CN114385828A - 产品推荐方法、装置、介质及电子设备 - Google Patents
产品推荐方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN114385828A CN114385828A CN202210029839.2A CN202210029839A CN114385828A CN 114385828 A CN114385828 A CN 114385828A CN 202210029839 A CN202210029839 A CN 202210029839A CN 114385828 A CN114385828 A CN 114385828A
- Authority
- CN
- China
- Prior art keywords
- product
- relation
- paths
- recommendation
- target
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及人工智能和大数据领域,揭示了一种产品推荐方法、装置、介质及电子设备。该方法包括:在关系知识图谱中遍历,得到多类关系路径;获取各类关系路径包括的关系路径的数量;根据关系路径的数量,构建与各类关系路径对应的矩阵;对与各类关系路径对应的矩阵进行调整,得到调整后矩阵;对调整后矩阵进行拼接,得到拼接矩阵;根据拼接矩阵对模型进行训练,得到产品推荐模型,并对初始权重值进行调整,得到最终权重值;基于产品推荐模型向目标用户推荐目标产品;根据关系路径的数量和各类关系路径对应的最终权重值,确定目标类关系路径;基于目标类关系路径对应的原因信息,输出推荐理由。此方法可实现精准推荐,使推荐结果具有可解释性。
Description
技术领域
本公开涉及人工智能和大数据技术领域,特别涉及一种产品推荐方法、装置、介质及电子设备。
背景技术
推荐系统是先进互联网中不可或缺的重要技术。因为互联网时代信息产生的速度爆炸性增长,靠用户自己去检索来获取信息的效率十分低下,所以效果好的推荐系统可以大大提升用户获取信息的效率,也可以为内容平台带来更高的收益。知识图谱的图结构中隐藏着丰富的信息,传统的基于协同过滤等方式的推荐系统往往不能挖掘出其中的信息,因此推荐精准度较低,推荐效果十分有限。
发明内容
在人工智能和大数据技术领域,为了解决上述技术问题,本公开的目的在于提供一种产品推荐方法、装置、介质及电子设备。
根据本公开的一方面,提供了一种产品推荐方法,所述方法包括:
在用户与产品的关系知识图谱中进行遍历,得到与各个用户和产品对相对应的多类关系路径,其中,每一类关系路径包括至少一条关系路径;
针对所述每一类关系路径,进行路径计数,得到各类关系路径所包括的关系路径的数量;
根据各类关系路径所包括的关系路径的数量,构建与各类关系路径相对应的矩阵;
根据与各类关系路径对应的初始权重值,对与各类关系路径相对应的矩阵内的元素进行调整,得到调整后矩阵;
对各类关系路径对应的调整后矩阵进行拼接,得到拼接矩阵;
根据所述拼接矩阵对神经网络模型进行训练,得到产品推荐模型,并对与各类关系路径对应的初始权重值进行调整,得到最终权重值;
基于所述产品推荐模型向目标用户推荐目标产品;
根据所述目标用户与所述目标产品所对应的各类关系路径所包括的关系路径的数量和各类关系路径对应的最终权重值,确定目标类关系路径;
基于所述目标类关系路径对应的原因信息,生成推荐理由,并将所述推荐理由输出。
根据本公开的另一方面,提供了一种产品推荐装置,所述装置包括:
遍历模块,被配置为在用户与产品的关系知识图谱中进行遍历,得到与各个用户和产品对相对应的多类关系路径,其中,每一类关系路径包括至少一条关系路径;
计数模块,被配置为针对所述每一类关系路径,进行路径计数,得到各类关系路径所包括的关系路径的数量;
构建模块,被配置为根据各类关系路径所包括的关系路径的数量,构建与各类关系路径相对应的矩阵;
矩阵调整模块,被配置为根据与各类关系路径对应的初始权重值,对与各类关系路径相对应的矩阵内的元素进行调整,得到调整后矩阵;
拼接模块,被配置为对各类关系路径对应的调整后矩阵进行拼接,得到拼接矩阵;
训练和调整模块,被配置为根据所述拼接矩阵对神经网络模型进行训练,得到产品推荐模型,并对与各类关系路径对应的初始权重值进行调整,得到最终权重值;
推荐模块,被配置为基于所述产品推荐模型向目标用户推荐目标产品;
确定模块,被配置为根据所述目标用户与所述目标产品所对应的各类关系路径所包括的关系路径的数量和各类关系路径对应的最终权重值,确定目标类关系路径;
生成模块,被配置为基于所述目标类关系路径对应的原因信息,生成推荐理由,并将所述推荐理由输出。
根据本公开的另一方面,提供了一种计算机可读程序介质,其存储有计算机程序指令,当所述计算机程序指令被计算机执行时,使计算机执行如前所述的方法。
根据本公开的另一方面,提供了一种电子设备,所述电子设备包括:
处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如前所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果:
对于本公开所提供的产品推荐方法、装置、介质及电子设备,该方法包括如下步骤:在用户与产品的关系知识图谱中进行遍历,得到与各个用户和产品对相对应的多类关系路径,其中,每一类关系路径包括至少一条关系路径;针对所述每一类关系路径,进行路径计数,得到各类关系路径所包括的关系路径的数量;根据各类关系路径所包括的关系路径的数量,构建与各类关系路径相对应的矩阵;根据与各类关系路径对应的初始权重值,对与各类关系路径相对应的矩阵内的元素进行调整,得到调整后矩阵;对各类关系路径对应的调整后矩阵进行拼接,得到拼接矩阵;根据所述拼接矩阵对神经网络模型进行训练,得到产品推荐模型,并对与各类关系路径对应的初始权重值进行调整,得到最终权重值;基于所述产品推荐模型向目标用户推荐目标产品;根据所述目标用户与所述目标产品所对应的各类关系路径所包括的关系路径的数量和各类关系路径对应的最终权重值,确定目标类关系路径;基于所述目标类关系路径对应的原因信息,生成推荐理由,并将所述推荐理由输出。
此方法下,通过先对用户与产品的关系知识图谱中的各类关系路径进行路径计数,然后根据计数结果构建矩阵,在利用初始权重值对矩阵调整后,一方面,利用对各调整后矩阵进行拼接得到的拼接矩阵训练得到产品推荐模型,并通过产品推荐模型向目标用户推荐目标产品,由于产品推荐模型的训练利用了更加广泛的信息,因此可以实现精准的个性化推荐;另一方面,还对各初始权重值进行调整,得到最终权重值,并根据关系路径的数量和最终权重值确定目标类关系路径。最终,基于目标类关系路径对应的原因信息,生成推荐理由,可以使得推荐结果更具有可解释性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种产品推荐方法的系统架构示意图;
图2是根据一示例性实施例示出的一种产品推荐方法的的流程图;
图3是根据一示例性实施例示出的基于产品推荐模型向目标用户推荐目标产品的流程图;
图4是根据一示例性实施例示出的生成推荐理由的流程图;
图5是根据一示例性实施例示出的一种产品推荐装置的框图;
图6是根据一示例性实施例示出的一种实现上述产品推荐方法的电子设备示例框图;
图7是根据一示例性实施例示出的一种实现上述产品推荐方法的程序产品。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。
正如背景技术部分所述的那样,传统的推荐方式对数据挖掘的程度有限,不能挖掘出深层次信息,导致推荐精度低、推荐效果差;而且相关技术往往不具备可解释性,使得相关人员无从知晓做出具体推荐的真正原因,导致无法对推荐结果进一步进行应用。
为此,本公开首先提供了一种产品推荐方法。通过该方法可以克服以上缺陷,不仅可以精准进行推荐,而且能够提高可解释性,从而可以将推荐结果进一步应用到辅助营销等场景中。
本公开的实施终端可以是任何具有运算、处理以及通信功能的设备,该设备可以与外部设备相连,用于接收或者发送数据,具体可以是便携移动设备,例如智能手机、平板电脑、笔记本电脑、PDA(Personal Digital Assistant)等,也可以是固定式设备,例如,计算机设备、现场终端、台式电脑、服务器、工作站等,还可以是多个设备的集合,比如云计算的物理基础设施或者服务器集群。
可选地,本公开的实施终端可以为服务器或者云计算的物理基础设施。
图1是根据一示例性实施例示出的一种产品推荐方法的系统架构示意图。如图1所示,该系统架构包括移动终端110、服务器120以及图数据库130,移动终端110与服务器120之间、图数据库130与服务器120之间均通过通信链路连接。服务器120为本公开实施例的实施终端,服务器120上部署有神经网络模型、平台的服务端;移动终端110上部署有平台的客户端;图数据库130内设置有用户与产品的关系知识图谱。当本公开提供的产品推荐方法应用于图1所示的系统架构中时,具体过程可以是这样的:首先,服务器120通过对图数据库130中的关系知识图谱进行遍历,并针对遍历得到的各类关系路径进行路径计数,构建与各类关系路径相对应的矩阵;然后,服务器120根据各类关系路径的初始权重,对矩阵进行调整,然后对调整后矩阵进行拼接,得到拼接矩阵,并利用拼接矩阵训练成产品推荐模型,同时,还可以对各类关系路径的初始权重进行调整,得到最终权重;接下来,移动终端110的目标用户通过客户端向服务器120请求登录之后,服务器120就可以利用产品推荐模型向客户端返回目标产品,从而实现向目标用户推荐目标产品;此外,服务器120还可以根据目标用户和目标产品之间的关系路径以及各类关系路径的最终权重,生成推荐理由,并将推荐理由返回给移动终端110的目标用户。
在本公开的一个实施例中,所述平台为购物平台或在线视频平台。
值得一提的是,图1仅为本公开的一个实施例,虽然在图1实施例中的目标用户所在终端为移动终端,但在本申请的其他实施例中,目标用户所在终端还可以是台式计算机等固定式终端;虽然在图1实施例中,由实施终端向同一终端设备提供推荐出的目标产品以及相应的推荐理由,但在本申请的其他实施例中,实施终端还可以向不同的终端设备分别提供推荐出的目标产品和推荐理由。本公开对此不作任何限定,本公开的保护范围也不应因此而受到任何限制。
图2是根据一示例性实施例示出的一种产品推荐方法的的流程图。如图2所示,包括以下步骤:
步骤210,在用户与产品的关系知识图谱中进行遍历,得到与各个用户和产品对相对应的多类关系路径。
其中,每一类关系路径包括至少一条关系路径。
此处的产品可以是各种以数字化方式表示的产品信息,具体可以是电影、保险等服务类产品,还可以是家用电器、数码产品、零食等实体产品。
用户与产品的关系知识图谱可以存储在图数据库中。在用户与产品的关系知识图谱中,用户和产品都是以实体的形式存在的,用户和产品依据关系知识图谱中的关系路径建立联系。因此,每个用户和产品对就代表一组用户和产品之间关联关系。
比如,在电影推荐场景中,用户与电影之间可以存在如下两类关系路径:
第一类关系路径:用户->电影->电影类别->电影;
第二类关系路径:用户->用户->电影。
第一类关系路径表示了和用户喜欢某电影相同类别的电影;第二类关系路径表示了用户好友喜欢的电影。通过两类关系路径指向的这些电影都是用户更倾向于喜欢的电影。一共可以设置K类关系路径,每一类关系路径都可以包括一条或多条关系路径。
在一个实施例中,所述在用户与产品的关系知识图谱中进行遍历,得到与各个用户和产品对相对应的多类关系路径,包括:
基于广度优先遍历方式在用户与产品的关系知识图谱中进行遍历,得到与各个用户和产品对相对应的多类关系路径。
在本实施例中,通过利用广度优先遍历的方式对关系知识图谱进行遍历,可以提高遍历效率,进而可以提高产品推荐的效率。
步骤220,针对所述每一类关系路径,进行路径计数,得到各类关系路径所包括的关系路径的数量。
对一类关系路径进行路径计数操作,可得到该类关系路径所包括的关系路径的数量。
如前所述,每一类关系路径可以包括一条或多条关系路径,因此,通过对每一类关系路径包括的关系路径进行路径计数操作,可以得到对应的关系路径的数量。具体地,还是以电影推荐场景为例,对于前面所说的第二类关系路径,就是针对每一用户和每一电影,确定该用户的好友中喜欢该电影的好友数量。
对于第一类关系路径,具体可以包括的关系路径为:
小明喜欢阿凡达属于科幻片被属于流浪地球
小王喜欢速度与激情属于动作片被属于警察故事
其中,小王和小明为用户,阿凡达、流浪地球、速度与激情和警察故事为电影,科幻片和动作片为电影类别;通过路径计数,可以得到第一类关系路径所包括的关系路径的数量为2。
步骤230,根据各类关系路径所包括的关系路径的数量,构建与各类关系路径相对应的矩阵。
在矩阵中,可以以各用户为行,以各产品为列,将每一用户和产品对在该类关系路径下的关系路径的数量作为所构建的矩阵中的元素。最终可以得到K个矩阵Ai,其中,K为各类关系路径的数量,i表示第K个矩阵中的第i个矩阵,矩阵Ai的大小为用户数*产品数。
步骤240,根据与各类关系路径对应的初始权重值,对与各类关系路径相对应的矩阵内的元素进行调整,得到调整后矩阵。
对于每一类关系路径,都根据其对应的初始权重值,对相应矩阵内的元素进行调整。
根据初始权重值对矩阵内的元素进行调整可以通过将初始权重值与矩阵内的各个元素相乘的方式进行。各类关系路径对应的初始权重值可以xi。对K个矩阵分别进行调整,可以得到K个调整后矩阵。
各类关系路径对应的初始权重值可以由人工根据专家经验进行设置。
步骤250,对各类关系路径对应的调整后矩阵进行拼接,得到拼接矩阵。
将K个调整后矩阵按照一定顺序进行组合,可以得到拼接矩阵。
步骤260,根据所述拼接矩阵对神经网络模型进行训练,得到产品推荐模型,并对与各类关系路径对应的初始权重值进行调整,得到最终权重值。
此处的神经网络模型可以是各种类型的,比如,可以是多层感知器(MLP,Multilayer Perceptron)等多层神经网络,也可以是深度神经网络。
设置相应的目标函数,在训练神经网络模型时基于目标函数进行学习,以用户是否喜欢产品为输出结果,根据输出结果和目标函数调整神经网络模型中各个层的参数,从而可以实现对神经网络模型的训练。针对每一类关系路径,对该类关系路径对应的初始权重值进行调整和更新,可以得到该类关系路径对应的一个最终权重值。
在一个实施例中,所述根据所述拼接矩阵对神经网络模型进行训练,得到产品推荐模型,并对与各类关系路径对应的初始权重值进行调整,得到最终权重值,包括:
根据所述拼接矩阵对神经网络模型进行训练,并在训练的过程中对所述神经网络模型中与各类关系路径对应的初始权重值进行调整,得到最终权重值。
由于本实施例可以在对模型训练的过程中对初始权重值进行调整,因此,初始权重值是以神经网络模型的参数的形式存在的。具体地,可以在神经网络模型中设置用于调整各个初始权重值的连接通路,在模型训练过程中,通过反向传播的方式,对初始权重值进行调整。
在一个实施例中,所述根据所述拼接矩阵对神经网络模型进行训练,得到产品推荐模型,并对与各类关系路径对应的初始权重值进行调整,得到最终权重值,包括:
根据所述拼接矩阵对神经网络模型进行训练,得到产品推荐模型;
以与各类关系路径对应的初始权重值作为产品预测模型中的初始化参数,对所述产品预测模型进行训练,将训练好的所述产品预测模型中参数作为最终权重值。
产品预测模型和产品推荐模型是不同的两个模型。但产品预测模型和产品推荐模型类似,都可以用于输出用户所需的产品。产品预测模型和产品推荐模型可以都采用神经网络模型,产品预测模型还可以采用逻辑回归模型等其他类型的模型。
本实施例与上述实施例的不同之处在于,权重值是单独作为参数进行训练的,无需在神经网络模型中添加相应的通路,可以减少单次训练的成本。
步骤270,基于所述产品推荐模型向目标用户推荐目标产品。
目标用户可以为一个用户,也可以为多个用户。在一些网络平台上,目标用户以账号进行唯一标识。具体来说,可以将目标用户和目标产品的信息加入至关系知识图谱中,构建与目标用户对应的拼接矩阵,然后将拼接矩阵输入至产品推荐模型中进行推荐。产品推荐模型可以输出目标用户对各个产品的推荐分数。
在一个实施例中,所述基于所述产品推荐模型向目标用户推荐目标产品,包括:获取所述产品推荐模型针对目标用户输出的各产品的推荐分数;将推荐分数最高的产品作为目标产品,并将所述目标产品向目标用户推荐。
在本实施例中,通过将推荐分数最高的产品向用户推荐,保证了推荐产品的精准性。
在一个实施例中,所述基于所述产品推荐模型向目标用户推荐目标产品,包括:对所述产品推荐模型针对目标用户输出的各产品的推荐分数从大到小进行排序;将排在前预定数目的产品作为目标产品,将目标产品加入至推荐列表中,并将所述推荐列表向目标用户推送。
预定数目可以是根据经验设定的任意数目,比如可以是3。
在本实施例中,以列表的方式实现了对多个产品的同时推荐。
图3是根据一示例性实施例示出的基于产品推荐模型向目标用户推荐目标产品的流程图。如图3所示,可以包括以下步骤:
步骤310,根据所述产品推荐模型确定向目标用户推荐的第一候选目标产品。
如前所述,获得的产品推荐模型可以对用户进行产品推荐。
步骤320,基于预设的备用产品推荐模型确定向目标用户推荐的第二候选目标产品。
备用产品推荐模型是基于其他方式建立的推荐系统,比如可以是于协同过滤等方式的推荐系统,因此,备用产品推荐模型也可以用来向用户推荐产品。
步骤330,若所述第一候选目标产品和所述第二候选目标产品一致,则以所述第一候选目标产品或所述第二候选目标产品为目标产品,并将所述目标产品向目标用户推荐。
当第一候选目标产品和第二候选目标产品一致时,说明产品推荐模型推荐的准确性较高,因此,可以确保向目标用户推荐的产品的准确性。
步骤340,若所述第一候选目标产品和所述第二候选目标产品不一致,则在所述第一候选目标产品和所述第二候选目标产品中选择一个作为目标产品,并将所述目标产品向目标用户推荐。
由于单一的推荐模型的推荐机制是固化的,用户的喜好也可能在不断变化,因此,使用单一的推荐模型在一些情况下可能向用户推荐出不为用户所喜欢的产品,在本实施例中,通过加入备用产品推荐模型,只有在两个产品推荐模型推荐的产品一致时,才直接将产品推荐模型确定出的产品推荐给用户,从而打破了固化机制,在一定程序上可以更可能使用户获取到所喜好的产品。
在一个实施例中,所述在所述第一候选目标产品和所述第二候选目标产品中选择一个作为目标产品,包括:在所述第一候选目标产品和所述第二候选目标产品中任意选择一个作为目标产品。
在一个实施例中,所述在所述第一候选目标产品和所述第二候选目标产品中选择一个作为目标产品,包括:按照预设概率在所述第一候选目标产品和所述第二候选目标产品中选择一个作为目标产品,其中,选择所述第一候选目标产品的概率大于选择所述第二候选目标产品的概率。
具体来说,选择第一候选目标产品的概率可以为0.6,选择第二候选目标产品的概率可以为0.4。可以通过生成随机数的方式来实现按照概率选择候选目标产品。比如,可以随机生成一个位于[0,10]区间的数字,若该数字大于6则选择第二候选目标产品,否则,选择第一候选目标产品。
由于产品推荐模型的精度要高于备用产品推荐模型,本实施例通过使选择第一候选目标产品的概率大于选择第二候选目标产品的概率,从而在打破固化的推荐机制的同时,保证推荐的准确性。
在一个实施例中,所述基于所述产品推荐模型向目标用户推荐目标产品,包括:将由所述产品推荐模型向目标用户推荐的产品作为候选推荐产品;从所述候选推荐产品中选出属于热门产品列表的热门产品,并将选出的热门产品作为目标产品向目标用户推荐。
热门产品列表中的热门产品是销量较大的产品,比如可以是月销量达到一定阈值的产品。因此,从候选推荐产品中选出属于热门产品列表的热门产品相当于确定候选推荐产品和热门产品列表中热门产品的交集。在本实施例中,通过在模型推荐出的产品中选出热门产品作为目标产品,进一步提高了用户喜欢向其推荐的产品的可能性。
步骤280,根据所述目标用户与所述目标产品所对应的各类关系路径所包括的关系路径的数量和各类关系路径对应的最终权重值,确定目标类关系路径。
具体地,针对每一类关系路径,将该类关系路径所包括的关系路径的数量乘以该类关系路径对应的最终权重值,得到该类关系路径对应的权重评分,将对应的权重评分最大的一类关系路径作为目标类关系路径。因此,目标类关系路径反映了其在向目标用户推荐目标产品时起到的作用最大。
此外,还可以对各类关系路径按照对应的权重评分从大到小排序,将排在前预定数目的各类关系路径作为目标类关系路径。
步骤290,基于所述目标类关系路径对应的原因信息,生成推荐理由,并将所述推荐理由输出。
推荐理由可以和目标产品一同输出,还可以和目标产品分别输出。既可以将推荐理由输出给目标用户,也可以将推荐理由输出给其他用户。
各类关系路径对应的原因信息可以预先进行设置。比如,前面所说的第二类关系路径对应的原因信息可以是:用户的好友喜欢该电影。
在一个实施例中,所述基于所述目标类关系路径对应的原因信息,生成推荐理由,包括:以所述目标类关系路径对应的原因信息为模板,将与所述目标用户和/或所述目标产品相关的信息填充至所述模板中,得到推荐理由。
具体而言,与目标用户和/或目标产品相关的信息可以包括目标用户的名称、目标产品的类别、目标用户的好友中喜欢目标产品的数量占比等等。
在本实施例中,通过将信息填充至模板来生成推荐理由,使得获得的推荐理由能够符合人类的阅读习惯。
图4是根据一示例性实施例示出的生成推荐理由的流程图。如图4所示,包括以下步骤:
步骤410,根据所述目标类关系路径对应的原因信息,生成原始推荐理由。
原始推荐理由可以通过将信息填充至模板的方式生成,此处不再赘述。
步骤420,利用训练好的文本改写模型,对所述原始推荐理由进行改写,得到推荐理由。
在有些情况下,生成的推荐理由可能存在语法错误、上下文不通顺、重复表述等问题,在本实施例中,通过先利用模型对推荐理由进行改写,再进行输出,可以使输出的推荐理由语法规范,也更加通顺。
在一个实施例中,在利用训练好的文本改写模型,对所述原始推荐理由进行改写,得到推荐理由之前,所述方法还包括:利用文本数据集进行模型训练,得到训练好的文本改写模型,其中,所述文本数据集包括原始文本和对所述原始文本进行人工改写后的文本。
具体地,可以使用该原始文本以及人工改写后的文本来训练一个文本改写模型。文本改写模型通过预测改写标签的方式来训练,即对每一个词标注增/删/改等标签,用端到端的模型进行训练,模型可选用基于Transformer的文本处理模型。用这种方式即可实现对文本的改写,从而产生出通顺的推荐理由。
在一个实施例中,所述方法还包括:根据所述推荐理由满足预定条件,停止向目标用户推荐目标产品。
预定条件可以根据经验进行设置,比如当推荐理由中包含指定的词语时确定满足预定条件。
换而言之,在本实施例中,先执行步骤270,在执行步骤270过程中,可以先确定出目标产品,并不进行推荐,然后再执行步骤290,根据生成的推荐理由判断是否满足预定条件来确定是否执行步骤270中的推荐部分,如果满足预定条件,则执行步骤270中的推荐部分,否则不再推荐该目标产品。
在本实施例中,通过根据推荐理由对是否推荐目标产品进行控制,降低了向用户推荐不适当产品的可能性。
综上所述,根据本公开实施例提供的产品推荐方法,通过先对用户与产品的关系知识图谱中的各类关系路径进行路径计数,然后根据计数结果构建矩阵,在利用初始权重值对矩阵调整后,一方面,利用对各调整后矩阵进行拼接得到的拼接矩阵训练得到产品推荐模型,并通过产品推荐模型向目标用户推荐目标产品,基于知识图谱的强大推理能力,使得产品推荐模型的训练利用了更加广泛的信息,因此可以实现精准的个性化推荐;另一方面,还对各初始权重值进行调整,得到最终权重值,并根据关系路径的数量和最终权重值确定目标类关系路径。最终,基于目标类关系路径对应的原因信息,生成通顺的推荐理由,可以使得推荐结果更具有可解释性。
本公开还提供了一种产品推荐装置,以下是本公开的装置实施例。
图5是根据一示例性实施例示出的一种产品推荐装置的框图。如图5所示,装置500包括:
遍历模块510,被配置为在用户与产品的关系知识图谱中进行遍历,得到与各个用户和产品对相对应的多类关系路径,其中,每一类关系路径包括至少一条关系路径;
计数模块520,被配置为针对所述每一类关系路径,进行路径计数,得到各类关系路径所包括的关系路径的数量;
构建模块530,被配置为根据各类关系路径所包括的关系路径的数量,构建与各类关系路径相对应的矩阵;
矩阵调整模块540,被配置为根据与各类关系路径对应的初始权重值,对与各类关系路径相对应的矩阵内的元素进行调整,得到调整后矩阵;
拼接模块550,被配置为对各类关系路径对应的调整后矩阵进行拼接,得到拼接矩阵;
训练和调整模块560,被配置为根据所述拼接矩阵对神经网络模型进行训练,得到产品推荐模型,并对与各类关系路径对应的初始权重值进行调整,得到最终权重值;
推荐模块570,被配置为基于所述产品推荐模型向目标用户推荐目标产品;
确定模块580,被配置为根据所述目标用户与所述目标产品所对应的各类关系路径所包括的关系路径的数量和各类关系路径对应的最终权重值,确定目标类关系路径;
生成模块590,被配置为基于所述目标类关系路径对应的原因信息,生成推荐理由,并将所述推荐理由输出。
根据本公开的第三方面,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本发明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以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“实施例方法”部分中描述的根据本发明各种示例性实施方式的步骤。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)621和/或高速缓存存储单元622,还可以进一步包括只读存储单元(ROM)623。
存储单元620还可以包括具有一组(至少一个)程序模块625的程序/实用工具624,这样的程序模块625包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行,比如与显示单元640通信。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
根据本公开的第四方面,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图7所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品700,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、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。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种产品推荐方法,其特征在于,所述方法包括:
在用户与产品的关系知识图谱中进行遍历,得到与各个用户和产品对相对应的多类关系路径,其中,每一类关系路径包括至少一条关系路径;
针对所述每一类关系路径,进行路径计数,得到各类关系路径所包括的关系路径的数量;
根据各类关系路径所包括的关系路径的数量,构建与各类关系路径相对应的矩阵;
根据与各类关系路径对应的初始权重值,对与各类关系路径相对应的矩阵内的元素进行调整,得到调整后矩阵;
对各类关系路径对应的调整后矩阵进行拼接,得到拼接矩阵;
根据所述拼接矩阵对神经网络模型进行训练,得到产品推荐模型,并对与各类关系路径对应的初始权重值进行调整,得到最终权重值;
基于所述产品推荐模型向目标用户推荐目标产品;
根据所述目标用户与所述目标产品所对应的各类关系路径所包括的关系路径的数量和各类关系路径对应的最终权重值,确定目标类关系路径;
基于所述目标类关系路径对应的原因信息,生成推荐理由,并将所述推荐理由输出。
2.根据权利要求1所述的方法,其特征在于,所述根据所述拼接矩阵对神经网络模型进行训练,得到产品推荐模型,并对与各类关系路径对应的初始权重值进行调整,得到最终权重值,包括:
根据所述拼接矩阵对神经网络模型进行训练,并在训练的过程中对所述神经网络模型中与各类关系路径对应的初始权重值进行调整,得到最终权重值。
3.根据权利要求1所述的方法,其特征在于,所述基于所述产品推荐模型向目标用户推荐目标产品,包括:
根据所述产品推荐模型确定向目标用户推荐的第一候选目标产品;
基于预设的备用产品推荐模型确定向目标用户推荐的第二候选目标产品;
若所述第一候选目标产品和所述第二候选目标产品一致,则以所述第一候选目标产品或所述第二候选目标产品为目标产品,并将所述目标产品向目标用户推荐;
若所述第一候选目标产品和所述第二候选目标产品不一致,则在所述第一候选目标产品和所述第二候选目标产品中选择一个作为目标产品,并将所述目标产品向目标用户推荐。
4.根据权利要求3所述的方法,其特征在于,所述在所述第一候选目标产品和所述第二候选目标产品中选择一个作为目标产品,包括:
按照预设概率在所述第一候选目标产品和所述第二候选目标产品中选择一个作为目标产品,其中,选择所述第一候选目标产品的概率大于选择所述第二候选目标产品的概率。
5.根据权利要求1所述的方法,其特征在于,所述基于所述产品推荐模型向目标用户推荐目标产品,包括:
将由所述产品推荐模型向目标用户推荐的产品作为候选推荐产品;
从所述候选推荐产品中选出属于热门产品列表的热门产品,并将选出的热门产品作为目标产品向目标用户推荐。
6.根据权利要求1所述的方法,其特征在于,所述基于所述目标类关系路径对应的原因信息,生成推荐理由,包括:
以所述目标类关系路径对应的原因信息为模板,将与所述目标用户和/或所述目标产品相关的信息填充至所述模板中,得到推荐理由。
7.根据权利要求1所述的方法,其特征在于,所述基于所述目标类关系路径对应的原因信息,生成推荐理由,包括:
根据所述目标类关系路径对应的原因信息,生成原始推荐理由;
利用训练好的文本改写模型,对所述原始推荐理由进行改写,得到推荐理由。
8.一种产品推荐装置,其特征在于,所述装置包括:
遍历模块,被配置为在用户与产品的关系知识图谱中进行遍历,得到与各个用户和产品对相对应的多类关系路径,其中,每一类关系路径包括至少一条关系路径;
计数模块,被配置为针对所述每一类关系路径,进行路径计数,得到各类关系路径所包括的关系路径的数量;
构建模块,被配置为根据各类关系路径所包括的关系路径的数量,构建与各类关系路径相对应的矩阵;
矩阵调整模块,被配置为根据与各类关系路径对应的初始权重值,对与各类关系路径相对应的矩阵内的元素进行调整,得到调整后矩阵;
拼接模块,被配置为对各类关系路径对应的调整后矩阵进行拼接,得到拼接矩阵;
训练和调整模块,被配置为根据所述拼接矩阵对神经网络模型进行训练,得到产品推荐模型,并对与各类关系路径对应的初始权重值进行调整,得到最终权重值;
推荐模块,被配置为基于所述产品推荐模型向目标用户推荐目标产品;
确定模块,被配置为根据所述目标用户与所述目标产品所对应的各类关系路径所包括的关系路径的数量和各类关系路径对应的最终权重值,确定目标类关系路径;
生成模块,被配置为基于所述目标类关系路径对应的原因信息,生成推荐理由,并将所述推荐理由输出。
9.一种计算机可读程序介质,其特征在于,其存储有计算机程序指令,当所述计算机程序指令被计算机执行时,使计算机执行根据权利要求1至7中任一项所述的方法。
10.一种电子设备,其特征在于,所述电子设备包括:
处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210029839.2A CN114385828A (zh) | 2022-01-12 | 2022-01-12 | 产品推荐方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210029839.2A CN114385828A (zh) | 2022-01-12 | 2022-01-12 | 产品推荐方法、装置、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114385828A true CN114385828A (zh) | 2022-04-22 |
Family
ID=81202638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210029839.2A Pending CN114385828A (zh) | 2022-01-12 | 2022-01-12 | 产品推荐方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114385828A (zh) |
-
2022
- 2022-01-12 CN CN202210029839.2A patent/CN114385828A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11983269B2 (en) | Deep neural network system for similarity-based graph representations | |
US10943497B2 (en) | Personalized e-learning using a deep-learning-based knowledge tracing and hint-taking propensity model | |
US11120801B2 (en) | Generating dialogue responses utilizing an independent context-dependent additive recurrent neural network | |
JP7449919B2 (ja) | 自律型エージェントおよびシソーラスを用いるデータベースのための自然言語インターフェイス | |
US11816439B2 (en) | Multi-turn dialogue response generation with template generation | |
US20240054328A1 (en) | Graph neural network systems for generating structured representations of objects | |
CN107145940B (zh) | 压缩的递归神经网络模型 | |
CN110825884B (zh) | 基于人工智能的嵌入表示处理方法、装置及电子设备 | |
US11550871B1 (en) | Processing structured documents using convolutional neural networks | |
US10169718B2 (en) | System and method for defining and using different levels of ground truth | |
US20190164084A1 (en) | Method of and system for generating prediction quality parameter for a prediction model executed in a machine learning algorithm | |
US9430738B1 (en) | Automated emotional clustering of social media conversations | |
US20160092771A1 (en) | Analysis of social media messages | |
US20220245424A1 (en) | Microgenre-based hyper-personalization with multi-modal machine learning | |
KR102410260B1 (ko) | 인공지능 기반 광고 콘텐츠 자동 생성 및 확인 방법, 장치 및 시스템 | |
US11354378B2 (en) | Web experience augmentation based on local and global content preferences | |
JP2023512135A (ja) | オブジェクト推薦方法及び装置、コンピュータ機器並びに媒体 | |
US20190378506A1 (en) | Method and apparatus for synthesizing adaptive data visualizations | |
WO2019000472A1 (zh) | 导航方法、装置、存储介质以及服务器 | |
CN116992151A (zh) | 一种基于双塔图卷积神经网络的在线课程推荐方法 | |
US11653071B2 (en) | Responsive video content alteration | |
US20220179910A1 (en) | Using graph queries to obtain results from machine learning models | |
US10678800B2 (en) | Recommendation prediction based on preference elicitation | |
US20220091713A1 (en) | Systems and methods for generating dynamic interface options using machine learning models | |
CN114385828A (zh) | 产品推荐方法、装置、介质及电子设备 |
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 |