所述新的精细行为属性特征进行压缩处理,得到所述待推荐物品特征与每个历史子物品特征之间的精细行为特征相关性;
通过点乘所述新的行为序列特征和所述待推荐物品特征,得到所述待推荐物品特征与每个历史子物品特征之间的行为序列特征相关性;
基于所述待推荐物品特征与每个历史子物品特征之间的精细行为特征相关性、所述待推荐物品特征与每个历史子物品特征之间的行为序列特征相关性作和运算,得到所述待推荐物品特征与每个历史子物品特征之间的相关性。
上述方案中,所述获取对象对应的历史稠密特征、对象对应的历史物品行为和时间特征,以及多个待推荐物品特征之前,所述方法还包括:
收集对象对应的历史稠密数据、对象对应的历史物品数据,以及多个待推荐物品各自对应的待推荐物品数据;
对所述历史稠密数据、所述历史物品数据和所述待推荐物品数据进行特征提取和离散化处理,获取所述对象对应的历史稠密特征、所述对象对应的历史物品特征,以及所述多个待推荐物品各自对应的待推荐物品特征。
上述方案中,所述基于所述推荐结果,从所述多个待推荐物品中确定待推荐的推荐物品,包括:
基于所述推荐结果,对所述多个待推荐物品进行排序,确定所述待推荐的推荐物品。
本发明实施例提供了一种物品推荐装置,其特征在于,所述物品推荐装置包括获取单元和确定单元;
所述获取单元,用于获取对象对应的历史稠密特征、对象对应的历史物品特征,以及多个待推荐物品各自对应的待推荐物品特征;
所述确定单元,用于利用兴趣抽取模型,对所述待推荐物品特征,以及所述历史物品特征进行提取,确定对象兴趣特征;所述兴趣抽取模型表征提取对象兴趣特征;利用预设推荐网络,对所述历史稠密特征、所述对象兴趣特征和所述待推荐物品特征进行预测推荐,确定推荐结果;基于所述推荐结果,从所述多个待推荐物品中确定待推荐的推荐物品。
本发明实施例提供了一种物品推荐装置,其特征在于,所述物品推荐装置包括:
存储器,用于存储可执行数据指令;
处理器,用于执行所述存储器中存储的可执行指令,当所述可执行指令被执行时,所述处理器执行所述的物品推荐方法。
本发明实施例提供了一种计算机可读存储介质,其特征在于,存储有可执行指令,当所述可执行指令被一个或多个处理器执行的时候,所述处理器执行所述的物品推荐方法。
本发明实施例期望提供一种物品推荐方法及装置、计算机可读存储介质,该方法包括:获取对象对应的历史稠密特征、对象对应的历史物品特征,以及多个待推荐物品各自对应的待推荐物品特征;利用兴趣抽取模型,对所述待推荐物品特征,以及所述历史物品特征进行提取,确定对象兴趣特征;所述兴趣抽取模型表征提取对象兴趣特征;利用预设推荐网络,对所述历史稠密特征、所述对象兴趣特征和所述待推荐物品特征进行预测推荐,确定推荐结果;基于所述推荐结果,从所述多个待推荐物品中确定待推荐的推荐物品。上述方案利用对象浏览物品时的行为序列特征、时序特征和精细行为属性特征来进行对象兴趣特征提取,因为对象浏览物品的精细行为属性特征可以体现对象每次浏览的兴趣强弱,因此可以准确获得对象兴趣特征,从而解决了对象兴趣提取能力较弱的问题,提高了对象兴趣提取的准确性、提高了对象兴趣提取与待推荐物品的相关性,为用户推荐适合的物品。
图1为本发明实施例提供一种物品推荐方法的一个可选的流程示意图一;
图2为本发明实施例提供一种物品推荐方法的一个可选的流程示意图二;
图3为本发明实施例提供一种物品推荐方法的一个可选的流程示意图三;
图4为本发明实施例提供一种物品推荐方法的一个可选的流程示意图四;
图5为本发明实施例提供一种物品推荐方法的一个可选的模型示意图;
图6为本发明实施例提供一种物品推荐方法的一个可选的模型流程图;
图7为本发明实施例提供的物品推荐装置的结构示意图一;
图8为本发明实施例提供的物品推荐装置的结构示意图二。
具体实施方式
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实施例,而不是全部实施例。基于本发明的实施例,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,都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。图1是本发明实施例提供一种物品推荐方法的一个可选的流程示意图一,将结合图1示出的步骤进行说明。
S101、获取对象对应的历史稠密特征、对象对应的历史物品特征,以及多个待推荐物品各自对应的待推荐物品特征。
在本发明的一些实施例中,物品推荐方法适用于网上购物场景,对象可以为用户,物品可以为商品,本发明实施例不作限制;历史稠密特征是对获得的历史稠密数据离散化得到的;历史物品特征是对获得的历史物品数据离散化得到;待推荐物品特征是对获得的待推荐物品离散化得到。
在本发明的一些实施例中,终端可以获取用户在历史浏览商品过程中对应的稠密特征、物品特征和多个待推荐物品各自对应的待推荐物品特征。
S102、利用兴趣抽取模型,对待推荐物品特征,以及历史物品特征进行提取,确定对象兴趣特征;兴趣抽取模型表征提取对象兴趣特征。
在本发明的一些实施例中,兴趣抽取模型是基于注意力机制、用于特征提取的深度学习下(transformer)建立的,主要包含编码器(Encoder)和解码器(Decoder)。待推荐物品特征包含多个待推荐物品各自对应的待推荐物品特征。
在本发明的一些实施例中,终端可以通过兴趣抽取模型,对待推荐物品特征和历史物品特征进行特征提取,从而确定用户兴趣特征。
S103、利用预设推荐网络,对历史稠密特征、对象兴趣特征和待推荐物品特征进行预测推荐,确定推荐结果。
在本发明的一些实施例中,预设推荐网络是一个多层神经网络,这里一般为3层;多层神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。模型由大量的节点(或称“神经元”)和之间相互的联接构成。每个节点代表一种特定的输出函数,称为激励函数、激活函数(activation function)。每两个节点间的联接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式,权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。
在本发明的一些实施例中,终端可以将历史稠密特征、对象兴趣特征和待推荐物品特征进行融合后,输入到预设推荐网络,预估多个待推荐物品的点击率,确定推荐结果。
S104、基于推荐结果,从多个待推荐物品中确定待推荐的推荐物品。
在本发明的一些实施例中,推荐结果为多个待推荐物品的预估的点击率。
在本发明的一些实施例中,终端可以通过对推荐结果中多个待推荐物品的预估的点击率进行排序,从而从多个待推荐物品中确定待推荐的推荐物品。
可以理解的是,在本发明的一些实施例中,终端可以通过获取对象对应的历史稠密特征、对象对应的历史物品特征,以及多个待推荐物品各自对应的待推荐物品特征;利用兴趣抽取模型,对待推荐物品特征,以及历史物品特征进行提取,确定对象兴趣特征;兴趣抽取模型表征提取对象兴趣特征;利用预设推荐网络,对历史稠密特征、对象兴趣特征和待推荐物品特征进行预测推荐,确定推荐结果;基于推荐结果,从多个待推荐物品中确定待推荐的推荐物品,提高了对象兴趣提取的准确性、提高了对象兴趣提取与待推荐物品的相关性,提高了为用户推荐物品的准确性。
在本发明的一些实施例中,步骤S104可以由S1041实现,如下:
S1041、基于推荐结果,对多个待推荐物品进行排序,确定待推荐的推荐物品。
在本发明的一些实施例中,终端可以通过对推荐结果中每个待推荐物品的预计点击率进行排序,将预估点击率较大的待推荐物品推荐给用户。
可以理解的是,在本发明的一些实施例中,终端可以将推荐结果中预估点击率较大的待推荐物品推荐给用户,提高了给用户所推荐物品的准确度。
在本发明的一些实施例中,历史物品特征包括:多个历史子物品特征,每个历史子物品特征均不相同。图2是本发明实施例提供一种物品推荐方法的一个可选的流程示意图二,利用兴趣抽取模型,对待推荐物品特征,和历史物品特征进行提取,确定对象兴趣特征可以由S201-S202实现,将结合图2示出的步骤进行说明。
S201、通过兴趣抽取模型,对待推荐物品特征和多个历史子物品特征进行提取,得到两两历史子物品特征之间的相关性、待推荐物品特征分别与每个历史子物品特征之间的相关性。
在本发明的一些实施例中,两两历史子物品特征之间的相关性是任意两次浏览商品过程中产生各自对应的信息特征,通过对两次信息特征进行运算,得到任意两次浏览商品后所产生各自对应的信息特征之间的联系。待推荐物品特征分别与每个历史子物品特征之间的相关性是将待推荐物品对应的待推荐物品特征和每次历史物品特征进行运算,得到待推荐物品对应的待推荐物品特征分别与每次历史物品特征之间的联系。
在本发明的一些实施例中,终端可以通过待推荐物品特征和多个历史子物品特征,利用兴趣抽取模型进行提取,可以得到两两历史子物品特征之间的相关性、待推荐物品特征分别与每个历史子物品特征之间的相关性。
S202、基于两两历史子物品特征之间的相关性、待推荐物品特征分别与每个历史子物品特征之间的相关性,确定对象兴趣特征。
在本发明的一些实施例中,对象兴趣特征是根据用户历史浏览商品时产生的信息特征和多个待推荐物品特征,从中提取出用户感兴趣的商品特征。
在本发明的一些实施例中,终端可以通过两两历史子物品特征之间的相关性、待推荐物品特征分别与每个历史子物品特征之间的相关性,提取出用户感兴趣的商品特征。
可以理解的是,在本发明的一些实施例中,终端可以通过兴趣抽取模型,对待推荐物品特征和多个历史子物品特征进行提取,得到两两历史子物品特征之间的相关性、待推荐物品特征分别与每个历史子物品特征之间的相关性;基于两两历史子物品特征之间的相关性、待推荐物品特征分别与每个历史子物品特征之间的相关性,确定对象兴趣特征,可以准确的提取用户的兴趣特征,为后续确定推荐商品提供条件。
在本发明的一些实施例中,每个历史子物品特征包括:行为序列特征、时序特征和精细行为属性特征。图3是本发明实施例提供一种物品推荐方法的一个可选的流程示意图三,通过兴趣抽取模型,对待推荐物品特征和多个历史子物品特征进行提取,得到两两历史子物品特征之间的相关性、待推荐物品特征分别与每个历史子物品特征之间的相关性可以由S301-S303实现,将结合图3示出的步骤进行说明。
S301、通过每个历史子物品特征对应的精细行为属性特征、行为序列特征和时序特征,确定每个历史子物品特征对应的新的精细行为属性特征和每个历史子物品特征对应的新的行为序列特征。
在本发明的一些实施例中,以点击行为的为例,精细行为属性特征是用户在商品详页内的行为模式。其包括用户点击次数、操作次数总和、一次点击内最多操作次数、最后一次点击操作次数、在商品详页的停留总时长、一次点击内最大停留时长和最后一次点击停留时长以及跳转到该推荐位的渠道。它体现了用户每次点击的兴趣强弱。行为序列特征是用户历史点击过哪些商品、品牌、店铺、二级类目和三级类目。时序特征是每个历史点击的时间和顺序。
在本发明的一些实施例中,终端可以通过每个历史子物品特征对应的精细行为属性特征和每个历史子物品特征对应的时序特征,计算得到每个历史子物品特征对应的新的精细行为属性特征;通过每个历史子物品特征对应的行为序列特征和每个历史子物品特征对应的时序特征,计算得到每个历史子物品特征对应的新的行为序列特征。
在本发明的一些实施例中,步骤S301可以由S3011和S3012实现,如下:
S3011、利用预设建模网络,对每个历史子物品特征对应的精细行为属性特征和每个历史子物品特征对应的行为序列特征进行融合处理,得到每个历史子物品特征对应的新的精细行为属性特征。
在本发明的一些实施例中,预设建模网络是一个多层神经网络,这里一般为3层;多层神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。其包括输入层、隐含层和输出层。因为用户行为模式有所差异,例如有些用户喜欢货比三家,对所有商品停留时长都偏长,所以同样的停留时长,对于不同的用户来说代表了不同的兴趣强度;以及商品的特性有所差异,比如对于购买客单价高、标品的商品,如大型家电,用户往往会停留更长时长并进行更多操作,因此将精细行为属性特征和行为序列特征进行特征交叉,得到新的精细行为属性特征。
在本发明的一些实施例中,终端可以通过每个历史子物品特征对应的精细行为属性特征和每个历史子物品特征对应的行为序列特征,利用预设建模网络进行融合处理,得到每个历史子物品特征对应的新的精细行为特征。
示例性的,通过每个历史子物品特征对应的精细行为属性特征和每个历史子物品特征对应的行为序列特征,计算每个历史子物品特征对应的新的精细行为特征时,可以通过以下公式(1)得到。
embeddingInteraction=MLP(embeddingbehavior,embeddingsku) (1)
其中,embedding代表向量化表达;embeddingInteraction是每个历史子物品特征对应的新的精细行为属性特征;embeddingbehavior是每个历史子物品特征对应的精细行为属性特征;embeddingsku是每个历史子物品特征对应的行为序列特征;MLP代指预设建模网络。
S3012、基于每个历史子物品特征对应的行为序列特征和每个历史子物品特征对应的时序特征作和运算,得到每个历史子物品特征对应的新的行为序列特征。
在本发明的一些实施例中,考虑每次点击的时间和顺序给行为序列特征的影响,因此将行为序列特征和时序特征进行运算,得到新的精细行为属性特征。
在本发明的一些实施例中,终端可以将每个历史子物品特征对应的行为序列特征和每个历史子物品特征对应的时序特征进行相加,得到每个历史子物品特征对应的新的行为序列特征。
示例性的,通过每个历史子物品特征对应的行为序列特征和每个历史子物品特征对应的时序特征,计算每个历史子物品特征对应的新的行为序列特征时,可以通过以下公式(2)得到。
embeddingproduct=embeddingsku+embeddingposition (2)
其中,embedding代表向量化表达;embeddingproduct是每个历史子物品特征对应的新的行为序列特征;embeddingposition是每个历史子物品特征对应的时序特征;embeddingsku是每个历史子物品特征对应的行为序列特征。
可以理解的是,在本发明的一些实施例中,终端可以通过利用预设建模网络,对每个历史子物品特征对应的精细行为属性特征和每个历史子物品特征对应的行为序列特征进行融合处理,得到每个历史子物品特征对应的新的精细行为属性特征;基于每个历史子物品特征对应的行为序列特征和每个历史子物品特征对应的时序特征作和运算,得到每个历史子物品特征对应的新的行为序列特征,更新了每个历史子物品特征对应的精细行为属性特征和每个历史子物品特征对应的行为序列特征,提高了用户兴趣提取的准确性。
S302、基于每个历史子物品特征对应的新的精细行为属性特征和每个历史子物品特征对应的新的行为序列特征,进行两两相关性运算,得到两两历史子物品特征之间的相关性。
在本发明的一些实施例中,终端可以通过每个历史子物品特征对应的新的精细行为属性特征中的任意两个历史子物品各自对应的新的精细行为属性特征,计算得到两两历史物品子特征之间的精细行为属性特征相关性;通过每个历史子物品特征对应的新的行为序列特征中的任意两个历史子物品各自对应的新的行为序列特征,计算得到两两历史物品子特征之间的行为序列特征相关性;通过两两历史物品子特征之间的精细行为属性特征相关性和两两历史物品子特征之间的行为序列特征相关性,计算得到两两历史子物品特征之间的相关性。
在本发明的一些实施例中,步骤S302可以由S3021、S3022和S3023实现,如下:
S3021、通过点乘两两历史子物品特征各自对应的新的精细行为属性特征,得到两两历史物品子特征之间的精细行为属性特征相关性。
在本发明的一些实施例中,终端可以将两两历史子物品特征各自对应的新的精细行为属性特征进行点乘运算,得到两两历史物品子特征之间的精细行为属性特征相关性。
示例性的,通过两两历史子物品特征各自对应的新的精细行为属性特征,计算两两历史物品子特征之间的精细行为属性特征相关性时,可以通过以下公式(3)得到。
其中,dot指向量点乘;是两两历史子物品特征中一个历史子物品特征对应的新的精细行为属性特征,i代表两两历史子物品特征中一个历史子物品特征;是两两历史子物品特征中另一个历史子物品对应的新的精细行为属性特征,j代表两两历史子物品特征中另一个历史子物品特征;scorebehavior是两两历史物品子特征之间的精细行为属性特征相关性。
S3022、通过点乘两两历史子物品特征各自对应的新的行为序列特征,得到两两历史子物品之间的行为序列特征相关性。
在本发明的一些实施例中,终端可以将两两历史子物品特征各自对应的新的行为序列特征进行点乘运算,得到两两历史物品子特征之间的行为序列特征相关性。
示例性的,通过两两历史子物品特征各自对应的新的行为序列特征,计算两两历史物品子特征之间的行为序列特征相关性时,可以通过以下公式(4)得到。
其中,dot指向量点乘;是两两历史子物品特征中一个历史子物品特征对应的新的行为序列特征,i代表两两历史子物品特征中一个历史子物品特征;是两两历史子物品特征中另一个历史子物品对应的新的行为序列特征,j代表两两历史子物品特征中另一个历史子物品特征;scoreProduct是两两历史物品子特征之间的行为序列特征相关性。
S3023、基于两两历史物品子特征之间的精细行为属性特征相关性和两两历史物品子特征之间的行为序列特征相关性作和运算,得到两两历史子物品特征之间的相关性。
在本发明的一些实施例中,终端可以将两两历史子物品特征之间的精细行为属性特征相关性和两两历史物品子特征之间的行为序列特征相关性相加,得到两两历史物品子特征之间的相关性。
示例性的,通过两两历史子物品特征之间的精细行为属性特征相关性和两两历史物品子特征之间的行为序列特征相关性,计算两两历史物品子特征之间的相关性时,可以通过以下公式(5)得到。
scoreij=scorebehavior+scoreproduct (5)
其中,scoreij是两两历史物品子特征之间的相关性,i代表两两历史子物品特征中一个历史子物品特征,j代表两两历史子物品特征中另一个历史子物品特征;scorebehavior是两两历史物品子特征之间的精细行为属性特征相关性;scoreProduct是两两历史物品子特征之间的行为序列特征相关性。
可以理解的是,在本发明的一些实施例中,终端可以通过点乘两两历史子物品特征各自对应的新的精细行为属性特征,得到两两历史物品子特征之间的精细行为属性特征相关性;通过点乘两两历史子物品特征各自对应的新的行为序列特征,得到两两历史子物品之间的行为序列特征相关性;基于两两历史物品子特征之间的精细行为属性特征相关性和两两历史物品子特征之间的行为序列特征相关性作和运算,得到两两历史子物品特征之间的相关性,为后续确定用户兴趣特征打基础。
S303、通过每个历史子物品特征对应的新的精细行为属性特征、每个历史子物品特征对应的新的行为序列特征和待推荐物品特征,确定待推荐物品特征与每个历史子物品特征之间的相关性。
在本发明的一些实施例中,终端可以通过每个历史子物品特征对应的新的精细行为属性特征,计算得到待推荐物品特征与每个历史子物品特征之间的精细行为特征相关性;通过每个历史子物品特征对应的新的行为序列特征和待推荐物品特征,计算得到待推荐物品特征与每个历史子物品特征之间的行为序列特征相关性;通过待推荐物品特征与每个历史子物品特征之间的精细行为特征相关性、待推荐物品特征与每个历史子物品特征之间的行为序列特征相关性,计算得到待推荐物品特征与每个历史子物品特征之间的相关性。
可以理解的是,在本发明的一些实施例中,终端可以通过每个历史子物品特征对应的精细行为属性特征、行为序列特征和时序特征,确定每个历史子物品特征对应的新的精细行为属性特征和每个历史子物品特征对应的新的行为序列特征;基于每个历史子物品特征对应的新的精细行为属性特征和每个历史子物品特征对应的新的行为序列特征,进行两两相关性运算,得到两两历史子物品特征之间的相关性;通过每个历史子物品特征对应的新的精细行为属性特征、每个历史子物品特征对应的新的行为序列特征和待推荐物品特征,确定待推荐物品特征与每个历史子物品特征之间的相关性,提高了用户兴趣提取的准确性。
在本发明的一些实施例中,步骤S303可以由S3031、S3031和S3033实现,如下:
S3031、利用预设建模网络,对新的精细行为属性特征进行压缩处理,得到待推荐物品特征与每个历史子物品特征之间的精细行为特征相关性。
在本发明的一些实施例中,终端可以通过预设建模网络,对每个历史子物品特征对应的新的精细行为属性特征进行压缩处理,得到待推荐物品特征与每个历史子物品特征之间的精细行为特征相关性。
示例性的,通过一个历史子物品特征对应的新的精细行为属性特征,计算待推荐物品特征与一个历史子物品特征之间的精细行为特征相关性时,可以通过以下公式(6)得到。
其中,是两两历史子物品特征中一个历史子物品特征对应的新的精细行为属性特征,i代表两两历史子物品特征中一个历史子物品特征;MLP代指预设建模网络;是待推荐物品特征与一个历史子物品特征之间的精细行为特征相关性。
S3032、通过点乘新的行为序列特征和待推荐物品特征,得到待推荐物品特征与每个历史子物品特征之间的行为序列特征相关性。
在本发明的一些实施例中,终端可以将每个历史子物品特征对应的新的行为序列特征和待推荐物品特征进行点乘运算,压缩处理,得到待推荐物品特征与每个历史子物品特征之间的行为序列特征相关性。
示例性的,通过一个历史子物品特征对应的新的行为序列特征和待推荐物品特征,计算待推荐物品特征与一个历史子物品特征之间的行为序列特征相关性时,可以通过以下公式(7)得到。
其中,dot指向量点乘;是两两历史子物品特征中一个历史子物品特征对应的新的行为序列特征,i代表两两历史子物品特征中一个历史子物品特征;embeddingcandidate是待推荐物品特征;是待推荐物品特征与一个历史子物品特征之间的行为序列特征相关性。
S3033、基于待推荐物品特征与每个历史子物品特征之间的精细行为特征相关性、待推荐物品特征与每个历史子物品特征之间的行为序列特征相关性作和运算,得到待推荐物品特征与每个历史子物品特征之间的相关性。
在本发明的一些实施例中,终端可以将待推荐物品特征与每个历史子物品特征之间的精细行为特征相关性、待推荐物品特征与每个历史子物品特征之间的行为序列特征相关性相加,得到待推荐物品特征与每个历史子物品特征之间的相关性。
示例性的,通过待推荐物品特征与一个历史子物品特征之间的精细行为特征相关性、待推荐物品特征与一个历史子物品特征之间的行为序列特征相关性,计算待推荐物品特征与一个历史子物品特征之间的相关性时,可以通过以下公式(8)得到。
可以理解的是,在本发明的一些实施例中,终端可以通过每个历史子物品特征对应的新的精细行为属性特征,计算得到待推荐物品特征与每个历史子物品特征之间的精细行为特征相关性;通过每个历史子物品特征对应的新的行为序列特征和待推荐物品特征,计算得到待推荐物品特征与每个历史子物品特征之间的行为序列特征相关性;通过待推荐物品特征与每个历史子物品特征之间的精细行为特征相关性、待推荐物品特征与每个历史子物品特征之间的行为序列特征相关性,计算得到待推荐物品特征与每个历史子物品特征之间的相关性,为后续确定用户兴趣特征提供条件,提高了用户兴趣提取的准确性。
在本发明的一些实施例中,参见图4,图4是本发明实施例提供的物品推荐方法的一个可选的流程示意图四,在步骤S104之前,还包括S105-S106。如下:
S105、收集对象对应的历史稠密数据、对象对应的历史物品数据,以及多个待推荐物品各自对应的待推荐物品数据。
在本发明的一些实施例中,历史稠密数据是在历史购物过程中商品、用户和用户商品交互的统计信息;历史物品数据是用户历史点击过哪些商品、品牌、店铺、二级类目和三级类目,并且记录每个历史点击的时间和顺序,也包括用户每个历史点击的精细行为,包括在商品详页内的停留时长、操作次数和跳转渠道;待推荐物品数据包括商品的类别以及商品的详细信息,例如:功能,材质等等。
在本发明的一些实施例中,终端可以通过用户浏览商品所产生的记录,收集用户对应的历史稠密数据、用户对应的历史物品数据,以及多个待推荐物品各自对应的待推荐物品数据。
S106、对历史稠密数据、历史物品数据和待推荐物品数据进行特征提取和离散化处理,获取对象对应的历史稠密特征、对象对应的历史物品特征,以及多个待推荐物品各自对应的待推荐物品特征。
在本发明的一些实施例中,离散化处理是将连续的特征转化为离散的特征,便于后续的计算。
在本发明的一些实施例中,终端可以通过对历史稠密数据、历史物品数据和待推荐物品数据进行数据分析提取特征,选择数据中所有数值从小到大排列后第99%的数字作为上限,对该数据做截断,从而控制分桶的数量,然后对连续特征取对数,将该特征离散化,用低维稠密向量来表示离散化后的特征,这个向量不仅能表示该特征的信息,还能通过向量间的距离反应特征之间的相似性,从而得到向量化表示的对象对应的历史稠密特征、对象对应的历史物品特征,以及多个待推荐物品各自对应的待推荐物品特征。
可以理解的是,在本发明的一些实施例中,终端可以通过收集对象对应的历史稠密数据、对象对应的历史物品数据,以及多个待推荐物品各自对应的待推荐物品数据;对历史稠密数据、历史物品数据和待推荐物品数据进行特征提取和离散化处理,获取对象对应的历史稠密特征、对象对应的历史物品特征,以及多个待推荐物品各自对应的待推荐物品特征,为后续提取用户的兴趣特征以及确定推荐物品提供条件。
下面,将说明本发明实施例在一个实际的应用场景中的示例性应用。
在网上购物场景下,终端可以通过用户对应的历史物品特征、用户对应的的历史稠密特征和多个待推荐物品各自对应的待推荐物品特征,为用户推荐适合的物品。历史物品特征包含行为序列特征、精细行为属性特征和时序特征。
本发明实施例提供一种物品推荐方法的一个可选的模型示意图,如图5所示。图中包含行为序列特征、精细行为属性特征、时序特征、待排商品特征、稠密特征和用户兴趣特征;通过兴趣抽取模型,对行为序列特征、精细行为属性特征、时序特征和待排商品特征进行特征提取,获得用户兴趣特征;通过预设推荐网络,对稠密特征、用户兴趣特征和待排商品特征进行推荐预测,得到点击率预估值,从而确定推荐商品。
示例性的,本发明实施例提供一种物品推荐方法的一个可选的模型流程图,如图6所示,该物品推荐方法可以包括以下步骤:
1、离线特征收集。
终端可以通过用户历史浏览商品的记录,收集到用户的稠密特征、商品特征和多个待排商品各自对应的待排商品特征。
需要说明的是,用户的稠密特征和商品特征都是用户历史浏览商品所产生的,相当于对象对应的历史稠密数据、对象对应的历史物品数据,多个待排商品各自对应的待排商品特征相当于多个待推荐物品各自对应的待推荐物品数据。
2、特征预处理。
终端可以通过对用户的稠密特征、商品特征和多个待排商品各自对应的待排商品特征进行分桶处理,然后对将特征离散化,最后再将离散化的特征用向量表示,得到向量化后的用户的稠密特征、商品特征和多个待排商品各自对应的待排商品特征。
需要说明的是,向量化后的用户的稠密特征、商品特征和多个待排商品各自对应的待排商品特征相当于对象对应的历史稠密特征、对象对应的历史物品特征和多个待推荐物品各自对应的待推荐物品特征。
3、用户兴趣提取。
终端可以通过将向量化后的用户的稠密特征、商品特征和多个待排商品各自对应的待排商品特征,输入到兴趣提取模型,确定用户兴趣特征。
4、点击率预估。
终端通过预设推荐网络,对用户兴趣特征与稠密特征、待排商品特征进行预测,得到每个待排商品的预估点击率。对每个待排商品的预估点击率进行排序,选择预估点击率较大的待排商品推送给用户。
可以理解的是,终端可以获取商品特征、待排商品特征和稠密特征;然后将连续特征进行分桶离散化,再将离散化后的特征向量化;将预处理后的商品特征和待排商品特征一起输入兴趣提取模型在兴趣提取模型中进行耦合;最后将用户兴趣特征与待排商品特征、稠密特征输入预设推荐网络,获取点击率预估值,确定推荐商品;上述方法更加精准地提取了用户兴趣特征,解决用户兴趣的提取与筛选不够精准的问题。
基于上述实施例的物品推荐方法,本发明实施例还提供了一种物品推荐装置,如图7所述,图7为本发明实施例提供的一种对象再识别的结构示意图,该装置包括:获取单元701、确定单元702;其中,
所述获取单元701,用于获取对象对应的历史稠密特征、对象对应的历史物品特征,以及多个待推荐物品各自对应的待推荐物品特征;
所述确定单元702,用于利用兴趣抽取模型,对所述待推荐物品特征,以及所述历史物品特征进行提取,确定对象兴趣特征;所述兴趣抽取模型表征提取对象兴趣特征;利用预设推荐网络,对所述历史稠密特征、所述对象兴趣特征和所述待推荐物品特征进行预测推荐,确定推荐结果;基于所述推荐结果,从所述多个待推荐物品中确定待推荐的推荐物品。
在本发明的一些实施例中,历史物品特征包括:多个历史子物品特征;
所述获取单元701,用于通过所述兴趣抽取模型,对所述待推荐物品特征和所述多个历史子物品特征进行提取,得到两两历史子物品特征之间的相关性、待推荐物品特征分别与每个历史子物品特征之间的相关性;
所述确定单元702,用于基于所述两两历史子物品特征之间的相关性、所述待推荐物品特征分别与每个历史子物品特征之间的相关性,确定所述对象兴趣特征。
在本发明的一些实施例中,每个历史子物品特征包括:行为序列特征、时序特征和精细行为属性特征;
所述确定单元702,用于通过所述每个历史子物品特征对应的所述精细行为属性特征、所述行为序列特征和所述时序特征,确定所述每个历史子物品特征对应的新的精细行为属性特征和所述每个历史子物品特征对应的新的行为序列特征;
所述获取单元701,用于基于所述每个历史子物品特征对应的所述新的精细行为属性特征和所述每个历史子物品特征对应的所述新的行为序列特征,进行两两相关性运算,得到所述两两历史子物品特征之间的相关性;
所述确定单元702,用于通过所述每个历史子物品特征对应的所述新的精细行为属性特征、所述每个历史子物品特征对应的所述新的行为序列特征和所述待推荐物品特征,确定所述待推荐物品特征与每个历史子物品特征之间的相关性。
在本发明的一些实施例中,所述获取单元701,用于利用预设建模网络,对所述每个历史子物品特征对应的所述精细行为属性特征和所述每个历史子物品特征对应的所述行为序列特征进行融合处理,得到所述每个历史子物品特征对应的新的精细行为属性特征;基于所述每个历史子物品特征对应的所述行为序列特征和所述每个历史子物品特征对应的所述时序特征作和运算,得到所述每个历史子物品特征对应的新的行为序列特征。
在本发明的一些实施例中,所述获取单元701,用于通过点乘两两历史子物品特征各自对应的所述新的精细行为属性特征,得到所述两两历史物品子特征之间的精细行为属性特征相关性;通过点乘两两历史子物品特征各自对应的所述新的行为序列特征,得到所述两两历史子物品之间的行为序列特征相关性;基于所述两两历史物品子特征之间的精细行为属性特征相关性和所述两两历史物品子特征之间的行为序列特征相关性作和运算,得到所述两两历史子物品特征之间的相关性。
在本发明的一些实施例中,所述获取单元701,用于利用预设建模网络,对所述新的精细行为属性特征进行压缩处理,得到所述待推荐物品特征与每个历史子物品特征之间的精细行为特征相关性;通过点乘所述新的行为序列特征和所述待推荐物品特征,得到所述待推荐物品特征与每个历史子物品特征之间的行为序列特征相关性;基于所述待推荐物品特征与每个历史子物品特征之间的精细行为特征相关性、所述待推荐物品特征与每个历史子物品特征之间的行为序列特征相关性作和运算,得到所述待推荐物品特征与每个历史子物品特征之间的相关性。
在本发明的一些实施例中,所述物品推荐装置还包括收集单元703;
所述收集单元703,用于收集对象对应的历史稠密数据、对象对应的历史物品数据,以及多个待推荐物品各自对应的待推荐物品数据;
所述获取单元701,用于对所述历史稠密数据、所述历史物品数据和所述待推荐物品数据进行特征提取和离散化处理,获取所述对象对应的历史稠密特征、所述对象对应的历史物品特征,以及所述多个待推荐物品各自对应的待推荐物品特征。
在本发明的一些实施例中,所述确定单元702,用于基于所述推荐结果,对所述多个待推荐物品进行排序,确定所述待推荐的推荐物品。
基于上述实施例的物品推荐方法,本发明实施例还提供一种物品推荐装置,如图8所示,图8为本发明实施例提供的一种物品推荐装置的结构示意图,该装置包括:处理器801和存储器802;存储器801存储处理器可执行的一个或者多个程序,当一个或者多个程序被执行时,通过处理器802执行如前所述实施例的任意一种对象再识别方法本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (11)
1.一种物品推荐方法,其特征在于,所述方法包括:
获取对象对应的历史稠密特征、对象对应的历史物品特征,以及多个待推荐物品各自对应的待推荐物品特征;
利用兴趣抽取模型,对所述待推荐物品特征,以及所述历史物品特征进行提取,确定对象兴趣特征;所述兴趣抽取模型表征提取对象兴趣特征;
利用预设推荐网络,对所述历史稠密特征、所述对象兴趣特征和所述待推荐物品特征进行预测推荐,确定推荐结果;
基于所述推荐结果,从所述多个待推荐物品中确定待推荐的推荐物品。
2.根据权利要求1中所述的方法,其特征在于,所述历史物品特征包括:多个历史子物品特征;
所述利用兴趣抽取模型,对所述待推荐物品特征,以及所述历史物品特征进行提取,确定对象兴趣特征,包括:
通过所述兴趣抽取模型,对所述待推荐物品特征和所述多个历史子物品特征进行提取,得到两两历史子物品特征之间的相关性、待推荐物品特征分别与每个历史子物品特征之间的相关性;
基于所述两两历史子物品特征之间的相关性、所述待推荐物品特征分别与每个历史子物品特征之间的相关性,确定所述对象兴趣特征。
3.根据权利要求2中所述的方法,其特征在于,每个历史子物品特征包括:行为序列特征、时序特征和精细行为属性特征;
所述通过所述兴趣抽取模型,对所述待推荐物品特征和所述多个历史子物品特征进行提取,得到两两历史子物品特征之间的相关性、待推荐物品特征分别与每个历史子物品特征之间的相关性,包括:
通过所述每个历史子物品特征对应的所述精细行为属性特征、所述行为序列特征和所述时序特征,确定所述每个历史子物品特征对应的新的精细行为属性特征和所述每个历史子物品特征对应的新的行为序列特征;
基于所述每个历史子物品特征对应的所述新的精细行为属性特征和所述每个历史子物品特征对应的所述新的行为序列特征,进行两两相关性运算,得到所述两两历史子物品特征之间的相关性;
通过所述每个历史子物品特征对应的所述新的精细行为属性特征、所述每个历史子物品特征对应的所述新的行为序列特征和所述待推荐物品特征,确定所述待推荐物品特征与每个历史子物品特征之间的相关性。
4.根据权利要求3中所述的方法,其特征在于,所述通过所述每个历史子物品特征对应的所述精细行为属性特征、所述行为序列特征和所述时序特征,确定所述每个历史子物品特征对应的新的精细行为属性特征和所述每个历史子物品特征对应的新的行为序列特征,包括:
利用预设建模网络,对所述每个历史子物品特征对应的所述精细行为属性特征和所述每个历史子物品特征对应的所述行为序列特征进行融合处理,得到所述每个历史子物品特征对应的新的精细行为属性特征;
基于所述每个历史子物品特征对应的所述行为序列特征和所述每个历史子物品特征对应的所述时序特征作和运算,得到所述每个历史子物品特征对应的新的行为序列特征。
5.根据权利要求3中所述的方法,其特征在于,所述基于所述每个历史子物品特征对应的所述新的精细行为属性特征和所述每个历史子物品特征对应的所述新的行为序列特征,进行两两相关性运算,得到所述两两历史子物品特征之间的相关性,包括:
通过点乘两两历史子物品特征各自对应的所述新的精细行为属性特征,得到所述两两历史物品子特征之间的精细行为属性特征相关性;
通过点乘两两历史子物品特征各自对应的所述新的行为序列特征,得到所述两两历史子物品之间的行为序列特征相关性;
基于所述两两历史物品子特征之间的精细行为属性特征相关性和所述两两历史物品子特征之间的行为序列特征相关性作和运算,得到所述两两历史子物品特征之间的相关性。
6.根据权利要求3中所述的方法,其特征在于,所述通过所述每个历史子物品特征对应的所述新的精细行为属性特征、所述每个历史子物品特征对应的所述新的行为序列特征和所述待推荐物品特征,确定所述待推荐物品特征与每个历史子物品特征之间的相关性,包括:
利用预设建模网络,对所述新的精细行为属性特征进行压缩处理,得到所述待推荐物品特征与每个历史子物品特征之间的精细行为特征相关性;
通过点乘所述新的行为序列特征和所述待推荐物品特征,得到所述待推荐物品特征与每个历史子物品特征之间的行为序列特征相关性;
基于所述待推荐物品特征与每个历史子物品特征之间的精细行为特征相关性、所述待推荐物品特征与每个历史子物品特征之间的行为序列特征相关性作和运算,得到所述待推荐物品特征与每个历史子物品特征之间的相关性。
7.根据权利要求1至6任一项中所述的方法,其特征在于,所述获取对象对应的历史稠密特征、对象对应的历史物品行为和时间特征,以及多个待推荐物品特征之前,所述方法还包括:
收集对象对应的历史稠密数据、对象对应的历史物品数据,以及多个待推荐物品各自对应的待推荐物品数据;
对所述历史稠密数据、所述历史物品数据和所述待推荐物品数据进行特征提取和离散化处理,获取所述对象对应的历史稠密特征、所述对象对应的历史物品特征,以及所述多个待推荐物品各自对应的待推荐物品特征。
8.根据权利要求1至7任一项中所述的方法,其特征在于,所述基于所述推荐结果,从所述多个待推荐物品中确定待推荐的推荐物品,包括:
基于所述推荐结果,对所述多个待推荐物品进行排序,确定所述待推荐的推荐物品。
9.一种物品推荐装置,其特征在于,包括:
获取单元,用于获取对象对应的历史稠密特征、对象对应的历史物品特征,以及多个待推荐物品各自对应的待推荐物品特征;
确定单元,用于利用兴趣抽取模型,对所述待推荐物品特征,以及所述历史物品特征进行提取,确定对象兴趣特征;所述兴趣抽取模型表征提取对象兴趣特征;利用预设推荐网络,对所述历史稠密特征、所述对象兴趣特征和所述待推荐物品特征进行预测推荐,确定推荐结果;基于所述推荐结果,从所述多个待推荐物品中确定待推荐的推荐物品。
10.一种物品推荐装置,其特征在于,包括:
存储器,用于存储可执行数据指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至8任一项所述的方法。
11.一种计算机可读存储介质,其特征在于,存储有可执行指令,用于引起处理器执行时,实现权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111250466.3A CN113988977A (zh) | 2021-10-26 | 2021-10-26 | 一种商品推荐方法及装置、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111250466.3A CN113988977A (zh) | 2021-10-26 | 2021-10-26 | 一种商品推荐方法及装置、计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113988977A true CN113988977A (zh) | 2022-01-28 |
Family
ID=79741926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111250466.3A Pending CN113988977A (zh) | 2021-10-26 | 2021-10-26 | 一种商品推荐方法及装置、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988977A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911912A (zh) * | 2023-09-12 | 2023-10-20 | 深圳须弥云图空间科技有限公司 | 一种交互对象和交互结果的预测方法及装置 |
-
2021
- 2021-10-26 CN CN202111250466.3A patent/CN113988977A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911912A (zh) * | 2023-09-12 | 2023-10-20 | 深圳须弥云图空间科技有限公司 | 一种交互对象和交互结果的预测方法及装置 |
CN116911912B (zh) * | 2023-09-12 | 2024-03-15 | 深圳须弥云图空间科技有限公司 | 一种交互对象和交互结果的预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A convolutional click prediction model | |
CN107622427B (zh) | 深度学习的方法、装置及系统 | |
CN111222332B (zh) | 一种结合注意力网络和用户情感的商品推荐方法 | |
Omar et al. | A hybrid neural network model for sales forecasting based on ARIMA and search popularity of article titles | |
TW201626310A (zh) | 用戶興趣資料分析和收集系統及其方法 | |
CN108665311B (zh) | 一种基于深度神经网络的电商用户时变特征相似性计算推荐方法 | |
US11544295B2 (en) | Search system and search method for finding new relationships between material property parameters | |
CN110910218A (zh) | 一种基于深度学习的多行为迁移推荐方法 | |
CN110580489B (zh) | 一种数据对象的分类系统、方法以及设备 | |
CN115544242B (zh) | 基于大数据的同类商品选型推荐方法 | |
CN108153792A (zh) | 一种数据处理方法和相关装置 | |
KR102520651B1 (ko) | 독립적 상품추천 서비스 구축시스템 및 이를 이용한 상품추천 서비스 제공방법 | |
CN113946754A (zh) | 基于用户画像的权益推荐方法、装置、设备及存储介质 | |
Malik et al. | EPR-ML: E-Commerce Product Recommendation Using NLP and Machine Learning Algorithm | |
CN115495654A (zh) | 基于子空间投影神经网络的点击率预估方法和装置 | |
CN113988977A (zh) | 一种商品推荐方法及装置、计算机可读存储介质 | |
Umaashankar et al. | Atlas: A dataset and benchmark for e-commerce clothing product categorization | |
CN111523315A (zh) | 数据处理方法、文本识别方法、装置及计算机设备 | |
CN111680213A (zh) | 信息推荐方法、数据处理方法及装置 | |
CN114780862B (zh) | 一种用户兴趣向量提取方法、提取模型及计算机系统 | |
Elwakil et al. | Construction knowledge discovery system using fuzzy approach | |
CN116757747A (zh) | 基于行为序列和特征重要性的点击率预测方法 | |
CN113377640B (zh) | 解释业务场景下模型的方法、介质、装置和计算设备 | |
CN111899063A (zh) | 一种考虑顾客消费行为和偏好的生鲜农产品在线推荐方法 | |
CN112328899A (zh) | 信息处理方法、信息处理装置、存储介质与电子设备 |
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 |