一种强化新用户特征的物品冷启动推荐方法和装置与流程

本申请涉及序列推荐，尤其涉及一种强化新用户特征的物品冷启动推荐方法和装置。

背景技术：

1、目标推荐应用能帮助用户及时获取最具有价值的内容，目标推荐应用的推荐结果越精确和高效，用户体验也会越好，用户对目标推荐应用评价就会越高。然而由于目标推荐应用中存在着数量庞大的新用户或新物品，这些新用户和新物品所包含的数据不够充分，例如新用户的基础信息较少时，那么就很难立即确定符合或者与其兴趣爱好相似的物品进行推荐，也即存在推荐冷启动问题。尤其是在目标推荐应用的上线时间比较短，且推广处于初期，有很多的新用户，对于新用户线上行为稀疏、偏好信息不足等问题，训练数据少，容易被老用户带偏，导致新用户的推荐效果不达预期。

2、因此，如何利用好新用户特征，强化新用户特征适应不同场景，提升用户信息不足时冷启动推荐的准确度，是需要解决的技术问题。

技术实现思路

1、有鉴于此，本申请实施例提供了一种强化新用户特征的物品冷启动推荐方法、装置、电子设备及存储介质，以解决现有技术新用户特征对于冷启动推荐结果准确度不高的问题。

2、本申请实施例的第一方面，提供了一种强化新用户特征的物品冷启动推荐方法，包括：

3、获取样本特征数据集；所述样本特征包括用户特征、物品特征和用户物品交叉特征，其中所述用户特征至少包括新用户标签特征；

4、构建物品冷启动推荐模型；所述物品冷启动推荐模型包括浅层塔子模型和深层塔子模型；

5、将所述用户特征、所述物品特征、所述用户物品交叉特征输入至所述浅层塔子模型，获得分别对应于所述用户特征、所述物品特征和所述用户物品交叉特征的权重值；

6、将经过相应权重值调整的所述用户特征、所述物品特征和所述用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果。

7、本申请实施例的第二方面，提供了一种强化新用户特征的物品冷启动推荐装置，包括：

8、样本特征数据获取模块，被配置为获取样本特征数据集；所述样本特征包括用户特征、物品特征和用户物品交叉特征，其中所述用户特征至少包括新用户标签特征；

9、物品冷启动推荐模型构建模块，被配置为构建物品冷启动推荐模型；所述物品冷启动推荐模型包括浅层塔子模型和深层塔子模型；

10、特征权重优化模块，被配置为将所述用户特征、所述物品特征、所述用户物品交叉特征输入至所述浅层塔子模型，获得分别对应于所述用户特征、所述物品特征和所述用户物品交叉特征的权重值；

11、物品冷启动推荐结果获取模块，被配置为将经过相应权重值调整的所述用户特征、所述物品特征和所述用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果。

12、本申请实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现第一方面所述方法的步骤。

13、本申请实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现第一方面所述方法的步骤。

14、本申请实施例与现有技术相比存在的有益效果至少包括：本申请实施例首先获取样本特征数据集；样本特征包括用户特征、物品特征和用户物品交叉特征，其中用户特征至少包括新用户标签特征；构建物品冷启动推荐模型；物品冷启动推荐模型包括浅层塔子模型和深层塔子模型；将用户特征、物品特征、用户物品交叉特征输入至浅层塔子模型，获得分别对应于用户特征、物品特征和用户物品交叉特征的权重值；将经过相应权重值调整的用户特征、物品特征和用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果。本申请强化新用户特征适应不同场景，通过新用户特征调整特征权重，提升了用户信息不足时冷启动推荐的准确度。

技术特征：

1.一种强化新用户特征的物品冷启动推荐方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述浅层塔子模型包括通用特征提取网络和场景特征提取网络。

3.根据权利要求2所述的方法，其特征在于，所述通用特征提取网络包括串联的多个第一全卷积神经网络层以及配置于每个第一全卷积神经网络层之后的sigmoid激活层。

4.根据权利要求3所述的方法，其特征在于，所述场景特征提取网络包括多个相互独立的第二全卷积神经网络层，所述第二全卷积神经网络层的数量与所述通用特征提取网络中的第一全卷积神经网络层数量相同。

5.根据权利要求2至4任一项所述的方法，其特征在于，所述场景特征提取网络，被配置为依据所述新用户标签，获得新用户场景特征，以及基于所述新用户场景特征，与所述通用特征提取网络融合，采用动态权重策略，生成相应特征的权重；所述通用特征提取网络，被配置为与所述场景特征提取网络配合，获得分别对应于所述用户特征、所述物品特征和所述用户物品交叉特征的权重值。

6.根据权利要求5所述的方法，其特征在于，将所述用户特征、所述物品特征、所述用户物品交叉特征输入至所述浅层塔子模型，获得分别对应于所述用户特征、所述物品特征和所述用户物品交叉特征的权重值，包括：

7.根据权利要求1所述的方法，其特征在于，将经过权重值调整的所述用户特征、所述物品特征和所述用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果，包括：

8.一种强化新用户特征的物品冷启动推荐装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时，实现如权利要求1至7中任一项所述方法的步骤。

10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

技术总结
本申请涉及序列推荐技术领域，提供了一种强化新用户特征的物品冷启动推荐方法和装置。该方法包括获取样本特征数据集；样本特征包括用户特征、物品特征和用户物品交叉特征，其中用户特征至少包括新用户标签特征；构建物品冷启动推荐模型；物品冷启动推荐模型包括浅层塔子模型和深层塔子模型；将用户特征、物品特征、用户物品交叉特征输入至浅层塔子模型，获得分别对应于用户特征、物品特征和用户物品交叉特征的权重值；将经过相应权重值调整的用户特征、物品特征和用户物品交叉特征输入至深层塔子模型，获得物品冷启动推荐结果。本申请强化新用户特征适应不同场景，通过新用户特征调整特征权重，提升了用户信息不足时冷启动推荐的准确度。

技术研发人员：徐琳,孙若愚,董辉
受保护的技术使用者：深圳须弥云图空间科技有限公司
技术研发日：
技术公布日：2024/2/19