推荐方法、推荐装置、电子设备及计算机可读存储介质制造方法及图纸

本申请提供一种推荐方法、推荐装置、电子设备及计算机可读存储介质。本申请通过符合目标用户的推荐请求包含的推荐条件但与目标用户的偏好属性标签不匹配的反向推荐结果，实现推荐商品在属性上的正向和负向的反差对比，为用户提供突出性的推荐资源，提高推荐的成功率。率。率。

【技术实现步骤摘要】
推荐方法、推荐装置、电子设备及计算机可读存储介质


[0001]本申请涉及个性化推荐
，尤其涉及一种推荐方法、推荐装置、电子设备及计算机可读存储介质。

技术介绍

[0002]随着电子商务的快速发展，各类电商平台为用户提供越来越多的选择的同时，会使用户无法准确的选择出自己所需的资源，尤其是对于一些不具有明确的选择倾向的“选择困难症”用户，面对大量同类资源时，其更加难以做出满意的抉择。现有技术中的资源推荐方法，往往将所有用户一视同仁，在大数据的抓取过程中，没有考虑到这些不具有明确的选择倾向的“选择困难症”用户的行为特征，无法为该类用户提供突出性的推荐商品，这严重影响了该类用户的购物体验，进而影响资源销量。

技术实现思路

[0003]有鉴于此，本申请提出一种推荐方法、推荐装置、电子设备及计算机可读存储介质，通过推荐商品在属性上的正向和负向的反差对比，提高推荐的成功率。
[0004]本申请提供了一种推荐方法，包括：
[0005]响应于目标用户的推荐请求，通过预先训练的第一推荐模型确定与所述推荐请求对应的正向推荐结果列表；其中，所述目标用户为从得到历史推荐结果时刻起的指定时间间隔内未采纳所述历史推荐结果的第一类型用户；所述第一推荐模型为以第二类型用户的历史行为数据为训练数据训练得到的推荐模型；所述第二类型用户为从得到历史推荐结果时刻起的指定时间间隔内采纳所述历史推荐结果的用户；所述正向推荐结果列表中正向推荐结果的采纳概率不小于预设采纳概率；
[0006]根据初始反向推荐结果的属性标签及所述目标用户的偏好属性标签，确定反向推荐结果列表；其中，所述初始反向推荐结果为符合所述推荐请求包含的推荐条件的推荐结果，所述反向推荐结果列表中的反向推荐结果的属性标签与所述目标用户的所述偏好属性标签不匹配；所述属性标签表征所述反向推荐结果的属性，所述偏好属性标签表征所述目标用户的偏好的属性；
[0007]根据所述正向推荐结果列表和所述反向推荐结果列表，确定综合推荐结果列表，并将所述综合推荐结果列表推荐给所述目标用户；所述综合推荐结果列表包含至少一个正向推荐结果以及至少一个反向推荐结果。
[0008]本申请还提供了一种推荐装置，该装置包括：
[0009]用户筛选模块，被配置为根据目标用户的历史操作信息，确定所述目标用户是否具有明确的购买倾向；
[0010]第一确认模块，被配置为响应于目标用户的推荐请求，通过预先训练的第一推荐模型确定与所述推荐请求对应的正向推荐结果列表；其中，所述目标用户为从得到历史推荐结果时刻起的指定时间间隔内浏览或选定历史推荐结果但未采纳历史推荐结果的次数
超过预先设定阈值的第一类型用户；所述第一推荐模型为以第二类型用户的历史行为数据为训练数据训练得到的推荐模型；所述第二类型用户为从得到历史推荐结果时刻起的指定时间间隔内采纳所述历史推荐结果的用户；所述正向推荐结果列表中正向推荐结果的采纳概率不小于预设采纳概率；
[0011]第二确认模块，被配置为根据初始反向推荐结果的属性标签及所述目标用户的偏好属性标签，确定反向推荐结果列表；其中，所述初始反向推荐结果为符合所述推荐请求包含的推荐条件的推荐结果，所述反向推荐结果列表中的反向推荐结果的属性标签与所述目标用户的所述偏好属性标签不匹配；所述属性标签表征所述反向推荐结果的属性，所述偏好属性标签表征所述目标用户的偏好的属性；
[0012]推荐模块，被配置为根据所述正向推荐结果列表和所述反向推荐结果列表，确定综合推荐结果列表，并将所述综合推荐结果列表推荐给所述目标用户；所述综合推荐结果列表包含至少一个正向推荐结果以及至少一个反向推荐结果。
[0013]本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意一项所述的推荐方法。
[0014]本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述任意一项所述的推荐方法。
[0015]从上面所述可以看出，本申请提供的推荐方法、推荐装置、电子设备及计算机可读存储介质，通过预先训练的第一推荐模型确定与所述推荐请求对应的正向推荐结果列表；进一步地，根据初始反向推荐结果的属性标签及所述目标用户的偏好属性标签，确定反向推荐结果列表；最后，根据所述正向推荐结果列表和所述反向推荐结果列表，确定综合推荐结果列表，并将所述综合推荐结果列表推荐给所述目标用户；所述综合推荐结果列表包含至少一个正向推荐结果以及至少一个反向推荐结果。本申请通过符合目标用户的推荐请求包含的推荐条件但与目标用户的偏好属性标签不匹配的反向推荐结果，实现推荐商品在属性上的正向和负向的反差对比，为用户提供突出性的推荐资源，提高推荐的成功率。
附图说明
[0016]为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0017]图1为本申请实施例提供的推荐方法的应用场景示意图。
[0018]图2为本申请实施例提供的推荐方法的另一种应用场景示意图。
[0019]图3为本申请实施例提供的一种推荐方法的流程示意图。
[0020]图4为本申请实施例提供的一种推荐装置示意图。
[0021]图5为本申请提出的电子设备硬件结构示意图。
具体实施方式
[0022]为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照
附图，对本申请进一步详细说明。
[0023]需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
[0024]如
技术介绍
部分所述，现如今在各种电商平台、音乐平台或游戏中，都会应用不同的推荐方法将商品、音乐、游戏道具或者游戏玩法等资源推荐给用户。
[0025]但申请人通过研究发现，目前的绝大多数推荐方法，是把后台服务器认为用户“最喜欢”物品推荐给客户端上进行展示。但是，如果用户对于看到的商品、音乐、游戏道具或者游戏玩法都“很喜欢”或“差不多喜欢”，用户就难以抉择。导致有很多的“选择困难症”的用户，最后什么都不买了，这严重影响本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种推荐方法，其特征在于，包括：响应于目标用户的推荐请求，通过预先训练的第一推荐模型确定与所述推荐请求对应的正向推荐结果列表；其中，所述目标用户为从得到历史推荐结果时刻起的指定时间间隔内浏览或选定历史推荐结果但未采纳历史推荐结果的次数超过预先设定阈值的第一类型用户；所述第一推荐模型为以第二类型用户的历史行为数据为训练数据训练得到的推荐模型；所述第二类型用户为从得到历史推荐结果时刻起的指定时间间隔内浏览或选定历史推荐结果但未采纳历史推荐结果的次数不超过预先设定阈值的用户；所述正向推荐结果列表中正向推荐结果的采纳概率不小于预设采纳概率；根据初始反向推荐结果的属性标签及所述目标用户的偏好属性标签，确定反向推荐结果列表；其中，所述初始反向推荐结果为符合所述推荐请求包含的推荐条件的推荐结果，所述反向推荐结果列表中的反向推荐结果的属性标签与所述目标用户的所述偏好属性标签不匹配；所述属性标签表征所述反向推荐结果的属性，所述偏好属性标签表征所述目标用户的偏好的属性；根据所述正向推荐结果列表和所述反向推荐结果列表，确定综合推荐结果列表，并将所述综合推荐结果列表推荐给所述目标用户；所述综合推荐结果列表包含至少一个正向推荐结果以及至少一个反向推荐结果。2.根据权利要求1所述的方法，其特征在于，所述初始反向推荐结果为采纳结果列表中符合所述推荐请求包含的推荐条件的采纳结果；所述采纳结果列表包含以当前时刻为终止时刻的指定时间间隔内被采纳的推荐结果。3.根据权利要求2所述的方法，其特征在于，所述根据初始反向推荐结果的属性标签及所述目标用户的偏好属性标签，确定反向推荐结果列表之前，所述方法还包括：将所述采纳结果列表中销量不高于预先设定的第一销量阈值的采纳结果确定为所述初始反向推荐结果。4.根据权利要求3所述的方法，其特征在于，所述偏好属性标签包括销量，所述方法还包括：将正向推荐结果列表中的正向推荐结果按照销量由大到小排序，并将排序后的正向推荐结果作为所述正向推荐结果列表；所述根据初始反向推荐结果的属性标签及所述目标用户的偏好属性标签，确定反向推荐结果列表，包括：将所述初始反向推荐结果按照销量由小到大排序，并将排序后的反向推荐结果作为所述反向推荐结果列表；或将所述初始反向推荐结果按照销量由小到大排序，并将销量不高于预先设定的第二销量阈值的反向推荐结果作为所述反向推荐结果列表；所述第二销量阈值小于或等于所述第一销量阈值。5.根据权利要求1所述的方法，其特征在于，还包括通过以下方法训练得到所述第一推荐模型：获取所述第二类型用户的历史行为数据；其中，所述历史行为数据至少包括第二类型用户的历史推荐请求以及符合所述历史推荐请求包含的推荐条件的历史采纳结果；将所述第二类用户的历史行为数据作为训练数据集，根据所述训练数据集训练得到所
述第一推荐模型。6.根据权利要求1或5所述的方...

【专利技术属性】
技术研发人员：徐帅，刘勇成，胡志鹏，袁思思，程龙，
申请(专利权)人：网易杭州网络有限公司，
类型：发明
国别省市：