本申请提供一种商品召回方法，包括：基于FM模型和深度序列匹配模型的召回模型分别对样本进行训练，得到各自的用户侧特征和商品侧特征，并进行特征级联得到两个特征结果；根据特征结果之间的相似度确定样本的相似分序列；利用向量检索库召回相似分序列中前预设数量的商品。本申请通过对用户的近期行为和历史行为进行采集和分析，曝光商品池中进行随机负采样，增加了负样本中长尾商品出现的比例，增强了对包含长尾商品的样本的预测能力，有效提升了召回模型的泛化性。本申请还提供一种商品召回系统、计算机可读存储介质和电子设备，具有上述有益效果。上述有益效果。上述有益效果。
【技术实现步骤摘要】
一种商品召回方法、商品召回系统及相关装置
[0001]本申请涉及数据分析领域，特别涉及一种商品召回方法、商品召回系统及相关装置。
技术介绍
[0002]当前，电商推荐系统的主要目的是通过平台来为用户提供内容或商品的相关信息和有效建议，而个性化推荐则是根据用户的历史行为和兴趣特点来向用户推荐其感兴趣的内容或商品。一个完整的个性化推荐系统一般会包含召回和排序两个阶段。对于召回来说，其主要目的是根据用户的历史行为等特征在海量的物料库中快速筛选出一小部分用户存在潜在兴趣的物料，并交给排序阶段。而排序阶段则是通过较为复杂的模型来对上述物料进行精准排序，以实现准确的个性化推荐。
[0003]目前召回算法往往使用经典的“双塔结构”来分别计算用户特征和待排物料特征，这样的结构虽然直观且简单，但无法利用到用户和待排物料之间的交叉特征，使得商品召回准确性较低。
技术实现思路
[0004]本申请的目的是提供一种商品召回方法、商品召回系统、计算机可读存储介质和电子设备，能够提高商品召回准确率。
[0005]为解决上述技术问题，本申请提供一种商品召回方法，具体技术方案如下：
[0006]获取FM模型和包含第一损失函数的深度序列匹配模型；
[0007]将样本的用户侧特征和商品侧特征输入所述FM模型，并配置所述FM模型的特征向量，得到输出结果；
[0008]根据所述输出结果和所述样本的标签构建所述FM模型的第二损失函数；
[0009]叠加所述第一损失函数和所述第二损失函数得到总损失函数，并确定所述总损失函数对应的召回模型；
[0010]利用所述召回模型中的所述深度序列匹配模型对所述样本进行训练，得到第一用户侧特征和第一商品侧特征；
[0011]利用所述召回模型中的所述FM模型对所述样本进行训练，得到第二用户侧特征和第二商品侧特征；
[0012]对所述第一用户侧特征和所述第二用户侧特征级联得到第一特征结果，对所述第一商品侧特征和所述第二商品侧特征级联得到第二特征结果；其中，所述第一特征结果和所述第二特征结果均为一维向量；
[0013]根据所述第一特征结果和所述第二特征结果确定所述样本的相似分序列；所述相似分序列包含从大到小排列的相似分；
[0014]利用向量检索库召回相似分序列中前预设数量的商品。
[0015]可选的，利用所述召回模型中的所述深度序列匹配模型对所述样本进行训练，得
到第一用户侧特征和第一商品侧特征之前，还包括：
[0016]将用户当前查询条件下曝光且点击的商品作为正样本，从用户的曝光商品池中采用随机负采样构建包含负样本的负样本集合；
[0017]以所述正样本和所述负样本集合中的负样本作为样本。
[0018]可选的，利用所述召回模型中的所述深度序列匹配模型对所述样本进行训练，得到第一用户侧特征和第一商品侧特征包括：
[0019]获取用户的近期行为和历史行为；
[0020]基于所述近期行为配置近期行为序，基于所述历史行为得到历史行为序；
[0021]根据所述近期行为序和所述历史行为序得到第一用户侧特征；
[0022]利用所述召回模型中所述深度序列匹配模型对应的由可学习参数构成的向量矩阵确定第一商品侧特征。
[0023]可选的，获取FM模型和包含第一损失函数的深度序列匹配模型之前，还包括：
[0024]利用余弦相似度计算所述深度序列匹配模型确定的用户特征和商品特征之间的相似度得分，并根据所述相似度得分构建所述第一损失函数。
[0025]可选的，根据所述第一特征结果和所述第二特征结果确定所述样本的相似分序列包括：
[0026]计算所述第一特征结果和所述第二特征结果之间的向量内积，并将各所述向量内积作为用户和商品之间的相似分；
[0027]对所述相似分排序得到相似分序列。
[0028]可选的，叠加所述第一损失函数和所述第二损失函数得到总损失函数，并确定所述总损失函数对应的召回模型之后，还包括：
[0029]利用第一预设优化器更新所述FM模型的模型参数；
[0030]利用第二预设优化器训练深度序列匹配模型。
[0031]可选的，利用向量检索库召回相似分序列中前预设数量的商品之前，还包括：
[0032]将所述第二特征结果保存在推荐引擎；所述推荐引擎用于根据所述第一特征结果和所述第二特征结果计算所述相似分序列。
[0033]本申请还提供一种商品召回系统，包括：
[0034]获取模块，用于获取FM模型和包含第一损失函数的深度序列匹配模型
[0035]特征输入模块，用于将样本的用户侧特征和商品侧特征输入所述FM模型，并配置所述FM模型的特征向量，得到输出结果；
[0036]损失函数构建模块，用于根据所述输出结果和所述样本的标签构建所述FM模型的第二损失函数；
[0037]损失计算模块，用于叠加所述第一损失函数和所述第二损失函数得到总损失函数，并确定所述总损失函数对应的召回模型；
[0038]第一商品特征确定模块，用于利用所述召回模型中的所述深度序列匹配模型对所述样本进行训练，得到第一用户侧特征和第一商品侧特征；
[0039]第二商品特征确定模块，用于利用所述召回模型中的所述FM模型对所述样本进行训练，得到第二用户侧特征和第二商品侧特征；
[0040]特征级联模块，用于对所述第一用户侧特征和所述第二用户侧特征级联得到第一
特征结果，对所述第一商品侧特征和所述第二商品侧特征级联得到第二特征结果；其中，所述第一特征结果和所述第二特征结果均为一维向量；
[0041]相似分计算模块，用于根据所述第一特征结果和所述第二特征结果确定所述样本的相似分序列；所述相似分序列包含从大到小排列的相似分；
[0042]召回模块，用于利用向量检索库召回相似分序列中前预设数量的商品。
[0043]本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
[0044]本申请还提供一种电子设备，包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如上所述的方法的步骤。
[0045]本申请提供一种商品召回方法，包括：获取FM模型和包含第一损失函数的深度序列匹配模型；将样本的用户侧特征和商品侧特征输入所述FM模型，并配置所述FM模型的特征向量，得到输出结果；根据所述输出结果和所述样本的标签构建所述FM模型的第二损失函数；叠加所述第一损失函数和所述第二损失函数得到总损失函数，并确定所述总损失函数对应的召回模型；利用所述召回模型中的所述深度序列匹配模型对所述样本进行训练，得到第一用户侧特征和第一商品侧特征；利用所述召回模型中的所述FM模型对所述样本进行训练，得到第二用户侧特征和第二商品侧特征；对所述第一用户侧特征和所述第二用户侧特征级联得到第一特征结果，对所述第一商品侧本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种商品召回方法，其特征在于，包括：获取FM模型和包含第一损失函数的深度序列匹配模型；将样本的用户侧特征和商品侧特征输入所述FM模型，并配置所述FM模型的特征向量，得到输出结果；根据所述输出结果和所述样本的标签构建所述FM模型的第二损失函数；叠加所述第一损失函数和所述第二损失函数得到总损失函数，并确定所述总损失函数对应的召回模型；利用所述召回模型中的所述深度序列匹配模型对所述样本进行训练，得到第一用户侧特征和第一商品侧特征；利用所述召回模型中的所述FM模型对所述样本进行训练，得到第二用户侧特征和第二商品侧特征；对所述第一用户侧特征和所述第二用户侧特征级联得到第一特征结果，对所述第一商品侧特征和所述第二商品侧特征级联得到第二特征结果；其中，所述第一特征结果和所述第二特征结果均为一维向量；根据所述第一特征结果和所述第二特征结果确定所述样本的相似分序列；所述相似分序列包含从大到小排列的相似分；利用向量检索库召回相似分序列中前预设数量的商品。2.根据权利要求1所述的商品召回方法，其特征在于，利用所述召回模型中的所述深度序列匹配模型对所述样本进行训练，得到第一用户侧特征和第一商品侧特征之前，还包括：将用户当前查询条件下曝光且点击的商品作为正样本，从用户的曝光商品池中采用随机负采样构建包含负样本的负样本集合；以所述正样本和所述负样本集合中的负样本作为样本。3.根据权利要求1所述的商品召回方法，其特征在于，利用所述召回模型中的所述深度序列匹配模型对所述样本进行训练，得到第一用户侧特征和第一商品侧特征包括：获取用户的近期行为和历史行为；基于所述近期行为配置近期行为序，基于所述历史行为得到历史行为序；根据所述近期行为序和所述历史行为序得到第一用户侧特征；利用所述召回模型中所述深度序列匹配模型对应的由可学习参数构成的向量矩阵确定第一商品侧特征。4.根据权利要求1所述的商品召回方法，其特征在于，获取FM模型和包含第一损失函数的深度序列匹配模型之前，还包括：利用余弦相似度计算所述深度序列匹配模型确定的用户特征和商品特征之间的相似度得分，并根据所述相似度得分构建所述第一损失函数。5.根据权利要求1所述的商品召回方法，其特征在于，根据所述第一特征结果和所述第二特征结果确定所述样本的相似分序列包括：计算所述第一特征结果和所述第二特征结果之间的向量内积...
【专利技术属性】
技术研发人员：崔云博，付涛，
申请(专利权)人：杭州时趣信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。