物品推荐方法和系统与流程

本说明书涉及物品推荐领域，尤其涉及一种物品推荐方法和系统。

背景技术：

1、近年来，随着互联网技术的飞速发展，深度学习在物品推荐领域的应用也越来越广泛。采用深度学习的物品推荐方法往往对数据要求很高，当添加到候选集合中的物品没有或者很少有历史数据时，就会导致过拟合，影响推荐效果，这就是所谓的物品冷启动问题。针对物品冷启动问题，现有的物品推荐方法往往采用基于内容方式缓解物品冷启动问题。

2、在对现有技术的研究和实践过程中，本发明的发明人发现基于内容的方法仅仅通过使用物品属性来强化冷启动物品的表示，使得冷启动物品的表示相对单一，并不能准确的表示出该冷启动物品与其他物品之间的相似性，因此，导致物品推荐的准确率较低。

技术实现思路

1、本说明书提供一种准确率更高的物品推荐方法和系统。

2、第一方面，本说明书提供一种物品推荐方法，包括：获取目标物品的属性信息和用户交互信息，所述目标物品包括历史推荐数据的数量小于预设数量阈值的物品；在所述属性信息中提取出相似性特征，得到显式相似性特征，并基于所述用户交互信息，确定与所述目标物品相似的至少一个物品，以得到隐式相似性特征，所述相似性特征包括表征所述目标物品与其他物品之间相似性的特征信息；以及基于所述显式相似性特征和所述隐式相似性特征，确定所述目标物品对应的推荐模型的初始化参数，并基于所述初始化参数，采用所述推荐模型对所述目标物品进行推荐。

3、在一些实施例中，所述在所述属性信息中提取出相似性特征，得到显式相似性特征，包括：对所述属性信息进行分类，得到每一类型对应的目标属性信息；对所述目标属性信息进行相似性特征提取，得到所述每一类型对应的初始显式相似性特征；以及将所述每一类型对应的初始显示相似性特征进行拼接，得到所述目标物品的显式相似性特征。

4、在一些实施例中，所述对所述目标属性信息进行相似性特征提取，得到所述每一类型对应的初始显式相似性特征，包括：对所述目标属性信息进行相似性特征提取，得到多个离散相似性特征；以及对所述多个离散相似性特征进行求和池化处理，得到所述每一类型对应的初始显式相似性特征。

5、在一些实施例中，所述基于所述用户交互信息，确定与所述目标物品相似的至少一个物品，以得到隐式相似性特征，包括：基于所述用户交互信息，确定所述目标物品对应的候选物品集合；在所述候选物品集合中选取出与所述目标物品相似的至少一个物品，得到相似物品集合；以及对所述相似物品集合中的物品进行特征提取，以得到所述目标物品的隐式相似性特征。

6、在一些实施例中，所述基于所述用户交互信息，确定所述目标物品对应的候选物品集合，包括：在所述用户交互信息中提取出与所述目标物品进行交互的至少一个用户，得到用户集合；获取所述用户集合中每一用户的历史物品交互记录；以及在所述历史物品交互记录中识别出除所述目标物品以外的物品，得到候选物品集合。

7、在一些实施例中，所述在所述候选物品集合中选取出与所述目标物品相似的至少一个物品，得到相似物品集合，包括：基于所述历史物品交互记录，确定所述用户集合中每一用户的用户交互权重；基于所述用户交互权重，分别计算所述目标物品与所述候选物品集合中的每一物品之间的物品相似度；以及基于所述物品相似度，在所述候选物品集合中选取出与所述目标物品相似的至少一个物品，得到所述相似物品集合。

8、在一些实施例中，所述基于所述历史物品交互记录，确定所述用户集合中每一用户的用户交互权重，包括：在所述历史物品交互记录中统计出所述用户集合中每一用户的历史物品交互数量；以及基于所述历史物品交互数量，确定所述每一用户的用户交互权重，所述用户交互权重与所述历史物品交互数量成反比。

9、在一些实施例中，在所述候选物品集合中选取出一个物品作为候选物品，并在所述用户集合中选取出与所述候选物品进行交互的至少一个用户对；基于所述历史物品交互记录，确定所述至少一个用户对中每一用户对共同交互的物品的历史交互数量；基于所述历史交互数量和所述用户交互权重，计算所述目标物品与所述候选物品之间的物品相似度；以及返回执行所述在所述候选物品集合中选取出一个物品作为候选物品的步骤，直至所述候选物品集合中的物品全部选取时为止，得到所述目标物品与所述候选物品集合中每一物品之间的物品相似度。

10、在一些实施例中，所述基于所述历史交互数量和所述用户交互权重，计算所述目标物品与所述候选物品之间的物品相似度，包括：获取所述目标物品对应的平滑系数，并基于所述平滑系数，对所述历史交互数量进行平滑处理，得到所述每一用户对对应的初始物品相似度；在所述用户交互权重中选取出所述每一用户对的目标用户交互权重，并基于所述目标用户交互权重对所述初始物品相似度进行加权；以及将加权后的初始物品相似度进行累加，得到所述目标物品与所述候选物品之间的物品相似度。

11、在一些实施例中，所述在所述候选物品集合中选取出与所述目标物品相似的至少一个物品，得到相似物品集合，包括：基于所述历史物品交互记录，确定所述用户集合中每一用户与所述候选物品集合中的每一物品之间的交互关系；将所述每一用户和所述每一物品分别作为节点构建物品交互图网络，所述物品交互图网络表征用户与物品之间的交互关系；以及采用所述物品交互图网络，在所述候选物品集合中选取所述与所述目标物品相似的至少一个物品，得到相似物品集合。

12、在一些实施例中，所述对所述相似物品集合中的物品进行特征提取，以得到所述目标物品的隐式相似性特征，包括：获取所述相似物品集合中每一物品的物品信息；对所述物品信息进行特征提取，得到所述每一物品的物品特征；以及对所述物品特征进行平均池化处理，以得到所述目标物品的隐式相似性特征。

13、在一些实施例中，所述基于所述显式相似性特征和所述隐式相似性特征，确定所述目标物品对应的推荐模型的初始化参数，包括：将所述显式相似性特征和所述隐式相似性特征进行拼接，得到所述目标物品的目标相似性特征；基于所述目标相似性特征，对所述目标物品进行聚类，以得到所述目标物品的类别共享特征；以及基于所述目标相似性特征和所述类别共享特征，确定所述目标物品对应的推荐模型的初始化参数。

14、在一些实施例中，所述基于所述目标相似性特征，对所述目标物品进行聚类，以得到所述目标物品的类别共享特征，包括：获取每一预设任务集群的集群中心特征；基于所述目标相似性特征，确定所述目标物品对应的推荐任务分配至所述每一预设任务集群的分配概率；以及将所述分配概率与对应的所述集群中心特征进行融合，得到所述目标物品的类别共享特征。

15、在一些实施例中，所述基于所述目标相似性特征，确定所述目标物品对应的推荐任务分配至所述每一预设任务集群的分配概率，包括：基于所述目标相似性特征，采用任务分配网络确定所述目标物品对应的推荐任务分配至所述每一预设任务集群的分配值；以及对所述每一预设任务集群的分配值进行归一化处理，得到所述每一预设任务集群对应的分配概率。

16、在一些实施例中，所述任务分配网络包括第一分配网络层和第二分配网络层；以及

17、所述基于所述目标相似性特征，采用任务分配网络确定所述目标物品对应的推荐任务分配至所述每一预设任务集群的分配值，包括：基于所述目标相似性特征，采用所述第一分配网络层对所述推荐任务进行集群分配，得到所述每一预设任务集群对应的初始分配值，采用所述第二分配网络层对所述初始分配值进行加权，得到加权后的初始分配值，以及将预设修正参数与所述初始分配值相乘，得到所述加权后的初始分配值的修正值，并将所述修正值与所述加权后的初始分配值相加，得到所述分配值。

18、在一些实施例中，所述基于所述目标相似性特征和类别共享特征，确定所述目标物品对应的推荐模型的初始化参数，包括：将所述目标相似性特征和所述类别共享特征进行拼接，得到所述目标物品对应的初始化参数特征；采用调制网络在所述初始化参数特征中识别出所述目标物品对应的调制权重；以及获取所述推荐模型的当前初始化参数，并基于所述调制权重对所述当前初始化参数进行加权，得到所述目标物品对应的所述推荐模型的初始化参数。

19、在一些实施例中，所述获取所述推荐模型的当前初始化参数之前，还包括：获取物品样本集合对应的样本物品信息，并在所述样本物品信息中提取出所述物品样本集合中每一物品样本的样本属性特征、用户特征和上下文特征；将所述样本属性特征、所述用户特征和所述上下文特征进行拼接，得到所述每一物品样本的目标推荐特征；基于所述目标推荐特征，采用预设推荐模型预测所述每一物品样本的预测推荐用户；以及基于所述预测推荐用户对所述预设推荐模型进行收敛，得到所述推荐模型。

20、在一些实施例中，所述基于所述初始化参数，采用所述推荐模型对所述目标物品进行推荐，包括：基于所述初始参数，对所述推荐模型进行初始化；采用初始化后的推荐模型预测预设用户集合中每一用户对所述目标物品的转化率；以及基于所述转化率，在所述预设用户集合中选取出至少一个目标用户，并将所述目标物品推荐至所述至少一个目标用户。

21、在一些实施例中，所述推荐模型为元学习推荐模型。

22、第二方面，本说明书还提供一种物品推荐系统，包括：至少一个存储介质，存储有至少一个指令集，用于进行物品推荐；以及至少一个处理器，同所述至少一个存储介质通信连接，其中，当所述物品推荐系统运行时，所述至少一个处理器读取所述至少一个指令集，并且根据所述至少一个指令集的指示执行本说明书第一方面所述的物品推荐方法。

23、由以上技术方案可知，本说明书提供的物品推荐方法和系统，在获取目标物品的属性信息和用户交互信息后，在属性信息中提取出相似性特征，得到显式相似性特征，并基于用户交互信息，确定与目标物品相似的至少一个物品，以得到隐式相似性特征，以及基于显式相似性特征和隐式相似性特征，确定目标物品对应的推荐模型的初始化参数，并基于初始化参数，采用推荐模型对所述目标物品进行推荐；由于该方案不仅可以在属性信息中提取出目标物品的显式相似性特征，还可以在用户交互信息中挖掘出物品间的相似性，得到目标物品的隐式相似性特征，从而对目标物品冷启动需要的内容进行补充，使得目标物品的表示更加准确，因此，可以提升物品推荐的准确率。

24、本说明书提供的物品推荐方法和系统的其他功能将在以下说明中部分列出。根据描述，以下数字和示例介绍的内容将对那些本领域的普通技术人员显而易见。本说明书提供的物品推荐方法和系统的创造性方面可以通过实践或使用下面详细示例中所述的方法、装置和组合得到充分解释。