CN114996588B - 基于双塔模型的产品推荐方法、装置、设备及存储介质 - Google Patents
基于双塔模型的产品推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114996588B CN114996588B CN202210914107.1A CN202210914107A CN114996588B CN 114996588 B CN114996588 B CN 114996588B CN 202210914107 A CN202210914107 A CN 202210914107A CN 114996588 B CN114996588 B CN 114996588B
- Authority
- CN
- China
- Prior art keywords
- product
- recommended
- vector
- user
- products
- 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.)
- Active
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
- G06F16/90—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据分析领域,揭露一种基于双塔模型的产品推荐方法、装置、电子设备及可读存储介质,所述方法包括:获取用户多维特征、符合预设目标数量的待推荐产品及待推荐产品多维特征;利用预设双塔模型中的编码器分别对所述用户多维特征及所述待推荐产品多维特征进行编码,得到用户编码向量及产品编码向量;利用所述预设双塔模型中注意力机制层的归一化指数函数对所述用户编码向量及所述产品编码向量进行计算,得到理想产品向量;计算所述产品编码向量与所述理想产品向量的相似度,并将相似度最高的待推荐产品作为目标产品。本发明可以提高产品推荐的精准度。
Description
技术领域
本发明涉及数据分析领域,尤其涉及一种基于双塔模型的产品推荐方法、装置、设备及可读存储介质。
背景技术
产品推荐指的是为用户推荐符合其特征的产品,例如,给经常熬夜加班的用户推荐咖啡等产品。
目前常见的产品推荐方法为利用传统的双塔模型分别将用户特征编码和产品特征编码训练为用户向量和产品向量,再通过计算两个向量的相似度,来确定用户对产品的感兴趣程度,但是由于双塔模型中用户与产品缺少交互,从而无法保证产品推荐结果的精准性,除此之外,在双塔排序中,输入的产品特征和用户特征普遍存在特征维度数量、含义不一致的情况,因此当直接计算用户向量与产品向量的相似性时,容易出现由于用户向量和产品向量的特征源不同而产生的异质问题,从而影响产品推荐的精准度。
发明内容
本发明提供一种基于双塔模型的产品推荐方法、装置、设备及可读存储介质,其目的在于提高产品推荐的精准度。
为实现上述目的,本发明提供的一种基于双塔模型的产品推荐方法,所述方法包括:
获取用户多维特征、初始待推荐产品多维特征及初始待推荐产品数量,根据所述用户多维特征及预设规则确定待推荐产品的目标数量;
根据所述目标数量及所述初始待推荐产品数量,对所述初始待推荐产品进行补全截断处理,得到符合所述目标数量的待推荐产品,提取所述待推荐产品的多维特征,得到待推荐产品多维特征;
利用预设双塔模型中的编码器分别对所述用户多维特征及所述待推荐产品多维特征进行编码,得到用户编码向量及产品编码向量;
利用所述预设双塔模型中注意力机制层的归一化指数函数对所述用户编码向量及所述产品编码向量进行计算,得到理想产品向量;
计算所述产品编码向量与所述理想产品向量的相似度,并将相似度最高的待推荐产品作为目标产品。
可选地,所述获取用户多维特征、初始待推荐产品多维特征及初始待推荐产品数量,包括:
获取用户信息及预设产品库中的产品信息;
提取所述用户信息及所述产品信息的多维度特征信息,得到用户多维特征及产品多维特征;
根据所述用户多维特征中的用户历史行为序列,在所述预设产品库中查找与所述用户多维特征相匹配的召回产品;
根据所述用户多维特征及所述召回产品的产品多维特征,利用预设的粗排算法,对所述召回产品进行粗排,得到初始待推荐产品;
提取所述产品多维特征中所述初始待推荐产品对应的产品多维特征,得到初始待推荐产品多维特征;
计算所述初始待推荐产品的数量,得到初始待推荐产品数量。
可选地,所述根据所述目标数量及所述待推荐产品数量,对所述待推荐产品进行补全截断处理,得到符合所述目标数量的待推荐产品,包括:
比较所述初始待推荐产品数量与所述目标数量多少;
当所述初始待推荐产品数量少于所述目标数量时,从所述预设产品库中查找与所述用户多维特征不匹配的产品,得到负样本产品,并将所述负样本产品添加至所述初始待推荐产品中,得到符合所述目标数量的待推荐产品;
当所述待推荐产品数量多于所述目标数量时,利用预设的精排算法对所述待推荐产品,根据所述目标数量进行精排处理,得到符合所述目标数量的待推荐产品。
可选地,所述利用预设双塔模型中的编码器分别对所述用户多维特征及所述待推荐产品多维特征进行编码,得到用户编码向量及产品编码向量,包括:
利用所述预设双塔模型中User塔的编码器对所述用户多维特征中的用户特征向量进行位置索引编码,得到用户位置编码向量;
利用所述预设双塔模型中item塔的编码器对所述待推荐产品多维特征中的产品特征向量进行位置索引编码,得到产品位置编码向量;
将所述用户位置编码向量与所述用户多维特征进行组合,得到用户编码向量;
将所述产品位置编码向量与所述待推荐产品多维特征进行组合,得到产品编码向量。
可选地,所述利用所述预设双塔模型中注意力机制层的归一化指数函数对所述用户编码向量及所述产品编码向量进行计算,得到理想产品向量,包括:
根据所述注意力机制层中的第一预设参数矩阵对所述用户编码向量做线性变换,得到查询向量;
根据所述注意力机制层中的第二预设参数矩阵及第三预设参数矩阵对所述产品编码向量做线性变换,得到关键向量及数值向量;
将所述关键向量与查询向量的转置向量点乘,得到相似度矩阵;
对所述相似度矩阵进行归一化计算,得到权重矩阵;
将所述权重矩阵与所述数值向量点乘,得到理想商品向量。
可选地,所述计算所述产品编码向量与所述理想产品向量的相似度,包括:
可选地,所述根据所述用户多维特征及预设规则确定待推荐产品的目标数量,包括:
根据所述用户多维特征,确定各个用户所有维度特征对应的产品数量;
对所述产品数量进行求平均值,并将所述平均值作为所述待推荐产品的目标数量。
为了解决上述问题,本发明还提供一种基于双塔模型的产品推荐装置,所述装置包括:
产品编码向量计算模块,用于获取用户多维特征、初始待推荐产品多维特征及初始待推荐产品数量,根据所述用户多维特征及预设规则确定待推荐产品的目标数量,根据所述目标数量及所述初始待推荐产品数量,对所述初始待推荐产品进行补全截断处理,得到符合所述目标数量的待推荐产品,提取所述待推荐产品的多维特征,得到待推荐产品多维特征,利用预设双塔模型中的编码器分别对所述用户多维特征及所述待推荐产品多维特征进行编码,得到用户编码向量及产品编码向量;
理想产品向量计算模块,用于利用所述预设双塔模型中注意力机制层的归一化指数函数对所述用户编码向量及所述产品编码向量进行计算,得到理想产品向量;
目标产品筛选模块,用于计算所述产品编码向量与所述理想产品向量的相似度,并将相似度最高的待推荐产品作为目标产品。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的基于双塔模型的产品推荐方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于双塔模型的产品推荐方法。
本发明实施例获取用户多维特征、初始待推荐产品多维特征及待推荐产品数量,根据所述用户多维特征及预设规则确定待推荐产品的目标数量,增加了待推荐产品的数量,减小了产品推荐错误的可能性,从而提高了产品推荐的精准度,进一步地,根据所述目标数量及所述待推荐产品的数量,调配好待推荐产品多维特征,确保双塔模型中的注意力机制能够精准实施,提高了双塔模型的精准度;其次,利用预设双塔模型的编码器分别对所述用户特征向量及所述产品特征向量进行编码,得到用户编码向量及产品编码向量,利用预设双塔模型的注意力机制层中归一化指数函数对所述用户编码向量及所述产品编码向量进行计算,得到理想产品向量,实现用户特征向量与产品特征向量之间的交互,提高了双塔模型排序的精度,从而提高了产品推荐的精准度,最后,计算所述产品编码向量与所述理想产品向量的相似度,并将相似度最高的待推荐产品作为目标产品,由于理想产品向量与产品编码向量的特征维度数量及含义的一致性,所以理想产品向量与产品编码向量不存在数据异质的问题,提高了双塔模型的精度,从而提高了产品推荐的精准度。因此,本发明提供的一种基于双塔模型的产品推荐方法、装置、设备及存储介质,能够提高产品推荐的精准度。
附图说明
图1为本发明一实施例提供的基于双塔模型的产品推荐方法的流程示意图;
图2至图3为本发明一实施例提供的多意图分类的模型训练方法的其中一个步骤的详细实施流程图;
图4为本发明一实施例提供的基于双塔模型的产品推荐装置的模块示意图;
图5为本发明一实施例提供的实现基于双塔模型的产品推荐方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种基于双塔模型的产品推荐方法。所述基于双塔模型的产品推荐方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于双塔模型的产品推荐方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端可以包括独立的服务器,也可以包括提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示的本发明一实施例提供的基于双塔模型的产品推荐方法的流程示意图,在本发明实施例中,所述基于双塔模型的产品推荐方法包括以下步骤S1-S5:
S1、获取用户多维特征、初始待推荐产品多维特征及初始待推荐产品数量,根据所述用户多维特征及预设规则确定待推荐产品的目标数量。
本发明实施例中,所述用户多维特征包含用户id、手机系统、地域、年龄及历史行为序列等,例如,某用户的用户多维特征可以是用户id为王小明,手机系统为安卓系统,地域为湖南省,年龄为23岁、历史行为序列包含经常浏览购物网站中某产品等行为。所述初始待推荐产品多维特征包含产品名称、产品类别、产品来源及产品作用等,例如,某产品的初始待推荐产品多维特征可以是产品名称为某某咖啡、产品类别为饮料、产品来源为工厂生产、产品作用可以是使用户亢奋,精力充沛。所述待推荐产品数量可以是经过员工筛选与用户适配的产品的现有数量。
本发明实施例中,在获取待推荐产品数量之前,往往还需要对产品进行筛选,从而筛选出待推荐产品,从而提高产品推荐的准确率。
因此,参考图2所示,所述获取用户多维特征、初始待推荐产品多维特征及待推荐产品数量,包括步骤S11—S16:
S11、获取用户信息及预设产品库中的产品信息;
S12、提取所述用户信息及所述产品信息的多维度特征信息,得到用户多维特征及产品多维特征;
S13、根据所述用户多维特征中的用户历史行为序列,在所述预设产品库中查找与所述用户多维特征相匹配的召回产品;
S14、根据所述用户多维特征及所述召回产品的产品多维特征,利用预设的粗排算法,对所述召回产品进行粗排,得到初始待推荐产品;
S15、提取所述产品多维特征中所述初始待推荐产品对应的产品多维特征,得到初始待推荐产品多维特征;
S16、计算所述初始待推荐产品的数量,得到初始待推荐产品数量。
本发明实施例中,所述用户信息可以是用户姓名、用户年龄及用户历史行为等。所述预设产品库包含所有产品的产品信息,其中所述产品信息包含产品名称、产品类别、产品来源及产品作用等。所述粗排算法可以是一种减少召回产品数量的,以保证后续注意力机制能够顺利运行的算法,常见于DSSM双塔及其变种模型中。
本发明可选实施例中,首先在所述预设产品库中查找与所述用户多维特征相匹配的召回产品,从而实现第一次筛选,但是由于符合所述用户多维特征的产品一般比较多,因此,还需要对召回产品进行二次筛选,即产品粗排,由于经过产品粗排之后的产品数量较为符合注意力机制的数量要求,因此,将经过产品粗排之后的产品的多维特征作为初始待推荐产品多维特征。
本发明实施例中,通过对产品库中的产品进行层层筛选,得到待推荐产品,从而减少了产品推荐的计算难度,提高了产品推荐的效率。
进一步地,本发明实施例根据所述用户多维特征及预设规则确定待推荐产品的目标数量,减小了产品推荐错误的可能性,从而提高了产品推荐的精准度。
详细地,所述根据所述用户多维特征及预设规则确定待推荐产品的目标数量,包括:
根据所述用户多维特征,确定各个用户所有维度特征对应的产品数量;
对所述产品数量进行求平均值,并将所述平均值作为所述待推荐产品的目标数量。
本发明可选实施例中,由于不同用户所需的产品种类不一致,从而导致产品数量也不一致,但是在注意力机制对齐过程中,每次输入的待推荐产品多维特征个数必须固定,因此,对各个用户多维特征对应的产品数量求平均值,从而减少对初始待推荐产品多维特征的补全截断,提高产品推荐速度。
S2、根据所述目标数量及所述初始待推荐产品数量,对所述初始待推荐产品进行补全截断处理,得到符合所述目标数量的待推荐产品,提取所述待推荐产品的多维特征,得到待推荐产品多维特征。
本发明实施例根据所述目标数量及所述待推荐产品数量,对所述初始待推荐产品多维特征进行补全截断处理,使得所述待推荐产品数量满足用户多维特征的要求,确保双塔模型中的注意力机制能够精准实施,提高了双塔模型的精准度。
进一步地,作为本发明一可选实施例,所述根据所述目标数量及所述初始待推荐产品数量,对所述初始待推荐产品进行补全截断处理,得到符合所述目标数量的待推荐产品,包括:
比较所述初始待推荐产品数量与所述目标数量多少;
当所述初始待推荐产品数量少于所述目标数量时,从所述预设产品库中查找与所述用户多维特征不匹配的产品,得到负样本产品,并将所述负样本产品添加至所述初始待推荐产品中,得到符合所述目标数量的待推荐产品;
当所述待推荐产品数量多于所述目标数量时,利用预设的精排算法对所述待推荐产品,根据所述目标数量进行精排处理,得到符合所述目标数量的待推荐产品。
本发明实施例中,通过将所述待推荐产品数量与所述目标数量进行比较,并根据比较结果对所述初始待推荐产品多维特征进行补全截断处理,确保所述推荐产品数量满足产品的目标数量,使得计算更为精准。
S3、利用预设双塔模型中的编码器分别对所述用户多维特征及所述待推荐产品多维特征进行编码,得到用户编码向量及产品编码向量。
本发明实施例中,所述预设双塔模型包括User塔和item塔,其中,所述User塔及所述item塔都包含编码器,且编码器因用户多维特征与待推荐产品多维特征,存在不同。所述编码器可以是将输入序列转化成一个固定长度向量的工具。
本发明实施例通过利用预设双塔模型中的编码器分别对所述用户多维特征及所述待推荐产品多维特征进行编码,得到用户编码向量及产品编码向量,确保用户特征与产品特征的长度一致,便于产品特征与用户特征的相似度计算,从而实现了对用户的产品推荐。
进一步地,作为本发明一可选实施例,参阅图3所示,所述S3,包括:
S31、利用所述预设双塔模型中User塔的编码器对所述用户多维特征中的用户特征向量进行位置索引编码,得到用户位置编码向量;
S32、利用所述预设双塔模型中item塔的编码器对所述待推荐产品多维特征中的产品特征向量进行位置索引编码,得到产品位置编码向量;
S33、将所述用户位置编码向量与所述用户多维特征进行组合,得到用户编码向量;
S34、将所述产品位置编码向量与所述待推荐产品多维特征进行组合,得到产品编码向量。
本发明实施例通过对所述用户多维特征及所述待推荐产品多维特征进行位置编码及组合操作,得到长度一致的用户编码向量及产品编码向量,便于进行用户编码向量及产品编码向量的相似度计算,从而提高了计算速度,加快了产品推荐的进程。
S4、利用所述预设双塔模型中注意力机制层的归一化指数函数对所述用户编码向量及所述产品编码向量进行计算,得到理想产品向量。
本发明实施例中,所述注意力机制层具有决定需要关注输入的哪部分及分配有限的信息处理资源给重要的部分的能力。所述归一化指数函数可以是softmax函数。
本发明实施例利用所述预设双塔模型中注意力机制层的归一化指数函数对所述用户编码向量及所述产品编码向量进行计算,得到理想产品向量,实现用户特征向量与产品特征向量之间的交互,提高了双塔模型排序的精度,从而提高了产品推荐的准确率。
进一步地,作为本发明一可选实施例,所述利用所述预设双塔模型中注意力机制层的归一化指数函数对所述用户编码向量及所述产品编码向量进行计算,得到理想产品向量,包括:
根据所述注意力机制层中的第一预设参数矩阵对所述用户编码向量做线性变换,得到查询向量;
根据所述注意力机制层中的第二预设参数矩阵及第三预设参数矩阵对所述产品编码向量做线性变换,得到关键向量及数值向量;
将所述关键向量与查询向量的转置向量点乘,得到相似度矩阵;
对所述相似度矩阵进行归一化计算,得到权重矩阵;
将所述权重矩阵与所述数值向量点乘,得到理想商品向量。
本发明实施例中,所述第一预设参数矩阵、第二预设参数矩阵及第三预设参数矩阵可以是经过多次训练调优得到的参数矩阵。本发明实施例通过对所述用户编码向量及所述产品编码向量进行一系列计算,得到理想产品向量,再利用所述理想产品向量对待推荐产品的产品编码向量做相似度计算,因此摆脱了待推荐产品多维特征和用户多维特征之间缺乏交互的缺点,从而使得产品推荐结果更为准确。
S5、计算所述产品编码向量与所述理想产品向量的相似度,并将相似度最高的待推荐产品作为目标产品。
本发明实施例中,所述相似度可以通过余弦相似度算法进行计算。
本发明实施例中,所述理想产品向量可以理解为满足所述用户的各个维度需求的理想产品,因此,计算所述产品编码向量与所述理想产品向量的相似度,即可确定待推荐产品与用户的符合度,从而保证给用户提供最合适的产品。
进一步地,本发明一可选实施例中,所述计算所述产品编码向量与所述理想产品向量的相似度,包括:
本发明实施例中,通过计算所述产品编码向量与所述理想产品向量的相似度,并将相似度最高的待推荐产品作为目标产品,从而解决了用户编码向量与产品编码向量存在数据异质的问题,提高了双塔模型的精度,从而提高了产品推荐的精准度。
本发明实施例获取用户多维特征、初始待推荐产品多维特征及待推荐产品数量,根据所述用户多维特征及预设规则确定待推荐产品的目标数量,增加了待推荐产品的数量,减小了产品推荐错误的可能性,从而提高了产品推荐的精准度,进一步地,根据所述目标数量及所述待推荐产品的数量,调配好待推荐产品多维特征,确保双塔模型中的注意力机制能够精准实施,提高了双塔模型的精准度;其次,利用预设双塔模型的编码器分别对所述用户特征向量及所述产品特征向量进行编码,得到用户编码向量及产品编码向量,利用预设双塔模型的注意力机制层中归一化指数函数对所述用户编码向量及所述产品编码向量进行计算,得到理想产品向量,实现用户特征向量与产品特征向量之间的交互,提高了双塔模型排序的精度,从而提高了产品推荐的精准度,最后,计算所述产品编码向量与所述理想产品向量的相似度,并将相似度最高的待推荐产品作为目标产品,由于理想产品向量与产品编码向量的特征维度数量及含义的一致性,所以理想产品向量与产品编码向量不存在数据异质的问题,提高了双塔模型的精度,从而提高了产品推荐的精准度。因此,本发明提供的一种基于双塔模型的产品推荐方法、装置、设备及存储介质,能够提高产品推荐的精准度。
如图4所示,是本发明基于双塔模型的产品推荐装置的功能模块图。
本发明所述基于双塔模型的产品推荐装置100可以安装于电子设备中。根据实现的功能,所述基于双塔模型的产品推荐装置100可以包括产品编码向量计算模块101、理想产品向量计算模块102及目标产品筛选模块103,本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述产品编码向量计算模块101用于获取用户多维特征、初始待推荐产品多维特征及初始待推荐产品数量,根据所述用户多维特征及预设规则确定待推荐产品的目标数量,根据所述目标数量及所述初始待推荐产品数量,对所述初始待推荐产品进行补全截断处理,得到符合所述目标数量的待推荐产品,提取所述待推荐产品的多维特征,得到待推荐产品多维特征,利用预设双塔模型中的编码器分别对所述用户多维特征及所述待推荐产品多维特征进行编码,得到用户编码向量及产品编码向量。
所述理想产品向量计算模块102用于利用所述预设双塔模型中注意力机制层的归一化指数函数对所述用户编码向量及所述产品编码向量进行计算,得到理想产品向量。
所述目标产品筛选模块103用于计算所述产品编码向量与所述理想产品向量的相似度,并将相似度最高的待推荐产品作为目标产品。
如图5所示,是本发明实现基于双塔模型的产品推荐方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于双塔模型的产品推荐程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于双塔模型的产品推荐程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于双塔模型的产品推荐程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(PerIPheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,所述通信接口13还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的基于双塔模型的产品推荐程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取用户多维特征、初始待推荐产品多维特征及初始待推荐产品数量,根据所述用户多维特征及预设规则确定待推荐产品的目标数量;
根据所述目标数量及所述初始待推荐产品数量,对所述初始待推荐产品进行补全截断处理,得到符合所述目标数量的待推荐产品,提取所述待推荐产品的多维特征,得到待推荐产品多维特征;
利用预设双塔模型中的编码器分别对所述用户多维特征及所述待推荐产品多维特征进行编码,得到用户编码向量及产品编码向量;
利用所述预设双塔模型中注意力机制层的归一化指数函数对所述用户编码向量及所述产品编码向量进行计算,得到理想产品向量;
计算所述产品编码向量与所述理想产品向量的相似度,并将相似度最高的待推荐产品作为目标产品。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的,也可以是易失性的。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取用户多维特征、初始待推荐产品多维特征及初始待推荐产品数量,根据所述用户多维特征及预设规则确定待推荐产品的目标数量;
根据所述目标数量及所述初始待推荐产品数量,对所述初始待推荐产品进行补全截断处理,得到符合所述目标数量的待推荐产品,提取所述待推荐产品的多维特征,得到待推荐产品多维特征;
利用预设双塔模型中的编码器分别对所述用户多维特征及所述待推荐产品多维特征进行编码,得到用户编码向量及产品编码向量;
利用所述预设双塔模型中注意力机制层的归一化指数函数对所述用户编码向量及所述产品编码向量进行计算,得到理想产品向量;
计算所述产品编码向量与所述理想产品向量的相似度,并将相似度最高的待推荐产品作为目标产品。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的电子设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于双塔模型的产品推荐方法,其特征在于,所述方法包括:
获取用户多维特征、初始待推荐产品多维特征及初始待推荐产品数量,根据所述用户多维特征及预设规则确定待推荐产品的目标数量;
根据所述目标数量及所述初始待推荐产品数量,对所述初始待推荐产品进行补全截断处理,得到符合所述目标数量的待推荐产品,提取所述待推荐产品的多维特征,得到待推荐产品多维特征;
利用预设双塔模型中的编码器分别对所述用户多维特征及所述待推荐产品多维特征进行编码,得到用户编码向量及产品编码向量;
利用所述预设双塔模型中注意力机制层的归一化指数函数对所述用户编码向量及所述产品编码向量进行计算,得到理想产品向量;
计算所述产品编码向量与所述理想产品向量的相似度,并将相似度最高的待推荐产品作为目标产品;
其中,所述利用所述预设双塔模型中注意力机制层的归一化指数函数对所述用户编码向量及所述产品编码向量进行计算,得到理想产品向量,包括:
根据所述注意力机制层中的第一预设参数矩阵对所述用户编码向量做线性变换,得到查询向量;
根据所述注意力机制层中的第二预设参数矩阵及第三预设参数矩阵对所述产品编码向量做线性变换,得到关键向量及数值向量;
将所述关键向量与查询向量的转置向量点乘,得到相似度矩阵;
对所述相似度矩阵进行归一化计算,得到权重矩阵;
将所述权重矩阵与所述数值向量点乘,得到理想商品向量。
2.如权利要求1所述的基于双塔模型的产品推荐方法,其特征在于,所述获取用户多维特征、初始待推荐产品多维特征及初始待推荐产品数量,包括:
获取用户信息及预设产品库中的产品信息;
提取所述用户信息及所述产品信息的多维度特征信息,得到用户多维特征及产品多维特征;
根据所述用户多维特征中的用户历史行为序列,在所述预设产品库中查找与所述用户多维特征相匹配的召回产品;
根据所述用户多维特征及所述召回产品的产品多维特征,利用预设的粗排算法,对所述召回产品进行粗排,得到初始待推荐产品;
提取所述产品多维特征中所述初始待推荐产品对应的产品多维特征,得到初始待推荐产品多维特征;
计算所述初始待推荐产品的数量,得到初始待推荐产品数量。
3.如权利要求2所述的基于双塔模型的产品推荐方法,其特征在于,所述根据所述目标数量及所述待推荐产品数量,对所述待推荐产品进行补全截断处理,得到符合所述目标数量的待推荐产品,包括:
比较所述初始待推荐产品数量与所述目标数量多少;
当所述初始待推荐产品数量少于所述目标数量时,从所述预设产品库中查找与所述用户多维特征不匹配的产品,得到负样本产品,并将所述负样本产品添加至所述初始待推荐产品中,得到符合所述目标数量的待推荐产品;
当所述待推荐产品数量多于所述目标数量时,根据所述目标数量,利用预设的精排算法对所述待推荐产品进行精排处理,得到符合所述目标数量的待推荐产品。
4.如权利要求1所述的基于双塔模型的产品推荐方法,其特征在于,所述利用预设双塔模型中的编码器分别对所述用户多维特征及所述待推荐产品多维特征进行编码,得到用户编码向量及产品编码向量,包括:
利用所述预设双塔模型中User塔的编码器对所述用户多维特征中的用户特征向量进行位置索引编码,得到用户位置编码向量;
利用所述预设双塔模型中item塔的编码器对所述待推荐产品多维特征中的产品特征向量进行位置索引编码,得到产品位置编码向量;
将所述用户位置编码向量与所述用户多维特征进行组合,得到用户编码向量;
将所述产品位置编码向量与所述待推荐产品多维特征进行组合,得到产品编码向量。
6.如权利要求1所述的基于双塔模型的产品推荐方法,其特征在于,所述根据所述用户多维特征及预设规则确定待推荐产品的目标数量,包括:
根据所述用户多维特征,确定各个用户所有维度特征对应的产品数量;
对所述产品数量进行求平均值,并将所述平均值作为所述待推荐产品的目标数量。
7.一种基于双塔模型的产品推荐装置,其特征在于,所述装置包括:
产品编码向量计算模块,用于获取用户多维特征、初始待推荐产品多维特征及初始待推荐产品数量,根据所述用户多维特征及预设规则确定待推荐产品的目标数量,根据所述目标数量及所述初始待推荐产品数量,对所述初始待推荐产品进行补全截断处理,得到符合所述目标数量的待推荐产品,提取所述待推荐产品的多维特征,得到待推荐产品多维特征,利用预设双塔模型中的编码器分别对所述用户多维特征及所述待推荐产品多维特征进行编码,得到用户编码向量及产品编码向量;
理想产品向量计算模块,用于利用所述预设双塔模型中注意力机制层的归一化指数函数对所述用户编码向量及所述产品编码向量进行计算,得到理想产品向量;
目标产品筛选模块,用于计算所述产品编码向量与所述理想产品向量的相似度,并将相似度最高的待推荐产品作为目标产品;
其中,所述利用所述预设双塔模型中注意力机制层的归一化指数函数对所述用户编码向量及所述产品编码向量进行计算,得到理想产品向量,包括:
根据所述注意力机制层中的第一预设参数矩阵对所述用户编码向量做线性变换,得到查询向量;
根据所述注意力机制层中的第二预设参数矩阵及第三预设参数矩阵对所述产品编码向量做线性变换,得到关键向量及数值向量;
将所述关键向量与查询向量的转置向量点乘,得到相似度矩阵;
对所述相似度矩阵进行归一化计算,得到权重矩阵;
将所述权重矩阵与所述数值向量点乘,得到理想商品向量。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的基于双塔模型的产品推荐方法。
9.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于双塔模型的产品推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210914107.1A CN114996588B (zh) | 2022-08-01 | 2022-08-01 | 基于双塔模型的产品推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210914107.1A CN114996588B (zh) | 2022-08-01 | 2022-08-01 | 基于双塔模型的产品推荐方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114996588A CN114996588A (zh) | 2022-09-02 |
CN114996588B true CN114996588B (zh) | 2022-10-21 |
Family
ID=83022678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210914107.1A Active CN114996588B (zh) | 2022-08-01 | 2022-08-01 | 基于双塔模型的产品推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114996588B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190047576A (ko) * | 2017-10-27 | 2019-05-08 | 한국과학기술원 | 추천시스템을 위한 선택적 오토인코딩 방법 및 오토인코딩 시스템 |
CN111339240A (zh) * | 2020-02-10 | 2020-06-26 | 北京达佳互联信息技术有限公司 | 对象的推荐方法、装置、计算设备和存储介质 |
CN113362139A (zh) * | 2021-06-17 | 2021-09-07 | 震坤行工业超市(上海)有限公司 | 基于双塔结构模型的数据处理方法和装置 |
CN114511387A (zh) * | 2022-02-24 | 2022-05-17 | 平安普惠企业管理有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
CN114547475A (zh) * | 2022-04-27 | 2022-05-27 | 中信建投证券股份有限公司 | 一种资源推荐方法、装置及系统 |
CN114565436A (zh) * | 2022-02-28 | 2022-05-31 | 重庆长安汽车股份有限公司 | 基于时序建模的车型推荐系统、方法、设备及存储介质 |
CN114612194A (zh) * | 2022-03-23 | 2022-06-10 | 平安普惠企业管理有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
CN114648379A (zh) * | 2022-03-08 | 2022-06-21 | 北京三快在线科技有限公司 | 推荐商品确定方法及装置、电子设备及可读存储介质 |
CN114781832A (zh) * | 2022-04-06 | 2022-07-22 | 平安科技(深圳)有限公司 | 课程推荐方法、装置、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10796801B2 (en) * | 2006-02-13 | 2020-10-06 | David G. Silverman | Method and system for assessing, quantifying, coding and communiicating patient's health and perioperative risk |
CN113706252B (zh) * | 2021-08-30 | 2024-05-03 | 康键信息技术(深圳)有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
US20220114644A1 (en) * | 2021-10-05 | 2022-04-14 | Gopi Krishna Jha | Recommendation system with sparse feature encoding |
CN114398557B (zh) * | 2022-01-18 | 2024-04-30 | 平安国际智慧城市科技股份有限公司 | 基于双画像的信息推荐方法、装置、电子设备及存储介质 |
CN114741608A (zh) * | 2022-05-10 | 2022-07-12 | 中国平安财产保险股份有限公司 | 基于用户画像的新闻推荐方法、装置、设备及存储介质 |
-
2022
- 2022-08-01 CN CN202210914107.1A patent/CN114996588B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190047576A (ko) * | 2017-10-27 | 2019-05-08 | 한국과학기술원 | 추천시스템을 위한 선택적 오토인코딩 방법 및 오토인코딩 시스템 |
CN111339240A (zh) * | 2020-02-10 | 2020-06-26 | 北京达佳互联信息技术有限公司 | 对象的推荐方法、装置、计算设备和存储介质 |
CN113362139A (zh) * | 2021-06-17 | 2021-09-07 | 震坤行工业超市(上海)有限公司 | 基于双塔结构模型的数据处理方法和装置 |
CN114511387A (zh) * | 2022-02-24 | 2022-05-17 | 平安普惠企业管理有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
CN114565436A (zh) * | 2022-02-28 | 2022-05-31 | 重庆长安汽车股份有限公司 | 基于时序建模的车型推荐系统、方法、设备及存储介质 |
CN114648379A (zh) * | 2022-03-08 | 2022-06-21 | 北京三快在线科技有限公司 | 推荐商品确定方法及装置、电子设备及可读存储介质 |
CN114612194A (zh) * | 2022-03-23 | 2022-06-10 | 平安普惠企业管理有限公司 | 产品推荐方法、装置、电子设备及存储介质 |
CN114781832A (zh) * | 2022-04-06 | 2022-07-22 | 平安科技(深圳)有限公司 | 课程推荐方法、装置、电子设备及存储介质 |
CN114547475A (zh) * | 2022-04-27 | 2022-05-27 | 中信建投证券股份有限公司 | 一种资源推荐方法、装置及系统 |
Non-Patent Citations (2)
Title |
---|
On service-enhanced product recommendation guiding users through complex product specification;Hamideh Afsarmanesh 等;《2015 International Conference on Computing and Communications Technologies (ICCCT)》;20151008;43-48 * |
面向用户个性化兴趣准确表达的推荐算法研究;林俊俊;《中国优秀硕士学位论文全文数据库 信息科技辑》;20220115(第1期);I138-3601 * |
Also Published As
Publication number | Publication date |
---|---|
CN114996588A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112347214A (zh) | 目标区域划分方法、装置、电子设备及存储介质 | |
CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
CN113449187A (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
CN112418798A (zh) | 信息审核方法、装置、电子设备及存储介质 | |
CN114979120B (zh) | 数据上传方法、装置、设备及存储介质 | |
CN112883730B (zh) | 相似文本匹配方法、装置、电子设备及存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
CN114186132A (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
CN111930897B (zh) | 专利检索方法、装置、电子设备及计算机可读存储介质 | |
CN113505273A (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
CN112633988A (zh) | 用户产品推荐方法、装置、电子设备及可读存储介质 | |
CN114996588B (zh) | 基于双塔模型的产品推荐方法、装置、设备及存储介质 | |
CN113449002A (zh) | 车辆推荐方法、装置、电子设备及存储介质 | |
CN114840388A (zh) | 数据监控方法、装置、电子设备及存储介质 | |
CN115238179A (zh) | 项目推送方法、装置、电子设备及计算机可读存储介质 | |
CN114708073A (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN114281991A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN114610854A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN113468421A (zh) | 基于向量匹配技术的产品推荐方法、装置、设备及介质 | |
CN113656690A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
CN114819590B (zh) | 策略智能推荐方法、装置、设备及存储介质 | |
CN115525731B (zh) | 基于改进pagerank算法的网页权重计算方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |