技术特征：
1.一种提供商品推荐信息的方法，其特征在于，包括：建立聚类模型，所述聚类模型用于对数据样本进行聚类，并根据聚类结果确定多个场景类别；所述数据样本包括：用户-商品二元组；针对所述多个场景类别分别建立用户偏好模型，所述用户偏好模型用于对用户在对应场景类别下对商品执行目标行为的概率进行预测；利用训练数据样本对所述聚类模型以及用户偏好模型进行交替训练，直到目标损失函数达到目标条件，所述目标损失函数是通过将聚类模型部分的第一损失函数与用户偏好模型部分的第二损失函数进行融合后获得；在向目标用户进行目标商品的推荐时，将所述目标用户与目标商品组成的二元组作为待预测的数据样本，利用训练完成的聚类模型将该待预测的数据样本分配到对应的场景类别下，利用训练完成的用户偏好模型，预测出所述目标用户在对应场景类别下对所述目标商品执行所述目标行为的概率，以便根据预测结果提供商品推荐结果。2.根据权利要求1所述的方法，其特征在于，所述聚类模型用于通过无监督学习的方式对数据样本进行聚类。3.根据权利要求1所述的方法，其特征在于，所述用户偏好模型中还包括用户意图感知模块，用于对用户在对应场景类别下对商品执行所述目标行为的意图类别偏好进行预测，以便基于意图类别偏好的预测结果，确定用户在对应场景类别下对商品执行所述目标行为的概率。4.根据权利要求3所述的方法，其特征在于，所述用户意图感知模块具体用于：针对各数据样本，分别对用户在对应场景类别下对已执行过目标行为的商品重复执行所述目标行为的第一概率，或者，对未执行过目标行为的商品进行探索并执行所述目标行为的第二概率，以便根据所述第一概率或第二概率将各样本确定为第一意图类别或第二意图类别；根据各数据样本对应的第一意图类别或第二意图类别，确定用户在对应场景类别下对商品执行所述目标行为的第一意图类别偏好得分以及第二意图类别偏好得分，以便根据第一概率与第一意图类别偏好得分的乘积，或者第二概率与第二意图类别偏好得分的乘积，预测出用户在对应场景类别下对商品执行目标行为的概率。5.根据权利要求3所述的方法，其特征在于，将根据用户意图感知模块构造的第三损失函数作为所述目标损失函数的辅助损失函数。6.根据权利要求5所述的方法，其特征在于，在对所述用户偏好模型进行训练时，所述训练样本中的标注信息还包括：用户在对对应商品产生目标行为时的意图类别标注值；所述第三损失函数包括：根据所述用户意图感知模块输出的意图类别预测结果与意图类别标注值之间的差值建立的损失函数。7.根据权利要求1所述的方法，其特征在于，所述第一损失函数包括：根据训练样本的特征向量与聚类模型为其预测出的场景类别质心之间的距离建立的损失函数；其中，所述场景类别质心是可训练的。
8.根据权利要求7所述的方法，其特征在于，利用可训练的空间映射矩阵，在变换后的子空间中测量样本的特征向量与聚类模型为其预测出的场景类别质心之间的距离，并建立所述第一损失函数；所述空间映射矩阵用于确定不同的特征维度对场景类别划分的影响权重。9.根据权利要求1所述的方法，其特征在于，在对所述用户偏好模型进行训练时，所述训练样本中还包括用户-商品二元组的标注信息，所述标注信息包括用户是否对商品执行目标行为的行为标注值；所述第二损失函数包括：根据用户偏好模型为训练样本输出的概率预测结果与对应的行为标注值之间的差值建立的损失函数。10.根据权利要求1至9任一项所述的方法，其特征在于，还包括：获取所述数据样本中的用户-商品二元组的用户特征、商品特征以及产生数据时的场景上下文特征，并组合成所述数据样本的特征向量，以用于作为聚类模型以及用户偏好模型的输入信息。11.根据权利要求1至9任一项所述的方法，其特征在于，所述所述根据预测结果提供商品推荐结果，包括：利用训练完成的聚类模型将确定待预测的数据样本分别属于多个场景类别的概率；利用训练完成的用户偏好模型，分别预测出所述目标用户在多个场景类别下对所述目标商品执行所述目标行为的概率；通过综合所述待预测的数据样本分别属于多个场景类别的概率，以及目标用户在多个场景类别下对所述目标商品执行所述目标行为的概率，确定所述目标用户对所述目标商品执行所述目标行为的概率；根据所述目标用户分别对多个目标商品执行所述目标行为的概率，对所述多个目标商品进行排序后提供所述商品推荐结果。12.一种提供商品推荐信息的装置，其特征在于，包括：聚类模型建立单元，用于建立聚类模型，所述聚类模型用于对数据样本进行聚类，并根据聚类结果确定多个场景类别；所述数据样本包括：用户-商品二元组；用户偏好模型建立单元，用于针对所述多个场景类别分别建立用户偏好模型，所述用户偏好模型用于对用户在对应场景类别下对商品执行目标行为的概率进行预测；训练单元，用于利用训练数据样本对所述聚类模型以及用户偏好模型进行交替训练，直到目标损失函数达到目标条件，所述目标损失函数是通过将聚类模型部分的第一损失函数与用户偏好模型部分的第二损失函数进行融合后获得；预测单元，用于在向目标用户进行目标商品的推荐时，将所述目标用户与目标商品组成的二元组作为待预测的数据样本，利用训练完成的聚类模型将该待预测的数据样本分配到对应的场景类别下，利用训练完成的用户偏好模型，预测出所述目标用户在对应场景类别下对所述目标商品执行所述目标行为的概率，并根据预测结果提供商品推荐结果。13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至11任一项所述的方法的步骤。14.一种电子设备，其特征在于，包括：一个或多个处理器；以及
与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行权利要求1至11任一项所述的方法的步骤。
技术总结
本申请实施例公开了提供商品推荐信息的方法、装置及电子设备，所述方法包括：建立聚类模型，所述聚类模型用于对数据样本进行聚类，并根据聚类结果确定多个场景类别；针对多个场景类别分别建立用户偏好模型；利用训练数据样本对所述聚类模型以及用户偏好模型进行交替训练；在向目标用户进行目标商品的推荐时，将所述目标用户与目标商品组成的二元组作为待预测的数据样本，利用训练完成的聚类模型将该待预测的数据样本分配到对应的场景类别下，利用训练完成的用户偏好模型，预测出所述目标用户在对应场景类别下对所述目标商品执行所述目标行为的概率，以便根据预测结果提供商品推荐结果。通过本申请实施例，可以提升推荐结果的准确性。的准确性。的准确性。
技术研发人员：徐森荣 陈祖龙 李良玥
受保护的技术使用者：阿里巴巴（中国）有限公司
技术研发日：2022.08.09
技术公布日：2022/12/8