本发明涉及计算机科学,具体而言,涉及一种基于多模态数据的商品推荐方法、装置、设备及介质。
背景技术:
1、目前,由于用户和商品的交互行为通常是不平衡的,推荐模型可能难以充分利用数据中的信息,导致个性化推荐效果不尽如人意。其次,传统的深度学习模型通常采用静态的特征建模方式,忽视了用户和商品的兴趣和特征变化的情况。而用户的历史行为对于推荐过程来说是非常重要的,它可以提供关于用户兴趣和偏好的有价值信息,但在目前的深度学习模型中未充分利用。故,现在亟需一种能准确向用户进行推荐系统。
技术实现思路
1、本发明的目的在于提供一种基于多模态数据的推荐方法、装置、设备及可读存储介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
2、第一方面,本申请提供了一种基于多模态数据的推荐方法,包括:获取目标用户数据和候选商品数据,所述候选商品数据均包括商品属性信息和商品图像,所述目标用户数据包括行为数据和基本信息;对目标用户数据和候选商品数据进行清洗预处理,得到清洗预处理后的目标用户数据和候选商品数据;将清洗预处理后的目标用户数据和候选商品数据进行向量特征提取处理,得到目标用户数据和候选商品数据分别对应的向量特征;在横向维度的拼接目标用户数据和候选商品数据对应的向量特征,得到混合向量;将混合向量输入至预设的神经网络模型中进行处理得到商品推荐结果。
3、第二方面,本申请还提供了一种基于多模态数据的推荐装置,包括:获取单元,用于获取目标用户数据和候选商品数据,所述候选商品数据均包括商品属性信息和商品图像,所述目标用户数据包括行为数据和基本信息;预处理单元,用于对目标用户数据和候选商品数据进行清洗预处理,得到清洗预处理后的目标用户数据和候选商品数据;特征提取单元,用于将清洗预处理后的目标用户数据和候选商品数据进行向量特征提取处理,得到目标用户数据和候选商品数据分别对应的向量特征;拼接单元,用于在横向维度的拼接目标用户数据和候选商品数据对应的向量特征,得到混合向量;推荐单元,用于将混合向量输入至预设的神经网络模型中进行处理得到商品推荐结果。
4、第三方面,本申请还提供了一种基于多模态数据的推荐设备,包括:
5、存储器,用于存储计算机程序;
6、处理器,用于执行所述计算机程序时实现所述基于多模态数据的推荐方法的步骤。
7、第四方面,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于多模态数据的推荐方法的步骤。
8、本发明的有益效果为:
9、本发明通过考虑了用户和商品的兴趣和特征可能会随时间变化的情况,通过用户评论时间的远近进行特征权重的分配,实现了更加准确的商品推荐,同时关于商品,本方法引入商品图像特征作为构建商品画像的一部分,充分利用图像的直观属性特点,并结合商品的描述文本特征,更细致地构建商品描述画像,从而提升模型的精确度。
10、本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
1.一种基于多模态数据的推荐方法,其特征在于,包括:
2.根据权利要求1所述的基于多模态数据的推荐方法,其特征在于,将清洗预处理后的目标用户数据和候选商品数据进行向量特征提取处理,得到目标用户数据和候选商品数据分别对应的向量特征,所述行为数据包括目标用户对分别对不同商品的文本评论,包括:
3.根据权利要求2所述的基于多模态数据的推荐方法,其特征在于,对所述商品属性信息和除目标用户对商品的文本评论以外的目标用户数据分别数值化其特征,得到所述商品属性信息和目标用户数据对应的二进制向量,包括:
4.根据权利要求2所述的基于多模态数据的推荐方法,其特征在于,根据目标用户对分别对不同商品的文本评论对应的评论时间戳对每个文本评论对应的密集向量赋予不同的权重,包括:
5.一种基于多模态数据的推荐装置,其特征在于,包括:
6.根据权利要求5所述的基于多模态数据的推荐装置,其特征在于,所述行为数据包括目标用户对分别对不同商品的文本评论,特征提取单元包括:
7.根据权利要求6所述的基于多模态数据的推荐装置,其特征在于,所述第二向量单元包括:
8.根据权利要求6所述的基于多模态数据的推荐装置,其特征在于,所述时间权重单元包括:
9.一种基于多模态数据的推荐设备,其特征在于,包括:
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于多模态数据的推荐方法的步骤。