CN116911953B - 物品推荐方法、装置、电子设备及计算机可读存储介质 - Google Patents

Abstract

本申请涉及人工智能技术领域，提供了一种物品推荐方法、装置、电子设备及计算机可读存储介质。该方法包括构建用户历史操作的历史全局序列和近期序列，分别使用第一神经网络和第二神经网络基于历史全局序列中的用户操作物品和近期序列中的用户操作物品获得用户的全局兴趣信息和近期兴趣信息，并分别计算候选物品与全局兴趣信息的第一相似性，以及候选物品与近期兴趣信息的第二相似性，将第一相似性和第二相似性的线性和作为候选物品的预测评分，进而基于预测评分推荐候选物品。该方法能提高在线推荐的性能，提升了用户体验。

Description

物品推荐方法、装置、电子设备及计算机可读存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种物品推荐方法、装置、电子设备及计算机可读存储介质。

背景技术

推荐系统在当今生活扮演着不可或缺的作用，无论是网络购物，新闻阅读，还是视频观看，都有其身影。为了让推荐系统推的更准，首先要对物品和用户进行充分建模，通过复杂的手段将用户最有可能操作的物品优先推送给用户，以提升用户的满意度和整个系统的效率。

推荐模型的整体结构一般都是输入给模型一批用户特征和商品特征，对某一个特定商品进行判别用户是否会操作，购买该商品。该判别结果被作为模型的输出结果与真实的用户操作，购买结果进行损失函数计算，从而指导模型进行优化。序列推荐在电商和新闻推荐中经常出现，通过对整个序列建模去预测下一个用户可能操作的物品。典型的有DIN（Deep Interest Network），Bert4Rec等模型。

上述序列模型建模了整体序列，却忽视了近期兴趣和全局长期兴趣对用户下一次操作的影响。

发明内容

有鉴于此，本申请实施例提供了一种物品推荐方法、装置、电子设备及计算机可读存储介质，以解决现有技术中推荐效果不佳的问题。

本申请实施例的第一方面，提供了一种物品推荐方法，包括：

获取用户历史操作的N次数据，构成包括N个操作物品的历史全局序列；

获取用户最近操作的K次数据，构成包括K个操作物品的近期序列；

获取用户当前操作数据，得到候选物品；

对历史全局序列中的N个操作物品和候选物品分别进行编码，得到各物品的编码结果；

使用第一自注意力网络将各物品的编码结果融合，得到各物品的融合结果；

将历史全局序列中N个操作物品的融合结果输入第一神经网络，得到用户的全局兴趣信息；

将近期序列中K个操作物品的融合结果输入第二神经网络模型，得到用户的近期兴趣信息；

分别计算候选物品与全局兴趣信息的第一相似性，以及候选物品与近期兴趣信息的第二相似性；

将第一相似性和第二相似性线性求和，得到候选物品的预测评分；

基于预测评分向用户推荐候选物品；

其中，N为正整数，K为小于N的正整数。

本申请实施例的第二方面，提供了一种推荐装置，包括：

获取模块，被配置为获取用户历史操作的N次数据，构成包括N个操作物品的历史全局序列；

获取模块还被配置为获取用户最近操作的K次数据，构成包括K个操作物品的近期序列；

获取模块还被配置为获取用户当前操作数据，得到候选物品；

编码模块，被配置为对历史全局序列中的N个操作物品和候选物品分别进行编码，得到各物品的编码结果；

融合模块，被配置为使用第一自注意力网络将各物品的编码结果融合，得到各物品的融合结果；

信息提取模块，被配置为将历史全局序列中N个操作物品的融合结果输入第一神经网络，得到用户的全局兴趣信息；

信息提取模块还被配置为将近期序列中K个操作物品的融合结果输入第二神经网络模型，得到用户的近期兴趣信息；

预测模块，被配置为分别计算候选物品与全局兴趣信息的第一相似性，以及候选物品与近期兴趣信息的第二相似性；

计算模块，被配置为将第一相似性和第二相似性线性求和，得到候选物品的预测评分；

推荐模块，被配置为基于预测评分向用户推荐候选物品；

其中，N为正整数，K为小于N的正整数。

本申请实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本申请实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：本申请实施例通过构建用户历史操作的历史全局序列和近期序列，分别使用第一神经网络和第二神经网络基于历史全局序列中的用户操作物品和近期序列中的用户操作物品获得用户的全局兴趣信息和近期兴趣信息，并分别计算候选物品与全局兴趣信息的第一相似性，以及候选物品与近期兴趣信息的第二相似性，将第一相似性和第二相似性的线性和作为候选物品的预测评分，进而基于预测评分推荐候选物品，将用户的全局长期兴趣和近期兴趣相结合，充分建模了用户兴趣，灵活学习了下一次操作与不同时间段兴趣的关系，从而有效发挥模型的潜力，提高在线推荐的性能，提升了用户体验。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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它的附图。

图1是本申请实施例的应用场景的场景示意图。

图2是本申请实施例提供的一种物品推荐方法的流程示意图。

图3是本申请实施例提供的将历史全局序列中N个操作物品的融合结果输入第一神经网络得到用户的全局兴趣信息的方法的流程示意图。

图4是本申请实施例提供的将近期序列中K个操作物品的融合结果输入第二神经网络模型得到用户的近期兴趣信息的方法的流程示意图。

图5是本申请实施例提供的基于预测评分向用户推荐候选物品的方法的流程示意图。

图6是实现本申请实施例提供的物品推荐方法的网络模型的示意图。

图7是本申请实施例提供的一种推荐装置的示意图。

图8是本申请实施例提供的电子设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

下面将结合附图详细说明根据本申请实施例的一种物品推荐方法和装置。

图1是本申请实施例的应用场景的场景示意图。该应用场景可以包括终端设备1、2和3、服务器4以及网络5。

终端设备1、2和3可以是硬件，也可以是软件。当终端设备1、2和3为硬件时，其可以是具有显示屏且支持与服务器4通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备1、2和3为软件时，其可以安装在如上所述的电子设备中。终端设备1、2和3可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本申请实施例对此不作限制。进一步地，终端设备1、2和3上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。

服务器4可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器4可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本申请实施例对此不作限制。

需要说明的是，服务器4可以是硬件，也可以是软件。当服务器4为硬件时，其可以是为终端设备1、2和3提供各种服务的各种电子设备。当服务器4为软件时，其可以是为终端设备1、2和3提供各种服务的多个软件或软件模块，也可以是为终端设备1、2和3提供各种服务的单个软件或软件模块，本申请实施例对此不作限制。

网络5可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙（Bluetooth）、近场通信（Near FieldCommunication，NFC）、红外（Infrared）等，本申请实施例对此不作限制。

用户可以通过终端设备1、2和3经由网络5与服务器4建立通信连接，以接收或发送信息等。具体地，服务器4可以接收用户在终端设备1、2和3中的操作数据，并对操作数据进行处理，得到推荐信息。服务器4还可以将计算得到的推荐信息发送给终端设备1、2和3，以向用户展示。

需要说明的是，终端设备1、2和3、服务器4以及网络5的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本申请实施例对此不作限制。

上文提及，推荐系统在当今生活扮演着不可或缺的作用。例如在申请人自主研发的龙湖天街小程序，一种覆盖所有的天街物品，包含鞋品箱包、家居、餐饮、服饰、零售、服务等品类的本地生活服务小程序中，就包含多种推荐任务，比如优惠卡券的推荐。卡券是任何交易平台都离不开的营销手段，对于用户而言，领取优惠券是为了省钱；对于平台而言，发放优惠券是为了短期刺激用户消费。为了提升业务的营收，搜索推荐算法起到了关键的作用。

相关技术中，推荐模型的整体结构一般都是输入给模型一批用户特征和商品特征，对某一个特定商品进行判别用户是否会操作，购买该商品。该判别结果被作为模型的输出结果与真实的用户操作，购买结果进行损失函数计算，从而指导模型进行优化。序列推荐在电商和新闻推荐中经常出现，通过对整个序列建模去预测下一个用户可能操作的物品。

在序列推荐模型中，用户的全局长期兴趣容易被最近操作的物品掩盖，模型对于用户全局兴趣的度量失真较严重，不能很好的度量兴趣随时间的变化，从而导致推荐的物品无法达到最优的状态。

鉴于此，本申请实施例提供了一种基于时间多样性的序列物品推荐方法，通过时间点分割，建模用户整体操作序列和近期序列，最后将提取的用户全局兴趣和近期兴趣线性组合，获取更可信的推荐结果，从而提高在线推荐的性能。

具体的，本申请实施例提供了一种物品推荐方法，通过构建用户历史操作的历史全局序列和近期序列，分别使用第一神经网络和第二神经网络基于历史全局序列中的用户操作物品和近期序列中的用户操作物品获得用户的全局兴趣信息和近期兴趣信息，并分别计算候选物品与全局兴趣信息的第一相似性，以及候选物品与近期兴趣信息的第二相似性，将第一相似性和第二相似性的线性和作为候选物品的预测评分，进而基于预测评分推荐候选物品，将用户的全局长期兴趣和近期兴趣相结合，充分建模了用户兴趣，灵活学习了下一次操作与不同时间段兴趣的关系，从而有效发挥模型的潜力，提高在线推荐的性能，提升了用户体验。

图2是本申请实施例提供的一种物品推荐方法的流程示意图。图2的物品推荐方法可以由图1的终端设备或者服务器执行。如图2所示，该方法包括如下步骤：

在步骤S201中，获取用户历史操作的N次数据，构成包括N个操作物品的历史全局序列。

在步骤S202中，获取用户最近操作的K次数据，构成包括K个操作物品的近期序列。

在步骤S203中，获取用户当前操作数据，得到候选物品。

在步骤S204中，对历史全局序列中的N个操作物品和候选物品分别进行编码，得到各物品的编码结果；

在步骤S205中，使用第一自注意力网络将各物品的编码结果融合，得到各物品的融合结果；

在步骤S206中，将历史全局序列中N个操作物品的融合结果输入第一神经网络，得到用户的全局兴趣信息；

在步骤S207中，将近期序列中K个操作物品的融合结果输入第二神经网络模型，得到用户的近期兴趣信息；

在步骤S208中，分别计算候选物品与全局兴趣信息的第一相似性，以及候选物品与近期兴趣信息的第二相似性；

在步骤S209中，将第一相似性和第二相似性线性求和，得到候选物品的预测评分；

在步骤S210中，基于预测评分向用户推荐候选物品；

其中，N为正整数，K为小于N的正整数。

本申请实施例中，该物品推荐方法可以用于向用户推荐物品，物品可以是电商平台获取其他线上平台的商品、卡券等。

本申请实施例中，该物品推荐方法可以由服务器或者具备一定计算能力的终端执行。为描述方便，下文以该物品推荐方法由服务器执行为例进行说明。

本申请实施例中，在获得用户授权的前提下，服务器可以获取用户的历史操作的N次数据，并使用该N次操作数据构成包括N个操作物品的历史全局序列。进一步的，服务器还可以获取用户最近操作的K次数据，并使用该K次操作数据构成包括K个操作物品的近期序列。其中，用户的历史操作可以是在电商平台获取其他线上平台的操作。更进一步的，服务器还可以获取用户当前操作数据，得到候选物品。例如，服务器可以获取用户当前在电商平台的点击数据，将用户点击的项目中包括的物品作为候选物品。

本申请实施例中，可以对历史全局序列中的N个操作物品和候选物品分别进行编码，得到各物品的编码结果。进一步的，还可以使用第一自注意力网络将各物品的编码结果融合，得到各物品的融合结果。

本申请实施例中，可以将历史全局序列中N个操作物品的融合结果输入第一神经网络，得到用户的全局兴趣信息；将近期序列中K个操作物品的融合结果输入第二神经网络模型，得到用户的近期兴趣信息。其中，用户的全局兴趣信息用于反映用户的全局长期兴趣，用户的近期兴趣信息用于反映用户的最近操作兴趣。

本申请实施例中，可以分别计算候选物品与全局兴趣信息的第一相似性，以及候选物品与近期兴趣信息的第二相似性。再将第一相似性和第二相似性线性求和，得到候选物品的预测评分。最后，基于预测评分向用户推荐候选物品。

根据本申请实施例提供的技术方案，通过构建用户历史操作的历史全局序列和近期序列，分别使用第一神经网络和第二神经网络基于历史全局序列中的用户操作物品和近期序列中的用户操作物品获得用户的全局兴趣信息和近期兴趣信息，并分别计算候选物品与全局兴趣信息的第一相似性，以及候选物品与近期兴趣信息的第二相似性，将第一相似性和第二相似性的线性和作为候选物品的预测评分，进而基于预测评分推荐候选物品，将用户的全局长期兴趣和近期兴趣相结合，充分建模了用户兴趣，灵活学习了下一次操作与不同时间段兴趣的关系，从而有效发挥模型的潜力，提高在线推荐的性能，提升了用户体验。

本申请实施例中，对历史全局序列中的N个操作物品和候选物品分别进行编码，得到各物品的编码结果，包括：使用嵌入表达模块对N个操作物品和候选物品的物品标识进行编码，使用嵌入表达包模块对N个操作物品和候选物品的物品名称进行编码，使用可扩展标记语言编码模块对N个操作物品和候选物品的物品描述进行编码，以及使用残差网络对N个操作物品和候选物品的物品图片进行编码，得到各物品的编码结果。

本申请实施例中，针对历史全局序列中的N个操作物品和候选物品，可以分别使用嵌入表达Embedding模块、嵌入表达包Embedding bag模块、可扩展标记语言编码XMLEncoder模块和残差网络ResNET分别对物品的标识ID、物品名称Name、物品描述Desc和物品图片Pic进行编码，得到各物品的编码结果。然后使用第一自注意力网络将各物品的编码结果融合，得到各物品的融合结果。

本申请实施例中，可以将历史全局序列中N个操作物品的融合结果输入第一神经网络，得到用户的全局兴趣信息，并将近期序列中K个操作物品的融合结果输入第二神经网络模型，得到用户的近期兴趣信息。其中，第一神经网络模型和第二神经网络模型均为与顺序无关的序列推荐神经网络模型。进一步的，第一神经网络模型和第二神经网络模型可以为Transformer模型。其中，第一神经网络模型用于处理历史全局序列，旨在捕捉全局的用户兴趣；第二神经网络模型用语处理近期序列，旨在捕捉最近的用户兴趣。采用这种方式可以为用户推荐与最近点击不同的候选物品，能够提高预测精度。

本申请实施例中，计算候选物品与全局兴趣信息的第一相似性，包括：计算候选物品的融合结果与全局兴趣信息的向量点积，得到第一相似性。计算候选物品与近期兴趣信息的第二相似性，包括：计算候选物品的融合结果与近期兴趣信息的向量点积，得到第二相似性。

其中，计算候选物品的融合结果与全局兴趣信息的向量点积，得到第一相似性，可以采用如下公式实现：

；

其中，为第一相似性，/>为全局兴趣信息，/>为候选物品融合结果。

进一步的，计算候选物品的融合结果与近期兴趣信息的向量点积，得到第二相似性，可以采用如下公式实现：

；

其中，为第二相似性，/>为近期兴趣信息。

更进一步的，将第一相似性和第二相似性线性求和，可以采用如下公式实现：

；

其中，为候选物品的预测评分，w为可学习参数。

图3是本申请实施例提供的将历史全局序列中N个操作物品的融合结果输入第一神经网络得到用户的全局兴趣信息的方法的流程示意图。如图3所示，该方法包括如下步骤：

在步骤S301中，将历史全局序列中N个操作物品的融合结果输入第一神经网络，得到多个用户的全局兴趣。

在步骤S302中，使用第二自注意力网络对多个用户的全局兴趣进行融合，得到用户的全局兴趣信息。

本申请实施例中，可以将历史全局序列中N个操作物品的融合结果输入第一神经网络，得到多个用户的全局兴趣。然后，使用第二自注意力网络对多个用户的全局兴趣进行融合，得到用户的全局兴趣信息。

图4是本申请实施例提供的将近期序列中K个操作物品的融合结果输入第二神经网络模型得到用户的近期兴趣信息的方法的流程示意图。如图4所示，该方法包括如下步骤：

在步骤S401中，将近期序列中K个操作物品的融合结果输入第二神经网络模型，得到多个用户的近期兴趣。

在步骤S401中，使用第三自注意力网络对多个用户的近期兴趣进行融合，得到用户的近期兴趣信息。

本申请实施例中，可以将近期序列中K个操作物品的融合结果输入第二神经网络模型，得到多个用户的近期兴趣。然后使用第三自注意力网络对多个用户的近期兴趣进行融合，得到用户的近期兴趣信息。

图5是本申请实施例提供的基于预测评分向用户推荐候选物品的方法的流程示意图。如图5所示，该方法包括如下步骤：

在步骤S501中，判断预测评分是否大于或者等于预设阈值。

在步骤S502中，响应于预测评分大于或者等于预设阈值，向用户推荐候选物品。

本申请实施例中，可以将预测评分与预设阈值相比较，判断预测评分是否大于或者等于预设阈值。当预测评分大于或者等于预设阈值时，向用户推荐候选物品。其中，预设阈值的具体数值可以根据实际需要设置，此处不做限制。

图6是实现本申请实施例提供的物品推荐方法的网络模型的示意图。如图6所示，可以首先获取用户历史操作过N个物品（item），其构成一个序列[Item-1, Item-2，……，tem-N]， 候选的item标记为item。采用Embedding、Embedding Bag、XLM Encoder和ResNET分别对item的ID、名称、描述、图片进行编码， 然后采用自注意力网络（self-attentionnetwork）融合。

在item表征完成后，本申请实施例加入了两个与顺序无关的 Transformer，其中一个用于处理整个点击的item序列，旨在捕捉全局的用户兴趣；另一个用于处理最近的 K条item点击，旨在捕捉最近的用户兴趣。采用这种方式可以推广与最近点击的item不同的候选物品，这有助于更准确地预测未来的点击。

在获取到用户的全局向量和近期向量表征后，分别计算用户全局兴趣和近期兴趣与候选item的向量之间的相似性，这里采用向量点积相乘的方式获得。其中，Transformer模型的输出可以经自注意力网络融合后，由预测模块预测得到用户全局兴趣和近期兴趣与候选item的向量之间的相似性。最后通过聚合模块将两个分数进行线性加和，得到用户对该候选item最终的预测分数。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

图7是本申请实施例提供的一种推荐装置的示意图。如图7所示，该推荐装置包括：

获取模块701，被配置为获取用户历史操作的N次数据，构成包括N个操作物品的历史全局序列；

获取模块701还被配置为获取用户最近操作的K次数据，构成包括K个操作物品的近期序列；

获取模块701还被配置为获取用户当前操作数据，得到候选物品；

编码模块702，被配置为对历史全局序列中的N个操作物品和候选物品分别进行编码，得到各物品的编码结果；

融合模块703，被配置为使用第一自注意力网络将各物品的编码结果融合，得到各物品的融合结果；

信息提取模块704，被配置为将历史全局序列中N个操作物品的融合结果输入第一神经网络，得到用户的全局兴趣信息；

信息提取模块704还被配置为将近期序列中K个操作物品的融合结果输入第二神经网络模型，得到用户的近期兴趣信息；

预测模块705，被配置为分别计算候选物品与全局兴趣信息的第一相似性，以及候选物品与近期兴趣信息的第二相似性；

计算模块706，被配置为将第一相似性和第二相似性线性求和，得到候选物品的预测评分；

推荐模块707，被配置为基于预测评分向用户推荐候选物品；

其中，N为正整数，K为小于N的正整数。

根据本申请实施例提供的技术方案，通过构建用户历史操作的历史全局序列和近期序列，分别使用第一神经网络和第二神经网络基于历史全局序列中的用户操作物品和近期序列中的用户操作物品获得用户的全局兴趣信息和近期兴趣信息，并分别计算候选物品与全局兴趣信息的第一相似性，以及候选物品与近期兴趣信息的第二相似性，将第一相似性和第二相似性的线性和作为候选物品的预测评分，进而基于预测评分推荐候选物品，将用户的全局长期兴趣和近期兴趣相结合，充分建模了用户兴趣，灵活学习了下一次操作与不同时间段兴趣的关系，从而有效发挥模型的潜力，提高在线推荐的性能，提升了用户体验。

本申请实施例中，对历史全局序列中的N个操作物品和候选物品分别进行编码，得到各物品的编码结果，包括：使用嵌入表达模块对N个操作物品和候选物品的物品标识进行编码，使用嵌入表达包模块对N个操作物品和候选物品的物品名称进行编码，使用可扩展标记语言编码模块对N个操作物品和候选物品的物品描述进行编码，以及使用残差网络对N个操作物品和候选物品的物品图片进行编码，得到各物品的编码结果。

本申请实施例中，第一神经网络模型和第二神经网络模型均为与顺序无关的序列推荐神经网络模型。

本申请实施例中，计算候选物品与全局兴趣信息的第一相似性，包括：计算候选物品的融合结果与全局兴趣信息的向量点积，得到第一相似性；计算候选物品与近期兴趣信息的第二相似性，包括：计算候选物品的融合结果与近期兴趣信息的向量点积，得到第二相似性。

本申请实施例中，将第一相似性和第二相似性线性求和，采用如下公式实现：

；

其中，为候选物品的预测评分，/>为第一相似性，/>为第二相似度，w为可学习参数。

本申请实施例中，还包括：将历史全局序列中N个操作物品的融合结果输入第一神经网络，得到多个用户的全局兴趣；使用第二自注意力网络对多个用户的全局兴趣进行融合，得到用户的全局兴趣信息；将近期序列中K个操作物品的融合结果输入第二神经网络模型，得到多个用户的近期兴趣；使用第三自注意力网络对多个用户的近期兴趣进行融合，得到用户的近期兴趣信息。

本申请实施例中，基于预测评分向用户推荐候选物品，包括：判断预测评分是否大于或者等于预设阈值；响应于预测评分大于或者等于预设阈值，向用户推荐候选物品。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

图8是本申请实施例提供的电子设备的示意图。如图8所示，该实施例的电子设备8包括：处理器801、存储器802以及存储在该存储器802中并且可在处理器801上运行的计算机程序803。处理器801执行计算机程序803时实现上述各个方法实施例中的步骤。或者，处理器801执行计算机程序803时实现上述各装置实施例中各模块/单元的功能。

电子设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备8可以包括但不仅限于处理器801和存储器802。本领域技术人员可以理解，图8仅仅是电子设备8的示例，并不构成对电子设备8的限定，可以包括比图示更多或更少的部件，或者不同的部件。

处理器801可以是中央处理单元（Central Processing Unit，CPU），也可以是其它通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

存储器802可以是电子设备的内部存储单元，例如，电子设备8的硬盘或内存。存储器802也可以是电子设备8的外部存储设备，例如，电子设备8上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。存储器802还可以既包括电子设备8的内部存储单元也包括外部存储设备。存储器802用于存储计算机程序以及电子设备所需的其它程序和数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。

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存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带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（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。

以上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精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种物品推荐方法，其特征在于，包括：

获取用户历史操作的N次数据，构成包括N个操作物品的历史全局序列；

获取用户最近操作的K次数据，构成包括K个操作物品的近期序列，所述N个操作物品包括所述K个操作物品；

获取用户当前操作数据，得到候选物品；

对所述历史全局序列中的N个操作物品和候选物品分别进行编码，得到各物品的编码结果；

使用第一自注意力网络将各物品的编码结果融合，得到各物品的融合结果；

将所述历史全局序列中N个操作物品的融合结果输入第一神经网络，得到多个用户的全局兴趣；

使用第二自注意力网络对所述多个用户的全局兴趣进行融合，得到所述用户的全局兴趣信息；

将所述近期序列中K个操作物品的融合结果输入第二神经网络模型，得到多个用户的近期兴趣；

使用第三自注意力网络对所述多个用户的近期兴趣进行融合，得到所述用户的近期兴趣信息；

分别计算所述候选物品与所述全局兴趣信息的第一相似性，以及所述候选物品与所述近期兴趣信息的第二相似性；

将所述第一相似性和所述第二相似性线性求差，得到所述候选物品的预测评分；

基于所述预测评分向用户推荐所述候选物品；

其中，N为正整数，K为小于N的正整数；

所述对所述历史全局序列中的N个操作物品和候选物品分别进行编码，得到各物品的编码结果，包括：

使用嵌入表达模块对所述N个操作物品和候选物品的物品标识进行编码，使用嵌入表达包模块对所述N个操作物品和候选物品的物品名称进行编码，使用可扩展标记语言编码模块对所述N个操作物品和候选物品的物品描述进行编码，以及使用残差网络对所述N个操作物品和候选物品的物品图片进行编码，得到各物品的编码结果；

所述将所述第一相似性和所述第二相似性线性求差，采用如下公式实现：

；

其中，为所述候选物品的预测评分，/>为所述第一相似性，/>为所述第二相似度，w为可学习参数。

2.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型和第二神经网络模型均为与顺序无关的序列推荐神经网络模型。

3.根据权利要求1所述的方法，其特征在于，所述计算所述候选物品与所述全局兴趣信息的第一相似性，包括：

计算所述候选物品的融合结果与所述全局兴趣信息的向量点积，得到所述第一相似性；

所述计算所述候选物品与所述近期兴趣信息的第二相似性，包括：

计算所述候选物品的融合结果与所述近期兴趣信息的向量点积，得到所述第二相似性。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述基于所述预测评分向用户推荐所述候选物品，包括：

判断所述预测评分是否大于或者等于预设阈值；

响应于所述预测评分大于或者等于预设阈值，向用户推荐所述候选物品。

5.一种推荐装置，其特征在于，包括：

获取模块，被配置为获取用户历史操作的N次数据，构成包括N个操作物品的历史全局序列；

所述获取模块还被配置为获取用户最近操作的K次数据，构成包括K个操作物品的近期序列；

所述获取模块还被配置为获取用户当前操作数据，得到候选物品；

编码模块，被配置为对所述历史全局序列中的N个操作物品和候选物品分别进行编码，得到各物品的编码结果；

融合模块，被配置为使用第一自注意力网络将各物品的编码结果融合，得到各物品的融合结果；

信息提取模块，被配置为将所述历史全局序列中N个操作物品的融合结果输入第一神经网络，得到多个用户的全局兴趣，使用第二自注意力网络对所述多个用户的全局兴趣进行融合，得到所述用户的全局兴趣信息；

所述信息提取模块还被配置为将所述近期序列中K个操作物品的融合结果输入第二神经网络模型，得到多个用户的近期兴趣，使用第三自注意力网络对所述多个用户的近期兴趣进行融合，得到所述用户的近期兴趣信息；

预测模块，被配置为分别计算所述候选物品与所述全局兴趣信息的第一相似性，以及所述候选物品与所述近期兴趣信息的第二相似性；

计算模块，被配置为将所述第一相似性和所述第二相似性线性求差，得到所述候选物品的预测评分；

推荐模块，被配置为基于所述预测评分向用户推荐所述候选物品；

其中，N为正整数，K为小于N的正整数；

所述对所述历史全局序列中的N个操作物品和候选物品分别进行编码，得到各物品的编码结果，包括：

使用嵌入表达模块对所述N个操作物品和候选物品的物品标识进行编码，使用嵌入表达包模块对所述N个操作物品和候选物品的物品名称进行编码，使用可扩展标记语言编码模块对所述N个操作物品和候选物品的物品描述进行编码，以及使用残差网络对所述N个操作物品和候选物品的物品图片进行编码，得到各物品的编码结果；

所述将所述第一相似性和所述第二相似性线性求差，采用如下公式实现：

；

其中，为所述候选物品的预测评分，/>为所述第一相似性，/>为所述第二相似度，w为可学习参数。

6.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述方法的步骤。

7.一种计算机可读存储介质，所述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4中任一项所述方法的步骤。