商品评分推荐方法及其装置、设备、介质、产品与流程

本技术涉及电商信息处理技术，尤其涉及一种商品评分推荐方法及其装置、设备、介质、产品。

背景技术：

1、在电商平台的商品推荐业务场景中，常基于商品项的商品信息预测其相应的点击率，以便根据点击率确定商品项的推荐排序，通过优先推荐具有潜在高点击率的商品项，来提升线上店铺的商品交易总额。

2、传统技术中，通常基于深度学习模型来提取商品信息中的文本信息、图像信息的深层语义，然后基于相应的深层语义信息直接预测相应的点击率，这种处理方式较为粗糙，无法挖掘出各种具体商品信息之间的潜在关联关系，因而，难以获得准确的点击率结果。

3、例如，对于老龄女性也喜欢潮流服饰这样的事实，涉及到性别、年龄、服装颜色、款式等多方面的特征，这些特征之间的如果仅依赖传统的技术方案，往往难以挖掘获得，可见，商品信息中的各种具体数据之间的关联和交互异常复杂，仅仅通过宏观层面的语义抽象，难以获得其隐层特征，从而无法获得准确的预测结果。

4、有鉴于此，需要探索其他方式以实现对商品项的推荐价值的预测。

技术实现思路

1、本技术的目的在于解决上述问题而提供一种商品评分推荐方法及其相应的装置、设备、非易失性可读存储介质，以及计算机程序产品。

2、根据本技术的一个方面，提供一种商品评分推荐方法，包括如下步骤：

3、获取商品项的商品信息，所述商品信息包括具有不同数据特征的描述数据；

4、根据不同数据特征相对应的编码方式对各个描述数据进行编码，获得各个描述数据相对应的特征向量，包括文本型特征向量和标签型特征向量；

5、将所有文本型特征向量输入文本评价模型预测出第一评分，将所有标签型特征向量输入点击率评价模型预测出第二评分，将第一评分与第二评分汇总为所述商品项的推荐评分。

6、可选的，根据不同数据特征相对应的编码方式对各个描述数据进行编码，获得各个描述数据相对应的特征向量，包括：

7、对于表示为描述文本的字符串数据特征相对应的描述数据，对所述描述数据进行词嵌入获得其相应的文本型特征向量；

8、对于表示特定连续值域范围内的连续值型数据特征相对应的描述数据，先按不同数值区间设置分段，根据所述描述数据相对应的分段数值标识将所述描述数据转换为类别型数据特征；

9、对于任意类别型数据特征相对应的描述数据，对所述描述数据进行独热编码获得其相应的标签型特征向量；

10、对于具有不同时刻统计意义的多数值型数据特征相对应的描述数据，将所述描述数据中各时序数值有序构造为相应的标签型特征向量；

11、对于包含多个枚举标签的枚举型数据特征的描述数据，获取各个枚举标签相对应的词嵌入特征构造为所述描述数据相应的标签型特征向量；

12、对于携带数字信息的序列编码型数据特征相对应的描述数据，先切除其中的非数字部分，将纯数字部分转换为以浮点型数据表示的标签型特征向量。

13、可选的，将所有文本型特征向量输入文本评价模型预测出第一评分，包括：

14、由所述文本评价模型中的特征提取网络提取所述文本型特征向量的深层语义信息，获得序列语义向量；

15、由所述文本评价模型中的分类器将所述序列语义向量映射到预设的分类，获得相应分类的分类概率，作为第一评分。

16、可选的，将所有标签型特征向量输入点击率评价模型预测出第二评分，包括：

17、将全部标签型特征向量分别输入所述点击率评价模型；

18、由所述点击率评价模型中的线性映射网络提取出全部标签型特征向量相对应的第一语义信息；

19、由所述点击率评价模型中的深度学习网络提取出全部标签型特征向量相对应的第二语义信息；

20、由所述点击率评价模型中的分类器根据所述第一语义信息和第二语义信息预测出第二评分。

21、可选的，获取商品项的商品信息之前，包括：

22、采用预设的训练样本的文本型特征向量和标签型特征向量分别输入所述文本评价模型和点击率评价模型进行预测，获得两者相应的第一评分和第二评分，将第一评分和第二评分汇总为推荐评分；

23、采用与所述训练样本相应的分值标签计算所述推荐评分的损失值，根据所述损失值修正所述文本评价模型和点击率评价模型的权重参数；

24、迭代以上过程直至根据所述损失值确定所述文本评价模型和点击率评价模型达到收敛状态为止。

25、可选的，将第一评分与第二评分汇总为所述商品项的推荐评分之后，包括：

26、响应任意用户触发的商品推荐事件，按照推荐评分对优选商品列表中的各个商品项进行自大至小的排序；

27、获取排序靠前的若干商品项的商品信息构成商品推荐列表，推送给所述任意用户。

28、根据本技术的另一方面，提供一种商品评分推荐装置，包括：

29、信息获取模块，设置为获取商品项的商品信息，所述商品信息包括具有不同数据特征的描述数据；

30、特征编码模块，设置为根据不同数据特征相对应的编码方式对各个描述数据进行编码，获得各个描述数据相对应的特征向量，包括文本型特征向量和标签型特征向量；

31、商品评分模块，设置为将所有文本型特征向量输入文本评价模型预测出第一评分，将所有标签型特征向量输入点击率评价模型预测出第二评分，将第一评分与第二评分汇总为所述商品项的推荐评分。

32、根据本技术的另一方面，提供一种商品评分推荐设备，包括中央处理器和存储器，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本技术所述的商品评分推荐方法的步骤。

33、根据本技术的另一方面，提供一种非易失性可读存储介质，其以计算机可读指令的形式存储有依据所述的商品评分推荐方法所实现的计算机程序，所述计算机程序被计算机调用运行时，执行该方法所包括的步骤。

34、根据本技术的另一方面，提供一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现本技术任意一种实施例中所述方法的步骤。

35、相对于现有技术，本技术通过区分商品信息中描述数据的不同数据特征，对不同数据特征的描述数据进行区别性的编码，针对文本信息相应的描述数据编码获得文本型特征向量，针对非文本信息的描述数据编码获得标签型特征向量，然后采用文本评价模型对文本型特征向量进行预测获得第一评分，采用点击率评价模型对标签型特征向量进行预测获得第二评分，最后综合第一评分和第二评分获得推荐评分，由于分开两类特征向量经不同模型进行处理，其中的标签型特征向量能够使商品项的商品信息各种各样的商品数据，无论是数值型数据还是枚举型数据等，均能从稀疏状态转换为低维稠密向量，从而能够由点击率预测模型深度挖掘出各个标签型特征向量之间的隐层特征，也就实现对纷繁复杂的多种描述数据之间的关联语义的深度挖掘，在深度挖掘出的关联语义信息的基础上预测出相应的评分，使最终获得的推荐评分更为有效准确地表示商品项的潜在购买力，便于商品推荐服务根据相应的推荐评分对商品项进行精排序和优选，从而使商品推荐服务更为有效。