CN117540078A - 一种推荐理由生成模型的优化方法及装置 - Google Patents

Abstract

本申请提供了一种推荐理由生成模型的优化方法及装置。该方法包括：确定用户特征和商品特征；将用户特征和商品特征输入至推荐理由生成模型以输出推荐理由；确定用户对推荐理由的反馈类型；根据反馈类型实时调整推荐理由生成模型的模型参数，以对推荐理由生成模型进行优化。本申请结合大语言模型的优势生成推荐理由，并基于海量的文本数据进行训练优化，对推荐理由的生成有更高的准确性，且无需人工维护推荐理由库，降低推荐理由库的运维成本，结合用户的历史行为和推荐内容的特点进行推荐理由的生成，具有更高的可解释性，可以增加用户对推荐系统的信任度和透明度，提升用户体验和忠诚度。

Description

一种推荐理由生成模型的优化方法及装置

技术领域

本申请涉及人工智能技术领域，尤其涉及一种推荐理由生成模型的优化方法及装置。

背景技术

推荐理由的使用场景主要包括以下几种：音乐推荐、电影推荐、商品推荐、新闻推荐、社交媒体推荐等。这些场景中，用户需要根据自己的兴趣、偏好、情境等因素来选择合适的内容或产品，而推荐理由可以帮助用户了解和信任推荐系统的决策过程和结果。

目前推荐理由常用的技术方法主要是基于规则，根据一些预定义的规则或逻辑来构建推荐理由库，例如基于用户或项目的属性、标签、评分，结合内容实际情况，完成推荐理由的确定。但是，毕竟规则或逻辑往往不足以覆盖所有可能的情况或场景，且需要持续的维护和更新。

因此，现有技术的缺点在于，理由推荐的方法需要较高的人力成本，且容易生成过于简单或重复的推荐理由，不能反映用户或项目的复杂性和多样性，推荐理由过于古板，吸引力不够。

发明内容

有鉴于此，本申请实施例提供了一种推荐理由生成模型的优化方法及装置，以提升推荐理由的灵活性、多元性和准确性。

本申请实施例的第一方面，提供了一种推荐理由生成模型的优化方法，该方法包括：

确定用户特征和商品特征；

将用户特征和商品特征输入至推荐理由生成模型以输出推荐理由；

确定用户对推荐理由的反馈类型；

根据反馈类型实时调整推荐理由生成模型的模型参数，以对推荐理由生成模型进行优化。

本申请实施例的第二方面，提供了一种推荐理由生成模型的优化装置，包括：

特征确定模块，用于确定用户特征和商品特征；

推荐理由输出模块，用于将用户特征和所述商品特征输入至推荐理由生成模型以输出推荐理由；

反馈类型确定模块，用于确定用户对推荐理由的反馈类型；

优化模块，用于根据反馈类型实时调整推荐理由生成模型的模型参数，以对推荐理由生成模型进行优化。

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：本申请实施例通过将用户特征和商品特征输入至推荐理由生成模型以输出推荐理由，确定用户对推荐理由的反馈类型，根据反馈类型实时调整推荐理由生成模型的模型参数，以对推荐理由生成模型进行优化。结合大语言模型的优势生成推荐理由，并基于海量的文本数据进行训练优化，对推荐理由的生成有更高的准确性，且无需人工维护推荐理由库，降低推荐理由库的运维成本。同时，推荐理由生成模型可以覆盖多种类型和领域的推荐场景，如电商、视频、音乐、新闻、游戏等，有更高的灵活性和可扩展性。结合用户的历史行为和推荐内容的特点进行推荐理由的生成，具有更高的可解释性，可以增加用户对推荐系统的信任度和透明度，提升用户体验和忠诚度。

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推荐理由生成模型的优化方法的流程示意图；

图3是本申请实施例提供的一种推荐理由生成模型的优化装置的示意图；

图4是本申请实施例提供的一种电子设备的结构示意图。

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。

推荐理由的使用场景主要包括以下几种：音乐推荐、电影推荐、商品推荐、新闻推荐、社交媒体推荐等。这些场景中，用户需要根据自己的兴趣、偏好、情境等因素来选择合适的内容或产品，而推荐理由可以帮助用户了解和信任推荐系统的决策过程和结果。

目前推荐理由常用的技术方法主要是基于规则，根据一些预定义的规则或逻辑来构建推荐理由库，例如基于用户或项目的属性、标签、评分，结合内容实际情况，完成推荐理由的确定。

基于规则进行推荐理由生成的方式是一种根据预先定义的规则，根据用户或物品的特征，生成推荐文本的方法。其实现步骤和原理如下：

首先，需要收集和分析用户或物品的特征数据，如用户的年龄、性别、地域、喜好等，物品的类别、标签、评分等；然后，需要设计和编写一套规则系统，用来根据不同的特征组合，生成不同的推荐文本模板；最后，需要将用户或物品的特征数据输入到规则系统中，匹配相应的推荐文本模板，并填充相关信息，生成最终的推荐理由。

例如，一个电商平台可以使用基于规则的推荐理由生成方式，根据用户或商品的特征数据，匹配以下几种推荐文本模板：

如果用户是女性，并且喜欢化妆品类别，则可以生成“这款化妆品是女性必备单品，适合你爱美又有品味”的推荐理由；如果商品是图书类别，并且评分高于4.5分，则可以生成“这本书是畅销好书，评分高达4.5分以上，值得一读”的推荐理由；如果商品是服装类别，并且有优惠券或折扣，则可以生成“这件衣服正享受9折优惠活动，机会难得，赶快下单吧”的推荐理由。

基于这种规则的推荐理由生成方式具有简单易实现、可控性强、可解释性高等优点，但是，也存在很多缺点。需要根据一些预定义的规则或逻辑来构建推荐理由库，但是，毕竟规则或逻辑往往不能涵盖所有的用户和物品特征，可能导致推荐结果过于单一和缺乏多样性。此外，规则的制定需要大量的人工干预和领域知识，不易扩展和维护，适应性和灵活性较差。

综上所述，现有技术的缺点在于，理由推荐的方法需要较高的人力成本，且容易生成过于简单或重复的推荐理由，不能反映用户或项目的复杂性和多样性，推荐理由过于古板，吸引力不够。

鉴于以上现有技术中的问题，本申请实施例提供一种全新的推荐理由生成模型的优化方法，通过将用户特征和商品特征输入至推荐理由生成模型以输出推荐理由，确定用户对推荐理由的反馈类型，根据反馈类型实时调整推荐理由生成模型的模型参数，以对推荐理由生成模型进行优化。结合大语言模型的优势生成推荐理由，并基于海量的文本数据进行训练优化，对推荐理由的生成有更高的准确性，且无需人工维护推荐理由库，降低推荐理由库的运维成本。同时，推荐理由生成模型可以覆盖多种类型和领域的推荐场景，如电商、视频、音乐、新闻、游戏等，有更高的灵活性和可扩展性。结合用户的历史行为和推荐内容的特点进行推荐理由的生成，具有更高的可解释性，可以增加用户对推荐系统的信任度和透明度，提升用户体验和忠诚度。

下面将结合附图详细说明根据本申请实施例的一种推荐理由生成模型的优化方法及装置。

图1是本申请实施例的一种应用场景的场景示意图。该应用场景可以包括终端设备101、102和103、服务器104、网络105。

终端设备101、102和103可以是硬件，也可以是软件。当终端设备101、102和103为硬件时，其可以是具有显示屏且支持与服务器104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101、102和103为软件时，其可以安装在如上的电子设备中。终端设备101、102和103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101、102和103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104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104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104可以是硬件，也可以是软件。当服务器104为硬件时，其可以是为终端设备101、102和103提供各种服务的各种电子设备。当服务器104为软件时，其可以是为终端设备101、102和103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101、102和103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105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101、102和103经由网络105与服务器104建立通信连接，以接收或发送信息等。具体地，服务器104确定用户特征和商品特征；将用户特征和商品特征输入至推荐理由生成模型以输出推荐理由；服务器104确定用户对推荐理由的反馈类型；根据反馈类型实时调整推荐理由生成模型的模型参数，以对推荐理由生成模型进行优化。

需要说明的是，终端设备101、102和103、服务器104以及网络105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。

图2是本申请实施例提供的一种推荐理由生成模型的优化方法的流程示意图。图2的推荐理由生成模型的优化方法可以由图1的终端设备或者服务器执行。如图2所示，该推荐理由生成模型的优化方法包括：

S201，确定用户特征和商品特征；

S202，将用户特征和商品特征输入至推荐理由生成模型以输出推荐理由；

S203，确定用户对推荐理由的反馈类型；

S204，根据反馈类型实时调整推荐理由生成模型的模型参数，以对推荐理由生成模型进行优化。

具体地，本实施例采用理由推荐生成模型来输出推荐理由，而理由推荐生成模型需要不断的更新优化才能够达到越来越完善的效果，输出的推荐理由才有更高的灵活性和可扩展性。因此需要对该理由推荐生成模型进行训练优化。下面将着重介绍理由推荐生成模型的优化过程。

一般情况下，模型的训练优化离不开大量的训练样本，本实施例中的用户特征和商品特征可以作为训练样本，作为推荐理由生成模型的输入来对该模型进行训练。用户特征一般指用户的性别、年龄、学历、职业、收入、地域、喜好、历史行为等这类标签信息。商品特征一般指商品的特性，比如，性能、尺寸、外观、装配、被购买次数等这类属性信息。用户特征与商品特征的获取可以通过数据库中存储的文本数据实现。基于数据库中海量的文本数据对推荐理由生成模型进行训练，能够使推荐理由生成模型具有更高的准确性。

进一步地，本实施例中的推荐理由生成模型可以采用本领域中常用的大语言模型架构，它是一种基于神经网络的语言模型，可以根据输入的文本输出下一个短语的出现概率。也就是说，通过输入用户特征和商品特征，来输出推荐理由。具体地，推荐理由生成模型的输入是以文本向量的形式输入，因此需要将用户特征和商品特征表征，输入的是统计型的特征，通过深度语义结构模型，可以为DSSM模型(Deep Structured Semantic Model)，得到稠密的低维度向量，将所有的用户特征压缩到里面，即用户向量。商品侧也是一样，将所有的商品特征压缩得到商品向量。

下面举例分析用户特征和商品特征的表征过程。针对用户，假设用户特征为：年龄23，性别男，购买次数5，下单金额10000，喜欢电子类商品。我们将上述用户特征数据送进DSSM模型中，用接收高维度结构化数据，输出低维度稠密向量数据，获取到用户特征的向量表征，设其长度为128维度。

同理，针对商品，假设商品特征为：名称黑色索尼耳机，价格9999，被购买次数10。我们将上述商品特征数据送进DSSM模型中，获取到商品特征的向量表征，其长度和用户向量相同，也是128维度。

这些向量即代表了用户和商品的潜藏的所有特征。得到这两部分潜藏的特征后，将两个特征向量输入推荐理由生成模型中，两部分向量在推荐理由生成模型中会进行交互，利用推荐理由生成模型的自然语言生成能力，产出能够吸引用户的推荐理由。

进一步地，对推荐理由生成模型的调整是基于用户对推荐理由的反馈类型。用户对推荐理由的反馈反映出该推荐理由生成模型目前的输出结果是否准确合理。一般来说，反馈类型分为两种，正反馈和负反馈，即用户喜欢还是不喜欢这个推荐理由。通常这种反馈由用户的行为来体现。比如，如果用户喜欢这个推荐理由，可能会发成的反馈行为是点赞，收藏，喜欢，关注等；如果用户不喜欢这个推荐理由，可能会发生的反馈行为是点踩，拉黑，删除等。

进一步地，根据反馈类型实时调整推荐理由生成模型的模型参数，以对推荐理由生成模型进行优化。根据用户的反馈，如果生成的推荐理由用户感兴趣从而点击了商品，即发生了正反馈相关的行为，那么说明该次样本生成过程没问题，继续做推荐理由生成模型的训练，加强模型参数的正向学习。

根据用户的反馈，如果生成的推荐理由用户不感兴趣从而发生了与负反馈相关的行为，则生成的推荐理由并没有新引起用户的关注，该次样本生成过程存在问题，可以实时的依据该次样本生成过程进行模型参数的调整。

因此每次一个用户的反馈，我们都可以组成一个新的样本，从头进行推荐理由生成模型的训练优化。该训练优化过程可以通过神经网络的反向传播机制进行，调整的是模型参数可以为整个神经网络的权重参数。这样，随着优化过程的进行，推荐理由生成模型也愈发趋于成熟，更具完善，其输出的推荐理由才能更加的具有灵活性、多元性和准确性，因为是根据用户的反馈来进行的优化，所以也提升了用户体验和忠诚度。

根据本申请实施例提供的技术方案，通过将用户特征和商品特征输入至推荐理由生成模型以输出推荐理由，确定用户对推荐理由的反馈类型，根据反馈类型实时调整推荐理由生成模型的模型参数，以对推荐理由生成模型进行优化。结合大语言模型的优势生成推荐理由，并基于海量的文本数据进行训练优化，对推荐理由的生成有更高的准确性，且无需人工维护推荐理由库，降低推荐理由库的运维成本。同时，推荐理由生成模型可以覆盖多种类型和领域的推荐场景，如电商、视频、音乐、新闻、游戏等，有更高的灵活性和可扩展性。结合用户的历史行为和推荐内容的特点进行推荐理由的生成，具有更高的可解释性，可以增加用户对推荐系统的信任度和透明度，提升用户体验和忠诚度。

在一些实施例中，确定用户特征和商品特征包括：

基于数据库中的标签数据确定用户属性和商品属性；

根据用户属性确定所述用户特征；

根据商品属性确定所述商品特征。

具体地，数据库中的数据是为众多用户所共享其信息而建立的，建立之初依据对象的特点打上标签，被称为标签数据。在推荐的场景中，该标签数据能够体现用户属性和商品属性。用户属性即用户本身具有的特点，同理，商品属性即商品本身具有的特点。用户属性可以包括用户的社会特征，商品属性可以包括商品的固有特征。因此根据用户属性可以确定用户特征，比如：性别、年龄、教育程度、收入、地域、喜好等。根据商品属性可以确定商品特征，比如：性能、尺寸、外观、装配、被购买次数等。确定用户特征和商品特征能够更好的了解用户的需求，是个性化推荐理由生成的基础，利用数据库中的标签数据作为推荐理由生成模型的训练样本，能够更加全面的使推荐理由生成模型了解用户的需求和商品的特点，从而输出个性化的推荐理由。

在一些实施例中，推荐理由生成模型内置有提示模版，则将用户特征和商品特征输入至推荐理由生成模型以输出推荐理由包括：

将用户特征和所述商品特征进行向量化表征以输出用户向量和商品向量；

输入用户向量和所述商品向量至推荐理由生成模型；

基于提示模版输出推荐理由。

具体地，提示模版是推荐理由生成模型里面的信息所要展示套用的模版，该提示模版结构可以为“用户的潜在语义表征、商品语义表征、推荐理由”，比如，假设一个商品推荐场景，用户的潜在语义表征为用户所在地A地，经常点甜点，偏好蛋糕；商品语义表征为蛋糕；为了吸引该用户，我们可以写这样的推荐理由：A地蛋糕排行榜第1名，这就是一个提示模版。提示模版内可以包含各类商品和用户及推荐理由的关联关系。通过上述实施例，得到用户特征和商品特征的潜在语义表征，即用户向量和商品向量，根据上述提示模板，推荐理由生成模型，在用户和商品语义表征的限制下，利用大量预料的潜在能力，生成符合条件的推荐理由文本。

在一些实施例中，基于提示模版输出推荐理由包括：

用户向量和商品向量在推荐理由生成模型内进行交互以形成交互特征向量；

推荐理由生成模型对交互特征向量进行识别并基于提示模版以输出推荐理由。

具体地，通过用户向量和商品向量的交互能够使各个用户和各个商品之间进行发散与识别，这样交互特征向量更能够发掘用户对某一商品的隐藏偏好。由于提示模版中包含了对各个商品的推荐理由，这样推荐理由生成模型可以基于提示模版生成适合目标用户的对某一目标商品合适的推荐理由。这样的推荐理由是用户和商品之间实际相关联的，准确性高，而不是给商品乱加的标签，让用户信服，觉得推荐这个商品是有真道理，而不是一些无关痛痒的理由。这样才能使推荐理由生成模型做到千人千面，推荐理由能够让目标用户容易理解。

在一些实施例中，确定用户对推荐理由的反馈类型包括：

确定用户对推荐理由的行为特征；

若行为特征为正面特征，则确定反馈类型为正反馈；

若行为特征为负面特征，则确定反馈类型为负反馈。

具体地，推荐理由产生后，不同用户对推荐理由都有不同认同感，推荐理由生成模型根据这种认同感来实时调整模型参数优化模型，后续推出的推荐理由才能够使用户愈发的认同，也就提高了推荐理由的准确性。对这种认同感的判断基于用户对推荐理由的反馈类型，而对反馈类型的确定基于用户对推荐理由的行为特征。一般来说，行为特征分为两种，正面特征和负面特征，正面特征能够体现用户喜欢这个推荐理由，比如发生点赞、收藏、喜欢、关注等这种正面的行为特征，那么可以将这种反馈类型确定为正反馈。同样，负面特征能够体现用户不喜欢这个推荐理由，比如发生点踩、拉黑、删除、无操作等这种负面的行为特征，那么可以将这种反馈类型确定为负反馈。正反馈与负反馈对推荐理由生成模型的优化至关重要，是模型优化的基准。基于该正反馈与负反馈对推荐理由生成模型优化能够提高推荐理由生成的准确性和效率。

在一些实施例中，根据反馈类型实时调整推荐理由生成模型的模型参数，以对推荐理由生成模型进行优化包括：

若反馈类型为正反馈，则将生成的推荐理由作为正样本，根据正样本对模型参数进行正向学习，以对推荐理由生成模型进行优化。

具体地，若反馈类型为正反馈，说明生成的推荐理由质量较高，则将生成的推荐理由作为正样本。推荐理由生成模型对正样本这一类的数据学习效果好，那么可以加强这一类别的学习，使模型达到更好的效果。

在一些实施例中，根据反馈类型实时调整推荐理由生成模型的模型参数，以对推荐理由生成模型进行优化包括：

若反馈类型为负反馈，则将生成的推荐理由作为负样本，根据负样本对模型参数进行调整，以对推荐理由生成模型进行优化。

具体地，若反馈类型为负反馈，说明生成的推荐理由质量低，则将生成的推荐理由作为负样本。负样本在模型训练中起到一个对比、比较的作用，可以让推荐理由生成模型学习到什么样的是错的，因此，根据负样本对模型参数进行调整，使模型达到更好的效果。

正反馈和负反馈都可以反映用户偏好。在进行推荐理由生成模型的训练优化时，只使用其中一类样本对推荐理由生成模型训练会影响该模型的训练效果，使得预测效果不佳，进而影响推荐系统的推荐效果。将两者有效的结合起来对推荐理由生成模型训练，能够使得该模型更加准确的识别用户的意图及喜好，更加精准的预测出用户对某一商品的推荐理由。

因此每次一个用户的反馈，都可以组成一个新的样本，从头进行推荐理由生成模型的训练优化。该训练优化过程可以通过神经网络的反向传播机制进行，调整的是模型参数可以为整个神经网络的权重参数。这样，随着优化过程的进行，推荐理由生成模型也愈发趋于成熟，更具完善，其输出的推荐理由才能更加的具有灵活性、多元性、准确性，因为是根据用户的反馈来进行的优化，所以也提升了用户体验和忠诚度。

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3是本申请实施例提供的一种推荐理由生成模型的优化装置的示意图。

如图3所示，该推荐理由生成模型的优化装置包括：

特征确定模块301，被配置为用于确定用户特征和商品特征；

推荐理由输出模块302，被配置为用于将用户特征和所述商品特征输入至推荐理由生成模型以输出推荐理由；

反馈类型确定模块303，被配置为用于确定用户对推荐理由的反馈类型；

优化模块304，被配置为用于根据反馈类型实时调整推荐理由生成模型的模型参数，以对推荐理由生成模型进行优化。

在一些实施例中，图3的特征确定模块301包括：

基于数据库中的标签数据确定用户属性和商品属性；

根据用户属性确定用户特征；

根据商品属性确定商品特征。

在一些实施例中，推荐理由生成模型内置有提示模版，则图3的推荐理由输出模块302包括：

将用户特征和商品特征进行向量化表征以输出用户向量和商品向量；

输入用户向量和商品向量至推荐理由生成模型；

基于提示模版输出推荐理由。

在一些实施例中，图3的推荐理由输出模块302包括：

用户向量和商品向量在推荐理由生成模型内进行交互以形成交互特征向量；

推荐理由生成模型对交互特征向量进行识别并基于提示模版以输出推荐理由。

在一些实施例中，图3的反馈类型确定模块303包括：

确定用户对推荐理由的行为特征；

若行为特征为正面特征，则确定反馈类型为正反馈；

若行为特征为负面特征，则确定反馈类型为负反馈。

在一些实施例中，图3的优化模块304包括：

若反馈类型为正反馈，则将生成的推荐理由作为正样本，根据正样本对模型参数进行正向学习，以对推荐理由生成模型进行优化。

在一些实施例中，图3的优化模块304包括：

若反馈类型为负反馈，则将生成的推荐理由作为负样本，根据负样本对模型参数进行调整，以对推荐理由生成模型进行优化。

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4是本申请实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

电子设备4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4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4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401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402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4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402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402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。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

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 (10)

1.一种推荐理由生成模型的优化方法，其特征在于，所述方法包括：

确定用户特征和商品特征；

将所述用户特征和所述商品特征输入至推荐理由生成模型以输出推荐理由；

确定用户对所述推荐理由的反馈类型；

根据所述反馈类型实时调整所述推荐理由生成模型的模型参数，以对所述推荐理由生成模型进行优化。

2.根据权利要求1所述的方法，其特征在于，所述确定用户特征和商品特征包括：

基于数据库中的标签数据确定用户属性和商品属性；

根据所述用户属性确定所述用户特征；

根据所述商品属性确定所述商品特征。

3.根据权利要求1所述的方法，其特征在于，所述推荐理由生成模型内置有提示模版，则所述将所述用户特征和所述商品特征输入至推荐理由生成模型以输出推荐理由包括：

将所述用户特征和所述商品特征进行向量化表征以输出用户向量和商品向量；

输入所述用户向量和所述商品向量至所述推荐理由生成模型；

基于所述提示模版输出推荐理由。

4.根据权利要求3所述的方法，其特征在于，所述基于所述提示模版输出推荐理由包括：

所述用户向量和所述商品向量在所述推荐理由生成模型内进行交互以形成交互特征向量；

所述推荐理由生成模型对所述交互特征向量进行识别并基于所述提示模版以输出推荐理由。

5.根据权利要求1所述的方法，其特征在于，所述确定用户对所述推荐理由的反馈类型包括：

确定用户对所述推荐理由的行为特征；

若所述行为特征为正面特征，则确定所述反馈类型为正反馈；

若所述行为特征为负面特征，则确定所述反馈类型为负反馈。

6.根据权利要求5所述的方法，其特征在于，所述根据所述反馈类型实时调整所述推荐理由生成模型的模型参数，以对所述推荐理由生成模型进行优化包括：

若所述反馈类型为正反馈，则将生成的所述推荐理由作为正样本，根据所述正样本对所述模型参数进行正向学习，以对所述推荐理由生成模型进行优化。

7.根据权利要求5所述的方法，其特征在于，所述根据所述反馈类型实时调整所述推荐理由生成模型的模型参数，以对所述推荐理由生成模型进行优化包括：

若所述反馈类型为负反馈，则将生成的所述推荐理由作为负样本，根据所述负样本对所述模型参数进行调整，以对所述推荐理由生成模型进行优化。

8.一种推荐理由生成模型的优化装置，其特征在于，包括：

特征确定模块，用于确定用户特征和商品特征；

推荐理由输出模块，用于将所述用户特征和所述商品特征输入至推荐理由生成模型以输出推荐理由；

反馈类型确定模块，用于确定用户对所述推荐理由的反馈类型；

优化模块，用于根据所述反馈类型实时调整所述推荐理由生成模型的模型参数，以对所述推荐理由生成模型进行优化。

9.一种电子设备，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7中任一项所述方法的步骤。

10.一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7中任一项所述方法的步骤。