商品个性化推荐方法及其装置、设备、介质、产品制造方法及图纸

本申请涉及电商信息技术领域中一种商品个性化推荐方法及其装置、设备、介质、产品，所述方法包括：获取用户的个性化信息，其包括个人特征信息、商品偏好特征信息及时空特征信息；采用不同神经网络模型分别确定所述个性化特征信息对应的第一热度特征、候选商品的商品特征信息对应的第二热度特征、个性化信息与所述商品特征信息所构成的综合特征信息对应的第三热度特征；根据第一、第二热度特征干预第三热度特征计算获得有效流行热度；根据有效流行热度确定是否推送候选商品。本申请能够更好地还原商品数据库中的商品的流行热度，为用户匹配出更符合其个人偏好的感兴趣商品，使更多有潜力的长尾商品有机会曝光，降低商品推荐过程中的马太效应。程中的马太效应。程中的马太效应。

【技术实现步骤摘要】
商品个性化推荐方法及其装置、设备、介质、产品


[0001]本申请涉及电商信息
，尤其涉及一种商品个性化推荐方法及其相应的装置、计算机设备、计算机可读存储介质，以及计算机程序产品。

技术介绍

[0002]商品排序算法已经在各个领域中证明了自己的价值，用户越来越依赖系统来进行商品推荐。与此同时，系统本身会存在一系列的偏差，比如曝光偏差、选择偏差和流行度偏差等。
[0003]针对流行度偏差，其定义是流行的物品越来越流行，它是由于目前的训练范式导致的，对用户而言，也是用户的“信息茧房”产生的根源。流行度偏差的存在，会降低个性化程度、降低推荐的公平性和加剧马太效应。现有消除流行度偏差的方法有三类：
[0004]迁移学习：利用域自适应的思想，将热门物品学到的知识迁移到长尾商品上，缓解了样本分布不均的问题，如ESAM算法；
[0005]对抗学习：生成器G和判别器D之间的对抗学习，D学习流行商品和长尾商品的隐式管理，而G捕捉更多与用户历史相关的长尾商品，从而推荐出长尾商品；
[0006]引入无偏数据：KDD算法，其使用多跳本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种商品个性化推荐方法，其特征在于，包括如下步骤：获取用户的个性化信息，所述个性化信息包括该用户的个人特征信息、历史行为数据中的商品偏好特征信息以及描述该用户的访问环境的时空特征信息；采用预训练至收敛状态的不同神经网络模型分别确定流行热度，包括所述个人特征信息对应的第一热度特征、候选商品的商品特征信息对应的第二热度特征，以及所述个性化信息与候选商品的商品特征信息所构成的综合特征信息对应的第三热度特征；根据第一热度特征和第二热度特征干预所述第三热度特征计算获得所述候选商品的有效流行热度；根据所述有效流行热度确定是否向该用户推送所述的候选商品。2.根据权利要求1所述的商品个性化推荐方法，其特征在于，获取用户的个性化信息，包括如下步骤：获取所述用户的个人信息，从中提取出相应的个人特征信息，所述个人特征信息包括如下任意多项：用户ID、性别、年龄；获取所述用户的历史行为数据，从中提取出用户历史访问的商品的标签统计信息，构造为该用户的商品偏好特征信息；从所述历史行为数据中提取出用户历史访问行为相对应的时间信息、设备信息，构造为该用户的时空特征信息。3.根据权利要求1所述的商品个性化推荐方法，其特征在于，采用预训练至收敛状态的不同神经网络模型分别确定流行热度的步骤之前，包括如下步骤：执行训练任务以实施对所述各个神经网络模型的同步训练，在每次训练中共享相同监督标签。4.根据权利要求3所述的商品个性化推荐方法，其特征在于，执行训练任务以实施对所述各个神经网络模型的同步训练，包括如下步骤：从预设的数据集中调用单个训练样本，每个训练样本包括一个用户的个性化信息及商品数据库中一个候选商品的商品特征信息，所述个性化信息包括该用户的个人特征信息、历史行为数据中的商品偏好特征信息以及描述该用户的访问环境的时空特征信息；将该训练样本中的个人特征信息的向量化表示输入第一神经网络模型进行处理以获得第一热度特征；将该训练样本中的候选商品的商品特征信息的向量化表示输入第二神经网络模型进行处理以获得第二热度特征；将该训练样本中的个性化信息与所述商品特征信息的向量化表示输入第三神经网络模型进行处理以获得第三热度特征；采用融合层对所述第一热度特征、第二热度特征、第三热度特征进行融合获得总体特征后，计算获得总体流行热度；采用该训练样本相对应的监督标签对所述总体流行热度实施联合监督，以实现各个神经网络模型的梯度更新，直至各个神经网络模型被训练至收敛状态，而在未达到收敛状态时，继续调用所述数据集中的下一训练样本对各个神经网络模型实施迭代训练。5.根据权利要求4所述的商品个性化推荐方法，其特征在于，采用该训练样本相对应的监督标签对所述总...

【专利技术属性】
技术研发人员：徐进添，
申请(专利权)人：广州欢聚时代信息科技有限公司，
类型：发明
国别省市：