CN111626827A - 基于序列推荐模型的物品推荐方法、装置、设备及介质 - Google Patents

基于序列推荐模型的物品推荐方法、装置、设备及介质 Download PDF

Info

Publication number
CN111626827A
CN111626827A CN202010470866.4A CN202010470866A CN111626827A CN 111626827 A CN111626827 A CN 111626827A CN 202010470866 A CN202010470866 A CN 202010470866A CN 111626827 A CN111626827 A CN 111626827A
Authority
CN
China
Prior art keywords
sequence
article
recommendation model
user information
target user
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
Application number
CN202010470866.4A
Other languages
English (en)
Other versions
CN111626827B (zh
Inventor
赵朋朋
吴杨红
周晓方
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.)
Suzhou University
Original Assignee
Suzhou University
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 Suzhou University filed Critical Suzhou University
Priority to CN202010470866.4A priority Critical patent/CN111626827B/zh
Publication of CN111626827A publication Critical patent/CN111626827A/zh
Application granted granted Critical
Publication of CN111626827B publication Critical patent/CN111626827B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于序列推荐模型的物品推荐方法，包括：利用用户与物品的历史交互序列基于深度神经网络训练出包括自动特征交互层、特征层面自注意力层以及物品层面自注意力层的序列推荐模型；获取目标用户信息，并将目标用户信息输入至序列推荐模型中，确定出对应的目标推荐物品。相较于现有技术中仅仅利用包括特征层面自注意力层和物品层面自注意力层的序列推荐模型进行物品推荐的方式，本方法训练出的序列推荐模型，能够进一步利用自动特征交互层学习物品的高阶交互特征，因此能够更加准确地进行物品推荐。本申请还公开了一种基于序列推荐模型的物品推荐装置、设备及计算机可读存储介质，均具有上述有益效果。

Description

基于序列推荐模型的物品推荐方法、装置、设备及介质
技术领域
本发明涉及序列推荐领域，特别涉及一种基于序列推荐模型的物品推荐方法、装置、设备及计算机可读存储介质。
背景技术
随着互联网技术的快速发展，序列推荐模型已广泛用于生产生活场景中，如电子商务推荐、媒体推荐和广告点击预测等。序列推荐旨在基于用户与物品的历史交互情况来预测接下来可能与用户交互的物品。现有技术中，一般是利用双重自我注意网络(FIDS)模型进行序列推荐，利用深度神经网络的特征层面自注意力层和物品层面自注意力层进行学习训练，得出序列推荐模型，再在确定出目标用户信息时，利用序列推荐模型预测出与目标用户信息对应的目标推荐物品。但是，利用现有技术的方法确定出的目标推荐物品并不够准确。
因此，如何提高基于序列推荐模型的物品推荐的准确度，是本领域技术人员目前需要解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于序列推荐模型的物品推荐方法，能够提高基于序列推荐模型的物品推荐的准确度；本发明的另一目的是提供一种基于序列推荐模型的物品推荐装置、设备及计算机可读存储介质，均具有上述有益效果。
为解决上述技术问题，本发明提供一种基于序列推荐模型的物品推荐方法，包括：
利用用户与物品的历史交互序列基于深度神经网络训练出包括自动特征交互层、特征层面自注意力层以及物品层面自注意力层的序列推荐模型；
获取目标用户信息，并将所述目标用户信息输入至所述序列推荐模型中，确定出对应的目标推荐物品。
优选地，所述利用用户与物品的历史交互序列基于深度神经网络训练出包括自动特征交互层、特征层面自注意力层以及物品层面自注意力层的序列推荐模型的过程，具体包括：
获取所述用户与所述物品的所述历史交互序列，并根据各物品特征确定出对应的物品特征矩阵；
利用所述深度神经网络中的自注意网络根据所述物品特征矩阵学习所述物品特征之间的高阶交互特征，并整合出特征序列；
利用与所述物品特征矩阵对应的位置编码和所述特征序列确定出和矩阵，并将所述和矩阵输入至第一自注意力网络，得出用户的序列特征；
通过第二自注意网络学习物品特征之间的依赖性；
将所述用户的序列特征和所述物品特征之间的依赖性输入至全连接层，得出所述序列推荐模型。
优选地，所述获取所述用户与所述物品的所述历史交互序列的过程，具体包括：
预先确定所述历史交互序列中的所述物品的预设数量；
按照由近到远的时间顺序筛选出与所述用户交互的所述预设数量的所述物品，确定出所述历史交互序列。
优选地，所述获取目标用户信息，并将所述目标用户信息输入至所述序列推荐模型中，确定出对应的目标推荐物品的过程，具体包括：
获取所述目标用户信息，并将所述目标用户信息输入至所述序列推荐模型中，按照概率大小确定出对应的多个所述目标推荐物品。
优选地，在所述获取目标用户信息，并将所述目标用户信息输入至所述序列推荐模型中，确定出对应的目标推荐物品之后，进一步包括：
发出对应的提示信息。
优选地，在所述获取目标用户信息，并将所述目标用户信息输入至所述序列推荐模型中，确定出对应的目标推荐物品之后，进一步包括：
将所述目标推荐物品以及对应的所述目标用户信息记录至推荐列表。
优选地，在所述获取目标用户信息，并将所述目标用户信息输入至所述序列推荐模型中，确定出对应的目标推荐物品之后，进一步包括：
显示各所述目标推荐物品以及对应的所述目标用户信息。
为解决上述技术问题，本发明还提供一种基于序列推荐模型的物品推荐装置，包括：
模型训练模块，用于利用用户与物品的历史交互序列基于深度神经网络训练出包括自动特征交互层、特征层面自注意力层以及物品层面自注意力层的序列推荐模型；
物品推荐模块，用于获取目标用户信息，并将所述目标用户信息输入至所述序列推荐模型中，确定出对应的目标推荐物品。
为解决上述技术问题，本发明还提供一种基于序列推荐模型的物品推荐设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述任一种基于序列推荐模型的物品推荐方法的步骤。
为解决上述技术问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种基于序列推荐模型的物品推荐方法的步骤。
本发明提供的一种基于序列推荐模型的物品推荐方法，相较于现有技术中，仅仅利用包括特征层面自注意力层和物品层面自注意力层的序列推荐模型进行物品推荐的方式，本方法利用用户与物品的历史交互序列基于深度神经网络训练出包括自动特征交互层、特征层面自注意力层以及物品层面自注意力层的序列推荐模型；然后获取目标用户信息，并将所述目标用户信息输入至所述序列推荐模型中，确定出对应的目标推荐物品。也就是说，本方法训练出的序列推荐模型，能够进一步利用自动特征交互层学习物品的高阶交互特征，因此能够更加准确地进行物品推荐。
为解决上述技术问题，本发明还提供了一种基于序列推荐模型的物品推荐装置、设备及计算机可读存储介质，均具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种基于序列推荐模型的物品推荐方法的流程图；
图2为本发明实施例提供的一种序列推荐模型的架构示意图；
图3为本发明实施例提供的一种基于序列推荐模型的物品推荐装置的结构图；
图4为本发明实施例提供的一种基于序列推荐模型的物品推荐设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例的核心是提供一种基于序列推荐模型的物品推荐方法，能够提高基于序列推荐模型的物品推荐的准确度；本发明的另一核心是提供一种基于序列推荐模型的物品推荐装置、设备及计算机可读存储介质，均具有上述有益效果。
为了使本领域技术人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明实施例提供的一种基于序列推荐模型的物品推荐方法的流程图。如图1所示，一种基于序列推荐模型的物品推荐方法包括：
S10：利用用户与物品的历史交互序列基于深度神经网络训练出包括自动特征交互层、特征层面自注意力层以及物品层面自注意力层的序列推荐模型；
S20：获取目标用户信息，并将目标用户信息输入至序列推荐模型中，确定出对应的目标推荐物品。
需要说明的是，在实际操作中，首先需要训练出用于物品推荐的序列推荐模型。具体的，在本实施例中，用于训练序列推荐模型的样本为用户与物品的历史交互序列，将历史交互序列输入至深度神经网络中进行学习训练。本实施例对深度神经网络的具体类型不做限定，在实际操作中根据实际需求确定出深度神经网络中神经元以及网络层数。
需要说明的是，在本实施例中，是基于预先设置有自动特征交互层、特征层面自注意力层以及物品层面自注意力层的深度神经网络，利用历史交互序列进行学习训练，得出序列推荐模型。
需要说明的是，在确定出序列推荐模型后，在需要对用户进行物品推荐时，首先需要获取目标用户信息，即需要进行物品推荐的用户的信息，然后将该目标用户信息输入至训练出的序列推荐模型中，利用序列推荐模型进行计算，计算出各物品分别对应的得分，该得分表示计算出的用户下一次选择该物品的概率，从而根据概率确定出目标推荐物品。
本发明实施例提供的一种基于序列推荐模型的物品推荐方法，相较于现有技术中，仅仅利用包括特征层面自注意力层和物品层面自注意力层的序列推荐模型进行物品推荐的方式，本方法利用用户与物品的历史交互序列基于深度神经网络训练出包括自动特征交互层、特征层面自注意力层以及物品层面自注意力层的序列推荐模型；然后获取目标用户信息，并将目标用户信息输入至序列推荐模型中，确定出对应的目标推荐物品。也就是说，本方法训练出的序列推荐模型，能够进一步利用自动特征交互层学习物品的高阶交互特征，因此能够更加准确地进行物品推荐。
结合如图2所示的序列推荐模型的架构示意图，在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例中，利用用户与物品的历史交互序列基于深度神经网络训练出包括自动特征交互层(Automatic Feature InteractionLayer)、特征层面自注意力层(Feature-wise Self-Attention Layer)以及物品层面自注意力层(Item-wise Self-Attention Layer)的序列推荐模型的过程，具体包括：
获取用户与物品的历史交互序列，并根据各物品特征确定出对应的物品特征矩阵；
利用深度神经网络中的自注意网络根据物品特征矩阵学习物品特征之间的高阶交互特征，并整合出特征序列；
利用与物品特征矩阵对应的位置编码和特征序列确定出和矩阵，并将和矩阵输入至第一自注意力网络，得出用户的序列特征；
通过第二自注意网络学习物品特征之间的依赖性；
将用户的序列特征和物品特征之间的依赖性输入至全连接层，得出序列推荐模型。
具体的，在本实施例中，首先获取用户信息集合U＝{u1,u2,...u|U|}以及物品信息集合I＝{i1,i2,...i|I|}，其中，|U|和|I|分别表示用户的个数和物品的个数；获取用户历史交互序列S＝{s1,s2,...,s|S|}，即用户按照时间顺序进行交互的物品序列，用户历史交互序列中的每一个物品si对应于一组特征Ai＝{ai1,ai2,...,aim}，m表示用户历史交互序列中每个物品的特征数量；原始特征序列可以表示为矩阵序列f＝(A1,A2,...,An)，n表示用户历史交互序列中物品的数量。
将物品信息集合映射至密集的潜在矩阵V∈Rn×d；其中，d表示潜在维度；由于自注意机制不具备位置感知能力，因此对应生成可学习的位置矩阵P∈Rn×d来建模位置关系。
自动特征交互层的关键任务是学习有意义的高阶特征交互，分别根据每个物品i的特征矩阵Ai，利用自注意机制来学习特征之间的高阶交互，得出高阶交互特征。
在本实施例中，优选的使用按比例缩放的点积注意力进行计算，其定义如下：
Figure BDA0002514258980000061
其中，其中Q,K,V分别表示查询，键和值；d表示潜在维度，
Figure BDA0002514258980000062
约束了点积的规模；通过线性变换将特征矩阵Ai转换为三个矩阵Q,K,V，以学习高阶交互特征：
Figure BDA0002514258980000063
其中，WQ，WK，WV∈Rd×d是可学习的权重。
利用多头自注意将不同的特征交互映射到多个子空间，并连接不同子空间的输出：
Figure BDA0002514258980000071
Figure BDA0002514258980000072
其中，nh表示自动特征交互层中的头个数，
Figure BDA00025142589800000713
是权重矩阵；为了保留先前学习的组合特征，应用残差连接来组合不同交互的特征。此外，为了提高模型的性能，采用层正则化并添加两个完全连接层：
Figure BDA0002514258980000074
Figure BDA0002514258980000075
其中，W1,W2∈Rd×d和b1,b2∈Rd分别表示权重矩阵和偏置；
Figure BDA0002514258980000076
的每个特征都已经合并了其他特征对其自身的二阶影响。使用SAttB(自我关注块)来表示上述自我关注过程以进行简化。为了捕获高阶交互特征，通过堆叠了多个自我关注块：
Figure BDA0002514258980000077
Figure BDA0002514258980000078
其中，b(b≥1)是自我注意块的数量；
然后，利用vanilla注意力机制(Vanilla Attention)选择哪些特征决定用户的选择：
Figure BDA0002514258980000079
Figure BDA00025142589800000710
其中，
Figure BDA00025142589800000711
是Ei的第j行；fi表示物品的高阶整合特征；对应的，特征层面的序列可以转换为F＝(f1,f2,...,fn)，即F∈Rn×d表示整合的特征序列。
在获取整合的特征序列之后，继续使用第一自注意网络来保存上下文信息并学习特征之间的依赖性。
由于第一自注意力网络忽略了位置关系，因此将位置编码P∈Rn×d添加到特征序列F中，以保留用户的序列位置关系；即，利用与物品特征矩阵对应的位置编码和特征序列确定出和矩阵，然后，将和矩阵送到第一自注意网络，从特征层面捕获用户的序列模式，得出用户的序列特征；如下所示：
Figure BDA00025142589800000712
Figure BDA0002514258980000081
需要说明的是，尽管自动特征交互层和特征层面自注意力层都使用了注意力机制，但它们之间存在两个差异：1)无需在自动捕获特征交互时考虑位置编码，因为物品的特征之间没有位置关系。但是，对于建模序列模式，需要位置编码以学习位置联系；2)建模序列的转移关系时，需要掩盖未来特征对过去特征的影响，但是在捕获特征交互时不需要掩蔽。
物品层面自注意层旨在学习物品之间的依赖关系。对于给定的用户，首先将位置编码附加到物品序列S；然后，将其输入至第二自注意层，即放入堆叠的自我注意模块中：
Figure BDA0002514258980000082
Figure BDA0002514258980000083
为了全面考虑特征层面和物品层面的转换模式，再将第一自注意层
Figure BDA0002514258980000084
和第二自注意层
Figure BDA0002514258980000085
的输出连接在一起，然后将其输入到全连接层：
Figure BDA0002514258980000086
其中，Wz∈R2d×d和bz∈Rd分别表示权重矩阵和偏置。
至此，训练得出序列推荐模型。
对应的，当获取到目标用户信息时，将目标用户信息输入至序列推荐模型中，得出目标物品的过程如下：
首先计算与目标用户u相关的各物品i的得分：
Figure BDA0002514258980000087
其中，
Figure BDA0002514258980000088
表示Zu的第t行，即步骤t的预测物品的表示；提取最后一步以计算预测中的分数；通过每个训练序列随机抽取100个负例，并将以下损失函数最小化：
Figure BDA0002514258980000089
得出目标推荐物品。
可见，按照本实施例的方法训练出的序列推荐模型能根据目标用户信息精准地确定出目标推荐物品。
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例中，获取用户与物品的历史交互序列的过程，具体包括：
预先确定历史交互序列中的物品的预设数量；
按照由近到远的时间顺序筛选出与用户交互的预设数量的物品，确定出历史交互序列。
需要说明的是，在实际操作中，可能存在与用户进行交互的物品的数量过多导致历史交互序列过大，从而导致训练序列推荐模型繁琐且准确度低的情况。在本实施例中，在确定出历史交互序列时，预先确定历史交互序列中的物品的预设数量；然后确定出与用户交互的各物品的交互时间，按照由近到远的时间顺序排列各物品，并选择预设数量的物品，即选择用户最近交互的预设数量的物品确定出历史交互序列。
另外需要说明的是，在实际操作中，也可能存在与用户进行交互的物品的数量少于预设数量的情况，因此在设置历史交互序列之后，进一步利用零填充策略进行对历史交互序列进行补零操作，同样得出包括有预设数量的元素的历史交互序列。
可见，按照本实施例的方法，能均衡历史交互序列的长度，从而能够提高训练出序列推荐模型的便捷度和准确度。
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，在本实施例中，获取目标用户信息，并将目标用户信息输入至序列推荐模型中，确定出对应的目标推荐物品的过程，具体包括：
获取目标用户信息，并将目标用户信息输入至序列推荐模型中，按照概率大小确定出对应的多个目标推荐物品。
具体的，在本实施例中，在获取目标用户信息并将目标用户信息输入至序列推荐模型之后，序列推荐模型可以计算出与该目标用户信息对应的各物品分别对应的得分，即各物品被目标用户下一次选择的概率，按照从大到小的得分顺序排列各物品，并选择TOP-N的物品作为目标推荐物品；在本实施例中，N>2，表示确定出多个目标推荐物品。在实际操作中，N的数量根据实际需求确定，例如可以是预先设置固定值，也可以是随机确定，本实施例对此不做限定；当然，N的数量也不宜过大，否则无法起到物品推荐的作用。
可见，本实施例通过确定出多个目标预测物品，能够便于用户更全面地获取目标推荐物品。
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例在获取目标用户信息，并将目标用户信息输入至序列推荐模型中，确定出对应的目标推荐物品之后，进一步包括：
发出对应的提示信息。
具体的，在本实施例中，是在获取目标用户信息，并将目标用户信息输入至序列推荐模型中，确定出对应的目标推荐物品之后，即，确定出目标推荐物品之后，进一步触发提示装置发出对应的提示信息。需要说明的是，提示装置可以具体是蜂鸣器和/或指示灯和/或显示器，通过触发蜂鸣器/指示灯/显示器等提示装置发出对应的提示信息，如蜂鸣音/闪烁灯/显示文字或图像等，以直观地提示用户当前根据目标用户信息进行物品推荐的情况，从而能够进一步提升用户的使用体验。
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例在获取目标用户信息，并将目标用户信息输入至序列推荐模型中，确定出对应的目标推荐物品之后，进一步包括：
将目标推荐物品以及对应的目标用户信息记录至推荐列表。
具体的，在本实施例中，是在获取目标用户信息，并将目标用户信息输入至序列推荐模型中，确定出对应的目标推荐物品之后，进一步获取当前进行物品推荐对应的目标用户信息以及确定出的目标推荐物品，然后将目标用户信息以及对应的目标推荐物品记录至推荐列表。需要说明的是，推荐列表可以是以excel表格或者数据库表的形式，本实施例对此不做限定，根据实际需求进行选择。并且，在实际操作中，还可以进一步获取确定出目标推荐物品的时间，并将该时间对应记录至该推荐列表中。
可见，在本实施例中，通过进一步将目标推荐物品以及对应的目标用户信息记录至推荐列表，能够便于用户物品推荐情况。
在上述实施例的基础上，本实施例对技术方案作了进一步的说明和优化，具体的，本实施例在获取目标用户信息，并将目标用户信息输入至序列推荐模型中，确定出对应的目标推荐物品之后，进一步包括：
显示各目标推荐物品以及对应的目标用户信息。
具体的，在本实施例中，是在获取目标用户信息，并将目标用户信息输入至序列推荐模型中，确定出对应的目标推荐物品之后，再利用显示装置对目标用户信息以及对应的目标推荐物品进行显示。需要说明的是，在实际操作中，对显示装置的具体类型不做限定，例如可以是液晶显示器或者触控显示器等；并且本实施例对具体的显示方式也不做限定，例如，可以以文字或者图标的形式进行显示；另外，可以是累计显示各各目标推荐物品以及对应的目标用户信息，也可以是实时显示当前目标推荐物品以及对应的目标用户信息；本实施例对此也不做限定。
可见，本实施例在获取目标用户信息，并将目标用户信息输入至序列推荐模型中，确定出对应的目标推荐物品之后，进一步显示各目标推荐物品以及对应的目标用户信息，以便于用户能够便捷直接地获取当前物品推荐情况，从而进一步提升用户的使用体验。
上文对于本发明提供的一种基于序列推荐模型的物品推荐方法的实施例进行了详细的描述，本发明还提供了一种与该方法对应的基于序列推荐模型的物品推荐装置、设备及计算机可读存储介质，由于装置、设备及计算机可读存储介质部分的实施例与方法部分的实施例相互照应，因此装置、设备及计算机可读存储介质部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
图3为本发明实施例提供的一种基于序列推荐模型的物品推荐装置的结构图，如图3所示，一种基于序列推荐模型的物品推荐装置包括：
模型训练模块31，用于利用用户与物品的历史交互序列基于深度神经网络训练出包括自动特征交互层、特征层面自注意力层以及物品层面自注意力层的序列推荐模型；
物品推荐模块32，用于获取目标用户信息，并将目标用户信息输入至序列推荐模型中，确定出对应的目标推荐物品。
本发明实施例提供的基于序列推荐模型的物品推荐装置，具有上述基于序列推荐模型的物品推荐方法的有益效果。
图4为本发明实施例提供的一种基于序列推荐模型的物品推荐设备的结构图，如图4所示，一种基于序列推荐模型的物品推荐设备包括：
存储器41，用于存储计算机程序；
处理器42，用于执行计算机程序时实现如上述基于序列推荐模型的物品推荐方法的步骤。
本发明实施例提供的基于序列推荐模型的物品推荐设备，具有上述基于序列推荐模型的物品推荐方法的有益效果。
为解决上述技术问题，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述基于序列推荐模型的物品推荐方法的步骤。
本发明实施例提供的计算机可读存储介质，具有上述基于序列推荐模型的物品推荐方法的有益效果。
以上对本发明所提供的基于序列推荐模型的物品推荐方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

Claims (10)

1.一种基于序列推荐模型的物品推荐方法，其特征在于，包括：
利用用户与物品的历史交互序列基于深度神经网络训练出包括自动特征交互层、特征层面自注意力层以及物品层面自注意力层的序列推荐模型；
获取目标用户信息，并将所述目标用户信息输入至所述序列推荐模型中，确定出对应的目标推荐物品。
2.根据权利要求1所述的方法，其特征在于，所述利用用户与物品的历史交互序列基于深度神经网络训练出包括自动特征交互层、特征层面自注意力层以及物品层面自注意力层的序列推荐模型的过程，具体包括：
获取所述用户与所述物品的所述历史交互序列，并根据各物品特征确定出对应的物品特征矩阵；
利用所述深度神经网络中的自注意网络根据所述物品特征矩阵学习所述物品特征之间的高阶交互特征，并整合出特征序列；
利用与所述物品特征矩阵对应的位置编码和所述特征序列确定出和矩阵，并将所述和矩阵输入至第一自注意力网络，得出用户的序列特征；
通过第二自注意网络学习物品特征之间的依赖性；
将所述用户的序列特征和所述物品特征之间的依赖性输入至全连接层，得出所述序列推荐模型。
3.根据权利要求2所述的方法，其特征在于，所述获取所述用户与所述物品的所述历史交互序列的过程，具体包括：
预先确定所述历史交互序列中的所述物品的预设数量；
按照由近到远的时间顺序筛选出与所述用户交互的所述预设数量的所述物品，确定出所述历史交互序列。
4.根据权利要求2所述的方法，其特征在于，所述获取目标用户信息，并将所述目标用户信息输入至所述序列推荐模型中，确定出对应的目标推荐物品的过程，具体包括：
获取所述目标用户信息，并将所述目标用户信息输入至所述序列推荐模型中，按照概率大小确定出对应的多个所述目标推荐物品。
5.根据权利要求1所述的方法，其特征在于，在所述获取目标用户信息，并将所述目标用户信息输入至所述序列推荐模型中，确定出对应的目标推荐物品之后，进一步包括：
发出对应的提示信息。
6.根据权利要求1所述的方法，其特征在于，在所述获取目标用户信息，并将所述目标用户信息输入至所述序列推荐模型中，确定出对应的目标推荐物品之后，进一步包括：
将所述目标推荐物品以及对应的所述目标用户信息记录至推荐列表。
7.根据权利要求1至6任一项所述的方法，其特征在于，在所述获取目标用户信息，并将所述目标用户信息输入至所述序列推荐模型中，确定出对应的目标推荐物品之后，进一步包括：
显示各所述目标推荐物品以及对应的所述目标用户信息。
8.一种基于序列推荐模型的物品推荐装置，其特征在于，包括：
模型训练模块，用于利用用户与物品的历史交互序列基于深度神经网络训练出包括自动特征交互层、特征层面自注意力层以及物品层面自注意力层的序列推荐模型；
物品推荐模块，用于获取目标用户信息，并将所述目标用户信息输入至所述序列推荐模型中，确定出对应的目标推荐物品。
9.一种基于序列推荐模型的物品推荐设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的基于序列推荐模型的物品推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于序列推荐模型的物品推荐方法的步骤。
CN202010470866.4A 2020-05-28 2020-05-28 基于序列推荐模型的物品推荐方法、装置、设备及介质 Active CN111626827B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010470866.4A CN111626827B (zh) 2020-05-28 2020-05-28 基于序列推荐模型的物品推荐方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010470866.4A CN111626827B (zh) 2020-05-28 2020-05-28 基于序列推荐模型的物品推荐方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN111626827A true CN111626827A (zh) 2020-09-04
CN111626827B CN111626827B (zh) 2023-06-13

Family

ID=72260874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010470866.4A Active CN111626827B (zh) 2020-05-28 2020-05-28 基于序列推荐模型的物品推荐方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN111626827B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112559861A (zh) * 2020-12-11 2021-03-26 中国科学院深圳先进技术研究院 序列推荐模型的训练方法、信息推荐方法及相关装置
CN114385921A (zh) * 2022-01-13 2022-04-22 中建电子商务有限责任公司 一种标书推荐方法、***、设备及存储介质
CN115396831A (zh) * 2021-05-08 2022-11-25 ***通信集团浙江有限公司 交互模型生成方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359140A (zh) * 2018-11-30 2019-02-19 苏州大学 一种基于自适应注意力的序列推荐方法及装置
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
CN111127142A (zh) * 2019-12-16 2020-05-08 东北大学秦皇岛分校 一种基于广义神经注意力的物品推荐方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359140A (zh) * 2018-11-30 2019-02-19 苏州大学 一种基于自适应注意力的序列推荐方法及装置
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
CN111127142A (zh) * 2019-12-16 2020-05-08 东北大学秦皇岛分校 一种基于广义神经注意力的物品推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
肖青秀;汤鲲;: "基于双层注意力机制的深度学习电影推荐***" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112559861A (zh) * 2020-12-11 2021-03-26 中国科学院深圳先进技术研究院 序列推荐模型的训练方法、信息推荐方法及相关装置
CN112559861B (zh) * 2020-12-11 2024-03-29 中国科学院深圳先进技术研究院 序列推荐模型的训练方法、信息推荐方法及相关装置
CN115396831A (zh) * 2021-05-08 2022-11-25 ***通信集团浙江有限公司 交互模型生成方法、装置、设备及存储介质
CN114385921A (zh) * 2022-01-13 2022-04-22 中建电子商务有限责任公司 一种标书推荐方法、***、设备及存储介质

Also Published As

Publication number Publication date
CN111626827B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN111626827B (zh) 基于序列推荐模型的物品推荐方法、装置、设备及介质
WO2018040944A1 (zh) 恶意地址/恶意订单的识别***、方法及装置
CN111552880B (zh) 基于知识图谱的数据处理方法、装置、介质及电子设备
CN114912433B (zh) 文本层级多标签分类方法、装置、电子设备以及存储介质
CN108205699A (zh) 生成用于神经网络输出层的输出
CN108376132A (zh) 相似试题的判定方法及***
CN111680147A (zh) 一种数据处理方法、装置、设备以及可读存储介质
CN110245310B (zh) 一种对象的行为分析方法、装置及存储介质
CN110263245B (zh) 基于强化学习模型向用户推送对象的方法和装置
CN109903103A (zh) 一种推荐物品的方法和装置
CN112925892B (zh) 一种对话推荐方法、装置、电子设备及存储介质
CN113628059A (zh) 一种基于多层图注意力网络的关联用户识别方法及装置
US20220067055A1 (en) Methods and apparatuses for showing target object sequence to target user
CN110706055A (zh) 商品信息推送方法及装置、存储介质、计算机设备
CN115618101A (zh) 基于负反馈的流媒体内容推荐方法、装置及电子设备
CN114417161B (zh) 基于异构图的虚拟物品时序推荐方法、装置、介质及设备
CN110704668B (zh) 基于网格的协同注意力vqa方法和装置
CN110263973B (zh) 预测用户行为的方法及装置
CN115631008B (zh) 商品推荐方法、装置、设备及介质
CN114461906A (zh) 一种聚焦于用户核心兴趣的序列推荐方法及装置
CN109002477A (zh) 信息处理方法、装置、终端及介质
CN112817442A (zh) 基于ffm的多任务情况下态势信息分类推荐***及方法
CN116484092A (zh) 基于用户长短期偏好的分层注意力网络序列推荐方法
CN111782774A (zh) 一种问题推荐的方法及装置
CN115545833A (zh) 一种基于用户社交信息的推荐方法及***

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