一种推荐方法、装置及电子设备与流程

1.本发明涉及推荐技术领域，尤其涉及一种推荐方法、装置及电子设备。


背景技术：

2.随着互联网行业的高速发展，网络购物和利用互联网进行信息传播的方式已经非常普遍，各种购物平台和信息传播平台，基于用户的行为记录等进行推荐的技术已经较为成熟。但是，目前的推荐方法中对商品的历史点击信息依赖程度非常高。由此，对于无相关选择记录的新上线商品的冷启动，其推荐质量下降严重。


技术实现要素：

3.本发明实施例提供一种推荐方法、装置及电子设备。
4.根据本发明第一方面，提供了一种推荐方法，所述方法包括：获取目标用户的历史选择对象和候选对象的对象信息；根据所述对象信息，确定与所述对象信息相对应的对象画像；根据所述历史选择对象的对象画像，确定所述目标用户的用户画像；根据所述用户画像和所述候选对象的对象画像，向所述目标用户推荐所述候选对象。
5.根据本发明一实施方式，所述根据所述对象信息，确定与所述对象信息相对应的对象画像，包括：对所述对象信息进行向量映射，得到多个分词向量；利用k核卷积模型，对所述多个分词向量进行特征提取，得到多个特征向量；对所述多个特征向量进行归一化处理，得到所述对象画像。
6.根据本发明一实施方式，所述利用卷积模型，对所述多个分词向量进行特征提取，得到多个特征向量，包括：对所述多个分词向量进行升维处理，得到高维向量；对所述高维向量进行通道归一化处理，得到通道输出向量；对所述通道输出向量进行空间归一化处理，得到所述多个特征向量。
7.根据本发明一实施方式，根据所述用户画像和所述候选对象的对象画像，向所述目标用户推荐所述候选对象，包括：根据所述用户画像和所述候选对象的对象画像，确定所述目标用户选择所述候选对象的概率；根据所述概率，向所述目标用户推荐所述候选对象。
8.根据本发明一实施方式，所述根据所述用户画像和所述候选对象的对象画像，确定所述目标用户选择所述候选对象的概率，包括：利用k核卷积模型，对所述用户画像进行特征提取，得到目标用户向量；利用k核卷积模型，对所述候选对象的对象画像进行特征提取，得到候选对象向量；对所述目标用户向量和所述候选对象向量进行内积操作，得到所述概率。
9.根据本发明一实施方式，在所述根据所述概率，向所述目标用户推荐所述候选对象之前，所述根据所述用户画像和所述候选对象的对象画像，向所述目标用户推荐所述候选对象，还包括：根据历史选择对象的对象画像，验证相应的历史选择对象的对象类别，得到验证结果；根据所述验证结果，调整所述概率。
10.根据本发明一实施方式，所述根据所述验证结果，调整所述概率，包括：根据所述
验证结果，确定对象画像相对应的历史选择对象的实际所属对象类别的验证概率；在所述验证概率小于设定值的情况下，根据设定比率，降低所述目标用户选择所述候选对象的概率。
11.根据本发明一实施方式，所述对象信息包括以下至少之一：对象标识、对象类别和对象属性。
12.根据本发明实施例第二方面，还提供了一种推荐装置，所述装置包括：获取模块，用于获取目标用户的历史选择对象和候选对象的对象信息；对象画像确定模块，用于根据所述对象信息，确定与所述对象信息相对应的对象画像；用户画像确定模块，用于根据所述历史选择对象的对象画像，确定所述目标用户的用户画像；推荐模块，用于根据所述用户画像和所述候选对象的对象画像，向所述目标用户推荐所述候选对象。
13.根据本发明第三方面，又提供了一种电子设备，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述推荐方法。
14.本发明实施例推荐方法、装置及电子设备，首先获取目标用户的历史选择对象和候选对象的对象信息，并根据所述对象信息，确定与所述对象信息相对应的对象画像，以及根据所述历史选择对象的对象画像，确定所述目标用户的用户画像，最后根据所述用户画像和所述候选对象的对象画像，向所述目标用户推荐所述候选对象。由此，能够根据用户的历史访问对象刻画用户画像，并结合候选的新对象的对象画像，判断用户选择新对象的可能性，据此向用户进行对象推荐。有效缓解了对于新对象的数据缺乏带来的冷启动问题，显著提高向用户推荐对象的合理性和针对性，从而有效提升用户体验。
15.需要理解的是，本发明的教导并不需要实现上面所述的全部有益效果，而是特定的技术方案可以实现特定的技术效果，并且本发明的其他实施方式还能够实现上面未提到的有益效果。
附图说明
16.通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
17.在附图中，相同或对应的标号表示相同或对应的部分。
18.图1示出了本发明实施例推荐方法的实现流程示意图一；
19.图2示出了本发明实施例推荐方法的实现流程示意图二；
20.图3示出了本发明实施例推荐方法的多任务k核卷积注意力模型的网络结构示意图；
21.图4示出了本发明实施例推荐方法的k核卷积模型的网络结构示意图；
22.图5示出了本发明实施例推荐装置的组成结构示意图；
23.图6示出了本发明实施例电子设备的组成结构示意图。
具体实施方式
24.下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为使本发明更加透彻和完整，并能够将本发明的范围完整地传达给本领域的技术人员。
25.下面结合附图和具体实施例对本发明的技术方案进一步详细阐述。
26.图1示出了本发明实施例推荐方法的实现流程示意图一。
27.参考图1，本发明实施例推荐方法，至少包括如下操作流程：操作101，获取目标用户的历史选择对象和候选对象的对象信息；操作102，根据对象信息，确定与对象信息相对应的对象画像；操作103，根据历史选择对象的对象画像，确定目标用户的用户画像；操作104，根据用户画像和候选对象的对象画像，向目标用户推荐候选对象。
28.在操作101，获取目标用户的历史选择对象和候选对象的对象信息。
29.在本发明这一实施例中，对象信息可以包括以下至少之一：对象标识、对象类别和对象属性。对象可以是实物商品，也可以是虚拟商品，还可以是网页浏览内容等任何适用于对用户进行推荐的对象。
30.在本发明这一实施例中，对象标识可以是“拯救者r70002020款156英寸游戏笔记本幻影黑”，相应的，对象类别是“笔记本
‑‑
拯救者系列”，对象属性为“内存容量：8gb；内存类型：ddr4；cpu：第三代amd处理器；cpu主频：3.0ghz；处理器：cpu r54600h；处理器核心数：六核”。
31.在本发明这一实施例中，目标用户的历史选择对象可以根据实际需求设定为包括用户的历史购买对象和历史浏览对象中的至少之一，还可以根据实际需求对用户的历史购买对象和历史浏览对象进行时间段等内容的限定。
32.在操作102，根据对象信息，确定与对象信息相对应的对象画像。
33.在本发明这一实施例中，确定对象画像，实质上是将对对象信息的多个信息进行向量化表示，并根据各个对象信息对用户选择该对象的影响因子，对各个对象信息进行加权的过程。本发明对确定对象信息相对应的对象画像的具体操作不做具体限定。
34.在操作103，根据历史选择对象的对象画像，确定目标用户的用户画像。
35.在本发明这一实施例中，根据历史选择对象的对象画像，确定目标用户的用户画像的过程，可以采用卷积神经网络算法对对象画像进行归一化处理得到。
36.在本发明这一实施例中，利用目标用户的历史选择对象的对象画像，确定目标用户的对象画像，从而在后续操作过程中根据用户画像和候选对象的对象画像，向目标用户推荐候选对象。有效避免了根据历史记录中选择某一候选对象的用户信息和目标用户的用户信息，判断目标用户选择该候选对象的概率过程，从而避免新的候选对象出现的冷启动情况下历史数据缺失的情况，有效提高对象推荐的准确性，显著提升用户体验。
37.在操作104，根据用户画像和候选对象的对象画像，向目标用户推荐候选对象。
38.在本发明这一实施例中，可以首先根据用户画像和候选对象的对象画像，确定目标用户选择候选对象的概率，然后，根据概率，向目标用户推荐候选对象。
39.在本发明这一实施例中，可以在该目标用户选择候选对象的概率大于设定概率的情况下，将相应的候选对象推荐至该目标用户。还可以将目标用户选择候选对象的概率进
行排序，然后根据目标用户选择候选对象的概率，对相应的候选对象进行排序，然后根据排序结果，将相应的候选对象推荐至该目标用户。这里“将相应的候选对象推荐至该目标用户”，可以是将相应的候选对象以列表等形式进行展示。可以将排序结果中位于第一位、第二位
……
第n位的候选对象，按照自上而下的顺序，向用户展示，或者按照自定义的第一优先级、第二优先级
……
第n优先级的位置进行展示。第一优先级的位置可以是浏览页面中占据视觉空间最大、最显眼的位置。还可以将排序结果中位于前设定次序的候选对象，在浏览页面中的第一优先级的位置轮流展示。本发明实施例对推荐方式不做具体限定。
40.图2示出了本发明实施例推荐方法的实现流程示意图二。
41.参考图2，本发明实施例推荐方法，至少包括如下操作流程：
42.操作201，获取目标用户的历史选择对象和候选对象的对象信息。
43.操作202，对对象信息进行向量映射，得到多个分词向量。
44.在本发明这一实施例中，可以采用word2vec模型，将对象信息中的映射为一组向量。word2vec，是一群用来产生词向量的相关模型，这些模型为浅而双层的神经网络，用来训练以重新建构语言学之词文本。word2vec模型可用来映射每个词到一个向量，可用来表示词对词之间的关系，该向量为神经网络之隐藏层。假设某一候选对象的对象信息中，对象内容包括“小新”这个词语，根据word2vec，可以确定“小新”的对应一组词向量“[0.01，0.03，....，0.25]"，这个词是可以提前使用word2vec预训练好的。这里可以将word2vecz认为是一个包括词和词向量的词典。
[0045]
操作203，利用k核卷积模型，对多个分词向量进行特征提取，得到多个特征向量。
[0046]
在本发明这一实施例中，k核卷积模型是在cbm模块(convolutional blockattention module，卷积注意力模块)的基础上进行了进一步优化。k核卷积模型包括spatial attention(空间注意模块)和channel attention module(通道注意模块)，k为spatial attention(空间注意模块)融合avg pool(平均池)和max pool (最大池)的信息时采用的卷积核大小。
[0047]
在本发明这一实施例中，cbm模块将spatial attention和channel attentionmodule尺度上融合成一个模块，对多个分词向量进行特征提取，有效增强的特征提取的精确度。
[0048]
在本发明这一实施例中，可以采用以下操作实现对多个分词向量进行特征提取，得到多个特征向量：对多个分词向量进行升维处理，得到高维向量；对高维向量进行通道归一化处理，得到通道输出向量；对通道输出向量进行空间归一化处理，得到多个特征向量。
[0049]
在本发明这一实施例中，操作203以及下文操作205和206中的k核卷积模型的网络结构可以参考图4的详细说明，这里不再赘述。
[0050]
操作204，对多个特征向量进行归一化处理，得到对象画像。
[0051]
在本发明这一实施例中，可以采用attention(注意力)机制对多个特征向量进行归一化处理。这里，attention机制实质上是从特征中学习或者提取出权重分布，再利用这个权重分布施加在原来的特征之上，改变原有特征的分布，增强有效特征的同时抑制无效特征和噪音。
[0052]
操作205，利用k核卷积模型，对用户画像进行特征提取，得到目标用户向量。
[0053]
操作206，利用k核卷积模型，对候选对象的对象画像进行特征提取，得到候选对象
向量。
[0054]
操作207，对目标用户向量和候选对象向量进行内积操作，得到概率。
[0055]
在本发明这一实施例中，可以采用dot算法对目标用户向量和候选对象向量进行内积操作。具体的，若a和b均为一维向量，且均包含有n个元素，则对a与b进行内积操作后得到：a[0]b[0]+a[1]b[1]+...+a[n]*b[n]。若a和b 均为二维数组向量，将a和b的点积组成的新向量定义为c，则：a的第一行与b的第一列，对应元素的乘积之和，构成了新向量c的第一行第一列；a的第一行与b的第二列，对应元素的乘积之和，构成了新向量c的第一行第二列； a的第二行与b的第一列，对应元素的乘积之和，构成了新向量c的第二行第一列。新向量元素的坐标，y值取决于a向量所处的行，x值取决于b向量所处的列。而向量c每个元素的计算，总是a的行元素与b的列元素的点积。
[0056]
操作208，根据历史选择对象的对象画像，验证相应的历史选择对象的对象类别，得到验证结果。
[0057]
在本发明这一实施方式中，这一操作是为了根据已经确定的历史选择对象的对象类别对本发明这一实施例确定对象画像过程中涉及的模型参数进行优化。如果将目标用户的某一个历史选择对象作为候选对象，利用本发明这一实施例确定对象画像操作，得到历史选择对象的对象类别的类别为其实际所属对象类别的概率小于设定概率阈值，则说明本发明这一实施例确定对象画像过程中涉及的模型参数需要优化。因此，在本发明这一实施例中，根据历史选择对象的对象画像，验证相应的历史选择对象的对象类别，得到验证结果，并在下文操作209中根据验证结果调整概率。
[0058]
操作209，根据验证结果，调整概率。
[0059]
在本发明这一实施方式中，可以采用如下操作实现根据验证结果调整概率：根据验证结果，确定对象画像相对应的历史选择对象的实际所属对象类别的验证概率；在验证概率小于设定值的情况下，根据设定比率，降低目标用户选择候选对象的概率。
[0060]
在本发明这一实施方式中，可以简单的设定一个设定值和一个设定比率，在验证概率小于设定值的情况下，根据设定比率，降低目标用户选择候选对象的概率。还可以设定一个设定值一个设定比率的映射，根据验证概率，确定设定比率，然后，根据降低目标用户选择候选对象的概率。还可以根据实际应用场景，来设定调整目标用户选择候选对象的概率的方式。
[0061]
操作210，根据概率，向目标用户推荐候选对象。
[0062]
其中，操作201和210的具体实现过程与图1所示实施例中操作101和104 的具体实现过程相类似，这里不再赘述。
[0063]
图3示出了本发明实施例推荐方法的多任务k核卷积注意力模型的网络结构示意图。
[0064]
参考图3，本发明实施例推荐方法的所有操作可以理解为一个完整的 mtkcnet(multi
‑
task k
‑
core convolutional block attention module network，多任务k核卷积注意力模型)。以向目标用户推荐候选商品为例，对本发明实施例推荐方法的多任务k核卷积注意力模型的网络结构进行说明。
[0065]
目标用户的历史浏览商品(user browsed products)可以包括p1…
p
i
…
p
n
，候选商品(candidate products)为p
c
。首先获取p1…
p
i
…
p
n
和p
c
的商品信息，根据商品信息，经过商
pooling(全局平均池化)，得到两个h
×
w
×
1的特征图，然后将这2个特征图基于通道做concat(通道拼接)操作。然后，经过一个7
×
7卷积操作，降维为1个channel，即h
×
w
×
1。再经过sigmoid生成空间注意模块输出特征(spatial attention feature)ms。最后将空间注意模块输出特征ms和通道注意模块输出的特征图f’，做element
‑
wise product(基于向量的乘法)操作。其中，7
×
7为空间注意模块的卷积核大小，经过试验7
×
7的效果3
×
3效果好。
[0074]
本发明实施例推荐方法、装置及电子设备，首先获取目标用户的历史选择对象和候选对象的对象信息，并根据对象信息，确定与对象信息相对应的对象画像，以及根据历史选择对象的对象画像，确定目标用户的用户画像，最后根据用户画像和候选对象的对象画像，向目标用户推荐候选对象。由此，能够根据用户的历史访问对象刻画用户画像，并结合候选的新对象的对象画像，判断用户选择新对象的可能性，据此向用户进行对象推荐。有效缓解了对于新对象的数据缺乏带来的冷启动问题，显著提高向用户推荐对象的合理性和针对性，从而有效提升用户体验。
[0075]
同理，基于上文推荐方法，本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有程序，当程序被处理器执行时，使得处理器至少执行如下的操作步骤：操作101，获取目标用户的历史选择对象和候选对象的对象信息；操作102，根据对象信息，确定与对象信息相对应的对象画像；操作 103，根据历史选择对象的对象画像，确定目标用户的用户画像；操作104，根据用户画像和候选对象的对象画像，向目标用户推荐候选对象。
[0076]
进一步，基于如上文推荐方法，本发明实施例还提供一种推荐装置，如图 5，该装置50包括：获取模块501，用于获取目标用户的历史选择对象和候选对象的对象信息；对象画像确定模块502，用于根据对象信息，确定与对象信息相对应的对象画像；用户画像确定模块503，用于根据历史选择对象的对象画像，确定目标用户的用户画像；推荐模块504，用于根据用户画像和候选对象的对象画像，向目标用户推荐候选对象。
[0077]
根据本发明一实施方式，对象画像确定模块502包括：映射子模块，用于对对象信息进行向量映射，得到多个分词向量；特征提取子模块，用于利用k 核卷积模型，对多个分词向量进行特征提取，得到多个特征向量；归一子模块，用于对多个特征向量进行归一化处理，得到对象画像。
[0078]
根据本发明一实施方式，特征提取子模块采用以下操作实现利用k核卷积模型，对多个分词向量进行特征提取，得到多个特征向量：对多个分词向量进行升维处理，得到高维向量；对高维向量进行通道归一化处理，得到通道输出向量；对通道输出向量进行空间归一化处理，得到多个特征向量。
[0079]
根据本发明一实施方式，推荐模块504包括：概率确定子模块，用于根据用户画像和候选对象的对象画像，确定目标用户选择候选对象的概率；对象推荐子模块，用于根据概率，向目标用户推荐候选对象。
[0080]
根据本发明一实施方式，对象画像确定模块502包括：第一向量提取子模块，用于利用k核卷积模型，对用户画像进行特征提取，得到目标用户向量；第二向量提取子模块，用于利用k核卷积模型，对候选对象的对象画像进行特征提取，得到候选对象向量；内积子模块，用于对目标用户向量和候选对象向量进行内积操作，得到概率。
[0081]
根据本发明一实施方式，在推荐模块504还包括：验证子模块，用于在根据概率向目标用户推荐候选对象之前，根据历史选择对象的对象画像，验证相应的历史选择对象的
对象类别，得到验证结果；概率调整子模块，用于根据验证结果，调整概率。
[0082]
根据本发明一实施方式，概率调整子模块采用以下操作实现根据验证结果调整概率：确定对象画像相对应的历史选择对象的实际所属对象类别的验证概率；在验证概率小于设定值的情况下，根据设定比率，降低目标用户选择候选对象的概率。
[0083]
根据本发明一实施方式，对象信息包括以下至少之一：对象标识、对象类别和对象属性。
[0084]
进一步，基于如上文推荐方法，本发明实施例还提供一种电子设备，如图 6所示，电子设备60包括至少一个处理器601、以及与处理器601连接的至少一个存储器602、总线603；其中，处理器601、存储器602通过总线603完成相互间的通信；处理器601用于调用存储器602中的程序指令，以执行上述推荐方法。
[0085]
这里需要指出的是：以上对针对推荐装置及电子设备实施例的描述，与前述图1至4所示的方法实施例的描述是类似的，具有同前述图1至4所示的方法实施例相似的有益效果，因此不做赘述。对于本发明推荐装置及电子设备实施例中未披露的技术细节，请参照本发明前述图1至4所示的方法实施例的描述而理解，为节约篇幅，因此不再赘述。
[0086]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0087]
在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0088]
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
[0089]
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0090]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(read only memory，rom)、磁碟或者光盘等各种可以存储程序代码的介质。
[0091]
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以
是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0092]
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。