CN111325614A - 电子对象的推荐方法、装置和电子设备 - Google Patents
电子对象的推荐方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111325614A CN111325614A CN202010409708.8A CN202010409708A CN111325614A CN 111325614 A CN111325614 A CN 111325614A CN 202010409708 A CN202010409708 A CN 202010409708A CN 111325614 A CN111325614 A CN 111325614A
- Authority
- CN
- China
- Prior art keywords
- user
- features
- electronic object
- feature
- electronic
- 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.)
- Granted
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0217—Discounts or incentives, e.g. coupons or rebates involving input on products or services in exchange for incentives or rewards
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书提出了一种电子对象的推荐方法、装置和电子设备,其中所述电子对象推荐方法,包括:获取已为第一用户推荐的多个电子对象的特征,根据所述多个电子对象的特征生成特征序列;获取候选电子对象特征,确定所述候选电子对象特征与所述特征序列包含的各特征之间的相关值;根据所述第一用户的用户特征和所述相关值,从候选电子对象中确定向第一用户推荐的电子对象,通过本说明书实施例方案能够提高电子对象推荐的匹配度。
Description
技术领域
本说明书涉及互联网技术领域,尤其涉及一种电子对象的推荐方法、装置和电子设备。
背景技术
在推荐场景中,为了促进业务转化需要定向地向用户发送业务推荐信息,其中,在业务推荐信息中可以展示待推广的产品、服务以及对用户具有较大吸引力的代金券、折扣券、奖品券等。向用户发送的推荐信息在一定程度上可以转化为用户的购买行为,但同时购买转化效果也会受到所推荐信息是否与用户需求相匹配等因素的制约。
在相关技术中,将用户特征和产品特征加入到推荐算法中,以期基于用户特征匹配用户的需求,但由于没有充分挖掘用户的个性化特征,可能会出现推荐的产品和用户需求完全不匹配的情况,比如用户没有车却给该用户推荐了加油券,造成推荐商品的浪费,对推荐信息的业务转化产生影响。
发明内容
本说明书实施例提供了一种电子对象的推荐方法、装置和电子设备,以在推荐场景中,提高电子对象推荐的匹配度。
第一方面,本说明书实施例提供了一种电子对象的推荐方法,包括:
获取已为第一用户推荐的多个电子对象的特征,根据所述多个电子对象的特征生成特征序列;
获取候选电子对象特征,确定所述候选电子对象特征与所述特征序列包含的各特征之间的相关值;
根据所述第一用户的用户特征和所述相关值,从候选电子对象中确定向第一用户推荐的电子对象。
其中一种可能的实现方式中,确定所述候选电子对象特征与所述特征序列包含的各特征之间的相关值,包括:
基于自注意力机制计算所述候选电子对象特征与所述特征序列包含的各特征之间的相关值。
其中一种可能的实现方式中,基于自注意力机制计算所述候选电子对象特征与所述特征序列包含的各特征之间的相关值,包括:
将所述候选电子对象特征作为查询量以及将所述特征序列包含的各特征作为键和键值输入到自注意力计算模型中;
基于所述自注意力计算模型的输出获取候选电子对象特征与所述特征序列包含的各特征之间的相关值。
其中一种可能的实现方式中,基于所述自注意力计算模型的输出获取候选电子对象特征与所述特征序列包含的各特征之间的相关值,包括:
基于自注意力计算模型包含的多头自注意力网络层计算所述候选电子对象特征与所述特征序列包含的各特征之间的相关值。
其中一种可能的实现方式中,在所述多头自注意力网络层计算出所述相关值之后,所述方法还包括:
基于自注意力计算模型包含的网络规范层对所述多头自注意力网络层输出的所述相关值进行规范校正。
其中一种可能的实现方式中,根据所述第一用户的用户特征和所述相关值,从候选电子对象中确定向第一用户推荐的电子对象,包括:
在候选电子对象特征对应的各个相关值中增加用户特征约束;
根据增加所述用户特征约束的相关值确定向第一用户推荐的电子对象。
其中一种可能的实现方式中,在候选电子对象特征对应的各个相关值中除增加所述用户特征约束外,所述方法还包括:在各个相关值中增加用户反馈约束,根据增加所述用户反馈约束的相关值确定向第一用户推荐的电子对象。
其中一种可能的实现方式中,根据所述多个电子对象的特征生成特征序列,包括:
从所述多个电子对象中选取具有预定用户反馈的电子对象;
基于具有预定用户反馈的电子对象的特征生成所述特征序列。
其中一种可能的实现方式中,基于具有预定用户反馈的电子对象的特征生成所述特征序列,包括:
将具有预定用户反馈的电子对象的特征按照向用户推荐的时间顺序排列以生成所述特征序列。
上述电子对象的推荐方法中,引入向用户历史推荐过的电子对象特征,并根据历史推荐过的电子对象特征与候选电子对象特征之间的相关度,挖掘用户的个性化需求和偏好,由此以更加准确地向用户进行推荐,提高所推荐电子对象与用户的匹配度。
第二方面,本说明书实施例提供了一种电子对象的推荐装置,包括:
生成模块,用于获取已为第一用户推荐的多个电子对象的特征,根据所述多个电子对象的特征生成特征序列;
相关值确定模块,用于获取候选电子对象特征,确定所述候选电子对象特征与所述特征序列包含的各特征之间的相关值;
推荐模块,用于根据所述第一用户的用户特征和所述相关值,从候选电子对象中确定向第一用户推荐的电子对象。
其中一种可能的实现方式中,所述相关值确定模块,具体用于基于自注意力机制计算所述候选电子对象特征与所述特征序列包含的各特征之间的相关值。
其中一种可能的实现方式中,所述相关值确定模块,具体用于将所述候选电子对象特征作为查询量以及将所述特征序列包含的各特征作为键和键值输入到自注意力计算模型中;基于所述自注意力计算模型的输出获取候选电子对象特征与所述特征序列包含的各特征之间的相关值。
其中一种可能的实现方式中,所述相关值确定模块,具体用于基于自注意力计算模型包含的多头自注意力网络层计算所述候选电子对象特征与所述特征序列包含的各特征之间的相关值。
其中一种可能的实现方式中,所述相关值确定模块,还用于在所述多头自注意力网络层计算出所述相关值之后,基于自注意力计算模型包含的网络规范层对所述多头自注意力网络层输出的所述相关值进行规范校正。
其中一种可能的实现方式中,所述推荐模块,具体用于在候选电子对象特征对应的各个相关值中增加用户特征约束;根据增加所述用户特征约束的相关值确定向第一用户推荐的电子对象。
其中一种可能的实现方式中,所述推荐模块,在候选电子对象特征对应的各个相关值中除增加所述用户特征约束外,还用于在各个相关值中增加用户反馈约束,根据增加所述用户反馈约束的相关值确定向第一用户推荐的电子对象。
其中一种可能的实现方式中,所述生成模块,具体用于从所述多个电子对象中选取具有预定用户反馈的电子对象;基于具有预定用户反馈的电子对象的特征生成所述特征序列。
其中一种可能的实现方式中,所述生成模块,具体用于将具有预定用户反馈的电子对象的特征按照向用户推荐的时间顺序排列以生成所述特征序列。
第三方面,本说明书实施例提供一种电子设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行第一方面提供的方法。
第四方面,本说明书实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面提供的方法。
应当理解的是,本说明书的第二~第四方面与本说明书的第一方面的技术方案一致,各方面及对应的可行实施方式所取得的有益效果相似,不再赘述。
附图说明
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本说明书电子对象的推荐方法一个实施例的流程图;
图2为本说明书电子对象的推荐方法另一个实施例的流程图;
图3为本说明书电子对象的推荐方法再一个实施例的流程图;
图4为本说明书实施例自注意力计算模型的一种示意图;
图5为本说明书实施例自注意力计算模型的另一种示意图;
图6为本说明书电子对象的推荐方法再一个实施例的流程图;
图7为本说明书电子对象的推荐方法再一个计算模型的示意图;
图8为本说明书电子对象的推荐方法一个具体示例的示意图;
图9为本说明书电子对象的推荐装置一个实施例的结构示意图;
图10为本说明书电子设备一个实施例的结构示意图。
具体实施方式
为了更好的理解本说明书的技术方案,下面结合附图对本说明书实施例进行详细描述。
应当明确,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本说明书保护的范围。
在本说明书实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本说明书实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
为了便于描述,本说明书实施例将向用户发送的推荐信息中所包含的产品、服务或者代金券、折扣券、奖品券等称为电子对象。为了提高所推荐电子对象与用户的匹配度,本说明书实施例中引入历史推荐过的电子对象特征,并根据历史推荐过的电子对象特征与候选电子对象特征之间相关度,挖掘用户的个性化需求和偏好,由此以更加准确地向用户进行推荐。
图1为本说明书电子对象的推荐方法一个实施例的流程图。图1所示方法的执行主体可以为能够自主执行推荐业务的本地终端或者也可以为基于网络进行业务推荐的云服务器,本说明书实施例对能够执行本方法的执行主体不做具体限定。如图1所示,该方法的处理步骤包括:
步骤S101:获取已为第一用户推荐的多个电子对象的特征,根据所述多个电子对象的特征生成特征序列。
其中,已为第一用户推荐的电子对象可以是距离当前时刻最近的预设时间段内向第一用户推荐过的电子对象,所述预设时间段可以根据需要设置,如为距离当前时刻最近的24小时内向第一用户推荐过的电子对象。另外,在距离当前时刻最近的预设时间段内可能向用户推荐的电子对象数量非常多,因此可以从已为第一用户推荐过的电子对象中筛选出部分电子对象,并根据该部分电子对象的特征生成特征序列。从历史推荐过的电子对象中筛选出部分电子对象的方式可以包括对电子对象分类,将属于同一类别的电子对象作为待提取特征的电子对象。例如根据电子对象类型的不同,可以将预设时间段向用户推荐过的电子对象分为商品类和电子券类,当需要进一步确定向第一用户推荐哪些商品时,可以从历史推荐过的商品类电子对象中获取待提取特征的电子对象;当需要进一步确定后续向第一用户推荐哪些电子券时,可以从历史推荐过的电子券类电子对象中确定待提取特征的电子对象,此处对电子对象商品类和电子券类的划分仅为示例,在具体应用中可以根据实际需求确定划分粒度。除了按照对象类型对历史推荐过的电子对象分类外,还可以基于电子对象关联的关注要素分类,在一个具体示例中,所述关注要素可以为用户反馈行为,即可以选取具有预定用户反馈的电子对象作为待提取特征的电子对象,例如,可以将第一用户发生过购买行为的历史推荐作为待提取特征的电子对象,所述关注要素还可以为定价、成本等等。需要说明的是,对历史推荐过的电子对象分类的依据可以有多种,本实施例中不再一一列举,多种分类依据之间可以组合以筛选出待提取特征的电子对象,例如将属于某一类别且具有预定用户反馈的电子对象作为待提取特征的电子对象。
在确定出待提取特征的电子对象后,从电子对象中提取特征,所提取的特征可以为电子对象的描述特征,如电子对象的标识、类型、定价、成本等特征。其中,电子对象特征可以采用向量表示,如Xi=[x0,x1,x2……xn],其中Xi表示第i个电子对象特征,i为正整数;xn为第i个电子对象特征的第n个特征要素,n为正整数。
获取已为第一用户推荐过的多个电子对象特征后,基于多个电子对象的特征生成特征序列。在一种可选的方式中,将多个电子对象的特征按照向第一用户推荐的时间顺序排列生成特征序列Y=[X1,X2,X3……Xi]。
步骤S102:获取候选电子对象特征,确定候选电子对象特征与特征序列包含的各特征之间的相关值。
其中,候选电子对象指候选的用于向用户推荐的电子对象,候选电子对象的数量为多个,确定候选电子对象后提取各个候选电子对象的特征作为候选电子对象特征。上述特征序列包含历史推荐过的多个电子对象特征,特征序列包含的电子对象特征可以与用户反馈行为关联,上述关联方式可以为显性关联方式,如用户反馈作为特征的一部分包含在特征序列中,当然上述关联方式也可以为隐性关联方式,如在筛选用于生成特征序列的电子对象时,将用户反馈作为一个筛选条件,则特征序列中每个电子对象的特征隐含地与预定用户反馈具有关联关系。
上述获取候选电子对象特征和特征序列后,计算候选电子对象特征与特征序列包含的各个特征向量之间的相关值,相关值可以表征候选电子对象与历史推荐过的电子对象之间的相似度,进而可以根据历史推荐过的电子对象所关联的用户反馈预测候选电子对象的用户反馈,为决策是否将候选电子对象推荐给第一用户提供依据。在一个示例中,Q=[q1,q2……qn]表示候选电子对象特征序列,qn表示第n个候选电子对象的特征,n为正整数;基于S=f(qn,Xi)依次计算第n个候选电子对象qn与第i个历史推荐过的电子对象Xi之间的相关度并得到相关度向量S。第n个候选电子对象qn与第i个历史推荐过的电子对象Xi之间的相关度取值可以在0~1之间,候选电子对象与历史推荐过的电子对象之间的相关度取值越高,表示候选电子对象与历史推荐过的电子对象之间相似度越高,向用户推荐该候选电子对象后用户做出相同或相似反馈的概率也就越高,因此依据历史推荐过的电子对象所关联的用户反馈可以预测高相关度候选电子对象被推荐后的用户反馈。
步骤S103:根据第一用户的用户特征和计算出的上述相关值,从候选电子对象中确定向第一用户推荐的电子对象。
确定上述相关值后,可以初步预测候选电子对象被推荐后的用户反馈或者用户做出预定反馈的概率;为了提高预测准确性,可以进一步增加用户特征约束以缩小候选电子对象范围或者最终确定出待推荐的候选电子对象。例如,根据所述相关值预测第一用户对第一定价范围的多个商品发生购买的概率超过了设定阈值,之后在该购买概率的基础上增加用户特征约束并更新购买概率,例如增加第一用户的年龄、职业等权重约束,根据更新后的购买概率从候选电子对象中确定向第一用户推荐的电子对象。
本实施例中,基于历史推荐过的电子对象和候选电子对象之间的相关值,挖掘用户偏好和敏感度,从而可以将更匹配用户兴趣的电子对象推荐给用户,提高推荐信息业务转化的可能性。
图2为本说明书电子对象的推荐方法另一个实施例的流程图。如图2所示,本说明书图1所示实施例中,步骤S101可以包括:
步骤S201:从已为第一用户推荐的多个电子对象中选取具有预定用户反馈的电子对象。
在面向第一用户的历史推荐电子对象中,每个推荐过的电子对象均与用户反馈建立关联,在本实施例中从已经向第一用户推荐的电子对象中选取具有预定用户反馈的电子对象作为后续待提取特征的电子对象。其中,预定用户反馈可以包括:点击、收藏或者使用,即选取具有用户正反馈的电子对象作为待提取特征的电子对象。
步骤S202:基于具有预定用户反馈的电子对象的特征生成特征序列。
其中,可以将具有预定用户反馈的电子对象的特征按照向用户推荐的时间顺序排列以生成所述特征序列。
在本实施例中将具有预定用户反馈的电子对象作为后续生成特征序列的基础,使得后续特征序列包含的特征向量均与预定用户反馈建立隐性关联关系,特征序列隐性具有预定用户反馈特性,便于基于用户的反馈行为深入挖掘用户偏好和敏感度,从而能够更为准确向用户推荐电子对象。
图3为本说明书电子对象的推荐方法再一个实施例的流程图。如图3所示,本说明书图1所示实施例中,步骤S102具体可以为:
步骤S302:获取候选电子对象特征,基于自注意力机制计算候选电子对象特征与特征序列包含的各特征之间的相关值。
自注意力机制实质上是一个寻址过程,给定一个任务相关的查询量,通过计算查询量Query与键Key的注意力并附加在键值Value 上,从而根据Value计算查询量与键之间的注意力值,所述注意力值对应本说明书中的相关值。在本实施例中,将候选电子对象特征作为查询量并且将特征序列包含的各特征作为键和键值输入到自注意力计算模型中;基于自注意力计算模型的输出获取候选电子对象特征与特征序列包含的各特征之间的相关值。
图4为本说明书实施例自注意力计算模型的一种示意图。如图4所示,自注意力计算模型包括查询量(Query,简称Q)、键(Key,简称K)以及键值(Value,简称V)三个输入量,还包括注意力值(Attention Value)作为输出量。在本实施例中,将候选电子对象特征序列Q=[q1,q2……qn]作为查询量,将Y=[X1,X2,X3……Xi]作为键和键值输入到图4所示的自注意力计算模型中,并计算Q相对于K的注意力分布,例如,将候选电子对象q1作为查询量,将历史推荐电子对象X1的各特征值[x0,x1,x2……xn]分别作为Key1、Key2……Keyn和对应的取值Value1、Value2……Valuen,基于注意力分布的计算机制计算q1与Key1、Key2……Keyn之间的注意力分布值α1、α2………αn,对α1、α2………αn进行信息加权得到q1与X1之间的注意力值,利用该方法计算Q中各候选电子对象与Y中各历史推荐过的电子对象之间的注意力值,即本说明书实施例中的所述相关值。在另一种可能的实施方式中,将候选电子对象q1作为查询量,将X1,X2,X3……Xi分别作为Key1、Key2……Keyn和对应的取值Value1、Value2……Valuen,基于注意力分布的计算机制计算q1与Key1、Key2……Keyn之间的注意力分布值α1、α2………αn,对α1、α2………αn进行信息加权得到q1与Xi之间的注意力值,利用该方法计算出Q中各候选电子对象与Y中各历史推荐过的电子对象之间的注意力值。上述仅是对数据输入方式的举例,具体计算过程可以基于自注意力计算机制进行调整。
图5为本说明书实施例自注意力计算模型的另一种示意图。如图5所示,本实施例中的自注意力计算模型为多头自注意力(Multi-Head Attention)计算模型,Multi-HeadAttention机制将模型分为多个头,形成多个子空间。如图5所示,本实施例的Multi-HeadAttention计算模型中包括多头自注意力(Multi-Head Attention)网络层和网络规范层,其中,Multi-Head Attention网络层用于计算候选电子对象特征与所述特征序列包含的各特征之间的相关值,网络规范层用于对所述Multi-Head Attention网络层输出的所述相关值进行规范校正。在图5中,Multi-Head Attention对应自注意力网络层,候选电子对象特征作为查询量query,历史推荐过的电子对象的特征序列作为key和value输入到Multi-Head Attention网络层中,其中,历史推荐过的电子对象的特征序列以奖品1特征、奖品2特征……奖品6特征作为示例示出。如图5所示,网络规范层包括Dropout和层规范(LayerNormalization,对应附图中Add & Norm),Dropout和层规范用于对Multi-Head Attention网络层输出的所述相关值进行规范校正,防止计算模型过拟合,保持计算模型输出的稳定性。
在图4和图5所示的实施例中,用户特征、候选电子对象特征和特征序列在输入对应的计算模型之前,采用embedding算法从稀疏sparse特征向量映射为较低维度的稠密dense向量,实现对相应特征向量的降维,节约计算机内存消耗。
本实施例的自注意力计算模型简化了网络结构的复杂度和训练难度,并且使用单一的学习率就可以帮助模型收敛,降低训练成本,提高模型的稳定性,减少了线上服务的风险。同时在计算Multi-Head Attention时候考虑候选电子对象特征和用户行为特征之间的交互,能够充分挖掘用户兴趣,提升模型预测的准确性。
图6为本说明书电子对象的推荐方法再一个实施例的流程图。如图3所示,本说明书图1所示实施例中,步骤S103可以包括:
步骤S603:在候选电子对象特征对应的各个相关值中增加用户特征约束。
步骤S604:根据增加用户特征约束的相关值确定向第一用户推荐的电子对象。
本实施例中,通过增加用户特征约束提高所推荐的电子对象与用户特征的匹配度。其中,在相关值中增加用户特征约束的方式可以包括:将用户特征向量U=[u1,u2,……un]与相关值向量A=[A1,A2……An]相乘,得到具有用户特征约束的相关值向量B,可选地,从相关值向量B中选取高于设定阈值的相关值,并将高于设定阈值的相关值所对应的候选电子对象作为向用户推荐的电子对象。
在另一种可能的实现方式中,除了在候选电子对象特征对应的各个相关值中增加用户特征约束之外,进一步在各个相关值中增加用户反馈约束,并根据增加用户反馈约束的相关值确定向第一用户推荐的电子对象。在本实施例中,通过增加用户反馈约束可以进一步根据用户反馈行为挖掘用户偏好,从而可以更加准确地向用户推荐电子对象。本实施例中,在相关值中增加用户反馈约束的方式可以参照增加用户特征约束的方式,采用将用户反馈特征向量与相关值向量相乘的方式。
在本实施例中,可以将增加用户特征约束和/或用户反馈约束的相关值向量输入到预测模型中,以基于预测模型的输出从候选电子对象中确定向第一用户推荐的电子对象,其中所述预测模型可以为Wide & Deep、DeepFM、Deep & Cross等计算模型。
图7为本说明书电子对象的推荐方法再一个计算模型的示意图。如图7所示,该计算模型包括自注意力计算模型和预测模型,其中,自注意力计算模型的输入为候选电子对象特征和历史推荐的电子对象特征所组成的特征序列,其输出为候选电子对象特征与特征序列包含的各特征之间的相关值;所述相关值增加用户特征约束后输入到预测模型中,并通过预测模型输出待推荐给第一用户的电子对象。
图8为本说明书电子对象的推荐方法一个具体示例的示意图。本实施例中,将具有一定定价的奖品券作为电子对象,具体的,从已经向第一用户推荐过的各个奖品券中提取奖品特征,奖品特征中可以包括奖品标识、奖品定价和成本等,提取的各个奖品特征组合成奖品特征序列,其中可以按照向第一用户推荐各个奖品券的时间先后顺序将奖品特征组合成奖品特征序列,图8中以奖品1特征、奖品2特征……奖品6特征作为示例;本实施例中还提取候选奖品券的特征。其中,奖品特征序列和候选奖品特征均采用 sparse特征向量表示,对sparse格式的奖品特征序列和候选奖品特征进行embedding,映射为较低维度的dense向量;将dense向量输入到自注意力计算模型,如图7所示的多头自注意力计算模型中以挖掘候选电子对象特征和特征序列包含的各特征之间的相关值;然后,将相关值向量和用户特征之间进行向量相乘,并且将向量相乘的结果输入到预测模型中,以通过预测模型从候选奖品券中确定向用户推荐的奖品券,例如,在定价分别为1元、2元、5元和10元的奖品中,预测出第一用户对5元奖品券正向反馈概率最高,则可以将5元奖品券推荐给第一用户。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
图9为本说明书电子对象的推荐装置一个实施例的结构示意图,如图9所示,上述电子对象的推荐装置可以包括:生成模块91、相关值确定模块92和推荐模块93,其中:
生成模块91,用于获取已为第一用户推荐的多个电子对象的特征,根据所述多个电子对象的特征生成特征序列;
相关值确定模块92,用于获取候选电子对象特征,确定所述候选电子对象特征与所述特征序列包含的各特征之间的相关值;
推荐模块93,用于根据所述第一用户的用户特征和所述相关值,从候选电子对象中确定向第一用户推荐的电子对象。
图9所示实施例提供的电子对象的推荐装置可用于执行本说明书图1所示方法实施例的技术方案,其实现原理和技术效果可以进一步参考方法实施例中的相关描述。
进一步的,图9所示的电子对象的推荐装置中,所述相关值确定模块92,具体用于基于自注意力机制计算所述候选电子对象特征与所述特征序列包含的各特征之间的相关值。
在本实施例中,所述相关值确定模块92,具体用于将所述候选电子对象特征作为查询量以及将所述特征序列包含的各特征作为键和键值输入到自注意力计算模型中;基于所述自注意力计算模型的输出获取候选电子对象特征与所述特征序列包含的各特征之间的相关值。
在本实施例中,所述相关值确定模块92,具体用于基于自注意力计算模型包含的多头自注意力网络层计算所述候选电子对象特征与所述特征序列包含的各特征之间的相关值。
在本实施例中,所述相关值确定模块92,还用于在所述多头自注意力网络层计算出所述相关值之后,基于自注意力计算模型包含的网络规范层对所述多头自注意力网络层输出的所述相关值进行规范校正。
在本实施例中,所述推荐模块93,具体用于在候选电子对象特征对应的各个相关值中增加用户特征约束;根据增加所述用户特征约束的相关值确定向第一用户推荐的电子对象。
在本实施例中,所述推荐模块93,在候选电子对象特征对应的各个相关值中除增加所述用户特征约束外,还用于在各个相关值中增加用户反馈约束,根据增加所述用户反馈约束的相关值确定向第一用户推荐的电子对象。
在本实施例中,所述生成模块91,具体用于从所述多个电子对象中选取具有预定用户反馈的电子对象;基于具有预定用户反馈的电子对象的特征生成所述特征序列。
在本实施例中,所述生成模块91,具体用于将具有预定用户反馈的电子对象的特征按照向用户推荐的时间顺序排列以生成所述特征序列。
图9所示实施例提供的电子对象的推荐装置可用于执行本申请图1~图8所示方法实施例的技术方案,其实现原理和技术效果可以进一步参考方法实施例中的相关描述。
图10为本说明书电子设备一个实施例的结构示意图,如图10所示,上述电子设备可以包括至少一个处理器;以及与上述处理器通信连接的至少一个存储器,其中:存储器存储有可被处理器执行的程序指令,上述处理器调用上述程序指令能够执行本说明书图1~图8所示实施例提供的电子对象的推荐方法。
其中,上述电子设备可以为能够独立进行电子对象推荐的本地终端,也可以为通过网络执行电子对象推荐方法的云端服务器,本说明书实施例对上述电子设备的具体形式不作限定。
图10示出了适于用来实现本说明书实施方式的示例性电子设备的框图。图10显示的电子设备仅仅是一个示例,不应对本说明书实施例的功能和使用范围带来任何限制。
如图10所示,电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于:一个或者多个处理器410,存储器430,连接不同***组件(包括存储器430和处理单元410)的通信总线440。
通信总线440表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及***组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
电子设备典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器430可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)和/或高速缓存存储器。电子设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。存储器430可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本说明书各实施例的功能。
具有一组(至少一个)程序模块的程序/实用工具,可以存储在存储器430中,这样的程序模块包括——但不限于——操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块通常执行本说明书所描述的实施例中的功能和/或方法。
处理器410通过运行存储在存储器430中的程序,从而执行各种功能应用以及数据处理,例如实现本说明书图1~图8所示实施例提供的电子对象的推荐方法。
本说明书实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行本说明书图1~图8所示实施例提供的电子对象的推荐方法。
上述非暂态计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(Read Only Memory;以下简称:ROM)、可擦式可编程只读存储器(Erasable ProgrammableRead Only Memory;以下简称:EPROM)或闪存、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本说明书的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本说明书的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本说明书的实施例所属技术领域的技术人员所理解。
需要说明的是,本说明书实施例中所涉及的终端可以包括但不限于个人计算机(Personal Computer;以下简称:PC)、个人数字助理(Personal Digital Assistant;以下简称:PDA)、无线手持设备、平板电脑(Tablet Computer)、手机、MP3播放器、MP4播放器等。
在本说明书所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本说明书各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本说明书各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory;以下简称:ROM)、随机存取存储器(Random Access Memory;以下简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (20)
1.一种电子对象的推荐方法,其特征在于,包括:
获取已为第一用户推荐的多个电子对象的特征,根据所述多个电子对象的特征生成特征序列;
获取候选电子对象特征,确定所述候选电子对象特征与所述特征序列包含的各特征之间的相关值;
根据所述第一用户的用户特征和所述相关值,从候选电子对象中确定向第一用户推荐的电子对象。
2.根据权利要求1所述的方法,其特征在于,确定所述候选电子对象特征与所述特征序列包含的各特征之间的相关值,包括:
基于自注意力机制计算所述候选电子对象特征与所述特征序列包含的各特征之间的相关值。
3.根据权利要求2所述的方法,其特征在于,基于自注意力机制计算所述候选电子对象特征与所述特征序列包含的各特征之间的相关值,包括:
将所述候选电子对象特征作为查询量以及将所述特征序列包含的各特征作为键和键值输入到自注意力计算模型中;
基于所述自注意力计算模型的输出获取候选电子对象特征与所述特征序列包含的各特征之间的相关值。
4.根据权利要求3所述的方法,其特征在于,基于所述自注意力计算模型的输出获取候选电子对象特征与所述特征序列包含的各特征之间的相关值,包括:
基于自注意力计算模型包含的多头自注意力网络层计算所述候选电子对象特征与所述特征序列包含的各特征之间的相关值。
5.根据权利要求4所述的方法,其特征在于,在所述多头自注意力网络层计算出所述相关值之后,所述方法还包括:
基于自注意力计算模型包含的网络规范层对所述多头自注意力网络层输出的所述相关值进行规范校正。
6.根据权利要求1所述的方法,其特征在于,根据所述第一用户的用户特征和所述相关值,从候选电子对象中确定向第一用户推荐的电子对象,包括:
在候选电子对象特征对应的各个相关值中增加用户特征约束;
根据增加所述用户特征约束的相关值确定向第一用户推荐的电子对象。
7.根据权利要求6所述的方法,其特征在于,在候选电子对象特征对应的各个相关值中除增加所述用户特征约束外,所述方法还包括:在各个相关值中增加用户反馈约束,根据增加所述用户反馈约束的相关值确定向第一用户推荐的电子对象。
8.根据权利要求1所述的方法,其特征在于,根据所述多个电子对象的特征生成特征序列,包括:
从所述多个电子对象中选取具有预定用户反馈的电子对象;
基于具有预定用户反馈的电子对象的特征生成所述特征序列。
9.根据权利要求8所述的方法,其特征在于,基于具有预定用户反馈的电子对象的特征生成所述特征序列,包括:
将具有预定用户反馈的电子对象的特征按照向用户推荐的时间顺序排列以生成所述特征序列。
10.一种电子对象的推荐装置,其特征在于,包括:
生成模块,用于获取已为第一用户推荐的多个电子对象的特征,根据所述多个电子对象的特征生成特征序列;
相关值确定模块,用于获取候选电子对象特征,确定所述候选电子对象特征与所述特征序列包含的各特征之间的相关值;
推荐模块,用于根据所述第一用户的用户特征和所述相关值,从候选电子对象中确定向第一用户推荐的电子对象。
11.根据权利要求10所述的装置,其特征在于,
所述相关值确定模块,具体用于基于自注意力机制计算所述候选电子对象特征与所述特征序列包含的各特征之间的相关值。
12.根据权利要求11所述的装置,其特征在于,
所述相关值确定模块,具体用于将所述候选电子对象特征作为查询量以及将所述特征序列包含的各特征作为键和键值输入到自注意力计算模型中;基于所述自注意力计算模型的输出获取候选电子对象特征与所述特征序列包含的各特征之间的相关值。
13.根据权利要求12所述的装置,其特征在于,
所述相关值确定模块,具体用于基于自注意力计算模型包含的多头自注意力网络层计算所述候选电子对象特征与所述特征序列包含的各特征之间的相关值。
14.根据权利要求13所述的装置,其特征在于,
所述相关值确定模块,还用于在所述多头自注意力网络层计算出所述相关值之后,基于自注意力计算模型包含的网络规范层对所述多头自注意力网络层输出的所述相关值进行规范校正。
15.根据权利要求10所述的装置,其特征在于,
所述推荐模块,具体用于在候选电子对象特征对应的各个相关值中增加用户特征约束;根据增加所述用户特征约束的相关值确定向第一用户推荐的电子对象。
16.根据权利要求15所述的装置,其特征在于,
所述推荐模块,在候选电子对象特征对应的各个相关值中除增加所述用户特征约束外,还用于在各个相关值中增加用户反馈约束,根据增加所述用户反馈约束的相关值确定向第一用户推荐的电子对象。
17.根据权利要求10所述的装置,其特征在于,
所述生成模块,具体用于从所述多个电子对象中选取具有预定用户反馈的电子对象;基于具有预定用户反馈的电子对象的特征生成所述特征序列。
18.根据权利要求17所述的装置,其特征在于,
所述生成模块,具体用于将具有预定用户反馈的电子对象的特征按照向用户推荐的时间顺序排列以生成所述特征序列。
19.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至9任一所述的方法。
20.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至9任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409708.8A CN111325614B (zh) | 2020-05-15 | 2020-05-15 | 电子对象的推荐方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010409708.8A CN111325614B (zh) | 2020-05-15 | 2020-05-15 | 电子对象的推荐方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325614A true CN111325614A (zh) | 2020-06-23 |
CN111325614B CN111325614B (zh) | 2020-11-24 |
Family
ID=71173554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010409708.8A Active CN111325614B (zh) | 2020-05-15 | 2020-05-15 | 电子对象的推荐方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325614B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113765959A (zh) * | 2020-06-30 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 信息推送方法、装置、设备及计算机可读存储介质 |
CN114840761A (zh) * | 2022-05-13 | 2022-08-02 | 北京达佳互联信息技术有限公司 | 推送模型的训练方法、装置、设备、存储介质及程序产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064285A (zh) * | 2018-08-02 | 2018-12-21 | 西北大学 | 一种获得商品推荐序列及商品推荐方法 |
CN110008409A (zh) * | 2019-04-12 | 2019-07-12 | 苏州市职业大学 | 基于自注意力机制的序列推荐方法、装置及设备 |
CN110633418A (zh) * | 2019-09-20 | 2019-12-31 | 曹严清 | 商品推荐方法及装置 |
-
2020
- 2020-05-15 CN CN202010409708.8A patent/CN111325614B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064285A (zh) * | 2018-08-02 | 2018-12-21 | 西北大学 | 一种获得商品推荐序列及商品推荐方法 |
CN110008409A (zh) * | 2019-04-12 | 2019-07-12 | 苏州市职业大学 | 基于自注意力机制的序列推荐方法、装置及设备 |
CN110633418A (zh) * | 2019-09-20 | 2019-12-31 | 曹严清 | 商品推荐方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113765959A (zh) * | 2020-06-30 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 信息推送方法、装置、设备及计算机可读存储介质 |
CN114840761A (zh) * | 2022-05-13 | 2022-08-02 | 北京达佳互联信息技术有限公司 | 推送模型的训练方法、装置、设备、存储介质及程序产品 |
CN114840761B (zh) * | 2022-05-13 | 2024-05-28 | 北京达佳互联信息技术有限公司 | 推送模型的训练方法、装置、设备、存储介质及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN111325614B (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944481B (zh) | 用于生成信息的方法和装置 | |
CN110008973B (zh) | 一种模型训练方法、基于模型确定目标用户的方法及装置 | |
CN108205699A (zh) | 生成用于神经网络输出层的输出 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN113256007B (zh) | 一种面向多模态的新产品销量预测方法及装置 | |
CN116541610B (zh) | 一种推荐模型的训练方法及装置 | |
CN111325614B (zh) | 电子对象的推荐方法、装置和电子设备 | |
CN110706055A (zh) | 商品信息推送方法及装置、存储介质、计算机设备 | |
CN113051480A (zh) | 资源推送方法、装置、电子设备及存储介质 | |
CN113763019A (zh) | 一种用户信息管理方法和装置 | |
US20200250715A1 (en) | Automatic rule generation for recommendation engine using hybrid machine learning | |
CN113592605A (zh) | 基于相似产品的产品推荐方法、装置、设备及存储介质 | |
CN113780479A (zh) | 周期预测模型的训练方法及装置、周期预测方法、设备 | |
CN115935185A (zh) | 一种推荐模型的训练方法及装置 | |
CN113034168A (zh) | 内容项投放方法、装置、计算机设备及存储介质 | |
CN110197317B (zh) | 目标用户确定方法及装置、电子设备及存储介质 | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN113792952A (zh) | 用于生成模型的方法和装置 | |
CN111026973B (zh) | 一种商品兴趣度预测方法、装置及电子设备 | |
CN111368195A (zh) | 一种模型训练方法、装置、设备及存储介质 | |
CN112766995A (zh) | 物品推荐方法、装置、终端设备及存储介质 | |
CN116186541A (zh) | 一种推荐模型的训练方法及装置 | |
CN111339432A (zh) | 电子对象的推荐方法、装置和电子设备 | |
CN111598638A (zh) | 点击率确定方法、装置及设备 | |
CN115049383A (zh) | 组合支付推荐方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |