CN115619503A - 一种物品推荐方法、装置、存储介质和计算机设备 - Google Patents

Abstract

本申请公开了一种物品推荐方法、装置、存储介质和计算机设备，该方法包括：获取物品数据、用户数据和场景数据；根据多个召回模型进行物品召回得到物品召回列表；对物品召回列表进行融合得到物品推荐列表，基于物品推荐列表为待推荐用户进行物品推荐；确定待推荐用户在推荐的物品中进行了互动操作的目标物品；确定待推荐用户与物品推荐列表中的待推荐物品的第一相似度；确定待推荐物品与目标物品的第二相似度；确定待推荐物品的推荐参数；对物品推荐列表的待推荐物品进行排序更新，更新后的物品推荐列表为待推荐用户进行物品推荐，本申请通过多路召回和动态排序来提供了一种既高效又精确的物品推荐方法。

Description

一种物品推荐方法、装置、存储介质和计算机设备

技术领域

本申请涉及计算机技术领域，具体涉及一种物品推荐方法、装置、存储介质和计算机设备。

背景技术

目前，各种电商平台等会在用户进入平台后为用户进行物品推荐，这种推荐一般基于物品的召回顺序进行，推荐方案的灵活性不足，用户选中满意的物品所花的时间可能会很长，所以相关技术中缺乏一种既灵活、又高效的物品推荐方法。

发明内容

本发明实施例提供一种物品推荐方法、装置、存储介质和计算机设备，来解决物品推荐方法灵活度不足、以及精确度低的问题。

为了解决上述技术问题，本发明实施例提供一种物品推荐方法，该方法包括：

获取候选物品的物品数据，获取待推荐用户的用户数据，以及该待推荐用户所在场景的场景数据；

根据多个召回模型基于该用户数据、场景数据和该物品数据进行物品召回，得到每一召回模型对候选物品的物品召回列表；

对该物品召回列表进行融合得到物品推荐列表，基于该物品推荐列表为该待推荐用户进行物品推荐；

确定该待推荐用户在推荐的物品中进行了互动操作的目标物品，确定该待推荐用户与该物品推荐列表中的待推荐物品的第一相似度，确定该待推荐物品与该目标物品的第二相似度；

基于该第一相似度以及该第二相似度，确定该待推荐物品的推荐参数；

基于该待推荐物品的推荐参数对该物品推荐列表的该待推荐物品进行排序更新，基于更新后的物品推荐列表为该待推荐用户进行物品推荐。

为了解决上述技术问题，本发明实施例还提供一种物品推荐装置，该装置包括：

获取单元，用于获取候选物品的物品数据，获取待推荐用户的用户数据，以及该待推荐用户所在场景的场景数据；

召回单元，用于根据多个召回模型基于该用户数据、场景数据和该物品数据进行物品召回，得到每一召回模型对候选物品的物品召回列表；

融合单元，用于对该物品召回列表进行融合得到物品推荐列表，基于该物品推荐列表为该待推荐用户进行物品推荐；

确定单元，用于确定该待推荐用户在推荐的物品中进行了互动操作的目标物品、该待推荐用户与该物品推荐列表中的待推荐物品的第一相似度和该待推荐物品与该目标物品的第二相似度；

计算单元，用于根据该第一相似度以及该第二相似度，确定该待推荐物品的推荐参数；

排序单元，用于根据该待推荐物品的推荐参数对该物品推荐列表的该待推荐物品进行排序更新，根据更新后的物品推荐列表为该推荐用户进行物品推荐。

在本发明的一些实施例中，还可以提供一种计算机设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上所述方法的步骤。

在本发明的一些实施例中，还可以提供一种计算机可读存储介质，其上存储有计算机程序，当计算机程序在计算机上运行时，使得所述计算机执行如如上所述方法的步骤。

在本申请中，得到物品推荐列表之后，可以根据用户的操作对物品推荐列表进行动态化调整，具体方案包括确定该待推荐用户在推荐的物品中进行了互动操作的目标物品，确定该待推荐用户与该物品推荐列表中的待推荐物品的第一相似度；确定该待推荐物品与该目标物品的第二相似度；基于该第一相似度以及该第二相似度，确定该待推荐物品的推荐参数；基于该待推荐物品的推荐参数对该物品推荐列表的该待推荐物品进行排序更新，基于更新后的物品推荐列表为该待推荐用户进行物品推荐，由此可知，本申请与传统的推荐方案不同，并不是在得到物品推荐列表后，就机械地按照列表中的物品顺序进行推荐，而是在得到物品推荐列表之后，可以根据用户的操作，对该物品推荐列表进行灵活的动态调整，然后基于动态调整之后新的物品推荐列表为用户进行物品推荐，方便用户灵活地进行下一次的物品选择。

本申请中的召回策略是根据多个召回模型基于该用户数据、场景数据和所述物品数据进行物品召回，得到每一召回模型对候选物品的物品召回列表，对该物品召回列表进行融合得到物品推荐列表，基于该物品推荐列表为该待推荐用户进行物品推荐，而在现有技术中，通常只基于一个召回目的，只用一个比较大的召回模型进行召回，因此可知，本申请的方案是采取的是多种不同类型的小型召回策略，每一种小型召回策略都分别从候选集中召回了一定数量的物品，从而得到一个召回物品的一个大集合，再进一步将这个大集合中的物品进行排序处理，由于是同时进行多种小型策略的召回，所以可以解决单一模型召回的结果过于单一的问题，同时也提高了模型的处理时间。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的物品推荐的原理示意图；

图2是本发明实施例提供的物品推荐方法的流程示意图；

图3是本发明实施例提供的物品推荐装置的结构示意图；

图4是本发明实施例提供的计算机设备的结构示意图。

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，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种物品推荐方法、装置、计算机设备和存储介质。

以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。

本发明实施例提供的一种物品推荐方法，如图2所示，该物品推荐方法的流程如下：

201、获取候选物品的物品数据，获取待推荐用户的用户数据，以及待推荐用户所在场景的场景数据；

在本实施例中，如图1所示，候选物品指的是候选物品集(参考图1)中的物品，待推荐用户在本申请实施例中并不做限定。候选物品集可以是基于用户的历史交互物品(如历史点击、浏览、购买过的物品)的信息如类型、卖家、价格、产地等从平台提供的物品中选择出的。或者，若待推荐用户是新用户，则候选物品集可以包括平台上热销的多种物品类型下的热销物品。

在一个实施例中，用户数据包括用户属性数据、用户行为数据和用户社交数据，

其中，用户属性数据包括但不限于年龄、性别、住址、职业、婚恋状态、受教育程度、消费水平等。

其中，用户行为数据包括但不限于浏览、点击、收藏、购买、对物品的评分、评价等。

其中，用户社交数据包括但不限于互相关注、互相点赞、互相评论等。

在一个实施例中，物品数据包括物品属性数据和物品统计类数据。

其中，物品属性数据包括但不限于商品的分类、型号、标签，物品统计类数据包括但不限于商品击率，历史点赞数等。

其中，场景数据包括但不限于时间、星期、地点、天气等。

202、根据多个召回模型基于用户数据、场景数据和物品数据进行物品召回，得到每一召回模型对候选物品的物品召回列表；

在本实施例中，根据多个召回模型基于用户数据、场景数据和物品数据进行物品召回，指的是用多路召回策略来召回物品，多路召回策略是指采用不同的策略、特征或者简单模型，分别召回一部分候选集，然后再把这些候选集混合在一起后，供后续排序模型使用的策略。值得注意的是，每一路召回需要尽可能的保持独立性与互斥性，从而在保证各链路能够并行召回的同时，增加召回的多样性。

在本实施例中，如图1所示，多路召回策略中每一个召回模型采用的模型类型可以相同或不同，本实施对此没有限制，例如，召回模型可以采用逻辑回归模型来构建，逻辑回归模型又被称为广义线性回归模型，逻辑回归的实质是发生概率除以没有发生概率再取对数，如果已经训练好了逻辑回归模型，则可以根据该逻辑回归模型，预测在不同的自变量情况下，发生某种情况的概率有多大。

在本实施例中，

如图1所示，训练逻辑回归模型之前，需要构建基础数据集，基础数据集中的基础数据包括用户数据、物品数据和场景数据；构建好基础数据集之后，需要对基础数据集中的基础数据进行数据处理，数据处理包括缺失值分析处理与异常值分析处理。

其中，缺失值分析处理是指得到基础数据集后，首先，我们需要对缺失值检测，观察数据的分布情况，在本实施例中，利用图形函数对缺失值部分进行可视化展示，然后统计缺失值的个数据，获取数据的直观感受。

其次，根据缺失数据的情况，选择处理方法，其中最简单的方法是直接移除；如果缺失值所占比例较高，直接移除会损失大量观测，因此并不是最合适的方法。所以在本实施例中，我们使用KNN方法对缺失值进行填补。

其中，异常值分析及处理是由于将异常值考虑进去后结果出现模型的倾斜。关于异常值的分析处理方法，首先是需要先对异常值进行检测。

在一示例中，使用局部异常因子检测异常值的方法，局部异常因子是一种基于密度识别异常值的算法。算法实现是：将一个点的局部密度与分布在它周围的点的密度相比较，如果前者明显的比后者小，那么这个点相对于周围的点来说就处于一个相对比较稀疏的区域，这就表明该点事一个异常值。

其次是对异常值的处理，在本实施例中，对于异常值，选择直接剔除的方式对异常值进行处理。

在本实施例中，如图1所示，将基础数据集中经过数据处理之后的基础数据进行标签化处理成训练样本。

首先，对于经过数据处理之后的每一个用户数据、物品数据或者场景数据作为自变量分别映射出不同的级别，若数据为非数值型数据，一般会为这种数据设置至两个级别，本实施例将用户数据、物品数据或者场景数据中的非数值型数据映射到对应的级别中，形成定性化的数据标签。

例如，将受教育程度这一非数值型数据作为自变量映射出博士研究生、硕士研究生、本科、专科、高中、初中、小学共7个级别。

又例如，将消费水平这一非数值型数据作为自变量映射出高、中、低3个级别。

在本实施例中，再将上述定性化数据标签处理后的级别用数据标签指标来表示，数据标签指标由数字代码0或1构成，将上述已经映射出的级别用数字代码0或1来表示定性。

在一示例中，将“性别”这一用户属性数据作为自变量，映射出男和女两个级别，每一个级别都分别用0或1来定性。

在另一示例中，将“星期”这一场景数据作为自变量，映射出星期一、星期二、星期三、星期四、星期五、星期六共6个级别，每一个级别都分别用0或1来定性。

由此样本标签就构建好了，根据不同的用户数据、不同的场景数据和不同的物品数据的特点，利用强化学习建模状态转移过程，从而提升业务核心目标。针对每一待训练的召回模型，获取对应的训练样本，每一训练样本包括用户数据、物品的物品数据、用户所在场景的场景数据，训练样本的样本标签包括用户在场景下对物品在一种兴趣度指标上的指标值，其中，每种召回模型对应的兴趣度指标不同，基于召回模型的训练样本对召回模型进行训练，得到召回模型预测的第一兴趣度指标值，基于训练样本的第一兴趣度指标值与训练样本的样本标签，计算训练样本对应的召回模型的损失，基于损失对召回模型进行参数调整，直到满足模型训练结束条件，得到训练好的召回模型。

在本实施例中，兴趣度指标包括但不限于点击率、热效率、高质量率、复购率、好评率等。

在一示例中，以点击率作为兴趣度指标，进行与该兴趣度指标对应的逻辑回归模型的训练过程，首先将已经构建好的样本标签输入进逻辑回归模型，然后再将大量的数据样本输入该逻辑回归模型当中进行计算，根据不同用户数据、不同物品数据和不同场景数据的特点得到它们输入该逻辑回归模型之后的点击率指标值，通过这样一段时间大量的样本数据输入进该逻辑回归模型当中，最终得出每一样本标签也就是自变量的权重参数，将得到的权重参数引入该逻辑回归模型当中，得到训练好的逻辑回归模型。

203、对物品召回列表进行融合得到物品推荐列表，基于物品推荐列表为待推荐用户进行物品推荐；

在本实施例中，每一个物品召回列表都是通过对应的每一逻辑回归模型的计算得到的，物品召回列表、兴趣度指标和逻辑回归模型三者之间是一一对应的关系且每种召回模型对应的兴趣度指标是不同的，而物品推荐列表则是通过将基于不同兴趣度指标下形成的每一物品召回列表做并集，得到最终的推荐列表，也就是物品推荐列表。

为了实现将每一物品召回列表并集处理成物品推荐列表，本申请还提供了具体的并集处理的方法。

在本实施例中，对该物品召回列表进行融合得到物品推荐列表，基于该物品推荐列表为待推荐用户进行物品推荐，可以包括：获取每一召回策略对应的权重系数，将每一召回策略召回的物品的第二兴趣度指标值与召回策略对应的权重系数进行加权处理，得到物品的加权后指标值，基于加权后指标值对物品召回列表中的物品统一排序，得到物品推荐列表。

其中，不同召回策略对应的权重系数可以相同，也可以不同，本实施例对此没有限制。

在本实施例中，获取每一召回策略对应的权重系数的方法是通过线性加权发来实现的，由于本申请中的每一召回模型的兴趣度指标(评价指标)都是相互独立的，所以可以利用多元线性回归方法来得到各兴趣度指标对应的系数。

在一示例中，所评价的对象是待推荐物品，已知待推荐物品在物品召回列表中的历史表现和兴趣度指标，根据这些已知数据，导入兴趣度指标的评价模型，就建立起了一个多元线性回归模型，该模型可以得出每一兴趣度指标的权重系数，并且权重系数会根据兴趣度指标的改变而改变。

在本实施例中，若将每一召回策略召回的物品的第二兴趣度指标值与召回策略对应的权重系数进行加权处理，得到物品的加权后指标值不同时，则将物品加权后指标值按照从高到低的顺序进行排序，若将每一召回策略召回的物品的第二兴趣度指标值与召回策略对应的权重系数进行加权处理，得到物品的加权后指标值相同时，则会按照兴趣度指标值的默认优先顺序进行排序。

在一示例中，若将每一召回策略召回的物品的第二兴趣度指标值与召回策略对应的权重系数进行加权处理，得到物品的加权后指标值相同时，则会按照点击率、高质量率、复购率、热销率、好评率这样从左到右的顺序进行默认排序。

在一示例中，点击率、高质量率、复购率、热销率和好评率这5个兴趣度指标都有对应的权重系数，将每一物品经过每一逻辑回归模型处理之后得到的兴趣度指标值与对应的权重系数进行加权求和处理，得到每一物品的加权后指标值，根据加权后指标值的大小对点击率、高质量率、复购率、热销率和好评率这5个物品召回列表中的所有物品重新统一排序，得到物品推荐列表。

204、确定待推荐用户在推荐的物品中进行了互动操作的目标物品，确定待推荐用户与物品推荐列表中的待推荐物品的第一相似度，确定待推荐物品与目标物品的第二相似度；

待推荐用户与推荐的物品的互动操作包括但不限于：点击、浏览详情页、购买、收藏，等等。

在实施例中，目标物品是指物品推荐列表推荐给待推荐用户之后，待推荐用户根据物品推荐列表进行选择的物品，该待推荐用户选择的物品就是目标物品。

在本实施例中，第一相似度和第二相似度是在(最大边缘相关模型)MMR中出现的，最大边缘相关模型的目的是减少排序结果的冗余，同时保证结果的相关性。最早应用于文本摘要提取和信息检索等领域。在推荐场景下体现在，给用户推荐相关商品的同时，保证推荐结果的多样性，即排序结果存在着相关性与多样性的权衡。

在本实施例中，第一相似度函数与第二相似度函数可以不同，具体是根据业务需求来定。

在一示例中，相似度函数可以根据物品推荐列表中物品的价格、位置、类型等信息来计算。在本实施例中，第一相似度是用来衡量待推荐物品与用户数据的相似度，第二相似度是用来衡量目标物品与待推荐物品的相似度。

在本实施例中，第一相似度的前面设置有对应的第一权重，第二相似度的前面设置有对应的第二权重。

在本实施例中，将待推荐用户和待推荐物品映射到同一向量空间中，得到用户特征向量和物品特征向量，基于第一相似度计算方法对用户特征向量和物品特征向量进行相似度计算。

在另一实施例中，将已选取物品和待推荐物品映射到同一向量空间中，得到已选取特征向量和待推荐物品特征向量，基于第二相似度计算方法对已选取特征向量和待推荐物品特征向量进行相似度计算。

205、基于第一相似度以及第二相似度，确定待推荐物品的推荐参数；

物品的推荐参数是相对于推荐用户而言的，从整体上反映出待推荐物品对用户的重要程度。是根据多个召回列表中兴趣度指标的权重系数与召回列表中兴趣度指标的指标值加权求和得到的，因此得到的物品的推荐参数更加全面，更加让人信服。在计算物品的推荐参数时，运用到了MMR模型，MMR的全称为最大边缘相关模型。在MMR模型中，同时将相关性和多样性进行衡量。因此，可以方便的调节相关性和多样性的权重来满足偏向“需要相似的内容”或者偏向“需要不同方面的内容”的要求。

在本实施例中，采用最大边缘相关模型来计算出待推荐物品的推荐参数，在最大边缘相关模型中，可以根据实际推荐场景，选择合适的相似度计算方法和λ值，λ越大，推荐结果越相关；λ越小，推荐结果多样性越高。

在本实施例中，基于第一相似度对应的第一权重、第二相似度对应的第二权重，对第一相似度和第二相似度进行加权求和，得到相似度和作为待推荐物品的推荐参数，首先选取相关度最高的物品，然后，每次选取和用户行为数据匹配度高、和已经选取的物品最大相似度从高到低的物品。

在一示例中，在待推荐用户第一次与推荐的物品进行交互操作后，先将第一权重设置成0，基于第一相似度的第一权重，第二相似度的第二权重，对第一相似度和第二相似度进行加权求和，得到相似度和作为待推荐物品的推荐参数；

然后基于推荐参数对物品推荐列表的待推荐物品进行排序更新，以及基于更新后的物品推荐列表为待推荐用户进行物品推荐后，若接收到待推荐用户与推荐的物品进行交互操作，将第一权重设置成预设的0.15，基于第一相似度的第一权重，第二相似度的第二权重，对第一相似度和第二相似度进行加权求和，得到相似度和作为待推荐物品的推荐参数。

通过实验分析，第一权重系数设定成0.15时，得到的物品推荐参数在相关度与多样性二者之间会更加地平衡，但本申请方案中并不排除将第一权重系数设定成其他数值。

206、基于待推荐物品的推荐参数对物品推荐列表的待推荐物品进行排序更新，基于更新后的物品推荐列表为待推荐用户进行物品推荐；

在本实施例中，通过MMR算法模型得出待推荐物品对用户重要程度高低的物品推荐参数，然后将物品召回列表中的物品集中到一个新的列表中，再将待推荐物品根据其物品推荐参数的大小进行排序，后得到重新排序好的物品推荐列表。

在一示例中，在通过MMR算法模型得出待推荐物品对用户重要程度高低的物品推荐参数时，可以将所有物品召回列表中的部分物品集中到一个新的列表中，再将待推荐物品根据其物品推荐参数的大小进行排序，最后得到重新排序好的物品推荐列表。

在一示例中，在通过MMR算法模型得出待推荐物品对用户重要程度高低的物品推荐参数时，可以将部分物品召回列表中的部分物品集中到一个新的列表中，再将待推荐物品根据其物品推荐参数的大小进行排序，最后得到重新排序好的物品推荐列表。

在一示例中，在通过MMR算法模型得出待推荐物品对用户重要程度高低的物品推荐参数时，可以将所有物品召回列表中的所有物品集中到一个新的列表中，再将待推荐物品根据其物品推荐参数的大小进行排序，最后得到重新排序好的物品推荐列表。

其中，R代表物品推荐列表；Di代表物品推荐列表中的物品；S是MMR算法已经选取的物品；D是推荐结果集；Q是用户数据；λ是平衡相关度；Dj是MMR算法中已经选取的物品中的某个物品；Sim1用来衡量物品Di和Q的相似度，Sim2用来衡量物品间的相似度；公式中Sim1(D,Q)建模了当前候选的物品Di和Q的相似度，maxDj∈SSim2(Di,Dj)表示当前候选的物品Di和Q已经选取的物品的最大相似度。

在一示例中，在通过MMR算法模型得出待推荐物品对用户重要程度高低的物品推荐参数时，可以将部分物品召回列表中的所有物品集中到一个新的列表中，再将待推荐物品根据其物品推荐参数的大小进行排序，最后得到重新排序好的物品推荐列表。

其中在物品召回列表中，选取部分物品集中到一个新的列表中，选取的方式不作限定，可以是选取物品召回列表中排序靠前的物品，比如选取前百分之10的物品，然后将这些物品集中到一个新的列表中。

在本实施例中，为了提升推荐的实时性，可以通过ODL在线学习，实现重排模型实时更新，提升整体的实时性，另外在终端上部署MMR模型,实现在终端上重新排序的效果，实现推荐的实时响应和特征的实时捕获。

在本实施例中，将候选物品中的物品数据、待推荐用户的用户数据和待推荐用户所在场景的场景数据，输入进多路召回模型中，得到多个物品召回列表，并将多个物品召回列表进行融合成一个物品推荐列表，该物品推荐列表可以根据用户的操作进行灵活的动态调整，然后基于动态调整之后新的物品推荐列表为用户进行物品推荐，方便用户灵活地进行下一次的物品选择。

为了更好地实施以上方法，相应的，本发明实施例还提供一种物品推荐装置，参考图3，该装置包括：

获取单元301，用于获取候选物品的物品数据，获取待推荐用户的用户数据，以及该待推荐用户所在场景的场景数据；

召回单元302，用于根据多个召回模型基于该用户数据、场景数据和该物品数据进行物品召回，得到每一召回模型对候选物品的物品召回列表；

融合单元303，用于对该物品召回列表进行融合得到物品推荐列表，基于该物品推荐列表为该待推荐用户进行物品推荐；

确定单元304，用于确定该待推荐用户在推荐的物品中进行了互动操作的目标物品、该待推荐用户与该物品推荐列表中的待推荐物品的第一相似度和该待推荐物品与该目标物品的第二相似度；

计算单元305，用于根据该第一相似度以及该第二相似度，确定该待推荐物品的推荐参数；

排序单元306，用于根据该待推荐物品的推荐参数对该物品推荐列表的该待推荐物品进行排序更新，根据更新后的物品推荐列表为该推荐用户进行物品推荐。

在本发明的一个实施例中，获取单元301获取的待推荐用户的用户数据包括获取待推荐用户的用户行为数据、用户属性数据和用户社交数据作为用户数据。

在本发明的一个实施例中，确定单元304，具体用于基于所述第一相似度对应的第一权重、所述第二相似度对应的第二权重，对所述第一相似度和第二相似度进行加权求和，得到相似度和作为所述待推荐物品的推荐参数，所述第一权重和第二权重之差为1。

在本发明的一个实施例中，装置还包括训练单元，用于获取多个待训练的召回模型；针对每一待训练的召回模型，获取对应的训练样本，每一训练样本包括用户数据、物品的物品数据、用户所在场景的场景数据，训练样本的样本标签包括用户在所述用户所在场景下对所述物品在一种兴趣度指标上的指标值，其中，每种召回模型对应的兴趣度指标不同；基于所述召回模型的训练样本对所述召回模型进行训练，得到所述召回模型预测的第一兴趣度指标值；基于所述训练样本的第一兴趣度指标值与所述训练样本的样本标签，计算所述训练样本对应的召回模型的损失；基于所述损失对所述召回模型进行参数调整，直到满足模型训练结束条件，得到训练好的召回模型。

在本发明的一个实施例中，确定单元304，具体用于在所述待推荐用户第一次与推荐的物品进行交互操作后，将所述第一权重设置成0，基于所述第一相似度的第一权重，所述第二相似度的第二权重，对所述第一相似度和第二相似度进行加权求和，得到相似度和作为所述待推荐物品的推荐参数；在基于所述推荐参数对所述物品推荐列表的所述待推荐物品进行排序更新，以及基于更新后的物品推荐列表为所述待推荐用户进行物品推荐后，若接收到所述待推荐用户与推荐的物品进行交互操作，将所述第一权重设置成预设的非零值，基于所述第一相似度的第一权重，所述第二相似度的第二权重，对所述第一相似度和第二相似度进行加权求和，得到相似度和作为所述待推荐物品的推荐参数。

在本发明的实施例中，每一召回模型用于召回一种兴趣度指标上用户感兴趣的物品，每种召回模型对应的兴趣度指标不同；召回单元302，用于根据多个召回模型基于用户数据、场景数据和所述物品数据，预测在所述待推荐用户所在场景下，所述待推荐用户对所述候选物品的第二兴趣度指标值；基于每一召回模型预测出的第二兴趣度指标值，确定每一召回模型对候选物品的物品召回列表；融合单元，用于获取每一召回策略对应的权重系数；将每一召回策略召回的物品的第二兴趣度指标值与所述召回策略对应的所述权重系数进行加权处理，得到物品的加权后指标值；基于加权后指标值对所述物品召回列表中的物品统一排序，得到物品推荐列表。

在本发明的实施例中，确定单元304具体用于基于第一相似度计算方法确定所述待推荐用户与所述物品推荐列表中的待推荐物品的第一相似度；基于第二相似度计算方法确定所述待推荐物品与所述目标物品的第二相似度，其中，第一相似度计算方法和第二相似度计算方法不同。

在本申请实施例中，通过设置获取单元、召回单元、融合单元、确定单元、计算单元和排序单元将候选物品中的物品数据、待推荐用户的用户数据和待推荐用户所在场景的场景数据，输入进多路召回模型中，得到多个物品召回列表，并将多个物品召回列表进行融合成一个物品推荐列表，然后根据用户对物品推荐列表中的推送物品进行的操作，动态地更新物品推荐列表中物品的顺序，使得物品的推荐更加灵活多变，不断地根据用户的操作进行针对性地推荐物品。

此外，本发明实施例还提供一种计算机设备，该计算机设备可以为终端或者服务器，如图4所示，其示出了本发明实施例所涉及的计算机设备的结构示意图，具体来讲：

该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图4中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器401是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。

存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。

计算机设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、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。

该计算机设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：

获取候选物品的物品数据，获取待推荐用户的用户数据，以及待推荐用户所在场景的场景数据；

根据多个召回模型基于用户数据、场景数据和物品数据进行物品召回，得到每一召回模型对候选物品的物品召回列表；

对物品召回列表进行融合得到物品推荐列表，基于物品推荐列表为待推荐用户进行物品推荐；

确定待推荐用户在推荐的物品中进行了互动操作的目标物品；

确定待推荐用户与物品推荐列表中的待推荐物品的第一相似度；

确定待推荐物品与目标物品的第二相似度；

基于第一相似度以及第二相似度，确定待推荐物品的推荐参数；

基于待推荐物品的推荐参数对物品推荐列表的待推荐物品进行排序更新，基于更新后的物品推荐列表为待推荐用户进行物品推荐。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本发明实施例还提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例中的各种可选实现方式中提供的方法。

根据本申请的一个方面，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中的各种可选实现方式中提供的方法。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

由于该存储介质中所存储的指令，可以执行本发明实施例所提供的方法中的步骤，因此，可以实现本发明实施例所提供的方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上对本发明实施例所提供的一种物品推荐方法、装置、计算机设备和存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种物品推荐方法，其特征在于，所述方法包括：

获取候选物品的物品数据，获取待推荐用户的用户数据，以及所述待推荐用户所在场景的场景数据；

根据多个召回模型基于所述用户数据、场景数据和所述物品数据进行物品召回，得到每一召回模型对候选物品的物品召回列表；

对所述物品召回列表进行融合得到物品推荐列表，基于所述物品推荐列表为所述待推荐用户进行物品推荐；

确定所述待推荐用户在推荐的物品中进行了互动操作的目标物品、所述待推荐用户与所述物品推荐列表中的待推荐物品的第一相似度、和所述待推荐物品与所述目标物品的第二相似度；

基于所述第一相似度以及所述第二相似度，确定所述待推荐物品的推荐参数；

基于所述待推荐物品的推荐参数对所述物品推荐列表的所述待推荐物品进行排序更新，基于更新后的物品推荐列表为所述待推荐用户进行物品推荐。

2.根据权利要求1所述的物品推荐方法，其特征在于，所述基于所述第一相似度以及所述第二相似度，确定所述待推荐物品的推荐参数，包括：

基于所述第一相似度对应的第一权重、所述第二相似度对应的第二权重，对所述第一相似度和第二相似度进行加权求和，得到相似度和作为所述待推荐物品的推荐参数，所述第一权重和第二权重之差为1。

3.根据权利要求1所述的物品推荐方法，其特征在于，还包括：

获取多个待训练的召回模型；

针对每一待训练的召回模型，获取对应的训练样本，每一训练样本包括用户数据、物品的物品数据、用户所在场景的场景数据，训练样本的样本标签包括用户在所述用户所在场景所述物品在一种兴趣度指标上的指标值，其中，每种召回模型对应的兴趣度指标不同；

基于所述召回模型的训练样本对所述召回模型进行训练，得到召回模型预测的第一兴趣度指标值；

基于所述训练样本的第一兴趣度指标值与所述训练样本的样本标签，计算所述训练样本对应的召回模型的损失；

基于所述损失对所述召回模型进行参数调整，直到满足模型训练结束条件，得到训练好的召回模型。

4.根据权利要求2所述的物品推荐方法，其特征在于，所述基于所述第一相似度对应的第一权重、所述第二相似度对应的第二权重，对所述第一相似度和第二相似度进行加权求和，得到相似度和作为所述待推荐物品的推荐参数，包括：

在所述待推荐用户第一次与推荐的物品进行交互操作后，将所述第一权重设置成0，基于所述第一相似度的第一权重，所述第二相似度的第二权重，对所述第一相似度和第二相似度进行加权求和，得到相似度和作为所述待推荐物品的推荐参数；

在基于所述推荐参数对所述物品推荐列表的所述待推荐物品进行排序更新，以及基于更新后的物品推荐列表为所述待推荐用户进行物品推荐后，若接收到所述待推荐用户与推荐的物品进行交互操作，将所述第一权重设置成预设的非零值，基于所述第一相似度的第一权重，所述第二相似度的第二权重，对所述第一相似度和第二相似度进行加权求和，得到相似度和作为所述待推荐物品的推荐参数。

5.根据权利要求1所述的物品推荐方法，其特征在于，所述获取待推荐用户的用户数据，包括：

获取待推荐用户的用户行为数据、用户属性数据和用户社交数据作为用户数据。

6.根据权利要求1-5任一项所述的物品推荐方法，其特征在于，每一召回模型用于召回一种兴趣度指标上用户感兴趣的物品，每种召回模型对应的兴趣度指标不同；

所述根据多个召回模型基于所述用户数据、场景数据和所述物品数据进行物品召回，得到每一召回模型对候选物品的物品召回列表，包括：

根据多个召回模型基于用户数据、场景数据和所述物品数据，预测在所述待推荐用户所在场景下，所述待推荐用户对所述候选物品的第二兴趣度指标值；

基于每一召回模型预测出的第二兴趣度指标值，确定每一召回模型对候选物品的物品召回列表；

所述对所述物品召回列表进行融合得到物品推荐列表，基于所述物品推荐列表为所述待推荐用户进行物品推荐，包括：

获取每一召回策略对应的权重系数；

将每一召回策略召回的物品的第二兴趣度指标值与所述召回策略对应的所述权重系数进行加权处理，得到物品的加权后指标值；

基于加权后指标值对所述物品召回列表的物品统一排序，得到物品推荐列表。

7.根据权利要求1-5任一项所述的物品推荐方法，其特征在于，所述确定所述待推荐用户与所述物品推荐列表中的待推荐物品的第一相似度，包括：

基于第一相似度计算方法确定所述待推荐用户与所述物品推荐列表中的待推荐物品的第一相似度；

所述确定所述待推荐物品与所述目标物品的第二相似度，包括：

基于第二相似度计算方法确定所述待推荐物品与所述目标物品的第二相似度，其中，第一相似度计算方法和第二相似度计算方法不同。

8.一种物品推荐装置，其特征在于，包括：

获取单元，用于获取候选物品的物品数据，获取待推荐用户的用户数据，以及所述待推荐用户所在场景的场景数据；

召回单元，用于根据多个召回模型基于所述用户数据、场景数据和所述物品数据进行物品召回，得到每一召回模型对候选物品的物品召回列表；

融合单元，用于对所述物品召回列表进行融合得到物品推荐列表，基于所述物品推荐列表为所述待推荐用户进行物品推荐；

确定单元，用于确定所述待推荐用户在推荐的物品中进行了互动操作的目标物品、所述待推荐用户与所述物品推荐列表中的待推荐物品的第一相似度、和所述待推荐物品与所述目标物品的第二相似度；

计算单元，用于根据所述第一相似度以及所述第二相似度，确定所述待推荐物品的推荐参数；

排序单元，用于根据所述待推荐物品的推荐参数对所述物品推荐列表的所述待推荐物品进行排序更新，根据更新后的物品推荐列表为所述推荐用户进行物品推荐。

9.一种计算机设备，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，当计算机程序在计算机上运行时，使得所述计算机执行如权利要求1至7中任一项所述方法的步骤。

Images