CN118013113A - 对象列表推荐方法、装置、电子设备及可读存储介质 - Google Patents

对象列表推荐方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN118013113A
CN118013113A CN202410081012.5A CN202410081012A CN118013113A CN 118013113 A CN118013113 A CN 118013113A CN 202410081012 A CN202410081012 A CN 202410081012A CN 118013113 A CN118013113 A CN 118013113A
Authority
CN
China
Prior art keywords
recommended
user
attribute information
training
information
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
Application number
CN202410081012.5A
Other languages
English (en)
Inventor
杜梦雪
袁子涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Xumi Yuntu Space Technology Co Ltd
Original Assignee
Shenzhen Xumi Yuntu Space Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Xumi Yuntu Space Technology Co Ltd filed Critical Shenzhen Xumi Yuntu Space Technology Co Ltd
Priority to CN202410081012.5A priority Critical patent/CN118013113A/zh
Publication of CN118013113A publication Critical patent/CN118013113A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及数据处理技术领域，提供了一种对象列表推荐方法、装置、电子设备及可读存储介质。该方法包括：分别对用户属性信息、待推荐对象的属性信息、以及用户的上下文信息进行特征提取；对用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第一局部融合向量矩阵；同理得到第二局部融合向量矩阵；通过第一局部融合向量矩阵和第二局部融合向量矩阵确定全局融合向量矩阵，激活加权得到预测概率值，并确定向用户展示的各个待推荐对象顺序，以此丰富了用户的偏好特征，增强了特征的局部关注度，提高了在冷启动情况下对用户推荐的准确性，提升了推荐效果的精确性。

Description

对象列表推荐方法、装置、电子设备及可读存储介质
技术领域
本公开涉及数据处理技术领域，尤其涉及一种对象列表推荐方法、装置、电子设备及可读存储介质。
背景技术
用户行为序列个性化推荐的背景技术涉及到多个领域的知识，包括统计学、机器学习、深度学习、自然语言处理等。这些技术可以用来分析用户行为数据，提取有用的特征，构建推荐模型，实现个性化推荐。随着大数据技术的发展，用户行为序列个性化推荐也需要借助大数据技术来处理大规模的数据集，但在使用过程中，需要根据用户与物品交互行为对用户特征进行建模，进而使用不同方法捕捉用户的长期偏好和短期偏好，向用户推荐其可能感兴趣的物品，现有技术中，通常使用基于内容的推荐模型和协同过滤模型通过分析用户过去交互过的商品，来为用户推荐，但是这种情况下仅考虑了用户的最近行为反映了用户的最新兴趣，而近期不活跃，没有相应的历史数据，因此很难从这些数据中捕获用户近期的偏好，且忽略了用户的历史行为在不同特征空间中可能有不同的表示。
由此可见，现有技术中存在当用户无历史行为时，由于参考数据稀少导致的推荐对象少，用户偏好不精准的问题。
发明内容
有鉴于此，本公开实施例提供了一种对象列表推荐方法、装置、电子设备及可读存储介质，以解决现有技术中当用户无历史行为时，由于参考数据稀少导致的推荐对象少，用户偏好不精准的问题。
本公开实施例的第一方面，提供了一种对象列表推荐方法，包括：获取用户属性信息、待推荐对象列表、以及用户的上下文信息，待推荐对象列表中包含至少一个待推荐对象和各个待推荐对象的属性信息；通过卷积层，分别对用户属性信息、待推荐对象的属性信息、以及用户的上下文信息进行特征提取，得到用户属性信息对应的特征向量、待推荐对象的属性信息对应的特征向量、以及用户的上下文信息对应的特征向量；对用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第一局部融合向量矩阵；对用户的上下文信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第二局部融合向量矩阵；通过多头注意力机制，对第一局部融合向量矩阵和第二局部融合向量矩阵进行处理，并对处理结果进行前向传播，得到全局融合向量矩阵；通过激活加权的方式对全局融合向量矩阵进行处理，得到待推荐对象对应的预测概率值；根据待推荐对象对应的预测概率值，确定向用户展示的待推荐对象列表中各个待推荐对象顺序。
本公开实施例的第二方面，提供了一种对象列表推荐装置，包括：获取模块，用于获取用户属性信息、待推荐对象列表、以及用户的上下文信息，待推荐对象列表中包含至少一个待推荐对象和各个待推荐对象的属性信息；第一处理模块，用于通过卷积层，分别对用户属性信息、待推荐对象的属性信息、以及用户的上下文信息进行特征提取，得到用户属性信息对应的特征向量、待推荐对象的属性信息对应的特征向量、以及用户的上下文信息对应的特征向量；第二处理模块，用于对用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第一局部融合向量矩阵；第三处理模块，用于对用户的上下文信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第二局部融合向量矩阵；第四处理模块，用于通过多头注意力机制，对第一局部融合向量矩阵和第二局部融合向量矩阵进行处理，并对处理结果进行前向传播，得到全局融合向量矩阵；第五处理模块，用于通过激活加权的方式对全局融合向量矩阵进行处理，得到待推荐对象对应的预测概率值；确定模块，用于根据待推荐对象对应的预测概率值，确定向用户展示的待推荐对象列表中各个待推荐对象顺序。
本公开实施例的第三方面，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。
本公开实施例的第四方面，提供了一种可读存储介质，该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。
本公开实施例与现有技术相比存在的有益效果是：通过获取用户属性信息、待推荐对象列表、以及用户的上下文信息，将用户属性信息、待推荐对象的属性信息、以及用户的上下文信息通过卷积层进行特征提取，得到分别对应的特征向量，将用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量通过多头注意力机制处理，得到第一局部融合向量矩阵，再对用户的上下文信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行多头注意力之际处理，得到第二局部融合向量矩阵，进而通过多头注意力机制对第一局部融合向量矩阵和第二局部融合向量矩阵进行处理，并通过前馈神经网络进行前向传播，得到全局融合向量矩阵，再通过输出层对全局融合向量矩阵和待推荐对象的属性信息对应的特征向量进行激活加权，得到待推荐对象对应的预测概率值，根据待推荐对象对应的预测概率值对待推荐对象列表中的各个待推荐对象进行排序，并将排序结果展示给用户，以此将用户属性信息和待推荐对象的属性信息融合，将用户的上下文信息和待推荐对象的属性信息进行融合，提升了对于用户和待推荐对象局部的特征丰富度，将两次融合后的向量矩阵再通过多头注意力机制全局融合，进行高阶交互，进一步提升了特征的维度，对用户不同方面的特征信息增强了关注度，加强了不同特征信息间的匹配程度，将多种特征信息进行融合统一，增强了全局特征的表达能力，提升了推荐的精确性。
附图说明
为了更清楚地说明本公开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公开的一些实施例，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是本公开实施例的应用场景的场景示意图；
图2是本公开实施例提供的一种对象列表推荐方法的流程示意图；
图3是本公开实施例提供的一种对象列表推荐模型的应用场景的流程示意图；
图4是本公开实施例提供的一种对象列表推荐装置的结构示意图；
图5是本公开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，以便透彻理解本公开实施例。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公开。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公开的描述。
需要说明的是，本公开所涉及的用户信息(包括但不限于终端设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
下面将结合附图详细说明根据本公开实施例的一种对象列表推荐方法和装置。
图1是本公开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，本公开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，本公开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，本公开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，本公开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可以通过终端设备1、2和3获取用户属性信息、待推荐对象列表、以及用户的上下文信息，将用户属性信息、待推荐对象的属性信息、以及用户的上下文信息通过卷积层进行特征提取，得到分别对应的特征向量，将用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量通过多头注意力机制处理，得到第一局部融合向量矩阵，再对用户的上下文信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行多头注意力之际处理，得到第二局部融合向量矩阵，进而通过多头注意力机制对第一局部融合向量矩阵和第二局部融合向量矩阵进行处理，并通过前馈神经网络进行前向传播，得到全局融合向量矩阵，再通过输出层对全局融合向量矩阵进行激活加权，得到待推荐对象对应的预测概率值，根据待推荐对象对应的预测概率值对待推荐对象列表中的各个待推荐对象进行排序，并将排序结果展示给用户。
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，本公开实施例对此不作限制。
图2是本公开实施例提供的一种对象列表推荐方法的流程示意图。图2的对象列表推荐方法可以由图1的服务器执行。如图2所示，该对象列表推荐方法包括：
步骤201，获取用户属性信息、待推荐对象列表、以及用户的上下文信息，待推荐对象列表中包含至少一个待推荐对象和各个待推荐对象的属性信息。
具体的，可以通过用户授权获取用户属性信息、待推荐列表、以及用户的上下文信息，其中用户属性信息包括但不限于性别、年龄、职业、兴趣爱好、和/或消费习惯等，待推荐对象列表中包含至少一个待推荐对象和各个待推荐对象的属性信息，待推荐对象可以是在推荐系统中的对象，包括但不限于商品、视频或者图片等，待推荐对象的属性信息包括但不限于名称、类别、和/或价格等，用户的上下文信息可以为用户的地理位置、所处地理位置的天气状况、时间段、和/或用户所使用设备的操作系统等，在此处不做限定，以上信息用于后续整合成对用户整体偏好的特征表达，以此通过信息获取，为后续处理步骤提供了基础数据。
例如，通过对用户Z注册账号时输入的属性信息进行授权后获取，可以为男性、40岁、普通职员等信息，通过推荐平台获取待推荐对象，包括商品A，商品B，商品C，用户的上下文信息通过分析经用户Z授权后得到的用户Z所处的环境、时间、位置等信息，得到用户Z的地理位置为北京，所使用设备的操作系统为安卓系统。
步骤202，通过卷积层，分别对用户属性信息、待推荐对象的属性信息、以及用户的上下文信息进行特征提取，得到用户属性信息对应的特征向量、待推荐对象的属性信息对应的特征向量、以及用户的上下文信息对应的特征向量。
具体的，可以通过卷积层，对所获取的信息进行特征提取，得到对应的特征向量，卷积层可以是卷积神经网络中的核心模块，主要负责处理输入数据的二维卷积操作。每个卷积层由若干个卷积单元组成，每个卷积单元负责从输入数据中提取局部特征，卷积层可以从用户属性信息中提取得到用户属性信息对应的特征向量，从待推荐对象的属性信息中提取得到待推荐对象的属性信息对应的特征向量，从用户的上下文信息中提取得到用户的上下文信息对应的特征向量，以此提升了对用户的个人背景、兴趣爱好、消费习惯等方面信息获取的精准性，提高了对待推荐对象的名称、类别、关键词等的学习程度，保证了对于可变化的上下文信息的即时性。
用户属性信息特征向量可以表示用户的静态特征，例如，用户Z的属性信息特征向量表示了用户Z为男性、40岁、普通职员等。这些特征可以是比较稳定的，变化频次少，通过分析用户属性信息特征向量，可以了解用户的个人背景、兴趣爱好、消费习惯等信息，从而更好地为用户提供个性化服务。例如，根据用户Z的年龄、性别、职业等信息，可以为用户Z推荐适合他们的商品或内容；根据用户Z的消费习惯，可以为用户Z提供个性化的购物建议。
待推荐对象的属性信息对应的特征向量可以表示待推荐对象的名称、类别、描述、关键词等，在此处不做限定，例如，待推荐对象名称为商品A，类别为生活用品，描述为卫生用纸，关键词为纸。
用户的上下文信息对应的特征向量可以表示用户的时间、地理位、天置气、和/或社交网络关系等，在此处不做限定。表示用户所处的具体时间时，例如，一天中的时间段、季节等；也可以表示用户所处的具体地点，例如，城市、区域等；还可以表示用户所处的天气状况，例如，温度、湿度、风力等，通过提取用户的上下文信息对应的特征向量，可以对用户进行更精准的理解和分类，从而为其提供更符合其需求的推荐和服务，例如，根据用户所处的地理位置，可以推荐附近的餐厅、景点等；根据用户所处的天气状况，可以推荐适合的服装、户外活动等。
步骤203，对用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第一局部融合向量矩阵。
具体的，可以通过该对象列表推荐模型中的多头注意力机制对用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行处理，多头注意力机制可以为一种深度学习模型的注意力机制，主要用于解决序列建模中的长依赖问题。通过将输入序列进行多头切分，然后分别进行注意力计算，最后将多个注意力结果合并，得到第一局部融合向量矩阵，该矩阵中各个元素均为向量形式表征，用于表示用户属性信息和待推荐对象的属性信息的融合特征及相关程度。
例如，通过多头注意力机制将用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行线性变换，转化为多个<Key，Value>数据对；对各个<Key，Value>数据对进行多次线性变换，形成多个不同的投影空间，在各个投影空间上进行注键意力计算；在各个投影空间上，通过计算查询(Query)和各个键(Key)的相似性或者相关性，得到每个对应值(Value)的权重系数，通过最大最小值归一化后，对权重和相应值进行加权求和；将多个头部的结果进行合并，得到第一局部融合向量矩阵，以此增强了该对象列表推荐模型的表达能力，提高了该对象列表推荐模型的泛化能力，保证了处理过程的长依赖效果，提升了该对象列表推荐模型的鲁棒性。
步骤204，对用户的上下文信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第二局部融合向量矩阵。
具体的，可以通过该对象列表推荐模型中的多头注意力机制对用户的上下文信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行处理，得到第二局部融合向量矩阵，该矩阵中各个元素均为向量形式表征，用于表示用户的上下文信息和待推荐对象的属性信息的融合特征及相关程度。
例如，通过多头注意力机制将用户的上下文信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行线性变换，转化为多个<Key，Value>数据对；对各个<Key，Value>数据对进行多次线性变换，形成多个不同的投影空间，在各个投影空间上进行注意力计算；在各个投影空间上，通过计算查询(Query)和各个键(Key)的相似性或者相关性，得到每个键对应值(Value)的权重系数，通过最大最小值归一化后，对权重和相应值进行加权求和；将多个头部的结果进行合并，得到第二局部融合向量矩阵，以此增强了该对象列表推荐模型的表达能力，提高了该对象列表推荐模型的泛化能力，保证了处理过程的长依赖效果，提升了该对象列表推荐模型的鲁棒性。
步骤205，通过多头注意力机制，对第一局部融合向量矩阵和第二局部融合向量矩阵进行处理，并对处理结果进行前向传播，得到全局融合向量矩阵。
具体的，可以通过多头注意力机制，将第一局部融合向量矩阵和第二局部融合向量矩阵进行处理，得到融合后的注意力矩阵，并对注意力矩阵进行前向传播，前向传播可以通过前馈神经网络实现，得到全局融合向量矩阵，其中，前馈神经网络可以是一种神经网络，由多个神经元组成，每个神经元接收来自上一层神经元的信号，并通过一定的权重和偏置进行加权和处理，得到本层神经元的输出，进而作为下一层神经元的输入。该神经网络的信息流是单向的，从输入层流向输出层，以此降低了实现难度，简化了计算流程，增强了该对象列表推荐模型的表达能力，提升了该对象列表推荐模型的鲁棒性。
前馈神经网络主要的处理流程可以通过线性变换、计算注意力得分、以及加权求和来表示，例如，将输入的第一局部融合向量矩阵和第二局部融合向量矩阵通过查询、键、值的线性变换得到三个张量q、k、v；将q、k、v分别通过预设数量个线性变换，预设数量与神经网络的头部的数量相同，得到q、k、v的多个头部；对每个头部分别计算注意力得分，并将注意力得分通过最大最小值函数得到对应的注意力权重；对每个头部的值按照注意力权重进行加权平均，并将多个头部的结果拼接起来得到全局融合向量矩阵。
步骤206，通过激活加权的方式对全局融合向量矩阵和待推荐对象的属性信息对应的特征向量进行处理，得到待推荐对象对应的预测概率值。
具体的，可以通过输出层中的激活函数和多层感知器将全局融合向量矩阵和待推荐对象的属性信息对应的特征向量进行激活加权，得到待推荐对象对应的预测概率值，其中激活函数可以是softmax激活函数、sigmoid激活函数、ReLU函数、或者Tanh函数等，在此处不做限定，多层感知器可以是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量，多层感知器可以被看做是一个有向图，由多个节点层组成，每一层全连接到下一层，除输入节点外，每个节点都是一个带有非线性激活函数的神经元，预测概率值用于表征该待推荐对象被用户选中的概率，包括但不限于0.2、0.5、或者0.8等。以此增强了该对象列表推荐模型的学习能力，扩大了模型的适用性，提升了计算效率。
例如，将全局融合向量矩阵和待推荐对象的属性信息对应的特征向量输入至输出层，通过sigmoid激活函数进行激活，将激活结果经过多层感知器进行处理得到待推荐对象对应的点击率预测值为0.2。
步骤207，根据待推荐对象对应的预测概率值，确定向用户展示的待推荐对象列表中各个待推荐对象顺序。
具体的，可以根据各个待推荐对象对应的预测概率值的相对大小，得到预测概率值的大小顺序，根据预测概率值的大小顺序将各个预测概率值对应的待推荐对象进行从大到小排序，并将排序后的待推荐对象列表推荐给用户，以此提升了推荐的精确性，保证了对用户偏好的判断准确性。
例如，待推荐对象列表中包含商品A、商品B、以及商品C，其中，商品A对应的预测概率值为0.6，商品B对应的预测概率值为0.1，商品C对应的预测概率值为0.3，根据预测概率值的大小顺序将各个预测概率值对应的待推荐对象进行排序，得到预测概率值的顺序由大到小为0.6、0.3、0.1，则对应的待推荐对象顺序为商品A、商品C、以及商品B，将排序后的待推荐对象列表推荐给用户Z。
根据本公开实施例提供的技术方案，通过获取用户属性信息、待推荐对象列表、以及用户的上下文信息，将用户属性信息、待推荐对象的属性信息、以及用户的上下文信息通过卷积层进行特征提取，得到分别对应的特征向量，将用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量通过多头注意力机制处理，得到第一局部融合向量矩阵，再对用户的上下文信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行多头注意力之际处理，得到第二局部融合向量矩阵，进而通过多头注意力机制对第一局部融合向量矩阵和第二局部融合向量矩阵进行处理，并通过前馈神经网络进行前向传播，得到全局融合向量矩阵，再通过输出层对全局融合向量矩阵和待推荐对象的属性信息对应的特征向量进行激活加权，得到待推荐对象对应的预测概率值，根据待推荐对象对应的预测概率值对待推荐对象列表中的各个待推荐对象进行排序，并将排序结果展示给用户，以此将用户属性信息和待推荐对象的属性信息融合，将用户的上下文信息和待推荐对象的属性信息进行融合，提升了对于用户和待推荐对象局部的特征丰富度，将两次融合后的向量矩阵再通过多头注意力机制全局融合，进行高阶交互，进一步提升了特征的维度，对用户不同方面的特征信息增强了关注度，加强了不同特征信息间的匹配程度，将多种特征信息进行融合统一，增强了全局特征的表达能力，提升了推荐的精确性。
在一些实施例中，对用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第一局部融合向量矩阵，包括：对用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行线性变换处理，得到预设数量的第一局部融合注意力得分；对预设数量的第一局部融合注意力得分进行非线性激活，并对激活结果进行加权平均，得到第一局部融合向量矩阵。
具体的，可以通过多头注意力机制对用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行线性变换，得到多个数据对，对各个数据对进行多次线性变换，得到多个不同的投影空间，每个投影空间表征的是不同维度上的用户特征，对不同维度的用户特征进行注意力计算，在不同特征维度上计算用户属性信息和待推荐对象的属性信息的相关性，得到对应的权重系数，该权重系数可以为第一局部融合注意力得分，将第一局部融合注意力得分可以通过最大最小值归一化或者sigmoid函数等进行非线性激活，在这里不做限定，并对权重和相应的键值进行加权求和，将预设数量的结果进行合并，预设数量是预先设置的多头注意力机制中头的数量，多头合并后得到第一局部融合向量矩阵，该结果可通过表达式表征，例如：其中，Zf可以为用户属性信息和待推荐对象的属性信息的相关性，M可以为用户的特征数，表征用户属性信息和待推荐对象的属性信息的维度。
多头注意力机制中的线性变换可以指对输入的用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行线性变换，以生成查询、键和值的表示，每个特征向量都会通过一个线性变换生成三个向量，分别为查询向量、键向量和值向量，这三种向量是多头注意力机制中的核心组成部分，用于计算注意力权重和最终的输出。在多头注意力机制中，通常会有多个并行的线性变换，每个线性变换都会生成一个查询向量、键向量和值向量，以此可以使该对象列表推荐模型能够学习到用户的不同特征表示，捕捉到更多的信息，提高了该对象列表推荐模型的表达能力。
根据本公开实施例提供的技术方案，通过将用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行线性变换，将多个不同特征空间的用户特征进行注意力计算，得到第一局部融合注意力得分，并将第一局部融合注意力得分通过激活函数进行非线性激活，根据预设头的数量，对激活结果进行加权平均得到第一局部融合向量矩阵，以此提升了融合特征所表征的用户信息的丰富度，保证了用户属性信息和待推荐对象的属性信息的相关性，提高了该对象列表推荐模型的鲁棒性。
在一些实施例中，对用户的上下文信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第二局部融合向量矩阵，包括：对用户的上下文信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行线性变换处理，得到预设数量的第二局部融合注意力得分；对预设数量的第二局部融合注意力得分进行非线性激活，并对激活结果进行加权平均，得到第二局部融合向量矩阵。
具体的，可以通过多头注意力机制对用户的上下文信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行线性变换，得到多个数据对，对各个数据对进行多次线性变换，得到多个不同的投影空间，每个投影空间表征的是不同维度上的用户特征，对不同维度的用户特征进行注意力计算，在不同特征维度上计算用户的上下文信息和待推荐对象的属性信息的相关性，得到对应的权重系数，该权重系数可以为第二局部融合注意力得分，将第二局部融合注意力得分可以通过最大最小值归一化或者sigmoid函数等进行非线性激活，在这里不做限定，并对权重和相应的键值进行加权求和，将预设数量的结果进行合并，预设数量是预先设置的多头注意力机制中头的数量，多头合并后得到第一局部融合向量矩阵，表征用户的上下文信息和待推荐对象的属性信息的维度。
根据本公开实施例提供的技术方案，通过将用户的上下文信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行线性变换，将多个不同特征空间的用户特征进行注意力计算，得到第二局部融合注意力得分，并将第二局部融合注意力得分通过激活函数进行非线性激活，根据预设头的数量，对激活结果进行加权平均得到第一局部融合向量矩阵，以此提升了融合特征所表征的用户信息的丰富度，保证了用户的上下文信息和待推荐对象的属性信息的相关性，提高了该对象列表推荐模型的鲁棒性。
在一些实施例中，通过多头注意力机制，对第一局部融合向量矩阵和第二局部融合向量矩阵进行处理，并对处理结果进行前向传播，得到全局融合向量矩阵，包括：对第一局部融合向量矩阵和第二局部融合向量矩阵进行线性变换处理，得到预设数量的全局融合注意力得分；对预设数量的全局融合注意力得分进行非线性激活，并对激活结果进行加权平均，得到全局加权向量矩阵；对全局加权向量矩阵进行激活处理，得到全局融合向量矩阵。
具体的，可以通过多头注意力机制对第一局部融合向量矩阵和第二局部融合向量矩阵进行线性变换，得到多个数据对，对各个数据对进行多次线性变换，得到多个不同的投影空间，每个投影空间表征的是不同维度上的用户特征，对不同维度的用户特征进行注意力计算，在不同特征维度上计算第一局部融合向量矩阵和第二局部融合向量矩阵的相关性，得到对应的权重系数，该权重系数可以全局融合注意力得分，将全局融合注意力得分可以通过最大最小值归一化或者sigmoid函数等进行非线性激活，在这里不做限定，并对权重和相应的键值进行加权求和，将预设数量的结果进行合并，预设数量是预先设置的多头注意力机制中头的数量，多头合并后得到全局加权向量矩阵，用于表征第一局部融合向量矩阵和第二局部融合向量矩阵的维度，在前馈神经网络中，通过最大最小值归一化或者sigmoid函数等对全局融合向量矩阵进行非线性激活，得到全局融合向量矩阵，例如，该全局融合向量矩阵可通过表达式：Zu＝FFN(Multihead Attention([Zf；Zi]))表征，其中Zf可以为用户属性信息和待推荐对象的属性信息的相关程度，Zi可以为用户的上下文信息和待推荐对象的属性信息的相关程度，Zu可以为全局融合向量矩阵，表征了第一局部融合向量矩阵和第二局部融合向量矩阵的相关程度，多头自注意力机制(Multihead Attention)，用于实现特征间的信息传递和融合，前馈神经网络(Feed Forward Neural Network，FFN)，用于增强特征的非线性表达能力。
根据本公开实施例提供的技术方案，通过对第一局部融合向量矩阵和第二局部融合向量矩阵进行线性变换，得到与多头注意力机制中预设的头的数量相同数量的全局融合注意力得分，通过激活函数对各个全局融合注意力得分进行非线性激活，并进行加权平均，得到全局加权向量矩阵，对全局加权向量矩阵进行激活处理，得到全局融合向量矩阵，以此提升了多种信息间的融合程度，提高了用户特征的表达丰富度，提高了对用户偏好信息的预测精确性，提升了不同信息间的融合维度。
在一些实施例中，通过激活加权的方式对全局融合向量矩阵和待推荐对象的属性信息对应的特征向量进行处理，得到待推荐对象对应的预测概率值，包括：通过激活函数，对全局融合向量矩阵进行非线性激活，得到激活矩阵；对激活矩阵进行权重计算，得到待推荐对象对应的预测概率值。
具体的，可以对全局融合向量矩阵中的每个特征向量进行线性变换，得到变换后的特征向量，向量矩阵中的特征向量用于表示待推荐对象在一个特征维度中的属性或特征，线性变换可以使用矩阵乘法或向量点积等数学运算实现，在此处不做限定，将变换后的特征向量输入激活函数，通过激活函数对各个特征向量进行非线性变换，用于将线性变换的结果转换成非线性的形式，激活函数包括但不限于sigmoid函数、Tanh函数、或者ReLU函数等，将激活函数输出的特征向量组成激活矩阵，该激活矩阵包含了经过非线性激活后的特征向量，对激活矩阵中的各个特征向量进行权重计算，根据每个特征向量的重要程度确定预测概率值，预测概率值用于表征待推荐对象的预测点击率。
例如，该预测概率值P可通过表达式：P＝σ(Wo T(Zu⊙Xi)+bo)表征，其中，σ可以表示sigmoid函数，Wo∈Rd和bo∈R可以是表达式的参数，R是实数，d是对象列表推荐模型中的超参数，用于表征矩阵的维度，T可以是转置矩阵标记，⊙表示向量的点积运算。
根据本公开实施例提供的技术方案，通过激活函数对全局融合向量矩阵进行非线性激活，得到包含经过非线性激活后的特征向量的激活矩阵，对激活矩阵进行权重计算，计算得到待推荐对象对应的预测概率值，以此通过引入非线性因素，提升了该对象列表推荐模型的表达能力，突出了重要的特征向量，降低了不重要特征的影响，提高了该对象列表推荐模型的预测精度和稳定性。
在一些实施例中，在对用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第一局部融合向量矩阵之前，还包括：获取用户的历史行为信息；通过卷积层，对用户的历史行为信息进行特征提取，得到用户的历史行为信息对应的特征向量；对用户属性信息对应的特征向量、用户的历史行为信息对应的特征向量、以及待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第三局部融合向量矩阵；通过多头注意力机制，对第三局部融合向量矩阵和第二局部融合向量矩阵进行处理，并对处理结果进行前向传播，得到更新后的全局融合向量矩阵；通过激活加权的方式对更新后的全局融合向量矩阵和待推荐对象的属性信息对应的特征向量进行处理，得到待推荐对象对应的更新预测概率值；根据待推荐对象对应的更新预测概率值，确定向用户展示的待推荐对象更新列表中各个待推荐对象顺序。
具体的，可以获取经用户授权的历史行为信息，历史行为信息可以是该用户在推荐系统中历史选中的对象的相关数据，用于表示历史被选中对象的特征信息，包括但不限于对象的历史行为记录、对象的历史状态数据、或者对象的历史轨迹数据等，通过卷积层对用户的历史行为信息进行特征提取，得到用户的历史行为信息对应的特征向量，可以通过该对象列表推荐模型中的多头注意力机制对用户属性信息对应的特征向量、用户的历史行为信息对应的特征向量、以及待推荐对象的属性信息对应的特征向量进行处理，通过将输入的特征向量进行多头切分，然后分别进行注意力计算，最后将多个注意力结果合并，得到第三局部融合向量矩阵，该矩阵中各个元素均为向量形式表征，第三局部融合向量矩阵用于表示用户属性信息、用户的历史行为信息、以及待推荐对象的属性信息的融合特征及相关程度。
可以通过多头注意力机制，将第三局部融合向量矩阵和第二局部融合向量矩阵进行处理，得到融合后的注意力矩阵，并对注意力矩阵进行前向传播，前向传播可以通过前馈神经网络实现，得到更新后的全局融合向量矩阵，通过输出层中的激活函数和多层感知器将更新后的全局融合向量矩阵和待推荐对象的属性信息对应的特征向量进行激活加权，得到待推荐对象对应的更新预测概率值，其中激活函数可以是softmax激活函数、sigmoid激活函数、ReLU函数、或者Tanh函数等，在此处不做限定，更新预测概率值用于表征该待推荐对象被用户选中的概率，包括但不限于0.2、0.5、或者0.8等。以此增强了该对象列表推荐模型的学习能力，扩大了模型的适用性，提升了计算效率。
例如，将更新后的全局融合向量矩阵和待推荐对象的属性信息对应的特征向量输入至输出层，通过sigmoid激活函数进行激活，将激活结果经过多层感知器进行处理得到待推荐对象对应的更新预测概率值为0.5。
可以根据各个待推荐对象对应的更新预测概率值的相对大小，得到更新预测概率值的大小顺序，根据更新预测概率值的大小顺序将各个更新预测概率值对应的待推荐对象进行从大到小排序，并将排序后的待推荐对象列表推荐给用户，以此提升了推荐的精确性，保证了对用户偏好的判断准确性。
根据本公开实施例提供的技术方案，通过获取用户的历史行为信息，并进行特征提取，得到对应的特征向量，将用户的历史行为信息对应的特征向量、用户属性信息对应的特征向量、以及待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第三局部融合向量矩阵，通过多头注意力机制，对第三局部融合向量矩阵和第二局部融合向量矩阵进行处理，并对处理结果进行前向传播，得到更新后的全局融合向量矩阵，将更新后的全局融合向量矩阵和待推荐对象的属性信息进行激活加权，得到待推荐对象对应的更新预测概率值，根据待推荐对象对应的更新预测概率值，确定向用户展示的待推荐对象更新列表中各个待推荐对象顺序，以此提升了推荐的精确性，保证了对用户偏好的判断准确性，增强了该对象列表推荐模型的学习能力，扩大了模型的适用性。
在一些实施例中，在获取用户属性信息、待推荐对象列表、以及用户的上下文信息之前，还包括：获取用户属性训练信息、待推荐训练对象列表、以及用户的上下文训练信息，待推荐训练对象列表中包含多个待推荐训练对象和各个待推荐训练对象的属性信息；将用户属性训练信息、待推荐训练对象的属性信息、以及用户的上下文训练信息输入至对象列表推荐模型，通过卷积层，对用户属性训练信息、待推荐训练对象的属性信息、以及用户的上下文训练信息进行特征提取，得到用户属性训练信息对应的特征向量、待推荐训练对象的属性信息对应的特征向量、以及用户的上下文训练信息对应的特征向量；对用户属性训练信息对应的特征向量和待推荐训练对象的属性信息对应的特征向量进行多头注意力机制处理，得到第一训练融合向量矩阵；对用户的上下文训练信息对应的特征向量和待推荐训练对象的属性信息对应的特征向量进行多头注意力机制处理，得到第二训练融合向量矩阵；通过多头注意力机制，对第一训练融合向量矩阵和第二训练融合向量矩阵进行处理，并对处理结果进行前向传播，得到全局融合训练向量矩阵；将全局融合训练向量矩阵输入至输出层进行激活加权处理，得到待推荐训练对象对应的预测概率值，并根据待推荐训练对象对应的预测概率值和待推荐训练对象对应的标签，确定加权损失；根据待推荐训练对象对应的预测概率值，确定向用户展示的待推荐训练对象列表中各个待推荐训练对象顺序；通过循环迭代的方式，根据加权损失更新对象列表推荐模型中的参数。
具体的，用户属性训练信息、待推荐训练对象列表、以及用户的上下文训练信息可以通过公开数据集获取，其中用户属性训练信息包括但不限于性别、年龄、职业、兴趣爱好、和/或消费习惯等，待推荐训练对象列表中包含多个待推荐训练对象和各个待推荐训练对象的属性信息，待推荐训练对象可以是在推荐系统中的训练对象，包括但不限于商品、视频或者图片等，待推荐训练对象的属性信息包括但不限于名称、类别、和/或价格等，用户的上下文训练信息可以为用户的地理位置、所处地理位置的天气状况、时间段、和/或用户所使用设备的操作系统等，在此处不做限定，以上信息用于后续整合成对用户整体偏好的特征表达，以此通过信息获取，为后续处理步骤提供了基础数据。
可以通过卷积层，对所获取的信息进行特征提取，得到对应的特征向量，卷积层可以是卷积神经网络中的核心模块，主要负责处理输入数据的二维卷积操作。每个卷积层由若干个卷积单元组成，每个卷积单元负责从输入数据中提取局部特征，卷积层可以从用户属性训练信息中提取得到用户属性训练信息对应的特征向量，从待推荐训练对象的属性信息中提取得到待推荐训练对象的属性信息对应的特征向量，从用户的上下文训练信息中提取得到用户的上下文训练信息对应的特征向量，用户的上下文训练信息对应的特征向量可以表示用户的时间、地理位置、天气、社交网络关系等，在此处不做限定。表示用户所处的具体时间时，例如，一天中的时间段、季节等；也可以表示用户所处的具体地点，例如，城市、区域等；还可以表示用户所处的天气状况，例如，温度、湿度、和/或风力等，通过提取用户的上下文训练信息对应的特征向量，可以对用户进行更精准的理解和分类，从而为其提供更符合其需求的推荐和服务，例如，根据用户所处的地理位置，可以推荐附近的餐厅、景点等；根据用户所处的天气状况，可以推荐适合的服装、户外活动等。
可以通过该对象列表推荐模型中的多头注意力机制对用户属性训练信息对应的特征向量和待推荐训练对象的属性信息对应的特征向量进行处理，通过将输入序列进行多头切分，然后分别进行注意力计算，最后将多个注意力结果合并，得到第一训练融合向量矩阵，该矩阵中各个元素均为向量形式表征，用于表示用户属性训练信息和待推荐训练对象的属性信息的融合特征及相关程度。
可以通过该对象列表推荐模型中的多头注意力机制对用户的上下文训练信息对应的特征向量和待推荐训练对象的属性信息对应的特征向量进行处理，得到第二训练融合向量矩阵，该矩阵中各个元素均为向量形式表征，用于表示用户的上下文训练信息和待推荐训练对象的属性信息的融合特征及相关程度。
可以通过多头注意力机制，将第一训练融合向量矩阵和第二训练融合向量矩阵进行处理，得到融合后的注意力训练矩阵，并对注意力训练矩阵进行前向传播，前向传播可以通过前馈神经网络实现，得到全局融合训练向量矩阵。
可以通过输出层中的激活函数和多层感知器将全局融合训练向量矩阵和待推荐训练对象的属性信息对应的特征向量进行激活加权，得到待推荐训练对象对应的预测概率值，其中激活函数可以是softmax激活函数、sigmoid激活函数、ReLU函数、或者Tanh函数等，在此处不做限定，多层感知器可以是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量，预测概率值用于表征该待推荐训练对象被用户选中的概率，包括但不限于0.2、0.5、或者0.8等。
并根据待推荐训练对象对应的预测概率值和待推荐训练对象对应的标签，确定加权损失，加权损失可以通过交叉熵损失计算方法、均方误差损失计算方法、或者均方根误差损失计算方法等得到，在此处不做限定，最后通过循环迭代的方式，根据加权损失更新对象列表推荐模型中的参数。
可以根据各个待推荐训练对象对应的预测概率值的相对大小，得到预测概率值的大小顺序，根据预测概率值的大小顺序将各个预测概率值对应的待推荐训练对象进行从大到小排序，并将排序后的待推荐训练对象列表推荐给用户。
根据本公开实施例提供的技术方案，通过获取用户属性训练信息、待推荐训练对象列表、以及用户的上下文训练信息，将用户属性训练信息、待推荐训练对象的属性信息、以及用户的上下文训练信息输入至对象列表推荐模型，通过卷积层，对用户属性训练信息、待推荐训练对象的属性信息、以及用户的上下文训练信息进行特征提取，得到用户属性训练信息对应的特征向量、待推荐训练对象的属性信息对应的特征向量、以及用户的上下文训练信息对应的特征向量，对用户属性训练信息对应的特征向量和待推荐训练对象的属性信息对应的特征向量进行多头注意力机制处理，得到第一训练融合向量矩阵，对用户的上下文训练信息对应的特征向量和待推荐训练对象的属性信息对应的特征向量进行多头注意力机制处理，得到第二训练融合向量矩阵，通过多头注意力机制，对第一训练融合向量矩阵和第二训练融合向量矩阵进行处理，并对处理结果进行前向传播，得到全局融合训练向量矩阵，将全局融合训练向量矩阵输入至输出层进行激活加权处理，得到待推荐训练对象对应的预测概率值，并根据待推荐训练对象对应的预测概率值和待推荐训练对象对应的标签，确定加权损失，根据待推荐训练对象对应的预测概率值，确定向用户展示的待推荐训练对象列表中各个待推荐训练对象顺序，通过循环迭代的方式，根据加权损失更新对象列表推荐模型中的参数，以此将用户属性训练信息和待推荐训练对象的属性信息融合，将用户的上下文训练信息和待推荐训练对象的属性信息进行融合，提升了对于用户和待推荐训练对象局部的特征丰富度，将两次融合后的向量矩阵再通过多头注意力机制全局融合，进行高阶交互，进一步提升了特征的维度，对用户不同方面的特征信息增强了关注度，加强了不同特征信息间的匹配程度，将多种特征信息进行融合统一，增强了全局特征的表达能力，提升了推荐的精确性。
图3是本公开实施例提供的一种对象列表推荐模型的应用场景的流程示意图，该对象列表推荐模型可以包括向量输入层、注意力融合模块、以及预测输出层，其中向量输入层、注意力融合模块、以及预测输出层的应用过程，如图3所示，该对象列表推荐模型的一种应用场景的流程包括：
向量输入层用于将各种特征转化为低维的嵌入向量。用户的特征分为三类：用户属性信息和用户历史行为信息，待推荐对象的属性信息，用户的上下文信息。
输入层都使用一个参数化的嵌入矩阵来将待推荐对象的属性信息的ID映射为一个实数向量。例如，对于item ID特征，输入层使用一个嵌入矩阵其中Ni是项目的总数，d是对象列表推荐模型中的超参数，用于表征矩阵的维度，R可以为实数，Ei可以为输入层的嵌入矩阵，将item ID i转化为一个嵌入向量Xi＝Ei[i]，其中i可以为item ID，Xi可以为item ID i转化成的嵌入向量。
注意力融合模块是模型的核心，用于利用用户历史行为信息和其他细粒度特征之间的多种交互关系，生成用户的多重偏好表示。注意力融合模块包含局部注意力融合层和全局注意力融合层，具体来说，注意力融合模块的输入是上一步骤的拼接输出，输出是用户历史行为信息在K个特征空间中的多重表示Zu＝{Zu1,Zu2,...,ZuK}，其中，Zu可以为全局融合向量矩阵，ZuK是用户的历史行为在第K个特征空间中的表示。注意力融合模块的实现如下：
局部注意力融合层
用户属性信息和ItemXi融合模块的输入是ItemXi和用户属性信息和用户历史行为信息对应的特征向量，通过多头注意力机制输出用户属性信息、用户历史行为信息、以及待推荐对象的属性信息之间的相关性表示
用户的上下文信息和ItemXi融合模块的输入是用户的上下文信息特征向量和item嵌入向量Xi，通过多头注意力机制输出是用户的上下文信息和待推荐对象的属性信息之间的匹配程度表示Zi。
全局注意力融合层
全局注意力融合层用于学习用户的所有特征之间的高阶交互关系，并平衡不同特征的影响力。全局交互模块的输入是用户属性信息、用户历史行为信息、以及待推荐对象的属性信息之间的相关性表示Zc，Zi可以为用户的上下文信息和待推荐对象的属性信息的相关程度，Zu可以为全局融合向量矩阵，表征了第一局部融合向量矩阵和第二局部融合向量矩阵的相关程度。全局交互模块的实现如表达式：
Zy＝FFN(Multihead Attention([Zf；Zi]))
其中，Multihead Attention可以表示多头注意力机制，用于实现特征间的信息传递和融合，FFN可以表示前馈神经网络，用于增强特征的非线性表达能力。通过全局交互模块，用户的所有特征可以进行高阶交互，并得到一个统一的特征表示。
预测输出层
输出层用于根据全局融合向量矩阵Zu和item ID i转化成的嵌入向量Xi，预测用户对待推荐对象的点击概率P。输出层的实现如下：
P＝σ(Wo T(Zu⊙Xi)+bo)
其中，σ可以表示sigmoid函数，Wo∈Rd和bo∈R可以是多层感知器的参数，⊙可以表示向量的点积运算，T可以表示矩阵的转置运算。通过输出层，用户的最终特征表示和待推荐对象的特征可以进行融合，并得到一个点击率预测值，该点击率预测值用于将所有待推荐对象进行排序，并向用户展示待推荐对象的排序结果。
上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图4是本公开实施例提供的一种对象列表推荐装置的结构示意图。如图4所示，该对象列表推荐装置包括：
获取模块401，用于获取用户属性信息、待推荐对象列表、以及用户的上下文信息，待推荐对象列表中包含至少一个待推荐对象和各个待推荐对象的属性信息；
第一处理模块402，用于通过卷积层，分别对用户属性信息、待推荐对象的属性信息、以及用户的上下文信息进行特征提取，得到用户属性信息对应的特征向量、待推荐对象的属性信息对应的特征向量、以及用户的上下文信息对应的特征向量；
第二处理模块403，用于对用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第一局部融合向量矩阵；
第三处理模块404，用于对用户的上下文信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第二局部融合向量矩阵；
第四处理模块405，用于通过多头注意力机制，对第一局部融合向量矩阵和第二局部融合向量矩阵进行处理，并对处理结果进行前向传播，得到全局融合向量矩阵；
第五处理模块406，用于通过激活加权的方式对全局融合向量矩阵和待推荐对象的属性信息对应的特征向量进行处理，得到待推荐对象对应的预测概率值；
确定模块407，用于根据待推荐对象对应的预测概率值，确定向用户展示的待推荐对象列表中各个待推荐对象顺序。
根据本公开实施例提供的技术方案，通过获取用户属性信息、待推荐对象列表、以及用户的上下文信息，将用户属性信息、待推荐对象的属性信息、以及用户的上下文信息通过卷积层进行特征提取，得到分别对应的特征向量，将用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量通过多头注意力机制处理，得到第一局部融合向量矩阵，再对用户的上下文信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行多头注意力之际处理，得到第二局部融合向量矩阵，进而通过多头注意力机制对第一局部融合向量矩阵和第二局部融合向量矩阵进行处理，并通过前馈神经网络进行前向传播，得到全局融合向量矩阵，再通过输出层对全局融合向量矩阵和待推荐对象的属性信息对应的特征向量进行激活加权，得到待推荐对象对应的预测概率值，根据待推荐对象对应的预测概率值对待推荐对象列表中的各个待推荐对象进行排序，并将排序结果展示给用户，以此将用户属性信息和待推荐对象的属性信息融合，将用户的上下文信息和待推荐对象的属性信息进行融合，提升了对于用户和待推荐对象局部的特征丰富度，将两次融合后的向量矩阵再通过多头注意力机制全局融合，进行高阶交互，进一步提升了特征的维度，对用户不同方面的特征信息增强了关注度，加强了不同特征信息间的匹配程度，将多种特征信息进行融合统一，增强了全局特征的表达能力，提升了推荐的精确性。
在一些实施例中，第二处理模块403具体用于，对用户属性信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行线性变换处理，得到预设数量的第一局部融合注意力得分；对预设数量的第一局部融合注意力得分进行非线性激活，并对激活结果进行加权平均，得到第一局部融合向量矩阵。
在一些实施例中，第三处理模块404具体用于，对用户的上下文信息对应的特征向量和待推荐对象的属性信息对应的特征向量进行线性变换处理，得到预设数量的第二局部融合注意力得分；对预设数量的第二局部融合注意力得分进行非线性激活，并对激活结果进行加权平均，得到第二局部融合向量矩阵。
在一些实施例中，第四处理模块405具体用于，对第一局部融合向量矩阵和第二局部融合向量矩阵进行线性变换处理，得到预设数量的全局融合注意力得分；对预设数量的全局融合注意力得分进行非线性激活，并对激活结果进行加权平均，得到全局加权向量矩阵；对全局加权向量矩阵进行激活处理，得到全局融合向量矩阵。
在一些实施例中，第五处理模块406具体用于，通过激活函数，对全局融合向量矩阵进行非线性激活，得到激活矩阵；对激活矩阵进行权重计算，得到待推荐对象对应的预测概率值。
在一些实施例中，上述对象列表推荐装置还用于，获取用户的历史行为信息；通过卷积层，对用户的历史行为信息进行特征提取，得到用户的历史行为信息对应的特征向量；对用户属性信息对应的特征向量、用户的历史行为信息对应的特征向量、以及待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第三局部融合向量矩阵；通过多头注意力机制，对第三局部融合向量矩阵和第二局部融合向量矩阵进行处理，并对处理结果进行前向传播，得到更新后的全局融合向量矩阵；通过激活加权的方式对更新后的全局融合向量矩阵和待推荐对象的属性信息对应的特征向量进行处理，得到待推荐对象对应的更新预测概率值；根据待推荐对象对应的更新预测概率值，确定向用户展示的待推荐对象更新列表中各个待推荐对象顺序。
在一些实施例中，上述对象列表推荐装置还用于，获取用户属性训练信息、待推荐训练对象列表、以及用户的上下文训练信息，待推荐训练对象列表中包含多个待推荐训练对象和各个待推荐训练对象的属性信息；将用户属性训练信息、待推荐训练对象的属性信息、以及用户的上下文训练信息输入至对象列表推荐模型，通过卷积层，对用户属性训练信息、待推荐训练对象的属性信息、以及用户的上下文训练信息进行特征提取，得到用户属性训练信息对应的特征向量、待推荐训练对象的属性信息对应的特征向量、以及用户的上下文训练信息对应的特征向量；对用户属性训练信息对应的特征向量和待推荐训练对象的属性信息对应的特征向量进行多头注意力机制处理，得到第一训练融合向量矩阵；对用户的上下文训练信息对应的特征向量和待推荐训练对象的属性信息对应的特征向量进行多头注意力机制处理，得到第二训练融合向量矩阵；通过多头注意力机制，对第一训练融合向量矩阵和第二训练融合向量矩阵进行处理，并对处理结果进行前向传播，得到全局融合训练向量矩阵；将全局融合训练向量矩阵和待推荐训练对象的属性信息对应的特征向量输入至输出层进行激活加权处理，得到待推荐训练对象对应的预测概率值，并根据待推荐训练对象对应的预测概率值和待推荐训练对象对应的标签，确定加权损失；根据待推荐训练对象对应的预测概率值，确定向用户展示的待推荐训练对象列表中各个待推荐训练对象顺序；通过循环迭代的方式，根据加权损失更新对象列表推荐模型中的参数。
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，而不应对本公开实施例的实施过程构成任何限定。
图5是本公开实施例提供的电子设备5的示意图。如图5所示，该实施例的电子设备5包括：处理器501、存储器502以及存储在该存储器502中并且可在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者，处理器501执行计算机程序503时实现上述各装置实施例中各模块/单元的功能。
电子设备5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5可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解，图5仅仅是电子设备5的示例，并不构成对电子设备5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501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502可以是电子设备5的内部存储单元，例如，电子设备5的硬盘或内存。存储器502也可以是电子设备5的外部存储设备，例如，电子设备5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502还可以既包括电子设备5的内部存储单元也包括外部存储设备。存储器502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，可以存储在一个可读存储介质(例如计算机可读存储介质)中。基于这样的理解，本公开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。计算机可读存储介质可以包括：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 AccessMemory，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公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，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公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种对象列表推荐方法，其特征在于，包括：
获取用户属性信息、待推荐对象列表、以及用户的上下文信息，所述待推荐对象列表中包含至少一个待推荐对象和各个所述待推荐对象的属性信息；
通过卷积层，分别对所述用户属性信息、所述待推荐对象的属性信息、以及所述用户的上下文信息进行特征提取，得到所述用户属性信息对应的特征向量、所述待推荐对象的属性信息对应的特征向量、以及所述用户的上下文信息对应的特征向量；
对所述用户属性信息对应的特征向量和所述待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第一局部融合向量矩阵；
对所述用户的上下文信息对应的特征向量和所述待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第二局部融合向量矩阵；
通过多头注意力机制，对所述第一局部融合向量矩阵和所述第二局部融合向量矩阵进行处理，并对处理结果进行前向传播，得到全局融合向量矩阵；
通过激活加权的方式对所述全局融合向量矩阵和所述待推荐对象的属性信息对应的特征向量进行处理，得到所述待推荐对象对应的预测概率值；
根据所述待推荐对象对应的预测概率值，确定向所述用户展示的所述待推荐对象列表中各个所述待推荐对象顺序。
2.根据权利要求1所述的对象列表推荐方法，其特征在于，所述对所述用户属性信息对应的特征向量和所述待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第一局部融合向量矩阵，包括：
对所述用户属性信息对应的特征向量和所述待推荐对象的属性信息对应的特征向量进行线性变换处理，得到预设数量的第一局部融合注意力得分；
对所述预设数量的第一局部融合注意力得分进行非线性激活，并对激活结果进行加权平均，得到所述第一局部融合向量矩阵。
3.根据权利要求1所述的对象列表推荐方法，其特征在于，所述对所述用户的上下文信息对应的特征向量和所述待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第二局部融合向量矩阵，包括：
对所述用户的上下文信息对应的特征向量和所述待推荐对象的属性信息对应的特征向量进行线性变换处理，得到预设数量的第二局部融合注意力得分；
对所述预设数量的第二局部融合注意力得分进行非线性激活，并对激活结果进行加权平均，得到所述第二局部融合向量矩阵。
4.根据权利要求1所述的对象列表推荐方法，其特征在于，所述通过多头注意力机制，对所述第一局部融合向量矩阵和所述第二局部融合向量矩阵进行处理，并对处理结果进行前向传播，得到全局融合向量矩阵，包括：
对所述第一局部融合向量矩阵和所述第二局部融合向量矩阵进行线性变换处理，得到预设数量的全局融合注意力得分；
对所述预设数量的全局融合注意力得分进行非线性激活，并对激活结果进行加权平均，得到全局加权向量矩阵；
对所述全局加权向量矩阵进行激活处理，得到所述全局融合向量矩阵。
5.根据权利要求1所述的对象列表推荐方法，其特征在于，所述通过激活加权的方式对所述全局融合向量矩阵和所述待推荐对象的属性信息对应的特征向量进行处理，得到所述待推荐对象对应的预测概率值，包括：
通过激活函数，对所述全局融合向量矩阵进行非线性激活，得到激活矩阵；
对所述激活矩阵进行权重计算，得到所述待推荐对象对应的预测概率值。
6.根据权利要求1所述的对象列表推荐方法，其特征在于，在所述对所述用户属性信息对应的特征向量和所述待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第一局部融合向量矩阵之前，还包括：
获取所述用户的历史行为信息；
通过卷积层，对所述用户的历史行为信息进行特征提取，得到所述用户的历史行为信息对应的特征向量；
对所述用户属性信息对应的特征向量、所述用户的历史行为信息对应的特征向量、以及所述待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第三局部融合向量矩阵；
通过多头注意力机制，对所述第三局部融合向量矩阵和所述第二局部融合向量矩阵进行处理，并对处理结果进行前向传播，得到更新后的全局融合向量矩阵；
通过激活加权的方式对所述更新后的全局融合向量矩阵和所述待推荐对象的属性信息对应的特征向量进行处理，得到所述待推荐对象对应的更新预测概率值；
根据所述待推荐对象对应的更新预测概率值，确定向所述用户展示的所述待推荐对象更新列表中各个待推荐对象顺序。
7.根据权利要求1所述的对象列表推荐方法，其特征在于，在所述获取用户属性信息、待推荐对象列表、以及用户的上下文信息之前，还包括：
获取用户属性训练信息、待推荐训练对象列表、以及用户的上下文训练信息，所述待推荐训练对象列表中包含多个待推荐训练对象和各个所述待推荐训练对象的属性信息；
将所述用户属性训练信息、所述待推荐训练对象的属性信息、以及所述用户的上下文训练信息输入至对象列表推荐模型，通过卷积层，对所述用户属性训练信息、所述待推荐训练对象的属性信息、以及所述用户的上下文训练信息进行特征提取，得到所述用户属性训练信息对应的特征向量、所述待推荐训练对象的属性信息对应的特征向量、以及所述用户的上下文训练信息对应的特征向量；
对所述用户属性训练信息对应的特征向量和所述待推荐训练对象的属性信息对应的特征向量进行多头注意力机制处理，得到第一训练融合向量矩阵；
对所述用户的上下文训练信息对应的特征向量和所述待推荐训练对象的属性信息对应的特征向量进行多头注意力机制处理，得到第二训练融合向量矩阵；
通过多头注意力机制，对所述第一训练融合向量矩阵和所述第二训练融合向量矩阵进行处理，并对处理结果进行前向传播，得到全局融合训练向量矩阵；
将所述全局融合训练向量矩阵和所述待推荐训练对象的属性信息对应的特征向量输入至输出层进行激活加权处理，得到所述待推荐训练对象对应的预测概率值，并根据所述待推荐训练对象对应的预测概率值和所述待推荐训练对象对应的标签，确定加权损失；
根据所述待推荐训练对象对应的预测概率值，确定向所述用户展示的所述待推荐训练对象列表中各个待推荐训练对象顺序；
通过循环迭代的方式，根据所述加权损失更新所述对象列表推荐模型中的参数。
8.一种对象列表推荐装置，其特征在于，包括：
获取模块，用于获取用户属性信息、待推荐对象列表、以及用户的上下文信息，所述待推荐对象列表中包含至少一个待推荐对象和各个所述待推荐对象的属性信息；
第一处理模块，用于通过卷积层，分别对所述用户属性信息、所述待推荐对象的属性信息、以及所述用户的上下文信息进行特征提取，得到所述用户属性信息对应的特征向量、所述待推荐对象的属性信息对应的特征向量、以及所述用户的上下文信息对应的特征向量；
第二处理模块，用于对所述用户属性信息对应的特征向量和所述待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第一局部融合向量矩阵；
第三处理模块，用于对所述用户的上下文信息对应的特征向量和所述待推荐对象的属性信息对应的特征向量进行多头注意力机制处理，得到第二局部融合向量矩阵；
第四处理模块，用于通过多头注意力机制，对所述第一局部融合向量矩阵和所述第二局部融合向量矩阵进行处理，并对处理结果进行前向传播，得到全局融合向量矩阵；
第五处理模块，用于通过激活加权的方式对所述全局融合向量矩阵和所述待推荐对象的属性信息对应的特征向量进行处理，得到所述待推荐对象对应的预测概率值；
确定模块，用于根据所述待推荐对象对应的预测概率值，确定向所述用户展示的所述待推荐对象列表中各个所述待推荐对象顺序。
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。
10.一种可读存储介质，所述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。
CN202410081012.5A 2024-01-19 2024-01-19 对象列表推荐方法、装置、电子设备及可读存储介质 Pending CN118013113A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410081012.5A CN118013113A (zh) 2024-01-19 2024-01-19 对象列表推荐方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410081012.5A CN118013113A (zh) 2024-01-19 2024-01-19 对象列表推荐方法、装置、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN118013113A true CN118013113A (zh) 2024-05-10

Family

ID=90952874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410081012.5A Pending CN118013113A (zh) 2024-01-19 2024-01-19 对象列表推荐方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN118013113A (zh)

Similar Documents

Publication Publication Date Title
CN110851713B (zh) 信息处理方法、推荐方法及相关设备
Zhuang et al. Representation learning via dual-autoencoder for recommendation
CN108446374B (zh) 用户意图预测方法、装置、电子设备、存储介质
Zhang et al. Enabling kernel-based attribute-aware matrix factorization for rating prediction
CN113626719A (zh) 信息推荐方法、装置、设备、存储介质及计算机程序产品
CN112231569B (zh) 新闻推荐方法、装置、计算机设备及存储介质
CN111680217A (zh) 内容推荐方法、装置、设备及存储介质
CN112085565A (zh) 基于深度学习的信息推荐方法、装置、设备及存储介质
CN111191092A (zh) 画像数据处理方法和画像模型训练方法
CN113569129A (zh) 点击率预测模型处理方法、内容推荐方法、装置及设备
CN116910357A (zh) 一种数据处理方法及相关装置
CN116796729A (zh) 基于特征强化的文本推荐方法、装置、设备及存储介质
CN114429384B (zh) 基于电商平台的产品智能推荐方法及系统
CN115630219A (zh) 推荐模型的训练方法、装置和计算机设备
CN113762992B (zh) 一种处理数据的方法和装置
CN118013113A (zh) 对象列表推荐方法、装置、电子设备及可读存储介质
Xia et al. Movie Recommendation with Poster Attention via Multi-modal Transformer Feature Fusion
Li et al. Key product review extraction based on the RLRSA-CL algorithm
CN118364172A (zh) 对象推荐方法、装置、电子设备及可读存储介质
CN117893280A (zh) 对象列表推荐方法及装置
CN117951385A (zh) 对象推荐模型训练方法、装置、电子设备及可读存储介质
Zhang et al. A click-through rate prediction model incorporating user review text and behavior sequence
CN118349738A (zh) 一种推荐方法、装置、电子设备及可读存储介质
CN116468507A (zh) 目标推荐方法及装置
CN116880886A (zh) 产品推荐模型的更新方法和装置

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