商家推荐方法、装置、电子设备及可读存储介质与流程

本公开涉及机器学习技术领域，具体涉及一种商家推荐方法、装置、电子设备及可读存储介质。

背景技术：

随着互联网以及机器学习技术的快速发展，越来越多的电子商务平台等通过推荐系统给用户推荐满足其需求的个性化推荐商家。而推荐系统一般会针对当前用户，对各个备选商家进行排序，以确定最终的推荐商家。

目前在机器学习模型推荐场景中的应用已经取得了一定效果，例如fnn(feedforwardneuralnetwork，前馈神经网络)、rnn(recurrentneuralnetwork，循环神经网络)和dnn(deepneuralnetworks，深度神经网络)网络上取得了一定的效果。目前业内也有将序列信息加入到xgb(extremegradientboosting，极端梯度提升)和dnn中进行推荐的方法，但是需要单独训练rnn然后将rnn学习到的特征输入到dnn中，而在分别单独训练机器学习模型时两个模型的训练坐标系可能不一样，从而容易导致学习到的用户序列信息在机器学习模型中训练无效，进而影响推荐结果准确性。由此可见，现有推荐方案仍然存在推荐结果准确性欠佳的问题。

技术实现要素：

本公开提供一种商家推荐方法、装置、电子设备及可读存储介质，以部分或全部解决现有技术中商家推荐过程相关的上述问题。

依据本公开第一方面，提供了一种商家推荐方法，包括：

获取目标用户的点击序列信息；

根据所述点击序列信息，通过预设的推荐模型，获取每个备选商家的推荐评分；

基于所述备选商家的推荐评分，获取所述目标用户的目标推荐商家并推送至所述目标用户；

其中，所述推荐模型为通过对双层循环神经网络模型和深度神经网络模型进行联合训练后得到的组合模型，所述双层循环神经网络模型包括第一层级循环神经网络模型和第二层级循环神经网络模型，且所述第二层级循环神经网络模型的输入数据包括所述第一层级循环神经网络模型的输出数据。

根据本公开的第二方面，提供了一种商家推荐装置，包括：

点击序列信息获取模块，用于获取目标用户的点击序列信息；

推荐评分获取模块，用于根据所述点击序列信息，通过预设的推荐模型，获取每个备选商家的推荐评分；

目标推荐商家获取模块，用于基于所述备选商家的推荐评分，获取所述目标用户的目标推荐商家并推送至所述目标用户；

其中，所述推荐模型为通过对双层循环神经网络模型和深度神经网络模型进行联合训练后得到的组合模型，所述双层循环神经网络模型包括第一层级循环神经网络模型和第二层级循环神经网络模型，且所述第二层级循环神经网络模型的输入数据包括所述第一层级循环神经网络模型的输出数据。

根据本公开的第三方面，提供了一种电子设备，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现前述的商家推荐方法。

根据本公开的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述的商家推荐方法。

根据本公开的商家推荐方法，可以获取目标用户的点击序列信息；根据所述点击序列信息，通过预设的推荐模型，获取每个备选商家的推荐评分；基于所述备选商家的推荐评分，获取所述目标用户的目标推荐商家并推送至所述目标用户；其中，所述推荐模型为通过对双层循环神经网络模型和深度神经网络模型进行联合训练后得到的组合模型，所述双层循环神经网络模型包括第一层级循环神经网络模型和第二层级循环神经网络模型，且所述第二层级循环神经网络模型的输入数据包括所述第一层级循环神经网络模型的输出数据。由此解决了现有的推荐方法的准确性欠佳的技术问题。取得了提高推荐商家的准确性的有益效果。

上述说明仅是本公开技术方案的概述，为了能够更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为了让本公开的上述和其它目的、特征和优点能够更明显易懂，以下特举本公开的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本公开的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本公开一个实施例的一种商家推荐方法的步骤流程图；

图2示出了根据本公开一个实施例的另一种商家推荐方法的步骤流程图；

图3示出了根据本公开一个实施例的一种点击序列信息的示意图；

图4示出了根据本公开一个实施例的一种商家推荐装置的结构示意图；以及

图5示出了根据本公开一个实施例的另一种商家推荐装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一

详细介绍本公开实施例提供的一种推荐方法。

参照图1，示出了本公开实施例中一种推荐方法的步骤流程图。

步骤110，获取目标用户的点击序列信息。

在本公开实施例中，为了能够向目标用户推荐满足其当前状态的目标推荐商家，则需要获取用以确定目标推荐商家的相关参考信息。而且在实际应用中，用户在历史时间内的通过点击等方式浏览的商家可以在一定程度上反映其当前的需求。因此，在本公开实施例中，可以获取目标用户的点击序列信息作为确定其目标推荐商家的参考信息。

其中，点击序列信息可以包括目标用户在预设时间段内通过点击等方式所浏览的各个商家的特征信息、相应目标用户的用户信息、用户与各个商家的交互信息等等，点击序列信息中可以包括描述用户，商家，上下文，以及用户和商家交互关系的特征。具体的点击序列信息中包含的内容，以及点击序列信息中的数据排列方式等都可以根据需求进行预先设置，对此本公开实施例不加以限定。

步骤120，根据所述点击序列信息，通过预设的推荐模型，获取每个备选商家的推荐评分；其中，所述推荐模型为通过对双层循环神经网络模型和深度神经网络模型进行联合训练后得到的组合模型，所述双层循环神经网络模型包括第一层级循环神经网络模型和第二层级循环神经网络模型，且所述第二层级循环神经网络模型的输入数据包括所述第一层级循环神经网络模型的输出数据。

在获取得到目标用户的点击序列信息之后，则可以通过预设的推荐模型，获取各个备选商家的推荐评分。其中的备选商家所具体包含的内容可以根据需求进行预先设置，对此本公开实施例不加以限定。

而且在获取得到各个备选商家的推荐评分时，输入推荐模型的参数可以包括点击序列信息和各个备选商家的属性信息。其中属性信息具体所包含的内容也可以根据需求进行预先设置，对此本公开实施例不加以限定。

例如，在外卖商家推荐场景中，可以设置属性信息中包括7个离散特征和119个连续特征。相应的目标用户的点击序列信息中也可以包括目标用户在预设时间段内所点击外卖商家的7个离散特征和119个连续特征，以及相应外卖商家的菜品序列，等等。

进而则可以根据目标用户的点击序列信息和各个备选商家的属性信息，通过预设的推荐模型，获取各个备选商家的推荐评分。

其中的推荐模型是通过对双层循环神经网络(recurrentneuralnetworks，rnn)模型和深度神经网络(deepneuralnetwork，dnn)模型进行联合训练后得到的组合模型。深度神经网络，从字面上理解就是深层次的神经网络。

循环神经网络是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络。循环神经网络具有记忆性、参数共享并且图灵完备(turingcompleteness)，因此能以很高的效率对序列的非线性特征进行学习。rnn模型可以包括多种类型，例如lstm(longshorttermmemory，长短期记忆)网络模型、gru网络模型、双向rnn模型，等等。

双层循环神经网络模型则可以理解为由两个循环神经网络模型构建而成的神经网络模型，例如假设双层循环神经网络模型中包含第一层级循环神经网络模型和第二层级循环神经网络模型，且所述第二层级循环神经网络模型的输入数据包括所述第一层级循环神经网络模型的输出数据。此时，可以设置第一层级循环神经网络模型的输入端作为相应双层循环神经网络模型的输入端，第一层级循环神经网络模型的输出端与第二层级循环神经网络模型的输入端连接，第二层级循环神经网络模型的输出端作为相应双层循环神经网络模型的输出端。

深度神经网络，从字面上理解就是深层次的神经网络。在这许多领域中，dnn能够超越人类的准确率。而dnn的出众表现源于它能使用统计学习方法从原始感官数据中提取高层特征，在大量的数据中获得输入空间的有效表征。dnn模型可以包括深度卷积神经网络模型、fnn(feedforwardneuralnetwork，前馈神经网络)模型，等等。

在本公开实施例中，由于目标用户的点击序列信息可以为序列形式，因此可以设置推荐模型为双层rnn模型和dnn模型的组合。而且，推荐模型中可以包括由两个rnn模型构成的双层rnn模型，和至少一个dnn模型，具体的可以根据需求进行预先设置，而且各个rnn模型的具体类型以及dnn模型的具体数量和各个dnn模型的具体类型都可以根据需求进行预先设置，对此本公开实施例均不加以限定。

而且，此时在对推荐模型进行训练时，可以通过对双层循环神经网络模型和深度神经网络模型进行联合训练后得到的组合模型作为推荐模型。

步骤130，基于所述备选商家的推荐评分，获取所述目标用户的目标推荐商家并推送至所述目标用户。

在获取得到各个备选商家的推荐评分之后，则可以根据备选商家的推荐评分，获取所述目标用户的目标推荐商家并推送至所述目标用户。其中，在本公开实施例中，可以设置推荐评分越高则相应的备选商家与目标用户的匹配程度越高，那么此时可以根据需求设置一推荐评分临界值，进而获取推荐评分大于等于该推荐评分临界值的备选商家作为目标用户的目标推荐商家，进而则可以将目标推荐商家推送至目标用户；或者，如果设置推荐评分越高则相应的备选商家与目标用户的匹配程度越低，那么则可以获取推荐评分小于等于该推荐评分临界值的备选商家作为目标用户的目标推荐商家，进而则可以将目标推荐商家推送至目标用户。

其中，可以采用任何可用方式将目标推荐商家发送至目标用户，而且，将目标推荐商家发送至目标用户的具体方式也可以根据需求进行预先设置，对此本公开实施例均不加以限定。

例如，对于外卖平台而言，如果目标推荐商家是某一外卖商家，那么则可以将相应外卖商家的电子名片等发送至目标用户，如果目标用户点击该电子名片，则可以跳转至相应的外卖商家。

在本公开实施例中，通过获取目标用户的点击序列信息；根据所述点击序列信息，通过预设的推荐模型，获取每个备选商家的推荐评分；基于所述备选商家的推荐评分，获取所述目标用户的目标推荐商家并推送至所述目标用户；其中，所述推荐模型为通过对双层循环神经网络模型和深度神经网络模型进行联合训练后得到的组合模型，所述双层循环神经网络模型包括第一层级循环神经网络模型和第二层级循环神经网络模型，且所述第二层级循环神经网络模型的输入数据包括所述第一层级循环神经网络模型的输出数据。取得了提高推荐商家准确性的有益效果。

实施例二

详细介绍本公开实施例提供的一种推荐方法。

参照图2，示出了本公开实施例中一种推荐方法的步骤流程图。

步骤210，获取所述目标用户在预设时间段内点击商家的特征信息，并基于所述特征信息构建所述目标用户的点击序列信息。

如前述，在本公开实施例中，是基于目标用户的点击序列特征获取各个备选商家的推荐评分，因此点击序列信息的获取至关重要。在本公开实施例中，为了提高点击序列信息的准确性和完备性，可以目标用户在预设时间段内点击商家的特征信息，并基于所述特征信息构建所述目标用户的点击序列信息。

其中，特征信息所包含的具体内容可以根据需求进行预先设置，对此本公开实施例不加以限定。例如，对于外卖商家推荐场景而言，此时的点击商家可以为外卖商家，可以设置特征信息包含但不限于外卖商家的商家特征、菜品特征、用户商家交叉特征、目标用户的用户特征、在相应外卖商家有消费记录的其他用户的用户特征，等等。其中的商家特征又可以包括但不限于商家名称、商家所属类别、商家位置、商家的销售量、商家的评价、商家的人均消费水平，等等；菜品特征又可以包括但不限于菜品名称、菜品价格、菜品数量、菜品销量、菜品评价，等等；用户特征又可以包括但不限于用户性别、职业、年龄、消费倾向、实时位置，等等；用户商家交叉特征则可以包括用户针对相应商家的操作记录，相应商家针对用户操作的反馈，等等。

而且，在点击序列信息中各个特征信息的排列顺序也可以根据需求进行预先设置，对此本公开实施例不加以限定。为了提高模型准确性，针对同一推荐模型，可以设置其对应的点击序列信息中各个特征信息的排列顺序是一致的，当然如果有需要也可以设置为不一致，对此本公开实施例不加以限定。

例如，假设对于外卖场景中，针对每个点击商家可以提取出7个离散特征和119个连续特征，另外还可以提取得到每个点击商家的菜品序列，那么如果设置在点击序列信息中针对每个点击商家的特征信息的排列顺序为菜品序列+离散特征+连续特征，那么则可以得到如图3所示的点击序列信息。

可选地，在本公开实施例中，所述点击序列信息包括第一特征序列和第二特征序列；所述第一特征序列中包括菜品特征，所述第二特征序列中包括商家特征、用户特征和用户商家交叉特征中的至少一种。

其中的预设时间段可以根据需求进行预先设置，对此本公开实施例不加以限定。例如，根据不同的业务需求，可以选择不同时间段内的点击商家的特征信息，如可以选择当天点击商家的特征信息，也可以选择目标用户从当前时刻之前一个月内的所有点击商家的特征信息，等等。

在实际应用中，在普通电商环境下，只有单纯的推荐商品的需求。而在外卖场景下，对商家的描述可以直接从商家角度考虑，也可以从菜品角度描述商家，所以在本公开实施例中，为了方便基于菜品特征描述相应的商家，可以将菜品特征从点击序列信息中拆分出来进行单独学习。那么此时可以设置点击序列信息包括第一特征序列和第二特征序列，而且所述第一特征序列中包括菜品特征，所述第二特征序列中包括商家特征、用户特征和用户商家交叉特征中的至少一种。

步骤220，根据预设的训练样本数据，联合训练由所述双层循环神经网络模型和所述深度神经网络模型组合得到的推荐模型；其中，在每次训练过程中，所述双层循环神经网络模型的输入数据包括所述训练样本数据中的样本序列信息，所述深度神经网络模型的输入数据包括所述双层循环神经网络模型的输出数据，所述样本序列信息对应的样本商家的特征序列，以及所述样本商家对应的标签值。

为了能够使用推荐模型获取各个备选商家的推荐评分，则需要先训练相应的推荐模型，具体的可以根据预设的训练样本数据，联合训练由所述双层循环神经网络模型和所述深度神经网络模型组合得到的推荐模型。

其中，每条训练样本数据中可以包括一个样本用户历史点击商家的样本序列信息，相应样本用户对应的样本商家的特征序列，以及相应样本用户针对相应样本商家的标签值。在不同的业务场景中该标签值表示的意义不一样，如在预测ctr(click-through-rate，点击通过率)的场景中该标签值就表示点击与否。在预测cvr(conversionrate，转化率)场景中该标签值就表示是否购买。一般而言，如果执行了点击或购买操作，则可以设置相应的标签值为1，否则可以设置相应的标签值为0。样本序列信息则可以参考上述的点击序列信息，在此不加以赘述。

而且，为了提高推荐模型的准确性，训练样本数据中需要包括正负样本数据，在每条正训练样本数据中，相应样本商家为相应样本用户最终选定的商家，那么此时相应样本商家的标签值可以为1；而在每条负训练样本数据中，相应样本商家可以为任意一个相应样本用户未最终选定的商家，那么此时相应样本商家的标签值可以为0。

那么在利用每条训练样本数据对推荐模型进行联合训练的过程中，双层循环神经网络模型的输入数据包括所述训练样本数据中的样本序列信息，所述深度神经网络模型的输入数据包括所述双层循环神经网络模型的输出数据，所述样本序列信息对应的样本商家的特征序列，以及所述样本商家的标签值。

步骤230，将所述点击序列信息输入所述双层循环神经网络模型，并获取所述双层循环神经网络模型的输出向量。

可选地，在本公开实施例中，所述步骤230进一步可以包括：

子步骤231，将所述第一特征序列输入所述第一层级循环神经网络模型，并获取所述第一层级循环神经网络模型的第一输出向量；

子步骤232，将所述第一输出向量和所述第二特征序列输入所述第二层级循环神经网络模型，并获取所述第二层级循环神经网络模型的第二输出向量，作为所述双层循环神经网络模型的输出向量。

如前述，在普通电商环境下，只有单纯的推荐商品需求，而在外卖场景下对商家的描述可以直接从商家角度考虑，也可以从菜品角度描述商家，所以在本公开实施例中，设计了用于描述商家菜品的rnn模型，因此在本公开实施例中的双层循环神经网络模型包括第一层级循环神经网络模型和第二层级循环神经网络模型。

那么此时则可以将包括菜品特征的第一特征序列输入第一层级循环神经网络模型，并获取所述第一层级循环神经网络模型的第一输出向量，进而将所述第一输出向量和所述第二特征序列输入第二层级循环神经网络模型，并获取所述第二层级循环神经网络模型的第二输出向量，作为所述双层循环神经网络模型的输出向量。而且，在将第一特征序列输入到第一层级rnn模型中时，可以按照相应菜品的点击率由低到高的顺序将菜品特征输入到第一层级rnn模型中，从而使得点击率高的菜品更能表示相应商家的特色。当然也可以按照其他顺序输入菜品特征，具体的可以根据需求进行预先设置，对此本公开实施例不加以限定。

可选地，在本公开实施例中，所述第一层级循环神经网络模型和所述第二层级循环神经网络模型均可以包括但不限于动态长短期记忆网络模型(bucketinglstm/dynamiclstm)。而且，如果第一层级循环神经网络模型和所述第二层级循环神经网络模型均为lstm模型，那么前述的双层循环神经网络模型也可以称为双层动态lstm模型。

在实际应用中，rnn模型其负责处理每条训练样本数据中的样本序列信息，而样本序列信息中包含的特征序列的长度是可以变化的，那么对于一般的rnn模型而言，其输入端口是固定的，那么如果样本序列信息对应的特征序列的长度与rnn模型的输入端口长度不匹配时，尤其是特征序列的长度小于rnn模型的输入端口长度时，则会针对相应的特征序列进行补零，既增加了资源的占用，又因为引入了噪声容易使推荐模型的精度降低。

因此，在本公开实施例中，可以设置第一层级循环神经网络模型和所述第二层级循环神经网络模型均包括动态长短期记忆网络模型。该dynamiclstm是可以根据输入序列的长度自适应调整的。例如，如果输入的序列长度为5，也即在样本序列信息中包含5个点击商家的特征序列，则dynamiclstm模型的输入端口就变为5个序列，以相应接收各个特征序列；而如果输入的是10个序列数据，dynamiclstm则会自适应变为10。

或者，也可以根据需求只设置第一层级循环神经网络模型和所述第二层级循环神经网络模型中的至少一个为动态lstm模型，对此本发明实施例不加以限定。

可选地，在本公开实施例中，所述子步骤232，进一步可以包括：

子步骤2321，基于预设的编码矩阵，以及所述第一输出向量和所述第二特征序列中的每个离散特征相对于所述编码矩阵的坐标，获取所述离散特征相对于所述编码矩阵的第一嵌入向量；

子步骤2322，根据每个离线特征的第一嵌入向量，以及所述第一输出向量和所述第二特征序列中的连续特征，获取所述第一输出向量和所述第二特征序列的第二嵌入向量；

子步骤2323，将所述第二嵌入向量输入所述第二层级循环神经网络模型，并获取所述第二层级循环神经网络模型的第二输出向量，作为所述双层循环神经网络模型的输出向量。

如前述，为了能够处理除了菜品特征序列之外的其它特征外，第二层级rnn模型还需要支持用户特征，用户商家交叉特征，商家特征的输入，所以针对第二层级rnn模型的输入数据进行转换，使其可满足现实业务需求。

具体的可以基于预设的编码矩阵，以及所述第一输出向量和所述第二特征序列中的每个离散特征相对于所述编码矩阵的坐标，获取所述离散特征相对于所述编码矩阵的第一嵌入向量，进而根据每个离线特征的第一嵌入向量，以及所述第一输出向量和所述第二特征序列中的连续特征，获取所述第一输出向量和所述第二特征序列的第二嵌入向量，最后将所述第二嵌入向量输入第二层级循环神经网络模型，并获取所述第二层级循环神经网络模型的第二输出向量，作为所述双层循环神经网络模型的输出向量。

其中的编码矩阵可以根据需求进行预先设置，对此本公开实施例不加以限定，而且每个离散特征相对于所述编码矩阵的坐标也可以根据需求进行预先设置，对此本公开实施例也不加以限定。

例如，如果某一离散特征对应于编码矩阵中的第i行第j列，那么则可以获取编码矩阵中的第i行向量，进而将针对各个离散特征提取出的行向量进行连接(concat)或者是取平均(average)等操作，从而得到获取所述离散特征相对于所述编码矩阵的第一嵌入向量。当然在本公开实施例中，如果某一离散特征对应于编码矩阵中的第i行第j列，也可以设置获取编码矩阵中的第就j列向量，以组建第一嵌入向量，具体的可以根据需求进行预先设置，对此本公开实施例不加以限定。

进一步地，根据每个离线特征的第一嵌入向量，以及所述第一输出向量和所述第二特征序列中的连续特征，获取所述第一输出向量和所述第二特征序列的第二嵌入向量。具体的可以将各个连续特征与离散特征对应的第一嵌入向量连接，从而得到第一输出向量和所述第二特征序列的第二嵌入向量。当然，根据每个离线特征的第一嵌入向量，以及所述第一输出向量和所述第二特征序列中的连续特征，获取第二嵌入向量的具体方式也可以根据需求进行预先设置，对此本公开实施例不加以限定。

或者，在本公开实施例中，也可以只针对第二特征序列中的每个离散特征相对于所述编码矩阵的坐标，获取所述离散特征相对于所述编码矩阵的第一嵌入向量；进而根据每个离线特征的第一嵌入向量，以及所述第二特征序列中的连续特征和所述第一输出向量，获取所述第一输出向量和所述第二特征序列的第二嵌入向量。此时只需针对针对第二特征序列中的每个离散特征相对于所述编码矩阵的坐标，获取所述离散特征相对于所述编码矩阵的第一嵌入向量，而不对第一输出向量进行操作。

步骤240，根据所述输出向量以及所述备选商家的特征信息，通过所述深度神经网络模型，获取每个所述备选商家的推荐评分。

步骤250，基于所述备选商家的推荐评分，获取所述目标用户的目标推荐商家并推送至所述目标用户。

在本公开实施例中，通过获取目标用户的点击序列信息；根据所述点击序列信息，通过预设的推荐模型，获取每个备选商家的推荐评分；基于所述备选商家的推荐评分，获取所述目标用户的目标推荐商家并推送至所述目标用户；其中，所述推荐模型为通过对双层循环神经网络模型和深度神经网络模型进行联合训练后得到的组合模型，所述双层循环神经网络模型包括第一层级循环神经网络模型和第二层级循环神经网络模型，且所述第二层级循环神经网络模型的输入数据包括所述第一层级循环神经网络模型的输出数据。取得了提高推荐商家准确性的有益效果。

而且，在本公开实施例中，还可以获取所述目标用户在预设时间段内点击商家的特征信息，并基于所述特征信息构建所述目标用户的点击序列信息。以及，将所述点击序列信息输入所述双层循环神经网络模型，并获取所述双层循环神经网络模型的输出向量；根据所述输出向量以及所述备选商家的特征信息，通过所述深度神经网络模型，获取每个所述备选商家的推荐评分。所述点击序列信息包括第一特征序列和第二特征序列；所述第一特征序列中包括菜品特征，所述第二特征序列中包括商家特征、用户特征和用户商家交叉特征中的至少一种。而且，将所述第一特征序列输入第一层级循环神经网络模型，并获取所述第一层级循环神经网络模型的第一输出向量；将所述第一输出向量和所述第二特征序列输入第二层级循环神经网络模型，并获取所述第二层级循环神经网络模型的第二输出向量，作为所述双层循环神经网络模型的输出向量。基于预设的编码矩阵，以及所述第一输出向量和所述第二特征序列中的每个离散特征相对于所述编码矩阵的坐标，获取所述离散特征相对于所述编码矩阵的第一嵌入向量；根据每个离线特征的第一嵌入向量，以及所述第一输出向量和所述第二特征序列中的连续特征，获取所述第一输出向量和所述第二特征序列的第二嵌入向量；将所述第二嵌入向量输入第二层级循环神经网络模型，并获取所述第二层级循环神经网络模型的第二输出向量，作为所述双层循环神经网络模型的输出向量。从而可以进一步提高推荐结果的准确性。

另外，在本公开实施例中，根据预设的训练样本数据，联合训练由所述双层循环神经网络模型和所述深度神经网络模型组合得到的推荐模型；其中，在每次训练过程中，所述双层循环神经网络模型的输入数据包括所述训练样本数据中的样本序列信息，所述深度神经网络模型的输入数据包括所述双层循环神经网络模型的输出数据，所述样本序列信息对应的样本商家的特征序列，以及所述样本商家的标签值。所述第一循环神经网络模型和所述第二循环神经网络模型均包括动态长短期记忆网络模型。同样可以进一步提高推荐模型的准确性。

对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开实施例并不受所描述的动作顺序的限制，因为依据本公开实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本公开实施例所必须的。

实施例三

详细介绍本公开实施例提供的一种商家推荐装置。

参照图4，示出了本公开实施例中一种商家推荐装置的结构示意图。

点击序列信息获取模块310，用于获取目标用户的点击序列信息。

推荐评分获取模块320，用于根据所述点击序列信息，通过预设的推荐模型，获取每个备选商家的推荐评分；其中，所述推荐模型为通过对双层循环神经网络模型和深度神经网络模型进行联合训练后得到的组合模型，所述双层循环神经网络模型包括第一层级循环神经网络模型和第二层级循环神经网络模型，且所述第二层级循环神经网络模型的输入数据包括所述第一层级循环神经网络模型的输出数据。

目标推荐商家获取模块330，用于基于所述备选商家的推荐评分，获取所述目标用户的目标推荐商家并推送至所述目标用户。

在本公开实施例中，通过获取目标用户的点击序列信息；根据所述点击序列信息，通过预设的推荐模型，获取每个备选商家的推荐评分；基于所述备选商家的推荐评分，获取所述目标用户的目标推荐商家并推送至所述目标用户；其中，所述推荐模型为通过对双层循环神经网络模型和深度神经网络模型进行联合训练后得到的组合模型，所述双层循环神经网络模型包括第一层级循环神经网络模型和第二层级循环神经网络模型，且所述第二层级循环神经网络模型的输入数据包括所述第一层级循环神经网络模型的输出数据。取得了提高推荐商家准确性的有益效果。

实施例四

详细介绍本公开实施例提供的一种商家推荐装置。

参照图5，示出了本公开实施例中一种商家推荐装置的结构示意图。

点击序列信息获取模块410，用于获取目标用户的点击序列信息。

可选地，在本公开实施例中，所述点击序列信息获取模块410，进一步可以包括：

点击序列信息获取子模块411，用于获取所述目标用户在预设时间段内点击商家的特征信息，并基于所述特征信息构建所述目标用户的点击序列信息。

推荐模型训练模块420，用于根据预设的训练样本数据，联合训练由所述双层循环神经网络模型和所述深度神经网络模型组合得到的推荐模型；其中，在每次训练过程中，所述双层循环神经网络模型的输入数据包括所述训练样本数据中的样本序列信息，所述深度神经网络模型的输入数据包括所述双层循环神经网络模型的输出数据，所述样本序列信息对应的样本商家的特征序列，以及所述样本商家的标签值。

推荐评分获取模块430，用于根据所述点击序列信息，通过预设的推荐模型，获取每个备选商家的推荐评分；其中，所述推荐模型为通过对双层循环神经网络模型和深度神经网络模型进行联合训练后得到的组合模型，所述双层循环神经网络模型包括第一层级循环神经网络模型和第二层级循环神经网络模型，且所述第二层级循环神经网络模型的输入数据包括所述第一层级循环神经网络模型的输出数据。

可选地，在本公开实施例中，所述点击序列信息包括第一特征序列和第二特征序列；所述第一特征序列中包括菜品特征，所述第二特征序列中包括商家特征、用户特征和用户商家交叉特征中的至少一种。

可选地，在本公开实施例中，所述推荐评分获取模块430，进一步可以包括：

第一输入子模块431，用于将所述点击序列信息输入所述双层循环神经网络模型，并获取所述双层循环神经网络模型的输出向量；

可选地，在本公开实施例中，所述第一输入子模块431，进一步可以包括：

第一特征序列输入单元，用于将所述第一特征序列输入所述第一层级循环神经网络模型，并获取所述第一层级循环神经网络模型的第一输出向量；

第二特征序列输入单元，用于将所述第一输出向量和所述第二特征序列输入所述第二层级循环神经网络模型，并获取所述第二层级循环神经网络模型的第二输出向量，作为所述双层循环神经网络模型的输出向量。

可选地，在本公开实施例中，所述第一层级循环神经网络模型和所述第二层级循环神经网络模型均包括动态长短期记忆网络模型。

可选地，在本公开实施例中，所述第二特征序列输入单元，进一步可以包括：

第一嵌入向量获取子单元，用于基于预设的编码矩阵，以及所述第一输出向量和所述第二特征序列中的每个离散特征相对于所述编码矩阵的坐标，获取所述离散特征相对于所述编码矩阵的第一嵌入向量；

第二嵌入向量获取子单元，用于根据每个离线特征的第一嵌入向量，以及所述第一输出向量和所述第二特征序列中的连续特征，获取所述第一输出向量和所述第二特征序列的第二嵌入向量；

输出向量获取子单元，用于将所述第二嵌入向量输入第二层级循环神经网络模型，并获取所述第二层级循环神经网络模型的第二输出向量，作为所述双层循环神经网络模型的输出向量。

推荐评分获取子模块432，用于根据所述输出向量以及所述备选商家的特征信息，通过所述深度神经网络模型，获取每个所述备选商家的推荐评分。

目标推荐商家获取模块440，用于基于所述备选商家的推荐评分，获取所述目标用户的目标推荐商家并推送至所述目标用户。

在本公开实施例中，通过获取目标用户的点击序列信息；根据所述点击序列信息，通过预设的推荐模型，获取每个备选商家的推荐评分；基于所述备选商家的推荐评分，获取所述目标用户的目标推荐商家并推送至所述目标用户；其中，所述推荐模型为通过对双层循环神经网络模型和深度神经网络模型进行联合训练后得到的组合模型，所述双层循环神经网络模型包括第一层级循环神经网络模型和第二层级循环神经网络模型，且所述第二层级循环神经网络模型的输入数据包括所述第一层级循环神经网络模型的输出数据。取得了提高推荐商家准确性的有益效果。

而且，在本公开实施例中，还可以获取所述目标用户在预设时间段内点击商家的特征信息，并基于所述特征信息构建所述目标用户的点击序列信息。以及，将所述点击序列信息输入所述双层循环神经网络模型，并获取所述双层循环神经网络模型的输出向量；根据所述输出向量以及所述备选商家的特征信息，通过所述深度神经网络模型，获取每个所述备选商家的推荐评分。所述点击序列信息包括第一特征序列和第二特征序列；所述第一特征序列中包括菜品特征，所述第二特征序列中包括商家特征、用户特征和用户商家交叉特征中的至少一种。而且，将所述第一特征序列输入第一层级循环神经网络模型，并获取所述第一层级循环神经网络模型的第一输出向量；将所述第一输出向量和所述第二特征序列输入第二层级循环神经网络模型，并获取所述第二层级循环神经网络模型的第二输出向量，作为所述双层循环神经网络模型的输出向量。基于预设的编码矩阵，以及所述第一输出向量和所述第二特征序列中的每个离散特征相对于所述编码矩阵的坐标，获取所述离散特征相对于所述编码矩阵的第一嵌入向量；根据每个离线特征的第一嵌入向量，以及所述第一输出向量和所述第二特征序列中的连续特征，获取所述第一输出向量和所述第二特征序列的第二嵌入向量；将所述第二嵌入向量输入第二层级循环神经网络模型，并获取所述第二层级循环神经网络模型的第二输出向量，作为所述双层循环神经网络模型的输出向量。从而可以进一步提高推荐结果的准确性。

另外，在本公开实施例中，根据预设的训练样本数据，联合训练由所述双层循环神经网络模型和所述深度神经网络模型组合得到的推荐模型；其中，在每次训练过程中，所述双层循环神经网络模型的输入数据包括所述训练样本数据中的样本序列信息，所述深度神经网络模型的输入数据包括所述双层循环神经网络模型的输出数据，所述样本序列信息对应的样本商家的特征序列，以及所述样本商家的标签值。所述双层循环神经网络模型包括动态长短期记忆网络模型。同样可以进一步提高推荐模型的准确性。

本公开实施例中还公开了一种电子设备，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现前述的任意一种商家推荐方法。

本公开实施例中还公开了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述的任意一种商家推荐方法。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本公开也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的内容，并且上面对特定语言所做的描述是为了披露本公开的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本公开的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本公开实施例的商家推荐设备中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。