CN114820126A - 面向惊喜度的产品推荐方法、装置及存储介质 - Google Patents

Abstract

本申请提供一种面向惊喜度的产品推荐及相关设备，可以实现对用户更具惊喜性、粒度更小的产品推荐。该方法包括：根据目标用户所对应的历史行为记录确定目标用户与初始候选产品之间的弹性因子；基于弹性因子以及历史产品与候选产品的相似性对初始候选产品集合进行筛选，以得到目标候选产品集合；根据历史行为记录确定兴趣影响因子；根据兴趣影响因子确定目标用户对目标产品类型所对应的每个方面的方面评级；确定当前时刻目标候选产品的产品评分、目标候选产品所对应的嵌入向量以及所述目标候选产品所对应的兴趣聚类；根据兴趣聚类、兴趣影响因子、目标产品类型中每个方面的方面评级以及产品评分将目标候选产品集中的候选产品向目标用户推荐。

Description

面向惊喜度的产品推荐方法、装置及存储介质

【技术领域】

本申请属于推荐领域，特别涉及一种面向惊喜度的产品推荐方法、装置及存储介质。

【背景技术】

推荐系统旨在从种类繁多的商品世界中向用户推荐他们可能会使用的商品，目前，大多数推荐系统都以准确性为优化目标，力图向用户推荐最相关的商品，但是这并没有带来用户接受率和满意度的持续上升。相反，过度准确会带来信息茧房及过滤气泡等问题，这使得惊喜度推荐受到了日益广泛的关注，致力于提供能够引起用户兴趣但处于其发现能力以外的推荐结果。

电商、音乐、电影等在线平台使用推荐系统为用户在各种各样的商品和文化产品中挑选更符合用户心意的选项。现有的惊喜度推荐技术，是基于用户的历史使用和评分行为对商品进行惊喜度推荐，该推荐技术粒度较大，且不能基于用户的方面兴趣演变进行推荐。

【发明内容】

本申请提供一种面向惊喜度的产品推荐方法、装置及存储介质，可以实现对用户更具惊喜性和粒度更小的产品推荐，从而改善用户体验。

本申请第一方面提供了一种面向惊喜度的产品推荐方法，包括：

根据目标用户所对应的历史行为记录确定所述目标用户与初始候选产品集合中每个初始候选产品之间的弹性因子；

基于所述弹性因子以及历史产品与候选产品的相似性对所述初始候选产品集合进行筛选，以得到目标候选产品集合；

根据所述历史行为记录确定所述目标产品类型所对应的每个方面的每个行为的兴趣影响因子，所述目标产品类型为所述目标候选产品所对应的产品类型，所述目标候选产品为所述目标候选产品集合中的任意一个候选产品；

根据所述目标产品类型所对应的每个方面的每个行为的兴趣影响因子确定重要行为的集合，进而确定所述目标用户对目标产品类型所对应的每个方面的方面评级；

确定当前时刻所述目标候选产品的产品评分、所述目标候选产品所对应的嵌入向量以及所述符合所述目标产品类型的所有产品基于最优方面的兴趣聚类；

根据所述兴趣聚类、所述兴趣影响因子、所述目标产品类型中每个方面的方面评级以及所述产品评分将所述目标候选产品集中的候选产品向所述目标用户推荐。

本申请第二方面提供了一种面向惊喜度的产品推荐装置，包括：

弹性因子确定单元，用于根据目标用户所对应的历史行为记录确定所述目标用户与初始候选产品集合中每个初始候选产品之间的弹性因子；

筛选单元，用于根据所述弹性因子以及历史产品与候选产品的相似性对所述初始候选产品集合进行筛选，以得到目标候选产品集合；

影响因子确定单元，用于根据所述历史行为记录确定所述目标产品类型所对应的每个方面的每个行为的兴趣影响因子，所述目标产品类型为所述目标候选产品所对应的产品类型，所述目标候选产品为所述目标候选产品集合中的任意一个候选产品；

方面评级确定单元，用于根据所述目标产品类型所对应的每个方面的每个行为的兴趣影响因子确定重要行为的集合，进而确定所述目标用户对目标产品类型所对应的每个方面的方面评级；

综合确定单元，用于确定当前时刻所述目标候选产品的产品评分、所述目标候选产品所对应的嵌入向量以及所述符合所述目标产品类型的所有产品基于最优方面的兴趣聚类；

推荐单元，用于根据所述兴趣聚类、所述兴趣影响因子、所述目标产品类型中每个方面的方面评级以及所述产品评分将所述目标候选产品集中的候选产品向所述目标用户推荐。

本申请实施例第三方面提供了一种计算机设备，其包括至少一个连接的处理器、存储器和收发器，其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中的程序代码来执行上述第一方面所述的面向惊喜度的产品推荐方法的步骤。

本申请实施例第四方面提供了一种计算机存储介质，其包括指令，当其在计算机上运行时，使得计算机执行上述任一方面所述的面向惊喜度的产品推荐方法的步骤。

相对于相关技术，本申请提供的实施例中，在向用户推荐产品时，结合弹性因子、历史产品与候选产品的相似性初步选取用户感兴趣的产品作为候选产品，再基于方面特征预测基础评分，并且考虑到不同类型的方面偏好的演化方式，通过兴趣影响因子、兴趣聚类、用户对产品类型的方面评级以及衰减函数确定用户对候选产品的惊喜度，由此可以实现对用户更具惊喜性、粒度更小的惊喜度推荐，从而改善用户体验

【附图说明】

图1为本申请实施例提供的面向惊喜度的产品推荐方法的流程示意图；

图2为本申请实施例提供的门控循环单元的示意图；

图3为本申请实施例提供的潜在空间中的行为聚类的示意图；

图4为本申请实施例提供的面向惊喜度的产品推荐装置的虚拟结构示意图；

图5为本申请实施例提供的服务器的硬件结构示意图。

【具体实施方式】

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。

下面从面向惊喜度的产品推荐装置的角度对面向惊喜度的产品推荐方法的进行说明，该面向惊喜度的产品推荐装置可以为服务器，也可以为服务器中的服务单元，具体不做限定。

请结合参阅图1，图1为本申请实施例提供的面向惊喜度的产品推荐方法的流程示意图，包括：

101、根据目标用户所对应的历史行为记录确定目标用户与初始候选产品集合中每个初始候选产品之间的弹性因子以及历史行为记录中的历史产品与每个初始候选产品之间的相似性。

本实施例中，面向惊喜度的产品推荐装置可以获取目标用户所对应的历史行为记录，并根据目标用户所对应的历史行为记录确定目标用户与初始候选产品集合中每个初始候选产品之间的弹性因子，其中，该历史行为记录包括用户的商品评论集合以及每条评论对应的整体分数，同时，面向惊喜度的产品推荐装置还可以确定历史行为记录中的历史产品与每个初始候选产品之间的相似度，此处的相似度指的是余弦相似度，具体不限定确定相似度的方式。

一个实施例中，面向惊喜度的产品推荐装置根据目标用户所对应的历史行为记录确定目标用户与初始候选产品集合中每个初始候选产品之间的弹性因子包括：

根据历史行为记录确定目标用户所对应的产品类别多样性和目标用户所对应的方面多样性；

根据产品类别多样性和方面多样性确定目标用户所对应的用户弹性；

根据历史行为记录确定初始候选产品集合中的每个初始候选产品所对应的用户群体多样性和每个初始候选产品所对应的方面普及性；

根据用户群体多样性和方面普及性确定候选产品所对应的产品弹性；

根据目标用户的用户弹性以及候选产品所对应的产品弹性确定弹性因子。

本实施例中，推荐产品给用户所带来的惊喜度与用户的接受程度和商品的受众程度有关，用户对于自己接受能力之外的产品或者太过熟悉的产品会缺乏兴趣，相反，他们对于在自己的接受能力内，却具有一定新颖性的产品会更加有兴趣，并且会给他们带来惊喜。面向惊喜度的产品推荐装置在获取到目标用户所对应的历史行为记录之后，可以首先根据该历史行为记录确定目标用户所对应的产品类别多样性和目标用户所对应的方面多样性，并根据产品类别多样性和方面多样性确定目标用户所对应的用户弹性，用户弹性代表用户接受不同产品的能力，与用户相关的产品类别越丰富，则此用户接受不同产品的能力也越强。用户对于某一类商品所关注的方面数量(即方面多样性)也会影响用户对同一类的不同产品的接受程度，此处用归一化处理后的D(G)和D(A^m)来表示目标用户所对应的产品类别多样性和目标用户所对应的方面多样性，方面多样性是指历史行为记录中用户对于产品类别为c_m的产品所关注的方面数量，那么目标用户所对应的用户弹性

由D(G)和D(A^m)共同决定，具体的用户弹性

可以通过如下两个公式中的任意一个来进行计算：

需要说明的是，上述的公式仅为举例说明，当然也还可以使用其他的公式进行计算，具体不做限定。

之后，面向惊喜度的产品推荐装置可以根据历史行为记录确定初始候选产品集合中的每个初始候选产品所对应的用户群体多样性和每个初始候选产品所对应的方面普及性，并根据用户群体多样性和方面普及性确定候选产品所对应的产品弹性，产品弹性表示产品被不同用户接受的概率，其中，用户群体的多样性与用户年龄、职业以及群体本身大小有关，方面普及性与产品评分高的方面数量有关。分别用归一化处理后的D(U)和D(A)来表示每个初始候选产品的用户群体多样性和方面普及性，那么每个候选产品的产品弹性E(p_j)由D(U)和D(A)共同决定。D(U)由使用过初始候选产品的用户年龄段集合大小、职业集合的大小以及群体本身大小加权得到，D(A)是根据每个初始候选产品的平均分高于某个阈值的方面数量来决定的；另外，归一化处理的方式也有很多，比如平均分高于某个阈值的方面数量/该类别产品的方面总数。

最后，面向惊喜度的产品推荐装置根据目标用户所对应的用户弹性以及每个初始候选产品所对应的产品弹性确定弹性因子，弹性因子E(ui,pj)表示仅在考虑弹性而不考虑用户和产品之间关联性的前提下，用户接受候选产品的能力，E(ui,pj)由

和E(pj)加权得到。具体的，可以通过如下公式来确定弹性因子：

其中，δ为每个候选产品的产品弹性E(pj)的权重。

需要说明的是，上述的公式仅为举例说明，当然也还可以使用其他的公式进行计算，具体不做限定。

102、根据弹性因子以及相似性对初始候选产品集合进行筛选，以得到目标候选产品集合。

本实施例中，面向惊喜度的产品推荐装置在确定弹性因子之后，可以根据弹性因子、历史产品与候选产品的相似性对初始候选产品集合进行筛选，以得到目标候选产品集合。下面对如何进行筛选得到目标候选产品集合进行详细说明：

一个实施例中，面向惊喜度的产品推荐装置根据弹性因子以及相似性对初始候选产品集合进行筛选，以得到目标候选产品集合包括：

根据相似性以及弹性因子确定更新因子；

基于更新因子确定目标用户对每个初始候选产品的兴趣状态；

根据所述目标用户对每个初始候选产品的兴趣状态确定目标候选产品集合。

本实施例中，面向惊喜度的产品推荐装置可以根据相似性以及弹性因子确定GRU模型的更新门的更新因子，之后基于更新因子确定目标用户对每个初始候选产品的兴趣状态。

目标用户对于每个初始候选产品的兴趣状态是在向目标用户推荐时首先要考虑的一个重要因素，只有当目标用户对初始候选产品的兴趣状态达到某一程度时，才能将其作为目标候选产品进一步进行惊喜度度量和推荐。在现实生活中，用户的偏好是随时间动态变化的，因此，为了进行更好的产品推荐，捕捉和探索这些用户偏好的动态变化将会更加准确的预测用户当前对于某一产品的兴趣状态。

首先面向惊喜度的产品推荐装置将目标用户的历史行为记录按时间排序，并将排序后的历史行为序列通过一个嵌入层生成嵌入向量，每一个历史行为都会对应一个嵌入向量，嵌入向量是门控循环单元(gated recurrent unit，GRU)的输入，其中，GRU是一种常用的门控循环神经网络；

然后利用GRU来对每一个历史行为进行处理，即用门控机制控制输入(输入是历史行为序列中每个行为所对应的嵌入向量，如图2中的e(i))及记忆(记忆是在当前时间步之前的GRU所处理得到的隐藏状态，如图2中的h′(T-1))等信息，从而预测当前时刻目标用户对于每个初始候选产品的兴趣状态。GRU有两个门，一个重置门(reset gate)和一个更新门(update gate)。从直观上来说，重置门决定了如何将当前时间步输入给GRU的历史行为所对应的嵌入向量与当前时间步之前GRU所处理得到的隐藏状态相结合，更新门定义了前面记忆保存到当前时间步的量。

考虑到用户的弹性会随时间不断变化，而弹性因子的大小会影响用户当前时间步的隐藏状态，将同样的产品分别推荐给两个用户，弹性因子越大的，其对该产品的接受能力更强，则兴趣更大，反之兴趣很小，因此在更新门中引入弹性因子来控制当前时间步的行为所产生的兴趣状态对最终兴趣状态的预测所带来的影响。同时，目标用户对于每个初始候选产品的最终兴趣状态只与历史行为记录中，与候选产品相似的产品的历史行为有关，因此，应该增强相关历史行为的影响，而减弱无关行为对当前兴趣状态的影响，在更新门中结合每个候选产品与当前时间步的产品(该当前时间步的产品是指当前时间步所处理的历史行为中的产品，如图2所示，有T个时间步，每个时间步都有一个历史产品相对应)的余弦相似性Sim来达到这种效果，即在更新门中引入注意力机制，将弹性因子和Sim作为注意力权重重新计算更新因子，从而生成目标用户对于每个初始候选产品的最终兴趣状态。公式如下：

u_t＝σ(W^ui_t+U^uh_t-1+b^u)

r_t＝σ(W^ri_t+U^rh_t-1+b^r)

其中，a＝μE(ui,pj)+(1-μ)Sim为注意力权重，E(ui,pj)为弹性因子，Sim为相似性，μ为弹性因子的权重，ut为更新门，σ为sigmoid函数，通过这个函数可以将数据变换为0-1范围内的数值，从而来充当门控信号，i_t为当前时间步的输入，i_t＝e_b(t)代表历史行为序列中第t个行为的嵌入向量，r_t为重置门，h_t-1为上一个时间步传递下来的隐藏状态，

为候选隐藏层状态，主要是包含了t时刻输入的i_t的信息和有针对性地对t-1时刻的隐藏层状态h_t-1的保留，

为经注意力权重处理后的更新门，ht为第t个GRU的最终的隐藏状态，W^u、U^u、U^r、W^r、W^h以及U^h均为GRU模型的参数或者权值矩阵。

给定兴趣阈值h，当且仅当目标用户当前对初始候选产品p_j的兴趣状态

时，将初始候选产品p_j纳入目标候选产品集。由此可以从初始候选产品集合中进行筛选，得到目标候选产品集。

需要说明的是，为了根据目标用户的历史行为序列来预测目标用户对于初始候选产品集合中每个初始候选产品的兴趣状态，只有当兴趣状态达到某一程度时，才能将其推荐给目标用户。由于目标用户在每完成一个历史行为后，其弹性就会发生变化，而其对候选产品的接受程度会随之变化，所以将每个历史行为的发生后目标用户与候选产品之间的弹性因子(用户-产品弹性)引入更新门。再者，由于目标用户对于初始候选产品的兴趣往往只与部分历史行为有关，相似产品的使用对与预测目标用户的兴趣状态会产生更大的影响，因此应减弱不相关产品的使用对预测的影响，所以引入历史行为的产品与候选产品的余弦相似度，以增强或减弱这种影响。由此，将弹性因子和相似度加权作为注意力权重来重新计算更新门的值，从而可以更加动态地预测用户对于候选产品的兴趣状态。

103、根据历史行为记录确定目标方面所对应的每个行为的兴趣影响因子。

本实施例中，面向惊喜度的产品推荐装置可以根据历史行为记录确定目标方面所对应的每个行为的兴趣影响因子，其中，目标方面为目标产品类型所对应的任意一个方面，目标产品类型为目标候选产品所对应的产品类型，目标候选产品为目标候选产品集合中的任意一个候选产品。下面对如何确定目标方面所对应的每个行为的兴趣影响因子进行具体说明：

用户评论可以对用户给出的产品评分进行更加细粒度的解释，因此深入地挖掘用户评论，从评论中可以得到用户对商品的方面偏好。当向目标用户推荐候选商品时，可以根据目标用户的历史方面偏好信息，向该目标用户推荐该方面属性较好的商品。目标用户对于不同类型的产品，具有不同的方面偏好，因此，要分类处理目标用户的评论及评分数据，首先对于目标用户，将其历史评论按产品类别分类，并按时间排序，接下来都将以目标产品类别c_m为单位，通过以下步骤确定目标用户的方面特征序列并确定目标用户的方面偏好的类型：

步骤1、提取历史行为记录中每一条评论的历史方面评分及历史方面权重；利用LARA算法提取目标用户的每一条评论的历史方面评分及历史方面权重，则每一条评论得到一个三元组集合

称为评论的方面特征，其中

分别为归一化处理后的历史方面评分和历史方面权重。

步骤2、根据历史方面评分及所述历史方面权重确定目标产品类型所对应的每个方面的特征序列以及计算历史记录中目标产品类型所对应的每个方面的每个行为的兴趣影响因子；

在获得目标用户对于目标产品类型所对应的产品在若干个方面特征序列后，根据每一个方面特征序列来计算目标用户针对该目标产品类型所对应的产品的各个方面的兴趣评级。用户在一段时间内提及的频率越高，用户遗忘的概率越小，同时用户关于某一方面的评级和权重也可以带给用户积极或者消极的影响，基于此将用户的方面偏好区分为瞬间偏好、短期偏好和长期偏好。

首先量化目标用户在每一个时间点的使用行为对目标用户今后在该方面的兴趣会带来怎样的影响，本申请中提出兴趣影响因子来对此进行度量。关于目标用户评论的历史方面评级和历史方面权重一共有4种可能的情况，分别为权重高评分也高、权重低而评分高、权重低评分也低、权重高而评分低。第一、二种情况会让目标用户在使用过该产品后加深对该方面的兴趣偏好，第三种情况对于用户的兴趣偏好不会带来很大的影响，而第四种情况会弱化用户对该方面兴趣偏好。因此将方面k在t_j时刻的兴趣影响因子定义为：

其中，

为方面k在t_j时刻的兴趣影响因子，方面k为目标产品类型所对应的方面中的任意一个方面，

分别为归一化处理后的历史方面评分和历史方面权重。

需要说明的是，兴趣影响因子是为了量化用户历史行为中，每一类产品的若干个使用记录，给用户在该类产品的各个方面带来了消极影响还是积极影响，以及影响程度。

104、根据目标方面所对应的每个行为的兴趣影响因子确定所述目标用户对目标产品类型所对应的每个方面的方面评级。

本实施例中，面向惊喜度的产品推荐装置在确定每个方面的每个行为的兴趣影响因子之后，可以根据兴趣影响因子确定目标用户对目标产品类型所对应的每个方面的方面评级，也即可以首先根据兴趣影响因子确定目标用户所对应的重要行为的集合，进而确定目标用户对目标产品类型所对应的每个方面的方面评级。具体的，可以确定目标产品类型所对应的每个方面的特征序列，并根据目标产品类型所对应的每个方面的特征序列以及目标产品类型所对应的每个方面的每个行为的兴趣影响因子确定重要行为的集合，进而确定目标用户对目标产品类型的每个方面的兴趣评级。

具体的，对目标用户所有评论的方面特征进行整理，对于目标产品类型c_m，按照方面类型k将这些评论所对应的三元组按照时间排序，得到目标产品类型c_m所对应的每个方面k的特征序列，可以通过如下形式来进行标识：

对于每一个方面特征序列

可以得到，针对目标产品类别c_m的方面k，目标用户ui的重要行为的集合

目标用户的历史行为在不断的影响着目标用户当前对于目标候选产品的兴趣程度，而随着时间的推移，兴趣也会不断演化，通过利用目标用户方面k的特征序列中相关的历史行为所包含的积极或消极的兴趣影响因子来度量目标用户的偏好程度，进而得到目标用户对方面k的兴趣评级，具体可以通过如下公式来度量目标用户对目标产品类型中每个方面的兴趣评级：

其中，

为目标用户对目标产品类型中每个方面k的兴趣评级，δ和θ是用来划分兴趣评级的两个阈值，instantaneous_preference表示瞬时偏好，short-term_preference表示短期偏好，long-term_preference长期偏好。

假设下面是目标用户在衣服类产品的使用记录中，关于衣服材质方面的特征序列：

方面评分预示着目标用户在衣服材质方面的评价或者满意度，而方面权重预示着目标用户对于衣服材质方面的重视程度。将两者归一化，理想情况下，如果评分高于权重，意味着该产品在衣服材质方面带给目标用户的影响是积极的，或者说会促进目标用户对衣服材质方面的偏好，反之亦然。

比如：

t₀时刻：

则代表t₀时刻目标用户使用(购买)的衣服类的产品没有达到自己的标准，或者说于自己的重视程度不匹配，将会减弱目标用户在衣服材质方面的偏好，反之亦然。

t₁时刻：目标用户已经使用(购买)过两次衣服类的产品，分别在衣服材质方面都会有一个评分和权重，t₁时刻，目标用户的对于衣服材质方面的偏好会受到t₀和t₁两次使用的影响，不考虑每一次的使用对用户偏好所带来的影响是会随时间衰减的，而认为每个行为所带来的影响将会以相等的程度分配到未来的所有行为上，也包括当前行为，所以直接将行为的影响除以该段时间内的评论总条数，然后将所有行为对当前时刻的影响相加，用来表示该时刻用户对于该方面的偏好，所以t₁时刻的兴趣影响因子

t₂时刻：同理t₂时刻的兴趣影响因子

以此类推，可以得到t_q时刻的兴趣影响因子：

重要行为的集合定义为：

既然兴趣影响因子可以表示用户过去的行为对现在的方面偏好带来的影响，也就是说它可以表示某时刻用户对于该方面的偏好。设定一个阈值ε，当

则代表t_j时刻，用户对方面k是感兴趣的，就将该行为添加到B^k集合中，反之则不感兴趣。

继而得到：

凡是添加在B^k集合中的行为，就代表该行为发生后用户对该方面是感兴趣的，所以可以根据B^k中的行为数

相对与方面k的行为总数

的大小来区分三种偏好类型。

105、确定当前时刻目标候选产品的产品评分、目标候选产品所对应的嵌入向量以及目标候选产品所对应的兴趣聚类。

本实施例中，面向惊喜度的产品推荐装置可以确定当前时刻目标候选产品的产品评分、目标候选产品所对应的嵌入向量以及每个的兴趣聚类，下面对如何确定目标候选产品的产品评分、目标候选产品所对应的嵌入向量以及目标候选产品所对应的兴趣聚类进行详细说明，该目标候选产品所对应的聚类为符合目标产品类型的所有产品基于最优方面的兴趣聚类：

1、确定目标候选产品的产品评分：

面向惊喜度的产品推荐装置在确定目标候选产品的产品评分时，可以首先确定当前时刻目标产品类型所对应的每个方面的当前方面评分和当前方面权重；并根据当前方面评分和当前方面权重确定所述目标候选产品的产品评分。下面进行具体说明，面向惊喜度的产品推荐装置利用LARA算法得到的方面特征序列A^k作为GRU的输入，进而预测当前时刻的各个方面的当前方面评分

及当前方面权重

并根据当前方面评分和当前方面权重预测目标候选产品的基础评分，具体的可以通过如下公式进行计算：

其中，r_b为目标候选产品的基础评分，A_m＝{A⁰,A¹,K,Aⁿ}为目标产品类型c_m所对应的方面特征序列集合。GRU模型是可以根据一个序列进而预测最终的状态的，所以可以将历史行为的方面k的评分序列和方面k的权重序列作为GRU的输入来预测用户对于候选产品的方面k的评分

和权重

则方面k的最终评分为

而产品的评分就是所有方面的最终评分之和。

对于不同的用户群体，大多数的用户都喜欢方面评级高(即流行度高)的产品，认为这样的产品才能满足自己对于产品在该方面的需求，但是随着用户在偏好方面的成熟度的提高，能够摆脱高流行度商品的影响，更倾向于自己的判断。随着商品流行度(即方面评级)的提高，它更能吸引低成熟度用户，但对高成熟度用户吸引力下降。因此用户成熟度和商品流行度会影响用户对于产品的方面评分和权重，在进行产品的评分预测之前需要先分别评估用户成熟度和商品流行度对方面k的影响，假定目标候选产品i_*属于目标产品类型c_m，具体的，面向惊喜度的产品推荐装置可以通过如下公式对目标候选产品i_*进行产品评分预测：

其中，r_b为目标候选产品的基础评分，

为目标用户在目标产品类型c_m的方面k的成熟度对用户评分的影响，

表示目标用户在目标产品类型c_m的方面k的成熟度(

与目标用户所对应的历史行为记录中与c_m的方面k相关的所有评论数有关)，

为目标候选产品在方面k的流行度对用户评分的影响，

表示目标候选产品在方面k的流行度(

和所有用户的历史记录中与该产品方面k相关的评论数有关)，并分别对

和

做归一化处理。在基础评分预测的基础上，进一步考虑由每一个方面的用户成熟度和商品流行度给用户评分带来的影响。

对于每一个候选产品i_*，可得到其在潜在空间中的嵌入向量w_*，将产品的原始特征向量通过自动编码器压缩降维即可到达潜在空间的特征向量，将目标用户对同一类型产品的基于方面的兴趣建模为潜在空间中对于历史行为的聚类，把每一类型的所有候选产品基于其最优方面的特征分别嵌入至潜在空间中，则最优方面越相似的产品将在潜在空间中越靠近，注意到目标用户通常具有多个方面偏好，则要用多个不同的集群来表示目标用户的多个兴趣，而非使用单一闭包，因此，采用均值漂移算法来识别潜在空间中的历史行为集群，以表示用户的基于产品方面的兴趣偏好，如图3所示，将目标用户u_i历史行为记录中关于目标产品类别c_m的产品以及该类别的所有候选产品根据其最优方面嵌入到潜在空间中，利用均值漂移算法得到目标用户针对目标产品类型中基于每个方面的兴趣聚类集合C＝{C¹,C²,K,Cⁿ}，那么得到的每一个聚类C^K代表目标用户基于目标产品类型c_m的方面k所感兴趣的产品集合。

需要说明的是，潜在空间是对数据的降维或压缩表示，是深度学习中的一个概念，它可以学习数据的特征，并简化表示。可以利用自动编码器来得到产品在潜在空间中的特征表示。首先学习产品的特征向量表示，包括最优方面，作为编码器的输入，经过潜在空间，相似样本之间特征差别作为多余信息被移除了，只有其核心特征被保留。所以当将数据点映射到隐空间后，特征相似的点距离更近，那么具有相同最优方面的产品在潜在空间中将会距离更近。

106、根据兴趣聚类、兴趣影响因子、目标产品类型中每个方面的方面评级以及产品评分将目标候选产品集中的候选产品向目标用户推荐。

本实施例中，面向惊喜度的产品推荐装置可以根据兴趣聚类以及目标产品类型中每个方面的方面评级确定衰减函数，下面进行具体说明：

根据艾宾浩斯遗忘曲线，人们对于经常提及的事物记忆会更加深刻，从而更不容易忘记，目标用户对于目标候选产品的兴趣也可以从其历史的使用记录中体现，就如艾宾浩斯遗忘曲线，对于瞬时偏好，目标用户只会具有短暂的兴趣并且会迅速衰减；对于短期偏好，目标用户感兴趣的时间会更长，但也会随着时间而不断衰减；而长期偏好能让目标用户在很长时间内都保持感兴趣的状态，相比于瞬时偏好和短期偏好，它不容易被舍弃。然而，尽管大部分人的记忆都符合艾宾浩斯遗忘曲线，但是不同的人，其遗忘的速度是不同的，通常人们在某方面的成熟度高，那么关于该方面的相关记忆将会衰减的更慢，同时当事情的流行度越高，人们也会越难遗忘该事情。基于此，分别为瞬时偏好、短期偏好和长期偏好指定不同的衰减函数，基于以上衰减思想，可以针对不同的偏好类型定义不同的衰减函数，此处将瞬时偏好、短期偏好和长期偏好的衰减函数定义如下：

其中，

λ为遗忘速度，与

成反比，成熟度和流行度越高，遗忘的就越慢，

为目标用户关于方面k的成熟度，

为目标候选产品在方面k的流行度，将Δt归一化到范围[0，1]之间。在得到基于每个方面的兴趣聚类以及定义了不同的衰减函数之后，可以确定各个基于方面的聚类所对应的衰减函数，例如目标产品类型中的基于某个方面的兴趣聚类的瞬时偏好，则将该方面的衰减函数定义为decay_instant(Δt)＝(1-Δt)^λ∈[0,1]。

需要说明的是，上述的公式仅为举例说明，当然也还可以定义其他的衰减函数，具体不做限定。

面向惊喜度的产品推荐装置在选定了每个方面的衰减函数之后，可以根据衰减函数对兴趣聚类以及兴趣影响因子进行计算，得到目标用户在当前时刻对目标候选产品集合中的候选产品的惊喜度，具体如下：

由于用户对于同一类型的产品的不同方面具有不同的兴趣级别，包括瞬时偏好、短期偏好和长期偏好，而不同类型的偏好将会有不同的衰减方式，进而会影响当前时刻候选产品给用户带来的惊喜程度。因此对于不同的兴趣聚类，应作相应的衰减，同时用户的历史行为将会对用户当前时刻的兴趣造成影响，因而将t_c时刻(当前时刻)的惊喜度度量为目标候选产品的嵌入向量与每一个基于最优方面的兴趣聚类C^K之间的加权距离，并根据方面偏好类型作相应的衰减和处理，得到目标候选产品集合中候选产品的惊喜度：

其中，decayt_ype(Δt)是根据方面k的衰减类型选择的衰减函数，t_c为当前推荐时刻，t₀为目标用户对该类型产品第一条评论出现的时间，N是目标候选产品的方面个数，w_*为目标候选产品的嵌入向量，

为兴趣影响因子，C^K为兴趣聚类；第一部分是根据聚类算法，在潜在空间中计算候选产品的嵌入与其他聚类之间的加权距离，距离适当则表示与聚类相似却有一定的差异，能给用户带来惊喜，这也是目前工作常用的方法；衰减函数是根据聚类所代表的方面的偏好类型来选择的，可以使得原有基于距离计算的惊喜度有适当的衰减，这也符合用户的不同偏好的遗忘规律；最后用户前面所有的相同方面的历史行为都会对当前用户的惊喜度产生影响，或者是增强，或者是降低。

最后，基于惊喜度以及产品评分将目标候选产品集合中的候选产品向目标用户进行推荐，具体的可以通过如下效用函数向目标用户进行推荐：

其中，

为最终推荐评分，β和1-β分别表示目标推荐产品的产品评分和惊喜度的权重，r_u,i为目标推荐产品的产品评分，Seredipity_i,u为惊喜度。当该目标推荐产品的最终推荐评分大于一定的阈值时，才将该目标推荐产品向目标用户推荐。

综上所述，可以看出，本申请提供的实施例中，在向用户推荐产品时，结合弹性因子初步选取用户感兴趣的产品作为候选产品，再基于方面特征、用户成熟度和商品流行度预测产品评分，并且考虑到不同类型的方面偏好的演化方式，通过兴趣影响因子、兴趣聚类、用户对产品类型的方面评级以及衰减函数确定用户对候选产品的惊喜度，由此可以实现对用户更具惊喜性、粒度更小的惊喜度推荐，从而改善用户体验。

上面从面向惊喜度的产品推荐方法对本申请进行说明，下面从面向惊喜度的产品推荐装置的角度对本申请进行说明。

请参阅图4，图4为本申请实施例提供的面向惊喜度的产品推荐装置的虚拟结构示意图，面向惊喜度的产品推荐装置400包括：

确定单元401，用于根据目标用户所对应的历史行为记录确定所述目标用户与初始候选产品集合中每个初始候选产品之间的弹性因子以及所述历史行为记录中的历史产品与所述每个初始候选产品之间的相似性；

筛选单元402，用于根据所述弹性因子以及所述相似性对所述初始候选产品集合进行筛选，以得到目标候选产品集合；

影响因子确定单元403，用于根据所述历史行为记录确定目标方面所对应的每个行为的兴趣影响因子，所述目标方面为目标产品类型所对应的任意一个方面，所述目标产品类型为所述目标候选产品所对应的产品类型，所述目标候选产品为所述目标候选产品集合中的任意一个候选产品；

方面评级确定单元404，用于根据所述目标方面所对应的每个行为的兴趣影响因子确定所述目标用户对目标产品类型所对应的每个方面的方面评级；

综合确定单元405，用于确定当前时刻所述目标候选产品的产品评分、所述目标候选产品所对应的嵌入向量以及所述目标候选产品所对应的兴趣聚类；

推荐单元406，用于根据所述兴趣聚类、所述兴趣影响因子、所述目标产品类型中每个方面的方面评级以及所述产品评分将所述目标候选产品集中的候选产品向所述目标用户推荐。

一种可能的设计中，所述综合确定单元405确定当前时刻所述目标候选产品的产品评分包括：

确定当前时刻所述目标产品类型所对应的每个方面的当前方面评分和当前方面权重；

根据所述当前方面评分和所述当前方面权重确定所述目标候选产品的产品评分。

一种可能的设计中，所述综合确定单元405根据所述当前方面评分和所述当前方面权重确定所述目标候选产品的产品评分包括：

根据所述当前方面评分和当前方面权重确定所述目标候选产品的基础评分；

确定所述目标用户在所述目标产品类型所对应的每个方面的成熟度和所述目标候选产品在所述目标产品类型所对应的每个方面的流行度；

根据所述基础评分、所述成熟度和所述流行度确定所述目标候选产品的产品评分。

一种可能的设计中，所述影响因子确定单元403具体用于：

根据所述历史行为记录确定所述目标产品类型所对应的每个方面的历史方面评分和历史方面权重；

根据所述历史方面评分和所述历史方面权重确定所述目标方面所对应每个行为的兴趣影响因子。

一种可能的设计中，所述推荐单元406具体用于：

根据所述兴趣聚类以及所述目标产品类型中每个方面的方面评级确定所述目标产品类型中每个方面的衰减函数；

确定所述兴趣聚类与所述目标候选产品所对应的嵌入之间的目标距离；

基于所述衰减函数对所述目标距离以及所述兴趣影响因子进行计算，以得到所述目标用户在当前时刻对所述目标候选产品集合中的候选产品的惊喜度；

基于所述惊喜度以及所述产品评分将所述目标候选产品集合中的候选产品向所述目标用户进行推荐。

一种可能的设计中，所述筛选单元402具体用于：

根据所述相似性以及所述弹性因子确定更新因子；

基于所述更新因子确定所述目标用户对所述每个初始候选产品的兴趣状态；

根据所述目标用户对所述每个初始候选产品的兴趣状态确定所述目标候选产品集合。

一种可能的设计中，所述确定单元401具体用于：

根据所述历史行为记录确定所述目标用户所对应的产品类别多样性和所述目标用户所对应的方面多样性；

根据所述产品类别多样性和所述方面多样性确定所述目标用户所对应的用户弹性；

根据所述历史行为记录确定所述初始候选产品集合中的每个初始候选产品所对应的用户群体多样性和所述每个初始候选产品所对应的方面普及性；

根据所述用户群体多样性和所述方面普及性确定所述候选产品所对应的产品弹性；

根据所述目标用户的用户弹性以及所述每个初始候选产品所对应的产品弹性确定所述弹性因子。

一种可能的设计中，所述方面评级确定单元404具体用于：

确定所述目标产品类型所对应的每个方面的特征序列；

根据所述目标产品类型所对应的每个方面的特征序列以及所述目标方面所对应的每个行为的兴趣影响因子确定所述目标用户对所述目标产品类型的每个方面的兴趣评级。

图5为本申请服务器的结构示意图，如图5所示，本实施例的服务器500包括至少一个处理器501，至少一个网络接口504或者其他用户接口503，存储器505，和至少一通信总线502。该服务器500可选的包含用户接口503，包括显示器，键盘或者点击设备。存储器505可能包含高速RAM存储器，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器505存储执行指令，当服务器500运行时，处理器501与存储器505之间通信，处理器501调用存储器505中存储的指令，以执行上述面向惊喜度的产品推荐方法。操作系统506，包含各种程序，用于实现各种基础业务以及处理根据硬件的任务。

本申请实施例提供的服务器，可以执行上述的面向惊喜度的产品推荐方法的实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机执行时实现上述任一方法实施例中与面向惊喜度的产品推荐装置相关的方法流程。对应的，该计算机可以为上述面向惊喜度的产品推荐装置。

本申请实施例还提供了一种计算机程序或包括计算机程序的一种计算机程序产品，该计算机程序在某一计算机上执行时，将会使所述计算机实现上述任一方法实施例中与面向惊喜度的产品推荐装置相关的方法流程。对应的，该计算机可以为上述的面向惊喜度的产品推荐装置。

在上述图1对应的实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种面向惊喜度的产品推荐方法，其特征在于，包括：

根据目标用户所对应的历史行为记录确定所述目标用户与初始候选产品集合中每个初始候选产品之间的弹性因子以及所述历史行为记录中的历史产品与所述每个初始候选产品之间的相似性；

根据所述弹性因子以及所述相似性对所述初始候选产品集合进行筛选，以得到目标候选产品集合；

根据所述历史行为记录确定目标方面所对应的每个行为的兴趣影响因子，所述目标方面为目标产品类型所对应的任意一个方面，所述目标产品类型为所述目标候选产品所对应的产品类型，所述目标候选产品为所述目标候选产品集合中的任意一个候选产品；

根据所述目标方面所对应的每个行为的兴趣影响因子确定所述目标用户对目标产品类型所对应的每个方面的方面评级；

确定当前时刻所述目标候选产品的产品评分、所述目标候选产品所对应的嵌入向量以及所述目标候选产品所对应的兴趣聚类；

根据所述兴趣聚类、所述兴趣影响因子、所述目标产品类型中每个方面的方面评级以及所述产品评分将所述目标候选产品集中的候选产品向所述目标用户推荐。

2.根据权利要求1所述的方法，其特征在于，所述确定当前时刻所述目标候选产品的产品评分包括：

确定当前时刻所述目标产品类型所对应的每个方面的当前方面评分和当前方面权重；

根据所述当前方面评分和所述当前方面权重确定所述目标候选产品的产品评分。

3.根据权利要求2所述的方法，其特征在于，所述根据所述当前方面评分和所述当前方面权重确定所述目标候选产品的产品评分包括：

根据所述当前方面评分和当前方面权重确定所述目标候选产品的基础评分；

确定所述目标用户在所述目标产品类型所对应的每个方面的成熟度和所述目标候选产品在所述目标产品类型所对应的每个方面的流行度；

根据所述基础评分、所述成熟度和所述流行度确定所述目标候选产品的产品评分。

4.根据权利要求1所述的方法，其特征在于，所述根据所述历史行为记录确定目标方面所对应的每个行为的兴趣影响因子包括：

根据所述历史行为记录确定所述目标产品类型所对应的每个方面的历史方面评分和历史方面权重；

根据所述历史方面评分和所述历史方面权重确定所述目标方面所对应每个行为的兴趣影响因子。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据所述兴趣聚类、所述兴趣影响因子、所述目标产品类型中每个方面的方面评级以及所述产品评分将所述目标候选产品集中的候选产品向所述目标用户推荐包括：

根据所述兴趣聚类以及所述目标产品类型中每个方面的方面评级确定所述目标产品类型中每个方面的衰减函数；

确定所述兴趣聚类与所述目标候选产品所对应的嵌入之间的目标距离；

基于所述衰减函数对所述目标距离以及所述兴趣影响因子进行计算，以得到所述目标用户在当前时刻对所述目标候选产品集合中的候选产品的惊喜度；

基于所述惊喜度以及所述产品评分将所述目标候选产品集合中的候选产品向所述目标用户进行推荐。

6.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据所述弹性因子以及所述相似性对所述初始候选产品集合进行筛选，以得到目标候选产品集合包括：

根据所述相似性以及所述弹性因子确定更新因子；

基于所述更新因子确定所述目标用户对所述每个初始候选产品的兴趣状态；

根据所述目标用户对所述每个初始候选产品的兴趣状态确定所述目标候选产品集合。

7.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据目标用户所对应的历史行为记录确定所述目标用户与初始候选产品集合中每个初始候选产品之间的弹性因子包括：

根据所述历史行为记录确定所述目标用户所对应的产品类别多样性和所述目标用户所对应的方面多样性；

根据所述产品类别多样性和所述方面多样性确定所述目标用户所对应的用户弹性；

根据所述历史行为记录确定所述初始候选产品集合中的每个初始候选产品所对应的用户群体多样性和所述每个初始候选产品所对应的方面普及性；

根据所述用户群体多样性和所述方面普及性确定所述候选产品所对应的产品弹性；

根据所述目标用户的用户弹性以及所述每个初始候选产品所对应的产品弹性确定所述弹性因子。

8.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据所述目标方面所对应的每个行为的兴趣影响因子确定所述目标用户对目标产品类型所对应的每个方面的方面评级包括：

确定所述目标产品类型所对应的每个方面的特征序列；

根据所述目标产品类型所对应的每个方面的特征序列以及所述目标方面所对应的每个行为的兴趣影响因子确定所述目标用户对所述目标产品类型的每个方面的兴趣评级。

9.一种面向惊喜度的产品推荐装置，其特征在于，包括：

确定单元，用于根据目标用户所对应的历史行为记录确定所述目标用户与初始候选产品集合中每个初始候选产品之间的弹性因子以及所述历史行为记录中的历史产品与所述每个初始候选产品之间的相似性；

筛选单元，用于根据所述弹性因子以及所述相似性对所述初始候选产品集合进行筛选，以得到目标候选产品集合；

影响因子确定单元，用于根据所述历史行为记录确定目标方面所对应的每个行为的兴趣影响因子，所述目标方面为目标产品类型所对应的任意一个方面，所述目标产品类型为所述目标候选产品所对应的产品类型，所述目标候选产品为所述目标候选产品集合中的任意一个候选产品；

方面评级确定单元，用于根据所述目标方面所对应的每个行为的兴趣影响因子确定所述目标用户对目标产品类型所对应的每个方面的方面评级；

综合确定单元，用于确定当前时刻所述目标候选产品的产品评分、所述目标候选产品所对应的嵌入向量以及所述目标候选产品所对应的兴趣聚类；

推荐单元，用于根据所述兴趣聚类、所述兴趣影响因子、所述目标产品类型中每个方面的方面评级以及所述产品评分将所述目标候选产品集中的候选产品向所述目标用户推荐。

10.一种计算机存储介质，其特征在于，包括：

指令，当其在计算机上运行时，使得计算机执行权利要求1至8中任一项所述的面向惊喜度的产品推荐方法的步骤。

Images