商品推荐方法、装置、设备及介质制造方法及图纸

本申请公开了一种商品推荐方法、装置、设备及计算机可读存储介质，方法包括：输入包含多个特征的数据集，对特征进行映射得到特征向量；利用全连接层计算每个特征向量对应的输入感知权重因子，通过输入感知权重因子得到向量层面调整后特征向量；根据向量层面调整后用户特征向量和向量层面调整后商品特征向量得到交互向量，根据交互向量对向量层面后特征向量进行位层面筛选，得到位层面调整后特征向量集合；将位层面调整后特征向量输入到因子分解机模型得到商品的推荐值，按照推荐值由大到小的顺序为用户推荐前N个商品。本申请公开的上述技术方案，从向量层面和位层面对特征向量进行调整，以提高推荐值预测的准确性，从而提高商品推荐的准确性。

【技术实现步骤摘要】
商品推荐方法、装置、设备及介质
本申请涉及稀疏数据预测
，更具体地说，涉及一种商品推荐方法、装置、设备及计算机可读存储介质。
技术介绍
预测分析在信息检索和数据挖掘等任务中起着至关重要的作用，包括推荐系统、广告点击、商品推荐等。对于商品推荐，在量化用户对于商品购买的可能性时，除了使用用户编号和商品编号这两个最关键的信息外，辅助信息(例如年龄、性别、品牌等)也有很大的帮助，而因子分解机是一类通用且有效的预测方法，其通过考虑用户、商品和辅助信息之间的交互作用来实现稀疏数据预测。目前，出现了许多基于深度学习模型的因子分解机模型来进行商品购买可能性的预测，并根据预测得到的可能性进行商品推荐，其中，对于商品购买可能性的预测，它们中的大多数从改善交互的角度优化因式分解机，具体包括：通过组合低阶和高阶特征交互来优化传统的因式分解机、通过引入多层感知机将因式分解机扩展到更高阶的交互、通过注意机制分配不同的权重来组合二阶交互，但是，这些方法均隐式地假定同一个特征在不同的输入实例中具有不变的表示能力，而固定的特征表示极大地限制了预测的准确性，甚至可能会引入噪声，从而产生不利影响；另外，有人还提出了输入感知的因式分解机，从输入角度改善因式分解机，但是，其仅在向量层面上调节了特征表示，而这是不充分的，甚至可能会引入因输入实例的过度适应而引起噪声，从而会降低预测的准确性，而预测准确性的降低则会导致商品推荐的准确性降低。综上所述，如何提高商品推荐的准确性，是目前本领域技术人员亟待解决的技术问题。
技术实现思路
有鉴于此，本申请的目的是提供一种商品推荐方法、装置、设备及计算机可读存储介质，用于提高商品推荐的准确性。为了实现上述目的，本申请提供如下技术方案：一种商品推荐方法，包括：输入包含有多个特征的数据集，对每个所述特征进行映射，得到特征向量；所述特征内包括用户编码、商品编码、用户和/或商品的辅助信息，所述特征向量包括用户特征向量、商品特征向量和辅助信息特征向量；利用全连接层计算得到每个所述特征向量对应的输入感知权重因子，并通过所述输入感知权重因子对对应的所述特征向量进行调整，得到向量层面调整后特征向量；根据向量层面调整后用户特征向量和向量层面调整后商品特征向量计算得到交互向量，并根据所述交互向量对所述向量层面调整后特征向量进行位层面筛选，得到位层面调整后特征向量集合；将所述位层面调整后特征向量集合输入到因子分解机模型，以得到商品的推荐值，并按照推荐值由大到小的顺序为用户推荐前N个商品，N为正整数。优选的，利用全连接层计算得到每个所述特征向量对应的输入感知权重因子，并通过所述输入感知权重因子对对应的所述特征向量进行调整，得到向量层面调整后特征向量，包括：利用rx＝zL＝σL(WLzL-1+bL)得到所述全连接层的输出向量rx，并利用m′x＝rxP及得到输入感知权重因子mx,i，且利用ai＝mx,ivi对应得到所述向量层面调整后特征向量；其中，zL-1＝σL-1(WL-1zL-2+bL-1)，z1＝σ1(W1ex+b1)，zL为所述全连接层的输出，ex为将所有的所述特征向量连接在一起得到的向量，L为隐藏层数，WL为第L层的权重，bL为第L层的偏置，WL-1为第L-1层的权重，bL-1为第L-1层的偏置，σ为激活函数，P∈Rt×h，P为权重矩阵，h为非零特征向量的数量，m′x为h维向量，m′x,i为m′x中与第i个特征向量vi对应的数值，vi为第i个特征向量，ai为第i个向量层面调整后特征向量。优选的，在利用全连接层计算得到每个所述特征向量对应的输入感知权重因子之后，且在通过所述输入感知权重因子对对应的所述特征向量进行调整之前，还包括：利用softmax函数对得到的所述输入感知权重因子进行归一化处理。优选的，根据向量层面调整后用户特征向量和向量层面调整后商品特征向量得到交互向量，并根据所述交互向量对所述向量层面调整后特征向量进行位层面筛选，得到位层面调整后特征向量集合，包括：利用得到所述交互向量aue,it，并利用得到所述位层面调整后特征向量集合特征向量Ox；其中，aue为向量层面调整后用户特征向量，ait为向量层面调整后商品特征向量，σ'为S型函数，Ax＝{ai}，Wg1∈Rd×d、Wg2∈Rd×d且Wg1和Wg2均为对应的权重，b'为偏置，Ox＝{oi}。优选的，将所述位层面调整后特征向量集合输入到因子分解机模型，以得到用户与商品之间的交互性评分，包括：根据得到商品的推荐值其中，w0为全局偏置，wi为第i个特征的权重，xi为第i个特征，xj为第j个特征，f(vi)＝oi，f(vj)＝oj，vi为映射得到的第i个特征向量，vj为映射得到的第j个特征向量。一种商品推荐装置，包括：映射模块，用于输入包含有多个特征的数据集，对每个所述特征进行映射，得到特征向量；所述特征内包括用户编码、商品编码、用户和/或商品的辅助信息，所述特征向量包括用户特征向量、商品特征向量和辅助信息特征向量；第一计算模块，用于利用全连接层计算得到每个所述特征向量对应的输入感知权重因子，并通过所述输入感知权重因子对对应的所述特征向量进行调整，得到向量层面调整后特征向量；第二计算模块，用于根据向量层面调整后用户特征向量和向量层面调整后商品特征向量得到交互向量，并根据所述交互向量对所述向量层面调整后特征向量进行位层面筛选，得到位层面调整后特征向量集合；推荐模块，用于将所述位层面调整后特征向量集合输入到因子分解机模型，以得到商品的推荐值，并按照推荐值由大到小的顺序为用户推荐前N个商品，N为正整数。优选的，所述第一计算包括：第一计算单元，用于利用rx＝zL＝σL(WLzL-1+bL)得到所述全连接层的输出向量rx，并利用m′x＝rxP及得到输入感知权重因子mx,i，且利用ai＝mx,ivi对应得到所述向量层面调整后特征向量；其中，zL-1＝σL-1(WL-1zL-2+bL-1)，z1＝σ1(W1ex+b1)，zL为所述全连接层的输出，ex为将所有的所述特征向量连接在一起得到的向量，L为隐藏层数，WL为第L层的权重，bL为第L层的偏置，WL-1为第L-1层的权重，bL-1为第L-1层的偏置，σ为激活函数，P∈Rt×h，P为权重矩阵，h为非零特征向量的数量，m′x为h维向量，m′x,i为m′x中与第i个特征向量vi对应的数值，vi为第i个特征向量，ai为第i个向量层面调整后特征向量。优选的，还包括：归一化处理模块，用于在利用全连接层计算得到每个所述特征向量对应的输入感知权重因子之后，且在通过所述输入感知权重因子对对应的所述特征向量进行调整之前，利用softmax函数对得到的所述输入感知权重因子进行归一化处理。一种商品推荐设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上述任一项所述的商品推荐方法的步骤。<本文档来自技高网...

【技术保护点】
1.一种商品推荐方法，其特征在于，包括：/n输入包含有多个特征的数据集，对每个所述特征进行映射，得到特征向量；所述特征内包括用户编码、商品编码、用户和/或商品的辅助信息，所述特征向量包括用户特征向量、商品特征向量和辅助信息特征向量；/n利用全连接层计算得到每个所述特征向量对应的输入感知权重因子，并通过所述输入感知权重因子对对应的所述特征向量进行调整，得到向量层面调整后特征向量；/n根据向量层面调整后用户特征向量和向量层面调整后商品特征向量计算得到交互向量，并根据所述交互向量对所述向量层面调整后特征向量进行位层面筛选，得到位层面调整后特征向量集合；/n将所述位层面调整后特征向量集合输入到因子分解机模型，以得到商品的推荐值，并按照推荐值由大到小的顺序为用户推荐前N个商品，N为正整数。/n

【技术特征摘要】
1.一种商品推荐方法，其特征在于，包括：
输入包含有多个特征的数据集，对每个所述特征进行映射，得到特征向量；所述特征内包括用户编码、商品编码、用户和/或商品的辅助信息，所述特征向量包括用户特征向量、商品特征向量和辅助信息特征向量；
利用全连接层计算得到每个所述特征向量对应的输入感知权重因子，并通过所述输入感知权重因子对对应的所述特征向量进行调整，得到向量层面调整后特征向量；
根据向量层面调整后用户特征向量和向量层面调整后商品特征向量计算得到交互向量，并根据所述交互向量对所述向量层面调整后特征向量进行位层面筛选，得到位层面调整后特征向量集合；
将所述位层面调整后特征向量集合输入到因子分解机模型，以得到商品的推荐值，并按照推荐值由大到小的顺序为用户推荐前N个商品，N为正整数。


2.根据权利要求1所述的商品推荐方法，其特征在于，利用全连接层计算得到每个所述特征向量对应的输入感知权重因子，并通过所述输入感知权重因子对对应的所述特征向量进行调整，得到向量层面调整后特征向量，包括：
利用rx＝zL＝σL(WLzL-1+bL)得到所述全连接层的输出向量rx，并利用m′x＝rxP及得到输入感知权重因子mx,i，且利用ai＝mx,ivi对应得到所述向量层面调整后特征向量；
其中，zL-1＝σL-1(WL-1zL-2+bL-1)，z1＝σ1(W1ex+b1)，zL为所述全连接层的输出，ex为将所有的所述特征向量连接在一起得到的向量，L为隐藏层数，WL为第L层的权重，bL为第L层的偏置，WL-1为第L-1层的权重，bL-1为第L-1层的偏置，σ为激活函数，P∈Rt×h，P为权重矩阵，h为非零特征向量的数量，m′x为h维向量，m′x,i为m′x中与第i个特征向量vi对应的数值，vi为第i个特征向量，ai为第i个向量层面调整后特征向量。


3.根据权利要求2所述的商品推荐方法，其特征在于，在利用全连接层计算得到每个所述特征向量对应的输入感知权重因子之后，且在通过所述输入感知权重因子对对应的所述特征向量进行调整之前，还包括：
利用softmax函数对得到的所述输入感知权重因子进行归一化处理。


4.根据权利要求2所述的商品推荐方法，其特征在于，根据向量层面调整后用户特征向量和向量层面调整后商品特征向量得到交互向量，并根据所述交互向量对所述向量层面调整后特征向量进行位层面筛选，得到位层面调整后特征向量集合，包括：
利用得到所述交互向量aue,it，并利用得到所述位层面调整后特征向量集合特征向量Ox；
其中，aue为向量层面调整后用户特征向量，ait为向量层面调整后商品特征向量，σ'为S型函数，Ax＝{ai}，Wg1∈Rd×d、Wg2∈Rd×d且Wg1和Wg2均为对应的权重，b'为偏置，Ox＝{oi}。


5.根据权利要求4所述的商品推荐方法，其特征在于，将所述位层面调整后特征向量集合输入到因子分解...

【专利技术属性】
技术研发人员：鲜学丰，方立刚，孙逊，赵朋朋，
申请(专利权)人：苏州市职业大学，
类型：发明
国别省市：江苏;32