商品推荐方法、装置、计算机设备及存储介质与流程

1.本发明涉及关系网络分析技术领域，尤其涉及一种商品推荐方法、装置、计算机设备及存储介质。


背景技术：

2.随着科学技术的发展，从大数据中提取和用户相关的特征数据，进而根据提取的特征数据向用户进行推荐已逐渐应用在不同的领域中。例如，保险产品推荐、商品推荐或者药物推荐等领域。
3.现有技术中提出的推荐模型往往是基于单一的用户画像进行相关推荐。但是在某些平台收集用户相关信息的难度很大，导致用户画像刻画的准确性较低，从而导致推荐模型推荐的准确率较低。


技术实现要素：

4.本发明实施例提供一种商品推荐方法、装置、计算机设备及存储介质，以解决现有技术中推荐模型进行商品推荐的准确率较低的问题。
5.一种商品推荐方法，包括：
6.接收商品推荐指令；所述商品推荐指令中包括目标用户对应的用户基本信息和目标商品对应的商品基本信息；
7.获取所述用户基本信息对应的用户传播向量集和所述商品基本信息对应的商品传播向量集；所述用户传播向量集包括一个初始用户向量和按照传播层级排序的多个传播用户向量；所述商品传播向量集包括一个初始商品向量和按照传播层级排序的多个传播商品向量；
8.获取每一传播层级的用户特征向量和商品特征向量；所述用户特征向量根据前一传播层级的用户特征向量、初始用户向量和当前传播层级的传播用户向量生成；所述商品特征向量根据前一传播层级的商品特征向量、初始商品向量和当前传播层级的传播商品向量生成；
9.对所有传播层级的用户特征向量和商品特征向量进行特征交互处理，得到商品推荐结果；所述商品推荐结果中包括针对不同的目标用户时所有所述目标商品对应的推荐值；
10.根据针对同一目标用户的所有所述推荐值对所述目标商品进行排序，生成所述目标用户对应的商品推荐序列，并将所有所述目标用户对应的所述商品推荐序列推送至客户端中。
11.一种商品推荐装置，包括：
12.指令接收模块，用于接收商品推荐指令；所述商品推荐指令中包括目标用户对应的用户基本信息和目标商品对应的商品基本信息；
13.传播向量获取模块，用于获取所述用户基本信息对应的用户传播向量集和所述商
品基本信息对应的商品传播向量集；所述用户传播向量集包括一个初始用户向量和按照传播层级排序的多个传播用户向量；所述商品传播向量集包括一个初始商品向量和按照传播层级排序的多个传播商品向量；
14.特征提取模块，用于获取每一传播层级的用户特征向量和商品特征向量；所述用户特征向量根据前一传播层级的用户特征向量、初始用户向量和当前传播层级的传播用户向量生成；所述商品特征向量根据前一传播层级的商品特征向量、初始商品向量和当前传播层级的传播商品向量生成；
15.特征交互模块，用于对所有传播层级的用户特征向量和商品特征向量进行特征交互处理，得到商品推荐结果；所述商品推荐结果中包括针对不同的目标用户时所有所述目标商品对应的推荐值；
16.商品推荐模块，用于根据针对同一目标用户的所有所述推荐值对所述目标商品进行排序，生成所述目标用户对应的商品推荐序列，并将所有所述目标用户对应的所述商品推荐序列推送至客户端中。
17.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述商品推荐方法。
18.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述商品推荐方法。
19.上述商品推荐方法、装置、计算机设备及存储介质，该商品推荐方法通过对用户基本信息和商品基本信息进行多层传播，从而使得用户传播向量集和商品传播向量集具有更多的特征信息。进而在特征提取过程中，不同传播层级的向量保持与初始用户向量(或者初始商品向量)的联系，并且每一传播层级的向量生成均依赖于不同的向量(前一传播层级对应的用户特征向量或用户商品向量)。如此，即可避免不同传播层级之间的向量表征过于相似，提高了不同传播层级的向量表征的个性程度。进而提高了商品推荐的准确性。
附图说明
20.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
21.图1是本发明一实施例中商品推荐方法的一应用环境示意图；
22.图2是本发明一实施例中商品推荐方法的一流程图；
23.图3是本发明一实施例中商品推荐装置的一原理框图；
24.图4是本发明一实施例中计算机设备的一示意图。
具体实施方式
25.下面将结合本发明实施例中的附图，对本发明实施例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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
26.本发明实施例提供的商品推荐方法，该商品推荐方法可应用如图1所示的应用环境中。具体地，该商品推荐方法应用在商品推荐系统中，该商品推荐系统包括如图1所示的客户端和服务器，客户端与服务器通过网络进行通信，用于解决现有技术中推荐模型进行商品推荐的准确率较低的问题。其中，客户端又称为用户端，是指与服务器相对应,为客户提供本地服务的程序。客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备上。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。其中，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
27.在一实施例中，如图2所示，提供一种商品推荐方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
28.s10：接收商品推荐指令；所述商品推荐指令中包括目标用户对应的用户基本信息和目标商品对应的商品基本信息。
29.可以理解地，商品推荐指令可以由客户端在采集到用户基本信息和商品基本信息之后发送，也可以在客户端将用户基本信息和商品基本信息发送至服务器后自动生成。目标用户即为等待进行商品推荐的用户。用户基本信息可以为目标用户的个人信息(如性别、性格或者个人喜好等)。目标商品即为待推荐给目标用户的商品。商品基本信息可以为目标商品的商品类型、商品适用人群或者商品功能信息等。示例性地，假设本实施例应用在保险产品推荐场景下，目标商品即可以为不同类型的保险产品。商品基本信息即可以为保险产品的保险适用人群、保险类型或者保险费用等。
30.进一步地，本实施例中所设定的目标用户可以为一个也可以为多个。一个目标用户对应一个用户基本信息。本实施例所设定的目标商品存在多个。一个目标商品对应一个商品基本信息。
31.s20：获取所述用户基本信息对应的用户传播向量集和所述商品基本信息对应的商品传播向量集；所述用户传播向量集包括一个初始用户向量和按照传播层级排序的多个传播用户向量；所述商品传播向量集包括一个初始商品向量和按照传播层级排序的多个传播商品向量。
32.可以理解地，在本实施例中为了感知到用户基本信息和商品基本信息中更多的特征，因此采用预设商品推荐模型对用户基本信息和商品基本信息进行信息传播，从而得到用户基本信息对应的用户传播向量集和商品基本信息对应的商品传播向量集。其中，预设商品推荐模型是基于图卷积网络构建的。
33.进一步地，用户传播向量集中包括一个初始用户向量和按照传播层级排序的多个传播用户向量。其中，初始用户向量即为用户基本信息对应的向量表征。当预设商品推荐模型对用户基本信息进行信息传播到l步，则表征存在l个传播层级的传播用户向量。初始商品向量即为商品基本信息对应的向量表征。当预设商品推荐模型对商品基本信息进行信息传播到l步，则表征存在l个传播层级的传播商品向量。
34.进一步地，不同的传播层级的传播用户向量和传播商品向量之间存在不同的特征，不同的特征对商品推荐的贡献不同。如此，通过信息传播即可感知到用户基本信息和商
品基本信息中更多的特征。
35.s30：获取每一传播层级的用户特征向量和商品特征向量；所述用户特征向量根据前一传播层级的用户特征向量、初始用户向量和当前传播层级的传播用户向量生成；所述商品特征向量根据前一传播层级的商品特征向量、初始商品向量和当前传播层级的传播商品向量生成。
36.可以理解地，在步骤s20中对用户基本信息或者商品基本信息进行信息传播的过程中，虽然可以获取到用户基本信息或者商品基本信息中更多的特征，但是若直接基于每一传播层级得到的向量进行商品推荐，会导致高传播层级和低传播层级的向量之间差距较小。也即不同的传播层级的向量之间过渡平滑，进而导致商品推荐效率较低。因此，本实施例在步骤s20之后引入特征提取过程。并且本实施例的特征提取除了基于当前传播层级的传播用户向量或者传播商品向量之外，还需要与根部节点的向量(也即初始用户向量或者初始商品向量)，以及前一传播层级的输出(也即前一传播层级输出的用户特征向量或者商品特征向量)关联。如此，即可使得高传播层级和低传播层级的向量之间相似度较低，避免不同的传播层级的向量之间过渡平滑，进而提高商品推荐的准确率。
37.s40：对所有传播层级的用户特征向量和商品特征向量进行特征交互处理，得到商品推荐结果；所述商品推荐结果中包括针对不同的目标用户时所有所述目标商品对应的推荐值。
38.可以理解地，对用户特征向量和商品特征向量进行特征交互处理可以采用卷积网络或者内积函数实现。例如通过内积函数提取用户特征向量和商品特征向量之间高传播层级和低传播层级之间的特征交互关系，从而确定针对目标用户所有目标商品对应的推荐值。也即对于每一个目标用户，均会输出每一个目标商品对于该目标用户而言的推荐值。
39.具体地，在获取每一传播层级的用户特征向量和商品特征向量之后，通过卷积网络或者内积函数对所有传播层级的用户特征向量和商品特征向量进行特征交互处理。从而确定用户特征向量和商品特征向量之间的特征交互关系，进而基于该特征交互关系确定目标商品对于目标用户的推荐值。从而基于针对同一目标用户时的所有目标商品对应的推荐值生成商品推荐结果。
40.s50：根据针对同一目标用户的所有所述推荐值对所述目标商品进行排序，生成所述目标用户对应的商品推荐序列，并将所有所述目标用户对应的所述商品推荐序列推送至客户端中。
41.具体地，在对所有传播层级的用户特征向量和商品特征向量进行特征交互处理，得到商品推荐结果之后，即可根据针对同一目标用户的所有推荐值对目标商品进行排序，生成目标用户对应的商品推荐序列。也即将同一个目标用户对应的所有目标商品，按照推荐值从大到小的顺序插入至该目标用户对应的商品推荐序列中。进而将包含按照推荐值从大到小顺序排列的目标商品的商品推荐序列发送至客户端中。其中，客户端可以为目标用户的智能终端(如智能手机、电脑或者其它具有信息收发功能的设备)。客户端也可以为第三方平台，从而将所有目标用户的商品推荐序列推送至该第三方平台中。进而该第三方平台将商品推荐序列推送至相对应的目标用户中。
42.在本实施例中，首先通过对用户基本信息和商品基本信息进行多层传播，从而使得用户传播向量集和商品传播向量集具有更多的特征信息。进而在特征提取过程中，不同
传播层级的向量保持与初始用户向量(或者初始商品向量)的联系，并且每一传播层级的向量生成均依赖于不同的向量(前一传播层级对应的用户特征向量或用户商品向量)。如此，即可避免不同传播层级之间的向量表征过于相似，提高了不同传播层级的向量表征的个性程度。进而提高了商品推荐的准确性。
43.在一实施例中，步骤s20之前，也即所述获取所述用户基本信息对应的用户传播向量集和所述商品基本信息对应的商品传播向量集之前，还包括：
44.(1)对所述用户基本信息进行向量转换，得到初始用户向量；对所述商品基本信息进行向量转换，得到初始商品向量。
45.具体地，在接收商品推荐指令之后，即可对用户基本信息和商品基本信息进行向量嵌入处理，得到用户基本信息对应的初始用户向量，以及商品基本信息对应的初始商品向量。其中，对用户基本信息和商品基本信息进行向量嵌入处理可以通过神经网络构建的模型实现。亦或者通过对用户基本信息和商品基本信息进行分词处理后，基于词向量字典确定分词处理后的用户基本信息和商品基本信息对应的向量表征。
46.(2)将所述初始用户向量和所述初始商品向量输入至预设商品推荐模型中，通过所述预设商品推荐模型对所述初始用户向量和所述初始商品向量进行信息传播，得到不同传播层级对应的传播用户向量和不同传播层级对应的传播商品向量。
47.可以理解地，本实施例中的预设商品推荐模型是基于图卷积网络构建的。并且本实施选取的是轻量级图卷积网络。如此，在对初始用户向量和初始商品向量进行信息传播过程中，可以加快信息传播速度，进而提高商品推荐的效率。
48.具体地，在对用户基本信息进行向量转换，得到初始用户向量，以及对商品基本信息进行向量转换，得到初始商品向量之后，将初始用户向量和初始商品向量输入至预设商品推荐模型中，通过预设商品推荐模型对初始用户向量和初始商品向量进行多传播层级的信息传播处理。进而得到预设商品推荐模型输出的经过多层信息传播处理的过程中得到的初始用户向量对应的传播用户向量，以及经过多层信息传播处理的过程中得到的初始商品向量对应的传播商品向量。
49.在一实施例中，所述通过所述预设商品推荐模型对所述初始用户向量和所述初始商品向量进行信息传播，得到不同传播层级对应的传播用户向量和不同传播层级对应的传播商品向量，包括：
50.(1)将所述初始用户向量设置为用户节点，将所述初始商品向量设置为商品节点，根据所有所述用户节点和所有所述商品节点构建目标二部图。
51.可以理解地，在上述说明中指出目标用户可能存在一个或者多个，目标商品存在多个。因此，当有且仅存在一个目标用户时，仅存在一个初始用户向量。当存在多个目标用户时，存在多个初始用户向量。由于存在多个目标商品，因此存在多个对应的初始商品向量。进而将一个初始用户向量设置为一个用户节点，将一个初始商品向量设置为一个商品节点。从而根据所有用户节点和所有商品节点构建目标二部图。
52.进一步地，本实施例中将目标二部图定义为g＝(v，a)，其中v为所有用户节点和商品节点的集合。a为邻居矩阵。进而可以通过该目标二部图确定用户节点和商品节点之间是否有直接交互关系。
53.(2)从所述目标二部图中确定与所述用户节点对应的第一邻居节点数量，以及与
所述商品节点对应的第二邻居节点数量。
54.可以理解地，在上述说明中指出可以通过该目标二部图确定用户节点和商品节点之间是否有直接交互关系，因此可以将与用户节点具有直接交互关系的商品节点确定为该用户节点的邻居节点。进而可以检测各用户节点对应的邻居节点的数量，即为第一邻居节点数量。同理，可以将与商品节点具有直接交互关系的用户节点确定为该商品节点的邻居节点。进而可以检测各商品节点对应的邻居节点的数量，即为第二邻居节点数量。
55.(3)根据所述第一邻居节点数量、第二邻居节点数量、前一传播层级的传播用户向量和前一传播层级的传播商品向量，确定当前传播层级的传播用户向量和传播商品向量。
56.具体地，在从目标二部图中确定与用户节点对应的第一邻居节点数量，以及与商品节点对应的第二邻居节点数量之后，即可根据第一邻居节点数量、第二邻居节点数量、前一传播层级的传播用户向量和前一传播层级的传播商品向量，确定当前传播层级的传播用户向量和传播商品向量。
57.进一步地，假设预设商品推荐模型对初始用户向量和初始商品向量的信息传播处理至l层，则传播用户向量和传播商品向量表达如下：
[0058][0059][0060]
其中，为第l层对应的传播用户向量(u表征目标用户)；为第l层对应的传播商品向量(i表征目标商品)；为第l-1层对应的传播用户向量(也即前一传播层级的传播用户向量)；为第l-1层对应的传播商品向量(也即前一传播层级的传播商品向量)；nu为第一邻居节点数量；ni为第二邻居节点数量。
[0061]
在一实施例中，步骤s30中，也即所述获取每一传播层级的用户特征向量和商品特征向量，包括：
[0062]
(1)获取与当前传播层级对应的第一向量矩阵和第二向量矩阵。
[0063]
可以理解地，第一向量矩阵和第二向量矩阵为同一个传播层级上用户特征向量和商品特征向量共享的参数矩阵。但需要说明的是，在不同的传播层级，第一向量矩阵和第二向量矩阵中的参数可能不同。也即为了避免高传播层级的向量表征同化，因此可以根据不同的传播层级上的传播用户向量或者传播商品向量等向量的维度，对第一向量矩阵或者第二向量矩阵进行调整，从而使得不同的传播层级得到的用户特征向量和商品特征向量之间存在较大差异。如此，在一些传播层级的向量(如上述传播用户向量或者传播商品向量)的数据特征较为简单时，可以通过调整第一向量矩阵或者第二向量矩阵的方式，降低向量维度，从而提高商品推荐的效率。
[0064]
(2)根据前一传播层级的用户特征向量、初始用户向量、当前传播层级的传播用户向量、第一向量矩阵和第二向量矩阵，确定当前传播层级的所述用户特征向量。
[0065]
具体地，在获取与当前传播层级对应的第一向量矩阵和第二向量矩阵之后，即可通过激活函数对前一传播层级的用户特征向量、初始用户向量和第一向量矩阵进行向量激
活处理，得到第一激活向量；对当前传播层级的传播用户向量和所述第二向量矩阵进行向量激活处理，得到第二激活向量；根据所述第一激活向量和所述第二激活向量，确定当前传播层级的所述用户特征向量。
[0066]
进一步地，可以通过下述表达式确定当前传播层级的用户特征向量：
[0067][0068]
其中，为当前传播层级l的用户特征向量。σ()为激活函数。为初始用户向量。为前一传播层级l-1的用户特征向量。为当前传播层级l对应的第一向量矩阵。为当前传播层级l对应的第二向量矩阵。
[0069]
进一步地，需要说明的是，在确定第一个传播层级的用户特征向量时，在第一个传播层级之前没有其它传播层级。因此，针对第一个传播层级的用户特征向量，可以将前一传播层级的用户特征向量设置为0。也即，第一个传播层级的用户特征向量可以基于初始用户向量对应的用户特征向量、初始用户向量、第一个传播层级的传播用户向量、第一个传播层级对应的第一向量矩阵和第二向量矩阵，确定第一个传播层级的用户特征向量。
[0070]
(3)根据前一传播层级的商品特征向量、初始商品向量、当前传播层级的传播商品向量、第一向量矩阵和第二向量矩阵，确定当前传播层级的所述商品特征向量。
[0071]
具体地，在获取与当前传播层级对应的第一向量矩阵和第二向量矩阵之后，即可通过激活函数对前一传播层级的商品特征向量、初始商品向量和所述第一向量矩阵进行向量激活处理，得到第三激活向量；对当前传播层级的传播商品向量和所述第二向量矩阵进行向量激活处理，得到第四激活向量；根据所述第三激活向量和所述第四激活向量，确定当前传播层级的所述商品特征向量。
[0072]
进一步地，可以通过下述表达式确定当前传播层级的用户特征向量：
[0073][0074]
其中，为当前传播层级l的商品特征向量。σ()为激活函数。为初始商品向量。为前一传播层级l-1的商品特征向量。为当前传播层级l对应的第一向量矩阵。为当前传播层级l对应的第二向量矩阵。
[0075]
进一步地，需要说明的是，在确定第一个传播层级的商品特征向量时，在第一个传播层级之前没有其它传播层级。因此，针对第一个传播层级的商品特征向量，可以将前一传播层级的商品特征向量设置为0。也即，第一个传播层级的商品特征向量可以基于初始商品向量对应的商品特征向量、初始商品向量、第一个传播层级的传播商品向量、第一个传播层级对应的第一向量矩阵和第二向量矩阵，确定第一个传播层级的商品特征向量。
[0076]
在一实施例中，步骤s40中，也即所述对所有传播层级的用户特征向量和商品特征向量进行特征交互处理，得到商品推荐结果，包括：
[0077]
(1)将所有所述传播层级的用户特征向量和商品特征向量输入至预设卷积网络模型中，获取第一推荐结果。
[0078]
可以理解地，预设卷积网络模型即为基于卷积神经网络构建的模型。具体地，在确
定所有传播层级的用户特征向量和商品特征向量之后，即可将所有传播层级的用户特征向量和商品特征向量输入至预设卷积网络模型中，对所有传播层级的用户特征向量和商品特征向量进行外积交叉处理，再对外积交叉处理后的所有传播层级的用户特征向量和商品特征向量进行交互特征提取，从而得到第一推荐结果。其中，第一推荐结果即为通过预设卷积网络模型针对不同的目标用户时所有目标商品对应的推荐值。
[0079]
(2)通过内积函数对所有所述传播层级的用户特征向量和商品特征向量进行特征交互处理，获取第二推荐结果。
[0080]
具体地，在确定所有传播层级的用户特征向量和商品特征向量之后，即可通过内积函数对所有所述传播层级的用户特征向量和商品特征向量进行特征交互处理，从而提取出所有传播层级的用户特征向量和商品特征向量之间的交互关系，得到第二推荐结果。其中，第二推荐结果即为通过内积函数针对不同的目标用户时所有目标商品对应的推荐值。
[0081]
(3)根据所述第一推荐结果和所述第二推荐结果，确定所述商品推荐结果。
[0082]
可以理解地，在上述说明中指出：第一推荐结果即为通过预设卷积网络模型针对不同的目标用户时所有目标商品对应的推荐值，第二推荐结果即为通过内积函数针对不同的目标用户时所有目标商品对应的推荐值。因此可以根据同一个目标商品针对同一目标用户时第一推荐结果中的推荐值和第二推荐结果中的推荐值之和的平均值，作为商品推荐结果针对该目标用户时该目标商品的推荐值。
[0083]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0084]
在一实施例中，提供一种商品推荐装置，该商品推荐装置与上述实施例中商品推荐方法一一对应。如图3所示，该商品推荐装置包括指令接收模块10、传播向量获取模块20、特征提取模块30、特征交互模块40和商品推荐模块50。各功能模块详细说明如下：
[0085]
指令接收模块10，用于接收商品推荐指令；所述商品推荐指令中包括目标用户对应的用户基本信息和目标商品对应的商品基本信息；
[0086]
传播向量获取模块20，用于获取所述用户基本信息对应的用户传播向量集和所述商品基本信息对应的商品传播向量集；所述用户传播向量集包括一个初始用户向量和按照传播层级排序的多个传播用户向量；所述商品传播向量集包括一个初始商品向量和按照传播层级排序的多个传播商品向量；
[0087]
特征提取模块30，用于获取每一传播层级的用户特征向量和商品特征向量；所述用户特征向量根据前一传播层级的用户特征向量、初始用户向量和当前传播层级的传播用户向量生成；所述商品特征向量根据前一传播层级的商品特征向量、初始商品向量和当前传播层级的传播商品向量生成；
[0088]
特征交互模块40，用于对所有传播层级的用户特征向量和商品特征向量进行特征交互处理，得到商品推荐结果；所述商品推荐结果中包括针对不同的目标用户时所有所述目标商品对应的推荐值；
[0089]
商品推荐模块50，用于根据针对同一目标用户的所有所述推荐值对所述目标商品进行排序，生成所述目标用户对应的商品推荐序列，并将所有所述目标用户对应的所述商品推荐序列推送至客户端中。
[0090]
优选地，商品推荐装置还包括：
[0091]
向量转换模块，用于对所述用户基本信息进行向量转换，得到初始用户向量；对所述商品基本信息进行向量转换，得到初始商品向量；
[0092]
向量传播模块，用于将所述初始用户向量和所述初始商品向量输入至预设商品推荐模型中，通过所述预设商品推荐模型对所述初始用户向量和所述初始商品向量进行信息传播，得到不同传播层级对应的传播用户向量和不同传播层级对应的传播商品向量。
[0093]
优选地，向量传播模块包括：
[0094]
二部图构建单元，用于将所述初始用户向量设置为用户节点，将所述初始商品向量设置为商品节点，根据所有所述用户节点和所有所述商品节点构建目标二部图；
[0095]
邻居节点确定单元，用于从所述目标二部图中确定与所述用户节点对应的第一邻居节点数量，以及与所述商品节点对应的第二邻居节点数量；
[0096]
传播向量确定单元，用于根据所述第一邻居节点数量、第二邻居节点数量、前一传播层级的传播用户向量和前一传播层级的传播商品向量，确定当前传播层级的传播用户向量和传播商品向量。
[0097]
优选地，特征提取模块30包括：
[0098]
向量矩阵获取单元，用于获取与当前传播层级对应的第一向量矩阵和第二向量矩阵；
[0099]
用户特征向量确定单元，用于根据前一传播层级的用户特征向量、初始用户向量、当前传播层级的传播用户向量、第一向量矩阵和第二向量矩阵，确定当前传播层级的所述用户特征向量；
[0100]
商品特征向量确定单元，用于根据前一传播层级的商品特征向量、初始商品向量、当前传播层级的传播商品向量、第一向量矩阵和第二向量矩阵，确定当前传播层级的所述商品特征向量。
[0101]
优选地，用户特征向量确定单元包括：
[0102]
第一激活子单元，用于对前一传播层级的用户特征向量、初始用户向量和所述第一向量矩阵进行向量激活处理，得到第一激活向量；
[0103]
第二激活子单元，用于对当前传播层级的传播用户向量和所述第二向量矩阵进行向量激活处理，得到第二激活向量；
[0104]
第一向量叠加子单元，用于根据所述第一激活向量和所述第二激活向量，确定当前传播层级的所述用户特征向量。
[0105]
优选地，商品特征向量确定单元包括：
[0106]
第三激活子单元，用于对前一传播层级的商品特征向量、初始商品向量和所述第一向量矩阵进行向量激活处理，得到第三激活向量；
[0107]
第四激活子单元，用于对当前传播层级的传播商品向量和所述第二向量矩阵进行向量激活处理，得到第四激活向量；
[0108]
第二向量叠加子单元，用于根据所述第三激活向量和所述第四激活向量，确定当前传播层级的所述商品特征向量。
[0109]
优选地，特征交互模块包括：
[0110]
卷积交互单元，用于将所有所述传播层级的用户特征向量和商品特征向量输入至
预设卷积网络模型中，获取第一推荐结果；
[0111]
内积交互单元，用于通过内积函数对所有所述传播层级的用户特征向量和商品特征向量进行特征交互处理，获取第二推荐结果；
[0112]
商品推荐结果确定单元，用于根据所述第一推荐结果和所述第二推荐结果，确定所述商品推荐结果。
[0113]
关于商品推荐装置的具体限定可以参见上文中对于商品推荐方法的限定，在此不再赘述。上述商品推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0114]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储上述实施例中的商品推荐方法所使用到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种商品推荐方法。
[0115]
在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现上述实施例中的商品推荐方法。
[0116]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的商品推荐方法。
[0117]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0118]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
[0119]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改
或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。