CN117540080A - 一种强化新用户特征的物品冷启动推荐方法和装置 - Google Patents
一种强化新用户特征的物品冷启动推荐方法和装置 Download PDFInfo
- Publication number
- CN117540080A CN117540080A CN202311417781.XA CN202311417781A CN117540080A CN 117540080 A CN117540080 A CN 117540080A CN 202311417781 A CN202311417781 A CN 202311417781A CN 117540080 A CN117540080 A CN 117540080A
- Authority
- CN
- China
- Prior art keywords
- user
- features
- article
- item
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005728 strengthening Methods 0.000 title abstract description 4
- 238000000605 extraction Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 17
- 230000002708 enhancing effect Effects 0.000 claims description 15
- 238000012512 characterization method Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 201000009240 nasopharyngitis Diseases 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及序列推荐技术领域，提供了一种强化新用户特征的物品冷启动推荐方法和装置。该方法包括获取样本特征数据集；样本特征包括用户特征、物品特征和用户物品交叉特征，其中用户特征至少包括新用户标签特征；构建物品冷启动推荐模型；物品冷启动推荐模型包括浅层塔子模型和深层塔子模型；将用户特征、物品特征、用户物品交叉特征输入至浅层塔子模型，获得分别对应于用户特征、物品特征和用户物品交叉特征的权重值；将经过相应权重值调整的用户特征、物品特征和用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果。本申请强化新用户特征适应不同场景，通过新用户特征调整特征权重，提升了用户信息不足时冷启动推荐的准确度。
Description
技术领域
本申请涉及序列推荐技术领域，尤其涉及一种强化新用户特征的物品冷启动推荐方法和装置。
背景技术
目标推荐应用能帮助用户及时获取最具有价值的内容，目标推荐应用的推荐结果越精确和高效，用户体验也会越好，用户对目标推荐应用评价就会越高。然而由于目标推荐应用中存在着数量庞大的新用户或新物品，这些新用户和新物品所包含的数据不够充分，例如新用户的基础信息较少时，那么就很难立即确定符合或者与其兴趣爱好相似的物品进行推荐，也即存在推荐冷启动问题。尤其是在目标推荐应用的上线时间比较短，且推广处于初期，有很多的新用户，对于新用户线上行为稀疏、偏好信息不足等问题，训练数据少，容易被老用户带偏，导致新用户的推荐效果不达预期。
因此，如何利用好新用户特征，强化新用户特征适应不同场景，提升用户信息不足时冷启动推荐的准确度，是需要解决的技术问题。
发明内容
有鉴于此，本申请实施例提供了一种强化新用户特征的物品冷启动推荐方法、装置、电子设备及存储介质，以解决现有技术新用户特征对于冷启动推荐结果准确度不高的问题。
本申请实施例的第一方面，提供了一种强化新用户特征的物品冷启动推荐方法，包括：
获取样本特征数据集；所述样本特征包括用户特征、物品特征和用户物品交叉特征，其中所述用户特征至少包括新用户标签特征；
构建物品冷启动推荐模型；所述物品冷启动推荐模型包括浅层塔子模型和深层塔子模型；
将所述用户特征、所述物品特征、所述用户物品交叉特征输入至所述浅层塔子模型，获得分别对应于所述用户特征、所述物品特征和所述用户物品交叉特征的权重值；
将经过相应权重值调整的所述用户特征、所述物品特征和所述用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果。
本申请实施例的第二方面，提供了一种强化新用户特征的物品冷启动推荐装置，包括：
样本特征数据获取模块，被配置为获取样本特征数据集；所述样本特征包括用户特征、物品特征和用户物品交叉特征，其中所述用户特征至少包括新用户标签特征；
物品冷启动推荐模型构建模块，被配置为构建物品冷启动推荐模型；所述物品冷启动推荐模型包括浅层塔子模型和深层塔子模型；
特征权重优化模块，被配置为将所述用户特征、所述物品特征、所述用户物品交叉特征输入至所述浅层塔子模型，获得分别对应于所述用户特征、所述物品特征和所述用户物品交叉特征的权重值；
物品冷启动推荐结果获取模块，被配置为将经过相应权重值调整的所述用户特征、所述物品特征和所述用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果。
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第一方面所述方法的步骤。
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第一方面所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果至少包括：本申请实施例首先获取样本特征数据集；样本特征包括用户特征、物品特征和用户物品交叉特征，其中用户特征至少包括新用户标签特征；构建物品冷启动推荐模型；物品冷启动推荐模型包括浅层塔子模型和深层塔子模型；将用户特征、物品特征、用户物品交叉特征输入至浅层塔子模型，获得分别对应于用户特征、物品特征和用户物品交叉特征的权重值；将经过相应权重值调整的用户特征、物品特征和用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果。本申请强化新用户特征适应不同场景，通过新用户特征调整特征权重，提升了用户信息不足时冷启动推荐的准确度。
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是本申请实施例提供的强化新用户特征的物品冷启动推荐方法的流程示意图之一；
图2是本申请实施例提供的强化新用户特征的物品冷启动推荐方法的流程示意图之二；
图3是本申请实施例提供的强化新用户特征的物品冷启动推荐方法的流程示意图之三；
图4是本申请实施例提供的强化新用户特征的物品冷启动推荐方法的流程示意图之四；
图5是本申请实施例提供的强化新用户特征的物品冷启动推荐方法的流程示意图之五；
图6是本申请实施例提供的强化新用户特征的物品冷启动推荐装置的结构示意图；
图7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。
下面将结合附图详细说明根据本申请实施例的一种强化新用户特征的物品冷启动推荐方法、装置、电子设备和存储介质。
如背景技术所述，目标推荐应用能帮助用户及时获取最具有价值的内容，目标推荐应用的推荐结果越精确和高效，用户体验也会越好，用户对目标推荐应用评价就会越高。通常在序列推荐任务中，常用的是CNN-base模型这是一种基于卷积神经网络的序列推荐模型，其主要过程如下：(1)输入表示，即将输入的序列(如文本、音乐、视频等)表示成一个矩阵，其中每行表示一个时间步，每列表示一个特征。(2)卷积层，即通过一系列的卷积层来提取输入序列的局部特征，每个卷积层由多个卷积核组成，每个卷积核会对输入矩阵中的一部分进行卷积操作，提取出该部分的局部特征。卷积操作可以通过滑动窗口实现。(3)池化层，即在卷积层之后，使用池化层来进一步提取输入序列的特征。池化层通常采用最大池化或平均池化的方式，从每个卷积核的输出中选择最大值或平均值作为该卷积核的输出。(4)展开层，即将池化层的输出展开成一维向量，作为全连接层的输入。(5)全连接层，即在全连接层中，可以使用多个全连接层来提高模型的表示能力，每个全连接层都可以包含多个神经元。全连接层可以实现输入序列的特征组合和分类。(6)输出层，即输出层根据具体的任务要求而定，比如在文本推荐任务中，可以使用softmax层来输出每个词的概率，选择概率最高的词作为推荐结果。通过以上过程，CNN-base序列推荐模型可以学习到输入序列的局部和全局特征，并能够有效地处理不同长度的序列。在训练时，可以使用反向传播算法来更新模型参数，使得模型能够更好地适应训练数据。在预测时，可以将输入序列送入模型中，根据模型的输出进行推荐。
然而，由于目标推荐应用中存在着数量庞大的新用户或新物品，这些新用户和新物品所包含的数据不够充分，例如新用户的基础信息较少时，那么就很难立即确定符合或者与其兴趣爱好相似的物品进行推荐，也即存在推荐冷启动问题。尤其是在目标推荐应用的上线时间比较短，且推广处于初期，有很多的新用户，对于新用户线上行为稀疏、偏好信息不足等问题，训练数据少，容易被老用户带偏，导致新用户的推荐效果不达预期。
冷启动问题的本质是要解决推荐中的数据缺失问题。冷启动问题根据可用数据缺乏情况可以总结概括为三种情况：用户冷启动、物品冷启动、系统冷启动。无论什么应用领域，推荐系统普遍存在冷启动问题，这是每一个推荐系统必须要解决的难题，举个例子，当推荐系统使用的是协同过滤推荐算法时，根据协同过滤算法的特性，系统会面临冷启动问题。当前解决冷启动问题成效较好的有混合推荐、基于用户兴趣、融合其他数据源等方式。
发明人检索到国内外关于序列推荐时解决冷启动的方案。例如通过一种混合推荐的模型，根据用户和项目的偏差来打分，然后将信任推荐和基于项目的协同过滤组合起来的算法，使用用户的社交网络来替换传统的近邻协同过滤技术的类似近邻，在一定程度上解决了冷启动问题。还有，利用跨层关联规则的基于内容的混合方式；在协同过滤算法的基础上，将基于知识的算法与其相融合。有研究者提出融合CNN和GAN模型的基于Deep Q-Network的推荐框架，还提供了一种将卷积序列嵌入的推荐模型，以捕获用户正反馈的序列偏好。采用GAN框架学习用户负反馈的相关性分布，并利用生成的相关正反馈的负反馈序列来实现更好的相关性估计，自动学习最优推荐策略。还有，基于注意力机制的CNN标签推荐模型，由于深度神经网络有其显著的优点，充分利用它的优点，采用了CNN来执行推荐任务，提出一种新的基于注意力的CNN框架，该框架将局部注意力频道和全局注意力频道结合起来。
对于基于用户兴趣来解决冷启动，有人提出基于概率主题模型的用户兴趣表示方法，并建立了基于随机漫步的兴趣增强模型。设计了三层模型：一层是用户，一层是兴趣，一层是物品，使用概率主题模型获得用户目前的喜好，然后提出基于随机漫步的用户兴趣拓展和喜好传输算法，提出满足用户兴趣的项目并推荐给用户。
对于运用融合其他数据源来解决冷启动问题，有人提出了一种基于剖面展开技术混合推荐方法，不仅考虑用户的评分数据，还考虑用户的人口统计数据，目的是丰富用户的邻域集合，通过模型融合了时间、文本和相关性等特征，可以有效地提高项目冷启动时的性能。
此外，发明人还检索到一种方法来解决电影推荐的冷启动问题，提出了一种构建知识图谱的方法，在此基础上，链接了开放数据。针对协同过滤算法中常见的冷启动问题，基于蚁群算法，提出了将用户或物品的内容信息进行组合的最优化方法。还有人设计了一个偏好模式，反映一个人在一段时间内从物品序列中挖掘出的经常重复出现的主要购买行为。在对偏好相似项目的非冷启动用户进行训练集采样，将顺序模式挖掘和分类技术相结合。此外，为了解决新用户的冷启动问题，将传统的相似度计算方法进行改进，此方法是通过神经学习去改进的。有的研究者使用协作标签，在数据稀疏和用户冷启动的情况下，协作标签可以发挥很好的性能，在此基础上，使用协作标签来分析用户对项目的感兴趣程度。最近，更有研究者将用户的物品偏好与额外的分类偏好之间的隐式关系结合起来，可以做出更好质量的推荐，同时缓解冷启动问题。
本申请关注的是对于新用户而言，做好物品冷启动推荐的方案，因此，如何利用好新用户特征，强化新用户特征适应不同场景，提升用户信息不足时冷启动推荐的准确度，是需要解决的技术问题。
需要说明的是，本申请实施例是以房源推荐业务作为推荐场景来进行详细说明的，因此在下述实施例描述时，物品即可能被房源所代替。但是应当理解的是，本申请实施例提出的用于解决新用户冷启动的方法，可以适用于除房源推荐之外的其他场景，如电商推荐，短视频推荐等，也即物品不仅可以为房源，可以为需要推荐的任何物品，此处不再赘述。
如图1所示，为本申请的一种强化新用户特征的物品冷启动推荐方法流程图。上述方法包括：
S101：获取样本特征数据集；上述样本特征包括用户特征、物品特征和用户物品交叉特征，其中上述用户特征至少包括新用户标签特征。
S102：构建物品冷启动推荐模型；上述物品冷启动推荐模型包括浅层塔子模型和深层塔子模型。
S103：将上述用户特征、上述物品特征、上述用户物品交叉特征输入至上述浅层塔子模型，获得分别对应于上述用户特征、上述物品特征和上述用户物品交叉特征的权重值。
S104：将经过相应权重值调整的上述用户特征、上述物品特征和上述用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果。
本实施例以房源作为物品的一个例子进行说明。具体地，上述用户特征包括新用户标签、用户基本信息、用户偏好、用户线上行为和用户线下行为。其中，新用户标签根据用户基本信息的丰富程度划分新老用户，用户信息低于全部信息的20％时，标记为新用户，否则为老用户；用户基本信息包括用户ID、年龄、性别、所属城市、会员等级、会员积分等；用户偏好包括地段、户型、价格、装修、房龄、城市、是否学区房等；用户线上行为包括点击、关注、线上咨询置业顾问、分享等；用户线下行为包括实地看房、到访线下门店等。
具体地，房源特征包括房源基本信息、房源质量和房源供需。其中，房源基本信息包括房源ID、小区位置、面积、朝向、楼层、总楼层等；房源质量包括新旧程度、装修水平、设施完善度等；房源供需包括上架时间、浏览量、关注度、成交率等。
需要说明的是，本申请的核心思想是将新用户和老用户视为两个场景，借助多场景推荐提升模型对新用户的重视程度从而解决用户冷启动问题。因此，在实施例中将新用户标签特征加到离最终目标更近的位置，以发挥更直接有力的影响；让新用户标签特征当裁判，动态调节其他输入特征的权重，使模型在面对新用户时，自动放大那些对新用户友好的特征的重要性。
在一些实施例中，上述浅层塔子模型包括通用特征提取网络和场景特征提取网络。
具体地，上述浅层塔子模型是一种机器学习技术，用于深度学习模型中预测位置偏差信息。它是一个轻量级模型，使用与位置偏差相关的特征作为输入。浅层塔的输出然后添加到深层塔的输出之前的sigmoid函数中。因此，浅层塔的工作流程一般包括使用泛化特征训练带有深层和浅层塔的模型，每当新数据进入离线系统时，将数据的泛化特征提取出来并输入到训练好的模型中，使用模型的输出来预测位置偏差信息。
在一些实施例中，其特征在于，上述通用特征提取网络包括串联的多个第一全卷积神经网络层以及配置于每个第一全卷积神经网络层之后的Sigmoid激活层。
在一些实施例中，上述场景特征提取网络包括多个相互独立的第二全卷积神经网络层，上述第二全卷积神经网络层的数量与上述通用特征提取网络中的第一全卷积神经网络层数量相同。
在一些实施例中，上述场景特征提取网络，被配置为依据上述新用户标签，获得新用户场景特征，以及基于上述新用户场景特征，与上述通用特征提取网络融合，采用动态权重策略，生成相应特征的权重；上述通用特征提取网络，被配置为与上述场景特征提取网络配合，获得分别对应于上述用户特征、上述物品特征和上述用户物品交叉特征的权重值。
具体地，动态权重策略被广泛应用于解决各种问题，如机器学习、最优化、数据挖掘等领域。通过灵活调整权重，动态权重策略能够在不同情况下提高算法的性能，使得算法适应性更强，具有更好的泛化能力。动态权重策略的核心思想是根据问题的不同特点和要求，自动调整不同特征或变量的权重，以达到更好的效果。这些权重在算法的执行过程中可以实时变化，以适应不同的环境和需求。动态权重策略的优势在于它提供了一种灵活的方式来平衡多个因素，从而获得更好的结果。在实际应用中，动态权重策略的一个常见例子是在机器学习中的特征选择问题。特征选择是指从原始数据中选择出最有信息量的特征.用于建立模型。在传统的特征选择方法中，通常使用统计学方法或启发式算法来选择特征，但这些方法往往会忽略特征之间的关联性和相互作用。而动态权重策略则可以通过自适应地调整每个特征的权重，考虑特征之间的关联性，提高特征选择的准确性和鲁棒性。
在一些实施例中，将上述用户特征、上述物品特征、上述用户物品交叉特征输入至上述浅层塔子模型，获得分别对应于上述用户特征、上述物品特征和上述用户物品交叉特征的权重值，如图2所示，包括：
S211：将上述用户特征、上述物品特征、上述用户物品交叉特征输入至第一全卷积神经网络层；
S212：将上述新用户标签特征输入至第二全卷积神经网络层；其中每个第二全卷积神经网络层配置预设Stride值；
S213：将第一全卷积神经网络层的输出特征和对应的第二全卷积神经网络层的输出特征输入至对应的Sigmoid激活层，直到通过全部第一全卷积神经网络层，获得分别对应于上述用户特征、上述物品特征和上述用户物品交叉特征的权重值。
具体地，上述动态权重策略采用LHUC算法实现。LHUC算法是Learning HiddenUnit Contribution学习隐藏层单元贡献的缩写，是一种基于加权程度的学习算法。通过在神经网络中加入一些参数，为每个隐藏单元添加一个权重参数，从而解决偏差问题。LHUC算法通过调整隐藏单元的权重来提高神经网络的效果。在训练时网络中的每个隐藏单元都被分配一个权重，以此来决定隐藏单元所占的份额。通过这种方式，LHUC算法增强了神经网络的训练能力，提高了网络的泛化能力。LHUC算法在实际应用中具有广泛的应用价值。在实现该算法时，需要为每个隐藏单元添加一个权重参数。
具体地，本申请的一个实施例的具体实现方式，如图3所示。首先，该浅层塔子模型输入就是我们获取的样本特征，包括用户特征、房源特征和用户房源交互特征。通过上述网络，新用户标签特征与上述特征进行充分的交叉，就可以经过新用户标签特征的动态权重调整，提高新用户标签特征的重要性。在具体实现中，参照图3，浅层塔子模型包括通用特征提取网络和场景特征提取网络，通用特征提取网络包括串联的多个全卷积神经网络层以及配置于每个全卷积神经网络层之后的Sigmoid激活层，图3中选用了3个串联的全卷积神经网络作为隐藏层，每个全卷积神经网络的输出端均配置有Sigmoid激活层，一并构建成通用特征提取网络；场景特征提取网络包括多个相互独立的全卷积神经网络层，全卷积神经网络层的数量与通用特征提取网络中的全卷积神经网络层数量相同，因此场景特征提取网络也包括3个全卷积神经网络。但是，场景特征提取网络的全卷积神经网络和通用特征提取网络的全卷积神经网络并非要求为相同网络结构，且根据LHUC算法，场景特征提取网络的全卷积神经网络每个具有不同的Stride值，如图3所示，Stride值分别为32、16和8。
在一些实施例中，将经过权重值调整的上述用户特征、上述物品特征和上述用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果，如图4所示，包括：
S411：分别获得对应于上述用户特征、上述物品特征和上述用户物品交叉特征的嵌入表征特征；
S412：将相应权重值分别与对应于上述用户特征、上述物品特征和上述用户物品交叉特征的嵌入表征特征相乘，获得对应于上述用户特征、上述物品特征和上述用户物品交叉特征的加权嵌入表征特征；
S413：将对应于上述用户特征、上述物品特征和上述用户物品交叉特征的加权嵌入表征特征输入至深层塔子模型，获得物品冷启动推荐结果；上述深层塔子模型基于深度学习序列推荐模型构建。
具体地，如图5所示，通过LHUC算法得到一系列的权重之后，用权重和相应特征的嵌入表征向量相乘，再输入深层塔子模型中，这样就将是否是新用户这个特征贯穿到整个模型训练了，模型训练过程本申请不在赘述。此外，深层塔子模型可以使用深度学习神经网络DNN作为序列推荐主模型，也可以使用RCNN、DIN、RNN等序列模型，且均在本申请技术特征的保护范围之内。
本申请实施例首先获取样本特征数据集；样本特征包括用户特征、物品特征和用户物品交叉特征，其中用户特征至少包括新用户标签特征；构建物品冷启动推荐模型；物品冷启动推荐模型包括浅层塔子模型和深层塔子模型；将用户特征、物品特征、用户物品交叉特征输入至浅层塔子模型，获得分别对应于用户特征、物品特征和用户物品交叉特征的权重值；将经过相应权重值调整的用户特征、物品特征和用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果。本申请强化新用户特征适应不同场景，通过新用户特征调整特征权重，提升了用户信息不足时冷启动推荐的准确度。
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。对于本申请系统实施例中未披露的细节，请参照本申请方法实施例。
图6是本申请实施例提供的一种强化新用户特征的物品冷启动推荐装置示意图。如图6所示，该强化新用户特征的物品冷启动推荐装置包括：
样本特征数据获取模块601，被配置为获取样本特征数据集；上述样本特征包括用户特征、物品特征和用户物品交叉特征，其中上述用户特征至少包括新用户标签特征；
物品冷启动推荐模型构建模块602，被配置为构建物品冷启动推荐模型；上述物品冷启动推荐模型包括浅层塔子模型和深层塔子模型；
特征权重优化模块603，被配置为将上述用户特征、上述物品特征、上述用户物品交叉特征输入至上述浅层塔子模型，获得分别对应于上述用户特征、上述物品特征和上述用户物品交叉特征的权重值；
物品冷启动推荐结果获取模块604，被配置为将经过相应权重值调整的上述用户特征、上述物品特征和上述用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果。
应理解，本说明书实施例的一种强化新用户特征的物品冷启动推荐装置还可执行图1至图5中强化新用户特征的物品冷启动推荐装置执行的方法，并实现强化新用户特征的物品冷启动推荐装置在图1至图5所示实例的功能，在此不再赘述。同时，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7是本申请实施例提供的电子设备7的示意图。如图7所示，该实施例的电子设备7包括：处理器701、存储器702以及存储在该存储器702中并且可在处理器701上运行的计算机程序703。处理器701执行计算机程序703时实现上述各个方法实施例中的步骤。或者，处理器701执行计算机程序703时实现上述各装置实施例中各模块/单元的功能。
电子设备7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7可以包括但不仅限于处理器701和存储器702。本领域技术人员可以理解，图7仅仅是电子设备7的示例，并不构成对电子设备7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。
存储器702可以是电子设备7的内部存储单元，例如，电子设备7的硬盘或内存。存储器702也可以是电子设备7的外部存储设备，例如，电子设备7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702还可以既包括电子设备7的内部存储单元也包括外部存储设备。存储器702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。
处理器701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。处理器701从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成共享资源访问控制装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
获取样本特征数据集；上述样本特征包括用户特征、物品特征和用户物品交叉特征，其中上述用户特征至少包括新用户标签特征；
构建物品冷启动推荐模型；上述物品冷启动推荐模型包括浅层塔子模型和深层塔子模型；
将上述用户特征、上述物品特征、上述用户物品交叉特征输入至上述浅层塔子模型，获得分别对应于上述用户特征、上述物品特征和上述用户物品交叉特征的权重值；
将经过相应权重值调整的上述用户特征、上述物品特征和上述用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果。
上述如本说明书图1至图5所示实施例揭示的强化新用户特征的物品冷启动推荐方法可以应用于处理器701中，或者由处理器701实现。处理器701可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以实现或者执行本说明书实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
当然，除了软件实现方式之外，本说明书实施例的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
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。
本说明书实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1至图5所示实施例的强化新用户特征的物品冷启动推荐方法，并具体用于执行以下方法：
获取样本特征数据集；上述样本特征包括用户特征、物品特征和用户物品交叉特征，其中上述用户特征至少包括新用户标签特征；
构建物品冷启动推荐模型；上述物品冷启动推荐模型包括浅层塔子模型和深层塔子模型；
将上述用户特征、上述物品特征、上述用户物品交叉特征输入至上述浅层塔子模型，获得分别对应于上述用户特征、上述物品特征和上述用户物品交叉特征的权重值；
将经过相应权重值调整的上述用户特征、上述物品特征和上述用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果。
总之，以上该仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书的保护范围之内。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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)
1.一种强化新用户特征的物品冷启动推荐方法，其特征在于，包括：
获取样本特征数据集；所述样本特征包括用户特征、物品特征和用户物品交叉特征，其中所述用户特征至少包括新用户标签特征；
构建物品冷启动推荐模型；所述物品冷启动推荐模型包括浅层塔子模型和深层塔子模型；
将所述用户特征、所述物品特征、所述用户物品交叉特征输入至所述浅层塔子模型，获得分别对应于所述用户特征、所述物品特征和所述用户物品交叉特征的权重值；
将经过相应权重值调整的所述用户特征、所述物品特征和所述用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果。
2.根据权利要求1所述的方法，其特征在于，所述浅层塔子模型包括通用特征提取网络和场景特征提取网络。
3.根据权利要求2所述的方法，其特征在于，所述通用特征提取网络包括串联的多个第一全卷积神经网络层以及配置于每个第一全卷积神经网络层之后的Sigmoid激活层。
4.根据权利要求3所述的方法，其特征在于，所述场景特征提取网络包括多个相互独立的第二全卷积神经网络层，所述第二全卷积神经网络层的数量与所述通用特征提取网络中的第一全卷积神经网络层数量相同。
5.根据权利要求2至4任一项所述的方法，其特征在于，所述场景特征提取网络，被配置为依据所述新用户标签，获得新用户场景特征，以及基于所述新用户场景特征，与所述通用特征提取网络融合，采用动态权重策略，生成相应特征的权重；所述通用特征提取网络，被配置为与所述场景特征提取网络配合，获得分别对应于所述用户特征、所述物品特征和所述用户物品交叉特征的权重值。
6.根据权利要求5所述的方法，其特征在于，将所述用户特征、所述物品特征、所述用户物品交叉特征输入至所述浅层塔子模型，获得分别对应于所述用户特征、所述物品特征和所述用户物品交叉特征的权重值，包括：
将所述用户特征、所述物品特征、所述用户物品交叉特征输入至第一全卷积神经网络层；
将所述新用户标签特征输入至第二全卷积神经网络层；其中每个第二全卷积神经网络层配置预设Stride值；
将第一全卷积神经网络层的输出特征和对应的第二全卷积神经网络层的输出特征输入至对应的Sigmoid激活层，直到通过全部第一全卷积神经网络层，获得分别对应于所述用户特征、所述物品特征和所述用户物品交叉特征的权重值。
7.根据权利要求1所述的方法，其特征在于，将经过权重值调整的所述用户特征、所述物品特征和所述用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果，包括：
分别获得对应于所述用户特征、所述物品特征和所述用户物品交叉特征的嵌入表征特征；
将相应权重值分别与对应于所述用户特征、所述物品特征和所述用户物品交叉特征的嵌入表征特征相乘，获得对应于所述用户特征、所述物品特征和所述用户物品交叉特征的加权嵌入表征特征；
将对应于所述用户特征、所述物品特征和所述用户物品交叉特征的加权嵌入表征特征输入至深层塔子模型，获得物品冷启动推荐结果；所述深层塔子模型基于深度学习序列推荐模型构建。
8.一种强化新用户特征的物品冷启动推荐装置，其特征在于，包括：
样本特征数据获取模块，被配置为获取样本特征数据集；所述样本特征包括用户特征、物品特征和用户物品交叉特征，其中所述用户特征至少包括新用户标签特征；
物品冷启动推荐模型构建模块，被配置为构建物品冷启动推荐模型；所述物品冷启动推荐模型包括浅层塔子模型和深层塔子模型；
特征权重优化模块，被配置为将所述用户特征、所述物品特征、所述用户物品交叉特征输入至所述浅层塔子模型，获得分别对应于所述用户特征、所述物品特征和所述用户物品交叉特征的权重值；
物品冷启动推荐结果获取模块，被配置为将经过相应权重值调整的所述用户特征、所述物品特征和所述用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果。
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，所述处理器在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任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311417781.XA CN117540080A (zh) | 2023-10-27 | 2023-10-27 | 一种强化新用户特征的物品冷启动推荐方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311417781.XA CN117540080A (zh) | 2023-10-27 | 2023-10-27 | 一种强化新用户特征的物品冷启动推荐方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117540080A true CN117540080A (zh) | 2024-02-09 |
Family
ID=89794888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311417781.XA Pending CN117540080A (zh) | 2023-10-27 | 2023-10-27 | 一种强化新用户特征的物品冷启动推荐方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117540080A (zh) |
-
2023
- 2023-10-27 CN CN202311417781.XA patent/CN117540080A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | Off-policy learning in two-stage recommender systems | |
| US20210279552A1 (en) | Method for making recommendations to a user and apparatus, computing device, and storage medium | |
| US11514333B2 (en) | Combining machine-learning and social data to generate personalized recommendations | |
| US11715132B2 (en) | Adaptive and recursive system and method | |
| US10354184B1 (en) | Joint modeling of user behavior | |
| EP4181026A1 (en) | Recommendation model training method and apparatus, recommendation method and apparatus, and computer-readable medium | |
| WO2021139415A1 (zh) | 数据处理方法、装置、计算机可读存储介质及电子设备 | |
| CN114036398B (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
| CN111506820A (zh) | 推荐模型、方法、装置、设备及存储介质 | |
| CN116830100A (zh) | 具有自适应阈值的邻域选择推荐系统 | |
| CN115905687A (zh) | 基于元学习图神经网络面向冷启动的推荐系统及方法 | |
| CN113590976A (zh) | 一种空间自适应图卷积网络的推荐方法 | |
| Aliannejadi et al. | Venue suggestion using social-centric scores | |
| CN115730143A (zh) | 基于任务对齐元学习和增广图的推荐系统、方法、终端及介质 | |
| CN117540080A (zh) | 一种强化新用户特征的物品冷启动推荐方法和装置 | |
| Wang et al. | Dual Contrastive Learning Framework for Incremental Text Classification | |
| CN117786234B (zh) | 一种基于两阶段对比学习的多模态资源推荐方法 | |
| Wu et al. | Vector-Level and Bit-Level Feature Adjusted Factorization Machine for Sparse Prediction | |
| US20240152512A1 (en) | Machine learning for dynamic information retrieval in a cold start setting | |
| CN117391824B (zh) | 基于大语言模型和搜索引擎推荐物品的方法及装置 | |
| KR102474282B1 (ko) | 리뷰 영상 기반의 제품 구매 서비스 제공 방법 및 장치 | |
| CN112949852B (zh) | 训练模型的方法、装置、电子设备及可读存储介质 | |
| Semage | Recommender Systems with Random Walks: A Survey | |
| Gu et al. | Neighborhood attentional memory networks for recommendation systems | |
| Aramuthakannan et al. | Movie recommendation system using taymon optimized deep learning network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |