CN115641179A

CN115641179A - 信息推送方法、装置及电子设备

Info

Publication number: CN115641179A
Application number: CN202110812424.8A
Authority: CN
Inventors: 邓巧玲; 高丽; 陈婷; 马振
Original assignee: China Mobile Communications Group Co Ltd; China Mobile Financial Technology Co Ltd; China Mobile Group Electronic Commerce Co Ltd
Current assignee: China Mobile Communications Group Co Ltd; China Mobile Financial Technology Co Ltd; China Mobile Group Electronic Commerce Co Ltd
Priority date: 2021-07-19
Filing date: 2021-07-19
Publication date: 2023-01-24

Abstract

本发明提供一种信息推送方法、装置及电子设备，所述方法包括：将目标商品的图片特征、文本特征、历史购买特征以及价格输入至训练好的附加边信息增强图嵌入算法模型，输出与目标商品相关联的商品的信息；附加边信息增强图嵌入算法模型的商品图的边信息包含商品的图片特征和文本特征；将与目标商品相关联的商品的信息推送给用户。本发明提供的信息推送方法、装置及电子设备，将商品的图片特征、文本特征、历史购买特征以及价格进行特征融合生成特征向量，通过训练好的附加边信息增强图嵌入算法模型在商品特征集中搜索与该特征向量相近的特征向量，按照邻近程度进行排序，能够准确地帮用户找到自己感兴趣的商品。

Description

信息推送方法、装置及电子设备

技术领域

本发明涉及计算机技术领域，具体涉及一种信息推送方法、装置及电子设备。

背景技术

电商行业的快速发展推动了一种新的消费场景出现：用户在找到自己感兴趣的商品后，希望能够更多地浏览相关或者同类型的商品，便于货比三家，买到更合适的商品。若能准确为用户进行相关商品推荐，则可以促进交易的达成。

目前，常用的关联推荐方法有以下几种：

1、基于协同过滤。常用的为基于用户的协同过滤方法，该方法给用户推荐那些与他们有相似历史行为的用户所购买的商品。在数据集规模较大的条件下，准确率较高。但计算时长也将随着数据规模的增大而增长。

2、基于矩阵分解。该方法对用户商品矩阵进行分解，得到用户以及商品的隐向量。为用户推荐与之浏览商品在隐向量空间内相近的商品。

3、基于内容的推荐。如商品品牌、价格、类别，建立商品信息之间内在内容的联系，将关联商品推荐给用户。

现有的商品推荐策略不能准确地帮用户找到自己感兴趣的商品，无法为用户提供更贴合于用户实际需求的商品推荐。

发明内容

本发明提供一种信息推送方法、装置及电子设备，用以解决现有的商品推荐结果不准确的技术问题。

第一方面，本发明提供一种信息推送方法，包括：

获取目标商品的图片特征、文本特征、历史购买特征以及价格；并根据所述目标商品的图片特征、文本特征、历史购买特征以及价格生成所述目标商品的特征向量；

将所述目标商品的图片特征、文本特征、历史购买特征以及价格输入至训练好的附加边信息增强图嵌入算法模型，输出与所述目标商品相关联的商品的信息；所述附加边信息增强图嵌入算法模型的商品图的边信息包含商品的图片特征和文本特征；

将与所述目标商品相关联的商品的信息推送给用户。

可选地，还包括：

获取预设时间窗口内所有用户的购买行为序列；

根据预设时间窗口内所有用户的购买行为序列构建商品图；；所述商品图的结点表示商品，所述商品图的有向边表示用户购买有向边两端商品的先后顺序；所述商品图的有向边的权重表示用户购买有向边两端商品的次数

随机选择起始结点，在所述商品图上进行随机游走，重新产生新的商品序列，随机游走的跳转概率与有向边的权重呈正相关；

根据得到的新的商品序列的独热编码、商品的图片特征、商品的文本特征以及商品的价格生成商品的特征向量，利用商量的特征向量对Item2Vec模型进行训练，得到训练好的附加边信息增强图嵌入算法模型。

可选地，所述获取目标商品的图片特征，包括：

将所述目标商品的图片输入至训练好的卷积神经网络，输出所述目标商品的图片特征；

所述训练好的卷积神经网络是使用公开数据集进行训练后得到的。

可选地，所述卷积神经网络为VGG-16网络。

可选地，所述目标商品的图片特征包括以下至少一项：

图片颜色；

图片纹理。

可选地，所述获取目标商品的文本特征，包括：

将目标商品的描述文本输入至BERT网络，输出所述目标商品的文本特征。

可选地，所述目标商品的文本特征包括以下至少一项：

商品名称；

商品简介；

商品功能；

商品原理；

商品的使用方法；

商品的注意事项。

第二方面，本发明提供一种信息推送装置，包括：

获取模块，用于获取目标商品的图片特征、文本特征、历史购买特征以及价格；并根据所述目标商品的图片特征、文本特征、历史购买特征以及价格生成所述目标商品的特征向量；

处理模块，用于将所述目标商品的特征向量输入至训练好的附加边信息增强图嵌入算法模型，输出与所述目标商品相关联的商品的信息；所述附加边信息增强图嵌入算法模型的商品图的边信息包含商品的图片特征和文本特征；

推送模块，用于将与所述目标商品相关联的商品的信息推送给用户。

第三方面，本发明提供一种电子设备，包括存储器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述信息推送方法的步骤。

第四方面，本发明提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行第一方面所述信息推送方法的步骤。

本发明提供的信息推送方法、装置及电子设备，将商品的图片特征、文本特征、历史购买特征以及价格进行特征融合生成特征向量，通过训练好的附加边信息增强图嵌入算法模型在商品特征集中搜索与该特征向量相近的特征向量，按照邻近程度进行排序，能够准确地帮用户找到自己感兴趣的商品，为用户提供更贴合于用户实际需求的商品推荐。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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是本发明提供的信息推送方法的流程示意图；

图2是本发明提供的基于多特征融合的深度学习推荐原理示意图；

图3是本发明提供的信息推送装置的结构示意图；

图4是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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，本领域普通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。

现有的商品推荐策略通常只考虑基于用户历史行为的信息，如协同过滤、矩阵分解，或者基于商品品牌、价格等信息。这些方法忽略了两个关键的特征：

1、商品的展示图片。大量的数据表明，用户在挑选衣服或者杯子等商品时，更倾向于选择某种风格或颜色的商品。

2、商品的文本描述特征。商品的文本描述对消费者购买行为也起到了至关重要的影响。

因此，现有的商品推荐策略不能准确地帮用户找到自己感兴趣的商品，无法为用户提供更贴合于用户实际需求的商品推荐。

为解决上述技术问题，本申请实施例基于多特征融合的深度学习信息推送方法，除考虑商品的历史购买特征以及商品价格之外，额外加入商品图片特征以及商品文本特征，并且通过深度学习将各个特征进行融合，得到一个综合的商品推荐模型，解决了现有的商品推荐策略不能准确地帮用户找到自己感兴趣的商品，无法为用户提供更贴合于用户实际需求的商品推荐的问题。

图1是本发明提供的信息推送方法的流程示意图，如图1所示，本发明提供一种信息推送方法，包括：

步骤101、获取目标商品的图片特征、文本特征、历史购买特征以及价格。

步骤102、将所述目标商品的图片特征、文本特征、历史购买特征以及价格输入至训练好的附加边信息增强图嵌入算法模型，输出与所述目标商品相关联的商品的信息；所述附加边信息增强图嵌入算法模型的商品图的边信息包含商品的图片特征和文本特征。

步骤103、将与所述目标商品相关联的商品的信息推送给用户。

图2是本发明提供的基于多特征融合的深度学习推荐原理示意图，如图2所示，本发明融合商品的历史购买特征、商品文本特征、商品图片特征以及商品价格进行深度学习，实现相关商品信息的推送，该方法具备融合多种特征的能力，并通过梯度下降自动学习各个特征的权重参数，最终由深度学习网络直接输出融合后的特征向量。

例如，当用户点击进入某个(目标)商品详情页界面时，在页面底部为用户推荐相似商品，其具体实现方法如下：

第一步，离线训练一个特征提取器(F)用于提取商品的特征向量。

第二步，对商城中所有商品提取特征向量并进行离线存储，构建商品特征集。

第三步，当用户线上点击进入某个商品的详情页时，提取该商品的特征向量，并通过训练好的附加边信息增强图嵌入算法模型在商品特征集中搜索与之在向量空间相近的特征向量，按照邻近程度进行排序，这些特征向量所对应商品的便是同类推荐候选商品。

在同类商品推荐场景中，不仅需要考虑到商品的历史购买特征(关联商品被消费者们高频相继购买)，也需考虑到商品本身的相似度，本申请实施例采用了商品的历史购买特征、商品图片、价格以及文字描述特征相似度，可以更好地解决冷启动问题(商品新上架或因其它原因没有历史被购买记录，导致被推荐机会少)。综合多种特征关键的一步就是特征提取器的构建。深度学习方法具备融合多维特征的先天优势，可从海量数据中自动学习多种特征之间的权重。

基于图嵌入的推荐方法相比于传统的协同过滤、矩阵分解等方法，该方法能够更方便地融合多维度特征。

本发明提供的信息推送方法，将商品的图片特征、文本特征、历史购买特征以及价格进行特征融合生成特征向量，通过训练好的附加边信息增强图嵌入算法模型在商品特征集中搜索与该特征向量相近的特征向量，按照邻近程度进行排序，能够准确地帮用户找到自己感兴趣的商品，为用户提供更贴合于用户实际需求的商品推荐。

可选地，还包括：

获取预设时间窗口内所有用户的购买行为序列；

根据预设时间窗口内所有用户的购买行为序列构建商品图；所述商品图的结点表示商品，所述商品图的有向边表示用户购买有向边两端商品的先后顺序；所述商品图的有向边的权重表示用户购买有向边两端商品的次数；

具体地，相对于早期直接由Item2Vec对用户行为序列数据进行学习的方式，本申请实施例基于图嵌入的推荐方法可以处理海量并且稀疏的历史行为数据，提高模型的训练效率。训练过程如下：

(1)首先，获取一定时间窗口内所有用户的购买行为序列。

(2)将大量的用户行为序列以商品图(商品关系图)形式进行表达。其中，商品图包含结点和边这两种结构，结点代表商品，边代表用户先后购买了该边连接的两个商品。如果后续产生了多条相同的有向边，则边的权重被加强。

(3)然后，随机选择起始结点，在商品图上进行随机游走，重新产生新的商品序列，随机游走的跳转概率与边的权重呈正相关。至此，原本海量且稀疏的用户行为序列已被大大的精简。

(4)本申请实施例以附加边信息增强图嵌入算法(EGES)为基础，对最基本的EGES算法中的Item2Vec进行改进，Item2Vec模型的输入除了商品ID的独热编码，额外加入了商品图片信息、商品文本信息以及商品价格。通过Item2Vec模型学习商品序列中两两商品共现的概率，例如，输入为商品A的独热编码，输出为商品D的独热编码。该Item2Vec模型的目标函数是最大化商品序列中相邻或间隔相近的两个商品之间的共现概率。训练完毕后，相似商品在隐层输出空间将具有相近特征，这是因为相似的商品大概率有着相同的上下文关联信息。

本发明提供的信息推送方法，预先对改进后的附加边信息增强图嵌入算法模型进行训练，以使得利用训练好的附加边信息增强图嵌入算法模型，为用户提供更贴合于用户实际需求的商品推荐。

可选地，所述获取目标商品的图片特征，包括：

具体地，本申请实施例通过公开数据集ImageNet训练卷积神经网络，例如，可以使用VGG-16网络等，使用训练好的卷积神经网络作为商品图片的特征提取器生成商品的图片特征(图片嵌入(Embedding)向量)。

可选地，所述获取目标商品的文本特征，包括：

具体地，本申请实施例通过海量中文语料训练好的Bert网络作为商品文本特征提取器生成商品文本Embedding向量。

由此，新上架的商品可以只通过输入商品图片、文本及价格这些基础特征与其它商品计算相似度(商品的历史购买特征置零)。

需要强调的是：每个特征的Embedding向量维度应保持一致。为了区分不同特征对最终推荐结果的重要程度，每个Embedding特征与隐层的连接之间加入一个权重参数,分别为a0、a1、a2、a3，这四个参数可通过梯度下降方法自动更新学习。

本发明提供的信息推送方法，利用卷积神经网络提取商品的图片特征，利用BERT网络提取商品的文本特性，通过梯度下降自动学习各个特征的权重参数，最终由深度学习网络直接输出融合后的特征向量，进一步提高了商品推荐的准确性。

下面对这四个输入的特征以及部分特征的Embedding方法进行一一阐述。

(1)商品的历史购买特征

基于图嵌入的推荐方法，通过海量的用户历史行为序列构建商品图，再在商品图上进行随机游走，极大的精简了庞大且稀疏的历史行为数据，同时保留了商品之间的关联。将商品ID的独热编码作为Item2Vec输入的特征之一，将商品序列中间隔相近商品ID的独热编码作为Item2Vec模型的输出，可以学习到商品序列的上下文信息，并将历史购买特征相似的商品映射到隐层输出空间中相近的位置。

(2)商品的图片特征

本申请实施例采用卷积神经网络提取商品的图片特征。例如，采用VGG-16网络架构，使用公开数据集ImageNet进行训练。该网络训练完成后，取出全连接层的特征作为所提取到图片信息特征，数据维度为4096。为了满足推荐模型中Embedding的特征维度，将该特征进行主成分分析(Principal Component Analysis，PCA)降维后作为Item2Vec模型中图片的Embedding向量。该模块实现对商品图片信息的提取，包含图片的颜色以及纹理信息，风格相似的图像将得到相近的特征向量。

(3)商品的文本特征

本申请实施例采用深度文本匹配网络提取商品的文本特征。描述相近的商品将得到在该特征空间中相近的特征向量。例如，使用Bert作为网络架构，使用公开中文语料数据进行训练。将商品的名称以及介绍文本输入到Bert网络提取商品文本特征。进一步地，将该特征进行PCA降维后作为Item2Vec模型中文本的Embedding向量。该模块实现对商品文本信息的提取，包含商品名称、商品简介、商品功能、商品原理、商品的使用方法、商品的注意事项等中的至少一种。例如，名称或简介相似的商品将得到相近的特征向量。

(4)商品价格

商品价格同样是推荐因素中重要特征之一，消费者对产品的价格通常有一个大致的心理预期，商品价格过高，白白浪费推荐位，过低则无法最大化平台的利益。对于积分商城类电商应用，影响则更为明显。

本申请实施例提供的基于多特征融合的深度学习推荐方法，除考虑商品的历史购买特征以及商品价格之外，额外加入商品图片特征以及商品文本特征，并且通过深度学习将各个特征进行融合，得到一个综合的商品推荐模型。

相对于现有技术，本申请实施例的优点如下：

优势一：在进行商品推荐时，综合考虑了商品文本相似、图片相似度、商品购买历史、商品价格四个因素，兼顾了推荐准确度、销售业务需要、模型效率等几个维度的因素，弥补了单个模型存在的使用场景局限性的问题，能够更好的完成同类商品场景下的推荐任务。

优势二：通过深度学习融合多维特征并自动学习权重参数，取代根据人工经验指定权重参数，直接学习得到最终的商品向量空间，并根据不同特征影响程度的不同确定最终的权重参数，能够更准确地帮用户找到自己感兴趣的商品，为用户提供更贴合于用户实际需求的商品推荐。

优势三：通过ImageNet数据集训练好的VGG网络作为商品图片的特征提取器生成商品图片Embedding向量，通过海量中文语料训练好的Bert网络作为商品文本特征提取器生成商品文本Embedding向量，新上架的商品可以只通过输入商品图片、文本及价格这些基础特征与其它商品计算相似度(商品的历史购买特征置零)，可以更好地解决冷启动问题(商品新上架或因其它原因没有历史被购买记录，导致被推荐机会少)。

下面对本发明提供的信息推送装置进行描述，下文描述的信息推送装置与上文描述的信息推送方法可相互对应参照。

图3是本发明提供的信息推送装置的结构示意图，如图3所示，本发明提供一种信息推送装置，包括获取模块301、处理模块302和推送模块303，其中：

获取模块301用于获取目标商品的图片特征、文本特征、历史购买特征以及价格；并根据所述目标商品的图片特征、文本特征、历史购买特征以及价格生成所述目标商品的特征向量；

处理模块302用于将所述目标商品的特征向量输入至训练好的附加边信息增强图嵌入算法模型，输出与所述目标商品相关联的商品的信息；所述附加边信息增强图嵌入算法模型的商品图的边信息包含商品的图片特征和文本特征；

推送模块303用于将与所述目标商品相关联的商品的信息推送给用户。

具体地，本申请实施例提供的上述信息推送装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。

图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communication Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的计算机程序，以执行信息推送方法的步骤，例如包括：

将所述目标商品的特征向量输入至训练好的附加边信息增强图嵌入算法模型，输出与所述目标商品相关联的商品的信息；所述附加边信息增强图嵌入算法模型的商品图的边信息包含商品的图片特征和文本特征；

将与所述目标商品相关联的商品的信息推送给用户。

此外，上述的存储器430中的逻辑指令可以通过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。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的信息推送方法的步骤，例如包括：

将与所述目标商品相关联的商品的信息推送给用户。

另一方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的方法的步骤，例如包括：

将与所述目标商品相关联的商品的信息推送给用户。

所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

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，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims

1.一种信息推送方法，其特征在于，包括：

将与所述目标商品相关联的商品的信息推送给用户。

2.根据权利要求1所述的信息推送方法，其特征在于，还包括：

获取预设时间窗口内所有用户的购买行为序列；

3.根据权利要求1所述的信息推送方法，其特征在于，所述获取目标商品的图片特征，包括：

4.根据权利要求3所述的信息推送方法，其特征在于，所述卷积神经网络为VGG-16网络。

5.根据权利要求1所述的信息推送方法，其特征在于，所述目标商品的图片特征包括以下至少一项：

图片颜色；

图片纹理。

6.根据权利要求1所述的信息推送方法，其特征在于，所述获取目标商品的文本特征，包括：

7.根据权利要求1所述的信息推送方法，其特征在于，所述目标商品的文本特征包括以下至少一项：

商品名称；

商品简介；

商品功能；

商品原理；

商品的使用方法；

商品的注意事项。

8.一种信息推送装置，其特征在于，包括：

9.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的信息推送方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，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7任一项所述信息推送方法的步骤。