解离化商品推荐方法、装置、设备及存储介质制造方法及图纸

本申请实施例涉及数据处理技术领域，具体涉及一种解离化商品推荐方法、装置、设备及存储介质。旨在提升向用户推荐商品的准确率。所述方法包括：接收待推荐商品的信息以及用户的历史点击信息，历史点击信息包括用户的点击商品序列、未点击商品序列、不喜欢商品序列以及点击时间信息；根据不喜欢商品序列，对点击商品序列以及未点击商品序列进行滤波，得到用户的感兴趣商品的表征；根据用户的点击时间信息以及待推荐商品的信息对用户的感兴趣商品的表征进行筛选，得到用户的历史兴趣商品的表征；对历史兴趣商品的表征进行分类聚合，得到用户的多个解离化表征；根据多个解离化表征，判断待推荐商品是否为用户的感兴趣商品。判断待推荐商品是否为用户的感兴趣商品。判断待推荐商品是否为用户的感兴趣商品。

【技术实现步骤摘要】
解离化商品推荐方法、装置、设备及存储介质


[0001]本申请实施例涉及数据处理
，具体而言，涉及一种解离化商品推荐方法、装置、设备及存储介质。

技术介绍

[0002]解离化表征就是将用户的意图进行解离化，得到多个反映用户的不同兴趣的表征，目的是挖掘用户意图背后的隐藏因子，是一种挖掘用户意图的有效方式，并且提升了推荐系统的准确性以及可解释性。现有的基于解离化表征的推荐系统，是基于用户的正反馈信息，即购买或点击信息，获取用户的解离化兴趣，进而对用户进行商品推荐。
[0003]现有技术中，只考虑了从用户的正反馈中获取用户的解离化兴趣，获取的用户兴趣容易出现同质单一化现象，影响商品推荐的用户点击率，并且现有技术不能处理在多反馈场景下用户的解离化兴趣与多种反馈的复杂关系，也不能处理多种反馈中包含的大量噪声，所以无法直接用于多反馈场景下，而现有的多反馈推荐技术没有对用户的兴趣进行解离化，不能很好地刻画用户全方面的兴趣，缺乏可解释性，推荐商品的准确率较低。

技术实现思路

[0004]本实申请实施例提供一种解离化商品推荐方法、装置、设备及存储介质，旨在提升向用户推荐商品的准确率。
[0005]本申请实施例第一方面提供一种解离化商品推荐方法，所述方法包括：
[0006]接收待推荐商品的信息以及用户的历史点击信息，所述历史点击信息包括所述用户的点击商品序列、未点击商品序列、不喜欢商品序列以及点击时间信息；
[0007]根据所述不喜欢商品序列，对所述点击商品序列以及未点击商品序列进行滤波，得到所述用户的感兴趣商品的表征；
[0008]根据所述用户的点击时间信息以及所述待推荐商品的信息对所述用户的感兴趣商品的表征进行筛选，得到所述用户的历史兴趣商品的表征；
[0009]对所述历史兴趣商品的表征进行分类聚合，得到所述用户的多个解离化表征；
[0010]根据所述多个解离化表征，判断所述待推荐商品是否为所述用户的感兴趣商品。
[0011]可选地，所述方法是基于商品推荐模型实现的，所述商品推荐模型的训练步骤包括：
[0012]将多组用户信息及其对应的商品信息组成的集合作为训练集，输入所述商品推荐模型；
[0013]所述商品推荐模型根据当前的学习状态，选择所述训练集中的对应难度的样本进行学习，并以对应的速率调节所述样本的难度分布，在学习完毕后，得到训练好的所述商品推荐模型。
[0014]可选地，所述商品推荐模型根据当前的学习状态，选择所述训练集中的对应难度的样本进行学习，包括：
[0015]所述商品推荐模型对所述训练集中的样本进行学习后，得到对应的损失值；
[0016]将所述损失值与预先设置的超参数进行对比，根据对比结果，判断所述样本学习的难度；
[0017]根据所述商品推荐模型的自身参数，确定对应难度的样本进行学习。
[0018]可选地，根据所述不喜欢商品序列，对所述点击商品序列以及未点击商品序列进行滤波，得到所述用户的感兴趣商品的表征，包括：
[0019]将所述点击商品序列、所述未点击商品序列以及所述不喜欢商品序列分别输入基于多头注意力机制的编码器中进行编码，得到点击商品的表征、未点击商品的表征以及不喜欢商品的表征；
[0020]对所述不喜欢商品的表征进行平均池化，得到所述用户的负面倾向表征；
[0021]基于所述负面倾向表征，对所述点击商品的表征以及未点击商品的表征进行滤波，得到所述用户的感兴趣商品的表征。
[0022]可选地，基于所述负面倾向表征，对所述点击商品的表征以及未点击商品的表征进行滤波，得到所述用户的感兴趣商品的表征，包括：
[0023]将所述点击商品的表征以及所述未点击商品的表征与所述负面倾向表征进行相似度计算；
[0024]根据相似度计算的结果，对所述点击商品的表征以及所述未点击商品的表征进行滤波，得到所述用户的感兴趣商品的表征。
[0025]可选地，根据所述用户的点击时间信息与所述待推荐商品的信息对所述用户的感兴趣商品的表征进行筛选，得到所述用户的历史兴趣商品的表征，包括：
[0026]根据所述点击时间信息，对所述感兴趣商品的表征进行相应的权重赋值；
[0027]根据所述待推荐商品的信息，对所述感兴趣商品的表征进行相应的权重赋值；
[0028]将权重赋值完毕后的感兴趣商品的表征作为所述用户的历史兴趣商品的表征。
[0029]可选地，对所述历史兴趣商品的表征进行分类聚合，得到所述用户的多个解离化表征，包括：
[0030]计算所述历史兴趣商品的表征与多个兴趣原型之间的距离，得到多个距离计算结果；
[0031]根据所述多个距离计算结果,以所述多个兴趣原型为中心，对所述历史兴趣商品的表征进行聚合，得到所述多个解离化表征。
[0032]本申请实施例第二方面提供一种解离化商品推荐装置，所述装置包括：
[0033]信息接收模块，用于接收待推荐商品的信息以及用户的历史点击信息，所述历史点击信息包括所述用户的点击商品序列、未点击商品序列、不喜欢商品序列以及点击时间信息；
[0034]表征滤波模块，用于根据所述不喜欢商品序列，对所述点击商品序列以及未点击商品序列进行滤波，得到所述用户的感兴趣商品的表征；
[0035]表征筛选模块，用于根据所述用户的点击时间信息以及所述待推荐商品的信息对所述用户的感兴趣商品的表征进行筛选，得到所述用户的历史兴趣商品的表征；
[0036]表征聚合模块，用一个对所述历史兴趣商品的表征进行分类聚合，得到所述用户的多个解离化表征；
[0037]推荐预测模块，用于根据所述多个解离化表征，判断所述待推荐商品是否为所述用户的感兴趣商品。
[0038]可选地，所述方法是基于商品推荐模型实现的，所述商品推荐模型的训练步骤包括：
[0039]将多组用户信息及其对应的商品信息组成的集合作为训练集，输入所述商品推荐模型；
[0040]所述商品推荐模型根据当前的学习状态，选择所述训练集中的对应难度的样本进行学习，并以对应的速率调节所述样本的难度分布，在学习完毕后，得到训练好的所述商品推荐模型。
[0041]可选地，所述商品推荐模型根据当前的学习状态，选择所述训练集中的对应难度的样本进行学习，包括：
[0042]所述商品推荐模型对所述训练集中的样本进行学习后，得到对应的损失值；
[0043]将所述损失值与预先设置的超参数进行对比，根据对比结果，判断所述样本学习的难度；
[0044]根据所述商品推荐模型的自身参数，确定对应难度的样本进行学习。
[0045]可选地，所述表征滤波模块包括：
[0046]序列编码子模块，用于将所述点击商品序列、所述未点击商品序列以及所述不喜欢商品序列分别输入基于多头注意力机制的编码器中进行编码，得到点击商品的表征、未点击商品的表征以及不喜欢商品的表征；
[0047]负面表征获得子模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种解离化商品推荐方法，所述方法包括：接收待推荐商品的信息以及用户的历史点击信息，所述历史点击信息包括所述用户的点击商品序列、未点击商品序列、不喜欢商品序列以及点击时间信息；根据所述不喜欢商品序列，对所述点击商品序列以及未点击商品序列进行滤波，得到所述用户的感兴趣商品的表征；根据所述点击时间信息以及所述待推荐商品的信息对所述感兴趣商品的表征进行筛选，得到所述用户的历史兴趣商品的表征；对所述历史兴趣商品的表征进行分类聚合，得到所述用户的多个解离化表征；根据所述多个解离化表征，判断所述待推荐商品是否为所述用户的感兴趣商品。2.根据权利要求1所述的方法，其特征在于，所述方法是基于商品推荐模型实现的，所述商品推荐模型的训练步骤包括：将多组用户信息及其对应的商品信息组成的集合作为训练集，输入所述商品推荐模型；所述商品推荐模型根据当前的学习状态，选择所述训练集中的对应难度的样本进行学习，并以对应的速率调节所述样本的难度分布，在学习完毕后，得到训练好的所述商品推荐模型。3.根据权利要求2所述的方法，其特征在于，所述商品推荐模型根据当前的学习状态，选择所述训练集中的对应难度的样本进行学习，包括：所述商品推荐模型对所述训练集中的样本进行学习后，得到对应的损失值；将所述损失值与预先设置的超参数进行对比，根据对比结果，判断所述样本学习的难度；根据所述商品推荐模型的自身参数，确定对应难度的样本进行学习。4.根据权利要求1所述的方法，其特征在于，根据所述不喜欢商品序列，对所述点击商品序列以及未点击商品序列进行滤波，得到所述用户的感兴趣商品的表征，包括：将所述点击商品序列、所述未点击商品序列以及所述不喜欢商品序列分别输入基于多头注意力机制的编码器中进行编码，得到点击商品的表征、未点击商品的表征以及不喜欢商品的表征；对所述不喜欢商品的表征进行平均池化，得到所述用户的负面倾向表征；基于所述负面倾向表征，对所述点击商品的表征以及未点击商品的表征进行滤波，得到所述用户的感兴趣商品的表征。5.根据权利要求3所述的方法，其特征在于，基于所述负面倾向表征，对所述点击商品的表征以及未点击商品的表征进行滤波，得到所述用户的感兴趣商品的表征，包括...

【专利技术属性】
技术研发人员：朱文武，王鑫，陈虹，
申请(专利权)人：清华大学，
类型：发明
国别省市：