CN108268934A - 基于深度学习的推荐方法和装置、电子设备、介质、程序 - Google Patents

基于深度学习的推荐方法和装置、电子设备、介质、程序 Download PDF

Info

Publication number
CN108268934A
CN108268934A CN201810024218.9A CN201810024218A CN108268934A CN 108268934 A CN108268934 A CN 108268934A CN 201810024218 A CN201810024218 A CN 201810024218A CN 108268934 A CN108268934 A CN 108268934A
Authority
CN
China
Prior art keywords
probability
submodel
user
target
article
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810024218.9A
Other languages
English (en)
Inventor
闵志宇
林达华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN201810024218.9A priority Critical patent/CN108268934A/zh
Publication of CN108268934A publication Critical patent/CN108268934A/zh
Priority to SG11202001510TA priority patent/SG11202001510TA/en
Priority to PCT/CN2018/117690 priority patent/WO2019137104A1/zh
Priority to US16/453,553 priority patent/US11379901B2/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H04L67/306—User profiles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例公开了一种基于深度学习的推荐方法和装置、电子设备、介质、程序，其中，方法包括：分别获取目标用户的相关信息和目标物品的相关信息；分别利用集成模型中的各子模型，基于目标用户的相关信息和目标物品的相关信息得到各所述子模型对应的操作概率；基于各所述子模型对应的操作概率得到目标用户操作目标物品的目标概率；基于目标概率为目标用户推荐所述目标物品。本发明上述实施例通过集成的至少两个子模型分别获得操作概率，再基于至少两个操作概率得到目标用户操作目标物品的目标概率，利用了各子模型之间的互补性，使各子模型专精的不同的数据分布得到互补，得到的概率值更能准确预测目标用户对目标物品点击的概率。

Description

基于深度学习的推荐方法和装置、电子设备、介质、程序
技术领域
本发明涉及互联网技术，尤其是一种基于深度学习的推荐方法和装置、电子设备、介质、程序。
背景技术
推荐***已经成为电子商务和许多在线共享服务的核心，从技术角度而言，推荐***通常是基于内容或协同过滤产生。前者主要依靠物品的特征，而后者基于来自其他具有相似历史的用户；在现实应用中，协同过滤已经显示出很大的功效。
发明内容
本发明实施例提供的一种基于深度学习的推荐技术。
根据本发明实施例的一个方面，提供的一种基于深度学习的推荐方法，包括：
分别获取所述目标用户的相关信息和所述目标物品的相关信息；所述相关信息包括用于描述与用户的操作相关的，或与***作的物品相关的任意一个或多个信息；
分别利用集成模型中的各子模型，基于所述目标用户的相关信息和所述目标物品的相关信息得到各所述子模型对应的操作概率；所述操作概率用于表示基于一个子模型得到的所述目标用户操作所述目标物品的概率，所述集成模型包括至少两个子模型，所述集成模型经过对所述各子模型之间的关系进行训练获得；
基于所述各子模型对应的操作概率得到所述目标用户操作所述目标物品的目标概率；
基于所述目标概率为所述目标用户推荐所述目标物品。
在基于本发明上述方法的另一个实施例中，所述目标用户的相关信息包括：所述目标用户操作历史物品的历史信息，所述历史物品包括所述目标用户操作过的所有物品；
和/或，
所述目标物品的相关信息包括：所述目标物品被历史用户操作的历史信息，所述历史用户包括操作过所述目标物品的所有用户。
在基于本发明上述方法的另一个实施例中，所述分别利用集成模型中的各子模型，基于所述目标用户的相关信息和所述目标物品的相关信息得到各所述子模型对应的操作概率，包括：
利用所述子模型分别将所述目标用户的相关信息和所述目标物品的相关信息向量化，得到用户向量和物品向量；
基于所述用户向量和所述物品向量得到所述操作概率。
在基于本发明上述方法的另一个实施例中，基于所述用户向量和所述物品向量得到所述操作概率，包括：
计算所述用户向量与所述物品向量的点积得到操作值，基于所述操作值得到所述操作概率。
在基于本发明上述方法的另一个实施例中，基于所述各子模型对应的操作概率得到所述目标用户操作所述目标物品的目标概率，包括：
分别计算所述操作概率与所述操作概率对应的子模型的模型权重值的乘积，每个所述模型权重值对应一个所述子模型；
将所述对应各所述操作概率的乘积相加，得到所述目标用户操作所述目标物品的目标概率。
在基于本发明上述方法的另一个实施例中，基于所述目标概率为所述目标用户推荐所述目标物品，包括：
响应于所述目标概率大于或等于预设阈值，将所述目标概率对应的所述目标物品推荐给所述目标用户；
响应于所述目标概率小于所述预设阈值，不将所述目标概率对应的所述目标物品推荐给所述目标用户。
在基于本发明上述方法的另一个实施例中，所述集成模型的训练方法，包括：
基于历史用户和历史物品训练所述集成模型，所述历史用户对所述历史物品操作的历史概率为已知的。
在基于本发明上述方法的另一个实施例中，所述基于历史用户和历史物品训练所述集成模型，包括：
基于所述历史用户和所述历史物品，建立对应所述历史用户和所述历史物品的历史向量；
利用集成模型对所述历史向量进行分解，获得至少一个样本用户向量和至少一个样本物品向量；
基于所述样本用户向量和所述样本物品向量获得预测概率；所述预测概率表示所述集成模型预测的所述历史用户操作所述历史物品的概率；
基于所述预测概率和所述历史概率训练所述集成模型。
在基于本发明上述方法的另一个实施例中，所述利用集成模型对所述历史向量进行分解，获得至少一个样本用户向量和至少一个样本物品向量，包括：
利用初始集成模型对所述历史向量进行分解，获得至少一个样本用户向量和至少一个样本物品向量，所述初始集成模型包括一个子模型。
在基于本发明上述方法的另一个实施例中，基于所述样本用户向量和所述样本物品向量获得预测概率，包括：
利用所述初始集成模型计算所述样本用户向量和所述样本物品向量的点积，得到对应所述历史用户点击所述历史物品的预测值，基于所述预测值得到预测概率。
在基于本发明上述方法的另一个实施例中，基于所述预测概率和所述历史概率训练所述集成模型，包括：
根据所述预测概率与所述历史概率的差值，为所述预测概率对应的所述历史用户和所述历史物品分配数据权重值；所述差值越大所述数据权重值越大；
基于所述结合数据权重值的样本用户向量和样本物品向量迭代训练所述集成模型。
在基于本发明上述方法的另一个实施例中，基于所述结合数据权重值的样本用户向量和样本物品向量迭代训练集成模型，包括：
对初始集成模型增加一个子模型构成第一集成模型；
利用所述第一集成模型，结合所述数据权重值计算所述样本用户向量和所述样本物品向量的点积，得到对应所述历史用户点击所述历史物品的第一预测值，基于所述第一预测值得到第一预测概率；
迭代执行，根据所述第一预测概率与所述历史概率的第一差值，基于所述第一差值为所述第一集成模型中的各所述子模型分配对应的模型权重值，并基于所述第一差值为所述第一预测概率对应的所述历史用户和所述历史物品分配第一数据权重值；
对所述第一集成模型增加一个子模型构成第二集成模型，将所述第二集成模型作为第一集成模型，利用所述第一集成模型，结合所述第一数据权重值计算所述样本用户向量和所述样本物品向量的点积，得到对应所述历史用户点击所述历史物品的第一预测值，基于所述第一预测值得到第一预测概率；直到满足预设收敛条件。
在基于本发明上述方法的另一个实施例中，所述满足预设收敛条件，包括：
所述第一预测概率与所述历史概率的第一差值小于预设差值。
根据本发明实施例的另一个方面，提供的一种基于深度学习的推荐装置，包括：
信息获取单元，用于分别获取目标用户的相关信息和目标物品的相关信息；所述相关信息包括用于描述与用户的操作相关的，或与***作的物品相关的任意一个或多个信息；
概率获取单元，用于分别利用集成模型中的各子模型，基于所述目标用户的相关信息和所述目标物品的相关信息得到各所述子模型对应的操作概率；所述操作概率用于表示基于一个子模型得到的所述目标用户操作所述目标物品的概率，所述集成模型包括至少两个子模型，所述集成模型经过对所述各子模型之间的关系进行训练获得；
概率合成单元，用于基于所述各子模型对应的操作概率得到所述目标用户操作所述目标物品的目标概率；
推荐单元，用于基于所述目标概率为所述目标用户推荐所述目标物品。
在基于本发明上述装置的另一个实施例中，所述目标用户的相关信息包括：所述目标用户操作历史物品的历史信息，所述历史物品包括所述目标用户操作过的所有物品；
和/或，
所述目标物品的相关信息包括：所述目标物品被历史用户操作的历史信息，所述历史用户包括操作过所述目标物品的所有用户。
在基于本发明上述装置的另一个实施例中，所述概率获取单元，包括：
向量化模块，用于利用所述子模型分别将所述目标用户的相关信息和所述目标物品的相关信息向量化，得到用户向量和物品向量；
操作概率模块，用于基于所述用户向量和所述物品向量得到所述操作概率。
在基于本发明上述装置的另一个实施例中，所述操作概率模块，具体用于计算所述用户向量与所述物品向量的点积得到操作值，基于所述操作值得到所述操作概率。
在基于本发明上述装置的另一个实施例中，所述概率合成单元，具体用于分别计算所述操作概率与所述操作概率对应的子模型的模型权重值的乘积，每个所述模型权重值对应一个所述子模型；将所述对应各所述操作概率的乘积相加，得到所述目标用户操作所述目标物品的目标概率。
在基于本发明上述装置的另一个实施例中，所述推荐单元，具体用于：
响应于所述目标概率大于或等于预设阈值，将所述目标概率对应的所述目标物品推荐给所述目标用户；
响应于所述目标概率小于所述预设阈值，不将所述目标概率对应的所述目标物品推荐给所述目标用户。
在基于本发明上述装置的另一个实施例中，还包括：
训练单元，用于基于历史用户和历史物品训练所述集成模型，所述历史用户对所述历史物品操作的历史概率为已知的。
在基于本发明上述装置的另一个实施例中，所述训练单元，包括：
向量模块，用于基于所述历史用户和所述历史物品，建立对应所述历史用户和所述历史物品的历史向量；
分解模块，用于利用集成模型对所述历史向量进行分解，获得至少一个样本用户向量和至少一个样本物品向量；
概率预测模块，用于基于所述样本用户向量和所述样本物品向量获得预测概率；所述预测概率表示所述集成模型预测的所述历史用户操作所述历史物品的概率；
模型训练模块，用于基于所述预测概率和所述历史概率训练所述集成模型。
在基于本发明上述装置的另一个实施例中，所述分解模块，具体用于利用初始集成模型对所述历史向量进行分解，获得至少一个样本用户向量和至少一个样本物品向量，所述初始集成模型包括一个子模型。
在基于本发明上述装置的另一个实施例中，所述概率预测模块，具体用于利用所述初始集成模型计算所述样本用户向量和所述样本物品向量的点积，得到对应所述历史用户点击所述历史物品的预测值，基于所述预测值得到预测概率。
在基于本发明上述装置的另一个实施例中，所述模型训练模块，包括：
权重分配模块，用于根据所述预测概率与所述历史概率的差值，为所述预测概率对应的所述历史用户和所述历史物品分配数据权重值；所述差值越大所述数据权重值越大；
迭代训练模块，用于基于所述结合数据权重值的样本用户向量和样本物品向量迭代训练所述集成模型。
在基于本发明上述装置的另一个实施例中，所述迭代训练模块，具体用于：
对初始集成模型增加一个子模型构成第一集成模型；
利用所述第一集成模型，结合所述数据权重值计算所述样本用户向量和所述样本物品向量的点积，得到对应所述历史用户点击所述历史物品的第一预测值，基于所述第一预测值得到第一预测概率；
迭代执行，根据所述第一预测概率与所述历史概率的第一差值，基于所述第一差值为所述第一集成模型中的各所述子模型分配对应的模型权重值，并基于所述第一差值为所述第一预测概率对应的所述历史用户和所述历史物品分配第一数据权重值；
对所述第一集成模型增加一个子模型构成第二集成模型，将所述第二集成模型作为第一集成模型，利用所述第一集成模型，结合所述第一数据权重值计算所述样本用户向量和所述样本物品向量的点积，得到对应所述历史用户点击所述历史物品的第一预测值，基于所述第一预测值得到第一预测概率；直到满足预设收敛条件。
在基于本发明上述装置的另一个实施例中，所述满足预设收敛条件，包括：
所述第一预测概率与所述历史概率的第一差值小于预设差值。
根据本发明实施例的另一个方面，提供的一种电子设备，包括处理器，所述处理器包括如上所述的基于深度学习的推荐装置。
根据本发明实施例的另一个方面，提供的一种电子设备，包括：存储器，用于存储可执行指令；
以及处理器，用于与所述存储器通信以执行所述可执行指令从而完成如上所述基于深度学习的推荐方法的操作。
根据本发明实施例的另一个方面，提供的一种计算机存储介质，用于存储计算机可读取的指令，所述指令被执行时执行如上所述基于深度学习的推荐方法的操作。
根据本发明实施例的另一个方面，提供的一种计算机程序，包括计算机可读代码，当所述计算机可读代码在设备上运行时，所述设备中的处理器执行用于实现如上所述基于深度学习的推荐方法的指令。
基于本发明上述实施例提供的一种基于深度学习的推荐方法和装置、电子设备、介质、程序，分别获取目标用户的相关信息和目标物品的相关信息；分别利用集成模型中的各子模型，基于目标用户的相关信息和目标物品的相关信息得到各子模型对应的操作概率；通过集成的至少两个子模型分别获得操作概率，再基于至少两个操作概率得到目标用户操作目标物品的目标概率，利用了各子模型之间的互补性，使各子模型专精的不同的数据分布得到互补，得到的概率值更能准确预测目标用户对目标物品点击的概率；基于目标概率为目标用户推荐目标物品。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
构成说明书的一部分的附图描述了本发明的实施例，并且连同描述一起用于解释本发明的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本发明，其中：
图1为本发明基于深度学习的推荐方法一个实施例的流程图。
图2为本发明基于深度学习的推荐方法具体应用的一个示例示意图。
图3为本发明基于深度学习的推荐方法中训练集成模型的一个具体示例示意图。
图4为本发明基于深度学习的推荐装置一个实施例的结构示意图。
图5为用来实现本申请实施例的终端设备或服务器的电子设备的结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于计算机***/服务器，其可与众多其它通用或专用计算***环境或配置一起操作。适于与计算机***/服务器一起使用的众所周知的计算***、环境和/或配置的例子包括但不限于：个人计算机***、服务器计算机***、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的***、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机***、大型计算机***和包括上述任何***的分布式云计算技术环境，等等。
计算机***/服务器可以在由计算机***执行的计算机***可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机***/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算***存储介质上。
在实现本发明的过程中，发明人发现，现有技术至少存在以下问题：
随着领域发展，单个模型的推荐效果已经逐渐趋于饱和，基于深度学习的许多方法结构上大同小异，领域发展趋于瓶颈。部分基于矩阵补全的集成学习方法，通常要求大量显式标注数据，而现实问题中许多都是无显式标注的，如是否点击、是否购买等。
图1为本发明基于深度学习的推荐方法一个实施例的流程图。如图1所示，该实施例方法包括：
步骤101，分别获取目标用户的相关信息和目标物品的相关信息。
其中，相关信息包括用于描述与用户的操作相关的，或与***作物品相关的任意一个或多个信息。
在一个或多个可选的实施例中，目标用户的相关信息可以包括但不限于：目标用户操作历史物品的历史信息，历史物品包括目标用户操作过的所有物品；目标物品的相关信息可以包括但不限于：目标物品被历史用户操作的历史信息，历史用户包括操作过目标物品的所有用户。本实施例可以仅通过用户的操作历史信息和物品***作的历史信息为用户推荐用户感兴趣的物品，而不需要获取用户和物品的属性信息等，简化了信息处理的过程，提高了推荐的速度。
可选地，在某一网站(如：视频网站或购物网站等)中，当需要为目标用户推荐物品(如：商品或视频等)时，此时存在两种情况，一种：目标用户为该网站的旧用户(在该网站中进行过点击某些物品的操作)，此时为该目标用户推荐的目标物品通常为该目标用户没有操作过的物品，此时需要获得目标用户的历史操作信息；另一种：目标用户为该网站的新用户(在该网站中未进行点击某些物品的操作)，此时为该目标用户推荐在该网站上被别的用户操作过的物品，此时需要获得目标物品的历史操作信息。
步骤102，分别利用集成模型中的各子模型，基于目标用户的相关信息和目标物品的相关信息得到各子模型对应的操作概率。
其中，操作概率用于表示基于一个子模型得到的目标用户操作目标物品的概率，集成模型包括至少两个子模型，集成模型经过训练获得，对集成模型的训练是对各子模型之间的关系的训练，通过训练后的各子模型可分别得到操作概率。
步骤103，基于各子模型对应的操作概率得到目标用户操作目标物品的目标概率。
可选地，通过训练后的各子模型之间的关系，例如：各子模型所对应的权重，结合权重将基于各子模型获得的操作概率合并获得目标概率；通过多个子模型的集成，提高了集成模型的准确率。
步骤104，基于目标概率为目标用户推荐目标物品。
基于本发明上述实施例提供的一种基于深度学习的推荐方法，接收目标用户和目标物品，分别获取目标用户和目标物品的相关信息；分别利用集成模型中的各子模型，基于目标用户的相关信息和目标物品的相关信息得到各子模型对应的操作概率；通过集成的至少两个子模型分别获得操作概率，再基于至少两个操作概率得到目标用户操作目标物品的目标概率，利用了各子模型之间的互补性，使各子模型专精的不同的数据分布得到互补，得到的概率值更能准确预测目标用户对目标物品点击的概率；基于目标概率为目标用户推荐目标物品。
本发明基于深度学习的推荐方法的另一个实施例中，在上述各实施例的基础上，操作102包括：
利用子模型分别将目标用户的相关信息和目标物品的相关信息向量化，得到用户向量和物品向量；
基于用户向量和物品向量得到操作概率。可选地，通过计算用户向量与物品向量的点积得到操作值，基于操作值得到操作概率。
可选地，本实施例中的子模型可以采用WMF(weighted matrix factorization)加权矩阵分解实现，为了实现概率计算，首先通过训练后的子模型将目标用户的相关信息和目标物品的相关信息分别进行向量化，向量化的具体维度由训练后的子模型觉得，向量化后的用户向量和物品向量满足执行点积操作的需要，通过计算用户向量与物品向量的点积，得到操作值，此时操作值是一个数值，为了得到概率值，可以对操作值执行归一化等处理，以得到操作概率。
本发明基于深度学习的推荐方法的又一个实施例中，在上述各实施例的基础上，操作103，包括：
分别计算操作概率与操作概率对应的子模型的模型权重值的乘积，每个模型权重值对应一个子模型；
将对应各操作概率的乘积相加，得到目标用户操作目标物品的目标概率。
可选地，通过训练会为每个子模型分配一个适合的模型权重值，通过模型权重值控制每个子模型获得的操作概率在总体的目标概率中所占的比例，权重越大说明该子模型对物品推荐起到的作用越大。
在一个或多个可选实施例中，操作104可以包括：
响应于目标概率大于或等于预设阈值，将目标概率对应的目标物品推荐给目标用户；
响应于目标概率小于预设阈值，不将目标概率对应的目标物品推荐给目标用户。
本实施例的基于深度学习的推荐方法中，最终的目的是将目标用户更感兴趣的目标物品推荐给用户，因此，当目标概率大于或等于预设阈值，说明该目标用户点击该目标物品的概率大于或等于预设阈值，将该目标物品推荐给该目标用户可有效提升用户操作的概率，已达到有效推荐的目的。
图2为本发明基于深度学习的推荐方法具体应用的一个示例示意图。如图2所示，每一个用户users在各子模型中都对应一个向量表示，即embedding，同样每一个物品items在各子模型中也对应一个embedding。一对用户和物品对应的向量的内积即为当前子模型给出的预测概率，即prediction，图中通过P(r|u1，v1)，P(r|u2，v2)，…P(r|un，vn)表示；多个子模型的prediction加权相加即可得到最后的目标概率final prediction，图中α1，α2，…αn分别代表每个子模型对应的模型权重值，各子模型得到的预测概率结合模型权重值加权相加得到目标概率。
本发明基于深度学习的推荐方法的还一个实施例中，在上述各实施例的基础上，还包括：
基于历史用户和历史物品训练集成模型。
其中，历史用户对历史物品操作的历史概率为已知的。
在一个或多个可选的实施例中，为了获得更准确的目标概率，在应用集成模型之前，需要对集成模型进行训练，训练应用的信息是基于已知操作信息的历史用户和历史物品，通过分析历史用户和历史物品的操作信息，可实现为历史用户中的任意一个用户推荐新加入一个或多个的物品，和/或实现将任意一个或多个历史物品推荐给一个或多个新的用户。
在本发明基于深度学习的推荐方法上述各实施例的一个具体示例中，基于历史用户和历史物品训练集成模型，包括：
基于历史用户和历史物品，建立对应历史用户和历史物品的历史向量；
利用集成模型对历史向量进行分解，获得至少一个样本用户向量和至少一个样本物品向量；
基于样本用户向量和样本物品向量获得预测概率；预测概率表示集成模型预测的历史用户操作历史物品的概率；
基于预测概率和历史概率训练集成模型。
本实施例中，由于已知历史用户和历史物品的操作信息，因此，可基于历史用户对哪些历史物品进行了操作和基于历史物品接收了哪些历史用的操作建立矩阵向量，将历史用户作为横坐标(或纵坐标)，将历史物品作为纵坐标(或横坐标)，其中存在操作关系的对应历史用户和历史物品之间存在数值，该数值的大小由具体操作信息决定。不存在操作关系的对应历史用户和历史物品之间的数值可设置为0。
在本发明基于深度学习的推荐方法上述各实施例的一个具体示例中，利用集成模型对历史向量进行分解，获得至少一个样本用户向量和至少一个样本物品向量，基于样本用户向量和样本物品向量获得预测概率，包括：
利用初始集成模型对历史向量进行分解，获得至少一个样本用户向量和至少一个样本物品向量，初始集成模型包括一个子模型。
利用初始集成模型计算样本用户向量和样本物品向量的点积，得到对应历史用户点击历史物品的预测值，基于预测值得到预测概率。
可选地，训练集成模型的过程是逐个子模型进行训练，初始集成模型仅包括一个子模型，对该子模型进行训练，以得到预测概率与已知的历史概率为训练集成模型的数据分配不同的数据权重值，根据分配不同的数据权重值的历史用户和历史物品训练增加一个子模型的新的集成模型，再通过新的预测概率分配新的数据权重值，迭代训练，每次重新分配历史用户和历史物品的数据权重值，直到达到收敛，并且，本实施例无需预先限制迭代次数，可一直训练到集成模型收敛或计算资源用尽，通常本实施例在前几次迭代中就能得到较好的效果。
图3为本发明基于深度学习的推荐方法中训练集成模型的一个具体示例示意图。如图3所示，本示例中输入为所有历史用户和所有历史商品的操作信息，以此得到的历史向量，在图中以R表示，输出为用户、物品经过集成模型分解得到的向量embedding(以U、V表示)，以及最终的预测概率P(包括：P0，P1，P2，…Pn)，在每一轮迭代训练中，将已有集成模型给出的prediction与原始评分矩阵R进行对比，给误差大的预测概率更高的训练权重，按照求得的训练权重训练出一个新的子模型，即新的Ui、Vi；随后将新的子模型给出的prediction加入集成P中，以此迭代。
在一个或多个可选的实施例中，基于预测概率和历史概率训练集成模型，包括：
根据预测概率与历史概率的差值，为预测概率对应的历史用户和历史物品分配数据权重值；差值越大数据权重值越大；
基于结合数据权重值的样本用户向量和样本物品向量迭代训练集成模型。
通过每次重新分配的数据权重值结合样本用户向量和样本物品向量训练集成模型，每次分配数据权重值将差值越大的历史用户和/或历史物品分配越大的权重值。
在一个或多个可选的实施例中，迭代训练集成模型的过程包括：
对初始集成模型增加一个子模型构成第一集成模型；
利用第一集成模型，结合数据权重值计算样本用户向量和样本物品向量的点积，得到对应历史用户点击历史物品的第一预测值，基于第一预测值得到第一预测概率；
迭代执行，根据第一预测概率与历史概率的第一差值，基于第一差值为第一集成模型中的各子模型分配对应的模型权重值，并基于第一差值为第一预测概率对应的历史用户和历史物品分配第一数据权重值；
对第一集成模型增加一个子模型构成第二集成模型，将第二集成模型作为第一集成模型，利用第一集成模型，结合第一数据权重值计算样本用户向量和样本物品向量的点积，得到对应历史用户点击历史物品的第一预测值，基于第一预测值得到第一预测概率；直到满足预设收敛条件。
可选地，迭代训练集成模型的过程中，可以将每次迭代的过程通过公式(1)表示：
pα(r|i，j)＝(1-α)p(r|i，j)+αp′(r|i，j) 公式(1)
其中，pα(r|i，j)为新结合的集成模型输出的预测概率；p(r|i，j)为当前集成模型输出的预测概率(具体为用户i为物品j操作次数为r的概率)，(1-α)为当前集成模型对应的模型权重；p′(r|i，j)为新增加子模型输出的预测概率，α为该新增加子模型对应的模型权重。
每次迭代训练除了调整子模型的模型权重，还根据预测概率和历史概率的差值调整历史用户和历史物品对应的数据权重，数据权重的计算公式如公式(2)所示：
其中，ρij为数据权重，表示p′(r|u，v)的积分，其中i、j为编号，表示第i个用户和第j个物品，u是用户对应的向量，v是物品对应的向量，通过的积分公式可推导得出因此，公式(2)可转换为公式(3)：
ρij＝1/(1+γp(r|i，j)) 公式(3)
其中，为设定参数，因此，数据权重大小由当前集成模型决定，每次集成模型变化，数据权重随之变化。
可选的满足预设收敛条件，包括：
第一预测概率与历史概率的第一差值小于预设差值。预设收敛条件还可以包括计算资源用尽。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图4为本发明基于深度学习的推荐装置一个实施例的结构示意图。该实施例的装置可用于实现本发明上述各方法实施例。如图4所示，该实施例的装置包括：
信息获取单元41，用于分别获取目标用户的相关信息和目标物品的相关信息。
其中，相关信息包括用于描述与用户的操作相关的，或与***作的物品相关的任意一个或多个信息。
在一个或多个可选的实施例中，目标用户的相关信息可以包括但不限于：目标用户操作历史物品的历史信息，历史物品包括目标用户操作过的所有物品；目标物品的相关信息可以包括但不限于：目标物品被历史用户操作的历史信息，历史用户包括操作过目标物品的所有用户。本实施例可以仅通过用户的操作历史信息和物品***作的历史信息为用户推荐用户感兴趣的物品，而不需要获取用户和物品的属性信息等，简化了信息处理的过程，提高了推荐的速度。
概率获取单元42，用于分别利用集成模型中的各子模型，基于目标用户的相关信息和目标物品的相关信息得到各子模型对应的操作概率。
其中，操作概率用于表示基于一个子模型得到的目标用户操作目标物品的概率，集成模型包括至少两个子模型，集成模型经过对各子模型之间的关系进行训练获得。
概率合成单元43，用于基于各子模型对应的操作概率得到目标用户操作目标物品的目标概率。
推荐单元44，用于基于目标概率为目标用户推荐目标物品。
基于本发明上述实施例提供的一种基于深度学习的推荐装置，接收目标用户和目标物品，分别获取目标用户和目标物品的相关信息；分别利用集成模型中的各子模型，基于目标用户的相关信息和目标物品的相关信息得到各子模型对应的操作概率；通过集成的至少两个子模型分别获得操作概率，再基于至少两个操作概率得到目标用户操作目标物品的目标概率，利用了各子模型之间的互补性，使各子模型专精的不同的数据分布得到互补，得到的概率值更能准确预测目标用户对目标物品点击的概率；基于目标概率为目标用户推荐目标物品。
本发明基于深度学习的推荐装置的另一个实施例中，在上述各实施例的基础上，概率获取单元41，包括：
向量化模块，用于利用子模型分别将目标用户的相关信息和目标物品的相关信息向量化，得到用户向量和物品向量；
操作概率模块，用于基于用户向量和物品向量得到操作概率。
可选地，本实施例中的子模型可以采用WMF(weighted matrix factorization)加权矩阵分解实现，为了实现概率计算，首先通过训练后的子模型将目标用户的相关信息和目标物品的相关信息分别进行向量化，向量化的具体维度由训练后的子模型觉得，向量化后的用户向量和物品向量满足执行点积操作的需要，通过计算用户向量与物品向量的点积，得到操作值，此时操作值是一个数值，为了得到概率值，可以对操作值执行归一化等处理，以得到操作概率。
可选地，操作概率模块，具体用于计算用户向量与物品向量的点积得到操作值，基于操作值得到操作概率。
本发明基于深度学习的推荐装置的又一个实施例中，在上述各实施例的基础上，概率合成单元43，具体用于分别计算操作概率与操作概率对应的子模型的模型权重值的乘积，每个模型权重值对应一个子模型；将对应各操作概率的乘积相加，得到目标用户操作目标物品的目标概率。
可选地，通过训练会为每个子模型分配一个适合的模型权重值，通过模型权重值控制每个子模型获得的操作概率在总体的目标概率中所占的比例，权重越大说明该子模型对物品推荐起到的作用越大。
在一个或多个可选实施例中，推荐单元44，具体用于：
响应于目标概率大于或等于预设阈值，将目标概率对应的目标物品推荐给目标用户；
响应于目标概率小于预设阈值，不将目标概率对应的目标物品推荐给目标用户。
本发明基于深度学习的推荐装置的还一个实施例中，在上述各实施例的基础上，还包括：
训练单元，用于基于历史用户和历史物品训练集成模型。
其中，历史用户对历史物品操作的历史概率为已知的。
在一个或多个可选的实施例中，为了获得更准确的目标概率，在应用集成模型之前，需要对集成模型进行训练，训练应用的信息是基于已知操作信息的历史用户和历史物品，通过分析历史用户和历史物品的操作信息，可实现为历史用户中的任意一个用户推荐新加入一个或多个的物品，和/或实现将任意一个或多个历史物品推荐给一个或多个新的用户。
在本发明基于深度学习的推荐装置上述各实施例的一个具体示例中，训练单元，包括：
向量模块，用于基于历史用户和历史物品，建立对应历史用户和历史物品的历史向量；
分解模块，用于利用集成模型对历史向量进行分解，获得至少一个样本用户向量和至少一个样本物品向量；
概率预测模块，用于基于样本用户向量和样本物品向量获得预测概率；预测概率表示集成模型预测的历史用户操作历史物品的概率；
模型训练模块，用于基于预测概率和历史概率训练集成模型。
本实施例中，由于已知历史用户和历史物品的操作信息，因此，可基于历史用户对哪些历史物品进行了操作和基于历史物品接收了哪些历史用的操作建立矩阵向量，将历史用户作为横坐标(或纵坐标)，将历史物品作为纵坐标(或横坐标)，其中存在操作关系的对应历史用户和历史物品之间存在数值，该数值的大小由具体操作信息决定。不存在操作关系的对应历史用户和历史物品之间的数值可设置为0。
在本发明基于深度学习的推荐装置上述各实施例的一个具体示例中，分解模块，具体用于利用初始集成模型对历史向量进行分解，获得至少一个样本用户向量和至少一个样本物品向量，初始集成模型包括一个子模型。
在本发明基于深度学习的推荐装置上述各实施例的一个具体示例中，概率预测模块，具体用于利用初始集成模型计算样本用户向量和样本物品向量的点积，得到对应历史用户点击历史物品的预测值，基于预测值得到预测概率。
在本发明基于深度学习的推荐装置上述各实施例的一个具体示例中，模型训练模块，包括：
权重分配模块，用于根据预测概率与历史概率的差值，为预测概率对应的历史用户和历史物品分配数据权重值；差值越大数据权重值越大；
迭代训练模块，用于基于结合数据权重值的样本用户向量和样本物品向量迭代训练集成模型。
在本发明基于深度学习的推荐装置上述各实施例的一个具体示例中，迭代训练模块，具体用于：
对初始集成模型增加一个子模型构成第一集成模型；
利用第一集成模型，结合数据权重值计算样本用户向量和样本物品向量的点积，得到对应历史用户点击历史物品的第一预测值，基于第一预测值得到第一预测概率；
迭代执行，根据第一预测概率与历史概率的第一差值，基于第一差值为第一集成模型中的各子模型分配对应的模型权重值，并基于第一差值为第一预测概率对应的历史用户和历史物品分配第一数据权重值；
对第一集成模型增加一个子模型构成第二集成模型，将第二集成模型作为第一集成模型，利用第一集成模型，结合第一数据权重值计算样本用户向量和样本物品向量的点积，得到对应历史用户点击历史物品的第一预测值，基于第一预测值得到第一预测概率；直到满足预设收敛条件。
在一个或多个可选的实施例中，满足预设收敛条件，包括：
第一预测概率与历史概率的第一差值小于预设差值。
根据本发明实施例的一个方面，提供的一种电子设备，包括处理器，处理器包括本发明分类方法上述任一实施例的基于深度学习的推荐装置。
根据本发明实施例的一个方面，提供的一种电子设备，包括：存储器，用于存储可执行指令；
以及处理器，用于与存储器通信以执行可执行指令从而完成本发明基于深度学习的推荐方法上述任一实施例的操作。
根据本发明实施例的一个方面，提供的一种计算机存储介质，用于存储计算机可读取的指令，指令被执行时执行本发明基于深度学习的推荐方法上述任一实施例的操作。
根据本发明实施例的一个方面，提供的一种计算机程序，包括计算机可读代码，当计算机可读代码在设备上运行时，该设备中的处理器执行用于实现本发明基于深度学习的推荐方法任意一项实施例的指令。
本发明实施例还提供了一种电子设备，例如可以是移动终端、个人计算机(PC)、平板电脑、服务器等。下面参考图5，其示出了适于用来实现本申请实施例的终端设备或服务器的电子设备500的结构示意图：如图5所示，计算机***500包括一个或多个处理器、通信部等，所述一个或多个处理器例如：一个或多个中央处理单元(CPU)501，和/或一个或多个图像处理器(GPU)513等，处理器可以根据存储在只读存储器(ROM)502中的可执行指令或者从存储部分508加载到随机访问存储器(RAM)503中的可执行指令而执行各种适当的动作和处理。通信部512可包括但不限于网卡，所述网卡可包括但不限于IB(Infiniband)网卡。
处理器可与只读存储器502和/或随机访问存储器530中通信以执行可执行指令，通过总线504与通信部512相连、并经通信部512与其他目标设备通信，从而完成本申请实施例提供的任一项方法对应的操作，例如，分别获取目标用户的相关信息和目标物品的相关信息；分别利用集成模型中的各子模型，基于目标用户的相关信息和目标物品的相关信息得到各子模型对应的操作概率；基于各子模型对应的操作概率得到目标用户操作目标物品的目标概率；基于目标概率为目标用户推荐目标物品。
此外，在RAM 503中，还可存储有装置操作所需的各种程序和数据。CPU501、ROM502以及RAM503通过总线504彼此相连。在有RAM503的情况下，ROM502为可选模块。RAM503存储可执行指令，或在运行时向ROM502中写入可执行指令，可执行指令使处理器501执行上述通信方法对应的操作。输入/输出(I/O)接口505也连接至总线504。通信部512可以集成设置，也可以设置为具有多个子模块(例如多个IB网卡)，并在总线链接上。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
需要说明的，如图5所示的架构仅为一种可选实现方式，在具体实践过程中，可根据实际需要对上述图5的部件数量和类型进行选择、删减、增加或替换；在不同功能部件设置上，也可采用分离设置或集成设置等实现方式，例如GPU和CPU可分离设置或者可将GPU集成在CPU上，通信部可分离设置，也可集成设置在CPU或GPU上，等等。这些可替换的实施方式均落入本发明公开的保护范围。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，计算机程序包含用于执行流程图所示的方法的程序代码，程序代码可包括对应执行本申请实施例提供的方法步骤对应的指令，例如，分别获取目标用户的相关信息和目标物品的相关信息；分别利用集成模型中的各子模型，基于目标用户的相关信息和目标物品的相关信息得到各子模型对应的操作概率；基于各子模型对应的操作概率得到目标用户操作目标物品的目标概率；基于目标概率为目标用户推荐目标物品。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。
可能以许多方式来实现本发明的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (10)

1.一种基于深度学习的推荐方法，其特征在于，包括：
分别获取目标用户的相关信息和目标物品的相关信息；所述相关信息包括用于描述与用户的操作相关的，或与***作的物品相关的任意一个或多个信息；
分别利用集成模型中的各子模型，基于所述目标用户的相关信息和所述目标物品的相关信息得到各所述子模型对应的操作概率；所述操作概率用于表示基于一个子模型得到的所述目标用户操作所述目标物品的概率，所述集成模型包括至少两个子模型，所述集成模型经过对所述各子模型之间的关系进行训练获得；
基于所述各子模型对应的操作概率得到所述目标用户操作所述目标物品的目标概率；
基于所述目标概率为所述目标用户推荐所述目标物品。
2.根据权利要求1所述的方法，其特征在于，所述目标用户的相关信息包括：所述目标用户操作历史物品的历史信息，所述历史物品包括所述目标用户操作过的所有物品；
和/或，
所述目标物品的相关信息包括：所述目标物品被历史用户操作的历史信息，所述历史用户包括操作过所述目标物品的所有用户。
3.根据权利要求1或2所述的方法，其特征在于，所述分别利用集成模型中的各子模型，基于所述目标用户的相关信息和所述目标物品的相关信息得到各所述子模型对应的操作概率，包括：
利用所述子模型分别将所述目标用户的相关信息和所述目标物品的相关信息向量化，得到用户向量和物品向量；
基于所述用户向量和所述物品向量得到所述操作概率。
4.根据权利要求3所述的方法，其特征在于，基于所述用户向量和所述物品向量得到所述操作概率，包括：
计算所述用户向量与所述物品向量的点积得到操作值，基于所述操作值得到所述操作概率。
5.根据权利要求1-4任一所述的方法，其特征在于，基于所述各子模型对应的操作概率得到所述目标用户操作所述目标物品的目标概率，包括：
分别计算所述操作概率与所述操作概率对应的子模型的模型权重值的乘积，每个所述模型权重值对应一个所述子模型；
将所述对应各所述操作概率的乘积相加，得到所述目标用户操作所述目标物品的目标概率。
6.一种基于深度学习的推荐装置，其特征在于，包括：
信息获取单元，用于分别获取目标用户的相关信息和目标物品的相关信息；所述相关信息包括用于描述与用户的操作相关的，或与***作的物品相关的任意一个或多个信息；
概率获取单元，用于分别利用集成模型中的各子模型，基于所述目标用户的相关信息和所述目标物品的相关信息得到各所述子模型对应的操作概率；所述操作概率用于表示基于一个子模型得到的所述目标用户操作所述目标物品的概率，所述集成模型包括至少两个子模型，所述集成模型经过对所述各子模型之间的关系进行训练获得；
概率合成单元，用于基于所述各子模型对应的操作概率得到所述目标用户操作所述目标物品的目标概率；
推荐单元，用于基于所述目标概率为所述目标用户推荐所述目标物品。
7.一种电子设备，其特征在于，包括处理器，所述处理器包括权利要求6所述的基于深度学习的推荐装置。
8.一种电子设备，其特征在于，包括：存储器，用于存储可执行指令；
以及处理器，用于与所述存储器通信以执行所述可执行指令从而完成权利要求1至5任意一项所述基于深度学习的推荐方法的操作。
9.一种计算机存储介质，用于存储计算机可读取的指令，其特征在于，所述指令被执行时执行权利要求1至5任意一项所述基于深度学习的推荐方法的操作。
10.一种计算机程序，包括计算机可读代码，其特征在于，当所述计算机可读代码在设备上运行时，所述设备中的处理器执行用于实现权利要求1至5任意一项所述基于深度学习的推荐方法的指令。
CN201810024218.9A 2018-01-10 2018-01-10 基于深度学习的推荐方法和装置、电子设备、介质、程序 Pending CN108268934A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201810024218.9A CN108268934A (zh) 2018-01-10 2018-01-10 基于深度学习的推荐方法和装置、电子设备、介质、程序
SG11202001510TA SG11202001510TA (en) 2018-01-10 2018-11-27 Recommendation method and device employing deep learning, electronic apparatus, medium, and program
PCT/CN2018/117690 WO2019137104A1 (zh) 2018-01-10 2018-11-27 基于深度学习的推荐方法和装置、电子设备、介质、程序
US16/453,553 US11379901B2 (en) 2018-01-10 2019-06-26 Methods and apparatuses for deep learning-based recommendation, electronic devices, and media

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810024218.9A CN108268934A (zh) 2018-01-10 2018-01-10 基于深度学习的推荐方法和装置、电子设备、介质、程序

Publications (1)

Publication Number Publication Date
CN108268934A true CN108268934A (zh) 2018-07-10

Family

ID=62773473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810024218.9A Pending CN108268934A (zh) 2018-01-10 2018-01-10 基于深度学习的推荐方法和装置、电子设备、介质、程序

Country Status (4)

Country Link
US (1) US11379901B2 (zh)
CN (1) CN108268934A (zh)
SG (1) SG11202001510TA (zh)
WO (1) WO2019137104A1 (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146076A (zh) * 2018-08-13 2019-01-04 东软集团股份有限公司 模型生成方法及装置、数据处理方法及装置
CN109255234A (zh) * 2018-08-15 2019-01-22 腾讯科技（深圳）有限公司 机器学习模型的处理方法、装置、介质及电子设备
CN109344335A (zh) * 2018-12-20 2019-02-15 广东小天才科技有限公司 一种内容推荐方法及电子设备
CN109547814A (zh) * 2018-12-13 2019-03-29 北京达佳互联信息技术有限公司 视频推荐方法、装置、服务器及存储介质
CN109582864A (zh) * 2018-11-19 2019-04-05 华南师范大学 基于大数据科学和动态权重调整的课程推荐方法及***
WO2019137104A1 (zh) * 2018-01-10 2019-07-18 北京市商汤科技开发有限公司 基于深度学习的推荐方法和装置、电子设备、介质、程序
CN110516164A (zh) * 2019-07-25 2019-11-29 上海喜马拉雅科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN110659701A (zh) * 2019-10-09 2020-01-07 京东数字科技控股有限公司 信息处理方法、装置、电子设备及介质
CN110807150A (zh) * 2019-10-14 2020-02-18 腾讯科技（深圳）有限公司 信息处理方法及装置、电子设备和计算机可读存储介质
CN110880141A (zh) * 2019-12-04 2020-03-13 中国太平洋保险（集团）股份有限公司 一种深度双塔模型智能匹配算法及装置
CN111008332A (zh) * 2019-12-03 2020-04-14 腾讯科技（深圳）有限公司 内容项推荐方法、装置、服务器以及存储介质
CN111259268A (zh) * 2018-11-30 2020-06-09 知谷（上海）网络科技有限公司 Poi推荐模型的构建方法及***
CN111310038A (zh) * 2020-02-06 2020-06-19 腾讯科技（深圳）有限公司 信息推荐方法、装置、电子设备及计算机可读存储介质
CN111461394A (zh) * 2020-02-24 2020-07-28 桂林电子科技大学 一种基于深度矩阵分解的学生成绩预测方法
CN111494964A (zh) * 2020-06-30 2020-08-07 腾讯科技（深圳）有限公司 虚拟物品的推荐方法、模型的训练方法、装置及存储介质
CN111770125A (zh) * 2019-05-23 2020-10-13 北京沃东天骏信息技术有限公司 用于推送信息的方法和装置
CN113205369A (zh) * 2021-05-27 2021-08-03 咪咕文化科技有限公司 用户消费时长预测方法、装置、电子设备与存储介质
CN113379482A (zh) * 2021-05-28 2021-09-10 车智互联（北京）科技有限公司 一种物品推荐方法、计算设备以及存储介质
CN113393281A (zh) * 2020-03-11 2021-09-14 北京沃东天骏信息技术有限公司 一种处理请求的方法和装置
CN113781085A (zh) * 2021-01-20 2021-12-10 北京沃东天骏信息技术有限公司 信息生成方法、装置、电子设备和计算机可读介质
CN114629797A (zh) * 2022-03-11 2022-06-14 阿里巴巴（中国）有限公司 带宽预测方法、模型生成方法及设备

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046275B (zh) * 2019-11-19 2023-03-28 腾讯科技（深圳）有限公司 基于人工智能的用户标签确定方法及装置、存储介质
KR20210082977A (ko) * 2019-12-26 2021-07-06 삼성전자주식회사 컴퓨팅 장치 및 그 동작 방법
KR20210086008A (ko) * 2019-12-31 2021-07-08 삼성전자주식회사 컨텐츠 추천 모델을 개인화하는 방법 및 장치
US20210217073A1 (en) * 2020-01-10 2021-07-15 Ncr Corporation Data-Driven Recommendation Engine
CN113159877B (zh) * 2020-01-22 2024-07-19 北京沃东天骏信息技术有限公司 数据处理方法、装置、***、计算机可读存储介质
CN111814044B (zh) * 2020-06-30 2024-06-18 广州视源电子科技股份有限公司 一种推荐方法、装置、终端设备及存储介质
CN111798273A (zh) * 2020-07-01 2020-10-20 中国建设银行股份有限公司 产品的购买概率预测模型的训练方法及购买概率预测方法
CN112003735B (zh) * 2020-07-28 2021-11-09 四川大学 一种感知风险的深度学习驱动的极限传输容量调整方法
CN112347367B (zh) * 2020-12-04 2024-05-07 上海帜讯信息技术股份有限公司 信息服务提供方法、装置、电子设备和存储介质
CN112631560B (zh) * 2020-12-29 2023-07-07 上海海事大学 一种推荐模型的目标函数的构建方法及终端
CN112949864B (zh) * 2021-02-01 2022-04-22 海南两心科技有限公司 预估模型的训练方法及装置
CN113313314B (zh) * 2021-06-11 2024-05-24 北京沃东天骏信息技术有限公司 模型训练方法、装置、设备及存储介质
CN113590955A (zh) * 2021-07-30 2021-11-02 武汉斗鱼鱼乐网络科技有限公司 目标推荐用户确定方法、装置、电子设备以及存储介质
CN113779386B (zh) * 2021-08-24 2024-06-14 北京达佳互联信息技术有限公司 模型训练方法和信息推荐方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101625734A (zh) * 2008-07-09 2010-01-13 索尼株式会社 学习设备、学习方法和程序
CN103366177A (zh) * 2012-03-28 2013-10-23 佳能株式会社 对象检测分类器生成方法和设备、图像对象检测方法和设备
CN103631753A (zh) * 2013-12-09 2014-03-12 天津工业大学 递减子空间集成学习算法
CN104699711A (zh) * 2013-12-09 2015-06-10 华为技术有限公司 一种推荐方法及服务器
CN104915423A (zh) * 2015-06-10 2015-09-16 深圳市腾讯计算机***有限公司 获取目标用户的方法和装置
CN106445977A (zh) * 2015-08-12 2017-02-22 阿里巴巴集团控股有限公司 图片推送方法及装置
CN106649774A (zh) * 2016-12-27 2017-05-10 北京百度网讯科技有限公司 基于人工智能的对象推送方法及装置
US20170213156A1 (en) * 2016-01-27 2017-07-27 Bonsai AI, Inc. Artificial intelligence engine having multiple independent processes on a cloud based platform configured to scale

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101694652B (zh) * 2009-09-30 2012-11-28 西安交通大学 一种基于极速神经网络的网络资源个性化推荐方法
US10789526B2 (en) * 2012-03-09 2020-09-29 Nara Logics, Inc. Method, system, and non-transitory computer-readable medium for constructing and applying synaptic networks
US9129227B1 (en) * 2012-12-31 2015-09-08 Google Inc. Methods, systems, and media for recommending content items based on topics
US10223727B2 (en) * 2014-10-20 2019-03-05 Oath Inc. E-commerce recommendation system and method
US20160259857A1 (en) * 2015-03-06 2016-09-08 Microsoft Technology Licensing, Llc User recommendation using a multi-view deep learning framework
WO2016201631A1 (en) * 2015-06-17 2016-12-22 Yahoo! Inc. Systems and methods for online content recommendation
US10089675B1 (en) * 2015-10-20 2018-10-02 Amazon Technologies, Inc. Probabilistic matrix factorization system based on personas
US20170293695A1 (en) * 2016-04-12 2017-10-12 Ebay Inc. Optimizing similar item recommendations in a semi-structured environment
US20180157759A1 (en) * 2016-12-06 2018-06-07 Facebook, Inc. Systems and methods for determination and provision of similar media content item recommendations
US10614381B2 (en) * 2016-12-16 2020-04-07 Adobe Inc. Personalizing user experiences with electronic content based on user representations learned from application usage data
US20180308149A1 (en) * 2017-04-25 2018-10-25 Fashionality Inc. Systems and methods to curate, suggest and maintain a wardrobe
CN107273438B (zh) * 2017-05-24 2021-02-23 深圳大学 一种推荐方法、装置、设备及存储介质
CN110741367B (zh) * 2017-06-14 2023-06-20 阿里巴巴集团控股有限公司 用于实时交互式推荐的方法和装置
CN107437111B (zh) * 2017-07-31 2020-07-14 杭州朗和科技有限公司 基于神经网络的数据处理方法、介质、装置和计算设备
US11004135B1 (en) * 2017-08-18 2021-05-11 Amazon Technologies, Inc. Artificial intelligence system for balancing relevance and diversity of network-accessible content
US20190138656A1 (en) * 2017-11-07 2019-05-09 Facebook, Inc. Systems and methods for providing recommended media content posts in a social networking system
US11481457B2 (en) * 2017-11-28 2022-10-25 Uber Technologies, Inc. Menu personalization
CN108268934A (zh) * 2018-01-10 2018-07-10 北京市商汤科技开发有限公司 基于深度学习的推荐方法和装置、电子设备、介质、程序

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101625734A (zh) * 2008-07-09 2010-01-13 索尼株式会社 学习设备、学习方法和程序
CN103366177A (zh) * 2012-03-28 2013-10-23 佳能株式会社 对象检测分类器生成方法和设备、图像对象检测方法和设备
CN103631753A (zh) * 2013-12-09 2014-03-12 天津工业大学 递减子空间集成学习算法
CN104699711A (zh) * 2013-12-09 2015-06-10 华为技术有限公司 一种推荐方法及服务器
CN104915423A (zh) * 2015-06-10 2015-09-16 深圳市腾讯计算机***有限公司 获取目标用户的方法和装置
CN106445977A (zh) * 2015-08-12 2017-02-22 阿里巴巴集团控股有限公司 图片推送方法及装置
US20170213156A1 (en) * 2016-01-27 2017-07-27 Bonsai AI, Inc. Artificial intelligence engine having multiple independent processes on a cloud based platform configured to scale
CN106649774A (zh) * 2016-12-27 2017-05-10 北京百度网讯科技有限公司 基于人工智能的对象推送方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘华锋等: "融合社交信息的矩阵分解推荐方法研究综述", 《软件学报》 *
徐日等: "基于Adaboost算法的推荐***评分预测框架", 《计算机***应用》 *
徐科等: "《金属表面质量在线检测技术》", 31 October 2016, 冶金工业出版社 *
熊赟等: "《大数据挖掘》", 30 April 2016, 上海科学技术出版社 *

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019137104A1 (zh) * 2018-01-10 2019-07-18 北京市商汤科技开发有限公司 基于深度学习的推荐方法和装置、电子设备、介质、程序
US11379901B2 (en) 2018-01-10 2022-07-05 Beijing Sensetime Technology Development Co., Ltd Methods and apparatuses for deep learning-based recommendation, electronic devices, and media
CN109146076A (zh) * 2018-08-13 2019-01-04 东软集团股份有限公司 模型生成方法及装置、数据处理方法及装置
CN109255234A (zh) * 2018-08-15 2019-01-22 腾讯科技（深圳）有限公司 机器学习模型的处理方法、装置、介质及电子设备
CN109582864B (zh) * 2018-11-19 2020-11-10 华南师范大学 基于大数据科学和动态权重调整的课程推荐方法及***
CN109582864A (zh) * 2018-11-19 2019-04-05 华南师范大学 基于大数据科学和动态权重调整的课程推荐方法及***
CN111259268A (zh) * 2018-11-30 2020-06-09 知谷（上海）网络科技有限公司 Poi推荐模型的构建方法及***
CN109547814A (zh) * 2018-12-13 2019-03-29 北京达佳互联信息技术有限公司 视频推荐方法、装置、服务器及存储介质
CN109344335A (zh) * 2018-12-20 2019-02-15 广东小天才科技有限公司 一种内容推荐方法及电子设备
CN109344335B (zh) * 2018-12-20 2020-12-25 广东小天才科技有限公司 一种内容推荐方法及电子设备
US11962662B2 (en) 2019-05-23 2024-04-16 Beijing Wodong Tianjun Information Technology Co., Ltd. Method and apparatus for pushing information
CN111770125A (zh) * 2019-05-23 2020-10-13 北京沃东天骏信息技术有限公司 用于推送信息的方法和装置
CN110516164A (zh) * 2019-07-25 2019-11-29 上海喜马拉雅科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN110516164B (zh) * 2019-07-25 2023-06-30 上海喜马拉雅科技有限公司 一种信息推荐方法、装置、设备及存储介质
CN110659701A (zh) * 2019-10-09 2020-01-07 京东数字科技控股有限公司 信息处理方法、装置、电子设备及介质
CN110659701B (zh) * 2019-10-09 2022-08-12 京东科技控股股份有限公司 信息处理方法、装置、电子设备及介质
CN110807150A (zh) * 2019-10-14 2020-02-18 腾讯科技（深圳）有限公司 信息处理方法及装置、电子设备和计算机可读存储介质
CN111008332B (zh) * 2019-12-03 2023-04-07 深圳市雅阅科技有限公司 内容项推荐方法、装置、服务器以及存储介质
CN111008332A (zh) * 2019-12-03 2020-04-14 腾讯科技（深圳）有限公司 内容项推荐方法、装置、服务器以及存储介质
CN110880141A (zh) * 2019-12-04 2020-03-13 中国太平洋保险（集团）股份有限公司 一种深度双塔模型智能匹配算法及装置
CN111310038B (zh) * 2020-02-06 2022-09-02 腾讯科技（深圳）有限公司 信息推荐方法、装置、电子设备及计算机可读存储介质
CN111310038A (zh) * 2020-02-06 2020-06-19 腾讯科技（深圳）有限公司 信息推荐方法、装置、电子设备及计算机可读存储介质
CN111461394A (zh) * 2020-02-24 2020-07-28 桂林电子科技大学 一种基于深度矩阵分解的学生成绩预测方法
CN113393281A (zh) * 2020-03-11 2021-09-14 北京沃东天骏信息技术有限公司 一种处理请求的方法和装置
CN111494964B (zh) * 2020-06-30 2020-11-20 腾讯科技（深圳）有限公司 虚拟物品的推荐方法、模型的训练方法、装置及存储介质
CN111494964A (zh) * 2020-06-30 2020-08-07 腾讯科技（深圳）有限公司 虚拟物品的推荐方法、模型的训练方法、装置及存储介质
CN113781085A (zh) * 2021-01-20 2021-12-10 北京沃东天骏信息技术有限公司 信息生成方法、装置、电子设备和计算机可读介质
CN113205369A (zh) * 2021-05-27 2021-08-03 咪咕文化科技有限公司 用户消费时长预测方法、装置、电子设备与存储介质
CN113205369B (zh) * 2021-05-27 2024-03-22 咪咕文化科技有限公司 用户消费时长预测方法、装置、电子设备与存储介质
CN113379482A (zh) * 2021-05-28 2021-09-10 车智互联（北京）科技有限公司 一种物品推荐方法、计算设备以及存储介质
CN113379482B (zh) * 2021-05-28 2023-12-01 车智互联（北京）科技有限公司 一种物品推荐方法、计算设备以及存储介质
CN114629797A (zh) * 2022-03-11 2022-06-14 阿里巴巴（中国）有限公司 带宽预测方法、模型生成方法及设备
CN114629797B (zh) * 2022-03-11 2024-03-08 阿里巴巴（中国）有限公司 带宽预测方法、模型生成方法及设备

Also Published As

Publication number Publication date
US11379901B2 (en) 2022-07-05
SG11202001510TA (en) 2020-03-30
US20190347708A1 (en) 2019-11-14
WO2019137104A1 (zh) 2019-07-18

Similar Documents

Publication Publication Date Title
CN108268934A (zh) 基于深度学习的推荐方法和装置、电子设备、介质、程序
CN108648049B (zh) 一种基于用户行为区别建模的序列推荐方法
Herman et al. Quantum computing for finance
US11068285B2 (en) Machine-learning models applied to interaction data for determining interaction goals and facilitating experience-based modifications to interface elements in online environments
CN108960719B (zh) 选品方法和装置以及计算机可读存储介质
CN106530010B (zh) 融合时间因素的协同过滤方法和装置
Umbach et al. Fitting nonlinear structural equation models in R with package nlsem
CN109446430A (zh) 产品推荐的方法、装置、计算机设备及可读存储介质
CN108304354B (zh) 一种预测模型训练方法及装置、存储介质、电子设备
CN107615275A (zh) 估计用于运行数据挖掘服务的计算资源
Liu et al. Balancing between accuracy and fairness for interactive recommendation with reinforcement learning
CN109903095A (zh) 数据处理方法、装置、电子设备及计算机可读存储介质
US11604994B2 (en) Explainable machine learning based on heterogeneous data
CN106484766B (zh) 基于人工智能的搜索方法和装置
CN107886241B (zh) 资源分析方法、装置、介质和电子设备
US11694165B2 (en) Key-value memory network for predicting time-series metrics of target entities
CN108734587A (zh) 金融产品的推荐方法及终端设备
CN107273979A (zh) 基于服务级别来执行机器学习预测的方法及***
CN108228684A (zh) 聚类模型的训练方法、装置、电子设备和计算机存储介质
CN113065882A (zh) 一种商品处理方法、装置及电子设备
CN111461757B (zh) 信息处理方法及装置、计算机存储介质、电子设备
CN111179055A (zh) 授信额度调整方法、装置和电子设备
CN113792952A (zh) 用于生成模型的方法和装置
CN108234195A (zh) 预测网络性能的方法和装置、设备、介质、程序
Merhi Bleik Fully Bayesian estimation of simultaneous regression quantiles under asymmetric laplace distribution specification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180710