CN111461841B - 物品推荐方法、装置、服务器及存储介质 - Google Patents

Abstract

本申请提供了一种物品推荐方法、装置、服务器及存储介质，属于互联网技术领域。方法包括：对用户的至少两个行为序列特征进行相关性提取，得到行为序列相关特征，该行为序列特征用于表示该用户按照时间顺序所执行行为的特征；对用户的用户特征、待推荐物品的物品特征以及行为序列相关特征进行融合，得到融合特征，基于融合特征输出推荐概率，推荐概率用于指示向用户推荐待推荐物品的概率；响应于推荐概率大于目标推荐概率，向用户推荐待推荐物品。上述技术方案，基于融合特征来确定推荐概率，使得该推荐概率既与用户和待推荐物品的特征相关，还跟用户按照时间顺序所执行行为的特征相关，从而推荐的精度较高。

Description

物品推荐方法、装置、服务器及存储介质

技术领域

本申请涉及互联网技术领域，特别涉及一种物品推荐方法、装置、服务器及存储介质。

背景技术

随着线上消费模式的崛起和电商平台的快速发展，只有更精确地了解用户的个性化需求，为用户提供个性化推荐服务，才能体现各电商平台的竞争实力。因此，如何基于用户的行为***台抢占市场先机具有重要意义。

相关技术中，可以采用基于人工统计学的推荐方式来实现个性化的推荐功能。其中，基于人工统计学的推荐方式是根据当前用户的基本信息确定当前用户与其他用户之间的相关程度，从而把与当前用户关联程度较高的其他用户所喜爱的物品推荐给当前用户。

上述技术方案中，由于基于人工统计学的推荐方式较为粗糙，只适合简单的推荐，推荐精度较低，推荐效果差。

发明内容

本申请实施例提供了一种物品推荐方法、装置、服务器及存储介质，基于融合后的融合特征来确定推荐概率，使得该推荐概率既与用户和待推荐物品的特征相关，还跟用户购买其他物品的行为特征相关，推荐的精度较高。所述技术方案如下：

一方面，提供了一种物品推荐方法，所述方法包括：

对用户的至少两个行为序列特征进行相关性提取，得到行为序列相关特征，所述行为序列特征用于表示所述用户按照时间顺序所执行行为的特征；

对所述用户的用户特征、待推荐物品的物品特征以及所述行为序列相关特征进行融合，得到融合特征，基于所述融合特征确定推荐概率，所述推荐概率用于指示向所述用户推荐所述待推荐物品的概率；

响应于所述推荐概率大于目标推荐概率，向所述用户推荐所述待推荐物品。

另一方面，提供了一种物品推荐装置，所述装置包括：

特征提取模块，用于对用户的至少两个行为序列特征进行相关性提取，得到行为序列相关特征，所述行为序列特征用于表示所述用户按照时间顺序所执行行为的特征；

特征融合模块，用于对所述用户的用户特征、待推荐物品的物品特征以及所述行为序列相关特征进行融合，得到融合特征，基于所述融合特征确定推荐概率，所述推荐概率用于指示向所述用户推荐所述待推荐物品的概率；

物品推荐模块，用于响应于所述推荐概率大于目标推荐概率，向所述用户推荐所述待推荐物品。

在一种可选的实现方式中，所述装置还包括模型训练装置，用于获取样本用户的偏好物品集合，所述偏好物品集合作为待训练模型的训练标签；基于所述样本用户的至少两个样本用户行为序列，获取至少两个样本行为序列特征，所述样本行为序列特征用于表示所述样本用户购买所述偏好物品集合中的物品时的行为特征；将所述样本对象的样本用户特征、所述偏好对象集合中至少两个偏好物品的样本物品特征以及所述至少两个样本行为序列特征输入待训练模型，根据输出结果调整模型参数；响应于达到训练完成条件时，将训练得到的模型作为所述物品推荐模型。

另一方面，提供了一种服务器，所述服务器包括处理器和存储器，所述存储器用于存储至少一段程序代码，所述至少一段程序代码由所述处理器加载并执行以实现本申请实施例中的物品推荐方法中所执行的操作。

另一方面，提供了一种存储介质，所述存储介质中存储有至少一段程序代码，所述至少一段程序代码用于执行本申请实施例中的物品推荐方法。

本申请实施例提供的技术方案带来的有益效果是：

在本申请实施例中，通过提取至少两个行为序列特征中的相关性信息来得到行为序列相关特征，可以表示用户的行为序列相关特征，再将该行为序列相关特征与用户特征、物品特征相融合，基于融合后的融合特征来确定推荐概率，使得该推荐概率既与用户和待推荐物品的特征相关，还跟用户按照时间顺序所执行的行为的特征相关，从而推荐的精度较高。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述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申请的一些实施例，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他的附图。

图1是根据本申请实施例提供的物品推荐***100的结构框图；

图2是根据本申请实施例提供的一种物品推荐方法的流程图；

图3是根据本申请实施例提供的另一种物品推荐方法的流程图；

图4是根据本申请实施例提供的一种Transformer结构示意图；

图5是是根据本申请实施例提供的一种训练物品推荐模型的训练流程图；

图6是本申请实施例提供的一种物品推荐模型的结构示意图；

图7是本申请实施例提供的另一种训练物品推荐模型的训练流程图；

图8是根据本申请实施例提供的一种物品推荐装置的框图；

图9是根据本申请实施例提供的一种服务器的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

本申请实施例提供了一种物品推荐方法，该物品推荐方法可以应用于为用户推荐物品的场景。如，购物网站为用户推荐商品的场景、服务网站为用户推荐增值服务的场景以及视频网站为用户推荐视频的场景等。该物品可以为实体商品，也可以为多媒体资源，还可以为实际生活中的服务，甚至可以为股票、债券以及数字货币等虚拟资源。

下面简单介绍一下本申请实施例提供的物品推荐方法的主要步骤。首先，服务器可以对用户的至少两个行为序列特征进行相关性提取，得到行为序列相关特征，该行为序列特征用于表示该用户按照时间顺序所执行行为的特征。然后，服务器可以对用户的用户特征、待推荐物品的物品特征以及该行为序列相关特征进行融合，得到融合特征，基于该融合特征确定推荐概率，该推荐概率用于指示向用户推荐该待推荐物品的概率。最后，服务器响应于该推荐概率大于目标推荐概率，可以向该用户推荐该待推荐物品。该物品推荐方法中，由于推荐概率既与用户和待推荐物品的特征相关，还跟用户按照时间顺序所执行的行为的特征相关，使得推荐的精度较高，推荐效果好。

图1是根据本申请实施例提供的物品推荐***100的结构框图。该物品推荐***100包括：终端110和物品推荐平台120。

终端110通过无线网络或有线网络与物品推荐平台120相连。终端110可以是智能手机、游戏主机、台式计算机、平板电脑、电子书阅读器、MP3播放器、MP4播放器和膝上型便携计算机中的至少一种。终端110安装和运行有支持浏览物品的应用程序。该应用程序可以是购物类应用程序、视频类应用程序或者社交类应用程序等。示意性的，终端110是用户使用的终端，终端110中运行的应用程序内登录有用户账户。

物品推荐平台120包括一台服务器、多台服务器、云计算平台和虚拟化中心中的至少一种。物品推荐平台120用于为支持浏览物品的应用程序提供推荐服务。可选地，物品推荐平台120承担主要推荐工作，终端110承担次要推荐工作；或者，物品推荐平台120承担次要推荐工作，终端110承担主要推荐工作；或者，物品推荐平台120或终端110分别可以单独承担推荐工作。

可选地，物品推荐平台120包括：接入服务器、物品推荐服务器和数据库。接入服务器用于提供终端110提供接入服务。物品推荐服务器用于提供物品推荐服务。物品推荐服务器可以是一台或多台。当物品推荐服务器是多台时，存在至少两台物品推荐服务器用于提供不同的服务，和/或，存在至少两台物品推荐服务器用于提供相同的服务，比如以负载均衡方式提供同一种服务，本申请实施例对此不加以限定。物品推荐服务器中可以设置有推荐模型。在本申请实施例中，该推荐模型是基于结合序列模式挖掘和Transformer结构所构建的推荐模型。

终端110可以泛指多个终端中的一个，本实施例仅以终端110来举例说明。

本领域技术人员可以知晓，上述终端的数量可以更多或更少。比如上述终端可以仅为一个，或者上述终端为几十个或几百个，或者更多数量，此时上述物品推荐***还包括其他终端。本申请实施例对终端的数量和设备类型不加以限定。

图2是根据本申请实施例提供的一种物品推荐方法的流程图，如图2所示，在本申请实施例中以应用于服务器为例进行说明。该物品推荐方法包括以下步骤：

201、服务器对用户的至少两个行为序列特征进行相关性提取，得到行为序列相关特征，该行为序列特征用于表示该用户按照时间顺序所执行行为的特征。

在本申请实施例中，服务器可以通过用户的用户行为序列来确定用户的行为序列特征，其中，用户行为序列用于指示基于时间序列的用户行为，可以为用户在一段时间内按照时间顺序所执行行为的记录，用户所执行行为可以为消费行为、浏览行为以及收藏行为等。相应的，服务器可以获取用户在一段时间内连续执行的至少两个行为的特征，得到该用户的一个行为序列特征。其中，服务器可以基于注意力机制对用户的行为序列特征进行相关性提取和嵌入，以捕捉行为序列特征中包含的关联关系，得到行为序列关联特征，该行为序列关联特征用户行为之间的关联性。如，用户1浏览了产品A的好评内容，然后用户1产生了购买产品A的意愿并将产品A添加到购物车，甚至购买了产品A。用户1的这一系列行为实际上反映了用户的行为序列之间不仅存在先后顺序关系，还具有相关性，如浏览好评内容与购买之间的相关性。由于用户的先后行为往往存在一定的关联或者因果关系，因此通过对行为序列特征进行相关性提取，可以基于提取得到的特征提高推荐效果。

202、服务器对用户的用户特征、待推荐物品的物品特征以及行为序列相关特征进行融合，得到融合特征，基于该融合特征确定推荐概率，该推荐概率用于指示向该用户推荐该待推荐物品的概率。

在本申请实施例中，用户特征可以包括用户基础属性特征，如年龄、性别、学历、所处城市等级等；还可以包括用户消费特征，如支付总笔数、总金额、一段时间内(24小时内、一周内、一个月内、半年内)支付笔数分布、支付金额分布以及每笔平均金额等；还可以包括用户行为特征，如浏览时长、页面点击次数等，本申请实施例对用户特征不进行限制。物品特征可以包括物品基础属性特征，如物品类别、物品价格、物品品牌、物品购买评分以及物品评论情感等；还可以包括物品消费特征，如物品被购买次数、被点击浏览次数、添加购物车次数以及同类物品被购买次数等，本申请实施例对物品特征也不进行限制。其中，服务器可以基于物品推荐模型对用户特征和物品特征进行融合，得到用户物品组合特征，基于至少一个前馈神经网络将该用户物品组合特征与行为序列特征进行融合，得到融合特征。服务器可以基于该融合特征预测向用户推荐该待推荐物品的概率，从而确定推荐概率。

203、服务器响应于该推荐概率大于目标推荐概率，向该用户推荐该待推荐物品。

服务器可以根据推荐概率与目标推荐概率的关系，来确定是否向用户推荐该待推荐物品，若推荐概率大于目标推荐概率，则服务器可以向该用户推荐该待推荐物品，若推荐概率不大于目标推荐概率，则服务器可以不向该用户推荐该待推荐物品。其中，目标推荐概率可以根据应用场景进行设置，本申请实施例对此不进行限制。

在本申请实施例中，通过基于物品推荐模型提取至少两个行为序列特征中的相关性信息来得到行为序列相关特征，可以表示用户的行为序列相关特征，再将该行为序列相关特征与用户特征、物品特征相融合，基于融合后的融合特征来确定推荐概率，使得该推荐概率既与用户和待推荐物品的特征相关，还跟用户按照时间顺序所执行的行为的特征相关，从而推荐的精度较高。

图3是根据本申请实施例提供的另一种物品推荐方法的流程图，如图3所示，在本申请实施例中以应用于服务器为例进行说明。该物品推荐方法由服务器基于物品推荐模型实现，该物品推荐方法包括以下步骤：

301、服务器获取用户的用户特征和待推荐物品的物品特征。

需要说明的是，该待推荐物品为该用户可能感兴趣的物品。服务器可以根据用户的用户行为序列，来挖掘该用户的序列模式，根据该用户的序列模式来找到该用户的相似用户，根据相似用户购买的物品来确定用户可能该兴趣的物品。

在一种可选的实现方式中，服务器根据用户的用户行为序列，挖掘用户的序列模式的步骤可以为：服务器可以根据该用户的至少两个用户行为序列的序列数量和最小支持率，确定最小支持度阈值，该最小支持率与序列数量正相关。服务器可以通过序列模式挖掘算法从至少两个用户行为序列中确定满足该最小支持度阈值的至少一个序列模式。由于序列数量越多最小支持度阈值也就越高，通过使用较高的支持度进行挖掘，可以保证序列模式挖掘的准确性，通过多轮迭代挖掘提高了查全率。并且，随着每轮迭代序列数量的变化，最小支持度阈值也随之变化，即迭代时采用了多个最小支持度阈值，减少了冗余序列模式，提高了挖掘效率。

上述最小支持度阈值可以通过公式(1)计算得到：

min_sup＝p×n   (1)；

其中，mzn_sup表示最小支持度，p表示最小支持率，n表示序列数量。

下面简单介绍一下序列模式挖掘算法的主要步骤：对于任一物品，多个用户购买该物品是可以有不同的用户行为序列。(1)服务器从多个用户的用户特征序列中获取单位长度为1的用户行为序列的前缀以及该前缀对应的投影数据集。(2)服务器统计各行为序列前缀出现的频率，将支持度高于最小支持度的前缀添加到数据集，则得到一项前缀的序列模式，也可以称为频繁一项集时间序列模式。(3)服务器基于前缀为1的投影数据集进行前缀递归挖掘，即对于长度为i且满足最小支持度的前缀进行递归挖掘，其中i为正整数。在进行递归挖掘时，挖掘长度为i的前缀的投影数据集，若该投影数据集为空，则返回递归；若该投影数据集不为空，则统计投影数据集中各项的支持度，将高于最小支持度的单项与长度为i的前缀合并，不高于最小支持度的项则递归返回。令i＝i+1，则长度为i+1的前缀为步骤(3)中合并单项后的各新前缀，分别递归执行步骤(3)。(4)返回该多个用户的序列模式。由于用户行为序列有一定的先后顺序，因此可以基于序列模式挖掘算法挖掘其中蕴含的序列模式，该序列模式用于表示不同用户之间共有的行为习惯。

例如，以用户点击浏览时留下的序列信息为例，用户1在X页面点击x按钮进入Y页面，然后用户1浏览一段时间后又点击y按钮进入Z页面，则用户1的浏览序列可以表示为XxYyZ。用户2在X页面点击x按钮进入Y页面，然后浏览一段时间后又点击z按钮返回X页面，则用户2的浏览序列可以表示为XxYzX。假设最小支持度阈值为0.5，则满足该最小支持度阈值的一项前缀以及对应的投影数据集可以参见表1所示。

表1

相应的，前缀长度为2时，满足最小支持度阈值的二项前缀和对应的投影数据集可以参见表2所示。

表2

相应的，前缀长度为3时，满足最小支持度阈值的三项前缀和对应的投影数据集可以参见表3所示。

表3

则对用户1和用户2进行序列模式挖掘得到的用户行为序列模式为X，x，Y，Xx，xY，XxY。

在一种可选的实现方式中，服务器还可以用行为标签来表示用户的一系列行为轨迹，根据行为标签对应的行为编码构建用户的用户行为序列。如，参见表4所示，行为标签示例性的包括购买行为、添加购物车行为、收藏行为、评论行为、搜索行为、登录行为、注册行为以及浏览行为。各行为标签对应不同的行为编码。当然，行为标签还可以包括其他行为，不再进行赘述。通过用户行为标签对应的行为编码来构建用户行为序列，可以明确且精细的表示出用户在实际应用场景中的行为类别。

表4

行为标签	行为编码
		购买行为	h
添加购物车行为	g
		收藏行为	f
评论行为	e
		搜索行为	d
登录行为	c
		注册行为	b
浏览行为	a

例如，以电商网站为例，用户1进入该电商网站后进行注册和登录，在页面浏览一段时间后进入物品的详情页面，点击收藏按钮收藏了物品，然后点击添加购物车按钮将物品添加购物车，最后购买了该物品，则用户1的用户行为序列可以表示为bcafgh。用户2进入该电商网站后进行注册和登录，在页面浏览一段时间后点击搜索按钮搜索特定物品，浏览该特定物品后，点击添加购物车按钮将该特定物品添到加购物车，然后购买了该特定物品，最后点击收藏按钮收藏了该特定物品，则用户2的用户行为序列可以表示为bcdaghf。假设最小支持度阈值为0.5，基于序列模式挖掘算法，挖掘满足该最小支持度阈值的一项前缀以及对应的投影数据集可以参见表5所示。

表5

相应的，前缀长度为2时，满足最小支持度阈值的二项前缀和对应的投影数据集可以参见表6所示。

表6

相应的，前缀长度为3时，满足最小支持度阈值的三项前缀和对应的投影数据集可以参见表7所示。

表7

相应的，前缀长度为4时，满足最小支持度阈值的四项前缀和对应的投影数据集可以参见表8所示。

表8

相应的，前缀长度为5时，满足最小支持度阈值的五项前缀和对应的投影数据集可以参见表9所示。

表9

需要说明的是，上述示例性举例均以各行为序列为各项的长度为1为例进行说明，在实际场景中，用户的行为序列可以包括多项。例如，用户1的浏览序列表示为XxYyZ，用户1的基于行为标签对应的标签编码的用户行为序列表示为bcafgh，其中a表示浏览行为，则可以将该用户1的用户行为序列替换为bc(XxYyZ)fgh，其中XxYyZ的长度为5。

在一种可选的实现方式中，服务器根据相似用户确定待推荐物品的步骤可以为：服务器可以确定用户的至少一个相似用户，该相似用户为与该用户满足相似条件的用户。服务器响应于该至少一个相似用户已购买的至少一个物品中任一物品用户未购买，将该用户未购买的物品作为待推荐物品。其中，相似条件可以为与该用户的共同序列模式的长度大于该用户对应的目标长度阈值，该共同序列模式用于指示两个用户的序列模式的相同部分。本申请实施例对目标长度阈值的大小不进行限定，如可以为5、7或者10等。由于通过共同序列模式的长度来确定相似用户，使得相似用户与该用户在兴趣爱好和消费习惯上存在相同的特性，因此相似用户与该用户在感兴趣的物品上存在潜在的关联。

例如，在购买某一物品时，用户1的行为序列的标签表示为bcafgh，用户2的行为序列的标签表示为bcdaghf，则用户1和用户2的共同序列模式为bcagh，表示这两个用户共同的行为轨迹。假设用户1对应的目标长度阈值为5，由于bcagh的长度等于5，则用户2为用户1的相似用户。服务器可以从用户2已购买的物品中，选出用户1未购买的物品，也即是用户1可能感兴趣的物品。

在一种可选的实现方式中，随着用户的行为轨迹复杂性增加，用户行为序列的长度也不断的变长，服务器可以根据用户的序列模式和其他用户的序列模式来确定该用户对应的目标长度阈值。相应的，服务器确定用户对应的目标长度阈值的步骤可以为：响应于用户与至少一个其他用户的共同序列模式的长度不小于目标长度，服务器可以获取该共同序列模式的最短长度、最长长度以及模式累加比率。服务器可以确定该最长长度和最短长度的差与模式累加比率的乘积。服务器可以将最短长度与该乘积的和作为目标长度阈值。其中，模式累加比率的取值范围为0到1，本申请对模式累加比率的取值不进行限制。本申请实施例对目标长度的大小不进行限制。由于在用户行为序列长度不断增加时，相应的调整用户对应的目标长度阈值，避免由于不同用户在访问同一网站的不同内容时，由于内容路径较深，导致不同用户进行了大量的相同行为，容易误判断为相似用户的问题，使确定的相似用户更符合需求。

上述目标长度阈值可以通过公式(2)计算得到：

L＝L_min+(L_max-L_min)×R   (2)；

其中，L表示目标长度阈值，L_min表示共同序列模式的最短长度，L_max表示共同序列模式的最长长度，R表示模式累加比率。

302、服务器将用户的用户特征、待推荐物品的物品特征以及与该用户的至少两个行为序列特征输入物品推荐模型，该行为序列特征用于表示该用户按照时间顺序所执行行为的特征。

在本申请实施例中，服务器可以通过用户的行为序列来确定用户的行为序列特征，相应的，服务器确定用户的至少两个行为序列特征的步骤可以为：服务器获取用户的至少两个用户行为序列，对于任一用户行为序列，服务器可以对该用户行为序列中包括的至少一个序列标签进行编码，并基于该至少一个序列标签的支持度进行加权。由于对用户行为序列中的序列进行编码后得到的向量可以作为模型的输入，且带有位置顺序属性，并且通过序列标签的支持度进行加权，可以增加相同行为的权重，有利于提高推荐效果。

例如，服务器获取用户购了10个物品的用户行为序列，其中一个序列标签出现了9次，则该序列标签的支持度为0.9，一个序列标签出现了3次，则该序列标签的支持度为0.3。

303、服务器基于该物品推荐模型对至少两个行为序列特征进行相关性提取，得到行为序列相关特征。

需要说明的是，服务器可以采用Transformer结构来对行为序列特征进行相关性提取。Transformer相较于CNN(Convolutional Neural Networks,卷积神经网络)能够获取全局信息，同时Transformer改进了RNN(Recurrent Neural Network，递归神经网络)训练慢的缺点，利用self-attention(自注意力)机制实现快速并行，Transformer的结构可以参见图4所示。在图4中，Transformer结构包括求和与归一化模块、前馈模块以及多头注意力模块。多头注意力(Multi-Head Self Attention)模块由多层结构完全一样但权重矩阵不同的注意力模块组成，可以防止Transformer只关注一部分特征，通过多头涉及，使得每一个头都关注到了不同的特征，则Transformer整体就会关注到更多的特征，学习到行为序列特征之间的相关性，使得Transformer可以从不同角度去学习多方面不同的信息，从而提高推荐效果。

304、服务器基于该物品推荐模型对用户特征、物品特征以及行为序列相关特征进行融合，得到融合特征，基于该融合特征输出推荐概率，该推荐概率用于指示向该用户推荐该待推荐物品的概率。

需要说明的是，服务器还可以基于GRU(Gate Recurrent Unit，一种RNN)，来对用户物品组合特征与步骤303中得到的行为序列相关特征进行进一步的融合，得到融合特征，将融合特征输入前馈神经网络。其中，GRU是比LSTM(Long Short-Term Memory，长短期记忆网络)参数更少的能够很好的处理序列信息的模型，可以进行深度特征抽取。

305、服务器响应于推荐概率大于目标推荐概率，向该用户推荐待推荐物品。

需要说明的是，上述步骤301至步骤305是本公开实施例提供的物品推荐方法的可选实现方式，相应的该物品推荐方法还有其他可选实现方式，如站在物品的角度来选择用户：服务器将待推荐用户的用户特征、物品的物品特征以及与该物品关联的至少两个行为序列特征输入物品推荐模型，该物品关联的至少两个行为序列特征用于表示至少一个其他用户购买该物品时的行为特征，然后基于该模型输入向该待推荐用户推荐该物品的推荐概率。该推荐概率可以为0和100％，推荐概率为0时表示不向该待推荐用户推荐该物品，推荐概率为100％时，表示向该待推荐用户推荐该物品。

在本申请实施例中，通过基于物品推荐模型提取至少两个行为序列特征中的相关性信息来得到行为序列相关特征，可以表示用户的行为序列相关特征，再将该行为序列相关特征与用户特征、物品特征相融合，基于融合后的融合特征来确定推荐概率，使得该推荐概率既与用户和待推荐物品的特征相关，还跟用户按照时间顺序所执行的行为的特征相关，从而推荐的精度较高。

上述图3示例性的示出了物品推荐方法的流程图，该物品推荐方法所使用的物品推荐模型的训练流程可以参见图5所示，图5是是根据本申请实施例提供的一种训练物品推荐模型的训练流程图，如图5所示包括以下步骤：

501、服务器构建样本用户特征和样本物品特征。

在本申请实施例中，服务器可以获取大量已授权的用户信息和物品信息，根据该从该用户信息中提取用户特征，从该物品信息中提取物品特征。用户特征和物品特征包括的内容可以参见上述步骤201，在此不再赘述。

需要说明的是，服务器可以将获取到的多个用户特征和多个物品特征分别进行拼接组合构造<用户，物品>形式的组合特征，然后对该组合特征进行数据预处理。

在一种可选的实现方式中，服务器对组合特征进行数据预处理的步骤可以为：对于任一组合特征，服务器可以确定该组合特征的数据缺失值，若该组合特征的数据缺失值超过缺失值过滤阈值，则过滤该组合特征；若组合特征的数据缺失值为超过缺失值过滤阈值，则服务器可以对缺失值进行填充，如连续向特征用均值填充，离散型特征用常数填充作为单独类别。服务器还可以过滤单值特征。服务器还可以对异常值进行处理，如根据特征分布，舍弃特征值太大或者在目标分布范围内的值，该目标分布范围可以为万分之一或者千分之一等，本申请实施例对此不进行限制。服务器还可以将连续性特征记性分箱离散化处理，将离散型特征进行编码处理，如通过one-hot进行编码。其中，缺失值过滤阈值的大小由样本数据量和过滤系数的乘积来决定，该过滤系数的取值范围为0到1之间，本申请实施例对此不进行限制。由于对数据进行预处理，可以清洗掉不符合要求的数据，从而得到较好样本数据。

需要说明的是，服务器还可以根据用户特征确定至少一个具有目标特性的用户，该目标特性可以为消费较高、购买频率较高、购买了会员服务中的至少一种。服务器可以将该具有目标特性的用户作为正样本，构建目标特性用户样本库，从而可以基于该目标特性样本库从新用户中确定潜在的具有目标特性用户。

502、服务器获取样本用户的偏好物品集合。

在本申请实施例中，样本用户的偏好物品集合即为该样本用户已购买的物品构成的集合。例如，样本用户1购买了10件物品，则该样本用户1的偏好物品集合中包括该10件物品。

需要说明的是，服务器可以根据用户对物品的偏好评分来对偏好物品集合中的物品进行排序。服务器确定用户对物品的偏好评分的步骤可以为：对于任一物品，服务器将用户最近购买该物品的时间、用户在目标时间段内购买该物品的次数以及用户在目标时间段内购买该物品的消费金额的乘积作为该用户对该物品的偏好评分。

需要说明的是，服务器还可以基于用户的序列模式，确定相似用户集合，该相似用户集合中的用户具有共同行为模式。服务器根据相似用户集合中每个用户的偏好物品集合，可以确定相似用户集合中其他用户的潜在感兴趣物品集合。服务器可以将该潜在感兴趣物品集合中的物品作为该其他用户的待推荐物品。其中，用户的序列模式的确定步骤可以参见步骤302，在此不再赘述。

503、服务器构建样本行为序列特征。

可以参见步骤201，在此不再赘述。

504、服务器以样本用户的偏好物品集合为标签，基于上述样本用户特征、样本物品特征以及样本行为序列特征训练初始模型。

在本申请实施例中，服务器训练初始模型的步骤可以为：服务器可以获取样本用户的偏好物品集合，该偏好物品集合作为待训练模型的训练标签。服务器可以基于该样本用户的至少两个样本用户行为序列，获取至少两个样本行为序列特征，该样本行为序列特征用于表示该样本用户购买所述偏好物品集合中的物品时的行为特征。服务器可以将该样本对象的样本用户特征、偏好对象集合中至少两个偏好物品的样本物品特征以及该至少两个样本行为序列特征输入待训练模型，根据输出结果调整模型参数。其中，模型对样本用户特征、样本物品特征以及样本行为序列特征的处理过程可以参见步骤303和步骤304，在此不再赘述。

需要说明的是，由于服务器以偏好物品集合为标签，则初始模型的输出为预测样本用户在该偏好物品集合中各物品的推荐概率，根据推荐概率进行排序。因此，服务器可以采用激活函数作为模型的输出层，通过损失函数来计算模型损失。其中，激活函数可以为sigmoid函数、tanh函数以及Relu函数等，本申请实施例对此不进行限制。损失函数可以为交叉熵损失函数、平均绝对误差函数、均方根误差函数等，本申请实施例对此不进行限制。

物品推荐模型的结构可以参见图6所示，图6是本申请实施例提供的一种物品推荐模型的结构示意图，在图6中，服务器将n个用户特征以及m个物品特征输入该物品推荐模型，基于该物品推荐模型对用户特征和物品特征进行融合，得到用户物品组合特征，其中n和m为正整数。服务器将N个用户行为序列特征输入物品推荐模型中的Transformer模块，由该Transformer模块输出行为序列相关特征，其中N为大于2的正整数。然后基于GRU层对用户物品组合特征和行为序列相关特征进行融合，得到融合特征，将融合特征输入前馈神经网络，基于激活函数输出推荐概率。

505、服务器响应于达到训练完成条件时，将训练得到的模型作为物品推荐模型。

在本申请实施例中，该训练完成条件可以为达到目标训练次数或者模型收敛等，本申请实施例对此不进行限制。

需要说明的是，在训练初始模型时，可以从用户的角度进行训练，即为用户推荐物品，也可以从物品的角度进行训练，即为物品选择推荐的用户。上述两种训练方式思路相同，不同点在于从用户角度训练时输入的是该用户购买偏好物品的行为序列，且以该用户的偏好物品集合作为标签；而在从物品角度训练时，输入的是多个用户购买该物品的行为序列，且以偏好该物品的至少一个用户作为标签。本申请实施例示例性的以从用户角度训练为例进行说明。

需要说明的是，上述步骤501至步骤505是物品推荐模型训练过程的可选实现方式，相应的，服务器还可以通过其他可选方式训练物品推荐模型，例如，参见图7所示，图7是本申请实施例提供的另一种训练物品推荐模型的训练流程图。步骤包括，701、服务器构建用户特征和物品特征，702、服务器基于序列模式挖掘用户行为序列，703、服务器基于行为序列匹配挖掘用户潜在感兴趣物品，704、服务器构建Transformer结构捕捉行为相关性信息，705、服务器搭建物品推荐模型进行个性化物品推荐。

在本申请实施例中，通过结合用户的序列模式和Transformer结构来搭建推荐模型，考虑了用户的行为序列特征并基于Transformer结构采用注意力机制捕捉用户行为序列的相关性信息，提高了推荐模型的推荐效果。

图8是根据本申请实施例提供的一种物品推荐装置的框图。该装置用于执行上述物品推荐方法执行时的步骤，参见图8，装置包括：特征提取模块801、特征融合模块802以及物品推荐模块803。

特征提取模块801，用于对用户的至少两个行为序列特征进行相关性提取，得到行为序列相关特征，该行为序列特征用于表示该用户按照时间顺序所执行行为的特征；

特征融合模块802，用于对该用户的用户特征、待推荐物品的物品特征以及行为序列相关特征进行融合，得到融合特征，基于该融合特征确定推荐概率，该推荐概率用于指示向该用户推荐该待推荐物品的概率；

物品推荐模块，用于响应于该推荐概率大于目标推荐概率，向该用户推荐该待推荐物品。

在一种可选的实现方式中，该装置还包括：物品确定摸块，用于确定该用户的至少一个相似用户，该相似用户为与该用户满足相似条件的用户；响应于该至少一个相似用户已购买的至少一个物品中任一物品该用户未购买，将该未购买的物品作为该待推荐物品。

在一种可选的实现方式中，该相似条件为：

与该用户的共同序列模式的长度不小于该用户对应的目标长度阈值，该共同序列模式用于指示两个用户的序列模式的相同部分，该目标长度阈值用于指示该用户的共同序列模式的最短长度。

在一种可选的实现方式中，该装置还包括：目标长度阈值确定模块，用于响应于该用户与至少一个其他用户的共同序列模式的长度不小于目标长度，获取该共同序列模式的最短长度、最长长度以及模式累加比率；确定该最长长度和最短长度的差与该模式累加比率的乘积；将该最短长度与该乘积的和作为该目标长度阈值。

在一种可选的实现方式中，该装置还包括：

最小支持度确定模块，用于根据该用户的至少两个用户行为序列的序列数量和最小支持率，确定最小支持度阈值，该最小支持率与该序列数量正相关；

序列模式确定模块，用于通过序列模式挖掘算法从该至少两个用户行为序列中确定满足该最小支持度阈值的至少一个序列模式。

在一种可选的实现方式中，该装置还包括：行为序列特征构建模块，用于获取该用户的至少两个用户行为序列；对于任一用户行为序列，对该用户行为序列中包括的至少一个序列标签进行编码，并基于该至少一个序列标签的支持度进行加权。

在一种可选的实现方式中，该装置还包括模型训练装置，用于获取样本用户的偏好物品集合，该偏好物品集合作为待训练模型的训练标签；基于该样本用户的至少两个样本用户行为序列，获取至少两个样本行为序列特征，该样本行为序列特征用于表示该样本用户购买该偏好物品集合中的物品时的行为特征；将该样本对象的样本用户特征、该偏好对象集合中至少两个偏好物品的样本物品特征以及该至少两个样本行为序列特征输入待训练模型，根据输出结果调整模型参数；响应于达到训练完成条件时，将训练得到的模型作为该物品推荐模型。

在本申请实施例中，通过提取至少两个行为序列特征中的相关性信息来得到行为序列相关特征，可以表示用户的行为序列相关特征，再将该行为序列相关特征与用户特征、物品特征相融合，基于融合后的融合特征来确定推荐概率，使得该推荐概率既与用户和待推荐物品的特征相关，还跟用户按照时间顺序所执行的行为的特征相关，从而推荐的精度较高。

需要说明的是：上述实施例提供的物品推荐装置在运行应用程序时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的物品推荐装置与物品推荐方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图9是根据本申请实施例提供的一种服务器的结构示意图，该服务器900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(Central ProcessingUnits，CPU)901和一个或一个以上的存储器902，其中，所述存储器902中存储有至少一条指令，所述至少一条指令由所述处理器901加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质应用于服务器，该计算机可读存储介质中存储有至少一条程序代码，该至少一条程序代码用于被处理器执行并实现本申请实施例中物品推荐方法中服务器所执行的操作。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

在本申请以上实施例运用到具体产品或技术中时，其均为获得用户许可或者同意，且相关数据的获取、使用和处理遵守国家安全标准和国家法律法规的规定。

Claims (10)

1.一种物品推荐方法，其特征在于，所述方法包括：

对用户的至少两个行为序列特征进行相关性提取，得到行为序列相关特征，所述行为序列特征用于表示所述用户按照时间顺序所执行行为的特征；

对所述用户的用户特征、待推荐物品的物品特征以及所述行为序列相关特征进行融合，得到融合特征，基于所述融合特征确定推荐概率，所述推荐概率用于指示向所述用户推荐所述待推荐物品的概率；

响应于所述推荐概率大于目标推荐概率，向所述用户推荐所述待推荐物品；

其中，所述待推荐物品通过下述步骤确定：

确定所述用户的至少一个相似用户，所述相似用户为与所述用户满足相似条件的用户，所述相似条件为与所述用户的共同序列模式的长度不小于所述用户对应的目标长度阈值，所述共同序列模式用于指示两个用户的序列模式的相同部分，所述目标长度阈值用于指示所述用户的共同序列模式的最短长度；响应于所述至少一个相似用户已购买的至少一个物品中任一物品所述用户未购买，将所述未购买的物品作为所述待推荐物品；

其中，所述用户对应的目标长度阈值通过下述步骤确定：

响应于所述用户与至少一个其他用户的共同序列模式的长度不小于目标长度，获取所述共同序列模式的最短长度、最长长度以及模式累加比率；确定所述最长长度和最短长度的差与所述模式累加比率的乘积；将所述最短长度与所述乘积的和作为所述目标长度阈值。

2.根据权利要求1所述的方法，其特征在于，所述对用户的至少两个行为序列特征进行相关性提取，得到行为序列相关特征之前，所述方法还包括：

根据所述用户的至少两个用户行为序列的序列数量和最小支持率，确定最小支持度阈值，所述最小支持率与所述序列数量正相关；

通过序列模式挖掘算法从所述至少两个用户行为序列中确定满足所述最小支持度阈值的至少一个序列模式。

3.根据权利要求1所述的方法，其特征在于，所述至少两个行为序列特征通过下述步骤得到：

获取所述用户的至少两个用户行为序列；

对于任一用户行为序列，对所述用户行为序列中包括的至少一个序列标签进行编码，并基于所述至少一个序列标签的支持度进行加权。

4.根据权利要求1所述的方法，其特征在于，所述物品推荐方法基于物品推荐模型实现，所述物品推荐模型通过下述步骤训练得到：

获取样本用户的偏好物品集合，所述偏好物品集合作为待训练模型的训练标签；

基于所述样本用户的至少两个样本用户行为序列，获取至少两个样本行为序列特征，所述样本行为序列特征用于表示所述样本用户购买所述偏好物品集合中的物品时的行为特征；

将所述样本用户的样本用户特征、所述偏好物品集合中至少两个偏好物品的样本物品特征以及所述至少两个样本行为序列特征输入待训练模型，根据输出结果调整模型参数；

响应于达到训练完成条件时，将训练得到的模型作为所述物品推荐模型。

5.一种物品推荐装置，其特征在于，所述装置包括：

特征提取模块，用于对用户的至少两个行为序列特征进行相关性提取，得到行为序列相关特征，所述行为序列特征用于表示所述用户按照时间顺序所执行行为的特征；

特征融合模块，用于对所述用户的用户特征、待推荐物品的物品特征以及所述行为序列相关特征进行融合，得到融合特征，基于所述融合特征确定推荐概率，所述推荐概率用于指示向所述用户推荐所述待推荐物品的概率；

物品推荐模块，用于响应于所述推荐概率大于目标推荐概率，向所述用户推荐所述待推荐物品；

物品确定摸块，用于确定所述用户的至少一个相似用户，所述相似用户为与所述用户满足相似条件的用户，所述相似条件为与所述用户的共同序列模式的长度不小于所述用户对应的目标长度阈值，所述共同序列模式用于指示两个用户的序列模式的相同部分，所述目标长度阈值用于指示所述用户的共同序列模式的最短长度；响应于所述至少一个相似用户已购买的至少一个物品中任一物品所述用户未购买，将所述未购买的物品作为所述待推荐物品；

目标长度阈值确定模块，用于响应于所述用户与至少一个其他用户的共同序列模式的长度不小于目标长度，获取所述共同序列模式的最短长度、最长长度以及模式累加比率；确定所述最长长度和最短长度的差与所述模式累加比率的乘积；将所述最短长度与所述乘积的和作为所述目标长度阈值。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

最小支持度确定模块，用于根据所述用户的至少两个用户行为序列的序列数量和最小支持率，确定最小支持度阈值，所述最小支持率与所述序列数量正相关；

序列模式确定模块，用于通过序列模式挖掘算法从所述至少两个用户行为序列中确定满足所述最小支持度阈值的至少一个序列模式。

7.根据权利要求5所述的装置，其特征在于，所述装置还包括：行为序列特征构建模块，用于获取所述用户的至少两个用户行为序列；对于任一用户行为序列，对所述用户行为序列中包括的至少一个序列标签进行编码，并基于所述至少一个序列标签的支持度进行加权。

8.根据权利要求5所述的装置，其特征在于，所述装置还包括模型训练装置，用于获取样本用户的偏好物品集合，所述偏好物品集合作为待训练模型的训练标签；基于所述样本用户的至少两个样本用户行为序列，获取至少两个样本行为序列特征，所述样本行为序列特征用于表示所述样本用户购买所述偏好物品集合中的物品时的行为特征；将所述样本用户的样本用户特征、所述偏好物品集合中至少两个偏好物品的样本物品特征以及所述至少两个样本行为序列特征输入待训练模型，根据输出结果调整模型参数；响应于达到训练完成条件时，将训练得到的模型作为所述物品推荐模型。

9.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器用于存储至少一段程序代码，所述至少一段程序代码由所述处理器加载并执行权利要求1至4任一项所述的物品推荐方法。

10.一种存储介质，其特征在于，所述存储介质用于存储至少一段程序代码，所述至少一段程序代码用于执行权利要求1至4任一权利要求所述的物品推荐方法。

Images