一种物品推荐方法、计算设备以及存储介质技术

本发明专利技术公开了一种物品推荐方法、计算设备以及存储介质。物品推荐方法在计算设备中执行，方法包括：响应于用户请求，获取与用户相关的物品序列；基于物品序列，从物品向量集中为用户匹配候选物品集合，物品向量集中包含各物品所对应的至少一个向量；基于候选物品集合，向用户进行物品推荐。向用户进行物品推荐。向用户进行物品推荐。

【技术实现步骤摘要】
一种物品推荐方法、计算设备以及存储介质


[0001]本专利技术涉及互联网领域，具体涉及一种物品推荐方法、计算设备以及存储介质。

技术介绍

[0002]互联网的出现和普及给用户带来了海量信息，满足了用户在信息时代的信息需求。然而，随着数据量的大幅增长，用户在面对海量信息时，已经无法迅速从中获得有价值的信息，为解决这一难题，推荐系统应用而生。它可以根据用户的兴趣特点和行为，向用户推荐用户感兴趣的信息和商品。但是，在个性化推荐中，用户的兴趣通常都是多元化的，如果仅仅通过某些特定的推荐策略(如兴趣标签、兴趣实体、协同过滤等)进行推荐召回的话，用户会在初期的时候表现的很感兴趣，而随着用户浏览次数的增多，用户会慢慢产生疲劳。

技术实现思路

[0003]鉴于上述问题，提出了本专利技术，以便提供一种克服上述问题或者至少部分地解决上述问题的物品推荐方法、计算设备以及存储介质。
[0004]根据本专利技术的一个方面，提供一种物品推荐方法，在计算设备中执行，方法包括：响应于用户请求，获取与用户相关的物品序列；基于物品序列，从物品向量集中为用户匹配候选物品集合，物品向量集中包含各物品所对应的至少一个向量；基于候选物品集合，向用户进行物品推荐。
[0005]可选地，在根据本专利技术的物品推荐方法中，还包括步骤：预先生成物品向量集。
[0006]可选地，在根据本专利技术的物品推荐方法中，预先生成物品向量集的步骤包括：基于用户的行为数据，对至少一个初始的第一模型分别进行训练，得到训练好的各第一模型；基于物品的属性数据，对至少一个初始的第二模型分别进行训练，得到训练好的各第二模型；基于训练好的各第一模型，得到第三模型；基于训练好的各第二模型，得到第四模型；利用各第一模型、各第二模型、第三模型、第四模型对物品进行处理，得到各模型对应的各物品的物品向量，作为物品向量集。
[0007]可选地，在根据本专利技术的物品推荐方法中，第一模型为文本模型、语言模型、图模型、长短期记忆模型和矩阵分解模型中的一种；第二模型为文本模型、语言模型、图模型、长短期记忆模型和矩阵分解模型中的一种。
[0008]可选地，在根据本专利技术的物品推荐方法中，基于物品序列，从物品向量集中为用户匹配候选物品集合的步骤，包括：通过计算物品序列所指向的各物品与物品向量集中的各物品向量的相似度，来确定出候选物品集合。
[0009]可选地，在根据本专利技术的物品推荐方法中，通过计算物品序列所指向的各物品与物品向量集中的各物品向量的相似度的步骤，包括：通过余弦相似度算法或欧式距离算法计算物品序列所指向的各物品与物品向量集中的各物品向量的相似度。
[0010]可选地，在根据本专利技术的物品推荐方法中，基于物品序列，从物品向量集中为用户匹配候选物品集合的步骤，包括：基于用户的实时点击反馈，调整各模型对应的物品向量在
候选物品集合中的数量。
[0011]可选地，根据本专利技术的物品推荐方法，基于候选物品集合，向用户进行物品推荐的步骤，包括：基于物品的重复召回比例、曝光率比例和用户负反馈比例确定候选物品集合中的物品数量。
[0012]根据本专利技术的又一个方面，提供一种计算设备，包括：至少一个处理器；和存储有程序指令的存储器，其中，程序指令被配置为适于由至少一个处理器执行，程序指令包括用于执行上述方法的指令。
[0013]根据本专利技术的又一个方面，提供一种存储有程序指令的可读存储介质，当程序指令被计算设备读取并执行时，使得计算设备执行上述的方法。
[0014]根据本专利技术的物品推荐方案，通过用户对物品的交互行为数据和物品本身的属性数据进行用户和物品的向量化表示，充分利用深度学习对用户和物品学习的泛化能力，这样能一定程度上补充用户的兴趣，也能探索用户的兴趣，对基于用户兴趣的召回进行了补充和探索。
[0015]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0016]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0017]图1示出了根据本专利技术一个实施例的物品推荐系统100的示意图；
[0018]图2示出了根据本专利技术一个实施例的计算设备200的示意图；
[0019]图3示出了根据本专利技术一个实施例的物品推荐方法中离线处理方法300的流程图；
[0020]图4示出了根据本专利技术一个实施例的物品推荐方法中在线处理方法400的流程图。
[0021]图5示出了根据本专利技术一个实施例的物品向量集500的结构示意图。
具体实施方式
[0022]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0023]推荐系统带来的推荐服务基本上已经渗透到我们生活的方方面面，推荐系统作为一种信息过滤的重要手段，是当前解决信息超载问题的有效方法之一，是面向用户的互联网产品的核心技术。
[0024]容易理解的是，一个完整的工业级推荐系统一般分为离线部分和在线部分。当系统接收到用户的请求之后，会去获取用户的属性信息和兴趣偏好信息等，根据用户的兴趣偏好进行物料召回，然后对召回来得物料进行排序，接着根据排序好的结果结合实际业务场景进行策略上的人工干预(包括商业策略、运营策略等)，最后将推荐结果展示给用户。
[0025]然而现有的推荐系统在召回过程中，由于用户的兴趣偏好大多是通过用户历史行为来计算得到的，这样对用户的兴趣探索性的比较单一与薄弱，尤其是对于历史行为不够丰富，甚至是没有历史行为的用户。
[0026]召回在技术实现上可以分为主要的两类：基于内容的召回、基于行为的召回。基于内容召回的基本思路：1)基于用户历史行为计算各维度用户画像，刻画用户兴趣偏好(如汽车品牌偏好、车型/车系偏好、国别偏好等)；2)对每一类画像维度建立内容的倒排索引，方便快速召回相关内容的内容；3)当用户请求推荐时，基于用户画像在倒排索引中召回用户潜在感兴趣内容。
[0027]该方案较强的依赖用户浏览的行为日志数据，对于浏览行为日志数据不丰富甚至是没有浏览行为日志数据的用户来说，计算出来的用户兴趣是极度不丰富的，因为这样并不能起到寻找用户兴趣点的目的；并且，这种通过用户画像的形式计算出来的用户兴趣标签在用户连续几个刷次里面基本不会有什么变化，因此这样也不能起到寻求用户兴趣点的多样性扩展目的。
[0028]基于行为召回的基本思路：1)基于协同过滤技术，构建用户
‑
内容评分矩阵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物品推荐方法，在计算设备中执行，所述方法包括：响应于用户请求，获取与所述用户相关的物品序列；基于所述物品序列，从物品向量集中为所述用户匹配候选物品集合，所述物品向量集中包含各物品所对应的至少一个向量；基于所述候选物品集合，向用户进行物品推荐。2.如权利要求1所述的方法，还包括步骤：预先生成物品向量集。3.如权利要求2所述的方法，其中，所述预先生成物品向量集的步骤包括：基于用户的行为数据，对至少一个初始的第一模型分别进行训练，得到训练好的各第一模型；基于物品的属性数据，对至少一个初始的第二模型分别进行训练，得到训练好的各第二模型；基于训练好的各第一模型，得到第三模型；基于训练好的各第二模型，得到第四模型；利用所述各第一模型、各第二模型、第三模型、第四模型对物品进行处理，得到各模型对应的各物品的物品向量，作为物品向量集。4.如权利要求3所述的方法，其中，所述第一模型为文本模型、语言模型、图模型、长短期记忆模型和矩阵分解模型中的一种；所述第二模型为文本模型、语言模型、图模型、长短期记忆模型和矩阵分解模型中的一种。5.如权利要求1所述的方法，其中，基于所述物品序列，从物品向量集中为所述用户匹配候选物品集合的步骤，包括：通过计算所述物品序列...

【专利技术属性】
技术研发人员：方矩，
申请(专利权)人：车智互联北京科技有限公司，
类型：发明
国别省市：