CN116796065A - 一种推荐方法、计算设备及可读存储介质 - Google Patents

Abstract

本发明公开了一种推荐方法，涉及计算机领域。本发明的推荐方法包括：获取用户当前所在的业务场景。接着，基于获得的业务场景，从预先构建的向量集中获取关联物料的物料向量和至少一种其他向量，关联物料为与业务场景相关的物料，其他向量包括用户的用户向量和业务场景的场景向量。接着，基于关联物料的物料向量和至少一种其他向量，获取表征用户的特征的第一融合向量和/或表征各待推荐物料的特征的第二融合向量。最后，基于获得的第一融合向量和/或各第二融合向量，将用户所感兴趣的物料推荐给用户。本发明采用融合向量进行推荐，融合向量表示的信息更全面，从而可提高物料推荐的精准度。

Description

一种推荐方法、计算设备及可读存储介质

技术领域

本发明涉及计算机领域，尤其涉及一种推荐方法、计算设备及可读存储介质。

背景技术

随着移动互联网的快速发展，我们进入了信息爆炸时代，因此如何从海量信息中挑选出符合用户需求的内容至关重要。在这样的背景下，推荐系统应运而生，以缓解信息过载问题。然而，目前的推荐方法在进行召回时，其均未考虑不同类型物质之间的相关性，准确度较低。

为此，亟需一种新的推荐方法来解决上述问题。

发明内容

为此，本发明提供了一种推荐方法、计算设备及可读存储介质，以力图解决或者至少缓解上面存在的问题。

根据本发明的一个方面，提供一种推荐方法，该方法包括：获取用户当前所在的业务场景；基于业务场景，从预先构建的向量集中获取关联物料的物料向量和至少一种其他向量，关联物料为与业务场景相关的物料，其他向量包括用户的用户向量和业务场景的场景向量；基于关联物料的物料向量和至少一种其他向量，获取表征用户的特征的第一融合向量和/或表征各待推荐物料的特征的第二融合向量；基于第一融合向量和/或各第二融合向量，将用户所感兴趣的物料推荐给用户。

可选地，在根据本发明的推荐方法中，基于业务场景，从预先构建的向量集中获取关联物料的物料向量和至少一种其他向量，包括：当业务场景为第一类型场景时，从向量集中获取关联物料的物料向量和场景向量，第一类型场景为与物料相关性强的业务场景；当业务场景为第二类型场景时，从向量集中获取关联物料的物料向量和用户向量，第二类型场景为物料与物料相关性强的业务场景；当业务场景为第三类型场景时，从向量集中获取关联物料的物料向量、用户向量和场景向量，第三类型场景为与物料、用户均相关性强的业务场景。

可选地，在根据本发明的推荐方法中，基于关联物料的物料向量和至少一种其他向量，获取表征用户的特征的第一融合向量和/或表征各待推荐物料的特征的第二融合向量，包括：当业务场景为第一类型场景时，将各待推荐物料的物料向量分别与场景向量进行融合，获得各第二融合向量，待推荐物料为关联物料中除用户当前所浏览的目标物料之外的物料。

可选地，在根据本发明的推荐方法中，基于第一融合向量和/或各第二融合向量，将用户所感兴趣的物料推荐给用户，包括：计算目标物料的物料向量与各第二融合向量的相似度；根据获得的相似度，将用户所感兴趣的物料推荐给用户。

可选地，在根据本发明的推荐方法中，基于关联物料的物料向量和至少一种其他向量，获取表征用户的特征的第一融合向量和/或表征各待推荐物料的特征的第二融合向量，包括：当业务场景为第二类型场景时，将用户向量与所有参考物料的物料向量进行融合，获得第一融合向量，参考物料为关联物料中已与用户存在关联关系的物料。

可选地，在根据本发明的推荐方法中，基于第一融合向量和/或各第二融合向量，将用户所感兴趣的物料推荐给用户，包括：计算第一融合向量与各待推荐物料的物料向量的相似度，待推荐物料为关联物料中除参考物料之外的物料；基于获得的相似度，将用户所感兴趣的物料推荐给用户。

可选地，在根据本发明的推荐方法中，基于关联物料的物料向量和至少一种其他向量，获取表征用户的特征的第一融合向量和/或表征各待推荐物料的特征的第二融合向量，包括：当业务场景为第三类型场景时，将用户向量与场景向量进行融合，获得第一融合向量；以及将各关联物料的物料向量分别与场景向量进行融合，获得各第二融合向量。

可选地，在根据本发明的推荐方法中，基于第一融合向量和/或各第二融合向量，将用户所感兴趣的物料推荐给用户，包括：计算第一融合向量与各第二融合向量的相似度；基于获得的相似度，将用户所感兴趣的物料推荐给用户。

可选地，在根据本发明的推荐方法中，向量集的构建步骤，包括：基于用户的历史行为，构造异质图，异质图中的节点包括用户、物料和业务场景；以确定出的游走方式、游走权重，在异质图中进行游走，生成多个预设长度的序列；从生成的序列中获取训练数据，并基于训练数据，对向量生成模型进行训练；从训练好的向量生成模型中，获取隐层的权重矩阵；根据权重矩阵，确定异质图中各用户的用户向量、各物料的物料向量以及各业务场景的场景向量，构成向量集。

可选地，在根据本发明的推荐方法中，向量生成模型为word2vec模型。

可选地，在根据本发明的推荐方法中，采用element-wise方式或加权方式获取融合向量。

根据本发明的又一个方面，提供一种计算设备，包括：至少一个处理器；以及存储器，存储有程序指令，其中，程序指令被配置为适于由至少一个处理器执行，程序指令包括用于执行根据本发明的推荐方法的指令。

根据本发明的又一个方面，提供一种存储有程序指令的可读存储介质，当程序指令被计算设备读取并执行时，使得计算设备执行根据本发明的推荐方法。

根据本发明的推荐方法，首先获取用户当前所在的业务场景，接着基于获得的业务场景，从预先构建的向量集中获取关联物料的物料向量和至少一种其他向量，然后基于关联物料的物料向量和至少一种其他向量，获取表征用户的特征的第一融合向量和/或表征各待推荐物料的特征的第二融合向量。最后，基于第一融合向量和/或各第二融合向量，将用户所感兴趣的物料推荐给用户。可见，本发明采用的是融合向量进行推荐，融合向量能更好的捕捉用户的特征以及待推荐物料的特征，其表示的信息更全面，从而可提高物料推荐的精准度。并且，本发明是根据当前的业务场景类型采用相应的融合向量，如此既能准确的表征用户的特征以及待推荐物料的特征，还可以减少一定的计算量。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明一个实施例推荐方法的示意图；

图2示出了根据本发明一个实施例的计算设备200的结构框图；

图3示出了根据本发明一个实施例的推荐方法300的流程图；

图4示出了根据本发明一个实施例的所构造的异质图的示意图；

图5示出了根据本发明一个实施例的所生成的游走序列的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

目前的推荐方法在进行召回时，均未考虑不同类型物质之间的相关性，准确度较低。基于此，本发明提供了一种推荐方法，其采用融合向量进行召回。具体地，首先基于用户的历史行为，构造异质图。然后，基于构造的异质图，生成一定长度的序列，并基于生成的序列进行模型训练。最后，利用训练好的模型获取多类型物质的表征向量，并将其存储至容器中。接着，后续在进行推荐时，先基于当前的业务场景从该容器中获取所需的物质向量，然后进行融合，最后根据融合向量进行物料召回，并推荐给用户。其中，本发明的推荐方法可以在计算设备中执行。

图2示出了计算设备200的物理组件(即，硬件)的框图。在基本配置中，计算设备200包括至少一个处理单元202和系统存储器204。根据一个方面，取决于计算设备的配置和类型，处理单元202可以实现为处理器。系统存储器204包括但不限于易失性存储(例如，随机存取存储器)、非易失性存储(例如，只读存储器)、闪速存储器、或者这样的存储器的任何组合。根据一个方面，系统存储器204中包括操作系统205和程序模块206，程序模块206中包括推荐模块220，推荐模块220被配置为执行本发明的推荐方法300。

根据一个方面，操作系统205例如适合于控制计算设备200的操作。此外，示例结合图形库、其他操作系统、或任何其他应用程序而被实践，并且不限于任何特定的应用或系统。在图2中通过在虚线208内的那些组件示出了该基本配置。根据一个方面，计算设备200具有额外的特征或功能。例如，根据一个方面，计算设备200包括额外的数据存储设备(可移动的和/或不可移动的)，例如磁盘、光盘、或者磁带。这样额外的存储在图2中是由可移动存储209和不可移动存储210示出的。

如在上文中所陈述的，根据一个方面，在系统存储器204中存储有程序模块。根据一个方面，程序模块可以包括一个或多个应用程序，本发明不限制应用程序的类型，例如应用程序可以包括：电子邮件和联系人应用程序、文字处理应用程序、电子表格应用程序、数据库应用程序、幻灯片展示应用程序、绘画或计算机辅助应用程序、网络浏览器应用程序等。

根据一个方面，可以在包括分立电子元件的电路、包含逻辑门的封装或集成的电子芯片、利用微处理器的电路、或者在包含电子元件或微处理器的单个芯片上实践示例。例如，可以经由其中在图2中所示出的每个或许多组件可以集成在单个集成电路上的片上系统(SOC)来实践示例。根据一个方面，这样的SOC设备可以包括一个或多个处理单元、图形单元、通信单元、系统虚拟化单元、以及各种应用功能，其全部作为单个集成电路而被集成(或“烧”)到芯片基底上。当经由SOC进行操作时，可以经由在单个集成电路(芯片)上与计算设备200的其他组件集成的专用逻辑来对在本文中所描述的功能进行操作。还可以使用能够执行逻辑操作(例如AND、OR和NOT)的其他技术来实践本发明的实施例，所述其他技术包括但不限于机械、光学、流体、和量子技术。另外，可以在通用计算机内或在任何其他任何电路或系统中实践本发明的实施例。

根据一个方面，计算设备200还可以具有一个或多个输入设备212，例如键盘、鼠标、笔、语音输入设备、触摸输入设备等。还可以包括输出设备214，例如显示器、扬声器、打印机等。前述设备是示例并且也可以使用其他设备。计算设备200可以包括允许与其他计算设备218进行通信的一个或多个通信连接216。合适的通信连接216的示例包括但不限于：RF发射机、接收机和/或收发机电路；通用串行总线(USB)、并行和/或串行端口。

如在本文中所使用的术语计算机可读介质包括计算机存储介质。计算机存储介质可以包括以任何用于存储信息(例如，计算机可读指示、数据结构、或程序模块)的方法或技术来实现的易失性的和非易失性的、可移动的和不可移动的介质。系统存储器204、可移动存储209、和不可移动存储210都是计算机存储介质的示例(即，存储器存储)。计算机存储介质可以包括随机存取存储器(RAM)、只读存储器(ROM)、电可擦只读存储器(EEPROM)、闪速存储器或其他存储器技术、CD-ROM、数字通用盘(DVD)或其他光存储、盒式磁带、磁带、磁盘存储器或其他磁存储设备、或者可用于存储信息并且可以由计算设备200访问的任何其他制品。根据一个方面，任何这样的计算机存储介质都可以是计算设备200的一部分。计算机存储介质不包括载波或其他经传播的数据信号。

根据一个方面，通信介质是由计算机可读指令、数据结构、程序模块、或者经调制的数据信号(例如，载波或其他传输机制)中的其他数据实施的，并且包括任何信息传递介质。根据一个方面，术语“经调制的数据信号”描述了具有一个或多个特征集或者以将信息编码在信号中的方式改变的信号。作为示例而非限制，通信介质包括诸如有线网络或直接有线连接之类的有线介质，以及诸如声学、射频(RF)、红外线的、以及其他无线介质之类的无线介质。

图3示出了根据本发明一个实施例的推荐方法，方法300适于在计算设备(例如图2所示的计算设备200)中执行。如图3所示，该方法300始于310。

在310中，获取用户当前所在的业务场景。其中，可以将业务场景归为三类，具体地，与物料相关性强的业务场景、物料与物料相关性强的业务场景以及与物料、用户均相关性强的业务场景。为了便于描述，后续将与物料相关性强的业务场景称为第一类型场景，物料与物料相关性强的业务场景称为第二类型场景，与物料、用户均相关性强的业务场景称为第三类型场景。

根据本发明的一个实施例，第一类型场景可以包括内容相关推荐场景(即为用户推荐该内容相关内容，比如之家app内容相关推荐场景，用户看宝马配置内容，则可为用户推荐宝马驾驶体验、宝马价格行情等内容)、车系相关推荐场景(即为用户推荐该车系相关车系，比如之家app车系相关推荐场景，用户看宝马320车系的介绍，则可为用户推荐C200、奥迪A4等车系卡片，引导用户下线索给4s店)，第二类型场景可以包括关注页面(综合用户和用户关注作者，为用户推荐可能感兴趣的作者)、直播页面(综合用户和用户关注主播，为用户推荐可能感兴趣的主播)，第三类型场景可以包括推荐主页面(如之家app推荐主页面，为用户推荐个性化车的资讯、配置、评测等内容)、搜索结果页(如之家app搜索结果页，综合考虑搜索词、用户为用户提供相关且个性化的车相关内容)，当然这仅是示例，并不局限于此。另外，对于不同类型的业务场景，在一些实施例中，可以通过不同的标识进行标注。如此，在获取到用户当前所在的业务场景后，则可通过读取其标识，来确定当前业务场景的类型。

随后，进入320，基于获取的业务场景，从预先构建的向量集中获取关联物料的物料向量和至少一种其他向量。在此，先对关联物料、其他向量以及向量集进行一下说明。

其中，每一业务场景都有其所关联(及对应)的物料，此处的关联物料便是指与当前业务场景相关的物料。而其他向量，根据本发明的一个实施例，可以包括用户的用户向量和业务场景的场景向量。

至于向量集，在一些实施例中，可通过如下方式构建。首先，基于用户的历史行为，构造异质图。具体地，根据用户的历史行为，确定节点之间的连接关系，然后由节点和连接关系共同构造异质关系连接无向图。其中，用户的历史行为可以包括用户的点击、浏览、关注等行为，异质图中的节点可以包括用户、物料和业务场景，对此本发明不作具体限定。另外，为了更好的理解异质图的构造，下面给出一示例，如图4，由用户、业务场景、物料三种类型的节点和进入(用户进入场景)、分发(场景分发物料)、点击(用户点击物料)三种连接关系，共同组成一异质图。

随后，以确定出的游走方式、游走权重，在所构造的异质图中进行游走，生成多个预设长度的序列。其中，游走方式、游走权重，可由技术人员根据业务目标确定。例如，当业务目标为提升推荐主页用户消费时长时，游走方式可以为用户—业务场景—物料的循环带权游走，即依次由用户游走到业务场景、业务场景游走到物料、物料游走到用户，循环往复。关于游走权重，具体地，用户到业务场景的游走权重可以由场景重要性决定，如推荐主页重要程度显著高于旅游页面，业务场景到物料的游走权重可以由场景对物料分发的次数决定，物料到用户的游走权重可以由用户消费物料的时长决定。如此，基于该游走权重，在异质图中按照所确定的游走方式进行多次循环游走，则可生成多个预设长度的序列，其中，每次游走，可优先选取游走权重大的对象，并且可通过增加循环游走的次数来增加生成序列的多样性。而关于序列的长度，即预设长度，本发明不作限定，例如可以为5、10等，在具体的实施例中，本领域的技术人员可以根据实际需要进行设定。另外，为了更好理解该步骤，本发明继续以上述示例为例，给出了以用户A1、A3为起点，进行两次游走后，生成的两个长度为7的游走序列的示意图，如图5。

接着，从生成的序列中获取训练数据，并基于获取的训练数据，对向量生成模型进行训练。其中，在一些实施例中，可以通过从生成的序列中截取预设的窗口长度的子序列来获取训练数据。具体地，对于任一序列，将其中每连续的窗口长度个数据作为一训练数据。例如，序列长度为10，内容为1、2、3……10，窗口长度为5，则每5个连续的内容所组成的子序列可作为一训练数据，如1、2、3、4、5可作为一个训练数据，2、3、4、5、6也可作为一个训练数据。

针对每一窗口长度的训练数据，进一步地，可以将其窗口中心数据和窗口中心两侧的数据组合成一数据对，然后将每一数据对作为一训练样本，对向量生成模型进行训练。例如，以上述示出的训练数据1、2、3、4、5为例，将窗口中心数据3和窗口中心两侧的数据1、2、4、5组合成数据对，并将其作为一训练样本对向量生成模型进行训练。

根据本发明的一个实施例，可以以窗口中心数据作为输入，窗口中心两侧的数据作为输出，对向量生成模型进行训练。具体地，将窗口中心数据输入到向量生成模型中，得到预测的窗口中心两侧的数据，然后基于预测出的窗口中心两侧的数据与真实的窗口中心两侧的数据之间的损失值，更新向量生成模型，直至损失值满足预定条件，训练结束，得到训练好的向量生成模型。其中，在一些实施例中，预测出的窗口中心两侧的数据与真实的窗口中心两侧的数据之间的损失值，可以为预测出的窗口中心两侧的各数据与真实的窗口中心两侧的各数据间的损失值之和。

也就是说，本实施例是通过窗口中心数据推断窗口两侧数据来对向量生成模型进行训练，损失函数为窗口两侧数据损失函数的总和。进一步地，考虑到每一次预测都要基于全部的数据集进行计算会带来很大的时间开销，因此可以在训练过程中采用降采样策略优化训练速度，每次选择部分数据作为负样本更新权重，该部分数据由样本中出现频率决定，数据出现频率高则更可能被选为负样本，反之，低频数据被选中概率较小。另外，在一些实施例中，向量生成模型可以采用word2vec模型，训练方式可以采用skipgram方式。当然，这仅是一示例，对此本发明不作限定。

至此，则完成了对向量生成模型的训练。随后，从训练好的向量生成模型中，获取隐层的权重矩阵，具体而言，获取输入层到隐层的权重矩阵，即通常所述的词向量矩阵。其中，在一些实施例中，该权重矩阵的行数可以为用户数量、物料数量以及业务场景数量之和，列数可以为向量的纬度。

最后，根据获得的权重矩阵，确定异质图中各用户的用户向量、各物料的物料向量以及各业务场景的场景向量，并构成向量集。具体地，将权重矩阵中的每一行作为为其所对应的对象(即用户、物料或业务场景)的向量，然后将该向量作为向量集的一元素。即，向量集由各用户的用户向量、各物料的物料向量以及各业务场景的场景向量构成。进一步地，在一些实施例中，在获得各用户的用户向量、各物料的物料向量以及各业务场景的场景向量后，还可以通过将其存储至一向量容器中，来完成向量集的构建。

在清楚知晓了关联物料、其他向量以及向量集后，接下来对基于获取的业务场景，从预先构建的向量集中获取关联物料的物料向量和至少一种其他向量进行说明。具体地，当获取的业务场景为第一类型场景时，则从向量集中获取关联物料的物料向量和当前业务场景的场景向量，当业务场景为第二类型场景时，则从向量集中获取关联物料的物料向量和用户向量，当业务场景为第三类型场景时，则从向量集中获取关联物料的物料向量、用户向量以及当前业务场景的场景向量。

随后，进入330，基于获取的关联物料的物料向量和至少一种其他向量，获取表征用户的特征的第一融合向量和/或表征各待推荐物料的特征的第二融合向量。具体如下。

当业务场景为第一类型场景时，将各待推荐物料的物料向量分别与场景向量进行融合，获得各第二融合向量。其中，待推荐物料为关联物料中除用户当前所浏览的目标物料之外的物料。也就是说，当当前的业务场景为与物料相关性强的业务场景时，则将与当前业务场景相关的关联物料中除用户当前正在浏览的物料之外的其他物料均作为待推荐物料，并将各待推荐物料的物料向量与场景向量进行融合，作为表征各待推荐物料的特征的第二融合向量。例如，当业务场景为车系相关推荐场景时(此时物料则为车系，车系是指某品牌下的某型号车，如宝马、奔驰、奥迪等品牌下的某型号车)，则将与该车系推荐场景相关的车系中除用户当前正在观看的车系之外的其他车系均作为待推荐车系，然后将各待推荐车系的向量(即车系向量)分别和车系推荐场景的向量(即场景向量)进行融合，作为表征各待推荐车系的特征的第二融合向量。另外，关于将待推荐物料的物料向量与场景向量进行融合，在一些实施例中，可以采用element-wise方式或加权方式。也就是说，既可以通过element-wise的各种pooling方式获取第二融合向量，也可以通过赋予物料向量、场景向量不同权重的加权方式获取第二融合向量。当然，也可以采用其他方式获取第二融合向量，对此本发明不作限定。

当业务场景为第二类型场景时，将用户向量与所有参考物料的物料向量进行融合，获得第一融合向量，参考物料为关联物料中已与用户存在关联关系的物料。也就是说，当当前业务场景为物料与物料相关性强的业务场景时，则将关联物料中当前已与用户存在关联关系的物料作为参考物料，其余物料作为待推荐物料，并将用户向量与所有参考物料的物料向量进行融合，作为表征用户的特征的第一融合向量。其中，该关联关系与业务场景相关，例如，当业务场景为关注场景时，该关联关系则可以为关注，如此参考物料则为关联物料中用户已关注的物料。下面以关注场景(如关注页)为例作一示例，具体地，将与关注场景相关的物料(如作者)中除用户已关注的物料之外的其他物料均作为待推荐物料，并将用户已关注的物料作为参考物料，然后将用户向量与参考物料进行融合，作为表征用户的特征的第一融合向量。其中，关于第一融合向量的获取，与上述第二融合向量的获取方式类似，可以采用element-wise方式或加权方式。

当业务场景为第三类型场景时，将用户向量与场景向量进行融合，获得第一融合向量，以及将各关联物料的物料向量分别与场景向量进行融合，获得各第二融合向量。也就是说，当当前业务场景为与物料、用户均相关性强的业务场景时，将用户向量与场景向量进行融合，作为表征用户的特征的第一融合向量，以及将与当前业务场景相关的关联物料均作为待推荐物料，并将各待推荐物料与场景向量进行融合，获得表征各待推荐物料的第二融合向量。下面以用户进入推荐主页(推荐主页属于第三类型场景)作一示例，具体地，将用户向量与推荐主页的场景向量进行融合，作为表征用户的特征的第一融合向量，以及将与推荐主页相关的各关联物料作为待推荐物料，并将各待推荐物料与推荐主页的场景向量进行融合，作为表征各待推荐物料的特征的第二融合向量。其中，关于第一融合向量以及第二融合向量的获取，如上所述，可以采用element-wise方式或加权方式，在此不再赘述。另外，在一些实施例中，当业务场景为第三类型场景时，在获取表征用户的特征的第一融合向量和表征各待推荐物料的特征的第二融合向量时，还可以融合一些其他的向量，例如，当业务场景为搜索结果页时，可以将用户向量与场景向量、搜索词向量进行融合，获得第一融合向量，以及将各关联物料的物料向量分别与场景向量、搜索词向量进行融合，获得各第二融合向量。在此再说明两点，其一，此时的其他向量还包括搜索词向量；其二，对于第三类型场景中还需融合搜索词等其他向量的场景，在一些实施例中，还可以通过标注一特殊标识来进行区分。

可见，在本实施例中，当业务场景为第一类型场景时，则获取表征各待推荐物料的特征的第二融合向量，当业务场景为第二类型场景时，则获取表征用户的特征的第一融合向量，当业务场景为第三类型场景时，既获取表征用户的特征的第一融合向量，还获取表征各待推荐物料的特征的第二融合向量。也就是说，对于第一类型场景，本实施例采用融合向量表征待推荐物料的特征，对于第二类型场景，本实施例采用融合向量表征用户的特征，对于第三类型场景，关于用户的特征、各待推荐物料的特征，本实施例均采用融合向量表征。

至此，便获得了融合向量(即第一融合向量或第二融合向量)。随后，进入340，基于获得的第一融合向量和/或各第二融合向量，将用户所感兴趣的物料推荐给用户。具体如下。

当业务场景为第一类型场景时，首先计算用户当前所浏览的目标物料的物料向量与表征各待推荐物料的特征的第二融合向量的相似度。其中，可以采用欧式距离或余弦的方式计算相似度。然后，根据获得的相似度，将用户所感兴趣的物料推荐给用户。具体地，可以将相似度按照由高到低的顺序进行排序，并将排在前方的预定数量个相似度所对应的待推荐物料作为用户所感兴趣的物料，推荐给用户。当然，这仅是一示例，对此本发明不作限定。另外，关于预定数量，本发明也不作限定，在具体的实施例中，本领域的技术人员可以根据实际需要进行设定。

当业务场景为第二类型场景时，首先计算表征用户的特征的第一融合向量与各待推荐物料的物料向量的相似度。然后，基于获得的相似度，将用户所感兴趣的物料推荐给用户。其中，关于基于获得的相似度向用户推荐其感兴趣的物料的方式可参考上述第一类型场景，在此不再赘述。

当业务场景为第三类型场景时，首先计算表征用户的特征的第一融合向量与表征各待推荐物料的特征的第二融合向量的相似度。然后，基于获得的相似度，将用户所感兴趣的物料推荐给用户。其中，关于基于获得的相似度向用户推荐其感兴趣的物料的方式可参考上述第一类型场景，在此不再赘述。

至此可见，在本发明中，第一类型场景，采用的是单向量—融合向量的召回方式，第二类型场景，采用的是融合向量—单向量的召回方式，第三类型场景采用的是融合向量—融合向量的召回方式。也就是说，本发明采用的是融合向量进行推荐，融合向量能更好的捕捉用户的特征以及待推荐物料的特征，其表示的信息更全面，从而可提高物料推荐的精准度。并且，本发明是根据当前的业务场景类型采用相应的融合向量，如此既能准确的表征用户的特征以及待推荐物料的特征，还可减少一定的计算量。

另外，在本发明中，各向量基于异质图获得，因此其本身所表征的信息也会更全面。而且，本发明可根据业务目标调整游走方式、游走权重，如此可以更针对性的生成训练数据，从而可进一步使各向量所表征的信息更全面、准确。

A9、如A1-A8中任一项所述的方法，其中，所述向量集的构建步骤，包括：基于用户的历史行为，构造异质图，所述异质图中的节点包括用户、物料和业务场景；以确定出的游走方式、游走权重，在所述异质图中进行游走，生成多个预设长度的序列；从生成的序列中获取训练数据，并基于所述训练数据，对向量生成模型进行训练；从训练好的向量生成模型中，获取隐层的权重矩阵；根据所述权重矩阵，确定所述异质图中各用户的用户向量、各物料的物料向量以及各业务场景的场景向量，构成所述向量集。A10、如A9所述的方法，其中，所述向量生成模型为word2vec模型。A11、如A1-A10中任一项所述的方法，其中，采用element-wise方式或加权方式获取融合向量。

这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。

在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的推荐方法。

以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。

在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (10)

1.一种推荐方法，所述方法包括：

获取用户当前所在的业务场景；

基于所述业务场景，从预先构建的向量集中获取关联物料的物料向量和至少一种其他向量，所述关联物料为与所述业务场景相关的物料，所述其他向量包括所述用户的用户向量和所述业务场景的场景向量；

基于所述关联物料的物料向量和至少一种其他向量，获取表征所述用户的特征的第一融合向量和/或表征各待推荐物料的特征的第二融合向量；

基于所述第一融合向量和/或所述各第二融合向量，将所述用户所感兴趣的物料推荐给所述用户。

2.如权利要求1所述的方法，其中，所述基于所述业务场景，从预先构建的向量集中获取关联物料的物料向量和至少一种其他向量，包括：

当所述业务场景为第一类型场景时，从所述向量集中获取关联物料的物料向量和场景向量，所述第一类型场景为与物料相关性强的业务场景；

当所述业务场景为第二类型场景时，从所述向量集中获取关联物料的物料向量和用户向量，所述第二类型场景为物料与物料相关性强的业务场景；

当所述业务场景为第三类型场景时，从所述向量集中获取关联物料的物料向量、用户向量和场景向量，所述第三类型场景为与物料、用户均相关性强的业务场景。

3.如权利要求2所述的方法，其中，所述基于所述关联物料的物料向量和至少一种其他向量，获取表征所述用户的特征的第一融合向量和/或表征各待推荐物料的特征的第二融合向量，包括：

当所述业务场景为第一类型场景时，将各待推荐物料的物料向量分别与所述场景向量进行融合，获得所述各第二融合向量，待推荐物料为所述关联物料中除用户当前所浏览的目标物料之外的物料。

4.如权利要求3所述的方法，其中，基于所述第一融合向量和/或所述各第二融合向量，将所述用户所感兴趣的物料推荐给所述用户，包括：

计算所述目标物料的物料向量与所述各第二融合向量的相似度；

根据获得的相似度，将所述用户所感兴趣的物料推荐给所述用户。

5.如权利要求2-4中任一项所述的方法，其中，所述基于所述关联物料的物料向量和至少一种其他向量，获取表征所述用户的特征的第一融合向量和/或表征各待推荐物料的特征的第二融合向量，包括：

当所述业务场景为第二类型场景时，将所述用户向量与所有参考物料的物料向量进行融合，获得所述第一融合向量，所述参考物料为关联物料中已与所述用户存在关联关系的物料。

6.如权利要求5所述的方法，其中，所述基于所述第一融合向量和/或所述各第二融合向量，将所述用户所感兴趣的物料推荐给所述用户，包括：

计算所述第一融合向量与各待推荐物料的物料向量的相似度，待推荐物料为所述关联物料中除所述参考物料之外的物料；

基于获得的相似度，将所述用户所感兴趣的物料推荐给所述用户。

7.如权利要求2-6中任一项所述的方法，其中，所述基于所述关联物料的物料向量和至少一种其他向量，获取表征所述用户的特征的第一融合向量和/或表征各待推荐物料的特征的第二融合向量，包括：

当所述业务场景为第三类型场景时，将所述用户向量与所述场景向量进行融合，获得所述第一融合向量；以及

将各关联物料的物料向量分别与所述场景向量进行融合，获得所述各第二融合向量。

8.如权利要求7所述的方法，其中，所述基于所述第一融合向量和/或所述各第二融合向量，将所述用户所感兴趣的物料推荐给所述用户，包括：

计算所述第一融合向量与所述各第二融合向量的相似度；

基于获得的相似度，将所述用户所感兴趣的物料推荐给所述用户。

9.一种计算设备，包括：

至少一个处理器；以及

存储器，存储有程序指令，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行如权利要求1-8中任一项所述的方法的指令。

10.一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如权利要求1-8中任一项所述方法。