推荐项目的方法和装置的制造方法
【技术领域】
[0001]本发明涉及网络技术领域，并且更具体地，涉及推荐项目的方法和装置。
【背景技术】
[0002]随着信息技术和电子商务的发展，产品的数量和种类快速增长，对于用户而言，从大量产品中找到自己感兴趣的产品是一件非常困难的事情，对于产品生产者来说，让自己的产品受到广大用户的关注，也是一件非常困难的事情。在这种情况下，推荐系统应运而生，推荐系统能够主动为用户推荐满足用户需求的产品。
[0003]传统的推荐系统中存在新项目的冷启动问题，例如，在基于协同过滤的推荐技术中，需要对被推荐项目的评分结果进行建模，也就是说要依靠用户对项目的评分向用户推荐该项目，对于进入推荐系统的新项目来说，由于缺乏足够的评分信息甚至没有评分信息，从而导致推荐系统对新项目的推荐功能失效。
【发明内容】
[0004]本发明实施例提供了一种推荐项目的方法和装置，能够解决新项目的冷启动问题。
[0005]第一方面，提供了一种推荐项目的方法，该方法包括:获取第一用户的请求数据，确定满足请求数据的m个新项目，并根据m个新项目对应的出价数据对m个新项目进行排序，得到m个新项目的排序数据，m个新项目是在预设时段内接收的项目，m为正整数；根据m个新项目的排序数据，生成第一用户的推荐列表。
[0006]结合第一方面，在第一种可能的实现方式中，在确定满足请求数据的m个新项目之前，该方法还包括:获取在预设时段内接收的Μ个新项目的属性数据，Μ为大于m的正整数；确定满足请求数据的m个新项目包括:根据Μ个新项目的属性数据，从Μ个新项目中确定满足请求数据的m个新项目。
[0007]结合第一方面或第一种可能的实现方式，在第二种可能的实现方式中，在获取第一用户的请求数据之后，该方法还包括:获取N个历史项目的属性数据，N为正整数；获取X个用户的行为数据，X为正整数；使用深度学习技术，对N个历史项目的属性数据和X个用户的行为数据进行训练，得到推荐模型；在获取第一用户的请求数据之后，方法还包括:根据N个历史项目的属性数据，确定满足请求数据的η个历史项目的属性数据，η为小于Ν的正整数；将请求数据和η个历史项目的属性数据输入推荐模型，得到η个历史项目的排序因子；其中，根据m个新项目的排序数据，生成第一用户的推荐列表，包括:根据m个新项目的排序数据和η个历史项目的排序因子，生成第一用户的推荐列表。
[0008]结合第二种可能的实现方式，在第三种可能的实现方式中，使用深度学习技术，对X个用户的行为数据和Ν个历史项目的属性数据进行训练，得到推荐模型，包括:对X个用户的行为数据和Ν个历史项目的属性数据进行特征变换；使用深度学习技术，对特征变换后的X个用户的行为数据和Ν个历史项目的属性数据进行训练，得到推荐模型。
[0009]结合第三种可能的实现方式，在第四种可能的实现方式中，对X个用户的行为数据和N个历史项目的属性数据进行特征变换包括:确定X个用户的行为数据的数据类型分别对应的用户行为统计值，并确定N个历史项目的属性数据的数据类型分别对应的用户行为统计值；将X个用户的行为数据的数据类型分别对应的数据替换为X个用户的行为数据的数据类型分别对应的用户行为统计值，并将N个历史项目的属性数据的数据类型分别对应的数据替换为N个历史项目的属性数据的数据类型分别对应的用户行为统计值。
[0010]结合第一方面或第一种至第四种可能的实现方式中的任一种可能的实现方式，在第五种可能的实现方式中，项目为应用Αρρ。
[0011]第二方面，提供了一种推荐项目的方法，该方法包括:获取第一用户的请求数据；确定满足请求数据的m个项目，m为正整数；根据推荐模型确定m个项目的排序，推荐模型是采用深度学习技术得到的；根据m个项目的排序，生成第一用户的推荐列表。
[0012]结合第二方面，在第二方面的第一种可能的实现方式中，在根据推荐模型确定m个项目的排序之前，该方法还包括:获取X个用户的行为数据，X为正整数；获取Μ个项目的属性数据，Μ为正整数；使用深度学习技术，对X个用户的行为数据和Μ个项目的属性数据进行训练，得到推荐模型。
[0013]结合第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，使用深度学习技术，对X个用户的行为数据和Μ个项目的属性数据进行训练，得到推荐模型，包括:对X个用户的行为数据和Μ个项目的属性数据进行特征变换；使用深度学习技术，对特征变换后的X个用户的行为数据和Μ个项目的属性数据进行训练，得到推荐模型。
[0014]结合第二方面的第二种可能的实现方式，在第二方面的第三种可能的实现方式中，对X个用户的行为数据和Μ个项目的属性数据进行特征变换包括:确定X个用户的行为数据的数据类型分别对应的用户行为统计值，并确定Μ个项目的属性数据的数据类型分别对应的用户行为统计值；将乂个用户的行为数据的数据类型分别对应的数据替换为X个用户的行为数据的数据类型分别对应的用户行为统计值，并将Μ个项目的属性数据的数据类型分别对应的数据替换为Μ个项目的属性数据的数据类型分别对应的用户行为统计值。
[0015]结合第二方面的第一种或第二种或第三种可能的实现方式中的任一种可能的实现方式，在第二方面的第四种可能的实现方式中，确定满足请求数据的m个项目包括:根据Μ个项目的属性数据，从Μ个项目中确定满足请求数据的m个项目；根据推荐模型确定m个项目的排序包括:将请求数据和m个项目的属性数据输入推荐模型，得到m个项目的排序因子；根据m个项目的排序因子确定m个项目的排序。
[0016]结合第二方面或第二方面的第一种至第四种可能的实现方式中的任一种可能的实现方式，在第二方面的第五种可能的实现方式中，项目为应用Αρρ。
[0017]第三方面，提供了一种推荐项目的装置，该装置包括:请求数据获取模块，用于获取第一用户的请求数据；确定模块，用于确定满足请求数据的m个新项目，m个新项目是在预设时段内接收的项目，m为正整数；排序数据获取模块，用于根据m个新项目的出价数据对m个新项目进行排序，得到m个新项目的排序数据；推荐模块，用于根据m个新项目的排序数据生成第一用户的推荐列表。
[0018]结合第三方面，在第三方面的第一种可能的实现方式中，该装置还包括:属性数据获取模块，用于在确定模块确定满足请求数据的m个新项目之前，获取在预设时段内接收的Μ个新项目的属性数据，Μ为大于m的正整数；确定模块具体用于根据属性数据获取模块获取的Μ个新项目的属性数据，从Μ个新项目中确定满足请求数据的m个新项目。
[0019]结合第三方面或第三方面的第一种可能的实现方式，在第三方面的第二种可能的实现方式中，属性数据获取模块还用于获取N个历史项目的属性数据，N为正整数；该装置还包括:行为数据获取模块，用于获取X个用户的行为数据，X为正整数；模型训练模块，用于使用深度学习技术，对属性数据获取模块获取的N个历史项目的属性数据和行为数据获取模块获取的X个用户的行为数据进行训练，得到推荐模型；确定模块还用于在请求数据获取模块获取第一用户的请求数据之后，根据属性数据获取模块获取的N个历史项目的属性数据，确定满足请求数据的η个历史项目，η为小于Ν的正整数；推荐模块还用于将请求数据和η个历史项目的属性数据输入推荐模型中，得到η个历史项目的排序因子；推荐模块具体用于根据m个新项目的排序数据和η个历史项目的排序因子，生成第一用户的推荐列表。
[0020]结合第三方面的第二种可能的实现方式，在第三方面的第三种可能的实现方式中，模型训练模块具体用于:对行为数据获取模块获取的X个用户的行为数据和属性数据获取模块获取的Ν个历史项目的属性数据进行特征变换；使用深度学习技术，对特征变换后的X个用户的行为数据和Ν个历史项目的属性数据进行训练，得到推荐模型。
[0021]结合第三方面的第三种可能的实现方式，在第三方面的第四种可能的实现方式中，模型训练模块具体用于:确定X个用户的行为数据的数据类型分别对应的用户行为统计值，并确定Ν个历史项目的属性数据的数据类型分别对应的用户行为统计值；将X个用户的行为数据的数据类型分别对应的数据替换为X个用户的行为数据的数据类型分别对应的用户行为统计值，并将Ν个历史项目的属性数据的数据类型分别对应的数据替换为Ν个历史项目的属性数据的数据类型分别对应的用户行为统计值。
[0022]结合第三方面或第三方面的第一种至第四种可能的实现方式中的任一种可能的实现方式，在第三方面的第五种可能的实现方式中，项目为应用Αρρ。
[0023]第四方面，提供了一种推荐项目的装置，该装置包括:请求数据获取模块，用于获取第一用户的请求数据；确定模块，用于确定满足请求数据获取模块获取的请求数据的m个项目，m为正整数；确定模块还用于根据推荐模型确定m个项目的排序，推荐模型是采用深度学习技术得到的；推荐模块，用于根据推荐模块确定的m个项目的排序，生成第一用户的推荐列表。
[0024]结合第四方面，在第四方面的第一种可能的实现方式中，该装置还包括:行为数据获取模块，用于在确定模块根据推荐模型确定m个项目的排序之前，获取X个用户的行为数据，X为正整数；属性数据获取模块，用于在确定模块根据推荐模型确定m个项目的排序之前，获取Μ个项目的属性数据，Μ为大于m的正整数；模型训练模块，用于使用深度学习技术，对行为数据获取模块获取的X个用户的行为数据和属性数据获取模块获取的Μ个项目的属性数据进行训练，得到推荐模型。
[0025]结合第四方面的第一种可能的实现方式，在第四方面的第二种可能的实现方式中，模型训练模块具体用于:对X个用户的行为数据和Μ个项目的属性数据进行特征变换；使用深度学习技术，对特征变换后的X个用户的行为数据和Μ个项目的属性数据进行训练，得到推荐模型。
[0026]结合第四方面的第二种可能的实现方式，在第四方面的第三种可能的实现方式中，模型训练模块具体用于:确定X个用户的行为数据的数据类型分别对应的用户行为统计值，并确定Μ个项目的属性数据的数据类型分别对应的用户行为统计值；将X个用户的行为数据的数据类型分别对应的数据替换为X个用户的行为数据的数据类型分别对应的用户行为统计值，并将Μ个项目的属性数据的数据类型分别对应的数据替换为Μ个项目的属性数据的数据类型分别对应的用户行为统计值。
[0027]结合第四方面的第一种或第二种或第三种可能的实现方式，在第四方面的第四种可能的实现方式中，确定模块具体用于根据属性数据获取模块获取的Μ个项目的属性数据，从Μ个项目中确定满足请求数据的m个项目；确定模块具体用于:将请求数据和m个项目的属性数据输入推荐模型，得到m个项目的排序因子；根据m个项目的排序因子确定m个项目的排序。
[0028]结合第四方面或第四方面的第一种至第四种可能的实现方式中的任一种可能的实现方式，在第四方面的第五种可能的实现方式中，项目为应用Αρρ。
[0029]基于上述技术方案，根据新项目的出价数据确定该新项目的排序数据，并根据该新项目的排序数据生成推荐列表，能够根据新项目的出价数据推荐新项目，从而能够解决推荐系统中新项目的冷启动问题。
【附图说明】
[0030]为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发