信息推送方法、装置及电子设备制造方法及图纸

本发明专利技术提供一种信息推送方法、装置及电子设备，所述方法包括：将目标商品的图片特征、文本特征、历史购买特征以及价格输入至训练好的附加边信息增强图嵌入算法模型，输出与目标商品相关联的商品的信息；附加边信息增强图嵌入算法模型的商品图的边信息包含商品的图片特征和文本特征；将与目标商品相关联的商品的信息推送给用户。本发明专利技术提供的信息推送方法、装置及电子设备，将商品的图片特征、文本特征、历史购买特征以及价格进行特征融合生成特征向量，通过训练好的附加边信息增强图嵌入算法模型在商品特征集中搜索与该特征向量相近的特征向量，按照邻近程度进行排序，能够准确地帮用户找到自己感兴趣的商品。用户找到自己感兴趣的商品。用户找到自己感兴趣的商品。

【技术实现步骤摘要】
信息推送方法、装置及电子设备


[0001]本专利技术涉及计算机
，具体涉及一种信息推送方法、装置及电子设备。

技术介绍

[0002]电商行业的快速发展推动了一种新的消费场景出现：用户在找到自己感兴趣的商品后，希望能够更多地浏览相关或者同类型的商品，便于货比三家，买到更合适的商品。若能准确为用户进行相关商品推荐，则可以促进交易的达成。
[0003]目前，常用的关联推荐方法有以下几种：
[0004]1、基于协同过滤。常用的为基于用户的协同过滤方法，该方法给用户推荐那些与他们有相似历史行为的用户所购买的商品。在数据集规模较大的条件下，准确率较高。但计算时长也将随着数据规模的增大而增长。
[0005]2、基于矩阵分解。该方法对用户商品矩阵进行分解，得到用户以及商品的隐向量。为用户推荐与之浏览商品在隐向量空间内相近的商品。
[0006]3、基于内容的推荐。如商品品牌、价格、类别，建立商品信息之间内在内容的联系，将关联商品推荐给用户。
[0007]现有的商品推荐策略不能准确地帮用户找到自己感兴趣的商品，无法为用户提供更贴合于用户实际需求的商品推荐。

技术实现思路

[0008]本专利技术提供一种信息推送方法、装置及电子设备，用以解决现有的商品推荐结果不准确的技术问题。
[0009]第一方面，本专利技术提供一种信息推送方法，包括：
[0010]获取目标商品的图片特征、文本特征、历史购买特征以及价格；并根据所述目标商品的图片特征、文本特征、历史购买特征以及价格生成所述目标商品的特征向量；
[0011]将所述目标商品的图片特征、文本特征、历史购买特征以及价格输入至训练好的附加边信息增强图嵌入算法模型，输出与所述目标商品相关联的商品的信息；所述附加边信息增强图嵌入算法模型的商品图的边信息包含商品的图片特征和文本特征；
[0012]将与所述目标商品相关联的商品的信息推送给用户。
[0013]可选地，还包括：
[0014]获取预设时间窗口内所有用户的购买行为序列；
[0015]根据预设时间窗口内所有用户的购买行为序列构建商品图；；所述商品图的结点表示商品，所述商品图的有向边表示用户购买有向边两端商品的先后顺序；所述商品图的有向边的权重表示用户购买有向边两端商品的次数
[0016]随机选择起始结点，在所述商品图上进行随机游走，重新产生新的商品序列，随机游走的跳转概率与有向边的权重呈正相关；
[0017]根据得到的新的商品序列的独热编码、商品的图片特征、商品的文本特征以及商
品的价格生成商品的特征向量，利用商量的特征向量对Item2Vec模型进行训练，得到训练好的附加边信息增强图嵌入算法模型。
[0018]可选地，所述获取目标商品的图片特征，包括：
[0019]将所述目标商品的图片输入至训练好的卷积神经网络，输出所述目标商品的图片特征；
[0020]所述训练好的卷积神经网络是使用公开数据集进行训练后得到的。
[0021]可选地，所述卷积神经网络为VGG
‑
16网络。
[0022]可选地，所述目标商品的图片特征包括以下至少一项：
[0023]图片颜色；
[0024]图片纹理。
[0025]可选地，所述获取目标商品的文本特征，包括：
[0026]将目标商品的描述文本输入至BERT网络，输出所述目标商品的文本特征。
[0027]可选地，所述目标商品的文本特征包括以下至少一项：
[0028]商品名称；
[0029]商品简介；
[0030]商品功能；
[0031]商品原理；
[0032]商品的使用方法；
[0033]商品的注意事项。
[0034]第二方面，本专利技术提供一种信息推送装置，包括：
[0035]获取模块，用于获取目标商品的图片特征、文本特征、历史购买特征以及价格；并根据所述目标商品的图片特征、文本特征、历史购买特征以及价格生成所述目标商品的特征向量；
[0036]处理模块，用于将所述目标商品的特征向量输入至训练好的附加边信息增强图嵌入算法模型，输出与所述目标商品相关联的商品的信息；所述附加边信息增强图嵌入算法模型的商品图的边信息包含商品的图片特征和文本特征；
[0037]推送模块，用于将与所述目标商品相关联的商品的信息推送给用户。
[0038]第三方面，本专利技术提供一种电子设备，包括存储器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述信息推送方法的步骤。
[0039]第四方面，本专利技术提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行第一方面所述信息推送方法的步骤。
[0040]本专利技术提供的信息推送方法、装置及电子设备，将商品的图片特征、文本特征、历史购买特征以及价格进行特征融合生成特征向量，通过训练好的附加边信息增强图嵌入算法模型在商品特征集中搜索与该特征向量相近的特征向量，按照邻近程度进行排序，能够准确地帮用户找到自己感兴趣的商品，为用户提供更贴合于用户实际需求的商品推荐。
附图说明
[0041]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术
描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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。
[0042]图1是本专利技术提供的信息推送方法的流程示意图；
[0043]图2是本专利技术提供的基于多特征融合的深度学习推荐原理示意图；
[0044]图3是本专利技术提供的信息推送装置的结构示意图；
[0045]图4是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0046]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0047]现有的商品推荐策略通常只考虑基于用户历史行为的信息，如协同过滤、矩阵分解，或者基于商品品牌、价格等信息。这些方法忽略了两个关键的特征：
[0048]1、商品的展示图片。大量的数据表明，用户在挑选衣服或者杯子等商品时，更倾向于选择某种风格或颜色的商品。
[0049]2、商品的文本描述特征。商品的文本描述对消费者购买行为也起到了至关重要的影响。
[0050]因此，现有的商品推荐策略不能准确地帮用户找到自己感兴趣的商品，无法为用户提供更贴合于用户实际需求的商品推荐。
[0051]为解决上述技术问题，本申请实施例基于多特征融合的深度学习信息推送方法，除考虑商品的历史购买特征以及商品价本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息推送方法，其特征在于，包括：获取目标商品的图片特征、文本特征、历史购买特征以及价格；并根据所述目标商品的图片特征、文本特征、历史购买特征以及价格生成所述目标商品的特征向量；将所述目标商品的特征向量输入至训练好的附加边信息增强图嵌入算法模型，输出与所述目标商品相关联的商品的信息；所述附加边信息增强图嵌入算法模型的商品图的边信息包含商品的图片特征和文本特征；将与所述目标商品相关联的商品的信息推送给用户。2.根据权利要求1所述的信息推送方法，其特征在于，还包括：获取预设时间窗口内所有用户的购买行为序列；根据预设时间窗口内所有用户的购买行为序列构建商品图；所述商品图的结点表示商品，所述商品图的有向边表示用户购买有向边两端商品的先后顺序；所述商品图的有向边的权重表示用户购买有向边两端商品的次数；随机选择起始结点，在所述商品图上进行随机游走，重新产生新的商品序列，随机游走的跳转概率与有向边的权重呈正相关；根据得到的新的商品序列的独热编码、商品的图片特征、商品的文本特征以及商品的价格生成商品的特征向量，利用商量的特征向量对Item2Vec模型进行训练，得到训练好的附加边信息增强图嵌入算法模型。3.根据权利要求1所述的信息推送方法，其特征在于，所述获取目标商品的图片特征，包括：将所述目标商品的图片输入至训练好的卷积神经网络，输出所述目标商品的图片特征；所述训练好的卷积神经网络是使用公开数据集进行训练后得到的。4.根据权利要求3所述的信息推送方法，其特征在...

【专利技术属性】
技术研发人员：邓巧玲，高丽，陈婷，马振，
申请(专利权)人：中移电子商务有限公司中国移动通信集团有限公司，
类型：发明
国别省市：